Razonamiento Científico · Dossier ECEP Media Biología - Francisco Javier Núñez Valenzuela

El razonamiento científico se evalúa con situaciones experimentales: datos en tablas y gráficos sobre los que hay que decidir qué variable se manipuló, qué permiten concluir y cómo mejorar el diseño.

Subdominio 5.1 · Diseño experimental

De la pregunta a la conclusión

Todo este dominio gira en torno a una sola competencia: razonar sobre un experimento. La ECEP te entrega un diseño —casi siempre biológico— y te pide cuatro cosas, que son los cuatro bullets del temario: (1) determinar las variables que lo constituyen (independiente, dependiente y controladas), distinguir grupo control de grupo experimental y reconocer la hipótesis; (2) sugerir conclusiones a partir de los datos, sin afirmar más de lo que estos permiten; (3) proponer modificaciones que mejoren el diseño según su propósito, sus resultados o sus conclusiones; y (4) evaluar la pertinencia de los datos cuantitativos o cualitativos presentados en tablas, gráficos o modelos. No se pide memorizar definiciones, sino aplicarlas a una situación concreta con números delante.

5.1

Determinar las variables de un diseño experimental

Desde cero

Un experimento bien diseñado distingue tres tipos de variables. Para no confundirlas, conviene pensarlas como tres preguntas:

Variable independiente: es la que el investigador manipula a propósito (la causa que se pone a prueba). Pregunta: ¿qué estoy cambiando yo entre un grupo y otro? Ej.: la temperatura del agua, la dosis de fertilizante, la concentración de antibiótico.
Variable dependiente: es la que se mide como resultado (el efecto). Pregunta: ¿qué dato anoto al final para ver si pasó algo? Ej.: el número de semillas germinadas, la altura de la planta, el área de inhibición bacteriana.
Variables controladas (constantes): todas las que se mantienen iguales en todos los grupos para que no "ensucien" el resultado. Si cambiaran junto con la independiente, no sabríamos cuál de las dos causó el efecto. Ej.: misma luz, misma cantidad de agua, mismo tipo de semilla.

Regla de oro: la independiente es la que yo decido y vario; la dependiente es la que la naturaleza responde y yo mido. Si las confundes, inviertes causa y efecto.

Figura 1. En un buen diseño solo se cambia la variable independiente; las controladas se mantienen constantes para que cualquier cambio en la dependiente pueda atribuirse a la independiente y no a un factor escondido.

Un mismo experimento, sus tres variables

Experimento	Independiente (manipulo)	Dependiente (mido)	Controladas (mantengo)
Efecto de un fertilizante en plantas	dosis de fertilizante	altura de la planta a los 20 días	luz, riego, tipo de semilla, maceta
Germinación según temperatura	temperatura del ambiente	n.° de semillas germinadas	humedad, luz, tipo de semilla
Antibiótico contra una bacteria	concentración del antibiótico	diámetro de la zona sin bacterias	cepa, agar, temperatura, tiempo

Ejemplo resuelto: leer las variables de un enunciado

"Un grupo de estudiantes riega cuatro macetas con la misma planta usando distintas dosis de fertilizante (0, 5, 10 y 15 mL) y, a los 20 días, mide la altura de cada planta. Todas reciben la misma luz y la misma agua."

Independiente: la dosis de fertilizante (0, 5, 10, 15 mL) — es lo que ellos eligen y varían.
Dependiente: la altura a los 20 días — es lo que miden al final.
Controladas: la luz, el agua, el tipo de planta — iguales para todas.

Pista de lectura: la independiente suele venir con varios valores ("distintas dosis"); la dependiente, con un verbo de medición ("mide la altura").

El error típico

Invertir independiente y dependiente. En el ejemplo anterior, decir que la independiente es "la altura" es confundir el efecto con la causa: la altura es lo que se mide (depende), no lo que se controla. Otro descuido: clasificar una variable controlada (la luz) como independiente solo porque aparece nombrada — lo que la define como independiente es que el investigador la varíe a propósito.

En la ECEP

El ítem clásico te da un experimento de un párrafo y pregunta "¿cuál es la variable independiente (o dependiente)?". Estrategia: subraya el factor que aparece con distintos valores (esa es la independiente) y el dato que se mide al final (la dependiente); el resto, lo que se repite igual en todos los grupos, son las controladas.

Auto-chequeo Se exponen cultivos de levadura a 10, 20, 30 y 40 °C y se mide el volumen de CO₂ liberado en una hora, con la misma cantidad de azúcar en todos. Identifica las tres variables.

Independiente: la temperatura (10, 20, 30, 40 °C), que se manipula. Dependiente: el volumen de CO₂ liberado, que se mide. Controladas: la cantidad de azúcar (y la cepa de levadura, el tiempo), que se mantienen iguales.

Pregunta tipo ECEP

Para estudiar la actividad de la enzima catalasa, un equipo coloca trozos de hígado en soluciones de agua oxigenada a 0, 20, 40 y 60 °C, manteniendo el mismo volumen y concentración de agua oxigenada, y mide la cantidad de oxígeno liberado en 2 minutos. ¿Cuál es la variable independiente?

A) La temperatura de la solución, porque es el factor que el equipo fija en distintos valores para observar su efecto.
B) La cantidad de oxígeno liberado en 2 minutos, porque es el dato que se registra al terminar el experimento.
C) El volumen de agua oxigenada, porque es la sustancia que reacciona con la enzima en cada tubo.
D) El tiempo de 2 minutos, porque define el momento en que se realiza la medición del experimento.

Correcta: A. La independiente es la que se manipula con varios valores: aquí, la temperatura (0, 20, 40, 60 °C). B describe la variable dependiente (lo que se mide), no la independiente. C y D son variables controladas: el volumen de agua oxigenada y el tiempo se mantienen iguales en todos los tubos, justamente para que no influyan en el resultado.

5.1

Grupo control, grupo experimental e hipótesis

Desde cero

Para saber si la variable independiente realmente causó un efecto, hace falta un punto de comparación. De ahí los dos grupos:

Grupo experimental: recibe el tratamiento, es decir, sobre él se aplica la variable independiente (las semillas con fertilizante, las bacterias con antibiótico).
Grupo control: es idéntico al experimental en todo, salvo que no recibe el tratamiento (las semillas sin fertilizante, las bacterias sin antibiótico). Sirve de "línea de base": muestra qué habría pasado por sí solo, sin la intervención.

Sin grupo control, no hay con qué comparar: si todas las plantas crecen, no se puede saber si fue por el fertilizante o porque iban a crecer igual. La hipótesis es la respuesta tentativa que el experimento pone a prueba, escrita como una relación entre la independiente y la dependiente: "si aumento la dosis de fertilizante, entonces las plantas crecerán más". Una buena hipótesis es contrastable: los datos pueden apoyarla o refutarla.

Figura 2. El grupo control y el experimental son iguales en todas las variables controladas; difieren solo en el tratamiento. Esa única diferencia es lo que permite atribuir el cambio a la variable independiente.

Ejemplo resuelto: escribir hipótesis y reconocer el control

Se quiere probar si un extracto de manzanilla acelera la cicatrización de heridas en ratones.

Hipótesis: "Si se aplica extracto de manzanilla sobre la herida, entonces cicatrizará en menos días que sin él." (Relaciona la independiente —aplicar o no el extracto— con la dependiente —días de cicatrización— y es contrastable.)
Grupo experimental: ratones cuya herida recibe el extracto.
Grupo control: ratones con herida igual, pero tratada solo con el vehículo sin manzanilla (placebo). Misma raza, edad, tamaño de herida y cuidados.

El control "vacío" (sin el principio activo) es lo que descarta que la mejora se deba al simple paso del tiempo o a la manipulación.

El error típico

Creer que el grupo control "no se toca" en nada. No: el control recibe exactamente el mismo trato que el experimental, excepto la variable independiente. Si al control se le cambia también la luz o el riego, deja de ser comparable. Otro error: confundir la hipótesis con la conclusión — la hipótesis se formula antes (es una predicción), la conclusión se obtiene después, a la luz de los datos.

En la ECEP

Aparecen ítems del tipo "¿cuál es el grupo control?" o "¿cuál hipótesis pone a prueba este diseño?". Estrategia: el control es el grupo sin tratamiento pero igual en todo lo demás; la hipótesis correcta es la que enlaza la variable manipulada con la medida y se puede comprobar con datos.

Auto-chequeo En un ensayo de un antibiótico sobre bacterias, ¿cuál sería el grupo control y qué función cumple?

El grupo control es la placa de bacterias sin antibiótico (con el mismo medio, cepa y temperatura). Su función es mostrar el crecimiento normal de la bacteria; al compararlo con las placas con antibiótico, se ve si este realmente inhibió el crecimiento o si las bacterias se habrían frenado igual.

Pregunta tipo ECEP

Para evaluar si una hormona vegetal estimula el enraizamiento, un equipo prepara 50 esquejes idénticos. A 25 les sumerge la base en una solución con la hormona y a los otros 25 los sumerge en agua sin hormona; todos van al mismo invernadero, con igual luz, riego y sustrato. ¿Cuál es el papel de los 25 esquejes sumergidos en agua sin hormona?

A) Son el grupo experimental, porque también se manipulan al sumergir su base en una solución preparada por el equipo.
B) Son el grupo control, porque reciben el mismo trato salvo la hormona y sirven de comparación para aislar su efecto.
C) Son una variable controlada, porque su función es mantener constante la cantidad total de esquejes del experimento.
D) Son una repetición de la medición, porque permiten promediar dos veces el enraizamiento del grupo tratado.

Correcta: B. Los esquejes en agua sin hormona reciben todo el trato del experimental salvo la variable independiente (la hormona), así que son el grupo control: muestran cuánto enraízan los esquejes por sí solos y permiten atribuir cualquier diferencia a la hormona. A confunde experimental con control (el experimental es el que recibe la hormona). C llama "variable controlada" a un grupo de individuos, lo que es un error de categoría. D los trata como simples réplicas del grupo tratado, cuando son un grupo distinto y de comparación.

5.1

Sugerir conclusiones a partir de los datos y resultados

Desde cero

Una conclusión es la respuesta que los datos permiten dar a la pregunta del experimento. La clave —y lo que más evalúa la ECEP— es que la conclusión no diga ni más ni menos de lo que muestran los datos:

Una conclusión válida se apoya en los números obtenidos y se queda dentro del rango y las condiciones probadas.
Una conclusión que excede los datos generaliza a casos no medidos, afirma causas no demostradas o predice fuera del rango estudiado. Es el error más castigado.

Para leer una tabla o un gráfico de resultados conviene buscar la tendencia (¿sube, baja, tiene un máximo?) y compararla con el grupo control. Veamos un experimento con datos reales:

Resultados: germinación de semillas según temperatura

Temperatura (°C)	Semillas sembradas	Semillas germinadas	% de germinación
5	50	4	8 %
15	50	22	44 %
25	50	45	90 %
35	50	30	60 %
45	50	6	12 %

Figura 3. La germinación es máxima a 25 °C (90 %) y disminuye tanto en el frío (8 % a 5 °C) como en el calor (12 % a 45 °C). El patrón sugiere una temperatura óptima intermedia, no que "a más calor, más germinación".

Ejemplo resuelto: conclusión que sí se ajusta a los datos

De la tabla y el gráfico anteriores, ¿qué se puede concluir con propiedad?

Válido: "Entre 5 y 45 °C, esta especie germina mejor alrededor de 25 °C; en los extremos de temperatura la germinación cae." Describe la tendencia observada y respeta el rango medido.
Excede los datos: "A mayor temperatura, mayor germinación." Falso: pasados los 25 °C la germinación baja.
Excede los datos: "A 60 °C germinaría aún menos." Quizá, pero no se midió esa temperatura; es una extrapolación.

La conclusión segura describe lo que se vio, en el rango que se probó, sin inventar valores ni inversiones de tendencia.

El error típico

Generalizar o extrapolar. Concluir "esta planta germina mejor en climas cálidos" a partir de un ensayo en macetas, o predecir el resultado a una temperatura no ensayada. Otro error frecuente: confundir describir con explicar — los datos muestran qué pasó (cae la germinación en frío y calor), pero por sí solos no demuestran por qué (eso requiere otra investigación).

En la ECEP

Te muestran una tabla o un gráfico y preguntan "¿cuál es la conclusión válida?". Entre las alternativas suele haber una correcta (describe la tendencia dentro del rango) y varias que exceden los datos (generalizan, extrapolan o afirman causa). Estrategia: elige la afirmación más prudente, la que solo dice lo que el gráfico muestra; desconfía de palabras como "siempre", "todas" o de valores fuera del rango medido.

Auto-chequeo Según el gráfico de germinación, ¿es válido concluir que "esta especie no puede germinar a 5 °C"?

No. A 5 °C germinaron 4 de 50 semillas (8 %): es poca germinación, pero no es cero. La conclusión correcta es que a 5 °C la germinación es baja, no que sea imposible. Afirmar "no puede" excede lo que muestran los datos.

Pregunta tipo ECEP

Con los datos de la Figura 3 (germinación de 8 %, 44 %, 90 %, 60 % y 12 % a 5, 15, 25, 35 y 45 °C, respectivamente), ¿cuál es la conclusión que mejor se ajusta a los resultados?

A) A mayor temperatura, mayor es el porcentaje de germinación de las semillas de esta especie.
B) Esta especie solo puede germinar a 25 °C, ya que es la única temperatura en que se obtuvo germinación apreciable.
C) La germinación de esta especie es máxima en torno a los 25 °C y disminuye tanto a temperaturas menores como mayores.
D) A 55 °C el porcentaje de germinación sería todavía más bajo que el observado a 45 °C.

Correcta: C. Describe la tendencia real: un máximo a 25 °C (90 %) con caída en frío y en calor, dentro del rango medido. A es falsa: pasados los 25 °C la germinación baja, no sube. B exagera: a 15 y 35 °C también hubo germinación importante (44 % y 60 %). D extrapola a 55 °C, una temperatura que no se midió; los datos no permiten afirmarlo.

5.1

Correlación no implica causalidad

Desde cero

Que dos variables cambien juntas (correlación) no significa que una cause la otra (causalidad). Pueden coincidir por azar, o porque una tercera variable oculta mueve a las dos al mismo tiempo.

Correlación: dos medidas suben o bajan a la vez (más helados vendidos y más insolaciones en verano).
Causalidad: A produce B, demostrable solo con un experimento controlado donde se manipula A y se mantiene constante todo lo demás.
Variable de confusión: el factor escondido que explica la correlación sin que A cause B (el calor del verano aumenta tanto el consumo de helados como las insolaciones; el helado no causa la insolación).

En la ECEP, la trampa es una conclusión que salta de "se observa relación entre X e Y" a "X causa Y" cuando el estudio fue solo observacional (no se controlaron las otras variables).

Ejemplo resuelto: distinguir relación de causa

Un estudio observa que los niños con más caries también tienden a tener mayor número de horas frente a pantallas. ¿Se puede concluir que las pantallas causan caries?

No. Es un dato observacional: solo muestra que ambas cosas aparecen juntas (correlación).
Una variable de confusión plausible: menor supervisión de hábitos, que aumenta a la vez el consumo de azúcar (caries) y el tiempo de pantalla.
Para hablar de causa habría que controlar la dieta y el cepillado, no solo observar.

La asociación es real, pero la causa atribuida no está demostrada: faltó controlar el factor que mueve a ambas.

El error típico

Saltar de "están relacionados" a "uno causa el otro". También invertir el sentido de la causa (¿el ejercicio mejora la salud, o las personas ya sanas hacen más ejercicio?). Y olvidar la variable de confusión: dos efectos de una misma causa parecen causarse entre sí.

En la ECEP

El distractor estrella es una conclusión causal sacada de un estudio que solo observó una asociación. Estrategia: pregúntate si el estudio manipuló la variable y controló el resto. Si solo registró lo que ya ocurría, la conclusión segura es "existe una asociación", no "X causa Y".

Auto-chequeo Se encuentra que los pueblos con más cigüeñas tienen más nacimientos de bebés. ¿Las cigüeñas traen a los bebés?

No: es una correlación con una variable de confusión. Los pueblos más grandes (más población rural) tienen a la vez más casas con nidos (más cigüeñas) y más nacimientos. El tamaño del pueblo mueve a ambas; no hay relación causal entre cigüeñas y bebés.

Pregunta tipo ECEP

Una encuesta a 2 000 personas halla que quienes consumen más bebidas dietéticas presentan, en promedio, mayor índice de masa corporal. No se controló la dieta total ni la actividad física. Un titular afirma: "Las bebidas dietéticas engordan." ¿Qué objeción es la más sólida?

A) El estudio es observacional y muestra una correlación; no permite concluir causa, pues una variable de confusión (como el sobrepeso previo) puede explicar ambas cosas.
B) La muestra de 2 000 personas es demasiado pequeña para detectar cualquier relación entre el consumo de bebidas y el peso corporal.
C) El titular es correcto, porque al haber más consumo y más peso al mismo tiempo queda demostrado que las bebidas dietéticas causan el aumento.
D) El error está en medir el índice de masa corporal, ya que para estudiar el peso debió registrarse únicamente la masa en kilogramos.

Correcta: A. Es un estudio observacional: detecta que ambas variables van juntas, pero no manipuló nada ni controló dieta o ejercicio, así que no demuestra causa. De hecho, una confusión plausible es que personas con sobrepeso elijan bebidas dietéticas (la causa iría al revés). B es falsa: 2 000 personas es una muestra amplia; el problema no es el tamaño, sino el diseño. C comete justamente el error de tomar correlación por causalidad. D objeta el instrumento, pero el IMC es una medida válida y pertinente; no es ahí donde falla el razonamiento.

5.1

Proponer modificaciones para mejorar un diseño experimental

Desde cero

Cuando un experimento tiene una falla, la mejora correcta es la que ataca esa falla a partir del propósito, los resultados o las conclusiones. Las modificaciones más típicas:

Agregar un grupo control si no lo había: sin él no hay comparación.
Aumentar el tamaño de la muestra (más individuos o macetas): con pocos casos, el azar manda y un resultado puede ser casualidad.
Repetir / replicar el experimento (más ensayos o repeticiones por condición): comprueba que el resultado es consistente, no un golpe de suerte.
Controlar una variable que se escapó: si un factor cambió junto con la independiente, el resultado es ambiguo; hay que igualarlo en todos los grupos.
Medir con un instrumento adecuado: cambiar "a ojo" por una regla, una balanza o un cronómetro mejora la precisión.

La mejora correcta depende del defecto concreto: no se trata de "hacer más cosas", sino de corregir lo que invalida la conclusión.

Figura 4. La mejora correcta corrige la falla concreta del diseño: agregar control cuando no hay comparación, ampliar la muestra o replicar cuando hay riesgo de azar, y controlar la variable que se escapó cuando el resultado es ambiguo.

Ejemplo resuelto: detectar la falla y la mejora que corresponde

"Una estudiante riega una planta con música clásica y concluye que la música la hizo crecer 3 cm en una semana."

Falla 1 — sin control: no hay una planta sin música para comparar. Mejora: agregar un grupo control (misma planta, sin música).
Falla 2 — muestra de uno: una sola planta no representa nada. Mejora: usar varias plantas por condición.
Falla 3 — crecer es esperable: 3 cm en una semana puede ser el crecimiento normal. El control lo revelaría.

La mejora de mayor impacto aquí es agregar grupo control y más plantas: sin comparación, el dato de 3 cm no significa nada.

El error típico

Proponer una mejora que no corrige el problema real: "medir la altura con más decimales" no arregla la falta de grupo control. O cambiar la variable independiente en mitad del experimento, lo que destruye la comparación. La buena mejora se dirige a la causa de la ambigüedad, no a un detalle cosmético.

En la ECEP

El ítem describe un experimento defectuoso y pide "¿cuál modificación lo mejoraría?". Estrategia: primero identifica qué falla (no hay control, la muestra es mínima, se escapó una variable, el instrumento es impreciso) y luego elige la alternativa que ataca esa falla. Descarta las que añaden algo irrelevante o que ya estaba bien.

Auto-chequeo Un grupo prueba un fertilizante en 3 macetas al sol y compara con 3 macetas sin fertilizante a la sombra. Encuentran que las primeras crecieron más. ¿Qué falla y cómo se corrige?

Falla: se escapó una variable. Cambió el fertilizante y la luz a la vez (sol vs. sombra), así que no se sabe cuál causó el mayor crecimiento. Mejora: poner todas las macetas en las mismas condiciones de luz, de modo que la única diferencia entre grupos sea el fertilizante.

Pregunta tipo ECEP

Un equipo prueba si un nuevo abono mejora el crecimiento del poroto. Usa una maceta con abono y una sin abono, en el mismo lugar. La planta con abono crece más alta y concluyen que el abono funciona. ¿Cuál modificación mejoraría más la confiabilidad de la conclusión?

A) Medir la altura de las plantas con una regla milimetrada en lugar de estimarla a simple vista al final del ensayo.
B) Cambiar el tipo de planta por una de crecimiento más rápido, para observar el efecto del abono en menos días.
C) Aumentar la cantidad de abono aplicada a la maceta tratada, de modo que el efecto sobre el crecimiento sea más notorio.
D) Repetir el experimento usando varias macetas en cada condición (con y sin abono), para que el resultado no dependa de una sola planta.

Correcta: D. La falla central es la muestra mínima (una planta por grupo): con un solo individuo, la diferencia puede deberse al azar. Usar varias macetas por condición y promediar hace la conclusión confiable. A mejora la precisión de la medida, pero no resuelve que haya un solo dato por grupo. C altera la variable independiente y no corrige el problema de fondo. B cambia el sujeto de estudio sin atacar la falla; además rompería la comparación con el ensayo original.

Pregunta tipo ECEP

Para medir el efecto de la luz en la fotosíntesis, un equipo coloca una rama de elodea en agua y cuenta las burbujas de oxígeno que produce por minuto. Hace la prueba bajo una lámpara, pero no incluye ninguna condición de comparación ni controla la temperatura del agua, que sube con el calor de la lámpara. ¿Qué modificación es más pertinente?

A) Contar las burbujas durante más tiempo, por ejemplo cinco minutos, para obtener un número total más grande.
B) Reemplazar la elodea por una planta terrestre, ya que así la producción de oxígeno sería más fácil de observar a simple vista.
C) Incluir condiciones con distinta intensidad de luz (incluida una a oscuras como control) y mantener constante la temperatura del agua entre ellas.
D) Usar agua destilada en lugar de agua corriente, para que las burbujas de oxígeno se vean con mayor nitidez en el recipiente.

Correcta: C. Hay dos defectos: falta una condición de comparación (no se varía la luz ni hay control a oscuras) y se escapó una variable (la temperatura sube con la lámpara). La mejora pertinente atiende ambos: probar varias intensidades de luz con un control y mantener la temperatura constante (por ejemplo, con un filtro de agua). A solo alarga la medición sin resolver la falta de comparación ni la variable escapada. B cambia el sujeto y rompe la lógica del montaje (medir burbujas en agua). D es un detalle de visibilidad que no afecta la validez de la conclusión.

5.1

Evaluar la pertinencia de datos en tablas, gráficos y modelos

Desde cero

Datos pertinentes son los que de verdad sirven para responder la pregunta. Evaluar pertinencia es preguntarse dos cosas: ¿estos datos respaldan o no la afirmación que se hace? y ¿la representación elegida (tabla, gráfico de barras, de líneas, de torta) es la adecuada para ese tipo de dato?

Un dato es pertinente si mide lo que la afirmación necesita. Para "el fármaco baja la fiebre" necesito la temperatura, no el peso del paciente.
Datos insuficientes: muestran una parte, pero la afirmación dice más de lo que cubren (un solo día, un solo individuo).
Representación adecuada: un gráfico de líneas para algo que cambia en el tiempo; barras para comparar categorías; torta para partes de un todo (porcentajes que suman 100 %). Elegir mal la representación puede ocultar o distorsionar la tendencia.

La pregunta clave: ¿estos datos, presentados así, permiten sostener lo que alguien afirma? Veamos un caso con datos:

Resultados: efecto de un antibiótico sobre E. coli

Concentración (µg/mL)	Halo de inhibición (mm)	Crecimiento bacteriano
0 (control)	0	abundante
2	6	moderado
4	11	escaso
8	18	nulo alrededor del disco
16	19	nulo alrededor del disco

El "halo de inhibición" es el diámetro de la zona sin bacterias alrededor del disco con antibiótico: a mayor halo, mayor efecto.

Ejemplo resuelto: ¿respaldan los datos la afirmación?

Afirmación: "Aumentar la concentración del antibiótico aumenta su efecto sobre E. coli, pero el aumento se hace menor a concentraciones altas."

Sí la respaldan: el halo crece de 0 a 18 mm entre 0 y 8 µg/mL (efecto que sube), y luego casi no cambia (de 18 a 19 mm entre 8 y 16). El control (0) sin halo confirma que el efecto se debe al antibiótico.
Una representación adecuada sería un gráfico de líneas (concentración en el eje X, halo en el Y), porque muestra cómo el efecto cambia al variar la dosis y deja ver la "meseta".

Los datos cuantitativos (mm) y cualitativos (crecimiento) son pertinentes: ambos apuntan a lo mismo y la afirmación no excede lo que muestran.

El error típico

Aceptar como "prueba" datos que no vienen al caso (presentar el peso de las placas para hablar del efecto del antibiótico), o elegir una representación que engaña: un gráfico de torta para datos que cambian en el tiempo, o cortar el eje Y para exagerar una diferencia pequeña. También: afirmar una tendencia con un solo punto, sin el control que sirve de referencia.

En la ECEP

Te dan una tabla, un gráfico o un modelo junto a una afirmación, y preguntan si los datos la sostienen, o cuál es la representación más adecuada para esos datos. Estrategia: comprueba que los datos midan justo lo que la afirmación necesita, que cubran todas las condiciones que esta menciona, y que el tipo de gráfico calce con el dato (líneas para tiempo/dosis, barras para categorías, torta para porcentajes de un total).

Auto-chequeo Con la tabla del antibiótico, ¿qué representación conviene para mostrar cómo el halo cambia con la concentración, y por qué no una de torta?

Conviene un gráfico de líneas (o de barras): concentración en X y halo en mm en Y, porque muestra la relación entre una variable que aumenta y su efecto. Una torta no sirve: representa partes de un todo (porcentajes que suman 100 %), no la evolución de una medida al variar otra; aquí los halos no son fracciones de nada.

Pregunta tipo ECEP

Con los datos de la tabla del antibiótico (halo de 0, 6, 11, 18 y 19 mm para 0, 2, 4, 8 y 16 µg/mL), un estudiante afirma: "A partir de cierta concentración, seguir aumentando la dosis casi no aumenta el efecto." ¿Los datos respaldan esta afirmación?

A) No, porque el halo aumenta en cada paso, de modo que más dosis siempre produce un efecto proporcionalmente mayor.
B) Sí, porque entre 8 y 16 µg/mL el halo solo pasa de 18 a 19 mm, mientras que antes crecía mucho con cada aumento de dosis.
C) No se puede saber, ya que para evaluar la afirmación se necesitaría además el peso de cada placa de cultivo utilizada.
D) Sí, pero únicamente si los datos se presentan en un gráfico de torta que reparta el efecto total entre las cinco concentraciones.

Correcta: B. Los datos respaldan la afirmación: el halo crece marcadamente hasta 8 µg/mL (de 0 a 18 mm) y luego casi se estanca (18 a 19 mm al doblar la dosis a 16). Eso es justamente "a partir de cierta concentración casi no aumenta el efecto" (una meseta). A describe mal los datos: el aumento no es proporcional, se frena. C pide un dato impertinente (el peso de la placa no mide el efecto del antibiótico). D propone una representación inadecuada: una torta no muestra la evolución del efecto con la dosis.

Pregunta tipo ECEP

Un equipo registra la cantidad de oxígeno producido por una planta acuática cada hora a lo largo de un día, para mostrar cómo varía con la luz disponible. Quiere elegir la representación gráfica más adecuada para esos datos. ¿Cuál es la opción correcta?

A) Un gráfico de torta, porque permite repartir el oxígeno total del día entre las distintas horas como porcentajes.
B) Una tabla con el peso de la planta en cada hora, porque ese dato refleja directamente la cantidad de luz que recibió.
C) Una sola barra con el promedio diario de oxígeno, porque resume en un único valor toda la información recogida durante el día.
D) Un gráfico de líneas con la hora en el eje horizontal y el oxígeno en el vertical, porque muestra cómo cambia la producción a lo largo del tiempo.

Correcta: D. Los datos son una medida (oxígeno) que cambia en el tiempo; la representación adecuada es un gráfico de líneas con la hora en X, que deja ver el sube y baja según la luz del día. A usa una torta, que sirve para partes de un todo, no para una evolución temporal. C reduce todo a un promedio y borra justamente la variación que se quiere mostrar. B cambia el dato pertinente (oxígeno) por uno que no corresponde (el peso no mide la luz recibida).