161 artículos
Este artículo presenta un algoritmo secuencial basado en pruebas de tipo Cochran y un método de remuestreo múltiple para agrupar centros en estudios multicéntricos, demostrando teóricamente y validando empíricamente su capacidad para recuperar la partición verdadera de heterogeneidad de parámetros a partir de estadísticas resumidas.
Este artículo establece un marco geométrico basado en haces fibrados principales para analizar las limitaciones y oportunidades de aprender ecuaciones diferenciales que gobiernan la evolución de redes temporales dentro de grafos de producto escalar aleatorio, identificando obstáculos fundamentales como la libertad de gauge y la holonomía no trivial, mientras demuestra que las dinámicas simétricas pueden resolver la ambigüedad de gauge y proponiendo un pipeline constructivo para recuperar campos vectoriales a partir de secuencias de grafos ruidosos.
Este trabajo presenta una teoría minimax para la regresión no paramétrica bajo cambio de covariables que introduce una función de transferencia para caracterizar diversas tasas de convergencia, incluyendo regímenes más rápidos que el mejor de los dos conjuntos de datos, y demuestra que estas tasas se alcanzan mediante un estimador adaptativo incluso cuando los covariables tienen soporte no acotado.
Este artículo propone el diseño experimental de "Reproducción Artificial" (Artificial Replay) para comparar algoritmos de banditos multi-brazo, el cual reduce significativamente los costos de experimentación y la varianza del estimador al reutilizar las recompensas registradas de una política para evaluar otra, en lugar de ejecutar ambas de forma independiente.
Este artículo demuestra que el estimador de Whittle para modelos CARMA impulsados por procesos de Lévy, observados en tiempos de renovación, es consistente y asintóticamente normal bajo condiciones muy leves, estableciendo previamente la normalidad asintótica del periodograma integrado.
Este artículo presenta un juego dinámico bayesiano jerárquico para la gestión competitiva de inventarios y precios bajo información incompleta, que integra el aprendizaje sobre la demanda y las características del rival con un criterio de riesgo creíble para lograr un equilibrio conservador robusto ante la incertidumbre.
Este artículo establece desigualdades de oráculo no asintóticas y tasas de convergencia minimax óptimas para la estimación dispersa de la deriva en procesos de Ornstein-Uhlenbeck impulsados por Lévy mediante observaciones discretas, demostrando la eficacia de los estimadores Lasso y Slope incluso en presencia de ruido de saltos puros.
El artículo demuestra que las redes bayesianas fieles constituyen un conjunto abierto y denso en diversas parametrizaciones (incluyendo familias exponenciales condicionales, modelos no paramétricos y variables latentes), lo que garantiza la consistencia de algoritmos de descubrimiento causal basados en restricciones en un conjunto "típico" de redes.
Este artículo propone un modelo de valoración libre de arbitraje para el reaseguro de catástrofes con prima de stop-loss, utilizando un proceso de contagio dinámico compuesto y la transformada de Esscher para cuantificar las responsabilidades ante riesgos emergentes como el cambio climático y las pandemias, y valida los resultados mediante simulaciones de Monte Carlo y análisis de sensibilidad.
Este trabajo establece garantías teóricas para el Flow Matching al controlar la dependencia de la constante de Lipschitz, derivando una tasa de convergencia mejorada en la distancia de Wasserstein 1 para distribuciones de alta dimensión y no necesariamente log-cóncavas.
Este artículo presenta nuevos resultados asintóticos y regiones de confianza uniformemente válidas para el estimador Adaptive LASSO en regresiones cointegradas con regresores locales a la unidad, demostrando mediante simulaciones y una aplicación empírica que estos métodos superan a los basados en la propiedad óráculo al ofrecer una cobertura fiable y factible en escenarios de muestra finita donde los coeficientes son pequeños pero no nulos.
Este trabajo establece umbrales óptimos de información para la detección de geometría latente en grafos aleatorios geométricos bipartitos bajo observaciones ruidosas, demostrando que el problema es significativamente más fácil cuando la máscara de ruido es conocida y resolviendo la brecha entre lo computacional y lo estadístico mediante un nuevo marco analítico de Fourier.
Este artículo cierra la brecha en los resultados de expansión asintótica de Laplace en dimensiones altas al derivar una expansión explícita para con cotas de error cuantitativas que permanecen válidas en la región intermedia hasta el umbral de concentración (), permitiendo aproximaciones analíticas precisas para esperanzas y construyendo transportes polinómicos explícitos para el muestreo eficiente.
Este artículo propone un marco de regresión ridge funcional basado en particiones que descompone la función de coeficientes en efectos dominantes y más débiles para aplicar penalizaciones diferenciales, logrando así mejorar la estabilidad numérica, la interpretabilidad y el rendimiento predictivo en modelos de datos funcionales de alta dimensión.
Este artículo extiende la predicción e-conformal para abordar casos de confusión observada entre la variable aleatoria y su etiqueta, considerando tanto escenarios de datos independientes e idénticamente distribuidos como aquellos que permiten cierta dependencia entre las observaciones.
Este artículo propone y analiza estimadores de redes neuronales profundas basados en el principio de mínima entropía de error para regresión no paramétrica con observaciones dependientes, demostrando que alcanzan la tasa óptima minimax de convergencia.
El artículo presenta el estimador "outrigger" de regresión polinómica local, un método adaptativo a la distribución de los errores que mejora la eficiencia frente a los estimadores estándar en escenarios no gaussianos, garantiza la optimalidad minimax bajo condiciones de suavidad y no requiere supuestos estructurales sobre la independencia o simetría de los errores.
Este estudio demuestra que las decisiones de aprobación basadas en umbrales fijos de capacidad de proceso (como ) presentan una inestabilidad inherente y un riesgo de error del 50% cuando el valor real se encuentra cerca del umbral, debido a la variabilidad estocástica de las estimaciones derivadas de tamaños de muestra moderados.
Este artículo presenta un nuevo método de inferencia semimódular bayesiana para modelos de cópula que asigna un parámetro de influencia individual a cada marginal, permitiendo una robustificación flexible frente a la mala especificación mediante optimización bayesiana y superando las limitaciones de los enfoques de dos módulos existentes.
Este artículo amplía el estudio de la distribución Unit Teissier al derivar nuevas propiedades teóricas, como momentos y caracterizaciones, evaluar y comparar múltiples métodos de estimación mediante simulaciones, y demostrar su utilidad práctica mediante un conjunto de datos real.