Voltar

Pós-Graduação em Estatística promove defesas de dissertação

As defesas ocorrerão no Auditório Ruy Gomes, do Departamento de Estatística

O Programa de Pós-Graduação em Estatística da UFPE promove três defesas de dissertação nos próximos dias. No dia 20 deste mês, será a defesa do trabalho “Low-complexity methods for autoregressive signal modeling”, do aluno Abel Pereira de Macedo Borges Júnior. A apresentação será às 14h, no Auditório Ruy Gomes do Departamento de Estatística da UFPE, localizado no 2° andar do Centro de Ciências Exatas e da Natureza (CCEN). Ele foi orientado pelo professor Renato José de Sobral Cintra. A banca da defesa de dissertação será composta pelos professores Leandro Chaves Rêgo (UFC), Hélio Magalhães de Oliveira (DE/UFPE) e André Leite Wanderley (DE/UFPE).

No dia 27 deste mês será a vez de o aluno Alexandre Henrique Carvalho Marques defender seu trabalho intitulado “Multiple factor analysis model with scale mixture of normal distributions in the latent factors”. A defesa será às 9h, no Auditório Ruy Gomes do Departamento de Estatística da UFPE, localizado no segundo andar do Centro de Ciências Exatas e da Natureza (CCEN). O trabalho foi orientado pelo professor Aldo William Medina Garay e coorientado por Francisco José de Azevedo Cysneiros. A banca da defesa será composta pelos professores Aldo William Medina Garay, Victor Hugo Lachos Davila (UCONN-USA) e Getúlio José Amorim do Amaral (UFPE).

Já o aluno João Eudes Miqueias Maciel Torres irá defender seu trabalho, intitulado "Amostragem de área e aplicações em agropecuária", às 9h do dia 31 deste mês. O trabalho teve a orientação do professor Cristiano Ferraz e com coorientação de André Leite Wanderley. A banca de defesa será composta pelos professores Cristiano Ferraz (UFPE), Carlos Feitosa Luna (Fiocruz) e Raydonal Ospina Martínez (UFPE). Confira os resumos dos trabalhos:

Resumo 1:

Modelos autorregressivos (AR) fornecem uma maneira de aproximar o espectro de um sinal. Quanto maior a ordem do modelo, melhor a aproximação. Neste trabalho, consideramos o problema de construir métodos computacionalmente eficientes para a estimação paramétrica em processos AR de 1ª e 2ª ordem. Primeiro, revisamos como a distribuição espectral provê uma análise da variância de uma série temporal, trazendo à tona suas componentes frequenciais. Em seguida, a estimação de baixa complexidade do AR(1) é abordada com uma técnica de binarização, com complexidade multiplicativa independente do tamanho da amostra. Uma revisão da literatura sobre essa tecnologia é apresentada. A linearidade do estimator de baixa complexidade proposto é examinada e um método de refinamento iterativo das estimativas é proposto. Uma segunda abordagem é sumarizada em um algoritmo para estimação aproximada dos parâmetros do AR(1). O estimador resultante é assintoticamente equivalente ao estimador de máxima verossimilhança exato. Para tamanhos de amostra moderados ou grandes (N > 100), o algoritmo representa uma economia de 50% em adições e multiplicações, relativamente ao método direto. Para o caso do AR(2), mostramos através de simulações como estimativas dos parâmetros autorregressivos podem ser obtidas com duas iterações de filtragem AR(1). Um método para estimar a variância do processo AR(2) aproveita-se destas estimativas. Finalmente, nossos métodos são experimentados em dois problemas comuns em processamento de sinais: o problema de detecção e o problema de estimação da frequência de um tom simples.

Resumo 2:

Ferramentas estatísticas voltadas para a modelagem de estruturas de covariâncias têm se mostrado úteis em medicina para estudos genéticos. Nesse contexto, modelos de análise fato- rial destacam-se por sua habilidade em identificar fatores latentes capazes de reduzir a dimen- sionalidade dos dados e explicar a variabilidade observada. Comumente, fatores latentes são interpretados como mecanismos fisiológicos não observáveis subjacentes ao fenômeno estu- dado. Modelos de análise fatorial confirmatória caracterizam-se por possibilitar ao pesquisador a pré-especificação de elementos do modelo, como por exemplo, o número de fatores latentes, a estrutura da matriz de loadings e restrições lineares nos parâmetros. Tais modelos permitem a validação de hipotéses em estudos de coexpressão gênica. Modelos de análise fatorial con- firmatório sob suposição de normalidade de dados estão bem consolidados na literatura. Nosso objetivo é desenvolver uma classe mais geral capaz de integrar várias populações independentes estendendo a suposição de normalidade de dados para uma classe mais flexível de distribuições, a classe de misturas de escala da distribuição normal (SMN). A classe SMN contém, como casos especiais, a distribuição normal e distribuições com caudas pesadas tais como t-Student, normal contaminada e slash. Este modelo permite especificar restrições nos parâmetros, as quais levam a importantes casos particulares de estruturas de covariância, tornando-o mais flexível em sua especificação e em suas suposições distribucionais. A identificabilidade do modelo é estudada e condições necessárias e/ou suficientes para identificação dos parâmetros são apresentadas. Para a estimação dos parâmetros do modelo propomos um algoritmo ECM e a performance dos estimadores em amostras finitas é avaliada através de estudos de simulação de Monte Carlo. Finalizamos nosso estudo com uma ilustração considerando o modelo confirmatório para a dinâmica patológica do câncer de mama e ovário utilizando dados reais de expressão gênica.

Resumo 3:

Técnicas de amostragem de área são aplicáveis quando a populac¸a~o-alvo pode ser delimitada geograficamente por um cadastro de área, situação comum em pesquisas agropecuárias de âmbito nacional e regional. Os estimadores são baseados em como as unidades amostrais (segmentos) se relacionam com as unidades observacionais (campos e propriedades agrícolas).  Estimação por segmento fechado com observação direta, por exemplo, não e´ suscetível a erros decorrentes de respostas imprecisas dos agricultores, mas é difícil de ser implementada na prática e estão sujeitas a erros de mensuração devido ao uso de tecnologia para a geração de medidas. Estimação por segmento ponderado, com subamostragem de pontos, e´ mais eficiente em questões de tempo e pode ser aplicada em pesquisas de múltiplos propósitos. O presente trabalho apresenta técnicas de estimação com cadastros de área com segmentos quadrados e exemplifica suas aplicações por meio de um estudo experimental realizado em Goiana-PE pelo laboratório CAST, para a FAO. O desempenho estatístico dos estimadores apresentados foi investigado através de um estudo de simulação de Monte Carlo. Os resultados do estudo mostraram que o estimador por segmento ponderado com subamostragem de pontos e´ mais preciso, em termos de erro quadrático médio, para estimar totais de área cultivada.

Mais informações
Programa de Pós-Graduação em Estatística (PPGE)
(81) 2126.8422

 

 

Data da última modificação: 09/07/2018, 17:10