Somas de variáveis independentes I: Lei dos. Grandes Números

Tamanho: px
Começar a partir da página:

Download "Somas de variáveis independentes I: Lei dos. Grandes Números"

Transcrição

1 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 aleatórias idepedetes, que por sua vez é um assuto de extrema importâcia em teoria e aplicações de probabilidade. 4. Covergêcia de variáveis aleatórias Ates de euciar qualquer teorema sobre covergêcia de variáveis aleatórias, temos que defiir o que isso sigifica. E facil de se dar cota que o cojuto H de variáveis aleatórias em um dado espaço de probabilidade e um R (o C) espaço vectorial pelas operações usuais de soma e multiplicação por um escalar. Mas como jà reparamos que a maioria das propriedades que podemos provar so valem quase certamete, e mais razoável de trabalhar com o espaço quociete L 0 = H/H 0, ode H 0 e o cojuto das variáveis que valem 0 quase certamete. Com um certo abuso de liguagem, agora quado falamos de variável aleatória cosideramos um elemeto do espaço L Espaços L p (P) Dado p arbitrário, cosideramos L p (P) o espaço quociete associado as variáveis tais que X p e itegrável. Neste espaço reparamos que 49

2 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS X p := (E [ X p ]) /p. defie uma orma (a desigualdade triagular e simplesmete a desigualdade de Mikovski, e a positividade segue da ossa operação quociete). Defiição 4... Seja (X ) uma sequecia de variáveis aleatórias. Falaremos que uma sequêcia de variáveis X coverge para X em L p se X L p para todos e que a sequecia coverge pela topologia associada a orma p, o de jeito equivalete se lim E[ X X p ] = 0. (4.) Observação 4... Do mesmo jeito podemos defiir covergêcia em L o espaço de variável associado a orma mas acaba sedo muito meos útil. X := mi{t : P[X > t] = 0} Exercício Se X e uma variável positiva, mostra que X L p equivale a x k F X (x)dx <, ode X e a fução acumulada de distribuição. Mostre uma fórmula aáloga à da Proposição Exercício Seja X uma variável aleatória e q > p verificar que se X L q etão X L p e X p X q. Cocluir que covergêcia em L p implica covergêcia em L q. Exercício Seja (X ) e uma sequêcia que coverge em L p para p. Mostrar que lim E[ X p ] = E[ X p ], e que lim E[X ] = E[X]. Essas covergêcias são uteis em pratica as computações mas ão são as mais aturais a cosiderar do poto de vista probabilístico Covergêcia em probabilidade Defiição Seja (X ) uma sequecia de variáveis aleatórias. Falaremos que uma sequêcia de variáveis X coverge para X em probabilidade se para qualquer ε > 0 lim P[ X X > ε] = 0. (4.2) Proposição A covergêcia em probabilidade é a covergêcia iduzida pela métrica defiida em L 0 for Demostração. Exercicio. d(x, Y) = E[max( X Y, )] (4.3) Observação Nota que essa oção de covergêcia em L p para qualquer p > implica covergêcia em probabilidade. Pela desigualdade de Markov temos lim P[ X X > ε] ε p P[ X X p ] (4.4) 50

3 4.. CONVERGÊNCIA DE VARIÁVEIS ALEATÓRIAS 4..3 Covergêcia quase certamete Falamos que X coverge quase certamete par X se existe Ω Ω de probabilidade tal que para todos ω Ω lim X (ω) = X(ω). (4.5) O limite e úico em L 0. Nota que covergêcia quase certamete de uma sequêcia implica covergêcia em probabilidade (com o mesmo limite). Essa oção de covergêcia parece a mais atural mas vale a pea de reparar que ao cotrario das outras, ão correspode a uma topologia. Isso e evideciado pelo fato seguite. Proposição Se uma sequêcia X coverge em probabilidade por X, etão existe uma subsequecia que coverge quase certamete. Demostração. Extraímos uma subsequêcia tal que P( X (k) X k ) k 2. Pelo Lemma de Borel-Catelli aplicado ao eveto A k = [ X (k) X k ] podemos cocluir que A k ão acotece ifiitas vezes, e etão que com probabilidade lim k X (k)(ω) = X(ω). Observação Observamos que uma cosequêcia deste fato é que para usar teorema de covergêcia domiada, só precisaremos de ter uma sequêcia covergido em probabilidade. Exercício Seja (X ) variaveis de Berouilli idepedes de parametro /. Mostra que X coverge em probabilidade para 0 mas que ão coverge quase certamete. Mostra que X 2 coverge para 0 quase certamete. Exercício Seja (X ) e uma sequêcia de variáveis em L p (p ) que coverge em probabilidade para X L p. Mostrar que lim E[ X p ] E[ X p ] Itegrabilidade uiforme Vimos que covergêcia em L implica covergêcia em probabilidade. O cotrario e claramete falso, como se pode ver com a sequêcia de variáveis X := {ω [0, ]}, 5

4 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS ode Ω = [0, ] e P = U([0, ]) que coverge quase certamete para 0 mas ão coverge em L (Por exemplo E[ X ] = ) A razão da ausêcia de covergêcia aqui e uma cocetração da esperaça de X (poderia ser também só uma parte dela) em um eveto cada vez meor do espaço de probabilidade ([0, ]), que ão aparece o limite. Em cosequêcia temos uma parte da orma L que se perde o limite (cf. Exercício 4..4) e temos lim E[X ]). Uma sequêcia de variáveis em L que ão tem este tipo de comportameto se chama uiformemete itegrável. Defiição Uma coleção de variáveis aleatórias (X i ) i I e chamada uiformemete itegrável se para qualquer ε > 0, existe M > 0 tal que para todo i I E[ X i [ Xi >M]] < ε. (4.6) Exemplo (a) A coleção {X} que cotem só um elemeto X L, é uiformemete itegrável (e uma cosequêcia trivial do teorema de covergêcia domiada). (b) Qualquer coleção fiita de variáveis em L é uiformemete itegrável. (c) A bola uidade (o qualquer cojuto limitado) em L p, p > e uiformemete itegrável. (temos E[ X [ X >M] ] M p E[ X p [ X >M] ] E[ X ]) Vamos agora ver uma caracterização alterativa da uiforme itegrabilidade que justifica o ome é a seguite. Proposição Uma coleção de variáveis aleatórias (X i ) i I e uiformemete itegrável se e só se sup i I E[ X i ] < e para qualquer ε existe δ tal que para todos evetos A com P(A) < δ e todo i I E[ X i A ] < ε. (4.7) Demostração. Se a sequêcia for uiformemete itegrável, dado ε > 0 podemos achar M > 0 tal que para todo i Em particular Agora escolhemos δ = ε/(2m). Se P(A) < δ temos E[ X i [ Xi >M]] < ε/2. (4.8) sup E[ X i ] M + ε/2. (4.9) i I E[ X i A ] = E[ X i A [ Xi M]] + E[ X i A [ Xi >M]] MP(A [ X i M]) + E[ X i [ Xi >M]] Mδ + ε/2 ε. (4.0) Reciprocamete se sup E[ X i ] = C <, i I 52

5 4.. CONVERGÊNCIA DE VARIÁVEIS ALEATÓRIAS por desigualdade de Markov temos P[ X i > M] C M. Etão dado ε > 0, e δ tal que (4.7) vale, podemos cocluir escolhedo M = Cδ que E[ X i [ Xi >M]] ε. Essa oção permite de deduzir covergêcia em L de covergêcia em probabilidade. Teorema Seja X uma sequêcia de variáveis aleatórias que coverge em probabilidade para X. As seguites propriedades são equivaletes (i) X coverge em L para X. (ii) (X ) e uiformemete itegrável. Demostração. Mostramos primeiro que (i) implica (ii). Primeiro a covergêcia implica que dado ε > 0 podemos achar N tal que N implica E[ X X N ] ε/2. Agora, o cojuto {X,..., X N } sedo uiformemete itegrável, existe δ tal que que se P(A) < δ {,..., N}, E[ X A ] ε/2. Para N e P(A) < δ, temos E[ X A ] E[ X N A ] + E[ X X N A ] ε. Agora provamos que (ii) implica (i). Notamos se (X ) e uiformemete itegrável etão X L. Usado Fatou temos Agora reparamos que E[ X ] lim if E[ X ] < (4.) E[ X X ] = E[ X X X X ε] + E[ X X [ X X >ε]] E[ X [ X X >ε]] + E[ X [ X X >ε]]. O primeiro termo e obviamete meor que ε. Agora por cosequêcia da covergêcia em probabilidade, a probabilidade de [ X X > ε] vai para zero. Por covergêcia domiada, isso implica que E[ X [ X X >ε]] ε para grade suficiete. Agora usado itegrabilidade uiforme, temos que se P(A) < δ para δ pequeo suficiete, E[ X A ] < ε, para qualquer. Como P[ X X > ε] < δ para grade suficiete E[ X [ X X >ε]] < ε o que permite cocluir. 53

6 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Podemos em particular deduzir uma versão reforçada do Teorema de Covergêcia domiada Corolário Se X é uma sequêcia uiformemete itegrável que coverge para X em probabilidade etão lim E[X ] = E[X]. Demostração. Exercício. 54

7 TÓPICO: ESPAÇOS L Q SÃO COMPLETOS PARA P {0} [, ) Tópico: Espaços L q são completos para p {0} [, ). Completude de L 0 Teorema Dado (Ω, F, P) um espaço de probabilidade. O espaço L 0 (P) equipado com a métrica da covergêcia em probabilidade (4.3) e completo. Demostração. Seja (X ) 0 uma sequêcia de Cauchy em L 0. Podemos extrair ma subsequêcia Y k = X (k) tal que sup d(y k, Y k+ ) 4 k. (4.2) m>k Em particular temos usado a desigualdade de Markov, temos P( Y k Y k+ 2 k ) 2 k. (4.3) Pelo Lemma de Borel-Catelli, obtemos que a sequêcia Y k = Y + k =2 (Y k Y k ), coverge q.c. Chamamos X a variável obtida o limite (vista com elemeto de L 0 ). Claramete Y k coverge em probabilidade por X, mas usado a desigualdade triagular obtemos que d(x, X) d(y, X ) + d(y, X). A sequêcia (X ) sedo de Cauchy o primeiro coverge para zero e cocluímos que X coverge para X em probabilidade. Completude de L p, p Teorema Dado (Ω, F, P) um espaço de probabilidade. O espaço ormado L p (P) (4.3) e completo para p. Demostração. Seja (X ) 0 uma sequêcia de Cauchy em L q. Como o caso aterior só precisamos de achar uma subsequêcia que coverge para poder cocluir. Como (X ) 0 e de Cauchy em L p, podemos extrair uma sequêcia (Y k ) k que coverge quase certamete por uma variável X. Extraido de ove se for ecessário, podemos assumir que (com a coveçao Y 0 = 0). Y k Y k p <. k 55

8 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Por covergêcia moótoa e desigualdade triagular podemos cocluir que Z = k Y k Y k é um elemeto de L p. Agora podemos reparar que Z p domia a sequêcia (Y p k ) k. Pois por covergêcia domiada podemos cocluir que X = k Y k Y k pertecia a L p e que E[ X Y k p ] coverge para 0. Cocluimos observado que por desigualdade triagular temos lim X X p lim X Y k p + lim lim k X Y p = 0 ode o segudo limite vale zero por que X é de Cauchy. Observação Não faláramos ada a respeito do caso L mas a demostração e muito mais fácil este caso. Pode se verificar em particular que covergêcia em L implica covergêcia quase certamete. Observações sob compacidade em espaços L p Proposição 4... Seja p < q A L q (P), etão se A e pre-compacto (o fecho topológico e compacto) em L 0 (P) e limitado em L q (P), etão e pre-compacto em L p (P). Uma cosequêcia importate deste resultado e a seguite Corolário Se (X ) coverge em L 0 (P) e é limitada em L q (P), q > etão ela coverge (pelo mesmo limite) em L p (P) para p [, q). Demostração. Por A ser pre-compacto em L 0, toda sequêcia (X ) em A admite uma subsequêcia (Y k ) k covergete em L 0. Para cocluir temos que verificar que a covergêcia ocorre também em L p. Por isso, e suficiete de mostrar que a sequêcia é de Cauchy. Cosideramos ε > 0 arbitrário. Temos para qualquer K > 0 [ ] [ ] E [ Y k Y l p ] = E Y k Y l p { Yk Y l p K} + E Y k Y l p { Yk Y l p K}. (4.4) Pelo segudo termo observamos que E [ ] Y k Y l p { Yk Y l p K} K p q E [ Y k Y l q ] 2 q K p q max E[ X q ] (4.5) Se K for grade suficiete, este termo e meos que ε/2. Por covergêcia domiada, se k e l forem grade suficiete (de um jeito que depede de K), temos E [ ] Y k Y l p { Yk Y l p K} ε/2. (4.6) 56

9 4.2. VARIÂNCIA 4.2 Variâcia Usado desigualdade de Markov podemos reparar que para qualquer X L p P[ X x] = P[ X p x p ] E( X p ) x p, para quaisquer k. (4.7) Um caso particularmete útil para aplicar esse tipo de desigualdade e o caso L 2. Isso por que L 2 e equipado de uma estrutura atural de espaço de Hilbert, pois por que este espaço, idepedêcia e relacioado a ortogoalidade Defiição Digamos que estamos iteressados em aproximar uma variável aleatória por uma costate de forma a miimizar o erro da aproximação. Uma possível formulação desse problema é ecotrar a de forma a miimizar ( E (X a) 2) = E(X 2 ) 2aE(X) + a 2. (4.8) Essa equação obviamete possui um úico míimo em a = E(X). Ao erro da aproximação acima damos o ome de variâcia. Correspode a distacia quadrada ao subespaço das costates o espaço L 2. Defiição Dada uma variável aleatória X L 2, defiimos sua variâcia como ( (X ) ) 2 Var(X) = E E(X) = E(X 2 ) E(X) 2. (4.9) Podemos alterativamete eteder a variâcia da seguite maeira. Sejam X e Y variáveis aleatórias idepedetes em L 2 de mesma distribuição. Etão, 2 E( (X Y) 2) = [ ] E(X 2 ) 2E(XY) + E(X 2 ) = E(X 2 ) E(X) 2 = Var(X). 2 (4.20) Proposição (Propriedades básica da variaça). Observe pelas defiições alterativas dadas acima que a) Var(X) 0. b) Se a, b R Var(aX + b) = a 2 Var(X). c) Mostre que se X L 2, etão Var(X) = 0 se e somete se X = a quase certamete. Demostração. Exercício. Exercício Calcule Var(X) quado X tem distribuições Ber(p), U[0, ] ou Exp(λ). 57

10 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS A seguite aplicação da propridade de Markov usa a variâcia para estimar o quato uma variável aleatória se desvia de sua média. Proposição (Desigualdade de Chebychev). Se X L 2 e a > 0, etão P[ X E(X) > a] Var(X) a 2. (4.2) Demostração. A desigualdade segue trivialmete da cota de Markov, ao observarmos que a) X E(X) 0. b) X E(X) > a se e somete se X E(X) 2 > a 2. c) E ( X E(X) 2) = E ( (X E(X)) 2) = Var(X). Isso demostra a proposição Variaça, Soma e Idepedêcia Para variáveis aleatórias de média zero, a variâcia ada mais é que E(X 2 ), ou em outras palavras X 2 2, o quadrado de sua orma em L2. Isso os motiva a olhar mais de perto para o produto itero em L 2, que se traduz a E(XY). Mas para ão os restrigirmos a variáveis de média zero, itroduzimos a seguite oção. Defiição Se X, Y são variáveis em L 2, defiimos Cov(X, Y) = E( (X E(X) )( Y E(Y) ) ) = E(XY) E(X)E(Y). (4.22) O requerimeto X, Y em L 2 implica que a covariaça e bem defiida. De jeito mais preciso temos (como cosequêcia da desigualdade de Cauchy Schwartz) Cov(X, Y) 2 Var(X) Var(Y). (4.23) Uma observação importate e a seguite. Proposição Se X e Y em L 2 são idepedetes, etão Cov(X, Y) = 0. Demostração. É uma cosequêcia da Proposição Exercício Sejam X e X 2 as coordeadas caôicas em R 2. Já vimos que elas ão são idepedetes sob a distribuição U S. Mostre que mesmo assim temos Cov(X, X 2 ) = 0. Cosiderado a covariaça como um produto itero, podemos deduzir a seguite formula para variaça da soma. 58

11 4.2. VARIÂNCIA Proposição Se X,..., X são variáveis em L 2, etão Var(X + + X ) = i= Var(X i ) + 2 Cov(X i, X j ). (4.24) i<j Em particular, se as variáveis X i forem idepedetes duas a duas, etão Var(X + + X ) = Demostração. Basta fazer o tedioso desevolvimeto ( ) (( ( )) 2 ) Var X i = E X i E X i i= i= i= Var(X i ). (4.25) i= (( ) 2 ) = E X i E(X i ) i= (4.26) = E ( X i E(X i ) ) E ( X j E(X j ) ), i,j= o que termia a prova ao separarmos i = j de i = j. Exercício Calcule Var(X) quado X d Bi(, p). Exercício Calcule E(X) quado X d Geo(p). Um dito popular muito comum o Brasil é que ão devemos deixar todos os ovos o mesmo cesto, o que os remete à possibilidade de perdermos todos eles caso o cesto caia. Uma outra maeira de pesar as vatages de se dividir ossos riscos etre várias fotes idepedetes de icerteza, vem da equação (4.25), melhor explicada o exercício abaixo. Exercício Imagie que X,..., X são variáveis i.i.d., tomado valores em [0, ] e que temos um certo valor s R + que temos que guardar em caixas (dividido como quisermos em s,..., s ). Ao fim da semaa, obteremos S = i= s ix i. Calcule E(S) e Var(S) os dois casos seguite: a) s = s e s i = 0 para todo i 2. b) s i = s/ para todo i. Compare os resultados. Exercício Calcule lim p 0 F p (x) ode F p é a fução de distribuição acumulada de px p com X p d Geo(p). Você recohece esse limite? 59

12 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS 4.3 Lei fraca dos grades úmeros Nessa seção iremos mostrar um dos resultados mais importates da Teoria da Probabilidade. O que ossa ituição tem a os dizer sobre a probabilidade de obtermos um resultado em um dado é /6? Uma possível explicação seria por simetria, mas e o que podemos dizer o caso de um dado viciado? Se dizemos a alguém que a probabilidade de obter 6 em um certo dado é /0, aturalmete a pessoa pode se pergutar como descobrimos isso. Um bom jeito de obter tal medida seria jogar o dado várias vezes idepedetemete e calcular em qual proporção dos esaios ele retorou um seis. O objetivo desta seção é cofirmar a validade desse experimeto de maeira quatitativa. Teorema Cosiderado X, X 2,... são i.i.d.s em L 2 (P), defiimos Para todo ε > 0 Ou seja, S S = X i. (4.27) i= [ lim P S ] E(X ) > ε = 0. (4.28) E(X ) em probabilidade. Demostração. Sabemos que [ S ] P E(X ) > ε Var( S ) ε 2, (4.29) pois E(S /) = (/)E(X + + X ) = E(X ). Mas como Var(S /) = (/ 2 ) Var(X + + X ) = (/ 2 ) Var(X ), temos o resultado. Observação Observe que ós apeas utilizamos que as variáveis X i eram idepedetes duas a duas. Isso e suficiete para mostrar que S / coverge em L 2 e em cosequêcia coverge em probabilidade. Além disso, obtivemos o seguite resultado quatitativo que vale mesmo para valores fiitos de : Escólio Se X, X 2,... são i.i.d.s em L 2 e defiimos S = i= X i como acima, etão, para todo ε > 0 e, temos [ S ] P E(X ) > ε Var(X ) ε 2. (4.30) Corolário Se A, A 2,... são evetos idepedetes dois a dois com P(A i ) = p [0, ] para todo i, etão [ lim P #{i ; ω A i } 60 ] p > ε = 0, (4.3)

13 4.3. LEI FRACA DOS GRANDES NÚMEROS ou em outras palavras a proporção de esaios ode o eveto A i ocorre coverge em probabilidade para p. Demostração. Basta tomar X i = Ai o Teorema Exercício Sejam (X i ) i variáveis i.i.d. com distribuição Ber(p), p [0, ]. Mostre que N lim N N X i X i+ = p 2, em probabilidade. (4.32) i= Exercício Sejam X,..., X e Y,..., Y variáveis idepedetes com distribuição Ber(p). Defia agora Z i,j = X i Y j, para i, j {,..., }. a) Calcule a esperaça de S = 2 i= j= Z i,j. b) Estime P[ S E(S ) > a] usado o método do segudo mometo. Como esse resultado se compara com o caso em que os Z i,j são i.i.d.? Exercício Cosidere uma rua ifiita com casas i Z. Para todo i Z, existia uma rua etre as casas i e i +, mas após uma grade tempestade essas ruas foram daificadas. Mais precisamete, para cada i Z, temos variáveis aleatórias X i que são i.i.d. com distribuição Ber(p), ode X i = idica que o trecho da rua etre as casas i e i + foi daificado e ão pode ser utilizado. Defia, para i Z, R i como sedo o úmero de casas que cotiuaram acessíveis à casa i após a tempestade. Por exemplo, se X 2 e X 0 = e X = 0, temos que a casa 0 somete pode acessar a casa, logo R 0 =. Nesse cotexto, a) Calcule a distribuição e a esperaça de R 0, b) Use o método do segudo mometo para estimar a probabilidade [ P i= ] R i E(R 0 ) > a. (4.33) 6

14 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Tópico: Cotado triâgulos Vimos como a Lei Fraca dos Grades Números seguiu de uma estimativa de segudo mometo (mais precisamete usado a variâcia). Nessa seção iremos mostrar como esse método é mais geral, se aplicado mesmo em situações ode as variáveis ão são ecessariamete idepedetes duas a duas. Seja V = {,..., } com 3 e E = { {x, y} V ; x = y }. Chamamos o par (V, E ) de grafo completo em vértices. Defiimos em um certo espaço de probabilidade P, as variáveis aleatórias (X e ) e E de maeira i.i.d. com distribuição Ber(p), ode p [0, ]. Essas variáveis iduzem um subgrafo aleatório (V, E ), ode Dizemos que os elos e, tais que X e = são abertos. Defiimos esse espaço a variável aleatória E = { e E : X e = }. (4.34) T = # { triâgulos em (V, E ) }. (4.35) Essa variável claramete pode ser escrita como T = A{x,y,z}, (4.36) x,y,z V distitos ode A {x,y,z} = [ {x,y,z} formam um triâgulo em (V, E ) ]. Gostaríamos de eteder algo sobre a distribuição de T e começamos calculado E (T ) = {x,y,z} distitos ( ) = p 3 = 3 P (A {x,y,z} ) ( )( 2) p 3. 6 Logo, P[T > a] ( )( 2)p 3 /6a. Mais aida, (4.37) E (T 2 ) = {x,y,z} distitos {x,y,z } distitos P (A {x,y,z} A {x,y,z }) ( )( ) ( )( )( ) ( )( )( ) ( = p 6 + p 6 + p }{{}}{{}}{{} todos distitos -comum 2 em comum ) p 3 }{{} iguais (4.38) Dode Var (T ) = 36 6 p p 6 + c 5 p c( 5 p p 3 ), (4.39) para todos p [0, ] e se escolhemos bem a costate c > 0. 62

15 TÓPICO: CONTANDO TRIÂNGULOS Isso os permite por exemplo estimar o que acotece em algus regimes, como por exemplo, se p = /2, etão E (T ) = ( )( 2), (4.40) 48 que cresce como 3, e Var (T ) c 5, logo P [ T E (T ) > ε 3] Var (T ) ε 2 6 c ε 2. (4.4) 63

16 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS 4.4 Lei forte dos grades úmeros Teorema 4.4. (Lei Forte dos Grades Números). Sejam X, X 2,... i.i.d. em L, com m = E(X ). Etão, lim X = m, P-quase certamete. (4.42) i= Começamos com uma prova do teorema o caso simples ode as variáveis estão em L 4, que providecia um exemplo de uso do metodo dos mometos. Demostração o caso L 4. Podemos supor que E(X i ) = 0 (se ão for o caso, cosidera Y i = X i E(X i )). Podemos calcular o mometo de ordem 4 da soma expadido ela Temos ( E i= ) 4 X = 4 E[X i X i2 X i3 X i4 ]. i,i 2,i 3,i 4 = Pois usado idepedêcia, e E(X i ) = 0 vemos que so os termos ode os X k apparecem pelo meos duas vezes ão são ulos e etão que a soma acima vale Etão temos ( ) 4 E(X 4) 3( )E(X2 ) C 2. = Usado Fubii e equivalete a E ( E = ( E em particular que quase certamete i= i= ) 4 X <. (4.43) ) 4 X <. (4.44) ( ) 4 X <. (4.45) = i= Observação Se as variáveis são positivas quase-certamete, etão, usado o resultado para mi(x, M) e o limite M podemos cocluir que i= X i vai para ifiito quase certamete. Se as variáveis ão são itegráveis, etão podemos cocluir que i= X i ão coverge quase certamete. E uma cosequêcia do resultado seguite 64

17 4.4. LEI FORTE DOS GRANDES NÚMEROS Proposição Se (X ) e uma sequêcia de variáveis IID com X / L etão quase-certamete X lim sup =. (4.46) Demostração. Temos para qualquer M > 0 E[ X ] = 0 P[X x]dx =0 0 (+)M M Em particular se X / L a soma a direita e ifiita. P[X x]dx ( ) M + P[X M]. Agora defiimos o eveto A := [X M]. Os A são idepedete e Como temos P(A ) = P[X M] =. { X lim sup } { M k k } A, podemos cocluir usado o Lema de Borel-Catelli. [ ] [ ] X P lim sup M P A =. Como M e arbitrário podemos cocluir. k k 4.4. Demostração da Lei Fortes dos Grades Números Vamos provar que para todo a > E[X ] temos quase certamete ode S := i= X i, S 0 = 0. A desigualdade (4.47) implica que M := sup S a < (4.47) 0 lim sup 0 S a, S e como a pode ser arbitrariamete perto de E[X ], lim sup 0 E[X ]. A S cota iferior lim if 0 E[X ], pode ser obtida de jeito aalogo usado a desigualdade (4.47) para S (que também e uma soma de variáveis IID). 65

18 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Agora cosideramos a fixo. Uma primeira coisa que podemos verificar e que coicide para qualquer k N temos {M < } = {sup k S a < } = {sup S S k a} k Em particular {M < } σ(x k+, X k+2,... ) para k arbitrário, e por etato pertecia a σ álgebra caudal. Em cosequêcia da lei do {0, }, temos P[M < ] {0, } e fica suficiete de provar P[M < ] > 0 o de jeito equivalete P[M = ] <. Vamos prosseguir por cotradição. Defiimos M k := max k (S a) M k := max k (S + S a) Essas duas sequêcias tem a mesma distribuição: Existe uma fução F tal que M k = F(X,..., X k ) e M k = F(X 2,..., X k+ ) e os vetores (X,..., X k ) e (X 2,..., X k+ ) tem a mesma distribuição. As sequêcias covergem de jeito crescete para M e M respetivamete que são também ideticamete distribuída (observe que P(M x) = lim k P(M k x)). Usado as defiições temos M k+ = max(0, M k + X a) = M k mi(m k, a X ). Usado o fato que M k e M k tem mesma distribuição obtemos E[mi(M k, a X )] = E[M k ] E[M k+] = E[M k M k+ ] 0. Usado o teorema de covergêcia domiada, (0 mi(m k, a X ) X a ) obtemos que E[mi(M, a X )] 0. Agora para cocluir, se tivermos P(M = ) = P(M = ) =, implicaria E[a X ] 0, o que e impossível com a ossa escolha de a. Exercício (Depede de Tópico: Percolação). Cosidere o grafo G = (Z 2, E), ode E = { {x, y}; x y = }. Dotamos agora o espaço {0, } E com a σ-álgebra A gerada pelas projeções caôicas Y e (ω) = ω(e), ode ω {0, } E e e E. Defiimos o cojuto A {0, } E por A = [ Existe uma sequêcia (xi ) i 0 de elemetos distitos de Z 2, tais que e i = {x i, x i+ } E e Y ei = para cada i 0 ]. (4.48) a) Mostre que A é mesurável com respeito a A. 66

19 4.4. LEI FORTE DOS GRANDES NÚMEROS b) Mostre que A é um eveto caudal, ou seja A σ ( Y e ; e K ). (4.49) c) Coclua que P(A) {0, }. {K E, K fiito} Exercício Seja Ω = E Z um espaço produto ifiito, dotado da σ-álgebra A gerada pelas projeções caôicas (X i ) i Z. Cosideramos agora em (Ω, A) a medida produto P = P Z, ode P é uma probabilidade fixada o espaço poloês (E, B(E)). a) Mostre que para qualquer eveto A A e qualquer ε > 0, existe um k Z + e um eveto A k σ(x i, i k) tais que P[(A \ A k ) (A k \ A)] < ε. b) Cosidere o shift θ : Ω Ω dado por θ(ω)(i) = ω(i ) e mostre que se A = θ(a), etão P(A) {0, } Lei dos grades úmeros em L Acabamos de provar covergêcia das somas de variáveis idepedetes o setido quase certo. Vamos ver agora que a covergêcia ocorre também em L. Teorema Se (X ) 0 é uma sequêcia de variáveis idepedetes e de mesma distribuição com X L etão em L. lim X k = E[X] k= Demostração. Já sabemos que a covergêcia ocorre quase certamete e por cosequêcia em probabilidade. Para cocluir, só precisamos mostrar que a sequêcia e uiformemete itegrável usado Teorema Usamos a otação S = k= X k. Temos E[ S [ S M]] E[X i [ S M]] E[X [ S M]]. (4.50) i= Usado a desigualdade de Markov temos que P[ S M] E[ S ] M E[ X ]/M. Em particular o termo a direita em (4.50) vai para zero quado M o que permite cocluir. Exercício Mostrar que se X L q, q > etão a covergêcia a lei dos grades úmeros vale também em L p para todos p [, q). Observação Na verdade a lei dos grades úmeros vale em L p desde que X L p mas a demostração deste ultimo poto e mais delicada. 67

20 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Tópico: Covergêcia de series aleatórias, Teoremas de Uma, Duas e Três séries de Kolmogorov Um criterio geral básico Sejà X,..., X uma sequecia de variáveis aleatórias. Queremos ter uma codição suficiete para a covergêcia de S := X i. (4.5) i= Uma cosequêcia do Teorema de Covergêcia Domiada e que Lema Se (X ) N e uma sequecia de variáveis aleatórias itegráveis tal que = E[ X ] <, etão = X i e itegrável. Em particular a suma coverge quase certamete. O objetivo desse tópico e de presetar us critérios mais eficaz o caso de soma de variáveis idepedete. Caso de variáveis idepedetes: Os resultados Vamos começar com um exemplo para ilustrar o caso: Cosideramos (ε ) uma sequecia de siais aleatórios: são variáveis idepedete cuja distribuição e dada por P[ε = ±] = /2. Queremos saber para quais valor de p a soma = ε p coverge. E bastate fácil reparar (podemos por exemple usar o critério precedete) que temos covergêcia para p >. O objetivo dos resultados que presetamos agora e de poder achar uma codição ecessária e suficiete sobre o valor de p para ter covergêcia. E difícil ter uma ituição do resultado: sabemos que = p diverge para todo p (0, ) mas também que = ( ) p coverge (a seria satisfaz o teste da série alterada). Uma cosequêcia dos resultados presetado abaixo e que o caso de siais aleatórios, a covergêcia ocorre se p > /2 (veremos mais tarde que esse resultado e o melhor possível). Teorema (Uma serie). Sejà (X i ) i N uma sequecia de variáveis idepedete tal que E[X i ] = 0 para todo i, e que satisfaz também Var X i <. i= 68

21 TÓPICO:SÉRIES DE KOLMOGOROV Temos etão P [ X i coverge i= ] =. (4.52) Teorema (Duas Series). Sejà (X i ) i N uma sequecia de variáveis idepedete satisfaz Var X i <. Temos etão P[ i= X i coverge ] = i= { se i= E[X i] coverge, 0 se i= E[X i] ão coverge. (4.53) As vezes a variâcia pode ão ser um bom criterio para avaliar covergêcia: Var(X i ) pode ser grade por causa de um eveto que acotece com pouca probabilidade. O teorema seguite permite de tratar us desses casos: dado um real positivo c > 0, defiimos X c i = X i { Xi c} = { X i se X i c, 0 o caso cotrário. Chamamos essas variáveis aleatórias as variâveis trocadas. (4.54) Teorema (Tres Series). Sejam c > 0 um real positivo e (X i ) i N uma sequecia de variáveis idepedete que satisfaz (i) i= P[ X i > c] <, (ii) i= E[Xc i ] <, (iii) i= Var Xc i <. Etão P[ i= X i coverge ] = Exercício Mostrar que para uma sequecia de variáveis idepedete X = (X i ) i N, com as otaçoes do teorema acíma, c > 0, Xverifica (i) (ii) (iii) c > 0, Xverifica (i) (ii) (iii). Os segudo a terceiro resultado são cosequecia relativamete simples do primeiro. Vamos dar uma prova deles logo 69

22 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Prova to Teorema de Duas Series. Defiimos Z i = X i E[X i ] e usado o Teorema de Uma Serie, cocluimos que i= Z i coverge com probabilidade. Pois usado propriedades basicas de limites, vemos que X i = i= i= Z i + i= E[X i ] coverge se e sò se a seguda sequêcia coverge. Prova to Teorema de Tres Series. Essa vez defiimos Y i := X i { Xi >c} Temos X i = i= X c i + Y i (4.55) i= i= Usado o Teorema de Duas Series para Xi c, jà podemos dizer que o primeiro termo coverge com probabilidade. Pelo segudo termo, temos e etão pelo Lemma de Borel Catelli, o que permite de cocluir. P[Y i = 0] = P[X i > c] <, (4.56) i= i= P[Y i = 0 ifiitas vezes] = 0. Exercício Sejam α, β, γ tres umeros reais positívos e (X ) N variáveis idepedetes com distribuição P[X = ] = ( 2 + α β), 4 P[X = ] = 4 (2 α β) (4.57) P[X = ] = 2 β. Discute da covergêcia da serie seguite em fução do valor de α, β e γ A desigualdade de Kolmogorov γ X. (4.58) = Para provar o Teorema, vamos precisar de uma ferameta util tambem em outro cotexto. E uma versão mais forte de desigualdade de Chebychev. 70

23 TÓPICO:SÉRIES DE KOLMOGOROV Teorema (Desigualdade de Kolmogorov). Supohamos que X i são variáveis idepedete tal que Var X i < para todos i. Etão temos P[ max k S k E[S k ] > ε] Var S ε 2. (4.59) Demostração. Susbstituido X i por X i E[X i ] se for ecessário, podemos supor que a esperaça das variáveis vale zero. Vamos decompor o eveto { } max S k > ε k com respeito ao primeiro valor de k por qual S k > ε. E := { S ε}, E k := { S < ε;... ; S k < ε ; S k ε}, 2 k. (4.60) Obviamete temos { } max S k > ε = k A uião sedo disjuta temos ( ) P max S k > ε k E i. i= P(E i ) i= Vamos poder cocluir a prova se mostramos para todo k Isso implica que [ ] S 2 E i ε i= 2 E i. (4.6) E[S 2 k E k ] E[S 2 Ek ]. (4.62) [ ] [ ] S 2 E i ε i= 2 S E i 2 E ε 2 Ei = Var(S ) ε i= 2. (4.63) Para mostrar (4.62), defiimos Δ k, = S S k. Temos E[S 2 Ek ] = E[(S k + Δ k, ) 2 Ek ] = E[S 2 k E k ] + 2E[Δ k, S k Ek ] + E[Δ 2 k, E k ]. (4.64) O terceiro termo e obviamete positivo, etão podemos cocluir se mostramos que E[Δ k, S k Ek ] = 0. Lembramos que S k Ek e uma fuções das k primeiras variáveis e Δ k, so depede das outras k S k Ek = f (X,..., X k ) e Δ k, = g(x k+,..., X ), (4.65) Como os X i são idepedete, cocluímos que S k Ek e Δ k, o são, e etão E[Δ k, S k Ek ] = E[Δ,k S k Ek ] = E[Δ,k ]E[S k Ek ] = 0. (4.66) 7

24 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Prova to Teorema de Uma Serie Uma cosequêcia imediata da desigualdade de Kolmogorov e que se i= Var X i < e E[X i ] = 0 P [ N, S A] i= Var X i A 2. E obtida simplesmete pegado o limite quado vai para ifiito da desigualdade. Vamos applicar essa formula pelo resto da soma. Defiimos k do jeito seguite { k := if i= Aplicado a desigualdade de Kolmogorov temos [ ] P r r k, X i 2 k i= k Etão pelo Lema de Borel-Catelli, [ P k 0 k k 0, r k, Agora ota que o eveto implica Var X i } < 2 3k. (4.67) r X i i= k r 2 k. { k 0 k k 0, r k, X i 2 k } i= k k k 0, m, p k, S m S p 2 k+. ] 2 k =. (4.68) Etão a sequecia e de Cauchy com probabilidade o que permite de cocluir a prova. Demostração da LGN usado o Teorema das Três Séries Ates de começar a prova, buscado ispiração o Teorema das Três Séries, mostraremos que basta cosiderar versões trucadas das variáveis X i. Isso é feito o próximo Lema Sejam Y i = X i [ Xi i]. Etão, para demostrar o Teorema 4.4., basta provar que lim i= Y i = m, P-quase certamete. (4.69) 72

25 TÓPICO:SÉRIES DE KOLMOGOROV Prova do Lema Cosideramos os evetos A i = [X i = Y i ]. Obviamete, P(A i ) = P[ X i i] P[ X t] dt = E ( X ) <. (4.70) i= i= 0 Logo, pelo Lema de Borel-Catelli, temos que P-quase certamete A i acotece apeas fiitas vezes. Digamos que A i ão acotece para i > N(ω). Dessa forma, para qualquer, i= (X i Y i ) X i Y i X i, (4.7) i= i N(ω) que coverge para zero P-quase certamete, mostrado o resultado. O próximo passo para a prova da Lei Forte dos Grades Números é cuidar da esperaça das ovas variáveis Y i. Lema Sejam Z i = Y i E(Y i ), para i como acima. Etão, para demostrar o Teorema 4.4., basta mostrar que lim Z i = 0, P-quase certamete. (4.72) i= Demostração. Supodo a covergêcia em (4.72), sabemos que lim i= Y i E(Y i ) = 0, P-quase certamete. (4.73) Mas E(Y i ) = E(X i [ Xi i]) que coverge a E(X i ) = m, pelo Teorema da Covergêcia Domiada, dode cocluímos que lim E(Y i ) = m. (4.74) i= Dessa forma, obtemos que i= Y i coverge quase certamete a m, dode cocluímos a prova do Teorema 4.4. por meio do Lema Gostaríamos de utilizar os teoremas das séries para mostrar a covergêcia de Z, mas obviamete, o fator que precede a soma os impede de fazê-lo. O próximo resultado é um simples exercício de aálise real, que os permite reduzir a prova de (4.72) para uma simples covergêcia de uma série sem pré-fatores. Lema 4.4. (Lema de Kroecker). Supoha que x R e b > 0 sejam tais que b e i= covirja a s R. Etão x i b i lim b x i = 0. (4.75) i= 73

26 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Demostração. Defiido s 0 = 0 e s = x b + + x b, temos, por itegração por partes, x i = i= x b i i = b i= i i= b i s i i= b i s i = b s + i= (b i b i+ )s i. (4.76) Escolhemos agora, para qualquer ε > 0, um 0 tal que s s < ε para todo 0. Dessa forma, b i= x i = s (b b i+ b i )s i i= = s 0 (b b i+ b i ) i= = s }{{} Δ 0 b s }{{} 0 } {{ } Δ 0 b s i b i= 0 (b i+ b i )s i i= 0 (b i+ b i )s }{{} = (b b 0 )s b s b (b i+ b i )(s i s), i= 0 }{{} ε (b b 0 ) b ε ode os limites idicados acima represetam o que acotece quado. A prova segue do fato de ε ter sido escolhido arbitrariamete. Estamos agora em posição de fializar a Prova do Teorema De acordo com o Lema de Kroecker e o Lema 4.4.0, é suficiete mostrar que i= Z i, coverge quase certamete. (4.77) i Por outro lado, como os Z i s tem média zero, o Teorema de Uma Série diz que é suficiete mostrar que Var i= ( Zi ) = i i i= 2 Var(Z i) <. (4.78) 74

27 TÓPICO:SÉRIES DE KOLMOGOROV Isso segue da seguite estimativa i i= 2 Var(Z i) = = = i i= 2 Var(Y i) i= 2 2 k= i 2 k= k= i i= 2 E( Xi 2 ) [ X i i] i E ( X 2 ) [k < X k] k= E ( X 2 [k < X k]) i=k k E( X 2 [k < X k] ) i 2 E ( X [k < X k]) 2E(X ) <. (4.79) Isso os permite cocluir a prova de (4.72) via o Lema de Kroecker. Cosequetemete, obtemos o Teorema 4.4. via o Lema Exercício Sejam Y k variáveis aleatórias idepedetes e com a seguite distribuição: { 2 se i = or i =, P[Y k = i] = k 2 2 (4.80) se i = 3. k 2 Mostre que [ ] P Y k coverge a zero =. (4.8) k= Exercício (Depede de Tópico: Ura de Pólya). Mostre que segudo a lei P costruida o Exercício 6.4.9, vale que P [ i X i coverge] =. (4.82) Além disso calcule a distribuição do limite acima. 75

28 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS 4.5 Mometos expoeciais e grades desvíos Nessa seção desevolveremos uma outra técica para estimar a probabilidade de uma variável aleatória se desviar de sua esperaça. Já vimos o método do primeiro, segudo e quarto mometo para cotrolar uma soma de variáveis idepedetes. Um exemplo disso foi visto a estimativa [ ] P (X i E(X i )) a i Var(X i ) a i= 2. (4.83) Em geral, quato maior o mometo, melhor a estimativa do decaimeto para a probabilidade de que uma variável se desvie de sua esperaça. Nessa seção iremos para mometos expoeciais, que em um certo setido produzem estimativas ótimas para o comportameto assitótico da probabilidade de desvio. Note que se quisermos uma pequea probabilidade de erro (como por exemplo 0.0), o método do segudo mometo é muito bom, como veremos posteriormete. Mas se quisermos uma probabilidade de erro miúscula (em situações cocretas, algo como 0 2 por exemplo), certamete teremos que aumetar bastate o valor de, mas quato? As cotas de segudo mometo são muito ruis para esse tipo de estimativa, os levado a escolher um maior que o ecessário. Abaixo, desevolveremos um método mais eficiete para respoder a essa perguta, obviamete sob certas hipóteses a distribuição das variáveis aleatórias. Ates disso vale a pea explorar um caso particular que permite fazer cotas explicitas e dar uma ituição do feômeo A arte de cotar Cosideramos uma sequêcia (X ) 0 de variáveis de Beroulli IID de media zero o seja P[X = ] = P[X = ] = 2. Queremos estimar probabilidade de P[S 2 = 2k] (com S := 2 i= X i) para grade e k {,..., } é arbitrário (somar de um umero par de variáveis simplifica as otações mas claro poderiamos fazer a mesma perguta para S ). Observado que S 2 = 2k se + k etre as 2 variaveis valem, temos que ( ) + k P[S 2 = 2k] = 2 2 = 2 Agora usado a formula de Stirlig m! = ( m ) m 2πm ( + o()) e 76 (2)! 2 2 ( + k)!( k)!. (4.84)

29 4.5. MOMENTOS EXPONENCIAIS E GRANDES DESVÍOS Usado a otação f (, k) g(, k) para dizer que existe C tal que para todo e k C g(, k) f (, k) Cg(, k) temos 2 (2/e) P[S 2 = 2k] 2 ( k + )( + k + ) 2 2 (( + k)/e) +k (( k)/e) k, ( ) +k ( ) k 2 + k k k ( ( = 2 + k 2 + exp ( + k) log + k ) ( ( k) log k )). (4.85) Defiido h(x) := ( + x) log( + x) + ( x) log( x) obtemos Lema Existe uma costate C tal que para todo 0 e k {,..., } C 2 + k 2 + e h(k/) P[S 2 = 2k] C 2 + k 2 + e h(k/). (4.86) Podemos ate ter um resultado mais preciso excluido os casos extremos e refiado o cálculo, o setido que se k ão fica perto de o temos P[S 2 = 2k] π( 2 k 2 ) e h(k/) (4.87) o de jeito mais preciso lim sup ( ε) k ( ε) π( 2 k 2 ) P[S 2 = 2k]e h(k/) = 0. (4.88) Pode verificar se que h(x) satisfaz as propriedade seguite: (A) h é stritamete covexo h (x) = 2/( x 2 ). (B) Attige o seu úico míimo em zero, em particular h(x) x 0 x 2. Usado essas iformações podemos deduzir duas coisas: Primeiro applicado (4.87) para k = α, α R P[S 2 = 2 α ] π e α2. (4.89) o seja S 2 tem fluctuações típicas de ordem. Secodo applicado (4.86) para todo k α, α (0, ) obtemos que P[S 2 2α] e h(α). (4.90) (os detalhes does calculos para obter (4.89) e (4.90) ficam de exercício). Vamos agora tetar mostrar que resultados deste típo podem ser obtídos em casos mais gerais. 77

30 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Trasformada de Laplace Defiição Dada uma variável aleatória X, defiimos sua trasformada de Laplace como φ X (s) = E(e sx ) (0, ], (4.9) para todos s R. Essa trasformada também é chamada fução geradora de mometos de X. Exercício Calcule a fução geradora de mometos das distribuições Ber(p), Exp(λ) e U [0,]. Proposição Se E(e δ X ) <, etão a) X L p para todo p <, b) φ X (s) < para todo s ( δ, δ), c) φ X (s) é C em ( δ, δ) e d) φ () X (s) = E(X e sx ). e) s ψ X (s) := log φ X (s) e covexa o iterval ode esta defiida. A última coclusão da proposição acima justifica a omeclatura fução geradora de mometos pois φ () X (0) = E(X ). Demostração. Obviamete, para todo p existe c > 0 tal que e δ x c x p, dode X L p. Além disso, para todo s ( δ, δ), temos φ X (s) = E(e sx ) E(e δ X ) <, dode 2. segue imediatamete. Fixado s R, vamos agora calcular φ X (s + h) φ X (s) h = E( e (s+h)x e sx) h ( = E e sx ehx h ). (4.92) Lembrado que y (ey ) e y, para todo y R, temos que para todos os h < (δ s )/2, o itegrado acima é domiado por X e ( s +h) X X e δ+ s 2 X que pertece a L. Logo podemos usar o Teorema da Covergêcia Domiada para trocar o limite h 0 com a esperaça, obtedo φ X (s) = E(XesX ). (4.93) Note que para todo ε > 0 e k, x k c(k)e ε x, isso os permite repetir o argumeto acima idutivamete para obter c) e d). O ultimo poto e simplesmete uma cosequecia da desigualdade de Hölder. Para λ (0, ) temos φ X (λa + ( λ)b) = E[e λax e ( λ)bx ] E[e ax ] λ E[e bx ] ( λ) = (φ X (a)) λ (φ X (b)) λ. (4.94) 78

31 4.5. MOMENTOS EXPONENCIAIS E GRANDES DESVÍOS Lembramos que ao usar o método do segudo mometo, os foi bastate útil o fato que a variâcia se comporta bem com relação a somas idepedetes. Mais precisamete, Var(X + + X k ) = Var(X ) + + Var(X k ). Uma outra propriedade importate da fução geradora de mometos é que ela também se comporta bem com respeito à somas idepedetes. Proposição Se X,..., X k são variáveis idepedetes com φ Xi (s) < para todo i k e s < δ, etão ψ X + +X k (s) = ψ X (s) + + ψ Xk (s), para todos s < δ. (4.95) No caso particular de uma sequêcia de variáveis IID, se S := i= X i temos Demostração. Basta observar que ψ S (s) = ψ X (s). (4.96) E[exp{s(X + + X k )}) = E[(e sx e sx k)] = E [ e sx ) E(e sx k ] = φ X (s) φ Xk (s), (4.97) usado Fubii. Podemos agora cosiderar uma sequêcia X, X 2,... de variáveis i.i.d. com φ X (s) < para s < δ, e tetar estimar a probabilidade de um desvio macroscôpico da lei dos grades uméros. Para a > 0 e s < δ, [ ] P S (a + E(X )) = P [e ] ss e s(a+e(x )) e ψ S (s) s(a+e(x )) = exp { ( ψ X (s) s(a + E(X )) ) }. (4.98) Agora sabemos que ψ X (s) é difereciável em zero e que ψ X (0) = Φ X (0) = E(X ). Logo, existe s a > 0 tal que φ X (s a ) < (E(X ) + a 2 )s a, dode [ ] P S (a + E(X )) e sa/2. Isso os garate um decaimeto expoecial da probabilidade da média dos X i se desviar da esperaça Pricípio de Grades Desvios A primeira tarefa ossa será otimizar a estimativa grosseira feita a seção aterior. Essas estimativas são chamadas de estimativas de grades desvios, pois se referem a probabilidades que a média empírica de X i se desvie de sua esperaça por um valor costate a. Futuramete o curso estudaremos as probabilidades de que esse desvio seja de ordem a 0 que são chamados de desvios moderados ou flutuações, depededo se a probabilidade de desvio coverge a zero ou ão. 79

32 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Teorema (Pricípio de Grades Desvios - cota superior). Cosideramos variáveis aleatórias i.i.d. X, X 2,... IID tais que φ X (s) <, para todo s ( δ, δ),. Etão, para a > m = E[X ], ode é chamada fução taxa. De jeito simetrico a < E[X ], P [ S a ] e I(a), (4.99) { I(x) = sup xs ψx (s) )} (4.00) s R P [ S a ] e I(a). (4.0) Podemos reparar que I(x) = { sup s 0 { xs ΨX (s) }, se x m sup s 0 { xs ΨX (s) }, se x m, (4.02) E fica positivo (possivelmete = + ) se x = m. Isso e uma cosequecia simples to fato que a fução s xs log ( φ X (s) ) e cocava e que a derivada em 0 vale x s ( log E[e s X] ) = x m. Etão depededo do sial de (x m) o supremo e atigido a direito o a esqueirda de zero. Demostração. Podemos se cotetar da prova do caso a > m pois o caso a < m segue applicado o resultado pelas variáveis X i = X i. Já sabemos de (4.98) que, para todo s > 0, P [ S a ] exp { ( as ψ X (s)) ) } (4.03) O que termia a prova do teorema se tomamos o ífimo em s 0. Exercício Calcule ψ X (a) quado X é distribuída como Ber(p), U [0,] e Exp(λ). Exercício Na Nova Caledôia, temos k habitates. Seja f : {,..., k} {0, } uma fução que idica a iteção de voto de cada cidadão. Mais precisamete, para cada habitate i {,..., k}, se f (i) = 0, etão i vota o cadidato 0, equato se f (i) =, o cidadão i vota o cadidato. Para estimar o úmero k = # f ({}) de pessoas que votam em, ós escolhemos variáveis aleatórias Y i i.i.d. com distribuição uiforme em {,..., k} e queremos estimar [ Err (ɛ) = P Sabedo que k é par e k = k/2, etão i= 80 f (Y i ) k k ] > ɛ. (4.04)

33 4.5. MOMENTOS EXPONENCIAIS E GRANDES DESVÍOS a) use o método do segudo mometo para obter um tal que Err (0.0) < 0.02 e um tal que Err (0.0) < 0 2, b) use o método do mometo expoecial para obter resolver o ítem acima. Compare os quatro resultados obtidos acima. Vamos agora tomar um exemplo cocreto para aálise. Sejam X, X 2,... variáveis aleatórias i.i.d. com distribuição Ber(/2), dode φ X (s) = 2 ( + es ) e ψ X (x) = sup{xs log( + e s ) + log(2)}. (4.05) s 0 Um cálculo simples os mostra que, se x <, o míimo acima é atigido o úico poto s max = log( x x ). Portato, podemos cocluir do Teorema que P[X X > /2 + a] e ψ X (s max ) { ( )} (4.06) = exp b log(b) + ( b) log( b) + log(2) Note que P[X + + X = ] = 2 = e log(2) = e ψ X ( ). Isso os dá um forte idício de que talvez ossas cotas superiores ão estejam tão loge de ser precisas. Para cofirmar essa hipótese, precisamos obter cotas iferiores parecidas. ψ X (b) ψ X (b) log(4) log(2) log(4/3) 0 b 0 b Figura 4.: Fuções taxa ψ X (b) de uma variável X com distribuição Ber(/2), e ψ X (b) de uma variável com distribuição Ber(3/4), para b (0, ). Ates de buscar cotas iferiores para as probabilidades de desvio, vamos estabelecer algumas propriedades da fução ψ X (b). Primeiramete, quado podemos dizer que o supremo a defiição de ψ X é atigido em algum s max? Certamete, esse em sempre é o caso, por exemplo se X = m quase certamete, etão φ X (s) = e sm e o supremo defiido ψ X (b) ão é atigido se b = m. 8

34 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS Lema Seja X uma variável aleatória tal que φ X (s) < para todo s ( δ, δ). Supodo a 0 é tal que P[X > m + a] > 0, etão existe s max 0 tal que ψ X (m + a) = (m + a)s max log ( φ X (s max ) ). (4.07) Demostração. Para mostrar que o miimo e atigido e em poto e suficiete mostrar que lim s (m + a)s log ( φ X (s) ) =, pois a fução e cotiua. Por hipótese, existe x > m + a tal que p = P[X x] > 0, dode φ X (s) pe sx e portato podemos cocluir por que (m + a)s log ( φ X (s) ) (x m + a)s log p. Lema Seja X uma variável aleatória tal que φ X (s) < para todo s ( δ, δ). Etão o cojuto ode a fução ψ X (s) é fiita é um itervalo, a qual ψ X é covexa e portato cotíua. Demostração. Primeiramete, supomos que a < b são tais que ψ X (a) e ψ X (b) são fiitas. Logo, para todo c (a, b), temos que a fução liear cs é meor ou igual a as bs, daí ψ X (c) = sup{cs log(φ X (s))} sup{(as bs) log(φ X (s))} s 0 s 0 sup{as log(φ X (s))} sup{bs log(φ X (s))} <. s 0 s 0 (4.08) Para mostrar que ψ X é covexa, observe que ψ X (x) é dada pelo supremo (para s 0) das fuções afis x xs ψ X (s). Como o supremo de fuções covexas é também covexo, obtemos o euciado do lemma. Exercício Supoha que se φ X (s) é fiita para todo s ( δ, δ) e mostre que as seguites afirmações valem. a) A fução ψ X (s) é ão egativa, semi-cotíua iferior e covexa em seu domíio. b) ψ X (a) se aula somete em a = m. Buscaremos agora cotas iferiores para a probabilidade de obter um grade desvio. Gostaríamos que essas estimativas fossem o mais próximas possíveis das estimativas superiores obtidas acima. Certamete ão podemos obter algo como P [ X + + X ( m + a ) ] exp{ ψ X (a)}, (4.09) pois seão isso os daria uma igualdade o que é impossível, pois perdemos um pouco de precisão ao utilizar a desigualdade de Markov a cota superior. Cotudo, gostaríamos de eteder se ao meos o expoete ψ X (a) a cota superior também possui algum papel a cota iferior. Isso é cofirmado o seguite resultado. 82

35 4.5. MOMENTOS EXPONENCIAIS E GRANDES DESVÍOS Teorema (Pricípio de Grades Desvios - cota iferior). Sejam X, X 2,... variáveis aleatórias i.i.d. com φ X (s) <, para todo s R. Etão, para todo a > 0, lim if log P[ X + + X ( m + a ) ] ψ X (m + a), (4.0) ode ovamete m = E(X ) e ψ X (x) é defiida como o Teorema De jeito aalogo lim if log P[ X + + X ( m a ) ] ψ X (m a), (4.) Note que o resultado do teorema acima é mais fraco que o que vemos a equação (4.09), mas mostra que ψ X (a) é realmete o expoete correto o decaimeto da probabilidade de grades desvios. Um corolário dos Teoremas e é o seguite Corolário Se X, X 2,... variáveis aleatórias i.i.d. com φ X (s) <, para todo s R, etão lim log P[ X + + X ( m + a ) ] = ψ X (m + a). (4.2) A idéia da prova é trasformar a distribuição de X i, usado uma expoecial como derivada de Rado-Nikodim. Essa ova distribuição possuirá esperaça maior que m + a, de forma que se tomamos a média de variáveis i.i.d. X,..., X distribuídas dessa forma, obteremos algo que se cocetra acima de m + a. Fialmete, o preço pago para que as variáveis X i se comportem como as X i será aproximadamete exp{ ψ X (m + a)}, como desejado para ossa cota iferior. Demostração. Primeiramete, cosideraremos o caso P[X m + a] =, que se assemelha ao caso que aalizamos acima (Ber(/2) ). Nesse caso, temos P [ X + + X ( m + a ) ] = P[X i = m + a, para todo i ] = P[X = m + a]. Dode o limite acima é igual a log(p[x = m + a]). Mas por outro lado, { ( ψ X (m + a) = if log E(e s(x ) ) ) (m + a)s } { ( = if log E(e s(x m a) ) )} s 0 s 0 lim if s log ( E(e s(x m a) ) ) = log ( P[X = m + a] ), pelo Teorema da Covergêcia Domiada, demostrado o teorema esse caso especial. Supohamos agora que P[X > m + a] > 0, o que implica que para b > m + a suficietemete próximo de m + a, temos P[X > b] > 0. Observe que 83

36 CAPÍTULO 4. SOMAS DE VARIÁVEIS INDEPENDENTES I: LEI DOS GRANDES NÚMEROS basta mostrar que para todo b > a satisfazedo P[X > b] > 0 e para todo δ > 0, temos ( [ lim if log X + + X ]) P (b δ, b + δ) ψ X (b), (4.3) pois a fução ψ X (x) é covexa, portato cotíua. Vamos defiir uma ova distribuição ν com derivada de Rado-Nikodim dν dp X = Z σ e σx. (4.4) Observamos primeiramete que o valor de σ aida ão foi escolhido. Além disso após escolhido σ, teremos que calcular a costate de ormalização Z σ de forma que ν seja uma probabilidade. Escolheremos σ 0 como o Lema 4.5.6, isto é, tal que ψ X (b) = bσ log ( φ X (σ) ). Isso os dá imediatamete que Z σ = E[e σx ] = φ X (σ) por defiição. Por difereciabilidade de φ X, o máximo deve ser assumido em um poto de derivada zero para a fução ψ X, ou seja b = φ X (σ) Prop E(Xe = σx ) φ X (σ) E(e σx = E(XeσX ) = ) Z σ xν(dx). (4.5) Isso implica que se uma variável aleatória tem distribuição ν, sua esperaça é b. É possível verificar que uma tal variável aleatória X satisfaz obrigatoriamete φ X (s) < para todo s 0, dode X L p para todo p >. Como prometido, cosideramos variáveis X, X 2,... i.i.d. com distribuição ν. Pela lei fraca dos grades úmeros, para qualquer δ > 0, lim [ X P + + X ] (b δ, b + δ) =. (4.6) Fialmete vamos relacioar essa probabilidade à probabilidade defiida em termos de X i, a qual estamos iteressados. [ X + + X P = Z σ ] (b δ, b + δ) = x i ; x i ; i x i b <δ e σ i= x i i x i b <δ ν(dx i ) i= [ X Zσ exp{ (b + δ)σ}p + + X (X P)(dx i ) i= ] (b δ, b + δ). Tomado o logarítmo, dividido por e tomado o limif quado vai a ifiito, recuperamos ( [ lim log X + + X ]) P (b δ, b + δ) log(z σ ) (b + δ)σ (4.7) = log(φ X (σ)) (b + δ)σ = ψ X (σ) δσ. 84

Sumário. 2 Índice Remissivo 11

Sumário. 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 mais

Medidas, integração, Teorema da Convergência Monótona e o teorema de Riesz-Markov

Medidas, 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 mais

Preliminares 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.

Preliminares 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 mais

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:

DESIGUALDADES, 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 mais

Probabilidade II Aula 12

Probabilidade 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 mais

S 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. 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 mais

n ) uma amostra aleatória da variável aleatória X.

n ) 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 mais

Análise Matemática I 2 o Exame

Análise 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 mais

Lista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação

Lista 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 mais

Exponenciais e Logaritmos (MAT 163) - Notas de Aulas 2 Prof Carlos Alberto S Soares

Exponenciais 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 mais

Aula 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 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 mais

Notas do Curso Inferência em Processos Estocásticos. 1 Estimação de máxima verossimilhança para cadeias de Markov de ordem k

Notas 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 mais

1. Resolução da lista 1. Primeiro apresentaremos uma integral importante, obtida a partir da distribuição gama generalizada.

1. 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 mais

Probabilidade 2 - ME310 - Lista 5

Probabilidade 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 mais

Considerações finais

Considerações 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 mais

Séquências e Séries Infinitas de Termos Constantes

Séquências 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 mais

Instituto de Matemática - UFRJ Análise 1 - MAA Paulo Amorim Lista 2

Instituto 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 mais

1. Revisão Matemática

1. 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 mais

FUNÇÕES CONTÍNUAS Onofre Campos

FUNÇÕES 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 mais

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas

Fundamentos 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 mais

(i) (1,5 val.) Represente na forma de um intervalo ou de uma união disjunta de intervalos cada um dos conjuntos seguintes:

(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 mais

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?

Amostras 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 mais

Independência e espaços produtos

Independência e espaços produtos 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

Leia mais

TEOREMA DE BAIRE. 1. Conceitos Preliminares Exemplos de Aplicações do Teorema de Baire 5 Referências 8

TEOREMA 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 mais

Alguns autores também denotam uma sequência usando parêntesis:

Alguns 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

MATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari

MATEMÁTICA 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 mais

Notas de aula de Probabilidade Avançada

Notas 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 mais

Probabilidade II Aula 9

Probabilidade 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 mais

Capítulo 3. Sucessões e Séries Geométricas

Capítulo 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 mais

Lista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas

Lista 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 mais

O TEOREMA ERGÓDICO DE BIRKHOFF

O 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 mais

1. Revisão Matemática

1. 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 mais

Capítulo II - Sucessões e Séries de Números Reais

Capítulo 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 mais

binomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.

binomial 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

Cálculo Diferencial e Integral I Resolução do 2 ō Teste - LEIC

Cálculo Diferencial e Integral I Resolução do 2 ō Teste - LEIC Cálculo Diferecial e Itegral I Resolução do ō Teste - LEIC Departameto de Matemática Secção de Àlgebra e Aálise I.. Determie o valor dos seguites itegrais (i) e x se x dx x + (ii) x (x + ) dx (i) Visto

Leia mais

Conjuntos Infinitos. Teorema (Cantor) Se A é conjunto qualquer, #A #P(A). Mais precisamente, qualquer

Conjuntos 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 mais

CAPÍTULO IV DESENVOLVIMENTOS EM SÉRIE

CAPÍTULO IV DESENVOLVIMENTOS EM SÉRIE CAPÍTUO IV DESENVOVIMENTOS EM SÉRIE Série de Taylor e de Mac-auri Seja f ) uma fução real de variável real com domíio A e seja a um poto iterior desse domíio Supoha-se que a fução admite derivadas fiitas

Leia mais

Dessa forma, concluímos que n deve ser ímpar e, como 120 é par, então essa sequência não possui termo central.

Dessa 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 mais

BÁRBARA 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 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 mais

Soluções dos Exercícios do Capítulo 6

Soluções dos Exercícios do Capítulo 6 Soluções dos Eercícios do Capítulo 6 1. O poliômio procurado P() a + b + c + d deve satisfazer a idetidade P(+1) P() +, ou seja, a(+1) + b(+1) + c(+1) + d a + b + c + d +, o que é equivalete a (a 1) +

Leia mais

Alguns autores também denotam uma sequência usando parêntesis:

Alguns 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

Sequências Reais e Seus Limites

Sequências 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 mais

Bases e dimensão. Roberto Imbuzeiro Oliveira. 22 de Março de 2012

Bases 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 mais

Cálculo II Sucessões de números reais revisões

Cálculo 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 mais

Sucessões. , ou, apenas, u n. ,u n n. Casos Particulares: 1. Progressão aritmética de razão r e primeiro termo a: o seu termo geral é u n a n1r.

Sucessões. , ou, apenas, u n. ,u n n. Casos Particulares: 1. Progressão aritmética de razão r e primeiro termo a: o seu termo geral é u n a n1r. Sucessões Defiição: Uma sucessão de úmeros reais é uma aplicação u do cojuto dos úmeros iteiros positivos,, o cojuto dos úmeros reais,. A expressão u que associa a cada a sua imagem desiga-se por termo

Leia mais

Notas de aula: Probabilidade I (Remix) Augusto Teixeira (feat. H. Lacoin)

Notas 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 mais

O Princípio da Substituição e o Teorema Central do Limite

O Princípio da Substituição e o Teorema Central do Limite O Pricípio da Substituição e o Teorema Cetral do Limite Roberto Imbuzeiro M. F. de Oliveira 6 de Maio de 009 Resumo 1 Prelimiares são variáveis aleatórias idepedetes sat- No que segue {X i } {Y i} isfazedo

Leia mais

Capítulo 1. Fundamentos

Capítulo 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 mais

AULA Subespaço, Base e Dimensão Subespaço.

AULA 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 mais

Sobre a necessidade das hipóteses no Teorema do Ponto Fixo de Banach

Sobre 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 mais

AUTO AVALIAÇÃO CAPÍTULO I. 1. Assinale com V as proposições que considere verdadeiras e com F as que considere

AUTO 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 mais

I 01. Sequência Numérica. para a qual denotamos o valor de x em n por x n em vez de x ( n ).

I 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 mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 2

MAE 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 mais

Provas de Matemática Elementar - EAD. Período

Provas 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 mais

Números primos, números compostos e o Teorema Fundamental da Aritmética

Números 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 mais

Lista 9 - Introdução à Probabilidade e Estatística

Lista 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 mais

Aplicações lineares. Capítulo Seja T: a) Quais dos seguintes vectores estão em Im( T )? 1 i) 4. 3 iii) ii)

Aplicações lineares. Capítulo Seja T: a) Quais dos seguintes vectores estão em Im( T )? 1 i) 4. 3 iii) ii) Capítulo Aplicações lieares Seja T: R R a multiplicação por 8 a) Quais dos seguites vectores estão em Im( T )? i) ii) 5 iii) b) Quais dos seguites vectores estão em Ker( T)? i) ii) iii) c) Qual a dimesão

Leia mais

2.2. Séries de potências

2.2. 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 mais

Notas de aula: Probabilidade I. Augusto Teixeira

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 mais

INTEIROS DE GAUSS E INTEIROS DE EISENSTEIN Guilherme Fujiwara, São Paulo SP

INTEIROS 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 mais

(x a) f (n) (a) (x t) n dt. (x t) f (n) (t)

(x a) f (n) (a) (x t) n dt. (x t) f (n) (t) . Aula Resto e Teorema de Taylor revisitado. Seja f : D R uma fução e p,a (x) o seu poliómio de Taylor de grau. O resto de ordem foi defiido ateriormete como sedo a fução: R,a (x) := f(x) p,a (x). O resultado

Leia mais

Solução Comentada Prova de Matemática

Solução Comentada Prova de Matemática 0 questões. Sejam a, b e c os três meores úmeros iteiros positivos, tais que 5a = 75b = 00c. Assiale com V (verdadeiro) ou F (falso) as opções abaixo. ( ) A soma a b c é igual a 9 ( ) A soma a b c é igual

Leia mais

( 1,2,4,8,16,32,... ) PG de razão 2 ( 5,5,5,5,5,5,5,... ) PG de razão 1 ( 100,50,25,... ) PG de razão ½ ( 2, 6,18, 54,162,...

( 1,2,4,8,16,32,... ) PG de razão 2 ( 5,5,5,5,5,5,5,... ) PG de razão 1 ( 100,50,25,... ) PG de razão ½ ( 2, 6,18, 54,162,... Progressões Geométricas Defiição Chama se progressão geométrica PG qualquer seqüêcia de úmeros reais ou complexos, ode cada termo a partir do segudo, é igual ao aterior, multiplicado por uma costate deomiada

Leia mais

Séries e aplicações15

Séries 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 mais

Definição 1: Sequência é uma lista infinita de números reais ordenados.

Definição 1: Sequência é uma lista infinita de números reais ordenados. Cálculo I Egeharia Mecâica. Sequêcias Defiição : Sequêcia é uma lista ifiita de úmeros reais ordeados. 2º termo º termo Nome (x ) = (x, x 2, x,..., x,...) º termo º termo N R x Observação: Podemos pesar

Leia mais

Fundamentos de Análise Matemática Profª Ana Paula. Números reais

Fundamentos 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 mais

Cap. 4 - Estimação por Intervalo

Cap. 4 - Estimação por Intervalo Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:

Leia mais

Obtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.

Obtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n. Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,

Leia mais

Estatística para Economia e Gestão REVISÕES SOBRE VARIÁVEIS ALEATÓRIAS DISCRETAS E CONTÍNUAS

Estatística 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 mais

arxiv: v1 [math.ho] 3 Sep 2014

arxiv: 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 mais

Distribuições Amostrais

Distribuições Amostrais Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa

Leia mais

Material Teórico - Módulo de ESTATÍSTICA. As Diferentes Médias. Primeiro Ano do Ensino Médio

Material Teórico - Módulo de ESTATÍSTICA. As Diferentes Médias. Primeiro Ano do Ensino Médio Material Teórico - Módulo de ESTATÍSTICA As Diferetes Médias Primeiro Ao do Esio Médio Autor: Prof Atoio Camiha Muiz Neto Revisor: Prof Fracisco Bruo Holada Nesta aula, pausamos a discussão de Estatística

Leia mais

1.4 Determinantes. determinante é igual ao produto dos elementos da diagonal principal menos o produto dos elementos da diagonal secundária.

1.4 Determinantes. determinante é igual ao produto dos elementos da diagonal principal menos o produto dos elementos da diagonal secundária. 1.4 Determiates A teoria dos determiates surgiu quase simultaeamete a Alemaha e o Japão. Ela foi desevolvida por dois matemáticos, Gottfried Wilhelm Leibiz (1642-1716) e Seki Shisuke Kowa (1642-1708),

Leia mais

Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação

Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma

Leia mais

Sucessão ou Sequência. Sucessão ou seqüência é todo conjunto que consideramos os elementos dispostos em certa ordem. janeiro,fevereiro,...

Sucessão 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 mais

Seqüências e Séries. Notas de Aula 4º Bimestre/2010 1º ano - Matemática Cálculo Diferencial e Integral I Profª Drª Gilcilene Sanchez de Paulo

Seqüências 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 mais

Análise Complexa Resolução de alguns exercícios do capítulo 4

Análise Complexa Resolução de alguns exercícios do capítulo 4 Aálise Complexa Resolução de algus exercícios do capítulo 4. Caso de C0, 0, : Caso de C0,, + : Exercício º z z i i z + iz iz iz porque iz < i + z i +3 z. z z i i z + iz iz porque iz > iz i z 3 i 3 z..

Leia mais

Induzindo a um bom entendimento do Princípio da Indução Finita

Induzindo a um bom entendimento do Princípio da Indução Finita Iduzido a um bom etedimeto do Pricípio da Idução Fiita Jamil Ferreira (Apresetado a VI Ecotro Capixaba de Educação Matemática e utilizado como otas de aula para disciplias itrodutórias do curso de matemática)

Leia mais

CÁLCULO I. Exibir o cálculo de algumas integrais utilizando a denição;

CÁLCULO 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 mais

Como se decidir entre modelos

Como se decidir entre modelos Como se decidir etre modelos Juliaa M. Berbert Quado uma curva é lei de potecia? O procedimeto amplamete usado para testar movimetação biológica a fim de ecotrar padrões de busca como Voos de Levy tem

Leia mais

Capítulo I Séries Numéricas

Capítulo 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 mais

Capítulo VII: Soluções Numéricas de Equações Diferenciais Ordinárias

Capítulo VII: Soluções Numéricas de Equações Diferenciais Ordinárias Capítulo VII: Soluções Numéricas de Equações Difereciais Ordiárias 0. Itrodução Muitos feómeos as áreas das ciêcias egearias ecoomia etc. são modelados por equações difereciais. Supoa-se que se quer determiar

Leia mais

Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Matemática

Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Matemática Uiversidade Federal do Rio de Jaeiro Istituto de Matemática Departameto de Matemática Disciplia: Cálculo Diferecial e Itegral IV Uidades: Escola Politécica e Escola de Quimica Código: MAC 248 Turmas: Egeharias

Leia mais

= o logaritmo natural de x.

= 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 mais

Análise Infinitesimal II LIMITES DE SUCESSÕES

Análise Infinitesimal II LIMITES DE SUCESSÕES -. Calcule os seguites limites Aálise Ifiitesimal II LIMITES DE SUCESSÕES a) lim + ) b) lim 3 + 4 5 + 7 + c) lim + + ) d) lim 3 + 4 5 + 7 + e) lim + ) + 3 f) lim + 3 + ) g) lim + ) h) lim + 3 i) lim +

Leia mais

Resolva os grupos do exame em folhas separadas. O uso de máquinas de calcular e telemóveis não é permitido. Não se esqueça que tudo é para justificar.

Resolva os grupos do exame em folhas separadas. O uso de máquinas de calcular e telemóveis não é permitido. Não se esqueça que tudo é para justificar. Eame em 6 de Jaeiro de 007 Cálculo ATENÇÃO: FOLHAS DE EXAME NÃO IDENTIFICADAS NÃO SERÃO COTADAS Cálculo / Eame fial 06 Jaeiro de 007 Resolva os grupos do eame em folhas separadas O uso de máquias de calcular

Leia mais

Estudando complexidade de algoritmos

Estudando complexidade de algoritmos Estudado complexidade de algoritmos Dailo de Oliveira Domigos wwwdadomicombr Notas de aula de Estrutura de Dados e Aálise de Algoritmos (Professor Adré Bala, mestrado UFABC) Durate os estudos de complexidade

Leia mais

5 DESENVOLVIMENTOS EM SÉRIE DE POTÊNCIAS

5 DESENVOLVIMENTOS EM SÉRIE DE POTÊNCIAS 5 DESENVOLVIMENTOS EM SÉRIE DE POTÊNCIAS Na secção aterior cocluímos que uma fução aalítica um determiado poto é holomorfa uma viihaça desse poto. Iremos mostrar que o iverso é igualmete válido. Nesta

Leia mais

Elementos de Análise - Verão 2001

Elementos de Análise - Verão 2001 Elemetos de Aálise - Verão 00 Lista Thomas Robert Malthus, 766-834, foi professor de Ecoomia Política em East Idia College e em seu trabalho trouxe à luz os estudos sobre diâmica populacioal. Um de seus

Leia mais

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p

ESTIMAÇÃO 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 mais

Cálculo Numérico Lista 02

Cálculo Numérico Lista 02 Cálculo Numérico Lista 02 Professor: Daiel Herique Silva Essa lista abrage iterpolação poliomial e método dos míimos quadrados, e cobre a matéria da seguda prova. Istruções gerais para etrega Nem todos

Leia mais

Secção 1. Introdução às equações diferenciais

Secção 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 mais

Definição 1: Sequência é uma lista infinita de números ordenados.

Definição 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

Métodos iterativos. Métodos Iterativos para Sistemas Lineares

Métodos iterativos. Métodos Iterativos para Sistemas Lineares Métodos iterativos Métodos Iterativos para Sistemas Lieares Muitos sistemas lieares Ax = b são demasiado grades para serem resolvidos por métodos directos (por exemplo, se A é da ordem de 10000) á que

Leia mais

4 Teoria da Probabilidade

4 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 mais

XIX Semana Olímpica de Matemática. Nível U. Algumas Técnicas com Funções Geratrizes. Davi Lopes

XIX Semana Olímpica de Matemática. Nível U. Algumas Técnicas com Funções Geratrizes. Davi Lopes XIX Semaa Olímpica de Matemática Nível U Algumas Técicas com Fuções Geratrizes Davi Lopes O projeto da XIX Semaa Olímpica de Matemática foi patrociado por: Algumas Técicas com Fuções Geratrizes Davi Lopes

Leia mais

Cálculo III - SMA 333. Notas de Aula

Cálculo 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 mais

INTERPOLAÇÃO POLINOMIAL

INTERPOLAÇÃO POLINOMIAL 1 Mat-15/ Cálculo Numérico/ Departameto de Matemática/Prof. Dirceu Melo LISTA DE EXERCÍCIOS INTERPOLAÇÃO POLINOMIAL A aproximação de fuções por poliômios é uma das ideias mais atigas da aálise umérica,

Leia mais

CAPÍTULO 8. Exercícios Inicialmente, observamos que. não é série de potências, logo o teorema desta

CAPÍTULO 8. Exercícios Inicialmente, observamos que. não é série de potências, logo o teorema desta CAPÍTULO 8 Eercícios 8 Iicialmete, observamos que 0 ão é série de otêcias, logo o teorema desta seção ão se alica Como, ara todo 0, a série é geométrica e de razão, 0, etão a série coverge absolutamete

Leia mais

3. Seja C o conjunto dos números complexos. Defina a soma em C por

3. 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 mais