Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Estimación de tamaño
poblacional
Se estima N como:
n1 −→ p % 100×n1
⇒x=
x −→ 100 p%
1
100 × n1
N̂ =
p%
100 × n1
=
100 × nm2
n1 × n2
=
m
Este método tiene varios supuestos
2
V̂ (N̂ ) = t2x V̂ (β̂)
n n 2 n − m
1 2 2
=
m m(n2 − 1)
n2 n2 n2 − m n2
= 12
m m n2 − 1
n21 n2 (n2 − m)
=
m3
2 n2 (1 − m )
n 2 n2
= 12
m m
(n1 + 1)(n2 + 1)
Ñ = −1 (1.1)
m+1
Con el estimador de la varianza (Seber 1970)
3
n1 n2
t̂y =
m
200(100)
=
20
= 1000 peces
con
m
n21 1− n2
V̂ (t̂y ) =
m2 m
20
200 1002 1 − 100
2
=
202 20
100 (100 − 20)
= 100
20
2
100 (80)
=
20
= 40000
entonces,
√ 200
e.e
ˆ = 40000 = 200 y Cve = × 100 = 20 %
1000
4
¿Está en la segunda muestra?
Sı́ No
¿Está en la Sı́ m11 m12 m1+
primera muestra? No m21 m∗22 m∗2+
m+1 m∗+2 m∗++ = N
para estimar las cifras esperadas usarı́amos m̂11 = x11 , m̂12 = x12 y
m̂21 = x21 . Si la presencia en la primera muestra es independiente de la
presencia en la segunda muestra, entonces las posibilidades de estar en la
segunda muestra son las mismas para los individuos marcados y los que no:
m11 m12
= ∗ . En consecuencia, bajo la independencia, en la celda con el
m21 m22
individuo no incluido en cualquiera de las muestras es:
m̂12 m̂21
m̂∗22 =
m̂11
x12 x21
= ,
x11
y
5
¿Está en la segunda muestra?
Sı́ No
¿Está en la Sı́ 20 180 200
primera muestra? No 80 ? ?
100 ? N̂
6
N N
X (ni − ri ) Mi X
= ri ,
i=1
N − Mi i=1
donde:
ni es el tamaño de la muestra i.
ri es la cantidad de individuos recapturados en la muestra i.
Mi es el número de peces marcados al extraer la muestra i.
Si se usan marcas individuales, se puede analizar también aspecto de la
inmigración y emigración de la población y probar algunas de las hipótesis
de independencia.
No es claro que estos datos cumplan las hipótesis para el método de cap-
tura y recaptura con dos muestras. Como hay más de dos muestras, podemos
evaluar las hipótesis de independencia mediante modelos Log-lineales; sin em-
bargo hay una hipótesis que nunca podremos probar: La celda faltante sigue
el mismo modelo que el resto de los datos.
Si se extraen tres muestras las cifras esperadas son:
7
¿Está en la muestra 3?
Sı́ No
¿Está en la muestra 2? ¿Está en la muestra 2?
Sı́ No Sı́ No
¿Está en la Sı́ m111 m121 m112 m122
muestra 1? No m211 m∗221 m∗212 m∗222
Pero, no se puede ajustar este modelo, debido a que requiere ocho grados
de libertad y solo hay siete celdas. Aun ası́, se pueden ajustar los siguientes
modelos donde α se refiere a lista E (muestra 1), β se refiere a lista T (muestra
2) y γ se refiere a lista D (muestra 3).
1. Completa independencia:
ln (mijk ) = µ + αi + βj + γk
ln (mijk ) = µ + αi + βj + γk + (αβ)ij
Hay tres modelos de este tipo; los otros dos sustituyen (αβ)ij + (βγ)jk
o (αγ)ik + (βγ)jk en vez de (αβ)ij + (αγ)ik . La presencia de la lista de
muertos o de tratamientos son condicionalmente independientes dado
8
el estado de la lista E (muestra 1); una vez que sabemos que alguien
esta en la lista de la sala de urgencias, el hecho de saber si esta en
la lista de muertos no proporciona información adicional acerca de la
probabilidad de que esté en la lista de tratamiento.
9
grados de Intervalo de
Modelo G2 libertad (gl) p−valor m̂222 N̂ confianza al 95 %
1 Independencia 1.80 3 0.62 3,967 6,891 [6.322; 7.407]
2a E*T 1.09 2 0.58 4,639 7,499 [5, 992; 9, 706]
2b E*D 1.79 2 0.41 3,959 6,823 [6, 296; 7, 425]
2c T*D 1.21 2 0.55 3,929 6,793 [6, 283; 7, 373]
3a E*T,E*D 0.19 1 0.67 6,141 9,005 [5, 921; 16, 445]
3b E*T,T*D 0.92 1 0.34 4,416 7,280 [5, 687; 9, 812]
3c E*D,T*D 1.20 1 0.27 3,918 6,782 [6, 253; 7, 388]
4 E*T,E*D,T*D – 0 – 7,510 10,374 [4, 941; 25, 964]
¿Está en la lista D?
Sı́ No
¿Está en la lista T? ¿Está en la lista T?
Sı́ No Sı́ No
¿Está en Sı́ 5.1 28.3 310.8 1730.7
la lista E? No 11.7 64.9 712.4 3966.7
data opium;
input er treat death count;
cards;
1 1 1 6
1 1 2 314
1 2 1 27
10
1 2 2 1728
2 1 1 8
2 1 2 712
2 2 1 69;
proc catmod data=opium;
weight count;
model er*treat*death = _response_ /ml pred=freq freq prob;
loglin er treat death;
run;
proc catmod data=opium;
weight count;
model er*treat*death = _response_ /ml pred=freq freq prob;
loglin er treat death er*treat;
run;
proc catmod data=opium;
weight count;
model er*treat*death = _response_ /ml pred=freq freq prob;
loglin er treat death er*treat er*death;
run;
proc catmod data=opium;
weight count;
model er*treat*death = _response_ /ml pred=freq freq prob;
loglin er treat death er*treat er*death treat*death;
run;
11
Similar al muestreo por conglomerados o áreas, se prefieren muchas áreas
pequeñas a pocas áreas grandes, por efecto intracorrelación, o correlación po-
sitiva intraconglomerados, esto puede aumentar los costos y el error o sesgo
de contorno.
Entonces, llamando
l : Largo de la transecta.
n : Número de animales observados.
12
n
1. D̂ = ; donde w̄ es el promedio de las distancias y 2w es el ancho
2lw̄
promedio de la faja.
n
2. D̂ = ¯; donde d¯ es el ancho promedio de la faja (método de King).
2ld
n
3. D̂ = ¯ ; donde α es el ángulo promedio y 2d¯sin α es el ancho
2ld sin α
promedio de la faja (método de Webbs).
En cualquiera de los casos, la abundancia (N) se estima como:
N̂ = AD̂
n
=A
2lw̄
X yi
= 2lw̄
i A
1
yi : Caracterı́stica de interés =
0
Este método es conocido como de Transecta de lı́neas y aquı́ se asume que
no todos los individuos serán vistos (observados) por el observador y que el
número de individuos vistos (u observados) se incrementará con la distancia
recorrida en la transecta. En esta técnica el observador debe recorrer la lı́nea
de transecta (l), contando los individuos (animales, arboles, etc) a ambos
lados de la lı́nea y registrando “sin error” di o wi cuando el individuo es
detectado.
Esta técnica de muestreo puede realizarse por tierra, mar o desde el aire.
Este tipo de muestreo por transectas de lı́nea exige ciertos criterios para
obtener estimaciones confiables de abundancia poblacional. Estos son:
1. Los individuos situados sobre la lı́nea nunca pueden dejar de ser vistos.
2. Los individuos no se mueven antes de ser detectados, las distancias son
medidas desde la ubicación inicial del individuo y no son contados más
de una vez.
3. Las distancias son medidas sin error.
4. La detección de un individuo es independiente de la detección de otro.
5. El comportamiento de respuesta de la población no cambia sustancial-
mente a lo largo de la transecta.
13
6. Los individuos son homogéneos respecto a su comportamiento de res-
puesta al observador, sin importar su sexo, edad, etc.
14
N̂ = AD̂
nA
=
k1 πw2
k1 es el número de lı́neas o transectas
Para que este método sea válido en el caso de animales, se debe estar
seguro que se encontrará cada individuo dentro de la faja y que su presencia
a lo largo de la transecta no afectará la presencia o ausencia de otro individuo.
N̂ = AD̂
nA
=
2Lw
n
X yi
= (1.4)
p
i=1 i
1 Si es de la especie 2Lw
con yi = y pi = → Proporcional al ta-
0 Caso contrario A
maño.
15
Donde A es el área del ámbito. Nuevamente, cuando se toma o selecciona
Xn1
varias transectas de ancho fijo w, se toma L = Li (como si se colocara
i=1
una transecta detrás de la otra) con Li la longitud o largo de cada transecta
seleccionada.
Error estándar
Para transectas de ancho fijo
n nA
D̂ = y N̂ = (1.5)
2wL 2wL
Mientras que para el caso circular
n nA
D̂ = y N̂ = . (1.6)
k1 πw2 k1 πw2
Los errores de estimación dependen de las cantidades
v
n u k1 2
u k1 X
2 nk n
Se = t L − (1.7)
L L2 (k1 − 1) k=1 k Lk L
Se Ln
e.e(D̂) = (1.9)
2w
y
n
Se k1
e.e(D̂) = (1.10)
πw2
En cualquiera de los casos
e.e(N̂ ) = Ae.e(D̂)
16
Intervalos de confianza pueden ser obtenidos asumiendo una distribución
Log-normal para D̂, ası́ un I.C.(95 %) es
!
D̂
, D̂C (1.11)
C
donde
n o
C = exp 1.96 × e.e loge D̂
y
s
2
e.e loge D̂ = loge 1 + Cve(D̂)
con
e.e(D̂)
Cve(D̂) =
D̂
Cuando n es pequeño es mejor usar el percentil t(k1 −1, 1− α2 ) .
ejemplo 1.6.1 En un estudio para determinar la abundancia de una cierta
especie de pájaros (robin) se realizó un muestreo por transectas, donde se
seleccionaron o marcaron 19 transectas y se contaba el número de aves de la
especie dentro de 70 metros de la lı́nea (w = 70 m). Los datos obtenidos son
los siguientes:
lı́nea: 1 2 3 4 5 6 7 8 9 10
Li =Longitud (m): 208 401 401 299 350 401 393 405 385 204
Número de aves: 2 5 9 2 6 4 2 2 1 0
lı́nea: 11 12 13 14 15 16 17 18 19 Total
Li =Longitud (m): 39 47 204 271 236 189 177 200 20 4830
Número de aves: 0 0 2 3 3 0 4 2 0 47
Entonces,
19
X
L= Li
i=1
= 4830 m
= 4.83 km
17
w = 70 m = 0.070 km y n = 47. Ası́,
47
D̂ =
2(0.070)(4.83)
= 69.51
∼
= 70 pajaros/km2
y
1.6887
e.e(D)
ˆ = = 12.02
2(0.070)
18
Esta técnica de muestreo ha sido empleada en muestreo forestales para
estimar la longitud total de hileras (arboles) en una región, también se ha
usado para evaluar el volumen, peso, numero de troncos en áreas de bosques.
Esta técnica también puede ser usada en problemas de vegetación asociando
objetos circulares tales como manchas o grupos de vegetación, a los que se
puede estimar cualquier caracterı́stica tales como su número, área total, bio-
masa, número de flores, frutos, insectos, etc.
i) Li ≤ w
19
1
L
2 i
P2i = 1 1
w π
2 2
2Li
= (1.13)
πw
Entonces la probabilidad buscada es:
Pi = P (M ∈ wL)P (Intersección/wL)
= P1i P2i
wL 2Li
=
A πw
2Li L
= (1.14)
Aπ
Asociando una aguja con un objeto circular en cuyo caso la probabilidad
de que la aguja insercepte la lı́nea central es donde di es el diametro del
circulo que corta L0 L00
wL
Pi 0 =
A
1
di
= 21
2
w
Ldi
= (1.15)
A
20
3. Media de la caracterı́stica y por objeto
N
X yi
ȳU = (1.18)
i=1
N
y1 , y2 , . . . , yi , . . . , yn
L1 , L2 , . . . , Li , . . . , Ln
Las observaciones yi y Li representan la caracterı́stica de interés y la lon-
gitud de la aguja en el i-ésimo objeto no circular interceptado por una lı́nea
aleatoriamente escogida en el área A.
21
θ θ̂ V (θ̂)
N n n 2
X yi π X yi π 2 X y i
ya = ŷa = t̂ya = V (ŷa ) =
i=1
A 2l i=1 Li 2l i=1
Li
N n n
2 X 2
X πA X yi 2 πA yi
y = ty yi = Aya ŷ = t̂yπ = Aŷa = V (ŷ) = A V (ŷa )
i=1
2l i=1 Li 2l i=1
Li
N n n 2
X yi X yi X yi − ỹs
N A Li Li
X yi i=1 i=1 i=1
ȳU = = N
ȳˆU = ỹs = n V (ỹs ) = n 2
i=1
N A
X 1 X 1
i=1
Li i=1
Li
Para yi = 1 ∀i = 1, 2, . . . , N , entonces
N̂ = Aŷa
n
πA X 1
= (1.20)
2L i=1 Li
Datos circulares
y1 , y2 , . . . , yi , . . . , yn
d1 , d2 , . . . , di , . . . , dn
donde las observaciones yi y di representa la caracterı́stica de interés y el
diámetro de i-ésimo objeto circular interceptado por una lı́nea aleatoriamen-
te escogida en el área A.
22
θ θ̂ V (θ̂)
N n n 2
X yi π X yi π 2 X y i
ya = ŷa = t̂ya = V (ŷa ) =
i=1
A 2l i=1 Li 2l i=1
Li
N n n
2 X 2
X πA X yi 2 πA yi
y = ty yi = Aya ŷ = t̂yπ = Aŷa = V (ŷ) = A V (ŷa )
i=1
2l i=1 Li 2l i=1
Li
N n n 2
X yi X yi X yi − ỹs
N A Li Li
X yi i=1 i=1 i=1
ȳU = = N
ȳˆU = ỹs = n V (ỹs ) = n 2
i=1
N A
X 1 X 1
i=1
Li i=1
Li
23
Lji (individuo i para la j-ésima lı́nea) de las agujas por los diámetros dji de
los objetos.
θ θ̂ V (θ̂)
k k
X
Lj (yja − ŷa )2
X
Lj yaj k X nj
j=1 π X yij j=1
ya = k
ŷa = k
V (ŷa ) = k
X X j=1 i=1
Lij X
Lj 2 Lj (k − 1) Lj
j=1 j=1 j=1
k k
X
Lj (ŷ0ja − ŷa0 )2
X
Lj y0ja nj
k X
j=1 π X yij j=1
ya0 = k
ŷa = Pk V (ŷa0 ) = k
X j=1 Lj j=1 i=1
dij X
Lj (k − 1) Lj
j=1 j=1
24