|
Apresentação
Professor Adjunto III do Departamento de Estatística da Universidade Federal de Viçosa. Foi bolsista do Programa de bolsas de qualidade em pesquisa de excelência para jovens docentes pesquisadores da Fundação Arthur Bernardes 2014-2015 (Funarbe). Atualmente é bolsista do Programa Pesquisador Mineiro da FAPEMIG (2015-2017). Tem experiência na área de Probabilidade e Estatística, com ênfase em Biometria e Probabilidade e Bioinformática.
Formação Acadêmica
* Pós-Doutorado em Métodos Estatísticos Aplicados ao Melhoramento – North Carolina State University, 2016;
* Especialização em Seleção Genômica Ampla – Universidade Zaragoza – Espanha, 2014;
* Doutorado em Estatística e Experimentação Agropecuária – Universidade Federal de Lavras – MG, 2011;
* Mestrado em Estatística Aplicada e Biometria – Universidade Federal de Viçosa – MG, 2009;
* Graduação em Estatística – Universidade Federal do Espírito Santo – ES, 2007.
Áreas de Atuação e Pesquisa
* Métodos Estatísticos Aplicados ao Melhoramento de Plantas e Animais;
* Estatística Multivariada;
* Análise de Regressão.
Ensino
1. Ensino – Graduação:
* EST 103 – Elementos de Estatística 4(4-0).
Teoria elementar de probabilidade. Variáveis aleatórias discretas. Distribuição normal. Estatística descritiva. Medidas de posição, dispersão e correlação linear. Noções de regressão linear simples. Testes de hipóteses. Aplicação da análise de variância – classificação simples.
* EST 105 – Iniciação à Estatística 4(4-0).
Conceitos introdutórios. Estatística descritiva. Regressão linear simples e correlação amostral. Introdução à teoria da probabilidade. Variáveis aleatórias discretas e contínuas. Funções de variáveis aleatórias. Esperança matemática, variância e covariância. Distribuições de variáveis aleatórias discretas e contínuas. Testes de significância: qui-quadrado, F e t.
* EST 106 – Estatística I 4(4-0).
Conceitos introdutórios. Estatística descritiva. Tópicos gerais de probabilidade. Variáveis aleatórias e distribuições de probabilidade. Algumas distribuições de variáveis aleatórias discretas e contínuas. Testes de significância. Intervalo de confiança. Noções de técnicas de amostragem. Regressão linear e correlação.
2. Ensino – Pós-Graduação:
*EST 732 – Métodos Estatísticos na Seleção Genômica 4(4-0):
Modelos mistos. Inferência Bayesiana. Seleção Genômica Ampla. Análise de Associação Genômica AmplaModelos mistos. Inferência Bayesiana. Seleção Genômica Ampla. Análise de Associação Genômica Ampla.
*EST 744 – Regressão 4(4-0):
Regressão linear simples e múltipla. Métodos de seleção de modelos. Multicolinearidade. Heterocedasticidade. Autocorrelação nos erros. Modelos especiais. Regressão não linear.
*EST 746 – Análise Multivariada 4(4-0):
Distribuições multinormal, Wishart e T2 de Hotelling. Análise de variância multivariada e testes de hipóteses pelos critérios de Wilks, traço de Hotelling-Lawley, traço de Pillai e máximo autovalor de Roy. Análise de componentes principais. Correlações canônicas. Análise discriminantes. Análise de agrupamento. Análise fatorial. Recursos computacionais para o processamento e análise de dados experimentais.
EST 792 – Tópicos Especiais III 3 (Métodos Estatísticos para Avaliação da Expressão Diferencial Gênica): Introdução ao Linux – Unix system, Conceitos básicos de genética e expressão gênica, Tecnologias para o sequenciamento e suas particularidades, Delineamentos experimentais para o estudo da expressão gênica, Comparação das tecnologias de sequenciamento e análise da qualidade dos dados gerados, Estratégias para a montagem e análise de transcriptomas, Introdução ao R e ao Bioconductor, Métodos estatísticos para o estudo da expressão gênica pontual e temporal.
Materiais Disponíveis na WEB
1.Article: Bayesian model-based clustering of temporal gene expression using autoregressive panel data approach. Bioinformatics(Oxford. Print), v. 4, p. 1-5, 2012.
2.Artigo: Abordagem bayesiana para avaliação da adaptabilidade e estabilidade de genótipos de alfafa.Pesquisa Agropecuária Brasileira (1977. Impressa), v. 46, p. 26-32, 2011.
3.Artigo: Artificial neural networks in evaluating the adaptability and stability in alfafa genotypes.Crop Breeding and Applied Biotechnology(Impresso), v. 12, p. 152-156, 2013.
4.Artigo: Modelagem hierárquica Bayesiana na avaliação de curvas de crescimento de suínos genotipados para o gene halotano.Ciência Rural (UFSM. Impresso), v. 44, p. 1853-1859, 2014.
5.Article: Bayesian forecasting of temporal gene expression by using an autoregressive panel data approach. Genetics and Molecular Reserach (accept).
6.Article: Parallel Computing Applied to Genomic Selection in Plant Breeding.Revista Brasileira de Biometria.
7.Article: Regularized Quantile Regression Applied to Genome-Enabled Prediction for Skewness Quantitative Traits. Scientia Agricola.
8.Article: Metodologia para análise de adaptabilidade e estabilidade por meio de regressão quantílica.Pesquisa Agropecuária Brasileira, 2015.
9.Article: Factor analysis applied to genome prediction for high-dimensional phenotypes in pigs.Genetics and Molecular Reserach.
10.Article: ICAclust: a tool for clustering of temporal RNA-Seq data. Bioinformatics.
11.Article: Quantile regression for genomic selection of growth curves
|
