161 artigos
O artigo demonstra que funções de valoração estocástica, comuns em otimização e economia, podem ser aproximadas com precisão constante por versões discretizadas de suas distribuições de valores com suporte reduzido, permitindo a criação de "sketches" escaláveis que aceleram consultas de oráculo sem comprometer as garantias teóricas.
Este artigo fornece uma análise estatística abrangente do fenômeno "Einstein do Ruído", demonstrando matematicamente que a média de observações puramente ruidosas alinhadas a um modelo gera um estimador que converge para as fases e magnitudes do modelo original, explicando assim a ilusão de estrutura e alertando para os riscos de viés em técnicas de correspondência de modelos em diversas áreas científicas.
Este artigo propõe e analisa dois estimadores de subamostragem (Amostragem por Importância Adaptativa e Subamostragem Estratificada) para regressão esparsa de alta dimensão robusta sob ruído pesado, contaminação e dependência, fechando a lacuna entre teoria e algoritmo ao estabelecer taxas ótimas minimax, intervalos de confiança válidos e superioridade empírica sobre métodos uniformes.
Este artigo caracteriza as distribuições de Palm de processos pontuais superpostos independentes, estabelecendo uma representação de mistura que viabiliza novas estratégias de inferência estatística, incluindo estimação por contraste mínimo e inferência baseada em verossimilhança para processos de Cox com ruído de disparo.
Este trabalho apresenta um refinamento geométrico do limite de Cramér-Rao no regime não assintótico, utilizando a geometria extrínseca da imersão da raiz quadrada do modelo estatístico em um espaço de Hilbert para incorporar correções baseadas na curvatura que produzem limites inferiores mais rigorosos e apertados.
Este artigo propõe uma generalização vetorial do limite de Cramér-Rao corrigido por curvatura em regime não assintótico, utilizando uma perspectiva de geometria extrínseca e otimização semidefinida para derivar limites direcionais e matriciais que superam as previsões otimistas de métodos clássicos ao capturar fielmente a topologia e a sensibilidade direcional de famílias estatísticas curvas.
Este artigo apresenta uma nova estrutura de profundidade de dados estatísticos chamada "profundidade de subespaço central", que generaliza o conceito tradicional de ordenação centro-para-fora para permitir que o ponto de máxima profundidade corresponda a um subespaço de dimensão arbitrária em vez de apenas a um ponto, oferecendo assim ferramentas robustas para análise de simetria, redução de dimensionalidade e detecção de fraudes.
Este artigo propõe um framework robusto para otimização de sortimento baseado em dados observacionais que maximiza a receita esperada no pior cenário, superando as limitações de modelos tradicionais ao lidar com mudanças nas preferências dos clientes e garantindo eficiência estatística através do conceito de "cobertura robusta item a item".
Este artigo estende a definição da distribuição de Dickman multidimensional para elementos aleatórios vetoriais, caracterizando-os como pontos fixos de uma transformação afim específica e demonstrando que possuem as propriedades de divisibilidade infinita e auto-decomponibilidade operacional, além de identificar casos em que surgem como distribuições limite.
Este artigo estabelece uma estrutura geométrica que demonstra como o viés de ordem principal de funcionais posteriores na inferência variacional é determinado pela componente ortogonal ao espaço tangente da família variacional, explicando geometricamente a distorção sistemática das dependências entre blocos no método de campo médio.
Este artigo investiga a estimação de densidades não paramétricas univariadas sujeitas a restrições de forma (como densidades não decrescentes ou log-côncavas) através de projeções na distância de Wasserstein, demonstrando que o problema é convexo, propondo um método de discretização implementável e comparando-o com o estimador de máxima verossimilhança.
O artigo propõe o ULFS-KDPE, um estimador de plug-in enviesado baseado em kernel e no submodelo menos favorável universal, que alcança a eficiência semiparamétrica para parâmetros diferenciáveis em modelos não paramétricos sem exigir a derivação explícita de funções de influência, fundamentando-se em uma equação diferencial ordinária não linear sobre densidades de probabilidade em espaços de Hilbert de kernel reproduzível.
Este artigo apresenta um framework baseado em filtragem para analisar como a adição de táxons melhora a inferência filodinâmica, decompondo a redução da variância esperada em componentes de aprendizado, incompatibilidade e covariância, e demonstrando que existe uma lacuna fundamental e irreduzível entre o que um oráculo com conhecimento do estado latente pode aprender e o que um analista pode inferir apenas a partir de dados sequenciais.
Este artigo investiga a segunda ordem assintótica para o número de vezes que um estimador se desvia de seu valor alvo, introduzindo o conceito de "deficiência relativa assintótica" para distinguir entre estimadores com eficiência relativa assintótica idêntica e demonstrando, por exemplo, que o uso do denominador na estimativa da variância normal é superior a outras escolhas comuns.
Este artigo estabelece limites uniformes do tipo Lorden para os momentos do excesso de uma caminhada aleatória com incrementos de uma família exponencial padronizada no regime de pequena deriva, demonstrando que, ao contrário do cenário clássico, a constante de limite melhora para 1 com uma taxa de convergência exponencial uniforme em relação à barreira e à deriva.
Este artigo investiga os limites estatísticos e propõe algoritmos para detectar múltiplos submatrizes ocultos em uma matriz gaussiana grande, considerando modelos de deslocamento de média ou variância com entradas inhomogêneas e dois regimes de posicionamento: índices arbitrários ou consecutivos.
Este artigo estabelece as distribuições limite para o último instante e o número total de vezes que um estimador fortemente consistente se desvia de seu valor alvo por uma margem à medida que , cobrindo cenários paramétricos e não paramétricos, e demonstrando aplicações na comparação de estimadores, construção de intervalos de confiança sequenciais e testes estatísticos.
Este artigo determina a região exata de valores simultâneos possíveis entre as correlações de posto de Chatterjee () e Blest () sobre a classe de todas as cópulas bivariadas, caracterizando essa fronteira por meio de um novo família de cópulas extremas derivada de um problema de otimização com restrições.
Este artigo propõe um teste de hipóteses não paramétrico para comparar duas redes de tamanhos diferentes, utilizando a discrepância máxima de média (MMD) aplicada a embeddings de grafos rotacionados via transporte ótimo, demonstrando consistência estatística sob o modelo de grafos aleatórios de produto escalar generalizado.
Este artigo demonstra que, ao combinar estrategicamente o particionamento da amostra com o ajuste de parâmetros de suavização (sub ou super-suavização) para as funções de incômodo, é possível que estimadores de plug-in e de correção de viés de primeira ordem atinjam taxas de convergência minimax ótimas para funcionais duplamente robustos em todas as classes de suavidade de Hölder, superando limitações da literatura existente.