Programação geral

PALESTRAS

Data: 21/10/2026 (Quarta-feira)

 

• Palestrante: Agatha Sacramento Rodrigues (UFPB)

Título: Políticas públicas orientadas por dados para a população materna: a experiência do Observatório Obstétrico Brasileiro (OOBr)

Horário: 16:00

Resumo: O Brasil tem uma das bases públicas de saúde mais ricas do mundo. Ainda assim, as informações sobre saúde materna e perinatal raramente chegam a gestores e à sociedade de forma rápida, interpretável e comparável entre territórios. O Observatório Obstétrico Brasileiro (OOBr) foi criado para ocupar esse espaço. É uma plataforma interativa, aberta e reprodutível, que monitora, analisa e divulga dados públicos de saúde, socioeconômicos e ambientais sobre a população materno-infantil. Nesta palestra, apresentamos a trajetória do OOBr e o que ela ensina sobre o papel da Estatística na formulação de políticas públicas. Durante a pandemia de COVID-19, o monitoramento contínuo das gestantes e puérperas hospitalizadas, divulgado em painéis interativos, subsidiou a inclusão dessa população no grupo prioritário para vacinação. Esse trabalho foi citado pela Organização Mundial da Saúde e originou uma publicação em parceria com o UNFPA. Mais recentemente, o projeto foi finalista do Digital@UNGA Awards 2026 (ITU/ONU). Depois da emergência sanitária, o OOBr voltou-se para a redução da mortalidade materna, fetal e neonatal. Um exemplo é o SIGMATER, ferramenta de apoio à decisão que combina o risco de desfechos maternos graves por causa com a capacidade resolutiva hospitalar para recomendar o encaminhamento das pacientes, com piloto na Paraíba e no Piauí. Outro é o ReMaP, desenvolvido em parceria com a Secretaria de Estado da Saúde de São Paulo para reestruturar a rede de atenção materna e perinatal. Como estudo de caso, apresentamos um modelo bayesiano de riscos competitivos para o tempo até o parto, com efeito espacial ICAR no nível das Redes Regionais de Atenção à Saúde. O modelo trata o óbito fetal e o nascido vivo como desfechos concorrentes do mesmo processo gestacional. Ele revela forte heterogeneidade territorial e uma associação inversa entre a vulnerabilidade ao óbito fetal e o IDH regional, o que gera estimativas regionais com incerteza quantificada para orientar a priorização de regiões no SUS. Por fim, discutimos os desafios e as lições de transformar dados públicos em evidência útil para a gestão em saúde.

 

Data: 22/10/2026 (Quinta-feira)

 

• Palestrante: Eduardo Yoshio Nakano (UnB)

Título: Um teste bayesiano para verificar a inexistência de casos em uma população finita

Horário: 11:30

Resumo: Um problema fundamental em estatística aplicada é o processo de estimação de uma proporção de uma característica de interesse em uma população finita. E é comum situações em que o evento de interesse é raro ou até mesmo inexistente. Nestas situações, o interesse pode ser justamente testar a hipótese de ausência dessa característica nessa população, como por exemplo verificar se uma comunidade está isenta de casos de COVID, se um lote de peças não apresenta itens defeituosos, etc. Se todos os indivíduos dessa população forem avaliados então é possível afirmar com certeza que essa característica está ausente ou presente nessa população. No entanto, nem sempre é possível avaliar todos os indivíduos de uma população devido a limitações de tempo e/ou orçamento. Ao considerarmos uma amostra, uma situação de incerteza pode ocorrer e o desafio será mensurar esse grau de incerteza. Para se ter uma ideia inicial do desafio que um estatístico (clássico) enfrenta nessa situação, basta perceber que ele somente poderá afirmar que característica de interesse é ausente caso não sejam observados quaisquer acontecimentos na amostra, ou seja, quando a variabilidade amostral é nula. Diante do exposto, esse seminário visa apresentar um teste bayesiano para verificar a ausência de casos em uma população finita. O teste é baseado em um procedimento simples e intuitivo e também permite definir o tamanho mínimo da amostra para garantir um pré-determinado nível de credibilidade na afirmação da hipótese de interesse.

 

• Palestrante: Raul Yukihiro Matsushita (UnB)

Título: Estimação não paramétrica da entropia diferencial: kernels de cauda pesada e aplicações a dados financeiros

Horário: 14:00

Resumo: A entropia diferencial constitui uma medida de incerteza para variáveis aleatórias contínuas e possui aplicações em diferentes áreas da Estatística, incluindo a análise de séries temporais e dados financeiros. Entretanto, sua estimação não paramétrica pode ser particularmente sensível ao comportamento das caudas da distribuição subjacente. Em especial, estimadores baseados em densidades kernel podem apresentar dificuldades quando aplicados a distribuições de caudas pesadas, característica frequentemente observada em retornos financeiros.  Neste trabalho, discutimos a estimação não paramétrica da entropia diferencial por meio de funções kernel e propomos a utilização de um kernel de Pareto, cujo expoente é incorporado como um parâmetro adicional de suavização. Essa parametrização permite que o próprio procedimento de estimação se adapte ao comportamento das caudas dos dados, abrangendo desde kernels de cauda pesada até situações progressivamente mais concentradas. Os parâmetros de suavização são determinados por um critério de validação cruzada associado à perda de Kullback–Leibler.  O desempenho do estimador é investigado por meio de experimentos de Monte Carlo envolvendo distribuições com diferentes graus de peso nas caudas e comparado a métodos alternativos de estimação da entropia diferencial. Os resultados evidenciam a importância da compatibilidade entre o comportamento das caudas da distribuição e da função kernel e mostram que o kernel de Pareto apresenta desempenho competitivo em termos de erro quadrático médio, viés e variância. Como ilustração, a metodologia é aplicada a séries de retornos financeiros, nas quais a estimação local da entropia e dos parâmetros do kernel permite caracterizar alterações na estrutura probabilística dos dados e identificar diferentes regimes estocásticos. A análise também indica que peso das caudas, volatilidade e incerteza representam características distintas da distribuição, reforçando a utilidade da entropia diferencial como ferramenta complementar para a análise de dados financeiros.

 

Data: 23/10/2026 (Sexta-feira)

 

• Palestrante: Larissa Avila Matos (UNICAMP)

Título: Explorando Modelos Lineares Mistos: Uma Abordagem Robusta para Análise de Dados Longitudinais

Horário: 11:00

Resumo: Dados longitudinais são comumente analisados por meio de modelos lineares mistos que, por conveniência matemática, geralmente assumem distribuições normais tanto para os efeitos aleatórios quanto para os erros. No entanto, essas suposições restritivas podem resultar em falta de robustez frente a desvios da normalidade e em inferências estatísticas inválidas. Schumacher et al. (2021) propuseram uma extensão flexível dos modelos lineares mistos normais baseada na classe de distribuições mistura de escala da skew-normal, permitindo acomodar assimetria e caudas pesadas. Essa formulação também permite incorporar diferentes estruturas de dependência serial para representar a correlação intraindivíduo presente em dados longitudinais. Nesta palestra, apresentarei o pacote skewlmm do R e suas recentes atualizações. O pacote implementa a metodologia proposta por Schumacher et al. (2021) e oferece ferramentas para o ajuste e a avaliação de modelos lineares mistos robustos, incluindo comparação e seleção de modelos, análise de resíduos e recursos gráficos. Por meio de uma aplicação a dados longitudinais, serão exploradas as principais funcionalidades do pacote e discutidas estratégias para a construção e avaliação desses modelos na prática.

 

MINICURSOS

• Minicurso 2: Pedro Rafael Marinho Diniz (UFPB)

Título: Do Pré-processamento à API: Um Guia Prático do Uso do tidymodels em Aprendizagem de Máquina

O tutorial "Do Pré-processamento à API: Um Guia Prático do Uso do tidymodels em Aprendizagem de Máquina" percorre o ciclo completo de modelagem preditiva em R, da preparação dos dados até a disponibilização do modelo treinado como serviço. O foco recai sobre a ferramenta, e não sobre a teoria dos algoritmos: os modelos são comentados na medida necessária para sustentar a prática. A parte conceitual revisa aprendizagem supervisionada, função de perda, risco preditivo e as condições sob as quais o erro quadrático médio é um estimador legítimo desse risco, justificando por que dados de treino não servem para avaliação. Em seguida, são tratadas as estratégias de divisão amostral, validação cruzada e tunagem de hiperparâmetros, com uso do pacote future para paralelizar as etapas independentes. A demonstração prática articula os pacotes do framework, incluindo rsample para reamostragem, recipes para pré-processamento, parsnip e workflows para especificação e ajuste, tune para otimização e yardstick para as métricas de regressão e classificação. Exemplos completos mostram como comparar modelos sob uma sintaxe unificada e selecionar a configuração final. A etapa de implantação fecha o percurso, com a construção de uma API a partir do workflow ajustado, empacotamento com vetiver e plumber e containerização via Docker. O público-alvo são discentes de graduação em Estatística e demais interessados em levar um modelo do script ao ambiente de produção. Ao final, espera-se que o participante consiga treinar, avaliar e servir um modelo de forma reprodutível e escalável.