Linhas de Pesquisa

O Mestrado e o Doutorado em Modelagem Matemática contam com variadas linhas de pesquisas acadêmica, científica e tecnológica, envolvendo temas como epidemiologia, análises estocásticas, ciência de dados e estatística.

Linhas de Pesquisa

A Teoria de Controle Ótimo estuda problemas de Otimização cujas variáveis de estado estão sujeitas à equações diferenciais (ordinárias ou parciais) cujas dinâmicas dependem de uma variável de controle, enquanto a Otimização Estocástica é focada no estudo de problemas de otimização envolvendo incertezas modeladas por um processo estocástico. Um problema de otimização estocástica é em geral formulado usando medidas de risco condicionais.

Epidemiologia matemática é uma disciplina de matemática aplicada com mais de um século de tradição, e que incorpora ideias e métodos de diferentes ramos da matemática na representação e análise de seus objetos de estudo.

Na EMAp, o grupo de Epidemiologia Matemática estuda como as informações sobre como as doenças transmissíveis podem ser tratadas do ponto de vista quantitativo, de forma distinta das clássicas técnicas estatísticas bem conhecidas no meio médico. Além disso, os projetos requerem uma noção básica sobre as suposições biológicas e os modelos matemáticos que estão por trás dos modelos de infecções e das ferramentas hoje disponíveis para extrair informações biológicas a partir desses modelos.

De forma geral, esta linha de pesquisa se divide em aspectos teóricos, metodológicos e aplicados envolvendo análise de dados. Em particular, os pesquisadores da EMAp estão interessados nos seguintes áreas da Estatística: Estimação de séries temporais em alta dimensão; Modelagem de séries temporais não lineares; Testes não-paramétricos; Simulação Monte Carlo para inferência Bayesiana; Inferência estatística para problemas de otimização estocásticos avessos ao risco ou risco neutros (teoremas do limite central, testes de hipóteses, intervalos de confiança não assintóticos); Testes de hipóteses não paramétricos usando técnicas de otimização convexa.

 

Esta linha de pesquisa se iniciou mundialmente com desenvolvimento da Probabilidade e a construção formal do Movimento Browniano no início do século XX. Essa é provavelmente uma das áreas da Matemática com as mais aplicações no mundo real. Do ponto de vista teórico, estamos interessados no estudo das Equações Diferenciais Estocásticas e na incorporação de path-dependence em diversos aspectos da teoria. Além disso, outro aspecto dessa linha é a resolução numérica das equações diferenciais, em particular aleatórias (RDEs) e estocásticas (EDEs). A teoria de EDEs e RDEs são temas, no cruzamento das equações diferenciais e processos estocásticos, com uma ampla variedade de aplicações na modelagem de fenômenos e situações práticas em que as grandezas de interesse estão sujeitas a perturbações aleatórias. Uma vez que obter soluções dessas equações é raramente possível, muita atenção é dada à construção e estudo de métodos de aproximação, com boas propriedades qualitativas, para a integração e simulação das mesmas.

Nesta linha de pesquisa estudam-se modelos e métodos matemáticos com foco em aplicações em problemas de Finanças, Economia e Ciências Atuariais. Para aplicações em Finanças e Economia os projetos de pesquisa são usualmente baseados em técnicas envolvendo Cálculo Estocástico e/ou Equações Diferenciais Parciais, já as aplicações em Ciências Atuariais, como cálculo de Reservas, tendem a utilizar modelos estatísticos de regressão ou séries temporais.

O objetivo da linha é a exploração e o desenvolvimento de objetos e problemas de pesquisa através de métodos oriundos da aprendizagem estatística de máquinas (Machine Learning) e suas aplicações na análise de dados estruturados e não estruturados. Esta gama de objetos empíricos envolve dados numéricos, categóricos, dados textuais, imagens, grafos, séries temporais, dentre outros. A linha compreende também o desenvolvimento de algoritmos, linguagens e metodologias para manipulação destas bases de dados complexas, em tarefas tais como classificação, regressão, aprendizagem, identificação de agrupamentos (clusters), sistemas de recomendação, otimização, extração e representação de conhecimento, modelização de domínios de conhecimento, mineração de dados, mineração textual, visualização, análise de sentimentos, análise de dados em alta dimensão, criptografia.