Objetivos conceptuais (OC)
1. Dominar conceitos relativos à análise exploratória de dados
2. Dominar conceitos fundamentais da teoria da amostragem e do desenho experimental
3. Dominar a mecânica dos testes de hipóteses
4. Alargar os conceitos de correlação e de regressão aos modelos lineares generalizados
5. Compreender o conceito de máxima verosimilhança
6. Dominar conceitos fundamentais em inferência bayesiana
7. Reconhecer métodos de análise multivariada
Competências Gerais (CG)
1. Trabalhar em equipa
2. Consultar bibliografia e elaborar sínteses
3. Comunicar informação técnico-científica
Específicas (CE)
1. Desenvolver o raciocínio e o pensamento estatístico
2. Sugerir tratamentos adequados aos dados em análise
3. Analisar desenhos experimentais e calcular o número de amostras
4. Aplicar e interpretar testes de hipóteses
5. Calcular correlações e modelos de regressão
6. Calcular modelos lineares generalizados
7. Calcular modelos bayesianos
8. Usar métodos de análise multivariada
1. Análise exploratória de dados
Tabelas e gráficos
Medidas de tendência central e de dispersão
Tipos de distribuição
2. Amostragem e desenho experimental
Cálculo do número mínimo de amostras para uma dada precisão
Margem de erro e margem de erro máxima
Implicações do tipo de distribuição dos organismos
Tipos de desenho experimental
Controlos de manipulações
Independência e Pseudo-replicação
3. Inferência frequencista
Intervalos de confiança
Testes paramétricos e não paramétricos
Comparação de duas ou k amostras
4. Correlação e regressão
Correlação e regressão linear simples
Estimativa e validação do modelo de regressão
Regressão múltipla
Modelos não lineares
5. Modelos lineares generalizados
Máxima verosimilhança
Função de ligação
Modelos hierárquicos
6. Inferência bayesiana
Teorema de Bayes
Modelos bayesianos
Utilização do WinBUGS
7. Análise multivariada
Análise de grupos
Análise de variância multivariada
Análise de componentes principais
Análise discriminante
Não existe uma separação estanque entre aulas teóricas e práticas, mas sim uma sequência de apresentação de conceitos, exploração de exemplos e manipulação de dados e aplicações estatísticas, evitando a lecionação de receitas mas valorizando a aplicação concreta de ferramentas. As aulas decorrem numa sala de informática por períodos de 2,5 horas, para um número máximo de 20 participantes, divididos em grupos de até dois alunos.
AAfonso A & C Nunes (2011) Estatística e probabilidades: aplicações e soluções em SPSS. Escolar Editora, Lisboa, 554 pp.
Borcard D, F Gillet & P Legendre (2011) Numerical Ecology with R. Springer, New York
Gotelli NJ & AM Ellison (2012) A primer of Ecological Statistics. Second Edition. Sinauer Associates, Inc., Sunderland
Kéry M (2010) Introduction to WinBUGS for Ecologists. A Bayesian approach to regression, ANOVA, mixed models and related analyses. Academic Press, Elsevier, Burlington
McCarthy MA (2007) Bayesian Methods for Ecology. Cambridge University Press, Cambridge
Paulino CD, A Amaral Turkman & B Murteira (2003). Estatística Bayesiana. Fundação Calouste Gulbenkian, Lisboa, 446 pp.
Qian SS (2010) Environmental and ecological statistics with R. Chapman & Hall/CRC, Boca Raton
Stone JV (2013) Bayes’ Rule. A tutorial introduction to Bayesian analysis. Sebtel Press,
Zuur AF, EN Ieno & GM Smith (2007) Analysing ecological data. Springer, New York
0201412
6
