Universidade Federal de Uberlândia — Edital nº 119/2026

EDITAL PROGEP Nº 119/2026 CONCURSO PÚBLICO EDITAL COMPLEMENTAR AO EDITAL PROGEP Nº 118/2026 O Pró-Reitor de Gestão de Pessoas da Universidade Federal de Uberlândia, no uso de suas atribuições e considerando a delegação de competência que lhe foi outorgada por meio da Portaria UFU nº 166, de 07 de janeiro de 2025, do Reitor da Universidade Federal de Uberlândia, publicada no Diário Oficial da União em 08 de janeiro de 2025, seção 2, p. 34; e tendo em vista o que estabelecem a Lei nº 8.112, de 11 de dezembro de 1990; a Lei nº 12.772, de 28 de dezembro de 2012; bem como o Decreto nº 7.485, de 18 de maio de 2011, alterado pela Portaria Interministerial nº 316, de 9 de outubro de 2017; e o Decreto nº 8.260, de 29 de maio de 2014; o Decreto nº 9.739, de 28 de março de 2019; o Estatuto e o Regimento Geral da UFU; a Resolução CONDIR nº 2, de 22 de fevereiro de 2021; e demais legislações pertinentes, torna públicas as especificações do concurso público para contratação de professor(a) efetivo(a), conforme Edital PROGEP nº 118/2026. 1.especificação do CONCURSO PÚBLICO 1.1.Unidade acadêmica: Instituto de Matemática e Estatística - IME.

1.2.Campus de atuação: Santa Mônica, localizado na cidade de Uberlândia (MG).

1.3.Descrição da vaga: Área/subárea Número de vagas Qualificação Mínima Exigida Regime de trabalho Probabilidade e Estatística 1 (uma) Graduação em Estatística e doutorado em Ciência de Dados OU Graduação em Estatística e doutorado em Matemática Aplicada e Ciência de Dados OU Graduação em Estatística e doutorado em Ciência da Computação OU Graduação em Estatística e doutorado em Ciências da Computação e Matemática Computacional OU Graduação em Estatística e doutorado em Computação Aplicada OU Graduação em Estatística e doutorado em Engenharia da Computação OU Graduação em Estatística e doutorado em Matemática Computacional OU doutorado em Estatística OU doutorado em Estatística e Ciência de Dados 40 horas semanais com Dedicação Exclusiva 1.4.Disciplinas a serem ministradas: Disciplinas da área Estatística e Ciência de Dados e quaisquer outras disciplinas determinadas pela Unidade, correlatas à área do concurso público.

1.5.Conteúdo programático:

1.5.1.Variáveis e vetores aleatórios - função de distribuição acumulada, principais distribuições de probabilidade, esperança, variância, função geratriz de momentos e função característica, distribuições conjuntas, marginais e condicionais, método Jacobiano, convolução, esperança condicional.

1.5.2.Convergência de variáveis aleatórias e teoremas limites - convergência em probabilidade, quase certa e em distribuição, desigualdades para probabilidades, lei fraca e lei forte dos grandes números, teorema central do limite.

1.5.3.Estimação de parâmetros - teoria da máxima verossimilhança, família exponencial, estatísticas suficientes e completas, teorema de Rao-Blackwell, teorema de Lehmann-Scheffé, informação de Fisher, desigualdade de Cramér-Rao, propriedades assintóticas.

1.5.4.Intervalos de confiança e Testes de hipóteses - método da quantidade pivotal, intervalos de confiança para populações normais, intervalos de confiança para grandes amostras, lema de Neyman-Pearson, teste uniformemente mais poderoso, teste da razão de verossimilhanças, testes assintóticos.

1.5.5.Modelos lineares generalizados - distribuições da família exponencial e suas propriedades, estimação e métodos de inferência, análise de resíduos e verificação de ajuste do modelo, quase-verossimilhança.

1.5.6.Métodos inferenciais computacionalmente intensivos - testes baseados em simulação e aleatorização, Bootstrap e jackknife, algoritmo Expectation-Maximization (EM), métodos Monte Carlo via Cadeias de Markov (MCMC).

1.5.7.Técnicas de redução de dimensionalidade - análise de componentes principais, análise de correspondência múltipla, análise fatorial, escalonamento multidimensional.

1.5.8.Técnicas de agrupamento - medidas de distância e similaridade, agrupamento hierárquico, K-médias, agrupamento baseado em densidade e agrupamentos baseados em modelos, métricas de qualidade de agrupamentos.

1.5.9.Fundamentos de aprendizado supervisionado - funções de perda e estratégias de ajuste para classificação e regressão, vício e variância, regularização, métodos de validação, medidas de capacidade preditiva. Métodos estatísticos supervisionados: análise discriminante, classificadores Bayesianos, métodos baseados em árvores de decisão, máquina de vetores de suporte.

1.5.10.Modelos de inteligência artificial - redes neurais, perceptron e multilayer perceptron, aprendizado profundo, redes neurais recorrentes, generative adversarial networks (GANs).

1.6.Referencial bibliográfico:

1.6.1.AZZALINI, A. Statistical Inference: Based on the Likelihood. London: Chapman & Hall, 1996.

1.6.2.BILLINGSLEY, P. Probability and Measure. New York: Wiley-Interscience, 3a edição, 1995.

1.6.3.BISHOP, C. M. Pattern Recognition and Machine Learning. Springer, 2006.

1.6.4.CASELLA, G. & BERGER, R. L., Statistical Inference, Duxbury Press, 2a edição, 2001.

1.6.5.COX, D. R. & HINKLEY, D. V. Theoretical Statistics. London: Chapman and Hall, 1994.

1.6.6.DURRETT, R. Probability: Theory and examples. Cambridge University Press, 4a edição, 2010.

1.6.7.DOBSON, A. J. An Introduction to Generalized Linear Models, London: Chapman and Hall, 3a edição, 2008.

1.6.8.EFRON, B.; HASTIE, T. Computer age statistical inference: Algorithms, evidence, and data science. Cambridge: Cambridge University Press, 2016.

1.6.9.FARAWAY, J. J. Extending the linear model with R: Generalized linear, mixed effects and nonparametric regression models. Boca Raton: CRC Press, Taylor & Francis, 2005.

1.6.10.GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016.

1.6.11.HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: Data mining, inference, and prediction. 2. ed. New York: Springer, 2013.

1.6.12.IZBICKI, R. e SANTOS, T. M. dos. Aprendizado de Máquina: Uma Abordagem Estatística. 1a edição, UICLAP, 2022.

1.6.13.JAMES, B. R. Probabilidade: Um Curso de Nível Intermediário. Rio de Janeiro: IMPA, 1981.

1.6.14.JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning: With applications in R. 2nd ed. New York: Springer, 2021.

1.6.15.JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 6th ed. Upper Saddle River: Pearson, 2007.

1.6.16.LEHMANN, E. L. e CASELLA, G. Theory of Point Estimation. New York: Springer, 2a edição, 2003.

1.6.17.LEHMANN, E.L. & ROMANO, J. P. Testing Statistical Hypotheses. New York: Springer, 3a edição, 2010.

1.6.18.MAGALHÃES, M.N. Probabilidade e Variáveis Aleatórias. Edusp, São Paulo, 1a edição, 2004.

1.6.19.MARSLAND, S. Machine learning: An algorithmic perspective. 2nd ed. Boca Raton: CRC Press, 2011.

1.6.20.McCULLAGH, P. & NELDER, J. A. Generalized Linear Models. London: Chapman and Hall, 2nd ed., 1989.

1.6.21.MIGON, H. S., GAMERMAN, D., LOUZADA, F. Statistical Inference. 2nd ed. Chapman & Hall/CRC, 2014.

1.6.22.MORETTIN, P. A.; SINGER, J. M. Estatística e Ciência de Dados. Rio de Janeiro: LTC, 2022.

1.6.23.NETER, J., KUTNER, M. H. NACHTSHEIM, C. J. e WASSERMAN, W. Applied Linear Statistical Models, 4th ed., Chicago: Irwin. 1996.

1.6.24.RIZZO, M. L. Statistical computing with R. Boca Raton: Chapman and Hall/CRC, 2019.

1.6.25.ROSS, S.M. Introduction to Probability Models. Academic Press, New York, 2003.

1.6.26.ROSS, S. M. Simulation. 4. ed. Amsterdam: Elsevier Academic Press, 2006.

1.6.27.RIGBY, R. A., STASINOPOULOS, M. D., HELLER, G. Z., DE BASTIANI, F.. Distributions for Modeling Location, Scale, and Shape Using GAMLSS in R. 1st ed. Chapman and Hall/CRC, 2021.

1.6.28.SMOLA, A. e VISHWANATHAN, S.V. N. Introduction to Machine Learning. Cambridge University Press, 2008.

1.6.29.WITTEN, I. H.; FRANK, E.; HALL, M. A.; PAL, C. J. Data mining: Practical machine learning tools and techniques. 4th ed. San Francisco: Morgan Kaufmann, 2016.

1.6.30.WOOD, S. N. Generalized Additive Models: An Introduction with R, 2nd Ed. Chapman & Hall/CRC, 2017.

1.6.31.ZAKI, M. J. e MEIRA, W. (2014). Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press, 2014. 2.modalidades de avaliação 2.1.O concurso será composto das seguintes provas e fases: Fase Avaliação Caráter Peso 1ª Fase Prova escrita Eliminatório e classificatório 1 2ª Fase Prova didática Eliminatório e classificatório 1 3ª Fase Análise de títulos Classificatório 1 2.2.Caso o número de inscrições deferidas seja menor ou igual a 16 (dezesseis), a 2ª e a 3ª fase serão aglutinadas. Neste caso, será divulgado cronograma atualizado após o deferimento das inscrições.

2.3.Cronograma previsto: Atividade Data Horário Local Prova escrita 27/09/2026 10h00min Campus Santa Mônica, na Avenida João Naves de Ávila, nº 2121, no Bairro Santa Mônica, na cidade de Uberlândia (MG), CEP: 38408-100. Observação: O bloco e sala para realização da prova serão informados na ficha do(a) candidato(a) a ser liberada 9 dias antes da prova Sorteio público da ordem de realização da Prova Didática 09/11/2026 08h30min Sala 1F119, Bloco 1F, Campus Santa Mônica - UFU, na Av. João Naves de Ávila, nº 2121, no Bairro Santa Mônica, na cidade de Uberlândia/MG - CEP: 38408-100. Sorteio público do tema da Prova Didática 09/11/2026 08h45min Sala 1F119, Bloco 1F, Campus Santa Mônica - UFU, na Av. João Naves de Ávila, nº 2121, no Bairro Santa Mônica, na cidade de Uberlândia/MG - CEP: 38408-100. Entrega do plano de aula para a Prova Didática Entregar o plano de aula impresso a cada membro da comissão julgadora antes de iniciar sua apresentação para a prova didática. Prova didática 10/11/2026 09h00min Sala 1F119, Bloco 1F, Campus Santa Mônica - UFU, na Av. João Naves de Ávila, nº 2121, no Bairro Santa Mônica, na cidade de Uberlândia/MG - CEP: 38408-100. Entrega dos títulos 10/11/2026 Das 00h00min até às 23h59min Enviar pelo e-mail: [email protected] 2.3.1.Caso seja necessário realizar outro(s) sorteio(s) de tema(s), estes ocorrerão em intervalos de 24 horas.

2.3.2.O(A) candidato(a) deverá comparecer nas datas e horários marcados para realização de cada prova do concurso público, inclusive à sessão de abertura e ao(s) sorteio(s) da ordem de apresentação, de tema(s) e/ou questão(ões), sendo eliminados(as) aqueles(as) que não comparecerem ou se atrasarem. É vedado ao(à) candidato(a) fazer-se representar por procurador(a) legalmente constituído(a) em qualquer dessas fases, salvo na entrega de títulos.

3.Prova escrita 3.1.A prova deverá ser realizada exclusivamente em língua portuguesa, observada a norma-padrão do português brasileiro, não sendo admitida a utilização de variante linguística de outro país lusófono.

3.2.A prova escrita consistirá em dissertação sobre um tema sorteado.

3.3.Critérios de correção da prova escrita: Nº Critério Descrição (O que se espera do candidato em cada critério) Pontuação Máxima 1 Habilidade na expressão escrita e domínio aos padrões da língua culta. I. Capacidade de articular ideias com precisão vocabular e a correção gramatical, com a utilização correta das articulações gramaticais, fazendo com que o texto se apresente de forma clara, com ideias encadeadas, em que se identifique a associação consistente de elementos do texto (5 pontos); II. Domínio da língua portuguesa com relação à ortografia, acentuação, pontuação, concordâncias nominal e verbal, além do vocabulário técnico referente ao tema da prova escrita (5 pontos). 10 pontos 2 Capacidade de organização e planejamento do texto. I. Capacidade de organização e o planejamento do texto de acordo com o nível proposto (5 pontos); II. Demonstração do entendimento/investigação das estruturas básicas das informações condizentes com o tema (5 pontos). 10 pontos 3 Pertinência temática, abordagem teórico-conceitual: densidade teórica I. Capacidade de abordar o tema com pertinência temática e abordagem teórico-conceitual (20 pontos); II. Articulação, clareza e coerência de ideias no desenvolvimento do tema (15 pontos); III. Adequação do texto ao nível proposto (10 pontos); IV. Adequação da bibliografia utilizada (5 pontos). 50 pontos 4 Capacidade de problematização I. Capacidade de contextualizar o(s) tema(s) e fundamentação teórica pertinente (15 pontos); II. Domínio do tema, grau de detalhamento das informações e argumentos apresentados (15 pontos). 30 pontos TOTAL 100 pontos 4.Prova didática