Estatística Prática com Python para Ciência de Dados

Objetivo do Curso

A disciplina tem como objetivo principal apresentar os fundamentos estatísticos para a compreensão das técnicas de Analítica de Dados, assim como aqueles necessários para a construção de uma base sólida necessária para que futuramente, o aluno possa se aprofundar em áreas mais especializadas da Ciência de Dados.

Público-Alvo

O curso se destina a um público multidisciplinar, sem pré-requisitos em estatística ou programação, com formação de nível médio. Inclui profissionais em transição de carreira, analistas e gestores que buscam extrair insights de dados, estudantes que querem complementar suas habilidades, e empreendedores que desejam otimizar seus negócios com dados. Para isso, se fará uso de: marketing digital focado em redes sociais, com anúncios segmentados para perfis interessados em desenvolvimento e análise de dados; divulgação institucional e webinars gratuitos sobre estatística e Python para gerar interesse. Posteriormente, depoimentos de alunos e projetos concluídos servirão como prova social, atraindo novos inscritos. Essa estratégia, combinada com uma proposta de valor alinhada às necessidades do mercado, posicionará o curso para atrair e capacitar um público expressivo, fortalecendo o impacto da universidade na formação de profissionais para a economia digital.

Ementa

Módulo 1 (uma semana): Introdução ao Python e à Estatística Aulas introdutórias de Python, uma das linguagens mais usadas em Ciência de Dados visando o conhecimento básico para o acompanhamento da disciplina. Estatística descritiva e inferencial, população e amostra, parâmetro e estimativa. Tipos de dados. Módulo 2 (duas semanas): Estatística descritiva 1Para organizar e resumir os nossos dados: Medidas de posição, medidas de dispersão, medidas de associação, tabelas de frequência. Medidas de similaridade e transformação da dados. Medidas de posição relativa (quartis, percentis e z-scores). Como interpretar as métricas calculadas. Módulo 3 (duas semanas): Estatística descritiva 2Análise gráfica para visualizar os nossos dados: Histogramas, gráficos de barras, gráficos de pizza, box plots (diagramas de caixa), gráficos de dispersão. Módulo 4 (cinco semanas): Inferência estatística Variáveis aleatórias discretas e contínuas. Distribuições de probabilidade para entender a incerteza dos dados: uniforme, Bernoulli, Binomial, Poisson, Normal, exponencial, t-Student, Qui-quadrado, F. Outliers. Para tirar conclusões a partir de amostras: distribuições amostrais e o TLC, Intervalos de confiança, teste de hipótese e p-valor para a tomada de decisão. Tabelas de contingência e teste Qui-quadrado. Testes de associação. Comparação de populações e análise bivariada de dados qualitativos. Extra: regressão linear simples

---

---