Ecología Numérica

Objetivo

Este curso introduce el análisis cuantitativo de datos ecológicos multivariados con enfoque aplicado. El estudiante aprende a explorar, medir similitud/disimilitud, clasificar (clustering), ordenar (ordination) y modelar relaciones especies–ambiente (ordenación canónica), integrando además estructura espacial cuando exista. El eje metodológico es el flujo de trabajo completo en R con análisis reproducibles (Quarto/RMarkdown), utilizando datasets reales de comunidades biológicas.

El curso sigue como texto guía Borcard, Gillet & Legendre (2011), Numerical Ecology with R, y prioriza interpretación ecológica, selección justificada de métodos y comunicación clara de resultados.

Resultados de aprendizaje (learning outcomes)

Al finalizar el curso, el estudiante podrá:

  1. Diagnosticar la estructura de datos ecológicos multivariados (ceros, escalas, distribución, outliers) y decidir transformaciones/estandarizaciones apropiadas.
  2. Seleccionar y justificar medidas de (dis)similitud según tipo de datos (abundancia, presencia–ausencia) y objetivo ecológico.
  3. Aplicar métodos de clasificación (jerárquicos y particionales), evaluar estabilidad y extraer tipologías interpretables.
  4. Aplicar e interpretar ordenación no restringida (PCA, CA, PCoA, NMDS), comparando supuestos, distancias y escalamiento.
  5. Modelar relaciones comunidad ~ ambiente mediante ordenación canónica (RDA/CCA/db-RDA), evaluar significancia con permutaciones y reportar efectos relevantes.
  6. Producir análisis reproducibles (datos + código + narrativa), con figuras y tablas orientadas a la interpretación ecológica.

Cronograma propuesto (16 semanas)

Lectura base: Borcard, Gillet & Legendre (2011). Los capítulos se indican como referencia principal.

Semana Tema central Práctica en R (laboratorio) Lectura sugerida Entrega
1 Introducción a ecología numérica y flujo reproducible Setup R/Quarto; estructura de proyecto; carga de datos Cap. 1 —
2 EDA I: estructura de datos de comunidad Resúmenes, ceros, riqueza, distribución; primeras gráficas Cap. 2 Taller 1
3 EDA II: transformaciones y ambiente Transformaciones típicas; estandarización; diagnóstico Cap. 2 Taller 2
4 Medidas de asociación y distancias (Q y R mode) Construcción de matrices; elección de coeficientes Cap. 3 Taller 3
5 Pre-transformaciones y matrices de disimilitud Comparación distancias (Bray, Jaccard, etc.); sensibilidad Cap. 3 —
6 Clustering jerárquico Links, Ward, dendrogramas, cophenetic corr Cap. 4 Taller 4
7 Clustering particional y validación k-means, PAM, silueta; tipologías interpretables Cap. 4 Trabajo 1 (15%)
8 Ordenación no restringida: visión general Espacio multivariado, reducción; interpretación Cap. 5 —
9 PCA: fundamentos e interpretación ecológica PCA con variables ambientales y/o especies transformadas Cap. 5 Taller 5
10 CA/PCoA CA y efecto arco; PCoA con distancias Cap. 5 —
11 NMDS NMDS con distancias no euclidianas; stress y diagnóstico Cap. 5 Trabajo 2 (15%)
12 Ordenación canónica: visión general y RDA Comunidad ~ ambiente con RDA; biplots; pruebas Cap. 6 Taller 6
13 CCA y comparación con RDA CCA; cuándo usar; interpretación y cuidado Cap. 6 —
14 Modelos canónicos avanzados db-RDA / partición de variación (según curso) Cap. 6 Propuesta proyecto (10%)
15 Integración y comunicación Reporte final, figuras, discusión, limitaciones, defensa Repaso Cap. 1–7 Entrega final (25%)

Software

  • Lenguaje estadístico R.
  • Interfaz de usuario Positrón.
  • Sistema de publicación técnica y científica Quarto.
  • Interfaz tradicional de R - RStudio.

Prerrequisitos y recomendaciones

  • Estadística básica: descriptiva, regresión lineal simple, conceptos de hipótesis.
  • Álgebra lineal elemental: vectores, matrices, valores/vectores propios (se refuerza en el curso).
  • Conocimientos básicos de R recomendados (no obligatorios si el estudiante compensa con trabajo autónomo).

Política de reproducibilidad (obligatoria)

Toda entrega debe incluir:

  1. Archivo .qmd o .Rmd (ejecutable) con narrativa.
  2. Script(s) .R (si aplica) con funciones y flujo limpio.
  3. Carpeta /data (o link) y descripción de origen de datos.
  4. Semilla cuando aplique, y reporte de sessionInfo().
  5. Informe en formato HTML o pdf de acuerdo a los requerimientos específicos de la tarea o trabajo.

Política de uso de IA (permitido con declaración y trazabilidad)

Se permite el uso de herramientas de IA solo como apoyo (sintaxis, explicación de errores, sugerencias de visualización), bajo estas reglas:

  • Debe incluirse un Anexo de IA al final del reporte con:
    • herramienta usada,
    • prompts relevantes,
    • qué partes influyó y cómo verificaste el resultado.
  • Está prohibido entregar resultados sin entendimiento: el docente puede solicitar defensa oral o replicación en vivo de cualquier sección.

Bibliografía

Texto guía (principal)

  • Borcard, D., Gillet, F., & Legendre, P. (2011). Numerical Ecology with R. Springer.

Complementaria (recomendada)

  • Legendre, P., & Legendre, L. (2012). Numerical Ecology (3rd English ed.). Elsevier.
  • Zuur, A. F., Ieno, E. N., & Smith, G. M. (2007). Analysing Ecological Data. Springer.
  • McCune, B., & Grace, J. B. (2002). Analysis of Ecological Communities. MjM Software.

Evaluación

Talleres (20%)

Talleres breves y prácticos, con rúbrica:

  • Uso de la/las técnica(s) (40%)
  • Interpretación ecológica (40%)
  • Reproducibilidad/claridad del código (20%)

Trabajos (30%)

  • Trabajo 1 (15%): EDA + transformaciones (si son necesarias) + justificación metodológica.
  • Trabajo 2 (15%): Agregación + ordenación no restringida + comparación e interpretación.

Proyecto final (50%)

  • Propuesta (10%): pregunta ecológica, datos, plan y decisiones iniciales.
  • Avance (15%): EDA + elección de transformaciones/distancias + resultados preliminares.
  • Entrega final + sustentación (25%): análisis completo (incluye canonical y/o espacial si aplica), discusión, limitaciones, reproducibilidad.