📚 Ensino normal 2022.1

1. INTRODUÇÃO AO PROGRAMA R:
   • Sintaxe e semântica
   • Como o R trabalha
   • Objetos
   • Importação e manipulação de dados
2. DOCUMENTAÇÕES EM R
   • Introdução ao Markdown e RMarkdown
   • Como desenvolver relatórios de seus scripts
   • Sincronizando projetos RStudio com o GitHub
   • Criando relatórios para a disciplina Estatística Computacional
3. PROBABILIDADE NO R:
   • Conceitos básicos sobre distribuições de probabilidade
   • Distribuições de probabilidade:
     • Distribuição Bernoulli
     • Distribuição Binomial
     • Distribuições Poisson
     • Distribuição Geométrica
     • Distribuições Negativa
     • Distribuição Multinomial
     • Distribuição Normal
     • Distribuição Uniforme
     • Distribuição Exponencial
     • Distribuição Gama
     • Distribuição Gumbel
     • Distribuição Weibull
     • Distribuição t de Student
     • Distribuição Qui-quadrado
     • Distribuição F

• Distribuições amostrais
• Teorema do limite central
• Gerador de números aleatórios
• Aproximações de distribuições

4. ESTATÍSTICA BÁSICA NO R:
   • Estatísticas descritivas
   • Estimação de parâmetros:
     • Estimação de parâmetros
     • Estimação de Médias, Desvio Padrão e Variâncias
     • Estimação de Coeficientes de Variação
     • Diferença entre duas Médias Independentes
     • Estimação da Diferença de Duas Médias em dados Emparelhados
   • Testes de hipóteses:
     • Teste sobre Médias
     • Teste sobre Médias de duas populações Emparelhadas
     • Teste sobre Médias de duas populações independentes
     • Teste de normalidade
5. REGRESSÃO LINEAR:
   • Método dos Quadrados Mínimos
   • Um exemplo de Regressão
   • A função lm()
   • Seleção de modelos
   • Diagnóstico em Regressão Linear:
     • Análise de resíduos
     • Influência no espaço de variáveis preditoras
     • Influência no vetor de estimativas dos parâmetros
     • Influência no Vetor de Valores preditos
     • Comandos no R
6. ANÁLISE DE VARIÂNCIA:
   • Introdução a Análise de variância
   • A função aov()
   • Delineamento experimentais
   • Delineamento de tratamentos
   • Modelos lineares com mais de um erro
   • Modelos lineares multivariados
7. NOÇÕES DE SIMULAÇÃO:
   • Introdução
   • Método Monte Carlo
   • Métodos Bootstrap e jacknife
   • Métodos MCMC: Ideias básicas
   • Algoritmo de Metropolis-Hastings
   • Amostrador de Gibbs
8. OTIMIZAÇÃO:
   • Introdução
   • Estimação de funções
   • Maximização/Minimização de funções
   • Método Newton-Raphson
   • Quadratura numérica
   • Paralelismo no R

As aulas seguirão um modelo de metodologia ativa baseado nas coreografias didáticas. Criaremos um cenário em que o propagador de conhecimento também seja feito por parte do aluno. Ele será o protagonista. Dessa forma, traremos métodos de aprendizagem do tipo “ensinar por aprender”, criaremos mapas mentais (https://app.lucidchart.com) para nossas aulas, dentre outras técnicas, para que nesse momento fique mais claro e objetivo o assunto proposto.

Nossas aulas estão disponíveis pelos canais do youtube (http://youtube.com/bendeivide), portal didático da disciplina, repositório GitHub (http://github.com/bendeivide), alocaremos nas páginas (http://ufsj.edu.br/bendeivide e http://bendeivide.github.io/), facebook (Ben Deivide), e instagram (@bendeivide).

Nossas aulas terão 4 (quatro) horas semanais de aulas, e 2 (duas) horas de aulas teóricas e 2 (duas) horas de aulas práticas, totalizando em 36h de aulas teóricas e 36h de aulas práticas, um total de 72h. Estas últimas serão destinadas a dúvidas e resolução de exercícios. Usaremos também o canal do youtube (lives), como também o google Meet. Os horários das lives, acordaremos com os alunos, para que marquemos um horário em que grande maioria possa comparecer. De toda forma, gravaremos essas aulas, para que os demais possam também assisti. Todas as demais informações serão repassadas na primeira semana de aula.

Irei utilizar diversas ferramentas do google como os seus editores de textos, planilhas e apresentadores. Também utilizaremos o overlief para usuários de LaTeX. Com a linguagem R, mostraremos documentos dinâmicos, usando o R Markdown e o shiny, também para o desenvolvimento de materiais didáticos, quanto para as atividades com os alunos. Todas essas ferramentas tecnológicas são gratuitas e de fácil instalação para os alunos, uma vez que darei todo o suporte para os alunos, de forma que estejam capacitados a utilizar todas as ferramentas quando necessário.

• 1ª Avaliação - Relatórios referentes as Seções 1, 2 e 3 - 30 pontos
• 2ª Avaliação - Relatórios referentes as Seções 4, 5 e 6 - 30 pontos
• 3ª Avaliação - Relatórios referentes as Seções 7 e 8 - 40 pontos

A nota final do aluno será dada pela soma das notas das atividades avaliativas divididas por 10. Para ser aprovado o aluno deverá obter nota final maior ou igual a 60 pontos. O discente que não for aprovado por nota poderá fazer uma avaliação substitutiva, incluindo todo o conteúdo da disciplina, que substituirá a menor nota dentre as três avaliações. As datas das avaliações são informadas na primeira semana de aula.

Na metodologia aprender por ensinar, poderemos destinar atividades também pedindo aos alunos que explanem sobre determinado tema específico para determinada aula. Para estes, as atividades da semana serão dispensadas, e atribuídas as notas para a devida atividade da semana, proporcional ao seu desempenho, de exposição do tema, material utilizado para a apresentação, e concordância com o assunto estudado.

• BATISTA, BDO; OLIVEIRA, DABJ; ALVES, HJP. Estudando o Ambiente R. 1. ed. Ouro Branco: [sn], 2022. 1 v. Disponível em https://bendeivide.github.io/book-eambr01/.
• BATISTA, BDO; OLIVEIRA, DABJ; ALVES, HJP. Estatística & Probabilidade: aplicadas às Engenharias e Ciências. 1. ed. Ouro Branco: [sn], 2022. Disponível em https://bendeivide.github.io/book-epaec/.
• BATISTA, BDO. Estatística Computacional: aplicada às Engenharias e Ciências. 1. ed. Ouro Branco: [sn], 2022. Disponível em https://bendeivide.github.io/book-estcomp/.
• FERREIRA, DF. Recursos Computacionais Utilizando R: 1ed. Lavras: UFLA, 2013. Disponível em: https://des.ufla.br/~danielff/meusarquivospdf/RRC0.pdf.
• FERREIRA, DF. Estatística Computacional Utilizando R: 1ed. Lavras: UFLA, 2014. Disponível em: https://des.ufla.br/~danielff/meusarquivospdf/apeco.pdf.
• R DEVELOPMENT CORE TEAM. R: A Language and Environment for Statistical Computing. Vienna, Austria, 2022. Disponível em: http://www.R-project.org/

• Modelo de Arquivo em power point
• Resultado em vídeo
• Os programas necessários:
  • Editor de Slides: o MS Power Point (Instalado previamente no Windows); LibreOffice;
  • Gravador de tela e de seu áudio: OBS Studio OBS.: Os programas são esses. Qualquer dúvida, favor me procurar.

• Dúvidas de como desenvolver, faça uso dos buscadores na internet, vídeo-aulas, etc. Há muito material interessante na internet;
• Modelo

• Dúvidas de como desenvolver, faça uso dos buscadores na internet, vídeo-aulas, etc. Há muito material interessante na internet;
• Modelo

Tema: Apresentação do curso

Apresentação: Aula 01

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Aula de apresentação

Tema: Introdução ao ambiente R

Apresentação: Aula 02

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Introdução ao ambiente R

Tema: Objetos em R

Tema: Pacotes

Tema: Importação e manipulação de dados

Tema: Documentações em R (Visão geral ao Markdown e RMarkdown)

Apresentação: Aula 06

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Visão Geral ao Markdown e RMarkdown

Tema: Introdução ao Markdown

Apresentação: Aula 07

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Introdução ao Markdown

Tema: Introdução ao RMarkdown

Apresentação: Aula 08

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Introdução ao RMarkdown

Tema: Sincronizando projetos RStudio com o GitHub

Apresentação: Aula 09

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Conceitos básicos sobre distribuições de probabilidade

Apresentação: Aula 10

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Distribuições de probabilidade

Apresentação: Aula 11

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Distribuições amostrais e TLC

Apresentação: Aula 12

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Aula12.R

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Aproximações de distribuições e geradores de números aleatórios

Apresentação: Aula 13

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• <i class="fab fa-r-project  pr-1 fa-fw"></i>  aula13.R  

• <i class="fa fa-file-pdf  pr-1 fa-fw"></i>  Quadratura Gauss-Legendre  

• <i class="fa fa-file-pdf  pr-1 fa-fw"></i>  Apresentação sobre Quadratura Gauss-Legendre  

• Dissertação (Ben Dêivide)

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Estatística Básica no R - Estatística descritiva

Apresentação: Aula 14

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Estatística Básica no R - Estimação de parâmetros

Apresentação: Aula 15

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Estatística Básica no R - Teste de hipóteses (Parte I)

Apresentação: Aula 16

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Tema: Estatística Básica no R - Teste de hipóteses (Parte II)

Apresentação: Aula 17

Tempo: 1h 50min.

Podcast

Plano de aula

Material de apoio

• Curso (Nível Básico)
• Curso (Nível Intermediário)
• Playlist da disciplina de Estatística e Probabilidade

Acessem: Avaliação e Cronograma

Acesse o canal: https://youtube.com/bendeivide