UNIVERSIDAD NACIONALPEDRO RUIZ GALLO

Facultad de Ciencias Biológicas

CURSO TALLER

“Detección y evaluación de impactos ambientales en

ecosistemas acuáticos, utilizando el PRIMER v6”

Lambayeque, 7 - 9 de Agosto 2015

Dr. Wilmer Carbajal Villalta

E-mail: wcarbajal@gmail.com
 Contenido

1. Contaminación e impactos ambientales

2. Diseños de muestreo
3. Análisis multivariado
4. Tipos de datos : matrices de datos
5. Transformación de datos
6. Reducción y estandarización de datos
7. Medidas de similaridad y de distancia
8. Breve Tour por el PRIMER
9.Técnicas Univariadas:
Indices de diversidad
Diversidad Taxonómica y Filogenética
Modelo Neutral de Caswell
10. Técnicas gráfico/distribucionales:
Ploteo de clases geométricas de abundancia
Curvas de k-dominancia
Curvas ABC
Curvas de dominancia parcial
11. Técnicas multivariadas:
Clasificación Jerárquica UPGMA
Escalación Multidimensional (MDS)
Análisis de Componentes Principales (PCA)
12. Pruebas de discriminación: ANOSIM
Análisis de porcentajes de similaridad (SIMPER)
Combinación de variables ambientales vs. Datos bióticos (BIOENV)
 CONTAMINACION E IMPACTOS AMBIENTALES

Factores ambientales naturales (El Niño, La Niña, Cambio Climático, Tsunamis,

etc) y antropogénicos (contaminación por derrames de petróleo, actividad
minera, efluentes domésticos e industriales, residuos sólidos, eutrofización, etc)

IMPACTOS NATURALES IMPACTOS ANTROPICOS

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

7. Aguas de lastre de barcos

 DISEÑOS DE MUESTREO

• Componente biótico a utilizar

• Datos ambientales a analizar
• Batimetría
• Topografía
• Tipo de sustrato
• Vientos y Corrientes
• Análisis estadístico

Componentes:

Pélagos: plancton (fito y zoo) y peces (pelágicos)

Bentos (fondo blando): macrobentos, meiobentos y

microbentos. Peces demersales

Bentos (fondo duro): epifauna, fauna móvil

 ANALISIS MULTIVARIADO

El ámbito del análisis multivariado aborda el análisis

creciente de datos en la ecología de comunidades y la
ciencia ambiental, los cuales son multivariados en carácter
(muchas especies, múltiples variables ambientales).

Datos de la estructura de la comunidad: valores de

abundancia, biomasa, % de cobertura, presencia/ausencia,
etc para un grupo de especies y una o más réplicas de
muestras:

a) En un número de sitios en una vez (análisis espacial)

b) En el mismo sitio en un número de veces (análisis
temporal)
c) Para una comunidad sujeta a diferentes tratamientos no
controlados o tratamientos manipulativos

O una combinación de éstos.

DATOS ECOLOGICOS
 Forma y tipos de datos

FORMA DE DATOS

La manera o modo en que los datos son o están ordenados.

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).

b) Alternativamente: los datos ambientales para un número de variables en

varios sitios, son ordenados en matrices, donde n corresponde a las muestras
o estaciones (filas) y v a las variables (columnas); matríz A = n x v = filas x
columnas.
MATRICES DE DATOS

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 ")

Tabla. Tres escalas utilizadas en el muestreo botánico.

a) Presencia - Ausencia de datos

 Las especies son registradas en cada muestra

como presentes (1) o ausentes (0).

b) Abundancias Codificadas

 Datos semi-cuantitativos codificados sobre una

escala arbitraria para indicar abundancia relativa
(e.g. desde ausente, 0; presente, 1;
regularmente común, 2; hasta dominante, 5).
 Evaluación rápida y con poca pérdida efectiva
de precisión.
 Ejemplo: escala de Braun-Blanquet, estimado
simple de cobertura de la planta y número de
plantas individuales.
c) Frecuencias

 Conteo del número de ocurrencias de cada especie (e.g. # de dragas o arrastres).

 Se obtienen por reducción de un gran número de muestras (arrastres, corers,
dragas) a un número pequeño de estaciones.
 Relacionadas de manera muy próxima al tamaño de la muestra

d) Densidades

 Tipo más común de registro de datos: medida de la abundancia.

 Registro del número de individuos de una especie/muestra (e.g. cuadrado).
 Frecuentemente producen datos muy asimétricos: transformación.

 En botánica: otras medidas de abundancia

producción (rendimiento) y cobertura.
 Expresadas en términos de unidades de área.
 Independientes del tamaño de muestra adoptado.

e) Biomasa

 En animales coloniales y plantas.

 Organismos expresado s en unidades de peso.
 Transformación: grandes organismos.

f) Ranking de especies

 Registro rápido de las abundancias; relativamente robusto.

 Rank de especies de acuerdo a sus abundancias.
 Transformación de datos (modo normal, tipo q),

• Algunas matrices de datos pueden necesitar la TRANSFORMACION de la

abundancia/biomasa cruda (o estadísticos derivados) para:

i) la validez de asumpciones en el análisis estadístico (e.g. normalidad,

varianza constante).
ii) las contribuciones balanceadas de las especies raras/abundantes.
a) Transformación Log10

• Yij = log (Xij + 1)

• 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)

• Para densidades de plancton > 10, brinda resultados más precisos.

• Datos de profundidad y tamaño de partícula ( )
c) Transformación raíz cuadrada

• Es aplicable cuando la media y la varianza son iguales.

• Datos biológicos: cuando las muestras son tomadas de una distribución de Poisson.
• Resultado: muestra con distribución normal.

d) Transformación raíz cuarta

• 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

• Es aplicable a datos binomiales expresados como fracciones decimales o porcentajes.

• Valores porcentuales de la materia orgánica.

NOTA: secuencia de las transformaciones

Transformaciones: caso univariado
 Reducción y estandarización de datos (modo inverso,
tipo r).

Agrupar especies : complemento o substituto para el análisis de muestras.

•Datos presencia-ausencia: Bray-Curtis o McConnaughey, satisfactorios; pero primero

reducción del número de especies.

•Datos semi-cuantitativos o cuantitativos: Bray-Curtis, satisfactorio; pero primero los

datos deben ser estandarizados.
a) Reducción de datos

• Algunas especies ocurren en forma demasiado irregular para formar un patrón

analizable.
• Esto afecta el análisis normal, pero si el análisis inverso.
• Incrementa el tiempo de cálculo y produce co-ocurrencia al azar de 2 especies
raras.
• Eliminación de especies raras: varias formas.
• Selección de especies a eliminar: todas aquellas que están por debajo de un
porcentaje arbitrario de dominancia en cualquier estación (e.g. abundancias por
debajo del 0.14% de la fauna total).
b) Estandarización de datos

• Usada con datos cuantitativos.

• Especies correlacionadas que siempre ocurren juntas pero en abundancias
diferentes pueden ser separadas una de otra debido a que sus valores no son
los mismos
• Estandarización para comparación de especies:

n
Yij  100 X ij /  X ij
j 1
Estandarización de datos (especies)
 ASOCIACIONES DE DATOS

Medidas de similaridad y de distancia

 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.

1.1 Con datos Binarios

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

• Es usual operar con disimilaridades más que con similaridades.

• Datos marinos: es frecuente que muchas de las especies estén ausentes en la
mayoría de las muestras (e.g. más de la mitad de la matriz de datos son ceros)
 La medida de Bray-Curtis es considerada como la más robusta para analizar datos
marinos (e.g. no es afectada por las ausencias de especies):

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

 Otros indices son: coeficiente de productos de momentos de Pearson; coeficiente de

orden de rangos de Spearman y porcentaje de similaridad.
 2. Medidas de Distancia

 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

PRIMER 6 (Plymouth Routines In Multivariate Ecological Research) consiste de un

amplio rango de rutinas univariadas, gráficas y multivariadas para análisis de matrices
de abundancia (o biomasa) de especies/muestras que se utilizan en el monitoreo
biológico de impacto ambiental y demas estudios fundamentales en la ecología de
comunidades, junto con datos físico-químicos asociados. Los métodos hacen pocas,
sino ninguna, asumpciones acerca de la forma de los datos (ordenación 'no-metrica' y
pruebas de permutación) y se concentran sobre aproximaciones que van directamente
a comprender y explicar la variabilidad y patrones de las comunidades.

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

Indice de Shannon-Wiener (H')

Donde ; s = número total de especies; ni = número de individuos de la especie ith; N =

número total

de especies.
• Componentes: riqueza de especies y equitabilidad
• Log base e: bits por individuo

ii) Riqueza de Especies (d)

• Indice de Margalef: d = (S-1)/log N

• S = es dependiente del tamaño de la muestra
•Incorpora el número total de individuos (N)

iii) Equitabilidad (J')

• Indice de uniformidad de Pielou (evennes)

• J' = H' (observado)/H' max , donde: H'max es la máxima diversidad posible (log S)
• Dominancia
C/:Examples v6
NO EXISTE DIFERENCIA SIGNIFICATIVA DE LA DIVERSIDAD ENTRE ESTACIONES O SITIOS
 Mediciones de la biodiversidad basadas en la relación de especies

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

Basadas en las abundancias de las especies sino también por las

distancias taxonómicas (wij) a tarves del árbol de clasificación
• Diversidad y distinción taxonómica promedio (AvTD)
Están basadas no solamente sobre las abundancias de las especies sino también en las
distancias taxonómicas, a través del arbol de clasificación Lineana, entre cada par de individuos

• Variación en la distinción taxonómica (ᴧ+)

VarTD es la varianza de las distancias taxonómicas entre cada par de especies i e j, sobre su
distancia promedio (Delta+).
Test para la Distinción Taxonómica
Distinción Taxonómica & Diversidad Filogenética
TAXDTEST: prueba para distinción taxonómica
“FUNNELS” PARA UN RANGO DE TAMAÑOS DE SUBLISTA
S ratio: 1.2 determina cuantos valores de S son calculados en el
rango establecido (5 a 35). S = 5, luego 6 (5 x 1.2), etc,
Utilizando la frecuencia de taxón en las simulaciones
Elipses para valores conjuntos de ∆+ , ᴧ+
La distinción taxonómica promedio (Delta) es mas baja de
lo esperado para el área 9 (pero con un rango medio de la
variación de la distinción taxonómica, Lambda), y ésta es
discreta para el área 1, con una AvTD (Delta) “normal” (y
posiblemente una alta VarTD o Lambda).
Modelo neutral de Caswell (V)

Los valores del estadístico V indican:

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….

Clases I y II: no poluídas, muchas especies raras.

Clases III a V: poluídas, pocas especies raras y mas abundantes, y mas sensibles
a cambios por polución.
Clases 3 a 5: mas sensibles a
cambios inducidos por la
contaminacion
2.2 CURVAS DE K – DOMINANCIA
Opciones del gráfico
2.3 Comparación Abundancia y Biomasa (Curvas ABC)
W= -1, 1. W tiende a +1
para casos de abundancia
equitativa a través de las
especies pero la Biomasa
es dominada por una
simple sp.
W= tiende a -1 en el caso
inverso.
2.4 CURVAS DE DOMINANCIA PARCIAL
COMPARACION DE CURVAS PARA AÑOS PARTICULARES (1966 y 1971).
3. TECNICAS MULTIVARIADAS
3.1 ANALISIS DE CLASIFICACION
(CLUSTER)
• Tienepor finalidad encontrar "agrupamientos naturales" de muestras, de
tal manera que las muestras dentro de un grupo son más similares que las
muestras en grupos diferentes.

• La clasificación se usa para:

Distinguir sitios (o tiempos): las réplicas dentro de sitios caen en el mismo

grupo

Dividir sitios (o tiempos) en grupos

Definir asociaciones de especies (spp. co-ocurren en sitios)

 Tipos de Clasificación

 Clasificación jerárquica aglomerativa: las n muestras son

sucesivamente fusionadas en grupos, comenzando con muestras con
las más altas similaridades mutuas, disminuyendo luego
gradualmente el nivel de similaridad en el cual los grupos están
fusionados, y terminando en un único grupo.
Single linkage: clustering del vecino mas
cercano (distancia cercana entre dos
grupos).

Complete linkage: clustering del vecino mas

lejano (distancia mas lejana entre dos
muestras de grupos diferentes)
• Usualmente los métodos jerárquicos producen clusters discretos y los no-jerárquicos producen
clusters en sobreposición (overlapping).
• En el análisis de datos marinos relacionados con la contaminación se recomienda utilizar:
- clasificación jerárquica aglomerativa basada en la media ponderada ("Unweighted Pair-Group
Mean Average - UPGMA) de las medidas de similaridad de Bray-Curtis.
- este método une dos grupos de muestras contiguas al nivel promedio de similaridad entre
todos los miembros de un grupo y todos los miembros del otro grupo.
- Este método es utilizado para delimitar comunidades discretas en diferentes sitios (o grupos
de sitios) no así para una categorización en la estructura de la comunidad a través de sitios o en
el tiempo; para esto es preferible la ordenación.
• El resultado de la clasificación se muestra como un diagrama de árbol o DENDROGRAMA.
- Los dendrogramas tienen la ventaja de la simplicidad: las muestras son agrupadas en grupos
distintos, aunque los niveles de corte son arbitrarios y dependen de la conveniencia.
- Desventajas de los dendrogramas: la jerarquía es irreversible; muestran solamente relaciones
entre grupos; la secuencia de individuos (muestras) es arbitraria y dos muestras adyacentes no
son necesariamente las más similares; y tienden a enfatizar discontinuidades.
• Recomendaciones: es preferible emplear un método adicional de presentación para mostrar las
relaciones individuales.
EJEMPLOS
Ekofisk presence-absence data. Clasificación analysis. Numbers
refers to sites; letters to groups of stations separated at 60 %
similarity level, except for group d where the 2 sites are separated
at 50% level.
Resultados de la Clasificación
a) Grupo y enlace
Método SIMPROF (Prueba de perfil de similaridad)

La prueba de perfil de similaridad es una

prueba de permutación de la Ho “que un
grupo específico de muestras, el cual no
esta dividido a priori dentro de grupos, no
difiere de cada uno de los otros en una
estructura multivariada.
Ejecución directa de Simprof
 METODOS DE ORDENACION

• Ordenación: ordenamiento de objetos en algún número de dimensiones (preferiblemente

pocas) de tal manera que produzca algún patrón de respuesta del grupo de objetos (sitios,
especies, 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.

• Ordenación de un grupo de objetos en el tiempo o en el espacio (e.g. a lo largo de un

gradiente ambiental).

• Objetivo: ayudar a generar hipótesis acerca de la relación entre la composición de especies

en un sitio y los factores ambientales subyacentes.
• Tipos de ordenación (análisis de gradiente): directa (Análisis de Redundancia, RDA; Análisis
de Correspondencia Canónica, CCA; Análisis de Correspondencia Canónica Mejorada, DCCA) e
indirecta (Escalación Multi Dimensional,MDS; Análisis de Componentes Principales, PCA;
Análisis de Coordenadas Principales, PCoA; Análisis de Correspondencia o Promedios
Recíprocos,CA; Análisis de Correspondencia Mejorada, DECORANA).
3.2 ESCALACION NO METRICA MULTIDIMENSIONAL
(nMDS)
• Intenta construir un "mapa" de los sitios o lugares en los que las dos
muestras más similares en términos de abundancia (o biomasa) se encuentran
más cerca una de la otra.

• Punto de inicio: es una matriz de (dis)similaridades entre muestras.

• La extensión en la cual dichas relaciones pueden ser representadas

adecuadamente en un mapa bidimensional (3, o mas dimensiones) es resumido
por un coeficiente de stress.

• Es tal vez la técnica de ordenación más robusta, que utiliza solamente

información de rangos de orden de similaridades de la forma: "la muestra 1 es
más similar a la muestra 2 que ésta última a la muestra 3 o 4".

• 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.

• El éxito de un MDS para representar los datos está de acuerdo a:

- Stress < 0.05 implica excelente representación

- Stress < 0.1 bueno
- Stress < 0.2 aún útil, pero
- Stress > 0.3 un poco mejor que puntos al azar
EJEMPLOS
EKOFISK PRESENCE – ABSENCE DATA . MDS ORDINATION (Stress = 0.21)
Ejemplo
Kuskal fit scheme
Sobreposición de clusters sobre ploteos MDS
Sobreposición de trayectoria
Estudio del campo de petróleo de EKOFISK
Hacer click con el botón derecho del mouse sobre el gráfico, para rotar el eje X.
Para remover las etiquetas de los sitios:
Ploteos de burbuja para especies
Duplicando gráficos
Sobre cada gráfico con el botón derecho del mouse, seleccionar: Special y en Variable
seleccionar la especie.
Ploteos de burbuja para datos ambientales
3.3 ANALISIS DE COMPONENTES PRINCIPALES
 Distancia Euclideana

Es la distancia natural entre cualquiera de dos puntos en el espacio.

Este es una ordenación de datos bi-
dimensionales sobre un mapa de 2
dimensiones.
Ordenación 1 - dimensional

Si pensamos en proyectar los puntos

del eje de la sp. 1 sobre un espacio
bidimensional, se observa que este es
un resumen 1-dimensional impreciso
de las relaciones de las muestras en
los datos completos de 2-
dimensiones. Por lo que es mas obvio
proyectar perpendicularmente los
puntos de la figura 1-dimensional
sobre la línea de “mejor ajuste” en el
ploteo bi-dimensional.

La ordenación 1-dimensional,
llamada el eje del primer
componente principal (PC1), es:
 Definición del eje PC1

La varianza explicada por cada PC:

Es una medida de la cantidad de
“información” contenida en cada eje; p.e. el
PC1 explica el m %, el PC2 explica el n % y
el PC3 explica solo el ñ % de la varianza en
las muestras originales.
a) PLOTEOS DRAFTSMAN (elección del tipo de transformación)
b) CON TRANSFORMACIÓN
c) ANALISIS DE COMPONENTES PRINCIPALES (ACP)
Ir a Analyse – PCA Plot results Score to worsheet OK
 Se observa la carga contaminante cambiando a lo
largo del transecto E – W de los sitios de muestreo.
Los puntos extremos S1 y S12 se encuentran cerca y
existe una fuerte tendencia de S1 hacia el centro de
descarga de desechos en S6 (derecha a izquierda
sobre el eje PC1) y una inversión de esa tendencia
desde S6 a S12, moviéndose mas allá del centro de
descarga.

Sin embargo, la trayectoria es algo diferente sobre el

eje del PC2, para ambos extremos del transecto (S1 y
S12).
Por otro lado, el ploteo de los vectores muestra que el
PC1 tiene una combinación con aproximadamente el
mismo peso de muchos de los metales pesados (Cu,
Zn, Cd, Pb, Cr, C, N pero no de Co, Mn, Ni y Prof).
La situación es inversa en el PC2, con el primer grupo
escasamente contribuyendo al total, pero el segundo
grupo decreciendo fuertemente en la dirección positiva
del PC2.
CONCLUSION: el PC1 caracteriza el principal
gradiente contaminante desde el sitio de descarga.
PCA de datos sobre biomarcadores
EL PCA 2-D MUESTRA LA SEPARACIÓN DE LAS RESPUESTAS DE LOS BIOMARCADORES DE LOS
PECES EN LAS 5 AREAS, CON EL SITIO 5 Y ESPECIALMENTE EL 3 EN LA DIRECCION DE LA
DISMINUCIÓN DE LA ESTABILIDAD LISOSOMAL Y DE LA PINOCITOSIS, Y NIVELES DE
INCREMENTO DE OXIDORADICALES, TAMAÑO DE LAS VACUOLAS LIPIDICAS, ETC (INDICANDO
STRES EN EL ORGANISMOS); QUE TIENDE A SEPARAR EL SITIO 7 Y PARTICULARMENTE EL 9 DEL
SITIO 6 DONDE SE ESTÁ INCREMENTANDO EL EROD Y LA TUBULINA, Y DISMINUYENDO LA
UBIQUITINA Y RETICULO ENDOPLASMATICO, ETC.
EL PCA 2-D MUESTRA LA SEPARACIÓN DE LAS RESPUESTAS DE LOS BIOMARCADORES DE LOS
PECES EN LAS 5 AREAS CON EL SITIO 5 Y ESPECIALMENTE EL 3 EN LA DIRECCION DE LA
DISMINUCIÓN DE LA ESTABILIDAD LISOSOMAL Y DE LA PINOCITOSIS, Y NIVELES DE
INCREMENTO DE OXIDORADICALES, TAMAÑO DE LAS VACUOLAS LIPIDICAS, ETC (INDICANDO
STRES EN EL ORGANISMOS); QUE TIENDE A SEPARAR EL SITIO 7 Y PARTICULARMENTE EL 9 DEL
SITIO 6 DONDE SE ESTÁ INCREMENTANDO EL EROD Y LA TUBULINA, Y DISMINUYENDO LA
UBIQUITINA Y RETICULO ENDOPLASMATICO, ETC.
Análisis multivariado (PCA y MDS) de diversidades
 PRUEBAS DE DISCRIMINACIÓN

ANALISIS DE SIMILARIDADES (ANOSIM)

• Utilizadas para probar las diferencias espaciales y temporales en
la estructura de la comunidad cuando las muestras son replicadas
adecuadamente y la hipótesis definida "a priori".

• Prueban la significancia de las diferencias entre sitios en el

campo o entre tratamientos bajo condiciones experimentales (e.g.
mesocosmo)
 ANALISIS DE SIMILARIDADES (ANOSIM)

ANOSIM - 1 via

• Prueba de aleatorización/permutación ANOSIM: pruebas formales de

significancia para probar la hipótesis nula (Ho) de "no hay diferencias entre
los sitios" (o entre grupos de sitios seleccionados), mediante permutaciones
de la matriz de rangos de similaridad. Si la Ho es falsa, significa que las
distancias entre réplicas dentro de los sitios son menores que las distancias
entre los sitios.

• El ANOSIM es un equivalente multivariado del clásico ANOVA (apropiado para

indices univariados, e.g. H', J', etc), que se aplica a métodos gráficos y
multivariados, siempre que las muestras tengan un a replicación adecuada en
cada uno de los sitios.

• El ANOSIM no hace la asumpción de normalidad multivariada en los datos o

de igualdad de varianzas.

• La prueba no está restringida a una replicación balanceada de los sitios (o

tiempos). Tiene amplia aplicabilidad, ya que puede ser usado con cualquier
matriz de (dis) similaridad.

• Constituye un análisis adicional importante que brinda objetividad,

complementando a otros tipos de análisis como los de Clusters y MDS.
• La prueba de aleatorización ANOSIM es utilizada a un nivel de
significancia de P>0.05 para confirmar diferencias entre grupos de
sitios con similares ensambles de especies identificados en
ordenaciones MDS.

• El ANOSIM es una prueba conservativa que determina si las

muestras que parecen estar agrupadas in clusters separados
realmente lo hacen para formar grupos distintos.

• Una prueba estadística es calculada basada sobre la diferencia

en el rango de disimilaridades promedio entre y dentro de los
grupos; las muestras son luego repetidamente reasignadas
aleatoriamente para grupos diferentes y en cada vez el estadístico
es otra vez calculado. El ANOSIM luego termina si el estadístico
derivado a partir de los agrupamientos originales es
significativamente diferente de aquellos derivados de los
agrupamientos aleatorios.

Estadistico Global Test (R):

R = 1; indica diferencias significativas entre muestras (todas las réplicas dentro
de los sitios son mas similares que cualquiera de las réplicas entre sitios).
R = 0; representa la Ho (no hay diferencias significativas entre muestras)
R<0, es posible, pero solo significativamente si el diseño experimental está
incorrectamente especificado.
a) 1- WAY ANOSIM (Replicación no balanceada) (Ejem: WA fish diet)
b) 1 – WAY ANOSIM (Biomarcadores)
c) 2 – WAY CROSSED ANOSIM CON REPLICACION (Ejem: estudio de cangrejos de Tasmania)
b) 2 – WAY CROSSED ANOSIM CON REPLICACION (Ejem: estudio de cangrejos de Tasmania)
d) 2 – WAY NESTED ANOSIM (B dentro de A) (Ejemplo: macroalga Calafuria).
e) 2 – WAY CROSSED ANOSIM (SIN REPLICACION) (Ejemplo: nemátodes del estuario Exe).
3.6 ANALISIS DE CONTRIBUCION DE ESPECIES (SIMPER)
3.6 RUTINA BIOENV (BIOTIC – ENVIRONMENT RELATIONSHIP)
Con el archivo de datos bióticos (abundancia):
Con el archivo de variables ambientales:
Para transformación log de algunas variables, resaltar las columnas PO4, TotP, etc.
Tranformaciòn: log(V)

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