Estatística Aplicada e Análise de Dados
Módulo: Módulo 1: Fundamentos da Estatística e Análise Exploratória
- Estatística descritiva para Ciência de Dados
- Aplicações à estatística
- Instrumentos de pesquisa, coleta e análise de dados
Módulo: Módulo 2: Probabilidade, Distribuições e Simulação
- Distribuições binomiais, distribuições Poisson e distribuições normais
- Simulação de Monte Carlo
- Simulação de Monte Carlo aplicada
Módulo: Módulo 3: Inferência Estatística
- Teste de hipóteses e estimação de parâmetros
- Qui-Quadrado e Tabelas de Contingência
- Testes Não Paramétricos
Módulo: Módulo 4: Correlação e Modelos de Regressão
- Cálculos da Regressão dos Mínimos Quadrados
- Regressão Linear Múltipla
- Regressão Logística Binária
Módulo: Módulo 5: Análise de Variância e Planejamento de Experimentos
- ANOVA Multifatorial e Interações
- Planejamento de Experimentos
- ANOVA aplicada em processos produtivos
Módulo: Módulo 6: Análise Multivariada e Previsão
- Modelos de Agrupamento e Modelos de Regressão
- Séries temporais e previsão de demanda com Excel
- Estatística Aplicada a Finanças
Módulo: Módulo 7: Preparação e Visualização de Dados
- Manipulação de dados
- Visualização e análise de dados
- Análise de Dados Utilizando Dashboards
Módulo: Módulo 8: Ferramentas e Inteligência Artificial na Análise de Dados
- Power BI e o uso de IA: comandos e ferramentas
- Análise de Dados com IA: ferramentas de pesquisa e gerenciamento
- Frameworks de visualização de dados
Módulo: Módulo 9: Estatística Aplicada a Processos e à Qualidade
- Ferramentas de Qualidade: Histograma, Diagrama de Correlação, CEP - Controle Estatístico do Processo (Cartas de Controle)
- Testes não paramétricos e Qui-quadrado em casos da produção
- Estudo de regressão com dados de produção
Módulo: Módulo 10: Estatística Aplicada à Saúde, à Educação e às Ciências Sociais
- Estatística aplicada à avaliação educacional
- Técnicas de amostragem e pesquisas por questionário
- Indicadores sociais e bases de dados públicas (IBGE, DATASUS, INEP)
Módulo: Módulo 11: Introdução ao Aprendizado de Máquina
- Técnicas de mineração (regras, clusters, classificação)
- Aplicações práticas com dados reais
- Avaliação de modelos preditivos: validação, métricas e sobreajuste
Módulo: Módulo 12: Programação Estatística e Comunicação de Resultados
- Análise de dados com Python: pandas e bibliotecas estatísticas
- Reprodutibilidade, ética e erros comuns na análise de dados
- Comunicação de resultados estatísticos: relatórios e storytelling com dados
Objetivos
Capacitar o profissional para aplicar métodos de estatística descritiva, probabilidade e inferência na análise de dados em diferentes contextos.
Desenvolver competências para construir e avaliar modelos estatísticos e preditivos, como regressão, ANOVA, séries temporais e técnicas de machine learning, usando ferramentas como Excel, Power BI, R e Python.
Preparar o profissional para interpretar e comunicar resultados de forma clara, ética e reprodutível, transformando dados em informação para a tomada de decisão.
| Duração: 720 horas |
| FORMATO DE OFERTA: Pós-Graduação EAD |
| Público-alvo: Cada unidade de aprendizagem é composta por uma apresentação; um capítulo de livro; uma dica do professor, que poderá ser uma videoaula; 1 quiz com 5 questões de múltipla escolha com o objetivo de promover melhor fixação de cada conteúdo, links e materiais complementares. Observa-se que o quiz não possuem caráter avaliativo, ou seja, não comporão sua nota para a certificação. Como avaliação, cada módulo contará com uma prova de 5 questões de múltipla escolha que valerá 10 pontos, sendo necessário atingir a nota mínima 6 para aprovação. Caso o aluno não obtenha essa nota na primeira tentativa, uma nova chance é disponibilizada. Por fim, se ainda na segunda tentativa o aluno for reprovado, ele poderá realizar uma nova tentativa mediante ao pagamento de uma taxa. |
Este curso é oferecido por:
Credenciamento EAD via Portaria de credenciamento EAD n° 1.048 de 31/05/2023, DOU 02/06/2023