Estatística Aplicada

Técnicas Estatísticas de Predição de Dados
Conceitos Básicos de Estatística:
	Correlação (diagrama de dispersão e correlação de Pearson) e Estimação
Regressão simples:
	Modelo de regressão, método de mínimos quadrados e estimação, e análise de variância. Regressão SimplesI Regressão SimplesII Regressão Simples III
Implementando com R: Introdução a R
Regressão multivariada:
	Modelo de regressão em forma matricial, estimação e testes, análise de variância. Regressão MultiplaI Regressão MultiplaII
Investigando adequação do modelo:
	Análise de resíduo, detecção de observações aberrantes, influentes e pontos de alavanca. Técnicas de Diagnóstico
Investigando variáveis:
	Seleção de variáveis e transformação de variáveis e mínimos quadrados ponderados. Transformação de Variáveis e Mínimos Quadrados Ponderados Seleção de Variáveis Multicolinariedade e AutoCorrelação
Tratamento com variáveis indicadoras: conceito e regressão.
	Regressão com variáveis dummy
Medidas de Validação:
	Análise dos coeficientes do modelo e valores de predição
Modelos Especiais:
	Regressão logística, Regressão Poisson e Modelo linear generalizado. Regressão Polinomial Regressão Não Paramétrica: Regressão Localmente Ponderada e Método de kernel Combinação de Regressores: conceito de Bootstrap e método Bagging. Regressão Não Linear: mínimos quadrados não lineares.
Avaliação da disciplina:
	Seminário Projeto
Referências Bibliográficas
	1- Introduction to Linear Regresssion Analysis: Montgomery, D. C., Peck, E.A. and Vining, G. G., Fourth Edition, Wiley-Interscience, (2006). 2- Multivariate Statistical Modelling Based on Generalized Linear Models: Fahrmeir, L. and Tutz, G., 2nd Edition. Springer, (2001) 3- Regression Analysis by Example, Chatterjee, S., Hady, A. S. , Price, B., 4nd Edition, Wiley, (2006) 4- Estatística para Cursos de Engenharia e Informática Barbetta, P.A.; Reis, M. M. e Bornia, A. C., Editora Atlas, (2004). 5- Introduction to Generalized Linear Models, Dobson, A.J., Chapman and Hall, (2001).