Índice

Os tutoriais e slides das aulas serão disponibilizados ao longo da disciplina

Apresentação da disciplina

Por que estudar estatística?

Slides Aula 1a: O papel da estatística na ciência

Por que estudar estatística

Teste de hipóteses

Delineamento e Planejamento

Modelo Linear Simples

Modelo Linear Múltiplo

Modelo Linear Múltiplas Preditoras

Modelos Generalizados

Modelo Linear Misto

modelolinearmisto2025.pdf

trabalho_planeco2022.pdf

Mlodinow, L. 2009. O andar do bêbado - como o acaso determina nossas vidas. Zahar.
Salsburg, D. 2009. Uma senhora toma chá - como a estatítica revolucionou a ciência no século XX. Zahar.
Gotelli, N. & Ellison, A. 2010. Princípios de Estatística Ecológica. Artmed.
Bolker, B. 2008. Ecological Models and Data in R. Princeton University Press.
Quinn, G.P. & Keough, M.J. 2002. Experimental design and data analysis for biologists. Cambridge University Press.
Wasserstein, R.L. & Lazar, N.A. 2016. The American Statistical Association (ASA) statement on p-values: context, process and purpose. The American Statistician, 70(2):129-133.
Crawley, M. 2012. The R book. Wiley.
Fox, J. & Weisberg, S. 2011. An R Companion to Applied Regression.
FOX, G. ; NEGRETE-YANKELEVICH, S. & SOSA, V.J. 2015. Ecological Statistics: Contemporary Theory and Application. Oxford University Press.

Mais um livro de estatística?

Essa pergunta é lançada na apresentação do livro coordenado por Gordon Fox, Simoneta Negrete-Yankelevich e Vinicius Sosa, com a colaboração dos melhores na área de ecologia numérica:

Ecological Statistics: Contemporary Theory and Application

A resposta dada é bastante pertinente: os organizadores do livro argumentam que a estatística avançou muito nas últimas décadas e muitas novas técnicas surgiram, seja para unificar métodos considerados distintos ou para resolver novos problemas que não existiam no passado recente. A ideia do livro é apresentar essa visão contemporânea da estatística voltada para a ecologia e evolução. Os capítulos são parcialmente independentes, mas principalmente os primeiros tratam de conceitos importantes e mais gerais. Sugerimos fortemente que leiam a introdução, que apresenta um panorama dessa estatística moderna, que se completa com os primeiros 3 capítulos do livro.

Ao longo do curso, principalmente a partir da segunda semana, iremos sugerir a leitura de capítulos específicos, entre eles o capítulo 6 Generalized linear models e o 13 Linear and generalized linear mixed models.

Por fim: um bom livro que merece ser estudado!

A estatística Bayesiana vem tomando espaço como ferramenta robusta e acessível aos cientistas. Ela está baseada no princípio de atualização do conhecimento ao incorporar novas evidências. Para o Bayesiano a probabilidade é o grau de certeza que temos sobre a hipótese e ela muda com o acoplamento de nova informação, diferente da probabilidade ser a frequência de longo prazo de um evento (esperança). Os métodos de estimativa de parâmetros, os algoritmos baseados em métodos MCMC (Monte Carlo via Cadeias de Markov), apesar de muito flexíveis, exigem muito processamento computacional e, a pouco tempo atrás, só eram viáveis para modelos simples. Isso tem mudado muito rapidamente, algorítimos mais eficientes tem possibilitado a resolução de modelos complexos e com muitas dimensões de espaços de parâmetros. Uma boa indicação de leitura para quem quer ir mais longe é o livro:

Statistical Rethinking

Richard McElreath

Um livro muito bem escrito, tratando de Modelos Bayesianos e inferência causal de forma simples, apesar da complexidade do tema. O livro é bastante prático, o próprio subtítulo o define como “curso Bayesiano com exemplos no R e Stan”, e os exemplos usam um pacote do R para facilitar o uso do ferramental Bayesiano no ambiente. O autor Richard McElreath, diretor do Instituto de Comportamento Humano, Ecologia e Cultura do Instituto Max Planck, disponibiliza muito material em sua página https://xcelab.net/rm/