Ecología Marina

Metodologías de muestreo utilizadas en estudios marinos

La gama de objetivos y grados de dificultad de los problemas a resolver cuando se estudia el ecosistema marino es muy amplia y de diversa índole. Se necesitan metodologías de campo y laboratorio específicas de acuerdo con los objetivos que se persiguen, así como equipos y materiales de muestreo definidos. Sobre la base de los objetivos propuestos, el muestreo tiene que estar cuidadosamente planeado con un diseño acorde para que se pueda realizar una comprobación estadística de los resultados.

De acuerdo a la naturaleza de los objetivos, una investigación puede ser: Investigación exploratoria: Es considerada como el primer acercamiento científico a un problema. Se utiliza cuando éste aún no ha sido abordado o no ha sido suficientemente estudiado y las condiciones existentes no son aún determinantes. Investigación descriptiva: Se efectúa cuando se desea describir los hechos como son observados. Investigación correlacional: Es aquel tipo de estudio que persigue medir el grado de relación existente entre dos o más variables. Investigación explicativa: Trata de establecer relaciones causa-efecto. Es aquella que tiene relación causal, no sólo persigue describir o acercarse a un problema, sino que intenta encontrar las causas del mismo. Puede valerse de diseños experimentales y no experimentales.  Investigación experimental: El objetivo se centra en controlar el fenómeno a estudiar, emplea el razonamiento hipotético-deductivo. Emplea muestras representativas, diseño experimental como estrategia de control y metodología cuantitativa para analizar los datos.  Investigación predictiva: Se plantea predecir fenómenos o hechos basándose en datos anteriores y técnicas cuantitativas tales como regresión múltiple o análisis causal.

¿Qué es un muestreo? Es una herramienta de la investigación científica cuya función básica es determinar qué parte de una realidad en estudio debe examinarse con la finalidad de hacer inferencias sobre una población. Obtener una muestra adecuada significa lograr una versión simplificada de la población real, que reproduzca de algún modo sus rasgos básicos.  Se denomina error de muestreo al error que se comete debido al hecho de que se obtienen conclusiones sobre cierta realidad a partir de la observación de sólo una parte de ella.

La ubicación del sitio de muestreo dependerá del objetivo a cumplir. En primer lugar, podemos hacer dos grandes divisiones: en el campo, cuando la investigación se centra donde el fenómeno ocurre de manera natural -se busca conseguir que la situación sea lo más real posible-. O en el laboratorio, donde se consigue un ambiente controlado dado que el máximo objetivo es el control de las variables a estudiar. Esta guía se centrará en las actividades llevadas a campo.

Number of bins:

10 20 35 50

Muestreo Aleatorio Simple

Ventajas

• Sencillo
• Imparcial (igual probabilidad de inclusión)
• Requiere poco conocimiento previo de la población
• Howell et al. (2004) - produjo un “rango de valores estimados mucho más sensible, más preciso y mayor” que los modelos de las muestras subjetivas

Desventajas

• Ineficiente (requiere grandes números)
• Menor precisión
• Mayor coste
• Las muestras pueden no ser representativas de los atributos de las características
• Distribución espacial desigual (por ejemplo, en grupos)

Muestreo Sistematico

Ventajas

• Sencillo
• Estimaciones precisas
• Cobertura espacial uniforme
• Mayor eficacia

Desventajas

• Estimaciones sesgadas (especialmente la varianza de muestreo)
• Pueden perderse individuos que no coincidan con el intervalo de muestreo
• En tal caso, es necesario aumentar la densidad
• Utilidad limitada para áreas mayores que un solo campo
• La cuadrícula puede no ajustarse de forma óptima a formas irregulares

Muestreo Estratificado

Ventajas

• Más eficaz que el muestreo aleatorio simple
• Mayor precisión
• Menor coste
• El muestreo puede dimensionarse en función de la proporción o la varianza

Desventajas

• Requiere un conocimiento previo de la población (que puede ser erróneo)
• Si el muestreo es desigual, es necesario conocer las ponderaciones
• Puede ser necesario construir los estratos manualmente

Combinando Muestreo probabilistico con variables ambientales (VA)

Mostramo gráficos de densidad solapados para comparar las distribuciones en muetras grandes y pequeñas.

Actividad 1

En base a el gráfico dinámico que sigue aquí abajo

Ejercisio I

¿Cuáles son los métodos espaciales de muestreo probabilístico más utilizados en investigación?

This R Markdown document is made interactive using Shiny. Unlike the more traditional workflow of creating static reports, you can now create documents that allow your readers to change the assumptions underlying your analysis and see the results immediately.

To learn more, see Interactive Documents.

Inputs and Outputs

You can embed Shiny inputs and outputs in your document. Outputs are automatically updated whenever inputs change. This demonstrates how a standard R plot can be made interactive by wrapping it in the Shiny renderPlot function. The selectInput and sliderInput functions create the input widgets used to drive the plot.

Number of bins:

10 20 35 50

Bandwidth adjustment:

Embedded Application

It’s also possible to embed an entire Shiny application within an R Markdown document using the shinyAppDir function. This example embeds a Shiny application located in another directory:

Note the use of the height parameter to determine how much vertical space the embedded application should occupy.

You can also use the shinyApp function to define an application inline rather then in an external directory.

In all of R code chunks above the echo = FALSE attribute is used. This is to prevent the R code within the chunk from rendering in the document alongside the Shiny components.