Estatística Bayesiana › 46995

Pretende-se que o aluno adquira formação em termos da metodologia bayesiana. Especificamente, pretende-se que sejam adquiridas  as seguintes competências:

• Comparar a metodologia bayesiana em termos das suas vantagens e desvantagens relativamente á metodologia clássica, para resolver problemas de inferência estatística.
• Dado um problema específico, o aluno deve ser capaz de construir um modelo bayesiano apropriado, implementá-lo usando software adequado e interpretar corretamente as conclusões a tirar.
• Desenvolver a capacidade de utilização de novas tecnologias (software WinBUGGS) na resolução de problemas usando a metodologia bayesiana.

1. Estatística Clássica versus Estatística Bayesiana: conceitos de probabilidade; tipos de informação;   metodologias clássica e bayesiana, vantagens e desvantagens; teorema de Bayes como uma forma de actualização de informação, distribuições a priori e a posteriori
2. Eliciação de distribuições a priori, distribuições a priori não informativas e conjugadas
3. Inferência bayesiana; estimação pontual e regional, testes de hipóteses, predição e comparação de modelos.
4. Análise de modelos discretos: binomial e Poisson
5. Inferências no modelo normal.
6. Métodos analíticos e numéricos para implementar o paradigma bayesiano
7. Métodos de simulação para amostrar a partir de distribuições a posteriori; métodos de Monte Carlo simples e de Monte Carlo via cadeias de Markov.
8. Introdução do software WinBUGGS.

Bernardo, J. M. e Smith, A.F.M. (1994) Bayesian Theory.Chichester: Wiley.

Bolstad, W. M. (2004) Introduction to Bayesian Statistics.New Jersey: John Wiley and Sons.

Carlin, B. P. e Louis, T. (2000) Bayes and Empirical Bayes Methods for Data Analysis. 2^nd ed.London: Chapman and Hall

O´Hagan, A (1994) Bayesian Inference. Kendall´s Advanced Theory of Statistics, vol. 2B, London: Arnolf.

Paulino, C.D., Amaral Turkman, M.A. e Murteira, B (2003). Estatística Bayesiana. Lisboa: Fundação Calouste Gulbenkian.