Denominación del curso: Análisis de datos en el espacio, aplicado a

Denominación del curso: Análisis de datos en el espacio, aplicado a ciencias
biológicas y del ambiente.
Fundamentación de la actividad:
Los problemas encontrados en la investigación básica y aplicada
implican frecuentemente la utilización de muestras estadísticas para el
abordaje empírico a preguntas biológicas. Estos métodos presentan una amplia
aplicación en la investigación en las ciencias naturales a distintos niveles. Las
técnicas estadísticas clásicas están basadas en supuestos fuertes, que
usualmente no se cumplen en la realidad y que pasan muchas veces
inadvertidos o directamente son soslayados por la dificultad de tratarlos. Uno
de ellos es el supuesto de independencia de las observaciones, que
normalmente no se cumple en las muestras obtenidas en el espacio.
Por otra parte, las nuevas tecnologías permiten obtener en muchos
casos informacion referencial o espacial de las observaciones durante el
muestreo, mediante sistemas de posicionamiento geográfico (GPS), imágenes
satelitales, georreferenciación secundaria, etc. Esta información
complementaria, puede ayudar no solo a atemperar el problema de la
independencia durante el análisis, sino que además posibilita enriquecer un
estudio, aportando elementos que ayudan a comprender numerosos
fenómenos de naturaleza dinámica, tales como efectos de competencia,
contagio, difusión, por nombrar solo algunos.
Objetivos del Curso:
Presentar las técnicas análisis espacial y su aplicación en ciencias biológicas y
ambientales.
Brindar un entrenamiento en la utilización de paquetes estadísticos para los
problemas tratados en el curso.
Contenidos:
Introducción a los problemas espaciales: variación en el espacio. La
construcción de modelos y las pruebas de hipótesis. Tipos de datos: patrones
de puntos, datos areales y “lattices”. Visualización de datos espaciales.
Estadísticas descriptivas en el espacio. Medidas de tendencia central y de
dispersión. Modelos probabilísticos para patrones de puntos: distribución de
Poisson.
Interpolación en el espacio. Medias móviles, medias móviles ponderadas. La
autocorrelación en el espacio. Los variogramas. Utilización de los variogramas
en la interpolación: "Kriging".
Autocorrelación en el espacio para patrones de puntos. Detección y
cuantificación. I de Moran, G de Geary, Correlogramas. Técnicas de distancia
al vecino, K de Ripley.
Suavizado de datos espaciales. Técnicas de la ventana móvil. Kernels. Tipos
de kernel, fijo y adaptativo. Calibrado. Autocorrelación local. Modelos LISA.
Detección de efectos de tratamientos con datos en el espacio. La
autocorrelación de los residuos. La utilización de los variogramas en métodos
por cuadrados mínimos generalizados. Métodos no paramétricos para análisis
de varianza con datos espaciales. El método de Mantel.
Análisis de regresión con datos espaciales. Regresión sobre las coordenadas y
sobre variables explicatorias. Autocorrelación en los regresores. La
autocorrelación de los residuos y su corrección por cuadrados mínimos
generalizados. Modelos SAR y modelos CAR.
Regresión geográficamente ponderada. Modelos globales y modelos locales. El
método de regresión mediante ventana móvil. Estimadores locales.
Visualización. El uso de funciones kernel en la ponderación espacial. Regresión
geográficamente ponderada. Kernel fijo y adaptativo. Calibrado del modelo.
Inferencia estadística en GWR: el problema de los grados de libertad.
Bibliografía básica:
Cressi, N, 1993. Statistics for spatial data. Wiley & sons.
Bailey, Tc. & A.C. Gatrell, 1995. Interactive spatial data analysis. Prentice Hall.
Fotheringham, A.S, C. Brunsdon & M. Charlton. 2002. Geographically Weighted
regression. Wiley & sons.
Haining, R. 1990. Spatial data analysis in the social and environmental
sciences. Cambridge.
Software a utilizar:
Ned Levine, CrimeStat III: A Spatial Statistics Program for the Analysis of Crime
Incident Locations. Ned Levine & Associates, Houston, TX, and the National
Institute of Justice, Washington, DC. November 2006.
Anselin, L. 2004. Geoda. Illinois University.
R package. Statistical software, ver 2.7.0. The R project statistical
computing.GNU.
Organización: clases teóricas y prácticas con computadora.
Fecha Propuesta: Noviembre de 2008.
Duración: 5 días corridos.
Carga horaria: 9 a 13hs (teoría) y 14 a 18hs (práctica). Carga total: 40 horas.
Destinatarios del curso: Graduados Universitarios de disciplinas biológicas,
ambientales, de ciencias agrarias y forestales y de disciplinas afines.
Cupo: Mínimo de 15 alumnos, máximo de 30 alumnos.
Requisitos para la aprobación del curso: Asistencia al 80% de las clases
teóricas y prácticas. Realización de un trabajo y su presentación en seminario.
Docentes a cargo:
Doctor Luis Eduardo Castro, profesor adjunto de la cátedra de Estadística,
FCNyM, UNLP, profesor adjunto de la cátedra de Cálculo estadístico, FCAyF,
UNLP.
Doctor Marcelo Arturi, profesor titular de la cátedra de Biometría Forestal,
FCAyF, UNLP.
Recursos didácticos a utilizar: un aula con pizarrón, una computadora y un
cañón proyector para las clases teóricas. Gabinete de computación para las
clases prácticas. El software a utilizar es de distribución libre y gratuita.