Nesta tese propomos dois modelos espaciais de captura-recaptura para estimação da abundância populacional em população aberta. Os modelos estatísticos propostos ajustam-se a dados obtidos via amostragem de captura-recaptura com marcação individual realizada em diferentes locais dentro do habitat, levando em consideração as taxas de nascimentos e mortes durante o período de estudo e as localizações geográficas das capturas. No primeiro modelo, propomos uma modelagem hierárquica para os tamanhos populacionais locais a fim de obter a distribuição preditiva da abundância populacional para regiões não visitadas pela amostragem. Nesta etapa, uma estrutura para dados zero-inflacionados foi adotada para acomodar situações quando realizam-se amostragens em locais sem a presença da espécie. O segundo modelo proposto leva em consideração o deslocamento dos animais entre os diferentes locais de amostragem, generalizando o primeiro modelo no qual consideramos a permanência dos animais em um mesmo local. Neste caso, tornou-se possível estimar o tamanho da área de vida (movimentação) da espécie além de predizer locais com maiores abundâncias de animais. Em ambos modelos, propomos uma abordagem bayesiana para o processo inferencial e derivamos algoritmos de simples implementação computacional, a partir do uso de técnicas de dados aumentados. As propriedades frequentistas dos estimadores bayesianos foram avaliadas por meio de estudos de simulação e, por fim, estas propostas de modelagem foram aplicadas a três conjuntos de dados reais de aracnídeos.

In this thesis we propose two spatial capture-recapture models for estimation of population abundance in the open population. The proposed statistical models conform to data obtained through individual tag capture-recapture sampling performed in different areas within the habitat, taking into account the rates of births and deaths during the study period and the geographical locations of the catches. In the first model, we propose a hierarchical modeling for local population sizes in order to obtain the predictive distribution of population abundance for regions not visited by sampling. In this step, a structure for zero-inflated data was adopted to accommodate situations when sampling is performed in areas without the presence of the species. The second proposed model takes into account the movement of the animals among the different sampling areas, generalizing the first model in which we consider the permanence of the animals in the same area. In this case, it became possible to estimate the size of the area of movement of the species and to predict areas with higher abundances of animals. In both models, we propose a Bayesian approach to the inferential process and derive algorithms from simple computational implementation, from the use of augmented data techniques. The frequentist properties of the Bayesian estimators were evaluated by simulation studies and, finally, these modeling proposals were applied to three real data sets of arachnids.