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.