FenixEdu™

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

Aula Teórica (T): 3.0 h/semana

Aula de Laboratório (PL): 1.5 h/semana

Trabalho Autónomo: 147.0 h/semestre

Créditos ECTS:

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).