| Código: | LG00022 | Sigla: | ADG | |
| Área Científica: | Métodos Quantitativos | |||
| Área de Ensino: | Métodos Quantitativos |
| Sigla | Nº de Estudantes | Plano de Estudos | Ano Curricular | Créditos | Horas Contacto | Horas Totais |
|---|---|---|---|---|---|---|
| LGEST | 35 | DGES - R/A- EF 595/2011/AL04 | 2º | 5 | 45 | 125 |
| Teórico-Práticas: | 34,00 |
Docência - Horas Semanais
|
Docência - Responsabilidades
|
A estrutura programática desta unidade curricular visa proporcionar aos alunos os conhecimentos básicos de análise de dados, probabilidades e modelação estatística. Pretende-se habilitar os alunos com as seguintes competências: i) Propor suporte no apoio à decisão de problemas com recurso a modelação estatística e análise de dados; ii) Identificar a melhor metodologia estatística alinhada com as técnicas básicas de investigação; iii) Utilizar a linguagem de programação R (de código aberto, de livre distribuição e gratuita) e alguns dos seus pacotes e plug-ins que permitam realizar modelação estatística e análise de dados de forma amigável e intuitiva; iv) Aprendizagem ao longo da vida de matérias quantitativas.
1. Números Índices (NI)
1.1 Definição, Conceitos, Classificação
1.2 Índices Simples: Base fixa e móvel
1.3 Criação de NI a partir de suas variações
1.4 Elos e Índices encadeados
1.5 Conciliação de séries de NI
1.6 NI Compostos (Laspeyres, Paasche)
2. Amostragem, Distribuições Amostrais e Estimação
2.1 Amostragem Aleatória, Números Aleatórios e Variáveis Aleatórias
2.2 Lei dos Grandes Números, Teorema Limite Central
2.3 Estatísticas Amostrais, Distribuição da Média Amostral
2.4 Estimador e Estimativa, Propriedades dos Estimadores, Método da Máxima Verosimilhança
2.5 Estimação por Intervalo
3. Testes de Hipóteses Paramétricos (TP) e Não-Paramétricos (TNP)
3.1 Hipótese Nula e Hipótese Alternativa, Tipologia dos Erros
3.2 TP para a Média, Proporção, Diferença entre Médias, Variância e Correlação
3.3 TNP para Independência e Correlação, medidas de associação
4. Regressão Linear (RL): Método dos Mínimos Quadrados; Diagrama de Dispersão e definição do Modelo de RL
Os conteúdos programáticos estão em linha com os objetivos da unidade curricular dado que o programa foi concebido para abordar numa primeira fase os conceitos base de Estatística que suportam a Análise de Dados, passando posteriormente a técnicas específicas. As referidas técnicas apresentam uma relação estreita com os objetivos, não apenas da unidade curricular, mas também do próprio curso. As técnicas serão aplicadas gradualmente e sempre que possível, serão implementadas com recurso à linguagem de programação R e alguns dos seus pacotes e plug-ins, de modo a minimizar o esforço de cálculo e a conduzir o enfoque na interpretação de resultados bem como na melhor tomada de decisão com vista à resolução da problemática proposta.
A metodologia de ensino terá como base:(i) exposição da matéria sempre que possível com o recurso a casos práticos e implementação computacional;(ii) resolução de exercícios, referentes a cada tópico do conteúdo programático;(iii) disponibilização de material de apoio para uma maior assimilação das temáticas propostas;(iv) interação permanente com os discentes, com o objetivo de no início de cada aula rever de forma breve os conceitos principais da aula anterior;(v) incentivar a implementação das metodologias expostas na resolução de problemas.
Avaliação
- Avaliação Contínua:
Portfólio (35%): construído com base nas atividades de avaliação ativa desenvolvidas ao longo do semestre. Estas atividades poderão ser realizadas individualmente ou em grupo.
Teste de avaliação individual (65%): Avaliação de conhecimentos fundamentais de análise de dados. A classificação final (CF) é calculada por CF= 0,35*P + 0,65*T, onde P e T denotam, respetivamente, as notas no portfólio e no teste de avaliação individual.
Para obter aprovação por avaliação contínua, o aluno deve ter classificação final superior ou igual a 9.5 valores em 20 valores e mínimo de 8 valores em 20 valores no teste de avaliação individual.
- Avaliação por Exame (100%): Consiste numa prova escrita individual e para obter aprovação o aluno deve ter como nota final mínima 9.5 valores em 20.
Nota: Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final.
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/exercícios sobre as diversas temáticas, com recurso à metodologia e técnica(s) mais apropriada(s), e sempre que possível com recurso à linguagem de programação R. Os referidos problemas serão propostos nas aulas. Adicionalmente, sempre que possível, importa aos alunos realizarem análise de dados com ênfase na gestão e áreas afins com dados reais. O regime de avaliação foi concebido para medir até que ponto as competências foram de facto assimiladas.
Anderson, D. R., Sweeney, D. J., Williams, T. A., Camm, J. D., & Cochran, J. J. (2016). Statistics for business & economics. Cengage Learning.
Black, K. (2019). Business statistics: for contemporary decision making. John Wiley & Sons.
Cortinhas, C., & Black, K. (2014). Statistics for business and economics. Wiley Global Education.
Crawley, M. J. (2012). The R book (2nd Edition). John Wiley & Sons.
Doane, D. P., Seward, L. E., (2014). Estatística aplicada à administração e economia (4ª edição). Artmed Editora
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. Sage publications.
Kazmier, Leonard J. (2007), Estatística Aplicada à Economia e Administração (4ª edição). McGraw Hill.
Pedrosa, A.C. e Gama, S.M. (2018) Introdução Computacional à Probabilidade e Estatística com Excel. Porto Editora.
Torgo, L. (2009). A linguagem R-programação para análise de dados. Lisboa: Escolar Editora.
