\chead{
      \textbf{
          \begin{Large}
          Universidade Federal de Goi\'as\\
          \end{Large}
      \begin{large}INSTITUTO DE MATEM\'ATICA E ESTATISTICA\end{large}\\
      Campus Samambaia -  74001-970 - Goi\^ania\\
      http://www.ime.ufg.br - (62) 3521 1742 - (62) 3521-1208 - secretaria.ime@ufg.br
      }
}


\begin{center}
  \LARGE{\textbf{Plano de Ensino}}
\end{center}

\PlanSection{01. Dados de Identifica\c{c}\~ao da Disciplina:}
{   
   \begin{center}\begin{small}
      \begin{tabular}{|l|p{5cm}|l|p{5cm}|}
         \hline
         \textbf{Semestre:} & 2026.2 &
         \textbf{Curso:} & Administra\c{c}\~ao
         \\
         
         \hline
         \textbf{Turma:} & A
         &
         \textbf{C\'odigo Componente:} & IME0310
         \\
         
         \hline
         \textbf{Componente:} & \uppercase{Estat\'{\i}stica Descritiva E Probabilidade}
         &
         \textbf{UA Respons\'avel:} & IME
         \\
         
         \hline
         \textbf{Carga Hor\'aria:} & 64
         &
         \textbf{UA Solicitante:} & FACE
         \\
         
         \hline
         \textbf{Te\'orica/Pr\'atica:}
         &
         64/-
         &
         
         \textbf{EAD/PCC:}
         &
         -/-
         \\
         
         
         \hline
         \textbf{Hor\'arios:}
         &
         46N23
         &
         
         \textbf{Docente:}
         &
         Prof(a) Renato Rodrigues Silva
         \\
         
         \hline
      \end{tabular}
   \end{small}\end{center}
}

\PlanSection{02. Ementa:}
{
  Estat\'{\i}stica descritiva. No\c{c}\~oes de amostragem. Conceitos b\'asicos de probabilidade. No\c{c}\~oes de vari\'aveis aleat\'orias discretas. No\c{c}\~oes de vari\'aveis aleat\'orias cont\'{\i}nuas.
}


\PlanSection{03. Programa:}
{
  1. Resumo de dados: tipos de vari\'aveis, distribui\c{c}\~oes de frequ\^encias, principais gr\'aficos para
apresenta\c{c}\~ao 
de dados de vari\'aveis quantitativas e qualitativas.

2. Medidas de posi\c{c}\~ao: m\'edia,
moda e mediana.

3. Medidas de dispers\~ao: amplitude, vari\^ancia, desvio-padr\~ao, coeficiente de
varia\c{c}\~ao, quantis e box plots. 

4. No\c{c}\~oes de amostragem: amostra aleat\'oria simples, amostragem
estratificada, amostragem sistem\'atica, 
amostragem por conglomerados e amostragem de conveni\^encia. 
5. Introdu\c{c}\~ao \`a teoria dos conjuntos: uni\~ao, interse\c{c}\~ao e complementar.

6. No\c{c}\~oes de an\'alise
combinat\'oria: princ\'{\i}pio fundamental da contagem, combina\c{c}\~oes e permuta\c{c}\~oes.

7. Conceitos b\'asicos de
probabilidade: espa\c{c}o amostral, eventos, probabilidade cl\'assica, regras aditivas, 
probabilidade
condicional, eventos independentes, regras multiplicativas, teorema da probabilidade total 
e
teorema de Bayes.

8. Conceitos gerais de vari\'aveis aleat\'orias discretas: defini\c{c}\~ao, distribui\c{c}\~ao de
probabilidades, fun\c{c}\~ao de 
probabilidade, fun\c{c}\~ao de distribui\c{c}\~ao acumulada, esperan\c{c}a, vari\^ancia,
modelo Bernoulli e modelo 
binomial.

9. Conceitos gerais de vari\'aveis aleat\'orias cont\'{\i}nuas:
defini\c{c}\~ao, fun\c{c}\~ao de distribui\c{c}\~ao acumulada, 
esperan\c{c}a, vari\^ancia, modelo uniforme cont\'{\i}nuo, modelo
normal e modelo t-Student. Teorema do limite 
central e a aproxima\c{c}\~ao da binomial pela normal.
}


\PlanSection{04. Cronograma:}
{
  1. Resumo de dados: tipos de vari\'aveis, distribui\c{c}\~oes de frequ\^encias, principais gr\'aficos para
apresenta\c{c}\~ao de dados de vari\'aveis quantitativas e qualitativas. (4 cr\'editos / aula) 

2. Medidas de posi\c{c}\~ao: m\'edia, moda e mediana. (4 cr\'editos / aula) 

3. Medidas de dispers\~ao: amplitude, vari\^ancia, desvio padr\~ao, coeficiente de varia\c{c}\~ao, quantis e box plots. 
(4 cr\'editos / aula) 

4. No\c{c}\~oes de amostragem: amostra aleat\'oria simples, amostragem
estratificada, amostragem sistem\'atica, amostragem por conglomerados e amostragem de conveni\^encia. 
(4 cr\'editos / aula) 


5. Introdu\c{c}\~ao \`a teoria dos conjuntos: uni\~ao, interse\c{c}\~ao e complementar (4 cr\'editos / aula) 

6. No\c{c}\~oes de an\'alise combinat\'oria: princ\'{\i}pio fundamental da contagem, combina\c{c}\~oes e permuta\c{c}\~oes (4 
cr\'editos / aula) 

7. Conceitos b\'asicos de probabilidade: espa\c{c}o amostral, eventos, probabilidade cl\'assica, regras aditivas,
probabilidade condicional, eventos independentes, regras multiplicativas, teorema da probabilidade total
e teorema de Bayes. (16 cr\'editos / aula).

8. Conceitos gerais de vari\'aveis aleat\'orias discretas: defini\c{c}\~ao, distribui\c{c}\~ao de
probabilidades, fun\c{c}\~ao de probabilidade, fun\c{c}\~ao de distribui\c{c}\~ao acumulada, esperan\c{c}a, vari\^ancia,
modelo Bernoulli e modelo binomial. (12 cr\'editos / aula).

9. Conceitos gerais de vari\'aveis aleat\'orias cont\'{\i}nuas: defini\c{c}\~ao, fun\c{c}\~ao de distribui\c{c}\~ao acumulada,
esperan\c{c}a, vari\^ancia, modelo uniforme cont\'{\i}nuo, modelo normal e modelo t-Student. Teorema do limite
central e a aproxima\c{c}\~ao da binomial pela normal. (12 cr\'editos / aula).
}


\PlanSection{05. Objetivos Gerais:}
{
  Aplica\c{c}\~ao e interpreta\c{c}\~ao de conceitos de estat\'{\i}stica descritiva e probabilidade em administra\c{c}\~ao.
}



\PlanSection{06. Objetivos Espec\'{\i}ficos:}
{
  Ao final do curso, pretende-se que o aluno conhe\c{c}a os conceitos de medidas de posi\c{c}\~ao, medidas de 
dispers\~ao, principais gr\'aficos, bem como conceitos b\'asicos de probabilidade.
}


\PlanSection{07. Metodologia:}
{
  As aulas te\'oricas ser\~ao abordadas utilizando-se da exposi\c{c}\~ao no quadro-giz e do uso de computadores.
Em cumprimento \`as diretrizes de integridade pedag\'ogica e cient\'{\i}fica vigentes, declaro que o 
desenvolvimento do material did\'atico da disciplina
contou com o suporte t\'ecnico e operacional do ecossistema de ferramentas de Intelig\^encia Artificial 
Generativa listado a seguir:
- ChatGPT (Modelo GPT-5.6 Luna), desenvolvido pela OpenAI;
- Gemini (Modelo Gemini 3.6 Flash), desenvolvido pela Google DeepMind;
- Gemini Notebook (antigo NotebookLM), desenvolvido pelo Google;
- DeepSeek (Modelo DeepSeek-V4-Flash - Vers\~ao 0731).
Conforme a regulamenta\c{c}\~ao nacional, a utiliza\c{c}\~ao destas m\'ultiplas tecnologias ocorreu de maneira 
complementar e instrumental. Nenhuma das
plataformas substituiu a tomada de decis\~oes intelectuais, metodol\'ogicas e did\'aticas, as quais 
permanecem sob minha exclusiva responsabilidade.
Todo o conte\'udo gerado passou por curadoria rigorosa, revis\~ao cr\'{\i}tica e valida\c{c}\~ao pedag\'ogica humana, 
garantindo a precis\~ao factual e a integridade
autoral do resultado final.
}


\PlanSection{08. Avalia\c{c}\~oes:}
{
  A avalia\c{c}\~ao da disciplina consistir\'a na nota de 2 avalia\c{c}\~oes escritas e um projeto final.
Data da primeira avalia\c{c}\~ao: 23/09/2026 (P1).
Data da segunda avalia\c{c}\~ao: 25/11/2026 (P2).
Data da entrega do projeto: 09/12/2026.
A m\'edia final (MF) ser\'a calculada por meio da seguinte express\~ao: M F = (0, 3)P 1 + (0, 5)P 2 + (0, 2)T 1 , 
em que P1 e P2 s\~ao notas das avalia\c{c}\~oes
formais, T1 \'e a nota do projeto.
Projeto Final: consiste na an\'alise de um conjunto de dados reais, disponibilizado pelo professor em 
formato CSV, com o objetivo de responder a um
problema de interesse na \'area de gest\~ao. O projeto dever\'a contemplar a importa\c{c}\~ao e explora\c{c}\~ao dos 
dados, a obten\c{c}\~ao de estat\'{\i}sticas descritivas, a
realiza\c{c}\~ao de alguns gr\'aficos, conforme os conte\'udos abordados na disciplina.
A entrega dever\'a ser realizada na forma de um relat\'orio, contendo a descri\c{c}\~ao do problema analisado, os 
procedimentos adotados, os principais
resultados obtidos, as interpreta\c{c}\~oes estat\'{\i}sticas e as conclus\~oes do grupo. O relat\'orio dever\'a ser 
acompanhado dos prompts utilizados nas ferramentas
de Intelig\^encia Artificial, de modo a documentar o processo de realiza\c{c}\~ao das an\'alises.
Ser\'a permitido o uso de ferramentas de Intelig\^encia Artificial como apoio \`a realiza\c{c}\~ao das an\'alises e \`a 
elabora\c{c}\~ao dos c\'odigos necess\'arios, desde que
os estudantes compreendam os procedimentos realizados, sejam capazes de justificar as escolhas 
metodol\'ogicas adotadas e interpretem corretamente
os resultados obtidos.
Crit\'erios de avalia\c{c}\~ao do Projeto Final: ser\~ao considerados a correta realiza\c{c}\~ao das an\'alises estat\'{\i}sticas 
propostas, a adequa\c{c}\~ao da metodologia
empregada, a interpreta\c{c}\~ao dos resultados, a clareza e organiza\c{c}\~ao do relat\'orio, a documenta\c{c}\~ao dos 
prompts utilizados, bem como a capacidade do
estudante de explicar e justificar os procedimentos adotados, incluindo aqueles realizados com o aux\'{\i}lio 
de ferramentas de Intelig\^encia Artificial.
Preferencialmente, o trabalho dever\'a ser desenvolvido em grupos de at\'e cinco estudantes. O uso de 
ferramentas de Intelig\^encia Artificial \'e permitido
apenas no desenvolvimento do Projeto Final, conforme descrito anteriormente. Nas avalia\c{c}\~oes formais 
individuais da disciplina (provas e demais
avalia\c{c}\~oes realizadas em sala), o uso de ferramentas de Intelig\^encia Artificial n\~ao ser\'a permitido, salvo 
autoriza\c{c}\~ao expressa do professor. As notas
ser\~ao divulgadas no SIGAA e em sala de aula.
}


\PlanSection{09. Bibliografia:}
{
  \textbf{[1]:} BUSSAB, W. O.; MORETTIN, P. A. Estat\'{\i}stica B\'asica. 6a ed. S\~ao Paulo Saraiva, 2010.

\textbf{[2]:} TRIOLA,
M. F. Introdu\c{c}\~ao \`a Estat\'{\i}stica. 10a ed. Rio de Janeiro LTC, 2008.

\textbf{[3]:} STEVENSON, W. J. Estat\'{\i}stica
Aplicada \`a Administra\c{c}\~ao. S\~ao Paulo Harbra, 1981.


}

\PlanSection{10. Bibliografia Complementar:}
{
  \textbf{[1]:} WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probabilidade e Estat\'{\i}stica para Engenharia
e Ci\^encias. 
8a ed. S\~ao Paulo Pearson, 2009.

\textbf{[2]:} MAGALH\~AES, N. M.; LIMA A. C. P. No\c{c}\~oes de
Probabilidade e Estat\'{\i}stica. S\~ao Paulo Edusp, 2005.

\textbf{[3]:} LARSON, R.; FARBER, B. Estat\'{\i}stica
Aplicada. 2a ed. S\~ao Paulo Pearson Prentice Hall, 2004.

\textbf{[4]:} KAZMIER, L. J. Estat\'{\i}stica Aplicada \`a
Economia e Administra\c{c}\~ao Cole\c{c}\~ao Schaum. S\~ao Paulo Pearson 
Makron Books,1982.

\textbf{[5]:} ANDERSON, D. R.;
SWEENEY, D. J.; WILLIAMS, T. A. Estat\'{\i}stica Aplicada \`a Administra\c{c}\~ao e Economia. 1a 
ed. S\~ao Paulo
Thompson, 2003.


}

\PlanSection{11.  Livros Texto:}
{
   \textbf{[1]:} LARSON, R.; FARBER, B. Estat\'{\i}stica
Aplicada. 2a ed. S\~ao Paulo Pearson Prentice Hall, 2004. (C3)

\textbf{[2]:} LARSON, R.; FARBER, B. Estat\'{\i}stica
Aplicada. 2a ed. S\~ao Paulo Pearson Prentice Hall, 2004. (C3)

\textbf{[3]:} LARSON, R.; FARBER, B. Estat\'{\i}stica
Aplicada. 2a ed. S\~ao Paulo Pearson Prentice Hall, 2004. (C3)
}


\PlanSection{12. Hor\'arios:}
{
   \begin{center}
\begin{small}
\begin{tabular}{lll}
\hline
   \textbf{Dia} & \textbf{Hor\'ario} & \textbf{Sala Distribuida}\\
\hline

   4$^a$ & N2 & 302, CAB (50)\\
   4$^a$ & N3 & 302, CAB (50)\\
   6$^a$ & N2 & 302, CAB (50)\\
   6$^a$ & N3 & 302, CAB (50)\\
\end{tabular}
\end{small}\end{center}

}


\PlanSection{13. Hor\'ario de Atendimento do(a)s Professor(a):}
{
   \begin{small}
\begin{tabular}{ll}
   \textbf{1. } & sexta feira 18:00-18:50, CAB\\
   \textbf{2. } & sexta feira 18:00-18:50, CAB\\
   \textbf{3. } & sexta feira 18:00-18:50, CAB\\
\end{tabular}
\end{small}
}

\PlanSection{14. Professor(a):}
{
   \begin{small}
\begin{tabular}{lll}
   Renato Rodrigues Silva. & Email: renato.rrsilva@ufg.br, & IME\\
\end{tabular}
\end{small}
}




\vspace{0.2cm}

\begin{center}
\underline{\hspace{8cm}}\\\small{Prof(a). Renato Rodrigues Silva}\end{center}