01 – Regimes de capitalização em juros simples e compostos; montante, juros e número de períodos; taxas nominal, efetiva e real (com inflação) e conversão de taxas; equivalência de taxas e de capitais (data focal). Capitalização contínua – Parte 1/2
02 – Regimes de capitalização em juros simples e compostos; montante, juros e número de períodos; taxas nominal, efetiva e real (com inflação) e conversão de taxas; equivalência de taxas e de capitais (data focal). Capitalização contínua – Parte 2/2
03 – Descontos: descontos simples comercial (bancário) e racional, e descontos compostos comercial e racional.
04 – Amortizações: Sistema Price (francês), Sistema de Amortização Constante (SAC) e Sistema Misto.
05 – Séries de pagamentos uniformes e não uniformes.
06 – Fluxo de caixa, valor presente e valor futuro. Avaliação econômica de projetos: Valor Presente Líquido, Taxa Interna de Retorno.
07 – Estatística descritiva e análise exploratória de dados: tipos de variáveis; construção e interpretação de tabelas, gráficos e diagramas; medidas descritivas de tendência central, dispersão, assimetria e curtose; identificação de outliers; análise de distribuições de frequências; covariância e correlação linear entre variáveis. Inferência estatística: técnicas de amostragem e estimação; métodos probabilísticos (aleatória simples, estratificada, sistemática e por conglomerados) e não probabilísticos; tamanho da amostra; estimativas pontuais e intervalares – Parte 1/2
08 – Estatística descritiva e análise exploratória de dados: tipos de variáveis; construção e interpretação de tabelas, gráficos e diagramas; medidas descritivas de tendência central, dispersão, assimetria e curtose; identificação de outliers; análise de distribuições de frequências; covariância e correlação linear entre variáveis. Inferência estatística: técnicas de amostragem e estimação; métodos probabilísticos (aleatória simples, estratificada, sistemática e por conglomerados) e não probabilísticos; tamanho da amostra; estimativas pontuais e intervalares – Parte 2/2
09 – Probabilidades: definições básicas, axiomas e propriedades; probabilidade condicional, independência e teorema de Bayes; variáveis aleatórias discretas e contínuas; distribuições de probabilidade (Bernoulli, binomial, multinomial, Poisson, geométrica, hipergeométrica, uniforme, normal, exponencial, Beta, Gama, t de Student, Qui-quadrado e F); esperança matemática, variância e funções geradoras de momentos – Parte 1/2
10 – Testes de hipóteses; erros tipo I e II; valor-p e poder do teste; comparação de médias e proporções; testes paramétricos e não paramétricos; análise de variância (ANOVA) – Parte 1/2
11 – Testes de hipóteses; erros tipo I e II; valor-p e poder do teste; comparação de médias e proporções; testes paramétricos e não paramétricos; análise de variância (ANOVA) – Parte 2/2
12 – Regressão e predição: regressão linear simples e múltipla; diagnóstico e validação de modelos; séries temporais: (tendência, sazonalidade, autocorrelação e modelos ARIMA); estacionariedade – Parte 1/2
13 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 1/7
14 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 2/7
15 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 3/7
16 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 4/7
17 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 5/7
18 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 6/7
19 – Modelagem estatística e aprendizado de máquina: visualização e comunicação de resultados; aprendizado supervisionado e não supervisionado; processos de treinamento, validação e teste; modelos supervisionados (regressão linear, regressão logística, árvores de decisão, Random Forest, k-vizinhos mais próximos (k-NN), máquinas de vetor de suporte (SVM); modelos não supervisionados (k-means, agrupamento hierárquico, análise de componentes principais (PCA), componentes independentes (ICA), regras de associação); overfitting, underfitting, regularização (Ridge, Lasso), seleção de variáveis e redução de dimensionalidade; identificação de padrões, tendências e anomalias – Parte 7/7
20 – A Prova de Raciocínio Crítico objetiva testar as habilidades de raciocínio, envolvendo: (a) elaboração de argumentos; (b) avaliação da argumentação; e (c) formulação ou avaliação de planos de ação. As questões podem abordar assuntos de quaisquer áreas, e sua resolução independe do conhecimento específico do assunto envolvido. Construção de argumentos: reconhecimento da estrutura básica de um argumento; conclusões apropriadas; hipóteses subjacentes; hipóteses explicativas fundamentadas; analogia entre argumentos com estruturas semelhantes.
21 – Avaliação de argumentos: fatores que reforçam ou enfraquecem uma argumentação; erros de raciocínio; método utilizado na exposição de razões. Formulação e avaliação de um Plano de Ação: reconhecimento da conveniência, eficácia e eficiência de diferentes planos de ação; fatores que reforçam ou enfraquecem as perspectivas de sucesso de um plano proposto; hipóteses subjacentes a um plano proposto.
Avaliações
Não há avaliações ainda.