Ivan Robert Enriquez Guzman

	http://lattes.cnpq.br/2606698500724315 (24/10/2024) Rótulo/Grupo: * Sem rótulo Bolsa CNPq: Período de análise: Endereço: Grande área: Ciências Exatas e da Terra Área: Probabilidade e Estatística Citações: Google Acadêmico

Produção bibliográfica

• Artigos completos publicados em periódicos (4)
• Livros publicados/organizados ou edições (0)
• Capítulos de livros publicados (0)
• Textos em jornais de notícias/revistas (0)
• Trabalhos completos publicados em anais de congressos (5)
• Resumos expandidos publicados em anais de congressos (1)
• Resumos publicados em anais de congressos (5)
• Artigos aceitos para publicação (0)
• Apresentações de trabalho (16)
• Demais tipos de produção bibliográfica (0)

Produção técnica

• Programas de computador com registro (0)
• Programas de computador sem registro (0)
• Produtos tecnológicos (0)
• Processos ou técnicas (0)
• Trabalhos técnicos (2)
• Demais tipos de produção técnica (0)
• Entrevistas, mesas redondas, programas e comentários na mídia (0)

Produção artística

• Total de produção artística (0)

Orientações em andamento

• Supervisão de pós-doutorado (0)
• Tese de doutorado (0)
• Dissertação de mestrado (0)
• Monografia de conclusão de curso de aperfeiçoamento/especialização (0)
• Trabalho de conclusão de curso de graduação (0)
• Iniciação científica (1)
• Orientações de outra natureza (0)

Supervisões e orientações concluídas

• Supervisão de pós-doutorado (0)
• Tese de doutorado (0)
• Dissertação de mestrado (0)
• Monografia de conclusão de curso de aperfeiçoamento/especialização (0)
• Trabalho de conclusão de curso de graduação (0)
• Iniciação científica (2)
• Orientações de outra natureza (0)

Projetos de pesquisa

• Total de projetos de pesquisa (3)

Prêmios e títulos

• Total de prêmios e títulos (1)

Participação em eventos

• Total de participação em eventos (24)

Organização de eventos

• Total de organização de eventos (1)

Lista de colaborações

• Colaborações endôgenas (0)

Produção bibliográfica

• Artigos completos publicados em periódicos (4)
  
  1. ENRIQUEZ, I. R.; CALCINA-CCORI, P. C.. A new method for sequential learning of states and parameters for state-space models: the particle swarm learning optimization. Journal of Statistical Computation and Simulation. v. 90, p. 2057-2079, issn: 1563-5163, 2020.[doi]
  2. HERNANDES-SSA, K. A. ; MONTENEGRO-COUTO, E. H. ; LONGO, B. ; BISSOLI, A. ; SIME, M. M. ; LESSA, H. M. ; FRIZERA-NETO, A. ; BASTOS-FILHO, T. ; ENRIQUEZ, IR. ; ENRIQUEZ, I. R.. Simulation System of Electric-Powered Wheelchairs for Training Purposes. Sensors (Basel). v. 20, p. 1/3565-17, issn: 3259-9692, 2020.[doi]
  3. CAMPOS, M. ; KROHLING, RENATO A. ; ENRIQUEZ, I. R.. Bare Bones Particle Swarm Optimization With Scale Matrix Adaptation. IEEE T CYBERNETICS. v. 44, p. 1567-1578, issn: 2168-2267, 2014.[doi]
  4. Abanto-Valle,C.A. ; Lachos,V.H ; ENRIQUEZ, I. R. ; Enriquez Guzman,Ivan Robert. Robust Bayesian analysis of heavy-tailed stochastic volatility models using scale mixtures of Normal distribution. Computational Statistics & Data Analysis (Print). v. 54, p. 2883-2898, issn: 0167-9473, 2010.
  
  
• Livros publicados/organizados ou edições (0)
  
  
  
• Capítulos de livros publicados (0)
  
  
  
• Textos em jornais de notícias/revistas (0)
  
  
  
• Trabalhos completos publicados em anais de congressos (5)
  
  1. ENRIQUEZ, I. R. A new method for sequential learning of states and Parameters for state-space models. The particle swarm learning optimization. Em: The 18th Time Series and Econometrics Meeting (18th ESTE), 2019.
  2. ENRIQUEZ, I. R.; CAMPOS, M. ; KROHLING, RENATO A.. Bare Bornes Particle Swarm Optimization with scale matrix adaptation. Em: III Jornada Internacional de Probabilidad y Estadística., v. 1, p. 21, 2014.
  3. ENRIQUEZ, I. R. Stochastic volatility models with heavy-tayled, leverage effect and jumps using scale mixture of normal errors. Em: Workshop in Honor of Prof. Pedro Alberto Morettin. Time series, 2012.
  4. ENRIQUEZ, I. R. Stochastic Volatility models with heavy-tayled and leverage effect and jumps using scale mixture of normal errors. Em: Simpósio Nacional de Probabilidade e Estatística, 2012.
  5. ENRIQUEZ, IVAN. Modelos de volatilidade estocástica com distribuicões de caldas pesadas. Em: I Jornada Internacional de Probabilidad y Estadistica, 2010.
  
  
• Resumos expandidos publicados em anais de congressos (1)
  
  1. ENRIQUEZ, I. R.; CALCINA-CCORI, P. C.. A new method for sequential learning of states and Parameters for state-space models. The particle swarm learning optimization. Em: XV Brazilian Meeting of Bayesian Statistics, 2020, São Paulo. XV Brazilian Meeting of Bayesian Statistics, 2020.
  
  
• Resumos publicados em anais de congressos (5)
  
  1. ENRIQUEZ, IVAN. A non-Gaussian volatility process in asymetric stochastic volatility models with jumps and scale mixture of normal errors. Em: X Semana de Estatística, 2012, Vitoria - ES. X Semana de Estatística, 2012.
  2. ENRIQUEZ, I. R.; Pedro Alberto Morettin. Modelos de Volatilidade Estocástica com distribuições de caudas pesadas. Em: 10° Encontro Brasileiro de Estatistica Bayesiana, 2010, Angra dos Reis, Rio de Janeiro. 10° Encontro Brasileiro de Estatistica Bayesiana, 2010.
  3. ENRIQUEZ, I. R.; Pedro Alberto Morettin. Stochastic Volatility Models with Scale Mixture of normals errors and leverage effect. Em: II Bayesianismo, 2010.
  4. ENRIQUEZ, I. R. Heavy-tailed Stochastic volatility models using scale mixture of normal distribution. Em: XI Escola de Modelos de Regressão, 2009, Recife - PE. XI Escola de Modelos de Regressão, 2009.
  5. ENRIQUEZ, I. R. Stochastics volatility models with scale mixture of normal errors. Em: 12h Escola de Séries Temporais e Econometria, 2007, Gramado (RS). 12h Escola de Séries Temporais e Econometria, 2007.
  
  
• Artigos aceitos para publicação (0)
  
  
  
• Apresentações de trabalho (16)
  
  1. ENRIQUEZ, I. R.; CALCINA-CCORI, P. C.. A new method for sequential learning of states and parameters for state-space models: the particle swarm learning optimization. 2021. Apresentação de Trabalho/Conferência ou palestra
  2. ENRIQUEZ, I. R. A general method for sequential learning of states and Parameters for state space models. An aplicationto stochastic volatility models. 2020. Apresentação de Trabalho/Conferência ou palestra
  3. ENRIQUEZ, I. R. A new method for sequential learning of states and Parameters for state space models. The particle swarm learning optimization. 2020. Apresentação de Trabalho/Congresso
  4. ENRIQUEZ, I. R. SIMULAÇÃO E ANÁLISE NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS UNIDIMENSIONAIS, (MÉTODOS BAYESIANOS). 2019. Apresentação de Trabalho/Conferência ou palestra
  5. ENRIQUEZ, I. R. Modelos para la volatilidad en Series de tiempo Financieras. Simulação e Análise. 2019. Apresentação de Trabalho/Conferência ou palestra
  6. ENRIQUEZ, I. R. Optimizacion en Enjambre de Particulas aplicada a Modelos de Volatilidad Estocástica. 2019. Apresentação de Trabalho/Conferência ou palestra
  7. ENRIQUEZ, I. R. Simulación y Análisis numérico de Ecuaciones Diferenciales Estocasticas unidimencionales. 2019. Apresentação de Trabalho/Conferência ou palestra
  8. ENRIQUEZ, I. R. Uma metodologia de sequencia de enxame de particulas para modelos de espaços de estado. Uma aplicação em modelos SV. 2019. Apresentação de Trabalho/Seminário
  9. CAMPOS, M. ; KROHLING, R. A. ; ENRIQUEZ, I. R.. Bare Bones Particle Swarm Optimization with scale matrix adaptation. 2014. Apresentação de Trabalho/Comunicação
  10. ENRIQUEZ, I. R. Modelos de Volatilidade Estocastica com Distribuicoes de Caudas Pesadas. 2010. Apresentação de Trabalho/Conferência ou palestra
  11. ENRIQUEZ, I. R.; Pedro Alberto Morettin. Stochastics Volatility Models with Scale Mixture of Normal Erros and Leverage Effect. 2010. Apresentação de Trabalho/Congresso
  12. ENRIQUEZ, I. R.; Pedro Alberto Morettin. Modelos de Volatilidade Estocástica com Distribuições de Caudas Pesadas. 2010. Apresentação de Trabalho/Congresso
  13. ENRIQUEZ, I. R.; Lachos,V.H. Heavy-tailed Stochastics Volatility Models using Scale Mixture of Normal Distribution. 2009. Apresentação de Trabalho/Congresso
  14. ENRIQUEZ, I. R. Participante assistente. 2007. Apresentação de Trabalho/Congresso
  15. ENRIQUEZ, I. R. Uma Aplicação da Analise Fatorial Multipla. 2007. Apresentação de Trabalho/Congresso
  16. ENRIQUEZ, I. R. Analise Fatorial Multipla aplicada em indices de tabelas mistas. 2006. Apresentação de Trabalho/Congresso
  
  
• Demais tipos de produção bibliográfica (0)
  
  
  

Produção técnica

• Programas de computador com registro (0)
  
  
  
• Programas de computador sem registro (0)
  
  
  
• Produtos tecnológicos (0)
  
  
  
• Processos ou técnicas (0)
  
  
  
• Trabalhos técnicos (2)
  
  1. ENRIQUEZ, I. R. Projeto de Extensão: XVIII Semana Capixaba de Estatistica. 2018.
  2. ENRIQUEZ, I. R. LESTAT: Laboratorio de Estatistica-2018-I-II. 2018.
  
  
• Demais tipos de produção técnica (0)
  
  
  
• Entrevistas, mesas redondas, programas e comentários na mídia (0)
  
  
  

Produção artística

• Total de produção artística (0)
  
  
  

Orientações em andamento

• Supervisão de pós-doutorado (0)
  
  
  
• Tese de doutorado (0)
  
  
  
• Dissertação de mestrado (0)
  
  
  
• Monografia de conclusão de curso de aperfeiçoamento/especialização (0)
  
  
  
• Trabalho de conclusão de curso de graduação (0)
  
  
  
• Iniciação científica (1)
  
  1. Taís Toniato Maia. Estatisticas suficientes para modelos de volatilidade estocástica asimétricas multivariada. Iniciação científica (Graduando em Estatística) - Universidade Federal do Espírito Santo, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Início: 2013.
     Orientadores: Ivan Robert Enriquez Guzman, Ivan Robert Enriquez Guzman.
  
  
• Orientações de outra natureza (0)
  
  
  

Supervisões e orientações concluídas

• Supervisão de pós-doutorado (0)
  
  
  
• Tese de doutorado (0)
  
  
  
• Dissertação de mestrado (0)
  
  
  
• Monografia de conclusão de curso de aperfeiçoamento/especialização (0)
  
  
  
• Trabalho de conclusão de curso de graduação (0)
  
  
  
• Iniciação científica (2)
  
  1. Raphael Lima. Modelos de Volatilidade Estocastica com efeito alavanca e saltos em Series Temporais. (Graduando em Estatística) - Universidade Federal do Espírito Santo, . 2018.
     Orientadores: Ivan Robert Enriquez Guzman, Ivan Robert Enriquez Guzman.
  2. MATEUS PADOVAN PEREIRA. Modelos de Volatilidade estocastica. (Graduando em Estatística) - Universidade Federal do Espírito Santo, . 2018.
     Orientadores: Ivan Robert Enriquez Guzman, Ivan Robert Enriquez Guzman.
  
  
• Orientações de outra natureza (0)
  
  
  

Projetos de pesquisa

• Total de projetos de pesquisa (3)
  
  1. 2022-Atual. Machine Learning e Deep Learning para o reconhecimento de tumores
     Descrição: è de conhecimento que as ferramentas de Inteligencia artificial hoje tem major aplicabilidade que anos anteriores. Eles poden ser implementados em sistemas que opera com miles de componentes para poder realizar um apredizado e logo realizar uma ação. As componentes trenadas adequadamente e a capacidade de simular ações trenadas só por organismos vivos, hoje tem cada dia ser realizado por maquinas ou programas , graças as metodologisa de aprendizado, chamadas de aprendizado de maquinas, machine learning. Um caso no qual tem uma construção de enlaces de varias funções, isto é função de função de funções, podemos ter mas, são chamadas de aprendizados profundos ou Deep Learning. Este a pesar de poder simular o comportamento humano no aprendizado, é formulado com o objetivo de resolver problemas complexos, via muitas funções mais simples, ou camadas de funções simples. Com base num conjunto de dados, estes sistemas são treinados para aprender a resolver um problema determinado.Se o sistema apredeu a resolver, então torna-se inteligente por assim dizer.O projeto é realizado na grande Vitória, con pacientes da Clinica CEUS do Centrocor. Amostras consta de pacientes que são atendidos no serviço de ultrasonografía. O objetivo é propor uma metodologia de reconhecimento de imagems indicando a presença de cancer ou algum tipo de TIRAAD da tiroide.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Ivan Robert Enriquez Guzman - Coordenador.
     Membro: Ivan Robert Enriquez Guzman.
     Descrição: è de conhecimento que as ferramentas de Inteligencia artificial hoje tem major aplicabilidade que anos anteriores. Eles poden ser implementados em sistemas que opera com miles de componentes para poder realizar um apredizado e logo realizar uma ação. As componentes trenadas adequadamente e a capacidade de simular ações trenadas só por organismos vivos, hoje tem cada dia ser realizado por maquinas ou programas , graças as metodologisa de aprendizado, chamadas de aprendizado de maquinas, machine learning. Um caso no qual tem uma construção de enlaces de varias funções, isto é função de função de funções, podemos ter mas, são chamadas de aprendizados profundos ou Deep Learning. Este a pesar de poder simular o comportamento humano no aprendizado, é formulado com o objetivo de resolver problemas complexos, via muitas funções mais simples, ou camadas de funções simples. Com base num conjunto de dados, estes sistemas são treinados para aprender a resolver um problema determinado.Se o sistema apredeu a resolver, então torna-se inteligente por assim dizer.O projeto é realizado na grande Vitória, con pacientes da Clinica CEUS do Centrocor. Amostras consta de pacientes que são atendidos no serviço de ultrasonografía. O objetivo é propor uma metodologia de reconhecimento de imagems indicando a presença de cancer ou algum tipo de TIRAAD da tiroide.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Ivan Robert Enriquez Guzman - Coordenador.
     Membro: Ivan Robert Enriquez Guzman.
  2. 2018-Atual. Novas metodologia de estimação para Modelos de espaços de estado via Inteligencia Artificial.
     Descrição: Nas series temporais financeiras uma das característica principal é a heterocedasticidade delas, sendo necessária na modelagem prévios dela. Para aquilo os modelos de espaços de estados ou modelos Dinâmicos tem sido propostos, os quais são desenvolvidos via Filtro de Kalman e MCMC, no contexto do modelo ser linear e gaussiano, sendo menos eficaz em outro contexto.As sequencias Monte Carlo ou filtro de partículas vem sendo propostos com a finalidade de suplir as dificuldades geradas pelo filtro de Kalman, entretanto problemas referidos a degeneração dos parâmetros e empobrecimento no reamostragem da amostra tem sido um ponto fraco destes modelos. O processo de reamostragem dos estados e o kernel imposto para a amostragem dos parâmetros induz a tais problemas. Nos propomos uma modelagem que tenta e soluciona este problema, com a ideia de aprendizados do enxame de partículas que trocam e alimentam informação relevante referente a alguma função optima.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) . Integrantes: Ivan Robert Enriquez Guzman - Coordenador.
     Membro: Ivan Robert Enriquez Guzman.
     Descrição: Nas series temporais financeiras uma das característica principal é a heterocedasticidade delas, sendo necessária na modelagem prévios dela. Para aquilo os modelos de espaços de estados ou modelos Dinâmicos tem sido propostos, os quais são desenvolvidos via Filtro de Kalman e MCMC, no contexto do modelo ser linear e gaussiano, sendo menos eficaz em outro contexto.As sequencias Monte Carlo ou filtro de partículas vem sendo propostos com a finalidade de suplir as dificuldades geradas pelo filtro de Kalman, entretanto problemas referidos a degeneração dos parâmetros e empobrecimento no reamostragem da amostra tem sido um ponto fraco destes modelos. O processo de reamostragem dos estados e o kernel imposto para a amostragem dos parâmetros induz a tais problemas. Nos propomos uma modelagem que tenta e soluciona este problema, com a ideia de aprendizados do enxame de partículas que trocam e alimentam informação relevante referente a alguma função optima.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) . Integrantes: Ivan Robert Enriquez Guzman - Coordenador.
     Membro: Ivan Robert Enriquez Guzman.
  3. 2015-Atual. Modelos de Volatilidade Estocástica com Efeito Alavanca e saltos em séries temporais.
     Descrição: Na literatura existem uma grande diversidade de problemas que podem ser tratados desde o ponto de vista de modelos dinámicos ou como espaços de estados. Estes de forma geral dividem-se em modelos de parametros estaticos e os dimamicos, permitem que os parãmetros dos modelos estatáticos poussuan um conjunto de pousiveis valore. Deste á visão de um processo temporal, estamos num processo temporal com parametros variando no tempo. Quando a variança do modelo temporal ou desvio padrão do processo depende também do tempo chamamos modelos de volatilidade. metodologías implementadas como MCMC, filtro de particulas, modelos de quase verossimilança, entre outros tem sido estudados para tratar de conseguir estimar os parametros filtrando ou simulando, ou tentando preveer os estados, isto é, as volatilidades. entre tanto, diveras dificuldades tem apresentado cada metodologia, como MCMC de gerar cadeis com convergencias de alto costo compuatcional ou alto costo no tempo (demasiados demorados) o que torna as metodologias ineficientes neste sentido. O Objetivo da pesquisa proposta é desenvolver novas metodologías baseados em metodologias computacionais, como as usadas no computação por enxame de particulas, para resolver o problemas das estimativas dos parametros, a suavisação, filtrado e previsão dos estados os volatilidades no contexto de modelos dinámicos e volatilidade estocástica respectivamente. Estes serâo avaliados atraves de simulações, e aplicações em series temporais financieras conhecidas na literatura, e serão comparados com os filtro de particulas existentes, basicamente o de Liu and West (2002).. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) . Integrantes: Ivan Robert Enriquez Guzman - Coordenador / Filipe Pesca Cunha - Integrante.
     Membro: Ivan Robert Enriquez Guzman.
     Descrição: Na literatura existem uma grande diversidade de problemas que podem ser tratados desde o ponto de vista de modelos dinámicos ou como espaços de estados. Estes de forma geral dividem-se em modelos de parametros estaticos e os dimamicos, permitem que os parãmetros dos modelos estatáticos poussuan um conjunto de pousiveis valore. Deste á visão de um processo temporal, estamos num processo temporal com parametros variando no tempo. Quando a variança do modelo temporal ou desvio padrão do processo depende também do tempo chamamos modelos de volatilidade. metodologías implementadas como MCMC, filtro de particulas, modelos de quase verossimilança, entre outros tem sido estudados para tratar de conseguir estimar os parametros filtrando ou simulando, ou tentando preveer os estados, isto é, as volatilidades. entre tanto, diveras dificuldades tem apresentado cada metodologia, como MCMC de gerar cadeis com convergencias de alto costo compuatcional ou alto costo no tempo (demasiados demorados) o que torna as metodologias ineficientes neste sentido. O Objetivo da pesquisa proposta é desenvolver novas metodologías baseados em metodologias computacionais, como as usadas no computação por enxame de particulas, para resolver o problemas das estimativas dos parametros, a suavisação, filtrado e previsão dos estados os volatilidades no contexto de modelos dinámicos e volatilidade estocástica respectivamente. Estes serâo avaliados atraves de simulações, e aplicações em series temporais financieras conhecidas na literatura, e serão comparados com os filtro de particulas existentes, basicamente o de Liu and West (2002).. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) . Integrantes: Ivan Robert Enriquez Guzman - Coordenador / Filipe Pesca Cunha - Integrante.
     Membro: Ivan Robert Enriquez Guzman.
  
  

Prêmios e títulos