Análise de Dados para a Saúde

Código:	MGUS011		Sigla:	ADS
Área Científica:	Estatística

Ocorrência: 2021/22 - 2S

Área de Ensino:

Métodos Quantitativos

Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Ano Curricular	Créditos	Horas Contacto	Horas Totais
MGUSE	40	Despacho n.º 6503/2017, de 26 de julho	1º	5	30	125

Horas Efetivamente Lecionadas

MGUS-1-5ED

Teórico-Práticas:

31,00

Docência - Horas Semanais Teórico-Práticas: 2,07 Tipo Docente Turmas Horas Teórico-Práticas Totais 1 2,07 Ricardo Miguel Vieira de São João - ESGT   2,07

Docência - Responsabilidades Docente Responsabilidade Ricardo Miguel Vieira de São João - ESGT Responsável

Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)

Graças ao desenvolvimento de software estatístico, é possível a manipulação de conjuntos de dados de grandes dimensões de uma forma acessível. Todavia a metodologia estatística nem sempre se encontra presente no tratamento da informação, o que impede muitas vezes a validação de resultados. Ciente desta realidade, destacam-se como objetivos de aprendizagem:

i) Construção, codificação, validação e preparação de um ficheiro de dados para posterior análise com recurso a software estatístico;

ii) Utilização das técnicas estatísticas mais apropriadas para cada uma das temáticas abordadas;

iii) Formulação de hipóteses de investigação, leitura e interpretação dos resultados em conformidade com a metodologia estatística lecionada e vocacionada para casos de estudo.

Conteúdos programáticos

1. Estatística Descritiva.
1.1 Dados e variáveis;
1.2 Organização de dados em tabelas e gráficos;
1.3 Características amostrais: medidas de localização, dispersão (absoluta e relativa), forma e associação/relação.
2. Inferência Estatística
2.1 Testes de hipóteses (paramétricos vs não paramétricos), intervalos de confiança e mecanismo dos erros.
2.2 Testes de hipóteses para uma amostra: teste ao valor médio; teste à proporção e teste à variância
2.3 Testes de hipóteses para duas amostras independentes: teste t-Student; teste de Welch e teste de Mann Whitney
2.4 Testes de hipóteses para amostras emparelhadas: teste t-pares; teste de Wilcoxon e teste dos Sinais
3. Regressão linear simples e múltipla.
4. Regressão Logística.
5. Análise de sobrevivência.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular

Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico

Recorre-se à avaliação contínua ou exame final. Serão admitidos à avaliação contínua alunos que tenham uma assiduidade mínima de 66% caso contrário serão avaliados por exame. Serão utilizados os ponderadores: 15% da participação em aula com a resolução das atividades propostas; 85% da nota da avaliação escrita. A metodologia de ensino terá como base:
a)Exposição da matéria teórico/prática sempre com o recurso a casos práticos e implementação computacional quando possível;
b)Resolução de fichas de exercícios, referentes a cada tópico do conteúdo programático;
c)Disponibilização de material de apoio para uma maior assimilação dos conceitos e temáticas propostas;
d)Interação permanente com os discentes, com o objetivo de no início de cada aula rever de forma breve os conceitos principais ministrados na aula anterior e esclarecer eventuais dúvidas;
e)Incentivar os discentes para a implementação das metodologias expostas na resolução de problemas do seu quotidiano laboral/acadêmico.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular

Bibliografia de consulta (existência obrigatória)

•  Bland, M. (2015), An introdution to medical statistics, Oxford University Press;

• Crawley, M (2012), The R Book, Wiley;

• Daly, L. & Bourke, G. (2008), Interpretação e aplicações da estatística em Medicina, Ed. Instituto Piaget;

• Field, A. P., Miles, J., & Field, Z. (2012), Discovering statistics using R. London: Sage.

• Healy, K. (2018). Data visualization: a practical introduction. Princeton University Press. Acessível grauitamente em https://socviz.co/
•  Irizarry, R. A. (2019). Introduction to data science: Data analysis and prediction algorithms with R. CRC Press. Acessível grauitamente em https://leanpub.com/datasciencebook
• Massad, Menezes, Silveira & Ortega (2004), Métodos Quantitativos em Medicina, Ed. Manole;
  
• Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc.". Acessível grauitamente em https://r4ds.had.co.nz/
  

Observações