\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:} & 2026.1 &
         \textbf{Curso:} & Estat\'{\i}stica
         \\
         
         \hline
         \textbf{Turma:} & A
         &
         \textbf{C\'odigo Componente:} & IME0402
         \\
         
         \hline
         \textbf{Componente:} & \uppercase{Estat\'{\i}stica Computacional}
         &
         \textbf{UA Respons\'avel:} & IME
         \\
         
         \hline
         \textbf{Carga Hor\'aria:} & 64
         &
         \textbf{UA Solicitante:} & IME
         \\
         
         \hline
         \textbf{Te\'orica/Pr\'atica:}
         &
         32/32
         &
         
         \textbf{EAD/PCC:}
         &
         -/-
         \\
         
         
         \hline
         \textbf{Hor\'arios:}
         &
         46T56
         &
         
         \textbf{Docente:}
         &
         Prof(a) Marta Cristina Colozza Bianchi Da Costa
         \\
         
         \hline
      \end{tabular}
   \end{small}\end{center}
}

\PlanSection{02. Ementa:}
{
  M\'etodos para gerar vari\'aveis aleat\'orias. Estima\c{c}\~ao de densidades utilizando kernel. Algoritmos de otimiza\c{c}\~ao aplicados em infer\^encia. M\'etodos de Monte Carlo para integra\c{c}\~ao e em infer\^encia. M\'etodos Bootstrap em infer\^encia.
}


\PlanSection{03. Programa:}
{
  1. M\'etodos para gerar vari\'aveis aleat\'orias: M\'etodos da transformada inversa, caso cont\'{\i}nuo e
discreto. M\'etodo da aceita\c{c}\~ao/rejei\c{c}\~ao, M\'etodos de Transforma\c{c}\~ao de Vari\'aveis. Simular
distribui\c{c}\~oes multivariadas. \\
2. Estima\c{c}\~ao de densidades utilizando kernel: Histograma como estimador de densidade n\~ao
param\'etrica, Regra de Sturges, Regra de Scott. Estima\c{c}\~ao de densidade n\~ao param\'etrica kernel.
Fun\c{c}\~oes kernel. \\
3. Algoritmos de otimiza\c{c}\~ao aplicados em infer\^encia: Newton-Raphson e outros. \\
4. M\'etodos de Monte Carlo para integra\c{c}\~ao e em infer\^encia: Integral de Monte de Carlo, 
Estima\c{c}\~ao do erro quadr\'atico m\'edio, do erro Tipo I e do poder do teste via Monte Carlo. \\
5. M\'etodos Bootstrap em infer\^encia: Bootstrap, Intervalos de Confian\c{c}a Bootstrap e Jacknife.
}


\PlanSection{04. Cronograma:}
{
  Apresenta\c{c}\~ao do plano de ensino - 2 horas aulas \\
M\'etodos para gerar vari\'aveis aleat\'orias - 12 horas aulas \\
Estima\c{c}\~ao de densidades utilizando kernel - 8 horas aula \\
Algoritmos de otimiza\c{c}\~ao aplicados em infer\^encia - 10 horas aula \\
M\'etodos de Monte Carlo para integra\c{c}\~ao e em infer\^encia - 14 horas aula \\
M\'etodos Bootstrap em infer\^encia - 10 horas aula \\
Espa\c{c}o das profiss\~oes - 2 horas aula \\
Avalia\c{c}\~ao - 6 Aulas \\
}


\PlanSection{05. Objetivos Gerais:}
{
  Ao final da disciplina, espera-se que o estudante seja capaz de:\\
C1 – Modelagem Computacional em Estat\'{\i}stica: Implementar algoritmos estat\'{\i}sticos em linguagem R 
para resolver problemas inferenciais.\\
C2 – Pensamento Estat\'{\i}stico Computacional: Compreender como m\'etodos computacionais podem ser 
utilizados para investigar propriedades estat\'{\i}sticas.\\
C3 – Simula\c{c}\~ao Estat\'{\i}stica: Desenvolver estudos de simula\c{c}\~ao para avaliar desempenho de estimadores e 
testes.\\
C4 – An\'alise Cr\'{\i}tica de M\'etodos Estat\'{\i}sticos: Interpretar resultados obtidos via simula\c{c}\~ao e 
reamostragem.\\
C5 – Comunica\c{c}\~ao Cient\'{\i}fica: Apresentar resultados estat\'{\i}sticos de forma clara, utilizando linguagem 
t\'ecnica apropriada e visualiza\c{c}\~oes adequadas.\\
C6 - Desenvolver e consolidar atitudes de participa\c{c}\~ao, comprometimento, organiza\c{c}\~ao, flexibilidade, 
cr\'{\i}tica e autocr\'{\i}tica no desenrolar do processo de ensino-aprendizagem.
}



\PlanSection{06. Objetivos Espec\'{\i}ficos:}
{
  Ao t\'ermino da disciplina, o estudante dever\'a ser capaz de:
\begin{enumerate}
\item Implementar m\'etodos de gera\c{c}\~ao de vari\'aveis aleat\'orias utilizando algoritmos cl\'assicos.
\item Aplicar estimadores de densidade n\~ao param\'etricos utilizando histogramas e kernels.
\item Utilizar algoritmos de otimiza\c{c}\~ao num\'erica em problemas de infer\^encia estat\'{\i}stica.
\item Desenvolver experimentos de simula\c{c}\~ao Monte Carlo para estudar propriedades estat\'{\i}sticas.
\item Aplicar m\'etodos Bootstrap para constru\c{c}\~ao de intervalos de confian\c{c}a e avalia\c{c}\~ao de estimadores.
\item Elaborar relat\'orios e apresenta\c{c}\~oes t\'ecnicas baseadas em experimentos computacionais.
\end{enumerate}
A disciplina contribui diretamente para a forma\c{c}\~ao de compet\^encias profissionais do estat\'{\i}stico, 
especialmente em: modelagem estat\'{\i}stica computacional; simula\c{c}\~ao computacional; an\'alise de dados via 
experimenta\c{c}\~ao computacional; reprodutibilidade em an\'alise estat\'{\i}stica e comunica\c{c}\~ao cient\'{\i}fica de 
resultados quantitativos.
}


\PlanSection{07. Metodologia:}
{
  A disciplina ser\'a conduzida utilizando metodologias ativas de aprendizagem, integrando teoria estat\'{\i}stica 
e experimenta\c{c}\~ao computacional.
As aulas ocorrer\~ao em laborat\'orio de inform\'atica, utilizando o ambiente R/RStudio para implementa\c{c}\~ao 
dos m\'etodos estudados.
Ser\~ao utilizadas as seguintes estrat\'egias pedag\'ogicas:
\begin{enumerate}
\item Aulas expositivas dialogadas: Apresenta\c{c}\~ao dos conceitos fundamentais por meio de slides, 
quadro-branco e demonstra\c{c}\~oes computacionais, incentivando a participa\c{c}\~ao ativa dos estudantes.
\item Demonstra\c{c}\~oes computacionais: Implementa\c{c}\~ao ao vivo de algoritmos estat\'{\i}sticos em R para 
ilustrar conceitos te\'oricos.
\item Aprendizagem baseada em problemas: Durante as aulas, os estudantes resolver\~ao problemas 
computacionais curtos, individualmente ou em grupo, envolvendo implementa\c{c}\~ao e an\'alise de m\'etodos 
estat\'{\i}sticos.
\item Discuss\~oes e apresenta\c{c}\~oes: Estudantes ou grupos apresentar\~ao solu\c{c}\~oes para problemas 
propostos, promovendo debate e an\'alise cr\'{\i}tica das abordagens utilizadas.
\item Atividades extraclasse: Ser\~ao propostas atividades de programa\c{c}\~ao e simula\c{c}\~ao que aprofundem os 
conte\'udos trabalhados em aula.
\item Projeto de simula\c{c}\~ao: Os estudantes desenvolver\~ao um projeto de simula\c{c}\~ao estat\'{\i}stica, aplicando 
m\'etodos de Monte Carlo ou Bootstrap para investigar propriedades de procedimentos inferenciais.
\item Uso de plataformas digitais: O ambiente institucional SIGAA ser\'a utilizado para: disponibiliza\c{c}\~ao de 
materiais did\'aticos, envio de atividades, comunica\c{c}\~ao com a turma
\item {\bf Uso Pedag\'ogico de Intelig\^encia Artificial Generativa}: Nesta disciplina, reconhece-se o potencial 
das 
ferramentas de Intelig\^encia Artificial (IA) generativa como apoio ao ensino e \`a aprendizagem em 
Estat\'{\i}stica Computacional.\\
O professor poder\'a utilizar ferramentas de IA para auxiliar na elabora\c{c}\~ao de materiais did\'aticos, tais 
como slides, exemplos de c\'odigo, 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 poder\~ao utilizar ferramentas de IA em atividades previamente autorizadas pelo professor, 
especialmente como apoio \`a programa\c{c}\~ao em R, explora\c{c}\~ao de estrat\'egias de resolu\c{c}\~ao de problemas e 
organiza\c{c}\~ao de relat\'orios ou apresenta\c{c}\~oes. O uso dessas ferramentas deve ocorrer como apoio ao 
processo de aprendizagem, n\~ao substituindo a compreens\~ao conceitual nem a autoria intelectual do 
estudante.\\
Sempre que utilizar ferramentas de IA em atividades da disciplina, o estudante dever\'a declarar 
explicitamente seu uso, informando a ferramenta utilizada e a finalidade de sua utiliza\c{c}\~ao na atividade.\\
O professor poder\'a tamb\'em propor atividades espec\'{\i}ficas envolvendo o uso cr\'{\i}tico e supervisionado de 
ferramentas de IA, com o objetivo de desenvolver compet\^encias relacionadas \`a avalia\c{c}\~ao, interpreta\c{c}\~ao e 
uso respons\'avel dessas tecnologias no contexto da an\'alise estat\'{\i}stica e da pr\'atica cient\'{\i}fica.\\
\'E proibido o uso de ferramentas de IA na atividade avaliativa “A1: prova te\'orico-pr\'atica individual”. O 
professor poder\'a restringir ou n\~ao permitir o uso de ferramentas de IA em outras atividades, quando 
considerar necess\'ario para avaliar a compreens\~ao individual dos conte\'udos da disciplina. Estudantes 
ser\~ao informados previamente sobre a permiss\~ao do uso de IA. Um Protocolo de uso de IA ser\'a anexado ao 
SIGAA para orienta\c{c}\~ao aos estudantes sobre o uso dessas ferramentas durante a disciplina.
\end{enumerate}

Demais informa\c{c}\~oes importantes:

\begin{itemize}
\item O material did\'atico produzido e fornecido pelo docente deve ser utilizado apenas para fins 
educacionais na disciplina e n\~ao poder\~ao ser divulgados ao p\'ublico externo.
\item As atividades supervisionadas mencionadas no Art. 16 do RGCG (RESOLU\c{C}\~AO – CEPEC/UFG No 
1791/2022) ser\~ao apresentadas pelo
professor em sala de aula e supervisionadas no hor\'ario de atendimento da disciplina
\item Caso seja necess\'ario, o(a) professor(a) far\'a altera\c{c}\~ao na ordem das unidades do conte\'udo 
program\'atico ou a redistribui\c{c}\~ao das horas destinadas a cada t\'opico ou atividade avaliativa.
\item Comunica\c{c}\~ao professor-aluno fora de sala de aula, fora de hor\'arios de atendimento deve ser 
relizada/solicitada via meios oficiais e institucionais: SIGAA e 
email institucional marta\_bianchi@ufg.br
\item \'E aconselh\'avel envio de e-mail pr\'evio a professora confirmando a presen\c{c}a nos hor\'arios de 
atendimento.
\end{itemize}
}


\PlanSection{08. Avalia\c{c}\~oes:}
{
  A avalia\c{c}\~ao ser\'a processual e formativa, considerando o desenvolvimento do estudante ao longo do 
semestre. Ser\~ao utilizados tr\^es instrumentos avaliativos, cada um avaliado na escala de zero a dez (0 a 
10,0).
\begin{itemize}
\item A1 - Avalia\c{c}\~ao Te\'orico-Pr\'atica: 06/05/2026\\
Avalia\c{c}\~ao individual envolvendo: compreens\~ao conceitual dos m\'etodos, interpreta\c{c}\~ao de resultados de 
simula\c{c}\~ao, implementa\c{c}\~ao ou an\'alise de algoritmos em R.

\item A2 - Projeto de Simula\c{c}\~ao Estat\'{\i}stica – Semin\'ario em Trio ou Dupla: 26/06/2026 e 01/07/2026\\
Projeto envolvendo aplica\c{c}\~ao de m\'etodos como: Monte Carlo ou Bootstrap. O projeto dever\'a incluir: 
formula\c{c}\~ao de problema estat\'{\i}stico, implementa\c{c}\~ao em R, an\'alise e interpreta\c{c}\~ao dos resultados, 
apresenta\c{c}\~ao oral.

\item A3 - {\bf Avalia\c{c}\~ao Continuada}:
A avalia\c{c}\~ao continuada tem car\'ater formativo e busca incentivar a participa\c{c}\~ao ativa, o compromisso 
acad\^emico e o desenvolvimento progressivo do estudante ao longo do semestre. Os crit\'erios avaliados 
ser\~ao:

\begin{itemize}
\item C1 – Frequ\^encia e pontualidade (0–2 pontos):
Participa\c{c}\~ao regular nas aulas e cumprimento dos hor\'arios.
\item C2 – Intera\c{c}\~ao oral qualitativa (0–2 pontos):
Participa\c{c}\~ao em discuss\~oes, formula\c{c}\~ao de perguntas e contribui\c{c}\~oes conceituais.
\item C3 – Postura acad\^emica (0–2 pontos):
Comprometimento, respeito e aten\c{c}\~ao durante as atividades da disciplina, incluindo comportamento 
adequado no ambiente de aprendizagem e participa\c{c}\~ao respons\'avel nas atividades propostas. Este 
crit\'erio tamb\'em considera a observ\^ancia dos princ\'{\i}pios de integridade acad\^emica, incluindo honestidade 
intelectual, autoria das contribui\c{c}\~oes apresentadas e transpar\^encia no uso de ferramentas externas, como 
recursos computacionais ou ferramentas de Intelig\^encia Artificial, quando autorizadas.
\item C4 – Contribui\c{c}\~oes escritas (0–2 pontos):
Entrega de exerc\'{\i}cios, relat\'orios e atividades propostas.
\item C5 – Evolu\c{c}\~ao ao longo do semestre (0–2 pontos):
Melhoria progressiva na qualidade das participa\c{c}\~oes em formato oral e de escrita.
\end{itemize}



\begin{table}[h]
\centering
\footnotesize
\setlength{\tabcolsep}{4pt} % reduz espa\c{c}o entre colunas
\renewcommand{\arraystretch}{1.5} % ajusta altura das linhas

\caption{Rubrica da Avalia\c{c}\~ao Continuada (A3)}

\begin{tabular}{|p{3.5cm}|c|c|p{7.5cm}|}
\hline
\textbf{Crit\'erio} & \textbf{Pontua\c{c}\~ao} & \textbf{Nota Inicial} & \textbf{Crit\'erios de Ajuste} \\ \hline

\textbf{C1 – Frequ\^encia e pontualidade} & 0--2,0 & 2,0 &
Redu\c{c}\~ao por faltas, atrasos ou sa\'{\i}das antecipadas. A participa\c{c}\~ao regular e pontual \'e fundamental para o 
desenvolvimento das atividades. \\ \hline

\textbf{C2 – Intera\c{c}\~ao oral qualitativa} & 0--2,0 & 1,2 &
Aumenta com contribui\c{c}\~oes pertinentes (perguntas, respostas, coment\'arios). Interven\c{c}\~oes que n\~ao 
contribuem para a aula podem reduzir a pontua\c{c}\~ao. \\ \hline

\textbf{C3 – Postura acad\^emica} & 0--2,0 & 2,0 &
Redu\c{c}\~ao em casos de comportamento inadequado, desaten\c{c}\~ao recorrente, desrespeito ou falta de 
integridade acad\^emica. \\ \hline

\textbf{C4 – Contribui\c{c}\~oes escritas} & 0--2,0 & --- &
Baseada na qualidade das entregas: clareza, organiza\c{c}\~ao, corre\c{c}\~ao t\'ecnica e cumprimento de prazos. \\ 
\hline

\textbf{C5 – Evolu\c{c}\~ao ao longo do semestre} & 0--2,0 & --- &
Considera o progresso nas participa\c{c}\~oes e atividades, com evid\^encias de melhoria na compreens\~ao e no 
envolvimento acad\^emico. \\ \hline

\end{tabular}
\end{table}
\renewcommand{\arraystretch}{1.0} % ajusta altura das linhas

\newpage

A nota da avalia\c{c}\~ao continuada $A3$ \'e resultante da soma da nota atribu\'{\i}da aos crit\'erios $C1$ a $C5$.

\item A m\'edia final da disciplina ser\'a calculada como:
$$MF = \frac{A1 + A2 + A3}{3}$$

\item Demais considera\c{c}\~oes importantes:
\begin{itemize}
\item A notas das avalia\c{c}\~oes ser\~ao divulgadas no SIGAA.
\item Haver\'a prova em 2$^a$ chamada para o/a discente que perder quaisquer atividades avaliativas, com
aus\^encia justificada, de acordo com o RGCG (Regimento Geral dos Cursos de Gradua\c{c}\~ao - RGCG 
Resolu\c{c}\~ao - CEPEC/UFG No. 1791/2022).
\item Ser\'a aprovado no componente curricular o/a estudante que obtiver nota final igual ou superior a
6,0 (seis)
e frequ\^encia igual ou superior a 75\% (setenta e cinco por cento) da carga hor\'aria total do componente
curricular.
\item As notas parciais e finais ser\~ao divulgadas no SIGAA.
\end{itemize}
\end{itemize}
}


\PlanSection{09. Bibliografia:}
{
  \textbf{[1]:} RIZZO, M. Statistical Computing with R. Chapman amp; Hall, New York, 2007.

\textbf{[2]:} ROSS, S. Simulation, 4 ed. Academic Press, 2006.

\textbf{[3]:} EFRON, B; TIBSHIRANI, R. F. An Introdution to the Bootstrap. Chapman Hall, 1993.


}

\PlanSection{10. Bibliografia Complementar:}
{
  \textbf{[1]:} RIPLEY. Stochastic Simulation,. John Wiley amp; Sons, London, 1987.

\textbf{[2]:} GENTLE, J. E. Elements of Computational Statistics. Springer, 2005.

\textbf{[3]:} GIVENS, G. H. AMP; HOETING, J. A. Computational Statistics. John Wiley amp; Sons, London, 2005.

\textbf{[4]:} JONES, O, M. R. A. R. A. Introduction to Scientific Programming and Simulation Using R. CRC Press, New York, 2009.

\textbf{[5]:} GAMERMAN, D. Markov Chain Stochastic Simulation for Bayesian Inference. Chapman and HallCRC, New York, 1998.

\textbf{[6]:} ROUSSAS, G. An Introduction to Probability and Statistical Inference. Academic P THISTED, R. A. Elements of Statistical Computing Numerical Computation. Chapman and Hall, New York and London, 1988.


}

\PlanSection{11.  Livros Texto:}
{
   \textbf{[1]:} RIZZO, M. Statistical Computing with R. Chapman amp; Hall, New York, 2007. (B1)

\textbf{[2]:} ROSS, S. Simulation, 4 ed. Academic Press, 2006. (B2)

\textbf{[3]:} EFRON, B; TIBSHIRANI, R. F. An Introdution to the Bootstrap. Chapman Hall, 1993. (B3)
}


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

   4$^a$ & A5 & 106, CAB (24)\\
   4$^a$ & A6 & 106, CAB (24)\\
   6$^a$ & A5 & 106, CAB (24)\\
   6$^a$ & A6 & 106, CAB (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. } & segundas-feiras 14:00 as 18:00\\
   \textbf{2. } & Quintas-feiras 10:00 as 12:00\\
\end{tabular}
\end{small}
}

\PlanSection{14. Professor(a):}
{
   \begin{small}
\begin{tabular}{lll}
   Marta Cristina Colozza Bianchi Da Costa. & Email: marta\_bianchi@ufg.br, & IME\\
\end{tabular}
\end{small}
}




\vspace{0.2cm}

\begin{center}
\underline{\hspace{8cm}}\\\small{Prof(a) Marta Cristina Colozza Bianchi Da Costa}\end{center}