Importancia de la Estadística en la Investigación y Tendencias en el análisis de datos

Transcripción

1 Ciclo de Conferencias Metodologías Cuantitativas y Cualitativas aplicadas en la Investigación Agronómica, Forestal y Ambiental Septiembre 28 de 2016 Importancia de la Estadística en la Investigación y Tendencias en el análisis de datos Ezequiel Abraham López Bautista Dr. Sc. Estadística Experimental Agronómica (ESALQ/USP) Facultad de Agronomía (FAUSAC) lopez_ezequiel@usac.edu.gt

2 Subárea de Métodos de Cuantificación e Investigación, FAUSAC Tradición en la enseñanza de la Estadística Cursos impartidos en pregrado: Estadística General Diseño y análisis de experimentos Métodos de Investigación Aplicados Muestreo estadístico Estadística no paramétrica Métodos estadísticos multivariados Modelos de regresión

3 Eventos organizados Foros Nacionales de Estadística. Sociedad Internacional de Biometría, Región América Central y el Caribe. 1998, Cursos de actualización en: Estadística Multivariada, Estadística No Paramétrica, Medidas repetidas en el tiempo, Control estadístico de la Calidad, Epidemiología Agrícola, Regresión jerárquica, Modelos de regresión, Geoestadística, curvas de crecimiento forestal, software estadístico: R, SAS, Infostat, Statistica.

4 Muestreo estadístico. Cursos cortos programados M.C. Julián Felipe Díaz Camacho, Universidad Veracruzana, Facultad de Estadística e Informática. 26 y 27 de septiembre de Regresión Jerárquica Dr. Mario Miguel Ojeda, Universidad Veracruzana, Facultad de Estadística e Informática. 29 y 30 de septiembre de Geoestadística, aplicaciones en la Agronomía y el ambiente. 24 al 26 de octubre de 2016 Modelos Lineales Generalizados. 27 y 28 de octubre de 2016 Dr. Ricardo Álves de Olinda, Universidad Estatal de Paraíba, Campina Paraíba (Brasil) Análisis multivariado de datos, usando SAS. Grande, 14 al 18 de noviembre de Dr. Carlos Tadeu dos Santos Dias, Universidad de São Paulo, Escuela Superior de Agricultura Luiz de Queiroz (Brasil)

5 Áreas destacadas actualmente Modelos lineales mixtos Más flexibles (presencia de datos faltantes) Útiles cuando hay problemas de incumplimiento de los supuestos de independencia de los residuos y homogeneidad de varianzas. Modelos de clasificación jerárquica (multiniveles) Medidas repetidas en el tiempo (dependencia temporal)

6 Modelos lineales generalizados Una alternativa a la transformación de la variable respuesta y a la falta de normalidad es el uso de los modelos lineales generalizados. Los modelos lineales generalizados (GLM de las siglas en inglés de Generalized Linear Models) son una extensión de los modelos lineales que permiten utilizar distribuciones no normales de los errores (binomiales, Poisson, gamma, etc.) y varianzas no constantes.

7 Especificamente, podemos considerar utilizar GLM cuando la variable respuesta es: un conteo de casos (p.e. abundancia de una especie); un conteo de casos expresados como proporciones (p.e. porcentaje de plántulas muertas en un experimento de vivero); una respuesta binaria (p.e. vivo o muerto, infectado o no infectado); Problemas con excesos de ceros.

8 Modelos comunmente utilizados Ensayos de tipo dosis-respuesta (modelo probit, modelo logístico, modelo complemento log-log). Ensayos de dilución. Tablas de contingencia. Modelos ANOVA con efectos aleatorios. Modelos de regresión.

9 Análisis multivariado de datos Es un análisis de n-individuos con p-variables o características em común medidos conjuntamente. Regularmente estas variables se encuentran relacionadas y esto se considera de gran utilidad para realizar un análisis multivariado. Con el uso de los métodos multivariados se obtienen resultados cercanos a la realidad e incluso de mayor confiabilidad con relación al análisis univariado.

10 Análisis categórico de datos El análisis de datos categóricos se ocupa del estudio de variables cualitativas (color, nacionalidad, enfermedades, sexo, afliación política, etc.), que poseen atributos o categorías. Básicamente: Datos en escala nominal (sexo, estado civil, distintas ramas de actividad económica, profesión, ideología política,...) y Datos en escala ordinal (nivel de estudios, estratificación de familias por su capacidad de consumo, nivel de autoestima,..), cuando podemos establecer un determinado orden o rango entre las observaciones.

11 Geoestadística Rama de la estadística que se especializa en el análisis y la modelación de la variabilidad espacial de variables. Objetivo de estudio: el análisis y la predicción de fenómenos en espacio y/o tiempo, como: propiedades del suelo, concentraciones de un contaminante, distribución de plagas y enfermedades. Interpolación espacial de la abundancia larval de Aedes aegypti para localizar focos de infestación Rev Panam Salud Publica vol.29 n.6 Washington Jun. 2011

12 Aplicaciones de la Geoestadística y los SIG en los estudios de las poblaciones de plagas