Trabajo Grupo 3 Camila Restrepo!

1
UNIVERSIDAD DEL MAGDALENA

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA PESQUERA
BIOLOGÍA PESQUERA
Prof. Luis M. Manjarrés Martínez
TRABAJO 3: TALLER SOBRE MUESTREO BIOLÓGICO Y

PROCESAMIENTO DE DATOS RESULTANTES
OBJETIVOS
 Familiarizar al estudiante con el muestreo biológico y el procesamiento de los datos

resultantes del mismo.
 Potencializar en los estudiantes las habilidades requeridas para la interpretación de

los resultados de un análisis biológico.
CONTENIDO DEL TRABAJO
Algunos de los siguientes puntos pueden ser resueltos usando Excel. Sin embargo, para
algunas pruebas estadísticas más específicas se requerirá usar un programa estadístico
(Statgraphics, SPSS o cualquier otro software estadístico). Es importante que responda
cada una de las preguntas que se le formulan, en el sentido estricto de lo que se solicita.
Por tanto, se recomienda encabezar cada diapositiva con el número y texto de la pregunta
correspondiente. Los grupos 1, 2 y 3 trabajarán con los datos de ojo gordo (Selar
crumenophthalmus) y los grupos 4, 5 y 6 con los datos de cojinoa negra (Caranx
crysos). Solo en el punto 19 de este trabajo se requiere que todos los grupos
consideren los datos de tallas (LT) de las dos especies. El grupo de dos estudiantes del
trabajo pasado debe integrarse (juntos o separados) a uno de los grupos ya existentes.
2
1. a) Construya una tabla de frecuencias y un histograma de frecuencias de tallas (LT)

con el tamaño de clase mínimo necesario para que no haya baches en el histograma
de frecuencias.
Tabla de Frecuencias para LT (mm)
Límite Límite Frecuencia Frecuencia Frecuencia
Clase Inferior Superior Punto Medio Frecuencia Relativa Acumulada Rel. Acum.
menor o igual 210.0 0 0.0000 0 0.0000
1 210.0 217.5 213.7 0 0.0000 0 0.0000
2 217.5 225.1 221.3 2 0.0333 2 0.0333
3 225.1 232.7 228.9 2 0.0333 4 0.0667
4 232.7 240.3 236.5 4 0.0667 8 0.1333
5 240.3 247.9 244.1 9 0.1500 17 0.2833
6 247.9 255.5 251.7 14 0.2333 31 0.5167
7 255.5 263.0 259.2 9 0.1500 40 0.6667
8 263.0 270.6 266.8 11 0.1833 51 0.8500
9 270.6 278.2 274.4 2 0.0333 53 0.8833
10 278.2 285.8 282.0 5 0.0833 58 0.9667
11 285.8 293.4 289.6 1 0.0167 59 0.9833
12 293.4 301.0 297.2 1 0.0167 60 1.0000
mayor de 301.0 0 0.0000 60 1.0000
Media = 256.8 Desviación Estándar = 15.8101
El StatAdvisor
Esta opción ejecuta una tabulación de frecuencias dividiendo el rango de LT (mm) en intervalos del mismo ancho, y
contando el número de datos en cada intervalo. Las frecuencias muestran el número de datos en cada intervalo,
mientras que las frecuencias relativas muestran las proporciones en cada intervalo. Puede cambiarse la definición de
los intervalos pulsando el botón secundario del ratón y seleccionando Opciones de Ventana. Pueden verse
gráficamente los resultados de la tabulación seleccionando Histograma de Frecuencias de la lista de Opciones
Gráficas.
b) ¿Qué conclusiones extrae de la distribución de las tallas? Recuerde que idealmente

el número de clases debería oscilar entre 10 y 20. Elija los límites de las clases de tal
forma que la marca de clase tenga máximo un decimal.
3
2. a) Contraste la hipótesis de normalidad de los datos de LT, utilizando el test de

Shapiro-Wilk (plantee las hipótesis nulas y alterna y la decisión estadística, basada
en el valor p de la prueba) Use el nivel de significación α=0.05.
Pruebas de Normalidad para LT (mm)
Prueba Estadístico Valor-P
Estadístico W de Shapiro-Wilk 0.988131 0.94412
El StatAdvisor
Esta ventana muestra los resultados de diversas pruebas realizadas para determinar si LT (mm) puede modelarse
adecuadamente con una distribución normal. La prueba de Shapiro-Wilk está basada en la comparación de los
cuartiles de la distribución normal ajustada a los datos.
Debido a que el valor-P más pequeño de las pruebas realizadas es mayor ó igual a 0.05, no se puede rechazar la idea
de que LT (mm) proviene de una distribución normal con 95% de confianza.
Histograma para LT (mm)
15 Distribución
Normal
12
frecuencia
0
210 230 250 270 290 310
LT (mm)
b) Analice los resultados: ¿tienen distribución normal?.

c) Teniendo en cuenta el histograma obtenido en el númeral 1a, ¿es de esperar el
resultado derivado de la Prueba de Shapiro-Wilk?, es decir, ¿hay coherencia entre los
dos resultados? Explique.
3. a) Construya una tabla de frecuencia que muestre la importancia relativa de los

diferentes grados de repleción gástrica.
Tabla de Frecuencia para REPLECION GASTRICA
Frecuencia Frecuencia Frecuencia
Clase Valor Frecuencia Relativa Acumulada Rel. acum.
1 I 14 0.2333 14 0.2333
2 II 23 0.3833 37 0.6167
3 III 16 0.2667 53 0.8833
4 IV 7 0.1167 60 1.0000
El StatAdvisor
Esta tabla muestra el número de veces que se ha presentado cada valor de REPLECION GASTRICA así como
porcentajes y estadísticas acumuladas. Por ejemplo, en 14 filas del archivo de datos, REPLECION GASTRICA es
igual a I. Esto representa 23.3333% de los 60 valores en el archivo. Las dos columnas de la extrema derecha dan los
recuentos y porcentajes acumulados, desde el inicio de la tabla hacia abajo.
4
b) Con las frecuencias relativas obtenidas, convertidas a porcentajes, construya una

gráfica de sectores (“pastel”) para mostrar la importancia relativa de cada grado de
repleción gástrica.

diferentes grados de engrasamiento visceral.
Tabla de Frecuencia para ENGRASAMIENTO VISCERAL

1 I 12 0.2000 12 0.2000
2 II 15 0.2500 27 0.4500
3 III 13 0.2167 40 0.6667
4 IV 20 0.3333 60 1.0000
El StatAdvisor
Esta tabla muestra el número de veces que se ha presentado cada valor de ENGRASAMIENTO VISCERAL así como
porcentajes y estadísticas acumuladas. Por ejemplo, en 12 filas del archivo de datos, ENGRASAMIENTO
VISCERAL es igual a I. Esto representa 20.0% de los 60 valores en el archivo. Las dos columnas de la extrema
derecha dan los recuentos y porcentajes acumulados, desde el inicio de la tabla hacia abajo.

engrasamiento visceral.
c) ¿Qué conclusiones extrae de esta gráfica, desde un punto de vista biológico?

5

diferentes estadíos de madurez gonadal.
Tabla de Frecuencia para ESTADIO MADUREZ
1 II 5 0.0833 5 0.0833
2 III 20 0.3333 25 0.4167
3 IV 34 0.5667 59 0.9833
4 V 1 0.0167 60 1.0000
El StatAdvisor
Esta tabla muestra el número de veces que se ha presentado cada valor de ESTADIO MADUREZ así como
porcentajes y estadísticas acumuladas. Por ejemplo, en 5 filas del archivo de datos, ESTADIO MADUREZ es igual a
II. Esto representa 8.33333% de los 60 valores en el archivo. Las dos columnas de la extrema derecha dan los
recuentos y porcentajes acumulados, desde el inicio de la tabla hacia abajo.

gráfica de sectores (“pastel”) para mostrar la importancia relativa de cada estadío.
c) ¿Qué fase de madurez sexual predomina en la muestra?

d) Si la muestra fuese representativa del stock, analice que está sucediendo dentro
del ciclo reproductivo de la especie en estudio. En el análisis relacione este resultado
con el del punto anterior, examinado si los dos resultados son coherentes.
6. a) Obtenga la proporción de sexos en la muestra analizada.

Sexo No de Individuos
Hembras (F) 12
Machos (M) 48
Total 60
Proporción
4;1
6
Tabla de Frecuencias
observado esperado Total por Fila

machos 48 30 78
40.00% 25.00% 65.00%
hembras 12 30 42
10.00% 25.00% 35.00%
Total por Columna 60 60 120
50.00% 50.00% 100.00%
Contenido de las celdas:
Frecuencia Observada
Porcentaje de la Tabla
El StatAdvisor
Esta tabla muestra los recuentos para una tabla de 2 por 2. El primer número en cada celda de la tabla es el recuento
ó frecuencia. El segundo número muestra el porcentaje de toda la tabla que representa esa celda. Por ejemplo, hubo
48 valores en la primera fila y primer columna. Esto representa 40.0% de los 120 valores en la tabla.
Gráfico de Rascacielos
50
40
frecuencia
30
20
10
esperado
0
machos observado
hembras
b) ¿Cuál es el valor esperado de esta proporción en la población?

c) Aplicando tanto el test estadístico de chi-cuadrado como el test G de razón de
verosimilitud, determine si se cumple o no la proporción esperada (1:1).
Pruebas de Independencia
Prueba Estadístico Gl Valor-P
Chi-Cuadrada 11.868 1 0.0006
El StatAdvisor
Esta tabla muestra los resultados de la prueba de hipótesis ejecutada para determinar si se rechaza, o no, la idea de
que las clasificaciones de fila y columna son independientes. Puesto que el valor-P es menor que 0.05, se puede
rechazar la hipótesis de que filas y columnas son independientes con un nivel de confianza del 95.0%. Por lo tanto, la
fila observada para un caso particular, está relacionada con su columna.
Razón de Verosimilitud 12.161 1 0.0005
El StatAdvisor
d) Analice el resultado.
7. a) Construya una tabla de contingencia que muestre la importancia relativa de los

diferentes estadíos de madurez gonadal de machos y hembras por separado.
7
Estadio de madurez gonadal

Frecuencia
hembras
absolutaFrecuencia relativa %
2 0 0 0
3 2 0.166666667 16.6666667
4 9 0.75 75
5 1 0.083333333 8.33333333
TOTAL 12 1 100
Estadio de madurez gonadalFrecuencia

machos absolutaFrecuencia relativa %
2 5 0.104166667 10.4166667
3 18 0.375 37.5
4 0 0 0
5 25 0.520833333 52.0833333
TOTAL 48 0.479166667 100
sexo/estadio 2 3 4 5 Total
hembras 0 2 9 1 12
machos 5 18 0 25 48
Total 5 20 9 26 60
b) Aplicando un test de chi-cuadrado para la tabla de contingencia obtenida,

establezca si la composición por estadío gonadal depende del sexo o no (test de
independencia de chi-cuadrado).
Chi-Cuadrada 42.740 3 0.0000
Advertencia: algunas celdas contienen menos de 5 casos.
El StatAdvisor

diferentes grados de repleción gástrica.
repleción gástrica.
c) ¿Qué conclusiones extrae de esta gráfica, desde un punto de vista biológico?
9. a) Construya un diagrama de dispersión para la relación entre la longitud total

(variable dependiente) y la longitud horquilla (variable independiente) y trace en
dicho diagrama la correspondiente línea de regresión (use para ello un programa
estadístico).
8
Regresión Simple - LT (mm) vs. LH (mm)

Variable dependiente: LT (mm)
Variable independiente: LH (mm)
Lineal: Y = a + b*X
Coeficientes
Mínimos Cuadrados Estándar Estadístico
Parámetro Estimado Error T Valor-P
Intercepto 3.12883 6.45992 0.484345 0.6300
Pendiente 1.12609 0.0286241 39.3407 0.0000
Análisis de Varianza
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo 14214.9 1 14214.9 1547.69 0.0000
Residuo 532.705 58 9.18458
Total (Corr.) 14747.6 59
Coeficiente de Correlación = 0.981773

R-cuadrada = 96.3879 porciento
R-cuadrado (ajustado para g.l.) = 96.3256 porciento
Error estándar del est. = 3.03061
Error absoluto medio = 2.01604
Estadístico Durbin-Watson = 1.8195 (P=0.2197)
Autocorrelación de residuos en retraso 1 = 0.0881187
El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre LT (mm) y LH (mm). La
ecuación del modelo ajustado es
LT (mm) = 3.12883 + 1.12609*LH (mm)
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre
LT (mm) y LH (mm) con un nivel de confianza del 95.0%.
El estadístico R-Cuadrada indica que el modelo ajustado explica 96.3879% de la variabilidad en LT (mm). El
coeficiente de correlación es igual a 0.981773, indicando una relación relativamente fuerte entre las variables. El
error estándar del estimado indica que la desviación estándar de los residuos es 3.03061. Este valor puede usarse para
construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto.
El error absoluto medio (MAE) de 2.01604 es el valor promedio de los residuos. El estadístico de Durbin-Watson
(DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se
presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay indicación de una autocorrelación
serial en los residuos con un nivel de confianza del 95.0%.
9
b) A continuación, determine visualmente aquellos puntos que considere atípicos (los

más alejados de la línea de regresión) y coloque junto al punto la letra del grupo
responsable de dicha lectura (1, 2, 3 o 4).
c) Presente sus argumentos acerca de la causa de estos puntos atípicos.
10. a) Aplicando regresión lineal simple y eliminando aquellos pares de valores que se
considere errados (muy atípicos), halle la ecuación que relaciona la longitud total
(variable dependiente) y la longitud horquilla (variable independiente).
b) Muestre los valores que validan la relación lineal entre ambas variables (R2, Valor
P o significancia de la relación lineal según ANOVA y valor P de la prueba de
hipótesis relativa a la pendiente según la prueba t).
Regresión Simple - LT (mm) vs. LH (mm)
Variable dependiente: LT (mm)
Variable independiente: LH (mm)
Lineal: Y = a + b*X
Coeficientes
Intercepto 2.26372 4.81226 0.470406 0.6399
Pendiente 1.12816 0.0213376 52.8721 0.0000
10
Modelo 12452.1 1 12452.1 2795.46 0.0000
Residuo 249.448 56 4.45442
Total (Corr.) 12701.6 57

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre LT (mm) y LH (mm). La
LT (mm) = 2.26372 + 1.12816*LH (mm)
LT (mm) y LH (mm) con un nivel de confianza del 95.0%.
El estadístico R-Cuadrada indica que el modelo ajustado explica 98.0361% de la variabilidad en LT (mm). El
coeficiente de correlación es igual a 0.990132, indicando una relación relativamente fuerte entre las variables. El
c) Analice los resultados desde un punto de vista estadístico.
11. a) Construya un diagrama de dispersión para la relación entre la altura del cuerpo
(variable dependiente) y la longitud total (variable independiente) y trace en dicho
diagrama la correspondiente línea de regresión.
Regresión Simple - AC (mm) vs. LT (mm)

Variable dependiente: AC (mm)
Variable independiente: LT (mm)
Lineal: Y = a + b*X
Coeficientes
11

Intercepto -14.9895 48.2631 -0.310579 0.7572
Pendiente 0.240178 0.187591 1.28033 0.2055
Modelo 850.722 1 850.722 1.64 0.2055
Residuo 30100.6 58 518.975
Total (Corr.) 30951.3 59

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre AC (mm) y LT (mm). La
AC (mm) = -14.9895 + 0.240178*LT (mm)
Puesto que el valor-P en la tabla ANOVA es mayor o igual a 0.05, no hay una relación estadísticamente significativa
entre AC (mm) y LT (mm) con un nivel de confianza del 95.0% ó más.
El estadístico R-Cuadrada indica que el modelo ajustado explica 2.74858% de la variabilidad en AC (mm). El
coeficiente de correlación es igual a 0.165789, indicando una relación relativamente débil entre las variables. El error
estándar del estimado indica que la desviación estándar de los residuos es 22.781. Este valor puede usarse para
presentan en el archivo de datos. Puesto que el valor-P es menor que 0.05, hay indicación de una posible correlación
serial con un nivel de confianza del 95.0%. Grafique los residuos versus el número de fila para ver si hay algún
patrón que pueda detectarse.


12
12. a) Aplicando regresión lineal simple y eliminando aquellos pares de valores que
considere errados (muy atípicos), halle la ecuación que relaciona la altura del cuerpo
(variable dependiente) y la longitud total (variable independiente).
Regresión Simple - AC (mm) vs. LT (mm)
Variable dependiente: AC (mm)
Lineal: Y = a + b*X
Coeficientes
Intercepto 10.3916 9.95964 1.04337 0.3025
Pendiente 0.18874 0.0386394 4.88465 0.0000
Modelo 493.185 1 493.185 23.86 0.0000
Residuo 909.483 44 20.6701
Total (Corr.) 1402.67 45

Número de filas excluídas: 14
El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre AC (mm) y LT (mm). La
AC (mm) = 10.3916 + 0.18874*LT (mm)
AC (mm) y LT (mm) con un nivel de confianza del 95.0%.
El estadístico R-Cuadrada indica que el modelo ajustado explica 35.1605% de la variabilidad en AC (mm). El
coeficiente de correlación es igual a 0.592963, indicando una relación moderadamente fuerte entre las variables. El
13
c) Analice los resultados desde un punto de vista estadístico.
13. a) Construya un diagrama de dispersión para la relación entre la longitud de la cabeza

(variable dependiente) y la longitud total (variable independiente) y trace en dicho
diagrama la correspondiente línea de regresión.
Regresión Simple - LC (mm) vs. LT (mm)

Variable dependiente: LC (mm)
Lineal: Y = a + b*X
Coeficientes
Intercepto 18.2887 11.1983 1.63317 0.1079
Pendiente 0.177208 0.043526 4.0713 0.0001
Modelo 463.112 1 463.112 16.58 0.0001
Residuo 1620.49 58 27.9396
Total (Corr.) 2083.61 59

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre LC (mm) y LT (mm). La
LC (mm) = 18.2887 + 0.177208*LT (mm)
LC (mm) y LT (mm) con un nivel de confianza del 95.0%.
14
El estadístico R-Cuadrada indica que el modelo ajustado explica 22.2265% de la variabilidad en LC (mm). El
coeficiente de correlación es igual a 0.47145, indicando una relación relativamente débil entre las variables. El error
estándar del estimado indica que la desviación estándar de los residuos es 5.28579. Este valor puede usarse para

considere errados (muy atípicos), halle la ecuación que relaciona la longitud de la
cabeza (variable dependiente) y la longitud total (variable independiente).
15
Regresión Simple - LC (mm) vs. LT (mm)

Variable dependiente: LC (mm)
Lineal: Y = a + b*X
Coeficientes
Intercepto -9.32643 7.81326 -1.19367 0.2380
Pendiente 0.289953 0.0306079 9.47312 0.0000
Modelo 837.912 1 837.912 89.74 0.0000
Residuo 485.53 52 9.33711
Total (Corr.) 1323.44 53

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre LC (mm) y LT (mm). La
LC (mm) = -9.32643 + 0.289953*LT (mm)
LC (mm) y LT (mm) con un nivel de confianza del 95.0%.
El estadístico R-Cuadrada indica que el modelo ajustado explica 63.3131% de la variabilidad en LC (mm). El
coeficiente de correlación es igual a 0.795695, indicando una relación moderadamente fuerte entre las variables. El
c) Analice los resultados desde el punto de vista estadístico.

16
15. ) Construya un diagrama de dispersión para la relación entre el logaritmo natural del
peso entero (variable dependiente) y el logaritmo natural de la longitud total (variable
independiente) y trace en dicho diagrama la correspondiente línea de regresión.
Regresión Simple - LN PESO ENTERO vs. LN LONGITUD LT

Variable dependiente: LN PESO ENTERO
Variable independiente: LN LONGITUD LT
Lineal: Y = a + b*X
Coeficientes
Intercepto -12.0806 0.916482 -13.1815 0.0000
Pendiente 3.14399 0.165228 19.0282 0.0000
Modelo 2.21524 1 2.21524 362.07 0.0000
Residuo 0.354857 58 0.00611822
Total (Corr.) 2.5701 59

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre LN PESO ENTERO y LN
LONGITUD LT. La ecuación del modelo ajustado es
LN PESO ENTERO = -12.0806 + 3.14399*LN LONGITUD LT
LN PESO ENTERO y LN LONGITUD LT con un nivel de confianza del 95.0%.
17
El estadístico R-Cuadrada indica que el modelo ajustado explica 86.1929% de la variabilidad en LN PESO ENTERO.
El coeficiente de correlación es igual a 0.928401, indicando una relación relativamente fuerte entre las variables. El
error estándar del estimado indica que la desviación estándar de los residuos es 0.0782191. Este valor puede usarse
para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de
texto.

considere errados (muy atípicos), halle la ecuación que relaciona la relación lineal
entre el ln(peso) y el ln(talla).
Regresión Simple - LN PESO ENTERO vs. LN LONGITUD LT

Variable dependiente: LN PESO ENTERO
Variable independiente: LN LONGITUD LT
Lineal: Y = a + b*X
18
Coeficientes
Intercepto -11.399 0.82866 -13.756 0.0000
Pendiente 3.02296 0.14947 20.2246 0.0000
Modelo 1.51584 1 1.51584 409.03 0.0000
Residuo 0.189002 51 0.00370591
Total (Corr.) 1.70484 52

El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relación entre LN PESO ENTERO y LN
LONGITUD LT. La ecuación del modelo ajustado es
LN PESO ENTERO = -11.399 + 3.02296*LN LONGITUD LT
LN PESO ENTERO y LN LONGITUD LT con un nivel de confianza del 95.0%.
El estadístico R-Cuadrada indica que el modelo ajustado explica 88.9138% de la variabilidad en LN PESO ENTERO.
El coeficiente de correlación es igual a 0.942941, indicando una relación relativamente fuerte entre las variables. El
error estándar del estimado indica que la desviación estándar de los residuos es 0.0608762. Este valor puede usarse
para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de
texto.
b) Muestre los valores que validan la relación lineal entre ln(peso) y el ln(talla), es
decir, R2, valor P del ANOVA y valor P de la prueba t.
c) Analice los resultados desde el punto de vista estadístico.
d) Posteriormente obtenga la relación talla talla-peso para la especie estudiada
(W=qLb).
e) Diga si el crecimiento es isométrico o alométrico y sustente su respuesta con los
cálculos respectivos.
f) Si el crecimiento es isométrico, haga b=3 y recalcule el valor de q en la relación
W=qLb.
g) Analice los resultados.
Nota: En el libro de Sparre y Venema hay un ejemplo de cómo se obtiene una
relación talla-peso.
17. Usando los datos de estadíos de madurez, obtenga la talla de madurez (L50%) de esta
especie aplicando cualquiera de los métodos o herramientas informáticas que se le
suministraron en la clase correspondiente (dado el escaso número de datos, hágalo
para sexos combinados, es decir, no discrimine entre machos y hembras).
19
18. a) Teniendo en cuenta que la talla de madurez (Lm o L50%) calculada en el punto
anterior, calcule los indicadores simples del estado de explotación de los recursos,
basados en tallas (porcentaje de inmaduros, porcentaje de individuos en la talla
óptima y porcentaje de megadesovadores).
b) Analice los resultados en términos biológicos.
19. a) Establezca mediante una prueba t de comparación de dos medias independientes

si existen diferencias estadísticamente significativas entre las tallas (LT) medias de
los cuatro grupos (use α = 0.05).
b) Compruebe los supuestos de normalidad y de homogeneidad de varianzas.
c) Interprete los resultados desde un punto de vista estadístico (establecer entre qué
grupos se presentan diferencias estadísticamente significativas).
Resumen Estadístico para LT (mm)

Grupo Recuento Promedio Varianza Mínimo Máximo Rango
Bruce et 22 276.455 1320.83 220.0 318.0 98.0
Carbonel 39 286.923 732.547 240.0 330.0 90.0
Quintero 25 269.2 334.25 245.0 300.0 55.0
Rojas 29 287.621 959.744 237.0 328.0 91.0
Total 115 281.243 851.203 220.0 330.0 110.0
El StatAdvisor
Esta tabla muestra diferentes estadísticos de LT (mm) para cada uno de los 4 niveles de Grupo. La intención
principal del análisis de varianza de un factor es la de comparar las medias de los diferentes niveles, enlistados aquí
bajo la columna de Promedio. Selecciones Gráfica de Medias de la lista de Opciones Gráficas para mostrar
gráficamente las medias.
Tabla ANOVA para LT (mm) por Grupo

Entre grupos 6568.13 3 2189.38 2.69 0.0500
Intra grupos 90469.1 111 815.036
Total (Corr.) 97037.2 114
El StatAdvisor
La tabla ANOVA descompone la varianza de LT (mm) en dos componentes: un componente entre-grupos y un
componente dentro-de-grupos. La razón-F, que en este caso es igual a 2.68623, es el cociente entre el estimado entre-
grupos y el estimado dentro-de-grupos. Puesto que el valor-P de la razón-F es mayor o igual que 0.05, no existe una
diferencia estadísticamente significativa entre la media de LT (mm) entre un nivel de Grupo y otro, con un nivel del
95.0% de confianza.
Pruebas de Múltiple Rangos para LT (mm) por Grupo
Método: 95.0 porcentaje LSD

Grupo Casos Media Grupos Homogéneos
Quintero 25 269.2 X
Bruce et 22 276.455 XX
Carbonel 39 286.923 X
Rojas 29 287.621 X
Contraste Sig. Diferencia +/- Límites

Bruce et - Carbonel -10.4685 15.0841
Bruce et - Quintero 7.25455 16.5373
Bruce et – Rojas -11.1661 15.9946
Carbonel - Quintero * 17.7231 14.4939
Carbonel - Rojas -0.697613 13.8714
Quintero – Rojas * -18.4207 15.4392
* indica una diferencia significativa.
El StatAdvisor
Esta tabla aplica un procedimiento de comparación multiple para determinar cuáles medias son significativamente
diferentes de otras. La mitad inferior de la salida muestra las diferencias estimadas entre cada par de medias. El
20
asterisco que se encuentra al lado de los 2 pares indica que estos pares muestran diferencias estadísticamente
significativas con un nivel del 95.0% de confianza. En la parte superior de la página, se han identificado 2 grupos
homogéneos según la alineación de las X's en columnas. No existen diferencias estadísticamente significativas entre
aquellos niveles que compartan una misma columna de X's. El método empleado actualmente para discriminar entre
las medias es el procedimiento de diferencia mínima significativa (LSD) de Fisher. Con este método hay un riesgo
del 5.0% al decir que cada par de medias es significativamente diferente, cuando la diferencia real es igual a 0.
Verificación de Varianza
Prueba Valor-P
Levene's 11.3147 0.00000156019
Comparación Sigma1 Sigma2 F-Ratio P-Valor

Bruce et / Carbonel 36.3432 27.0656 1.80307 0.1119
Bruce et / Quintero 36.3432 18.2825 3.95163 0.0016
Bruce et / Rojas 36.3432 30.9797 1.37623 0.4248
Carbonel / Quintero 27.0656 18.2825 2.19161 0.0455
Carbonel / Rojas 27.0656 30.9797 0.763273 0.4336
Quintero / Rojas 18.2825 30.9797 0.34827 0.0106
El StatAdvisor
El estadístico mostrado en esta tabla evalúa la hipótesis de que la desviación estándar de LT (mm) dentro de cada uno
de los 4 niveles de Grupo es la misma. De particular interés es el valor-P. Puesto que el valor-P es menor que 0.05,
existe una diferencia estadísticamente significativa entre las desviaciones estándar, con un nivel del 95.0% de
confianza. Esto viola uno de los supuestos importantes subyacentes en el análisis de varianza e invalidará la mayoría
de las pruebas estadísticas comunes.
La tabla también muestra una comparación de las desviaciones típicas para cada par de muestras. P-valores por
debajo de 0.05, de los cuales hay 3, indican una diferencia estadísticamente significativa entre las dos sigmas al 5%
de nivel de signifiación.
Método: 95.0 porcentaje LSD

Quintero 25 269.2 X
Bruce et 22 276.455 XX
Rojas 29 287.621 X

Bruce et – Rojas -11.1661 15.9946
Carbonel - Quintero * 17.7231 14.4939
Carbonel - Rojas -0.697613 13.8714
Quintero – Rojas * -18.4207 15.4392
El StatAdvisor
diferentes de otras. La mitad inferior de la salida muestra las diferencias estimadas entre cada par de medias. El
asterisco que se encuentra al lado de los 2 pares indica que estos pares muestran diferencias estadísticamente
significativas con un nivel del 95.0% de confianza. En la parte superior de la página, se han identificado 2 grupos
homogéneos según la alineación de las X's en columnas. No existen diferencias estadísticamente significativas entre
aquellos niveles que compartan una misma columna de X's. El método empleado actualmente para discriminar entre
las medias es el procedimiento de diferencia mínima significativa (LSD) de Fisher. Con este método hay un riesgo
del 5.0% al decir que cada par de medias es significativamente diferente, cuando la diferencia real es igual a 0.
21
Medias y 95.0% de Fisher LSD
300
290
LT (mm)
280
270
260
Bruce et Carbonel Quintero Rojas
Grupo
Método: 95.0 porcentaje Tukey HSD

Quintero 25 269.2 X
Bruce et 22 276.455 X
Rojas 29 287.621 X

Bruce et – Rojas -11.1661 21.0533
Carbonel - Quintero 17.7231 19.078
Carbonel - Rojas -0.697613 18.2586
Quintero – Rojas -18.4207 20.3223
El StatAdvisor
diferentes de otras. La mitad inferior de la salida muestra las diferencias estimadas entre cada par de medias. No hay
diferencias estadísticamente significativas entre cualquier par de medias, con un nivel del 95.0% de confianza. En la
parte superior de la página, se ha identificado un grupo homogéneo, según la alineación de las X's en columna. No
existen diferencias estadísticamente significativas entre aquellos niveles que compartan una misma columna de X's.
El método empleado actualmente para discriminar entre las medias es el procedimiento de diferencia honestamente
significativa (HSD) de Tukey. Con este método hay un riesgo del 5.0% al decir que uno o más pares son
significativamente diferentes, cuando la diferencia real es igual a 0. NOTA: los intervalos no son exactos puesto que
el número de observaciones en cada nivel no es el mismo. Podría considerar usar, en su lugar, el procedimiento de
Bonferroni.
22
Medias y 95.0% de Tukey HSD
300
290
280
LT (mm) 270
260
250
Bruce et Carbonel Quintero Rojas
Grupo
Nota: En caso de no cumplimiento del supuesto de normalidad, aplique un test de

Wilcoxon-Mann Whitney (test no paramétrico). En caso de no cumplimiento de
ninguno de los dos supuestos, aplique una transformación logarítmica de los datos y
en caso de que los datos logaritmados sí cumplan los dos supuestos, aplíqueles la
prueba t. En caso de no cumplimiento de ninguno de los dos supuestos, muestre los
resultados que lo sustentan esa situación, Recuerde que hay una prueba t para datos
homogéneos (igual varianza) y una pruba t para datos heterógeneos (varianzas
diferentes).
NOTA: Para cada respuesta colocar las respectivas citas bibliográficas, en los casos en
que haya requerido consultar algún texto o artículo.
El trabajo se debe presentar en power point y se hará preguntas puntuales a cada integrante
del grupo, es decir, no será una presentación formal como tal, sino que cada estudiante se
remitirá sólo a la diapositiva que le sirva para responder la pregunta en cuestión.
Fecha de envío del archivo de power point: mayo 30 de 2018
Fecha de sustentación: mayo 31 de 2018
Algunas referencias que se pueden consultar (no es un listado exhaustivo, es decir,

hay otras opciones que pueden consultar):
Altamar, J., L. Manjarrés-Martínez, L.O. Duarte, F. Cuello, F. Escobar-Toledo. 2015.

¿Qué tamaños deberíamos pescar? AUNAP-Universidad del Magdalena–Fundación
Squalus. Santa Marta, 43 p.
Gómez Canchong, P., Manjarrés Martínez, L., Duarte Casares, L.O., Altamar López, J.A.,
2004. Atlas Pesquero del área norte del Mar Caribe de Colombia. Santa Marta,
Unimagdalena, 229 p.
King, M. 1995. Fisheries biology, assessment and management. Fishing new books.
Sparre, P., Venema, S.C., 1997. Introducción a la evaluación de recursos pesqueros

tropicales. Parte 1: Manual. FAO Doc. Tec. Pesca 306/1 Rev. 2, FAO, Roma.
23
Tresierra Aguilar, A.E., Culquichicón Malpica, Z.G., 1995. Manual de biología pesquera.
Universidad Nacional de Trujillo, Perú. 226 p. 574.92 / T798m.
Zar, J. 1999. Biostatistical Analysis. 5a. Ed. Prentice-Hall.
Manual de métodos de biología pesquera. (243 p574.92 / L439)
Anexo. Formato de presentación del trabajo (en Powerpoint).
TRABAJO 2: TALLER SOBRE MUESTREO BIOLÓGICO DE COJINOA

NEGRA (Caranx crysos) Y PROCESAMIENTO DE DATOS RESULTANTES
Por:
P. Pérez
.
XXXXXX XXXXXXXX
XXXXXX XXXXXXXX
XXXXXX XXXXXXXX
XXXXXX XXXXXXXX
Estudiantes de Ingeniería Pesquera

24
UNIVERSIDAD DEL MAGDALENA
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA PESQUERA
Biología Pesquera
Santa Marta, noviembre 27 de 2016

25
INTRODUCCIÓN
RESULTADOS
1. Distribución de frecuencias de tallas de la cojinoa negra (Caranx crysos)

……………………………….
………………………………
2. Prueba de normalidad de los datos de tallas
……………………………….
………………………………
REFERENCIAS
Sierra, G., Lazzari, A., Gómez, M., 2007. Use of several gears for the capture of
Micropogonias furnieri. Fish Management 17, 1-8.
……
……
……

Trabajo Grupo 3 Camila Restrepo!

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Trabajo Grupo 3 Camila Restrepo!

Transféré par

Droits d'auteur :

Formats disponibles

1

UNIVERSIDAD DEL MAGDALENA

TRABAJO 3: TALLER SOBRE MUESTREO BIOLÓGICO Y

 Familiarizar al estudiante con el muestreo biológico y el procesamiento de los datos

 Potencializar en los estudiantes las habilidades requeridas para la interpretación de

CONTENIDO DEL TRABAJO

1. a) Construya una tabla de frecuencias y un histograma de frecuencias de tallas (LT)

b) ¿Qué conclusiones extrae de la distribución de las tallas? Recuerde que idealmente

2. a) Contraste la hipótesis de normalidad de los datos de LT, utilizando el test de

Histograma para LT (mm)

b) Analice los resultados: ¿tienen distribución normal?.

3. a) Construya una tabla de frecuencia que muestre la importancia relativa de los

b) Con las frecuencias relativas obtenidas, convertidas a porcentajes, construya una

4. a) Construya una tabla de frecuencia que muestre la importancia relativa de los

Tabla de Frecuencia para ENGRASAMIENTO VISCERAL

b) Con las frecuencias relativas obtenidas, convertidas a porcentajes, construya una

c) ¿Qué conclusiones extrae de esta gráfica, desde un punto de vista biológico?

5. a) Construya una tabla de frecuencia que muestre la importancia relativa de los

b) Con las frecuencias relativas obtenidas, convertidas a porcentajes, construya una

c) ¿Qué fase de madurez sexual predomina en la muestra?

6. a) Obtenga la proporción de sexos en la muestra analizada.

observado esperado Total por Fila

b) ¿Cuál es el valor esperado de esta proporción en la población?

7. a) Construya una tabla de contingencia que muestre la importancia relativa de los

Estadio de madurez gonadal

Estadio de madurez gonadalFrecuencia

b) Aplicando un test de chi-cuadrado para la tabla de contingencia obtenida,

8. a) Construya una tabla de frecuencia que muestre la importancia relativa de los

9. a) Construya un diagrama de dispersión para la relación entre la longitud total

Regresión Simple - LT (mm) vs. LH (mm)

Coeficiente de Correlación = 0.981773

LT (mm) = 3.12883 + 1.12609*LH (mm)

b) A continuación, determine visualmente aquellos puntos que considere atípicos (los

c) Presente sus argumentos acerca de la causa de estos puntos atípicos.

Coeficiente de Correlación = 0.990132

LT (mm) = 2.26372 + 1.12816*LH (mm)

c) Analice los resultados desde un punto de vista estadístico.

Regresión Simple - AC (mm) vs. LT (mm)

Parámetro Estimado Error T Valor-P

Coeficiente de Correlación = 0.165789

AC (mm) = -14.9895 + 0.240178*LT (mm)

b) A continuación, determine visualmente aquellos puntos que considere atípicos (los

c) Presente sus argumentos acerca de la causa de estos puntos atípicos.

Coeficiente de Correlación = 0.592963

AC (mm) = 10.3916 + 0.18874*LT (mm)

c) Analice los resultados desde un punto de vista estadístico.

13. a) Construya un diagrama de dispersión para la relación entre la longitud de la cabeza

Regresión Simple - LC (mm) vs. LT (mm)

Coeficiente de Correlación = 0.47145

LC (mm) = 18.2887 + 0.177208*LT (mm)

b) A continuación, determine visualmente aquellos puntos que considere atípicos (los

c) Presente sus argumentos acerca de la causa de estos puntos atípicos.

Regresión Simple - LC (mm) vs. LT (mm)

Coeficiente de Correlación = 0.795695

LC (mm) = -9.32643 + 0.289953*LT (mm)

c) Analice los resultados desde el punto de vista estadístico.

Regresión Simple - LN PESO ENTERO vs. LN LONGITUD LT

Coeficiente de Correlación = 0.928401

LN PESO ENTERO = -12.0806 + 3.14399*LN LONGITUD LT

b) A continuación, determine visualmente aquellos puntos que considere atípicos (los

c) Presente sus argumentos acerca de la causa de estos puntos atípicos.

Regresión Simple - LN PESO ENTERO vs. LN LONGITUD LT

Coeficiente de Correlación = 0.942941