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.

1. Programação da função de verossimilhança para variáveis discretas, contínuas ou misturas.
2. Programação do algoritmo de Newton Raphson.
3. Programação do algoritmo Scoring de Fisher.
4. Programação do algoritmo do tipo EM.
5. Programação do algoritmo Gauss-Newton.
6. Métodos de aproximação de integrais Monte Carlo, Boostraping.
7. Exploração numérica da verossimilhança, verossimilhanças perfilhadas e marginais.
8. Métodos para modelos com efeitos aleatórios.
9. MCMC – Monte Carlo via Cadeias de Markov.

1. Período: segundo semestre de 2014, no programa de pós graduação de estatística e experimentação agronômica da ESALQ/USP
2. Matrículas e informações: com Solange de Assis Paes Sabadin (solange.sabadin AT usp.br) ou Mayara Segatto (mayarasegatto AT gmail.com) na secretaria do programa, Telefone: (19) 3429-4144, ramal 231
3. Professores Responsáveis:
   1. Cristian Marcelo Villegas Lobos (ESALQ/USP)
   2. Paulo Justiniano Ribeiro Jr, (LEG: Laboratório de Estatística e Geoinformação)
4. Horários e Locais:
   • As aulas serão na sala 315
   • Horário: Sextas, 8:00 às 12:00
5. Datas especiais:

   15/08			05/12
   Início das aulas			Último dia de aula

1. Bonat et al. (curso do SINAPE/2012, pdf com versão atualizada)
2. Albert, J. (2009) Bayesian Computation with R. Second Edition. New York: Springer.
3. Braun, W. J. e Murdoch, D. J. (2007). A First Course in Statistical Programming with R. Cambridge University Press.
4. Gamerman, D. e Lopes, H. F. (2006). Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference. Second Edition. London: Chapman & Hall/CRC Press.
5. McLachlan, G. e Krishnan, T. (1996). The EM Algorithm and Extensions. John Wiley & Sons, New York.
6. Ribeiro Jr, P. J., Bonat, W. H., Krainski, E. T. e Zeviani, W. M. (2012). Métodos computacionais para inferência estatística. SINAPE.
7. Rizzo, M. (2008). Statistical Computing with R. CRC/Chapman Hall.
8. Robert, C. e Casella, G. (2010). Introducing Monte Carlo Methods with R. New York: Springer.
9. Robert, C. e Casella, G. (2004). Monte Carlo Statistical Methods (2a edição). Springer.
10. Tanner, M.A.(1996). Tools for statistical inference methods for the exploration of posterior distributions and likelihood functions. Springer, New York.
11. Venables, W. N. e Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth Edition. New York: Springer-Verlag.

• Slides da 1a e 2a aulas (Verossimilhança)
  1. Arquivo de comandos: exemplo da exponencial
  2. Texto sobre inferência na distribuição Gamma
• Slides da 3a aula (regressão)
  1. Link para artigo da //count-gamma// e veja também a página de complementos online do artigo

ATENÇÃO: arquivos/páginas poderão atualizados durante o curso.

• Programa básico do curso
  1. The R project for Statistical Computing: página do programa R
  2. Um material sobre o uso do R
  3. pacotes do R: geoR e geoRglm
• Recursos auxiliares

Veja aqui o histórico das aulas do curso com os conteúdos abordados e as atividades sugeridas a cada semana de aulas

Página aberta para edição pelos participantes do curso.