Você gostaria de se tornar um especialista em Predição, mas não tem tempo para assistir a aulas presenciais? Você está, então, diante da opção perfeita para conseguir isso. Confia na TECH?"

O comportamento humano, as tendências sociais, os resultados de uma campanha  política, o desenvolvimento da ciência, os conflitos armados ou a epidemiologia de uma doença são apenas algumas das atividades em que a Predição Estatística desempenha um papel fundamental na estimativa do que acontecerá no futuro de cada uma delas e, portanto, em sua evolução. Embora não seja uma ciência exata, a probabilidade, com base nas condições existentes em um determinado contexto, é capaz de estabelecer, com uma margem mínima de erro o plano de ação ideal para obter os melhores resultados.

Antecipar o que acontecerá com base em um estudo completo das ferramentas estruturais de um projeto permitiu que milhões de entidades públicas e privadas desenvolvessem estratégias comerciais, sociais e econômicas que lhes possibilitaram alcançar o sucesso. Por esse motivo, e com o objetivo de fornecer a todos os interessados nesta área as informações que lhes permitam manter-se atualizados com os avanços da estatística multivariada e da predição avançada, a TECH e sua equipe de profissionais desenvolveram este completo Programa avançado. Através de 450 horas de capacitação teórica e prática, o aluno poderá aprofundar conhecimentos sobre as novidades dos diferentes modelos de estimativa linear, bem como nas ferramentas mais inovadoras para sua aplicação em distintos contextos atuais. Também trabalhará com as diferentes escalas, de nominal até a de intervalo ou de razão, concluindo com uma análise completa das técnicas de regressão múltipla suas características, suas vantagens e desvantagens de seu uso em determinados casos.

E para atender a todos os requisitos do curso, o estudante terá 6 meses para acessar, sem horários fixos, o Campus Virtual e concluir com sucesso os 3 módulos que ele inclui. Além disso, o aluno terá acesso a material adicional de alta qualidade, apresentado em diferentes formatos, para que possa se aprofundar nos aspectos que considerar mais importantes ou relevantes para o seu desenvolvimento e desempenho profissional de forma personalizada. É, portanto, uma oportunidade única de se especializar no campo da Predição Estatística por meio de uma experiência acadêmica 100% online que se adapta às suas necessidades e aos requisitos mais exigentes do mercado de trabalho atual.

O melhor programa no mercado acadêmico atual para se aprofundar nos métodos de Predição linear que estão definindo tendências no campo da Estatística Aplicada" 

Este Programa avançado de Predição conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Estatística Aplicada
• Os conteúdos gráficos, esquemáticos e eminentemente práticos que foram criados, fornecem uma informação técnica e prática sobre aquelas disciplinas que são indispensáveis para a prática profissional
• Os exercícios práticos onde o processo de autoavaliação é realizado para melhorar a aprendizagem
• Destaque de maior importância para as metodologias inovadoras
• As lições teóricas, perguntas aos especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual
• A disponibilidade de acesso a todo o conteúdo a partir de qualquer dispositivo fixo ou portátil com conexão à internet

Você trabalhará com as informações mais completas e diversificadas sobre técnicas estatísticas multivariadas, desde a escala nominal até o modelo de regressão logística binária"

O corpo docente do curso conta com profissionais do setor, que transferem toda a experiência adquirida ao longo de suas carreiras para esta capacitação, além de especialistas reconhecidos de instituições de referência e universidades de prestígio.

O conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, permitirá ao profissional uma aprendizagem contextualizada, ou seja, realizada através de um ambiente simulado, proporcionando uma capacitação imersiva e programada para praticar diante de situações reais.

A concepção desse programa se concentra na Aprendizagem Baseada em Problemas, por meio da qual o profissional deve tentar resolver as diferentes situações de prática profissional que surgem ao longo do curso acadêmico. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo realizado por especialistas reconhecidos.

Você compreende totalmente a aplicação das propriedades das matrizes idempotentes? Se você deseja alcançar esse objetivo, matricule-se neste Programa avançado para encontrar tudo o que precisa?"

Aprofunde-se nas técnicas de análise estratificada em tabelas 2x2, bem como na formulação do problema em modelos loglineares por meio de conteúdo teórico, prático e adicional"

A TECH é uma referência no panorama acadêmico online devido à alta qualidade de seus programas, bem como por ser pioneira no uso de técnicas metodológicas inovadoras, como o processo de aprendizagem baseado no Relearning, que consiste em reiterar os conceitos mais importantes ao longo do programa para que o aluno possa implementá-lo em seu conhecimento de forma natural e progressiva, sem a necessidade de dedicar horas extras em memorização. Além disso, cada um de seus programas inclui diversos materiais adicionais, graças aos quais o estudante pode se aprofundar de forma personalizada nos diferentes aspectos do conteúdo, participando de uma experiência acadêmica adaptada às demandas de todos os profissionais.

Você terá acesso a 450 horas de material teórico, prático e adicional com o qual poderá se aprofundar de forma personalizada e de acordo com suas necessidades nas diferentes seções do programa de estudos"

Módulo 1. Método de predição linear

1.1. O modelo de Regressão linear simples

1.1.1. Introdução aos modelos de regressão e etapas preliminares da regressão simples: exploração de dados
1.1.2. Modelo
1.1.3. Hipótese
1.1.4. Parâmetros

1.2. Estimativa e contrastes da regressão linear simples

1.2.1. Estimativa pontual dos parâmetros do modelo

1.2.1.1. Método dos mínimos quadrados
1.2.1.2. Os estimadores de máxima verossimilhança

1.2.2. Inferência nos parâmetros do modelo sob as premissas de Gauss-Markov

1.2.2.1. Intervalos
1.2.2.2. Teste

1.2.3. Intervalo de confiança para a resposta média e intervalo de predição para novas observações
1.2.4. Inferências simultâneas na regressão simples
1.2.5. Faixas de confiança e predição

1.3. Diagnóstico e validação do modelo de regressão linear simples

1.3.1. Análise da variância (ANOVA) do modelo de regressão simples
1.3.2. Diagnóstico do modelo

1.3.2.1. Avaliação gráfica da linearidade e verificação das hipóteses por meio da análise dos resíduos
1.3.2.2. Teste de falta de ajuste linear

1.4. O modelo de regressão linear múltipla

1.4.1. Exploração dos dados com ferramentas de visualização multidimensional
1.4.2. Expressão matricial do modelo e dos estimadores dos coeficientes
1.4.3. Interpretação dos coeficientes do modelo múltiplo

1.5. Estimativa e contrastes da regressão linear múltipla

1.5.1. Leis dos estimadores de coeficientes, das predições e dos resíduos
1.5.2. Aplicação das propriedades das matrizes idempotentes
1.5.3. Inferência no modelo linear múltiplo
1.5.4. Anova do modelo

1.6. Diagnóstico e validação do modelo de regressão linear múltipla

1.6.1. Teste de "ligaduras" para resolver restrições lineares em coeficientes

1.6.1.1. O princípio da variabilidade incremental

1.6.2. Análise de resíduos
1.6.3. Transformações de Box-Cox

1.7. O problema da multicolinearidade

1.7.1. Detecção
1.7.2. Soluções

1.8. Regressão polinomial

1.8.1. Definição e exemplo
1.8.2. Forma de matriz e cálculo de estimativas
1.8.3. Interpretação
1.8.4. Abordagens alternativas

1.9. Regressão com variáveis qualitativas

1.9.1. Variáveis fictícias na regressão (dummies)
1.9.2. Interpretação dos coeficientes
1.9.3. Aplicações

1.10. Critérios de seleção de modelos

1.10.1. A estatística Cp de Mallows
1.10.2. A validação de modelos cruzados
1.10.3. A seleção automática passo a passo

Módulo 2. Técnicas estatísticas multivariadas

2.1. Introdução
2.2. Escala nominal

2.2.1. Medidas de associação para tabelas 2x2

2.2.1.1. Coeficiente Phi
2.2.1.2. Risco relativo
2.2.1.3. Razão de produtos cruzados (odds ratio)

2.2.2. Medidas de associação para tabelas IxJ

2.2.2.1. Coeficiente de contingência
2.2.2.2. V de Cramer
2.2.2.3. Lambdas
2.2.2.4. Tau de Goodman e Kruskal
2.2.2.5. Coeficiente de incerteza

2.2.3. O Coeficiente Kappa

2.3. Escala ordinal

2.3.1. Coeficientes Gama
2.3.2. Tau-b e Tau-c de Kendall
2.3.3. D de Sommers

2.4. Escala de intervalo ou de razão

2.4.1. Coeficiente Eta
2.4.2. Coeficiente de correlação de Pearson e de Spearman

2.5. Análise estratificada em tabelas 2x2

2.5.1. Análise estratificada
2.5.2. Análise estratificada em tabelas 2x2

2.6. Formulação de problemas em modelos log-lineares

2.6.1. O modelo saturado para duas variáveis
2.6.2. O modelo saturado geral
2.6.3. Outros tipos de modelos

2.7. O modelo saturado

2.7.1. Cálculo dos efeitos
2.7.2. Bondade de ajuste
2.7.3. Teste dos efeitos K
2.7.4. Teste de associação parcial

2.8. O modelo hierárquico

2.8.1. O método Backward

2.9. Modelos de resposta probit

2.9.1. Formulação do problema
2.9.2. Estimativas dos parâmetros
2.9.3. Teste de bondade de ajuste qui-quadrado
2.9.4. Teste de paralelismo para grupos
2.9.5. Estimativa da dose necessária para obter uma determinada proporção de resposta

2.10. Regressão logística binária

2.10.1. Formulação do problema
2.10.2. Variáveis qualitativas na regressão logística
2.10.3. Seleção das variáveis
2.10.4. Estimativas dos parâmetros
2.10.5. Bondade de ajuste
2.10.6. Classificação dos indivíduos
2.10.7. Predição

Módulo 3. Técnicas avançadas de predição

3.1. O modelo geral de regressão linear

3.1.1. Definição
3.1.2. Propriedades
3.1.3. Exemplos

3.2. Regressão de mínimos quadrados parciais

3.2.1. Definição
3.2.2. Propriedades
3.2.3. Exemplos

3.3. Regressão de componentes principais

3.3.1. Definição
3.3.2. Propriedades
3.3.3. Exemplos
3.4. Regressão RRR
3.4.1. Definição
3.4.2. Propriedades
3.4.3. Exemplos

3.5. Regressão Ridge

3.5.1. Definição
3.5.2. Propriedades
3.5.3. Exemplos

3.6. Regressão Lasso

3.6.1. Definição
3.6.2. Propriedades
3.6.3. Exemplos

3.7. Regressão Elasticnet

3.7.1. Definição
3.7.2. Propriedades
3.7.3. Exemplos

3.8. Modelos de Predição não linear

3.8.1. Modelos de regressão não lineares
3.8.2. Mínimos quadrados não lineares
3.8.3. Transformação em um modelo linear

3.9. Estimativa de parâmetros em um sistema não linear

3.9.1. Linearização
3.9.2. Outros métodos de estimativa de parâmetros
3.9.3. Valores iniciais
3.9.4. Software de computador

3.10. Inferência Estatística em regressão não linear

3.10.1. A Inferência Estatística na regressão não linear
3.10.2. Validação da inferência aproximada
3.10.3. Exemplos

Contarás con ejemplos teóricos y prácticos de cada módulo, para que puedas conceptualizar tanto la información como las técnicas y estrategias de predicción que encontrarás en esta Programa avançado”