📊 statistics

Empirical Measures and Strong Laws of Large Numbers in Categorical Probability

Este artigo estabelece uma estrutura categórica unificada para o teorema de Glivenko–Cantelli, a lei forte dos grandes números e o teorema de de Finetti, introduzindo "morfismos de amostragem empírica" dentro de categorias quase-Markovianas para formalizar a convergência de medidas empíricas a partir de primeiros princípios.

Autores originais: Tobias Fritz, Tomáš Gonda, Antonio Lorenzin, Paolo Perrone, Areeb Shah Mohammed

Publicado 2026-05-13

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tobias Fritz, Tomáš Gonda, Antonio Lorenzin, Paolo Perrone, Areeb Shah Mohammed

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando descobrir a "natureza verdadeira" de uma multidão misteriosa com base apenas em uma longa lista de pessoas passando. Isso é essencialmente o que a teoria da probabilidade faz: tenta entender as regras ocultas (a distribuição) que geram uma sequência de eventos aleatórios (as amostras).

Este artigo, intitulado "Medidas Empíricas e Leis Fortes dos Grandes Números na Probabilidade Categórica", de Tobias Fritz e colegas, é uma aventura matemática de alto nível. Não se limita a olhar para números; tenta reconstruir toda a lógica da teoria da probabilidade usando uma nova linguagem chamada Teoria das Categorias. Pense na Teoria das Categorias como um "tradutor universal" que descreve como as coisas se conectam e fluem, em vez de apenas calcular números específicos.

Aqui está a história de sua descoberta, dividida em conceitos e analogias simples.

1. O Problema: A Sequência "Infinita"

No mundo real, se você lançar uma moeda 1.000 vezes, pode contar quantas caras você obteve. Se lançar um milhão de vezes, terá uma ideia melhor. Mas e se você lançá-la para sempre?

Matemáticos sabem há muito tempo (graças à Lei dos Grandes Números) que, se você continuar lançando uma moeda, a porcentagem de caras eventualmente se estabilizará na probabilidade verdadeira (50%). Esta é a "Lei Forte".

No entanto, há uma pegadinha. Nem toda sequência infinita de lançamentos de moeda se estabiliza. Algumas sequências podem oscilar para sempre (como 1, 0, 1, 0, 1, 0... mas com pausas cada vez mais longas). Para essas sequências "ruins", não é possível definir uma probabilidade verdadeira.

Os autores perguntam: Podemos construir uma máquina matemática que receba uma sequência infinita como entrada e produza a distribuição de probabilidade "verdadeira", mas apenas se a sequência for "boa" o suficiente para ter uma?

2. A Solução: A "Máquina de Amostragem Empírica"

Os autores propõem um novo tipo de objeto matemático chamado Morfismo de Amostragem Empírica.

Pense nisso como uma máquina de venda automática especializada:

A Entrada: Você alimenta com um fluxo infinito de dados (como uma longa lista de números ou lançamentos de moeda).
A Saída: Se o fluxo for "bem-comportado", a máquina emite uma única amostra extraída da "média" desse fluxo (a medida empírica).
A Pegadinha: Se o fluxo for caótico e nunca se estabilizar, a máquina recusa-se a funcionar. Ela não fornece uma resposta errada; simplesmente diz: "Não consigo processar isso".

Na linguagem do artigo, isso é um morfismo parcial. É uma função que só funciona em um subconjunto específico de entradas (as sequências "boas").

3. As Regras da Máquina

Para garantir que essa máquina faça sentido, os autores estabelecem duas regras estritas (axiomas):

Regra 1: A Regra da Embaralhamento (Invariância de Permutação)
Imagine que você tem uma lista de 1.000 números. Se você embaralhar os primeiros 10 números, a natureza "média" da lista não deve mudar. A máquina deve produzir o mesmo resultado independentemente da ordem da entrada, desde que o conjunto geral de dados seja o mesmo. Ela ignora a ordem e olha apenas para o "conjunto" dos dados.
Regra 2: A Regra da Autoconsistência (Adequação Empírica)
Isso é um pouco como um teste de espelho. Se você pegar uma sequência gerada por uma moeda justa, alimentá-la na máquina para obter uma "moeda média" e, em seguida, usar essa média para gerar uma nova sequência, a nova sequência deve parecer estatisticamente idêntica à original. A máquina deve ser consistente consigo mesma.

4. A Grande Descoberta: Reconstruindo a Probabilidade do Zero

Os autores não construíram essa máquina apenas para um caso específico (como lançamentos de moeda). Eles construíram um quadro teórico (usando "Categorias Quasi-Markov") que lhes permite provar três teoremas massivos e famosos simultaneamente, usando apenas as regras de sua máquina:

O Teorema de de Finetti: Este diz que, se uma sequência de eventos parece aleatória e permutável (a ordem não importa), ela deve ter sido gerada por uma distribuição "média" oculta. Os autores provam que isso é uma consequência natural das regras de sua máquina.
O Teorema de Glivenko–Cantelli: Esta é a versão "uniforme" da Lei dos Grandes Números. Diz que a forma inteira da distribuição de dados (não apenas a média) converge para a verdade.
A Lei Forte dos Grandes Números: O resultado clássico de que a média das suas amostras converge para o valor esperado verdadeiro.

A Magia: Geralmente, provar esses três teoremas exige matemática pesada e complexa (teoria da medida). Os autores mostram que, se você aceitar a existência de sua "Máquina de Amostragem Empírica" e suas duas regras, todos os três teoremas caem automaticamente, como dominós.

5. Tornando Real: A Máquina "Parcial"

Um grande obstáculo foi que, no mundo real (especificamente com números reais), nem sempre é possível definir essa máquina para todas as sequências infinitas possíveis.

A Analogia: Imagine tentar calcular a altura média de uma fila infinita de pessoas. Se a fila incluir algumas pessoas infinitamente altas, a média quebra.
O Conserto: Os autores construíram uma versão específica dessa máquina para números reais (como a altura de pessoas ou preços de ações). Eles definiram exatamente quais sequências são "boas" (aquelas onde a média se estabiliza e não explode para infinito) e quais são "ruins".

Eles provaram que, para essas sequências "boas", a máquina funciona perfeitamente e recupera os resultados padrão que usamos na estatística hoje.

Resumo

Em termos simples, este artigo é uma teoria unificada da aleatoriedade.

Os autores construíram uma "caixa preta" conceitual (o Morfismo de Amostragem Empírica) que recebe dados infinitos e produz a probabilidade subjacente. Ao definir exatamente como essa caixa deve se comportar (ignorando a ordem e sendo autoconsistente), eles puderam derivar as leis mais importantes da probabilidade (de Finetti, Glivenko–Cantelli e Lei Forte) como consequências lógicas.

Eles mostraram que essas leis não são apenas coincidências afortunadas da matemática; são o resultado inevitável de como definimos "média" sobre dados infinitos. É uma maneira nova, mais limpa e mais estruturada de entender por que a "Lei dos Grandes Números" funciona.

Resumo Técnico: Medidas Empíricas e Leis Fortes dos Grandes Números em Probabilidade Categórica

Enunciado do Problema
O artigo aborda o desafio de formular teoremas limites fundamentais da teoria da probabilidade — especificamente o teorema de Glivenko–Cantelli e a Lei Forte dos Grandes Números (SLLN) — dentro do arcabouço da probabilidade categórica. Embora a probabilidade categórica tenha abstraído com sucesso conceitos como independência, condicionamento e o teorema de de Finetti usando categorias de Markov, essas estruturas tipicamente assumem morfismos totais (morfismos definidos para todas as entradas).

A dificuldade específica abordada aqui é a natureza das medidas empíricas para sequências infinitas. Na teoria da medida padrão, a medida empírica de uma sequência infinita $(x_i)_{i \in \mathbb{N}}$ é definida como o limite das frequências relativas. No entanto, esse limite não existe para toda sequência (por exemplo, sequências oscilantes), e mesmo quando existe, pode falhar em definir uma medida de probabilidade válida (por exemplo, falhando na $\sigma$ -aditividade, como na sequência $1, 2, 3, \dots$ sobre $\mathbb{N}$ ). Consequentemente, a operação de "amostragem a partir de uma medida empírica" é inerentemente uma operação parcial. Categorias de Markov padrão, que exigem que todos os morfismos sejam totais, são insuficientes para modelar esse fenômeno diretamente. Os autores buscam desenvolver uma estrutura sintética (axiomática) que acomode essas parcialidades, ao mesmo tempo que recupera os resultados padrão da teoria da medida.

Metodologia
Os autores empregam uma abordagem dupla, combinando teoria das categorias abstrata com construções concretas da teoria da medida:

Categorias Quasi-Markov: Para lidar com a parcialidade, os autores trabalham dentro de categorias quasi-Markov. Diferentemente das categorias de Markov padrão, onde todo morfismo é total, as categorias quasi-Markov permitem morfismos que são "quasi-totais". Um morfismo $f: A \to X$ é quasi-total se for indefinido ou produzir uma saída normalizada para cada entrada. Essa estrutura suporta uma ordem parcial canônica (relação de extensão) onde $f \sqsupseteq g$ se $f$ estende $g$ .
$\sigma$ -Continuidade: Para gerenciar produtos tensoriais infinitos (produtos de Kolmogorov) e sequências infinitas, os autores introduzem a suposição de $\sigma$ -continuidade. Isso garante que os conjuntos hom possuam ínfimos dirigidos contáveis (interseções de domínios) e que esses ínfimos sejam preservados pela composição e produtos tensoriais. Demonstra-se que essa propriedade corresponde à $\sigma$ -continuidade das medidas de probabilidade na teoria da medida.
Axiomatização da Amostragem Empírica: O núcleo da metodologia é a definição de um morfismo de amostragem empírica $es_X: X^\mathbb{N} \to X$ $e s_{X} : X^{N} \to X$ . Este morfismo recebe uma sequência infinita como entrada e produz uma amostra de sua medida empírica. Os autores propõem dois axiomas para este morfismo:
- Invariância por Permutação: O morfismo é invariante sob permutações finitas da sequência de entrada.
- Adequação Empírica: Se uma distribuição em $X^\mathbb{N}$ é trocável, então amostrar a partir dela é equivalente à amostragem empírica iterada aplicada a uma sequência amostrada.
Construções Concretas: Os autores constroem morfismos explícitos de amostragem empírica para espaços de Borel padrão (conjuntos finitos, $\mathbb{N}$ e $\mathbb{R}$ ) dentro da categoria de núcleos de Markov parciais, Partial(BorelStoch). Eles definem cuidadosamente os domínios desses morfismos para garantir que os limites resultantes satisfaçam a $\sigma$ -aditividade e, para $\mathbb{R}$ , a convergência uniforme das funções de distribuição acumulada (CDFs).

Principais Contribuições

Estrutura para Parcialidade: O artigo desenvolve a teoria das categorias quasi-Markov, estabelecendo especificamente a existência e as propriedades dos produtos de Kolmogorov nesse contexto. Isso inclui a prova de que Partial(BorelStoch) é uma categoria quasi-Markov $\sigma$ -contínua.
Definição de Morfismos de Amostragem Empírica: Os autores fornecem uma definição categórica rigorosa de morfismos de amostragem empírica por meio dos axiomas de invariância por permutação e adequação empírica. Eles demonstram que esses morfismos existem para todos os espaços de Borel padrão.
Provas Sintéticas de Teoremas Limites: Usando a existência de morfismos de amostragem empírica e a divisão de idempotentes balanceados, os autores derivam versões abstratas de:
- O Teorema de de Finetti: Mostrando que morfismos trocáveis fatoram através de um objeto de distribuição.
- O Teorema de Glivenko–Cantelli: Estabelecendo a convergência uniforme das medidas empíricas para a distribuição subjacente.
- A Lei Forte dos Grandes Números: Derivando a convergência das médias empíricas para o valor esperado.
Unificação: O trabalho fornece uma prova conjunta do teorema de de Finetti, do teorema de Glivenko–Cantelli e da SLLN a partir de primeiros princípios dentro de um único arcabouço categórico, em vez de tratá-los como resultados separados da teoria da medida.

Resultados

Representabilidade: A existência de morfismos de amostragem empírica implica que a categoria é observacionalmente representável. Isso significa que, para todo objeto $X$ , existe um objeto de distribuição $PX$ (representando medidas de probabilidade em $X$ ) e um morfismo de amostragem $samp: PX \to X$ .
Teorema Sintético de Glivenko–Cantelli: Em qualquer categoria quasi-Markov que satisfaça as suposições dos autores (incluindo a existência de morfismos de amostragem empírica), o morfismo de reamostragem $es^{(N)}$ divide-se através do objeto de distribuição. Isso leva ao resultado de que, para qualquer morfismo trocável $f$ , a medida empírica é quase certamente igual à distribuição subjacente.
Recuperação de Resultados Padrão: Ao instanciar os teoremas abstratos em Partial(BorelStoch):
- O teorema sintético de Glivenko–Cantelli recupera o teorema padrão para variáveis aleatórias de valor real, afirmando que a CDF empírica converge uniformemente para a CDF verdadeira quase certamente.
- A SLLN sintética recupera a SLLN de Kolmogorov para variáveis aleatórias de valor real com primeiros momentos finitos. Os autores observam que uma restrição específica no domínio do morfismo de amostragem empírica para $\mathbb{R}$ é necessária para garantir a convergência da média empírica (tratando o caso em que a média pode não existir).

Significância
O artigo afirma que este trabalho fornece uma prova estruturada de três resultados probabilísticos fundamentais a partir de primeiros princípios. Os autores argumentam que sua prova conjunta é mais curta e possui clareza conceitual aprimorada em comparação com tratamentos puramente da teoria da medida tradicionais. Ao identificar morfismos de amostragem empírica como um conceito-chave, o artigo sugere que esses morfismos são uma ferramenta inestimável para traduzir leis dos grandes números para a linguagem categórica. Os autores postulam que essa realização facilita o progresso adicional na probabilidade categórica, potencialmente auxiliando no desenvolvimento de outros teoremas limites, como teoremas ergódicos, dentro do mesmo arcabouço. O trabalho enfatiza que, embora traduzir conceitos probabilísticos para a teoria das categorias seja frequentemente não trivial, a abstração resultante revela as propriedades estruturais essenciais (invariância por permutação e adequação empírica) que sustentam esses teoremas clássicos.