Edita: Raimundo Real. Depósito Legal: MA ISBN:
|
|
- Beatriz Sosa Rodríguez
- hace 2 años
- Vistas:
Transcripción
1
2 Edición: Raimundo Real Ana Luz Márquez Autores: Los propios autores responsables de cada comunicación. Diseño portada: Marcelo van Rompaey. Maquetación: Ana Luz Márquez y Raimundo Real Colaboran: Edita: Raimundo Real Ana Luz Márquez Depósito Legal: MA ISBN:
3 Evaluando los modelos de distribución Una estimación de la capacidad predictiva de los modelos de distribución Aranda, S. C. 1, 2 y Lobo, J. M. 1 1Dep. Biodiversidad y biología Evolutiva. Museo Nacional de Ciencias Naturales (CSIC). C/ José Gutiérrez Abascal, , Madrid, Spain. 2Universidade dos Açores. Dep. de Ciências Agrárias, CITA-A (Azorean Biodiversity Group). Terra-Chã, Angra do Heroísmo, Terceira, Açores, Portugal. *Autor responsable: Resumen: Puesto que la sobrepredicción es uno de los principales problemas en los modelos de distribución de especies, en este trabajo examinamos si superponer muchos modelos individuales permite representar correctamente la riqueza y composición reales. Utilizamos los datos de distribución de las plantas de Tenerife (Islas Canarias) para modelizar individualmente cada una de las 841 especies nativas reconocidas en la isla (base de datos BIOTA-Canarias). Para la modelización empleamos MaxEnt, una de las técnicas que, supuestamente, ofrece mejores resultados cuando sólo se dispone de información sobre las presencias de las especies. Después de superponer todas las predicciones de los modelos individuales, evaluamos los resultados comparando la riqueza de especies y la composición florística así obtenidas para cada cuadrícula de 5 x 5 m previamente definidas como bien muestreadas. Nuestros resultados demuestran que este tipo de modelos generan una gran sobrepredicción, independientemente del punto de corte aplicado para transformar los valores continuos de favorabilidad en valores de presencia/ausencia. Sin embargo, se pueden mejorar parcialmente los resultados eligiendo un punto de corte que compense los errores de riqueza y composición y examinando las representaciones obtenidas a una escala regional. Palabras clave: Errores de predicción, espermatofitos, modelos de distribución, sobrepredicción, Tenerife. Abstract: Overestimation is considered one of the main problems in the accomplishment of species distribution models. Here, we examine whether the overlay of many individual species models is able to adequately represent the species richness and compositional patterns. For this purpose, we used a database on the distribution of seed plants in an intensively surveyed, species-rich island (Tenerife, Canary Islands) to individually model all of the 841 native plant species. We used MaxEnt, one of the highestranked, presence-only modelling techniques. All prediction results from individual models were overlapped, and we obtained and compared species richness and species composition values against those previously determined well-surveyed grid-cells. Our results show high levels of overprediction, independently of the suitability threshold applied to transform continuous values into presences/absences. However, it is possible to improve the results by choosing a threshold that compensates errors in both species richness and species composition, as well as by examining the obtained geographical representation at a regional scale. Keywords: Distribution models, over-prediction, prediction errors, spermatophytes, Tenerife Island. 1. Introducción Nuestro conocimiento sobre la distribución de los organismos es incompleto y sesgado, sobre todo en grupos hiperdiversos en los que el propio conocimiento taxonómico es insuficiente. Los modelos predictivos de distribución buscan paliar estas deficiencias proporcionando representaciones geográficas fiables a partir de un conjunto parcial de datos (Guisan y Zimmermann 2, Araújo y Guisan 26). Sin embargo, antes de realizar cualquier modelo predictivo de distribución es conveniente conocer: i) la técnica de modelización más apropiada según se busque estimar la distribución real o potencial de las especies (Soberón y Peterson 25, Peterson 26, Soberón 27), y ii) tanto la calidad de los datos biológicos disponibles como la capacidad predictiva de las variables que pueden utilizarse. De este modo, obtener modelos destinados a proveer representaciones cercanas a la distribución real o la distribución potencial de las especies requiere utilizar datos, predictores y técnicas diferentes (Jiménez- Valverde et al. 28). 155
4 156 Evaluando los modelos de distribución Cuando se pretende obtener simulaciones sobre la distribución real de los organismos es imprescindible que la información de partida esté homogéneamente repartida a lo largo de todo el gradiente geográfico-ambiental del territorio analizado (Hortal et al. 28, Barbosa et al. 29), de manera que el modelo interpole los nuevos valores a partir de los disponibles. Si hay regiones ambientales o geográficas ocupadas por la especie pero no detectadas, o con datos insuficientes, será probable que los modelos extrapolen erróneamente sus predicciones más allá del rango de condiciones reales en los que han sido realizados (Kadmon et al. 24, Hortal et al. 27). Predecir la distribución real de un especie requiere, además, poseer información fiable tanto de las localidades en las que la especie está presente, como de aquellas otras donde está ausente. En realidad, conocer las ausencias es muy importante pues sólo ellas nos ayudan a investigar los factores demográficos, históricos, bióticos o geográficos que han limitado la colonización de algunos territorios ambientalmente favorables (Ricklefts y Schluter 1993, Hanski 1998, Pulliam 1998, 2). Si estos requisitos se cumplen (tener un conjunto de datos representativo e información fiable sobre las ausencias), la utilización de técnicas de parametrización complejas que representan la estructura espacial completa de los datos puede ser recomendable (Bahn y McGill 27). Desafortunadamente, siempre es difícil asegurar la ausencia de una especie en una localidad (Mackenzie et al. 24) y solamente el estudio pormenorizado de las bases de datos biológicas permite estimar si la información de partida constituye una muestra representativa de la población que pretende interpolarse (Hortal et al. 28). Se han recomendado diferentes técnicas de modelización para obtener estimas de la distribución real de los organismos (Elith et al. 26, Tsoar et al. 27), sin considerar la calidad de los datos usados ni la necesidad de utilizar ausencias fiables. En este trabajo pretendemos evaluar la capacidad de predicción de una de estas técnicas recomendadas, utilizando como ejemplo las especies de espermatófitos de la isla de Tenerife. Para ello, primero hemos modelizado cada una de las especies y después hemos obtenido representaciones de la variación en la riqueza de especies y la composición superponiendo todos los modelos individuales. Por último, evaluamos las predicciones así obtenidas comparándolas con algunas localidades cuyos datos de riqueza y composición se consideraron fiables de acuerdo al esfuerzo de colecta realizado en ellas. Este procedimiento pretende: i) ofrecer una medida de incertidumbre para las predicciones realizadas con estos modelos, ii) estudiar la distribución espacial y ambiental de los errores existentes, y iii) proponer un método simple capaz de corregir parcialmente la sobrepredicción. 2. Cómo hacemos los modelos? A continuación explicamos de forma sencilla los tres pasos que hemos seguido para obtener las representaciones geográficas de la riqueza de especies y la composición de los espermatófitos de Tenerife. Paso 1. Elección de los datos biológicos y ambientales. La información biológica que hemos empleado procede de BIOTA-Canarias (<http://www.gobiernodecanarias.org/cmayot/medioambiente/medionatural/biodiversidad/b ancodatos/biotaespecies.html >), probablemente la mejor base de datos que hay para el archipiélago. Concretamente, utilizamos todas las plantas nativas de espermatófitos reconocidas en Tenerife a una resolución de cuadrículas UTM de 5 x 5 metros. Elegimos esta isla como área de estudio ya que, debido a su gran tradición botánica, reúne un número impresionante de registros (casi un millón de datos de presencia para 841 especies) (Izquierdo et al. 25). Como información ambiental, hemos elegido los datos de temperatura y precipitación mensual y anual procedentes del Instituto Nacional de Meteorología, así como cuatro variables topográficas (altitud, rango de altitudes, pendiente y diversidad de orientaciones) obtenidas a partir de un Modelo Digital del Terreno. Con estas variables continuas se realizó un análisis de componentes principales obteniendo cinco componentes ortogonales con autovalores mayores que la unidad, los cuales explicaron el 91% de la variabilidad en los predictores elegidos. Elegimos las cinco variables con mayor peso para cada factor, y aquellas que no estaban significativamente correlacionadas con ninguno de estos cinco factores, con el objeto de
5 Evaluando los modelos de distribución representar la mayor variabilidad climática del territorio analizado (temperatura media de octubre, precipitación media anual, rango de altitudes, precipitación de junio, diversidad de orientaciones, precipitación de diciembre y diversidad de pendientes). Se incluyeron también 16 variables categóricas que representan el sustrato geológico, el tipo de suelo y la orientación del terreno, facilitadas por la Consejería de Política Territorial y Medio Ambiente del Gobierno de Canarias. Paso 2. Realización de los modelos de distribución Hemos utilizado la técnica de Máxima Entropía o MaxEnt (Phillips et al. 24, 26) por dos razones principales: i) porque se supone que es una de las técnicas que produce predicciones más fiables cuando sólo se dispone de datos de presencia (Elith et al. 26), y ii) porque nos permite hacer todos los modelos para las 841 especies al mismo tiempo y de una manera relativamente rápida. Además, esta técnica está implementada en un software gratuito, libre y de fácil manejo (Maximum Entropy Species Distribution Modelling v.2.3, disponible en <http://www.cs.princeton.edu/~schapire/maxent/ >). Así, sólo hay que incluir las variables en el formato adecuado y seleccionar el tipo de respuesta para las variables explicativas en relación a los datos biológicos. Nosotros elegimos las respuestas linear y cuadrática. Para los otros parámetros del modelo mantuvimos los valores recomendados por defecto. El resultado final son unos mapas de favorabilidad que varían entre y 1 para cada una de las 841 especies. Riqueza de especies A B C Número de registros Figura 1. Relación entre el número de especies y el esfuerzo de muestreo (número de registros) realizado en cada uno de los sitios de Tenerife (A), y selección de las cuadrículas de 5 m (n = 264) que presentan inventarios fiables (B). También se muestra la regionalización ambiental de Tenerife (C) descrita por Hortal et al. (27). Relationship between the number of species and the sampling effort (number of records) in all sites of Tenerife (A), and selection of 5 m grid-cells (n = 264) with reliable inventories. The environmental regionalization of Tenerife described by Hortal et al. (27) is also shown (C). Paso 3. Superponiendo las distribuciones individuales Para hallar la riqueza de especies bastaría con sumar los resultados de cada uno de los modelos individuales. Sin embargo, MaxEnt genera una variable continua y es necesario elegir un punto de corte para transformar las favorabilidades en una variable binaria (/1). Para ello, elegimos 21 umbrales diferentes asumiendo que cada una de las especies se encontraba presente cuando los valores de favorabilidad fuesen iguales o mayores que 1, 5, 1, 15,, 1. Además, también utilizamos como punto de corte el valor específico de cada especie que garantizaba la predicción correcta de todos sus puntos de presencia (el valor mínimo de favorabilidad existente en una localidad de presencia o VMF). Posteriormente, superpusimos estos mapas a fin obtener una representación de la riqueza de especies y la composición florística existente en cada cuadrícula de 5 x 5 m. En total, obtuvimos 22 mapas de riqueza y composición correspondientes a los 22 puntos de corte. 157
6 Correlación de Spearman (rs) 3. Evaluando las predicciones Evaluando los modelos de distribución Para poder evaluar la capacidad predictiva de los modelos de distribución necesitamos un conjunto de sitios reales donde se conozcan las presencias y las ausencias de las especies. Cuando sólo se poseen datos de presencia, una posibilidad para estimar las localidades con inventarios fiables es analizar el esfuerzo de colecta realizado en cada localidad (Hortal et al. 27). En nuestro caso, hemos asumido que aquellas celdas donde hay un gran número de registros (más de 5) y, además, 3 o más registros por especie, tienen mayor probabilidad de ofrecer inventarios fiables (Figura 1A). En total, 264 cuadrículas cumplen estos criterios (Figura 1B), así que seleccionamos dichos sitios para comprobar los patrones generales de riqueza y composición que predicen los modelos y para cuantificar el tipo y la magnitud de los errores que se producen en cada caso Se predicen bien los patrones generales de riqueza y composición? Hemos calculado las correlaciones entre los valores observados y predichos en las celdas con inventarios fiables, tanto para la riqueza de especies, aplicando el test de Spearman (r s ), como para la composición florística, aplicando el test de Mantel (R). Estos análisis nos han permitido conocer cuál es el punto de corte en los valores de favorabilidad que genera las predicciones relativas de riqueza y composición más parecidas a las reales. Así, las correlaciones no paramétricas de Spearman nos indican si la riqueza de especies observada y predicha muestran un patrón general de variación espacial similar, mientras que el test de Mantel nos ofrece una visión global de cómo varían las predicciones de especies entre los diferentes sitios en comparación a las variaciones en la estructura de la composición observada. Para calcular las correlaciones de Mantel primero hay que hallar dos matrices de similitud de especies entre sitios, una para los datos predichos y otra para los observados, y después testar la correlación entre ambas. Como medida de similitud utilizamos el índice de diversidad β-simpson que, independientemente de la riqueza, da cuenta del recambio de especies o turnover entre sitios. Hicimos el test de Mantel con el software gratuito PAST v (Hammer et al. 21) VMF Umbral de favorabilidad Figura 2. Correlaciones de Spearman entre la riqueza predicha y observada (círculos negros) y correlaciones de Mantel entre la composición predicha y observada (círculos blancos) en los diferentes umbrales utilizados para cortar los valores continuos de favorabilidad en valores binarios. El VMF es el valor mínimo de favorabilidad existente en una localidad de presencia. Spearman correlations between observed and predicted species richness (dark circles) and Mantel correlations between observed and predicted species composition (open circles) at different thresholds used to cut continuous suitability values into binary ones. VMF is the lowest suitability value associated with an observed presence record. Según el punto de corte que se elija, las correlaciones entre los valores de riqueza predichos y observados oscilan entre,3 y,88, mientras que los valores de correlación para la composición de especies varían entre,1 y,93 (Figura 2). Utilizar umbrales de favorabilidad extremos, tanto en el límite inferior como en el superior, produjo patrones de riqueza y composición que varían ostensiblemente respecto a los reales. Las predicciones más ajustadas para ambos casos se logran con puntos de corte situados entre valores de favorabilidad de 3 y 35 (r s =,88; p <,1 y R =,93; p <,1). Elegir el VMF a fin de garantizar la predicción Correlación de Mantel (R) 158
7 Riqueza predicha Riqueza predicha 159 Evaluando los modelos de distribución correcta de todas presencias, parece producir resultados menos fiables (r s =,82 y R =,67; n = 264, p <,1). En realidad, utilizar el VMF como punto de corte produce claras sobrepredicciones (Fig 3A). El intercepto de la relación lineal entre los valores observados y esperados de riqueza puede considerarse una medida de la sobrepredicción (153 especies), mientras que una pendiente significativamente mayor que la unidad (1,51 ±,6, t = 23,89, p <,1) sugiere que estas sobrepredicciones son mayores cuanto mayor es la riqueza de las celdas. Aplicar el punto de corte que genera las distribuciones de riqueza y composición de especies más parecidas a la realidad (35; ver Figura 2) produce, en cambio, mejores resultados. En este caso, el intercepto de la relación lineal no difiere significativamente de cero (2,17 ± 5,24; t =,41, p =,7), mientras que la pendiente es sólo ligeramente inferior a la unidad (.95 ±,3; t = 32,2, p <,1), de modo que las celdas mas ricas en especies son levemente infrapredichas (Figura 3B) (A) (B) Y = 152,97+1,51X Y = 2,17+,95X Riqueza observada Figura. 3. Relación entre la riqueza predicha y observada usando como punto de corte el valor mínimo de favorabilidad existente en una localidad de presencia (VMF) (A), o usando el punto de corte que genera mejores correlaciones tanto para la riqueza como para la composición (B). Relationship between predicted and observed richness using the lowest predicted value associated with an observed presence record (VMF) as threshold criteria to cut continuous suitability values (A), or using as threshold the suitability value that generates higher species richness and compositional correlations (B) Cuál es la magnitud de los errores? Qué nos desvela su distribución espacioambiental? Una vez que hemos determinado el umbral de favorabilidad con el cual podemos predecir patrones coherentes de riqueza y composición, ahora queremos saber más específicamente qué errores hay detrás de estos patrones. Para ello, hemos calculado los errores de riqueza hallando la diferencia entre los valores predichos y los reales, y los errores de composición sumando los falsos negativos (presencias que se predicen incorrectamente como ausencias) y los falsos positivos (ausencias que se predicen erróneamente como presencias). Después, hemos dividido ambos cómputos por el número de especies observadas en cada sitio para reflejar la magnitud real del error en relación a las especies presentes. Nuestros resultados demuestran que, aun habiendo elegido el modelo que ofrece mejores predicciones en los patrones generales de riqueza y composición, se siguen prediciendo más especies de las que hay realmente (el sitio con más sobrepredicción alcanza el 138%, y el mínimo error no es inferior al 67%). Así pues, utilizar solamente los datos de presencia para modelizar la distribución de las especies siempre parece sobreestimar la realidad. No obstante, en promedio, se pueden lograr predicciones aceptables de riqueza (4,5%, DE = 32). A pesar de ello, cuando examinamos específicamente estos errores, observamos que un 59,7% (DE = 21,9) de las especies no se predicen bien, y el error mínimo es del 29,6%. En definitiva, nuestros resultados muestran que los errores en composición son inevitables, a pesar de utilizar un gran conjunto de variables ambientales como predictores. Utilizar solamente datos de presencia para modelizar la distribución real de las especies generará predicciones globales de biodiversidad poco fiables, al menos, para la resolución y escala de trabajo aquí empleados.
8 Evaluando los modelos de distribución Si los modelos de distribución fallan al predecir la riqueza y composición, dónde ocurren dichos errores?, suceden al azar o, por el contrario, se repiten sistemáticamente en ciertas regiones geográficas y/o en determinados ambientes? Para abordar esta cuestión, hemos regresado las variables de error (de riqueza y composición) separadamente frente a las variables ambientales y geográficas, utilizando Modelos Lineares Generalizados (MLG). Para construir los MLG (ambiental y espacial), hemos elegido la distribución de Poisson para las variables dependientes, y la función logarítmica para relacionarlas con las variables explicativas en cada caso. Seleccionamos iterativamente las variables independientes en orden creciente según la varianza que explican, y eliminamos aquellas que no contribuyen significativamente cuando se hace el modelo completo. Realizamos estos análisis en el software STATISTICA v.7 (StatSoft. Inc. 24). Los resultados de los MLG demuestran que los errores producidos en los modelos de distribución poseen una estructura ambiental y espacial significativa. El MLG ambiental explica un 2,2% de la varianza en el error de riqueza (F 4, 259 = 17,64; p <,1), y un 28,9% en el error de composición (F 7, 256 = 16,27; p <,1). Las variables más importantes en cada caso indican que las zonas que son geográficamente más accidentadas, o bien, aquellas donde apenas varía la pendiente, tienden a acumular mayores errores de sobrepredicción, y que en las zonas típicamente de inceptisoles (suelos con poco desarrollo horizontal, característicos de pendientes muy pronunciadas) se predice peor la composición de especies. El MLG espacial también explica un alto porcentaje de la varianza en los errores de riqueza (33,2%; F 5, 258 = 27,15; p <,1), debido principalmente a que el número de especies se sobreestima en las zonas más orientales. En el caso de la composición, las variables espaciales explican un 14,6% de la variabilidad (F 2, 261 = 23,41; p <,1), mostrando mayores errores en la parte nororiental de la isla. 4. Un método sencillo y rápido, pero fiable? Contar con un conjunto representativo de información fiable sobre las presencias y las ausencias de las especies es imprescindible para poder, al menos, validar las estimaciones de distribución real que obtenemos con los modelos (Fielding y Bell 1997, Vaughan y Ormerod 23). Cuando tenemos muchos datos y son de buena calidad (presencias y ausencias) se pueden utilizar simplemente técnicas de validación cruzada que suponen reservar una parte de la información para hacer el modelo y la otra para validarlo. Sin embargo, cuando los datos son peores (sólo presencias), o cuando tenemos poca información, sacrificar parte de los datos para validar el modelo no es aconsejable. Aquí hemos explicado cómo poder estimar los sitios que tienen inventarios fiables, demostrando que no es suficiente con tener una gran cantidad de registros (como en nuestro caso, casi un millón de datos) sino que, además, se debe poseer una proporción significativa de datos para cada especie bien distribuida en el espectro ambiental y espacial del territorio. Debido a que las presencias/ausencias reales de las especies no son directamente comparables con las predicciones continuas de favorabilidad obtenidas en MaxEnt, hemos de cortar necesariamente dichos valores en unos y ceros para poder validar los modelos. En general, se han recomendado diferentes puntos de corte o umbrales como, por ejemplo, utilizar la prevalencia de las especies (Liu et al. 25). En nuestro caso, esto carece de sentido ya que sólo conocemos las presencias. También, entre los resultados que genera el propio software donde se elaboran los modelos con MaxEnt se proponen varios thresholds más o menos típicos, aunque algunos resultan poco comprensibles (ver balance threshold; también en el foro de discusión de MaxEnt <http://groups.google.com/group/maxent>). Hemos demostrado que utilizar el VMF tampoco genera buenos resultados, tan sólo garantiza predecir bien las presencias observadas pero a costa de sobreestimar bastante el número real de especies observadas. Nuestro propósito con el procedimiento que hemos utilizado aquí ha sido, no tanto encontrar el mejor umbral de corte para cada especie en el sentido funcional, sino que (sólo a efectos metodológicos) hemos tratado de determinar aquel que proporciona mejores predicciones probando el mayor rango posible de puntos de corte. 16
9 Evaluando los modelos de distribución Desafortunadamente, un relativo acierto en la predicción de la riqueza no implica estimar correctamente la composición. Cuando analizamos detalladamente los errores de predicción, nuestros resultados ponen en duda la fiabilidad y utilidad de este tipo de modelos. A raíz de estos resultados, nos hemos planteado la posibilidad de si estas predicciones, al menos, mejoran a escala regional. Asumimos, en este caso, que predecir incorrectamente una especie en las celdas contiguas o próximas a donde realmente está puede ser menos grave que hacerlo en zonas más alejadas. Para ello, hemos examinado los errores de predicción en las diferentes regiones ambientales de la isla previamente determinadas (Figura 1C, Hortal et al. 27). Los resultados obtenidos muestran que en todas las regiones ambientales se llegan a predecir correctamente entre el 8-9% de las especies, y que los errores se deben fundamentalmente a la sobrepredicción (errores de comisión). Además, comprobamos que dichos errores son poco frecuentes (ocurren puntualmente en determinadas cuadrículas), de modo que el número medio de cuadrículas que presentan dichos errores de comisión oscila desde 5,5 ± 9.7 (±1DE), en la zona 4 (alrededor del 1% de su superficie total), hasta 31,9 ± 49,3 (±1DE), en la zona 2 (alrededor del 7% del área). El hecho de que los errores de los modelos muestren una estructura en el espacio ambiental y geográfico pueden estar sugiriendo que: i) los sesgos que hay en la información biológica a nivel de especie influyen y se propagan cuando hacemos modelos a nivel de comunidad, o bien que ii) los errores debidos a factores que son más complejos de modelizar para una única especie (como elementos históricos, geográficos o bióticos), cobran un mayor peso cuando afectan a la comunidad entera. El mapa con la distribución de las localidades que poseen buenos inventarios demuestra claramente que los sitios mejor muestreados están sesgados hacia las zonas de interés natural o paisajístico, como el área central de las Cañadas del Teide o los macizos de Anaga y Teno, que aún poseen laurisilva relícta (Figura 1B). Al haber más información biológica en estas zonas, los modelos tenderán a sobreestimar el área de distribución de las especies allí presentes incluyendo zonas potencialmente favorables. Por otra parte, lograr predicciones mucho mejores cuando hacemos los modelos considerando regiones mayores (tanto de riqueza como de composición de especies) pone de manifiesto que hay otras barreras físicas o históricas, incluso bióticas, que no se pueden tener en cuenta localmente utilizando sólo los datos de presencia. Además, aparte de estos argumentos, no conviene olvidar que siempre existe el inconveniente metodológico de tener que elegir el mismo umbral de favorabilidad para todas las especies que, evidentemente, generará sobre- o subestimaciones en el número local de especies, según sea el caso para cada grupo de plantas. Es probable que estas diferencias se minimicen a escala regional debido a que las plantas también forman comunidades más o menos homogéneas para ambientes que también lo son. La dificultad de conocer qué factores influyen en la distribución geográfica de cada especie es nuestro mayor inconveniente para realizar modelos predictivos fiables que representen la distribución real de los organismos. Este problema se acentúa cuando desconocemos la información de las ausencias que, por lo menos, nos ayuda a discriminar entre los factores que favorecen (fundamentalmente ambientales) y las fuerzas que restringen la distribución de las especies (como la capacidad dispersiva, los elementos históricos, factores demográficos, etc). Por ello, cuando se abordan aproximaciones como la presentada en este trabajo, donde se consideran, no una, sino muchas especies, cada una con sus requerimientos específicos, hay que adoptar un compromiso práctico para lograr predicciones fiables. En nuestro caso, tal compromiso fue asumir que podíamos utilizar una de las mejores técnicas que se basan en datos de sólo presencia para predecir la distribución real de todas las especies de espermatófitos en Tenerife. Siguiendo estas recomendaciones, hemos demostrado que hacerlo así tampoco solventa las limitaciones en la información biológica de partida y que debemos esforzarnos por conseguir datos mejores (más representativos), y por incluir variables que reflejen los factores que han limitado la colonización de determinadas áreas. En este estudio proponemos un protocolo sencillo para estimar la incertidumbre asociada a estos modelos analizando primero las predicciones de los patrones generales de distribución, y calculando posteriormente los errores que se producen específicamente bajo dichos patrones. Visualizar la estructura espacial de los errores a diferentes escalas demuestra que existen otros factores además de los puramente 161
10 162 Evaluando los modelos de distribución ambientales que afectan localmente a la distribución de las especies. Finalmente, también sugerimos un método simple para reducir las sobrepredicciones en los modelos predictivos de distribución corrigiendo por el intercepto y la pendiente de la recta cuando se regresan los valores de riqueza predichos frente a los valores observados. Agradecimientos Agradecemos al proyecto BIOTA-Canarias la información aportada. Este artículo ha sido apoyado por el proyecto del MEC (CGL24-439) y el proyecto de la Fundación BBVA. SC trabaja con una beca de la DRCT (M311/I9A/25). Bibliografía Araújo, M. B. y Guisan, A. 26. Five (or so) challenges for species distribution modelling. Journal of Biogeography, 33: Bahn, V. y McGill, B.J. 27. Can niche-based distribution models outperform spatial interpolation? Global Ecology and Biogeography, 16: Barbosa, M., Real, R, y Vargas, J.M. 29. Transferability of environmental favourability models in geographic space: The case of the Iberian desman (Galemys pyrenaicus) in Portugal and Spain. Ecological Modelling (in press). Elith, J., Graham, C. H., Anderson, R. P., Dudik, M., Ferrier, S., Guisan, A., Hijmans, R. J., Huettmann, F., Leathwick, J. R., Lehmann, A., Li, J., Lohmann, L. G., Loiselle, B. A., Manion, G., Moritz, C., Nakamura, M., Nakazawa, Y., Overton, McC. J., Peterson, T. A., Phillips, S. J., Richardson, K., Scachetti-Pereira, R., Schapire, R. E., Soberón, J., Williams, S., Wisz, M. S. y Zimmermann, N. E. 26. Novel methods improve prediction of species' distributions from occurrence data. Ecography, 29: Fielding, A. H. y Bell, J. F A review of methods for the assessment of prediction errors in conservation presence/absence models. Environmental Conservation, 24: Guisan, A. y Zimmermann, N. E. 2. Predictive habitat distribution models in ecology. Ecological Modelling, 135: Hammer, O., Harper, D. A. T. y Ryan, P. D. 21. PAST: Palaeontological Statistics software package for education and data analysis. Palaeontologia Electronica, 4: 1-9. Hanski, I Metapopulation dynamics. Nature, 396: Hortal, J., Lobo, J. M. y Jiménez-Valverde, A. 27. Limitations of Biodiversity Databases: Case Study on Seed-Plant Diversity in Tenerife, Canary Islands. Conservation Biology, 21: Hortal, J., Jiménez-Valverde, A., Gómez, J. F., Lobo, J. M. 28. Historical bias in biodiversity inventories affects the observed environmental niche of the species. Oikos, 117: Izquierdo, I., Martín, J. L., Zurita, N. y Arechavaleta, M. 25. Lista de Especies Silvestres de Canarias (Hongos, Plantas y Animales Terrestres), 2nd ed. Consejería de Política Territorial y Medio Ambiente, Gobierno de Canarias. Jiménez-Valverde, A., Lobo, J. M. y Hortal, J. 28. Not as good as they seem: the importance of concepts in species distribution modelling. Diversity and Distributions, 14: Kadmon, R., Farber, O. y Danin, A. 24. Effect of roadside bias on the accuracy of predictive maps produced by bioclimatic models. Ecological Applications, 14: Liu, C., Berry, P. M., Dawson, T. P. y Pearson, R. G. 25. Selecting thresholds of occurrence in the prediction of species distributions. Ecography, 28: Mckenzie, D. I., Bailey, L. L. y Nichols, J. D. 24. Investigating species co-occurrence patterns when species are detected imperfectly. Journal of Animal Ecology, 73: Peterson, T. A. 26. Uses and requirements of ecological niche models and related distributional models. Biodiversity Informatics, 3: Phillips, S. J., Dudík, M. y Schapire, R. E. 24. A maximum entropy approach to species distribution modeling. En: Proceedings of the 21st International Conference on Machine Learning ACM Press, pp Phillips, S. J., Anderson, R. P. y Schapire R. E. 26. Maximum entropy modelling of species geographic distributions. Ecological Modelling 19: Pulliam, H. R Sources, sinks and population regulation. American Naturalist, 132: Pulliam, H. R. 2. On the relationship between niche and distribution. Ecology Letters, 3: Ricklefs, R. E. y Schluter, D Species Diversity in Ecological Communities. Historical and Geographical Perspectives. University Chicago Press.
11 Evaluando los modelos de distribución Soberón, J. 27. Grinnellian and Eltonian niches and geographic distributions of species. Ecology Letters,1: Soberón, J. y Peterson, A. T. 25. Interpretation of models of fundamental ecological niches and species distributional areas. Biodiversity Informatics, 2: 1-1. StatSoft. Inc. 24. STATISTICA (data analysis software system), version 7. Tsoar, A., Allouche, O., Steinitz, O., Rotem, D. y Kadmon, R. 27. A comparative evaluation of presence-only methods for modelling species distribution. Diversity and Distributions, 13: Vaughan, V. y Ormerod, S. J. 25. The continuing challenges of testing species distribution models. Journal of Applied Ecology, 42:
Sistemas de información geográfica (SIG): análisis espacial de datos aplicados a las Ciencias Naturales y Sociales.
Curso de posgrado Sistemas de información geográfica (SIG): análisis espacial de datos aplicados a las Ciencias Naturales y Sociales. Organizadores: Cátedra de Sistemas de Información Geográfica (Departamento
Lección n 5. Modelos de distribución n potencial de especies
Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución
Estimación de parámetros, validación de modelos y análisis de sensibilidad
Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto
Covarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Relación entre variables cuantitativas
Investigación: Relación entre variables cuantitativas 1/8 Relación entre variables cuantitativas Pita Fernández S., Pértega Díaz S. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario
APLICACIÓN DE MODELOS DE DISTRIBUCIÓN DE ESPECIES A LA CONSERVACIÓN DE LA BIODIVERSIDAD EN EL SURESTE DE LA PENÍNSULA IBÉRICA
APLICACIÓN DE MODELOS DE DISTRIBUCIÓN DE ESPECIES A LA CONSERVACIÓN DE LA BIODIVERSIDAD EN EL SURESTE DE LA PENÍNSULA IBÉRICA BLAS BENITO DE PANDO 1 y JULIO PEÑAS DE GILES 2 Unidad de Conservación Vegetal,
8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3
Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar
El hábitat climático de los hayedos en España: aplicación de modelos aditivos generalizados a los datos del Inventario Forestal Nacional
5CFE01-039 2/9 El hábitat climático de los hayedos en España: aplicación de modelos aditivos generalizados a los datos del Inventario Forestal Nacional GASTÓN GONZÁLEZ, A. 1, GARCÍA VIÑAS, J.I. 1 y ROPERO
EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN
EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN Mylord Reyes Tosta, EdD Resumen Se utilizaron dos ejemplos para una prueba de hipótesis
UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST
UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora
Monografías de Juan Mascareñas sobre Finanzas Corporativas ISSN: 1988-1878 Introducción al VaR
Juan Mascareñas Universidad Complutense de Madrid Versión inicial: mayo 1998 - Última versión: mayo 2008 - El valor en riesgo (VaR), 2 - El método histórico, 3 - El método varianza-covarianza, 6 - El método
Interfaz BIOCLIM e Interfaz DOMAIN
Grupo de investigación Ecología de Zonas Áridas CENTRO ANDALUZ PARA LA EVALUACIÓN Y SEGUIMIENTO DEL CAMBIO GLOBAL Interfaz BIOCLIM e Interfaz DOMAIN Elisa Liras Dpto. Biología Vegetal y Ecología Universidad
Regresión de Poisson
Regresión de Poisson -- Si la estructura de los errores es realmente de Poisson, entonces: devianza residual / grados de libertad residuales = 1 si el cociente es mayor que 1 estamos ante el fenómeno (incómodo)
ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson
ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;
1. Informe final de implementación de subproyectos
América Latina: Desarrollo de capacidad multi-país en cumplimiento del Protocolo de Cartagena en Bioseguridad (COLOMBIA, PERU, COSTA RICA, BRASIL) 1. Informe final de implementación de subproyectos NOMBRE
Técnicas de regresión: Regresión Lineal Múltiple
Investigación: Técnicas de regresión: regresión lineal múltiple 1/1 Técnicas de regresión: Regresión Lineal Múltiple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística.
www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables" no es aplicable.
GRAFICOS DE CONTROL POR ATRIBUTOS 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas para el control de procesos, los Gráficos
Los componentes alfa, beta y gamma de la biodiversidad. Aplicación al estudio de comunidades vegetales.
Los componentes alfa, beta y gamma de la biodiversidad. Aplicación al estudio de comunidades vegetales. Apellidos, nombre Departamento Centro Ferriol Molina, María (mafermo@upvnet.pv.es) Merle Farinós,
Métodos y Diseños utilizados en Psicología
Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos
Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ
Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de
GESTIÓN Y CONSERVACIÓN DEL CONEJO DE MONTE EN ESPAÑA. Emilio Virgós Universidad Rey Juan Carlos, Dpto. Biología y Geología, Móstoles (Madrid)
GESTIÓN Y CONSERVACIÓN DEL CONEJO DE MONTE EN ESPAÑA Emilio Virgós Universidad Rey Juan Carlos, Dpto. Biología y Geología, Móstoles (Madrid) Introducción El conejo de monte es una especie de gran valor
www.bvbusiness-school.com
Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.
Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales
Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:
Titulación Tipo Curso Semestre. 4313774 Ecología terrestre y gestión de la biodiversidad OB 0 1. Uso de idiomas
Ecología Espacial 2015/2016 Código: 42915 Créditos ECTS: 6 Titulación Tipo Curso Semestre 4313774 Ecología terrestre y gestión de la biodiversidad OB 0 1 Contacto Nombre: Joan Pino Vilalta Correo electrónico:
MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS
1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están
Tests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
LA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Carta de control CEV X para distribuciones Weibull con datos censurados
Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with
UNA VISIÓN SOBRE LAS ENERGÍAS RENOVABLES COMO ALTERNATIVA A LOS SISTEMAS ENERGÉTICOS CONVENCIONALES. Artículo publicado en:
UNA VISIÓN SOBRE LAS ENERGÍAS RENOVABLES COMO ALTERNATIVA A LOS SISTEMAS ENERGÉTICOS CONVENCIONALES por José Antonio Rodríguez Criado Manuel Alonso Castro Gil Departamento de Ingeniería Eléctrica, Electrónica
- se puede formular de la siguiente forma:
Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no
Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:
Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial
ANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Capítulo 9. Regresión lineal simple
Capítulo 9. Regresión lineal simple 9.1 Introducción Uno de los aspectos más relevantes de la Estadística es el análisis de la relación o dependencia entre variables. Frecuentemente resulta de interés
Clase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL
BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco
Predicción de la distribución potencial del castaño en Galicia mediante modelos de nicho ecológico
Predicción de la distribución potencial del castaño en Galicia mediante modelos de nicho ecológico Seminario Sectorial del PNACC: Adaptación al cambio climático en bosques CENEAM, Valsaín (Segovia), 14
Técnicas Multivariadas Avanzadas
Regresión lineal Universidad Nacional Agraria La Molina 2014-2 Regresión lineal Regresión lineal simple Estimando los coecientes Evaluando la precisión de los coecientes estimados Evaluando la precisión
TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1
TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 rafael.dearce@uam.es El objeto de las tablas de contingencia es extraer información de cruce entre dos
Clase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características
Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA*
USO DE ANÁLISIS MULTIVARIADO PARA CARACTERIZAR LA FORMACIÓN MATEMÁTICA DE LOS ALUMNOS INGRESANTES Y MEDIR SU DESEMPEÑO EN LA PRIMERA ASIGNATURA DEL ÁREA EN LA UNIVERSIDAD Autores: Olga ÁVILA * Eleonora
Medidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
REGRESIÓN LINEAL MÚLTIPLE
REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...
Zonificación de la ciudad: definida por la red o malla urbana en términos de la capacidad de los servicios.
51 Las tierras vacantes: clasificadas por sus niveles de sostenibilidad ecológica. Mapa de amenazas a escala de la ciudad: clasificadas por tipo, ocurrencia y magnitud. Dentro de la categoría del soporte
La selectividad en análisis químico
La selectividad en análisis químico Ricard Boqué Grupo de Quimiometría y Cualimetría Universidad Rovira i Virgili (Tarragona) El concepto de selectividad en análisis químico ha sido objeto de una redefinición
Anexo 4. Herramientas Estadísticas
Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen
Clase 8: Distribuciones Muestrales
Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas
Septiembre 2009 UPC-GHS
Generación de series futuras de precipitación y temperatura. Septiembre 2009 UPC-GHS 1. INTRODUCCIÓN El estudio y simulación de los procesos climáticos, su variabilidad natural y especialmente los efectos
Aplicación de los modelos de credit scoring para instituciones microfinacieras.
Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar
Tutorial - Parte 2: Scoring
Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.
TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS
Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS
COMITÉ DE ÉTICA EN INVESTIGACIÓN Y COMITÉ DE INVESTIGACIÓN. Autores: Dra. Liliana Muñoz Hernandez Dr. Carlos A. Aguilar Salinas
COMITÉ DE ÉTICA EN INVESTIGACIÓN Y COMITÉ DE INVESTIGACIÓN Autores: Dra. Liliana Muñoz Hernandez Dr. Carlos A. Aguilar Salinas Los comités de Ética en Investigación y de Investigación Clínica le dan la
www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de planificación y control.
ESTUDIOS DE CAPACIDAD POTENCIAL DE CALIDAD 1.- INTRODUCCIÓN Este documento proporciona las pautas para la realización e interpretación de una de las herramientas fundamentales para el control y la planificación
Andrés Lira-Noriega. Universidad de Kansas
Andrés Lira-Noriega Universidad de Kansas Los datos biológicos y sus sesgos A B M Peterson et al. 2011 Bases del funcionamiento de algoritmos mecanísticos y orientados a procesos Organización Por qué usar
Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software
Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software J. Cuadrado Gallego 1, Miguel Ángel Sicilia 1, Miguel Garre Rubio 1 1 Dpto de Ciencias de la Computación,
Operating MATLAB by Internet
Operating MATLAB by Internet Bonifacio Castaño, Juan Llovet, Javier Sánchez University of Alcalá de Henares, Departament of mathematics. Abstract. In this work we demonstrate an interactive web-page, that
Tema 4:Segmentación de imágenes
Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos
ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti
ANÁLISIS DE DATOS CONTROL DE CALIDAD Ing. Carlos Brunatti Montevideo, ROU, junio 2015 Control de calidad No resulta sorprendente que el hormigón sea un material variable, pues hay muchos factores involucrados
La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota
La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota INTRODUCCIÓN En este experimento voy a relacionar el tiempo que tarda una pelota en rebotar 6 veces desde distintas
Aula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
Tema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Abstract. La comparación de los resultados de rendimiento en Lengua Inglesa evaluado mediante
Running head: 1 El Rendimiento en Lengua Inglesa en Programas Bilingües en España Xavier Gisbert da Cruz 1, María José Martínez de Lis González 2, Guillermo Gil Escudero 3 Estudio comparado de programas
Correlación entre variables
Correlación entre variables Apuntes de clase del curso Seminario Investigativo VI Por: Gustavo Ramón S.* * Doctor en Nuevas Perspectivas en la Investigación en Ciencias de la Actividad Física y el Deporte
Aplicaciones de Estadística Descriptiva
Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos
4. ANÁLISIS TERRITORIAL DE LA PROPIEDAD DE LA VIVIENDA
4. ANÁLISIS TERRITORIAL DE LA PROPIEDAD DE LA VIVIENDA El presente capítulo tiene como objetivo intentar conocer y comprender la diversidad territorial de la tenencia en propiedad de la vivienda en España
Análisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
13. EL LEAD TIME EN EL DESARROLLO DE PRODUCTOS SOFTWARE
13. EL LEAD TIME EN EL DESARROLLO DE PRODUCTOS SOFTWARE Jaime Alberto Sánchez Velásquez Ana Lucía Pérez * RESUMEN En los últimos años, el aumento de las compañías desarrolladoras de software en Colombia
Metodología IPMVP (EVO World)
Metodología IPMVP (EVO World) 1 Análisis del IPMVP El International Performance Measurement and Verification Protocol (IPMVP) o Protocolo Internacional de Medida y Verificación del Ahorro Energético, desarrollado
UNA (MUY) BREVE INTRODUCCIÓN A LA ACTIVIDAD CIENTÍFICA
UNA (MUY) BREVE INTRODUCCIÓN A LA ACTIVIDAD CIENTÍFICA Aprendemos de nuestros errores (Karl R. Popper 1962. Conjeturas y refutaciones) El objetivo de la ciencia es acumular información sobre cómo funciona
SERVIDOR WEB PARA ACCESO EN TIEMPO REAL A INFORMACIÓN METEOROLÓGICA DISTRIBUIDA
SERVIDOR WEB PARA ACCESO EN TIEMPO REAL A INFORMACIÓN METEOROLÓGICA DISTRIBUIDA E. SÁEZ, M. ORTIZ, F. QUILES, C. MORENO, L. GÓMEZ Área de Arquitectura y Tecnología de Computadores. Departamento de Arquitectura
Análisis estadístico. Tema 1 de Biología NS Diploma BI Curso 2013-2015
Análisis estadístico Tema 1 de Biología NS Diploma BI Curso 2013-2015 Antes de comenzar Sobre qué crees que trata esta unidad? - Escríbelo es un post-it amarillo. Pregunta guía Cómo podemos saber si dos
Este documento describe el proceso completo a seguir para analizar la existencia de una relación lógica entre dos variables. www.fundibeq.
DIAGRAMA DE DISPERSIÓN 1.- INTRODUCCIÓN Este documento describe el proceso completo a seguir para analizar la existencia de una relación lógica entre dos variables. Describe la construcción de los Diagramas
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
El formato raster. Fundamentos
Capítulo 4 El formato raster. Fundamentos El formato ráster se fundamenta en la división del área de estudio en una matriz de celdillas, generalmente cuadradas. Cada una de estas celdillas recibe un único
La práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo 23 Recodificación de datos Primera edición: julio 2008 ISBN:
CORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
REGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
NT8. El Valor en Riesgo (VaR)
NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo
Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos
Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible
Análisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación
Índice. Tema 7: Teoría de la respuesta al ítem (1) : Conceptos básicos. Forma y parámetros de los modelos:
Tema 7: Teoría de la respuesta al ítem () : Conceptos básicos Índice. Introducción 2. Limitaciones de la TCT superadas por la TRI 3. Modelos y características comunes 4. Supuestos 5. La Curva Característica
Introducción 90% Figura 1 Síndrome del 90%
El Problema Quality Control = Project Control? Indicadores Objetivos para Control de Proyectos de Desarrollo de Software Lic. Juan Pablo Pussacq Laborde Jefe de la Oficina de Proyectos, RMyA Introducción
Tomar o no tomar un seguro contra granizo en soja?
nº 93 15 de septiembre de 2015 Tomar o no tomar un seguro contra granizo en soja? En este artículo se analiza el impacto económico de un seguro contra granizo en soja de primera bajo dos situaciones de
TIPOS DE MUESTREO. Jordi Casal 1, Enric Mateu RESUMEN
TIPOS DE MUESTREO Jordi Casal 1, Enric Mateu CReSA. Centre de Recerca en Sanitat Animal / Dep. Sanitat i Anatomia Animals, Universitat Autònoma de Barcelona, 08193-Bellaterra, Barcelona RESUMEN Se discute
MODELOS PREDICTIVOS APLICADOS A LA CONSERVACIÓN DE FLORA AMENAZADA: INVERNADEROS VS. LINARIA NIGRICANS EN EL SURESTE ÁRIDO IBÉRICO
MODELOS PREDICTIVOS APLICADOS A LA CONSERVACIÓN DE FLORA AMENAZADA: INVERNADEROS VS. LINARIA NIGRICANS EN EL SURESTE ÁRIDO IBÉRICO BENITO DE PANDO, B.; PEÑAS DE GILES, J. Departamento de Botánica, Universidad
guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS
guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS HS Las escuelas de los Estados Unidos de América están trabajando para brindar una enseñanza de mayor calidad nunca
Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán
Capítulo 4 MEDIDA DE MAGNITUDES Autor: Santiago Ramírez de la Piscina Millán 4 MEDIDA DE MAGNITUDES 4.1 Introducción El hecho de hacer experimentos implica la determinación cuantitativa de las magnitudes
CARTAS DE CONTROL. FeGoSa
Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro
Modelos de regresión: lineal simple y regresión logística
14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente
1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros
TEMA 0: INTRODUCCIÓN Y REPASO 1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros desconocidos 4. Comparación
Duración del Proyecto e Incertidumbre
6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Duración del Proyecto e Incertidumbre Project Duration
Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Universidad de Guadalajara
Universidad de Guadalajara Centro Universitario de Ciencias Económico-Administrativas Maestría en Tecnologías de Información Ante-proyecto de Tésis Selection of a lightweight virtualization framework to
4. Cómo hacer un contrabriefing? 4.1. El concepto 4.2. La estrategia 4.3. Aplicaciones a elaborar 4.4. Planificación 4.5. Timing
4.1. El concepto 4.2. La estrategia 4.3. Aplicaciones a elaborar 4.4. Planificación 4.5. Timing 4. Cómo hacer un contrabriefing? Contrabriefing. Es la corrección del Briefing vertida en un documento nuevo
Curso Comparabilidad de resultados
Curso Comparabilidad de resultados Director: Gabriel A. Migliarino. Docente: Evangelina Hernández. Agenda Introducción. n. Protocolos iniciales de comparación de métodos. m * EP9-A2. CLSI. * Comparación
TEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
4 La población activa
4 La población activa 4. La población activa D espués de la exposición hecha en el capítulo anterior, donde se han comentado todas las grandes cifras sobre ocupación y empleo de la población gitana, a
PREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria