Комбинаторика — это увлекательный раздел дискретной математики, который изучает вопросы выбора и расположения элементов множества в соответствии с заданными правилами. В этой статье мы собрали обзор самых востребованных и полезных материалов, которые помогут как новичкам, так и продвинутым математикам углубить свои знания.
Распределения с тяжёлыми хвостами моделируют экстремальные события лучше гауссовых. Стабильные законы возникают как предельные при сложении независимых величин с бесконечной дисперсией.
Стохастические дифференциальные игры моделируют конфликты игроков с общей случайностью. Они обобщают стохастическое управление на некооперативные сценарии.
Стохастическая оптимизация минимизирует функции с шумными градиентами, решая задачи машинного обучения и управления. Она обеспечивает масштабируемость для больших данных через мини-батчи.
Эргодические теоремы связывают временные средние с пространственными. Они обосновывают замену ансамблевых статистик траекторными, что критически важно для статистической физики и анализа данных.
Стохастические ряды обобщают сходимость на вероятностных пространствах с учётом зависимостей. Процессы с независимыми приращениями включают броуновское движение, Пуассона и стабильные процессы.
Теория больших отклонений количественно описывает экспоненциально малые вероятности редких событий в больших системах. Она устанавливает скорости убывания вероятностей как (P(A_n)sim e^{-nI(A)}).
Стохастическая аппроксимация итеративно минимизирует целевые функции по шумным градиентам. Она решает уравнения типа (mathbb{E}[H( heta,X)]=0) последовательными корректировками.
Стохастическое управление оптимизирует процессы с неполной информацией и случайными помехами. Оно решает задачи динамического программирования для стохастических дифференциальных уравнений.
Методы Монте-Карло используют случайную выборку для численного решения задач, недоступных аналитическим путём. Они особенно эффективны для многомерных интегралов, оценки рисков и симуляции стохастических процессов.