Apolo

Atividade

126714 - Módulo Introdutório

Período da turma:

06/05/2025 a 28/05/2025

Selecione um horário para exibir no calendário:

Descrição:

Fundamentos de Estatística

Estatísticas descritivas; Relação entre variáveis: teste qui-quadrado para variáveis qualitativas, coeficiente de correlação de Pearson; Distribuições de probabilidade de variáveis discretas: uniforme, Bernoulli, binomial, binomial negativa e Poisson; Distribuições de probabilidade de variáveis contínuas: normal e normal padrão, qui-quadrado, t-Student e F-Snedecor; Definições iniciais sobre os testes de hipóteses: tipos de testes, tipos de erros, nível de significância e p-valor; Testes de hipóteses: teste Z para médias de uma amostra, teste t para médias de uma amostra, teste t para correlações, teste qui-quadrado para uma amostra, teste F para comparação de variâncias, intervalo de confiança para a média, teste t para comparação de médias em duas amostras independentes.

BOLFARINE, H.; BUSSAB, W. O. Elementos de amostragem. São Paulo: Edgard Blϋcher, 2005.

BOLFARINE, H.; SANDOVAL, M. C. Introdução à inferência estatística. Rio de Janeiro: Sociedade Brasileira de Matemática, 2001.

DEVORE, J. L. Probabilidade e estatística para engenharia. São Paulo: Thomson Pioneira, 2006.

FÁVERO, LUIZ PAULO; BELFIORE, PATRÍCIA. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier, 2017.

GRANER, E.A. Como Aprender Estatística. Edições Melhoramentos, 1952.

HOFFMANN, R. Estatística para Economistas. 4ª. Edição. Thomson Pioneira, 1980.

MORETTIN, PEDRO A.; BUSSAB, WILTON DE O. Estatística básica. 9ª ed. São Paulo: Saraiva, 2017.

VIEIRA, S. Estatística básica. São Paulo, Cengage Learning, 2012.

TRIOLA, MARIO F. Introdução à estatística. 12ª ed. Rio de Janeiro: LTC, 2017.

Introdução à Programação com Python

Bancos de Dados; observações e variáveis; estruturas longitudinais e transversais; variáveis qualitativas e quantitativas; escalas de mensuração de variáveis; variáveis nominais e ordinais; variáveis métricas; Machine learning e reconhecimento de padrões; conceito de supervisão e não supervisão; técnicas não supervisionadas e relação com escalas de mensuração de variáveis; técnicas supervisionadas e relação com escalas de mensuração de variáveis; casos reais e práticos.

ALBON, C. Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning. O'Reilly Media, 2018.

BEHRMAN, K. R. Fundamentos de Python para Ciência de Dados. Bookman, 2023.

FÁVERO, L. P.; BELFIORE, P. Manual de Análise de Dados: Estatística e Machine Learning Excel, SPSS, Stata, R e Python. GEN, 2024.

FENNER, M. Machine Learning with Python for Everyone. Leanpub., 2018.

GERÓN, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow: Conceitos, Ferramentas e Técnicas para a Construção de Sistemas Inteligentes. Alta Books, 2021.

GRUS, J. Data Science do Zero: Noções Fundamentais com Python. 2 ed. Alta Books, 2021.

HARRISON, M. Machine Learning – Guia de Referência Rápida: Trabalhando com Dados Estruturados em Python. Novatec Editora, 2019.

LAMBERT, K. A. Fundamentos de Python: Estruturas de Dados. Cengage Learning Brasil, 2022.

McKINNEY, W. Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Jupyter. O'Reilly Media, 2022.

MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação Para Iniciantes. 3 ed. Novatec Editora, 2019.

MULLER, A. C.; GUIDO, S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media, 2016.

RASCHKA, S.; MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. 3 ed. Packt Publishing, 2019.

VANDERPLAS, J. Python Data Science Handbook: Essential Tools for Working with Data. Sebastopol, CA: O’Reilly Media, 2016.

Carga Horária:

25 horas

Tipo:

Obrigatória

Vagas oferecidas:

1000

Ministrantes:

Marcos Roberto Luppe
Wilson Tarantin Júnior

voltar