<div dir="ltr"><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature">Caros,<br><br>Na próxima sexta-feira (11 de Outubro, às 13:30h) o ciclo de Seminários do Departamento de Estatística da UFMG terá a apresentação do Prof. Vinicius Mayrink da Universidade Federal de Minas Gerais.<br><br>Vinícius é professor Associado do Departamento de Estatística da UFMG e tem a seguinte formação acadêmica: Bacharel em Estatística pela UFMG (2004), Mestre em Estatística pela UFRJ (2006), Mestre em Estatística pela Duke University (EUA, 2009) e Doutor em Estatística pela Duke University (EUA, 2011). Atualmente é Coordenador do Programa de Pós-Graduação em Estatística da UFMG, Editor Associado do Brazilian Journal of Probability and Statistics (BJPS) e Editor Associado de Reproducibilidade do Journal of the American Statistical Association (JASA). Entre 2024-2027, coordena projeto de parceria internacional (Brasil e Alemanha) financiado pelo programa PROBRAL/CAPES. Suas áreas de interesse são: Inferência Bayesiana, Análise Multivariada, Estatística Espacial, Análise de Sobrevivência e Modelagem Estatística em Bioinformática.<br><br>Title: Spatial Functional Data analysis: Irregular spacing and Bernstein polynomials<br><br>Resumo: Spatial Functional Data (SFD) analysis is an emerging statistical framework that combines Functional Data Analysis (FDA) and spatial dependency modeling. Unlike traditional statistical methods, which treat data as scalar values or vectors, SFD considers data as continuous functions, allowing for a more comprehensive understanding of their behavior and variability. This approach is well-suited for analyzing data collected over time, space, or any other continuous domain. SFD has found applications in various fields, including economics, finance, medicine, environmental science, and engineering. This study proposes new functional Gaussian models incorporating spatial dependence structures, focusing on irregularly spaced data and reflecting spatially correlated curves. The model is based on Bernstein polynomial (BP) basis functions and utilizes a Bayesian approach for estimating unknown quantities and parameters. The paper explores the advantages and limitations of the BP model in capturing complex shapes and patterns while ensuring numerical stability. The main contributions of this work include the development of an innovative model designed for SFD using BP, the presence of a random effect to address associations between irregularly spaced observations, and a comprehensive simulation study to evaluate models’ performance under various scenarios. The work also presents one real application of Temperature in Mexico City, showcasing practical illustrations of the proposed model. This is a joint work with Alexander Burbano-Moreno. <br><br>O seminário será presencial na sala 2076 do Instituto de Ciências Exatas da UFMG.<br><br>Att,<br>Marcos Prates<br></div></div>