Professor efetivo

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 e o Decreto nº 9.739, de 28/03/2019.

 

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.

 

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 Ciências da Computação e Matemática Computacional; ou Doutorado em Computação Aplicada; ou Doutorado em Engenharia da Computação; ou Doutorado em Engenharia Elétrica com Graduação e/ou Mestrado em Estatística; ou Doutorado em Engenharia de Produção com Graduação e/ou Mestrado em Estatística; ou Doutorado em Engenharia Ambiental com Graduação e/ou Mestrado em Estatística; ou Doutorado em Matemática Computacional com Graduação e/ou Mestrado em Estatística; ou Doutorado em Economia com Graduação ou Mestrado em Estatística; ou Doutorado em Sensoriamento Remoto com Graduação e/ ou Mestrado em Estatística.

 

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. Modelos 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 digital nº 23068.104820/2022-12).

 

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 inscrições: 26 de dezembro de 2022 a 25 de janeiro de 2023.

As incrições para o Edital 161/2022 foram prorrogadas.

EDITAL Nº 2, DE 20 DE JANEIRO DE 2023

O Reitor da Universidade Federal do Espírito Santo, usando de suas atribuições, e tendo em vista o disposto no documento avulso nº 23068.001904/2023-78, torna público a retificação do concurso público para Professor do Magistério Superior, do Departamento de Estatística/CCE, regido pelo Edital nº 161/2022-R, publicado no DOU de 8 de dezembro de 2022, seção 3, páginas 78 a 82, conforme segue: 1) ALTERAR item 7.1. do edital para onde se lê: "O período de inscrições será das 0h do dia 26/12/2022 até as 23h59 do dia 25/01/2023 (Horário de Brasília)"; leia-se: "O período de inscrições será das 0h do dia 26/12/2022 até as 23h59 do dia 09/02/2023 (Horário de Brasília)".

Os demais itens permanecem inalterados.

PAULO SERGIO DE PAULA VARGAS Reitor  

 

Etapa I

Comissão Examinadora

1. Prof Dr. Fabio A. Fajardo Molinares (DEST/UFES) - Presidente

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

3. Prof. Dr. Mário Piscoya Diaz (DE/UFG)

 

Inscrições Deferidas (Publicado em 15/02/2023)

 

---

Etapa II

Prova escrita (eliminatório e classificatório)

Local e horário da prova escrita: 24 de abril às 8:00h - Sala 114 do prédio da Pós graduação de Química/Matemática

Resultado prova escrita (Publicado em 24/04/2023 às 23:00h)

 

Resultado prova didática (Publicado em 26/04/2023 às 18:00h)

Observações:

- De acordo com o Item 9.4. do Edital 161 de 7 de dezembro de 2022, in verbis: "Somente participarão da prova de aptidão didática os candidatos classificados na prova escrita na proporção de 5 (cinco) candidatos para cada vaga disponível no concurso";

- O sorteio dos temas para a prova didática será realizado em 25 de abril a partir das 9:00h - Local: Mini-auditório - Bloco B - Sala A-12.

Resultado do sorteio: Cadeias de Markov em tempo discreto - Horário: 9:15h - Local: Mini-auditório - Bloco B - Sala A-12.

Resultado plano de trabalho (Publicado em 28/04/2023)

 

Resultado Final (Publicado em 28/04/2023 às 18:13)

 

Homologação publicada no DOU (Publicado em )

 

---

 

Observações

1. A bibliografia sugerida e o cronograma estarão disponíveis no sítio eletrônico do concurso até a data de início das inscrições. A bibliografia sugerida não encerra e nem
   esgota o conteúdo programático;
2.  O Concurso Público será regido por este Edital, publicado no Diário Oficial da União e divulgado no sítio eletrônico do concurso: https://progep.ufes.br, sendo de inteira responsabilidade do candidato o seu acompanhamento;
3. No formulário, o candidato deverá informar seus dados pessoais, cargo e setor pretendido e endereço eletrônico de seu currículo registrado na plataforma Lattes do CNPq. A omissão ou a informação incorreta do endereço eletrônico acarretará a eliminação do candidato;
4. A UFES não se responsabilizará por solicitação de inscrição não recebida por motivos de natureza técnica dos computadores, possíveis falhas de comunicação, congestionamento das linhas de transmissão, manuseio indevido do sistema ou qualquer outro motivo que impossibilite a transferência de dados;
5. Serão considerados apenas os currículos Lattes atualizados até a data do encerramento das inscrições;
6. Os candidatos deverão comparecer no local e horário marcado para realização das provas, com máscaras de proteção facial, e deverão permanecer durante todo o período de realização das etapas presenciais do concurso utilizando máscara de proteção facial, e trazer máscaras reservas caso necessário trocá-las, observando as medidas de Biossegurança do Plano de Biossegurança da UFES e as medidas de segurança sanitária orientadas pelo Ministério da Saúde.

 

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

 

---