Portal do Ementário

  Apresentar os conceitos básicos relacionados com a inferência estatística com enfoque bayesiano. Estudar as principais aspectos da teoria de decisão a sua utilidade nas aplicações práticas. Apresentar os principais métodos de estimação de parâmetros e estudar os testes de hipóteses bayesianos. Aplicar as metodologias apresentadas por meio do uso de programas computacionais estatísticos.

Introdução – Interpretações de Probabilidade – Teorema de Bayes – Método Bayesiano – Distribuições a priori, a posteriori e preditivas – Fundamentos de inferência Bayesiana: princípios de verossimilhança, suficiência e condicionalidade – Distribuições a priori subjetivas, conjugadas, próprias, impróprias, de Jeffreys e hierárquicas – Teoria da decisão: função de perda, risco e estimador de Bayes – Intervalos de credibilidade e HPD – Testes de hipóteses bayesiano – Fator de Bayes – Inferência Preditiva – Métodos computacionais: Monte Carlo, quadratura gaussiana, MCMC.

PAULINO, Carlos D. M.; MURTEIRA, Bento; TURKMAN, Maria A. A. Estatística bayesiana. Lisboa: Fundação Calouste Gulbenkian, 2003. 446 p. MIGON, H. S.; GAMERMAN, D. Statistical inference: an integrated approach. London: Arnold, 1999. DEGROOT, Morris H.; SCHERVISH, Mark J. Probability and statistics. 4th ed. Boston, Mass.: Addison-Wesley, 2002, 2012.

NTZOUFRAS, Ioannis. Bayesian modeling using WinBUGS. Hoboken, N.J.: John Wiley & Sons, 2009. xxiii, 492 p. ALBERT, Jim. Bayesian computation with R. New York, N.Y.: Springer, 2007. x, 267 p. O'HAGAN, Anthony; WEST, Mike (Ed.). The Oxford handbook of applied Bayesian analysis. New York; Oxford: Oxford University Press, 2010. xxxiv, 889 p. CHEN, Ming-Hui; IBRAHIM, Joseph G.; SHAO, Qi-Man. Monte Carlo methods in Bayesian computation. New York, N.Y.: Springer, 2000. xiii, 386 p. GAMERMAN, Dani; LOPES, Hedibert F. Markov chain Monte Carlo: stochastic simulation for Bayesian inference. 2nd ed. Boca Raton: Chapman & Hall: Taylor & Francis, 2006. xvii, 323 p.