MAE Teoria da Decisão
|
|
- Alana Peralta Estrada
- 7 Há anos
- Visualizações:
Transcrição
1 MAE Teoria da Decisão Fossaluza, V. 2 o semestre de 2015
2 Aula 01 - Programa Elementos de um problema de decisão Certeza e incerteza Probabilidade, utilidade e perda Maximização de utilidade esperada Formas normal e extensiva Soluções de Bayes, minimax e admissibilidade Funções de decisão e risco Estimação e Testes de Hipóteses Aplicações Decisões Coletivas
3 Aula 01 - Referências M. H. DeGroot, Optimal Statistical Decisions, Wiley, D. V. Lindley, Making Decisions, 2nd ed., London: John Wiley, S. French, D. R. Insua, Statistical Decision Theory, New York: Arnold, G. Parmigiani, L. Inoue, Decision Theory: Principles and Approaches. Chichester: John Wiley, R. D. Luce, H. Raiffa, Games and Decicions: Introduction and Critical Survey. New York: Dover, J. O. Berger, Statistical Decision Theory: Foundations, Concepts and Methods. New York: Springer-Verlag, J. W. Pratt, H. Raiffa, R. Schlaifer, Introduction to statistical decision theory. MIT press, 1995.
4 Aula 01 - Exemplos 1. Matricular-se ou não em MAE 0523 (conteúdo interessante, método de avaliação: prova/lista/presença, dificuldade, ministrante... ) 2. Decidir se deve levar ou não o guarda chuva quando sai pela manhã (carregar peso, tomar chuva, previsão do tempo,... ) 3. Viajar a Belo Horizonte para assistir o jogo Cruzeiro x Palmeiras (distância, custo, chances de seu time ganhar,... ) 4. Problemas de Inferência (Estimação/Testes de Hipóteses) estimar a proporção de paulistanos favoráveis à redução da velocidade { nas marginais } θ k N, k = 0,..., N, N: n o de paulistanos simplificação: θ [0, 1]
5 Aula 02 - Probabilidade Ω: espaço amostral A: σ-álgebra de subconjuntos de Ω, isto é, 1. Θ A; 2. A A = A c A; 3. A 1, A 2,... A = A i A. i 1 Os elementos de A são chamados de eventos e serão denotados por A, B, C,..., A 1, A 2,... P : A [0, 1] é uma medida de probabilidade se 1. P(Ω) = 1; 2. A 1, A 2,... A com A i Aj =, P = P (A i ). i 1 A i i 1 Probabilidade: expressão numérica de incerteza
6 Aula 02 - Relação de Crença : relação de crença em A A A B : acredito mais em B que em A (B A) A B : acredito igualmente em B e A A B : acredito em B pelo menos tanto quanto em A Objetivo: sob certas condições em, obter uma medida de probabilidade P que representa (concorda) com. A B P(A) P(B)
7 Aula 02 - Suposições sobre SP1: Para A, B A, exatamente uma das afirmações a seguir deve valer: A B, B A ou A B. SP2: A 1, A 2, B 1, B 2 A tais que A 1 A 2 = B 1 B 2 = e A i B i, i = 1, 2. Então A 1 A 2 B 1 B 2. Além disso, se A i B i para algum i, então A 1 A 2 B 1 B 2. Lema 1: A, B, D A tais que A D = B D =. Então A B A D B D Demo: ( ) A B A D B D (SP1) ( ) B A B D A D (SP1)
8 Aula 02 - Suposições sobre Teorema 1: Se A B e B D então A D. Teorema 2 (generalização do SP2): Se A 1,..., A n são eventos disjuntos e B 1,..., B n são também eventos disjuntos tais que A i B i, para i = 1,..., n, então n n A i B i. i=1 i=1 Se A i B i para algum i, então n i=1 A i n i=1 B i. Teorema 3: Se A B então A c B c. Demo: Do Lema 1, A (A c B c ) B (A c B c ) B c (A B) A c (A B) B c A c.
9 Aula 02 - Suposições sobre 5 A 2 6 B D 7 Demo do Teorema 1: (i) (1) (2) (4) (5) (1) (2) (3) (6) (4) (5) (3) (6) (ii) Analogamente, (2) (6) (4) (7) De (i) e (ii) e pelo Lema 1, (4) (5) (2) (6) (3) (6) (4) (7) (2) (5) (3) (7) (2) (5) (1) (4) (3) (7) (1) (4)
10 Aula 02 - Suposições sobre SP3: Se A é um evento, então A. Além disso, Ω. Resultado: Para todo evento A, A Ω. Demo: Por SP3, A c. Tomando D = A no Lema 1, A A c A A Ω. Teorema 4: Se A B então A B. Demo: Suponha, B A. Tomando D = B c no Lema 1, B B c A B c Ω A B c. Absurdo!
11 Aula 03 - Suposições sobre SP4: Se A 1, A 2,... uma sequência decrescente de eventos, isto é, A n A n+1, n, e B tal que B A n, n então B n 1 A n. Exemplo 1: ω 0 Ω. A B {ω 0 B ou ω 0 / (A B)}. obedece a SP1 a SP4 (SP1) A B ω 0 B (A B) c B A ω 0 B c (A B) ω 0 A B c. Analogamente, A B ω 0 B A c. A B A B e B A ω 0 [B (A B) c ] [A (A B) c ] ω 0 (A B) (A B) c.
12 Aula 03 - Suposições sobre (SP2) A i B i, i = 1, 2 ω 0 [B 1 (A 1 B 1 ) c ] [B 2 (A 2 B 2 ) c ] ω 0 [(B 1 B 2 ) D c ] (A 1 B 1 A 2 B 2 ) c, com, D = (A 1 B2) (A 2 B1). A 1 A 2 B 1 B 2 ω 0 (B 1 B 2 ) (A 1 A 2 B 1 B 2 ) c Como (B 1 B 2 ) D c (B 1 B 2 ), vale o SP2. (SP3) A ω 0 A ( A) c ω 0 A A c = Ω. Como Ω é não-vazio, ω 0 Ω e, portanto, Ω. (SP4) Exercício Exemplo 2: Ω = N, A = P(N). A B {B é infinito ou A e B são finitos com A B }. Mostre se satisfaz SP1 a SP4.
13 Aula 03 - Suposições sobre Teorema 5: Se A 1 A 2... é uma sequência crescente de eventos e B é tal que A n B, n então A n B. n 1 Demo: A c n A c n+1 e, pelo Teo 3, Ac n B c. Por SP4, n 1 Ac n B c n 1 A n B. Teorema 6: (A n ) n 1 e (B n ) n 1 sequências tais que A i A j = B k B l =, i j, k l. A i B i, i A n B n. n 1 n 1 Se existe ao menos um j tal que A j B j então A n B n. n 1 n 1
14 Aula 03 - Suposições sobre n n Demo: Da extensão de SP2, temos que A i B i, n 1 i=1 i=1 n A i B i, n 1 A i B i (Teo 5) i=1 i=1 i=1 i=1 n 0 tal que A n0 b n0. De SP2, temos que, para n n 0, n 0 i=1 A i = n 0 1 i=1 A i A n0 n 0 1 i=1 B i B n0 = n 0 B i i=1 n 0 i=1 A i n 0 B i i=1 Da primeira parte, temos que A i B i i=n 0 +1 i=n 0 +1 e, por SP2, n 0 i=1 A i provando o resultado. i=n 0 +1 A i n 0 i=1 B i B i i=n 0 +1
15 Aula 04 - Suposições sobre SP5: Existe uma variável aleatória X : Ω R, A-mensurável, tal que X(ω) [0, 1], ω Ω e, se I 1 e I 2 são intervalos contidos em [0, 1], {X I 1 } {X I 2 } λ(i 1 ) λ(i 2 ). Se I = [a, b] [0, 1], λ(i) = b a é o comprimento do intervalo I (medida de Lebesgue). Experimento auxiliar ; X Uniforme[0,1] {X [a, b]} {X (a, b]} {X [a, b)} {X (a, b)}
16 Aula 04 - Medida de Probabilidade que representa Teorema 7: Seja A A. Então!a [0, 1] tal que A {X [0, a ]}. Demo: Seja U(A) = {a [0, 1] : A {X [0, a]}}. 1 U(A) pois Ω = {X [0, 1]} A U(A). Tome a = inf U(A). (i) Considere (a n ) n 1, a n [0, 1], n 1, tal que a n a n+1 a e a n a. Então, n 1, {X [0, a n ]} A. Por SP4, {X [0, a n ]} A {X [0, a ]} A n=1 (ii) Se a = 0, {X [0, 0]} A (por SP3) Se a > 0, considere (a n ) n 1 com a n a n+1 < a e a n a. {X [0, a n ]} A, n 1 e, pelo Teo 5, {X [0, a n ]} A {X [0, a )} {X [0, a ]} A. De (i) e (ii), temos que A {X [0, a ]}. n=1
17 Aula 04 - Medida de Probabilidade que representa Teorema 8: A probabilidade do evento A, P(A), é definida como a [0, 1] tal que A {X [0, a ]}. Assim, A {X [0, P(A)]}. A função de probabilidade assim definida satisfaz: A B P(A) P(B). Demo: Do Teo 7, A {X [0, P(A)]} e B {X [0, P(B)]}. A B {X [0, P(A)]} {X [0, P(B)]} λ ([0, P(A)]) λ ([0, P(B)]) P(A) P(B). Teorema 9: A função P : A [0, 1] que, para cada A A, associa P(A) tal que A {X [0, P(A)]} é uma medida de probabilidade (no sentido σ-aditiva). Demo: P(A) 0. Ω {X [0, 1]} P(Ω) = 1. {X [0, 0]} P( ) = 0 A 0 P(A).
18 Aula 04 - Medida de Probabilidade que representa Demo: Seja A e B tal que A B =. Vamos mostrar que P(A B) = P(A) + P(B). Pelo Teo 8, A {X [0, P(A)]}, B {X [0, P(B)]}, A B {X [0, P(A B)]}. Como A A B e, por SP3, A A B, vale que P(A) P(A B). Vamos verificar que B {X (P(A), P(A B)]}. Suponha, por absurdo, B {X (P(A), P(A B)]}. A {X [0, P(A)]} SP2 = A B {X [0, P(A)]} {X (P(A), P(A B)]} A B {X [0, P(A)] (P(A), P(A B)]} A B {X [0, P(A B)]} (Absurdo!) Analogamente, B {X (P(A), P(A B)]} é absurdo! Logo, B {X (P(A), P(A B)]} {X [0, P(A B) P(A)]}. Como B {X [0, P(B)]}, temos que P(A B) = P(A) + P(B).
19 Aula 05 - Medida de Probabilidade que representa Corolário 1: Se A 1,..., A n são eventos disjuntos, então ( n ) n P A i = P (A i ). i=1 Teorema 10: Seja A 1 A 2... uma seq. decrescente de eventos tais que n i=1 A i =. Então lim n P(A n ) = 0. i=1 Demo: A 1 A 2... P(A 1 ) P(A) 2... Além disso, lim n P(A n ) = b. Como P(A n ) b, n, segue que A n {X [0, b]}, n. Por SP4, = i=n A i {X [0, b]}. Se b > 0, então {X [0, b]} {X [0, b/2]}. Como essa relação contradiz a anterior, temos que b deve ser igual a 0.
20 Aula 05 - Medida de Probabilidade que representa Exercício 1: Use o Corolário 1 e o Teorema 10 para conculuir a demonstração do Teorema 9, mostrando que P é σ-aditiva, isto é, ( ) P A i = P (A i ), A i A j =, i j. i=1 i=1 Teorema 11: Se a relação de crença obedece SP1 a SP5 então! P : A [0, 1], medida de probabilidade, tal que P representa. Exercício 2: Demonstre o Teorema 11.
21 Aula 05 - Medida de Probabilidade Condicional Nova Relação: A, B, D A ; (A D) (B D) (Sabendo que D ocorreu, B é preferível a A). Para D = Ω, temos o caso anterior: A B (A Ω) (B Ω). Suponha que vale as suposições SP1 a SP5 e, adicionalmente, SP6: A, B, D A (A D) (B D) (A D) (B D) ( (A D Ω) (B D Ω) )
22 Aula 05 - Medida de Probabilidade Condicional Propriedade decorrentes de SP1 a SP6: 1. A, B, D, (A D) (B D). 2. Se (A D) (B D) e (B D) (E D) então (A D) (E D). 3. A, B, D, E com A D E B D E. (A D) (B D) (A E D) (B E D). 4. (A D) (B D) (A c D) (B c D). 5. Seja B, D e (A n ) n 1 tal que A n A n+1. (B D) (A n D), n, então (B D) ( A n D). n=1 6. (A n ) n 1 e (B n ) n 1 tal que B i ( B j D, i j e ) ( ) (A n D) (B n D), n. Então A n D B n D n=1 n=1
23 Aula 05 - Medida de Probabilidade Condicional Teorema 12: A, B, D A, considere satisfazendo SP1 a SP6. Então P : A [0, 1] de modo que para cada A A é associada P(A) [0, 1] tal que A {X [0, P(A)]} é uma medida de probabilidade que reprsenta, isto é, (A Ω) (B Ω) P(A) P(B). Além disso, se D A é tal que P(D) 0, então (A D) (B D) P(A D) P(B D), onde P( D) : A [0, 1] é uma medida de probabilidade tal que P(A D) = P(A D). P(D)
24 Aula 06 - Relação de Preferências Suposições: Seja A o conjunto de objetos sobre o qual considera-se a noção de preferência. U1: comparabilidade a, b A, a b ou b a ou ambos (a b). U2: transitividade a, b A, se a b e b c então a c. U3: consistência entre preferência fraca e indiferença a, b A, a b (a b e a b). U4: a, b A, a b b / a. Dizemos que a função utilidade U : A R representa (concorda com) se a b U(a) U(b)
25 Aula 06 - Noções de Preferências e Função Utilidade Teorema: A finito ou enumerável e atendento U1 a U4. Então, U : A R que representa. Caso Finito: Considere A finito e, para cada a A, seja M(a) = {b A : b a}. Tome U(a) = M(a). (i) a b M(a) M(b) U(a) U(b). (ii) a b M(a) M(b) U(a) U(b). Além disso, a M(a) mas a / M(b) e, portanto, M(a) M(b). Então U(a) > U(b). Exemplo: A = {Quatro Queijos(Q),Calabresa(C),Marguerita(M),Jiló(J)} Q C M J Q C M J U(Q) = 4 ; U(M) = 3 ; U(C) = 2 ; U(J) = 1
26 Aula 06 - Noções de Preferências e Função Utilidade Caso Enumerável: Considere A = {a 1, a 2,...} e seja U(a j ) = i=1 δ ij 2 i, onde δ ij = I(a i a j ). Considere M(a) = {a i A : a i a} e a = a i, b = a j (i) a b M(a) M(b) U(a) U(b). (ii) a b M(a) M(b) U(a) > U(b). Caso não enumerável???
27 Aula 06 - Noções de Preferências e Função Utilidade Definição: Dizemos que B A é order-dense com relação à se a, d A B tais que a d e b B tal que a b d. Teorema: Seja A e satisfazendo U1 a U4. Se existe B orderdense enumerável então existe U : A R tal que a b U(a) U(b). Demo: Omitida!
28 Aula 07 - Problemas com incerteza Em problemas reais, em geral, nos deparamos com situações onde precisamos tomar decisões na presença de incerteza. Nesse caso, temos que construir a função utilidade (perda) com algumas propriedades, de modo que seja possível obter teoremas de representação, como feito anteriormente. Considere um experimento onde os possíveis resultados θ pertencem a um espaço Θ (chamado espaço de estados da natureza ou espaço paramétrico). Seja D o espaço de todas as possíveis ações ou decisões d. Seja R o conjuntos de todas as possíveis recompensas r = r(d, θ) quando o estatístico toma a decisão d e o resultado do experimento é θ. O nome recompensas é uma convenção de linguagem e está associado a consequência da decisão d. Essa recompensa pode ser algo complicado e não está necessariamente associadas a quantidades monetárias.
29 Aula 07 - Problemas com incerteza Exemplo: Venda de pamonha (v: venda, c: custo) Ações: {d 0, d 1, d 2 }, d i : fazer i pamonhas. d i d j g(d i ) g(d j ) Demanda 1: g(d 0 ) = 0 ; g(d 1 ) = v c ; g(d 2 ) = v 2c Quando não há incerteza, é representado por U : D R. Nesse exemplo, d i d j g(d i ) g(d j ). Demanda desconhecida: θ {0, 1, 2} Recompensa (induzida por d i ) na reta ou loteria ou medida P di. d 0 g(d 0, 0) = g(d 0, 1) = g(d 0, 2) = 0 d 1 d 2 g(d 1, 0) = c ; g(d 1, 1) = g(d 1, 2) = v c g(d 2, 0) = 2c ; g(d 2, 1) = v 2c ; g(d 2, 2) = 2v 2c Nesse caso, cada d i induz uma medida de probabilidade P i. É necessário comparar as P i s! (d i d j P di P dj )
30 Aula 07 - Problemas com incerteza Seja A uma σ-álgebra de subconjuntos de R e P o conjunto das medidas de probabilidade em (R, A). Objetivo: r 1 r 2 P r1 P r2 Notação: [r 1, r 2 ] = {r R : r 1 r r 2 } Condições: 1. r 1, r 2 R, [r 1, r 2 ] A. 2. P P é limitada se r 1, r 2 R tal que P([r 1, r 2 ]) = P L : classe das distribuições de probabilidade limitadas. 4. P L é convexa se P 1, P 2 P L αp 1 + (1 α)p 2 P L.
31 Aula 07 - Problemas com incerteza: Função Utilidade Suposições: SU1: P 1, P 2 P L. Então P 1 P 2. SU2: P 1, P 2, P 3 P L. P 1 P 2 e P 2 P 3 então P 1 P 3. SU3: P 1, P 2, P P L e α (0, 1). P 1 P 2 αp 1 + (1 α)p αp 2 + (1 α)p. Resultado 1: P 1, P 2, Q 1, Q 2 P L, P i Q i, i = 1, 2 e α (0, 1), αp 1 + (1 α)p 2 αq 1 + (1 α)q 2. Demo: αp 1 +(1 α)p 2 αq 1 +(1 α)p 2 αq 1 +(1 α)q 2. Resultado 2: r 1, r 2 R, r 1 r 2 e α (0, 1). αr 1 + (1 α)r 2 r 2. Demo: r 1 = αr 1 + (1 α)r 1 αr 1 + (1 α)r 2 r 2. Então r 1
32 Aula 07 - Problemas com incerteza: Função Utilidade Resultado 3: r 1, r 2 R, r 1 r 2 e α, β (0, 1). Então αr 1 + (1 α)r 1 βr 2 + (1 β)r 2 α < β. Demo: ( ) α < β 1 β 1 α = γ < 1 αr 2 +(1 α)r 1 = γ(αr 2 +(1 α)r 1 )+(1 γ)(αr 2 +(1 α)r 1 ) ( ) α β γ(αr 2 + (1 α)r 1 ) + (1 γ)r 2 = βr 2 + (1 β)r 1. α = β αr 2 + (1 α)r 1 = βr 2 + (1 β)r 1 α > β αr 2 + (1 α)r 1 βr 2 + (1 β)r 1, portanto. SU4: P 1, P 2, P P L tais que P 1 P P 2. Então α, β (0, 1) tais que βp 2 + (1 β)p 1 P αp 2 + (1 α)p 1.
33 Aula 08 - Contrução de Utilidade em R Teorema 1: r 1, r 2, r R tais que r 1 r 2 e r 1 r r 2. Então!v [0, 1] tal que r vr 2 + (1 v)r 1. Seja r, r R tais que r r. Se r [r, r ], U(r) é um número em [0, 1] tal que r U(r)r + (1 U(r))r, com U(r ) = 0 e U(r ) = 1. Se r r, definimos U de modo que U(r ) = αu(r )+(1 α)u(r), isto é, U(r) = α 1 α, α = α(r). Analogamente, para r r, U(r) = 1 α, α = α(r). Teorema 2: r 1, r 2, r 3 R tais que r 2 αr 3 + (1 α)r 1 para algum α [0, 1]. Então U(r 2 ) = αu(r 3 ) + (1 α)u(r 1 ).
34 Aula 08 - Contrução de Utilidade em R Seja r, r R, com r r. Para todo r [r, r ], α = α(r) tal que r αr +(1 α)r. Além disso, U(r) = αu(r )+(1 α)u(r ), donde α = α(r) = U(r) U(r ) U(r ) U(r ). Seja P em (R, A) tal que P([r, r ]) = 1. P deve ser equivalente a uma loteria com prêmios r e r com probabilidades β e 1 β, respectivamente, onde β = α(r)dp(r). [r,r ] SU5: Seja P P L e r, r R tais que P([r, r ]) = 1. Então com β = [r,r ] P βr + (1 β)r, α(r)dp(r) = [r,r ] U(r)dP(r) U(r ) U(r ) U(r. )
35 Aula 08 - Contrução de Utilidade em R Seja E[U P] = [r,r ] U(r)dP(r). Logo, ( E[U P] U(r P ) ( ) U(r ) U(r r + ) Teorema 3: Seja P 1, P 2 P L. 1 E[U P] U(r ) U(r ) U(r ) P 1 P 2 E[U P 1 ] E[U P 1 ]. ) r Demo: P 1 P 2 E[U P 1] U(r ) U(r ) U(r ) E[U P 2] U(r ) U(r ) U(r ) E[U P 1 ] E[U P 1 ] Teorema 4: Seja U 1 e U 2 funções utilidade de R em R como no Teorema anterior. Então existem constantes a > 0 e b tais que U 1 (r) = au 2 (r) + b, para todo r R. OBS: Se U é uma função utilidade, podemos tomar L = U e, a essa função, damos o nome de função de perda.
36 Aula 09 - Elementos de um Problema de Decisão Conjunto de ações D = {d 1, d 2,...} (Espaço de decisões) Conjunto de estados da natureza Θ (Espaço paramétrico) Conjunto de recompensas R r : D Θ R Quando θ é incerto consideramos P sobre (Θ, A) Sobre R definimos a função utilidade U : R R Para cada d D, r(d, θ) induz uma medida de probabilidade em R. (Θ, A, P) r(d,θ) (R, B, P d ) P d (B) = P d (r(d, θ) B) = P ({θ Θ : r(d, θ) B}) = P ( r 1 (d, θ)(b) ) Fixado d D, E[U P d ] = R U(r)dP d (r) = Θ U (r(d, θ)) dp(θ)
37 Aula 09 - Exemplo de Problema de Decisão Exemplo: Venda de pamonha (v: venda, c: custo, θ: demanda) D = {0, 1, 2,..., 50} ; Θ = {0, 1, 2,...} ; R = R r(d, θ) = { (v c)d, d θ (v c)θ c(d θ), d > θ E[U P d ] = i=1 U (r(d, i)) P(θ = i) d = {(v c)i c(d i)±vd} P(θ = i) + = v i=1 d P(θ = 1) + (v c)d vdp(θ d) i=1 i=d+1 (v c) dp(θ = i)
38 Aula 09 - Exemplo de Problema de Decisão d = E[U P d+1 ] E[U P d ] = v(d + 1)P(θ = d + 1) + (v c) {v(d + 1)P(θ d + 1) vdp(θ d)} = v(d+1)p(θ = d+1)+(v c) {[v(d + 1) vd] P(θ d) + v(d + 1)P(θ = d + 1)} d = (v c) vp(θ d) d > 0 (v c) > vp(θ d) P(θ d) < (v c) v { d = min P(θ i) v c } i N v
39 Aula 09 - Problema de Decisão Abuso de notação: U(d, θ) = U (r(d, θ)). Em geral, vamos considerar L(d, θ) = U(d, θ), a perda associada à decisão d quando o estado da natureza é θ. Definição: o risco da decisão d contra a distribuição P é dado por ρ(d P) = L(d, θ)dp(θ) = E [L(d, θ) P]. Θ Definição: o risco da Bayes contra a distribuição P é dado por ρ (P) = inf d D ρ(d P) e d é chamada decisão de Bayes se ρ(d P) = ρ (P)
Probabilidade 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 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 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 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 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 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 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 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 maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisMétodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II
Métodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II Vladimir Pestov 1 University of Ottawa / Université d Ottawa Ottawa, Ontario, Canadá 2 Universidade Federal de Santa Catarina Florianópolis,
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 maisProbabilidades. Departamento de Matemática Escola Superior de Tecnologia de Viseu. Gestão de Empresas Contabilidade e Administração
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Gestão de Empresas Contabilidade e Administração Introdução Ao comprar acções, um investidor sabe que o ganho que vai obter
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Probabilidade I 07/16 1 / 23
I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Probabilidade I 07/16 1 / 23 Probabilidade As definições de probabilidade apresentadas anteriormente podem
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisCap. 4 - Probabilidade
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 4 - Probabilidade APOIO: Fundação de Apoio à Pesquisa
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 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 maisProbabilidades. Palavras como
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Introdução Palavras como provável probabilidade acaso sorte pertencem ao vocabulário corrente
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 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 maisEstatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
Leia mais3 NOÇÕES DE PROBABILIDADE
3 NOÇÕES DE PROILIDDE 3.1 Conjuntos Um conjunto pode ser considerado como uma coleção de objetos chamados elementos do conjunto. Em geral denota-se conjunto por letras maiúsculas,, C,... e a sua representação
Leia maisCap. 5 Estabilidade de Lyapunov
Cap. 5 Estabilidade de Lyapunov 1 Motivação Considere as equações diferenciais que modelam o oscilador harmônico sem amortecimento e sem força aplicada, dada por: M z + Kz = 0 Escolhendo-se x 1 = z e x
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 maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisProbabilidade e Estatística
Plano de Curso Probabilidade e Estatística UAEst/CCT/UFCG Ementa Fenômeno aleatório versus fenômeno determinístico. Espaço amostral e eventos. Introdução à teoria das probabilidades. Abordagem axiomática
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
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 maisNOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE Prof.: Idemauro Antonio Rodrigues de Lara 2 Experimentos aleatórios Definição 1. Experimentos aleatórios são experimentos que quando executados
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 maisSumário. 2 Índice Remissivo 12
i Sumário 1 Definições Básicas 1 1.1 Fundamentos de Probabilidade............................. 1 1.2 Noções de Probabilidade................................ 3 1.3 Espaços Amostrais Finitos...............................
Leia maisProbabilidades. Carla Henriques e Nuno Bastos. Eng. do Ambiente. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Probabilidades Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Eng. do Ambiente Introdução Ao comprar acções, um investidor sabe que o ganho que vai obter
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 maisConceitos e aplicações de Estatística em pesquisa cientíca utilizando o R
Conceitos e aplicações de Estatística em pesquisa cientíca utilizando o R Resumo da Parte Teórica Silvio Rodrigues de Faria Junior Departamento de Estatística - IME-USP Eventos e Probabilidade. Experimento
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisAULA 4 -Probabilidade Condicional e Regra de Bayes
AULA 4 - e Regra de Bayes Susan Schommer Introdução à Estatística Econômica - IE/UFRJ : exemplos A soma dos resultados de dois lançamentos de um dado é 9. Qual a probabilidade do primeiro resultado ter
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisELEMENTOS DE PROBABILIDADE. Prof. Paulo Rafael Bösing 25/11/2015
ELEMENTOS DE PROBABILIDADE Prof. Paulo Rafael Bösing 25/11/2015 ELEMENTOS DE PROBABILIDADE Def.: Um experimento é dito aleatório quando o seu resultado não for previsível antes de sua realização, ou seja,
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 maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisNotas Sobre Sequências e Séries Alexandre Fernandes
Notas Sobre Sequências e Séries 2015 Alexandre Fernandes Limite de seqüências Definição. Uma seq. (s n ) converge para a R, ou a R é limite de (s n ), se para cada ɛ > 0 existe n 0 N tal que s n a < ɛ
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 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 mais14/03/2014. Tratamento de Incertezas TIC Aula 1. Conteúdo Espaços Amostrais e Probabilidade. Revisão de conjuntos. Modelos Probabilísticos
Tratamento de Incertezas TIC-00.176 Aula 1 Conteúdo Espaços Amostrais e Probabilidade Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisSMA 5878 Análise Funcional II
SMA 5878 Análise Funcional II Alexandre Nolasco de Carvalho Departamento de Matemática Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo 16 de Março de 2017 Objetivos da Disciplina
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16
Leia maisRefinamentos de Equilíbrios de Nash
Refinamentos de Equilíbrios de Nash Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Estatística - UFPE Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 06 de Outubro de 2014 Equilíbrio
Leia maisNotas de Aula. Medida e Integração
Notas de Aula Medida e Integração Rodney Josué Biezuner 1 Departamento de Matemática Instituto de Ciências Exatas (ICEx Universidade Federal de Minas Gerais (UFMG Notas de aula do curso Medida e Integração
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisEscolha sob Incerteza VNM. Aula 03. Bibliograa: MWG, cap. 06. Cláudio R. Lucinda FEA-RP/USP. Cláudio R. Lucinda Aula 03
Aula 03 Bibliograa: MWG, cap. 06 Cláudio R. Lucinda FEA-RP/USP Objetivos da Aula Escolha sob Incerteza 1 Escolha sob Incerteza Preferências sobre Objetivos da Aula Escolha sob Incerteza 1 Escolha sob Incerteza
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula 3 03/14 1 / 20
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 3 03/14 1 / 20 Probabilidade Prof. Tarciana Liberal (UFPB) Aula 3 03/14 2 / 20 Probabilidade
Leia mais2 Conceitos Básicos de Probabilidade
CE003 1 1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento de técnicas estatísticas
Leia maisConceitos básicos de teoria da probabilidade
Conceitos básicos de teoria da probabilidade Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
Leia maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
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 maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia mais= (365 k + 1). (365 k)! = 1.
Exemplo 6: (O problema do aniversário) Existem k pessoas numa sala. Supondo que o aniversário de cada pessoa é igualmente provável e que não há gêmeos na sala, qual a probabilidade de que duas ou mais
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisProbabilidade. Prof. Tiago Viana Flor de Santana Sala 07
Prof. Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana tiagodesantana@uel.br Sala 07 Universidade Estadual de Londrina UEL Departamento de Estatística DSTA Definição: é uma função P, definida
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 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 maisTratamento de Incertezas TIC MINTER-IFMT
Tratamento de Incertezas TIC-10.005 MINTER-IFMT Aula 1 Conteúdo Espaços Amostrais e Probabilidade Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2016.2/tic-10.005
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 maisUma condição necessária e suciente para integrabilidade de uma função real
Uma condição necessária e suciente para integrabilidade de uma função real Jonas Renan Moreira Gomes 1 e Fernanda S. P. Cardona (orientadora) 1 Instituto de Matemática e Estatística da Universidade de
Leia maisUma condição necessária e suciente para integrabilidade de uma função real
Uma condição necessária e suciente para integrabilidade de uma função real Jonas Renan Moreira Gomes 1 e Fernanda S. P. Cardona (orientadora) 1 Instituto de Matemática e Estatística da Universidade de
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 Bidimensionais 11/13 1 / 1 Variáveis Bidimensionais Até o momento, consideramos
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 maisAnálise I Solução da 1ª Lista de Exercícios
FUNDAÇÃO EDUCACIONAL SERRA DOS ÓRGÃOS CENTRO UNIVERSITÁRIO SERRA DOS ÓRGÃOS Centro de Ciências e Tecnologia Curso de Graduação em Matemática Análise I 0- Solução da ª Lista de Eercícios. ATENÇÃO: O enunciado
Leia maisInstituto Nacional de Matemática Pura e Aplicada Curso: Introdução à Economia Matemática
Instituto Nacional de Matemática Pura e Aplicada Curso: Introdução à Economia Matemática Prof. Rodrigo Novinski 8 de Fevereiro de 2010 Escolha sob Risco: Atitudes frente ao Risco (Castro e Faro, capítulo
Leia maisNOÇÕES DE PROBABILIDADE
NOÇÕES DE PROBABILIDADE Experimento Aleatório Experimento Aleatório: procedimento que, ao ser repetido sob as mesmas condições, pode fornecer resultados diferentes Exemplos:. Resultado no lançamento de
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 maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Função de Distribuição 05/14 1 / 25
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função de Distribuição 05/14 1 / 25 Função de Distribuição Definição 8.1:(Função de Distribuição)
Leia maisMB-210 Probabilidade e Estatística
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MB-210 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 2o. semestre/2013 Apresentação
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 maisTeoria das Probabilidades
Capítulo 2 Teoria das Probabilidades 2.1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento
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 Santa Maria Departamento de Matemática Curso de Verão Lista 1. Números Naturais
Universidade Federal de Santa Maria Departamento de Matemática Curso de Verão 01 Lista 1 Números Naturais 1. Demonstre por indução as seguintes fórmulas: (a) (b) n (j 1) = n (soma dos n primeiros ímpares).
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 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 maisEstatística Básica. Prof. Dr. Walmes Marques Zeviani Prof. Dr. Paulo Justiniano Ribeiro Jr
Estatística Básica Prof. Dr. Walmes Marques Zeviani Prof. Dr. Paulo Justiniano Ribeiro Jr Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná Zeviani &
Leia maisCapítulo 2. Conjuntos Infinitos. 2.1 Existem diferentes tipos de infinito
Capítulo 2 Conjuntos Infinitos Um exemplo de conjunto infinito é o conjunto dos números naturais: mesmo tomando-se um número natural n muito grande, sempre existe outro maior, por exemplo, seu sucessor
Leia maisLista 4. Esta lista, de entrega facultativa, tem três partes e seus exercícios versam sobre séries, funções contínuas e funções diferenciáveis em R.
UFPR - Universidade Federal do Paraná Departamento de Matemática CM095 - Análise I Prof José Carlos Eidam Lista 4 INSTRUÇÕES Esta lista, de entrega facultativa, tem três partes e seus exercícios versam
Leia maisNúmeros Reais. Víctor Arturo Martínez León b + c ad + bc. b c
Números Reais Víctor Arturo Martínez León (victor.leon@unila.edu.br) 1 Os números racionais Os números racionais são os números da forma a, sendo a e b inteiros e b 0; o conjunto b dos números racionais
Leia maisProbabilidade Condicional e Independência
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-13 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 17/08/2011 Probabilidade
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
Leia maisCapítulo 2. Conjuntos Infinitos
Capítulo 2 Conjuntos Infinitos Não é raro encontrarmos exemplos equivocados de conjuntos infinitos, como a quantidade de grãos de areia na praia ou a quantidade de estrelas no céu. Acontece que essas quantidades,
Leia maisProbabilidade - aula II
25 de Março de 2014 Interpretações de Probabilidade Amostras Aleatórias e Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades de eventos conjuntos. Interpretar e calcular
Leia mais2. INTRODUÇÃO À PROBABILIDADE
2. INTRODUÇÃO À PROBABILIDADE 2019 Conceitos básicos Experimento aleatório ou fenômeno aleatório Situações ou acontecimentos cujos resultados não podem ser previstos com certeza. Um experimento ou fenônemo
Leia maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisProbabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.
2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisConstrução dos Números Reais
1 Universidade de Brasília Departamento de Matemática Construção dos Números Reais Célio W. Manzi Alvarenga Sumário 1 Seqüências de números racionais 1 2 Pares de Cauchy 2 3 Um problema 4 4 Comparação
Leia maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
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 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 maisVariáveis aleatórias
Variáveis aleatórias Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia mais