EstadisticaBiologia Pulido 2007

Universidad Jorge Tadeo Lozano
Estadística para la Biología

y Ecología
Estadística descriptiva, univariada y multivariada
Andrés Pulido Hernández
http://www.geocities.com/biologiamar
09
Estadística para la Biología y Ecología 2007
Tabla de contenido
1. INTRODUCCIÓN ........................................................................................................................... 3
1.1. Tipos de datos ..................................................................................................................... 4
1.2. Tipos de variables ................................................................................................................ 5
1.3. Tipos de pruebas estadísticas univariadas .......................................................................... 5
2. ESTADÍSTICA DESCRIPTIVA .......................................................................................................... 6
2.1. Medidas de dispersión y variabilidad .................................................................................. 7
3. MÉTODOS UNIVARIADOS ............................................................................................................ 7
3.1. Distribución normal ............................................................................................................. 7
3.1.1. Planteamiento de hipótesis......................................................................................... 8
3.1.2. Tipos de pruebas estadísticas ......................................................................................... 9
3.1.3. Propiedades de la distribución normal ..................................................................... 10
4. EJECUCIÓN DE LAS PRUEBAS ESTADISTICAS UNIVARIADAS ..................................................... 11
5. MÉTODOS MULTIVARIADOS ..................................................................................................... 19
5.1. Índices de Diversidad ........................................................................................................ 19
5.1.1. Instrucciones del manejo del programa PRIMER v5.0 .............................................. 19
5.1.2. Análisis de matriz de diversidad ................................................................................ 22
5.2. Análisis de clasificación ..................................................................................................... 23
5.2.1. Cluster ....................................................................................................................... 23
5.2.2. MDS ........................................................................................................................... 24
6. BIBLIOGRAFÍA RECOMENDADA ................................................................................................. 25
7. BIBLIOGRAFÍA CITADA ............................................................................................................... 26
Andrés Pulido Hernández. Biólogo Marino. [email protected]

2
1
Andrés Pulido Hernández
1. INTRODUCCIÓN
La estadística es una disciplina que se encarga de colectar, organizar, resumir, analizar e

interpretar datos con el propósito de obtener inferencias objetivas y reales a partir de un conjunto
de datos. Es aplicada en la biología y la ecología donde cambia los datos descriptivos a
cuantitativos para formular hipótesis y someterlas a pruebas estadísticas. Es muy importante
porque en algunos casos permite saber cuantitativamente el grado de certeza de las conclusiones
a las que se llega (Ramírez, 2005; Sanjuan, 2006).
En ésta guía, se tratan tres tipos básicos de métodos, una es la estadística descriptiva la cual no
dice mucho, pero es muy útil para empezar cualquier proyecto. Los métodos univariados (de un
solo factor> véase abajo la definición) aplicado a análisis de poblaciones, en los cuales se deben
proponer una hipótesis nula y una alterna; es importante notar que no siempre el rechazo de la
hipótesis nula no comprueba la hipótesis alterna. Luego se debe establecer una probabilidad límite
antes de realizar la prueba (para este caso 0,05 > 95% de confianza) y las tablas con las que se
confrontan los resultados se organizan con el valor de probabilidad y el tamaño de la muestra
(Sanjuan, 2006). El tercer método es el multivariado, aplicado a análisis de comunidades, donde
se pueden comparar diferentes estratos definidos según el investigador según sea el caso, por
ejemplo: entre transectos, entre parcelas, entre métodos de captura, entre ecosistemas, etc.
NOTA: La prueba estadística determina la significancia estadística, pero no la biológica la cual debe
ser deducida por el investigador.
La estadística si se usa de un modo adecuado, es muy útil y potente como herramienta para
determinar los grados de certeza y confianza que toman las hipótesis y conclusiones. Es
importante decir que la estadística es una ayuda para la ciencia pero no es una verdad absoluta
(Sarmiento, 2000; Sanjuan, 2006).
Algunas definiciones básicas según Sarmiento (2000), Sanjuan (2006) y Ramírez (2007):
1
Biólogo Marino. Universidad Jorge Tadeo Lozano. Colombia. EMAIL y MSN [email protected]

3
 Variable: Tipo de dato, característica o atributo que se toma, mide o se categoriza y que es
susceptible de cambiar. (P.ej. densidad de cangrejos en una playa, temperatura, pH, etc.).
 Observación: es un dato, una medición de una variable. P.ej. Longitud Total (LT) = 25 cm,
Gusanos encontrados = 23, etc.
 Unidad de muestreo: es el ejemplar o unidad en que se hace la observación. P.ej.: Pez No.
2., Pez macho No. 45, Gusanos del cultivo 1., etc.
 Población estadística: conjunto de unidades de muestreo que se observan o miden. P.ej.:

Peces machos, peces hembra, etc.
 Población biológica: conjunto de unidades de muestreo totales. Organismos de la especie

X. (P.ej.: Oreochromis niloticus, Prochilodus magdalenae, Caquetaia kraussii, Lutjanus
synagris, Scomberomorus brasiliensis, etc.)
 Muestra: parte de la población estadística de donde provienen las observaciones. P.ej.:

Machos capturados, gusanos contados, etc.
 Muestreo: proceso de sacar una muestra.
 Estadísticos: valor calculado que describe la variable en la muestra, sirve para analizar e
interpretar los datos, de una manera objetiva para llegar a conclusiones veraces de los
datos. P.ej.: Promedio de LT, Número de gusanos promedio por cultivo, etc.
 Potencia: capacidad de una prueba para detectar una diferencia estadísticamente

significativamente.
1.1. Tipos de datos

Esto determina las operaciones y pruebas estadísticas que se pueden aplicar, según Ramírez
(2007):
 Cualitativos: expresan atributos o cualidades no medibles, pueden ser:
o Nominales: la variable es clasificada por una cualidad propia (atributo) sin una
secuencia lógica. (P.ej. sexo, especie, estaciones del año, etc.).

4
o Ordinales: la variable que tiene un orden intrínseco (secuencia lógica). (P.ej.

escaso a abundante, pequeño a grande, corto a largo, claro a oscuro, etc.).
 Cuantitativos: son datos numéricos que se pueden medir, pueden también ser datos de
intervalos. (P.ej. peso (kg), longitud, volumen, velocidades, número de individuos, pH,
etc.).
1.2. Tipos de variables
Variables según Sanjuan (2006) y Ramírez (2007):
 Continuas: hay cualquier valor concebible entre cada par de datos. (P.ej.: Longitud de un
pez, temperatura, pH, etc.).
 Discreta: No se presentan valores intermedios entre cada par de datos. (P.ej.: Número de
individuos, cantidad de escamas, etc.).
 Variable dependiente: es aquella cuyos valores dependen de los que asuma otra variable
o factor (variable independiente). (P. ej. Longitud de un renacuajo, número de gusanos
encontrados, densidad de Sphyraena guachancho dependiente de la densidad de
Opisthonema olginum), etc.).
 Factor (variable independiente): es aquella que, dentro de la relación establecida no

depende de ninguna otra. Son las condiciones manipuladas por el investigador a fin de
producir ciertos efectos. (P.ej.: el tiempo, pH, O2, salinidad, profundidad, sitio de
muestreo, etc.).
1.3. Tipos de pruebas estadísticas univariadas
Tipos de pruebas estadísticas según Sarmiento (2000), Sanjuan (2006) y Ramírez (2007):

5
 Pruebas paramétricas: tratan exclusivamente con datos numéricos y se basan en la

distribución normal.
 Pruebas no paramétricas: tratan con datos cualitativos o con numéricos convertidos a

ordinales. Son menos exigentes con el tamaño de la muestra, pero son menos potentes.
Son usadas cuando los datos no cumplen el tamaño de la muestra, igualdad de varianzas,
tipo de distribución, etc.
2. ESTADÍSTICA DESCRIPTIVA
Medidas de tendencia central: estadísticos o parámetros que se sitúan hacia el centro del
conjunto de datos ordenados por magnitud (Ramírez, 2007), algunas de estas medidas son:
 Promedio (media aritmética): es una medida única, que es muy buena para un análisis
descriptivo, pero esta se ve afectada por los valores extremos (Sokal y Rolhlf, 1980;
Ramírez, 2007)).
 Mediana: punto que divide a la muestra en dos partes iguales (valor de la variable) en una
serie ordenada, es también única y no es afectada por los valores extremos (Sokal y Rolhlf,
1980). Teniendo los valores ordenados de mayor a menor o viceversa, el valor medio (en
caso de una cantidad impar de muestras n) y el promedio de los dos valores medios (en el
caso de una cantidad par de muestras n) es la mediana (Ramírez, 2007).
 La moda: valor más frecuente de la distribución de frecuencias o donde la gráfica de esta

muestra el pico más alto. Si no se repite ningún valor, no hay moda (Ramírez, 2007).
Gráficas
Las figuras en la estadística descriptiva son un apoyo para interpretar resultados cuantitativos, los
tipos de gráficas están relacionados directamente con los tipos de datos, por lo cual no se pueden
usar a la ligera.
 Líneas: Se utiliza para datos cuantitativos y de variables continuas.
 Barras: Para datos cuantitativos y de variables discretas.
 Pasteles: Para datos cuantitativos y mostrando porcentajes de variables discretas.

6
2.1. Medidas de dispersión y variabilidad
Son estimadores de la dispersión de una variable aleatoria de su media. Una valor grande indica
que los puntos están lejos de la media, y un valor pequeño indica que los datos están agrupados
cerca de la media.
 Desviación estándar: es el promedio o variación esperada con respecto a la media en una

población. Cuando las poblaciones difieren apreciablemente en sus medias, la
comparación de las desviaciones típicas serían bastantes arriesgadas (P. ej. la desviación
de las longitudes de la cola de elefantes es obviamente mucho mayor que la longitud de la
cola de un solo ratón).
 Varianza: Representa la media de las desviaciones. Puesto que están relacionadas con la
desviación estándar, cuando las medias de las poblaciones difieren de forma apreciable,
no es recomendable usar esta medida de dispersión.
 Coeficiente de variación: expresa una variabilidad relativa que compara el grado de

variación en poblaciones que tienen diferentes medias, es la desviación estándar
expresada como un porcentaje de la media (Sokal y Rolhlf, 1980).
3. MÉTODOS UNIVARIADOS
3.1. Distribución normal

Es una distribución de probabilidades que es muy usada en estadística principalmente porque es
simétrica y con forma de campana, lo que favorece su aplicación como modelo a gran número de
variables (Zar, 1999).
La importancia de la distribución normal, se debe a que muchas de las variables ligadas a la

biología siguen el modelo de la normal, como lo son: los caracteres morfológicos de individuos,
caracteres fisiológicos, caracteres de comportamiento, entre otros (Zar, 1999) .

7
3.1.1. Planteamiento de hipótesis

El objetivo principal del análisis bioestadístico es deducir inferencias acerca de la población o
ensayo, donde se empieza con establecer una afirmación sobre una “no diferencia” en la hipótesis
nula (H0: µ = O) y luego se establece la hipótesis alterna, la cual se asume como cierta si se rechaza
la hipótesis nula (Ha: µ ≠ 0) (Zar, 1999).
NOTA: Debido a que este documento está basado en la utilización del software
StatGraphics, para la comprobación de hipótesis en dicho programa se deben invertir las
hipótesis para introducirlas en el software, es decir, siempre la igualdad debe ir en la Ha y
la contraria en la H0.
Según Zar (1999) el criterio para aceptar o rechazar una H0 es una probabilidad del 5%
denominada nivel de significancia (α). El valor del test estadístico correspondiente a α se
denomina valor crítico. El α indica cual es la probabilidad de cometer un error tipo I (rechazamos
H0, siendo verdadera) o la probabilidad de cometer un error tipo II (aceptamos H0, siendo falsa) es
representada por β.
La naturaleza de la hipótesis alterna determina si la prueba es de una o dos colas, que nos dice la
región de rechazo que se concentra a un lado de la curva (Figura 1) o si esta región se divide en los
dos lados (Figura 1).
95% 95%
5% 2,5 2,5
% %
a) b)
Figura 1. Curva de la distribución normal a) con región de rechazo de una cola y

significancia del 95% (α=0,05) b) con una región de rechazo de dos colas y
significancia del 95% (α=0,05). Modificado de Sanjuan (2006).

8
Dos colas: al investigador NO le interesa si en el muestreo hay una diferencia en una “dirección
específica” entre el parámetro y un valor establecido, o entre las medias de dos o más
poblaciones. H0: µ = 0 ; Ha: µ ≠ 0.
Una cola: al investigador le interesa una diferencia en una “dirección específica”. H0: µ ≤ 0 ; Ha: µ >
0 ó H0: µ ≥ 0 ; Ha: µ < 0.
3.1.2. Tipos de pruebas estadísticas
 Pruebas paramétricas según Zar (1999):
o Solo para datos cuantitativos.
o El tamaño de la muestre (n) igual o mayor a 10 (n ≥ 10).
o Se debe ajustar a la distribución normal.
o Tiene que haber homogeneidad de varianzas de las muestras.
o El muestreo debe ser aleatorio.
o Ejemplos: t-Student, t pareada y Análisis de varianza ANOVA.
 Pruebas no paramétricas según Zar (1999):
o Para datos cuantitativos y cualitativos ordinales.
o Tamaño de la muestra (n) igual o mayor a 5 (n ≥ 5).
o Los datos se pueden ajustar a cualquier distribución (normal, binomial, Poisson,

etc.).
o Con o sin homogeneidad de varianzas.
o Muestreo debe ser aleatorio.
o Ejemplos: Mann-Whitney, test de Wilcoxon y de Kruskall-Wallis.

9
3.1.3. Propiedades de la distribución normal
y
Varias distribuciones de diversos datos biológicos tienden a
tomar forma de campana típica de normalidad (Figura 2).
Los datos tienen una preponderancia a ubicarse alrededor
de la media, disminuyendo progresivamente hacia los
extremos de los rangos de valores. Es importante notar que
no todas las distribuciones en forma de campana se dice
que son normales. La altura (Yi) es la variable dependiente y
µ µ+σ µ+2σ
la independiente es Xi (Zar, 1999; Sanjuan, 2006).
µ-2σ µ-σ
Figura 2. Curva de una distribución
Con la distribución normal se pueden hacer predicciones y
normal típica. Modificado de Sanjuan
(2006).
tests de hipótesis basados en la suposición de la normalidad
y así se puede confirmar o rechazar hipótesis fundamentales
(Zar, 1999; Sanjuan, 2006).
Sin embargo, la distribución se puede separar y generar desviaciones como lo son la asimetría (una
cola está más estirada de la otra llamada también sesgo) y la kurtosis (aplastamiento o
estrechamiento de la curva) (Zar, 1999; Sanjuan, 2006).

10
4. EJECUCIÓN DE LAS PRUEBAS ESTADISTICAS UNIVARIADAS

11
En el caso de que los

datos sean
cuantitativos, y el
n≥10, se procede a
ver si los datos se
ajustan a la
distribución normal,
para ello se puede
usar el test de
Shapiro-Wilks (1965) a)
basado en el cálculo
del estadístico W
(Figura 3) el cual
según Sanjuan (2006)
tiene una potencia
excelente pero se ve
afectado cuando hay
muchos datos
b)
idénticos.
Figura 3. Pasos a seguir en el software StatGraphics para evaluar el ajuste a la
normalidad de un conjunto de datos a) Versión XV Centurion b) versión 4.0 y 5.0.
Pasos a seguir: Describir (Describe), Ajuste de distribuciones (Distributions), Ajuste de datos No

censurados (Distribution Fitting (Uncensored Data))…

12
Se escoge la columna (variable de datos)

que se va a evaluar. NOTA: Para cada
muestreo se debe realizar el mismo
procedimiento y se da click en Datos
(Data), luego en OK (Figura 4).
Luego se seleccionan las opciones

tabulares en el icono amarillo de arriba
a la izquierda (SG 4,0 o 5,0) o

a) (SG XV) y se habilita la opción Pruebas
de Normalidad (Test for Normality) y se
deshabilita opcionalmente Resumen de
Análisis (Analysis Summary). Y luego se
da doble click sobre la ventana que
aparece para maximizarla.
a)
b)
Figura 4. Selección del conjunto de datos en la ventana de la

izquierda, donde cada variable. También en esta misma ventana se
pueden hacer transformaciones a los datos en caso de necesitarlas
con el botón “Transformar” previamente indicando la variable a b)
trabajar a) Versión XV Centurion b) Versión 4.0 y 5.0.
Figura 5. Resultado del test de Shapiro-Wilks
a) Versión XV Centurion b) versión 4.0 y 5.0.
En la ventana aparecen una serie de resultados, donde el segundo que se muestra es la Prueba de
Shapiro-Wilks (Test) y nos indica el valor P (P-Value) (Figura 5) que debe ser menor o igual a 0,05

13
para ajustarse a una distribución normal, si es mayor a 0,05 no se ajustará a la normalidad, pero
queda la opción de hacer una serie de transformaciones a los datos según la naturaleza de estos.
Transformación de datos:
Los datos se pueden transformar según el comportamiento que tengan por el cual no se hayan
ajustado a la distribución normal, donde se encuentran 4 casos según Zar (1999) y Sanjuan (2006):
 Si hay sesgo (desplazamiento de la curva normal a la derecha o izquierda) entonces se

debe transformar con logaritmo que estira la cola de la distribución.
 Si hay leptocurtosis (ubicación de la mayoría de los datos cercanos a la media), algunos

datos muy bajos o ceros se debe transformar con raíz cuadrada.
 Si hay platicurtosis (dispersión de los datos a través de todo el eje X) los datos no se
pueden transformar y se debe hacer pruebas no paramétricas.
 Si hay ceros dentro de los datos del muestreo, se debe transformar con log (x+1).
 Cuando son porcentajes se transforma con arcsen.
Para evaluar si hay sesgo o curtosis (platicurtosis o leptocurtosis) se deben seguir los siguientes
pasos QUE SON LOS MISMOS PARA LA ESTADISTICA DESCRIPTIVA COMO MEDIA, MODA,
MEDIANA, ETC.:
Pasos a seguir: Describir (Describe) > Datos numéricos (Numeric Data) > Análisis multivariado
(Multiple-Variable Analysis)… (Figura 6)

14
a)
b)
Figura 6. Pasos a seguir en el software StatGraphisc para estadística descriptiva a) Versión XV Centurion b) versión 4.0 y
5.0.
Luego aparece una ventana (Figura 7) con las variables

a considerar, se seleccionan todas y se da click en la
flecha de Data para pasarlas al cuadro de la derecha.
Luego se da click en OK (recomendado dejar
habilitado el cuadro de Sort). Luego cuando aparece la
nueva ventana dar click en el botón amarillo de la
izquierda en la barra de herramientas Opciones
Tabulares (SG 4,0 o 5,0) o (SG XV) (Tabular

options) y habilitar la casilla de “Resumen estadístico
(Summary Statistics)”. Si la cantidad de datos entre
variables son diferentes entonces dar click derecho
sobre la ventana blanca y dar click en “Opciones de
Análisis (Analysis Options…)” y seleccionar “Todos los Figura 7. Selección de variables para estadística
descriptiva.
datos (All Data)”. Luego volver a dar click derecho
sobre la ventana blanca pero ahora dar click en
15
“Opciones de Ventana (Pane Options…)” (Figura 8), sale un cuadro y habilitar la opciones de:
media (average), mediana (median), moda (mode), varianza (variance), desviación estándar (std.
Deviation), mínimo (min), máxima (max), sesgo (std. Skewness) (sesgo), kurtosis (std. Kurtosis) y
coeficiente de variación (Coeff. Of Var.) como se observa en la Figura 9.
a)
a)
b)
b)
Figura 8. Selección de todos los datos de las variables a) Figura 9. Selección de medidas de tendencia central a)
Versión XV Centurion b) versión 4.0 y 5.0. Versión XV Centurion b) versión 4.0 y 5.0.

16
Con esta tabla, se observan los valores de sesgo y

curtosis, además de las otras medidas de
tendencia central. En el caso del sesgo, para que
no haya debe estar entre -2 y 2, si es mayor a 2
hay un sesgo positivo y si es menor a -2 hay un
sesgo negativo. En el caso de la curtosis, si está
entre -2 y 2 no hay curtosis, si es mayor a 2 es
leptocúrtica y si es menor a -2 es platicúrtica
(Figura 10).
Según Sanjuan (2006) para comparar dos o más

muestras con estadística paramétrica es
necesario comprobar que las muestras provienen Figura 10. Resultados de algunas medidas de
de de un conjunto de datos con idénticas tendencia central, sesgo y kurtosis.
varianza. Hay diferentes métodos para
determinar esto, uno de los más usados es la Prueba de Bartlett al ser uno de los más potentes
pero es muy dispendioso. El resultado del valor P (P-value) debe ser mayor o igual a 0,05 para que
haya homogeneidad de varianzas.
Pasos a seguir: Comparar

(Compare), Varias Muestras
(Multiple Sample), Comparación de
Varias Muestras (Multiple-Sample
Comparison…) (Figura 11).
Seguidamente aparece una pequeña

ventana, donde se debe seleccionar
“Multiple columnas de datos
(Multiple Data Columns)” y se da
click en ACEPTAR (OK) (Figura 12).
Figura 11. Pasos a seguir en el software Stat Graphics para evaluar la
homogeneidad de varianzas a) Versión XV Centurion b) versión 4.0 y
5.0.

17
Luego se seleccionan las columnas a comparar hasta que todas

queden sombreadas y se da click en la flecha negra, luego un
click en OK. Después se da click en el botón amarillo de arriba a
la izquierda “Tabular Options ” y se habilita la opción de
“Varianza Check”. Se puede dar un doble click a la nueva
ventana que aparece donde estará el resultado del Test de
Bartlett (Figura 13).
El resultado de esta Prueba, se mira el valor P (P-Value), si este

es mayor a 0,05 hay homogeneidad de varianzas.
Figura 12. Selección de la
Si se cumple todo esto se pueden hacer PRUEBAS
comparación de múltiples muestras a)
PARAMÉTRICAS. Para realizar la prueba que mejor se aplique, Versión XV Centurion b) versión 4.0 y
(ver diagrama de flujo.pdf) ir al documento “Métodos 5.0.
Univariados.pdf”.
Figura 13. Resultado del Test de Bartlett que se compara con

2
la Tabla x .

18
5. MÉTODOS MULTIVARIADOS
Los métodos estadísticos multivariados son herramientas para hacer inferencias de datos
cuantitativos o algunas veces cualitativos de comunidades biológicas, utilizando instrumentos
como los índices de diversidad (dominio, uniformidad, riqueza, etc.), análisis de clasificación
(clusters, MDS, etc). Estos índices surgieron por la necesidad para descifrar el funcionamiento de
las comunidades y ecosistemas en expresiones matemáticas que reflejaran una relación entre
número de especies y la proporción de sus individuos (Clarke y Gorley, 2001; Ramírez, 2005).
5.1. Índices de Diversidad
5.1.1. Instrucciones del manejo del programa PRIMER v5.0 (Clarke y

Gorley, 2001)
Ordenar en una hoja de cálculo

(preferiblemente Microsoft Excel versión
2003 o anterior) los datos colocando en
la primera columna los organismos
(especies, géneros, familias, etc.). En la
primera fila los estratos a comparar
(estaciones, transectos, parcelas,
ecosistemas, etc.). En las celdas de datos,
es importante que sean todos numéricos
y las que se encuentren en blanco
reemplazarlas con cero.
Seguidamente en el PRIMER se abre la

matriz a trabajar (File > Open > Excel
Files), se deja en blanco la selección de Figura 14. Ventana propiedades del archivo en Excel.
“Includes title” y click en OK. Luego,
opcionalmente se agrega un título y click en OK (Figura 14).

19
Ya teniendo la matriz, seguidamente se realiza el cálculo de los respectivos índices (Analyse >
Diverse…). La ventana siguiente muestra los diferentes índices a calcular en viñetas en la parte
superior, en casos básicos se seleccionar los siguientes:
Pestaña Otros: Especies totales (S) indica el número total de la suma de especies encontradas,
Individuos totales (N) indica la abundancia total de organismo, Riqueza de Margalef (d),
Uniformidad de Pielou (J’) muestra un valor en porcentaje que es análogo a la equiparabilidad que
determina la diversidad de una muestra (Figura 15).
Figura 15. Ventana índices de la pestaña “otros”.
Pestaña Shannon (Diversidad): hay tres logaritmos con bases diferentes para calcular, en la
actualidad se tiende a manejar en base e, sin embargo, lo importante es que todos los resultados
se calculen con el mismo logaritmo para que sean comparables los datos, y si por ejemplo los
resultados de la investigación se van a comparar con otros trabajos, se debe calcular éste índice
con la base del logaritmo de los demás realizados (Ramírez, 2005) (Figura 16).
Figura 16. Ventana índices de la pestaña “Shannon”.

20
Pestaña Simpson (Predominio): indica la posible dominancia de una o varias especies dentro de la
muestra, tiene cuatro alternativas a seleccionar, sigma se utiliza como predominio de Simpson, 1-
sigma es diversidad de Simpson (poco utilizado porque se ve muy marcado dependientemente por
las especies abundantes). La sigma prima se utiliza en el caso de comunidades estadísticamente
finitas, y en la sigma sencilla es para grupos infinitos (Ramírez, 2005).
En estos casos, se recomienda usar sigma o 1-sigma, no al tiempo ya que ambas muestran el
mismo resultado interpretado de forma inversa, es decir, mientras el primero indica “dominio” el
segundo indica “uniformidad” (Figura 17).
Figura 17. Ventana índices de la pestaña

“Simpson”.
Pestaña Hill: se trabajan básicamente los números de Hill 1 y 2, el primero indica la cantidad de
especies abundantes y el segundo la cantidad de especies muy abundantes (Figura 18).
Figura 18. Ventana de índices de la pestaña “Hill”.
Por último en la misma tabla se recomienda dar click en el cuadro de “Results in worksheet” para
que se puedan apreciar en una forma ordenada dentro de una matriz, la cual seguidamente se

21
puede copiar y pegar en una tabla de Microsoft Excel para un posterior tratamiento u organización
de datos.
5.1.2. Análisis de matriz de diversidad

Por lo general, cuando se habla de un ecosistema diverso se deben tener en cuenta la composición
de especies con una alta riqueza, alta abundancia, un bajo predominio, una alta uniformidad. Estas
son las condiciones ideales, sin embargo, suelen fluctuar variando algunas o todas.
Para comparar varias muestras es necesario observar y analizar de forma conjunta varios índices
para determinar balances entre unos y otros, y así tener conclusiones más certeras basadas en
estas herramientas estadísticas.
En primera instancia, se explica a continuación los valores entre los cuales fluctúa cada índice y su
interpretación individual:
 La Riqueza (S) determina la cantidad de especies dentro de la muestra y la Abundancia

relativa (N) muestra el valor de la cantidad de organismos de una especie determinada. La
Riqueza de Margalef (d) es un índice que se utiliza para relacionar las dos anteriores en un
solo valor, oscilando entre 0 e infinito, donde 0 es una baja riqueza (Ramírez, 2005).
 El índice de Shannon (H’) asume comunidades infinitamente grandes que no se pueden

estudiar en su totalidad por infraestructura, costos, tiempo, personal, por tal razón su
valor debe estimarse a partir de una muestra; así el índice va desde 0 hasta infinito, éste
valor hace una inferencia primaria sobre la diversidad de la muestra, la cual se apoya en
gran forma con el de Pielou (J’) el cual determina un resultado semejante, pero que es
comparado con la diversidad máxima y así arroja un valor entre 0 y 1 (o porcentaje) que es
comparable y más potente que el índice de Shannon solo, en Pielou 1 es la máxima
diversidad y 0 la mínima.
 El intervalo del índice de Simpson (Lambda) es conocido como una medida de

concentración y se refiere a la probabilidad de extraer dos individuos de una misma
especie en una muestra, también sirve como una medida de diversidad, pero como es muy
marcado como dependiente de las especies más abundantes tiene más fuerza como un
índice de dominancia (Ramírez, 2005); va de 0 a 1, donde 0 es bajo predominio, lo que
sugiere una uniformidad alta entre las abundancias de las especies en la muestra, y
cuando se alcanza o está cerca de 1, determina un predominio alto por una o varias
especies dentro del total.

22
5.2. Análisis de clasificación
5.2.1. Cluster
Es una representación gráfica de dos dimensiones a través de dendogramas (Figura 19),

expresando el grado de semejanza entre dos o más conjuntos multivariados. Se aplican en
matrices tipo Q (especies en las filas y estaciones en las columnas, donde estas últimas son las
entidades a comparar y las especies los atributos) o tipo R (especies en las columnas y estaciones
en las filas, donde se realizan asociaciones entre especies que son las entidades y las estaciones los
atributos), entre las interacciones entre filas y columnas se encuentran los coeficientes de
afinidad; al tener el dendograma listo, luego se procede a establecer el Índice de Afinidad para
aceptar una estación dentro de un grupo establecido en la gráfica, la literatura no da respuesta a
esto, por lo cual no hay un valor establecido para tal situación. No obstante, dado que una
afinidad da 0,5 índica más semejanza que diferencia entre los grupos que se comparan (Figura 20),
este valor constituye un umbral a tener en cuenta como punto de partida, aunque es algo flexible
alrededor de este, por ejemplo podría fijarse en 0,6 o 0,7 (Ramírez, 2005).
Figura 19. Dendograma sin Índice de Afinidad.

23
Figura 20. Dendograma con Índice de Afinida de 50% = 0,5.
5.2.2. MDS
Adicionalmente, otra representación gráfica de dos dimensiones que expresa cualitativamente el
grado de semejanza entre dos o más conjuntos multivariados es el MDS, el cual muestra cercanías
entre entidades a comparar, en matrices tipo Q estaciones y en las de tipo R afinidad de especies.
Para que este diagrama sea representativo el valor de estress debe ser menor a 0,01, en caso
contrario no es muy confiable.
Figura 21. Representación gráfica del MDS.

24
6. BIBLIOGRAFÍA RECOMENDADA
 Castillo, I. 2006. Estadística descriptiva y cálculo de probabilidades. Pearson Educación.

Madrid. 425 p. 519.2 C278
 Clarke, K. y R. Gorley. 2001. PRIMER v5. User Manual/Tutorial. PRIMER-E Ltd. United
Kingdom. 91 p.
 Cristófoli, M. 2007. Manual de estadística con Microsoft Excel. Omnicrom System. Buenos
Aires. 240 p. 519.5 C865
 Horra, J. 1995. Estadística aplicada. Ediciones Días de Santos. Madrid. 179 p. 519.5 H816
 Martínez, C. 2005. Estadística y muestreo. Ecoe Ediciones. 12ª edición. Bogotá. 998 p.
519.5 M17EST 2005
 Milton, J. 2001. Estadística para biología y ciencias de la salud. McGraw Hill

Interamericana. 3ra. Edición. Madrid. 592 p. 574.0182 M662
 Ramírez, A. 2005. Ecología aplicada. Diseño y análisis estadístico. Fundación Universidad

Jorge Tadeo Lozano. Bogotá. 325 p. 574.5 R173 2005
 Ramírez, A. 2007. Ecología. Introducción a la aplicación matemática. Pontificia Universidad

Javeriana. Fundación Cultural Javeriana. Bogotá. 224 p. 574.5 R173E
 Sokal R. y J. Rohlf. 1980. Introducción a la Bioestadística. Editorial Reverté S.A. Barcelona.

362 p. 574.0182 S683
 Zar J. 1999. Biostatistical Analysis. Prentince Hall. 4ª edición. New Jersey. 663 p. 570.1 Z36

25
7. BIBLIOGRAFÍA CITADA
 Clarke, K. y R. Gorley. 2001. PRIMER v5. User Manual/Tutorial. PRIMER-E Ltd. United
Kingdom. 91 p.
 Ramírez, A. 2005. Ecología aplicada. Diseño y análisis estadístico. Fundación Universidad

Jorge Tadeo Lozano. Bogotá. 325 p.
 Ramírez, A. 2007. Ecología. Introducción a la aplicación matemática. Pontificia Universidad

Javeriana. Fundación Cultural Javeriana. Bogotá. 224 p.
 Sanjuan A. 2006. Estadística aplicada a la ecología. Presentaciones digitales del curso de

Ecología II. Facultad de Biología Marina. Universidad Jorge Tadeo Lozano. Santa Marta.
 Sarmiento, F. 2000. Diccionario de ecología. Paisajes, conservación y desarrollo

sustentable para Latinoamérica. Quito. 362 p.
 Sokal R. y J. Rohlf. 1980. Introducción a la Bioestadística. Editorial Reverté S.A. Barcelona.

362 p.
 Zar J. 1999. Biostatistical Analysis. Prentince Hall. 4ª edición. New Jersey. 663 p.

26

EstadisticaBiologia Pulido 2007

Cargado por

Copyright:

Formatos disponibles

EstadisticaBiologia Pulido 2007

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

EstadisticaBiologia Pulido 2007

Cargado por

Copyright:

Formatos disponibles

Universidad Jorge Tadeo Lozano

Estadística para la Biología

Andrés Pulido Hernández. Biólogo Marino. [email protected]

La estadística es una disciplina que se encarga de colectar, organizar, resumir, analizar e

Andrés Pulido Hernández. Biólogo Marino. [email protected]

 Población estadística: conjunto de unidades de muestreo que se observan o miden. P.ej.:

 Población biológica: conjunto de unidades de muestreo totales. Organismos de la especie

 Muestra: parte de la población estadística de donde provienen las observaciones. P.ej.:

 Muestreo: proceso de sacar una muestra.

 Potencia: capacidad de una prueba para detectar una diferencia estadísticamente

1.1. Tipos de datos

 Cualitativos: expresan atributos o cualidades no medibles, pueden ser:

Andrés Pulido Hernández. Biólogo Marino. [email protected]

o Ordinales: la variable que tiene un orden intrínseco (secuencia lógica). (P.ej.

1.2. Tipos de variables

Variables según Sanjuan (2006) y Ramírez (2007):

 Factor (variable independiente): es aquella que, dentro de la relación establecida no

1.3. Tipos de pruebas estadísticas univariadas

Andrés Pulido Hernández. Biólogo Marino. [email protected]

 Pruebas paramétricas: tratan exclusivamente con datos numéricos y se basan en la

 Pruebas no paramétricas: tratan con datos cualitativos o con numéricos convertidos a

 La moda: valor más frecuente de la distribución de frecuencias o donde la gráfica de esta

 Líneas: Se utiliza para datos cuantitativos y de variables continuas.

 Barras: Para datos cuantitativos y de variables discretas.

 Pasteles: Para datos cuantitativos y mostrando porcentajes de variables discretas.

Andrés Pulido Hernández. Biólogo Marino. [email protected]

2.1. Medidas de dispersión y variabilidad

 Desviación estándar: es el promedio o variación esperada con respecto a la media en una

 Coeficiente de variación: expresa una variabilidad relativa que compara el grado de

3.1. Distribución normal

La importancia de la distribución normal, se debe a que muchas de las variables ligadas a la

Andrés Pulido Hernández. Biólogo Marino. [email protected]

3.1.1. Planteamiento de hipótesis

Figura 1. Curva de la distribución normal a) con región de rechazo de una cola y

Andrés Pulido Hernández. Biólogo Marino. [email protected]

3.1.2. Tipos de pruebas estadísticas

 Pruebas paramétricas según Zar (1999):

o Solo para datos cuantitativos.

o El tamaño de la muestre (n) igual o mayor a 10 (n ≥ 10).

o Se debe ajustar a la distribución normal.

o Tiene que haber homogeneidad de varianzas de las muestras.

o El muestreo debe ser aleatorio.

o Ejemplos: t-Student, t pareada y Análisis de varianza ANOVA.

 Pruebas no paramétricas según Zar (1999):

o Para datos cuantitativos y cualitativos ordinales.

o Tamaño de la muestra (n) igual o mayor a 5 (n ≥ 5).

o Los datos se pueden ajustar a cualquier distribución (normal, binomial, Poisson,

o Con o sin homogeneidad de varianzas.

o Muestreo debe ser aleatorio.

o Ejemplos: Mann-Whitney, test de Wilcoxon y de Kruskall-Wallis.

Andrés Pulido Hernández. Biólogo Marino. [email protected]

3.1.3. Propiedades de la distribución normal

Andrés Pulido Hernández. Biólogo Marino. [email protected]

4. EJECUCIÓN DE LAS PRUEBAS ESTADISTICAS UNIVARIADAS

Andrés Pulido Hernández. Biólogo Marino. [email protected]

En el caso de que los

Pasos a seguir: Describir (Describe), Ajuste de distribuciones (Distributions), Ajuste de datos No

Andrés Pulido Hernández. Biólogo Marino. [email protected]

Se escoge la columna (variable de datos)