Bioestatística na prática utilizando o ambiente R

Description

Aprenda a estatística na teoria e na prática de uma forma completamente descomplicada com o Dr. Luis Felipe de Almeida Duarte. Em 2019, este profissional foi professor da disciplina "Bioestatística" na Universidade Estadual Paulista (Campus CLP) e vem trabalhando suas análises no ambiente R desde 2007 (14 anos de experiência). Atualmente está desenvolvendo seu terceiro pós doutorado na Universidade Federal de São Carlos com suporte financeiro da Fundação de Amparo a Pesquisa do Estado de São Paulo (FAPESP).

Não há necessidade de possuir conhecimento prévio (de estatística e nem da linguagem R), pois vamos do zero absoluto ao avançado com muito planejamento didático. Descubra como executar mais de 30 testes de hipóteses (paramétricos e seus equivalentes não paramétricos) na linguagem mais utilizada do mundo. Todos estes testes foram pensados e planejados para uma ampla variedade de natureza de dados, portanto, suas necessidades estatísticas muito provavelmente serão atendidas neste curso. Aprenda também a confeccionar gráficos, extrair tabelas descritivas, manipular seu conjunto de dados e se tornar completamente independente na linguagem R. O curso disponibiza 15 scripts com comentários em português contendo exatamente 3.629 linhas de informações, apostila, matrizes de dados reais, planilhas com exercícios, materiais didáticos, além de muitos outros arquivos para download. Decida não depender mais de análises realizadas por terceiros. Invista na sua carreira! Assista o Feedback dos nossos ex-alunos na página da "Biorevisei" no Youtube.

What You Will Learn!

• Instalação do R e do R Studio;
• Contextualização do ambiente R e sua linguagem;
• Contextualização da ciência bioestatística
• Distribuições teóricas de probabilidades e sua relação com as análises estatísticas;
• Contextualização dos testes de hipóteses
• Entendendo o que são objetos (e suas classes), funções e argumentos no R;
• Apresentação das ferramentas do R Studio;
• Instalar e carregar pacotes;
• Criar objetos, descobrir suas classes e altera-las;
• Alterar nomes das variáveis e das unidades amostrais;
• Concatenar objetos (informações quantitativas e qualitativas);
• Operações matemáticas;
• Criar matrizes de dados e dataframes;
• Selecionar tabelas dentro de matrizes;
• Filtrar dados;
• Explorar e analisar conjuntos de dados da memória do R;
• Estimar medidas de tendência central, dispersão e inferências estatísticas;
• Calcular o intervalo de confiança;
• Utilizar o "help" do R para se tornar independente;
• Juntar tabelas e dataframes;
• Extrair tabelas contendo a estatística descritiva de uma base de dados;
• Importar dados para o ambiente R (arquivos txt., csv, planilhas do excel, "copy and paste" e selecionando dados na origem);
• Exportar tabelas e gráficos para o diretório de trabalho;
• Utilizar o R para entender a lógica dos valores de p;
• Elaborarando gráficos
• Avaliar a normalidade (por meio de testes estatísticos e graficamente);
• Avaliar a normalidade (por meio de testes estatísticos e graficamente);
• Avaliar a homogeneidade de variâncias (por meio de testes estatísticos e graficamente);
• Transformar dados (métodos: range, standardize, raiz quadrada[+1] e logaritmo[+1]);
• Teste de shapiro Wilk;
• Teste de Kolmogorov-Smirnov para uma amostra;
• Teste de Levene;
• Teste de Bartllet;
• Teste T de student simples;
• Teste T de student pareado;
• Teste de Mann-Whitney;
• Teste de Wilcoxon;
• Teste de Kolmogorov-Smirnof;
• Análises de variâncias e seus pressupostos estatísticos
• Teste a posteriori de Tukey;
• Teste de Kruskall-Wallis;
• Teste a posteriori de Nemenyi;
• Teste a posteriori de Dunn;
• Teste T par a par com ajuste de Bonferroni;
• Teste de Scheffe;
• Teste de Friedman e teste a posteriori de Friedman
• Teste do Qui-Quadrado (para uma variável e para associações de variáveis);
• Correlações estatísticas e suas significâncias estatísticas (entre variáveis e matrizes de dados);
• Modelo de regressão linear;
• Análise de Covariância;
• Modelo de regressão logística;
• Regressão múltipla;
• Análise dos Componentes Principais (PCA);
• Análise de agrupamentos (Dendogramas e Clusters Kmeans);
• Análise de Correspondência Múltipla (MCA);

Who Should Attend!

• Alunos de graduação, mestrandos, doutorando, professores e profissionais ligados a todas as áreas das ciências biológicas e afins.

TAKE THIS COURSE