Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Área Científica INDEG-IUL

Departamento / Department

Ano letivo / Execution Year

2023/2024

Pré-requisitos / Pre-Requisites

Objetivos Gerais / Objectives

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

1. Compreender e explorar a Análise Descritiva dos dados: A importância da estatística descritiva em big data. Tipo de dados (qualitativos e quantitativos), que medidas e representações gráficas utilizar na análise de dados. 2. Desenvolver competências para a utilização do R/RStudio na análise de dados: Apresentação do programa, os painéis do RStudio, importação de dados a partir de um ficheiro de Excel, ficheiros de script e execução de comandos. 3. Enquadrar e avaliar o papel da estatística inferencial em big data: Diferença entre small e big data. Com big data, tornar-se-á a estatística inferencial desnecessária? 4. Compreender as técnicas clássicas de previsão: Apresentar e discutir as técnicas tradicionais na previsão, nomeadamente o modelo de regressão linear e métodos de alisamento.

Conteúdos Programáticos / Syllabus

1. Instrumentos estatísticos: Quais deles utilizar em small e big data? O papel da estatística descritiva em big data e da estatística indutiva em small data (do particular para o geral). 2. Medidas de estatística descritiva para resumir informação: Apresentar, calcular e explicar as medidas de estatística descritiva: medidas de tendência central e não central, medidas de dispersão, medidas de assimetria e de curtose. 3. Os testes de hipóteses em small data: Explicar as várias etapas de um teste de hipóteses com aplicações. 4. Razões para a estatística inferencial se tornar menos importante em big data: a quantidade de dados, relação entre amostra e população. 5. Utilização intensiva do R/RStudio: Pretende-se que os formandos se familiarizem com o programa. 6. Modelo de regressão linear (MRL): Apresentação, discussão e aplicação. A importância do MRL na procura de relações. 7. Métodos de alisamento na previsão: Alisar para prever, eliminar ‘ruído’ e detetar padrões em termos de evolução. Métodos de alisamento simples, duplo e triplo. 8. Aplicações aos mercados de capitais: as medidas de estatística descritiva na análise de rendibilidade e risco de índices bolsistas e de ações. Utilização dos métodos de alisamento na deteção de tendências. A média móvel como instrumento fundamental da análise técnica.

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

Avaliação / Assessment

Teste - 50% Trabalho de grupo - 50%

Metodologias de Ensino / Teaching methodologies

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

Observações / Observations

Bibliografia Principal / Main Bibliography

Bibliografia Secundária / Secondary Bibliography

Data da última atualização / Last Update Date

2024-06-27