Professor efetivo

Professor 40h DE (Em andamento)

O Departamento de Estatística - DEST da Universidade Federal do Espírito Santo informa que estarão abertas as inscrições para provimento de cargos de Professor do Magistério Superior do Quadro Permanente desta Universidade, Portaria Normativa Interministerial no 22/2007-MP/MEC, de 30/04/2007, alterada pela de no 224/2007-MP/MEC, de 23/07/2007, publicadas no Diário Oficial da União de 02/05/2007 e 24/07/2007, respectivamente; e conforme a Lei 8.112, de 11/12/1990, e a Lei 12.772, de 28/12/2012.
 
1.
Área/Subárea: Probabilidade e Estatística (cód. CNPq 1.02.00.00-2) / Probabilidade e Estatística Aplicadas(Cód. CNPq. 1.02.03.00-1).
 
Número de vagas: O concurso oferece uma (1) vaga de professor no regime de trabalho de 40 horas com Dedicação Exclusiva, conforme consta do Edital.
 
Programa: 1. Probabilidade: Espaços de probabilidade, variáveis e vetores aleatórios, teoremas limites, modos de convergência de sequências de variáveis aleatórias e vetores,
Lei dos grandes números, Funções características, Teorema central do limite, Cadeias de Markov em tempo discreto, Processos de Poisson; 2. Inferência Estatística: Estimadores eficientes,
estatísticas conjuntamente suficientes, estatísticas completas, otimalidade assintótica, estimadores não-viesados de variância uniformemente mínima, método de máxima verossimilhança,
estimadores de máxima verossimilhança, testes uniformemente mais poderosos, testes da razão de verossimilhança generalizada, testes bayesianos; 3. Métodos Lineares Generalizados:
Família exponencial, classe dos modelos lineares generalizados, inferência, função de desvio, métodos de diagnóstico, aplicações, modelos de dados ordinais, modelos dose-resposta,
modelos lineares generalizados mistos, modelos para dados longitudinais; 4. Estatística Computacional: Método da transformação inversa, Método da aceitação-rejeição, Geração de
variáveis aleatórias discretas, Geração de variáveis aleatórias contínuas, Geração de variáveis aleatórias multidimensionais (vetores aleatórios), Geração de processos aleatórios: cadeias
de Markov em tempo discreto com K estados e processos de Poisson, Integração Monte Carlo, Técnicas de redução de variância, Métodos de otimização numérica: decida de gradiente,
Newton-Raphson e Fisher-score, Métodos de reamostragem: bootstrap não- paramétrico, bootstrap paramétrico e validação cruzada, Métodos de simulação Monte Carlo via cadeias de
Markov (métodos MCMC): algoritmo de metrópolis-Hastings e o amostrador de Gibbs; 5. Variáveis aleatórias multidimensionais. Distribuição normal multivariada: propriedades e estimação
dos parâmetros. Distribuições amostrais do vetor de médias e da matriz de covariância: regiões de confiança. Testes de hipóteses para o vetor de médias e para a matriz de covariâncias.
Gráficos multivariados. Técnicas de redução da dimensionalidade: análise de componentes principais, análise fatorial. Análise de correlação cônica. Técnicas de classificação: regressão
logística, análise discriminante linear (discriminante de Fisher), classificador naive Bayes e o classificador baseado em k-vizinhos mais próximos (classificador k-NN). Técnicas de
agrupamento: agrupamento hierárquico e k-means. 6. Mineração de dados: Visão geral do processo de mineração de dados. Procedimentos de pré-processamento de dados. Visualização
de dados multivariados. Análise descritiva de dados multivariados. Redução da dimensionalidade. Métodos Kernel e funções de base radial. Aprendizado supervisionado: classificação e
regressão. O dilema viés-variância. Técnicas de classificação: redes neurais artificiais (perceptron e redes multicamadas), redes neurais com função de base radial (Radial Basis Function
Neural Network, RBF-NN), máquinas de vetores de suporte (SVM's), máquinas de aprendizado extremo (ELM's) e classificação por árvore de decisão. Classificadores ensemble: bagging,
random forests e boosting. Técnicas de regressão: redes neurais artificiais (Adaline e redes multimarcas), redes neurais com função de base radial (Radial Basics Function Neural Network,
RBF-NN), máquinas de vetores de suporte (SVM's), máquinas de aprendizado extremo (ELM's) e regressão por árvore de decisão. Medidas e procedimentos para avaliar o desempenho
de um modelo. Regularização e seleção de variáveis. Aprendizado não-supervisionado: agrupamento. Técnicas de agrupamento: K-means, Kernel K-means, agrupamento hierárquico,
agrupamento baseado em densidade (DBSCAN). Medidas para avaliação de um agrupamento. 7. Pesquisa Operacional: Modelagem para tomada de decisão: variáveis de decisão,
parâmetros, função objetivo e restrições. Processo de modelagem e resolução de problemas de pesquisa operacional. Programação Linear. solução de problemas de programação linear
via método simplex. análise de sensibilidade e dualidade em programação linear. Programação em redes: o problema de transporte, o problema da designação de tarefas, o problema
do caminho mais curto e o problema do fluxo máximo. Programação binária e inteira: o problema da mochila e do caixeiro-viajante. Programação não-linear restrita: multiplicadores de
Lagrange e as condições de Karush-Kuhr-Tucker. Metaheurísticas para programação não-linear: simulated annealing, algoritmo genético, evolução diferencial e otimização por enxame de
partículas. Métodos para tratamentos de restrições em programação não-linear. Métodos para tomada de decisão multicritério: TODIM e TOPSIS. (Processo 23068.084007/2018-24).
 
Bibliografia
  • Bickel, P. J. and Doksum, K. A., Mathematical Statistics, Basic Ideas and Selected Topics, 1977, Prentice-Hall.
  • Billingsley, P. Probability and measure. 3rd Edition. New york: Wiley-interscience, 1995.
  • Box, G. E. P & Draper, N.R. Empirical model building: Building and response surfaces. John Wiley & Sons, inc., New York, 1987.
  • Box, G. E. P., Hunter, W. G. & Hunter, J. S. Statistics for experiments: an introduction to design, data analysis and model building, John Wiley & Sons, 1978.
  • Dudewicz, E. & Mishra, S. Modern mathematical statistics. Wiley-interscience, 1988
  • Durret, R. Probability: Theory and examples. 4th Edition. New York: Cambridge university press, 2010.
  • Haykin, S. Neural Networks and Learning Machines. 3rd ed. New Jersey: Pearson Prentice Hall, 2009
  • Hillier, F. S. & Lieberman, G. J. Introduction to Operations Research. McGraw-Hill; 5th edition. 1990.
  • Hinkelmann, K. & Kempthorne, O. Design ans analysis of experiments Vol 1: introduction to experimental design, New Jersey: John Wiley & sons, 2008.
  • James, G., Witten, D., Hastie, T., & Tibshirani, R. An Introduction to Statistical Learning: with Applications in R. New York: Springer, 2013.
  • Johnson, R. A. & Wichern, D. W. Applied Multivariate Statistical Analysis. 6th ed. New Jersey: Pearson Prentice Hall, 2007
  • Khuri, A.I. & Cornell, J.A. Response Surfaces. 2nd ed. New York: Dekker; 1996.
  • Kroese, D. P., Taimre, T. & Botev, Z. Handbook of Monte Carlo methods, New Jersey: John Wiley & sons, 2011.
  • Lehmann, E. & Casella, G. Theory of point estimation, 2nd edition, Springer, 2003.
  • Lehmann, E. & Romano, J. Testing statistical hypothesis, 3rd edition, 2008.
  • Mitchell, T. M. Machine Learning. New York: McGraw-Hill, 1997
  • Montgomery, D. Design and analysis of experiments, 7th edition, New Jersey: John Wiley & sons, 2009.
  • McCullag, P. & Nelder, J. Generalized linear Models, 2nd edition, Chapman & Hall, 1989.
  • McCulloch, C., Searle, S. and Neuhaus, J., Generalized, linear and mixed models, 2nd edition, Wiley interscience, 2008.
  • Rubinstein, R. & Kroese, D. Simulation and Monte Carlo methods, 2nd edition, New Jersey: John Wiley & sons, 2008.
  • Shiryaev, A. N. Probability. 2nd Edition. New York: Springer-Verlag, 1984.
  • Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr., K. C. Data Mining for Business Analytics: Concepts, Techniques, and Applications in R. New Jersey: Wiley, 2018
  • Särndal, C., Swensson, B. & Wretman, J. Model Assisted Survey Sampling, 1st Edition, Springer, 1992.
  • Zaki, M. J. & Meira Jr., W. Data Mining and Analysis: Fundamental Concepts and Algorithms. New York: Cambridge University Press, 2013.

 

Período de realização do concurso: 13 a 17 de maio de 2019

 

Etapa I

Comissão Examinadora

1. Prof Dr. Mauro C. Martins Campos (DEST/UFES) - Presidente

2. Prof. Dr. Raydonal Ospina Martínez (DE/UFPE)

3. Prof. Dr. Patrick Borges (DEST/UFES)

 

Inscrições Deferidas (Publicado em 17/04/2019 às 09:38h)

Calendário de provas (Publicado em 17/04/2019 às 12:03h)

 

Etapa II

Prova escrita (eliminatório e classificatório)  - Local e horário da prova escrita: Sala 114 - Térreo do prédio da pós-graduação de Química e Matemática.

Resultado prova escrita (Publicado em 13/05/2019 às 17:43h)

 
Prova de aptidão didático-prática (eliminatório e classificatório)

Resultado prova didática (Publicado em 15/05/2019 às 17:45h)

 
Prova de plano de trabalho (classificatório)

Resultado plano de trabalho (Publicado em 16/05/2019 às 17:53h)

 

Prova de títulos e de publicação de trabalhos científicos referidos no curriculum vitae do candidato (classificatório)

Resultado prova de títulos (Publicado em 17/05/2019 às 07:56h)

 

Resultado Final (Publicado em 17/05/2019 às 11:32h)

 

 

 

 

 

 


2. 
Área/Subárea: Probabilidade e Estatística (cód. CNPq 1.02.00.00-2) / Estatística(Cód. CNPq. 1.02.02.00-5).
 
Número de vagas: O concurso oferece uma (1) vaga de professor no regime de trabalho de 40 horas com Dedicação Exclusiva, conforme consta do Edital.
 
Programa: 1. Probabilidade: Espaços de probabilidade, variáveis e vetores aleatórios, teoremas limites, modos de convergência de sequências de variáveis aleatórias e vetores,
Lei dos grandes números, Funções características, Teorema central do limite, Cadeias de Markov em tempo discreto, Processos de Poisson; 2. Inferência Estatística: Estimadores eficientes,
estatísticas conjuntamente suficientes, estatísticas completas, otimalidade assintótica, estimadores não-viesados de variância uniformemente mínima, método de máxima verossimilhança,
estimadores de máxima verossimilhança, testes uniformemente mais poderosos, testes da razão de verossimilhança generalizada, testes bayesianos; 3. Métodos Lineares Generalizados:
Família exponencial, classe dos modelos lineares generalizados, inferência, função de desvio, métodos de diagnóstico, aplicações, modelos de dados ordinais, modelos dose-resposta,
modelos lineares generalizados mistos, modelos para dados longitudinais; 4. Amostragem: Estimação não-viesada para amostragem aleatória simples com e sem substituição, amostragem
sistemática e amostragem estratificada, estimação não-viesada para amostragem por conglomerados e amostragem em várias etapas. Estimadores de regressão para amostragem por
conglomerados e amostragem em várias etapas; 5. Planejamento Experimental: Experimentos em blocos completos aleatorizados, experimentos em blocos incompletos, contrastes e
comparações múltiplas, experimentos em quadrado latino, experimentos fatoriais 2 k , fatoriais fracionados 2 (k-p) , superfícies de respostas, experimentos não balanceados, experimentos em
parcelas subdivididas, análise de covariância; 6. Análise de dados longitudinais: Análise exploratória de dados longitudinais. Modelos lineares multivariados para análise de dados
longitudinais: estimação, testes de hipótese, análise de diagnóstico, modelagem da estrutura de dependência/covariância. Modelos lineares mistos para análise de dados longitudinais:
estimação, testes de hipótese, análise de diagnóstico, modelagem da estrutura de dependência/covariância, modelos marginais. Modelos lineares generalizados mistos para a análise de
dados longitudinais: estimação, testes de hipótese, análise de diagnóstico, modelagem da estrutura de dependência/covariância; 7. Teoria de resposta ao item (TRI): Características da
TRI. Principais modelos unidimensionais e multidimensionais: modelos logístico (probito) de 1, 2 e 3 parâmetros para uma única população e várias populações. Principais métodos de
estimação. Principais métodos de equalização. Construção e interpretação de escalas para os traços latentes. Modelos politômicos. (Processo 23068.084003/2018-46).
 
Bibliografia
  • Andrade, D.F., Tavares, H.R. & Valle, R.C. Teoria da Resposta ao Item: conceitos e aplicações. São Paulo: Associação Brasileira de Estatística, 2000.
  • Baker, F.B. & Kim, S. Item Response Theory: Parameter Estimation Techniques, 2nd edition. New York: Marcel Dekker, 2004.
  • Bickel, P. J. and Doksum, K. A., Mathematical Statistics, Basic Ideas and Selected Topics, 1977, Prentice-Hall.
  • Billingsley, P. Probability and measure. 3rd Edition. New york: Wiley-interscience, 1995.
  • Box, G. E. P & Draper, N.R. Empirical model building: Building and response surfaces. John Wiley & Sons, inc., New York, 1987.
  • Box, G. E. P., Hunter, W. G. & Hunter, J. S. Statistics for experiments: an introduction to design, data analysis and model building, John Wiley & Sons, 1978.
  • Demidenko, E. Mixed models: theory and applications, Hoboken, New Jersey: Wiley Interscience, 2004.
  • Diggle, P.; Heagerty, P.; Liang, K-Y.; Zeger, S. Analysis of Longitudinal Data, second edition, Oxford University Press, Oxford, 2013
  • Dudewicz, E. & Mishra, S. Modern mathematical statistics. Wiley-interscience, 1988
  • Durret, R. Probability: Theory and examples. 4th Edition. New York: Cambridge university press, 2010.
  • Hinkelmann, K. & Kempthorne, O. Design ans analysis of experiments Vol 1: introduction to experimental design, New Jersey: John Wiley & sons, 2008.
  • Khuri, A.I. & Cornell, J.A. Response Surfaces. 2nd ed. New York: Dekker; 1996.
  • Kroese, D. P., Taimre, T. & Botev, Z. Handbook of Monte Carlo methods, New Jersey: John Wiley & sons, 2011.
  • Lehmann, E. & Casella, G. Theory of point estimation, 2nd edition, Springer, 2003.
  • Lehmann, E. & Romano, J. Testing statistical hypothesis, 3rd edition, 2008.
  • Montgomery, D. Design and analysis of experiments, 7th edition, New Jersey: John Wiley & sons, 2009.
  • McCullag, P. & Nelder, J. Generalized linear Models, 2nd edition, Chapman & Hall, 1989.
  • McCulloch, C., Searle, S. and Neuhaus, J., Generalized, linear and mixed models, 2nd edition, Wiley interscience, 2008.
  • Rubinstein, R. & Kroese, D. Simulation and Monte Carlo methods, 2nd edition, New Jersey: John Wiley & sons, 2008.
  • Shiryaev, A. N. Probability. 2nd Edition. New York: Springer-Verlag, 1984.
  • Särndal, C., Swensson, B. & Wretman, J. Model Assisted Survey Sampling, 1st Edition, Springer, 1992.
  • van der Linden, W. J. Handbook of Item Response Theory, Volume One: Models, Chapman and Hall/CRC, 2016.
  • van der Linden, W. J. Handbook of Item Response Theory, Volume Two: Models, Chapman and Hall/CRC, 2016.
  • van der Linden, W. J. Handbook of Item Response Theory, Volume Three: Models, Chapman and Hall/CRC, 2017.
  • Weiss, R. E. Modeling Longitudinal Data. New York: Springer-Verlag, 2010.

 

Período de realização do concurso: 20 a 24 de maio de 2019

 

Etapa I

Comissão Examinadora

1. Prof Dr. Alessandro J. Queiroz Sarnaglia (DEST/UFES) - Presidente

2. Prof. Dr. Hemilio Fernandes Campos Coelho (DE/UFPB)

3. Prof. Dr. Flávio Bambirra Gonçalves (DE/UFMG)

 

Inscrições Deferidas (Publicado em 17/04/2019 às 10:53h)

Calendário de provas (Publicado em 17/04/2019 às 11:04h)

 

 

Etapa II

Prova escrita (eliminatório e classificatório)  - Local e horário da prova escrita: Sala 114 - Térreo do prédio da pós-graduação de Química e Matemática.

Resultado prova escrita (Publicado em 20/05/2019 às 17:55h)

 
 
Obs: O sorteio do assunto para prova didática será realizado na Sala 114 - Térreo do prédio da pós-graduação de Química e Matemática às 7:40h.

Prova de aptidão didático-prática (eliminatório e classificatório)

Sorteio tema prova didática  (Publicado em 21/05/2019 às 09:46h)

Resultado prova didática (Publicado em 22/05/2019 às 11:23h)

 
 
 
Prova de plano de trabalho // Prova de títulos e de publicação de trabalhos científicos referidos no curriculum vitae do candidato(classificatório)

Resultado plano de trabalho e prova de títulos (Publicado em 23/05/2019 às 17:53h)

 
 

Resultado Final (Publicado em 24/05/2019 às 08:25h)

 

 

 
 
Titulação mínima exigida: Doutorado em Estatística; ou Doutorado em Ciências com área de concentração em Estatística e Experimentação Agronômica; ou Doutorado em População, Território e Estatísticas Públicas com Graduação e/ou Mestrado em Estatística; ou Doutorado em Estatística e Experimentação Agropecuária com Graduação e/ou Mestrado em Estatística; ou Doutorado em Ciência da Computação; ou Doutorado em Engenharia da Computação; ou Doutorado em Engenharia Elétrica; ou Doutorado em Engenharia de Produção; ou Doutorado em Engenharia Ambiental com Graduação e/ou Mestrado em Estatística; ou Doutorado em Matemática Computacional com Graduação e/ou Mestrado em Estatística.
 
DAS INSCRIÇÕES
O período de inscrição será: 21/02 a 22/03/2019. (Prorrogado)
Horário: Segunda a sexta-feira, no horário de 08:00h às 11:00h e de 14:00h às 17:00h. 
local das inscrições:  Secretaria Acadêmica - Departamento de Estatística - CCE/UFES, Avenida Fernando Ferrari, no 514, Campus Universitário de Goiabeiras, Vitória/ES - CEP: 29075-910. 
Telefones: (27) 4009-2481 e (27) 4009-2825
Email: departamento.estatistica [at] ufes.br.
 

 

Atenção: O Reitor da Universidade Federal do Espírito Santo, usando de atribuições legais e estatutárias, torna público que foi PRORROGADO O PRAZO DE INSCRIÇÃO, de 23/03 a 08/04/2019 para o concurso público para provimento do cargo de Professor do Magistério Superior do Quadro Permanente desta Universidade, regidos pelos Editais nº 05 e 06/2019-R, publicado no DOU de 07 de fevereiro de 2019, seção 3, páginas 80 a 83, exclusivamente para o Departamento de Estatística - CCE, Área/Subárea: Probabilidade e Estatística/ Probabilidade e Estatística Aplicadas (Documento avulso 23068.015166/2019-60) e Área/Subárea: Probabilidade e Estatística/Estatística (Documento avulso 23068.015175/2019-51). Os demais itens permanecem inalterados.

 

 

 

Perguntas frequentes

  1. As inscrições para o concurso só podem ser efetivadas por forma presencial? Não, de acordo com a a Res. 34/2017 - CEPE a inscrição pode ser realizada via Sedex. Sugere-se solicitar o serviço de AR nos correios.
  2. Para me inscrever para outra vaga preciso mandar tudo novamente ou preciso enviar apenas um novo formulário de inscrição? Sim, as áreas do concurso são diferentes, por tanto são duas Comissões Examinadoras. Dessa forma, a documentação deve ser enviada novamente.
 

 

 

 

 

Obs: As dúvidas deverão ser encaminhadas no email departamento.estatistica [at] ufes.br (subject: Concurso%20DEST%202016)

 


 

 

Acesso à informação
Transparência Pública

© 2013 Universidade Federal do Espírito Santo. Todos os direitos reservados.
Av. Fernando Ferrari, 514 - Goiabeiras, Vitória - ES | CEP 29075-910