Estatística e Análise de Dados

Código:

M4114

Sigla:

M4114

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Matemática

Ocorrência: 2024/2025 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Matemática
Curso/CE Responsável:	Mestrado em Ciência de Dados (Data Science)

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M:DS	32	Plano Oficial a partir de 2018_M:DS	1	-	6	42	162

Língua de trabalho

Inglês

Objetivos

Formar os estudantes em métodos de análise multivariada de dados, de forma a permitir extrair a informação essencial 
de um conjunto potencialmente volumoso de dados, com foco  em métodos de classificação supervisionada e não supervisionada.

 

Resultados de aprendizagem e competências

1. Comprensão dos fundamentos teóricos das metodologias lecionadas.

2. Capacidade de extrair a informação essencial de um conjunto de dados reais, usando as metodologias lecionadas



E em particular:

- Reconhecer diferentes problemas de análise multivariada de dados e de os 
resolver empregando os métodos abordados e com recurso ao software R ;

- Preparar, resolver e apresentar projetos computacionais de data mining, onde os vários modelos apresentados são  discutidos, avaliados 
e comparados perante casos concretos.

- Resolver exercícios computacionais e não computacionais sobre as metodologias abordadas

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

São necessários conhecimentos prévios sobre variáveis aleatórias e distribuições de probabilidade, estatísticas amostrais, intervalos de confiança e testes de hipóteses. Estes são os conteúdos usuais de uma unidade curricular de introdução às Probabilidades e Estatística do ensino superior. 

Programa

Análise Preliminar de Dados.

Análise Factorial: 
Análise em Componentes Principais; 
Análise Factorial das Correspondências Simples; 
Análise Factorial das Correspondências Múltiplas; 
Escalonamento multidimensional.

Análise Classificatória: 
Medidas de Comparação; 
Classificação Hierárquica; 
Classificação Não Hierárquica;
Classificação por Modelos de Mistura Finita

Análise Discriminante: 
Análise Discriminante em 2 grupos; 
Análise Discriminante em K grupos.
Árvores de Decisão.

Bibliografia Obrigatória

apontamentos escritos disponibilizados pelos professores
James Gareth 070; An introduction to statistical learning. ISBN: 978-1-4614-7137-0
Everitt Brian S.; Applied multivariate data analysis. ISBN: 978-0-470-71117-0
000040365. ISBN: 0-387-95284-5

Bibliografia Complementar

000098707. ISBN: 978-0-521-86116-8
Sharma, Subhash; Applied multivariate techniques. ISBN: 0-471-31064-6
Hair Jr Joseph F.; Multivariate data analysis. ISBN: 0-13-515309-3
Jianqing Fan and Runze Li and Cun-Hui Zhang ; Statistical Foundation of Data Science , Chapman and Hall/CRC; 1 edition, 2019. ISBN: 978-1466510845

Métodos de ensino e atividades de aprendizagem

Aulas de tipo teórico-prático com diferentes exemplos de aplicação das técnicas e modelos estatísticos apresentados em laboratório computacional. O software usado é a linguagem gratuita de programação com ambiente de software R .

Software

R Project

Palavras Chave

Ciências Físicas > Matemática > Estatística

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho prático ou de projeto	40,00
Exame	60,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	80,00
Frequência das aulas	42,00
Apresentação/discussão de um trabalho científico	2,00
Trabalho escrito	38,00
Total:	162,00

Obtenção de frequência

Não há falta de frequência às aulas.

O trabalho prático e a sua apresentação oral são obrigatórios em todas as épocas,  na época normal, época de recurso, e épocas especiais.

Fórmula de cálculo da classificação final

1. Há exame na época normal e na época de recurso.

2. Melhoria de nota: os alunos podem melhorar a nota de exame  em época de recurso. O trabalho não pode ser melhorado. 

Nota final= 0.6*Nota_dos_exames+0.4*Nota_do_trabalho prático.

A mesma fórmula se aplica na Época de Recurso e Épocas Especiais.

O trabalho prático e a sua apresentação oral são obrigatórios,  na época normal, época de recurso, e épocas especiais.

A aprovação está condicionada à Nota de exame ser igual ou
superior a 7.5 valores (na escala de 0 a 20).
O trabalhos prático consiste na análise de uma base de dados  reais, utilizando os métodos lecionados na disciplina, por recurso a software.
Deverá ser realizado por grupos de 2 alunos.

Melhoria de classificação

Melhoria de nota: os alunos podem melhorar a nota de exame  em época de recurso.
O trabalho prático não pode ser melhorado. 
A fórmula de avaliação é a mesma emtodas as épocas (ver acima).