2026
Delineamento Experimental
Nome: Delineamento Experimental
Cód.: MAT10167M
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Matemática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Regime de Frequência: Presencial
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Nesta UC estudam-se os modelos mais actuais considerados em Delineamento Experimental. Estes métodos procuram dar aos Alunos uma formação ampla e actual de métodos em Análise da Experimentação.
A utilização de diferentes softwares estatísticos permitirá o tratamento e a análise de diferentes bases de dados.
Objectivos:
Estudar os princípios e conceitos fundamentais da experimentação e fornecer aos alunos ferramentas estatísticas essenciais na análise de diversos delineamentos experimentais.
Competências:
Capacidade para, de forma crítica, selecionar e organizar informação
Conhecer e saber aplicar algumas ferramentas estatísticas essenciais na análise de diversos delineamentos experimentais.
Selecionar o modelo de regressão mais adequado.
Validar os pressupostos das diferentes abordagens paramétricas.
Saber aplicar alternativas não paramétricas quando não forem válidos os pressupostos.
Aprender autonomamente com adaptação a novas situações.
Utilização racional e adequada do software.
A utilização de diferentes softwares estatísticos permitirá o tratamento e a análise de diferentes bases de dados.
Objectivos:
Estudar os princípios e conceitos fundamentais da experimentação e fornecer aos alunos ferramentas estatísticas essenciais na análise de diversos delineamentos experimentais.
Competências:
Capacidade para, de forma crítica, selecionar e organizar informação
Conhecer e saber aplicar algumas ferramentas estatísticas essenciais na análise de diversos delineamentos experimentais.
Selecionar o modelo de regressão mais adequado.
Validar os pressupostos das diferentes abordagens paramétricas.
Saber aplicar alternativas não paramétricas quando não forem válidos os pressupostos.
Aprender autonomamente com adaptação a novas situações.
Utilização racional e adequada do software.
Conteúdos Programáticos
Método científico e delineamento de experiências.
Modelos de análise de variância de efeitos fixos e de efeitos aleatórios (simples, multifactoriais e mistos). Modelos hierárquicos (nested) e Split-Plot.
Comparações múltiplas.
Blocos completos e incompletos. Quadrados latinos.
Alternativas não paramétricas.
Modelo de regressão linear simples e múltipla (estimação, inferência, predição, adequabilidade e validação de pressupostos). Diagnóstico da regressão para observações influentes, outliers, autocorrelação e multicolinearidade. Selecção de modelos.
Análise de covariância.
Regressão não linear.
Modelos de análise de variância de efeitos fixos e de efeitos aleatórios (simples, multifactoriais e mistos). Modelos hierárquicos (nested) e Split-Plot.
Comparações múltiplas.
Blocos completos e incompletos. Quadrados latinos.
Alternativas não paramétricas.
Modelo de regressão linear simples e múltipla (estimação, inferência, predição, adequabilidade e validação de pressupostos). Diagnóstico da regressão para observações influentes, outliers, autocorrelação e multicolinearidade. Selecção de modelos.
Análise de covariância.
Regressão não linear.
Métodos de Ensino
Aulas teórico-práticas predominantemente lecionadas no quadro, com suporte de ferramentas de e-learning e utilização de diapositivos. Introdução dos conceitos teóricos recorrendo a exemplos de aplicação direta em diferentes áreas, procurando mostrar a relevância dos conteúdos programáticos. Exercícios direcionados, focando a resolução de problemas atuais e reais, com o objetivo de desenvolver o gosto e interesse pela disciplina e mostrar a sua utilidade. Enfoque na interpretação e análise de dados recorrendo sempre que possível a outputs do software utilizado.
Avaliação
Privilegiar a avaliação contínua com a realização de um teste (50%) e dois trabalhos individuais ou em grupo (50%). Caso não obtenha aprovação em avaliação contínua, o aluno realiza um exame (75%) e os trabalhos individuais ou de grupo terão um peso menor na nota final (25%). No teste o aluno terá que ter uma nota superior ou igual a 8 valores.
Bibliografia
1. Faraway, J. Practical Regression and Anova using R (http://cran.r-project.org/doc/contrib/Faraway-PRA.pdf). Dados e scripts disponíveis em http://www.maths.bath.ac.uk/ jjf23/LMR/
2. Steyerberg, E. W. (2016). FRANK E. HARRELL, Regression Modeling Strategies: With Applications, to Linear Models, Logistic and Ordinal Regression, and Survival Analysis, Heidelberg: Springer.
3. Lista completa de manuais, tutoriais em diversas línguas http://lib.stat.cmu.edu/R/CRAN/other-docs.html
4. Montgomery, D. C. (2019). Design and Analysis of Experiments. John Wiley & Sons Inc.
5. Montgomery, D. C.; Peck, A. E.; Vining, G. C. (2021). Introduction to Linear Regression Analysis, 6th Ed., John Wiley & Sons Inc.
6. Ruxton, G., &; Colegrave, N. (2017). Experimental Design for the Life Sciences. Oxford University Press.
2. Steyerberg, E. W. (2016). FRANK E. HARRELL, Regression Modeling Strategies: With Applications, to Linear Models, Logistic and Ordinal Regression, and Survival Analysis, Heidelberg: Springer.
3. Lista completa de manuais, tutoriais em diversas línguas http://lib.stat.cmu.edu/R/CRAN/other-docs.html
4. Montgomery, D. C. (2019). Design and Analysis of Experiments. John Wiley & Sons Inc.
5. Montgomery, D. C.; Peck, A. E.; Vining, G. C. (2021). Introduction to Linear Regression Analysis, 6th Ed., John Wiley & Sons Inc.
6. Ruxton, G., &; Colegrave, N. (2017). Experimental Design for the Life Sciences. Oxford University Press.
