Titulación | Tipo | Curso | Semestre |
---|---|---|---|
4313774 Ecología Terrestre y Gestión de la Biodiversidad | OB | 0 | A |
No hay
Proporcionar una base metodológica avanzada de análisis cuantitativo que pueda ser aplicada en estudios de ecología, biodiversidad y gestión del medio natural.
Una buena parte del módulo consiste en el desarrollo de habilidades numéricas e informáticas avanzadas que pueden ser de utilidad en ecología y en muchas otras profesiones científicas y técnicas. Se estructura en dos partes complementarias, la primera de estadística avanzada y la segunda de elaboración de modelos numéricos aplicables en ecología y gestión del medio natural.
Métodos estadísticos *. Se introducen y discuten los métodos estadísticos más utilizados en biología ambiental, empezando por estadística básica como punto de partida pero extendiéndose rápidamente a un amplio abanico de métodos multivariantes. La idea es que los alumnos dispongan de un buen número de herramientas complementarias que les permitan analizar estadísticamente las bases de datos de que dispongan. Los contenidos incluyen los siguientes apartados:
1. Diseño experimental
2. Estadística básica (t Student, ANOVA, regresión simple, chi cuadrado)
3. Modelos log-lineales
4. Análisis de regresión múltiple
5. Análisis de vías y SEM
6. Modelos lineales generales y generalizados
7. Métodos de ordenación (análisis multivariante)
8. Métodos de clasificación (análisis multivariante)
Modelización *. Se presentan las bases conceptuales de la modelización en general y en el ámbito de la biología ambiental en particular y se proporcionan métodos para su desarrollo autónomo por parte de los alumnos. En las clases presenciales se proporcionan ejemplos de los métodos de modelización más comunes. Después, en un trabajo personal tutorizado, se pide a los alumnos que apliquen alguna de las metodologías vistas en clase a un ejemplo particular de su elección. Los contenidos incluyen:
1. Introducción a los modelos en ecología y en ciencias ambientales.
2. Introducción a la programación en lenguaje R. Variables. Bifurcaciones. Bucles. Funciones.
3. Modelos basados en ecuaciones diferenciales. Crecimiento exponencial y logístico de poblaciones. Modelos de competencia y de depredación. Modelos de compartimentos y flujos.
4. Modelos matriciales. Modelos de poblaciones estructuradas. Modelos de sucesión de comunidades.
5. Modelos de autómatas celulares. El juego de la vida. Modelos epidemiológicos: SI y SIR.
6. Calibración y validación de modelos cuantitativos. Eficiencia del modelo. Métodos.
*A menos que las restricciones impuestas por las autoridades sanitarias obliguen a una priorización o reducción de estos contenidos
Consistirá en clases magistrales, seminarios, prácticas de ordenador, elaboración de un modelo de simulación y estudio personal*.
*La metodología docente propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases de teoría | 20 | 0,8 | 2, 4, 5 |
Seminarios | 48 | 1,92 | 6, 3 |
Tipo: Autónomas | |||
Elaboración de un modelo de simulación | 80 | 3,2 | 1, 3 |
Estudio personal | 143 | 5,72 | 2, 1, 6, 3, 4, 5 |
La nota final del módulo (F) se calcula como la media ponderada de los cuatro ejercicios de evaluación según los porcentajes indicados en la tabla anterior.
Para aprobar es necesario que F sea igual o superior a 5 y que en las dos partes del módulo (Estadística y Modelización) la nota sea igual o superior a 4.
Sólo las actividades de evaluación A3 y A4 son recuperables.
La programación de las pruebas de evaluación i recuperación se indicará en el calendario proporcionado por la coordinación del Máster, o bien serán establecidas por el profesor responsable.
Se obtendrá la calificación de "No Evaluable" si el número de actividades de evaluación realizadas es inferior al 50% de las programadas.
*La evaluación propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
A1. Examen programación | 17% | 1 | 0,04 | 1 |
A2. Trabajo y presentación oral de un modelo de simulación | 25% | 4 | 0,16 | 1, 6, 3 |
A3. Examen estadística multivariante | 29% | 2 | 0,08 | 2, 6, 4, 5 |
A4. Examen modelos lineales y diseño experimental | 29% | 2 | 0,08 | 2, 6, 4, 5 |
Beven K (2009) Environmental modelling: an uncertain future? Routledge, London
Braun WJ, Murdoch DJ (2007) A first course in statistical programming with R. Cambridge University Press, Cambridge
Case TJ (2000) An illustrated guide to theoretical ecology. Oxford University Press, Oxford.
Crawley M. J. (2005). Statistical Computing: An Introduction to Data Analysis Using S-Plus. Wiley & Sosns Inc.
Faraway J.J. (2005). Linear Models with R. Chapman & Hall.
Faraway J.J. (2016). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. Second Edition. Chapman & Hall.
Harte J. (1985.) Consider a spherical cow. A course in environmental problem solving. William Kaufmann, Los Altos, CA (USA).
Hector A. (2015). The New Statistics with R: An Introduction for Biologists. Oxford University Press.
Hilborn R & Mangel M (1997) The ecological detective. Confronting models with data. Princeton University Press, Princeton, NJ (USA).
Otto SP & Day T (2007) A Biologist Guide to Mathematical Modelling in Ecology and Evolution. Princeton University Press, Princeton.
Piñol J & Martínez-Vilalta J (2006) Ecología con números. Problemas y ejercicios de simulación. Lynx, Bellaterra (Barcelona).
Roff D.A (2006). Introduction to Computer-Intensive Methods of Data Analysis in Biology. Cambridge.
Starfield AM, Smith KA & Bleloch AL (1990) How to model it: problem solving for the computer age. McGraw-Hill, New York.
Stevens MHH (2009) A primer of ecology with R, Springer, Dordrecht.