You are on page 1of 28

¿QUÉ ES UNA VARIABLE DEPENDIENTE Y

UNA INDEPENDIENTE?
8/5/2013

234 Comentarios

Variable independiente: se conceptualiza como la causa (variable independiente) o razón del fenómeno a
investigar. En la imagen se puede apreciar; la inadecuada organización del tiempo, carencia de apoyo
académico, situación institucional e inoperantes instituciones educativas; traen como consecuencia (variable
dependiente); deserción escolar de los jugadores de futbol.

Otro Ejemplo: “Existe una falta de oportunidades de trabajo asociada a un bajo nivel educativo de los
ciudadanos que viven en algunos de los países en vías de desarrollo.(variable dependiente)”; es el efecto o
consecuencia que se genera en la manipulación de la variable independiente; “pobreza, elevados índices de
criminalidad y un mínimo desarrollo económico, son los efectos (variable independiente) del desempleo y los
bajos niveles educativos”.
20 EJEMPLOS FÁCILES DE

HIPÓTESIS
Se reconoce como hipótesis, en el proceso de investigación científica, a la idea que se
plantea y se propone ser comprobada mediante la experimentación. La hipótesis
es uno de los primeros momentos del proceso creativo del cientista, pero es también el más
importante: es el eje sobre el cual se direcciona el proceso investigativo, y por lo tanto sin él
sería imposible consagrar un buen investigador.

Por supuesto que también una correcta experimentación es indispensable para obtener
buenos resultados, pero quien no posee los conocimientos (y la experiencia, fundamental
para esta cuestión) como para elaborar buenas hipótesis, difícilmente sea un distinguido
científico.

Características de la hipótesis

 La epistemología de la ciencia se ha puesto de acuerdo en que todas las hipótesis son


vínculos entre dos elementos: A y B. Podrá tratarse de un par de unidades, o bien de una unidad y
un grupo. La hipótesisestablece una posible relación entre esos dos elementos, o bien algo que le
sucede a uno a partir de algo que le sucede al otro.

 La relación dada por la hipótesis debe cumplir la condición de ser verosímil, de modo tal que
la secuencia de experimentos no pueda producir una relación que en realidad no es verdadera. La
hipótesis será verdadera en la medida que se cumpla, y será conocimiento científico si puede
generalizarse para todo momento y lugar, explicitados los supuestos o las condiciones de aplicación.

Pasos para el correcto planteo de una hipótesis

1. Definir el tema en forma detallada.

2. Elaborar una pregunta investigativa.

3. Pulir la pregunta con el objeto de limitar toda pretensión subjetiva.


4. Acceder a una primera lectura con suficiente detalle como para formular del todo la
hipótesis.

5. Escribirla, de modo tal de tener determinado el alcance de la hipótesis.

También se conoce como hipótesis a cualquier clase de conjetura, más allá de si la


comprobación fuera de carácter investigativo y experimental o bien se trate simplemente de
una idea, cuyo desconocimiento certero sea por la imposibilidad de conocer debido a
cualquier circunstancia: cualquier planteo que se hace sobre la base de una situación de la
cual no hay certezas, se considera un planteo hipotético.

Así las cosas, la siguiente lista incluirá veinte ejemplos de hipótesis. Las primeras diez serán
hipótesis de carácter científico, mientras que las segundas serán conjeturas habituales que se
plantean como hipótesis.

Ejemplos de hipótesis de carácter científico

1. El consumo de tabaco en los primeros años de la adolescencia es cuatro veces más


nocivo que en la adultez.

2. Las sociedades con menos conflictividad social, son al mismo tiempo las sociedades con
mayor tendencia al suicido y la depresión.

3. Los automóviles de la actualidad consumen 20% más de energía que los de hace veinte
años.

4. Al aumentar la altitud, la temperatura ambiente disminuye.

5. El aluminio tiene una temperatura de fusión de 660°C.

6. Cualquier proceso de nutrición autótrofa también tendrá fotosíntesis.

7. La suma de los cuadrados de los catetos es igual al cuadrado de la hipotenusa.

8. Los sistemas políticos más estables son los que tienen gobernantes más duros y rígidos.
9. Una reducción de los subsidios generará una contracción económica del 4%.

10. Un cuerpo total o parcialmente sumergido en un fluido estático, será empujado con una
fuerza igual al peso del volumen de fluido desplazado por dicho objeto.

Ejemplos de hipótesis generales y cotidianas

11. Mi hipótesis es que me está engañando con su profesora de teatro.

12. Muchos guitarristas son buenos, pero no creo que nadie toque tan rápido como lo hizo él.

13. Cuando aumente el nivel de conflictividad social, sus propagandas ya no servirán.

14. Si pongo mucho esfuerzo, podré comprar un nuevo auto.

15. Debido a la lluvia, seguramente en el baile de hoy no vendamos muchas entradas.

16. Creemos que usted es insolvente, así que no le podemos prestar más dinero.

17. La fiscalía cree que el cocinero envenenó a la ex esposa, aplicándole una destructiva
solución en su té de la tarde.

18. El tren no está pasando más, seguro no pasará hasta la próxima campaña política.

19. Sospecho que solo vienes a visitarme cuando necesitas algo.

20. No veo a mi gata hace meses, mi hipótesis es que se ha perdido por el vecindario.

La hipótesis de dos o más variables con una relación asociativa, es una


hipótesis que tiene una relación con el ejemplo que se coloca, pero al existir algún
cambio la variación afecta directamente el sentido del ejemplo aunque éste ejemplo
no tenga nada que ver con la idea principal.

Así, al cambiar el concepto principal puede cambiar el concepto secundario aunque


nada los ligue.

Por ser una hipótesis se puede considerar como parte del método científico, pero la
hipótesis cambia dependiendo de la premisa inicial, su concepto y el manejo que de
él se de.

Ejemplo de hipótesis de dos o más variables con una relación


asociativa:
1. Si sigues comiendo chocolates, menos posibilidad de lograr adelgazar tendrás.

2. Comiendo mucha azúcar, posiblemente llegues a la diabetes.

3. Al mayor alza del costo de la vida, menos compraras tu casa

4. Cuanto más libre es la juventud, menos posibilidades hay de que la Sociedad


mejore.

5. Cuanto más disciplinada sea la juventud, nadie caerá en drogadicción y


depravación.

6. Con tanta experiencia, es claro que siempre ve la vida con seriedad.

7. Si quieres una figura sana, comer malteadas no ayudará.

8. Si estudio medicina como carrera, el promedio de vida de muchos aumentará.

9. Si ayudo a un asilo de mascotas, pueden recoger a los perros callejeros.

10. Si termino mi universidad, conseguiré un trabajo lucrativo.

11. Por el mal manejo del erario y alza del precio de los vehículos, la gente pobre no
tendrá un vehículo nuevo.

12. Con e l café de grano, puedo trabajar mejor y ganar más.

13. Con una mascota felina, los ratones dejarán de consumir mis quesos.

14. Una mala administración pública, ayuda a que el pueblo caiga más.
15. En un computador nuevo, la velocidad del internet ayudará en mi trabajo.

16. Ante más costo en la vida diaria, menos apoyo habrá para los gobernantes.

17. Cuanto más eleve el precio del alimento, menos probable será que tengas un
automóvil.

18. Por lo elevado de la renta, la guitarra quedará descartada.

19. Por los zapatos tenis que comprarán, es mejor en sus entrenamientos.

20. Si quieres bajar de peso, hacer ejercicio y dejar de tomar malteadas es un buen
inicio.

21. Al comprar el rancho y adecuarlo, los caballos tendrán un excelente modo de


vida.

22. Trabajando con la guitarra, compraré una casa nueva.

23. Buena música y meditación, consiguen una sociedad calmada, limpia y sobria.

24. Un hombre siempre se distingue por su vestimenta, lo que hace que tu traje gris
sea muy importante.

25. La caída del cabello es natural, el cepillo tiene mucha ayuda en su cuidado.

26. Un buen cuaderno y una buena pluma, son lo necesario para un buen estudio.

27. Un buen oído el de él, la guitarra estará a tono hoy.

28. Ricardo sustrajo todo lo que pudo, la confianza familiar desapareció.

29. Daniel vendió la camioneta, no podemos dejarle más a su alcance.

30. Abelardo saco el dinero, sus finanzas son dudosas.

3. INCERTIDUMBRE Y RIESGO
3.1 Tipos de incertidumbre
3.2 Estimación de la incertidumbre y del riesgo
3.3 Asesoramiento a los administradores sobre incertidumbre y riesgo

La incertidumbre, tal como se definió en la Consulta Técnica sobre el Enfoque Precautorio en


Pesquerías (CTEP), es "la imperfección en el conocimiento sobre el estado o los procesos de la
naturaleza" (FAO/Gobierno de Suecia, 1995). La incertidumbre estadística es "la aleatoridad o el
error proveniente de varias fuentes como las descritas al usar la metodología estadística". La CTEP
define el riesgo como "la probabilidad de que pase algo malo." Note que en términos de teoría de
decisiones, el riesgo es definido como las pérdidas promedio o las pérdidas que se pronostican
cuando algo malo sucede.

Claramente, cuando las decisiones de ordenación van a basarse en estimados cuantitativos,


provenientes de los modelos de evaluación pesquera, es deseable que la incertidumbre sea
cuantificada y utilizada para calcular la probabilidad de lograr el objetivo deseado y/o de incurrir en
eventos indeseables. El proceso de comunicar este riesgo a los que toman las decisiones está aún
en sus primeros estados de desarrollo y presenta retos sustanciales, tanto a los técnicos pesqueros
como a los administradores. Por otro lado, los administradores pesqueros y los participantes en la
pesquería deben desarrollar medios para evaluar objetivamente los costos potenciales de los
eventos indeseables y definir los niveles de riesgo aceptables y de capturas a corto plazo que
puedan contribuir a reducir estos riesgos.

Cuando se proponen medidas de ordenación, es deseable la evaluación de los costos esperados y


de aquellos eventos indeseables que pueden resultar de una acción particular (Beddington, 1978;
Francis, 1991). Mientras que en el pasado esta práctica ha sido rara, en los últimos años algunos
fracasos en la ordenación de poblaciones bien estudiadas ha transformado a este asunto en una
prioridad científica. Recientemente, se han desarrollado varios talleres en donde se ha enfocado la
evaluación del riesgo en la ordenación pesquera (SEPSC, 1991; NAFO, 1991; Anon., 1992; Smith et
al, 1993; Kruze et al., 1993; FAO/Gobierno de Suecia, 1995).

3.1 Tipos de incertidumbre

3.1.1 Incertidumbre debida a errores de medición y sesgo


3.1.2 Incertidumbre en el proceso
3.1.3 Incertidumbre en el modelo
3.1.4 Incertidumbre en la estimación
3.1.5 Incertidumbre en la implementación

Hay varias fuentes de incertidumbre en el cálculo de los puntos de referencia y en la evaluación del
estado de las poblaciones con respecto a estos puntos de referencia. Cinco tipos de incertidumbre,
que emergen de un conocimiento impreciso del estado de la naturaleza, son (Rosenberg y Restrepo,
1992):
- Incertidumbre en la medición, es el error en las cantidades observadas tales como la captura o los
parámetros biológicos;

- Incertidumbre en el proceso, es la aleatoridad subyacente en la dinámica poblacional tal como la


variabilidad en el reclutamiento;

- Incertidumbre en el modelo, es la especificación errónea de la estructura del modelo;

- Incertidumbre en la estimación, es la que puede resultar de cualquiera, o de una combinación, de


las incertidumbres descritas anteriormente y es la inexactitud e imprecisión en la abundancia o en la
tasa de mortalidad por pesca;

- Incertidumbre en la implementación, es la consecuencia de la variabilidad que resulta de una


política de ordenación, i.e. incapacidad para alcanzar exactamente el objetivo de una estrategia de
captura.

Noté que las fuentes de incertidumbre incluyen no sólo el error estadístico en detectar el estado de la
población y las tendencias ambientales, o a los errores en el análisis poblacional, sino también a las
decisiones erróneas y un marco de ordenación ineficiente; asuntos que se tratan posteriormente en
este trabajo.

3.1.1 Incertidumbre debida a errores de medición y sesgo

Las fuentes potenciales de variabilidad en los datos de pesquerías comerciales comúnmente


disponibles -captura, esfuerzo de pesca y muestras biológicas de la captura por tamaños,
determinación de edades y de madurez- han sido el interés de los estadísticos pesqueros y de los
científicos encargados de las evaluaciones por varias décadas (Doubleday y Rivard, 1983, Reporte
del Grupo de Trabajo de Evaluaciones del ICES). Ahora, estas fuentes son relativamente bien
conocidas y cuantificadas. Donde se utilizan cruceros de muestreo hay problemas estadísticos
estándares relacionados con el tamaño y la representatividad de las muestras. Sin embargo, la
dificultad para contabilizar los descartes continua sesgando las estadísticas de desembarque de
muchas pesquerías (Alverson et al., 1994). En las bitácoras y sistemas de reporte existen a menudo
reportes erróneos y, al cuantificar el esfuerzo, a menudo existen incrementos ocultos en el poder de
pesca de las embarcaciones debido al aprendizaje de los pescadores y a los cambios tecnológicos.

Mientras que una prospección de pesca, con una embarcación estándar y un diseño aleatorizado,
puede proporcionar estimaciones objetivas o un índice del tamaño de la población que son menos
propensos a riesgos que los datos de captura, las estimaciones resultantes de la prospección
también tienen una varianza significativa (Doubleday y Rivard, 1981). La varianza asociada con las
prospecciones acústicas es también considerable (Simmonds et al., 1992) La tabla 4 incluye algunas
estimaciones del rango de errores probables en algunas de las variables poblacionales para
poblaciones de peces bien estudiadas.

3.1.2 Incertidumbre en el proceso

La variabilidad natural asociada a los sistemas de producción de peces puede ser enorme. La
variabilidad ambiental, la fuente más grande de errores en el proceso, usualmente se manifiesta
como variabilidad en el reclutamiento (Hennemuth et al., 1980). En poblaciones de vida corta, esto
puede resultar en fluctuaciones dramáticas en la biomasa de los adultos (Lluch-Belda et al., 1989)
Aunque pueden haber relaciones y patrones que pueden modelarse estadísticamente para
proporcionar alguna explicación de eventos anteriores, ha habido poco éxito en predecir, con
suficiente anticipación, las condiciones ambientales o las respuestas de las poblaciones de peces y
que sean útiles para la ordenación (Walters y Collie, 1988). De esta manera, a menudo la variabilidad
ambiental se considera completamente estocástica y, usualmente, el enfoque más apropiado es
medir directamente sus efectos sobre las poblaciones de peces mediante prospecciones de los pre-
reclutas (Bradford, 1992).

Además de la variabilidad a una escala de tiempo inter-anual, también hay cambios ambientales que
abarcan décadas e incluso sobre escalas de tiempo más largas, las cuales afecten la abundancia de
la población, su distribución y localización en formas que son difíciles de medir y mucho menos de
predecir (Murawski, 1993)

Generalmente se acepta que las poblaciones de peces llegan a ser más susceptibles a la variabilidad
ambiental en la medida en que se incrementa la explotación. De esta forma, hay un efecto directo de
la ordenación en la incertidumbre y la reducción de la incertidumbre puede ser, en si misma, un
objetivo de la ordenación.

3.1.3 Incertidumbre en el modelo

Los errores de los modelos raramente son evaluados, debido a que los datos requeridos para
distinguir entre los diferentes modelos no están disponibles. Los estudios sobre el desempeño
relativo de varias formulaciones de modelos, e.g. los modelos de producción de Schaeffer y Fox,
sugieren que éstos pueden proporcionar resultados sustancialmente diferentes usando el mismo
conjunto de datos. De hecho, el mismo modelo puede dar resultados bastante distintos dependiendo
de la estructura de error asumida (Polancheck et al., 1993). Otros ejemplos de errores potenciales en
los modelos de evaluación de poblaciones incluyen los modelos utilizados para calibrar índices de
abundancia (e.g. ajuste o sintonización del APV), el uso de valores convencionales constantes para
la mortalidad natural y el establecimiento de valores de F para los peces jóvenes como una función
de estos propios valores en los individuos más viejos.

El error en el modelo puede examinarse, en algún grado, utilizando varios modelos para evaluar el
mismo recurso aunque, en la práctica, los datos y experiencia requeridos para un enfoque de
multimodelos raramente existen. Sin embargo, en aquellos casos en que se ha intentado, a menudo
se han encontrado diferencias sustanciales, por ejemplo, en el caso del atún de aleta azul del
Atlántico Occidental, tres métodos dieron estimados del MRS de 3942, 5530 y 6755 tm/año (ICCAT,
1994).

3.1.4 Incertidumbre en la estimación

Debido a la naturaleza secuencial de las evaluaciones, los errores en la estimación ocurren en varias
etapas y se propagan a través del proceso. Ellos pueden verse como el resultado combinado de los
tres tipos de errores bosquejados anteriormente. Aunque en el pasado, los estimados explícitos de la
exactitud eran raros, ahora han llegado a ser más comunes en la literatura. En la tabla 4 se
presentan algunos estimados del orden probable del error para las cantidades comúnmente
utilizadas en la evaluación del estado de las poblaciones de pesquerías costeras. La generalidad de
estos ejemplos puede ser cuestionable, pero probablemente están subestimadas en el caso de las
poblaciones de peces pelágicos y grandes pelágicos.
Los intentos para cuantificar los errores en la estimación utilizan la variabilidad estimada en los
valores de los parámetros medidos. Es importante notar, sin embargo, que varios procedimientos
utilizan entradas asumidas o sin mediciones, para las cuales no hay información sobre la variabilidad.
El más significativo de estos parámetros de entrada asumidos es la mortalidad natural, la cual
raramente se mide o es fácilmente medible. Un análisis reciente del eglefino en tres subáreas del
Mar del Norte proporcionó estimaciones de M que varían desde 0.37 hasta 0.53, considerablemente
más altos que el valor convencional de 0.2 que se utiliza para las poblaciones demersales del
Atlántico Norte (Jones y Shanks, 1990).

La mayoría de las evaluaciones de poblaciones y de los cálculos de puntos de referencia objetivos


involucran una secuencia de análisis complejos. Inevitablemente, en cada etapa hay decisiones que
tomar las cuales pueden afectar significativamente el resultado del análisis. En ausencia de una
metodología que pueda proporcionar una solución única, muchos sistemas de ordenación adoptan
un enfoque de comité, en el cual el resultado, a menudo, es alcanzado por consenso. Para algunos
tipos de evaluación, notablemente las evaluaciones APV-basadas, este problema ha sido abordado
mediante la automatización del procedimiento (Gavaris, 1988; Conser y Powers, 1990).

Los errores en la estimación que resultan de sesgos o de tendencias en las variables de entrada
pueden ser muy difíciles de detectar o de describir. Un ejemplo dramático es el error sistemático en la
estimación de la abundancia poblacional utilizando métodos de análisis secuencial de poblaciones
(análisis de población virtual y análisis de cohortes). Estos errores solamente fueron detectados
cuando los científicos realizaron un análisis retrospectivo, varios años después de que los estimados
poblacionales habían sido utilizados para suministrar asesoría para la ordenación. Esto sólo pudo
hacerse mediante la comparación de los estimados poblacionales para cohortes que hubieran
pasado casi completamente a través de la pesquería (cohortes para las cuales los análisis
secuenciales de poblaciones, ASP, convergieron y para los cuales los estimados son poco afectados
por los valores de entrada de F para los años más recientes), con las estimaciones de aquellas
cohortes en el momento en que acababan de entrar a la pesquería. Fueron detectadas diferencias
sustanciales entre las dos estimaciones, algunas veces diferencias de un orden de magnitud o más.

Debido a la complejidad del proceso de evaluación, las causas de las diferencias encontradas por el
análisis retrospectivo fueron extremadamente difíciles de evaluar y, todavía, no están bien
comprendidas. Estas se han atribuido indistintamente a reportes erróneos de capturas, a tendencias
en la capturabilidad, al supuesto de una mortalidad natural constante a través de todos los grupos de
edad y a los supuestos concernientes al reclutamiento parcial (la susceptibilidad a la explotación) a
diferentes edades (Sinclair et al., 1990; Parma, 1993). Sinclair et al. (1990) concluyó que "los
estimados del tamaño de la población a partir de la convergencia del ASP no necesariamente
representan el verdadero tamaño de la población para aquellos años", dejando así dudas
considerables en cuanto a la validez de una metodología que ha sido una piedra angular en la
evaluación de poblaciones en muchas partes desarrolladas del mundo.

Los valores de la tabla 4 muestran claramente que el tamaño actual de la población y la mortalidad
por pesca se conocen con una precisión relativamente baja para la mayor parte de las pesquerías,
aunque con los análisis retrospectivos, particularmente el APV, las estimaciones anteriores pueden
mejorarse algo. La captura total puede parecer una cantidad conocida con una precisión más alta
que otras variables, pero a menudo sufre de sesgos altos o desconocidos debido a los descartes y a
los reportes erróneos, particularmente si la ordenación es a través de cuotas. Las estimaciones de la
biomasa mediante prospecciones tienen, típicamente, una alta varianza, pero pueden estar menos
sesgados y mejorarse con mayor investigación. En todos los casos, la magnitud relativa del cambio
de año a año será conocida con mejor precisión que el valor absoluto.
"EN AUSENCIA DE INFORMACION PRECISA, PUEDE SER NECESARIO ESTABLECER OBJETIVOS
SENSATAMENTE PRUDENTES"

Anon., 1991

Hasta la fecha, el interés ha estado en la cuantifícación de la incertidumbre asociada con las


estimaciones del estado de la población. Los puntos de Referencia se ven frecuentemente como
valores puntuales. El problema será probablemente más severo cuando el estado y los valores
objetivos se estimen utilizando diferentes modelos y/o datos. En última instancia, los científicos
pesqueros necesitarán ampliar sus enfoques para tomar en cuenta la incertidumbre conjunta de las
estimaciones del estado de la población y de los puntos de referencia y, si es posible, de las
interacciones en el proceso de estimación.

3.1.5 Incertidumbre en la implementación

El error en la implementación usualmente se considera fuera del componente científico de la


ordenación pesquera y, aunque es muy evidente, ha sido poco estudiado (O'Boyle, 1993). Este error
está ligado, principalmente, a la falla en el control de la explotación por cualesquiera de las medidas
de MCV (monitoreo, control y vigilancia) que hayan sido adoptadas. Las razones son muchas y están
interrelacionadas, por ejemplo, una pobre vigilancia y control; falta de preocupación por parte de la
administración de justicia cuando los casos son oídos; fallas de los participantes en el apoyo a las
medidas debido a la falta de oportunidad de participación durante su desarrollo o por simples
desacuerdos con las medidas que se han establecido.

En los sistemas de ordenación basados primariamente en una asesoría generada a partir de


evaluaciones biológicas, la falla al incorporar información no biológica, o su incorporación incorrecta,
también contribuye al error en la implementación. Frecuentemente, estos problemas pueden ser
conocidos por los administradores y sus asesores técnicos, pero puede ser imposible cuantificar la
incertidumbre, excepto de manera retrospectiva.

Un taller para revisar la ordenación de las poblaciones de peces demersales de la Plataforma de


Nueva Escocia en el este de Canadá, desde 1977 a 1993, concluyó que el error en la
implementación fue la causa principal de la falla para conservar las poblaciones (Angel et al., 1994).
El Taller notó que "En suma, el enfoque táctico seleccionado para controlar la mortalidad por pesca
generó un comportamiento ilegal que no fue controlado por el régimen de control disponible".

Los aspectos institucionales del error en la en la implementación serán considerados en mayor


detalle en la Sección 4.

3.2 Estimación de la incertidumbre y del riesgo


El enfoque más común para estimar el efecto de la variabilidad sobre los resultados de los modelos
que utilizan una variedad de parámetros de entrada, es una simulación de la propagación de los
errores, en la cual se permite variar los parámetros de entrada y la variabilidad de los resultados del
modelo se describe en términos probabilísticos. Los dos enfoques metodológicos más comúnmente
utilizados para la propagación de errores son las simulaciones de Monte Carlo y las técnicas de
remuestreo tales como la del "bootstrapping". La simulación de Monte Carlo es la replicación de un
procedimiento con datos de entrada o parámetros extraídos aleatoriamente a partir de una
distribución paramétrica (a menudo referida como bootstrap paramétrico). Las técnicas de
remuestreo involucran la replicación de un procedimiento utilizando datos de entrada obtenidos por
muéstreos a partir de observaciones empíricas (Manly, 1991). Smith et al. (1993) proporcionan una
visión general del enfoque de "bootstrap" para identificar y cuantificar las incertidumbres asociadas a
los puntos de referencias. Estos procedimientos proporcionan estimaciones de la función de
densidad probabilística (FDP) para los resultados, la cual puede ser mostrada de diferentes maneras
(Fig. 12).

La simulación de Monte Carlo requiere de más estadística que la técnica de "bootstrap", ya que
requiere conocer la distribución del error de los parámetros de entrada. Rice (1993) sugiere que los
métodos de estimación de la densidad no-paramétricos (Silverman, 1986) también pueden ser
aplicables, particularmente en los casos donde hay dudas sobre el grado en que los modelos
especifican erróneamente la relación funcional entre pares de variables históricas, e.g. entre la
biomasa de la población desovante y el reclutamiento.

La información sobre la variabilidad en las entradas de los modelos ha sido utilizada para evaluar el
riesgo de dos maneras. Primero, ha sido utilizada para simular la respuesta de la población a varias
estrategias de explotación, con el propósito de comparar enfoques de ordenación a largo plazo
(Ruppert et al., 1985). Segundo, ha sido utilizada para estimar la probabilidad de estar en, o cerca
de, un punto objetivo en un determinado año y, a la luz de esto, estimar la probabilidad de exceder
algún límite o umbral indeseable (Mohn, 1993). El último uso ha sido el foco de atención más reciente
en la ordenación pesquera.

Para asesorar sobre el riesgo, es necesario ir más allá de la probabilidad de ocurrencia de eventos
particulares y cuantificar el grado en que estos eventos son indeseables, esto es, el costo o el
impacto del evento. Esto requiere que la relación entre los resultados específicos y la consecuente
pérdida de beneficios sean especificadas (Anon., 1992). Un incremento de las capturas está
acompañado de una reducción en la biomasa en las pesquerías y tiene asociado riesgos de
variabilidad y de colapso de la población. El enfoque más simple de riesgo es, usual mente, "Cuánta
captura puede obtenerse sin reducir la población al punto dónde ésta pueda fluctuar
inaceptablemente y/o sea incapaz de reponerse por sí misma por debajo de un 10 % (o incluso más
alto)". Hay muchas otras preguntas con relación al riesgo, de la misma forma que hay objetivos de
ordenación, o combinaciones de objetivos de ordenación. En la medida en que la cuantificación del
riesgo y la aplicación de la teoría de decisiones basada en los riesgos llegue a estar más
formalmente incorporada dentro de la ordenación pesquera, el concepto inevitablemente será
aplicado a asuntos económicos y sociales más complejos.

En el presente, uno de los principales impedimentos para la evaluación y uso del riesgo en el
suministro de asesoría para la ordenación, ha sido la definición formal de "seguro" (riesgo aceptable).
Claramente, éste debiera ser específico para cada pesquería. Sin embargo, algunas
generalizaciones precautorias son deseables. Por ejemplo, aunque el riesgo está incluido en la base
conceptual de la ordenación de las Pesquerías de Nueva Zelandia, éste no ha sido formalmente
definido. Francis (1993) propone una definición en la cual el nivel de captura debiera ser considerado
seguro si mantiene la biomasa de la población desovante por encima del 20 % del nivel de la
población virgen, al menos el 90 % de las veces. Las definiciones de riesgo aceptable serán
generalmente expresadas en términos como los discutidos hasta ahora, que niveles de riesgo debajo
de un 10 % (o incluso mayores) estarán justificados por los datos disponibles.
Figura 12: Tres maneras de mostrar la información sobre la incertidumbre utilizando una
distribución de probabilidades: (a) la Función de Densidad Probabilística es más apropiada
cuando la preocupación principal es la posibilidad de alcanzar un objetivo; (b,c) la
probabilidad de supervivencia y las Distribuciones de Probabilidades Acumulativas, son más
apropiadas cuando la preocupación principal es evitar un PRL superior e inferior,
respectivamente.

Se pueden identificar dos categorías de riesgos: el riesgo de no lograr un PRO y el riesgo de exceder
un PRL (Mace, 1994). Los costos de no alcanzar un PRO usualmente están definidos en términos de
la reducción o interrupción en el corto-plazo del flujo de beneficios para los participantes en la
pesquería y para los consumidores, aún cuando esto pueda resultar en ganancias netas en el largo
plazo. Esto también puede ser balanceado por un aumento de los precios en el mercado como
resultado de una reducción en la oferta. Para especies con una mortalidad natural baja, la mayor
parte de la biomasa no capturada en un año puede estar disponible el año siguiente. Para especies
con una alta mortalidad natural, la biomasa que no se pesca hará una contribución, a través de la
depredación, a otros componentes, posiblemente valiosos desde el punto de vista comercial, de la
trama trófica.

Los costos de exceder un PRL son mucho más serios y han sido discutidos anteriormente y pueden ir
desde una disminución al colapso de las poblaciones, impactos sobre las especies asociadas y
desestabilización de los ecosistemas y pérdidas de los ingresos a largo plazo, incluyendo impactos
intergeneracionales. Si la condición para una captura segura sólo puede lograrse mediante gastos en
la investigación, ordenación y control que excedan la renta neta que probablemente proporcione el
recurso, debieran considerarse otros enfoques de ordenación menos costosos, tales como capturas
intermitentes (pesca en pulsos o selectiva) bajo una estrecha supervisión, o la rotación de la pesca
entre las áreas de pesca. Consistente con las dos categorías de riesgo descritas anteriormente, hay
dos tipos de errores de ordenación que pueden surgir debido a la incertidumbre sobre el estado
actual de la población (Rosenberg y Restrepo, 1995). Los términos errores de Tipo I y de Tipo II han
sido adoptados del mismo modo en que se usan en la estadística convencional. El error de Tipo I
ocurre cuando los científicos asesoran erróneamente a los administradores de que se está
produciendo una sobrepesca. El error de Tipo II ocurre cuando los científicos erróneamente
concluyen que la población está subexplotada. Como se indicó anteriormente, las consecuencias de
un sesgo hacia errores de Tipo II son más serias que los sesgos hacia errores de Tipo I.

Un marco de ordenación que invoque a acciones prefijadas cuando uno o más PRLs (ya sean
cuantitativos o cualitativos) han sido excedidos es, en efecto, un enfoque precautorio. Un contexto
para este enfoque es análogo a un termostato (Die y Caddy, en prensa): la pesquería que opera bajo
un estricto control del acceso, no está sujeta a un objetivo de captura o de limitación, pero una vez
que uno, o una serie de PRLs, muestra evidencia de sobrexplotación, se pone en práctica una acción
de ordenación pre-establecida para reducir el esfuerzo de la flota. Esto es mantenido o reforzado
hasta que el recurso se recupera a un nivel pre-acordado, cuando la tasa de explotación puede ser
incrementada ligeramente.

También pueden haber riesgos debidos a interacciones biológicas no previstas, que van más allá del
ámbito de control de la ordenación, pero que a pesar de esto afectan a la pesquería. Por ejemplo, la
invasión de aguas Noruegas por focas "arpas", para las que se estimó que, en 1987 y 1988,
consumieron 325,000 ± 75,000 t de bacalao y pescadilla, produjeron una disminución súbita en las
clases de edad de tres años (Ugland et al., 1993). Tales eventos biológicos y ambientales, aunque no
necesariamente son causados por la pesca, necesitan ser pronosticados cuando sea posible,
monitoreados y tomados en cuenta en relación a cualquier PRL biomasa-basado.
3.3 Asesoramiento a los administradores sobre incertidumbre y riesgo
No hay métodos estándares para comunicar la incertidumbre y el riesgo a los que adoptan las
decisiones sobre pesquerías (Rosenberg y Restrepo, en prensa). Las estadísticas básicas
proporcionan una variedad de medios de comunicar la variabilidad, los que pueden ser utilizados
para indicar la incertidumbre asociada a una estimación en particular, o para indicar la probabilidad
de ocurrencia de un evento indeseable. Las funciones de densidad probabilística se usan más
frecuentemente para comunicar la variabilidad asociada a una media cuando las observaciones
están normalmente distribuidas. Para propósitos de ordenación pesquera, las probabilidades
acumulativas o distribuciones de supervivencia acumuladas pueden ser más útiles cuando el
propósito es estimar la probabilidad de evitar el límite superior e inferior (Fig. 12). Los métodos no-
paramétricos basados en percentiles y cuartiles y el uso de "box plots" pueden ser más apropiados
cuando las distribuciones están sesgadas.

El método para comunicar la incertidumbre y el riesgo a los administradores dependerá de su nivel


de sofisticación técnica. En situaciones de muchos países en desarrollo, será importante relacionar la
incertidumbre con características de la pesquería que son bien conocidas, e.g. una cantidad de
captura en lugar de un nivel de F. Una simple presentación gráfica fue utilizada para los peces
voladores en el Caribe oriental como un medio de comunicar las tendencias en las capturas, las
tasas de captura, su variabilidad y la probabilidad creciente de eventos indeseables cuando se
incrementaba la F (Fig. 13).

Para muchas poblaciones valiosas, los intentos de cuantificar la incertidumbre y el riesgo estarán
justificados. Para la pesquería de bacalao del norte en Terranova y Labrador, Restrepo et al. (1992)
utilizaron el enfoque de Monte Carlo para investigar los riesgos asociados con la ordenación por
cuotas. Utilizando 1000 corridas de simulación ellos encontraron que, si al final de 1990 nosotros
deseamos obtener F1991 = F1990, los estimados de cuotas para 1991, cuando todos los elementos
conocidos de incertidumbre fueron introducidos en el modelo, podrían estar en el orden de 170,000-
260 000 t. Tal tipo de simulación proporciona la base para evaluar el riesgo de cualquier cuota. De
esta manera, ellos notaron que incrementando en 5 000 t la cuota de 210,000 t, se doblaba el riesgo
de exceder F1990. (Incidentalmente, hay un interés particular en revisar esta evaluación particular del
riesgo después del colapso y el cierre de esta pesquería de bacalao en los últimos años).

Hilborn y Peterman (1995), recomendaron que los científicos eviten presentar simplemente un
espectro de valores. Ellos plantean que la asesoría debería tratar tanto con las consecuencias de las
hipótesis alternativas como con las acciones alternativas. Ellos sugieren que en lugar de decir que "la
captura sostenible puede estar entre 5 y 100 tm, con nuestro mejor estimado de 75 tm", se lograría
una discusión mucho mejor informada si se presenta en la siguiente forma "hay una probabilidad del
40 % de capturar 50 tm/año por los próximos 20 años, una probabilidad del 50 % de capturar 75
tm/año y una probabilidad del 10 % de capturar 100 tm/año."

El interés actual acerca de la cuantificación de la incertidumbre y del riesgo requiere una


considerable cantidad de información y experiencia. Es importante para los administradores y
asesores pesqueros notar que una visión subjetiva del riesgo, basada en la experiencia de los
participantes, también puede ser aplicada en la ordenación. La mayoría de los pescadores y
administradores informados estarían de acuerdo en que hay un riesgo inaceptablemente alto de que
la pesca sin control de las agrupaciones reproductivas del mero conduzca a la extinción de las
mismas y que el acceso a las agregaciones debería estar controlado. No se requiere la evaluación de
una población particular para una acción de ordenación. Los datos para estimar un escape óptimo
pueden no estar disponibles ni que tampoco sea percibido como económicamente viable, debido a la
tasa de descuento, adquirir y analizar los datos, pero la sustentabilidad puede lograrse limitando el
acceso.

Figura 13: Un resumen de las características de la pesquería de peces voladores del Caribe
oriental, basada en una simulación stock-reclutamiento, indicando el riesgo de ocurrencia de
eventos indeseados, asociados al incremento de los niveles de explotación. Estos incluyen la
variabilidad en la captura y, por inferencia, en la tasa de captura y la probabilidad de años con
"capturas críticamente bajas", definidas como capturas anuales < 30 % del valor actual
promedio y "colapso", definido como capturas críticamente bajas durante cuatro o más años
consecutivos (Mahon, 1989).

Procesamiento de la información: tablas y gráficos

Formas de recopilar, organizar, procesar e interpretar datos en tablas y


gráficos
Recopilar y procesar datos se ha convertido en una necesidad imperiosa en la actualidad.
Conocerlos e interpretarlos le permite al hombre de hoy descubrir, prevenir, informar o
predecir el comportamiento de diferentes sucesos o fenómenos propios de la naturaleza,
del entorno social o incluso del pensamiento.

En cualquier caso, disponer en una tabla los datos obtenidos nos facilitará su
interpretación y su representación gráfica.
Un gráfico
permite visualizar
datos complejos.

¿Cómo recopilar los datos?

Hay varias formas: puede ser mediante la observación, mediante entrevistas, haciendo
encuestas o consultando documentos.

Etapas para la recopilación y procesamiento de la información


Independientemente del sistema que usemos para recopilar datos, debemos seguir un
esquema o pauta de trabajo que involucre:

Definición del problema :

Definir el fenómeno o proceso que queremos investigar. Por ejemplo, queremos saber
cuántas personas conforman la familia de cada estudiante de secundaria en una cierta
región del país.

Planificación:

Determinar cómo se van a obtener los datos y seleccionar la muestra dentro de la


población.

En el caso de nuestro ejemplo, hacer una encuesta a todos los alumnos de las
secundarias de la región sería una forma de encontrar los datos que nos piden (número de
personas en la familia) pero requeriría mucho tiempo y sería algo costoso.

Por tal razón se puede seleccionar de forma adecuada una muestra y a ellos se les aplica
la encuesta.

El total de alumnos de todas las escuelas secundarias de la región constituye


la población .
Gráfico
estadístico
circular.

La población es el conjunto fuente para conseguir la información requerida.

La muestra es el subconjunto finito de la población. Debe ser representativa de la


característica que se desea estudiar.

Generalmente, el trabajo con muestras es más económico y más práctico, pero en el caso
de los censos de Población y Vivienda es necesario trabajar con toda la población.

Recopilación datos :

Ejecución en terreno, se aplican las encuestas o las entrevistas para obtener los datos
solicitados.

En el ejemplo, se pregunta a cada integrante de la muestra ¿Cuántas personas conforman


su núcleo familiar?

Procesamiento de la información :

Esta fase consta de tres partes.

Organización de los datos: Se ordena la información

Presentación de los datos: Puede hacerse mediante tablas o gráficos.

Análisis e interpretación de los datos: Esdonde se llega a conclusiones sobre la


investigación y con los resultados se pueden realizar pronósticos, hacer valoraciones y
tomar decisiones.

Construcción de Tablas de valores


Dependiendo de la modalidad de trabajo, el conjunto de datos recopilados podemos
tenerlos como una expresión verbal, como una fórmula o una ecuación.
Veamos un ejemplo de como construir una tabla de doble entrada cuando obtenemos los
datos de forma verbal o mediante una ecuación.

Datos en forma verbal:

El club deportivo de mi ciudad cuenta con 2.000 socios. De ellos 200 practican natación,
350 practican fútbol, 150 practican voleibol, 400 practican baloncesto, 300 practican
atletismo, 100 practican tenis, 240 practican
balonmano y 260 practican gimnasia.

Para este primer ejemplo prepararemos una tabla en sentido vertical, tal como la que
vemos:

deporte soci
os

Natación 200

Fútbol 350

Vóleibol 150

Balonce 400
sto

Atletism 300
o

Tenis 100

Balonma 240
no

gimnasia 260

Datos en forma de ecuación:

Lo que debemos pagar (importe) por una determinada cantidad de bebidas gaseosas lo
obtenemos según la fórmula:

Importe = 0,75 ∙ nº de gaseosas

Construyamos una tabla que nos muestre los valores si se compran desde 1 hasta 12
gaseosas:

Nº de 1 2 3 4 5 6 7 8 9 10 11 1
gaseosas 2

Importe 0,7 1, 2,2 33,7 4, 5,2 66,7 7, 8,2 9


5 5 5 5 5 5 5 5 5

En las celdas de la primera fila aparece el número de gaseosas que se comprar (desde 1
hasta 12).

En las celdas de la segunda fila aparecen los valores correspondientes al número de


gaseosas, calculados a partir de la ecuación dada en el enunciado.
Otro ejemplo:

Si el precio de un viaje en taxi lo calculamos mediante la ecuación (en $) = 220 •


distancia (en km) + 1,5 constuir una tabla para recorridos de 2, 3, 5, 7, 8, 10, 12 y 13 km.

La tabla quedará así:

Distancia 2 3 5 7 8 10 12 13
(km)

Precio ($) 441, 661, 1.101, 1.541 1.761 2.201, 2.641 2.861
5 5 5 ,5 ,5 5 ,5 ,5

Ver: PSU: Matemática; Pregunta 07_2007

Construcción de gráficos (o gráficas)


Se denomina gráfica o gráfico la representación de datos , generalmente numéricos,
mediante líneas, vectores, superficies, colores o símbolos , que muestran visualmente
la relación que guardan entre sí. También puede ser un conjunto de puntos , que se
plasman en coordenadas cartesianas , y sirven para analizar el comportamiento de un
proceso, o un conjunto de elementos o signos que permiten la interpretación de un
fenómeno.

Los medios de comunicación nos ofrecen constantemente noticias ilustradas con


gráficas.

Una gráfica, entonces, permite representar la relación existente entre una lista de
elementos (como temperatura, tiempo, espacio, etc.) y sus valores numéricos
correspondientes.

Asi, podemos decir que las gráficas tienen como función fundamental representar
visualmente, en forma clara e intuitiva, una serie de datos que aportan gran cantidad de
información.

Según su construcción, podemos distinguir dos tipos de gráficas: Gráficas


cartesianas y Graficas estadísticas
Construcción de gráficas cartesianas
Si lo que queremos es mostrar la relación entre dos variables, podemos hacerlo mediante
una gráfica cartesiana.

Las variables que se presentan en el eje horizontal o eje x (abscisas) en una gráfica
cartesiana se llaman variable independiente y las que se representan en el eje vertical o
eje y (ordenadas) , se llaman variable dependiente .

Aquí debemos anotar que en una gráfica cartesiana no tienen por qué coincidir las
unidades de medida de los dos ejes, sino que los datos se acomodan a su propia escala.

Los datos para construir una gráfica cartesiana pueden provenir de texto , o pueden
obtenerse a partir de tablas o a partir de fórmulas .

a) Construcción de gráficas cartesianas a partir de textos.

Ejemplo:

El precio del cobre ha subido en forma sostenida desde 2004, como se aprecia en el
gráfico de la izquierda.

Por lo general, en estos casos no importa mucho el valor exacto de los puntos, sino el
dibujo, que indica la forma global de la gráfica y el comportamiento de las variables.

b) Construcción de gráficas cartesianas a partir de tablas

A veces resulta muy clarificador que los datos recogidos en una tabla se representen
gráficamente sobre unos ejes de coordenadas.

Veamos cómo representar gráficamente los datos de la siguiente tabla de valores:

Tabla de
valores

x y

0 6

1 1
2 9

3 2

4 3

5 5

6 4

7 7

8 6

9 3

10 8

11 9

12 2

Ahora dibujaremos un sistema de ejes coordenados (figura abajo) sobre el que


representaremos los datos, marcando los valores correspondientes tanto en el eje de
abscisas (X) como en el eje de ordenadas (Y) :

En nuestra gráfica hemos unido, mediante segmentos, cada par de puntos consecutivos,
aunque no siempre se deberán unir.

Siempre que se puedan unir los puntos mediante segmentos diremos que la gráfica
es continua , y cuando no sea posible hacerlo, diremos que la gráfica es discontinua .

Veamos un ejemplo de gráfica discontinua:

Tenemos una tabla que nos muestra el tiempo (en horas) que emplean 15 atletas en
completar un recorrido:
La tabla entrega estos datos:

Nº Tiempo
atletas (h)

1 8

3 7

2 6

4 5

5 4

La gráfica resultante, a partir de esta tabla sería esta :

Esta es una gráfica discontinua ya que no podemos unir los puntos mediante segmentos
debido a que no es posible considerar un valor intermedio para los atletas: nunca habrá
0,5 o 1,5 atletas.

Veamos ahora un ejemplo de gráfica continua

Tenemos un tabla que nos muestra los kilómetros recorridos por un ciclista en el
transcurso de 5 horas:

Hora Kms
s recorridos

1 20

2 40

2,5 50
3 60

3,5 60

4 60

5 70

La gráfica resultante a partir de esta tabla será :

Esta es una gráfica continua ya que podemos unir los puntos mediante segmentos debido
a que es posible considerar un valor intermedio para el tiempo, ya que a las 2,5 y a las 3,5
horas también podemos anotar los kilómetros recorridos.

c) Construcción de gráficas a partir de fórmulas

En algunos casos la información recopilada o entregda llega por medio de fórmulas o


reglas que nos permiten relacionar variables distintas y así elaborar tablas de valores, las
cuales podemos transformar en gráficas.

Veamos un ejemplo:

El costo (valor o importe) de un litro de gasolina (nafta o bencina) es 1,2 dólar ( 1,2 US$).
Sabido esto, elaborar la gráfica que relacione ese precio unitario con la cantidad de litros
que se compren:

Primero, hacemos una tabla para saber el costo de 1, 2, 3, 4, 5 y 6 litros :

Litro Precio
s (US$)

1 1,2

2 2,4

3 3,6
4 4,8

5 6

6 7,2

Trasladamos los datos a una gráfica, que sería (gráfica siguiente) :

Tipos de Gráficas estadísticas


Hasta aquí hemos visto solo gráficas cartesianas , construidas sobre la base de un Plano
cartesiano .

Existen otras formas gráficas de representar datos, que son las siguientes:

a) Gráfico de barras :

Es un gráfico estadístico que está formado por varios rectángulos igualmente espaciados,
del mismo ancho, cuyas bases están colocadas sobre una misma línea horizontal.
Gráfico de barras

A los rectángulos que forman el gráfico de barras se les llama barras.

En este tipo de gráfico, es posible observar que las barras:

1.- Están sobre el eje de las abscisas .

2.- Tienen el mismo ancho.

3.- Están igualmente espaciadas.

En el eje de las abscisas se representan los valores de una de las variables (eje x) y en el
eje de las ordenadas se representa la otra variable (eje y).

Se usa generalmente cuando se pretende resaltar la representación de porcentajes de


datos que componen un total.

b) Gráfico lineal o de segmentos :

Se usa especialmente para representar datos numéricos de situaciones que ocurren en


períodos sucesivos. Además permite visualizar rápidamente una situación determinada.
Tabla temperatura por día

En el ejemplo (tabla arriba) , los datos numéricos corresponden a las temperaturas


máximas registradas durante una semana del mes de octubre; estos datos son números
que se obtuvieron en forma sucesiva, día tras día.

En el gráfico lineal de abajo (construido a partir de la tabla de valores anterior) se puede


visualizar fácil y rápidamente que el día miércoles de esa semana se registró la
temperatura más alta, y también que el día jueves fue la más baja.

Gráfico lineal

C) diagrama:

Gráfico de flechas

Un elemento de la derecha se relaciona con uno de la izquierda.

d) Gráfico circular:

Muestra las relaciones o proporciones de las partes con un todo. Este gráfico (abajo) es
de utilidad cuando se pretende destacar un elemento importante.
Un gráfico circular siempre se compone de una serie de datos.

e) Gráfico de puntos:

El denominado gráfico de puntos permite mostrar apropiadamente a pequeños conjuntos


de datos y tiene la gran ventaja de ser fácilmente construido a mano.

En este tipo de gráfico, la abcisa (línea horizontal) representa los valores de la variable
estudiada y la ordenada (línea vertical) la frecuencia de aparición de un valor en el
conjunto de datos estudiado.

Comentario pedagógico.
Para la construcción de un gráfico de puntos, es necesario que el alumno conozca la
representación de puntos en una recta graduada.

Por ejemplo, el siguiente gráfico representa una alumna de cuarto medio cuya altura es
162 cm.

Si hubiese que representar otra alumna con esta misma estatura, el gráfico se vería de la
siguiente forma:
Ahora, si se quisiera representar una muestra de la estatura de treinta alumnas de cuarto
año medio, el gráfico quedaría como sigue.

Se puede ver con facilidad la distribución de los valores observados y describir la


información contenida en ellos.

Ver: PSU: Matemática, Pregunta 04

Ir a: Más sobre gráficas cartesianas

Fuentes Internet:

You might also like