TRF 2ª Região (RJ/ES) - Tribunal Regional Federal da 2ª Região - Analista Judiciário, Área Apoio Especializado - Estatística (Módulo-Especial)

1. Curso baseado no Edital Nº 1, DE 10 DE ABRIL DE 2024
2. Serão abordados os tópicos relevantes (não necessariamente todos) a critério do professor.
3. Carga horária prevista: 672 videoaulas, aproximadamente.
4. Material de apoio personalizado:
- audioaulas;
- degravações (produzido e organizado em conformidade com cada videoaula);
- slides para acompanhamento das videoaulas.
5. Não serão ministrados: Em Conhecimentos Específicos: 2.10. Distribuição de probabilidade para variáveis aleatórias contínuas (função densidade de probabilidade e função distribuição acumulada de probabilidade) para: normal, t de Student, qui-quadrado, exponencial, Weibull, gama, uniforme, F de Snedecor; 2.11. Esperança e variância de variáveis aleatórias; 2.12. Lei dos grandes números; 2.13. Teorema central do limite; 2.14. Variáveis aleatórias multidimensionais (vetores aleatórios); 2.15. Esperança, matriz de covariância e matriz de correlação de variáveis aleatórias multidimensionais (vetores aleatórios); 2.16. Distribuição de probabilidade condicional; 2.17. Independência de variáveis aleatórias. 3.3. Função de verossimilhança; 3.4. Estimação pontual: Método da Máxima Verossimilhança, Método dos Momentos e Estimador Uniformemente de Mínima Variância (UMVU); 3.6. Propriedades de estimadores: viés ou vício, variância, erro quadrático médio, suficiência, consistência, eficiência, invariância dos estimadores de máxima verossimilhança; 3.8. Teste de hipóteses não paramétricos: teste de Mann-Whitney, teste de Wilcoxon, teste de Kruskal-Wallis, teste qui-quadrado de homogeneidade e de independência, teste de McNemar; 3.10. Inferência bayesiana: distribuição a priori, distribuição a posteriori, intervalos de credibilidade, algoritmo de Metropolis-Hastings e amostrador de Gibbs. 5. Modelos de regressão lineares: 5.1. Regressão linear simples e múltipla; 5.2. Estimação dos parâmetros (coeficientes) de um modelo linear por mínimos quadrados ordinários e por máxima verossimilhança; 5.3. Interpretação dos coeficientes do modelo; 5.4. Teste de hipóteses para os coeficientes do modelo: Teste t de Student e Teste F (ANOVA); 5.5. Avaliação da qualidade do modelo ajustado: coeficiente de determinação R2 e critérios de informação: AIC, BIC e HQ; 5.6. Suposições do modelo de regressão linear: linearidade, independência dos resíduos, homocedasticidade, normalidade dos resíduos e multicolinearidade. Modelos lineares generalizados: 6.1. Função de ligação; 6.2. Regressão logística: razão de chances; 6.3. Regressão de Poisson; 6.4. Teste de hipóteses para os coeficientes do modelo: teste Z e teste da razão de verossimilhança; 6.5. Avaliação: deviance e critérios de informação. Séries temporais: 7.1. Componentes da série temporal: tendência, sazonalidade, ciclo e aleatória; 7.2. Modelos de suavização (alisamento): médias móveis e suavização (alisamento) exponencial; 7.3. Função de autocorrelação (ACF) e função de autocorrelação parcial (PACF); 7.4. Séries estacionarias e não estacionárias: diferenciação e transformação; 7.5. Modelos autoregressivos integrados de médias móveis (ARIMA): identificação, estimação e previsão. Análise multivariada: 8.1. Redução de dimensionalidade: análise de componentes principais e análise fatorial; 8.2. Medidas de distância: distância euclidiana, distância manhattan, distância de Mahalanobis; 8.3. Análise de agrupamento: hierárquico e não hierárquico; 8.4. Análise de correlação canônica. Recursos computacionais: 9.1. Conceitos básicos de R: vetores, matrizes, listas, dataframes, funções e estruturas de controle; 9.2. Conceitos básicos de Python: listas, tuplas, dicionários, funções e estruturas de controle; 9.3. Conceitos básicos de SQL: consultas, filtragem de dados, agrupamento de dados, ordenação de dados, junção de tabelas (joins). 10.Código de Ética Profissional do Estatístico. 
6. Serão ministradas somente as videoaulas relacionadas no informativo. Portanto, os demais conteúdos mesmo constando no edital, não serão ministrados.

Nas aulas de Sprint Final serão ministradas aulas da parte de Conhecimentos Comuns

AULAS EM PDF AUTOSSUFICIENTES:

1. Conteúdo produzido por mestres especializados na leitura como recurso didático completo.
2. Material prático que facilita a aprendizagem de maneira acelerada.
3. Exercícios comentados.
4. Não será ministrado Aula Essencial 80/20
5. Não será ministrado em PDF:

Conhecimentos básicos: Código de Conduta dos servidores da Justiça Federal (Resolução nº 147/2011, do Conselho da Justiça Federal).2. Conceito de Desenvolvimento Sustentável (Relatório Brundtland). 3. Agenda Ambiental da Administração Pública (A3P), do Ministério do Meio Ambiente e Mudança do Clima (antigo Ministério do Meio Ambiente). 4. Competências das unidades socioambientais no Poder Judiciário e Plano de Logística Sustentável (Resolução CNJ nº 400/2021).

Conhecimentos específicos: 3.8. Teste de hipóteses não paramétricos: teste de Mann-Whitney, teste de Wilcoxon, teste de Kruskal-Wallis, teste qui-quadrado de homogeneidade e de independência, teste de McNemar; 3.9. Erro Tipo I e Erro Tipo II; 3.10. Inferência bayesiana: distribuição a priori, distribuição a posteriori, intervalos de credibilidade, algoritmo de MetropolisHastings e amostrador de Gibbs. 10. Código de Ética Profissional do Estatístico. 9. Recursos computacionais: listas, dataframes, funções e estruturas de controle; dicionários, funções e estruturas de controle; filtragem de dados, agrupamento de
dados, ordenação de dados, junção de tabelas (joins).