56ª RBRAS e 14º SEAGRO

Miniconferências

Miniconferências são sessões de conferências com 30 minutos cada ministradas por recém-doutores.






Miniconferência 1
NONPARAMETRIC INTENSITY BOUNDS FOR THE DETECTION AND VISUALIZATION OF SPATIAL CLUSTERS

Fernando Luiz Pereira de Oliveira - UFOP

There is considerable uncertainty in the disease rate estimation for aggregated area maps, especially for small population areas. As a consequence the delineation of local clustering is subject to substantial variation. Consider the most likely disease cluster produced by any given method, like SaTScan, for the detection and inference of spatial clusters in a map divided into areas; if this cluster is found to be statistically significant, what could be said of the external areas adjacent to the cluster? Do we have enough information to exclude them from a health program of prevention? Do all the areas inside the cluster have the same importance from a practitioner perspective? We propose a criterion to measure the plausibility of each area being part of a possible localized anomaly in the map. In this work we assess the problem of finding error bounds for the delineation of spatial clusters in maps of areas with known populations and observed number of cases. A given map with the vector of real data (the number of observed cases for each area) shall be considered as just one of the possible realizations of the random variable vector with an unknown expected number of cases. In our methodology we perform m Monte Carlo replications: we consider that the simulated number of cases for each area is the realization of a random variable with average equal to the observed number of cases of the original map. Then the most likely cluster for each replicated map is detected and the corresponding m likelihood values obtained by means of the m replications are ranked. For each area, we determine the maximum likelihood value obtained among the most likely clusters containing that area. Thus, we construct the intensity function associated to each area's ranking of its respective likelihood value among the m obtained values. The intensity bounds found by the method reflect the geographic dispersion of the detected clusters. Our technique is able to detect irregularly shaped and multiple clusters, making use of simple tools like the circular scan. Intensity bounds for the delineation of spatial clusters are obtained and indicate the plausibility of each area belonging to the real cluster. We hope that this tool should be useful in public health decision making of which areas should be prioritized.

topo



 

Miniconferência 2
Análise de sobrevivência para dados de evento recorrente e longa duração aplicada ao melhoramento animal

Juliana Cobre

Evento recorrente é o evento que tem a possibilidade de acontecer mais de uma vez para o mesmo indivíduo. A partir de certo instante, tal evento pode deixar de ocorrer em parte da população, o que se define como longa duração ou fração de cura. O conjunto de dados que analisa evento recorrente com longa duração é composto por tempos intervalares, tempo total e indicador de censura para cada indivíduo. Propomos considerar ambas as escalas de tempo na modelagem, assim como covariáveis, que podem descrever uma possível intervenção para a extinção ou não do evento de interesse. Incorporamos ao modelo variável de fragilidade para representar a possível dependência entre uma ocorrência e outra. Dados de intervalo entre partos de bovinos de corte são utilizados como aplicação do modelo de sobrevivência apresentado neste trabalho. Propomos estudar o período compreendido entre as sucessivas parições e indicar as possíveis respostas quanto à proporção de vacas que permanecem em parição.

topo



 

Miniconferência 3
ESTIMAÇÃO/PREDIÇÃO DE VALORES GENÔMICOS

Fabyano Fonseca e Silva - UFV

Diante de uma nova classe de marcadores moleculares denominada SNPs (Single Nucleotide Polymorphisms) idealizou-se a seleção genômica ampla (Genome Wide Selection - GWS), a qual consiste na estimação/predição de valores genômicos (genomic breeding values - GBV) de indivíduos sujeitos a seleção por meio da análise de um grande número destes marcadores. Uma vez que geralmente o número de marcadores SNPs é muito maior que o número de indivíduos genotipados, modelos de regressão que levam em consideração a seleção de covariáveis e a regularização do processo de estimação (como o método LASSO) devem ser utilizados, permitindo assim a estimação dos GBV. Outra possibilidade é a utilização do modelo misto usual de Henderson (1984), cujo BLUP (Best Linear Unbiased predicot) permite a predição dos GBV, porém esta necessita da obtenção de uma matriz de parentesco genômica denominada IBS (Identical by state). O presente trabalho tem como objetivo apresentar os métodos estatísticos propostos (modelos de regressão e Blup) para a seleção genômica ampla (GWS) e aplicá-los a dados reais provenientes da genotipagem de animais de diferentes linhas comerciais de suínos. Pretende-se ainda comparar a eficiência de tais métodos via estudos de simulação e apresentar a implementação dos mesmos em softwares livres como o R e o WOMBAT.

topo



 

Miniconferência 4
RECONHECIMENTO DE PADRÕES

Juliana Garcia Cespedes, Mariá Cristina Vasconcelos Nascimento, Márcio Porto Basgalupp - UNIFESP

Como escolher uma de várias hipóteses conhecidas, tendo como informação disponível medidas realizadas por sensores e exemplos de decisões anteriores?” (Marques, 2005). Essa pergunta resume o problema essencial da área de reconhecimento de padrões: classificar informações de acordo com o seu conhecimento prévio. Respondê-la nem sempre é fácil e muitas abordagens podem ser utilizadas. Uma maneira intuitiva de se extrair tal classificação se dá por meio da natureza estatística da informação que se quer interpretar, cujos processos de decisão e de aprendizagem compreendem classificar objetos semelhantes com base em determinadas características. Com isso, busca-se classificar um conjunto de dados de forma que os seus padrões se tornem compreensíveis, a tal ponto que uma máquina seja capaz de diferenciá-los. De maneira geral, o reconhecimento de padrões lida com problemas de classificação em que se busca por estruturas não aleatórias dentro de um conjunto de objetos nos quais cada objeto é descrito por um conjunto ρ de atributos e pode ser entendido como um ponto num espaço ρ-dimensional. Para se identificar padrões nesses objetos, podem-se utilizar técnicas de aprendizado de máquina, as quais podem ser divididas em supervisionado e não supervisionado. Nas técnicas de classificação supervisionada têm-se o conhecimento prévio sobre as classes dos objetos que compõem o conjunto de dados considerado, ou seja, são definidas as amostras das classes e o classificador é treinado, tornando possível de determinar todos os demais elementos pertencentes às classes pré-definidas. Já as técnicas não supervisionadas são utilizadas quando não se tem nenhum tipo de conhecimento prévio das classes dos dados e baseiam-se numa análise de agrupamento para identificação de grupos ou classes com padrões similares no espaço de atributos. Atualmente, uma variação dessas duas técnicas de aprendizado, a semi-supervisionada, tem atraído considerável atenção da comunidade científica. Em seus algoritmos, tanto exemplos rotulados quanto não rotulados são utilizados no processo de aprendizagem. Além do problema de classificação de padrões ser identificado em diversas áreas de pesquisa, tais como, bioinformática, medicina, agronomia, etc., a grande demanda por métodos que possibilitem o processamento de conjuntos de dados cada vez maiores facilita o uso e a elaboração de métodos para classificação de dados, com consequente necessidade do projeto de sistemas automáticos de reconhecimento de padrões. Este trabalho pretende, sem pretensões em inovar, apresentar algumas técnicas e aplicações utilizadas em diversas áreas de pesquisa para o problema em questão.

Referência Bibliográfica
Jorge Salvador Marques (2005) Reconhecimento de padrões: métodos estatísticos e neuronais. Ensino da Ciência e da Tecnologia - n.º 8

topo



 



 
/var/www/rbras56/data/pages/miniconf.txt · Last modified: 2011/04/05 20:11 by eniuce     Back to top
Recent changes RSS feed Creative Commons License Donate Powered by PHP Valid XHTML 1.0 Valid CSS Driven by DokuWiki Design by Chirripó