Cursos e Minicursos

 

Fundamentos de Matemática em Estatística

Carga horária: 30 h. Datas: 19/1 a 6/2.
Sala: a informar (ICMC/USP) / Localização e mapa do campus / Horários: segunda e terça-feira, das 8h00 às 12h00 e quarta-feira, das 10h00 às 12h00.

Professor: Dorival Leão (ICMC/USP)

Descrição: O curso engloba um conjunto de temas geralmente não abordados nos cursos de Bacharelado em Estatística e tem como objetivo apresentar o formalismo matemático necessário às disciplinas de cursos de doutorado.

Introdução à Inferência Preditivista em Populações Finitas

Carga horária: 10 h. Datas: 27/1 a 29/1.
Sala: a informar (ICMC/USP) / Localização e mapa do campus / Horários: terça e quarta-feira, das 8h00 às 12h00 e quinta-feira, das 10h00 às 12h00.

Professor: Luís Gustavo Esteves (IME/USP)

Descrição. Usualmente, os procedimentos de inferência estatística (frequentistas ou bayesianos), tais como estimação e testes de hipóteses, são desenvolvidos e aplicados sob modelos (paramétricos) de superpopulação, cujos parâmetros, em geral, correspondem a limites de sequências de freqüências relativas. Nesse curso, estudaremos a abordagem bayesiana preditivista em populações finitas. Sob este enfoque, os parâmetros de interesse, chamados parâmetros operacionais, são funções do vetor (finito) de características populacionais e, desse modo, não correspondem a formas limite como no caso de parâmetros em modelos de superpopulação. Em especial, estudaremos os problemas de estimação e testes de hipóteses para alguns parâmetros operacionais.

Regressão Moderna

Carga horária: 10 h. Datas: 2/2 a 6/2.
Sala: a informar (ICMC/USP) / Localização e mapa do campus / Horários: segunda a sexta-feira, das 10h00 às 12h00.

Professor: Rafael Izbicki (UFSCar)

Descrição. O problema de estimação de uma função de regressão possui papel central em Estatística. Apesar de as primeiras técnicas para solucionar tal problema datarem de ao menos 200 anos, os avanços computacionais recentes permitem que novas metodologias sejam exploradas. Em particular, como a capacidade de armazenamento de computadores é cada vez maior, mais dados podem ser armazenados e, consequentemente, métodos que fazem menos suposições ganham cada vez mais espaço. Por outro lado, vários desafios surgem com essa situação; por exemplo, métodos tradicionais não são capazes de lidar com bancos de dados em que há mais covariáveis que observações, uma situação muito comum nos dias de hoje. Similarmente, são frequentes as aplicações em que cada observação consiste em uma imagem, um objeto complexo cuja análise requer metodologias mais elaboradas. Neste curso veremos diversos avanços recentes na área de regressão. Tanto aspectos práticos quanto teóricos serão explorados. Daremos atenção especial a métodos com enfoque preditivo.

Data Mining

Este minicurso é parte do 3rd Workshop on Probabilistic and Statistical Methods (3WPSM).

Professor: Yoav Bergner (Educational Testing Service, Princeton, NJ, USA)

Descrição. What does big data really mean? It depends! This mini-course will introduce some of the challenges and solutions with applications to educational process data from tutoring systems, online courses, simulations, and educational games. As much as possible, software references will focus on R packages, though we will also briefly describe alternate pathways using Python, Weka, and RapidMiner. The goal is to familiarize the participants with some of the tools and methods available, with appropriate expectations.

Dependence Analysis via Copulas

Este minicurso é parte do 3rd Workshop on Probabilistic and Statistical Methods (3WPSM).

Professores: Nikolai Kolev, Leandro Augusto Ferreira e Rafael Aguilera (IME/USP)

Descrição. Este minicurso objetiva (i) representar modelos multivariados por meio da teoria de cópulas utilizados na análise de dependência entre as variáveis e (ii) apresentar as técnicas mais recentes, tanto do ponto de vista teórico como aplicado utilizando R.


Organização:

Apoio: