Über die Anzahl von Zufallspunkten mit typ-gleichem nächsten Nachbarn und einen multivariaten Zwei-Stichproben-Test.
Über die Existenz überall trennscharfer Tests im nicht-dominierten Fall.
Über die Konsistenz einer Schätzung mehrdimensionaler Dichten auf der Basis trigonometrischer Reihen.
Über ein nichtparametrisches Schätzproblem.
Über eine Variante der empirischen Verteilungsfunktion.
Un contraste de normalidad basado en la energía informacional.
En este trabajo se presenta un contraste de normalidad basado en la Energía Informacional de forma paralela al obtenido por Vasicek (1976) basándose en la Entropía de Shannon. Se estima la potencia de este contraste para diversas alternativas comparándola con la de otros contrastes de normalidad. Estos resultados permiten afirmar que este contraste es preferido en algunos casos a algunos contrastes clásicos.
Un test de détection de rupture de la moyenne dans un modèle gaussien
Un test non paramétrique unilatéral de rupture d'homogénéité de «k» échantillons
Un théorème central limite fonctionnel pour un estimateur d'un noyau de transition
Una aplicación de la estimación no paramétrica al modelo lineal general con varianza no homógenea.
En este trabajo se introduce un nuevo estimador de la recta de regresión cuando la varianza de los errores aleatorios no es homogénea. La consideración de que la función varianza sea suave nos permite estimarla mediante métodos de estimación no paramétrica para luego a través de tales estimaciones definir un estimador mínimo cuadrático ponderado. Se prueba que tal estimador es asintóticamente optimal en el sentido de la mínima varianza.
Una clase de estimadores para los parámetros de un proceso AR(1), obtenidos a partir de estimaciones no paramétricas previas.
Sea {Xt}t ∈ Z+ una serie de tiempo estacionaria que sigue el modelo autorregresivo de orden 1: Xt = λ + ρXt-1 + et, siendo {et} variables aleatorias i.i.d. de media cero y varianza σ2; a partir de una muestra del proceso {X1, ..., Xn} se calcula en una primera etapa τ'n, estimador no paramétrico de la función de predicción τ(x) = E[Xt/Xt-1 = x] y Ω'n, estimador no paramétrico de la función de distribución asociada al proceso. Esto nos permite en una segunda etapa calcular estimaciones de los parámetros...
Unbiased group-wise alignment by iterative central tendency estimations
This paper introduces a new approach for the joint alignment of a large collection of segmented images into the same system of coordinates while estimating at the same time an optimal common coordinate system. The atlas resulting from our group-wise alignment algorithm is obtained as the hidden variable of an Expectation-Maximization (EM) estimation. This is achieved by identifying the most consistent label across the collection of images at each voxel in the common frame of coordinates. In an...
Unbiased risk estimation method for covariance estimation
We consider a model selection estimator of the covariance of a random process. Using the Unbiased Risk Estimation (U.R.E.) method, we build an estimator of the risk which allows to select an estimator in a collection of models. Then, we present an oracle inequality which ensures that the risk of the selected estimator is close to the risk of the oracle. Simulations show the efficiency of this methodology.
Unbiasedness of Confidence Intervals Based on Galton's Statistic.
Une collection de plans d'échantillonnage pour les contrôles de réception
Une mesure de la déviation quadratique d'estimateurs non paramétriques
Une méthode de comparaison des courbes doses/réponses dans le cas ou les paramètres ne sont pas estimables
Une propriété peu connue : l'intervalle de confiance de la médiane
Uniform Confidence Bands for Local Polynomial Quantile Estimators
This paper deals with uniform consistency and uniform confidence bands for the quantile function and its derivatives. We describe a kernel local polynomial estimator of quantile function and give uniform consistency. Furthermore, we derive its maximal deviation limit distribution using an approximation in the spirit of Bickel and Rosenblatt [P.J. Bickel and M. Rosenblatt, Ann. Statist. 1 (1973) 1071–1095].
Uniform convergence of density estimators on spheres