Um esquema regenerativo visível em cadeias de alcance variável não limitadas
|
|
- Benedito Fernandes
- 4 Há anos
- Visualizações:
Transcrição
1 Um esquema regenerativo visível em cadeias de alcance variável não limitadas Aluna: Divanilda Maia Esteves Orientador: Antonio Galves Instituto de Matemática e Estatística Universidade de São Paulo 21 de março de 2007
2 Cadeias de alcance variável foram introduzidas por [Rissanen(1983)] e popularizadas na literatura estatística por [Bühlmann e Wyner(1999)] no caso limitado e no caso não limitado por [Ferrari e Wyner(2003)]. Nessa classe de modelos, para se decidir sobre o estado presente da cadeia, ao invés de considerarmos todo o passado, consideramos apenas a parte do passado que é relevante, o que foi chamado por Rissanen de contexto.
3 Cadeias de alcance variável foram introduzidas por [Rissanen(1983)] e popularizadas na literatura estatística por [Bühlmann e Wyner(1999)] no caso limitado e no caso não limitado por [Ferrari e Wyner(2003)]. Nessa classe de modelos, para se decidir sobre o estado presente da cadeia, ao invés de considerarmos todo o passado, consideramos apenas a parte do passado que é relevante, o que foi chamado por Rissanen de contexto.
4 Isso tem duas vantagens óbvias: 1 os contextos capturam propriedades estruturais dos dados; 2 esses modelos fazem um uso parcimonioso dos parâmetros sem perder a fineza de ajuste.
5 Isso tem duas vantagens óbvias: 1 os contextos capturam propriedades estruturais dos dados; 2 esses modelos fazem um uso parcimonioso dos parâmetros sem perder a fineza de ajuste.
6 Notação Por questão de simplicidade, a seguinte notação será utilizada: x n m := (x m, x m+1,..., x n ), para m < n p(x 0 x 1 n ) := P(X 0 = x 0 X 1 = x 1,..., X n = x n ), p(x 0 x 1 ) := P(X 0 = x 0 X 1 = x 1, X 2 = x 2,...) x n ma = x m,..., x n, a.
7 Notação Atenção: Quando apresentamos as seqüências, elas aparecem na ordem natural, com à esquerda e à direita. Nos condicionamentos, elas são apresentadas do passado mais recente para o mais remoto.
8 Cadeias de Markov Definição Um processo (X n ) n Z assumindo valores em um conjunto A é uma cadeia de Markov de ordem k se o próximo estado do processo é influenciado apenas pelos k momentos anteriores, ou seja P(X 0 = x 0 X 1 = x 1 ) = P(X 0 = x 0 X 1 k = x 1 k ).
9 Cadeias de ordem infinita Definição Seja (X t ) t Z um processo estacionário com valores em um alfabeto finito A com probabilidades de transição dadas por uma função P : A A tal que P(X 0 = x 0 X 1 = x 1 ) = p(x 0 x 1 ) para todo x 0 A, x 1 A. Chamamos tal processo de cadeia de ordem infinita com probabilidades de transição p( ).
10 Cadeias de Markov de Alcance Variável Definição Para cada passado x 1, definimos a função comprimento: l = l(x 1 ) = min{j : P(x 0 x 1 ) = P(x 1 x 1 j ), x 1 A} Seja k = sup{l(x 0 ) : x 0 A 2, 1 }.
11 Cadeias de Markov de Alcance Variável Definição Para cada passado x 1, definimos a função comprimento: l = l(x 1 ) = min{j : P(x 0 x 1 ) = P(x 1 x 1 j ), x 1 A} Seja k = sup{l(x 0 ) : x 0 A 2, 1 }.
12 Cadeias de Markov de Alcance Variável Definição Definição Seja um processo (X n ) n Z. Se k <, então (X n ) n Z é chamada cadeia de Markov de alcance variável (VLMC) de ordem k. Se k =, então temos uma cadeia de alcance variável não limitada.
13 Árvore de Contextos Um subconjunto enumerável τ de k=1 A{ k,..., 1} é uma árvore completa enraizada com ramos finitos se satisfaz as seguintes condições:
14 Árvore de Contextos 1. Propriedade do sufixo: Para qualquer sequência ω 1 k τ, não existe u 1 j i = 1,..., j. τ, com j < k, tal que ω i = u i, para 2. Completitude: τ define uma partição de A..., 2, 1. Cada elemento da partição coincide com o conjunto das seqüências em A..., 2, 1 que tem ω 1 k como sufixo.
15 Árvore de Contextos 1. Propriedade do sufixo: Para qualquer sequência ω 1 k τ, não existe u 1 j i = 1,..., j. τ, com j < k, tal que ω i = u i, para 2. Completitude: τ define uma partição de A..., 2, 1. Cada elemento da partição coincide com o conjunto das seqüências em A..., 2, 1 que tem ω 1 k como sufixo.
16 Árvore de Contextos Definição Uma árvore probabilística de contextos em um alfabeto A é um par ordenado (τ, p) tal que τ é uma árvore completa p = {p( ω), ω τ} é uma família de probabilidades de transição em A.
17 Árvore de Contextos Notação: Seja τ uma árvore de contextos completa. Denotaremos por c τ (x 1 ) o único sufixo de x 1 que está em τ.
18 Árvore de Contextos Observação: O conjunto τ pode ser identificado por um conjunto de ramos da seguinte forma: o primeiro nó é a raiz, ou o presente; os galhos são o passado, sendo que quanto mais longe da raiz, mais distante é o passado; cada nó tem no máximo A arestas; cada contexto é representado por um ramo completo.
19 Árvore de Contextos Observação: O conjunto τ pode ser identificado por um conjunto de ramos da seguinte forma: o primeiro nó é a raiz, ou o presente; os galhos são o passado, sendo que quanto mais longe da raiz, mais distante é o passado; cada nó tem no máximo A arestas; cada contexto é representado por um ramo completo.
20 Árvore de Contextos Observação: O conjunto τ pode ser identificado por um conjunto de ramos da seguinte forma: o primeiro nó é a raiz, ou o presente; os galhos são o passado, sendo que quanto mais longe da raiz, mais distante é o passado; cada nó tem no máximo A arestas; cada contexto é representado por um ramo completo.
21 Árvore de Contextos Observação: O conjunto τ pode ser identificado por um conjunto de ramos da seguinte forma: o primeiro nó é a raiz, ou o presente; os galhos são o passado, sendo que quanto mais longe da raiz, mais distante é o passado; cada nó tem no máximo A arestas; cada contexto é representado por um ramo completo.
22 Árvore de Contextos Observação: O conjunto τ pode ser identificado por um conjunto de ramos da seguinte forma: o primeiro nó é a raiz, ou o presente; os galhos são o passado, sendo que quanto mais longe da raiz, mais distante é o passado; cada nó tem no máximo A arestas; cada contexto é representado por um ramo completo.
23 Cadeias de Markov de Alcance Variável Árvore de Contextos Uma cadeia de alcance variável estacionária (X t ) é consistente com uma árvore probabilística de contextos (τ, p) se para qualquer passado x 1 e qualquer símbolo a A temos: onde x 1 l x 1. P(X 0 = a X 1 ) = p(a x 1 l ), é o único elemento de τ que é um sufixo da seqüência
24 Árvore de Contextos Exemplo: τ = {(00), (010), (011), (1)}
25 Árvore de Contextos Definição Dizemos que uma árvore probabilística de sufixos (τ, p) é não limitada se a função comprimento (l) é não limitada.
26 Cadeias de Markov de Alcance Variável Árvore de Contextos No caso em que a árvore de contextos τ não é finita, a compacidade de A Z garante que existe ao menos uma cadeia estacionária compatível com (τ, p). As seguintes condições garantem a unicidade da cadeia.
27 Cadeias de Markov de Alcance Variável Árvore de Contextos Definição Uma árvore probabilística de contextos (τ, p) em A é do tipo A se suas probabilidades de transição p satisfazem as seguintes condições. Fracamente não nula, isto é inf p(a w) > 0 ; (1) w τ a A
28 Cadeias de Markov de Alcance Variável Árvore de Contextos Definição -continuação Continuidade, isto é β(k) := max a A quando k. sup w 1 1 =v k k { p(a w) p(a v) } 0 (2) A seqüência {β(k)} k N é chamada taxa de continuidade.
29 Árvore de Contextos Como observado em [Duarte el al(2006)], para uma árvore probabilística de contextos do tipo A com uma taxa de continuidade somável, o argumento do acoplamento maximal usado em [Fernández el al(2001)] implica a unicidade da lei da cadeia consistente com ela.
30 Árvore de Contextos Figura: Árvore de Contextos não limitada
31 Dados (τ, p), ω τ e x uma seqüência de símbolos de A, dizemos que t Z é um ponto de regeneração da seqüência relativamente a ω se x t+ ω 1 t = ω c τ (x ) n xt n, para todo n t.
32 Objetivo Objetivo O objetivo central desta tese é demonstrar a existência de uma estrutura regenerativa visível para as cadeias de alcance variável não limitadas.
33 O que isso quer dizer? Fixe um contexto ω. Dada uma amostra infinita X queremos que existam infinitos instantes (σ ω i ) i Z com < σ ω 0 < 0 < σ ω 1 < σ ω 2 <... que são instantes de regeneração
34 O que isso quer dizer? Fixe um contexto ω. Dada uma amostra infinita X queremos que existam infinitos instantes (σ ω i ) i Z com < σ ω 0 < 0 < σ ω 1 < σ ω 2 <... que são instantes de regeneração
35 Um Exemplo onde o teorema não vale: P(0 1) = 1 0 < P(0 ω) < 1, ω (1) A conjectura não vale para o contexto (1)
36 Um Exemplo onde o teorema não vale: P(0 1) = 1 0 < P(0 ω) < 1, ω (1) A conjectura não vale para o contexto (1)
37 VLMC No caso em que τ < uma condição suficiente para o resultado é que P(a ω) > 0, a A, ω τ. E no caso infinito?
38 Árvore de Contextos Exemplo: Cadeias de renovação As cadeias de renovação, também chamadas cadeias de alcance variável esparsas [Bühlmann e Wyner(1999)] são definidas da seguinte forma. Dizemos que uma cadeia de alcance variável (X n ) n Z tomando valores no alfabeto A = {0, 1} é uma cadeia esparsa, se suas probabilidades de transição são dadas por: p(1 x 1 ) = q l(x 1 ), onde l(x 1 ) = l := min{i 1 : x i = 1} 1.
39 Cadeias esparsas Figura: Árvore de Contextos referente a uma cadeia esparsa
40 Cadeias esparsas Para obter a estrutura regenerativa, basta garantir, para quase toda amostra suficientemente grande de uma cadeia esparsa, a existência de infinitos símbolos 1. Isto é equivalente a procurar as condições necessárias e suficientes para que uma cadeia esparsa cumpra a seguinte igualdade: ( ) P 1 {Xn=1} = + X 0 = 1 = 1 (3) n=1
41 Cadeias esparsas Teorema P ( n=1 1 {X n=1} = + X 0 = 1 ) = 1, e somente se, + i=0 q i =.
42 Cadeias esparsas Passos da demonstração: Se l=0 q l < +, então P ( n=1 1 {X n=1} = + X 0 = 1 ) < 1. Se lim sup l q l = δ > 0, então P ( n=1 1 {X n=1} = + X 0 = 1 ) = 1. Se lim sup l q l = 0 e l=0 q l = +, então P ( n=1 1 {X n=1} = + X 0 = 1 ) = 1.
43 Cadeias esparsas Passos da demonstração: Se l=0 q l < +, então P ( n=1 1 {X n=1} = + X 0 = 1 ) < 1. Se lim sup l q l = δ > 0, então P ( n=1 1 {X n=1} = + X 0 = 1 ) = 1. Se lim sup l q l = 0 e l=0 q l = +, então P ( n=1 1 {X n=1} = + X 0 = 1 ) = 1.
44 Cadeias de alcance variável Para demonstrar a existência de uma estrutura regenerativa no caso mais geral das cadeias de alcance variável, vamos usar a seguinte decomposição.
45 Proposição básica da decomposição Proposição básica da decomposição Seja τ uma árvore de contextos qualquer em {0, 1}. Podemos escrever τ na forma τ = τ [ ] k=0 τ [k], onde τ [ ] ou é o conjunto vazio ou tem um único elemento que é uma seqüência de zeros; τ [k] = τ [k] 0 k ; com 0 k sendo uma seqüência de k zeros e τ [k] é uma árvore de contextos cuja raiz é o símbolo 1 e com altura f (k) + 1.
46 Proposição básica da decomposição Proposição básica da decomposição Seja τ uma árvore de contextos qualquer em {0, 1}. Podemos escrever τ na forma τ = τ [ ] k=0 τ [k], onde τ [ ] ou é o conjunto vazio ou tem um único elemento que é uma seqüência de zeros; τ [k] = τ [k] 0 k ; com 0 k sendo uma seqüência de k zeros e τ [k] é uma árvore de contextos cuja raiz é o símbolo 1 e com altura f (k) + 1.
47 Proposição básica da decomposição Proposição básica da decomposição Seja τ uma árvore de contextos qualquer em {0, 1}. Podemos escrever τ na forma τ = τ [ ] k=0 τ [k], onde τ [ ] ou é o conjunto vazio ou tem um único elemento que é uma seqüência de zeros; τ [k] = τ [k] 0 k ; com 0 k sendo uma seqüência de k zeros e τ [k] é uma árvore de contextos cuja raiz é o símbolo 1 e com altura f (k) + 1.
48 Proposição básica da decomposição τ [ ] = (00) τ [0] = {(1)} e daí τ [0] = {(1)} τ [1] = {(10, 11)} e daí τ [1] = {(010), (011)}
49 Proposição básica da decomposição τ [ ] = ( ) τ [k] = {(1)} e daí {}}{ τ [k] = {( )} k
50 Cadeias de alcance variável Observação: Na decomposição proposta acima, τ [k] é uma árvore com raiz 1. Vamos chamar de f (k) o comprimento máximo dos ramos de τ [k] excluindo-se a raiz, ou seja f (k) = sup{ ω 1 : ω τ [k] }.
51 Vamos considerar o caso em f (k) < para todo k, mas a função f é ilimitada. Vamos definir {f = m} como {f = m} = {k IN : f (k) = m} e a n = inf{k {f = n}}.
52 Teorema Vamos supor que (τ, p) seja uma árvore de contextos no alfabeto A = {0, 1} satisfazendo as seguintes condições: as probabilidades de transição p são contínuas com taxa de continuidade somável; inf{p(1 v) : v τ} = δ > 0; f (k) f (k ), se k k e f (k) +, quando k + ; i=1 {f = i} (1 δ)a i <.
53 Teorema Então qualquer que seja ω τ existem infinitos instantes < σ ω 0 0 < σ ω 1 < σ ω 2 <... que são instantes de regeneração da amostra com relação ao contexto ω.
54 Ingredientes para a demonstração do Teorema: Para toda seqüência (X n ), com X m = 1 e, para todo i 1, vamos definir Di m como sendo o número de 0 s sucessivos que devem aparecer a partir do instante i, para que tenhamos um contexto que ultrapasse o instante m. Formalmente D m i = min{j 1 : c τ (X m 1 1X m+i m 0 j ) > j + i + 1}.
55 Ingredientes para a demonstração do Teorema: Para toda seqüência (X n ), com X m = 1 e, para todo i 1, vamos definir Di m como sendo o número de 0 s sucessivos que devem aparecer a partir do instante i, para que tenhamos um contexto que ultrapasse o instante m. Formalmente D m i = min{j 1 : c τ (X m 1 1X m+i m 0 j ) > j + i + 1}.
56 Lema Para toda seqüência X tal que X m = 1, temos que { i=0 c τ (X m+i ) m} = {Di m 1} i=0
57 Vamos acoplar D n a uma cadeia de Markov não homogênea D i n, assumindo valores em N, cuja matriz de transição q i (d d) = P( D i n = d D i 1 n = d), é assim definida q i (0 0) = 1 q i (d 1 d) = 1 δ, d 1 q i (a i+1 d) = δ, d 1, onde a i = inf{k {f = i}}.
58 Lema Para todo n e para toda amostra X tal que X n = 1, existe um acoplamento entre Di n e D i n de tal forma que D0 n = D 0 n = 1 e Dn i D i n, i 1.
59 Prova: Observamos que, para todo n, D n i = g i (D n i 1, X n+i ), onde g i é assim definida: 0 se d = 0 g i (d, x) = d 1 se d 1 e x = 0 a i+1 se d 1 e x = 1., (4)
60 Para cada n, seja {U n i : n Z, i 1} uma família de variáveis aleatórias independentes entre si e uniformemente distribuídas em [0, 1]. Para cada n Z e para cada i 1, definimos a variável (Y n i ) assumindo valores em {0, 1} e acoplada à variável (X n+i ), da seguinte maneira:
61 Para cada n, seja {U n i : n Z, i 1} uma família de variáveis aleatórias independentes entre si e uniformemente distribuídas em [0, 1]. Para cada n Z e para cada i 1, definimos a variável (Y n i ) assumindo valores em {0, 1} e acoplada à variável (X n+i ), da seguinte maneira:
62 (X n+i, Y n i ) = F(U n i, X n+i 1 ) = (1, 1), se 0 U n i < δ (1, 0), se δ U n i < p(1 X n+i 1 ) (0, 0), se U n X n=i 1
63 Observamos que, por construção, X n+i Y n i. P(Y n i = 1) = δ A família {Y n i : n Z, i 1} é independente.
64 Vamos definir agora D n i = g i ( D n i 1, Y n i ), onde g i é a função 4. Desta maneira, para todo n, i e para toda realização das variáveis, temos que D i n Di n. Isso encerra a demonstração do lema.
65 Vamos definir as variáveis ξ n = 1 { i=1 {D n i 1}} e ξ n = 1 { i=1 { D n i 1}}.
66 Para concluir a demonstração do teorema, precisamos mostrar que P {ξ n = 1} = 1. m 1 n m Por construção ξ n ξ n, para todo n e para toda realização das variáveis. E portanto P {ξ n = 1} P { ξ n = 1}. m 1 n m m 1 n m
67 Para concluir a demonstração do teorema, precisamos mostrar que P {ξ n = 1} = 1. m 1 n m Por construção ξ n ξ n, para todo n e para toda realização das variáveis. E portanto P {ξ n = 1} P { ξ n = 1}. m 1 n m m 1 n m
68 Para concluir a demonstração do teorema, precisamos mostrar que P {ξ n = 1} = 1. m 1 n m Por construção ξ n ξ n, para todo n e para toda realização das variáveis. E portanto P {ξ n = 1} P { ξ n = 1}. m 1 n m m 1 n m
69 A seqüência de variáveis aleatórias ( ξ n ) é, por construção, independente, já que as seqüências (Ui n ) i 1 usadas na sua construção são independentes. Além disso, Lema - Nas condições do teorema, temos que P( ξ n = 1) > 0.
70 Portanto, pelo Lema de Borel-Cantelli, P n m{ ξn = 1} = 1. m 1 E consequentemente P n m{ξn = 1} = 1. m 1
71 Corolário No Teorema, se a função f for invertível, então i=1 {f = i} (1 δ)a i convergir é equivalente a i=1 (1 δ)[f 1 (i)] convergir. O Corolário segue do fato de que se f é invertível, a k = f 1 (k).
72 Corolário No Teorema, se a função f for invertível, então i=1 {f = i} (1 δ)a i convergir é equivalente a i=1 (1 δ)[f 1 (i)] convergir. O Corolário segue do fato de que se f é invertível, a k = f 1 (k).
73 Corolário No Teorema, se a função f (k) = k for invertível, então i=1 {f = i} (1 δ)a i converge. O Corolário segue do fato de que se f (k) = k, então i=1 {f = i} (1 δ)a i = i=1 (1 δ)i.
74 Corolário No Teorema, se a função f (k) = k for invertível, então i=1 {f = i} (1 δ)a i converge. O Corolário segue do fato de que se f (k) = k, então i=1 {f = i} (1 δ)a i = i=1 (1 δ)i.
75 Exemplo Vamos considerar f (k) = ln(k). Neste caso, f 1 (k) = exp(k), de onde segue que (1 δ) f 1 (i) i=1 (1 δ) i <. i=1
76 Exemplo Agora vamos considerar f (k) = exp(k). Queremos mostrar que i=1 (1 δ)ln(i) é convergente. Sabemos que uma série i=1 a n é convergente se e somente se i=1 2k a 2 k também é. Então, a série é convergente desde que δ > ln 2.
77 Algoritmo Considere uma amostra X 1,..., X n de (τ, p), com τ conhecida. Vamos descrever um algoritmo para encontrar pontos t 1 (X1 n, τ),..., t M n (X1 n, τ) que satisfaçam as condições dos teoremas vistos no capítulo anterior, para um determinado contexto ω. Seja S = {t i (X 1, τ); i 1} o conjunto dos pontos de regeneração em uma amostra X 1,..., X n.
78 Algoritmo Algoritmo Passo 0 - Fixe ω τ. Faça k=0 e m=1. Passo 1 - Fixe i (0) 1 = 0. Se C(X n i(0) 1 1 ) = C(X1 n) = ω, faça i 1 = 0 e t 1 (x1 n, τ) = n e vá ao passo 5. Passo 2 - Faça k=k+1. Se i (k 1) 1 < n 1, faça i (k) 1 = min{i (k 1) 1 < i < n : C(X n i 1 ) = ω}. Se não existir tal i (k) 1, faça S = e pare. Passo 3 - Se l(x n j 1 ) > i (k) 1 j + ω para algum 0 j < i (k) 1, volte ao passo 2.
79 Algoritmo Passo 4 - Faça i 1 = i (k) 1 e t 1 (X n 1, τ) = n i 1 ω + 1 e vá ao passo 5. Passo 5 - Faça m=m+1 e k=0. Faça i (0) m = i m 1 ω. Se C(X n i0 m 1 ) = ω, faça i m = i (0) m, t m (x n 1, τ) = n i m ω + 1 e repita este passo. Passo 6 - Faça k=k+1. Se i (k 1) m i (k) m = min{i (k 1) m < n 1, faça < i < n : C(X n i 1 ) = ω}. Se não existir tal i (k) m, faça m 1 = M n e vá ao passo 9.
80 Algoritmo Passo 7 - Se l(x n j 1 ) > i (k) m j + ω para algum i m 1 j < i k m, volte ao passo 6. Passo 8 - Faça i m = i (k) m i m < n 1, volte ao passo 5. e t m (X n 1, τ) = n i m ω + 1. Se Passo 9 - Para finalizar, para i = 1,..., M n, faça t i (X n 1, τ) = t M n i+1 e então teremos S.
81 Algoritmo Observação Não vamos considerar todos os pontos encontrados. Na verdade, vamos considerar os pontos que estão em X 1,..., X n k(n), sendo que k(n) é uma função que cresce com o tamanho da amostra e que n > k(n). Isso porque com probabilidade alta os pontos próximos a n não serão pontos de regeneração quando aumentarmos um pouco a amostra.
82 Algoritmo Teorema Seja X 1,..., X n uma amostra de uma cadeia esparsa. Vamos denotar os pontos de separação associados a esta amostra por t 1 (X n 1, τ),..., t M n (X n 1, τ). Então, se i=0 q i =, então P M n k(n) i=1 t i (X1 n, τ) / S (n k(n)) z=1 sendo que aqui k(n) é tal que e P k(n) m=0 qm = o ( z e P k(n)+z m=0 q m 0, 1 n k(n) ).
83 Algoritmo Teorema Dados X 1,..., X n uma amostra de (τ, p) e t 1 (X1 n, τ),..., t M n (X1 n, τ) os pontos de separação associados a esta amostra. Então, 0 1 M n k(n) [ t i (X1 n, τ) / SA 1 X (n k(n))p(1) (2(1 δ)) m j 1 2(1 δ) i=1 + X j=1 j(2(1 δ)) f (m n+j ) «0, j=n+1
84 Algoritmo Teorema - continuação onde k(n) é tal que ( 2(1 δ)) f (mn) = o 1 n k(n) j=n+1 (2(1 δ))m j = o ( ) 1 n k(n) com m j = min{m : m f (m) > j (n k(n))}. )
85 Algoritmo No caso em que temos um amostra X 1,..., X n de (τ, p), com τ desconhecida, vamos usar o algoritmo do contexto para estimar a árvore de contextos associada à amostra, a qual chamaremos τ n e então podemos usar o mesmo algoritmo descrito para o caso onde τ era conhecida, sendo que o passo 0 se torna: Passo 0 - Fixe ω τ n.
86 Algoritmo Para um dado contexto ω τ n, teremos os pontos t 1 (X1 n, τ n),..., t Mn (X1 n, τ n) e com base nesses pontos, podemos dividir a amostra em blocos independentes B 0 = B 0 (X1 n, τ n) = [X 1,..., X t1 1] B 1 = B 1 (X1 n, τ n) = [X t1,, X t2 1] B Mn k(n) = B Mn k(n) (X1 n, τ n) = [X tmn k(n) 1,, X tmn k(n) 1]
87 Algoritmo Teorema Seja X 1,..., X n uma amostra de (τ, p), onde τ é desconhecida. Considerando B 0 (X1 n, τ n),..., B Mn k(n) (X1 n, τ n) os blocos de separação associados a esta amostra, então M n k(n) P B i (X1 n, τ n ) / B 0. i=0
88 Apêndice Referências Bibliográficas Referências Bibliográficas I P. Bühlmann e A. Wyner (1999) Variable length Markov chains. The Annals of Statistics 27(2), D. Duarte and A. Galves and N. L. Garcia Markov Approximation and consistent estimation of unbounded probabilistic suffix trees. Artigo em preparação.
89 Apêndice Referências Bibliográficas Referências Bibliográficas II R. Fernández, P. A. Ferrari e A. Galves Coupling, renewal and perfect simulation of chains of infinite order Vth Brazilian School of Probability, F. Ferrari e A. Wyner(2003) Estimation of general stationary processes by variable length Markov chains. Scandinavian Journal of Statistics 30(3),
90 Apêndice Referências Bibliográficas Referências Bibliográficas III S. P. Lalley (2000) Regeneration in One-Dimensional Gibbs States and Chains with Complete Connections Resenhas do Instituto de Matemática e Estatística da Universidade de São Paulo 3IT-4, J. Rissanen (1983) A universal data compression system. IEEE Transactions on Information Theory IT-29,
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável Maria das Vitórias Alexandre Serafim 1 Manuel Rivelino Gomes de Oliveira 2 Divanilda Maia Esteves 3 Paulo José Duarte-Neto
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
Leia maisProcessos de salto com memória de alcance. e aplicações em redes neuronais
Processos de salto com memória de alcance variável e aplicações em redes neuronais Douglas Rodrigues Pinto Universidade Federal Fluminense 18 de outubro de 216 1 / 22 Problema Como modelar a comunicação
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 maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia maisMétodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II
Métodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II Vladimir Pestov 1 University of Ottawa / Université d Ottawa Ottawa, Ontario, Canadá 2 Universidade Federal de Santa Catarina Florianópolis,
Leia maisTeoremas de uma, duas e três séries de Kolmogorov
Teoremas de uma, duas e três séries de Kolmogorov 13 de Maio de 013 1 Introdução Nestas notas Z 1, Z, Z 3,... é uma sequência de variáveis aleatórias independentes. Buscaremos determinar condições sob
Leia maisNo que segue, X sempre denota um espaço topológico localmente compacto
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK No que segue, sempre denota um espaço topológico localmente compacto Hausdorff. Se f : R é uma função, então supp f denota o{ suporte (relativamente
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA. Medida e Probabilidade
UNIVERSIDADE FEDERAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA Medida e Probabilidade Aluno: Daniel Cassimiro Carneiro da Cunha Professor: Andre Toom 1 Resumo Este trabalho contem um resumo dos principais
Leia maisDANIEL V. TAUSK. se A é um subconjunto de X, denotamos por A c o complementar de
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK Ao longo do texto, denotará sempre um espaço topológico fixado. Além do mais, as seguintes notações serão utilizadas: supp f denota o suporte
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisCapítulo 1. Fundamentos
Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões
Leia mais) a sucessão definida por y n
aula 05 Sucessões 5.1 Sucessões Uma sucessão de números reais é simplesmente uma função x N R. É conveniente visualizar uma sucessão como uma sequência infinita: (x(), x(), x(), ). Neste contexto é usual
Leia maisAplicações de Cadeias de Ordem Variável Estocasticamente Perturbadas
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Aplicações de Cadeias de Ordem Variável Estocasticamente Perturbadas Felipe Sousa Quintino Trabalho de Conclusão de Curso
Leia maisTeoria dos Conjuntos. (Aula 6) Ruy de Queiroz. O Teorema da. (Aula 6) Ruy J. G. B. de Queiroz. Centro de Informática, UFPE
Ruy J. G. B. de Centro de Informática, UFPE 2007.1 Conteúdo 1 Seqüências Definição Uma seqüência é uma função cujo domíno é um número natural ou N. Uma seqüência cujo domínio é algum número natural n N
Leia maisTopologia e Análise Linear. Maria Manuel Clementino, 2013/14
Maria Manuel Clementino, 2013/14 2013/14 1 ESPAÇOS MÉTRICOS Espaço Métrico Um par (X, d) diz-se um espaço métrico se X for um conjunto e d : X X R + for uma aplicação que verifica as seguintes condições,
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 maisTeoria da Medida e Integração (MAT505)
Teoria da Medida e Integração (MAT505) Modos de convergência V. Araújo Mestrado em Matemática, UFBA, 2014 1 Modos de convergência Modos de convergência Neste ponto já conhecemos quatro modos de convergência
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2015.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2015.2 1 / 60 Sumário 1 Apresentação
Leia maisComeçamos relembrando o conceito de base de um espaço vetorial. x = λ 1 x λ r x r. (1.1)
CAPÍTULO 1 Espaços Normados Em princípio, os espaços que consideraremos neste texto são espaços de funções. Isso significa que quase todos os nossos exemplos serão espaços vetoriais de dimensão infinita.
Leia maisCap. 5 Estabilidade de Lyapunov
Cap. 5 Estabilidade de Lyapunov 1 Motivação Considere as equações diferenciais que modelam o oscilador harmônico sem amortecimento e sem força aplicada, dada por: M z + Kz = 0 Escolhendo-se x 1 = z e x
Leia maisEspaço amostral Ω: Conjunto enumerável de todos os possíveis resultados de um experimento aleatório. um evento elementar. E = E[X j ] X j.
Universidade Tecnológica Federal do Paraná Professor Murilo V G da Silva Notas de aula Algoritmos Avançados I (Aula 04 Conteúdos da aula: [CLR09: cap 7 e 9][MIE05 4, 5] Vamos estudar nesta aula três algoritmos
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
Leia maisx B A x X B B A τ x B 3 B 1 B 2
1. Definição e exemplos. Bases. Dar uma topologia num conjunto X é especificar quais dos subconjuntos de X são abertos: Definição 1.1. Um espaço topológico é um par (X, τ) em que τ é uma colecção de subconjuntos
Leia maisNotas do Curso Inferência em Processos Estocásticos. 1 Estimação de máxima verossimilhança para cadeias de Markov de ordem k
Notas do Curso Iferêcia em Processos Estocásticos Prof. Atoio Galves Trascrita por Karia Yuriko Yagiuma 1 Estimação de máxima verossimilhaça para cadeias de Markov de ordem k Seja (X ) =0,1,,... uma cadeia
Leia maisNotas Para o Curso de Medida e. Daniel V. Tausk
Notas Para o Curso de Medida e Integração Daniel V. Tausk Sumário Capítulo 1. Medida de Lebesgue e Espaços de Medida... 1 1.1. Aritmética na Reta Estendida... 1 1.2. O Problema da Medida... 6 1.3. Volume
Leia maisFaculdade de Computação
UNIVERSIDADE FEDERAL DE UBERLÂNDIA Faculdade de Computação Disciplina : Teoria da Computação - 1 0 Semestre 007 Professora : Sandra Aparecida de Amo Solução da Lista de Exercícios n o 1 Exercícios de Revisão
Leia maisAxiomatizações equivalentes do conceito de topologia
Axiomatizações equivalentes do conceito de topologia Giselle Moraes Resende Pereira Universidade Federal de Uberlândia - Faculdade de Matemática Graduanda em Matemática - Programa de Educação Tutorial
Leia maisé uma proposição verdadeira. tal que: 2 n N k, Φ(n) = Φ(n + 1) é uma proposição verdadeira. com n N k, tal que:
Matemática Discreta 2008/09 Vítor Hugo Fernandes Departamento de Matemática FCT/UNL Axioma (Princípio da Boa Ordenação dos Números Naturais) O conjunto parcialmente (totalmente) ordenado (N, ), em que
Leia maisUma condição necessária e suciente para integrabilidade de uma função real
Uma condição necessária e suciente para integrabilidade de uma função real Jonas Renan Moreira Gomes 1 e Fernanda S. P. Cardona (orientadora) 1 Instituto de Matemática e Estatística da Universidade de
Leia maisUma condição necessária e suciente para integrabilidade de uma função real
Uma condição necessária e suciente para integrabilidade de uma função real Jonas Renan Moreira Gomes 1 e Fernanda S. P. Cardona (orientadora) 1 Instituto de Matemática e Estatística da Universidade de
Leia maisPropriedade Markoviana
Cadeias de Markov Cadeias de Markov É um tipo especial de processo estocástico, que satisfaz as seguintes condições: o parâmetro n é discreto (ex: tempo) o espaço de estados E é discreto (coleção de estados
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 maisTeoria da Medida e Integração (MAT505)
Modos de convergência Teoria da Medida e Integração (MAT505) Modos de convergência. V. Araújo Instituto de Matemática, Universidade Federal da Bahia Mestrado em Matemática, UFBA, 2014 Modos de convergência
Leia maisMEDIDAS COM SINAL.. Uma medida com sinal σ-aditiva (ou, simplesmente, uma medida com sinal) µ(a n ) def = lim
MEDIDAS COM SINAL DANIEL V. TAUSK 1. Definição. Seja C uma coleção de conjuntos tal que C. Uma medida com sinal finitamente aditiva em C é uma função µ : C R tal que: µ( ) = 0; se (A n ) t é uma seqüência
Leia maisσ-álgebras, geradores e independência
σ-álgebras, geradores e independência Roberto Imbuzeiro M. F. de Oliveira 15 de Março de 2009 Resumo Notas sobre a σ-álgebra gerada por uma variável aleatória X e sobre as condições de independência de
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2015.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2015.2 1 / 49 Sumário 1 Apresentação
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 mais{ 1 se x é racional, 0 se x é irracional. cos(k!πx) = cos(mπ) = ±1. { 1 se x Ak
Solução dos Exercícios Capítulo 0 Exercício 0.: Seja f k : [0, ] R a função definida por Mostre que f k (x) = lim j (cos k!πx)2j. { f k (x) = se x {/k!, 2/k!,..., }, 0 senão e que f k converge pontualmente
Leia maisUniversidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática. O Teorema de Arzelá. José Renato Fialho Rodrigues
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática O Teorema de Arzelá José Renato Fialho Rodrigues Belo Horizonte - MG 1994 José Renato Fialho Rodrigues O Teorema
Leia mais1 Limites e Conjuntos Abertos
1 Limites e Conjuntos Abertos 1.1 Sequências de números reais Definição. Uma sequência de números reais é uma associação de um número real a cada número natural. Exemplos: 1. {1,2,3,4,...} 2. {1,1/2,1/3,1/4,...}
Leia maisLimites Uma teoria abordando os principais tópicos sobre a teoria dos limites. José Natanael Reis
Limites Uma teoria abordando os principais tópicos sobre a teoria dos limites Este trabalho tem como foco, uma abordagem sobre a teoria dos limites. Cujo objetivo é o método para avaliação da disciplina
Leia maisSME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades
SME0801- Probabilidade II Distribuições conjuntas. Primeiras definições e propriedades Pablo Martin Rodriguez SME ICMC USP Bacharelado em Estatística 20 Mar 2017 Vetores aleatórios Definição Sejam X 1,
Leia maisNoções (básicas) de Topologia Geral, espaços métricos, espaços normados e espaços com produto interno. André Arbex Hallack
Noções (básicas) de Topologia Geral, espaços métricos, espaços normados e espaços com produto interno André Arbex Hallack Setembro/2011 Introdução O presente texto surgiu para dar suporte a um Seminário
Leia maisSumário. 2 Índice Remissivo 13
i Sumário 1 Variáveis Aleatórias e Suas Distribuições 1 1.1 Variáveis Aleatórias Discretas............................. 2 1.2 Variáveis Aleatórias Contínuas............................. 4 1.3 Função de
Leia maisCálculo Diferencial e Integral Química Notas de Aula
Cálculo Diferencial e Integral Química Notas de Aula João Roberto Gerônimo 1 1 Professor Associado do Departamento de Matemática da UEM. E-mail: jrgeronimo@uem.br. ÍNDICE 1. INTRODUÇÃO Esta notas de aula
Leia mais[À funç~ao d chama-se métrica e aos elementos de X pontos do espaço métrico; a condiç~ao (3) designa-se por desigualdade triangular.
Aula I - Topologia e Análise Linear 1 Espaços Métricos ESPAÇO MÉTRICO Um par (X, d) diz-se um espaço métrico se X for um conjunto e d : X X R + for uma aplicação que verifica as seguintes condições, quaisquer
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 maisMAT Cálculo Avançado - Notas de Aula
bola fechada de centro a e raio r: B r [a] = {p X d(p, a) r} MAT5711 - Cálculo Avançado - Notas de Aula 2 de março de 2010 1 ESPAÇOS MÉTRICOS Definição 11 Um espaço métrico é um par (X, d), onde X é um
Leia maisTeoria da Medida e Integração (MAT505)
Transporte de medidas Teoria da Medida e Integração (MAT505) Transporte de medidas e medidas invariantes. Teorema de Recorrência de Poincaré V. Araújo Instituto de Matemática, Universidade Federal da Bahia
Leia mais1 Séries de números reais
Universidade do Estado do Rio de Janeiro - PROFMAT MA 22 - Fundamentos de Cálculo - Professora: Mariana Villapouca Resumo Aula 0 - Profmat - MA22 (07/06/9) Séries de números reais Seja (a n ) n uma sequência
Leia maisDistribuies de Probabilidade
Distribuies de Probabilidade Roberto Imbuzeiro M. F. de Oliveira 23 de Março de 2009 Resumo Exerçícios sobre as distribuições de v.a. s. 1 Toda variável aleatória real é uniforme Seja X : Ω R com função
Leia maisÁrvores e Florestas Probabilísticas
Árvores e Florestas Probabilísticas e como elas ajudam a distinguir os ritmos do Português Brasileiro e do Português Europeu Instituto de Matemática e Estatística Universidade de São Paulo Colaboradores
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 maisConvergência em espaços normados
Chapter 1 Convergência em espaços normados Neste capítulo vamos abordar diferentes tipos de convergência em espaços normados. Já sabemos da análise matemática e não só, de diferentes tipos de convergência
Leia maisProf. Dr. Lucas Santana da Cunha de maio de 2018 Londrina
Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 21 de maio de 2018 Londrina 1 / 14 Variável aleatória Introdução Definição Uma função que associa um número real
Leia maisDefinimos a soma de seqüências fazendo as operações coordenada-a-coordenada:
Aula 8 polinômios (Anterior: chinês. ) 8.1 séries formais Fixemos um anel A. Denotaremos por A N o conjunto de todas as funções de N = {, 1, 2,... } a valores em A. Em termos mais concretos, cada elemento
Leia maisCadeias 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 maisProcessos de ramificação e o grafo de Erdös Rényi
Processos de ramificação e o grafo de Erdös Rényi 1 de Abril de 2014 1 Básico de processos de ramificação Seja P uma distribuição de probabilidade sobre N := {0, 1, 2, 3,... } com primeiro momento finito.
Leia maisPARTE I EQUAÇÕES DE UMA VARIÁVEL REAL
PARTE I EQUAÇÕES DE UMA VARIÁVEL REAL. Introdução Considere f uma função, não constante, de uma variável real ou complexa, a equação f(x) = 0 será denominada equação de uma incógnita. EXEMPLO e x + senx
Leia maisDecimasegunda áula: Conexidade por caminhos, local, e sequências
Decimasegunda áula: Conexidade por caminhos, local, e sequências A definição de espaço conexo traduz matemáticamente a intuição de conjunto feito por um pedaço só. Também podemos considerar um espaço conexo
Leia mais3 O Teorema de Ramsey
3 O Teorema de Ramsey Nesse capítulo enunciamos versões finitas e a versão infinita do Teorema de Ramsey, além das versões propostas por Paris, Harrington e Bovykin, que serão tratadas no capítulos subseqüentes.
Leia maisNOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA REVISÃO SOBRE FUNDAMENTOS DE PROBABILIDADE Prof.: Idemauro Antonio Rodrigues de Lara 2 Experimentos aleatórios Definição 1. Experimentos aleatórios são experimentos que quando executados
Leia maisAnálise I Solução da 1ª Lista de Exercícios
FUNDAÇÃO EDUCACIONAL SERRA DOS ÓRGÃOS CENTRO UNIVERSITÁRIO SERRA DOS ÓRGÃOS Centro de Ciências e Tecnologia Curso de Graduação em Matemática Análise I 0- Solução da ª Lista de Eercícios. ATENÇÃO: O enunciado
Leia maisIntroduzir os conceitos de base e dimensão de um espaço vetorial. distinguir entre espaços vetoriais de dimensão fnita e infinita;
META Introduzir os conceitos de base e dimensão de um espaço vetorial. OBJETIVOS Ao fim da aula os alunos deverão ser capazes de: distinguir entre espaços vetoriais de dimensão fnita e infinita; determinar
Leia maisParte II. Análise funcional II
Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos
Leia maisSequência Pea Pattern
arxiv:1708.06452v6 [math.ho] 23 Aug 2018 Sequência Pea Pattern André Pedroso Kowacs 2017 1 1 Introdução O artigo estudará um sistema dinâmico baseado na sequência Look and Say estudada pelo matemático
Leia maisSISTEMAS LINEARES PROF. EDÉZIO
SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x
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 maisP1 de Análise Real ou Análise I Data: 16 de abril de 2008
P1 de Análise Real ou Análise I 2008.1 Data: 16 de abril de 2008 Serão contadas as quatro melhores questões. 1. Seja (a n ) uma seqüência de números reais. Prove que se (a n ) 2 converge então a nn também
Leia maisEntão (τ x, ) é um conjunto dirigido e se tomarmos x U U, para cada U vizinhança de x, então (x U ) U I é uma rede em X.
1. Redes Quando trabalhamos no R n, podemos testar várias propriedades de um conjunto A usando seqüências. Por exemplo: se A = A, se A é compacto, ou se a função f : R n R m é contínua. Mas, em espaços
Leia maisSobre a compacidade lógica e topológica
Sobre a compacidade lógica e topológica Hércules de Araujo Feitosa Mauri Cunha do Nascimento Marcelo Reicher Soares Resumo Os ambientes da Lógica e da Topologia têm a compacidade como uma propriedade importante.
Leia maisAPLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1
Disciplinarum Scientia. Série: Ciências Exatas, S. Maria, v.2, n.1, p.59-68, 2001 59 APLICAÇÃO DO TEOREMA DO PONTO FIXO DE BANACH A UM PROBLEMA EM PROBABILIDADE 1 APPLICATION OF BANACH FIXED POINT THEOREM
Leia maisApresentação do curso
Matemática Básica Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Apresentação do curso Parte 1 Parte 1 Matemática Básica 1 Parte 1 Matemática Básica 2 Conteúdo
Leia maisAnálise I. Notas de Aula 1. Alex Farah Pereira de Agosto de 2017
Análise I Notas de Aula 1 Alex Farah Pereira 2 3 23 de Agosto de 2017 1 Turma de Matemática. 2 Departamento de Análise-IME-UFF 3 http://alexfarah.weebly.com ii Conteúdo 1 Conjuntos 1 1.1 Números Naturais........................
Leia maisBases Matemáticas. Relembrando: representação geométrica para os reais 2. Aula 8 Números Reais: módulo ou valor absoluto, raízes, intervalos
1 Bases Matemáticas Aula 8 Números Reais: módulo ou valor absoluto, raízes, intervalos Rodrigo Hausen 10 de outubro de 2012 v. 2012-10-15 1/34 Relembrando: representação geométrica para os reais 2 Uma
Leia maisNÚMEROS INTEIROS. Álgebra Abstrata - Verão 2012
NÚMEROS INTEIROS PROF. FRANCISCO MEDEIROS Álgebra Abstrata - Verão 2012 Faremos, nessas notas, uma breve discussão sobre o conjunto dos números inteiros. O texto é basicamente a seção 3 do capítulo 1 de
Leia maisALGORITMO DE EUCLIDES
Sumário ALGORITMO DE EUCLIDES Luciana Santos da Silva Martino lulismartino.wordpress.com lulismartino@gmail.com PROFMAT - Colégio Pedro II 25 de agosto de 2017 Sumário 1 Máximo Divisor Comum 2 Algoritmo
Leia maisProfessor João Soares 20 de Setembro de 2004
Teoria de Optimização (Mestrado em Matemática) Texto de Apoio 2A Universidade de Coimbra 57 páginas Professor João Soares 20 de Setembro de 2004 Optimização Linear Considere o problema (1) abaixo, que
Leia maisPropriedades das Funções Contínuas
Propriedades das Funções Contínuas Prof. Doherty Andrade 2005- UEM Sumário 1 Seqüências 2 1.1 O Corpo dos Números Reais.......................... 2 1.2 Seqüências.................................... 5
Leia maisAnálise I. Notas de Aula 1. Alex Farah Pereira de Novembro de 2017
Análise I Notas de Aula 1 Alex Farah Pereira 2 3 22 de Novembro de 2017 1 Turma de Matemática. 2 Departamento de Análise-IME-UFF 3 http://alexfarah.weebly.com ii Conteúdo 1 Conjuntos 1 1.1 Números Naturais........................
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia mais3 AULA. Séries de Números Reais LIVRO. META Representar funções como somas de séries infinitas. OBJETIVOS Calcular somas de infinitos números reais.
LIVRO Séries de Números Reais META Representar funções como somas de séries infinitas. OBJETIVOS Calcular somas de infinitos números reais. PRÉ-REQUISITOS Seqüências (Aula 02). Séries de Números Reais.
Leia maisA DEFINIÇÃO AXIOMÁTICA DO CONJUNTO DOS NÚMEROS NATURAIS.
A DEFINIÇÃO AXIOMÁTICA DO CONJUNTO DOS NÚMEROS NATURAIS. SANDRO MARCOS GUZZO RESUMO. A construção dos conjuntos numéricos é um assunto clássico na matemática, bem como o estudo das propriedades das operações
Leia maisAs leis dos grandes números
6. Introdução este capítulo estudamos algumas formulações da lei dos grandes números. Uma lei dos grandes números dá o comportamento limite, ou assimptótico, de uma média de observações aleatórias., de
Leia maisAula 05 - Limite de uma Função - Parte I Data: 30/03/2015
bras.png Cálculo I Logonewton.png Aula 05 - Limite de uma Função - Parte I Data: 30/03/2015 Objetivos da Aula: Definir limite de uma função Definir limites laterias Apresentar as propriedades operatórias
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 maisO Teorema de Ramsey e o Último Teorema de Fermat em Corpos Finitos.
O Teorema de Ramsey e o Último Teorema de Fermat em Corpos Finitos. Leandro Cioletti Eduardo A. Silva 12 de setembro de 2011 Resumo O objetivo deste texto é apresentar a prova do Último Teorema de Fermat
Leia maisApresentação do curso
Folha 1 Matemática Básica Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Apresentação do curso Parte 1 Parte 1 Matemática Básica 1 Parte 1 Matemática Básica
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 maisÁlgebra Linear e Geometria Analítica Bacharelados e Engenharias Parte II Matrizes (continuação)
Álgebra Linear e Geometria Analítica Bacharelados e Engenharias Parte II Matrizes (continuação) Prof.a Tânia Preto Departamento Acadêmico de Matemática UTFPR - 2014 Importante Material desenvolvido a partir
Leia maisSistemas de equações lineares
DMPA IM UFRGS Cálculo Numérico Índice Sistema de Equações Lineares 1 Sistema de Equações Lineares 2 com pivoteamento parcial 3 Método de Jacobi Método Gauss-Seidel Sistema de Equações Lineares n equações
Leia maisLista 8 de Análise Funcional - Doutorado 2018
Lista 8 de Análise Funcional - Doutorado 2018 Professor Marcos Leandro 17 de Junho de 2018 1. Sejam M um subespaço de um espaço de Hilbert H e f M. Mostre que f admite uma única extensão para H preservando
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 mais3 Apresentação do processo e resultados preliminares
3 Apresentação do processo e resultados preliminares O Capitulo 1 dá a ferramenta para construir uma cadeia de Markov a tempo contínuo, a partir de uma cadeia de Markov a tempo discreto. Agora, queremos
Leia maisPrimeira Maratona de Matemática - Gabarito
Primeira Maratona de Matemática - Gabarito 1) Cada um dos três amigos, Mário, João e Felipe, pratica uma, e apenas uma, das modalidades esportivas: futebol, basquetebol ou natação Nenhuma das três modalidades
Leia maisTeoria da Medida e Integração (MAT505)
Teoria da Medida e Integração (MAT505) Teoria de Derivação de Lebesgue. Teorema Fundamental do Cálculo. V. Araújo Mestrado em Matemática, UFBA, 204 Conteúdo Riemann. vs Lebesgue..............................2
Leia maisCapítulo 1. Os Números. 1.1 Notação. 1.2 Números naturais não nulos (inteiros positivos) Última atualização em setembro de 2017 por Sadao Massago
Capítulo 1 Os Números Última atualização em setembro de 2017 por Sadao Massago 1.1 Notação Números naturais: Neste texto, N = {0, 1, 2, 3,...} e N + = {1, 2, 3, }. Mas existem vários autores considerando
Leia mais