Estatística Computacional

Informações Básicas

Carga horária: 

60 horas

Pré-requisito: 

Modelagem Estatística

Ementa: 

: (1) Simulação estocástica: Geração de variáveis aleatórias; Métodos de aceitação e rejeição; (2) Otimização numérica: Algoritmo EM; Simulated annealing. (3) Métodos aproximados de inferência: Aproximação de Laplace; Amostragem por importância; Método de Monte Carlo Sequencial; Integração de Monte Carlo. (4) Método de Monte Carlo via Cadeias de Markov: Amostrador de Gibbs; Algoritmo de Metropolis e Metropolis Hastings; Diagnósticos de convergência. (5) Cálculo da distribuição marginal: MCMC com saltos reversíveis; Comparação de modelos.

Bibliografia

Obrigatória: 

  • Gamerman, D., Lopes, H. F. Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, Second Edition. Chapman & Hall, 2006.
  • Braun, W. J. and Murdoch, D. J. (2016). A First Course in Statistical Programming with R, 2nd Edition, Cambridge University Press.
  • Del Moral, Pierre, and Spiridon Penev. Stochastic Processes: From Applications to Theory. CRC Press, 2017.

Complementar: 

  • Thisted, R (1988). Elements of Statistical Computing.
  • Robert, C.P., Casella, G. Monte Carlo Statistical Methods. Springer, 2004.
  • Givens, G. H., Hoeting, J. A. Computational Statistics (Wiley Series in Computational Statistics), 2012.
  • Gelman, A., Carlin, J. B., Stern, H. S. and Rubin, D. B. (2004). Bayesian data analysis, Chapman and Hall/CRC.
  • Lange, Kenneth. Numerical analysis for statisticians. Springer Science & Business Media, 2010.