161 artigos
Este artigo apresenta um algoritmo sequencial baseado em testes de Cochran multivariados e em um método de bootstrap multi-rodadas para identificar agrupamentos de centros em estudos multicêntricos distribuídos, garantindo a recuperação da partição verdadeira e oferecendo diretrizes práticas para lidar com a heterogeneidade de parâmetros.
Este artigo estabelece um framework geométrico baseado em fibrados principais para analisar as limitações fundamentais e as oportunidades na aprendizagem de equações diferenciais que governam a evolução de redes temporais modeladas por Grafos de Produto Aleatório (RDPGs), demonstrando como a estrutura dinâmica pode resolver ambiguidades de gauge e unificando a dificuldade geométrica com a estatística através de lacunas espectrais.
Este artigo apresenta uma teoria minimax para regressão não paramétrica sob mudança de covariância, introduzindo a função de transferência para caracterizar regimes de convergência que podem superar o melhor desempenho individual das distribuições de origem e destino, mesmo quando os covariáveis possuem suporte ilimitado.
O artigo propõe o "Artificial Replay" (Reprodução Artificial), um novo design experimental que permite comparar algoritmos de bandit multi-armed reutilizando trajetórias registradas para reduzir drasticamente o custo de interação e a variância do estimador, superando as limitações dos testes A/B tradicionais para políticas adaptativas.
Este artigo demonstra que o estimador de Whittle para modelos CARMA dirigidos por processos de Lévy, observados em tempos de renovação, é consistente e assintoticamente normal sob condições muito brandas, estabelecendo também a normalidade assintótica do periodograma integrado.
Este artigo propõe um jogo dinâmico bayesiano hierárquico para gestão competitiva de inventário e preços sob informação incompleta, integrando aprendizagem sobre a demanda, atualização estratégica de crenças sobre os rivais e um critério de risco credível para obter um equilíbrio conservador robusto, cuja eficácia é validada por simulações e uma aplicação em dados biológicos.
Este artigo estabelece desigualdades de oráculo não assintóticas e taxas de convergência minimax ótimas para estimadores Lasso e Slope na estimação de deriva esparsa de processos de Ornstein-Uhlenbeck impulsionados por Lévy a partir de observações discretas, demonstrando a eficácia desses métodos mesmo na presença de ruído de salto puro.
Este artigo demonstra que as redes bayesianas que satisfazem o princípio da fidelidade constituem um conjunto aberto e denso (ou seja, são "típicas") em diversas classes paramétricas e não paramétricas, incluindo modelos com variáveis latentes, o que garante a consistência de algoritmos de descoberta causal baseados em restrições.
Este artigo propõe uma avaliação livre de arbitragem para resseguro de catástrofes com cláusula de stop-loss, utilizando um processo de contágio dinâmico composto e a transformada de Esscher para quantificar prêmios que consideram riscos emergentes como mudanças climáticas e pandemias, validados através de simulações de Monte Carlo e análises de sensibilidade.
Este artigo estabelece garantias teóricas para o Flow Matching ao derivar uma taxa de convergência na distância de Wasserstein 1 que melhora resultados anteriores em cenários de alta dimensão, aplicando-se a distribuições ilimitadas sem exigir log-concavidade.
Este artigo apresenta novos resultados assintóticos para o estimador Adaptive LASSO em regressões de cointegração com regressores locais à unidade, demonstrando que as aproximações baseadas na propriedade de oráculo podem ser inadequadas e propondo regiões de confiança uniformemente válidas e fáceis de implementar que cobrem com segurança todo o espaço de parâmetros.
Este trabalho estabelece limites teóricos de informação quase exatos para a detecção de geometria latente em grafos geométricos aleatórios bipartidos sob observações ruidosas, demonstrando que o problema é significativamente mais fácil quando a máscara de ruído é conhecida e provando a inexistência de lacunas entre estatística e computação através de uma nova análise Fourier que supera resultados anteriores.
Este artigo preenche uma lacuna na teoria de Laplace de alta dimensão ao derivar uma expansão assintótica quantitativa para integrais do tipo Laplace e construir transportes polinomiais que permanecem válidos na região intermediária próxima ao limiar de concentração (), superando as limitações anteriores restritas ao regime de aproximação gaussiana ().
Este artigo propõe um novo quadro de regressão ridge funcional baseado em partições para dados de alta dimensão, decompondo a função de coeficientes em componentes dominantes e mais fracos para aplicar penalizações diferenciadas que melhoram a estabilidade numérica, a interpretabilidade e o desempenho preditivo sem depender de seleção explícita de variáveis.
Este artigo estende a predição e-conformal para lidar com situações de confusão observada entre o objeto aleatório e seu rótulo, considerando tanto cenários de dados independentes e identicamente distribuídos (IID) quanto casos que permitem dependência entre as observações.
Este artigo propõe e analisa estimadores de redes neurais profundas baseados no princípio de entropia mínima do erro para regressão não paramétrica com observações dependentes, demonstrando que alcançam a taxa de convergência minimax ótima sob condições de mistura forte.
Este artigo apresenta o estimador de regressão polinomial local "outrigger", um método adaptativo que utiliza a função de pontuação condicional dos erros para alcançar otimidade minimax e robustez frente a diversas distribuições de erro, superando as limitações dos estimadores padrão baseados em mínimos quadrados ponderados.
Este estudo demonstra que, devido à variabilidade amostral, as decisões de aprovação de processos baseadas em índices de capacidade () próximos a limites fixos (como 1.33) apresentam instabilidade inerente, com uma probabilidade de aceitação convergindo para 0,5 quando o verdadeiro desempenho do processo coincide com o limiar, o que é confirmado por simulações e dados empíricos de manufatura.
Este artigo propõe um novo método de inferência semi-modular bayesiana para modelos de cópula que atribui um parâmetro de influência individual a cada margem, permitindo uma robustez flexível contra a especificação incorreta das distribuições marginais e otimizando esses parâmetros via otimização bayesiana para generalizar abordagens anteriores de dois módulos.
Este artigo amplia o estudo da Distribuição Teissier Unitária ao derivar novas propriedades teóricas, como momentos de estatísticas de ordem e L-momentos, propor e comparar múltiplos métodos de estimação de parâmetros através de simulações, e demonstrar sua aplicabilidade prática em um conjunto de dados real.