Raised bog peat deposits form important archives for reconstructing past climate changes. Precise and reliable age-models are of vital importance for interpreting such archives. We propose enhanced, MCMC-based methods for obtaining age-models from radiocarbon-dated peat cores, based on the assumption of piece-wise linear accumulation. Included are automatic choice of sections, a measure of the goodness-of-fit, and outlier downweighting. Moreover, once having the age model at hand, the MCMC samples are used to plot pollen records from he peat core so as to obtain pollen levels along the calendar scale taking into account the variablity and unciertanties in the dataing. The variability of pollen counts over time is then used as a proxy for climatic change which in turn can be observed within some noise levels.

Apresentamos um modelo de Cox log-gaussiano dinâmico para dados espaciais pontuais observados em diferentes instantes de tempo em uma região. O modelo é especificado por uma seqüência de superfícies de log-intensidade espaciais ligadas através do tempo e modeladas por processos gaussianos dinâmicos. A inferência é feita sob a abordagem Bayesiana, que incorpora naturalmente a característica estocástica da função de intensidade nestes processos. As log-intensidades e hiperparâmetros do modelo são estimados a partir de amostras de suas distribuições a posteriori, obtidas através de métodos Monte Carlo via cadeias de Markov, como o amostrador de Gibbs, com uso de passos de Metropolis-Hastings. Em particular, duas propostas de densidades para amostragem da posteriori das log-intensidades são apresentadas e comparadas. Uma delas amostra as log-intensidades de sua priori condicional, enquanto a outra é baseada no algoritmo iterativo de mínimos quadrados ponderados para modelos lineares generalizados mistos. Estes modelos se aplicam a arranjos espaciais pontuais nos quais a agregação dos eventos é devida à heterogeneidade espacial da intensidade do processo, sem a existência de correlação espacial direta entre eles. Um exemplo são os arranjos espaciais de casos de doenças não-contagiosas, que aparecem agregados porque a intensidade de ocorrência na região varia espacialmente como resultado das variações em características ambientais, sócio-econômicas ou outras que determinam o surgimento e crescimento da doença.

Nesta palestra alguns avanços recentes na teoria de planejamento ótimo de experimentos são apresentados. Vários métodos para obter experimentos ótimos para modelos com estruturas de variância e covariância simples bem como as propriedades destes experimentos já foram desenvolvidos ao longo das três ou quatro décadas. Portanto, a pesquisa na área tem sido no contexto de modelos com estruturas de variância mais complexas. Alguns exemplos de soluções de problemas neste contexto serão discutidos. O primeiro consiste em experimentos ótimos para modelos lineares generalizados com espeficação conjunta da média e variância. A segunda referência está relacionada com experimentos com respostas observadas ao longo do tempo e mensuradas continuamente. Finalmente, o terceiro tema abordado consiste em experimentos com respostas multivariadas. Outros problemas similares serão mencionados ao final da palestra.

I discuss why choice functions (that is, generalized decision rules) need to have at least a local Bayes model. I provide a deFinetti-style standard of coherence (= avoiding uniform dominance) for choice functions generally, a result that has the broad scope found in Wald’s Complete Class Theorems. Second, I present a challenge for cooperative Bayesian partnerships, which serves to motivate the need to relax the canonical Bayesiantheory but without sacrificing coherence. Last, I sketch a theory of coherent choice functions – which is work in progress — as one way to meet thischallenge.

In this paper, we show how Bayesian neural networks can be used for time series analysis. We consider a block based model building strategy to model linear and nonlinear features within the time series: a linear combination of a linear autoregression term and a feedforward neural network(FFNN) with an unknown number of hidden nodes. To allow for simpler models, we also consider these terms separately as competing models toselect from. Model identifiability problems arise when FFNN sigmoidal activation functions exhibit almost linear behaviour, or when there are almostduplicate or irrelevant neural network nodes. New reversible jump moves are proposed to facilitate model selection mitigating model identifiability problems. We illustrate this methodology analyzing several time series data examples.

“O BraSil não conhece o BraSil”. E isto é muito grave. As implicações são diretas para a gestão, organização e ordenamento do território brasileiro,com reflexos diretos na vida dos municípios e de cada cidadão. Como dizia o saudoso Mestre Milton Santos, “O território é o dado essencial da condição da vida cotidiana”. Então como conhecer o Brasil sem conhecer os Territórios Brasileiros? Esta palestra vai procurar mostrar que esta não é uma tarefa exclusiva dos geógrafos e cientistas sociais, e tenta tratar a questão de como podem Cientistas com origem nas Ciências Naturais auxiliar na construção e acúmulo de conhecimento sobre a realidade brasileira a partir do conceito de “Territórios Digitais” e de suas representacionais matemático-computacionais. Vamos ilustrar o tipo de problemas que enfrentamos , as ferramentas que podem nos ajudar, o pouco já feito e o muito que precisamos ainda fazer. Esperamos mostrar oportunidades de trabalhos de pesquisa e desenvolvimento em diferentes áreas da Ciência da Computação e das Ciências Matemáticas e Estatísticas e da necessidade de sua estreita colaboração. Apresentaremos exemplos de um ambiente aberto promovido pelo INPE e parceiros que é nossa plataforma computacional para o desenvolvimento dos experimentos com o conceito aqui apresentado, a Terra Lib, e um exemplo de interação entre grupos das ciências médicas e sociais, matemáticos e estatísticos e grupos de Engenharia e Computação para responder questões relevantes nos territórios da saúde pública, da segurança pública, dos indicadores de exclusão e segregação social em cidades e na modelagem da dinâmica de uso e cobertura da terra na Amazônia Brasileira.

We propose a Cox process as a model for the temporal pattern of the incidence of cases of events of a certain type and develop associated methods of Bayesian inference, which we implement using an MCMC algorithm. For problems of this kind, the data may consist of the event-times themselves, or counts of the numbers of events in disjoint time-intervals. We explore the consequences of working with different levels of temporal aggregation of the data. We use a simulated example to demonstrate the feasibility of our methodology, which we then apply to data giving daily counts of incident cases of gastrointestinal infections in the county of Hampshire, UK.

Nós estudamos a evolução das interfaces para o modelo do votante em dimensão um, mostrando que se o núcleo do passeio aleatório associado com o modelo do votante tem momento de ordem superior a 3 finito então os extremos da interface convergem fracamente para um movimento Browniano em escala difusiva.

Nesta palestra, introduziremos noções de avaliação de desempenho, análise de itens segundo a Teoria Clássica de Testes e a Teoria de Resposta ao item e a interpretação de uma escala de desempenho. Ilustraremos as análises com exemplos.