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

Criação: 06/09/2018

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:

Luis Aparecido Milan
Marinho Gomes de Andrade Filho
Ricardo Sandes Ehlers


Objetivos:

Apresentar ao aluno as principais técnicas computacionais utilizada na solução de problemas de inferência estatística e inferência Bayesiana.


Justificativa:

Atualmente os problemas de inferência estatística são problemas de grande porte que exigem grandes esforços computacionais para resolvê-los. As ferramentas apresentadas neste curso são fundamentais para que o aluno possa abordar a soluções de problemas práticos e atuais.


Conteúdo:

Métodos para geração de variáveis: Métodos para distribuição U(0,1); Métodos para distribuições específicas como normal, Poisson, etc; Método da inversa da função de distribuição; Métodos de rejeição; Métodos adaptativos. Método geral de simulação. Métodos baseados em reamostragem: Bootstrap paramétrico e não paramétrico, e Jackknife. Métodos baseados em Cadeias de Markov: Metropolis, Metropolis-Hastings, Gibbs sampling, importance sampling e data augmentation. Diagnósticos de convergência: Geweke, Gelman & Rubin, Raftery & Lewis, Heidelberger & Welch, autocorrelações e correlações cruzadas.


Forma de avaliação:

A nota final (MF) será obtida da seguinte forma:
MF = 0.30*P1 + 0.30*P2 + 0.30*P3 + 0.1*T
Na expressão acima, MF = média final; T = média de apresentação de


Observação:

Nenhuma.


Bibliografia:

Fundamentais:
BEST, N., COWLES, M.K. e VINES, K. CODA Manual, MRC Cambridge, CB2 2SR, UK, 1996.
DAVISON, A.C. e HINKLEY, D.V. Bootstrap methods and their application. Cambridge University Press. Cambridge, UK, 1997.
DEVROYE, L. Non-uniform random variate generation. Springer-Verlag, 1986.
EFRON, B. e TIBSHIRANI, R.J. An introduction to the bootstrap. Champman & Hall, 1993.
GAMERMAN, D.; LOPES, H.F. Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, 2nd. edition. 2a. ed. Londres: Chapman & Hall/CRC, v. 1, 2006.
GILKS, W.R., RICHARDSON, S. e SPIEGELHALTER, D.J. Markov Chain Monte Carlo in practice. Chapman & Hall, London, 1995.
KENNEDY W.J. & GENTLE, J.E. Statistical Computing.Marcel Dekker, Inc., New York, 1980.
TANNER, M.A. Tools for Statistical Inference. Série Lecture notes in statistics, Springer-Verlag, New York, 1992.
THISTED, R.A. Elements of Statistical Computing. Chapman and Hall, New York, 1988.

CONECTE-SE COM A GENTE
 

© 2022 Instituto de Ciências Matemáticas e de Computação