MARC

 008260126s2025        us                              c    eng  d
■001000017359243
■00520260202104854
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288816659
■035    ▼a(MiAaPQ)AAI32200998
■035    ▼a(MiAaPQ)Stanfordtj135bv3146
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aDey,  Apratim.
■24510▼aMathematical  Statistics  in  2025
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a135  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Donoho,  David  Leigh.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aOver  a  century  has  passed  since  R.  A.  Fisher  laid  the  mathematical  foundations  of  modern  statistical  theory.  The  intervening  decades  have  produced  a  steady  stream  of  advances  that  have  deepened  our  understanding  of  the  notions  of  inference,  optimality,  and  uncertainty.  As  recently  as  fifteen  years  ago,  a  doctoral  dissertation  in  statistics  could  still  focus  almost  exclusively  on  problems  internal  to  the  discipline,  and  that  would  be  completely  uncontroversial  to  do  so.  However,  the  landscape  in  2025  is  markedly  different.  Rapid  advances  in  digital  technology  and  computing  power  now  shape  virtually  every  sphere  of  human  activity.  Vast  investments  in  hardware  and  software  champion  scale  and  performance,  often  at  the  expense  of  foundational  scientific  insight.  In  such  an  environment,  the  distinctive  role  of  statistics  can  appear  diminished,  and  it  is  natural  to  ask  what  the  field  still  contributes  amid  data-driven  benchmarks,  machine-learning  models,  and  algorithmic  decision-making.  This  dissertation  contends  that  the  answer  lies  precisely  in  the  classical  principles  of  mathematical  statistics.  Far  from  being  obsolete,  these  principles  provide  the  rigorous  framework  needed  to  harness  modern  technology  effectively.  To  demonstrate  this  claim,  the  thesis  examines  two  problems  that  originate  outside  the  traditional  statistical  canon:  Chapter  1  addresses  a  question  in  signal  processing,  while  Chapter  3  tackles  an  issue  in  empirical  machine  learning.  The  chapters  may  seem  to  confront  disparate  problems,  yet  they  are  strung  together  by  a  common  thread.  In  both  settings,  classical  statistical  theory  proves  indispensable,  offering  clarity,  structure,  and  crucially,  a  path  to  provable  optimality  unattainable  through  brute-force  computation  or  indiscriminate  data  accumulation.  The  problems  may  have  evolved,  but  the  guiding  principles  have  not.  By  returning  to  the  foundations  of  mathematical  statistics  we  can  confront  contemporary  challenges  without  surrendering  to  blind  reliance  on  data  and  compute.  The  enduring  lesson  is  straightforward:  rigorous  statistical  thinking  is  more  relevant,  and  more  necessary,  than  ever.
■590    ▼aSchool  code:  0212.
■650  4▼aSparsity
■650  4▼aSoftware  quality
■650  4▼aSpectrum  analysis
■650  4▼aSuccess
■650  4▼aSignal  processing
■650  4▼aPhase  transitions
■650  4▼aConvex  analysis
■650  4▼aWearable  computers
■650  4▼aStatistics
■650  4▼aApplied  mathematics
■650  4▼aMathematics
■653    ▼aModern  statistical  theory
■653    ▼aMachine-learning  models
■653    ▼aAlgorithmic  decision-making
■690    ▼a0364
■690    ▼a0463
■690    ▼a0405
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359243▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서