Reflexiones sobre el uso

de la estadística en el
campo de las ciencias
ambientales

Servicios estadísticos
Deborah Rondanini
William Batista
Karina D´Andrea

Los profesionales de las Ciencias Ambientales deben estar capacitados para recopilar,
analizar e interpretar información cuantitativa. Estas habilidades son esenciales para
investigar, interpretar críticamente la información científica y técnica disponible, así
como para evaluar las características de los ecosistemas con los que trabaja y el
resultado de las intervenciones que realice sobre ellos en la práctica profesional. Este
capítulo busca presentar los servicios que la Estadística ofrece en el campo de las
ciencias ambientales.

1
9. Introducción
Los profesionales de las Ciencias Ambientales deben estar capacitados para recopilar,
analizar e interpretar información cuantitativa. Estas habilidades son esenciales para
interpretar críticamente la información científica y técnica disponible así como para
evaluar las características de los ecosistemas con los que trabajen y el resultado de las
intervenciones que realicen sobre ellos en la práctica profesional.
La inclusión de la estadística en los planes de estudio de ciencias ambientales
tiene como principales objetivos de aprendizaje: (i) conocer y comprender
conceptualmente la metodología estadística, (ii) aplicar herramientas metodológicas
adecuadas para extraer información relevante y para comunicarla con honesta
objetividad y claridad, y (iii) valorar críticamente la información científico-técnica
publicada en revistas especializadas, en sus aspectos metodológicos.
Estos objetivos de aprendizaje abarcan niveles crecientes de complejidad del
dominio cognitivo, desde el conocimiento y la comprensión, la aplicación y el análisis,
hasta la síntesis y evaluación crítica (Bloom, 1971). El trabajo en pequeños grupos es
una herramienta para desarrollar saberes del dominio afectivo-volitivo, y se abordan
objetivos procedimentales a través de una intensa ejercitación y resolución práctica de
problemas, utilizando distintas herramientas tecnológicas (tablas, aplicaciones de
cálculo y programas estadísticos, ejercicios interactivos, entre otros). Así, los saberes
estadísticos se incorporan a la experiencia individual y colectiva en forma de hábitos y
de habilidades, de saber hacer y de saber ser (Bloom, 2004).

9.2. Servicios de la Estadística

Toda aplicación de las ciencias ambientales requiere evaluar algún fenómeno de interés,
que debe definirse de manera apropiada para que sirva a las decisiones que se considera
tomar a partir de la evaluación. Por ejemplo, si se desea evaluar el impacto de la
deforestación sobre el deterioro del suelo en la región Chaco Pampeana, debemos
preguntarnos: ¿a qué llamaremos exactamente deforestación? ¿a qué deterioro del
suelo? ¿qué procesos permiten evaluar el deterioro del suelo? ¿en qué escala de tiempo
y espacio debe evaluarse? Estas preguntas no tienen una única respuesta, ya que el
proceso comprende numerosos aspectos y admite diversas explicaciones que pueden
ser más o menos elaboradas dependiendo de los conocimientos alcanzados, y
constituyen un modelo conceptual del fenómeno de interés. Por ejemplo, se podría
estudiar el cambio en los niveles de carbono orgánico del suelo de la región en la última
década. También podría proponerse el estudio de la actividad microbiológica del suelo a
lo largo de las estaciones del año. Así, la elección de las variables relevantes dependerá
de nuestra definición del fenómeno de interés y del modelo conceptual que se formula
para explicarlo (Batista, 2016).
El procedimiento general que consiste en (i) identificar y delimitar un fenómeno
de interés, (ii) conceptualizarlo en términos del conocimiento alcanzado y (iii) evaluarlo
a partir de datos de variables relevantes, permite tomar decisiones para el manejo de los
sistemas naturales que sostienen la vida humana o avanzar en el conocimiento de cómo
son, cómo funcionan y cómo responden estos sistemas a las acciones humanas. En este
contexto, la Estadística es una rama de la Matemática que comprende un conjunto de
herramientas metodológicas al servicio de la evaluación de fenómenos de interés. En
particular, la estadística descriptiva permite ordenar, resumir y describir la información,
mientras que la inferencia estadística permite producir afirmaciones generales a partir

2
de información parcial con riesgo de error controlado. En otras palabras, la estadística
presta servicios para responder las siguientes preguntas: ¿cómo colectar los datos?
¿cómo analizar y resumirlos? ¿cómo dar una medida del riesgo de producir una
evaluación equivocada?

9.3. Nociones de azar e incertidumbre

Los procedimientos de inferencia estadística están diseñados de modo tal que la

probabilidad de cometer un error que se considere grave sea estipulada de antemano.
Por eso, resulta necesario examinar en profundidad las nociones de azar e incertidumbre.
Definimos un experimento aleatorio como aquel que puede producir distintos
resultados en diferentes oportunidades en que se lo lleve a cabo sin modificar el
procedimiento. Por ejemplo, agitar un dado en un cubilete y registrar qué número
(indicado por puntos) queda hacia arriba, o autofecundar una planta heterocigota para
un gen que controla el color de las flores, cultivar las semillas que produce y registrar la
cantidad de flores de diferentes colores en las nuevas plantas. El carácter aleatorio del
experimento tiene su base en procesos físicos que ocurren en estos sistemas materiales.
En los ejemplos precedentes, el cubilete, la mesa y la fuerza con que se agita el dado, o
la dispersión de los granos de polen que alcanzan los estigmas de las flores son
ejemplos del comportamiento azaroso o aleatorio de estos sistemas materiales (Batista,
2016).
Esta noción de azar no debe confundirse con la noción de incertidumbre. Como
un experimento aleatorio puede dar diferentes resultados, tenemos incertidumbre acerca
de qué resultado producirá. O sea, el azar provoca incertidumbre. Sin embargo, no toda
incertidumbre nace del azar. La incertidumbre es el estado de conciencia que alguien
experimenta en relación con algo que ignora total o parcialmente. Por ello, la
incertidumbre varía entre personas que tienen diferente información o diferente
capacidad para interpretarla. Lo que distingue entonces a un experimento aleatorio no es
el carácter incierto, sino el carácter azaroso de sus resultados.
En este contexto, los resultados que puede producir un experimento aleatorio se
denominan eventos y la probabilidad de ocurrencia de un evento particular es el
potencial o disposición que un sistema material tiene para producirlo. Esta es la
acepción «realista» de la palabra probabilidad, que alude a una propiedad física real de
un sistema material (Bunge, 2006). Por ejemplo, si decimos que la probabilidad de que
salga un número menor a cuatro en el experimento del dado es mayor que la
probabilidad de que salga uno mayor que cuatro, estamos afirmando que el dispositivo
experimental formado por el cubilete, el dado y la mesa tiene mayor potencial para
producir el resultado 1, 2 o 3 que para producir el resultado 5 o 6.
La palabra probabilidad ha sido usada con acepciones diferentes en la literatura
científica y filosófica, provocando malentendidos y controversias. La acepción realista
de la palabra probabilidad se vincula con el azar y solo permite atribuir valores de
probabilidad a eventos aleatorios. En este sentido, la inferencia estadística utiliza
experimentos aleatorios para obtener información parcial sobre poblaciones de interés,
con probabilidad (riesgo) de error preestablecido. Una acepción alternativa vincula la
palabra probabilidad con incertidumbre y justifica la asignación de probabilidades a
cualquier hecho desconocido. Esta acepción no se aplica a la probabilidad de error que
se preestablece en los procedimientos de inferencia estadística (Batista, 2016).

3
9.4. Análisis e interpretación de la variabilidad

Dentro de la metodología estadística, el análisis de la varianza y el análisis de regresión

lineal son ampliamente utilizados por los profesionales de las ciencias ambientales para
cuantificar e interpretar el comportamiento de variables aleatorias de interés en una
población, a partir de información parcial extraída de una muestra aleatoria (Steel &
Torrie, 1988).
El análisis de regresión lineal simple estudia el efecto de una variable
cuantitativa denominada independiente o predictora (x) sobre otra variable denominada
dependiente o respuesta que resulta aleatoria porque se genera sorteando muestras de
una población (Y). El modelo permite explicar la variabilidad de Y como la suma de un
componente determinístico, que es la media poblacional de Y para un valor particular de
x, y la suma de un componente aleatorio, denominado error aleatorio, que identifica la
variabilidad de Y que no es explicada por el modelo.
Este modelo constituye una representación teórica del funcionamiento de un
fenómeno de interés. En la práctica, contamos sólo con datos de una muestra aleatoria a
partir de los cuales estimaremos los parámetros del modelo. La recta de ajuste obtenida
permite estimar el valor de la media poblacional de la variable Y para un valor particular
de la variable predictora x. Una vez estimada la ecuación de regresión lineal, debemos
determinar el grado de ajuste del modelo a las observaciones, lo que nos permitirá
concluir si es válido utilizarlo para describir el comportamiento de la variable
dependiente. Para ello, utilizamos el coeficiente de determinación R2, que indica la
proporción de la variación total de Y que puede ser explicada por la dependencia lineal
con x. El coeficiente de determinación toma valores entre 0 y 1. Valores cercanos a 1
son indicio de un buen ajuste del modelo a los datos.
Para realizar inferencia estadística acerca de una población con riesgo de error
conocido, el análisis de regresión lineal permite además poner a prueba la hipótesis de
que la pendiente de la recta de regresión es cero, lo cual indicaría que la variable
predictora no permite predecir el comportamiento de la variable dependiente. El valor p
es una medida del grado de concordancia de los datos con dicha hipótesis, la cual se
rechaza si el valor p es menor que el nivel de significación (máximo riesgo de rechazar
equivocadamente la hipótesis nula, el cual es elegido de antemano).
El modelo de regresión lineal simple es una herramienta válida para evaluar un
fenómeno de interés si ese fenómeno cumple con los siguientes supuestos:i) la relación
entre la variable predictora y la media poblacional de la variable respuesta es lineal, ii)
la variable predictora es fija, no aleatoria, iii) la respuesta es una variable aleatoria con
distribución normal, iv) las observaciones son independientes, y v) la varianza de la
variable respuesta es homogénea para cualquier valor de la variable x.
Consideremos un ejemplo de aplicación del análisis de regresión lineal, donde el
fenómeno de interés es el proceso de contaminación del agua subterránea provocado por
el exceso de fertilización nitrogenada en los establecimientos agropecuarios de una
región (Ongley, 1997). Los datos del ejemplo son ficticios y se utilizan sólo para ilustrar
el análisis. Se pueden encontrar numerosos datos de casos reales en la Argentina en la
literatura especializada (Silva Busso y Santa Cruz, 2005; Baccaro et al, 2006).
Consideremos el estudio de la problemática de contaminación de agua
subterránea en el partido bonaerense de Baradero. Para ello, se obtuvo una muestra
aleatoria de 30 establecimientos agropecuarios, y en cada uno se registró la dosis de
fertilizante nitrogenado aplicada durante los últimos 5 años (kg de N/ha) y el contenido
actual de nitratos en el agua subterránea (ppm de nitratos). Los resultados del análisis de

4
regresión lineal simple se muestran en la Figura 9.1. Puede observarse una relación
lineal positiva entre el nivel de contaminación del agua subterránea con nitratos y la
cantidad de fertilizante nitrogenado aplicado al suelo. La pendiente de la recta de ajuste
predice que el contenido promedio de nitratos en el agua aumenta en 0,40 ppm por cada
1 kg de N/ha de fertilizante aplicado al suelo, en el rango de 200 a 450 kg N/ha. El
elevado valor del coeficiente de determinación indica que el 96% de la variación de la
contaminación del agua subterránea con nitratos es explicada por la cantidad de
fertilizante nitrogenado aplicado al suelo en los últimos 5 años. El 4% restante de la
variabilidad de la contaminación del agua subterránea es explicada por otras causas
diferentes al nivel de fertilización. Este modelo se extiende a todos los establecimientos
agropecuarios del partido de Baradero. Asimismo, el valor p para la prueba de hipótesis
acerca de la pendiente es muy pequeño (p <0,0001), lo cual nos lleva a rechazar la
hipótesis nula y concluir que la pendiente de la recta poblacional es significativamente
distinta de cero.

Figura 9.1 Análisis de regresión lineal aplicado a datos de contaminación del agua subterránea (ppm de
nitratos) en función de la dosis de fertilizante nitrogenado aplicado al suelo en los últimos 5 años, en 30
establecimientos agropecuarios del partido de Baradero

La recta de ajuste es y= 20,03 + 0,40x, el coeficiente de determinación es R 2= 0,96 y el valor p para la

pendiente es <0,0001.
Fuente: Elaboración propia

9.5. Análisis e interpretación de procesos complejos

En las ciencias ambientales, cuando ascendemos en la escala espacial y temporal de los

fenómenos de interés, el análisis e interpretación de resultados se complica, por ejemplo,
si se analizan varios ambientes, genotipos y atributos al mismo tiempo. En general,
cuando se analizan varios ambientes y genotipos el comportamiento de estos últimos se
modifica dependiendo del ambiente al que son sometidos. Todos los genotipos no
responden de la misma manera ante modificaciones en el ambiente, lo que genera que
haya interacción entre los genotipos (G) y los ambientes (E) analizados, lo que
comúnmente se denomina «Interacción G×E». El análisis se complica aún más cuando

5
se quieren considerar simultáneamente varios atributos (A), y por lo tanto, analizar las
interacciones G×E×A. En estos casos ya no se pueden hacer interpretaciones con un
análisis estadístico univariado (a partir del estudio de una única variable en una
población), por lo que debemos utilizar otras herramientas estadísticas.
Una manera de analizar toda la información en forma conjunta es la utilización
de análisis multivariados que permiten reducir la dimensionalidad de los datos y generar
gráficos fácilmente interpretables, que contienen en dos o tres dimensiones una
proporción importante de la variabilidad del sistema analizado.
A continuación se desarrollará un ejemplo en el que se utilizó análisis
multivariado para interpretar los resultados obtenidos en experimentos a campo donde
se evaluaron 12 híbridos de maíz en ambientes contrastantes de disponibilidad de
nitrógeno (N) en el suelo durante 2 años en la localidad de Pergamino, Buenos Aires.

Ejemplo: «Mejoramiento de maíz orientado a ambientes deficitarios en N.

Análisis de la interacción G×E×A» (ejemplo realizado con datos de D’Andrea et
al., 2009)

Motivo de la investigación: A partir de 1992 los fertilizantes nitrogenados sintéticos

fueron incluidos en el sistema de producción argentino y su uso aumentó de manera
sostenida, tanto por la superficie fertilizada como por las dosis utilizadas. El aumento en
la fertilización acompañó al aumento de producción mencionado y, consecuentemente,
al incremento de los rendimientos por ha, aunque no lo hizo de manera proporcional (la
fertilización aumentó 5 veces y la producción 2 veces) (FAO, 1990). Aunque se carece
de suficiente información local sobre las consecuencias ambientales de la fertilización
nitrogenada, los estudios desarrollados en sitios con alto uso de N sintético por periodos
prolongados de tiempo destacan los efectos negativos de esta práctica (e.g.,
contaminación con nitratos de recursos hídricos, incrementos en las emisiones de óxido
nitroso) para la sustentabilidad del sistema productivo. Por lo que el objetivo debería
estar enfocado en el desarrollo de genotipos con buen desempeño en ambientes con baja
disponibilidad de N del suelo que permita una agricultura sustentable en las áreas
afectadas por la deficiencia. De esta manera, la mejora genética del cultivo de maíz por
una mayor eficiencia en el uso del N (EUN) permitiría el logro de mejores rendimientos
con menor aplicación de fertilizantes en suelos pobres en el nutriente (Arellano et al.,
1996).

Metodología utilizada: Se utilizaron datos de ensayos a campos donde se evaluaron 12

híbridos de maíz en dos tratamiento de N contrastantes, sin y con aplicación de
fertilizante (SN y CN, respectivamente) durante dos años. En los mismos, se midieron 8
variables/atributos relacionados con la generación del rendimiento. Cuando se consideró
cada atributo individualmente se observó que la mayoría presentaba interacciones G×E
significativas (P<0.05), lo que implicaba un cambio de ordenamiento de los híbridos
dependiendo del ambiente (N) al que fueron sometidos. Pero dicho análisis no permitía
analizar en forma conjunta las variables medidas. La evaluación de las respuestas
relativas de los genotipos en los 8 atributos simultáneamente a través de los ambientes
evaluados se realizó utilizando una matriz de datos que combinó a los G, los E y los A.
Las complejas interacciones inherentes a este tipo de matriz GxExA pueden ser
modeladas utilizando el análisis de componentes principales (ACP) utilizando Infostat
(Di Rienzo, 2010).

6
Interpretación de los principales resultados: Este método permite analizar: (i) el
comportamiento de los genotipos a través de los ambientes, (ii) las asociaciones entre
atributos y, (iii) las relaciones entre los genotipos y los atributos a través de los
ambientes. A partir de dicho análisis se puede construir un gráfico denominado biplot,
que muestra las interrelaciones entre genotipos, atributos y ambientes y permite
interpretarlas (Figura 9.2 A). Los ejes de dicho gráfico se denominan componentes
principales (CP) y explican parte de la variabilidad del sistema. Cuanto mayor es la
porción de variación explicada por los dos componentes principales graficados en un
biplot, mayor es la exactitud de su interpretación. En el caso del ejemplo de la Figura
9.2, el biplot de los dos primeros componentes principales contiene el 93.7% de la
variación del sistema analizado. En el biplot, los genotipos se representaron como
puntos y los atributos como vectores (Basford et al., 1996). Genotipos que se
encuentran próximos entre sí son similares en sus respuestas específicas para todos los
atributos analizados. En la Figura 9.2A se observa que los híbridos B1 y A1 SN están
muy próximos por lo que son parecidos en sus respuestas a los atributos evaluados pero
muy diferentes a los genotipos C2 y F1 CN que, a su vez, son similares entre sí.
Para un atributo en particular, los genotipos pueden ser comparados al proyectar
una perpendicular desde cada punto correspondiente al genotipo hacia el vector atributo
de interés, de manera tal que aquellos genotipos que se ubican más alejados del centro
muestran una respuesta relativa mayor para ese atributo (positiva en el sentido del
vector y negativa cuando se ubican en su proyección opuesta), y viceversa. En la Figura
9.2 B se observa el comportamiento relativo de algunos genotipos para los atributos
EUN (eficiencia de uso de N) y Rendimiento. La proyección perpendicular del híbrido
B1 SN es positiva y la de E2 CN es negativa para EUN, y por lo tanto son los que
presentaron la mayor y menor eficiencia, respectivamente.
De esta manera también se pueden visualizar las interacciones G×E, por ejemplo
para el atributo Rendimiento se pueden observar diferencias de ordenamiento de los
genotipos entre ambientes. Para el ambiente con disponibilidad de N alta el genotipo C1
fue el que mostró un mayor rendimiento relativo mientras que en el ambiente con
deficiencias de N fue A1. Los biplots también permiten visualizar la fuerza de las
asociaciones entre vectores atributos. Ángulos agudos entre dos vectores indican
asociaciones positivas, ángulo recto indica falta de asociación y ángulos mayores a 90º
indican asociaciones negativas (Kroonenberg, 1997). En el ejemplo mencionado se
puede observar que el Rendimiento está fuertemente asociado al número y peso de los
granos, débilmente asociado al índice de cosecha, biomasa y N absorbido y poco
asociado a la EUN y al índice de área foliar máximo. Asimismo se puede observar que
la EUN está negativamente asociada a la producción de biomasa y la absorción de N.

7
 6.00 Indice Cosecha
A

3.00
EUN
B1 A1 A2
C1
CP 2 (9.0%)

Rendimiento
B2 NG
A1 B2
A2 PG B1 C2
0.00 C1 C2
F2 F1
F1 E1 E2 N absorbido
D1 Biomasa
F2 E1
D2 IAFmax D1D2
E2
-3.00

CN
SN
-6.00
-6.00 -3.00 0.00 3.00 6.00
CP 1 (84.7%)

6.00
B

3.00
EUN
A2
B1 Rendimiento
CP 2 (9.0%)

A1 C1
0.00
D1 F2
D1
E2

-3.00

-6.00
-6.00 -3.00 0.00 3.00 6.00
CP 1 (84.7%)
Figura 9.2 (A) Biplot de los dos primeros componentes principales (CP) del análisis de 12 híbridos de
maíz evaluados para 8 atributos en condiciones de disponibilidad alta (CN) y baja (SN). Los atributos
están representados por vectores y los genotipos por puntos. EUN, eficiencia de uso de N, IAFmax, índice
de área foliar máximo, NG, número de granos, PG, peso de los granos. (B) ejemplo de dos variables
medidas y las proyecciones perpendiculares de los genotipos más contrastantes.
Fuente: Elaboración propia con datos de D´Andrea, K. et al., 2009 .

Por último, el análisis permite identificar los genotipos más promisorios por su
eficiencia en la utilización de N disponible (EUN) y que además posean un rendimiento
superior en ambientes con fertilidad restringida.
8
Referencias

Arellano, J.L., Castillo, F., Alcantar, G., & Martinez, A. (1996) Parámetros genéticos de la
eficiencia en el uso de nitrógeno en líneas de maíz de Valles Altos. En 'Developing
drought and soil nitrogen tolerance in maize.', G.O. Edmeades, M. Bänziger, H.R.
Mickelson y C.B. Peña-Valdivia Eds, pp. 320-325, El Batán, México: CIMMYT.
Baccaro, K., Degorgue, M., Lucca, M. Picone, L., Zamuner, E., & Andreoli, Y. (2006)
Calidad del agua para consumo humano y riego en muestras del cinturón hortícola en
Mar del Plata. RIA, Revista de Investigaciones Agropecuarias 35: 95-110.
Basford, K.E., Kroonenberg, P.M., & Cooper, M. (1996) Three-mode analytical methods
for crop improvement programs. En 'Plant Adaptation and Crop Improvement'. (Eds M
Cooper y GL Hammer) pp. 291-305. (CAB International, IRRI & ICRISAT:
Wallingford, UK)
Batista, W.B. (2016) Probabilidad. Capítulo 2. En Batista, W.B. & Pérez, A, Estadística
General. Introducción a la inferencia estadística. Departamento de Métodos
Cuantitativos y Sistemas de Información. Buenos Aires: Facultad de Agronomía,
Universidad de Buenos Aires. 239 p.
Bloom, B. (1971) Taxonomía de los objetivos de la educación: la clasificación de las
metas educacionales: manuales I y II. Traducción de Marcelo Pérez Rivas; prólogo del
Profesor Antonio F. Salonia. Buenos Aires: Centro Regional de Ayuda Técnica:
Agencia para el Desarrollo Internacional (A.I.D).
Bunge, M. (2006). En 100 ideas. El libro para pensar y discutir en el café. Buenos
Aires: Sudamericana.
D’Andrea, K.E., Otegui, M.E., Cirilo A.G., & Eyhérabide, G. (2009) Ecophysiological
traits in maize hybrids and their parental inbred lines: Phenotyping of responses to
contrasting nitrogen supply levels. Field Crops Research 114: 147-158.
Devore, J.L. (2003) Probabilidad y estadística para ingeniería y ciencias. 5ta. Edición. México:
International Thomson Editores.
Di Rienzo, J.A., Casanoves, F., Balzarini, M.G., Gonzalez, L., Tablada, M., & Robledo,
C.W. (2010) InfoStat. Grupo InfoStat, Facultad de Ciencias Agrarias, Universidad
Nacional de Córdoba, Argentina.
FAO (1990) 'Fertilizer yearbook.' (Food and Agriculture Organization: Rome)
Giuffré, L., Marbán, L.; Romaniuk, R., Ríos, R.P., Sanmartino F., & Arata L. (2012).
Metales pesados en huertas familiares de la ONG «Un techo para mi país». Revista
Agronomía & Ambiente 32: 19-29.
Kroonenberg, P.M. (1997) Introduction to biplots for G x E tables. Center for Statistics.
The University of Queesland, Research Report #51, Brisbane, Qld 4072, Australia.
Mendenhall, W., Beaver, R.J., & Beaver, B.M. (2008) Introducción a la Probabilidad y
Estadística. 12da edición. CENGAGE Learning, Mexico.
Ongley, E.D. (1997) Lucha contra la contaminación agrícola de los recursos hídricos.
Estudio FAO Riego y Drenaje Nº 55. Roma. 116 p.
Silva Busso, A., &Santa Cruz, J. (2005) Distribución de elementos traza en las aguas
subterráneas del Partido de Escobar, Buenos Aires, Argentina. Ecología Austral, 15:31-
47.
Steel, R., & Torrie, J. (1988) Bioestadística: principios y procedimientos. México: McGraw-
Hill/Interamericana de México.
Tardif, M. (2004). Saberes docentes y formación profesional. Madrid: Narcea, p. 30.

Bibliografía adicional

Farji-Brener A.G. (2009) ¿Ecólogos o Ególogos? Cuando las ideas someten a los datos.
Ecología Austral 19: 167-172.
Modelos Estadísticos. Guía de clases teóricas. (2016). Departamento de Métodos

9
 Cuantitativos y Sistemas de Información, Facultad de Agronomía, Universidad de
Buenos Aires.
Wasserstein, R.L. (2016) Declaración de la Asociación de Estadística Americana Sobre
la Significancia Estadística y los Valores-P., Traducido al Español por: Mazzone, F. L.,
Grampa, M., Goldenberg, M., Aristimuno, F., Oddi, F. y Garibaldi, L.A. IRNAD,
UNRN y CONICET, Bariloche, Río Negro, Argentina.

10