MÉTODOS BAYESIANOS EM AMOSTRAGEM.
Proponente: Paul Gerhard Kinas, Ph.D.
Carga Horária: 30 horas
Conteúdo:
Caracterização de inferência para populações finitas. As abordagens por desenho e por modelo; suas caracterizações, vantagens e desvantagens. Introdução aos planos amostrais convencionais básicos: amostra casual simples, amostras estratificadas, amostra por conglomerados e amostras sistemáticas. Conceituação de modelos bayesianos para populações finitas. As propriedades de permutabilidade e ignorabilidade. Distribuição posterior de Polya. Pós-estratificação. Como lidar com planos amostrais complexos, dados censurados e não-respostas.
Contextualização:
A inferência convencional em populações finitas, baseada em planos amostrais, pressupõe os valores da variável observada como constantes, deixando a aleatoriedade atrelada unicamente a seleção das unidades amostradas. Esta abordagem convencional, além de impedir uma unidade conceitual com a teoria de inferência estatística – em que a variável observada é caracterizada como aleatória – ela traz limitações quando as amostras são pequenas, os planos amostrais complexos ou sujeitos a não-respostas. Alternativamente, inferência em populações finitas, quando baseada em modelos e sob abordagem bayesiana, resulta em soluções mais flexíveis, versáteis e eficientes. Outra vantagem desta abordagem está em incorporar levantamentos amostrais como parte integral na teoria geral de inferência estatística. O objetivo da disciplina é explorar esta poderosa abordagem da amostragem e indicar suas aplicações e potencialidades nas ciências ambientais.
PGK
Link de acesso ao material do Curso:
https://drive.google.com/drive/folders/1GImRklVbeoZxx5KUOhjODlVHbbpSsol0?usp=drive_link