Desde 16 de março de 2020, apenas atividades essenciais foram mantidas de formas presencial na UFRJ. Com o avanço da pandemia e a importância cada vez maior de nos mantermos no domicílio, a Administração Central da UFRJ elaborou o seguinte Formulário de Acesso a Recursos Remotos a ser preenchido e enviado pelos Discentes (Ensino Básico, Graduação e Pós-Graduação), Técnico-administrativos e Docentes.

Nosso objetivo é coletar informações sobre as condições de acesso domiciliar a recursos remotos de nosso corpo social, a fim de traçar a melhor estratégia para a continuidade das atividades acadêmico-administrativas e a implantação futura de politicas que permitam a melhor comunicação remota entre os membros da UFRJ.

Lembre-se, o sucesso desta ação depende principalmente da contribuição dos atores envolvidos. Assim, solicitamos que todos respondam este formulário o mais breve possível.

Clique AQUI para acessar o formulário.

Título: Dynamic Clustering of Time Series Data.

Data: 04/05/2020
Horário: 10h00

Resumo: We propose a new method for clustering multivariate time-series data based on Dynamic Linear Models. Whereas usual time-series clustering methods obtain static membership parameters, our proposal allows each time-series to dynamically change their cluster memberships over time. In this context, a mixture model is assumed for the time series and a flexible Dirichlet evolution for mixture weights allows for smooth membership changes over time. Posterior estimates and predictions can be obtained through Gibbs sampling, but a more efficient method for obtaining point estimates is presented, based on Stochastic Expectation-Maximization and Gradient Descent. Finally, two applications illustrate the usefulness of our proposed model to model both univariate and multivariate time-series: World Bank indicators for the renewable energy consumption of EU nations and the famous Gapminder dataset containing life-expectancy and GDP per capita for various countries.

Banca Examinadora:

Thaís C. O. Fonseca (Presidente)
Guilherme Ost (DME, UFRJ)
Daniel Ratton Figueiredo (Pesc, UFRJ)
Marina Paez (Suplente)

Título: Model-based Inference for Rare and Clustered Populations from Adaptive Cluster Sampling using Auxiliary Variables

Data: 30 de abril (quinta-feira)
Horário: 10:00

O link do Google Meet para a defesa é https://meet.google.com/wax-wpdt-bqf

Resumo: Rare populations, such as endangered animals and plants, drug users and individuals with rare diseases, tend to cluster in regions. Adaptive cluster sampling is generally applied to obtain information from clustered and sparse populations since it increases survey effort in areas where the individuals of interest are observed. This work aims to propose a unit-level model which assumes that counts are related to auxiliary variables, improving the sampling process, assigning different weights to the cells, besides referring them spatially. The proposed model fits rare and grouped populations, disposed over a regular grid, in a Bayesian framework. The approach is compared to alternative methods using simulated data and a real experiment in which adaptive samples were drawn from an African Buffaloes population in a 24,108 km2 area of East Africa. Simulation studies show that the model is efficient under several settings, validating the methodology proposed in this paper for practical situations.

Banca Examinadora

• Kelly C. M. Gonçalves (presidente - UFRJ);
• João B. M. Pereira (UFRJ);
• Fernando A. S. Moura (UFRJ);
• Pedro L. N. Silva (ENCE);
• Carlos A. Abanto-Valle (suplente).

Ao entrar na sala, desligue câmeras e microfones, a fim de evitar dificuldades na conexão. A defesa será gravada e posteriormente disponibilizada.