| 1 | Auxílios à pesquisa em andamento |
| 11 | Auxílios à pesquisa concluídos |
| 2 | Bolsas no país em andamento |
| 8 | Bolsas no país concluídas |
| 22 | Todos os Auxílios e Bolsas |
| Processos vinculados | |
Busca avançada
Francisco Louzada Neto
CV Lattes
GoogleMyCitations
ORCID
Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC) (Instituição-sede da última proposta de pesquisa) País de origem: Brasil
Francisco Louzada é Professor Titular da Universidade de São Paulo, junto ao Instituto de Ciências Matemáticas e Computação, Diretor do Centro de Matemática e Estatística Aplicadas à Indústria (CeMEAI), Diretor de Transferência Tecnológica do CEPID-CeMEAI, Coordenador do Laboratório de Estudos do Risco (CER-USP), Editor dos periódicos Brazilian Journal of Probability and Statistics e Sankhya A, e das Séries de livros SpringerBriefs in Statistics - BSA (Springer) e Fisher Project of Statistical Books (Blucher), Membro do Conselho Consultivo dos periódicos Journal of Applied Statistics e Revista Brasileira de Biometria, e Editor Associado dos periódicos Communication in Statistics, Quality Tech. & Quantitative Management (QTQM), Journal of Statistical and Econometric Methods e Revista Brasileira de Estatística. Francisco Louzada é PhD em Estatística pela Universidade de Oxford (1998), Mestre em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (1991), Bacharel em Estatistica pela Universidade Federal de São Carlos (1988). Atua principalmente nas seguintes áreas: Análise de Sobrevivência e Confiabilidade, Data Mining, Testes Diagnósticos, Inferência Bayesiana, Modelos Não-Lineares, Modelos de Risco. (Fonte: Currículo Lattes)
Auxílios à pesquisa
Bolsas no país
- Extensões dos modelos defeituosos com fração de cura para dados financeiros, industriais e médicos, BP.PD
- Esquemas eficientes de Monte Carlo para espaços de alta dimensão e grandes bancos de dados médicos e industriais, BP.PD
- Métodos de regressão penalizada para dados composicionais, BP.DR
Análise de dados
Análise de sobrevivência
Banco de dados
Ciência
Ciências Exatas e da Terra
Coleta de dados
Dados de contagem
Estatística aplicada
Estatística computacional
Estatística e probabilidade
Estatística
Estudos interdisciplinares
Função de risco acumulado
Indústrias
Inferência bayesiana
Inferência estatística
Inferência
Inovação
Matemática Aplicada
Matemática
Método de Monte Carlo
Métodos probabilísticos
Modelos de regressão
Probabilidade aplicada
Probabilidade e Estatística Aplicadas
Probabilidade e Estatística
Probabilidade
Processos estocásticos
Reamostragem bootstrap
Riscos competitivos
Sistemas on-line
Tecnologia
Teoria assintótica
Teoria de resposta ao item
Teste da razão de verossimilhança
Modelo estatístico é usado para identificar novos talentos no esporte
Publicado em 11 de novembro de 2015 - Agência FAPESP. Um grupo de pesquisadores do Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP), campus de São Carlos, desenvolveu um método estatístico capaz de identificar atletas com desempenho acima da média em suas respectivas modalidades esportivas. Batizado de iSports, o projeto está sendo coordenado por pesquisadores do Centro de Ciências Matemáticas Aplicadas à Industria (CeMEAI) – um dos Centros de Pesquisa, Inovação e Difusão (CEPIDs) financiados pela FAPESP. O CeMEAI desenvolve sistema em nuvem capaz de detectar e comparar grupos de atletas com mais chances de se tornarem esportistas. O iSports é o modelo estatístico usado para essa finalidade. O vídeo é apresentado pelo Prof. Francisco Louzada Neto, do ICMC, com a colaboração de Alexandre Cristóvão Maiorano.
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
| Publicações | 8 |
| Citações | 97 |
| Cit./Artigo | 12,1 |
| Dados do Web of Science | |
MARTINO, L.; LOUZADA, F.. Issues in the Multiple Try Metropolis mixing. Computational Statistics, v. 32, n. 1, p. 239-252, MAR 2017. Citações Web of Science: 5. (14/23160-6)
MARTINO, LUCA; ELVIRA, VICTOR; LOUZADA, FRANCISCO. Effective sample size for importance sampling based on discrepancy measures. Signal Processing, v. 131, p. 386-401, FEB 2017. Citações Web of Science: 30. (14/23160-6)
MARTINO, LUCA; READ, JESSE; ELVIRA, VICTOR; LOUZADA, FRANCISCO. Cooperative parallel particle filters for online model selection and applications to urban mobility. DIGITAL SIGNAL PROCESSING, v. 60, p. 172-185, JAN 2017. Citações Web of Science: 41. (14/23160-6)
LOUZADA, FRANCISCO; SHIMIZU, TACIANA K. O.; SUZUKI, ADRIANO K.. The Spike-and-Slab Lasso regression modeling with compositional covariates: An application on Brazilian children malnutrition data. STATISTICAL METHODS IN MEDICAL RESEARCH, v. 29, n. 5, JULY 2019. Citações Web of Science: 1. (14/16147-3)
MARTINO, L.; ELVIRA, V.; LUENGO, D.; CORANDER, J.; LOUZADA, F.. Orthogonal parallel MCMC methods for sampling and optimization. DIGITAL SIGNAL PROCESSING, v. 58, p. 64-84, NOV 2016. Citações Web of Science: 20. (14/23160-6)
CONCEICAO, KATIANE SILVA; ULRICH, WERNER; RIBEIRO DINIZ, CARLOS ALBERTO; RODRIGUES, FRANCISCO APARECIDO; DE ANDRADE, MARINHO GOMES. A Generalized Approach to the Modeling of the Species-Area Relationship. PLoS One, v. 9, n. 8, AUG 29 2014. Citações Web of Science: 1. (13/26416-9, 08/10613-1, 14/15860-8)
CONCEICAO, KATIANE S.; PIRES, RUBIANE M.; LOUZADA, FRANCISCO; ANDRADE, MARINHO G.; DINIZ, CARLOS A. R.. A generalized species-area relationship: The Poisson distribution case. BRAZILIAN JOURNAL OF PROBABILITY AND STATISTICS, v. 28, n. 3, p. 446-460, AUG 2014. Citações Web of Science: 0. (07/07612-0, 08/10613-1)
MARTINO, L.; LOUZADA, F.. Adaptive rejection sampling with fixed number of nodes. COMMUNICATIONS IN STATISTICS-SIMULATION AND COMPUTATION, v. 48, n. 3, p. 655-665, MAR 16 2019. Citações Web of Science: 0. (14/23160-6)
Por favor, reporte erros na informação da página do pesquisador escrevendo para:
cdi@fapesp.br.