probabilidade: um curso em nivel : barry r james 2 intermediario x 2 Ss EQ os biel 5 ci Ef Oy Ss s 3 3 2 iS QCopyright © 2010 by Bary R,James Diretos reservados, 2010 pela Associagdo Instituto "Nacional de Matematica Pura ¢ Apliala -IMPA, Estrada Dona Castorna, 110 22460-320 Rio de Janeiro, RI Inmpesso no Basi Printed in Brazil Capa: Noni Geiger Projeto Euetides Comissdo Eaitorial: Elon Lages Lima S. Collier Coutinho Paulo Sad Volume 1 = Elon tages hina + Medida e itegragio «Pedro Jesus Fernand + Aplicapdes da Topotogiat Analise ~ Chain Sanel Henig + Bspagos Méricos - Alon Lages Lia + Anilise de Fourier ¢ Equagdes Difereneiais Parcinis- Dro Guedes de Figucineda Introugo 20s Sistemas Dindmicos - Jacob Palis nor e Wellington €. de helo Introdug & Algebra -Adilson Goncates Aspectos Teéricos da Comput Ison Siow, Janos Sinton € Tom = Clio L, Lach, Imre Sinan, Katto + Teoria Geometric di Folhegptes = cdes Lins Neto € César Cama + GeomeriaRiewannins = Manprdo Po Carmo + Lies de Equades Difereneits Orsini - Jorge Sotomayor + Prohaildae: Um Curso em Nivel Intermediio = Bary dames + Curso de Anise, Volume 2» Elon Lies + Teoria Ergiiea Ricardo Mai + Teoria dos Nimes Alege - Qa Endler + Operators Auta Adjinose Eggs Difrenciis Pavia - Javier Thayer + Equaes Diteeniis Prins: Uma nodugio- Roel Jrio Varta Iria Algebra: Um Curso de Introugio ~ Aral Leite Greta e Ives Albert. Lequain Grupo Fundamental e Espapos de Recobrimento- Elon Lages Lima FungSes de uma Varivel Complexa»Aleides Lins Neto Elementos de Algebra -Avnalio Garcia e Yves Leguain IntrodugBo & Geometia Anaitica Complexa - Marcow Sebastian’ ‘Curso de Teoria da Media - Augusto Armano de Castro imor Introdupdo Teoria da Medida = Caras oman Introdufao Teoria de Controle e Programagao Dinimica - Johann Rauneisier ¢ Antonio Leto Hoy gia Bisica~Elow Lages Lina Disiribuigt: IPA Estrada Dona Castorna, 10 22460.320 Rio de Jairo, RI ‘email dieimpa.be psww.impa br A minha esposa Kang She walks in beauty, like the night Of cloudless climes and starry skies: ‘And all that’s best of dark and bright ‘Meet in her aspect and her eves: ‘Thus mellowed to that tender light Which heaven to gaudy day denies, ‘One shade the more, one ray the less, Had balf impaired the nameless grace ‘Which waves in every raven tress, Or softly lightens o'er her face; ‘Where thoughts serenely sweet express How pure, how dear their dwelling-place. that brow, So soft, so calm, yet eloquent, ‘The smiles that win, the tints that glow, Bat tell of days in goodness spent, ‘A mind at peace with all below, ‘A byeatt whose love is innocent! George Gordon, Lorde ByronPreficio Contetido indice de Notagses Capitulo 1 Definigdes Basicas. gut gL, §13. fl Modelo matematico para urn experiemento (inodelos probabilisticas) Probabilidade eondicional Tndepencléncia Exoreieios Capitulo 2 Varidveis Aleatérias.... pa. yp pa 24 425, 26. fa. R28, §29, Capitulo 3. Esperanga Mater 391. 32. ja. ie. Variéveis aleatérias e fungoes de distribuigiio is aleatérias| "Tspos de vari Cc A disteibuigio de ua variével aleatéria Votores aleatérios Independéncia 2 Distribuigio de fungdes de varidwei (0 método do jacobiano Observagies adicionais ~ varidveis ¢ vetores aleatérios Exereicios e votores aleatérios Preliminares: a integral de Stieltjes Esperanga Propriedacdes da esperanga Esperancas de fancies de varisveds aleatérins 1 a uM 18 7 100 100 107 15 19§35. Momentos .....--sesesseesseees 83.6. Bsperangas de fungdes de vetotes aleatérios 83.7. Teoremas de convergéncia . 528. Bxercicios §4.1. Distribuigto condicional de X dada ¥ diserota $4.2. Disteibuigio condicional de X dada Y: caso geval §4.3, Definigées formais ¢ teoremas de existéncia S44, Exemplos 445. Esperanga condi $4.6. Bxorcicios jonal Capitulo 5 A Lei dos Grandes Nimeros... 5.1. Introdugio As Leis Fraca e Forte dos Grandes Némeros ... 85.2. Seaiiéncias de eventos ¢ o Lema de Borel-Cantelli $5.3, A Lei Forte $5.4, Bxercicios Capitulo 6 Fungies Caracteristicas e Convergéncia em Distribuicio 6.1. Fungoes earacteristicas $6.2. Converggéncia em distribuigio ........ §6.3. Fumgio caracteristiea de um vetor aleatério 46.4. Observagdes e complementos $6.5. Exereicios Capitulo 7 © Teorema Central do Limite 12 128 135 139 46 46 156 163 167 A115 182 191 101 §7.1. 0 Teorema Central do Limite para seqiiéncias de varidveis aleatérias 265 87.2. A distribuigio normal multivariada : 97.3. O Teorema Central do Limite ~ caso multivariado $7.4. Exereicios Referéncias fndice Alfabético . Prefacio “Le calcul des probabilités n'est aut fond que le bon sens réduit au calcul”. Laplace A. Ao leiton © presente volume € oferencido para uso em cursos de Probabilidade em nivel “ntermedidrio”, que devia ser entendido como o nivel entre um curso elementar de Introdugao & Probabilidade e um curso mais avangado que trata de Probabili- dade com base nia Teoria da Medida e Integragio. O material aqui apresentado tem sido usado varias vezes em disciplinas de Probabifidade em nivel de inicio de Mestrado, mas também poderd ser usado em nivel de graduagio se alguns ‘assuntos de natureza mais técnica forem pulados. (Tais assuntos sio indicados ro texto pelo aviso que podem ser omitidas “em uma primeira Teitura”.) rodutirio, embora eventualmente poss ser uum nos livros de Introdug Este livro nto pretende ser uusado como tal. Porexemplo, um assunto muito cu A Probabilidade, ¢ que ni seri considerado aqui, é a teoria combinatéria. E ferfvel, mas nao necessirio, que o leitor ja tenha alguma nogao das distribuigdes sadas na contagem de permutagbes, combinagbes, etC., Uma boa diseussio des- em inglés) ow diseretas clissieas bas tais como a binomial, hipergeométrica e multinomis sas distribuigées pode ser encontrada em Breiman ([6], p. 19-3 Feller ({8}, traduzido para 0 portugues), Para se per acompanaro texto deste live, 0s eas preregusitos so um curso de Caleuto Diferencal e Integral e alguna familardade com conetos bsicos de conjuntos e fungoes. F bom que 0 litor saba lidar com ui = de conjuntos, e conheca os conceitos de imagem infimo de um conjunto © eventual Tacuna na Iniersegdes e complementar inyersa de um Conjunto por uma fungo, supremo € Fimite de uma seqiéneia de nfimeros reais, Em caso de ut formagao do leitor nesta érea de Anilise, recomenda-se uma consulta wo Fivro Curso de Andilise (Volume 1), de Elon Lima [14], L& se pole achar, também, Uefinigdes ¢ discussdes de outros conceitos analticas que aparecem de vez. em{quando aqui, tais como o limite superior de uma seqdéncia de nimeros reais, owe integral de Riemann. Além disso, integrais miltiplas entramem jogono Capitulo 2, ¢ sera bom se alé 0 §2.7 0 leitor ja tiver ouvido falar na matriz jacobiana e derivadas parcais, cuja definigao poderd ser enconteada em qualquer bom texto de Céleulo Avangado, Finalmente, nos pardgrafos 7.2 e 7.3 usamse alguns conceitos elementares de Algebbra Linear; em particular, € preciso conihecer as regras de multiplicago de matrizes e vetores. Em caso de qualquer divida que surgit sobre o signfiicado de um simbolo uusado no texto, o Ieitor deverd consultar a lista de simbolos € notagdes que aparece no final do livro. Procurei fazer uma lista completa, mas se persist 4 duivida, € recomendivel consultar os livros, citados acima, de Lima [14] ou Feller [8]. (A tinica diferenga importante entre a notagio de [14] e a presente, & ‘que aqui o complementar de um conjunto A é representado por A®.) Como & sempre 0 caso com livros de Matematica deste nivel, as listas de exereicios sao parte importantissima do livro. Hii grande niimero de exereicios Puramente computacionais, para ajudar 0 leitor a se treinar no céleulo basico de probabilidades. Hi muitos exercicios que estendem e desenvolvem idéias abordadas no texto, e alguns outros que introduzem idéias io consideradas Os exercicios estao arranjados por seco, e de um modo geral os problemas foram colocados na ordem que achei mais conveniente para sua resolugao posterior Mas esta regra nao foi seguida com muita fidelidade, e recomendo que o leitor a0 ‘menos leia todos os exercicios quando chegar ao final de cada sega, resolvendo ‘om seguida os que ele achar mais interessantes, Sugestées foram incluidas com os exereicios que consider seo em que se encontram, asi dificeis, ou como os que fogem ao nivel da B. Aa professor © material no livro é mais que o suficiente para um curso de semestre. No IMPA, o curso de Probabilidade € de quatro meses c, cada vez que foi usada a apostila precursora deste livro, sentiu-se a necesssidade de correr no final para abordar todos os assuntos aqui presentes. Capitulos 1, 2 ¢ 3 formam a base do livro e podem ser feitos em mais ou menos a metade de um perfodo. Muitas demonstragdes nos Capitulos 5 e 6 siio tenicas € poderio ser omitidas. Os Parigrafos 6.3, 7.2 € 7.3 constituem um assunto especial ~ parte da Esta Multivariada — que poderd ser omitido ou até condensado para aprsentagi ‘uma aula no final do curso, # © Capitulo 4 & muito mais extenso do que costuma ser 0 tratamento de distribuigio e esperanga condicionais em textos da Teoria da Probabilidade. Em ‘caso de tempo exiguo, esse capitulo poder’ ser abreviado, pois consiste, na maior parte, em exemplos. Mas seré bom se o aluno terminar o capitulo com, pelo ‘menos, uma boa idéia intuitiva do princfpio da preservagao de chances relativas, pois assim ter condigdes de lidar no futuro com aplicagées de condicionamento, {que & da maior importincia nas dreas de Confiablidade, Processos Estocisticos ¢ Estatistica (tanto Bayeasiana quanto Nao-Bayeasiana). Quanto aos prerequisitos, quero enfatisar que no & necessério que o aluno tenha conhecimentos da Teoria da Medida e a integral de Lebesgue para poder acompanhar o livro. A esperanga matematica de uma varidvel aleatéria € tratada utlizando-se da integral de Stieltjes, cuja definigo e propriedades so abor- dadas no §3.1. A integral de Lebesgue é mencionada apenas em observagdes. Distribuigio e esperanga condicionais s20 tratadas em plena generalidade, ou seja, sem a restrigo 20s casos simples que costumam ser tratados em Ii ros de Introdugo a Probabilidade, Mas 0 enfoque adotado € 0 que chega as definigBes partindo da consideragio de limites de probabilidades condicionais. {A relagio entre este tratamento mais intuitivo e a abordagem de Probabilidade ‘Avangada, que utiliza Teorema de Radion-Nikodym, éformalizada no §4.3 (esta formalizagao poderd ser omitida, como € indicado no texto). C. Uma nota sobre terminologia Durante o processo de escrever este livro, esbarrei freqiientemente no problema de terminologia. Como o portugués no é minha Iiagua natal, procurei ser fiel ao idioma a0 méximo possivel. Mas descobri varios conceitos que, embora representados por uma palavra ou frase em outraslinguas, possufam mais de uma versio aqui no Brasil. Era, por exemplo, o caso de “esperanga’”e “expectincia’ para indicaramédia de uma varisvel aleatria, Precise entlo, fazer uma escolha, Gostaria agora de explicar minha escolha em ts casos, (1) Parece-me que a palavra “expectincia” surgiuem portugués como traducdo do inglés “expectation”. Porém, a palavra usada em espanhos é “esperanza” ¢ em frane@s & “espérance”, esta dltima sendo usada desde, pelo menos, 0 séeulo 18, Portanto, optei por “esperanga”. (2) Resolve usar o adjetivo “condicional” em vérios lugares em que também se usa “condicionada’, a saber, em “probabilidade condicional”, “distribuigiocondicior 1" e “esperanga condicional”, Escolhi assim porque quando corre um evento, si0 econ de outros eventos e valores de varidveis aleatd que estao sendo diretamente afetados (i.c., condicionados), decorrendo dai as modlificagses nas probabilidades, distribuigdes e esperangas através das respect: vas definigdes, Portanto, preliro“condicional”, mas talverseja mais uma questiio de gosto. (3) Primeiro, considermos um exemplo do problema: na expressio de vaca puro”, € bvio, pela eoncorain vaca, Mas em espanhol, onde “leche” ¢ feminina, a expresso seria altamente ambigual, Temos o mesmo problema em portugues com a expresso “Teorema, do Limite Central”, atualmente muito usado no Brasil. Assim como estd, esta frase da nitida impressiio de que é o limite que seja central, o que na realidade nijo faz sentido, Por isso, optei pelo uso de “Teorema Central do Limite”, para obre o que seja central, a, que ndo estamos opiniando sobre a afastar qualquer d Central Lim mi”, 6 também BE ineressante que a frase em ings, Theo altamente ambigua,e acho questo explica a tradugo de uso corente no Basi (Ovorre qu a origcm da expresso foi, aparentementc, oalemo eno o ings De fato, a expresso € freqlentementeavibuida a Polya, que usow a fase “der zentale Grenzwertsatz”, ie, 0 “central” refere-se ao “teorema do limite D. Agradecimentos. Este livro surgiu de notas de aulas usadas no curso baisico de Probabilidade do programa de Mestrado em Matemética Aplicada do IMPA. Um curso mais ou menos parecido com presente livro foi dado pela primeira vem em 1976, € desde enti as notas ¢ a apostila resultante foram sendo modificadas de ano em fano, alé chegarem a seu estado atual, que é este livro, Dei 0 curso ts vezes neste perfodo, ea apostia foi usada também por meus colegas Pedro J. Femndindez Ricardo Frischtak, no IMPA, e Annibal Parracho Sant’anna, no Instituto de ‘Matemética da UFRJ. Sou muito grato eles pelos seus comentarios e sugestOes. As versdes semifinais do manuserito foram cuidadosamente lids por Maria Eulilia Varese Sergio Wechsler. Fizeram muitas sugestées para melhorar a apresentag3o do texto € contribuiram ao livro com virios exercicios, Além disso, conseguiram corrigir grande ntimero de erros de portugués, ao mesmo do idioma, A eles, minha profunda gratidio. A \da restantes smpo ajeitando a minha ver prpésito, devo dizer aqui que os errus de portuguts 3 exclusivamente da responsabilidade do autor. Este livro nto poderia ter acontecido sem 0 apoio € incentivo eonstante ‘dos meus colegas do IMPA. Estou especialmente obrigado a Djalma Pessoa, Elon Lima ¢ Ruben Klein, niio somente pelo apoio recebido, mas também pela insisténcia deles de que o livro saisse © mais ripido possivel Grande contribuigio foi dada pelas varias turmasde alunos do IMPA, de suas perguntas, dividas, observagdes e, de modo geral, o “feedback” que de- ram em aula, Eles até emprestaram suas notas ¢ eadernos para ajudar a escrever ugués. Nao dé para citar todos 0s nomes aqui, Mas a to- mitir os meus ‘4 apostila em por dos 0 alunos ~ ¢ 10s assistentes (monitores) ~ gostaria de tr agradecimentos especiais. Finalmente, chego & pega chave do livro: a minha esposa e colega, Kang, Descobri nestes tiimos meses que 0 processo de escrever um livro envolve muito mais tempo e trabalho que eu pensava. E foi ela que teve a paciéneia de agilentar tudo isso, inclusive abrindo mio de qualquer descanso durante os foriados de dezembro para me ajudar. Ela leu varios capitulos com cuidado, fez imuitas sugestfes boas, e passou a limpo a maior parte da apostila, Pela ajuda, pela paciéncia e pelo sacrificio, minha gratidao para com ela nao tem limite. Rio de Janeiro, maio de 1981 Barry JamesO simbolo “ 9 R a A A-B PO) 0,1) B Re a P(A) An le Ant A,An | A P(AIB) Jog. 1(= lope ) lim sup liminf Ap, tim An, 4A IX 15; © = “1¥ coordenada do ponta escothidto & maior que a 2°”. segdo 11 Modelo matemtica para umn exparimento (modelo probsblistico) 3 Figura 1 Figura 2 Sew ~ (2,y) for resultado do experimento, w ser favorivel 20 evento A se,e somente se, 22 + 1? < 4, send favorivel a C se, e650, 2 > y. Nenhum resultado sera favorivel a B. Logo temos: A= (x,y) en: Vere 5h (Figura 1); B= 2 ~ conjunto vario C={(a,y) €:2 > y) (Figura 2). ado a um, Entio, todo evento associado a este experimento pode ser identi subconjunto do espago amostral 2. Reciprocamente, se A for um subconjunto qualquer de 0, ic. A CO, endo sera conveniente identificar A e 0 evento “resultado do experimento pertence aA” Chegamosa seguinte definigZo, que adotaremos no caso geri inclusive nos casos em que utilizamos um espagoamostral maior que oestrtamente necessirio: Definigéo La. Seja 00 espago amostral do experimento, ‘Todo subeonjunto AC Qt sera ehamado evento, 60 evento certo, & 0 evento impossivel, Se WEN, oevento {uv} € dito elementar (ou simples). Observaciio. As ve7es, identificamos o evento {w} (= “resultado do experimento €w") 60 ponto.w. Como, por exemplo, na indicagio Pw) = P(s}) bom saber traduzira notagdo de conjuntos para Hinguagem de eventos: AU B éo evento “A ou B”, ANB = “Ae B™, AS i 2 © evento AP se, e somente se, nido acorre o evento Ay: AC B significa: a ‘corréneia do evento A implica a acorréncia do evento 2; AM B = 2 signifies: Ae 1 sio eventos mutuamente exclusivos ou incompativeis. (Para um exercicio sobre essa linguagem, veja 0 exercicio 1.)4. Detnigdee Bésicae ap.4 A esta altura € razodvel perguntar: a que eventos vamos atribuir proba bilidade? Consideremos noyamente © experimento 1, ¢ seja A um evento, ie., AC 2. Eevidente que podemos atribuir probabilidade a A pois estamos jogando ‘um dado equilibrado. De fato, definimos: HA __nsimero de resultados favoraveis a A PUA) = “G- = ~ imero de resuliads possiveis Esta € a definigdo elissica de probabilidade quando 0 é finito, e baseia-se ndiferente Jogo definimos P(i) ~ para experimento I, nossa resposta é que todo evento teri ‘uma probabilidade. Consideremos agora o experimento 3 (escolher um ponto ao acaso no cireulo lunitério). Aqui “ao acaso” sera interpretado assim: dois eventos tém a mesma probabilidade se, © somente se, eles tém a mesma sirea. (Essa probabilidade & chamada geométrica. Veja Gnedenko [13], §6,) Essa interpretagao conduz, definigao, para Ac, frea A _ area A feat Acontece que nem todo subconjunto de & tem uma érea bem defini, ic., nem todo evento tem uma probabilidade. (De fato, segundo um teorema profundo da Teoria da Medida: no se pode detinit P(A) para todo Ac 9 de modo que P(A) = (Grea A)/x para todo A cuja érea e bom defini; ic, mio podemos estender a definigio de P(A) para todo evento de modo a satistazer os axiomas usuais, ue sero vistos mais adiante, A prova disto depende do Axioma da Excolha, (Veja Durret [9], p410.) Vamos, entio, atvibuir probabilidade somente aos eventos cuja ‘rea estiver bem definida, Tais {eventos serdo chamados eventos aleatSrios PA) se dea A estiver bem defi Definisio 1.2. Um evento A a0 qual atribuimos uma probabilidade ser chamado evento aleatbrio. Na pritica, o fato de nao podermos atribuir probabilidade a todo evento no ‘nos causard problemas. No experimento 3, por exemplo, obviamente ¢ suficiente restringir a nossa atengio aos conjuntos com rea bem definida, pois os conjuntos sem dea definida nunea surgem na pritica (de fato, 6 impossfvel visualizar um tal conjunto). ‘Vamos supor, contudo, que a classe dos eventos aleatérios possuia certas um (modelo probabitisico) 5 ‘sep 14 ‘Modelo matemstico para um experimanto (modelo probabiistico) és a 1.0 desenvolvimento jedades bisicas e intuitivas, que serio essenciais pa reer daerine Jo cllealode pobbiliads.Indcando com Aa clase dos Prentos aleatérios, vamos estipular as seguintes propriedades para A AL. A (definitemos P(O) A2. Se A€ A,entdo AS € & (Eevidente que definiremos P(A‘) = 1~ P(A). AB. SeA Ae BE A endo AUB € A Ge, se atribuirmos uma probabilidade a A e outra a B, entio atribuiremos uma probabilidade a “A ow BY). Em outras palavras, vamos supor que A seja uma dlgebra de eventos: Definigéo 1.3. Seja © um conjunto no-vazio. Uma classe A de subconjuntos de satisfazendo Al, A2 ¢ A3 € chamada dlgebra de subconjuntos de 2. Proposigéo 11. Seja A uma dlgebra de subconjuntos de 9. Entdo valem as ‘seguintes propriedades: Ad. aehe AS. Yn VAs... +n € A, femos Ape Ae |) AeA Esta proposigao diz. que uma figebra ¢ fechada para um némero finizo de aplicagdes das operagdes.U, 9, €%. Prova. Ale A2 implicam Ad, Para AS, temos A3 =+ A) U Az € A+ (ALU Ag)U Ay € A= UA; € A, por indugio. Pert Ses fla-(Uas) aplicar sucessivamente A2, a parte j& provada de AS e, novamente, A2. 0 (Exercicio. Demonstre que A 6 também fechada para diferengas,ie.,se A € A eBeA,ento A~ BA, onde A~ B= ANB) Sem perda de generalidade (veja a segunda observagio a seguir), vamos supor que a classe dos eventos aleatrios também satistaga:8 otingbes Bistene cop. 1 semao U An eA, AB. Se An € A para n icdo 1.4. Uma classe A de subconjuntos de um conjunto niio-vazio £2 satis- fazendo Al, A2e Ad’ € chamada o-dlgebra de subconjuntos de {2 Observagées. (I} Uma o~ilgebra é sempre uma dlgebra, pois A3 & conseqiiéneia de A3!, ji que AUB = AU BUBUB... € Ase A€ o-dlgebra. (2) Podemos supor, sem perda de generalidade, que A é uma 2-dlgebra em ver de flgebra, pelo Teorema da Bxtensio de Carathgodory (vide Durrett [9}, p.A00 ¢ 403), Este teorema da Teoria da Medica garante que uma probabitidade definida em uma ilgebra, ¢ de acordo com os axiomas usuais, pocle ser estendida de uma tiniea maneira para a a-ilgebra gerada pela digebra. (Para entender 0 significado de “a-dlgebra gerada pela dlgebra”, veja o exercicio 6.) (3) Em inglés, usa-se as veres o termo “field” (corpo) no lugar de “algebra” © “a-field” no lugar de “o-algebra”. Para o tradutor de Gnedenko (veja [13)), ‘bra é “Borel field”. Em francés, & “tibu’ Proposigio 1.2. Seja A wna o-cilgebra de subconjuntos de Q. Se Ay, An... A, entdo f\ Ane A. Prof) an= (0 a8) 0 Pees die, eno, que uma -geba & fechada pa um nimero er ‘merdvel de aplicagies une Exemplas (de o-dlgebra de eventos aleatérios). (D Caso disereto, Se 0 for finito ou enumerivel, entio A sera (usualmente) a ‘o-flgebra de todas as partes de 9, ie., A = P(Q). Por exemplo, no experimento I, onde 2 = {1,2,3,4,5,6), temos A= PD) = (0, {1),(2),--- {6}, (1,2) --- 9). Acclasse A tem 2° = 6 elementos, de modo que ha 64 eventos aleatsirios axso- ciados aeste experimento, No caso fini pera, se @ tem n elementos, P(2) tem 2", Oleitor deveria se convencer do fato de P(2) ser uma o~ilgebra, verificando AL AZe AY’ (2) Caso continuo. Consideremos 0 segéo 14 Mordolo materntico para um experiments (modelo probabilitico) Experimento 4, Selecionar, ao scaso, um ponto do intervalo (0, 1}. Aqui, ® [0 1)e A — todos os subconjuntos eujo comprimento esteja bem definido. Quem di esses conjuntos? Consideremos primeiro unides finitas de imtervalos e seja ‘Ay = {AC [0,1]: A 6 unio finita de imtervalos }. Notemos que Ay €dlgebra, pois 2 © Ay, se A © Ap entio AP também é unio finita de intervalos, A3 € trivial. Oconjunto vazio 2 eoevento clementar {«}, ondew € (0, 1}, serio interpretaclos como intervalos degenerados de comprimento 0, portanto serio elementos de Ao. Mas ito nio & algebra, pois niio contém toda unido enumerdvel de intervalos, ‘como teria que conter se Fosse o~dlgebra, Por exemplo, 0 evento A= (05) 0(83) oC) uo (ita) neravel de intervalos mas obviamente no & unio finita. Entio 10s aleatérios seri maior e mais complicada que Ao. Al bem claro que A é um evento aleat6rio, pois seu comprimento pode ser definido somando-se 0s comprimentos dos intervalos componentes, fazendo com que 6 unio em a classe de ev comprimento (A) = 1 = P(A). ‘Outro evento que nao pertence a Ap, mas euja probabilidade pode ser defi- niida, & 0 conjunto dos racionais, (7 € [0,1] :r racional}. Qual a probabilidade de selecionar um ntimero racional? F claro que 0 € 0 tinico candidato para 0 ccomprimento do conjunto dos racionais, pelo seguinte argument ‘Sejam r,,r2,... 08 racionais em (0, 1}.¢ seit Ap o intervalo aberto de centro Tn € comprimento ¢/2", onde © > 0. F Ba (rn:n=12.--)¢ UJ Am © comprimento do conjunto dos racionais satisfaz eeripiimenlo(B) = eiaapeimenes (U 4n) < Y comprimento (An) = > = Como o comprimento de H & menor que ou igual a, para todo = > 0, ele 6 igual a zero. (Um argumento altemnativo: como B é unido enumerivel dos intervalos degenerados disjuntos {7}, todos de comprimento zero, 0 com Primento de 1 6 a soma dos comprimentos dos componentes, ou seja, compri mento (F) = 0.)8 Detinicbes Bisicas Cop. 1 Os eventos A e B acima so unides enumeriveis de intervalos e, portanto, pertencem a toda o~Algebra que contém os intervalos. Neste livro, nossa o- “Algebra de eventos aleat6rios para o experimento 4 serd a a-algebra gerada pe- Jos intervalos, ie., a menor o-élgebra que contém todos os intervalos (veja 0 exercicio 6). Esta o-Algebra € chamada o~dlgebra de Bore! em (0,1) ¢ seus ele- mentos sfio chamados borelianos. Notagao: Bjo,) = {A.C [0,1] A boreliano).. Observago, Vamos indicar com B a o-dlgebra de Borel na reta ie, a menor ilgebra contendo todos 0s intervalos. Os elementos desta o-Algebra so 08 borelianos da reta. Em termos intuitivos, um boreliano é um conjunto que pode ser obtido de um nimero enumerivel de intervalos aplicando-se as operagdes U,1e¢ um nimero enumerdvel de vezes. O conjunto dos racionais, por exem- plo, 6 boretiano por ser unio enumervel de intervals degenerados (pontes). O ‘conjunto dos iracionais também o 6, pois ¢ complementar de unido enumerdvel. (Uma construgao formal dos borelianos pode ser vista em Doob [8}, p.16.) Definigdes © notagdes andlogas valem para dimensdes maiores que um. Por exemplo, 5? é a a-flgebra de Borel no plano R?, ie., a menor o-dlgebra contendo todos os retingulos. A idéia intuitiva de boreliano no plano é a de lum conjunto que pode ser obtido partindo-se de um ntimero enumerével de rotingulos ¢ aplicando-se as operagdes U, Ne © um niimero enumerdvel de vezes. Entre os borelianos do plano encontram-se as regives abertas, porque toda regitio aberta pode ser descrita como unio enumeriivel de retingulos. Alids, todo subconjunto do plano que pode ser desenhado ou visualizado € boreliano, « podemos dizer a mesma coisa sobre os borelianos da reta, do espago, ete No caso de n geral, 8” 6a o-ilgebra de Borel no B®, ie., amenor o-Algebra 0. Axioma 2. P(Q) = 1 Axioma 3. (Aditividade fuita). Se Ay,...,An € & sii disjuntos (2 a 2), ensiio »(U a) -E rey feat (Oseventos so disjuntos, ou disjuntos 2 a2, se so mutuamente exclusivos, ic. A\NAj = 980i 45.) Observagies. Como A\U Agu A mostrar que o Axioma 3 esti sat n= 2, (A,UA2)U Ay, podemos usar indugio para feito (para todo m) quando esta satisfeito para Uma fungio P satisfazendo Axiomas 1, 2 € 3 € chamada probabilidade Jinitamente aditiva. Embora alguma coisa tenha sido feita com tais probabili- dades (veja, por exemplo, Dubins e Savage: How to Gamble if You Must), & ‘matematicamente mais conveniente supor ¢-aditividade: Axioma 3’. (o-aditividade). Se Ay, As,... ¢ A sdio disjuntos (i.e, mutuamente10. Dotinigdes Bisicas cap. 4 cexelusivos), entdio P (G an) D3 P(Ay). Proposigio 13. O Axioma 8 implica o Axioma 3, ie., se P é o-aditiva, entiio é Jinitamente aditiva. Prova. Suponhamos stisfeito 0 Axioma 3, ¢ sejam Ay,... Ay € A disjuntos. Notemos i P{Q) = PQQUBLBU...) = P(A) + P(@) + Po) + Definamos Ay = © para k = n41,n+2,.... Bntdo Ay, A isjuntos, logo “04)-04) =D Py) + P()4 PO) +...= OP). 0 im Definigio 1.5. Uma fungiio P definida numa o~ilgebra A e satisfazendo os Axio- mas 1,2 e 3° chama-se uma medida de probabitidade em A ou simplesmente uma probabilidade em b, Ocorre que, dados os Axiomas 1, 2, 3, 0 Axioma 3! € equivalente ao: Axioma 4, (*Continuidade no va: ncidt (An)u>ts onde An, © A.Yn, decrescer para o vazio, endo P(Ay) —» 0.quande n — > Observagio. (Ay noi decres fou sea, (Ay )yna doors para vazio (An L 8) signi 1€ 1) An = 2, cA > Angi¥n, Proposigio 1.4. Dados os Axiomas 1,2, 3.0 Axioma 4 é equivalente ao Axiona ¥ (.e., uma probabitidade finitamente aditiva é una probabilidade se, ¢s6 se, € continua no vazio). segdo 1 Modelo matematico para um experimento (modelo probabilstica) 11 Prova. (i) Suponhamos 0 Axioma 3'. Sejam Ay, Queremos provar que P(Ap) —+ 0, Temos € Atais que Ay | @, As)U.-.= U (Ag - Aten) ma Ay = (Ay = Aa)U (Aa pelo diagrama: A A Apa @ ka. Figura 3 0 disjuntos, porque a seqiiéncia & decrescente, ¢ da para diferengas (veja o exercicio seguinte i Proposigio 1.1). Pelo Axioma P(A) = 33 Pg Abyss mi portanto a série & convergente © DPA A) oz, PAD: im Pela aditividade finita, P(Ag ~ Agcy) = PCA) — PAR ys logo P(A) = fim, SO (UPCAg) ~ P(Aigy)) = im (P(A) ~ P(A), i © entio P(A) +0. Gi) Suponhamos 0 Axioma 4 sejam Ay, Az,... € A disjuntos. Queremos12. Detnicdes Basioas cap. pa Gi (o An) ¥ P(An). Seja A= 0) Anventto (4+)(9.4) € pela aditividade finita, & 5 P(A) = > P(An) + o( U a) mt neat Seja By = g An, entéo By, | & ¢ portanto P(B,) ~ 0 (pelo Axioma 4). Logo. ive k DPA) — PA) ie, P(A)= ¥ Pin), a Corolirio. Os dois seguintes sistemas de axiomas sito equivalentes: Sistema I: Axiomas 1, 2,3 ‘Sistema tl: Axiomas 1, 2, 3 4. Prova. O sistema I & equivalente aos Axiomas 1, 2, 3, 3, pois jd vimos que 0 Axioma 3! implica o Axioma 3. Agora basta aplicar a Proposiglo 14, Observagie. Entio para verificar se P & probabilidade em A, basta verificar os axiomas do sistema I ou 0s axiomas do sistema TI Propriedades de probabilidade. Seja P uma probabilidade em uma o-sgebra A. ‘Suponhamos que todo A abaixo pertenga a A. Entio as seguintes propriedades siio consequéneias dos axiomas: PL P(AS ia dos Axiomas 2 € 3.) Caso particular importante: P(@) = 1~ P(Q) =o. P2, 0< P(A) <1, (Conseqiiéncia do Axioma I e PI.) P(A). (Conseqié 3. Ay C Ap => P(Ay) < P(A2). (Pela aditividade finita, P{A;) = P(Ar) + P(Ay~ Ai) > P(A), pelo Axioma 1.) sagio tt ‘Medelo matomético para um experimento (modelo probabilstico) ma P ( ( 4) < $5 PCA). (Pela aiividade fit, P(A\U Aa) = P(A) + P(ALN AS) < Pld) + P(A), por 3, que Az AG c As. Completa-se a prova por indugio.) Ps. (i a) < 3 P(dy. Gxeretcio2) 6. (Continuidadle de probabilidade). Se An | A, entdo P(An) 1 P(A). Se ‘An 4 A, Entio P(An) | P(A). Prova de P6. Vamos supor que An | A,ie., que An 3 Anst Ye 0) An Eni, P(An) > P(An¢1), por P3, € (An — A) | @ > P(An ~ A) ~ 0, pela continuidade no vazio. A aditividade finita implica P(An ~ A) = P(An) ~ P(A), pois AC Ay. Resumindo, temos P(Ay) ~ P(A) + 0 € {P(An)}u>t ddecrescente, logo P(An) | P(A). Se An 1 A (ie. An © Angi¥ne€ U An =A), ento Ag | AS, Logo P(AG) | P(A®), ow seja, 1 ~ P(An) 11 = P(A}; portanto P(An) 1 P(A). Modelo probabilistico. ‘Terminamos a formulagdo do modeto matemético para ico. B constituide de: ‘um experimento, ou modelo probabil {@) Um conjunto nfo-vazio ®, de resultados possiveis, o espago amostral, (6) Uma o-ilgebra A de eventos aleatérios. {c) Uma probabitidade P definida em A. ‘Agora vamos retirar nosso modelo do contexto de um experimento e refor- muli-lo como um conceito matematico abstrato. Definigéo 1.6. Um espace de probabilidade & um trio (8, A, P), onde (@) 6 um conjunto no-vario, (b) &é uma a-ilgebra de subconjuntos de 0, ¢ (©) Péuma probabilidade em A. A partir de agora, tudo serd estudado em expagos de probabilidade, apesar de mantermos a linguagem de experimentas e eventos. (J4 vimos que todo ‘modelo probabilistico é um espago de probabilidade. Reciprocamente, o espaco14 Detinigdes Basicas ap. de probabitidade (©, 4, P) pode ser considerado um modelo para o experimento “Selecionar um ponto de © conforme a probabilidade P”. Se o leitor quiser: poder continuar considerando um espago de probabilidade como um modelo probabilistico.) 1.2. Probabilidade condicional a probabilidade condicional de A dado B € definida por majm- 20D, ven Observagio. Se P(B) = 0, P(A | B) pode ser arbitrariamente definida. A mmaioria dos livros faz. P(A | B) = 0, mas & mais interessante fazer P(A | B) P(A) para que P(A | B) seja um probabilidade em A (como fungio de A). & também conveniente, por independéncia, fazer P(A | B) ~ P(A) — veja §1.3. Consideremos um diagrama de Venn: C8, Figura 4 Se Ae B sio desenhados de modo que as reas de A, Be AN B sejam proporcionais as suas probabilidades, entao P(A | B) é a proporgio do evento B ocupada pelo evento A, Note que P(A | B), A © A, € realmente uma probabilidade em A (verifique os axiomas!), Consegilentemente as propriedades de probabilidade so mantidas, por exemplo: P(A® | B)=1— P(A| BY, em termos de Probabilidade condicional possui uma interpretagao intui ‘soplo 12 Probabilidade condicional freqiiéncias relatives. Pensando em probabilidade como limite de freqiiéncia relativa, temos P(ANB) PB) { rtimero de ocorréncias de “Ae 5" } P(A| B) = ‘em n-ensaios independentes do experimento fad rane ias de B } em n ensaios independentes do experimento fi {mero de ocorréncias de AM B em n ensaios ret “Tadimero de ocorréncias de B nos mesmos n ensaios Entio, quando n é grande, P(A | B) éaproximadamente igual a0 quociente do niimero de ocorréncias de Ae B sobre o ndimeto de ocorréncias de B em mensdios independentes do experimento, ie, P(A | B) € aproximadamente a Proporeao, entre os experimentos em que ocorte 0 evento B, daqueles em que evento A também ocorre, (Para uma aplicagdo desta interpretago a um caso especifico, veja o Exemplo 4 adiante.) Decorre da definigao que P(A 1B) = P(B)P(A | B), € esta iguakdade & ‘lida também quando P(J3) = 0. Esta igualdade se generaliza: sendo A, B,C eventos aleatérios, temos P(A BOC) = P(A)P(B | A)P(C | ANB). Isto Pode ser visto pelo seguinte di pensando nas probabilidades de todos os eventos como proporcionais as suas Areas. a i Figura s {Prova formal: P(An Ba) = P(ANB)P(C | An B) = PiA)P(B| A)P(C | ANB). Por indugiio, temos o seguinte16. Detinigdes Bisicas capt ‘Teorema 1.1. (Teorema da Multiplicaglo ou Teorema da Probabilidade Com- posta). Seja (OA, P) um espaco de probabilidade. Entao () P(ANB) = P(A)P(B| A) = P(B)P(A| B). VA. Be A, Gi) P(AL Aa 1.21. An) = P(A1)P(A2 | Ar) PAs | Ar 0.42) 2P(An| AN Ana VAL ADEA, WR = 2,3) Exemplo 3. Selecionartrés cartas de um bara ho, a0 acasoe sem reposigiio, Qual ‘a probabilidade de tirar 3 ris? Seja A, o evento “tirar rei na i-ésima extragdo”. Entio (com A = “tirar 3 reis”) temos 2 P(A) = P(ALM Aa As) = P(AL)P (As | An)P(Aa | A Aa) = 4 a 5 Veritiquemos através da distibuigo hipergeométrica ()(8) _ Aca ateaoy ata ©) wt BB BL-50 P(A)= Agora suponhamos que Ar, Aa, m eventos aleatérios mutuamente exclusivose exaustivos (.c., que os A; sejam disjuntos = motuamente exclusivos UA, = 0). Entao os A; formam uma partiedo do espago amostral : 2 Figura 6 sejafinita ou enumeravel —entio, WAC A. Vamos admitir que a seqiiéncia Ay, Aa,. por exemplo, A e A® formam uma part Para todo evento B € A, temos B= (A; VB). Comoes A, si dsjuntos, entio 05 B.A, slo disjuntos © P(B) = PUAN B) =F PCADPUB LAD ext 12 Probabilitads condicional 17 a Figura7 ‘Teorema 1.2. (Teorema da Probabilidade Total (ou Absoluta)). Se a segiléncia (nita on enumerdvel) de eventas aleatérios Ay, As, desi, emo formar uma pariigao PB) = P(A)PIBI A), YBEA. Usando esse teorema, podemos calcular a proba ‘ocorréncia de B: P(A; |B) = le de A; dada a P(A) P(B| Ad) PALO B) Ay) PUB | DP)P(BLA) J Bi > PCA LB Esta 6 a formula de Bayes. Ela 6 étil quando conhecemos as probabilidades dos, ‘Aca probabilidade condicional de B dado A,, masnioconhecemos diretamente ‘a probabilidade de B: Exemplo 4. Experimento de duas etapas (experimento composto). Supor que ‘uma eaixa contenha trés moedas: duas honestas e uma de duas caras. Retirar ‘uma moeda a0 acaso e jogé-la. Pergunta: qual a probabilidade condicional da toed ter sido a de duas earas, dado que o resultado final foi cara? Este 6 um experimento de duas etapas, e queremos caleulara probabilidade ‘deum evento determinado pela primeira etapa dado um evento determinado pela segunda. Sejam, en eda retirada honest”, Az = “moeda retirada ade duss cara”, Aplicando a férmula de Bayes, temos P(Aa)PUB) Aa) Pda | B= eAyPT18. Detinigses Bésicas cal Podemos interpretar este resultado da seguinte maneira, em termos de fre- ‘jiéncia relativa: se 0 experimento Fosse repetido independentemente um grande siimero de vezes, entio a moeda de duas caras seria a escolhida na primeira etapa de aproximadamente metade dos experimentos em que 0 resultado final fosse cara, Observagio. A formula de Bayes & as vezes, chamada de frmula de probabili- dades “posteriores”. Com efeito, as probabilidades P(A;) podem ser chamadas probabilidades “a priori” e as P(A, | B), probabilidades “a posterior’ 1.3, Independénci Definigio 1.8, Seja (82, A, P) um espago de probabilidade. Os eventos ateatsrios Ac B sao (estocasticamente) independentes se P(ANB) = PCA): PLB) Observagio. Eventos de probabilidade zero ou um slo independentes de qualquer outro: se P(A) = 0, entio P(ANB) = Ge Ac B sto independentes, ¥ B © A. Se P(B) = Lentio P(ANB) = P(A) (ANB) e, como ANB" c B*implica P(AN B®) < P(B*) = 0, temos P(A NB) = Oe PAN B) = P(A)P(B). Logo Ae B sao independentes, VA € A, Proposigho 18, A ¢ independente de si mesmo se, ¢ somente se, P(A) = 0 01 1. Prova. P(A) = P(AN A) = P(A)P(A) > P(A) = 0 00 L o Propasigio 1.6. Se A e B sito independentes, entiio A e B® também sito inde- pendentes (¢ também A® e Be ainda A° eB), Prova, Vamos supor A, B independentes. Entio P(AN B*) = P(A) ~ P(AN B) = (pela independéncia) = P(A) — P(A)P(B) = P(A)(1— P(B)) = P(A)- PUB. a ‘Aqui esté uma justficagio intuitiva da Definigo 1.8: B independente de Ase tanto a ocorréncia quanto nfo ocorréncia de A nio afctam a probabitidade de Bocorrer,ic., P(B | A) = PUB) € PUB | A®) = P(B). Estas duas equagies, significam que P(AOB) = P(A)P(B| A) = P(A)P(B) & P(AP NB) = PLA) PCB | AS) = PAS) PCB): ‘egio13 Indopondéncia 19 pela Proposigdo 1.6, basta uma destas tilt sas equages para a definigao, ANB =o, entdo A € B nao sao independentes (a menos que ‘um deles tenha probabitidade zero) Exemplo 5. No experimento 1, os eventos A AP = “observa-se um ntimero impar” “observa-se um miimero par” & no so independentes. Intuitivamente, ‘porque ndo so compativeis, e formalmente, porque PAD AY) = (0) = 044 = PLA)PLAD, lento 3, 0s eventos cia entre © ponto escolhido e a origem & « C="1° coordenada do ponto escolhido & ior que a 2°" sio independentes, pois o evento C ocupa metade da drea do evento A, fazendlo om que (veja as Figuras 2) frea(AN€)_1_ 1 P 1 payee Pane) = a Srp P Paro, Como vamos defini a independéncia coletiva de tés eventos sleatsrios A, B¢C2 Queremos ndo somente que C seja independente de A, de Be que Ac B sejam independentes (.., que os tre eventos sejam independentes 202}, mas fambém que C' seja independente de An B, AM BF, ete. Isto é, queremos que a ororténcia do evento “A e B” no afete a probahilidade de ocorréncia de C, ete Porexemplo, queremos que P(ANBAC) = P(ANB)P(C) = P(A)P(B)P(C), © que nio é uma conseqtiéncia da independéncia 2 a2: Defnigio 1.9. Os eventos aleatérios A,, 4 J (F um conjunto de indices), so Independentes 2.4.2 (ou a pares) se P(A; Aj) = PIADPUAS) Vid CLE AS. Reemple 7 Independéncia a pares niio implica independéncia coletiva. Seja 0 Mt conjunto de quatro pontos, com os eventos A, 3, C assim dei20 Detinigbes Bésieas ap. 1 A B Figura 8 Seja Pw) = }.Vw 2. Entio P(A) = P(B) = P(C) = be P(An B) = 4 = P(ANC) = PUBNC), Logo A, B, C sto independentes 2a 2. Mas P(AnBn€) = it >(A)P(B)P IC). (Notemos que © suporta no miximo 2 eventos independentes de probabilidade | cada, pois #9 ~ 4. Para que existissem trés eventos independentes de pro- babilidade 4, £1 precisaria conter pelo menos 8 pontos, pois haveria 8 eventos incompativeis de probabilidade # eada: A BNC, AP BOC, ete.) ‘Outro exemplo ainda mais intuitive pode ser encontrado em Feller (Vol. 1, 2 edigao, §V.3): no langamento de dois dados honestos, sejam os eventos. A = face impar no primeito dado”, P= “face impar no segundo dado”, C= “soma {mpar das duas faces". E facil ver que A, B, C tem, cada um, probabilidade 1/2 € sio independentes 2 a 2. Mas eles nao podem ocorrer simultaneamente, de modo que AN BNC =2e PanBoc)=09 b= PULPENPC) DefinigHo 1.10. (a) Os ewentos Ay... An (12 2) so chamados (coletivamente ‘ou estocasticamente) independentes se PCA, MA), NV Aig) = PUARIPAL) PlAin) Visi 2, AtyAay.+. An (©) Oseventos Aj, i € I (onde (1) 6 um conjunto de indices tal que #7 > 2) so independentes se toa subfamiliafinita deles 6de eventosindependentes, it oto? Indopendéncia sim} oft, AjgsAigy--- + Aig, S20 independentes para toda combin: se Ais Misr Air in deelementos de Z, Vm = 2,3, eventos so chamados, as vezes, estatisticamente ou mu opeervagies. (1) Ta mamente independentes, (2) Vemos pelo item (c) que toda subfamilia de uma familia de eventos independentes € de eventos independentes. ‘Vamos ver agora que a Detiniga0 1.10 € consistente com nossa idéia intuitiva de independléncia (por exemplo, no caso de ts eventos A, B, C, 0 evento C é independente de An B, de An BP, de A°n B, de ATA BY; especificamente, PUAN BENG) = P[AYPUBYPC), te.) Proposigio 17. Se os eventos Aj, ic F, so independentes, entdo os eventos By ie I, ambém so independentes, onde cada Bj ¢ igual a Aj, ou Af (ou un ow outro). itens (a) ¢ (c) da definigdo, basta provar que toda subfamilia finita isfaza regra produto. Para tanto, é suficiente provarque se Ay,... 5 Ay, Bu) = TI PUB), onde B, slo independentes, entio PUB) 0 Aj ou = A. Eta prov é semen & prova da Pobosgfo 1.6, usando indo Ts cre Cong roa: Sogsso pote er Pensa [2] Lema Fe a Exemplo 8. 0 proceso de Poisson, Consideremos © nimeso de telefonemas ue chegam em uma central telefSnica. Vamos contar o niimero de chamadas que chegam até 0 tempo f, para todo ¢ > 0. Podemos representar um resultado possivel deste experimento por meio ce uma fungao-escada: Esta fungdo é um resultado tipico, um tipico we 2 néimero de chamadas tempo 2a22 figs Basicas ‘A cada tal fungdo w corresponde um resultado possivel do experimento (chamadas chegam em f),t2, 3,.-),€ eada resultado do experimento gera uma fungio deste tipo (sob certas suposigdes que estdo adiante). Entio podemos fazer {= conjunto de todas as fungdes-escada com grifico do tipo que aparece acima = {w:[0,00) + (0,1,25. +} [30< by < fa < (tm Fo) tal que w( 0) = 0 para 1 0,01), (6) = 1 para t € [t1,f2),..- w(t) = mem ffnstnsa)y---} Agora sejao evento AK, ~ “shegam exatamente& ehamadss no intervalo (5-44)" pam 5,12 04 0,1,2,... - Entio Aky = (we R:u(s+f)—wls) =A}, st 20k=051, ‘Vamos supor que a a-ilgebra A contenha todos os eventos AX (mais adiante cal- cularemos a probabilidade destes eventos). Vamos fazer as Sepuintes hipdteses: Hipétese 1. (Jncrementos estacionirios). A probabilidade de chegada de k telefonemas no intervalo (5, +t] depende somente de te ndo de s (i.e. @ probabilidade de exalamente k telefonemas chegarem durante um perfodo de duragao ¢ depende apenas de ¢ ¢ niio da hora © nem do dia. Esta hipst isfeita na pritica, mas é uma boa aproximagio durante curtos periodos de tempo, por exemplo, durante o horério do pique.). Esta hipétese implica PEAR) = PAR) PO. Hipétese 2. (Inerementos independentes). Os mimeros de chegadas durante intervals disnmios de tempo sao independents (04 eja, AE, eM, si in- ddependentes para toda escolha de ke j se (3,8 +t) (ayu + 0] = 0, € temos independéncia também no caso de 4,5... intervalos disjunts). Hipétese 3. As chamadas chegam sozinhas néo simultaneamente. Isto seri terprotado em termos de probabilidades condicionais da seguinte maneira: @ ‘probabilidade condicional de terem chegado duas ou mais chamadas em (0, t}, dado que chegaram uma ou ma sem (0, tende.a zero quando t — 0. Isto quer dizer que probabilidade de chegada de duas ou mais. probabilidade de chegada de uma ou mais chamadas wamadas em (0, (0.8) 0 seqio 1.3 Independéncia 23, +0, quando t +0, ‘ou equivalentemente, Py, i R@ 1, quando t 0. Podemos calcutar agora as probabilidades P(t) alt) = PAR) € mostratemos que & una funglo exponencial do tipo ¢ Vamos comegar com “AM. ‘Como nao chega telefonema algum no intervalo (0,¢) se, ¢ somente se renhum telefonema chega nos n intervalos (oa) Gea]: Aba = Abin At nti At aytfntin font J vemos Pela hipétese 2 (os intervals so disjuntos), estes eventos sio independen- tes logo i : PAO) = TL PAR ifn) = Pela hipstese 1) = P3! (). vi>0,¥n. Entio, Patt) = Ps" (0) p(B) = Pr (E) =n, Para todo mn en (= 1 aS) Em outras palavras, se v > 0 € racional, Py(r) = PF (1). Ora, Py(0) é uma fungao decrescente, pois 8 <5 Als CARs > Pall) 2 Pols). Logo para t > 0) fixo e 1,7 racionais tais que ry < ¢ Polt) > Po(ra) = Po*(). Ser, 1 tery | f,entio P3"(1) | PE(1) e PSA) 1 PS). logo a(t) = PE) VE>O24 Dolinigdes Bisieas Cap. Podemos supor 0 < Py(1) <1, para evitar um caso trivial (P)(1) = 1) € ‘outro que contraiz as hipsteses (Fy(2) = 0). Com efeito, se Fy(1} fosse igual a um, terdamos Ps(0) = 1 paratodot > 0,i.,com probabilidade 1, nunca chegaria nada, Esse & um caso trivial que nio é de maior interesse na pritica. Por outro lado, se Py(1) fosse igual « zero, teriamos F(t) = 0 para todo ¢ > 0, Le. para ccula # > 0, haveria probabifidade um de chegar pelo m: {0,4 Portanto, teriam que chegar pelo menos dois telefonemas em (0, i}, com probabilidade um, pois a chegada de pelo menos um em. (0, ‘] © pelo menos umem (54 (este evento também seria de probabilidade um, pela hipstese 1), implica a chegada de pelo menos dos emf). Em conseqiincia dist, teramos 1 Pylt) = Le 1 ~ P(t) ~ P(t) ~ 1 para todo t > 0, contradizendo as hipstese Definindo A = — log (1), temos o resultado enunciado, ie., PQ=e™, t Observagio. E claro que (0) ~ 1, pois evento “nenhuma chegada em um intervalo vario de tempo" &o evento certo, Formalmente, Ady = [we 1: w(s) —wls) = 0) = 2. Conseqiientemente, P(t) = e-™ para t > 0 P; & continua em [0,>0). Obteremos agora as probabilidades P(t), para todo valor de k. O método para obter equagoes diferen- es Pj, com a subseqilente solugio destas equagies. quevutilizaremos consiste na aplicagao das hip6tes ciais satisfeitas petas funy ‘A derivagio a seguir, alé a férmula (1.2), pode ser omitida em uma primeira Ieitura, Scjam k > 1, 8 > Oe t > 0, Entdo chegam k telefonemas em (0, + f] se, somente se, ou cheza nenhum em (0, 5} ¢ chegam k em (s,s +4], ou chega um cem (0, s| echegam k— Lem (3,8 +f), 01... Isto 6, Ak oye = (Ads DAR) U(ASS DAL) U...U(AS 6 AD). Os eventos Ai... AS;! so disuntos em i, © para todo # 08 eventos Ai, © AE so independents (pela hipStese 2, pois os intervals (0, ¢ (5, 4+ 1] 50 ns cia 25 osto12 Indopendénecia 2 isuntos)- Logo k k Pelt) = D> P(A‘, g PLA) = > Pil6) Peal) = ay = PPO + Pe APP) + P(E a regra de L' Hopital implica que lee como Fait) ey Pola hipstese 3 temos, entio, Pb) PQ (1= Pal) tin I = nay Tf 1 P= Pt) _ (o Au Bo) U=RO) 0 ‘Agora, indicaremos com Pf(s) a derivada @ direita de Py em s res TAO AO 2 a (a)(e“ Mt — uO Pulte i} APs) APeA(8)s ka Prat) EP td aS Pol) ~ PA t26 Definigses Basicas ap. 1 Portanto, a derivada a direita & (trocando s por £) PLO =APp Alt) — APLC), ay Dek = 1,2,... - Pademos provarque, para t > 0, derivada a esquerda mesma, usando a equagio k Pfs) = Yo Pls OP sO Resta, entio, resolver as equagies diferencias (1.1), sujeitas is condigbes iniciais P(0) = P(ARg) = 0, > levando-se em conta que Pi=e%, t20. A solugiio pode ser obtida por indugio, Para ilustrar 0 métado, obteremos P (8), que satisfaz a equagao Ph(t) = APoit) — APut) = Ae™ — APO. Favendo P= eM OW, temos (0) = Oe Q') = A, de modo que Q(t) = Abe PiQ=Me™, £20. Aol pei prs enh 2s ; nin 2tte®, e20 “2 (Exerefcio, Verifique essa solugao indutivamente, através da solugio direta das "des diferenciais, ou através da substituigo nas equagdes da solugio pro- Observagdes. Provamos, enti, que © nimero de cheyadas até o tempo t possui distribuigao de Poisson com parmetro At (veja 0 Capitulo 2 para a definigo de distribuigio). AF é 0 mimero médio de chegadas durante um periodo de duragao t; 1 €0 nimero médio de chegadas durante um intervato unitdrio de tempo (veja o Capitulo 3), & chamado o pardimetro do processo dle Poisson, Como representa, neste exemplo, uma taxa média de chegadas, & também chamada taxa ou intensidade do process. ‘segdo 1.4 Exorciclos 27 Poderéamos mostrar que nossas ts hipéteses determinam uma probabili- dade na c-ilgebra gerada pelos eventos AA,, completand assim um modelo probabilistic para o processo de Poisson. 14. Exercicios sla 1 gjam A, B © C eventos al al6rios, Identifique as seguintes equa frases, casando cada equagio expressa na notago de conjuntos com a cor: respondente f linguagem de eventos: @ANBnC =AUBUC @ANBNC=A @AUBUC=A ‘ (@(AUBUC)~(BUC)=A A ocortéacia de A implica de “It ¢ C” (ivy A ovorrécin de A decore de“B ou C 2. A partir dos axiomas, prove a propriedade PS: (0 4) < SP) 3. Sejam Aj, ay... eventos aleatérios. Mostre que: @P (A, A 1) 0) Se PEAY) = 3 Pus EB Pap tepamk=tne mento (fy) 21 ne wr(a m2) : tah 4. Demonstre seguintes propriedades (8) Se P(An) = 0 para n = 1,2,.-+ ventao ? (6 An) =0. (6) Se P(An) = 1 para n= 1,2, sentao P (An) =1 Demonstre: se Ay, As,.-. € Bry Be... silo eventos aleatérios do mesmo, espaco de probabilidade taisque P(An) — Te P(Bn) — p.quandon > o, eno P(A, By) — P.28 Defines Bésicas ap. 6, Seja © um conjunto nao-vazio. (a) Prove: se A ¢ B sdo o=ilgebras de subconjuntos de 2 entio AB também € uma odlgebra, (b) Generalize o item (a): se A, 1 ¢ I, sio o-dlgebras de partes de 9, ‘onde J é um conjunto no-vazio de indices, entio (A; também é uma, ser © classe de subconjuntos de ‘uma o~ilgebra que contém ©, (Sugestio, Qual a conjuntos de 2) (a) Visando yenor & den? 2, Mostre que existe pelo menos asse de plena utilizagio dos itens (b) e (c), como voc’ definiria “a igebra contendo ©”, onde © & uma classe de subconjuntos 7. Sejam Ay, Ag... eventos aleatérios em um espago de probabilidade (0,4, P), © definam-se tinaup a= FO Ae “= n=l ken ¢Yeremos uma interpretagio intuitiva desses eventos no §5.2.) Se Tim sup An = lige inf An chamamos 0 evento A de lim Ay (limite de Ay). Demonstre que se A= lim An, entdo P(4y,) -+ P(A) quando n — 06 8, No jogo de “Craps” dois dados so jogados. Se 0 jogador tra 7 ou 11 pontos cele ganha, Se ele tira 2, 3 ou 12 ele perde. Nos outros casos ele continua jogando os dois dados até sait 7, caso em que ele perde, ov entio sair 0 primeiro resultado, caso em que ele ganha. Desereva 0 espago amostra. Qual é a probabilidade dele ganhar? 9. Uma eaixa contém 2n sorvetes, 2 do sabor A e n do sabor 3. De um grupo < no sabor Be 2n— (a+b) ja, Demonstre: se 0s sorvetes sio distribuidos a0 de 2n pessoas, a io tém prere npreferem 0 coo Exerccios a probabildade de que a preferneia de todas as pessons sea espeitada & de ta Gn) 10, Suponhamos gue dez carts estejam numerals de 1 até 10, Das dez carts, rotira-se uma de cada ver, a0 acaso e sem reposigao, até retirar-se 0 primeiro ‘nimero par, Conta-se o nimero de retiradas necessirias. Exiba um bom ‘modelo probabilistico para este experimento. 11. Para cada um dos seguintes experimentos, descreva umm espago de probabi- Iidade que sirva de modelo. (a) Selecior ‘eum pont, wo acaso, do quadrado unitério {(z,y} 052 <1,0 nesta cltima desigualdade, impar, k © para todo n, en seqfo 14 17 2» erereoios St P(B | UAn) > ¢ (pode supor P(An) > 0 para todo n). (6) O item (a) com =" no lugar dk (©) Se An > Ansa € PlAnsi | An) < § para todo 2, entdo P(An) — 0 ‘quando n> oe. ws P(C|An)¥n, entao 08 Ay so disjuntos € PCB | An) P(B|UAn) = P(C |UAn). (©) Se Ay, As disjuntos € U Ay, = , entio P(B|C) =Y5 Plan | C)PCB | An 0) Suponha que a ocorréneia ou nio de chuva dependa das condigoes do tempo ‘no dia imediatainente anterior, Admita-se que se chove hoje, chovert amanha com probabilidade 0,7 e que se nio chove hoje choverii aman’ ‘com probabilidadk: 0.4, Sabendo-se que choveu hoje, calcule a probabili- dade de que chovera depois de amanhal . Certo experimento consiste em langar um dado equilibrado duas vezes, independentemente. Dado que os dois nimeros sejam diferentes, qual & & probabilidade condicional de (a) pelo menos um dos niimeros ser 6, (b) a soma dos nimeros ser 8? Em teste de miitipla escoth Hayendo m escolhas, se ele sabe a resposta ele respond corretamente com probabilidade 1; se ndo sabe ele responce corretamente com probabitidade “1. Qual a probabilidade que ele sabia a resposta dado que a pergunta foi Rspondida corretamente? Calcule o limite desta probabilidade quando () ‘m =» c0 com p fixo e (ii) p — 0 com mfx. 1 probabilidade do aluno saber a resposta€ p. (De Fernandez [12],) Durante o més de novembro a probabitidade de chuva de 0.3. © Fluminense ganha um jogo em um dia com chuva com & probabilidade de 0,4; em um dia sem chuva com a probabitidade 0,6. Se ganhow um jogo. em novembro, qual é a probabilidade de que choveu nesse ia?