Disciplina
Estatística Computacional
Área
Área Científica de Probabilidades e Estatística > Probabilidades e Estatística
Activa nos planos curriculares
Min-CD 2021 > Min-CD 2021 > Estatística Computacional
MMAC 2021 > MMAC 2021 > 2º Ciclo > Área Principal > Áreas de Especialização > Área de Especialização em Probabilidade e Estatística > Área Científica de Probabilidades e Estatística > Estatística Computacional
MECD2019 > MECD2019 > 2º Ciclo > Tronco Comum > Grupo Matemática > Estatística Computacional
DEAMat2006 > DEAMat2006 > 3º Ciclo > Probabilidades e Estatística > Estatística Computacional
DFAEA2007 > DFAEA2007 > 3º Ciclo > Estatística Aplicada - Tipo F > Estatística Computacional
MMA 2006 > MMA 2006 > 2º Ciclo > Perfis > Probabilidades e Estatística Matemática > Probabilidades e Estatística > Estatística Computacional
Nível
Exame escrito e trabalhos de estatística computacional.
Tipo
Não Estruturante
Regime
Semestral
Carga Horária
1º Semestre
3.0 h/semana
1.5 h/semana
147.0 h/semestre
Objectivos
Compreender e ser capaz de aplicar técnicas estatísticas em contextos computacionalmente intensivos, dando-se especial atenção a questões de extração de amostras representativas e de inferência estatística associadas a grandes e complexos conjuntos de dados. O aluno deve desenvolver competências sólidas em: testes de hipótese múltiplos, métodos Monte-Carlo via cadeias de Markov métodos de reamostragem e estimação paramétrica e não paramétrica de matrizes de covariância e sua aplicação na análise em componentes principais e deteção deoutliers.
Programa
1. Amostragem e delineamento experimental (extração de amostras representativas de conjuntos de dados grandes e complexos). 2. Métodos de inferência estatística (máxima verosimilhança, testes de hipóteses múltiplos, false discovery rate). 3. Estatística bayesiana (métodos de Monte-Carlo via cadeias de Markov, predição, técnicas de diagnóstico). 4. Métodos de reamostragem (bootstrap e jackknife, testes de permutação). 5. Estimadores de matrizes de covariância e correlação. Análise em componentes principais (estimação paramétrica e não paramétrica, robustez, componentes principais esparsas e não lineares, deteção de outliers).
Metodologia de avaliação
Exame escrito e trabalhos de estatística computacional.
Pré-requisitos
Componente Laboratorial
Princípios Éticos
Componente de Programação e Computação
Componente de Competências Transversais
Bibliografia
Principal
Elements of Computational Statistics
The Elements of Statistical Learning. Data Mining, Inference, and Prediction
T. Hastie, R. Tibshirani, and J. Friedman
Multiple Testing and Simultaneous Inference. Testing Statistical Hypotheses
E. L. Lehmann and J. P. Romano
Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference