Introdução À Probabilidade

Introduo Probabilidade
Notas de Aula
Leonardo T. Rolla
Instituto de Matemtica Pura e Aplicada
Rio de Janeiro
10 de janeiro de 2013
Apresentao
Recomenda-se imprimir apenas os Captulos 13. Os demais captulos sero
modicados e disponibilizados antes das respectivas aulas.
Esta uma apostila feita a partir de notas de aula das disciplinas Probabilidade, do
mestrado em Cincias Atuariais da PUC-Rio, ministrada em 2006, e Introduo
Probabilidade, ministrada em 2012 e 2013 no IMPA.
Este no um livro-texto nem um livro para consulta. O texto aqui apresentado
uma verso expandida do contedo que foi passado no quadro-negro, alm de listas
de exerccios. Durante os cursos ministrados, os principais livros-texto adotados
foram [Jam04] no IMPA e [Mag11] na PUC-Rio.
Os pr-requisitos para seguir o curso so clculo de derivadas e integrais em R
n
,
limites de seqncias, limsup e liminf, convergncia de sries, polinmios de Taylor,
limites laterais e funes contnuas. Alguns teoremas sero apresentados sem
demonstrao, evitando assim o uso de Anlise Real e Teoria da Medida. No
necessrio qualquer tipo de conhecimento prvio em Probabilidade.
Comentrios, crticas e correes so muito bem-vindos.
Rio de Janeiro, 10 de janeiro de 2013.
c _ 20122013 Leonardo T. Rolla. Texto publicado sob a Licena Creative Commons
Atribuio CompartilhaIgual 3.0 Brasil: http://creativecommons.org/licenses/by-sa/3.0/br/deed.pt
Este material parcialmente baseado no(s) seguinte(s) trabalho(s): [Roc09].
Trabalhos derivados devem ser distribudos junto com o cdigo-fonte, observando os termos desta
Licena. Devem fazer atribuio ao presente material, bem como ao(s) trabalho(s) acima citado(s).
Cdigo fonte: bzr branch http://www.impa.br/~leorolla/apostila-intr-prob/ Verso: Date: Mon 2012-10-01 16:51:48 -0300
3
Sumrio
Apresentao 3
1 Denies Bsicas 7
1.1 Espao de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Variveis Aleatrias 17
2.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Funo de Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . . 23
2.5 A Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Distribuies Mistas e Singulares . . . . . . . . . . . . . . . . . . . . 27
2.7 Distribuio Condicional dado um Evento . . . . . . . . . . . . . . . 28
2.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Vetores Aleatrios 31
3.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Funo de Distribuio Conjunta . . . . . . . . . . . . . . . . . . . . 32
3.3 Vetores Aleatrios Discretos . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Vetores Aleatrios Absolutamente Contnuos . . . . . . . . . . . . . . 36
3.5 Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Esperana Matemtica 43
4.1 Variveis Aleatrias Simples . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Esperana Matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3 Propriedades da Esperana Matemtica . . . . . . . . . . . . . . . . . 46
4.4 Variveis Discretas e Contnuas . . . . . . . . . . . . . . . . . . . . . 48
4.5 Mudana de Varivel . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5
6 SUMRIO
4.6 Momentos, Varincia e Covarincia . . . . . . . . . . . . . . . . . . . 51
4.7 Desigualdades Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.8 Esperana Condicional dado um Evento . . . . . . . . . . . . . . . . 57
4.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5 Distribuio e Esperana Condicionais 61
5.1 Parties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2 Probabilidade Condicional dada uma Partio . . . . . . . . . . . . . 62
5.3 Esperana Condicional dada uma Partio . . . . . . . . . . . . . . . 63
5.4 Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 66
5.5 Esperana Condicional dada uma Varivel Aleatria . . . . . . . . . . 70
5.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6 Convergncia de Variveis Aleatrias 77
6.1 Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2 Tipos de Convergncia . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3 Relao entre os Tipos de Convergncia . . . . . . . . . . . . . . . . . 82
6.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7 Funo Geradora de Momentos e Funo Caracterstica 85
7.1 Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . 85
7.2 Funo Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
8 Lei dos Grandes Nmeros e Teorema Central do Limite 93
8.1 Leis dos Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . . 93
8.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . 94
8.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Referncias Bibliogrcas 97
Captulo 1
Denies Bsicas
Neste captulo faremos uma introduo bem direta aos espaos de probabilidade,
com nfase nos conceitos que tero maior importncia durante o curso. O mesmo
contedo visto com mais detalhes em [Jam04, Captulo 1].
1.1 Espao de Probabilidade
Um Espao de Probabilidade, ou Modelo Probabilstico, ou ainda Modelo Estatstico,
uma abstrao matemtica, uma idealizao que busca representar determinados
fenmenos. Do ponto de vista de um matemtico, a Teoria da Probabilidade
estuda eventos aleatrios, i.e., eventos que no possuem regularidade determinstica
(observaes feitas nas mesmas condies no do o mesmo resultado), mas possuem
regularidade estatstica (indicada pela estabilidade estatstica de frequncias) [Shi96].
Por exemplo, no lanamento de um dado, apesar de a trajetria do dado ser
determinstica (do ponto de vista da mecnica Newtoniana), impraticvel tentar
prever seu resultado: este experimento no possui regularidade determinstica. No
entanto, regularidade estatstica observada neste caso e o tratamento probabilstico
o mais adequado.
O objetivo deste curso introduzir o estudo formal dos Espaos de Probabilidade,
as variveis aleatrias e suas propriedades. Um modelo probabilstico tem trs
componentes bsicas:
1. Um conjunto formado por todos os resultados possveis (simples e indivis-
veis) do experimento, chamado espao amostral.
2. Uma classe apropriada T de subconjuntos do espao amostral, chamada classe
de conjuntos mensurveis ou eventos aleatrios.
3. Uma funo P que associa a cada conjunto mensurvel um nmero real, que
representa a ideia de chance, verossimilhana, conana, credibilidade, ou
7
8 CAPTULO 1. DEFINIES BSICAS
probabilidade. Esta funo chamada de probabilidade, medida, ou medida
de probabilidade.
Resultados equiprovveis No modelo mais simples, onde os resultados so
equiprovveis, o espao amostral um conjunto nito e a medida de probabilidade
proporcional quantidade de resultados que fazem parte de um dado evento.
Imagine o sorteio de uma carta em um baralho francs com 52 cartas (numeradas
A, 2, 3, . . . , 9, 10, J, Q, K e de naipes , , , ). Queremos saber a probabilidade
de um jogador tirar 4, 7, A ou 7, evento que ser denotado por B. Temos
ento:
P(B) =
#B
#
=
4
52
=
1
13
.
Imagine o lanamento de um dado ( = 1, 2, 3, 4, 5, 6) em que um jogador
precisa obter 5 ou 6 (B = 5, 6). Neste caso:
P(B) =
#B
#
=
2
6
=
1
3
.
Espao discreto Outro exemplo um pouco menos simples quando o espao
amostral innito e enumervel, i.e., pode ser escrito como uma seqncia
= x
1
, x
2
, x
3
, . . . . Neste caso no faz sentido que todos os elementos sejam
igualmente provveis. A cada possvel resultado x
n
associada uma probabilidade
p(x
n
) de forma que

n=1
p(x
n
) = 1. Para um subconjunto B denimos
P(B) =

xB
p(x).
Imagine uma seqncia de ensaios independentes que podem resultar em sucesso
ou fracasso, e que termina assim que um sucesso obtido. Denotemos por q a chance
de sucesso em cada ensaio. O resultado desse experimento o nmero de ensaios
feitos ( = 1, 2, 3, . . . ) e, neste caso, p(n) = q(1 q)
n1
. Seja A = sucesso em
no mximo 5 tentativas e B = fracasso nas primeiras 10 tentativas. Temos
P(A) = q + q(1 q) + + q(1 q)
4
=
q (1 q)
5
q
1 (1 q)
= 1 (1 q)
5
.
e
P(B) = q(1 q)
10
+ q(1 q)
11
+ q(1 q)
12
+ =
q(1 q)
10
1 (1 q)
= (1 q)
10
.
A seguir veremos uma formulao mais precisa desses conceitos.
Espao amostral O conjunto no-vazio de todos os resultados possveis de um
determinado experimento chamado de espao amostral.
Exemplo 1.1. Se o experimento consiste em lanar uma moeda, ento =
Ca, Co, onde Ca cara e Co coroa.
1.1. ESPAO DE PROBABILIDADE 9
Exemplo 1.2. Se o experimento consiste em lanar um dado e observar a face
superior, ento = 1, 2, 3, 4, 5, 6.
Exemplo 1.3. Se o experimento consiste em lanar duas moedas, ento
= (Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co), onde o resultado (a, b) ocorre se a
face da primeira moeda a e a face da segunda moeda b.
Exemplo 1.4. Se o experimento consiste em lanar dois dados e observar as faces
superiores, ento
=
_
_
(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)
_
_
onde o resultado (i, j) ocorre se a face i aparece no primeiro dado e a face j no
segundo dado.
Exemplo 1.5. Se o experimento consiste em medir a vida til de um carro, ento
um possvel espao amostral consiste de todos os nmeros reais no-negativos, isto
, = [0, ).
Eventos aleatrios Qualquer subconjunto A do espao amostral , isto , A ,
ao qual atribumos uma probabilidade, dito um evento aleatrio. O conjunto
vazio denominado evento impossvel e o conjunto denominado evento certo.
Se , o evento dito elementar.
importante saber traduzir a notao de conjuntos para a linguagem de eventos:
AB o evento A ou B; AB o evento A e B e A
c
o evento no A. Dois
eventos A e B so mutuamente exclusivos ou incompatveis se A B = . A B
signica que a ocorrncia do evento A implica a ocorrncia do evento B.
Faremos algumas suposies naturais sobre a classe de eventos aleatrios. Vamos
supor que a classe de eventos aleatrios T satisfaz as seguintes propriedades:
(F1) T;
(F2) Para todo A T, tem-se que A
c
T;
(F3) Se A
1
, A
2
, A
3
, T, ento (
i=1
A
i
) T.
Denio 1.6 (-lgebra). Chamaremos de -lgebra a uma classe de subconjuntos
de satisfazendo as trs propriedades acima.
Exerccio 1.1. Seja T uma -lgebra de subconjuntos de . Mostre que:
(a) T;
(b) se A e B T ento A B T;
(c) se A
1
, A
2
, A
3
, T ento (
i=1
A
i
) T.
Observao 1.7. Quando um conjunto nito, em geral se toma T = T(),
isto , o conjunto de todos os subconjuntos de , chamado o conjunto das partes.
Espao de probabilidade Seja um espao amostral e T uma -lgebra para
um dado experimento. Uma medida de probabilidade P uma aplicao P : T R
satisfazendo as seguintes propriedades:
(P1) P(A) 0 para todo A T.
(P2) P() = 1.
(P3) Se A
1
, A
2
, T e A
i
A
j
= i ,= j, ento P (
i=1
A
i
) =

i=1
P(A
i
).
Denio 1.8 (Espao de Probabilidade). Um espao de probabilidade um
trio (, T, P), onde
1. um conjunto no-vazio;
2. T uma -lgebra de subconjuntos de ;
3. P uma probabilidade denida em T.
Teorema 1.9. Toda medida de probabilidade P satisfaz as seguintes propriedades:
1. P() = 0.
2. P(A
c
) = 1 P(A).
3. Se A, B T e A B ento P(A) P(B). (monotonicidade)
4. Se A, B T e A B ento P(B A) = P(B) P(A).
5. Para todo A T, temos 0 P(A) 1.
6. Se A
1
, A
2
, . . . , A
n
T, ento P
_
i=1
A
i
_
i=1
P(A
i
). (-subaditividade).
7. Sejam A e B T. Ento P(A B) = P(A) +P(B) P(A B).
Demonstrao. Feita em aula.
Uma medida de probabilidade P tambm tem a propriedade de ser contnua.
Dizemos que A
n
A se A
1
A
2
A
3
e
n=1
= A. Analogamente, A
n
A se
A
1
A
2
A
3
e
n=1
= A.
Teorema 1.10 (Continuidade). Se A
n
A ou A
n
A, ento P(A
n
) P(A).
1.2. PROBABILIDADE CONDICIONAL 11
1.2 Probabilidade Condicional
A probabilidade condicional uma nova medida de probabilidade, de forma a
representar melhor as chances de eventos aleatrios a partir da informao de que
um dado evento aconteceu. denida da seguinte maneira:
Denio 1.11 (Probabilidade Condicional). Dados A, B T em um espao
(, T, P), denimos a probabilidade condicional de A dado que ocorreu B, ou
simplesmente probabilidade de A dado B, por
P(A[ B) =
P(A B)
P(B)
.
Quando P(B) = 0, P(A[B) pode ser denido arbitrariamente, mas conveniente
denir P(A[B) = P(A).
Exerccio 1.2. Numa cidade so catalogados todos os casais que tenham dois lhos
e que no sejam gmeos. Um casal escolhido ao acaso dessa lista. Calcule a
probabilidade condicional de esse casal ter dois lhos homens, sabendo-se que:
(a) O casal tem um lho homem.
(b) O lho mais velho do casal homem.
(c) O casal tem um lho homem que nasceu num sbado.
(d) O casal tem um lho homem que no nasceu num sbado.
Respostas aproximadas: 33%, 50%, 48%, 36%. Comente o porqu de o resultado do
item (d) ser prximo ao do item (a) e o do item (c) ser prximo ao do item (b).
Proposio 1.12. A probabilidade condicional uma medida de probabilidade, isto
, dado B T tal que P(B) > 0, a funo que leva A em P(A[B) satisfaz as
Propriedades (P1)(P3).
Regra do produto A regra do produto permite expressar a probabilidade da
ocorrncia simultnea de diversos eventos a partir do valor de cada probabilidade
condicional dados os eventos anteriores.
Teorema 1.13 (Regra do Produto). Dados A
1
, A
2
, . . . , A
n
em (, T, P), vale
P(A
1
A
n
) = P(A
1
)P(A
2
[A
1
)P(A
3
[A
1
A
2
) P(A
n
[A
1
A
2
A
n1
).
Demonstrao. Vamos provar por induo em n. Para n = 1 vale trivialmente:
P(A
1
) = P(A
1
). Para n = 2, temos
P(A
2
[A
1
) =
P(A
2
A
1
)
P(A
1
)
= P(A
1
A
2
) = P(A
1
)P(A
2
[A
1
).
Para n = 3, temos
P(A
3
[A
1
A
2
) =
P(A
1
A
2
A
3
)
P(A
1
A
2
)
e portanto
P(A
1
A
2
A
3
) = P(A
1
A
2
)P(A
3
[A
1
A
2
)
= P(A
1
)P(A
2
[A
1
)P(A
3
[A
1
A
2
).
Suponhamos a igualdade vlida para n = m, temos
P(A
m+1
[A
1
A
m
) =
P(A
1
A
m
A
m+1
)
P(A
1
A
m
)
e portanto
P(A
1
A
m+1
) = P(A
1
A
m
)
. .
usando a hiptese
P(A
m+1
[A
1
A
m
)
= P(A
1
)P(A
2
[A
1
)P(A
3
[A
1
A
2
) P(A
m+1
[A
1
A
m
),
completando a prova por induo.
Exemplo 1.14 ([Jam04]). Selecionar 3 cartas de um baralho francs de 52 cartas,
ao acaso e sem reposio. Qual a probabilidade de tirar 3 reis? Seja A
i
=tirar rei
na i-sima retirada e A =tirar 3 reis= A
1
A
2
A
3
. Temos
P(A) = P(A
1
)P(A
2
[A
1
)P(A
3
[A
1
A
2
) =
4
52
3
51
2
50
=
1
5525
.
Lei da probabilidade total Dizemos que B
1
, B
2
, B
3
, T formam uma
partio de se B
i
B
j
= i ,= j e
i=1
B
i
= .
Teorema 1.15 (Lei da Probabilidade Total). Sejam A, B
1
, B
2
, B
3
, . . . eventos
aleatrios em (, T, P) tais que B
1
, B
2
, B
3
, . . . formam uma partio de .
Ento
P(A) =
i=1
P(B
i
)P(A[B
i
).
1.2. PROBABILIDADE CONDICIONAL 13
Demonstrao. Usando a regra do produto temos
P(A) = P
_
i=1
(A B
i
)
_
=
i=1
P(A B
i
) =
i=1
P(B
i
)P(A[B
i
).
A primeira igualdade vale pois A =
i=1
(AB
i
). Na segunda igualdade usamos que
esses eventos so disjuntos, i.e., (AB
i
) (A B
j
) B
i
B
j
= para todo i ,= j.
Na ltima igualdade usamos a regra do produto.
Exemplo 1.16. Um armrio tem duas gavetas, A e B. A gaveta A tem 2 meias
azuis e 3 meias pretas, e a gaveta B tem 3 meias azuis e 3 meias vermelhas. Abre-se
uma gaveta ao acaso e retira-se uma meia ao acaso da gaveta escolhida. Qual a
probabilidade de escolher-se uma meia azul? Comeamos pelos valores conhecidos:
P(A) = P(B) =
1
2
, P(azul[A) =
2
5
e P(azul[B) =
3
6
. Assim,
P(azul) = P(A)P(azul[A) +P(B)P(azul[B) =
1
2
2
5
+
1
2
3
6
=
9
20
.
Exerccio 1.3. So dadas duas urnas, A e B. A urna A contm 1 bola azul e 1
vermelha. A urna B contm 2 bolas vermelhas e 3 azuis. Uma bola extrada ao
acaso de A e colocada em B. Uma bola ento extrada ao acaso de B. Pergunta-se:
(a) Qual a probabilidade de se retirar uma bola vermelha de B?
(b) Qual a probabilidade de ambas as bolas retiradas serem da mesma cor?
Frmula de Bayes A frmula de Bayes determina a probabilidade condicional de
eventos que precedem aquele efetivamente observado. Mais precisamente, quando
conhecemos as probabilidades de uma seqncia de eventos B
j
que particionam
e a probabilidade condicional de um evento posterior A em termos dessa partio,
podemos calcular as probabilidades condicionais de ocorrncia de cada B
j
sabendo-
se da ocorrncia ou no do evento A. Os valores originais so chamados de
probabilidades a priori dos eventos B
j
, e os valores das probabilidades condicionais
so chamados de probabilidades a posteriori desses eventos.
Teorema 1.17 (Frmula de Bayes). Dado um espao de probabilidade (, T, P),
uma partio B
1
, B
2
, B
3
, . . . , e um evento A, para todo j N vale a frmula
P(B
j
[A) =
P(B
j
)P(A[B
j
)
i
P(B
i
)P(A[B
i
)
.
Exemplo 1.18. No Exemplo 1.16, sabendo-se que uma meia azul foi retirada, qual
a probabilidade de ter sido aberta a gaveta A? Pela Frmula de Bayes temos
P(A[azul) =
P(A)P(azul[A)
P(A)P(azul[A) +P(B)P(azul[B)
=
1
5
9
20
=
4
9
.
Exerccio 1.4 ([Roc09]). Num certo certo pas, todos os membros de comit
legislativo ou so comunistas ou so republicanos. H trs comits. O Comit 1
tem 5 comunistas, o Comit 2 tem 2 comunistas e 4 republicanos, e o Comit 3
consiste de 3 comunistas e 4 republicanos. Um comit selecionado aleatoriamente
e uma pessoa selecionada aleatoriamente deste comit.
(a) Ache a probabilidade de que a pessoa selecionada seja comunista.
(b) Dado que a pessoa selecionada comunista, qual a probabilidade de ela ter
vindo do comit 1?
1.3 Independncia
Denio 1.19 (Eventos Independentes). Os eventos aleatrios A e B so ditos
independentes se
P(A B) = P(A)P(B).
Proposio 1.20. So equivalentes:
(i) A e B so independentes,
(ii) A e B
c
so independentes,
(iii) A
c
e B so independentes,
(iv) A
c
e B
c
so independentes,
(v) P(A[B) = P(A),
(vi) P(B[A) = P(B).
Denio 1.21 (Eventos Independentes Dois a Dois). Os eventos aleatrios
(A
i
)
iI
, onde I um conjunto qualquer de ndices, so ditos independentes dois
a dois se A
i
e A
j
so independentes para todos i, j I com i ,= j.
1.4. EXERCCIOS 15
Exemplo 1.22. Lanamento de um dado de 4 faces. Considere A =par,
B =menor que 3, C =1 ou 4, i.e., A = 2, 4, B = 1, 2, C = 1, 4. Ento A,
B e C so independentes dois a dois. De fato,
P(A B) = P(2) =
1
4
= P(A)P(B),
P(A C) = P(4) =
1
4
= P(A)P(C),
P(B C) = P(1) =
1
4
= P(B)P(C).
Denio 1.23 (Eventos Coletivamente Independentes). Os eventos aleatrios
(A
i
)
iI
so ditos coletivamente independentes ou estocasticamente independentes
se, dado qualquer conjunto de ndices distintos i
1
, i
2
, . . . , i
n
I, vale
P(A
i
1
A
i
2
A
in
) = P(A
i
1
)P(A
i
2
) P(A
in
).
Exemplo 1.24. Lanamento de um dado de 12 faces. Seja A =mltiplo de 3,
B =menor ou igual a 6 e C =par, i.e., A = 3, 6, 9, 12, B = 1, 2, 3, 4, 5, 6 e
C = 2, 4, 6, 8, 10, 12. Ento A, B e C so coletivamente independentes, pois
P(A B) = P(3, 6) =
1
6
= P(A)P(B),
P(B C) = P(2, 4, 6) =
1
4
= P(B)P(C),
P(A C) = P(6, 12) =
1
6
= P(A)P(C),
P(A B C) = P(6) =
1
12
= P(A)P(B)P(C).
Exemplo 1.25. No Exemplo 1.22, os eventos A, B e C no so coletivamente
independentes. De fato,
P(A B C) = P() = 0 ,=
1
8
= P(A)P(B)P(C).
Exemplo 1.26. Lanar duas moedas honestas. Sejam A
1
= primeira moeda sai
Coroa, A
2
= segunda moeda sai Coroa, A
3
= as moedas do o mesmo resultado.
Ento A
1
, A
2
e A
3
so independentes dois a dois mas no so coletivamente
independentes.
1.4 Exerccios
Exerccio 1.5. Considere o experimento resultante do lanamento de dois dados
onde se observa o mnimo entre suas faces. Construa um modelo probabilstico
associado.
Exerccio 1.6. Seja (, T, P) um espao de probabilidade. Considere uma seqn-
cia de eventos aleatrios (A
n
) em T. Dena o evento B
m
: o primeiro evento a
ocorrer da seqncia (A
n
) A
m
.
1. Expresse B
m
em funo dos A
n
.
2. B
m
aleatrio? Por qu?
3. Os eventos B
1
, B
2
, . . . , B
m
, . . . so disjuntos?
4. Quem o evento
m=1
B
m
?
Exerccio 1.7. Considere uma populao de indivduos capazes de gerar proles do
mesmo tipo. O nmero de indivduos inicialmente presentes, denotado por X
0
, o
tamanho da gerao zero. Todos as proles da gerao zero constituem a primeira
gerao e o seu nmero denotado por X
1
. Em geral, X
n
denota o tamanho da
n-sima gerao. Mostre que lim
n
P(X
n
= 0) existe e interprete o seu signicado.
Exerccio 1.8. Se P(A) = P(A[B) =
1
4
e P(B[A) =
1
2
:
1. A e B so independentes?
2. A e B so mutuamente exclusivos?
3. Calcule P(A
c
[B
c
).
Exerccio 1.9. [Jam04, Captulo 1].
Recomendados: 1, 2, 3, 4, 5, 11, 16, 18, 22.
Sugeridos: 8, 9, 10, 12, 13, 14, 15, 17, 19, 20, 21.
Captulo 2
Variveis Aleatrias
Este captulo segue de perto [Jam04, Sees 2.12.3], onde o contedo visto com
mais detalhes.
2.1 Denio
Na realizao de um fenmeno aleatrio, muitas vezes estamos interessados em uma
ou mais quantidades, que so dadas em funo do resultado do fenmeno. A essas
quantidades damos o nome de variveis aleatrias. Uma varivel aleatria um
observvel numrico resultante de um experimento.
Exemplo 2.1. Sortear 11 cartas do baralho e contar quantas dessas cartas so de
espadas.
Exemplo 2.2. Sortear dois nmeros entre 0 e 1 e considerar o menor deles.
Exemplo 2.3. Joga-se um dado e observa-se a face superior. Nesse caso temos
= 1, 2, 3, 4, 5, 6 e X() = .
Na abstrao matemtica dizemos que uma varivel aleatria uma funo que
associa a cada resultado do espao amostral um nmero real, ou seja, uma
funo
X : R
X()
.
Vamos colocar uma restrio sobre a funo X com o intuito de poder associar
probabilidade a eventos como o valor observado de X menor que 7. Para isso,
introduzimos uma denio mais formal:
17
18 CAPTULO 2. VARIVEIS ALEATRIAS
Denio 2.4 (Varivel Aleatria). Uma varivel aleatria X em um espao
de probabilidade (, T, P) uma funo real denida no espao tal que o
conjunto : X() x evento aleatrio para todo x R, isto ,
X : R
uma varivel aleatria se : X() x T para todo x R.
Daqui para frente denotaremos por [X x] o evento : X() x.
Exemplo 2.5 (Varivel aleatria constante). Se X() = c para todo , ento
: X() a =
_
_
_
, se a c,
, se a < c.
Portanto, X varivel aleatria.
Exemplo 2.6 (Funo indicadora). Dado E , denimos
1
E
() =
_
_
_
1, E,
0, , E.
Se E T e X = 1
E
, ento
: X() a =
_
_
, se a 1,
E
c
, se 0 a < 1,
, se a < 0.
Portanto, X varivel aleatria.
Exemplo 2.7. Sejam = 1, 2, 3, 4 e T = , 1, 2, 3, 4, e considere os
conjuntos A = 1, 2 e B = 1, 3. Ento 1
A
varivel aleatria em (, T), mas
1
B
no .
Conjuntos mensurveis de Borel e conjuntos pequenos As nuances de
medida, mensurabilidade, -lgebras etc. esto fora dos propsitos desse curso. Mas
um espao de probabilidade precisa de uma -lgebra e no queremos restringir
o curso a espaos discretos, onde pode-se considerar a -lgebra dada por T().
Vamos descrever neste pargrafo o que precisamos saber, ou melhor, o que no
precisamos saber, sobre -lgebra na reta R, e o que signica um conjunto ser
pequeno.
A -lgebra de Borel na reta R, denotada por B, a menor -lgebra que contm
todos os intervalos da reta. Equivalentemente, B a menor -lgebra que contm
2.2. FUNO DE DISTRIBUIO 19
todos os intervalos semi-innitos, ou ainda, a menor -lgebra que contm todos os
conjuntos abertos. O aluno mais curioso pode ver [Jam04, Exerccio 1.6] a respeito
da existncia e unicidade da menor -lgebra que contendo determinada classe de
conjuntos. Os conjuntos A R tais que A B so chamados Borelianos. A
-lgebra de Borel B muito menor que a -lgebra das partes T(R), e daqui em
diante, sempre que aparecer A R, deve-se entender A B.
Finalmente, dizemos que um conjunto A B pequeno, isto , tem medida zero,
se, para todo > 0, existe uma seqncia de intervalos [a
n
, b
n
] cuja unio contenha A
e cujo tamanho total seja pequeno, isto ,

n=1
(b
n
a
n
) . Por exemplo, se
A = x
1
, x
2
, . . . enumervel, ento podemos tomar a seqncia de intervalos
[x
n
2
n1
, x
n
+ 2
n1
], que contm A e cujo tamanho total exatamente .
Espao de probabilidade induzido e lei de uma varivel aleatria Dado
um espao de probabilidade (, T, P) e uma varivel aleatria X, denimos o espao
de probabilidade induzido por X como (R, B, P
X
), onde
P
X
(A) = P
_
: X() A
_
, A B.
Ou seja, o espao amostral o conjunto dos nmeros reais, os eventos aleatrios
so os conjuntos Borelianos, e a medida de probabilidade aquela induzida por X.
Chamaremos de lei da varivel aleatria X a medida de probabilidade P
X
em R
induzida por X.
2.2 Funo de Distribuio
Denio 2.8 (Funo de Distribuio). A funo de distribuio, ou funo
de distribuio acumulada da varivel aleatria X, denotada por F
X
, denida
como
F
X
(x) = P(X x), x R. (2.1)
Observao 2.9. A funo de distribuio determina o comportamento estatstico
da varivel aleatria, e vice-versa. Dadas X e Y variveis aleatrias, F
X
(t) = F
Y
(t)
para todo t R se e somente se P
X
e P
Y
em (R, B) so iguais. Por isso a funo de
distribuio uma caracterstica fundamental da varivel aleatria.
Exerccio 2.1. Duas moedas honestas so lanadas. Seja a varivel X que conta
o nmero de caras observadas. Construa a funo de distribuio da varivel
aleatria X e represente-a gracamente.
Exerccio 2.2. Seja um experimento que consiste em selecionar um ponto ao acaso
do intervalo [a, b] com a < b. Seja X a varivel aleatria que representa a coordenada
do ponto. Construa a funo de distribuio da varivel aleatria X e represente-a
gracamente.
Proposio 2.10 (Propriedades da Funo de Distribuio). Se X uma varivel
aleatria, sua funo de distribuio F
X
satisfaz as seguintes propriedades:
1. F
X
no-decrescente, i.e., x y F
X
(x) F
X
(y).
2. F
X
contnua direita, i.e., x
n
x F
X
(x
n
) F
X
(x).
3. lim
x
F
X
(x) = 0 e lim
x+
F
X
(x) = 1.
Observao 2.11. Uma funo F : R R satisfazendo as propriedades acima
chamada funo de distribuio. Neste caso sabe-se que existe um espao de
probabilidade (, T, P) e uma varivel aleatria X nesse espao tais que F a
funo de distribuio acumulada de X.
Exerccio 2.3. Mostre que
1. P(X > a) = 1 F
X
(a).
2. P(a < X b) = F
X
(b) F
X
(a).
3. P(X = a) = F
X
(a) F
X
(a).
Ou seja, P(X = a) o tamanho do salto da funo de distribuio em x = a.
4. P(X = a) = 0 se e somente se F
X
contnua em a.
5. P(a < X < b) = F
X
(b) F
X
(a).
6. P(a X < b) = F
X
(b) F
X
(a).
7. P(a X b) = F
X
(b) F
X
(a).
Exerccio 2.4. Seja F(x) a funo
F(x) =
_
_
0, se x < 0
x +
1
2
, se 0 x
1
2
1, se x >
1
2
Mostre que F de fato uma funo de distribuio e calcule:
(a) P(X >
1
8
)
(b) P(
1
8
< X <
2
5
)
(c) P
_
X <
2
5
X >
1
8
_
2.3. VARIVEIS ALEATRIAS DISCRETAS 21
2.3 Variveis Aleatrias Discretas
Denio 2.12. Uma varivel aleatria X (assim como sua funo de distribui-
o F
X
) dita discreta se existe um conjunto enumervel x
1
, x
2
, x
3
, . . . R
tal que
n=1
P(X = x
n
) = 1.
Neste caso denimos a funo de probabilidade de uma varivel aleatria contnua
como
p
X
(x) = P(X = x).
Note que, se X discreta assumindo valores em x
1
, x
2
, x
3
, . . . , temos P(X
x
1
, x
2
, . . . ) = 1 e P(X , x
1
, x
2
, . . . ) = 0.
No tratamento de variveis aleatrias discretas, tudo pode ser feito em termos
de somatrios. A funo de distribuio de uma varivel aleatria discreta dada
por
F
X
(x) =

n:xnx
P(X = x
n
) =

n:xnx
p
X
(x
n
).
Observao 2.13. Reciprocamente, dada p() satisfazendo
p(x) 0, x R (2.2)
e
xR
p(x) = 1, (2.3)
existe uma varivel aleatria com funo de probabilidade dada por p.
Exerccio 2.5 ([Roc09]). A probabilidade de um indivduo acertar um alvo 2/3.
Ele deve atirar at atingir o alvo pela primeira vez. Seja X a varivel aleatria que
representa o nmero de tentativas at que ele acerte o alvo.
(a) Encontre a funo de probabilidade de X.
(b) Mostre que p
X
satisfaz as propriedades (2.2) e (2.3).
(c) Calcule a probabilidade de serem necessrios exatamente cinco tiros para que
ele acerte o alvo.
Exerccio 2.6. Seja X uma varivel aleatria com funo de probabilidade
P(X = x) = cx
2
, onde c uma constante e k = 1, 2, 3, 4, 5.
(a) Encontre p
X
(x) e F
X
(x).
(b) Calcule P(X ser mpar).
Exerccio 2.7. Seja X o nmero de caras obtidas em 4 lanamentos de uma moeda
honesta. Construa a funo de probabilidade e a funo de distribuio de X
esboando os seus grcos.
Observao 2.14. Para especicar a distribuio ou a lei de uma varivel aleatria
discreta, suciente saber sua funo de probabilidade, e vice-versa. Com efeito,
F
X
(t) =

xt
p
X
(x) e p
X
(x) = F(x) F(x).
Distribuio de Bernoulli Dizemos que X Bernoulli, X Bernoulli(p), se
p
X
(1) = p e p
X
(0) = 1 p. Indicadores de eventos so Bernoulli e vice-versa. s
vezes associamos o evento [X = 1] a sucesso e [X = 0] a fracasso.
Distribuio uniforme discreta Dado I = x
1
, x
2
, . . . , x
k
, dizemos que X tem
distribuio uniforme discreta em I, denotado por X U
d
[I], se
p
X
(x
i
) =
1
k
, i = 1, 2, . . . , k.
Exemplo 2.15. Lanamento de um dado. Temos I = 1, 2, 3, 4, 5, 6 e p(i) =
1
6
,
i = 1, 2, . . . , 6.
Distribuio binomial Considere n ensaios de Bernoulli independentes e com
mesmo parmetro p, e seja X o nmero de sucessos obtidos. Dizemos que X segue
o modelo binomial com parmetros n e p, X b(n, p). A funo de probabilidade
dada por
ap
X
(x) =
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, 2, . . . , n.
Exemplo 2.16. Lanar um dado 4 vezes e contar o nmero de vezes que se obtm
o nmero 3. Temos X b(4,
1
6
). A probabilidade de se obter 3 duas vezes dada
por
P(X = 2) = p
X
(2) =
_
4
2
_ _
1
6
_
2
_
5
6
_
42
=
4!
2!(4 2)!
5
2
6
4
=
25
216
.
Distribuio geomtrica Numa seqncia de ensaios independentes com proba-
bilidade de sucesso p, considere o nmero X de ensaios necessrios para a obteno
de um sucesso. Dizemos que X segue o modelo geomtrico de parmetro p,
X Geom(p), e sua funo de probabilidade dada por
p
X
(n) = p(1 p)
n1
, n = 1, 2, 3, 4, . . . .
2.4. VARIVEIS ALEATRIAS CONTNUAS 23
Distribuio hipergeomtrica Suponha que numa caixa existem m bolas azuis
e n bolas brancas, de onde retiramos r bolas ao acaso. Contamos o nmero X
de bolas azuis retiradas. Se aps cada retirada a bola fosse devolvida caixa,
teramos um experimento com reposio, e X b(r,
m
m+n
). No caso em que as bolas
retiradas so guardadas fora da caixa, temos um experimento sem reposio, e nesse
caso X segue o modelo hipergeomtrico com parmetros m, n e r, denotado por
X Hgeo(m, n, r). A funo de probabilidade de X dada por
p
X
(k) =
_
m
k
__
n
rk
_
_
m+n
r
_
, para [0 r n] k [r m].
Exemplo 2.17. Num jogo de bingo com 50 pedras, conta-se o nmero X de pedras
pares sorteadas nas 10 primeiras retiradas. Neste caso, X Hgeo(25, 25, 10).
Exemplo 2.18. No jogo de buraco um jogador recebe 11 cartas de um baralho
francs de 52 cartas. Conta-se o nmero X de cartas de espadas . Neste caso,
X Hgeo(13, 39, 11).
Distribuio de Poisson Imagine uma grande quantidade de determinados ob-
jetos (estrelas, chamadas telefnicas, uvas-passas, etc.) uniformemente distribudas
em uma certa regio (o espao, a linha do tempo, uma massa de panetone, etc.)
tambm muito grande, sendo a proporo entre a quantidade de objetos e o
tamanho dessa regio. Se contamos o nmero X de objetos encontrados em uma
unidade de volume dessa regio, temos que X segue o modelo de Poisson com
parmetro , denotado por X Poisson(), com funo de probabilidade
p
X
(n) =
e
n
n!
, n = 0, 1, 2, 3, . . . .
Exemplo 2.19. Se em 1.000 horas de servio uma operadora recebe 50.000 cha-
madas, essas chamadas acontecendo em instantes independentes e uniformemente
distribudas ao longo dessas 1.000 horas, ento a distribuio da quantidade X de
chamadas recebidas em 1 hora bem aproximada por X Poisson(50).
2.4 Variveis Aleatrias Contnuas
Denio 2.20. Uma varivel aleatria X e sua funo de distribuio F
X
so ditas
contnuas se P(X = a) = 0 para todo a R, ou seja, se F
X
for contnua no sentido
usual.
Observao 2.21. Como F
X
(x) contnua, observe que P(X = x) = F
X
(x)
F
X
(x) = 0 para todo x R.
Denio 2.22. Uma varivel aleatria X (assim como sua funo de distri-
buio F
X
) dita absolutamente contnua se existe f
X
() 0 tal que
F
X
(t) =
_
t
f
X
(s)ds.
Neste caso, dizemos que f
X
a funo de densidade de probabilidade de X, ou
simplesmente densidade de X.
As propriedades estatsticas de uma varivel aleatria absolutamente con-
tnua so caracterizadas, seja pela funo de distribuio, seja pela funo de
densidade.
Reciprocamente, se f : R R tal que f(x) 0 x e
_
+
f(x)dx = 1, ento f
densidade de alguma varivel aleatria X.
Exemplo 2.23. Sortear um nmero em [0, 1]. Denimos
f
X
(x) =
_
_
_
1, x [0, 1]
0, caso contrrio,
e neste caso temos
F
X
(x) =
_
x
f
X
(t)dt =
_
_
0, x 0,
x, 0 x 1,
1, x 1.
Observao 2.24. Podemos modicar a densidade f
X
em um conjunto pequeno
de pontos e ainda teremos uma densidade para X, pois um conjunto pequeno no
altera o valor da integral de f
X
. A densidade f
X
pode ser obtida por
f
X
(x) =
dF
X
(x)
dx
,
para todo x R, exceto talvez para um conjunto pequeno.
Exerccio 2.8 ([Roc09]). Mostre que se X uma varivel aleatria do tipo contnuo
com funo de densidade par, ou seja, simtrica em torno de x = 0, isto , f
X
(x) =
f
X
(x), ento:
(a) F
X
(x) = 1 F
X
(x);
(b) F
X
(0) =
1
2
;
(c) P(x < X < x) = 2F
X
(x) 1, x > 0;
2.4. VARIVEIS ALEATRIAS CONTNUAS 25
(d) P(X > x) =
1
2

_
x
0
f
X
(t)dt, x > 0.
Exerccio 2.9 ([Roc09]). Suponha que X seja uma varivel aleatria com densidade
dada por
f
X
(x) =
1
2(1 +[x[)
2
, < x <
(a) Obtenha a funo de distribuio de X.
(b) Ache P(1 < X < 2).
(c) Ache P([X[ > 1).
Exerccio 2.10. Z uma varivel aleatria contnua com funo de densidade de
probabilidade
f
Z
(z) =
_
10e
10z
, z > 0
0, z 0
Obtenha a funo de distribuio de Z e esboce o seu grco.
Observao 2.25. Para especicar a distribuio ou a lei de uma varivel aleatria
discreta, suciente saber sua funo de densidade, e vice-versa. Com efeito,
F
X
(t) =
_
t
f
X
(x)dx e f
X
(x) =
d
dx
F(x).
Distribuio uniforme Dizemos que a varivel aleatria X tem distribuio
uniforme no intervalo [a, b], denotado por X U[a, b], se todos os subintervalos
de [a, b] com mesmo comprimento tiverem a mesma probabilidade. Sua densidade
f
X
(x) =
_
_
_
1
ba
, x [a, b],
0, x , [a, b].
Distribuio exponencial Dizemos que X tem distribuio exponencial com
parmetro > 0, denotado por X exp(), se sua funo de distribuio for dada
por
F
X
(x) =
_
1 e
x
, x 0, 0, x 0.
Distribuio gama A distribuio gama tem dois parmetros, e , e inclui
como casos particulares a distribuio exponencial e as chamadas qui-quadrado e
Erlang. Dizemos que X tem distribuio gama com parmetros positivos e ,
denotado por X Gama(, ), se X tem densidade dada por
f
X
(x) =
_
x
1
e
x
()
, x 0,
0, x < 0,
onde
() =
_

0
x
1
e
x
dx.
Tabela 2.1: (x + y), onde x so os valores das linhas e y os das colunas.
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
2.5. A DISTRIBUIO NORMAL 27
2.5 A Distribuio Normal
Dizemos que a varivel aleatria X tem distribuio normal com parmetros R
e
2
> 0, denotado por X ^(,
2
), se X tem como densidade
f
X
(x) =
1
2
2
e
(x)
2
2
2
, x R.
A distribuio ^ = ^(0, 1) chamada normal padro. Se X ^(,
2
) ento a
varivel aleatria
X
tem distribuio normal padro.

Denotamos por a funo de distribuio acumulada de uma normal padro ^,
dada por
(t) = F
N
(t) = P(^ t) =
_
t
e
x
2
/2
2
dx.
Em geral, a soluo de problemas numricos envolvendo a distribuio normal inclui
a consulta de uma tabela de valores de ((t); t 0) com os valores de t apropriados.
Na Tabela 2.1 exibimos os valores de (t) para t = 0, 00, 0, 01, 0, 02, . . . , 3, 49.
Para t < 0 usa-se a identidade
(t) = 1 (t).
Conseqentemente,
P(a < ^ < b) = (b) (a)
P(a < ^ < b) = (b) (a) = (a) (b)
P(a < ^ < b) = (b) (a) = (b) + (a) 1.
Em particular,
P(a < ^ < a) = 2(a) 1.
Exemplo 2.26. Calculemos as seguintes probabilidades:
(a) P(0 < ^ < 1) = (1) (0) 0, 8413 0, 5000 = 0, 3413.
(b) P(1.93 < ^ < 3) = (1.93) + (3) 1 0, 9732 + 0, 9988 1 = 0, 9720.
(c) P(1.8 < ^ < 1.8) = 2(1.8) 1 2 0, 9641 1 = 0, 9282.
(d) Para qual x tem-se P(x < ^ < x) = 0, 05?
2(x) 1 = 0, 05 (x) = 0, 525 x 0, 065.
2.6 Distribuies Mistas e Singulares
Uma varivel aleatria discreta X vive em um conjunto enumervel de pontos cuja
probabilidade de ocorrncia positiva, e nesse contexto tudo se expressa em termos
de somatrios ponderados pela funo p
X
. Uma varivel aleatria absolutamente
contnua X vive em R, sua distribuio em cada intervalo [n, n + 1) similar de
uma distribuio uniforme, apenas seu peso ponderado pela funo f
X
. Nesse
contexto tudo se expressa em termos de integrais com f
X
(x)dx.
Existem variveis aleatrias que so misturas dos tipos discreto e absolutamente
contnuo. Nesse caso a varivel pode ser decomposta, separando-se as suas partes
discreta e absolutamente contnua, e suas propriedades sero determinadas por
combinaes de somatrios e integrais.
Alm desses casos, existem variveis aleatrias cuja parte contnua no abso-
lutamente contnua. Por um lado, nenhum ponto em particular tem probabilidade
positiva de ocorrer, o que afasta o tratamento por somatrios do caso discreto. Por
outro lado, sua distribuio no similar de uma distribuio uniforme, e de
fato a varivel aleatria vive em um conjunto pequeno da reta, no sendo aplicvel
tampouco o uso de integrais em f(x)dx para nenhuma f. A tais variveis chamamos
de singulares.
Toda varivel aleatria pode ser decomposta em suas partes discreta, absoluta-
mente contnua, e singular. Neste curso no daremos grande nfase a esse tpico.
Os alunos podem ler mais a respeito em [Jam04, pp. 44-48], e nas referncias ali
citadas.
2.7 Distribuio Condicional dado um Evento
Dado um evento A com P(A) > 0, denimos a funo de distribuio de X dado A
por
F
X
(t[A) = F
X|A
(t) = P(X t[A), t R.
Exemplo 2.27. Considere dois lanamentos de uma moeda honesta e seja X o
nmero de caras obtidas. Temos
F
X
(t) =
_
_
0, t 0,
1
4
, 0 t < 1,
3
4
, 1 t < 2,
1, t 2.
Seja A o evento pelo menos uma moeda deu cara. Temos
F
X
(t[A) =
_
_
0, t 1,
2
3
, 1 t < 2,
1, t 2.
2.8. EXERCCIOS 29
Se X discreta, denimos ainda a funo de probabilidade condicional de X
dado A, p
X
( [A) ou p
X|A
( ), como a funo de probabilidade associada funo de
distribuio F
X
( [A). No exemplo acima, temos
p
X
(x[A) =
_
_
2
3
, x = 1,
1
3
, x = 2,
0, caso contrrio.
Se X contnua, denimos a funo densidade de probabilidade condicional de X
dado A, f
X
( [A) ou f
X|A
( ), como a densidade associada funo de distribuio
F
X
( [A).
2.8 Exerccios
Exerccio 2.11. Mostre que, se duas variveis aleatrias X e Y so iguais quase
certamente, isto , P(X = Y ) = 1, ento F
X
= F
Y
.
Exerccio 2.12. Encontre os valores das constantes reais e de modo que a
funo F abaixo seja funo de distribuio acumulada de alguma varivel aleatria
denida em algum espao de probabilidade:
F(x) =
_
_
_
0, x 0,
+ e
x
2
/2
, x > 0.
Exerccio 2.13. Mostre que a funo de probabilidade do modelo de Poisson de
fato uma funo de probabilidade.
Exerccio 2.14. Perda de memria do modelo geomtrico.
1. Mostre que P(X m + n[X > n) = P(X m) para inteiros no-negativos,
se X segue o modelo geomtrico.
2. Se X segue o modelo geomtrico, prove que a distribuio de X dado que
X > n igual distribuio de X + n.
Exerccio 2.15. Mostre que a densidade do modelo uniforme contnuo de fato
uma funo de densidade.
Exerccio 2.16. Mostre que a distribuio do modelo exponencial de fato uma
distribuio. Calcule a densidade associada.
Exerccio 2.17. Perda de memria do modelo exponencial.
1. Mostre que P(X > t + s[X > s) = P(X > t) para t, s 0 se X tem
distribuio exponencial.
2. Mostre que a distribuio de X dado que X > s igual distribuio de X+s.
Exerccio 2.18. [Jam04, Captulo 2]. Recomendados: 1, 5, 6, 7, 9, 10, 13, 14.
Captulo 3
Vetores Aleatrios
O contedo deste captulo visto em [Jam04, Sees 2.42.8], porm com muito
mais detalhes do que pretendemos neste curso.
3.1 Denio
Comeamos com um pouco de notao vetorial. x
R
n
representa uma n-upla de
nmeros reais, x
= (x
1
, x
2
, . . . , x
n
). Uma funo X
em associa a cada uma

n-upla, i.e., um vetor X
() = (X
1
(), X
2
(), . . . , X
n
()).
Denotamos por x
o conjunto de desigualdades x
i
y
i
, i = 1, . . . , n,
isto , x
se, e somente se, vale a desigualdade para todas as coordenadas

simultaneamente. Analogamente denotamos por x
< y
o conjunto de desigualdades
x
i
< y
i
, i = 1, . . . , n. Dados a
, denotamos por [a
, b
] o conjunto x R
n
: a
. Analogamente para (a
, b
], etc.
Denio 3.1 (Vetor aleatrio). Um vetor aleatrio em (, T) uma funo
X
: R
n
tal que
_
X
_
T, para todo b
R
n
.
Exerccio 3.1. Prove que X
um vetor aleatrio se, e somente se, suas coordenadas

X
1
, X
2
, . . . , X
n
so variveis aleatrias.
Conjuntos mensurveis de Borel e conjuntos pequenos Como na reta, a
-lgebra de Borel no espao Euclidiano R
n
, denotada por B
n
, a menor -lgebra
que contm todos os paraleleppedos, ou, equivalentemente, a menor -lgebra que
31
32 CAPTULO 3. VETORES ALEATRIOS
contm todos os octantes, etc. Dizemos que um Boreliano A B
n
pequeno, isto
, tem medida zero, se, para todo > 0, existe uma seqncia de paraleleppedos
[a
j
, b
j
] cuja unio contenha A e cujo tamanho total seja pequeno, isto ,

j=1
(b
j
1
a
j
1
) (b
j
n
a
j
n
) . Por exemplo, se A = (x, y) : x > 0, y = 0 uma semi-reta no
plano, ento podemos tomar a seqncia [j1, j][2
j1
, 2
j1
]. Essa seqncia
contm a semi-reta A seu tamanho total exatamente .
Espao de probabilidade induzido e lei de um vetor aleatrio Dado um
espao de probabilidade (, T, P) e um vetor aleatrio X
, denimos o espao de
probabilidade induzido por X
como (R
n
, B
n
, P
X
), onde
P
X
(A) = P
_
: X
() A
_
, A B
n
.
Ou seja, o espao amostral o conjunto dos vetores n-dimensionais, os eventos
aleatrios so os conjuntos Borelianos, e a medida de probabilidade aquela induzida
por X
. Chamaremos de lei do vetor aleatrio X
a medida de probabilidade P
X
em R
n
induzida por X
.
3.2 Funo de Distribuio Conjunta
Denio 3.2 (Funo de Distribuio Conjunta). A funo de distribuio
conjunta de um vetor aleatrio X
, denotada por F
X
, dada por
F
X
: R
n
R
t
F
X
(t
) = P
_
X
_
.
Exemplo 3.3. Lanamos duas moedas honestas e consideramos X
1
= quantidade
de caras, X
2
= 1 se os resultados forem iguais, 0 se forem diferentes, e X
= (X
1
, X
2
).
Temos ento
P(X
) =
_
_
0, t
1
< 0 ou t
2
< 0, pois [X
] = ;
0, t
1
, t
2
[0, 1), pois [X
] = [X
1
= 0, X
2
= 0] = ;
1
2
, t
1
1, t
2
[0, 1), pois [X
] = [X
1
= 1, X
2
= 0];
1
4
, t
1
[0, 1), t
2
1, pois [X
] = [X
1
= 0, X
2
= 0];
3
4
, t
1
[1, 2), t
2
1, pois [X
] = [X
1
= 0 ou 1];
1, t
1
2, t
2
1, pois [X
] = .
3.2. FUNO DE DISTRIBUIO CONJUNTA 33
Os valores de F
X
so ilustrados na Figura 3.1.

t
1
t
2
1/4
1/2
3/4
1
1
1
2
0
Figura 3.1: Valores assumidos por F
X
(t
1
, t
2
) para cada (t
1
, t
2
) R
2
.
Considere o operador
i
a,b
sobre funes de R
n
em R, dado por
_
i
a,b
F
_
(x
) = F(x
1
, . . . , x
i1
, b, x
i+1
, . . . , x
n
) F(x
1
, . . . , x
i1
, a, x
i+1
, . . . , x
n
).
Note que a funo
i
a,b
F no depende da i-sima coordenada de x
.
Proposio 3.4. Para a
R
n
,
1
a
1
,b
1

n
an,bn
F
X
= P(a
< X
).
Demonstrao. Para quaisquer x
, a
, temos
n
an,bn
F
X
(x
) = P(X
1
x
1
, . . . , X
n1
x
n1
, X
n
b
n
)
P(X
1
x
1
, . . . , X
n1
x
n1
, X
n
a
n
) =
= P(X
1
x
1
, . . . , X
n1
x
n1
, a
n
< X
n
b
n
),
e sucessivamente obtemos
j
a
j
,b
j

n
an,bn
F
X
(x
) =
_
j
a
j
,b
j
_
j+1
a
j+1
,b
j+1

n
an,bn
F
X
__
(x
) =
= P(X
1
x
1
, . . . , X
j1
x
j1
, X
j
b
j
, a
j+1
< X
j+1
b
j+1
, . . . , a
n
< X
n
b
n
)
P(X
1
x
1
, . . . , X
j1
x
j1
, X
j
a
j
, a
j+1
< X
j+1
b
j+1
, . . . , a
n
< X
n
b
n
) =
= P(X
1
x
1
, . . . , X
j1
x
j1
, a
j
< X
j
b
j
, . . . , a
n
< X
n
b
n
).
Tomando j = 1 temos
1
a
1
,b
1

n
an,bn
F
X
(x
) = P(a
1
< X
1
b
1
, . . . , a
n
< X
n
b
n
).
Proposio 3.5 (Propriedades da Funo de Distribuio Conjunta). Se X

um vetor aleatrio em (, T, P), ento sua funo de distribuio F
X
goza das
seguintes propriedades:
1. F
X
no-decrescente em cada uma de suas coordenadas.

2. F
X
contnua direita em cada uma de suas coordenadas.

3. Se para algum j, x
j
, ento F(x
) 0.
4. Se para todo j, x
j
+, ento F(x
) 1.
5. Para a
R
n
,
1
a
1
,b
1

n
an,bn
F
X
0.
Exemplo 3.6. Sejam X e Y duas variveis aleatrias com funo de distribuio
conjunta F(x, y). Mostre que
P
_
a < X b, c < Y d
_
= F(b, d) F(b, c) F(a, d) +F(a, c).
Exemplo 3.7. Considere a seguinte funo:
F(x, y) =
_
_
_
1, x 0, y 0, x + y 1,
0, caso contrrio.
Ento
1
0,1
2
0,1
F = F(1, 1) F(1, 0) F(0, 1) + F(0, 0) = 1 1 1 + 0 = 1 < 0.
Portanto, F no pode ser funo de distribuio conjunta, ainda que satisfaa as
Propriedades 14.
Funo de distribuio marginal A partir da funo de distribuio conjunta,
pode-se obter o comportamento de cada varivel isoladamente.
A funo de distribuio de uma das coordenadas do vetor X
denominada
funo de distribuio marginal e obtida da seguinte forma:
F
X
k
(x
k
) = lim
x
i
i=k
F
X
(x
),
em que o limite aplicado em todas as coordenadas, exceto k.
Exemplo 3.8. No Exemplo 3.3, temos
F
X
2
(t) = lim
t
1
F
X
(t
1
, t) =
_
_
0, t < 0;
1
2
, 0 t < 1;
1, t 1.
3.3. VETORES ALEATRIOS DISCRETOS 35
Independncia de Variveis Aleatrias
Denio 3.9. Dizemos que as variveis aleatrias X
1
, X
2
, . . . , X
n
, so inde-
pendentes, se os eventos [X
1
B
1
], . . . , [X
n
B
n
] forem independentes para
quaisquer B
1
, . . . , B
n
B.
Observao 3.10. Dada uma famlia de variveis aleatrias independentes
X
1
, X
2
, . . . , X
n
, qualquer subfamlia tambm formada por variveis aleatrias
independentes.
Proposio 3.11. So equivalentes:
(i) X
1
, X
2
, . . . , X
n
so independentes.
(ii) F
X
(t
) = F
X
1
(t
1
)F
X
2
(t
2
) F
Xn
(t
n
) para todo t
R
n
.
(iii) F
X
pode ser escrita como F

X
(t
) = F
1
(t
1
)F
2
(t
2
) F
n
(t
n
) com F
1
, . . . , F
n
funes reais.
3.3 Vetores Aleatrios Discretos
Denio 3.12. Dizemos que um vetor aleatrio X
, sua funo de distri-

buio F
X
e sua lei P
X
so discretos se existem x
1
, x
2
, x
3
, . . . tais que
P
_
X
1
, x
2
, x
3
, . . .
_
= 1. Neste caso, a funo de probabilidade de X

dada por
p
X
(x
) = P
_
X
= x
_
.
Um vetor aleatrio X
discreto se e somente se suas coordenadas X

1
, . . . , X
n
so
discretas. Qualquer funo p() satisfazendo
p(x
) = 1 e p(x
) 0, x
R
n
funo de probabilidade conjunta de algum vetor aleatrio X
em algum es-
pao (, T, P).
Funo de probabilidade marginal A funo de probabilidade marginal de uma
varivel X
i
obtida somando-se nas demais variveis:
p
X
i
(x
i
) = P(X
i
= x
i
) =

x
1

x
i1
x
i+1

xn
p(x
1
, . . . , x
i1
, x
i
, x
i+1
, . . . , x
n
).
Exerccio 3.2. No Exemplo 3.3, obtenha a funo de probabilidade de X
, e as
funes de probabilidade marginais de X
1
e X
2
.
Proposio 3.13 (Critrio de independncia). Seja X
um vetor aleatrio discreto.

So equivalentes:
(i) X
1
, X
2
, . . . , X
n
so independentes.
(ii) p
X
(t
) = p
X
1
(t
1
)p
X
2
(t
2
) p
Xn
(t
n
) para todo t
R
n
.
(iii) p
X
pode ser escrita como p

X
(t
) = p
1
(t
1
)p
2
(t
2
) p
n
(t
n
) com p
1
, . . . , p
n
funes
reais.
3.4 Vetores Aleatrios Absolutamente Contnuos
Denio 3.14. Dizemos que um vetor aleatrio X
, sua funo de distribui-

o F
X
e sua lei P
X
so absolutamente contnuos se existe f

X
() 0 tal que
F
X
(t
) =
_
t
1

_
tn
f
X
(x
) dx
n
dx
1
.
Neste caso, dizemos que f
X
a funo de densidade conjunta de X
, ou
simplesmente densidade de X
.
Qualquer f() satisfazendo
f(x
) 0, x
R
n
e
_
R
n
f(x
) d
n
x
= 1
densidade de algum vetor aleatrio X
.
Observao 3.15. A funo de densidade conjunta f
x
pode ser calculada por

f
X
(x
) =

n
x
1
x
n
F
X
(x
1
, . . . , x
n
),
isto , calculando sucessivamente as derivadas parciais com relao a cada uma das
coordenadas.
3.4. VETORES ALEATRIOS ABSOLUTAMENTE CONTNUOS 37
Exemplo 3.16. Seja G R
n
uma regio tal que Vol G > 0, onde Vol G o volume
n-dimensional de G. Dizemos que X
= (X
1
, X
2
, . . . , X
n
) com funo de densidade
f
X
(x
1
, . . . , x
n
) =
_
_
_
1
Vol G
, (x
1
, . . . , x
n
) G
0, (x
1
, . . . , x
n
) / G
uniformemente distribudo em G.
Observao 3.17. Se um vetor aleatrio X
absolutamente contnuo, ento

suas coordenadas X
1
, . . . , X
n
so absolutamente contnuas, mas no vale a
recproca! De fato, muito fcil construir um vetor aleatrio contnuo que no
absolutamente contnuo.
Exerccio 3.3. Seja X U[0, 1], Y = 1 X e X
= (X, Y ). Encontre a funo de

distribuio conjunta F
X
(x, y). Verique que

2
yx
F
X
(x, y) = 0 para todo par (x, y)

no plano R
2
, exceto em algumas retas ou segmentos de reta. As coordenadas de X
so absolutamente contnuas, mas o vetor X
no absolutamente contnuo!
Densidade marginal A densidade de uma varivel X
i
chamada densidade
marginal, e pode ser calculada por
f
X
i
(x
i
) =
_
+

_
+
. .
n1 vezes
f(x
1
, . . . , x
i
, . . . , x
n
) dx
1
dx
n
. .
exceto x
i
.
Exerccio 3.4. Sejam trs variveis aleatrias X, Y e Z com funo de densidade
conjunta dada por
f(x, y, z) =
_
kxy
2
z, se 0 < x 1, 0 < y 1 e 0 < z
2
0, caso contrrio
Encontre o valor de k e ache a funo de densidade marginal de X.
Proposio 3.18 (Critrio de independncia). Seja X
um vetor aleatrio absolu-

tamente contnuo. So equivalentes:
(i) X
1
, X
2
, . . . , X
n
so independentes.
(ii) f
X
(t
) = f
X
1
(t
1
)f
X
2
(t
2
) f
Xn
(t
n
) para todo t
R
n
.
(iii) f
X
pode ser escrita como f

X
(t
) = f
1
(t
1
)f
2
(t
2
) f
n
(t
n
) com f
1
, . . . , f
n
funes
reais.
3.5 Mtodo do Jacobiano
Suponha que o vetor aleatrio X
absolutamente contnuo e assume valores em

um domnio G
0
R
n
, e que estamos interessados em estudar o vetor aleatrio
X
dado por uma transformao Y
= g(X
). Vamos considerar o caso em que

g : G
0
G, G R
n
, bijetiva e diferencivel, com inversa g
1
= h : G G
0
tambm diferencivel. Escrevemos a transformada inversa como X
= h(Y
) e
denimos os seguintes Jacobianos:
J
h
(y
) = det
_
x
_
= det
_
_
x
1
y
1

x
1
yn
.
.
.
.
.
.
.
.
.
xn
y
1

xn
yn
_
_
e
J
g
(x
) = det
_
y
_
= det
_
_
y
1
x
1

y
1
xn
.
.
.
.
.
.
.
.
.
yn
x
1

yn
xn
_
_
.
O Jacobiano satisfaz a seguinte identidade:
J
h
(y
) =
1
J
g
(x
)
.
Proposio 3.19 (Mtodo do Jacobiano). Seja g : G
0
G, G
0
, G R
n
, uma
bijeo, seja h = g
1
, e suponha que g e h sejam diferenciveis. Se X
um
vetor aleatrio absolutamente contnuo assumindo valores em G
0
, e Y
= g(X
),
ento a densidade f
Y
pode ser obtida a partir da densidade f

X
pela relao
f
Y
(y
) =
J
h
(y
f
X
_
h(y
)
_
=
1
[J
g
(x
)[
f
X
_
h(y
)
_
.
Ideia da prova. Pelo clculo de vrias variveis, sabemos que se o jacobiano for no-
nulo para todo y G, ento
_
A
f(x
)d
n
x
=
_
g(A)
f(h(y
)) [J
h
(y
)[ d
n
y
para qualquer f integrvel em A, onde A G

0
. Como P(Y
g(A)) dada por

P(X
A), e esta ltima dada pelo lado esquerdo da expresso acima com f = f
X
,
temos que o integrando do lado direito necessariamente dado por f
Y
(y
).
3.5. MTODO DO JACOBIANO 39
Exemplo 3.20. Considere o vetor aleatrio X
= (X
1
, X
2
) com densidade
f
X
(x
1
, x
2
) =
_
_
_
4x
1
x
2
, x
1
, x
2
[0, 1],
0, caso contrrio,
e o vetor Y
dado por Y
1
= X
1
/X
2
, Y
2
= X
1
X
2
. Temos y
= g(x
) = (x
1
/x
2
, x
1
x
2
) e
y
=
_
1/x
2
x
1
/x
2
2
x
2
x
1
_
e J
g
(x
) = 2x
1
/x
2
. Obtendo x
em funo de y
:
y
1
= x
1
/x
2
y
1
y
2
= x
2
1
y
1
= x
1
=

y
1
y
2
y
2
= x
1
x
2
y
2
/y
1
= x
2
2
y
2
= x
2
=
_
y
2
/y
1
,
e os valores possveis de y
so
G =
_
(y
1
, y
2
) : 0 < y
2
< y
1
, 0 < y
2
<
1
y
1
_
.
Agora,
J
g
(h(y
)) =
2
_
y
1
y
2
_
y
2
/y
1
= 2y
1
e
f
X
(h(y
)) = 4
_
y
1
y
2
_
y
2
/y
1
= 4y
2
.
Portanto,
f
Y
(y
) =
1
[J
g
(x
)[
f
X
_
h(y
)
_
=
_
_
_
2y
2
/y
1
, 0 < y
2
< 1, y
2
< y
1
< 1/y
2
,
0, caso contrrio.
Exerccio 3.5. Sejam X e Y variveis aleatrias independentes, cada uma com
distribuio exponencial com parmetro 1, mostre que Z = X + Y e W =
X
Y
so
tambm independentes com densidades
f
Z
(z) =
_
ze
z
, z > 0
0, z 0
e
f
W
(w) =
_
1
(w+1)
2
, w > 0
0, w 0
.
Exemplo 3.21. Se X e Y so independentes e distribudas como ^(0, 1), ento
X + Y e X Y so independentes e ambas distribudas como ^(0, 2).
Ponha Z
= (X, Y ) e W
= (X + Y, X Y ). Temos que W
= g(Z
), onde
g(x, y) = (x + y, x y). Logo,
w
=
_
1 1
1 1
_
,
assim J
g
(z
) = 2. Obtendo z
como funo de w:
w
1
= x + y x =
w
1
+ w
2
2
w
2
= x y y =
w
1
w
2
2
.
Ainda,
f
Z
(z
) = f
X,Y
(x, y) = f
X
(x)f
Y
(y) =
1
2
e
x
2
2
2
e
y
2
2
,
logo
f
Z
(h(w
)) =
1
2
e
(
w
1
+w
2
2
)
2
2
e
(
w
1
w
2
2
)
2
2
=
e
w
2
1
+w
2
2
+2w
1
w
2
+w
2
1
+w
2
2
2w
1
w
2
8
2
=
1
2
e
w
2
1
4
e
w
2
2
4
e, substituindo,
f
W
(w
) =
1
[J
g
(h(w
))[
f
Z
(h(w
)) =
1
4
e
w
2
1
4
e
w
2
2
4
= f
N(0,2)
(w
1
)f
N(0,2)
(w
2
).
Portanto, W
1
e W
2
so independentes e distribudas como ^(0, 2).
3.6 Exerccios
Exerccio 3.6. Sejam X e Y variveis aleatrias denidas no mesmo espao de pro-
babilidade, independentes, discretas e com distribuies Poisson(
1
) e Poisson(
2
),
respectivamente. Mostre que, dada a ocorrncia do evento X + Y = n, a
probabilidade condicional de X = k
P(X = k[X + Y = n) =
_
n
k
__

1
1
+
2
_
k
_

2
1
+
2
_
nk
.
Como voc interpretaria isso com seus conhecimentos prvios do clculo das proba-
bilidades?
Exerccio 3.7. 1. Considere um vetor aleatrio (X, Y ) absolutamente contnuo
com distribuio uniforme em
A =
_
(x, y) R
2
: 0 < y < x e x + y < 1
_
.
Encontre F
X,Y
.
3.6. EXERCCIOS 41
2. Considere um vetor aleatrio (Z, W) absolutamente contnuo com densidade
f
Z,W
(z, w) =
_
_
_
c, 0 < z < 1, 0 < w < z,
0, caso contrrio.
Encontre F
Z,W
.
Exerccio 3.8. Mostre por induo nita que, se X
1
, X
2
, . . . , X
n
so variveis
aleatrias independentes com X
i
b(m
i
, p), i = 1, 2, . . . , n, ento
n
i=1
X
i
b
_
n
i=1
m
i
, p
_
.
Dica:

n
k=0
_
a
k
__
b
nk
_
=
_
a+b
n
_
.
Exerccio 3.9. Seja X uma varivel aleatria em (, T, P) com distribuio
exponencial de parmetro > 0. Considere a transformada N = X (o maior
inteiro menor ou igual a X). Mostre que N uma varivel aleatria em (, T, P) e
ache sua lei.
Exerccio 3.10. Sejam Y e U duas variveis aleatrias em um mesmo espao de
probabilidade, independentes e com leis Y ^(0, 1) e P(U = 1) = P(U = +1) =
1
2
. Ache a lei de Z = UY . (Dica: ataque a funo de distribuio acumulada).
Exerccio 3.11. Sejam X e Y i.i.d. contnuas com densidade f. Mostre que
f
X+Y
(t) =
_
R
f(t s)f(s)ds t R.
Sugesto: faa Z = X + Y e W = Y , calcule a densidade conjunta de Z e W e
depois a marginal.
Exerccio 3.12. Sejam X e Y i.i.d discretas com funo de probabilidade p. Mostre
que
p
X+Y
(t) =

s
p(t s)p(s).
Sugesto: Considere a partio [Y = s] : s x
1
, x
2
, x
3
, . . . , onde
x
1
, x
2
, x
3
, . . . o conjunto dos valores que X (ou Y ) assume.
Recomendados: 2, 17, 18, 21, 30, 33, 34, 41, 46.
Captulo 4
Esperana Matemtica
A referncia principal para este Captulo [Jam04, Sees 3.23.5], porm h uma
diferena importante. Em [Jam04], a esperana denida como a integral de Stieltjes
_
xdF, enquanto neste curso adotamos a denio baseada em aproximaes por
funes simples.
4.1 Variveis Aleatrias Simples
Uma varivel aleatria X dita simples se assume apenas nitos valores. Se
chamamos esses valores de a
1
, . . . , a
k
e denimos os eventos A
j
= [X = a
j
], temos
que X = a
1
1
A
1
+ + a
k
1
A
k
.
Denio 4.1. Dada uma varivel aleatria simples X = a
1
1
A
1
+ + a
k
1
A
k
,
com a
i
,= a
j
e A
i
A
j
= para i ,= j, denimos a mdia de X, ou o valor
esperado de X, ou a esperana de X, denotada por EX, por
EX = a
1
P(A
1
) + + a
k
P(A
k
).
Lema 4.2. Sejam X e Y variveis aleatrias simples denidas em (, T, P).
(i) Se X 0 ento EX 0.
(ii) Se X = c ento EX = c.
(iii) E[aX + bY ] = aEX + bEY .
(iv) Se X Y ento EX EY .
Demonstrao. Os itens (i) e (ii) so bvios, e (iv) segue de (iii) e (i) se tomamos
Z = X Y . Resta provar (iii).
43
44 CAPTULO 4. ESPERANA MATEMTICA
Primeiro observamos que se X = a
1
1
A
1
+ +a
n
1
An
, onde A
i
A
j
= para i ,= j
e A
1
A
n
= , ento EX = a
1
P(A
1
) + + a
n
P(A
n
), mesmo que alguns a
i
coincidam. De fato, se X = b
1
1
B
1
+ b
k
1
B
k
onde os b
j
sejam distintos, os B
j
disjuntos e B
1
B
k
= , ento, usando a denio de esperana e agrupando
corretamente os termos dos somatrios, temos
EX =
k
j=1
b
j
P(B
j
) =
k
j=1
b
j
i:a
i
=b
j
P(A
i
) =
k
j=1
i:a
i
=b
j
a
i
P(A
i
) =
n
i=1
a
i
P(A
i
).
Agora sejam X e Y variveis aleatrias simples dadas por X =

i
a
i
1
A
i
e Y =
j
b
j
1
B
j
, onde A
1
, . . . , A
k
particionam e B
1
, . . . , B
n
tambm. Temos
aX + bY = a
i
a
i
j
1
A
i
B
j
+ b
j
b
i
i
1
A
i
B
j
=

i,j
(aa
i
+ bb
j
)1
A
i
B
j
,
e portanto
E[aX + bY ] =

i,j
(aa
i
+ bb
j
)P(A
i
B
j
)
=

i,j
aa
i
P(A
i
B
j
) +

i,j
bb
j
P(A
i
B
j
)
=

i
aa
i
P(A
i
) +

j
bb
j
P(B
j
)
= a
i
a
i
P(A
i
) +b
j
b
j
P(B
j
) = aEX + bEY.
4.2 Esperana Matemtica
Comeamos denindo a esperana de variveis aleatrias no-negativas.
Observao 4.3. Qualquer varivel aleatria no-negativa X pode ser aproximada
por variveis aleatrias simples.
De fato, considere g
k
: R
+
R
+
dada por
g
k
(x) = 2
k
max
_
j 0, 1, . . . , 2
k
k
2
k
j x
_
.
Para cada k, temos que g
k
assume no mximo 2
k
k + 1 valores. Alm disso,
g
k
(x) g
k1
(x) e x 2
k
< g
k
(x) x para todo k x.
Portanto,
g
k
(x) x para todo x 0.
Veja a Figura 4.1. Tomando X
k
= g
k
(X), temos que X
k
uma varivel aleatria
simples e X
k
X para todo . Veja a Figura 4.2.
A esperana de uma varivel aleatria no-negativa denida aproximando-se
por variveis aleatrias simples.
4.2. ESPERANA MATEMTICA 45
g
1
(x)
g
2
(x)
g
3
(x)
g
2
(y)
x
x
y
Figura 4.1: Grco de g
2
(y) e aproximao de g
k
(x) x para um x xado.
Denio 4.4. Seja X uma varivel aleatria tal que X 0. Denimos a
esperana de X por
EX = supEZ : Z varivel aleatria simples com 0 Z X.
Lema 4.5. Se X 0 ento E[g
k
(X)] EX quando k .
Demonstrao. Com efeito, seja Z uma varivel aleatria simples com 0 Z
X. Tome M = max
Z() e

X = minX, M Z. Ento para k M temos
g
k
(X) >

X 2
k
Z 2
k
. Da segue que E[g
k
(X)] EZ 2
k
. Tomando o
supremo em Z, temos que E[g
k
(X)] EX 2
k
e portanto E[g
k
(X)] EX.
X()
g
1
(X())
g
2
(X())
Figura 4.2: Aproximao de X por g
1
(X) e g
2
(X).
Observao 4.6. Uma varivel aleatria sempre pode ser decomposta em suas
partes positiva e negativa.
De fato, temos
X = X
+
X
,
onde
X
+
=
_
_
_
X, X 0,
0, X 0,
X
=
_
_
_
X, X 0,
0, X 0,
satisfazem X
+
0 e X
0. Observe tambm que [X[ = X

+
+ X
.
Denio 4.7 (Esperana de uma Varivel Aleatria). Seja X uma varivel
aleatria. Denimos a esperana de X por
EX = EX
+
EX
sempre que EX
+
ou EX
for nita. Diremos que X integrvel se ambas EX

+
e EX
forem nitas.
importante vericar que essas denies concordam.
Proposio 4.8. Se X simples ento a esperana dada pela Denio 4.1
igual dada pela Denio 4.7. Se X no-negativa ento a esperana dada pela
Denio 4.4 igual dada pela Denio 4.7.
4.3 Propriedades da Esperana Matemtica
Todas as propriedades que veremos decorrem de trs propriedades fundamentais.
Teorema 4.9 (Unitariedade). Se X = 1, ento EX = 1.
Demonstrao. Segue direto do Lema 4.2.
Teorema 4.10 (Monotonicidade). Se X Y ento EX EY .
4.3. PROPRIEDADES DA ESPERANA MATEMTICA 47
Demonstrao. Tomamos Z = Y X 0. Pela linearidade provada logo abaixo,
temos 0 EZ = EY EX.
Teorema 4.11 (Linearidade). Se X e Y so variveis aleatrias integrveis
ento E[aX + bY ] = aEX + bEY para a, b R.
Demonstrao. Segue direto da denio de esperana que E[aX] = aEX. Basta
ento mostrar que E[X + Y ] = EX + EY .
Suponha inicialmente que X e Y so variveis aleatrias no-negativas. Con-
sidere as variveis aleatrias simples dadas por X
k
= g
k
(X) e Y
k
= g
k
(Y ).
Pelo Lema 4.5, EX
k
EX e EY
k
EY . Analogamente demonstrao desse
mesmo lema, seja Z simples com 0 Z X + Y , tome M = max
Z(),
X = minX, M e

Y = minY, M, de forma que Z

X +

Y . Para k M
temos X
k
+ Y
k
>

X +

Y 2
k+1
Z 2
k+1
, donde E[X
k
+ Y
k
] EZ 2
k+1
,
e tomando o supremo em Z temos E[X
k
+ Y
k
] E[X + Y ]. Portanto, E[X + Y ] =
lim
k
E[X
k
+ Y
k
] = lim
k
[EX
k
+ EY
k
] = EX + EY.
Finalmente, sejam X e Y duas variveis aleatrias integrveis. Temos que
(X + Y )
+
(X + Y )
= X + Y = X
+
X
+ Y
+
Y

,
logo
(X + Y )
+
+ X
+ Y
= (X + Y )
+ X
+
+ Y
+
.
Como todas as variveis aleatrias acima so no-negativas, pelo caso anterior temos
E[(X + Y )
+
] + EX
+ EY
= E[(X + Y )
] + EX
+
+ EY
+
,
e portanto
E[(X + Y )
+
] E[(X + Y )
] = (EX
+
EX
) + (EY
+
EY
).
Proposio 4.12 (Propriedades da Esperana). Se a Esperana est denida,
ela satisfaz as seguintes propriedades:
1. Se X = c ento EX = c.
2. E(aX + b) = aE(X) +b.
3. Se X integrvel ento E[X E(X)] = 0.
4. Se a X b, ento a E(X) b.
5. E[X[ [EX[.
6. Se 0 [X[ Y e Y integrvel, ento X integrvel.
7. Se EX existe e A T, ento E[X1
A
] existe.
8. Se EX nita, ento E[X1
A
] nita.
4.4 Variveis Discretas e Contnuas
Aproximando-se as partes positivas e negativas de variveis aleatrias discretas ou
absolutamente contnuas, temos as seguintes frmulas para o clculo da esperana.
Teorema 4.13 (Variveis Aleatrias Discretas). Seja X uma varivel aleatria
discreta. Ento as esperanas de X
+
e X
so dadas por
EX
+
=

x>0
x p
X
(x), EX
=

x<0
x p
X
(x).
Em particular, quando ambas as esperanas so nitas, temos
EX =

x
x p
X
(x).
Demonstrao. Se g : R
+
R
+
assume nitos valores e X 0, ento
E[g(X)] =

y
y P(g(X) = y) =

y
y
_
x:g(x)=y
p
X
(x)
_
=

x
g(x) p
X
(x).
Assim,
E[g
k
(X)] =

x
g
k
(x) p
X
(x)
x
x p
X
(x).
Por outro lado,
E[g
k
(X)] =

xk
g(x) p
X
(x) +

x>k
g(x) p
X
(x)
xk
(x 2
k
) p
X
(x) =

xk
x p
X
(x) 2
k
.
Tomando k temos pelo Lema 4.5 que EX =

x
x p
X
(x).
4.4. VARIVEIS DISCRETAS E CONTNUAS 49
Exemplo 4.14 (Poisson). Se X Poisson(), ento
EX =
n=0
n
n
e
n!
=
n=1
n
e
(n 1)!
= e
n=1
n1
(n 1)!
= e
n=0
n
n!
= e
= .
Portanto, o valor esperado de uma varivel aleatria que segue o modelo de Poisson
com parmetro o prprio .
Proposio 4.15. Se X assume valores em 0, 1, 2, 3, . . . , ento
EX =
n=1
P(X n).
Exerccio 4.1. Seja X uma varivel aleatria. Mostre que X integrvel se, e
somente se
n=0
P
_
[X[ n
_
< .
Teorema 4.16 (Variveis Aleatrias Absolutamente Contnuas). Seja X uma
varivel aleatria absolutamente contnua. Ento as esperanas de X
+
e X
so
dadas por
EX
+
=
_
+
0
x f
X
(x)dx, EX
=
_
0
x f
X
(x)dx.
Em particular, quando ambas as esperanas so nitas, temos
EX =
_
+
x f
X
(x)dx.
Demonstrao. Se g : R
+
R
+
assume nitos valores e X 0, ento
E[g(X)] =

y
y P(g(X) = y) =

y
y
_
g(x)=y
f
X
(x)dx =
_
R
g(x) f
X
(x)dx.
Assim
E[g
k
(X)] =
_
R
g
k
(x) f
X
(x)dx
_
R
xf
X
(x)dx.
Por outro lado,
E[g
k
(X)] =
_
k
0
g(x) f
X
(x)dx +
_

k
g(x) f
X
(x)dx
_
k
0
(x 2
k
) f
X
(x)dx =
_
k
0
xf
X
(x)dx 2
k
.
Tomando k temos Lema 4.5 que EX =
_
R
xf
X
(x)dx.
Exemplo 4.17 (Exponencial). Se X exp(), vale
EX =
_
+
x f
X
(x)dx =
_
+
0
xe
x
dx =
_
xe
x
0
_
_

0
[e
x
]dx =
1
.
Portanto, o valor esperado de uma varivel aleatria que segue o modelo exponencial
com parmetro
1
.
Notao de Stieltjes Assim como a funo de distribuio permitiu estudar
de forma unicada as variveis aleatrias discretas e contnuas (e at mesmo as
singulares e mistas), a integral de Stieltjes fornece uma maneira unicada de
representar a esperana.
Por um lado, a integral de Riemann
_
g(x)dx denida como um limite de
somatrios

g(x
i
)x
i
. Para variveis contnuas, temos EX =
_
xf(x)dx
x
i
f(x
i
)x
i
, que podemos reescrever como

x
i
F(x
i
), j que F f(x)x. Por
outro lado, para variveis discretas, temos EX =

xp(x) =

x[F(x)F(x)]
x
i
F(x
i
) como no caso contnuo. A representao
EX =
_

x dF(x),
onde F a distribuio acumulada de X, unica os casos discreto e absolutamente
contnuo, e ainda abrange os demais casos. Essa representao ainda tem a vantagem
de deixar explcito o fato de que a esperana de X depende apenas da distribuio
de X.
A integral na expresso acima um integral de Stieltjes, e em [Jam04] ela a
prpria denio da esperana. Neste curso no vamos nos preocupar com a integral
de Stieltjes, e vamos pensar na integral acima simplesmente como a esperana de
alguma varivel aleatria cuja funo de distribuio acumulada seja F.
4.5 Mudana de Varivel
Suponha que queremos calcular a esperana da varivel aleatria Y dada por
Y = h(X),
onde h uma funo contnua, ou uma funo contnua por partes. Temos pelo
menos duas alternativas. Uma calcular F
Y
(t) para todo t, a partir da distribuio
acumulada F
X
de X, e depois aplicar denio de esperana calculando
EY =
_
R
y dF
Y
(y).
Entretanto, existe outra maneira, que pode ser mais conveniente:
4.6. MOMENTOS, VARINCIA E COVARINCIA 51
Teorema 4.18 (Mudana de Varivel). Seja X uma varivel aleatria e h : R
R uma funo contnua por partes. Considere a varivel aleatria Y = h(X).
Se Y integrvel ento
EY =
_
R
h(x) dF
X
(x) =
_
_
_
x
h(x) p
X
(x), X discreta,
_
R
h(x)f
X
(x) dx, X contnua.
Observao 4.19. De fato, o teorema segue das seguintes identidades:
E[Y
+
] =
_
R
[h(x)
+
] dF
X
(x) e E[Y
] =
_
R
[h(x)
] dF
X
(x).
Em particular, Y integrvel se e somente se ambas as integrais so nitas.
Demonstrao. Se h 0 e Y
k
= g
k
(Y ) = g
k
(h(X)), temos que
E[Y
k
] =

y
y P[g
k
(h(X)) = y] =
_
_
_
x
g
k
(h(x)) p
X
(x), X discreta,
_
R
g
k
(h(x)) f
X
(x)dx, X contnua.
Portanto E[Y
k
]
_
R
h(x) dF
X
(x). Por outro lado,
E[Y
k
] =
_
A
k
g
k
(h(x)) dF
X
(x) +
_
A
c
k
g
k
(h(x)) dF
X
(x)
_
A
k
h(x) dF
X
(x) 2
k
,
onde A
k
= x R : h(x) k R. Fazendo k temos pelo Lema 4.5 que
EY =
_
R
h(x) dF
X
(x).
Exemplo 4.20. Seja X exp(). Vamos calcular EX
2
. Temos
EX
2
=
_

0
x
2
e
x
dx =
1
_

0
2xe
x
dx =
2
2
_

0
e
x
dx =
2
2
,
integrando por partes duas vezes.
4.6 Momentos, Varincia e Covarincia
Denio 4.21. Dado k = 1, 2, 3, . . . , denimos o momento de ordem k, ou o k-
simo momento da varivel aleatria X como EX
k
. Se X integrvel, denimos
o k-simo momento central por E[(X EX)
k
]. O momento absoluto de ordem
k denido como E[[X[
k
].
Exemplo 4.22. Se X U[0, 1], temos
EX =
_
1
0
xdx =
1
2
, EX
2
=
_
1
0
x
2
dx =
1
3
, EX
k
=
_
1
0
x
2
dx =
1
k + 1
.
Ainda, o segundo momento central dado por
E
_
_
X
1
2
_
2
_
= EX
k
=
_
1
0
(x
1
2
)
2
dx =
1
12
.
O segundo momento central recebe o nome de varincia.
Denio 4.23 (Varincia). Seja X uma varivel aleatria. Dene-se a varin-
cia da varivel aleatria X, denotada por V X ou
2
(X), como
V X = E[(X EX)
2
].
Proposio 4.24 (Propriedades da Varincia). Seja X uma varivel aleatria
integrvel. Ento:
1. V X = EX
2
(EX)
2
.
2. V X = 0 se e somente se P(X = c) = 1 para algum c R.
3. V X EX
2
.
4. V (X b) = V X.
5. V (aX) = a
2
V X.
Exerccio 4.2. Prove a proposio acima.
Denio 4.25 (Desvio-Padro). O desvio-padro (X) dado pela raiz
quadrada da varincia
(X) =
V X,
e mede a disperso de X em torno de sua mdia. O desvio-padro tem a mesma
unidade de medida de X.
Exemplo 4.26. Se X Bernoulli(
1
2
), temos
EX =
1
2
, EX
2
=
1
2
, V X = EX
2
(EX)
2
=
1
4
, (X) =
V X =
_
1/4 =
1
2
.
Ou seja, uma varivel Bernoulli(
1
2
) varia em mdia =
1
2
unidade em torno de sua
mdia =
1
2
.
4.6. MOMENTOS, VARINCIA E COVARINCIA 53
As propriedades do desvio-padro so anlogas:
1. (X) = 0 se e somente se P(X = c) = 1 para algum c R.
2. (X)
EX
2
.
3. (X b) = (X) para todo b R.
4. (aX) = a(X) para a > 0.
Denio 4.27 (Covarincia). Dadas duas variveis aleatrias X e Y com
segundo momento nito, uma forma de medir a dependncia linear da disperso
dessas variveis atravs da sua covarincia Cov(X, Y ), dada por
Cov(X, Y ) = E [(X EX)(Y EY )] .
Proposio 4.28 (Propriedades da Covarincia). Dadas X e Y com segundo
momento nito:
1. Cov(X, Y ) = E[XY ] EX EY .
2. Cov(cX, Y ) = c Cov(X, Y ).
3. Cov(X, Y ) = Cov(Y, X).
4. Cov(X, X) = V X.
5. Cov(X, c) = 0 para todo c R.
6. Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z).
7. Cov(
i
a
i
X
i
,
j
b
j
Y
j
) =

i
j
a
i
b
j
Cov(X
i
, Y
j
).
Exemplo 4.29. Feito em aula.
Denio 4.30 (Coeciente de Correlao). Dadas X e Y com varincias
nitas e positivas, o coeciente de correlao (X, Y ) de X e Y uma medida
padronizada (no tem unidade) da dependncia linear entre X e Y :
(X, Y ) = Cov
_
X
(X)
,
Y
(Y )
_
.
Exemplo 4.31. Feito em aula.
Proposio 4.32 (Propriedades do Coeciente de Correlao). Dadas X e Y com
varincias nitas e positivas, valem:
1. (X, Y ) = (Y, X).
2. (X, Y ) = (Y, X).
3. (X, X) = 1.
4. (X, aY + b) = (X, Y ) se a > 0 e b R.
Proposio 4.33. Sejam X e Y variveis aleatrias com varincias nitas e
positivas. Ento:
1. [ Cov(X, Y )[ (X)(Y ).
2. 1 (X, Y ) 1.
3. (X, Y ) = 1 Cov(X, Y ) = (X)(Y ) P Y = aX + b = 1, a > 0.
4. (X, Y ) = 1 Cov(X, Y ) = (X)(Y ) P Y = aX + b = 1, a < 0.
Demonstrao. Feita em aula, seguindo [Jam04, p. 138].
Proposio 4.34 (Esperana de Variveis Aleatrias Independentes). Se X e Y
so independentes e integrveis, ento XY integrvel e E[XY ] = EX EY .
Demonstrao. Se X e Y so variveis aleatrias simples, ...
Se X e Y so variveis aleatrias no-negativas, ento usando o Lema ??, o caso
anterior, e o Lema 4.5 temos
E[XY ] = lim
k
E[g
k
(X)g
k
(Y )] = lim
k
E[g
k
(X)]E[g
k
(Y )] = EX EY.
No caso geral temos
E[XY ] = E[X
+
Y
+
X
+
Y

X
Y
+
+ X
]
= EX
+
EY
+
EX
+
EY
EX
EY
+
+ EX
EY

= EXEY.
Corolrio 4.35. Se X e Y so independentes e tm varincias nitas e positivas,
ento
Cov(X, Y ) = (X, Y ) = 0.
Fl 51.
O exemplo a seguir nos mostra que a recproca da proposio anterior no
sempre verdadeira, isto , EXY = EX.EY no implica X e Y independentes.
Exemplo 4.36. Sejam X e Y variveis aleatrias tomando valores 1, 0, 1 com
distribuio conjunta dada por p(1, 1) = p(1, 1) = p(1, 1) = p(1, 1) =
p(0, 0) =
1
5
. Ento EXY = EX.EY , mas X e Y no so independentes, pois
P(X = 0, Y = 0) ,= P(X = 0).P(Y = 0).
4.7. DESIGUALDADES BSICAS 55
Proposio 4.37. A varincia da varivel aleatria Y =
n
i=1
X
i
dada por
V
_
n
i=1
X
i
_
=
n
i=1
V [X
i
] + 2
i<j
Cov(X
i
, X
j
).
Demonstrao. (Em aula.)
Corolrio 4.38. Se X
1
, X
2
, . . . , X
n
so variveis aleatrias no-correlacionadas,
ento
V
_
n
i=1
X
i
_
=
n
i=1
V [X
i
] .
Denio 4.39. Dada uma varivel aleatria X, a varivel aleatria Z =
XEX
uma padronizao de X (tambm chamada de reduo ou normalizao de X).

Observe que EZ = 0 e V Z = 1.
4.7 Desigualdades Bsicas
Proposio 4.40 (Desigualdade de Jensen). Seja uma funo convexa denida
na reta. Se a varivel aleatria X integrvel, ento
E[(X)] [E(X)].
Exerccio 4.3. Se uma funo cncava, ento E[(X)] [E(X)].
Exemplo 4.41. Pela desigualdade de Jensen, temos, por exemplo, que
(a) E [[X[] [E(X)[.
(b) E(X
2
) E
2
(X).
(c) E [X[
p
(E [X[)
p
[EX[
p
, onde p 1.
(d) E
_
1
X
_
1
EX
se X 0.
Proposio 4.42. (Desigualdade Bsica de Tchebyshev) Seja X uma varivel
aleatria no-negativa e seja > 0 uma constante. Ento
P(X )
E(X)
.
Demonstrao. Em aula.
Proposio 4.43. (Desigualdade de Markov) Seja X uma varivel aleatria qual-
quer e seja > 0 uma constante. Ento para todo t > 0,
P([X[ )
E [X[
t
t
.
Proposio 4.44. (Desigualdade Clssica de Tchebyshev) Seja X uma varivel
aleatria integrvel e seja > 0 uma constante. Ento
P([X E(X)[ )
V X
2
.
Exerccio 4.4. Suponha que X seja uma varivel aleatria tal que P(X 0) = 1
e P(X 10) =
1
5
. Mostre que E(X) 2.
Exerccio 4.5. Suponha que X seja uma varivel aleatria tal que E(X) = 10,
P(X 7) = 0, 2 e P(X 13) = 0, 3. Prove que V X
9
2
.
Proposio 4.45. Se Z 0 e EZ = 0, ento P Z = 0 = 1, ou seja, Z = 0 quase
certamente.
Observao 4.46. A proposio acima implica que, quando V X = 0, ento X
constante quase certamente, pois P X = EX = 1.
Teorema 4.47 (Desigualdade de Cauchy-Schwarz). E [XY [
EX
2
EY
2
.
Ainda, se E[XY ] =

EX
2
EY
2
, ento ou P(Y = 0) = 1 ou existe a R tal
que P(X = aY ) = 1.
4.8. ESPERANA CONDICIONAL DADO UM EVENTO 57
4.8 Esperana Condicional dado um Evento
4.9 Exerccios
Exerccio 4.6. Calcular EX, onde:
1. X b(n, p).
2. X exp().
3. X Geom(p).
Exerccio 4.7. Dada X v.a., dena
Y =
_
_
_
X, X a,
a, caso contrrio,
onde a uma constante positiva. Mostre que EY EX.
Exerccio 4.8. Mostre que X integrvel se, e somente se, E[X[ < .
Exerccio 4.9. Prove:
1. Se E[X[ = 0 ento P(X = 0) = 1.
Dica:
_
[X[
1
n
_
[X = 0] quando n .
2. Se X c e EX = c, ento P(X = c) = 1.
Exerccio 4.10. Prove as conseqncias da desigualdade de Cauchy-Schwarz para
a covarincia e o coeciente de correlao.
Exerccio 4.11. Prove que a covarincia e o coeciente de correlao de duas
variveis independentes so nulos.
Exerccio 4.12. Prove que E[X[
EX
2
.
Exerccio 4.13. Sejam X
1
, . . . , X
n
variveis aleatrias satisfazendo EX
2
i
< i.
1. Se Cov(X
i
, X
j
) = 0 i ,= j, mostre que
V
_
n
i=1
X
i
_
=
n
i=1
V X
i
.
2. A frmula acima tambm vale se as variveis aleatrias forem independentes?
Exerccio 4.14. Calcular V X, onde:
1. X Poisson().
2. X exp().
4.9. EXERCCIOS 59
3. X b(n, p).
Exerccio 4.15. Padronizao de X.
Dada uma varivel aleatria X com EX
2
< , denimos a padronizao de X
(ou a normalizao de X) como
X EX
(X)
.
A padronizao de uma varivel aleatria no tem unidade de medida. Mostre que:
1. EZ = 0 e V Z = 1, onde Z a padronizao de X.
2. X e (aX + b) tm a mesma padronizao para a > 0 e b R.
3. Se Z a padronizao de X e W a padronizao de Y , ento
(Z, W) = Cov(Z, W) = E(ZW) = (X, Y ).
(Prove uma igualdade de cada vez.)
Exerccio 4.16. Considere uma seqncia de variveis aleatrias X
1
, X
2
, X
3
, . . .
i.i.d. com distribuio Bernoulli(p). Quantas realizaes so sucientes para que a
mdia amostral, dada por
X
n
() =
1
n
n
j=1
X
n
(),
no dira de seu valor esperado p por mais de 0,01, com probabilidade mnima de
0,95? (Sugesto: Desigualdade de Tchebyshev)
Exerccio 4.17. Considere variveis aleatrias X
1
, X
2
, . . . e X denidas no espao
de probabilidade (, T, P) tais que X
n
() X() .
1. Mostre que, se as X
n
so uniformemente limitadas, ento X integrvel e
EX
n
EX.
2. Mostre que
lim
n
E
_
e
|X|
sen(X
n
)
_
= E
_
e
|X|
sen(X)
_
.
Recomendados: 5, 6, 19, 20ab, 21, 23, 26, 28, 30, 36.
Captulo 5
Distribuio e Esperana
Condicionais
Este certamente o tpico mais delicado para um curso introdutrio. importante
entender bem o caso nito, que contm as ideias essenciais e fundamental para
que se compreenda o conceito de distribuio e esperana condicionais.
As Sees 5.1, 5.2 e 5.3 seguem a linha desenvolvida em [Shi96, Seo I.8].
Nessas sees vamos assumir que todas as parties so nitas e todas as variveis
aleatrias assumem apenas nitos valores, mesmo que no seja dito explicitamente.
As Sees 5.4 e 5.5 tm como referencial a linha desenvolvida em [Jam04, Captulo 4],
porm de forma muito mais resumida.
5.1 Parties
Muitas vezes a estrutura do espao amostral complicada demais para estudarmos
as grandezas de interesse diretamente a partir dos eventos elementares , at
mesmo em situaes aparentemente simples. Por exemplo, se existe uma seqn-
cia innita de variveis aleatrias independentes que representam lanamentos de
moedas honestas, ento certamente no-enumervel e T bastante complicada.
Neste contexto, estudamos as propriedades de algumas grandezas observveis, ou
ainda, conseguimos dividir em classes que podem ser estudadas separadamente.
Estudar uma partio T de ao invs de toda a -lgebra T quer dizer que estamos
trabalhando apenas com a informao relacionada quela partio.
Exemplo 5.1. Sejam X
1
, X
2
, X
3
, . . . variveis aleatrias assumindo valores em
1, 1. O espao pode ser dividido em tomos onde X
1
e X
2
so constantes.
Denio 5.2. Dizemos que T = D
1
, D
2
, D
3
, . . . , D
n
uma partio de (, T)
se D
i
T i, D
i
D
j
= i ,= j, e
i
D
i
= .
61
62 CAPTULO 5. DISTRIBUIO E ESPERANA CONDICIONAIS
Dizemos que T
2
mais na que T
1
, denotado por T
2
T
1
, se todo elemento de
T
1
igual unio de elementos de T
2
, isto , se para todo D T
1
existe ( T
2
tal que D = (. Isso signica que T
2
tem mais informao do que T
1
.
Exemplo 5.3. Seja T
2
= D
1
, D
2
, D
3
, D
4
uma partio de , e sejam D
5
=
D
1
D
3
, D
6
= D
2
e D
7
= D
4
. Se denimos T
1
= D
5
, D
6
, D
7
, temos T
2
T
1
.
Exemplo 5.4. Para qualquer partio T vale T T.
5.2 Probabilidade Condicional dada uma Partio
Dada uma partio T = D
i
i
e um evento A, denimos a varivel aleatria
P(A[T) = P(A[T)() =

i
1
D
i
()P(A[D
i
)
isto , em cada tomo D
i
da partio T, temos que P(A[T) assume o valor
constante P(A[D
i
).
Exemplo 5.5. Suponha que P (chover amanh[chove hoje) = 0, 7,
P (chover amanh[no chove hoje) = 0, 5 e seja T = chove hoje, no chove hoje.
Ento
Z = P(chover amanh[T) =
_
_
_
0, 7, se no estado chove hoje,
0, 5, caso contrrio.
Teorema 5.6 (Teorema da Probabilidade Total).
P(A) = E
_
P(A[T)
_
.
Demonstrao. P(A) =

i
P(A[D
i
)P(D
i
) = E
_
P(A[T)
_
.
Exemplo 5.7. Se P(chover hoje) = 0, 4, temos
P(chover amanh) = EZ =

z
zP(Z = z) = 0, 7 0, 4 + 0, 5 0, 6 = 0, 58.
Denio 5.8. Seja X uma varivel aleatria assumindo valores em x
1
, . . . , x
m
.
Denimos a partio induzida por X como T
X
= D
1
, . . . , D
m
, onde D
j
= :
X() = x
j
. Denotamos a varivel aleatria P(A[T
X
)() por P(A[X)().
Uma forma equivalente de denir P(A[X) a seguinte. Para k = 1, . . . , m, faa
(x
k
) = P(A[X = x
k
). Temos que P(A[X) = (X), isto , , P(A[X)() =
(X()).
5.3. ESPERANA CONDICIONAL DADA UMA PARTIO 63
Exerccio 5.1. Se X e Y so independentes ento
P(X + Y = z[Y = y) = P(X + y = z).
Exemplo 5.9. Se X e Y so i.i.d. Bernoulli(p), considere o evento A = [X+Y = 1].
Vamos calcular P(A[Y ):
P(A[Y ) = p1
Y =0
+ (1 p)1
Y =1
,
ou, escrevendo explicitamente como funo de Y :
P(A[Y ) = p(1 Y ) + (1 p)Y.
De forma anloga denimos T
X
1
,X
2
,...,Xn
como sendo a partio cujos tomos so
os maiores conjuntos onde todas as X
n
so constantes.
Exerccio 5.2. Mostre que T
X
1
,X
2
T
X
1
.
5.3 Esperana Condicional dada uma Partio
Sexa X uma varivel aleatria com valores em x
1
, . . . , x
m
e A
j
= [X = x
j
].
Considere T uma partio de (, T). Denimos a varivel aleatria
E(X[T) = E(X[T)() =
m
j=1
x
j
P(A
j
[T)().
Observe que, dado D
i
T, para cada D
i
temos
E(X[T)() =
m
j=1
x
j
P(A
j
[D
i
) = E (X[D
i
) ,
isto , em cada tomo D
i
da partio T, a varivel aleatria aleatria E(X[D)
assume um valor contante dado por E(X[D
i
). Portanto,
E(X[T)() =

i
E(X[D
i
)1
D
i
(). (5.1)
Veja a Figura 5.1.
Exemplo 5.10. Lanamento de um dado honesto. Seja T = mpar, par. Temos
Z() = E(X[D)() =
_
_
_
E(X[X par), se X() par,
E(X[X mpar), se X() mpar.
Assim,
Z() =
_
_
_
4, se X() par,
3, se X() mpar.
T T

X() E(X[T)()
Figura 5.1: Ilustrao da denio de E(X[T).
Proposio 5.11 (Propriedades da esperana condicional).
1. E(c[T) = c
2. Se X Y ento E(X[T) E(Y [T)
3. E(aX + bY [T) = aE(X[T) +bE(Y [T)
4. E(X[) = EX .
Demonstrao. Se X = c, ento E(X[D) = c para qualquer D com P(D) > 0,
pois E([D) nada mais que uma esperana calculada com respeito medida de
probabilidade P([D). Portanto, por (5.1) temos que E(c[T) = c. Analogamente,
E(aX + bY [D) = aE(X[D) +bE(Y [D) e se X Y ento E(X[D) E(Y [D)
Teorema 5.12 (Generalizao to Teorema da Probabilidade Total).
EX = E
_
E(X[T)
_
.
Demonstrao. Pelo Teorema 5.6,
E
_
E(X[T)
_
= E
_
_
j
x
j
P(A
j
[T)
_
_
=

j
x
j
E
_
P(A
j
[T)
_
=

j
x
j
P(A
j
) = EX.
Com o Teorema 5.12 completamos o diagrama da Figura 5.2.
Exemplo 5.13. Lanamento do dado no Exemplo 5.10. Temos
EX = E[E(X[T)] = EZ = 3, 5.
5.3. ESPERANA CONDICIONAL DADA UMA PARTIO 65
P()
EX=
i
x
i
P(X=x
i
)
/
P(A|D)=
P(AD)
P(D)
E()
P([D)
E(X|D)=
i
x
i
P(X=x
i
|D)
/
P(A|D)=
i
P(A|D
i
)1
D
i
E([D)
E(X|D)=
i
E(X|D
i
)1
D
i
P([T)
P(A)=E[P(A|D)]
F
E(X|D)=
i
x
i
P(X=x
i
|D)
/
E([T)
EX=E[E(X|D)]
?

Figura 5.2: Relao entre probabilidade, esperana, probabilidade condicional
dado um evento, esperana condicional dado um evento, probabilidade condici-
onal dada uma partio, e esperana condicional dada uma partio.
Seja Y outra varivel aleatria assumindo valores y
1
, . . . , y
n
. Denotamos
E(X[Y ) = E(X[T
Y
).
Se zermos (y
i
) = E(X[Y = y
i
), i = 1, . . . , n, temos que
E(X[Y ) = (Y ).
Exerccio 5.3. Se X e Y so independentes ento E(X[Y ) = EX constante.
Observao 5.14. Caso particular do teorema anterior: EX = E
_
E(X[Y )
_
.
Exerccio 5.4. Entender os Exemplos 2 e 4 de [Jam04, pp. 150 e 155].
De forma anloga a E(X[Y ), denimos
E(X[Y
1
, . . . , Y
n
) = E
_
X
T
Y
1
,...,Yn
_
.
Isso equivalente a tomar (y
i
1
, . . . , y
in
) = E(X[Y
1
= y
i
1
, . . . , Y
n
= y
in
) e
E(X[Y
1
, . . . , Y
n
) = (Y
1
, . . . , Y
n
).
Denio 5.15. Dizemos que X T-mensurvel se T T
X
, isto , se X
constante nos tomos de T. Em outras palavras, se a informao sobre T
determina o valor de X.
Proposio 5.16. Se T
1
T
2
, ento
E
_
E(X[T
2
)
T
1
_
= E
_
E(X[T
1
)
T
2
_
= E(X[T
1
).
Em particular,
E
_
E(X[Y
1
, Y
2
)
Y
1
_
= E(X[Y
1
).
Observao 5.17. X sempre T
X
-mensurvel.
Proposio 5.18. Se X T-mensurvel, ento
E(XY [T) = XE(Y [T).
Em particular, E(X[T) = X. Ademais, E(X[X) = X.
Exemplo 5.19. Dada uma funo f, vale
E
_
f(Y )E
_
X
Y
__
= E [Xf(Y )] .
De fato, como Z = f(Y ) claramente T
Y
-mensurvel, temos
E
_
Xf(Y )
Y
_
= f(Y )E(X[Y ).
Tomando a esperana dos dois lados, obtemos a equao anterior.
5.4 Distribuio Condicional Regular
Quando Y uma varivel aleatria discreta assumindo valores y
1
, y
2
, . . . , essa
varivel aleatria induz uma partio T
Y
de (, T), e temos as seguintes relaes:
P(X B) = E [P(X B[Y )] =

n
P(X B[Y = y
n
)P(Y = y
n
)
=
_
+
P(X B[Y = y)dF

Y
(y),
F
X
(x) = E
_
F
X|Y
(x)
_
=

n
F
X
(x[Y = y
n
)P(Y = y
n
)
=
_
+
F
X
(x[Y = y)dF
Y
(y),
E(X) = E [E(X[Y )] =

n
E(X[Y = y
n
)P(Y = y
n
)
=
_
+
E(X[Y = y)dF
Y
(y).
Nas expresses acima, todas as grandezas condicionadas a Y = y so denidas
diretamente utilizando a probabilidade condicional P
() = P([Y = y) dado o
evento de probabilidade positiva [Y = y]. Este caso j foi tratado nas Sees 2.7
e 4.8.
5.4. DISTRIBUIO CONDICIONAL REGULAR 67
No caso de variveis aleatrias Y que no sejam discretas, temos que dar sentido
a expresses do tipo P(X B[Y = y) mesmo que P(Y = y) seja zero, para poder
dizer que expresses anlogas continuam valendo.
Denio 5.20 (Distribuio Condicional Regular). Sejam X e Y variveis
aleatrias denidas no mesmo espao de probabilidade (, T, P). A distribuio
condicional regular de X dado Y = y denida por
P
_
X [s, t]
Y = y
_
= lim
0
lim
0
P
_
X [s , t + ]
Y [y , y + ]
_
para todo s < t e y A, onde A algum conjunto tal que P(Y A) = 1.
importante tomar o limite primeiro em e depois em .
Quando s = , denimos a funo de distribuio condicional acumulada
F
X
(t[Y = y) = P(X t[Y = y).
Teorema 5.21. Para quase todo y R, isto , para todo y A onde A um
conjunto tal que P(Y A) = 1, o duplo limite acima existe para todo s < t e
determina uma probabilidade em R.
Na prtica, o que se faz encontrar um candidato ad hoc de quem deveria ser
a distribuio condicional regular de X dado Y , segundo princpios que se aplicam
em diferentes casos, e verica-se a posteriori que o candidato proposto satisfaz a
Denio 5.20. continuao veremos alguns desses princpios.
Caso de Y discreta
Se Y varivel aleatria discreta, a distribuio condicional de X dado Y = y
dada por
P X B[Y = y =
P X B, Y = y
P Y = y
para todo y tal que P(Y = y) > 0
A funo de distribuio condicional de X dado Y = y
F
X
(x[Y = y) = P X x[Y = y .
Caso de X e Y independentes
Se X e Y so independentes, o condicionamento em Y = y no afeta em
nada a varivel X. Neste caso temos
P(X B[Y = y) = P(X B).
Exerccio 5.5. Verique que esse candidato satisfaz a Denio 5.20.
Caso de X e Y possurem densidade conjunta
Se X e Y tm funo de densidade conjunta f
X,Y
(x, y), a funo de densidade
condicional de X dado Y = y dada por
f
X
(x[Y = y) =
f
X,Y
(x, y)
f
Y
(y)
para todo y tal que f
Y
(y) > 0.
Neste caso a funo de distribuio condicional de X dado Y = y
F
X
(x[Y = y) = P X x[Y = y =
_
x
f
X
(t[Y = y)dt.
Exemplo 5.22. Sejam X e Y com densidade conjunta
f
X,Y
(x, y) =
_
_
_
6xy(2 x y), 0 < x < 1, 0 < y < 1,
0, caso contrrio.
Vamos determinar a distribuio condicional de X dado que Y = y. Temos
f
Y
(y) =
_
+
f
X,Y
(x, y)dx =
_
1
0
6xy(2 x y)dx = 4y 3y
2
se y (0, 1) e 0 caso contrrio. Assim, para y [0, 1] temos
f
X
(x [ Y = y) =
f
X,Y
(x, y)
f
Y
(y)
=
_
_
_
6x(2xy)
43y
, 0 < x < 1
0, caso contrrio.
Para y fora desse intervalo F
X
([Y = y) irrelevante, pois P(Y , [0, 1]) = 0.
Exemplo 5.23. Sejam X e Y com densidade conjunta
f
X,Y
(x, y) =
_
1
2
ye
xy
, 0 < x < e 0 < y < 2
0, caso contrrio
5.4. DISTRIBUIO CONDICIONAL REGULAR 69
Vamos determinar a distribuio condicional de X dado que Y = y. Temos
f
Y
(y) =
_
+
f
X,Y
(x, y)dx =
1
2
_

0
ye
xy
dx =
1
2
para 0 < y < 2. Logo Y U[0, 2].
Assim, para y (0, 2] temos
f
X
(x [ Y = y) =
f
X,Y
(x, y)
f
Y
(y)
=
_
_
_
ye
xy
, x > 0,
0, x 0.
Caso de Y possuir densidade e X ser discreta
Se X discreta e Y tem funo de densidade f
Y
(y), a funo de probabilidade
condicional de X dado Y = y dada por
p
X
(x
n
[Y = y) =
P(X = x
n
)f
Y
(y[X = x
n
)
f
Y
(y)
para todo y tal que f
Y
(y) > 0.
Neste caso a funo de distribuio condicional de X dado Y = y
F
X
(x[Y = y) = P X x[Y = y =

n:xnx
p
X
(x
n
[Y = y).
Princpio da preservao das chances relativas
O princpio da preservao das chances relativas diz que, dada a ocorrncia
de um evento, os resultados possveis dentro desse evento mantm as mesmas
chances relativas que possuam antes.
Exemplo 5.24. X ^(0, 1) e Y = X
2
. Qual a distribuio condicional de X dado
que Y = y?
Como P(Y > 0) = 1, basta considerar valores y > 0. Sabendo que Y = y temos
duas alternativas: X = y ou X = y. Como f
X
(y) = f
X
(y), esses dois valores
continuam tendo a mesma chance quando condicionamos a Y = y. Denimos ento
P(X = y[Y = y) = P(X = y[Y = y) =
1
2
.
Vamos vericar que esse candidato satisfaz a Denio 5.20. Se s < t < y,
temos que lim
P(X t + [Y [y , y + ]) = 0 para < y t (verique!),

coincidindo com nosso candidato P(X [s, t][Y = y) = 0. Se y < s y t,
temos que lim
P(X [s, t+][Y [y, y+]) =

1
2
para < s+y (verique!),
coincidindo com nosso candidato P(X [s, t][Y = y) = (X = y[Y = y) =
1
2
. Os
outros casos so vericados de forma anloga.
Exemplo 5.25. Seja X U[0, 2] e Y U[1, 1] independentes. Vamos encontrar
F
X
(x[X + Y = z).
Seja Z = X + Y . A densidade conjunta de X e Y dada por f
XY
(x, y) =
1
4
1
[0,2][1,1]
(x, y), e a marginal de X dada por f
X
(x) =
1
2
1
[0,2]
(x). Condicionando
a Z = z, temos que o conjunto dos resultados possveis ca restrito a uma diagonal
(x, y) [0, 2] [1, 1] : x + y = z que corta o quadrado [0, 2] [1, 1]. Pelo
Princpio da Preservao das Chances Relativas, todos os pontos desse conjunto eram
equiprovveis antes do condicionamento, devem continuar equiprovveis dentro do
conjunto da restrio. Assim, para z > 1 devemos ter X U[z 1, 2] e para z < 1
devemos ter X U[0, z + 1], ou seja
f
X
(X[Z = z) =
_
_
_
1
3z
1
[z1,2]
(x), 1 z < 3,
1
z+1
1
[0,z+1]
(x), 1 < z 1.
Princpio da substituio
O princpio da substituio permite substituir Y por y sempre que se
condiciona a Y = y. Se W = g(X, Y ), ento
P(W B[Y = y) = P(g(X, y) B[Y = y) = P
_
X x : g(x, y) B
Y = y
_
.
5.5 Esperana Condicional dada uma Varivel
Aleatria
Dada X integrvel, denimos E(X[Y = y) como
E [X[Y = y] =
_

xdF (x[Y = y) .
Teorema 5.26. Se X integrvel ento existe algum A R tal que P(Y A) = 1
e E(X[Y = y) nita para todo y A.
Escrevendo (y) = E(X[Y = y), denimos a varivel aleatria E(X[Y ) = (Y ),
isto , E(X[Y )() = (Y ()).
Proposio 5.27 (Propriedades da esperana condicional).
1. E [E(X[Y )] = EX.
5.5. ESPERANA CONDICIONAL DADA UMA VARIVEL ALEATRIA 71
2. E(c[Y ) = c quase certamente.
3. X Z E(X[Y ) E(Z[Y ) quase certamente.
4. E(aX + bZ[Y ) = aE(X[Y ) +bE(Z[Y ) quase certamente.
5. Se X = g(Y ) ento E(X[Y ) = X quase certamente.
6. Se Z = g(Y ), ento
E
_
E
_
X
Z
_
Y
_
= E
_
E
_
X
Y
_
Z
_
= E
_
X
Z
_
quase certamente.
7. Se Z = g(Y ), E[X[ < e E[XZ[ < , ento
E
_
XZ
Y
_
= Z.E
_
X
Y
_
quase certamente.
Proposio 5.28. Os seguintes resultados envolvendo esperanas condicionais se
vericam:
(a) E [X] =
_
E (X[Y = y) dF
Y
(y).
(b) P (X B) =
_
P(X B [ Y = y)dF
Y
(y), para todo B B.
(c) F
X
(x) =
_
F
X
(x[Y = y) dF
Y
(y).
Observao 5.29. Para qualquer funo g tal que g(X) integrvel, denimos
E [g(X)[Y = y] =
_

g(x)dF
X
(x[y) .
Exemplo 5.30. Se X e Y so independentes, ento F
X
(x[Y = y) = F
X
(x) e
E [X[Y = y] =
_

xdF (x[Y = y) =
_

E (X[Y = y) dF
Y
(y) = E [X] .
Assim, (y) = EX y R e E(X[Y ) = (Y ) = EX, isto , E(X[Y ) uma varivel
aleatria constante, igual a EX.
Exemplo 5.31. Se X U[0, 2] e Y = maxX, 1. Temos que Y assume valores
em [1, 2]. Tomando y em (1, 2], temos que [Y = y] = [X = y] e, pelo Princpio da
Substituio, E[X[Y = y] = y. Tomando y = 1, temos que [Y = 1] = [X 1].
Assim,
F
X
(x[Y = 1) = F
X
(x[X 1) =
P(X x, X 1)
P(X 1)
=
_
_
x/2
1/2
= x, 0 x 1,
0, x < 0,
1, x > 1.
Logo, f
X
(x[Y = 1) =
d
dx
F
X
(x[Y = 1) = 1
[0,1]
(x) e
E(X[Y = 1) =
_
1
0
xf
X
(x[Y = 1)dx =
1
2
.
Portanto,
E(X[Y ) =
_
_
_
1
2
, Y = 1
Y, 1 < Y 2.
Exemplo 5.32. O Jogador I lana uma moeda honesta n vezes, obtendo k caras,
onde 0 K n. Depois o Jogador II lana a moeda k vezes, obtendo j coroas.
Seja X o nmero j de coroas obtidas pelo Jogador II. Queremos calcular EX.
(Poderamos fazer algum esforo neste caso nem sempre isso possvel para
mostrar que X b(n,
1
4
) e portanto EX =
n
4
, mas estamos interessados apenas em
saber EX.)
Seja Y o nmero de caras obtidas pelo Jogador I. claro que X[Y = k b(k,
1
2
,
logo E(X[Y = k) =
k
2
. Assim, E(X[Y ) =
Y
2
. Calculamos ento
EX = E [E(X[Y )] = E
_
Y
2
_
=
1
2
EY =
1
2
n
2
=
n
4
,
uma vez que Y b(n,
1
2
).
Exemplo 5.33. No Exemplo 5.22, vamos cacular E [X[Y ] e E [X].
Substituindo a densidade obtida temos
E[X [ Y = y] =
_
+
xf
X
(x [ Y = y)dx =
_
1
0
6x
2
(2 x y)
4 3y
dx =
5 4y
8 6y
.
Ento E[X [ Y ] =
54Y
86Y
e
E[X] = E[E[X [ Y ]] =
_
1
0
5 4y
8 6y
(4y 3y
2
)dy =
15
12

8
12
=
7
12
.
Exerccio 5.6. No Exemplo 5.23, vamos calcular E
_
e
X/2
[Y
_
e E
_
e
X/2
[Y = 1
_
.
Substituindo a densidade condicional obtida, temos
E[e
X
2
[ Y = y] =
_

0
e
x
2
ye
xy
dx = y
_

0
e
(
1
2
y)x
dx.
Se y
1
2
a integral vale +. Se y >
1
2
la integral vale
y
y
1
2
. Assim,
E
_
e
X/2
[Y
_
=
_
_
+, Y
1
2
,
y
y
1
2
, y >
1
2
,
e E
_
e
X/2
[Y = 1
_
=
1
2
.
5.5. ESPERANA CONDICIONAL DADA UMA VARIVEL ALEATRIA 73
Exemplo 5.34. Seja X U [0, 1]. Se X = x, ento uma moeda com probabi-
lidade x de sair cara lanada n vezes independentemente. Seja Y a v.a. que
representa o nmero de caras obtidas.
Temos que Y [X = x b(n, x) e X U(0, 1) Se y 0, 1, . . . , n ento:
P(Y = y) =
_
1
0
P(Y = y [ X = x)f
X
(x)dx =
_
1
0
_
n
y
_
x
y
(1 x)
ny
dx.
Portanto
E[Y ] =
n
y=0
yP(Y = y) =
n
y=0
_
1
0
y
_
n
y
_
x
y
(1 x)
ny
dx
=
_
1
0
xn
n
y=0
_
n 1
y 1
_
x
y1
(1 x)
ny
dx
=
_
1
0
xn(x + 1 x)
n1
dx = n
_
1
0
xdx =
n
2
.
Por outro lado, E[Y [ X = x] = nx, ou seja, E[Y [ X] = nX, logo
E[E[Y [ X]] = E[nX] =
n
2
.
Exerccio 5.7. Sejam X e Y v.a.s independentes tais que X U [0, 2] e Y
U [1, 1].
(a) Calcule E [X[X + Y 2].
(b) Calcule E [X[X + Y ].
(c) Calcule E [X[X + Y = 2].
Exerccio 5.8. Seja X
1
, X
2
, . . . .uma seqncia de variveis aleatrias independentes
e identicamente distribudas e seja N uma varivel aleatria inteira e no-negativa
independente da seqncia X
1
, X
2
, . . . . Seja Y =
N
i=1
X
i
. Mostre que
E [Y ] = E [N] E [X] .
Exerccio 5.9. Sejam Y
1
, Y
2
, . . . , Y
n
variveis aleatrias no-negativas i.i.d. Mostre
que
E [Y
1
+ Y
2
+ + Y
k
[Y
1
+ Y
2
+ + Y
n
= y] =
k
n
y, k = 1, 2, . . . , n.
Exerccio 5.10. Um nmero no-negativo X escolhido com densidade f
X
(x) =
xe
x
para x > 0. Se X = x, um nmero Y escolhido no intervalo [0, x]. Ache
P(X + Y 2).
5.6 Exerccios
Exerccio 5.11. Considere X e Y i.i.d. Bernoulli(p). Calcule E(X+Y [Y ) e escreva
essa varivel aleatria como uma funo da v.a. Y , de duas formas diferentes:
(a) usando P(X+Y = k[Y ) e aplicando a denio de esperana condicional dada
uma partio.
(b) usando a linearidade da esperana condicional, a independncia entre X e Y
e o fato de que Y T
Y
-mensurvel.
Exerccio 5.12. Dadas X e Y i.i.d. assumindo nitos valores 0, . . . , n, mostre
que
E(X[X + Y ) = E(Y [X + Y ) =
X + Y
2
.
(Sugesto: para obter a primeira igualdade, escreva a denio de esperana condici-
onada partio T
X+Y
, desenvolva essa expresso para depois usar a independncia
e o fato de X e Y terem mesma distribuio. Para obter a segunda igualdade, some
os dois lados da primeira igualdade.)
Exerccio 5.13. A varincia condicionada a uma partio denida de forma
anloga varincia de uma varivel aleatria:
V (X[T) = E
_
[X E (X[T)]
2
T
_
.
Mostre que
V (X[T) = E
_
X
2
[T
_
[E (X[T)]
2
.
(Sugesto: desenvolva a denio dada acima de forma semelhante ao que se faz
para mostrar que V X = EX
2
(EX)
2
. Em algum momento voc vai ter que usar
o fato de que E(X[T) uma varivel aleatria T-mensurvel.)
Exerccio 5.14. Se X uma varivel aleatria limitada denida em (, T, P) e T
uma partio de (, T), mostre que
V X = E[V (X[T)] +V [E(X[T)].
(Sugesto: desenvolva o lado direito usando o Exerccio 5.13.)
Exerccio 5.15. Se X e Y so variveis aleatrias limitadas e denidas em (, T, P)
e T uma partio, ento mostre que
E [ X E (Y [T) ] = E [ Y E (X[T) ] .
(Dica: use o Teorema 5.12.)
5.6. EXERCCIOS 75
Exerccio 5.16. Sejam X e Y variveis aleatrias limitadas em (, T, P) e T uma
partio. Se
E(Y
2
[T) = X
2
, E(Y [T) = X,
mostre que X = Y quase certamente, isto , P(X = Y ) = 1.
(Sugesto: calcule E [(X Y )
2
] em duas etapas e justique por que X T-
mensurvel.)
Exerccio 5.17. [Jam04, Captulo 4]. Recomendados: 1, 9, 15, 16b, 32, 40.
Captulo 6
Convergncia de Variveis
Aleatrias
Considere um experimento devidamente modelado por um espao de probabilidade
(, T, P). Neste espao vamos considerar uma seqncia de variveis aleatrias
X
1
, X
2
, X
3
, . . . . Em inmeras situaes tericas e prticas, uma pergunta natural
qual o comportamento de longo prazo da seqncia (X
n
)
n
. Dito de outra forma:
quais as propriedades estatsticas de X
N
, sendo N sucientemente grande?
Tratando-se de variveis aleatrias, o conceito de convergncia uma generaliza-
o do conceito de convergncia para nmeros reais. Entretanto, existem vrias
possveis formas de se fazer essa generalizao, e cada forma a mais natural
em determinado contexto. No caso de variveis aleatrias degeneradas, todas as
denies so equivalentes convergncia de nmeros reais.
Em [Jam04], as convergncias quase certa e em probabilidade so vistas na
Seo 5.1, a convergncia em distribuio vista na Seo 6.2 e a convergncia em
mdia r no considerada. A referncia mais completa sobre convergncia [Mag11,
Seo 6.2]. Para o Lema de Borel-Cantelli recomenda-se [Jam04, Seo 5.2]. Para
uma reviso sobre convergncia de seqncias e sries de nmeros reais pode-se
consultar [Rg10, Captulo 1].
6.1 Lema de Borel-Cantelli
Comeamos denindo o liminf e o limsup de uma seqncia de eventos.
Denio 6.1 (limsup e liminf de eventos). Dada uma seqncia de eventos
aleatrios A
n
, denimos o evento limsup A
n
, denotado por [A
n
innitas vezes]
ou [A
n
i.v.], por
limsup
n
A
n
=
n=1
_
k=n
A
k
.
77
78 CAPTULO 6. CONVERGNCIA DE VARIVEIS ALEATRIAS
Denimos o evento liminf A
n
, denotado por [A
n
eventualmente], por
liminf
n
A
n
=
_
n=1
k=n
A
k
.
importante entender as seguintes interpretaes:
limsup A
n
o conjunto dos s tais que pertence a innitos A
n
s.
O evento limsup A
n
signica A
n
acontece innitas vezes.
liminf A
n
o conjunto dos s tais que pertence a todos os A
n
s exceto uma
quantidade nita deles.
O evento liminf A
n
signica A
n
acontece para todo n grande.
De fato, limsup A
n
T e liminf A
n
T. Vale tambm que
liminf A
n
limsup A
n
e
liminf(A
c
n
) = (limsup A
n
)
c
.
Exemplo 6.2. Exemplo: = R, A
n
=
_
_
_
(1/n, 1], n mpar,
(1, 1/n], n par.
Temos
limsup A
n
=
n=1
_
k=n
A
k
=
n=1
(1, 1] = (1, 1]
e
liminf A
n
=
_
n=1
k=n
A
k
=
_
n=1
0 = 0.
Exerccio 6.1. Sejam um espao de probabilidade (, T, P) e uma seqncia de
eventos aleatrios (A
n
) em T.
Mostre que, se (A
n
) crescente, ento limsup A
n
= liminf A
n
=
n=1
A
n
. Por
outro lado, se (A
n
) decrescente, ento limsup A
n
= liminf A
n
=
n=1
A
n
.
Exerccio 6.2. Considere o espao de probabilidade (R
2
, B
2
, P), no qual P uma
probabilidade arbitrria. Se A
n
= (x, y) R
2
: 0 x n, 0 y
1
n
, encontre
limsup A
n
e liminf A
n
.
Exerccio 6.3. Considere a seqncia de intervalos
A
n
=
_
_
_
(0, 2 +
1
n
), n par
(0, 2
1
n
), n mpar.
Encontre o liminf A
n
e o limsup A
n
.
6.1. LEMA DE BOREL-CANTELLI 79
Teorema 6.3 (Lema de Borel-Cantelli). Seja (, T, P) um espao de probabili-
dade e (A
n
) uma seqncia de eventos aleatrios. Ento:
1. Se

n=1
P(A
n
) < ento
P(A
n
innitas vezes) = 0.
2. Se

n=1
P(A
n
) = e os eventos A
n
so independentes, ento
P(A
n
innitas vezes) = 1.
Exemplo 6.4. Considere a seqncia de innitos sorteios independentes e uniformes
de um nmero (x
n
) entre 0 e 1.
1. P(x
n
[0, 1/n] para innitos ns) = 1.
2. P(x
n
[0, 1/n
2
] para innitos ns) = 0.
Caso os eventos A
n
no sejam independentes, podemos ter P(A
n
i.v.) = 0 sem
que necessariamente tenhamos

n
P(A
n
) < . Neste caso podemos armar pelo
menos que P(A
n
) 0.
Teorema 6.5 (Lema de Fatou). Para qualquer seqncia (A
n
)
n
de eventos vale
P(liminf
n
A
n
) liminf
n
P(A
n
).
Demonstrao. Para qualquer k N e m k temos
n=k
A
n
A
m
,
logo
P
_

n=k
A
n
_
P(A
m
)
e portanto
P
_

n=k
A
n
_
inf
mk
P(A
m
).
Como (
n=k
A
n
)
k
uma seqncia crescente de eventos, temos que
P (liminf
n
A
n
) = P
_

_
k=0
_

n=k
A
n
__
= lim
k
P
_

n=k
A
n
_
lim
k
inf
nk
P(A
n
).
O ltimo termo igual a liminf
n
P(A
n
), o que termina a prova.
Corolrio 6.6. Se P(A
n
i.v.) = 0 ento P(A
n
) 0.
Demonstrao. Aplicando o Teorema 6.5 para a seqncia (A
c
n
)
n
temos que
limsup
n
P(A
n
) = 1 liminf
n
P(A
c
n
) 1 P(liminf
n
A
c
n
) = P(limsup
n
A
n
) = 0,
donde segue o resultado.
6.2 Tipos de Convergncia
Sejam X e X
n
n1
variveis aleatrias denidas num mesmo espao de probabili-
dade (, T, P).
Denio 6.7. Dizemos que X
n
converge em probabilidade para X, denotado
por X
n
P
X, se para todo > 0
P [X
n
X[ 0, quando n .
1
, X
2
, . . . v.a.s independentes, tais que P (X
n
= 1) =
1
n
e
P (X
n
= 0) = 1
1
n
. Mostre que X
n
P
0.
1
, X
2
, . . . v.a.s independentes, identicamente distribudas
com distribuio exp(1). Dena
Y
n
=
X
n
ln n
para n > 1. Mostre que Y
n
P
0.
n
converge quase certamente para X, denotado
por X
n
q.c.
X, se
P X
n
X, quando n = 1,
ou seja, o evento A
0
= : X
n
() X() de probabilidade 1.
Observao 6.11. Observe que a convergncia quase certa uma convergncia
pontual num conjunto de medida 1, ou seja, X
n
() X() para quase todo ,
exceto aqueles dentro de um conjunto de medida nula. Por outro lado convergncia
em probabilidade no diz respeito convergncia pontual, ela apenas arma que
para valores grandes de n as variveis X
n
e X so aproximadamente iguais com
probabilidade bem alta.
6.2. TIPOS DE CONVERGNCIA 81
Exemplo 6.12. Seja = [0, 1]. Um ponto selecionado aleatoriamente do intervalo
[0, 1] e seja a seqncia de variveis aleatrias dada por
X
n
() = +
n
.
Mostre que X
n
q.c.
X com X U [0, 1]. Observe tambm que X
n
(1),X(1). Mas
P : X
n
() , X(), quando n = 0.
Proposio 6.13. X
n
q.c.
X se, e somente se,
P
_
[X
n
X[ i.v.
_
= 0 > 0.
Exerccio 6.4. Prove a proposio acima.
n
converge para X em L
p
, que denotamos por
X
n
Lp
X, se
lim
n
E [X
n
X[
p
= 0.
Quando p = 2, a convergncia dita em mdia quadrtica.
1
, X
2
, . . . v.a.s independentes, tais que P (X
n
= 1) =
1
n
e
P (X
n
= 0) = 1
1
n
. Mostre que X
n
Lp
0, para todo p.
Denio 6.16. Sejam X
n
; n 1 e X variveis aleatrias com funes de
distribuio F
n
; n 1 e F, respectivamente. Dizemos que X
n
converge em
distribuio para X, que denotamos por X
n
d
X, se para todo ponto x em que
F contnua, tivermos
lim
n
F
n
(x) = F(x).
Exemplo 6.17. Seja X
n
; n 1 uma seqncia de v.a. independentes com
distribuio uniforme em (0, b), b > 0. Dena Y
n
= max(X
1
, X
2
, . . . , X
n
) e Y = b.
Ento verique que Y
n
d
Y .
Exemplo 6.18. Seja X
n
=
1
n
para n 1 e X = 0. Mostre que X
n
d
X, embora
lim
n
F
n
(0) = 0 ,= 1 = F(0). Mas como 0 no ponto de continuidade de F, isto
no problema.
6.3 Relao entre os Tipos de Convergncia
Proposio 6.19. Se X
n
q.c.
X ento X
n
P
X.
Demonstrao. Para qualquer > 0, pela Proposio 6.13 temos que
P([X
n
X[ i.v.) = 0,
logo segue do Corolrio 6.6 que P([X
n
X[ ) 0, ou seja, X
n
P
X.
Proposio 6.20. Se X
n
P
X ento existe uma subseqncia n
k
tal que
X
n
k
q.c.
X.
Ideia da prova. Como P([X
n
X[ ) 0 pode-se tomar uma subseqncia n
k
tal
que

k
P([X
n
k
X[ ) < , e usar um argumento anlogo ao do Exerccio 6.9.
Corolrio 6.21. O limite em probabilidade nico: se X

n
P
X e X
n
P
Y ento
P(X = Y ) = 1.
Demonstrao. Tome uma subseqncia n
k
tal que X
n
k
q.c.
X e uma subseqncia
n
k
j
tal que X
n
k
j
q.c.
Y . Para todo na interseo desses dois eventos quase certos
A = [X
n
k
X] e B = [X
n
k
j
Y ] temos que [X = Y ]. Como P(A) = P(B) = 1
implica P(A B) = 1, temos que P(X = Y ) P(A B) = 1.
Proposio 6.22. Se X
n
P
X ento X
n
d
X.
Proposio 6.23. Se X
n
d
c para c R constante, ento X
n
P
c.
Proposio 6.24. Sejam p 1 e s 0. Se X
n
L
p+s
X ento X
n
Lp
X.
Demonstrao. Fazendo q = p + s, pela Desigualdade de Jensen temos
_
E
X
n
X
p
_1
p
_
E
X
n
X
q
_1
q
0.
Proposio 6.25. Seja p 1. Se X
n
Lp
X ento X
n
P
X.
Ideia da prova. Pela desigualdade de Markov
P([X
n
X[ )
p
E([X
n
X[
p
) 0.
Proposio 6.26. Seja p 1. Se X
n
P
X e existe Y tal que EY
p
< e [X
n
[ Y
para todo n, ento X
n
Lp
X.
6.4. EXERCCIOS 83
Ideia da prova. Para qualquer subseqncia n
k
, tome uma subseqncia n
k
j
tal que
X
n
k
j
X
q.c.
0. Como [X
n
k
j
X[
p
([X
n
k
j
[ + [X[)
p
(2Y )
p
que integrvel,
pelo Teorema da Convergncia Dominada temos que E([X
n
k
j
X[
p
) 0. Como
isso sempre vale para alguma subseqncia de uma seqncia arbitrria n
k
, temos
que E([X
n
X[
p
) 0.
Observao 6.27. No h qualquer relao de implicao entre convergncia quase
certa e convergncia em L
p
, a no ser no caso dominado ou por subsequencias.
Completamos assim o diagrama de implicaes da Figura 6.1.
q.c.
P
3
subseqncia
Y
caso dominado
.y
d
constante
.|
L
p+s
3
L
p
I
Figura 6.1: Diagrama de implicaes entre os tipos de convergncia.
6.4 Exerccios
Exerccio 6.5. [Jam04, Captulo 5]. Recomendados: 5, 6, 7, 9, 10.
Exerccio 6.6. Seja (A
n
)
n
uma seqncia de eventos em (1
An
)
n
a seqncia
de variveis aleatrias indicadoras das ocorrncias dos eventos correspondentes.
Encontre uma condio sobre as probabilidades P(A
n
) para que 1
An
P
0.
Exerccio 6.7. Considere o espao de probabilidade ([0, 1], B, P) com P dado pela
medida de comprimento, e a seqncia de variveis aleatrias (X
n
)
n
dadas por
X
n
() =
_
_
_
n, w <
1
n
,
0, w
1
n
.
Verique respectivamente se X
n
d
X, X
n
P
X, X
n
q.c.
X, X
n
L
2
X, X
n
L
1
X,
para alguma varivel aleatria X.
Exerccio 6.8. Seja (X
n
)
n
uma seqncia de variveis aleatrias independentes
com distribuio uniforme em [0, 1], e Y
n
= maxX
1
, . . . , X
n
. Encontre a funo
de distribuio de Y
n
e o limite em distribuio desta seqncia.
Exerccio 6.9. Sejam (X
n
)
n
variveis aleatrias tais que
n=1
P
_
[X
n
[ >
_
<
para qualquer > 0. Mostre que
X
n
q.c.
0.
Mostre que tambm vale a recproca no caso de as X
n
serem independentes.
n
, n N, variveis aleatrias independentes tais que
X
n
Bernoulli(p
n
). Estude as condies sobre (p
n
) para que:
1. X
n
P
0.
2. X
n
q.c.
0.
n
)
n
uma seqncia i.i.d. Mostre que
X
n
n
q.c.
0
se e somente se E[X
1
[ < .
n
)
n
uma seqncia i.i.d. Mostre que
X
n
n
q.c.
0
se e somente se E[X
1
[
2
< .
n
)
n
uma seqncia i.i.d. com distribuio exp(1). Mostre
que
P (X
n
2 log n i.v.) = 0.
n
)
n
uma seqncia i.i.d. com distribuio Poisson().
Mostre que
X
n
log n
q.c.
0.
Sugesto: mostre antes que Ee
X
1
/
< .
n
)
n
uma seqncia i.i.d. de variveis aleatrias no-
negativas com EX
2
1
< . Mostre que
P
_

n=1
X
n
n
2
<
_
= 1
Exerccio 6.16. [Jam04, Captulo 6]. Recomendados: 15, 19.
Captulo 7
Funo Geradora de Momentos e
Funo Caracterstica
A funo geradora de momentos e a funo caracterstica esto entre os exemplos
mais importantes de transformadas. A ideia geral de transformada mapear certos
objetos em objetos de outro tipo e outras propriedades, onde certas anlises so
possivelmente mais fceis, o que car claro nos exemplos seguintes. A funo
geradora de momentos a instncia da Transformada de Laplace de uma distribuio
em R, e a funo caracterstica a Transformada de Fourier.
A funo caracterstica e o Teorema da Continuidade so vistos em [Jam04,
Sees 6.16.2]. A funo geradora de momentos vista nesta apostila, e o leitor
mais interessado pode consultar [Mag11, Seo 5.4].
7.1 Funo Geradora de Momentos
Denio 7.1. Seja X uma varivel aleatria. Dene-se a funo geradora de
momentos M
X
(t) de X, como
M
X
(t) = E[e
tX
],
desde que a esperana seja nita para todo t em algum intervalo [b, b]. Caso
contrrio dizemos que X no possui funo geradora de momentos.
85
86 CAPTULO 7. F.G.M. E FUNO CARACTERSTICA
Assim,
M
X
(t) =
i=1
e
tx
i
P(X = x
i
) se X v.a.d.
M
X
(t) =
_

e
tx
f
X
(x)dx se X v.a.c.
Exerccio 7.1. Seja X a varivel aleatria que conta o nmero de lanamentos de
uma moeda honesta at que ocorra a primeira cara. Ache a funo geradora de
momentos de X.
Exerccio 7.2. Se X tem funo geradora de momentos M
X
(t) e se Y = aX + b,
ento M
Y
(t) = e
bt
M
X
(at).
Proposio 7.2. Se X tem funo geradora de momentos M
X
(t), ento
d
k
dt
k
M
X
(t)
t=0
= E[X
k
].
Exerccio 7.3. No Exerccio 7.1, use a funo geradora de momentos para calcular
EX e V X.
Proposio 7.3 (Unicidade). A funo geradora de momentos dene de forma
unvoca a distribuio da varivel aleatria, ou seja, dada M(t) existe apenas uma
funo de distribuio F(x) que a gera.
Teorema 7.4 (Variveis Aleatrias Independentes). Sejam X
1
, X
2
, . . . , X
n
v.a.s
independentes e para i = 1, 2, . . . , n, seja M
X
i
(t) a funo geradora de momentos de
X
i
. Seja Y = X
1
+ X
2
+ + X
n
, ento para todo valor de t tal que M
X
i
(t) existe
para i = 1, 2, . . . , n, temos
M
Y
(t) =
n
i=1
M
X
i
(t).
Exemplo 7.5. Suponha um experimento realizado uma nica vez tendo probabi-
lidade p de sucesso e q = 1 p de fracasso. Denote a varivel aleatria X = 0 se
fracasso ocorre e X = 1 se sucesso ocorre. Ento a varivel aleatria X dita ter
distribuio de Bernoulli com parmetro p, representado por X Bernoulli(p), e
sua funo de probabilidade dada por
P(X = x) = p
x
(1 p)
1x
, x = 0, 1.
7.1. FUNO GERADORA DE MOMENTOS 87
Assim se X Bernoulli(p), ento
M
X
(t) = pe
t
+ q,
EX = p,
V X = pq.
Exemplo 7.6. Sejam n ensaios independentes de Bernoulli, cada um tendo a mesma
probabilidade p de sucesso e q = 1 p de fracasso. Seja X a varivel aleatria que
conta o nmero de sucessos nas n realizaes. A varivel aleatria X dita ter
distribuio Binomial com parmetros n e p, denotado por X b(n, p), e sua
funo de probabilidade dada por
P(X = x) =
_
n
x
_
p
x
q
nx
, x = 0, 1, 2, 3, . . . , n.
(a) Se X b(n, p), ento
M
X
(t) = (pe
t
+ q)
n
,
EX = np,
V X = npq.
(b) Se X
i
Bernoulli(p), para i = 1, 2, . . . , n, independentes, ento X = X
1
+
X
2
+ + X
n
b(n, p).
(c) Se X
i
b(n
i
, p), para i = 1, 2, . . . , k, independentes, ento X = X
1
+ X
2
+
+ X
k
b(
k
i=1
n
i
, p).
Exemplo 7.7. Sejam ensaios sucessivos e independentes de Bernoulli, cada um
tendo a mesma probabilidade p de sucesso e q = 1p de fracasso. Seja X a varivel
aleatria que conta o nmero de realizaes at que o primeiro sucesso ocorra. A
varivel aleatria X dita ter distribuio Geomtrica com parmetro p, denotado
por X Geo(p), e sua funo de probabilidade dada por
P(X = x) = q
x1
p, x = 1, 2, 3, 4, . . .
Assim, se X Geo(p), ento
M
X
(t) =
pe
t
1 qe
t
, para t < ln q
EX =
1
p
,
V X =
q
p
2
.
Exemplo 7.8. Denotemos por Poisson() a distribuio de Poisson com parmetro
.
(a) Se X Poisson(), ento
M
X
(t) = e
(e
t
1)
,
EX = ,
V X = .
(b) Se X
i
Poisson(
i
), para i = 1, 2, . . . , n, independentes, ento X = X
1
+
X
2
+ + X
n
Poisson(
n
i=1
i
).
7.2 Funo Caracterstica
Do ponto de vista terico, a funo caracterstica bem mais robusta e funcional que
a funo geradora de momentos: est denida para qualquer distribuio; sempre
determina a distribuio; determina tambm a convergncia em distribuio; no
bastasse, ainda gera momentos.
Entretanto, uma desvantagem faz com que, na prtica, muitos preram trabalhar
com a funo geradora de momentos: a funo caracterstica envolve a manipulao
de nmeros complexos.
1
Denio 7.9. Uma varivel aleatria complexa X uma funo X : C
tal que X = X
1
+ iX
2
, onde (X
1
, X
2
) um vetor aleatrio real.
Se X
1
e X
2
so integrveis, denimos
EX = EX
1
+ iEX
2
.
A integrao de funes complexas em domnios reais pode ser feita, para todos
os ns prticos, como no caso real. Por exemplo, X = g(Y ) = g
1
(Y ) + ig
2
(Y ), Y
1
Apesar do mito em torno das funes caractersticas, seu uso no requer conhecimentos de
clculo em uma varivel complexa. Isso porque as integrais so calculadas em dx para x R e no
em dz para caminhos C. Mais precisamente,
_
b
a
F
(x)dx = F(b) F(a) mesmo que F e F
assumam valores complexos. Usaremos sem demonstrao os seguintes fatos:
n
z
n
n!
= e
z
, (e
g
)
= g
e
g
,
_
1 +
z
n
n
_
n
e
z
se z
n
z.
Entretanto, as nicas situaes em que teramos que sair de R e usar argumentos tpicos de variveis
complexas, em particular
_
f(z)dz = 0, seriam na obteno da funo caracterstica da Normal e

da distribuio de Cauchy.
7.2. FUNO CARACTERSTICA 89
v.a., dene uma varivel aleatria complexa, cuja esperana pode ser calculada por
EX =
_
+
g
1
(y)dF(y) +i
_
+
g
2
(y)dF(y).
Lembramos ainda a frmula de Euler:
e
ix
= cos(x) +i sen(x)
Denio 7.10. A funo caracterstica de uma varivel aleatria X, denotada
por
X
, a funo
X
: R C denida como
X
(t) = Ee
itX
= E cos(tX) +iE sen(tX), t R.
Exemplo 7.11. Se X U[a, b], ento
X
(t) = E[e
itX
] = E[cos(tX)] +iE[sen(tX)]
=
_
b
a
cos(tx)
1
b a
dx + i
_
b
a
sen(tx)
1
b a
dx
=
1
t(b a)
sen(tx)
b
a
i
t(b a)
cos(tx)
b
a
=
1
t(b a)
[sen(tb) sen(ta) i cos(tb) +i cos(ta)]
=
ie
itb
+ ie
ita
t(b a)
=
e
itb
e
ita
it(b a)
.
Ou, mas rpido:
X
(t) =
_
b
a
e
itx
1
b a
dx =
1
b a
1
it
_
e
itx
b
a
_
=
e
itb
e
ita
it(b a)
.
Exemplo 7.12. Se X Poisson(), ento:
X
(t) = E[e
itX
] =
n=0
e
itn
e
n
n!
= e
n=0
(e
it
)
n
n!
= e
e
e
it
= e
(e
it
1)
.
Proposio 7.13. Propriedades da funo caracterstica:
1. [(t)[ (0) = 1.
2. uniformemente contnua em R.
3. Se a, b R, ento
aX+b
(t) = e
itb
X
(at).
4. Se X e Y so independentes, ento
X+Y
(t) =
X
(t)
Y
(t).
5.
X
tambm gera momentos:
d
n
dt
n
X
(t)
t=0
= i
n
E(X
n
), se E[X[
n
< .
6. Se E[X[
n
< , ento
X
(t) = (0) +
(0)t +
(0)
t
2
2
+
(0)
t
3
6
+ +
(n)
t
n
n!
+ r
n
(t)
= 1 +i(EX)t
EX
2
2
t
2
i
EX
3
6
t
3
+ + i
n
EX
n
n!
t
n
+ r
n
(t),
onde o resto r
n
(t) pequeno:
rn(t)
t
n

t0
0.
Exemplo 7.14 (Poisson). Feito em aula.
Proposio 7.15 (Unicidade). Se
X
(t) =
Y
(t) t R, ento X Y .
Exemplo 7.16 (Soma de Poissons independentes). Feito em aula.
Convergncia em distribuio O Teorema de Continuidade relaciona conver-
gncia de funes caractersticas com convergncia em distribuio.
Teorema 7.17 (Teorema da Continuidade (Paul Lvy)). Seja (X
n
)
n
uma
seqncia de variveis aleatrias e (
n
)
n
a seqncia das funes caractersticas
correspondentes. Se
n
(t) (t) t R,
e contnua em t = 0, ento
X
n
d
X,
onde X uma varivel aleatria tal que
X
= .
Exemplo 7.18 (Binomial converge a Poisson). Feito em aula.
7.3 Exerccios
Exerccio 7.4. Se X ^(0, 1), calcule M
X
(t). Mostre que EX = 0. Mostre que
V X = 1. (Sugesto: verique que (z
2
2tz) = t
2
(z t)
2
e faa z t = u.)
Exerccio 7.5. Mostre que a soma de n variveis aleatrias independentes normal-
mente distribudas , por sua vez, normalmente distribuda com mdia dada pela
soma das n mdias e varincia dada pela soma das n varincias.
7.3. EXERCCIOS 91
1
, X
2
, X
2
, . . . independentes, S
n
= X
1
+ X
2
+ + X
n
e
S
n
=
X
1
+X
2
++Xn
n
Mostre as seguintes propriedades:
(a) Se X ^(,
2
), ento Z =
X
^(0, 1).
(b) Assim, se X ^(,
2
), ento
m
X
(t) = e
t+
1
2
2
t
2
E(X) =
V X =
2
.
(c) Se X
i
^(
i
,
2
i
), ento S
n
^(
n
i=1
i
,
n
i=1
2
i
).
(d) Se X
i
^(,
2
), ento S
n
^(n, n
2
).
(e) Se X
i
^(,
2
), ento

S
n
^(,

2
n
).
Exerccio 7.7. A distribuio dos comprimentos dos elos da corrente de bicicleta
normal, com mdia 2 cm e varincia 0, 01 cm
2
. Para que uma corrente se ajuste
bicicleta, deve ter comprimento total entre 58 e 61 cm. Qual a probabilidade de
uma corrente com 30 elos no se ajustar bicicleta?
Exerccio 7.8. As duraes de gravidez tm distribuio normal com mdia de 268
dias e desvio-padro de 15 dias.
(a) Selecionada aleatoriamente uma mulher grvida, determine a probabilidade
de que a durao de sua gravidez seja inferior a 260 dias.
(b) Se 25 mulheres escolhidas aleatoriamente so submetidas a uma dieta especial
a partir do dia em que engravidam, determine a probabilidade de os prazos de
durao de suas gravidezes terem mdia inferior a 260 dias (admitindo-se que a
dieta no produza efeito).
(c) Se as 25 mulheres tm realmente mdia inferior a 260 dias, h razo de
preocupao para os mdicos de pr-natal? Justique adequadamente.
Exerccio 7.9. O peso de uma determinada fruta uma varivel aleatria com
distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas.
Determine a probabilidade de um lote contendo 100 unidades dessa fruta pesar
mais que 21 kg.
Exerccio 7.10. Um elevador pode suportar uma carga de 10 pessoas ou um peso
total de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus
pesos so normalmente distribudos com mdia 165 libras e desvio-padro de 10
libras, qual a probabilidade de que o peso limite seja excedido para um grupo de 10
homens escolhidos aleatoriamente?
Exerccio 7.11. Se X U[a, b], calcule M
X
(t). Use a funo geradora de momentos
para calcular EX e V X.
Exerccio 7.12. As cinco primeiras repeties de um experimento custam R$ 10, 00
cada. Todas as repeties subseqentes custam R$ 5, 00 cada. Suponha que o
experimento seja repetido at que o primeiro sucesso ocorra. Se a probabilidade de
sucesso de uma repetio igual a 0, 9, e se as repeties so independentes, qual
custo esperado da operao?
Exerccio 7.13. Se X exp(), calcule M
X
(t). Use a funo geradora de
momentos para calcular EX e V X.
Exerccio 7.14. Seja Y uma varivel aleatria contnua com funo de densidade
de probabilidade dada por
f
Y
(y) =
_
ye
y
, se y > 0
0, caso contrrio
Ache a funo geradora de momentos de Y e use-a para calcular EY e V Y .
Exerccio 7.15. Se X ^(0, 1), calcule
X
(t).
Voc pode usar o seguinte fato, da teoria do clculo em uma varivel complexa:
_
+
e
(w+ci)
2
dw =
_
+
e
w
2
dw
para qualquer c R.
Exerccio 7.16. Se X ^(,
2
), calcule
X
(t).
Recomendados: 1, 2, 3, 4, 7, 9, 13a, 14, 17, 18, 21, 29.
Captulo 8
Lei dos Grandes Nmeros e
Teorema Central do Limite
A referncia para os assuntos deste captulo [Jam04, Captulos 5 e 7]. Porm
faremos aqui uma exposio simplicada desses assuntos, enquanto o livro-texto os
trata com um nvel de profundidade que est fora dos objetivos deste curso.
8.1 Leis dos Grandes Nmeros
Sejam X
1
, X
2
, . . . v.a.s integrveis em (, T, P) e S
1
, S
2
, . . . suas somas parciais
dadas por
S
n
= X
1
+ X
2
+ + X
n
.
Denio 8.1. X
1
, X
2
, . . . satisfazem a Lei Fraca dos Grandes Nmeros se para
todo > 0 temos
P
_
S
n
ES
n
n

_
0, quando n ,
ou seja, se
S
n
ES
n
n
P
0.
Denio 8.2. X
1
, X
2
, . . . satisfazem a Lei Forte dos Grandes Nmeros se para
todo > 0 temos
P
_
lim
n
S
n
ES
n
n
= 0
_
= 1 ,
ou seja, se
S
n
ES
n
n
q.c.
0.
Teorema 8.3 (Lei Fraca de Tchebyshev). Sejam X
1
, X
2
, . . . v.a.s no-correlacionadas
dois a dois com varincias nitas e uniformemente limitadas (isto , existe c nito,
93
94 CAPTULO 8. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE
tal que para todo n V X
n
< c). Ento X
1
, X
2
, . . . satisfazem a Lei Fraca dos Grandes
Nmeros:
S
n
ES
n
n
P
0.
Demonstrao. Exerccio. Basta usar a segunda desigualdade de Tchebyshev.
Corolrio 8.4 (Lei dos Grandes Nmeros de Bernoulli). Considere uma seqncia
de ensaios binomiais independentes tendo a mesma probabilidade p de sucesso em
cada ensaio. Se S
n
o nmero de sucessos nos primeiros n ensaios, ento
S
n
n
P
p.
Teorema 8.5 (Lei Fraca de Khintchine). Sejam X
1
, X
2
, . . . v.a.s independentes,
identicamente distribudas e integrveis, com mdia . Ento X
1
, X
2
, . . . satisfazem
a Lei Fraca dos Grandes Nmeros:
S
n
n
P
.
Demonstrao. Utilizamos o Teorema de Paul Lvy. Primeiramente, como as X
n
so i.i.d., temos
Sn
n
(t) =
_
X
1
_
t
n
__
n
=
_
1 +i
t
n
+ r
1
_
t
n
_
_
n
,
onde r
1
() tal que
r
1
(w)
w
0 quando w 0. Segue que Sn
n
(t) e
it
quando
n , para todo t R. Pelo Teorema 7.17,
Sn
n
d
e, como constante, isso
o mesmo que
Sn
n
P
.
Teorema 8.6 (Lei Forte de Kolmogorov). Sejam X
1
, X
2
, . . . v.a.s independentes,
identicamente distribudas e integrveis, com EX
n
= . Ento X
1
, X
2
, . . . satisfa-
zem a Lei Forte dos Grandes Nmeros:
S
n
n
q.c.
.
Demonstrao. Em aula, seguindo [Jam04, Seo 5.3].
8.2 Teorema Central do Limite
Teorema 8.7 (Teorema Central do Limite para variveis aleatrias i.i.d.). Seja
X
n
; n 1 uma seqncia de v.a.s i.i.d., com mdia comum e varincia comum
2
, onde 0 <
2
< . Seja S
n
= X
1
+ X
2
+ + X
n
. Ento
S
n
ES
n
V S
n
d
^(0, 1),
8.3. EXERCCIOS 95
isto ,
S
n
n
n
d
^(0, 1).
Demonstrao. Utilizamos o Teorema de Paul Lvy. Supomos sem perda de
generalidade que = 0. Como as X
n
so i.i.d., temos
Sn
n
(t) =
_
X
1
_
t
n
__
n
=
_
1
t
2
n
+ r
2
_
t
n
_
_
n
,
onde r
2
() tal que
r
2
(w)
w
2
0 quando w 0. Segue que Sn
n
(t) e
t
2
quando
n , para todo t R. Pelo Teorema 7.17,
Sn
n
d
^.
Observao 8.8. Se X
1
, X
2
, . . . , X
n
uma seqncia de variveis aleatrias inde-
pendentes de Bernoulli com parmetro p, ento sabemos que
S
n
= X
1
+ X
2
+ + X
n
b(n, p).
Assim, pelo Teorema Central do Limite, para n sucientemente grande S
n
pode ser
aproximada por uma distribuio Normal, j que
S
n
np
npq
^(0, 1).
Ou de outra forma
S
n
^(np, npq).
Exemplo 8.9. Um par de dados honestos lanado 180 vezes por hora (aproxima-
damente).
(a) Qual a probabilidade aproximada de que 25 ou mais lanamentos tenham
tido soma 7 na primeira hora?
(b) Qual a probabilidade aproximada de que entre 700 e 750 lanamentos tenham
tido soma 7 durante 24 horas?
8.3 Exerccios
Observao 8.10. As questes sobre a Lei Forte dos Grandes Nmeros, por
tratarem de eventos que devem acontecer com probabilidade 1, em geral envolvem
o uso do Lema de Borel-Cantelli.
n
)
n
uma seqncia de variveis aleatrias i.i.d. com EX
4
1
<
. Mostre que essa seqncia satisfaz a Lei Forte dos Grandes Nmeros.
(Dica: supondo que EX
1
= 0, mostre que ES
4
n
= nEX
4
1
+
_
4
2
__
n
2
_
E(X
2
1
X
2
2
).)
96 CAPTULO 8. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE
n
)
n
com funes de probabilidade p
n
dadas por p
n
(n
2
) =
1
n
3
= 1p
n
(0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
n
)
n
com funes de probabilidade p
n
dadas por p
n
(n
2
) =
1
n
2
= 1p
n
(0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
Exerccio 8.4. [Jam04, Captulo 5]. Recomendados: 2, 3, 14.
Exerccio 8.5. Imagine um modelo idealizado com M eleitores, dos quais M
A
pretendem votar no candidato A. Suponha que seja possvel sortear um desses
eleitores ao acaso, e de forma equiprovvel. Denimos
X =
_
_
_
1, caso o eleitor sorteado v votar no candidato A,
0, caso contrrio.
Deseja-se estimar a proporo p =
M
A
M
de eleitores do candidato A, que
desconhecida. Para isso, repete-se este processo N vezes, obtendo-se X
1
, . . . , X
N
.
Para estimar o valor de p considera-se
p
N
=
X
1
+ + X
N
N
.
Supomos a priori que p bem prximo de
1
2
, de forma que V X
1
4
. Se entrevistamos
N = 2500 eleitores, calcule aproximadamente a probabilidade de essa pesquisa
cometer um erro [ p
N
p[ maior que 0, 01.
Exerccio 8.6. Use o Teorema Central do Limite para vericar que
lim
n
2 e
n
n
k=0
n
k
k!
= 1.
Exerccio 8.7. Se lanamos 10.000 vezes uma moeda honesta, calcule aproximada-
mente a probabilidade de que o nmero de vezes que se obtm coroa seja no mnimo
4.893 e no mximo 4.967.
Exerccio 8.8. [Jam04, Captulo 7]. Recomendados: 2 e 9.
Referncias Bibliogrcas
[Jam04] B. R. James, Probabilidade: Um Curso em Nvel Intermedirio, IMPA,
Rio de Janeiro, 3 ed., 2004.
[Mag11] M. N. Magalhes, Probabilidade e Variveis Aleatrias, Edusp, So
Paulo, 3 ed., 2011.
[Rg10] L. C. Rgo, Notas de Aula do Curso Probabilidade 4, Recife, 2010.
http://www.de.ufpe.br/~leandro/AulasET5842010-1.pdf.
[Roc09] N. Rocha, Apostila de Teoria das Probabilidades II, Rio de Janeiro, 2009.
http://www.lce.esalq.usp.br/arquivos/aulas/2011/LCE5806/apos_RJ_ProbabilidadeII.pdf.
[Shi96] A. N. Shiryaev, Probability, vol. 95 of Graduate Texts in Mathematics,
Springer-Verlag, New York, 2 ed., 1996.
97

Introdução À Probabilidade

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Introdução À Probabilidade

Transféré par

Droits d'auteur :

Formats disponibles

Introduo Probabilidade

tem distribuio normal padro.

em associa a cada uma

se, e somente se, vale a desigualdade para todas as coordenadas

um vetor aleatrio se, e somente se, suas coordenadas

. Chamaremos de lei do vetor aleatrio X

so ilustrados na Figura 3.1.

no-decrescente em cada uma de suas coordenadas.

contnua direita em cada uma de suas coordenadas.

pode ser escrita como F

, sua funo de distri-

discreto se e somente se suas coordenadas X

um vetor aleatrio discreto.

pode ser escrita como p

, sua funo de distribui-

so absolutamente contnuos se existe f

a funo de densidade conjunta de X

pode ser calculada por

absolutamente contnuo, ento

= (X, Y ). Encontre a funo de

(x, y). Verique que

(x, y) = 0 para todo par (x, y)

so absolutamente contnuas, mas o vetor X

um vetor aleatrio absolu-

pode ser escrita como f

absolutamente contnuo e assume valores em

dado por uma transformao Y

). Vamos considerar o caso em que

pode ser obtida a partir da densidade f

para qualquer f integrvel em A, onde A G

g(A)) dada por

0. Observe tambm que [X[ = X

for nita. Diremos que X integrvel se ambas EX

uma padronizao de X (tambm chamada de reduo ou normalizao de X).

P(X B[Y = y)dF

P(X t + [Y [y , y + ]) = 0 para < y t (verique!),

P(X [s, t+][Y [y, y+]) =

Corolrio 6.21. O limite em probabilidade nico: se X

(x)dx = F(b) F(a) mesmo que F e F

assumam valores complexos. Usaremos sem demonstrao os seguintes fatos:

f(z)dz = 0, seriam na obteno da funo caracterstica da Normal e

Vous aimerez peut-être aussi