• EN
  • Facebook
  • Instagram
  • Youtube
  • Linkedin
Você está em: Início > Ensino > Unidades Curriculares > MGUS011
Autenticação
ATENÇÃO: Este site utiliza cookies. Ao navegar no site estará a consentir a sua utilização.

Análise de Dados para a Saúde

Código: MGUS011    Sigla: ADS
Área Científica: Estatística

Ocorrência: 2023/24 - 2S

Área de Ensino: Métodos Quantitativos

Cursos

Sigla Nº de Estudantes Plano de Estudos Ano Curricular Créditos Horas Contacto Horas Totais
MGUSE 24 Despacho n.º 6503/2017, de 26 de julho 5 30 125
Despacho n.º 12399/2023, de 04 dezembro 5 30 125

Horas Efetivamente Lecionadas

MGUS-1-7ED

Teórico-Práticas: 30,00

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 (conhecimento, 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 (ME) nem sempre se encontra presente, o que impede muitas vezes a validação de resultados. Ciente desta realidade, destacam-se como objetivos de aprendizagem (OA):
OA1- Construir, codificar, validar e preparar um ficheiro de dados para análise com recurso ao R que simultaneamente é uma linguagem de programação e um ambiente para computação estatística e produção de gráficos.
OA2-Utilizar as técnicas estatísticas apropriadas para cada uma das temáticas abordadas. Para o efeito será necessário corroborar os pressupostos de aplicabilidade subjacentes a cada técnica bem como proceder, quando aplicável, à criação de variáveis adicionais que assegurem a sua implementação.
OA3 - Formular as hipóteses de investigação, ler e interpretar os resultados em conformidade com a ME lecionada e vocacionada para casos de estudo.

Conteúdos programáticos

A unidade curricular contempla os seguintes conteúdos programáticos (CP):
CP1- Estatística Descritiva.
CP1.1- Dados e variáveis;
CP1.2- Organização de dados em tabelas e gráficos;
CP1.3- Características amostrais: medidas de localização, dispersão (absoluta e relativa), dddforma e associação/relação.
CP2 - Inferência Estatística
CP2.1 -Testes de hipóteses (paramétricos vs não paramétricos), intervalos de confiança e mecanismo dos erros.
CP2.2 -Testes de hipóteses para uma amostra: teste ao valor médio; teste à proporção e teste à kkkvariância
CP2.3 -Testes de hipóteses para duas amostras independentes: teste t-Student; teste de Welch rrre teste de Mann Whitney
hrhCP2.4 -Testes de hipóteses para amostras emparelhadas: teste t-pares; teste de Wilcoxon e rrrteste dos Sinais
CP3 - Regressão linear simples e múltipla.
CP4 - Regressão Logística.
CP4- Análise de Sobrevivência.


Demonstração da Coerência dos Conteúdos Programáticos com os Objetivos de Aprendizagem da Unidade Curricular

Os conteúdos programáticos (CP) estão em linha com os objetivos de aprendizagem (OA) da unidade curricular dado que o programa foi concebido para abordar os conceitos base de estatística e análise de dados em várias áreas de conhecimento, nomeadamente nas ciências de gestão da informação e da saúde. As metodologias e técnicas implementadas presentes nos CP apresentam uma relação estreita com os objetivos de aprendizagem (OA) sendo indissociáveis. As referidas técnicas são aplicadas com recurso à linguagem R (de código aberto, livre e gratuita), o que permite a análise e tratamento de um grande volume de informação de forma rápida, sendo dada primazia à formulação e validação de hipóteses sobre a temática em apreço. Desta forma os profissionais terão suas decisões futuras fundamentadas de forma quantitativa.

Metodologia de Ensino (Avaliação incluída)

A metodologia de ensino e de aprendizagem (M) terão como base:
M1: método expositivo relativamente a cada técnica estatística presente nos CP;
M2: método demonstrativo com recurso a casos práticos referentes a cada tópico do CP;
M3: método participativo tendo presente uma interação permanente com os discentes.
A presente estratégia visa uma maior e melhor assimilação dos conceitos ministrados.
M4: método experimental com recurso a simulações nos recursos informáticos disponibilizados;
M5: método ativo presente para a realização de tarefas individuais e em grupo.
M6:auto-estudo: disponibilização de material de apoio para uma maior assimilação dos conceitos e temáticas propostas.
Recorre-se à avaliação contínua (AC) ou exame final. Serão admitidos à AC alunos com assiduidade mínima de 66%. Serão utilizados na AC os seguintes ponderadores de avaliação(A): A1, 15% da participação em aula com a resolução das atividades propostas; A2, 85% da nota da avaliação escrita.





Demonstração da Coerência das Metodologias de Ensino com os Objetivos de Aprendizagem da Unidade Curricular

Pretende-se que os alunos adquiram competências relacionadas com a estatística e análise de dados. Para o efeito os alunos têm de aprender a resolver problemas sobre as diversas metodologias e técnicas, problemas esses presentes no diverso material de acompanhamento (fichas, diapositivos e desafios) que integra a unidade curricular. Adicionalmente importa aos alunos realizarem análises multivariadas e multivariáveis, com recurso à linguagem de programação R, em dados obtidos em ambiente acadêmico/profissional. Para cada OA estão afetos as M mais adequadas bem como a ponderação da A adotada, nomeadamente:
OA1: M3, M4 e M5 (A1)
OA2: M1, M2 e M6 (A2)
Para cada OA estão afetos as M mais adequadas bem como a ponderação da A adotada. O regime de avaliação foi concebido para medir até que ponto as competências foram de facto assimiladas.

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.
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;
R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/
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