De los artículos, libros y apuntes que me he encontrado por arXiv en 2024, se relacionan en esta entrada los que pienso que quizá puedan interesar a alguien más. Los he clasificado en dos apartados: el primero se refiere a libros, apuntes o revisiones de temas diversos relacionados con la estadística; el segundo incluye artículos sobre temas más particulares, pero no demasiado especializados. El orden de los artículos no sigue ningún criterio particular.
Libros, apuntes o revisiones
Statistics in survey sampling, unos apuntes sobre muestreo en poblaciones finitas para una asignatura de la Iowa State University. Hasta donde he visto cubre los temas básicos de introducción a esta materia.
Linear Model and Extensions son unos apuntes usados en la Universidad de California en Berkeley. Incluye ridge, lasso, GLM, regresión cuantílica, selección de modelos e incluso regresión con datos de supervivencia.
El algoritmo EM es un conocido método para calcular estimadores de máxima verosimilitud. A review of Monte Carlo-based versions of the EM algorithm comienza con una revisión del algoritmo y demuestra sus principales propiedades. Posteriormente, resume algunos de los métodos basados en simulación que se han propuesto para simplificar los cálculos necesarios, que a menudo son intratables.
Uncovering Data Across Continua: An Introduction to Functional Data Analysis es una introducción accesible al análisis de datos funcionales.
A First Course in Monte Carlo Methods cubre de forma concisa desde el uso de la simulación como técnica para aproximar integrales hasta las técnicas de Montecarlo basadas en cadenas de Markov.
Mathematical theory of deep learning trata de forma relativamente accesible resultados de las tres áreas matemáticas más relacionadas con el aprendizaje profundo: teoría de la aproximación, optimización y estadística (statistical learning).
Los así llamados e-valores son una alternativa a los clásicos p-valores para llevar a cabo un contraste de hipótesis. En Hypothesis testing with e-values se discuten sus ventajas, se presenta la teoría básica y se incluyen algunos capítulos sobre temas más avanzados.
Randomized matrix computations: Themes and variations es un curso sobre álgebra lineal aleatorizada.
A Tutorial on Statistical Models Based on Counting Processes relaciona el análisis de datos de supervivencia con el análisis estadístico de los procesos de conteo.
Application of Random Matrix Theory in High-Dimensional Statistics resume los principales resultados de la teoría de matrices aleatorias y sus aplicaciones estadísticas (inferencia sobre matrices de covarianzas, componentes principales, procesamiento de señal)
Artículos
The Importance of Discussing Assumptions when Teaching Bootstrapping da algunos ejemplos de simulaciones que ayudan a determinar las hipótesis de validez de los intervalos obtenidos con bootstrap. Previamente se resumen los principales métodos para calcular intervalos de confianza bootstrap.
Bayesian Linear Models: A compact general set of results presenta en datalle los cálculos necesarios para hacer inferencia bayesiana en el modelo de regresión lineal (no es una introducción al enfoque bayesiano en regresión).
Cuando se da un curso de introducción a la estadística con R surge la duda de si usar o no tidyverse. Teaching modeling in introductory statistics: A comparison of formula and tidyverse syntaxes es una discusión de las ventajas e inconvenientes de las diferentes posibilidades de usar R.
En el experimento clásico de de Buffon para aproximar el valor de \(\pi\) se lanza una aguja sobre un papel pautado con líneas. Buffon’s Triangle – A Variant of the Buffon Needle Method for a Probabilistic Determination of the Value of Pi analiza una variante en la que se lanza un triángulo equilátero sobre una cuadrícula.
Si \(r_n\) es el coeficiente de correlación muestral y \(\rho\) es el poblacional, en Concentration inequalities for the sample correlation coefficient se demuestran, entre otros resultados, las aproximaciones siguientes de la esperanza y la varianza de \(r_n\) cuando los datos son normales: \[\mbox{E}(r_n) = \sqrt{\frac{n-1}{n}}\rho + O(n^{-1})\] y \[\mbox{Var}(r_n) = \frac{(1-\rho^2)^2}{n-1} + O(n^{-2}).\]
Stamps and Mathematics revisa diversos aspectos de la filatelia relacionados con las matemáticas.
