Publicar resultados "negativos" en el campo científico

En el campo científico, el paradigma dominante, impide que gran parte de los resultados experimentales nunca sean públicos. Esto ocurre frecuentemente cuando las hipótesis que se manejan no terminan corroboradas por el análisis de los datos. 

Un ejemplo sencillo podría ser el ensayo de una técnica nueva de aprendizaje escolar que se cree que ayuda a los niños a mejorar su rendimiento en matemáticas. Si los resultados del experimento muestran que no hay ninguna diferencia significativa entre el grupo control y el grupo con la nueva técnica de aprendizaje, entonces el resultado terminará como un informe inédito, archivado junto a otros informes en los almacenes universitarios o incluso destruido con objeto de no ocupar espacio.

El estadístico Masa en Análisis de Correspondencias

El Análisis de Correspondencias(AC), es un procedimiento que permite describir de forma geométrica las relaciones entre variables de diversa naturaleza. Dentro de este procedimiento nos encontramos entre los primeros resultados el concepto estadístico de Masa, que simplemente es la frecuencia relativa de los totales filas y columnas en la tabla de datos analizada.
Se utiliza tanto para ponderar los perfiles de los puntos, como en la interpretación de la importancia de un punto (influencia) en el análisis desarrollado (los modelos deben seguir a los datos, y no al revés; Benzécri, 1976).  De esta forma, al considerar los puntos con una masa proporcional se evita privilegiar las categorías con frecuencias bajas o nulas.

Odds Ratio en R

En Metodología, frecuentemente usamos algoritmos para considerar una exposición (por ejemplo , absentismo escolar) y determinar su relación al comportamiento problemático (por ejemplo , la delincuencia juvenil) . Son útiles a la hora de expresar una cantidad (magnitud) del riesgo de comportamiento problemático para las personas que son expuestas a determinados agentes.

Supongamos un ejemplo con los datos siguientes: 
Tabla de Absentismo escolarxComportamientos-delictivos 
                        Delincuentes    No delincuentes 
Si-absentismo     2 (a)                8 (b) 
No-absentismo 10 (c)            990 (d) 

El riesgo se expresa en modelos de probabilidad, de una exposición dada causando un comportamiento. Es decir, la probabilidad de comportamiento problemático en los expuestos con respecto a la probabilidad de comportamiento problemático en los que no han sido expuestos. A esto, se conoce como el riesgo relativo (RR).

RR(delincuente en el grupo con absentismo/delincuente en el grupo no absentista)=(2/10)/(10/990)=19,8 

Generador cuántico de números aleatorios

En Proceso de Datos es frecuente encontrarnos con la necesidad de simular el azar. Esto, clásicamente lo hemos resuelto con la generación de números pseudoaleatorios, basados en algoritmos (software).

No obstante, si deseamos tener una mayor precisión sobre la generación del azar, deberíamos resolverlo por sistemas de hardware. Estos dispositivos (TRNG, True Random Number Generator), generan números realmente aleatorios de naturaleza cuántica, basados en el campo electromagnético (Symul et al., 2011).

Si se desea familiarizar con este tipo de generadores recomendamos el siguiente enlace: 

http://qrng.anu.edu.au/index.php

Donde es posible verificar online el funcionamiento, por ejemplo, en la generación de números binarios:
http://qrng.anu.edu.au/RainBin.php
Y también hexadecimales:
http://qrng.anu.edu.au/RainHex.php

Ha superado los tests estándares del NIST (National Institute of Standards and Technology) y los de la batería de Diehard.

Referencias.
Symul,T.; Assad,S.M. and P. K. Lam,P.K. (2011). Appl. Phys. Lett. 98, 231103. http://dx.doi.org/10.1063/1.3597793 (access 5-1-2015).

Parsimonia científica

El principio de cautela, a la hora de interpretar los resultados, no siempre es contemplado en el trabajo científico, sufriendo muchas veces las publicaciones de claras exageraciones o distorsiones. Este hecho ha llevado en las últimas décadas, con la proliferación de las publicaciones, a un deterioro del conocimiento científico.

En los últimos tiempos una serie de investigaciones, intentan racionalizar el proceso de difusión científica, y entre ellas cabe citar el trabajo de Sumner et al. (2014). 

Muy recomendable en la biblioteca del moderno investigador.

Referencias.
Sumner,P.;Vivian-Griffiths;S.; Boivin,J.; Williams,A.;Venetis,C.A.; Davies,A.; Ogden,J.; Whelan,J.; Hughes,B.; Dalton,B.; Boy,F. and Chambers,C.D. (2014). The association between exaggeration in health related science news and academic press releases: retrospective observational study. BMJ,349:g7015. doi: http://dx.doi.org/10.1136/bmj.g7015 (Acceso 22 Diciembre de 2014).

Análisis de Datos Simbólicos: librería ISDA.R

Si se requiere usar una aproximación numérica a un problema matemático, y se exige precisión, los datos se suele asumir, que deben representarse por intervalos. Ya que cualquier dato incorpora un error en la entrada:
 Dato = modelo + error 
En el análisis clásico de datos, una variable en cada individuo, observación o unidad solo puede tomar un valor. Mientras que en el ADS [Análisis de Datos Simbólicos (Bock & Diday, 2000)] una variable puede ser un intervalo de números reales (valorada por intervalos). Son un caso particular de los datos simbólicos...
 X = [Xi,Xs] ={Xi <= X <= Xs}
Una librería en R, muy aconsejable para introducirse en este nuevo tipo de análisis, es ISDA.R

Referencias 
Bock,H.-H. & Diday,E. (eds.) (2000). Analysis of Symbolic Data. Berlin,Germany: Springer-Berlag.

Inteligencia Artificial y Entropía

La entropía puede ser definida como la cantidad de ‘microestados’ posibles para un ‘macroestado’ de un sistema. A la hora de cuantificar el proceso podemos calcularlo de muchas formas. Por ejemplo:
* H = k log(N), donde N es el número de microestados (equiprobables).
* H = -1*Suma (Pi log(Pi)), siendo Pi la probabilidad del microestado i-ésimo.
* H = Suma (mi*vi), donde mi y vi son la masa y velocidad de cada partícula.

Todas son equivalentes entre sí y se elige en cada caso dependiendo de los datos que disponemos en cada caso.

El concepto de "entropía a futuro" (Wissner-Gross & Freer, 2013) es cuando hacemos corresponder a la entropía en el espacio de todos los posibles futuros alcanzables (microestados), desde un estado inicial (macroestado), y asumiendo un segmento temporal (t) hacia ese futuro. El objetivo, de la programación por el método Monte Carlo de este tipo de metaheurísticos, es dar la apariencia de inteligencia en los sistemas.

Una conferencia más desarrollada, de lo que estamos describiendo, lo podemos visualizar en el siguiente vídeo en Youtube:

Referencias.
Wissner-Gross,A.D. & Freer,C.E. (2013).Causal Entropic Forces, Physical Review Letters, 110: 168702, 19 Apr. (formato pdf)

Simulación en R: Matrices de correlaciones

Brevemente presentamos un procedimiento de simulación en R, que tiene como objetivo la generación de números pseudoaleatorios relacionados de acuerdo a un patrón fijado de antemano por el investigador. 

Posteriormente se presenta de forma gráfica la estructura alcanzada.

----

Procedimiento general de simulación:

library(psych)

library(MASS)

PatCorr <- matrix(c(1, 0.8, -0.4, 0.2,

                   0.8, 1,   0.15, 0.3,

                  -0.4, 0.15,   1, 0.1,  

                   0.2, 0.3, 0.1,   1),nrow=4)

M <- mvrnorm(5000, mu=rep(0,4), Sigma = PatCorr,empirical = TRUE)

---

Procedimiento de resultados:

head(M)  
pairs.panels(M)
---
Obteniéndose en este caso simulado...
            [,1]        [,2]       [,3]        [,4]
[1,]  0.04508237  0.13164350 -0.4929757  0.37310566
[2,]  1.07220292  0.67510691 -0.9520928 -1.01714666
[3,]  0.41117075  0.38988280 -0.6533527 -0.21138061
[4,] -0.05390150 -0.04880109  0.1695599 -0.05594154
[5,] -0.54652194  0.32840506  0.7111292 -0.18216643
[6,] -1.23544943 -1.51118618 -1.0223330  0.92505704
....

En caso de ajustar el valor de p para múltiples contrastes usaremos el procedimiento:
datos<-as.data.frame(M)

corr.test(datos, y = NULL, 
use = "pairwise",method="pearson",adjust="holm",alpha=.05)

Intermail (BITNET-EARN)

El desarrollo militar de la red INTERNET nos ha dejado documentos interesantes, a los cuales podemos acceder una vez desclasificados. Un ejemplo de lo comentado es este informe (formato pdf), sobre la estructura de lo que en su momento se conocía como Intermail:

Fusion Tables en Google

Fusion Tables, es un servicio en la nube de Google, destinado a la gestión de datos. Estos, se almacenan en varias tablas que los usuarios de Internet pueden tanto ver y/o descargar (Halevy y Shapley,2009). Es una herramienta importante para la investigación y la representación de datos (Gonzalez et at., 2010; Gupta et al., 2013), sobre todo en aquellas disciplinas que usan técnicas SIG.

El servicio web proporciona un medio para visualizar los datos  gráficos clásicos, como son los circulares, los diagramas de barras o dispersión y líneas de tiempo; así como mapas geográficos basados en Google Maps. Estos, además de usar coordenadas (latitud,longitud), también pueden utilizar directamente la información de las direcciones postales (calle, número, localidad).  

Por otra parte, además de hacer mapas con posiciones de cada georeferencia, también puede realizarse "mapas de calor" (densidad de posiciones). 

Finalmente, señalaremos que los datos pueden ser exportados a otros formatos de archivo, posibilitando de esta forma su tratamiento por otro tipo de herramientas en Proceso de Datos.

Referencias
*Halevy,A. and Shapley,R.(2009). Google Fusion Tables. Google.
*Gonzalez,H.;  Halevy,A.;  Jensen,C.S.;  Langen,A.; Madhavan,J.; Shapley,R. y Shen,W. (2010). Google Fusion Tables: Data Management, Integration and Collaboration in the Cloud. SoCC'10. ACM.
*Gupta,N.; Halevy,A.Y.; Harb,B.; Lam,H.; Lee,H.; Madhavan,J.; Wu,F. y Yu,C. (2013). Recent progress towards an ecosystem of structured data on the Web. IEEE 29th International Conference on Data Engineering (ICDE), Actas pp. 5-8.