Independência e espaços produtos
|
|
- Kléber Brás Carvalhal
- 5 Há anos
- Visualizações:
Transcrição
1 Capítulo 3 Idepedêcia e espaços produtos 3.1 Idepedêcia Nossa ituição os diz que quado jogamos duas moedas, o resultado de cada uma delas ão deve depeder um do outro. Dessa forma, a probabilidade de obtermos um determiado resultado (como por exemplo duas caras) deve ser um quarto, ou seja meio vezes meio. Em geral, defiimos dois evetos como idepedetes da seguite forma. Defiição Dizemos que dois evetos A, B F, são idepedetes se P(A B) = P(A)P(B). (3.1) Exemplo Se Ω = {1,..., 6} é dotada da σ-álgebra das partes e e P(A) = #A/6, etão os evetos A = [ω é impar] e B = [ω 5] satisfazem P(A B) = P({5}) = 1/6 = (1/2)(1/3) = P(A)P(B). (3.2) Logo tais evetos são idepedetes. Exercício Seja Ω = {0, 1} com P(A) = #A/2 e X i (ω 1,..., ω ) = ω i para i = 1,...,. Mostre que para qualquer i = j P[X i = a ; X j = b] = P[X i = a]p[x j = b], (3.3) ode [A ; B] deota a iterseção [A] [B]. 27
2 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Coleções de evetos Defiição Sejam A 1, A 2,..., A k evetos. Dizemos que eles formam uma coleção idepedete se para todo I {1,..., k} ão vazio P ( ) i I A i = P(A i ). (3.4) i I Vale observar que idepedêcia dois a dois ão implica idepedêcia. Mais precisamete Exemplo Seja Ω = {1, 2, 3, 4} com P(A) = #A/4 e sejam os seguites evetos: A 1 = {1, 2}, A 2 = {2, 3} e A 3 = {1, 3}. Nesse caso, a) P(A i ) = 1/2 para i = 1, 2, 3, b) P(A i A j ) = 1/4 para todo i = j mas c) P(A 1 A 2 A 3 ) = 0 = 1/8 = P(A 1 )P(A 2 )P(A 3 ). Exemplo Sejam patos e m caçadores. Cada caçador escolhe um pato aleatoriamete e uiformemete e atira (abatedo-o com probabilidade p). Seja X = #{patos vivos}, que pode ter uma distribuição complicada de calcular, mas Observe que ( ) E(X) = E 1 [pato i vive] = P[pato i vive] ( m ) = P[pato 1 vive] = P [caçador j ão mata pato 1] j=1 ( = P[caçador j ão mata pato 1] m = 1 p ). a) acima obtivemos uma igualdade e b) [pato i vive], i = 1,..., ão são idepedetes. Fialmete estimamos (digamos para par) P[patos para o jatar < /2] = P[X /2] E(X) /2 = 2 ( 1 p ) m pm 2 exp{ }. (3.5) (3.6) Defiição Dizemos que uma coleção ifiita de evetos (A ) 1 é idepedete se toda sub-coleção fiita de tais evetos forem idepedetes. Lema Se (A ) 1 forma uma sequecia de evetos idepedetes, etão ( ) P A i = 28 P(A i ). (3.7)
3 3.1. INDEPENDÊNCIA Demostração. De fato, ( ) ( ) P A i = lim P A i = lim P(A i ) = P(A i ). Exercício Mostre que se A F, etão {B F : B é idepedete de A} é um λ-sistema. Mostre que este cojuto ão e ecessariamete uma σ-álgebra. Exercício Mostre que se B é idepedete de A para todo B em B, com B um π-sistema, etão B é idepedete de A para todo B em σ(b) Idepedêcia de elemetos aleatórios Vamos começar com a oção de σ-álgebras idepedetes Defiição Dado um espaço de probabilidade (Ω, P, F) Dizemos que as σ-álgebra F 1,..., F F são idepedetes se A 1 F 1,..., A F, P( A i) = Nessa defiição podemos cosiderar uma coleção ifiita eumerável. P(A i ). (3.8) Exercício Seja A 1,... A uma coleção de evetos. Mostrar que as σ-álgebras F 1,... F defiidas for F i := {, A i, A i, Ω} são idepedetes se e só se os evetos A 1,... A o são. Podemos esteder esse coceito a elemetos aleatórios, ou seja: Defiição Sejam X 1,..., X k elemetos aleatórios defiidos respetivamete os espaços (E i, A i ) para i = 1,..., k. Dizemos que X 1,..., X k são idepedetes se as respectivas σ-álgebras σ(x 1 ),..., σ(x k ) o forem. De jeito equivalete as variáveis são idepedete se A 1 A 1,..., A k A k, P([X 1 A 1 ] [X k A k ]) = k P[X i A i ]. Nessa defiição podemos cosiderar também uma coleção ifiita eumerável. (3.9) Quado X 1,..., X k são elemetos aleatórios idepedetes e com a mesma distribuição, escrevemos que X i são i.i.d. (idepedetes e ideticamete distribuídos). Exemplo Cosideramos Ω = R 2, e P com desidade com respeito a Lebesgue ρ 1 (ω 1 )ρ 2 (ω 2 ). Etão as variáveis coordeadas X 1 e X 2 são idepedetes com distribuições respectivas P i (dx) = ρ i (x)dx. 29
4 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Se Ω 1 e Ω 2 são espaços eumeráveis e P 1 P 2 são probabilidades. Podemos defiir P a probabilidade em Ω = Ω 1 Ω 2 por p (ω1,ω 2 ) = P 1 ({ω 1 })P 2 ({ω 2 }). Com essa defiição as variáveis X i : Ω Ω i defiidas por X i (ω) = ω i são idepedetes. Do Exercício 3.1.7, podemos deduzir que se A 1,..., A são evetos idepedetes, as fuções idicadoras associadas são idepedetes (e reciprocamete). Exercício Com a otação do exercício aterior, mostre que as fuções X i : Ω 1 Ω 2 Ω i dadas por são elemetos aleatórios e são idepedetes. X 1 (x, y) = x e X 2 (x, y) = y, (3.10) Exercício Mostre que as coordeadas caôicas do exercício aterior o caso X i : R 2 R ão são idepedetes segudo a medida U S 1. Mas o são segudo U [0,1] 2 (que é a medida de Lebesgue em R 2 restrita a [0, 1] 2 ). Exercício Seja Ω = {0, 1} com P(A) = #A/2 e X i (ω 1,..., ω ) = ω i para i = 1,...,. Mostre que os X i são idepedetes. Exercício Sejam (X i ) i 1 elemetos aleatórios idepedetes tomado valores em espaços (E i ) i 1, respectivamete. Mostre que para fuções mesuráveis ( f i ) i 1, as variaveis ( f i (X i )) i 1 são idepedetes. Exercício Mostre que se X, Y são elemetos aleatórios e se X é costate quase certamete etão X e Y são idepedetes. Exercício Seja X 1,..., X uma colecção de variaveis idepedetes e k 1, 1: etão os vetores Y 1 = (X 1,..., X k ), e Y 2 = (X k+1,..., X ) são idepedetes. Exercício Sejam X e Y variáveis aleatórias idepedetes com distribuição Exp(1), calcule a distribuição de a) mi{x, Y} e b) X + Y. Exercício Sejam X, Y variáveis aleatórias tais que { 0 if x < 0, P[X x, Y y] = ) (1 e )( x 12 + π 1 ta 1 y, if x 0. (3.11) a) Mostre que a distribuição cojuta µ (X,Y) é absolutamete cotíua com relação à medida de Lebesgue em R 2. 30
5 3.1. INDEPENDÊNCIA b) Mostre que X e Y são idepedetes. Lema (Borel-Catelli - seguda parte). Se A 1, A 2, F são idepedetes e p i = P(A i ) satisfazem i p i =, etão P[lim sup A i ] = P[ Demostração. Queremos mostrar que Temos ( ) ( P A i = P 0 i 0 i 1 i A i ] = 1. (3.12) ( ) P A i = 0. (3.13) 0 i ) A i lim P ( i ) A i, (3.14) ode usamos que a uião cosiderada e crescete. Logo basta mostrar que a probabilidade à direita é zero para todo. Mas ( ) P A i = i= P(A i ) = (1 p i ) i= i= i= Termiado a prova do lemma. exp{ p i } = exp { Esperaça e idepedêcia i= p i } = 0. (3.15) Provamos agora uma propriedade fudametal de variáveis aleatórias idepedetes. Proposição Sejam X e Y variáveis aleatórias idepedetes e itegráveis, etão XY e itegrável e E(XY) = E(X)E(Y). (3.16) Demostração. Começamos para verificar o resultado para fuções simples. Se α 1,..., α e β 1,..., β m são os possíveis valores de X e Y temos E[XY] := m j=1 = α i β j P[X = α i, Y = β j ] = ( α i β j P[X = α i ] ) ( m j=1 m j=1 α i β j P[X = α i ]P[Y = β j ] β j P[Y = β j ] ) = E[X]E[Y], (3.17) 31
6 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS ode tehamos usado idepedêcia de X e Y a seguda igualdade. Para variáveis positivas usamos Exercício para ver que X = mi(2 2 X, ), e Y = mi(2 2 Y, ) são variáveis simples idepedetes e covergem mootoamete para X e Y. Por Covergêcia Moótoa (usado duas vezes) temos E[XY] = lim E[X Y ] = lim E[X ]E[Y ] = E[X]E[Y]. (3.18) Em particular XY e itegrável se X e Y o são. Fialmete, para X e Y itegráveis decompomos X = X + X e Y = Y + Y. Temos XY = X + Y + X + Y X Y + + X Y Pelo Exercício , são quatro produtos de variáveis idepedetes. em cosequêcia XY e itegrável e podemos cocluir por liearidade. Observação Obviamete a recíproca ão vale. Se X e uma variável com distribuição U[ 1, 1] e Y = X, etão E[XY] = 0 mas P[X [ 1/2, 1/2] ; Y > 1/2] = 0 = P(X [ 1/2, 1/2])P(Y > 1/2) = 1/4. Corolário Sejam X 1,..., X variáveis aleatórias idepedetes e itegráveis, etão X i e itegrável e E [ X ] = E [X i ]. (3.19) Demostração. Vamos prosseguir por idução. O resultado já foi provado para = 1 e = 2. Supodo o resultado para 2, vamos provar ele para + 1. Sabemos que o vector (X 1,..., X ) e idepedete de X +1??. Em cosequêcia Z := X e idepedete de X +1 (Exercício ). Sabemos que Z e itegrável pela hipótese de recorrêcia e temos usado o resultado para = 2 que e de ovo a hipótese de recorrêcia, cocluímos que +1 X i e itegrável e que +1 E[ X i ] = E[Z ]E[X +1 ] = ( E[X i ] ) E[X +1 ]. (3.20) 3.2 Espaços produto fiito Dados espaços Ω 1,..., Ω com suas respectivas σ-álgebras F 1,..., F, podemos defiir o espaço mesurável produto (Ω, F) da seguite forma Ω = ( ) Ω i e F = σ {A 1 A : i {1,..., }, A i F i }. (3.21) 32
7 3.2. ESPAÇOS PRODUTO FINITO Essa σ-álgebra e chamada de σ-álgebra produto e deotaremos ela por F i, o F 1 F 2 quado = 2. Proposição Se (Ω 1, F 1, P 1 ),..., (Ω, F, P ) são espaços de probabilidade, etão existe uma úica probabilidade P o espaço mesurável (Ω, F) tal que para todos A i F i, i. P(A 1 A ) = Essa probabilidade é chamada probabilidade produto. Demostração. Teoria da Medida. Notação Usaremos a otação P i o P 1 P 2 P. P i (A i ), (3.22) Note que a uicidade do produto pode ser cocluída por exemplo usado a Proposição Proposição Se Ω := Ω i e P := P i etão os elemetos aleatórios X i defiidos pelas projeções sob as coordeadas X i (ω) = ω i são idepedetes de distribuição respectivas P i Demostração. Exercício. Provideciamos agora um exemplo que da uma aplicação da desigualdade de Markov, Teorema Em vários exemplos importates, podemos ter dificuldade de calcular probabilidades explicitamete. Nesses casos, poderíamos gastar ossas eergias tetado calculá-las a qualquer custo, ou podemos os cotetar em obter cotas superiores e iferiores para as probabilidades as quais estamos iteressados. Em vários casos, a seguda estratégia tem uma grade vatagem sobre a primeira, por possibilitar que estudemos problemas mais complexos (e cosequetemete mais importates/iteressates) e muitas vezes sem os afastarmos da realidade (em vários exemplos as cotas superiores e iferiores são próximas o suficiete para que ão os preocupemos). Exemplo Sejam patos e m caçadores. Cada caçador escolhe um pato aleatoriamete e uiformemete e atira (abatedo-o com probabilidade p). Seja X = #{patos vivos}, que pode ter uma distribuição complicada de calcular, mas ( ) E(X) = E 1 [pato i vive] = P[pato i vive] ( m ) = P[pato 1 vive] = P [caçador j ão mata pato 1] j=1 ( = P[caçador j ão mata pato 1] m = 1 p ). (3.23) Observe que 33
8 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS a) acima obtivemos uma igualdade e b) [pato i vive], i = 1,..., ão são idepedetes. Fialmete estimamos (digamos para par) P[patos para o jatar < /2] = P[X /2] E(X) /2 = 2 ( 1 p ) m pm 2 exp{ }. (3.24) Exercício Mostre que o produto de cópias de ({0, 1}, P({0, 1}), Ber(1/2)) é a distribuição uiforme em {0, 1}. Exercício Em um espaço produto (Ω 1 Ω 2, F 1 F 2, P 1 P 2 ), podemos defiir F 1 = {A Ω 2 : A F 1 }, F 2 = {Ω 1 B : B F 2 }. (3.25) Mostre que essas σ-álgebras são idepedetes. Exercício Seja um espaço produto de medidas (Ω 1 Ω 2, F 1 F 2, µ 1 µ 2 ) e defia a probabilidade P atravéz de dp = ρ(x, y) d(µ 1 µ 2 ). (3.26) Mostre esse caso que as coordeadas caôicas X 1 e X 2 são idepedetes se e somete se existem ρ 1 e ρ 2 em Ω 1 e Ω 2 respectivamete, tais que ρ(x, y) = ρ 1 (x)ρ 2 (y) quase certamete com respeito a µ 1 µ 2. Exercício Mostre que se X, Y são variáveis aleatórias idepedetes com distribuições X d ρ X (x) dx e Y d ρ Y (y) dy, etão X + Y tem distribuição absolutamete cotíua com respeito a Lebesgue e a desidade associada vale ρ X+Y (z) = ρ Y (z x)ρ X (x) dx. (3.27) Exercício Sejam (X i ) i 1 elemetos aleatórios idepedetes. Defiimos Y i := (X 2i 1, X 2i ). Mostrar que os elemetos (Y i ) i 1 são idepedetes Exercício Sedo X 1,..., X variáveis de Beroulli idepedetes, dar a distribuição de Z = X i. 34
9 TÓPICO: LEI DOS PEQUENOS NÚMEROS Tópico: Lei dos pequeos úmeros Nessa seção estudaremos como se comportam limites de algumas variáveis aleatórias bastate importates, mas primeiramete, uma breve ituição. Apesar de que descreveremos a ossa motivação a partir desse exemplo do estudo de um material radioativo, podemos ecotrar aplicações com justificativas bastate semelhates para outros problemas, como: chegada de carros em um sial de trâsito, úmero de mutações em um gee, úmero de mortes por ao em uma faixa etária... Digamos que estamos observado um material radioativo que esporadicamete emite fótos que podemos detectar atravéz de um aparelho. A razão dessas emissões pode ser aproximada pelo seguite modelo. Na amostra temos um úmero grade de átomos istáveis ( ) e em um determiado tempo de observação, cada um deles tem probabilidade muito baixa de decair emitido um fóto (digamos p ). Nesse caso, supodo que todos decidam emitir de maeira idepedete, temos para p [0, 1], Ω = {0, 1}, F = P(Ω) e P p = Ber(p). (3.28) Dessa forma, o úmero total de emissões observadas para ω = (ω 1,..., ω ) Ω é X (ω) = ω i. (3.29) E gostaríamos de eteder como se comporta essa distribuição, que ada mais é que Bi(, p). Uma primeira tetativa seria modelar esse processo dizedo que o úmero de átomos é tão grade, que somete estamos iteressados o comportameto assimtótico quado vai para ifiito. Mas para mater o úmero de emissões sob cotrole, também gostaríamos que p = p, que coverge a zero. Poderíamos por exemplo escolher p = λ. (3.30) Mas a discussão que se segue é muito mais geral que essa escolha específica. Como estaremos iteressados em um regime assitótico da distribuição de X p (lembre que apesar do espaço amostral de X variar com, sua distribuição é sempre uma probabilidade em N). Mas para falar de regimes assitóticos, precisamos de defiir uma oção de distâcia etre duas distribuições em N. Defiição Dadas duas distribuições µ 1 e µ 2 em (Ω, A), defiimos µ 1 µ 2 VT = sup µ 1 (A) µ 2 (A), (3.31) A A chamada de distâcia em variação total etre µ 1 e µ 2. No osso caso, Ω é eumerável. Vamos ver que esse caso é possível reescrever a defiição acima de modo a ver mais facilmete que se trata de uma distâcia o espaço de probabilidades em Ω. 35
10 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Lema Se Ω for fiito o eumerável, etão podemos escrever µ 1 µ 2 VT = 1 2 µ 1 (x) µ 2 (x). (3.32) x Ω Demostração. Para mostrar que o lado esquerdo é maior ou igual ao direito, escolhemos A = {x Ω : µ 2 (x) µ 1 (x)}. Assim dode µ 1 (x) µ 2 (x) = µ 1 (A) µ 2 (A) x A = µ 1 (A c ) µ 2 (A c ) = µ 2 (x) µ 1 (x), x A c (3.33) µ 1 µ 2 VT µ 1 (A) µ 2 (A) = 1 2 i µ 1 (x i ) µ 2 (x i ). (3.34) Na outra direção, observe que para todo B em Ω, µ 1 (x i ) µ 2 (x i ) µ 1 (x) µ 2 (x) + µ 1 (x) µ 2 (x) i x B x B c = µ 1 (B) µ 2 (B) + (1 µ 2 (B)) (1 µ 1 (B)) = 2(µ 1 (B) µ 2 (B)). O que termia a prova do lema. (3.35) Fica agora claro que µ 1 µ 2 VT determia uma distâcia. Exercício Mostre um lema aálogo ao aterior para (Ω, A) qualquer, desde que µ 1 e µ 2 sejam absolutamete cotíuas com relação à uma medida fixa esse espaço mesurável. Nesse caso utilizaremos as derivadas de Rado Nikodym. Como estaremos iteressados em variáveis idepedetes, precisamos de um resultado que relacioe a distâcia em variação total com produtos de medida. Isso é parte do seguite Lema Sejam µ 1, µ 2 distribuições em Ω e ν 1, ν 2 distribuições em y ambos eumeráveis. Etão µ 1 ν 1 µ 2 ν 2 VT µ 1 µ 2 VT + ν 1 ν 2 VT. (3.36) Demostração. Basta expadir 2 µ 1 ν 1 µ 2 ν 2 VT = x Ω,y Ω µ 1 (x)ν 1 (y) µ 2 (x)ν 2 (y) x Ω,y Ω µ 1 (x)ν 1 (y) µ 1 (x)ν 2 (y) + µ 1 (x)ν 2 (y) µ 2 (x)ν 2 (y) 2 µ 1 µ 2 VT + 2 ν 1 ν 2 VT. (3.37) Ode acima ós usamos que µ 1 e ν 2 são probabilidades. Isso termia a prova do lema. 36
11 TÓPICO: LEI DOS PEQUENOS NÚMEROS Fialmete, gostaríamos de eteder como a distâcia de variação total se comporta com respeito à soma de variáveis idepedetes. Isso estará ligado à covolução de distribuições: Defiição Dadas, µ e ν distribuições em Z, defiimos a distribuição (µ ν)(x) := µ(x y)ν(y). (3.38) y Z Essa defiição se relacioa com a soma de variáveis idepedetes graças ao seguite Exercício Se X d µ e Y d ν são variáveis aleatórias iteiras e idepedetes, etão X + Y d µ ν. Dica: particioe o espaço amostral os evetos [X = j], para j Z, como a prova do Lema abaixo. Corolário Se µ e ν são distribuições em Z, etão µ ν = ν µ. Como prometido, obtemos a seguite relação etre a covolução e a distâcia de variação total. Lema Sejam µ, ν duas medidas em Ω eumerável e X : (Ω, P(Ω)) (E, A) um elemeto aleatório X µ X ν VT µ ν VT. (3.39) Em particular se µ 1, µ 2, ν 1, ν 2 são distribuições em Z, etão µ 1 ν 1 µ 2 ν 2 VT µ 1 ν 1 µ 2 ν 2 VT (3.40) Demostração. O segudo poto segue do primeiro aplicado ao caso Ω = Z 2, E = Z e X : (x, y) (x + y). Pelo primeiro, observamos 2 X µ X ν VT = µ(x(ω) = x) ν(x(ω) = x) x E = µ(ω) ν(ω) x E {ω Ω : X(ω)=x} µ(ω) ν(ω) ω Ω = 2 µ ν VT. (3.41) Para euciar o resultado pricipal dessa seção, vamos apresetar uma distribuição em N bastate importate, que em particular se comporta muito bem com respeito a somas de variáveis idepedetes, como veremos. 37
12 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Defiição Uma variável aleatória X é dita ter distribuição de Poisso com parâmetro λ, se P[X = k] = λk e λ, para k 0 iteiro. (3.42) k! Deotamos isso por X d Poisso(λ). A distribuição de Poisso se comporta bem com respeito a somas idepedetes, como mostra o seguite Lema Sejam X d Poisso(λ 1 ) e Y d Poisso(λ 2 ) idepedetes, etão X + Y d Poisso(λ 1 + λ 2 ). Demostração. Basta calcular P[X + Y = k] = k k λ j 1 P[X = j, Y = k j] = e λ 1λ k j 2 e λ 2 j!(k j)! j=0 j=0 = e (λ 1+λ 2 ) 1 k! k j=0 k! j!(k j)! λj 1 λk j 2 = e(λ 1+λ 2 ) (λ 1 + λ 2 ) k, k! (3.43) mostrado o resultado. Nossa próxima tarefa é estimar a distâcia etre uma variável aleatória com distribuição Ber(p) e uma Poisso(p), como segue. Lema Para p [0, 1], seja µ 1 = Ber(p) e µ 2 = Poisso(p), etão, Demostração. Sabemos que µ 1 µ 2 VT p 2. (3.44) µ 1 µ 2 VT = 1 2 x = 1 2 = 1 2 µ 1 (x) µ 2 (x) ( µ 1 (0) µ 2 (0) + µ 1 (1) µ 2 (1) + x 2 ) µ 2 (x) ( ) e p (1 p) + p(1 e p ) + (1 e p pe p ) (3.45) termiado a prova. = 2 2 p(1 e p ) p 2, O teorema pricipal de covergêcia dessa seção cocere a soma de variáveis Beroulli. 38
13 TÓPICO: LEI DOS PEQUENOS NÚMEROS Teorema (Lei dos Pequeos Números). Dado, 1 e p [0, 1], supoha que Ω, F e P p sejam dados como em (3.28). Etão, Demostração. Basta observar que Bi(, p) Poisso(p) VT p 2. (3.46) X P p Poisso(p) VT Lema = Ber(p) Poisso(p) VT Lema Ber(p) Poisso(p) VT Lema Ber(p) Poisso(p) VT Lema p 2, (3.47) provado o teorema. Corolário No mesmo cotexto do teorema acima, se p = λ/, etão temos que coverge a zero com. Bi(, p) Poisso(p) VT λ 2 /, (3.48) Dizemos que a probabilidade Bi(, λ/) coverge em variação total para Poisso(p). Veremos mais tarde que existem outros tipos de covergêcia. Exercício Fixado λ > 0, seja N uma variável aleatória com distribuição Poisso(λ), isto é P[N = k] = λk e λ para k = 0, 1,... (3.49) k! Cosidere o mesmo espaço de probabilidade uma sequêcia de variáveis aleatórias X 1, X 2,... que sejam i.i.d., com distribuição Ber(1/2) e idepedetes de N. a) Calcule a distribuição de Z = N X i. b) Mostre que Z e N Z são idepedetes. 39
14 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS 3.3 Costrução de espaços produtos ifiitos Jà vimos a secção aterior que para qualquer coleção fiita µ 1,..., µ de probabilidades defiidas em espaços E 1,..., E, podemos costruir um espaço de probabilidade (Ω, F, P), tal que existem elemetos aleatórios X i : Ω E i, i = 1,..., idepedetes, tais que (X i ) P (a escolha caôica sedo de escolher o espaço produto, a medida produto e as coordeadas). Por essa razão, faz setido de falar cosideramos X 1,..., X idepedetes de distribuição respetivas µ i, e o futuro faremos isso sem em sempre cuidar do espaço de probabilidade subjacete. Queremos obter a mesma liberdade para coleções ifiitas de elemetos aleatórios (a utilidade sedo de poder cosiderar, por exemplo limites de somas de variáveis idepedetes). Vamos cosiderar primeiro o caso de variáveis aleatórias, para qual existe uma costrução simples. Primeiro temos que itroduzir o espaço e a σ-álgebra usados a defiição de probabilidade produto. Defiição Dada uma coleção de espaços (E ) 1, defiimos o espaço produto Ω = E := { } ω = (ω ) N : 1, ω E. (3.50) =1 e os mapas X i : Ω E, defiidos para i 1 por X i (ω) = ω i, (3.51) que chamamos de coordeadas caôicas associadas ao produto Ω. Se cada E i é dotado de uma σ-álgebra A i, etão defiimos F := σ((x i ) i 1 ), (3.52) que é a meor σ-álgebra em Ω que deixa as applicações coordeadas mesúraveis. Chamamos F de σ-álgebra caôica (o σ-álgebra produto), pode ser deotada iformalmete como =1 Ω i. Exercício Mostre que em (R N, F) temos que os cojutos a) A = {lim if X / {, }}, b) B = {lim X = 4} e c) C = {lim 1 X existe} são todos mesuráveis (evetos) com respeito a F. Mostre que Y = f (lim if X ) ode f e uma fução cotiua com limite e e é uma variável aleatória em (Ω, F). Exercício Verifique as seguite afirmações 40
15 3.3. CONSTRUÇÃO DE ESPAÇOS PRODUTOS INFINITOS a) F = σ ( A 1 A k E k+1 E k+2... : k 1, A i A i, i k ), os chamados evetos retagulares. b) F = σ ( A E k+1 E k+2... : k 1, A A i A k ), cohecidos como evetos cilídricos. Com essa oção de σ-álgebra podemos itroduzir a oção de medida produto Defiição Dada uma coleção de espaços de probabilidade (E, A, µ ) 1, e sedo (Ω, F) o espaço produto associado. Chamamos de probabilidade produto dos (µ ) 1 em Ω uma probabilidade P que satisfaz N, A 1 A 1,..., A A, P(ω 1 A 1,..., ω A ) = µ i (A i ). (3.53) Isso e equivalete a dizer que as variáveis coordeadas X i (ω) são idepedetes e ideticamete distribuídas. Escrevemos P = 1 µ i. Essa probabilidade sempre existe e é úica. A prova da existêcia exige um trabalho cosiderável e deixamos ela para mais tarde. Observe que a uicidade implica que a frase X, 1 e uma sequecia de variáveis idepedetes com distribuição respectivas µ, 1 descreve totalmete a distribuição imagem de sequêcia aleatória (X ) 1. Demostração. Sabemos que F e gerada pelos evetos cilídricos que formam um π-sistema. Como, por defiição, duas probabilidade produtos tem que coicidir este π-sistema, podemos cocluir usado o Teorema π-λ. Exercício Sejam (X,m ) 1,m 1 uma sequêcia dupla de elemetos aleatórios idepedetes em E. Mostrar que sequêcia (Y ) 1 defiida por Y := (X,m ) m 1 é uma sequêcia de elemetos aleatorios em E N Costrução de uma sequêcia de variáveis Ber(1/2) idepedetes Cosideramos Ω = [0, 1] e P = U [0,1]. Para ω [0, 1], defiimos (X ) 1 a sequecia de {0, 1} N tal que ω := X (ω)2. (3.54) =1 Se tiver mais que uma, escolhemos a maior pela ordem lexicográfica. Proposição As variáveis (X ) 1 são idepedetes, com distribuição Ber(1/2). 41
16 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Demostração. Verificamos que para qualquer q N e ε = (ε 1,..., ε q ) {0, 1} q, temos P[X 1 = ε 1 ;... ; X q = ε q ] = 2 q. (3.55) Podemos mesmo verificar que dado uma família de evetos A i {0, 1}, somado probabilidade usado uião disjuta (3.55) tem como cosequêcia P[X 1 A 1 ;... ; X q A q ] = 2 q q #A q, (3.56) o que permite idetificar as distribuições margiais e provar idepedêcia. Para mostrar (3.55) observamos que {ω X 1 = ε 1 ;... ; X q = ε q } = [x(q, ε), x(q, ε) + 2 q ), ode x(q, ε) := q =1 ε 2, pois a defiição da medida de Lebesgue permite de cocluir Costrução de uma sequêcia de variáveis idepedetes com distribuições margiais qualquer Seja (µ ) 1 uma sequêcia de medida de probabilidade em R (com a σ álgebra de Borel). Queremos costruir um espaço de probabilidade e uma sequêcia de variáveis idepedetes X (ω) tal que que para todo N (X ) P = µ. Defiimos Ω := {0, 1} N e P sedo a medida defiida a secção aterior para qual as coordeadas Y (ω), 1 são Beroulli idepedetes de parâmetro 1/2. Cosideramos m : N N 2 a bijecção defiida por m(p, q) := (p+q)2 e defiimos Z := q=1 2 Y m(,q) 2 + p q 2. Lema As variáveis aleatórias (Z ) 1 são idepedetes, de distribuição U[0, 1]. Demostração. Para idetificar a distribuição de Z, observamos que por uicidade da probabilidade produto em {0, 1} N, Z tem que ter a mesma distribuição que ω em (3.54). Segudo, observamos que pelo Exercício as sequêcias W := (Y m(,q) ) q 1 são idepedetes. Pelo Exercício , os Z o são também como. Para cocluir, F sedo a a fução de distribuição associada a µ e defiimos X := F (Z ). S (u) := sup{ x : F (x) < u} Proposição As variáveis (X ) 1 são idepedetes e para cada, (X ) P = µ. 42
17 3.4. LEI {0, 1} DE KOLMOGOROV Demostração. Idepedêcia vem do Exercício A distribuição das margiais segue da prova to Teorema Exercício Marcelo colecioa figurihas de futebol. O álbum completo coterá N figurihas. No i-ésimo dia, ele compra uma ova carta X i {1,..., N}. A coleção (X i ) i 0 é distribuída de maeira i.i.d. e uiforme as figurihas. a) Para j = 1,..., N, seja T j o tempo passado até a aquisição da j-ésima ova figuriha, i.e. T 1 = 1 e T j+1 = if{i T j + 1 : X i / {X k : k T j }}. (3.57) Mostre que T j é fiito quase certamete, para todo j N. b) Calcule a distribuição cojuta de (T 1, T 2 T 1,..., T N T N 1 ). c) Calcule a esperaça de T N (o dia em que Marcelo completa seu álbum). Exercício Sejam X 1, X 2,... variáveis aleatórias i.i.d. e defia o primeiro tempo de recorde como R = if{i 2 : X i X 1 }. (3.58) Supodo que P[X i = x] = 0 para todo x R, ecotre E(R). 3.4 Lei {0, 1} de Kolmogorov Ao estudarmos o Lema de Borel-Catelli, vimos que se os evetos (A i ) i 1 são idepedetes etão a probabilidade de [A i ifiitas vezes] somete pode assumir os valores zero ou um (depededo da somabilidade de P(A i )). Nessa seção iremos estudar outros tipos de eveto que assumem apeas esses dois valores. Esperamos que esse feômeo se tore ituitivo ao fial dessa discussão. No que se segue, cosideraremos um espaço mesurável Ω = E, com a σ-álgebra caôica F, isto é a σ-álgebra gerada pelas coordeadas caõicas (X i ). Defiição Dizemos que um eveto A F é caudal se A σ ( X i : i ), para todo 1. (3.59) Também itroduzimos a classe F de tais evetos, que claramete é uma σ-álgebra, pois pode ser escrita como F = Chamamos F de σ-álgebra caudal. 1 σ ( X i : i ). (3.60) 43
18 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Vejamos que, dados A i σ(x i ), i 1, temos que [A i ifiitas vezes] é caudal. Para tato, basta observar que para todo 1, temos que [A i ifiitas vezes] = [ #{i 1 : ω A i } = ] = [ #{i : ω A i } = ], que obviamete pertece a σ(x i : i ) para todo 1. Exercício Mostre que em Ω = R, são caudais os seguites evetos a) [X i coverge], b) [ 1 X i coverge ] e c) [#{i 1 : X i > 0} < ]. Podemos agora euciar o pricipal teorema dessa seção Teorema (Lei {0, 1} de Kolmogorov). Se Ω = E N, ode E é um espaço caôico, for provido de uma lei produto P = P i, etão todo eveto caudal tem probabilidade 0 ou 1 sob P. Quado uma σ-álgebra F satisfaz P(A) {0, 1} para todo A F, dizemos que F é trivial. Uma outra maeira de euciar a coclusão do teorema acima é dizer que a σ-álgebra caudal F é trivial. Demostração. A idéia da prova, apesar de soar um pouco estraha, é mostrar que se A F, etão A é idepedete de si mesmo. Em outras palavras, P(A) = P(A A) = P(A) 2, dode P(A) {0, 1}. Mas vamos com calma. Fixe k 1, A F e B σ(x 1,..., X k ). Nesse caso, como o eveto A pertece a σ(x k+1, X k+2,... ), temos que A e B são idepedetes. Fixe agora A F e cosidere a classe B A = {B F : B é idepedete de A}. (3.61) Já sabemos que σ(x 1,..., X k ) B A para todo k 1. Obviamete Ω é idepedete de A, assim como B c B A sempre que B B A. Além disso, supoha que (B i ) i I (fiito o eumerável) i B A são disjutos, etão, P ( ( B i ) A ) = P ( ) disj. (B i A) = i I i I i I P(B i A) idep. = P(A)P( Logo B A é um λ-sistema. Lembrado que B A cotém o π-sistema k σ(x 1,..., X k ), isto é dos evetos cilídricos, temos que todos evetos são idepetes de A, iclusive o próprio A. Isso termia a prova do teorema. Exercício Dizemos que uma probabilidade P o espaço produto Ω = E N (com a σ-álgebra caôica) é fortemete misturadora se, para todo k 1, temos lim sup{ P(A B) P(A)P(B) : A σ(x 1,..., X k ), B σ(x, X +1,... )} = 0. Mostre que esse caso, a σ-álgebra dos evetos caudais é trivial. i I B i ). (3.62) 44
19 TÓPICO: PERCOLAÇÃO Tópico: Percolação Imagie que gostaríamos de modelar o movimeto de um líquido em um meio poroso, como uma rocha ou uma espoja. A primeira tarefa esse estudo seria modelar esse meio poroso de maeira matematicamete rigorosa, que é o que faremos a seguir. Fixamos uma dimesão d 1 e cosideramos o seguite grafo (Z d, E), ode a rede quadrada Z d é o cojuto de vértices e o cojuto de elos é dado por E = { {x, y} Z d : x y = 1}, ode represeta a distâcia euclideaa em R d. No osso modelo, esse grafo pode ser etedido como um cristal periódico ode cada vértice represeta uma cavidade do material poroso e os elos são poteciais coexões etre poros vizihos. Até agora osso grafo é apeas uma rede periódica, mas as coisas começam a ficar iteressates à partir de agora. Imagiamos que osso material poroso está sujeito a variações durate sua formação. Isso se reflete o fato que algus elos de E podem estar abertos ou ão aleatoriamete. Para o osso modelos, o espaço amostral vai ser Ω := {0, 1} E cosiderado com a σ-algebra produto. Fixamos um p [0, 1] e defiimos uma coleção de variáveis aleatórias ω e, para e E, que sejam i.i.d. e com distribuição Ber(p). Chamamos P p a probabilidade corespodete. Essas variáveis aleatórias iduzem um grafo aleatorio G(ω) = (Z d, E(ω)), subgrafo do grafo origial, que correspode a icluir apeas os elos e com ω e = 1. Mais precisamete E(ω) = { e E : ω e = 1 }. (3.63) Podemos ver a Figura 3.1 algumas simulações desse grafo aleatório. Figura 3.1: Três simulações do grafo aleatório (Z d, E), para valores de p = 0, 4 (esquerda), p = 0, 5 (cetro) e p = 0, 6 (direita). Tete imagiar como seria camihar esse grafo como se ele fosse um labirito. Agora que temos um modelo de meio poroso bem defiido, precisamos pesar em quais pergutas os iteressam sobre G = (Z d, E). Sedo esse um modelo por a passagem de fluido, as primeiras pergutas que faremos cocere a coectividade de G. 45
20 CAPÍTULO 3. INDEPENDÊNCIA E ESPAÇOS PRODUTOS Exercício Mostre que quase certamete G(ω) é descoexo. Mais precisamete, mostre que existem quase certamete ifiitos vértices isolados em G(ω). Como ão podemos esperar que G(ω) seja coexo, podemos os pergutar algo mais fraco, como por exemplo se a compoete coexa da origem 0 Z d em G(ω) é ifiita. Voltado à Figura 3.1 vemos que, depededo do valor de p [0, 1], pode ser bem difícil ou bem fácil ecotrar um camiho logo à partir da origem. Isso é uo que estudaremos em mais detalhes o que segue. Mais precisamete estamos iteressados em: A = { ω Ω : a compoete coexa de 0 Z d em G(ω) é ifiita }. (3.64) Para estudar A, vamos fazer uma aproximação de A por evetos mais simples A = { ω Ω : a compoete coexa de 0 sai da caixa [, ] d }, (3.65) para 1. Exercício Mostre que A = =1 A e cosequetemete que A é de fato mesurável e P(A) = lim P(A ). Defiimos portato a fução θ : [0, 1] [0, 1] por θ(p) = P p (A), (3.66) ode P p deota a probabilidade correspodete ao valor escolhido de p [0, 1]. Exercício Mostre que θ(p) 1 (1 p) 2d. Nosso objetivo é eteder algumas das propriedades de θ. A ossa ituição diz que quato maior o valor de p, mais elos serão abertos em G e portato maior será o valor de θ, ou em outras palavras, θ deve ser moótoa ão decrescete. Exercício Costruiremos osso modelo de uma maeira alterativa um espaço de probabilidade maior. Defiimos Ω 0 := [0, 1] E (com a σ-álgebra produto correspodete), e (U e ) e E uma coleção de variáveis aleatórias i.i.d. com distribuição U[0, 1], e P a probabilidade corespodete. Defiimos para cada p [0, 1], X p : Ω 0 Ω do jeito seguite X p e = 1 [ωe p]. (3.67) Mostre que para todo p [0, 1] (X p ) P = P p. Use isso para cocluir que θ é moótoa ão decrescete. Iremos agora mostrar a existêcia de um regime para o qual a compoete coexa da origem ão é ifiita. Teorema Para p < 1/(2d), temos que θ(p) = 0. Ates da prova, algus exercícios. 46
21 TÓPICO: PERCOLAÇÃO Exercício Defiimos um camiho como sedo uma sequêcia x 1,..., x k (k N), tal que {x i, x i+1 } E para todo i = 1,..., k 1. Tal camiho é dito aberto se ω {xi,x i+1 } = 1 para todo i k 1. E dizemos que ele é auto-evitate se x i = x j para todo 1 i < j < k. Mostre que A = {ω Ω : existe um camiho aberto (x i ) k com x 1 = 0 e x k [, ] d} A = { ω Ω : existe um camiho auto-evitate como acima }. Demostração. Dado p < 1/(2d) e N, lembramos que [ existe k N e um camiho auto-evitate (xi ) θ(p) P p (A ) = P k ] p aberto e com x 1 = 0 e x k [, ] d k k P p [(x i ) k aberto] = (x i ) k auto-evit. k P p [(x i ) k aberto] = (x i ) k camiho k (x i ) k auto-evit. p k (2d) k p k. Como p < 1/(2d), a soma acima é fiita e coverge a zero quado diverge, provado o teorema. Notas - O teorema acima ajuda a compreeder o comportameto que observamos o lado esquerdo da Figura 3.1. Mais precisamete, ele os diz que para valores de p baixos (a verdade 0, 4 ão é baixo o suficiete para podermos aplicar esse teorema) é difícil ecotrar um camiho aberto do cetro à borda da caixa. Na verdade, é possível mostrar que para d = 2, θ(p) = 0 para todo p 1/2 e θ(p) > 0 para todo p > 1/2, (3.68) como foi mostrado por Harris e Keste, veja por exemplo [Gri99] e [BR06]. De fato, algo bastate iteressate está acotecedo esse modelo para p = 1/2, como os mostrou o trabalho de grades matemáticos, como: Oded Schramm, Wedeli Werer, Staislav Smirov, etre outros. 47
Notas de aula: Probabilidade I. Augusto Teixeira
Notas de aula: Probabilidade I Augusto Teixeira 8 de juho de 2016 Liceça Esse trabalho é liceciado os termos da liceça Creative Commos Atribuição- NãoComercial-CompartilhaIgual 3.0 Não Adaptada (CC BY-NC-SA
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fudametos A probabilidade modera se baseia fortemete a Teoria da Medida e supomos durate esse curso que o leitor esteja bem familiarizado com coceitos tais como: Medida de Lebesgue, extesões
Leia maisMedidas, integração, Teorema da Convergência Monótona e o teorema de Riesz-Markov
Medidas, itegração, Teorema da Covergêcia Moótoa e o teorema de Riesz-Markov 28 de Agosto de 2012 1 Defiições de Teoria da Medida Seja (Ω, F, ν) um espaço de medida: isto é, F é σ-álgebra sobre o cojuto
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Esperaça de uma Variável Aleatória 1 1.1 Variáveis aleatórias idepedetes........................... 1 1.2 Esperaça matemática................................. 1 1.3 Esperaça de uma Fução de
Leia maisNotas de aula: Probabilidade I (Remix) Augusto Teixeira (feat. H. Lacoin)
Notas de aula: Probabilidade I (Remix) Augusto Teixeira (feat. H. Lacoi) 4 de juho de 2018 Liceça Esse trabalho é liceciado os termos da liceça Creative Commos Atribuição- NãoComercial-CompartilhaIgual
Leia maisAula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança
Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate
Leia maisSéquências e Séries Infinitas de Termos Constantes
Capítulo Séquêcias e Séries Ifiitas de Termos Costates.. Itrodução Neste capítulo estamos iteressados em aalisar as séries ifiitas de termos costates. Etretato, para eteder as séries ifiitas devemos ates
Leia maisDESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:
48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa
Leia maisFundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas
Fudametos de Aálise Matemática Profª Aa Paula Sequêcia Ifiitas Defiição 1: Uma sequêcia umérica a 1, a 2, a 3,,a,é uma fução, defiida o cojuto dos úmeros aturais : f : f a Notação: O úmero é chamado de
Leia maisPreliminares 1. 1 lim sup, lim inf. Medida e Integração. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales. 8 de março de 2009.
Medida e Itegração. Departameto de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 8 de março de 2009. 1 lim sup, lim if Prelimiares 1 Seja (x ), N, uma seqüêcia de úmeros reais, e l o limite desta
Leia maisNotas de aula de Probabilidade Avançada
Notas de aula de Probabilidade Avaçada Adilso Simois (professor) Tássio Naia dos Satos (aluo) primeiro semestre de 2012 compilado 2 de abril de 2012 Notas de aula de Tássio Naia dos Satos, aluo do curso
Leia maisNotas do Curso Inferência em Processos Estocásticos. 1 Estimação de máxima verossimilhança para cadeias de Markov de ordem k
Notas do Curso Iferêcia em Processos Estocásticos Prof. Atoio Galves Trascrita por Karia Yuriko Yagiuma 1 Estimação de máxima verossimilhaça para cadeias de Markov de ordem k Seja (X ) =0,1,,... uma cadeia
Leia maisarxiv: v1 [math.ho] 3 Sep 2014
Álbum de figurihas da Copa do Mudo: uma abordagem via Cadeias de Markov Leadro Morgado IMECC, Uiversidade Estadual de Campias arxiv:409.260v [math.ho] 3 Sep 204 Cosiderações iiciais 6 de maio de 204 Com
Leia maisConsiderações finais
Cosiderações fiais Bases Matemáticas Defiições prelimiares Defiição 1 Dizemos que y é uma cota superior para um cojuto X se, para todo x X é, verdade que y x. Exemplo 1 os úmeros 2, 3, π e quaisquer outros
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
Leia maisS E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números
S E Q U Ê N C I A S E L I M I T E S Prof. Beito Frazão Pires Uma sequêcia é uma lista ordeada de úmeros a, a 2,..., a,... ) deomiados termos da sequêcia: a é o primeiro termo, a 2 é o segudo termo e assim
Leia maisProbabilidade 2 - ME310 - Lista 5
Probabilidade - ME30 - Lista 5 November 3, 0 Lembrado:. Covergêcia de sequêcias em L p (também chamada de covergêcia em média): se lim E( X X 0 p ) 0 quado, etão a sequêcia deida por X é dita covergete
Leia maisAmostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?
Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por
Leia maisInstituto de Matemática - UFRJ Análise 1 - MAA Paulo Amorim Lista 2
Istituto de Matemática - UFRJ Lista. Sejam (x ), (y ) sequêcias covergetes, com x y,. Mostre que se tem lim x lim y. Sabemos das aulas teóricas que se uma sequêcia z verifica z 0, etão lim z 0 (caso exista).
Leia maisNúmeros primos, números compostos e o Teorema Fundamental da Aritmética
Polos Olímpicos de Treiameto Curso de Teoria dos Números - Nível 3 Carlos Gustavo Moreira Aula 4 Números primos, úmeros compostos e o Teorema Fudametal da Aritmética 1 O Teorema Fudametal da Aritmética
Leia mais1. Resolução da lista 1. Primeiro apresentaremos uma integral importante, obtida a partir da distribuição gama generalizada.
1. Resolução da lista 1. Primeiro apresetaremos uma itegral importate, obtida a partir da distribuição gama geeralizada. 1) J x a 1 e bxc dx Γa/c), a, b, c >. cba/c Demostração: fazedo a substituição y
Leia maisSequências Reais e Seus Limites
Sequêcias Reais e Seus Limites Sumário. Itrodução....................... 2.2 Sequêcias de Números Reais............ 3.3 Exercícios........................ 8.4 Limites de Sequêcias de Números Reais......
Leia mais3. Seja C o conjunto dos números complexos. Defina a soma em C por
Eercícios Espaços vetoriais. Cosidere os vetores = (8 ) e = ( -) em. (a) Ecotre o comprimeto de cada vetor. (b) Seja = +. Determie o comprimeto de. Qual a relação etre seu comprimeto e a soma dos comprimetos
Leia maisFUNÇÕES CONTÍNUAS Onofre Campos
OLIMPÍADA BRASILEIRA DE MATEMÁTICA NÍVEL III SEMANA OLÍMPICA Salvador, 19 a 26 de jaeiro de 2001 1. INTRODUÇÃO FUNÇÕES CONTÍNUAS Oofre Campos oofrecampos@bol.com.br Vamos estudar aqui uma ova classe de
Leia maisProbabilidade II Aula 9
Coteúdo Probabilidade II Aula 9 Maio de 9 Môica Barros, D.Sc. Estatísticas de Ordem Distribuição do Máximo e Míimo de uma amostra Uiforme(,) Distribuição do Máximo e Míimo caso geral Distribuição das Estatísticas
Leia maisLista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação
Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe
Leia maisCapítulo 3. Sucessões e Séries Geométricas
Capítulo 3 Sucessões e Séries Geométricas SUMÁRIO Defiição de sucessão Mootoia de sucessões Sucessões itadas (majoradas e mioradas) Limites de sucessões Sucessões covergetes e divergetes Resultados sobre
Leia maisProbabilidade II Aula 12
Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em
Leia maisb) Fabrico de peças cilíndricas Capítulo 5 - Distribuições conjuntas de probabilidades e complementos X - comprimento da peça Y - diâmetro da peça
Capítulo 5 - Distribuições cojutas de probabilidades e complemetos 5.1 Duas variáveis aleatórias discretas. Distribuições cojutas, margiais e codicioais. Idepedêcia Em relação a uma mesma eperiêcia podem
Leia maisCapítulo II - Sucessões e Séries de Números Reais
Capítulo II - Sucessões e Séries de Números Reais 2 Séries de úmeros reais Sabemos bem o que sigifica u 1 + u 2 + + u p = p =1 e cohecemos as propriedades desta operação - comutatividade, associatividade,
Leia maisI 01. Sequência Numérica. para a qual denotamos o valor de x em n por x n em vez de x ( n ).
IME ITA Apostila ITA I 0 Sequêcia Numérica Defiição 4..: Uma sequêcia de úmeros reais é uma fução x : para a qual deotamos o valor de x em por x em vez de x ( ). Geralmete usamos a otação ( x ). Às vezes
Leia maisProvas de Matemática Elementar - EAD. Período
Provas de Matemática Elemetar - EAD Período 01. Sérgio de Albuquerque Souza 4 de setembro de 014 UNIVERSIDADE FEDERAL DA PARAÍBA CCEN - Departameto de Matemática http://www.mat.ufpb.br/sergio 1 a Prova
Leia maisSomas de variáveis independentes I: Lei dos. Grandes Números
Capítulo 4 Somas de variáveis idepedetes I: Lei dos Grades Números Nesse capítulo itroduziremos várias técicas e resultados que serão úteis em geral, mas que aparecem aturalmete o estudo da somas de variáveis
Leia maisO TEOREMA ERGÓDICO DE BIRKHOFF
O TEOREMA ERGÓDICO DE BIRKHOFF BRUNO SANTIAGO Resumo. Neste artigo expositório discutiremos a prova clássica do teorema ergódico de Birkhoff, via o teorema ergódico maximal. Buscaremos explorar os sigificados
Leia maisPESADELO DE FUBINI E SISTEMAS DINÂMICOS. 2 n
PESADELO DE FUBINI E SISTEMAS DINÂMICOS ALI TAHZIBI 1. Laçameto de Moeda e Sistemas Diâmicos Seja ω (0, 1] e (d 1 (ω), d 2 (ω), ) a expasão biária de ω, i.e d (ω) ω = = 0, d 2 1 (ω)d 2 (ω). =1 Vamos combiar
Leia maisTEOREMA DE BAIRE. 1. Conceitos Preliminares Exemplos de Aplicações do Teorema de Baire 5 Referências 8
TEOREMA DE BAIRE JONAS RENAN MOREIRA GOMES BOLSISTA SANTANDER-USP Sumário 1. Coceitos Prelimiares 1 2. Defiição de Espaço de Baire 2 3. Exemplos de Aplicações do Teorema de Baire 5 Referêcias 8 Esse texto
Leia maisAULA Subespaço, Base e Dimensão Subespaço.
Note bem: a leitura destes apotametos ão dispesa de modo algum a leitura ateta da bibliografia pricipal da cadeira TÓPICOS Subespaço. ALA Chama-se a ateção para a importâcia do trabalho pessoal a realizar
Leia mais2.2. Séries de potências
Capítulo 2 Séries de Potêcias 2.. Itrodução Série de potêcias é uma série ifiita de termos variáveis. Assim, a teoria desevolvida para séries ifiitas de termos costates pode ser estedida para a aálise
Leia maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia maisAlguns autores também denotam uma sequência usando parêntesis:
Capítulo 3 Sequêcias e Séries Numéricas 3. Sequêcias Numéricas Uma sequêcia umérica é uma fução real com domíio N que, a cada associa um úmero real a. Os úmeros a são chamados termos da sequêcia. É comum
Leia mais(i) (1,5 val.) Represente na forma de um intervalo ou de uma união disjunta de intervalos cada um dos conjuntos seguintes:
Istituto Superior Técico Departameto de Matemática o TESTE DE CÁLCULO DIFERENCIAL E INTEGRAL I - Versão A MEAero o Sem. 0/3 0//0 Duração: h30m RESOLUÇÃO. 3,0 val. i,5 val. Represete a forma de um itervalo
Leia maisEstatística para Economia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS
Estatística para Ecoomia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS Primavera 008/009 Variável Aleatória: Defiição: uma variável aleatória é uma fução que atribui a cada elemeto
Leia maisSeqüências e Séries. Notas de Aula 4º Bimestre/2010 1º ano - Matemática Cálculo Diferencial e Integral I Profª Drª Gilcilene Sanchez de Paulo
Seqüêcias e Séries Notas de Aula 4º Bimestre/200 º ao - Matemática Cálculo Diferecial e Itegral I Profª Drª Gilcilee Sachez de Paulo Seqüêcias e Séries Para x R, podemos em geral, obter sex, e x, lx, arctgx
Leia maisLista 9 - Introdução à Probabilidade e Estatística
Lista 9 - Itrodução à Probabilidade e Estatística Desigualdades e Teoremas Limites 2.=000. 1 Um ariro apota a um alvo de 20 cm de raio. Seus disparos atigem o alvo, em média, a 5 cm do cetro deste. Assuma
Leia maisCálculo III - SMA 333. Notas de Aula
Cálculo III - SMA 333 Notas de Aula Sumário 1 Itrodução 2 2 Seqüêcias Numéricas 6 2.1 Defiição, Exemplos e Operações........................ 6 2.2 Seqüêcias Limitadas e Ilimitadas........................
Leia maisBÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS. 1 a Edição
BÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS 1 a Edição Rio Grade 2017 Uiversidade Federal do Rio Grade - FURG NOTAS DE AULA DE CÁLCULO
Leia maisSucessão ou Sequência. Sucessão ou seqüência é todo conjunto que consideramos os elementos dispostos em certa ordem. janeiro,fevereiro,...
Curso Metor www.cursometor.wordpress.com Sucessão ou Sequêcia Defiição Sucessão ou seqüêcia é todo cojuto que cosideramos os elemetos dispostos em certa ordem. jaeiro,fevereiro,...,dezembro Exemplo : Exemplo
Leia maisBases e dimensão. Roberto Imbuzeiro Oliveira. 22 de Março de 2012
Bases e dimesão Roberto Imbuzeiro Oliveira 22 de Março de 2012 1 Defiições básicas Nestas otas X é espaço vetorial com mais de um elemeto sobre o corpo F {R, C}. Uma base (ão ecessariamete LI) de X é um
Leia maisSecção 1. Introdução às equações diferenciais
Secção. Itrodução às equações difereciais (Farlow: Sec..,.) Cosideremos um exemplo simples de um feómeo que pode ser descrito por uma equação diferecial. A velocidade de um corpo é defiida como o espaço
Leia mais1. Revisão Matemática
Se x é um elemeto do cojuto Notação S: x S Especificação de um cojuto : S = xx satisfaz propriedadep Uião de dois cojutos S e T : S T Itersecção de dois cojutos S e T : S T existe ; para todo f : A B sigifica
Leia mais4 Teoria da Probabilidade
48 4 Teoria da Probabilidade Apresetam-se este capítulo coceitos de probabilidade e de estimação de fuções desidade de probabilidade ecessários ao desevolvimeto e compreesão do modelo proposto (capítulo
Leia maisConjuntos Infinitos. Teorema (Cantor) Se A é conjunto qualquer, #A #P(A). Mais precisamente, qualquer
Cojutos Ifiitos Teorema (Cator) Se A é cojuto qualquer, #A #P(A). Mais precisamete, qualquer f : A P(A) ão é sobrejetora. Cosequêcia. Existe uma herarquia de cojutos ifiitos. Obs. Existe uma bijeção etre
Leia maisLista de Exercícios de Cálculo 2 Módulo 1 - Primeira Lista - 01/2017
Lista de Exercícios de Cálculo 2 Módulo - Primeira Lista - 0/207. Determie { ( se a seqüêcia coverge ou diverge; se covergir, ache o limite. 5 ) } { } { } { arcta(), 000 (b) (c) ( ) l() } { 000 2 } { 4
Leia maisAnálise Matemática I 2 o Exame
Aálise Matemática I 2 o Exame Campus da Alameda LEC, LET, LEN, LEM, LEMat, LEGM 29 de Jaeiro de 2003, 3 horas Apresete todos os cálculos e justificações relevates I. Cosidere dois subcojutos de R, A e
Leia mais2. COMBINAÇÃO LINEAR E DEPENDÊNCIA LINEAR DE VETORES
CAPITULO II COMBINAÇÃO LINEAR E DEPENDÊNCIA LINEAR DE VETORES Acreditamos que os coceitos de Combiação Liear (CL) e de Depedêcia Liear serão melhor etedidos se forem apresetados a partir de dois vetores
Leia maisMQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta:
MQI 003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 07/07/008 Nome: PROBLEMA Sejam X e Y v.a. cotíuas com desidade cojuta: f xy cy xy x y (, ) = + 3 ode 0 e 0 a) Ecotre a costate c que faz desta
Leia maisFundamentos de Análise Matemática Profª Ana Paula. Números reais
Fudametos de Aálise Matemática Profª Aa Paula Números reais 1,, 3, cojuto dos úmeros aturais 0,1,,3, cojuto dos úmeros iteiros p q /p e q cojuto dos úmeros racioais a, a 0 a 1 a a, a e a i 0, 1,, 3, 4,
Leia maisAUTO AVALIAÇÃO CAPÍTULO I. 1. Assinale com V as proposições que considere verdadeiras e com F as que considere
AUTO AVALIAÇÃO CAPÍTULO I. Assiale com V as proposições que cosidere verdadeiras e com F as que cosidere falsas : a. Sedo A e B cojutos disjutos, ambos majorados, os respectivos supremos ão podem coicidir
Leia maisEstimadores de Momentos
Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo
Leia maisDessa forma, concluímos que n deve ser ímpar e, como 120 é par, então essa sequência não possui termo central.
Resoluções das atividades adicioais Capítulo Grupo A. a) a 9, a 7, a 8, a e a 79. b) a, a, a, a e a.. a) a, a, a, a 8 e a 6. 9 b) a, a 6, a, a 9 e a.. Se a 9 e a k são equidistates dos extremos, etão existe
Leia maisLista de Exercícios de Cálculo 2 Módulo 1 - Primeira Lista - 01/2018
Lista de Exercícios de Cálculo Módulo - Primeira Lista - 0/08. Determie { ( se a seqüêcia coverge ou diverge; se covergir, ache o limite. 6 5 ) } { } { } { arcta(), 000 (b) (c) ( ) l() } { 6 000 } { 4
Leia maisExponenciais e Logaritmos (MAT 163) - Notas de Aulas 2 Prof Carlos Alberto S Soares
Expoeciais e Logaritmos (MAT 163) - Notas de Aulas 2 Prof Carlos Alberto S Soares 1 Prelimiares Lembremos que, dados cojutos A, B R ão vazios, uma fução de domíio A e cotradomíio B, aotada por, f : A B,
Leia maisINTEIROS DE GAUSS E INTEIROS DE EISENSTEIN Guilherme Fujiwara, São Paulo SP
Nível Avaçado. INTEIROS DE GAUSS E INTEIROS DE EISENSTEIN Guilherme Fujiwara, São Paulo SP Vamos abordar esse artigo a aritmética de dois cojutos de iteiros algébricos: os Iteiros de Gauss e os Iteiros
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER
PROBABILIDADE. DEFINIÇÕES BÁSICAS:.- INTRODUÇÃO: UNIVERSIDADE FEDERAL DO PARANÁ NOTAS DE AULA PROFa. SONIA MÜLLER PROBABILIDADE POPULAÇÃO AMOSTRA ESTATÍSTICA Uiverso : Ω ou U Vazio: Uião: A B Itersecção:
Leia maisSéries e aplicações15
Séries e aplicações5 Gil da Costa Marques Fudametos de Matemática I 5. Sequêcias 5. Séries 5. Séries especiais 5.4 Arquimedes e a quadratura da parábola 5.5 Sobre a Covergêcia de séries 5.6 Séries de Taylor
Leia mais1. Revisão Matemática
Sequêcias de Escalares Uma sequêcia { } diz-se uma sequêcia de Cauchy se para qualquer (depedete de ε ) tal que : ε > 0 algum K m < ε para todo K e m K Uma sequêcia { } diz-se ser limitada superiormete
Leia maisSéries de Fourier. As séries de Fourier são séries cujos termos são funções sinusoidais.
Séries de Fourier As séries de Fourier são séries cujos termos são fuções siusoidais. Importâcia prática: uma fução periódica (em codições bastate gerais) pode ser represetada por uma série de Fourier;
Leia maisMATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
MATEMÁTICA II Profa. Dra. Amada Liz Pacífico Mafrim Perticarrari amada@fcav.uesp.br O PROBLEMA DA ÁREA O PROBLEMA DA ÁREA Ecotre a área da região que está sob a curva y = f x de a até b. S = x, y a x b,
Leia maisCálculo II Sucessões de números reais revisões
Ídice 1 Defiição e exemplos Cálculo II Sucessões de úmeros reais revisões Mestrado Itegrado em Egeharia Aeroáutica Mestrado Itegrado em Egeharia Civil Atóio Beto beto@ubi.pt Departameto de Matemática Uiversidade
Leia maisProcessos Estocásticos
IFBA Processos Estocásticos Versão 1 Alla de Sousa Soares Graduação: Liceciatura em Matemática - UESB Especilização: Matemática Pura - UESB Mestrado: Matemática Pura - UFMG Vitória da Coquista - BA 2014
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE DISTRIBUIÇÃO DE PROBABILIDADE Seja uma v.a. que assume os valores,,..., com probabilidade p, p,..., p associadas a cada elemeto de, sedo p p... p diz-se que está defiida
Leia maisSobre a necessidade das hipóteses no Teorema do Ponto Fixo de Banach
Sobre a ecessidade das hipóteses o Teorema do Poto Fio de Baach Marcelo Lopes Vieira Valdair Bofim Itrodução: O Teorema do Poto Fio de Baach é crucial a demostração de vários resultados importates da Matemática
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ao 00 - a Fase Proposta de resolução GRUPO I 1. Como a probabilidade do João acertar em cada tetativa é 0,, a probabilidade do João acertar as tetativas é 0, 0, 0, 0,
Leia maisDistribuições Amostrais
7/3/07 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/07/07 09:3 ESTATÍSTICA APLICADA I - Teoria
Leia maisAlguns autores também denotam uma sequência usando parêntesis:
Capítulo 3 Sequêcias e Séries Numéricas 3. Sequêcias Numéricas Uma sequêcia umérica é uma fução real com domíio N que, a cada associa um úmero real a. Os úmeros a são chamados termos da sequêcia. É comum
Leia maisLimite, Continuidade e
Módulo Limite, Cotiuidade e Derivação Este módulo é dedicado, essecialmete, ao estudo das oções de limite, cotiuidade e derivabilidade para fuções reais de uma variável real e de propriedades básicas a
Leia maisCapítulo I Séries Numéricas
Capítulo I Séries Numéricas Capitulo I Séries. SÉRIES NÚMERICAS DEFINIÇÃO Sedo u, u,..., u,... uma sucessão umérica, chama-se série umérica de termo geral u à epressão que habitualmete se escreve u u...
Leia maisDistribuições Amostrais
9/3/06 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/09/06 3:38 ESTATÍSTICA APLICADA I - Teoria
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 11.º Ano de escolaridade Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A º Teste º Ao de escolaridade Versão Nome: Nº Turma: Professor: José Tioco 9//8 Apresete o seu raciocíio de forma clara, idicado todos os cálculos que tiver de efetuar
Leia maisMaterial Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio
Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Soma de Elemetos em Lihas, Coluas e Diagoais Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto
Leia maisMaterial Teórico - Módulo Binômio de Newton e Triangulo de Pascal. Soma de Elementos em Linhas, Colunas e Diagonais. Segundo Ano do Ensino Médio
Material Teórico - Módulo Biômio de Newto e Triagulo de Pascal Soma de Elemetos em Lihas, Coluas e Diagoais Segudo Ao do Esio Médio Autor: Prof Fabrício Siqueira Beevides Revisor: Prof Atoio Camiha M Neto
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 11.º Ano de escolaridade Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A º Teste º Ao de escolaridade Versão Nome: Nº Turma: Professor: José Tioco 9//8 Apresete o seu raciocíio de forma clara, idicado todos os cálculos que tiver de efetuar
Leia maisConstrução do anel de polinômios em uma indeterminada utilizando módulos
Costrução do ael de poliômios em uma idetermiada utilizado módulos Costructio of the rig of polyomials i oe idetermiate usig modules ISSN 2316-9664 Volume 12, jul. 2018 Christia José Satos Goçalves Uiversidade
Leia maisCÁLCULO I. Exibir o cálculo de algumas integrais utilizando a denição;
CÁLCULO I Prof Edilso Neri Júior Prof Adré Almeida Aula o 9: A Itegral de Riema Objetivos da Aula Deir a itegral de Riema; Exibir o cálculo de algumas itegrais utilizado a deição; Apresetar fuções que
Leia maisSéries e Equações Diferenciais Lista 02 Séries Numéricas
Séries e Equações Difereciais Lista 02 Séries Numéricas Professor: Daiel Herique Silva Defiições Iiciais ) Defia com suas palavras o coceito de série umérica, e explicite difereças etre sequêcia e série.
Leia maisUFV - Universidade Federal de Viçosa CCE - Departamento de Matemática
UFV - Uiversidade Federal de Viçosa CCE - Departameto de Matemática a Lista de exercícios de MAT 47 - Cálculo II 6-II. Determie os ites se existirem: + x x se x b x x c d x + x arcta x x x a x e, < a x
Leia maisA DESIGUALDADE DE CHEBYCHEV
A DESIGUALDADE DE CHEBYCHEV Quado se pretede calcular a probabilidade de poder ocorrer determiado acotecimeto e se cohece a distribuição probabilística que está em causa o problema, ão se colocam dificuldades
Leia maisobjetivo Exercícios Meta da aula Pré-requisitos
Exercícios A U L A 6 Meta da aula Aplicar o formalismo quâtico estudado as Aulas a 5 deste módulo à resolução de um cojuto de exercícios. objetivo Esperamos que, após o térmio desta aula, você teha cosolidado
Leia maisbinomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.
biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa
Leia mais( ) III) ESPAÇOS VETORIAIS REAIS. Definição: Denomina-se espaço vetorial sobre os Reais (R) ao conjunto não vazio. 1) Existe uma adição:
Elemetos de Álgebra Liear ESPAÇOS VETORIAIS REAIS III) ESPAÇOS VETORIAIS REAIS Defiição: Deomia-se espaço vetorial sobre os Reais (R) ao cojuto ão vazio + : V V V ) Existe uma adição: com as seguites propriedades:
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Algumas Distribuições
Deartameto de Iformática Discilia: do Desemeho de Sistemas de Comutação Algumas Distribuições Algumas Distribuições Discretas Prof. Sérgio Colcher colcher@if.uc-rio.br Coyright 999-8 by TeleMídia Lab.
Leia maisNúmeros Complexos. David zavaleta Villanueva 1
Material do miicurso a ser lecioado o III EREM-Mossoró-UERN UFRN - Uiversidade Federal do Rio Grade do Norte Edição N 0 outubro 011 Números Complexos David zavaleta Villaueva 1 1 CCET-UFRN, Natal, RN,
Leia maisSomas de variáveis independentes II: Teorema Central do limite
Capítulo 5 Somas de variáveis idepedetes II: Teorema Cetral do limite A perguta atural depois de ter provado a Lei dos grades úmeros é a do limite das flutuações da soma k=1 X k: qual e a boa escala ϕ()
Leia maisESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.
Leia maisDesigualdades b n b ) n ( a
Polos Olímpicos de Treiameto Curso de Álgebra - Nível 3 Prof Atoio Camiha Aula 2 Desigualdades 2 Esta aula é devotada ao estudo de outras desigualdades elemetares importates Para saber mais sobre o material
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 1
MAE 229 - Itrodução à Probabilidade e Estatística II Resolução Lista 1 Professor: Pedro Moretti Exercício 1 (a) Fazer histograma usado os seguites dados: Distribuição de probabilidade da variável X: X
Leia mais= o logaritmo natural de x.
VI OLIMPÍ IEROMERIN E MTEMÁTI UNIVERSITÁRI 8 E NOVEMRO E 00 PROLEM [5 potos] Seja f ( x) log x 0 = o logaritmo atural de x efia para todo 0 f+ ( x) = f() t dt = lim f() t dt x 0 ε 0 ε Prove que o limite
Leia maisExercícios de Aprofundamento Matemática Progressão Aritmética e Geométrica
Exercícios de Aprofudameto Matemática Progressão Aritmética e b. (Fuvest 05) Dadas as sequêcias a 4 4, b, c a a e d, b defiidas para valores iteiros positivos de, cosidere as seguites afirmações: I. a
Leia maisDefinição 1: Sequência é uma lista infinita de números ordenados.
. Sequêcia Matemática I Tecólogo em Costrução de Edifícios e Tecólogo Defiição : Sequêcia é uma lista ifiita de úmeros ordeados. º, º, º,...,º,... O do ídice, idicado a otação abaixo, é viculado com o
Leia mais