生态统计与建模.docx

生态统计与建模.docx

《生态统计与建模.docx》由会员分享，可在线阅读，更多相关《生态统计与建模.docx（19页珍藏版）》请在冰豆网上搜索。

生态统计与建模

生态统计与建模

生态统计与建模

EcologicalStatisticsandModeling

48学时（其中，讲授：

40学时；实验：

8学时；实习：

学时）；4学分

一、课程简介

课程性质：

本课程为研究生选修课程，面向刚刚进入研究阶段的硕士和博士研究生。

课程意义：

随着生态学研究数据量的快速积累，统计分析在生态学研究中扮演着越来越重要的角色；现代生态学研究对数学和计算机模型的应用需求日益增大，模型对深入理解生态学规律、准确预测生态环境格局起着不可替代的作用。

因此，生态统计与建模应作为培养生态学、林学和环境科学研究生的一门重要课程，对于推进研究生从事高水平研究具有重要意义。

课程目的与任务：

1）使研究生掌握数据统计分析和实验设计所遵循的原理、原则和方法；2）使研究生掌握生态数据管理、数据处理和分析的理论、流程和方法；3）使研究生熟悉生态建模的思想、概念和方法，培养研究生生态建模的能力。

课程特色：

1）强调数理统计和建模在生态学研究中的实际应用；2）授课内容全面，贯穿基本数理统计和生态学原理、实验设计、数据管理、数据分析、生态建模原理与方法等实际研究中的各个步骤；3）结合理论讲授与实际操作练习。

二、预修课程及适用专业

预修课程：

生态学；

适用专业：

水土保持与荒漠化防治、自然地理学、林学与生态学相关专业等。

三、课程内容及学时分配

课程内容：

第一章概率论简介（AnintroductiontoProbability）

1.主要内容：

第一节概率的定义（WhatisProbability?

）

•理解概率的定义和相关概念。

第二节概率的测度（MeasuringProbability）

•单一事件的概率:

肉食植物的捕食（TheProbabilityofaSingleEvent:

PreyCapturebyCarnivorousPlants）

•根据抽样估计概率（EstimatingProbabilitiesbySampling）

第三节概率定义中的问题（ProblemsintheDefinitionofProbability）

第四节概率论中的数学（TheMathematicsofProbability）

•定义抽样空间（DefiningtheSampleSpace）

•复杂的和共有事件:

合并简单概率（ComplexandSharedEvents:

CombiningSimpleProbabilities）

•概率的计算:

马利筋属植物和幼虫（ProbabilityCalculations:

MilkweedsandCaterpillars）

•复杂的和共有事件:

集合的合并规则（ComplexandSharedEvents:

RulesforCombiningSets）

•条件概率（ConditionalProbabilities）

•贝叶斯定理（Bay’sTheorem）

总结（Summary）

2.本章重点：

概率的定义、测度、概率论中的数学

3.本章难点：

条件概率和贝叶斯定理

第二章随机变量和概率分布（RandomVariablesandProbabilityDistributions）

1.主要内容：

第一节离散随机变量（DiscreteRandomVariables）

•伯努利随机变量（BernoulliRandomVariables）

•伯努利实验示例（AnExampleofaBernoulliTrial）

•多次伯努利实验=二项式随机变量（ManyBernoulliTrials=ABinomialRandomVariable）

•二项式分布（TheBinomialDistribution）

•泊松随机变量（PoissonRandomVariables）

•泊松分布示例:

稀有植物的分布（AnExampleofaPoissonRandomVariable:

DistributionofaRarePlant）

•离散随机变量的数学期望（TheExpectedValueofaDiscreteRandomVariable）

•离散随机变量的方差（TheVarianceofaDiscreteRandomVariable）

第二节连续随机变量

•均匀分布随机变量（UniformRandomVariables）

•连续随机变量的数学期望（TheExpectedValueofaContinuousRandomVariable）

•正态随机变量（NormalRandomVariables）

•正态分布的有用属性（UsefulPropertiesoftheNormalDistribution）

•其它类型的连续随机变量（OtherContinuousRandomVariables）

第三节中心极限定理（CentralLimitTheorem）

总结（Summary）

2.本章重点：

二项式分布、正态分布及其属性

3.本章难点：

中心极限定理

第三章统计描述:

集中和离散趋势（SummaryStatistics:

MeasuresofLocationandSpread）

1.主要内容：

第一节集中趋势的度量（MeasuresofLocation）

•代数平均数（TheArithmeticMean）

•其它均数（OtherMeans）

•集中趋势的其它度量:

中位数和众数（OtherMeasuresofLocation:

TheMedianandtheMode）

•选择合适的集中趋势度量（WhentoUseEachMeasuresofLocation）

第二节离散趋势的度量（MeasuresofSpread）

•方差和标准差（TheVarianceandtheStandardDeviation）

•均数标准误（TheStandardErroroftheMean）

•偏度、峰度和中心矩（Skewness,Kurtosis,andCentralMoments）

•分位数（Quantiles）

•离散趋势的使用（UsingMeasuresofSpread）

第三节关于统计描述的一些哲学问题（SomePhilosophicalIssuesSurroundingSummaryStatistics）

第四节置信区间（ConfidenceIntervals）

•广义置信区间（GeneralizedConfidenceIntervals）

总结（Summary）

2.本章重点：

随机变量的集中趋势和离散趋势度量

3.本章难点：

置信区间的概念

第四章构建和检验假设（FramingandTestingHypothesis）

1.主要内容：

第一节科学方法（ScientificMethods）

•演绎和归纳（DeductionandInduction）

•现代归纳法:

贝叶斯推断（Modern-dayInduction:

BayesianInference）

•假设演绎法（TheHypothetico-DeductiveMethod）

第二节检验统计学假设（TestingStatisticalHypothesis）

•统计学假设vs.科学假设（StatisticalHypothesisvs.ScientificHypothesis）

•统计学显著性和相伴概率（StatisticalSignificanceandP-Values）

•统计检验的错误（ErrorsinHypothesisTesting）

第三节参数估计和预测（ParameterEstimationandPrediction）

总结（Summary）

2.本章重点：

假设检验的原理

3.本章难点：

统计检验的错误、贝叶斯推断

第五章统计分析的三大框架（ThreeFrameworksforStatisticalAnalysis）

1.主要内容：

第一节抽样问题（SamplingProblem）

第二节蒙特卡洛分析（MonteCarloAnalysis）

•第一步:

确定检验统计量（SpecifyingtheTestStatistic）

•第二步:

建立无效分布（CreatingtheNullDistribution）

•第三步:

确定单尾或双尾检验（DecidingonaOne-orTwo-tailedTest）

•第四步:

计算截尾概率（CalculatingtheTailProbability）

•蒙特卡洛方法的假设（AssumptionsoftheMonteCarloMethod）

•蒙特卡洛方法的优势和劣势（AdvantagesandDisadvantagesoftheMonteCarloMethod）

第三节参数分析（ParametricAnalysis）

•第一步:

确定检验统计量（SpecifyingtheTestStatistic）

•第二步:

确定无效分布（SpecifyingtheNullDistribution）

•第三步:

计算截尾概率（CalculatingtheTailProbability）

•参数分析的假设（AssumptionsoftheParametricMethod）

•参数分析的优势和劣势（AdvantagesandDisadvantagesoftheParametricMethod）

•非参数分析:

蒙特卡洛分析的特例（Non-ParametricAnalysis:

ASpecialCaseofMonteCarloAnalysis）

第四节贝叶斯分析（BayesianAnalysis）

•第一步:

确定假设（SpecifyingtheHypothesis）

•第二步:

确定随机变量参数（SpecifyingParametersasRandomVariables）

•第三步:

确定先验概率分布（SpecifyingthePriorProbabilityDistribution）

•第四步:

计算似然值（CalculatingtheLikelihood）

•第五步:

计算后验概率分布（CalculatingthePosteriorProbabilityDistribution）

•第六步:

结果的解释（InterpretingtheResults）

•贝叶斯分析的假设（AssumptionsofBayesianAnalysis）

•贝叶斯分析的优势和劣势（AdvantagesandDisadvantagesofBayesianAnalysis）

总结

2.本章重点：

统计分析三大框架的区别与联系、相对优势和缺陷

3.本章难点：

贝叶斯分析

第六章设计野外实验（DesigningSuccessfulFieldStudies）

1.主要内容：

第一节实验中需要考虑的若干要点（WhatisthePointoftheStudy?

）

•因变