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
Supõe-se atingidos os objetivos de aprendizagem da UC Probabilidades e Estatística
Objetivos Gerais / Objectives
A unidade curricular de Análise de Dados Multivariada abrange os temas de Análise de Variância, Análise em Componentes Principais, Análise de Clusters e Modelos de Regressão Pretende-se que, ao longo do período lectivo, sejam desenvolvidas as seguintes competências: i) Resolução prática de problemas ii) Capacidade de trabalhar em grupo iii) Capacidade de comunicação oral e escrita
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Pretende-se que os alunos após frequentarem esta UC saibam: OA1. Reduzir a dimensionalidade dos dados, através de componentes principais OA2. Identificar grupos e padrões OA3. Construir modelos explicativos simples OA4. Aplicar o software escolhido
Conteúdos Programáticos / Syllabus
P1. Anova a um fator; alternativas robustas e alternativas não paramétricas P2. Análise em Componentes Principais: exploração e adequação dos dados; componentes a reter; qualidade do modelo; representação, interpretação das componentes retidas e construção de índices. P3. Análise de Clusters: selecção de variáveis; identificação de outliers; métodos hierárquicos e não hierárquicos; validação dos resultados. P4. Modelos de Regressão: regressão linear múltipla; regressão binária
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
O programa apresenta uma forte coerência entre os conteúdos abordados e os objetivos de aprendizagem propostos. A Análise em Componentes Principais (P2) permite aos estudantes reduzir a dimensionalidade dos dados (OA1), enquanto a Análise de Clusters (P3) proporciona ferramentas para identificar grupos e padrões (OA2). A Anova (P1) e os Modelos de Regressão (P4) sustentam a construção de modelos explicativos simples (OA3). Todos os tópicos incluem a aplicação prática através de software estatístico (OA4), assegurando a operacionalização dos conceitos e o desenvolvimento de competências técnicas.
Avaliação / Assessment
Avaliação ao longo do semestre: Nota = Teste intermédio (30%) + Trabalho (20%) + Teste final (50%). Cada teste intermédio tem nota mínima de 7,5 valores e cada uma das restantes componentes de avaliação tem nota mínima de 8,5 valores. A aprovação na UC requer uma nota final mínima de 10 valores. Avaliação por Exame: 1 prova teórico-interpretativa, 100%
Metodologias de Ensino / Teaching methodologies
Aulas teórico-práticas em laboratório.Metodologias de ensino-aprendizagem: 1 Expositivas: apresentação dos quadros teóricos de referência 2 Participativas: análise e resolução de exercícios práticos 3 Ativas: realização de trabalhos individuais/grupo 4 Trabalho Autónomo: Fora das aulas 5 Aulas em laboratório
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-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir cada um dos objetivos de aprendizagem. Dada a natureza desta UC, cada uma das metodologias descritas será aplicada aos objetivos OA1 a OA4. Com as sessões em laboratório os alunos aprendem a utilizar o software adotado. O alinhamento entre cada instrumento de avaliação e os objetivos de aprendizagem é realizado da seguinte forma: - Frequência e exame: OA1, OA2, OA3, OA4 - Trabalho de grupo: OA1, OA2, OA3, OA4 - Participação dos alunos em aula através da realização em aula de um conjunto de Exercícios
Observações / Observations
·
Bibliografia Principal / Main Bibliography
Field, Andy (2012), Discovering statistics using R London: Sage Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2010). Multivariate Data Analysis. Seventh Edition. Prentice Hall.
Bibliografia Secundária / Secondary Bibliography
Wooldridge, J. (2019), Introductory Econometrics ? A Modern Approach. Seventh Edition. South-Western, Cengage Learning. Laureano, R. (2020), Testes de Hipóteses e Regressão ? O meu manual de consulta rápida. Edições Sílabo. Maroco, J. (2010). Análise Estatística com o PASW Statistics. ReportNumber Lda.
Data da última atualização / Last Update Date
2025-07-24