Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
L5323
Acrónimo :
L5323
Ciclo :
1.º ciclo
Línguas de Ensino :
Inglês (en)
Língua(s) amigável(eis) :
Inglês

Carga Horária / Course Load


Semestre :
2
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
36.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
37.0h/sem
Trabalho Autónomo :
113.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


Estatística e Análise de Dados

Departamento / Department


Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year


2022/2023

Pré-requisitos / Pre-Requisites


Conhecimentos de Estatística e Marketing.

Objetivos Gerais / Objectives


- Conhecimento e compreensão dos principais conceitos de estatística na sua aplicação ao marketing; - Capacidade de comunicação oral e escrita de trabalho realizado no âmbito da análise estatística; - Capacidade de aplicar análise estatística na investigação empírica.

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


No final do período curricular desta UC, o aluno deverá: 1. Identificar os principais conceitos estatísticos na análise empírica; (OA1) 2. Aplicar correctamente o modelo de regressão linear; (OA2) 3. Compreender os princípios da escolha discreta e da segmentação (OA3) 4. Reflectir e discutir sobre a integração de métodos estatísticos em projectos de investigação concretos; (OA4) 5. Incorporar no seu projecto de investigação, abordagens, conceitos, ferramentas analisadas e discutidas nas aulas. (OA5)

Conteúdos Programáticos / Syllabus


1. Modelação em Marketing Research 2. Principais conceitos de Estatística descritiva e inferencial 3. Segmentação de mercados utilizando análise de clusters 4. Modelação quantitativa (regressão linear simples e múltipla) 5. Modelos de escolha discreta (regressão logística binária)

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 com os objectivos de aprendizagem (OA), como a seguir se explicita: OA1 - Todos OA2 - Pontos do programa 4 OA3 - Pontos do programa 3 e 5 OA4 - Todos OA5 - Todos

Avaliação / Assessment


Para a aquisição destas competências serão utilizadas metodologias: 1. Expositivas, para apresentação dos quadros teóricos de referência 2. Participativas, com análise e resolução de exercícios práticos 3. Activas, com realização de trabalhos individuais e de grupo 4. Experimentais, em laboratório, com desenvolvimento e exploração de modelos em computador 5. Auto-estudo, relacionado com o trabalho autónomo do aluno, tal como consta no Planeamento das Aulas. | A avaliação periódica inclui a realização de: - um teste escrito individual (60%); - um trabalho de grupo (40%). A avaliação periódica exige a presença em, pelo menos, 80% das aulas, são aprovados os alunos que obtenham classificação média final mínima de 10 valores, desde que em nenhuma das componentes obtenham nota inferior a 7,5 valores. A avaliação poderá ser feita através de exame final. Classificações superiores ou iguais a 18 valores serão sujeitas a defesa oral.

Metodologias de Ensino / Teaching methodologies


Para a aquisição destas competências serão utilizadas metodologias: 1. Expositivas, para apresentação dos quadros teóricos de referência 2. Participativas, com análise e resolução de exercícios práticos 3. Activas, com realização de trabalhos individuais e de grupo 4. Experimentais, em laboratório, com desenvolvimento e exploração de modelos em computador 5. Auto-estudo, 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 metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objectivos de aprendizagem, pelo que, na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino-aprendizagem e os respectivos objectivos. Metodologias de ensino-aprendizagem (MEA) Objectivo de aprendizagem (OA) 1. Expositivas, para apresentação dos quadros teóricos de referência Todos 2. Participativas, com análise e resolução de exercícios práticos OA1 a OA3 3. Activas, com realização de trabalhos individuais e de grupo OA1 a OA3 4. Experimentais, em laboratório, com desenvolvimento e exploração de modelos em computador OA1 a OA3 5. Auto-estudo, relacionadas com o trabalho autónomo do aluno, tal como consta no Planeamento das Aulas. Todos

Observações / Observations


Os alunos abrangidos pelo 'Regulamento Interno para Estudantes com Estatutos Especiais' 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 avaliação na UC. Tendo em conta o comunicado do Gabinete do Ministro da Ciência, Tecnologia e Ensino Superior, de 21.1.2021, no contexto das medidas extraordinárias do estado de emergência, o início das atividades letivas decorrerá em formato de ensino à distância. Todas as alterações que possam acontecer serão comunicadas aos estudantes.

Bibliografia Principal / Main Bibliography


[2] Franses, P.H. e R. Paap (2001), Quantitative Models in Marketing Research, Cambridge: Cambridge University Press. [1] Hair, Jr., J. F., Babin, B. J., Black, W. C., & Anderson E. R. (2018). Multivariate Data Analysis (8th ed.). Cengage.

Bibliografia Secundária / Secondary Bibliography


Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning.

Data da última atualização / Last Update Date


2024-02-16