Next: Exame de Probabilidade e
Up: Programas das novas disciplinas
Previous: Análise Probabilística de Desempenho
Número de créditos: 8
Objetivo: fornecer técnicas de inferência para algumas
classes de processos estocásticos.
Justificativa: Processos estocásticos aparecem
como modelos naturais para fenômenos de natureza dinâmica e para sistemas
espaciais. É importante, portanto, dispor de métodos capazes de estimar, a
partir de observações desses fenômenos, características importantes
deses modelos. Num outro contexto, processos estocásticos tem sido
utilizados também como ferramentas de cálculo para inferência, por
exemplo, em simulações tipo Monte-Carlo através de cadeias de Markov.
Programa:
- 1.
- Processos estocásticos; objetivos e exemplos.
- 2.
- Inferência estatística para Cadeias de Markov. Estimação de
máxima verossimilhança e indentificação da ordem da Cadeia.
- 3.
- Inferência estatística para Cadeias de Markov ocultas.
- 4.
- Inferência estatística para Processos Markovianos de Salto.
- 5.
- Estados de Gibbs e análise de verossimilhança do modelo Ising.
- 6.
- Simulações de Monte-Carlo através de Cadeias de Markov.
Dinâmicas de Glauber, amostrador de Gibbs, algoritmo de Metropolis.
- 7.
- Identificação bayesiana de padrões.
Referências
- 1.
- Geman, D. (1990) Random fields and inverse problems in imaging. École d'étde Probabilits de Saint-Flour XVIII--1988, 113-193,
Lecture Notes in Math., 1427, Springer.
- 2.
- Guttorp, P. (1993). Stochastic Modelling of Scientific Data.
Chapman and Hall.
- 3.
- Billingsley,P.(1961). Statistical Inference for Markov Processes.
Univ. of Chicago Press.
- 4.
- MacDonald, I.L. and Zucchini,W.(1997). Hidden Markov and other models
for discrete-valued time series. Chapman and Hall.
- 5.
- Rabiner, L. R. (1989) A tutorial on hidden Markov models and selected
applications in speech recognition. Proceedings of the IEEE 77(2), 257-286.
Next: Exame de Probabilidade e
Up: Programas das novas disciplinas
Previous: Análise Probabilística de Desempenho
Adilson Simonis
2000-03-09