PG Biometria - Unesp, Botucatu

Encontram-se abertas, no período de 8 de Outubro a 23 de Novembro de 2012, as inscrições ao Processo Seletivo do Programa de Pós-Graduação em Biometria, Curso Mestrado, para início no primeiro semestre de 2013. 
Para informações sobre o procedimento e requisitos para efetuar a inscrição consulte o Edital em:

http://www.ibb.unesp.br/#!/pos-graduacao/biometria/editais/

Um dia de Biometria

Convidamos interessados a participarem do nosso evento "Um Dia de 
Biometria"
que ocorrerá no dia 5 de outubro no Anfiteatro do IB. Marque em sua AGENDA!

O evento é inteiramente organizado por nossos discentes do Mestrado em 
Biometria.
Neste ano a comissão organizadora está nos prometendo "surpresas" criativas!

Para mais informações confira na página:
http://www.ibb.unesp.br/#!/pos-graduacao/biometria/atividades-realizadas/dia-da-biometria/

O uso da estatística nas Ciências Biológicas e da Saúde

O uso da estatística nas Ciências Biológicas e da Saúde
PG BIOMETRIA - Prof. Dr. Carlos Roberto Padovani

Desmame e alta - problema para prova de análise de dados.
Ventilação mecânica, sair do desmame internado ou em alta.

estatística - biometria - bioestatística

atualmente: adestramento de alunos

Perguntas iniciais para reflexão:

1. O que é estatística?

2. Com que tipo de informação (dados) a Estatística trabalha?

3. De que forma a Estatística interage com a pesquisa experimental ou observacional (analítica ou descritiva)?

4. Quais são as formas de obtenção de dados?

5. Que conceitos são fundamentais para entender o conjunto de dados gerados por uma pesquisa: por amostragem ou simples levantamento de dados?

6. Que conceitos são fundamentais para se analisar estatísticamente dados gerados por levantamentos amostrais?

Filosofia do Pescador (estatística)´

Interação Teoria e Prática

O artista vê a verdade no belo e o pesquisador vê o belo na verdade.

Estatística = Ciência + Tecnologia + Arte

Conceito de Estatística
Estatística instrumento metodológico:
- Decidir qual é o melhor plano para a realização de um estudo experimental ou observacional.
- Organizar e sumarizar dados obtidos por classificação, contagem ou mensuração.
- Fazer inferências sobre populações de unidades (indivíduos, objetos, animais) quando apenas uma parte (amostra) é estudada.

Áreas da Estatística
(1) Planejamento de Experimentos e Técnicas de Amostragem
(2) Estatística Descritiva
(3) Estatística Inferencial

"Quem não sabe o que procura, não entende o que encontra" (Nona)

Escolas matam a criatividade?

Link para o vídeo: http://www.youtube.com/watch?v=aQym7WkF5ks

CONSIDERAÇÕES SOBRE ANÁLISE DE ARTIGOS CIENTÍFICOS - (Seminários - PG Biometria)

Disciplina "Seminários" da PG Biometria, Botucatu.

Início: 08 de agosto
Término: 14 de novembro

SEMINÁRIOS
19 de setembro - Apresentação de uma crítica a um artigo (Renan)
24 de outubro - Apresentação do pré-projeto (Renan)
14 de novembro - limite para entrega da parte escrita do pré-projeto

CONSIDERAÇÕES SOBRE ANÁLISE DE ARTIGOS CIENTÍFICOS

TÍTULO
- O título representa o conteúdo e a profundidade do estudo realizado?
- O título é claro e conciso e dá importância ao estudo?

AUTOR
- A titulação, afiliação e endereços são claramente indicados?

RESUMO
- O resumo cobre cada componente do estudo, isto é, a natureza do problema, a
questão da pesquisa, materiais e métodos utilizados, resultados, discussão,
conclusão e implicações?
- O resumo contém informações precisas? Informações gerais e vagas não são úteis.
- As implicações e benefícios divulgados são compatíveis com os resultados obtidos?
- Palavras-chave são listadas e cobrem todos os aspectos do estudo?

INTRODUÇÃO E REVISÃO DE LITERATURA
- Os objetivos e propósitos do estudo são claramente colocados?
- ReferÊncias-chave são utilizadas e deve existir uma clara relação entre o problema
e o estudo.
- Revisões de literatura devem providenciar um exemplo teórico e metodológico para o
problema em estudo.
- Importantes conceitos e variáveis devem ser definidos claramente.
- Uma visão geral do estudo deve ser apresentada.

MATERIAIS E MÉTODOS
- As variáveis são descritas claramente e são apropriadas, dada a natureza do estudo?
- O delineamento da pesquisa é descrito em detalhes? é apropriado e não contém falhas?
- O instrumento de medida é descrito claramente?
- A população de interesse e o procedimento amostral são claramente definidos?
- O procedimento de coleta de dados é claramente descrito?
- O ambiente na qual o estudo é feito deve ser descrito.
- Os procedimentos de análise de dados devem ser descritos em termos precisos e apropriados.

RESULTADOS
- Dados específicos devem acompanhar os resultados.
- Tabelas e gráficos devem ser udados efecientemente.
- Os conteúdos das tabelas devem ser claros.
- A sessão de resultados deve conter somente resultados,
os comentários são colocados na discussão.

DISCUSSÃO E CONCLUSÃO
- A discussão deve cobrir todos os aspectos debatíveis do estudo.
- A discussão deve estar diretamente relacionada ao estudo.
- As conclusões devem estar limitadas ao assunto que o trabalho
cobre, não deve ir além dos limites do estudo conduzido.

REFERÊNCIAS

- O número de referências deve ser razoável (nem muito, nem pouco)

- O conteúdo do trabalho claramente deve mostrar que as referências

citadas doram cuidadosamente lidas e foram bem entendidas pelo autor.

- As referências são apresentadas de acordo com as regras de publicação.

Anotações 08.08.2012

Próxima palestra do PPG Biometria no dia 28 de junho

Convidamos a todos os interessados para a proxima palestra no PPG Biometria.

Data: 28 de junho de 2012, 14H

Local: Laboratório Didático de Informática 3, Depto de Bioestatística

Título: Transcriptograma: Uma ferramenta para análise de expressão gênica

Prof. Dr. José Luiz Rybarczyk Filho - Depto de Física e Biofísica, IBB, UNESP

O metabolismo celular constitui-se numa série de reações químicas, as quais envolvem milhares moléculas, tais como proteínas, lipídios, carboidratos e outros metabólitos. A informação do estado metabólico de uma célula em um dado momento pode ser obtida através de experimentos que medem o nível de expressão de todas as proteínas (microarray). Como resultado temos o transcriptoma de uma célula. Entretanto, o maior problema da técnica de microarray é a intensidade do sinal-ruído que é muito alto. Neste seminário será abordada a técnica de Transcriptograma, na qual um perfil muito preciso da expressão de um genoma é obtido a partir de um método de processamento do sinal de microarray que melhora a relação sinal-ruído. O Transcriptograma foi aplicado para vários organismos em diferentes condições, em todos os casos o método conseguiu discriminar diferentes tecidos, estados metabólicos e efeitos de tratamento.

Métodos para solução de Problemas de Otimização - Daniela Renata Cantane

Otimização: Linear, não linear e inteira.
Aplicações: matemática, pesquisas operacionais, economia, ciencia da computação, medicina, engenharia, etc.

Pesquisa operacional: estuda tecnicas para otimizar o desempenho de sistemas.
Objetivos: tomada de decisões, entender a complexidade das operações no sistema, prever seu comportamento e melhorar o seu desempenho.~

Exemplos: problema do caixeiro viajante, problema da mochila, problema de corte e empacotamento, alocação de professores com disciplinas a serem ministrada, alocação de turnos de médicos, plantação e rotação de culturas, radioterapia, etc.

Estratégia utilizada pela PO para melhorar o desempenho de um sistema:
- identifcar as variaveis de decisão
- construir um modelo matemático do sistema de operações e definir os objetivos importantes
- resolver o modelo para encontrar a solução ótima
- análise de sensibilidade
- implementar modificações no modelo

Métodos mais importantes para solucionar problemas de otimização linear:
- método simplex: Dantzig, em 1947
- método de pontos interiores: Karmakar, em 1984

Objetivo: soluções de problemas de grande porte.

“MÉTODO SIMPLEX”

Anotações 21.06.2012

Camisas, camisetas e agasalhos do programa de Biometria da Unesp de Botucatu

Os alunos da Biometria estão fazendo os pedidos de confecção de
camisetas do programa. Seguem os modelos e os valores estimados.
Caso se interessar em fazer pedidos, especifique os modelos, tamanhos
e quantidades nos formularios que estao na copa do depto.

Aqueles que moram fora de Botucatu e desejarem fazer pedidos envie email 
para
o Ronaldo: rguedes@ibb.unesp.br

Blusa de Moleton - 60,00 reais
Camiseta Manga Curta - 13,00 reais
Camiseta Baby-Look - 13,00
Camiseta Polo - 20,00 reais
Camiseta Manga Longa (ainda sem preço)

Tamanhos: P, M, G, GG, GGG, (???)

Próxima palestra do curso de Biometria

21 de junho, 14h
Local LDI3 - Depato de Bioestatistica - IB


Palestrante: Daniela R. Cantane (Depto de Bioestatistica, IB)
Título: Métodos para solução de problemas de otimização

Resumo: Os métodos mais importantes para solucionar problemas de otimização linear são o método Simplex e o método de pontos interiores, mas para uma boa performance destes métodos, a solução eficiente dos seus sistemas lineares é de fundamental importância. Com o objetivo de desenvolver alternativas eficientes para implementação do método Simplex, utiliza-se técnicas de atualização da decomposição LU da base em conjunto com reordenamento estático nas colunas da matriz para aperfeiçoar a solução dos sistemas lineares oriundos do método Simplex. Códigos computacionais dos métodos de pontos interiores são alternativas eficientes para solução de problemas de grande porte para problemas lineares. Na busca desta eficiência, três linhas de pesquisa se destacam: a redução do número de iterações para obtenção da convergência do método, a redução do tempo computacional por iteração por meio da solução eficiente dos sistemas lineares necessários para calcular as direções e o desenvolvimento de métodos específicos para problemas de otimização com exploração da sua estrutura particular.

PRINCÍPIO DA MÉDIA

PRINCÍPIO DA MÉDIA

Paulo Ruffino – ruffino@ime.unicamp.br

- Choque aparente: matemática x aleatório

- Teoria Ergódica (Teorema Ergódico de Birkhoff)

- Método Monte Carlo (evoluçaõ do tentativa e erro)
(Bibliografia em linguagem simples: “Introdução ao método de Monte Carlo”)

- Processo estocástico mais rico em propriedades: Movimento Browniano.
(Robert Brown, botânico, 1822)

-  Situações mais elaboradas do Princípio da Média

Anotações

14.06.2012

Princípios da Média - Paulo Ruffino (Palestra dia 14 de junho)

Pessoal convidamos a todos para a proxima palestra do PPG Biometria. Att Luzia
14 de junho, 14hLocal: LDI 3, Departamento de Bioestatística
Palestrante: Paulo Ruffino (IMECC, Unicamp)
Título: Princípios da Média

Resumo: Uma das noções naturais e intuitivas do princípio da média é a determinação de uma probabilidade usando repetição do experimento e calculando a frequência (erros e acertos). Nesta situação e em outras similares o que está por trás desse "princípio da média" é o Teorema Ergódico de Birkhoff. Simulações de situações aleatórias como as descritas acima, normalmente em busca de resultados determinísticos é  chamado de "Método Monte Carlo". Falaremos de outros exemplos de médias onde a aleatóriedade tem dinâmica no tempo (movimento Browniano). Terminamos a palestra mencionando um resultado recente de  um princípio da média para difusões (processos de Markov contínuo, soluções de equações diferenciais estocásticas) em espaços folheados.

Aplicações em Modelos Hierárquicos Dinâmicos (Minicurso – P1)

Aplicações em Modelos Hierárquicos Dinâmicos (Minicurso – P1)
Aparecida D.P. Souza
Faculdade de Ciencias e Tecnologia – UNESP
Departamento de Estatística

- Inferência Bayesiana: Forma de pensar diferente da Clássica. Buscar informaçõe extras e combinar com o que vem da amostra, utilizando o Teorema de Bayes.

- Distribuição Preditiva: constante de proporcionalidade; distribuição esperada de y sob a priori; verificar a adequabilidade da priori; importante papel na seleção bayesiana; nem sempre é fácil de ser obtida.

- O grande desafio da Inferência Bayesiana é a especificação de prioris.
- Formas de especificação: subjetiva; formas funcionais (assosciação de família paramétrica)
- Tipos de Distribuição a Priori: conjugadas; não informativas; especificadas por modelos hierárquicos.

- Quando a posteriori está na mesma familia que a priori temos a conjugação. Ex. Normal, beta, gama, normal-gama.
- Principais vantagens: núcleo da densidade resultante define a posteriori; não é necessário calcular p(y)

- A especificação da distribuição a priori pode ser dividida em estágios, incorporando a informação em duas fases: estrutural, para divisão dos estágios; subjetiva, para especificação de cada estágio.

- Estimação Pontual - Funções perda mais utilizadas: perda quadrática; perda absoluta e perda 0-1.

- Estimação por Intervalo: Consiste em especificar uma região de valores de teta com grande probabilidade de massa a posteriori (Descrever uma regiao de valores tão pequena quanto possível).

- Do ponto de vista Bayesiano, a previsão é feita baseada na distribuição preditiva a posteriori.

- Na Inferencia Clássica você depende de grandes amostras, já na Bayesiana você não depende de resultados assintóticos. Exemplo: Uma moeda lançada resultar em duas caras. O estatistico clássico pode afirmar que a moeda só tem cara, já o bayesiano considera uma probabilidade de ter coroa.

- Modelos de Médias Hierárquicas: Análise bayesiana empírica; Análise Bayesiana Completa.

-  WinBUGS (OpenBUGS): determina as distribuições condicionais completas; explora eventuais conjugações e escolhe método mais adequado de geração da cadeia.

Anotações 31.05.2012

Micronatação e outros temas de mecânica genômica - Jair Koiller

Micronatação, e outros temas de mecânica geométrica

Jair Koiller (Escola de Matemática Aplicada da FGV)

Na primeira palestra do ERMAC 2012 fomos contemplados com as palavras do Prof. Jair Koiller que explanou sobre "Micronatação e outros temas de mecânica genômica".

Resumo: Nesta palestra apresentamos um panorama do estudo do movimento de microorganismos iniciada com o paper de G.I.Taylor de 1951, “Analysis of the swimming of microscopic organisms”. A partir dos anos 1990, com ideias da geometria diferencial,evidenciou-se que a micronatação tem um paralelo muito interessante com certos problemas de robótica e certos modelos parapartículas elementares. Mostrarei alguns exemplos representativos de uma vasta literatura recente, motivada pelos avanços nabiologia celular e na nanotecnologia.

Anotações:

- Rápido panorama do estudo do movimento de microrganismos (G.I. Taylor 1951).
- Analysis of the swimming of microscopic organisms.
- As três divisões: Stokesiana, Reynolds Alto, Reynolds intermediário.
- Pioneiros (Cambridge): G.I.Taylor e James Lighthill
- Motor rotatório do flagelo das bactérias
- Motores moleculares distribuídos no flagelo dos eucariontes.
- Um problema de otimização estocástica "Run and Tumble".
- Geometria Subriemaniana

Programação - ERMAC 2012

A programação pode ser consultada no site oficial do evento: http://www.ibb.unesp.br/#1408,1410

Redes Complexas e Rede Imunológica - Tópicos em Biometria

Redes Complexas e Rede Imunológica
Rita Maria Zorzenon dos Santos
Departamento de Física – UFPE

- Sistemas biológicos são compostos por um grande número de componentes (células, proteínas,...).

Teoria biológica -> Modelo matemático (discreto) -> resultados teóricos -> Sistemas dinâmicos

Timo: órgão linfático primário

Sistemas imunológicos: Inato (macrófago) e adaptativo.

 Para estudar o sistema imunológico temos que estudar o sistema a nível molecular (N.K. Jerne, 1976).

- The Immune Network Theory (Jerne, 1974)

- Apresentação do modelo celular autômato.

Sumário: O modelo matemático apresentado foi o primeiro a representar a rede do sistema imunológico proposto por Jerne em 1974.

- Exemplos de redes complexas

- Conclusões: Modelo bastante atual que pode ser usado para outras situações.

Anotações

24.05.2012

Modelos de Múltiplos Riscos com causas Dependentes - Tópicos em Biometria

Modelos de Múltiplos Riscos com causas Dependentes
Luiz Koodi Hotta e Rodrigo Tsai
Departamento de Estatística – Unicamp

Modelos de múltiplos riscos são uma família de modelos flexíveis para ajustar dados de tempo de vida. A flexibilidade vem do fato de consideramos que existem múltiplas causas latentes de falhas. Existem vários exemplos de aplicações destes modelos na literatura.
A grande vantagem dos modelos de múltiplos riscos sobre os modelos de risco único é flexibilidade de representar funções de riscos.

- O modelo para riscos dependentes através de cópula.

- Identificação do modelo e estimação: a identificação do modelo não foi provada analiticamente para o caso geral. Para alguns casos pode-se provar a identificação e não identificação. Quando estes não são os casos, pode-se fazer uma análise numérica.
Os modelos foram estimados através do método de máxima verossimilhança.
Usando o Hessiano verificou-se que em alguns casos é necessário um grande número de observações para ter uma variância pequena do estimador do parâmetro da cópula.

- Dados do desemprego: analisados por Wichert e Wilke (2008).
“It is a sample of German administrative individual unemployment duration dados.”

- Conclusões Finais:

O modelo de múltiplos riscos independente é conhecido por ser muito flexível na construção de funções de risco. Na utilização de cópulas para modelos a dependência dos fatores latentes aumenta consideravelmente essa flexibilidade.

A generalização do modelo de múltiplos riscos permite construir uma família bastante rica de funções de taxas de risco com formas banheira, multimodais e, com efeitos locais.

O modelo proposto mostrou ajuste muito bom para os dados simulados e para os dados de duração de desemprego, com evidências de presença de riscos concorrentes.

Anotações
24.05.2012

Palestras do Programa de Mestrado em Biometria - dia 24 de maio

Convidamos a todos para as palestras do Programa de Mestrado em Biometria 
a ocorrer no dia 24 de maio com início as 14H no LDI 3, Depto. de Bioestatistica, IB, 
UNESP, Botucatu.

14H
Título: Modelo de Riscos Múltiplos com Dependência: Introdução e Propriedades
Palestrante: Luiz K. Hotta (UNICAMP)
Resumo: Nos modelos de riscos competitivos considera-se que uma falha pode ocorrer devido a duas ou mais causas conhecidas de falhas. No modelo de riscos múltiplos considera-se que as causas de falhas podem ser devido a uma ou mais causas latentes, que é equivalente ao caso de riscos competitivos quando a causa é desconhecida. Neste trabalho consideramos o modelo de riscos múltiplos quando existe dependência entre as causas latentes. A dependência é modelada utilizando funções de cópulas. São estudadas as características destes modelos e o problema de identificação e estimação considerando algumas funções de cópulas e sobrevivência marginais. O modelo é analisado através de dados simulados e empíricos. co-autor: Rodrigo Tsai (Superior Tribunal de Justica, rodrigo.tsai@gmail.com)


16H
Título: Redes Complexas  e rede imunológica
Palestrante: Rita M. Zorzenon dos Santos (UFPE)
Resumo: Neste seminário inicialmente faremos uma breve introdução sobre os conceitos fundamentais envolvidos 
no estudo de redes complexas. Em seguida apresentaremos as ideias de N.K. Jerne sobre a rede imunológica 
responsável por regular respostas imunológicas a diferentes antígenos e as abordagens matemáticas 
utilizadas para reproduzir o comportamento dinâmico desta rede. Em especial, daremos enfase a descrição 
do modelo de autômatos celulares denominado BSP (de Soer-Segel-Perelson)  baseado nas ideias de Jerne  
que reproduz o funcionamento de  redes multiconnectadas e apresentaremos as principais características 
destas redes em diferentes regiões do espaço de parâmetros . Para uma certa região do espaço de parâmetros 
é possível  reproduzir o comportamento do sistema imunológico de camundongos camundongos  face à múltiplas 
apresentações de um mesmos antígeno (ova) e envelhecimento. Por fim caracterizamos do ponto de vista de redes 
complexas esta rede que permite reproduzir resultados experimentais de camundongos.

Encontro Regional de Matemática Aplicada e Computacional - ERMAC 2012

O evento ocorrerá no Instituto de Biociências da UNESP de Botucatu-SP, no período de 30 de maio a 1 de junho de 2012.
Maiores informações: http://www.ibb.unesp.br/#1408,1409

O Encontro Regional de Matemática Aplicada e Computacional (ERMAC) é um evento da SBMAC (Sociedade Brasileira de Matemática Aplicada e Computacional) realizado nas diversas regiões do País. Os objetivos do ERMAC são:

• Congregar estudantes, profissionais e pesquisadores das várias áreas da tecnologia e ciência que utilizem a matemática como ferramenta de descrição de suas atividades;
• Motivar e estimular as atividades de ensino, pesquisa e desenvolvimento da matemática aplicada e computacional;
• Incentivar programas e ações conjuntas com instituições de ensino e pesquisa;
• Divulgar atividades de pesquisa e extensão.

Áreas Temáticas 

As sessões do ERMAC 2012 compreenderão as seguintes áreas temáticas (tópicos de interesse):

- Biomatemática; 

- Matemática Computacional e Computação Científica;
- Otimização;
- Dinâmica de fluidos computacional;
- Estatística e probabilidade aplicadas;
- Aplicações de engenharia e ciências físicas e químicas;
- Aplicações em ciências sociais e humanas.

Predicting Complex Phenotypes with Information from High Density Molecular Marker Panels - Guilherme J. M. Rosa

Predicting Complex Phenotypes with Information from High Density Molecular Marker Panels

Guilherme J. M. Rosa – University of Wisconsin

Genetic Improvement in Agriculture

Phenotypic Selection: Selection intensity with truncation selection.

Body weight of commercial broilers with 1957 ans 2001 genetics fed diets typical of 1957 or 2001. (Experimento em uma universidade)

The key equation: (Equação que te dá o melhoramento genético)

Técnica de modelos mistos para preparação do modelo matemático do animal.

Genome-Wide Marker Assisted Selection (Genomic Selection - GWMAS)

Alguns modelos propostos:

- BLUP – dist normal com variância comum
- BAYES A – mesma regressão com efeitos genéticos com dist normal com variância especifica para cada gene
- BAYES B – modelos de mistura (a nível das variâncias), alguns marcadores não estão ligados a nada de interesse.

Reproducing Kernel Hilbert spaces Regression – G. De Los Campos (pesquisa publicada com orientado)

Techinical Note: An R package for fiitting generalized linear mixed models in animal breeding – A. I. Vazquez D. M. (pesquisa publicada com orientada)

Um grande problema com esses modelos de muitas variáveis é ajustar um modelo (over-reduction and over-fit)

Comparar modelos: Cross-validation (Predictive Ability)

Application to câncer liability in humans
- Conjunto de dados disponiveis na literatura: Framingham Heart Study

Anotações de Renan Mercuri Pinto
10.05.2012

Palestra: Predição de caracteres fenotípicos complexos utilizando-se marcadores genéticos em alta densidade

"Pessoal convidamos a todos para a proxima palestra do Programa de Mestrado em Biometria.
SOLICITAMOS DIVULGAÇÃO A POSSIVEIS INTERESSADOS." Obrigada, Profa. Luzia

Data: 10 de maio de 2012
Hora: 11H
Local Lab. de Informatica 3, Depto de Bioestatística, IB, Unesp

PALESTRA:
PREDIÇÃO DE CARACTERES FENOTÍPICOS COMPLEXOS UTILIZANDO-SE MARCADORES GENÉTICOS EM ALTA DENSIDADE
Guilherme J. M. Rosa
Department of Animal Sciences
Department of Biostatistics & Medical Informatics
University of Wisconsin-Madison

Resumo: Marcadores moleculares têm sido utilizados no melhoramento genético de animais e plantas, e em medicina personalizada em humanos. Entretanto, os modelos estatísticos tradicionalmente empregados nesse contexto utilizam informação de somente alguns poucos marcadores, e os resultados obtidos não têm sido plenamente satisfatórios, especialmente pelo fato de características quantitativas complexas serem geralmente controladas por um número muito grande de genes. Mais recentemente, com o advento da tecnologia de genotipagem em larga escala e de painéis de dezenas ou centenas de marcadores distribuídos por todo o genoma em várias espécies, as aplicações de marcadores genéticos em melhoramento genético e em medicina tomaram outras dimensões. Tais aplicações, todavia, requerem técnicas estatísticas e computacionais específicas para a análise de conjuntos de dados enormes e, principalmente, nos quais a quantidade de variáveis a serem ajustadas é muito maior do que o número de observações ou unidades de medida. Nesta palestra discutiremos alguns modelos e estratégias computacionais úteis para tais análises, e apresentaremos algumas aplicações com dados reais, tanto em agricultura quanto em medicina.

Tópicos em Biometria - Anotações IV

Modelando intervenções e variações em manejo populacional de pragas e inimigos naturais

Wesley A. C. Godoy (Lab Ecologia e Entomologia Florestal – Esalq - USP)

1 - Relações entre praga x inimigo natural x inseticida

As estrategias modernas de nanejo de pragas incluem praticas de conservação de inimigos naturais: isso depende dos procedimentos adotados na aplicação de produtos quimicos.

Quatro cenarios analisados por Hassell
1. Inseticidas agindo antes do parasitismo e eliminando somente hospedeiros
2. Inseticidas agindo após o parasitismo eliminando apenas hospedeiros
3. Inseticidas agindo após parasitismo eliminando tambem os parasitados
4. Inseticidas agindo antes do parasitismo e elimnando também parasitóides adultos (mais comum no Brasil)

Cenários modelados por Hassell (1984)

Simulando periodicidade de aplicação de inseticida com função trigonométrica: Alguns preferem a utilização de tabelas embora seja viável a modelagem do momento ótimo de aplicação.

2 - Relações entre praga x inimigo natural x consórcios agrícolas

Algodão intercalado com erva doce: inicialmente enriquecer e aproveitar o solo, mas existe uma combinação muito boa entre as duas. Trabalhos recentes mostram que a diversidade de insetos predadores é mais alta em cenários como esses.

Objetivo tem sido construir um projeto de pesquisa que envolva essas peculiaridades.

Hipotese: Consórcios minimizam o impacto de pragas
Evidencias: Inimigos naturais mais abundantes em monoculturas

O tipo, o formato, o desenho de consórcios são estudados com frequencia, pois ajudam no controle biológico.

Bases ecologicas teóricas para investigar consórcios e inimigos naturais

Insecticides: livro na área de entomologia agricola (estudo de capítulo: Integrated pest management and spatial structure)

Anotações de Renan Mercuri Pinto
26.04.2012

Tópicos em Biometria - Anotações III

Prof. Dra. Liciana Vaz de Arruda Silveira

Departamento de Bioestatística, Unesp de Botucatu –SP.

Áreas de pesquisa:

-Análise de sobrevivencia

- Modelos Lineares Generalizados

- Modelos Espaços-Temporais

Projetos:

Pesquisa de Thiago: Modelagem em análise de sobrevivenvia com censura intervalar e eventos recorrentes aplicada a dados da área médica.

Pesquisa de José Nilton: A distribuição Log-Burr XII para dados grupados e censurados.

Pesquisa de Liciana: Modelos paramétricos na analise de dados de sobrevida: aplicação a uma coorte de idosos do municipio de Botucatu-SP.

Anotações de Renan Mercuri Pinto

19.04.2012

Grupo Controle/ Delineamento de experimentos

Botucatu, 19 de Abril de 2012

Prof. Carlos Roberto Padovani /Prof. Cicogna

Grupo Controle

(Indivíduos que vão receber o tratamento e individuos que não vão receber nada)

Delineamento (planejamento) de Experimentos

Gato preto dentro de um quarto escuro (Pontos de vista depende do referêncial: metafísica, teologia, ...)

- Controle negativo: ausência de tratamento (dar placebo)

- Controle positivo: tratamento padrão

SHAM (entender, pesquisar sobre essa palavra que tem sido utilizada na área da saúde)

Estudo de casos: Agonomos trabalham com NPK (nitrogenio, fósforo e o potássio)
Fischer (metemático): Ausencia dos três fatores (ausencia da trinca NPK)
Conseguiria ver o efeito isolado

Controle – testemunha
(Testemunha de que o nutriente era importante, evidencia da ação do tratamento)

O tamanho da amostra sempre é muito importante para o estudo da variabilidade

Controle: grupo que é a normalidade, referencia, por não ter tratamento ou receber o padrão

Estudo de caso: Dou uma dieta e estudo os efeitos diante do caso.

Exemplo: eficiência (tratamento barato e acessivel para que os pacientes possam usufruir), eficácia (o tratamento que funcionda diante de condições de um mundo ideal) e efetividade (tratamento que funciona em condições do mundo real).

Exemplo2. Observo as cabritas mascando folhas de roseira e sei que elas nunca tiverão problemas de gastrite. Seleciono alguns individuos com gastrite como amostra e dou a alguns folhas de roseira para mascar e outros sem mascar.

Grupo controle: grupo controle da variavel treinamento que vou observar.

Deveria ser o grupo onde vou estudar se minha variavel tem distribuiçao normal de probabilidade.

Exemplo3: Sinergismo e antagonismo.

Tópicos em Biometria - Anotações II

Conceitos de Bioequivalência - Prof. Dr. Rogério Antonio de Oliveira

Depto de Bioestatística - IB - Unesp, Botucatu.

Estatística: Ciência que tem por objetivo a coleção analise e interpretação de dados.

- tomada de decisões importantes

Etapas de um estudo de Bioequivalência:
- Clinica

- Analítica 

- Estatística

Conceito: Dois produtos são bioequivalentes se eles são farmaceuticamente equivalentes e suas biodisponibilidades após a administração na mesma dose molar são similares.

Etapa Estatística: Protocolo

- Define o delineamento experimental mais apropriado ao estudo de bioequivalência

- Cálculo do tamanho amostral: determinar a quantidade de voluntários necessários para realizar um estudo

- Aleatorização: mecanismo para alocar os voluntários as sequencias de tratamentos, por exemplo, RT e TR.

Análises de Bioequivalência

- Após receber as concentrações individuais da etapa Analítica, determina-se as medidas farmacocinéticas: Cmax, tmax, área sobre a curva

- Eram traçados os gráficos correspondentes a cada indivíduo.

Análise de Variância (ANOVA)
- A analise estatística foi conduzida baseada em médias de mínimos quadrados de cada componente do produto teste e referencia.

Anotações de Renan Mercuri Pinto
12.04.2012

Conversa com o Prof. Dr. Sílvio Govone

Prof. Dr. Silvio Govone

 Professor do Departamento de Estatística da Unesp de Rio Claro.

Orientados nos anos anteriores:

- Elen Daniele Paulino – Nutrição

- Márcio Tiemi Kawamoto – Dengue e Acidentes de trânsitos

Comentários:

“Preferível concluir bem sobre uma coisa a concluir várias coisas com poucos dados.”

Anotações de Renan Mercuri Pinto

Filosofando sobre variabilidade e repetições

Conversa filosófica junto ao Prof. Dr. Carlos Roberto Padovani.

Tema: Repetição

- Do ponto de vista matemático encontrar a resposta é ter resolvido

- Repetição como entendimento das variabilidades

- Dois fatores importantes: 

1. Casualização: fidedignidade

2. Repetição: Esequibilidade

Variabilidade: Afastamento em relação a um padrao (ex. Tomate, Arrumar namorada)

Deterministico: modelo do matemático

A repetição do experimento implica na variabilidade

Repetição é diferente de replica

Estudo de casos 1: Num experimento com bagres, foi tomada como unidade experimental apenas um pool, impossibilitando uma analise de variabilidade.

Média aparada: Quando temos uma amostra de 10 dados, aparamos essa amostra cortando, por exemplo, 2 valores mais baixos e 2 mais altos. Restando assim a média de 6 valores.

Estudo de casos 2: Experimento com leitões. Quando um leitão tem diarréia ou infecções tem de ser descartado do experimento. Tenho que pensar na escolha da amostra que a perda é equiprovável.

Quanto mais homogeneo for o material menor será o numero de repetições.

Artigo da Esalq: Subamostras como repetições
Somente as unidades experimentais são repetições legitimas
Variabilidade na prática é o desvio padrão
Erro amostral difere do erro experimental
Inferência usando o erro observado resulta em erros.

Inferir não é extrapolar: é o processo indutivo de raciocinio
processo de "do particular pensar no geral".
Ex. Exame de sangue

Testes de Hipóteses:
Antes do encontro o professor toma H0 como sendo verdadeiro
H0: Os alunos são os melhores. H1: Os alunos não são os melhores.
Erros: falso positivo e falso negativo

O número mais adequado de repetições (tamanho da amostra):
Cada experimento possui um número mais adequado de repetições.

É errado do ponto de vista de pesquisa ir com o dados coletados para fazer a analise, temos que homogenizar os dados.

Preciso para o tamanho amostral:
1. Qual o nível de confiança que quero nos resultados (95%)
2. O poder do teste (80% de significancia)
3. Qual a menor diferença que atribuo ao acaso (tamanho da diferença que quero detectar)
dms (menor diferença significante)
4. Uma noção da variabilidade (comportamento dos dados)
5. Experimento Piloto (pelo menos 3)

Ignorância: Igno (desconhecimento)

Anotações de Renan Mercuri Pinto

29.03.2012

Tópicos em Biometria - Anotações

Análise Espacial de Dados

Paulo M. Landim

Geoestatística e modelos probabilisticos
(Variavel aleatoria e função aleatoria)

- Localização geográfica é parte integral de qualquer amostra.

- As medidas tem um  suporte associado

- Não é suposto que as variaveris sejam independentes e identicamente distribuidas

- Amostragem segue um padrão regular

Variável regionalizada (VR): duplo aspecto, caracteristica estrutural e aleatório.

Modelos de Variogramas: esférico

Aplicações da geoestatistica: lavra e prospectação, geologia do petroleo, geologia ambiental, agricultura de precisao, analise espacial de crimes, cartografia, climatologia, ecologia da paisagem, engenharia florestal, epidemiologia, geotecnia, softwares, pedologia, etc.

Krigagem (estimador geoestatistico): leva em consideração as caracteristicas espaciais de autocorrelação de variaveis regionalizadas.
Estimação por uma combinação linear ponderada. Erro deve ter esperança zero.

A Krigagem de Z(x) é um estimador otimo em relação a média, porém ruim para variabilidade.

Modelos matemáticos e computacionais em biologia e tecnicas de otimização

Claudia Pio Ferreira

Temas de interesse:
1.       Epidemiologia: dengue, infecções hospitalares
2.       Ecologia: manejo integrado de pragas, ecologia de paisagens

Objetivos:

1.Entender os mecanismos pelos quais uma doença se espalha
2. Predizer o futuro
3. Definir e otimizar mecanismos de controle
4. Detectar valores limiares
5. Identificar padroes
6. Estimar parametros a partir dos dados experimentais

Epidemiologia: população dividida em tres classes: susceptivel, infectados e recuperados ou mortos.

Ecologia: diversidade dada pela coexistencia das especies é mantida por dois mecanismos: heterogeneidades ambientais, termos nao lineares na dinamica populacional

Projeto: Modelo Espacial para analise da disseminação da dengue

Notas de Aula de Renan M. Pinto

29.03.2012

Introdução ao Biomethink

Em construção...