Este é o sítio wiki de apoio à disciplina de Pós-Graduação BIE5781 da Universidade de São Paulo.

Os roteiros de estudo, tutoriais e exercícios foram planejados para ensino presencial, mas podem ser úteis para estudo individual, acompanhados da bibliografia indicada.

Fique à vontade para usá-los, e agradecemos qualquer sugestão para melhorá-los.

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 funções de densidade probabilística, 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.

• Paulo Inácio K. L. Prado (Laboratório de Ecologia Teórica, Depto de Ecologia, IB - USP)

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

• João Luís Ferreira Batista (Centro de Métodos Quantitativos, Depto. de Ciências Florestais, Esalq - USP)

 email <- paste("batista.jlf","usp.br",sep="@") 

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.

Conhecimento básico da linguagem R.

Tutoriais e exercícios são feitos em R. Visite os links das páginas de cada unidade (barra de menu à esquerda) para avaliar se você poderá acompanhar.

Caso receie não acompanhar, recomendamos as duas disciplinas que lecionamos sobre a linguagem, oferecidas antes desta. Mesmo que não as tenha cursado, nas páginas delas há apostilas, tutoriais, exercícios e sugestões de leituras para estudo:

• Introdução ao R da Pós-Graduação em Ecologia da USP.

• Computação no Ambiente R da Pós-Graduação em Recursos Florestais da USP.

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

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 com questões objetivas sobre a matéria
• Exercícios em R

Uma análise de dados aplicando os métodos expostos na disciplina. Para detalhes veja o link sobre o trabalho final no menu à esquerda.

• Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical-Theoretic Approach, 2nd ed. New York, Springer-Verlag.
• 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://ms.mcmaster.ca/~bolker/emdbook/index.html.
• 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.
• Hilborn, R. & Mangel, M. (1997). The Ecological Detective – Confronting Models with Data. Princeton, Princeton University Press.
• Royall, R. M. (2000). Statistical Evidence: A Likelihood Paradigm. London, Chapman and Hall.

• Batista, J.L.F. (2009). Verossimilhança e Máxima Verossimilhança (apostila).
• Anderson, D. R. (2008). Model based inference in the life sciences: a primer on evidence. New York, Springer.
• Edwards, A. W. F. (1974). History of Likelihood. Int. Stat. Rev. 42: 9-15.
• Hobbs, N.T. & Hilborn, R. (2006). Alternatives to statistical hypothesis testing in ecology: A guide to self-teaching. Ecological Applications: 16(1): 5-19.
• Johnson, J. B. & Omland, K. S. (2004). Model selection in ecology and evolution. Trends in Ecology and Evolution 19:101-108.
• 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.
• Lindsey J. K. (2004) Introduction to applied statistics - a modelling approach. 2nd Ed, Oxford, Oxford University Press.
• Otto, S. P. & Day, T. (2007). A biologist's guide to mathematical modelling in ecology and evolution. Princenton, Princenton University Press.
• 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.

De 21 de outubro a 11 de novembro de 2022, em formato presencial. Detalhes aqui