Programa de Pós-Graduação em Estatística

Produção Científica de Alunos Egressos no Período de 2008 a 2025

Participação em eventos

Número total de items: 573

2024

  1. GARAY, A. W. M. A maximum likelihood and regenerative bootstrap approach for estimation and forecasting of INAR(p) processes with ZI innovations. 2024.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. The linear regression model with autoregressive symmetrical errors and incomplete data. 2024.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. The INAR processes with zero-inflated innovations: estimation, forecasting and its applications. 2024.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. A maximum likelihood and regenerative bootstrap approach for estimation and forecasting of INAR(p)-processes with zero-inflated innovations. 2024.
    [ Google | Google Scholar ]
  5. GARAY, A. W. M. A maximum likelihood and regenerative bootstrap approach for estimation and forecasting of INAR(p)-processes with zero-inflated innovations. 2024.
    [ Google | Google Scholar ]
  6. GARAY, A. W. M. Análisis de Series Temporales Discretas con Excesos de Ceros y sus aplicaciones. 2024.
    [ Google | Google Scholar ]
  7. ZELLER, C. B. Regression Modeling of Censored Data based on Compound Scale Mixturs of Normal Distributions. 2024.
    [ Google | Google Scholar ]
  8. ZELLER, C. B. Estratégias de Otimização para Tratamento de Câncer com Células CAR-T: Uma Abordagem Matemática e Estatística. 2024.
    [ Google | Google Scholar ]
  9. ZELLER, C. B. Regression Modeling of Censored Data based on Compound Scale Mixturs of Normal Distributions. 2024.
    [ Google | Google Scholar ]
  10. ZELLER, C. B. Mesa Redonda - Café das Minas - Empoderamento Feminino na Tecnologia. 2024.
    [ Google | Google Scholar ]
  11. ZELLER, C. B. . 2024.
    [ Google | Google Scholar ]
  12. ZELLER, C. B. Influence Diagnostics for Censored Linear Regression Models with Skew-Scale Mixtures of Normal Distributions. 2024.
    [ Google | Google Scholar ]
  13. ZELLER, C. B. Misturas finitas de regressão de especialistas: restrições e aplicações. 2024.
    [ Google | Google Scholar ]
  14. Trucios Maza, C. C. A new proposal to forecast highdimensional conditional covariance matrices via general dynamic factor models. 2024.
    [ Google | Google Scholar ]
  15. LUDWIG, G. A non-stationary spatio-temporal covariance model with advection effects for rainfall data. 2024.
    [ Google | Google Scholar ]
  16. MATOS, L. A. Extending multivariate Student's-t semiparametric mixed models for longitudinal data with censored responses and heavy tails. 2024.
    [ Google | Google Scholar ]
  17. SARAIVA, Marley A. Mostra de Extensão e Cultura. Mostra da Pós-Graduação Stricto Sensu e Lato Sensu.. 2024.
    [ Google | Google Scholar ]
  18. SARAIVA, Marley A. Distribuição Wrapped Birnbaum-Saunders: Definição e Estimação. 2024.
    [ Google | Google Scholar ]
  19. SARAIVA, Marley A. Indicadores gerais da Assistência Estudantil. 2024.
    [ Google | Google Scholar ]
  20. MAIA, R. P. Modelo de regressão t assimétrica Tipo II com efeitos aleatórios aplicado à análise longitudinal de desempenho acadêmico. 2024.
    [ Google | Google Scholar ]
  21. MAIA, R. P. Mesa; As trajetórias de egressos da política de permanência da UNICAMP. 2024.
    [ Google | Google Scholar ]
  22. MAIA, R. P. . 2024.
    [ Google | Google Scholar ]
  23. MAIA, R. P. Analisando dados de desempenho acadêmico o tempo de permanência via um modelo conjunto de dados longitudinais e de sobrevivência com tempo discreto. 2024.
    [ Google | Google Scholar ]
  24. MAIA, R. P. Perfil dos estudantes: Ensino Médio, ProFIS e Graduação. 2024.
    [ Google | Google Scholar ]
  25. SOUZA, V. F. Inference Tools for Markov Random Fields on Lattices: The R Package mrf2d. 2024.
    [ Google | Google Scholar ]
  26. SOUZA, V. F. Detecting Renewal States in Chains of Variable Length via Intrinsic Bayes Factors. 2024.
    [ Google | Google Scholar ]
  27. ALCÂNTARA, A. P. . 2024.
    [ Google | Google Scholar ]
  28. ALCÂNTARA, A. P. . 2024.
    [ Google | Google Scholar ]
  29. ALCÂNTARA, A. P. . 2024.
    [ Google | Google Scholar ]
  30. ALCÂNTARA, A. P. . 2024.
    [ Google | Google Scholar ]
  31. SOUSA, A. R. S. Sobre a estimação Bayesiana de coeficientes de ondaletas em modelos de regressão não paramétrica com erros estacionários. 2024.
    [ Google | Google Scholar ]
  32. Moreira, L. "Biomas do Brasil: Diversidade, Saberes e Tecnologias Sociais". 2024.
    [ Google | Google Scholar ]
  33. VALK, Marcio Podemos colar Séries Temporais?. 2024.
    [ Google | Google Scholar ]

2023

  1. GARAY, A. W. M. The p-order integer-valued AR process with zero-inflated innovations. 2023.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Estimation and forecasting of INAR(p) processes with zero-inflated innovations. 2023.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. The linear regression model with autoregressive symmetrical errors and incomplete data. 2023.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. USO DEL SOFTWARE ?R? COMO HERRAMIENTA PARA ANÁLISIS DE DATOS COMPLEJOS. 2023.
    [ Google | Google Scholar ]
  5. GARAY, A. W. M. Bayesian analysis of linear regression models with autoregressive symmetrical errors and incomplete data. 2023.
    [ Google | Google Scholar ]
  6. GARAY, A. W. M. The statistic: An important tool to dataset analysis. 2023.
    [ Google | Google Scholar ]
  7. MENDES, A. M. F. . 2023.
    [ Google | Google Scholar ]
  8. MENDES, A. M. F. . 2023.
    [ Google | Google Scholar ]
  9. MENDES, A. M. F. Generalized Mixed Poisson regression models for overdispersed count data. 2023.
    [ Google | Google Scholar ]
  10. ZELLER, C. B. Misturas finitas de especialistas de regressão para dados censurados, assimétricos e com caudas pesadas. 2023.
    [ Google | Google Scholar ]
  11. ZELLER, C. B. II Reunião Mineira de Matemática. 2023.
    [ Google | Google Scholar ]
  12. Trucios Maza, C. C. Forecasting risk measures in high-dimensional portfolios with additive outliers. 2023.
    [ Google | Google Scholar ]
  13. Trucios Maza, C. C. Forecasting Value-at-Risk and Expected Shortfall in Large Panels: A Robust General Dynamic Factor Approach.. 2023.
    [ Google | Google Scholar ]
  14. Trucios Maza, C. C. Forecasting Value-at-Risk and Expected Shortfall in Large Portfolios. 2023.
    [ Google | Google Scholar ]
  15. Trucios Maza, C. C. Forecasting risk measures in high-dimensional portfolios. 2023.
    [ Google | Google Scholar ]
  16. NOGAROTTO, D. C. . 2023.
    [ Google | Google Scholar ]
  17. MATTA, D. H. Modelo funcional espaço-temporal para dados com estrutura de blocos com medidas repetidas: uma abordagem bayesiana. 2023.
    [ Google | Google Scholar ]
  18. VIOLA, M. L. L. Aplicação dos Procedimentos de Bolferroni e de Holm para a Comparação das Curvas de Flexão-Extensão das Pernas Esquerda e Direita. 2023.
    [ Google | Google Scholar ]
  19. SARAIVA, Marley A. Programa de Iniciação Científica, Tecnológica e em Inovação. 2023.
    [ Google | Google Scholar ]
  20. SARAIVA, Marley A. . 2023.
    [ Google | Google Scholar ]
  21. BIANCHI, M. C. C. Mistura Markoviana Oculta: detecção de pontos de mudanças em séries temporais irregulares.. 2023.
    [ Google | Google Scholar ]
  22. BIANCHI, M. C. C. . 2023.
    [ Google | Google Scholar ]
  23. MAIA, R. P. ?A inovação em tratamento de dados pessoais.?. 2023.
    [ Google | Google Scholar ]
  24. MORAES, R. R. . 2023.
    [ Google | Google Scholar ]
  25. PEREIRA, S. R. S. Extensão Universitária e suas contribuições para superação das desigualdades e transformação social. 2023.
    [ Google | Google Scholar ]
  26. SOUZA, V. F. Detecting renewal states in chains of variable length via intrinsic Bayes factors. 2023.
    [ Google | Google Scholar ]
  27. SOUZA, V. F. O Processo de Machine Learning. 2023.
    [ Google | Google Scholar ]
  28. KIST, A. Coordenador de Sessão no XXXII EAIC. 2023.
    [ Google | Google Scholar ]
  29. SOUSA, A. R. S. . 2023.
    [ Google | Google Scholar ]
  30. SOUSA, A. R. S. A class of priors to perform asymmetric wavelet shrinkage. 2023.
    [ Google | Google Scholar ]
  31. SOUSA, A. R. S. A wavelet-based method in aggregated functional data analysis. 2023.
    [ Google | Google Scholar ]
  32. SOUSA, A. R. S. A wavelet-based method in aggregated functional data analysis. 2023.
    [ Google | Google Scholar ]
  33. VALK, Marcio Inferência estatística em agrupamento hierárquico. 2023.
    [ Google | Google Scholar ]

2022

  1. GARAY, A. W. M. BAYESIAN ANALYSIS OF LINEAR REGRESSION MODELS WITH AUTOREGRESSIVE SYMMETRICAL ERRORS AND INCOMPLETE DATA. 2022.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Membro da comissão do Premio ABE. 2022.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. Tópicos en Modelos de Regresión aplicados a estudios de HIV. 2022.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. Minicurso: TÓPICOS AVANZADOS EN MODELAMIENTO DE DATOS CON APLICACIONES EN R. 2022.
    [ Google | Google Scholar ]
  5. GARAY, A. W. M. Estudio y aplicación de los Modelos de Regresión Lineal Censurados, con distribuciones simétricas. 2022.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. Estimation in the multivariate linear regression models with skew scale mixtures of normal distributions. 2022.
    [ Google | Google Scholar ]
  7. ZELLER, C. B. . 2022.
    [ Google | Google Scholar ]
  8. Trucios Maza, C. C. Does portfolio resampling really improve out-of-sample performance? evidence from the Brazilian market.. 2022.
    [ Google | Google Scholar ]
  9. Trucios Maza, C. C. Risk Measures in Cryptocurrency Markets. 2022.
    [ Google | Google Scholar ]
  10. Trucios Maza, C. C. A Comparison of Methods for Forecasting Value-at-Risk and Expected Shortfall of Cryptocurrencies. 2022.
    [ Google | Google Scholar ]
  11. Trucios Maza, C. C. Forecasting Conditional Covariance Matrices in High- Dimentional Time Series: Implications for Portfolio Allocation. 2022.
    [ Google | Google Scholar ]
  12. Trucios Maza, C. C. Modelando series temporales financieras en alta dimensión. 2022.
    [ Google | Google Scholar ]
  13. Trucios Maza, C. C. Academia, mercado e otras cositas mas.. 2022.
    [ Google | Google Scholar ]
  14. SCHUMACHER, F. L. Censored autoregressive regression modeling using the R package ARCensReg. 2022.
    [ Google | Google Scholar ]
  15. SCHUMACHER, F. L. Censored autoregressive regression models with Student-t innovations. 2022.
    [ Google | Google Scholar ]
  16. SCHUMACHER, F. L. Tutorial: Modeling Longitudinal Data using Robust Mixed Models in R. 2022.
    [ Google | Google Scholar ]
  17. LUDWIG, G. Organização da Sessão: Estatística e Aprendizado de Máquinas. 2022.
    [ Google | Google Scholar ]
  18. LUDWIG, G. Minicurso MC2: Modelos geoestatísticos para fenômenos espaço-temporais. 2022.
    [ Google | Google Scholar ]
  19. LUDWIG, G. Bayesian Estimation and Variable Selection for Spatial Count Data with an Application to Rio de Janeiro Gun Violence. 2022.
    [ Google | Google Scholar ]
  20. CUASTUMAL, J. A. O. Penalized Complexity priors for the skewness parameter of power links. 2022.
    [ Google | Google Scholar ]
  21. SANTOS, J. R. S. Bayesian longitudinal item response modeling with multivariate asymmetric serial dependencies. 2022.
    [ Google | Google Scholar ]
  22. MATOS, L. A. Estatística e Aprendizado de Máquinas. 2022.
    [ Google | Google Scholar ]
  23. MATOS, L. A. Tutorial: Modeling Longitudinal Data using Robust Mixed Models in R. 2022.
    [ Google | Google Scholar ]
  24. MATOS, L. A. Extending multivariate Student's-t semiparametric mixed models for longitudinal data with censored responses and heavy tails. 2022.
    [ Google | Google Scholar ]
  25. VIOLA, M. L. L. Using VLMC model and Boosting to classify. 2022.
    [ Google | Google Scholar ]
  26. VIOLA, M. L. L. Comparing rhythmic properties of written texts of brazilian and european portuguese. 2022.
    [ Google | Google Scholar ]
  27. VIOLA, M. L. L. Explorando a pandemia de covid-19 no ensino de conceitos estatísticos e no uso de aprendizagem baseada em equipes. 2022.
    [ Google | Google Scholar ]
  28. VIOLA, M. L. L. Using Markovian Structure of Interaction for computational discrimination of languages. 2022.
    [ Google | Google Scholar ]
  29. MAIA, R. P. Modelo de regressão logística bivariado para estimar as chances de um candidato ao curso de Medicina ingressar em primeira chamada na Unicamp. 2022.
    [ Google | Google Scholar ]
  30. MAIA, R. P. Fórum Dez anos da Lei Federal de Cotas: história, dilemas e resultados - Sessão 2. Dados de ingresso. 2022.
    [ Google | Google Scholar ]
  31. AZEVEDO, S. H. A. . 2022.
    [ Google | Google Scholar ]
  32. AZEVEDO, S. H. A. ?Modelagem de séries temporais macroeconômicas com vetores autorregressivos aumentados com fator e transição suave. 2022.
    [ Google | Google Scholar ]
  33. PEREIRA, S. R. S. DESIGUALDADES RACIAIS NA MORTALIDADE DE CRIANÇAS DE 1 À 59 MESES NO BRASIL E SEUS FATORES DE RISCO: UMA ANÁLISE DE MAIS DE 13 MILHÕES DE NASCIDOS VIVOS.. 2022.
    [ Google | Google Scholar ]
  34. PEREIRA, S. R. S. REPRESENTATIVIDADE FEMININA NAS UNIVERSIDADES PÚBLICAS DA REGIÃO NORDESTE: UMA ANÁLISE DO ACESSO E PERMANÊNCIA DE MULHERES NEGRAS NOS CURSOS DE ENG. 2022.
    [ Google | Google Scholar ]
  35. KIST, A. Banca Examinadora dos Trabalhos Submetidos. 2022.
    [ Google | Google Scholar ]
  36. KIST, A. Avaliador de resumos submetidos no XXXI EAIC. 2022.
    [ Google | Google Scholar ]
  37. SOUSA, A. R. S. Kurtosis control in wavelet shrinkage with generalized secant hyperbolic prior. 2022.
    [ Google | Google Scholar ]
  38. SOUSA, A. R. S. Wavelet Shrinkage em Regressão Não Paramétrica. 2022.
    [ Google | Google Scholar ]
  39. VALK, Marcio Inferência estatística em agrupamento hierárquico. 2022.
    [ Google | Google Scholar ]

2021

  1. GARAY, A. W. M. . 2021.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. First order integer valued AR processes with zero inflated innovations. 2021.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. Tópicos en Modelos de Regresión aplicados a estudios de HIV. 2021.
    [ Google | Google Scholar ]
  4. ZELLER, C. B. Modelos de regressão linear uni e multivariados para dados com caudas pesadas, simétricos ou assimétricos. 2021.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. Misturas Finitas de Distribuições. 2021.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. Sessão de Probabilidade e Estatística. 2021.
    [ Google | Google Scholar ]
  7. Trucios Maza, C. C. Forecasting Value-at-Risk and Expected Shortfall in Large Portfolios: a General Dynamic Factor Model Approach. 2021.
    [ Google | Google Scholar ]
  8. Trucios Maza, C. C. Forecasting Conditional Covariance Matrices in High-Dimensional Time Series: a General Dynamic Factor Approach. 2021.
    [ Google | Google Scholar ]
  9. Trucios Maza, C. C. Forecasting Value-at-Risk and Expected Shortfall in Large Portfolios: a General Dynamic Factor Model Approach. 2021.
    [ Google | Google Scholar ]
  10. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  11. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  12. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  13. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  14. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  15. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  16. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  17. MORALES, C. E. G. . 2021.
    [ Google | Google Scholar ]
  18. SCHUMACHER, F. L. Scale mixture of skew-normal linear mixed models with within-subject serial dependence. 2021.
    [ Google | Google Scholar ]
  19. SCHUMACHER, F. L. skewlmm: An R package for robust estimation of linear mixed models based on scale mixture of skew-normal distributions. 2021.
    [ Google | Google Scholar ]
  20. SCHUMACHER, F. L. skewlmm: An R package for robust estimation of linear mixed models based on scale mixture of skew-normal distributions. 2021.
    [ Google | Google Scholar ]
  21. SCHUMACHER, F. L. Scale mixture of skew-normal linear mixed models with within-subject serial dependence. 2021.
    [ Google | Google Scholar ]
  22. SCHUMACHER, F. L. Canonical Fundamental Skew-t Linear Mixed Models. 2021.
    [ Google | Google Scholar ]
  23. SCHUMACHER, F. L. Scale mixture of skew-normal linear mixed models with within-subject serial dependence. 2021.
    [ Google | Google Scholar ]
  24. VIOLA, M. L. L. Measuring complexity in data associated with COVID-19. 2021.
    [ Google | Google Scholar ]
  25. VIOLA, M. L. L. Markovian Structure of Interaction for Three Indicators of Linguistic Rhythm. 2021.
    [ Google | Google Scholar ]
  26. VIOLA, M. L. L. . 2021.
    [ Google | Google Scholar ]
  27. VIOLA, M. L. L. . 2021.
    [ Google | Google Scholar ]
  28. MAIA, R. P. . 2021.
    [ Google | Google Scholar ]
  29. MAIA, R. P. . 2021.
    [ Google | Google Scholar ]
  30. AZEVEDO, S. H. A. . 2021.
    [ Google | Google Scholar ]
  31. AZEVEDO, S. H. A. . 2021.
    [ Google | Google Scholar ]
  32. AZEVEDO, S. H. A. . 2021.
    [ Google | Google Scholar ]
  33. PEREIRA, S. R. S. Mortalidade de crianças de 28 dias e 59 meses atribuída à desigualdade social no Brasil.. 2021.
    [ Google | Google Scholar ]
  34. PEREIRA, S. R. S. A PARTICIPAÇÃO DA MULHER NEGRA NOS CURSOS DAS ÁREAS DA CIÊNCIA E TECNOLOGIA DA UNIVERSIDADE ESTADUAL DE FEIRA DE SANTANA: UMA ANÁLISE DOS DADOS DO ENADE. 2021.
    [ Google | Google Scholar ]
  35. PEREIRA, S. R. S. ANÁLISE DO PERFIL DOS ESTUDANTES INDÍGENAS DO BRASIL NO EXAME NACIONAL DE DESEMPENHO DOS ESTUDANTES. 2021.
    [ Google | Google Scholar ]
  36. ALCÂNTARA, A. P. . 2021.
    [ Google | Google Scholar ]
  37. KIST, A. Coordenador de Sessão no XXX EAIC. 2021.
    [ Google | Google Scholar ]
  38. SOUSA, A. R. S. Bayesian Wavelet Shrinkage with Logistic Prior. 2021.
    [ Google | Google Scholar ]
  39. SOUSA, A. R. S. Model selection criteria for regression models with splines and the automatic localization of knots. 2021.
    [ Google | Google Scholar ]
  40. SOUSA, A. R. S. Asymmetric Prior in Wavelet Shrinkage. 2021.
    [ Google | Google Scholar ]
  41. SOUSA, A. R. S. Asymmetric prior in wavelet shrinkage. 2021.
    [ Google | Google Scholar ]
  42. SOUSA, A. R. S. Asymmetric prior in wavelet shrinkage. 2021.
    [ Google | Google Scholar ]
  43. SOUSA, A. R. S. . 2021.
    [ Google | Google Scholar ]
  44. SOUSA, A. R. S. . 2021.
    [ Google | Google Scholar ]
  45. SOUSA, A. R. S. O instrumento de avaliação institucional da UNIFACCAMP, suas relações com o SINAES e seu tratamento estatístico. 2021.
    [ Google | Google Scholar ]
  46. OLIVEIRA, H. M. . 2021.
    [ Google | Google Scholar ]
  47. OLIVEIRA, H. M. . 2021.
    [ Google | Google Scholar ]
  48. OLIVEIRA, H. M. . 2021.
    [ Google | Google Scholar ]
  49. OLIVEIRA, H. M. . 2021.
    [ Google | Google Scholar ]

2020

  1. GARAY, A. W. M. Mixed-effects models for censored data with autoregressive errors. 2020.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. MESA REDONDA: ?Importancia de la Investigación en Alimentos, Salud y Nutrición para el Desarrollo Sostenible?. 2020.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. Bayesian analysis of the p-order integer valued AR process with zero-inflated Poisson innovations. 2020.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. First order interger valued AR processes with zero inflated innovations. 2020.
    [ Google | Google Scholar ]
  5. GARAY, A. W. M. ?Bayesian analysis of the p-order integer valued AR process with zero-inflated Poisson innovations. 2020.
    [ Google | Google Scholar ]
  6. CUYABANO, B. C. D. How Genomic Relationships Impact the Prediction Accuracy of Breeding Values. 2020.
    [ Google | Google Scholar ]
  7. ZELLER, C. B. . 2020.
    [ Google | Google Scholar ]
  8. ZELLER, C. B. . 2020.
    [ Google | Google Scholar ]
  9. ZELLER, C. B. Modelo de Regressão Linear Assimétrico com Aplicação. 2020.
    [ Google | Google Scholar ]
  10. Trucios Maza, C. C. Forecasting risk measures in cryptocurrency data. 2020.
    [ Google | Google Scholar ]
  11. Trucios Maza, C. C. orecasting Conditional Covariance Matrices in High-Dimensional Time Series: a General Dynamic Factor Approach. 2020.
    [ Google | Google Scholar ]
  12. Trucios Maza, C. C. Robustness and the general dynamic factor model with infinite-dimensional space: identification, estimation, and forecasting. 2020.
    [ Google | Google Scholar ]
  13. Trucios Maza, C. C. Estatística aplicada ao mercado financeiro. 2020.
    [ Google | Google Scholar ]
  14. MORALES, C. E. G. . 2020.
    [ Google | Google Scholar ]
  15. MORALES, C. E. G. . 2020.
    [ Google | Google Scholar ]
  16. MORALES, C. E. G. . 2020.
    [ Google | Google Scholar ]
  17. NOGAROTTO, D. C. . 2020.
    [ Google | Google Scholar ]
  18. SCHUMACHER, F. L. Robust estimation in linear mixed models using the R package skewlmm. 2020.
    [ Google | Google Scholar ]
  19. LUDWIG, G. Scalable modeling of nonstationary covariance functions with regularized B-spline deformations. 2020.
    [ Google | Google Scholar ]
  20. TASCA, G. H. . 2020.
    [ Google | Google Scholar ]
  21. CUASTUMAL, J. A. O. Objective Bayesian analysis for spatial Student-t regression models. 2020.
    [ Google | Google Scholar ]
  22. MATOS, L. A. A semiparametric mixed-effects model for censored longitudinal data. 2020.
    [ Google | Google Scholar ]
  23. VIOLA, M. L. L. Conditional Independence between Markov Random Fields. 2020.
    [ Google | Google Scholar ]
  24. VIOLA, M. L. L. Using Variable Length Markov Chain in Statistical Classification of Languages. 2020.
    [ Google | Google Scholar ]
  25. VIOLA, M. L. L. Measuring Complexity in Epidemic Dengue Periods. 2020.
    [ Google | Google Scholar ]
  26. MAIA, R. P. . 2020.
    [ Google | Google Scholar ]
  27. MAIA, R. P. . 2020.
    [ Google | Google Scholar ]
  28. MAIA, R. P. . 2020.
    [ Google | Google Scholar ]
  29. MAIA, R. P. . 2020.
    [ Google | Google Scholar ]
  30. MAIA, R. P. . 2020.
    [ Google | Google Scholar ]
  31. LAMBERT, R. Matching strings in encoded sequences - the symbolic case. 2020.
    [ Google | Google Scholar ]
  32. LAMBERT, R. Matching encoded sequences. 2020.
    [ Google | Google Scholar ]
  33. AZEVEDO, S. H. A. . 2020.
    [ Google | Google Scholar ]
  34. PEREIRA, S. R. S. . 2020.
    [ Google | Google Scholar ]
  35. PEREIRA, S. R. S. . 2020.
    [ Google | Google Scholar ]
  36. PEREIRA, S. R. S. O lugar da mulher negra na ciência e tecnologia.. 2020.
    [ Google | Google Scholar ]
  37. SOUZA, V. F. Bayesian selection of variable length Markov chain models via reversible jump. 2020.
    [ Google | Google Scholar ]
  38. ALCÂNTARA, A. P. . 2020.
    [ Google | Google Scholar ]
  39. ALCÂNTARA, A. P. . 2020.
    [ Google | Google Scholar ]
  40. KIST, A. Coordenador de Sessão no XXIX EAIC. 2020.
    [ Google | Google Scholar ]
  41. SOUSA, A. R. S. Model selection criteria for regression models with splines and the automatic localization of knots. 2020.
    [ Google | Google Scholar ]
  42. SOUSA, A. R. S. Bayesian Wavelet Shrinkage with Beta Priors. 2020.
    [ Google | Google Scholar ]
  43. SOUSA, A. R. S. Selección de modelos en regresión por splines y localización automática de nudos.. 2020.
    [ Google | Google Scholar ]
  44. SOUSA, A. R. S. . 2020.
    [ Google | Google Scholar ]
  45. CAMARGO, D. . 2020.
    [ Google | Google Scholar ]
  46. OLIVEIRA, H. M. . 2020.
    [ Google | Google Scholar ]
  47. Moreira, L. Modelagem Estatística de Filas de Transplantes de Órgãos no SUS. 2020.
    [ Google | Google Scholar ]

2019

  1. ZELLER, C. B. Análise de Ponto de Mudança com Erros Simétricos Autoregressivos/Etapa 2. 2019.
    [ Google | Google Scholar ]
  2. ZELLER, C. B. Teste para um Ponto de Mudança em Modelo de Regressão Linear Normal. 2019.
    [ Google | Google Scholar ]
  3. ZELLER, C. B. Validação Cruzada Ponderada em Seleção de Modelo de Regressão Robusto com Ponto de Mudança para Previsão de Audiências de Televisão. 2019.
    [ Google | Google Scholar ]
  4. ZELLER, C. B. Misturas Finitas de Distribuições. 2019.
    [ Google | Google Scholar ]
  5. Trucios Maza, C. C. A general dynamic factor approach to forecast conditional covariance matrices in high- dimensional data. 2019.
    [ Google | Google Scholar ]
  6. SCHUMACHER, F. L. Influence Diagnostics for Censored Regression Models with Autoregressive Errors. 2019.
    [ Google | Google Scholar ]
  7. SCHUMACHER, F. L. Autoregressive scale mixture of skew-normal linear mixed models. 2019.
    [ Google | Google Scholar ]
  8. SCHUMACHER, F. L. . 2019.
    [ Google | Google Scholar ]
  9. LUDWIG, G. Scalable modeling of nonstationary covariance functions with regularized B-spline deformations. 2019.
    [ Google | Google Scholar ]
  10. CUASTUMAL, J. A. O. Objective Bayesian analysis for spatial Student-t regression models. 2019.
    [ Google | Google Scholar ]
  11. MATOS, L. A. Estimation and diagnostics for partially linear censored regression models based on heavy-tailed distributions. 2019.
    [ Google | Google Scholar ]
  12. MATOS, L. A. Estimation for partially linear censored regression models based on heavy tailed distributions. 2019.
    [ Google | Google Scholar ]
  13. MATOS, L. A. Longitudinal Models for Multiple Censored Responses Data. 2019.
    [ Google | Google Scholar ]
  14. MATOS, L. A. Flexible longitudinal linear mixed models for multiple censored responses data. 2019.
    [ Google | Google Scholar ]
  15. VELASCO, L. L. H. Mixed Effects State-Space Models with Student-t errors. 2019.
    [ Google | Google Scholar ]
  16. VIOLA, M. L. L. Using the Birmbaun-Saunders distribution to model service time in fast queueing system. 2019.
    [ Google | Google Scholar ]
  17. VIOLA, M. L. L. Construção de um indicador para avaliar as condições didático-pedagógicas dos docentes nos cursos de graduação da UFSCar. 2019.
    [ Google | Google Scholar ]
  18. Estrada, Mario Andrés Convergencia de la trayectoria de paseos aleatorios en el grafo completo. 2019.
    [ Google | Google Scholar ]
  19. Estrada, Mario Andrés Duração da epidemia para o modelo SI. 2019.
    [ Google | Google Scholar ]
  20. Estrada, Mario Andrés Absorption time for the die and jump model with one particle. 2019.
    [ Google | Google Scholar ]
  21. MAIA, R. P. A discrete competing risks mixed model with masked causes: a cow longevity study. 2019.
    [ Google | Google Scholar ]
  22. LAMBERT, R. . 2019.
    [ Google | Google Scholar ]
  23. SOUZA, V. F. Avaliador. 2019.
    [ Google | Google Scholar ]
  24. SOUZA, V. F. Métodos MCMC em Campos Aleatórios de Markov e aplicações a dados de imagens. 2019.
    [ Google | Google Scholar ]
  25. SOUSA, A. R. S. . 2019.
    [ Google | Google Scholar ]
  26. SOUSA, A. R. S. . 2019.
    [ Google | Google Scholar ]
  27. CAMARGO, D. . 2019.
    [ Google | Google Scholar ]
  28. Moreira, L. Aplicações de Cadeias de Ordem Variável. 2019.
    [ Google | Google Scholar ]
  29. CARVALHO, Walter Augusto Fonseca de Dia Nacional da Abelha. 2019.
    [ Google | Google Scholar ]
  30. CARVALHO, Walter Augusto Fonseca de UNASP - Rumo à Excelência: Enfoque Missional, Profissional e Regulatório. 2019.
    [ Google | Google Scholar ]
  31. CARVALHO, Walter Augusto Fonseca de USO DA LEMNA EM AQUAPONIA: TILÁPIA NILÓTICA, QUALIDADE DA ÁGUA E ALFACE HIDROPÔNICA. 2019.
    [ Google | Google Scholar ]

2018

  1. ZAMBOM, A. Z. Hypothesis Testing Sure Independence Screening for Nonparametric Regression. 2018.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Frequentist and Bayesian approach for the Zero-inflated Negative Binomial Regression Model. 2018.
    [ Google | Google Scholar ]
  3. MONZÓN, A. G. M. Modelos de regressão com erros de medida e dados censurados considerando a distribuição t-Student. 2018.
    [ Google | Google Scholar ]
  4. CUYABANO, B. C. D. Evaluating Potential Bias of REML Estimators of Heritability. 2018.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. ESTIMAÇAO VIA EM E DIAGNOSTICO EM MODELOS MISTURAS ASSIMETRICAS COM REGRESSAO. 2018.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. . 2018.
    [ Google | Google Scholar ]
  7. Trucios Maza, C. C. Forecasting conditional covariance matrices in high-dimensional data using the general dynamic factor model. 2018.
    [ Google | Google Scholar ]
  8. Trucios Maza, C. C. Robust principal volatility components. 2018.
    [ Google | Google Scholar ]
  9. Trucios Maza, C. C. Principal volatility components: A robust approach. 2018.
    [ Google | Google Scholar ]
  10. BORGES, C. A. V. . 2018.
    [ Google | Google Scholar ]
  11. BORGES, C. A. V. . 2018.
    [ Google | Google Scholar ]
  12. NOGAROTTO, D. C. Avaliação espacial e temporal da contribuição do MP10 em Piracicaba usando análises multivariadas. 2018.
    [ Google | Google Scholar ]
  13. BERNARDINI, D. F. On uniform closeness of local times of Markov chains and i.i.d. sequences. 2018.
    [ Google | Google Scholar ]
  14. SCHUMACHER, F. L. Censored regression models with autoregressive errors. 2018.
    [ Google | Google Scholar ]
  15. LUDWIG, G. Interacting cluster point process model for epidermal nerve fibers. 2018.
    [ Google | Google Scholar ]
  16. LUDWIG, G. Interacting cluster point process model for epidermal nerve bers. 2018.
    [ Google | Google Scholar ]
  17. LUDWIG, G. A spline-based approach to spatial confounding in spatial linear regression methods for geostatistical data. 2018.
    [ Google | Google Scholar ]
  18. MATOS, L. A. Estimation and diagnostics in multivariate models for censored data. 2018.
    [ Google | Google Scholar ]
  19. VELASCO, L. L. H. Bayesian Inference in a copula-based framework for stochastic volatility models with leverage eect and heavy-tail using MCMC methods. 2018.
    [ Google | Google Scholar ]
  20. COSTA, M. Cooperative Models of Stochastic Growth. 2018.
    [ Google | Google Scholar ]
  21. VIOLA, M. L. L. Using Markov Chain in Data Science. 2018.
    [ Google | Google Scholar ]
  22. VIOLA, M. L. L. . 2018.
    [ Google | Google Scholar ]
  23. MAIA, R. P. ?INDICADORES DE DESEMPENHO DOS ALUNOS REINCIDENTES NAS DISCIPLINAS DE EXATAS DO CURSO SEMIPRESENCIAL DE LICENCIATURA EM CIÊNCIAS. 2018.
    [ Google | Google Scholar ]
  24. MAIA, R. P. A BIVARIATE DISCRETE SURVIVAL MIXED MODEL TO EVALUATE PERFORMANCE OF STUDENTS IN CALCULUS I AND LINEAR ALGEBRA. 2018.
    [ Google | Google Scholar ]
  25. LAMBERT, R. . 2018.
    [ Google | Google Scholar ]
  26. LAMBERT, R. . 2018.
    [ Google | Google Scholar ]
  27. LAMBERT, R. The diffusion of opposite oppinions in a randon-trend environment. 2018.
    [ Google | Google Scholar ]
  28. SOUZA, V. F. Modeling Textile Images with Markov Random Fields. 2018.
    [ Google | Google Scholar ]
  29. SOUZA, V. F. Segmentação de Imagens com Campos Aleatórios Markovianos Ocultos. 2018.
    [ Google | Google Scholar ]
  30. KIST, A. PROFMAT na UEPG: perspectiva, atuação e reflexão sobre a formação profissional da área de Matemática.. 2018.
    [ Google | Google Scholar ]
  31. KIST, A. Coordenador de Sessão no XXVII EAIC. 2018.
    [ Google | Google Scholar ]
  32. SOUSA, A. R. S. . 2018.
    [ Google | Google Scholar ]
  33. CAMARGO, D. . 2018.
    [ Google | Google Scholar ]
  34. OLIVEIRA, H. M. Análise da qualidade da água por meio da Regressão Logística Multinomial. XXXVIII Congresso Nacional de Matemática Aplicada e Computacional (CNMAC), Campinas, SP. 2018.
    [ Google | Google Scholar ]
  35. OLIVEIRA, H. M. Otimização de delineamentos em blocos. 2018.
    [ Google | Google Scholar ]
  36. OLIVEIRA, H. M. . 2018.
    [ Google | Google Scholar ]
  37. COLLAZOS, J. A. A. Functional Data Clustering via Hypothesis Testing K-means. 2018.
    [ Google | Google Scholar ]
  38. COLLAZOS, J. A. A. A bayesian approach to semiparametric count data models applied to university dropout. 2018.
    [ Google | Google Scholar ]
  39. COLLAZOS, J. A. A. A bayesian approach to semiparametric count data models applied to univesity dropout. 2018.
    [ Google | Google Scholar ]
  40. Moreira, L. Stochastically perturbed chains of variable memory. 2018.
    [ Google | Google Scholar ]
  41. Moreira, L. Modelagem de dados pluviométricos por meio de cadeias de ordem variável. 2018.
    [ Google | Google Scholar ]
  42. Moreira, L. Avaliador. 2018.
    [ Google | Google Scholar ]
  43. CARVALHO, Walter Augusto Fonseca de Perfil de Coordenação np Contexto da 4a. Revolução. 2018.
    [ Google | Google Scholar ]
  44. CARVALHO, Walter Augusto Fonseca de Perfil de Coordenação no Contexto da 4a. Revolução. 2018.
    [ Google | Google Scholar ]

2017

  1. ZAMBOM, A. Z. . 2017.
    [ Google | Google Scholar ]
  2. ZAMBOM, A. Z. . 2017.
    [ Google | Google Scholar ]
  3. ZAMBOM, A. Z. A Comparative Study of Additive and Nonparametric Regression Estimators and Variable Selection Procedures. 2017.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. Modelos de Regresión desde una perspectiva Clásica y Bayesiana. 2017.
    [ Google | Google Scholar ]
  5. GARAY, A. W. M. Censored Linear Regression Models for irregularly observed longitudinal data using the multivariate-t distribution. 2017.
    [ Google | Google Scholar ]
  6. CUYABANO, B. C. D. Understanding the Bias of REML estimators of Heritability When Using Genomic Models. 2017.
    [ Google | Google Scholar ]
  7. CUYABANO, B. C. D. Identifying Potential Bias of Heritability Estimates. 2017.
    [ Google | Google Scholar ]
  8. ZELLER, C. B. Case-deletion Diagnostics for Linear Mixed Models Using Skew-Normal/Independent Distributions. 2017.
    [ Google | Google Scholar ]
  9. ZELLER, C. B. Partially linear models and their applications to change point detection of chemical process data. 2017.
    [ Google | Google Scholar ]
  10. Trucios Maza, C. C. On the robustness of the principal volatility components. 2017.
    [ Google | Google Scholar ]
  11. Trucios Maza, C. C. Forecasting large dimensional (co)volatilities in the presence of outliers. 2017.
    [ Google | Google Scholar ]
  12. Trucios Maza, C. C. Forecasting conditional covariance matrix via principal volatility components in the presence of additive outliers. 2017.
    [ Google | Google Scholar ]
  13. NOGAROTTO, D. C. Bayesian estimation, residual analysis and prior sensitivity study for zero-one augmented beta regression model with an application to psychometric data. 2017.
    [ Google | Google Scholar ]
  14. NOGAROTTO, D. C. Estudo da Contribuição regional nos níveis do Material Particulado em São José dos Campos usando Análise de Regressão de Trajetória. 2017.
    [ Google | Google Scholar ]
  15. FERREIRA, E. V. Ensino da Estatística para demandas futuras. 2017.
    [ Google | Google Scholar ]
  16. FERREIRA, E. V. . 2017.
    [ Google | Google Scholar ]
  17. SCHUMACHER, F. L. . 2017.
    [ Google | Google Scholar ]
  18. LUDWIG, G. A spline-based approach to spatial confounding in spatial linear regression methods for geostatistical data. 2017.
    [ Google | Google Scholar ]
  19. LUDWIG, G. Efficient Estimation in Gibbs Point Process Regression. 2017.
    [ Google | Google Scholar ]
  20. LUDWIG, G. Estimação eficiente de coeficientes de regressão para processos pontuais. 2017.
    [ Google | Google Scholar ]
  21. CUASTUMAL, J. A. O. . 2017.
    [ Google | Google Scholar ]
  22. GOMES, J. C. B. REML in nonlinear mixed-effects models with heavy-tailed distributions. 2017.
    [ Google | Google Scholar ]
  23. GOMES, J. C. B. Estimador de máxima verossimilhança restrita em modelos não-lineares com efeitos mistos. 2017.
    [ Google | Google Scholar ]
  24. GOMES, J. C. B. . 2017.
    [ Google | Google Scholar ]
  25. GOMES, J. C. B. . 2017.
    [ Google | Google Scholar ]
  26. MATOS, L. A. Heavy-Tailed Longitudinal Linear Mixed Models for Multiple Censored Responses Data. 2017.
    [ Google | Google Scholar ]
  27. MATOS, L. A. Heavy-tailed longitudinal regression models for censored data: A likelihood based perspective. 2017.
    [ Google | Google Scholar ]
  28. COSTA, M. . 2017.
    [ Google | Google Scholar ]
  29. COSTA, M. Stochastic processes with reinforcement. 2017.
    [ Google | Google Scholar ]
  30. COSTA, M. A model for a stochastic growth process with interactions. 2017.
    [ Google | Google Scholar ]
  31. COSTA, M. . 2017.
    [ Google | Google Scholar ]
  32. COSTA, M. Asymptotic shape of a non-homogeneous growth process with interaction. 2017.
    [ Google | Google Scholar ]
  33. BIANCHI, M. C. C. participante. 2017.
    [ Google | Google Scholar ]
  34. MAIA, R. P. Modelos não-lineares mistos aplicados ao ajuste de curvas de produção de ovos de aves poedeiras.. 2017.
    [ Google | Google Scholar ]
  35. MAIA, R. P. Modelos não lineares mistos aplicados ao ajuste de curvas de produção de ovos. 2017.
    [ Google | Google Scholar ]
  36. LAMBERT, R. The divergence between two measures in product spaces. 2017.
    [ Google | Google Scholar ]
  37. LAMBERT, R. Sequências de Bernoulli com propriedade de lapso de memória. 2017.
    [ Google | Google Scholar ]
  38. REIS, S. S. Abordagem do Escore de Propensão para Avaliação de Impacto. 2017.
    [ Google | Google Scholar ]
  39. KIST, A. Coordenador de Sessão no XXVI EAIC. 2017.
    [ Google | Google Scholar ]
  40. CAMARGO, D. The Meteor Process Stationary Distribution. 2017.
    [ Google | Google Scholar ]
  41. CAMARGO, D. . 2017.
    [ Google | Google Scholar ]
  42. OLIVEIRA, H. M. . 2017.
    [ Google | Google Scholar ]
  43. COLLAZOS, J. A. A. Bayesian analysis for semiparametric count data models applied to the university dropout. 2017.
    [ Google | Google Scholar ]
  44. COLLAZOS, J. A. A. Curso de Introducción al Análisis de Datos Funcionales. 2017.
    [ Google | Google Scholar ]
  45. Moreira, L. Avaliador. 2017.
    [ Google | Google Scholar ]

2016

  1. GARAY, A. W. M. Tópicos Avançados em Modelos de Regressão. 2016.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Inferência Clássica para Modelos de Regressão Linear Censurados Assimétricos. 2016.
    [ Google | Google Scholar ]
  3. CUYABANO, B. C. D. Consequences of Model Misspecification on REML Estimates of Heritability Using Genomic Models. 2016.
    [ Google | Google Scholar ]
  4. CUYABANO, B. C. D. A Study on the Properties of Heritability Estimators. 2016.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. Modelling extreme percentiles in bivariate Birnbaum-Saunders distributions: EM-estimation. 2016.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. Finite Mixture of Regression Models for Censored Data based on Scale Mixtures of Normal Distributions. 2016.
    [ Google | Google Scholar ]
  7. Trucios Maza, C. C. Nuevas herramientas para la enseñanza de metodologías cuantitativas de análisis de datos.. 2016.
    [ Google | Google Scholar ]
  8. Trucios Maza, C. C. Measuring the effect of uncertainty in the estimation of the conditional covariance matrix in portfolio selection and risk measures.. 2016.
    [ Google | Google Scholar ]
  9. Trucios Maza, C. C. Forecasting densities of returns, volatilities, correlations and VaR in cDCC models using bootstrap procedures in the presence of outliers. 2016.
    [ Google | Google Scholar ]
  10. Trucios Maza, C. C. Measuring the effect of uncertainty in the forecast of the conditional covariance matrix in portfolio selection and risk measures. 2016.
    [ Google | Google Scholar ]
  11. BORGES, C. A. V. Combinação de métodos concorrentes para classificação de bovinos leiteiros quanto à resistência a nematoides. 2016.
    [ Google | Google Scholar ]
  12. ALMEIDA, D. MGARCH models: Trade-off between feasibility and flexibility. 2016.
    [ Google | Google Scholar ]
  13. SCHUMACHER, F. L. . 2016.
    [ Google | Google Scholar ]
  14. LUDWIG, G. Fusão de dados de sensores móveis e estáticos com aplicações em mapeamento de risco no ambiente de trabalho. 2016.
    [ Google | Google Scholar ]
  15. GOMES, J. C. B. . 2016.
    [ Google | Google Scholar ]
  16. GOMES, J. C. B. . 2016.
    [ Google | Google Scholar ]
  17. SANTOS, J. R. S. Modelos Longitudinais da Teoria da Resposta ao Item: uma aplicação em avaliação educacional. 2016.
    [ Google | Google Scholar ]
  18. MATOS, L. A. Heavy-Tailed Longitudinal Linear Mixed Models for Multiple Censored Responses Data. 2016.
    [ Google | Google Scholar ]
  19. COSTA, M. . 2016.
    [ Google | Google Scholar ]
  20. COSTA, M. . 2016.
    [ Google | Google Scholar ]
  21. BIANCHI, M. C. C. participante. 2016.
    [ Google | Google Scholar ]
  22. BIANCHI, M. C. C. participante. 2016.
    [ Google | Google Scholar ]
  23. MAIA, R. P. A Discrete Mixed Competing Risk Model for Discrete Time with Masked Causes. 2016.
    [ Google | Google Scholar ]
  24. MAIA, R. P. Variance Component Estimation on Discrete-time Competing Risks analysis with Masked Causes. 2016.
    [ Google | Google Scholar ]
  25. MAIA, R. P. Discrete time competing risks analysis with mas- ked causes. 2016.
    [ Google | Google Scholar ]
  26. R.P. MAEHARA Birnbaum-Saunders SN com aplicações em R. 2016.
    [ Google | Google Scholar ]
  27. LAMBERT, R. Some results and properties for the shortest path function. 2016.
    [ Google | Google Scholar ]
  28. PEREIRA, S. R. S. Análises com desfechos distais: efeitos latentes na performance do ENADE.. 2016.
    [ Google | Google Scholar ]
  29. OLIVEIRA, H. M. . 2016.
    [ Google | Google Scholar ]
  30. COLLAZOS, J. A. A. Clustering in Functional Data: A Survey. 2016.
    [ Google | Google Scholar ]
  31. MORELLATO, S. A. Modelagem estatística aplicada à apostas esportivas. 2016.
    [ Google | Google Scholar ]
  32. CARVALHO, Walter Augusto Fonseca de . 2016.
    [ Google | Google Scholar ]

2015

  1. GARAY, A. W. M. Análise de dados censurados sob distribuições simétricas com aplicações no R. 2015.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Censored Regression Models under Symmetrical Distributions. 2015.
    [ Google | Google Scholar ]
  3. LENZI, A. A Spatial Model for the Instantaneous Estimation of Wind Power at a Large Number of Unobserved Sites. 2015.
    [ Google | Google Scholar ]
  4. LENZI, A. A Spatial Model for the Instantaneous Estimation of Wind Power at a Large Number of Unobserved Sites. 2015.
    [ Google | Google Scholar ]
  5. CUYABANO, B. C. D. Model Misspecification and Heritability Estimation. 2015.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. Modelos de Regressão Mistura de Escala Normal com Ponto de Mudança: Aplicação a Audiências de Televisão. 2015.
    [ Google | Google Scholar ]
  7. ZELLER, C. B. Misturas Finitas de Distribuições Assimétricas. 2015.
    [ Google | Google Scholar ]
  8. ZELLER, C. B. Métodos Computacionais em Estatística. 2015.
    [ Google | Google Scholar ]
  9. Huaira Contreras, C. A. O analfabetismo funcional no Brasil: uma visão sobre os municípios. 2015.
    [ Google | Google Scholar ]
  10. Huaira Contreras, C. A. Modelos de Regressão Mistura de Escala Normal com Ponto de Mudança: Aplicação a Audiência de Televisão. 2015.
    [ Google | Google Scholar ]
  11. MERCEDES, C. E. V. Os Processos para Gestão de Dados e Disseminação de Informações em Ambiente de Computação Móvel na Capes. 2015.
    [ Google | Google Scholar ]
  12. MERCEDES, C. E. V. Uma arquitetura de processos para gerir e disseminar informações. 2015.
    [ Google | Google Scholar ]
  13. NOGAROTTO, D. C. Relação entre Material Particulado e variáveis meteorológicas em cidades paulistas. 2015.
    [ Google | Google Scholar ]
  14. NOGAROTTO, D. C. . 2015.
    [ Google | Google Scholar ]
  15. BERNARDINI, D. F. Some applications of Russo's formula for random interlacements. 2015.
    [ Google | Google Scholar ]
  16. FERREIRA, E. V. Inferência bayesiana em modelos assimétricos da Teoria da Resposta ao Item de grupos múltiplos para respostas nominais e ordinais. 2015.
    [ Google | Google Scholar ]
  17. FERREIRA, E. V. Avaliador de Trabalhos de Iniciacao Cientifica. 2015.
    [ Google | Google Scholar ]
  18. LUDWIG, G. On fixed effects estimation in spline-based models for spatial data. 2015.
    [ Google | Google Scholar ]
  19. GOMES, J. C. B. . 2015.
    [ Google | Google Scholar ]
  20. GOMES, J. C. B. . 2015.
    [ Google | Google Scholar ]
  21. GOMES, J. C. B. . 2015.
    [ Google | Google Scholar ]
  22. GOMES, J. C. B. . 2015.
    [ Google | Google Scholar ]
  23. COSTA, M. Explosion Criteria for Continuous-Time Markov Chains. 2015.
    [ Google | Google Scholar ]
  24. COSTA, M. . 2015.
    [ Google | Google Scholar ]
  25. COSTA, M. . 2015.
    [ Google | Google Scholar ]
  26. COSTA, M. . 2015.
    [ Google | Google Scholar ]
  27. COSTA, M. . 2015.
    [ Google | Google Scholar ]
  28. VIOLA, M. L. L. Copula-Based Analysis of Rhythm. 2015.
    [ Google | Google Scholar ]
  29. BIANCHI, M. C. C. Confidence Bands in Kendall Plots: application to the Linguistic field. 2015.
    [ Google | Google Scholar ]
  30. BIANCHI, M. C. C. participante. 2015.
    [ Google | Google Scholar ]
  31. MAIA, R. P. Variance component estimation on Competing risk analysis with masked causes and gaussian random components: A simulation study.. 2015.
    [ Google | Google Scholar ]
  32. MAIA, R. P. Competing risk analysis with masked causes of death applied to a genetic longevity study. 2015.
    [ Google | Google Scholar ]
  33. MAIA, R. P. A General Multivariate Competing Risks Mixed Model. 2015.
    [ Google | Google Scholar ]
  34. R.P. MAEHARA . 2015.
    [ Google | Google Scholar ]
  35. R.P. MAEHARA . 2015.
    [ Google | Google Scholar ]
  36. R.P. MAEHARA . 2015.
    [ Google | Google Scholar ]
  37. R.P. MAEHARA . 2015.
    [ Google | Google Scholar ]
  38. LAMBERT, R. On the shortest way between two cylinders. 2015.
    [ Google | Google Scholar ]
  39. SOTO, D. M. G. Modelos de regresión mixtos para proporciones, incluyendo ceros y/o unos. 2015.
    [ Google | Google Scholar ]
  40. SOTO, D. M. G. Augmented mixed models for clustered proportion data. 2015.
    [ Google | Google Scholar ]
  41. OLIVEIRA, H. M. Delineamentos ótimos baseados no critério I-otimalidade para experimentos em blocos de efeitos fixos. 2015.
    [ Google | Google Scholar ]
  42. OLIVEIRA, H. M. . 2015.
    [ Google | Google Scholar ]
  43. OLIVEIRA, H. M. Estudo da mortalidade por suicídio e malformações congênitas no RS e em SC e possíveis correlações com parâmetros sócioeconônicos. 2015.
    [ Google | Google Scholar ]
  44. COLLAZOS, J. A. A. Consistent Variable Selection in Functional Linear Regression Model. 2015.
    [ Google | Google Scholar ]
  45. COLLAZOS, J. A. A. Modelos Aditivos Generalizados Funcionais: método de estimação e predição para respostas binárias. 2015.
    [ Google | Google Scholar ]
  46. CARVALHO, Walter Augusto Fonseca de . 2015.
    [ Google | Google Scholar ]

2014

  1. ZAMBOM, A. Z. Nonparametric Lack-of-Fit Testing and Consistent Variable Selection. 2014.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Bayesian analysis of censored linear regression models with scale mixtures of normal distributions. 2014.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. Análise de dados censurados sob distribuições simétricas. 2014.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. Censored Linear Regression Models for Irregularly Observed Longitudinal Data using the Multivariate-t Distribution. 2014.
    [ Google | Google Scholar ]
  5. CUYABANO, B. C. D. Haplotype Based Genome-Enabled Prediction of Traits Across Nordic Red Cattle Breeds. 2014.
    [ Google | Google Scholar ]
  6. CUYABANO, B. C. D. A Bootstrap Study on Genome-Enabled Prediction. 2014.
    [ Google | Google Scholar ]
  7. ZELLER, C. B. Modelos de Valorização de Ativos de Capital (CAPMS) Assimétricos Aplicados. 2014.
    [ Google | Google Scholar ]
  8. ZELLER, C. B. Detecção de Ponto de Mudança no Modelo de Regressão Linear Assimétrico. 2014.
    [ Google | Google Scholar ]
  9. ZELLER, C. B. Modelos de Regressão Não Lineares Sinh-Normal/Independente. 2014.
    [ Google | Google Scholar ]
  10. ZELLER, C. B. Métodos Computacionais em Estatística. 2014.
    [ Google | Google Scholar ]
  11. MATTA, D. H. Algorithms for Estimation of Variable Length Markov Chains and Simulation. 2014.
    [ Google | Google Scholar ]
  12. BERNARDINI, D. F. . 2014.
    [ Google | Google Scholar ]
  13. FERREIRA, E. V. Modelos da Teoria de Resposta ao Item assimétricos de grupos múltiplos para respostas politômicas nominais e ordinais sob um enfoque bayesiano. 2014.
    [ Google | Google Scholar ]
  14. FERREIRA, E. V. Aspectos inferenciais no Modelo de Crédito Parcial Generalizado da Teoria da Resposta ao Item. 2014.
    [ Google | Google Scholar ]
  15. LUDWIG, G. . 2014.
    [ Google | Google Scholar ]
  16. GOMES, J. C. B. . 2014.
    [ Google | Google Scholar ]
  17. LB Sánchez, L Sánchez Minicurso de Julia. 2014.
    [ Google | Google Scholar ]
  18. LB Sánchez, L Sánchez Likelihood Based Inference for Quantile Regression Using the Asymmetric Laplace Distribution. 2014.
    [ Google | Google Scholar ]
  19. COSTA, M. . 2014.
    [ Google | Google Scholar ]
  20. VIOLA, M. L. L. Bayesian extreme-value regression model assuming known dispersion parameter. 2014.
    [ Google | Google Scholar ]
  21. VIOLA, M. L. L. Uso de Cópulas em Controle Estatístico Multivariado. 2014.
    [ Google | Google Scholar ]
  22. SARAIVA, Marley A. . 2014.
    [ Google | Google Scholar ]
  23. SARAIVA, Marley A. Índice de Vulnerabilidade Juvenil dos municípios goianos - IVJ.. 2014.
    [ Google | Google Scholar ]
  24. SARAIVA, Marley A. Análise de Satisfação e Desempenho dos Alunos do Curso a Distância "Aluno Integrado".. 2014.
    [ Google | Google Scholar ]
  25. BIANCHI, M. C. C. participante. 2014.
    [ Google | Google Scholar ]
  26. BIANCHI, M. C. C. participante. 2014.
    [ Google | Google Scholar ]
  27. MAIA, R. P. Modelos de riscos competitivos mistos aplicados ao estudo de longevidade. 2014.
    [ Google | Google Scholar ]
  28. MAIA, R. P. A genetic multivariate competing risks model for discrete time. 2014.
    [ Google | Google Scholar ]
  29. R.P. MAEHARA Modelo de regressão Sinh-Normal. 2014.
    [ Google | Google Scholar ]
  30. REIS, S. S. Critérios de Seleção de Variáveis Preditoras com Abordagem Penalizada em Estudos de Varredura Genômica (GWAS). 2014.
    [ Google | Google Scholar ]
  31. PEREIRA, S. R. S. O Perfil dos Estudantes Cotista da UFBA: Um Estudo Descritivo.. 2014.
    [ Google | Google Scholar ]
  32. SOTO, D. M. G. Augmented mixed models for clustered proportion data. 2014.
    [ Google | Google Scholar ]
  33. OLIVEIRA, H. M. Optimal designs for factorial experiments. 2014.
    [ Google | Google Scholar ]
  34. OLIVEIRA, H. M. I - otimalidade em critérios compostos para experimentos fatoriais. 2014.
    [ Google | Google Scholar ]
  35. OLIVEIRA, H. M. . 2014.
    [ Google | Google Scholar ]
  36. OLIVEIRA, H. M. Análise comparativa dos critérios compostos com os critérios de otimalidade clássicos. 2014.
    [ Google | Google Scholar ]
  37. VICINI, Lorena . 2014.
    [ Google | Google Scholar ]
  38. VICINI, Lorena Non-Homogeneous Poisson Process Geoestatistical Model. 2014.
    [ Google | Google Scholar ]
  39. VICINI, Lorena . 2014.
    [ Google | Google Scholar ]
  40. CARVALHO, Walter Augusto Fonseca de Processos de Renovação Obtidos por agregação de Estados a partir de um Processo Markoviano. 2014.
    [ Google | Google Scholar ]
  41. CARVALHO, Walter Augusto Fonseca de . 2014.
    [ Google | Google Scholar ]
  42. CARVALHO, Walter Augusto Fonseca de . 2014.
    [ Google | Google Scholar ]

2013

  1. ZAMBOM, A. Z. On the stochasticity of feasible regions in genetic algorithms. 2013.
    [ Google | Google Scholar ]
  2. ZAMBOM, A. Z. Teste de Hipótese e Seleção de Variáveis em Regressão não Paramétrica. 2013.
    [ Google | Google Scholar ]
  3. ZAMBOM, A. Z. Nonparametric Model Checking and Variable Selection. 2013.
    [ Google | Google Scholar ]
  4. GARAY, A. W. M. Modelos não lineares assimétricos. 2013.
    [ Google | Google Scholar ]
  5. GARAY, A. W. M. LINEAR CENSORED REGRESSION MODELS WITH SCALE MIXTURES OF NORMAL DISTRIBUTIONS. 2013.
    [ Google | Google Scholar ]
  6. GARAY, A. W. M. Análise de dados censurados sob distribuições simétricas com aplicações no R. 2013.
    [ Google | Google Scholar ]
  7. MONZÓN, A. G. M. Lenguaje R. 2013.
    [ Google | Google Scholar ]
  8. MONZÓN, A. G. M. La enseñanza de las probabilidades en la Educación Básica. 2013.
    [ Google | Google Scholar ]
  9. CUYABANO, B. C. D. Genomic Prediction. 2013.
    [ Google | Google Scholar ]
  10. ZELLER, C. B. Modelos com Erros de Medição Multivariados utilizando Misturas Finitas de Distribuições Skew-t. 2013.
    [ Google | Google Scholar ]
  11. ZELLER, C. B. Análise de Influência para os Modelos Lineares Mistos Skew-Normal/Independente. 2013.
    [ Google | Google Scholar ]
  12. LUDWIG, G. . 2013.
    [ Google | Google Scholar ]
  13. YAGINUMA, K. Y. Stochastic modelling of a population of neurons. 2013.
    [ Google | Google Scholar ]
  14. VIOLA, M. L. L. Modelo de Regressão Valor-Extremo para Dados Agrupados. 2013.
    [ Google | Google Scholar ]
  15. VIOLA, M. L. L. Conditional independence between random fields. 2013.
    [ Google | Google Scholar ]
  16. SARAIVA, Marley A. Soluções Estatísticas para Agropecuária. 2013.
    [ Google | Google Scholar ]
  17. ABBARA, O. M. F. . 2013.
    [ Google | Google Scholar ]
  18. MAIA, R. P. Genetic study of mortality rate in Danish dairy cows: multivariate competing risk analysis. 2013.
    [ Google | Google Scholar ]
  19. PEREIRA, S. R. S. A base de dados do ENADE: Caracteristicas, possibilidades e limites para análise do desempenho e cotistas e não cotistas.. 2013.
    [ Google | Google Scholar ]
  20. KIST, A. Um novo gerador de tempo estocástico diário para temperatura (mínima ou máxima) que preserva a variabilidade interanual. 2013.
    [ Google | Google Scholar ]
  21. VICINI, Lorena . 2013.
    [ Google | Google Scholar ]
  22. VICINI, Lorena Modelo Geoestatístico com Processos de Poisson Não Homogêneo. 2013.
    [ Google | Google Scholar ]
  23. LAURINI, M. P. Generalized moment estimation of stochastic differential equations. 2013.
    [ Google | Google Scholar ]
  24. LAURINI, M. P. A Macro-Finance Term Structure Model with Multivariate Stochastic Volatility. 2013.
    [ Google | Google Scholar ]
  25. LAURINI, M. P. Data Cloning: Maximum Likelihood Estimation of DSGE Models?. 2013.
    [ Google | Google Scholar ]
  26. LAURINI, M. P. Generalized moment estimation of stochastic differential equations. 2013.
    [ Google | Google Scholar ]

2012

  1. GARAY, A. W. M. Modelos não lineares sob a classe de distribuições misturas da escala skew-normal. 2012.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Enfoque Frecuentista y Bayesiano de los Modelos de Regresión Inflacionados de zeros con Distribución Binomial Negativa. 2012.
    [ Google | Google Scholar ]
  3. CUYABANO, B. C. D. Genomic Prediction Using Haplotype Blocks Built From High Density Marker Map. 2012.
    [ Google | Google Scholar ]
  4. CUYABANO, B. C. D. Genomic Prediction Using Haplotype Blocks Built From High Density Marker Map. 2012.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. Modelo de Regressão Linear Assimétrico com Aplicação. 2012.
    [ Google | Google Scholar ]
  6. MATTA, D. H. Eficiência e Desempenho dos Gastos Públicos no Estado de Goiás. 2012.
    [ Google | Google Scholar ]
  7. LUDWIG, G. . 2012.
    [ Google | Google Scholar ]
  8. GOMES, J. C. B. Análise Discriminante Empregando Modelos de Misturas Finitas de Normais Assimétricas e de t Assimétricas. 2012.
    [ Google | Google Scholar ]
  9. GOMES, J. C. B. Tutorial: Introdução ao R. 2012.
    [ Google | Google Scholar ]
  10. YAGINUMA, K. Y. Stochastic modelling of spikes trains of a population of neurons. 2012.
    [ Google | Google Scholar ]
  11. YAGINUMA, K. Y. Stochastic modelling of spikes trains of a population of neurons. 2012.
    [ Google | Google Scholar ]
  12. DINIZ, M. A. Median Loss Decision Criteria. 2012.
    [ Google | Google Scholar ]
  13. DINIZ, M. A. Modelos SEIR Estocásticos com Taxa de Remoção Não Homogênea. 2012.
    [ Google | Google Scholar ]
  14. VIOLA, M. L. L. Zero Deflated Poisson Distribution. 2012.
    [ Google | Google Scholar ]
  15. VIOLA, M. L. L. Zero Deflated Poisson Distribution: A Bayesian Approach. 2012.
    [ Google | Google Scholar ]
  16. SARAIVA, Marley A. MODELOS DE REGRESSÃO LINEAR SIMPLES: APLICAÇÕES A DADOS REAIS DE CONFINAMENTO BOVINO. 2012.
    [ Google | Google Scholar ]
  17. SARAIVA, Marley A. Functional data analysis of Near-infrared (NIR) spectroscopy data. 2012.
    [ Google | Google Scholar ]
  18. BIANCHI, M. C. C. Kendall Plot com uma aplicação à Linguística. 2012.
    [ Google | Google Scholar ]
  19. ABBARA, O. M. F. . 2012.
    [ Google | Google Scholar ]
  20. MAIA, R. P. Genetic Analysis of Sow Longevity. 2012.
    [ Google | Google Scholar ]
  21. TSAI, R. Polyhazard models with dependent causes. 2012.
    [ Google | Google Scholar ]
  22. PEREIRA, S. R. S. Contribuições ao Estudo do Modelo de Resposta Nominal. 2012.
    [ Google | Google Scholar ]
  23. PEREIRA, S. R. S. Modelagem de eventos recorrentes em Análise de Sobrevivência.. 2012.
    [ Google | Google Scholar ]
  24. PEREIRA, S. R. S. Contribuições ao estudo do Modelo de Resposta Nominal. 2012.
    [ Google | Google Scholar ]
  25. KIST, A. Procedimento iterativo CochraneOrcutt em modelos FANOVA de efeitos fixos com erros dependentes. 2012.
    [ Google | Google Scholar ]
  26. OLIVEIRA, H. M. . 2012.
    [ Google | Google Scholar ]
  27. OLIVEIRA, H. M. . 2012.
    [ Google | Google Scholar ]
  28. VICINI, Lorena Modelos de processos de Poisson não-homogêneos na presença de um ou mais pontos de mudança, aplicados a dados de poluição do ar. 2012.
    [ Google | Google Scholar ]
  29. VICINI, Lorena Modelos de processos de Poisson não-homogêneos na presença de um ou mais pontos de mudança, aplicados a dados de poluição do ar. 2012.
    [ Google | Google Scholar ]
  30. VICINI, Lorena . 2012.
    [ Google | Google Scholar ]
  31. Moreira, L. Stochastically Perturbed Processes. 2012.
    [ Google | Google Scholar ]

2011

  1. ZAMBOM, A. Z. Seleção de Variáveis em Regressão Não Paramétrica. 2011.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. On Estimation and Influence Diagnostics for Zero-Inflated Negative Binomial Regression Models. 2011.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. Heteroscedastic nonlinear regression models based on scale mixtures of skew-normal distributions. 2011.
    [ Google | Google Scholar ]
  4. CUYABANO, B. C. D. Dependent Multinomial Models Applied to DNA Sequences. 2011.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. Modelos de Regressão Lineares Assimétricos com Aplicações. 2011.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. Modelos de Regressão Não Lineares Birnbaum-Suanders Misturas de Escala Normal. 2011.
    [ Google | Google Scholar ]
  7. BORGES, C. A. V. Aplicação do modelo de regressão linear por partes a dados da POF para estudar a elasticidade-renda dos dispêndios com leite e derivados no Brasil. 2011.
    [ Google | Google Scholar ]
  8. BORGES, C. A. V. . 2011.
    [ Google | Google Scholar ]
  9. BORGES, C. A. V. . 2011.
    [ Google | Google Scholar ]
  10. BORGES, C. A. V. O uso da Estatística na Embrapa Gado de Leite. 2011.
    [ Google | Google Scholar ]
  11. MATTA, D. H. Mini-Curso: "Introdução à Análise Bayesiana". 2011.
    [ Google | Google Scholar ]
  12. MATTA, D. H. Detecção do ritmo em textos escritos via cadeias de Markov de alcance variável. 2011.
    [ Google | Google Scholar ]
  13. MATTA, D. H. Introdução à Teoria da Decisão e Estimação em Inferência Estatística. 2011.
    [ Google | Google Scholar ]
  14. SCHULTZ, J. A. A. FGM e suas generalizações sob um ponto de vista bayesiano. 2011.
    [ Google | Google Scholar ]
  15. SCHULTZ, J. A. A. Uma abordagem bayesiana para a Cópula FGM e suas generalizações. 2011.
    [ Google | Google Scholar ]
  16. GOMES, J. C. B. Estimação de Funções de Covariância: uma abordagem não-paramétrica via B-splines. 2011.
    [ Google | Google Scholar ]
  17. YAGINUMA, K. Y. Probabilistic Forests. 2011.
    [ Google | Google Scholar ]
  18. YAGINUMA, K. Y. Probabilistic Florests. 2011.
    [ Google | Google Scholar ]
  19. YAGINUMA, K. Y. Probabilistic Forests. 2011.
    [ Google | Google Scholar ]
  20. VIOLA, M. L. L. Markov chain indexed by a conditional dependence structure between the marginal chains on the state space. 2011.
    [ Google | Google Scholar ]
  21. VIOLA, M. L. L. Robust Estimation of Context Tree: An Application on Linguistic. 2011.
    [ Google | Google Scholar ]
  22. SARAIVA, Marley A. . 2011.
    [ Google | Google Scholar ]
  23. SARAIVA, Marley A. Uma Introdução à Análise Não-Paramétrica de Dados Funcionais com Aplicações à Quimiometria. 2011.
    [ Google | Google Scholar ]
  24. SARAIVA, Marley A. . 2011.
    [ Google | Google Scholar ]
  25. SARAIVA, Marley A. Inferência em Modelos com Erros nas Variaveis e Modelos Mistos. 2011.
    [ Google | Google Scholar ]
  26. BIANCHI, M. C. C. Kendall Plot: Teste Gráfico para Ajuste de Cópulas.. 2011.
    [ Google | Google Scholar ]
  27. BIANCHI, M. C. C. Introdução à Análise Bayesiana. 2011.
    [ Google | Google Scholar ]
  28. ABBARA, O. M. F. Modelagem de Risco de um portfólio através de Pair Copula. 2011.
    [ Google | Google Scholar ]
  29. LAMBERT, R. Non-convergence in probability of the overlapping function.. 2011.
    [ Google | Google Scholar ]
  30. KIST, A. Procedimento iterativo Cochrane-Orcutt para regressão não paramétrica. 2011.
    [ Google | Google Scholar ]
  31. VALK, Marcio Classificação e Agrupamento de Séries Temporais com Outliers via Quase U-Estatísticas. 2011.
    [ Google | Google Scholar ]

2010

  1. GARAY, A. W. M. Estimation and diagnostics in heteroscedastic nonlinear regression models based on scale mixtures of skew-normal distributions. 2010.
    [ Google | Google Scholar ]
  2. GARAY, A. W. M. Estimation and diagnostics for heteroscedastic nonlinear regression models based on scale mixtures of skew-normal distributions. 2010.
    [ Google | Google Scholar ]
  3. GARAY, A. W. M. Modelos no lineales sobre Distribuciones assimétricas. 2010.
    [ Google | Google Scholar ]
  4. MONZÓN, A. G. M. Las probabilidades en la educación básica. 2010.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. An Alternative Class of Multivariate Scale Mixtures of Skew-Normal Distributions. 2010.
    [ Google | Google Scholar ]
  6. ZELLER, C. B. Abordagem Bayesiana para o Modelo Linear Misto sob a Classe de Distribuições Assimétricas Skew-Normal/Independente: Estimação e Diagnóstico. 2010.
    [ Google | Google Scholar ]
  7. MATTA, D. H. Cadeias de Markov de Alcance Variável: Estimação e Aplicação. 2010.
    [ Google | Google Scholar ]
  8. MATTA, D. H. Uma Introdução a Teoria de Resposta ao Item Aplicação em Avaliação Educacional. 2010.
    [ Google | Google Scholar ]
  9. MATTA, D. H. Algoritms for Estimation of Variable Markov Chains and Applications. 2010.
    [ Google | Google Scholar ]
  10. GOMES, J. C. B. . 2010.
    [ Google | Google Scholar ]
  11. YAGINUMA, K. Y. Data Compression Based on the Minimal Markov Models. 2010.
    [ Google | Google Scholar ]
  12. YAGINUMA, K. Y. Data compression based on the minimal Markov models. 2010.
    [ Google | Google Scholar ]
  13. SARAIVA, Marley A. . 2010.
    [ Google | Google Scholar ]
  14. SARAIVA, Marley A. . 2010.
    [ Google | Google Scholar ]
  15. SARAIVA, Marley A. Análise Não-Paramétrica de Dados Funcionais: Uma Aplicação à Quimiometria. 2010.
    [ Google | Google Scholar ]
  16. SARAIVA, Marley A. . 2010.
    [ Google | Google Scholar ]
  17. BIANCHI, M. C. C. Kendall Plot: Adaptation of QQplot for adjustment of Archimedean copulas. 2010.
    [ Google | Google Scholar ]
  18. BIANCHI, M. C. C. An adapatation of Q-Qplot for adjustment of Archimedean copulas. 2010.
    [ Google | Google Scholar ]
  19. BIANCHI, M. C. C. Um pouco da história do Grupo PET Matemática - UNESP - Rio Claro/SP - 2003 a 2005 - por uma Petiana egressa. 2010.
    [ Google | Google Scholar ]
  20. BIANCHI, M. C. C. . 2010.
    [ Google | Google Scholar ]
  21. ABBARA, O. M. F. Assessing Stock Market Dependence and Contagion. 2010.
    [ Google | Google Scholar ]
  22. LAMBERT, R. The distribution of the overlapping function. 2010.
    [ Google | Google Scholar ]
  23. LAMBERT, R. On the distribution of the overlapping function and its convergence. 2010.
    [ Google | Google Scholar ]

2009

  1. MONZÓN, A. G. M. Inferencia y diagnóstico en el modelo de regresión de Poisson con exceso de ceros. 2009.
    [ Google | Google Scholar ]
  2. ZELLER, C. B. Modelo de Grubbs em Grupos. 2009.
    [ Google | Google Scholar ]
  3. ZELLER, C. B. Influence Analyses of Skew-Normal/Independent Linear Mixed Models. 2009.
    [ Google | Google Scholar ]
  4. ZELLER, C. B. . 2009.
    [ Google | Google Scholar ]
  5. ZELLER, C. B. Local influence analysis for regression models with scale mixtures of skew-normal distributions. 2009.
    [ Google | Google Scholar ]
  6. de Souza, C. P. E. Hypothesis Tests for Functional Data Based on Distances: a Study Using Splines. 2009.
    [ Google | Google Scholar ]
  7. MATTA, D. H. Algorithms for Estimation of Variable Length Markov Chains and Applications. 2009.
    [ Google | Google Scholar ]
  8. MATTA, D. H. Algoritmos de Estimação para Cadeias de Markov de Alcance Variável - aplicações a detecção do ritmo em textos escritos. 2009.
    [ Google | Google Scholar ]
  9. LEME, H. Pricing energy contracts with take-or-pay option.. 2009.
    [ Google | Google Scholar ]
  10. GOMES, J. C. B. Nonparametric estimation for covariance function of spatial Gaussian processes. 2009.
    [ Google | Google Scholar ]
  11. SARAIVA, Marley A. Nonparametric Functional Data Analysis with Application to Chemometrics. 2009.
    [ Google | Google Scholar ]
  12. SARAIVA, Marley A. . 2009.
    [ Google | Google Scholar ]
  13. BIANCHI, M. C. C. Test chart for the adjustment Archimedean copulas: Kendall Plot. 2009.
    [ Google | Google Scholar ]
  14. BIANCHI, M. C. C. A nonparametric estimation for bivariate Archimedean copula. 2009.
    [ Google | Google Scholar ]
  15. BIANCHI, M. C. C. A nonparametric estimation for bivariate Archimedean copula. 2009.
    [ Google | Google Scholar ]
  16. ABBARA, O. M. F. Assessing Stock Market Dependence and Contagion. 2009.
    [ Google | Google Scholar ]

2008

  1. ZAMBOM, A. Z. Estimação Não Paramétrica da Trajetória Percorrida por um Veículo Autônomo. 2008.
    [ Google | Google Scholar ]
  2. BIANCHI, M. C. C. Graphic Test to the Archimedean Copulas using BIPIT variables. 2008.
    [ Google | Google Scholar ]
  3. BIANCHI, M. C. C. Teste Gráfico para o Ajuste de Cópulas Arquimedianas: Um Estudo de Simulação. 2008.
    [ Google | Google Scholar ]
  4. ABBARA, O. M. F. Testing the long run implications of the expectation hyphotesis using cointegration techniques with structural change. 2008.
    [ Google | Google Scholar ]
  5. MAIA, R. P. Análise do desempenho dos alunos da UNICAMP do vestibular à conclusão do curso utilizando U-Estatísticas. 2008.
    [ Google | Google Scholar ]
Arquivo gerado a partir dos currículos Lattes dos pesquisadores. Data do processamento: 12/05/2025 13:53:03
Os resultados estão sujeitos a falhas devido a eventuais inconsistências no preenchimento dos currículos Lattes pelos pesquisadores. Caso note algum problema, por favor, contacte o responsável por esta página: informatica@ime.unicamp.br.