CD305 — Inferência para Ciência de Dados

Ementa, programa e bibliografia da disciplina CD305.

← Voltar para a lista de disciplinas

  • Carga horária: 60 horas
  • Pré-requisito: CD205

Ementa

Amostragem e distribuições amostrais. Estimação pontual e intervalar por métodos dos momentos, máxima verossimilhança e mínimos quadrados. Propriedades dos estimadores. Testes de hipóteses, poder, valor-p e interpretação de resultados. Testes paramétricos e não paramétricos. Análise de variância e regressão linear. Reamostragem, bootstrap e introdução à inferência bayesiana. Noções de inferência causal: associação, predição e causalidade, confundimento, experimentos aleatorizados, dados observacionais, efeitos causais e limites da interpretação causal de modelos estatísticos. Aplicações computacionais em dados reais.

Programa

1. Amostragem e Distribuições Amostrais

  • População e amostra
  • Métodos de amostragem
  • Distribuições amostrais
  • Teorema Central do Limite

2. Estimação Estatística

  • Estimação pontual

  • Estimação intervalar

  • Método dos momentos

  • Máxima verossimilhança

  • Método dos mínimos quadrados

3. Propriedades dos Estimadores

  • Viés
  • Variância
  • Consistência
  • Eficiência

4. Testes de Hipóteses

  • Formulação de hipóteses
  • Erros tipo I e II
  • Poder estatístico
  • Valor-p e interpretação

5. Testes Paramétricos e Não Paramétricos

  • Testes para médias e proporções
  • Testes qui-quadrado
  • Testes não paramétricos básicos

6. Análise de Variância e Regressão

  • ANOVA
  • Regressão linear simples e múltipla
  • Avaliação e interpretação de modelos

7. Reamostragem e Inferência Bayesiana

  • Métodos de reamostragem
  • Bootstrap
  • Conceitos básicos de inferência bayesiana

8. Introdução à Inferência Causal

  • Associação, predição e causalidade
  • Confundimento
  • Experimentos aleatorizados
  • Dados observacionais
  • Efeitos causais
  • Limites da interpretação causal

9. Aplicações Computacionais

  • Implementação computacional de métodos inferenciais
  • Análise de dados reais
  • Visualização e interpretação de resultados

Referências

  • RODRIGUES, Francisco Aparecido. Probabilidade e estatística: teoria, simulação e dados. UICLAP.2026.
  • DEVORE, J. L. Probabilidade e Estatística para Engenharia e Ciências. 9. ed. São Paulo: Cengage Learning, 2018.
  • PEARL, Judea; GLYMOUR, Madelyn; JEWELL, Nicholas P. Causal inference in statistics: A primer. John Wiley & Sons, 2016.