Ferramentas do usuário

Ferramentas do site


Barra lateral

CMQ
Centro de Métodos Quantitativos


USP ESALQ
Depto. de Ciências Florestais
ESALQ
UNIVERSIDADE de SÃO PAULO
Av. Pádua Dias, 11
Caixa Postal 09
13418-900 - Piracicaba - SP
BRASIL
biometria:verossim:00-apresent

Modelagem Estatística para Ecologia e Recursos Naturais

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.
biometria/verossim/00-apresent.txt · Última modificação: 2015/08/10 20:48 (edição externa)