Distribuciones Estadsticas (Probabilsticas)

Incertidumbre: caracterstica ms importante en muestras

biolgicas
Dos muestras iguales misma poblacin: medias diferentes
incertidumbre en valor esperado de la poblacin
Hilborn y Mangel (1997) propusieron dos causas
generales para explicar la existencia de estas diferencias
1. Incertidumbre por proceso
2. Incertidumbre de observacin
1
Incertidumbre por proceso
Verdadera diferencia entre las medias de la poblacin en
diferentes momentos de tiempo
Es posible y comn en muestras ecolgicas, incluso en
escalas temporales cortas
Incertidumbre de observacin
Los valores obtenidos son estimativos imperfectos del
parmetro poblacional
Resultado del error de muestreo
Error equipo de medicin obviado por alta variabilidad
natural
2
La incertidumbre en los anlisis estadsticos se ve en
trminos de PROBABILIDAD
Probabilidad EVENTOS
P(A) = Probabilidad de que el evento A ocurra
Ejemplo clsico de probabilidad: lanzamiento de una
moneda cara vs sello (probabilidad a largo plazo 0.5)
1. Si P(A) = 0 ?
2. Si P(A) = 1 ?
3
DISTRIBUCIONES DE PROBABILIDAD (DDP)
Principales distribuciones de probabilidad utilizadas en
biologa:
Muchas distribuciones de probabilidad matemticas,
algunas adecuadas para distribuciones biolgicas
Para la distribucin de
VARIABLES
Para la distribucin de
ESTADISTICOS
1. NORMAL
2. Binomial
3. POISSON
4. Binomial negativa
1. Z
2. t-Student
3.
2

4. F
4
Un de los tipos de variables comunes en biologa son las
DISCRETAS
Estas variables pueden tomar solo valores exactos:
Nmero de hojas en una planta
Nmero de cras en una camada
Cantidad de individuos en un rea determinada
Nmero de espinas es las aletas de peces
Nmero de visitas al nido por un ave
Cantidad de presas capturadas por unidad de tiempo
de un depredador, etc.
5
Dentro de las variables discretas, existen procesos
biolgicos con solo dos posibles resultados:
Variables dicotmicas
Estas variables son muy comunes en biologa, ejemplos:
Animales en un experimento pueden vivir o morir
Una especie particular de rbol puede estar presente o
ausente en un bosque
La progenie puede ser hembra o macho
XITO o FRACASO,
PRESENCIA o AUSENCIA,
QUE SUCEDA o QUE NO
6
La ddp que describe un proceso Bernoulli es: la
distribucin Binomial (muy importante en biologa)
Estos procesos son llamados Bernoulli y pueden tener dos
resultados: xito o error
Esta distribucin es descrita por:
P (y = r) probabilidad de ocurrencia un valor particular (y)
de la variable aleatoria (Y) siendo r los xitos de n
ensayos
7
= =
!
! !

2
1


La distribucin Binomial puede ser usada para:
Matemticamente, los clculos de la probabilidad se
hacen por extensin del binomio:
con la utilizacin del triangulo de Pascal (para nmeros de
ensayos relativamente pequeos, pero
calcular probabilidades para diferente nmero de xitos
de n ensayos, dado una probabilidad conocida de xito en
cualquier ensayo individual
8
+


cuando k es grande, las probabilidades se calculan
mejor y ms fcilmente con:
Y el coeficiente binomial (C) se deduce de:
9
,

!
! !

Otra ddp MUY IMPORTANTE para variables discretas es la
distribucin POISSON
Describe variables que muestran nmero de ocurrencias
en intervalos de tiempo o espacio (i.e. conteos); ejemplos
El nmero de organismos en un espacio
El nmero de clulas en el campo de observacin de un
microscopio
El nmero de semillas tomadas por un ave por minuto
La distribucin de probabilidad de Poisson es
10
= =

!

P(y = r) es la prob. de que el nmero de ocurrencias de
un evento (y) sea igual a un valor entero (r = 0, 1, 2), y
es la media del nmero de ocurrencias
Una de las caractersticas de Poisson: =
2

Una variable Poisson puede tomar cualquier valor entero
entre 0 e (No. ensayos binomial no es fijo)
11
= =

!

Valores pequeos de , Poisson esta positivamente
sesgada
Con por encima de aproximadamente cinco, la
distribucin es simtrica
12
La distribucin Poisson tiene un amplio rango de
aplicacin en biologa
Describe certeramente la ocurrencia de eventos
aleatorios en espacio (o tiempo)
Se ha usado para examinar si los organismos tienen
distribuciones aleatorias en la naturaleza
13
CMO TRABAJAR CON LA DISTRIBUCIN POISSON?
Distribuciones aleatorias cuando la probabilidad de
encontrar un individuo NO es afectada
Se obtienen datos y se hace una grfica de distribucin
de frecuencias
0
2
4
6
8
10
0 1 2 3 4 5 6
Poisson SOLO depende de un parmetro: la media
Estadsticamente la pregunta es:
Cmo sera esta distribucin si fuera generada por
procesos completamente aleatorios?
Biolgicamente los organismos (o algo ms) estn
distribuidos aleatoriamente
Distribucin aleatoria coordenadas x y y provienen de
una tabla de nmeros aleatorios
Cierto distribucin Poisson
Falso agregados o uniformes
Poisson SOLO depende de un parmetro:
Por eso, los trminos de la distribucin Poisson se
definen en trminos de Frecuencias relativas (Proporciones
= Probabilidades)
Las probabilidades en la distribucin Poisson son:
2
1
2
e
e
e

| |
|
\ .
| |
|
\ .
Probabilidad de observar cero individuos en un cuadrante =
Probabilidad de observar un individuo en un cuadrante =
Probabilidad de observar dos individuos en un cuadrante =
P
3
3!
e

| |
|
\ .
robabilidad de observar tres individuos en un cuadrante =
En trminos generales sera:
Al hacer los clculos asumimos que: media =
Asunciones de la distribucin Poisson
El nmero de organismos esperados es igual en todos
los cuadrantes
Esta probabilidad es igual a la media ()
Mundo uniforme, no cuadrantes buenos o malos

!

PRUEBA DE BONDAD DE AJUSTE PARA POISSON
Existen dos mtodos para evaluar el ajuste de una
muestra a la distribucin Poisson
1.La Prueba del ndice de Dispersin
2.La Prueba de Bondad de Ajuste de Chi Cuadrado (
2
)
El ndice de Dispersin (I)
Este ndice est definido como:
=
Varianza observada
Media observada
=

2

En el caso de una distribucin Poisson TERICA, la
varianza es igual a la media
El valor esperado del I es 1.0 en un espacio Poisson
La prueba estadstica ms simple para I es un
2

Donde n es el nmero de cuadrantes contados
Esta prueba es de dos colas existen dos posibilidades:
1. Que la varianza sea mucho menor que la media:
organismos uniformemente espaciados (I 0)

2
= 1
2. Que la varianza sea mucho mayor que la media:
organismos agregados (I mayor que 1)
Cul es el criterio para decidir si la hiptesis de un buen
ajuste es aceptable o no?
Cul es el criterio para decidir si la hiptesis de un buen
ajuste es aceptable o no?

Para el mtodo grfico, cuando n>100, se hace la
aproximacin Normal al valor de chi-cuadrado
( )
( )
2
0, 1
1
z
n
o
_
v
= = =
=
= =
Distribucin normal estndar
Valor observado de Chi - cuadrado
Nmero de grados de libertad
2. Que la varianza sea mucho mayor que la media:
organismos agregados (I mayor que 1)

0,975
2

0,025
2

= 2
2
2 1



La decisin de aceptar la hiptesis de un buen ajuste a la
distribucin Poisson se toma si z est entre 1.96 y -1.96
( )
( )
2
0, 1
1
z
n
o
_
v
= = =
=
= =
Distribucin normal estndar
Valor observado de Chi - cuadrado
Nmero de grados de libertad
Ejemplo de la diferencia entre las distribuciones Binomial
y Poisson
Se conoce el nmero promedio de retoos de rboles de
una especie X por parcela en algn hbitat
Si queremos modelar la probabilidad de diferentes
nmero de retoos por parcela (asumiendo muestreo
independiente) utilizamos: POISSON
Si queremos modelar el nmero de parcelas con retoos
(de un nmero fijo de parcelas), conociendo la
probabilidad de que una parcela tenga un retoo
utilizamos: BINOMIAL
24