Estatística Industrial

Conhecimentos de Base Recomendados

Álgebra Numérica Linear, Estatística

Métodos de Ensino

A metodologia de ensino é baseada numa combinação de aulas convencionais onde os temas são motivados e introduzidos, com apoio a diapositivos, software e ilustrações (aulas teóricas) e aulas demonstrativas dos conceitos e da sua implementação computacional (aulas práticas). No decurso das aulas e fora delas, os alunos consolidam os conhecimentos com projetos realizados em grupo onde as ferramentas são aplicadas autonomamente sob supervisão do docente.

Resultados de Aprendizagem

Os objetivos fundamentais de aprendizagem para a unidade curricular desdobram-se em objetivos ao nível da aquisição de conhecimentos técnicos (hard skills) e do desenvolvimento de competências (soft skills). No que respeita à aquisição de conhecimentos técnicos, pretende-se que os alunos: compreendam os pilares funcionais de um sistema da qualidade e a importância que a análise de dados assume em cada um deles; compreendam a diferença entre dados observacionais e dados recolhidos de forma ativa, e as respetivas consequências; reconheçam a importância da análise exploratória de dados e saber como a conduzir recorrendo especialmente a ferramentas gráficas; adquiram know-how nas metodologias de aprendizagem não-supervisionada e de aprendizagem supervisionada lecionadas.  No que respeita ao desenvolvimento de competências, pretende-se que os alunos sejam capazes de: analisar de forma sistemática problemas complexos, trabalhar em equipa e comunicar efetivamente resultados.

Estágio(s)

Não

Programa

1. O planeamento, melhoria, controlo e garantida de qualidade nas organizações
2. Os dados industriais e as suas características
3. Tipologias de problemas na análise de processos industriais
4. Pré-processamento dos dados
5. Visualização multidimensional
6. Aprendizagem não-supervisionada em processos industriais
7. Aprendizagem supervisionada em processos industriais. Soft sensors.
8. Monitorização avançada de processos. Deteção, diagnóstico e prognóstico de falhas.
9. Capacidade de processos
10. Planeamento ótimo de experiências. Quality by Design

Docente(s) responsável(eis)

Marco Paulo Seabra dos Reis

Métodos de Avaliação

Avaliação
Projecto: 50.0%
Exame: 50.0%

Bibliografia

•EMC Education Services (2015). Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Wiley.

•Kenett, R.S. Zacks, D. Amberti (2014). Modern Industrial Statistics: with applications in R, MINITAB and JMP, 2nd Edition. Wiley.

•Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. NY: Springer.

•Eriksson, L., Johansson, E., Kettaneh-Wold, N., & Wold, S. (2001). Multi- and Megavariate Data Analysis – Principles and Applications. Umeå (Sweden): Umetrics AB.

•Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). New York: Springer.

•Han, J., & Kamber, M. (2001). Data Mining - Concepts and Techniques: Morgan Kaufmann.

•Van der Heijden, F., Duin, R. P. W., De Ridder, D., & Tax, D. M. J. (2004). Classification, Parameter Estimation and State Estimation. Chichester: Wiley.