Resolução de exercícios sobre modelos lineares mistos no R:  exercícios 1 e 2 da colecção de exercícios.

Modelo linear misto: os melhores estimadores lineares não enviesados (BLUEs) dos efeitos fixos e os melhores preditores lineares não enviesados (BLUPs) dos efeitos aleatórios. Inferência aos parâmetros de covariância: testes de razão de verosimilhanças. Comparação e selecção de modelos: testes de razão de verosimilhanças, critério de informação de Akaike e critério de informação de Bayes. Validação dos pressupostos do modelo.

Formulação geral do modelo linear misto, propriedades e alguns casos particulares. Os estimadores ANOVA, de máxima verosimilhança e de máxima verosimilhança restrita das componentes de variância para alguns casos particulares (modelos equilibrados): (1) modelo aleatório a 1 factor de efeitos aleatórios; (2) modelo misto, 1 factor de efeitos fixos e 1 factor de efeitos aleatórios, sem interacção; (3) modelo misto, 1 factor de efeitos fixos e 1 factor de efeitos aleatórios, com interacção.

Breve revisão do modelo linear: regressão linear e análise de variância.

Testes de hipóteses paramétricos.
Testes não paramétricos: o teste de normalidade de Shapiro-Wilk.
Tabelas de contingência e testes do qui-quadrado.
O teste de Wilcoxon e o teste de Mann-Whitney.
Aplicações com R.

Introdução à Inferência Estatística paramétrica e não paramétrica. Intervalos de
confiança para os parâmetros usuais em uma e duas populações.
Testes de normalidade.
Resolução de exercícios com o R.

Amostragem e Estimação: conceitos básicos - amostra aleatória, estimador e estimativa.
Amostragem aleatória com e sem reposição com o R.
Propriedades dos estimadores. O método da máxima verosimilhança. Propriedades.

Apresentação e discussão dos objectivos do módulo. Discussão de pontos de interesse a ser tratados.Análise exploratória e visualização de dados.
Medidas para dados quantitativos e qualitativos. Sua obtenção no R.
Funções em R para os modelos de probabilidade mais usuais.
O Teorema Limite Central. Suas aplicações.
Ilustração com o R.

Feriado

Feriado

Análise Classificatória (clustering) - algoritmo PAM.

Análise Classificatória (clustering) - algoritmo kmeans.

Introdução à Análise Classificatória (Clustering). Algoritmos hierárquicos aglomerativos.

Análise em componentes Principais (continuação).

Análise em componentes Principais.

Introdução à Análise em componentes Principais.

Férias da Páscoa.

Férias da Páscoa.

Introdução à algoritmia com R. Objetos de tipo Function definidos pelo utilizador.

Introdução à algoritmia com R - Objetos de tipo Function.

Introdução à algoritmia com R (continuação).

Introdução à algoritmia com R.

Introdução à Ontologia Génica.

Os conceitos em Ontologia Génica: Funções moleculares, Processos biológicos e componentes celulares.

Exercícios práticos

Ferramentas para buscas de similaridades:

a família BLAST e FASTA

Alinhamentos e termos de buscas

Matrizes de substituição

Discussão dos trabalhos de doutoramento e das metodologias bioinformáticas propostas

Discussão dos trabalhos de doutoramento e das metodologias bioinformáticas propostas

Apresentação dos trabalhos de doutoramento em curso. Utilização de ferramentas bioinformáticas

Apresentação e discussão sobre o tratamento de dados no trabalho de doutoramento.

Apresentação e discussão das matérias a leccionar e métodos de avaliação

Apresentação do programa da UC. Temas para trabalhos.