Ecologia Numérica

Ecologia através dos números'.

Plano de ensino de Ecologia Numérica

Felipe Melo

Carga horária 45 horas

Ementa

Ecologia numérica é uma disciplina que trata da análise da biodiversidade em comunidades biológicas através de técnicas de análise multivariada e índices de diversidade taxonômica, funcional e filogenética

Objetivos

O objetivo da disciplina é fornecer ferramentas analíticas sobre a biodiversidade através de métricas diversas de diversidade biológica em seus distintos níveis: taxonômica, funcional e filogenética. Ainda, oferecer ao estudante os conceitos básicos de análises de comunidades biológicas através e métodos multivariados utilizados na ecologia de comunidades.

Metodologia

A disciplina será ministrada através de aulas expositivas e exercícios práticos com comunidades naturais e simuladas e com a utilização do programa R como principal software de análise de dados

Avaliação

A avaliação será através de provas escritas e seminários em grupo com os estudantes e exercícios periódicos para a fixação dos conteúdos

Conteúdo programático

Conceitos básicos de diversidade biológica
Diversidade taxonômica: índices de diversidade biológica; diversidade verdadeira (números de Hill)
Exercícios de descrição de comunidades com índices de diversidade
Métodos de ordenação de comunidades biológicas (NMDS; PCA; RDA; CCA)
Estimadores de diversidade biológica (estimadores não-paramétricos; rarefação; interpolação)
Diversidade Funcional
Exercícios de descrição funcional de comunidades biológicas
Métodos de cálculo da diversidade funcional (Dispersão Funcional, Médias ponderadas de comunidades)
Diversidade filogenética
Exercícios de descrição filogenética de comunidades biológicas
Métodos de diversidade filogenética (MNTD, NRI, MPD)
Aplicações da ecologia numérica nos estudos de diversidade biológica.
Análise distribucional: curvas de dominância

Bibliografia

Programação em R

Adler, J. (2012). R in a nutshell: A desktop quick reference. O’Reilly Media, Inc.

Allesina, S., & Wilmes, M. (2019). Computing Skills for Biologists: A Toolbox. Princeton University Press.

Beckerman, A. P., Childs, D. Z., & Petchey, O. L. (2017). Getting started with R: an introduction for biologists. Oxford University Press.

Braun, W. J., & Murdoch, D. J. (2016). A first course in statistical programming with R. Cambridge University Press.

Burns, P. (2011). The R inferno. Lulu.com.

Chambers, J. (2008). Software for data analysis: programming with R. Springer Science & Business Media.

Chambers, J. M. (2017). Extending R. Chapman and Hall/CRC.

Campbell, M. (2019). Learn RStudio IDE: Quick, Effective, and Productive Data Science. Springer.

Chang, W. (2018). R graphics cookbook: practical recipes for visualizing data. O’Reilly Media.

Cotton, R. (2013). Learning R: A Step-by-Step Function Guide to Data Analysis. O’Reilly Media, Inc.

Cotton, R. (2017). Testing R Code. Chapman and Hall/CRC.

Crawley, M. J. (2012). The R book. John Wiley & Sons.

Davies, T. M. (2016). The Book of R: A first course in programming and statistics. No Starch Press.

Engel C. 2019. Introduction to R. https://cengel.github.io/R-intro/

Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. Sage publications.

Gandrud, C. (2016). Reproducible research with R and R studio. Chapman and Hall/CRC.

Gardener, M. (2012). The essential R reference. John Wiley & Sons.

Gentleman, R. (2008). R programming for bioinformatics. Chapman and Hall/CRC.

Gillespie, C., & Lovelace, R. (2016). Efficient R programming: a practical guide to smarter programming. O’Reilly Media, Inc.

Grolemund, G. (2014). Hands-On Programming with R: Write Your Own Functions and Simulations. O’Reilly Media, Inc.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media. https://web.stanford.edu/~hastie/ElemStatLearn/

Healy, K. (2018). Data visualization: a practical introduction. Princeton University Press.

Hector, A. (2015). The new statistics with R: an introduction for biologists. Oxford University Press.

Hilfiger, J. J. (2015). Graphing Data with R: An Introduction. O’Reilly Media, Inc.

Holmes, S., & Huber, W. (2018). Modern statistics for modern biology. Cambridge University Press. http://web.stanford.edu/class/bios221/book/index.html

Irizarry, R. A., & Love, M. I. (2016). Data Analysis for the Life Sciences with R. Chapman and Hall/CRC. http://www.rwdc2.com/files/rafa.pdf

Ismay, C., & Kim, A. Y. (2019). Statistical Inference via Data Science: A ModernDive into R and the Tidyverse. CRC Press. https://moderndive.com/

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: springer. http://faculty.marshall.usc.edu/gareth-james/ISL/

Jones, O., Maillardet, R., & Robinson, A. (2014). Introduction to scientific programming and simulation using R. Chapman and Hall/CRC.

Kabacoff, R. (2015). R in Action: Data Analysis and Graphics With R. Greenwich, CT.

Lander, J. P. (2017). R for everyone: advanced analytics and graphics. Pearson Education.

Maindonald, J., & Braun, J. (2010). Data analysis and graphics using R: an example-based approach. Cambridge University Press.

Matloff, N. (2011). The art of R programming: A tour of statistical software design. No Starch Press.

McGrath, M. (2018). R for Data Analysis in easy steps - R Programming essentials. In Easy Steps Limited.

Micheaux, P. L., Drouilhet, R., & Liquet, B. (2013). The R software The R Software: Fundamentals of Programming and Statistical Analysis. Springer Science & Business Media.

Oliveira, P. F., Guerra, S., Mcdonnell, R. (2018). Ciência de dados com R – Introdução. IBPAD. https://cdr.ibpad.com.br/

R Core Team. (2019). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.r-project.org/

Racine, J. S. (2012). RStudio: a platform‐independent IDE for R and Sweave. Journal of Applied Econometrics, 27(1), 167-172.

Shahbaba, B. (2012). Biostatistics with R: An Introduction to Statistics Through Biological Data. Springer

Silge, J., & Robinson, D. (2017). Text mining with R: A tidy approach. O’Reilly Media, Inc.

Teetor, P. (2019). R cookbook: proven recipes for data analysis, statistics, and graphics. O’Reilly Media, Inc.

Wickham, H. (2015). R packages: organize, test, document, and share your code. O’Reilly Media, Inc.

Wickham, H. (2016). ggplot2: elegant graphics for data analysis. Springer.

Wickham, H. (2019). Advanced r. Chapman and Hall/CRC.

Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. O’Reilly Media, Inc. https://r4ds.had.co.nz/

Wiley, M., & Wiley, J. F. (2016). Advanced R Data Programming and the Cloud. Apress.

Wilke, C. O. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly Media. https://serialmentor.com/dataviz/

Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R markdown: The definitive guide. CRC Press. https://bookdown.org/yihui/rmarkdown/

Zumel, N., & Mount, J. (2014). Practical data science with R. Manning Publications Co.

Zuur, A., Ieno, E. N., & Meesters, E. (2009). A Beginner’s Guide to R. Springer Science & Business Media.

Conteúdo teórico MAGURRAN, A. E. Ecological diversity and its measurement. University press, Cambridge, 1988. 167p.

Chao, A., Chiu, C.-H. & Jost, L. (2014) Unifying Species Diversity, Phylogenetic Diversity, Functional Diversity, and Related Similarity and Differentiation Measures Through Hill Numbers. Annual Review of Ecology, Evolution, and Systematics, 45, 297–324.

Cavender-Bares, J., Kozak, K.H., Fine, P.V.A. & Kembel, S.W. (2009) The merging of community ecology and phylogenetic biology. Ecology Letters, 12, 693–715.