Guia para estudiar Patrones de Distribución de Especies

Los principios de muestreo, análisis de datos e interpretación de resultados
Los centroides se mueven durante el análisis, y por eso es posible que después de una unión de dos grupos, su distancia
a un tercer grupo sea más corta que la que cualquiera de los dos primeros grupos tuvo al tercero antes de la unión. Esto
causa problemas al dibujar dendrogramas (en inglés reversal).
De igual modo que la clasificación por el promedio, es recomendable utilizar la forma de pesos iguales de las parcelas de
la clasificación por el centroide (UPGMC) sólo cuando se ha colectado los datos de una manera sistemática o aleatoria.
En los otros casos es mejor usar WPGMC, si es que uno quiere generalizar los resultados.
Clasificación restringida a los vecinos (constrained clustering, chronological clustering)
Si se desea, se puede restringir la clasificación de tal manera que sólo las unidades de muestreo que son vecinas en
tiempo o en espacio puedan ser juntadas al mismo grupo. Esta opción es especialmente interesante si queremos buscar
solamente los puntos de discontinuidad en los datos. Por ejemplo, en un estudio sobre la sucesión vegetal puede ser
interesante saber si la vegetación se desarrolla de una manera gradual, o si hay saltos más rápidos interrumpidos por
relativa estabilidad. De igual manera, puede ser interesante saber si la composición de especies cambia a lo largo de una
línea de estudio en ciertos puntos. Las clases distinguidas en una clasificación restringida forman unidades más
compactas que las clases de una clasificación sin restricción, y por eso puede ser también que los grupos de una
clasificación restringida sean más fáciles de interpretar.
La clasificación restringida a los vecinos puede basarse en cualquier método aglomerativo (y jerárquico) de clasificación.
Únicamente se introduce la restricción de que sólo las unidades vecinas de muestreo pueden ser agrupadas en la misma
clase. Dos unidades semejantes de muestreo que sean situadas más lejos entre sí pueden entrar en la misma clase sólo
si todas las unidades intermedias también son los suficientemente semejantes como para entrar a la misma clase.
El usuario puede libremente definir cuáles son las unidades vecinas de muestreo. Normalmente, en las líneas o series de
tiempo los vecinos son solamente las unidades próximas (uno antes y uno después). Cuando el muestreo ha sido
realizado de una manera bidimensional, se puede definir la vecindad de más de una forma. A veces puede ocurrir,
especialmente en estudios acuáticos, que las unidades de muestreo se encuentren en un espacio tridimensional, y en
este caso el vecino puede estar tanto al costado como arriba o abajo.
Normalmente las clasificaciones no contienen ninguna prueba estadística. Sin embargo, en la clasificación restringida es
fácil incluir una prueba estadística. La hipótesis nula es que todas las unidades de muestreo pertenecen a la misma
población de unidades, y que crear clases separadas es solo un acto artificial creado por el algoritmo de clasificación.
Con una prueba de aleatorizaciones se puede estimar si se puede descartar la hipótesis nula, si las diferencias en la
composición de especies entre grupos son más grandes que dentro de los grupos (el principio de una prueba de
aleatorizaciones se explica abajo junto a la prueba de Mantel).
En el análisis uno tiene que definir un nivel de significancia (á), que mide el riesgo de equivocarse si uno rechaza la
hipótesis nula. Si se ha puesto el á a un valor muy pequeño (por ejemplo 0,001), sólo se acepta los cambios más fuertes
en la composición de especies para definir límites entre clases. Pero si el á es grande (por ejemplo 0,2), unas diferencias
relativamente pequeñas en la composición de especies causarán la separación de diferentes clases.
La clasificación restringida está siempre basada en una clasificación jerárquica, pero a pesar de eso el resultado es un
listado no jerárquico de clases. Hay que recordar que el interés verdadero está en resolver los puntos de discontinuidad
en los datos. Claro que después de haber identificado estos puntos, uno puede examinar si una clase está dispersa entre
varias unidades distinguidas por la clasificación restringida. Por ejemplo, es posible que una línea de investigación
florística cruce el mismo tipo de flora en varias áreas separadas.
7. LA PRUEBA DE MANTEL: CORRELACIÓN ENTRE MATRICES DE DISTANCIA
La prueba de Mantel es útil para conocer, por ejemplo, si las diferencias florísticas entre las parcelas de estudio están
relacionadas con diferencias medioambientales. En caso de que exista un coeficiente de correlación de Mantel (r M)
positivo, la interpretación significa que cuanto más parecida es la flora entre dos parcelas, más parecidas son también las
condiciones medioambientales. Si el coeficiente es negativo, la interpretación en principio es que cuanto más parecida
es la flora entre dos parcelas, más diferente es el medio ambiente. Sin embargo, esta última interpretación no tiene
ningún sentido ecológico, y por eso en términos prácticos la interpretación es que no hay correlación entre las
semejanzas florísticas y medioambientales.
Para calcular la prueba de Mantel se necesita dos matrices de distancia o similitud, X e Y (Figura 22). Es recomendable
usar o matrices de distancia o de similitud y no mezclarlos en el mismo análisis. Cuando se calcula la correlación entre
una matriz de distancia y otra de similitud, el signo del coeficiente de correlación es opuesto a lo que se espera
intuitivamente, como presentamos en el párrafo anterior (no afecta al valor numérico del coeficiente).
63