class: center, middle, inverse, title-slide .title[ # Métodos Estadísticos Avanzados en las Ciencias Marinas ] .subtitle[ ## <br><br><br> ] .date[ ### <br><br><br>Grado en Ciencias del Mar<br>Curso 2022-23 ] --- layout: true background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/uni2.png) background-size: 50% 75% --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 1. Proyecto Docente --- ### Campus virtual: Proyecto Docente .pull-left[ [](https://www2.ulpgc.es/aplicaciones/proyectosdocentes/pdf.php?id_proyecto=65496&NUEVA=1) ] .pull-right[ [Descargar proyecto docente curso 2022-23](https://www2.ulpgc.es/aplicaciones/proyectosdocentes/pdf.php?id_proyecto=65496&NUEVA=1) ] --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 2. Profesorado --- ## Profesorado <img src="http://www.estadistica-dma.ulpgc.es/imagenes/logoDMAtransp1.png" alt="logo DMA" height="80" style="float:right"> <br> * __Profesor de Teoría y coordinador__: Angelo Santana del Pino correo: .blue[angelo.santana@ulpgc.es] Horario preferente de tutorías: LMXJ 9-10 -- <br> * __Profesora de Prácticas__: Carmen Nieves Hernández Flores correo: .blue[carmennieves.hdezflores@ulpgc.es] Horario preferente de tutorías: MX 9-12 --- ## Tutorías <img src="http://www.estadistica-dma.ulpgc.es/imagenes/logoDMAtransp1.png" alt="logo DMA" height="80" style="float:right"> <br><br> * Las tutorías deberán solicitarse por correo electrónico y podrán ser atendidas presencialmente o a través de la plataforma .blue[`Teams`]. --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 3. Motivación: ¿Por qué esta asignatura? --- ### .red[Motivación: ¿Por qué esta asignatura? ] Porque en el ámbito de las Ciencias Marinas se plantean numerosos problemas de análisis de datos que requieren el uso de modelos más complejos que los vistos en segundo curso: -- * .blue[Análisis de datos multivariantes.] - Modelos lineales: regresión, análisis de la varianza y de la covarianza. - Modelos lineales generalizados: regresión logística y regresión de Poisson. ¿Modelos GAM? - Reducción de la dimensionalidad: Componentes Principales (Funciones Ortogonales Empíricas) -- * .blue[Análisis de Series temporales.] - Modelos ARIMA - Análisis Espectral -- * .blue[Muestreo / Diseño Experimental.] --- ### .red[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. .blue[Establecer claramente cuál es el problema a resolver], así como los objetivos a alcanzar en su ámbito científico concreto. -- 2. .blue[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. .blue[Tomar los datos] (mediante observación u experimentación). -- 4. .blue[Explorar los datos], describiendo sus características mediante medidas descriptivas, tablas y gráficos. -- 5. .blue[Ajustar modelos], estimando sus parámetros y su nivel de incertidumbre. Validar las hipótesis en que se sustentan los modelos. -- 6. .blue[Extraer las conclusiones] que procedan. --- ### .red[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`, que ya aprendimos a utilizar en segundo curso. -- * 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, .blue[practicar] y .red[practicar]. -- * __Utilizaremos el ordenador también durante las clases teóricas.__ -- * .blue[__Preparación para la realización del TFG__] --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 4. Competencias y objetivos. --- ## Contribución de la asignatura al perfil profesional La obtención de resultados científicamente válidos en cualquier ámbito de las ciencias marinas -oceanografía biológica, física o química, pesquerías, acuicultura, ...- requiere no sólo de conocimientos específicos del área y de la capacidad de análisis, desarrollo y aplicación detécnicas experimentales e instrumentales, sino también un conocimiento profundo de los métodos estadísticos que permiten diseñar un buen experimento, o una campaña de muestreo, y posteriormente permiten analizar los datos obtenidos de forma que puedan confirmarse o refutarse con rigor las hipótesis de partida, o puedan elaborarse modelos contrastables que expliquen las relaciones entre las variables que se miden. Los estudios que se publican en la literatura científica,o que se hacen constar en informes técnicos, en general carecen de toda validez si no van acompañados de un análisis estadístico adecuado. Esta asignatura dota al alumno del conocimiento de los métodos estadísticos necesarios para el análisis de datos con estructura multidimensional en problemas vinculados a las ciencias marinas,así como de la capacitación en el manejo de software adecuado a esta finalidad. --- ## 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. &nbsp;&nbsp;&nbsp;&nbsp;&bull; 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 <br> 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 <br> 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 --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 5. Programa de la asignatura --- ## Programa de la asignatura <br> * .red[__Tema 1.__] Revisión de métodos básicos de inferencia estadística: estimación y contraste de hipótesis. -- * .red[__Tema 2.__] Muestreo. Potencia estadística y tamaño de muestra. -- * .red[__Tema 3.__] Modelos lineales. - 3.1 Regresión lineal múltiple. - 3.2 Análisis de la varianza y de la covarianza. - 3.3 Diseño de experimentos -- <br> .resalta[ .blue[__El tema 1 se irá impartiendo dentro de los otros temas a medida que se requieran sus contenidos__] ] --- ## Programa de la asignatura <br> * .red[__Tema 4.__] Generalizaciones del modelo lineal: regresión logística y de Poisson. .blue[¿Modelos GAM?] -- * .red[__Tema 5.__] Análisis de datos multivariantes: - 5.1 Reducción de la dimensionalidad: análisis de componentes principales. - 5.2 Clasificación: análisis cluster. -- * .red[__Tema 6.__] Series temporales. - 6.1 Modelos ARIMA. - 6.2 Análisis espectral. --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 6. Metodología --- ## .blue[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. -- * .resalta[Las clases teóricas y prácticas, así como la realización de trabajos se realizarán de forma presencial en el aula. --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 7. Evaluación --- ## .blue[Convocatoria Ordinaria: Evaluación continua.] -- .red[__Fuente 1.1.__] Actividad realizada durante las prácticas (asistencia + entrega de resultados) (15%) -- .red[__Fuente 1.2.__] Entrega de 5 ejercicios teórico-prácticos resueltos, divididos en tareas que se irán proponiendo periódicamente durante el cuatrimestre (35%) -- .red[__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. Este trabajo se podrá realizar individualmente o en grupos de dos alumnos como máximo (45%). -- .red[__Fuente 1.4.__] Asistencia a clase y participación en el aula (5%) -- .resalta[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.] --- ## .blue[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. --- ## .blue[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. --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 8. Bibliografía --- ## Bibliografía <br> 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](http://estadistica-dma.ulpgc.es/MEAV/) 2. [Linear Models with R](http://www.utstat.toronto.edu/~brunner/books/LinearModelsWithR.pdf) _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](https://otexts.com/fpp2/). _Hyndman, R.J., Athanasopoulos, G._. oTexts (2020) 5. [ggplot2: elegant graphics for data analysis](https://ggplot2-book.org/). _Wickham, H._ Springer (2009). [[Página web del programa]](https://ggplot2.tidyverse.org/) 6. [R para Ciencia de Datos](https://es.r4ds.hadley.nz/) _Grolemund, G, Wickham H._ Thomson (2006) [[Página web de Tidyverse]](https://www.tidyverse.org/) --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: cover background-position: 15% 45% class: inverse, bottom, left # 8. Por último ... --- .center[] ### 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, contenido online... ¡Google está siempre disponible! * Resuelvan todos los problemas que se vayan planteando a lo largo del curso. --- background-image: url(http://www.estadistica-dma.ulpgc.es/imagenes/philipp-katzenberger-iIJrUoeRoCQ-unsplash.jpg) background-size: 900px background-position: 15% 45% class: right, inverse # <br> <br> ¡¡Ánimo y <br> buena suerte!!