Este módulo tem o objetivo de iniciar o estudante no maravilhoso e grandioso mundo chamado R. Neste módulo o aluno aprenderá noções básicas tais como instalação, criação e identificação de objetivos, importação e exportação de dados, operações básicas, noções de gráficos, noções de estatística experimental, e noções de regressão. Ao final do módulo o aluno estará apto a rodar análises básicas no R tais como ANOVA, teste de comparações de médias e regressão linear. Os tópicos deste módulo são:

– Instalação do R
– Pacotes, help, criação de scripts e símbolos no R
– Criação de objetos no R
– Indexação no R
– Funções básicas do R
– Manipulação de dados no R
– Introdução à gráficos no R
– Estatística descritiva no R
– ANOVA e regressão linear no R

Neste módulo será discutido a base teórica das principais análises abordadas neste curso tais como: Estatística descritiva, DIC, DBC, correlação, regressão, esquemas experimentais, anova para dados desbalanceados e anova conjunta. Os softwares utilizados neste curso são R e RBio. Os tópicos deste módulo são:

– Instalação do software RBio
– Estatística descritiva
– Delineamento inteiramente casualizado (DIC)
– Delineamento de blocos ao acaso (DBC)
– Correlação
– Regressão
– Esquemas experimentais: fatorial e parcelas subdivididas
– ANOVA desbalanceada e análise conjunta

Este Módulo visa ensinar o aluno a utilizar o R para rodar análises básicas de experimentação tais como, teste de normalidade e homogeneidade de variâncias, anova, teste de comparação de médias e modelos básicos de regressão. Este é um módulo prático, onde são mostradas as funções do R para rodar as análises mencionadas acima, e como interpretar os resultados obtidos. Os tópicos deste módulo são:

– Estatística descritiva
– Teste de homogeneidade e normalidade de variância e remoção de outlier
– Delineamento inteiramente casualizado (DIC)
– Delineamento de blocos ao acaso (DBC)
– Delineamento em quadrado latino (DQL)
– Arranjo fatorial
– Experimento hierárquico
– Parcelas subdivididas
– Regressão linear
– Regressão múltipla e seleção de modelos
– Teste de comparação de médias

Este módulo tem por objetivo ensinar o participante a rodar e analisar diversos tipos de experimentos complexos utilizando o software R. Os delineamentos que serão abordados neste curso são: DBC com informação dentro de parcela, fatorial triplo em DIC e DBC, fatorial quadruplo em DIC e DBC, fatorial com 1 testemunha adicional em DIC e DBC, fatorial com k testemunhas adicionais em DIC e DBC, e parcelas subsubdivididas em DIC e DBC. Os tópicos deste módulo são:

– DBC com informação dentro de parcelas
– Fatorial triplo em DIC
– Fatorial triplo em DBC
– Fatorial quadruplo em DIC
– Fatorial quadruplo em DBC
– Fatorial duplo com 1 testemunha adicional
– Fatorial duplo com k testemunhas adicionais
– Fatorial triplo com 1 testemunha adicional em DIC
– Fatorial triplo com 1 testemunha adicional em DBC
– Experimento em DIC com parcelas subsubdivididas
– Experimento em DBC com parcelas subsubdivididas

Este módulo tem por objetivo ensinar o participante a rodar e analisar diversos tipos de experimentos desbalanceados utilizando o software R. Serão abordados neste módulo experimentos desbalanceados em DIC, DBC, DQL, DIC com covariável, DBC com covariável, blocos aumentados, fatorial duplo em DIC, DBC e DQL, parcelas subdidviddas em DIC e DBC. Para esse módulo utilizaremos o pacote easyanova do R, um dos pacotes mais completos para rodar análise de variância e teste de média que o R possui. Os tópicos deste módulo são:

– ANOVA desbalanceada (DIC)
– ANOVA desbalanceada (DBC)
– ANOVA desbalanceada (DQL)
– ANOVA desbalanceada com covariável (DIC)
– ANOVA desbalanceada com covariável (DBC)
– ANOVA desbalanceada em blocos aumentados
– ANOVA desbalanceada com dois fatores (DIC)
– ANOVA desbalanceada com dois fatores (DBC)
– ANOVA desbalanceada com dois fatores (DQL)
– ANOVA desbalanceada em parcela subdividida (DIC)
– ANOVA desbalanceada em parcela subdividida (DBC)

Este módulo visa ensinar o participante a utilizar o R para rodar análises de experimentos com medidas repetidas. Este é um curso prático, onde veremos mais de 20 pacotes do R. O objetivo é passar por todas as etapas da análise de dados com medidas repetidas, desde a criação de um arquivo (simulação de dados), interpretação dos resultados inicias (análise gráfica, teste de normalidade, teste de homogeneidade de variância), utilização de modelos mistos utilizando os pacotes lme, lmer e glmmTBM, interpretação dos resultados, escolhas de modelos, entre outros assuntos. Os tópicos deste módulo são:

– Simulação de dados de experimentos com medidas repetidas
– Análise exploratória dos dados simulados
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância correlacionadas – parte 1
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância correlacionadas – parte 2
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância correlacionadas – parte 3
– Estimativa de parâmetros
– Simulação e análise exploratória de dados de experimentos com medidas repetidas com dois fatores
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância não correlacionadas – parte 1
– Rodando modelos mistos para medidas repetidas com estrutura de variância e covariância não correlacionadas – parte 2
– Teste de comparações múltiplas para modelos mistos
– Predição de valores para modelos com medidas repetidas
– Geração de gráficos dos valores preditos

Este módulo visa ensinar o participante á rodas análises de modelos mistos utilizando o R. O objetivo é mostrar quais análises devem ser realizadas quando se considera um efeito como fixo (anova, teste de comparação de médias via lsmeans, análise de contraste) ou como aleatório (herdabilidade, diferencial de seleção, ganho de seleção e BLUP). Este é um curso prático, onde são ensinadas as funções do R para rodar as análises mencionadas acima, e como interpretar os resultados obtidos. Os tópicos deste módulo são:

– Analisando experimentos com um fator aleatório em DIC
– Analisando experimentos com um fator aleatório em DBC
– Analisando experimentos com um fator fixo (tratamento) e um fator aleatório (local ou ano) em DIC
– Analisando experimentos com um fator fixo (tratamento) e um fator aleatório (local ou ano) em DBC
– Analisando experimentos com um fator fixo (tratamento) e um fator aleatório (local ou ano) em DBC com informação dentro de parcela
– Analisando experimentos com um fator fixo (local ou ano) e um fator aleatório (tratamento) em DIC
– Analisando experimentos com um fator fixo (local ou ano) e um fator aleatório (tratamento) em DBC
– Analisando experimentos com um fator fixo (local ou ano) e um fator aleatório (tratamento) em DBC com informação dentro de parcelas
– Analisando experimentos com dois fatores aleatórios em DIC
– Analisando experimentos com dois fatores aleatórios em DBC
– Analisando experimentos com dois fatores aleatórios em DBC com informações dentro de parcelas

Neste módulo vamos discutir inúmeras análises relacionadas a modelos de regressão linear. Os seguintes temas serão abordados durante o curso: análise de correlação, linearidade entre variáveis, teste de normalidade, ajuste de resíduo de modelos, modelos de regressão linear simples, modelos de regressão linear múltipla, seleção de modelos e modelos lineares mistos. Todos os assuntos serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. Os tópicos deste módulo são:

– Correlação de Pearson e Spearman
– Gerando gráficos de correlação
– Teste de normalidade e remoção de outliers
– Modelo de regressão linear simples
– Modelos de regressão linear múltipla
– Métodos de seleção de modelos
– Modelos lineares mistos

Neste módulo vamos discutir inúmeros modelos avançados de regressão linear. Serão discutidos os modelos que utilizamos para analisar variáveis que não possuem distribuição normal tais como variáveis de contagem, probabilidade, proporção, multicategóricas, entre outras. Para isso ensinaremos os modelos conhecidos como modelos lineares generalizados e modelos mistos lineares generalizados. Todos os assuntos serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. Os tópicos deste módulo são:

– Modelo linear generalizado com distribuição binomial
– Modelo linear generalizado com distribuição de Poisson
– Modelo linear generalizado com distribuição de quasiPoisson
– Modelo linear generalizado com distribuição Poisson contendo valores zeros
– Modelo misto linear generalizado com distribuição Binomial
– Modelo misto linear generalizado com distribuição de Poisson
– Modelo misto linear generalizado com distribuição de zero inflated Poisson
– Estudo de caso para todos os modelos