(1) Simulação estocástica: Geração de variáveis aleatórias; Métodos de aceitação e rejeição; (2) Otimização numérica: Algoritmo EM; Simulated annealing. (3) Métodos aproximados de inferência: Aproximação de Laplace; Amostragem por importância; Método de Monte Carlo Sequencial; Integração de Monte Carlo. (4) Método de Monte Carlo via Cadeias de Markov: Amostrador de Gibbs; Algoritmo de Metropolis e Metropolis Hastings; Diagnósticos de convergência. (5) Cálculo da distribuição marginal: MCMC com saltos reversíveis; Comparação de modelos.
Informações Básicas
Obrigatória:
-
Gamerman, D., Lopes, H. F. Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, Second Edition. Chapman & Hall, 2006.
-
Braun, W. J. and Murdoch, D. J. (2016). A First Course in Statistical Programming with R, 2nd Edition, Cambridge University Press.
-
Del Moral, Pierre, and Spiridon Penev. Stochastic Processes: From Applications to Theory. CRC Press, 2017.
Complementar:
-
Thisted, R (1988). Elements of Statistical Computing.
-
Robert, C.P., Casella, G. Monte Carlo Statistical Methods. Springer, 2004.
-
Givens, G. H., Hoeting, J. A. Computational Statistics (Wiley Series in Computational Statistics), 2012.
-
Gelman, A., Carlin, J. B., Stern, H. S. and Rubin, D. B. (2004). Bayesian data analysis, Chapman and Hall/CRC.
-
Lange, Kenneth. Numerical analysis for statisticians. Springer Science & Business Media, 2010.