| Código: | MIA01 | Sigla: | AD | |
| Área Científica: | Métodos Quantitativos | |||
| Área de Ensino: | Métodos Quantitativos |
| Sigla | Nº de Estudantes | Plano de Estudos | Ano Curricular | Créditos | Horas Contacto | Horas Totais |
|---|---|---|---|---|---|---|
| MIA | 22 | Despacho n.º 12693/2023, de 12 dezembro | 1º | 5 |
| Teórico-Práticas: | 27,00 |
Docência - Horas Semanais
|
Docência - Responsabilidades
|
Os objetivos de aprendizagem (OA) são:
OA1. Elaborar relatórios dinâmicos com análise estatística, com ênfase na apresentação, interpretação e discussão de resultados;
OA2. Simular distribuições de probabilidade. Com recurso à estatística descritiva (gráficos, tabelas e medidas) organizar e sintetizar informação amostral:
OA3. Utilizar técnicas de inferência estatística - intervalos de confiança e testes de hipóteses;
OA4. Interpretar o mecanismo dos erros na tomada de decisão;
OA5. Realizar análises uni, bi (associação, correlação e independência) e multivariável (análise de clusters, análise fatorial, regressão linear);
OA6. Propor soluções e decisões com base em modelação estatística e análise de dados;
OA7. Saber ajustar e validar um modelo estatístico com o objetivo de fazer previsões, classificações e determinação de probabilidades.
OA8. Obter competências na linguagem de programação estatística R (open source, livre e gratuita) para a análise de dados.
Os conteúdos programáticos (CP) são:
CP1. Introdução à linguagem de programação R para a análise de dados.;
CP2. Estatística descritiva;
CP3. Teoria elementar da probabilidade;
CP4. Caracterização de algumas distribuições discretas e contínuas de probabilidade;
CP5. Distribuições amostrais e estimação;
CP6. Testes de hipóteses e intervalos de confiança;
CP7. Análise de regressão linear simples e múltipla
CP8. Análise fatorial;
CP9. Análise de clusters;
A demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), cujo relacionamento se explicita a seguir:
CP1 - OA1
CP2 - OA2
CP3 - OA3 & OA8
CP4 - OA3 & OA8
CP5 - OA3 & OA8
CP6 - OA3 & OA8
CP7 - OA4 & OA8
CP8 - OA5 & OA6 & OA7 &OA8
CP9 - OA5 & OA6 & OA7 &OA8
Sessões teóricas e aulas teórico-práticas. Sessões tutoriais para acompanhamento dos trabalhos de grupo. O processo de ensino aprendizagem inclui Ensino à Distância (EaD), através da plataforma Moodle e Zoom Colibri. Os métodos de ensino incluem sessões expositivas (presenciais), teórico-práticas e de orientação tutorial. Neste processo, nas aulas presenciais recorre-se às seguintes metodologias:
M1- método expositivo; M2- método participativo; M3- método ativo; M4- método experimental. Nas aulas à distância (síncronas) estarão presentes as seguintes metodologias: M1- método expositivo; M5- método demonstrativo; M6 - Auto estudo.
A avaliação contínua inclui a realização de: A1 - Teste individual (70%); A2 - Trabalho de grupo com apresentação (30%).
Os alunos em avaliação contínua que não obtenham a nota mínima de 8 valores no teste individual e de 10 valores no trabalho serão
remetidos para exame final. Este consta de uma prova escrita sendo contemplado a ponderação de 20% para quem realizou A2.
A exposição dos conceitos e teorias fundamentais (M1), exemplos (M5) e a resolução de exercícios (M2) e estudos de casos em laboratório informático (M4), dotam os estudantes dos conhecimentos necessários para compreenderem os objetivos OA1, OA2, OA4 e OA5. Os exemplos, exercícios e casos práticos usados nos métodos participativo (M2), demonstrativo (M5) e experimental (M4) facilitam as aprendizagens dos estudantes para que estes sejam capazes de utilizar as técnicas, modelos e ferramentas adequadas (OA3 & OA6 & OA7).
Ao desenvolverem e apresentarem o trabalho prático (M3) os estudantes aplicam os conhecimentos resultantes do trabalho em aula e
autónomo (M6), permitem aos estudantes reforçar as competências associadas ao objetivo OA8.
Os diferentes objetivos de aprendizagem serão avaliados através de um trabalho prático a desenvolver e a ser apresentado em sala de
aula (A2) bem como através de um teste individual (A1). Ambos os elementos de avaliação contribuem para o sucesso de todos os
objetivos de aprendizagem, embora o trabalho (A2) tenha maior importância na obtenção do objetivo de aprendizagem OA8.
Em síntese:
M1 - OA1 & OA2 & OA4 & OA5
M2 - OA1 & OA2 & OA3 & OA4 & OA5 & OA6 & OA7
M3 - OA8
M4 - OA1 & OA2 & OA3 & OA4 & OA5 & OA6 & OA7
M5 - OA1 & OA2 & OA3 & OA4 & OA5 & OA6 & OA7
M6 - OA8
Crawley, M (2012), The R Book, Wiley;
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
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/
Nield, T. (2022). Essential Math for Data Science: Take Control of Your Data with Fundamental Linear Algebra, Probability, and Statistics. Van Duure
