Course teached as: B018779 - PROBABILITA' Second Cycle Degree in MATHEMATICS Curriculum APPLICATIVO
Teaching Language
Italian, and there is the possibility to request the course and the material in English.
Course Content
Law of large numbers, Central limit theorem.Large deviation theory. Rigorous probability theory. Weak convergence. Caratteristic function, Decomposition of probability laws. Conditional Probability. Martingales. Stochastic processes: Poisson, gambling games, Markov chains, Random walk, Branching proceses, Brownian motion.
1) Rosenthal, A first look at rigorous probability theory.
2) Frank den Hollander, Large deviations, Chapters 1 e 2.
3) Caravenna Dai Pra, Probabilita`.
4) Baldi, Calcolo delle Probabilità. Capitolo 5.
5) Sheldon Ross, Calcolo delle probabilità.
6) van der Hofstad, random graphs
Learning Objectives
The course aims to provide the students with fundamental knowledge and understanding about rigorous probability theory for general random variables and stochastic processes. One of the aim is to let the students develop technical skills to apply the knowledge and results to model concrete situations that needs general random variables and to compute probabilities and distributions requested in the situations described in the problem.
The course aims to provide the students with fundamental knowledge and understanding about limit theorems such as Strong Law of large numbers, central limit Theorems and large deviation theorems (with their proofs) with particular emphasis to the different hypothesis one could assume and to the different type convergence one could obtain. One of the aim is to let the students develop technical skills needed to perform asymptotic estimates, to solve concrete problems and to estimate probabilities that cannot be exactly computed. Another aim is to let the students develop technical skills needed to compute quantities related to Poisson processes and Markov chains and provides methods and examples for the solution of exercises that require to model concrete situation with those stochastic processes. Special attention will be paid to help the students to develop communication skills needed to explain with rigorous mathematical language the results explained and proved in class and to give justification of the methods used to solve the exercises. The course aims to stimulate students to develop independent and critical thinking to establish the appropriate results that can be used depending on the concrete situation described in the problem.
Prerequisites
Differential and integral calculation in one variable for real functions. Basic knowledge of algebra and geometry.
Basic notions of discrete and continuous random variables.
Teaching Methods
Lectures and discussion and correction of homework
Type of Assessment
The exam consists of a written and oral examinations per session. The written exam will have open questions of two types. The first type in which the student should state and prove results explained during the lessons, with the aim to verifying the knowledge, the understanding and the quality of the exposition. A second type in which the questions are conceived to assess the ability of the students to apply their skills to problem modelling and solving, and to give the rigorous justification using formule and the appropriate scientific language.
The oral examination is designed to evaluate the degree of understanding of the theory presented in the course. During the esposition of the definitions and results with their proofs the student has to show the degree of comprehension of the theoretical and applied aspects of the topics treated during the course. In the assessment, special attention is paid to communication skills, appropriate use of mathematical language. In particular, the teacher will pose be short questions on the relations between topics and on possible strategies to adapt the proofs to different hypothesis in order to evaluate the autonomy and critical thinking on the course topics.
Additionally, the students will have the opportunity to perform two partial tests that, if both successful, will allow them to access directly to the oral examination.
Course program
1) Teoremi Limite: legge dei grandi numeri, teorema del limite centrale enunciato e discussione. Il metodo dell'approssimazione Normale.
-Commento: Questi argomenti saranno trattati a diversi livelli. In primo luogo sono trattati senza lo strumento tecnico e avanzato della teoria della misura. In secondo luogo dopo aver studiato teoria della probabilita` rigorosa vedremo che sara' possibile dimostrarne versioni piu' forti.
-Libri di riferimento per la prima trattazione:
3) Caravenna Dai Pra Probabilita`,
5) Sheldon Ross Calcolo delle Probabilità,
-Libri di riferimento per la seconda trattazione:
1) Rosenthal, A first look at rigorous probability theory.
2) Teoria delle grandi deviazioni.
a) Teoria delle grandi deviazioni di S_n/n per variabili aleatorie indipendenti e identicamente distribuite.
b) Teoria di grandi deviazioni per la misura empirica teorema di Sanov.
-Libri di riferimento per la trattazione:
Large deviations, Frank den Hollander Capitoli 1 e 2.
3) Teoria rigorosa delle Probabilita' - teoria della misura
Teoria della probabilita' utilizzando i concetti e teoremi di teoria della misura.
-Libri adottati:
1) Rosenthal, A first look at rigorous probability theory.
Capitolo 1: la necessita' di teoria della misura in probabilita'. La distribuzione uniforme e insiemi non misurabili.
Capitolo 2 Triple di probabilita': Definizioni base, Costruzione delle triple di probabilita', Teorema di estensione, Variabili aleatorie discrete. Costruzione della distribuzione uniforme su [0,1], Estensioni del teorema di estensione, Lanci ripetuti di moneta.
Capitolo 3: Variabili aleatorie, Indipendenza, Continuita' delle probabilita', eventi limite, Sigma algebra terminale e teorema di Kolmogorov.
Capitolo 4: Speranza matematica o valore aspettato per veriabili aleatorie semplici, Speranza matematica o valore aspettato per veriabili aleatorie non negative, Speranza matematica o valore aspettato per veriabili aleatorie qualsiasi. Collegamenti con l'integrazione.
Capitolo 5: Disuguaglianze, Convergenza di variabili aleatorie, Legge dei grandi numeri, Eliminazione delle condizioni sui momenti Legge dei grandi numeri debole.
Capitolo 6: distribuzione di variabili aleatorie. Teorema del cambio di variabile. Esempi di distribuzioni.
Capitolo 9: Teoremi limite, differenziare la speranza matematica, Funzione generatrice di momenti. Teorema di Fubini e convoluzione
Capitolo 10: Definizione di convergenza debole e equivalenze. Collegamenti con altre definizioni di convergenza.
4a) Argomento Processo di Poisson definizione e proprieta` collegamenti variabili aleatorie studiate in precedenza.
-Libro adottato Calcolo delle probabilita` Ross,
Capitolo 9: Processo di Poisson Definizione, proprieta` formula di Erlang-Poisson.
4b) Argomento Processi di giochi d'azzardo
-Libro di riferimento Rosenthal
Capitolo 7: Processi stocastici, teorema di esistenza, scommesse e rovina del giocatore. Strategie di gioco.
4c) Argomento catene di Markov e Passeggiate aleatorie (Random walks)
-Libro di riferimento Rosenthal
Capitolo 8: Definizione di Catene di Markov ed Esempi. Passeggiata aleatoria e Random walk. Teorema di esistenza delle catene di Markov, transienza riducibilita` e irriducibilita`. Distribuzioni stazionarie e convergenza. Esistenza di distribuzioni stazionarie, esempi ed esercizi. Catene di Markov con spazio degli stati finiti. Esempi ed esercizi.
4e) Argomento: Processi stocastici generali e Moto browniano.
Libro di riferimento Rosenthal
Capitolo 15.
5) Convergenza debole, Funzioni caratteristiche, Decomposizione delle leggi di probabilita`, Probabilita` condizionale, Martingale.
-Libro di riferimento Rosenthal
Capitolo 10: Definizione di convergenza debole e equivalenti. Confronto con altri tipi di converse.
Capitolo 11: Funzioni caratteristiche e Teorema del limite centrale, Generalizzazione del teorema del limite centrale e Metodo dei momenti.
Capitolo 12: Decomposizione di misure di probabilita`, Decomposizione di Lebesgue e Hahn. Enunciato e dimostrazione della decomposizione di Hahn.
Teorema di Decompsizione di Lebesgue. Decomposizione con misure generali.
Capitolo 13: Probabilita` condizionata e valore aspettato condizionale. Condisionare su una variabile aleatoria. Condizionamento su una sub-sigma-algebra. Varianza condizionale.
Capitolo 14: Martingale. Tempi di attesa. Convergenza di Martinagale (Teorema di Wald).