Grade da Programação – 69ª Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria (RBras) e do 21º Simpósio de Estatística Aplicada à Experimentação Agronômica

Programação detalhada

Segunda-feira, 04/08
Terça-feira, 05/08
Quarta-feira, 06/08
Quinta-feira, 07/08
Sexta-feira, 08/08

Segunda-feira, 04/08

Minicursos 1, 2 e 3

Café

Abertura

CONFERÊNCIA 1 (Abertura)

Almoço

Concursos de Melhores Trabalhos

Miniconferência 1

Conferência 2

Café

Sessões Temáticas 1 e 2 e Mesa Redonda 1

Espaço para patrocinadores

Festa RBras 70 anos

Terça-feira, 05/08

Minicursos 1, 2 e 3

Café

CONFERÊNCIA 3

Miniconferência 2

Almoço

Espaço para patrocinadores

Sessão Temática 3, Mesa Redonda 2 e Tutorial 1

Conferência 4

Café

Sessão Temática 4, Mesa Redonda 3 e Tutorial 2

Sessão Pôsteres 1

Quarta-feira, 06/08

Comunicações Orais

Café

CONFERÊNCIA 5

Miniconferência 3

Almoço

Espaço para patrocinadores

Sessões Temáticas 5 e 6 e Tutorial 3

Conferência 6

Café

Assembléia RBras

Sessão Pôsteres 2

Quinta-feira, 07/08

Mesa Redonda 4

Comunicações Orais e Sessão Temática 7

Café

CONFERÊNCIA 7

Miniconferência 4

Almoço

Espaço para patrocinadores

Sessões Temáticas 8 e 9 e Tutorial 4

Conferência 8

Café

Conferência 9 (Encerramento)

Encerramento e Premiações do Desafio de Dados

Sexta-feira, 08/08

Sessão Expandida para Conexões Científicas

Programação resumida

CONTATO

Entre em contato conosco através do e-mail e WhatsApp

rbras.seagro2025@ufes.br

(55) 27 99724-1588

Desenvolvido por:

Conferência 5

C5 - Statistical Pitfalls in Measuring Biological Aging with Epigenetic Clocks: Insights from a Chronic Disease Setting

Fernanda Schumacher

Ohio State University, US

Minicurrículo

The third goal of the United Nations 2030 Agenda for Sustainable Development is to “Ensure healthy lives and promote well-being for all at all ages”. Its targets are a good representation of how vast health care is, covering maternal mortality, epidemics of infectious diseases, premature mortality from chronic diseases, prevention and treatment of substance abuse, access to sexual and reproductive health care, and affordable health care, just to name a few. In addition to the essential and undeniable role of statisticians in measuring all the diverse indicators related to this goal, how can statisticians contribute to reaching the targets?

In this talk, I will focus on statistical challenges faced when working with chronic diseases, with particular emphasis on people with Multiple Sclerosis (MS). Beyond chronological age, biological age reflects the cumulative damage to a person’s cells over time and is increasingly recognized as a critical factor in understanding health disparities and the progression of chronic conditions. Several biomarkers have recently been proposed to measure biological age and assess the cumulative burden of aging, which directly affect not only life expectancy but also quality of life, especially for people with debilitating diseases. As one of the popular markers, epigenetic “clocks” are based on statistical and machine learning tools to detect DNA methylation (DNAm) patterns.

Epigenetic modifications represent a reversible mechanism in regulating the function of the genome without altering the underlying DNA sequence and have been linked to aging through several factors, allowing DNAm to be affected by environmental exposures and lifestyle habits. Since the first proposed epigenetic clock model in 2011, multiple epigenetic clocks have been reported with increasing accuracy, precision, and broader application prospects in aging research. Still, they are based on regression coefficients determined on general training populations, which are then used for out-of-sample prediction. Commonly, the predictions are then regressed on chronological age and technical variables, and the corresponding residuals are called Epigenetic Age Acceleration (EAA), which are then often used for hypothesis testing.

The lack of interval estimates for individual predictions, the availability of several algorithms, the lack of a gold standard measure of biological age, and the use of prediction-based inference add to the statistical challenges of these markers. This talk will discuss such challenges, illustrated using data from a clinical study on biological aging in people with MS. I will also discuss the role of statisticians in ensuring that such issues are properly considered, especially when such measures could evolve to be outcomes in clinical trials for anti-aging treatment and the prevention of chronic diseases progression.

Conferência 7

C7 - Influência de Ancestralidade Local na Expressão Gênica de Tipos Celulares da População Brasileira

Benilton de Sá Carvalho

UNICAMP

Minicurrículo

A diversidade genética da população brasileira, resultante de um complexo histórico de migração e miscigenação, oferece uma oportunidade única para estudar como a ancestralidade genética influencia a expressão gênica. Este estudo propõe uma análise integrada de dados de RNA-seq de célula única (scRNA-seq) e de sequenciamento do genoma completo (WGS) para investigar a relação entre ancestralidade local e expressão diferencial de genes em diferentes tipos celulares. Neste trabalho, serão discutidos métodos de pré-processamento de dados de scRNA-seq, incluindo a filtragem de células de baixa qualidade, normalização, remoção de efeitos de lote e anotação de tipos celulares. Paralelamente, serão também apresentados métodos de pré-processamento de dados de sequenciamento de genoma completo, genotipagem e inferência de ancestralidade local. Um modelo de regressão para respostas do tipo binomial negativa será discutido e utilizado na integração de ambas modalidades de dados, permitindo a comparação da expressão gênica entre os grupos de diferentes ancestrais locais. Extensões que permitam o uso de variáveis medidas com erros e também o uso de observações correlacionadas serão discutidas. Esta estratégia permitirá a identificação de genes cuja expressão é significativamente influenciada pela ancestralidade local em diferentes tipos celulares. Esses achados podem fornecer novos insights sobre as bases genéticas das diferenças fenotípicas observadas na população brasileira e contribuir para a compreensão das interações entre genética e ambiente. Este estudo demonstra uma abordagem inovadora e integrada para explorar a influência da ancestralidade genética na expressão gênica em nível celular, utilizando dados de scRNA-seq e WGS. A aplicação dessas metodologias pode abrir novas perspectivas para pesquisas em genética populacional e medicina personalizada, especialmente em populações geneticamente diversas como a brasileira.

Financiamento: BRAINN/FAPESP 2013/07559-3

Conferência 9 (Encerramento)

C9 - Causal Inference on Flexible Non-mixture Cure Rate Modeling with Piecewise Hazard and Gaussian Process

Dipak Dey

University of Connecticut, US

Minicurrículo

In the field of oncology, survival analysis often requires the inclusion of a cure fraction to account for individuals who are effectively cured of their disease. The concept of a cure fraction in survival analysis was introduced in a study examining long term survival following cancer therapy. The early work laid the foundation for defining cured individuals who were not at risk of experiencing the cancer recurrence after a certain period. Recently, there has been increasing interest in semiparametric mixture cure models, which relax some parametric assumptions.

The non-mixture cure rate model, which is another branch of the cure rate modeling, represents a significant advance in cure rate modeling. The non-mixture cure rate model, unlike the traditional mixture cure rate model, addresses this need by introducing a latent variable, often interpreted as the unobserved count of cancer cells, to indirectly estimate an individual’s cure status. This latent factor approach offers several benefits, including the flexibility to integrate a proportional hazards structure and enhanced computational efficiency. Over time, the non-mixture cure rate model has been extensively extended to handle complex data, leveraging semiparametric methods for modeling survival function. The non-mixture cure rate model typically incorporates covariates into the cure rate parameter through a log-linear form, assuming a Poisson distribution for the unobserved cancer cell count. Additionally, the common use of a linear functional form for covariate effects can be restrictive, particularly for continuous covariates that often display nonlinear relationships.

In modeling cure rates, it is often assumed that the effects of continuous covariates vary smoothly over their domain. However, the exact relationship between these covariates and the event of interest is not typically known a priori and may exhibit complex, nonlinear patterns. To flexibly capture these nonlinear covariate effects, we impose a Gaussian Process prior over the effects of the continuous covariates.

In this presentation, we consider non-mixture cure rate models in presence of Gaussian Process and further develop causality approach to decide the order of treatment procedures. The methodology is exemplified on a breast cancer study.

Sessão Expandida para Conexões Científicas

Na sexta-feira, 8 de agosto, encerramos a programação do evento com uma proposta diferente: a Sessão Expandida para Conexões Científicas.

A ideia surgiu a partir de experiências promovidas pela International Biometric Society (IBS), especialmente durante a International Biometric Conference (IBC) de 2022, realizada em Riga, na Letônia. Na ocasião, foram organizados passeios que incentivaram interações entre os participantes, promovendo conexões valiosas e momentos de troca. Inspirados por essa vivência, decidimos adaptar a iniciativa ao contexto da RBras & SEAGRO 2025.

Serão oferecidos dois passeios diferentes: um que acontecerá apenas pela manhã, terminando por volta das 12h, e outro que seguirá até o fim da tarde, com retorno previsto para 17h30. Os detalhes de ambas as atividades podem ser vistos abaixo.

A empresa responsável pelas atividades será a FlluIr Turismo. Os preços de cada passeio podem ser consultados nas informações abaixo. Inscrições e pagamento devem ser feitos entrando em contato com a agência, por meio de seu WhatsApp, telefone ou email. Ao entrar em contato com a empresa, informe que a reserva será feita para o passeio do evento RBras.

27 999620-4118
27 3535-2624
luciana@flluirturismo.com.br

1. Passeio pela manhã: City Tour Vitória e Vila Velha (Bus Tour)

Sexta-feira, 08/08
Das 8h às 12h
Saída em frente ao Teatro da UFES

Vitória, a encantadora capital do Espírito Santo, é um verdadeiro tesouro escondido no sudeste do Brasil. Além de suas belas praias a cidade é famosa por sua gastronomia com destaque para os pratos deliciosos a base de frutos do mar sempre frescos. A caminho de Vila Velha, a primeira cidade do estado, cruzaremos a 3ª Ponte, que oferece uma vista deslumbrante das duas cidades e o cenário perfeito para aquela foto de tirar o fôlego. O Convento da Penha, Patrimônio Histórico e Artístico Nacional que visitaremos em seguida, faz parte desta paisagem.

1. Praia de Camburi

2. Avenida Beira Mar

3. Terceira Ponte

4. Praia da Costa

5. Convento da Penha

Categoria	Até 30/06/2025, às 23:59h	Após 30/06/2025
Adulto	R$ 60,00	R$ 84,00
Criança de até 11 anos	R$ 35,00	R$ 60,00
Obs.: Crianças de colo não pagam.

Serviços Incluídos: Transporte em ônibus executivo de turismo, subida e descida de van no Convento da Penha e acompanhamento de guia de turismo durante todo o percurso.

2. Passeio durante o dia todo: Praça Torii (Buda gigante) e Santa Teresa

Sexta-feira, 08/08
Das 8h às 17h30
Saída em frente ao Teatro da UFES

Santa Teresa é a primeira colônia de italianos do Brasil, conhecida por sua rica cultura e gastronomia, com destaque para os vinhos e queijos artesanais produzidos na região. O Instituto Nacional da Mata Atlântica (Museu Mello Leitão), é outro ponto de interesse que atrai visitantes de todas as idades. Com sua combinação de história, cultura e natureza, a cidade é um destino imperdível para quem visita o Espírito Santo. A Caminho de Santa Teresa, faremos uma parada para apreciar o maior Buda do ocidente, na cidade de Ibiraçu. Com 35m de altura e quase 350 toneladas, a estátua magnífica está cercada por uma extensa área de preservação ambiental, proporcionando belos clicks e tornando esta visita um momento único de relaxamento e reflexão!

1. Praça Torii - Buda Gigante

2. Instituto Nacional da Mata Atlântica

3. Casario Histórico de Santa Teresa

4. Vinícolas

5. Casas de biscoito e artesanato

Categoria	Até 30/06/2025, às 23:59h	Após 30/06/2025
Adulto	R$ 95,00	R$ 120,00
Criança de até 11 anos	R$ 55,00	R$ 80,00
Obs.: Crianças de colo não pagam.

Serviços Incluídos: Transporte em ônibus executivo de turismo e acompanhamento de guia de turismo durante todo o percurso.

Serviços Não Incluídos: Almoço.

O almoço deste passeio ocorrerá em Santa Teresa, que possui restaurantes que atendem a diferentes faixas de preço.

Resumo completo

Apesar dos avanços notáveis no aprendizado de máquina e na inteligência artificial e tarefas de reconhecimento de padrões e classificação, a maioria desses métodos ainda enfrenta limitações significativas em fornecer explicações causais para suas decisões e comportamentos. Além disso, essas técnicas frequentemente não conseguem lidar adequadamente com vieses presentes nos dados, como aqueles decorrentes de variáveis de confusão, do processo de coleta ou até mesmo das decisões históricas e estruturais da sociedade. Sem uma clara compreensão dessas influências, interpretações e tomadas de decisões baseadas nesses modelos podem levar à perpetuação de vieses, distorções nos resultados e até à adoção de soluções ineficazes ou injustas, reforçando preconceitos e desigualdades existentes. Uma abordagem bem fundamentada para superar essas limitações é a adoção de inferência causal. Neste minicurso, adotaremos uma abordagem prática para apresentar os conceitos fundamentais para inferência causal a partir de dados observacionais, demonstrando como diferentes técnicas nessa área podem expandir as possibilidades de inferência, indo além da identificação de associações estatísticas (inferências do nível 1), avançando para explicações dos processos de decisão, incluindo a identificação tanto efeitos de intervenções quanto contrafactuais (inferências dos níveis 2 e 3, respectivamente). Entre as técnicas que exploraremos estão os algoritmos de aprendizado de estrutura causal, capazes de identificar, ao menos parcialmente, relações de causa efeito entre variáveis. Discutiremos, em particular, o algoritmo Fast Causal Inference (FCI) [2], que se destaca pelo seu rigor metodológico e pela menor dependência de suposições não realistas em comparação com outros métodos de descoberta causal. Notavelmente, o FCI é capaz de corretamente identificar relações causais, mesmo na presença de confundimento latente e viés de seleção. No entanto, assume-se que há um teste estatístico adequado disponível para a identificação das relações de independência condicional entre as variáveis aleatórias envolvidas. Neste contexto, discutiremos os desafios e possíveis soluções para aplicações que envolvem variáveis heterogêneas (quantitativas, categóricas, de contagem, etc.), avaliações longitudinais e a presença de dados faltantes. Além de algoritmos de aprendizado causal, também discutiremos técnicas para identificabilidade e estimação dos efeitos, apresentando um pipeline de inferência causal inteiramente baseado em dados observacionais. As metodologias abordadas serão amplamente discutidas e avaliadas por meio de implementações computacionais e estatísticas. Serão fornecidos recursos, principalmente do R, e dados longitudinais e heterogêneos, simulados de forma realista e inspirados na estrutura dos dados extraídos do projeto temático da FAPESP #2017/05125-7, intitulado “Variação individual no risco de malária: causas e consequências em populações amazônicas”, com o objetivo de motivar e ilustrar os conceitos discutidos.

Palavras-chave: inferência causal, aprendizado de estrutura causal, dados longitudinais, dados heterogêneos, dados faltantes, variabilidade do risco de malária.

Apoio Recebido: O presente trabalho foi realizado com apoio da Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), Brasil. Processo nº 2022/11963-3. As opiniões, hipóteses e conclusões ou recomendações expressas nesse material são de responsabilidade dos autores e não necessariamente refletem a visão da FAPESP.

Maria Yury Travassos Ichihara

Cidacs/Fiocruz-BA

Doutora em Saúde Pública, é professora colaboradora do Programa de Pós-graduação e pesquisadora colaboradora do Instituto de Saúde Coletiva, Foi vice-coordenadora do Centro de Integração de Dados e Conhecimentos para Saúde (CIDACS),unidade do Instituto Gonçalo Moniz/FIOCRUZ, que realiza o manejo de grande volume de dados para avaliação de determinantes sociais e de impacto de politicas públicas na saúde no período de 2016 a 2023. Atualmente, é assessora especial e líder do planejamento estratégico e de sustentabilidade do Cidacs e atua como líder na área de Desenvolvimento de Capacidades no projeto SEDHI em parceria com pesquisadores do Equador e Glasgow. Dentre os projetos nos quais participa como pesquisadora, destaca-se o projeto da Coorte de 100 milhões de brasileiros para análise de efeitos de determinantes sociais e políticas públicas na saúde da população brasileira, com ênfase na saúde materno-infantil, na ocorrência de doenças infecciosas e doenças crônicas e mortalidade.Colaborou no desenvolvimento oo ìndice Brasileiro de Privação, medida de privação material em setores censitários brasileiros.Também coordenou a construção do Indice de desigualdades sociais na Covid-19 e colabora na construção do Indice Brasileiro de Promoção da Saúde conduzido pelo Instituto de Saúde Coletiva da UFBa. Participou de estudos de determinantes sociais e avaliação do impacto do Programa Bolsa Família na incidência de sífilis gestacional e congênita, avaliação de efetividade da vacinas (BCG, influenza, rotavirus, Covid-19), avaliação de capacidades básicas de vigilância e resposta para atendimento ao Regulamento Sanitário Internacional, além dos seguintes temas: tuberculose, saúde materno-infantil, IST, e vigilância epidemiológica). Concebeu e apoiou o desenvolvimento da Plataforma de dados agregados (PDD) com o objetivo de captar dados públicos demográficos, indicadores socioeconômicos, saúde, cobertura e oferta de serviços de saúde, para realizar análises utilizando desenhos ecológicos para avaliação de determinantes sociais e avaliação de impacto de intervenções, programas e políticas sociais. Tem conhecimento no uso de dados governamentais nos seus aspectos de curadoria, transformação em dados de pesquisa, privacidade dos dados pessoais. Desenvolveu experiência na elaboração e execução de projetos com parceiros internacionais como a London School of Hygiene and Tropical Medicine, University of Glasgow, Fundação Bill Melinda Gates, com instituições nacionais de ensino e pesquisa, e com o MInistério da Saúde, o Ministério de Desenvolvimento Social, Ministério das Cidades, entre outros. Faz parte do advisory board do Lancet Global Health.

Currículo Lattes

Resumo completo

Neste tutorial, será utilizado uma abordagem para fazer correspondência de imagens utilizando a similaridade do cosseno com o algoritmo Vision Transformer (ViT) (Dosovitskiy, Alexey. “An image is worth 16×16 words: Transformers for image recognition at scale.” arXiv preprint arXiv:2010.11929, 2020). O objetivo é demonstrar uma técnica de deep learning para realizar correspondência de imagens, que se refere ao processo de identificar e emparelhar partes semelhantes ou correspondentes em duas ou mais imagens. Esta tarefa pode ser considerada complexa devido a variações de iluminação, ângulo de captura e qualidade da imagem, especialmente em cenários do mundo real, como o reconhecimento de objetos, animais ou pessoas em diferentes imagens. A arquitetura ViT adapta o modelo Transformer – originalmente desenvolvido para tarefas de Processamento de Linguagem Natural (NLP) – para o processamento de dados de imagem utilizando embeddings, que são vetores que capturam a informação semântica, permitindo mapear dados semelhantes para pontos próximos em um espaço vetorial de alta dimensionalidade. Na correspondência de imagens, o desafio está em como representar as imagens de forma eficaz como embeddings, capturando as características relevantes. Ao aplicar técnicas de pré-processamento, como a remoção de fundo ajuda a isolar o objeto de interesse, o que auxilia em tais tarefas de reconhecimento de objetos, segmentação de imagens e correspondência. A partir dos embeddings, a similaridade entre diferentes imagens é calculada utilizando a similaridade do cosseno. A imagem de interesse é comparada a uma base de dados de imagens, e os resultados são retornados com um score de similaridade. O score de similaridade do cosseno quantifica a semelhança entre duas imagens em termos de suas características extraídas. Essa métrica varia de -1 a 1, onde, quanto mais próximo de 1, mais alinhados estão os vetores que representam as imagens, indicando que elas compartilham características comuns. Um valor de 0 indica que os vetores de embeddings das imagens são ortogonais, o que significa que as imagens têm pouco em comum, e quanto mais próximo de -1, mais opostos são os vetores, significando que as imagens são diferentes. Assim, este tutorial tem como objetivo abordar as etapas de pré-processamento de imagens, geração de embeddings usando Vision Transformers e cálculo de similaridade através da similaridade do cosseno com a linguagem de programação python. Espera-se que, ao final, os participantes entendam como aplicar esses métodos tanto em contextos acadêmicos quanto práticos no Mercado de Trabalho.

Palavras-chave: Vision Transformers, similaridade de imagens, deep learning, embeddings, Python.

Com qual(is) ODS a Sessão Temática proposta se relaciona?

A Sessão Temática está relacionada com o ODS 1 (“Erradicação da pobreza”), o ODS 2 (“Fome zero e agricultura sustentável”), o ODS 3 (“Saúde e Bem-Estar”), o ODS 10 (“Redução das desigualdades”) e o ODS 17 (“Parcerias e meios de implementação”).

ODS 1: A pobreza é um dos fatores determinantes da saúde e está associada a um maior risco de doenças. Uma compreensão mais profunda das desigualdades em saúde, permite identificar populações vulneráveis e monitorar a eficácia de programas de apoio. Assim, políticas de saúde pública baseadas em análises estatísticas podem ser mais direcionadas e eficazes, ajudando a reduzir as disparidades e apoiar o combate à pobreza.
ODS 2: A análise de dados estatísticos em saúde inclui também o estudo de dados nutricionais e a avaliação de programas de segurança alimentar. Ao identificar deficiências nutricionais e monitorar a saúde das populações mais carentes, a Estatística ajuda na implementação de políticas de nutrição que reduzem a fome e melhoram o acesso a uma alimentação saudável.
ODS 3: Métodos estatísticos permitem analisar grandes volumes de dados de saúde, identificar padrões de doenças, avaliar a eficácia de tratamentos e criar modelos preditivos para melhorar o diagnóstico e o tratamento. A análise estatística também é essencial para monitorar indicadores de saúde pública e auxiliar governos e instituições a direcionarem recursos e políticas de maneira mais eficiente, promovendo a saúde em escala global.
ODS 10: A interface entre Estatística e Saúde possibilita uma análise detalhada das desigualdades de saúde em diversos grupos populacionais, considerando fatores como localização geográfica, status socioeconômico, raça e idade. Isso permite que políticas de saúde pública sejam ajustadas para reduzir as disparidades e fornecer cuidados de saúde acessíveis e de qualidade para todos, especialmente em populações vulneráveis.
ODS 17: A coleta e análise de dados de saúde dependem da colaboração entre governos, instituições de pesquisa, setor privado e organizações internacionais. A Estatística é uma ferramenta chave para unificação de diferentes fontes de dados e monitoramento que permitem entender e quantificar o progresso dos ODS. A cooperação entre os setores e a transparência na coleta e uso dos dados fortalecem as capacidades institucionais, apoiando uma governança baseada em evidências.

Palestrantes e palestras

Jesús Alberto Peña Guillén (Universidad de Los Andes, Venezuela) – A bivariate survival model for events with dependent failure times based on Archimedean copula functions. Application case: A sample of HIV patients
- Resumo: This paper proposes a bivariate survival model for dependent failure times based on copula functions of the Archimedean family and the mean cumulative function for non-recurrent events of different types (MCFR ̅E) and uses it to estimate the probability of survival from the occurrence of events of different types on the same HIV/AIDS patient. The copula functions evaluate the dependence structure between the failure times of the events experienced by the same patient throughout their follow-up period, and the MCFR ̅E generates the marginal survival function for each event. The marginal function is a nonparametric estimator that gives the same estimated survival probability as the Kaplan-Meier estimator if the failure times of the different types of events are independent. If each patient experiences at least one event, a subset of them generates a compound event that affects the estimated probability of survival. The results show that the traditionally estimated survival probabilities are biased if dependent failure times are treated as independent.

Eder Silva de Brito (Instituto Federal de Educação, Ciência e Tecnologia de Goiás) –Reliability of repairable systems with Non-Central Gamma frailty
- Resumo: Maintenance actions on industrial equipment are essential to reduce expenses associated with equipment failures. Based on a well-fitted model, it is possible, through the estimated parameters, to predict several functions of interest, such as the cumulative average and reliability functions. In this paper, a new frailty model is proposed to analyze failure times of repairable systems subject to unobserved heterogeneity actions. The Non-Central Gamma distribution is assumed to the frailty random variable effect. The class of minimal repair models for repairable systems is explored considering an approach that includes the frailty term to estimate the unobserved heterogeneity over the systems’ failure process. Classical inferential methods were used to parameter estimation and define the reliability prediction functions. A simulation study was conducted to confirm the properties expected in the estimators. Two real-world data known in literature were used to illustrate the estimation procedures and validate the proposed model as a viable alternative to those already established in the literature. The results obtained highlight the potential of our proposed approach, particularly for industries dealing with such systems, where unquantifiable factors may impact equipment failure times.

Dipak Dey

University of Connecticut, US

Prof. Dipak K. Dey is a Board of Trustees Distinguished Professor in the Department of Statistics at the University of Connecticut (UConn). A prominent statistician, he is most known for his pioneering work in Bayesian analysis, decision science, and model selection. With over 320 research articles published in reputable national and international journals, and over 10 books and edited volumes to his name, he has made a significant impact on the field of statistics and data science. Prof. Dey earned his Bachelor's and Master's degrees in Statistics from the Indian Statistical Institute and a Ph.D. in Statistics from Purdue University, under the supervision of Prof. Jim Berger. Before joining the UConn in 1985, Prof. Dey held academic positions at Stanford University, the University of Kentucky, and Texas Tech University, and has also held visiting appointments at several universities and institutions worldwide. He is a fellow of the American Association for the Advancement of Science, the American Statistical Association, the Institute of Mathematical Statistics, the International Society for Bayesian Analysis, and the International Statistical Institute, and has received numerous awards and honors for his work. Prof. Dey is a dedicated mentor to students and colleagues. He has supervised over 45 Ph.D. students and has collaborated with practically every colleague in his department in a career spanning more than 40 years, helping tenure-track faculty and Ph.D. students achieve their professional goals. His broad range of interest and expertise, combined with his devotion to his peers has been instrumental to many in the statistical community. One of his many awards was the Marth Award for mentorship at UConn. Prof. Dey has held multiple leadership positions. He was for fourteen years as department head and for five years as the Associate Dean for Research in the College of Liberal Arts and Sciences at UConn. He has been a highly effective leader, while maintaining an extremely active academic career. Among his many accomplishments in his leadership roles, Prof. Dey oversaw an expansion of the statistics department; he started a Biostatistics program, a partnership with UConn Health; he developed collaborative research program with various other schools, colleges and Institutes (e.g., CHIP, IMS, Center for Environmental Science); and he initiated corporate partnership with Pfizer, CIGNA and Travelers. Prof. Dey has served as an associate editor for several statistical journals, including the Journal of the American Statistical Association (1997-1999), the Journal of Statistical Planning and Inference (2001-2003), and is currently the editor- in- chief of Sankhya, series A and series B, official journal of Indian Statistical Institute, since 2016 which is the second oldest journal in Statistics in the world. Prof. Dey has a clear long-term vision for the field of statistics and data science based on his many years of experience as a researcher, mentor, teacher, and interdisciplinary collaborator. He believes that statistics should be introduced from an early age in schools in order to develop statistical thinking and to learn how to apply them in real-life situations. His goal for the profession is to make it broadly understood, much beyond STEM programs. At the college level, data science education must include statistics, mathematics, and computational skills in order to train students who plan to pursue a professional career as data scientists in industry, government, and academia.

Website pessoal

Programação detalhada

Segunda-feira, 04/08

Minicursos 1, 2 e 3

Café

Abertura

CONFERÊNCIA 1 (Abertura)

Almoço

Concursos de Melhores Trabalhos

Miniconferência 1

Conferência 2

Café

Sessões Temáticas 1 e 2 e Mesa Redonda 1

Espaço para patrocinadores

Festa RBras 70 anos

Terça-feira, 05/08

Minicursos 1, 2 e 3

Café

CONFERÊNCIA 3

Miniconferência 2

Almoço

Espaço para patrocinadores

Sessão Temática 3, Mesa Redonda 2 e Tutorial 1

Conferência 4

Café

Sessão Temática 4, Mesa Redonda 3 e Tutorial 2

Sessão Pôsteres 1

Quarta-feira, 06/08

Comunicações Orais

Café

CONFERÊNCIA 5

Miniconferência 3

Almoço

Espaço para patrocinadores

Sessões Temáticas 5 e 6 e Tutorial 3

Conferência 6

Café

Assembléia RBras

Sessão Pôsteres 2

Quinta-feira, 07/08

Mesa Redonda 4

Comunicações Orais e Sessão Temática 7

Café

CONFERÊNCIA 7

Miniconferência 4

Almoço

Espaço para patrocinadores

Sessões Temáticas 8 e 9 e Tutorial 4

Conferência 8

Café

Conferência 9 (Encerramento)

Encerramento e Premiações do Desafio de Dados

Sexta-feira, 08/08

Sessão Expandida para Conexões Científicas

Programação resumida

CONTATO

Minicursos

Adèle Helena Ribeiro​

Júlia Maria Pavan Soler

Deoclecio Jardim Amorim

Maria Gabriella da Silva Araújo

Niamh Mimnagh

Conferência 1 (Abertura)

C1 - Are we already FAIR? – The future of data sharing

Iris Pigeot

Miniconferência 1

Y1 - Processos de contagem e derivações: Uma aplicação para dados ambientais e epidemiológicos

Ana Julia Alves Câmara

Conferência 2

C2 - Bayesian learning for infectious disease surveillance

Leonardo Soares Bastos

Sessões Temáticas 1 e 2 e Mesa Redonda 1

Elisângela Rodrigues (Chair)

Maria Yury Travassos Ichihara

Laís Picinini Freitas

Raphael de Freitas Saldanha

Waldomiro Barioni Júnior (Chair)

Betúlia de Morais Souto

Wilson Tadeu Lopes da Silva

Daniel de Castro Victoria

Doris Satie Maruyama Fontes (Chair)

Adèle Helena Ribeiro