Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Próxima revisão | Revisão anterior | ||
| seminarios:resumos [2007/02/12 16:04] – criada ehlers | seminarios:resumos [2007/04/26 10:10] (atual) – ehlers | ||
|---|---|---|---|
| Linha 1: | Linha 1: | ||
| == Resumos == | == Resumos == | ||
| + | |||
| + | * Métodos estatísticos aplicados à precificação de contratos de seguro agrícola (Vitor Ozaki) | ||
| + | |||
| + | Historicamente, | ||
| + | espaço-temporal visando a predição da produtividade agrícola e a precificação de um contrato de seguro agrícola regional. Os dois primeiros métodos são aplicados a um conjunto de dados de produtividade municipal do Instituto Brasileiro de Geografia e Estatística (IBGE), no período de 1990 a 2002, para as culturas da soja, milho e trigo, no Estado do Paraná. Na análise empírica do modelo Bayesiano, são utilizados dados de produtividade municipal de milho, no Estado do Paraná, nos anos de 1990 a 2002. A escolha do melhor modelo dentre os modelos não-aninhados ajustados, é baseado no critério da preditiva a posteriori. As metodologias utilizadas nesta pesquisa incorporam melhorias no cálculo atuarial da taxa de prêmio, tendo em vista o pequeno número de observações de produtividade agrícola existentes. | ||
| + | |||
| + | *Mini-curso: | ||
| + | |||
| + | Apresentar-se-á noções teóricas de algumas das mais freqüentemente utilizadas análises de dados categorizados completos ou com omissão (i.e., que possuem dados incompletos ou faltantes) e ilustrar-se-á como realizar tais análises com a ajuda da biblioteca de rotinas Catdata implementada para o ambiente estatístico R. Assume-se que os interessados possuem conhecimentos de probabilidade, | ||
| + | |||
| + | Programa: | ||
| + | - Introdução e modelos probabilísticos | ||
| + | - Modelos estruturais lineares, log-lineares e funcionais lineares | ||
| + | - Uso da biblioteca Catdata para a análise de dados categorizados completos | ||
| + | - Análise de dados categorizados com omissão | ||
| + | - Uso da biblioteca Catdata para a análise de dados categorizados com omissão | ||
| + | |||
| + | |||
| + | *Accounting for Model Uncertainty via Trans-dimensional Genetic Algorithms (Ricardo Ehlers) | ||
| + | |||
| + | We develop for regression models trans-dimensional genetic algorithms for the exploration of large model spaces. Our algorithms can be used in two different ways. The first possibility is to search the best model according to some criteria such as AIC or BIC. The second possibility is to use our algorithms to explore the model space, search for the most probable models and estimate their posterior probabilities. This is accomplished by the use of genetic operators embedded in a reversible jump Markov chain Monte Carlo algorithm in the model space with several chains. As these chains run simultaneously and learn from each other via the genetic operators, our algorithm efficiently explores the large model space and easily escapes local maxima regions common in the presence of highly correlated regressors. We illustrate the power of our trans-dimensional genetic algorithms with applications to two real data sets. | ||
| *A novel approach for Evolutionary Computation through clustering techniques (Leonardo Ramos Emmendorfer) | *A novel approach for Evolutionary Computation through clustering techniques (Leonardo Ramos Emmendorfer) | ||
