MATEMATICA UNIVERSITARIA
n& 38/39 — julho/dezembro 2005 - pp. 35-68
Introduc¢ao a probabilidade
€ aos processos estocasticos:
uma exposicao para quem nao sabe
nada do assunto.
ARTUR O, LOPES
‘Vamos apresentar neste artigo algumas definigdes preliminares,
exibir alguns exemplos de natureza simples e discutir também algu-
mas (poucas) idéias bdsicas da teoria da probabilidade e dos processos
estocdsticos. Certas partes desta exposigao tém um carater levemen-
te informal.
Nossa apresentacao visa o leitor que ndo tem a menor idéia do
assunto. O objetivo aqui é descrever o ponto de vista probabilfstico
ou estatistico (de se analisar wm problema matemético) em um
nivel elementar.
O rigor matematico sera apenas aquele necessdrio para que as idéias
centrais fiquem claras ao leitor.
Considere fixado um conjunto K. Uma probabilidade P em K é uma
lei que associa a cada subconjunto A de K um valor real nao negativo
P(A) menor ou igual a um. O valor P(K) se assume ser igual a um.
Algumas propriedades mais (definigdo 2) serdio requeridas para P.
Fixado 0 conjunto K, denotamos por P(K) = {A|A C K}, o con-
junto das partes de K. 36 Artur O. Lopes
Infelizmente, em muitos casos interessantes nao se pode definir P
(com as tais propriedades que desejamos) em todos os subconjuntos A
de K, ou seja sobre a classe de conjuntos P(K).
Sendo assim, é necessdrio introduzir a seguinte definigio:
Definigio 1: Uma familia A de subconjuntos de um conjunto K é
chamado de o-4lgebra sobre K no caso em que:
a) o conjunto K pertence a A,
b) se A pertence a A, entdo o complemento K — A também pertence
aA,
c) se (An)nen é uma colegéo enumerdvel de conjuntos em .A, entdo
a unio UnewAn também esta em A.
Note que A C P(K). Note também que se (An)nen é uma colegio
enumerdvel de conjuntos em A, ent&o a intersegio Nnendn = K —
Unen(K — An) esté em A.
Os conjuntos A em A sao chamados de conjuntos A-mensurdveis,
ou, simplemente conjuntos mensurdveis, se estiver claro qual a sigma-
Algebra A a qual estamos nos referindo.
Quando K for um conjunto finito ou enumerdvel a tnica sigma-
Algebra que iremos considerar sobre K seré A = P(K).
Observamos que quando K é finito, entéo P(K) é finito, mas quando
K 6 enumerdvel infinito, entiio P(K) néo 6 enumerével.
Definigao 2: Uma probabilidade P sobre uma o-dlgebra A de subcon-
juntos de K é uma lei que associa a cada A em A um numero real P(A)
tal que
a) P(K)=1,
b) se B, ,n € N, 6 uma colegdo enumerdvel de subconjuntos de A tal
que By Emm = 0, para m # n, entdo P(Unew Bn) = Cen P(En)-
Chamamos o par (K, A), como definido acima, de espago mensuravel. Introduc&o & Probabilidade e aos Processos Estocdsticos 37
;
i
i
| Uma vez fixada a probabilidade P sobre a sigma-dlgebra A chamamos
i a tripla (K,.A, P) de espaco de probabilidade.
i Um exemplo simples aparece quando jogamos um dado: existem seis
i faces e intuitivamente sabemos que cada uma tem probabilidade 1/6
: de sair. Podemos modelar tai problema com K = {1,2,3,4,5,6}, ¢
P({i}) = 1/6, onde i € K. A sigma Algebra A é 0 conjunto das partes
P(K). A probabilidade de sair 1 ou 2 € 2/6. Ou seja
P({1,2}) = P({1}) + PU2}) = 1/6 + 1/6 = 2/6.
Este é um problema nio deterministico. Nao podemos afirmar qual
face iré sair ao langar o dado, podemos apenas falar na probabilidade
de sair uma certa face.
A idéia que 0 conceito geral de probabilidade traduz é que um con-
junto A € A tal que P(A) = 0 6 de natureza desprezivel (probabilisti-
camente falando), ou seja, w € A nao ocorre em termos probabilisticos
(ou estatisticos). Por sua vez, um conjunto A tal que P(A) = 1 traduz
o fato que w € A ocorre com certeza em termos probabilisticos. Esta-
mos tratando aqui de eventos aleatérios, sendo assim sd se pode falar da
probabilidade de algo ocorrer. O conjunto A descreve um conjunto de
elementos w com certas propriedades. Quanto maior for o valor P(A),
maior a probabilidade de w € A ocorrer.
No exemplo do dado considerado antes, apenas o conjunto vazio
tem probabilidade zero. Neste caso, nfo aparece de maneira muito
transparente o que estamos tentando destacar acima. O problema é que
tomamos um exemplo muito simples. Outros mais complexos aparecerao
em breve.
Quando K for finito ou enumerdvel, ou seja da forma K =
{ht;kay.++,hn} ou K = {ki,ko,.-.yhns-..}, @ probabilidade P sobre
A=P(K) fica especificada apenas pelos valores p; = P({ki}).
B usual se denotar o espaco K onde P atua por 0 ¢ denomind-lo
de espacgo amostral. Um elemento w em 2 seré denominado de uma,
amostra de Q ou também de um evento.
Definig&o 3: Considere K equipado com uma o-dlgebra Ae V
outro conjunto equipado com uma o-dlgebra G. Uma fungio ¢: K = V 38 Artur O. Lopes
6 chamada de mensuravel se ¢-}(A) € A para todo A € G.
Consideraremos aqui apenas fungdes mensurdveis 6: K > V, em
que V é finito ou enumerével, V = {v1,02,...,0:,-.}, @ contido em R
(ou ainda em 2” para algum m natural). O conjunto K nio precisa
necessariamente estar dentro de um RF.
Quando A for P(K), 0 conjunto das partes de K, entio qualquer
$:K 3V é mensurdvel.
Em qualquer caso é usual a notacio X : (0,4) — (V,g), ou seja
se utiliza letras maitisculas, para descrever a fungao ¢ = X com as
propriedades acima descritas. A fungio mensuravel X é usualmente
denominada de varidvel aleatéria. E comum denotar os elementos de
Q por w e os elementos onde X toma valores por 2, logo « denota um
elemento em V (a letra mintscula 2 correspondendo a maitiscula X).
Assim se conisderarmos uma Y : (9.4) + (V,G) os elementos de V
sero denominados de y.
Vamos dar um exemplo de um jogo que ilustra tal conceito: considere
um dado com seis faces e que serd jogado uma vez. O jogo é o seguinte:
se sair a face 1 ou 2 ganhamos 1 real, caso contrério ganhamos 2 reais.
Considere X : {1,2,3,4,5,6} = — {1,2}, tal que
X(1) =1, X(2) =1,X(3) = 2, X(4) = 2,.X(5) = 2, X(6) =
‘A fungio X descreve o que vamos ganhar quando se joga.o dado em
fungao da face que sai. Neste caso é natural concluir que
P({wlX(w) =3}) = 1/3 Plfw|X(w) = 2}) = 2/3.
Seguindo a notacdo descrita acima, a sigma-dlgebra a ser considerada
em 06 A= P({1,2,3,4,5, 6}). Ainda V = {1,2} e G = P({1,2}).
¥ facil ver que soma, produtos e compostas de fungdes mensurdveis
determinam novas fungdes mensurdveis.
Como outro exemplo de probabilidade, considere uma cidade que
possui populacdéo de N = 10.000 habitantes e que cada habitante uti-
liza um e apenas um de dois provedores de internet. Suponhamos que
num dado dia 7.000 habitantes utilizam o provedor 1 e 3.000 usam o
provedor 2. |
i
|
|
Introduc¢ao & Probabilidade e aos Processos Estocdsticos 39
Neste caso é natural tomar (2 como o conjunto dos 10.000 habitantes,
A como a classe das partes P() e ainda considerar a probabilidade P
em P(2) tal que
mimero de pessoas no conjunto AC 2
10.000 .
Seja X : 2 V = {1,2}, que associa cada habitante a seu provedor
no dia em questo, Como Q e V sio finitos (logo A = P(®)) entéio X é
mensurével.
Seja ¢ : (K,A,P) + (V,G) mensurdvel, entdo fica naturalmente
definido uma probabilidade P sobre (V,G), através de P(B) = P(6™1(B))
para cada B € G. Ii facil ver que P é uma probabilidade sobre (V,G).
Algumas vezes denotaremos tal P por Ps, para enfatizar que foi obtida
de P através de ¢.
Dado X : (Q,.A, P) + (V,G), diremos que P = Py é a probabilidade
induzida pela fungéio mensurdvel (varidvel aleatéria) X e pela probabi-
lidade P.
Tal probabilidade Py é denominada de distribuigdo da varidvel alea-
téria X. Quando X toma valores.reais, ou seja V = R, a probabilidade
Px estaré, definida para subconjuntos B da reta real.
Em breve veremos que a distribuigio Py de X é na verdade mais
importante que a propria probabilidade P.
No exemplo que estamos considerando acima, onde definimos X :
Q + V = {1,2}, obtemos, a partir da probabilidade P inicialmente
considerada, uma nova probabilidade P = Px definida acima como
P({1}) = 0.7 e P({2}) = 0.3. Usando a propriedade aditiva da pro-
babilidade, entdo 6 claro que disto segue que P({1,2}) = 1. Ainda
P(§) = 0. Deste modo ficaram explicitos os valores de P = Px sobre
P({1,2}).
Este 6 um dos exemplos mais simples de probabilidade que con-
seguimos imaginar.
Podemos entiio dizer que utilizar o provedor 1 tem probabilidade 0.7
e utilizar o provedor 2 tem probabilidade 0.3, ou seja Px({1}) = 0.7 e
Px ({2})=0.3. E preferivel a notagio P(X=1)=0.7 e P(X=2)=0.3.
Acima P(X = 1) significa P({w | X(w) = 1}), ete...
P(A) = 40 Artur 0. Lopes
Fixado X, para simplificar a notag4o, muitas vezes nao se diferencia a
probabilidade P (inicialmente considerada) da distribuigio Px, omitindo
assim expressdes com P.ou Py (que age sobre subconjuntos de V} ¢
usando apenas a letra P (que age sobre subconjuntos de 2). Logo,
quando esta claro de qual X falamos, nao deve ser motivo de confusaio
falar de P(B) para um conjunto BC V. Neste caso, P(B) = P({w €
Q|X(w) € BY).
Vamos agora definir 0 que é um processo estocastico.
Definicio 4: Seja (0,.A, P) espago de probabilidade, ($,G) um espago
mensurdvel e ainda uma familia de varidveis aleatérias X; indexadas por
um pardmetro t € I’, onde TC R, ¢ onde cada X; : (0,4, P) -> (8,9)
6 mensurdvel. Dizemos que tal (X:)ser 6 um processo estocdstico. No
presente texto S é sempre finito ou enumerdvel ¢ assim G = P(S).
Espago de parametros - O conjunto T # 6 contido em R é de-
nominado espago de pardmetros ou indices do processo. O conjunto T
possui uma ordem e vamos pensar que para cada t € T a varidvel X;
descreve 0 que acontece com o processo no tempo t.
Dois casos importantes séo:
Parametro discreto -T' = N, ou Z, ou ainda {1,2,...,n}-
Parametro continuo - T' = [a, 6], ou T = {t € R|t > 0} = R* ou
ainda T = R.
Definigdo 5: Espaco de Estados - é 0 conjunto S, ou seja, o elenco
dos possiveis valores de cada varidvel aleatéria X;.
Quando S$ é finito, S seré suposto da forma {1,2,...,m} ou ainda
{1,2,...,m}*, onde me k sio ntimeros naturais,
O tinico caso que iremos tratar aqui é quando T = N.
Para todo w € © fixo, e t também fixo, X;(w) determina o valor do
processo no tempo ¢ avaliado em w e algumas vezes é denotado por wz.
Quando w € © esta fixo e t varidvel, os valores X;(w) = w descrevem
a evolugdo temporal ao longo do tempo t € T. Usamos a letra grega
w para denotar w = {wr}rer € S7 associado a um certo w. Observe
que w € Qew € ST. Por exemplo, se S = {1,2,3} e T =N, umw |
i
i
|
|
|
Intreducao a Probabilidade e aos Processos Estocdsticos AL
poderia ser a seqiiéncia ordenada infinita (2, 2,3, 1,2,3, 1,2, 3,3,.
(wy, W2, WS, 200 Why ore)
Note ainda que usaremos aqui a seguinte notacio: se 0 conjunto A
& definido por
A= {wlXz, (w) = a1, Xi (w) = a9, .... Xt, (w) = an} =
{Xt, = a1, Xe = 42, 0.,.X1, = Gn}
e B por
Ba (wlXo, = 61, X59 = b2, Xs = bin},
entao
ANB = {ulXr, (w) = a1, Xr, (w) = aa... Xe, (w) = an,
Xs, (tw) = br, Xoq(w) = bay 00, Xa (to)
ms
ou seja, sem maior preocupagao com a ordem dos tempos envolvidos.
Concretamente, se
A= {Xz =1, Xp = 3, Xg = 4},
B= {X, =4,X_ =1,Xg = 3, Xp = 2},
podemos denotar AM B, indistintamente como
ANB ={X =4,Xz = 1, Xp = 3,Xg = 3, Xp = 4, Xo = 2},
ou como
ANB = {Xp =1,X¢ =3,Xg=4,X1 = 4, Xp =1,Xg = 3, Xo = 2}.
Note que neste caso
{X =4,X_ = 1, Xp = 3,Xa =3, Kg = 4X = 2} = 8,
porque ndo se pode existir w tal que Xg(w) = 4 e Xg(w) = 3. 42 Artur O. Lopes
Nao confunda este conjunto com
OA {X, =4,X2 =1, Xo =3, Xe € (3,4}, Xo = 2 =
{Xy 24, Xo =1,Xp = 3, Xp = 3, Xq = 2PU
{X1 =4, Xo = 1, Xp = 3, Xs = 4, Xq = 2}.
Note ainda que
{X1 € {2,4}, Xo =1, Xa € {3,4}} #
{X= 4, X_ = 1,X4 =3}U
{X1 = 2, Xq = 1X4 =4}.
Prosseguindo com o exemplo da cidade com N = 10.000 habitantes,
vamos supor que @ cada més se faga uma enquete e cada pessoa informe
qual internet esté usando. Vamos estabelecer que se vai realizar enquetes
em trés oportunidades seguidas com intervalo de um més. Fica assim
determinado que T = {1,2,3}, S = {1,2} e X; descreve qual provedor
uma determinada pessoa estava utilizando no dia da enquete t-ésima,
te {1,2, 3}.
Para simplificar assumimos que em cada més toda pessoa w utiliza
um e apenas um provedor. Neste caso, é natural tomar 2 = {1,2,...,N},
e uma amostra-w é um habitante da cidade. Neste caso, X;(w) =u € 5,
t € {1,2,3}, descreve o provedor utilizado pelo individuo w na enquete
t-ésima.
Um elemento w poderia ser, por exemplo, w = (1,2,1) € S7. Este
w corresponde a individuos w tais que usavam a internet 1 no més 1, a
internet 2 no més 2 e a internet 1 no més 3.
As perguntas que estaremos preliminarmente interessados em anali-
sar envolvem por exemplo: qual o valor de
P(X, = 2, X_ = 2X3 =1) =
P({w € Qtais que Xy(w) = 2, Xo(w) = 2, Xa(w) = 1})?
Para efetuar este cdlculo, contamos cada individuo que na primeira en-
quete usava o provedor 2, na segunda o mesmo provedor 2 e na terceira |
{
|
i
|
|
Introduco & Probabilidade e aos Processos Estocdsticos 43
trocou para o provedor 1. A seguir dividimos o mimero obtide por
N = 10.000.
Os possiveis w = (wy, 12, w3) tomariam valores em
{1,2}8 = {1,2} x {1,2} x {1,2}.
Note que diferentes pessoas w € Q podem determinar 0 mesmo valor
w= (wer € {1,2}.
Um conceito de fundamental importancia em probabilidade 6 0 de
probabilidade condicional.
Definigdo 6: Fixado (92,.A, P), denotamos por
P(ANB)
P(alay =
a probabilidade de ocorrer A dado que ocorreu B. Isto sé faz sentido, é
claro, se P(B) #0.
Por exemplo, para saber qual a probabilidade de um estudante do
colégio B passar no exame vestibular da universidade A, considera-se 0
quociente
niimero de estudantes do colégio B que passaram na universidade A
niimero de estudantes do colégio B
Definig&o 7: Fixada uma probabilidade P, dizemos que o evento defi-
nido pelo conjunto A é independente do evento definido pelo conjunto
Bse
P(ANB) = P(A) P(B).
No caso em que P(B) # 0, temos que
P(A|B) = P(A).
Esta propriedade descreve o fato que para os conjuntos A, B em con-
sideragio, a ocorréncia de A ndo tem nada a ver, em termos estatisticos,
com a ocorréncia de B. 44 Artur O. Lopes
Definig&o 8: Sejam (X,, P) onde X(w) € Se (¥,9,P:) onde ¥(w) €
51. Diremos que X é independente de ¥ se para qualquer elementos
aeScRebéS €R vale que
P(X
al¥ =b) = P(X =a),
ou seja, se
P(X =a, ¥ =b) = P({X =a} N{Y = d}) = P({X = a}) P({Y = 0}).
Como exemplo, considere X a varidvel que descreve a face que sai
quando se joga um dado a primeira vez e Y a varidvel que descreve a
face que sai quando jogamos o dado uma segunda vez.
Sejam a,b € {1,2,3,4,5,6} fixados, entdo
P(X =a, ¥ = 6) = 1/36 = (1/6).
Isto porque, temos ao todo 6” possibilidades de saidas de pares or-
denados de faces (x,y) € {1,2,3,4,5,6} x {1,2,3,4,5,6}. O par (a,6)
corresponde a apenas uma postibilidade. Cada par tem a mesma chance
de sair, logo tem mesma probabilidade.
Sendo assim,
P(X =a, ¥ =0) =1/36 = 1/6 1/6 = P(X =a) P(Y =0).
Logo, a face que sai no primeiro lancamento do dado é
dente do que sai no segundo langamento. E usual colocar o tempo como
parametro e assim denominar X = X1 ¢ Y = Xg. Se fossemos langar a
moeda uma terceira vez, o resultado seria X3
Voltando ao modelo do uso da internet, poderiamos definir uma
varidvel ¥ tal que ¥(w) = 4 se a renda mensal do individuo w é abaixo
de 4.000, 00 reais e ¥ (w) = 5 caso contrario. Neste caso, 51 = {4,5}, ¢
se por acaso X é independente de Y, entéo existe uma clara indicagiio
de que o uso da internet 1 ou 2 6 independente da classe de renda do
individuo w.
indepen- Introdugao 4 Probabilidade e aos Processos Estocdsticos 45
Podemos nos perguntar também: qual a probabilidade de uma pes-
soa utilizar a internet | na terceira enquete, dado que utilizou a internet
2 nas duas primeiras? Serd que nesta questao especifica existe inde-
pendéncia?
Para responder tal pergunta devemos calcular
P(Xy = 1|X, = 2, X, =2) =
Vai existir independéncia (do que acontece no tempo 3 em fungio do
uso anterior no tempo 1 e 2), se, por acaso,
Nao nos parece natural que vd ocorrer independéncia, pois existe
sempre uma certa dose de inércia nas indoles das pessoas: se um in-
dividuo usava a internet 2 no més 2, entao o valor da probabilidade que
ele vé continuar usando a internet 2 no més 3 é maior do que o valor da
probabilidade que ele passe a usar a internet 1 no més 3.
Para responder com certeza a pergunta acima seria necessdrio obter
os dados exatos sobre os habitantes da tal cidade nestas trés oportu-
nidades e fazer a conta acima.
Consideramos finalmente 0 caso mais interessante em que T = Ne
X_:Q— {1,2} que vai descrever a evolugiio temporal ilimitada do uso
do provedor de cada habitante w da cidade. Uma pergunta natural que
podemos nos fazer neste caso é a, seguinte: serd que existem os limites
Im PG =D=m,
i = 2) = 1?
Jim P(X: =2) =m
Outra questao: serd que existe o limite
F = =2)?
Jim P(X: = 1% = 2)?
Um dos objetivos da teoria é atacar questées desta natureza. 46 Artur O. Lopes
Para cada amostra w € © fixada, seja a seqiiéncia w = (we)ten =
(Xi(w))tew € {w : N > S} = SN, que seré denominada de caminho
amostral. Na verdade os w = (w:)ren desempenham na teoria um papel
mais fundamental do que os w.
Qs exemplos do mundo real, no entanto, muitas vezes aparecem de
maneira natural no domfnio dos w € 2.
Alertamos o leitor que, fixado o processo estocdstico (X)sen, ¢ usual
no fazer muita distincéio entre w e w e também entre 2 e SN. Ou seja,
podemos falar em w € @ ou w € S¥. Faremos esta distingéo apenas
quando isto for necessério para esclarecer algum ponto.
Vamos considerar a seguir uma. classe importante de processos es-
tocdsticos.
Definicdo 9: Fixados (Q,A,P), dizemos que o processo X; tomando
valores em S$ (enumerdvel) ¢ com parametro t € T’ = N é independente
se para cada ne cada seqiléncia t) < tg <...< ti, €T =N, e para
cada seqiiéncia de valores a, @2,...;@n € S vale que
P(X, = a1, Xtg = 2; 0) Xt, = Gn) =
P(Xp, = a1) P(Xty = 2).00-P(Xt, = Gn):
Vamos voltar ao exemplo do jogo com um dado que mencionamos
antes, Como vimos, neste jogo P(X = 1) = 1/3 e P(X = 2) = 2/3.
Vamos agora jogar o dado sucessivamente e X; vai descrever o que ga-
nhamos na jogada ¢ € T = N em fungao da face que saiu. B natural
assumir que para cada t fixo, a varidvel X; é descrita também por X
como acima,
Uma conta facil (levando em conta o conjunto das possibilidades)
mostra que
24.2 16
P= 1, X2=2, Xs =) = 7S =
tag = P(X, =1) P(Xp = 2) P(Xs = 1).
Procedendo de maneira semelhante é facil ver que
P(X, = a1, Xty = 2504 Xig = On) = Introdug3o & Probabilidade e aos Processos Estocdsticos 47
P(X, = 01) P(Xty = @2)..00-P (Kin = On),
para qualquer seqiiéncia t) < to <... < ty € a € {1,2},4 € {1,2,...,n}.
Mais explicitamente,
1g 2 \n-
P(X, = 4, Xty = 02,1 Xty = Om) = * Gy” *,
onde k é o niimero de valores 1 entre os n valores a1, @2,-.-,@n+
Ou seja, 0 processo estocdstico associado a jogar o dado sucessivas
vezes (e ver obtemos X = 1 ou X = 2) é um processo independente.
Outra questao: vamos jogar o dado n vezes e denotar por X1, X2,.-., Xn
os resultados obtidos sucessivamente em ordem de aparecimento; qual a
probabilidade de se obter & vezes X; = 1 (ou seja, sair a face 1 ou 2 do
dado), entre os # € {1,2,3..,n}? Ora existem
nl
(n— WIA
possibilidades de isto ocorrer no universo de 2” ocorréncias de X = 1
ou X = 2, ou seja dos possiveis resultados X; que se obtém ao jogar o
dado n, vezes.
Cada uma das ocorréncias tem probabilidade (4)* (2)"~*, Aqui esta-
mos usando a expressfo acima que segue da independéncia do processo.
Logo a probabilidade que buscamos vale
nl Lig 2 sneok
(a — BIR! Grgr
Mais geralmente, se ocorrer no jogo uma probabilidade p de sair
X =1e uma probabilidade 1 — p de ocorrer X = 2 em uma jogada, a
probabilidade de ocorrer um total de k vezes o X = 1 em n jogadas é
igual a
! a
alan Pde)
Estamos supondo, é claro, que existe independéncia entre as suces-
sivas jogadas.
Esta distribuicio é denominada de Binomial (n,p). Para cada k
temos um valor e a soma, destes valores para k = 0,1,2,..,n é igual a 1. 48 Artur O. Lopes
Para checar que a soma destes valores é exatamente igual a 1, pode-
mos usar o Binémio de Newton:
= nak
1=(p+(1-p)) = Rae oe? a~p",
‘Vamos agora dar um exemplo prdtico do uso da Teoria das Proba-
bilidades. Uma companhia aérea possui um avido com s lugares. Ela
sabe que em geral ocorre que um certo ntimero de pessoas compram a
passagem mas nado aparecem na hora do véo. Ent&o ela vende v lu-
gares para 0 véo e v > s. Através da experiéncia passada, a companhia
sabe que, em termos estatisticos, existe uma probabilidade p de com-
parecimento. Ou seja, cada individuo, entre as v pessoas que compram
passagem, comparece ao véo com probabildade p. Qual 0 risco de que o
niimero de pessoas que comparecem ao véo supere o numero de assentos
s? Ora, primeiro note que se pode supor independéncia na andlise da
questo, Qual probabilidade r() de aparecerem j dos v passageiros que
compraram a passagem’? Resposia:
ri) = p(l—p)?.
e-aF F i
Logo, a probabilidade de que o ntimero de pessoas que comparecem
a um certo vGo supere 6 mimero de assentos s é
» r-
jstt
Definig&o 10: Fixados (2, P,.A), (V,V) = (V,P(V)), onde V C Ré fini-
to ou enumerdvel, e uma fungio mensurdvel X : (0, P,.A) > (V,P(V)),
chamamamos de integral de X em relagao a P, 0 valor real
e que ser§ denotado por [XaP = f X(w)dP(w)
E usual chamar [ XdP de esperanga da varidvel aleatéria X.
| Introdu¢3o 4 Probabilidade e aos Processos Estocdsticos 49
Note que dadas as varidveis aleatérias X:Q4VCReY:Q—34
VCR, entio [(X+Y)dP =f XaP + fyap.
Vamos calcular agora E(X1) no caso do exemplo do processo inde-
pendente em que jogamos sucessivamente um dado.
Segue da definigdo acima que
E(%) = [sep
= 1LP(X, = 1) +2.P(G =2) = 1.1/3 +2.2/3 =5/3.
Este valor corresponde ao lucro médio esperado quando se joga a
moeda uma vez.
Note que neste caso também vale para qualquer tempo i que
E(X;) = 5/3.
Para saber a riqueza acumulada até a terceira jogada deveriamos
considerar a varidvel aleatéria $3 = X] + X2 + X3.
A varidvel S3 esta definida para elementos
(wi, we, ws) € {1,2,3,4,5,6}%.
Para simplificar a notago é usual considerar que embora inicialmente
X1 : {1,2,3,4,5,6} = {1,2}, podemos usar a mesma expressio Xy
para denotar X; : {1,2,3,4,5,6}9 + {1,2}, ow seja, X1(un, we, ws) =
Xi (wi).
O mesmo vale analogamente para X) ¢ X3. Este procedimento é
completamente geral e sera utilizado no texto em outros casos similares
sem nenhuma mengio a esta pequena sutileza. Logo X1,X2,X3 e $3
podem ser consideradas todas sobre 0 mesmo dominio {1,2,3,4,5, 6}.
Como a integral é aditiva na funcdo obtemos entio que
E(S3) = E(Xy) + (Xo) + B(X3) = 3.5/3 =5.
S3 descreve 0 ganho em trés jogadas e é uma varidvel aleatéria
tomando valores em R. Ainda, E($z) = E(X;) + E(X2) + E(X3) +
F(X) = 20/3.
Se tivermos que estimar o que se ganha na média neste jogo em trés
jogadas, a resposta seré E(53) = 5. 50 Artur O. Lopes
Podemos considerar outros jogos em que dependendo da face que sai
uma moeda quando esta é lancada quatro vezes seguidas se ganha uma
certa quantia, ou entdo um jogo de roleta, ete...
Da mesma forma como antes, se pode calcular a esperanga do ganho
auferido em cada um destes diversos jogos. Se tivermos que tomar uma
decis&o sobre qual jogo seria mais lucrativo jogar, a escolha mais sabia
seria participar daquele que tem o maior valor esperado do ganho.
Vamos apresentar mais um exemplo da importancia do célculo do
valor esperado. No caso da venda de passagem da companhia aérea
discutido previamente, assuma que para cada passageiro que execeda os
8 assentos disponiveis sera necessdrio pagar uma didria de hotel (até que
saia o proximo véo no dia seguinte) de 200,00 reais. Qual sera a despesa
média esperada L(v) oriunda do procedimento de vender v passagens
com v > s para um aviao de s lugares?
A resposta é
v
Lv) = © r(¥) x (§ =) x 200,00.
j=stl
Agora devemos calcular, em fungiio do valor do prego de cada pas-
sagem, o lucro obtido com a venda de v passagens e comparar com 0
prejufzo L(v) oriundo do eventual comparecimento de mais de s pas-
sageiros com a venda de uv passagens.
Para simplificar nossa andlise nao estamos levando em conta a in-
fluéncia no numero de assentos necessdrios no avido no dia seguinte (na
eventualidade de comparecimento de mais de s passageiros num certo
dia).
‘A questo relevante para a companhia aérea seria entdo encontrar
para. qual v ocorre o valor maximo de lucro esperado. Nao vamos discutir
aqui as eventuais questies éticas envolvidas no problema.
Apés estes exemplos vamos voltar ao nosso tépico principal, ou seja
os Processos Estocdsticos.
Voltemos agora ao caso geral de processo estocdstico (X;)zen, sobre
um espaco de probabilidade (Q, P, A) fixado, onde X; : 2 4 S para Introdu¢3o & Probabilidade e aos Processos Estocdsticos 51
um certo conjunto finito ou enumerdvel S. O caso que realmente nos
interessa é quando ¢ € N, ou seja, ¢ ilimitado. Neste caso, podemos,
por exemplo, analisar o comportamento limite de um caminho amostral
(wi)iex (com probabilidade 1) obtido do processo, ete...
Por exemplo, no caso em que S = {1,2}, podemos nos perguntar:
fixado w = (wy, we, Wz, .., Wn, ..-) Serd que existe o limite
Wr
lim #-vezes que aparece o | entre os valores w;, w2, W3,
no n
Como se pode calcular tal valor? Este tipo de resultado ocorre, por
exemplo, para processos independentes e é contemplado pela Lei dos
Grandes Ntmeros, um dos teoremas mais importantes da Probabilidade
(ver [G] ou {Nj para enunciado preciso).
Existem w = (u;)ien para os quais tal limite nao existe. O que
desejamos saber é se existe um conjunto K Cc Q = {1,2}" tal que
P(K) = 1e paraw © K, vale que existe o limite acima. Esta 6 a
esséncia da visio probabilistica. (ou estatistica) de analisar o problema.
Concretamente, no caso em que se joga sucessivamente uma moeda,
€ associamos 1 & cara e 2 A coroa, se X;, € {1,2} determina a face que
saiu na jogada n-ésima, sabemos intuitivamente que quando a moeda é
jogada um ntimero grande de vezes, na média, na metade delas sai cara.
Este fato segue da Lei dos Grandes Nuimeros e do fato que o processo
X;,, neste caso, 6 independente.
Note que é possivel que saia infinitas vezes cara, 0 que correspon-
deria ao evento w = (1,1,1,1,1,1,1,1,..). O fato é que elementos desta
forma, estéio fora de um conjunto K CQ = {1,2} de probabilidade 1
onde vale que
#vezes que aparece 0 1 entre os valores wi, W2)--)Wn-1 _ 1
kin ES
nc n
n
Voltemos ao exemplo em que uma companhia vende v lugares para
um. avido de s lugares, onde v > s. Vamos supor que a cada dia é ofe-
recido um véo seguindo esta politica, onde v ¢ s est&o fixos. Suponha
que X, descreva o ntimero de passageiros que aparecem no dia n. O 52 Artur QO. Lopes
processo estocdstico X;, toma valores em S$ = {0,1,2,3,..,v}. EB ra-
zoavel supor que X,, é um processo independente. Conforme calculado
antes, L(v) é 0 valor esperado de gasto com hotel oriundo desta politica.
Uma das conseqiiéncias da Lei dos Grandes Niimeros & que, neste caso,
se calcularmos 0 valor médio durante, digamos, 100 dias, iremos obter
aproximadamente o valor L(v). Mais precisamente, seja Ly 0 gasto
no dia n com hotel para passageiros que ndo conseguem lugar no véo
(quando X;, > 8), ent&éo da LGN segue que
nt+lo+ La
lim = Lr).
300 n
Sendo assim, o gasto estimado em 100 dias seria aproximadamente
100 L(v).
Desejamos esclarecer um ponto importante sobre como séo em geral
introduzidos os modelos na teoria.
Considere T = N, as varidveis X;: 2 3 S, t EN, a probabilidade
P, etc... Como sempre S' é finito, ou, se infinito, ent&éo enumerdvel.
Considere agora para n fixo, uma seqiiéncia também fixada de tempos
ordenados, t) 0em+m=1.
Por exemplo m = (2/5,3/5).
Fixado P e m vamos definir primeiro a probabilidade P sobre 2 =
{1,2}* para certos tipos de conjunto.
Por definicdo,
P(Xo = 0, Xt = 01, Xty = G2, Xtg = 43, ---) Xtq = On) =
P({w € Q| Xo = a0, Xt, = a1, Xry = 2, Xtq = 03; Xt, = On}) =
1 pat piste pin—tn-1
Tao Paya: Paias Paras Pana'én ?
onde n EN, a; € {1,2} 0 Sty < ty < te << th.
Por exemplo, no caso da matriz dois por dois e do vetor de proba-
bilidade descrito acima, obtemos que
12341
105 573
P({2} x {1} x {1} x {1,2}§) = P(X = 2X) = 1,Xy = 1).
Afirmamos que, neste caso, as regras de compatibilidade estdo sa-
tisfeitas para tal P e assim pelo Teorema de Kolmogorov esta P pode
ser considerada sobre uma certa sigma-dlgebra F C P(Q). Todos os
conjuntos da forma
=m Poi Pi =
{w € 2] Xo = a0, Xt, = a1, Xp = G2; Xiy = 035-4) Xt, = An} 56 Artur 0. Lopes
esto em F.
Este processo é nosso primeiro exemplo de Processo de Markov. Em
breve vamos falar um pouco mais detalhadamente sobre tais processos.
Os resultados acima sao descritos detalhadamente no que se deno-
mina de ‘Teoria da Medida ([B],{C],[F]).
Vamos apresentar agora uma ilustragdo concreta da maneira im-
plicita de apresentar um processo estocdstico. Para isto serd necessdrio
descrever, antes de mais nada, uma propriedade muito importante.
Regra de Bayes: Seja (P,2,A) um espaco de probabilidade. Con-
sidere duas varidveis aleatérias, uma X tomando valores em S| e outra
Y tomando valores em $2.
Entao, para s1 € 5S; fixo
P(X =5) = SD P(X = si¥ = 52) PLY = 52).
$2€S2
Esta propriedade segue trivialmente de
P(X =5)= So (X =s1e¥ =)
$2652
= Yo P(X = a)¥ = 92) PY = 5),
$2652
que por sua vez segue da propriedade b) da definig&o 2.
Uma versiio um pouco mais geral desta propriedade afirma:
Regra de Bayes: Seja (P,2,A) um espago de probabilidade. Con-
sidere uma varidvel aleatéria X tomando valores em S e um conjunto
AEA,
Entao,
Plw€ A) = So Pw € AIX = 5) P(X = 5).
ses
A demonstracio deste fato é a mesma do caso anterior.
De maneira heuristica podemos dizer que a regra de Bayes desempe-
nha em probabilidade um papel semelhante ao do teorema fundamental Intredugio 4 Probabilidade e aos Processos Estocdsticos 57
no Célculo. Mais exatamente, um informagio global (uma integral no
Célculo) P(w € A) é obtida através de uma totalizacéio de informagées
localizadas (a derivada no Céleulo) Dyes P(w € A[X = 8) P(X =).
A andlise das diversas propriedades de um proceso estocdstico serd
tao mais complexa quanto mais intensa forem as relagies de dependéncia
entre as varidveis. Nesta hierarquia de dificuldade, os mais simples sao
‘os processos independentes, depois seguem os Processos de Markov que
serdo analisados brevemente a seguir.
Considere uma pessoa que possui um capital inicial ¢ > 0, onde
c 6 um numero natural, e que vai participar de um jogo em que uma
moeda (com probabilidade 1/2 de sair cara ¢ 1/2 de sair coroa) é langada
sucessivamente.
O jogador ganha um real se sai cara e perde um real se sai coroa,
Ele gostaria de atingir um capital fixado C > ¢ > 0. O jogo ter-
tnina quando a fortuna do jogador atinge o valor C’ ou o valor 0. &
natural supor que se o capital inicial c é grande e préximo de C’, entdo
existe maior probabilidade de o jogador atingir seu objetivo de alcangar
a fortuna C do que quando o capital inicial ¢ for préximo de zero. Como
quantificar tais probabilidades? Vamos denotar por p(c) a probabilidade
de 0 jogador entrar em bancarrota, ou soja, atingir ao longo do jogo a
fortuna 0 (antes de atingir o valor C).
Em prineipio, apenas sabemos que p(0) = 1 e p(C) = 0.
‘Vamos modelar este problema através de um processo estocdstico.
Considere c fixado. Neste caso, tome 0 espaco de estados S={0,1,2,..,C},
T =N, X; 60 valor da fortuna no tempo ¢. Considere 2 = {1,2,...,C}®
e a probabilidade P = P, ser descrita a seguir. O ponto fandamontal é
que vamos evitar dizer quem é P explicitamente.
Note que P({w|Xo = c}) = 1, P({w|Xo # c}) = 0. Ainda,
P(X1 =c) =0.
E mais natural descrever P através de condicionais, mais exate-
mente,
P(Xey = d+ 1 |X = d) = 1/2,
P(X =d-1 |X, =a) = 1/2, 58 Artur O. Lopes
para qualquer ¢>leld+1, ou mesmo b = d, vale que
P(X = b |Xe =) =0.
Ainda, 6 natural assumir que
P(Xiz1 =0|X;=0) =1,
P(X = |X =) = 1.
Isto 6 0 jogo termina ao ser aleangado um dos valores 0 ou C.
Note que estas informagées implicitas e ainda, a informagio P(X =
c) = 1 sao suficientes para calcular 0 valor de P(A) para um conjunto
qualquer A C Q = {1,2,...,C}® que depende apenas de finitas restrigdes
temporais.
De fato, por exemplo, considere c fixado,
P(X9 =0, X) =0+1) = P(Xy =c+1|Xo =0)n(Xo =e) =
Note que é natural no presente exemplo que, para i > 0, e di, diti,
di42 € S valha
P(Xin2 = dine | Xi = di, Xena = dig) = P(Xige = dita | Xin = din);
pois o valor de X; no influencia na probabilidade de Xj42 = di+o.
F claro que a probabilidade de Xj:2 = dio é influenciada pelo valor
Xi+1 = di41. Por exemplo,
P(Kin2 = 5| Xin = 3) = 0,
1
P(Kisa = 5| Xin = 4) = 9.
A propriedade
P(Xipe = diza|Xi = di, Xinr = digt) = P(Xiv2 = diya | Xin = div),
stipe sn ieee: Introdu¢o & Probabilidade e aos Processos Estocdsticos 59
sera, denominada de markoviana, e ela afirma em sentido literdrio que
a probabilidade do que vai acontecer num certo tempo depende apenas
do valor da varidvel aleatéria no tempo imediatamente anterior. Os
processos de Markov sero aqueles que possuem tal propriedade.
Seja dz € S, sob as hipdteses acima, podemos calcular via condi-
cionais 0 valor P(Xp = ¢, Xj =c+1, Xp = dp).
De fato,
P(Xp =0, Xp =04+1, Xp = de) =
P(X = d2| Xo =0, Xj =c+1)P(Xo=0, Xp=e+1) =
P(Xp = dy |X =0 +1) P(Xo =, Xi =e +1).
Observe agora que a informacéo P(X2 = dy|X, = ¢ +1) nos foi
fornecida e 0 valor P(X» = c, X; =c +1) jé foi calculado antes. Logo,
podemos obier o desejado.
Sendo assim, por exemplo, no caso em que c = 1,
P((u| Xolw) = 1, ilu) =2, Xo(w) = 1) = GP.
¥ usual denotar a probabilidade P quando assumimos que Xp = ¢,
ou seja, quando o capital inicial for c, por P,. Este ponto de vista sera.
importante a seguir, Vamos analisar a fungéo p(c) como fungao de c.
Este procedimento que nos permitiu calcular probabilidades de con-
juntos A que dependem de trés coordenadas pode ser também aplicado
para conjuntos A que dependem de m coordenadas temporais através
de um procedimento indutivo semelhante ao descrito acima.
Em resumo, para cada c fixado, as condicionais (e mais a informacgao
P({Xo = c}) =1) nos permitiram calcular completamente as
P(X = Oy, 0) Xp = aja, Xt, = yj, Xt, 4, = A541; Xt, = An),
e, neste caso, é mais natural a introdug&o do processo estocdstico de
maneira implicita do que por via explicita.
Pode-se mostrar que as condigées de compatibilidade esto satisfeitas
neste caso. 60 Artur O. Lopes
Para cada c, em fungio das condigées de compatibilidade, considere
pelo teorema de Kolmogorov o processo X;: 92 + S,t€N, Pe, a proba-
bilidade sobre 2 = {0, 1,2, ..., C}' e a sigma-dlgebra F (de subconjuntos
de 2). Destacamos o fato que esta sigma-dlgebra F nao é 0 conjunto
P(A). A sigma-dlgebra F nao depende de c.
Lembre que as familias de varidveis aleatérias X; que consideramos
aqui sempre satisfazem a propriedade: se w = (9,1, W2,--Wny-)
entao X;(w) = wr.
Nosso objetivo é resolver o problema: quem ¢ p(c)? Ou seja, calcular
a probabilidade P,(B) do conjunto
Be=B=
(wo, wi, we, 109, tt, «.) tal que wo = ¢, we = 0
para algum ¢ > 0, e ainda w, # C para todo r tal queQ c > 0, vale que
P(c) = P(Bo) = P.({w € Be}) =
Pe({w € Be|Xy = e+ 1}) Pe({Xi = 0+ 1h) +
Pe({w € Bo|X1 = c—1}) P.({X1 =e-1}) =
P,({w € Be X e+ i)5 + Pal{w € Be|X =o-1))3.
O ponto fundamental agora é que para c tal que0 0 e para cada seqiiéncia
€1,09,..; An, onde aj € S$ vale que
P(X, = 01, Xty = O20) Xt = Gn) =
P(X se = 1, Xigtt = 02) Xin tt = @n)-
Os processos estaciondrios siio aqueles em que um deslocamento uni-
forme de um valor ¢, em todos os tempos envolvidos na distribuicg&o
conjunta, nao altera esta.
Neste caso, por exemplo, para s fixo qualquer em S
P(X, = 8) = P(Xiy1 = 8) = P(X2 = 5). |
IntroducSo & Probabilidade e aos Processos Estocasticos 63
Consideramos acima t=1,n=1,a=sem%=1.
Ainda,
P(X3 = 8) = P(Xou1 = 8) = P(X2 = 5) = P(% = 5),
e assim por diante...
Estas propriedades podem nfo ser verdadeiras se o processo X¢ nao
i é estacionario. Por exemplo, no caso do jogo da moeda descrito anteri-
ormente em que o capital inicial era c, temos que P(Xo = c) = 1, mas
P(X, =c) =0. Logo, neste caso, 0 proceso nao é estaciondrio.
Muitos processos importantes sao estaciondrios.
Vamos finalizar este artigo com um exemplo de processo estacionario.
Seja 5 = {1,2,3}e T=N.
Seja uma matriz P = (Pjj)ij=12,3 da forma trés por trés tal que os
elementos Pjj da matriz séio positivos e a soma de cada linha é igual a 1.
Tal matriz é um caso particular de matriz estocdstica.
Por exemplo,
1/3 1/3 1/3
P=l4/T 2/7 17
2/5 2/5 1/5
é uma matriz que satisfaz as condig6es acima estipuladas.
Seja um vetor + = (m1, 72,73) de probabilidade sobre S$ = {1,2,3},
isto é, se 7 € R? é tal que m, 72,73 >Oe m+ mt+mg=1.
Fixado P e 7 vamos definir primeiro a probabilidade P sobre 2 =
{1,2,3}" para certos tipos de conjunto.
Por definigiio,
P( Xo = a0, Xe, = a1, Xty = 42, Xtg = 3; 0 Xt, = dn) =
ptr-tn-
nwt On
ptt pts:
Tao Pag ar Pai an’ Poa as
onde n EN, a; € {1,2,3} e0=t)
Você também pode gostar
- Oesler - Algumas Aplicações de Simulação Numérica em Biomecânica Óssea - 2004Documento5 páginasOesler - Algumas Aplicações de Simulação Numérica em Biomecânica Óssea - 2004meyli80Ainda não há avaliações
- Elasticidade e PlasticidadeDocumento6 páginasElasticidade e Plasticidademeyli80Ainda não há avaliações
- Comportamento Mecânico dos Materiais (CMMDocumento12 páginasComportamento Mecânico dos Materiais (CMMmeyli80Ainda não há avaliações
- Plasticidade 2 - MicromecanismosDocumento24 páginasPlasticidade 2 - Micromecanismosmeyli80Ainda não há avaliações
- Utilizacion de Tecnicas de Inetrferometria Holografica Na Detecção de Defeitos em Compositos Laminados - Amaro - 2006 PDFDocumento10 páginasUtilizacion de Tecnicas de Inetrferometria Holografica Na Detecção de Defeitos em Compositos Laminados - Amaro - 2006 PDFmeyli80Ainda não há avaliações
- Probabilidade, Estatística e Processos EstocásticosDocumento258 páginasProbabilidade, Estatística e Processos EstocásticospamcostaAinda não há avaliações
- Davi P. Haje - Desenvolvimento de Parafusos de Osso Bovino Metodo de Usinagem e Estudo Metrologico Com Projetor de Perfil - 2006 PDFDocumento5 páginasDavi P. Haje - Desenvolvimento de Parafusos de Osso Bovino Metodo de Usinagem e Estudo Metrologico Com Projetor de Perfil - 2006 PDFmeyli80Ainda não há avaliações
- Probabilidades e Processos EstocásticosDocumento589 páginasProbabilidades e Processos Estocásticosmeyli8050% (2)
