Material de Aula

• Slides de Apresentação da Disciplina

Próximos Passos:

1. Leia nosso Plano de Curso (no menu lateral).
2. Inscreva-se na turma na plataforma Khan Academy: https://pt.khanacademy.org/join/Z28HZPGS
3. Inscreva-se no servidor Discord da disciplina: https://discord.gg/4jAxBFCZ (canal #prob-estat)

Para a próxima aula:

• Ler o texto https://redesemexame.blogspot.com/2020/09/a-longa-historia-da-ciencia-de-dados.html (discussão na próxima aula)
• Trazer cópia de um dos livros da bibliografia (pode comprar, emprestar na biblioteca etc) (atividade avaliativa: versão impressa = 10,0; versão Digital legal = 10,0; versão Digital pirata = 0,0)

Dica: Acesse o minha biblioteca pela UFPA (https://docs.google.com/forms/d/e/1FAIpQLSd-jNmjpz2xRT9BuUYtXEZ9S0k9t0jq9dqT5FnLseerF1s_Kg/viewform)

Acompanhe suas NOTAS na disciplina

Material de Aula

• Slides de Navegando pelo assunto

Módulos do Khan Academy (até 04/09/2023):

• Probabilidade 
• Contagem, permutações e combinações

Material de Aula:

• Colab 01

No dia 23/03/2023 nos encontramos no LABCOM1 para tirar dúvidas sobre esta atividade.

Para esta tarefa faça:

1. Abra o Ex01 em outra aba e crie uma cópia do exercício em seu Google Drive.
2. Responda as questões editando as seções apropriadas
3. Ao terminar, gere um link de compartilhamento com a opção Comentarista
4. Copie o link e envie-o na atividade abaixo.

Ex01

      

Inicia em 29/08/2023 às 0h 0 e finaliza em 11/09/2023 às 23h 59

Material de Aula:

• Colab 02

Módulos do Khan Academy (até 02/10/2023):

• Modelagem de distribuições de dados
• Variáveis aleatórias

Devido ao professor estar sem voz, fizemos uma atividade para trabalhar o conceito do Teorema de Bayes. Estudamos a Teoria da Investigação Bayesiana. A atividade consiste em:

• Ler o texto https://www.lancaster.ac.uk/stor-i-student-sites/katie-howgate/2021/02/08/a-bayesian-approach-to-finding-lost-objects/
• Deixei disponível um Colab que resume o algoritmo da investigação bayesiana e mostra de onde vêm as fórmulas apresentadas no blog acima.
• Você pode ler/ver outros materiais (textos, vídeos) na Internet
• Sua atividade: Construa, no Google Colab, um material explicando a Teoria da Busca Bayesiana, com  um exemplo. Pode inclusive ser o exemplo mostrado pela autora do blog. Seu material deveria ser similar a um material didático.

      

Inicia em 19/09/2023 às 0h 0 e finaliza em 02/10/2023 às 23h 59

Material de Aula:

• Colab 03

SITEC

SITEC

Material de aula

• Colab 04

Material de Aula:

• Colab 05

Exercícios Selecionados para o Exame A

• Lista 01

Para se preparar ainda mais, sugerimos resolver os exercícios SUPLEMENTARES dos capítulos 2, 3, 4 e 5 do livro do Montgomery. Estes exercícios podem ser encontrados aqui: https://www.dropbox.com/s/ndlyb2f44jvsl2p/Exerc%C3%ADcios%20Complementares.pdf?dl=0

      

Inicia em 05/10/2023 às 0h 0 e finaliza em 10/10/2023 às 23h 59

Solução da Lista de Exercício 01

Material de Aula:

• Colab 06

Material de Aula:

• Colab 07

O problema

Os dados referenciados abaixo mostram o diâmetro de Pizzas medidas na Austrália. A pizzaria EagleBoys afirma que suas pizzas são maiores do que as da pizzaria Dominos. Para provar isso, eles realizaram um conjunto de medições e as publicaram. Normalmente, não é esperado que cada pizza produzida por um restaurante tenha exatamente o mesmo tamanho, mas deve-se esperar algo próximo entre as pizzas produzidas. 

Veja que essa não é apenas uma história engraçada. O gerente de uma pizzaria precisa controlar custos e trazer clientela. Considerando duas pizzas de mesmo sabor, tipo de massa e preço, uma pizza maior significa menor lucro naquela pizza, enquanto que uma pizza menor do que o esperado implica em desagradar o cliente. Parece não haver uma estratégia única para determinar a medida certa para manter seu lucro, e isso dá origem à diferentes abordagens pelas pizzarias. Será que veremos estratégias diferentes nestes dados?

O que fazer?

Agora você vai investigar os dados destas medições. Explore os dados usando o que você aprendeu e anote o que foi observado. Apresente um link de compartilhamento do seu colab, compartilhado para comentários. Ele deve conter código e texto explicativo.

Questões motivadoras

As questões abaixo não são exaustivas, mas apenas um guia. Tente elaborar suas próprias questões ao analisar os dados.

• Que tipos de variáveis temos no conjunto de dados?
• Será que a alegação da pizzaria EagleBoys tem alguma base?
• O tipo de massa (crust, em inglês) ou o sabor (topping, em inglês) impactam no tamanho da pizza?
• Haveria alguma explicação para as diferenças?

Dados

https://github.com/glaucogoncalves/p-e/raw/main/lab-pizza/ujse_a_11889637_sm1111.zip

Mais sobre os dados e o problema

http://jse.amstat.org/v20n1/dunn.pdf

Dicas

• Para decomprimir dados .zip no Colab use !unzip <nome-do-arquivo>
• Os dados são acompanhados de um arquivo explicativo. LEIA-O.

      

Inicia em 26/10/2023 às 0h 0 e finaliza em 06/11/2023 às 23h 59

Material de Aula:

• Colab 08

Atividade: Módulo do Khan Academy (até 13/11/2023):

• Distribuições de amostragens
• Intervalos de confiança

Material de Aula:

• Colab 09

Exercícios de Testes de Hipótese

Módulo do Khan Academy (até 27/11/2023):

• Testes de significância (teste de hipótese) 
• Inferência de duas amostras para a diferença entre grupos 
• Inferência para dados categóricos (testes qui-quadrado)

Material de Aula:

• Colab 10
• https://ioflood.com/blog/python-sort-algorithms/

Material de Aula:

• Colab 11

Lab 02

História

Considere um cenário de irrigação de uma plantação em uma localidade de clima semi-árido, onde é comum haver estiagem de muitos dias, às vezes meses.

Um pequeno produtor deseja saber se sua cisterna de 30.000 litros (que se encontra em sua capacidade máxima) será suficiente para irrigar sua plantação (uma área de 100 m²) pelos próximos 30 dias, assumindo que não irá chover.

Um técnico agrícola forneceu informações da lâmina diária de irrigação (em mm/dia) que costuma ser aplicada sobre esta cultura em situações similares. Os dados se encontram no arquivo irr.csv.

O que fazer?

De posse destes dados e com as ferramentas que conhecemos na disciplina, como podemos responder à pergunta do produtor?

Procure elaborar um colab com sua solução. Organize seu código e use texto explicativo para mostrar as respostas de suas perguntas. Ao final, apresente um link de compartilhamento do seu colab. 

Dados

https://raw.githubusercontent.com/glaucogoncalves/p-e/main/ex01/irr.csv

Dicas

1) Para fazer o download dos dados no colab use !wget https://raw.githubusercontent.com/glaucogoncalves/p-e/main/ex01/irr.csv (o ponto de exclamação não é erro)

2) 1mm de lâmina de irrigação equivale à 1 litro / m².

      

Inicia em 23/11/2023 às 0h 0 e finaliza em 08/12/2023 às 23h 59

Material de Aula:

• Colab 12

Preencha sua autoavaliação

Auto-avaliação

O Exame B será na forma de um projeto. Abaixo estão as duplas com seus respectivos projetos.

• elen / allan - eletronica analogica (simualdo vs real, testes de hipotese unuivariado)
• cristian / gabriel - eletronica analogica (filtro passa alta, regressão)
• kelton / kalil - eletronica analogica (filtro passa alta, regressão)
• mateus / fernanda - escalonadores (tempo de processamento, ANOVA)
• thalia / nicole - redes (analise de pacotes, tempo entre pacotes, descobrir a distribuição)
• luis otavio / ? - renderização de video
• lucas travassos / ? - jogo lol, classificação multivariada
• isaque / lucas uliana - análise das distribuições de pings
• sylvio / mauricio - ????
• giovana / ? - ????

      

Inicia em 05/12/2023 às 0h 0 e finaliza em 14/12/2023 às 23h 59

Como atividade final da disciplina (que é opcional) faremos o seguinte. Realize as atividades no Khan Academy referentes aos módulos abaixo até 20/12/2023. No dia 21/12/2023 irei tomar nota do rendimento de vocês e substituir o valor atualmente presente na planilha no referido módulo. Portanto, se você melhorar seu rendimento ele irá melhorar sua nota, e vice-versa. Esta é uma boa oportunidade para quem deixou de fazer alguns dos módulos abaixo. Em caso de dúvidas, entrar em contato.

(Khan Prob) Probabilidade
(Khan Comb) Contagem, permutações e combinações
(Khan Model Dist) Modelagem de distribuições de dados
(Khan VA) Variáveis aleatórias
(Khan Dist Amos) Distribuições de amostragens
(Khan Int Conf) Intervalos de confiança
(Khan Test Hip) Testes de significância (teste de hipótese)
(Khan Inf Catg) Inferência para dados categóricos (testes qui-quadrado)
(Khan Inf 2 amo) Inferência de duas amostras para a diferença entre grupos