Cramérpriset 2026 går till Federica Milinanni

Cramérpriset utdelas årligen för bästa doktorsavhandling till en person som disputerat i statistik/matematisk statistik under det gångna kalenderåret. Detta år går priset till Federica Milaninni, som under det gångna året disputerat på KTH. Motivering till beslutet lyder som följer:

Federica Milinannis doktorsavhandling “Large Deviation Analysis of Markov Chain Monte Carlo Methods and Algorithmic Advances for Uncertainty Quantification in Neuroscience” är ett välskrivet och tekniskt avancerat arbete där teoretisk analys, algoritmutveckling och praktiska tillämpningar förenas på ett övertygande sätt. Avhandlingen kretsar kring Markovkedje-Monte Carlo (MCMC) och utmärks särskilt av användningen av stora avvikelser-teori för att analysera konvergensegenskaper hos Metropolis–Hastings-algoritmer i kontinuerliga tillståndsrum, vilket ger ny och fördjupad förståelse av dessa centrala samplingsmetoder. Därtill erbjuder arbetet en metodologiskt genomarbetad behandling av MCMC för bayesiansk osäkerhetskvantifiering i neurovetenskapliga modeller. Sammantaget visar avhandlingen hög matematisk mognad och utgör ett gediget, självständigt och betydelsefullt bidrag till tillämpad sannolikhetsteori och beräkningsstatistik.

Engelsk version: 

Federica Milinanni’s doctoral thesis, “Large Deviation Analysis of Markov Chain Monte Carlo Methods and Algorithmic Advances for Uncertainty Quantification in Neuroscience,” is a well-written and technically advanced work that brings together theoretical analysis, algorithmic development, and practical applications in a convincing manner. The thesis centers on Markov chain Monte Carlo (MCMC) methods and is particularly distinguished by its use of large deviations theory to analyze the convergence properties of Metropolis–Hastings algorithms in continuous state spaces, providing new and deeper insight into these fundamental sampling methods. In addition, the work offers a methodologically thorough treatment of MCMC for Bayesian uncertainty quantification in neuroscience models. Taken together, the thesis demonstrates high mathematical maturity and constitutes a solid, independent, and significant contribution to applied probability theory and computational statistics.