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
2025/2026
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 unit's content dovetails with the specified learning outcomes
Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: A compreensão dos princípios e métodos de simulação estocástica (OA1) é desenvolvida ao longo de todos os tópicos da unidade curricular, desde a introdução à simulação (CP1) até à simulação de eventos discretos (CP6). A geração de números pseudoaleatórios (OA2) é abordada em CP2, onde são estudados diversos métodos de geração e transformação. A aplicação do método de Monte Carlo (OA3) é tratada em CP3, enquanto os métodos de Monte Carlo via Cadeias de Markov (OA4) são explorados em CP4. As técnicas de reamostragem (OA5) são desenvolvidas em CP5. A simulação de sistemas reais através de eventos discretos (OA6) é o foco de CP6. A análise e avaliação dos resultados das simulações (OA7), bem como a implementação eficiente de algoritmos em R (OA8), são competências transversais desenvolvidas em CP2 a CP6.
Avaliação / Assessment
A avaliação ao longo do semestre exige a presença em 2/3 das aulas e inclui: 1 - Um trabalho de grupo de 4 a 5 pessoas (30%), com discussão individual; 2 - Desenvolvimento de dois temas apresentados ao longo do semestre que serão avaliados no teste final individual; 3 - Um teste final individual (70%). 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 cinco 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: As metodologias expositiva (ME1), participativa (ME2), ativa (ME3), experimental (ME4) e de autoestudo (ME5) são aplicadas de forma integrada para garantir a aquisição e aplicação prática dos conhecimentos. Estas metodologias permitem desenvolver competências teóricas, analíticas e computacionais, essenciais para a compreensão e implementação de modelos de simulação estocástica, em linha com os objetivos de aprendizagem definidos.
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
2025-07-24