~~NOTOC~~
| {{ :likelihood_13.png?nolink&120 |Superfície de Verossimilhança}} | BIE 5781 Modelagem Estatística para Ecologia e Recursos Naturais |
\\
====== Bem-vindo(a) ======
Este é o sítio //wiki// de apoio à disciplina de Pós-Graduação [[http://janus.usp.br:8086/di/fexDisciplina?sgldis=BIE5781|BIE5781]] da [[http://www.usp.br|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.
====== Nosso Mapa Conceitual ======
| {{:mapa-conceitual.png?655|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 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.
----
======Professores======
* **Paulo Inácio K. L. Prado** ([[http://ecologia.ib.usp.br/let/|Laboratório de Ecologia Teórica]], Depto de Ecologia, IB - USP)
email <- paste("prado","ib.usp.br",sep="@")
* **João Luís Ferreira Batista** ([[http://cmq.esalq.usp.br|Centro de Métodos Quantitativos]], Depto. de Ciências Florestais, Esalq - USP)
email <- paste("batista.jlf","usp.br",sep="@")
====== Objetivos ======
- Compreender os procedimentos para construção de modelos quantitativos por meio do princípio de verossimilhança;
- Compreender os conceitos teóricos que fundamentam esses procedimentos;
- Executar esses procedimentos com a linguagem R.
====== Pré-Requisitos ======
Conhecimento básico da linguagem R. {{ :rlogo.jpg?nolink&150|}}
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:
* [[http://ecologia.ib.usp.br/bie5782| Introdução ao R]] da Pós-Graduação em Ecologia da USP.
* [[http://cmq.esalq.usp.br/LCF5876/doku.php?id=start|Computação no Ambiente R]] da Pós-Graduação em Recursos Florestais da USP.
====== 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 e exercícios ====
* Prova com questões objetivas sobre a matéria
* Exercícios em R
==== Trabalho final ====
Uma análise de dados aplicando os métodos expostos na disciplina. Para detalhes veja o link sobre o trabalho final no menu à esquerda.
====== Bibliografia ======
==== Essencial ====
* 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.
====Introdutórias e complementares====
* Batista, J.L.F. (2009). Verossimilhança e Máxima Verossimilhança ({{:leituras:verossim.pdf|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 [[http://popgen.unimaas.nl/~jlindsey/ms|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.
====== Próximo lecionamento ======
De 04 de novembro a 27 de novembro de 2024, em formato presencial. Detalhes [[:historico:2024:syllabus|aqui]]
\\
------------------
\\