Estatística Computacional

Simulação estocástica: Geração de variáveis aleatórias; Métodos de aceitação e rejeição. Otimização numérica: Algoritmo EM; Simulated annealing. Métodos aproximados de inferência: Aproximação de Laplace; Amostragem por importância; Integração de Monte Carlo, Métodos de Monte Carlo Sequenciais. Método de Monte Carlo via Cadeias de Markov: Amostrador de Gibbs; Algoritmo de Metropolis e Metropolis Hastings; Diagnósticos de convergência. Cálculo da distribuição marginal: MCMC com saltos reversíveis; Comparação de modelos.

Informações Básicas

Carga horária
45 horas
Pré-requisito
Mathematical Statistics

Obrigatória: 

  • Gamerman, D., & Lopes, H. F. (2006). Markov chain Monte Carlo: stochastic simulation for Bayesian inference. Chapman and Hall/CRC.
  • Robert, C. P., Casella, G. (2004). Monte carlo methods. John Wiley & Sons, Ltd.
  • Del Moral, P., & Penev, S. (2017). Stochastic Processes: From Applications to Theory. CRC Press.

Complementar: 

  • Givens, G. H., & Hoeting, J. A. (2012). Computational statistics (Vol. 710). John Wiley & Sons.
  • Wang, X., Ryan, Y. Y., & Faraway, J. J. (2018). Bayesian Regression Modeling with INLA. CRC Press.
  • Gentle, J. E., Härdle, W. K., & Mori, Y. (Eds.). (2012). Handbook of computational statistics: concepts and methods. Springer Science & Business Media.
  • Liu, J. S. (2008). Monte Carlo strategies in scientific computing. Springer Science & Business Media.
  • Efron, Bradley, and Trevor Hastie. Computer age statistical inference. Vol. 5. Cambridge University Press, 2016.