Métodos de Ensino
A unidade curricular articula métodos expositivos com estratégias ativas, promovendo a integração entre teoria e prática. As aulas teóricas apresentam os conceitos fundamentais e enquadram as técnicas estatísticas, enquanto as sessões práticas recorrem a software de análise de dados para a resolução de exercícios e interpretação de resultados. São incentivadas atividades de pesquisa bibliográfica e elaboração de quadros-resumo, reforçando a autonomia e o pensamento crítico. A discussão de estudos empíricos e a análise colaborativa de casos permitem consolidar conhecimentos e desenvolver competências aplicadas. O modelo pedagógico privilegia a aprendizagem ativa, a participação dos estudantes e a aplicação prática dos conteúdos, assegurando a coerência com os objetivos definidos para a unidade curricular.
Resultados de Aprendizagem
Desenvolver competências para realizar pesquisas bibliográficas, avaliando a qualidade das fontes e sintetizando informação relevante. Compreender a estrutura da matriz de dados, os tipos de variáveis e as suas implicações na escolha dos métodos de análise. Aplicar técnicas estatísticas fundamentais, incluindo ANOVA, regressão linear simples e múltipla e análise em componentes principais, interpretando criticamente os resultados. Promover autonomia na investigação e capacidade de selecionar métodos adequados para problemas reais. O método de ensino combina exposição teórica, resolução de exercícios práticos com recurso a software de análise de dados e discussão crítica de estudos, assegurando a coerência entre os objetivos definidos e as práticas pedagógicas adotadas.
Programa
1. Investigação Bibliográfica e Técnicas Estatísticas
-Utilização de ferramentas digitais e IA para identificar artigos relevantes na área de estudo
-Avaliação básica da qualidade e fiabilidade das fontes
-Revisão da análise estatística de dados em artigos de investigação
2. Estrutura da Matriz de Dados e Conceitos Centrais
-Estrutura da matriz de dados
-Tipos de variáveis e implicações na escolha dos métodos
-Distinção entre análises univariadas e multivariadas
3. Análise de Variância (ANOVA)
-ANOVA de um factor e de dois factores
-Interpretação crítica dos resultados
4. Regressão Linear Simples e Múltipla
-Papel da regressão na modelação e previsão
-Técnicas de regressão linear simples e múltipla
-Interpretação crítica dos resultados
5. Análise de Componentes Principais (ACP)
-Conceito, objetivos e estrutura da ACP
-Interpretação crítica dos resultados
-Exemplos de outras técnicas multivariadas e incentivo à exploração autónoma
Estágio(s)
NAO
Bibliografia
Denis, D. J. (2021). Applied univariate, bivariate, and multivariate statistics using Python: A beginner’s guide to advanced data analysis. John Wiley & Sons.
Härdle, W. K., & Simar, L. (2024). Applied multivariate statistical analysis (6th ed.). Springer.
McKinney, W. (2023). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). John Wiley & Sons.
VanderPlas, J. (2022). Python data science handbook: Essential tools for working with data (2nd ed.). O’Reilly Media.