Coder Social home page Coder Social logo

tiagodsilva / statistical_inference Goto Github PK

View Code? Open in Web Editor NEW

This project forked from maxbiostat/statistical_inference_bsc

0.0 0.0 0.0 35.79 MB

Course materials for Statistical Inference ("Inferência Estatística")

License: MIT License

R 11.19% TeX 88.81%

statistical_inference's Introduction

Statistical Inference (BSc)

Material para o curso de Inferência Estatística oferecido como disciplina obrigatória das graduações em Matemática Aplicada e Ciência de Dados e Inteligência Artificial da Escola de Matemática Aplicada da Fundação Getulio Vargas (FGV EMAp).

Programa (provisório) aqui.

Slides aqui.

Notas (independentes) feitas por @wellington36 estão aqui.

Tópicos marcados com um * são extra e em geral designam material mais avançado.

Bibliografia

  • Principal: [DG] DeGroot MH, Schervish MJ. Probability and statistics. Pearson Education; 2012.
  • Apoio: [CB] Casella, G., & Berger, R. L. (2002). Statistical Inference. Pacific Grove, CA: Duxbury.

News

  • O trabalho I já está disponível. O prazo de entrega é 24/08/2022.

Leituras adicionais

Aula 1 - Revisão de probabilidade:

  • Esta apostila tem material relevante para quem precisa revisar alguns conceitos.
  • * Sobre a lei forte dos grandes números: uma prova elementar com taxas de convergência e notas de Terence Tao com um tratamento mais refinado, incluindo algumas desigualdades probabilísticas.
  • * Sobre a prova do Teorema Central do Limite e a existência de muitos TCLs, sob premissas diferentes: neste artigo temos essencialmente a mesma demonstração de Casela & Berger (2002) teorema 5.5.14, mas de forma mais rigorosa e detalhada. Já este artigo descreve uma demonstração elementar do TCL -- isto é, uma demonstração que não envolve funções características -- e mostra, nas seções 3 e 4, outros casos de interesse;
  • Lista de exercícios.

Aula 2 - Inferência Estatística (fundamentos):

  • * Artigo de Peter McCullagh sobre o que é um modelo estatístico (avançado).
  • Material do curso de Modelagem Estatística.
  • * Em Finite Exchangeable Sequences, Persi Diaconis e David Freedman mostram que se a geração de um conjunto finito de variáveis aleatórias pode ser representada como um experimento envolvendo urnas, este conjunto será permutável (exchangeable) -- avançado.

Aula 3 - Inferência bayesiana:

  • Esta vignette oferece um panorama da inferência bayesiana, mencionando tópicos avançados que não serão discutidos neste curso.
  • Este artigo de Bradley Effron discorre sobre porque nem todo mundo é bayesiano.
  • * O blog de Larry Wasserman tem uma discussão mais técnica sobre as diferenças entre os paradigmas de inferência (avançado).

Aula 4 - Prioris conjugadas:

  • Artigo de Ylvisaker e Diaconis (1979) sobre a familia de prioris conjugadas para distribuições conjuntas dos dados morando na família exponencial (avançado).

  • Este compêndio traz um catálogo de prioris conjugadas e suas respectivas verossimilhanças.

Aula 5 - Estimadores de Bayes:

  • Verbete da Encyclopedia of Mathematics sobre o teorema de Bernstein-von Mises e a normalidade assintótica da posteriori (avançado).

Aula 6 - Estimador de máxima verossimilhança

  • Neste artigo, o grande Abraham Wald dá um tratamento formal mas elementar da consistência do EMV sob condições brandas.

  • Uma demonstração da consistência da EMV pode ser encontrada na seção 4 deste documento. A nota contém ainda vários resultados interessantes sobre teoria assintótica.

Aula 8 - Suficiência

Aula 9 - Rao-Blackwell e admissibilidade

  • O artigo referenciado na seção 8.7.6 de DeGroot e tópico da questão bônus da A12020 é este aqui.

  • Aqui um artigo sobre a vida e obra de David Blackwell (1919-2010).

Aula 12 - Distribuição da média e variância amostrais

  • O Teorema de Basu tem como caso particular a independência da média e variância amostrais para o caso Normal. Em particular, esse resultado caracteriza a distribuição Normal.

Aula 13 - Intervalos de confiança

  • Este link tem uma visualização legal de intervalos de confiança. Basicamente uma versão interativa da visualização que vimos em aula.
  • O artigo de Gardner & Altman na Statistics in Medicine advoga o uso de intervalos de confiança para testar hipóteses.

Aula 15 - Razão de verossimilhança

  • A prova do Teorema 9.1.4 de DeGroot, originalmente formulado por Samuel Wilks neste paper de 1938, pode ser encontrada aqui.

Miscelânea

  • O Canal A Ciência da Estatística do Professor Alexandre Patriota é um excelente recurso para aprender mais. Ver, por exemplo, este vídeo sobre a aplicação de variáveis aleatórias Bernoulli a um problema em atuária.

  • Este artigo apresenta o resultado E[X] = int_0^inf Pr(X > x)dx, chamado em inglês de "tail formula for the expectation".

  • Sobre a "diferenciação sob o sinal da integral", ou regra de Leibniz, este post mostra bem o poder da técnica, muito embora não dê um tratamento completo. Para isso, o artigo da Wikipedia serve bem.

  • Este artigo foi a inspiração das questões 4 e 5 da A1 2021.

  • Neste post, Larry Wasserman explica que você não precisa assumir que todas as amostras vêm da mesma distribuição para ter a cobertura correta do intervalo de confiança.

Versões anteriores

Agradecimentos

@IgorMichels, @lucasmoschen, @reneroliveira, @wellington36, @MaisaFraiz, @jpdonasolo e @Caioflp ajudaram a consertar typos e esclarecer alguns argumentos.

statistical_inference's People

Contributors

caioflp avatar igormichels avatar lucasmoschen avatar maxbiostat avatar reneroliveira avatar tiagodsilva avatar wellington36 avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.