Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Estatística e Análise de Dados

Departamento / Department

Departamento de Métodos de Pesquisa Social

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Não tem.

Objetivos Gerais / Objectives

No final da Unidade Curricular os estudantes deverão ser capazes de organizar e preparar os dados para análise, explorar e analisar descritivamente os dados, analisar e representar os dados com recurso a software adequado na Ciência de Dados e aplicar a literacia visual e estatística na criação e interpretação de visualizações de dados.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

Objetivos de aprendizagem (OA) a desenvolver em articulação com os objetivos gerais: OA1. Organizar e preparar os dados para análise. OA2. Saber utilizar e interpretar um conjunto de instrumentos estatísticos no domínio da estatística descritiva. OA3. Utilizar Excel, R e Jamovi nas aplicações de preparação, análise e representação de dados. OA4. Adequar os modelos de representação visual a diferentes objetivos, de acordo com as boas práticas de visualização. OA5. Interpretar e redigir os resultados de uma análise descritiva de dados.

Conteúdos Programáticos / Syllabus

Conteúdos programáticos (CP) articulados com os objetivos de aprendizagem. CP1. Organização, preparação e transformação de dados CP2. Análise exploratória de dados Valores omissos Codificação e imputação Gráficos exploratórios Variáveis aleatórias Função de distribuição empírica Distribuição Normal CP3. Análise descritiva dos dados Medidas descritivas Análise uni e bivariada Medidas de associação CP4. Representação visual Introdução aos princípios de representação visual Estruturas de representação visual

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

Os conteúdos programáticos da UC demonstram forte coerência com os objetivos de aprendizagem estabelecidos, oferecendo uma formação robusta em análise de dados. O CP1 (Organização, preparação e transformação de dados) alinha-se diretamente com o OA1, fornecendo estratégias e funcionalidades para preparar dados. CP2 (Análise exploratória) e CP3 (Análise descritiva) correspondem ao OA2, cobrindo instrumentos estatísticos essenciais. O OA3 (uso de Excel, R e Jamovi) é concretizado de forma transversal em todos os CP. CP4 (Representação visual) corresponde ao OA4, ensinando princípios e estruturas de visualização, mas também pode ser associado aos OA2 e OA3. O OA5 (interpretação e redação de resultados) é abordado em todos os conteúdos, especialmente em CP2 e CP3. A sequência dos conteúdos proporciona uma articulação entre teoria e prática. A inclusão da representação visual reforça a capacidade dos alunos de comunicar dados eficazmente.

Avaliação / Assessment

Avaliação ao longo do semestre: - Exercício individual em R (10%) - Trabalho de grupo (35%); nota mínima 7,5 - Teste escrito (55%); nota mínima 7,5 É necessária uma frequência mínima de 70% de horas de aulas para a realização da avaliação ao longo do semestre. Avaliação por exame: - Exame/trabalho prático individual (40%); nota mínima 7,5 - Exame escrito (60%); nota mínima 7,5

Metodologias de Ensino / Teaching methodologies

De acordo com a tipologia de aula, a Unidade Curricular são definidas as seguintes metodologias de ensino-aprendizagem: ME1: Expositivas, para apresentação dos quadros teóricos de referência e expositivas participadas, com indicação de trabalho de leitura prévio à aula. ME2: Participativas, com a análise e discussão de casos práticos ME3: Experimentais, com desenvolvimento de exercícios com recurso a meios digitais adequados à Ciência de Dados ME4: Auto-estudo, relacionadas com o trabalho autónomo do aluno, de onde se destacam as leituras prévias, resolução de exercícios para consolidação de aprendizagens e desenvolvimento de trabalhos colaborativos.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As metodologias propostas (ME1 a ME4) estão alinhadas de forma eficaz com os objetivos de aprendizagem definidos (OA1 a OA5), promovendo uma abordagem integrada e prática à Ciência de Dados. As aulas expositivas (ME1) fornecem a base teórica para os objetivos de aprendizagem OA1 a OA4. Ao apresentar os quadros teóricos de referência, os alunos adquirem conhecimentos fundamentais sobre organização e preparação de dados, instrumentos estatísticos e princípios de visualização. A componente participativa dessas aulas, com leituras prévias, estimula o envolvimento ativo dos alunos e prepara-os para discussões e resoluções de problemas. As metodologias participativas (ME2), focadas na análise e discussão de casos práticos, são particularmente relevantes para OA2, OA4 e OA5. Essa abordagem permite aos alunos aplicar conceitos teóricos a situações reais, desenvolvendo habilidades de organização e preparação de dados, interpretação e análise crítica. Ao discutir diferentes casos, os alunos aprendem a adaptar suas estratégias de análise e visualização a diversos contextos, reforçando a capacidade de adequar modelos de representação visual a diferentes objetivos (OA4). As metodologias experimentais (ME3) são cruciais para OA3 e OA5, permitindo aos alunos ganhar experiência prática com ferramentas como Excel, R e Jamovi. Essa abordagem hands-on é essencial para desenvolver competências técnicas em preparação, análise e representação de dados. Além disso, os exercícios práticos contribuem significativamente para OA1, OA2 e OA4, pois os alunos aplicam diretamente os conhecimentos adquiridos em situações concretas. O auto-estudo (ME4) é fundamental para consolidar e aprofundar as aprendizagens. As leituras prévias apoiam todos os objetivos de aprendizagem, fornecendo contexto e conhecimento adicional. A resolução autônoma de exercícios reforça particularmente OA1, OA2, OA3 e OA4. Os trabalhos colaborativos são especialmente relevantes para OA5, pois os alunos praticam a interpretação e redação de resultados em um ambiente de equipa, simulando situações reais de trabalho em Ciência de Dados. A estrutura metodológica integrada cria um ambiente de aprendizagem dinâmico e eficaz, preparando os alunos para os desafios reais da Ciência de Dados, desde a organização inicial dos dados até a interpretação e comunicação dos resultados. A avaliação reflete a abordagem metodológica integrada, incluindo componentes que testam tanto o conhecimento teórico quanto as competências práticas. Isso inclui exercícios/exames escritos para avaliar a compreensão dos conceitos (OA1, OA2), exercícios práticos utilizando as ferramentas aprendidas (OA3), apresentações visuais de dados (OA4) e elaboração de relatórios (OA5).

Observações / Observations

Bibliografia Principal / Main Bibliography

Brown, D.S. (2022). Statistics and Data Visualization Using R. The Art and Practice of Data Analysis. Sage Publication, Inc. Cairo, A. (2013). The Functional Art: An introduction to information graphics and visualization (Voices That Matter). New Riders. Carvalho, A. (2017). Métodos quantitativos com Excel, Lisboa, Lidel edições técnicas. Chang, W. (2024) R Graphics Cookbook. 2nd ed. O’Reilly. (Disponível em: https://r-graphics.org/) Reis, E. (1998). Estatística Descritiva, Lisboa, Sílabo,7ª ed. Rocha, M. & Ferreira, P.G. (2017) Análise e Exploração de Dados com R. Lisboa, FCA

Bibliografia Secundária / Secondary Bibliography

Alexandrino da Silva, A. (2006). Gráficos e mapas-representação de informação estatística. Lisboa, Lidel edições técnicas. Barroso, M., Sampaio, E. & Ramos, M. (2003). Exercícios de Estatística Descritiva para as Ciências Sociais, Lisboa, Sílabo. Carvalho, A. (2017). Gráficos com Excel - 95 Exercícios, Lisboa, FCA. Dias Curto, J.J., & Gameiro, F. (2016). Excel para Economia e Gestão. Lisboa, Ed. Sílabo. Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London, SAGE Publications Ltd. Hoaglin, D.C., Mosteller, F & Tukey, J. W. (1992). Análise Exploratória de Dados. Técnicas Robustas, Ed. Salamandra, Lisboa. Murteira, B. J. F. (1990). Análise Exploratória de Dados. Estatística Descritiva, McGraw Hill. Wickham, H. (2015). ggplot2: Elegant Graphics for Data Analysis, Springer. (Disponível em: https://ggplot2-book.org/)

Data da última atualização / Last Update Date

2024-07-30