Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/257029409
CITATIONS READS
37 5,723
3 authors:
Bertha Peña
Universidad Nacional Autónoma de México
20 PUBLICATIONS 287 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Study of aquatic species hard structures and population ecology for their assessment and management as natural resources View project
All content following this page was uploaded by Isaias Hazarmabeth Salgado-Ugarte on 04 June 2014.
i
FACULTAD DE ESTUDIOS
SUPERIORES ZARAGOZA
UNIVERSIDAD NACIONAL
AUTÓNOMA DE MÉXICO
ii
Métodos Actualizados Para Análisis de Datos Biológico-
Pesqueros
ISBN: 970-32-3120-9
iii
Métodos Actualizados Para
Análisis de Datos Biológico-
Pesqueros
iv
PRÓLOGO
La Biología Pesquera, a lo largo de su historia, ha utilizado una serie de
métodos y técnicas estadístico-matemáticas que han evolucionado junto
con la disponibilidad de recursos de cómputo. Al grado que, si bien cada
vez son más complejos, también describen con mayor precisión los
procesos biológicos reales, funcionando mejor como herramientas de
pronóstico y soporte para la toma de decisiones.
v
vi
PREFACIO
Para lograr un manejo sustentable de recursos pesqueros es
indispensable el conocimiento de aspectos biológicos básicos de las
especies involucradas. Recientemente, además del conocimiento biológico
y ecológico, se ha convertido en un requisito de suma importancia el
manejo adecuado de métodos analíticos cuantitativos por computadora.
Una vez que se tiene una idea más clara de la modalidad de una
distribución, es posible visualizarla como una mezcla de distribuciones
individuales que pueden ser de tipo Gaussiano. En el capítulo 4 se han
incluido rutinas para identificar y caracterizar componentes gaussianos
individuales en dicha mezcla.
vii
Las modas en una distribución de tallas pueden interpretarse (bajo
ciertas condiciones) como grupos de organismos con edad semejante. Por
tanto, esta información es valiosa para conocer un aspecto fundamental
en el entendimiento de la Biología de cualquier especie: el crecimiento.
En el capítulo 5 se proporcionan fundamentos teóricos para la
comprensión del incremento en tamaño con el tiempo sea por la
identificación de grupos de edad basados en las modas de talla o por la
lectura de marcas periódicas formadas en estructuras duras.
viii
Dentro de la ecología de las especies, el conocimiento de las
relaciones tróficas es un aspecto fundamental. Los datos de repleción
gástrica pueden utilizarse para inferir relaciones importantes como la
intensidad de alimentación, los patrones de forrajeo o la existencia de
restricciones ambientales en la alimentación. En el Capítulo 10 se
incluye la propuesta de utilizar el ANMUCOVA como forma alternativa a
los índices tradicionales, para entender la variación de los pesos
ajustados por tallas de los contenidos estomacales y poder así tener una
idea más clara de las características ambientales en relación a la
cantidad global del alimento ingerido por los organismos. En la última
parte de este capítulo se incluye una comparación del desempeño de los
índices tradicionales (incluyendo a los reproductivos) y las medias
ajustadas por tamaño del ANMUCOVA.
ix
x
AGRADECIMIENTOS
Esta obra contiene capítulos modificados y actualizados del trabajo
doctoral del primer autor, por lo que se agradece a los Drs. Makoto
Shimizu y Toru Taniuchi por su apoyo durante la estancia de estudio en
el Laboratorio de Biología Pesquera (LBP) de la Universidad de Tokio en
Japón. Asimismo agradezco al Dr. Katzumi Matsushita por su ayuda en
la obtención de los individuos del “suzuki” a partir de la captura
comercial llevada a cabo en la Bahía de Tokio y al Dr. Mitsuhiko Sano
por su auxilio académico tanto en laboratorio como en campo. Se
agradece también a los Drs. Yoshiharu Matsumiya, Kenji Uemura y
Hirohisa Kishino por su revisión crítica de varias partes del manuscrito
Gracias a los egresados del LBP Dr. Wen Yie Chen, Dr. Jun Ohtomi,
Dr. Toshihiro Horiguchi, Dr. Yutaka Kurita, Dr. Shinji Uehara y Dr. Kou
Ikejima, así como al M. en C. Kouichi Takeno por su ayuda técnica y
bibliográfica. A los estudiantes (ahora Doctores y Maestros) Masahiro
Horinouchi, Atsuko Yamaguchi, Tomoko Seki, Yuki Tanaka, Takayuki
Matsumoto y Masuo Ida.
Especialistas y profesores de diferentes países proporcionaron
ayuda técnica y científica: Dr. Joe Hilbe (E.U.A.), Dr. Wolfgang Härdle, Dr.
Sigbert Klinke (Alemania), Dr. David W. Scott (E.U.A.), Dr. Peter D. M.
Macdonald (quien envió, desde Canadá y a costo reducido, una versión
reciente de su programa para descomposición de distribuciones
mezcladas, Mix) y Dr. T. Akamine (Japón).
Manifestamos nuestro agradecimiento al personal de Stata
Corporation (a través de Patricia Branton), así como a los anteriores
editores del Stata Technical Bulletin (STB), Drs. Joe Hilbe y Sean Becketti
así como al editor actual del Stata Journal, Dr. Joseph Newton por su
labor en la edición y revisión de los artículos publicados relacionados con
la presente obra. Por supuesto, cualquier error remanente es
responsabilidad de los autores.
Varios capítulos se enriquecieron con las sugerencias de
estadísticos y profesores de diferentes países: Dr. Andrew G. Henley
(Dept. de Economía, Universidad de Kent, Canterbury R.U.), Dr. Rainer
Schnell (Universidad de Mannheim, Alemania) y Dr. Stephen Jenkins
(Dept. of Economía, Universidad Colegio de Swansea, R.U.). Especial
reconocimiento se hace al Dr. Brian Ripley por su envío de resultados
obtenidos con sus programas y al Dr. Dario Ringach por su programa
para la prueba de unimodalidad.
El Dr. Mario Ishiki Ishihara y la M. en C. Erika Ishiki (entonces en
la Universidad de Hiroshima) asistieron al primer autor durante su
estancia en dicha ciudad.
Se agradece a la Ing. Ana Cecilia Padilla, Ing. Iván Montes de Oca y
Act. Victor Javier Arrieta de la Dirección de Cómputo Académico
xi
Administrativo (D.C.A.A.) de la U.N.A.M. por su ayuda en el uso del
paquete SPSS del servidor de dicha dirección.
Los capítulos escritos como parte de la tesis de grado (PhD in
Aquatic Bioscience) del primer autor en Tokio fueron apoyados por el
Ministerio de Educación, Ciencia y Cultura de Japón y por la
Universidad Nacional Autónoma de México, Facultad de Estudios
Superiores Zaragoza y la Dirección General de Estudios del Personal
Académico.
Para el capítulo 2 y 3 se agradece además a la UNAM, DGAPA,
PAPIIT IN217596 así como a cinco revisores anónimos por sus valiosas
sugerencias y correcciones; asimismo a la FES Zaragoza – DGAPA,
PAPIME 192031 y a la Universidad Autónoma Metropolitana Unidad
Iztapalapa (UAMI) durante la estancia como profesor invitado y como
profesor titular de la Cátedra Divisional “Dr. Ramón Riba y Nava
Esparza” (CDRRNE) del primer autor.
La fundación UNAM apoyó a estudiantes durante la escritura del
capítulo 6. El capítulo 7 fue escrito durante la estancia del primer autor
en la UAMI como profesor titular de la CDRRNE. Se agradece a los Drs.
Ana L. Ibañez-Aguirre, Xavier Chiappa-Carrara y Manuel Gallardo
Cabello así como a la M. en C. Alicia Cruz-Martínez por su asistencia en
la elaboración de los programas de comparación de funciones de
crecimiento. Parte de los capítulos 9 y 10 fueron tomadas del trabajo
recepcional de los biólogos Rosario Pacheco Marin y Arturo Chirino
González.
Los Maestros Carlos Bautista Reyes y Rosalinda Escalante Pliego
del Laboratorio Multimedia de la FES Zaragoza diseñaron la portada, el
arte de medios y la interfase del CD acompañante.
Los autores agradecen a los estudiantes de la Maestría en Biología
de la UAMI y del Posgrado en Ciencias Biológicas por su contribución en
el uso y revisión de versiones preliminares tanto de texto como de los
programas. De igual forma se agradece a la Comisión Editorial del
Comité Académico de la Carrera de Biología y a la Jefa de la Carrera de
Biología Biól. Maricela Arteaga Mejía por facilitar los medios para
publicar la presente obra. El Dr. José Luis Arredondo Figueroa
(Universidad Autónoma Metropolitana, Iztapalapa) y el M. en C. Ernesto
Mendoza Vallejo (FES Zaragoza, UNAM) hicieron valiosos comentarios y
sugerencias. Se reconoce también la labor del Lic. Gabriel Reynoso
Torres, Jefe del Departamento de Medios Impresos por el registro oficial
de este libro como publicación formal de la UNAM ante la Secretaría de
Educación Pública y el Instituto Nacional del Derecho de Autor.
El primer autor dedica la obra a su esposa, Verónica Mitsui e hijas
Mitsui Myrna y Mayumi Ninfa así como a la memoria de su hermano
Alfonso Simitrio.
xii
Capítulo 1. Suavización no lineal
resistente de frecuencia de tallas
1.1 Introducción
El uso de las modas en distribuciones de frecuencia de tamaños de
animales acuáticos ha sido promovido por varios autores: Tanaka
(1962) cita el artículo de Buchanan-Wollaston y Hogson (1929) en el
cual los autores objetan la suavización de distribuciones con saltos de
frecuencia por medio de promedios móviles aún en casos de tamaños de
muestra reducida e insistieron en que los “saltos” individuales indican
modas significativas a las cuales deben ajustarse curvas Gaussianas.
Estos autores mostraron que pueden ajustarse curvas Gaussianas al
seleccionar tres puntos alrededor de la moda y ajustar una función
parabólica a sus logaritmos, pero sostuvieron que un ajuste “a mano”
también pudiera ser adecuado.
El método propuesto por Tanaka (1962) es un derivado del
método de Buchanan-Wollaston y Hogson. Tanaka reconoció que
aunque pudiera ser mejor que otros procedimientos, depende
parcialmente del patrón de una distribución de frecuencias con modas
claramente separadas.
A pesar del rechazo temprano a la suavización (por promedios
móviles) de distribuciones de frecuencia de tamaños, Taylor (1965)
arguyó que métodos gráficos como los de Buchanan-Wollaston y
Tanaka dependen en gran parte de que la población tenga un delineado
muy suave. Sin embargo, los autores citados hicieron notar que
muchas investigaciones biológicas como las de Hardisty y Taylor (1965)
no producen curvas multimodales suaves del tipo requerido debido al
tamaño pequeño de la población total.
Taylor presenta algunos ejemplos del análisis con polígonos de
frecuencia de colecciones mensuales de ammocoetes (lampreas de
arroyo) del río Honddu (Hardisty, 1961) graficados con intervalos de
clase de 1 mm. Este autor comentó que cuando los datos biológicos son
relativamente abundantes y el número de componentes curvos es
pequeño, son adecuados procedimientos analíticos simples como el
utilizar papel con escala probabilística. Para distribuciones Gaussianas
Harding (1949) describió el método y Morrison Cassie (1962), amplió el
alcance de este tipo de análisis. Aunque estos métodos facilitan el
análisis de curvas de muchas distribuciones polimodales, es
extremadamente difícil aplicarlas satisfactoriamente cuando los datos
son pocos y/o muchas curvas forman la distribución compuesta.
Su argumento es que debido al tamaño pequeño de los animales y
al gran número de curvas componentes, el análisis utilizando a los
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
2
Métodos actualizados para análisis de datos biológico-pesqueros
3
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
4
Métodos actualizados para análisis de datos biológico-pesqueros
5
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
6
Métodos actualizados para análisis de datos biológico-pesqueros
que puede significar que los datos son interpretables a la luz de ideas
preconcebidas acerca de la biología de la especie o del hábitat. En la
literatura, los gráficos de probabilidad raramente se incluyen y los
autores por lo general sólo reportan el número de clases de edad y sus
tamaños sin detalles adicionales.
Macdonald y Pitcher (1979) consideran que un procedimiento
más satisfactorio es estimar los parámetros de una mezcla de
distribuciones por medio de un procedimiento matemático para
optimizar el ajuste de una función de distribución definida por los
parámetros estimados al histograma observado. Lo anterior reduce
considerablemente el elemento de subjetividad en el análisis y permite
establecer intervalos de confianza alrededor de las estimaciones
puntuales de los parámetros, lo que no es posible con el empleo de
métodos gráficos.
Uno de tales métodos para estimar los parámetros de una
muestra de una distribución mezclada agrupada en intervalos
semejantes fue descrito por Hasselblad (1966), y un programa para
efectuarlo fue propuesto por Abramson (1970). Macdonald y Pitcher
(1979) revisaron los métodos disponibles y describieron un
procedimiento muy semejante para estimar los parámetros. Su método
trabaja en datos agrupados y se dispone de un programa
computarizado para llevarlo a cabo (Macdonald, 1980). Estos métodos,
sin embargo, no son completamente objetivos. Deben de tomarse
decisiones acerca de cuantas clases de edad se trata de ajustar al inicio
y que hacer si no se obtiene una solución satisfactoria para un número
dado de grupos de edad.
En su artículo, Grant et al. (1987) presentan información
adicional sobre las condiciones en las cuales los parámetros de la
mezcla de distribuciones puede estimarse satisfactoriamente utilizando
uno de los métodos óptimos y anotan acerca de los tamaños de muestra
necesarios para generar límites de confianza satisfactorios. Estos
autores extrajeron muestras aleatorias de poblaciones definidas por
mezclas de distribuciones normales y utilizaron el método de
Macdonald y Pitcher's (1979) para intentar recobrar los parámetros de
la población original.
Estos autores encontraron que, aún utilizando un método
eficiente como el de Macdonald y Pitcher (1979) puede ser muy difícil
recobrar parámetros demográficos únicamente a partir de datos de
frecuencia de talla. Estimaciones satisfactorias sólo se obtienen si las
clases de edad tienen tamaños medios bien separados o el tamaño de la
muestra es muy grande. Con más clases de edad el desempeño también
se deteriora. Cohen notó que es esencial que el número de clases de
edad sea conocido y que a menos que la separación de las medias de
componentes sea suficiente para producir una moda distinguible para
cada componente, es muy probable que las estimaciones no sean
confiables. Esto implica que si el método de Petersen (1891) no funciona
7
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
8
Métodos actualizados para análisis de datos biológico-pesqueros
9
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
10
Métodos actualizados para análisis de datos biológico-pesqueros
talla más adecuado para agrupar datos longitud, tal como el de Wolff
(1989), puede sólo ser útil para proporcionar estimaciones gruesas. La
sugerencia de Caddy (1966), de que el tamaño de intervalo escogido
debiera ser aquél que permite de 6 a 7 intervalos por moda para
tamaños de muestra de 300-800, fue respaldada por algunos de los
resultados. Para especies de corta vida, crecimiento rápido y mortalidad
relativamente elevada (especies de tipo engraulidos/clupeidos), el
número medio de intervalos por moda correspondientes al
agrupamiento de los tamaños se igualó a 6.1 para tamaños de muestra
de 500 a 1000. Lo anterior puede servir como una regla útil para
seleccionar la amplitud de intervalos con fines al AFL para especies de
vida corta. Para especies longevas de crecimiento lento y mortalidad
relativamente baja (especies como lutjánidos/espáridos), el número
medio de intervalos por moda para n = 100 fue de sólo 4.5, pero con la
tendencia observada del decremento de la amplitud óptima de intervalo
al incrementarse el tamaño de muestra es altamente probable que este
valor aumentaría con tamaños de muestra mayores a 1000. En general,
los resultados indicaron que se requieren tamaños de muestra mucho
más grandes que aquellos utilizados en dicho estudio para identificar
una proporción significativa de las modas en una distribución de
frecuencia de longitudes por el método de Bhattacharya.
Claramente se requieren muestras muy grandes para identificar
más de la mitad de los grupos de edad en una distribución y el
resultado es afectado por la amplitud del intervalo en el agrupamiento.
Agrupando los datos de longitud en clases de diferente amplitud parece
ser una buena estrategia que puede llevar a la identificación de una
mayor proporción de las modas.
11
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
1. 2 Métodos
Suavizador no lineal resistente 4253EH,doble. Los suavizadores
resistentes tienen como núcleo el uso de medianas corredizas. Las
medianas corredizas, como los promedios móviles, involucran el uso de
una ventana de varias observaciones que definen la “amplitud” del
suavizador. El más simple es una mediana corrediza de amplitud tres,
que consiste en el desplazamiento de una ventana de tres observaciones
y el cálculo de la mediana de cada grupo de tres.
Es fácil de apreciar de que si existe un pico extraordinario aislado
en cualquier grupo de tres valores, la mediana corrediza la eliminará.
Sin embargo, no puede eliminar dos saltos extraordinarios adyacentes
en la serie. La resistencia de las medianas corredizas es una función de
su amplitud. De esta forma, una mediana corrediza de amplitud 5
puede eliminar la influencia de uno ó dos casos extraordinarios
consecutivos en la secuencia (pero no tres; una mediana corrediza de
amplitud 7 eliminará hasta tres valores extraordinarios (siendo afectada
sólo por cuatro extraordinarios consecutivos). A pesar de su resistencia,
las medianas corredizas simples de amplitud impar no producen
secuencias verdaderamente suaves. A este respecto, las medianas
12
Métodos actualizados para análisis de datos biológico-pesqueros
13
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
14
Métodos actualizados para análisis de datos biológico-pesqueros
7 clases 9 clases
17 clases 25 clases
15
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
16
Métodos actualizados para análisis de datos biológico-pesqueros
La Figura 1.3 muestra los resultados con los mismos cinco niveles de
ruido pero con 17 clases. Los estimados suavizados se apartan de la
distribución Gaussiana original sólo con valores de ruido por arriba del
100%.
17
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
Diferencias logarítmicas de frecuencia
18
Métodos actualizados para análisis de datos biológico-pesqueros
19
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
2 2
1 1
0 0
-1 -1
-2 -2
0 50 A) 100 150 0 50 B) 100 150
2 2
1 1
Diferencias logarítmicas
0 0
-1 -1
-2 -2
0 50 100 150 0 50 100 150
C) D)
2 2
1 1
0 0
-1 -1
-2 -2
0 50 E) 100 150 0 50 F) 100 150
Longitud (cm)
20
Métodos actualizados para análisis de datos biológico-pesqueros
Intervalos de clase de 10 mm
SumaGaussiana
Frec. suavizada
Frecuencia
21
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
Intervalos de clase de 10 mm
Suma
Gaussiana
Frec.
suavizada
Frecuencia
22
Métodos actualizados para análisis de datos biológico-pesqueros
o Frec.
Original
__
Frec.
suavizada
Frecuencia
23
Capítulo 1. Suavización no lineal resistente de frecuencia de tallas
1.4 Conclusiones
24
Capítulo 2. Análisis de frecuencia
de tallas por histogramas
desplazados promedio y
estimadores de densidad por
kernel
2.1 Introducción
Tradicionalmente, para analizar datos de frecuencia de tallas se han
empleado histogramas y polígonos de frecuencia. La mayor parte de las
veces en estos procedimientos gráficos el eje vertical (“y”) representa el
número (frecuencia) de las observaciones que pertenecen a un intervalo
(clase) aunque pueden utilizarse escales de porcentajes ó fraccionarias.
Otra forma menos conocida de representar el eje de las ordenadas es la
escala de densidad definida como la frecuencia del intervalo dividida por
el producto del número total de observaciones con la amplitud de clase.
Por tanto, los histogramas y los polígonos de frecuencia son también
estimadores de la distribución de densidad del conjunto de datos.
A pesar de su amplio uso, estos estimadores de densidad pueden
ser muy burdos para propósitos detallados del análisis de la
distribución (Tarter y Kronmal, 1976). Existen cuatro problemas cuando
se usan histogramas (Fox, 1990):
1. Dependencia en el origen. El investigador debe escoger la
posición del origen de los intervalos (a menudo usando números
redondeados convenientemente). Esta subjetividad puede llevar a
estimaciones confusas debido a que un cambio en el origen puede
cambiar el número de modas en la estimación de densidad (Silverman,
1986; Fox, 1990; Scott, 1992). La Figura 2.1 muestra los datos de
longitud estándar (mm) de la trucha coralina (Plectropomus leopardus,
Serranidae) reportados por Goeden (1978). Cada histograma de a) a e),
utiliza la misma amplitud de intervalo (h = 38) pero con origen diferente
(193.8, 201.4, 209, 216 y 224.2, respectivamente). Como puede
observarse, existen histogramas bimodales, trimodales y tetramodales.
Sería arbitrario escoger alguno de estos histogramas para representar la
distribución de longitudes. Desafortunadamente, este ejercicio de
dibujar varios histogramas con el origen desplazado pueden conducir al
analista a seleccionar (intencionalmente o no) aquél que mejor se ajuste
a sus propósitos.
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
.23 .25
Fracción
Fracción
0 0
193.8 611.8 201.4 619.4
.25 .245
Fracción
Fracción
0 0
209 589 216.6 596.6
.2 .006
Densidad
Fracción
0 0
224.2 604.2 178.6 627
Longitud Longitud
Figura 2.1. Cinco histogramas con orígenes diferentes y el HDP
correspondiente para los datos de longitud de la trucha coralina
26
Métodos actualizados para análisis de datos biológico-pesqueros
ejemplo, considerar las Figuras 2.2 y 2.3 para los datos de trucha
coralina.
.4
.3
Fraction
.2
Fracción
.1
0
200 300 400 500 600
Length (mm)
Longitud (mm)
Figura 2.2. Histograma con cinco intervalos para los datos de
longitud de la trucha coralina
.08
.06
Fraction
Fracción
.04
.02
0
200 300 400 500 600
Length (mm)
Longitud (mm)
27
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
) 1 n x− X
f ( x )= ∑ K ( i
) (2.1)
hn i =1 h
)
donde f (x ) es la estimación de densidad de la variable x, n es el
número de observaciones, h es la amplitud de banda (intervalo) o
parámetro de suavización y K(•) es la función kernel, suave, simétrica
con integral igual a la unidad. El Cuadro 2.1, adaptado de Härdle
(1991), lista algunas funciones kernel más comunes.
28
Métodos actualizados para análisis de datos biológico-pesqueros
29
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
30
Métodos actualizados para análisis de datos biológico-pesqueros
2.3 Resultados
El histograma con la amplitud de banda óptima Gaussiana (Scott,
1979) h = 38, y origen en 133 se presenta en la Figura 2.4. La
estimación sugiere la multimodalidad de los datos pero no provee
suficiente detalle. La estimación resultado del promedio de cinco
histogramas desplazados en su origen (Figura 2.5) revela claramente la
existencia de al menos cuatro modas aún cuando se usa el mismo
ancho de banda (h = 38). El origen de la trama usada para los cálculos
ya no es importante. La estimación de densidad por kernel Gaussiano
con la amplitud de banda propuesta por Silverman (1986) h = 20
muestra una estimación suave con cuatro modas un poco
sobresuavizadas (Figura 2.6). Utilizando este valor óptimo como límite
superior, se probaron valores menores hasta llegar a la elección final.
La estimación de densidad por kernel Gaussiano de amplitud de banda
variable con amplitud de banda (media geométrica) de h = 5 se incluye
en la Figura 2.8. Se incluyen también los componentes Gaussianos
estimados por el método de Bhattacharya. El gráfico de Bhattacharya
para el EDK se muestra en la Figura 2.7 con los componentes
Gaussianos claramente sugeridos por los segmentos lineales con
pendiente negativa, en contraste con la gráfica ruidosa obtenida al
utilizar el esquema original de agrupamiento. El Cuadro 2.2 presenta
los parámetros estimados para los componentes Gaussianos
identificados. Se usaron las medias de los componentes 1 a 6
(excluyendo al componente 2a) para estimar la función de crecimiento
de von Bertalanffy por medio de regresión no lineal:
31
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
.00
.00
Densida
.00
.00
0
13 24 35 47 58 70
Longitud (mm)
32
Métodos actualizados para análisis de datos biológico-pesqueros
.00
.00
Densida
.00
0
20 40 60
Longitud (mm)
.00
.00
Densidad
.00
0
14 28 42 56 70
Lengitud
33
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
3
1
2 3
1
Diferencias logarítmicas
. 8
9 2
1 2 3
1 2
4 1
3
2 2
1
4 4
4
0 1
33
2 4 4
1 3 4
1 1
2 3
22
7 3
5
2 4
4
- 1 3
4
3
6 4
-
20 30 40 50 60
Longitud (mm)
1
Frecuencia
0
20 30 40 50 60
Longitud (mm)
34
Métodos actualizados para análisis de datos biológico-pesqueros
35
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
36
Métodos actualizados para análisis de datos biológico-pesqueros
37
Capítulo 2. Análisis de frecuencia de tallas por histogramas desplazados promedio y
estimadores de densidad por kernel
38
Capítulo 3. Evaluación no
paramétrica de la multimodalidad
en distribuciones de tallas
3.1 Introducción
40
Métodos actualizados para análisis de datos biológico-pesqueros
Sexo
Muestra
Hembras Inmaduroso
Número Fecha Total
6 19/02/94 4 14 18
7 16/03/94 13 1 14
8 14/04/94 4 1 5
9 13/05/94 10 0 10
Total 31 16 47
3.3 Resultados
41
Capítulo 3. Evaluación no paramétrica de multimodalidad en distribuciones de tallas
2 75.8 0.01
3 31.8 0.32
4 20.12 0.32
5 16.99 0.18
6 11.96 0.48
7 8.9 0.57
8 8.73 0.35
NOTA: Los valores de p se obtuvieron de B = 100 réplicas bootstrap de
tamaño 47.
.00
.00
Densida
.00
0
- 64. 322. 580. 838.
Longitud patrón
42
Métodos actualizados para análisis de datos biológico-pesqueros
.00
.00
Densida
.00
0
- 0 13 26 39 52 66 79 92 1056
Longitud patrón
.00
.00
Densida
.00
0
- 219. 477. 735.
Longitud patrón
43
Capítulo 3. Evaluación no paramétrica de multimodalidad en distribuciones de tallas
.00
.00
Densida
.00
0
- 11 33 55 77 99
Longitud patrón
.01
.0
Densida
.00
0
98. 218. 338. 458. 578. 698.
Longitud estándar
44
Métodos actualizados para análisis de datos biológico-pesqueros
.003
.002
Density
.001
0
-257.6 110.4 478.4 846.4 1214.4
Body length (mm)
[
Lt = 773 .2976 1 − e 0.2068 ( t +1.0546 ) ] r 2 ajustada = 0.9986
3.4 Discusión
En los estudios de pesquerías, el uso de las modas en las distribuciones
de frecuencia de tallas de organismos acuáticos se ha promovido como
un intento de identificar grupos de peces con edad semejante. Esto
45
Capítulo 3. Evaluación no paramétrica de multimodalidad en distribuciones de tallas
.00
.00
Densida
.00
.00
0
60 24 42 60 78
Longitud estándar
46
Métodos actualizados para análisis de datos biológico-pesqueros
47
Capítulo 3. Evaluación no paramétrica de multimodalidad en distribuciones de tallas
3.5 Conclusiones
48
Métodos actualizados para análisis de datos biológico-pesqueros
Número de muestra
Edad 6 7 8 9 Total (Media)
a) Escamas
0 14 3 0 0 17 (168.18)
1 4 4 2 1 11 (257.10)
2 0 5 2 7 14 (361.29)
3 0 2 0 2 4 (462.00)
11 0 0 1 0 1 (760.00)
Total 18 14 5 10 47
b) Otolitos Completos
0 3 1 0 0 4 (164.00)
1 13 6 2 3 24 (230.96)
2 0 4 2 5 11 (362.00)
3 0 0 0 1 1 (394.00)
6 0 0 0 1 1 (454.00)
15 0 0 1 0 1 (760.00)
Total 16 11 5 10 42
c) Secciones de Otolitoss
0 17 1 0 0 18 (158.39)
1 1 8 2 3 14 (301.86)
2 0 3 2 6 11 (392.55)
5 0 0 0 1 1 (454.00)
14 0 0 1 0 1 (760.00)
Total 18 12 5 10 45
Nota: Los números de muestra corresponden a las siguientes fechas del
año de1994: 6 = 19/02; 7 = 16/03; 8 = 14/04; 9 = 13/05.
49
Capítulo 3. Evaluación no paramétrica de multimodalidad en distribuciones de tallas
FL Linf. = 724.43 O
ES
60
40 FL
20
0
0 5 1 15
1
Edad
50
Capítulo 4. Determinación semi-
gráfica de componentes
Gaussianos en distribuciones
mezcladas
4.1 Introducción
Las distribuciones mezcladas (por ejemplo, mezclas de distribuciones
Gaussianas) surgen frecuentemente en datos biológicos y ecológicos. En
las ciencias biológico-pesqueras, el análisis de estas mezclas de datos es
un tópico de particular importancia, sobre todo al estudiar la biología de
los organismos en áreas tropicales ó subtropicales. Una buena parte de las
muestras de longitudes de peces en estas regiones exhiben distribuciones
con modas múltiples. Desde Petersen (1892) se ha reconocido que estas
modas son evidencia de que la muestra contiene una mezcla de individuos
de varias generaciones. Muchas especies tienen un período reproductivo
corto que ocurre una vez al año. En estos caos, las modas pueden
identificarse con una generación en particular. La correspondencia entre
las modas y los grupos de edad es particularmente clara para los grupos
de edades jóvenes aunque se hace menos marcada en los grupos mayores
debido al sobrelape de las distribuciones de tamaño al irse aproximando
las generaciones al tamaño máximo de la especie.
El análisis de los datos de frecuencia de talla provee información
sobre la edad y el crecimiento que son necesarios para la evaluación del
stock. La dificultad de estimar las edades por métodos directos tales como
la lectura de estructuras duras o estudios de marca-recaptura explica un
poco la importancia del análisis de la distribución de los tamaños. Aún
cuando es posible realizar estudios directos para estimar la edad, el
análisis de la frecuencia de tallas es un método útil para la validación.
Se han propuesto una variedad de métodos, tanto gráficos como
analíticos para el análisis de distribuciones mezcladas de frecuencia y su
separación en componentes individuales. Estos métodos incluyen el uso de
papel en escala probabilística (Harding, 1949; Cassie, 1954), ajuste gráfico
a parábola por ensayo y error (Tanaka, 1962), diferencias logarítmicas
(Bhattacharya, 1967; Matsumiya, et al., 1991) y máxima verosimilitud
(Hasselblad, 1966). Otros procedimientos más sofisticados se han
publicado para el caso donde las modas de grupos de edad describen una
curva de crecimiento (Macdonald y Pitcher, 1979; Schnute y Fournier,
1980; Liu, et al., 1989). El problema general, cuando el número de modas
no se conoce de antemano, permanece como un tópico activo de
investigación.
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
52
Métodos actualizados para análisis de datos biológico-pesqueros
1000
900
800
700
Frecuencia
600
500
400
300
200
100
0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
Marcas de clase
6
8 9
10 11 12
3
13
14
15 16
30
0
17 18
19 20
22
21
26
23
24 27
25
28
-1
31
29
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
Marcas de clase
53
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
1100
1000
900
800
700
Frecuencia
600
500
400
300
200
100
0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
Marcas de clase
54
Métodos actualizados para análisis de datos biológico-pesqueros
.2
.15
Densidad
.1
.05
0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
Puntos medios
.2 26
2527
24
23 28 34
22 29 33 35
21 3032 36
31
20 37
Diferencias logarítmicas de frecuencia
19 38
39
40
18 41
1517 42
16
.1 43
44
4547
4648
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
7072
7173
74
75
76
77
0 78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96 104 139
97
98 105
103
99102106
101
100 140
107 138
108
-.1 109 122
121
123
110 120 124
111114
113
112115 119
116
118 125
117
126 137
127
128 133136
134
132
135
-.2 129
131
130
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
Puntos medios
55
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
250
200
Frecuencia suavizada
150
100
50
0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
Puntos medios
56
Métodos actualizados para análisis de datos biológico-pesqueros
57
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
2500
2000
1500
Frecuencia
1000
500
0
6 12 18 24 30 36
Longitud furcal (cm)
58
Métodos actualizados para análisis de datos biológico-pesqueros
.
1
2 2
Diferencias logarítmicas de frecuencia
12
8 11
4 25
0 13 16
19 20
6 15 17 18
9 14
21
10
22
5
-2
6 12 18 24 30 36
Longitud furcal (cm)
59
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
2500
2000
1500
Frecuencia
1000
500
0
6 12 18 24 30 36
Longitud furcal (mm)
Figura 4.9 Ajuste del primer componente Gaussiano para los datos de
longitud furcal del “kidai” (Dentex tumifrons)
60
Métodos actualizados para análisis de datos biológico-pesqueros
.
3
5
Diferencias logarítmicas de frecuencia
16 25
0 17
18
22
-5 19
6 12 18 24 30 36
Longitud furcal (cm)
61
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
.
11.05 15.32 19.89 23.62 26.57
2500
2000
Frecuencia
1500
1000
500
0
6 12 18 24 30 36
Longitud furcal (mm)
3000
Suma de Gaussianos estimados
2000
1000
0
0 1000 2000 3000
Frecuencia observada
62
Métodos actualizados para análisis de datos biológico-pesqueros
63
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
64
Métodos actualizados para análisis de datos biológico-pesqueros
15
10
Frecuencia
0
20 30 40 50 60
Longitud (cm)
2
18
Diferencias logarítmicas de frecuencia
5 60
1 33
42
3 22 55 63
35
5253
15 24 37 50
16 20 27 31 48
7 19 38 40
12 4 910 30 4445 47 51 62
0 23 34
6 25
32 46
14 36
21 26 29 54 56
28
11 39 49 64
43
41
-1 8 59 61
17
-2
20 30 40 50 60
Longitud (cm)
65
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
15
10
Frecuencia
0
20 30 40 50 60
Longitud (cm)
66
Métodos actualizados para análisis de datos biológico-pesqueros
2 71
Diferencias logarítmicas de frecuencia
1 72
4
3 5 33
1314 17 32 3435 52
2 1516 1819202122 51 53
6 2324 31 36 54
1 12 37 50
0 25 38 49 55
7 11 26 30 39 4445464748 56
62
4041 6061 63
10 27 29 4243 59
8 28 57 64
9 58
65
-1
66
-2
20 30 40 50
Longitud (cm)
67
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
.
25.52 30.03 34.24 41.15 45.79 49.59 53.44
15
10
Frecuencia
0
20 30 40 50 60
Longitud (mm)
68
Métodos actualizados para análisis de datos biológico-pesqueros
69
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
.
25.99 30.34 35.05 41.56 45.85 49.43 53.07
20
15
Frecuencia suavizada
10
0
20 30 40 50 60
Longitud (cm)
70
Métodos actualizados para análisis de datos biológico-pesqueros
71
Capítulo 4. Determinación semigráfica de componentes Gaussianos en
distribuciones mezcladas
72
Capítulo 5. Estimación de edad
y crecimiento por medio de
estructuras duras
5.1 Introducción
Determinar correctamente la edad de los animales acuáticos es una de las
tareas más importantes en biología pesquera y en general en la ciencia de
las pesquerías. La importancia asignada a la determinación de la edad
deriva del hecho de que mediante ella se llega a definir: la longevidad de
las especies, identificar las clases anuales que componen un efectivo,
determinar la edad de primera madurez y la tasa de reclutamiento
(Gulland, 1971; Everhart y Youngs, 1981).
El crecimiento o cambio en tamaño del pez puede ser evaluado sobre
el análisis de las tasas de desarrollo. Si la edad de un pez es desconocida,
como en los estudios de peces en ambientes naturales, entonces la
determinación de la edad viene a ser un prerrequisito importante y
necesario en tales estudios.
Conjuntamente con información sobre longitudes y pesos se logra
determinar el crecimiento y con esto, a través de una formulación
matemática adecuada, determinar las ganancias de biomasa utilizables (o
producción) bajo diversos esquemas de explotación.
Aunque han sido utilizados numerosos métodos para determinar la
edad de los peces, tres métodos generales predominan:
74
Métodos actualizados para análisis de datos biológico-pesqueros
5.2 Escamas
Las escamas permanecen en el más popular significado de estimar la edad
y calcular el crecimiento de los peces. Las escamas caracterizan la piel de
algunos peces, las de los teleósteos consiste de una capa ósea exterior y
una placa fibrilar interna constituida de fuertes láminas fibrosas apiladas.
Los tejidos que pueden contribuir a la formación de estas son el óseo,
dentina y esmalte.
El tejido óseo consiste de una matriz extracelular de fibras de
colágeno encajadas en una sustancia amorfa de polisacáridos de
proteínas. Esta matriz es colocada por células formadoras de hueso
llamadas osteoblastos que se han diferenciado de células
mesenquimatosas de la dermis. Los cristales de fosfato de calcio
(conocidos como hidroxiapatita) se unen a las fibras de colágeno y
constituyen el 70 % del hueso por peso. Conforme el hueso se desarrolla,
las células formadoras de hueso, ahora llamadas osteocitos, usualmente
son atrapadas en la matriz.
Las células formadoras de hueso son encontradas en la periferia de
la escama que se desarrolla. Como la matriz ósea se forma, las células se
mueven centrífugamente, lejos del centro de la escama.
Las escamas funcionan como apéndices especiales para la
protección de la piel. Pueden ser clasificadas según su morfología en:
placoideas, romboideas, ctenoideas y cicloideas y por su estructura en:
placoides y no placoides (Ehrhardt, 1981; Lagler et al., 1984; Granado,
1996; Moyle y Cech, 2000). El crecimiento de estas escamas es tanto en la
superficie externa como en la interna. En la mayoría de este tipo de
75
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
escamas se reconoce una zona central denominada foco. Una vez formado
el foco, los círculos se van depositando uno a uno sobre la superficie de la
escama en relación con el crecimiento. Las escamas por encontrarse en un
repliegue de la piel cuentan con una parte externa y otra interna (figura
5.1).
La externa o margen posterior normalmente se encuentra
desgastada por la abrasión con el ambiente y por esto se hace difícil la
interpretación de las zonas de crecimiento. Por el contrario, por estar
protegida la porción interna o margen anterior se presentan los círculos
y estrías en forma mucho más clara.
76
Métodos actualizados para análisis de datos biológico-pesqueros
5.3 Otolitos
Los otolitos en los peces son parte del oído interno o laberinto. Cada uno
de los dos laberintos se encuentra próximo al cerebro y protegidos por los
huesos craneales. Anatómicamente, los laberintos están compuestos de
dos partes. la superior donde se ubica el otolito llamado utrículo y la
inferior donde se encuentra el sacculus y lagena. El laberinto es
membranoso y está lleno de un líquido denominado endolinfa.
Normalmente el sagitta es el otolito de mayor tamaño y por esta razón, es
el que siempre se utiliza en la determinación de la edad (figura 5.2). Los
otolitos están formados por material inorgánico compuesto principalmente
de carbonato de calcio en la forma de cristales de aragonita y entrelazados
por una matriz orgánica formada por proteína fibrosa (Granado, 1996).
77
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
5.4 Opérculo
Otras partes duras, las cuales por su forma de crecimiento dejan marcas
de discontinuidades del proceso metabólico que sufre el organismo a
través del tiempo son los huesos operculares. El opercular (figura 5.3b) es
uno de la serie de huesos operculares que componen la tapa o cubierta de
las branquias y es el más grande de la serie de huesos que conforman el
opérculo de los peces el cual se extiende hasta el extremo posterior de la
cabeza (Lagler et al., 1984 y Moyle y Cech, 2000).
El crecimiento de estos huesos en peces de aguas templadas ocurre
en forma radial hacia las zonas posteriores, quedando grabadas las zonas
de crecimiento rápido características de verano y que corresponde a
amplias zonas opacas, así como las líneas que representan disminución
del metabolismo durante el invierno. Dentro de los autores que han
utilizado esta estructura dura se encuentran Fagade (1974), Blake y Blake
(1978) y Blake y Blake (1981). Esta técnica por lo regular se realiza
78
Métodos actualizados para análisis de datos biológico-pesqueros
5.5 Vértebras
Son parte de la espina dorsal en donde el centrum crece en forma radial
depositando marcas en función de cambios en el metabolismo a través del
tiempo. Estos anillos sobre el centro vertebral (figura 5.3a), son el
resultado de las variaciones en la calcificación y ha sido usada ésta
estructura para determinar la edad en peces elasmobranquios, en los
cuales no se pueden utilizar la lectura de escamas u otolitos como en
ciertos teleósteos debido a la ausencia de marcas cíclicas (Casey, et al.,
1985, Stevens, 1975).
Las muestras de vértebras pueden ser obtenidas de tiburones
mantas y rayas, a las cuales se les elimina el tejido conectivo, se fijan en
etanol al 70% y se secan al aire. Una vez seca, se realizan secciones
longitudinales de un grosor aproximado de 0.1 a 0.2 mm. Se tiñe con
hematoxilina (Casey, et al., 1985) o con rojo de alizarina (Officer et al 1996)
o por técnicas de sustitución de metales tales como cobre, hierro y plomo
(Gelsleichter et al., 1998). Finalmente, se levan con agua destilada para
eliminar el exceso del colorante o metal y se secan al aire. Se revisan en un
microproyector para contar y medir los anillos.
En particular se han usado observaciones de secciones del centrum
para estimar las edades de atunes y tiburones (Smith, 1984; Prince et al.,
1985). Como en los otolitos todas las partes de la vértebra no crecen
proporcionalmente. Aunque la interpretación de éstas secciones ha sido
validada en algunos casos, existen dudas en las zonas de crecimiento que
aparecen en algunas partes de la vértebra sean realmente anillos. El
cleitrum y otros huesos en la cabeza han sido usados por algunos
investigadores, sin embargo, son de menor uso que otras estructuras.
79
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
80
Métodos actualizados para análisis de datos biológico-pesqueros
pueden ser difíciles de interpretar para el primero o segundo año, pero son
adecuados cuando los peces son adultos (Beamish y Chilton, 1977).
81
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
5.8 Crecimiento
El estudio del crecimiento individual es esencial para la aplicación de los
modelos analíticos. Aunque es observado rápidamente y se mide
fácilmente, el crecimiento es una de las más complejas actividades del
organismo. Representa el resultado neto de una serie de procesos
conductuales y fisiológicos que se inician cuando el alimento es consumido
y termina en la depositación de sustancia animal. Los procesos de
digestión, absorción, asimilación, gasto metabólico y excreción, todos
interrelacionados afectan el producto final (Wootton, 1990).
El crecimiento es un parámetro básico para el análisis de las
pesquerías, ya que implica el incremento en biomasa de la población y
para su determinación es importante establecer la edad de los organismos.
El término crecimiento significa cambio en magnitud. La variable de
cambio puede ser la longitud u otra variable de dimensiones físicas,
incluyendo el volumen, peso o masa de un organismo completo o partes de
tejido corporal; puede estar relacionado con el contenido de proteína,
lípidos u otro constituyente químico del cuerpo, o puede estar relacionado
con el contenido calórico (energía) del cuerpo o de alguna parte de él
(Weatherley y Gill, 1987).
El crecimiento es el proceso de incremento o desarrollo progresivo de
un organismo. Aunque en la actualidad es un proceso muy complejo, se
puede medir el crecimiento por el cambio en longitud o peso de un pez
individual o un grupo de peces entre dos tiempos de muestreo. El
crecimiento de una población puede referirse al cambio en el número de
peces observado a diferentes tiempos (Everhart y Youngs, 1981).
Los organismos en general sufren cambios a lo largo de su vida, en
particular los cambios más notables son en las etapas iniciales. Vasnetsov
(citado en Ricker, 1975; 1979) les llama stanzas o estados de crecimiento, o
algunos autores les han denominado formas vitales (Guzmán, 1987) y se
caracterizan por cambios en la estructura o fisiología del organismo, casos
82
Métodos actualizados para análisis de datos biológico-pesqueros
En general, salvo para la fase más temprana del ciclo vital, el crecimiento
de los individuos de las especies explotadas se va haciendo
progresivamente más lento al aumentar la edad (figura 5.4):
Pueden apuntarse dos excepciones a esta regla: la diferencia de
crecimiento de una estación a otra dentro de un año y el crecimiento
brusco que sufren las especies de crustáceos tras la muda; estos hechos
deben ser mantenidos en cuenta en cada caso específico, ya que pueden
modificar sensiblemente los resultados de una evaluación. Sin embargo,
no contradice el principio general de un crecimiento que se hace cada vez
más lento con la edad (Pereiro, 1982).
83
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
84
Métodos actualizados para análisis de datos biológico-pesqueros
IL = L2 - L1; IP = P2 - P1
85
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
86
Métodos actualizados para análisis de datos biológico-pesqueros
(c/b)
t0 =
k
87
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
88
Métodos actualizados para análisis de datos biológico-pesqueros
Lt+1 = = a + b (Lt)
89
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
30
10
Loo
0
0 10 20 30 40 50 60
L(t)
90
Métodos actualizados para análisis de datos biológico-pesqueros
en donde:
a = L∞ (1 - exp[-k])
b = - (1 - exp[-k])
12
10
Pendiente= exp(-∆t*K) - 1
8
L(t+Dt) -L(t)
2
Loo = -a/b
0
0 10 20 30 40 50 60
L(t)
91
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
∆L L(t + ∆t ) − L(t)
= cm/año
∆t ∆t
∆L
= a + bL(t)
∆t
∆L
= k * (L∞ - L(t))
∆t
∆L -
= kL∞ - k L(t) .....................................(5.12)
∆t
−
Sólo si ∆t es pequeño, L(t) puede ser una aproximación razonable de
la talla media. Sin embargo, ∆t no necesita ser una constante, lo cual es
una importante ventaja por sobre otros métodos.
−
De la ecuación (5.12) se desprende que si L(t) = L∞ entonces ∆L/∆t =
k(L∞ - L∞) = 0; esto quiere decir que cuando el pez alcanza la talla L∞ la
tasa de crecimiento pasa a ser cero y por lo tanto, L∞ es la talla promedio
máxima para un pez. Si esto se hiciera gráficamente el punto en donde la
−
línea de regresión alcanza al eje x, equivale a ∆L/∆t = 0 y el valor de L(t)
corresponde a L∞.
92
Métodos actualizados para análisis de datos biológico-pesqueros
−
Si se usa L(t) como la variable independiente y ∆L/∆t como la
variable dependiente, la ecuación (12) se transforma en una regresión
lineal (Figura 5.7):
∆L -
= a + b L(t)
∆t
donde:
k = -b y L∞ = -a/b (Sparre y Venema, 1997)
25
20
15
∆L/∆t
Pendiente = -k
10
Loo= -a/b
0
20 25 30 35 40 45 50
Lt =[L(t+∆t)+L(t)] / 2
93
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
94
Métodos actualizados para análisis de datos biológico-pesqueros
K=b
t0 = -a/b
2.5
-ln [1 - L(t)/Loo]
2 Pendiente = k
1.5
1 to = -a/b
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5
t
95
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
Una regresión lineal de ln (L∞ - Lt) contra la edad (t) resultaría en una
recta de pendiente b = -k y con un valor de intercepto a = ln L∞ + kt0
(Figura 5.9).
Donde:
K = -b
a = ln L∞ + k t0 (Pereiro, 1982)
2.50
2.00
1.50 Pendiente = -k
1.00
0.50
0.00
0 1 2 3 4
t
96
Métodos actualizados para análisis de datos biológico-pesqueros
97
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
98
Métodos actualizados para análisis de datos biológico-pesqueros
99
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
− k (t −t )
W = Woo (1− e o )3 von Bertalanffy
t
1) La curva de von Bertalanffy (aplicada por la forma propuesta por
Beverton y Holt) fue primero aplicada en longitud y el peso se asume con
relación al cubo ((valor que ha sido muy discutido por diversos
investigadores, debido a que el valor difiere de tres en muchos peces)
2) La curva de Gompertz puede en algunas situaciones ser simple para
combinarse con otras expresiones exponenciales (tal como las de
mortalidad) que la curva de von Bertalanffy.
3) Ambas curvas requieren el cálculo de tres constantes (G, g y Wr para la
de Gompertz; K, to y W∞ para la de von Bertalanffy), así que la
complejidad del ajuste debe ser similar.
Para el cálculo de la curva de Gompertz se utiliza la técnica
analógica computarizada de Silliman (1967) y para la curva de von
Bertalanffy el método de Beverton y Holt (1957).
100
Métodos actualizados para análisis de datos biológico-pesqueros
101
Capítulo 5. Estimación de edad y crecimiento por medio de estructuras duras
102
Capítulo 6. Métodos
computarizados para estimación
del crecimiento a partir del
análisis de frecuencia de tallas y
lectura de partes duras
6.1 Introducción
En la actualidad, se reconoce que el propósito del manejo de pesquerías es
asegurar una producción sostenible a lo largo del tiempo de las
poblaciones (stocks) de peces a través de acciones regulatorias y de
mejoras sin olvidar la promoción de bienestar económico y social de los
pescadores y las industrias asociadas. Para lograr este propósito, las
autoridades responsables del manejo deben diseñar, justificar
(políticamente) y administrar (forzar) una colección de restricciones sobre
la actividad pesquera (Hilborn y Walters, 1992). Estas decisiones deben
estar basadas en el conocimiento biológico de las especies explotadas y
esta actividad es un sinónimo de evaluación de stocks. Es necesario
considerar que una vez que la evaluación se completa, la elección entre
varias opciones de manejo puede producir el mismo rendimiento biológico.
Por último (de acuerdo a Hilborn y Walters, 1992), la evaluación de las
poblaciones debiera proporcionar estimaciones acerca del compromiso
entre rendimiento promedio y su variabilidad, llevando a cabo las
alternativas de manejo con fundamento social y económico.
El conocimiento de la edad de los peces es una característica
biológica muy importante que proporciona información durante el
desarrollo temprano de una pesquería comercial. Los peces que viven un
largo tiempo por lo general proporcionan rendimientos grandes al principio
de su pesquería debido a que la pesca actúa sobre las clases de edad
mayor (Hilborn y Walters, 1992).
El estudio del crecimiento es la determinación del tamaño corporal
como una función de la edad. Se han desarrollado varios métodos que
utilizan la composición de edades para evaluar a los recursos pesqueros
(Sparre y Venema, 1992).
En este capítulo presentaremos varios procedimientos y los
correspondientes algoritmos computarizados diseñados para estimar los
parámetros de la función de crecimiento de von Bertalanffy. Tres de ellos
son derivaciones lineales de la ecuación básica del crecimiento y la última
utiliza el enfoque de regresión no lineal. Los programas son aplicados a
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
104
Métodos actualizados para análisis de datos biológico-pesqueros
105
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
Lt = L∞ ( 1 − exp[−Kt ]) 6.3)
Lt = L∞ − L∞ exp[−Kt ]
L∞ − Lt = L∞ exp[−Kt ] (6.4)
106
Métodos actualizados para análisis de datos biológico-pesqueros
Lt + 1 − Lt = ( L∞ − Lt ) ( 1 − exp[−K ])
= L∞ (1 − exp[−K ]) − Lt + Lt exp[−K ]
K = -ln(b)
L∞ = a/(1 – b)
∆L Lt + ∆t − Lt
= (6.8)
∆t ∆t
107
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
∆L
= a + bLt
∆t
utilizando la FCVB llegamos a:
∆L
= K ( L∞ − Lt ) (6.9)
∆t
La ecuación 6.9) puede re-escribirse como:
∆L
= KL∞ − KLt (6.10)
∆t
Lt + ∆t + Lt
donde L =
2
Cuando ∆t es pequeña, Lt puede ser una aproximación razonable del
tamaño medio. Una ventaja sobre otros métodos es que ∆t no necesita ser
constante. Usando a Lt como la variable independiente y ∆L/∆t como la
variable de respuesta, la ecuación 6.10) se vuelve una relación lineal que
permite la estimación de los parámetros por medio de una regresión de
acuerdo a la siguiente expresión:
∆L/∆t = a + b Lt (6.11)
donde K = - b y L∞ = - a/b (Sparre y Venema, 1992; Gómez-Márquez,
1994).
L∞ - Lt = L∞ (exp[-K(t – t0)])
ln(L∞ - Lt)= ln L∞ - Kt + Kt0
K = - b y a = ln L∞ + Kt0
Despejando t0, tenemos:
a − ln L∞
t0 = (Gómez-Márquez, 1994)
K
108
Métodos actualizados para análisis de datos biológico-pesqueros
109
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
110
Métodos actualizados para análisis de datos biológico-pesqueros
Gráfico de Bhattacharya
2 3
4
5
6
1 7
Diferencias logarítmicas
8
9
10
11
12
13
14 38
3739
15 40
16 41
17 36 42 69
6870
18
19 43 67 71
20 44 56
558
7 72
21
22 55 66 73
74
45 54 59
0 23
24
25 35 46
47
48
49552
1
53 60
61
62
6
65
64
3
75
76
77
26 50 78
79
27 80
81
88284
28 3
29 34 85
30 86
313
323 87
88
89
90
-1 91
92
93
-2
0 100 200 300
Longitud patrón (mm)
111
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
39.5671
Frecuencia
0
18.76 278.72
Longitud patrón
112
Métodos actualizados para análisis de datos biológico-pesqueros
400
300
Longitud a edad t + 1
200
100
0
0 100 200 300 400
Longitud a edad t
80
60
Delta de longitud
40
20
0
0 100 200 300 400
Longitud a edad t
113
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
60
Delta de longitud/Delta de edad
40
20
0
100 200 300 400
Longitud media por incremento de edad
114
Métodos actualizados para análisis de datos biológico-pesqueros
5.6
5.4
Ln(L_inf - l_t)
5.2
4.8
1 2 3 4
Edad (años)
115
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
Observados Estimados
350
300
Longitud patrón (mm)
250
200
150
100
50
1 2 3 4
Edad (años)
116
Métodos actualizados para análisis de datos biológico-pesqueros
Para ejemplificar este caso se utilizarán los datos de edad estimada para el
pez japonés “suzuki” (Lateolabrax japonicus) reportados por Salgado-
Ugarte (1995). Se presentan los resultados de las estimaciones de edad por
lectura de escamas de individuos capturados durante los peces de
primavera (inicio de la estación de crecimiento, Cuadro 6.9).
117
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
118
Métodos actualizados para análisis de datos biológico-pesqueros
Observados Ajustados
1000
800
Longitud patrón (mm)
600
400
200
0 5 10
Edad (años)
Figura 6.8. FCVB por regresión no lineal para datos de longitud media
a cada edad del “suzuki” (Lateolabrax japonicus).
119
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
100
Delta de longitud / delta de edad
50
0
200 400 600 800 1000
Longitud media por incremento de edad
6.5
Ln(L_inf - l_t)
5.5
5
0 2 4 6 8 10 12
Edad (años)
120
Métodos actualizados para análisis de datos biológico-pesqueros
Observados Estimados
1000
800
Longitud patrón (mm)
600
400
200
0 2 4 6 8 10 12
Edad (años)
121
Capítulo 6. Métodos computarizados para estimación del crecimiento a partir del análisis
de frecuencia de tallas y lectura de partes duras
122
Capítulo 7. Pruebas estadísticas
(multivariada y razón de
verosimilitud) para comparación
de funciones de crecimiento
7.1 Introducción
La evaluación del crecimiento de los peces es un requerimiento muy
importante para lograr un manejo adecuado y sustentable (Salgado-
Ugarte, et al. 2000).
Los peces son organismos que crecen continuamente a lo largo de su
vida. Este crecimiento es acelerado cuando son jóvenes y se va haciendo
más lento en edades avanzadas. Este patrón puede ser descrito
matemáticamente por varias funciones asintóticas comunes como la
logística (forma sigmoide simétrica) u otras un poco más sofisticadas como
la de Gompertz o la de von Bertalanffy (de forma sigmoide asimétrica).
La función logística proporciona una representación matemática
para la ley autocatalítica de la fisiología y la química. La forma integral de
su ecuación puede ser escrita como:
124
Métodos actualizados para análisis de datos biológico-pesqueros
⎡ L∞ (1) ⎤ ⎡ L∞ ( 2 ) ⎤ ⎡ L∞ (1) − L∞ ( 2 ) ⎤
r ⎢ ⎥ r ⎢ ⎥
P1 = ⎢ K (1) ⎥ , P2 = ⎢ K ( 2 ) ⎥ , y [P1 − P2 ]= ⎢ K (1) − K ( 2 ) ⎥⎥
r r ⎢
(7.3)
⎢ t 0 (1) ⎥ ⎢ t0 ( 2 ) ⎥ ⎢ t0 (1) − t0 ( 2 ) ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
125
Capítulo 7. Pruebas estadísticas para comparación de funciones de crecimiento
⎡ L∞ (1) ⎤ ⎡ L∞ ( 2 ) ⎤ ⎡ L∞ (1) − L∞ ( 2 ) ⎤
r ⎢ ⎥ r ⎢ ⎥
P1 = ⎢ g (1) ⎥ , P2 = ⎢ g ( 2 ) ⎥ , y [P1 − P2 ]= g (1) − g ( 2 ) ⎥
r r ⎢
(7.3a)
⎢ ⎥
⎢ t0 (1) ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ t0 ( 2 ) ⎦ ⎣ t0 (1) − t0 ( 2 ) ⎦
r r
P1 y P2 son vectores columna de los valores paramétricos estimados a
partir de medidas de edad y longitud en dos grupos de peces, y P1 − P2 [r r
]
es un vector columna de las diferencias entre las estimadas del mismo
parámetro.
El estadístico
r r T se calcula como el producto de las diferencias en los
2
N1 N 2 r r
T2 = [P1 − P2 ]' S −1 [Pr1 − Pr2 ] (7.4)
N1 + N 2
( N 1 −1) S1 + ( N 2 − 1) S 2
S= (7.5)
N1 + N 2 −2
donde
126
Métodos actualizados para análisis de datos biológico-pesqueros
3 ( N1 + N 2 − 2 )
T02 = Fα :3, N1 + N 2 − 4 (7.6)
N1 + N 2 − 4
N1 + N 2 2 2
( p1 j − p 2 j ) ± s jj T0 (7.7)
N1 N 2
7.3. Suposiciones:
Para aplicar la prueba multivariada en la comparación de funciones de
crecimiento, ya sea de von Bertalanffy (L∞, K and t0), Logística ó de
Gompertz (L∞, g, t0), se supone que ambos conjuntos de estimadas se
obtienen de dos distribuciones conjuntas trivariadas normales
(gaussianas) con una estructura de varianza común. De esta forma, es
válida la estimación de una varianza conjunta (S1 y S2) al desconocer la
127
Capítulo 7. Pruebas estadísticas para comparación de funciones de crecimiento
128
Métodos actualizados para análisis de datos biológico-pesqueros
129
Capítulo 7. Pruebas estadísticas para comparación de funciones de crecimiento
. matrix Sm = (294.7427,-0.6018,-32.5704\-.6018,.0013,.073\-
32.5704,.073,4.2296)
. matrix Sf = (1596.1804,-1.1895,-91.0468\-
1.1895,.0009,.0713\-91.0468,.0713,5.7613)
. matrix Pm=(441.16,.13,-3.36)
. matrix Pf=(505.97,.09,-4.57)
. hotegfun Sm Sf Pm Pf 78 78 99
130
Métodos actualizados para análisis de datos biológico-pesqueros
crecen más lentamente que los machos y sólo t0 pudiera tener el mismo
valor (los intervalos de confianza incluyen al cero) en ambos sexos. Los
valores críticos de F indican que el parámetro más significativo que
contribuye a la diferencia es L∞ seguida por K.
Para ejemplificar la prueba de razón de verosimilitud se utilizarán
los datos de la Tabla 1 de Kimura (1980) que muestra la longitud promedio
a varias edades de machos y hembras de la merluza norteña Merluccius
productus (en inglés Pacific hake) capturados en las aguas costeras de
California, Oregon, y Washington (Cuadro 7.2):
131
Capítulo 7. Pruebas estadísticas para comparación de funciones de crecimiento
132
Métodos actualizados para análisis de datos biológico-pesqueros
Los resultados son muy semejantes a los obtenidos con las pruebas
de razón de verosimilitud: hay una diferencia significativa entre sexos
originada principalmente por los valores de L∞ , seguidos por el parámetro
de curvatura K y sin diferencia entre las estimadas de t0.
7.6 Discusión
Cuando se derivan de datos longitud - edad, las estimaciones de L∞, K (ó
g), y t0 forman una distribución de probabilidad multivariada. Al
seleccionar una prueba multivariada, tal como la T2 de Hotelling, las
covarianzas entre las estimaciones de los parámetros se incorporan a la
prueba y no representan más un problema; no se requiere ningún
tratamiento adicional para las covarianzas.
El sesgo en el valor de la T2 que resulta de conjuntar las matrices de
varianza-covarianza estimadas de estructuras de varianza diferentes
(varianzas heterogéneas) es eliminado al seleccionar N1 = N2.
Es más difícil cumplir con la suposición de normalidad
(gaussianidad). Las transformaciones son complejas y a menudo no
producen distribuciones conjuntas normales. No obstante, el estadístico F
usado en la T2 de Hotelling es poco afectado por datos moderadamente no-
normales, especialmente con valores altos de N.
Al comparar los valores críticos de F se obtiene un ordenamiento por
importancia de la influencia de los parámetros en la diferencia y se elimina
cualquier confusión causada por grados de libertad altos.
133
Capítulo 7. Pruebas estadísticas para comparación de funciones de crecimiento
134
Capítulo 8. Reproducción
8.1 Introducción
En años recientes, el análisis de la importancia adaptativa de la
reproducción tanto en plantas como en animales se ha incrementado.
Las estrategias reproductivas de los peces están frecuentemente
reflejadas en las diferencias anatómicas entre los sexos. Internamente,
el sexo de algunos peces puede ser fácilmente distinguido por medio del
examen visual de las gónadas, al menos durante la temporada de
desove. Los testículos y los ovarios son típicamente estructuras
pareadas que se encuentran suspendidas por mesenterios en la cavidad
corporal, muy cerca a los riñones. Mientras las diferencias internas
entre los sexos son generalmente obvias en peces maduros,
frecuentemente es difícil distinguir los sexos externamente, ya que
muchos peces no muestran dimorfismo sexual (diferencias en
apariencia corporal), o dicromatismo sexual (diferencias de color) aún
cuando están desovando. Una de las características más importantes
del dimorfismo sexual es el tamaño. En peces que ponen huevos, los
machos son territorialistas durante la temporada de reproducción y son
más grandes que las hembras, como por ejemplo el salmón. Sin
embargo, cuando los machos no son territoriales, son más pequeños
que las hembras (Moyle y Cech, 2000).
Los peces, al igual que otros vertebrados se reproducen
sexualmente. En la mayoría de especies los óvulos y espermatozoides
son formados en individuos separados (dióicos) y los gametos son
enviados al ambiente circundante donde la fertilización se realiza y por
lo tanto, sigue el desarrollo de una nueva generación (Hoar, 1969).
La reproducción es el proceso biológico por el cual las
especies se perpetúan y, en combinación con los cambios
genéticos, aparecerán por primera vez características para las
nuevas especies (Lagler et al., 1984).
136
Métodos actualizados para análisis de datos biológico-pesqueros
137
Capítulo 8. Reproducción
138
Métodos actualizados para análisis de datos biológico-pesqueros
139
Capítulo 8. Reproducción
8.3 Fecundidad
Es un término generalmente empleado para describir el número de
huevos producidos. La fecundidad de una hembra varía de acuerdo a
muchos factores entre los que incluyen la edad, el tamaño, la especie y
las condiciones ambientales (disponibilidad de alimento, temperatura
del agua, temporada del año). El peso de los ovarios es frecuentemente
una gran proporción del peso total; por ejemplo, en los peces que
desovan anualmente como la trucha café (Salmo trutta) y la perca (Perca
fluviatilis) el ovario maduro puede formar el 20% del peso total y cerca
del 30% en la platija europea (Pleuronectes platessa). Sin embargo, en
peces que desovan varias veces al año, el peso de la gónada puede ser
menor, como en Sartherodon variabilis del Lago Victoria, en el cual el
peso de la gónada es cerca del 4% del total (Fryer e Iles, 1972). En
términos de producción anual de nuevo tejido, la proporción que llega al
ovario es grande. En la perca hembra por ejemplo, el 40% de la
producción total anual es realizada por los productos gonadales
(Bagenal, 1978)
En los peces se ha observado dos tipos de fecundación: externa e
interna. La fecundación externa es la más común y por lo tanto la que
se presenta en la mayoría de los peces como son: la sardina, anchoveta,
arenque, merluza, lenguado y el atún. Durante la época de desove, el
macho y la hembra se ponen en contacto lado a lado, o bien, el macho
rodea el cuerpo de la hembra, describiendo un semicírculo o espiral.
Durante este proceso son expulsados los óvulos y los espermatozoides.
140
Métodos actualizados para análisis de datos biológico-pesqueros
141
Capítulo 8. Reproducción
142
Métodos actualizados para análisis de datos biológico-pesqueros
143
Capítulo 8. Reproducción
144
Métodos actualizados para análisis de datos biológico-pesqueros
donde: F = Fecundidad;
P = Peso del pez, y
a y b = Constantes
n ∧
1 ∧
Φ DS =
n
∑ A Lbj
j=1
Donde:
Φ DS = Fecundidad media
n = Total de la población de la relación de la longitud con el
número de óvulos
145
Capítulo 8. Reproducción
∧ ∧
A y b = parámetros que pueden ser estimados de la regresión lineal
de mínimos cuadrados del logaritmo de fecundidad y el
logaritmo de longitud patrón.
L = Longitud patrón.
Hn = Wz
donde:
Hn = Número de óvulos por peso total de la hembra
W = Peso Total de la hembra
z = Número de óvulos por unidad de peso
Severstov:
1
Fe= pjs
(1 + r )
Jogansen:
Fe= pj rx
donde:
Fe = Fecundidad específica
r = Número de óvulos por desove
x = Número de desoves del individuo durante su vida
p = Período entre dos desoves sucesivos
j = Edad a la que se alcanza la primera madurez sexual
s = Proporción de sexos.
146
Métodos actualizados para análisis de datos biológico-pesqueros
147
Capítulo 8. Reproducción
migración geográfica desde una área en la que viven los juveniles a otra
en la que habitan los adultos.
Con frecuencia los fondos donde viven los jóvenes son menos
profundos que aquellos donde habitan los adultos. En otras ocasiones,
el reclutamiento se realiza con un cambio radical de residencia
ecológica, pasando de la vida pelágica a la bentónica. De esta forma, la
población incrementa su número de individuos. Debido a que estos
continúan creciendo, aquella aumenta de peso; de esta manera la
población tiende a compensar sus perdidas -ya sea por mortalidad
natural (depredación, enfermedad o senectud) o por pesca- mediante la
reproducción, siendo este el mecanismo de retroalimentación que
permite que la población siga existiendo en el tiempo y el espacio
(Bagenal,1978; Pitcher y Hart,1982).
Un método simple para examinar el tiempo de reclutamiento es
por graficar el porcentaje de los individuos pequeños (menos que un
tamaño elegido arbitrariamente) en muestras tomadas a intervalos
regulares de un stock de adulto.
Asimismo, la longitud media al reclutamiento (Lr) puede ser
estimada por usar una curva logística similar a la utilizada para
estimar Lm. La gráfica puede ser construida por comparar datos de
frecuencia-longitud recolectados en áreas de crianza con los del stock
adulto, en un método similar al análisis alternativo de arrastre (King,
1995).
Si por medio de la pesca se reduce la mortalidad natural
(pescando los peces viejos que ya se reprodujeron y completaron su
ciclo de vida) sin afectar el reclutamiento de los peces jóvenes, la
población tenderá a aumentar de nuevo hasta alcanzar el equilibrio,
pero si se reduce progresivamente, puede conducir después de un
tiempo al agotamiento del recurso. De acuerdo a lo anterior, es obvio
que no es posible explotar un recurso pesquero sin tomar en cuenta los
procesos de reproducción y reclutamiento del mismo (Gallardo-Cabello
y Laguarda, 1985).
148
Capítulo 9. Índices morfomé-
tricos para aspectos reproduc-
tivos y condición
9.1 Introducción
El estudio de la reproducción es un tópico fundamental en las ciencias
pesqueras. Se han establecido varios métodos para llevar a cabo este
objetivo que van desde procedimientos histológicos detallados hasta
índices derivados de medidas corporales. Estos índices morfométricos
están basados generalmente en medidas corporales tales como el peso
total y eviscerado, de gónadas, del hígado y la longitud corporal. En
general, estas medidas están correlacionadas positivamente con el
tamaño y se utilizan para estimar otros procesos relacionados. De esta
forma, el peso de las gónadas está relacionado con la madurez y el
desove, los cuales a su vez dependen del sexo, estadio de madurez
sexual, tamaño individual, temporada del año, etc. El peso total o
eviscerado se usa para estimar la condición (robustez o grado de
bienestar de los animales) suponiendo que los individuos más pesados
a una longitud dada están en mejor condición. El peso corporal es un
reflejo de los procesos fisiológicos involucrados en la reproducción y
supervivencia (García-Berthou y Moreno-Amich, 1993). Para estudiar el
ciclo reproductivo se ha empleado (ver Capítulo 7) el índice
gonadosomático:
−1
GSI = 100 GW
donde W es el peso total y G es el peso de las gónadas. Además de este
índice numérico, se usan otros en conjunto para describir el estado
general del pez. Un ejemplo es el factor de condición de Fulton, K1:
K1 = 100WL − 3
Factor de condición de Ricker (1975), K2:
−b
K 2 = 100WL
y el factor de condición relativa K3:
K 3 = 100W a − 1 L − b
donde L es la longitud y a y b son los parámetros de la relación
longitud-peso: W = a L .
b
−1
IHS =100 HW
150
Métodos actualizados para análisis de datos biológico-pesqueros
151
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
152
Métodos actualizados para análisis de datos biológico-pesqueros
153
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
154
Métodos actualizados para análisis de datos biológico-pesqueros
1. Total de individuos
2. Machos
3. Hembras
4. Machos 1 año de edad
5. Machos 2 años de edad
6 Hembras 1 año de edad
7 Hembras 2 años de edad
155
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
lnle
lnpe
lnpg
lnph
156
Métodos actualizados para análisis de datos biológico-pesqueros
157
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
158
Métodos actualizados para análisis de datos biológico-pesqueros
159
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
160
Métodos actualizados para análisis de datos biológico-pesqueros
161
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
162
Métodos actualizados para análisis de datos biológico-pesqueros
163
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
9.4 Discusión
La transformación logarítmica hace lineales las relaciones entre las
variables consideradas para el análisis como se muestra en la Figura
9.1. Se observó que los individuos de menor tamaño poseen un
comportamiento diferente. Después, el análisis se llevó a cabo
considerando a cada sexo por separado.
Para el ANMUCOVA, se ajustó un diseño preliminar con
interacción de factores con covariada. En todos los casos, los términos
de la interacción no fueron significativos. Por lo tanto, fue apropiado
continuar con el diseño sin las interacciones.
Los resultados del ANMUCOVA preliminar presentados en las
Figuras 9.2 – 9.3, indicaron valores medios altos durante noviembre a
diciembre (1993 y 1994). La significancia estadística de los cambios en
las medias ajustadas se incluye en el Cuadro 9.2 parte a). En abril de
1994 se presentó un valor extraordinario alto. Este valor elevado fue
verificado al revisar los individuos de dicha fecha de muestreo y los
valores altos fueron corroborados. No existe reporte previo sobre valores
altos de los índices gonádicos durante la primavera. Todos los estudios
concluyen que el período de desove es muy corto y ocurren en los meses
de invierno, como se citó en la parte introductoria del capítulo. Hubo
una indicación clara de una relación inversa entre las medias del peso
de hígado y las medias de las gónadas: valores medios elevados de peso
hepático se presentaron en verano y bajos en invierno. Aún en los
valores inusuales del mes de abril, se observó esta correlación negativa
(valores medios bajos del hígado y altos de la gónada). Estas
conclusiones se corroboraron estadísticamente mediante las pruebas
con nivel de significancia del 0.05.
En este estudio se siguió la recomendación del uso del peso
eviscerado para tener una medida más adecuada de la condición. Los
resultados preliminares (Figura 9.3) indicaron claramente una relación
negativa entre las medias de peso eviscerado con las medias de peso
gonádico, corroboradas por las pruebas de contrastes múltiples a
posteriori (Cuadro 9.2).
El análisis por sexos mostró la misma tendencia. En el caso de
los machos, las gónadas manifestaron valores altos en noviembre y
diciembre. El valor extraordinario de primavera también estuvo
presente. Se observó una relación negativa entre las medias gonádicas y
las hepáticas. El peso eviscerado se comportó de manera semejante a
los pesos medios del hígado. Todas las afirmaciones anteriores están
respaldadas por las pruebas de valores adyacentes.
En las hembras, se observó una tendencia semejante a la de los
machos y también fue corroborada por las pruebas estadísticas de
comparaciones múltiples a posteriori. Se tuvieron valores medios en el
164
Métodos actualizados para análisis de datos biológico-pesqueros
165
Capítulo 9. Índices morfométricos para aspectos reproductivos y condición
166
Métodos actualizados para análisis de datos biológico-pesqueros
9.5 Conclusiones
Es posible proponer las siguientes generalizaciones del análisis
presentado anteriormente:
- El análisis multivariado de covarianza es un método muy valioso
que permite estudiar adecuadamente el ciclo reproductivo del “suzuki”
Lateolabrax japonicus.
- El período de desove, indicado por los valores medios ajustados
más altos de gónadas y bajos de hígado y eviscerado, ocurre de
noviembre a febrero como lo indican las muestras de la captura
comercial de la Bahía de Tokio.
- Un pico extraordinario en el valor medio ajustado de las
gónadas se detectó en abril. La causa de este valor alto no usual no
pudo investigarse adicionalmente por la carencia de información
adicional sobre el lugar preciso de captura.
- El análisis de las medias gonádicas por grupo de edad puede
indicar que los machos, y en especial las hembras de Lateolabrax
japonicus se reproducen después de alcanzar los dos años de edad. Lo
anterior concuerda con los reportes previos por Kosaka (1969) y
Hayashi (1971; 1972).
Se encontró una tendencia opuesta entre los valores medios de
las gónadas y los valores medios de peso hepático y somático
(eviscerado), lo que sugiere el enfoque del crecimiento hacia el
desarrollo de las gónadas durante la estación reproductiva.
El ANMUCOVA puede aplicarse para el estudio de otros índices
morfométricos, como por ejemplo el índice de repleción.
167
Capítulo 10. Índices morfométri-
cos para aspectos tróficos
10.1 Introducción
Los datos de repleción pueden ser usados para inferir relaciones
ecológicas muy importantes tales como intensidad de alimentación,
patrones de forrajeo o restricciones ambientales en la alimentación
(Herbold, 1986; Durbin et al. 1983; Daniels, 1982). El índice de repleción
(IR) propuesto por Blegvad (1917) ha sido el método tradicional de
medida y su definición es:
170
Métodos actualizados para análisis de datos biológico-pesqueros
la mayor parte del crecimiento del pez se lleva a cabo durante el verano y
otoño.
Hayashi y Kiyono (1978) estudiaron los hábitos alimenticios y el
crecimiento de los juveniles de un año del “suzuki” en la Bahía de
Wakasa. Otro reporte concerniente a la condición de individuos juveniles
de L. japonicus es el de Matsumiya, et al. (1982). Estos investigadores
encontraron una relación entre la condición de individuos juveniles y
algunas características hidrológicas e hidrodinámicas del estuario del Río
Chikugo en la Bahía de Ariake.
171
Capítulo 10. Índices morfométricos para aspectos tróficos
172
Métodos actualizados para análisis de datos biológico-pesqueros
lnle
lnpce
lnpe
lnpg
lnph
lnpi
10.3 Resultados
Como una aproximación inicial se consideraron al total del conjunto de
datos para el análisis. Se probó el paralelismo de las pendientes y se
encontraron interacciones no significativas entre la covariada (longitud
estándar) y el factor (fecha de muestreo). Por tanto se utilizó un diseño
estándar de ANMUCOVA. Los resultados (uni y multivariados) se
resumen en el Cuadro 10.2. La variación de las medias ajustadas se
muestra en la gráfica de la Figura 10.2.
Posteriormente, se presenta el análisis de cada sexo por separado.
En todos los casos la interacción de los factores con la covariada no fue
significativa y por tanto se presentan los resultados del ANMUCOVA
estándar (Cuadros 10.3 - 10.5) Las medias ajustadas se incluyen en las
Figuras 10.3 a 10.5. Una versión esquemática de la significancia
conjunta de los contrastes entre fechas adyacentes está en el Cuadro
10.6.
173
Capítulo 10. Índices morfométricos para aspectos tróficos
174
Métodos actualizados para análisis de datos biológico-pesqueros
175
Capítulo 10. Índices morfométricos para aspectos tróficos
176
Métodos actualizados para análisis de datos biológico-pesqueros
Total 88 24.4048
Term. Coef. Desv.est Valor t P
.
Const. -29.491 1.105 -26.70 0.000
Lnle 2.52368 0.05627 44.85 0.000
c) Análisis de covarianza para loge peso gonádico
Fuente GL SC SCajus. CMajus. F P
Lnle 1 29.864 29.864 29.864 74.16 0.000
FM 11 140.913 121.481 11.044 27.42 0.000
Error 76 30.605 30.605 0.403
Total 88 201.381
Term. Coef. Desv.est Valor t P
.
Const. -72.82 10.21 -7.13 0.000
Lnle 4.4816 0.5204 8.61 0.000
d) Análisis de covarianza para loge peso del hígado
Fuente GL SC SCajus. CMajus. F P
Lnle 1 9.8305 9.8305 9.8305 88.44 0.000
FM 11 11.1158 4.3008 0.3910 3.52 0.001
Error 76 8.4482 8.4482 0.1112
Total 88 29.3945
Term. Coef. Desv.est Valor t P
.
Const. -34.769 5.367 -6.48 0.000
Lnle 2.5713 0.2734 9.40 0.000
e) Análisis de covarianza para loge peso del intestino
Fuente GL SC SCajus. CMajus. F P
Lnle 1 6.4353 6.4353 6.4353 46.12 0.000
FM 11 22.7186 9.8448 0.8950 6.41 0.000
Error 76 10.6048 10.6048 0.1395
Total 88 39.7587
Term. Coef. Desv.est Valor t P
.
Const. -23.958 6.013 -3.98 0.000
Lnle 2.0804 0.3063 6.79 0.000
ANMUCOVA para lnle s=5 m = 2.5 n = 35
Criterio Estad. de prueba F GL P
De Wilk’s 0.02512 558.798 (5, 72) 0.000
Lawley-Hotelling 38.80539 558.798 (5, 72) 0.000
De Pillai 0.97488 558.798 (5, 72) 0.000
De Roy 38.80539
ANMUCOVA para FM s=5 m = 1.5 n = 35
Criterio Estad. de prueba F GL P
De Wilk’s 0.04821 5.667 (55, 336) 0.000
177
Capítulo 10. Índices morfométricos para aspectos tróficos
178
Métodos actualizados para análisis de datos biológico-pesqueros
179
Capítulo 10. Índices morfométricos para aspectos tróficos
180
Métodos actualizados para análisis de datos biológico-pesqueros
181
Capítulo 10. Índices morfométricos para aspectos tróficos
10.4 Discusión
La transformación logarítmica ayudó a satisfacer los requerimientos de
linearidad y homoscedasticidad requeridos para la aplicación del
ANMUCOVA. Esto está de acuerdo con los resultados de otros
investigadores (García-Berthou y Moreno-Amich, 1993); soporte adicional
para el uso de esta transformación es proporcionado por (DeVlaming et
al., 1982; Erickson et al., 1985; Misra y Carscadden, 1987; Misra et al.,
1990).
En relación con los resultados en conjunto, todos los efectos, uni y
multivariados fueron altamente significativos, lo que sugiere una
variación estacional y una dependencia sobre el tamaño corporal de las
variables de peso analizadas. El peso del contenido estomacal mostró
una tendencia opuesta al gonadal y similar con el patrón de variación del
peso del hígado y del intestino. Los pesos intestinal y hepático estuvieron
relacionados directamente y al mismo tiempo ambos mostraron una
relación positiva con el peso eviscerado. Todas las generalizaciones arriba
expuestas están soportadas por los contrastes conjuntos de comparación
de fechas adyacentes (Cuadro 10.6 a) Datos en conjunto). Debido a que
en esta parte de resultados se tiene el efecto de sexos aglomerado, se
analizaron por separado.
Fue interesante notar que para los machos, el efecto de la fecha de
muestreo para el peso del contenido estomacal no fue significativo
(Cuadro 10.3). En este caso, el uso del índice de repleción tradicional (IR)
sería inapropiado, además, no hubo relación significativa con la longitud
corporal. Todos los demás efectos fueron altamente significativos,
incluyendo los efectos multivariados de la fecha de muestreo (Cuadro
10.3). El peso del contenido estomacal mostró una tendencia opuesta
con el del peso gonádico. Hubo de nuevo una relación directa entre los
pesos intestinal, hepático y eviscerado. Sin embargo, esta interpretación
182
Métodos actualizados para análisis de datos biológico-pesqueros
183
Capítulo 10. Índices morfométricos para aspectos tróficos
los peces, afectaron la tasa de crecimiento del otolito. Irie encontró que
las zonas translúcidas se forman desde el verano y hasta el otoño y que
las opacas se forman de invierno a primavera. Además, reportó que el
carbonato de calcio es depositado en la superficie del otolito de verano a
otoño, cuando se considera que los peces están activos y toman alimento
vigorosamente; por otra parte, se depositan una gran cantidad de
sustancias orgánicas y una pequeña de carbonato de calcio de invierno a
primavera, cuando se piensa que los peces tienen poca actividad y se
alimentan pobremente.
184
Métodos actualizados para análisis de datos biológico-pesqueros
lnpg + -
lnph - +
lnpi - +
El nivel de significancia fue 0.05 excepto para las celdas marcadas con un
asterisco (*) el cual indica valor de 0.10. El significado de los símbolos es: más
= valores altos significativos; Menos = valores bajos significativos; NS = no
significativo. Las abreviaturas son: lnpce = loge peso del contenido estomacal;
lnpe = loge peso eviscerado; logpg = loge peso gonádico; lnph = loge peso del
hígado; lnpi = loge peso del intestino.
10.5 Conclusiones
- Hubo una relación inversa entre los pesos del contenido
estomacal con las gónadas.
- Se encontró un patrón paralelo de variación estacional de los
pesos eviscerado, hígado e intestino
- El comportamiento de las medias de peso de contenido estomacal
parece indicar que L. japonicus se alimenta bien de primavera a otoño y
de manera escasa durante el invierno.
185
Capítulo 10. Índices morfométricos para aspectos tróficos
186
Métodos actualizados para análisis de datos biológico-pesqueros
187
Capítulo 10. Índices morfométricos para aspectos tróficos
1.05
16.2
1
16.15
.95 16.1
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
13 11
12.5 10.5
12 10
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
FECHA DE MUESTREO
188
Métodos actualizados para análisis de datos biológico-pesqueros
13.6 11.4
13.4 11.2
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
14.7
12.4
14.6
12.2
14.5
14.4 12
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
FECHA DE MUESTREO
Figura 10.7 Comparación de valores medios logarítmicos de índices
tradicionales con medias ajustadas (ANMUCOVA) a) IHS con peso del
hígado y b) ITD con peso del tracto digestivo, machos de Bairdiella
chrysoura.
189
Capítulo 10. Índices morfométricos para aspectos tróficos
190
Métodos actualizados para análisis de datos biológico-pesqueros
a)
16.3
16.25
.95
16.2
.9 16.15
11.5
13.5
11
13
10.5
12.5
10
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
FECHA DE MUESTREO
191
Capítulo 10. Índices morfométricos para aspectos tróficos
a)
13.8 11.8
11.6
13.6
11.4
13.4
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
14.7
14.6
12.4
14.5
12.2
14.4
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
FECHA DE MUESTREO
Figura 10.9 Comparación de valores medios logarítmicos de índices
tradicionales con medias ajustadas (ANMUCOVA) a) IHS con peso del
hígado y b) ITD con peso del tracto digestivo, hembras de Bairdiella
chrysoura.
192
Métodos actualizados para análisis de datos biológico-pesqueros
1.05 15.6
1 15.5
.95 15.4
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
FECHA DE MUESTREO
Figura 10.10 Comparación de valores medios de Kr con log del peso
eviscerado, indeterminados de Bairdiella chrysoura.
193
Capítulo 10. Índices morfométricos para aspectos tróficos
13.7 10.9
13.6
10.8
13.5
10.7
13.4
10.6
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
14.5
11.8
14
11.6
13.5
13 11.4
05-90 06-90 07-90 10-90 11-90 01-91 02-91 03-91 04-91 05-91 06-91
FECHA DE MUESTREO
Figura 10.11 Comparación de valores medios logarítmicos de
índices tradicionales con medias ajustadas (ANMUCOVA) a) IHS con
peso del hígado y b) ITD con peso del tracto digestivo,
indeterminados de Bairdiella chrysoura.
194
Métodos actualizados para análisis de datos biológico-pesqueros
Por otra parte cabe destacar que la correlación entre IHS e ITD con
los pesos promedio ajustados respectivos manifiestan una influencia
menor del tamaño de los especimenes en la variación del peso de las
estructuras consideradas en organismos sexualmente diferenciados.
Los individuos indeterminados no permitieron la comparación
entre pesos de gónada e IGS y en los demás casos (Kr, IHS e ITD) no se
registraron correlaciones significativas. Los valores medios ajustados
muestran variaciones considerables y opuestas en relación con los
índices tradicionales.
Todo lo anterior lleva a recomendar el uso de las medias ajustadas
por el tamaño obtenidas a partir del ANMUCOVA para analizar la
variación ponderal de estructuras somáticas, reproductivas así como las
asociadas a la cantidad de alimento ingerido a lo largo del año.
195
Capítulo 10. Índices morfométricos para aspectos tróficos
196
Referencias
Abramson, N.J. 1970. Computer programs for fish stock assessment.
FAO Fish. Tech. Pap. (101).
Akamine, T. 1985. Consideration of the BASIC programs to analyze
polymodal frequency distribution into normal distributions. (in
Japanese with English abstract), Bull. Jap. Sea Reg. Lab. 35: 129-
160.
Allen, K. R., 1966. A method of fitting growth curves of the von
Bertalaffy type to observed data. J Fish. Res. Board Can., 23: 163-
179
Babiker, M.M. y H. Ibrahim, 1979. Studies on the biology of
reproduction in the cichlid Tilapia nilotica (L): Gonadal
maduration and fecundity. Journal of Fish Biology, 14: 437-447.
Bagenal, T.B. (Ed.), 1974. The Ageing of Fish. Unwin, Old Woking,
Surrey, Inglaterra: 234 p.
Bagenal, T.B. y E. Braum, 1968. Eggs and Early Life History. In: Ricker,
W.E. (Ed.). Methods for assesement of fish production in
freshwater. Blackwell Scientific Publications: 101-135.
Bagenal, T., 1978. Aspects of fish fecundity: 75-101. In: Shelby, D.
Gerking (Ed.). Ecology of freshwater fish production. Ed. Blackwell
Scientific Publications. Oxford.
Bagenal, T.B. y F.W. Tesch, 1978. Age and growth. In: Methods for
assessment of fish production in freshwaters. 3a. ed. Blackwell
Scientific Publications Ltd. Oxford: 101-136.
Beamish, R.J. y D.E. Chilton, 1981. Preliminary evaluation of a method
to determine the age of sablefish (Anoplopoma fimbria). Canadian
Journal of Fisheries and Aquatic Sciences. 39: 277-287.
Beamish, R.J. y G.A. McFarlane, 1983. The forgotten requirement for
age validation in fisheries biology. Transactions of the American
Fisheries Society, 112: 735-743.
Bernard, D.R. 1981. Multivariate analysis as a means of comparing
growth in fish. Canadian Journal of Fisheries and Aquatic Sciences,
38: 233-236.
Bertalanffy, L. von, 1938. A quantitative theory of organic growth.
Human Biology, 10: 181-243.
Beverton, R.J.H. y S.J. Holt, 1957. On the dynamics of the exploited
fish populations. Fisheries Investigation of Ministry of Agriculture
and Fisheries and Food Great Britain (2 Sea Fisheries). Vol. 19.
Bhattacharya, C. G. 1967. A simple method of resolution of a
distribution into Gaussian components. Biometrics, 23: 115-135.
Referencias
Blake, C. y B.F. Blake, 1978. The use of opercular bones in the study of
age and growth in Labeo senegalensis from Lake Kainji, Nigeria.
Journal of Fish Biology, : 287-295.
Blake, C., y B.F. Blake. 1981. Age determination in six species of fish
from a Mexican Pacific coastal lagoon. Journal of Fish Biology
18:471-478.
Blacker, R.W. 1974. Recent advances in otolith studies. In: F.R. Harden
Jones (ed.) Sea Fisheries Research. John Wiley, New York: 67-90.
Blegvad, H. 1917. On the food of fish in Danish waters within the Skaw.
Rep. Dan. Biol. Stn. 24: 17-72.
Bolger, T., y P.L. Conolly, 1989. The selection of suitable indices for the
measurement and analysis of fish condition. Journal of Fish
Biology, 34: 171-182.
Brey, T. y D. Pauly, 1986. electronic length frequency analysis. A
revised and expanded user's guide. Berichte aus dem Institut fur
Meereskunde and der Christian-Albrechts-Universitat Kiel, No. 149:
76 p.
Brett, J.R., 1979. Enviromental Factors and Growth. In: Hoar, W.S. and
D.J. Randall (eds.). Fish Physiology. Vol VIII. Academic Press: 599-
675.
Bromage N. y J. Shepherd, 1992. Fish, their requirements and site
evaluation: 17-48 In Shepherd J. y N. Bromage (Eds). Intensive fish
farming. Blackwell Science. Ltd.
Brothers, E.B., 1987. Methodological approaches to the examination of
otoliths in ageing studies. In: R.C. Summerfelt and G.E. Hall,
(eds), Age and growth of fish. Iowa State University Press, Ames
Iowa: 319-330.
Buchanan-Wollaston, H.J. y W.C. Hodgson. 1929. A new method of
treating frequency curves in fishery statistics, with some results.
J. Cons. Int. Explor. Mer. 4(2): 207-225.
Caddy, J.F., 1986. Size frequency analysis in stock assessment -some
perspectives, approaches and problems. Proceedings of the 37th
Annual gulf and Caribbean Fisheries Institute: 212-238.
Cailliet, M.G, M.S. Love y A.W. Ebeling, 1986. Fishes. A Field and
Laboratory Manual on their Structure, Identification, and Natural
History. Wadsworth Publishing Company. 194 p.
Carlander, D.K., 1987. A history of scale age and growth studies of
North American freshwater fish: 3-14. En: Summerfelt C.R. y H.E.
Gordon, (editors). Age and Growth of fish. Iowa State University
Press.
Casey, J.G., H.L. Pratt, Jr. y C.E. Stillwell, 1985. Age and Growth of the
Sandbar Shark (Carcharhinus plumbeus) from the western North
Atlantic. Canadian Journal of Fisheries and Aquatic Science 42:
963-975.
198
Métodos actualizados para análisis de datos biológico-pesqueros
Cassie, R.M. 1954. Some uses of probability paper for the graphical
analysis of polymodal frequency distributions. Aust. J. Mar.
Freshw. Res. 5: 513-522.
Castro, M., y K. Erzini, 1988. Comparison of two length-frequency
based packages for estimating growth and mortality parameters
using simulated samples with varying recruitment patterns.
Fishery Bulletin, 86(4): 645-653.
Cerrato, R.M. 1990. Interpretable statistical tests for growth
comparisons using parameters in the von Bertalanffy equation.
Canadian Journal of Fisheries and Aquatic Sciences, 47: 1416–
1426.
Chale-Matsau, J.R., A. Govender y L.E. Beckley, 2001. Age growth and
retrospective stock assessment of an economically extinct sparid
fish, Polysteganus undulosus, from South Africa. Fisheries
Research, 51(2001): 87-92.
Chambers, J.M., W.S. Cleveland, B. Kleiner and P.A. Tukey 1983.
Graphical methods for data analysis. Belmont, CA: Wadsworth.
Chapman, D.G. 1961. Statistical problems in dynamics of exploited
fisheries populations. Proceedings 4th Berkeley Symposium on
Mathematics Statistics and Probability. Cont. Biol. And Prob.
Med. 4: 153-168.
Chilton, D.E., y R.J. Beamish, 1982. Age determination methods for
fishes studied by the Groundfish program at the Pacific Biological
Station. Canadian Special Publication of Fisheries and Aquatic
Science, 60: 102 pp.
Clark, W.G. 1981. Restricted least-squares estimates of age composition
from length composition. Canadian Journal of Fisheries and
Aquatic Science, 38: 297-307.
Cohen, A.C., 1966. Discussion of "Estimation of paramaters for a
mixture of normal distributions"by Victor Hasselblad.
Technometrics, 8(3): 445-446.
Cone, R.S., 1989. The need to reconsider the use of condition indices in
Fishery Science. Transactions of the American Fisheries Society,
118: 510-514.
Cox, D.R. 1966. Notes on the analysis of mixed frequency distributions.
The British Journal of Mathematical and Statistical Psychology, 19:
39-47.
Cruz-Martínez, A. 2000. Edad y crecimiento del tiburón toro
Carcharhinus leucas (Valenciennes, 1839) en las aguas de
Veracruz y Campeche, México. Tesis de Maestría, Instituto de
Ciencias del Mar y Limnología, UNAM, México: 65 p.
Daniels, R.A., 1982. Feeding ecology of some fishes of the Antartic
Peninsula. U.S. Fishery Bulletin 80: 17-72
199
Referencias
Davis, J.C. 1973. Statistics and data analysis in Geology, John Wiley
and sons, New York: 170-297.
Deelder, C.L. y J.J. Willemse, 1973. Age determination in fresh-water
teleosts, based on annular structures in fin-rays. Aquaculture, 1:
365-371.
DeVlaming, V., G. Grossman, y F. Chapman, 1982. On the use of the
gonosomatic index. Comp. Biochem. Physiol. 73A(1): 31-39.
Dixon, W. y R.A. Kronmal 1965. The choice of origin and scale for
graphs. Journal of the Association for Computing Machinery, 12:
259-261.
Doane, D.P. 1976. Aesthetic frequency classifications. The American
Statistician, 30: 181-183.
Durbin, E.G., A.G. Durbin, R.W. Langton, y R.E. Bowman, 1983.
Stomach contents of silver hake, Merluccius bilinnearis, and
Atlantic cod Gadus morhua, and estimation of the daily ration.
U.S. Fishery Bulletin. 81(3): 437-454.
Efron, B. 1982. The jackknife, the bootstrap, and other resampling plans.
Philadelphia: Society for Industrial and Applied Mathematics.
Egglishaw, H.J., 1970. Production of salmon and trout in a stream in
Scotland. Journal of Fish Biology, 1: 117-136.
Ehrhardt, N.M., 1981. Curso sobre Métodos en Dinámica de Poblaciones.
Primera parte: Estimación de Parámetros Poblacionales. FAO-INP.,
México. 133 p.
Emerson J.D. y D.C. Hoaglin 1983. Stem-and-leaf displays. In:
Understanding robust and exploratory data analysis, ed. Hoaglin,
D.C., F. Mosteller and J.W. Tukey, 7-30. New York, John Wiley &
sons.
Epanechnikov, V.A. 1969. Nonparametric estimation of a
multidimensional probability density. Theor. Probab. Appl., 14:
153-158.
Erickson, D.L., J.E. Hightower, y G.R. Grossman, 1985. The relative
gonadal index: an alternative index for quantification of
reproductive condition. Comp. Biochem. Physiol. 81A(1): 117-120.
Erzini, K. 1990. Sample size and grouping of data for length-frequency
analysis. Fisheries Research 9: 355-366.
Eschmeyer, W.N. (Editor), 1998. Catalog of fishes. Special publication.
California Academy of Science, San Francisco. 3 Vols. 2905 p.
Everhart, W.H. y W.D. Youngs, 1981. Principles of Fishery Science.
Segunda edición. Cornell University Press. 350 p.
Fagade, S.O., 1974. Age determination in Tilapia melanotheron (Ruppell)
in the Lagos Lagoon, Lagos, Nigeria with a discussion on the
environmental and physiological basis of growth markings in the
tropics; 71-77. In: T.B. Bagenal (Ed.) The ageing of fish. Unwin
Brothers, Ltd.
200
Métodos actualizados para análisis de datos biológico-pesqueros
201
Referencias
202
Métodos actualizados para análisis de datos biológico-pesqueros
Harding, J.F. 1949. The use of probability paper for the graphical
analysis of polymodal frequency distributions. J. Mar. biol. Ass.
U.K. 28: 141-153.
Hardisty, M.W. 1961. The growth of larval lampreys. Journal of Animal
Ecology, 30: 357-371.
Härdle, W. 1991. Smoothing Techniques. With Implementations in S.
Springer-Verlag. New York
Härdle, W. y D.W. Scott. 1988. Smoothing in low and high dimensions
by weighted averaging using rounded points. Technical report 88-
16, Rice University.
Härdle, W. K. y D.W. Scott. 1992. Smoothing by weighted averaging of
rounded points. Computational Statistics, 7: 97 - 128.
Hartigan, J.A. y P.M. Hartigan, 1985. The Dip test of unimodality. The
annals of Statistics, 13: 70-84.
Hartigan, P.M., 1985. Computation of the DIP statistic to test for
unimodality (Algorithm AS217). Applied Statistics, 34: 320-325.
Hasselblad, V. 1966. Estimation of parameters for a mixture of normal
distributions. Technometrics. 8: 431-444.
Hastie, T. y Tibshirani, R. 1990. Generalized Additive Models. Chapman
y Hall, London.
Hatanaka, M. y K. Sekino, 1962a. Ecological studies on the japanese
sea-bass, Lateolabrax japonicus - I. Feeding habit. Bulletin of the
Japanese Society of Scientific Fisheries, 28(9): 851-856. (en
japonés con resumen en inglés.
Hatanaka, M. y K. Sekino, 1962b. Ecological studies on the Japanese
sea-bass, Lateolabrax japonicus - II. Growth. Bulletin of the
Japanese Society of Scientific Fisheries, 28(9): 857-861. (en
japonés con resumen en inglés.
Hayashi, B. y S. Kiyono, 1977. Ecological studies on the Japanese sea
bass, Lateolabrax japonicus in the Western Wakasa Bay - I.
Seasonal distribution Kumihama Bay. Contributions of the Kyoto
Institute of Oceanic and Fishery Science, 1: 29-43. (En japonés).
Hayashi, B. y S. Kiyono, 1978. Ecological studies on the Japanese sea
bass, Lateolabrax japonicus in the Western Wakasa Bay - II. The
food habitat and growth of Japanese sea bass in yearling.
Contributions of the Kyoto Institute of Oceanic and Fishery Science,
2: 109-116. (En japonés)
Hayashi, I., 1969. Some observations on the reproductive duct of the
Japanese sea bass, Lateolabrax japonicus. Japanese Journal of
Ichthyology, 16(2): 68-73. (En inglés con resumen en japonés).
Hayashi, I. 1971. On the process of the testicular maturation of the
Japanese sea bass, Lateolabrax japonicus. Japanese Journal of
Ichthyology, 18(1): 39-50. (En japonés con resumen en ingles).
203
Referencias
Hayashi, I., 1972. On the ovarian maturation of the Japanese sea bass
Lateolabrax japonicus. Japanese Journal of Ichthyology, 19(4):
243-254.
Herbold, B., 1986. An alternative to the fullness index. In: Simenstad,
C. and G. M. Cailliet, (Eds.) Contemporary studies on fish feeding.
Dr. W. Junk Publishers. The proceedings of Gutshop' 84. (IV
Workshop on fish food habits, Pacific Grove, 1984: 315 - 320.
Hilborn, R. y C.J. Walters, 1992. Quantitative fisheries stock
assessment, dynamics and uncertainty. Chapman & Hall,
Londres. 570 p.
Hirai, A., 1988. Fine structures of the micropyles of pelagic eggs of some
marine fishes. Japanese Journal of Ichthyology. 35(3): 351-357.
Hoaglin, D.C. 1983. Letter values: A set of selected order statistics. In:
Understanding robust and exploratory data analysis, ed. Hoaglin,
D.C., F. Mosteller and J.W. Tukey, 33-57. New York, John Wiley
& sons.
Hoar, S.W., 1969. Reproduction. In Hoar W. S. y D. J. Randal (Eds.).
Fish Physiology. Vol. III. Academic Press Inc.: 1-72.
Holden, M.J. y D.F.S. Raitt (Eds.), 1975. Manual de Ciencia Pesquera.
Parte 2. Métodos para investigar los recursos y su aplicación.
Doc.Téc.FAO Pesca, (115) Rev. 1, Roma: 211 p.
Hunt, P.C. y J.W. Jones, 1972. The food of brown trout in Llyn Alaw,
Anglesey, North Wales. Journal of Fish Biology, 4: 333-352.
Hureau, J.C., 1969. Biologie comparee de quelques poissons
antarctiques (Nototheneidae). Bull. Inst. Oceanogr. Monaco, 68: 1-
44.
Hyndes, G.A., N.R. Loneragan e I.C. Potter, 1992. Influence of
sectioning otoliths on marginal increment trends and age and
growth estimates for the flathead, Platycephalus speculator.
Fishery Bulletin, 90: 276-284.
Hynes, H.B.N. 1950. The food of freshwater sticklebacks (Gasterosteus
aculeatus and Pygosteus pungitius), with a review of methods used
in studies of the food of fishes. Journal of Animal Ecology, 19: 35-
38.
Ibáñez-Aguirre, A.L., M. Gallardo-Cabello y X. Chiappa-Carrara, 1999.
Growth analysis of striped mullet, Mugil cephalus, and white
mullet, M. curema (Pisces: Mugilidae), in the Gulf of Mexico.
Fishery Bulletin 97: 861-872.
Irie, T., 1955. The crystal texture of the otolith of a marine teleost
Pseudosciaena. Journal of the Faculty of Fisheries and Animal
Husbandry, Hiroshima University, 1(1): 1-13.
Irie, T., 1957. On the forming season of annual rings (opaque and
translucent zones) in the otolith of several marine teleosts.
Journal of the Faculty of Fisheries and Animal Husbandry,
Hiroshima University, 1(3): 311-319.
204
Métodos actualizados para análisis de datos biológico-pesqueros
Irie, T., 1960. The growth of the fish otolith. Journal of the Faculty of
Fisheries and Animal Husbandry, Hiroshima University, 3(1): 203-
230.
Izenman , A.J., y C. Sommer, 1988. Philatelic mixtures and multimodal
densities. Journal of the American Statistical Association, 83(404):
941-953.
Jones, M.C., 1990. Variable kernel density estimates. Australian Journal
of Statistics, 32: 361-371.
Kimura, D.K. 1980. Likelihood methods for the von Bertalanffy growth
curve. Fishery Bulletin, 77(4): 765-776.
King, M. 1995. Fisheries biology, assessment and management. Fishing
News Books. Blackwell Science, Ltd., 341 p.
Knigth, R.L. y F.J. Margraf, 1982. Estimating stomach fullness in fish,
N. Amer. J. Fish. Manag. , 2: 413-414.
Knigth, W., 1968. Asymptotic growth: an example of nonsense disguised
as mathematics. Journal of the Fisheries Research Board of
Canada, 25: 1303-1307.
Kosaka, M., 1969. Ecology of the common sea bass, Lateolabrax
japonicus in Sendai Bay. Collected Reprints of the Faculty of
Marine Science and Technology, Tokai University, 3: 67-85. (En
japonés con resumen en inglés).
Kumar, K.D., y S.M. Adams. 1977. Estimation of age structure of fish
populations from length frequency data. In: W. Van Winkle (ed.)
Proceedings of the conference on assessing the effects of power-
plant-induced mortality on fish populations. Pergamon Press,
Oxford: 256-281.
Kuwatani, Y. 1962. Suzuki o taisho to suru gyosho no sogoteki kenkyu
(The synthetic study on the fish bank for the Japanese sea bass,
Lateolabrax japonicus). Bull. Kyoto Pref. Fish. Res. Lab., 8: 1-129.
Lagler, F.K., 1956. Freshwater Fishery Biology. Segunda edición.
WM.C.Brown Co. Publishers: 93-111.
Lagler, F.K., J.E. Bardach, R.R. Miller y D.R.M. Passino, 1984. Ictiología.
AGT-editor. 489 p.
Lam, T.J., 1983. Enviromental influences on gonadal activity in fish:
65-116. In Hoar W.S., D.J. Handal and E.M. Donaldson (ed). Fish
Physiology Vol. IX-A. Academic Press Inc.
Laurec, A. y B. Mesnil 1987. Analytical investigations of errors in
mortality rates estimated from length distribution of catches. In:
Length-based methods in fisheries research, eds. D. Pauly y G.R.
Morgan, 239-281. ICLARM Conference Proceedings 13, 468 p.
International Center for Living Aquatic Resources Management,
Manila, Philippines, and Kuwait Institute for Scientific Research,
Safat, Kuwait.
205
Referencias
206
Métodos actualizados para análisis de datos biológico-pesqueros
207
Referencias
208
Métodos actualizados para análisis de datos biológico-pesqueros
209
Referencias
210
Métodos actualizados para análisis de datos biológico-pesqueros
211
Referencias
212
Métodos actualizados para análisis de datos biológico-pesqueros
213
Apéndices
A1. Comandos para el Capítulo 4
En este apéndice y los posteriores se incluyen los comandos del paquete
estadístico Stata para obtener los resultados numéricos y gráficos de los
capítulos especificados. Al repetir las órdenes, se obtendrán los resultados
deseados. Es necesario tener instalados los programas requeridos. Los
mismos están disponibles en la Internet, en la página del Stata:
(http:/www.stata.com) y dentro de ella en la sección correspondiente al
Stata Technical Bulletin y ahora en The Stata Journal. Los programas
(archivos con extensión “ado”) deben instalarse apropiadamente.
. gen gaudat=invnorm(uniform())*2
. edit
- preserve
. save simugauc3
file simugauc3.dta saved
. sum
. edit
(4 vars, 33 obs pasted into editor)
. save histosimc3
file histosimc3.dta saved
Mean = -0.1398
s.d. = 1.9917
component size = 10004
. bandw gauda
____________________________________________________________
Some practical number of bins and binwidth-bandwidth rules
for univariate density estimation using histograms,
frequency polygons (FP) and kernel density estimators
============================================================
. warpdenm gaudat, b(.28) m(10) k(6) ylab xlab l1(Densidad) b2(Puntos medios) t1(.)
. edit
- preserve
. gr7 den mid, c(s) ylab xlab(-8(1)8) s(.) l1(Densidad) b2(Puntos medios)
216
Métodos actualizados para análisis de datos biológico-pesqueros
. gr7 freq gauco1 mid , c(ls) s(OP) ylab(0(50)250) xlab(-8(1)8) l1(Frecuencia suavizada) b2(Puntos
medios)
. gr7 freq mid, c(l) ylab(0(500)2500) xlab(6(6)36) l1(Frecuencia) b2("Longitud furcal (cm)"
217
Apéndice 1. Comandos para el Capítulo 4
. bhatgauc freq mid in 3/5 , ylab(0(500)2500) b2("Longitud furcal (mm)") l1(Frecuencia) t1(.)
xlab(6(6)36) gen(gauco1)
R-square = 0.9998 Adj R-square = 0.9996
Mean = 11.0480
s.d. = 0.8443
component size = 5783
. bhatgauc freq mid in 7/9 , ylab(0(500)2500) b2("Longitud furcal (mm)") l1(Frecuencia) t1(.)
xlab(6(6)36) gen(gauco2)
R-square = 0.9939 Adj R-square = 0.9878
Mean = 15.3153
s.d. = 1.1971
component size = 4498
. bhatgauc freq mid in 12/14 , ylab(0(500)2500) b2("Longitud furcal (mm)") l1(Frecuencia) t1(.)
xlab(6(6)36) gen(gauco3)
R-square = 0.9980 Adj R-square = 0.9960
Mean = 19.8759
s.d. = 1.6295
component size = 2988
. bhatgauc freq mid in 20/22 , ylab(0(500)2500) b2("Longitud furcal (mm)") l1(Frecuencia) t1(.)
xlab(6(6)36) gen(gauco5)
R-square = 0.9937 Adj R-square = 0.9875
Mean = 26.5694
s.d. = 1.5229
component size = 533
. bhataplt freqa mid in 1/25, yline(0) ylab xlab(6(6)36) l1(Diferencias logarítmicas de frecuencia)
b2("Longitud furcal (cm)") t1(.)
218
Métodos actualizados para análisis de datos biológico-pesqueros
. gr7 freq gauco1 gauco2 gauco3 gauco4 gauco5 mid, c(lsssss) s(O.....) ylab(0(500)2500)
xlab(6(6)36) l1(Frecuencia
> ) b2("Longitud furcal (mm)") t1(.) tline(11.05, 15.32, 19.89, 23.62, 26.57) tlab(11.05, 15.32,
19.89, 23.62, 26.57) yscale(0,2600)
------------------------------------------------------------------------------
sumgauc | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
freq | 1.022084 .0209424 48.80 0.000 .9791134 1.065054
_cons | -19.39219 16.39365 -1.18 0.247 -53.02919 14.24481
------------------------------------------------------------------------------
. predict sumgaue
(option xb assumed; fitted values)
. gr7 sumgauc sumgaue freq, c(.l) sort ylab xlab l1(Suma de Gaussianos estimados) b2(Frecuencia
observada)
. gr7 sumgauc sumgaue freq, c(.l) s(O.) sort ylab xlab l1(Suma de Gaussianos estimados)
b2(Frecuencia observada)
| sumgaue freq
-------------+------------------
sumgaue | 1.0000
|
|
freq | 1.0000 1.0000
| 0.0000
|
. di .9984^2
.99680256
. di .9984^.5
.99919968
219
Apéndice 1. Comandos para el Capítulo 4
. gr7 freq smfreq mid, c(.s) s(O.) ylab(0(5)15) xlab(20(10)60) l1(Frecuencia) b2("Longitud (cm)")
. edit
- preserve
- label var smfreq "Suavizados"
- label var midpoi "Observados"
. gr7 freq smfreq mid, c(.s) s(O.) ylab(0(5)15) xlab(20(10)60) l1(Frecuencia) b2("Longitud (cm)")
. edit
- preserve
- label var freq "Observados"
- label var midpoi ""
. gr7 freq smfreq mid, c(.s) s(O.) ylab(0(5)15) xlab(20(10)60) l1(Frecuencia) b2("Longitud (cm)")
220
Métodos actualizados para análisis de datos biológico-pesqueros
. gr7 freq smfreq gauco1 gauco2 gauco2a gauco3 gauco4 gauco5 gauco6 mid, s(O........) c(.ssssssss)
ylab xlab(20(10)60) tlab(25.52,30.03,34.24,41.15,45.79,49.59,53.44)
xline(25.52,30.03,34.24,41.15,45.79,49.59,53.44) l1(Frecuencia) b2("Longitud (mm)") t1(.)
. gen sumadgk=sum(adgk25)
. gen freqak5=adgk25*319/sumadgk[_N]
(23 missing values generated)
221
Apéndice 1. Comandos para el Capítulo 4
. gen miadgkb=miadgk25/10
(23 missing values generated)
. gr7 freqak5 gauco1 gauco2 gauco2a gauco3 gauco4 gauco5 gauco6 miadgkb, s(o.......) c(lsssssss)
ylab(0(5)20) xlab(20(10)60) tlab(25.99,30.34,35.05,41.56,45.85,49.43,53.07)
xline(25.99,30.34,35.05,41.56,45.85,49.43,53.07) l1(Frecuencia suavizada) b2("Longitud (cm)")
t1(.)
222
A2. Comandos para el Capítulo 6
. use catfilen
. sum
. gen sumden=sum(den6p7)
. gen smfre=641*den6p7/sumden[_N]
(543 missing values generated)
. gr7 smfre gauco1-gauco4 mid, c(lssss) s(o....) t1(" ") t2(" ") l1(Frecuencia) b2(Longitud
patrón)
. save bagcreli
file bagcreli.dta saved
. bevholt mblen age, linf(333.06) ylab xlab b2("Edad (años)") t1(Gráfico de Beverton-Holt, K
= 0.2574; t_0 = -0.0
> 055) gen(mblest)
. edit
- preserve
- label var mblen "Observados"
- label var mblest "Estimados"
224
Iteration 5: residual SS = 33.9919
Iteration 6: residual SS = 33.9919
Iteration 7: residual SS = 33.9919
. predict mlenest
(option yhat assumed; fitted values)
225
. gr7 mlen mlenest age, s(O.) c(.s) yline(862.24) ylab xlab
. gr7 mlen mlenest age, s(O.) c(.s) yline(862.24) ylab xlab l1("Longitud patrón (mm)") b2("Edad
(años)"
> )
. edit
- preserve
- label var mlen "Observados"
- label var mlenest "Ajustados"
. gr7 mlen mlenest age, s(O.) c(.s) yline(862.24) ylab xlab l1("Longitud patrón (mm)") b2("Edad
(años)"
> )
. bevholt mlen age, l(964) gen(mleghbh) ylab xlab(0(2)12) b2("Edad (años)") t1(Gráfico de
Beverton-Holt
> ; K = 0.1229, t_0 = - 1.7702)
. edit
- preserve
- label var mleghbh "Estimados"
. gr7 mlen mleghbh age, s(O.) c(.s) yline(862.24) ylab xlab l1("Longitud patrón (mm)") b2("Edad
(años)"
> )
. gr7 mlen mleghbh age, s(O.) c(.s) yline(862.24) ylab xlab(0(2)12) l1("Longitud patrón (mm)")
b2("Edad
> (años)")
226
A3. Comandos para el Capítulo 7
Método de Hotelling: Se introducen las matrices (Tabla 1 de Bernard,
1981):
. matrix Sm = (294.7427,-0.6018,-32.5704\-.6018,.0013,.073\-32.5704,.073,4.2296)
. matrix Sf = (1596.1804,-1.1895,-91.0468\-1.1895,.0009,.0713\-91.0468,.0713,5.7613)
. matrix Pm=(441.16,.13,-3.36)
. matrix Pf=(505.97,.09,-4.57)
- Luego se usa una sola ecuación para describir el crecimiento de los peces
(ignorando el sexo):
. nl vbgf ml age
(obs = 24)
. di chi2tail(3,12.077)
.00712399
. di chi2tail(1,9.4865)
.00206989
. di -24*log(48.2238/56.33682)
3.7318954
. di chi2tail(1,3.73189)
.05338296
. di -24*log(48.2238/50.75778)
1.2290936
. di chi2tail(1,1.2291)
.26758214
. matrix Sm = e(V)
. matrix Pm = e(b)
. matrix Sf = e(V)
. matrix Pf = e(b)
. hotegfun Sm Sf Pm Pf 11 13 99
228
A4. Programa EDK2000
A continuación se presenta un breve tutorial para el programa EDK 2000
tal como se presenta en el archivo readme.txt que lo acompaña:
El programa EDK 2000 es un ejecutable escrito en Visual Basic
Ver. 5.0 (Microsoft Corporation, 1997) que integra los procedimientos
más conocidos para el cálculo de los estimadores de densidad por kernel,
incluidas las “trazas de densidad” presentadas en Chambers, et al. (1983)
y el estimador de densidad por kernel gaussiano de amplitud variable
(Fox, 1990; Salgado-Ugarte, et al. 1993; Salgado-Ugarte y Pérez-
Hernández, 2003). Esta versión todavía es muy simple pero con la
ventaja de funcionar en el ambiente Windows.
Requerimientos:
Sistema 486 o superior (Pentium recomendado)
S.O. Windows 95, 98, Millenium ó XP (Recomendado)
Archivo
Abrir
Guardar resultados
Cerrar
Estimar
Apéndice 4. Programa EDK2000
Traza de densidad
Directa
Discreta
EDK
Directa
Discreta
EDKVariable(Gauss)
Directa
Discreta
Graficar
Puntos
Líneas
Ayuda
Acerca de
230
Métodos actualizados para análisis de datos biológico-pesqueros
231
Apéndice 4. Programa EDK2000
232
A5. Programa PAC (Programas para el
Análisis del Crecimiento)
El programa PAC (Programas para el análisis del Crecimiento) consta de
una serie de rutinas para la estimación y comparación de funciones de
crecimiento a través de diferentes métodos. Para su ejecución se
requiere de la instalación del programa al disco duro, y se realiza
haciendo doble clic con el ratón en el icono del archivo ejecutable
"Instalar.exe". Una vez instalado se ejecuta haciendo clic con el ratón en
el menú inicioÆprogramasÆPACÆPAC v1.0, y se abre una ventana de
presentación que se cierra al oprimir el botón Aceptar. Enseguida
aparece la pantalla principal del programa con los siguientes menús:
Archivo
Nuevo
Estimación de Parámetros
T^2 de Hotelling
Razón de Verosimilitud
Abrir
Estimación de Parámetros
T^2 de Hotelling
Razón de Verosimilitud
Guardar Matriz de Varianza-Covarianza
Salir
Estimación de Parámetros
Regresión Lineal
Regresión No Lineal
Comparación de Curvas
T^2 de Hotelling
Razón de Verosimilitud
En el submenú Nuevo del menú Archivo se pueden crear
diferentes archivos correspondientes a los datos disponibles.
Estimación de Parámetros: se requieren datos de edad y talla, y
opcionalmente número de individuos. En caso de no tener éste último
dato se coloca el número 1 en la celda correspondiente.
T^2 de Hotelling: se requiere la matriz de varianza-covarianza, el
valor estimado de los parámetros y el número de individuos.
Razón de Verosimilitud: se requieren datos de edad, talla y una
variable categórica que indique a que grupo pertenecen dichos datos,
ésta variable debe ser un número entero. De manera opcional se puede
ingresar el valor de número de individuos, y en caso de no tener éste
último dato se coloca el número 1 en la celda correspondiente. En los
tres casos se guardan los archivos en formato .csv o .txt.
El submenú Abrir del menú Archivo se encuentra disponible solo
si está activa la ventana del método correspondiente. Para crear los
archivos .csv, en una hoja de cálculo se ingresan los valores colocando
en columnas primero la edad, talla y al final el número de individuos, si
es que se cuenta con este último dato, para el caso de estimación de
parámetros. Para el caso de razón de verosimilitud, se colocan en
Apéndice 5. Programas para el Análisis del Crecimiento
234
Métodos actualizados para análisis de datos biológico-pesqueros
Índice temático
A
amplitud
de banda, 8, 11, 40, 42, 43, 44, 45, 46, 47, 48, 55, 71, 72, 73, 74, 83, 92, 98, 105, 108
óptima, 55
reglas prácticas, 74, 103, 105
reglas prácticas, 11, 15, 40, 47, 50
de intervalo, 11, 12, 20, 39, 66, 67, 73, 74
reglas prácticas, 11, 15, 40, 47, 50, 74, 103, 105
de ventana (banda)
variable, 52, 71, 72, 73, 74
óptima, 11, 12
amplitud de banda
crítica, 40, 111
Análisis
de frecuencia de tallas, 5, 11, 13, 41, 103, 104, 125
de poblaciones virtuales, 10
análisis de covarianza (ANCOVA), 145
análisis multivariado de covarianza (ANMUCOVA), 170, 171, 172, 173, 174, 175, 176,
178, 179, 180, 181, 182, 183, 187, 188, 190, 191, 192, 193, 194, 195, 196, 197
Análisis multivariado de varianza (MANOVA), 140, 172, 173
B
Bairdiella chrysoura, 187
C
Cathorops melanopus, 110, 111, 112
Comparación de dos funciones de crecimiento
prueba de razón de verosimilitud, 129, 133
Comparación de funciones de crecimiento
von Bertalanffy y Gompertz, 106
componentes
gaussianos, 46, 104, 113
corvina, 187, 188, 190, 191, 192, 193, 195, 197
crecimiento, 5, 7, 9, 10, 12, 13, 39, 41, 46, 48, 49, 51, 52, 73, 74, 75, 76, 77, 79, 80, 81,
82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 94, 96, 97, 99, 100, 102, 103, 104, 105, 106,
107, 108, , 109, 110, 113, 115, 116, 117, 118, 119, 120, 121, 123, 124, 125, , 126, 128,
129, 130, 131, 133, 135, , 140, 144, 149, 171, 184
curvas, 46, 89, 130
factores endógenos, 86
factores exógenos, 86
modelos, 89, 90, 106, 129
Brody, 90
1
Métodos actualizados para análisis de datos biológico-pesqueros
Gompertz, 105
von Bertalanffy, 102
D
datos
de frecuencia de tallas, 10, 104
ruidosos, 65, 66, 71
Dentex tumifrons (“kidai”), 13, 57, 58, 59, 60, 61, 65, 66
Desarrollo de los ovarios
sincrónico, 136
desviación estándar, 2, 5, 17, 21, 52, 57, 60, 74, 105, 107, 112, 143
dicromatismo sexual, 135
diferencias logarítmicas, 16, 51, 57, 59, 62, 65, 66, 69, 74, 111
dimorfismo sexual, 135
discontinuidad, 75, 80
distribución, 1, 2, 3, 4, 6, 7, 8, 9, 12, 13, 16, 17, 19, 39, 42, 46, 47, 51, 52, 57, 71, 72, 74,
82, 83, 102, 104, 105, 107, 111, 112, 126, 128, 130, 134
acumulada, 3
de los datos, 72
gaussiana, 1, 2, 3, 16, 17, 18, 19, 40, 42, 44, 52, 55, 62, 74, 105
modas, 1, 3, 4, 6, 8, 9, 11, 12, 13, 39, 40, 42, 46, 47, 49, 50, 51, 52, 59, 65, 66, 68, 75,
82, 105, 107, 111
multimodal, 1, 39, 42, 47, 50, 104, 105, 111
multivariada, 128
polimodal, 2
sesgada, 4, 6, 40, 42, 45, 46, 105
distribuciones
de frecuencia de longitud, 13, 66
de frecuencia de talla, 1, 46
mezcladas, 3, 7, 10, 51, 52, 71
distribuciones Gaussianas, 2, 17, 51
simulación de, 16
E
edad, 4, 5, 6, 7, 8, 9, 10, 11, 12, 39, 41, 46, 47, 48, 49, 50, 51, , 73, 74, 75, 76, 78, 79,
80, 82, 83, 84, 85, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 99, 101, 102, 105, 106, 108,
109, 115, 116, 118, 119, 120, 121, 122, 123, 124, 170, 126, 127, 131, 132, 134, 138,
139, 141, 142, 144, 146, 148
escala probabilística, 1, 2, 51
Essox lucius, lucio, 13
Estimación
constantes de función de crecimiento de von Bertalanffy
gráfico de Ford-Walford, 92, 94, 99, 100, 107, 108, 113, 114
Gráfico de von Bertalanffy, 92, 99, 100
Método (gráfico) de Gulland, 95, 98, 108, 115, 116, 122
Método (gráfico) de Gulland-Holt, 108, 116, 122
Método de Beverton y Holt, 101
2
Métodos actualizados para análisis de datos biológico-pesqueros
F
factores de condición
hepatosomático, 186
factores de condición:, 188
fecundidad, 141, 142, 143, 144, 145, 146, 147, 148
absoluta, 144
estimación de la, 146
índice de, 142
poblacional, 142
y peso, 145
fecundidad total (absoluta), 141
frecuencia, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 16, 20, 21, 39, 40, 42, 43, 46, 48, 51,
52, 53, 55, 56, 57, 58, 59, 60, 62, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 82, 83, 87,
88, 91, 92, 99, 102, 104, 106, 110, 111, 143, 149
función
ponderal
gaussiana, 16, 18, 40, 43, 44, 45, 47, 52, 54, 55, 56, 57, 60, 61, 62, 74, 75
G
gallineta del Pacífico, 131
Grupos de edad, 4, 7, 8, 9, 12, 47, 51, 52, 75, 82, 83, 123, 148
3
Métodos actualizados para análisis de datos biológico-pesqueros
H
histograma, 4, 8, 9, 13, 39, 40, 41, 42, 44, 53, 66, 71, 73, 94, 104, 111
centros de clase, 62, 111, 143
intervalo, 1, 3, 5, 7, 8, 9, 11, 12, 13, 20, 21, 41, 46, 48, 53, 58, 65, 66, 71, 7 , 88, 89,
92, 99, , 105, 107, 108, 118, 119, 121, 127, 128, 131, 139, 143, 149
número de intervalos, 11, 16
histogramas desplazados promedio (HDP), 40, 41
I
índice de repleción, 169, 170, 183, 186
índices morfométricos
gonadosomático, 139, 140, 169
índice de repleción, 169, 170, 183, 186
índices morfométricos:, 187
intervalo, 2, 3, 4, 7, 9, 11, 12, 13, 16, 21, 43, 44, 52, 53, 59, 60, 62, 66, 71, 72, 74, 105,
108, 112, 122, 127
amplitud, 11, 12, 20, 39, 66, 67, 73, 74, 75, 88, 95, 102, 105, 108
kernel
gaussiano, 111, 112
L
Laguna de Tampamachoco, Ver. Mëxico. , 110, 112, 187, 188, 192
Lateolabrax japonicus, suzuki, 41, 47, 120, 121, 122, 123, 124
Lectura de partes duras, 41, 103, 104
lenguajes de programación
C, 18, 19, 20, 64, 65, 105, 145, 175, 176, 178, 180, 182
S, 124, 129, 131, 134, 145
localización, 39, 74
M
maduración sexual, 138, 139
matriz conjunta de varianza-covarianza, 127
Merluza norteña, (, 132
4
Métodos actualizados para análisis de datos biológico-pesqueros
mínimos cuadrados, 6, 40, 42, 45, 57, 74, 95, 105, 110, 118, 129, 130, 144, 145, 147
muestreo repetitivo
bootstrap, 39, 40, 42, 50, 74, 105, 111
multimodalidad, 39, 42, 47, 50, 105, 111
P
parábola, 51
Plectropomus leopardus, 13, 52, 65, 67, 68, 71
polígonos de frecuencia, 1, 17, 40, 53, 65, 66
probabilidad, 5, 7, 16, 74, 126, 128, 134
programas
para estimación de constantes de la FCVB
gráfico de Ford-Walford, 113
Método de Beverton yHolt, 116
Método de Gulland, 114
Programas para comparación de dos funciones de crecimiento
prueba T2 de Hotelling, 131
Programas para estimación de constantes de crecimiento, 103
Programas para descomposición gaussiana
bhataplt.ado, 59
bhatgauc.ado, 60, 62, 74
Programas para pesquerías
ELEFAN I, 52, 66
LFSA, 52
MIX, 12, 52
MULTIFAN, 52
promedio ponderado de puntos redondeados, 40, 41
promedios móviles, 1, 2, 3, 13, 14, 66, 68
prueba de Silverman para multimodalidad, 40, 41, 42, 46, 47, 49, 50
R
razón de verosimilitud, 123, 129, 130, 132, 133, 134, 135
regresión no lineal, 41, 46, 104, 110, 118, 120, 121, 124, 127, 130
ponderada, 41
regresión no paramétrica
Relación peso-longitud, 90, 106, 107, 108
reproducción
estrategias y tácticas, 105, 106, 187
S
Sebastes alutus, 131
5
Métodos actualizados para análisis de datos biológico-pesqueros
T
Tasa de incremento relativa, 87
trucha coralina, 13, 52, 65, 67, 68, 71
Plectropomus leopardus, 65, 67, 68
U
univariada, 172, 184, 185, 127, 135
V
validación cruzada
por mínimos cuadrados, 40
sesgada, 40
validación de estimaciones de edad, 82
varianza, 16, 126, 127, 128, 129, 131, 134, 135, 169, 186
von Bertalanffy (función de crecimiento), 5, 10, 41, 46, 48, 49, 51, 89, 90, 91, 92, 93, 96,
97, 99, 100, 102, 103, 105, 106, 107, 108, 109, 110, 113, 114, 115, 116, 117, 118, 119,
121, 123, 124, 125, 126, 127, 128, 129, 130, 131, 133, 134
6
View publication stats