O TEOREMA DE FUBINI, LEIS CONJUNTAS E A CONSTRUÇÃO DE SUCESSÕES DE VARIÁVEIS ALEATÓRIAS INDEPENDENTES
|
|
- Manuella Graça Castro
- 7 Há anos
- Visualizações:
Transcrição
1 O TEOREMA DE FUBINI, LEIS CONJUNTAS E A CONSTRUÇÃO DE SUCESSÕES DE VARIÁVEIS ALEATÓRIAS INDEPENDENTES MLE 1. Introdução A teoria dos processos estocásticos nasceu, na sua sofisticada forma actual, com Kolmogorov aquando da publicação do texto Grundbegriffe der Wahrscheinlichkeitrechnung 1. Nesta obra que éummarco fundamental da moderna teoria das probabilidades, épossível encontrar o teorema que garante a existência de processos estocásticos gerais. No caso dos processos estocásticos a tempo discreto, isto é quando o conjunto dos índices éumsubconjunto dos inteiros, épossível uma aproximação mais simples que a que é exigida para o teorema de Kolmogorov. Nestas notas temos como um dos principais objectivos mostrar que se pode garantir a existência de uma sucessão de variáveis aleatórias independentes com leis dadas a priori. Para esse efeito usamos, naturalmente, a noção de espaço produto. Neste contexto um resultado fundamental éoteorema de Fubini que nos esclarece sob que condições épossível trocar a ordem de integração em integrais múltiplos. 2. A construção dos espaços produto e o teorema de Fubini Inicialmente iremos construir uma estrutura de espaço mensurável sobre o produto cartesiano de dois (ou mais conjuntos a partir de estruturas semelhantes dadas sobre os espaços factores. Considere-se (, A, P e(, A, P dois espaços de probabilidade. Tem-se que o produto cartesiano de por é dado por: Considere-se agora por definição: = {(ω, ω :ω,ω }. S := {A A : A A,A A }. Dado que A e A são semi-anéis, S é também um semi-anel 2. Seja agora C(S a álgebra gerada por S e considere-se por definição a álgebra-σ sobre definida por: A A := σ(c(s = σ(s. Date: 14 de Março de Originalmente publicada em língua alemã em1933 mas disponível em língua Inglesa com o título Foundations of the Theory of Probability (veja-se [Kolmogorov 6]. 2 Ver Construção das Medidas de Lebesgue-Stieltjes, Medida e Probabilidade
2 2 MLE Por definição, A A,éaálgebra-σ produto de A por A.Falta-nos apenas iniciar a definição da medida de probabilidade produto. Para S S Sisto é tal que S A e S A seja por definição: (1 P P [S S ]:=P[S] P [S ]. Definimos assim a medida produto sobre o semi-anel S. É uma aproximação natural que se pode justificar heuristicamente com o exemplo seguinte. Este exemplo deve ser encarado neste ponto de forma intuitiva e irá ser plenamente justificado adiante. Exemplo 1. : Considere-se (, A, P =([, 1], B([, 1],λ=(, A, P. Então naturalmente deveremos ter que =[, 1] 2 B([, 1] B([, 1] = B([, 1] 2 λ λ(a B = área (A B Esta é uma aproximação natural para a construção da noção de área em R 2. Observação 1. Para melhor se compreender o que vai seguir-se é útil conservar presente este exemplo. A proposição seguinte descreve uma propriedade de integrais iterados simples que é relevante para a definição de medida produto. Proposição 1. Seja S S S. Então ( I S (ω I S (ω dp ( dp(ω = ( = I S (ω I S (ωdp(ω dp(ω =P[S] P [S ]. Demonstração. Como se tem, por exemplo, I S (ω dp (ω =P [S ]. averificação do resultado é imediata. Observação 2. Como convenção para o que vai seguir-se consideramos a seguinte notação para o integral duplo: I S S (ω, ω d(p P (ω, ω :=P P [S S ]. Esta notação faz sentido uma vez que por definição se tem que pela fórmula 1: P P [S S ]=P[S] P[S ] e esta última quantidade é o valor comum aos integrais duplos que naturalmente surgiriam como interpretação do membro à esquerda na igualdade.
3 ESPAÇOSPRODUTO E APLICAÇÕES 3 Definição 1. Seja (S n S n uma sucessão de elementos em S dois a dois disjuntos. Defina-se [ ] ( P P S n S n = I (ω, Sn S n ω dp (ω dp(ω = (2 ( = I (ω, Sn S n ω dp(ω dp (ω. Observação 3. Esta definição faz sentido uma vez que (ω, ω n N I Sn S n (ω, ω =I Sn (ω I S n (ω e que, dado que os conjuntos são dois a dois disjuntos, (ω, ω I Sn S n (ω, ω = I Sn (ωi S n (ω. Por aplicações sucessivas do teorema da convergência monótona de Lebesgue (veja-se, por exemplo, em (a tem-se que, por exemplo; ( I (ω, Sn S n ω dp(ω dp(ω = ( = I Sn (ω I S n (ω dp(ω = (a (b ( = I Sn (ω I S n (ω dp (ω dp(ω = ( = P [S n] I Sn (ω dp(ω = (a = P [S n] I Sn (ωdp(ω = P [S n] P[S n ]. Note-se que parte da justificação para a igualdade assinalada acima com (b é que para ω fixo, a aplicação de em R + que a ω associa I S n (ω I S n (ω é, obviamente, mensurável positiva. Da mesma forma se poderá concluir que ( I (ω, Sn S n ω dp(ω dp (ω = P[S n ] P [S n]. ficando então justificada a definição. Proposição 2. A função de conjuntos P P definida em S na fórmula 1 e na e na fórmula 2 da definição anterior para reuniões disjuntas de elementos de S é aditiva-σ sobre S.
4 4 MLE Demonstração. Com efeito pela definição anterior e pela fórmula 1 tem-se que para (S n S n sucessão de elementos de S dois a dois disjuntos. [ ] P P S n S n = P[S n ] P [S n]= P P [S n S n]. Podemos pois sumariar os resultados obtidos até agora na seguinte forma. Teorema 1. Existe P P uma medida de probabilidade única sobre a álgebra-σ produto A A, denominada a medida produto de P por P, tal que: (3 A A A A P P [A A ]=P[A] P [A ]. Demonstração. Existe uma extensão aditiva-σ de P P verificando a fórmula 3 a C(S, por teoremas anteriores e uma extensão a σ(c(s = A A pelo teorema extensão de Carathéodory. Definição 2. : O espaço (, A A, P P assim construído éoespaço de probabilidade produto de (, A, P por(, A, P. Seguidamente, apresentamos sob forma de exercícios alguns resultados úteis que permitirão aprofundar e esclarecer o que atrás foi exposto. Neste primeiro exercício estabelece-se a ligação entre a álgebra-σ produto A A easprojecções. Exercício 1. Considere Π e Π as projecções definidas em respectivamente por: Π: (ω, ω Π(ω, ω =ω e Π : (ω, ω Π(ω, ω =ω 1. Mostre que S = {Π 1 (A (Π 1 (A :A A,A A }. 2. Mostre que A A = σ(π, Π, isto é, que A A éamais pequena álgebra-σ sobre relativamente à qual Π e Π são simultaneamente aplicações mensuráveis. 3. Sejam X e Y variáveis aleatórias tais que X ma e Y ma. Seja Z definida em por (ω, ω Z(ω, ω =X(ω Y (ω. Mostre que Z é mensurável de (, A A em (R, B(R. No exercício seguinte, com uma resolução mais delicada, constrói-se a álgebra-σ produto de espaços topológicos. Exercício 2. Sejam (X 1,τ 1,, (X n,τ n espaços topológicos e para cada i {1,,n} seja B i = σ(τ i aálgebra-σ de Borel para cada um desses espaços. 1. Mostre como definir n i=1 B i aálgebra-σ produto das álgebras σ(b i 1 i n sobre oproduto cartesiano X = X 1 X n.
5 ESPAÇOSPRODUTO E APLICAÇÕES 5 2. Seja τ = n i=1 τ i a topologia produto sobre X, isto é, a mais pequena topologia sobre X relativamente à qual todas as projecções Π i definidas por Π i : X X i (x 1,...,x n Π i (x 1,...,x n =x i são simultaneamente contínuas. Seja B τ = σ(τ aálgebra-σ gerada por τ. Mostre que n i=1 B i B τ 3. Mostre que se para cada i {1,,n}(X i,τ i for um espaço topológico com base numerável de vizinhanças então n i=1 B i B τ. 3. O Teorema de Fubini O teorema de Fubini esclarece-nos sobre condições suficientes gerais que permitem inverter a ordem de integração em integrais múltiplos. Consideremos para o que vai seguir-se as seguintes notações (, F é um espaço mensurável, L(F é o espaço das funções mensuráveis de (, F em R, B(R que são limitadas O teorema da classe monótona. O teorema seguinte é um resultado essencial na em teoria da medida e das probabilidades. Teorema 2. Seja H um conjunto de funções limitadas de em R tal que: 1. H éumespaço vectorial; 2. I H; 3. ( (f n H N f n,f n f,flimitada f H Então, se para I um dado Π-sistema sobre se verificar que I I I I H, tem-se que L(σ(I H. Observação 4. : Oteorema da classe monótona é essencial para a construção da medida produto e para os resultados de integração nos espaços produto. Para a demonstração, veja-se, por exemplo, [Williams 91, p. 25]. Como primeira aplicação deste resultado considere-se o seguinte. Para que um integral iterado de uma função de duas variáveis Z(ω, ω, por exemplo, ( Z(ω, ω dp (ω dp(ω faça sentido a aplicação ω Z(ω, ω dp (ω deve ser pelo menos mensurável. No exercício seguinte ver-se-á que de facto assim é sob condição suficientemente gerais. Exercício 3. Seja H := {Z m(a A :ω Z(ω, ω dp (ω é mensurável sobre }. 1. Mostre que H verifica as hipóteses do teorema da classe monótona. 2. Mostre que para A A S se tem I A A Heconclua que L(A A H.
6 6 MLE 3.1. Secções de uma aplicação e o teorema de Fubini. Seja uma dada aplicação definida num espaço produto, isto é, uma função de duas variáveis. Z : R. As secções de uma tal aplicação correspondem a considerar as funções de uma só variável que se obtêm fixando uma das variáveis da função inicialmente dada e fazendo variar a outra variável. Definição 3. Para ω eω arbitrários mas considerados fixos sejam as secções Z ω e Z ω definidas por: e ω Z ω (ω =Z(ω,ω ω Z ω (ω =Z(ω, ω. Dada uma função mensurável Z as secções são naturalmente mensuráveis. Com efeito, Z ω pode sempre escrever-se como Z ψ ω em que ψ ω éaaplicação que a ω associa (ω, ω. Uma vez que para A A S: { ψ 1 A se ω (A A ={ω :(ω, ω ω A A A } = se ω / A, tem-se que a secção Z ω é mensurável. Uma questão natural éadesaber, sob que condições sobre as secções mensuráveis de uma função Z, afunção Z é mensurável. Proposição 3. Seja G a classe das funções de L(A A tais que: ω Z ω ma ω Z ω ma Então G L(A A Demonstração. G verifica as hipóteses do teorema da classe monótona. Sendo S := {A A : A A,A A } tem-se que se S S Sentão I S S = I S I S Gcomo éfácil verificar. Como A A = σ(s, pelo teorema da classe monótona tem-se que L(α α G. Exercício 4. Mostre que G verifica as hipóteses do teorema da classe monótona. Finalmente, o teorema que constitui o objecto principal desta secção. Teorema 3 (Teorema de Fubini. Seja Z m(a A. Então se uma ou outra das seguintes condições se verifica: 1. Z ou
7 2. ESPAÇOSPRODUTO E APLICAÇÕES 7 ( Z dp dp < + ou ( Z dp dp < + ou ainda Z d(p P < + tem-se que: ( ( Zd(P P = ZdP dp = ZdP dp. Demonstração. Seja K a classe das funções Z L(A A que verificam: 1. ω ω Z ω ma, Z ω ma 2. ( dp = ( ZdP ZdP dp Então K verifica as hipóteses do teorema da classe monótona. É imediato verificar que para A A, A A se tem que I A A K. Como S = {A A : A A,A A } é tal que σ(s =A A tem-se, pelo teorema da classe monótona que L(A A K e logo L(A A K. As condições de definição de K valem agora para as funções simples mensuráveis positivas de A A em R uma vez que estas são elementos de L(K K. Pelo teorema de aproximação usual e pelo teorema da convergência monótona de Lebesgue, as condições valem para as funções mensuráveis positivas quaisquer pelo que a conclusão do teorema também. Considerando a parte positiva eaparte negativa de Z easegunda hipótese do teorema, a conclusão do teorema verifica-se para as funções com sinal qualquer mensuráveis sobre A A e satisfazendo essa segunda hipótese. Exercício 5. Mostre que K verifica as hipóteses do teorema da classe monótona. Exercício 6. Seja ( i, A i, P i para i =1, 2, 3 espaço de probabilidade, = 3 i=1 i = oproduto cartesiano usual e Π i, i =1, 2, 3 aprojecção de sobre i. Seja por definição A := 3 i=1 A i = A 1 A 2 A 3 = σ ((Π i 1 i 3 1. Mostre que A = σ ({Π 3 1=1A i : A i A i }. 2. Mostre que (P 1 P 2 P 3 P 1 (P 2 P 3 econclua que se pode definir sem ambiguidade o espaço produto ( 3 i=1 i, 3 i=1 A i, 3 i=1 P i. Como primeira aplicação imediata do teorema de Fubini vamos justificar um processo de cálculo dos momentos de uma variável aleatória usando a função de distribuição dessa variável aleatória. Proposição 4. No espaço de probabilidade (, A, P seja uma variável aleatória X. 1. Para qualquer s>: (4 E[ X s ]=s + x s 1 P[ X x] dx = s 2. Em consequência verifica-se ainda que: + P[ X n] E[ X ] 1+ n=1 + + n=1 x s 1 P[ X > x] dx. P[ X n]
8 8 MLE Demonstração. Sem perda de generalidade podemos supor que X énão negativa. Os dois integrais à direita na fórmula 4 são iguais uma vez que: #{x R : P[X = x] > } ℵ. isto é, P[X = x] nomáximo para uma infinidade numerável de pontos x R. Temos então, se representarmos por L X a lei da variável X epor uma aplicação do teorema de Fubini em (a que: ( E[X s ]= X s P = x s dl X (x = + ( + = (a I [,x] (y dl X (x sy s 1 dy = = + sy s 1 P[ X y] dy. sy s 1 I [,x] (y dy dl X (x = (a ( I {y X} dp sy s 1 dy = + Para obtermos a segunda afirmação da proposição basta observar que aplicando a fórmula que acabámos de demonstrar para s =1: E[X] + n n=1 n 1 Para a desigualdade no outro sentido: E[X] + n n=1 n 1 ficando assim concluída a demonstração. P[X n] dx = + n=1 P[X n 1] dx =1+ P[X n]. + n=1 P[X n], 4. Lei Conjunta de um Par de Variáveis Aleatórias Seja (, A, P umespaço de probabilidade e X, Y variáveis aleatórias de (, A em (R, B(R. É sabido que o par (X, Y pode ser considerado como variável aleatória de (, A em(r 2, B(R 2 uma vez que pelo exercício 2 se verifica: R 2 = R R e B(R B(R =B(R 2. Dado que σ ({A B : A B(R,B B(R} =B(R 2 alei do par (X, Y éa única medida de probabilidade sobre (R 2, B(R 2 que verifica, por definição, A, B B(R 2 L (X,Y (A B :=P [ (X, Y 1 (A B ] = P [ X 1 (A Y 1 (B ] Se X e Y forem independentes, isto é, se as álgebras-σ σ(x eσ(y forem independentes, então: P [ X 1 (A Y 1 (B ] = P [ X 1 (A ] P [ Y 1 (B ] = L X (A L Y (B. Conclui-se assim, no caso de variáveis aleatórias independentes, X e Y que L (X,Y = L X L Y. Exercício 7. Justifique a afirmação anterior.
9 ESPAÇOSPRODUTO E APLICAÇÕES 9 O exercício seguinte caracteriza a lei conjunta de um par de variáveis aleatórias em função das leis marginais. Exercício 8. Considere as notações definidas acima. 1. Mostre que a lei marginal de X (respectivamente Y que representamos por L X, (respectivamente L Y é dada por: respectivamente, A B(R L X (A =L (X,Y (A R B B(R L Y (B =L (X,Y (R B. 2. Seja f (X,Y mb(r 2 uma densidade do par (X, Y. Isto é f (X,Y e verifica C B(R 2 L (X,Y (C = f (X,Y (x, y d(λ λ(x, y C em que λ éamedida de Lebesgue sobre (R, B(R. Mostre que f X definida λ quase certamente por f X (x = f (X,Y (x, y dλ(y R é uma densidade de lei marginal correspondente a X. 3. Mostre que X e Y são independentes sse ocorre uma das seguintes condições. (a L (X,Y L X L Y (b F (X,Y F X F Y (c f (X,Y f X f Y, com as hipóteses adequadas, por exemplo, para garantir a existência das densidades marginais. No exercício seguinte faz-se a construção de uma sequência (família finita de variáveis aleatórias independentes com leis dadas. Este resultado irá ser generalizado no teorema 4 para sucessões (família infinita numeráveis, Exercício 9. Considere, para N N, medidas de probabilidade sobre (R, B(R denotadas por µ 1,...,µ N. 1. Defina a medida produto N i=1 µ i sobre (R N, B(R N. 2. Considere para i =1,,N, Π i ai-ésima projecção de R N sobre R isto é tal que (x 1,...,x N R N Π i (x 1,...,x N =x i. Mostre que Π 1,...,Π N é uma sequência de variáveis aleatórias independentes sobre (, A :=(R N, B(R N tais que: i {1,...,N} L Πi = µ i. Observação 5. Os espaços produto permitem desta forma construir naturalmente sequências de variáveis aleatórias com leis pré-estabelecidas.
10 1 MLE 5. Construção de uma sucessão de variáveis aleatórias independentes com leis dadas O teorema seguinte é uma generalização do resultado obtido no exercício anterior. Teorema 4. Seja (µ n uma sucessão de medidas de probabilidade em (R, B(R. Seja =R N = R := {(ω n : n N ω n R} eparam N Π n an-ésima projecção de em R isto é: (ω n Π n (ω 1,ω 2,...,ω n, =ω n. Seja por definição A = σ(π n : n N, isto é, a álgebra-σ gerada pelas projecções. Então: existe P = µ n uma medida de probabilidade única sobre (, A verificando para r N e B 1,...,B r B(R : [ r P B k ] r R = µ k (B k k=1 k>r k=1 A sucessão (Π n é uma sucessão de variáveis aleatórias independentes sobre (, A, P tais que n N L Πn = µ n. Demonstração. A demonstração deste resultado é tecnicamente mais exigente e pode ser relegada para uma segunda leitura. Veja-se [Williams 91, p ]. 6. Resoluções As resoluções nesta secção só devem ser consultadas após tentativas esforçadas para a resolução dos exercícios. Resolução:Exercício 2 Este exercício requer uma pequena revisão sobre alguns conceitos topológicos simples. 1. Tal como no caso do produto de dois espaços mensuráveis há, pelo menos, duas formas de definir n i=1 B i. (a Tal como no exercício 2 pode-se definir directamente n B i = σ(π 1,, Π n, (5 i=1 em que Π i éai-ésima projecção, ou (b alternativamente pode-se definir S = {S i S n : S i B i } e depois n i=1 B i = σ(s. Naturalmente, estes dois processos devem conduzir à mesma álgebra-σ. Para proceder àverificação deste facto importa notar que: Π 1 1 (S i Π 1 n (S n =S 1 S n.
11 (6 ESPAÇOSPRODUTO E APLICAÇÕES 11 Esta igualdade mostra que S σ(π 1,...,Π n pelo que σ(s σ(π 1,...,Π n. Esta igualdade mostra ainda que Π 1 i (S i =X 1 X i 1 S i X i+1 X n S σ(s logo Π i m(b i,σ(s o que implica que σ(s σ(π 1,...,Π n pela definição desta álgebra-σ. 2. Π i sendo contínua de (X, τ em(x i,τ i é mensurável de (X, B τ em(x i, B i. A fórmula5 mostra agora que B ik B k B i1 B in =Π 1 1 (B i1 Π 1 n (B in B τ logo S B τ e assim, σ(s = n i=1 B i B τ. 3. Podemos relembrar a seguinte definição. Definição 4. : (E,Θ espaço topológico tem uma base numerável de vizinhanças sse: (B n Θ N ω τ x ω n x N x B nx ω. Exemplo 2. Sendo (r n é uma enumeração dos racionais, a família (] r n 1 m +1,r n + 1 [ m +1 (n,m N 2 é uma base numerável de vizinhanças da topologia usual de R. Exemplo 3. Analogamente se verifica que: ( (B a r, 1 m +1 r Q n,m N é uma base numerável de vizinhanças de topologia usual de R n. Seja agora ω τ qualquer e x ω Admita-se que: ω 1 τ 1,...,ω n τ n tais que x ω 1 ω n ω Aplicando a hipótese a cada um dos espaços topológicos (X i,τ i seja i {1,...n} (Bn i τi N uma base numerável. Logo virá que para x =(x 1,...,x n ω 1 ω n isto é, tal que x i ω i temos: Bp i i,x tal que x i Bp i i,x ω i. Logo ω = n ω{x} B p1,x B pn,x ω 1 ω n ω p 1,x,...,p n,x I 1 I n N n e, em consequência ω = B p1,x B pn,x σ(s p 1,x,...,p n,x I 1 I n N n Pode-se concluir que τ σ(s pelo que B τ n i=1 B i e, em conclusão final usando o resultado anterior que, n i=1 B i B τ.
12 12 MLE A hipótese que fizemos na fórmula 6 leva-nos a esclarecer melhor o que é, de facto, a topologia produto τ sobre X 1 X n = X. Seja T = {ω 1 ω n : ω i λ i } e { Θ= ω P(X : (θ i i I T I tq. ω = } θ i, i I isto éθéafamília das partes de X que se podem representar como uniões (arbitrárias de elementos de T.Então temos que: 1. Θ é uma topologia sobre X (evidente; 2. T ΘeΘéamais pequena topologia com esta propriedade. 3. λ Θ. Note-se que a primeira propriedade édeverificação imediata; a segunda resulta de toda a topologia ser fechada para as uniões arbitrárias e a terceira resulta, mais uma vez, da fórmula (7 ω 1 ω n Π 1 1 (ω 1 Π 1 n (ω n. Com efeito: as projecções são contínuas relativamente a Θ visto que Π 1 i (ω i =X 1 X i 1 ω i X i+1 X n T Θ. Logo τ Θ visto que τ éamais pequena topologia relativamente à qual as projecções são contínuas; pela fórmula 7, T τ e logo por definição de Θ;Θ τ. Para finalizar seja ω τ e x ω como τ Θ tem-se por definição deste que (θ i i I T I ω = θ i i I como x ω tem-se que existe i x I tal que x θ ix e, como θ in T tem-se que existem ω 1 τ 1, dots, ω n τ n tais que x ω 1 ω n = θ ix ω. Referências [Kolmogorov 6] A. N. Kolmogorov, Foundations of the Theory of Probability, Chelsea Pub. Co. second edition 196. [Williams 91] D. Williams, Probability with Martingales, Cambridge University Press, 1991.
Demonstração. 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 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 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 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 maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
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
Leia maisExercício 18. Demonstre a proposição anterior. (Dica: use as definições de continuidade e mensurabilidade)
Proposição 2.7. Sejam Y e Z espaços métricos e X um espaço mensurável. Se f : X Y é uma função mensurável e g : Y Z é uma função contínua então g f : X Z é uma função mensurável. Exercício 18. Demonstre
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 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 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 maisNotas de Teoria da Probabilidade e Processos Estocásticos
Notas de Teoria da Probabilidade e Processos Estocásticos José Pedro Gaivão Resumo Estas notas destinam-se à disciplina de Teoria da Probabilidade e Processos Estocásticos do Mestrado de Matemática Financeira
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 maisσ-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 mais) a sucessão definida por y n
aula 05 Sucessões 5.1 Sucessões Uma sucessão de números reais é simplesmente uma função x N R. É conveniente visualizar uma sucessão como uma sequência infinita: (x(), x(), x(), ). Neste contexto é usual
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 maisTeoria da Medida e Integração (MAT505)
Transporte de medidas Teoria da Medida e Integração (MAT505) Transporte de medidas e medidas invariantes. Teorema de Recorrência de Poincaré V. Araújo Instituto de Matemática, Universidade Federal da Bahia
Leia maisMatemática I. 1 Propriedades dos números reais
Matemática I 1 Propriedades dos números reais O conjunto R dos números reais satisfaz algumas propriedades fundamentais: dados quaisquer x, y R, estão definidos a soma x + y e produto xy e tem-se 1 x +
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisLogo, este cálculo para funções simples motiva a seguinte definição de
nalogamente, se conclui que a função x 2 µ 1 ( x2 ) é simples. Portanto, µ 2 ( x1 )dµ 1 = µ 1 ( 1 ) µ 2 ( 2 ) = µ 1 ( x2 )dµ 2. X 1 X 2 Logo, este cálculo para funções simples motiva a seguinte definição
Leia maisAula 20 - Álgebra II. Como os corpos de decomposição de um polinómio, como vimos, são isomorfos
Do trabalho de Vandermonde (1735-96), Lagrange (1736-1813), Gauss (1777-1855), Ruffini (1765-1822), Abel (1802-29) e, principalmente, de Galois (1811-32), sobre a existência de fórmulas resolventes de
Leia maisNotas de Teoria da Probabilidade e Processos Estocásticos
Notas de Teoria da Probabilidade e Processos Estocásticos José Pedro Gaivão Resumo Estas notas destinam-se à disciplina de Teoria da Probabilidade e Processos Estocásticos do Mestrado de Matemática Financeira
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 maisTeoria da medida e integral de Lebesgue
nálise Matemática III Teoria da medida e integral de Lebesgue Manuel Guerra Conteúdo 1 Introdução 3 2 Noções básicas de teoria de conjuntos 5 2.1 Relações de pertença e de inclusão.............................
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 maisprinting problem: dado um programa e um valor arbitrários, o problema de determinar se sim ou não se vai obter como output do programa esse valor;
1 Introdução 1 No texto que se segue vão ser apresentados resultados sobre não decidibilidade de alguns predicados (sobre os naturais). Para certos predicados vai ser apresentada uma prova de que não é
Leia maisIntrodução à Análise Funcional
Introdução à Análise Funcional José Carlos de Sousa Oliveira Santos Departamento de Matemática Pura Faculdade de Ciências Universidade do Porto Porto Julho de 2010 Índice Índice Introdução i iii 1 Teoria
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 maisTEORIA ERGÓDICA, SISTEMAS DINÂMICOS E MEDIDAS INVARIANTES
TEORIA ERGÓDICA, SISTEMAS DINÂMICOS E MEDIDAS INVARIANTES Aluno: Juliana Arcoverde V. L. Ribeiro Orientador: Lorenzo Justiniano Díaz Casado Introdução A Teoria dos Sistemas Dinâmicos, ou mais exatamente
Leia maisAs leis dos grandes números
6. Introdução este capítulo estudamos algumas formulações da lei dos grandes números. Uma lei dos grandes números dá o comportamento limite, ou assimptótico, de uma média de observações aleatórias., de
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia mais13 de novembro de 2007
13 de novembro de 2007 Objetivos - Definição Subgrupos Axiomas de Separação Bases e Sistema fundamental de vizinhanças para a identidade Euclidianos e o Quinto Problema de Hilbert Objetivos - Medida de
Leia mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maisTeoremas fundamentais dos espaços normados
Capítulo 9 Teoremas fundamentais dos espaços normados 9.1 Teorema de Hahn-Banach O próximo teorema, conhecido como teorema de Hahn-Banach, é uma generalização do Teorema 4.12, o qual, recordamos para conveniência
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 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 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 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 maist X s db s, I t (X) :=
Chapter 3 Integrais estocásticos Neste capítulo vamos definir integrais estocásticos relativamente ao movimento Browniano e estudar algumas das suas propriedades. Estes integrais também são chamados integrais
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 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 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 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 da Probabilidade e Modelos Discretos de Mercados Financeiros Edição de 7 de Fevereiro de 2017
QUESTÕES PARA AS AVALIAÇÕES Teoria da Probabilidade e Modelos Discretos de Mercados Financeiros 2016-2017 Edição de 7 de Fevereiro de 2017 Nota Prévia Todos os exercícios enunciados nas aulas são considerados
Leia maisAs leis dos grandes números
As leis dos grandes números PE0708 25 de Fevereiro de 2008 Introdução este capítulo estudamos algumas formulações da lei dos grandes números. Uma lei dos grandes números dá o comportamento limite, ou assimptótico,
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 maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisSME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades
SME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades Pablo Martin Rodriguez SME ICMC USP Bacharelado em Estatística 20 Mar 2017 Vetores aleatórios Definição Sejam X 1,
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 maisTópicos de Matemática. Teoria elementar de conjuntos
Tópicos de Matemática Lic. em Ciências da Computação Teoria elementar de conjuntos Carla Mendes Dep. Matemática e Aplicações Universidade do Minho 2010/2011 Tóp. de Matemática - LCC - 2010/2011 Dep. Matemática
Leia maisTeoria Escalar da Difração
Teoria Escalar da Difração Em óptica geométrica, o comprimento de onda da luz é desprezível e os raios de luz não contornam obstáculos, mas propagam-se sempre em linha reta. A difração acontece quando
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 maisALGA I. Representação matricial das aplicações lineares
Módulo 6 ALGA I Representação matricial das aplicações lineares Contents 61 Matriz de uma aplicação linear 76 62 Cálculo do núcleo e imagem 77 63 Matriz da composta 78 64 GL(n Pontos de vista passivo e
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 mais2.1 Sucessões. Convergência de sucessões
Capítulo 2 Sucessões reais Inicia-se o capítulo introduzindo os conceitos de sucessão limitada, sucessão monótona, sucessão convergente e relacionando estes conceitos entre si. A análise da convergência
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 mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisO Teorema de Radon-Nikodým
Universidade stadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência c Publicação eletrônica do KIT http://www.dma.uem.br/kit O Teorema de Radon-Nikodým
Leia maisCálculo Diferencial e Integral II Resolução do Exame/Teste de Recuperação 02 de Julho de 2018, 15:00h - versão 2 Duração: Exame (3h), Teste (1h30)
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral II do Exame/Teste de Recuperação 2 de Julho de 218, 15:h - versão 2 Duração: Exame (3h),
Leia maisa = bq + r e 0 r < b.
1 Aritmética dos Inteiros 1.1 Lema da Divisão e o Algoritmo de Euclides Recorde-se que a, o módulo ou valor absoluto de a, designa a se a N a = a se a / N Dados a, b, c Z denotamos por a b : a divide b
Leia maisDado um inteiro positivo n, definimos U(n) como sendo o conjunto dos inteiros positivos menores que n e primos com n. Não é difícil ver que a
Exemplo (U(n)) Dado um inteiro positivo n, definimos U(n) como sendo o conjunto dos inteiros positivos menores que n e primos com n. Não é difícil ver que a multiplicação módulo n é uma operação binária
Leia maisParte II. Análise funcional II
Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos
Leia maisTeoria da Medida e Integração (MAT505)
Teoria da Medida e Integração (MAT505) Teoria de Derivação de Lebesgue. Teorema Fundamental do Cálculo. V. Araújo Mestrado em Matemática, UFBA, 204 Conteúdo Riemann. vs Lebesgue..............................2
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisCálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Texto de apoio às aulas. Amélia Bastos, António Bravo Dezembro 2010 Capítulo 1 Números reais As propriedades do conjunto dos números reais têm por base um conjunto restrito
Leia maisUniversidade Federal de Goiás Câmpus Catalão Aluno: Bruno Castilho Rosa Orientador: Igor Lima Seminário Semanal de Álgebra
Universidade Federal de Goiás Câmpus Catalão Aluno: Bruno Castilho Rosa Orientador: Igor Lima Seminário Semanal de Álgebra Notas de aula 1. Título: Subgrupos finitos de. 2. Breve descrição da aula A aula
Leia maisInterpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 16 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
Leia maisCapítulo 1. Os Números. 1.1 Notação. 1.2 Números naturais não nulos (inteiros positivos) Última atualização em setembro de 2017 por Sadao Massago
Capítulo 1 Os Números Última atualização em setembro de 2017 por Sadao Massago 1.1 Notação Números naturais: Neste texto, N = {0, 1, 2, 3,...} e N + = {1, 2, 3, }. Mas existem vários autores considerando
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 maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisCAPÍTULO II NOÇÕES TOPOLÓGICAS EM R
CAPÍTULO II NOÇÕES TOPOLÓGICAS EM R 1. Distância e vizinhanças Ao número real não negativo d(x, y) = x y chama-se distância entre os números reais x e y. São imediatas as seguintes propriedades: P1 : d(x,
Leia maisElementos de Matemática Finita
Elementos de Matemática Finita Exercícios Resolvidos - Princípio de Indução; Algoritmo de Euclides 1. Seja ( n) k n! k!(n k)! o coeficiente binomial, para n k 0. Por convenção, assumimos que, para outros
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 maisANÁLISE MATEMÁTICA III A TESTE 2 PARA PRATICAR OUTUBRO DE Duração: 50 minutos
Departamento de Matemática Secção de Álgebra e Análise Última actualização: 3/Out/5 ANÁLISE MATEMÁTICA III A TESTE PARA PRATICAR OUTUBRO DE 5 RESOLUÇÃO (As soluções aqui propostas não são únicas!) Duração:
Leia maisLógica Computacional Aulas 8 e 9
Lógica Computacional Aulas 8 e 9 DCC/FCUP 2017/18 Conteúdo 1 Lógica proposicional 1 11 Integridade e completude dum sistema dedutivo D 1 111 Integridade do sistema de dedução natural DN 1 112 3 12 Decidibilidade
Leia maisAxioma dos inteiros. Sadao Massago
Axioma dos inteiros Sadao Massago setembro de 2018 Sumário 1 Os Números 2 1.1 Notação......................................... 2 1.2 Números naturais não nulos (inteiros positivos)................... 2
Leia maisNotas sobre os anéis Z m
Capítulo 1 Notas sobre os anéis Z m Estas notas complementam o texto principal, no que diz respeito ao estudo que aí se faz dos grupos e anéis Z m. Referem algumas propriedades mais específicas dos subanéis
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 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 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 maisTeorema de Green Curvas Simples Fechadas e Integral de
Cálculo III Departamento de Matemática - ICEx - UFMG Marcelo Terra Cunha Teorema de Green Agora chegamos a mais um teorema da família do Teorema Fundamental do Cálculo, mas dessa vez envolvendo integral
Leia maisElementos de Matemática Finita
Elementos de Matemática Finita Exercícios Resolvidos 1 - Algoritmo de Euclides; Indução Matemática; Teorema Fundamental da Aritmética 1. Considere os inteiros a 406 e b 654. (a) Encontre d mdc(a,b), o
Leia maisAnálise I. Notas de Aula 1. Alex Farah Pereira de Agosto de 2017
Análise I Notas de Aula 1 Alex Farah Pereira 2 3 23 de Agosto de 2017 1 Turma de Matemática. 2 Departamento de Análise-IME-UFF 3 http://alexfarah.weebly.com ii Conteúdo 1 Conjuntos 1 1.1 Números Naturais........................
Leia maisCálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Complementos ao texto de apoio às aulas. Amélia Bastos, António Bravo Julho 24 Introdução O texto apresentado tem por objectivo ser um complemento ao texto de apoio ao
Leia maisJá falamos que, na Matemática, tudo se baseia em axiomas. Já estudamos os números inteiros partindo dos seus axiomas.
Teoria dos Conjuntos Já falamos que, na Matemática, tudo se baseia em axiomas. Já estudamos os números inteiros partindo dos seus axiomas. Porém, não é nosso objetivo ver uma teoria axiomática dos conjuntos.
Leia maisTeoria da Medida e Integração (MAT505)
Modos de convergência Teoria da Medida e Integração (MAT505) Modos de convergência. V. Araújo Instituto de Matemática, Universidade Federal da Bahia Mestrado em Matemática, UFBA, 2014 Modos de convergência
Leia maisÁlgebra Linear. Determinantes, Valores e Vectores Próprios. Jorge Orestes Cerdeira Instituto Superior de Agronomia
Álgebra Linear Determinantes, Valores e Vectores Próprios Jorge Orestes Cerdeira Instituto Superior de Agronomia - 200 - ISA/UTL Álgebra Linear 200/ 2 Conteúdo Determinantes 5 2 Valores e vectores próprios
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete
Leia mais! " # $ % & ' # % ( # " # ) * # +
a Aula 69 AMIV ' * + Fórmula de De Moivre Dado z = ρe e Concluímos por indução que = ρ cos θ + i sen θ C temos z = ρe ρe = ρ e z = zz = ρe ρ e = ρ e z = ρ e para qualquer n N e como ρ e ρ e = ρ e pôr n
Leia maisExtensão de um Isomorfismo
META: Obter uma condição suficiente para duas extensões simples serem isomorfas e elaborar um método para construir automorfismos de uma extensão fixando o corpo base. OBJETIVOS: Ao final da aula o aluno
Leia maisInterbits SuperPro Web
1 (Ita 018) Uma progressão aritmética (a 1, a,, a n) satisfaz a propriedade: para cada n, a soma da progressão é igual a n 5n Nessas condições, o determinante da matriz a1 a a a4 a5 a 6 a a a 7 8 9 a)
Leia maisa convergência das distribuições de probabilidade para
Cadeia de Markov: modelo probabilístico e convergência das distribuições de probabilidade Markov chain: probabilistic model and convergence of probability distributions ISSN 2316-9664 Volume 11, dez. 2017
Leia maisConcluímos esta secção apresentando alguns exemplos que constituirão importantes limites de referência. tan θ. sin θ
aula 08 Funções reais de variável real Limites e continuidade (Continuação) A definição de limite segundo Heine permite, como já vimos anteriormente no caso da álgebra de limites, transpor quase imediatamente
Leia maisNotas de Análise Matemática I
Notas de Análise Matemática I João Lopes Dias Departamento de Matemática, ISEG Universidade Técnica de Lisboa Rua do Quelhas 6, 1200-781 Lisboa, Portugal 6 de Dezembro de 2011 Resumo Estas notas destinam-se
Leia maisLeandro F. Aurichi de novembro de Instituto de Ciências Matemáticas e de Computação - Universidade de São Paulo, São Carlos, SP
Espaços Métricos Leandro F. Aurichi 1 30 de novembro de 2010 1 Instituto de Ciências Matemáticas e de Computação - Universidade de São Paulo, São Carlos, SP 2 Sumário 1 Conceitos básicos 5 1.1 Métricas...........................................
Leia maisTeoria da Medida e Integração (MAT505)
Teoria da Medida e Integração (MAT505) Modos de convergência V. Araújo Mestrado em Matemática, UFBA, 2014 1 Modos de convergência Modos de convergência Neste ponto já conhecemos quatro modos de convergência
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 maisNem todos os caminhos vão dar a Roma
Encontro de Novos Talentos em Matemática 8 de Setembro de 2007 Passeio Aleatório No espaço Z d, com d 1, consideramos o movimento de uma partícula que parte da origem e que em cada instante inteiro se
Leia maisExpansão decimal de números reais e conjuntos de medida total
Expansão decimal de números reais e conjuntos de medida total Decimal expansion of real numbers and sets of total measure Leandro Batista Morgado Universidade Federal de Santa Catarina (UFSC) Departamento
Leia mais