Estat stica Matem atica I

Roseli Aparecida Leandro Mar co de 2005

Depto. de Ci encias Exatas, ESALQ/USP e-mail: raleandr@esalq.usp.br

Ementa

1. Revis ao de Teoria das Probabilidades: vari aveis aleat orias, fun c ao de distribui c ao e fun c ao de densidade de probabilidade, fun c ao de distribui c ao acumulada, distribui co es condicionais, transforma c oes de vari aveis aleat orias, esperan ca matem atica, vari ancia, covari ancia, coeciente de correla c ao, fun c ao geradora de momentos.

2. Modelos Estat sticos. Estat stica Suciente e Completa.

3. Fam lia Exponencial. Estat sticas de Ordem.

2

4. M etodos de Estima c ao: m etodo da substitui c ao de freq u encias, m etodo dos momentos, m etodo m axima verossimilhan ca, m etodo dos m nimos quadrados. 5. Compara c ao de Estimadores. Estimadores N ao-Viciados Uniformemente de M nima Vari ancia. Teoremas de Rao-Blackwell e Lehmann-Sche e. A Desigualdade da Informa c ao. 6. Intervalos de Conan ca. M etodos para Obten c ao de Intervalos de Conan ca. Regi oes de Conan ca. 7. Testes de Hip oteses. Lema de Neyman-Pearson. Testes Uniformemente Mais Poderosos. Teste da Raz ao de Verossimilhan ca.

Bibliograa

1. Bickel, P.J.; Doksum, K.A. Mathematical Statistics: basic ideas and selected topics. Holden-Day, Inc, California, 1974. 2. Casella G.; Berger L.R. Statistical Inference. Duxbury Press, California, 1990, 650 p. 3. Cox, D.R.; Hinkley, D.V. Theoretical Statistics. Chapman and Hall, 1992. 4. Degroot, M.H. Probability and Statistics. Addison-Wesley, 2nd Edition, 1986.
3

5. Hoog, R.V.; Craig, A.T. Introduction to Mathematical Statistics. 3rd. Edition, Mac-Millan, 1978.

6. James, B.R. Probabilidade: um curso em n vel Intermedi ario. Projeto Euclides, Rio de Janeiro, 1981.

7. Kendall, M.G.; Stuart, A. The Advanced Theory of Statistics. Vol I, II, III. Charles Grin, London, 1963.

8. Lindegren, B.W. Statistical Theory. McGraw-Hill, 1974.

9. Mood, A.M.; Graybill, F.A.; Boes, D. Introduction to the Theory of Statistics. 3rd. Edition, McGraw-Hill, 1974.

10. Murteira, B.J.F. Probabilidade e Estat stica. vol I, II. 2a. Edi c ao, Portugal, 1990.

11. Roussas, G.G. A First Course on Mathematical Statistics. Addison-Wesley, 1973.

12. Silvey, S.D.. Statistical Inference. Chapmann & Hall, London. 191pp.1995.

Avalia c ao

Constar a de tr es provas sendo uma substitutiva: P1, P2, S. O conceito ser a atribu do da seguinte maneira:

8, 5 7, 0 5, 0

< < <

m edia m edia m edia

10, 0 8, 5 7, 0

Conceito A Conceito B Conceito C

em que m edia =

2P 1 + 2P 2 + E sendo E a m edia das notas das 5 listas de exerc cios.

4

Data das provas

P1 P2 S

28/04/2005 23/06/2005 30/06/2005

A prova S substituir a a menor nota e versar a sobre toda a mat eria ministrada durante o curso.

Introdu c ao

Nota c oes a serem utilizadas nesse texto

1. E experimento;

2. espa co amostral;

3. A evento.

Experimentos
Um dos objetivos de um estat stico e tirar conclus oes sobre uma popula c ao de objetos atrav es da condu c ao de um experimento. Os experimentos podem ser classicados em:

Determin sticos Aleat orios Experimentos determin sticos: S ao aqueles que repetidos, nas mesmas condi c oes, conduzem ao mesmo resultado. Experimentos aleat orios: S ao aqueles que ao serem repetidos, nas mesmas condi c oes, n ao produzem o mesmo resultado. O estat stico est a preocupado com os experimentos aleat orios.
7

Exemplos:

E1 : Lan camento de uma moeda. E2 : Lan camento de um dado. E3 : Lan camento de duas moedas. E4 : Plantar duas estacas e vericar o enraizamento.

camento de dois dados. E5 : Lan

8

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. c ao de um talh ao. E9 : Observar a produ E10 : Observar o tempo de vida de l ampadas c ao agron omica semeiam-se cinco talh oes com E11 : Numa esta diferentes variedades de milho hibr do e registram-se as respectivas produ c oes.
9

Espa co amostral

Associado a cada experimento, E , temos um espa co amostral. Que dependendo da natureza do experimento poder a n ao ser unico.

E1 : Lan camento de uma moeda. = {cara, coroa}

E2 : Lan camento de um dado. = {1, 2, 3, 4, 5, 6}

10

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

camento de dois dados. E5 : Lan { (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 R : x 0} E8 : Observar o tempo de vida de indiv duos. = {t R : t 0} E9 : Observar a produ c ao de um talh ao. = {x R : x 0}

E10 : Observar o tempo de vida de l ampadas = {t R : t 0}

c ao agron omica semeiam-se cinco talh oes com E11 : Numa esta diferentes variedades de milho hibr do e registram-se as respectivas produ c oes. = {(x1, x2, x3, x4, x5) : xi 0, i = 1, 2, 3, 4, 5}

` s vezes o espa A 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 (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 esse ser o meio empregue para a deni c ao de eventos (aconteci11

mentos). H a, em regra, muito mais interesse nos acontecimentos e nas fam lias de acontecimentos de que nos elementos do espa co amostral.

Eventos
Deni c ao: Seja o espa co amostral associado ao experimento E . Todo subsconjunto A ser a chamado evento. Nota c ao: A, B , C , D, . . . Considere um experimento E cujo espa co amostral e . Queremos encontrar todos os subconjuntos de chamado conjunto das partes de ou conjunto de todos os subconjuntos de denotado por P (). O n umero de elementos de P () e denotado por #P () e e dado por #P () = 2# .
12

Exemplo: Se = {1, 2, 3} ent ao: #P () = 2# = 23 = 8 e P () = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}}
n n (1 + 1)n = n + + . . . + 0 1 n n p

em que

n! = (n p)!p!

Quando o espa co amostral e nito a tarefa de encontrar todos os subconjuntos de n ao e dif cil embora possa ser tediosa.

Eventos elementares
Suponha que um experimento seja realizado sob certas condi c oes xas. Seja o conjunto de todos os resultados poss veis, onde por resultado poss vel entende-se resultado elementar e indivis vel do experimento. Considerando-se o experimento E1 temos = {cara, coroa} e os pontos amostrais ou eventos elementares associados s ao: {cara} e {coroa} 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
13

 e um evento elementar e sim a uni ao nita dos eventos elementares: {2}, {4}, {6} 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, : os espa cos amostrais que cont em um n umero nito de elementos e os que n ao cont em um n umero nito de elementos. Os espa cos amostrais innitos podem ser classicados em: innito enumer avel ou innito n ao-enumer avel. Observe que: 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.
14

Pode-se mostrar que intervalos da forma: (a, b), [a, b), (a, b], [a, b] s ao n ao-enumer aveis. Enquanto que conjuntos que possuem uma associa c aobiun voca com os naturais s ao enumer aveis. Dessa forma,os espa cos amostrais caracterizados pelos experimentos descritos podem ser classicados como: Experimentos Espa co amostral

1, 2, 3, 4, 5 6 7, 8, 9, 10, 11

nito, innito, innito,

enumer avel enumer avel n ao-enumer avel

Retornando...
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 (6), (7) e (8) quais conjuntos ser ao seus eventos elementares? Resposta: Os eventos elementares associados a esses espa cos amostrais s ao os conjuntos borelianos que nos casos representados acima s ao da forma:

(a, b] = {x R : a < x b}
15

(1)

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

( i) Ponto: {x} =

n x

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

(iii) Intervalo aberto ` a esquerda: [a, b] {b}

(iv) Intervalos innitos fechado ` a direita: (, b]

( v) Intervalos innitos aberto ` a direita: (, b)

( vi) Intervalos innitos fechado ` a esquerda: [b, )

( vii) Intervalos innitos aberto ` a esquerda: (b, )

ao ser expressos (viii) Quaisquer outros subconjuntos de R poder atrav es de um n umero enumer avel de opera c oes dos conjuntos mencionados nos itens (i) a (viii).

Probabilidades Interpreta c ao cl assica

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.
16

Admite-se, historicamente que, a motiva c ao para a deni c ao do conceito de probabilidades foram baseadas em jogos de azar de forma n ao causa surpresa o fato de o conceito Laplace seja baseado nas propriedades de tais jogos: possibilidade de classicar a priori todos os resultados poss veis em um 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 c ao cl assica manteve a sua for ca at e o come co do s eculo XX. Admitindo-se o princ pio dos casos igualmente poss veis, o c alculo de probabilidades resume-se 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. Considerando-se A um evento qualquer associado ao espa co amostral do experimento E2: Lan camento de um dado, temos: = {1, 2, 3, 4, 5, 6}. Podemos atribuir probabilidade a qualquer 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 a deni c ao cl assica de probabilidade. Observe que e nito. A deni c ao cl assica est a baseada no conceito de resultados eq uiprov aveis, ou melhor, no princ pio da indiferen ca. Estamos indiferentesdiante dos resultados 1, 2, 3, 4, 5, 6, logo, denimos: 1 i . P (i) = 6 Observe que: para esse experimento todo evento ter a uma probabilidade.

Cr ticas a deni c ao cl assica

V arias cr ticas s ao feitas ao conceito cl assico de probablidades:

( 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:
17

( i) 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? ( ii) 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 (iii) E ao h a moedas perfeitas, dados perfeitos, gases perfeitos, agua pura etc, que perfei c ao al em do conceito n ao existe. Consequentemente o conceito cl assico e muitas vezes aplicado em situa c oes idealizadas e n ao consegue vencer a diculdade levantada 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?

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.

Interpreta c ao Frequentista

A interpreta c ao 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 ainda hoje e considerada correta pela maioria apesar de ter havido uma crescente aceita c ao 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.
18

Uma das primeiras abordagens da interpreta c ao frequentista devese 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 c ao em condi c oes id enticas.

Cr ticas a deni c ao frequentista

( i) Falta de suporte emp rico para a complexa no c ao de independ encia. ( ii) Contraste entre o car ater essencialmente nito da experi encia humana e a probabilidade denida po passagem ao limite numa sucess ao indenidamente grande Outros autores, como 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 associado a esse acontecimento satisfazendo um conjunto de regras ou sistema de axiomas.
19

Na abordagem axiom atica a preocupa c ao n ao e com a interpreta c ao da probabilidade mas sim que probablidade e denida atrav es de um conjunto de axiomas. Interpreta c ao de probabilidade e outro assunto. A frequ encia de ocorr enciade um evento e um exemplo de uma particular interpreta c ao. 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? A esse evento e imposs vel dar a interpreta c ao frequentista, pois, o evento: Chover amanh a n ao poder a ser realizado um n umero grande de vezes. A que eventos vamos atribuir probabilidades?
20

Axiom atica de Kolmogorov

De modo geral, toda teoria matem atica tem como origem a observa c ao 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 com o 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 c oes e a prolifera c ao de conceitos e interpreta c oes. A axiomatiza c ao hoje generalizada deve muito a Bernstein e ` a decisiva contribui c ao de Kolmogorov.
21

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 c ao 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 c ao da teoria da probabilidade como teoria matem atica dos fen omenos aleat orios, isto e, dos fen omenos inuenciados pelo acaso. 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 c oes ou pelo menos em condi c oes 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 mant e-lo 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 c oes 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.

Lan camento de uma moeda honesta n vezes

rm(list=ls(all=TRUE)) library(ts) f<-function(n){ y<-NULL for(i in 1:n)y[i]<- sum(rbinom(i,1,0.50))/i plot.ts(y,col="green") abline(h=0.50) } #n=50 f(50) #n=10000 f(10000)
22

Resolvido o problema da deni c ao de probabilidades. Devemos resolver quais os conjuntos (eventos, acontecimentos) que ser ao probabiliz aveis. Ou seja, quais ser ao os conjuntos que poderemos medirou ainda, qual ser a o dom nio da fun c ao de conjuntos (ou eventos ou acontecimentos) chamada probabilidade?

23

 Algebras, - algebras e Borelianos

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 c ao de acontecimento imposs vel como resultado da intersec c ao 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
24

 Deni c ao de Algebra
Uma classe n ao-vazia de conjuntos, A, diz-se uma algebra se e s o se as seguintes propriedades forem vericadas:

A1. A. A2. Se A A, ent ao AC A .

A3. Se A A e B A, 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.)
25

Seja A uma algebra de subconjuntos de . seguintes propriedades:

Ent ao valem as

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

Esta proposi c ao diz que uma algebra e fechada para um n umero nito de aplica c oes das opera c oes: , , e C . Observa c ao: A e fechada para diferen cas.
26

Consideramos, a seguir, a classe n ao-vazia de conjuntos, A como sendo a classe de eventos aleat orios, tamb em chamada de , algebra de eventos para denir a teoria do c alculo de probabilidades. Quando, e nito uma algebra de eventos e uma classe adequada para dom nio da fun c ao real de conjuntos: probabilidade, 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 c ao de eventos (que perten cam ` a classe), isto e, em regra, todos os acontecimentos interessantes.

27

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. Se = {1, 2, 3} ent ao: #P () = 2# = 23 = 8 e P () = {, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}}

28

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 c ao 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

29

Deni c ao de - algebra

Uma classe A de subconjuntos de um conjunto n ao-vazio sa tisfazendo A1, A2, A3 e chamada - algebra de subconjuntos de

A1. A. A2. Se A A, ent ao AC A . ao A3 Se An A para n = 1, 2, 3, . . ., ent i=1 Ai A

30

Uma - algebra e fechada para um n umero enumer avel de aplica c oes das opera c oes: , , 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 enumer avel tamb em n ao h a qualquer inconveniente em tomar para as, agora, e uma - algebra. esse dom nio P () = 2 que ali Quando, , e n ao-enumer avel a situa c ao 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 por isso que comumente a teoria de probabilidade P () = 2. E se desenvolve em rela c ao a uma - algebra mais restritiva, A,
31

composta apenas por conjuntos de probabiliz aveis e s o estes s ao designados por acontecimentos (eventos aleat orios). Quando se tem de operar sobre uma classe mais restrita do que P (), por exemplo, quando e imposs vel probabilizar todo e qualquer conjunto A P (), por haver conjuntos que n ao e vi avel atribuir-lhe probabilidade sem violar os axiomas, deve pedir-se que essa classe mais restrita, A, possua no essencial as propriedades de P (). As propriedade de P () que, em geral, se exigem para A s ao:

(P1) O espa co, deve pertencer a A;

(P2) O acontecimento imposs vel, , deve pertencer a A;

umero nito ou innito (P3) Sendo A1, A2, A3, . . . de A em n enumer avel ent ao deve pertencer a A ???

(P4) Sendo A e B acontecimentos de A ent ao A B deve pertencer a A.

(P5) Sendo A e B acontecimentos de A em n umero nito ou innito enumer avel ent ao deve pertencer a A.
32

Quando e n ao-enumer avel justica-se, portanto, tomar para classe dos acontecimentos (conjuntos probabiliz aveis) uma algebra que sendo mais restrita do que a classe P () torne pratic avel a institui c ao de uma medida de probabilidade. Mas que - algebra? A pergunta e pertinente pois com xo podem construir-se com seus conjuntos muitas - algebras, das quais a maior e, P (), e a menor e a classe formada apenas pelos dois conjuntos: {, }. Verica-se, facilmente, que a classe, {, A, A, } tamb em e uma - algebra; trata-se, ali as da menor - algebra que cont em o acontecimento A.

33

Os acontecimentos mais comuns denidos na reta (R) s ao os intervalos, ao introduzir a - algebra dos conjuntos probabiliz aveis e absolutamente natural pedir que a mesma contenha os intervalos. Seja, por agora, I , a classe dos intervalos abertos ` a esquerda e fechados ` a direita, os chamados borelianos da reta. Em particular, nos casos de maior interesse pr atico em que, = Rk , k = 1, 2, . . . , n a an alise restringe-se a uma algebra de Borel em Rk , - algebra que cont em os conjuntos (acontecimentos, eventos aleat orios) contemplados em quase todas as aplica c oes, a saber, em R, intervalos abertos, semi-abertos ou fechados, nitos ou innitos), uni oes (nitas ou innitas enumer aveis) e intersec c oes (nitas ou innitas enumer aveis) de intervalos, etc
34

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)?

Axiomas de Kolmogorov

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:

35

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

P ( Ak ) .
k=1

Os eventos s ao disjuntos, ou disjuntos 2 a 2, se s ao mutuamente exclusivos, i.e., Ai Aj = se i = j .

ao disjuntos (i.e., mutuaAxioma 3 ( -aditividade) Se A1, A2, . . . A s

36

mente exclusivos), ent ao P ( k=1 Ak ) =

P ( Ak )
k=1

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

Espa co de probabilidades

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

37

Dado um espa co amostral e uma - algebra ( de Borel), A, a fun c ao de probabilidade e uma fun c ao P com dom nio A que satisfaz:

1. P (A) 0, para todo A A.

2. P () = 1

3. Se A1, A2, . . . A s ao disjuntos dois a dois, ent ao P ( i=1 ) =

P ( Ai )
i=1
38

As tr es propriedades apresentadas na deni c ao s ao usualmente referidas como Axiomas de Probabilidade (ou axiomas de Kolmogorov). Qualquer fun c ao que satisfa ca os axiomas de Probabilidade e chamada fun c ao de probabilidade. O axioma n ao menciona qual e a fun c ao particular P, ele meramente requer que P satisfa ca os axiomas. Para qualquer espa co amostral muitas e diferentes fun c oes P podem ser denidas.

39

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 sobre determinado assunto. Quando a pessoa concorda registramos o valor 1 quando discorda 0, o espa co amostral desse experimento cont em 250 = 1125899906842624 elementos s ao todos os resultados poss veis que podem ocorrer quando as 50 pessoas s ao consultadas. Seria interessante reduzir esse espa co para um de tamanho razo avel.
40

De que forma? Contando em cada uma dessas 250 seq u encias de tamanho 50 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 c ao (uma fun c ao) do espa co amostral original em um novo espa co amostral, usualmente um subconjunto dos n umeros reais. Uma vari avel aleat oria e uma fun c ao do espa co amostral nos n umeros reais.

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 Vari avel aleat oria X = soma dos n umeros X =n umero de caras X = produ c ao/parcela

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 c ao de probabilidade denida no espa co original pode ser usada no novo espa co amostral.
41

Suponha que o espa co amostral = {1, 2, . . . , n} com a fun c ao 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}) PX satisfaz os axiomas de Kolmogorov. Verique!

42

Nota c ao

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.

43

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 pontos do espa co amostral tenha a

mesma probabilidade de

1 a probabilidade P induzida em X ser a: 8 x 0 1 2 3 PX (x) 1 8 3 8 3 8 1 8

Por exemplo, PX (2) = P ({j : X (j ) = 2}) = P ((ca, ca, co)

(ca, co, ca)(co, ca, ca)) = P ((ca, ca, co))+P ((ca, co, ca))+P ((co, ca, ca)) = 1 1 1 3 + + = . 8 8 8 8

Lista de Exerc cios 01

Data de entrega: 31/03/2005

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, em e uma - algebra. ent ao iI A tamb
44

(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.

(g) Prove que {, } e uma - algebra de Borel. } (h) Prove que {, A, A, e uma - algebra de Borel.

2. Calcule a esperan ca e a vari ancia das vari aveis aleat orias discretas e cont nuas apresentadas em Mood A. M., Graybill F. A. , Boes D. C. Introduction to the theory of statistics, p aginas 538543, 3a. edi c ao.

Bibliograa Aula 01

Algumas partes foram retiradas, outras adaptadas de

1. Bento Jos e Ferreira Murteira: Probilidades e Estat stica, Volume I, 2a edi c ao.

2. Barry R. James: Probabilidade: um curso em n vel intermedi ario.

3. George Casella & Roger L. Berger: Statistical Inference.

45

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 c oes e fatos interessantes ao desenvolvimento da Teoria da probabilidade.

46