Académique Documents
Professionnel Documents
Culture Documents
ECOLOGÍA DE
POBLACIONES DE
INSECTOS
Colegio de Postgraduados
Institución de Enseñanza e Investigación en Ciencias Agrícola
Colegio de Postgraduados
Director General
Dr. Benjamín Figueroa Sandoval
Secretario General
Dr. Félix Valerio González Cossío
Secretario Administrativo
Dr. Esteban Alejandro Jaimes Escobedo
Responsable Editorial
Departamento de Difusión: Lic. Gardenia Chávez Peña
ISBN-968-839-369-X
Es pertinente anotar que alguno de los ejemplos utilizados para ilustrar los temas
anotados se tomaron de investigaciones realizadas en México sobre poblaciones de
insectos.
Los objetivos de realizar una segunda edición del presente libro fue actualizar,
ampliar su contenido temático y eliminar algunos errores de simbología de la primera
edición detectados a través del tiempo por los propios autores, alumnos y profesores de
Colegio de Postgraduados y de la Universidad Autónoma Chapingo.
Creemos que con estos cambios, adiciones y correcciones, y en versión electrónica para
mayor facilidad de difusión entre lectores de habla hispana principalmente, habrá mayor
oportunidad de tener a la mano las herramientas básicas de ecología cuantitativa para
determinar las características y parámetros de poblaciones naturales de insectos.
CONTENIDO
PRESENTACIÓN
Prefacio a la primera edición
Prefacio a la segunda edición
TEMA I
MECANISMOS DE REGULACIÓN NATURAL DE POBLACIONES
1.1 Teoría biótica
1.2 Teoría climática
1.3 Teoría sintética
1.4 Teoría de Autorregulación
1.5 Teoría Sintética Moderna
BIBLIOGRAFÍA
ADDENDA AL TEMA I
TEMA 2
PARÁMETROS DE POBLACIÓN
2.1 Densidad
2.2 Medidas de densidad absoluta
2.3 Índice de Lincoln-Petersen
2.3.1 Método de muestreo directo
2.3.2 Método de muestreo inverso
2.3.3 Otras ecuaciones para el índice de Lincoln-Petersen
2.4 Estimación de parámetros poblacionales
2.4.1 Índice de Jolly-Seber
2.4.2 Lecturas complementarias
BIBLIOGRAFÍA
ADDENDA AL TEMA II
TEMA 3
TÉCNICAS DEMOGRÁFICAS
3.1 Tablas de vida
3.1.1 Curvas de supervivencia
3.2 Tablas de fertilidad
3.3 Distribución de edades
3.4 Especificaciones particulares
3.4.1 Tablas para insectos no partenogenéticos
3.4.2 Otras formas de estimar el estadístico rm
3.4.3 Estudios comparativos
3.4.4 Pruebas estadísticas para comparar tablas de vida
3.4.4.1 Prueba de Logrank
3.4.4.2 Prueba de Z
3.4.5 Pruebas estadísticas para comparar tasas intrínsecas de
incremento natural
3.4.5.1 Caso de tasa única por cada tratamiento
3.4.5.2 Caso de varias tasas por repeticiones de cada tratamiento
Prueba de t de Student
Prueba de Mann-Whitney
Prueba de transformación de Rangos
BIBLIOGRAFÍA
ADDENDA AL TEMA III
Derivación de ecuaciones
a) Tasa neta de reproducción
b) Tiempo de generación
c) La ecuación de Lotka
d) Enunciado de la prueba de Logrank
TEMA IV
MODELOS MATEMÁTICOS EN ECOLOGÍA DE POBLACIONES
4.1 Modelo exponencial
4.2 Modelo sigmoide
4.3 Modelos matriciales
4.4. Modelos de depredación
4.5 Modelos de desarrollo
4.6 Modelos de series de tiempo
BIBLIOGRAFÍA
ADDENDA AL TEMA IV
1. Solución a la ecuación diferencial del modelo exponencial
2. Deducción formal de la ecuación de la curva logística
3. Solución a la ecuación integral del modelo logístico
TEMA V
TABLAS DE VIDA DE TIEMPO VARIABLE
5.1. Introducción
5.2 Tabla de vida de tiempo específico
5.3 Tablas de vida de tiempo variable
5.4 Inclusión de estados y variabilidad en tiempos de desarrollo
5.5 Simulación de la dinámica
5.6 Inclusión de la fecundidad
5.7 Incorporación de enemigos naturales
5.8 Conclusiones
Apéndice I y II
BIBLIOGRAFÍA
TEMA VI
PATRONES DE DISPOSICIÓN ESPACIAL
6.1 Introducción
6.2 Densidad y dispersión
6.3 Un modelo básico para la disposición espacial
6.4 Otros modelos de disposición espacial útiles en fitosanidad
6.4.1 Modelos que no son de contagio
6.4.2 Modelos de contagio
6.4.2.1 Distribución binomial negativa
6.4.2.2 Distribución de Neyma “tipo A”
6.5 Pruebas de bondad de ajuste
6.5.1 Metodología estadística
6.5.2 Ejemplos de ajuste de modelos
6.6 Índices de dispersión
6.6.1 Índices básicos de agregación
6.6.2 Índices generados por regresión sobre la media
6.6.3 Ejemplos de cálculo de índices de agregación
BIBLIOGRAFÍA
CONTENIDO
TEMA I
De los escritos de estos tres autores citados se puede sacar los argumentos generales de
cada teoría. Por razones históricas se iniciará con la teoría biótica, ya que fueron los
entomólogos Howard y Fiske los que iniciaron formalmente el estudio de esta cuestión
desde el punto de vista biótico en 1911.
1
1.2 Teoría climática
Los iniciadores de esta teoría fueron Bodenheimer (1928) y Uvarov (1931). Estos
autores cuestionaron, en primer término, que las poblaciones estén en estado de equilibrio e
hicieron énfasis en la inestabilidad de la densidad en condiciones naturales. Para ilustrar sus
ideas hacían una analogía diciendo que las poblaciones (de insectos) aumentaban o
disminuían su densidad de la misma manera que una pedazo de corcho lo hace en un río,
sube o baja como las ondulaciones del agua se lo marcan.
Por otro lado, estos investigadores fueron los primeros en sostener que la densidad de
población está regulada principalmente por efectos de la temperie (ver en el Addenda de
este tema las definiciones de temperie y clima), basados en el hecho de que la tasa de
oviposición y desarrollo de los insectos, así como su mortalidad está correlacionada con
cambios en la temperie, principalmente con la temperatura.
La teoría climática no fue muy aceptada por aquellos años, hasta que apareció en 1954
un libro de dos zoólogos australianos que trabajaron con poblaciones de insectos en
condiciones desérticas muy severas: Andrewartha y Birch (1954). Dice Krebs (1972) que
estos autores revivieron con su libro una versión altamente modificada de la teoría
climática, asunto que causó una fuerte controversia con los seguidores de la teoría biótica.
2
1.3 Teoría sintética
Los simpatizantes de esta corriente, no estaban de acuerdo con la teoría biótica porque
no tomaban en cuenta a los factores abióticos, ni estaban totalmente con la teoría climática
por la razón inversa.
Thompson (1929) fue un entomólogo que expuso por primera vez la teoría sintética, en
donde incluía tanto factores climáticos como bióticos. Por su parte Schwerdtfeger (1941),
otro entomólogo alemán, decía que las erupciones poblacionales son el resultado de la
acción conjunta de varios factores, haciendo énfasis en los efectos indirectos del clima
sobre los cambios poblacionales de insectos forestales, cambios que no solo afectaban a
estos insectos, sino también a su alimento, sus parásitos y depredadores, sus enfermedades,
a otras especies y las interacciones entre especies. Ambos decían que esta “red” de factores
varía de lugar a lugar y de tiempo en tiempo.
Los investigadores que sostienen esta teoría dicen que, como su nombre lo indica, las
poblaciones naturales son hemostáticas, es decir, tienen sus propios mecanismos de
regulación. Cabe aclarar que dichos investigadores no rechazaban que factores extrínsecos
(bióticos o climáticos) pueden ejercer control sobre las poblaciones, pero si estos factores
“fallan”, entonces el mecanismo hemostático entrará en acción. Chitty (1960) dijo que no
necesariamente todas las poblaciones de una especie dada se autorregularán, ya que las
especies bien pueden vivir en hábitats pobres en donde dicho mecanismo rara vez, o nunca,
viene a efecto.
El genetista Ford (1931) fue uno de los primeros en esbozar la importancia de los
cambios genéticos en la regulación de poblaciones. Este genetista sugirió que la selección
natural se relaja (sic) cuando la densidad de población aumenta, con el resultado que la
variabilidad se incrementa con la población y muchos genotipos inferiores sobreviven, pero
cuando las condiciones retornan a lo normal (sic) estos individuos inferiores son eliminados
a través de la selección natural, causando la declinación de la población y la reducción de la
variabilidad genética. Chitty (1960) también propuso la hipótesis de que todas las
poblaciones son capaces de regular su propia densidad de población, sin tener que destruir
los recursos renovables de su medio, o necesitar de enemigos naturales, o de mal tiempo
para esa regulación. En otras palabras, el incremento infinito de densidad es prevenido a
través de la deterioración de la calidad poblacional.
3
Los simpatizantes de la teoría de la autorregulación difieren en la importancia que cada
uno de ellos da a los factores autorregulatorios. Por ejemplo, para Chitty (1960) involucra
alguna forma de interferencia mutua entre los individuos, o sea, una hostilidad
intraespecífica en general, por lo que el factor limitante más importante del medio son los
organismos de la misma especie, y la competencia por alimento o espacio controlará el
tamaño de población. Para Wynne-Edwards (1962), el recurso esencial más crítico es el
alimento, por lo que se debe fijar la atención en este recurso para entender la clave del
control de la población. Este ecólogo sugirió que algún tipo de competencia ha
evolucionado como mecanismo amortiguador (buffer) que detiene el crecimiento de la
población a un nivel abajo del necesario para que no se agote el alimento; este mecanismo
es la territorialidad, la cual elimina la competencia por alimento y de esta forma el dueño, y
los que de él dependen, usufructuarán los recursos del área territorial. Puntualizando que la
productividad del territorio variará con su tamaño y las condiciones climáticas, la
reproducción aumentará en épocas buenas y disminuirá en las malas. De esta manera el
modelo es claro: la densidad de población es controlada por la territorialidad, la cual
asegura que el recurso alimenticio no se agotará; obviamente este modelo de regulación se
podría aplicar a especies que tengan alguna forma de organización social.
Fuerte presión de
Alta densidad de selección en la población La selección altera la
población del herbívoro de la planta recombinación genética
Este mecanismo de Pimentel pudieran explicar el control de una población (la planta) que
tuviera sólo un enemigo específico (individualista), sin embargo, sería difícil aplicar este
modelo de regulación en plantas que son afectadas tanto con herbívoros generalistas e
individualistas, o en poblaciones de animales que se alimentan de carroña. El problema de
coevolución y regulación poblacional entre plantas que se ven afectadas simultáneamente
4
por generalistas e individualistas es complejo. Este dilema fue estudiado por DaCosta y
Jones en 1971 (citado por Price, 1997) en pepino. Según estos investigadores (y algunos
otros) existen ciertas sustancias que pueden actuar como estímulo clave para alimentación u
oviposición de plagas de insectos individualistas y como antibióticos para plagas
generalistas. En el pepino existe un gen (Bi) que es dominante y responsable de la
producción de un antibiótico de sabor amargo, llamado cucurbitacina. Este triterpinoide
tetracíclico estimula la alimentación de un escarabajo individualista del pepino, de tal
manera que plantas homozigóticas del gene recesivo (bi), que carecen de cucurbitacina, son
un medio para el control del escarabajo; sin embargo, plantas bi bi no tienen resistencia
para plagas generalistas, como lo es el ácaro de “dos manchas” (two-spotted mite).
Entonces el proceso coevolutivo de DaCosta y Jones se ilustra de la siguiente manera:
Tolerancia?
Fuerte presión herbívora Fuerte presión de selección de la planta a
del escarabajo hacia la favor de cualquier mecanismo de
planta resistencia que reduzca el ataque de
individualistas
No-preferencia?
5
indirectamente la mortalidad, disminuyendo la resistencia a enfermedades, parásitos o
condiciones ambientales adversas. No obstante, Cristian y Davis opinaban que los factores
ambientales (alimento, depredación, enfermedades, etc.) pueden en sí mismos limitar el
incremento poblacional, pero si estos factores no lo hacen, entonces el mecanismo
fisiológico lo hará, previniendo la total destrucción del medio y su consecuente extinción.
Hasta aquí se ha hecho una descripción general de cada una de las corrientes de
pensamiento (o teorías) sobre la regulación natural de poblaciones. Cuando se habló de la
teoría sintética, se dijo que ésta volvería a renacer en la década de los “setenta”. Los
siguientes párrafos son una síntesis de lo que escribió Itô (1980) al respecto y que contiene
lo que hoy en día se acepta acerca del asunto en cuestión.
Esta teoría fue fuertemente influida por estudios empíricos de campo, que se
desarrollaron rápidamente después de la Segunda Guerra Mundial y se concentraron en
Canadá durante la década de los “cincuentas”.
6
en el sentido estricto de la palabra (esto es parte de la teoría climática); tercero, hay muchas
especies en donde la interferencia intraespecífica es más importante como proceso denso-
dependiente que la interacción presa-depredador (esto es parte de la autorregulación)
(Varley y Gradwell en 1963 y Varley et al. en 1973 dijeron que la relación huésped-
parasitoide determinaba la densidad promedio en algunas palomillas, pero es difícil decir si
esto está respaldado con suficientes evidencias).
La conclusión a la que han llegado muchos ecólogos en la actualidad es que “la verdad
está entre ambos procesos”. En muchas especies la densidad puede fluctuar a merced de
cambios en el medio inorgánico, el consumo total del alimento puede ser evadido por la
presión del medio y la extinción puede ser evitada por migraciones y recolonizaciones. En
otras especies, el efecto de la temperie en la fluctuación de la densidad puede ser muy
pequeño. La clave del asunto es la relativa importancia de los procesos denso-dependientes
y denso-independientes, la cual deberá ser aclarada con estudios de campo cuidadosamente
conducidos.
Se ha dicho desde el principio que para algunas poblaciones el papel de los procesos
denso-dependientes es dominante en el área favorable (cerca del centro de distribución
geográfica), mientras que el papel de los procesos denso-independientes (como las
fluctuaciones climáticas) es dominante en la periferia de la distribución, y esto ha sido
demostrado para algunas poblaciones (Thompson, 1939; Richards y Southwood, 1968).
7
BIBLIOGRAFÍA
Andrewartha, H.G. and L.C. Birch. 1954. The distribution and abundance of animals.
University of Chicago Press. Chicago.
Bodenheimer, F.S. 1928. Welche Faktoren regulieren die Individuenzahl einer Insecktenart
in der Natur?. Biol. Zentralbl. 48:714-739.
Christian, J. J. and D. E. Davis. 1971. Endocrines, behavior and population. In: McLaren, I.
A. (editor). Natural regulation of animal population. Atherton Press, New York. 69-
98.
Chitty, D. 1960. Population processes in the vole and their revelance to general theory.
Can. J. Zool. 38:99-113.
Howard, L.O., and W.F. Fiske. 1911. The importation in to the United States of parasites of
the gipsy-moth and the brown-tail moth. U.S. Dept. Agr., Bur. Entomol., Bull. 91.
Krebs, C.J. 1972. Ecology. The experimental analysis of distribution and abundance.
Harper & Row, Publishers.
Lack, D. 1954. The natural regulation of animal numbers. Oxford University Press, New
York.
Nicholson, A.J. 1933. The balance of animal population. J. Anim. Ecol. 2:132-178.
Price, P. W. 1997. Insect Ecology, 3ed. Edition. John Wiley & Sons. Cap. 5.
Schwerdtfeger, F. 1941. Über die Ursachen Des Massen wechsels der Insekten. Z. Angew
Entomol. 28:254-303.
8
Uvarov, B.P. 1931. Insect and climate. Trans. Entomol. Soc. London. 79:1-247.
Vera Graziano, J. 1994. Temas selectos sobre ecología de poblaciones. Tercera Edición.
Depto. de Parasitología Agrícola. Universidad Autónoma Chapingo.
Wynne-Edwards, V.C. 1962. Animal dispersion in relation to social behavior. Oliver and
Bond, Edimburg.
9
ADDENDA AL TEMA I
La temperie son las condiciones de la atmósfera presentes en un lapso breve (horas) en una
localidad en particular, con respecto a la temperatura, precipitación (tipo, frecuencia y
cantidad), humedad, viento (velocidad y dirección), presión del aire, nubosidad y
visibilidad. La temperatura, precipitación, viento, etc., son los elementos (o factores)
atmosféricos.
Varley et al. (1973)** sintetizan lo anterior de la siguiente manera: Temperie son las
medidas hora a hora de la temperatura, viento, lluvia, etc. Clima se define en términos de
promedios de esas medidas en un lapso prolongado.
* “La palabra española ´temperie´ debería sustituir a la voz ´tiempo´ en su acepción metereológica, para evitar
confusiones con el tiempo cronológico, lo mismo que en inglés, time es una cosa y weather otra”. Opinión
tomada del artículo intitulado: ¿ESTA CAMBIANDO EL CLIMA EN LA TIERRA?; publicado por la revista
MUY INTERESANTE, AÑO 2, No. 21. Editorial Orbe, S.A. España, 1986.
** Varley, C.G., G.R. Gradwell, and M.P. Hassel. 1973. Insect population ecology, an analytical approach.
University of California Press. Barkely and Los Angeles, California. P. 75.
10
CONTENIDO
TEMA II
PARÁMETROS DE POBLACIÓN
Una población puede ser definida como un grupo de organismos de la misma especie
que ocupan un área dada en un tiempo dado. La población puede ser subdividida en
poblaciones locales (o demes), las cuales son grupos de organismos que se interreproducen.
Estas poblaciones locales son la unidad selectiva más pequeña de una población animal o
vegetal (Krebs, 1978).
Los límites de la población, tanto en el espacio como en el tiempo, son vagos y deberán
ser establecidos arbitrariamente por el investigador para usos prácticos.
Una población tiene varias características, las cuales son medidas estadísticas que no
pueden ser aplicadas a los individuos. Estas características son, según el autor arriba citado:
1. Densidad o tamaño
2. Distribución de edades
3. Conglomerado genético (genetic pool)
4. Padrón de distribución espacial (disposición de los individuos en el espacio)
a) Natalidad c) Inmigración
b) Mortalidad d) Emigración
(natalidad+inmigración)-(mortalidad+emigración)=densidad
2.1 Densidad
Densidad se define como el número de individuos por unidad de área o volumen. Si este
es el caso, entonces se está hablando de densidad absoluta. Cuando se habla de densidad
relativa, se está haciendo referencia a un índice que solamente permite hacer
comparaciones de abundancia en el espacio o en el tiempo. Por ejemplo: el área “x” tiene
más organismos que el área “y”, o bien, hubo más organismos en el tiempo “a” que en el
tiempo “b”.
11
2.2 Medidas de densidad absoluta
a) Conteo total: el conteo total es el método más directo para conocer el número de
individuos que vive en un lugar o área determinada. El mejor ejemplo de esto, es el
censo de la población humana. Para poblaciones de animales o plantas, este método
de conteo solamente ha sido posible para pocas especies; en general en grandes
vertebrados y platas en áreas pequeñas (Krebs, 1978).
Este índice se ideó como modelos para estimar el tamaño de una población natural
cualquiera en un lugar determinado y en un momento dado; su aplicabilidad depende del
siguiente razonamiento (Krebs, 1978):
Si después de un lapso (lo suficientemente largo para que los animales marcados se
redistribuyan en la población) se toma una muestra representativa de la población
(recaptura), se espera que dicha muestra contenga aproximadamente la misma proporción
de animales marcados y no marcados que en la población total. Gráficamente lo anterior se
ilustra así:
12
M R
n
N
Muestra
Población total
M R
≅ ;
N n
M Mn
Nˆ = = ; para R > 0
Rn R
En palabras:
Para que este estimador básico sea válido, se deberán cumplir las suposiciones
siguientes (Brower y Zar, 1980; Begon, 1989):
13
adiciones significativas en la población por natalidad ni disminución por
mortalidad, para que la proporción R/n no se altere.
Para que se cumplan estas suposiciones, se deberá tener un buen conocimiento del ciclo
natural de las especies bajo estudio. Cuando se pretenda aplicar esta técnica, es necesario
saber (Brower y Zar, 1980):
5. Los posibles sesgos en la captura de los animales ¿Hay tendencia de los diferentes
individuos de la población (por edad, sexo, etc.) a evitar o favorecer su captura?
¿Cómo es la movilidad de los animales?
Cuando una población se estima a base de muestreos, siempre hay un error asociado a
causas aleatorias. La medida de este error en el método de captura y recaptura únicas es la
varianza. Una vez estimada ésta, se pueden calcular los límites de confianza (LC) para la
población estimada (N):
LC = Nˆ ± (t ) var(Nˆ ) ,
14
en donde t es la t de student (1 - α) con ∞ grados libertad (para α=0.05, t = 1.96; para α =
0.01, t = 2.58).
En este método R es una variable aleatoria, mientras que n es fijo. La ecuación que
estimará el tamaño de la población es Nˆ = Mn ÷ R, como ya se anotó anteriormente, y el
estimador de la varianza de N̂ es:
M 2 n(n − R )
var(Nˆ ) =
R3
109
Nˆ = = 338
57 177
var(Nˆ ) =
(109 )(177 )(177 − 57) = 1362.65
2
573
Límites de confianza:
(
338 . 5 ± 1 . 96 1362 . 65 )
Basado en lo anterior, se puede decir que se tiene una probabilidad de 0.95 de que la
verdadera densidad de población esté comprendida entre esos límites.
15
que N̂ es un estimador con sesgo (para R > 0), ya que se ha demostrado estadísticamente
que:
N (N − M )
E (Nˆ ) ≅ N +
nM
De aquí que, para muestras grandes (en donde M y n son numerosas) el término
N(N - M)
nM
Como ya se indicó, este método consiste en llevar a cabo un muestreo hasta obtener
exactamente R animales marcados en la recaptura; así R es fijo y n la variable aleatoria.
M 2 n(n − R )
Var (Nˆ ) =
R 2 (R + 1)
Ejemplo (tomando de Krebs, 1978): Las autoridades de una reserva natural estaban
interesados en conocer el número de aves, de una especie en particular que habitaban en ese
lugar. Se atraparon al azar 150 especímenes, se marcaron y se liberaron. Al siguiente mes,
se tomó una segunda muestra hasta que se recapturaron 35 aves marcadas; en total se
recapturaron 100 individuos.
Nˆ =
(150)(100) = 428.57
35
var(Nˆ ) =
(150 )(100)(100 − 35) = 3316.33
2
(35 )(36)
2
Límites de confianza:
16
(
428.57 ± 1.96 3316.33 )
Los otros métodos arriba citados se aplican a muestras numerosas, en donde R es mayor
de 20. Bailey (citado por Southwood, 1978), en 1952 proporcionó las ecuaciones siguientes
para muestras pequeñas cuando se usa el método de muestreo directo:
M (n + 1) M 2 (n + 1)(n − R )
Nˆ = , y var(Nˆ ) =
R +1 (R + 1)2 (R + 2)
Este autor sugirió que agregando una unidad a n y R el estimador N̂ tendría un sesgo
menor.
Nˆ =
(M + 1)n − 1 y var(Nˆ ) = n(M − R + 1)( M + 1) − (n − R )
R R 2 (R + 1)
Cox (1967) reportó las siguientes formulas para el método de muestreo directo, para la
estimación de la densidad y los límites de confianza:
M M
Nˆ = =
Rn p
Límite de confianza:
pq
p ± 1.96
n
Siendo:
17
q = 1 – p proporción de animales no marcados en la población,
n = (como se ha definido)
Cuando se hace uso del método de censo múltiple, se está entrando de lleno en estudio
de la dinámica de población. La metodología a seguir consiste en ir capturando, marcando y
liberando individuos de la población bajo estudio en momentos sucesivos (cada semana,
cada mes, etc., dependiendo del ciclo biológico de la especie) y posteriormente hacer
estimaciones de la población marcada y total. El fundamento teórico de este procedimiento
es el siguiente: considérese solamente dos muestras obtenidas por el procedimiento básico
ya señalado en un tiempo i y en un tiempo i+1; durante el lapso que transcurre entre i a i+1,
el número de animales marcados pueda quedar igual, pero por lo general, decrece debido a
muertes y emigraciones. En forma gráfica esto se ilustra de la siguiente forma (Krebs,
1978):
Los animales sin marca (Q) se deben reducir a la misma tasa que los marcados (M)
porque así lo supone el método; luego entonces, la ganancia en el tiempo i + 1 sera Ni+1-
Qi+1 – Mi+1.
18
La tasa de supervivencia (TS) se define como la proporción de animales que
permanecen en el área de estudio durante el intervalo de tiempo i a i + 1:
M i +1
TS = , de una unidad de tiempo a la siguiente
Mi
TP = 1 − TS
M¡+1 = 400
M¡ = 500
N¡ = 1500
Ni+1 = 1400
Q¡ = 1000 Q¡+1= 800
Ganancia
400
TS = = 0.8 de i a i+1 (medible)
500
Como el modelo supone que marcados (M) y no marcados (Q) están sujetos a la misma tasa
de supervivencia, entonces 1000 x 0.8 = 800 = Qi+1 (supuesto)
19
1400 = 1500 + 200 - [(500-400)+(1000-800)]
Las pérdidas corresponden a 100 de los marcados (de Mi a M i+1) y 200 de los no marcados
( de Qi a Qi+1).
PA = Ni (TP).
Existen varios modelos de estimación por medio del método de captura y recaptura
múltiples, los cuales han sido discutidos en detalle por Seber (1973) y Cormack (1968).
Aquí solamente se dará en detalle el modelo o índice de Jolly-Seber.
Obtenidos los datos, se ordenan en un cuadro haciéndose las siguientes preguntas para
cada animal que se captura: ¿Estaba o no estaba marcado? ¿Si estaba marcado, cuándo se le
capturó y marcó?
Si Z i
Mi = + mi ; para i = 2,3,........s-1
Ri
*
S = número de muestras tomadas en donde se capturaron, marcaron y liberaron insectos
20
En donde:
Según Seber (1973), Jolly dedujo esta fórmula argumentando intuitivamente que el
número real de animales marcados Mi consiste del número de animales capturados mi en la
iésima muestra más el número Mi – mi no capturados en esta muestra ; inmediatamente
después de la iésima muestra, habrá dos grupos de animales marcados, los Mi-mi (de los
cuales Zi serán capturados subsecuentemente) y los Si recién liberados (de los cuales Ri
serán capturados después). Ya que se supone que la probabilidad de capturar a ambos
grupos es igual, se espera que:
Zi R
≅ i ;
M i − mi Si
SZ
Mˆ i = i i + mi
Ri
143(3 + 5 + 2 + 2 + 1 + 1)
Mˆ 2 = + 10 ≅ 35
34 + 18 + 8 + 4 + 6 + 4 + 2 + 2 + 1 + 1
Mˆ 2 35
Nˆ 2 = = ≅ 511
m2 n2 10 146
21
Mˆ 3 ≅ 170 Nˆ 3 ≅ 777
Mˆ 4 ≅ 258 Nˆ 4 ≅ 963
Mˆ 5 ≅ 228 Nˆ 5 ≅ 946
Mˆ 6 ≅ 325 Nˆ 6 ≅ 882
Mˆ 7 ≅ 360 Nˆ 7 ≅ 804
Mˆ 8 ≅ 319 Nˆ 8 ≅ 653
etc. etc.
Mˆ i +1
φ̂i = ; para i = 2,3,......, s-2
Mˆ i − mi + Si
Mˆ
para i = 1, φ̂1 = 2
S1
Es conveniente indicar que el máximo valor teórico que puede tomar esta tasa (φ̂i ) es
de uno; sin embargo, es posible encontrar valores ligeramente mayores de la unidad debido
a efectos aleatorios del muestreo; pero valores mucho mayores de uno indican errores
graves en el procedimiento de muestreo.
γˆi = 1 − φ̂i
Ejemplo: las ganancias y las pérdidas en el intervalo 3 a 4 del trabajo de Jolly (Cuadro
1-II) serán:
22
258
φˆ3 = = 0.869
170 − 37 + 164
Las ecuaciones para las varianzas de Nˆ i , φ̂i y Bˆi y los errores de estimación son
largas y tediosas de calcular; los lectores interesados pueden consultar a Jolly (1965) o
Ibrahim y Trips (1986).
En el Cuadro 2-II del Addenda se anotan todas las estimaciones hechas por Jolly (1965)
respecto a Mˆ i , Nˆ i , φ̂3 , Bˆi y sus respectivas varianzas del estudio acerca de la chinche
Blepharidopterus angulatus.
Hasta aquí se han visto únicamente las bases de los métodos de captura y recaptura
únicas y múltiples y se han citado trabajos relacionados con algunos insectos. Para las
personas interesadas en profundizar sus conocimientos respecto a las bases matemáticas de
dichos métodos de captura y recaptura en insectos sociales, parásitos, barrenadores, etc., se
recomienda consultar a Seber (1973), Southwood (1978) y Begon (1989).
23
BIBLIOGRAFÍA
Brower, J.E. and J.H. Zar. 1980. Field and laboratory methods for general ecology. Wm. C.
Brown, Dubuque, Iowa.
Cormarck, R.M. 1968. The statistics of capture-recapture method. Oceanogr. Mar. Biol.
Ann. Rev. 6:455-506.
Cox, G.W. 1967. Laboratory manual of general ecology. Second Edition. W.M.C. Brown
Co. Publishers. Dubuque, Iowa.
Fletcher, B.S. 1973. The ecology of a natural population of the Queensland fruit fly, Dacus
tryoni. IV. The immigration and emigration of adults. Aust. J. Zool. 21:541-565.
Ibrahim, M.S. and M. Trips. 1986. Basic program for calculating Jolly-Seber population
parameters. Bull. Entomol. Soc. Am. 32(4): 253-255.
Itô, Y., M. Murai, T. Teruya, R. Hamada, and A. Sugimoto. 1974. An estimation of
population density of Dacus cucurbitae with mark-recapture methods. Res. Pop.
Ecol. 15:213-222.
Jolly, G.M. 1965. Explicit estimates from capture-recapture data with both death and
immigration: Stochastic model. Biometrika 52:225-247.
Krebs, C.J. 1978. Ecology. The experimetal analysis of distribution and abundance.
Second Edition. Harper & Row Publishers p. 133-149.
Nakamura, K. and T,. Ohgushi. 1979. Studies on the population dynamics of a thistle-
feeding lady beetle, Henosepilachna pustulosa (Kono) in a cool temperate forest. I.
The estimation adult population parameters by marking, release and capture
method. Res- Popul. Ecol. 20: 297-314.
Osnager, A. and N.F. Rees. 1985. Longevith, survival rate, and size of territory of the
robber fly, Efferia bicaudata (Diptera: Asilidae), estimated by a capture-recapture
method. Environ, Entomol. 14(4):437-440.
Parr, M.J. 1965. A population study of a colony of imaginal Ischmura elegans (Van der
Linden) (Odonata: Coenagriidae) at Dale, Pembrokshire. Fld. Stud. 2(2):237-282.
Seber, G.A.F. 1973. The estimation of animal abundance and related parameters. Griffin,
London.
24
Sheppard, P.M., W.W. Mac Donald, R.J. Tonn, and B.Grab. 1969. The dynamics of an
adult population of Aedes aegypti in relation to dengue hemorrhagic fever in
Bankok. J. Anim. Ecol. 38:661-702-
Southwood, T.R.E. 1978. Ecological methods with particular reference to study of insects
populations. Methuen, London.
25
ADDENDA AL TEMA II
Cuadro 1-II. Ordenación de datos de captura y recaptura en la iésima muestra para la población de
la chinche Blepharidopterus angulatus (Hemiptera: Capsidae). Datos tomados de Jolly, 1965.
V (Nˆ i ) V (Bˆi )
i
Mi N̂ i φ̂i B̂i V (φ̂i ) V (Nˆ i LN V (φ̂i Lφ̂i )
* Para el cálculo de los parámetros del modelo de Jolly-Seber por computadora, consultar: Ibrahim,
M.S. and M. Trips. 1986.
26
CONTENIDO
TEMA III
TÉCNICAS DEMOGRÁFICAS
La tabla de vida fue presentada a los ecólogos por Pearl desde 1921, la cual se define
como un catálogo, sumario o inventario que describe la supervivencia y las tasas de
mortalidad de los individuos de una población según la edad de éstos. Las tablas fueron
desarrolladas primeramente por demógrafos para describir poblaciones humanas con el fin
de conocer la esperanza media de vida. Posteriormente esta técnica se ha venido aplicando
a muchas poblaciones de animales y plantas (Pearl, 1928; Deevey, 1947; Pool, 1974;
Krebs, 1978; Price, 1997).
Existen diferentes formas para obtener una tabla de vida, formas que dan por resultado
tres diferentes tipos de tablas: la de cohorte (llamada también generacional u horizontal), la
estática ( conocida también como estacionaria, vertical o de tiempo específico) (Krebs,
1978) y la de tiempo variable (Leslie, 1945; Manetsch, 1976; Smerage, 1992; López-
Collado y Cibrián, 1993).
En este capitulo se da una explicación amplia de lo que es una tabla de vida de cohorte
para una mejor comprensión del tema; de la tabla estática se hace una explicación somera
de su construcción y aplicabilidad. En el Tema V se ve lo relativo a la tabla de tiempo
variable.
Las columnas y los estadísticos mas conocidos de una tabla de vida se transcriben líneas
adelante. De lo que se trata es de tomar un cierto número (n) de individuos recién nacidos
(cohorte) e ir observando su supervivencia durante cada unidad de tiempo preestablecida
por el investigador (horas, días, semanas, meses, etc. ) hasta la muerte del último individuo;
una vez realizado esto, se definen los estadísticos:
27
Lx: Número promedio de individuos vivos durante el intervalo x a x+1
Tx: Suma acumulativa de Lx para obtener valores expresados en número de individuos
por unidades de tiempo
ex : Esperanza media de vida de los individuos de la población al inicio del intervalo x;
o bien, unidades de tiempo que le quedan por vivir, en promedio, a cualquier
individuo que haya cumplido cierta edad x
lx: Tasa (o probabilidad) de supervivencia al inicio del intervalo x.
Para ilustrar lo anterior, en el Addenda de este tema se presenta una tabla de vida de
cohorte (Cuadro l-III) del pulgón verde (insecto partenogenético vivíparo) en alfalfa.
n x +1 = n x − d x
qx = dx ÷ nx
L x = (n x + n x +1 ) ÷ 2
∞
Tx = ∑ L x
x =0
e x = Tx ÷ n x
lx = n x ÷ no
l x + i = 1x − d ′x
´
d x = l x − l x +1
q x = d ´x l x , tasa de mortalidad durante el intervalo x a x + 1
L´x = ∫ xx +1 1x dx ≈ (1x + 1x +1 ) ÷ 2
∞
Tx´ = ∑ L′x
x =0
e x = Tx′ /l x
Con este último conjunto de ecuaciones, la qx y la ex deben tener igual valor que si se
usase el primer conjunto, es decir, cuando se parte de la columna nx.
28
Dice Krebs (1978) que es importante hacer notar que en una tabla de vida, conociendo
una columna se pueden calcular el resto de ellas; es decir, no hay "nuevo" en las columnas
nx, lx, dx, (o dx' ) y qx para obtener la ex.
100
Número de individuos (nx)
80
60
40
20
0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
Edad en días (x)
Figura A-III. Curva de supervivencia del pulgón Acyrtosiphon pisum (Harris) alimentado
con hojas de alfalfa de la variedad Puebla 76 ( Cuéllar et al., 1986)
En general se reconocen cuatro tipos teóricos de cueva según Pearl (1928) y Deevey
(1947), que se muestran en la siguiente figura:
Tipo I
1.0
Tipo III
S
U
P
E
0.1
R
Tipo IV
V
I
V
E
N 0.01
C
I
Tipo II
A
0.001
TIEMPO (X)
29
Según Krebs (1978), el tipo I representa una población con pérdidas muy pequeñas a
edad temprana y altas pérdidas en edad avanzada; por ejemplo, poblaciones humanas en
países desarrollados. El tipo II indica alta mortalidad de jóvenes; por ejemplo, algunas
poblaciones de invertebrados marinos e insectos parásitos. El tipo III implica una tasa
constante de mortalidad, independientemente de la edad de individuos; algunas poblaciones
de aves se apegan a este tipo. El tipo IV es muy característico de algunos insectos que
atacan frutos y granos almacenados; ejemplos de este tipo se pueden ver en Pérez et al.,
1989 para moscas de la fruta; Ortega et al., 1989; Osorio, 1991; Ramírez et al., 1991;
Villaseñor y Vera, 1992; Sánchez et al., 1997; Rentería et al., 1997 para gorgojos del frijol.
Visto como se construye una tabla de vida de cohorte, se hace solo mención de la forma
de construir una tabla de vida estática. Para poblaciones de humanos, esta tabla se calcula
con base en un censo realizado en un momento específico. Krebs (1978) da un ejemplo para
la población femenina de Canadá. Lo que se hizo fue investigar el número de individuos
vivos por grupo de edad y el número de muertos. Dividiendo al primer grupo entre el
segundo, se obtuvo la tasa de mortalidad (qx); con estos datos, se pudieron estimar las
columnas lx, dx', etc. de una tabla de vida.
Si una tabla de vida se definió como un catálogo, sumario o inventario que describe la
supervivencia de los individuos de una población, una tabla de fertilidad se define también
como un catálogo ( sumario o inventario) que describe la fertilidad de las hembras de una
población, según la edad de éstas. El estadístico que representa la fertilidad se denomina
por lo general como mx y se define como: el número de hijas producidas por unidad de
tiempo por hembra madre de edad x (Krebs, 1978). Su ecuación es:
m x = h x ÷ n x , siendo:
30
Para ilustrar lo anterior, y ver como se combina una tabla de vida con una de fertilidad,
se continua con el ejemplo del pulgón verde previamente descrito (ver Cuadro 2-III en el
Addenda).
En dicho cuadro se puede apreciar que la sumatoria de la columna lxmx = 7.41, lo cual
se define como la tasa neta de reproducción y se le representa como:
∞
R 0 = ∑ l xm x
x =0
Para el ejemplo que se está tratando, Ro significa que la población de pulgón verde se
multiplicará 7.41 veces en cada generación (entendiéndose por generación el lapso
promedio entre el nacimiento de los padres y el nacimiento de los hijos).
∞
R o = ∑ h x ÷ n 0 = 741 ÷ 100 = 7.41
x =0
∞
∞
R o = ∑ lx mx = ∑ h x ÷ n 0
x =0 x =0
∞ ∞ ∞
T = ∑ lxmxx ÷ ∑ lxmx = ∑ lxmxx ÷ R0
x =0 x =0 x =0
31
∞ ∞
[Otra ecuación para calcular este tiempo es T = ∑ xh x ÷ ∑ h x ; ver Addenda]
x =0 x =0
Para la cohorte del insecto, T = 102.64 ÷ 7.41 = 13.85 , lo que significa que la población
del pulgón verde se multiplica 7.41 veces cada 13.85 días.
rm = ln(R o ) ÷ T
Esta tasa, que como se dijo se estima en condiciones óptimas de laboratorio, no la hace
inútil para entender lo que está pasando en la naturaleza, es decir, esta medida proporciona
un modelo de lo que se podría esperar en condiciones naturales, si éstas le son del todo
favorables a la población (Krebs, 1978; Rabinovich, 1980).
Para el insecto A. pisum, rm = 1 n (7.41) ÷ 13.85 = 0.1446 que se expresa por individuo
por unidad de tiempo ( en este caso día); sin embargo, esto no significa que por cada
individuo presente en un día, al siguiente habrá 0.1446. Esto quiere decir que en cualquier
instante el número de insectos de la población se está incrementando a una tasa tal, que se
espera un crecimiento del 14,5 % (aproximadamente) de una unidad de tiempo a la
siguiente (Wilson y Bossert, 1971). Así mismo, se puede usar esta tasa para estimar, en
cualquier instante o momento futuro (t), la densidad por medio de la ecuación general del
crecimiento geométrico: nt = no exp (rm t); para t = 0,....., ∞ (incluyendo fracciones de
unidad); en este caso no representa el número de individuos observados (o estimados) al
inicio de cualquier estudio.
32
Regresando al asunto del tiempo de generación (T), se debe explicar que éste puede ser
aproximado, sobre todo en poblaciones con generaciones que se traslapan, luego entonces
el valor de rm resultaría también aproximado. La manera de calcular dicha tasa con mayor
precisión es utilizando la ecuación de Lotka ( 1907, 1913 ), quien demostró que :
∑ exp(− r x) l
x =0
m x m x = 1 **
Para el ejemplo del pulgón verde, si se sustituye el valor de la rm = 0.1446 se verá que la
sumatoria no es igual a la uno, entonces se tendrá que buscar, por medio de "prueba y
error" o con un programa de computadora (Colunga y Vera, 1991), un valor que satisfaga
dicha ecuación. En las columnas del Cuadro 3-III del Addenda se puede observar que con
una rm = 0.16174, la expresión:
∑ exp(− 0.16174x)l
x =7
x mx = 1
Existe otra tasa si se quiere estimar por cuanto se multiplica una población por unidad
de tiempo; ésta se denomina tasa finita y su ecuación es (Krebs, 1978):
λ = exp(rm ) = nt ÷ no , para t = 1;
para el pulgón A. pisum, si la rm 0.16174, entonces λ = 1.1756 , lo que significa que por
cada pulgón presente en un momento dado (t), habrá casi 1.18 en la siguiente unidad de
tiempo (t+1).
Al inicio de este tema se dijo que con la combinación de tablas de vida y fertilidad, se
podía estimar, entre otros estadísticos, una de las características de una población en
particular: su distribución de edades. Ésta se puede llevar a cabo con la ecuación (Krebs,
1978):
**
Ver en Addenda la derivación de esta ecuación
33
∞
( )
C x = λ - x l x ÷ ∑ λ − x l x en donde:
x =0
Aplicando la ecuación a los datos del pulgón verde (Cuadro 5-III, Addenda), se obtiene
que:
30
∑λ
x =0
−x
l x = 4.7365 , por lo tanto
El ejemplo que se usó para ilustrar la forma de combinar una tabla de vida con una de
fertilidad, fue el de una cohorte formada con un insecto partenogenético; cuando se trata de
poblaciones compuestas de machos y hembras, es conveniente llevar un registro por
separado de ambos sexos. Las columnas de las tablas para este tipo de poblaciones son:
x: ( como se definió )
nx : número total de individuos vivos al inicio del intervalo x a x+1
nx': número de hembras vivas al inicio del intervalo x a x+1
34
1x : (como se definió )
lx' : probabilidad de supervivencia de las hembras al inicio del intervalo x a x+1
hx : número total de hijos producidos durante el intervalo x a x+1
hx': número de hijas producidas durante el intervalo x a x+l
De esta manera, se pueden construir las curvas de supervivencia para machos y para
hembras y, desde luego, todos los demás estadísticos poblacionales ya referidos.
Es común hacer tablas de vida y fertilidad con insectos, en donde la cohorte se inicie
con un número no de huevecillos; en este caso, como ya se indicó se tendrá que hacer la
suposición de que todos estos huevos son viables (ya que siempre lo = 1 ); así mismo, se
tendrá que saber de antemano cual es la relación sexual, y si ésta se conserva
aproximadamente igual de generación en generación.
Con este conocimiento y con la manera de registrar las columnas de las tablas, no se
altera el cálculo de las tasas de reproducción, aunque, como se indicó, únicamente se
consideren a las hembras para las tablas de fertilidad. Esto es fácilmente demostrable; por
ejemplo, si se sabe que en una población hay un macho por cada hembra (1:1), entonces la
proporción sexual p = 1÷ 2 ; de esta manera:
∞ ∞
R 0 = ∑ h x 2 ÷ 2n 0 = ∑ h x ÷ n 0
x =0 x =0
35
Tablas de vida y fertilidad de un insecto imaginario ovíparo holometábolo
Estadío X nx hx nx ' hx ' mx lx ' lx' mx
8 8
∑ = 570
x =0
∑ = 5.70
x =0
* Supervivencia supuesta
Dice Pool ( 1974 ) que para calcular esta tasa de reproducción, todos están de acuerdo
en que lo primero es construir una tabla de vida y fertilidad para la población de interés,
pero que se ha generado una nomenclatura confusa acerca de la definición de 1x. Para
algunos autores este último estadístico representa el numero de individuos vivos al inicio
del intervalo x a x+1, lo que en este capítulo se denominó nx. Otros, como Pielou (1969)
inicialmente, hacen la suposición que tanto la mortalidad como la fertilidad ocurren
instantáneamente en el punto medio del intervalo de x a x+ 1, entonces, para estimar rm,
reeditan 1x como la proporción de la cohorte viva en al punto medio de dicho intervalo, de
tal manera que: 1x = Lx ÷ número inicial de individuos de la cohorte (no). Asimismo, la
columna definida como intervalo de edad, la expresan como el promedio de la suma de x
mas x+1, y la denominan: edad "pivotal". Bajo esta suposición y definición, una tabla de
vida y fertilidad quedaría compuesta de las siguientes columnas iniciales:
Los lectores con conocimientos en cálculo integral pueden consultar a Pielou (1969)
para una mejor comprensión del tema; sin embargo, para cuestiones prácticas, se
recomienda indicar que metodología se usó para estimar rm, la indicada por Krebs (1978) o
la de Pielou.
36
3.4.3 Estudios comparativos
Para efectos prácticos, es obvio que se recomiende almacenar trigo con un contenido de
humedad igualo menor de 10.5% y a una temperatura no mayor de 21° C; de esta forma, la
37
capacidad de reproducción de C. oryzae tenderá a disminuir, por lo que sus daños serán
menores.
Con base en estos resultados, aquí también se espera que el daño sea mucho menor en los
genotipos almacenados en donde las rm's de la plaga fueron negativas.
Se han diseñado varias pruebas para comparar tanto tablas de vida como para tasas de
reproducción. Se iniciará con la descripción de las primeras.
Los siguientes párrafos son una síntesis de la escrito por Méndez et al. (2001) respecto
de esta prueba no-paramétrica.
La hipótesis de nulidad para esta prueba postula que las tablas (o curvas) de
supervivencia (con diferentes tratamientos, factores de riesgo, o en diferentes condiciones,
etc.) son iguales. Es decir, las probabilidades de que se presente la muerte en cualquier
momento son las mismas para todos los individuos que forman las cohortes que se
comparan.
38
En el Cuadro 6-III del Addenda se da un ejemplo tomando datos de Cuéllar et al. (1986)
para mostrar el procedimiento. En este ejercicio, los autores compararon dos tablas de vida
del pulgón verde A. pisum; una cohorte alimentada con hojas de alfalfa de la variedad
Puebla 76, y la otra con hojas de la variedad Mesa Sirsa. En el citado cuadro se ven varias
columnas, que en términos generales se conocen como:
x : intervalo de edad
nx(a) : tabla de vida de la población bajo la condición a
nx(b) : tabla de vida de la población bajo la condición b
Nx : número total de individuos en riesgo de muerte [ nx(a) + nx(b)]
fx : número de individuos muertos de x a x+ 1, tanto en a como en b
Con las ecuaciones fx nx(a) ÷ Nx y fx nx(b) ÷ Nx, que aparecen en las dos últimas
columna del Cuadro 6-III ( que en conjunto se denominan magnitud de exposición al riesgo
de muerte), se calcula el número teórico de individuos muertos esperados (E) bajo la
hipótesis de nulidad de la prueba, independientemente del número de individuos vivos que
hayan al inicio de cada momento x. En el ejemplo, si en el día x=1 hay N2=200 y f2=30
áfidos muertos, se espera que entre ellos 15 corresponden a los que están en la variedad
Mesa Sirsa (a) y 15 los que están en la Puebla 76 (b) (en el Addenda se puede ver la
demostración formal de este enunciado ).
La suma de estas dos últimas columnas se denominan E(a) y E(b) respectivamente, por lo
tanto:
χ 2cal = [(O -E )2 ÷ E ] + [(O -E )2 ÷ E ] ;
(a) (a) (a) (b) (b) (b)
3.4.4.2 Prueba de Z
Con la prueba de Logrank se puede saber si dos (o más) tablas de vida son diferentes a
todo lo largo de ellas; es decir, no fue diseñada para detectar en que momento empiezan las
diferencias. En cambio, la prueba paramétrica de Z se formuló para detectar si la
39
proporción de individuos vivos (1x) de dos cohortes es diferente al inicio de un intervalo
dado x a x+1.
Esta prueba está basada en el teorema central del límite, que establece que la proporción
de sobrevivientes tiene una distribución normal cuando la muestra es grande (nx>30).
Ho; pa = pb
Ha; pa ≠ pb (al inicio del intervalo x a x+1 );
el valor de Zcal se estima como sigue:
Zcal = (pˆ a − pˆ b ) ÷ Error estándar de la diferencia;
S(dif) =
( )
( )
p̂ a 1 − p̂ a ÷ n x a + p̂ b 1 − p̂ b ÷ n x b
Para hacer este tipo de comparaciones surge un problema debido a que estas tasas son
valores únicos emanados, como se ha visto, de la integración de una tabla de vida y una de
fertilidad para cada cohorte.
Para resolver este problema se han diseñado varios métodos, entre los que destacan las
técnicas denominadas Jacknife, Bootstrap (Meyer et al. , 1986) y Traslapo de Intervalos de
Vera y Sotres (1991). Brevemente, la primera consiste en ir omitiendo al azar uno de los n
individuos (el iésimo; i = 1, 2, ......, n) de los datos originales y recalculando las tasas
intrínsecas y las varianzas para los n-l individuos restantes. La segunda técnica estriba en
combinar, usando muestreo al azar con reemplazo, los datos originales de los n individuos,
de tal forma que el dato de uno de ellos en particular puede no estar, o estar representado
más de una vez; de esta combinación se estiman las tasas promedio y varianzas respectivas.
Para mayor información se recomienda la lectura de los citados Meyer y colaboradores
(1986).
40
Sotres (1991), para conocer los supuestos, bondades y limitaciones de esta técnica de
comparación.
Por principio, la prueba fue diseñada específicamente cuando se realicen tablas de vida
y fertilidad de cohorte bajo condiciones ambientales controladas, en donde el espacio y el
alimento no son limitantes, variando únicamente el factor a probar; por ejemplo, dietas,
fotoperiodos, temperaturas, dosis de un tóxico o tóxicos diferentes, etc.
Las hipótesis de la prueba son: Ho: rm(a) = rm(b) vs Ha: rm(a) ≠ rm(b), representando, en
este caso, a y b dos tratamientos de un factor cualesquiera a probar.
(si se conoce no); las desviaciones estándar de nt y los intervalos de confianza con la
( )
ecuación: P[nt −kσ 〈 E (nt )〈 nt + kσ ] ≥ 1 − 1 ÷ k 2 ; para k 〉1, según el grado de probabilidad que se
desee.
Dado lo anterior, se observa si los intervalos no se traslapan en un tiempo “t” fijado por
el interés del investigador; si este es el caso, se rechaza la hipótesis nula de que la E(nt) de
cada uno de los tratamientos son estadísticamente iguales, que es equivalente a decir que
las rm de dichos tratamientos no son iguales, según Vera y Sotres (1991).
Con el fin de hacer más explícita la aplicación de la técnica, se seguirá paso a paso un
ejemplo tomando datos de Cuéllar et al. (1986) sobre el pulgón verde (A. pisum); una
cohorte alimentada con hojas de alfalfa de la variedad Puebla 76 (dieta a) y otra cohorte en
hojas de la variedad Mesa Sirsa (dieta b), Con ambas dietas se obtuvieron las siguientes
estadísticas a partir de cohortes de 100 individuos por dieta:
41
Ta =13.85 días
bb =0.14560 por individuo/día
db =0.09035 por individuo/día
rm(b) = 0.05525 por individuo/día
Tb = 13.57 días
¿Existen diferencias en las tasas intrínsecas de incremento natural ?
Primero se estima el crecimiento poblacional (n̂ t (a ) ) teórico del insecto bajo la dieta a;
segundo, su varianza σ̂ 2t(a) = n0 (b+d)/(b-d){exp[(b-d)t]}{exp [(b-d)t]-1}; tercero, la
desviación estándar σ t (a ) y, cuatro, los intervalos de confianza, según el procedimiento
ilustrado en la tabla siguiente:
Unidades *
σ̂ 2t(a) σ t (a ) nˆ t(a) − Kσˆ t(a) nˆ t(a) + Kσˆ t(a)
n̂ t (a )
de tiempo
(días)
Densidad teórica Varianza Desviación estándar Lim. inferior Lim. superior***
0 100**
1 118 37.69 6.14 105 130
2 138 96.33 9.81 118 158
3 162 185.07 13.6 135 190
4 191 316.73 17.79 155 226
5 224 509.21 22.56 179 269
6 263 787.59 28.06 207 319
7 309 1186.79 34.44 240 378
8 364 1185.39 41.89 298 447
9 427 2560.97 50.60 326 528
10 - - - - -
11 - - - - -
12 etc. etc. etc. etc. etc.
*
nt(a) = n0 exp [(0.22861- 0.06687)t]
**
Número de individuos con los que se inició la cohorte.
***
Para k = 2, P(L.1<E(nt )<L.5) ≥ 0.75
Este mismo procedimiento se repite con las estadísticas vitales obtenidas con la dieta b
y la información se sintetiza como se indica:
t (días) n(t)a Inter confianza (a) n(t)b Inter confianza (b) Traslapo de
L. inf. L. sup. L. inf. L. sup. intervalos
0 100 100
1 118 105 130 106 96 116 si
2 138 118 158 121 97 127 si
3 162 138 190 118 99 138 si
4 191 155 226 125 102 148 No
5 224 179 269 132 105 159 No
6 263 207 319 139 109 170 No
7 309 240 178 147 113 182 No
8 364 298 447 156 117 194 No
9 427 326 528 164 122 207 No
10 - - - - - - -
11 etc. etc. etc. etc. etc. etc. etc.
42
En el cuadro anterior se puede ver que a partir de la unidad de tiempo t=3 días no hay
traslapo de intervalos, lo cual quiere decir que a partir de ese momento las poblaciones
teóricas son estadísticamente diferentes, quedando a criterio del investigador decidir si las
tasas intrínsecas de incremento se pueden considerar distintas. En este caso es pertinente
decir que sí existen marcadas diferencias en las tasas, dado que mucho antes de que
transcurra una generación, la población teórica sometida a la dieta a es estadísticamente
(P ≥ 0.75) mayor que la población desarrollada en la dieta b.
No es por demás señalar que entre más pronto se pierda la superposición de intervalos,
mayor será la diferencia entre las tasas de reproducción.
Prueba de t de Student
No se dedicará mucho espacio a esta prueba paramétrica por ser ampliamente conocida;
únicamente se presentará la técnica de comparación.
43
Primero se debe establecer la hipótesis de nulidad, que para el presente caso será:
Ho : ra = rb en oposición a Ha : r a ≠ r b ; o sea, se trata de una prueba de "dos colas", en
donde Ho se rechaza si t 0 ≥ tα / 2(n + m − 2 ) ; o bien, t 0 ≤ −tα / 2(n + m − 2 )
ra − rb
to = 1
; en donde
2 1 1 2
S P n + m
s P2 =
(n − 1)S 2 r ( a ) + (m − 1)S 2 r (b ) (varianza ponderada), y
n+m−2
2
1 n
S 2
r (a) = ∑ (rai − r b ) ,
n − 1 i =1
2
1 n
S 2
r (a) = ∑ (rai − r b ) ,
m − 1 i =1
Para aplicar esta prueba se debe suponer que las ra(l), ra(2), ..., ra(n), y rb(l), rb(2), ..., rb(m),
son muestras independientes ("dentro" y "entre"), que su distribución es normal y que
tienen la misma varianza. Según Infante y Zárate (2000), esta última suposición es muy
importante porque el procedimiento de prueba es robusto si y sólo si las dos muestras son
de tamaño muy grande (cuando n y m ≥ 20).
Debido a que esta prueba no-paramétrica es relativamente poco conocida entre la gente
dedicada a estudios biológicos, se dará una breve explicación de sus fundamentos y del
procedimiento para llevarla a cabo; sin embargo, se aconseja la consulta de literatura
especializada como lo son los libros de Conover (1971) e Infante y Zárate (2000), de los
cuales se transcribirán algunos párrafos adaptándolos al, caso en cuestión.
Dicen los segundos autores que la estructura de los datos de la prueba de Mann-
Whitney (que también se le conoce con el nombre de Wilcoxon-Mann-Whitney) es idéntica
a la presentada en la técnica paramétrica; es decir, que se tienen muestras aleatorias ra(l),
ra(2), .;., ra(n), y rb(l), rb(2), ..., rb(m), de dos poblaciones. Las únicas suposiciones de esta prueba
son que dichas muestras son independientes y que la escala de medición es al menos
ordinal. Puesto que la escala es ordinal y puede calcularse la mediana de cada muestra
(Mr(a) y Mr(b)), la hipótesis propuesta involucra las medianas de las poblaciones estadísticas
que se desea comparar: Ho: Mr(a) = Mr(b) en oposición a Ha: Mr(a) ≠ Mr(b).
44
Para derivar una estadística de prueba, continúan Infante y Zárate, se debe recordar que
la mediana es un parámetro de localización, y que la única relación que puede establecerse
entre observaciones registradas en escala ordinal es el ordenamiento por magnitud. Si se
ordenan las n+m observaciones de las dos muestras de acuerdo con su valor y se supone
que Mr(a) = Mr(b), cabe esperar que las observaciones de las dos muestras se encuentren más
o menos uniformemente mezcladas. En cambio, si al colocar a las n+m observaciones en
orden ascendente se encuentra que los elementos de una de las muestras ocupan las
posiciones superiores, es lógico pensar, en términos de la hipótesis, que tienen diferente
mediana.
Por otro lado, Conover (1971) dice que con esta prueba también se puede probar la
hipótesis Ho: r a = r b, si se agrega la siguiente suposición: Si hay una diferencia entre las
funciones de distribución poblacional, esa diferencia es una diferencia de posición de la
distribución; es decir, si F(x) y G(x) son las funciones de distribución correspondientes a
las poblaciones 1 y 2 respectivamente, y éstas no son idénticas, entonces F(x) será idéntica
a G(x+c), donde c es alguna constante.
Por su lado Connover (1971) dice que obtenidos los rangos, se calculan las estadísticas:
n
S = ∑ R(r ,a ,i )
i =1
n(n + 1)
T =S−
2
Esta T se compara contra una Tα / 2 (n, m grados de libertad)*. Para el caso que se está
tratando (prueba de "dos colas") la regla de decisión sería: Rechazar Ho si T > Tα / 2 (n,m) o
si T < nm - Tα / 2 (n− m ) ; o bien aceptar Ho si el valor de T está entre Tα / 2 y nm- Tα / 2 .
Conover (1971) habla de las bondades de las pruebas basadas en rangos, entre las que
destacan dos: Primero, que la teoría estadística de probabilidades basada en rangos es
relativamente simple y no depende de la distribución de las observaciones en muchos
casos; segundo, si la función de distribución no es una distribución normal, la teoría de
*
Consultar Tabla 8 del libro de Conover (1971) o Tabla J del libro de Infante y Zárate (2000)
45
probabilidad está fuera del alcance cuando la prueba estadística se base en datos
directamente observados.
Como se ha visto, cuando se quieren comparar con el método paramétrico dos muestras
independientes (ra(1), ra(2), ..., ra(n), y rb(1), rb(2), ..., rb(m)), se calcula t0 , y T cuando se emplea
el método no- paramétrico.
1 N (N + 1) N 2 1 2 1 N ( N + 1) 2
2
1 N
tR = S − − S ÷ ∑ Ri − n S − m −S
n m 2 i =1 2 mn( N − 2)
en donde:
N =n+m
n
S = ∑ R(r,a,i )
i +1
Obtenido tR, se compara con la t de tablas con N-2 grados de libertad para probar la
hipótesis Ho: ra = rb
Esta prueba es posible debido a que tR es una función monótona creciente de T, de tal
forma que queda al criterio del investigador aplicar cualquiera de los dos. De hecho tR
puede ser preferida por la sencilla razón de que este procedimiento es más fácil de enseñar
a quien entienda la prueba de t y la transformación, pero que no esté familiarizado con las
estadísticas no paramétricas (Conover e Iman, 1981 ).
Con el fin de ser más explícitos, se aplicarán las tres pruebas descritas a un problema
imaginario. Supóngase que un investigador construyó ocho tablas de vida y fertilidad; para
46
esto usó cuatro cohortes bajo la condición a y cuatro para la condición b. Las tasas
instantáneas de desarrollo poblacional que obtuvo fueron:
n=4, m=4
ra = 0.09925; S2r(a) = 0.00050
rb = 0.03450; S2r(b) = 0.00047
S2p = 0.00049
0.09925 − 0.03450
t0 = = 4.13673
[0.00049 ( ) ]
1
2
1 1
+
4 4
n
La ∑ R(
i =1
r , a ,i ) = 5 + 6 + 7.5 + 7.5 = 26,
4(4 + 1)
La estadística T = 26 − = 16;
2
T0.05 / 2(4.4 ) = 15
47
De la misma manera, como T > T 0.05/2(4.4) se rechaza Ho:Mr(a) = Mr(b); o también se
rechaza Ho: r a = r b si se supone que ambas poblaciones estadísticas tienen la misma
distribución, cualquiera que sea ésta.
tR =
1
4
26− 14 (
8 x9
2
−26 ) = 4.4956
{ [203.5 − )] }
1
1
4
676 − (
1 8 x9
4 2
− 26
2 8
4 x4 x6
2
48
BIBLIOGRAFIA
Andrewartha, H.G. and L.C. Birch. 1954. The distribution and abundance of animals.
University of Chicago Press. Chicago, U.S.A.
Birch, L.C. 1953. Experimental background to the study of the distribution and abundance
of insects. I. The influence of temperature, moisture, and food on the innate capacity
of increase of the three grain beetles. Ecology 34:698-711.
Conover, W.J. 1971. Practical nonparametric statistics. John Wiley and Sons, Inc.
Conover, W.J. and R.L. Iman. 1981. Rank transformations as a bridge between parametric
and nonparametric statistics. The American Statistician. Vol. 35, No. 3:124-129.
Cuéllar O., R.; J. Vera G.; H. Bravo M. y T.H. Atkinson. 1986. Efecto de la resistencia de
la alfalfa en la sobrevivencia y reproducción de Acyrthosiphon pisum (Harris)
(Homoptera: Aphididae) y del parasitoide Aphidius Smith; Sharma & Subba Rao
(Hymenoptera: Aphidiidae). Agrociencia No.63:35-44.
Deevey, E.S. 1947. Life tables for natural population of animals. Quart. Rev. Biol. 22:283-
314.
Krebs, J.C. 1978. Ecology .The experimental analysis of distribution and abundance.
Second Edition. Harper & Row, Publishers. New York, Evanston, San Francisco,
London.
49
López-Collado, J. 1990. Tablas de vida de tiempo específico de Acyrthosiphon pisum
(Harris) (Homoptera: Aphididae). XIII Reunión Nacional de Control Biológico.
Octubre, 1990. Colima, México.
Lotka, A.J. 1907. Studies on the mode of growth of materials aggregates. Amer. J. Sci.
24:199-216.
Lotka, A.J. 1913. A natural population norm. J. Wash. Acad. Sci. 3:241-248,289-293.
Manetsch, T. J. 1976. Time-varying distributed delays and their use in aggregative models
of large systems. IEEE Trans. Systems, Man, and Cybernetics. Vol. SMC-C: 547-
553.
Meyer, J.S., C.G. Ingersoll, L.L. McDonald, and M.S. Boyce. 1986. Estimating uncertainty
in population growth rates: Jacknife vs. Bootstrap techniques. Ecology 67(5):1156-
1166.
Ortega M., L.; J. Vera G.; J. Romero N. y A. Equihua M. 1989. Tasas de supervivencia y
reproducción de Acanthoscelides obtectus Say en diferentes variedades de frijol,
Phaseolus vulgaris L. Agrociencia. No. 76:183-195.
Pielou, E.C. 1969. An introduction to mathematical ecology. John Wiley & Sons. N. York.
Price, P. W. 1997. Insect Ecology, 3ed. Edition. John Wiley & Sons.
Ramírez T., E.R., J. Vera G.; R. Garza G. y J. Sánchez E. 1991. Tablas de vida y fertilidad
del gorgojo Zabrotes subfasciatus (Coleoptera: Bruchidae) en cinco materiales de
frijol, Phaseolus vulgaris. Agrociencia, Serie Protección Vegetal. Vol. 2, Núm.
3:21-31.
50
Rentería López, L. J. Vera Graziano y B. Domínguez Ruiz. 1997. Preferencia y tasas de
fertilidad de Zabrotes subfasciatus (Boheman)en seis líneas de frijol. Agrociencia
31(3): 349-352.
Sánchez Rodríguez, A., B. Domínguez Ruiz y J. Vera Graziano. 1997. Resistencia de tres
líneas de frijol al ataque de Zabrotes subfasciatus. Agroeciencia 31(2): 209-216.
Vera G., J. y D. Sotres R. 1991. Prueba de Traslapo de Intervalos para comparar tasas
instantáneas de desarrollo poblacional. Agrociencia, Serie Protección Vegetal.
Vol. 2, Núm. 2:7-13.
Villaseñor V., J.A. y J. Vera G. 1992. La testa del frijol de la variedad Negro Jamapa, como
defensa contra el ataque de Zabrotes subfasciatus (Coleoptera: Bruchidae).
Agrociencia, Serie Protección Vegetal. Vol. 3, Núm. 2:39-49.
Wilson, E.O. and W.H. Bossert. 1971. A primer of population biology. Sinauer Associates,
Inc. Publishers. Suderland, Massachusetts.
51
ADDENDA AL TEMA III
Cuadro 1-III. Tabla de vida del pulgón verde Acyrthosiphon pisum (Harris) (Homoptera:
Aphididae) alimentado con hojas de alfalfa de la variedad Puebla 76, bajo condiciones
controladas de laboratorio. *
X nx dx qx Lx Tx ex 1x**
(días)
0 100 0 0.0000 100 1012.0 10.12 1
1 100 12 0.1200 94 912.0 9.12 1
2 88 8 0.0909 84 818.0 9.30 0.88
3 80 4 0.0500 78 734.0 9.18 0.80
4 76 0 0.0000 76 656.0 8.63 0.76
5 76 2 0.0263 75 580.0 7.63 0.76
6 74 11 0.1486 68.5 505.0 6.82 0.74
7 63 8 0.1270 59 436.5 6.92 0.63
8 55 13 0.2364 48.5 377.5 6.86 0.55
9 42 9 0.2143 37.5 329.0 7.83 0.42
10 33 2 0.0606 32 291.5 8.83 0.33
11 31 6 0.1935 28 259.5 8.37 0.31
12 25 1 0.0400 24.5 231.5 9.26 0.25
13 24 1 0.0417 23.5 207.0 8.63 0.24
14 23 2 0.0870 22 183.5 7.98 0.23
15 21 2 0.0952 20 161.5 7.69 0.21
16 19 1 0.0526 18.5 141.5 7.44 0.19
17 18 0 0.0000 18 123.0 6.83 0.18
18 18 1 0.0556 17.5 105.0 5.83 0.18
19 17 3 0.1765 15.5 87.5 5.15 0.17
20 14 3 0.2143 12.5 72.0 5.14 0.14
21 11 2 0.1818 10 59.5 5.41 0.11
22 9 1 0.1111 8.5 49.5 5.50 0.09
23 8 1 0.1250 7.5 41.0 5.13 0.08
24 7 1 0.1429 6.5 33.5 4.79 0.07
25 6 0 0.0000 6.0 27.0 4.50 0.06
26 6 0 0.0000 6.0 21.0 3.50 0.06
27 6 1 0.1667 5.5 15.0 2.50 0.06
28 5 1 0.2000 4.5 9.5 1.90 0.05
29 4 1 0.2500 3.5 5.0 1.25 0.04
30 3 3 1.0000 1.5 1.5 0.50 0.03
31 0 * * 0 * * 0
∞ 31
Es importante señalar que en una tabla de vida ∑ d x = n0 (en este caso
x =0
∑d
x =0
x = 100 ) y
*
Datos tomados de Cuellar et al. 1986
**
Algunos investigadores presentan esta columna como porcentajes, pormilajes, etc.; es decir 1x=(nx/no)100; 1x=(nx/no)1000; etc.
52
Cuadro 2-III. Tabla de vida y fertilidad del pulgón verde A. pisum alimentado con hojas de
alfalfa de la variedad Puebla 76, bajo condiciones de laboratorio. Chapingo, Méx.
1986*.
X (días) nx hx mx 1x 1xmx
0 100 0 0 1 0
1 100 0 0 1 0
2 88 0 0 0.88 0
3 80 0 0 0.80 0
4 76 0 0 0.76 0
5 76 0 0 0.76 0
6 74 0 0 0.74 0
7 63 16 0.2540 0.63 0.1600
8 55 70 1.2727 0.55 0.7000
9 42 65 1.5476 0.42 0.6500
10 33 59 1.7879 0.33 0.5900
11 31 64 2.0645 0.31 0.6400
12 25 58 2.3200 0.25 0.5800
13 24 62 2.5833 0.24 0.6200
14 23 58 2.5217 0.23 0.5800
15 21 53 2.5238 0.21 0.5300
16 19 47 2.4737 0.19 0.4700
17 18 37 2.0556 0.18 0.3700
18 18 34 1.8888 0.18 0.3400
19 17 28 1.6471 0.17 0.2800
20 14 18 1.2857 0.14 0.1800
21 11 15 1.3636 0.11 0.1500
22 9 12 1.3333 0.09 0.1200
23 8 11 1.3750 0.08 0.1100
24 7 9 1.2857 0.07 0.0900
25 6 5 0.8333 0.06 0.0500
26 6 6 1.0000 0.06 0.0600
27 6 6 1.0000 0.06 0.0600
28 5 4 0.8000 0.05 0.0400
29 4 4 1.0000 0.04 0.0400
30 3 0 0 0.03 0
31 0 0 * 0 *
741 7.4100
*
Datos tomados de Cuellar et al., 1986.
53
Cuadro 3-III. Ajuste del valor de la rm por medio de la ecuación de Lotka.
Cuadro 4-III. Cálculo de β para estimar las tasas de natalidad (b) y mortalidad (d).
x 1x exp[-rm(x+1)] x 1x exp[-rm(x+1)]
0 0.8507 16 0.0122
1 0.7236 17 0.0098
2 0.5417 18 0.0038
3 0.4189 19 0.0067
4 0.3385 20 0.0047
5 0.2880 21 0.0031
6 0.2385 22 0.0022
7 0.1727 23 0.0016
8 0.1283 24 0.0012
9 0.0833 25 0.0009
10 0.0557 26 0.0008
11 0.0445 27 0.0006
12 0.0305 28 0.0005
13 0.0259 29 0.0003
14 0.0203 30 0.0002
15 0.0158 31 0.0000
31
∑ = 4.0292
x =0
54
Cuadro 5-III. Sumatoria de λ − x l x para calcular la distribución de edad de A. pisum.
X λ −x l x x λ −x l x
0 1.0000 16 0.0143
1 0.8507 17 0.0115
2 0.6368 18 0.0098
3 0.4924 19 0.0079
4 0.3980 20 0.0055
5 0.3385 21 0.0037
6 0.2804 22 0.0026
7 0.2031 23 0.0019
8 0.1508 24 0.0014
9 0.0980 25 0.0011
10 0.0655 26 0.0009
11 0.0523 27 0.0008
12 0.0359 28 0.0005
13 0.0293 29 0.0004
14 0.0239 30 0.0002
15 0.0186
30
∑ = 4.7365
x =0
55
Cuadro 6-III. Cálculos para aplicar la prueba de Logrank a dos cohortes de A. pisum
en dos dietas diferentes.
x Magnitud de exposición al
(días) nx(a)10 n x(b)11 Nx12 fx13 riesgo de muerte
fxnx(a) /Nx fxnxb) /NX
0 100 100 200 0+0=0 0 0
1 100 100 200 18+12=30 15.00 15.00
2 82 88 170 1+8=9 4-34 4.66
3 81 80 161 3+4=7 3-52 3-48
4 78 76 154 3+0=3 1.52 1.48
5 75 76 151 0+2=2 0.99 1.01
6 75 74 149 1+11=12 6.04 5.96
7 74 63 137 7+8=15 8.10 6.90
8 67 55 122 13+13=26 14.28- 11.72
9 54 42 96 14+9=23 12.94 10.06
10 40 33 73 16+2=18 9.86 8.14-
11 24 31 55 8+6=14 6-11 7.89
12 16 25 41 3+1=4 1.56 2.44
13 13 24 37 4+1=5 1.79 3.24
14 9 23 32 0+2=2 0.56 1.44
15 9 21 30 1+2=3 0.90 2.10
16 8 19 27 1+1=2 0.59 1.41
17 7 18 25 2+0=2 0.56 1.44
18 5 18 23 2+1=3 0.65 2.35
19 3 17 20 0+3=3 0.45 2.55
20 3 14 17 1+3=4 0.71 3.29
21 2 11 13 0+2=2 0.31 1.69
22 2 9 11 1+1=2 0.36 1.64
23 1 8 9 1+1=2 0.22 1.78
24 0 7 7 1=1 0 1.00
25 6 6 0=0 0 0
26 6 6 0=0 0 0
27 6 6 1=1 0 1
28 5 5 1=1 0 1
29 4 4 1=1 0 1
30 3 3 3=3 0 3
31 0 0 0=0 0 -
56
Derivación de ecuaciones
∞
R o = ∑ l x m x = (n o /n o ) (h o /n o ) + (n 1 /n o ) (h 1 /n 1 ) + .... + (n ∞ /n o ) (h ∞ /n ∞ )
x =0
∞
= (h o /n o ) + (h 1 /n o ) + ... + (h ∞ /n o ) = ∑ h x n o
x =0
∞ ∞
Τ = ∑1x m x x ÷ ∑1x m x , entones
x =0 x =0
∞
∞ ∞
T = ∑ h x no ÷ ∑ l x m x , pero como en el inciso (a) se demostró
x =0 x =0
∞
∞
∑
x =0
l x m x ∑ h x n0 , significa que
x =0
∞
∞ ∞ ∞
T = ∑ h x x no ÷ ∑ h x no = ∑ h x x ∑ hx
x =0 x =0 x =0 x =0
La ecuación de Lotka fue una adaptación a la ecología de una ecuación más general
derivada por Leonhard Euler en el siglo XVIII, la cual es:
∫ 0∞ l x m x e − rx = 1
Esta integral dice lo mismo que la ecuación de Lotka, excepto que el intervalo de
tiempo (x) es infinitesimalmente pequeño (Wilson y Bossert, 1971)*:
*
Wilson, E.O. and W.H. Bossert. 1971. A primer of population biology. Sinauer Associates, Inc. Publishers.
P. 115-118.
57
Para la derivación de esta ecuación se deben hacer las siguientes consideraciones:
Todos los organismos que nacieron en un mismo momento estarán vivos, lo cual
significa que l0 = 1 al momento t0 .
- Los padres de los organismos recién nacidos, probablemente tienen diferente edad.
- Los padres que nacieron una unidad de tiempo atrás contribuyeron con ml hijas por
cada hembra presente en ese tiempo; por lo tanto cada hembra de una unidad de
tiempo de edad contribuyó con 11 ml hijas. Las hembras de dos unidades de tiempo
de edad, contribuyeron con l2 m2 hijas, etc.
11=10 e-r
∑l m e
x =0
x x
− rx
=1
58
Todo lo anterior se sintetiza en el siguiente cuadro:
∑l m e
x =0
x x
− rx
= 10 = 1
1. Si nx(a) = nx(b) (para x=0, 1, 2, 3, .....), es decir cohortes iguales, entonces fx nx(a)/Nx= fx
nx(a)/(nx(a)+nx(b))=fx nx(a)/(nx(a)+nx(a))=fx nx(a)/2 nx(a)=1/2 fx, lo que significa que la mitad
de los muertos esperados corresponderán a la población bajo a y la otra mitad bajo b.
En general, si nx(a) = y nx(b) (para x=0, 1, 2, 3, ....), se tiene que ynx(b) fx / ynx(b)+nx(b) =
ynx(b) fx / [(y+1)nx(b)] = fx y/(y+1); entonces significa que y/(y+1) de los muertos esperados
corresponderán a la población bajo a, y 1/(y+1) a los que están bajo la condición b (para y
> 0).
59
CONTENIDO
TEMA IV
Otra manera de estimar este cambio poblacional es a través de las tasas de nacimientos
y muertes de la siguiente manera Nt – Nt-1 = Nt-1 (B-D), donde B es la tasas de nacimientos
(número de nacimientos/ total de la población) y D es la tasa de muertes (número de
muertos/ total de la población ); es decir, el número de individuos en el tiempo t, (Nt),
puede estimarse del número de individuos en el tiempo anterior de la siguiente manera Nt =
Nt-1 + B* Nt-1 – D * Nt-1, donde el período de tiempo, t, puede ser un año, un mes, una
semana, o la duración de una generación.
60
Cuando una curva de crecimiento exponencial es graficada en una escala logarítmica,
se obtiene una línea recta, de la cual se puede derivar una ecuación general del crecimiento
poblacional: ln Nt – ln Nt-1 = ln (1+ B – D) = ln G = R, donde R es la tasa instantánea de
cambio (intrínseca o logarítmica). Así, la ecuación para predecir el tamaño de la población
para el siguiente período de tiempo es Nt = Nt-1 G = Nt-1 exp (R), y la ecuación para
predecir el tamaño de la población en cualquier período de tiempo es Nt = N0 exp (Rt),
donde N0 es la densidad inicial de la población y t es tiempo.
El modelo poblacional más simple es el que considera la densidad (N) como una
simple función del número de nacimientos (B) y muertes (D) sobre un período de tiempo.
De aquí que N = B - D. Sin embargo, los nacimientos y muertes ocurren solamente en una
población existente, así que se debe adicionar una densidad de la población después de un
determinado período de tiempo (nt), de aquí que:
nt = n0 + (Bt - Dt)
nt = n0 + n0(b-d)
nt+1 = nt + nt (b-d)
nt+1 ≅ nt + nt (r)
61
Como la expresión anterior representa un cambio, en densidad, que tiene la población de un
período de tiempo al siguiente, este modelo es generalmente expresado por:
dnt/dt = rnt 1
Este crecimiento poblacional puede ser representado por medio de la ecuación nt+1/nt
= R0, donde: n es la densidad de la población en el tiempo t (en este caso, en cada
generación), y R0 una constante que representa la tasa de crecimiento de la población por
generación, que en este ejemplo tiene un valor de 60. De aquí que el modelo que representa
este crecimiento es expresado por la ecuación nt+1/nt = 60.
1
Ver la integración de esta ecuación en el Addenda, al final del capítulo.
62
Cuadro 1. Descendencia de la mosca doméstica en un año, suponiendo que una hembra pone
120 huevos por generación; que la relación sexual es 1:1; que se dan siete
generaciones al año y que los padres mueren después de reproducirse.
35
30
25
20
ln (Nt)
15
10
5
0
1 2 3 4 5 6 7 8
tiempo
Gráfica del crecimiento exponencial de la mosca doméstica en una escala logarítmica (ln
N)
63
Se puede usar la también ecuación integral para mostrar la densidad de una población
creciendo exponencialmente: nt = n0exp(rt)
donde:
nt es tamaño de la población en un tiempo determinado (o en una determinada
generación como en el ejemplo de la mosca domestica).
n0 es la densidad inicial de la población (en el tiempo t=0).
r es la tasa intrínseca de crecimiento poblacional.
exp es la base de los logaritmos naturales (2.718281828..)
t es el tiempo o generación.
Con respecto a estos valores y para establecer una comparación; si una sola mosca
pesase, en promedio, 0.5 gr., entonces 5.5 billones de moscas juntas pesarán 2.75 millones
de toneladas, que es el peso equivalente de más de 40 millones de personas con un peso
promedio de 68 kg cada una.
Obviamente la situación anterior nunca sucede, pues las poblaciones no crecen tan
espectacularmente ya que es evidente que existen ciertas fuerzas que actúan sobre el
crecimiento de tipo exponencial. Una de ellas es la capacidad inherente de cualquier
población de reproducirse a un determinado ritmo. Opuesta a ella está la mortalidad
64
existente en dicha población. Esta oposición al crecimiento proviene, a su vez, de todas las
fuerzas del medio físico y biológico en el que se encuentra un organismo. A finales de los
años 20´s, el ecólogo americano Chapman (1931) se refería a estas fuerzas como el
potencial biótico y la resistencia del ambiente, respectivamente, términos que aún se
emplean en el estudio del crecimiento y regulación de las poblaciones. Es bien sabido que
los ambientes nunca son suficientes en espacio o alimento para soportar a un número
ilimitado de organismos. En cada ecosistema existe un tamaño máximo que puede alcanzar
una población y que puede ser soportado por dicho ecosistema. Este tamaño máximo
poblacional se denomina como K.
Horn (1988) menciona que, en 1838, el matemático francés Verhulst encontró una
ecuación diferencial que tomaba en cuenta que la velocidad instantánea del crecimiento
poblacional, (dn/dt), en un ambiente determinado, se ve limitada por el aumento en el
tamaño de la poblacion. Esta ecuación de Verhulst da como resultado una curva en forma
de "S" (o sigmoide), y que es comúnmente conocida también, en el lenguaje matemático,
como "curva logística". Ochenta años más tarde y desconociendo el trabajo de Verhulst,
Pearl y Reed (citados por Horn, 1988) derivaron una ecuación diferencial que también
producía una curva sigmoide del crecimiento poblacional. Dicha ecuación es:
dn/dt = rn [(K-n)/K] *2
donde K representa el valor máximo en densidad que puede alcanzar una poblacion en un
ambiente con recursos limitados y el término (K-n)/K representa un freno al crecimiento
poblacional en dicho ambiente.
Esta ecuación produce, como ya se dijo, la familiar curva sigmoide encontrada por
Verhulst, y que satisface el comportamiento de las poblaciones que crecen hasta un
determinado límite como es el caso de ciertas levaduras estudiadas por el alemán T.
Carlson, y de cuyos datos Pearl (citado por Horn, 1988) obtuvo los resultados mostrados en
el Cuadro 3.
65
8 350.7 176.1
10 513.3 162.6
12 594.4 81.1
14 640.8 46.4
16 655.9 15.1
18 661.8 5.9
20 ó más 665.0 3.2
700
600
500
No. levaduras
400
300
200
100
0
0 2 4 6 8 10 12 14 16 18 20
horas
66
periodo de equilibrio. Durante el período de aumento hay un crecimiento lento en las
primeras cuatro horas, seguido de un crecimiento rápido en las siguientes seis horas (de las
4 a las 10). El punto de inflexión del crecimiento poblacional se produce a las ocho horas.
Hasta antes de ese momento el aumento poblacional se fue acelerando hasta alcanzar su
tasa máxima (de 176.1 nuevos individuos). Este período de crecimiento se denomina como
la fase logarítmica. Después de esta fase rápida, la tasa de crecimiento disminuye, al
principio rápidamente (de las 10 a las 12 horas) y luego de forma mas gradual y casi
uniforme hasta llegar prácticamente a cero. En este punto ya no hay incremento en la
población y ésta se encuentra en la fase de equilibrio con el medio, es decir, la población ha
alcanzado el límite máximo (K) que puede soportar dicho medio. Desde luego, si el medio
cambia el nivel de equilibrio de la población puede ser diferente.
200
180
160
140
120
incremento
100
80
60
40
20
0
0 2 4 6 8 10 12 14 16 18 20
nt = K/ [1 + exp(a-r t)]** 3
donde:
** Ver Addenda.
67
el factor de resistencia del medio al incremento poblacional), es decir, r = (K-n)/n, y como r
es una tasa instantánea de crecimiento, entonces
ln [(K-n)/n] = a-rt
La estimación aproximada de a y r se pueden obtener del Cuadro 3.
Como se indicó, a es el valor [ln (K-n)/n)] que tiene la curva del crecimiento
poblacional en el tiempo cero, es decir, para este ejemplo a = 4.223. Por otro lado, el valor
de r, que representa a la pendiente de una recta que es tangencial al punto donde la
densidad de la población es igual a K/2, se puede obtener, de manera aproximada, a través
de la ecuación de la recta [(y2-y1)/(x2-xl)], utilizando los dos valores más cercanos a dicho
punto. Para el ejemplo, el valor de la densidad poblacional más aproximado a K/2 es el de
350.7 (a las ocho horas), entonces, para la obtención del valor aproximado de r, los puntos
(tiempo y ln de [K-n]/n) más cercanos a utilizar son (6, 1.033) y (10, -1.22). Por medio de
la ecuación de la pendiente de la recta se obtiene que r = [(-1.22-1.033)/(10-4)] = 0.56 (se
omite el signo negativo). Estos valores son aproximados; los valores más adecuados
(obtenidos a través de un procedimiento de regresión lineal) de estos parámetros son 4.19 y
0.53, respectivamente. Utilizándolos en la ecuación integral del modelo logístico se
obtienen los siguientes resultados.
Cuadro 4. Valores obtenidos con la ecuación integral del modelo logístico y comparación con
los valores observados del crecimiento poblaciones de levaduras con a=4.19 y
rm=0.53
68
Tabla 4. continuación
700
600
500
valor obtenido
400
valor observado
300
200
100
0
0 2 4 6 8 10 12 14 16 18
69
4.3 Modelos matriciales
Para estos casos, el modelo matricial desarrollado por Leslie (1945) toma en cuenta la
estructura de edades de las poblaciones insectiles. La forma general del modelo de Leslie,
expresado en notación matricial, es el siguiente:
M at = at+1
Antes de discutir este modelo, se comentará sobre algunos aspectos básicos del álgebra
matricial.
1 2 3 -6
2 4 8 16
1 3 2 -5
70
es una matriz de tres hileras y cuatro columnas, es decir es una matriz de 3 x 4. Cuando una
matriz tiene el mismo número de hileras y columnas se conoce como "matriz cuadrada".
Una matriz con una sola hilera o con una sola columna de valores se denomina vector
hilera o vector columna, respectivamente. Cada uno de los valores dentro de la matriz se
denomina elemento y toda la matriz en su conjunto es denominada, en este caso, como A.
Para ubicar la posición de cada uno de los elementos de la matriz se utiliza la denominación
aij, lo que significa que se encuentra en la i-ésima hilera y la j-ésima columna. En el
ejemplo, el elemento a2,3 correspondería al valor (8), mientras que el valor(-6) tendría la
ubicación al,4.
Las matrices pueden ser manipuladas para realizar las operaciones básicas de suma,
resta, multiplicación y división, lo que se conoce como álgebra de matrices. Para las dos
primeras operaciones se necesita que las matrices tengan el mismo número de elementos.
Ejemplo, sean las matrices cuadradas
3 2 4 4 8 3
2 6 1 y -1 1 -4
5 0 -2 7 4 0
De aquí,
3 2 4 4 8 3 7 10 7
2 6 1 + -1 1 -4 = 1 7 -3
5 0 -2 7 4 0 12 4 -2
3 2 4 4 8 3 -1 -6 1
2 6 1 - -1 1 -4 = 3 5 5
5 0 -2 7 4 0 -2 -4 -2
Como puede observarse, la suma y resta matricial es análoga a la suma y resta de los
elementos de cada matriz. La multiplicación y división matricial son diferentes a las
operaciones conocidas pero no resultan difíciles de realizar como se verá más adelante.
71
t0 t1
F1 F2 F3 ….. Fn N1,0 N1,1
S1 0 0 0 X N2,0 = N2,1
0 S2… 0 0
0 0 Sn-1 0 Nn-1,0 Nn-1,1
donde las Fi representan la fecundidad de las hembras existentes en cada clase de edad de la
población y que se expresa por el número de hijas nacidas por cada hembra madre entre el
período de tiempo t al período t+1. Las Si representan la probabilidad de cada hembra (del
grupo de edad indicado por el subíndice) de sobrevivir al siguiente grupo de edad.
72
t0 t1
0.2 0.6 0.3 23 40.6
0.5 0 0 * 35 = 11.5
0 0.8 0 50 28
Para la obtención de la densidad poblacional del tiempo t+l (al inicio de la segunda
semana), se multiplica la matriz de Leslie por el vector columna de la forma siguiente:
(0.2*23) + (0.6*35) + (0.3*50) = 40.6
(0.5*23) + (0.0*35) + (0.0*50) = 11.5
(0.0*23) + (0.8*35) + (0.0*50) = 28.0
73
los elementos del vector que representa a la población presente en cada grupo de edad en
ese momento de tiempo darán como resultado la contribución, con nuevos individuos, de
las hembras de cada edad a la población en la siguiente unidad de tiempo.
Así, por ejemplo, cada hembra joven tiene una tasa de fertilidad de 0.2, es decir cada
hembra joven contribuye en promedio con 0.2 nuevas hijas para la población. Como el
número de hembras jóvenes en la primera semana es de solamente 23, su descendencia en
conjunto para la siguiente semana será de apenas 4.6 hijas (0.2*23), mientras que las 35
hembras de edad mediana contribuyen con 21 hijas (0.6*35) para la población y finalmente
las 50 hembras viejas aportan 15 hijas (0.3*50).
La suma total de estas aportaciones serán los 40.6 nuevos individuos a la población al
inicio de la segunda semana y que son las nuevas hembras jóvenes, puesto que al inicio de
esta segunda semana las hembras jóvenes de la población que sobreviven pasan a la
siguiente estructura de edad, es decir se convierten en hembras maduras y análogamente las
hembras maduras iniciales sobrevivientes pasan a ser hembras viejas.
Con respecto a las hembras viejas de la población inicial, se supone que, después de
reproducirse, fallecen y no pueden ocupar una siguiente estructura de edad, por eso su tasa
de supervivencia es cero. No así con las hembras jóvenes que tienen una tasa de
sobrevivencia del 50%, es decir que la mitad de las hembras jóvenes de la población inicial
pasarán a conformar la nueva cantidad (11.5) de hembras de edad mediana en la nueva
población después de una semana de tiempo, y las hembras de edad mediana, con una tasa
de sobrevivencia del 80%, constituirán la cantidad (28) de hembras viejas en la nueva
población. Si queremos saber el comportamiento de la población después de una nueva
semana (en el tiempo t + 2), entonces volvemos a multiplicar, como ya se explicó, la matriz
de Leslie (de sobrevivencia y fertilidad, que se supone constante) por el nuevo vector
columna obtenido. Es decir:
t0 t1
0.2 0.6 0.3 40.6 23.4
0.5 0 0 * 11.5 = 20.3
0 0.8 0 28 9.2
Lo que significa que después de dos semanas la densidad poblacional será de 52.9
individuos, los cuales 23.4 serán hembras jóvenes, 20.3 hembras de edad mediana y 9.2
hembras viejas. Continuando de este modo, para la tercer semana el número de individuos
será de 47.5 (19.6 hembras jóvenes, 11.7 medianas y 16.2 viejas); en la cuarta semana, 35
(15.8, 9.8 y 9.4), en la quinta 27.6 (11.9, 7.9 y 7.8), en la sexta 21.9 (9.6, 6 y 6.3) etc. Se
puede observar que, si se divide el número de individuos en cada clase de edad entre el
74
número total de individuos de la población en cada período de tiempo, la población
empieza a mostrar una distribución estable de edades. Esto es la proporción de hembras
jóvenes y representa el 43% del total poblacional, las hembras de edad media el 28% y las
hembras viejas el otro 28% aproximadamente. Esto se observa más claramente a partir de la
cuarta semana de tiempo cuando estas proporciones empiezan a estabilizarse (Cuadro 5)
Semana
Etapa 0 1 2 3 4 5
h.j. 23 (0.21) 40.6 (0.5) 23.4 (0.44) 19.6 (0.41) 15.8 (0.45) 11.9 (0.43)
h.m. 35 (0.32) 11.5 (0.14) 20.3 (0.38) 11.7 (0.24) 9.8 (0.28) 7.9 (0.28)
h.v. 50 (0.46) 28 (0.34) 9.2 (0.17) 16.2 (0.34) 9.4 (0.26) 7.9 (0.28)
55
50
45
40
35
30
25
20
15
10
0
0 1 2 3 4 5
HJ HM HV
75
En el modelo de Leslie, la edad y el tiempo son considerados como equivalentes y
todos los individuos se desarrollan al mismo tiempo a una tasa constante. Se sabe que la
tasa de desarrollo de los insectos no es constante pues depende de la temperatura y puede
variar entre los individuos, aún de la misma edad. Esta variación individual se conoce
como retardo distribuido, porque hay una distribución de tiempo cuando los individuos
alcanzan su madurez. Para ello, la matriz de transición puede modificarse para incorporar
estas características.
Los valores de la diagonal en esta matriz no son ceros como en el modelo original, por
lo tanto cierta proporción de individuos permanecerá en la misma clase de edad cuando el
tiempo se incremente, resultando en un desarrollo más lento. La tasa de desarrollo se puede
ajustar modificando los valores tanto de la diagonal como de la subdiagonal. A
continuación se modifican los valores de la matriz del ejemplo que hemos trabajado
anteriormente.
0.2 0.6 0.3
0.5 0.3 0
0 0.8 0.1
60
50
40
30
20
10
0
0 1 2 3 4 5
HJ HM HV
Los datos básicos (Si y Fi) para la conformación de la matriz de Leslie se derivan de los
datos de una tabla de vida y de una tabla de tasas de fertilidad a edad específica. Para la
obtención de los valores de los individuos de edad x en el tiempo t para que sobrevivan al
siguiente grupo de edad (x+1) en el siguiente intervalo de tiempo, se utiliza SX = Lx+l/Lx
76
∞
donde Lx = ∑ lx, es decir, el número de hembras vivas, en promedio, en el grupo de edad
x= 0
de x a x+1 de la tabla de vida estacionaria.
Los valores de tasas de fertilidad (número de hembras hijas vivas por cada hembra
madre de edad x que sobrevive al siguiente grupo de edad) son un poco más problemáticos
de obtener, pero pueden ajustarse de los parámetros mx (número de hijas por hembra de
edad x en cada unidad de tiempo) de una tabla de fertilidad básica.
Maynard (1974) menciona que Lotka y Volterra, a mediados de los años 20´s,
desarrollaron de manera independiente los primeros modelos sobre las interacciones de dos
especies: depredador-presa. Concibieron, primeramente, que la tasa de cambio de la
población presa (dH/dt) es una función de su tasa intrínseca de incremento (r) y de la tasa a
la cual sus individuos son eliminados por la población depredadora (aHP). En segundo
término, consideraron que la tasa de cambio de la población depredadora (dP/dt) está en
función de su tasa de mortalidad en ausencia de presas (-m) y de su tasa de crecimiento por
unidad de presas consumidas (b). De tal forma que:
dH/dt = rH – aHP
dP/dt = bHP-mP,
H es la densidad de la presa
P es la densidad del depredador
r es la tasa intrínseca de incremento de la población presa
a es el coeficiente de depredación
b es la tasa de reproducción de los depredadores por cada presa consumida
77
m es la tasa de mortalidad del depredador
78
60
50
40 presa
depredador
30
20
10
0
0 20 40 60 80 100 120 140 160 180
Para la obtención de los parámetros del modelo de Lotka y Volterra se debe realizar el
siguiente conjunto de experimentos:
Nota: Si los puntos no se ajustan a una línea recta, entonces el modelo no es adecuado y
debe ser modificado. Ahora, los parámetros b y m pueden tomarse de esta ecuación de
regresión.
79
4.5 Modelos de desarrollo
0.06
0.05
0.04
1/dias de desarrollo
0.03
0.02
0.01
0
-0.01 0 5 10 15 20 25 30 35
-0.02
-0.03
temperatura
80
Tmin, que es la temperatura mínima (o temperatura umbral) de desarrollo. Es la
temperatura a partir de la cual inicia el desarrollo, pero que en sentido estricto su tasa de
desarrollo es cero.
ET = t-Tmin, es la temperatura efectiva, donde t es la temperatura de un día particular.
GDD son los grados días de desarrollo y es la temperatura efectiva multiplicada por el
número de días necesarios para que se complete el desarrollo de todo un ciclo biológico o
de solo una determinada etapa biológica.
Tanto la Tmin como los GDD pueden ser estimados a partir de la línea de regresión
obtenida de la gráfica entre la temperatura y la tasa de desarrollo (como en la figura). Si
recordamos que la ecuación de la línea recta es Y=A + BX, donde Y es la tasa de
desarrollo; A es el intercepto de la línea de regresión; B es la pendiente y X es la
temperatura. En la figura esta ecuación fue Y=0.00185X-0.01678
A+Btmin = 0 ( por la definición de Tmin)
Tmin = -A/B, de los datos de la figura Tmin = 0.01678/0.00185 = 9.0o C.
T= 1/ D, es el tiempo de duración del desarrollo.
Esta ecuación pone de manifiesto que los GDD son independientes de la temperatura,
lo que caracteriza al modelo. En el ejemplo, GDD = 1/0.00185, es decir 540,5 grados-día,
que es la cantidad necesaria para que se complete el desarrollo.
Dado que los grados-día son independientes de la temperaturas, se pueden utilizar para
estimar la duración del desarrollo de insectos en experimentos bajo el efecto de diversas
temperaturas constantes.
Para estimar los grado-día, los modelos de desarrollo requieren estimar los cambios de
temperatura que ocurren en un día. Como en la mayoría de los casos solo se conocen la
temperaturas máxima y mínima diarias, existen varios métodos para dicha estimación
usado estos valores, uno de los más comunes es el del “rectángulo”, también llamado “del
promedio” o de “máximas y mínimas” y donde los grados-día se obtienen de la siguiente
manera:
GDD = (temperatura máxima diaria +temperatura mínima diaria/2)-Tmin
81
La edad fisiológica de los insectos en cualquiera de sus etapas biológica se obtiene
por la acumulación de días fisiológicos diarios, que son una proporción del desarrollo total
alcanzado durante un período de 24 horas. Para ello es necesario obtener una ecuación
(generalmente cuadrática) que nos ayude a estimar el tiempo de desarrollo (en días) que
dura dicha etapa biológica en función de las temperaturas medias diarias reales registradas
diariamente. Posteriormente, utilizando como referencia el tiempo más breve de desarrollo
obtenido mediante dicha ecuación, entonces los días fisiológicos para un día en particular
serán el resultado de dividir este último valor entre los días de desarrollo obtenidos también
con la misma ecuación pero utilizando los valores reales diarios de las temperaturas medias
registradas día con día.
Asimismo, el modelo puede incluir los valores de mortalidad en cada etapa biológica
mediante Mi =1-(1-PM)(1 / D.D), donde
82
D.D. son los días de desarrollo.
Cuadro 5. Ecuaciones para estimar los días de desarrollo (D.D.) de cada etapa biológica de
la conchuela del frijol.
Etapa biológica Ecuación de la curva de desarrollo R
Huevo D.D. = 52.2 – 3.44 T + 0.063 T2 0.99
Larva pequeña D.D. = 66.6 – 4.13 T + 0.076 T2 0.98
Larva mediana D.D. = 31.6 – 2.01 T + 0.036 T2 0.98
Larva grande D.D. = 46.2 – 2.85 T + 0.05 T2 0.96
T=temperatura media diaria; R =coeficiente de correlación
La edad fisiológica se obtuvo al dividir el valor del tiempo más breve del desarrollo de
cada etapa biológica entre los días de desarrollo estimados mediante las ecuaciones
correspondientes.
Los proporciones de mortalidad fueron de 0.735, 0.672, 0.093 y 0.366 para huevos, LP,
LM y LG, respectivamente. Dichos valores fueron reportados por Reyes et al (1994) de un
trabajo realizado en el área de Chapingo,México, del cual se obtuvo la dinámica
83
poblacional de las distintas etapas biológicas de la conchuela con las cuales se compararon
los resultados de las simulaciones del modelo.
Una vez estructurado el modelo, las simulaciones se iniciaron a partir de una curva
poblacional de oviposición de la conchuela registrada también por Reyes (1994). De estos
datos el modelo simuló la curva de larvas pequeñas para representar la población observada
en campo; el número total de individuos estimado (3727) fue 1.7% menor que el
observado en campo (3793).
300
250
No. individuos
200
150
100
50
0
1
6
10
12
14
16
18
20
22
24
26
28
30
11
13
15
17
19
21
l
o
ju
ag
LP sim LP obs
(Figura 2). Curvas poblacionales (simulada y observada en campo) de larvas pequeñas (1er
y 2º instar) de la conchuela del frijol.
Los valores obtenidos de la simulación de larvas pequeñas se utilizó para que el modelo
simulara también la dinámica poblacional de larvas medianas (Figura 3). Su estimación del
total de individuos (1130) fue inferior en 9% al observado en campo (1247). De manera
similar, el modelo simuló la dinámica población de larvas grandes (figura 4), estimando un
total de 1047 individuos, valor 7.1% menor respecto a los 1127 observados en campo.
84
120
No. individuos 100
80
60
40
20
0
2
3
9
26
28
30
11
13
15
17
19
21
23
25
27
29
31
o
p
ag
se
LM sim LM obs
120
100
No. individuos
80
60
40
20
0
1
2
3
4
26
28
30
11
13
15
17
19
21
23
25
27
29
31
o
p
ag
se
LG sim LG obs
85
observaciones precedentes y, con el fin de predecir los valores futuros, no conocidos, de la
serie, es necesario representar su comportamiento por medio de un modelo matemático que,
utilizando los datos observados, prediga y estime los límites de confianza de los valores
futuros de la serie.
Una de las técnicas para el análisis de series de tiempo es la desarrollada por Box y
Jenkins (1970), que incluye el uso de una clase general de modelos conocidos como
ARIMA (Autoregresive Integrated Moving Average), que han demostrado ser lo sufi-
cientemente flexibles para describir y pronosticar el comportamiento de una amplia
variedad de fenómenos que se presentan bajo la forma de series de tiempo. La metodología
de Box y Jenkins consta de los siguientes pasos: Identificación, estimación, verificación y
predicción.
86
Zt = δ+φ1Zt-1 + φ2Zt-2 +...+ φpZt-p -θ1∈t-1-θ2∈t-2 -... θq∈t-q +∈t
Box y Jenkins (1970) han desarrollado también modelos que son capaces de
representar series de tiempo con algún tipo de comportamiento estacional; es decir con
patrones repetitivos en el tiempo, como sucede con las fluctuaciones poblacionales de los
insectos. Para el entendimiento de los modelos estacionales se debe partir de los modelos
mixtos no estacionales ARMA(p,q):
Zt = δ+φ1Zt-1 + φ2Zt-2 +...+ φpZt-p -θ1∈t-1-θ2∈t-2 -... θq∈t-q +∈t
que es igual a Zt - φ1Zt-1 + φ2Zt-2 +...+ φpZt-p = δ + ∈t-θ1∈t-1 -θ2∈t-2-... θq∈t-q
o también Zt - φ1BZt - φ2B2Zt -...- φp Bp Zt = δ + ∈t -θ1 B∈t -θ2 B 2∈t -... θq Bq∈t
donde B es un operador de "retroceso", que mueve una observación (Zt) o un término de
error (∈t ) por un período hacia atrás en el tiempo; es decir BZt = Zt - Zt-1, y en general,
BkZt = Zt -Zt-k. De aqui que Zt - φ1BZt - φ2B2Zt -...- φp Bp Zt = δ + ∈t -θ1 B∈t -θ2 B 2∈t -...
θq Bq∈t pueda expresarse también como:
87
Aunque los modelos de series de tiempo se han utilizado principalmente en el estudio
de fenómenos físicos y económicos, también han sido empleados en el estudio de
poblaciones biológicas (Garsd y Howard, 1982).
Pinto et al (1990) trabajando con una serie de tiempo sobre la fluctuación en densidad
del gorgojo Zabrotes subfasciatus (Boh.), utilizó la misma metodología en la búsqueda de
un modelo para representar el comportamiento poblacional mostrado por el insecto y hacer
predicciones de sus valores futuros. La serie de tiempo estuvo conformada por 105
observaciones, tomadas cada cinco dias, sobre el número de adultos en la población criada
bajo condiciones de laboratorio. Para la obtención del modelo se utilizaron las primeras 95
observaciones (Figura 4) y las 10 restantes se conservaron para evaluar su capacidad de
predicción.
88
La FAC de estas 95 observaciones (Figura 5 )indicó la necesidad de una
transformación estacional, Zt-yt-yt-5, para volver la serie estacionaria, esto por la presencia
de autocorrelaciones grandes en los períodos 5,10 y 15.
89
Figura 7. Función de Autocorrelación parcial (FACP) de la serie diferenciada Zt-yt-yt-
5,
La estimación del valor de los parámetros del modelo elegido es un proceso que puede
ser realizado con la ayuda de diversos paquetes estadísticos como el Statgraphics (1985),
que arrojó lo siguiente: φ1 = 0.23384; φ1,5 =-0.65473, y δ = 6.70593
90
número de parámetros en el modelo, entonces el modelo es adecuado para representar la
serie de tiempo. Como Q=20.6 < 28.8 (obtenido de tablas para X2.05 y 17 grados de
libertad), el modelo si se ajusta a los datos de la serie original.
o bien
91
(1-φ1 B) (1 -φ1,5 B5) yt - yt-5 = δ + ∈t
que es la ecuación que sirve para las predicciones del modelo mismas que se presentan en
el Cuadro 7, junto con los valores observados de la serie.
92
BIBLIOGRAFIA
Box, G.E.P and G.M. Jenkins. 1970. Time Series Analysis, Forecasting and Control. Holden
Day. San Francisco.
Infante G. S., O. Alvarez y J. Vera G. 1983. Una aplicación de series de tiempo para
poblaciones naturales de insectos. Memorias del V Congreso Nacional sobre
estadísticas Agropecuarias y Forestales. S.A.R.H. México, D.F.
Leslie, P.H. 1945. On the use of matrices in certain population mathematics. Biometrika
33:183-212.
Mawby, W.D. and H.J. Gold. 1984. A reference curve and space-time series analysis of the
regional population dynamics of the Southern pine beetle Dendroctonus frontalis
(Zimm.) Res. Population Ecology 26:261-274
Nelson, C.R. 1973. Applied time series analysis for manegerial forecasting. Holden Day, San
Francisco.
Pinto, V.M.; Vera, G.J.; Sotres, R.D. y González, C.F. 1990. Predicción de la fluctuación
poblacional de Zabrotes subfasciatus (Coleoptera:Bruchidae) a través de modelos de
series de tiempo. Agrociencia, serie: matematicas aplicadas, estadística y
computación. 1(1):135-157.
93
Reyes,C. H., M. Colunga G. y J. Ayala V. 1994. Modelo base de simulación poblacional de
la conchuela del fríjol, Epilachna varivestis Mulsant, en Chapingo, Edo. de México.
Revista Chapingo, serie Protección Vegetal 1(1): 65-69.
Statgraphics (ver.1.0). 1985. STSC and Statistical Graphics Co. Bekersville, Maryland.
Wilkerson, G. G., W. Mishoe and J.L. Stimac. 1986. Modeling velvet bean caterpillar
(lepidoptera:Noctuidae) populations in soybean. Eviron. Entomol. 15:809-816.
94
ADDENDA AL TEMA IV
1. Solución de la ecuación diferencial del modelo exponencial
dnt/dt = rnt
Esto es, encontrar cual es la forma de nt que haga que la ecuación sea cierta.
Demostración:
nt = n0 exp(rt)
95
la tasa de adición de los individuos debido a nacimientos e inmigración y la tasa de
pérdidas que se da por muertes y emigración (Wilson y Bossert,1971)4
Matemáticamente este enunciado se escribe
dnt /dt = (B+I)-(D+E) .... (1)
en donde:
nt, representa el tamaño de la población
dn/dt, es la tasa de cambio de n por unidad de tiempo.
B, I, D, y E, son la tasa de natalidad, inmigración, mortalidad y emigración,
respectivamente.
A partir de este punto se hacen varias suposiciones. La primera es que la población está
cerrada al exterior, es decir I = 0 y E = O; luego entonces la ecuación (1) quedará reducida
a:
La tercera suposición dice que si bien las tasas de natalidad y mortalidad están
relacionadas con n. Esta relación es lineal, de tal forma que a mayor poblacion menor tasa
de natalidad y mayor tasa de mortalidad.
B = b-kb nt y D = d+kd nt
4
Wilson, E.O. and W.H. Bossert. 1971. A primer of population biology. Sinauer Associates Inc.
Publishers. pp. 15-19.
96
dn/dt = nt[(b-kb nt) - (d + kd nt)] ...... (4)
Por otro lado, cuando B=D la población se mantendrá estable, y esto sucederá cuando
el número de individuos de esa población no pueda aumentar más; a esa densidad se le ha
llamado capacidad de carga del medio (K). Este valor de K se deduce de la igualdad
b-kb nt = d + kd nt
de donde
nt = b-d/kb + kd = K ......... (5)
dnt/dt = ntr(k-nt/K),
ya que b - d = r.
de donde:
dnt/dt = ntr(K-nt/K) = r/[(K/nt)(K-nt)],
entonces
[K/nt)(K-nt)] [dnt/dt] = r
[K/nt (K-nt)] [dnt/dt] dt = r dt
K/nt (K-nt) dnt = rt-a
97
Para integrar K/nt (K-nt) dn, se usa el método de integración de fracciones racionales
de Hasser:
ln nt /( K-nt) = rt-a,
nt / (K-nt) = exp(rt-a)
despejando
nt + nt exp(rt-a) = K exp(rt-a)
nt [1 + exp(rt-a)] = K exp(rt-a)
nt = [K exp(rt-a)] / 1 + exp(rt-a);
nt = K/1 + exp(a-rt)
98
CONTENIDO
TEMA V.
TABLAS DE VIDA DE TIEMPO VARIABLE
5.1 Introducción
Los modelos tradicionales que representan el crecimiento de las poblaciones (e.g. modelos
exponenciales, logísticos, series de tiempo), se derivan de supuestos que raramente ocurren en
condiciones de campo, por ejemplo, suponen que los individuos de la población son idénticos y
que responden inmediatamente a los cambios en la densidad (Pielou, 1977). Por lo tanto, estos
modelos generalmente se emplean para el análisis teórico de poblaciones.
En cuanto a las tablas de vida, éstas se agrupan en tres categorías (Southwood, 1978; van
den Bosch et al., 1982):
A) Tablas de vida de cohorte, de edad-específica u horizontales,
B) Tablas de vida de tiempo específico o verticales, y
C) Tablas de vida de tiempo variable
Las tablas de vida horizontales (TVC) tienen como objetivo estudiar el destino de una
cohorte o grupo de individuos. Estas se han utilizado para determinar factores de mortalidad que
inciden sobre las poblaciones de insectos, así como para comparar tasas de desarrollo, evaluar el
efecto de diferentes sustratos sobre la capacidad innata de incremento o para comparar curvas de
supervivencia (ver Tema III). No obstante, las TVC tienen ciertas limitaciones: se aplican a
poblaciones univoltinas, poblaciones con generaciones discretas, o que tengan periodos cortos de
reproducción. Las TVC se construyen mediante la observación directa de una cohorte o bien
mediante muestreos (Bellows et al., 1992). Una restricción importante es que el análisis
generalmente ignora el efecto de temperaturas sobre el desarrollo, aunque es posible medir
estadísticas vitales en unidades fisiológicas de tiempo (López-Collado, 1991).
Las tablas de vida de tiempo específico (TVTE) estudian los cambios en la estructura de
edades con base en la proyección del crecimiento poblacional de un intervalo de tiempo a otro.
En este caso las poblaciones se examinan mediante muestreos sucesivos y, por lo tanto, este tipo
de análisis se puede aplicar a poblaciones con generaciones sobrepuestas. López-Collado
(1990a) construyó TVTE para estudiar la efectividad de los enemigos naturales del pulgón verde
de la alfalfa, Acyrthosiphon pisum Harris. Se realizaron muestreos sucesivos en diferentes épocas
del año. En los muestreos donde se detectó una distribución estable de ínstares se estimó el
crecimiento de la población con el modelo geométrico Nt= Noexp(rmt). Tanto rm como el
desarrollo se representó en períodos-estadios (PE), un PE corresponde a 23.85°D, el tiempo
99
fisiológico de desarrollo del instar I. Cuando se aplica este modelo, la población esperada debe
ser mayor o igual a la observada excepto cuando ocurre emigración o bien por errores de
muestreo. La diferencia entre valores esperados y observados se puede asignar a parasitismo o
enfermedades por inspección directa. Los datos del Cuadro 1 son un ejemplo de este tipo de
tablas. La mortalidad observada total de A. pisum es de 72.9%, de la cual el 76.1% se debe al
parasitismo por Aphidius ervi. Los ínstares mas afectados por el parasitismo fueron el I y II y los
adultos ápteros. La densidad en los dos primeros ínstares disminuyó por la reducción en la
fertilidad de adultos reproductores. En los adultos la densidad se redujo por mortalidad directa.
Es interesante notar que cerca del 95.2% de la mortalidad por parasitismo se debe a la reducción
en las tasas de fecundidad de los adultos. En el caso de adultos, se tiene una ligera
sobreestimación del parasitismo puesto que los valores predichos con mortalidad son menores
que los observados. Esto podría deberse a errores de muestreo. La mortalidad residual (23.9%) se
debió a la acción de los depredadores presentes (López-Collado, 1990a).
Las TVTE analizan las poblaciones entre dos intervalos de muestreo. El enlace continuo de
estas tablas a través del tiempo conduce a las tablas de vida de tiempo variable (TVTV). Las
TVTV son modelos matemáticos que representan la interacción dinámica de los organismos con
su entorno y, especialmente, con el de sus enemigos naturales (van den Bosch et al., 1982). A
diferencia de los modelos de crecimiento exponencial o logístico, las TVTV estudian los
cambios poblacionales tomando en cuenta la estructura de edades de la población.
100
Adulto
3.6 0 0 4.6 0
alado
Total 1003.5 556.8 55.5 446.7 271.6
Las TVTV son modelos de simulación de poblaciones que se pueden representar
gráficamente como una serie de compartimientos enlazados. Los compartimientos corresponde a
densidades de estados de desarrollo o clases de edad (Figura 1). Con el transcurso del tiempo, los
individuos de una grupo pasan al siguiente a una tasa λ, mientras que los individuos que
abandonan la población lo hacen a una tasa µ, es decir la mortalidad por clase de edad. La
reproducción se puede representar mediante las tasas de fecundidad γ y la inmigración de otras
poblaciones con la tasa δ.
El modelo mas simple que considera la estructura de edades es el de Leslie (ver Tema IV).
En éste, los individuos se agrupan en clases de la misma edad. La simulación de la dinámica
poblacional se hace a intervalos discretos de tiempo. Por cada unidad de tiempo que transcurre,
todos los individuos de la clase de edad x se transfieren a la clase x + 1, ponderada por la tasa de
supervivencia (Sx). Los nuevos individuos en la población corresponden a la suma del producto
de la densidad de las clases reproductoras por su fecundidad especifica (Fx) (Leslie, 1945). La
representación del modelo de Leslie se realiza con matrices, lo que facilita su manejo y análisis.
Los parámetros del modelo son Sx y Fx. Estos se estiman a partir de los valores de lx y mx de las
tablas de vida de cohorte (Sánchez-Marín, 1991). Las Sx se calculan como Lx+1 / Lx y las Fx son
las mx de las tablas de vida de cohorte (Poole, 1974). Los datos del Cuadro 2 sirven como
ejemplo para estimar parámetros y aplicar el modelo de Leslie al crecimiento poblacional de A.
101
pisum. Por ejemplo, el valor de S7= L8 / L7 = 25.5 / 27 = 0.944. El valor de L7 = (n7 + n8) / 2 =
(28 + 26) / 2 = 27.0. Los valores de las Sx se encuentran en la columna 4 de ese cuadro.
Los resultados de aplicar este modelo a la tabla de vida del Cuadro 2 se presentan en la
Figura 2. Existe una gran concordancia entre los valores observados en ese Cuadro con los
predichos por el modelo de Leslie. Esto no es extrañar, pues los parámetros se obtuvieron del
mismo conjunto de datos. Asimismo, es interesante notar que las tablas de vida de cohorte son un
caso particular de las TVTV cuando no existen adiciones a la población, ya sea por fecundidad o
inmigración.
102
Figura 2. Simulación de la tabla de vida de Acyrthosiphon pisum del Cuadro 2 (−−) con el
modelo de Leslie ().
La ventaja del modelo de Leslie es que permite realizar un análisis matemático de las
poblaciones. Sin embargo, en insectos varias suposiciones de este modelo no se cumplen. Por
ejemplo, se supone que en cada unidad de tiempo todos los individuos de una clase de edad
pasan a la siguiente. En realidad algunos individuos maduran mas pronto que otros, lo que
produce una distribución en los tiempos de desarrollo. Un segundo problema es que los valores
de Sx y de Fx son variables, no son constantes. Estas tasas cambian debido a factores
ambientales, de competencia o a enemigos naturales. Una solución es emplear diferentes valores
en la matriz M. Otro problema es que en el caso de los insectos es mas fácil diferenciar ínstares
en vez de clases de edad. En el caso de insectos holometábolos podríamos considerar como
clases de edad a los estados de desarrollo: huevo, larva, pupa y adultos. Sin embargo, estos
grupos tienen tiempos de desarrollo distintos. Por otra parte, factores como la temperatura
modifican la velocidad de desarrollo de insectos. Se han propuesto modelos alternativos que
toman en cuenta algunas de estas características, por ejemplo, el modelo de Chi y Liu (1985)
considera los ínstares como clases de edad. Finalmente, el modelo de Leslie es discreto y trabaja
en unidades enteras de tiempo. En los siguientes párrafos veremos alternativas para solucionar
algunos de estos problemas.
103
embargo, para simular la variabilidad en los tiempos de desarrollo es necesario representar cada
estado con uno o más compartimientos (Figura 3). El desarrollo de los individuos de un
compartimiento al siguiente ocurre a una tasa λij, la mortalidad ocurre a una tasa µij. El subíndice
(i) se refiere al estado de desarrollo y (j) se refiere al compartimiento dentro de ese estado. El
número de compartimientos (Ki) dentro de cada estado se calcula con la siguiente fórmula:
2
DELi
K i = (2)
σ
i
104
Figura 4. Modelo de compartimientos para simular el desarrollo de A. pisum. La población se
representa con seis compartimientos, inicialmente el ínstar I tiene una densidad de 30 individuos
y las otras clases se encuentran vacías. La tasa de transferencia entre compartimientos es
0.4018Nj. El último compartimiento tiene una tasa negativa que permite simular la mortalidad en
el sistema.
Ki Ki
N j ,(t + ∆t ) ≈ N j ,( t ) + ∆t N j −1,( t ) − ∆t N j ,( t ) − ∆tAR( t ) N j ,(t ) (3)
DELi DELi
N j ,t Densidad del compartimiento j en el tiempo t
Ki
∆t N j −1,(t ) Flujo del compartimiento previo (j-1)
DELi
Ki Pérdida por desarrollo de individuos hacia el siguiente
∆t N j ,( t )
DELi compartimiento (j+1)
∆tAR( t ) N j ,(t ) Mortalidad y emigración
105
Cuadro 3. Ecuaciones que representan la dinámica poblacional del pulgón verde, aplicando el
modelo de compartimientos (ecuación 3).
Ecuación Descripción
N1+∆t ≅ N1,t - ∆t0.4018N1 (4a) Describe la dinámica del instar I
N2+∆t ≅ N2,t + ∆t0.4018N1 - ∆t0.4018N2 (4b) Describe la dinámica del instar II
N3+∆t ≅ N3,t + ∆t0.4018N2 - ∆t0.4018N3 (4c) Describe la dinámica del instar III
N4+∆t ≅ N4,t + ∆t0.4018N3 - ∆t0.4018N4 (4d) Describe la dinámica del instar IV
Describe la dinámica del primer
N5+∆t ≅ N5,t + ∆t0.4018N4 - ∆t0.4018N5 (4e)
compartimiento del estado adulto
Describe la dinámica del segundo
N6+∆t ≅ N6,t + ∆t0.4018N5 - ∆t0.4018N6 (4f)
compartimiento del estado adulto
La solución de las ecuaciones anteriores se realiza por integración numérica (Ver Apéndice
II). Los resultados del modelo aplicados a la tabla de vida del Cuadro 2 se presentan en la Figura
5. Se observa que la población decrece conforme transcurre el tiempo debido a que no existen
adiciones a la población. Por otra parte, los resultados de la simulación son similares a los
valores observados. La misma observación con respecto al modelo de Leslie se puede hacer, es
decir, la similitud entre valores observados y predichos se debe a que el mismo conjunto de datos
se utilizó para estimar los parámetros.
106
Figura 5. Simulación de la tabla de vida de Acyrthosiphon pisum del Cuadro 2 (−−) mediante el
modelo de compartimientos () (Cuadro 3).
Conviene mencionar que en forma particular, el modelo (3) tiene solución analítica cuando
la tasa de entrada al primer compartimiento, n0,(t = 0), es un impulso unitario. En este caso, la tasa
de flujo fuera del sistema se representa con la distribución Erlang (Smerage, 1992; Vansickle,
1977). López-Collado (1994) presenta un ejemplo de cómo calcular los parámetros de esta
distribución a partir de tablas de vida.
107
El modelo ahora incluye las tasas de reproducción de los adultos (Figura 6), el resto de los
componentes permanece igual que en la Figura 4.
108
5.7 Incorporación de enemigos naturales
− 6.621
N i ,a = N i 1 − exp (6)
1 + 0.00327 N i
En la ecuación (6), Ni,a corresponde al número de pulgones atacados por parasitoide por día
y Ni a la densidad de dicho instar. Los coeficientes del modelo son 6.621 (tiempo de manejo) y
0.00327 (tasa de descubrimiento). La Figura 9 representa estas adiciones al modelo. Por
simplicidad, observe que únicamente se consideran los adultos del compartimiento 6 como
susceptibles de ser parasitados. Asimismo, se considera que en el inicio de la simulación existen
tres pulgones parasitados.
Figura 8. Inclusión de parasitismo por Aphidius smithi en el modelo de A. pisum. Los nuevos
compartimientos son el siete (pulgones parasitados y “momias”) y el ocho (adultos parasitoides).
El ínstar susceptible de ser parasitado es el seis (adultos reproductores). La tasa de parasitismo
corresponde al modelo de respuesta funcional de Holling (ecuación 6). Solamente se muestran
los nuevos componentes del modelo, el resto permanece igual.
La densidad de ninfas I con la inclusión del parasitoide se muestran con el símbolo (Ã) en la
Figura 8. Comparado con la densidad producida cuando no existe parasitismo, se observa una
gran diferencia en ambas poblaciones: el parasitoide logra reducir el número de pulgones del
instar I por la mortalidad causada en los adultos reproductores. La Figura 9 ilustra la densidad
total de pulgones sanos (c), pulgones parasitados (+) y parasitoides (¡). La población de
109
pulgones es estable los primeros cuatro días pues no hay mortalidad inherente, a partir del día
cinco la población se incrementa por la aparición de adultos reproductores. Los parasitoides
aparecen en los primeros días pero a densidades que no permiten controlar la población.
Conforme crece la densidad de pulgones, mayor es la cantidad disponible para los parasitoides,
los cuales atacan una gran cantidad de aquellos, reduciendo la población. La población de
parasitoides se incrementa por cierto tiempo después de que los pulgones decrecen y esto se debe
a que todavía existen pulgones parasitados (Figura 9).
Figura 9. Densidad poblacional del total de pulgones sanos (S), pulgones parasitados (+) y
parasitoides (¡) obtenidas con el modelo de simulación que incluye parasitismo.
5.8 Conclusiones
110
estudiar trips.
Los cálculos numéricos que se requieren para resolver los sistemas de ecuaciones que
representan la dinámica de poblaciones pueden ser complejos y numerosos, por lo cual no es
práctico efectuarlos con calculadoras de bolsillo. Se requiere de un programa de simulación o
emplear un lenguaje de programación para efectuar dichos cálculos. El modelo de
compartimientos ha sido extensamente usado para estudiar la dinámica de poblaciones, tanto de
insectos como de plantas (Gutierrez et al., 1984; Graf, et al., 1990; Tamo et al., 1993; Legaspi et
al., 1995). Las relaciones parasitoide-huésped también se han estudiado con este enfoque
(Gutierrez et al., 1993). La teoría de este modelo se ha desarrollado para el caso de insectos y
plantas (Manetsch, 1976; Vansickle, 1977; Severini et al., 1990). Finalmente es conveniente
mencionar que el desarrollo de estos modelos requiere de una gran cantidad de información,
asimismo, los modelos de simulación necesitan validarse con datos independientes a los
empleados para estimar sus parámetros. El modelo desarrollado en estas páginas requiere de
validación mediante la comparación con datos independientes. Un paso previo es la verificación
de la operación del modelo (Law y Kelton, 1991).
111
Apéndice I. Estimación del tiempo promedio de vida y la varianza del tiempo de vida a
partir de una tabla de vida
El promedio del tiempo de vida se puede estimar a partir de los valores dx de la tabla de vida.
Los individuos dx fallecieron entre (x) y (x + 1) por lo que su tiempo de vida se encuentra entre x
y (x + 1). Por otra parte, se puede tomar el promedio ((x) + (x + 1)) / 2 como el tiempo
aproximado de vida de estos individuos (t). Asimismo, dx corresponde a la frecuencia f de
individuos con un tiempo de vida t. Por lo tanto, el tiempo promedio de vida es:
∑t f i i
T = DEL = i
∑f i
i
2
∑ ti f i
∑i t i2 f i − i f
^ 2 ∑ i
σ = i
∑f
i
i −1
112
Como se observa, la solución se apoya en los valores previos. Existen otros métodos de
integración mas precisos, por ejemplo el de Runge-Kutta (Chapra y Canale, 1998).
113
BIBLIOGRAFÍA
Bellows, T.S., R.G. Van Driesche, and J.S. Elkinton. 1992. Life-table construction and analysis
in the evaluation of natural enemies. Ann. Rev. Entomol. 37: 587-614.
Chapra, S.C., y R.P. Canale. 1988. Métodos numéricos para ingenieros. Mcgraw-Hill. México.
Chi, H., and H. Liu. 1985. Two new methods for the study of insect population ecology. Bull.
Inst. Zool., Academia Sinica 24(2): 225-240.
Graf, B., J. Baumgartner, and A.P. Gutierrez. 1990. Modeling agroecosystem dynamics with the
metabolic pool approach. Mitt. Schweiz. Entomol. Ges. 63: 465-476.
Gutierrez, A.P., M.A. Pizzamiglio, W.D. Dos Santos, R. Tennyson, and A.M. Villacorta. 1984.
A general distributed delay time varying life table plant population model: Cotton
(Gossypium hirsutum L.) growth and development as an example. Ecol. Modelling. 26:
231-249.
Gutierrez, A.P., P. Neuenschwander, and J.J.M. van Alphen. 1993. Factors affecting biological
control of cassava mealybug by exotic parasitoids: a ratio-dependent supply-demand
driven model. J. Appl. Ecol. 30: 706-721.
Higley, L.G., L.P. Pedigo, and K.R. Ostlie. 1986. DEGDAY: A program for calculating degree-
days and assumptions behind the degree day approach. Environ. Entomol. 15:999-1016.
Legaspi, B.C. Jr., R.I. Carruthers, and J.A. Morales-Ramos. 1995. Simulation modelling of
biological control systems. Vedalia. 2: 43-60.
Leslie, P.M. 1945. On the use of matrices in certain population mathematics. Biometrika. 33:
183-212.
Logan, J.A., D.J. Wollkind, S.C. Hoyt, and L.K. Tanighosi. 1976. An analytical model for
description of temperature dependent rate phenomena in arthropods. Environ. Entomol.
5: 1137-1140.
114
López-Collado, J. 1994. Estimación de parámetros y empleo de la distribución Erlang en la
simulación de la dinámica poblacional de insectos. XXIV Congreso Nacional de
Entomología. Monterrey, N.L.
Law, A.M., and W.D.Kelton. 1991. Simulation modeling and analysis. McGraw-Hill, Inc. New
York.
Manetsch, T.J. 1976. Time-varying distributed delays and their use in aggregative models of
large systems. IEEE Trans. Systems, Man, and Cybernetics. Vol. SMC-6: 547-553.
Poole, R.W. 1974. An introduction to quantitative ecology. McGraw-Hill Book Company. New
York.
Sánchez-Marin, F.J. 1991. Sistema simulador de dinámica poblacional con la matriz de Leslie.
Tesis de maestria. Colegio de Postgraduados. Chapingo, México.
Severini, M., J. Baumgartner, and M. Ricci. 1990. Theory and practice of parameter estimation
of distributed delay models for insect and plant phenologies. In: Meteorology and
Environmental Sciences. R. Guzzi, A. Navarra, and J. Shukla (eds.) World Sci. Publ. Co.
Singapore.
Sharpe, P.J.H., and D.W. DeMichelle. 1977. Reaction kinetics of poikilotherm development. J.
Theor. Biol. 64: 649-670.
Smerage, G.H. 1992. Representation of development in insect population models. In: Basics of
insect modeling. J.L. Goodenough and J.M. McKinion (eds.). ASAE Monograph No. 10.
The American Society of Agricultural Engineers. St. Joseph, MI.
Tamo, M., J. Baumgartner, and A.P. Gutierrez. 1993. Analysis of the cowpea agro-ecosystem in
West Africa. II. Modelling the interactions between cowpea and the bean flower thrips
Megalurothrips sjostedti (Trybom) (Thysanoptera, Thripidae). Ecol. Modelling. 70: 89-
113.
van den Bosch, R., P.S. Messenger and A.P. Gutierrez. 1982. An introduction to biological
control. Plenum Press. New York.
Vansickle, J. 1977. Attrition in distributed delay models. IEEE Trans. Systems, Man, and
Cybernetics. Vol. SMC-7: 635-638.
115
Wagner, T.L., H. Wu, J.H. Sharpe, R.M. Schoolfield, and R.N. Coulsen. 1984. Modeling insect
development rates: A literature review and application of a biophysical model. Ann. Ent.
Soc. Am. 77: 208-225.
116
CONTENIDO
TEMA VI
6.1. Introducción
115
En cierta medida las dificultades que surgen al realizar una revisión de literatura sobre la
disposición espacial fitosanitaria se originan por que existe poca consistencia y aceptación
entre diferentes autores sobre la terminología utilizada, por lo que es recomendable usar
como referencia a textos y diccionarios que proporcionan definiciones y ejemplos con un
alto grado de confiabilidad (p. ej. Patil y Joshi, 1968).
Sin embargo, para ilustrar los conceptos básicos, en esta presentación se partirá de un
contexto simplificado, como es el caso de poblaciones compuestas por individuos de una
sola especie, que son cualitativamente idénticos en cuanto a su identificación y efecto
sobre el cultivo, el cual les proporciona un medio continuo de dispersión y sustento, bien
sea que se trate de plagas o de patógenos. También se entenderá que se utiliza un
procedimiento aleatorio para la selección de las unidades de observación, y que no se
incorporan errores de clasificación ni de registro de la información, lo que no siempre
ocurre en la práctica.
Por otro lado, el término de disposición espacial se utiliza en relación con las
ubicaciones que los insectos ocupan físicamente en un determinado momento y espacio,
posiblemente en una superficie cultivada. Al realizar un muestreo, el patrón espacial de una
plaga o enfermedad genera una serie de valores observados de la variable correspondiente,
que se pueden integrar en una tabla de frecuencias observadas, misma que se supone que es
representativa de la población muestreada. Generalmente en estos muestreos se descarta la
información de la ubicación de cada unidad de observación, aunque sí se utiliza en
metodologías de análisis más especializado, como las del “vecino más cercano” y las
geoestadísticas (Davis, 1994).
Para probar el ajuste de un modelo teórico a los datos observados se obtienen las
frecuencias esperadas, a partir de la estimación del valor de los parámetros requeridos por
dicho modelo, por procedimientos estadísticos tales como la estimación por momentos o
116
por máxima verosimilitud. Esta última genera estimadores asintóticamente eficientes, pero
con frecuencia sólo es aplicable cuando se dispone de programas de cómputo diseñados
para estas tareas.
De acuerdo al tipo de diseño del muestreo que el investigador decida emplear, los datos
obtenidos permiten estimar la densidad absoluta, así llamada por referirse al número de
individuos por unidad de área, o sólo la densidad relativa, que se expresa como el número
de individuos por unidad de observación (p. ej. planta, hoja, vaina, golpe de red, etc.)
(Southwood, 1978). En todo caso, en terminología estadística, µ representa la densidad
poblacional y se define como el primer momento al origen de la función de distribución del
número de individuos por unidad de observación, variable que generalmente se representa
por x. Si se representa por N al número total de unidades incluidas en la muestra, y por xi
al número de individuos encontrados en la iésima unidad de observación, un estimador
eficiente e insesgado de µ es la media muestral (x):
N
1 1
x = ( x1 + x 2 +...+ x N ) =
N N
∑x
i =1
i
El supuesto básico para generar un patrón espacial aleatorio es que una multiplicidad de
individuos tengan la misma probabilidad de ocupar cualquier unidad de observación, sin
que esa probabilidad sea afectada por la presencia o ausencia de los demás individuos.
117
Este caso podría equipararse al de un periodo determinado de lluvia si se observa su
caída sobre una superficie homogénea, ya que las gotas tienen propiedades físicas
semejantes y no poseen control propio sobre su trayectoria. A reserva de mencionar otras
posibles ilustraciones en el contexto de los índices de dispersión, se presenta en la figura
6.1 un diagrama de gotas de lluvia fotografiadas• específicamente para esta ilustración 20
segundos después de la caída de las primeras gotas “grandes”, al iniciar una lluvia ligera en
diciembre de 2001 en Chapingo, Méx.
Las unidades de observación señaladas en la figura 6.1 corresponden a las piezas físicas
de adoquín cuya cara superior mide 15 x 15 cm, lo cual implica que estas unidades no se
definieron discrecionalmente, evitando así el riesgo de introducir sesgos.
•
Se agradece la amable colaboración del Prof. Jorge Valdez Carrasco del CP para la
digitalización y corrección de la perspectiva de la fotografía original.
118
La hipótesis nula de la igualdad de la media y la varianza se somete a la prueba de
significancia de esta diferencia mediante la estadística clásica conocida como la prueba de
ji-cuadrada
χ2c = (N-1) s 2/ x
Con cuyo valor se aplica una prueba “de dos colas” con N-1 grados de libertad. En este
caso, χ2c = 12 con 8 grados libres y un nivel no significativo de probabilidad, cercano al
30%.
Una interpretación simplista de esta prueba es que los valores de la media y la varianza
no difieren significativamente y, en consecuencia, el patrón espacial de donde provienen es
aleatorio. Sin embargo, es recomendable considerar que, en sentido estricto, el análisis de
los datos sólo detectó que no mostraban suficiente discrepancia entre sus valores de la
media y la varianza, para alcanzar el nivel de probabilidad con el que la hipótesis nula sería
rechazada, el cual usualmente (y discrecionalmente) se fija en 5% (Binns et al., 2000).
119
Aunque se han propuesto distintas modalidades para probar si un conjunto de datos del
número de individuos por unidad de observación difiere de un patrón espacial aleatorio, la
prueba más común y confiable es la de χ2c ya presentada.
En lo que respecta a los patrones regulares, es sencillo concebirlos como aquéllos en los
que el número de individuos en cada unidad difiere poco de la media. Por ejemplo, en la
figura 6.1 bastaría transferir algunas gotas de las unidades con 5, 6 ó 7 impactos, hacia las
unidades con menos de 3 impactos; obviamente un proceso de esta naturaleza sí es viable
con organismos que pueden desplazarse y tienen hábitos territoriales, o donde existe una
fuerte competencia por el espacio o los recursos presentes en él. Es de esperarse también
que el patrón espacial tienda a la regularidad si la densidad se incrementa a tal grado que el
espacio se sature, como sucedería en una lluvia prolongada.
120
En este modelo probabilístico se tiene un único parámetro que determina la función de
probabilidades de la variable (sea x), y es precisamente la proporción de individuos que
posee la característica de interés, tal como ser de color negro, estar sano o estar parasitado,
según el caso de que se trate.
En el caso de plantas, hojas o frutos que se examinen para determinar si están enfermos
o sanos, estas unidades de observación deben ser seleccionadas en cada ocasión por un
procedimiento completamente aleatorio. Cabe resaltar que aun cuando en un campo de
cultivo se presenten focos de infección o manchones de diferente densidad de alguna plaga,
este modelo es perfectamente aplicable, siempre y cuando la selección de cada unidad de
observación sea estrictamente aleatoria y no modifique la probabilidad de selección de las
demás unidades de observación (Binns et al., 2000).
3.- Si se toman los valores de las probabilidades anteriores y se forma con ellos una
simple serie de dos sumandos, conviene incluir en cada término un coeficiente representado
por una literal adicional (sea z) que sirva exclusivamente como “etiqueta” de cada
probabilidad correspondiente a la variable x. Esto se logra asociando la variable z elevada
a la potencia 0 con el término P (x = 0), y z a la potencia 1 con el término P (x = 1). A
esta serie se le conoce como función generatriz de probabilidades (Patil y Joshi, 1968) y se
puede anotar como
F (z) = z0 P (x = 0) + z1 P (x = 1)
= z0 q + z1p
= q + pz
121
Las funciones generatrices facilitan en gran medida el identificar los modelos de
distribuciones complejas, que pueden producirse, por ejemplo, al definir nuevas variables
que correspondan a la suma de N observaciones originales, como se explicará en la
siguiente sección, y también son útiles para identificar el modelo resultante de la acción de
procesos biológicos como la reproducción o la mortalidad. En este último caso, supóngase
que en una población con un patrón espacial Bernoulli con parámetro p los individuos
quedaran expuestos a un proceso aleatorio de mortalidad, de tal suerte que la probabilidad
de supervivencia de cada individuo fuera π al final del periodo de exposición; es decir, a
cada individuo que hubiera estado presente al inicio del periodo de exposición y
sobreviviera al mismo, se aplicaría adicionalmente otro modelo Bernoulli con un parámetro
π, y su complemento 1-π. Esta función generatriz adicional, que se puede denominar
G (z), tiene entonces una forma idéntica a la ecuación anterior para F (z), o sea,
G (z) = (1-π) + πz.
H (z) = F [G (z)]
En esta ecuación el argumento “z” de la F (z) original ha sido sustituido por la función
generalizadora “G (z) “. Así, finalmente se obtiene
122
σ2 = E (x -µ)2
= Σ (x -µ)2 • p (x )
= (0-p) 2 • q + (1-p) 2 • p
= p2 q + q2p
= p q (p + q)
= p q ; recordando que p + q = 1
Puesto que q es menor que 1, en este modelo el valor de la varianza (pq) es menor que
el de la media (p), por lo que se le considera asociado a un patrón de disposición espacial
con tendencia a la regularidad, aunque el procedimiento por el que se origina es
fundamentalmente aleatorio y, como ya se mencionó, de hecho este modelo se puede
generar a partir de cualquier tipo de disposición espacial que tengan los individuos en el
campo, inclusive si el patrón espacial presenta características de contagio.
El modelo Bernoulli sirve de base para otro de los modelos más comunes, considerados
como regulares o no agregados, que se conoce como modelo binomial.
La forma más directa de generar este modelo es como una simple suma de un número
fijo, sea n, de observaciones repetidas de una variable Bernoulli, aunque estrictamente esta
suma puede contener un solo término (n=1) y entonces se puede considerar a la
distribución Bernoulli como un caso particular de la distribución binomial. El número de
unidades Bernoulli que son incluidas en cada nueva unidad de observación (n) se convierte
así en otro parámetro de esta distribución, además del ya explicado parámetro p.
Para este modelo se tienen las siguientes características, que en gran medida se
asemejan a las del modelo Bernoulli:
n!
2. - P (x) = p x q n -x
x! (n - x)!
123
donde n! = n(n-1)(n-2)...(2)(1)
y 0! = 1
Como puede observarse, este caso es una ilustración de la regla de las funciones
generatrices que establece que la función generatriz de la suma de n variables originales se
obtiene elevando la función generatriz original precisamente a la potencia n (Patil y Joshi,
1968).
Se puede observar nuevamente que la varianza resulta menor que la media, con la
interpretación que ya fue discutida anteriormente.
Por otra parte, el procedimiento para sumar observaciones Bernoulli puede lograrse
simplemente duplicando, triplicando o en general aumentando n veces el tamaño de la
unidad original de observación, siempre y cuando se cumpla la premisa de que las
observaciones originales sean independientes entre sí, y por lo tanto el valor del parámetro
p sea constante. Esta condición es difícil de lograr en aplicaciones fitosanitarias, en donde
plantas o frutos vecinos pueden tender a presentarse en manchones de alta o de baja
infestación. Sin embargo, es factible considerar otro tipo de modelos que toman en
consideración la variabilidad (llamada “mezcla”) de un parámetro, por ejemplo p en el
modelo beta-binomial, aunque el modelo resultante sea más complicado de manejar e
interpretar (Binns et al., 2000).
124
Se tendría por lo tanto que postular la condición de que todas las porciones del área
ocupada por la población han sido igualmente atractivas y accesibles para los individuos, y
que su dispersión en toda el área fue aleatoria e independiente de la presencia y del
comportamiento de otros individuos, condiciones que pueden ser aproximadas, por
ejemplo, en el caso de esporas suspendidas que se depositan sin turbulencias en un espacio
homogéneo colonizable; en el caso de insectos colonizadores, se debe considerar que su
tamaño y densidad son suficientemente pequeños para que los efectos físicos y de
comportamiento no afecten de modo importante el proceso de dispersión. Estas condiciones
no son comunes y la falta de aleatoriedad generalmente se expresa como una tendencia a un
patrón espacial con contagio o agregación, o sea con un valor de la varianza mayor que el
de la media.
Cabe mencionar que el modelo Poisson puede ser generado por otros procedimientos
que involucran, por ejemplo, el número de llamadas que llegan a una central durante un
intervalo fijo, cuando los tiempos entre llamadas siguen la distribución exponencial (Patil y
Joshi, 1968).
x = 0, 1, 2, ...
125
mayor que el de la media ( µ), como son los casos de las distribuciones binomial negativa y
Neyman “tipo A”, ambas con dos parámetros.
1.- x = 0, 1, 2, ...
2.- P (0) = p
P (1) = qp
y, en general,
P (x ) = qx p
4.- µ = 1/p
σ2 = µ (q/p)
Γ(x + k)
2. − P (x) = .pkq x
x! Γ ( k )
pk
3. − F ( z ) =
(1 − qz ) k
126
kq
4. − µ = ,
p
kq µ
5. − σ 2
= 2
= .
p p
Neyman (1937) propuso una familia de distribuciones que incorporan procesos “de
contagio”, tales como la ovipostura de huevecillos en masas y la dispersión subsecuente de
las larvas. El más conocido de estos modelos es el llamado “tipo A” de dos parámetros, en
el que se tienen conglomerados compactos distribuidos al azar, con una media m1 , e
individuos dentro de los conglomerados que también tienen una distribución Poisson, pero
con media m2 ; ambas medias son precisamente los dos parámetros de esta distribución.
Este modelo se puede aplicar, por ejemplo, a observaciones del número de masas de
huevecillos, con media m1 , generalizadas por el número de huevecillos por masa, con
media m2.
Vale la pena hacer notar que en este enfoque sí se considera que algunos
conglomerados pueden ser observados con cero individuos, a diferencia de otro modelo
muy similar, conocido como “doble Poisson”, en el que sólo son observables los
conglomerados que contienen uno o más individuos. Además, aunque el cálculo de sus
probabilidades se basa en expresiones relativamente complicadas, es sencillo obtenerlas
mediante programas de cómputo.
1.- x = 0, 1, 2, ... x
x
j
e m mx! ∑ j! (m e m
∞
2
2.- P (x ) =
-
1
1
-
2 ) j, x= 0, 1, 2, ….,
j =0
5.- σ2 = µ (m2 + 1)
127
6.5. Pruebas de bondad de ajuste
6.5.1. Metodología estadística
Hay que resaltar que cualquier manejo de la información de una tabla de frecuencias no
puede incrementar la información ya contenida en la propia tabla. Es decir, si un mismo
modelo de distribución puede ser originado por diferentes procedimientos, ellos no podrán
ser distinguidos sólo por el cálculo de índices o estimadores obtenidos de la tabla de
frecuencias muestrales. Sin embargo, sí es viable considerar otro tipo de información
adicional, que permita descartar ciertas hipótesis o apoyar la posibilidad de que algunas
otras hayan ocurrido; esta información adicional puede ser de naturaleza biológica, respecto
a los hábitos, a tasas de desarrollo de la población involucrada o a los recursos y estímulos
ambientales, o bien provenir de fuentes estadísticas complementarias, como sería el caso de
muestreos similares realizados en secuencia o con distintos tamaños de la muestra o de las
unidades de observación (Reyna Robles, 1969).
Asimismo, debe subrayarse que las pruebas de bondad de ajuste consideran ciertos
niveles para la probabilidad de cometer errores, o sea que no proporcionan conclusiones
intocables. Además, aunque el interés del investigador se centre en identificar un solo
modelo como el más adecuado para describir una disposición espacial, las pruebas de
bondad de ajuste están orientadas más bien al rechazo de los modelos que son inadecuados.
Por lo tanto, es común que al realizar un conjunto de pruebas de bondad de ajuste se pueda
concluir que diferentes modelos son suficientemente adecuados para describir un mismo
conjunto de datos.
128
Esta prueba clásica de bondad de ajuste puede ser afectada indebidamente cuando la
frecuencia calculada tiene un valor muy pequeño en alguno o algunos de los intervalos de
clase, tales como los que se obtienen comúnmente para los intervalos de clase ubicados en
alguna cola de la distribución. Entonces se recomienda agrupar tales clases con alguna
vecina, hasta el punto en el que ninguna de las frecuencias calculadas sea menor que un
valor límite, que generalmente se recomienda sea de cinco (Binns et al., 2000).
Existe otro tipo de prueba de bondad de ajuste, en el que también se calcula un valor de
χ , pero que se basa en el cociente de la varianza muestral (s2) entre la varianza esperada
2
En este caso la prueba adecuada es “de dos colas”, puesto que el cociente de las
varianzas puede ser menor o mayor que uno. La prueba de χ2 tiene N-1 grados de
libertad, lo que la convierte en una prueba muy conveniente si el número de observaciones
no es grande, cuando las dos primeras pruebas de bondad de ajuste pueden tener
complicaciones por una posible falta de grados de libertad.
129
6.5.2. Ejemplo de ajuste de modelos
Cuadro 6.2. Ejemplo sinóptico de resultados del ajuste de una tabla de frecuencias a
modelos de disposición espacial regular, aleatoria o de contagio.
El cálculo elemental de los estimadores de la media y la varianza para los datos de esta
tabla de frecuencias (1.5 y 6.0, respectivamente), así como el valor de 4.0 para la relación
varianza-media, hubieran ya anticipado las discrepancias, notorias aun a simple vista, entre
130
las frecuencias observadas y las esperadas con los modelos binomial y Poisson, que desde
luego se confirman con los altos valores de χ2c , que implican el rechazo de la hipótesis de
que esos modelos son adecuados. La concordancia cambia con los modelos de contagio,
donde el ajuste de las frecuencias esperadas es muy superior y las pruebas de χ2c no
aportan evidencias para rechazar a ninguno de los dos; nótese que el de Neyman “tipo A”
puede ser bimodal.
Este último enfoque se ilustra con dos modelos truncados (Poisson y binomial
negativo) en el mismo Cuadro 6.2, y los resultados muestran consistencia con los obtenidos
para los datos completos, por lo que se fortalecen los indicios de que efectivamente existen
procesos de agregación en el patrón espacial observado.
Para este propósito es útil considerar tres límites o puntos fijos de referencia, que
corresponden a las condiciones en que un patrón espacial muestra la máxima regularidad, la
máxima aleatoriedad o la máxima agregación, a las que diversos autores también se refieren
como contagio negativo, contagio nulo o contagio positivo, respectivamente. La distinción
esencial entre estas tres condiciones se refleja en el valor de la varianza (s2 ) en relación
con el valor de la media (x).
En el patrón con máxima regularidad todas las unidades de observación deben contener
el mismo número de individuos, que entonces coinciden con el valor de la media; por lo
tanto, todas las desviaciones respecto de la media valen cero y la varianza es nula (s2 = x).
En cuanto al patrón con máxima aleatoriedad, las condiciones corresponden a las del
modelo Poisson, donde la varianza es numéricamente igual a la media; esto es, s2 = x.
Finalmente, si la agregación es máxima, todos los individuos (T= Σx) se concentran en
una sola unidad de observación y las demás se encuentran vacías; entonces Σ x 2 = T2 y
también (Σ x )2 = T2, por lo que s2 = N x2. Como puede observarse, en la vecindad de este
límite la varianza mantiene una relación lineal con N y cuadrática con x, lo que resulta
explicable considerando que la agregació se incrementa tanto cuando se adiciona espacio de
131
unidades de observación vacías (sin individuos), como cuando se concentran más
individuos en una unidad de observación en particular. Sin embargo, no pocos autores han
objetado que exista una dependencia similar respecto de N o de x al emplear algunos
índices de agregación, como el de s2/ x.
I = (s2/ x) – 1
El índice k es otro estimador por momentos del parámetro de una distribución clásica, y
ha sido propuesto como índice de agregación; corresponde a la distribución Binomial
Negativa y se expresa como
k = x 2 / (s2- x)
132
El índice Iδ de Morisita (1962) se basa en una medida propuesta por Simpson, de la
diversidad en la proporción de individuos que pertenecen a diferentes clases dentro de una
población. Es uno de los índices más estudiados y utilizados, aunque no se recomienda
emplearlo si la mayoría de las observaciones son muy pequeñas (0 ó 1), ni para comparar
patrones de disposición espacial si varía el número total de muestras entre ellos, ya que se
calcula como
Iδ = N Σ x (x-1) / Σx (Σx - 1)
*
Lloyd (1967) propuso un índice (m) para medir la aglomeración de los individuos en
un patrón espacial, considerándolo como el número promedio de vecinos por individuo en
la misma unidad de observación. Su cálculo mediante un censo de la población se realiza
con la expresión
*
m = (Σx2 / Σx) – 1
También propuso dividir este índice de aglomeración media (mean crowding) entre la
media de la población, para obtener el índice de disparidad (patchiness), y demostró que
este último era muy similar al índice de Morisita.
Este enfoque proporciona una nueva interpretación para los índices de Iwao y de
Lloyd, ya que son muy similares los valores de la dispersión que se obtienen con cualquiera
de estos índices, aunque Ic presenta coeficientes de variación considerablemente menores
que los correspondientes a Iδ , tanto en patrones regulares y aleatorios como de contagio
(Reyna Robles, 1969).
133
Se han propuesto otros índices de agregación cuyas ventajas y desventajas pueden ser
consultadas en la literatura, pero su empleo no se ha difundido tanto como el de los ya
presentados, que son simples de calcular (y posiblemente de interpretar) por incluir en sus
fórmulas a elementos idénticos o similares a las sumatorias usadas para calcular la varianza
muestral. Asimismo, la afinidad que presentan la mayoría de ellos con la razón
varianza/media, permite recomendar el uso del índice de dispersión de Poisson, que como
ya se mencionó se distribuye como χ2, como la prueba de significancia aplicable para todos
los casos.
La siguiente tabla muestra los valores de diversos índices en los tres puntos de
referencia mencionados; sus extremos constituyen los límites que no es posible rebasar al
estimar el nivel de agregación de cualquier patrón de disposición espacial, mientras que
valores cercanos al de la columna intermedia son indicativos de un patrón espacial con
rasgos de aleatoriedad.
Tabla 6.3. Límites muestrales de algunos índices de dispersión en los puntos de máxima
regularidad (s2=0), máxima aleatoriedad (s2= x) y máxima agregación (s2=N x 2)
(Basada en Green, 1966).
I δ = N ∑ x( x − 1) / ∑ x(∑ x − 1) (∑ x ) − N 1 N
(∑ x ) − 1
I c= 1 + I / x 1 − 1/ x 1 N+1- (1/ x )
*m= ( x 2 / x) − 1
∑ ∑ x −1 1/ x ( 1 / ∑ x) + x − 1
134
s2 = a x b
Con un enfoque similar al anteriormente descrito, Iwao encontró que la regresión del
valor de la aglomeración media de Lloyd sobre el de la media producía frecuentemente una
relación lineal, tanto en modelos teóricos de distribuciones como con datos de poblaciones
de insectos. Propuso entonces la ecuación
*
m=α+βµ
Ambos enfoques de regresión son robustos y utilizados con frecuencia; incluso podrían
aplicarse con ventajas comparables a un mismo conjunto de tablas de frecuencias, aunque
la propuesta de Taylor posiblemente sea la de mayor aceptación.
Reyna Robles (1969) también resalta las similitudes entre los modelos de Taylor y de
Iwao cuando se genera un valor de uno para la media muestral, ya que entonces tanto el
coeficiente a de Taylor como la suma de α + β en la terminología de Iwao son iguales a la
varianza y, por lo tanto, iguales entre sí.
135
6.6.3. Ejemplo del cálculo de índices de agregación.
Tomando como base la misma tabla de frecuencias que se empleó para ejemplificar el
ajuste de distribuciones (Cuadro 6.2), se calcularon los valores de los índices de agregación
ya presentados, habiéndose obtenido los resultados que se presentan en el Cuadro 6.4.
Cuadro 6.4. Valores de los índices de agregación calculados a partir de una tabla de
frecuencias del número de adultos de mosquita blanca por planta de frijol en Chapingo,
Méx.
m 4.9841
136
BIBLIOGRAFÍA.
Binns, M.R., Nyrops, J.P, and van der Werf, W. 2000. Sampling and Monitoring in Crop
Protection. CABI. Publishing, N.Y.
Davis, P.M. 1994. Statistics for describing populations. En: Pedigo, L.P. y Buntin, G.D.
(ed.) Handbook of Sampling Methods for Arthropods in Agriculture. CRC Press. Boca
Raton, Florida. Pp 33-54.
Iwao, S. 1968. A new regression method for analyzing the aggregation pattern of animal
populations. . Res. Popul. Ecol. 10; 1-20.
Patil, G.P. and Joshi, 1968. A Dictionary and Bibliography of Discrete Distributions. Oliver
& Boyd, Edinburgh.
Reyna Robles, R. 1969. Studies on the dispersion of insect populations. Ph. D. Thesis.
Imperial College of Science and Technology. University of London.
Taylor, L. R. 1961. Aggregation, variance and the mean. Nature, London. 189; 732-5.
Taylor, L.R. 1965. A natural law for the spatial disposition of insects. Proc. XII int. Congr.
Ent. 396-7
137