2010 apuntes sobre modelación de nichos ecológicos - Instituto de ...
2010 apuntes sobre modelación de nichos ecológicos - Instituto de ...
2010 apuntes sobre modelación de nichos ecológicos - Instituto de ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Apuntes <strong>sobre</strong> <strong>mo<strong>de</strong>lación</strong> <strong>de</strong> <strong>nichos</strong> <strong>ecológicos</strong><br />
1. Probabilidad posterior. Escoge las reglas con mayor precisión.<br />
2. Fuerza <strong>de</strong> selección. Se refiere a las reglas que aplican para muchos<br />
puntos.<br />
3. Significancia. De las reglas que expresan patrones persistentes en los<br />
datos.<br />
4. (De) Espacios <strong>ecológicos</strong>. Reglas que incluyen un volumen gran<strong>de</strong> <strong>de</strong><br />
variables.<br />
5. Inverso <strong>de</strong> la longitud <strong>de</strong> la regla. La cual regresa las reglas más cortas.<br />
De manera muy general po<strong>de</strong>mos <strong>de</strong>cir que para hacer estas evaluaciones se<br />
escoge una muestra aleatoria <strong>de</strong> la población, entonces el número <strong>de</strong> veces que<br />
una regla es escogida, es una medida proporcional <strong>de</strong>l <strong>de</strong>sempeño o medida <strong>de</strong><br />
utilidad <strong>de</strong> la regla. También tenemos que generalmente la probabilidad posterior<br />
(probabilidad <strong>de</strong> ocurrencia <strong>de</strong>spués <strong>de</strong> que una regla se aplica) se comporta<br />
como una variable con distribución normal. Por tanto se pue<strong>de</strong>n calculara valores<br />
<strong>de</strong> la distribución Z (Z-scores) para realizar una prueba <strong>de</strong> significancia. Valores<br />
altos <strong>de</strong> puntuación (score) indican que es altamente improbable que el resultado,<br />
o sea la regla (probabilidad posterior) se producto <strong>de</strong>l azar.<br />
Lo anterior sólo se refirió a cómo encontramos las reglas más a<strong>de</strong>cuadas y las<br />
calificamos para generar un mo<strong>de</strong>lo, pero aún falta saber cómo evaluamos todos<br />
los mo<strong>de</strong>los <strong>de</strong> distribución generados por GARP, lo que se equivalente a escoger<br />
el mejor subconjunto <strong>de</strong> mo<strong>de</strong>los y evaluar su calidad.<br />
Lo que hace GARP es escoger un subconjunto <strong>de</strong> puntos al azar lo que equivale a<br />
particionar los datos (también se podrían incluir nuevos puntos <strong>de</strong> muestreo o <strong>de</strong><br />
verificación). Una parte <strong>de</strong> los datos servirá para hacer los mo<strong>de</strong>los (training data)<br />
y la otra servirá para probarlos (testing data). A continuación se calculan los<br />
errores <strong>de</strong> comisión y omisión <strong>de</strong> cada mo<strong>de</strong>lo, esto se hace comparando los<br />
puntos <strong>de</strong> prueba con los mo<strong>de</strong>los generados (recordar la tabla <strong>de</strong> confusión antes<br />
vista para Maxent):<br />
Laboratorio <strong>de</strong> Evolución Molecular y Experimental 41