Palestrante: Hugo Carvalho & Dani Gamerman
Com o avanço na facilidade de coleta de dados através de mecanismos físicos cada vez mais sofisticados (e.g., máquinas de ressonância magnética, facilidades em sequenciamento genético, grandes telescópios, aceleradores de partículas), nos deparamos com um novo paradigma na Estatística. No cenário clássico onde temos n > p (i.e., mais amostras do que parâmetros a serem estimados), tarefas como estimação de matrizes de covariância, regressão linear e PCA são garantidas de ter um bom desempenho através dos teoremas limite usuais da literatura de Teoria de Probabilidades. Porém, no cenário onde p > n, os mesmos métodos e garantias de convergência no caso clássico não são mais aplicáveis. Em particular, não podemos mais recorrer a resultados assintóticos.
Clique AQUI para mais informações.