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

Conhecimentos básicos de estatística descritiva e inferencial.

Objetivos Gerais / Objectives

Familiarizar os alunos com as principais técnicas de análise descritiva e de diagnóstico, 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, recorrendo a técnicas de sumarização; OA2. Descrever e aplicar técnicas de análise descritiva e de diagnóstico (e.g., redução de dimensionalidade, agrupamento, regras de associação); OA3. Interpretar e comunicar os resultados de análises descritivas e de diagnóstico; OA4. Utilizar, em plataformas analíticas, técnicas de análise descritiva e de diagnóstico, para resolver problemas reais de negócio.

Conteúdos Programáticos / Syllabus

CP1. Introdução à análise descritiva e de diagnóstico 1.1. Tipos de dados 1.2. Técnicas de sumarização para dados univariados e bivariados 1.3. Avaliação da qualidade dos dados: não-respostas e valores extremos CP2. Técnicas descritivas e de diagnóstico para dados multivariados 2.1. Redução de dimensionalidade: Análise de Componentes Principais (ACP) 2.2. Agrupamento (ex.: método hierárquico aglomerativo e K-means). 2.3. Regras de associação (market basket analysis; ex.: algoritmos apriori e sequential). CP3. Aplicações práticas de técnicas descritivas e de diagnóstico com dados reais, utilizando IBM SPSS Modeler e IBM SPSS Statistics (ou outro software).

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

Os objetivos de aprendizagem (OA) e os conteúdos programáticos (CP) estão estrategicamente alinhados para proporcionar uma experiência educativa abrangente. O OA1 é operacionalizado na exploração inicial da informação de uma base de dados (CP1), incluindo a avaliação da qualidade dos dados, identificação de não-respostas e valores extremos, cálculo de medidas descritivas e construção de gráficos. O OA2 é abordado na aplicação de técnicas descritivas e de diagnóstico, com dados multivariados (CP2). O OA3 é desenvolvido na interpretação de resultados associados às medidas descritivas e gráficos (CP1), às componentes retidas, clusters identificados e às associações nos dados (CP2). O OA4 é concretizado na aplicação prática de todas as técnicas (CP3), utilizando plataformas analíticas e dados reais, com o intuito de ajudar a resolver problemas reais de negócio.

Avaliação / Assessment

Avaliação ao longo do semestre: a) Teste escrito individual (60%); b) Projeto aplicado em grupo (40%), com possível apresentação digital ou discussão; Requisitos para a aprovação: a) Nota mínima de 7,5 valores em cada componente; b) Classificação final mínima é 10 valores; e, c) Assiduidade mínima de 2/3 das aulas. Avaliação por exame (todas as épocas): Projeto aplicado individual (40%), com possível apresentação digital ou discussão, e exame escrito individual (60%), ambos com nota mínima de 7,5 valores. A classificação final mínima é 10 valores. Escala: 0-20 valores. O teste e os exames escritos são realizados sem consulta de materiais.

Metodologias de Ensino / Teaching methodologies

MEA1. Expositiva, para a apresentação de quadros teóricos de referência MEA2. Participativa, com a análise e resolução de exercícios práticos MEA3. Ativa, com a realização de um trabalho de grupo ME4. 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

As aulas teórico-práticas permitem a experimentação prática e a aplicação de conhecimentos, o que também implica trabalho autónomo por parte do estudante. Deste modo, as metodologias de ensino estão articuladas com os objetivos de aprendizagem como exemplificado nas correspondências seguintes: MEA1: Expositiva, para apresentação dos quadros teóricos de referência - OA1 e OA2; MEA2: Participativa, com a análise e resolução de exercícios práticos - OA1, OA2 e OA3; MEA3: Ativa, com a realização de um trabalho de grupo - OA1, OA2, OA3 E OA4; MEA4: Autoestudo, relacionadas com o trabalho autónomo do aluno, tal como consta no Planeamento das Aulas - OA1, OA2, OA3 e OA4.

Observações / Observations

1. Para complementar o processo de avaliação, e para calcular a nota final no processo de avaliação ao longo do semestre ou avaliação por exame, é reservado ao professor o direito de realizar uma prova oral ao aluno sobre qualquer tópico ministrado na UC. 2. Nos exames de época de recurso ou época especial, um aluno que não tenha tido aprovação na UC (mas tenha nota admissível no projeto aplicado, em grupo ou individual, neste ano letivo) ou que esteja a fazer melhoria, pode ser dispensado de realizar o projeto individual, sendo considerada a nota do projeto aplicado realizado neste ano letivo para o cálculo da nota final. 3. Os estudantes abrangidos pelo Regulamento Interno para Estudantes com Estatutos Especiais deverão contactar o docente da UC na primeira semana de aulas, com vista ao enquadramento dos processos de aprendizagem e avaliação na UC. 4. As provas escritas serão presenciais. 5. Esta UC abarca as duas primeiras dimensões do business analytics: descriptive analytics e diagnostic analytics.

Bibliografia Principal / Main Bibliography

1. Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). Sage: Los Angeles. 2. Camm, J., Cochran, J., Fry, M., and Ohlmann, J., (2021). Business Analytics, (4th Ed.). Cengage Learning. 3. Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (2nd Ed.). Wiley Series on Methods and Applications in Data Mining, Wiley. ISBN: 978-1-118-11619-7. 4. Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions (2nd edition). Springer. ISBN: 978-3030543372.

Bibliografia Secundária / Secondary Bibliography

1. Marôco, J. (2021). Análise Estatística com o SPSS Statistics (8ª edição). ISBN: 9789899676374. 2. Laureano, R. e Botelho, M.C. (2017). IBM SPSS Statistics: O Meu Manual de Consulta Rápida (3ª ed.). Edições Sílabo, ISBN: 978-972-618-886-5. 3. Laureano, R. (2020). Testes de Hipóteses e Regressão - O Meu Manual de Consulta Rápida (2ª edição). Edições Sílabo. ISBN: 978-989-561-051-8.

Data da última atualização / Last Update Date

2025-09-01