EVALUACION DE LA VEGETACION,

FAUNA Y SISTEMA ECOLOGICO

TEMA:

ESTADISTICA NO 18
PARAMETRICA
Estadstica aplicada

La estadstica nos ayuda a corroborar hiptesis dando un soporte

matemtico a observaciones realizadas. La estadstica es la ciencia de la
probabilidad y por ello no es correcto realizar afirmaciones categricas o
negaciones rotundas, sino que estas afirmaciones o rechazos hay que
enmarcarlos siempre en un nivel de significacin, que no es ms que
encuadrarlo dentro de un margen de error que nosotros mismos nos
estamos fijando (generalmente entre el 15%).
Criterio para realizar un experimento

Plantear la hiptesis de trabajo que se quiere demostrar.

Definir bien las variables a estudiar.
Cmo recoger y recopilar los datos (TIPOS DE MUESTREO).
Eleccin del mtodo estadstico ms apropiado para demostrar la
hiptesis de trabajo de la mejor manera posible.
Es conveniente resaltar que el fin de los muestreos es extraer una muestra lo
suficientemente representativa de una poblacin para que las conclusiones
muestrales obtenidas puedan extrapolarse a nivel poblacional.
TIPOS DE MUESTREO.

Estratificado: Las muestras se toman por capas o estratos de condiciones

homogneas (solana, umbra,...). Es un muestreo muy utilizado en Ecologa.
Estos muestreos sirven para confirmar algn tipo de distribucin.( Al azar,
Contagiosa.)
Regular (Sistemtico): Se basa en la obtencin al azar de una primera
unidad a partir de la cual se seleccionan las siguientes mediante algn
criterio fijo repetido peridicamente (ej. el transecto, muy interesante en
gradientes).
Aleatorio simple: Se basa en la toma al azar y de manera independiente
de una muestra. Es eficaz para zonas homogneas.
 Estudios Observacionales
Ejemplos Correctos:
Los fumadores tienen un riesgo de adquirir cncer del pulmn ms alto que los no
fumadores
Los individuos conspicuos tienen un riesgo mayor de ser predados
Los machos ms ornamentados son ms atractivos para las hembras
Conclusiones no justificadas:
Los fumadores tienen un riesgo mayor de adquirir cncer del pulmn porque fuman
Los individuos conspicuos tienen un riesgo mayor de ser predados porque son conspicuos
Los machos ms ornamentados son mas atractivos para las hembras por su ornamentacin
Por qu no son justificadas:
Porque puede ser que un gen, hace que les guste el tabaco y les predisponga al cncer pulmonar.
Porque los individuos conspicuos tambin son ms grandes.
Porque los machos ornamentados son ms fuertes.
TIPOS DE DISTRIBUCIN ESPACIAL.

Existen tres tipos posibles de patrones de distribucin espacial (Pattern):

Distribucin aleatoria. Los organismos se distribuyen al azar, y por tanto, la
presencia de un individuo no aumenta ni disminuye la probabilidad de encontrar
otro. Este patrn se ajusta a distribuciones como Binomial, Poisson y Normal.
Distribucin contagiosa. Este tipo de distribucin es la ms corriente en la
naturaleza, y puede estar propiciada por diversas causas:
Morfolgicas
Ambientales
Infecciosas
Distribucin regular. Los organismos se distribuyen de tal forma que la presencia de
un individuo disminuye la probabilidad de encontrar otro.
Estadstica Inferencial

La Estadstica Inferencial es la parte de la Estadstica que, en base a una

muestra, estima una o varias caractersticas de la poblacin de donde
proviene. Se tiene entonces que los problemas que contempla se dividen
en problemas de estimacin y pruebas de hiptesis. Estos problemas se
diferencian en que en los de estimacin se determina el valor de un
parmetro en base a un grupo de opciones, mientras que la prueba de
hiptesis decide si aceptar o rechazar un conjunto de valores especficos
de parmetros.
Estadstica Paramtrica

La estadstica inferencial paramtrica hace suposiciones especficas

acerca de la poblacin o poblaciones que se muestrean. De all la
importancia del Teorema del Lmite Central para esta clase de inferencias
(el supuesto de normalidad es parte fundamental de las pruebas
paramtricas).Los mtodos descritos con anterior (estimacin puntual,
estimacin de intervalo y pruebas de hiptesis) en su forma paramtrica se
derivan principalmente de trabajos realizados por Neyman y Pearson
como proyecto conjunto. De hecho su trabajo se dirigi al problema
principal de las pruebas de hiptesis: Construir una teora matemtica de
pruebas que se utilicen para reducir la frecuencia de conclusiones
errneas respecto a las hiptesis consideradas.
estadsticas no paramtricas

Las tcnicas estadsticas no paramtricas ofrecen menor rigidez con respecto

a sus condiciones que las tcnicas paramtricas, aunque sacrificando para
ello su potencia de explicacin. Son procedimientos estadsticos que poseen
ciertas propiedades bajo supuestos generales y sin importar la poblacin de la
cual los datos han sido obtenidos. La mayora de las veces estos supuestos se
refieren, por ejemplo, a la simetra o continuidad de la distribucin poblacional.
La inferencia no paramtrica constituye un campo muy amplio que va desde
las equivalencias no paramtricas de las pruebas paramtricas existentes hasta
llegar a las estimaciones de punto e intervalo de constantes poblacionales que
no pueden ser llevadas a modelos paramtricos por su complejidad
(percentiles, deciles, etc.) El rpido desarrollo de las tcnicas no paramtricas
ha sido en parte por las siguientes razones: Las tcnicas no paramtricas
hacen supuestos muy generales respecto a la distribucin de probabilidad que
siguen los datos. En particular, dejan de lado el supuesto de normalidad en una
poblacin. Son aplicables cuando la teora de normalidad no puede ser
utilizada, por ejemplo cuando no se trabaja con magnitudes de observaciones
sino con sus rangos.
Equivalencia de pruebas estadsticas

Antes de establecer las tcnicas a compararse cabe indicar que significa

la equivalencia entre pruebas estadsticas, ya que compararemos
tcnicas paramtricas con su equivalente tcnica no paramtrica. Dos
pruebas estadsticas (Pruebas I y II) de la hiptesis nula H0 son equivalentes,
si para cada posible conjunto de observaciones muestrales, la decisin
alcanzada por la Prueba I concuerda con la alcanzada por la Prueba II. O
lo que es lo mismo, la Prueba I es equivalente a la Prueba II si la Prueba I
rechaza H0 si y solo si la Prueba II rechaza H0, y la Prueba I acepta H0 si y
solo si la Prueba II acepta H0 (Hollander M., Wolfe D. (1973))
 La estadstica inferencial se divide principalmente en dos partes:
Tcnicas paramtrica y las no paramtricas.

Paramtricas: Basadas en suposiciones especificas acerca de la

poblacin de la que se desea hacer algn tipo de inferencia.

No paramtricas: Basadas en suposiciones muy generales respecto a

la distribucin poblacional de lo inferido.
VENTAJAS Y DESVENTAJAS DE LA
ESTADSTICA NO PARAMTRICA
VENTAJAS DESVENTAJAS
Si el tamao de la muestra es muy
pequeo, puede no haber otra opcin
que usar una prueba estadstica no
paramtrica.
Los mtodos no paramtricos estn
disponibles para tratar datos que son
simplemente clasificatorios o de un tema central.
categricos, es decir, que son medidos
en una escala nominal. Ninguna
tcnica paramtrica se aplica a tales
datos.
Las pruebas estadsticas no
paramtricas tpicamente son ms
fciles de aprender y aplicar que las
pruebas paramtricas. Adems, su
interpretacin suele ser ms directa que
la interpretacin de las pruebas
paramtricas.
Una objecin a las pruebas no
paramtricas es que no son
sistemticas, mientras que las
pruebas estadsticas paramtricas
han sido sistematizadas y diferentes
pruebas son simplemente variaciones
Otra objecin a la pruebas no
paramtricas se relaciona con la
conveniencia, esto se debe a que no
se tiene un distribucin fija para este
tipo de estadstica, esto se debe a
que no se tiene un distribucin fija
para este tipo de estadstica, por lo
que en ocasiones puede ser un
problema el elegir la adecuada.
Pruebas Paramtricas y Pruebas no
Paramtricas

Si la distribucin es normal y cumple algunas otras condiciones,

utilizaremos los denominados test paramtricos y si no cumple
dichos criterios tenemos la opcin de usar los llamados test no
paramtricos o de distribucin libre, que se basan en los rangos de
distribucin de la variable.
Las pruebas no paramtricas son menos potentes, es decir, son ms
exigentes al rechazar la hiptesis nula de igualdad y por tanto
tienen menos posibilidades de acertar cuando no la rechazan (mas
posibilidades de cometer un error tipo beta).
Tabla I. Tipo de test estadstico para hacer inferencias (comparaciones entre muestras).
DISTRIBUCION VARIABLE VARIABLE RELACIN ENTRE LAS MUESTRAS PRUEBA ESTADSTICA
INDEPENDIENTE (PREDICTORA) DEPENDIENTE (RESULTADO)

Normal Una sola muestra (se compara Cuantitativa t-student para una muestra
(Paramtricos) con valor terico)

Dicotmica
Categrica No relacionadas No existe (usar Chi-cuadrado de Pearson)
No existe (usar no paramtricos)
Relacionadas
t-student muestras independientes
Cuantitativa No relacionadas t-student muestras relacionadas
Relacionadas
Policotmica No existe (usar Chi-cuadrado de Pearson)
Categrica No relacionadas ANOVA de una va
ANOVA de medidas repetidas
Cuantitativa No relacionadas
Relacionadas

No normal Una sola muestra (se compara Binomial

(No paramtricos) con valor terico) Chi-cuadrado de Pearson
Chi-cuadrado de Mantel-Haenzsel
Prueba de Kolmogorow-Smirnov
Prueba de las Rachas
Dicotmica
Categrica Relacionadas Test exacto de McNemar
Prueba de los Signos
No relacionadas Chi-cuadrado de Pearson
Test exacto de Fisher
Test de Wilcoxon
Prueba de los signos

Cuantitativa Relacionadas Mann-Whitney

Mediana
No relacionadas Z Kolmogorov-Smirnov
Rachas de Wald-Wolfowitz
Valores extremos de Moses
Policotmica
Categrica No relacionadas Prueba Q de Cochran

Cuantitativa Relacionadas Prueba de Friedman

W de Kendall (concordancia)
No relacionadas Prueba de Kruskal-Wallis
Mediana K variables
ANOVA de dos vas por rangos

COVARIACION (medidas de dos variables en los mismos sujetos o unidades de anlisis del estudio)
Paramtrico Cuantitativa Cuantitativa Correlacin de Pearson
No paramtrico Cuantitativa Cuantitativa Correlacin de Spearman
Pruebas no paramtricas

Una sola muestra (se compara con valor terico)

Binomial
Dicotmica
Categrica - No relacionada : Test de Wilcoxon
Categrica - No relacionada : Test Chi-Cuadrado
Cuantitativa - relacionadas : Test Mann Whitney
Policotomica
Cuantitativa no relacionada : Prueba de Kruskal-Wallis
 Una sola muestra (se compara con valor terico)

PRUEBA BINOMIAL
Sea un experimento aleatorio en el que slo puedan darse dos
posibilidades: que ocurra un determinado suceso A, que
llamaremos xito, o que no ocurra dicho suceso, o sea que
ocurra su complementario, que llamaremos fracaso, .

Se conoce la probabilidad de ocurrencia del suceso A, y por lo

tanto la de su complementario:

Se repite el experimento n veces en las mismas condiciones

(independencia). Se define la variable aleatoria Binomial :
- X: n de veces que ocurre el suceso A (n xitos) en n
realizaciones independientes del experimento
- Por lo tanto, X: 0, 1, 2 , 3, n
 FUNCIN DE PROBABILIDAD

Puede comprobarse que se verifica:

EJEMPLO:

La probabilidad de que cierto antibitico presente una

reaccin negativa al administrarse a un ave rapaz en
recuperacin es de 0,15. Si se les ha administrado dicho
antibitico a 10 aves, calclense las probabilidades de
que haya reaccin negativa:
a. En dos aves
b. En ningn ave
c. En menos de 4 aves.
d. En ms de 3 aves
e. Entre 2 y 5 aves
Suceso A: A un ave se le presenta reaccin
negativa

X: n de aves a las que se les presenta tal reaccin

P(A) = 0,15; n = 10 ; X B (10; 0,15)

a. P ( X = 2) = 0,2759
b. P ( X = 0) = 0,1969
c. P ( X < 4) = 0,95
d. P (X > 3) = 0,05
e. P (2 X 5) = 0,4543
 Categrica

Dicotmica
Categrica - No relacionada : Test de Wilcoxon

Categrica - No relacionada : Test Chi-Cuadrado

 TEST DE WILCOXON

La prueba de Wilcoxon se pueden usar tambin como

una prueba alterna a la prueba de t-student para
comparaciones de pares de muestras. En este caso se
aplica la prueba no paramtrica a las diferencias entre
los dos grupos.

Hay que resaltar que: Datos NO NORMALES

- Comparan MEDIANAS
- Trabajan sobre rangos de orden
- Son menos potentes (es decir, hay menos
probabilidad de rechazar la Ho)
Pasos a desarrollar:

- Calcular las diferencias en cada elemento de la muestra para las

dos variables a estudiar
(se eliminan los elementos que tengan diferencias nulas)

- Ordenamos estas diferencia prescindiendo de los signos.

- Asignamos un rango de orden a las mismas.
- Se corrigen ligaduras
- Sumamos los rangos segn los signos que tengan las diferencias y
obtenemos los estimadores.
* T(+) = Suma de rangos correspondientes a diferencias positivas.
* T(- ) = Suma de rangos correspondientes a diferencias negativas.

Definicin: T = Min | T(+), T (-) |

EJEMPLO:

Se ha encontrado una enfermedad a la piel de los osos

hormigueros, para curar esta enfermedad se a creado dos
cremas A y B, aplicadas en 2 zonas diferentes de cada oso
hormiguero.
Posteriormente se midi el dimetro en cm. De la zona
afectada por esta enfermedad, donde hemos aplicado la
crema A y B. Los pares de medidas de una muestra de 8 osos
hormigueros es la siguiente

Datos apareados:
Dato cualitativo: Crema (A, B)
Dato cuantitativo: Zona protegida (dimetro en cm)

Ho: La zona protegida no depende del tipo de crema

Que resulta ser equivalente a : estudiar si las diferencias entre las zonas tratadas
Se puede considerar nula

Ho: Mediana (diferencias) = 0

Ha: Mediana (diferencias) 0
 Test Chi-cuadrado

El test de Chi cuadrado se utiliza para analizar la asociacin

entre dos variables cualitativas (por ejemplo, la presencia de
una especie con el tipo de suelo, o la presencia de individuos
en estado de flor con una poca del ao, etc...).

Lo que hace el test es comparar la distribucin de frecuencias

observadas de la asociacin entre las variables con la
distribucin de frecuencias esperadas en caso de que no
existiera asociacin (es decir, si las dos variables cualitativas no
estn asociadas sino que se distribuyen al azar).

Para analizar la asociacin entre las variables cualitativas

multiestado se utilizan las tablas de contingencia. A nivel
general, este test sirve para comparar frecuencias, por lo que
puede utilizarse para verificar si una coleccin de datos se
distribuye de acuerdo a algn tipo de distribucin especfica.
HIPOTESIS

La hiptesis de trabajo sern del tipo:

Hm : Existe relacin entre las variables
H0: Las dos variables son independiente ( no hay asociacin entre ellas).
PROCEDIMIENTO DE CALCULO

Ejemplo:
Se desea saber si existe relacin entre la presencia de la especie A (un
invertebrado acutico) y el tramo del rio (alto, medio y bajo). Para ello se
realizo un muestreo a lo largo del rio y en cada tramo hemos registrado la
presencia (+) o ausencia (-) de la especie en 15 muestras de agua
tomadas al azar.
Nivel de significancia : 0.05.
 Hiptesis
Hm : Existe relacin entre
la presencia de la especie
A y los tramos del rio
H0 : La presencia de la
especie A es
independiente de los
tramos del rio.
 :
15 16
=
45

15 29
=
45
 Calculo del estadstico: Donde:
o: Frecuencias observadas
en la celda.
2
2
e: Frecuencias esperadas
(, ) = en la celda.

gl: Grados de libertad (n
de columnas -1)x(n filas -
1)
 Grados de libertad: (3-1)(2-1)=2
2 = 23.8
2 = 5.99
2 > 2
Por lo tanto:
Se rechaza la H0 y se acepta la Hm

Se concluye que la especie

acutica A si esta en relacin a los
tramos del rio
ASOCIACIN ENTRE VARIABLES
CUANTITATIVAS: NDICES DE
CORRELACIN
Este ndice cuantifica el grafo de asociacin entre dos
variables cuantitativas.

El coeficiente se representa con y es el coeficiente

que existe entre dos variables en el conjunto de la
poblacin

r y rs son los coeficientes medios sobre la muestra

 RANGOS DE VARIACIN DE
LOS COEFICIENTES
Los coeficientes de correlacin varan
entre 1 y 1 del siguiente modo:

a) 1 > 0 : correlacin positiva.

b) -1 < 0 : correlacin negativa.

c) 0 : no hay correlacin, los valores

de x e y varan de forma
independiente.

Nota:
Cuanto ms cerca ests el
coeficiente de 1 o -1, ms
fuerte es la correlacin
Hiptesis
Recordemos que existen dos tipos
de hiptesis:

A dos colas, que son aquellas que Hecol: 0 ( < 0 o

pretenden encontrar relaciones
entre dos variables, es decir, que > 0)
no se conoce si tienen una relacin
inversa o directa. (estudios de nivel
investigativo RELACIONAL) Ho: = 0
En cambio, las de

Una sola cola, pretenden

demostrar la direccionalidad en la
relacin que existen entre dos Hecol: > 0 H0 : 0
variables (estudios de nivel
EXPLICATIVO).
Hecol: < 0 H0: 0
Tomar en cuenta que:
Las hiptesis del nivel investigativo
explicativo son hiptesis racionales,
se fundamentan en los
antecedentes investigativos, no son
empricas, no nacen de la
percepcin subjetiva del
investigador.
 Si las dos variables (
x e y) siguen una
distribucin normal,
Paramtrica utilizaremos la
correlacin de
Pearson
Seleccin
del test
Si alguna de las dos
variables ( x o y) no
sigue una
No
distribucin normal,
paramtrica utilizaremos la
correlacin de
Spearman .
Correlacin de Spearman (r de Spearman)

Este coeficiente es el equivalente no paramtrico del Coeficiente de

Correlacin que vimos anteriormente, al que tambin se le llama
Coeficiente de Pearson. Al igual que el coeficiente de correlacin, el
Coeficiente de Spearman puede tomar valores entre -1.0 y 1.0, un valor
de -1.0 indica una correlacin negativa perfecta y un valor de 1.0 indica
una correlacin positiva perfecta.

La correlacin de Spearman mide el grado de asociacin entre dos

variables cuantitativas que siguen una tendencia siempre creciente o
siempre decreciente. Es ms general que el Coeficiente de correlacin de
Pearson, la correlacin de Spearman, en cambio se puede calcular para
relaciones exponenciales o logartmicas entre las variables.
Correlacin de Spearman (r de Spearman)
Para calcular la r de Spearman hay que realizar los siguientes pasos:

1.Definirla hiptesis nula, por ejem. No hay relacin entre los dos juegos
de datos.
2. Calcular el rango(Rank) para ambos juegos de datos del mayor al
menor verificando empates.
3. Substraerlos rangos para obtenerla diferencia d
4. Elevarla diferencia d al cuadrado.
5. Sumarlos valores de d al cuadrado para obtener d2.
6. Usarla frmula

Para comprobar la significacin estadstica del ndice de correlacin se consulta en la tabla

correspondiente el valor crtico de rs para n pares de datos, para p=0.05 o inferior y para el
nmero de colas acorde con la hiptesis. Si rs cal rs crtico, se rechaza H0.

Donde:
n = n de pares de datos
di = diferencia de rangos en las
variables del par i
Correlacin de Spearman (r de Spearman)

Si el valor de Rs :
.es-1, hay una correlacin negativa perfecta
.... se encuentra entre -1 y -0.5, hay una fuerte correlacin negativa
.... se encuentra entre -0.5 y 0, hay una dbil correlacin negativa
.... es0, no hay correlacin
... se encuentra entre 0 y 0.5, hay una dbil correlacin positiva
.... se encuentra entre 0.5 y 1, hay una fuerte correlacin positiva
.... es1, hay una correlacin positiva perfecta. Entre los 2 juegos de datos.
# Si el valor de rses0, podemos decir que la hiptesis nula se acepta. De
otra forma se rechaza.
Tabla de valores crticos del coeficiente de correlacin de Spearman
(rs)
EJEMPLO:

Se sospecha que la abundancia de la especie de gramnea Poa

bulbosa en los pastizales mediterrneos depende en gran medida
de la humedad que hay en el suelo. Para comprobar la hiptesis se
realiza un muestreo con una cuadrcula de 20 cm de lado, que se
dispone 12 veces al azar sobre la comunidad de pasto. En cada
cuadrcula se mide la cobertura de la especie y la humedad del
suelo mediante un TDR (medicin de contenido de humedad).

Variables: Cobertura de la especie y humedad del suelo. Ambas son

cuantitativas, y no siguen una distribucin normal.

Hiptesis de una cola: existir una correlacin positiva entre la

cobertura de Poa y la humedad.

Hecol: > 0 H0 : 0

Tras realizar el muestreo se obtienen los siguientes datos:

 Cuantitativas
Dicotmica
Cuantitativa - relacionadas : Test Mann Whitney
Policotmica
Cuantitativa no relacionada : Prueba de Kruskal-Wallis
Test no paramtrico:
Mann-Whitney
Compara las diferencias entre dos medianas, por lo que se basa en rangos
en lugar de en los parmetros de la muestra (media, varianza). Se emplea
cuando los datos no siguen la distribucin normal, en lugar del test de la t
de Student (paramtrico).
HIPOTESIS

HIPOTESIS DE DOS COLAS HIPOTESIS DE UNA COLA

Existencia de diferencias entre Existencia de diferencia

las medianas (M) entre las medianas,
presumiendo que una es
Hm: M1 M2 mayor que la otra:

Hm: M1>M2
No existe diferencias entre las
medianas
O la existencia de
diferencias en sentido
H0: M1 = M2 contrario:
H0: M1<M2
Procedimiento:

Asignacin de rangos a cada dato (orden de los datos)

El rango de cada dato ser el nmero de orden que corresponde a cada
dato.
Se suman los rangos de cada uno de los inventarios
Se calculan los estadsticos U1 y U2
 Se obtiene el estadstico U cal, escogiendo el valor mas grande entre U1 y
U2
Se comprueba la significacin estadstica del Ucal, comparando con el
valor de un estadstico U critico, obtenido a partir de tablas
correspondientes.
Si UcalUcrit : Se rechaza H0 y se acepta Hm
Si Ucal<Ucrit : Se rechaza Hm y se acepta H0
 EJEMPLO:

Se quiere estudiar si el nmero de especies de caros edficos se ve

influenciado por un incendio de baja intensidad. Para ello se simul un
incendio de baja intensidad en una parcela de un territorio homogneo, y
se tomaron 6 muestras al azar de la zona incendiada y 7 muestras tambin
al azar de la zona no incendiada, contndose el nmero de especies de
caros edficos en cada muestra.

Los datos obtenidos en el

muestreo son los siguientes:
 Hiptesis
H0= La mediana del nmero de especies de caros edficos es igual
en la parcela quemada que en la no quemada:
M quemada = M no quemada.

Hm= La mediana del nmero de especies de caros edficos vara

dependiendo de que se haya producido un incendio:
M quemada M no quemada .
R1 28
R2 63
 R1 28
R2 63
Calculo estadstico:
Ucal:
67
1 = 67 + 28
2 U1 35
78 U2 7
2 = 67 + 63
2

Ucal min = 7
Comprobacin de la significacin
del estadstico Ucal:

7 < 36
 Ucal<Ucrit : Se rechaza Hm y se acepta H0
Por lo tanto:
No se rechaza la H0.
Se concluye que el numero de especies de caros edficos no se ve
influido significativamente por la ocurrencia de un incendio de baja
intensidad
Prueba de Kruskal-Wallis

Se basa en rangos en lugar de los parmetros de la muestra (media,

varianza). Se emplea cuando los datos no siguen la distribucin normal y/o
tienen varianzas distintas, en sustitucin del ANOVA paramtrico. Cuando
el nmero de grupos es 2 es idntico a la U de Mann-Whitney.
HIPOTESIS

La Hm establece que existen diferencias entre las medianas (M) de los

grupos considerados, es decir que al menos dos de las medianas sern
distintas.
La H0 establece que no existen diferencias entre dichas medianas.
Hm: No todas son iguales.
H0: M1=M2=M3
 Procedimiento
Asignacin de rangos. (Igual que el mtodo de Mann-
Whitney)
Calculo del estadstico H:

Siendo k: Numero de grupos

N: Numero total de datos
ni: Numero total de datos en el grupo i
 Cuando existen rangos ligados, se aplica un factor de correccin Hc
en lugar del H:

Donde: ti: numero de rangos ligados

m: numero de grupos de rangos ligados
El valor critico del estadstico ( H o Hc), se consulta con la tabla del
chi cuadrado, si N15, o si k>5, para (k-1) grados de libertad.
Si N<15 y k<5, se consulta en la tabla especifica para H.
 Si Hca l Hcrit ( 2 ): Se rechaza H0 y se acepta Hm
Si Hcal < Hcrit( 2 ): Se acepta H0 y se rechaza Hm
Ejemplo:

Se requiere estudiar el pH de cuatro estanques situados sobre sustratos

diferentes. Para ello se obtuvieron 8 muestras de agua procedentes de
cada una de las charcas, midindose el pH en cada una de ellas.
Los datos de pH se ordenaron de forma ascendente para cada estanque.
(Una muestra de agua de la charca n 3 se
perdi, de forma que n3=7;).
 HIPOTESIS:
H0: El pH es el mismo
en los cuatro
estanques.
Hm: El pH no es el
mismo en los cuatro
estanques.
N =8+8+7+8 = 31
 Numero de grupos de rangos ligados, m = 7

=1=3

Hc = 11.943 ; 2 :7.815 Hc> 2

Se rechaza H0.
Se concluye que el pH no es el mismo en todas las charcas
Mtodos para evaluar la biodiversidad

La diversidad biolgica es el resultado de un complejo proceso evolutivo, con

una variabilidad entre los organismos vivos, as como en los complejos
ecolgicos de los que forman parte.
Es utilizada tanto en el campo de la biologa de la conservacin como en el
de la supervisin ambiental, como un ndice de salud del ecosistema.
La cuantificacin de la biodiversidad para cualquier nivel de organizacin, es
un instrumento heurstico en la gestin ambiental.
La diversidad de especies tiene tres niveles:
la diversidad local (o diversidad alfa),
la diferenciacin de la diversidad entre reas (o diversidad beta) y
la diversidad regional (o diversidad gama)
 La necesidad de realizar anlisis de biodiversidad ha quedado patente en
los ltimos aos tal y como se refleja en el Convenio de Diversidad
Biolgica de las Naciones Unidas del ao 1992.

Para realizar una aproximacin prctica a la biodiversidad a nivel de

ecosistema, tal y como describen se determinan distintos tipos de
hbitat en lugar de centrarse en las especies.
 La diversidad alfa es la riqueza de especies de una comunidad particular
a la que consideramos homognea.
La diversidad beta es el grado de cambio o reemplazo en la composicin
de especies entre diferentes comunidades en un paisaje.
La diversidad gamma es la riqueza de especies del conjunto de
comunidades que integran un paisaje, resultante tanto de las diversidades
alfa como de las diversidades beta.

(Whittaker, 1972).
 Para monitorear el efecto de los cambios en el ambiente es necesario
contar con informacin de la diversidad biolgica en comunidades
naturales y modificadas (diversidad alfa) y tambin de la tasa de cambio
en la biodiversidad entre distintas comunidades (diversidad beta), para
conocer su contribucin al nivel regional (diversidad gamma) y poder
disear estrategias de conservacin y llevar a cabo acciones concretas a
escala local.
CUL ES EL MEJOR MTODO PARA MEDIR LA
DIVERSIDAD DE ESPECIES?
La seleccin del mtodo a emplearse debe considerar:
a. El nivel de la biodiversidad que se quiere analizar: dentro de comunidades
(diversidad alfa), entre comunidades (diversidad beta), o para un conjunto de
comunidades (diversidad gamma).
b. El grupo biolgico con que se est trabajando, la disponibilidad de datos y los
trabajos previos con el mismo grupo. Para algunos taxa o bajo ciertas condiciones
ambientales no es posible contar con datos cuantitativos o sistematizados.
Adems, resulta aconsejable utilizar los mtodos que han sido aplicados con
anterioridad en investigaciones con el mismo grupo taxonmico, o proporcionar
los datos necesarios para aplicarlos, a fin de permitir comparaciones.
c. Las restricciones matemticas de algunos ndices y los supuestos biolgicos en
los que se basan. En ciertos casos particulares, por ejemplo si los datos reales no
tienen una distribucin dada, no ser vlido aplicar mtodos paramtricos.
ndices no paramtricos de diversidad
Se calculan las densidades de especies para cada hbitat y los ndices
siguientes:

Fuente: Metodologa para la medicin y evaluacin de la biodiversidad en inventarios forestales

en inventarios forestales
Donde:
S : nmero de especies o riqueza de especies
N : el nmero total de individuos o abundancia
pi : es la proporcin del total de la muestra encontrada para la especie
Riqueza especifica

El ndice de Margalef (D Mg) es una forma sencilla de medir la biodiversidad

ya que proporciona datos de riqueza de especies de la vegetacin. Mide el
nmero de especies por nmero de individuos especificados o la cantidad de
especies por rea en una muestra (Margalef, 1969). Su frmula es:

Donde:
S= nmero de especies.
N=nmero total de individuos.
Riqueza especifica

El ndice de Menhinick (DMn) al igual que el ndice de Margalef se basa en la

relacin entre el nmero de especies y el nmero total de individuos
observados, que aumenta al aumentar el tamao de la muestra.

Donde:
S= nmero de especies.
N=nmero total de individuos.
Estructura : ndice de abundancia
proporcional
a) Dominancia

El ndice de Simpson ( DSi) considera la probabilidad que dos individuos de la

poblacin seleccionados al azar sean de la misma especie. Indica la relacin
existente entre riqueza o nmero de especies y la abundancia o nmero de
individuos por especie. Su expresin es:

donde:
pi: igual a la proporcin entre ni y N
ni: nmero de individuos de la especie i.
Estructura : ndice de abundancia
proporcional
b) Equidad

El ndice de Shannon- Wiener (H) tiene en cuenta la riqueza de especies y su

abundancia. Este ndice relaciona el nmero de especies con la proporcin
de individuos pertenecientes a cada una de ellas presente en la muestra.
Adems mide la uniformidad de la distribucin de los individuos entre las
especies. Su frmula es:

donde:
pi: igual a la proporcin entre ni y N
ni: nmero de individuos de la especie i.
Estructura : ndice de abundancia
proporcional
b) Equidad

El ndice de Pielou (J) se expresa como el grado de uniformidad en la

distribucin de individuos entre especies. Se puede medir comparando la
diversidad observada en una comunidad contra la diversidad mxima
posible de una comunidad hipottica con el mismo nmero de especies
(Moreno,2001).

donde:
H mx.: es el logaritmo natural de S.
S : nmero de especies o riqueza de especies
Ejemplo practico

Fuente : Diversidad y valor de

importancia para la conservacin de la
vegetacin natural. Parque Nacional
Lihu Calel (Argentina)
ndices de la diversidad alfa
 La frmula Mg demuestra la alta o baja diversidad del ecosistema en
relacin conla vegetacin. Los valores inferiores a 2 son zonas de baja
diversidad y los valores superiores a 5 son indicativos de alta biodiversidad
(Margaleff, 1995).
De la aplicacin de la frmula se obtuvo un resultado de 7,24 lo cual
demuestra que el Parque Nacional Lihu Calel es una zona que tiene una
significativa cantidad de especies vegetales.
La aplicacin de la frmula Mn es de 0,78 por lo que verifica que la
riqueza dentro de la muestra analizada es alta.
 El ndice de Simpson fue de 0,1038 lo cual demuestra que en la comunidad
no existe una especie dominante
el ndice de Shannon- Wiener con valor de 2,51 muestra que la
comunidad es equitativa y el ndice de equidad de Pielou fue de 0,86 por
lo cual todas las especies son igualmente abundantes