1 Ementa

A Unidade Curricular (UC) explora os fundamentos da inferência estatística, com ênfase em modelos probabilísticos e suas aplicações na análise de dados e interpretação de fenômenos complexos relacionados às Ciências do Mar. A UC enfatiza a investigação de hipóteses sobre processos ambientais por meio da construção e análise de modelos probabilísticos, integrando conhecimentos prévios com evidências baseadas em dados. O curso promove uma abordagem prática, com foco na elaboração de modelos e na simulação computacional, integrando teoria e prática como suporte à tomada de decisão, de forma a oferecer uma compreensão ampla e aplicada dos conceitos teóricos e computacionais envolvidos.

2 Conteúdo programático

  1. Fundamentos da Inferência Estatística e Modelagem Probabilística
    • Probabilidade como lógica e ferramenta para lidar com incertezas.
    • Conceitos fundamentais: distribuições a priori, verossimilhança e distribuições posteriori.
  2. Aplicações Computacionais e Ferramentas Analíticas
    • Implementação de modelos utilizando R, Python e linguagens de programação probabilística.
    • Exemplos práticos aplicados às Ciências do Mar.
  3. Construção de Modelos Probabilísticos
    • Hipóteses científicas, estruturas de dependência e relações causais.
    • Desenvolvimento de modelos conceituais integrando conhecimento prévio.
    • Simulação inicial para explorar predições com base no modelo.
  4. Integração de Dados ao Modelo
    • Incorporação de observações empíricas ao modelo conceitual.
    • Atualização de predições após a integração de novos dados.
    • Técnicas de ajuste e calibração de modelos baseadas em dados observados.
  5. Avaliação e Refinamento de Modelos
    • Predições e extrapolações baseadas no modelo ajustado.
    • Comparação de modelos utilizando critérios de validação.
    • Análise de sensibilidade a diferentes distribuições a priori.
  6. Desenhos Experimentais e Relações Causais Complexas
    • Modelos para classificação e contagem.
    • Exploração de relações não lineares.
    • Estruturas hierárquicas e suas aplicações.
    • Modelagem de dependências espaciais e temporais.

3 Objetivos

Gerais

Capacitar os alunos a compreender e aplicar conceitos de inferência estatística e modelagem probabilística, utilizando ferramentas computacionais modernas para análise de dados e interpretação de fenômenos complexos nas Ciências do Mar, promovendo a integração entre teoria, prática e suporte à tomada de decisão.

Específicos

  1. Compreender os fundamentos da probabilidade como lógica, aplicando-os à comparação entre diferentes hipóteses científicas.
  2. Implementar modelos probabilísticos em contextos ambientais utilizando linguagens de programação e ferramentas computacionais.
  3. Desenvolver e explorar modelos conceituais integrando conhecimentos prévios, representações causais e simulações iniciais.
  4. Incorporar dados empíricos a modelos probabilísticos, ajustando e calibrando predições com base em observações reais.
  5. Comparar e refinar modelos utilizando critérios de validação e análise de sensibilidade.
  6. Aplicar modelos probabilísticos para descrever relações não lineares, dependências espaciais e temporais, e processos ambientais complexos.

4 Metodologia de ensino

Atividades teóricas, práticas computacionais, leituras dirigidas e listas de exercícios.

5 Avaliação

A avaliação será realizada por meio de Provas aplicadas em sala de aula (peso 60%) e Listas de Exercícios (peso 40%). Consulte o Cronograma para as datas das provas e a página da UC no Moodle Graduação para o calendário de entrega das listas. A Nota do Período Letivo (NL) será calculada pela média ponderada dessas avaliações:

\[NL = 0{,}6 \times \text{Média aritmética das Provas} + 0{,}4 \times \text{Média aritmética das Listas}\]

Critérios de Aprovação e Exame

A aprovação na Unidade Curricular depende do cumprimento simultâneo da frequência mínima e do aproveitamento acadêmico, conforme o Regulamento dos Cursos de Graduação da Unifesp. A frequência mínima exigida é de 75%. O estudante que não atingir essa frequência estará reprovado independentemente da nota obtida.

Para o estudante que cumprir a frequência mínima, o resultado depende da NL. Se \(NL \geq 6{,}0\), o estudante estará aprovado e a Nota Final será \(NF = NL\). Se \(NL < 3{,}0\), estará reprovado sem direito a Exame Final. Se a NL ficar entre \(3{,}0\) e \(5{,}9\), o estudante terá direito ao Exame Final.

Exame Final

A Nota Final do estudante que realizar o Exame será \(NF = (NL + NE) / 2\), onde NE é a nota obtida no Exame. O estudante será aprovado se \(NF \geq 6{,}0\) e reprovado se \(NF < 6{,}0\). O estudante que não comparecer ao Exame receberá \(NE = 0\), resultando em reprovação.