Informações da Disciplina

 Preparar para impressão 

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação


Faculdade de Economia, Administração, Contabilidade e Atuária
 
Administração
 
Disciplina: EAD0756 - Modelos Matemáticos e Estatísticos para Decisão
Mathematical and Statistical Decision Models

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2023 Desativação:

Objetivos
- Reconhecer situações adequadas para aplicação dos modelos de regressão, cluster e regressão logística

- Aplicar as ferramentas estatísticas a situações reais

- Avaliar ajustes dos modelos estatísticos e efetuar correções necessárias

- Criar um plano de análise de dados para situações organizacionais reais
 
 
 
Docente(s) Responsável(eis)
105091 - Adriana Backx Noronha Viana
516012 - Alessandra de Ávila Montini
3532378 - Daielly Melina Nassif Mantovani
 
Programa Resumido
Testes de significância
Correlação
Regressão Linear
Análise de clusters
Regressão Logística binária

Oferecimento: Semi-presencial
 
1. Hypothesis tests 2. Correlations 3. Linear regression 4. Cluster analysis 5. Binary Logistic regression
 
 
Programa
Testes de significância
Testes paramétricos para uma amostra, duas amostras, k amostras
Testes não paramétricos para uma amostra, duas amostras, k amostras

Correlação
Coeficiente de Pearson
Coeficiente de Spearman
Testes de significância para correlações

Regressão linear
Regressão simples
Regressão múltipla

Análise de clusters
Método k-means

Regressão logística binária
Estimação do modelo
Avaliação de ajustes do modelo
 
1. Hypothesis tests Parametric tests for one sample, two samples, k samples Non-parametric tests for one sample, two samples, k samples 2. Correlations Pearson Correlation Spearman Correlation Significance tests for correlations 3. Linear regression Linear regression Multiple regression 4. Cluster analysis K-means method 5. Binary logistic regression Model estimation Model goodness of fit
 
 
Avaliação
     
Método
Avaliação individual e atividades extraclasse. Trabalhos em grupo. Participação em classe.
Critério
O aluno terá direito a recuperação se obter média final entre 3,0 (três e zero) e 4,9 (quatro e nove) e no mínimo 70% de frequência.
Norma de Recuperação
O aluno será submetido a uma avaliação cuja nota terá peso de 50% na média final.
 
Bibliografia
     
Bibliografia Básica
•Anderson et al. – Estatística Aplicada à Administração e Economia, 2ª. Edição, Editora Cengage, 2007
•Ayres, Ian. Super Crunchers: Why thinking by numbers is the new way to be smart. Ed. Bantan
•Bruce, P; Bruce, A; Gedeck, P. Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python. 2nd edition. O'Reilly Media, 2020.
•Field, Andy; Miles, J; Field, Z. Discovering statistics using R. Sage Publications, 2012.
•Lantz, Brett. Machine learning with R: expert techniques for predictive modeling. Packt publishing ltd, 2019.
•Silver, N. O Sinal e o Ruído: Porque tantas previsões falham, mas algumas não. Ed. Intrinseca
•Webstar, A.L. Estatística Aplicada à Administração e Economia. Editora McGraw Hill, 2007
•Wonnacott, T., Wonnacot, R. Introductory Statistics for Business and Economics, Wiley, 4a. ed

Bibliografia Complementar
•Cotton, R. Learning R: A Step-by-Step Function Guide to Data Analysis 1st Edition, O'Reilly Media, 2013.
VanderPlas, J. Python Data Science Handbook: Essential Tools for Working with Data 1st Edition, O'Reilly Media, 2017.
•Wickham, H. Advanced R, Second Edition, Chapman and Hall/CRC, 2019.

 

Clique para consultar os requisitos para EAD0756

Clique para consultar o oferecimento para EAD0756

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP