1. Introdução à Programação

a) Instalação do software

b) Elementos de base da linguagem

c) Objetos e sua manipulação

d) Bases de dados e sua manipulação

2. Estuturas de Decisão e de Repetição

a) Estruturas de decisão (se)

b) Estuturas de repetição (para, enquanto, repetir)

3. Implementação de Funções e de Ficheiros Script Codificados

4. Utilização de Ficheiros e de Gráficos

a) Importação e exportação de ficheiros

b) Desenvolvimento de gráficos

5. Tópicos da Computação Científica

a) Exemplos de aplicação em Gestão, Engenharia e Ciências

1 Complementos de probabilidades

– Variáveis aleatórias. Funções de variáveis aleatórias

– Distribuições discretas e contínuas. Família exponencial de distribuições

– Funções geradoras

– Convergências estocásticas e teoremas limite

2. Inferência Estatística Clássica

– Suficiência. Estatísticas suficientes e completas

– Estimação pontual. Métodos de estimação. Propriedades

– Distribuições amostrais

– Estimação intervalar

– Construção de testes de hipóteses. Testes UMP

– Testes de hipóteses sobre parâmetros

– Testes de ajustamento

– Testes não paramétricos

3. Introdução à Estatística Bayesiana

– Metodologia Bayesiana. Estatística Clássica versus Estatística Bayesiana

– Distribuição a priori (não informativas e conjugadas) e a posteriori

– Inferência Bayesiana: estimação pontual e intervalar, testes de hipóteses

4 Análise bivariada

– Tabelas de contingência

– Teste do qui-quadrado

– Medidas de associação e de correlação

1. Preparação dos dados:

– Estrutura

– Importação, exportação, fusão e divisão

– Limpeza

– Valores omissos e outliers

– Manipulação e transformação de variáveis e observações

– Índices e seleção

2. Estatística Descritiva:

– Noções de base

– Quadros de frequência

– Representação gráfica

– Redução de dados

3. Visualização de dados

– Representação de tabelas de frequência

– Análise gráfica de dados univariados, bivariados e multivariados e valores omissos

– Gráficos interativos

– Simulação visual em estatística

1. Introdução aos estudos de mercado

1.1 Definição e classificação de um estudo de mercado

1.2 Exemplos e etapas de um estudo de mercado

1.3 Elaboração de um estudo de mercado

2. Modelo de pesquisa

2.1 Dados primários e dados secundários

2.2 Pesquisa exploratória

2.3 Pesquisa conclusiva

3. Técnicas de amostragem

3.1 Amostragem probabilística

3.2 Amostragem não probabilística

3.3 Dimensão da amostra e erros de amostragem

4. Inquérito por questionário

4.1 Planeamento e conceção do inquérito

4.2 Tipos de questões e de escalas

4.3 Planeamento e estrutura do questionário

4.4 Ferramentas de elaboração de questionários online

5. Concretização de um inquérito

5.1 Elaboração do questionário

5.2 Recolha dos dados

5.3 Organização e tratamento dos dados

5.4 Elaboração e apresentação do relatório

1. Introdução à Análise Multivariada

a) Matrizes de covarâncias e de correlações

b) Distribuição Normal multivariada

c) Teorema do limite central multidimensional

d) Matriz de diagramas de dispersão

2. Análise fatorial

a) Modelo

b) Método das componentes principais

c) Método da máxima verosimilhança

d) Rotação de fatores

e) Avaliação da qualidade do modelo

f) Redução de variáveis na regressão linear

g) Consistência interna

3. Análise de Clusters

a)  Medidas de dissemelhança

b) Dendrograma

c) Métodos hierárquicos

d) Métodos não hierárquicos

4. Análise Discriminante e Classificação

a) Seleção das variáveis discriminantes

b) Função discriminante

c) Classificação por recurso à função discriminante

1. Simulação

– Geração de números pseudo-aleatórios

– Geração de variáveis aleatórias discretas e contínuas

2. Métodos de Monte Carlo em inferência estatística

– Estimação de parâmetros

– Estimação de viés e erro quadrático médio de estimadores

– Estimação do nível de confiança

– Estimação do nível de significância e da função potência de testes de hipóteses

– Comparação do desempenho diferentes procedimentos estatísticos

3. Métodos de Reamostragem

– Bootstrap e Jackknife

– Viés e erro quadrático médio

– Intervalos de Confiança

– Testes de hipótese

4. Estimação máxima verosimilhança e o algoritmo EM

– Método da Máxima verossimilhança

– Recurso a variáveis latentes

– Algoritmo EM (expectation-maximization)

– Exemplos de aplicação

5. Métodos de Monte Carlo baseados em cadeias de Markov (MCMC)

– Algoritmo de Metropolis-Hastings

– Amostrador de Gibbs

6. Aplicações dos métodos em vários contextos

1. Introdução aos processos estocásticos

a. Definições e generalidades

b. Processos estacionários

c. Processos de incrementos independentes e estacionários

 d. Processos de Markov

2.  Cadeias de Markov a tempo discreto

a. Definição e exemplos

b. Matriz das probabilidades de transição e equação de Chapman-Kolmogorov

c. Classificação dos estados da cadeia e comportamento limite

3.  Cadeias de Markov a tempo contínuo

a. Definição e exemplos

b. Probabilidades de transição e equação de Chapman-Kolmogorov

c. Classificação dos estados da cadeia e comportamento limite

4.  Processos de nascimento e morte

a. Definição

b. Solução transiente e existência de distribuição limite

c. Processo de Poisson

d. Filas de espera associadas a processos de nascimento e morte

1. Regressão linear

a) Interpretação e estimação

b) Análise dos pressupostos

c) Inferência sobre os parâmetros

d) Medidas de qualidade/adequação e de comparação de modelos

e) Predição pontual e intervalar

f) Utilização de variáveis artificiais

2. Modelos Lineares Generalizados

a) Função de ligação logit, probit, log-log e complmentar log-log

b) Interpretação e estimação dos modelos

c) Análise dos pressupostos do modelo

d) Inferência sobre os parâmetros

e) Medidas de qualidade/adequação e de comparação de modelos

f) Ponto de corte e a curva ROC

3. Modelos com dados em painel

a) Modelos de efeitos fixos

b) Modelos de efeitos aleatórios

4. Modelos de Equações estruturais

a) Variáveis latentes e indicadores

b) Modelos de medida: modelos reflexivos versus modelos formativos

c) Especificação do modelo estrutural