Métodos Estadísticos Avanzados en las Ciencias Marinas

Grado en Ciencias del Mar
Curso 2026-27

1. Proyecto Docente

Campus virtual: Proyecto Docente

Descargar proyecto docente curso 2026-27

2. Profesorado

Profesorado

• Profesor de Teoría y coordinador: Angelo Santana del Pino

  correo: angelo.santana@ulpgc.es

  Horario preferente de tutorías: LMXJ 9-10

• Profesora de Teoría y Prácticas: Carmen Nieves Hernández Flores

  correo: carmennieves.hdezflores@ulpgc.es

  Horario preferente de tutorías: MX 9-12

Tutorías

• Las tutorías deberán solicitarse por correo electrónico y podrán ser atendidas presencialmente o a través de la plataforma Teams.

3. Motivación: ¿Por qué esta asignatura?

Motivación: ¿Por qué esta asignatura?

En Ciencias del Mar rara vez tenemos una sola variable, una sola causa y observaciones independientes.

Necesitamos herramientas para trabajar con:

• muchas variables ambientales medidas simultáneamente;

• respuestas continuas, binarias y de recuento;

• relaciones no lineales;

• datos temporales con tendencia, estacionalidad y autocorrelación;

• diseños de muestreo que condicionan lo que podemos concluir.

Ejemplo 1: Floraciones de fitoplancton

Tenemos campañas oceanográficas durante un año, con muestras desde la costa hasta aguas oceánicas.

Queremos saber si las floraciones se explican por:

• gradientes costa–océano;
• temperatura y salinidad;
• nutrientes;
• viento y afloramiento;
• estacionalidad.

Pregunta: ¿las floraciones aparecen al azar o hay una combinación de condiciones que permite anticiparlas?

Preguntas científicas del ejemplo 1

1. ¿Cómo cambia la clorofila-a con los nutrientes, la temperatura y la zona?
2. ¿Existen diferencias entre zona costera, plataforma y oceánica?
3. ¿Cuál es la probabilidad de que haya una floración?
4. ¿Cuántas células potencialmente tóxicas esperamos observar?
5. ¿Hay respuestas no lineales, por ejemplo una temperatura óptima?
6. ¿Podemos resumir muchas variables ambientales en pocos gradientes dominantes?
7. ¿Qué diseño de muestreo necesitamos para responder sin engañarnos?

Variables disponibles: fitoplancton

Tipo de variable	Variables	Uso principal
Identificación	muestra, fecha, estación, zona	estructura del diseño
Espacio	distancia a costa, profundidad	gradiente costero-oceánico
Ambiente físico	temperatura, salinidad, viento, afloramiento	predictores continuos
Nutrientes	nitrato, fosfato, silicato	predictores y PCA
Respuestas biológicas	clorofila-a, floración sí/no, células tóxicas	LM/ANOVA, logística, Poisson
Comunidad	% diatomeas, % dinoflagelados	composición y exploración multivariante

Métodos estadísticos a aplicar

Pregunta	Respuesta	Método natural
¿Aumenta la clorofila con el nitrato?	continua positiva	regresión lineal sobre log(clorofila)
¿Difieren las zonas?	continua por grupos	ANOVA
¿Difieren las zonas ajustando por nutrientes?	continua + covariables	ANCOVA
¿Habrá floración?	binaria, 0/1	regresión logística
¿Cuántas células tóxicas hay?	recuento	regresión de Poisson
¿Hay óptimos o umbrales?	respuesta no lineal	GAM
¿Qué gradientes dominan?	muchas variables correlacionadas	PCA / EOF

Motivación: aplicación práctica de los métodos estadísticos

A lo largo del curso practicaremos la correcta aplicación de los métodos estadísticos, que podemos establecer de modo general en las siguientes fases:

1. Establecer claramente cuál es el problema a resolver, así como los objetivos a alcanzar en su ámbito científico concreto.

2. Traducir el problema a términos estadísticos: identificar qué métodos y modelos habrán de aplicarse. ¿Es un problema de simple descripción de variables? ¿Se deben establecer relaciones entre las mismas estimando los modelos adecuados? ¿Se va a realizar algún tipo de inferencia o predicción?

3. Tomar los datos (mediante observación u experimentación).

4. Explorar los datos, describiendo sus características mediante medidas descriptivas, tablas y gráficos.

5. Ajustar modelos, estimando sus parámetros y su nivel de incertidumbre. Validar las hipótesis en que se sustentan los modelos.

6. Extraer las conclusiones que procedan.

Motivación: manejo de Software estadístico (R y Rstudio)

• Actualmente los procesos de exploración de datos, ajuste de modelos, validación y, en su caso, predicción tienen una componente computacional importante.

• El software que utilizaremos en este curso será R/Rstudio. Es más complejo de utilizar que Jamovi, pero a cambio ofrece herramientas de análisis específicas para pesquerías u oceanografía, por ejemplo.

• Manejaremos librerías modernas, con especial hincapié en los paradigmas del tidyverse (datos bien ordenados y estructurados) y el uso de pipelines (tuberías) para enlazar tareas.

• La única forma de aprender/comprender los distintos temas de este curso es practicar, practicar y practicar.

• Utilizaremos el ordenador también durante las clases teóricas.

• Preparación para la realización del TFG

4. Competencias y objetivos.

Competencias que tiene asignadas

• I1: Capacidad de análisis y síntesis.

• I3: Comunicación oral y escrita en la propia lengua.

• I4: Conocimiento de una segunda lengua.

• I5: Habilidades básicas del manejo del ordenador relacionadas con el ámbito de estudio.

• I6: Habilidad de la gestión de la información de fuentes diversas.

• I7: Resolución de problemas.     • S1: Capacidad de aprender.

• S7: Capacidad de aplicar los conocimientos en la práctica.

• E8: Reconocer y analizar nuevos problemas y proponer estrategias de solución.

• E10: Saber utilizar herramientas para la planificación, diseño y ejecución de investigaciones aplicadas desde la etapa de reconocimiento hasta la evaluación de resultados y descubrimientos.

• E21: Tener destreza en el uso práctico de modelos, incorporando nuevos datos para la validación,mejora y evolución de los modelos.

Objetivos

Conocer y saber aplicar los modernos métodos estadísticos para:

• Identificar las variables importantes en problemas de investigación científica en todos los ámbitos de las ciencias marinas.

• Elaborar, estimar e interpretar modelos que representen las interrelaciones entre las variables que se estudian, de tal forma que sea posible contrastar si existe efecto real de las variables predictivas/explicativas sobre la variable respuesta, y en tal caso, cuantificarlo.

• Modelar, estimar e interpretar las relaciones entre variables que evolucionan en el tiempo,considerando tanto el dominio temporal como el dominio de las frecuencias.

Objetivos

Conocer y saber aplicar los modernos métodos estadísticos para:

• Ser capaz de interpretar los resultados de la aplicación del método estadístico en el ámbito concreto en que se utiliza.

• Elaborar diseños experimentales y de muestreo adecuados que permitan la estimación fiable de los parámetros de interés y el contraste de las hipótesis de investigación en el marco de los modelos anteriores.

• Conocer y ser capaz de manejar un software estadístico moderno y potente (R) para cumplir con los objetivos anteriores

5. Programa de la asignatura

Programa de la asignatura

• Tema 1. Revisión de métodos básicos de inferencia estadística: estimación y contraste de hipótesis.

• Tema 2. Muestreo. Potencia estadística y tamaño de muestra.

• Tema 3. Modelos lineales.

  • 3.1 Regresión lineal múltiple.

  • 3.2 Análisis de la varianza y de la covarianza.

  • 3.3 Diseño de experimentos

El tema 1 se irá impartiendo dentro de los otros temas a medida que se requieran sus contenidos

Programa de la asignatura

• Tema 4. Generalizaciones del modelo lineal: regresión logística y de Poisson. ¿Modelos GAM?

• Tema 5. Análisis de datos multivariantes:

  • 5.1 Reducción de la dimensionalidad: análisis de componentes principales.

  • 5.2 Clasificación: análisis cluster.

• Tema 6. Series temporales.

  • 6.1 Modelos ARIMA.

  • 6.2 Análisis espectral.

6. Metodología

Metodología.

• Clases teóricas y de problemas

• Clases prácticas, para las que cada estudiante traerá su propio ordenador, en las que se enseñará el manejo del software R para el análisis de datos.

• Exposición de trabajos realizados por los alumnos.

Las clases teóricas y prácticas, así como la realización de trabajos se realizarán de forma presencial en el aula.

7. Evaluación

Convocatoria Ordinaria: Evaluación continua.

Fuente 1.1. Actividad realizada durante las prácticas (asistencia + entrega de resultados) (15%)

Fuente 1.2. Entrega de 5 ejercicios teórico-prácticos resueltos, divididos en tareas que se irán proponiendo periódicamente durante el cuatrimestre (35%). Dos de estos ejercicios serán evaluados en el aula mediante una prueba práctica en la que el/la estudiante deberá resolver usando el software estadístico algunas cuestiones adicionales a la tarea realizada.

Fuente 1.3. Realización y presentación de un trabajo de análisis de datos y su interpretación, a partir de una base de datos proporcionada por el profesorado de la asignatura, o bien relacionada con el futuro TFG del estudiante (45%). El alumno dispondrá de un guion en el que se plantean las cuestiones teórico-prácticas a resolver en el trabajo, y deberá hacer una presentación oral de sus resultados en la que el profesorado valorará los conocimientos adquiridos mediante una sesión de preguntas.

Fuente 1.4. Asistencia a clase y participación en el aula (5%)

Las actividades desarrolladas en cada una de estas fuentes se valorarán de 0 a 10 (ver criterios de evaluación en la página siguiente). Para aprobar la asignatura es preciso obtener al menos 5 puntos después de ponderar todas las actividades realizadas.

Criterios de evaluación:

La evaluación de los items anteriores se realizará en una escala de 0 a 10, atendiendo en cada caso a:

• Realización correcta de las actividades prácticas (tratamiento de datos con R).

• En el caso de los ejercicios teórico-prácticos, el razonamiento, corrección, precisión y claridad en las respuestas.

• En el caso del trabajo, se valorará que el planteamiento metodológico sea correcto y las conclusiones acertadas, así como la claridad en la expresión, uso correcto del lenguaje, uso adecuado de la bibliografía, organización y presentación.

Uso de la inteligencia artificial:

• Podrá utilizarse la IA para la resolución de los ejercicios planteados a lo largo de la asignatura, así como para la realización del trabajo.

• No podrá utilizarse durante la evaluación de los ejercicios en el aula ni, obviamente, durante la presentación del trabajo. Este se evaluará fundamentalmente a través del grado de conocimiento que manifieste el alumno durante la presentación oral del mismo.

Consejos para un buen uso de la IA

• La IA es un tutor, no un sustituto del razonamiento. Úsala para que te explique un concepto de otra manera, para entender por qué un contraste o modelo no es aplicable o para que te plantee ejemplos alternativos. Si la usas para saltarte el paso de pensar qué modelo corresponde a tus datos, te conviertes en capital humano prescindible.

• Puedes usar la IA como asistente para redactar código R. Pero nunca aceptes código de R que no puedas explicar línea a línea. Es habitual que un modelo proponga funciones o paquetes que no existen, argumentos mal usados o soluciones que corren sin error pero calculan otra cosa. Antes de incorporar cualquier código, ejecútalo, comprueba el resultado con un caso que conozcas y asegúrate de poder justificar cada instrucción.

Consejos para un buen uso de la IA

• Desconfía especialmente de la interpretación de resultados. La IA tiende a producir interpretaciones plausibles y bien escritas que confunden significación con relevancia, correlación con causalidad, o que ignoran los supuestos del modelo. La verificación de supuestos y la lectura sustantiva de los resultados son tu responsabilidad, no la suya.

• Cuida los datos que compartes. No subas a herramientas externas datos de prácticas que contengan información personal o confidencial. Si necesitas ayuda con un conjunto real, trabaja con una muestra simulada o anonimizada que reproduzca la estructura del problema.

• Declara el uso que has hecho. En cada entrega, indica brevemente en qué has empleado la IA (depurar código, redactar, revisar la interpretación), qué has verificado por tu cuenta y como lo has verificado. Usar la IA no penaliza; ocultar su uso sí, y presentar como propio un texto o un análisis generado íntegramente por la herramienta es plagio a efectos de evaluación.

Consejos para un buen uso de la IA

• Aprobar vs. aprender: El objetivo de la formación universitaria es aprender. La IA ayuda a aprobar, pero no puede sustituir el aprendizaje. Si no aprendes, si no adquieres conocimiento, no tendrás criterio ni para preguntar a la IA ni para juzgar sus respuestas.

• Antes de usar la IA, realiza el esfuerzo de tratar de resolver el problema por tu cuenta: si vas al gimnasio y te limitas a mirar como otra persona levanta pesas, después no te sorprendas por no ganar fuerza. En estadística hay que decidir qué modelo corresponde a los datos, qué supuestos se asumen, qué preguntas realmente se pueden responder con los datos disponibles. La habilidad para estas tareas no se adquiere leyendo respuestas acabadas generadas por IA.

• Debes desarrollar capacidad de juicio propia: quien firma un informe, firma sus conclusiones y asume todas las responsabilidades derivadas; no podrá alegar, en caso de problemas, que el modelo estaba mal especificado porque lo sugirió o lo ajustó la IA; se puede delegar el trabajo, pero no la responsabilidad.

Evaluación: Convocatorias extraordinaria y especiales:

• Para estas convocatorias se considerarán las actividades prácticas y los trabajos presentados en el curso actual o (en el caso de convocatorias especiales) en los dos años académicos anteriores, siempre que la calificación global obtenida en dichas actividades sea mayor o igual que cinco.

• En caso de que esta calificación sea inferior a 5, deberá realizarse un examen de prácticas con el ordenador: este examen consistirá en un análisis de un conjunto de datos, seguido por una exposición y defensa oral de las conclusiones e interpretación de los resultados de dicho análisis.

• El alumno deberá realizar además un examen de teoría y problemas.

• En caso de que los exámenes anteriores no puedan realizarse de forma presencial, se habilitará su realización a través de medios telemáticos.

• Para aprobar la asignatura es condición necesaria obtener una puntuación media global de al menos 5 puntos.

8. Bibliografía

Bibliografía

1. ¡Internet! Existen numerosos tutoriales, libros, canales de youtube, … dedicados a los métodos estadísticos que veremos este curso, y en particular a su aplicación con R. Web de la asignatura

2. Linear Models with R Julian J. Faraway, Chapman & Hall/CRC, 2005

3. Analysing Ecological Data. Zuur, A.F., Ieno, E., Smith, G.M. Springer (2007)

4. Forecasting: Principles and Practice. Hyndman, R.J., Athanasopoulos, G.. oTexts (2020)

5. ggplot2: elegant graphics for data analysis. Wickham, H. Springer (2009). [Página web del programa]

6. R para Ciencia de Datos Grolemund, G, Wickham H. Thomson (2006) [Página web de Tidyverse]

8. Por último …

Consejos prácticos.

• Traten de llevar la asignatura al día.

• No sean tímidos, ¡pregunten lo que no entiendan! Usen las tutorías del profesorado.

• Experimenten: ¡el ordenador no se rompe cuando prueben sus programas!

• Consulten material: libros, videos, contenido online, IA, …

• Resuelvan todos los problemas que se vayan planteando a lo largo del curso.

¡¡Ánimo y
buena suerte!!