-
Notifications
You must be signed in to change notification settings - Fork 0
/
aulas.Rmd
82 lines (78 loc) · 4.39 KB
/
aulas.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
---
title: "Cronograma das aulas do curso"
output:
html_document:
toc: false
---
```{r setup, include=FALSE, cache=FALSE}
source("setup_knitr.R")
```
```{r, eval=FALSE, include=FALSE}
## Gera a lista com as datas de todas as aulas. O resultado do último
## comando pode ser copiado direto para o documento
datas1 <- seq.Date(as.Date("2019-08-06"), as.Date("2019-12-03"),
by = "week")
datas1 <- format.Date(datas1, format = "%d/%m")
datas2 <- seq.Date(as.Date("2019-08-08"), as.Date("2019-11-28"),
by = "week")
datas2 <- format.Date(datas2, format = "%d/%m")
cat(paste0("- **", datas1, " (Ter)", "**:\n", "- **",
datas2, " (Qui)", "**:\n"))
```
- **06/08 (Ter)**: (PJ) Apresentação da disciplina. Trazer a [lista de
exercícios 1](exercicios/ex_intro.pdf) para a próxima aula.
- **08/08 (Qui)**: (PJ) Discussão dos temas apresentados na lista 1.
- **13/08 (Ter)**: (PJ) (dia de paralisação) Aula revisãode conceitos
- **15/08 (Qui)**: (PJ) Comparação entre os paradigmas da inferência
estatística.
- [Slides](oferta201902/CE227-Slides01.pdf) de aula.
- [Script](scripts/script_proporcao.R) feito em sala.
- **20/08 (Ter)**: (PJ) Comparação de duas amostras sob diferentes paradigmas (ver materiais para scripts)
- **22/08 (Qui)**: (PJ) Expecificação de priori e exemplo de Poisson com priori (conjugada) Gama
- **27/08 (Ter)**: (PJ) Discussão e resolução de exercícios do Capítulo 2
- [Script](oferta201902/codigos/ExerciciosCap2.R)
- **29/08 (Qui)**: (PJ) Avaliação intermediária.
- **03/09 (Ter)**: (PJ) Comentários sobre a avaliação.
- **05/09 (Qui)**: (FM) Definição de prioris e resumo da posteriori.
Slides: [HTML](slides/CE227-Slides02.html).
[PDF](slides/CE227-Slides02.pdf).
- **10/09 (Ter)**: (PJ) Média (esperança) da posteriori como média ponderada entre a amostrar e da priori. Obtenção da posteriori da média da normal (e verificação da relação da esperança). Priori de Jefreys. Exercícios recomendados: Caps 2 e 3 da apostila.
- **12/09 (Qui)**: (PJ) Examinando prioris por simulação e prioris de Jeffreys
- [Script](oferta201902/codigos/priori-simula.R)
- **17/09 (Ter)**: (PJ)
- **19/09 (Qui)**: (PJ) Avaliação intermediária (Cap 3)
- **24/09 (Ter)**: Não haverá aula devido ao SIEPE.
[Resolução 64/18 - CEPE][].
- **26/09 (Qui)**: Não haverá aula devido ao SIEPE.
[Resolução 64/18 - CEPE][].
- **01/10 (Ter)**: (PJ) 1a prova
- **03/10 (Qui)**: (PJ) Revisão e discussão da 1a prova
- **08/10 (Ter)**: (PJ) Após obter a posteriori: introdução à decisão, preditiva e aproximação quadrática
- **10/10 (Qui)**: (PJ) Decisão bayesiana. Resumos da posteriori. (Cap 5)
- **15/10 (Ter)**: (PJ) Predição - obtenção da distribuição preditiva (Cap 6)
- **17/10 (Qui)**: (FM) Integração de Monte Carlo: método simples e
amostragem por importância. [HTML](MC_intro.html).
- **22/10 (Ter)**: (PJ) Inferência por simulação. Resumos da posteriori e preditiva. Introdução aos métodos de simulação da posteriori e ao MCMC.
- **24/10 (Qui)**: (FM) Método de aceitação-rejeição. MCMC:
Metropolis-Hastings e Metropolis random walk. [HTML](MCMC-1.html).
- **29/10 (Ter)**: (PJ) Modelos com múltiplos parâmetros. Cap 4 da apostila e exercícios.
- **31/10 (Qui)**: (FM) Método geral de Metropolis-Hastings.
[HTML](MCMC-2.html). Exemplo de amostrador de Gibbs.
[Script](scripts/gibbs_aula1.R).
- **05/11 (Ter)**: (PJ) Algorítmo de Gibbs: dos exemplos, distribuição normal e modelo Poisson com 2 níveis hierárquicos
[Script](scripts/normalGIBBS.R).
[HTML](scripts/PoissonGammaGIBBS.html)
- **07/11 (Qui)**: (FM) Exemplos usando
[JAGS](http://mcmc-jags.sourceforge.net/).
[Script](scripts/gibbs-jags.R).
- **12/11 (Ter)**: Bayes Empírico. Exemplos da apostila e taxas Bayesianas empíricas (Poisson-Gamma)
- **14/11 (Qui)**: (FM) Aplicações via JAGS e INLA: modelos de efeitos
fixos e aleatórios. [Script](scripts/jags-aplicacoes.R). Ver também
exemplo de cáculo do LT-50 em regressão logística, usando inferência
clássica e bayesiana via JAGS e INLA. [HTML](scripts/inf_LT-50.html).
- **19/11 (Ter)**: Preparação das apresentações
- **21/11 (Qui)**: Apresentações do curso
- **26/11 (Ter)**: **Prova 2.**
- **28/11 (Qui)**: CH já integralizada
- **03/12 (Ter)**: CH já integralizada
[Resolução 64/18 - CEPE]: http://www.soc.ufpr.br/portal/wp-content/uploads/2018/11/cepe-64-18-atualizada.pdf