Meu livro coloca isso em uma caixa lateral com o cabeçalho "Nota" e não explica o porquê. Você poderia me dizer por que essa afirmação se aplica?
Meu livro coloca isso em uma caixa lateral com o cabeçalho "Nota" e não explica o porquê. Você poderia me dizer por que essa afirmação se aplica?
Respostas:
Nada formal a acrescentar, mas uma analogia que realmente me ajudou a entender isso veio de um texto de cálculo. Imagine que você tem um cano de ferro de um certo comprimento e peso. E você deseja cortá-lo em dois pedaços. Se o tubo tiver um comprimento de 1 m, você pode cortá-lo ao meio na marca 0,5. Agora pense no peso do tubo como um tempo constante do seu comprimento (assumimos que todas as seções transversais de igual comprimento têm o mesmo peso).
Cortar o tubo ao meio na marca de 0,5 m - quanto peso você perde? Lembre-se de que a única seção transversal que você está removendo é a própria marca de 0,5 m. Então, qual é o comprimento dessa seção transversal? Considere que 0,49999999 ... não faz parte dela e nem 0,5000000000 ... 1, ou qualquer outro ponto que esteja próximo, mas não seja igual a 0,5 - portanto, o comprimento dessa seção transversal é tecnicamente zero. O que significa que você realmente não está removendo nenhum peso.
Isso explicaria por que e são basicamente os mesmos para variáveis contínuas - incluindo ou excluindo o ponto final realmente não muda nada - para qualquer ponto que você escolher próximo ao ponto final, ainda haverá uma quantidade infinita de pontos entre eles.<≤ <
Isto faz algum sentido?
fonte
Primeiro vou dar a definição de um (absolutamente) contínua variável aleatória .Z
(Probabilidade avançada é necessária, muitos ignoram!)
Seja um espaço de probabilidade e seja um vetor aleatório. A probabilidade em definido por , é chamada a distribuição de . Agora, se onde é a medida de Lebesgue em (ou seja, é absolutamente contínuo em relação a ), dizemos que é um vetor aleatório (absolutamente) contínuo. Agora, usando o teorema de Radon-NikodymZ : Ω → R N P X B ( R N ) P Z ( A ) = P { Z ∈ Um } Um ∈ B ( R N ) Z P Z « μ , μ R N P μ Z f : R n → [ 0 , + ∞(Ω,F,P) Z:Ω→Rn PX B(Rn) PZ(A)=P{Z∈A} A∈B(Rn) Z PZ≪μ, μ Rn P μ Z , existe uma função tal que para todos os . Chamamos a função de densidade de .P Z ( A ) = ∫ Um f d μ Um ∈ B ( R N ) f Zf:Rn→[0,+∞] PZ(A)=∫Afdμ A∈B(Rn) f Z
Agora defina a função de distribuição cumulativa (CDF) de uma variável aleatória absolutamente contínua como:F Z ( z ) = P ( Z ≤ z ) .Z
Antes de apresentar uma prova formal, vamos dar um exemplo de uma variável aleatória contínua distribuída uniformemente, ou seja, com uma função de densidade de probabilidade de para e 0, caso contrário. Agora vamos tentar encontrar . TemosPodemos reduzir esse intervalo para obter uma melhor aproximação da seguinte forma:Como você pode ver, essas probabilidades estão convergindo para zero à medida que diminuímos a duração do intervalo. Agora vamos provar isso formalmente. Eu vou mostrar que para qualquer variável aleatória contínua0 ≤ z ≤ 1 P ( z = 0,5 ) P ( z = 0,5 ) ∼ P ( 0,4 < z ≤ 0,6 ) = ∫ 0,6 0,4 f ( z ) d z = 0,2. P ( z = 0,5 ) ∼ P ( 0,49 < z ≤ 0,51 )f(z)=1 0≤z≤1 P(z=0.5)
fonte
Talvez uma explicação mais intuitiva seja que, para uma variável contínua, a contribuição das arestas (por exemplo, ou ) para a probabilidade cumulativa nos intervalos circundantes (ou semi-intervalos) seja insignificantemente pequena.ba b
fonte