Fundamentos de Modelação Estatística
Cursos Mestrado em Bioestatística e Biometria
Código: 22112
Departamento: DCET
ECTS: 10
Área científica: Estatística
Total de horas trabalho: 260
Total de horas de contacto: 40

O objetivo desta unidade curricular é dotar o aluno da compreensão de conceitos e modelos estatísticos, nomeadamente no que concerne a modelos de regressão. Pretende-se que o estudante adquira competências que lhe permitam saber construir, desenvolver e interpretar modelos estatísticos, em que existem dependências susceptíveis de serem modeladas por uma expressão matemática envolvendo noções probabilísticas. O estudante revelará proficiência na aplicação de modelos de regressão através dos modelos lineares generalizados, bem como na respetiva interpretação e exploração gráfica, visando o ajustamento a dados provenientes de uma vasta gama de áreas científicas.

Modelação Estatística
Modelos de Regressão
Modelos Lineares Generalizados
Análise de resíduos

No final desta unidade curricular os estudantes deverão ter adquirido competências que lhe permitam:
Sentir-se aptos a trabalhar com modelos de regressão, ajustando-os a problemáticas reais.
Revelar proficiência na interpretação , exploração gráfica e análise de resultados.
Saber escolher e saber aplicar os modelos adequados a problemas reais nas suas áreas profissionais.
Saber validar modelos com recurso à análise gráfica de resíduos.
Conseguir usufruir das capacidades de um software adequado à modelação estatística de dados, nomeadamente a linguagem R.

1 - Introdução à modelação estatística: princípios, conceitos e objetivos
2 - Caracterização dos modelos de regressão
3 - Modelos de regressão múltipla e inferência
4 - Predição e colinearidade
5 - Introdução aos Modelos Lineares Generalizados: conceitos, exemplos e estimação de parâmetros
6 - Regressão Logística e probit e modelos log lineares
7 - Análise gráfica dos resíduos, seleção e validação do modelo
8 - Introdução aos Modelos Mistos

[1] Dobson, A. J.(2001). An Introduction to Generalized Linear Models, 2nd Ed. Chapman & Hall
[2] Faraway, J. J. (2006) Extending the Linear Model with R; Generalized Linear, Mixed Effects and Nonparametric Regression Models. Chapman & Hall.
[3] Fox, J (2008). Applied Regression Analysis and Generalized Linear Models. Sage Publications.
[4] Hosmer, D.W, Lemeshow, S. (2000). Applied Logistic Regression, 2nd Ed., Wiley.
[5] Kutner, M.H., Nachtsheim, C.J., Neter, J. (2004) . Applied Linear Regression Models, 4th Ed., McGraw-Hill/Irwin.
[6] Neter, J., Kutner, M.H.,Li, W.,Nachtsheim, C. J. (2005 ): Applied Linear Statistical Models, 5th Ed. Mcgraw-Hill Professi.
[7] Turkman, M.A.A.& Silva, G.L. (2000). Modelos Lineares Generalizados. Edições SPE (Sociedade Portuguesa de Estatística)
[8] Weisberg, S. (2005). Applied Linear Regression. Wiley Series in Probability and Statistics.
[9] Fox, J (2008). Applied Regression Analysis and Generalized Linear Models. Sage Publications.

E-learning

A avaliação tem caráter individual e implica a coexistência de duas modalidades: avaliação contínua (60%) e avaliação final (40%). Essa avaliação será desenvolvida na aplicação de formas diversificadas, definidas no Contrato de Aprendizagem da unidade curricular.