Towards an ontology for mathematical modeling with application to epidemiology

EMAp - Escola de Matemática Aplicada

Big Data e gestão processual

Apresentamos um projeto inovador na intersecção da tecnologia da informação, gestão, e direito, com o intuito de oferecer otimização de resultados, redução de custos e de tempo. A equipe proponente foi formada no projeto Big Data e Gestão Processual, do qual participam três escolas da Fundação Getulio Vargas que são referência em todo Brasil: as escolas de Direito, de Administração de Empresas e de Matemática Aplicada, todas do Rio de Janeiro.

Global stabilizing feedback law for a problem of biological control of mosquito-borne diseases

The control of the spread of dengue fever by introduction of the intracellular parasitic bacterium Wolbachia in populations of the vector Aedes aegypti, is presently one of the most promising tools for eliminating dengue, in the absence of an efficient vaccine. The success of this operation requires locally careful planning to determine the adequate number of mosquitoes carrying the Wolbachia parasite that need to be introduced into the natural population. The latter are expected to eventually replace the Wolbachia-free population and guarantee permanent protection against the transmission of dengue to human. In this paper, we propose and analyze a model describing the fundamental aspects of the competition between mosquitoes carrying Wolbachia and mosquitoes free of the parasite. We then introduce a simple feedback control law to synthesize an introduction protocol, and prove that the population is guaranteed to converge to a stable equilibrium where the totality of mosquitoes carry Wolbachia. The techniques are based on the theory of monotone control systems, as developed after Angeli and Sontag. Due to bistability, the considered input-output system has multivalued static characteristics, but the existing results are unable to prove almost-global stabilization, and ad hoc analysis has to be conducted.

Convergence analysis of sampling-based decomposition methods for risk-averse multistage stochastic convex programs

We consider a class of sampling-based decomposition methods to solve risk-averse multistage stochastic convex programs. We prove a formula for the computation of the cuts necessary to build the outer linearizations of the recourse functions. This formula can be used to obtain an efficient implementation of Stochastic Dual Dynamic Programming applied to convex nonlinear problems. We prove the almost sure convergence of these decomposition methods when the relatively complete recourse assumption holds. We also prove the almost sure convergence of these algorithms when applied to risk-averse multistage stochastic linear programs that do not satisfy the relatively complete recourse assumption. The analysis is first done assuming the underlying stochastic process is interstage independent and discrete, with a finite set of possible realizations at each stage. We then indicate two ways of extending the methods and convergence analysis to the case when the process is interstage dependent.

Joint dynamic probabilistic constraints with projected linear decision rules

We consider multistage stochastic linear optimization problems combining joint dynamic probabilistic constraints with hard constraints. We develop a method for projecting decision rules onto hard constraints of wait-and-see type. We establish the relation between the original (in nite dimensional) problem and approximating problems working with projections from di erent subclasses of decision policies. Considering the subclass of linear decision rules and a generalized linear model for the underlying stochastic process with noises that are Gaussian or truncated Gaussian, we show that the value and gradient of the objective and constraint functions of the approximating problems can be computed analytically.

Multistep stochastic mirror descent for risk-averse convex stochastic programs based on extended polyhedral risk measures

We consider risk-averse convex stochastic programs expressed in terms of extended polyhedral risk measures. We derive computable con dence intervals on the optimal value of such stochastic programs using the Robust Stochastic Approximation and the Stochastic Mirror Descent (SMD) algorithms. When the objective functions are uniformly convex, we also propose a multistep extension of the Stochastic Mirror Descent algorithm and obtain con dence intervals on both the optimal values and optimal solutions. Numerical simulations show that our con dence intervals are much less conservative and are quicker to compute than previously obtained con dence intervals for SMD and that the multistep Stochastic Mirror Descent algorithm can obtain a good approximate solution much quicker than its nonmultistep counterpart. Our con dence intervals are also more reliable than asymptotic con dence intervals when the sample size is not much larger than the problem size.

Non-asymptotic confidence bounds for the optimal value of a stochastic program

We discuss a general approach to building non-asymptotic confidence bounds for stochastic optimization problems. Our principal contribution is the observation that a Sample Average Approximation of a problem supplies upper and lower bounds for the optimal value of the problem which are essentially better than the quality of the corresponding optimal solutions. At the same time, such bounds are more reliable than “standard” confidence bounds obtained through the asymptotic approach. We also discuss bounding the optimal value of MinMax Stochastic Optimization and stochastically constrained problems. We conclude with a small simulation study illustrating the numerical behavior of the proposed bounds.

Projeto para a criação do Centro de Memória do Instituto de Matemática Pura e Aplicada: uma história de competência, paixão e perseverança

O Instituto Nacional de Matemática Pura e Aplicada (IMPA) foi o primeiro órgão de pesquisa criado pelo Conselho Nacional de Pesquisas (CNPq), em 1952. Desde seu início o IMPA dedicou-se à pesquisa científica em matemática do mais alto nível e promoveu a formação de novos pesquisadores, promovendo também a difusão e aprimoramento da cultura matemática no país. Mais recentemente, passou a dedicar-se também às aplicações da matemática em outras áreas do conhecimento e em setores tecnológicos. Ao longo de mais de cinqüenta anos de trabalho, consolidou-se como o centro de referência em pesquisa matemática e formação de novos pesquisadores no Brasil e na América Latina. Tendo em vista a relevância da instituição para os rumos da pesquisa na área no país, este trabalho de conclusão de curso tem como objetivo estabelecer as diretrizes para a criação do Centro de Memória do Instituto Nacional de Matemática Pura e Aplicada (CEMIMPA), que seria um espaço para produção e re-elaboração de identidade e memória institucional – seguindo uma tendência que se afirma, no Brasil, desde a década de 1970. Discute-se aqui a trajetória do IMPA, os conceitos sobre memória, acervo e identidade para conseguir demarcar as linhas gerais do CEMIMPA e precisar sua importância para a instituição. A criação de um centro de memória como o que propomos, ajudaria a dar visibilidade à história do IMPA, de seus pesquisadores, suas áreas de atuação para além dos limites do cenário da pesquisa matemática, alcançando um público cada vez mais amplo e diverso. Isto poderia influenciar de forma ainda mais vigorosa a formação de jovens em geral, e em particular, de futuros matemáticos. Também poderá incrementar as pesquisas sobre a história da matemática no Brasil e a trajetória dos pesquisadores que a fizerem e dela fazem parte.

Teoria de valores extremos aplicada a finanças: dois ensaios

Esta tese é composta de dois ensaios que aplicam a Teoria de Valores Extremos a finanças