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

2024/2025

Pré-requisitos / Pre-Requisites

- Nenhum

Objetivos Gerais / Objectives

No final da Unidade Curricular, o estudante deverá ter adquirido as competências necessárias para listar as principais técnicas para a avaliação da qualidade dos dados e as principais descritivas para a segmentação de sujeitos e associação de dados em grandes bases de dados, focadas em aplicações de gestão.

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

Ao concluir a Unidade Curricular, o estudante deverá ser capaz de: OA1. Avaliar a qualidade dos dados (casos omissos e outliers), listar os padrões dos dados descritivos (estatísticas básicas, transformação de variáveis e relações entre pares de atributos), detectar propriedades de sub-populações de dados significativos, segmentar sujeitos de acordo com várias técnicas de clustering, e identificar padrões ou tendências dos dados, reproduzindo-os na realização de exercícios. OA2. Interpretar os resultados decorrentes de técnicas de sumarização dos dados. OA3. Diferenciar os métodos de redução da dimensionalidade dos dados e de segmentação de sujeitos e escolher os métodos mais adequados a um determinado problema. OA4. Identificar e aplicar o modelo de regressão linear mùltipla na presença de dados adequados à Hotelaria e Turismo.

Conteúdos Programáticos / Syllabus

CP1. Introdução à Análise exploratória dos dados 1.1. Tipos de dados 1.2. Avaliação da qualidade dos dados: não-respostas e valores extremos CP2. Técnicas de sumarização 2.1. Análise de Dados uni e bivariados Medidas descritivas e representações gráficas. 2.2 Análise de Dados multivariados 2.2.1 Técnicas para reduzir a dimensionalidade dos dados de input: Análise de Componentes Principais (ACP), Análise de componentes principais para dados categóricos (CatPCA), e Análise de correspondência múltiplas (ACM). 2.2.2 Técnicas de segmentação: Hierárquico aglomerativo, k-Means, e Two-Step Clustering. CP3. Técnicas de associação (Market Basket Analysis) Algoritmos Apriori, Carma, e Sequential. CP4. Aplicações de técnicas descritivas em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics.

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

Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: OA1: CP1, CP2, CP3, CP4, CP5, CP6 OA2: CP1, CP2, CP3, CP4, CP5, CP6 OA3: CP4, CP6 OA4: CP5,CP6

Avaliação / Assessment

Avaliação ao longo do semestre ou avaliação por exame. Avaliação ao longo do semestre: a) 1 Exercício (de 1h 15 m) a realizar online com peso de 10% b) Trabalho de grupo com peso de 40% c) Teste final individual (50%) d) Média ponderada das avaliações individuais de um mínimo de 8.5 e) assiduidade mínima de sete aulas (de 8). 2/3 das aulas leccionadas. Avaliação por exame: exame individual (60%) + trabalho individual (40%) com nota mínima 8,5 a cada prova desde que a nota final seja de 10 no mínimo. Em ambas as modalidade, poderá ser necessário relaizar uma discussão oral do trabalho de grupo ou trabalho individual. Escala: 0-20 valores

Metodologias de Ensino / Teaching methodologies

As aulas desta Unidade Curricular são teórico-práticas. As aulas teórico-práticas permitem utilizar metodologias de ensino expositivas, experimentais e de discussão. Para apresentar os conceitos, as metodologias e métodos de resolução relativos a todos os conteúdos programáticos será utilizada uma metodologia expositiva. Para aplicar as metodologias e os métodos de resolução de problemas estudados, e utilizar o software, serão resolvidos diversos exercícios nas aulas, pelo que se utilizará uma metodologia experimental. Para analisar os resultados obtidos, aplicar-se-á uma metodologias de discussão. As metodologias experimentais e de discussão são cruciais para esta Unidade Curricular, uma vez que os objetivos da Análise de Dados Exploratórios são compreender e preparar os dados para fases posteriores do Cross-Industry Standard Processes for Data Mining (CRISP-DM). Os estudantes são encorajados a participar nas aulas. Além das metodologias já mencionadas, o trabalho autónomo dos estudantes é relevante para a aquisição e o desenvolvimento das competências. Este trabalho autónomo consiste na leitura da bibliografia, na resolução de exercícios e na resolução do trabalho de grupo.

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 de ensino visam o desenvolvimento das principais competências dos estudantes que permitam cumprir com cada um dos objectivos de aprendizagem. Em traços gerais, os objetivos de aprendizagem consistem na aquisição de comptências de resolução de um conjunto de problemas, na análise de resultados e na elaboração de recomendações ou cenários. Cada uma das metodologias de ensino contribui para todos os objetivos de aprendizagem. A metodologia expositiva (ME1) será utilizada para apresentação dos quadros teóricos de referência. A metodologia experimental (ME2) será aplicada através da utilização dos softwares IBM SPSS Modeler e IBM SPSS Statistics, ou outros, com discussões de casos e resolução de exercícios. A discussão de resultados (ME3) permitirá desenvolver a capacidade da utilização das técnicas adequadas e à análise dos resultados mais adequados aos problemas colocados. Dada a natureza da ADE, o trabalho autónomo dos estudantes é crucial para o desenvolvimento das competências de resolução e análise interpretativa. Na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino (ME) e os respectivos objectivos de aprendizagem (OA). ME1 - OA1, OA2, OA3, OA4 ME2 - OA1, OA2, OA3, OA4 ME3 - OA1, OA2, OA3, OA4 Todos os objetivos de aprendizagem serão avaliados no teste final individual e no trabalho de grupo.

Observações / Observations

Os estudantes abrangidos pelo “Regulamento de Estudantes com Estatuto Especial” deverão contactar o docente da UC, ou o Coordenador da mesma, na primeira semana de aulas de cada semestre, com vista ao enquadramento dos processos de aprendizagem e de avaliação na Unidade Curricular.

Bibliografia Principal / Main Bibliography

Larose, D. T., Data Mining and Predictive Analytics, 2015, Wiley Series on Methods and Applications, 2nd Ed., ISBN: 978-1-118-11619-7 Camm, J., Cochran, J., Fry, M., Ohlmann, J., Anderson, D., Sweeney, D., & Williams, T., Essentials of Business Analytics, 2017, 2nd ed., Boston: Cengage Learning, 2nd Ed. ISBN- 10 1305627733 Hair, J. H., Black, W. C., & Babin, B. J., Multivariate Data Analysis, 2019, 8th Edition. Cengage. ISBN 1473756545, 9781473756540

Bibliografia Secundária / Secondary Bibliography

Andy Field (2024) Discovering Statistics using IBM SPSS Statistics. SAGE, Los Angeles (6th Edition).

Data da última atualização / Last Update Date

2024-07-30