154 artículos
El artículo presenta un método escalable y eficiente para aproximar funciones de valoración estocástica mediante distribuciones discretizadas de tamaño logarítmico, garantizando una aproximación constante para subconjuntos de tamaño limitado y facilitando así la resolución de problemas de optimización como la selección de conjuntos y la maximización del bienestar.
Este artículo ofrece un análisis estadístico exhaustivo del fenómeno "Einstein from noise", demostrando que la alineación y promediado de observaciones puramente ruidosas con una plantilla genera una reconstrucción espuria cuyas fases y magnitudes en el dominio de Fourier convergen hacia las de la plantilla, revelando así un sesgo crítico en las técnicas de coincidencia de plantillas.
Este artículo presenta dos estimadores de submuestreo, Muestreo de Importancia Adaptativo (AIS) y Submuestreo Estratificado (SS), que logran tasas óptimas minimax para la regresión robusta de alta dimensión bajo ruido de cola pesada, contaminación y dependencia temporal, cerrando la brecha entre teoría y algoritmo mediante un marco teórico riguroso y validación empírica superior.
Este artículo caracteriza las distribuciones de Palm de procesos puntuales superpuestos mediante una representación de mezcla y demuestra su utilidad para la inferencia estadística, específicamente en la estimación de contraste mínimo para procesos corruptos y en el análisis de procesos de Cox con ruido de disparo.
Este trabajo presenta un refinamiento geométrico del límite de Cramér-Rao en el régimen no asintótico que, al incorporar correcciones basadas en la curvatura de la variedad estadística mediante su incrustación en un espacio de Hilbert, permite mejorar rigurosamente este límite y sus variantes utilizando herramientas como la fórmula de Faà di Bruno y los polinomios de Bell exponenciales.
Este artículo presenta una generalización vectorial de la cota de Cramér-Rao corregida por curvatura en el régimen no asintótico, utilizando una perspectiva de geometría extrínseca y relajaciones de suma de cuadrados para establecer límites de estimación más precisos y geométricamente consistentes que superan las predicciones de varianza excesivamente optimistas de los métodos clásicos en modelos estadísticos curvos.
Este artículo presenta un marco general para construir profundidades de datos que se maximizan en un subespacio, definiendo así un ordenamiento de centro a exterior desde dicho subespacio para distribuciones simétricas respecto a él, y analiza sus propiedades teóricas, convergencia asintótica y aplicaciones en reducción de dimensionalidad y detección de fraudes.
Este trabajo propone un marco robusto para la optimización de surtidos basado en datos observacionales que maximiza los ingresos esperados en el peor de los casos ante cambios en las preferencias de los clientes, estableciendo garantías teóricas sobre la complejidad de la muestra y definiendo la "cobertura robusta por artículo" como el requisito mínimo de datos para un aprendizaje eficiente.
Este artículo extiende la definición de la distribución de Dickman a elementos aleatorios vectoriales, caracterizándolos como puntos fijos de una transformación afín específica y demostrando que poseen propiedades de divisibilidad infinita y auto-decomponibilidad operatoria, además de identificar casos en los que surgen como distribuciones límite.
Este artículo presenta un marco geométrico que demuestra cómo el sesgo de primer orden en los funcionales posteriores bajo inferencia variacional está determinado por las componentes ortogonales al espacio tangente de la familia variacional, explicando así la distorsión sistemática de las dependencias entre bloques en los métodos de campo medio.
Este artículo estudia la estimación de densidades no paramétrica con restricciones de forma mediante proyecciones en la distancia de Wasserstein, demostrando propiedades estructurales, proponiendo un método de discretización y comparando este enfoque con la estimación de máxima verosimilitud para densidades no decrecientes y log-cóncavas.
El artículo presenta ULFS-KDPE, un estimador de plug-in sesgado basado en un modelo desfavorable universal dentro de un espacio de Hilbert de núcleo reproductor (RKHS), que permite estimar parámetros diferenciables en modelos no paramétricos alcanzando la eficiencia semiparamétrica sin necesidad de derivar ni evaluar explícitamente las funciones de influencia eficiente.
Este artículo introduce un marco basado en filtraciones para la inferencia filodinámica secuencial que descompone la reducción de varianza al añadir taxones en componentes de aprendizaje, discrepancia y covarianza, demostrando que existe una brecha fundamental e irreducible entre un oráculo que conoce el estado de absorción latente y el analista, lo que establece un límite teórico sobre lo que los datos de secuencia pueden revelar por sí solos.
Este artículo investiga las segundas órdenes de asintótica para la diferencia en el número de veces que estimadores consistentes se desvían más de un umbral de su valor objetivo, introduciendo una noción de "deficiencia relativa asintótica" para distinguir entre estimadores con eficiencias relativas idénticas y demostrando que, por ejemplo, el uso de en la estimación de la varianza normal es óptimo bajo este criterio.
Este artículo establece cotas uniformes de tipo Lorden para los momentos del exceso de una caminata aleatoria con incrementos de una familia exponencial estandarizada en el régimen de deriva pequeña, demostrando que la constante clásica mejora a 1 con un término de error que decae exponencialmente y proporcionando una interpretación en términos de transporte óptimo.
Este artículo estudia los límites estadísticos para detectar múltiples submatrices ocultas en una matriz gaussiana grande con señales inhomogéneas, estableciendo cotas inferiores teóricas y diseñando algoritmos que las igualan tanto para modelos de desplazamiento de media como de varianza, bajo configuraciones de índices arbitrarios y consecutivos.
Este artículo establece las distribuciones límite de la última ocurrencia y el número total de veces que un estimador fuertemente consistente se desvía más de de su valor objetivo, proporcionando resultados teóricos generales para comparar estimadores, definir nuevas propiedades de optimalidad para la máxima verosimilitud y construir intervalos de confianza secuenciales en contextos paramétricos y no paramétricos, tanto i.i.d. como no i.i.d.
Este artículo determina la región exacta de valores simultáneos que pueden alcanzar las correlaciones de rango de Chatterjee () y Blest () sobre la clase de todas las cópulas bivariadas, resolviendo un problema de optimización restringida que conduce a una nueva familia de cópulas extremas con expresiones cerradas que parametrizan dicha frontera.
Este artículo propone y valida un test de hipótesis no paramétrico para determinar si dos redes de tamaños diferentes provienen de la misma distribución, utilizando la discrepancia de máxima media aplicada a incrustaciones de grafos rotadas mediante transporte óptico bajo el marco de grafos de producto escalar aleatorio generalizado.
Este artículo demuestra que es posible alcanzar tasas de convergencia minimax para funcionales doblemente robustos en todas las clases de suavidad de Hölder mediante la combinación estratégica de técnicas de división de muestras y ajustes de los parámetros de suavizado de las funciones de nuisance, superando así las limitaciones de la literatura existente.