\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:} & Estat\'{\i}stica
         \\
         
         \hline
         \textbf{Turma:} & A
         &
         \textbf{C\'odigo Componente:} & IME0438
         \\
         
         \hline
         \textbf{Componente:} & \uppercase{Modelos De Regress\~ao I}
         &
         \textbf{UA Respons\'avel:} & IME
         \\
         
         \hline
         \textbf{Carga Hor\'aria:} & 96
         &
         \textbf{UA Solicitante:} & IME
         \\
         
         \hline
         \textbf{Te\'orica/Pr\'atica:}
         &
         64/32
         &
         
         \textbf{EAD/PCC:}
         &
         -/-
         \\
         
         
         \hline
         \textbf{Hor\'arios:}
         &
         246T56
         &
         
         \textbf{Docente:}
         &
         Prof(a) Mario Ernesto Piscoya Diaz
         \\
         
         \hline
      \end{tabular}
   \end{small}\end{center}
}

\PlanSection{02. Ementa:}
{
  Modelo de regress\~ao linear simples e m\'ultipla. Modelos de posto incompleto. M\'etodos de
Sele\c{c}\~ao de Vari\'aveis. An\'alise de diagn\'ostico. Modelos com Heterocedasticidade. Multicolinearidade.
Aplica\c{c}\~oes em dados socioambientais, \'etnico-raciais e ind\'{\i}genas.
}


\PlanSection{03. Programa:}
{
  1. Modelo de Regress\~ao Linear Simples (MRLS): Estima\c{c}\~ao dos par\^ametros do modelo, Infer\^encia sobre os 
par\^ametros do modelo, An\'alise residual e Estima\c{c}\~ao; \\
2. Modelo de Regress\~ao Linear M\'ultipla (MRLM): Estima\c{c}\~ao dos par\^ametros do modelo, Infer\^encia sobre 
os par\^ametros do modelo, An\'alise residual, Crit\'erios para sele\c{c}\~ao de modelos. \\
3. Modelos de posto incompleto (ANOVA). \\
4. O problema de Colinearidade: Modelo de regress\~ao Ridge. \\
5. O problema da Heterocedasticidade: Teste de heterocedasticidade de Breusch-Pagan e teste de
White; \\
6. Aplica\c{c}\~oes em dados s\'ocio-ambientais, \'etnico-raciais e ind\'{\i}genas. \\
}


\PlanSection{04. Cronograma:}
{
  \begin{itemize}
\item[1.] Introdu\c{c}\~ao: Modelos Lineares (8 horas/aula)
\item[2.] Modelo de Regress\~ao linear simple e 
multipla Estima\c{c}\~ao de Par\^ametros . 
Infer\^encias sobre os
par\^ametros do modelo. An\'alise de Res\'{\i}duos. (40 
horas/aula).
\item[3.] Criterios para sele\c{c}\~ao de Modelos. 
Verifica\c{c}\~ao das suposi\c{c}\~oes: An\'alise de 
Influ\^encia;
Heterocedasticidade; Multicolinearidade. (20 
horas/aula)
\item[4.] Modelo de Posto Incompleto: Introdu\c{c}\~ao (10 
horas/aula)
\item[5.] Outros desenvolvimentos: Modelo de 
regress\~ao Ridge (10 horas/aula)
\item[6.] Aplica\c{c}\~oes em dados s\'ocio-ambientais; 
\'etnico raciais e ind\'{\i}genas (8 horas/aula)
\end{itemize}
}


\PlanSection{05. Objetivos Gerais:}
{
  Proporcionar ao discente um conhecimento te\'orico-
pr\'atico sobre modelos lineares, suas 
vantagens e limita\c{c}\~oes no uso cotidiano.
}



\PlanSection{06. Objetivos Espec\'{\i}ficos:}
{
  Espera-se que ao finalizar a disciplina, os discentes 
sejam capaces de:
\begin{itemize}
\item Comprender os fundamentos te\'oricos de uma 
an\'alise de regress\~ao
\item Aprender a interpretar os resultados obtidos de 
um modelo de regress\~ao.
\item Desenvolver sentido cr\'{\i}tico para escolher o 
melhor modelo que ajusta os dados.
\end{itemize}
}


\PlanSection{07. Metodologia:}
{
  A disciplina ser\'a desenvolvida segundo o m\'etodo 
tradicional, utilizando ferramentas 
audiovisuais. As
aulas te\'oricas a cargo do professor com a 
participa\c{c}\~ao ativa dos estudantes. Em algumas 
aulas, ser\~ao apresentados casos pr\'aticos com o objetivo de mostrar a rela\c{c}\~ao entre a teoria e a 
pr\'atica.

Nesta disciplina, reconhece-se o potencial das 
ferramentas de Intelig\^encia Artificial (IA) como 
apoio ao ensino e \`a aprendizagem. O professor 
poder\'a utilizar ferramentas de IA para auxiliar na 
elabora\c{c}\~ao de materiais did\'aticos, tais como slides, 
propostas de exerc\'{\i}cios e ideias para atividades 
pedag\'ogicas, com o objetivo de otimizar o 
planejamento das aulas e ampliar as possibilidades 
de explora\c{c}\~ao dos conte\'udos. Os estudantes n\~ao 
poder\~ao utilizar IA em atividades avaliativas. Nas 
demais atividades acad\^emicas, as ferramentas de 
IA poder\~ao ser utilizadas de forma \'etica, cr\'{\i}tica e 
consciente, exclusivamente como apoio 
complementar ao aprendizado, jamais como 
substitutas do racioc\'{\i}nio pr\'oprio ou para a 
realiza\c{c}\~ao integral das atividades propostas. O 
discente dever\'a pautar sua conduta pelo Guia de 
Integridade Acad\^emica da UFG, utilizando a IA 
para gerar ideias, esclarecer d\'uvidas ou apoiar a 
investiga\c{c}\~ao de problemas, sem delegar \`a 
ferramenta a produ\c{c}\~ao integral de conte\'udos. 
Todo material produzido com aux\'{\i}lio de IA dever\'a 
ser revisado pelo discente, validado criticamente e 
confrontado com a bibliografia recomendada na 
disciplina.
}


\PlanSection{08. Avalia\c{c}\~oes:}
{
  Ser\~ao aplicadas tr\^es avalia\c{c}\~oes, provas te\'orico-
pr\'aticas ($P_{1}$ e $P_{2}$, $P_{3}$)

A m\'edia final ser\'a calculada a partir dessas tr\^es notas 
segundo a seguinte f\'ormula:

\begin{center}
M\'edia final = 0,35 $P_{1}$ + 0,35 $P_{2}$ + 0,30 
$P_{3}$
\end{center}

Datas previstas:

\begin{itemize}
\item Prova 1 : 16.09.2026
\item Prova 2 : 21.10.2026
\item Prova 3 : 11.12.2026
\end{itemize}

\textbf{Observa\c{c}\~oes:}
\begin{itemize}

\item[1.] As datas das provas poder\~ao sofrer 
altera\c{c}\~oes que ser\~ao comunicadas com 
anteced\^encia pelo
docente.
\item[2.] A comunica\c{c}\~ao entre o docente e os 
discente ser\'a realizada estritamente 
atrav\'es da conta de
correio eletr\^onico institucional.
\item[3.] Haver\'a provas substitutiva para o aluno que 
perder qualquer das atividades 
avaliativas, com
aus\^encia justificada e tenha solicitado uma segunda 
chamada em at\'e 7 (sete) dias 
ap\'os a data de
realiza\c{c}\~ao da avalia\c{c}\~ao.
\item[4.] O estudante poder\'a solicitar segunda 
chamada de avalia\c{c}\~ao de 
componentes curriculares \`a
unidade acad\^emica ou \`a unidade acad\^emica especial 
respons\'avel pelo componente 
curricular, de forma
remota, at\'e 7 (sete) dias ap\'os a data da realiza\c{c}\~ao da 
avalia\c{c}\~ao.
\item[5.] O discente ser\'a aprovado se a m\'edia final 
(MF) for igual ou superior a 6 (seis) 
pontos e tiver
frequ\^encia igual ou superior a 0,75 da carga hor\'aria 
total da disciplina.
\item[6.] As atividades supervisionadas mencionadas 
no Art. 16 do RGCG ser\~ao 
apresentadas pelo
professor em sala de aula e supervisionadas no 
hor\'ario de atendimento da disciplina.
\item[7.] Os resultados das avalia\c{c}\~oes ser\~ao 
disponibilizados via sistema SIGAA UFG.
\item[9.] Sugere-se fortemente que o discente tenha 
cursado (com aprova\c{c}\~ao) as 
disciplinas de Estat\'{\i}stica
I, \'Algebra Linear,
Probabilidade I, Probabilidade II, Infer\^encia Estat\'{\i}stica 
I e II.
\item [10.] Para assegurar a autoria, a aprendizagem e 
a integridade acad\^emica, o professor poder\'a solicitar 
que o estudante esclare\c{c}a ou justifique, por meio de 
argui\c{c}\~ao oral, as respostas em avalia\c{c}\~oes, sempre que 
houver ind\'{\i}cios de descumprimento das normas 
previstas no Guia de Integridade Acad\^emica da UFG. 
Constatada a ocorr\^encia de fraude acad\^emica, ser\'a 
atribu\'{\i}do nota 0,0 (zero) a atividade e ser\~ao aplicadas 
as medidas cab\'{\i}veis previstas no RGCG e no 
Regimento Geral da UFG
.
\end{itemize}
}


\PlanSection{09. Bibliografia:}
{
  \textbf{[1]:} BELSLEY, A, KUH, E \& WELSCH, R.E. Regression Diagnostics: Identifying Influential Data and
Sources of Collinearity. Ed John Wiley \& Sons, 2004.

\textbf{[2]:} CHARNET, R, BOVINO, H., FREIRE, C. A. L., EUG\^ENIA, M. e CHARNET, R. An\'alise de
Modelos de Regress\~ao Linear com Aplica\c{c}\~oes. Unicamp, 2a ed., 2008.

\textbf{[3]:} MONTGOMERY, D. C., PEC,. E. A. e VINING G. G., Introduction to Linear Regression Analysis,
5$^a$ edi\c{c}\~ao, John Wiley \& Sons, 2012.

\textbf{[4]:} SEBER, G.A.F. e LEE, A.J., Linear Regression Analysis, John Wiley \& Sons, 2003.


}

\PlanSection{10. Bibliografia Complementar:}
{
  \textbf{[1]:} BELSLEY, A, KUH, E \& WELSCH, R.E. Regression Diagnostics: Identifying Influential Data and Sources of 
Collinearity. Ed John Wiley \& Sons, 2004.

\textbf{[2]:} KHURI, A. I. Linear Model Methodology. Chapman Hall Book, 2010.

\textbf{[3]:} NETER J., KUTNER M. H., NACHTSHEIM C. J., WASSERMAN W., Applied Linear Statistical Models, 5a 
edi\c{c}\~ao, MacGraw-Hill, 2004.

\textbf{[4]:} PARDOE, I., Applied Regression Modeling, 2a edi\c{c}\~ao, John Wiley \& Sons, 2012.

\textbf{[5]:} WEISBERG, S. Applied Linear Regression Analysis, 3a edi\c{c}\~ao, Wesley 2005.


}

\PlanSection{11.  Livros Texto:}
{
   \textbf{[1]:} MONTGOMERY, D. C., PEC,. E. A. e VINING G. G., Introduction to Linear Regression Analysis,
5$^a$ edi\c{c}\~ao, John Wiley \& Sons, 2012. (B3)

\textbf{[2]:} SEBER, G.A.F. e LEE, A.J., Linear Regression Analysis, John Wiley \& Sons, 2003. (B4)
}


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

   2$^a$ & T5 & 207, CAA (40)\\
   2$^a$ & T6 & 207, CAA (40)\\
   4$^a$ & T5 & 207, CAA (40)\\
   4$^a$ & T6 & 207, CAA (40)\\
   6$^a$ & T5 & 104, CAA (24)\\
   6$^a$ & T6 & 104, CAA (24)\\
\end{tabular}
\end{small}\end{center}

}


\PlanSection{13. Hor\'ario de Atendimento do(a)s Professor(a):}
{
   \begin{small}
\begin{tabular}{ll}
   \textbf{1. } & Segunda-feira das 13h00 at\'e 14h40, Sala 230 IME\\
\end{tabular}
\end{small}
}

\PlanSection{14. Professor(a):}
{
   \begin{small}
\begin{tabular}{lll}
   Mario Ernesto Piscoya Diaz. & Email: mpiscoya@ufg.br, & IME\\
\end{tabular}
\end{small}
}




\vspace{0.2cm}

\begin{center}
\underline{\hspace{8cm}}\\\small{Prof(a). Mario Ernesto Piscoya Diaz}\end{center}