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