Modelação Estatística Bayesiana

Métodos de ensino

A metodologia de ensino desta disciplina combina teoria e prática, com uma abordagem centrada na aprendizagem ativa. As aulas serão expositivas, ilustradas com exemplos práticos e estudos de caso, promovendo a aplicação direta dos conceitos. Os estudantes serão incentivados a participar ativamente por meio de exercícios práticos, que servirão como base para a reflexão e discussão em sala de aula. A interação constante entre professor e estudantes visa consolidar os conhecimentos adquiridos, com foco na experiência prática e resolução de problemas reais no contexto de Modelação Estatística Bayesiana.

Objetivos de Unidade Curricular

A modelação estatística bayesiana na área da saúde oferece uma abordagem poderosa para lidar com a incerteza nos dados e integrar informações prévias em análises. Ao aplicar métodos bayesianos, os estudantes são capazes de criar modelos que refletem melhor a complexidade dos dados clínicos e epidemiológicos. Esta abordagem permite uma análise mais robusta, especialmente em amostras pequenas ou em casos onde a informação prévia tem um papel crucial, como na modelação de ensaios clínicos ou predições de risco. Além disso, o uso de técnicas computacionais como MCMC é essencial para a implementação prática de inferências bayesianas, abrindo caminho para a tomada de decisões informadas em contextos de saúde.

Estagios

Nao

Programa

Introdução à inferência Bayesiana:
Probabilidade e parâmetros;
Inferência frequentista clássica versus inferência Bayesiana;
Fundamentos da inferência Bayesiana; Distribuições a priori;
Distribuições a posteriori;
Distribuições preditivas a posteriori;
Modelos Bayesianos básicos;
Modelação hierárquica;
Avaliação dos modelos.
Construção de modelos de inferência Bayesiana:
Inferência Bayesiana com distribuições a priori conjugadas;
Computação Bayesiana;
Métodos de avaliação da qualidade dos modelos (escolha de valores iniciais, convergência, eficiência e precisão);
Métodos de selecção de modelos; Aplicação dos métodos de inferência Bayesiana a problemas mais comuns de inferência estatística – modelos de regressão, análise de dados categóricos e modelos de síntese de evidência.
Redes Bayesianas:
Introdução às Redes Bayesianas: Motivação e exemplos; Probabilidade e aplicações médicas; Modelos gráficos de probabilidade; Semântica e factorização nas redes Bayesianas.
Construção de redes Bayesianas a partir de dados: Aprendizagem automática; Estimação de parâmetros de redes Bayesianas; Aprendizagem da estrutura de redes Bayesianas; Aprendizagem com dados incompletos.

Itens Bibliograficos

[1] Bayesian Biostatistics, Emmanuel Lesaffre, Andrew B. Lawson.
[2] Estatística Bayesiana, Carlos Daniel Paulino, Mª Antónia Amaral Turkman Bento Murteira, Giovani L. Silva.
[3] Bayesian Data Analysis, Andrew Gelman, John B. Carlin, Hal S. Stern, David B. Dunson; Aki Vehtari, Donald B. Rubin