EE898 - Tópicos Avançados em Engenharia Elétrica
Turma: D -
Período: 2/2026 -
Tipo Período: 2o. semestre -
Disciplina:
Eletiva 4 créditos.
-
Idioma: Português
Acompanha Pós:
IE344
- Tópicos em Comunicações III
Tema: Fundamentos de processamento de sinais: Teoria da estimação e inferência Bayesiana
Ementa: O curso visa apresentar os principais conceitos de teoria da estimação, com ênfase em inferência Bayesiana. Serão abordados os seguintes tópicos: Teoria da Estimação. Limite Inferior de Cramer-Rao. Estimadores ótimos. Estimação paramétrica. Princípios de testes de hipótese. Fundamentos de inferência Bayesiana. Modelos Bayesianos hierárquicos. Algoritmos Markov Chain Monte Carlo. Implementação em linguagens probabilísticas. Diagnóstico, validação e seleção de modelos. Inferência variacional. Aplicações em problemas de processamento de sinais e ciência de dados.
Conteúdo Programático: Revisão de teoria da probabilidade. Introdução à teoria da estimação. Estimador não-enviesado de variância mínima (MVUE). Informação de Fisher. Limite inferior de Cramer-Rao (CRLB). Modelos Lineares. Suficiência estatística. Melhor estimador linear não-enviesado (BLUE). Estimação por máxima verossimilhança. Estimadores baseados em mínimos quadrados. Método dos momentos. Bootstrap. Testes de hipótese. Modelos lineares generalizados. Fundamentos de inferência Bayesiana. Distribuições conjugadas. Distribuição a priori de Jeffreys. Modelos Bayesianos hierárquicos. Métodos Monte Carlo. Cadeias de Markov. Algoritmos Markov Chain Monte Carlo (MCMC) – Metropolis Hastings, Amostragem de Gibbs, Hamiltonian Monte Carlo, No U-Turn Sampler (NUTS), Particle MCMC, Approximate Bayesian Computation (ABC). Implementação em linguagens probabilísticas. Diagnóstico de convergência de cadeias MCMC. Métodos para seleção e validação de modelos. Inferência variacional. Aplicações em problemas de processamento de sinais e ciência de dados.
Plano de Desenvolvimento: Tema: Fundamentos de processamento de sinais: Teoria da estimação e inferência Bayesiana
Conforme IN CCG nº 02/2025 - Cláusula de Honestidade e Lisura Acadêmica
Todas as atividades relacionadas às disciplinas devem ser realizadas em conformidade com as orientações fornecidas pelos docentes e com o devido rigor ético.
Caso o(a) docente responsável, no exercício de sua liberdade de cátedra, forme convicção acerca da ausência de lisura ou de condições adequadas para a realização da atividade avaliativa, poderá atribuir nota zero, seja para a atividade única ou, conforme o caso, para o conjunto de atividades do semestre. A ocorrência deverá ser fundamentada e comunicada à Coordenação de Curso de Graduação, podendo o(a) estudante estar sujeito a processo administrativo.
Bibliografia: [1] S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, vol. 1. Upper Saddle River, NJ: Prentice Hall PTR, 2013. [2] L. Wasserman, All of Statistics: A Concise Course in Statistical Inference. New York, NY: Springer, 2008. [3] A. Gelman, J. B. Carlin, H. S. Stern, D. B. Dunson, A. Vehtari, and D. B. Rubin, Bayesian Data Analysis, 3rd ed. Chapman and Hall/CRC, 2013. doi: 10.1201/b16018. [4] S. M. Kay, Fundamentals of Statistical Signal Processing: Detection Theory, vol. 2. Upper Saddle River, NJ: Prentice Hall PTR, 2011. [5] S. M. Kay, Fundamentals of Statistical Signal Processing: Practical Algorithm Development, vol. 3. Upper Saddle River, NJ: Pearson, 2013. [6] R. McElreath, Statistical Rethinking: A Bayesian Course with Examples in R and Stan, 1st ed. Chapman and Hall/CRC, 2018. doi: 10.1201/9781315372495.
Critério de Avaliação: A avaliação será por meio de listas de exercícios teóricas e computacionais.
Bibliografia complementar: n/a
