06 de maio

A matemática que auxilia a compreender a pandemia nos meios de comunicação

Prof^a. Gabriela Barbosa – CAp-UERJ – FEBF

Desde quando os meios de comunicação começaram a fornecer informações sobre a pandemia do novo corona vírus, temos visto modelos matemáticos, porcentagens, análises gráficas, unidades de medida, entre outros conceitos da matemática, sendo utilizados para dar explicações à população e incentivar os cuidados pessoais. Entretanto, será que os meios de comunicação utilizam corretamente tais conceitos? Além disso, será que os expectadores compreendem as informações? Os meios de comunicação, quando se propõem a falar de matemática, estão se fazendo entender? Nessa palestra, tentaremos responder a essas questões, procurando destacar a importância da linguagem para a comunicação e para a construção de conceitos e, em especial, de conceitos matemáticos. Faremos também uma aproximação das reflexões surgidas no contexto dos meios de comunicação com aquelas relativas às práticas docentes na educação básica.

Uma nova formulação para o método Supervised MDS

Prof. Vinicius Layter Xavier – IME/UERJ – Departamento de Estatística

O principal objetivo dos métodos de redução de dimensionalidade é projetar os dados em um espaço de menor dimensão, buscando uma mínima perda de informação em relação aos dados originais. Dessa forma ocorre a redução no número de variáveis, possibilitando entre outras vantagens a visualização dos dados quando a projeção é feita para o R² e o R³. O problema de classificação supervisionada requer amostras de referência classificadas previamente em classes. Um algoritmo de classificação supervisionada busca para uma amostra nova prever a qual das classes ela está associada. O problema de ranking bipartido é um caso especial do problema de ordenação onde busca-se uma ordenação nos dados e um ponto de corte para separar os dados em dois grupos. O Método Supervised MDS aborda os problemas de redução de dimensionalidade, classificação supervisionada e ranking bipartido. Uma nova formulação e um novo algorítmo são propostos para este método. Está formulação é fundamentada na técnica de suavização hiperbólica. Como o intuito de avaliar o desempenho do algoritmo proposto em relação a outros consagrados pela literatura foram utilizados os métodos Regressão Logística, Naive Bayes e Support Vector Machine (SVM). Como exemplo, será apresentado um conjunto de experimentos computacionais com dados que possuem duas classes: Dados de imagens cardíacas de tomografia computadorizada para classificação de de pacientes nas categorias normal e doente; Dados de uma série de medições de voz de pessoas com a doença Parkinson e pessoas sem a doença; Dados de sinais de sonar para identificação de minas terrestres e rochas; Dados de microarranjos de DNA do tecido do cólon de pacientes com câncer e pacientes normais; Dados de microarranjos de DNA para a classificação de pacientes com leucemia mielóide aguda e com leucemia linfoblástica aguda.