Adriano Kamimura Suzuki.

Parceria entre o Tribunal de Contas do Estado de São Paulo e a Universidade de São Paulo para a automatização de processos associados à fiscalização e prestação de serviços do Tribunal de Contas usando modelos de aprendizado de máquina. O projeto tem como intuito a modelagem de dados relacionados às despesas do governo com relação aos municípios (exceto a cidade de São Paulo) e a detecção de gastos anormais,

Neste trabalho vamos propor um novo modelo de sobrevivência de longa duração denominado Bell-Weibull com fração de cura (BWcr). Considerando que o evento de interesse pode ser causado por M diferentes fatores de risco latente, este novo modelo paramétrico será obtido ao assumir que M segue uma distribuição Bell e o tempo de ativação do j-ésimo fator segue uma distribuição Weibull. Além da sua construção e propriedades, realizaremos para fins inferenciais uma abordagem Bayesiana usando métodos Monte Carlo em Cadeias de Markov (MCMC). Com o objetivo de detectar observações influentes nos dados será utilizado o método Bayesiano de análise de influência caso a caso baseado na divergência Psi. Mostraremos sua aplicabilidade a conjuntos de dados simulados e reais. Todas as implementações computacionais serão realizadas utilizando os sistemas JAGS e R.

Redes complexas são formadas por amostras de dados obtidos a partir do mapeamento de estrutura de
sistemas complexos. Geralmente, diferentes métodos de amostragem são considerados para a construção da rede. No entanto, dependendo do método, as amostras podem ser muito diferentes das redes originais. Logo,uma comparação entre os diferentes métodos de amostragem é altamente recomendável, de modo a permitir escolher o método que preserve uma determinada característica. Neste projeto, propomos uma comparação de métodos de amostragem de redes e um estudo considerando métodos inferência estatística e técnicas de amostragem em grafos para estimar as principais medidas de caracterização.

Neste projeto propomos um modelo derivado da cópula arquimediana de Ali-Mikhail-Haq (AMH) para modelar a dependência de dados bivariados de sobrevivência na presença de covariáveis e
observações censuradas. Para fins inferenciais, realizamos uma abordagem Bayesiana usando métodos Monte Carlo em Cadeias de Markov (MCMC). Algumas discussões sobre os critérios de seleção de modelos serão apresentadas. Com o objetivo de detectar observações influentes utilizamos o método Bayesiano de análise de influência de deleção de casos baseado na divergência psi . Por fim, mostramos a aplicabilidade dos modelos propostos a conjuntos de dados simulados e reais.

Neste projeto de pesquisa, vamos desenvolver uma abordagem bayesiana para estimação de modelos de misturas de distribuições com o número de componentes k sendo desconhecido. Primeiramente vamos desenvolver a abordagem bayesiana utilizando distribuições a priori conjugadas e posteriormente estendemos para o caso não-conjugado. Desenvolveremos uma nova estratégia split-merge (que denominaremos de ejeção-absorção, EA) para implementar uma metodologia MCMC para estimar conjuntamente os parâmetros e o número de componentes k do modelo de mistura. As propostas EA mudam o número de componentes k na vizinhança k+1 ou k-1, respectivamente, e determinam uma partição nos dados observados. Para desenvolver a proposta E vamos utilizar uma forma de alocação sequencial utilizando probabilidades de alocação que serão calculadas usando a densidade preditiva (caso conjugado) e a distância de Mahalanobis (caso não conjugado). Na proposta A as observações pertencentes a duas componentes serão unidas para dar origem a uma nova componente. Dado a nova proposta de alocação, valores-candidatos para os parâmetros das novas componentes serão gerados de uma densidade geradora de candidatos que será definida de acordo com a forma da distribuição a posteriori dos parâmetros. As propostas EA serão aceitas de acordo com a probabilidade de aceitação reversible jump, utilizando um procedimento na qual o Jacobiano da transformação é igual a 1

Neste projeto consideramos modelos baseados na cópula Arquimediana de Clayton com marginais Weibull ou Exponencial Generalizada para modelar a dependência de dados de sobrevivencia bivariados na presença de covariáveis e observacões censuradas. Para fins inferenciais, realizamos uma abordagem Bayesiana usando métodos Monte Carlo em Cadeias de Markov (MCMC). Além disso, algumas discussões sobre os critérios de seleção de modelos são apresentadas. Com o objetivo de detectar observações influentes nos dados analisados foi utilizado o método Bayesiano de análise de influência de deleção de casos baseados na divergência psi. Mostramos a aplicabilidade dos modelos propostos a conjuntos de dados simulados e reais.