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 Quantitativos para Gestão e Economia
Ano letivo / Execution Year
2023/2024
Pré-requisitos / Pre-Requisites
·
Objetivos Gerais / Objectives
Esta UC tem como principal objetivo analisar as propriedades de um modelo estocástico de forma experimental, através de simulação. Deste modo, são estudados os métodos de geração de números pseudoaleatórios, método de Monte Carlo, métodos de Monte Carlo via Cadeias de Markov e métodos de reamostragem. Pretende-se ainda iniciar a modelação estocástica de sistemas reais, recorrendo ao estudo de simulação de eventos discretos para a resolução de problemas de gestão de sistemas e operações.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final do período curricular desta UC, o aluno deverá: OA1. Compreender os princípios e métodos de simulação estocástica; OA2. Ser capaz de desenvolver algoritmos eficientes para a geração de números pseudoaleatórios; OA3. Ser capaz de aplicar o método de Monte Carlo; OA4. Compreender e ser capaz de aplicar diferentes métodos de Monte Carlo via Cadeias de Markov; OA5. Ser capaz de implementar técnicas de reamostragem; OA6. Ser capaz de simular um sistema real através de simulação de eventos discretos; OA7. Ser capaz de analisar e avaliar os resultados da simulação; OA8. Ser capaz de implementar algoritmos eficientes de simulação estocástica em R.
Conteúdos Programáticos / Syllabus
O Programa de Modelação Estocástica é constituído pelos seguintes conteúdos programáticos (CP): CP1. Introdução à Simulação em Ciência de Dados CP2. Geração de Números Pseudoaleatórios - Método Congruencial Linear; - Método da Transformação Inversa; - Método da Aceitação/Rejeição; - Outras Transformações; - Somas e Misturas CP3. Métodos de Monte Carlo em Inferência Estatística CP4. Métodos de Monte Carlo via Cadeias de Markov (MCMC) CP5. Métodos de Reamostragem - Bootstrapp; - Cross-Validation CP6. Simulação de Eventos Discretos
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
A interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA) é a seguinte: CP1 -> OA 1 CP2 -> OA 1, 2, 7, 8 CP3 -> OA 1, 3, 7, 8 CP4 -> OA 1, 4, 7, 8 CP5 -> OA 1, 5, 7, 8 CP6 -> OA 1, 6, 7, 8
Avaliação / Assessment
A avaliação periódica exige a presença em 2/3 das aulas e inclui: 1 - Um trabalho de grupo de 4 a 5 pessoas (30%), com eventual discussão individual; 2 - Dois mini-trabalhos de grupo de 2 pessoas (20%); 3 - Um teste final individual (50%). A aprovação requer classificação mínima de 8,5 no teste final e classificação final mínima (média) de 10 valores. A avaliação pode ser também realizada por exame (100%).
Metodologias de Ensino / Teaching methodologies
A metodologia de ensino-aprendizagem (ME) inclui quatro componentes: ME1. Expositiva, para apresentação dos quadros teóricos de referência; ME2. Participativa, com análise e resolução de exercícios práticos; ME3. Ativa, mediante a realização de trabalhos individuais e em grupo; ME4. Experimental, em salas BYOD (Bring Your Own Device), com a implementação de algoritmos em R e realização de análises sobre os resultados das simulações; ME5. Autoestudo, relacionado com o trabalho autónomo do aluno, tal como consta no planeamento das aulas.
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
A metodologia de ensino-aprendizagem visa o desenvolvimento das principais competências de aprendizagem dos alunos, que permitem cumprir com cada um dos objetivos de aprendizagem, como a seguir se apresenta: ME1 -> OA 1, 2, 3, 4, 5, 6, 7, 8 ME2 -> OA 1, 2, 3, 4, 5, 6, 7, 8 ME3 -> OA 1, 2, 3, 4, 5, 6, 7, 8 ME4 -> OA 1, 2, 3, 4, 5, 6, 7, 8 ME5 -> OA 1, 2, 3, 4, 5, 6, 7, 8
Observações / Observations
- Os alunos abrangidos pelo Regulamento Interno para Estudantes com Estatutos Especiais deverão contactar com o docente da UC, ou com o Coordenador da mesma, na primeira semana de aulas de cada semestre, com vista ao enquadramento dos processos de aprendizagem e avaliação na UC.
Bibliografia Principal / Main Bibliography
Templ, M. (2016). Simulation for Data Science with R. Packt Publishing Ltd:Birmingham, Uk. Rizzo, M. L. (2008). Statistical Computing with R. Chapman & Hall/CRC. Robert, C. P. and Casella, G. (2010). Introducing Monte Carlo Methods with R. Springer-Verlag.
Bibliografia Secundária / Secondary Bibliography
Wickham, H. and Grolemund , G. (2017). R for Data Science. O'Reilly Media Inc.
Data da última atualização / Last Update Date
2024-02-16