CE-312 - Estatística Computacional

Informações sobre a oferta da disciplina

• Disciplina correspondente no currículo antigo: CE-089 Estatística Computacional 2
• Curso: Estatística e Ciência de Dados.
• Período: primeiro semestre de 2025
• Professor Responsável:
  • Paulo Justiniano Ribeiro Junior, LEG/DEST/UFPR
• Horários e Locais:
  • Segunda, 20:45 - 22:15, Lab-1/2 (andar térreo, prédio do DINF)
  • Sexta, 19:00 - 20:30, Lab-B (andar térreo, prédio exatas)
• Horários de atendimento do professor:
  • terças e quintas, 17:00 - 18:00 (preferenciais).
  • Outros horários podem ser agendados previamente por email.

• Datas importantes:
  • Atividades do curso
    • 10/03/2025: Início período letivo
    • 02/07/2025: Término período letivo
    • 09-12/07/2025: Exames Finais
• Avaliação:
  • A Nota na disciplina será dada pela média de avaliações e trabalhos.
    • 11/04/2025: Primeira Avaliação
    • 30/05/2025: Segunda Avaliação
    • 30/06/2025: Terceira Avaliação
    • 23 e 27/06/2025: Entrega e apresentação dos trabalhos. (pode ser antecipada a pedido)
  • Notas das avaliações
    • Disponíveis neste link
  • Critérios para aprovação:
    • Frequência de pelo menos 75% e nota igual ou acima de 70 → Aprovação sem Exame Final.
    • Frequência de pelo menos 75% e Nota entre 40 e 70 → Exame Final.
    • Média entre Nota e Exame Final igual ou acima de 50 → Aprovação.
    • Nota inferior a 40 ou presença inferior a 75% → Reprovação.
    • Média entre Nota e Exame Final inferior a 50 → Reprovação.

Calendário 2025 (cursos de 15 semanas)

• Resolução 19/24 - CEPE - Calendário para o ano de 2025
• Feriados/recessos:
  • 18/04 (sex) Sexta Feira Santa
  • 21/04 (seg) Tiradentes
  • 01/05 (qui) Dia do trabalho
  • 02/05 (sex) Recesso (Dia do trabalho)
  • 19/06 (qui) Ponto Facultativo/Corpus Christi
  • 20/06 (sex) Ponto Facultativo/Corpus Christi

Programa/objetivos da disciplina

1. Revisão e conceitos da linguagem R
   • Objetos, classes e métodos
   • Algoritmos e programação funcional
   • Vetorização
   • Documentos dinâmicos
2. Simulação (Monte Carlo) em problemas de probabilidade e estatística
   
3. Revisão de princípios de inferência estatística e ilustrações computacionais
4. Simulações como instrumento para inferência e para avaliar procedimentos
5. Métodos para geração de números aleatórios
   • Geração de números uniformes
   • Método da transformação integral da probabilidade
   • Métodos baseados em relações entre variáveis aleatórias
   • Método da aceitação e rejeição
6. Métodos estatísticos computacionalmente intensivos
   • Integração de Monte Carlo
   • Métodos de Monte Carlo em inferência estatística
   • Métodos de reamostragem: jackknife e bootstrap
   • Aplicação de métodos de reamostragem
   • Testes de permutação
   • Métodos de Monte Carlo via Cadeias de Markov (MCMC)

Ementa

Métodos computacionalmente intensivos. Tópicos avançados da linguagem R. Métodos para geração de números aleatórios. Integração de Monte Carlo. Métodos de Monte Carlo em inferência. Bootstrap e Jackknife. Testes de permutação. Métodos de Monte Carlo via Cadeias de Markov (MCMC). Estimativas de densidade de probabilidade. Métodos de otimização.

---

Este conteúdo está disponível por meio da Licença Creative Commons 4.0