Conferencistas - V EPBEST
Francisco Cribari-Neto
UFPE
Francisco Cribari-Neto
TÍTULO: Numerical stability enhancements in beta autoregressive moving average model estimation
RESUMO: We introduce a ridge penalization scheme to enhance the numerical stability of conditional maximum likelihood estimation of the parameters indexing the β-ARMA model. The proposed approach involves adding a simple penalty term to the log-likelihood function to enhance its curvature. This modification reduces the chance of convergence failures and implausible estimates. We also present a bootstrap-based parameter estimation strategy. It is particularly useful when penalization alone is insufficient to address numerical issues, providing a complementary solution for obtaining more reliable estimates. Our numerical results show the effectiveness of the proposed approaches in addressing numerical instability issues in β-ARMA parameter estimation. Two empirical applications are presented and discussed.
MINI CURRÍCULO: Francisco Cribari-Neto possui doutorado em Economia (Econometria) pela University of Illinois (1994). É professor titular do Departamento de Estatística da Universidade Federal de Pernambuco (UFPE). Tem experiência nas áreas de Econometria e Estatística, atuando principalmente nos seguintes temas: bootstrap, correções de Bartlett, correções de viés, expansões de Edgeworth, modelos de regressão heteroscedásticos, modelos de regressão beta, análise de séries temporais. Presidiu a Sociedade Brasileira de Econometria (SBE), foi em três ocasiões membro do Comitê Assessor de Matemática e Estatística do CNPq, foi membro do Comitê Assessor de Matemática da CAPES e integrou o Conselho Superior da FACEPE. Foi membro do grupo QUALIS/CAPES da área de Matemática e Estatística/Probabilidade (por seis anos). É membro do Conselho Deliberativo do CNPq (mandatos: 2020-2022 e 2022-2024). Foi presidente da comissão da área de Matemática e Probabilidade/Estatística do Prêmio CAPES de Teses, edição 2016, foi membro titular da comissão da área de Matemática e Probabilidade/Estatística do Prêmio CAPES de Teses, edição 2022, foi membro da comissão do Prêmio Francisco Aranda Ordaz Award (edição 2019), foi membro da comissão (2020-2023) do The International Prize in Statistics, concedido a cada dois anos pelas cinco principais sociedades científicas da área. Foi orientador de uma dissertação de mestrado premiada nacionalmente (primeiro lugar, Prêmio da Associação Brasileira de Estatística) e de uma tese de doutorado premiada internacionalmente (primeiro lugar, Prêmio Aranda-Ordaz). Foi o pesquisador homenageado da XV Escola de Modelos de Regressão (2017) e presidiu a Comissão Científica do SINAPE 2018. É editor associado das revistas Brazilian Journal of Probability and Statistics, Anais da Academia Brasileira de Ciências, Chilean Journal of Statistics, Communications in Statistics – Theory and Methods, Communications in Statistics – Simulation and Computation, Communications in Statistics – Case Studies, Data Analysis and Applications. É um dos editores da série de livros ABE SpringerBriefs in Statistics da editora Springer e é membro do Comitê Editorial da Coleção Matemática Aplicada da Sociedade Brasileira de Matemática (SBM). Foi incluído, em artigo publicado na revista PLOS Biology em 2020, na lista dos 2% pesquisadores mais influentes do mundo. Em 2021, foi listado no Latin America Top 10.000 Scientists AD Scientific Index 2021, AD Scientific Index (Alper-Doger Scientific Index). Faz parte da Lista Stanford (edições 2023 e 2024) dos 2% Cientistas Mais Influentes do Mundo na categoria “cientistas com maior impacto em um único ano recente”. A lista é elaborada e atualizada pela Elsevier em colaboração com pesquisadores da Universidade de Stanford. Ranqueado na posição 23 da quarta edição (2025) da lista “Best Mathematics Scientists in Brazil” elaborada pela plataforma educacional Research.com. Seu índice h é 24 e seu número de citações supera 8700 (em abril de 2025, base de dados: ISI/Web of Science). Recebeu o Prêmio ABE em 2024, premiação concedida pela Associação Brasileira de Estatística (ABE) por contribuição expressiva para o desenvolvimento da Estatística no Brasil.
Agatha Rodrigues
UFES
Agatha Sacramento Rodrigues
TÍTULO: Modelo de Regressão com Fração de Cura para Análise do Ponto de Máximo em Funções de Risco Unimodais
RESUMO: Este trabalho tem como foco a estimação do ponto de máximo da função de risco em estudos de sobrevivência, com ênfase em contextos da área da saúde. A função de risco representa a probabilidade instantânea de ocorrência de um evento, como o óbito, e pode apresentar um padrão unimodal. Identificar esse ponto é relevante, pois indica o momento de maior risco, auxiliando no planejamento de tratamentos mais eficazes e na definição de estratégias de intervenção. Além disso, ao considerar a possibilidade de cura de parte dos pacientes, a estimação da fração de cura fornece um panorama mais completo dos desfechos de sobrevivência. Para abordar essas questões, propõe-se um modelo de regressão com fração de cura baseado na distribuição de Dagum. Uma característica central do modelo é a reparametrização da distribuição para incluir diretamente o máximo da função de risco, a qual é associada às covariáveis por meio de uma função logarítmica. A proporção de pacientes curados é modelada por uma regressão logística, considerando os efeitos das covariáveis. A estimação dos parâmetros é realizada via máxima verossimilhança, e o desempenho do modelo é avaliado por meio de extensas simulações de Monte Carlo. A aplicação prática é ilustrada com dados de COVID-19 em população materna, evidenciando os benefícios do modelo proposto. Esse é um trabalho conjunto com Patrick Borges da UFES.
MINI CURRÍCULO: Doutora e mestre em Estatística pelo Instituto de Matemática e Estatística da Universidade de São Paulo (2018 e 2013, respectivamente), com graduação em Estatística pela Universidade Federal de São Carlos (2010). Possui experiência nas áreas de Probabilidade, Estatística, Análise de Confiabilidade, Análise de Sobrevivência e Bioestatística. Atualmente, é docente no Departamento de Estatística da Universidade Federal do Espírito Santo (UFES), onde também coordena o projeto de extensão ensinaR, voltado à divulgação, ensino e treinamento da comunidade sobre o software R. É cofundadora da R-Ladies Capítulo Vitória e coordenadora do laboratório DaSLab (https://daslab-ufes.github.io/). Coordena o Observatório Obstétrico Brasileiro, plataforma de monitoramento e análise de dados em saúde materno-infantil, apoiado pelo CNPq, FAPES e Fundação Bill e Melinda Gates na Chamada de Ciência de Dados na Saúde Materno-infantil (https://observatorioobstetricobr.org). É docente permanente no Programa de Pós-Graduação de Informática da UFES e no Programa de Pós-Graduação em Ginecologia e Obstetrícia da USP. Ocupa o cargo de primeira secretária da RBras na gestão 2024-2026 e coordena a comissão organizadora da 69 RBras e 21 SEAGRO.
Alex Mota
UFAM
Alex Leal Mota
TÍTULO: Um modelo de taxa de cura de Chen binomial negativo aplicado a dados de câncer
RESUMO: Na análise de sobrevida tradicional, assume-se que o evento de interesse pode ser observado para qualquer indivíduo, desde que o tempo de acompanhamento seja suficientemente longo. No entanto, em alguns estudos, uma parcela dos indivíduos não é suscetível ao evento de interesse. Esses indivíduos são considerados curados, imunes ou sobreviventes de longo prazo. Quando essa característica está presente nos dados de sobrevida, modelos de taxa de cura ou de sobrevida de longo prazo são tipicamente empregados. Neste trabalho, propomos um novo modelo paramétrico de sobrevida capaz de acomodar uma fração potencial de indivíduos curados ou imunes. O modelo é formulado com base na estrutura unificada de modelagem de sobrevida de longo prazo, onde se assume que o número de causas concorrentes latentes segue uma distribuição binomial negativa, e o tempo de promoção da k-ésima causa concorrente é modelado usando a distribuição de Chen. A inferência é realizada pelo método da máxima verossimilhança sob dados censurados à direita. Finalmente, demonstramos a aplicabilidade do modelo proposto analisando um conjunto de dados de câncer fornecido pela Fundação Oncocentro do estado de São Paulo.
MINI CURRÍCULO: É professor de estatística no Instituto de Ciências Exatas (ICE) da Universidade Federal do Amazonas (UFAM). Possui doutorado em estatística pelo programa interinstitucional de pós-graduação em estatística UFSCar-USP (2022), mestrado em matemática com área de concentração em estatística pelo programa de pós-graduação em matemática da UFAM (2017) e graduação em matemática pela Universidade Federal do Amapá (2014). Tem experiência em probabilidade e estatística, atuando principalmente nas seguintes áreas: teoria de distribuições de probabilidades, análise de sobrevivência e confiabilidade.
Alexandre Patriota
USP
Alexandre Galvão Patriota
TÍTULO: O modelo estatístico por trás dos modelos de linguagem
RESUMO: A palestra mostra como o modelo multinomial, estimado por máxima verossimilhança, serve de ponto de partida para arquiteturas de rede neural autoregressivas. Abordaremos tokenização, a função softmax e o mecanismo de atenção, explicando como esses elementos se relacionam com o modelo multinomial.
MINI CURRÍCULO: Atualmente é professor associado (livre-docente) no Departamento de Estatística do Instituto de Matemática e Estatística da Universidade de São Paulo. Recebeu a distinção Magna Cum Laude da Universidade Federal do Ceará. Tem interesse em modelos estatísticos em geral, coerência, estimação, testes de hipóteses, fundamentos da estatística clássica e do aprendizado de máquinas (redes neurais, incluindo a arquitetura Transformer).
Bruna Palm
Blekinge Institute of Technology - BTH
Bruna Palm
TÍTULO: Zero-inflated Rayleigh Dynamic Model for Non-negative Signals
RESUMO: This study proposes a zero-inflated Rayleigh seasonal autoregressive moving average model with exogenous regressors (iRSARMAX) to model and forecast non-negative time series, accommodating the presence of zero values. The proposed iRSARMAX models the conditional mean of the continuous part of the mixture distribution by using a dynamic structure that considers stochastic seasonality, autoregressive and moving average terms, exogenous regressors, and a link function. It also models the mixture parameters related to the inflated (zero) values with a parsimonious dynamic structure. Furthermore, the analytical score vector was deduced and considered in the conditional maximum likelihood estimation of the introduced model parameters. The analytical Fisher information matrix was obtained and used for hypothesis testing and interval inferences for the parameters of the proposed model. Randomized quantile residuals were considered, and goodness-of-fit tests were implemented to validate the model. An extensive simulation study was performed to evaluate the performance of conditional likelihood inference over the model parameters for finite sample sizes. The proposed model excelled compared to the traditional seasonal autoregressive and moving average model and the Holt-Winters filtering in forecasting influent flow. In addition, it outperformed competitors in predicting synthetic aperture radar (SAR) image data.
MINI CURRÍCULO: Bruna G. Palm recebeu o título de Bacharel em Estatística pela Universidade Federal de Santa Maria (UFSM), Santa Maria, Brasil, em 2014, e o título de Doutora em Estatística pela Universidade Federal de Pernambuco (UFPE), Recife, Brasil, em 2020. Entre fevereiro de 2018 e janeiro de 2019, atuou como pesquisadora visitante de doutorado no Blekinge Institute of Technology (BTH), Karlskrona, Suécia. Entre abril de 2020 e março de 2021, foi pesquisadora bolsista no Departamento de Telecomunicações do Instituto Tecnológico de Aeronáutica (ITA), Brasil. Em 2021, atuou como pesquisadora bolsista no Departamento de Matemática e Ciências Naturais da BTH, em parceria com a Saab AB, Suécia. Atualmente, é Senior Lecturer no BTH. Sua tese de doutorado foi reconhecida com a distinção “Prêmio Destaque da Comissão” na categoria de melhor tese de Doutorado, em 2021, pela Sociedade Brasileira de Matemática Aplicada e Computacional. Seus principais interesses de pesquisa incluem ciência de dados, modelos de regressão/dinâmicos, computação estatística, inferência paramétrica e processamento estatístico de sinais/imagens.
Renata Rojas
UFSM
Renata Rojas Guerra
TÍTULO: Modelo de escore autorregressivo generalizado baseado nos quantis da distribuição Burr XII
RESUMO: A distribuição Burr XII (BXII) é um modelo consolidado e flexível para descrever assimetrias em variáveis positivas, sendo adequada para diversas aplicações. Em séries temporais, essa flexibilidade é especialmente útil para modelar e prever dados positivos. Para lidar com estruturas dinâmicas ao longo do tempo, pode-se empregar modelos como os da classe Generalized Autoregressive Score (GAS), que permitem a atualização dos parâmetros com base em observações passadas e na função score da distribuição condicional. Este estudo propõe um novo modelo de séries temporais que incorpora a distribuição BXII, reparametrizada em termos de quantis condicionais, na estrutura GAS. A estimação dos parâmetros é realizada por máxima verossimilhança condicional, e um estudo de simulação de Monte Carlo é conduzido para avaliar o desempenho dos estimadores em amostras finitas. O modelo BXII-GAS é aplicado a dados de vazão de rios em usinas hidrelétricas. Seu desempenho preditivo é comparado aos modelos Rayleigh-GAS e gamma-GAS. No conjunto de dados analisado, o modelo proposto apresentou resultados superiores, evidenciando seu potencial para modelar e prever séries temporais positivas assimétricas.
MINI CURRÍCULO: Professora no Departamento de Estatística da UFSM desde 2017. Possui graduação em Economia (2013) e mestrado em Engenharia de Produção (2015) pela UFSM, além de doutorado em Estatística pela UFPE (2017). Em 2023, foi pesquisadora visitante na Università di Pavia, na Itália. É Membra Afiliada da Academia Brasileira de Ciências (2024–2028), grantee do Instituto Serrapilheira e Membra Eleita do International Statistical Institute. Em 2023, recebeu o Prêmio ISI Jan Tinbergen Awards Winners – Division A e foi selecionada na 6ª Chamada Pública de Apoio à Ciência do Instituto Serrapilheira na área de Matemática. Em 2023, foi eleita Membra Afiliada da Academia Brasileira de Ciências (ABC) para o período de 2024/2028. Em 2024, foi selecionada como jovem embaixadora do International Statistical Institute na International Biometric Conference, em Atlanta, Estados Unidos. Possui interesse nas áreas de teoria de distribuições, processamento estatístico de sinais e modelos dinâmicos e de regressão para variáveis duplamente limitadas. É a coordenadora de extensão do grupo StatUFSM, voltado à popularização da ciência estatística.
