PPG Estat stica e Experimenta c ao Agron omica LCE 5806 Estat stica Matem atica I Profa.

Roseli Aparecida Leandro

Experimentos, espa co amostral, eventos

Um dos objetivos de um estat stico e tirar conclus oes sobre uma popula c ao de objetos atrav es da condu ca o de um experimento. Os experimentos podem ser classicados em: Determin sticos Aleat orios Experimentos determ nisticos: S ao aqueles que repetidos, sob as mesmas condi co es, conduzem ao mesmo resultado. Experimentos aleat orios: S ao aqueles que ao serem repetidos, sob as mesmas condi co es, n ao produzem o mesmo resultado. O estat stico est a preocupado com os experimentos aleat orios. Exemplo 1.1. E1 : Lan camento de uma moeda. E2 : Lan camento de um dado. E3 : Lan camento de duas moedas.

2 E4 : Plantar duas estacas e vericar o enraizamento E5 : Lan camento de dois dados. E6 : N umero de ovos de determinada lagarta. E7 : Selecionar um morador da cidade de Piracicaba e medir sua altura. E8 : Observar o tempo de vida de indiv duos. E9 : Observar a produ c ao de um talh ao. E10 : Observar o tempo de vida de l ampadas

Deni c ao 1.1. Associado a cada experimento, E , pode-se associar um espa co amostral, , o conjunto de todos os resultados poss veis. Que dependendo da natureza do experimento poder a n ao ser u nico. Exemplo 1.2. E1 : Lan camento de uma moeda. = {cara, coroa} E2 : Lan camento de um dado. = {1, 2, 3, 4, 5, 6} E3 : Lan camento de duas moedas. = {(cara, cara), (cara, coroa), (coroa, cara), (coroa, coroa)} E4 : Plantar duas estacas e vericar o enraizamento = {(e, e), (e, e ), ( e, e), ( e, e )}, e= enraizar , e =n ao enraizar

3 E5 : Lan camento de dois dados. { (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), = (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6), (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6) E6 : N umero de ovos de determinada lagarta. = {0, 1, 2, 3, 4, . . .} E7 : Selecionar um morador da cidade de Piracicaba e medir sua altura. = {x E8 : Observar o tempo de vida de indiv duos. = {t E9 : Observar a produ c ao de um talh ao. = {x E10 : Observar o tempo de vida de l ampadas = {t : t 0} : x 0} : t 0} : x 0} }

` vezes o espa As co amostral de um experimento n ao e t ao f acil de ser denido. Por exemplo no experimento 7, quais os resultados poss veis deste experimento? N umeros reais entre 0 e ?. Supondo que n ao exista uma altura m axima, talvez seja razo avel fazer = (0, ). Mas e evidente que esse conjunto cont em resultados imposs veis, tais como um milh ao ou um bilh ao de metros. Outros candidatos para seriam, por exemplo, os intervalos limitados

4 (0, 3) e [1/10, 3]. Os dois intervalos cont em, aparentemente, todos os resultados poss veis do experimento. Esta propriedade j a e suciente para nossos prop ositos, e podemos escolher qualquer desses intervalos (incluindo (0, )) para o espa co amostral. O importante, ent ao, e que contenha todo resultado poss vel. A import ancia do espa co de resultados prov em, sobretudo, de ser o meio empregue para a deni c ao de eventos. H a, em regra, muito mais interesse nos acontecimentos e nas fam lias de acontecimentos de que nos elementos do espa co amostral. Deni c ao 1.2. Qualquer subconjunto do espa co amostral ser a chamado evento e ser a denotado por: A, B , C , . . . . Existe um paralelismo perfeito entre algebra de conjuntos e algebra de eventos (e ou acontecimentos) Se A e B s ao incompat veis a intersec c ao n ao e poss vel. Contorna-se essa diculdade introduzindo a no ca o de acontecimento imposs vel como resultado da intersec ca o de dois acontecimentos incompat veis; a no c ao vem em correspond encia com a de conjunto vazio na algebra de conjuntos e por isso se representa pelo mesmo s mbolo, . Assim, A e B , s ao incompat veis se e s o se, A B = . O acontecimento, , costuma designar-se por acontecimento certo.

1.1

Eventos elementares

Suponha que um experimento seja realizado sob certas condi co es xas. Seja o conjunto de todos os resultados poss veis, onde por resultado poss vel entende-se resultado elementar e indivis vel do experimento. Exemplo 1.3. Considerando-se o experimento E1 temos = {cara, coroa} e os pontos amostrais ou eventos elementares associados s ao: {ca} e {co}. Exemplo 1.4. No experimento E2 , = {1, 2, 3, 4, 5, 6} e os eventos elementares (ou pontos amostrais) associados s ao: {1}, {2}, {3}, {4}, {5}, {6}. Note que o evento: sair resultado par, ou seja, A = {2, 4, 6} n ao e um evento elementar e sim a uni ao nita dos eventos elementares: {2}, {4}, {6}.

5 No experimento E6 os eventos elementares s ao: {0}, {1}, {2}, {3}, {4}, {5}, {6}, . . . . Nem sempre e f acil denir quais s ao os eventos elementares. Quais os eventos elementares associados aos experimentos: E7 , E8 , E9 , E10 ? Devemos observar a exist encia de dois tipos de espa co amostral, : nito ou innito; enumer avel ou n ao-enumer avel. Todo conjunto nito e enumer avel. Mas nem todo conjunto innito e n ao-enumer avel. No caso de espa co nito ou innito enumer avel diz-se que o espa co amostral e discreto quando o espa co amostral for innito n ao-enumer avel tem-se um espa co amostral cont nuo. Pode-se mostrar que intervalos da forma: (a, b), [a, b), (a, b], [a, b] s ao n ao-enumer aveis j a conjuntos que possuam uma associa c ao biun voca com os naturais s ao enumer aveis. Dessa forma, os espa cos amostrais caracterizados pelos experimentos descritos podem ser classicados como: Experimentos 1, 2, 3, 4, 5 6 7, 8, 9, 10 nito innito Espa co amostral enumer avel discreto discreto innito enumer avel

n ao-enumer avel cont nuo

Quais s ao os eventos elementares em um espa co amostral cujo espa co amostral e cont nuo? Por exemplo, considerando-se os espa cos amostrais associados aos experimentos 7, 8, 9 e 10 quais conjuntos ser ao seus eventos elementares? Resposta: Os eventos elementares associados a esses espa cos amostrais s ao os intervalos da forma: (a, b] = {x : a < x b} (1.1)

pois qualquer evento A poder a ser escrito como uni ao ou intersec ca o enumer avel ou diferen ca de conjuntos como os denidos em (1.1). Por exemplo, subconjuntos (eventos) de 1 ,x n

( i) Ponto: {x} =

6 ( ii) Intervalo fechado: [a, b] = {a} (a, b]

(iii) Intervalo aberto ` a esquerda: [a, b] {b} (viii) Quaisquer outros subconjuntos de poder ao ser expressos atrav es de um n umero

enumer avel de opera co es dos conjuntos mencionados nos itens (i) a (iii).

2
2.1

Probabilidades
Interpreta c ao cl assica de Probabilidades

A primeira deni c ao de probabilidade conhecida, parece ser devida a DeMoivre em 1718, e foi claramente explicitada por Laplace no princ pio do s eculo XIX. Laplace adotou o esquema de resultados eq uiprov aveis, isto e, dos resultados igualmente prov aveis, comuns ` as aplica c oes at e ent ao esbo cadas para denir probabilidade de um acontecimento como: a rela c ao entre o n umero de casos favor aveis ao acontecimento e o n umero total de casos poss veis, supondo todos os casos igualmente poss veis. Admite-se, historicamente que, a motiva c ao para a deni c ao do conceito de probabilidades foram baseadas em jogos de azar dessa forma n ao causa surpresa o fato de que o conceito de Laplace seja baseado nas propriedades de tais jogos: possibilidade de classicar a a priori todos os resultados poss veis num n umero nito de casos mutuamente exclusivos, sim etricos e igualmente poss veis, como, os dois lados da moeda, as seis faces do dado, as 52 cartas do baralho etc. Apesar das cr ticas que lhe foram dirigidas a interpreta ca o cl assica manteve a sua for ca at e o come co do s eculo XX. Admitido-se o princ pio dos casos igualmente poss veis, o c alculo de probabilidades resumese na contagem do n umero de casos favor aveis e do n umero de casos poss veis. Essa contagem, nem sempre f acil, encontra poderoso auxiliar na an alise combinat oria. Exemplo 2.1. Considerando-se A um evento qualquer associado ao espa co amostral do experimento E2 . Podemos atribuir probabilidade ao evento A da seguinte maneira: P (A) = N umero de resultados favor aveis a A #A = 6 N umero de resultados poss veis

Esta e deni c ao a cl assica de probabilidade quando e nito, e baseia-se no conceito de resultados eq uiprov aveis, ou melhor, no princ pio da indiferen ca (estamos indiferen1 tesdiante dos resultados 1, 2, 3, 4, 5, 6; logo, denimos P (i) = i ). Ent ao, para esse 6 experimento todo evento ter a uma probabilidade. 2.1.1 Cr ticas a deni c ao cl assica

V arias cr ticas s ao feitas ao conceito cl assico de probabilidades: ( i) O que s ao casos eq uiprov aveis? Na falta de deni c ao admitir que e um conceito primitivo? ( ii) Como reconhecer que os casos s ao eq uiprov aveis? A sa da parece ser aceitar que algum princ pio aprior stico suporta tal reconhecimento. Nesses casos e comum admitir um dois princ pios a seguir: ( a) princ pio da indiferen ca que faz apelo ` as propriedades de simetria ou de homogeneidade da situa c ao experimental. Se o dado e perfeito porque seriam uma das faces preferidas em detrimento de outras? ( b) princ pio da raz ao insuciente: se n ao h a raz ao para crer que qualquer dos casos e mais prov avel do que os outros pode-se admitir que todos os casos s ao igualmente prov aveis. bem sabido que n ao h a moedas perfeitas, dados perfeitos, gases perfeitos, agua pura (iii) E etc, que perfei ca o al em do conceito n ao existe. Consequentemente o conceito cl assico e muitas vezes aplicado em situa co es idealizadas e n ao consegue vencer a diculdades levantadas quando os casos n ao s ao igualmente poss veis. ( iv) Finalmente como calcular probabilidades quando o n umero de casos poss veis n ao e nito nem sequer enumer avel?

8 Apesar de todas as cr ticas n ao resta d uvida que a interpreta c ao cl assica e aplic avel sempre que a simetria dos problemas a justique, e, de fato h a numerosos caso em que tal propriedade pode ser aceita. A verdade e que se trata de um modelo probabil stico particular dentro da teoria axiom atica a ser desenvolvida, de grande utilidade quando ajustado a uma realidade concreta.

2.2

Interpreta c ao Frequentista de Probabilidades

A interpreta ca o frequentista (Venn, von Mises, Reichenbach, Salmon etc) foi adotada de forma quase un amime pelos estat sticos durante a primeira metade do s eculo XX e e ainda hoje considerada correta pela maioria, apesar de, ter havido uma crescente aceita ca o da interpreta c ao Bayesiana na segunda metade do s eculo XX. Sustenta que a probabilidade de um acontecimento pode ser medida observando-se a frequ encia relativa do mesmo acontecimento numa sucess ao numerosa de provas ou experi encias, id enticas e independentes. Uma das primeiras abordagens da interpreta ca o frequentista deve-se a Venn (1866) ao formalizar a id eia de exprimir probabilidade em termos de limite de frequ encias relativas em longas sequ encias de situa c oes independentes capazes de repeti ca o em condi co es id enticas. 2.2.1 Cr ticas a deni c ao frequentista

( i) Falta de suporte emp rico para a complexa no ca o de independ encia. ( ii) Contraste entre o car ater essencialmente nito da experi encia humana e a probabilidade denida por passagem ao limite numa sucess ao indenidamente grande. Atribuir probabilidade a um evento nada mais e do que associar uma medida ao evento considerado. Ent ao, a pergunta, agora, passa a ser: conseguimos atribuir medida a qualquer evento A de um espa co amostral ? A resposta e n ao. S o conseguimos atribuir probabilidade a determinados subconjuntos de esses subsconjuntos ser ao, ent ao, chamados de eventos aleat orios. Outros autores, por exemplo, Kolmogorov (1950) e Cr amer (1946) preferiram abandonar o axioma do limite, denindo probabilidade de um acontecimento aleat orio como um n umero

9 associado a esse acontecimento satisfazendo um conjunto de regras ou sistema de axiomas. Na abordagem axiom atica a preocupa ca o n ao e com a interpreta ca o da probabilidade mas sim que probablidade e denida atrav es de um conjunto de axiomas. Interpreta ca o de probabilidade e outro assunto. A frequ encia de ocorr enciade um evento e um exemplo de uma particular interpreta ca o. Uma outra interpreta c ao poss vel e a interpreta c ao subjetiva, na qual ao inv es de pensar probabilidade como frequ encia, podemos pens a-la como uma cren ca na chance de um evento ocorrer. Por exemplo, Chover amanh a? ser realizado um n umero grande de vezes. A que eventos vamos atribuir probabilidades? A esse evento e imposs vel dar a interpreta c ao frequentista, pois, o evento: Chover amanh a n ao poder a

2.3

Axiom atica de Kolmogorov

De modo geral, toda teoria matem atica tem como origem a observa ca o de fatos. Mas, na verdade, somente quando um grupo de fen omenos apresenta regularidades e perman encias e que pode pensar-se na constru c ao de uma teoria matem atica. Tal teoria toma-se como modelo matem atico de tal grupo. No in cio do s eculo XX muitos probabilistas come caram a sentir necessidade de uma axiomatiza c ao que permitisse ultrapassar a ambiguidade de muitas aplica co es e a prolifera c ao de conceitos e interpreta c oes. A axiomatiza ca o hoje generalizada deve muito a Bernstein e ` a decisiva contribui ca o de Kolmogorov. A partir desse momento optou-se por considerar que a teoria da probabilidade teria como objeto de estudo certos fen omenos observ aveis, os fen omenos aleat orios. Assim a teoria da probabilidade se ocupa de m etodos de an alise que s ao comuns ao estudo dos fen omenos aleat orios seja qual for o campo a que perten cam (da dura ca o da vida humana ` a dura c ao de componentes eletr onicos, do n umero de chamadas que auem por dia a uma central telef onica ao n umero de acidentes de autom ovel ocorridos por semana numa estrada, da varia c ao das caracter sticas biom etricas de homem para homem ` as varia c oes das caracter sticas quantitativas de um produto fabricado em s erie etc). Justica-se, ent ao a introdu ca o da teoria da probabilidade como teoria matem atica dos fen omenos aleat orios, isto e, dos fen omenos inuenciados pelo acaso.

10 Quando o processo est a sujeito ` a inu encia de fatores casuais ou contigentes e conduz a resultados incertos fala-se em experi encia aleat oria ou experimento aleat orio. Mais precisamente, uma experimento aleat orio ou casual apresenta as seguintes caracter sticas fundamentais: ( i) Pode-se repetir um grande n umero de vezes nas mesmas condi co es ou pelo menos em condi co es muito semelhantes. ( ii) Cada vez que se repete obt em-se um resultado individual, mas nunca h a conhecimento suciente para prever exatamente esse resultado, mesmo que se desenvolvam todos os esfor cos para manter sob controle. (iii) Enquanto os resultados individuais se mostram irregulares a ponto de iludir qualquer tentativa de previs ao exata, tem-se vericado que os resultados obtidos ao cabo de uma longa s erie de repeti co es mostram impressionante regularidade estat stica quando tomados em conjunto, isto e, estabilidade das frequ encias relativas. Fazer um programa no software R para vericar essa arma c ao. Programa 2.1.

> rm(list=ls(all=TRUE)) > y<-NULL > for(i in 1:10)y[i]<- sum(rbinom(i,1,0.50))/i > library(ts) > plot.ts(y) > > y<-NULL > for(i in 1:20)y[i]<- sum(rbinom(i,1,0.50))/i > plot.ts(y) > > y<-NULL > for(i in 1:50)y[i]<- sum(rbinom(i,1,0.50))/i

11 > plot.ts(y) > > y<-NULL > for(i in 1:100)y[i]<- sum(rbinom(i,1,0.50))/i > plot.ts(y) > > y<-NULL > for(i in 1:1000)y[i]<- sum(rbinom(i,1,0.50))/i > plot.ts(y) >

Vamos supor, contudo, que a classe dos eventos aleat orios possua certas propriedades b asicas e intuitivas, que ser ao essenciais para o desenvolvimento posterior da teoria do c alculo de probabilidades. Indicando com A a classe de eventos aleat orios, vamos estipular as seguintes propriedades para A. A1. A (deniremos P () = 1) A2. Se A A, ent ao AC A ( e evidente que deniremos P (AC ) = 1 P (A)). A3. Se A A, ent ao AC A e B B , ent ao A B A (i.e., se atribuirmos uma probabilidade a A e outra a B , ent ao atribuiremos uma probabilidade a A ou B.) Em outras palavras, vamos supor que A, seja uma algebra de eventos. Deni c ao 2.1. Seja um conjunto n ao-vazio. Uma classe de subconjuntos de satisfazendo A1, A2 e A3 e chamada algebra de subconjuntos de Proposi c ao 2.1. Seja A uma algebra de subconjuntos de . Ent ao valem as seguintes propriedades:

12 A4. A e
n A5. n, A1 , . . . , An A, temos, n i=1 Ai A e i=1 Ai A.

Esta proposi ca o diz que uma algebra e fechada para um n umero nito de aplica co es das opera co es: , , e C . Observa c ao: A e fechada para diferen cas. Quando, e nito uma algebra e uma classe adequada para dom nio da fun ca o P (.) Pois uma algebra cont em o evento imposs vel, o evento certo, o evento contr ario ( de qualquer evento que perten ca a classe), a uni ao e intersec ca o de eventos (que perten cam ` a classe), isto e, em regra, todos os acontecimentos interessantes. Se for nito ent ao A ser a a algebra de todas as partes (ou conjunto de todos os subconjuntos ) de , i.e., A = P (). No caso nito geral, se tem n elementos, P () tem 2n elementos e ser a denotado por #P () = 2n . Exemplo 2.2. Se = {1, 2, 3} ent ao: #P () = 2# = 23 = 8 e P () = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} Quando e innito, mesmo que enumer avel uma algebra deixa de servir para a constru c ao de uma teoria que seja mais forte. Pois quando e innito existem acontecimentos interessantes que se exprimem pela uni ao innita de outros acontecimentos ou de acontecimentos elementares. Se o dom nio da fun ca o de conjunto, P (.), deve conter tais acontecimentos ent ao ao inv es de o representar por uma algebra deve representar-se por uma - algebra. Isto e, deve-se exigir que a classe dos eventos aleat orios tamb em satisfa ca: A3 Se An A para n = 1, 2, 3, . . ., ent ao i=1 Ai A Deni c ao 2.2. Uma classe A de subconjuntos de um conjunto n ao-vazio satisfazendo A1, A2, A3 e chamada - algebra de subconjuntos de Uma - algebra e fechada para um n umero enumer avel de aplica c oes das opera co es: , , e C . No caso, nito tomou-se para dom nio da probabilidade, P (.), a algebra que se identica com a classe, P () = 2 , de todos os conjuntos ou partes de , ; no caso de innito

13 enumer avel tamb em n ao h a qualquer inconveniente em tomar para esse dom nio P () = 2 que ali as, agora, e uma - algebra. Quando, , e n ao-enumer avel a situa ca o e mais complicada. A classe, P () = 2 , embora seja uma - algebra, e demasiadamente rica e pode n ao ser poss vel atribuir uma probabilidade, de forma compat vel com os axiomas, a todo e qualquer, A P () = 2 . por isso que comumente a teoria de probabilidade se desenvolve em rela E c ao a uma algebra mais restritiva, A, composta apenas por conjuntos de probabiliz aveis e s o estes s ao designados por acontecimentos (eventos aleat orios). Em particular, nos casos de maior interesse pr atico em que, = em
k k

, k = 1, 2, . . . , n a an alise restringe-se a uma algebra de Borel , intervalos abertos, semi-abertos ou fechados,

, - algebra que cont em os conjuntos (acontecimentos, eventos aleat orios) contemplados

em quase todas as aplica c oes, a saber, em enumer aveis) de intervalos, etc

nitos ou innitos), uni oes (nitas ou innitas enumer aveis) e intersec co es (nitas ou innitas Se for cont nuo quem ser a A? Por exemplo, consideremos o experimento E : Selecionar um ponto no intervalo [0,1]. Temos que: = [0, 1]. (Barry James, p agina 7). Deni c ao 2.3. Um espa co de probabilidade e um trio (, A, P ) em que: (a) e um conjunto n ao-vazio. (b) A e uma - algebra de subconjuntos de , e (c) P e uma probabilidade em A Deni c ao 2.4. Dado um espa co amostral e uma - algebra ( de Borel), A, a fun c ao de probabilidade e uma fun ca o P com dom nio A que satisfaz: 1. P (A) 0, para todo A A. 2. P (S ) = 1 3. Se A1 , A2 , . . . A s ao disjuntos dos a dois, ent ao

P ( i=1 ) =
i=1

P (Ai )

14 As tr es propriedades apresentadas na deni ca o 2.4 s ao usualmente referidas como Axiomas de Probabilidade (ou axiomas de Kolmogorov). Qualquer fun ca o que satisfa ca os axiomas de Probabilidade e chamada fun c ao de probabilidade. O axioma n ao menciona qual e a fun ca o particular P, ele meramente requer que P satisfa ca os axiomas. Para qualquer espa co amostral muitas e diferentes fun co es P podem ser denidas. N ao vamos nos preocupar, doravante, com o problema de como denir probabilidade para cada experimento. Simplesmente, vamos admitir que existem as probabilidades em uma certa - algebra A de eventos, chamados eventos aleat orios; vamos supor que a todo A A seja associado um n umero real P (A), chamado probabilidade de A, de modo que os axiomas a seguir sejam satisfeitos: Axioma 1. P (A) 0. Axioma 2. P () = 1. Axioma 3. (Aditividade nita) Se A1 , . . . , An A s ao disjuntos (2 a 2), ent ao P (n k=1 Ak =
n k=1

P (Ak ). (Os eventos s ao disjuntos, ou disjuntos 2 a 2, se s ao mutuamente ex-

clusivos, i.e., Ai Aj = sei = j .) Axioma 3 ( -aditividade) Se A1 , A2 , . . . A s ao disjuntos (i.e., mutuamente exclusivos), ent ao
n

P (n k=1 Ak =
k=1

P (Ak )

Proposi c ao 2.2. O axioma 3 implica o Axioma 3, i.e., se P e -aditiva, ent ao e nitamente aditiva. Prove!

Vari aveis aleat orias

Em muitos experimentos e muito mais f acil trabalhar com uma vari avel resumo do que com a estrutura de probabilidade original. Por exemplo, numa pesquisa de opini ao, decidimos perguntar a 50 pessoas se elas concordam ou discordam com um determinado assunto. Quando a pessoa concorda registramos o valor 1 quando discorda 0, o espa co amostral desse

15 experimento cont em 250 = 1125899906842624 elementos s ao todos os resultados poss veis que podem ocorrer quando 50 pessoas s ao consultadas. Seria interessante reduzir esse espa co para um de tamanho razo avel. De que forma? Contando nessas 250 seq u encias de tamanho 50 cada o n umero de pessoas que concordam. Dessa forma o espa co seria reduzido ` a X = {0, 1, 2, . . . , 50} o qual possui 50 elementos que e muito mais f acil de trabalhar. Quando denimos uma quantidade X , estamos denindo um aplica ca o (uma fun ca o) do espa co amostral original em um novo espa co amostral, usualmente um subconjunto dos n umeros reais. Deni c ao 3.1. Uma vari avel aleat oria e uma fun c ao do espa co amostral nos n umeros reais. Exemplo 3.1. Em muitos experimentos vari aveis aleat orias s ao implicitamente utilizadas. Experimento Lan car dois dados Lan car uma moeda 25 vezes Aplicar diferentes doses de fertilizantes ` a uma determinada parcela de milho X = produ c ao/parcela Vari avel aleat oria X = soma dos n umeros X =n umero de caras nos 25 lan camentos

Quando denimos uma vari avel aleat oria, estamos denindo um novo espa co amostral (o campo de vari avel aleat oria). Precisamos, agora, vericar que a fun ca o de probabilidade denida em no espa co original pode ser usada no novo espa co amostral. Suponha que o espa co amostral = {1 , 2 , . . . , n } com a fun ca o de probabilidade P e denida a vari avel aleat oria X a qual assume valores {x1 , x2 , . . . , xm }. Podemos denir a fun c ao de probabilidade PX ( que na realidade e a probabilidade P induzida em X ) da seguinte maneira. Observamos que X = xi se e somente se o resultado do experimento aleat orio e um j tal que X (j ) = xi . Assim, PX (X = xi ) = P ({j : X (j ) = xi })

16 PX satisfaz os axiomas de Kolmogorov. Verique! Vari aveis aleat orias ser ao sempre denotadas por letras mai usculas e realiza c oes delas ser ao denotadas por letras min usculas. Assim, a vari avel aleat oria X assumir a o valor x. Considere o experimento E : Lan car uma moeda 3 vezes. Dena a vari avel aleat oria X como sendo o n umero de caras obtidas nos 3 lan camentos. Temos, (ca, ca, ca) (ca, ca, co) (ca, co, ca) (co, ca, ca) (ca, co, co) (co, ca, co) (co, co, ca) (co, co, co) X ( ) 3 2 2 2 1 1 1 0

O campo de varia c ao da vari avel aleat oria X e X = {0, 1, 2, 3}. Assumindo que os oito 1 pontos do espa co amostral tenha a mesma probabilidade de a probabilidade P induzida 8 em X ser a: x 0 PX (x) 1 8 3 8 3 8 1 8

17 Por exemplo, PX (2) = P ({j : X (j ) = 2}) = P ((ca, ca, co) (ca, co, ca) (co, ca, ca)) = 1 1 1 3 P ((ca, ca, co)) + P ((ca, co, ca)) + P ((co, ca, ca)) = + + = . 8 8 8 8 Exerc cio 3.1. 1. Seja um conjunto n ao-vazio.

(a) Prove: se A e B s ao - algebras de subconjuntos de , ent ao A B tamb em e uma - algebra. (b) Generalize o item (a): se Ai , i I , s ao - algebras de partes de , onde I e um conjunto n ao-vazio de ndices, ent ao iI A tamb em e uma - algebra. (c) Seja C uma classe de subconjuntos de . Mostre que existe pelo menos uma algebra que cont em C . (Sugest ao Qual a maiorclasse de subconjuntos de ?) (d) Visando a plena utiliza c ao dos itens (b) e (c), como voc e deniria a menor - algebra contendo C , onde C e uma classe de subconjuntos de ? (e) Seja um espa co amostral. Mostre que a cole c ao B = {, } e uma - algebra de Borel. (f ) Seja um espa co amostral e B = {todos os subconjuntos de , incluindo o pr oprio }. Mostre que B e uma - algebra de Borel. (e) Prove que {, } } (f ) Prove que {, A, A,

18

Bibliograa Aula 01

Algumas partes foram retiradas, outras adaptadas de 1. Bento Jos e Ferreira Murteira: Probilidades e Estat stica, Volume I, 2a edi ca o. 2. Barry R. James: Probabilidade: um curso em n vel intermedi ario. 3. George Casella & Roger L. Berger: Statistical Inference. Semin ario I: Procurar refer encias: 1. Maistrov, L. E. Probability Theory: A historical sketch, Academic Press, New York, 1974. 2. Fine, T. L. Theories of Probability, Academic Press, New York, 1973. Apresentar coment arios, observa co es e fatos interessantes ao desenvolvimento da Teoria da probabilidade.