Microaula em Método CELULA • Prévia Aberta

<p><strong>Circunstância e Desafio Executivo:</strong> Conceito de Cadeias de Markov com distribuição estacionária alvo, o algoritmo de Metropolis-Hastings em Python (distribuição de proposta simétrica e assimétrica), diagnóstico de convergência de cadeias (trace plots, índice R-hat de Gelman-Rubin).</p>

Célula 03: Inferência Bayesiana Computacional via MCMC: Algoritmo de Metropolis-Hastings

Objetivo de Aprendizagem: Conceito de Cadeias de Markov com distribuição estacionária alvo, o algoritmo de Metropolis-Hastings em Python (distribuição de proposta simétrica e assimétrica), diagnóstico de convergência de cadeias (trace plots, índice R-hat de Gelman-Rubin).

1. Fundamentos e Visão Global

Contextualização Estratégica e Fundamentos Globais: Em Estatística Computacional com Python e R: MCMC, Bootstrap e GLM, o domínio de 'Inferência Bayesiana Computacional via MCMC: Algoritmo de Metropolis-Hastings' conecta diretamente as demandas reais do mercado brasileiro aos referenciais internacionais da ONU, Agenda Pós-2030 e melhores práticas globais. O objetivo central desta etapa é: Conceito de Cadeias de Markov com distribuição estacionária alvo, o algoritmo de Metropolis-Hastings em Python (distribuição de proposta simétrica e assimétri...