UMA PITADA DE PASSEIOS ALEATÓRIOS
|
|
- Cláudia Neto Alvarenga
- 5 Há anos
- Visualizações:
Transcrição
1 UMA PITADA DE PASSEIOS ALEATÓRIOS RENATO JACOB GAVA 1. Introdução Suponha que um jogador entre num cassino com 0 reais em dinheiro para apostar. Assuma que ele participe de um jogo que consiste de apostas independentes e que em cada aposta de 1 real ou ele ganhe um real com probabilidade p ou perca um real com probabilidade 1 p. Se a fortuna do cassino for de 100 reais e o jogador apostar indefinidamente, isto é, apostar até ficar sem dinheiro ou até obter 10 reais, perguntase: qual é probabilidade de que o jogador vença a disputa. Conhecido como a ruína do jogador, este problema pode ser visto como um passeio aleatório. Outra questão interessante a seu respeito tem a ver com o tempo de duração do jogo. Teria ele probabilidade positiva de durar para sempre? Agora pensemos em outro problema. Imagine uma eleição para representante discente de uma turma e suponha os votos válidos sejam 100. Suponha que o candidato A obtenha 60 votos e que o candidato B obtenha 40 votos. Dada a diferença significativa de votos entre A e B, pergunta-se qual é a probabilidade de que A lidere a apuração do início ao fim. Considerando todas as trajetórias de apuração equiprováveis, podemos responder a esta questão usando coeficientes binomiais e o príncipio da reflexão, ferramenta importante no estudo de passeios aleatórios. Estes são dois exemplos de processos estocásticos que podem ser estudados a partir da teoria de passeios aleatórios. Em geral, podemos ver um passeio aleatório como a posição de uma partícula ao longo do tempo. A cada instante de tempo n {0, 1,...} a partícula realiza um salto aleatório de acordo com uma determinada distribuição. Portanto, a posição S n da partícula no instante n será uma soma de variáveis aleatórias (v.a. s); na maior parte de nossos exemplos as v.a. s serão independentes e identicamente distribuídas (i.i.d.). Podemos encontrar aplicações da teoria de passeios aleatórios em diversas áreas do conhecimento tais como estatística, física, economia, computação e biologia. Nestas notas limartar-nos-emos aos passeios aleatórios simples, ou seja, aos passeios cujos saltos tem tamanho um. Estas curtas notas estão baseadas nas obras [1,, 3]. Nelas o leitor interessado encontrará
2 RENATO JACOB GAVA muitos mais exemplos e aplicações de passeios aletários, além do desenvolvimento bastante mais amplo da teoria acerca do assunto. Vale salientar, por fim, que o tema passeios aleatórios é atualmente objeto de pesquisas acadêmicas mundo afora, tanto em matemática como em física.. Definição e resultados elementares Definição.1. Seja {X n } n 1 uma de v.a. s i.i.d. com P(X n = 1) = p e P(X n = 1) = q para todo n 1, com p + q = 1. Sejam S 0 = c e n S n = c + X i, n 1. i=1 A sequência de v.a. s {S n, n 0} é chamada de passeio aleatório simples (PAS). Quando p = 1/ na definição.1 dizemos que o PAS é simétrico (PASS). Quando p 1/, chamamo-lo de assimétrico (PASA). É fácil ver que na dinâmica da ruína do jogador o capital acumulado pelo jogador ao longo das apostas pode ser visto como um passeio aleatório simples. Nesse caso, a variável aleatória X i representa o ganho do jogador na i-ésima jogada. Exemplo.. Defina S 0 = i, i > 0 e { 0, se Sn = 0 S n+1 = S n + X n+1, se S n > 0, onde {X n } n 1 é uma sequência de v.a. s i.i.d. com P(X n = 1) = p e P(X n = 1) = q para todo n 1. Aqui temos um passeio aleatório com barreira absorvente na origem. Exemplo.3. Considere o espaço de estados {0, 1,, d} e variáveis aleatórias independentes entre si tais que P(X n+1 = 1) = p e P(X n+1 = 1) = q; se S n {1,,..., d 1} P(X n+1 = 1) = p e P(X n+1 = 0) = q; se S n = 0 P(X n+1 = 0) = p e P(X n+1 = 1) = q; se S n = d. Temos neste caso um passeio aleatório com barreiras de retenção. Exemplo.4. Seja (X n, n 1) uma coleção de variáveis aleatórias independentes tais que P(X n+1 = 1) = λ n P(X n+1 = 1) = µ n, onde λ n + µ n = 1. Temos um passeio aleatório não homogêneo. Exemplo.5. Considere uma partícula realizando um passeio aleatório sobre os vértices do quadrado {(0, 0), (0, 1), (1, 0), (1, 1)}. Ponha
3 UMA PITADA DE PASSEIOS ALEATÓRIOS 3 a = (x a, y a ), b = (x b, y b ) e considere {S n } n 0 o seguinte PAS sobre os vértices do quadrado P(S n+1 = b S n = a) = 1, se x a x b + y a y b = 1 P(S n+1 = b S n = a) = 0, caso contrário. Aqui a cada passo a partícula escolhe saltar para um dos vértices vizinhos com a mesma probabilidade. Exercício.6. Nas condições do exemplo anterior, calcule o tempo médio que o PAS leva para atingir o vértice (1, 1) saindo de (0, 0). Definição.7. Sejam n m dois inteiros positivos. Sejam r e s dois inteiros. Um caminho de (n, s) a (m, t) é uma sequência de pontos {(i, s i )} n i m tal que s n = s. s m = t e s i s i+1 = 1 para n i m. Teorema.8. Sejam k e n 0 inteiros. Se n + k for par, então ( ) n P(S n = k) = p n+k n k (1 p) Demonstração. Considere uma realização do passeio aleatório de (0, 0) a (n, s). Sejam r o número de passos positivos e s o número de passos negativos. Observe que r + s = n e r s = k. ( Resolvendo ) esse n sistema linear, temos r = n+k e s = n k, ou seja, há caminhos que conectam (0, 0) a (n, k). Como cada caminho possui a mesma probabilidade de ocorrer, obtemos ( ) n P(S n = k) = p n+k n k (1 p). Proposição.9 (Princípio da reflexão). Sejam r e s inteiros positivos. Então o número de caminhos que vão de (0, r) a (n, s) e tocam o eixo x é igual ao número de caminhos de (0, r) a (n, s). Demonstração. Omitida. Proposição.10. Sejam 0 < s < n inteiros com n + s par. O número de caminhos de (0, 0) a (n, s) com s 0 = 0, s 1 >, s > 0,..., s n 1 > 0 e s n = s é ( n 1 1 ) ( ) n 1 = s n ( ) n Demonstração. Estamos interessados apenas nos caminhos que permanecem no primeiro quadrante. Para tanto, observe que o primeiro passo tem de ser para cima. Assim, contemos o número de caminhos de (1, 1) a (n, s). Considerando r o número de passos positivos e t o número de passos negativos,
4 4 RENATO JACOB GAVA temos que r + t = n 1 e r t = s 1. A resolução do sistema linear nos dá r = n + s 1 e s = n s ( ) n 1, ou seja, há caminhos 1 que conectam (1, 1) a (n, s). Agora temos de subtrair desse número os caminhos que vão de (1, 1) a (n, s) e tocam o eixo x. Observemos que para todo caminho que vai de (1, 1) a (n, s) e toca o eixo x, pelo princípio da reflexão, há um caminho que vai de (1, 1) a (n, s), isto é, temos de subtrair os caminhos que vão de (1, 1) a (n, s), que são ( ) n 1. Portanto, o número de caminhos que vão de (0, 0) a (n, s) e permanecem no primeiro quadrante é dado por ( ) ( ) n 1 n 1. 1 Exercício.11. Mostre que ( ) ( ) n 1 n 1 = s ( ) n 1 n Exemplo.1. Considere a hipotética eleição discente da introdução. Se o candidato A obteve 60 e o candidato B 40 votos, para obter a probabilidade de que A lidere a apuração eleitoral do início ao fim temos de contar o número de caminhos que vão de (0, 0) a (100, 0) e não tocam o eixo x e dividir pelo número de caminhos que vão (0, 0) a (100, 0), ou seja, ( 99 ) ( 99 ) 59 ( ) = = 1 5. Exemplo.13. Suponha que numa eleição após a contagem dos votos o candidato A tenha obtido a votos e o candidato B, b votos, com a > b. Qual é a probabilidade de que o candidato A tenha liderado a contagem de votos do início ao fim? O teorema anterior nos diz que esta probabilidade é a b a + b. Exercício.14. Calcule o número de caminhos que vão de a = (x a, y a ) a b = (x b, y b ) e não tocam o eixo y = c, ou seja, s 0 = y a, s n = y b e s i > c para i = 1,..., n 1, para i) a = (0, 0), b = (1, 6) e c = 0; ii) a = (0, 0), b = (11, 5) e c = 1; iii) a = (0, 1), b = (16, 7) e c = 0;
5 UMA PITADA DE PASSEIOS ALEATÓRIOS 5 iv) a = (0, 1), b = (16, 9) e c = ; v) a = (0, 1), b = (16, 10) e c = ; Considerando todos os caminhos de a a b equiprováveis, calcule a probabilidade de que um caminho que parte de a e toca b não toque a reta y = c. 3. O problema da ruína do jogador Agora voltamos nossa atenção para o problema da ruína do jogador descrito na introdução. Podemos identificar o a dinâmica da ruína do jogador com um passeio aleatório simples com dois pontos absorventes. De modo geral, suponha que a fortuna inicial do jogador seja i e que ele joga até atingir a fortuna de N ou 0 reais, 0 < i < N. A cada aposta ele ganha um real com probabilidade p ou perde um real com probabilidade q. Assim, seja S n a fortuna do jogador após n rodadas. Temos que S 0 = i e que n S n = i + X j, onde {X j } j 1 são v.a. s i.i.d. com P(X j = 1) = p, P(X j = 1) = q e p + q = 1. Para encontrar a probabilidade de que o jogador quebre a banca, seja P i a probabilidade de que o jogador eventualmente atinja N. Condicionando no valor do primeiro passo, obtemos Em seguida, observe que o que implica que j=1 P i = P i+1 p + P i 1 q para i {1,... N 1}. pp i + qp i = P i+1 p + P i 1 q, P i+1 P i = q p (P i P i 1 ). Fazendo a indução em i e aplicando a condição inicial P 0 = 0, temos P i+1 P i = ( q ) i(p1 P 0 ) = ( q ) ip1. p p Usemos esse resultado para obter uma expressão para a seguinte soma telescópica Isto é, i 1 P i P 1 = j=1 (P j+1 P j ) = P 1 (q p + ( q p 1 (q/p) i P P i = 1 1 q/p, se p q P 1 i, se p = q ) (q ) i 1 ) p
6 6 RENATO JACOB GAVA Usando a condição inicial P N = 1, obtemos P 1 = Assim, concluímos que (1) P i = 1 (q/p) 1 (q/p) N, se p q 1 N, se p = q 1 (q/p) i 1 (q/p), se p q N. i N, se p = q Exemplo 3.1. Suponha que a fortuna do jogador seja de 5 reais, que p = 0, 6, q = 0, 4 e que ele deseje obter um lucro de 10 reais. Assim, N = 15 e a fórmula (1) nos dá P 5 = 1 (/3)5 0, (/3) 15 Suponha agora que nosso jogador é ambicioso e quer ganhar muito dinheiro com suas apostas. O que ocorre com sua probabilidade de vitória quando N? Tomando o limite em (1) temos { 1 (q/p) lim P i = i, se p > q N 0, se p q. Ou seja, se sua chance de sucesso p a cada rodada for p 1/, então perderá a disputa com probabilidade 1. Se p > 1/, ele tem probabilidade positiva de enriquecer ilimitadamente. Exemplo 3.. Usando os parâmetros do Exemplo 3.1, isto é, p = 0, 6, q = 0, 4 e i = 5, obtemos lim P 5 = 1 (/3) 5 0, 868. N A fim de encontrar o tempo médio de duração do jogo precisamos da definição e do teorema que seguem. Definição 3.3 (Tempo de parada). Seja {X n } n 1 uma seqüência de v.a. independentes. Uma v.a. τ é chamada de tempo de parada para esta seqüência se o evento {τ = n} é independente de X i para todo i n + 1. No caso de um passeio aleatório o tempo de primeira passagem é um exemplo de tempo de parada. Intuitivamente, observando a realização de X 1,..., X n sabemos se o evento {τ = n} ocorre ou não, ou seja, a ocorrência de {τ = n} não depende de X n+1, X n+,... Exemplo 3.4. Considere {S n } n 0 o PAS definido na seção anterior. Defina T = max{n 1; S n = 0}
7 UMA PITADA DE PASSEIOS ALEATÓRIOS 7 T é o tempo de última passagem do passeio pelo sítio 0. T não é tempo de parada, já que o evento {τ = 5} dependente de X i para todo i 6. Teorema 3.5 (Equação de Wald). Seja {X n } n 1 uma sequência de v.a. s i.i.d. inteiras com E( X i ) < e seja τ um tempo de parada para {X n } n 1 com E(τ) <, então τ E( X i ) = E(τ)E(X 1 ). i=1 Agora usemos a equação de Wald para obter uma fórmula para o tempo médio de duração do jogo. Seja τ = min{n 1; S n = 0 ou S n = N} Observe que τ é um tempo de parada e assuma que E(τ) < (ver Exercício 3.6). Analisemos o caso em que p q. Temos que (q/p) τ i (q/p) N 0, com prob. S τ = i + X j = 1 (q/p) N 1 (q/p) j=1 i. N, com prob. 1 (q/p) N Pela equação de Wald, o que implica que () E(S τ ) = N 1 (q/p)i = i + (p 1)E(τ), 1 (q/p) N E(τ) = i 1 p N 1 p 1 (q/p) i 1 (q/p). N Exercício 3.6. Para obter a expressão assumimos que E(τ) <. A partir da definição do problema da ruína do jogador, prove que E(τ) < para todo p (0, 1). Exercício 3.7. Considere p = q = 1/. Seja D i o tempo médio de duração do jogo dado que a fortuna inicial do jogador é i {1,,... N 1}. i) Mostre que (3) D i = 1 D i D i ii) Quais são as condições iniciais D 0 e D N? iii) Mostre que i(n i) é solução de (3). Exercício 3.8. Um jogador faz uma série de apostas de um real. Ele decide parar de apostar assim que ganhar R$40 ou quer perder R$10. Calcule a probabilidade de ruína do jogador e o número de apostas até que o jogo acabe se i) p = q = 1/ e e ii) se p = 9/19 e q = 10/19.
8 8 RENATO JACOB GAVA 4. Recorrência e trasiência Nesta seção voltamos a lidar com o PAS {S n } n 0, definido no início da Seção, e assumiremos sem perda de generalidade que S 0 = 0. Estudaremos brevemente a recorrência e a transiência do PAS em Z e sua dependência em relação ao parâmetro p. Considere a seguinte v.a definida por T i = min{n 1; S n = i}. Observe que T i é um tempo de parada. Definição 4.1. Dizemos que o PAS é recorrente se P(T i < ) = 1. Se P(T i < ) < 1, dizemos que o PAS é transiente. Intuitivamente, recorrência significa que o passeio visitará o sítio i em algum momento, o que por sua vez implica que o sítio i será visitado infinitas vezes. Transiência significa que há probabilidade positiva de o passeio nunca visitar o sítio i, o que por sua vez implica que o sítio i será visitado um número finito de vezes ao longo do tempo. Teorema 4.. Para o PAS em Z, as seguintes afirmações são equivalentes: i) P(T 0 < ) = 1 ii) P(S n = 0) = Demonstração. Omitida. Introduza agora o número de visitas V 0 ao sítio 0 ao longo do tempo. Note que (4) V 0 = Então E(V 0 ) = E( I {S}) = 1 {S} E(I {S}) = onde I {S} é uma variável indicadora, isto é, { 1, se Sn = 0 I {S} = 0, se S n 0. P(S n = 0), Se P(S n = 0) <, podemos afirmar diretamente de (4) que P(V 0 < ) = 1, justicando a intuição de que a transiência do sítio 0 significa que ele é visitado finitas vezes ao longo do processo. Exercício 4.3. Seja X uma v.a. inteira não-negativa. Mostre que E(X) = i 1 P(X i) e que E(X) < implica P(X < ) = 1. Teorema 4.4. O PAS em Z é recorrente se e somente se p = q = 1/.
9 UMA PITADA DE PASSEIOS ALEATÓRIOS 9 Demonstração. Basta analisar o sítio 0, já que o modelo é invariante por translação. Usemos o Teorema 4. e mostremos que P(S n = 0) = se e só se p = q = 1/. É fácil ver que o retorno ao sítio 0 ocorre apenas num número par de passos. Usando os resultados da Seção obtemos ( ) n P(S n = 0) = p n q n. n O próximo passo da prova requer o uso da fórmula de Stirling. A fórmula de Stirling nos garante que onde o símbolo significa que lim n n! πnn n e n n! = 1. πnnn e n Aplicando a fórmula de Stirling ao coeficiente ( ) n n obtemos que ( ) n n, n πn o que implica que (5) P(S n = 0) (4pq)n πn. Agora analisemos (5) em função de p. Se p q, temos 4pq < 1. Logo existe n 0 inteiro tal que se n n 0 o que implica que P(S n = 0) (4pq)n π, P(S n = 0) <, ou seja, chegamos à conclusão de que o sítio 0 é transiente se p q. Por outro lado, se p = q = 1/, temos 4pq = 1. Então P(S n = 0) 1 πn, mas disso resulta que P(S n = 0) =, e a recorrência do sítio 0 está provada.
10 10 RENATO JACOB GAVA Apresentamos abaixo mais uma aplicação da equação de Wald para o PASS. Exemplo 4.5. Considere um PASS com p > 1. O número esperado de passos até o passeio alcançar a posição k, k > 0 é E(τ) = k p 1 Observe que E X 1 = 1 < e que, no instante τ, τ j=1 X j = k com probabilidade 1, o que implica τ E( X j ) = k j=1 Como E(X 1 ) = p 1, obtemos o resultado através da equação de Wald. Exercício 4.6. Use a fórmula de Stirling para demonstrar que ( ) n n. n πn Exercício 4.7. Demonstre passo a passo que se p = q = 1/, então P(S n = 0) =. Referências [1] W. Feller, An Introduction to Probability Theory and its Applications, Wiley, New York,1966. [] S.H. Ross, Introduction to Probability Models, Academic Press, New York, 010. [3] R. Schinazi, Classical and Spatial Stochastic Processes with Applications to Biology, Birkhauser, New York, 010. UFSCAR - Departamento de Estatística. Rodovia Washington Luiz, Km 35, CEP , São Carlos, Brasil gava@ufscar.br
Cadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
Leia maisNem todos os caminhos vão dar a Roma
Encontro de Novos Talentos em Matemática 8 de Setembro de 2007 Passeio Aleatório No espaço Z d, com d 1, consideramos o movimento de uma partícula que parte da origem e que em cada instante inteiro se
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisSe X t = 4 X t+1 = X t+2 =... = 4. Cadeias de Markov Classificação Cadeias ergódicas Cadeias com absorção
Nesta aula... Processos estocásticos 1 2 3 Processos estocásticos: Suponhamos que observamos um conjunto de caracteristicas de um sistema em instantes de tempo discretos 0, 1, 2,... A característica do
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisGabarito da lista de Exercícios sobre Técnicas de Demonstração
Universidade Federal Fluminense Curso: Sistemas de Informação Disciplina: Fundamentos Matemáticos para Computação Professora: Raquel Bravo Gabarito da lista de Exercícios sobre Técnicas de Demonstração
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia mais1/7 1/ se hoje não chove, amanhã não vai chover com probabilidade p 00 = 6/7;
6/7 nao chove 1/7 chove 1/3 "0" /3 "1" Figura 1: Todas as transições com suas respectivas probabilidades representadas através de um grafo. Notem que para cada estado, a soma das probabilidades das flechas
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisTEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG Referência para um estudo aprofundado das questões (e demonstrações das afirmações feitas aqui) LIMITE DE NÚMEROS REAIS Sequência de números
Leia maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisUniversidade Federal do ABC Rua Santa Adélia, Bairro Bangu - Santo André - SP - Brasil CEP Telefone/Fax:
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA BC1436 - PRINCÍPIOS DE SIMULAÇÃO
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/26 3 - INDUÇÃO E RECURSÃO 3.1) Indução Matemática 3.2)
Leia maisUniversidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar
Universidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar Prova Escrita - Estatística e Matemática Pós-Graduação em Modelagem e Métodos
Leia maisTEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG
TEOREMAS LIMITE EM PROBABILIDADE RENATO ASSUNÇÃO DCC - UFMG Referência para um estudo aprofundado das questões (e demonstrações das afirmações feitas aqui) LIMITE DE NÚMEROS REAIS Sequência de números
Leia mais3. CADEIA DE MARKOV EM TEMPO DISCRETO
3. CADEIA DE MARKOV EM TEMPO DISCRETO 3. Definição Uma Cadeia de Markov em Tempo Discreto é um processo estocástico em que a variável t representa intervalos de tempo, { }e que segue a propriedade de Markov,
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia mais4 Cadeias de Markov homogêneas
4 Cadeias de Markov homogêneas Conteúdo 4.1 Cadeias de Markov homogêneas............................ 157 4.1.1 2-SAT........................................ 14 4.1.2 Transiência, recorrência e periodicidade...................
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisProbabilidade. Variáveis Aleatórias Distribuição de Probabilidade
Probabilidade Variáveis Aleatórias Distribuição de Probabilidade Variáveis Aleatórias Variável Aleatória Indica o valor correspondente ao resultado de um experimento A palavra aleatória indica que, em
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
Leia maisProcessos Estocásticos
Processos Estocásticos Primeira Lista de Exercícios de junho de 0 Quantos códigos de quatro letras podem ser construídos usando-se as letras a, b, c, d, e, f se: a nenhuma letra puder ser repetida? b qualquer
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisRESOLUÇÃO DCC-UFRJ MATEMÁTICA COMBINATÓRIA 2006/2 PROVA Considere a soma. S n = n 2 n 1
DCC-UFRJ MATEMÁTICA COMBINATÓRIA 2006/2 PROVA 1 1. Considere a soma S n = 1 2 0 + 2 2 1 + 3 2 2 + + n 2 n 1. Mostre, por indução finita, que S n = (n 1)2 n + 1. Indique claramente a base da indução, a
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Aula Valor esperado como solução do problema do menor erro quadrático médio e Quantis 03/14 1 / 15 Valor esperado como solução
Leia maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia maisPolinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas Associadas a Coeficientes de Verblunsky Periódicos
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Polinômios Ortogonais no Círculo Unitário com Relação a Certas Medidas
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisExperimento Aleatório
Probabilidades 1 Experimento Aleatório Experimento aleatório (E) é o processo pelo qual uma observação é ob;da. Exemplos: ü E 1 : Jogar uma moeda 3 vezes e observar o número de caras ob;das; ü E 2 : Lançar
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisMAE GABARITO DA LISTA 2-04/10/2016
MAE5709 - GABARITO DA LISTA - 04/0/06 Exercício.7.5. Primeira Parte Seja P uma matriz de transição sobre um espaço de estados finito S. Mostre que uma distribuição π é invariante para P se e somente se
Leia maisModelagem e Avaliação de Desempenho
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Exemplos usados na apresentação foram obtidos de Introduction to Probability, C.M.Grinstead
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia mais1 Conjuntos, Números e Demonstrações
1 Conjuntos, Números e Demonstrações Definição 1. Um conjunto é qualquer coleção bem especificada de elementos. Para qualquer conjunto A, escrevemos a A para indicar que a é um elemento de A e a / A para
Leia maisProbabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 90 minutos Grupo I Probabilidades e Estatística LEAN, LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique convenientemente todas as respostas 2 o semestre 2016/2017 06/05/2017 09:00 1 o teste A 10 valores
Leia maisEXERCÍCIOS RESOLVIDOS Prova de 23/07/2009 Todas as questões se referem a um sistema ortogonal de coordenadas
EXERCÍCIOS RESOLVIDOS 1 SINUÊ DAYAN BARBERO LODOVICI Resumo Exercícios Resolvidos - Geometria Analítica BC 0404 1 Prova de 23/07/2009 Todas as questões se referem a um sistema ortogonal de coordenadas
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
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 I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19 Nos modelos matemáticos aleatórios parâmetros podem ser
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Cadeias de Markov Em 1907, Andrew Markov iniciou um estudo sobre um modelo onde o resultado
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisProbabilidade. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza
Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada
Leia maisDesigualdades no Triângulo de Pascal
Desigualdades no Triângulo de Pascal Antônio Luiz de Melo 1 Rogério César dos Santos 2 Resumo As proposições demonstradas em [2] têm por objetivo estabelecer por qual ponto de coordenadas inteiras passam
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL
ESTATÍSTICA TÓPICO 7 VARIÁVEL ALEATÓRIA DISCRETA / DISTRIBUIÇÃO BINOMIAL / DISTRIBUIÇÃO NORMAL VARIÁVEIS ALEATÓRIAS Como já vimos no estudo das probabilidades, o conjunto de todos os possíveis resultados
Leia maisEstatística e Probabilidade Aula 05 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 05 Distribuições de Probabilidades Prof. Gabriel Bádue Motivação Quais os possíveis resultados que poderão ser obtidos no lançamento de um dado não-viciado? Qual a probabilidade
Leia maisLideranças em jogos equilibrados: Teoria x Intuição
Lideranças em jogos equilibrados: Teoria x Intuição Fábio Mello Valladão (UFF) Lucas Rodrigues Batista Sanns (UFF) Maiara Gripp de Souza (UFF) Orientadores: Douglas Rodrigues (UFF) e Karina Yuriko Yaginuma
Leia maisMAC Aula 7. Walter Mascarenhas 13/04/2011
MAC 5796. Aula 7 Walter Mascarenhas 13/04/011 Resumo Resolução da lista de exercícios 1 Resolução da lista de exercícios 3 4 A figura fundamental do cálculo f (x + δ) o ( δ ) δ f (x) + f (x)δ + 1 f (x)δ
Leia maisBases Matemáticas. Como o Conhecimento Matemático é Construído. Aula 2 Métodos de Demonstração. Rodrigo Hausen. Definições Axiomas.
1 Bases Matemáticas Aula 2 Métodos de Demonstração Rodrigo Hausen v. 2012-9-21 1/15 Como o Conhecimento Matemático é Construído 2 Definições Axiomas Demonstrações Teoremas Demonstração: prova de que um
Leia maisMatemática E Intensivo V. 2
Matemática E Intensivo V. Exercícios 0) a) b) c) 8 8 8 a) 8 = =!! C = = ( 8 )!!!! b) 0 0 0 0 = =!! C = = ( 0 )!! 8!! n 0 n n c) Cn 0 = =!! = = ( n 0)! 0! n! 0) 0x O terceiro termo é dado por: T r + = n
Leia maisTEORIA ERGÓDICA, SISTEMAS DINÂMICOS E MEDIDAS INVARIANTES
TEORIA ERGÓDICA, SISTEMAS DINÂMICOS E MEDIDAS INVARIANTES Aluno: Juliana Arcoverde V. L. Ribeiro Orientador: Lorenzo Justiniano Díaz Casado Introdução A Teoria dos Sistemas Dinâmicos, ou mais exatamente
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisO valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV
O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV Um conceito simples e útil mas que não é normalmente explorado no Ensino Básico no Brasil é o de valor esperado de
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
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 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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
Leia maisTempo de espera para a ocorrência de palavras em ensaios de Markov. Mariele Parteli Florencio
Tempo de espera para a ocorrência de palavras em ensaios de Markov Mariele Parteli Florencio SERVIÇO DE PÓS-GRADUAÇÃO DO ICMC-USP Data de Depósito: Assinatura: Tempo de espera para a ocorrência de palavras
Leia maisComo ganhar no Banco Imobiliário após infinitas jogadas
Como ganhar no Banco Imobiliário após infinitas jogadas Ian Bernardes Barcellos 16/10/2015 Ian Bernardes Barcellos Como ganhar no Banco Imobiliário após infinitas jogadas 16/10/2015 1 / 17 O Jogo Ian Bernardes
Leia maisUm estudo probabilístico sobre caminhos em reticulados quadrados
Um estudo probabilístico sobre caminhos em reticulados quadrados A probabilistic study about paths in square lattices ISS 2316-9664 Volume 8, dez. 2016 Rogério César dos Santos FUP/UnB rogerc@unb.br Resumo
Leia maisProbabilidade Revisão de Conceitos
Probabilidade Revisão de Conceitos Espaço de Amostras A totalidade dos possíveis resultados de um experimento aleatório. Exemplo: jogar dados S = {(1,1),(1,),... (,1),(,)... (6,6)} S é dito o número de
Leia maisPROBABILIDADE. Luciana Santos da Silva Martino. PROFMAT - Colégio Pedro II. 01 de julho de 2017
Sumário PROBABILIDADE Luciana Santos da Silva Martino PROFMAT - Colégio Pedro II 01 de julho de 2017 Sumário 1 Conceitos Básicos 2 Probabildade Condicional 3 Espaço Amostral Infinito Outline 1 Conceitos
Leia maisProbabilidades e Estatística
Departamento de Matemática Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, LEMat, MEBiom, MEFT, MEQ 2 o semestre 2011/2012 1 o Teste A 21/04/2012 9:00 Duração: 1 hora e 30 minutos Justifique convenientemente
Leia maisPOLINÔMIOS ORTOGONAIS E FRAÇÕES CONTÍNUAS
POLINÔMIOS ORTOGONAIS E FRAÇÕES CONTÍNUAS Aline de Mello Stoppa Bistaffa 1 ; Regina Litz Lamblém 2 1 Acadêmica do Curso de Matemática da UEMS, Unidade Universitária de Cassilândia; E-mail:alinestoppa@hotmailcom,
Leia maisO Teorema de Peano. f : D R n. uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e uma função ϕ : I R n tais que
O Teorema de Peano Equações de primeira ordem Seja D um conjunto aberto de R R n, e seja f : D R n (t, x) f(t, x) uma função contínua. Vamos considerar o seguinte problema: Encontrar um intervalo I R e
Leia maisUma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Leia maisNo. Try not. Do... or do not. There is no try. - Master Yoda, The Empire Strikes Back (1980)
Cálculo Infinitesimal I V01.2016 - Marco Cabral Graduação em Matemática Aplicada - UFRJ Monitor: Lucas Porto de Almeida Lista A - Introdução à matemática No. Try not. Do... or do not. There is no try.
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 maisUFRJ - Instituto de Matemática
UFRJ - Instituto de Matemática Programa de Pós-Graduação em Ensino de Matemática www.pg.im.ufrj.br/pemat Mestrado em Ensino de Matemática Seleção 9 Etapa Questão. Determine se as afirmações abaio são verdadeiras
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia mais4. ([Magalhães, 2011] - Seção 2.4) Seja X U( α, α), determine o valor do parâmetro α de modo que:
GET189 Probabilidade I Lista de exercícios - Capítulo 6 1. ([Ross, 21] - Capítulo 5) Em uma estação, trens partem para a cidade A de 15 em 15 minutos, começando às 7:h; e trens partem para a cidade B de
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisPolinômio Mínimo e Operadores Nilpotentes
Capítulo 9 Polinômio Mínimo e Operadores Nilpotentes Curso: Licenciatura em Matemática Professor-autor: Danilo Felizardo Barboza Wilberclay Gonçalves Melo Disciplina: Álgebra Linear II Unidade II Aula
Leia maisAula 1. Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações.
Aula 1 Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações. Modelo População de n pessoas, n >> 1; Comportamento individual independente num intervalo
Leia maisAula 1. Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações.
Aula 1 Objetivo: Mostrar o papel fundamental da distribuição de Poisson no comportamento de grandes populações. Modelo População de n pessoas, n >> 1; Comportamento individual independente num intervalo
Leia maisNúmeros e Funções Reais, E. L. Lima, Coleção PROFMAT.
Aviso Este material é apenas um resumo de parte do conteúdo da disciplina. O material completo a ser estudado encontra-se no Capítulo 8 - Seções 8.9 e 8.10 do livro texto da disciplina: Números e Funções
Leia maisCapítulo 5 Distribuições de probabilidade normal Pearson Prentice Hall. Todos os direitos reservados.
Capítulo 5 Distribuições de probabilidade normal slide 1 Descrição do capítulo 5.1 Introdução à distribuição normal e distribuição normal padrão 5.2 Distribuições normais: encontrando probabilidades 5.3
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
Leia maisCOS767 - Modelagem e Análise Aula 3 - Simulação
COS767 - Modelagem e Análise Aula 3 - Simulação Validando resultados da simulação Média e variância amostral Teorema do Limite Central Intervalo de confiança Organizando as execuções da simulação Verificando
Leia mais