Métodos Computacionalmente Intensivos em Estatística

Créditos: 2 práticos e 2 teóricos
Requisito: Programação e Algoritmos 2 e Inferência Estatística
Requisito Recomendado: Programação Estatística e Estatística Bayesiana
Objetivo: Proporcionar ao aluno a compreensão da teoria e aplicações dos principais métodos computacionalmente intensivos para Inferência Estatística, incluindo estimações pontual e intervalar e testes de hipóteses, seja soba perspectiva frequentista ou Bayesiana, apresentar medidas para quantificar incertezas associadas a esses métodos de Estatística Computacional e estudar estratégias para redução da variabilidade de estimadores obtidos ou para melhoria da eficiência dos algoritmos apresentados.
Ementa: Método escore de Fisher. Método Delta e propagação de erros. Algoritmo EM, seu uso na família exponencial e cálculo de erro padrão. Métodos de reamostragem: testes de permutação, Jackknife and Bootstrap, validação cruzada. Simulação estocástica: Monte Carlo via cadeia de Markov, amostragem de Gibbs, algoritmo de Metropolis-Hastings. Convergência e qualidade dos métodos computacionais. Aplicações em Estatística de computação em paralelo.

Bibliografia Básica: GIVENS, G. H.; HOETING, J. A. Computational statistics, Hoboken: Wiley-Interscience, 2005. MANLY, B. F. J. Randomization, bootstrap and Monte Carlo methods in biology, 2a ed., London: Chapman & Hall, 1998.  RUBINSTEIN, R. Y.; KROESE, D.P. Simulation and the Monte Carlo method, 2a ed., Hoboken: John Wiley & Sons, 2008.

Bibliografia Complementar: CHERNICK, M. R. Bootstrap methods: a guide for practitioners and researchers, 2a ed., Hoboken: Wiley-Interscience, 2008. MCLACHLAN, G. J.; KRISHNAN, T. The EM algorithm and extensions, New York: John Wiley & Sons, 1997. ROSS, S. M. Simulation, 2a ed., San Diego: Harcourt Academic Press, 1996. EFRON, B.; TIBSHIRANI, R. J. An introduction to the bootstrap. New York: Chapman Hall, 1993. ASMUSSEN, S.; GLYNN, P. W. Stochastic simulation: algorithms and analysis,New York: Springer, 2007.