A disciplina de inferência estatística tem como objetivo o entendimento de populações à partir do estudo das amostras dessas populações por meio de suas características, parâmetros e estatísticas. O entendimento das populações tem como objetivo a realização de estudos específicos como por exemplo testes randomizados em epidemiologia, censo populacional e outros tipos de modelos mais complexos que são representados matematicamente por modelos estatísticos que se adequam aos dados experimentais. Como exemplos desses tipos de modelos podemos mencionar os modelos de regressão linear simples e múltipla, o ajuste de curvas teóricas e experimentais por método de mínimos quadrados e modelos de regressão logística (exemplos de modelos preditivos), máxima verossimilhança, séries temporais e forecast.

80 horas.

• Dia 1: Revisão de conceitos matemáticos. 
• Dia 2: Revisão de conceitos de probabilidade.
• Dia 3: Revisão de conceitos estatísticos. 
• Dia 4: Introdução: definições, conceitos, propriedades e aplicações. 
• Dia 5: Introdução à estimação pontual. 
• Dia 6: Introdução à estimação por intervalo. 
• Dia 7: Introdução aos testes de hipótese. 
• Dia 8: Introdução à teoria de amostragem.
• Dia 9: Introdução ao design de experimentos e estudos. 
• Dia 10: Inferência e regressões. 

• Revisão de integrais definidas. 
• Revisão de integrais impróprias. 
• Revisão de álgebra de matrizes. 
• Métodos dos mínimos quadrados. 

• Revisão de amostras, eventos e axiomas de probabilidade. 
• Revisão de variáveis aleatórias discretas. 
• Revisão de variáveis aleatórias contínuas.
• Probabilidade condicional. 
• Teorema de Bayes. 
• Revisão de população e amostra e tipos de variáveis. 
• Estimadores estatísticos de posição central e dispersão. 

• Outros tipos de estimadores estatísticos. 
• Regressão linear. 
• Regressão multilinear. 
• Regressão logística.

• O que é inferência estatística: exemplos e aplicações.
• Tipos de estimação (pontual, por intervalo) .
• O que são intervalos de confiança.
• O que são testes de hipóteses.
• Introdução á teoria de amostragem. 

• Introdução: conceitos, definições e propriedades. 
• Exemplos de estimadores pontuais.
• Estimação pontual Bayesiana. 
• Aplicações de estimação pontual. 

• Introdução: conceitos, definições e propriedades.
• Introdução à intervalos de confiança.
• Estimação de máxima verossimilhança. 
• Introdução à teoria de decisão.

• Introdução: conceitos, propriedades e definições. 
• Construção de uma hipótese nula. 
• Testes para uma população conhecida. 
• Testes envolvendo distribuições .
• Testes envolvendo diferenças em amostras.

• Distribuição t de Student. 
• Distribuição Chi-quadrado.
• Intervalos de confiança para distribuições. 
• Graus de liberdade.
• A distribuição F.

• O que é causalidade.
• O que é correlação e covariância.
• Amostragem probabilística (estratificada, conglomerado, sistemática, etc). 
• Amostragens não probabilísticas (quota, julgamento, etc). 
• Delineamento de amostras. 

• Método dos mínimos quadrados e ajuste de curvas teóricas.
• Teoria de correlação e regressões lineares. 
• Análise de variância. 
• Análise de modelos de séries temporais. 
• Modelos de regressão logística. 
• Modelos de regressão por estimação de máximo verossimilhança . 

• Casella, G., Berger, R. L. (2002). Statistical Inference. Duxbury Press.
• Rohagti, V. K.(2003). Statistical Inference. Wiley Series.
• Mood, A. M., Graybill, F. A. & Boes, D. C (1974). Introduction to the Theory of Statistics. McGraw-Hill.