Ciclo de Palestras – Segundo Semestre de 2023

Coordenação: Professora Viviana das Graças Ribeiro Lobo

As palestras ocorrem de forma presencial às quartas-feiras às 15h na sala C119, a menos de algumas exceções devidamente indicadas.

Lista completa (palestras previstas para datas futuras podem sofrer alterações)

 

A Transição Demográfica consiste na mudança de um regime de alta natalidade e mortalidade para outro, nos quais ambas são baixas. Todos os países ao menos iniciaram esse processo, ainda que em momentos e ritmos diferentes em cada parte do mundo. O objetivo da palestra será apresentar os aspectos históricos da Transição Demográfica, ressaltando a cada etapa as causas e consequências das mudanças populacionais. Também serão destacadas as características específicas do Brasil, bem como possíveis consequências econômicas e sociais. Finalmente, serão feitas reflexões sobre perspectivas futuras.

 

A vacinação contra a COVID-19 no Brasil exigiu um programa em fases, com prioridades para faixas etárias, profissionais de saúde e pessoas vulneráveis. Medidas como distanciamento e isolamento social foram essenciais para mitigar o avanço da pandemia em diversos países. Desenvolvemos um modelo matemático capaz de capturar a dinâmica da disseminação do SARS-CoV-2 alinhada com distanciamento social, medidas de isolamento e vacinação. Os dados de vigilância em Saúde da cidade do Rio de Janeiro forneceram um estudo de caso para analisar possíveis cenários, incluindo as medidas não-farmacológicas e a vacinação no cenário epidêmico. Nossos resultados demonstram que a combinação de vacinação e políticas de supressão da transmissão potencialmente reduziu o número de casos hospitalizados em 380+ e 66+ mil casos, respectivamente, em comparação com a ausência de tais políticas. Além das políticas de supressão da transmissão, a vacinação impactou mais de 230 mil casos hospitalizados evitados e mais de 43 mil mortes evitadas. Portanto, as atividades de vigilância em saúde são importantes de serem mantidas em cenários com alta transmissão do vírus e esta estrutura analítica permite a avaliação de tais cenários.

 

Informações em http://www.im.ufrj.br/~coloquiomea/.

Insurance claims modeling is a crucial task of the property and casualty insurance industry. An essential ingredient in this modeling process is the two-stage approach, encompassing a frequency model for the number of claims and a severity model that measures the financial impact of a given claim. While machine learning models have been widely employed in this context, they often provide only pointwise predictions. In this work, we present a nonparametric model-agnostic framework for building prediction intervals of insurance claims, with finite sample statistical guarantees, extending the technique of split conformal prediction to the domain of two-stage frequency-severity modeling. The effectiveness of the framework is showcased using a dataset from soybean crop insurance in Brazil.

A confiabilidade de sistemas altamente confiáveis pode ser avaliada indiretamente por meio de mecanismos de degradação. A taxa na qual os dispositivos se degradam está diretamente associada com o tempo de uso e a qualidade dos materiais que os dispositivos são produzidos. Apresentamos um novo modelo geral de degradação, modelado por uma distribuição gama com uma estrutura dinâmica para o verdadeiro caminho de degradação. O modelo proposto considera que a taxa de degradação é uma função de dois efeitos aleatórios: um para quantificar as características específicas de cada unidade e outro componente dinâmico medindo o impacto do ambiente comum. A relação entre a degradação e o tempo de falha é obtida permitindo uma aproximação por métodos MCMC da distribuição do tempo de falha. A metodologia proposta é utilizada para analisar dois bancos de dados recorrentes da literatura em confiabilidade. Os resultados mostram que o modelo proposto é uma abordagem competitiva para prever o tempo de falha e, consequentemente, estimar a vida útil remanescente dos dispositivos.

Resumo em breve.

Factor and sparse models are two widely used methods to impose a low-dimensional structure in high-dimensions. However, they are seemingly mutually exclusive. We propose a lifting method that combines the merits of these two models in a supervised learning methodology that allows for efficiently exploring all the information in high-dimensional datasets. The method is based on a flexible model for high-dimensional panel data, called factor-augmented regression model with observable and/or latent common factors, as well as idiosyncratic components. This model not only includes both principal component regression and sparse regression as specific models but also significantly weakens the cross-sectional dependence and facilitates model selection and interpretability. The method consists of several steps and a novel test for (partial) covariance structure in high dimensions to infer the remaining cross-section dependence at each step. We develop the theory for the model and demonstrate the validity of the multiplier bootstrap for testing a high-dimensional (partial) covariance structure. The theory is supported by a simulation study and applications.

The contact process is a relatively simple model to represent the spread of an infection in a population. Individuals can be either healthy or infected and the process evolves in time, allowing for infected individuals to become healthy and for healthy individuals to be infected by some of their infected neighbors. The process can be visualized by a graphical representation that depicts the (random) collection of cure times and transmission times. I will present two variants of the contact process that are built by considering different distributions for the cure and transmission marks in this graphical representation: Contact Process on Dynamic Edges introduced by Linker and Remenik and a generalization of the Renewal Contact Process introduced by Fontes, Marchetti, Mountford and Vares. In both models we will see ideas of how one can verify if there is a positive probability that the infection survives forever or not, depending on the model’s parameters.
Assista à palestra no Youtube

Quantile regression models provide richer information on the effects of the predictors than does the traditional mean regression and it is less sensitive to heteroscedasticity and outliers, accommodating non-normal errors often encountered in practical applications. Bayesian inference for quantile regression may proceed by forming the likelihood function based on the asymmetric Laplace distribution or a generalization, and a location-scale mixture representation of it allows finding analytical expressions for the conditional posterior densities of the model. The main aim of this talk is to present some extensions of quantile regression.

Informações em http://www.im.ufrj.br/~coloquiomea/.