Graduada em Estatística pela Universidade Federal do Espírito Santo (2007). Mestre em Estatística Aplicada e Biometria pela Universidade Federal de Viçosa (2009). Doutora em Economia Aplicada pela Universidade Federal de Viçosa (2013). Foi bolsista do Programa Funarbe de Apoio à Pesquisa para Jovens Docentes Pesquisadores (Funarpeq 2015) e bolsista CAPES do Programa de Pós- Doutorado no Exterior realizado na North Carolina State University (EUA, 2016), onde desenvolveu trabalhos em Análise de dados Genômicos utilizando Métodos Econométricos. Foi coordenadora do Programa de Pós Graduação em Estatística Aplicada e Biometria da UFV (2022-2023), do qual é orientadora permanente. Atualmente é Professora Associado II do Departamento de Estatística da Universidade Federal de Viçosa (UFV) e integrante do Laboratório de Inteligência Computacional e Aprendizado Estatístico (LICAE - UFV). Tem experiência na área de Probabilidade e Estatística, com ênfase em Métodos de Aprendizado Estatístico, Estatística Multivariada, Regressão e Econometria. Mais informações podem ser encontradas no site do Laboratório de Inteligência Computacional e Aprendizado Estatístico: LICAE.

Projetos

• Inteligência computacional, aprendizado estatístico e de máquinas na resolução de desafios do melhoramento vegetal
• Estudo de associação genômica para produtividade em arroz (Oryza sativa)
• Comparação de métodos de estimação e de rotação na análise de fatores
• Aprendizado estatístico na classificação genética
• Regressão quantílica sob enfoque bayesiano como alternativa na estimação da eficiência técnica

Orientações em Andamento

• Tese de doutorado:
Maria Laucinéia Carari
Edilaine Silva Arcanjo


• Supervisão de pós-doutorado:
Gabriela França Oliveira

Publicações Sugeridas

AZEVEDO, CAMILA FERREIRA et al. Using visual scores for genomic prediction of complex traits in breeding programs. THEORETICAL AND APPLIED GENETICS, v. 137, p. 1-16, 2024.

BARRETO, C. A. V. et al. Genomic prediction in multi-environment trials in maize using statistical and machine learning methods. Scientific Reports, v. 14, p. 1-11, 2024.

DE SOUSA, ITHALO COELHO et al. The trade-off between density marker panels size and predictive ability of genomic prediction for agronomic traits in Coffea canephora. EUPHYTICA, v. 220, p. 46, 2024.

COSTA, NOÉ et al. Classificadores híbridos baseados no Naive Bayes avaliados em diferentes níveis de dependência entre variáveis. ENCICLOPÉDIA BIOSFERA, v. 21, p. 1-15, 2024.

SAGAE, V. S. et al. Genomic Prediction of Root Traits via Aerial Traits in Soybean Using Canonical Variables. INTERNATIONAL JOURNAL OF PLANT BIOLOGY, v. 15, p. 242-252, 2024.

SUELA, MATHEUS MASSARIOL et al. Genome-wide association study for morphological, physiological, and productive traits in Coffea arabica using structural equation models. Tree Genetics & Genomes, v. 19, p. 23, 2023.