Com este Master contribuirá para o avanço da Estatística Computacional através dos conhecimentos mais exaustivos baseados nas melhores técnicas informáticas e de programação"

Os avanços no domínio da estatística contribuíram para a tomada de decisões exatas e eficazes com base na recolha massiva de dados, na sua análise e nas conclusões daí retiradas. No entanto, se há um elemento que favoreceu consideravelmente a evolução desta ciência, foi a sua ação coordenada com a Computação, graças à qual foi possível automatizar tarefas, otimizar ações e lidar com quantidades desordenadas de informações em poucos segundos. A programação de algoritmos complexos e o design de estruturas de dados estáticas e dinâmicas permitiram aos profissionais desta área trabalhar de forma mais segura e garantida na estimativa de tendências e nas diferentes previsões sociais, económicas e políticas no ambiente atual.

Com base nisto e no nível muito elevado de conhecimentos exigidos neste domínio, a TECH e a sua equipa de especialistas decidiram lançar um programa que permite ao licenciado entrar na Estatística Computacional através de uma visita exaustiva às suas principais áreas. Esta é a origem deste Mestrado, uma experiência académica de 1.500 horas que abrange os mais recentes desenvolvimentos relacionados com a descrição e exploração de dados, com a programação e a utilização dos principais softwares estatísticos (SPSS e R). Além disso, centra-se nas aplicações da Estatística na indústria atual e nos designs de amostragem para diferentes sectores. Por último, destaca as principais técnicas multivariadas para melhorar a qualidade dos resultados e, por conseguinte, da previsão. 

Tudo isto, 100% online e através de um programa concebido por verdadeiros especialistas na matéria, que não só participaram ativamente na elaboração do programa de estudos, como também selecionaram centenas de horas de material adicional variado: casos de utilização, vídeos detalhados, artigos de investigação, leituras complementares e muito mais! Tudo estará disponível no Campus Virtual desde o Início da atividade académica e pode ser descarregado para qualquer dispositivo com conexão à Internet. Desta forma, a TECH oferece uma formação abrangente e flexível, adaptada às necessidades dos seus alunos e aos requisitos mais exigentes do atual mercado de trabalho da Estatística Computacional.

Alcançar a excelência e o mais alto nível profissional não será complicado graças a este programa e ao elevado grau de especialização que adquirirá ao concluí-lo"

Este Master em Estatística Computacional conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Estatística Computacional
• O conteúdo gráfico, esquemático e eminentemente prático com o qual está concebido fornece informações técnicas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Os exercícios práticos onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem
• O seu foco especial em metodologias inovadoras
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre temas controversos e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

Um curso que aborda a Estatística Computacional desde os fundamentos até ao seu tratamento exaustivo, através da aquisição dos conceitos-chave e da utilização dos principais programas informáticos"

O seu corpo docente inclui uma equipa de profissionais do setor que trazem a sua experiência profissional para esta capacitação, bem como especialistas reconhecidos de empresas líderes e universidades de prestígio.

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educativa, irá permitir que o profissional tenha acesso a uma aprendizagem situada e contextual, isto é, um ambiente de simulação que proporcionará uma qualificação imersiva, programada para praticar em situações reais.

O design desta especialização foca-se na Aprendizagem Baseada em Problemas, através da qual o profissional deverá tentar resolver as diferentes situações da atividade profissional que surgem ao longo do curso. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.

Trabalhará no design de algoritmos complexos utilizando as técnicas descritivas mais inovadoras e eficientes do meio computacional atual"

No Campus Virtual encontrará 1.500 horas de conteúdos diversificados, aos quais pode aceder onde e quando quiser, através de qualquer dispositivo com ligação à Internet"

O programa de estudos desta certificação foi elaborado por uma equipa de especialistas no domínio da Informática e da Estatística que, seguindo os rigorosos critérios de qualidade da TECH, selecionaram as informações mais avançadas e completas do sector. Para além disso, foi adaptada à metodologia Relearning, que consiste em reiterar os conceitos mais importantes ao longo do programa, favorecendo uma aprendizagem gradual e progressiva sem necessidade de investir horas extra na memorização. Desta forma, o licenciado frequentará uma formação do mais alto nível académico com a qual, sem dúvida, adquirirá um domínio profissional das ferramentas e técnicas da Estatística Computacional.

Terá um módulo específico dedicado à metodologia Six Sigma, com o qual poderá reduzir defeitos ou falhas na entrega de um produto ou serviço ao cliente/utilizador"

Módulo 1. Descrição e exploração de dados

1.1. Introdução à Estatística

1.1.1. Conceitos básicos da Estatística
1.1.2. Objetivo da análise exploratória dos dados ou Estatísticas descritivas
1.1.3. Tipos de variáveis e escalas de medição
1.1.4. Arredondamento e notação científica

1.2. Resumo de dados estatísticos

1.2.1. Distribuições de frequências: tabelas
1.2.2. Agrupamento em intervalos
1.2.3. Representações gráficas
1.2.4. Diagrama diferencial
1.2.5. Diagrama integral

1.3. Estatística descritiva unidimensional

1.3.1. Características da posição central: média, mediana, moda
1.3.2. Outras características posicionais: quartis, decis e percentis
1.3.3. Características de dispersão: variância e desvio padrão (amostra e população), amplitude, amplitude interquartil
1.3.4. Características de dispersão relativa
1.3.5. Pontuações tipificadas
1.3.6. Características da forma: simetria e curtose

1.4. Complementos no estudo de uma variável

1.4.1. Análise exploratória: diagrama de caixa e outros gráficos
1.4.2. Transformação de variáveis
1.4.3. Outras médias: geométrica, harmónica, quadrática
1.4.4. A Desigualdade de Chebyshev

1.5. Estatística descritiva bidimensional

1.5.1. Distribuições de frequências bidimensionais
1.5.2. Tabelas estatísticas de dupla entrada. Distribuições marginais e condicionais
1.5.3. Conceitos de independência e de dependência funcional
1.5.4. Representações gráficas

1.6. Complementos no estudo de dois variáveis

1.6.1. Características numéricas de uma distribuição bidimensional
1.6.2. Momentos conjuntos, marginais e condicionais
1.6.3. Relação entre medidas marginais e condicionais

1.7. Regressão

1.7.1. Linha de regressão geral
1.7.2. Curvas de regressão 
1.7.3. Ajuste linear
1.7.4. Previsão e erro

1.8. Correlação

1.8.1. Conceito de correlação
1.8.2. Razões de correlação
1.8.3. Coeficiente de correlação de Pearson
1.8.4. Análise da correlação

1.9. Correlação entre atributos

1.9.1. Coeficiente de Spearman
1.9.2. Coeficiente de Kendall
1.9.3. Qui-quadrado

1.10. Introdução às séries cronológicas

1.10.1. Séries temporais
1.10.2. Processo estocástico

1.10.2.1. Processos estacionários
1.10.2.2. Processos não estacionários

1.10.3. Modelos
1.10.4. Aplicações

Módulo 2. Programação

2.1. Introdução à programação

2.1.1. Estrutura básica de um computador
2.1.2. Software
2.1.3. Linguagens de programação
2.1.4. Ciclo de vida uma aplicação informática

2.2. Desenho de algoritmos

2.2.1. Resolução de problemas
2.2.2. Técnicas descritivas
2.2.3. Elementos e estrutura de um algoritmo

2.3. Elementos de um programa

2.3.1. Origem e caraterísticas da linguagem C++
2.3.2. O ambiente de desenvolvimento
2.3.3. Conceito de programa
2.3.4. Tipos de dados fundamentais
2.3.5. Operadores
2.3.6. Expressões
2.3.7. Sentenças
2.3.8. Entrada e saída de dados

2.4. Sentenças de controlo

2.4.1. Sentenças
2.4.2. Bifurcações
2.4.3. Loops

2.5. Abstração e modularidade: funções

2.5.1. Desenho modular
2.5.2. Conceito de função e utilidade
2.5.3. Definição de uma função
2.5.4. Fluxo de execução na chamada de uma função
2.5.5. Protótipo de uma função
2.5.6. Devolução de resultados
2.5.7. Chamada a uma função: parâmetros
2.5.8. Passagem de parâmetros por referência e por valor
2.5.9. Âmbito identificador

2.6. Estruturas de dados estáticos

2.6.1. Matrizes
2.6.2. Matrizes. Poliedros
2.6.3. Pesquisa e ordenação
2.6.4. Cadeias. Funções de E/S para cadeias
2.6.5. Estruturas Uniões
2.6.6. Novos tipos de dados

2.7. Estruturas de dados dinâmicas: ponteiros

2.7.1. Conceito Definição de ponteiro
2.7.2. Operadores e operações com ponteiros
2.7.3. Matrizes de ponteiros
2.7.4. Ponteiros e matrizes
2.7.5. Ponteiros a cadeias
2.7.6. Ponteiros a estruturas
2.7.7. Indireção múltipla
2.7.8. Ponteiros a funções
2.7.9. Passagem de funções, estruturas e matrizes como parâmetros de funções

2.8. Ficheiros

2.8.1. Conceitos básicos
2.8.2. Operações com ficheiros
2.8.3. Tipos de ficheiros
2.8.4. Organização dos ficheiros
2.8.5. Introdução aos ficheiros C++
2.8.6. Gestão de ficheiros

2.9. Recursividade

2.9.1. Definição de recursividade
2.9.2. Tipos de recursividade
2.9.3. Vantagens e desvantagens
2.9.4. Considerações
2.9.5. Conversão recursivo-iterativa
2.9.6. A pilha de recursão

2.10. Testes e documentação

2.10.1. Testes de programas
2.10.2. Teste da caixa branca
2.10.3. Prova da caixa negra
2.10.4. Ferramentas para realizar as provas
2.10.5. Documentação de programas

Módulo 3. Software estatístico I

3.1. Introdução ao ambiente SPSS

3.1.1. Como funciona o SPSS
3.1.2. Criar, listar e remover objetos na memória

3.2. Consola no SPSS

3.2.1. Ambiente de consola no SPSS
3.2.2. Principais controlos

3.3. Modo Script no SPSS

3.3.1. Ambiente Script no SPSS
3.3.2. Principais comandos

3.4. Objetos no SPSS

3.4.1. Objetos
3.4.2. Leitura de dados de um ficheiro
3.4.3. Guardar dados
3.4.4. Geração de dados

3.5. Estruturas de controlo de fluxo de execução

3.5.1. Estruturas condicionais
3.5.2. Estruturas repetitivas/iterativas
3.5.3. Vetores e matrizes

3.6. Operações com objetos

3.6.1. Criação de objetos
3.6.2. Conversão de objetos
3.6.3. Operadores
3.6.4. Como aceder aos valores de um objeto: o sistema de indexação?
3.6.5. Aceder aos valores de um objeto nomeado
3.6.6. Editor de dados
3.6.7. Funções aritméticas simples
3.6.8. Cálculos de matrizes

3.7. Funções em SPSS

3.7.1. Loops e vetorização
3.7.2. Criação de funções próprias

3.8. Gráficos no SPSS

3.8.1. Manipulação de gráficos

3.8.1.1. Abrir vários dispositivos gráficos
3.8.1.2. Disposição de um gráfico

3.8.2. Funções gráficas
3.8.3. Parâmetros gráficos

3.9. Pacotes SPSS

3.9.1. Biblioteca SPSS
3.9.2. Pacotes SPSS

3.10. Estatísticas no SPSS

3.10.1. Um exemplo simples de análise de variância
3.10.2. Fórmulas
3.10.3. Funções genéricas

Módulo 4. Software estatístico II

4.1. Introdução ao ambiente R

4.1.1. Como funciona o R?
4.1.2. Criar, listar e remover objetos na memória

4.2. Consola em R

4.2.1. Ambiente de consola no R
4.2.2. Principais controlos

4.3. Modo Script no R

4.3.1. Ambiente de consola no R
4.3.2. Principais comandos

4.4. Objetos em R

4.4.1. Objetos
4.4.2. Leitura de dados de um ficheiro
4.4.3. Guardar dados
4.4.4. Geração de dados

4.5. Estruturas de controlo de fluxo de execução

4.5.1. Estruturas condicionais
4.5.2. Estruturas repetitivas/iterativas
4.5.3. Vetores e matrizes

4.6. Operações com objetos

4.6.1. Criação de objetos
4.6.2. Conversão de objetos
4.6.3. Operadores
4.6.4. Como aceder aos valores de um objeto: o sistema de indexação
4.6.5. Aceder aos valores de um objeto nomeado
4.6.6. Editor de dados
4.6.7. Funções aritméticas simples
4.6.8. Cálculos de matrizes

4.7. Funções no R

4.7.1. Loops e vetorização
4.7.2. Escrever um programa em R
4.7.3. Criação de funções próprias

4.8. Gráficos em R

4.8.1. Manipulação de gráficos

4.8.1.1. Abrir vários dispositivos gráficos
4.8.1.2. Disposição de um gráfico

4.8.2. Funções gráficas
4.8.3. Comandos de gráfico de baixo nível
4.8.4. Parâmetros gráficos
4.8.5. Os pacotes Grid e Lattice

4.9. Pacotes R

4.9.1. Biblioteca R
4.9.2. Pacotes R

4.10. Estatísticas em R

4.10.1. Um exemplo simples de análise de variância
4.10.2. Fórmulas
4.10.3. Funções genéricas

Módulo 5. Aplicações estatísticas à indústria

5.1. Teoria das filas de espera

5.1.1. Introdução
5.1.2. Sistemas de filas de espera
5.1.3. Medidas de eficácia
5.1.4. O processo de Poisson
5.1.5. A distribuição exponencial
5.1.6. Processo de nascimento e morte
5.1.7. Modelos de filas de espera com um servidor
5.1.8. Modelos com múltiplos servidores
5.1.9. Modelos de filas de espera com capacidade limitada
5.1.10. Modelos de fontes finitas
5.1.11. Modelos gerais

5.2. Introdução dos grafos

5.2.2. Conceitos básicos
5.2.3. Grafos orientados e não orientados
5.2.4. Representações matriciais: matrizes de adjacência e de incidência

5.3. Aplicações de grafos

5.3.1. Árvores: propriedades
5.3.2. Árvores enraizadas
5.3.3. Algoritmo de pesquisa em profundidade
5.3.4. Aplicação à determinação de blocos
5.3.5. Algoritmo de pesquisa em largura
5.3.6. Árvore geradora de peso mínimo

5.4. Estradas e distâncias

5.4.1. Distância em grafos
5.4.2. Algoritmo do caminho crítico

5.5. Fluxo máximo

5.5.1. Redes de transporte
5.5.2. Distribuição do fluxo a um custo mínimo

5.6. Técnicas de avaliação e revisão de programas(PERT)

5.6.1. Definição
5.6.2. Método
5.6.3. Aplicações

5.7. Método do caminho crítico ou da rota crítica (CPM)

5.7.1. Definição
5.7.2. Método
5.7.3. Aplicações

5.8. Gestão de projetos

5.8.1. Diferenças e vantagens entre os Método PERT e CPM
5.8.2. Procedimento para traçar um modelo de rede
5.8.3. Aplicações com duração de atividades aleatórias

5.9. Inventários determinísticos

5.9.1. Custos associados aos fluxos
5.9.2. Custos associados aos stocks ou ao armazenamento
5.9.3. Custos associados aos processos. Planeamento do reabastecimento
5.9.4. Modelos de gestão de inventários

5.10. Inventários probabilísticos

5.10.1. Nível de serviço e stock de segurança
5.10.2. Tamanho ótimo da encomenda
5.10.3. Um período
5.10.4. Vários períodos
5.10.5. Revisão contínua
5.10.6. Revisão periódica

Módulo 6. Desenhos de amostragem

6.1. Considerações gerais sobre amostragem

6.1.1. Introdução
6.1.2. Notas históricas
6.1.3. Conceito de população, quadro e amostra
6.1.4. Vantagens e desvantagens da amostragem
6.1.5. Fases de um processo de amostragem
6.1.6. Aplicações de amostragem
6.1.7. Tipos de amostragem
6.1.8. Desenhos de amostragem

6.2. Amostragem aleatória simples

6.2.1. Introdução
6.2.2. Definição da conceção da amostra MAS (N, n), MASR e parâmetros associados
6.2.3. Estimativa dos parâmetros populacionais
6.2.4. Determinação da dimensão da amostra (sem reposição)
6.2.5. Determinação da dimensão da amostra (com reposição)
6.2.6. Comparação entre amostragem aleatória simples sem e com reposição
6.2.7. Estimativa em subpopulações

6.3. Amostragem probabilística

6.3.1. Introdução
6.3.2. Conceção ou procedimento de amostragem
6.3.3. Estatísticas, estimadores e suas propriedades
6.3.4. Distribuição de um estimador na amostragem
6.3.5. Seleção de unidades sem e com reposição. Probabilidades iguais
6.3.6. Estimação simultânea de variáveis

6.4. Aplicações de amostragem probabilística

6.4.1. Principais aplicações
6.4.2. Exemplos

6.5. Amostragem aleatória estratificada

6.5.1. Introdução
6.5.2. Definição e características
6.5.3. Estimadores em M.A.E(n)
6.5.4. Afectação
6.5.5. Determinação do tamanho da amostra
6.5.6. Outros aspetos do M.A.E

6.6. Aplicações de amostragem aleatória estratificada

6.6.1. Principais aplicações
6.6.2. Exemplos

6.7. Amostragem sistemática

6.7.1. Introdução
6.7.2. Estimativas em amostragem sistemática
6.7.3. Decomposição da variância na amostragem sistemática
6.7.4. Eficiência da amostragem sistemática em comparação com a MAS
6.7.5. Estimativa da variância: amostras replicadas ou interpenetrantes

6.8. Aplicações de amostragem sistemática

6.8.1. Principais aplicações
6.8.2. Exemplos

6.9. Métodos de estimativa indiretos

6.9.1. Métodos de rácio
6.9.2. Métodos de Regressão

6.10. Aplicações de métodos de estimativa indiretos

6.10.1. Principais aplicações
6.10.2. Exemplos

Módulo 7. Técnicas estatísticas multivariadas I

7.1. Análise dos factores

7.1.1. Introdução
7.1.2. Fundamentos da análise de factores
7.1.3. Análise dos factores
7.1.4. Métodos de rotação de factores e interpretação da análise de factores

7.2. Modelação por análise factorial

7.2.1. Exemplos
7.2.2. Modelação em software estatístico

7.3. Análises de componentes principais

7.3.1. Introdução
7.3.2. Análises de componentes principais
7.3.3. Análise sistemática de componentes principais

7.4. Modelação por análise de componentes principais

7.4.1. Exemplos
7.4.2. Modelação em software estatístico

7.5. Análise da correspondência

7.5.1. Introdução
7.5.2. Teste de independência
7.5.3. Perfis de linhas e colunas
7.5.4. Análise da inércia de uma nuvem de pontos
7.5.5. Análise de correspondência múltipla

7.6. Modelação da análise de correspondência

7.6.1. Exemplos
7.6.2. Modelação em software estatístico

7.7. Análises discriminantes

7.7.1. Introdução
7.7.2. Regras de decisão para dois grupos
7.7.3. Classificação de várias populações
7.7.4. Análise discriminante canónica de Fisher
7.7.5. Escolha das variáveis: procedimento Forwrad e Backward
7.7.6. Sistemática da análise discriminante

7.8. Modelação por análise discriminante

7.8.1. Exemplos
7.8.2. Modelação em software estatístico

7.9. Análise de clusters

7.9.1. Introdução
7.9.2. Medidas de distância e de semelhança
7.9.3. Algoritmos de classificação hierárquica
7.9.4. Algoritmos de classificação não hierárquica
7.9.5. Procedimentos para determinar o número adequado de grupos
7.9.6. Caracterização dos clusters
7.9.7. Análise sistemática de clusters

7.10. Modelação por análise cluster

7.10.1. Exemplos
7.10.2. Modelação em software estatístico

Módulo 8. Técnicas estatísticas multivariadas II

8.1. Introdução
8.2. Escala nominal

8.2.1. Medidas de associação para tabelas 2x2

8.2.1.1. Coeficiente Phi
8.2.1.2. Risco relativo
8.2.1.3. Rácio do produto cruzado (Odds Ratio)

8.2.2. Medidas de associação para tabelas IxJ

8.2.2.1. Coeficiente de contingência
8.2.2.2. V de Cramer
8.2.2.3. Lambdas
8.2.2.4. Tau de Goodman e Kruskal
8.2.2.5. Coeficiente de incerteza

8.2.3. O coeficiente Kappa

8.3. Escala ordinal

8.3.1. Coeficientes gama
8.3.2. Tau-b e Tau-c de Kendall
8.3.3. D de Sommers

8.4. Escala de intervalo ou de rácio

8.4.1. Coeficiente Eta
8.4.2. Coeficientes de Correlação de Pearson de Spearman

8.5. Análise estratificada em tabelas 2x2

8.5.1. Análise estratificada
8.5.2. Análise estratificada em tabelas 2x2

8.6. Formulação de problemas em modelos log-lineares

8.6.1. O modelo saturado para duas variáveis
8.6.2. O modelo saturado geral
8.6.3. Outros tipos de modelos

8.7. O modelo saturado

8.7.1. Cálculo dos efeitos
8.7.2. Adequação do ajuste
8.7.3. Teste dos efeitos K
8.7.4. Teste de associação parcial

8.8. O modelo hierárquico

8.8.1. O método Backward

8.9. Modelos de resposta Probit

8.9.1. Formulação do problema
8.9.2. Estimação dos parâmetros
8.9.3. Teste do qui-quadrado de ajuste
8.9.4. Teste de paralelismo para grupos
8.9.5. Estimativa da dose necessária para obter uma determinada taxa de resposta

8.10. Regressão logística binária

8.10.1. Formulação do problema
8.10.2. Variáveis qualitativas na regressão logística
8.10.3. Seleção de variáveis
8.10.4. Estimação dos parâmetros
8.10.5. Adequação do ajuste
8.10.6. Classificação dos indivíduos
8.10.7. Previsão

Módulo 9. Metodologia Six Sigma para a melhoria da qualidade

9.1.  Garantia de qualidade estatística

9.1.1. Introdução
9.1.2. Garantia de qualidade estatística

9.2. Metodologia Six Sigma

9.2.1. Normas de qualidade
9.2.2. Metodologia Six Sigma

9.3. Gráficos de controlo

9.3.1. Introdução
9.3.2. Processo no estado de controlo estatístico e processo fora do estado de controlo
9.3.3. Gráficos de controlo e testes de hipóteses
9.3.4. Base estatística dos gráficos de controlo. Modelos gerais
9.3.5. Tipos de gráficos de controlo

9.4. Outras ferramentas básicas de SPC

9.4.1. Caso prático ilustrativo
9.4.2. O resto dos "Sete Magníficos"

9.5. Gráficos de controlo para atributos

9.5.1. Introdução
9.5.2. Gráficos de controlo para a fração não conforme
9.5.3. Gráficos de controlo do número de não-conformidades
9.5.4. Gráficos de controlo para defeitos

9.6. Gráficos de controlo para Variáveis

9.6.1. Introdução
9.6.2. Gráficos de controlo da média e do intervalo
9.6.3. Gráficos de controlo para unidades individuais
9.6.4. Gráficos de controlo baseados em médias móveis

9.7. Amostragem de aceitação lote a lote por atributos

9.7.1. Introdução
9.7.2. Amostragem de atributos simples
9.7.3. Amostragem de duplo atributo
9.7.4. Amostragem múltipla por atributos
9.7.5. Amostragem sequencial
9.7.6. Inspeção com retificação

9.8. Análise da capacidade do processo e do sistema de medição

9.8.1. Análise da capacidade do processo
9.8.2. Estudos de capacidade dos sistemas de medição

9.9. Introdução à metodologia Taguchi para a otimização de processos

9.9.1. Introdução à metodologia de Taguchi
9.9.2. Qualidade através da otimização dos processos

9.10. Casos práticos

9.10.1. Estudos de casos para os gráficos de controlo de atributos
9.10.2. Estudos de casos para os gráficos de controlo de variáveis
9.10.3. Casos práticos para a amostragem de aceitação lote a lote por atributos
9.10.4. Casos práticos para a análise da capacidade do processo e do sistema de medição
9.10.5. Casos práticos ilustrativos para a introdução à metodologia Taguchi para a otimização de processos

Módulo 10. Técnicas avançadas de previsão

10.1. Modelos gerais de regressão linear

10.1.1. Definição
10.1.2. Propriedades
10.1.3. Exemplos

10.2. Regressão parcial dos mínimos quadrados

10.2.1. Definição
10.2.2. Propriedades
10.2.3. Exemplos

10.3. Regressão de componentes principais

10.3.1. Definição
10.3.2. Propriedades
10.3.3. Exemplos

10.4. Regressão RRR

10.4.1. Definição
10.4.2. Propriedades
10.4.3. Exemplos

10.5. Regressão Ridge

10.5.1. Definição
10.5.2. Propriedades
10.5.3. Exemplos

10.6. Regressão Lasso

10.6.1. Definição
10.6.2. Propriedades
10.6.3. Exemplos

10.7. Regressão Elasticnet

10.7.1. Definição
10.7.2. Propriedades
10.7.3. Exemplos

10.8. Modelos de predição não lineares

10.8.1. Modelos de regressão não lineares
10.8.2. Mínimos quadrados não lineares
10.8.3. Transformação para um modelo linear

10.9. Estimativa de parâmetros num sistema não linear

10.9.1. Linearização
10.9.2. Outros métodos de estimação de parâmetros
10.9.3. Valores iniciais
10.9.4. Software de computador

10.10. Inferência estatística em regressão não linear

10.10.1. Inferência estatística em regressão não linear
10.10.2. Validação da inferência aproximada
10.10.3. Exemplos

Tem perante si a oportunidade perfeita para dar uma volta de 180º na sua carreira e especializar-se numa área em expansão e com expetativas de futuro, como a Estatística Computacional.Vai perder esta oportunidade?