Kurz doplňuje Teorii pravděpodobnosti 1 o znalosti, které matematičtí statistikové, ale i odborníci v teorii
pravděpodobnosti často potřebují ve svém výzkumu, a v tomto smyslu je volitelnou alternativou k Teorii
pravděpodobnosti 2. Zaměřuje se zejména na podmíněnou pravděpodobnost a podmíněnou střední hodnotu v
Kolmogorovově smyslu, na dominované systémy pravděpodobnostních měr, významné pravděpodobnostní
nerovnosti a horní/dolní meze, na kontiguitu pravděpodobnostních měr, na vzájemné vztahy pravděpodobnostních
měr a na empirické procesy.
Poslední úprava: T_KPMS (06.05.2014)
The course supplements the basic course Probability 1 for expert and practical knowledge which a statistician, but
also a probabilitist can need in their own research. As such, the course can be considered as an alternative to
Probability 2. It is focused on the conditional probability and conditional expectation in the Kolmogorov sense, on
dominated systems of probability distributions, on important probability inequalities and lower/upper bounds, on
the contiguity of probability measures, on relations between probability measures, and on the empirical
processes.
Cíl předmětu -
Poslední úprava: T_KPMS (06.05.2014)
Rozšířit základní znalosti pravděpodobnosti o teoretické i praktické poznatky, které matematický statistik, ale i odborník v pravděpodobnosti může využít ve svém vlastním výzkumu.
Poslední úprava: T_KPMS (06.05.2014)
To extend the basic knowledge of probability for expert and practical knowledge which a statistician, but also a probabilitist can need in their own research.
Literatura
Poslední úprava: prof. RNDr. Jana Jurečková, DrSc. (06.09.2013)
[1] Shorack, G. R. Probability for Statisticians. Springer 2000
[2] Pollard, D. A User’s Guide to Measure Theoretic Probability. Cambridge University Press 2002.
statistik v systému všech absolutně spojitých distribučních funkcí. Příklady.
2. Dominované systémy pravděpodobnostních měr. Existence spočetného ekvivalentního podsystému. Postačující statistiky a dominovaný systém. Nejméně příznivé pravděpodobnostní míry. Příklady.
3.Užitečné nerovnosti, lemmata a horní hranice: Bernstein, Billingsley, Birnbaum-Marshall, Borel-Cantelli, Chebyshev, convexity lemma, C_r nerovnost, Doob, entropy inequality, Hájek-Rényi, Hoeffding, Jensen, Hájek-Hoeffdingova projekce, Kolmogorovova maximální nerovnost, aj. Aplikace a příklady
5. Vzájemné vztahy pravděpodobnostních měr (coupling): vztahy mezi Poissonovým a binomickým rozdělením, věta Komlós-Májor-Tusnádyho, Strassenova věta.
6. Empirické procesy a jejich využití ve statistické inferenci.
Poslední úprava: T_KPMS (05.05.2015)
1. Conditioning: Conditional probability and conditional expectation in the Kolmogorov conception. Conditions under which there exists a genuine conditional probability distribution and its density. Sufficiency, sufficient statistics, factorization. Existence of a nontrivial sufficient statistic. Completness. Basu Theorem. Completness of the vector of order statistics for the system of all absolutely continuous distributions. Examples.
2. Dominated systems of probability measures. Existence of a countable equivalent subsystem. Dominated systems of probability measures and sufficient statistics. The least favorable probability measures. Examples.
3. Some important inequalities, lemmas and upper bounds: Bernstein, Billingsley, Birnbaum-Marshall, Borel-Cantelli, Chebyshev, convexity lemma, C_r- inequality, Doob, entropy inequality, Hájek-Rényi, Hoeffding, Jensen, Hájek-Hoeffding projection, Kolmogorov maximal inequality, and others. Aplications and examples.
4. Contiguity of probability measures, Hájek-LeCam Theorem, local asymptotic normality, Convolution Theorem. Aplications.
5. Inter-relations of probability measures (coupling): Relations of Poisson and binomial probability distributions, Theorem of Komlós-Májor-Tusnády, Strassen Theorem.
6. Empirical processes and their applications in the statistical inference.