Теория вероятностей и математическая статистика

в РЭУ им. Г.В. Плеханова · Москва

Год	БюджетПроходной балл на бюджетные места — сумма баллов последнего зачисленного в этом году.	ПлатноеПроходной балл на платные места в этом году.	Мест БЧисло бюджетных мест в этом году.	Мест ПЧисло платных мест в этом году.	Цена/год
2026	94	—	3	0	—

Аспиранты исследуют закономерности случайных процессов и методы получения выводов по неполным данным. Темы диссертаций включают предельные теоремы, случайные процессы, статистическое оценивание, проверку гипотез, временные ряды, многомерные модели и устойчивые методы анализа. Прикладные работы могут опираться на экономические, финансовые и социальные данные. Основные инструменты – строгие доказательства, вероятностное моделирование, теория меры, вычислительный эксперимент, статистическое программирование и проверка свойств алгоритмов на модельных и реальных выборках. В РЭУ имени Г.В. Плеханова математическая подготовка естественно связана с экономикой, финансами и управлением. Это создаёт среду для исследований, где теоретический результат получает содержательную интерпретацию на данных рынков, предприятий или потребительского поведения. При этом диссертация должна вносить вклад именно в вероятностно-статистические методы, а прикладная задача служит полем для их разработки и проверки. Программа подойдёт математикам, специалистам по прикладной математике, эконометрике и анализу данных, которым важна теоретическая глубина. Степень кандидата физико-математических наук полезна для университетской и исследовательской карьеры, разработки статистических методов, количественной аналитики и моделирования рисков. Выпускник умеет формулировать вероятностную модель, доказывать свойства оценок и понимать границы достоверности выводов.

Теория вероятностей изучает закономерности случайных явлений, а математическая статистика – методы получения выводов о неизвестных свойствах объектов по данным. Исследователь строит вероятностные модели, оценивает параметры, проверяет гипотезы и анализирует неопределённость. От прикладной статистики специальность отличается требованием строгого математического обоснования методов, а от теоретической информатики – вниманием к случайности, распределениям и статистическим свойствам наблюдений. Основные направления охватывают случайные процессы и поля, предельные теоремы, стохастические дифференциальные уравнения, мартингалы, теорию массового обслуживания, статистическое оценивание, проверку гипотез, анализ временных рядов и высокоразмерную статистику. Диссертация может быть посвящена асимптотике оценки, свойствам случайного графа, экстремальным событиям, фильтрации случайного сигнала, моделям надёжности, непараметрическим методам или теоретическому обоснованию алгоритма машинного обучения. Аспирант осваивает теорию меры, стохастический анализ, методы доказательства предельных теорем, статистический эксперимент, байесовский и частотный подходы, вычислительную статистику и имитационное моделирование. Для работы применяются языки программирования и пакеты анализа данных, но вычислительный результат сопровождается математической оценкой точности. Сдаются экзамены по истории и философии науки, иностранному языку и специальной дисциплине. Итог – диссертация на степень кандидата физико-математических наук. Результаты используются в страховании, финансах, медицине, промышленном контроле, связи, климатологии, надёжности техники и анализе данных. Специальность связана с анализом, информатикой, эконометрикой и исследованием операций.

Кандидаты наук работают в математических НИИ, университетах, аналитических центрах, банках, страховых и технологических компаниях, фармацевтических и промышленных организациях. Типичные должности – научный сотрудник, преподаватель, статистик, специалист по данным, исследователь машинного обучения, риск-аналитик, актуарий или разработчик вероятностных моделей. Конкретная позиция может требовать дополнительных отраслевых знаний. Степень нужна для академической карьеры и разработки новых статистических методов. В компаниях она полезна там, где недостаточно применить готовый алгоритм: требуется проверить предпосылки модели, оценить неопределённость, доказать свойства метода и отвечать за корректность выводов по данным.