Undergraduate Elective 1062

• Ελληνικά
• English

Μετροθεωρητική Θεωρία Πιθανοτήτων

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE717
Εξάμηνο	7
Τίτλος Μαθήματος	Μετροθεωρητική Θεωρία Πιθανοτήτων
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 6)
Τύπος Μαθήματος	Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Τρόπος Διεξαγωγής Μαθήματος	Δια ζώσης (100%)
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

Το αντικείμενο της Θεωρίας Πιθανοτήτων είναι η μελέτη φυσικών φαινομένων στα οποία υπεισέρχεται τυχαιότητα. Αντικείμενο του μαθήματος είναι η εισαγωγή των φοιτητών στην αυστηρά θεμελιωμένη Θεωρία Πιθανοτήτων και η απόδειξη των κεντρικότερων αποτελεσμάτων της σε γενικότητα κατάλληλη για το επίπεδο των προπτυχιακών σπουδών. Συγκεκριμένα μετά το τέλος του μαθήματος οι φοιτητές θα γνωρίζουν: Την αυστηρή θεμελίωση της Θεωρίας Πιθανοτήτων του Kolmogorov. Την έννοια της στοχαστικής ανεξαρτησίας (σ)-αλγεβρών. Την απόδειξη του Νόμου των Μεγάλων Αριθμών για τετραγωνικά ολοκληρώσιμες ακολουθίες ανεξάρτητων και ισόνομων τ.μ. Τη δεσμευμένη μέση τιμή και ισορροπημένες διαδικασίες (martingales). Χαρακτηριστικές συναρτήσεις, ασθενή σύγκλιση και την απόδειξη του Κεντρικού Οριακού Θεωρήματος.

Γενικές Ικανότητες

Αυτόνομη εργασία Ομαδική εργασία Προαγωγή δημιουργικής και επαγωγικής σκέψης Προαγωγή αναλυτικής και συνθετικής σκέψης

Περιεχόμενο Μαθήματος

Θεμελίωση Θεωρίας Πιθανοτήτων: Χώροι πιθανότητας, τυχαίες μεταβλητές ως μετρήσιμες συναρτήσεις, Borel (σ)-άλγεβρες, κατανομή τυχαίων μεταβλητών, το (π)-(λ) θεώρημα του Dynkin και ισότητα μέτρων. Μέση τιμή: Η μέση τιμή ως ολοκλήρωμα Lebesgue, Χώροι (Lp), μέτρο εικόνα, ολοκλήρωση ως προς μέτρα εικόνα, η συνάρτηση πυκνότητας ως Radon-Nikodym παράγωγος της κατανομής, συναρτήσεις κατανομής. Ανισότητα Markov-Chebyshev, ανισότητα Jensen. Ροπογεννήτριες συναρτήσεις, φράγματα Chernoff. Κατά πιθανότητα και κατά σημείο σύγκλιση τυχαίων μεταβλητών και θεωρήματα σύγκλισης. Στοχαστική ανεξαρτησία 1: Στοχαστική ανεξαρτησία συνόλων, (σ)-αλγεβρών και τυχαίων μεταβλητών, κριτήριο ανεξαρτησίας μέσω (π)-συστημάτων. Ανεξαρτησία και μέση τιμή, συνέλιξη και άθροισμα ανεξάρτητων τυχαίων μεταβλητών. Τα λήμματα Borel-Cantelli και ο νόμος (0)-(1) του Kolmogorov. Νόμος των μεγάλων Αριθμών: Απόδειξη του ασθενούς νόμου των μεγάλων αριθμών, απόδειξη του ισχυρού νόμου των μεγάλων αριθμών για τετραγωνικά ολοκληρώσιμες τ.μ. Ασθενής σύγκλιση τυχαίων μεταβλητών και κατανομών και εμπειρικός νόμος των μεγάλων αριθμών. Στοχαστική ανεξαρτησία 2: Άπειρο γινόμενο χώρων πιθανότητας, κατασκευές ανεξάρτητων και ισόνομων τ.μ. με δεδομένη κατανομή, απόδειξη της ερμηνείας της πιθανότητας ως σχετική συχνότητα μέσω του νόμου των μεγάλων αριθμών. Δεσμευμένη μέση τιμή: Ύπαρξη ως Radon-Nikodym παράγωγος, ύπαρξη ως προβολή, βασικές ιδιότητες και θεωρήματα σύγκλισης για τη δεσμευμένη μέση τιμή, το θεώρημα της διάσπασης. Ισόρροπες ακολουθίες (martingales): Διηθήσεις, προσαρμοσμένες ακολουθίες, ορισμός ισορροπημένων διαδικασιών και παραδείγματα, χρόνοι στάσης, θεώρημα επιλεκτικής στάσης του Doob, το θεώρημα σύγκλισης, τετραγωνικά ολοκληρώσιμες ισορροπημένες ακολουθίες, απόδειξη του νόμου των μεγάλων αριθμών μέσω ισόρροπων διαδικασιών. Κεντρικό Οριακό Θεώρημα: Χαρακτηριστικές συναρτήσεις, το θεώρημα σύγκλισης του Levy για την ασθενή σύγκλιση, απόδειξη του κεντρικού οριακού θεωρήματος.

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Διαλέξεις.
Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές	Η επικοινωνία με τους φοιτητές γίνεται: Μέσω email. Δια ζώσης στο γραφείο. Κατά τη διάρκεια των διαλέξεων. Η συχνότητα επικοινωνίας με τους φοιτητές καθορίζεται από τις ανάγκες των φοιτητών.
Διασφάλιση Τρόπου Επικοινωνίας Μεταξύ Φοιτητών	Συνέργεια στα πλαίσια της παράδοσης του μαθήματος.
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	-
Απαιτούμενος Τεχνολογικός Εξοπλισμός και Γνώσεις Τεχνολογίας	Δεν απαιτείται τεχνολογικός εξοπλισμός, καθώς παρέχεται. Δεν απαιτούνται εξειδικευμένες γνώσεις τεχνολογίας.
Πολιτική Μαθήματος για τη Λογοκλοπή και Εργαλεία Ελέγχου Λογοκλοπής	Η λογοκλοπή απαγορεύεται ρητά και τιμωρείται κλιμακούμενα, ανάλογα με την επανάληψη της χρήσης της. Ελέγχεται, δε, με σχετικά εργαλεία όπως το "Turnitin", που παρέχει η Βιβλιοθήκη του Πανεπιστημίου.
Πολιτική Μαθήματος για τη Χρήση Τεχνητής Νοημοσύνης	Επιτρέπεται η χρήση Τεχνητής Νοημοσύνης κατόπιν άδειας από τον διδάσκοντα/τη διδάσκουσα.
Οργάνωση Διδασκαλίας	Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις (13Χ3) 39 Αυτοτελής Μελέτη 78 Επίλυση Ασκήσεων - εργασίες 33 Σύνολο Μαθήματος 150
Αξιολόγηση Φοιτητών	Η αξιολόγηση των φοιτητών θα γίνει με εβδομαδιαίες ασκήσεις, πρόοδο και τελική εξέταση.

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος.

Measure Theoretic Probability

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	MAE717
Semester	5
Course Title	Measure Theoretic Probability
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 6)
Course Type	Special background
Prerequisite Courses	-
Language of Instruction and Examinations	Greek
Mode of Course Delivery	Face-to-face (100%)
Is the Course Offered to Erasmus Students	Yes (in English)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

The object of Probability Theory is the study of natural phenomena that are subject to randomness. The aim of this course is to introduce the students to the axiomatic development of probability theory of Kolmogorov in the context of measure theory and the rigorous proof of the central theorems of probability theory. After the end of the course the students will know: The axiomatic development of Probability Theory. The notion of stochastic independence of σ-algebras. The proof of the Law of Large numbers for square-integrable independent and identically distributed random variables. The notion of conditional expectation and martingales. Characteristic functions, weak convergence and the proof of the Central Limit Theorem.

General Competences

Working independently. Working in groups. Creative, analytical and inductive thinking.

Syllabus

Foundations of Probability theory: Probability Spaces, random variables and measurability, Borel σ-algebras, distribution of random variables, the π-λ theorem of Dynkin and equality of measures. Mean Value: Mean value as Lebesgue integral, L^p-spaces, image-measure, integration with respect to image measures, density functions as Radon-Nikodym derivatives, distribution functions. Markov-Chebyshev inequality, Jensen inequality. Moment generating functions, Chernoff bounds. Convergence in probability, pointwise convergence of random variables and convergence theorems. Stochastic independence 1: Stochastic independence of sets, σ-algebras and random variables. Criteria of independence. Independence and expectation, convolution and sums of independent variables. Borel-Cantelli lemmas and 0-1 laws of Kolmogorov. Laws of Large numbers: proof of the weak law of large numbers, proof of the strong law of large numbers. Weak convergence of random variables and empirical law of large numbers. Stochastic independence 2: Infinite product of probability spaces, construction of independent and identically distributed sequences of random variables with a given distribution. Proof of the interpretation of probability as relative frequency via the law of large numbers. Conditional expectation: Existence of Radon-Nikodym derivative, existence as projection, main properties and convergence theorems for conditional expectation, the disintegration theorem. Martingales: Filtrations, adapted sequences, definition of martingales and examples, stopping times, Doob's optional stopping theorem, the convergence theorem. Square integrable martingales, proof of the law of large numbers via martingales. Central Limit Theorem: Characteristic functions, Levy's convergence theorem for weak convergence, proof of the central limit theorem.

Teaching and Learning Methods - Evaluation

Mode of Instruction	Face-to-face.
Mode and Frequency of Communication with Students	Communication with students takes place through: Email. In-person meetings during office hours. During lectures. The frequency of communication with students is determined by their needs.
Ensuring Communication Among Students	Collaboration and interaction are encouraged within the context of course delivery.
Use of Information and Communications Technology	-
Required Technological Equipment and Technology Skills	No technological equipment is required from students, as all necessary equipment is provided. No specialized technology skills are required.
Course Policy on Plagiarism and Plagiarism Detection Tools	Plagiarism is strictly prohibited and is subject to progressively stricter penalties in the event of repeated offenses. It is monitored using plagiarism detection tools such as Turnitin, which is provided by the University Library.
Course Policy on the Use of Artificial Intelligence	The use of Artificial Intelligence is permitted only with the prior approval of the instructor.
Teaching Methods	Activity Semester Workload Lectures (13x3) 39 Individual study 78 Exercises/projects 33 Course total 150
Student Performance Evaluation	Greek or English Weekly exercises, midterm exam, final written exam.

Attached Bibliography

See the official Eudoxus site.