Objetivos de aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
A estrutura programática desta unidade curricular visa proporcionar aos alunos os conhecimentos de análise de dados e modelação estatística. Pretende-se habilitar os alunos com as seguintes competências:
Propor soluções e decisões com base em modelação estatística, análise de dados e respetiva interpretação;
Aprendizagem ao longo da vida de matérias quantitativas;
Básicas de investigação;
Utilização de ferramentas informáticas que permitam realizar modelação estatística e análises de dados em ambiente profissional.
Conteúdos programáticos
1. Testes de hipóteses paramétricos e análise de variância com um e dois fatores.
2. Tabelas de contingência, teste qui quadrado de independência e medidas de associação.
3. Regressão linear simples e múltipla.
4. Regressão logística.
5. Análise conjunta.
6. Análise de clusters.
7. Séries temporais: ARIMA, SARIMA e SARIMAX.
Aplicações em marketing utilizando o Jamovi, R e Python.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da unidade curricular
Em geral, os conteúdos programáticos desenvolvem-se
de um modo lógico de uma ênfase mais teórica para um ênfase mais prática, assim
como de uma ênfase mais global para uma ênfase mais operacional, em coerência
com os objetivos de uma formação com maior conteúdo de aplicação do saber. Os
conteúdos programáticos são coerentes e estão concebidos para dar resposta aos
objetivos de ensino/aprendizagem, nomeadamente no que toca ao desenvolvimento
de competências de mais alto nível, tais como as competências de formulação,
implementação e avaliação de decisões
Metodologias de ensino e de aprendizagem específicas da unidade curricular articuladas com o modelo pedagógico
A metodologia de ensino terá como base os seguintes preceitos:
1. Exposição da matéria teórico/prática com recurso a casos práticos;
2. Resolução de fichas de exercícios, referentes a cada tópico do conteúdo programático;
3. Resolução de casos práticos com dados usando o Jamovi, R e Python.
4. 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.
Avaliação
A avaliação de conhecimentos, enquanto sistema que afere o saber assimilado, tem carácter individual, permitindo apreciar a capacidade para desenvolver ou utilizar um tema ou um método de aproximação à realidade estudada; recorre-se à avaliação contínua (2 testes, 50% cada, sendo exigida a nota mínima de 7,5 valores em cada teste) ou exame final (prova escrita, sem oral)
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da unidade curricular
A aquisição das competências de conhecimento e compreensão é, em primeiro lugar, realizada através de métodos expositivos em aula, assim como de exemplos práticos. Os principais métodos de aprendizagem utilizados são os exercícios e análises de dados com Jamovi, R e Python. Os métodos de ensino utilizados, principalmente para atingirem os objetivos de competências de mais alto nível, requerem uma participação interativa e intensa, porque utilizam técnicas de aprendizagem ativa que conjugam, de uma forma equilibrada, a discussão de conceitos e teorias com a sua aplicação.
Bibliografia de consulta (existência obrigatória)
Backhaus, K., Erichson, B, Gensler, S., Weiber, R. and Weiber, T. (2023). Multivariate Analysis: An Application-Oriented Introduction. Springer Gabler.
The jamovi project (2022). jamovi. (Version 2.3) https://www.jamovi.org.
R Core Team (2021). R: A Language and environment for statistical computing. (Version 4.1) https://cran.r-project.org.
Mather, B. (2020). Time Series with Python: How to Implement Time Series Analysis and Forecasting Using Python. Bob Mather.
