CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica (IMECC) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Possui graduação em Ciências Estatísticas pela Escola Nacional de Ciências Estatísticas (1989), mestrado em Estatística pela Universidade Estadual de Campinas (1992) e doutorado em Estatística pela University of North Carolina, Chapel Hill (1997). Atualmente é professor titular da Universidade Estadual de Campinas. Tem experiência na área de Probabilidade e Estatística, com ênfase em Estatística, atuando principalmente nos seguintes temas: u-statistics, wavelets, estimação não-paramétrica, ondaletas e análise de séries temporais. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
31 de agosto* 14h00-17h30 - Inscrição / Material* 14h00-16h00 - Tutorial - Wavelet shrinkage. Alex Sousa (Unicamp)* 16h00-17h30 - Comunicações Orais CO1 e CO2Primeiro de setembro* 08h30-09h00 - Abertura* 09h00-10h00 - Conferência Plenária CP1 - Boaz Nadler (Weizmann)* 10h30-11h00 - Jovens doutores JD1 Rodney Fonseca (UFBA)* 11h00-12h30 - Sessão Temática ST1 Statistical LearningOrganizador…
Consideramos modelos heterocedásticos para séries temporais, especificamente modelos $GARCH(p,q)$. No domínio do tempo, estima-se seu parâmetro $(p+q)$-dimensional através de estimadores $M$-quantílicos. Estuda-se seu espectro primeiramente através da transformada de Fourier discreta (DFT). Usa-se também o cpestrum do modelo, a transforma inversa de Fourier para o log da densidade espect…
O projeto é uma progressão natural do projeto temático 18/04654-9 intitulado Séries Temporais, Ondaletas e Dados de Alta Dimensão, vigente de primeiro de setembro de 2018 a trinta de agosto de 2023, o mais recente de uma sequência de projetos temáticos fomentados pela FAPESP há duas décadas. As metodologias desenvolvidas terão aplicação em áreas como Medicina, Finanças, Biologia, Física,…
Wednesday, July 26, 20239:00 : Opening9:10 - 10:00: David Stoffer (Pittsburgh): Detection of Narrowband Frequency Changes in Time Series10:00 - 10:30: Coffee Break10:30 - 11:10: Aluísio Pinheiro (IMECC-UNICAMP): Wavelet Feature Screening in High Dimensional Regression Model11:10 - 11:50: Ronaldo Dias (IMECC-UNICAMP): Wavelet Estimation of nonstationary spatial covariance function12:00 - …
02 de julho* 14h00-17h30 Inscrição e Material * 17h00-19h00 Pôsteres03 de julho* 09h00-09h30 Abertura - ESTE* 09h30-10h30 Minicurso Estatística em Epidemiologia * 10h30-12h30 ST1 Financial Econometrics Carlos Carvalho (Texas) Guilherme Moura (UFSC) Hedibert Lopes (Insper e Arizona) * 10h30-12h30 ST2 Time SeriesBrani Vidakovic (Texas A&M)David Stoffer (Pittsburgh)Pedro Morettin (USP)* 12h3…
Tuesday, September 0313h30-14h00 WWLet Registration/Material14h00-14h15 Opening Remarks14h15-15h00 Pedro A. Morettin - IME/USP15h00-15h30 Aluísio Pinheiro - Unicamp15h30-16h00 Kim Samejima - UFBA16h00-16h30 Luciano Magrini - IFSP16h30-17h00 Coffee Break17h00-17h30 Michel H. Montoril - UFJF17h30-18h00 Thelma Safadi - UFLA18h00-18h30 Eniuce Menezes de Souza - UEMWednesday, September 0408h3…
Técnicas de agrupamento (clustering) e classificação, massivamente usadas em aprendizado de máquina (machine learning), muitas vezes produzem resultados ruins quando aplicadas diretamente sobre dados, quer sejam IID ou séries temporais, ou mesmo imagens. Entre elas, incluímos KNN (Kthnearest neighbors), K-médias, SVM (support vector machines), árvores e florestas, Medidas de Schur, redes …
Modelos de covariância espaciais tipicamente envolvem matrizes densas, o que exige métodos baseados em aproximações (para as matrizes ou suas inversas) de forma a realizar ajustes ou obter previsões. Esses problemas são exacerbados em modelos hierárquicos, como o de regressão espacial Poisson. Nosso objetivo é estudar novas abordagens de inferência aproximada, baseadas em verossimilhança …
Este projeto propõe novas abordagens estatística s para o problema de seleção de variáveis em modelos de regressão funcional usando o paradigma Bayesiano. Embora metodologias frequentistas sejam bem compreendidas, o uso de inferência Bayesiana em dados funcionais ainda é pouco explorado. Técnicas de inferência variacional, amplamente aplicadas em Statistical Machine Learning, demonstram g…
A atual era dos grandes conjuntos de dados e dos métodos de inteligência artificial oferece perspectivas de avanços tecnológicos substanciais para as próximas décadas. Entretanto, extrair informações relevantes de grandes volumes de dados e depende de algoritmos rápidos e confiáveis. Dois exemplos nessa linha são a seleção de variáveis para modelos estatísticos e a determinação estatístic…
O desenvolvimento de metodologias e ferramentas capazes de auxiliar no monitoramento ambiental compreende uma demanda constante e desafiadora. Esteprojeto propõe o uso de medidas para a caracterização de mudanças em séries deimagens obtidas por sensoriamento remoto. É vislumbrada uma transformação dasérie de dados na forma de uma representação atemporal-multi-atributo convenientepara gera…
Temos um modelo de regressão dinâmico de alta dimensão, isto é, com umalto número de covariáveis e dados amostrados em instantes de tempo, com efeitodinâmico relevante. Estudam-se nesse projeto técnicas de triagem e seleção de variáveis precedidas por redução dimensional. Tanto as correlações generalizadas como a reduçãodimensional se baseiam em representações das funções em bases de onda…
Detecção de mudanças é uma tarefa importante em imagens de sensoriamento remoto, que permite a pesquisadores e engenheiros identificar e avaliar modificações em superfícies terrestres em imagens de satélite multi-temporais. A análise de problemas como desmatamento (Barreto et al., 2016), urbanização rápida (Ban and Yousif, 2012) e derretimento de glaciares (Scher, Steiner, and McDonald, …
Métodos baseados em ondaletas tem sido aplicados em diferentes áreas da ciência. Entretanto, muitas aplicações relevantes envolvem domínios não usuais, como é o caso de espaços de grafos. Adicionalmente, devido ao aperfeiçoamento na capacidade de adquirir e armazenar grandes conjuntos de dados, muitos destes podem ser coletados ao longo do tempo, permitindo pesquisadores avaliarem o progr…
A teoria de wavelets e análise de Multiscale motiva uma grande proporção de metodologias estatísticas modernas e avanços em campos não-estatísticos conduziram a importantes, até mesmo indispensáveis, ferramentas estatísticas. Conjuntos massivos de dados, dados funcionais e processos de amostragem de alta freqüência intrinsecamente invariantes a mudanças na escala são cada vez mais observa…