Tópicos de Estatística Computacional
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Aquisição de conhecimentos na área de Estatística Computacional com a utilização do Software R.
Simulação e abordagem dos métodos computacionais usualmente usados em Estatística. Abordar tópicos de computação estatística clássicos na otimização, integração e aplicações a Inferência Estatística de Métodos de Monte Carlo(MC), integração MC, simulação e métodos de Cadeia de Markov Monte Carlo (MCMC), algoritmo EM, entre outros.
Familiarizar os alunos com o tratamento computacional de dados.
Desenvolver algoritmos de simulação e técnicas computacionais usadas em estatística.
Conhecer os principais fundamentos relacionados com o ambiente R.
Dominar técnicas de inferência estatística paramétrica e não paramétrica.
Gerar números pseudoaleatórios e variáveis aleatórias, por métodos de simulação.
Compreender e saber aplicar o método de reamostragem Bootstrap.
Aprender autonomamente com adaptação a novas situações.
Utilizar corretamente e racionalmente software estatístico.
Conteúdos Programáticos
1. Introdução à linguagem de programação R.
2. Geração de NPA's (Números Pseudo-Aleatórios).
3. Métodos de Monte Carlo em Inferência Estatística.
4. Métodos de Reamostragem Bootstrap, Jackknife.
5. Métodos MCMC (Markov Chain Monte Carlo).
6. Estimação MV e o algoritmo EM.
Métodos de Ensino
Metodologia de ensino:
Aulas teórico-práticas predominantemente lecionadas no quadro, com suporte de ferramentas de e-learning e utilização de diapositivos. Motivar a ida às aulas e o trabalho contínuo do aluno.
Realização de aplicações computacionais.
Introdução dos conceitos teóricos recorrendo a exemplos de aplicação direta em diferentes áreas, procurando mostrar a relevância dos conteúdos programáticos. Exercícios direcionados, focando a resolução de problemas atuais e reais, com o objetivo de desenvolver o gosto e interesse pela disciplina e mostrar a sua utilidade.
Enfoque na interpretação e análise de dados recorrendo sempre que possível a outputs do software utilizado.
Avaliação
Avaliação:
Privilegiar a avaliação contínua com a realização de 1 teste e trabalhos individuais / grupo. Caso não obtenha aprovação em avaliação contínua, o aluno realiza um exame e os trabalhos individuais / grupo terão um peso menor na nota final.
Bibliografia
1. Efron, B.; Tibshirani, R. F. An Introduction to the Bootstrap. Chapman & Hall.
2. Gentle, J. E (2002). Elements of Computational Statistics, Springer.
3. Gentle, J. E.; Hardle, W.; Mori, Y. (2004): Handbook of Computacional Statistics: Concepts and Methods, Springer.
4. Rizzo, M. L. (2008). Statistical Computing with R, Chapman and Hall CRC.
5. Robert, C. P., Casella, G. (2010). Introducing Monte Carlo Methods with R, Springer-Verlag, New Work.
6. Rubinstein, R. Y.; Kroese, D. P. (2007). Simulation and the Monte Carlo Method. Toronto-Canadá: John Wiley.
Equipa Docente (2023/2024 )
- Lígia Carla Pinto Henriques Jorge Rodrigues [responsável]
