Cursos e Minicursos
Teoria das probabilidades
Carga Horária: 60 hs / Datas: 06/01 a 14/02.
SALA 133 AT6 (UFSCar) / Mapa do Campus / Horários: Segundas e quartas de 15h00 a 17h00. Terças, quintas e sextas de 10h00 a 12h00.
Professor: Renato Jacob Gava (UFSCar)
Descrição: O propósito deste curso é apresentar as noções básicas da teoria de probabilidade que são fundamentais para as disciplinas do Mestrado em Estatística. Curso também destinado a selecionar os alunos inscritos no Programa de Mestrado.
Fundamentos de matemática em estatística
Carga Horária: 32 hs / Datas: 08/01 a 31/01.
SALA 72 AT4 (UFSCar) / Mapa do Campus / Horários: Quartas de 16h00 a 18h00, quintas de 10h00 a 12h00 e de 16h00 a 18h00 e sextas de 10h00 a 12h00.
Professor: Luis Ernesto Bueno Salasar (UFSCar)
Descrição: O curso engloba um conjunto de temas geralmente não abordados nos cursos de Bacharelado em Estatística e tem como objetivo introduzir o formalismo matemático necessário às disciplinas de cursos de Doutorado.
O modelo de processos Gaussianos e suas aplicações
Carga Horária: 15 hs / Datas: 06/01 a 17/01.
SALA 76 AT4 (UFSCar) / Mapa do Campus / Horários: Segundas, quartas e sextas de 10h00 a 12h00. *Mais uma aula na última quarta-feira de 14h00 a 17h00.
Professor: Danilo Lourenço Lopes (UFSCar)
Descrição. Processos Gaussianos são processos estocásticos muito úteis para modelar incertezas com relação a uma determinada função. Na última década, esses modelos tem recebido especial atenção em diversas áreas da Estatística, como Aprendizado de Máquina, Estatística Espacial e Análise de Modelos Computacionais. O objetivo deste minicurso é apresentar as propriedades do modelo de Processos Gaussianos, além de diversas aplicações em regressão, classificação, interpolação, modelagem de dados espaciais e emulação de simuladores físicos. Processos Gaussianos são uma ferramenta natural para utilização sob perspectiva bayesiana, seja como função de verossimilhança ou como distribuição a priori. Serão apresentadas algumas dificuldades relacionadas ao uso desse modelo e trabalhos recentes direcionados a solucionar tais dificuldades. Especial atenção será dada a métodos para quantificar, analisar e reduzir incerteza na aplicação de experimentos computacionais.
Analise estatística de dados espaciais e visualização através do GoogleMap
Carga Horária: 8 hs / Datas: 23 e 24/01.
Laboratório 5, BLOCO 6 (ICMC-USP) / Mapa do Campus I / Horários: Quinta e sexta de 14h00 a 18h00.
Professor: Marcos Oliveira Prates (UFMG)
Descrição. Dados com estruturas espaciais são normalmente vistos em várias áreas do conhecimento como ciências ambientais, saúde pública, ciências socias, entre outras. Dados espaciais podem ser de três tipos: processo pontual, geo-estatístico e de área. A dependência espacial entre as observações apresentam um desafio, pois os métodos estatísticos usuais para dados independentes não se aplicam diretamente. Qualquer análise válida para dados espaciais devem levar em consideração a dependência espacial de forma apropriada. Além disso, uma visualização eficiente de dados espaciais ajuda a enteder e melhor apresentar os dados. O principal objetivo do mini-curso é oferecer a novos pesquisadores uma base inicial para análise em estatística espacial com o R (http://www.r-project.org/). Além disso, é demonstrar como fazer a visualização de mapas pelo Google maps em duas direções:
- importar mapas do GoogleMaps para o R e processar para visualização,
- exportar informações espaciais do R para GoogleMaps para visualização em tempo real no browser or GoogleEarth.
Modeling asymmetric data using R
Este minicurso é parte do 2nd Workshop on Probabilistic and Statistical Methods (2WPSM).
Professores: Victor Leiva (Universidad de Valparaiso) e Michelli Karinne Barros da Silva (UFCG)
Descrição. Asymmetric statistical distributions and their modeling have been widely studied and applied during recent decades. Gamma, inverse Gaussian, lognormal and Weibull models are often used for data analyses and, in particular, the Birnbaum-Saunders model is receiving a special attention; see Johnson, Kotz & Balakrishnan (1994). Although almost of these models have their origin in physics and engineering, their applicability has reached also other areas such as earth, financial and medical sciences; see Barros, Paula & Leiva (2008), Paula, Leiva, Barros & Liu (2012) and Leiva, Santos, Cysneiros & Barros (2014). In this course, we present some asymmetric distributions with emphasis in the Birnbaum-Saunders distribution and discuss several diagnostic and goodness-of-fit tools; see Marchant, Leiva, Cavieres & Sanhueza (2013). In addition, we formulate asymmetric regression models with emphasis in the Birnbaum-Saunders distribution; see Leiva, Barros, Paula & Galea (2007). Furthermore, we introduce extensions and generalizations of the Birnbaum-Saunders distribution; see Díaz-García & Leiva (2005). Finally, we sketch some ideas on the more recent methodologies and applications based on Birnbaum-Saunders models; see Villegas, Paula & Leiva (2011). Implementation in the R software and applications in diverse areas of the science are provided; see Barros, Paula & Leiva (2009) and R Development Core Team (2013).
Ver detalhes do minicurso no site do 2WPSM
