Ferramentas do usuário

Ferramentas do site


historico:2009:2009-bie


2009 - BIE 5781 Modelagem Estatística para Ecologia e Recursos Naturais

Nosso Mapa Conceitual

Nosso Mapa Conceitual

O mapa conceitual parte de um comando generalizado em linguagem R, que resume a ligação entre modelos e dados, por meio da função de verossimilhança.

Os modelos são variáveis aleatórias, cujos parâmetros são funções de variáveis explicativas. A plausibilidade dos modelos, condicionada aos dados, é expressa pela função de verossimilhança. Os coeficientes mais plausíveis dos modelos são obtidos maximizando-se a função de verossimilhança, com técnicas de otimização numérica.


Professores

Responsáveis

  email <- paste("prado","ib.usp.br",sep="@") 
 email <- paste("parsival","usp.br",sep="@") 

Colaboradores

  • Roberto Munguía Steyer (Pós-doc do Depto. de Ecologia, IB - USP)
  • Tiago Montanher (Pós-Graduação em Matemática Aplicada, IME-USP)

Objetivos

  1. Compreender os procedimentos para construção de modelos quantitativos por meio do princípio de verossimilhança;
  2. Compreender os conceitos teóricos que fundamentam esses procedimentos;
  3. Executar esses procedimentos com a linguagem R.

Pré-Requisitos

Conhecimento básico da linguagem R.

A página da disciplina de introdução ao R da Pós-Graduação em Ecologia da USP tem apostilas, tutoriais, exercícios e sugestões de leituras para o estudo da linguagem.

Conteúdo

Metodologia de Ensino

  • Aulas teóricas
  • Tutoriais e exercícios com a linguagem R
  • Leitura e discussão de textos

Avaliação

Critérios

Participação nas atividades

O pré-requisito é a presença nas atividades, mas a avaliação é da qualidade de suas contribuições nas aulas teóricas e de discussão. Uma fração importante do tempo da disciplina está reservada para estudo por meio de leitura e tutoriais. Espera-se que você leia os textos, faça os tutoriais e reflita sobre ele antes de cada aula, e que isso resulte em contribuições efetivas às discussões em sala.

Prova

Haverá uma prova com questões objetivas sobre a matéria de todas as aulas, exceto a última (fundamentação teórica).

Discussão da Prova

Trabalho final

Um ensaio de no máximo 2.000 palavras, sobre o impacto em sua pesquisa de um dos conceitos e/ou procedimentos abordados na disciplina. O ensaio deve ser escrito para colegas de sua área que não conhecem o assunto, com:

  • Uma apresentação clara e didática do conceito ou procedimento;
  • Uma discussão bem fundamentada de sua importância para sua pesquisa, e de outras similares.

PRAZO

O prazo para enviar o ensaio por correio eletrônico aos professores responsáveis é 30 de junho de 2009.

Cálculos

Pesos

  • Participação: peso 2
  • Prova: peso 1
  • Ensaio: peso 7

Conceito Final

  • Menos que 5,0 : D
  • Entre 5,0 e menos que 6,5: C
  • Entre 6,0 e menos que 8,0 : B
  • 8,0 ou mais: A

Planilha de notas

Local e Horário

Horário das aulas

  • Manhã (M): 9:00 - 12:30 h
  • Tarde (T): 14:00 - 17:30 h

Salas de Aula

As aulas téoricas ocorrerão nas seguintes salas do Instituto de Biologia da USP:

  • AG-Bot: auditório do Depto. de Botânica, Edifício André Dreyfus
  • AG-Zoo: auditório do Depto. de Zoologia, Edifício Ernesto Marcus
  • CD-5: sala 5 do Centro Didático
  • Minas-1 e Minas-3: auditórios 1 e 3 do Edifício Félix Kurt Rawitscher (“Minas”)

Programação

DiaPeríodoAtividadeLocalTemaLeitura
01/06MAula Teor. Minas-3 Apresentação da disciplina e introdução à modelagem estatística Hilborn & Mangel cap.1, Johnson & Omland 2004
01/06TAula Teor. Minas-3 Variáveis aleatórias discretas Otto & Day pp. 513-536
02/06M&TEstudo ind. Variáveis aleatórias discretas
03/06MDiscussão AG-Bot Variáveis aleatórias discretas
03/06TAula Teor. AG-Bot Variáveis aleatórias contínuas Otto & Day pp. 536-558
04/06M&TEstudo ind. Variáveis aleatórias contínuas
05/06MDiscussão Minas-1 Variáveis aleatórias contínuas
05/06TAula Teor. Minas-1 Função de Verossimilhança Batista 2009, Hobbs & Hilborn 2006 apêndice A
08/06MDiscussão Minas-3 Função de Verossimilhança
08/06TAula Teor. Minas-3 Ajuste de distribuições
Seleção de modelos
Bolker pp. 169-176, Vismara 2009 pp. 12-26, opcionais: Anderson 2008 caps.2 e 3
09/06M&TEstudo ind. Ajuste de distribuições
Seleção de modelos
10/06MDiscussão CD-5 Ajuste de distribuições
Seleção de modelos
10/06TAula Teor. CD-5 Modelos Gaussianos Bolker pp.298-308, Batista 2008
15/06M&TEstudo ind. Modelos Gaussianos
16/06MAula Teor. Minas-3 Modelos Poisson e Binomial Bolker pps. 182-184, 201-208, 308-312, Faraway 2006 cap. 2 (opcional)
16/06TDiscussão Minas-3 Modelos Gaussianos
17/06M&TEstudo ind. Modelos Poisson e Binomial
18/06MDiscussão AG-Zoo Modelos Poisson e Binomial
18/06TAula Teor. AG-Zoo Fundamentação teórica Lewin Koh et al. 2004, Hilborn & Mangel cap.2, Royall 2007, Hobbs & Hilborn 2006
19/06M Prova AG-Bot Toda a matéria até aqui, exceto fundamentação teórica
19/06MPalestra AG-Bot Otimização Bolker cap. 7 (opcional)
19/06TDiscussão AG-Bot Fundamentação Teórica

Bibliografia

Leituras Básicas para as Aulas

Nota

A Resolução 5213 da Reitoria da USP permite que professores disponibilizem artigos e partes de livros adotados para uso estrito nas atividades de sua disciplina, apenas pelos alunos regularmente inscritos nela.

  • Anderson, D. R. (2008). Model based inference in the life sciences: a primer on evidence. New York, Springer.
  • Batista, J.L.F. (2009). Inferência em Recursos Florestais e Ecologia: A Abordagem da Verossimilhança. Resumo de Palestra, Eslaq, Piracicaba.
  • Batista, J.L.F. (2009). Verossimilhança e Máxima Verossimilhança (apostila).
  • Bolker, B. (2008). Ecological Models and Data in R. Princeton, Princeton University Press. Uma versão de trabalho bem similar ao livro publicado está disponível em: http://www.zoo.ufl.edu/bolker/emdbook/index.html .
  • Hilborn, R. & Mangel, M. (1997). The Ecological Detective – Confronting Models with Data. Princeton, Princeton University Press.
  • Hobbs, N.T. & Hilborn, R. (2006). Alternatives to statistical hypothesis testing in ecology: A guide to self-teaching. Ecological Applications: 16(1): 5-19. Apendices
  • Johnson, J. B. & Omland, K. S. (2004). Model selection in ecology and evolution. Trends in Ecology and Evolution 19:101-108.
  • Lewin-Koh N., Taper, M. L. & Lele, S. R. (2004). A brief tour of statistical concepts. In: The nature of scientific evidence (eds. ML Taper and SR Lele), University of Chicago Press, pp 3 -16.
  • Otto, S. P. & Day, T. (2007). A biologist's guide to mathematical modelling in ecology and evolution. Princenton, Princenton University Press.
  • Royall, R. M. (2007) The likelihood paradigm for statistical evidence. In: The nature of scientific evidence (eds. ML Taper and SR Lele), University of Chicago Press, pp 119–152.
  • Vismara, E. S. (2009). Seleção de Modelos Empíricos através do Critério de Informação de Akaike. In: Mensuração da biomassa e seleção de modelos para construção de equações de biomassa. Dissertação de Mestrado, ESALQ-USP, Piracicaba, p.12-26. pdf

Leituras Adicionais

  • Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical-Theoretic Approach, 2nd ed. New York, Springer-Verlag.
  • Edwards, A. W. F. 1972. Likelihood – An Account of the Statistical Concept of Likelihood and its Application to Scientific Inference. New York, Cambridge University Press.
  • Edwards, A. W. F. 1974. History of Likelihood. Int. Stat. Rev. 42: 9-15.
  • Faraway, J. 2006. Extending the Linear Model with R. Chapman & Hall/CRC.
  • Lindsey J. K. (1999) Some statistical heresies. Statistician 48:1–40.
  • Lindsey J. K. (1999) On the construction and comparison of statistical models for scientific discovery. Disponível na página do autor.
  • Royall, R. M. (2000). Statistical Evidence: A Likelihood Paradigm. London, Chapman and Hall.
  • Royle, J. A. & Dorazio, R. (2008). Hierarchical Modeling And Inference In Ecology: The Analysis Of Data From Populations, Metapopulations And Communities. Oxford, Academic Press.
  • Sober, E. 2008. Evidence and Evolution: the logic behind the science. Cambridge, Cambridge University Press.
  • Taper, M. L. & Lele, S. R. 2004. The Nature of Scientific Evidence – Statistical, Philosophical and Empirical Considerations. Chicago, Chicago University Press.
historico/2009/2009-bie.txt · Última modificação: 2015/08/10 20:29 (edição externa)