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

Objetivos de Desenvolvimento Sustentável

3. Saúde de qualidade - Assegurar uma vida saudável e promover o bem-estar para todos, em todas as idades.

4. Educação de qualidade - Assegurar a educação inclusiva, e equitativa e de qualidade, e promover oportunidades de aprendizagem ao longo da vida para todos.

9. Indústria, inovação e infraestruturas - Construir infraestrutura resiliente, promover a industrialização inclusiva e sustentável, e fomentar a inovação.

13. Ação climática - Tomar medidas urgentes para combater a mudança climática e seus impactos (*).

14. Proteger a vida marinha - Conservação e uso sustentável dos oceanos, dos mares, e dos recursos marinhos para o desenvolvimento sustentável.

15. Proteger a vida terrestre - Proteger, recuperar e promover o uso sustentável dos ecossistemas terrestres, gerir de forma sustentável as florestas, combater a desertificação, deter e reverter a degradação da Terra e deter a perda da biodiversidade.

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.

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.

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 com o auxílio do software estatístico da escolha do aluno (SPSS, R-project, Python, Excel), mas predominantemente no SPSS para efeitos dos outputs tidos em conta nas avaliações, e recorrendo sempre que possível a exemplos e dados reais, participando os estudantes ativamente na sua resolução e/ou discussão em grupos. Os estudantes também são incentivados a resolverem sozinhos exercícios práticos de forma a desenvolver a autonomia.

Avaliação

A avaliação será feita de acordo com o nº 11 do artº 110º do RAUE, considerando os 2 regimes de avaliação previstos: Contínua (com 2 frequências) ou Final (por Exame). A nota final (NF), para os estudantes que obtenham no mínimo 8,0 valores, em cada uma das frequências, será obtida segundo a seguinte ponderação NF=0,50*F1+0,50*F2, onde: F1 = Nota na 1ª frequência (50%). F2 = Nota na 2ª frequência (50%). Se o resultado de NF for maior ou igual do que 9,5, ainda que com uma nota inferior a 8,0 valores na 2ª frequência, a classificação da época normal ficará em 9 valores. O uso de ferramentas de IA é permitido nesta unidade curricular como apoio técnico, analítico e de aprendizagem, desde que os estudantes compreendam, validem e assumam responsabilidade total pelos resultados produzidos. A fabricação de fontes, dados ou resultados constitui infração grave à integridade académica. É inaceitável utilizar IA em avaliações ou exames sem autorização docente. O uso indevido será enquadrado como fraude académica nos termos do Artigo 119.º do Regulamento Académico (Código de conduta, fraude e plágio). No caso de haver plágio, a prova será anulada e feita participação superiormente.

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.