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/Testes, complementado com uma componente de trabalho de casa aplicado e/ou provas orais para classificações maiores de 17 valores.
Tipo
Não Estruturante
Regime
Semestral
Carga Horária
1º Semestre
1.0 h/semana
119.0 h/semestre
Objectivos
Compreender e ser capaz de aplicar técnicas estatísticas em contextos computacionalmente intensivos, dando-se especial atenção a questões de inferência estatística associadas a grandes e complexos conjuntos de dados. Desenvolver competências sólidas em métodos de reamostragem e métodos Monte-Carlo via cadeias de Markov, com aplicações em dados reais.
Programa
Simulação estocástica. Métodos de inferência estatística: máxima verosimilhança, EM, ampliação de dados. Vizualização de dados. Métodos de reamostragem: bootstrap, jackknife. Métodos de Monte Carlo (MC): MC simples, MC com amostragem de importância. Métodos de Monte Carlo via cadeias de Markov: amostrador Gibbs, algoritmo Metropolis-Hastings, técnicas de diagnóstico de convergência. Aplicações a variados problemas estatísticos.
Metodologia de avaliação
Exame/Testes, complementado com uma componente de trabalho de casa aplicado e/ou provas orais para classificações maiores de 17 valores.
Pré-requisitos
Não aplicável.
Componente Laboratorial
Não aplicável.
Princípios Éticos
Todos os membros de um grupo são responsáveis pelo trabalho do grupo. Em qualquer avaliação, todo aluno deve divulgar honestamente qualquer ajuda recebida e fontes usadas. Numa avaliação oral, todo aluno deverá ser capaz de apresentar e responder a perguntas sobre toda a avaliação.
Componente de Programação e Computação
Não aplicável.
Componente de Competências Transversais
A UC permite o desenvolvimento de competências transversais em Pensamento Crítico, Criatividade e Estratégias de Resoluções de Problemas, nas aulas, em trabalho autónomo e nas várias componentes de avaliação. A percentagem de avaliação associada a estas competências deverá ser da ordem dos 15%.
Bibliografia
Principal
Elements of Computational Statistics
Computational Bayesian Statistics: An Introduction
Amaral Turkman, A., Paulino, C.D., Muller, P.
2nd edition. Chapman and Hall/CRC Press
Secundária
Paulino, C.D., Amaral Turkman, A., Murteira, B., Silva, G.L.
2ª Edição. Fundação Calouste Gulbenkian
Basic Elements of Computational Statistics
Härdle, W, Okhrin, O, Okhrin, Y
Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference
2nd edition. Chapman \& Hall/CRC Press.
Monte Carlo Statistical Methods
Tools for Statistical Inference
R for Data Science: Import, Tidy, Transform, Visualize, and Model Data