Fundamentos de Programação em R
Objetivos
Tomar conhecimento com o software estatístico R-project enquanto ambiente de trabalho para análise exploratória de dados e ferramenta para todo o tipo de modelações estatísticas. Aprender a manusear os vários tipos de objectos que se encontram disponíveis e a aplicá-los na prática nas análises estatísticas mais comuns para dados de saúde. Travar conhecimento com as diversas bibliotecas do programa existentes.
Caracterização geral
Código
12019
Créditos
2.0
Professor responsável
Isabel Cristina Maciel Natário
Horas
Semanais - 2
Totais - 29
Idioma de ensino
Português
Pré-requisitos
Noções básicas de Análise e noções de nível intermédio de Probabilidades e Estatística.
Bibliografia
Crawley, MJ (2007). The R Book. Wiley.
Maindonald J, Braun J (2007). Data Analysis and Graphics Using R. An Example-Based Approach, 2nd edition. Cambridge University Press.
Venables WN, Smith DM, R Core Team (2014). An Introduction to R: Notes on R: A Programming Environment for Data Analysis and Graphics, Version 3.6.1. https://cran.r-project.org/doc/manuals/r-release/R-intro.pdf.
Venables WN, Ripley BD (1999). Modern Applied Statistics with S-Plus, 3rd edition. Springer.
Método de ensino
A unidade curricular é dividida em 2 unidades de aprendizagem que incluem cada 8-12 vídeos de exposição oral de matéria, de 10-15 minutos cada, com apresentação de exemplos e complementados por exercícios propostos resolvidos. No final de cada unidade de aprendizagem é distribuído um exercício de revisão. No fim das unidades é distribuído um trabalho de avaliação que contribui para a nota final. É disponibilizado horário de atendimento para dúvidas via Skype.
Método de avaliação
Um trabalho prático, com recurso a programção no R, em que o aluno deve analisar e reportar a análise de um conjunto de dados.
Conteúdo
1. Introdução ao R, sua instalação e documentação
2. Comandos elementares
3. Tipos de objectos e seu manuseamento: vector, matriz, arrays, data frame, factor, lista, funções
4. Análise exploratória de dados: medidas resumo, gráficos
5. Ajuste de modelos estatísticos mais comuns: regressão linear, análise de variância, estatística não paramétrica