class: center, middle, inverse, title-slide .title[ # Estatística Computacional II ] .author[ ### PJ (Fernando Mayer) ] .date[ ### 2024-02-27 ] --- # Estatística computacional .pull-left[ ## Statistical computing ### Computação estatística - Fundamentos da linguagem R. - Programação funcional. - Leitura e manipulação de dados. - Análise descritiva e gráficos. - Distribuições de probabilidade. - Testes de hipótese. - Relatórios dinâmicos. ] .pull-right[ ## Computational statistics ### Estatística computacional - Revisão de programação funcional. - Representação de algorítmos. - Geração de números aleatórios. - Métodos computacionalmente intensivos. - Planejamento e execução de estudos de simulação. - Métodos de otimização. ] --- # Estatística computacional .pull-left[ ### Elementos de Programação Estatística - R: essencial - Funções e argumentos - Objetos e suas classes - Manipulação de dados: indexação e seleção condicional - R: dados - Importação e exportação de dados - R: análise exploratória de dados - Funções para resumo de dados - Gráficos exploratórios - R: estatística - Geração de números aleatórios - R: programação - Estruturas de controle e repetição - A família de funções `apply()` - Linguagens de marcação - Documentos dinâmicos com knitr e rmarkdown ] .pull-right[ ### Estatística Computacional (II) - Revisão e conceitos avançados do R - Objetos, classes e métodos - Vetorização - *Error/exception handling* - *Benchmarking* e *profiling* <!-- - R e C++ --> <!-- - Documentos dinâmicos --> - Métodos para geração de números aleatórios - Geração de números uniformes - Métodos para geração de VAs - Elementos de inferência e simulação - Métodos estatísticos computacionalmente intensivos - Integração por simulação - Métodos de Monte Carlo em inferência estatística - Métodos de reamostragem: *Boostrap* e *jackknife* - Métodos de Monte Carlo via Cadeias de Markov (MCMC) - _Otimização_ ] --- # Estatística computacional ## Conteúdo programado ### Revisão e conceitos avançados da linguagem R - Objetos, classes e métodos - Algoritmos e programação funcional - Vetorização - *Error/exception handling* - *Benchmarking* e *profiling* - _R e C++_ - _Documentos dinâmicos_ --- # Estatística computacional ## Conteúdo programado ### Métodos para geração de números aleatórios - Geração de números uniformes - Método da transformação integral da probabilidade - Método da aceitação e rejeição - Métodos baseados em relações entre variáveis aleatórias --- # Estatística computacional ## Conteúdo programado ### Métodos estatísticos computacionalmente intensivos - Integração de Monte Carlo - Métodos de Monte Carlo em inferência estatística - Métodos de reamostragem: *Boostrap* e *jackknife* - Aplicação de métodos de reamostragem - Testes de permutação - Métodos de Monte Carlo via Cadeias de Markov (MCMC) --- # Estatística computacional ## Conteúdo programado ### Otimização - _Métodos numéricos no R_ - _Métodos de otimização_ --- # Estatística computacional ## Principais habilitações .pull-left[ - Compreender, documentar e implementar algorítmos. - Avaliar as propriedades de: - Estatísticas e delineamentos. - Estimadores pontuais e intervalares. - Testes de hipótese e regras de decisão. - Avaliar o desempenho de implementações. - Técnicas de *debugging*. - Métodos de *benchmarking*. ] .pull-right[ - Planejar e executar estudos de simulação. - Desenvolver algorítmos para geração de números aleatórios. - Simular de modelos estatísticos. - Fazer e compreender inferência via métodos computacionalmente intensivos. - Implementar e aplicar métodos de otimização. - Desenvolver pacotes. ] --- # Estatística computacional ## Informações gerais - **Pré-requisitos**: - CE 083 - Estatística Computacional I / CE-302 - El. Prog. Est. - CE 085 - Estatística Inferêncial / CE-309 Inferência Estatística. - **Horários e Locais:** - Terça, 20:40 - 22:10h, **Lab A** - Sexta, 19:00 - 20:30h, **Lab A** - **Horários de atendimento dos professores:** - terça e quintas, 17:00 - 18:00 (preferenciais). Outros horários podem ser agendados previamente por email. - **Frequência**: de acordo com as normas da Universidade, mínimo de 75% - **Avaliação**: - Duas provas escritas - Avaliações esporádicas - Apresentação de trabalho <!-- **Oferta anterior:** [2018/2](http://leg.ufpr.br/~walmes/ensino/EC2/) --> <!-- **Moodle:** https://moodle.c3sl.ufpr.br/course/view.php?id=282 --> --- # Estatística computacional ## Referências básicas - Gentle, JE. **Computational Statistics**. Springer, 2009. - Gentle, JE; Härdle, WK; Mori, Y. **Handbook of computational statistics: concepts and methods**. Springer, 2012. - Härdle, WK.; Okhrin, O; Okhrin, Y. **Basic elements of computational statistics**. Springer, 2017. - Rizzo, M. L. **Statistical computing with R**. CRC Press, 2019. - Efron, B.; Hastie, T. **Computer age statistical inference: algorithms, evidence, and data science**. Cambridge University Press, 2016. ## Referências complementares - Eubank, RL; Kupresanin, A. **Statistical computing in C++ and R**. Chapman & Hall, 2011. - Everitt, BS. **Introduction to optimization methods and their application in statistics**. Chapman & Hall, 1987. - Ferreira, DF. **Estatística computacional em Java**. Editora UFLA, 2013. - Gilks, WR; Richardson, S; Spiegelhalter, DJ (Eds.). **Markov chain Monte Carlo in practice**. Chapman & Hall, 1996. - Manly, B. **Randomization, bootstrap and Monte Carlo methods in biology**. Chapman & Hall, 1997. - Robert, CP; Casella, G. **Introducing Monte Carlo methods in R**. Springer, 2010. - Robert, CP; Casella, G. **Monte Carlo statistical methods**. Springer, 2004.