Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CURSO TALLER
Cambios en el Ecosistema y
Medio Ambiente
RESPUESTAS: escala
espacial y temporal
Detección, análisis e
interpretación: aproximación
estadística
TIPOS DE CONTAMINACION
1. Efluentes domésticos
2. Actividades pesqueras
3. Actividades metalúrgicas
4. Actividades portuarias
5. Actividades mineras
6. Actividades agrícolas
Componentes:
FORMA DE DATOS
a) Situación más común: los datos bióticos son ordenados para formar una
tabla o matríz de dos entradas, digamos de especies por sitios o muestras
((i.e., n muestras o estaciones (columnas) son descritas por s especies u
otros taxa (filas)); matríz B = s x n = filas x columnas).
Datos bióticos
Datos ambientales
TIPOS DE DATOS
• Selección del tipo de datos a ser colectado: i) costos relativos de colección, y ii) nivel
de precisión requerido en el análisis.
• Estudios comunitarios: i) abundancia de especies, ii) datos morfométricos, iii) datos
de comportamiento, iv) datos ambientales
• Datos bióticos vs. Datos ambientales
• Datos crudos u originales (" raw data ")
b) Abundancias Codificadas
d) Densidades
e) Biomasa
f) Ranking de especies
• Es la más común.
• Es preferida cuando algunos de los valores observados son números pequeños (particularmente
ceros).
• Es aplicable cuando existe heteroscedasticidad (heterogeneidad) y las D.S. son proporcionales a
las medias.
• Efecto: comprime los extremos superiores de la escala de medición, reduciendo la importancia de
valores grandes en relación a valores más pequeños de la matríz de datos.
• Aplicable a datos de densidad y biomasa
b) Transformación Ln
• Yij = Ln (Xij + 1)
• Tiene efectos similares a la transformación logarítmica, pero cuando la similaridad es evaluada por la
medida de Bray-Curtis, el coeficiente de similaridad es invariable a la escala de cambio.
• Casos de macrobentos y meiobentos
e) Transformación arco-seno
n
Yij 100 X ij / X ij
j 1
Estandarización de datos (especies)
ASOCIACIONES DE DATOS
Términos utilizados para describir la asociación entre pares de unidades: similaridad, proximidad,
disimilaridad, distancia, correlación, información, etc.
1. Medidas de Similaridad
Similaridades: en el rango de 0 a 1.
Valores cercanos a 1 indican que el par de unidades son muy parecidas o similares.
Son simétricas
Análisis de clusters y MDS: opera más naturalmente con datos de similaridad.
El grado de asociación entre cualquier par de unidades puede ser mostrado como una tabla de
contingencia 2 x 2.
Descripción de términos: p es el número total de variables y está dividido en aquellas en las que
ambas unidades están presentes (a), aquellas en las que solamente una está presente (b o c), y
aquellas en las que ambas están ausentes (d)
En la Tabla 1.6 se dan los coeficientes de similaridad más importantes basados en las cantidades
a, b, c y d.
El más comúnmente utilizado es el de Jaccard
1.2 Con datos Cuantitativos
Y
i 1
ij Yik
jk =
Y Yik
s
ij
i 1
donde: Yij = valor para la especie ith en la muestra jth; Yik = valor para la especie ith en
la muestra kth; ik = disimilaridad entre las muestras jth y Kth sumadas sobre todas las
especies s. jk va desde 0 (valores idénticos para todas las especies) a 1 (ninguna
especie en común) y es el complemento de la similaridad Sjk:
Sjk = 1 - ik
Disimilaridad
Son simétricas
Disminuye con un incremento en el parecido de dos unidades
Ordenación PCA y PCoA : son descritos mayormente en términos de
distancias (e.g. distancia Euclideana)
Otras medidas de distancias: distancia Euclideana cuadrada, distancia
Euclideana estandarizada, distancia coseno (distancia Euclideana
normalizada), distancia Chord, distancia chi-cuadrado, distancia
promedio, diferencia de carácter promedio.
INTRODUCCION A LOS
METODOS DEL PRIMER
INTRODUCCION A LOS METODOS DEL PRIMER
The statistical methods underlying the software shows outcomes from many literature
studies, e.g. of environmental effects of oil spills, drilling mud disposal, sewage
pollution etc on soft-sediment benthic assemblages, disturbance or climatic effects on
coral reef composition or fish communities, more fundamental biodiversity and
community ecology patterns, mesocosm studies with multi-species outcomes etc.
The basic routines of the package cover: hierarchical clustering into sample (or
species) groups (CLUSTER); ordination by non-metric multidimensional scaling
(MDS) and principal components (PCA) to summarise patterns in species
composition and environmental variables; permutation-based hypothesis testing
(ANOSIM), an analogue of univariate ANOVA which tests for differences between
groups of (multivariate) samples from different times, locations, experimental
treatments etc; identifying the species primarily providing the discrimination
between two observed sample clusters (SIMPER); the linking of multivariate biotic
patterns to suites of environmental variables (BEST); comparative (Mantel-type)
tests on similarity matrices (RELATE); standard diversity indices; dominance
plots; species abundance distributions; aggregation of arrays to allow data
analysis at higher taxonomic levels, etc.
Examples
TOUR A TRAVES DEL PRIMER
1. TECNICAS UNIVARIADAS
Indices de diversidad
de especies.
• Componentes: riqueza de especies y equitabilidad
• Log base e: bits por individuo
Desventajas de la
Riqueza de especies (S)
• La riqueza observada es
dependiente del tamaño/esfuerzo
de muestra (Fig. a).
• La riqueza de especies no
refleja directamente la diversidad
filogenética.
• No existe un framework
estadístico para salida de S a
partir de la “expectation”
• La respuesta de S a la
degradación ambiental no es
monotónica
• La riqueza puede variar
marcadamente con tipos de
habitat diferente
Figura a
DIVERSIDAD Y DISTINCION TAXONOMICA PROMEDIO
V = 0 : neutralidad.
V > 0 : exceso de equitabilidad; H' obs. es más
grande que el predecido.
V < 0 : exceso de dominancia ; H' obs. es bajo.
Valores >+2 o <-2 ==== indican un alejamiento
significativo de la neutralidad: grado de
perturbación en las comunidades bentónicas
2. METODOS DISTRIBUCIONALES
2.1 PLOTEOS DE CLASES GEOMETRICAS
Clase I: 1
Clase 2: 2- 3
Clase 3: 4-7
Clase IV: 8 – 15
Clase V: 16 – 31
etc….
• Técnicas para "mapear" las muestras en un bajo número de dimensiones (usualmente 2) tal
que la distancia entre muestras intentan reflejar (dis)similaridad en la estructura de la
comunidad.
• Son más robustos para valores aberrantes (e.g. especies con altas
abundancias en un sitio en un año), por lo tanto son más consistentes en
muestras repetidas, i.e., de año a año.
La ordenación 1-dimensional,
llamada el eje del primer
componente principal (PC1), es:
Definición del eje PC1
ANOSIM - 1 via
Luego ir a Edit>labels>variables y
escribir log delante de las
variables que han sido
transformadas (i.e., log PO4, etc)
Global Best Match Test
Este procedimiento resulta en 999 valores de rho en el histograma, el cual debe
representar la hipótesis nula del caso (Ho: no hay ajuste en el patrón multivariado
entre la comunidad de diatomeas y las variables ambientales). El rho real (0.882)es
comparado con estos: SI EL RHO VERDADERO ES MAS GRANDE QUE
CUALQUIERA DE LOS SIMULADOS, ENTONCES LA HIPOTESIS NULA DEBE
SER RECHAZADA AL P<1% (En este ejemplo, Ho es rechazada, por lo tanto se
acepta que si hay un buen ajuste entre las comunidades de plancton y las 5
variables seleccionadas).
En el ejemplo, P: 0.1% nivel de significancia
LINKTREE (LINKAGE TREE)
LINKTREE es una nueva rutina para enlazar o asociar patrones
bióticos a variables ambientales (o problemas similares de
asociación). Es una versión no paramétrica de árboles de
regresión mutivariada o CARTs (Classification and regression
trees) que optimiza las divisiones binarias sucesivas de
patrones bióticos usando valores umbrales de variables
ambientales, y ayuda a proveer “explicaciones” parciales para
grupos de asociaciones o ensambles en términos de variables
ambientales únicas.
LINKTREE on lagoon diatom study
SIMPROF test in LINKTREE
MUCHAS GRACIAS