Endereço

Departamento de Estatística – UFV
Av. Peter Henry Rolfs, s/n
Campus Universitário
36570-900, Viçosa, MG
Tel.: +55 (31) 3612-6150
E-mail: det@ufv.br

Camila Ferreira Azevedo

foto_camila

 Seja bem vindo ao site pessoal da Profª. Drª.  Camila Ferreira Azevedo

Departamento de Estatística – Universidade Federal de Viçosa
Av. P. H. Rolfs s/n – Campus Universitário – Sala 315 B
CEP: 36570-977 – Viçosa – MG
Tel.: (31) 3612-6165
E-mail – camila.azevedo@ufv.br
Currículo Lattes

Laboratório de Inteligência Computacional e Aprendizado Estatístico (LICAE –UFV)

Apresentação

Professora  Adjunta do  Departamento de  Estatística da  Universidade  Federal de  Viçosa, com atuação na área de Métodos Estatísticos Aplicados a Seleção Genômica Ampla e Inferência Bayesiana.

Formação Acadêmica

* Doutorado em Estatística Aplicada e Biometria – Universidade Federal de Viçosa – MG, 2015;

* Mestrado em Estatística Aplicada e Biometria – Universidade Federal de Viçosa – MG, 2012;

* Graduação em Matemática – Universidade Federal de Viçosa – MG, 2010.

Áreas de  Atuação e Pesquisa

* Métodos Estatísticos Aplicados a Seleção Genômica Ampla;
* Inferência Bayesiana.

Ensino

 1. Ensino – Graduação:

* 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.

2. Ensino – Pós-Graduação:

* EST 613 – Estatística Bayesiana 4(4-0).
Metodologia Bayesiana versus Metodologia Clássica. Teorema de Bayes como princípio de atualização da informação. Modelo paramétrico. Eliciação de distribuições a priori. Estimação de parâmetros. Análise de alguns modelos discretos. Análise de alguns modelos contínuos. Técnicas analíticas e computacionais de implementação do paradigma Bayesiano. Métodos de simulação para amostrar a distribuição a posteriori.

* EST 732 – Métodos Estatísticos na Seleção Genômica 4(4-0).
Modelos mistos. Inferência Bayesiana. Seleção Genômica Ampla. Análise de Associação Genômica Ampla

Materiais Disponíveis na WEB

Artigo: “New insights on genomic selection through population-based non-parametric prediction methods” submetido a revista Scientia Agricola.

Rotinas computacionais em R

Artigo: “Triple categoric regression for genomic selection: application to cassava breeding” submetido a revista Scientia Agricola.

Rotinas Computacionais em R

 


© 2020 Universidade Federal de Viçosa - Todos os Direitos Reservados