Avançar para o conteúdo
Mestrado

Estatística Computacional e Análise de Dados

O curso tem como principal objetivo o desenvolvimento de competências no domínio da Estatística Computacional, contemplando várias metodologias atuais de extração de conhecimento a partir de dados. Inclui formação em Aprendizagem Estatística (Statistical Learning), Data Mining, Inferência Estatística, Métodos de Decisão, Modelação Estatística, Processos Estocásticos e Simulação (MCMC). Como ferramentas e linguagens de programação serão usados R e Python.

Providenciando a aquisição e desenvolvimento de competências num domínio reconhecido como fundamental e atrativo no panorama técnico-científico da sociedade atual, o mestrado potencia o emprego em todas as áreas onde haja necessidade de tratamento de dados.

Candidate-se aqui

Apresentação

Reproduzir vídeo

Plano de Estudos

1º Semestre
Unidade de FormaçãoECTS
Estatística Aplicada6 ECTS
Estatística Computacional9 ECTS
Inferência Estatística9 ECTS
Processos Estocásticos e Aplicações6 ECTS
2º Semestre
Unidade de FormaçãoECTS
Métodos Estatísticos em Data Mining6 ECTS
Modelos de Aprendizagem Estatística6 ECTS
Data-Driven Decision Making6 ECTS
Modelos Estatísticos Avançados6 ECTS
Simulação6 ECTS
Anual
Unidade de FormaçãoECTS
Dissertação/Projeto/Estágio48 ECTS
1º Semestre
Unidade de FormaçãoECTS
Séries Temporais e Previsão6 ECTS
Sem Período
Unidade de FormaçãoECTS
Opção 16 ECTS

Informações

Duração / ECTS
2 anos / 120 ECTS

Data início
Setembro de 2022 – consultar esta página.

Horário
Diurno

Prazos
Consultar esta página.

Estudante Nacional / Membro da União Europeia

PropinaValor
Integral1500,00€
Até 18 ECTS (parcial)525,00€
Entre 19 e 37.5 ECTS (parcial)1050,90€
Entre 38 e 40.5 ECTS (parcial) *1200,00€
Inscrição em Componentes Não Curriculares **750,00€


Estudante Internacional

PropinaValor
Integral6000,00€
Até 18 ECTS (parcial)2100,00€
Entre 19 e 37.5 ECTS (parcial)4200,00€
Entre 38 e 40.5 ECTS (parcial) *4800,00€
Inscrição em Componentes Não Curriculares **3000,00€


Estudante internacional CPLP

PropinaValor
Integral3300,00€
Até 18 ECTS (parcial)1155,00€
Entre 19 e 37.5 ECTS (parcial)2310,00€
Entre 38 e 40.5 ECTS (parcial) *2640,00€
Inscrição em Componentes Não Curriculares **1650,00€

(*) – Apenas para os estudantes que, tendo cumprido todas as inscrições necessárias à duração do ciclo de estudos, o possam concluir no ano/semestre correspondente a estes limites.

(**) – Inscrição exclusiva em componente não curriculares: Trabalho de investigação e de elaboração da dissertação, tese, estágio ou projeto e respetivos relatórios.

Nota: Atendendo a que não é possível o fracionamento de ECTS nestas componentes, o limite de 37,5 ECTS poderá ser ultrapassado, contando, para efeitos de tempo mínimo para entrega de dissertação, tese, estágio ou projeto e respetivo relatório, o correspondente a duas inscrições em tempo parcial por cada ano curricular.

Condições de acesso:

  • Titulares do grau de licenciado numa das seguintes áreas: Matemática, Ciência dos Computadores, Física, Economia, Engenharia, Biologia e áreas afins ou equivalente legal; 
  • Titulares de um grau académico superior estrangeiro, numa das áreas científicas supracitadas ou áreas afins, correspondente a um 1º CE organizado de acordo com o Processo de Bolonha por um Estado aderente a este Processo;
  • Titulares de um grau académico superior estrangeiro, numa área científica das supracitadas ou áreas afins, reconhecido como satisfazendo os objetivos do grau de licenciado pelo órgão científico estatutariamente competente da instituição de ensino superior (IES) onde pretendem ser admitidos;
  • Detentores de um currículo escolar, científico ou profissional, em qualquer das áreas científicas supracitadas e áreas afins, que seja reconhecido como atestando capacidade para realização deste ciclo de estudos pelo órgão científico estatutariamente competente da IES onde pretendem ser admitidos.
 
Para se candidatar, carregue aqui.

Licenciados ou pós-graduados nas áreas científicas da Matemática, Estatística, Física, Ciência de Computadores, Engenharia, Economia, Biologia e áreas afins.

Contactos

 

Corpo Docente

Joaquim Pinto da Costa
FCUP / CMUP
João Nuno Tavares
FCUP / CMUP / GEMAC
Prof. João Nuno Tavares
João Pedro Pedroso
FCUP / INESC TEC
Margarida Brito
FCUP / CMUP
Margarida Brito
Óscar Felgueiras
FCUP / CMUP
Óscar Felgueiras
Rita Gaio
FCUP / CMUP
Jorge Milhazes de Freitas
FCUP / CMUP
Maria Eduarda Silva
FEP / FCUP
Zélia Rocha
FCUP / CMUP
Zélia Rocha
Previous
Next

Parcerias

A maioria dos docentes do mestrado pertence ao Centro de Matemática da Universidade do Porto (link para https://www.cmup.pt/), um centro de investigação em Matemática de referência no país. Para além das suas atividades de investigação científica, os docentes têm participações em projetos de consultoria do GEMAC – Gabinete de Estatística, Modelação e Aplicações Computacionais (link para https://cmup.fc.up.pt/cmup/gemac/)

 

Em 2020/21, a Fundação Calouste Gulbenkian, através do Programa Gulbenkian Parcerias para o Desenvolvimento, apoiou financeiramente a criação e implementação de um curso de pós-graduação (não conferente de grau) em Estatística Computacional e Análise de Dados pela Universidade de Cabo Verde em associação com a Faculdade de Ciências da Universidade do Porto. A lecionação das unidades curriculares foi assegurada por docentes de ambas as universidades, e no caso da FCUP, por docentes do Departamento de Matemática.

Workshops

Minicurso:
“Introdução à Estatística Bayesiana: Fundamentos, Métodos e Aplicações“

Local e data: Anfiteatro 0.31 do Departamento de Matemática, Faculdade de Ciências da Universidade do Porto
Rua do Campo Alegre s/n, 4169-007 Porto. Tm.: 92 319 27 63.
Datas: 17 de fevereiro de 2020. Horas: 10h-11h30, 11h45-13h, 14h30-16h e 16h30-18h.
Datas: 18 de fevereiro de 2020. Horas: 10h-11h30, 11h45-13h, 14h30-16h e 16h30-18h.
O curso é gratuito mas tem uma capacidade máxima de 30 participantes. A inscrição é obrigatória aqui.
Curso financiado pelo GEMAC e CMUP.
Organização: J N Tavares e Rita Gaio

Resumo:
– Estatística Clássica versus Estatística Bayesiana. Teorema de Bayes e essência da metodologia bayesiana. Ilustrações básicas de procedimentos inferenciais.
– Representação da informação a priori. Distribuições não informativas (Bayes-Laplace e Jeffreys). Distribuições conjugadas naturais. Caraterísticas do paradigma bayesiano.
– Aplicações a problemas com soluções analiticamente exatas ou assintóticas: Análise de modelos lineares gaussianos e de modelos para dados categorizados.
– Inferência por simulação estocástica. Métodos de Monte Carlo tradicionais. Ilustrações com software.
– Avaliação de modelos: Crítica e adequação; seleção e comparação.
– Inferência por métodos de Monte Carlo baseados em Cadeias de Markov (MCMC): Ideias básicas e algoritmos de simulação.
– Implementação ilustrada da inferência bayesiana via MCMC no software OpenBUGS ou JAGS.
– Aplicações a problemas práticos de vários domínios científicos.

Bibliografia fundamental
Paulino, Amaral Turkman, Murteira e Silva (2018), Estatística Bayesiana, 2ª ed.. Fundação Calouste Gulbenkian. Lisboa.
Amaral Turkman, Paulino e Müller (2019). Computational Bayesian Statistics – an Introduction, Cambridge University Press. Cambridge.

Responsáveis pelos Workshops:


Carlos Daniel Paulino

Foi Professor Associado com Agregação do Instituto Superior Técnico (IST) e mantém-se como investigador integrado do Centro de Estatística e Aplicações da Universidade de Lisboa (CEAUL). Obteve os graus de Licenciado em Engenharia Química pelo IST, Mestre em Estatística e Investigação Operacional pela FCUL e Doutor em Ciências Estatísticas pela Universidade de São Paulo, Brasil. Na sua atividade docente lecionou várias disciplinas de licenciatura e pós-graduação abordando variados tópicos tais como Probabilidade e Estatística, Inferência e Decisão Estatística, Estatística Bayesiana, Estatística Matemática, Análise de Dados Categorizados, Análise de Sobrevivência, Estatística Espacial e Teoria Estatística. Publicou vários artigos de investigação de natureza diversa nas áreas de Inferência Estatística, Dados Discretos, Dados Incompletos e Mal-Classificados e Estatística Bayesiana e é coautor de mais seis livros. Homepage.

Giovani Loiola da Silva

É Professor Auxiliar do Departamento de Matemática do Instituto Superior Técnico (IST) e membro integrado do Centro de Estatística e Aplicações (CEAUL), ambos da Universidade de Lisboa. Obteve graduação em Estatística pela Universidade Federal do Ceará – Brasil, mestrado em Estatística do IME, Universidade de São Paulo, doutoramento em Matemática do IST, e concluiu um estágio de pós-doutoramento em Estatística na Simon Fraser University – Canadá. Tem lecionado várias disciplinas de graduação e pós-graduação em instituições brasileiras (e.g., Universidade Federal de São Carlos) e no IST. Publicou vários artigos científicos, nomeadamente nos tópicos de Análise de Sobrevivência, Modelos Espaço-temporais, Modelos Lineares Generalizados, Modelos Aditivos Generalizados, Estatística Computacional e Estatística Bayesiana, e é coautor de três livros. Homepage

Objetivos de Desenvolvimento Sustentável

Em atualização.

O nosso planeta enfrenta enormes desafios económicos, sociais e ambientais. Os ODS sucedem aos Objetivos do Milénio (ODM), alargando os desa­fios que devem ser abordados para erradicar a pobreza e abarcar um vasto leque de tópicos interrelacionados, nas dimensões económica, social e ambiental do desenvolvimento sustentável.

O nosso planeta enfrenta enormes desafios económicos, sociais e ambientais. Os ODS sucedem aos Objetivos do Milénio (ODM), alargando os desa­fios que devem ser abordados para erradicar a pobreza e abarcar um vasto leque de tópicos interrelacionados, nas dimensões económica, social e ambiental do desenvolvimento sustentável.
ODS 2

ERRADICAR A FOME, ALCANÇAR A SEGURANÇA ALIMENTAR, MELHORAR A NUTRIÇÃO E PROMOVER A AGRICULTURA SUSTENTÁVEL
ODS 3

GARANTIR O ACESSO À SAÚDE DE QUALIDADE E PROMOVER O BEM-ESTAR PARA TODOS, EM TODAS AS IDADES
ODS 6

6. GARANTIR A DISPONIBILIDADE E A GESTÃO SUSTENTÁVEL DA ÁGUA POTÁVEL E DO SANEAMENTO PARA TODOS
ODS 7

GARANTIR O ACESSO A FONTES DE ENERGIA FIÁVEIS, SUSTENTÁVEIS E MODERNAS PARA TODOS
ODS 8

PROMOVER O CRESCIMENTO ECONÓMICO INCLUSIVO E SUSTENTÁVEL, O EMPREGO PLENO E PRODUTIVO E O TRABALHO DIGNO PARA TODOS
ODS 9

CONSTRUIR INFRAESTRUTURAS RESILIENTES, PROMOVER A INDUSTRIALIZAÇÃO INCLUSIVA E SUSTENTÁVEL E FOMENTAR A INOVAÇÃO
ODS 11

TORNAR AS CIDADES E COMUNIDADES INCLUSIVAS, SEGURAS, RESILIENTES E SUSTENTÁVEIS
ODS 12

GARANTIR PADRÕES DE CONSUMO E DE PRODUÇÃO SUSTENTÁVEIS
ODS 13

ADOTAR MEDIDAS URGENTES PARA COMBATER AS ALTERAÇÕES CLIMÁTICAS E OS SEUS IMPACTOS
ODS 14

CONSERVAR E USAR DE FORMA SUSTENTÁVEL OS OCEANOS, MARES E OS RECURSOS MARINHOS PARA O DESENVOLVIMENTO SUSTENTÁVEL
ODS 15

PROTEGER, RESTAURAR E PROMOVER O USO SUSTENTÁVEL DOS ECOSSISTEMAS TERRESTRES, GERIR DE FORMA SUSTENTÁVEL AS FLORESTAS, COMBATER A DESERTIFICAÇÃO, TRAVAR E REVERTER A DEGRADAÇÃO DOS SOLOS E TRAVAR A PERDA DE BIODIVERSIDADE

Testemunhos

Yulia Shilyaeva

Working as a researcher in the field of nanotechnologies, I was constantly faced with data analysis tasks, from experimental data interpretation and signal processing to modeling the physicochemical processes and materials' properties. That is why, after my relocation to Portugal, I decided to apply for a Master's Degree in Computational Statistics and Data Analysis (M:ECAD).

This course is perfectly balanced and combines a powerful theoretical mathematical and statistical basis and an impressive practical component aimed at critical thinking, understanding problems, choosing and justifying the solution methods, and their implementation using the various programming languages and environments. These knowledge and skills will be a great addition to any professional background.

Mafalda Oliveira

My objective with this masters degree initially was to continue my studies given that I have a bachelor in mathematics. Although it was its first year of functioning I think the master has a very strong work plan that has its focus on the data analisys combining with mathematical theory that helps understand what's behind all the algorithms and methods provided by the courses.

I was able to fully learn about the applications of data science in a lot of fields, with a direct approach to how the real world works around this subject. Another great aspect about the master is the big variability of experiences from the students that have different backgrounds which allows us to meet people with different perspectives and the classes become a lot more interesting.

Pedido de Informações​

Diretor de Curso: m.ecad.diretor@fc.up.pt
Secção de Pós-Graduação: pos.graduacao@fc.up.pt