Análises estatísticas em espectroscopia de hádrons exóticos; MCMC para estimara parâmetros cosmológicos a partir de dados de supernovas; Deconvolução de linha em espectros alfa; Análise de bursts no plasma do tokamak TCABR; Determinação de parâmetros de uma célula solar a partir da curva característica;
; Estudo do sinal de neutrinos do reator de Angra 2 com o experimento CONNIE; Excesso de ruído de fase em microcavidades de nitreto de silício
Definições de probabilidade. Teorema de Bayes formatado para inferência estatística: inclusão da hipótese como variável aleatória, e Interpretação bayesiana. Estimadores e estimativas – interpretação desses termos. Propriedades do bom estimador: consistência, não-tendenciosidade e eficiência.
Problemas e questões ligadas à primeira parte do curso: conceitos básicos, funções de probabilidade, propagação de incertezas, métodos dos mínimos quadrados e da Máxima Verossimilhança, o modelo normal, testes de hipótese, funções t de Student, de qui-quadrado, F de Fisher.
Quando as grandezas de interesse são funções dos parâmetros ajustados aos dados experimentais, é preciso determinar a matriz de covariância delas em função das covariâncias dos parâmetros ajustados. Nesta atividade, determinam-se as estimativas dos parâmetros de uma função a um conjunto de dados , e desses parâmetros se deduzem as grandezas de interesse e sua matriz de covariância, usando uma fórmula matricial, conveniente para cálculos com computadores.
Funções que permitem iterar sobre listas: Cases, Map, Sort, SortBy, Position. Comandos procedimentais: Do, For. If com três alternativas para o resultado do teste: Verdade, Falso e Indeterminado,
Conceitos primitivos: espaço amostral e evento. Relações entre eventos. Os axiomas da Teoria da Probabilidade. Probabilidade condicional e o Teorema de Bayes. Independência Estatística. Definição de variável aleatória. Funções de probabilidade: densidade condicional, marginal, distribuição de probabilidade. Valor esperado, momentos - uma variável, várias variáveis. A atividade é uma aplicação não-bayesiana do Teorema de Bayes.