Currículo

Tomada de Decisão Apoiada em Dados (Dtda) 04398

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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. OA7. Adquirir prática em programação básica e computação com Python. OA8. Aplicar os conceitos estudados para dados/casos reais.

Programa

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, componentes principais e Fuzzy clustering.

Método de Avaliação

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (50%) + Discussão individual dos 2 trabalhos práticos (20%) + 3 mini-testes (30%), ou - Avaliação por Exame (65%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 35% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).

Carga Horária

Bibliografia

Principal

• 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.:

Secundária

• Albright S.C., and Winston W.L. (2019). Business Analytics: Data Analysis & Decision Making, 7th Edition. Cengage Learning.:

Disciplinas de Execução

2025/2026 - 2º Semestre

2023/2024 - 2º Semestre

2024/2025 - 2º Semestre