\( \newcommand{\nPr}[2]{{}^{#1}A_{#2} } \newcommand{\combin}[2]{{}^{#1}C_{#2} } \newcommand{\cmod}[3]{#1 \equiv #2\left(\bmod {}{#3}\right)} \newcommand{\frc}[2]{\displaystyle\frac{#1}{#2}} \newcommand{\mdc}[2]{\left( {#1},{#2}\right)} \newcommand{\mmc}[2]{\left[ {#1},{#2}\right]} \newcommand{\cis}{\mathop{\rm cis}} \newcommand{\ImP}{\mathop{\rm Im}} \newcommand{\ReP}{\mathop{\rm Re}} \newcommand{\sen}{\mathop{\rm sen}} \newcommand{\tg}{\mathop{\rm tg}} \newcommand{\cotg}{\mathop{\rm cotg}} \newcommand{\cosec}{\mathop{\rm cosec}} \newcommand{\cotgh}{\mathop{\rm cotgh}} \newcommand{\cosech}{\mathop{\rm cosech}} \newcommand{\sech}{\mathop{\rm sech}} \newcommand{\sh}{\mathop{\rm sh}} \newcommand{\ch}{\mathop{\rm ch}} \newcommand{\th}{\mathop{\rm th}} \newcommand{\senEL}[1]{\mathop{\rm sen}^{#1}} \newcommand{\tgEL}[1]{\mathop{\rm tg}^{#1}} \newcommand{\cotgEL}[1]{\mathop{\rm cotg}^{#1}} \newcommand{\cosecEL}[1]{\mathop{\rm cosec}^{#1}} \newcommand{\shEL}[1]{\mathop{\rm sh^{#1}}} \newcommand{\chEL}[1]{\mathop{\rm ch^{#1}}} \newcommand{\thEL}[1]{\mathop{\rm th^{#1}}} \newcommand{\cotghEL}[1]{\mathop{\rm cotgh^{#1}}} \newcommand{\cosechEL}[1]{\mathop{\rm cosech^{#1}}} \newcommand{\sechEL}[1]{\mathop{\rm sech^{#1}}} \newcommand{\senq}{\senEL{2}} \newcommand{\tgq}{\tgEL{2}} \newcommand{\cotgq}{\cotgEL{2}} \newcommand{\cosecq}{\cosecEL{2}} \newcommand{\cotghq}{\cotghEL{2}} \newcommand{\cosechq}{\cosechEL{2}} \newcommand{\sechq}{\sechEL{2}} \newcommand{\shq}{\shEL{2}} \newcommand{\chq}{\chEL{2}} \newcommand{\arctg}{\mathop{\rm arctg}} \newcommand{\arcsen}{\mathop{\rm arcsen}} \newcommand{\argsh}{\mathop{\rm argsh}} \newcommand{\argch}{\mathop{\rm argch}} \newcommand{\argth}{\mathop{\rm argth}} \newcommand{\Var}{\mathop{\rm Var}} \newcommand{\vect}[1]{\overrightarrow{#1}} \newcommand{\tr}[1]{ \textnormal{Tr}\left({#1}\right)} \newcommand{\C}{\mathbb{C}} \newcommand{\E}{\mathbb{E}} \newcommand{\H}{\mathbb{H}} \newcommand{\I}{\mathbb{I}} \newcommand{\N}{\mathbb{N}} \newcommand{\P}{\mathbb{P}} \newcommand{\Q}{\mathbb{Q}} \newcommand{\R}{\mathbb{R}} \newcommand{\Z}{\mathbb{Z}} \newcommand{\til}{\sim} \newcommand{\mdc}{\mathop{\rm m.d.c.}} \newcommand{\mmc}{\mathop{\rm m.m.c.}} \newcommand{\vect}[1]{\overrightarrow{#1}} \newcommand{\dfrc}{\displaystyle\frac} \newcommand{\Mod}[1]{\ (\mathrm{mod}\ #1)} \)
Mostrar mensagens com a etiqueta Matemática Discreta. Mostrar todas as mensagens
Mostrar mensagens com a etiqueta Matemática Discreta. Mostrar todas as mensagens

15/11/2025

Uma questão de um crackpot.

 (Escrito num smartphone)

Posts via Smartphone deviam ficar para o outro blog, este foi só para "limpar as teias" deste blog.
Era suposto eu partilhar a parte 2 do post sobre cónicas, mas hoje pelas redes sociais, encontrei uma questão tão mal formulada que parecia vir de um aluno baldas a pedir que alguém lhe fizesse os deveres escolares. Obviamente não respondi. Pedi que formulasse correctamente a questão. As notações existem a niveis nacionais e internacionais, e aquela não respeitava nenhuma!
O que ele pretendia era: \[ \sum\limits_{k = 3}^9 {7k + 8} \] Não foi isso que escreveu.
O bom senso sugere-me que não mostre o que ele escreveu, para evitar a propagação de asneiras.
Ainda criticou (e insultou!) quem se recusou a responder a um enunciado mal elaborado.
Responder a questões mal elaboradas, que desrespeitam notações é má prática, incentiva a que se perpetuem.
 E de facto, nada me garante que não tenha sido escrita por alguém a pedir que lhes façamos trabalhos de casa.
Portanto, lá, não deixei resposta, nem sequer um link para este post.
Há muitas formas de calcular. A mais curta deve ser esta: Aquele somatório não é nada de especial, é a soma de sete termos de uma progressão aritmética, em que o primeiro termo da soma é $7\times 3+8=29$ e o último $7\times 9+8=71$.
Assim sendo \[ \sum\limits_{k = 3}^9 {7k + 8} = \frac{{\left( {29 + 71} \right) \times 7}}{2} = \frac{{700}}{2} = 350 \] Duvido estar ensinar alguma coisa aos leitores habituais deste blog.
Perder tempo com crackpots que nem estão dispostos a se corrigir, principalmente no meu actual estado de saúde é péssima ideia.
Escrever este post, incluindo o código LaTeX em smartphone até foi giro. Quanto à Matemática, bem, peço desculpa por não ter sido nada de interessante.
Até à próxima.

08/08/2021

Soma dos primeiros $n$ quadrados

A primeira vez que vi a fórmula $1^2+2^2+\cdots+n^2=\frc{n(n+1)(2n+1)}{6}$ foi num exercício de indução matemática.
Com o passar dos anos foram-me aparecendo outras deduções para a fórmula.
Uma óbvia é converter o problema numa equação de diferenças e resolver, e foi um dos primeiros exemplos que testei assim qua aprendi equações de diferenças-
(Encontram uma versão dessa ideia no youtube, aqui: https://www.youtube.com/watch?v=OpA7oNmHobM)
Outra dedução de que gosto muito é visual: https://www.youtube.com/watch?v=aXbT37IlyZQ
Mas há muitas outras.
Por exemplo, recentemente encontrei esta https://www.youtube.com/watch?v=gVMEtOXdhs8.

Hoje apresento uma que me ocorreu durante uma explicação online de Probabilidades e Estatística.
Não é propriamente elegante, visto que vou "recorrer a um exército para matar uma mosca" (eu sei que a expressão é 'recorrer a um canhão para matar uma mosca' , mas aqui pode-se dizer que vou recorrer a vários canhões).
Vou recordar algumas definições:

Seja $X$ uma variável aleatória discreta e $\P$ uma medida de probabilidade \[ X = \left\{ {\begin{array}{cl} {x_i }&{i\in \I} \\ {} \\ {p_i^{} = \P\left( {X = x_i } \right)} \\ \end{array}} \right. \] O valor esperado (ou valor médio, ou esperança matemática, ou momento de primeira ordem) de $X$ é \[ \E(X) = \sum\limits_{i \in \I} {x_i p_i } \] desde que se tenha \[ \E(X) = \sum\limits_{i \in \I} {|x_i| p_i } < \infty \]


Seja $X$ uma variável aleatória discreta e $\P$ uma medida de probabilidade \[ X = \left\{ {\begin{array}{cl} {x_i }&{i\in \I} \\ {} \\ {p_i^{} = \P\left( {X = x_i } \right)} \\ \end{array}} \right. \] O Momento de ordem $n$ da variável aleatória $X$ é \[ \E(X^n) = \sum\limits_{i \in \I} {x_i^n p_i } \] desde que, uma vez mais, se tenha \[ \E(X) = \sum\limits_{i \in \I} {|x_i|^n p_i } < \infty \]


Seja $X$ uma variável aleatória discreta. A função geradora de momentos da variável aleatória $X$ é \[ M_X \left( t \right) = \E\left( {e^{tX} } \right) \]

Depois destas definições, recordo também um resultado

Seja $X$ uma variável aleatória. \[ \left. {\frac{{d^n }}{{dt^n }}M_X (t)} \right|_{t = 0} = \E\left( {X^n } \right) \]

Vamos a isto. Seja $X$ uma variável aleatória com distribuição uniforme discreta de parâmetro $n$ com $n\in\N_1$, ou seja, \[ X \til \text{Uniforme}(n) \] \[ P(X = i) = \left\{ {\begin{array}{ll} {\frc{1}{n}}&{,i\in\{1,\cdots,n\}} \\ {} &{} \\ {0} & {\text{, caso contrário}} \end{array}} \right. \] Então:

\[ M_X \left( t \right) = \E\left( {e^{tX} } \right) = \frc{1}{n}\sum\limits_{i = 1}^n {e^{ti} = } \left\{ {\begin{array}{ll} {\frc{{e^t }}{n}\frc{{1 - e^{nt} }}{{1 - e^t }}}&{,\text{se } t\neq 0} \\ {}&{} \\ {1} &{,\text{se } t = 0} \end{array}} \right. \] para $t\in\R$

A partir deste resultado provam-se os seguintes

\[ \frc{d}{{dt}}\left[{M_X \left( t \right)}\right] = \left\{ {\begin{array}{cl} {\frc{{e^t - \left( {n + 1} \right)e^{\left( {n + 1} \right)t} + ne^{\left( {n + 2} \right)t} }}{{n\left( {1 - e^t } \right)^2 }}}&{,\text{se } t\neq 0} \\ {}&{} \\ {\frc{{n + 1}}{2}}&{,\text{se } t = 0} \end{array}} \right. \] \[ \frc{{d^2 }}{{dt^2 }}\left[{M_X} \left( t \right)\right] = \left\{ {\begin{array}{cl} {\frc{{e^{2t} + e^t - \left( {n + 1} \right)^2 e^{\left( {n + 1} \right)t} + \left( {2n^2 + 2n - 1} \right)e^{\left( {n + 2} \right)t} - n^2 e^{\left( {n + 3} \right)t} }}{{n\left( {1 - e^t } \right)^3 }}}&{,\text{se } t\neq 0} \\ {}&{} \\ {\frc{{\left( {n + 1} \right)\left( {2n + 1} \right)}}{6}}&{,\text{se } t = 0} \end{array}} \right. \]

Consequentemente

\[ \E(X) = \frc{n+1}{2} \] \[ \E(X^2) = \frc{{\left( {n + 1} \right)\left( {2n + 1} \right)}}{6} \]

Atentendo à definição de momento de ordem 2 temos que: \[ \E\left( {X^2 } \right) = \sum\limits_{i = 1}^n {\left( {i^2 \cdot \frc{1}{n}} \right)} = \frc{1}{n}\sum\limits_{i = 1}^n { {i^2 } } \] Então, pelo último teorema: \[ \frc{1}{n}\sum\limits_{i = 1}^n { {i^2 }} = \frc{{\left( {n + 1} \right)\left( {2n + 1} \right)}}{6} \] E imediatamente, sai \[ \sum\limits_{i = 1}^n { {i^2 }} = \frc{{n\left( {n + 1} \right)\left( {2n + 1} \right)}}{6} \]
$\blacksquare$

14/02/2020

Quantos algarismos tem um número natural?

Recentemente, perguntei a alguém se sabia me dizer quantos algarismos tem $2^{2020}$, quando escrito na forma usual (na nossa base 10).
Permiti que usasse calculadora :)
Não foi a primeira vez que fiz este tipo indecente de perguntas a alguém.
Principalmente, porque já sabia responder a isto desde o meu secundário!
[Eh! Não é show-off! Não gosto de show-off! É só para perceberem que não precisam de "conhecimentos avançados"!].

Por exemplo podem ler o texto que escrevi em 2017 no blog carlospaulices:

CarlosPaulices no século XXI: o número de algarismos...

Como atacar o problema?
Hoje, exponho o raciocínio que me ocorreu há cerca de 25 anos, a fórmula, a dedução da fórmula e finalmente a resposta à questão com que iniciei este texto.
Pensemos num número natural ao acaso.
Por exemplo no número $1977$ (ano muito importante: estreou o Star Wars... e só por mero acaso, também foi o ano em que eu nasci)
Em notação científica este número escreve-se: \[1977=1,977\times 10^3\] Como é óbvio, aquele 3 do expoente do 10 está relacionado com o número de algarismos do número 1977.
Vamos tentar com outro número natural ao acaso, que, insisto, só por acaso, me passou pela cabeça: \[13121977=1,3121977\times 10^7\] Estou a notar um padrão. Parece que o número de algarismos, $n_a(N)$ é o expoente daquele 10, somado de uma unidade.
Expoente do 10? Isso não parece um logaritmo de base 10?
\[\log_{10} 13121977=\log_{10} \left(1,3121977\times 10^7\right)=\log_{10}1,3121977+\log_{10} 10^7=\log_{10}1,3121977+7\] Aquele logaritmo de $1,3121977$ está entre 0 e 1... e isso vai acontecer sempre (Se há 25 anos eu sabia porquê, se você sabe o que é um logaritmo, também sabe porquê).
Isso quer dizer que a parte inteira do logaritmo base $10$ de $13121977$ é $7$
Hoje em dia, eu escrevo isso assim: \[ \left\lfloor {\log _{10} 13121977} \right\rfloor = 7 \] (na altura, eu escrevia como está no blog carlospaulices, porque há 25 anos era a notação da minha calculadora e eu não conhecia outra)
Ou seja, tinha chegado à fórmula $n_a-1=\left\lfloor {\log _{10} N}\right\rfloor$, ou equivalentemente:
\[n_a=1+\left\lfloor {\log _{10} N}\right\rfloor\] Isto é bonito... consegue-se demonstrar? Sim, mas vou deixar como exercício!
Pronto, se for muito preguiçoso, ou não tiver ideias, pode ver a minha demonstração clicando neste botão:


Seja $N$ um número natural com $n_a$ algarismos em base 10. Isso quer dizer que o número se escreve na forma \[N=a_{n_a}a_{n_a-1}\cdots a_1\] onde os $a_i$, com $i\in \{1,...,n_a\}$ são algarismos entre 0 e 9, exceptuando o $a_{n_a}$, que é um algarismo entre 1 e 9.
Outra forma de escrever isto é : \[N=a_1+ a_2\times10+a_3\times10^2+\cdots+a_{n_a}\times10^{n_a-1}\] Escrever o número em notação científica na verdade significa colocar o $10^{n_a-1}$ em evidência! \[N=10^{n_a-1}\left(\frac{a_1}{10^{n_a-1}}+ \frac{a_2}{10^{n_a-2}}+\frac{a_3}{10^{n_a-3}}+\cdots+a_{n_a}\right)\] Assim sendo \begin{eqnarray*} {\left\lfloor \log_{10} N\right\rfloor}&=&{\left\lfloor \log_{10}{10^{n_a-1}\left(\frac{a_1}{10^{n_a-1}}+ \frac{a_2}{10^{n_a-2}}+\frac{a_3}{10^{n_a-3}}+\cdots+a_{n_a}\right)} \right\rfloor}\\ {}&=&{\left\lfloor \log_{10}{10^{n_a-1}}+ \log_{10}{\left(\frac{a_1}{10^{n_a-1}}+ \frac{a_2}{10^{n_a-2}}+\frac{a_3}{10^{n_a-3}}+\cdots+a_{n_a}\right)} \right\rfloor}\\ {}&=&{\left\lfloor n_a-1+ \log_{10}{\left(\frac{a_1}{10^{n_a-1}}+ \frac{a_2}{10^{n_a-2}}+\frac{a_3}{10^{n_a-3}}+\cdots+a_{n_a}\right)} \right\rfloor}\\ {}&=&{ n_a-1 } \end{eqnarray*} Assim sendo, \[{\left\lfloor \log_{10} N\right\rfloor}=n_a-1\] Ou, equivalentemente: \[{\left\lfloor \log_{10} N\right\rfloor+1}=n_a\]
$\blacksquare$


Com esta fórmula, já consegue determinar o número de algarismos de $2^{2020}$?
Os meus ex-alunos e ex-explicandos a quem propus coisas semelhantes conseguiram:


\[n_a=1+\left\lfloor \log_{10}2^{2020}\right\rfloor=1+\left\lfloor 2020\log_{10}2\right\rfloor=609\]

Se percebeu o que acabei de escrever, então, certamente conseguirá concluir que o número de algarismos de um número natural numa base $b>1$, natural, será dado pela fórmula: \[n_a={\left\lfloor \log_{b} N\right\rfloor+1}\]


Exercício: Quantos algarismos tem o factorial de $1977$ ? (número escolhido ao acaso...)


\[5660\]

Pista/sugestão: qualquer calculadora decente actual tem logaritmos base 10... e somatórios! (Sim, as outras são indecentes!)


03/08/2019

De uma derivada de ordem k à binomial negativa.

Ontem à noite, estava eu sentado, num café, a resolver alguns exercícios de Probabilidades e Estatística. Precisei de umas fórmulas para a binomial negativa. Tinha as fórmulas nos meus apontamentos, mas não tinha a dedução. Já estava meio farto de cálculos "mecânicos".
Estava sem bateria no telemóvel, portanto, estava sem acesso à Internet.
Isto foi o que me ocorreu (isto são só cálculos, mas parece que sou mais produtivo num café do que em casa ou no trabalho):
Sabe-se que se $0<|x|<1$ então \[ \sum\limits_{n = 0}^\infty {x^n } = \frac{1}{{1 - x}} \] Derivando esta expressão termo a termo temos: \[ \sum\limits_{n = 0}^\infty {nx^{n-1} } = \frac{1}{\left(1 - x\right)^2} \] Note-se que o primeiro termo da série é zero , portanto esta igualdade pode ser reescrita \[ \sum\limits_{n = 1}^\infty {nx^{n-1} } = \frac{1}{\left(1 - x\right)^2} \] Voltando a derivar cada um dos membros \[ \sum\limits_{n = 1}^\infty {n(n-1)x^{n-2} } = \frac{2}{\left(1 - x\right)^3} \] E mais uma vez \[ \sum\limits_{n = 2}^\infty {n(n-1)x^{n-2} } = \frac{2}{\left(1 - x\right)^3} \] Continuando a derivar obtemos \[ \color{red}\sum\limits_{n = k}^\infty {n(n-1)\cdots(n-k+1)x^{n-k} } = \frac{k!}{\left(1 - x\right)^{k+1}} \] (Fórmula que pode ser confirmada pelo método de indução)
Onde $n(n-1)\cdots(n-k+1)={}^{n}A_k$ é a conhecida fórmula para arranjos de $n$ $k$ a $k$
Dividindo ambas as expressões por $k!$ obtém-se \[ \color{blue}\sum\limits_{n = k}^\infty {\left(\begin{array}{l} {n}\\ {k} \end{array} \right)x^{n-k} } = \frac{1}{\left(1 - x\right)^{k+1}} \] Fazendo as mudanças de variáveis $N=n+1$ e $K=k+1$, esta igualdade converte-se em \[ \color{green}\sum\limits_{N = K}^\infty {\left(\begin{array}{l} {N-1}\\ {K-1} \end{array} \right)x^{N-K} } = \frac{1}{\left(1 - x\right)^{K}} \]

Aplicação à binomial negativa

Diz-se que uma variável aleatória $X$="número de provas de Bernoulli a realizar até se obterem $k$ sucessos" tem distribuição binomial negativa. A função massa de probabilidade desta distribuição é dada por: \[ f_X(x)=P(X=x)= \left\{ {\begin{array}{l} {\left( {\begin{array}{l} {x - 1} \\ {k - 1} \end{array}} \right)p^k (1 - x)^{x - k}\text{ } x = k,k + 1,k + 2...} \\ {0,\text{caso contrário}} \end{array}} \right. \] Assim sendo \begin{eqnarray*} {E(X)}&{ = }&{\sum\limits_{x=k}^\infty {x f_X(x)}}\\ {}&{=}&{\sum\limits_{x = k}^\infty {x\left( {\begin{array}{l} {x - 1} \\ {k - 1} \end{array}} \right)p^k (1 - p)^{x - k} }}\\ {}&{ = }&{\frac{{p^k }}{{\left( {k - 1} \right)!}}\sum\limits_{x = k}^\infty {\frac{{x!}}{{\left( {x - k} \right)!}}(1 - p)^{x - k} }}\\ {}&{ = } & { \frac{{p^k }}{{\left( {k - 1} \right)!}}{\color{red}\sum\limits_{x = k}^\infty {^x A_k (1 - x)^{x - k} }}}\\ {}&{ = }& {\frac{{p^k }}{{\left( {k - 1} \right)!}}{\color{red}\frac{{k!}}{{\left( {1 - \left( {1 - p} \right)} \right)^{k + 1} }}}}\\ {}&{ = }& {\frac{k}{p}} \end{eqnarray*} A função geradora de momentos é \begin{eqnarray*} {M_X (t)}&{ = }&{ E\left( {e^{tX} } \right) }\\ { }&{ = }&{\sum\limits_{x = k}^\infty {e^{tx} f_X(x)}}\\ { }&{ = }&{\sum\limits_{x = k}^\infty {e^{tx} \left( {\begin{array}{l} {x - 1} \\ {k - 1} \end{array}} \right)p^k (1 - p)^{x - k} } }\\ {}&{ = }&{\sum\limits_{x = k}^\infty {e^{tx - tk} \left( {\begin{array}{l} {x - 1} \\ {k - 1} \end{array}} \right)e^{tk} p^k (1 - p)^{x - k} }}\\ {}&{ = } &{\sum\limits_{x = k}^\infty {\left( {\begin{array}{l} {x - 1} \\ {k - 1} \end{array}} \right)\left( {e^t p} \right)^k \left( {e^t \left( {1 - p} \right)} \right)^{x - k} } } \\ {}&{ = } &{\left( {e^t p} \right)^k {\color{green}\sum\limits_{x = k}^\infty {\left( {\begin{array}{l} {x - 1} \\ {k - 1} \end{array}} \right)\left( {e^t \left( {1 - p} \right)} \right)^{x - k} }}}\\ {}&{ = }&{\left( {e^t p} \right)^k {\color{green}\frac{1}{{\left( {1 - e^t \left( {1 - p} \right)} \right)^k }}}}\\ {}&{ = }&{\left( {\frac{{e^t p}}{{1 - e^t \left( {1 - p} \right)}}} \right)^k} \end{eqnarray*} Com esta função pode-se calcular \[ E(X^2 ) = \lim_\limits{t\to 0} \frac{{d^2 }}{{dt^2 }}\left( {\frac{{e^t p}}{{1 - e^t \left( {1 - p} \right)}}} \right)^k = \frac{{k\left( {k - p + 1} \right)}}{{p^2 }} \]

\begin{eqnarray*} {\frac{d}{{dt}}\left( {M_{X(t)} } \right)}&{ = }&{\frac{d}{{dt}}\left( {\left( {\frac{{e^t \cdot p}}{{1 - e^t \cdot \left( {1 - p} \right)}}} \right)^k } \right)}\\ {}&{ = }&{k\left( {\frac{{e^t \cdot p}}{{1 - e^t \cdot \left( {1 - p} \right)}}} \right)^{k - 1} \frac{d}{{dt}}\left( {\frac{{e^t \cdot p}}{{1 - e^t \cdot \left( {1 - p} \right)}}} \right)} \\ {}&{ = }&{ k\left( {\frac{{e^t \cdot p}}{{1 - e^t \cdot \left( {1 - p} \right)}}} \right)^{k - 1} \frac{{e^t \cdot p\left( {1 - e^t \cdot \left( {1 - p} \right)} \right) + e^t \cdot pe^t \cdot \left( {1 - p} \right)}}{{\left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^2 }}} \\ {}&{ = }&{k\left( {\frac{{e^t \cdot p}}{{1 - e^t \cdot \left( {1 - p} \right)}}} \right)^k \frac{1}{{1 - e^t \cdot \left( {1 - p} \right)}}}\\ {}&{ = }&{\frac{{k \cdot e^{kt} \cdot p^k }}{{\left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^{k + 1} }}} \end{eqnarray*} Passemos à segunda derivada: \begin{eqnarray*} {\frac{{d^2 }}{{dt^2 }}\left( {M_{X(t)} } \right)}&{ = }&{\frac{d}{{dt}}\left( {\frac{d}{{dt}}\left( {M_{X(t)} } \right)} \right)}\\ {}&{ = }&{ \frac{d}{{dt}}\left( {\frac{{k \cdot e^{kt} \cdot p^k }}{{\left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^{k + 1} }}} \right)}\\ {}&{ = }&{\frac{{k^2 \cdot e^{kt} \cdot p^k \left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^{k + 1} - k \cdot e^{kt} \cdot p^k \left( {k + 1} \right)\left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^k \left[ { - e^t \cdot \left( {1 - p} \right)} \right]}}{{\left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^{2k + 2} }}}\\ {}&{=}&{\frac{{ke^{kt} p^k \left[ {k\left( {1 - e^t \cdot \left( {1 - p} \right)} \right) + \left( {k + 1} \right)\left( {1 - p} \right)e^t } \right]}}{{\left( {1 - e^t \cdot \left( {1 - p} \right)} \right)^{k + 2} }}} \end{eqnarray*} Finalmente: \begin{eqnarray*} {E(X^2 )}&{ = }&{\lim_\limits{t\to 0} \frac{d^2 }{dt^2 }\left( M_{X(t)} \right)}\\ {}&{=}&{\frac{{kp^k \left[ {k\left( {1 - \left( {1 - p} \right)} \right) + \left( {k + 1} \right)\left( {1 - p} \right)} \right]}}{{\left( {1 - \left( {1 - p} \right)} \right)^{k + 2} }}}\\ {}&{=}&{\frac{{kp^k \left( {kp + k - kp + 1 - p} \right)}}{{p^{k + 2} }}}\\ {}&{ = }&{\frac{{k\left( {k - p + 1} \right)}}{{p^2 }}} \end{eqnarray*}
E daqui \[ Var(X) = E\left( {X^2 } \right) - E\left( X \right)^2 = \frac{{k\left( {k - p + 1} \right)}}{{p^2 }} - \frac{{k^2 }}{{p^2 }} = \frac{{k\left( {1 - p} \right)}}{{p^2 }} \]
PS:
  • Eu nunca tinha feito isto antes. Em caso de gralhas ou erros, eu vou acabar por corrigir, mas podem contactar-me.
  • Obviamente, existem outras formas de fazer algumas destas coisas... eu sei onde pode ver algumas. Por exemplo, posso sugerir o capítulo 4 da primeira edição do livro Introdução à Probabilidade e à Estatística , de Dinis Pestana e Sílvio Velosa — estou a sugerir a primeira edição porque no dia em que escrevo isto é a que está à minha frente!

31/01/2019

Uma mente diferente...

Recentemente, uma explicanda trouxe-me o problema: \[ \left\{ {\begin{array}{l} {u_1 = 3} \\ {u_{n + 1} = u_n + 2n, \text{ se }n > 1} \end{array}} \right. \] Qual o valor de $\displaystyle\sum\limits_{n = 1}^{100} {u_n}$?
Respondi imediatamente que esse problema estava fora do programa da disciplina dela, mas que podia resolvê-lo na boa, e sem calculadora!
Como estava fora de questão recorrer aos meus conhecimentos de equações com diferenças, tive de ser criativo.
\begin{eqnarray*} {u_1}&{=}&{3}\\ {u_2}&{=}&{3+2}\\ {u_3}&{=}&{3+2+4}\\ {u_4}&{=}&{3+2+4+6}\\ {u_5}&{=}&{3+2+4+6+8}\\ {u_6}&{=}&{3+2+4+6+8+10}\\ {...}&{...}&{...}\\ {u_n}&{=}&{3+2\cdot\frac{(n-1)n}{2}=3+(n-1)n} \end{eqnarray*} Justifiquei-lhe o último passo com a fórmula da soma dos primeiros $n$ termos de uma progressão aritmética.
Para o passo sequinte, o cálculo do somatório, tive de ser um pouco mais criativo.
Comecei por escrever \[\sum\limits_{n = 1}^{100} {u_n}=\sum\limits_{n = 1}^{100} {\left(3+(n-1)n\right)}=300+\sum\limits_{n = 1}^{100} {n^2}-5050\] Justifiquei convenientemente os números $300$ e o $5050$, contando a famosa história de Gauss.
Mas para o somatório dos quadrados, não me lembrava da fórmula de cor, embora me apareça regularmente em exercícios de indução. Sabia deduzi-la com equações com diferenças, coisa que eu tinha de evitar porque a explicanda desconhecia.
Mas ao olhar para o papel quadriculado, ocorreu-me a fórmula: \[\sum\limits_{n = 1}^{100} {n^2}=100\times1+99\times 3+98\times 5 + ... + 1 \times (200-1) = \sum\limits_{n = 1}^{100} {(101-n)(2n-1)}\] Consegue percebê-la sem eu partilhar um desenho?


E agora, com este desenho?
Se fizermos $S=\displaystyle\sum\limits_{n = 1}^{100} {n^2}$, a fórmula anterior consegue reescrever-se na forma \[S=-2S+\sum\limits_{n = 1}^{100} {203n}-101\times 100 \] Que nos leva a $3S=1015050$ (número curioso) e portanto $S=338350$.
Logo \[\sum\limits_{n = 1}^{100} {u_n}=300+338350-5050=333600\] Ao que ela respondeu-me: "Percebi, mas não deve ser para resolver assim."
PS: Quando se foi embora, escrevi um programa na calculadora que confirmou a minha solução...