📊 statistics

Asymptotic e-processes

Este artículo introduce el concepto de proceso e asintótico, una herramienta para la prueba de hipótesis secuencial que maneja errores de estimación o especificación del modelo, y establece una versión asintótica de la desigualdad de Ville para acotar las probabilidades de excursión de estos procesos.

Autores originales: Pierre-François Massiani, Sebastian Schulze, Mattes Mollenhauer

Publicado 2026-04-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pierre-François Massiani, Sebastian Schulze, Mattes Mollenhauer

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que estás jugando a un juego de apuestas contra el destino, y tu objetivo es descubrir si el destino está "haciendo trampa" (es decir, si una hipótesis nula es falsa) o si todo es pura suerte.

Este paper introduce una herramienta matemática llamada "Proceso E Asintótico". Para entenderlo, vamos a usar una analogía de un jardinero y un árbol.

1. El Problema: El Jardinero Perfecto vs. El Jardinero Real

Imagina que tienes un Jardinero Perfecto (el "Proceso E" clásico).

Si el árbol es sano (la hipótesis nula es verdadera), el jardinero nunca deja que el árbol crezca demasiado alto. Siempre se mantiene bajo control.
Si el árbol está enfermo (la hipótesis es falsa), el árbol crece descontroladamente.
La magia es que puedes mirar al árbol en cualquier momento que quieras (hoy, mañana, en un año) y decir: "¡Si el árbol es tan alto como para tocar el cielo, ¡seguro que está enfermo!". Esto se llama "validez en cualquier momento" (SAVI).

Pero aquí está el problema: En la vida real, no tenemos jardineros perfectos. Tenemos Jardineros de Aprendiz (modelos estadísticos con errores).

Estos jardineros cometen pequeños errores al calcular la altura del árbol. A veces dicen que el árbol es un poco más alto de lo que realmente es.
Si usas la regla del jardinero perfecto con un jardinero de aprendiz, el árbol podría crecer un poco más de lo permitido solo por los errores de cálculo, no porque esté enfermo. Si sigues mirando el árbol por mucho tiempo, esos pequeños errores se acumulan y el árbol toca el cielo por pura suerte, engañándote.

2. La Solución: El "Horizonte de Confianza" (El Proceso E Asintótico)

Los autores de este paper dicen: "No podemos esperar a que el jardinero sea perfecto de inmediato, pero podemos esperar a que mejore con el tiempo".

Introducen el concepto de Proceso E Asintótico. Imagina que este proceso tiene dos botones:

Botón de Tiempo ( $n$ ): Cuánto tiempo llevamos observando el árbol.
Botón de Calidad ( $m$ ): Qué tan bueno es nuestro jardinero (cuánto ha aprendido).

La idea clave es esta: No podemos vigilar el árbol para siempre con un jardinero novato. Pero podemos vigilarlo hasta cierto punto (un horizonte de tiempo $r_m$ ) que depende de qué tan bueno sea el jardinero.

Si el jardinero es muy novato ( $m$ es pequeño), solo podemos vigilar el árbol unos minutos antes de que los errores se acumulen.
Si el jardinero es experto ( $m$ es grande), podemos vigilar el árbol durante horas o días.
A medida que el jardinero mejora infinitamente ( $m \to \infty$ ), el tiempo que podemos vigilar el árbol también crece infinitamente ( $r_m \to \infty$ ).

3. La Analogía de la "Copa de Vino"

Imagina que cada vez que el jardinero mide el árbol, le echa una gota de vino en una copa.

Si el árbol es sano, la copa debería estar vacía (o casi vacía).
Pero como el jardinero es imperfecto, cada medición le echa una gota extra de vino (un error).
Si sigues midiendo por siempre, la copa se desbordará (el proceso E explota) aunque el árbol esté sano.

La solución del paper:
En lugar de intentar que la copa nunca se desborde (lo cual es imposible con un jardinero imperfecto), decimos:
"Vamos a mirar la copa solo hasta que el jardinero haya hecho $X$ mediciones. Si en ese momento la copa no se ha desbordado, podemos estar seguros de que el árbol está sano."

A medida que el jardinero se vuelve más preciso (menos gotas de vino por medición), podemos permitirnos mirar la copa durante más tiempo antes de que se desborde.

4. ¿Por qué es importante esto?

En el mundo real (ensayos clínicos, pruebas A/B en internet, ciencia de datos), los modelos nunca son perfectos. Siempre hay errores de estimación.

Antes: Si querías usar estas pruebas seguras, tenías que asumir que tu modelo era perfecto, lo cual es una mentira peligrosa. O tenías que detener el experimento en un momento fijo, perdiendo la flexibilidad de detenerse cuando se tenga suficiente evidencia.
Ahora (con este paper): Puedes usar modelos imperfectos. Sabes que hay un límite de tiempo ( $r_m$ ) hasta el cual tus conclusiones son seguras. Pero a medida que recopilas más datos y tu modelo mejora, ese límite de tiempo se aleja, permitiéndote seguir vigilando el experimento de forma segura casi para siempre.

Resumen en una frase

Este paper nos enseña cómo usar medidores imperfectos para vigilar experimentos de forma segura, estableciendo un "tiempo de seguridad" que se extiende automáticamente a medida que nuestros medidores aprenden y mejoran.

Es como decir: "No necesitas un reloj perfecto para saber la hora, solo necesitas saber que tu reloj se vuelve más preciso cada segundo, y ajustar tu confianza en la hora que marca en función de eso."

1. El Problema: Limitaciones de la Inferencia Válida en Cualquier Momento (SAVI)

El marco de Inferencia Válida en Cualquier Momento (SAVI, por sus siglas en inglés) y los procesos e (e-processes) han revolucionado la prueba de hipótesis secuencial al permitir que los investigadores detengan el análisis en cualquier momento sin inflar la tasa de error tipo I, independientemente de la regla de parada utilizada. Esto se logra mediante variables $e$ (e-variables) y procesos $e$ que, bajo la hipótesis nula, permanecen pequeños (esperanza $\le 1$ ) y crecen bajo la alternativa.

Sin embargo, el artículo identifica una brecha crítica en la práctica:

Dependencia de modelos perfectos: La construcción de procesos $e$ válidos en muestras finitas a menudo requiere conocimiento exacto de parámetros o distribuciones que no están disponibles.
Errores de estimación y misspecificación: En la realidad, estos valores deben estimarse o aproximarse, lo que introduce errores. Las garantías de SAVI se rompen si se utilizan estimadores aproximados sin un marco teórico que controle estos errores.
El dilema de los horizontes infinitos: Intentar generalizar directamente los procesos $e$ al régimen asintótico (donde el índice de aproximación $m \to \infty$ ) imponiendo garantías para todo tiempo $n$ (incluso $n \to \infty$ ) resulta en condiciones demasiado restrictivas. El error de aproximación se acumula con el tiempo (efecto de compuesto), haciendo que la esperanza del proceso diverja para cualquier $m$ fijo si se observa durante un tiempo suficientemente largo.

2. Metodología y Definición Central

Los autores proponen el concepto de Proceso $e$ Asintótico (o más precisamente, Proceso $e$ $r$ -asintótico), que es un proceso estocástico doblemente indexado $(E_{m,n})_{m,n \in \mathbb{N}}$ , donde:

$n$ : Índice de tiempo de monitoreo.
$m$ : Índice de calidad de aproximación (ej. tamaño de muestra, precisión del modelo).

Definición Clave: Horizonte de Monitoreo $r_m$

La innovación central es la introducción de una secuencia de horizontes de tiempo $r = (r_m)_{m \in \mathbb{N}}$ , donde $r_m \in \mathbb{N} \cup \{\infty\}$ .
Un proceso $E$ es un proceso $e$ $r$ -asintótico si, para cualquier secuencia de tiempos de parada $\tau = (\tau_m)$ tal que $\tau_m \le r_m$ , se cumple:
$\limsup_{m \to \infty} \sup_{P \in \mathcal{P}} \mathbb{E}_P[E_{m, \tau_m}] \le 1$

La intuición: En lugar de exigir validez para todo tiempo infinito, el marco permite que el horizonte de monitoreo válido ( $r_m$ ) crezca a medida que mejora la aproximación ( $m \to \infty$ ). Si el error de aproximación es $\delta_m$ , el horizonte $r_m$ debe crecer lo suficientemente lento para que el error acumulado $r_m \cdot \delta_m$ tienda a cero.

3. Contribuciones Clave

Formalización de Procesos $e$ Asintóticos:
- Definen rigurosamente los procesos $e$ asintóticos basándose en variables $e$ asintóticas uniformemente fuertes (Ignatiadis, Wang y Ramdas, 2024).
- Demuestran que, bajo condiciones suaves, el horizonte $r_m$ puede divergir a infinito ( $r_m \to \infty$ ), recuperando la validez "en cualquier momento" (anytime-validity) en el límite.
Generalización de la Desigualdad de Ville Asintótica:
- Derivan una versión asintótica de la desigualdad de Ville (Teorema 5.1):
  $\limsup_{m \to \infty} \sup_{P \in \mathcal{P}} P\left( \sup_{n \in \{1, \dots, r_m\}} E_{m,n} \ge \frac{1}{\alpha} \right) \le \alpha$
- Esto garantiza que la probabilidad de cruzar un umbral de rechazo antes del tiempo $r_m$ es asintóticamente controlada por $\alpha$ .
Caracterización mediante Supermartingalas Asintóticas (ASMs):
- Introducen la Propiedad de Supermartingala Asintótica (ASP): un proceso tiene ASP si su "deriva" (exceso de esperanza condicional) tiende a cero uniformemente.
- Establecen que un proceso con ASP y calibración asintótica es un proceso $e$ $r$ -asintótico, proporcionando un criterio práctico y suficiente para verificar la validez de procesos construidos a partir de estimadores.
Construcciones Prácticas:
- Producto Acumulativo: Muestran que el producto acumulativo de variables $e$ asintóticas independientes $(E_{m,n} = \prod e_{m,i})$ es un proceso $e$ asintótico siempre que el horizonte $r_m$ crezca lo suficientemente lento respecto a la tasa de convergencia del error.
- Mezcla Temporal (Time Mixture): Demuestran que las mezclas temporales de variables $e$ asintóticas también generan procesos $e$ asintóticos, incluso si no cumplen la propiedad de supermartingala (ASP), ampliando el conjunto de construcciones válidas.
Relación con P-valores Anytime:
- Analizan la calibración de los "p-valores anytime uniformes" propuestos por Waudby-Smith et al. (2026). Demuestran que, bajo un fortalecimiento de la definición (usando variables $p$ asintóticas uniformemente fuertes), estos se convierten en procesos $e$ asintóticos con $r \equiv \infty$ .

4. Resultados Principales

Teorema 3.3: Establece que si un proceso es $r$ -asintótico para cualquier secuencia acotada $r$ , entonces existe una secuencia $r_m \to \infty$ para la cual también lo es. Esto justifica que el enfoque asintótico puede recuperar la validez ilimitada en el límite.
Teorema 4.6: Proporciona una condición suficiente práctica: si un proceso tiene la ASP y está calibrado asintóticamente, es un proceso $e$ $r$ -asintótico para cualquier secuencia $r$ que satisfaga una condición de truncamiento de la serie de errores (la suma de los excesos de esperanza tiende a cero).
Teorema 6.1 (Producto Acumulativo): Para el producto acumulativo de variables $e$ asintóticas con error acotado por $d_m$ , el proceso es válido si $r_m \cdot d_m \to 0$ . Esto cuantifica explícitamente el compromiso entre la precisión del modelo ( $d_m$ ) y la duración del experimento ( $r_m$ ).
Simulaciones (Sección 7): Los experimentos numéricos confirman que, a medida que $m$ aumenta (mejor aproximación), la probabilidad de cruzar el umbral antes de $r_m$ converge a $\alpha$ , validando empíricamente la desigualdad de Ville asintótica.

5. Significado e Impacto

Este trabajo es fundamental para la aplicación práctica de la inferencia secuencial en escenarios del mundo real donde los modelos nunca son perfectos:

Puente entre Teoría y Práctica: Permite utilizar métodos de prueba de hipótesis secuencial (SAVI) en situaciones con modelos aproximados, estimaciones de parámetros o misspecificación, algo que los procesos $e$ clásicos no soportan directamente.
Flexibilidad Controlada: Al introducir el horizonte $r_m$ , el marco reconoce que la validez "en cualquier momento" es un ideal que se alcanza gradualmente a medida que mejora la calidad de los datos o el modelo.
Herramienta para el Diseño Experimental: Proporciona a los investigadores una fórmula explícita ( $r_m \cdot \delta_m \to 0$ ) para determinar cuánto tiempo pueden monitorear un experimento dado un nivel de error de estimación, evitando la invalidación de las garantías estadísticas.
Generalización Teórica: Unifica y generaliza conceptos previos de variables $e$ y $p$ asintóticas, estableciendo una jerarquía clara entre diferentes nociones de asintoticidad y su relación con la validez en tiempo real.

En resumen, los autores resuelven el problema de la "validez asintótica" en la inferencia secuencial, ofreciendo un marco matemático robusto para construir pruebas que son válidas en el límite, incluso cuando se basan en aproximaciones imperfectas, definiendo claramente el horizonte temporal seguro para cada nivel de aproximación.