Aquesta tesi està basada en la modelització jeràrquica espacial des de la perspectiva Bayesiana per a l'estudi de malalties en cultius agrícoles. Aquesta metodologia en Epidemiologia agrícola és encara un camp poc desenvolupat. La necessitat de controlar la variabilitat espacial present en la majoria de les dades observades en Agricultura, exigeix la recerca de noves alternatives de modelització capaces de recollir adequadament l'estructura d'interrelacions entre els individus estudiats. En aquest sentit, l'objectiu general de la tesi és aportar eines de modelització generals en l'àmbit de l'anàlisi espacial, que permeten estudiar la presència de malalties en cultius agrícoles i descriguen la distribució dels patrons de contagi quan es té poca informació i no es tenen covariables explicatives.

En els Capítols 2 i 3 s'aborden propostes de modelització basades en models jeràrquics per a dades associades en una xarxa de localitzacions i es considera la component temporal a tráves d'una covariable que recull la història de la malaltia en el temps. Especialment, en el Capítol 2, es construïxen models amb estructura espacial dinàmica i en ells es consideren fonts de variabilitat no observades (efecte d'heterogeneïtat); d'altra banda, en el Capítol 3, es presenten tres modelitzacions en el context de dades de supervivència. Cadascuna d'elles, estima el temps de supervivència dels individus afectats per l'evolució d'una malaltia en el temps i per la presència d'heterogeneïtat no observada. Gràcies a la covariable depenent del temps considerada en les tres modelitzacions i a la construcció d'una estructura espacial dinàmica (\emph{frailty}), es pot relaxar el supòsit de proporcionalitat generalment assumit en el model de Cox i emmarcar tals propostes en el context de models espai-temporals.

En el capítol 2, es demostra que la dinàmica dels riscos està determinada per informació que depén del passat i per efectes aleatoris. Aquests efectes recullen la variabilitat no observada (heterogeneïtat) i la variabilitat espacial. Així mateix, 
en el capítol 3, es demostra que partint de dades observades en una xarxa de localitzacions és possible construir models 
de supervivència. Gràcies als tres models desenvolupats en aquest capítol, es pot pensar a modelar la funció de risc (\emph{hazard}) des de tres perspectives diferents. Començant per un model Weibull amb temps discretitzats sobre períodes d'un any i continuant amb dues propostes basades en processos de conteig. Aquestes dues últimes modelitzacions són distintes, ja que d'una banda, es considera un procés Gamma en la distribució a priori que defineix a la funció de risc base i en la segona s'assignen funcions poligonals a aquest risc.

En el capítol 4, es proposa un model jeràrquic capaç de predir en qualsevol punt de la regió, la probabilitat o risc de malaltia d'un individu en el context agrícola. Gràcies a la metodologia INLA-SPDE, és possible proposar un model de 
regressió additiu amb estructura espacial (dintre de la classe de models Gaussians latents) de variable resposta Bernoulli controlat per pocs hiperparàmetres.

Gràcies a la metodologia desenvolupada en el capítol 4, és possible fer predicció (\emph{kriging} bayesià) en considerar l'ocurrència del fenomen en una regió contínua. Usant el \emph{kriging} bayesià és possible incorporar en el model fonts d'incertesa associades als paràmetres de predicció i d'aquesta forma trobar estimacions més realistes. A més, és possible construir mapes de riscos en els quals s'estima la incertesa tant en llocs observats com en els no observats. La metodologia INLA combinada amb l'enfocament SPDE, oferix un marc teòric excel·lent per a fenòmens que necessiten predicció. La il·lustració de la metodologia amb dades reals permet reconéixer la seua utilitat en estudis epidemiològics no només en el context agrícola.

En general, les modelitzacions proposades reconeixen l'existència de correlació espacial a petita escala. En il·lustrar la metodologia amb dades reals, es reconeix la importància de la variabilitat espacial i és gràcies a ella que pot arribar a comprendre's la dinàmica de contagi i el patró de mobilitat dels agents causants de la malaltia en el context agrícola. Els models amb millors ajusts contenen en la seua estructura no només l'efecte de la covariable amb la història de la malaltia sinó la influència de l'efecte aleatori espacial dinàmic.

Per a abordar problemes des del context epidemiològic és necessari entendre estadísticament el procés, per a això es necessiten models capaços de capturar heterogeneïtat usualment no observada i que generalment no és explicada en les covariables disponibles. Pensar que els individus són extrets d'una població homogènia, no és adequat, especialment en fenòmens on existeixen factors de risc ocults que gràcies a la proximitat entre els individus són compartits. D'aquesta 
forma sembla adequat, dissenyar models jeràrquics que permeten tractar l'heterogeneïtat existent en la població en alguna 
de les seues capes o nivells. Per tant, un procés espacial combinat amb models jeràrquics i vists des del paradigma 
bayesià, permet la construcció d'eines útils en estudis epidemiològics en qualsevol context, i permeten estudiar la incidència i extensió de fenòmens associats a un procés espacial. En particular, la seua utilitat queda demostrada en Agricultura.