1. Início
  2. NOVA Information Management School
  3. Pós-Graduação em Sistemas Estatísticos
  4. Pós-Graduação em Sistemas Estatísticos com Especialização em Estatísticas de Bancos Centrais
  5. Análise de Dados Multivariados

Análise de Dados Multivariados

Objetivos

Este curso cobre técnicas de análise estatística multivariada. Os alunos devem perceber a teoria subjacente à análise de dados multivariados desenvolvendo a capacidade para:

  • Escolher os procedimentos apropriados para a análise multivariada
  • Utilizar o R para realizar as diversas análises
  • Interpretar o output de cada análise

Devem, ainda, ter o conhecimento das vantagens, limitações e condições de aplicabilidade das várias metodologias de análise de dados apresentadas pela disciplina.

Caracterização geral

Código

400013

Créditos

6.0

Professor responsável

Jorge Morais Mendes

Horas

Semanais - A disponibilizar brevemente

Totais - A disponibilizar brevemente

Idioma de ensino

Português. No caso de existirem alunos de Erasmus, as aulas serão leccionadas em Inglês

Pré-requisitos

Estatística e álgebra linear (recomendado)

Bibliografia

  • Everitt, B. and Hothorn, T. (2011). An Introduction to Applied Multivariate Analysis with R, Springer
  • Johnson, R.A and Winchern (2007), D. W., Applied Multivariate Statistical Analysis, 6th edition, Pearson Prentice Hall
  • Sharma, S., (1996) Applied Multivariate Techniques, John Wiley & Sons
  • Timm, N. H., (2002) Applied Multivariate Analysis, Springer
  • Jr., W. C. Black, B. J., Hair, J. F. (2013). Multivariate Data Analysis-Pearson, 7th edition, Education Limited.

Método de ensino

A disciplina baseia-se em aulas teórico-práticas e práticas. As aulas práticas estão orientadas para a resolução de problemas e exercícios.

Método de avaliação

  • (60%) Exame final (1ª e 2ª épocas)
  • (40%) Projeto
Notas:
1. Nota mínima de 9.5 no exame final; caso contrário o aluno reprova.

Conteúdo

1.    Introdução à Análise de Dados Multivaiados
2.    Fundamentos da manipulação de dados - introdução ao R
3.    Representação gráfica de dados multivariados
4.    Distribuição normal multivariada
5.    Análise em componentes prinicpais
6.    Análise Factorial (exploratória)
7.    Análise de clusters
9.    Análise de correspondências