Programa do curso

Mon, 03 Aug 2026 00:00:00 +0000

Contato

variaveis	Instrutor	Monitoria
nome	Rafael Bassi Stern	Sil Bittencourt
email	rbstern@gmail.com	a definir
encontro	a definir	a definir

Aulas: 3as: 10h00-12h00 e 5as: 08h00-10h00
Instruções para o envio de e-mails: Por favor adicione ``[MAE0524]’’ ao tópico de e-mails relacionados a este curso. O envio de e-mail deve ser tratado como uma comunicação profissional. Evite o uso de abreviações, acrônimos e gírias nos e-mails. Não garanto que lerei e-mails fora destas especificações!

Informações do Curso

Ementa

Apresentar diversos modelos estatísticos para análise de dados sob a perspectiva bayesiana de inferência. Métodos de inferência bayesiana, comparação de modelos e técnicas de predição também serão desenvolvidos. Além disso, serão discutidas técnicas computacionais e pacotes atuais para implementação dos modelos estudados.

Objetivos do curso

Apresentar técnicas de análise de dados utilizando a abordagem bayesiana para inferência estatística. Ao final do curso, espera-se que você seja capaz de:

Construir modelos bayesianos adequados a um problema aplicado
Obter e diagnosticar amostras da distribuição a posteriori
Criticar, comparar e selecionar modelos bayesianos
Implementar os modelos estudados em pacotes computacionais atuais

Conteúdo programático

Revisão do método bayesiano.
Computação bayesiana.
Modelos de associação e classificação.
Regressão linear normal e não normal. Modelos robustos.
Regressão não linear.
Modelos hierárquicos bayesianos.
Modelos com dados correlacionados: séries temporais e modelos dinâmicos.
Tópicos adicionais: modelos de variáveis latentes, introdução a inferência bayesiana não paramétrica.

O item 1 é tratado como uma breve revisão, uma vez que o curso MAE0302 - Inferência Bayesiana é cursado no semestre imediatamente anterior.

Material do curso

Notas de aula e listas de exercícios estarão disponíveis online.
Os seguintes livros são opcionais e fornecem explicações detalhadas, tópicos extras, aplicações interessantes e exercícios adicionais:
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis. CRC Press.
- McElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and Stan. CRC Press.
- Gelman, A., Hill, J., & Vehtari, A. (2020). Regression and other stories. Cambridge University Press.
- Robert, C. P., & Casella, G. (2004). Monte Carlo statistical methods. Springer.
- West, M., & Harrison, J. (1997). Bayesian forecasting and dynamic models. Springer.
- Kruschke, J. K. (2015). Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. Academic Press.

Atividades do Curso

Neste curso você fará listas de exercícios, resolverá exercícios em classe, participará das aulas, apresentará um seminário e realizará provas. O objetivo destas atividades é que você pratique as ideias e técnicas abordadas em aula. Desta forma, é essencial que você sempre indique claramente a sua linha de raciocínio. Utilizar o método adequado sempre será mais importante do que chegar à resposta final correta. Assim, uma resposta final correta sem a sua respectiva linha de raciocínio terá nota final nula.

Listas de exercícios

Frequência: quinzenal.
Geral: Os alunos são incentivados a discutir comigo e entre si as listas de exercícios. As listas não compõem diretamente a nota final, mas são a principal preparação para as provas e diversas questões das provas serão variações delas.

Participação

Para obter maestria dos conceitos vistos em aula, você deverá resolver exercícios. Durante a aula, você será regularmente instruído a resolver exercícios simples, individualmente ou em grupo. Estes exercícios são projetados para que você possa rapidamente identificar dúvidas sobre os conceitos aprendidos naquele dia. Participação em classe será determinada de acordo com a performance nestes exercícios.

Seminário

Você deverá desenvolver um seminário em grupos de até 5 alunos a respeito de um tema de seu interesse em Análise Bayesiana de Dados. Espera-se que o seminário inclua a análise de um conjunto de dados real, com a especificação do modelo, o diagnóstico do ajuste e a crítica dos resultados obtidos.

Provas

Datas: 29/09 e 24/11.

Política de re-avaliação: Você poderá requerer uma nova correção de uma prova até 5 dias após a devolução desta. Se você estiver ausente no dia da devolução da prova, o prazo não será estendido. Para requerer avaliação informe as questões que você acredita que foram corrigidas erroneamente e a motivação para o seu raciocínio. As questões serão corrigidas novamente, levando em consideração os seus comentários, podendo sua nota aumentar ou diminuir.

Nota final: Será calculada segundo os seguintes pesos:

Avaliacao	Peso
Prova 1	0.3
Prova 2	0.3
Seminário	0.35
Participação	0.05

Atitude esperada

As seguintes atitudes são esperadas de todos os alunos durante as aulas. Falhas em segui-las poderão acarretar perda de nota de participação.

Perguntas em classe: Se você tiver perguntas relativas ao material atual ou pretérito, elas serão sempre bem-vindas e encorajadas. Perguntas relativas ao material atual receberão prioridade. Faça perguntas sobre material futuro ou tópicos adicionais após a aula ou durante o período de atendimento.
Computadores: Espera-se que vocês participem das aulas. Vocês podem utilizar notebooks ou tablets para tomar notas ou durante laboratórios de computação. Do contrário, o uso destes aparelhos é proibido, exceto se você tiver necessidades especiais que exijam o suporte destes equipamentos. Contate-me se você acredita que este é o seu caso.
Celulares e outros aparelhos eletrônicos: Durante as aulas, você deverá silenciar ou desligar quaisquer aparelhos eletrônicos que façam barulho. Espera-se que vocês participem das aulas e, em particular, o uso de celulares é expressamente proibido. Isto inclui, por exemplo, o envio de mensagens ou checar o e-mail.
Integridade Acadêmica: Você deverá agir com ética em todas as atividades da classe. Em particular, é expressamente proibido copiar listas de exercícios ou trapacear durante provas. Caso você realize estas atividades, poderá sofrer consequências severas, como reprovação automática e encaminhamento do seu caso a uma Comissão Disciplinar.

Calendário

data	aula
11/08/26	Descrição do curso
13/08/26	Revisão do paradigma bayesiano
18/08/26	Revisão de Cadeias de Markov
20/08/26	Metropolis-Hastings e Amostrador de Gibbs
25/08/26	Monte Carlo Hamiltoniano (HMC)
27/08/26	Introdução e Aplicações do Stan
01/09/26	Regressão linear bayesiana: prioris de regularização e implementação em Stan
03/09/26	Crítica de modelos: checagens preditivas a posteriori
08/09/26	Semana da Pátria (não haverá aula)
10/09/26	Semana da Pátria (não haverá aula)
15/09/26	Comparação e seleção de modelos: validação cruzada, LOO e WAIC
17/09/26	Modelos lineares generalizados: logística, contagens e dados categóricos
22/09/26	Modelos robustos: verossimilhanças de cauda pesada
24/09/26	Revisão
29/09/26	Prova 1
01/10/26	Modelos hierárquicos: shrinkage e pooling parcial
06/10/26	Modelos multinível: interceptos e inclinações aleatórios
08/10/26	Reparametrização não centrada e o funil de Neal
13/10/26	Regressão não linear paramétrica
15/10/26	Splines penalizadas e modelos aditivos
20/10/26	Processos gaussianos: regressão e núcleos
22/10/26	Processos gaussianos: hiperparâmetros e aproximações
27/10/26	Séries temporais: modelos autorregressivos e estruturais
29/10/26	Modelos lineares dinâmicos e filtro de Kalman
03/11/26	Modelos de espaço de estados em Stan
05/11/26	Modelos de mistura finita e variáveis latentes
10/11/26	Misturas: label switching e número de componentes
12/11/26	Inferência bayesiana não paramétrica: processo de Dirichlet
17/11/26	Folga (a definir)
19/11/26	Revisão
24/11/26	Prova 2
26/11/26	Seminários
01/12/26	Seminários
03/12/26	Seminários
08/12/26	Prova Substitutiva
10/12/26	Prova de Recuperação

Rafael B. Stern