¿Cuáles son los cursos de matemática pura importantes para un estudiante de doctorado en estadística prospectiva?


9

Sé que el álgebra lineal y el análisis (especialmente la teoría de la medida) son importantes. ¿Es útil tomar cursos de posgrado en análisis real y complejo? ¿Debo tomar cursos de álgebra abstracta más allá de los cursos introductorios, por ejemplo, álgebra conmutativa y geometría algebraica?

Respuestas:


4

En mi opinión, algunas opciones para investigar a nivel de posgrado podrían ser: análisis funcional (un marco natural para formulaciones estadísticas), procesos estocásticos, control estocástico (el análisis secuencial es la detención óptima), varios tipos de PDE (muchos problemas probabilísticos se formulan como PDE parabólicas y no lineales). Casi todo esto requiere un análisis real a nivel de pregrado. Si está interesado en cosas teóricas, entonces tomar la teoría de la medida también es bastante importante como requisito previo para el tratamiento completo de estos temas. El análisis complejo tendrá algún uso, pero menos que el anterior; hay conexiones con la probabilidad (es decir, funciones armónicas), pero bien podría no valer la pena

El álgebra conmutativa y la geometría algebraica no serán muy útiles (una conexión que se me ocurre es la estadística algebraica, que no se enseña ampliamente). Estos temas también serán muy desafiantes sin una sólida formación en matemáticas.


Sabía que necesitaba los cursos de PDE, pero dije "matemática pura" por una razón. No pensé en el análisis funcional. Veo las conexiones, pero no sé qué vale realmente tomar.
user36587

1
PDE se puede enseñar en muchos sabores diferentes. Uno podría preocuparse por resolver explícitamente ejemplos básicos, y otro podría preocuparse por la existencia general y la unicidad de las clases de problemas, y otro podría estar en métodos numéricos y cuando funcionan correctamente.
cuasi

¡El análisis complejo puede ser muy útil en la teoría de la distribución! (Invertir transformaciones por integración de contornos ...). También función especial para la teoría de la distribución.
kjetil b halvorsen

En PDE, me gusta el enfoque de la física matemática: está enfocado con láser en aplicaciones, terminas resolviendo muchos PDE, numéricamente también, pero también aprendes suficiente teoría para no quedar recortado en los bordes. Es importante resolver realmente los problemas manejables con PDE, que la física tiene en abundancia.
Aksakal

1

Si desea comprender la teoría de la medida, no tiene más remedio que realizar un análisis real y un análisis avanzado (es decir, topología de conjunto de puntos). El álgebra abstracta es definitivamente más amigable con el grado que el análisis, sin embargo, creo que es mucho menos útil.


1

Obtenga un análisis real, pero no de la forma en que veo que la gente lo hace. Cuando entrevistamos a estudiantes universitarios de matemáticas, parece que no dominan las herramientas de análisis real, cosas simples como tomar integrales están fuera del alcance de la mayoría de ellos. Aún no entiendo por qué. Entonces, mi consejo: preste atención a las aplicaciones en primer lugar.

También obtenga cursos de ODE y PDE, y análisis funcional y geometría diferencial. Álgebra lineal y tensores, por supuesto, también. Todo con foco en aplicaciones.


¿La geometría diferencial es para la geometría de la información en particular o tiene aplicaciones más generales para la teoría estadística? Realmente no lo sé y me gustaría averiguarlo
Chill2Macht

1
El vínculo entre estadísticas y geometría es profundo y multifacético. Me encontré con un problema recientemente mirando la medida de covarianza entre curvas, por ejemplo, como extensión continua de vectores. También hubo una discusión reciente sobre múltiples relacionados con los estimadores paramétricos, ese es otro lin, y la lista continúa. Lo que sucede con estos temas elegantes como la topología es que, a menos que los conozca, no sabrá que podría usarlos.
Aksakal

0

Con respecto al álgebra conmutativa y la geometría algebraica, los temas que menos se abordan en las otras respuestas, mi impresión es que, siempre que evite las estadísticas algebraicas, puede sobrevivir sin ellas. Sin embargo, evitar las estadísticas algebraicas puede ser cada vez más difícil en el futuro, ya que tiene muchas aplicaciones e intersecciones con el aprendizaje automático / estadístico, que es muy importante en la investigación actual, así como en aplicaciones en otras áreas. El álgebra conmutativa y la geometría algebraica son los temas que desea aprender más específicamente para las estadísticas algebraicas, vea por ejemplo las respuestas a esta pregunta: Geometría algebraica para estadísticas

En contraste, todos los subcampos de estadísticas usan análisis. (Sin embargo, no es un análisis tan complejo, aunque puede ser útil para comprender las funciones características, un punto que parece no haberse planteado todavía). Creo que la teoría de la medida de nivel de pregrado probablemente sería suficiente, ya que he conocido estadísticos profesionales (por ejemplo, profesores en los departamentos superiores) que desprecian la teoría de la medida, pero si realmente quieres entender la teoría de la medida, un curso de posgrado en análisis real es de gran ayuda. La teoría de la medida de pregrado tiende a centrarse exclusivamente en la medida de Lebesgue en la línea real, que tiene muchas propiedades agradables que las medidas generales pueden no tener necesariamente, y además es una medida infinita. En contraste, un curso de análisis real a nivel de posgrado tenderá a tener más énfasis en medidas abstractas, que hacen que las medidas de probabilidad en general sean más fáciles de entender, y también aclaran la relación entre medidas de probabilidad continuas y discretas; en otras palabras, podrá ver que ambos temas se unen en un marco en su mente por primera vez. Del mismo modo, uno podría probar el teorema de extensión de Kolmogorov en dicho curso. Y una comprensión de las medidas abstractas es realmente indispensable para una comprensión rigurosa de los procesos estocásticos en tiempo continuo. Incluso es útil para comprender los procesos estocásticos en un tiempo discreto, aunque menos importante que en el caso continuo. Podrás ver que ambos temas se unen en un marco en tu mente por primera vez. Del mismo modo, uno podría probar el teorema de extensión de Kolmogorov en dicho curso. Y una comprensión de las medidas abstractas es realmente indispensable para una comprensión rigurosa de los procesos estocásticos en tiempo continuo. Incluso es útil para comprender los procesos estocásticos en un tiempo discreto, aunque menos importante que en el caso continuo. Podrás ver que ambos temas se unen en un marco en tu mente por primera vez. Del mismo modo, uno podría probar el teorema de extensión de Kolmogorov en dicho curso. Y una comprensión de las medidas abstractas es realmente indispensable para una comprensión rigurosa de los procesos estocásticos en tiempo continuo. Incluso es útil para comprender los procesos estocásticos en un tiempo discreto, aunque menos importante que en el caso continuo.

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.