Escolar Documentos
Profissional Documentos
Cultura Documentos
Probabilidade
Os
ar J. P. Eboli
e J. Fernando Perez
Instituto de F
si
a
Universidade de S~
ao Paulo
Fevereiro de 2004
^
APENDICE
A
Breve Introdu
~ao a Teoria da
Probabilidade
A Me
^ani
a Qu^anti
a traz em sua estrutura objetos que, independente
de qualquer postulado interpretativo, s~
ao des
ritos em Matemati
a no
ontexto da Teoria das Probabilidades. Os postulados interpretativos
tornam-se naturais do ponto de vista
on
eitual ao
onstatarmos esse
fato. Este ap^endi
e tem por objetivo sumarizar e familiarizar o leitor
om esse instrumental matemati
o.
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
Exemplo:
A.1.
Con
eitos b
asi
os
Exemplos:
S3 =
De maneira geral se S e o espa
o amostral que des
reve um determinado fen^omeno aleatorio, o espa
o adequado para des
rever
N repeti
~oes dependentes ou independentes do experimento e o
produto
artesiano (S )N = fx = (x1 ; x2 ; : : : ; xN ) j xi 2 S; i =
1; 2; : : : ; N g.
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
de uma part ula exe utando movimento Browniano pode ser des rito por S = R3 .
A vida util de l^ampadas em horas esta asso iada ao espa o amostral S = fx 2 R j 0 < x 5000 horasg.
A.1.2 Eventos
Denimos um EVENTO (E )
omo sendo qualquer sub
onjunto do
espa
o amostral. Nas apli
a
~oes prati
as um evento refere-se a algum
aspe
to observavel num determinado experimento
om espa
o amostral
S dado.
Exemplos:
Para o espa
o S2 a
ima, podemos ter E1 = f(2; 2); (1; 3); (3; 1)g
= f(x1 ; x2 ) 2 S2 j x1 + x2 = 4g, isto e, soma 4 em 2 lan
amentos.
A.2.
Probabilidades
dentro do intervalo de tempo
ombinado, o espa
o amostral adequado pode ser des
rito
omo S4 = [0; 602 = fx = (x1 ; x2 ) j xi 2
[0; 60; i = 1; 2g. O evento E
orrespondente a o
orr^en
ia do
en
ontro e dado por
E = fx 2 S4 j jx1
x2 j < 10g :
Deni ~ao:
mente ex lusivos se E \ F = ;.
Exemplos:
A.2 Probabilidades
Existem fen^omenos aleatorios que apresentam uma
ara
tersti
a notavel: dado o
onjunto C de
ondi
~oes, embora elas sejam insu
ientes
para que um determinado evento A seja
erto ou impossvel, repetindose o experimento N vezes observa-se que a fra
~ao
nA
;
N
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
3. Se os eventos
ao mutuamente ex
lusivos ent~ao
P Ei ; i = 1; 2; ::: s~
P([i Ei ) = i P(Ei ).
Exemplos:
Uma
lasse muito grande de exemplos pode ser des
rita atraves
de espa
os amostrais nitos, i.e., S e uma
ole
~ao nita
S = fx1 ; :::; xN g
1 Exer
io:
A.2.
Probabilidades
pi 0 ,
onde
e
N
X
pi = 1 ;
i=1
P(xi ) = pi
P(E ) =
X
xi 2E
pi :
P(E ) =
nE
;
N
^
APENDICE
A.
Exer io:
Breve Introdu
~
ao
a Teoria da Probabilidade
De maneira geral a es
olha aleatoria de um numero real no intervalo S5 = [a; b, onde a < b, tem a probabilidade do numero estar
em E S5 dada por
P(E ) =
jE j ;
b a
2. P(E ) = 1
P(E )
(Use que S = E + E ; E \ E = )
P(E \ F )
P(E ) =
2 Demonstre
estas propriedades!
(x) dnx :
A.2.
Probabilidades
(x) =
"
p1
2
exp
(x
x0 )
2 2
(x) =
1
;
x2 +
2
(x) =
se x > 0
:
0 se x 0
x
Exer io:
Se uma part
ula em R3 parte da origem no instante t = 0 e exe
uta um movimento Browniano num meio
om
onstante de difus~ao D, a probabilidade da part
ula no instante t 0 en
ontrarse no
onjunto E R3 e dada atraves da densidade de probabilidade
1
~x2
:
t (~x) =
3 exp
4tD
(4tD) 2
Exer io:
Verique que a fun ~ao t tem as propriedades ara tersti as de uma densidade de probabilidade.
^
APENDICE
A.
10
Breve Introdu
~
ao
a Teoria da Probabilidade
pi = 1 :
i=1
(x) =
n
X
pi (x ai )
i=1
P(E ) =
=
dx (x)
X
i2E
R, atraves
pi ;
o que esta de a
ordo
om o que vimos anteriormente. Neste
aso dizemos que a probabilidade esta
on
entrada nos pontos ai ; i = 1; : : : ; n,
pois P(E ) = 0 se o
onjunto E n~ao
ontiver nenhum dos pontos
a1 ; : : : ; a n .
Exer
io: Verique que a fun
~ao generalizada dene uma densidade de probabilidade e que P(E ) tem as propriedades de probabilidade.
Em espa
os amostrais
ontnuos podemos a
omodar superposi
~oes
de densidades
ontnuas
om densidades
on
entradas em um
onjunto
ontavel de pontos. Vejamos isto atraves de alguns exemplos.
Exemplos:
Considere S = R e
A.2.
Probabilidades
11
1 =
n
X
pi (x ai ) ;
i=1
omo a
ima e 2 for uma distribui
~ao
ontnua,
omo por exemplo
a gaussiana, de Cau
hy ou qualquer outra dada por uma fun
~ao
positiva integravel, tem-se ent~ao uma densidade mista
P(E ) =
X
i2E
pi +
Z
E
2 (x) dx :
No exemplo do movimento Browniano a densidade t que e
ontnua para t > 0, entretanto, no limite t ! 0, produz a densidade
dis
reta
0 (~x) = lim
t = (~x) ;
t!0
onsistente
om a
ondi
~ao de que a part
ula estava na origem
em t = 0; justique esta armativa! Sugest~ao: verique antes
que o mesmo efeito o
orre para as distribui
~oes gaussiana e de
Cau
hy nos limites ! 0 e
! 0, respe
tivamente.
Deni ~ao:
^
APENDICE
A.
12
Breve Introdu
~
ao
a Teoria da Probabilidade
Exemplos:
pij = Pf(xi ; yj )g = pi qj :
Nessas
ondi
~oes os eventos E = A R e F = S B s~ao
independentes qualquer que sejam A S e B R.
2. Considere dois espa
os amostrais S1 e S2
ontnuos, por
exemplo S1 = S2 = R e duas densidades 1 e 2 em R.
A fun
~ao
(x1 ; x2 ) = 1 (x1 ) 1 (x2 )
Exer io.
Menos trivial do que os
asos a
ima des
ritos e o seguinte exemplo. Considere em S = R2 a densidade gaussiana
1
(x1 ; x2 ) = exp
2
x21 + x22
2
A.3.
Vari
aveis Aleat
orias
13
f :S!R;
x 2 S ! f (x) 2 R :
Exemplos:
i.e.
no espa o amostral
f1 (x) = x ;
f2 (x) = x2 ;
i.e.
^
APENDICE
A.
14
Breve Introdu
~
ao
a Teoria da Probabilidade
fn (x) = xn ; n = 1; :::; N
P
g (x) = N1 (x1 + ::: + xN ) = N1 PNn=1 xn
h (x) = N1 (x21 + ::: + x2N ) = N1 Nn=1 x2n
E (x) =
1 se x 2 E
:
0 se x 2= E
fi (~x) =p
xi para i = 1; 2; 3 ;
r (~x) = x21 + x22 + x23 ;
g (~x) = r (~x)2 = x21 + x22 + x23 ;
que representam respe
tivamente as
oordenadas da part
ula, a
dist^an
ia e o quadrado da dist^an
ia da part
ula a origem.
A.3.
Vari
aveis Aleat
orias
15
i.e.
qj = Pff = aj g :
distribui
a
~o de probabilidades
da variavel
qj 0 e que
X
Kqj = 1 ;
j =1
Exemplos:
1
9
25
f2 (S1 ) = a1 = ; a2 = ; a3 =
4
4
4
q1 = Pff = a1 g = q2 = Pff = a2 g = ;
e g (S ) = fb1 = 1; b2 =
q1 = Pff
q2 = Pff
q3 = Pff
q4 = Pff
= a1 g = 81 ;
= b2 g = 83 ;
= b3 g = 83 ;
= b4 g = 81 :
16
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
Caso
ontnuo
Consideremos agora um espa
o amostral S
ontnuo no qual temos
uma probabilidade P denida. Dada uma variavel aleatoria f em S ,
i.e. uma fun
~ao
om imagem A
ontida em R, podemos de maneira
analoga ao que foi feito no
aso de espa
os amostrais nitos denir uma
distribui
~ao de probabilidade Pf em R atraves da formula
i.e.
Pf (A) = P(f
2 A) :
Exemplo:
Pf (A) = P(x2 2 A) :
Se por exemplo a probabilidade P for denida por uma densidade e
A = [0; a onde a > 0 ent~ao
2
Pf ([0; a) =
1
Pf ([0; a) =
2
a
0
(x) dx ;
Z pa
0
(x) dx :
Pf (A) = P(f
2 A) =
f (x) dx :
A.3.
Vari
aveis Aleat
orias
17
f (x)
sultando que
0;
f (x) dx = 1 :
Exemplo:
f (x) = (x) ;
1
f (x) =
p1 x (x) se x 0
:
0 se x < 0
2
Deni
~ao: Dizemos que uma variavel aleatoria f e dis
reta se o
onjunto f (S ) de valores que ela pode tomar for um
onjunto enumeravel.
Quando os valores assumidos por uma variavel aleatoria f formam
um
onjunto n~ao enumeravel dizemos que f e uma variavel aleatoria
.
No
aso de uma variavel aleatoria f dis
reta temos a op
~ao de
onsiderar o
onjunto imagem f (S ) = fai ; i = 1; 2; : : : g
omo feito no
aso de um espa
o nito e denir uma distribui
~ao de probabilidade
qi = P(f = ai ), ou ent~ao
onsiderar o
onjunto imagem f (S )
omo um
sub
onjunto de R e denir a sua densidade de probabilidade utilizando
ont
nua
f (x) =
qi (x ai ) :
Exemplo:
f :S!R;
que assume somente os valores inteiros n~ao negativos k = 0; 1; : : : . f
des
reve, por exemplo, o numero de vezes que o
orre determinado fato.
Caso fa
amos a es
olha
qk = P(f = k) =
e k
k!
^
APENDICE
A.
18
Breve Introdu
~
ao
a Teoria da Probabilidade
onde > 0, dizemos que a variavel aleatoria f tem uma distribui
~ao
de Poisson
om densidade .3 Esta variavel aleatoria tambem pode ser
ara
terizada por
f (x) =
1
X
k=1
e k
(x k) :
k!
Pf ;f (B ) =
1
Z Z
B
Deni ~ao:
A.4.
Momentos
19
gaussiana de probabilidade
1
(x1 ; x2 ) = exp
2
x21 + x22
2
om a distribui ~ao
A.4 Momentos
Deniremos alguns par^ametros,
hamados momentos, que servem para
ara
terizar uma distribui
~ao de probabilidade dis
reta ou
ontnua de
uma variavel aleatoria.
A.4.1 Media
hf i =
X
i1
f (xi )pi :
De um ponto de vista heursti
o, e razoavel esperar que este par^ametro estime a media dos valores obtidos para a variavel aleatoria em
uma sequ^en
ia grande de \sorteios" repetidos. Esse tipo de armativa
sera mais es
lare
ida quando dis
utirmos a \lei dos grandes numeros ".
^
APENDICE
A.
20
Breve Introdu
~
ao
a Teoria da Probabilidade
Uma maneira alternativa para
al
ular e somando-se sobre os possveis valores f e n~ao sobre os pontos no espa
o amostral. Assim suponha
que variavel aleatoria f possa assumir os valores no
onjunto (nito ou
innito) fyk ; k = 1; 2; : : : g
om probabilidades qk = P(f = yk ). A
express~ao a
ima pode ent~ao ser es
rita da seguinte forma:
hf i =
X
i1
f (xi )pi =
Ora
X
ijf (xi )=yk
e portanto
hf i =
X
i1
X
k1
2
4yk
X
ijf (xi )=yk
pi 5 :
pi = q k ;
f (xi )pi =
X
k1
yk qk :
Exemplos:
hf i =
1
6
X
1
1
6
i = (1 + 2 + 3 + 4 + 5 + 6) =
i=1
7
;
2
hf i =
2
6
X
1
i=1
7
2
2
1
=
3
2
1
2
1
+
3
2
3
2
1
+
3
2
5
2
3
A.4.
Momentos
21
hfii = Px2S
1
2
3
xi =
1
2
(+1) +
1
2
( 1) = 0 ;
hgi = 0 ;
hhi = 1 :
b) Se a variavel aleatoria estiver denida num espa
o amostral S
ontnuo,
omo por exemplo S = Rn (x = (x1 ; : : : ; xn )), e se a probabilidade for denida atraves de uma densidade de probabilidade (x),
ent~ao o valor medio da variavel aleatoria f : S ! R e dado por
hf i =
S =Rn
f (x) (x) dn x :
hf i =
f (x) (x) d x =
n
S =Rn
yf (y ) dy :
Essa formula pode ser trivialmente veri ada para fun ~oes do tipo
f=
N
X
i=1
i Ei ;
i.e.
Exemplos:
Se uma variavel aleatoria f tem uma distribui ~ao uniforme on entrada no intervalo [0; 1, i.e.
f (x) =
1 se x 2 [0; 1
0 se x 2
= [0; 1
^
APENDICE
A.
22
ent~ao
Breve Introdu
~
ao
a Teoria da Probabilidade
hf i =
dx x f (x) =
1
0
dx x =
1
:
2
hf i =
dx x f (x) = x0 :
De maneira geral, se f (x) for uma fun
~ao simetri
a por re
ex~ao
em torno do ponto x0 , ou seja,
f (x) = f ( x + 2x0 )
ent~ao hf i = x0 . Justique!
f (x) =
onde > 0, ent~ao
Propriedades da media
, se x 0
0 , se x < 0
e
x
hf i = 1 :
4
hfgi = hf ihgi ;
4
A.4.
Momentos
23
hfgi =
XX
i1 j 1
(xi yj ) P(f = xi ; g = yj ) ;
hfgi =
XX
i1 j 1
(xi qi ) (yj pj ) =
X
i1
xi qi
X
j 1
yj pj = hf ihg i :
A.4.2 Moda
A moda e denida
omo sendo o ponto de maior probabilidade, no
aso
dis
reto, ou de maior densidade de probabilidade, no
aso
ontnuo.
Exemplos:
x
(x
x0 )2
2 2
a moda
^
APENDICE
A.
24
Breve Introdu
~
ao
a Teoria da Probabilidade
A.4.3 Vari^an
ia
Um bom indi
ador de
omo uma variavel aleatoria f \
utua" em torno
de sua media hf i e o seu desvio padr~ao f ,
ujo quadrado f2 e
hamado
de vari^an
ia de f , a qual e denida atraves de
hf i) :
f2 = (f
Mais expli itamente, para variaveis ontnuas sua express~ao e dada por
f =
dx f (x) (x
hf i) ;
2
f2 =
X
i1
hf i) pi :
(xi
f2 = f 2
2f hf i + hf i2 = f 2
hf i :
2
Exemplos:
f2 =
=
6
X
1
i=1
6
X
1
i=1
91
=
6
5
hxi)
(i
1X
i
6 i=1
6
i2
21
6
2
!2
35
:
12
A.4.
Momentos
25
Para uma variavel
ontnua
om distribui
~ao uniforme entre (0; 1),
sua vari^an
ia e dada por
f =
1
2
dx x
2
1
1
=
:
4 12
1
3
f =
2
Z 1
0
dx x
2
e
x
2
f =
2
(x
p x) e
dx
P ( x ) =
2
dx
p1
2
(x
x0 )
2 2
=:
x2
2 2
= 0:6826 :
De maneira mais geral, podemos estimar para a > 0 a probabilidade P(x > a) atraves de
1
P(x > a) = p
2
= p
e
2 a
x>a
a2
2 2
dx e
x2
2 2
p1
2
x
dx e
a
x>a
x2
2 2
Propriedades da vari^an
ia
Partindo da deni
~ao da vari^an
ia podemos demonstrar as seguintes
propriedades. Se k e uma
onstante e f e g s~ao variaveis aleatorias
independentes, ent~
ao
1. k2 = 0;
26
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
SN =
N
X
fi ;
i=1
e dada por
S2 N =
ou seja, o desvio padr~ao SN =
hSN i =
N
X
i=1
f2i = N 2 ;
N
X
i=1
hfii = Nm ;
A.5.
Fun
~
ao Cara
ter
sti
a de uma Vari
avel Aleat
oria
27
F (f ) =
ent~ao
hF (f )i =
n f n ;
n hf n i =
n an :
Exemplo:
hf i =
n
xn dx =
1
:
n+1
1:
an =
N
X
k=1
xnk pk
28
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
Cf (t) eitf ;
onde t e uma variavel real. Caso f seja uma variavel aleatoria
ontnua
temos que
Z
Cf (t) =
eitx f (x) dx ;
Cf (t) =
pk eitxk :
hf i = in tn
Exemplo:
1 n Cf
t=0
(x) =
p1 e
2
(x
x0 )
2 2
Cf (t) = eitx e
0
1 2 2
t
2
Teorema Importante:
f (x) =
itx
2
Cf (t) dt ;
A.6.
29
nE
N
! P(E ) ;
^
APENDICE
A.
30
Breve Introdu
~
ao
a Teoria da Probabilidade
fN (x) =
onde
i (x) =
N
1 X
1
2N
i (x) ;
i=1
1 se xi = 1
:
0 se xi = +1
f2N =
N 2
1
=
:
2 i
N
2N
a
ou seja,
x f (x) dx
Z
2
x2 >a2
x2 >a2
x2 f (x) dx
f (x) dx = a2 P(jf j a) ;
P(jf j a)
hf i :
a
2
A.7.
P(jf j a)
f2
:
a2
Retornando ent~ao a nossa variavel fN , podemos apli
ar a ultima desigualdade a variavel gN fN hfN i, que tem media zero e
om
vari^an
ia g2N = f2N , para obter
P(jfN
2
hfN ij a) afN
2
2a2 N
! 0 quando N ! 1 :
Esse limite mostra exatamente a
onsist^en
ia interna da teoria da probabilidade nos seus aspe
tos interpretativos: e a lei dos grandes numeros
em a
~ao.
Repetindo todos os passos da dis
uss~ao a
ima podemos apresenta
vers~ao muito mais geral do limite a
ima obtido.
P(jfN
mj a)
f2N
2
=
a2
a2 N
! 0 quando N ! 1 ;
fN =
N
1 X
i ;
i=1
32
^
APENDICE
A.
Breve Introdu
~
ao
a Teoria da Probabilidade
P(jfN
mj a) ! 0 quando N
!1:
Queremos agora obter uma estimativa mais pre
isa de
omo a variavel fN
utua em torno do seu valor medio, para N grande. Essa
informa
~ao nos e forne
ida pelo
hamado Teorema Central do Limite,
que diz que para N grande essas
utua
~oes tem uma distribui
~ao gaussiana
om vari^an
ia 2 .
fN
m=
N
X
i
Nm
' p1 G ;
N
i=1
ou equivalentemente,
gN
N (fN m) = p1
N
X
i
Nm
i=1
! G quando N ! 1 ;
iN
t
= C( p )
N
N
onde C (t) C1 (t) = = CN (t) e a fun
~ao
ara
tersti
a
omum
as variaveis aleatorias i ; i = 1; : : : ; N . O lado direito pode ser ent~ao
al
ulado.
N
t
CgN (t) = C ( p )
N
= ei
ptN 1
EN
i ptN 1
t
= 1 + i p 1
N
t2 2
1
1 + O
2N
N2
A.7.
e portanto
D
EN
i ptN 1
= 1
1
t2 2
+O
2N
N2
N
1
t2 2
+O
2N
N2
N
=e
t2 2
2
; ;
em palavras: a fun
~ao
ara
tersti
a CgN (t)
onverge para a fun
~ao
ara
tersti
a de uma gaussiana de media zero e vari^an
ia igual a vari^an
ia
omum 2 . Isto impli
a para a distribui
~ao de probabilidade gN a
propriedade
Z
lim
N !1
gN (x) dx =
x2
2 2
2
dx :