A Coruña, 4 de xullo de 2018.- O Journal of Nonparametric Statistics (JNPS) é unha das revistas científicas da prestixiosa American Statistical Association (ASA), publicada pola editorial Taylor & Francis. O JNPS publica catro números anuais que inclúen artigos de investigación no campo da estatística non paramétrica e semiparamétrica e as súas aplicacións noutras ciencias, na enxeñaría, na medicina e nas humanidades. O actual editor xefe é o profesor Jun Shao (Department of Statistics, University of Wisconsin-Madison, USA). O Consello Executivo da ASA vén de designar como novo editor xefe electo ao profesor Ricardo Cao (Departamento de Matemáticas, Facultade de Informática da Universidade da Coruña), que desenvolverá o posto de editor xefe durante o trienio 2019-2021.

O panel editorial do JNPS está composto por preto de cuarenta editores asociados de universidades e centros de investigación de todo o mundo: máis da metade corresponden a universidades de EEUU e Canadá e tamén forman parte deste panel de editores asociados, investigadores de Europa e Asia. Como en calquera revista científica, o labor do editor xefe e o seu equipo de editores asociados é coordinar a avaliación científica dos artigos enviados por autores de todo o mundo para a súa posible publicación na revista, mediante un mecanismo de revisión anónima por pares. Entre as tarefas específicas do editor xefe están a coordinación da política editorial da revista, no campo científico da estatística non paramétrica, detectando novos campos de desenvolvemento e aplicación desta rama da estatística; a proposta de novos editores asociados que formen parte do panel editorial da revista; a asignación de artigos recibidos aos editores asociados para xulgar sobre a súa posible aceptación por parte da revista; e a decisión final sobre a aceptación ou rexeitamento da publicación dun artigo de investigación. No caso do JNPS o número anual de artigos recibidos para a súa posible publicación ronda os 150.

A estatística non paramétrica é una ferramenta fundamental da ciencia de datos. Posiblemente é a rama da estatística máis cercana á intelixencia artificial. Os métodos da estatística non paramétrica abranguen, entre moitos outros, os modelos non paramétricos de regresión, que permiten descobrir relacións entre variables, como a relación entre os gastos de aluguer da vivenda dunha familia e os seus ingresos, o número de membros da familia ou características da propia vivenda (como a súa superficie, localidade e barrio de ubicación, etc.); os métodos de clasificación non paramétrica, que permiten predicir a clase á que pertence unha futura observación a partires de variables explicativas relacionadas, como ocorre en problemas médicos na diagnose dunha enfermidade a partires dos síntomas observados nun paciente e os seus valores de variables clínicas; as técnicas de predición non paramétrica e semiparamétrica, que permiten, por exemplo, predicir o consumo eléctrico diario dun país cun día de antelación a partires de información sobre o consumo en días anteriores, a temperatura media neses días e o día da semana e o mes do ano do que se trate.

Para máis información sobre o Journal of Nonparametric Statistics pódese consultar a páxina web da revista:

https://www.tandfonline.com/toc/gnst20/current

así como a da American Statistical Association:

http://www.amstat.org/

Para máis información sobre a Estatística non paramétrica pódese consultar:

https://en.wikipedia.org/wiki/Nonparametric_statistics