Post on 28-Dec-2019
transcript
Alg
unas
ref
lexio
nes
sobre
tipolo
gía
de m
odel
os co
n
motivo d
e nic
hos ec
oló
gic
os
Ener
o 2
007
Nic
hosEco
lógic
os
Bio
logía
: N
icho E
coló
gic
o
•The par
ticu
lar ar
ea w
ithin
a h
abitat
occ
upie
d b
y an
org
anism
.
•“…
the ultim
ate distrib
utional
unit, w
ithin
whic
h eac
h
spec
ies is h
eld b
y its struct
ura
l an
d instin
ctiv
e lim
itat
ions”
(Grinnel
l, 1
924).
•“T
he te
rm n
iche…
is h
ere def
ined
as th
e su
m o
f al
l th
e en
vironm
enta
l fa
ctors
act
ing o
n the org
anism
; th
e nic
he
thus def
ined
is a re
gio
n o
f an
n-d
imen
sional
hyper
-sp
ace…
”(H
utc
hin
son, 1944).
•“T
he nic
he of a sp
ecie
s is the jo
int des
crip
tion o
f th
e en
vironm
enta
l co
nditio
ns th
at allow
a spec
ies to
sat
isfy
its
min
imum
req
uirem
ents so that
the birth
rat
e of a lo
cal
popula
tion is eq
ual
or gre
ater
than
its d
eath
rat
e al
ong w
ith
the se
t of per
cap
ita im
pac
ts o
f th
at spec
ies on thes
e en
vironm
enta
l co
nditio
ns”
(Chas
e an
d L
eibold
, 2003).
Distrib
uci
ón
Nic
hoN
Hum
edad
Temperatura
Esp
acio
Am
bie
nta
lA
Longitud
Latitud
Esp
acio
Geo
grá
ficoG
-1
Am
bie
nte
:
"Distrib
uci
ón":
()
GA N
G
ϕ
ϕ→
⊂
ϕ
Moscodel dengue: Aedesaegypti
Distrib
uci
ón
de m
osc
o=Reg
iones
en rie
sgo
de den
gue
Cortes
ía: Y
. N
akaz
awa
Cactoblastiscactorum
Originariode Argentina, es
devoradorde tunas de nopal.
Cortes
ís: J. S
ober
ón
Dis
trib
ució
n es
timad
a de
Cac
tobl
astis
cact
orum
Riq
ueza
de
espe
cies
de
Pla
tyop
untia
Opuntialagunae
Fot
ogra
fías
de la
pla
nta
y el
frut
o de
Jon
Reb
man
Fot
ogra
fía d
e la
s flo
res
de G
eorg
eLi
ndsa
y
http
://w
ww
.oce
anoa
sis.
org/
field
guid
e/op
un-la
g-sp
.htm
l
Tunas
Ensa
ladade nopal
itos
Roj
o:
Dis
trib
ució
nes
timad
apa
ra
Cac
tobl
astis
cact
orum
.
Azu
l:
Riq
ueza
de
espe
cies
Pla
tyop
untia
.
Are
as v
ulne
rabl
esa
Cac
tobl
astis
(clim
a/al
imen
to a
prop
iado
)
Por quélo
s nic
hos y d
istrib
uci
ones
son
cien
tífica
men
te rel
evan
tes:
•Sal
ud p
ública
.
•Pre
dic
ción d
e es
pec
ies in
vas
ora
s.
•Pla
nea
ción d
e co
nse
rvac
ión.
•Estudio
s de ev
olu
ción.
•Pre
dic
ción d
e m
igra
ción p
or ca
mbio
clim
átic
o.
•A
cele
rar des
cubrim
iento
de nuev
as esp
ecie
s.
•…etc.
Red
es n
euro
nal
es, ár
bole
s
de dec
isió
n, al
goritm
os
gen
étic
os, entropía
máx
ima, etc
.
(Am
bie
nte
+
(Am
bie
nte
+
pre
senci
as)
pre
senci
as)
““Pre
dic
ciPre
dic
cióónn””
““D
atos
Dat
os ””
““M
odel
oM
odel
o””
¿Cóm
o se obtien
en d
istrib
uci
ones
estim
adas
?
¿Quéhac
e que un m
étodo sea
estadístico
?
•Par
a le
go en la m
ater
ia, el
car
ácte
r es
tadístico
vie
ne por el
hec
ho d
e
que se
usa
n d
atos obse
rvad
os em
píric
amen
teco
mo entrad
a.
•La pro
fesión estad
ística
tie
nde a def
inirlo
en tér
min
os de la
s
her
ram
ienta
sque se
usa
n (e.g.m
odel
os de pro
bab
ilid
ad, Cad
enas
de
Mar
kov, aj
uste por m
ínim
os cu
adra
dos, teo
ría de ver
osim
ilitud, etc.)
–Eje
mplo
: “T
his
chap
teris
div
ided
into
two
par
ts. Thefirs
tpar
tdea
lsw
ith
met
hodsfo
rfindin
ges
tim
ators
, an
dth
ese
cond
par
tdea
lsw
ith
eval
uat
ing
thes
e(a
nd
oth
er) es
tim
ators
.”(C
asel
la&
Ber
ger
, StatisticalInference
,
1990)
•A
lgunos au
tore
s su
gie
ren u
n conce
pto
much
o m
ás am
plio d
e
esta
dística
, co
n b
ase en
el tipo d
e pro
ble
mas
que la
estad
ística
pre
tende
reso
lver
.
–Eje
mplo
: “P
erhap
sth
esu
bje
ctofstat
istics
oughtto
be def
ined
in ter
msof
pro
ble
ms, p
roble
msth
atper
tain
toan
alysisofdat
a, instea
dofm
ethods”
.
(Fried
man
, 1977)
Ento
nce
s, es el
pro
ble
mael
que es
estad
ístico
,
no el m
odel
o.
•U
n p
roble
ma es
tadístico
se ca
ract
eriz
a por: d
atos su
jeto
s a var
iaci
ón,
una pre
gunta
de in
teré
s, ince
rtid
um
bre
en la re
spues
ta q
ue pued
e obte
ner
se con los dat
os, alg
ún g
rado d
e ra
zonam
iento
infe
renci
al.
•¿P
or quéra
zón la pro
fesión estad
ística
enfa
tiza
cie
rtos tipos de
mét
odos?
Porq
ue la
var
iaci
ón en los pro
ble
mas
estad
ístico
s se
re
conoce
de en
trad
a, y
la cu
antifica
ción d
e in
certid
um
bre
se to
ma por
hec
ho y
es ru
tinar
iam
ente
abord
ada por ta
les m
étodos. A
sí, uno p
odría
ente
nder
com
o “m
étodo estad
ístico
”en
el se
ntido d
e cu
antifica
ción d
e in
certid
um
bre
. En este se
ntido alg
unos es
tadístico
s no consider
aría
n
algunos an
álisis d
e dat
os co
mo anál
isis “es
tadístico
s”.
¿En p
rinci
pio
, pro
ble
ma bin
ario
de cl
asific
ació
n?
•X
es v
ecto
r de var
iable
s am
bie
nta
les. Y=1,0
es p
rese
nci
a
ause
nci
a.
•H
ay u
na fu
nci
ón f(X)(d
esco
noci
da)
que des
crib
e
pro
bab
ilid
ad condic
ional
de pre
senci
avs. ause
nci
a.
•Se cu
enta
con u
na m
ues
tra em
píric
a de am
bie
nte
s (X
’s)
asoci
ados co
n p
rese
nci
as y
con ause
nci
as (Y’s
) (?
).
•El obje
tivo es pre
dec
ir Y*, co
n b
ase en
su X*, si u
n lugar
arbitra
rio p
erte
nec
e a la
distrib
uci
ón o
si no p
erte
nec
e, es
dec
ir, f(X*). (Q
uiz
ás si f(X*)>1/2
, se
dec
lara
una
pre
senci
a).
Alg
oritm
os visto
s co
mo “ca
jas neg
ras”
(en n
ichos ec
oló
gic
os)
Eje
mplo
s de al
goritm
os
•Bas
ados en
envolv
ente
s (B
IOCLIM
)
•Bas
ados en
dista
nci
as (LIV
ES, D
OM
AIN
)
•Bas
ados en
reg
resión (M
odel
os ad
itiv
os gen
eral
izad
os, lin
eale
s gen
eral
izad
os, reg
resión logística
).
•Red
es n
euro
nal
es.
•Boosted
regre
ssio
ntree
s.
•A
lgoritm
os gen
étic
os (G
ARP, Sto
ckw
ell&
Pet
ers, 1
999).
•Entropía
máx
ima (M
axen
t, P
hillipset al., 2006).
•O
tros (v
er E
lith
, et al., 2005)A
lgoritm
o
(o M
odel
o)
(X1,Y1),…,(Xn,Yn)
f(X*)
X*
Un eje
mplo
Baroniabrevicornis
Var
iable
s am
bie
nta
les: clim
a, h
um
edad
, tipo d
e su
elo,
pre
cipitac
ión, te
mper
atura
med
ia, te
mper
atura
máx
ima,
tem
per
atura
mín
ima, ele
vac
ión.
Baroniabrevicornis
Pre
senci
as (40) en
espac
io g
eográ
fico
.
Bar
onia
bre
vic
orn
is: D
istrib
uci
ones
pre
dic
has
GA
RP
Flo
raM
ap
Dom
ain
Alg
unos det
alle
s pro
pio
s al
conte
xto
de nic
hos
ecoló
gic
os
•¡A
use
nci
as n
o son ause
nci
as leg
ítim
as!
•La m
ayor par
te d
e la
s vec
es sólo
hay
pre
senci
as, por lo
que se
gen
eran
“pse
udoau
senci
as”.
•N
o son d
atos obte
nid
os baj
o d
iseñ
o, sino inci
den
tale
s. E
l m
ues
treo
no
es h
om
ogén
eo, ni pro
bab
ilístico
.
•Existe
info
rmac
ión a priori.
•H
ay p
roble
mas
de es
cala
.
•H
ay correl
ació
n esp
acia
l.
•D
efic
ienci
a en
can
tidad
y cal
idad
de dat
os.
•A
lta dim
ensional
idad
(en
esp
acio
am
bie
nta
l).
•O
bje
tivos m
últip
les.
•Consider
acio
nes
bio
lógic
as son extrem
adam
ente
com
ple
jas.
•H
ay esc
enar
ios m
uy n
um
eroso
s (n
úm
ero d
e es
pec
ies, n
úm
ero d
e
regio
nes
).
Pre
senci
as (Rep
tile
s)
Ses
go d
e m
ues
treo
Caj
a neg
ra d
e la
nat
ura
leza
XY
am
bie
nte
Pre
senci
a/au
senci
a (Y
=0,1
)
Caj
a neg
ra d
el m
odel
ador
XY
am
bie
nte
Pre
dic
ción
Hac
ia u
na ta
xonom
ía d
e m
odel
os
La ca
ja n
egra
del
model
ador: L
as d
os cu
ltura
s*La ca
ja n
egra
del
model
ador: L
as d
os cu
ltura
s*
2. D
ata
2. D
ata
Model
ing
Model
ing
(DM
) cu
lture
(DM
) cu
lture
1.
1. A
lgorith
mic
Alg
orith
mic
Model
ing
Model
ing
(AM
) cu
lture
(AM
) cu
lture
* B
reim
an(2
001), StatisticalScience
, w
ith
discu
ssio
n.
Red
es n
euro
nal
es,
árbole
s de dec
isió
n,
algoritm
os gen
étic
os,
etc.
Xf(X)
Am
bie
nte
Pre
dic
ción
Cultura
de m
odel
ació
n alg
orítm
ica
•El in
terior de la
caj
a neg
ra es co
mple
jo y
des
conoci
do. La
inte
rpre
taci
ón es usu
alm
ente
difíc
il.
•El en
foque es
enco
ntrar
una fu
nci
ón f(x)(u
n alg
oritm
o).
•V
alid
ació
n: ex
amin
ar p
reci
sión p
redic
tiva.
•La noci
ón d
e in
certid
um
bre
no n
eces
aria
men
te es co
nsider
ada.
Logisticre
gre
ssio
n,
linea
r re
gre
ssio
n, etc.
XY*
Am
bie
nte
Pre
dic
ción
Cultura
de m
odel
ació
n d
e dat
os
•H
ay u
n m
odel
o p
robab
ilístico
den
tro d
e la
caj
a neg
ra. Esto im
plica
suposici
ones
ace
rca de la
ale
atoried
ad.
•P(Y)(m
odel
o d
e pro
bab
ilid
ad p
ara Y) es
pro
duct
o sec
undar
io (el
cual
a la
vez
per
mite hac
er ase
ver
acio
nes
par
a cu
antifica
r la
pre
cisión d
e la
pre
dic
ción).
•H
ay p
arám
etro
s que se
estim
an v
ía d
atos obse
rvad
os.
•El m
étodo d
e pre
dic
ción es pre
scrito
por el
model
o y
/o p
or obje
tivos y
suposici
ones
(ta
mbié
n estáden
tro d
e la
caj
a neg
ra).
•V
alid
ació
n: an
álisis p
ara det
erm
inar
si la
s su
posici
ones
sobre
ale
atoried
ad
son v
álid
as. Tér
min
o “bondad
de aj
uste”
.
Tax
onom
ía d
e m
odel
os de pro
bab
ilid
ad en la
cultura
de m
odel
ació
n d
e dat
os: subes
pec
ies*
•Modelos sustantivos, q
ue se
bas
an en conoci
mie
nto
de la
mat
eria
y conte
xto
, un m
ecan
ism
o q
ue ex
plica
lo q
ue es
obse
rvad
o.
•Modelos empíricos, q
ue quie
ren rep
rese
nta
r de una m
aner
a
“suav
e”el
com
portam
iento
a lar
go p
lazo
de re
pet
icio
nes
,
sin b
asar
se en u
n conte
xto
esp
ecífic
o.
* C
ox
(1990), StatisticalScience
Difer
enci
a en
tre al
goritm
o y
model
ació
n d
e
dat
os.
Eje
mplo
ilu
stra
tivo: Reg
resión lin
eal sim
ple
X
Y
Punto
de vista
model
ació
n d
e dat
os
•Se as
um
e que ca
da obse
rvac
ión d
e Y
tien
e una distrib
uci
ón
de pro
bab
ilid
ad (e.g.norm
al) par
a ca
da X. La es
truct
ura
linea
l es
una su
posici
ón q
ue pued
e pro
ven
ir d
e
conoci
mie
nto
en la m
ater
ia (e.g.te
oría quím
ica)
. U
na
consider
ació
n d
e ín
dole
pro
bab
ilístico
(m
áxim
a
ver
osim
ilitud) pro
duce
el aj
uste por m
ínim
o cuad
rados.
•Com
o p
arte
del
pro
ceso
de aj
uste, se obtien
e la
cuan
tifica
ción d
e in
certid
um
bre
en los par
ámet
ros
estim
ados (inte
rcep
to y
pen
die
nte
).
Punto
de vista
model
ació
n alg
orítm
ica
•N
o h
ay u
n p
apel
explíci
to p
ara pro
bab
ilid
ad. Los punto
s (X,Y)se
apro
xim
an p
or una línea
rec
ta. U
n arg
um
ento
geo
mét
rico
(no-
pro
bab
ilístico
) de m
inim
izac
ión d
e una dista
nci
a ta
mbié
n d
a lu
gar
a u
n
ajuste por m
ínim
os cu
adra
dos. E
l in
terc
epto
y p
endie
nte
no
nec
esar
iam
ente
inte
rpre
table
s, n
i de in
teré
s es
pec
ial.
•El m
odel
o d
e dat
os y el en
foque al
gorítm
ico am
bos dan
lugar
a u
n
ajuste por m
ínim
os cu
adra
dos. ¿Esto sig
nific
a que am
bos es
tán
hac
iendo lo m
ism
o y
per
siguie
ndo los m
ism
os obje
tivos?
¡N
o! Par
a
model
o d
e dat
os, la re
cta es
un estim
ador de un conce
pto
pro
bab
ilístico
. Par
a m
odel
o alg
orítm
ico, la re
cta es
un d
ispositivo d
e
apro
xim
ació
n.
•Si del
anál
isis estad
ístico
sólo
se ex
trae
la re
cta aj
ustad
a, se ig
nora
por
com
ple
to la des
crip
ción d
e var
iabilid
ad d
e Y
(por vía
del
model
o d
e
pro
bab
ilid
ad) que es
tápre
sente
en el m
odel
o.
Expla
nat
ion o
r pre
dic
tion? In
fere
nce
or
dec
isio
n?
•For ex
pla
nat
ion, O
ccam
’s raz
or ap
plies
. A
work
ing m
odel
,
a su
ffic
iently g
ood appro
xim
atio
n that
is sim
ple
is
pre
ferred
.
•For pre
dic
tion, al
l th
at is im
portan
t is that
it w
ork
s.
Moder
n h
ardw
are+
softw
are+
dat
abas
e m
anag
emen
t hav
e
spaw
ned
met
hods from
fie
lds of ar
tifici
al inte
llig
ence
,
mac
hin
e le
arnin
g, pat
tern
rec
ognitio
n, an
d d
ata
visual
izat
ion.
•D
epen
din
g o
n p
articu
lar nee
d, so
me m
odel
s m
ay n
ot
pro
vid
e th
e re
quired
answ
ers.
Eje
mplo
en cultura
de m
odel
ació
n d
e dat
os*
:
La re
laci
ón entre dat
osy el nic
ho
•A
l m
enos lo
s siguie
nte
s co
nce
pto
s par
ecer
ían ser
rele
van
tes dad
o el co
nte
xto
del
pro
ble
ma:
–Ses
go esp
acia
l de m
ues
treo
.
–D
etec
tabilid
ad.
•Existe
ale
atoried
ad en el pro
ceso
de obse
rvac
ión.
•Existe
info
rmac
ión (bio
lógic
a) p
revia
leg
ítim
a.
•El obje
to d
e in
teré
s es
pro
bab
ilid
ad d
e pre
senci
a en
un
sitio. Se re
quie
re infe
renci
a es
tadística
par
a pro
bab
ilid
ad
de pre
senci
a:
–Estim
acio
nes
.
–Pre
cisión d
e es
tim
acio
nes
. * A
rgáe
z, C
hristen
, N
akam
ura
, an
dSober
ón
(2005)
Sitio
con
val
ore
s
ambie
nta
les X
¿Especie presente?
¿Sitio visitado?
¿Especie detectada? E
stos so
n d
atos de
“sólo
pre
senci
a”.
Una pre
senci
a es
el re
sultad
o d
e es
te m
ecan
ism
o ale
atorio.
.20
Clim
aA
Esp
ecie
#1
Pre
senci
a
.8Ses
go
.16
Tas
ade obs.
Eje
mplo
ilustra
tivo:
100 ensa
yosde m
ues
treo
16
Obse
rvad
os
.80
Clim
aB
.1 .08 8
0
Clim
aC
.1 0 0
100–16 –
8=76 ensa
yosno o
bse
rvad
os; 2
4 p
rese
nci
asobse
rvad
asen
am
bos ca
sos.
××
×
==
=
.32
Clim
aA
Esp
ecie
#2
.5 .16
16
.16
Clim
aB
.5 .08 8
.52
Clim
aC
0 0 0
××
×
==
=
Asp
ecto
ilu
stra
do p
or el
eje
mplo
•Com
o los dat
os obse
rvad
os so
n idén
tico
s, cual
quie
r
mét
odo q
ue só
lo u
tilice
eso
s dat
os obse
rvad
os (p
rese
nci
as
en clim
as A
,B,C
), es in
capaz
de disce
rnir entre Esp
ecie
#1
y E
spec
ie #
2.
•Ses
go d
e m
ues
treo
y o
tras
condic
iones
se vuel
ven
cruci
ales
. Sólo
se id
entifica
n cuan
do se ex
amin
a la
gén
esis
de lo
s dat
os. E
sta es
la cu
ltura
de m
odel
ació
n d
e dat
os.
Model
ació
n P
robab
ilística
de D
atos
Sitio
stien
e var
iable
s am
bie
nta
les X.
P(o
bse
rvar
en X)=P(p
rese
nci
aen
X)x xxx
P(X
isvisitad
o)x xxx
P(d
etec
tado)
Datos
Probabilidad
de presencia.
Es fu
nci
ón d
e X. Este es
par
ámet
ro d
e in
teré
s.
Sesgo en
muestreo.
Es fu
nci
ón
conoci
da de
Xy ses
go
espac
ial, ésta
supues
ta
dad
a.
Probabilidad
de detección.
Se su
pone
dad
o.
Model
ació
n
de
pro
bab
ilid
ad
de pre
senci
a.
¿Quéotras
cosa
s af
ecta
n la distrib
uci
ón d
e lo
s
dat
os *
?
•U
na co
sa es distrib
uci
ón d
e la
esp
ecie
, y o
tra es
distrib
uci
ón d
e lo
s
dat
os. D
ebe en
tender
se la re
laci
ón entre dat
os y n
icho.
•El dia
gra
ma de ár
bol pre
vio
es m
ás com
ple
jo:
–A
cces
ibilid
ad.
–In
tera
ccio
nes
.
–Pobla
ciones
sum
ider
o.
–Res
olu
ción d
e la
rej
illa
.
–N
icho rea
liza
do v
s. p
ote
nci
al.
•A
lgunos ca
sos es
pec
iale
s per
miten
sim
plifica
ciones
:
–M
ues
treo
uniform
e.
–D
etec
ción constan
te.
–A
cces
ibilid
ad irres
tric
ta.
* N
akam
ura
, an
dSober
ón
(2007?)
Infe
renci
a Estad
ística
: Par
adig
ma bay
esia
no
Model
o
L(X|q)
Info
rmac
ión p
revia
p(q)
Info
rmac
ión
poster
ior
p(q|X)
Model
ació
nElici
taci
ón
Cóm
puto
Instru
men
to ú
nic
o
par
a re
aliz
ar
infe
renci
a so
bre
q
Dat
os
Elici
taci
ón
Convertir esto:
a esto:
p(q),den
sidad
de pro
bab
ilid
ad q
ue cu
antifica
conoci
mie
nto
sobre
q
Herramientas:
Fam
ilia
Diric
hle
t, n
oci
ón d
e in
form
ació
n
contrad
icto
ria.
Usu
ario
espec
ific
a
espec
ie es
muy
pro
bab
le sí
se encu
entre
aquí.
Usu
ario
espec
ific
a
espec
ie es
muy
impro
bab
le
se
encu
entre
aquí.
Loca
liza
ción:es
tim
ació
n
Var
iabilid
ad:pre
cisión
0
Cóm
puto
Cal
cula
r p(q|X), d
ensidad
poster
ior
Herramientas:
MCM
C (M
arkov
Chai
nM
onte
Car
lo),
apro
xim
acio
nes
num
éric
as.
Output:
una den
sidad
de pro
bab
ilid
ad p
ara ca
da P(p
rese
nci
aenX)
Baroniabrevicornis: D
istrib
uci
ones
pre
dic
has
GA
RP
Bio
P
Flo
raM
ap
Dom
ain
Distrib
uci
ón
pre
dic
haen
det
alle
Estim
ació
nPre
cisión
Tira y afloja
DM
vs.
AM
Pro
s
Contras
Sólo
req
uie
re d
e dat
os num
éric
os
com
o entrad
as.
Gen
eral
men
te existe
softw
are gen
eral
bie
n p
robad
o.
Adec
uad
o p
ara pro
cesa
mie
nto
auto
mát
ico, en
ser
ie, sin super
visió
n
estrec
ha.
Cas
i siem
pre
es difíc
il d
e in
terp
reta
r.
Los m
étodos so
n d
em
asia
do g
ener
ales
,
de ta
l m
aner
a que as
pec
tos re
levan
tes
son ignora
dos.
Cuan
tifica
ción d
e in
certid
um
bre
frec
uen
tem
ente
fal
tante
, difíc
il, o
imposible
.
Prim
ero d
ebe
med
itar
se sobre
nat
ura
leza
del
model
o ante
s de
em
pez
ar; quiz
ás req
uie
re d
e m
ás
info
rmac
ión.
Pued
e se
r en
torp
ecid
o p
or gra
ndes
cantidad
es d
e dat
os o d
imen
sional
idad
.
No es ad
ecuad
o p
ara gra
ndes
núm
eros
de ca
sos, es dec
ir, pro
cesa
mie
nto
en
serie o exper
imen
taci
ón.
Contras
Pued
e pro
vee
r de en
tendim
iento
estruct
ura
l al
pro
ble
ma.
Conte
xto
esp
ecífic
o d
el p
roble
ma se
exam
ina co
n m
ayor det
alle
,
per
mitie
ndo se des
cubra
n asp
ecto
s
rele
van
tes.
Cuan
tifica
ción d
e in
certid
um
bre
es
par
te inher
ente
del
jueg
o.
Pro
s
Modelación
de datos
Modelación
algorítmica
Res
um
en d
e co
ncl
usiones
•“a
lgoritm
os”
, “d
atos”
, y “m
odel
ació
n”se
colo
can en
distinto
s niv
eles
lógic
os
–En D
M, el
alg
oritm
o es pre
scrito
ad hocco
mo p
arte
de la
caj
a
neg
ra; en
AM
es la
caj
a neg
ra en sí.
–A
M g
ener
alm
ente
com
ienza
con d
atos; D
M g
ener
alm
ente
com
ienza
con u
n conte
xto
y u
na pre
gunta
o u
na hip
óte
sis
cien
tífica
.
Res
um
en d
e co
ncl
usiones
•D
ifer
ente
s re
quer
imie
nto
s de “d
atos”
según m
odel
adore
s
de distinta
s cu
ltura
s de m
odel
ació
n
–D
M enfa
tiza
de m
ayor m
aner
a el
conte
xto
y el pro
ceso
explica
tivo
de dat
os, adem
ás d
e lo
s val
ore
s num
éric
os (p
or qué, cóm
o, ad
emás
de dónde y cuán
do).
–Los dat
os so
n m
uch
o m
ás q
ue m
eros núm
eros.
Alg
unas
refe
renci
as
•Cox, D
.R. (1
990), “Role
of M
odel
s in
Sta
tistic
al A
nal
ysis”
, Statistical Science
, 5, 169–174.
•Bre
iman
, L. (2
001), “Sta
tistic
al M
odel
ing: The Tw
o C
ulture
s”, Statistical Science
, 16, 199–226.
•Fried
man
, J.H
. (1
997), “D
ata M
inin
g and S
tatistic
s: W
hat
’s the Connec
tion?”
, Department of
Statistics and Stanford Linear Accelerator Center, S
tanfo
rd U
niv
ersity
.
•M
acK
ay, R.J. an
d O
ldfo
rd, R.W
. (2
000), “Sci
entific M
ethod, Sta
tistic
al M
ethod, an
d the Spee
d o
f
Lig
ht”
, Statistical Science
, 15, 224–253.
•Rip
ley, B.D
. (1
993), “Sta
tistic
al A
spec
ts o
f N
eura
l N
etw
ork
s”, in
Networks and Chaos–Statistical
and Probabilistic Aspects, ed
s. O
.E. Bar
ndorff-N
ielsen
, J.L. Je
nse
n and W
.S. K
endal
l, C
hap
man
and
Hal
l, 4
0–123.
•Spro
tt, D
. A
. (2
000), Statistical Inference in Science
, Springer
-Ver
lag, N
ew Y
ork
.
•A
rgáe
z, J., C
hristen
, J.A
., N
akam
ura
, M
. an
d S
ober
ón, J. (2005), “Pre
dic
tion o
f Pote
ntial
Are
as o
f
Spec
ies D
istrib
utions Bas
ed o
n P
rese
nce
-only
Dat
a”, Journal of Environmental and Ecological
Statistics, v
ol. 1
2, 27–44.
•H
astie, T
., T
ibsh
iran
i, R
., and F
ried
man
, J. (2001), The Elements of Statistical Learning: Data
Mining, Inference, and Prediction, Springer
, N
ew Y
ork
.
•D
uda, R
.O., H
art, P
.E., and S
tork
, D
.G. (2
001), Pattern Classification, W
iley
, N
ew Y
ork
.
•W
ahba, G
. (1
990), SplineModels for Observational Data
, SIA
M, Philad
elphia
.
•Sto
ne, M
. (1
974), “Cro
ss-v
alid
atory
choic
e an
d ass
essm
ent of stat
istica
l pre
dic
tions”
, Journal of the
Royal Statistical Society, 3
6, 111–147.
•Bre
iman
, L., and S
pec
tor, P
. (1
992), “Subm
odel
sele
ctio
n and eval
uat
ion in reg
ress
ion: th
e X
-ran
dom
ca
se”, The International Statistics Review, 60, 291–319.
•Efron, B. (1
986), “H
ow
bia
sed is th
e ap
par
ent er
ror ra
te o
f a pre
dic
tion rule
?”, Journal of the
American Statistical Association, 81, 461–470.