<div dir="ltr"><div>Boa tarde a todos(as),</div><div> </div><div>O tradicional Ciclo de Seminários do Programa de Pós-graduação em Estatística da UFPE inicia suas atividades com transmissão online via Google Meet. </div><div> </div><div><div>A agenda completa de seminários confirmados pode ser acessada pelo site: </div><div> </div><div><a href="https://sites.google.com/view/seminarios-ppge-ufpe" target="_blank">https://sites.google.com/view/seminarios-ppge-ufpe</a>. </div><div> </div><div>Segue a informação da próxima palestra (o link será divulgado na página no dia do seminário): </div></div><div> </div><div>Dia e hora: 17/06 (16h00) </div><div> </div><div>Título: Flexible distribution-free conditional predictive bands. Palestrante: Rafael Izbicki - UFSCar. Resumo: Conformal methods create prediction bands that control average coverage assuming solely i.i.d. data. Besides average coverage, one might also desire to control conditional coverage, that is, coverage for every new testing point. However, without strong assumptions, conditional coverage is unachievable. Given this limitation, the literature has focused on methods with asymptotic conditional coverage. In order to obtain this property, these methods require strong conditions on the dependence between the target variable and the features. We introduce two conformal methods based on conditional density estimators that do not depend on this type of assumption to obtain asymptotic conditional coverage: Dist-split and CD-split. While Dist-split asymptotically obtains optimal intervals, which are easier to interpret than general regions, CD-split obtains optimal size regions, which are smaller than intervals. CD-split also obtains local coverage by creating prediction bands locally on a partition of the features space. This partition is data-driven and scales to high-dimensional settings. In a wide variety of simulated scenarios, our methods have better control of conditional coverage and have a smaller length than previously proposed methods. <div>Sobre o palestrante: Bacharel e Mestre em Estatística pela Universidade de São Paulo, Rafael é PhD em Estatística pela Carnegie Mellon University (2014). Atualmente é Professor Adjunto da UFSCar- Universidade Federal de São Carlos. Tem experiência na área de Probabilidade e Estatística, com ênfase em Machine Learning (aprendizado de máquina), Bioestatística, Astroestatística, Fundamentos da Estatística, Inferência Bayesiana, Inferência Não Paramétrica e Inferência em Dados com Alta Dimensionalidade. Mais informações: <a href="https://www.google.com/url?q=http%3A%2F%2Fwww.rizbicki.ufscar.br&sa=D&ust=1592418067100000&usg=AOvVaw3p7m-zBK3CJgpJ0RLJEerh" target="_blank">http://www.rizbicki.ufscar.br</a> (Fonte: Currículo Lattes). </div><div> </div><div>Favor de avisar a possíveis interessados(as)!</div><div> </div><div>Um abraço</div><div>Pablo M. Rodriguez </div></div></div>