Avances en modelos espacio-estado para el análisis de movimiento y comportamiento animal

La forma en que se mueven los animales es de gran interés en ecología, ya que afecta a la mayoría de los procesos ecológicos y evolutivos. Analizar estos procesos, implica estudiar sistemas que varían en el espacio y el tiempo a distintas escalas temporales y con distintos niveles de dependencia. Nuevas tecnologías han revolucionado la forma de estudiar y monitorear el movimiento de animales, su comportamiento, y su relación con el medio ambiente, llevando a la necesidad de desarrollar nuevas metodologías estadísticas. Bajo el contexto de modelos espacio-estado (MEE) y utilizando perspectiva Bayesiana, en esta tesis buscamos dar respuestas a este problema. Presentamos un MEE que permite describir trayectorias formulando el proceso de movimiento a tiempo continuo y la observación a tiempo discreto. Usando Modelos Ocultos de Markov, clasificamos datos temporales de aceleración en distintos comportamientos. Por ´ultimo, consideramos el error de las observaciones ambientales para describir trayectorias según la selección de recursos disponibles. Los resultados obtenidos resaltan la importancia de contar con modelos adecuados que permitan describir e interpretar correctamente estos sistemas y diagramar practicas de manejo apropiadas. Evidenciamos cómo la escala a la que los animales toman las decisiones de movimiento debe tenerse en cuenta a la hora de diseñar protocolos de colecta de datos y, que no siempre es necesario contar con datos de alta frecuencia para tener buenas estimaciones de ciertos procesos de movimiento. Además mostramos cómo el efecto del error en las observaciones ambientales puede sesgar las estimaciones de los análisis llevando a conclusiones erróneas