Markus Reiß

Dieses Lehrbuch liefert einen Einstieg in die mathematische Statistik und baut systematisch eine Brücke zum maschinellen Lernen. Dabei werden sowohl klassische und bis heute wichtige Verfahren untersucht als auch moderne Klassifikationsmethoden des statistischen Lernens. Diese werden mathematisch präzise analysiert und anhand von lebensnahen Beispielen illustriert. Das Buch verschafft den Leserinnen und Lesern einen Überblick über statistische Methoden der Datenanalyse und deren mathematischen Grundprinzipien. Der Fokus auf nicht-asymptotische Resultate erlaubt den Zugang zu modernen Anwendungen und führt an aktuelle Forschungsfragen heran. Aufgaben am Kapitelende runden das Buch ab.

The aim of this volume is to provide an extensive account of the most recent advances in statistics for discretely observed Lévy processes. These days, statistics for stochastic processes is a lively topic, driven by the needs of various fields of application, such as finance, the biosciences, and telecommunication. The three chapters of this volume are completely dedicated to the estimation of Lévy processes, and are written by experts in the field. The first chapter by Denis Belomestny and Markus Reiß treats the low frequency situation, and estimation methods are based on the empirical characteristic function. The second chapter by Fabienne Comte and Valery Genon-Catalon is dedicated to non-parametric estimation mainly covering the high-frequency data case. A distinctive feature of this part is the construction of adaptive estimators, based on deconvolution or projection or kernel methods. The last chapter by Hiroki Masuda considers the parametric situation. The chapters cover the main aspects of the estimation of discretely observed Lévy processes, when the observation scheme is regular, from an up-to-date viewpoint.