Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
460 - Matemática e estatística
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2024/2025
Pré-requisitos / Pre-Requisites
É recomendado que o estudante esteja familiarizado com os conteúdos programáticos de álgebra linear e estatística, e que tenha capacidades de programação básica em Phyton ou R.
Objetivos Gerais / Objectives
O objetivo desta Unidade Curricular (UC) consiste em aprender e aplicar de forma correta os modelos de regressão linear simples, múltipla, polinomial e de regressão logística com o objetivo de ter um apoio quantitativo e fundamentado na tomada de decisão. O foco principal assenta sobre a parte de análise preditiva e de aprendizagem estatística e as suas aplicações em problemas de várias áreas da vida real.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
São objetivos de aprendizagem (OAs) desta UC: OA1. Entender a correlação entre variáveis, o modelo de regressão linear simples e múltipla. OA2. Compreender e aplicar métodos de estimação dos parâmetros (OLS-Ordinary Least Squares e ML-Maximum Likelihood). OA3. Saber analisar os pressupostos do modelo de regressão, testes de hipótese e diagnóstico. OA4. Entender as extensões do modelo de regressão linear: modelos não-lineares. OA5. Obter capacidades em previsão, desempenho da previsão e tomada de decisão. OA6. Aplicar regressão logística, classificação, matriz de confusão e curva ROC (Receiver Operating Characteristic) e QCA (Qualitative Comparative Analysis). OA7. Adquirir prática em programação básica e computação. OA8. Aplicar os conceitos estudados para dados/casos reais.
Conteúdos Programáticos / Syllabus
CP1. Modelos de regressão: correlação e causalidade, regressão linear simples, regressão múltipla. Multicolinearidade CP2. Estimação e inferência, OLS (Ordinary Least Squares) e ML (Maximum Likelihood) CP3. Pressupostos dos resíduos: testes de hipótese e diagnóstico CP4. Regressão polinomial e com variáveis categóricas. Variável dummy CP5. Previsão (in-sample e out-of-sample). Conjuntos de treino e de teste. Métricas de avaliação da performance de previsão (RMSE-Root Mean Squared Error, MAPE-Mean Absolute Percentage Error, MAE-Mean Absolute Error). Análise preditiva CP6. Regressão logística. Problemas de classificação. Matriz de confiança e curva ROC (Receiver Operating Characteristic) CP7. Conjuntos difusos. QCA (Qualitative Comparative Analysis) em variáveis dicotómicas (csQCA) e em conjuntos difusos (fsQCA). QCA escalonada e temporal (mvQCA e tQCA) CP8. Outros modelos de estatística multivariada: análise em clusters, análise discriminante e componentes principais.
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
CP1, foca-se em modelos de regressão, correlação e causalidade, e são a base para o OA1, onde os estudantes aprendem a teoria e prática da regressão linear. CP2 introduz métodos de estimação essenciais para o OA2. A análise dos pressupostos dos modelos de regressão, abordada em CP3, prepara os estudantes para o OA3, que envolve testar hipóteses e realizar diagnósticos. CP4 expande o conhecimento para modelos não-lineares e com variáveis categóricas, apoiando o OA4. CP5 trata de previsão e performance que são a base para o OA5, permitindo fazer previsões e a avaliar desempenho. CP6 cobre regressão logística e classificação, alinhando-se com o OA6, integrando a aplicação de técnicas de classificação e avaliação de modelos preditivos. CP7 abrange QCA, apoiando o OA7 na aquisição de prática em programação e análise qualitativa. CP8 introduz outros modelos multivariados, permitindo aos estudantes aplicar conceitos a dados reais (OA8).
Avaliação / Assessment
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação ao longo do semestre: um teste realizado na data da 1ª época (60%) + trabalho(s) prático(s) (30%) + trabalho autónomo (10%) Todos os elementos de avaliação são obrigatórios e têm nota mínima de 8 valores. Poderá ser realizada uma avaliação oral complementar após qualquer momento de avaliação para validação da nota final. ou - Avaliação por Exame (100%).
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEAs): MEA1. Expositivas, para apresentação dos quadros teóricos de referência MEA2. Participativas, com análise de algoritmos e metodologias MEA3. Ativas, com realização de trabalho de grupo MEA4. Experimentais, em laboratório de informática, realizando análises sobre casos/problemas reais MEA5. Autoestudo, relacionado com o trabalho autónomo (TA) do estudante
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 adotadas estão definidas para alcançar os objetivos de aprendizagem (OAs) e têm em conta um método de avaliação que promove uma compreensão abrangente e a aplicação prática dos conceitos estatísticos. MEA1, as aulas expositivas, fornecem a base teórica necessária para os estudantes entenderem os modelos de regressão linear, os seus pressupostos e os modelos de regressão não-linear (OA1, OA3 e OA4). MEA2, através da análise de algoritmos em aulas participativas, os estudantes aplicam métodos de estimação de parâmetros (OA2). MEA3, o trabalho de grupo, alinha-se com o OA7 e OA8, incentivando a prática em programação e a análise de dados reais. MEA4, as sessões experimentais em laboratório de informática, apoiam diretamente o OA5, onde os estudantes aplicam conhecimentos em previsão e análise preditiva, e o OA6, com a aplicação de regressão logística e análise de classificação. MEA5, o trabalho-autónomo, é essencial para a consolidação da aprendizagem em todos os OAs. A avaliação combina testes escritos que verificam a compreensão teórica, exercícios práticos que testam a aplicação de métodos estatísticos, trabalhos de grupo e trabalhos autónomos que desafiam os estudantes a aplicar o conhecimento em contextos reais e colaborativos. Isso assegura que os estudantes desenvolvam competências de aplicação práticas e analíticas, preparando-os efetivamente para cenários profissionais onde a estatística é uma ferramenta essencial.
Observações / Observations
1) Está previsto trabalho autónomo para esta unidade curricular. 2) Para mais informações, é favor consultar o Código de Conduta Académica (CCA) do Iscte - Instituto Universitário de Lisboa.
Bibliografia Principal / Main Bibliography
Rogel-Salazar J. (2018). Data Science and Analytics with Python. Taylor & Francis Group. Hastie T.; Tibshirani R.; Friedman J. (2017). The elements of statistical learning: data mining, inference, and prediction. Springer. [electronic resource: https://web.stanford.edu/~hastie/Papers/ESLII.pdf ] Agresti A.; Franklin C.; Klingenberg B. (2018). Statistics: The Art and Science of Learning from Data, 4th Edition. Pearson.
Bibliografia Secundária / Secondary Bibliography
Afonso, A.; Nunes, C. (2019). Probabilidades e Estatística. Aplicações e Soluções em SPSS. Versão revista e aumentada. Universidade de Évora. ISBN: 978-972-778-123-2 Albright S.C.; Winston W.L. (2019). Business Analytics: Data Analysis & Decision Making, 7th Edition. Cengage Learning.
Data da última atualização / Last Update Date
2025-03-06