1. Nota de aula
Estude os conceitos, definições, fórmulas, interpretações e perguntas de preparação.
Informações rápidas
Local: Sala 2 — Pavilhão I
Dia e horário: terças-feiras, das 14h35 às 16h15
Professor: Eduardo Bezerra
Canais do curso
Esta página: consulta de materiais e cronograma.
GitHub: notas de aula, notebooks, código e dados.
Microsoft Teams: bilhetes, entregas, avisos e resultados.
Objetivos
A disciplina apresenta conceitos e métodos para realizar inferências sobre características de uma população quando não é possível analisar todos os seus elementos, mas apenas uma ou mais amostras. O curso também busca desenvolver a capacidade de formular, compreender e avaliar modelos estatísticos, relacionando fundamentos matemáticos a aplicações computacionais.
Ementa
Conceitos introdutórios; distribuições amostrais; Teorema do Limite Central e Lei dos Grandes Números; estimação intervalar; testes de hipóteses em uma e duas amostras; análise de variância; teste qui-quadrado; métodos computacionais e não paramétricos; regressão; e inferência causal.
Como estudar
2. Bilhete de entrada
Responda às questões indicadas e envie a atividade pelo Microsoft Teams dentro do prazo.
3. Notebook Jupyter
Execute simulações, visualizações e análises que permitam observar empiricamente os resultados teóricos.
4. Aula presencial
Discuta dúvidas, resolva problemas e analise erros, pressupostos e interpretações.
ler a nota responder aos bilhetes executar o notebook revisar dúvidas
Plano de aulas — 2026.2
Cronograma planejado para encontros às terças-feiras, com início em 4 de agosto de 2026.
| Data | Conteúdo |
|---|---|
| Apresentação do curso | |
| Conceitos iniciais : população, amostra, estimadores, planos amostrais, viés e precisão | |
| Distribuições amostrais , Lei dos Grandes Números e Teorema do Limite Central | |
| Estimação intervalar : intervalo de confiança para média e proporção | |
| Estimação intervalar : determinação do tamanho da amostra | |
| Estimação intervalar : intervalo de confiança para média em amostras pequenas | |
|
Teste 1 — 30 minutos iniciais. Testes de hipóteses : introdução e teste z |
|
| Testes de hipóteses : teste t para uma amostra | |
| Testes de hipóteses : testes t para duas amostras | |
| Análise de variância (ANOVA) | |
| Exercício integrador em laboratório | |
| SEPEX — atividades acadêmicas institucionais | |
| Testes qui-quadrado | |
| Bootstrap | |
| Teste de permutação | |
| Regressão linear | |
| Inferência causal : regressão descontínua e diferença-em-diferenças | |
|
Teste 2 — 30 minutos iniciais. Propensity Score Matching: introdução |
|
| Propensity Score Matching, revisão geral e encerramento | |
| Exame final |
O cronograma poderá sofrer ajustes. Alterações serão comunicadas pelo Microsoft Teams. A semana de provas finais no calendário institucional ocorre de 14 a 19 de dezembro de 2026.
Avaliação e dinâmica
Participação — 30%
Inclui bilhetes de entrada e envolvimento nas atividades presenciais. As quatro menores notas desse componente serão desconsideradas.
Trabalhos — 30%
Dois trabalhos por bimestre, com notebook, código, análise dos resultados e vídeo explicativo.
Teste — 40%
Um teste de múltipla escolha em cada bimestre. A segunda chamada substitui, no máximo, um teste regular.
Entregas
Bilhetes e trabalhos são enviados pelo Teams. Consulte o documento administrativo e os enunciados para regras detalhadas.
Uso responsável de IA
Ferramentas generativas podem apoiar o esclarecimento de conceitos, a revisão de código e a interpretação preliminar de resultados. O estudante, porém, continua integralmente responsável pelo que entrega e deve ser capaz de explicar decisões, hipóteses, código e conclusões.
Princípio recomendado
Use a IA como tutora: explique primeiro o que entendeu, peça que ela identifique lacunas e somente depois refine sua resposta. Não a utilize para substituir o raciocínio estatístico nem para redigir os bilhetes.
Vídeos e leituras
Vídeos TED
- 3 ways to spot a bad statistic — Mona Chalabi
- The best stats you've ever seen — Hans Rosling
- Why you should love statistics — Alan Smith
- Why smart statistics are the key to fighting crime — Anne Milgram