Estatística para dados em alta dimensão (2018)
- Autor:
- Autor USP: LEONARDI, FLORENCIA GRACIELA - IME
- Unidade: IME
- Subjects: REGRESSÃO LINEAR; INFERÊNCIA ESTATÍSTICA
- Language: Português
- Abstract: Com o avanço de novas tecnologias na obtenção de dados em diferentes áreas de conhecimento é cada vez mais frequente a análise de dados em alta dimensão, isto é quando o número de parâmetros a serem estimados é muito maior que o número de observações. De modo geral, métodos estatísticos clássicos não são adequados para a inferência neste tipo de situação e novas abordagens tem sido desenvolvidas. Nos últimos anos há havido um grande desenvolvimento metodológico, matemático e computacional que tem possibilitado a inferência estatística em altas dimensões com base em certas noções de esparsidade. Estas técnicas são suficientemente gerais como para cobrir uma grande gama de modelos, como regressão linear e não linear, modelos auto-regressivos e modelos gráficos, entre outros. O objetivo do minicurso será apresentar técnicas atuais de inferência estatística para dados em alta dimensão, fornecendo fundamentos teóricos e exemplos práticos de aplicação. Conteúdo preliminar: 1- Variáveis aleatórias sub-gaussianas e sub-exponenciais. 2- Modelo de regressão linear e estimadores de mínimos quadrados. 3- Regressão linear em alta dimensão e o estimador “LASSO”. 4- Aproximações lineares e desigualdades de tipo "oráculo". 5- Seleção de variáveis. 6- Modelos gráficos. Bibliografia: 1- P. Bühlmann & S. Van de Geer. Statistics for High-dimensional Data. Springer, 2011. 2- T. Hastie, R. Tibshirani & J. Friedman. The Elements of Statistical Learning. 2nd edition. Springer, 2009. 3- C. Giraud. Introduction to High-dimensional Statistics. CRC Press, 2014. 4- I. Rish & G. Grabarnik. Sparse Modeling: Theory, Algorithms and Applications. CRC Press, 2014.
- Imprenta:
- Publisher: Associação Brasileira de Estatística - ABE
- Publisher place: São Paulo, SP
- Date published: 2018
- Source:
- Título: Anais
- Conference titles: Simpósio Brasileiro de Probabilidade e Estatística - SINAPE
-
ABNT
LEONARDI, Florencia Graciela. Estatística para dados em alta dimensão. 2018, Anais.. São Paulo, SP: Associação Brasileira de Estatística - ABE, 2018. Disponível em: http://www.sinape2018.com.br/evento/23sinape/trabalhosaprovados/naintegra/789. Acesso em: 26 dez. 2025. -
APA
Leonardi, F. G. (2018). Estatística para dados em alta dimensão. In Anais. São Paulo, SP: Associação Brasileira de Estatística - ABE. Recuperado de http://www.sinape2018.com.br/evento/23sinape/trabalhosaprovados/naintegra/789 -
NLM
Leonardi FG. Estatística para dados em alta dimensão [Internet]. Anais. 2018 ;[citado 2025 dez. 26 ] Available from: http://www.sinape2018.com.br/evento/23sinape/trabalhosaprovados/naintegra/789 -
Vancouver
Leonardi FG. Estatística para dados em alta dimensão [Internet]. Anais. 2018 ;[citado 2025 dez. 26 ] Available from: http://www.sinape2018.com.br/evento/23sinape/trabalhosaprovados/naintegra/789 - Consistent model selection for the degree corrected stochastic blockmodel
- Some upper bounds for the rate of convergence of penalized likelihood context tree estimators
- Computationally efficient change point detection for high-dimensional regression
- Advances in probability and mathematical statistics
- Cadeias estocásticas parcimoniosas com aplicações à classificação e filogenia das seqüências de proteínas
- Estimadores regularizados para problemas de alta dimensão
- Threshold detection under a semiparametric regression model
- Loss of memory of hidden Markov models and Lyapunov exponents
- Nonparametric statistical inference for the context tree of a stationary ergodic process
- Comments on: a random forest guided tour
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
2923368.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
