A UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD DEL PERÚ. DECANA DE AMÉRICA
FACULTAD DE CIENCIAS BIOLÓGICAS
ESCUELA PROFESIONAL DE GENÉTICA Y BIOTECNOLOGÍA
Presentación de Cuestionario y Mini Casos
Curso:
Ecología
Integrantes:
Cruzado Rojas Dana
Huaman Ticse Max
Leon Infante Ángel
Docente:
Mg. José Roque Gamarra
1
A. CUESTIONARIO
1. Busque un artículo de ecología que aplique una de las pruebas
estadísticas y señale porque se escogió y qué comprobó con su
uso.
Gómez Velázquez, Alejandra, Tadeo Noble, Alfredo Esteban, Beltrán
Rodríguez, Leonardo, Guízar Nolazco, Enrique, Apodaca Martínez, Maribel,
& Leyva Ovalle, Ángel. (2020). Coeficiente de asociación entre especies de
selva mediana subperennifolia en Calakmul, México. Bosque (Valdivia),
41(3), 233-239. [Link]
En el siguiente estudio, se utilizaron pruebas estadísticas, específicamente la
prueba de Chi-cuadrada (χ²) y el coeficiente de asociación interespecífica de
Cole, para analizar las relaciones entre las especies arbóreas en la selva
mediana subperennifolia de Calakmul, México.
● Prueba de Chi-cuadrada (χ²): Se utilizó para determinar la
independencia en la distribución de las especies. Esta prueba
permitió evaluar si la frecuencia de co-ocurrencia de pares de
especies es diferente de lo que se esperaría por azar. Logrando
identificar cuántos pares de especies mostraron independencia
en su distribución y cuántos presentaron asociaciones
significativas, proporcionando información sobre las
interacciones ecológicas entre las especies.
2
● Coeficiente de asociación interespecífica de Cole: Se empleó
para cuantificar la intensidad de las asociaciones entre las
especies, diferenciando entre asociaciones positivas y
negativas. Identificando qué especies tienden a coexistir más
frecuentemente de lo esperado (asociaciones positivas) y cuáles
tienden a evitarse (asociaciones negativas), logrando entender
la dinámica de la comunidad vegetal.
2. Revise el artículo de Steel et al. 2013. Lea el Abstract y la Tabla
1 y discuta las principales ideas
([Link]
El artículo destaca la importancia de la estadística en la investigación
ecológica y señala que muchos errores comunes pueden ser evitados mediante
una mejor comprensión de las prácticas estadísticas. Los autores enfatizan que
la falta de formación estadística adecuada puede llevar a conclusiones erróneas
y a la publicación de resultados que no son replicables. Se sugiere que los
ecologistas deben mejorar su formación en estadística y colaborar con
estadísticos aplicados para diseñar estudios más robustos y evitar errores
comunes. Además el artículo presenta una lista de los errores estadísticos más
comunes en la investigación ecológica, junto con sus soluciones. Entre ellos
se encuentran:
● Muchos investigadores no exploran adecuadamente sus datos antes de
realizar análisis estadísticos. La solución propuesta es realizar
visualizaciones de datos, como histogramas y gráficos de dispersión,
para identificar patrones y errores en los datos.
● Algunos investigadores aplican pruebas estadísticas sin considerar si
son adecuadas para sus datos. Por ejemplo, el uso de pruebas
paramétricas en datos que no cumplen con los supuestos necesarios. La
3
solución es elegir pruebas que se ajusten a la naturaleza de los datos y
considerar transformaciones si es necesario.
● Los autores advierten sobre la interpretación errónea de los resultados
estadísticos, como confundir correlación con causalidad. Se sugiere
que los investigadores sean cautelosos al hacer inferencias y que
consideren el contexto ecológico de sus hallazgos.
● Otro error muy común es asumir que las observaciones son
independientes cuando en realidad pueden estar correlacionadas. La
solución es diseñar estudios que reconozcan y manejen la dependencia
en los datos, como el uso de análisis de medidas repetidas.
● Cuando se realizan múltiples pruebas estadísticas, existe un riesgo
elevado de obtener resultados significativos por azar. Se recomienda
aplicar correcciones, como la corrección de Bonferroni, para controlar
la tasa de error tipo I.
B. DESARROLLO DE MINI CASOS
Como científicos, utilizamos estadísticas para cuantificar la
significancia de nuestros resultados, para determinar si los patrones
que observamos son el resultado de un determinado estímulo o
simplemente son un artefacto del azar. Hay una variedad de
diferentes diseños experimentales y tipos de datos que usamos para
estudiar el mundo que nos rodea, y diferentes datos requieren
diferentes pruebas estadísticas. Esta actividad está diseñada para
brindarle la oportunidad de seleccionar y aplicar la prueba
estadística adecuada a un conjunto de datos determinado. Nos
centraremos en la aplicación y el uso de cuatro pruebas
estadísticas: prueba t, ANOVA de una vía, regresión lineal y prueba
de Chi-cuadrado.
4
a. Escriba un conjunto de hipótesis, una hipótesis nula y una
alternativa, basadas en la pregunta de investigación
proporcionada en el escenario.
b. Determine la prueba estadística apropiada para evaluar el
significado de los resultados y probar sus hipótesis.
c. Pregúntese: ¿qué tipo de datos tengo? ¿Estoy comparando
grupos o evaluando una relación?
d. Explica por qué esta prueba es apropiada al describir la
evaluación lograda al usar esta prueba.
e. Use la prueba estadística que seleccionó su grupo para
analizar el conjunto de datos y probar su hipótesis (puede
usar Past, SPSS o R, o cualquier otro medio).
f. Discuta cómo interpretar los resultados de la prueba. ¿Se
necesitan pruebas adicionales para probar su hipótesis? Si es
así, ¿qué prueba usarías?
g. Evalúe la varianza calculada en la prueba e interprete este
número.
1. Conjunto de datos N° 3
Al investigar el uso del hábitat por conejos de rabo
blanco, usted decide evaluar el impacto del ramoneo
de los conejos en el crecimiento de los árboles
jóvenes. Para lograr esto, configura siete áreas de
exclusión ("sin depredador") usando cercas a prueba
de conejos y siete áreas sin exclusión de igual tamaño
sin cercas ("con depredador"). Después de dos años,
5
compara la altura media del árbol (cm) con los
tratamientos "sin depredador" y "con depredador".
Sin depredadores Con depredadores
218.3 52.07
224.8 25.91
244.09 39.88
230.1 46.8
211.33 35.7
250.2 64.2
234.95 59.4
Dado que es una comparación de alturas medias de dos grupos independientes,
la prueba estadística apropiada es la prueba t de Student.
Hipótesis nula: No hay una diferencia significativa en la altura de los árboles entre las
áreas con y sin depredadores.
𝐻0: μ sin depredadores = μcon depredadores
Hipótesis alternativa: Hay una gran diferencia entre la altura de los árboles de las
áreas con y sin depredadores.
𝐻1: μ sin depredadores ≠ μcon depredadores
La variable dependiente ( altura del árbol) es cuantitativa y continua.
La variable independiente es la presencia o ausencia de depredadores, osea los
conejos, es cualitativa y nominal.
6
Se está comparando las medias de dos grupos independientes “sin depredadores”
y “con depredadores”.
T de Student es apropiada porque la variable es cuantitativa y continua. Se
comparan las medias de dos grupos independientes. Se asume que los datos
siguen una distribución normal y que las varianzas son similares entre los
grupos.
Para realizar nuestra prueba utilizamos python:
# Importamos las librerías necesarias para realizar la prueba t de Student
import numpy as np
# Datos proporcionados
sin_depredadores = [218.3, 224.8, 244.09, 230.1, 211.33, 250.2, 234.95]
con_depredadores = [52.07, 25.91, 39.88, 46.8, 35.7, 64.2, 59.4]
# Realizamos la prueba t para muestras independientes
t_statistic, p_value = stats.ttest_ind(sin_depredadores, con_depredadores,
equal_var=False)
# Calculamos la varianza de cada grupo
var_sin_depredadores = [Link](sin_depredadores, ddof=1)
var_con_depredadores = [Link](con_depredadores, ddof=1)
● Varianza sin depredadores: 190.26
● Varianza con depredadores: 182.48
7
Al resultar las varianzas similares, sugiere que las suposiciones de la prueba t se
cumplen de manera correcta. Sin necesidad de realizar una corrección adicional
por desigualdad de varianzas.
Estadístico t es 25.25
−12
El valor de p es 9.11 x 10
Al ser, el valor de p, demasiado pequeño, muchísimo menor que el nivel de
significancia utilizado (α = 0.05), lo q indica que rechazamos la hipótesis nula 𝐻0.
No es necesario realizar otras pruebas, pero se podría realizar la prueba U
Mann-Whitney, que es una prueba no paramétrica, para asegurarse de que los
resultados no se vean afectados por la suposición de normalidad.
2. Conjunto de datos N° 4
Una parte del sitio de campo para el estudio del uso
del hábitat por conejos de rabo blanco en Indiana
también es parte de un proyecto de restauración de
praderas. En las praderas hay una variedad de
regímenes de perturbación y prácticas de manejo
utilizadas para promover la diversidad de pastos y
prevenir el crecimiento de árboles y arbustos. Algunas
áreas de este sitio de campo se manejan con
quemaduras controladas, pastoreo por ganado o
regímenes de quema y pastoreo. Para evaluar el
hábitat de conejos y la diversidad de pastos, se
determina el número total de especies de pastos
presentes en áreas de pradera que no experimentan
manejo, quemaduras, pastoreo y quema controlada y
8
pastoreo, utilizando siete sitios de muestreo
seleccionados al azar por área.
Sin manejo Quema Pastoreo Quema y
pastoreo
2 9 6 10
3 10 7 14
1 6 11 12
2 8 9 15
4 8 10 8
1 11 8 13
5 7 5 11
Como estamos comparando el número de especies de pastos en cuatro grupos
independientes, la prueba estadística es ANOVA.
ANOVA es la mejor opción porque la variable dependiente (el número de
especies de pastos) es cuantitativa continua. Se comparan las medias de más de
dos grupos independientes. Además esta prueba evalúa si hay diferencias
significativas entre las medias de los grupos.
Hipótesis nula: No hay una diferencia significativa con respecto al número total de
especies de pastos entre las áreas con diferentes tipos de manejo.
𝐻0: μ sin manejo = μ quema = μ pastoreo = μquema y pastoreo
Hipótesis alternativa:
𝐻1: μ sin manejo ≠ μ quema ≠ μ pastoreo ≠ μquema y pastoreo
9
La variable dependiente es el número de especies de pastos, y es cuantitativa y
continua
La variable independiente es el régimen de cómo se maneja la pradera, es
cualitativa y ordinal.
Se comparan las medias de más de dos grupos independientes.
Para realizar nuestra prueba utilizamos python:
# Importamos las librerías necesarias para realizar el ANOVA
import numpy as np
from scipy import stats
# Datos proporcionados para cada grupo
sin_manejo = [2, 3, 1, 2, 4, 1, 4]
quema = [9, 7, 10, 4, 8, 8, 9]
pastoreo = [6, 7, 7, 9, 6, 11, 10]
quema_pastoreo = [10, 14, 12, 15, 8, 10, 8]
# Realizamos el ANOVA de una vía
f_statistic, p_value = stats.f_oneway(sin_manejo, quema, pastoreo, quema_pastoreo)
# Calculamos la varianza de cada grupo
var_sin_manejo = [Link](sin_manejo, ddof=1)
10
var_quema = [Link](quema, ddof=1)
var_pastoreo = [Link](pastoreo, ddof=1)
var_quema_pastoreo = [Link](quema_pastoreo, ddof=1)
● Varianza sin manejo: 1.62
● Varianza quema: 3.81
● Varianza pastoreo: 4.00
● Varianza quema y pastoreo: 7.67
Las varianzas son diferentes entre los grupos. En este caso, se podría realizar
una prueba adicional como el test de Welch para comparar grupos con varianzas
desiguales.
Estadístico F es 20.87
−7
Valor de p es 7.14 𝑥 10
Se rechaza la hipótesis nula ya que el valor de p es significativamente menor al
típico 0,05, osea que hay diferencias significativas con respecto al número de
especies de pastos entre al menos dos de los grupos.
Si se desea específicamente qué grupos difieren entre sí, se podría realizar una
prueba post-hoc como el test de Tukey, que permite determinar entre qué pares
de grupos existen diferencias significativas.
11
