Resumen:
En taxonomía cuando se enfrentan diferentes puntos de vista en la identidad de los organismos, a menudo se utilizan técnicas de análisis de datos morfométricos. Una de las metodologías de clasificación más utilizada es el análisis discriminante (AD) o de variables canónicas (AVC) considerado robusto estadísticamente (e.g. normalidad, homogeneidad, linealidad). Sin embargo los datos morfométricos generalmente no cumplen con esas propiedades y la aplicación de los AD dependen del tamaño de la muestra y el número de variables incluidas. Los modelos estadísticos de aprendizaje automatizado: árboles de decisión, o predicción aleatorizada: Classification and Regression Tree (CART) y Random Forest (RF), son técnicas no paramétricas alternativas a los AD y AVC en variables morfométricas con propósitos de identificación. Las técnicas CART y RF se han aplicado en diferentes campos de las ciencias. En la ictiología se han utilizado en la diferenciación de poblaciones, en la predicción de la riqueza, diversidad y biomasa y en estimaciones de la edad y crecimiento. Por otra parte, el método de modelado suave de analogía de clases, Soft Independent Modelling of Class Analogies (SIMCA), es una técnica de clasificación de variables (e.g. morfométricas) que incorpora implícitamente una análisis de componentes principales (ACP) para la reducción de la dimensionalidad de los datos, permitiendo estimar la relevancia de las variables en la separación de los grupos, con independencia del tamaño de estos (e.g. número de especies-individuos) y el número de variables incluidas. En el presente proyecto se evaluará la aplicación de los modelos CART, RF y SIMCA con propósitos de identificación aplicada a especies de peces de la familia Gerreidae (mojarras), grupo que presenta una de las mayores complejidades nomenclaturales y taxonómicas de la ictiología del Neotrópico.