Computação Bayesiana via Métodos Geométricos e Redução de Variância.

Resumo

Este projeto tem por objetivo o desenvolvimento e aplicação de métodos computacionalmente intensivos que exploram a geometria de distribuições a posteriori no espaço paramétrico de modelos estatisticos sob o enfoque Bayesiano. Procura-se assim melhorar a eficiência dos métodos MCMC em computação Bayesiana já que tais estratégias em geral levam à convergência das cadeias de Markov com muito menos iterações. Estas ideias serão combinadas com técnicas de redução de variância em estimadores de Monte Carlo. Como os custos computacionais envolvidospor iteração são mais altos o custo-benefício deverá ser investigados através de estudos de simulação e análises com dados reais. Espera-se prover assim evidência empírica de que tais métodos se justificam em aplicações práticas sendo o aumento esperado no custo computacionalcompensado por uma exploração mais eficiente da distribuição a posteriori. (AU)