2023
Estatística Aplicada
Nome: Estatística Aplicada
Cód.: MAT13640L
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Matemática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português, Inglês
Regime de Frequência: Presencial
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Objetivos:
• Conhecer os princípios, conceitos e ferramentas estatísticas fundamentais na análise de diversos delineamentos experimentais;
• Saber validar os pressupostos das diferentes abordagens paramétricas e procurar alternativas quando estes não são válidos;
• Saber como analisar a associação e correlação envolvendo variáveis categóricas;
• Conhecer os princípios de um modelo linear generalizado de modo a identificar, ajustar e interpretar um modelo linear generalizado com resposta definida em categorias.
• Saber utilizar os conceitos, métodos e ferramentas para analisar dados multivariados, usando técnicas de descrição e simplificação e identificando padrões;
Competências:
• Capacidade para, de forma crítica, selecionar e organizar informação;
• Capacidade de aplicação de diversas ferramentas estatísticas em diferentes contextos no auxílio à tomada de decisão;
• Capacidade de abstração, seleção de modelos estatísticos e espírito crítico;
• Capacidade de trabalho em equipa.
• Conhecer os princípios, conceitos e ferramentas estatísticas fundamentais na análise de diversos delineamentos experimentais;
• Saber validar os pressupostos das diferentes abordagens paramétricas e procurar alternativas quando estes não são válidos;
• Saber como analisar a associação e correlação envolvendo variáveis categóricas;
• Conhecer os princípios de um modelo linear generalizado de modo a identificar, ajustar e interpretar um modelo linear generalizado com resposta definida em categorias.
• Saber utilizar os conceitos, métodos e ferramentas para analisar dados multivariados, usando técnicas de descrição e simplificação e identificando padrões;
Competências:
• Capacidade para, de forma crítica, selecionar e organizar informação;
• Capacidade de aplicação de diversas ferramentas estatísticas em diferentes contextos no auxílio à tomada de decisão;
• Capacidade de abstração, seleção de modelos estatísticos e espírito crítico;
• Capacidade de trabalho em equipa.
Conteúdos Programáticos
- Modelos de análise de variância de efeitos fixos e de efeitos aleatórios (simples e multifatoriais). Comparações múltiplas. Alternativas quando os pressupostos não se verificam.
- Análise de covariância.
- Introdução à Análise de Dados Categóricos. Tabelas de contingência. Medidas de correlação com pelo menos uma das variáveis categórica. Caracterização de um modelo linear generalizado. Modelos de variáveis resposta categóricas.
- Introdução à Análise em Componentes Principais.
- Introdução à Análise de Clusters.
- Análise de covariância.
- Introdução à Análise de Dados Categóricos. Tabelas de contingência. Medidas de correlação com pelo menos uma das variáveis categórica. Caracterização de um modelo linear generalizado. Modelos de variáveis resposta categóricas.
- Introdução à Análise em Componentes Principais.
- Introdução à Análise de Clusters.
Métodos de Ensino
As sessões de ensino são teórico-práticas, combinando os conceitos com a sua aplicação a casos concretos. As sessões incluem a resolução de exercícios práticos com o auxílio do software estatístico, recorrendo, sempre que possível, a dados reais, participando os estudantes ativamente na sua resolução e/ou discussão. Para além das sessões, os estudantes são incentivados a resolverem sozinhos exercícios práticos, de forma a desenvolver a autonomia.
Os estudantes realizam dois trabalhos práticos, elaborando um relatório que inclui a análise de alguns problemas e as recomendações, sendo obrigatório o uso do software R.
Na avaliação contínua para além dos trabalhos (peso de 30% cada) será realizada uma frequência (40%). Em cada momento de avaliação a nota mínima é 7 valores.
No regime de avaliação por exame a avaliação a nota final será a obtida na prova de exame.
Os estudantes realizam dois trabalhos práticos, elaborando um relatório que inclui a análise de alguns problemas e as recomendações, sendo obrigatório o uso do software R.
Na avaliação contínua para além dos trabalhos (peso de 30% cada) será realizada uma frequência (40%). Em cada momento de avaliação a nota mínima é 7 valores.
No regime de avaliação por exame a avaliação a nota final será a obtida na prova de exame.
Avaliação
Avaliação contínua: 2 frequências. A nota final corresponde à média ponderada das notas das 2 frequências. O aluno é aprovado se a) obtiver uma nota final superior ou igual a 9,5 valores; b) a nota mínima em cada frequência for de 7 valores; c) a assiduidade mínima às aulas for de 75%. Caso contrário, o aluno dispõe ainda de um exame de recurso.
Em caso de desistência do aluno da avaliação contínua, a avaliação muda automaticamente para regime de avaliação final por exame.
Exame em época normal e/ou em época de recurso. O aluno é aprovado se obtiver uma nota no exame superior ou igual a 9,5 valores.
No âmbito da avaliação continua ou de exame os alunos podem ser convocados a provas orais para defesa de nota.
Em caso de desistência do aluno da avaliação contínua, a avaliação muda automaticamente para regime de avaliação final por exame.
Exame em época normal e/ou em época de recurso. O aluno é aprovado se obtiver uma nota no exame superior ou igual a 9,5 valores.
No âmbito da avaliação continua ou de exame os alunos podem ser convocados a provas orais para defesa de nota.
Bibliografia
Agresti, A. (2018). An Introduction to Categorical Data Analysis, 3rd Edition, Wiley.
Azen, R.; Walker, C. M. (2011). Categorical Data Analysis for the Behavioral and Social Sciences, Taylor and Francis.
Bilder, C. R., Loughin, T. M. (2014). Analysis of categorical data with R. Chapman and Hall/CRC.
Everitt, B. & Hothorn, T. (2011). An Introduction to Applied Multivariate Analysis with R. Springer.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2009). Multivariate Data Analysis, 7th ed., Pearson.
Horton, N. J., Kleinman, K. (2015). Using R and RStudio for Data Management, Statistical Analysis, and Graphics, 2nd Edition, Chapman and Hall/CRC.
Hosmer, David W.; Lemeshow, Stanley (2013). Applied Logistic Regression. New York: Wiley
Lawson, J. (2014). Design and Analysis of Experiments with R. Chapman and Hall/CRC.
Montgomery, D. C. (2019). Design and Analysis of Experiments, 9th Ed., John Wiley.
Azen, R.; Walker, C. M. (2011). Categorical Data Analysis for the Behavioral and Social Sciences, Taylor and Francis.
Bilder, C. R., Loughin, T. M. (2014). Analysis of categorical data with R. Chapman and Hall/CRC.
Everitt, B. & Hothorn, T. (2011). An Introduction to Applied Multivariate Analysis with R. Springer.
Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2009). Multivariate Data Analysis, 7th ed., Pearson.
Horton, N. J., Kleinman, K. (2015). Using R and RStudio for Data Management, Statistical Analysis, and Graphics, 2nd Edition, Chapman and Hall/CRC.
Hosmer, David W.; Lemeshow, Stanley (2013). Applied Logistic Regression. New York: Wiley
Lawson, J. (2014). Design and Analysis of Experiments with R. Chapman and Hall/CRC.
Montgomery, D. C. (2019). Design and Analysis of Experiments, 9th Ed., John Wiley.
Equipa Docente
- Paulo de Jesus Infante dos Santos [responsável]
