ana justel
TRANSCRIPT
-
8/16/2019 Ana Justel
1/89
-
8/16/2019 Ana Justel
2/89
Propuestas de una estadística moderna enestudios relacionados con el cambioclimático
Ana Justel - Universidad Autónoma de Madrid Ana Justel - Universidad Autónoma de Madrid
En los últimos años la estadística se enfrenta a la necesidad de desarrollar nuevosEn los últimos años la estadística se enfrenta a la necesidad de desarrollar nuevosmétodos paramétodos para extraer la información rápida y eficazmente de grandes bases deextraer la información rápida y eficazmente de grandes bases dedatos, pero también que nos permitan aprender de datos problemáticos y escasosdatos, pero también que nos permitan aprender de datos problemáticos y escasos En esta conferencia se presentarán varios problemas reales, relacionados con indicadores para el estudio del cambioclimático, que en la mayoría de los casos han motivado el desarrollo de nuevos procedimientos estadísticos. Muchos
de los trabajos tienen su origen en el análisis de los datos registrados en la Antártida por el equipo del proyectoLimnopolar, uno de los lugares donde las condiciones de trabajo son más e tremas por el aislamiento, la dificultad deacceso y la meteorología. Los problemas estadísticos que trataremos incluyen el concepto de tendencia para datos
funcionales en el estudio de series de temperaturas en la regi!n de la "enínsula Antártica, aprovechando datos#defectuosos$ y escasos. %luster de series temporales para agrupar países con intereses comunes frente a loscompromisos del "rotocolo de &yoto. 'elecci!n de variables en análisis cluster para identificar diferencias en las
pautas de consumo el(ctrico de los hogares. )etecci!n de cambios de variabilidad en series de temperaturas parapredecir indirectamente el momento en que se congela*descongela un lago antártico, y así estimar el n+mero de días
con actividad biol!gica. Estimaci!n robusta de parámetros relacionados con la presencia de especies comobioindicadores. Análisis de la varian a para seleccionar indicadores de impacto en áreas protegidas de la Antártida.
-
8/16/2019 Ana Justel
3/89
1.1. Cluster de series temporales paraCluster de series temporales para agrupar países con interesesagrupar países con interesescomunes frente a los compromisos del Protocolo de Kyotocomunes frente a los compromisos del Protocolo de Kyoto
2.2. Selección de variables en análisis cluster paraSelección de variables en análisis cluster para identificaridentificar diferencias en las pautas de consumo eléctrico de losdiferencias en las pautas de consumo eléctrico de loshogareshogares
3.3. Concepto de tendencia para datos funcionales en elConcepto de tendencia para datos funcionales en el estudio deestudio deseries de temperaturas en la región de la Penínsulaseries de temperaturas en la región de la PenínsulaAntárticaAntártica , aprovechando datos “defectuosos” y escasos, aprovechando datos “defectuosos” y escasos
.. !etección de cambios de variabilidad en series temporales para!etección de cambios de variabilidad en series temporales parapredecir indirectamente el momento en que sepredecir indirectamente el momento en que secongela/descongela un lago antártico, y estimar el númerocongela/descongela un lago antártico, y estimar el númerode días con actividad iológicade días con actividad iológica
".". #stimación robusta de parámetros relacionados con la#stimación robusta de parámetros relacionados con la presenciapresenciade especies como ioindicadoresde especies como ioindicadores
$.$. %nálisis de la varian&a para seleccionar%nálisis de la varian&a para seleccionar indicadores de impactoindicadores de impactoen áreas protegidas de la Antártidaen áreas protegidas de la Antártida
-
8/16/2019 Ana Justel
4/89
Seriestemporales
Análisismultivariante
Pro lemas estadísticosPro lemas estadísticos
!luster de series temporales para agrupar!luster de series temporales para agruparpaíses con intereses comunes frente a lospaíses con intereses comunes frente a loscompromisos del Protocolo de Kyotocompromisos del Protocolo de Kyoto
-
8/16/2019 Ana Justel
5/89
Pro lemas estadísticosPro lemas estadísticos
"elección de varia les en análisis cluster"elección de varia les en análisis clusterpara identificar diferencias en las pautas depara identificar diferencias en las pautas deconsumo eléctrico de los hogaresconsumo eléctrico de los hogares
Seriestemporales
Análisismultivariante
Datosfuncionale
s
-
8/16/2019 Ana Justel
6/89
Pro lemas estadísticosPro lemas estadísticos
!oncepto de tendencia para datos funcionales!oncepto de tendencia para datos funcionales
en el estudio de series de temperaturas en laen el estudio de series de temperaturas en laregión de la Península Antártica, aprovechandoregión de la Península Antártica, aprovechandodatos #defectuosos$ y escasosdatos #defectuosos$ y escasos
Datosfuncionale
s
Seriestemporales
Análisismultivariante
-
8/16/2019 Ana Justel
7/89
Pro lemas estadísticosPro lemas estadísticos
%etección de cam ios de varia ilidad en series%etección de cam ios de varia ilidad en seriestemporales para predecir indirectamente eltemporales para predecir indirectamente elmomento en que se congela/descongela unmomento en que se congela/descongela un
lago antártico, y estimar el número de días conlago antártico, y estimar el número de días conactividad iológicaactividad iológica
Robustez
Seriestemporales
Análisismultivariante
Datosfuncionale
s
-
8/16/2019 Ana Justel
8/89
Pro lemas estadísticosPro lemas estadísticos
&stimación ro usta de parámetros&stimación ro usta de parámetrosrelacionados con la presencia derelacionados con la presencia deespecies como ioindicadoresespecies como ioindicadores
Seriestemporales
Análisismultivariante
Datosfuncionale
sRobustez
-
8/16/2019 Ana Justel
9/89
Pro lemas estadísticosPro lemas estadísticos
Análisis de la varian'a paraAnálisis de la varian'a paraseleccionar indicadores de impactoseleccionar indicadores de impactoen áreas protegidas de la Antártidaen áreas protegidas de la Antártida
Análisisde la
varianza
Seriestemporales
Análisismultivariante
Datosfuncionale
sRobustez
-
8/16/2019 Ana Justel
10/89
Pro lemas estadísticosPro lemas estadísticos
Seriestemporales
Análisismultivariante
Datosfuncionale
sRobustez
Análisisde la
varianza
-
8/16/2019 Ana Justel
11/89
!luster de series temporales asado!luster de series temporales asadoen densidades de predicciónen densidades de predicción
Andrés () AlonsoAndrés () AlonsoUniversidad Carlos III de Madrid Universidad Carlos III de Madrid
*osé +amón errendero*osé +amón errenderoUniversidad Autónoma de Madrid Universidad Autónoma de Madrid
Adolfo -ernánde'Adolfo -ernánde'Universidad Complutense de Madrid Universidad Complutense de Madrid
Ana *ustelAna *ustelUniversidad Autónoma de Madrid Universidad Autónoma de Madrid
1.1. Cluster de series temporales paraCluster de series temporales para agrupar países con interesesagrupar países con interesescomunes frente a los compromisos del Protocolo de Kyotocomunes frente a los compromisos del Protocolo de Kyoto
-
8/16/2019 Ana Justel
12/89
Emisiones de CO 2 en 24 países industrializados
. servamos los datos históricos de emisiones de !. yqueremos clasificar en grupos o #!01"2&+"$#!01"2&+"$ a los países
Planteamiento del problemaPlanteamiento del problema
-
8/16/2019 Ana Justel
13/89
&l o 3etivo de las técnicas estadísticas de A4506"6"A4506"6"!01"2&+ !01"2&+ o de !.470.(&+A%."!.470.(&+A%." es identificar gruposde individuos con características comunes a partir de lao servación de varias varia les en cada uno de ellos
&sta técnica no de e ser confundida con el análisisdiscriminante y los métodos de asignación, que partende un conocimiento previo de los grupos 8seguimientode pacientes sometidos que reci en tratamiento oplace o9
Planteamiento del problemaPlanteamiento del problema
-
8/16/2019 Ana Justel
14/89
1n !01"2&+ !01"2&+ es un grupo de individuos que, cuando ladimensión lo permite, el o3o humano identifica comohomogéneos entre sí y separados de los individuos delos otros clusters
Planteamiento del problemaPlanteamiento del problema
-
8/16/2019 Ana Justel
15/89
(étodos para encontrar clusters(étodos para encontrar clusters
!luster 3erárquico)!luster 3erárquico) "e parte de tantos clusters comodatos tiene la muestra y en cada paso se van 3untandodos clusters siguiendo algún criterio especificado,hasta o tener un único cluster con todos los datos
!riterios de optimi'ación)!riterios de optimi'ación) Producen una partición delos o 3etos en un número especificado de grupossiguiendo un criterio de optimi'ación) &l más conocido
es k k :(&%6A":(&%6A"&n general, se usca -.(.7&4&6%A%-.(.7&4&6%A% dentro de los 'ruposdentro de los 'rupos y -&2&+.7&4&6%A%-&2&+.7&4&6%A% entre 'ruposentre 'rupos
Planteamiento del problemaPlanteamiento del problema
-
8/16/2019 Ana Justel
16/89
Planteamiento del problemaPlanteamiento del problema
;Podemos utili'ar las técnicas ha ituales del análisis;Podemos utili'ar las técnicas ha ituales del análisismultivariante para encontrar los clusters
-
8/16/2019 Ana Justel
17/89
( Procedimientos cluster tradicionales ignoran laestructura de autocorrelación de la serie y noproporcionan uenos resultados
( 4ecesidad de desarrollar nuevos procedimientos
cluster para series temporales( Algunos tra a3os previos se asan en los modelos
que generan las o servaciones, o en el último datoo servado
( &l pro lema se complica mucho más con "&+6&""&+6&"2&(P.+A0&" (1026=A+6A42&"2&(P.+A0&" (1026=A+6A42&" , cuando o servamosmás de una varia le para cada individuo a lo largo deltiempo
Planteamiento del problemaPlanteamiento del problema
-
8/16/2019 Ana Justel
18/89
Planteamiento del problemaPlanteamiento del problema
. servamos "&+6&" 2&(P.+A0&" (1026=A+6A42&""&+6&" 2&(P.+A0&" (1026=A+6A42&" yqueremos clasificarlas en grupos o #!01"2&+"$#!01"2&+"$
ProyectamosProyectamosen el futuroen el futuro
X X X
X X X
n
T p
n
T
n
T
T pT T
)(
,
)(
,2
)(
,1
)1(
,
)1(
,2
)1(
,1
-
-
.n/
0,0
.0/
0,0
--/n.
,0p
/n.
,01
---
---
n
h2p
n
h21
n
h20
0
h2p
0
h21
0
h20
ˆˆˆ
ˆˆˆ
)(
,
)(
,
)(
,
)(
,
)(
,
)(
,
+++
+++
-
8/16/2019 Ana Justel
19/89
&n muchas situaciones en la vida real, estamosinteresados en las P+&%6!!6.4&"P+&%6!!6.4&" en un momentoespecífico del futuro
0os resultados, en general, serán diferentesserán diferentes
Planteamiento del problemaPlanteamiento del problema
Futuro
Modelo Presente
-
8/16/2019 Ana Justel
20/89
&n muchas situaciones en la vida real, estamosinteresados en las P+&%6!!6.4&"P+&%6!!6.4&" en un momentoespecífico del futuro
Planteamiento del problemaPlanteamiento del problema
3uente4 Manuel 5ui , 6AM
!a)i *illa'e, China
Dam construction
-
8/16/2019 Ana Justel
21/89
;Por qué clusters de predicciones
-
8/16/2019 Ana Justel
22/89
Además, nuestro método se asa en clasificar las
series por las distancias entre las %&4"6%A%&" %& 0A"%&4"6%A%&" %& 0A"P+&%6!!6.4&"P+&%6!!6.4&" , no sólo en la predicciones puntuales)
&sto permite distinguir entre situaciones donde laspredicciones puntuales son similares, pero las
densidades completas proporcionan más información)
Planteamiento del problemaPlanteamiento del problema
-
8/16/2019 Ana Justel
23/89
PA". >)PA". >) !alcular las densidades de predicción
PA". )PA". ) !alcular la matri' de discrepancias entre lasseries 8usando las densidades de predicción9
PA". ?)PA". ?) Aplicar análisis cluster tradicional
Metodología para clasificar series temporalesMetodología para clasificar series temporales
-
8/16/2019 Ana Justel
24/89
PA". >)PA". >) !alcular las densidades de predicción
A) "i no asumimos ninguna distri ución para los datosnecesitamos usar métodos de remuestreo 8#sieve
ootstrap$9 para calcular la densidad de predicción
) !on el ootstrap e@traemos " valores de ladistri ución de la predicción en el momento específicodel futuro que nos interesa
!) &stimamos la densidad de la predicción aplicandométodos no paramétricos a los " valores ootstrap
Metodología para clasificar series temporalesMetodología para clasificar series temporales
#e puede desarrollar una versi!n m$s sencilla de implementarasumiendo normalidad o basando la a rupaci!n en predicciones
puntuales
-
8/16/2019 Ana Justel
25/89
Metodología para clasificar series temporalesMetodología para clasificar series temporales
&squema del procedimiento ..2"2+AP&squema del procedimiento ..2"2+AP
-
8/16/2019 Ana Justel
26/89
PA". )PA". ) !alcular la matri' de discrepancias 8 D9
A) Para cada par de series calculamos la distancia %2 entre las funciones de densidad de las predicciones
Metodología para clasificar series temporalesMetodología para clasificar series temporales
) &stimamos cada distancia con , que se calcula apartir de los estimadores no paramétricos de lasestimadores no paramétricos de lasdensidades de prediccióndensidades de predicción usando la muestra depredicciones ootstrap
!) -emos pro ado que es estimador consistente de D ij
%)-emos hecho unas simulaciones para comparar D ij y
-
8/16/2019 Ana Justel
27/89
PA". ?)PA". ?) Aplicar análisis cluster tradicional
A) 0a matri' de discrepancias o tenida se utili'a como
input de un procedimiento cluster) 0os métodos 3erárquicos se pueden e3ecutar
conociendo sólo la (A2+6 de %6"!+&PA4!6A"(A2+6 de %6"!+&PA4!6A" , losque se asan en criterios de optimi'ación no nos
sirven
Metodología para clasificar series temporalesMetodología para clasificar series temporales
-
8/16/2019 Ana Justel
28/89
>) &nlace sencillo 8single linBage98single linBage9 C unir por la distanciaal individuo más cercano del grupo
) &nlace promedio 8average linBage98average linBage9 C unir por la mediade las distancias a todos los individuos del grupo
?) &nlace completo 8complete linBage98complete linBage9 C unir por ladistancia al individuo más ale3ado del grupo
D) )))
!riterios para unir grupos en métodos 3erárquicos!riterios para unir grupos en métodos 3erárquicos
Metodología para clasificar series temporalesMetodología para clasificar series temporales
-
8/16/2019 Ana Justel
29/89
%endograma%endograma0os clusters están representados mediante tra'oshori'ontales y las etapas de la fusión mediante tra'osverticales
Metodología para clasificar series temporalesMetodología para clasificar series temporales
2ests formales, intuición 8conocimiento del pro lema9;!uántos cluster hay
-
8/16/2019 Ana Justel
30/89
6mpone límites en las emisiones de !. y otros cincogases, #responsa les$ del calentamiento glo al)
4egociado en Kyoto en >EEF, entra en vigor en GGH conla ratificación de +usia 8cuando es aceptado por lospaíses responsa les del HHI de las emisiones a nivelmundial9)
&l o 3etivo es reducir al menos un HI 8respecto de losniveles de >EEG9 antes de G> , pero con o 3etivosdistintos según regiones 81& JI, *apón I9
Aplicamos la técnica de !01"2&+ PA+A "&+6&"!01"2&+ PA+A "&+6&"2&(P.+A0&"2&(P.+A0&" para crear grupos de países con interesescomunes que puedan compartir e@periencias o políticaspara alcan'ar las reducciones comprometidas
Protocolo de KyotoProtocolo de Kyoto
El caso de las emisiones de COEl caso de las emisiones de CO 22
-
8/16/2019 Ana Justel
31/89
Protocolo de KyotoProtocolo de Kyoto #misiones de C-2 1 $/ 1 #misiones de C-2 1 $/ 10oneladas0oneladas per capita per capita#n 2 pa ses industriali&ados#n 2 pa ses industriali&ados
El caso de las emisiones de COEl caso de las emisiones de CO 22
-
8/16/2019 Ana Justel
32/89
-
8/16/2019 Ana Justel
33/89
!asado en el dato de "###!asado en el dato de "###
El caso de las emisiones de COEl caso de las emisiones de CO 22
!asado en la densidad de la predicción de $%"$!asado en la densidad de la predicción de $%"$
-
8/16/2019 Ana Justel
34/89
-
8/16/2019 Ana Justel
35/89
Protocolo de KyotoProtocolo de Kyoto Cluster con el ltimo dato o con Cluster con el ltimo dato o conlas predicciones4las predicciones4
El caso de las emisiones de COEl caso de las emisiones de CO 22
-
8/16/2019 Ana Justel
36/89
"elección de varia les para análisis"elección de varia les para análisisclustercluster
+icardo Lraiman+icardo LraimanUniversidad de San Andr s! ArgentinaUniversidad de San Andr s! Argentina
Ana *ustelAna *ustelUniversidad Autónoma de Madrid Universidad Autónoma de Madrid
(arcela "varc(arcela "varcUniversidad de San Andr s! ArgentinaUniversidad de San Andr s! Argentina
2.2. Selección de variables en análisis cluster paraSelección de variables en análisis cluster para identificaridentificar diferencias en las pautas de consumo eléctrico de los hogaresdiferencias en las pautas de consumo eléctrico de los hogares
Data source: Cuesta–Albertos and Fraiman (2006)
-
8/16/2019 Ana Justel
37/89
!onsumo eléctrico en JJ hogares argentinos!onsumo eléctrico en JJ hogares argentinos
"e miden E varia lesC"e miden E varia lesC consumo de electricidad enintervalos de 1" minutos en un d a M %atos funcionalesM %atos funcionales
Cuesta5%lbertos y 6raiman 72//$8 encuentran dos clusterscon un m9todo " " medias para datos funcionalesmedias para datos funcionales
#l primer cluster tiene 33 ho'ares, y el se'undo ""
-
8/16/2019 Ana Justel
38/89
-
8/16/2019 Ana Justel
39/89
0rataremos de eliminar variables> ##+16%."A"$+16%."A"$ ,, ;ue son las no informativasy?o> +&%14%A42&"+&%14%A42&" , ;ue no aportan información;ue no este contenida en otras variables
"elección de varia les"elección de varia les
-
8/16/2019 Ana Justel
40/89
1.1. #ncontrar los 'rupos con#ncontrar los 'rupos conun m9todo clusterun m9todo cluster
2.2. Seleccionar las variablesSeleccionar las variables
&&'()E*+ -./)E*0'()E*+ -./)E*0M(todo de selecci!n de variablesM(todo de selecci!n de variables
=roponemos un m9todo@ consistente estadísticamenteconsistente estadísticamente no paramétricono paramétrico
fácil de usarfácil de usar
El m todo cluster esbueno
El m todo cluster enerauna partici!n del espacio
-
8/16/2019 Ana Justel
41/89
- p t i m i & i n '
c r i t e r i a
- p t i m i & i n '
c r i t e r i a
A i e r a r c h i c a l
A i e r a r c h i c a l c l u s t e r i n '
c l u s t e r i n '
K-medias
-
8/16/2019 Ana Justel
42/89
Cuando se elimina la información de las variables
“ruidosas”. #speramos ;ue 4. !A( 6&44. !A( 6&4 los clusterslos clusters
"&0&!!6O4 %& =A+6A 0&" #AL2&+$ !01"2&+ "&0&!!6O4 %& =A+6A 0&" #AL2&+$ !01"2&+
&los datos se $uedan en la misma partición'
Ba CB%*# está en tener en cuenta ;ueCB%*# está en tener en cuenta ;ue la partición sela partición sedefine en el espacio de varia les original,define en el espacio de varia les original, as ;uepara reasi'nar los datos a los cluster no puedo eliminarvariables aun;ue sean ruidosas
&4 017A+ %& &06(64A+ =A+6A 0&" %& &(."&4 017A+ %& &06(64A+ =A+6A 0&" %& &(." #%&"A!26=A+0A"$ #%&"A!26=A+0A"$
=robamos a clasificar sólo con las variables de todos lossu con3untos posi lessu con3untos posi les y ele'imos el OP26(.C másOP26(.C máspequeNo y que más e@pliquepequeNo y que más e@plique
-
8/16/2019 Ana Justel
43/89
-
8/16/2019 Ana Justel
44/89
+esultados con datos simulados+esultados con datos simulados
#l m9todo para seleccionar variables funciona muy bien#l m9todo para seleccionar variables funciona muy bienpara eliminar variables ruidosas, pero es incapa& depara eliminar variables ruidosas, pero es incapa& de
detectar variables con información redundante.detectar variables con información redundante.
-
8/16/2019 Ana Justel
45/89
&3emplo con datos simulados&3emplo con datos simulados
Data source: Tadesse, Sha and Vannucci (200 )
-
8/16/2019 Ana Justel
46/89
Ba e)tensión más natural es cambiar (&%6A"(&%6A" por(&%6A" !.4%6!6.4A0&"(&%6A" !.4%6!6.4A0&"
&l me3or predictor de&l me3or predictor de X X
i i asado en lasasado en lasvaria les delvaria les delsu con3untosu con3unto
&liminar varia les redundantes&liminar varia les redundantes
#n la practica, calculamos la media condicional conuna re'resión no param9trica ;ue hace uso de la
información local, de un n mero de =&!64." (5"=&!64." (5"!&+!A4."!&+!A4." ;ue tenemos ;ue fi
-
8/16/2019 Ana Justel
47/89
Data source: Tadesse, Sha and Vannucci (200 )
(étodo asado en la(étodo asado en lamedia condicionalmedia condicional
&3emplo con datos simulados&3emplo con datos simulados
-
8/16/2019 Ana Justel
48/89
#l m9todo basado en la (&%6A !.4%6!6.4A0(&%6A !.4%6!6.4A0 sirvepara eliminar las variables #+16%."A"$#+16%."A"$ y las +&%14%A42&"+&%14%A42&" , pero re;uiere
#l m9todo basado en la (&%6A (A+764A0(&%6A (A+764A0 es mássimple.
7 Dn tamaEo muestral 'rande para calcular laesperan&a condicionada
7 #le'ir el n mero adecuado de vecinos máscercanos, ;ue es un problema sin resolver
7 Fucho esfuer&o computacional
-
8/16/2019 Ana Justel
49/89
-
8/16/2019 Ana Justel
50/89
-
8/16/2019 Ana Justel
51/89
-
8/16/2019 Ana Justel
52/89
Bos intervalos no sombreadosBos intervalos no sombreadoscorresponden a las variablescorresponden a las variables
seleccionadasseleccionadas
( Madrugada &()** a +)**'Madrugada &()** a +)**', Ma-ana &.)** a /)**', Ma-ana &.)** a /)**', 0arde &1 )** a 1/)**', 0arde &1 )** a 1/)**', 3oc#e &21)** a 2+)**', 3oc#e &21)** a 2+)**'
!onsumo de electricidad M %atos funcionales!onsumo de electricidad M %atos funcionales
-
8/16/2019 Ana Justel
53/89
adru adaadru ada(*+,, a 4+,,)(*+,, a 4+,,)
Data source: Cuesta–Albertos and Fraiman (2006)
a-anaa-ana(.+,, a /+,,)(.+,, a /+,,)
0arde0arde(1 +,, a 1/+,,)(1 +,, a 1/+,,)
3oc e3oc e(21+,, a 24+,,)(21+,, a 24+,,)
!onsumo de electricidad M %atos funcionales!onsumo de electricidad M %atos funcionales
-
8/16/2019 Ana Justel
54/89
Ba información redundanteBa información redundante, especialmente de tarde ynoche, ;ueda resumidaresumida con el al'oritmo de la mediaal'oritmo de la media
condicional con " HHcondicional con " HHCuando aceptamos al'unos errores de clasificación, sereduce la eficiencia y de
-
8/16/2019 Ana Justel
55/89
33 Concepto de tendencia para datos funcionales en elConcepto de tendencia para datos funcionales en el estudio deestudio de
-
8/16/2019 Ana Justel
56/89
4ociones de tendencia para series de4ociones de tendencia para series dedatos funcionalesC Aplicación al estudiodatos funcionalesC Aplicación al estudiodel calentamiento glo al en la Antártidadel calentamiento glo al en la Antártida
+icardo Lraiman+icardo LraimanUniversidad de San Andr s! ArgentinaUniversidad de San Andr s! Argentina
Ana *ustelAna *ustelUniversidad Autónoma de Madrid Universidad Autónoma de Madrid
Pamela 0lopPamela 0lopUniversidad 3acional del 4itoral! ArgentinaUniversidad 3acional del 4itoral! Argentina
3.3. Concepto de tendencia para datos funcionales en elConcepto de tendencia para datos funcionales en el estudio deestudio deseries de temperaturas en la región de la Península Antárticaseries de temperaturas en la región de la Península Antártica ,,aprovechando datos “defectuosos” y escasosaprovechando datos “defectuosos” y escasos
-
8/16/2019 Ana Justel
57/89
-
8/16/2019 Ana Justel
58/89
2emperaturas registradas en la ase Antártica2emperaturas registradas en la ase Antártica
&spaNola *uan !arlos 6 8 A&:*!69&spaNola *uan !arlos 6 8 A&:*!69
-
8/16/2019 Ana Justel
59/89
2emperaturas registradas en la ase Antártica2emperaturas registradas en la ase Antártica
&spaNola *uan !arlos 6 8 A&:*!69&spaNola *uan !arlos 6 8 A&:*!69
-
8/16/2019 Ana Justel
60/89
2emperaturas registradas en la ase Antártica2emperaturas registradas en la ase Antártica
&spaNola *uan !arlos 6 8 A&:*!69&spaNola *uan !arlos 6 8 A&:*!69
-
8/16/2019 Ana Justel
61/89
-
8/16/2019 Ana Justel
62/89
-
8/16/2019 Ana Justel
63/89
-
8/16/2019 Ana Justel
64/89
)A28' %89 :92E5"8LA%:;9 #shape preserving$
/eason/eason 1ercentage of1ercentage ofobserved dataobserved data
(irst observed(irst observeddatadata
-ast observed-ast observeddatadata
-
8/16/2019 Ana Justel
65/89
observed dataobserved data datadata datadata
0*0
-
8/16/2019 Ana Justel
66/89
Estadístico " de tendencia de funcionesEstadístico " de tendencia de funciones
/e define como el vector de rangos medios en cada instante
-/E linear-/E lineartrendtrend
-
8/16/2019 Ana Justel
67/89
*obust*obustlinear trendlinear trend
Estadístico " de tendencia de funcionesEstadístico " de tendencia de funciones
/e define como el vector de rangos medios en cada instante
-
8/16/2019 Ana Justel
68/89
7on parametric7on parametrictrendtrend
Estadístico " de tendencia de funcionesEstadístico " de tendencia de funciones
/e define como el vector de rangos medios en cada instante
-
8/16/2019 Ana Justel
69/89
Estadístico $ de tendencia de funcionesEstadístico $ de tendencia de funciones
ada con8unto de barras corresponde a una curva y cuenta elnúmero de veces a lo largo del tiempo en que el rango es ", $, 9, "5
-
8/16/2019 Ana Justel
70/89
Estadístico $ de tendencia de funcionesEstadístico $ de tendencia de funciones
/e define para cada curva
se puede interpretar como un vector de &rango0 de las curvas
.. !etección de cambios de variabilidad en series temporales para!etección de cambios de variabilidad en series temporales parad i i di ld i i di l
-
8/16/2019 Ana Justel
71/89
%inámica del comportamiento de los%inámica del comportamiento de loslagos de la Antártida en tres aNos conlagos de la Antártida en tres aNos condiferentes condiciones climáticasdiferentes condiciones climáticas
Antonio QuesadaAntonio Quesada >>,,Antonio !amachoAntonio !amacho ,,&duardo Lernánde':=aliente&duardo Lernánde':=aliente >>,,!arlos +ochera!arlos +ochera , Ana *ustel, Ana *ustel >>,,(anuel 2oro(anuel 2oro ?? , &ugenio +ico, &ugenio +ico >>,,(anuel aNón(anuel aNón DD
11 Universidad Autónoma de Madrid Universidad Autónoma de Madrid 22 Universidad de 5alenciaUniversidad de 5alencia(( CE6E7! Ministerio de 8omentoCE6E7! Ministerio de 8omento++Instituto 3acional de MeteorologíaInstituto 3acional de Meteorología
predecir indirectamente el momento en que sepredecir indirectamente el momento en que secongela/descongela un lago antártico, y estimar el númerocongela/descongela un lago antártico, y estimar el númerode días con actividad iológicade días con actividad iológica
-
8/16/2019 Ana Justel
72/89
0ago 06(4 P 0A+0ago 06(4 P 0A+
-
8/16/2019 Ana Justel
73/89
0ago 06(4.P.0A+ 0ago 06(4.P.0A+
-
8/16/2019 Ana Justel
74/89
-
8/16/2019 Ana Justel
75/89
!uando el lago está congelado se estima!uando el lago está congelado se estimaun incremento del > >I con respecto alun incremento del > >I con respecto alvolumen normal del lagovolumen normal del lago
-
8/16/2019 Ana Justel
76/89
".". #stimación robusta de parámetros relacionados con la#stimación robusta de parámetros relacionados con la presenciapresenciade especies como ioindicadoresde especies como ioindicadores
-
8/16/2019 Ana Justel
77/89
1tili'ación del fitoplacton como indicador1tili'ación del fitoplacton como indicadoriológico para la evaluación de laiológico para la evaluación de la
eutrofi'ación en los em alses espaNoleseutrofi'ación en los em alses espaNoles
de especies como ioindicadoresde especies como ioindicadores
!arlos 4uNo!arlos 4uNoCE6E7! Ministerio de 8omentoCE6E7! Ministerio de 8omento
!aridad -oyos!aridad -oyosCE6E7! Ministerio de 8omentoCE6E7! Ministerio de 8omento
Ana *ustelAna *ustelUniversidad Autónoma de Madrid Universidad Autónoma de Madrid
-
8/16/2019 Ana Justel
78/89
UTILIZACIÓN DEL FITOPLACTON COMO INDICADOR BIOLÓGICO PARA LA EVALUACIÓN DEUTILIZACIÓN DEL FITOPLACTON COMO INDICADOR BIOLÓGICO PARA LA EVALUACIÓN DELA EUTROFIZACIÓN EN LO EMBAL E E PA!OLELA EUTROFIZACIÓN EN LO EMBAL E E PA!OLE
%. 96D8, %. )E 8F8', A. G6'2EL
Óptimos y rangos de toleranciade especies fitoplactónicas
-
8/16/2019 Ana Justel
79/89
u I J óptimo de la especie It I J tolerancia de la especie IKiI J abundancia de la especie I en la muestra i
L i J ma'nitud de la variable ambiental estudiada en la muestra i
∑∑
=
==n
iik
n
iiik
k
y
x yu
1
1 ( )2
1
1 1
2!−= ∑ ∑
= =
n
i
n
iik k ik ik k yu x yt
-
8/16/2019 Ana Justel
80/89
".". #stimación robusta de parámetros relacionados con la#stimación robusta de parámetros relacionados con la presenciapresenciade especies como ioindicadoresde especies como ioindicadores
-
8/16/2019 Ana Justel
81/89
(edición del impacto de la actividad(edición del impacto de la actividadhumana en los suelos de una onahumana en los suelos de una ona&specialmente Protegida de la Antártida&specialmente Protegida de la Antártida
de especies como ioindicadoresde especies como ioindicadores
Pa lo 2e3edoPa lo 2e3edo >>,,Ana *ustelAna *ustel ,,&ugenio +ico&ugenio +ico >>,,*avier enayas*avier enayas >>,,Antonio QuesadaAntonio Quesada ??
11 6epartamento de Ecología! UAM 6epartamento de Ecología! UAM 22 6epartamento de Matem9ticas! UAM 6epartamento de Matem9ticas! UAM (( 6epartamento de :iología! UAM 6epartamento de :iología! UAM
-
8/16/2019 Ana Justel
82/89
( #studio del impacto de los investi'adores de la#studio del impacto de los investi'adores de lae)pedición BMFH-=-B%Ge)pedición BMFH-=-B%G
( Bu'ar@ =en nsula :yers, S=% HN. 12$, Bivin'stonBu'ar@ =en nsula :yers, S=% HN. 12$, Bivin'stonMsland, %rchipi9la'o South Shetland. %ntártidaMsland, %rchipi9la'o South Shetland. %ntártida
( &l principal o 3etivo es contrastar la&l principal o 3etivo es contrastar laefectividad de las recomendaciones queefectividad de las recomendaciones quehace el "!A+ para minimi'ar el impactohace el "!A+ para minimi'ar el impactoam iental que causan las e@pedicionesam iental que causan las e@pedicionescientíficascientíficas
( Fodelo para la 'estión de los campamentos o delturismo ;ue aumenta cada aEo a un ritmoe)ponencial
-
8/16/2019 Ana Justel
83/89
+elacionan el nivel de uso deun sendero 8estimado enpisadas9 con su degradaciónfísica y iológica
0a efectividad de los indicadores se prue a en dos 'onase@perimentales de suelo no pisado, a3o condiciones controladas)0as medidas o tenidas con diferentes intensidades de usomuestran la evolución de los indicadores en función del númerode pisadas)
::"" ++ ABUNDANCIA DE FAUNA EDÁFICA ABUNDANCIA DE FAUNA EDÁFICA
::
$$ ++
RE I !ENCIA A "A C#M$AC!ACI%N RE I !ENCIA A "A C#M$AC!ACI%N
::;; ++ DEN IDAD A$AREN!E DEN IDAD A$AREN!E
:ndicadores de impacto
-
8/16/2019 Ana Justel
84/89
-os tres indicadores muestran que el impacto siempre crececuando aumenta el número de pisadas
:ndicadores de impacto
-
8/16/2019 Ana Justel
85/89
-os tres indicadores muestran que el impacto siempre crececuando aumenta el número de pisadas El indicador de fauna edáfica es susceptible de sufrir los efectosde una distri&ución 'atc(in) de las especies
:ndicadores de impacto
-
8/16/2019 Ana Justel
86/89
-os tres indicadores muestran que el impacto siempre crececuando aumenta el número de pisadas El indicador de fauna edáfica es susceptible de sufrir los efectosde una distri&ución 'atc(in) de las especies Existe una alta correlación entre las medidas de densidadaparente y resistencia a la compactación -a densidad aparenteno proporciona información relevante que no proporcione laresistencia a la compactación, muc
-
8/16/2019 Ana Justel
87/89
#l impacto y la capacidad de recuperación a corto
-
8/16/2019 Ana Justel
88/89
2ent
B,CA,C1,C0,CC,C70,C
5 e s i s t a n c e t o c o m p r e s s i o n
Entrance path
B,C,C1,C0,CC,C70,C
5iver path
B,C,C1,C0,CC,C70,C
%amp path
B,C,C1,C0,CC,C70,C
IB,@IB,@IB,@
E it path
B,C,C1,C0,CC,C70,C
#l impacto y la capacidad de recuperación a cortopla&o 7del suelo depende del nivel de uso al ;ue haya sidosometido el sendero. Bos cambios en la capa activa delpermafrost pueden influir en la re'eneración
5 radecimiento a mis coautores Andr s Alonso
Manuel :a-ón ;avier :ena
-
8/16/2019 Ana Justel
89/89
Muchas gracias
;os =amón :errendero Antonio Camac#o
Eduardo 8erd>?5aliente =icardo 8raiman Adolfo @ern9nde> Caridad @o