Un resultado que ha tenido un gran impacto en la optimización / algoritmos convexos modernos y las estadísticas modernas (teoría de decisión estadística) es el Teorema Minimax de Von Neumann .
La teoría de la decisión estadística ofrece argumentos matemáticos para determinar qué tan bueno es un procedimiento estadístico. El teorema de minimax nos permite definir una noción de optimización formulando un juego de suma cero entre Statistician y Nature. Un Estadístico tiene muchos procedimientos estadísticos en su caja de herramientas, mientras que la naturaleza tiene una amplia variedad de señales para lanzarle al Estadístico. Un procedimiento óptimo de minimax ofrece el mejor resultado estadístico posible contra la señal más difícil de analizar (estimación / prueba / sea cual sea el objetivo).
En la teoría de optimización [1] , el teorema minimax nos dio la dualidad . Para muchas clases de problemas de optimización, uno puede formular la transformación de la forma canónica o “primitiva” de algún problema de optimización a su “forma dual”. Además, las dos formas son problemas matemáticos ligeramente diferentes, el teorema minimax nos dice que la solución óptima para el problema primario es idéntica a la solución óptima para el dual o muy cercana a él. Como resultado, muchos algoritmos de optimización resuelven problemas primarios difíciles transformándolos en problemas duales más fáciles.
- Cómo demostrar que [math] \ sin {\ theta} = \ frac {e ^ {i \ theta} - e ^ {- i \ theta}} {2i} [/ math]
- ¿Cómo era Shiing Shen Chern en persona?
- ¿Cuántas matemáticas necesita un corredor de bolsa?
- ¿Esta pregunta contiene errores: 'Encuentre el área del segmento cortado de la hipérbola [matemáticas] \ frac {x ^ 2} {9} - \ frac {y ^ 2} {4} = 1 [/ matemáticas] por el acorde x = 4 '?
- Cómo calcular [matemáticas] \ int_ {2} ^ {3} \ sqrt {2x- \ sqrt {5 (4x-5)}} + \ sqrt {2x + \ sqrt {5 (4x-5)}} dx [/ matemáticas]
Notas al pie
[1] Conferencia 8 | Optimización convexa I (Stanford)