Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior | ||
|
disciplinas:lce5715-2014 [2014/09/26 22:26] clobos |
disciplinas:lce5715-2014 [2014/11/14 22:05] (atual) clobos |
||
|---|---|---|---|
| Linha 1: | Linha 1: | ||
| - | {{:disciplinas:04.pdf|}}====== LCE-5715 - Métodos Computacionais para Inferência com Aplicações em R ====== | + | ====== LCE-5715 - Métodos Computacionais para Inferência com Aplicações em R ====== |
| O objetivo da disciplina é apresentar e discutir os principais métodos computacionais utilizados em inferência estatística. Prover complemento computacional para disciplinas do programa. Capacitar participantes a desenvolver algoritmos e escrever códigos com vistas a implementações de modelos e extensões não contempladas em implementações de software. | O objetivo da disciplina é apresentar e discutir os principais métodos computacionais utilizados em inferência estatística. Prover complemento computacional para disciplinas do programa. Capacitar participantes a desenvolver algoritmos e escrever códigos com vistas a implementações de modelos e extensões não contempladas em implementações de software. | ||
| Linha 75: | Linha 75: | ||
| - (29 de Agosto) Programação do algoritmo de NR para as distribuições Poisson, Exponencial, Normal com variância conhecida e gamma com um parâmetro conhecido. Discussão do valor inicial e critérios de convergência. Derivadas numéricas no R. | - (29 de Agosto) Programação do algoritmo de NR para as distribuições Poisson, Exponencial, Normal com variância conhecida e gamma com um parâmetro conhecido. Discussão do valor inicial e critérios de convergência. Derivadas numéricas no R. | ||
| - (5 de Setembro) Programação do algoritmo de NR para a distribuição Exponencial Potência com um parâmetro conhecido. Gráfico da densidade e do logaritmo da função de verossimilhança. Derivadas numéricas no R. Comparar as contas feitas a mão com os resultados feitos usando deriv3 no R. Mostramos que a distribuição Exponencial Potência é um caso particular da distribuição normal. | - (5 de Setembro) Programação do algoritmo de NR para a distribuição Exponencial Potência com um parâmetro conhecido. Gráfico da densidade e do logaritmo da função de verossimilhança. Derivadas numéricas no R. Comparar as contas feitas a mão com os resultados feitos usando deriv3 no R. Mostramos que a distribuição Exponencial Potência é um caso particular da distribuição normal. | ||
| - | - (19 de Setembro) Função de verossimilhança perfilhada (exemplo com a distribuição gamma). Teste de Wald e aproximação quadrática do logaritmo da função de verossimilhança. Intervalos de confiança com base no logaritmo da função de verossimilhança e função desvio. Processo Poisson não homogêneo e modelo AR(1). | + | - (19 de Setembro) Função de verossimilhança perfilhada (exemplo com a distribuição gamma). Teste de Wald e aproximação quadrática do logaritmo da função de verossimilhança. Intervalos de confiança com base no logaritmo da função de verossimilhança e função desvio. Processo Poisson não homogêneo. |
| - (26 de Setembro) Foram estudadas duas parametrizações da distribuição beta. Com isto, estimamos os parâmetros do modelo usando BFGS e L-BFGS-B dentro da função optim() no R. Além disso, foram feitas as curvas de níveis (contornos) e o gráfico de superfície da função de log-verossimilhança para as duas parametrizações. | - (26 de Setembro) Foram estudadas duas parametrizações da distribuição beta. Com isto, estimamos os parâmetros do modelo usando BFGS e L-BFGS-B dentro da função optim() no R. Além disso, foram feitas as curvas de níveis (contornos) e o gráfico de superfície da função de log-verossimilhança para as duas parametrizações. | ||
| + | - (3 de Outubro) Programação do modelo AR(1), usando a distribuição normal univariada considerando todas as observações (a primeria v.a. possui normal com outros parâmetros), sem a primeira observação (expressão fechada para o EMV de rho). Finalmente usamos a distribuição normal multivariada para ajustar o parâmetro do modelo AR(1). Comparar os resultados anteriores com as funções arima e ar do R. | ||
| + | - (10 de Outubro) Modelos de regressão com efeitos aleatórios. Conceitos gerais (Função de Verossimilhanca Marginal). Alguns modelos particulares Modelo Poisson com intercepto aleatório e Modelo beta com efeitos aleatórios. Integração numérica (Laplace, Quadatura Gaussiana, Monte Carlo). | ||
| + | - (17 de Outubro) Exercícios sobre o comando integrate() do R com a distribuição Exponencial, Normal e Poisson. Cálculo de integrais conhecidas, probabilidades acumuladas. Comparamos as funções do R com o comando integrate(). Foram estudadas algumas ideias de como construir o logaritmo da função de verossimilhança marginal para o modelo normal com efeito aleatório normal e o modelo Poisson com efeito aleatório normal, tudo isso usando o comando integrate do R. | ||
| + | - (24 de Outubro) Exercícios sobre Quadratura de Gauss Hermite usando as funções ghq (library(glmmML)) e gauss.quad (library(statmod)) do R. Cálculo de integrais conhecidas. Comparamos a Quadratura de Gauss Hermite com o comando integrate() do R. Estimação de parâmetros para o logaritmo da função de verossimilhança marginal para o modelo normal com intercepto aleatório e o modelo Poisson com intercepto aleatório. | ||
| + | - (31 de Outubro) Estudo sobre as distribuições Birnbaum-Saunders, Gumbel, Slash, Pareto e Gaussiana Inversa. | ||
| + | - (7 de Novembro) Apresentação de seminários. | ||
| + | - (14 de Novembro) Estimação de parâmetros para o logaritmo da função de verossimilhança marginal para o modelo normal com intercepto aleatório e o modelo Poisson com intercepto aleatório usando a aproximação de Laplace. | ||
| + | - (21 de Novembro) Não haverá aula. | ||
| + | - (28 de Novembro) Curso Geert (Modelos Mistos). | ||
| + | - (5 de Dezembro) Seminários. | ||
