Esta tesis está basada en la modelización jerárquica espacial desde la perspectiva Bayesiana para el estudio de enfermedades en cultivos agrícolas. Esta metodología en Epidemiología agrícola es aún un campo poco desarrollado. La necesidad de controlar la variabilidad espacial presente en la mayoría de los datos observados en Agricultura, exige la búsqueda de nuevas alternativas de modelización capaces de recoger adecuadamente la estructura de interrelaciones entre los individuos estudiados. En este sentido, el objetivo general de la tesis es el aporte de herramientas de modelización generales en el ámbito del análisis espacial, que permitan estudiar la presencia de enfermedades en cultivos agrícolas y describan la distribución de los patrones de contagio cuando se tiene poca información y no se tienen covariables explicativas. En los Capítulos 2 y 3 se abordan propuestas de modelización basadas en modelos jerárquicos para datos asociados en una red de localizaciones y se considera la componente temporal a través de una covariable que recoge la historia de la enfermedad en el tiempo. En especial, en el Capítulo 2, se construyen modelos con estructura espacial dinámica y en ellos se consideran fuentes de variabilidad no observadas (efecto de heterogeneidad); por otro lado, en el Capítulo 3, se presentan tres modelizaciones en el contexto de datos de supervivencia. Cada una de ellas, estima el tiempo de supervivencia de los individuos afectados por la evolución de una enfermedad en el tiempo y por la presencia de heterogeneidad no observada. Gracias a la covariable dependiente del tiempo considerada en las tres modelizaciones y a la construcción de una estructura espacial dinámica (\emph{frailty}), se puede relajar el supuesto de proporcionalidad generalmente asumido en el modelo de Cox y enmarcar tales propuestas en el contexto de modelos espacio-temporales. En el capítulo 2, se demuestra que la dinámica de los riesgos está determinada por información que depende del pasado y por efectos aleatorios. Estos efectos recogen la variabilidad no observada (heterogeneidad) y la variabilidad espacial. Así mismo, en el capítulo 3, se demuestra que partiendo de datos observados en una red de localizaciones es posible construir modelos de supervivencia. Gracias a los tres modelos desarrollados en este capítulo, se puede pensar en modelar la función de riesgo (\emph{hazard}) desde tres perspectivas diferentes. Comenzando por un modelo Weibull con tiempos discretizados sobre períodos de un año y continuamos con dos propuestas basadas en procesos de conteo. Estas dos últimas modelizaciones son distintas, ya que por un lado, se considera un proceso Gamma en la distribución a priori que define a la función de riesgo base y en la segunda se asignan funciones poligonales a este riesgo. En el capítulo 4, se propone un modelo jerárquico capaz de predecir en cualquier punto de la región, la probabilidad o riesgo de enfermedad de un individuo en el contexto agrícola. Gracias a la metodología INLA-SPDE, es posible proponer un modelo de regresión aditivo con estructura espacial (dentro de la clase de modelos Gaussianos latentes) de variable respuesta Bernoulli controlado por pocos hiperparámetros. Gracias a la metodología desarrollada en el capítulo 4, es posible hacer predicción (\emph{kriging} Bayesiano) al considerar la ocurrencia del fenómeno en una región continua. Usando el \emph{kriging} Bayesiano es posible incorporar en el modelo fuentes de incertidumbre asociadas a los parámetros de predicción y de esta forma encontrar estimaciones más realistas. Además, es posible construir mapas de riesgos en los que se estima la incertidumbre tanto en lugares observados como en los no observados. La metodología INLA combinada con el enfoque SPDE, ofrece un marco teórico excelente para fenómenos que necesitan predicción. La ilustración de la metodología con datos reales permite reconocer su utilidad en estudios epidemiológicos no sólo en el contexto agrícola. En general, las modelizaciones propuestas reconocen la existencia de correlación espacial a pequeña escala. Al ilustrar la metodología con datos reales, se reconoce la importancia de la variabilidad espacial y es gracias a ella que puede llegar a comprenderse la dinámica de contagio y el patrón de movilidad de los agentes causantes de la enfermedad en el contexto agrícola. Los modelos con mejores ajustes contienen en su estructura no sólo el efecto de la covariable con la historia de la enfermedad sino la influencia del efecto aleatorio espacial dinámico. Para abordar problemas desde el contexto epidemiológico es necesario entender estadísticamente el proceso, para ello se necesitan modelos capaces de capturar heterogeneidad usualmente no observada y que generalmente no es explicada en las covariables disponibles. Pensar que los individuos son extraídos de una población homogénea, no es adecuado, especialmente en fenómenos donde existen factores de riesgo ocultos que gracias a la cercanía entre los individuos son compartidos. De esta forma parece adecuado, diseñar modelos jerárquicos que permitan tratar la heterogeneidad existente en la población en alguna de sus capas o niveles. Por lo tanto, un proceso espacial combinado con modelos jerárquicos y vistos desde el paradigma Bayesiano, permite la construcción de herramientas útiles en estudios epidemiológicos en cualquier contexto, y permiten estudiar la incidencia y extensión de fenómenos asociados a un proceso espacial. En particular, su utilidad queda demostrada en Agricultura.