Marcelo Andrade da Silva.

Dados provenientes de experimentos em entomologia podem exibir diferentes características. Respostas univariadas podem ser analisadas por meio de modelos lineares generalizados (dados contínuos e discretos), modelos de análise de sobrevivência (dados de tempo até evento), modelos de efeitos mistos (dados longitudinais), entre outros métodos. Esses modelos podem ser utilizados para analisar dados provenientes de experimentos que avaliam processos ecológicos complexos, como competição. Nesse contexto, ferramentas computacionais de fácil utilização para análise de dados entomológicos são úteis para pesquisadores da área de biologia e fisiologia de insetos, ecologia aplicada e controle biólogico. Este projeto tem como objetivos desenvolver métodos e ferramentas estatísticas para a análise de dados provenientes de experimentos em entomologia no software R, para que estejam disponíveis gratuitamente aos pesquisadores

O projeto proporciona um nivelamento na área da Matemática, em conteúdos específicos do Ensino Fundamental e Médio essenciais nas disciplinas de Cálculo, que são cursadas pela maioria dos ingressantes da ESALQ logo no primeiro ano da graduação. O curso denominado "Pré-Cálculo" é oferecido em um período que antecede o início das aulas na Universidade e conta com a participação de docentes do Departamento de Ciências Exatas (LCE) da ESALQ e discentes voluntários do Programa de Pós-Graduação em Estatística e Experimentação Agronômica (PPGEEA).

A proposta desse projeto é explorar e implementar computacionalmente alguns métodos de aprendizado de máquina no contexto de aprendizado supervisionado, que consiste em fazer predições a partir de um conjunto de dados em que a variável resposta é observada. Alguns algoritmos explorados são amplamente conhecidos, tais como: métodos de regressão, florestas aleatórias, redes neurais, árvores de classificação, entre outros. Para ilustrar o uso desses métodos, são explorados problemas práticos de previsão e classificação aplicados à ciências agrárias e outras áreas correlatas, buscando incentivar o uso de métodos de aprendizado de máquina nesses contextos

Neste projeto exploramos diversos modelos de variáveis latentes, tais como os modelos da Teoria da Resposta ao Item (TRI) e os Modelos de Diagnóstico Cognitivo (Cognitive Diagnosis Model - CDM). Especificamente, propomos novos modelos da TRI com diferentes estruturas e investigamos alguns aspectos na modelagem de dados politômicos relacionados à escolha adequada de modelos. Além disso, estudamos aplicações em contextos não triviais, como, por exemplo, sustentabilidade ambiental

Neste projeto exploramos alguns aspectos dos modelos da teoria da resposta ao item (TRI) para dados politômicos relacionados à escolha adequada dos modelos e à estimação dos parâmetros sob abordagem Bayesiana via algoritmo No-U-Turn Sampler, uma extensão do método Monte Carlo Hamiltoniano. Além disso, exploramos uma estrutura latente multidimensional e propomos incorporar informações de especialistas ou conhecimentos prévios por meio da matriz Q, uma componente comumente utilizada em modelos de diagnóstico cognitivo. Por fim, estudamos aplicações em contextos educacionais, sociais e comportamentais

Neste projeto desenvolvemos metodologias para a construção de delineamentos eficientes em modelos lineares e não lineares utilizando propriedades de interesse existentes. Propomos a incorporação de uma propriedade relacionada a robustez de delineamentos frente a perda de observações em modelos lineares e trabalhamos com as abordagens localmente ótima e pseudo-Bayesiana em modelos não lineares. Para a otimização, implementamos algumas versões modificadas do algoritmo de troca de Fedorov, um método heurístico para encontrar delineamentos ótimos