Probability Calculus 2400-PP2RPa

Elementarny rachunek prawdopodobieństwa (8 h). Modele doświadczenia losowego: a) dyskretne, w tym tzw. klasyczna definicja prawdopodobieństwa; b) ciągłe (modele z gęstościami). Aksjomatyka Kołmogorowa. Podstawowe własności rachunkowe prawdopodobieństwa. Wzór włączeń i wyłączeń. Pobieranie próbek. Próbka jako miniatura populacji. Prawdopodobieństwo warunkowe. Wzór na prawdopodobieństwo całkowite i wzór Bayesa. Wzajemna niezależność zdarzeń; niezależność parami. Model dla ciągu niezależnych doświadczeń. Schemat Bernoulliego. Twierdzenie Poissona.
Zmienne losowe, rozkłady (14 h). Definicja zmiennej losowej o wartościach rzeczywistych. Rozkłady prawdopodobieństwa. Rozkłady dyskretne i ciągłe. Gęstość jako abstrakcyjny odpowiednik histogramu. Własności gęstości. Dystrybuanta i kwantyle. Własności dystrybuanty: granice w nieskończoności, monotoniczność, prawostronna ciągłość. Dystrybuanta a rozkład. Charakterystyki liczbowe zmiennych losowych. Wartość oczekiwana, wariancja, kowariancja. Momenty, współczynnik asymetrii i kurtoza. Analogiczne charakterystyki liczbowe próbki (także dystrybuanta empiryczna i kwantyle). Rozkład łączny dwóch zmiennych losowych. Współczynnik korelacji liniowej. Nierówność Schwarza. Wartość oczekiwana i wariancja dla najważniejszych rozkładów. Przykład rozkładu bez wart. oczekiwanej - rozkład Cauchy'ego. Wartość oczekiwana funkcji zm. los. Zastosowanie: funkcje tworzące, funkcje tworzące momenty, funkcje charakterystyczne (jedynie informacja). Wzór na iloczyn wartości oczekiwanych niezależnych zmiennych losowych. Niezależność a współczynnik korelacji. Nierówność Czebyszewa i nierówność Bernsteina dla schematu Bernoulliego. Niezależność zmiennych losowych, kryteria niezależności dla rozkładów dyskretnych i ciągłych. Rozkłady sum niezależnych zmiennych losowych. Przykłady: rozkłady gamma, chi-kwadrat, F, t-Studenta. Warunkowa wartość oczekiwana dla rozkładów dyskretnych i ciągłych. Dwuwymiarowy i wielowymiarowy standardowy rozkład normalny. Rozkład średniej i wariancji z próbki o rozkładzie normalnym.
Twierdzenia graniczne (6 h). Zbieżność według prawdopodobieństwa i prawie na pewno. Słabe i mocne prawo wielkich liczb dla schematu Bernoulliego. Słabe prawo wielkich liczb dla nieskorelowanych zmiennych losowych. Zastosowania: Twierdzenie o zbieżności dystrybuanty empirycznej (słaby wariant tzw. Gliwenki-Cantelliego). Twierdzenie de Moivre'a-Laplace'a i przykłady zastosowania (m.in. przedział ufności dla parametru rozkładu Bernoulliego). Centralne twierdzenie graniczne dla niezależnych zmiennych losowych o jednakowych rozkładach. Rozklad lognormalny i multiplikatywna wersja CTG.
Łańcuchy Markowa (2h) Łańcuchy Markowa. Modelowanie procesów losowych za ich pomocą. Tw. ergodyczne dla skończonych łańcuchów Markowa. Wyznaczanie prawdopodobieństw pochłonięcia.