Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade
|
|
- Rui Minho
- 5 Há anos
- Visualizações:
Transcrição
1 Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco material foi incluído sobre independência, mas este tópico será melhor tratado na segunda lista. 1 Revisão da teoria básica de conjuntos Usaremos sempre a seguinte notação: se Ω é um conjunto, então P(Ω) é o conjunto das partes de Ω, isto é, o conjunto cujos elementos são os subconjuntos de Ω. Lembremos também que o complementar de A Ω é A c {ω Ω : ω A} Note que para especificar o complementar, precisamos especificar Ω, mas este conjunto maior sempre estará claro do contexto em questão. Fixaremos um conjunto Ω para o restante desta lista. Defina a diferença entre dois conjuntos B e A como sendo: B\A {ω Ω : ω B, ω A}. Finalmente, diga que A e B são disjuntos quando A B =. Supondo que A, B, A 1, A 2, Ω, resolva os seguintes exercícios. Exercício 1 Prove que A A = A A = A. Exercício 2 Prove que B\A = B A c. IMPA, Rio de Janeiro, RJ, Brazil,
2 Exercício 3 Prove que (A B) c = A c B c e que em geral ( + n=1 A n) c = + n=1 Ac n. Exercício 4 Prove que (A B) c = A c B c e que em geral ( + n=1 A n) c = + n=1 Ac n. (Logo a complementação troca e.) Exercício 5 Prove que A e B são disjuntos se e somente se B\A = B e A\B = A. Exercício 6 Prove que A = se e somente se A e B são disjuntos para qualquer outro conjunto B. 2 σ-álgebras Recordemos a definição de σ-álgebra. Definição 1 Se Ω é um conjunto, F é uma σ-álgebra sobre Ω se 1. F é um subconjunto de P(Ω) (isto é, uma família de subconjuntos de Ω); 2. O conjunto vazio e o conjunto todo Ω pertencem a F; 3. Para todo A F, tem-se A c F; 4. Para toda seqüência (enumerável) A 1, A 2,... de elementos de F, A = + n=1 A n F. Exercício 7 Mostre que F = {, Ω} e F = P(Ω) são σ-álgebras. Suponha agora que F é uma dada σ-álgebra sobre Ω. Use a Definição acima e os exercícios da seção anterior para resolver os dois exercícios seguintes. Exercício 8 Mostre que para toda seqüência B 1, B 2, F a intersecção + n=1 B n também está em F. Exercício 9 Mostre que para quaisquer A, B F a diferença B\A também está em F. 2.1 Geração de σ-álgebras Tome agora uma coleção C de subconjuntos de Ω (i.e. um conjunto C P(Ω)). Exercício 10 Mostre que há ao menos uma σ-álgebra contendo todos os elementos de C. Exercício 11 Defina σ(c) F. Fé σ-alg. sobre Ω, F C Mostre que σ(c) é uma σ-álgebra que contém C e que está contida em qualquer outra σ- álgebra contendo C. σ(c) é a σ-álgebra gerada por C. 2
3 Exercício 12 Seja D = {A c : A C} o conjunto cujos elementos são os complementares dos elementos de D. Mostre que σ(c) = σ(d). Exercício 13 Se C C P(Ω), então σ(c) σ(c ). 2.2 A σ-álgebra de Borel Escolha um natural d e seja Ω = R d. Considere os seguintes subconjuntos de P(R d ). 1. O = {A R d : A aberto}; 2. C = {F R d : F fechado}; 3. L = {E R d : E bola aberta}; 4. S = {U R d : U bola fechada}; 5. K = {C R d : C compacto}; 6. I = { d i=1 (, r i] : (r 1,..., r d ) R d }. Exercício 14 Mostre que as σ-álgebras σ(o), σ(c), etc. são todas iguais. Esta σ-álgebra comum é chamada de σ-álgebra de Borel de R d e simbolizada por B(R d ). Exercício 15 Do mesmo modo, se (r 1,..., r d ) R d, então (, r 1 ] (, r d ] e (, r 1 ) (, r d ) estão em B(R d ). 3 Medidas de probabilidade Recordemos a definição: Definição 2 Seja Ω um conjunto e F uma σ-álgebra sobre Ω. Uma função P : F [0, 1] é uma medida de probabilidade sobre (Ω, F) se 1. P( ) = 0, P(Ω) = Se A 1, A 2,... formam uma seqüência (enumerável) de elementos de F tal que para todos naturais i j A i e A j são disjuntos, + P( + n=1 A n) = P(A n ). n=1 3
4 Um trio (Ω, F, P) onde Ω é um conjunto, F uma σ-álgebra sobre Ω e P uma medida de probabilidade sobre (Ω, F) é chamado de espaço de probabilidade. Os elementos de F são chamados de eventos. Seja então (Ω, F, P) um espaço de probabilidade. Exercício 16 Prove que se A, B F, P(A) = P(A B) + P(A\B). P(A c ) = 1 P(A). Em particular, Exercício 17 Prove que se A, B F com A B, então P(A) P(B). Exercício 18 Sejam A 1, A 2, F uma seqüência encaixada crescente de eventos, i.e. A 1 A 2 A Mostre que P( + n=1 A n) = lim n + P(A n ). Exercício 19 Usando complementação e o exercício anterior prove que se B 1, B 2, F formam uma seqüência encaixada decrescente(i.e. B 1 B 2 B 3... ), P( + n=1 B n) = lim n + P(B n ). Exercício 20 Prove que se E 1, E 2, F são eventos quaisquer, + P( + n=1 E n) = lim N + P( N n=1e n ) P(E n ). n=1 3.1 O lim inf e no primeiro lema de Borel-Cantelli Definiremos agora um novo subconjunto de Ω o lim inf a partir de uma seqüência de eventos A 1, A 2, F. lim inf A n = {ω Ω : ω A n para infinitos valores de n}. n + Este evento é costumeiramente representado pela expressão A n infinitely often (n) ou simplesmente A n i.o. em textos em inglês. Exercício 21 Prove que lim inf A n = {ω Ω : n N m N tal que m n e ω A m }. n + Usando esta expressão, mostre que + lim inf A n = n + + n=1 m=n e que portanto o lim inf é um evento, isto é, está em F. A m. 4
5 Exercício 22 Continuando o exercício anterior, defina B n + m=na m. Mostre que os B n formam uma seqüência encaixada decrescente e que portanto P(lim inf n + A n) = P( + n=1 B n) = lim n + P(B n). Mostre também que se + n=1 P(A n) < +, então P(lim inf A n) = lim P(B n) n + n + lim + n + m=n P(A m ) = 0. Apesar de simples, o resultado acima é extremamente importante. Ele é conhecido como o Primeiro Lema de Borel Cantelli e está destacado abaixo. Lema 1 (Primeiro Lema de Borel Cantelli) Seja A 1, A 2, A 3, F uma seqüência (enumerável) de eventos com n P(A n) < +. Então P(lim inf n + A n ) = Distribuições sobre a reta R Consideraremos agora o caso Ω = R, F = B(R). Para qualquer medida de probabilidade P sobre R, podemos definir uma função: F P : r R F P (r) = P((, r]). Definição 3 Se P é uma medida de probabilidade sobre (R, B(R)), a função cumulativa de distribuição (fcd) de P é a função F P definida pela regra acima. Provaremos a seguir uma série de propriedades de F P. Exercício 23 Demonstre que se s < r so reais: 1. P((, r)) = F P (r ); 2. P((s, r]) = F P (r) F P (s); 3. P((s, r)) = F P (r ) F P (s); 4. P([s, r]) = F P (r) F P (s ); 5. P([s, r)) = F P (r ) F P (s); 6. P((s, + )) = 1 F P (s); 7. P([s, + )) = 1 F P (s ). 5
6 Exercício 24 Dada F = F P, apresente uma maneira de calcular a probabilidade de qualquer evento A R que seja um conjunto aberto ou fechado. Exercício 25 Mostre que F P é não-decrescente, isto é, que para todos os reais s r F P (s) F P (r). Exercício 26 Prove que qualquer função F não decrescente sobre R tem limites à esquerda, isto é, para todo s R existe um valor F (s ) R tal que, se {s i } é uma seqüência crescente convergindo a s, então F (s i ) F (s ). Exercício 27 Demonstre que F P é contínua à direita, isto é: se {r i } + i=1 é uma seqüência decrescente convergindo a R, então lim i F P (r i ) = F P (r). Prove ainda que F P (r ) F P (r). Exercício 28 Mostre que se r, F P (r) 0. Por outro lado, se r +, F P (r) 1. 4 Variáveis e vetores aleatórios Fixemos mais uma vez um espaço de probabilidade (Ω, F, P). Considere uma função X : Ω R d (onde d é algum natural fixo). Para A R d, defina a imagem inversa de A por X: X 1 (A) {ω Ω : X(ω) A}. Exercício 29 Mostre que o seguinte conjunto é uma σ-álgebra sobre R que está contida em B(R d ): G(X) {A B(R d ) : X 1 (A) F}. Definição 4 Uma função X : Ω R d é dita uma variável aleatória se para todo A B(R d ) temos X 1 (A) F (na linguagem de Teoria da Medida, isto quer dizer que X é F/B(R d )-mensurável). Se d > 1, costuma-se enfatizar isso dizendo que X é um vetor aleatório. Exercício 30 Mostre que X é variável aleatória se e somente se G X = B(R d ). Prove também que isto é verdade se e somente se X 1 (A) F para todo A W, onde W é qualquer uma das seis coleções de subconjuntos de R d definidas na Seção 2.2. Exercício 31 Mostre que se (Ω, F) = (R s, B(R s )) e X : R s R d é contínua, então X é uma variável aleatória. 6
7 Exercício 32 Suponha que X : Ω R d é variável aleatória e que Y : R d R s é variável aleatória quando R d é dotado da σ-álgebra de Borel. Mostre que a composição de funções Y X também é uma variável aleatória. Exercício 33 Seja X v.a. com valores em R d, de modo que a cada ω Ω X(ω) = (X 1 (ω),..., X d (ω)). Mostre que cada X i é uma v.a. e que de modo geral, se escolhemos índices 1 i 1, i 2,..., i k d, Z(ω) (X i1 (ω), X i2 (ω),..., X ik (ω)) também é v.a.. Ocasionalmente consideramos variáveis aleatórias com valores em R {± }. Neste caso, temos a seguinte definição: Definição 5 Uma função X : Ω R {± } é dita uma variável aleatória com valores estendidos se para todo A B(R d ) temos X 1 (A) F, e também X 1 ({+ }), X 1 ({ }) F. Observação 1 O fato de que X é ou não variável aleatória depende apenas da escolha de Ω, F e X; a medida P não entra na definição. O par (Ω, F) é o que se chama de espaço mensurável em Teoria da Medida. Observação 2 O evento X 1 (A) é costumeiramente representado pela expressão {X A}. Já eventos do tipo {X (, r]} ou {X [s, r]} são costumeiramente escritos como {X r}, {s X r}, etc. 4.1 Funções indicadoras e simples Definição 6 Seja A Ω e defina 1 A : Ω R pela fórmula: { 1 se ω A, 1 A (ω) = 0 caso contrário. Esta é a chamada função característica de A, também chamada de indicador de A. Exercício 34 1 A é variável aleatória se e somente se A F. Definição 7 Uma variável aleatória Y : Ω R d é dita simples se existem A 1,..., A m F e c 1,..., c m R d tais que Y (ω) = m j=1 c j1 Aj (ω) para todo ω Ω. É um fato de Teoria da Medida que: Teorema 1 Seja X : Ω R d uma função. X é uma variável aleatória se e somente se existe uma seqüência de funções simples {X i } i N tais que X i (ω) X(ω) para todo ω Ω. 7
8 Observação 3 No teorema acima podemos exigir que { X i (ω) } i forme uma seqüência não decrescente. Um teorema semelhante cobre o caso de variáveis aleatórias estendidas. Exercício 35 Usando o teorema acima, mostre que, se X, Y : Ω R d são variáveis aleatórias, αx, XY e X + Y também são (aqui α R é qualquer número escolhido). Mostre ainda que se {X i } i N uma sequêencia de v.a. s tais que existe o limite lim i N X i (ω) para todo ω Ω, então a função também é variável aleatória. X(ω) lim i N X i (ω) 4.2 A distribuição de probabilidade e a σ-álgebra de X Seja X uma variável aleatória definida sobre (Ω, F, P) com valores em R d. Exercício 36 Defina P X : A B(R d ) P(X A) = P(X 1 (A)). Mostre que P X é uma medida de probabilidade sobre (R d, B(R d )). Definição 8 A medida P X é chamada a distribuição de probabilidade de X. Por abuso de notação, a função cumulativa de distribuição de P X será denotada por F X. Observação 4 O fato de que X 1 (A) F para todo A B(R d ) é exatamente o que torna P X uma probabilidade. O seguinte resultado é trivial, mas muito importante. Proposição 1 Qualquer medida µ de probabilidade sobre (R d, B(R d )) é a distribuição de probabilidade de alguma variável aleatória. Exercício 37 Prove esta proposição. Agora considere Y : Ω R d e defina: σ(y ) {Y 1 (A) : A B(R d )}. Definição 9 σ(y ) é a σ-álgebra gerada por Y. Exercício 38 Prove que σ(y ) é de fato uma σ-álgebra e que Y é variável aleatória se e somente se σ(y ) F. Exercício 39 Demonstre que σ(y ) = {, Ω} se e somente se Y é constante e que σ(y ) = {, A, A c, Ω} se e somente se Y = 1 A. 8
9 4.3 Distribuições de variáveis aleatórias com valores inteiros Seja (Ω, F) = (Z, P(Z)) e considere uma medida de probabilidade P sobre Z. Exercício 40 Seja p z P({z}). Mostre que z Z p z 0, p z = 1. z Z Prove que qualquer escolha de pesos p z com estas propriedades determina uma medida de probabilidade sobre (Z, P(Z)). (Tais pesos são ocasionalmente chamados de densidade discreta de P.) Observação 5 Uma construção semelhante vale quando Z é substituído por qualquer outro conjunto enumerável. Considere X : Z R dada por X(ω) = ω. Exercício 41 Prove que X é variável aleatória e que para todo z Z e z 1 < r z F X (r) = z z p z. Em outras palavras, r R, F X (r) = z Z p z 1 (z 1,z] (r). (1) z z Note que isto equivale a dizer que A B(R), P X (A) = P(X A) = z A Z p z. (2) Mostre a seguinte recíproca: se X é uma v.a. com valores em Z, existem pesos {p z } como acima tais que F X tem a forma dada em (1). Mais ainda, se construímos a medida P correspondente a estes pesos sobre Z e fazemos X : Z R, então a distribuição P X : A B(R) P X (A) = P(X A) = é igual à distribuição de X. z A Z Nos próximos exercícios, os pesos {p z } z Z são dados e você deve calcular e desenhar (na medida do possível) a F X correspondente. p z 9
10 Exercício 42 [Uma moeda.]p 0 = 1 p, p 1 = p e p z = 0 para qualquer outro z. (Aqui p é a probabilidade de dar cara. Esta distribuição é chamada Bernoulli com parâmetro p.) Exercício 43 (Um dado com seis faces igualmente prováveis.) p z = 1/6 se z {1,..., 6} e p z = 0 para qualquer outro z. Exercício 44 (A distribuição uniforme.) p z = 1/N se z S e p z = 0 para qualquer outro z. Aqui S Z é um conjunto dado com N > 0 elementos. Exercício 45 (Uma distribuição exponencial.) p z = 1/2 z+2 se z {±1, ±2, ±3,... } e p z = 1/2 para z = 0. Exercício 46 (Uma Gaussiana discreta.) p z = e z2 /2 /A, onde A w Z e w2 /2. Exercício 47 [Poisson.]p z = e λ λ z /z! para z 0 e p z = 0 para z < 0. Aqui λ > 0 é um parâmetro e a distribuição resultante é dita Poisson com parâmetro λ (simbolicamente P o λ ). Nos proóximos exercícios apresentaemos espaços de probabilidade (Ω, F, P) e variáveis aleatórias X : Ω R. Seu objetivo será provar que X(ω) Z para cada ω Ω e calcular a F X e os p z s correspondentes, seguindo a receita do Exercício 41. Exercício 48 (Ω, F, P) = (Z, P(Z), P) para alguma medida P. X : ω ω. (Este é o caso trivial discutido no início desta seção.) Exercício 49 (Ω, F) = (R, P(R)). P é a medida uniforme sobre [0, 1], dada por F P (r) = min{r, 1}1 [0,1] (r), ou equivalentemente, para a < b P([a, b]) = min{1, b} max{0, a}. X(ω) = 1 se ω 1 p e X(ω) = 0 em caso contrário. Exercício 50 (Ω, F) = (R, B(R)). P é a medida uniforme sobre [0, 1] (ver acima). Fixo um N natural, X : Ω R leva ω R ao maior inteiro z menor ou igual a Nω, isto é: X(ω) = z Z z1 [z,z+1) (Nω). (O resultado será p z = 1/N para z {0,..., N 1} e p z = 0 para qualquer outro z.) 10
11 4.4 Variáveis aleatórias com densidades Discutiremos agora variáveis aleatórias com valores reais com uma propriedade especial. Definição 10 Seja F X a função cumulativa de distribuição de uma variável aleatória com valores em R d. Dizemos que X tem densidade f X : R d [0, + ) se para todo (r 1,..., r d ) R d F X (r 1,..., r d ) = P(X (, r 1 ] (, r d ]) = r1 rd... f X (x 1,..., x d ) dx 1... dx d. Tanto a integral acima quanto a que consta da proposição abaixo têm de ser interpretadas no sentido de Teoria da Medida. Proposição 2 f X é a densidade de X se e somente se para todo A B(R d ) P X (A) = P(X A) =... f X (x 1,..., x d ) dx 1... dx d. Observação 6 Qualquer medida de prob. sobre R d é a distribuição de alguma v.a.. Usando isso, podemos dizer que f é a densidade de uma certa medida P quando ela é a densidade da v.a. correspondente. Note que duas v.a. s com a mesma distribuição têm a mesma densidade. Observação 7 No caso d = 1, se X tem densidade f X, então f X = F X em todos os pontos onde F X está definida e estes pontos têm medida total em R. Quando d > 1, as derivadas parciais de F X de ordem 1 existem e podem ser escritas em termos de integrais f X, com semelhantes observações sobre pontos de não diferenciabilidade. Observação 8 Qualquer densidade f : R d [0, + ) satisfaz... f(x 1,..., x d ) dx 1... dx d = 1. (3) R d Em contrapartida, qualquer função f : R d [0, + ) com a propriedade (3) é a densidade de alguma distribuição P. No entanto, nem toda variável aleatória tem densidade. De fato, as v.a. s com valores discretos da seção anterior não tem densidade e há exemplos muito mais exóticos. Exercício 51 Sejam (Ω, F) = (R, P(R)). P é a medida uniforme sobre [0, 1], dada por A F P (r) = min{r, 1}1 [0,1] (r), ou equivalentemente, para a < b P([a, b]) = min{1, b} max{0, a}. densidade f P (x) 1 [0,1] (x). Mostre que P tem 11
12 Exercício 52 Sejam (Ω, F) = (R, P(R)). P é a medida exponencial com parâmetro λ > 0 dada por F P (r) = (1 e λr )1 [0,+ ) (r). Mostre que P tem densidade f P (x) λe λx 1 [0,+ ] (x). Exercício 53 Uma variável aleatória X com valores em R tem densidade f X. Mostre que se α, β são reais e α > 0 então Y = αx + β tem densidade ( ) y β f Y : y R f X. α Exercício 54 Sejam (Ω, F) = (R, P(R)). P é a medida uniforme sobre [a, b] dada por min{r a, b a} F P (r) = 1 b a [a,b] (r). Seja X(ω) = ω e P X é a distribuição correspondente a (Ω, F, P) e X. Prove que Y (ω) = (X(ω) a)/(b a) tem distribuição uniforme sobre [0, 1]. Use este fato e o exercício acima para provar que f X (x) = 1 [a,b](x) b a. Exercício 55 Se λ 1, λ 2 > 0 e X é v.a. exponencial com parâmetro λ 1, então λ 2 X é v.a. exponencial com parâmetro λ 1 /λ 2. Exercício 56 Uma variável aleatória X com valores em R é dita normal (ou Gaussiana) com parâmetros (µ, σ 2 ), também representada por N(µ, σ 2 ) (onde σ > 0) se sua densidade é dada por (x µ) 2 f X (x) e 2σ 2 σ 2π. Se µ = 0 e σ = 1, X é dita normal (ou Gaussiana) padrão. Mostre que se X é N(µ, σ 2 ), então para qualquer α > 0, β R Y = αx + β é N(µ, σ ) 2 para outros valores µ, σ. Determine estes valores em termos de µ, σ, α e β. 4.5 Uma definição mais geral de variável aleatória Ocasionalmente investigaremos funções X : Ω Θ, onde Θ é um conjunto arbitrário. Se Θ é dotado de uma σ-álgebra G, então dizemos que X é F/G-mensurável (ou uma F/G-variável aleatória) quando para todo A G X 1 (A) F. Exercício 57 Mostre que a definição anterior corresponde ao caso em que (Θ, G) = (R d, B(R d )). Exercício 58 Prove que se P é uma medida de probabilidade sobre (Ω, F), P X é uma medida de prob. sobre (Θ, G), onde P X (A) = P(X A) = P(X 1 (A)) para cada A G. (Novamente a definição de v.a. é feita de modo que P X seja de fato uma medida.) 12
13 5 Independência 5.1 Definições básicas e sua equivalência Definição 11 Seja {X i } i A uma família (finita, enumerável ou não-enumerável) de v.a. s definidas sobre (Ω, F, P), cada uma com valores em R d i (i A). Dizemos que esta família é independente se para cada S A finito e não-vazio e para cada escolha de conjuntos A i R d i, i S, temos: P( {X i A i }) = P({X i A i }). i S i S Exercício 59 Generalize esta definição para v.a. s como na Seção 4.5, onde para cada i A tem-se que X i : Ω Θ i e X i é F/G i -v.a. para alguma σ-álgebra sobre Θ i. Definição 12 Seja {F i } i A uma família de σ-álgebras contidas em F, onde (Ω, F, P) é um espaço de probabilidade. Dizemos esta família é independente se para todo S A finito e toda escolha de A i F i (i S) temos: P( i S A i ) = i S P(A i ). Exercício 60 Mostre que {X i } i A é independente segundo a primeira definição se e somente se a família {σ(x i )} i A de σ-álgebras geradas por X i, i A é independente segundo a segunda definição. 5.2 Existência geral e caracterização em R d Aqui catalogamos dois resultados de teoria da medida. Teorema 2 Seja {(Ω i, F i, P i )} i A uma família de espaços de probabilidade. Então existe um espaço (Ω, F, P), chamado espaço produto, tal que 1. Ω = i A Ω i = {ω = (ω i ) i A : i A, ω i Ω i } é o produto cartesiano dos Ω i ; 2. Se Π i : ω Ω ω i Ω i é a projeção na i-ésima coordenada, F é a menor σ- álgebra a tornar todos os Π i s mensuráveis (em particular, cada Π i é uma F/F i -v.a. cf. Seção 4.5); 3. para todo S A finito e toda escolha de A i Ω i para i S, P( i S Π 1 i (A i )) = i S P i (A i ). 13
14 Exercício 61 Mostre que neste caso os Π i s são uma família independente. Prove a seguinte conseqüência: para qualquer família de variáveis aleatórias X 1 : Ω 1 R d 1,..., X n : Ω n R dn, existem variáveis aleatórias independentes Y 1,..., Y n definidas sobre um espaço comum Ω tais que para todo 1 i n Y i tem a distribuição de X i Considere agora variáveis aleatórias X i : Ω R, 1 i d. Podemos definir definir um vetor X : Ω R d como a concatenação dos X i s: X(ω) = (X 1 (ω),..., X d (ω)). Teorema 3 Os X i s formam uma família independente se e somente se F X (r 1,..., r d ) = d i=1 F X i (r i ) para todo (r 1,..., r d ) R d. Exercício 62 Prove a parte somente se deste teorema. Note que no caso em que cada X i tem uma densidade, a condição acima equivale a pedir que f X (r 1,..., r d ) = d i=1 f X i (r i ). Exercício 63 Formule (sem provar) um análogo dele para quando X i : Ω R d i, com d i Soma de variáveis aleatórias independentes: caso discreto Seja (Ω, F) = (Z 2, P(Z 2 )). Como Z 2 é enumerável, podemos definir uma uma medida de probabilidade sobre Z 2 especificando pesos p (z1,z 2 ) 0 para cada (z 1, z 2 ) Z 2, com (z 1,z 2 ) Z 2 p (z 1,z 2 ) = 1 (cf. Seção 4.3). Para cada ω = (ω 1, ω 2 ) Z 2, defina X i (ω) = ω i ; X 1 e X 2 são v.a. s. Exercício 64 Mostre que para quaisquer X 1, X 2 como acima, S = X 1 + X 2 é v.a. e que P(S = z) = p z1,z z 1. z 1 Z Exercício 65 Prove que X 1 e X 2 são independentes se e somente se p (z1,z 2 ) = p (1) z 1 p (2) z 2 para todo (z 1, z 2 ) Z 2, onde cada {p (i) z } z Z corresponde a uma probabilidade sobre Z. Exercício 66 Demonstre que se X 1 e X 2 são independentes, P S é dada pelos seguintes pesos: q z = p (1) z p (2) z z 1 = p (1) z z 2 p (2) z 2 (z Z). (4) z 1 Z Definição 13 A fórmula (4) define a convolução discreta das distribuições de X 1 e X 2. z 2 Z 14
15 Exercício 67 Prove que se {X i : Ω R} n i=1 é uma família de n v.a. s independentes com valores em Z e cada X i tem distribuição dada pelos pesos {p (i) z } z Z, então a distribuição da soma soma S n = X X n tem pesos {q z (n) } z Z dados por uma convolução iterada: q (n) z = p (1) z p (2) z 2 z 1,...,z n Z : z 1 + +z n=z 5.4 Funções geradoras de momentos... p (n) z n. Tratamos agora do caso de variáveis aleatórias com valores inteiros não-negativos. Isto é, X 1,..., X n satisfazem P(X i < 0) = 0. Usamos a mesma notação de pesos e somas S n = X X n da seção anterior. Definição 14 Se X toma valores em {0, 1, 2, 3,... }, a função geradora de momentos de X e definida como G X : x ( 1, 1) G X (x) + z=1 P(X = z)x z R. Exercício 68 Mostre que a série definindo G X converge absolutamente para x ( 1, 1) e que G X = G Y se e somente se X e Y têm a mesma distribuição. Exercício 69 Prove que G Sn (x) = n i=1 G X i (x) para todo x ( 1, 1). Aplicaremos este resultado em dois casos específicos muito importantes. Exercício 70 Recorde a definição de uma v.a. Bernoulli com parâmetro p do Exercício 42. Prove que se X 1,..., X n são independentes e deste tipo, G Xi (x) = (1 p) + px, G Sn (x) = ((1 p) + px) n e portanto S n tem distribuição binomial com parâmetros N, p (Bin(N, p)), cujos pesos são dados por: q (N) z = ( ) N p z (1 p) N z se z 0 e 0 se z < 0. z Exercício 71 Recorde a definição de uma v.a. poisson com parâmetro λ do Exercício 47. Prove que se X 1 é P o λi para cada i, G Xi (x) = e λi(x 1), G Sn (x) = e ( n i=1 λi)(x 1) e portanto S n tem distribuição Poisson P o n i=1 λ. i Exercício 72 Você sabe provar estes resultados a partir das fórmulas da seção anterior? 15
σ-álgebras, geradores e independência
σ-álgebras, geradores e independência Roberto Imbuzeiro M. F. de Oliveira 15 de Março de 2009 Resumo Notas sobre a σ-álgebra gerada por uma variável aleatória X e sobre as condições de independência de
Leia maisDistribuies de Probabilidade
Distribuies de Probabilidade Roberto Imbuzeiro M. F. de Oliveira 23 de Março de 2009 Resumo Exerçícios sobre as distribuições de v.a. s. 1 Toda variável aleatória real é uniforme Seja X : Ω R com função
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia maisTeoria Ergódica (9 a aula)
Outubro 2012 Espaços de Sequências Seja (X, d 0 ) um espaço métrico compacto. B Z (X ) = X Z = { x = (x j ) j Z : x j X, j Z } B N (X ) = X N = { x = (x j ) j N : x j X, j N } B(X ) designa indiferentemente
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
Leia maisPROBABILIDADE PGE950
PROBABILIDADE PGE950 José J. C. Hernández DE - UFPE October 12, 2017 José J. C. Hernández (DE - UFPE) Estatística I October 12, 2017 1 / 88 1 Introdução à Probabilidade 2 Variavel Aleatória 3 Vetores Aleatórios
Leia mais1 Probabilidade: Axiomas e Propriedades
1 Probabilidade: Axiomas e Propriedades 1.1 Definição Frequentista Considere um experimento aleatório que consiste no lançamento de um dado honesto. O espaço amostral desse experimento é Ω = {1, 2, 3,
Leia mais1 Limites e Conjuntos Abertos
1 Limites e Conjuntos Abertos 1.1 Sequências de números reais Definição. Uma sequência de números reais é uma associação de um número real a cada número natural. Exemplos: 1. {1,2,3,4,...} 2. {1,1/2,1/3,1/4,...}
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisTeoremas de uma, duas e três séries de Kolmogorov
Teoremas de uma, duas e três séries de Kolmogorov 13 de Maio de 013 1 Introdução Nestas notas Z 1, Z, Z 3,... é uma sequência de variáveis aleatórias independentes. Buscaremos determinar condições sob
Leia maisDANIEL V. TAUSK. se A é um subconjunto de X, denotamos por A c o complementar de
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK Ao longo do texto, denotará sempre um espaço topológico fixado. Além do mais, as seguintes notações serão utilizadas: supp f denota o suporte
Leia mais1.3 Conjuntos de medida nula
1.3 Conjuntos de medida nula Seja (X, F, µ) um espaço de medida. Um subconjunto A X é um conjunto de medida nula se existir B F tal que A B e µ(b) = 0. Do ponto de vista da teoria da medida, os conjuntos
Leia maisConvergência, séries de potência e funções analíticas
Convergência, séries de potência e funções analíticas Roberto Imbuzeiro Oliveira March 13, 2015 1 Algumas palavras sobre convergência em C Tudo o que descreveremos aqui é análogo ao que se define e prova
Leia maisDemonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso.
Proposição 2.39 (Propriedades de e.). Sejam µ, λ, λ 1, λ 2 medidas no espaço mensurável (X, F). Então 1. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 2. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 3. se λ 1 µ e λ
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisNotas Para o Curso de Medida e. Daniel V. Tausk
Notas Para o Curso de Medida e Integração Daniel V. Tausk Sumário Capítulo 1. Medida de Lebesgue e Espaços de Medida... 1 1.1. Aritmética na Reta Estendida... 1 1.2. O Problema da Medida... 6 1.3. Volume
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisUniversidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n
Universidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n 1. Exercícios do livro Análise Real, volume 2, Elon Lages Lima, páginas
Leia maisExercícios de topologia geral, espaços métricos e espaços vetoriais
Exercícios de topologia geral, espaços métricos e espaços vetoriais 9 de Dezembro de 2009 Resumo O material nestas notas serve como revisão e treino para o curso. Estudantes que nunca tenham estudado estes
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA. Medida e Probabilidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA Medida e Probabilidade Aluno: Daniel Cassimiro Carneiro da Cunha Professor: Andre Toom 1 Resumo Este trabalho contem um resumo dos principais
Leia maisNotas de Aula. tal que, para qualquer ponto (x, y) no plano xy, temos: p XY
UNIVERSIDDE FEDERL D BHI INSTITUTO DE MTEMÁTIC DEPRTMENTO DE ESTTÍSTIC v. demar de Barros s/n - Campus de Ondina 40170-110 - Salvador B Tel:(071)247-405 Fax 245-764 Mat 224 - Probabilidade II - 2002.2
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisConvergência, séries de potência e funções analíticas
Convergência, séries de potência e funções analíticas Roberto Imbuzeiro Oliveira March 16, 2011 1 Algumas palavras sobre convergência em C Tudo o que descreveremos aqui é análogo ao que se define e prova
Leia maisCompacidade de conjuntos e operadores lineares
Compacidade de conjuntos e operadores lineares Roberto Imbuzeiro Oliveira 13 de Janeiro de 2010 No que segue, F = R ou C e (X, X ), (Y, Y ) são Banach sobre F. Recordamos que um operador linear T : X Y
Leia maisMAT Cálculo Avançado - Notas de Aula
bola fechada de centro a e raio r: B r [a] = {p X d(p, a) r} MAT5711 - Cálculo Avançado - Notas de Aula 2 de março de 2010 1 ESPAÇOS MÉTRICOS Definição 11 Um espaço métrico é um par (X, d), onde X é um
Leia mais1 Álgebra linear matricial
MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisIntrodução à probabilidade e estatística I
Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos
Leia maisMAT 5798 Medida e Integração Exercícios de Revisão de Espaços Métricos
MAT 5798 Medida e Integração Exercícios de Revisão de Espaços Métricos Prof. Edson de Faria 30 de Março de 2014 Observação: O objetivo desta lista é motivar uma revisão dos conceitos e fatos básicos sobre
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisMEDIDAS COM SINAL.. Uma medida com sinal σ-aditiva (ou, simplesmente, uma medida com sinal) µ(a n ) def = lim
MEDIDAS COM SINAL DANIEL V. TAUSK 1. Definição. Seja C uma coleção de conjuntos tal que C. Uma medida com sinal finitamente aditiva em C é uma função µ : C R tal que: µ( ) = 0; se (A n ) t é uma seqüência
Leia maisAxiomatizações equivalentes do conceito de topologia
Axiomatizações equivalentes do conceito de topologia Giselle Moraes Resende Pereira Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação Tutorial
Leia maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. Probabilidade
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Experimentos aleatórios: no estudo de probabilidade,
Leia maisx B A x X B B A τ x B 3 B 1 B 2
1. Definição e exemplos. Bases. Dar uma topologia num conjunto X é especificar quais dos subconjuntos de X são abertos: Definição 1.1. Um espaço topológico é um par (X, τ) em que τ é uma colecção de subconjuntos
Leia maisCurso: MAT 221- CÁLCULO DIFERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008
Curso: MAT 221- CÁLCULO DIERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008 SÉRIES E SOMAS EM ÁLGEBRAS: C([a, b]), M n n (R), M n n (C), etc. O PRODUTO DE
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisTeoria das Desições Financeiras II p.1/22
Teoria das Desições Financeiras II José Fajardo Barbachan IBMEC Business School Rio de Janeiro Teoria das Desições Financeiras II p.1/22 Objetivo Neste curso o aluno aprenderá diversas ferramentas probabílisticas,
Leia maisVARIÁVEIS ALEATÓRIAS. Assim, o espaço amostral é um conjunto com 8 elementos dado por
VARIÁVEIS ALEATÓRIAS Definição.: Dado um espaço de probabilidade (Ω, F, P ), uma variável aleatória X é uma função real definida no espaço Ω, e que toma valores em R tal que o conjunto {ω Ω : [X(ω) x]}
Leia maisFundamentos de Controle Não Linear: Conceitos Matemáticos Importantes (em Progresso)
Fundamentos de Controle Não Linear: Conceitos Matemáticos Importantes (em Progresso) Leonardo A. B. Torres PPGEE/UFMG October 2, 2018 Leonardo A. B. Torres (PPGEE/UFMG) FCNL: Conceitos Matemáticos October
Leia maisEntão (τ x, ) é um conjunto dirigido e se tomarmos x U U, para cada U vizinhança de x, então (x U ) U I é uma rede em X.
1. Redes Quando trabalhamos no R n, podemos testar várias propriedades de um conjunto A usando seqüências. Por exemplo: se A = A, se A é compacto, ou se a função f : R n R m é contínua. Mas, em espaços
Leia mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
Leia maisFabio Augusto Camargo
Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Matemática Introdução à Topologia Autor: Fabio Augusto Camargo Orientador: Prof. Dr. Márcio de Jesus Soares
Leia maisNúmeros naturais e cardinalidade
Números naturais e cardinalidade Roberto Imbuzeiro M. F. de Oliveira 5 de Janeiro de 2008 Resumo 1 Axiomas de Peano e o princípio da indução Intuitivamente, o conjunto N dos números naturais corresponde
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisProcessos de Markov a Tempo Contínuo e Sistemas de Partículas Parte 2
Processos de Markov a Tempo Contínuo e Sistemas de Partículas Parte 2 Leandro Cioletti Departamento de Matemática - UnB 70910-900, Brasília, Brazil cioletti@mat.unb.br Ricardo Parreira Departamento de
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2013/2014 Exercício 1. Seja (, F) um espaço mensurável. Mostre que 1. F. 2. se A i F, i = 1, 2,... então n i=1 A i F. 3. se A i F,
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 17 de agosto de 2018 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) A = (A B). (A B c ) só uma forma de deixar
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Contínuas 14/10 1 / 25 VALE A PENA VER DE NOVO:Variáveis Aleatórias
Leia maisNo que segue, X sempre denota um espaço topológico localmente compacto
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK No que segue, sempre denota um espaço topológico localmente compacto Hausdorff. Se f : R é uma função, então supp f denota o{ suporte (relativamente
Leia maisP1 de Análise Real ou Análise I Data: 16 de abril de 2008
P1 de Análise Real ou Análise I 2008.1 Data: 16 de abril de 2008 Serão contadas as quatro melhores questões. 1. Seja (a n ) uma seqüência de números reais. Prove que se (a n ) 2 converge então a nn também
Leia maisMAT ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS
MAT 5818 - ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS 1) Mostre que M n (C) munida da norma ((a jk )) 1 j,k n = k=1 2) Defina na álgebra C[X] dos polinômios complexos na variável X a
Leia mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Leia maisVariedades diferenciáveis e grupos de Lie
LISTA DE EXERCÍCIOS Variedades diferenciáveis e grupos de Lie 1 VARIEDADES TOPOLÓGICAS 1. Seja M uma n-variedade topológica. Mostre que qualquer aberto N M é também uma n-variedade topológica. 2. Mostre
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
Leia maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisProfessor: Carlos Eugênio da Costa Teoria Microeconômica II Monitor: Diego Santiago
Professor: Carlos Eugênio da Costa Teoria Microeconômica II - 2012 Monitor: Diego Santiago EPGE/FGV Introdução matemática 1 Introdução Esta introdução visa familiarizar o aluno com ferramentas matemáticas
Leia maisEquação Geral do Segundo Grau em R 2
8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisGabarito da Primeira Prova MAT0234 Análise Matemática I Prof. Daniel Victor Tausk 13/09/2011
Gabarito da Primeira Prova MAT0234 Análise Matemática I Prof. Daniel Victor Tausk 13/09/2011 Questão 1. Sejam X, X conjuntos e φ : X X uma função. (a) (valor 1,25 pontos) Mostre que se A é uma σ-álgebra
Leia maisO espaço das Ordens de um Corpo
O espaço das Ordens de um Corpo Clotilzio Moreira dos Santos Resumo O objetivo deste trabalho é exibir corpos com infinitas ordens e exibir uma estrutura topológica ao conjunto das ordens de um corpo.
Leia mais3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão e B =
3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão 2008. (a) Ache os auto-valores e auto-vetores de A = 3 4 2 0 2 0 0 0 e B = 0 0 2 0 2 0 2 0 0 (b) Mostre que λ + λ 2 + λ 3 é igual ao
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisA Estatística é uma ciência que se ocupa em grande parte do estudo das. Vamos imaginar uma população como um conjunto Π = {I 1, I 2,...
Capítulo 1 Distribuições de freqüências A Estatística é uma ciência que se ocupa em grande parte do estudo das distribuições de freqüência de variáveis definidas em populações. Vamos imaginar uma população
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisAulas 10 e 11 / 18 e 20 de abril
1 Conjuntos Aulas 10 e 11 / 18 e 20 de abril Um conjunto é uma coleção de objetos. Estes objetos são chamados de elementos do conjunto. A única restrição é que em geral um mesmo elemento não pode contar
Leia maisNoções (básicas) de Topologia Geral, espaços métricos, espaços normados e espaços com produto interno. André Arbex Hallack
Noções (básicas) de Topologia Geral, espaços métricos, espaços normados e espaços com produto interno André Arbex Hallack Setembro/2011 Introdução O presente texto surgiu para dar suporte a um Seminário
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisProbabilidade 2 - ME310 - Lista 0
Probabilidade 2 - ME310 - Lista 0 August 30, 2012 Lembrando: 1) Conjuntos disjuntos: A B = = P (A B) = 0 2) Conjuntos independentes: P (A B) = P (A) P (B) 3) Podemos dividir qualquer conjunto em dois conjuntos
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia mais3.1 Variáveis aleatórias
Capítulo 3 Variáveis aleatórias Estudaremos aqui os conceitos de variável aleatória e de funções relacionadas, tais como a função de distribuição, a função de densidade e a função de probabilidade. Acontece
Leia maisEST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais
EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Introdução Considere o experimento: Lançamento de uma moeda. Resultados
Leia maisMAT 5798 Medida e Integração IME 2017
MAT 5798 Medida e Integração IME 2017 http://www.ime.usp.br/ glaucio/mat5798 Lista 11 - Integral de Bochner Fixemos um espaço de medida completo (X, M, µ) até o final desta lista. As duas primeiras questões
Leia maisUFPR - Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Matemática CM122 - Fundamentos de Análise Prof. Zeca Eidam.
UFPR - Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Matemática CM1 - Fundamentos de Análise Prof Zeca Eidam Lista 4 Supremo e ínfimo 1 Seja X R não-vazio 1 Mostre que, caso existam,
Leia maisConstrução de espaços de probabilidade. básicos
Capítulo 2 Construção de espaços de probabilidade básicos Nessa seção descreveremos diversas maneiras diferentes de construir um espaço de probabilidade, dando diversos exemplos de como elas podem ser
Leia maisSéries de Laurent e Teoremas de Cauchy
Séries de Laurent e Teoremas de Cauchy Roberto Imbuzeiro Oliveira 3 de Abril de 20 A maior parte destas notas tem como refererência o livro de David Ullrich, Complex Made Simple. Preliminares sobre séries
Leia maisA = B, isto é, todo elemento de A é também um elemento de B e todo elemento de B é também um elemento de A, ou usando o item anterior, A B e B A.
Capítulo 1 Números Reais 1.1 Conjuntos Numéricos Um conjunto é uma coleção de elementos. A relação básica entre um objeto e o conjunto é a relação de pertinência: quando um objeto x é um dos elementos
Leia maisTopologia Geral. Ofelia Alas Lúcia Junqueira Marcelo Dias Passos Artur Tomita
Topologia Geral Ofelia Alas Lúcia Junqueira Marcelo Dias Passos Artur Tomita Sumário Capítulo 1. Alguns conceitos básicos 5 Capítulo 2. Espaços topológicos 9 1. Espaços topológicos. Conjuntos abertos
Leia maisME-310 Probabilidade II Lista 0
ME-310 Probabilidade II Lista 0 1. Sejam A e B eventos disjuntos tais que P(A) = 0.1 e P(B) = 0.. Qual é a probabilidade que (a) A ou B ocorra; (b) A ocorra, mas B não ocorra; (c) repita (a) e (b) se os
Leia maisMétodos Estatísticos Básicos
Aula 6 - Introdução à probabilidade Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Experimento Experimento aleatório (E ): é um experimento que pode ser repetido indenidamente
Leia mais