Exercício 03: Defina função indicadora e mostre quais são suas principais propriedades e aplicações.

Passo 1

O enunciado pede três coisas: definir o que é uma função indicadora, mostrar suas principais propriedades e mostrar aplicações práticas.\n
Informações dadas (implícitas no enunciado): devemos explicar a definição formal, provar proposições básicas sobre esse objeto e dar exemplos de uso em diferentes áreas (probabilidade, contagem, integração, etc.). Nada mais foi fornecido.

Passo 2

Definição formal.\n
Seja X\) um conjunto qualquer e \(A\subset X\) um subconjunto. A função indicadora de \(A\) é a função que indica se um elemento de \(X\) pertence a \(A\) ou não. Usamos a notação \(\mathbf{1}_A\) ou \(\mathbb{1}_A\) e definimos: \[\mathbf{1}_A : X \to \{0,1\},\qquad \mathbf{1}_A(x) = \begin{cases} 1, & \text{se } x\in A,\\[4pt] 0, & \text{se } x\notin A. \end{cases}
Explicação didática: pense em \mathbf{1}_A(x)\] como uma pequena lâmpada que acende (\(1) quando x está dentro de A e apaga ( 0) quando x está fora de A.]

Passo 3

Exemplos simples para fixar a ideia.\n
  1. Se X=\{1,2,3,4\} e A=\{2,4\}, então \mathbf{1}_A(1)=0, \mathbf{1}_A(2)=1, \mathbf{1}_A(3)=0, \mathbf{1}_A(4)=1.\n
  2. Se X=\mathbb{R} e A=[0,1], então \mathbf{1}_A(0,5)=1 e \mathbf{1}_A(-1)=0.\n
    Esses exemplos mostram que a função indicadora só toma os valores \(0) e \(1).

Passo 4

Propriedade básica — valores e idempotência.\n
Para todo x\in X vale \mathbf{1}_A(x)\in\{0,1\}. Daí segue a idempotência:
\mathbf{1}_A(x)^2=\mathbf{1}_A(x),
porque 0^2=0 e 1^2=1. Em notação funcional:
\mathbf{1}_A^2=\mathbf{1}_A.
Comentário didático: isto significa que multiplicar a própria indicação de um conjunto por ela mesma não altera nada — é um comportamento típico de projeções.

Passo 5

Complemento.\n
Se A^c é o complemento de A em X, então para todo x\in X
\mathbf{1}_{A^c}(x)=1-\mathbf{1}_A(x).
Prova rápida: se x\in A então \mathbf{1}_A(x)=1 e \mathbf{1}_{A^c}(x)=0, então 1-\mathbf{1}_A(x)=0. Se x\notin A ocorre o caso contrário. Essa identidade é muito útil para transformar complementos em operações aritméticas.

Passo 6

Interseção e produto.\n
Para quaisquer A,B\subset X e todo x\in X vale
\mathbf{1}_A(x)\mathbf{1}_B(x)=\mathbf{1}_{A\cap B}(x).
Prova: o produto é 1 somente se ambos \mathbf{1}_A(x)=1 e \mathbf{1}_B(x)=1, isto é, somente se x\in A\cap B. Caso contrário o produto é 0.

Passo 7

União e soma (fórmula de inclusão-exclusão para dois conjuntos).\n
Para A,B\subset X temos a identidade
\mathbf{1}_{A\cup B}=\mathbf{1}_A+\mathbf{1}_B-\mathbf{1}_{A\cap B}.
Prova: verifique valor por valor em x\in X (casos x\in A\setminus B, x\in B\setminus A, x\in A\cap B, x\notin A\cup B).\n
Observação: se A e B são disjuntos então \mathbf{1}_{A\cup B}=\mathbf{1}_A+\mathbf{1}_B.

Passo 8

Generalização para n conjuntos e inclusão-exclusão.\n
A identidade para dois conjuntos estende-se à fórmula clássica da inclusão-exclusão com somas e subtrações de indicadores para \bigcup_{i=1}^n A_i. Em particular:
\mathbf{1}_{A\triangle B}=|\mathbf{1}_A-\mathbf{1}_B|,
onde A\triangle B é a diferença simétrica. Isso é útil para medir “distância” entre conjuntos.

Passo 9

Monotonicidade.\n
Se A\subset B então para todo x\in X
\mathbf{1}_A(x)\le \mathbf{1}_B(x),
ou em notação funcional \mathbf{1}_A\le \mathbf{1}_B. Prova: se x\in A então x\in B e ambos indicadores valem 1; se x\notin A então \mathbf{1}_A(x)=0\le \mathbf{1}_B(x) (que é 0 ou 1).

Passo 10

Integração com respeito a uma medida — ligação com medida e probabilidade.\n
Se (X,\mathcal{F},\mu) é um espaço de medida, então a indicadora é mensurável sempre que A\in\mathcal{F} e satisfaz:
\int_X \mathbf{1}_A\,d\mu = \mu(A).
Prova intuitiva: a integral soma “peso” 1 em cada ponto de A e 0 fora; isso conta exatamente a medida de A.\n
Casos especiais importantes:\n
  • Para a medida de contagem em um conjunto finito X:
\sum_{x\in X}\mathbf{1}_A(x)=|A|.
  • Para probabilidade P (medida de probabilidade):
\mathbb{E}[\mathbf{1}_A]=\int_X \mathbf{1}_A\,dP = P(A).
Aqui \mathbb{E} é esperança. Essa identidade é usada o tempo todo em probabilidade: a esperança de um indicador é a probabilidade do evento.

Passo 11

Produto por uma função e integração em subconjunto.\n
Se f:X\to\mathbb{R} é mensurável (ou integrável), então
\int_X f(x)\mathbf{1}_A(x)\,d\mu(x)=\int_A f(x)\,d\mu(x).
Explicação: multiplicar f por \mathbf{1}_A “corta” f fora de A, o que é uma maneira formal de integrar apenas sobre A. Em probabilidade isso corresponde a \mathbb{E}[X\mathbf{1}_A], que é expectativa de X restrita ao evento A.

Passo 12

Funções simples e aproximação de funções mensuráveis.\n
Uma função simples é combinação linear finita de indicadoras:
s(x)=\sum_{k=1}^n a_k\,\mathbf{1}_{A_k}(x),
com a_k\in\mathbb{R} e A_k disjuntos. Teorema importante: toda função mensurável não-negativa pode ser aproximada por uma sequência monótona de funções simples; isso é a base da construção da integral de Lebesgue. Didaticamente, isto mostra o papel fundamental das indicadoras: elas são tijolos para construir funções mensuráveis.

Passo 13

Aplicações práticas e exemplos concretos.\n
  • Probabilidade: representar eventos e calcular probabilidades via expectativa; por exemplo, o número de sucessos em n ensaios de Bernoulli é \sum_{i=1}^n \mathbf{1}_{\{i\text{ é sucesso}\}}é.\n
  • Estatística: função empírica de distribuição:
\widehat{F}_n(x)=\frac{1}{n}\sum_{i=1}^n \mathbf{1}_{\{X_i\le x\}}.
  • Contagem/combinatória: contar elementos satisfazendo uma propriedade usando soma de indicadoras.\n
  • Análise e teoria da medida: construir funções simples, provar teoremas de convergência (dominated convergence, monotone convergence) usando seqüências de indicadoras.\n
  • Álgebra funcional / projeções: em espaços L^2, multiplicação por \mathbf{1}_A é um operador linear que projeta funções naquelas que são zero fora de A.\n
  • Programação e algoritmos: em implementações, indicadoras são úteis para escrever condições como 1 ou 0 e somá-las para obter contagens ou métricas.

Passo 14

Identidades úteis e truques de prova (dicas para prova/avaliação).\n
  • Converter eventos em indicadores e usar linearidade da esperança para transformar probabilidades em somas de expectativas.\n
  • Usar \mathbf{1}_{A\cap B}=\mathbf{1}_A\mathbf{1}_B para simplificar integrais e produtos.\n
  • Controlar diferenças entre conjuntos com norma L^1:
\mu(A\triangle B)=\int_X |\mathbf{1}_A-\mathbf{1}_B|\,d\mu.
Isso dá uma métrica natural entre conjuntos mensuráveis.\n
Dica prática para prova: quando aparecer soma condicional ou contagem de casos, veja se dá para escrever como soma de \mathbf{1}_{\{\text{condição}\}}çã; isso costuma simplificar muito a conta.

Passo 15

Resumo final e empurrão motivacional.\n
A função indicadora é um conceito simples, mas extremamente poderoso: transforma perguntas sobre conjuntos em operações algébricas e integrais. Memorize as identidades fundamentais ( \mathbf{1}_{A^c}=1-\mathbf{1}_A, \mathbf{1}_{A\cap B}=\mathbf{1}_A\mathbf{1}_B, expressão para união/disjunção) e o uso com integrais \int \mathbf{1}_A\,d\mu=\mu(A). Esses truques salvam tempo em provas e simplificam raciocínios abstratos. Força aí — com essas ferramentas você resolve muita coisa no exame!

Resposta

Definição: \mathbf{1}_A(x)=\begin{cases}1,&x\in A,\\\ 0,&x\notin A.\end{cases}\n
Principais propriedades: \mathbf{1}_A^2=\mathbf{1}_A; \mathbf{1}_{A^c}=1-\mathbf{1}_A; \mathbf{1}_A\mathbf{1}_B=\mathbf{1}_{A\cap B}; \mathbf{1}_{A\cup B}=\mathbf{1}_A+\mathbf{1}_B-\mathbf{1}_{A\cap B}; se A\subset B então \mathbf{1}_A\le\mathbf{1}_B; \mathbf{1}_{A\triangle B}=|\mathbf{1}_A-\mathbf{1}_B|; e para medida \mu vale \int_X\mathbf{1}_A\,d\mu=\mu(A).\n
Aplicações: probabilidade ( \mathbb{E}[\mathbf{1}_A]=P(A)), contagem ( \sum_{x\in X}\mathbf{1}_A(x)=|A|), construção de funções simples e aproximação para integração de Lebesgue, estatística (função empírica \widehat{F}_n), manipulações algébricas em provas e operadores de projeção em espaços funcionais.

Exercícios relacionados