Portfólio – Profa. Camila Azevedo
Professora do Departamento de Estatística da Universidade Federal de Viçosa (UFV), bolsista de Produtividade em Pesquisa do CNPq — Nível 1D, com atuação em Métodos Estatísticos Aplicados ao Melhoramento Genético, Seleção Genômica e Inferência Bayesiana. É uma das coordenadoras do Laboratório de Inteligência Computacional e Aprendizado Estatístico (LICAE-UFV).
Apresentação
Camila Ferreira Azevedo é graduada em Licenciatura em Matemática pela Universidade Federal de Viçosa, mestre e doutora em Estatística Aplicada e Biometria pela mesma instituição. Realizou pós-doutorado no Blueberry Breeding Genomics Lab, na University of Florida, Estados Unidos. No DET/UFV, desenvolve atividades de ensino, pesquisa e orientação em temas relacionados à Estatística aplicada ao melhoramento genético, com ênfase em seleção genômica, estudos de associação genômica e inferência Bayesiana.
Pesquisa em seleção genômica
Desenvolvimento e aplicação de métodos estatísticos para predição genômica, associação genômica, modelos aditivos-dominantes e análise de dados de melhoramento genético.
Inferência Bayesiana
Uso de abordagens Bayesianas em modelos biométricos, genéticos, multicaracterísticos e em estudos de estimação de parâmetros genéticos.
Formação acadêmica
- Pós-doutorado: University of Florida, Estados Unidos — Blueberry Breeding Genomics Lab (2022–2024).
- Doutorado: Estatística Aplicada e Biometria — Universidade Federal de Viçosa (2015).
- Mestrado: Estatística Aplicada e Biometria — Universidade Federal de Viçosa (2012).
- Graduação: Licenciatura em Matemática — Universidade Federal de Viçosa (2010).
Áreas de atuação e pesquisa
As linhas acima sintetizam os temas informados em seu currículo e na página institucional: métodos estatísticos aplicados ao melhoramento genético, seleção genômica ampla e inferência Bayesiana.
Projetos e iniciativas de pesquisa
Publicações selecionadas
- Stacking Ensemble Learning for Genomic Prediction Under Complex Genetic Architectures. Agronomy-Basel, 2026.
- Using genomic selection to examine subgenome dominance and epistasis in allopolyploid strawberry. Plant Genome, 2026.
- Genome association of carbohydrate metabolites provides new insights toward functional breeding in coffee. Plant Genome, 2026.
- Using visual scores for genomic prediction of complex traits in breeding programs. Theoretical and Applied Genetics, 2024.
- GenomicLand: Software for genome-wide association studies and genomic prediction. Acta Scientiarum-Agronomy, 2019.
- New insights into genomic selection through population-based non-parametric prediction methods. Scientia Agricola, 2019.
- Triple categorical regression for genomic selection: application to cassava breeding. Scientia Agricola, 2019.
Ensino
EST 103 — Elementos de Estatística
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; esperança matemática, variância e covariância; distribuições de variáveis aleatórias; testes de significância: qui-quadrado, F e t.
EST 106 — Estatística I
EST 613 — Estatística Bayesiana 4(4-0). Metodologia Bayesiana versus Metodologia Clássica; Teorema de Bayes como princípio de atualização da informação; modelo paramétrico; elicitação de distribuições a priori; estimação de parâmetros; modelos discretos e 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
-
Rotinas computacionais em R
Acessar o arquivo em PDF -
Rotinas Computacionais em R — PPESTBIO
Acessar página do PPESTBIO