1. O ponto de Inflexão em modelo de crescimento: Estimação, Interpretação e Aplicação a dados da COVID-19

​

            Nos últimos meses, a COVID-19 têm sido um dos principais problemas de saúde do mundo, causando um enorme ônus social e econômico. Neste cenário, modelos matemáticos/estatísticos são extremamente importantes para se entender a dinâmica de propagação da doença e previsão das quantidades de novos casos.O objetivo deste projeto é modelar as quantidades de notificações de COVID-19 na cidade de Campo Grande-MS e propor um modelo para predição das quantidades de notificações. Através de um estudo de simulação pretendemos descrever a projeção das quantidades de notificações e estimar a possível data em que o sistema de saúde de Campo Grande irá entrar em colapso.

​

Coordenadores

    Prof. Dr. Erlandson Ferreira Saraiva (Coordenador - INMA, UFMS)

    Prof. Dr. Valdemiro Piedade Vigas (Coordenador - INMA, UFMS)

​

 Colaboradores

    Polyanna Ynaí Miranda Simões (Colaborador - discente do curso de matemática)

​

2. Modelagem do Número de casos da Dengue na cidade de Campo Grande 

​

            Nos últimos meses, a COVID-19 têm sido um dos principais problemas de saúde do mundo, causando um enorme ônus social e econômico. Neste cenário, modelos matemáticos/estatísticos são extremamente importantes para se entender a dinâmica de propagação da doença e previsão das quantidades de novos casos.O objetivo deste projeto é modelar as quantidades de notificações de COVID-19 na cidade de Campo Grande-MS e propor um modelo para predição das quantidades de notificações. Através de um estudo de simulação pretendemos descrever a projeção das quantidades de notificações e estimar a possível data em que o sistema de saúde de Campo Grande irá entrar em colapso.

 

Coordenadores

    Prof. Dr. Erlandson Ferreira Saraiva (Coordenador - INMA, UFMS)

    Prof. Dr. Valdemiro Piedade Vigas (Coordenador - INMA, UFMS)

    Prof. Dr. Leandro Sauer (Coordenador - ESAN/UFMS) 

​

 Colaboradores

    Mariana Villela Flesh (Colaborador - discente do curso de matemática)

 

2. Modelagem do Número de casos da COVID-19 na cidade de Campo Grande 

​

            Nos últimos meses, a COVID-19 têm sido um dos principais problemas de saúde do mundo, causando um enorme ônus social e econômico. Neste cenário, modelos matemáticos/estatísticos são extremamente importantes para se entender a dinâmica de propagação da doença e previsão das quantidades de novos casos.O objetivo deste projeto é modelar as quantidades de notificações de COVID-19 na cidade de Campo Grande-MS e propor um modelo para predição das quantidades de notificações. Através de um estudo de simulação pretendemos descrever a projeção das quantidades de notificações e estimar a possível data em que o sistema de saúde de Campo Grande irá entrar em colapso.

​

Coordenadores

    Prof. Dr. Erlandson Ferreira Saraiva (Coordenador - INMA, UFMS)

    Prof. Dr. Leandro Sauer (Coordenador - ESAN/UFMS) 

​

 Colaboradores

    Vinicius Vaz de Moura Oliveira (Colaborador - discente do curso de economia)

    Thiago Gonçalves da Silva Goulart (Colaborador - discente do mestrado profissional em Administração)

 

3. Métodos Computacionais Intensivos para Estimação de Modelos de Mistura e Agrupamento de Dados

​

     Neste projeto desenvolveremos uma ampla pesquisa sobre inferência Bayesiana e métodos computacionais para estimação em modelos de mistura com o número de componentes k sendo desconhecido. O procedimento a ser desenvolvido será geral e aplicável a diversos modelos de mistura e não somente ao modelo normal, como é usual. Além disso, vamos explorar o uso de modelos de mistura para o agrupamento de dados. Neste item, exploraremos o uso de distribuições a priori sob os pesos da mistura que levam em consideração a possibilidade do número de clusters de observações kc poder ser aleatório e menor do que o número de componentes k do modelo de mistura. Este tipo de modelagem é denominado na literatura de sparse finite mixture. Desenvolveremos um estudo de simulação para comparar o desempenho do sparse finite mixture com o modelo de mistura de processos Dirichlet com relação a capacidade de identificação do número de clusters. Além disso, vamos buscar o desenvolvimento de procedimentos de estimação em modelos de mistura para conjuntos de dados com n “grande” (big data). Neste item, exploraremos o uso dos modelos de mistura de processos Dirichlet encaixados.

​

Coordenador

   Prof. Dr. Erlandson Ferreira Saraiva

​

Colaboradores

    Prof. Dr. Adriano Kamimura Suzuki

    Prof. Dr. Carlos Alberto de Bragança Pereira

    Prof. Dr. Luís Aparecido Milan

    Prof. Ms. Valdemiro Piedade Vigas