<div dir="ltr">Caros,<br><br>Na próxima sexta-feira (<i><font color="#ff0000">02 de julho, às 13:30h</font></i>) o ciclo de Seminários do <i>Departamento de Estatística da UFMG</i> terá a apresentação de <b>Florencia Leonardi</b>.<br><br>Florencia é Professora do IME - USP (São Paulo). Ela é Doutora em Bioinformática pela USP e atua em diversas linhas de pesquisa da Estatística e Probabilidade, incluindo: Processos Estocásticos, Dados de Alta Dimensão, Bioestatística, Aprendizagem Estatística, Redes Aleatórias e Grafos.<br><br>O seminário será transmitido ao vivo pelo canal do Youtube "<i><a href="https://www.youtube.com/channel/UCoZC2_pME9ca_-Hx4djd60w" target="_blank">Seminários DEST - UFMG</a></i>":<br><br>Att,<br>Vinícius Mayrink<br><br><b>********** Título e Resumo **********<br></b><br>Florencia Leonardi (IME - USP, São Paulo)<br><br><i>Detecção de estrutura de interação para campos Markovianos discretos sobre grafos.</i><br><br>Os campos aleatórios de Markov discretos sobre grafos, também conhecidos como modelos gráficos na literatura estatística, têm se popularizado nos últimos anos devido à sua flexibilidade para capturar relações de dependência condicional entre variáveis. Eles já foram aplicados a muitos problemas diferentes em campos diferentes, como Biologia, Ciências Sociais ou Neurociências. Os modelos gráficos são, em certo sentido, versões "finitas" de campos aleatórios gerais ou distribuições de Gibbs, modelos clássicos em processos estocásticos e teoria da mecânica estatística. Nesta palestra abordarei o problema de estimação da estrutura de interação das variáveis (dependências condicionais) por meio de um critério de pseudo-verossimilhança penalizada. Primeiro, introduzimos um critério para estimar a vizinhança de interação de um único nó, que posteriormente será combinado com as outras vizinhanças para obter um estimador do grafo subjacente. Mostrarei resultados de consistência do estimador, sem assumir a condição de positividade das probabilidades condicionais como é usualmente assumido na literatura. Estes resultados abrem possibilidades de estender estes modelos a situações de esparsidade, onde muitos parâmetros são nulos. Também apresentarei algumas extensões em andamento destes resultados para processos satisfazendo condições de tipo <i>mixing</i>.<font color="#888888"><br clear="all"><div><br></div>--<br><div dir="ltr"><div dir="ltr"><div dir="ltr"><div dir="ltr"><i><font color="#999999">Vinícius D. Mayrink</font></i><div><i><font color="#999999">Professor Associado - Departamento de Estatística</font></i></div><div><i><font color="#999999">ICEx, Universidade Federal de Minas Gerais<br></font></i></div></div></div></div></div></font><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"></div></div></div></div></div></div></div>