---

Área de concentração: 104131 - Programa Interinstitucional de Pós-Graduação em Estatística

Criação: 22/02/2022

Nº de créditos: 10

Carga horária:

Teórica Por semana	Prática Por semana	Estudos Por semana	Duração	Total
4	2	4	15 Semanas	150 Horas

Docentes responsáveis:

Daiane Aparecida Zuanetti
Jorge Luis Bazán Guzmán
Josemar Rodrigues
Rafael Bassi Stern
Rafael Izbicki
Ricardo Sandes Ehlers
Vera Lucia Damasceno Tomazella

Objetivos:

Apresentar os fundamentos da Estatística Bayesiana, capacitar a utilização de modelos Bayesianos avançados e o cálculo de posterioris por meio de métodos computacionais adequados.

Justificativa:

Apresentar tópicos avançados de Inferência Bayesiana que não são contemplados em outros cursos.

Conteúdo:

Fundamentos da Estatística Bayesiana. Elementos do modelo estatístico Bayesiano: atribuição de probabilidades e teorema de Bayes. Famílias conjugadas. Introdução à teoria da decisão: função de perda, risco Bayesiano. Inferência Bayesiana: estimação, intervalos de credibilidade e testes de hipótese. Modelos hierárquicos, métodos computacionais Bayesianos, tópicos especiais.

Forma de avaliação:

Serão utilizadas combinações de provas, seminários, listas de exercícios, discussões em classe e projetos.

Observação:

Nenhuma.

Bibliografia:

Fundamentais:
- Schervish, M. J. (2012). Theory of statistics. Springer Science & Business Media.
- Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (1995). Bayesian data analysis. Chapman and Hall/CRC.
- Parmigiani, G., & Inoue, L. (2009). Decision theory: principles and approaches (Vol. 812). John Wiley & Sons.
- Robert, C., & Casella, G. (2013). Monte Carlo statistical methods. Springer Science & Business Media.
- Kroese, D. P., Taimre, T., & Botev, Z. I. (2013). Handbook of monte carlo methods (Vol. 706). John Wiley & Sons.

Complementares (se houver):
- Kadane, J. B. (2011). Principles of uncertainty. Chapman and Hall/CRC.
- Jaynes, E. T. (2003). Probability theory: The logic of science. Cambridge university press.
- Robert, C. (2007). The Bayesian choice: from decision-theoretic foundations to computational implementation. Springer Science & Business Media.