Apostila Intr Prob

Introduo Probabilidade
Notas de Aula
Leonardo T. Rolla
Instituto de Matemtica Pura e Aplicada
Rio de Janeiro
15 de fevereiro de 2013
Apresentao
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. O texto aqui apresentado
uma verso expandida do contedo que foi passado no quadro-negro, alm de listas
de exerccios.
Os pr-requisitos formais 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, supremo de conjuntos, limites laterais e funes contnuas. No necessrio
qualquer outro tipo de conhecimento prvio em Anlise ou Probabilidade, mas o
curso exige dos alunos um certo nvel de maturidade e familiaridade com o uso da
lgica e demonstraes matemticas.
Estudaremos objetos como variveis aleatrias contnuas, ou uma seqncia de
variveis independentes com uma dada distribuio, etc., sem nos preocupar com
a prova da existncia desses objetos. Alguns resultados sero demonstrados para
casos particulares, assumindo por exemplo que um conjunto um intervalo, ou que
funes-teste tm a forma particular de polinmio ou funo trigonomtrica. Isso
possibilita uma introduo auto-contida e rigorosa da Probabilidade, e que evita
evocar a Teoria da Medida sempre que possvel.
Comentrios, crticas e correes so muito bem-vindos.
Rio de Janeiro, 15 de fevereiro 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 e Independncia . . . . . . . . . . . . . . . 11
1.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Variveis Aleatrias 19
2.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Distribuies Mistas e Singulares . . . . . . . . . . . . . . . . . . . . 29
2.5 Distribuio Condicional dado um Evento . . . . . . . . . . . . . . . 30
2.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Vetores Aleatrios 33
3.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Tipos de Vetores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Independncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . . 39
3.4 Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Esperana Matemtica 47
4.1 Variveis Aleatrias Simples . . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Esperana Matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3 Momentos, Varincia e Covarincia . . . . . . . . . . . . . . . . . . . 58
4.4 Desigualdades Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.5 Esperana Condicional dado um Evento . . . . . . . . . . . . . . . . 65
4.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5 Esperana Condicional 69
5.1 Esperana Condicional dada uma Partio . . . . . . . . . . . . . . . 69
5
6 SUMRIO
5.2 Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 74
5.3 Esperana Condicional Regular . . . . . . . . . . . . . . . . . . . . . 77
5.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6 Convergncia de Variveis Aleatrias 83
6.1 Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Convergncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . . 85
6.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7 Funo Geradora de Momentos e Funo Caracterstica 93
7.1 Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . 93
7.2 Funo Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8 Lei dos Grandes Nmeros e Teorema Central do Limite 101
8.1 Leis dos Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . . 101
8.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . 102
8.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Notao 107
Referncias Bibliogrcas 109
Captulo 1
Denies Bsicas
O objetivo deste curso introduzir o estudo formal dos Espaos de Probabilidade,
as variveis aleatrias e suas propriedades. A Teoria da Probabilidade estuda
eventos aleatrios, i.e., eventos que no possuem regularidade determinstica, pois
observaes feitas nas mesmas condies no do o mesmo resultado, mas possuem
regularidade estatstica, indicada pela estabilidade estatstica de frequncias.
Por exemplo, no lanamento de um dado, apesar de a trajetria do dado ser de-
terminstica do ponto de vista da mecnica Newtoniana, impraticvel tentar prever
seu resultado: este experimento no possui regularidade determinstica. No entanto,
esse experimento possui regularidade estatstica e o tratamento probabilstico o
mais adequado.
Um Espao de Probabilidade, ou Modelo Probabilstico, ou ainda Modelo Esta-
tstico, uma abstrao matemtica, uma idealizao que busca representar os
fenmenos aleatrios.
1.1 Espao de Probabilidade
Um modelo probabilstico tem trs componentes bsicas:
1. Um conjunto formado por todos os resultados possveis do experimento,
chamado espao amostral.
2. Uma classe apropriada F 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
probabilidade. Esta funo chamada de probabilidade, medida, ou medida
de probabilidade.
7
8 CAPTULO 1. DEFINIES BSICAS
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.
Exemplo 1.1. 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
.
Exemplo 1.2. Imagine o lanamento de um dado em que um jogador precisa obter
5 ou 6. Neste caso temos = {1, 2, 3, 4, 5, 6}, B = {5, 6} e
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).
Exemplo 1.3. 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 Um conjunto no-vazio , cujos elementos representam
todos os resultados possveis de um determinado experimento, chamado de
espao amostral.
1.1. ESPAO DE PROBABILIDADE 9
Exemplo 1.4. Se o experimento consiste em lanar uma moeda, ento = {0, 1},
onde 1 cara e 0 coroa.
Exemplo 1.5. Se o experimento consiste em lanar um dado e observar a face
superior, ento = {1, 2, 3, 4, 5, 6}.
Exemplo 1.6. Se o experimento consiste em lanar duas moedas, ento
= {0, 1}
2
= {0, 1} {0, 1} = {(0, 0), (0, 1), (1, 0), (1, 1)}.
Exemplo 1.7. Se o experimento consiste em lanar dois dados e observar as faces
superiores, ento = {1, 2, 3, 4, 5, 6}
2
.
Exemplo 1.8. Se o experimento consiste em medir a durao de uma lmpada,
ento um possvel espao amostral dado por = [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: A B o evento A ou B;
A B o evento A e B e A
c
o evento no A. Dois eventos A e B so ditos
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 F P() de eventos alea-
trios. Mais precisamente, vamos assumir que F satisfaz as seguintes propriedades:
(F1) F;
(F2) Para todo A F, tem-se que A
c
F;
(F3) Se A
1
, A
2
, A
3
, F, ento (
i=1
A
i
) F.
Denio 1.9 (-lgebra). Chamaremos de -lgebra a uma classe de subconjuntos
de satisfazendo as trs propriedades acima.
Exerccio 1.1. Seja F uma -lgebra de subconjuntos de . Mostre que:
(a) F;
(b) se A e B F ento A\ B F;
(c) se A
1
, A
2
, A
3
, F ento (
i=1
A
i
) F.
Observao 1.10. Quando um conjunto nito ou enumervel, em geral se toma
F = P(), isto , o conjunto de todos os subconjuntos de , chamado o conjunto
das partes.
Espao de probabilidade Seja um espao amostral e F uma -lgebra para
um dado experimento. Uma medida de probabilidade P uma aplicao P : F R
satisfazendo as seguintes propriedades:
(P1) P(A) 0 para todo A F.
(P2) P() = 1.
(P3) Se A
1
, A
2
, F e A
i
A
j
= i = j, ento P (
i=1
A
i
) =

i=1
P(A
i
).
Denio 1.11 (Espao de Probabilidade). Um espao de probabilidade um
trio (, F, P), onde
1. um conjunto no-vazio;
2. F uma -lgebra de subconjuntos de ;
3. P uma probabilidade denida em F.
Teorema 1.12. Toda medida de probabilidade P satisfaz as seguintes propriedades:
1. P() = 0.
2. P(A
c
) = 1 P(A).
3. Se A, B F e A B ento P(A) P(B). (monotonicidade)
4. Se A, B F e A B ento P(B \ A) = P(B) P(A).
5. Para todo A F, temos 0 P(A) 1.
6. Se A
1
, A
2
, . . . , A
n
F, ento P
_
i=1
A
i
_
i=1
P(A
i
). (-subaditividade).
7. Sejam A e B F. 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 1.13 (Continuidade). Se A
n
A ou A
n
A, ento P(A
n
) P(A).
1.2. PROBABILIDADE CONDICIONAL E INDEPENDNCIA 11
1.2 Probabilidade Condicional e Independncia
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 1.14 (Probabilidade Condicional). Dados A, B F em um espao
(, F, 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, denimos P(A|B) = P(A).
Exerccio 1.2. Um casal tem dois lhos que no sejam gmeos. 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 1.15. A probabilidade condicional uma medida de probabilidade, isto
, dado B F 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 1.16 (Regra do Produto). Dados A
1
, A
2
, . . . , A
n
em (, F, 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 1.17 ([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
, F formam uma
partio de se B
i
B
j
= i = j e
i=1
B
i
= .
Teorema 1.18 (Lei da Probabilidade Total). Sejam A, B
1
, B
2
, B
3
, . . . eventos
aleatrios em (, F, 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 E INDEPENDNCIA 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 1.19. 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 1.20 (Frmula de Bayes). Dado um espao de probabilidade (, F, 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 1.21. No Exemplo 1.19, 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?
Independncia Dois eventos aleatrios so independentes quando a ocorrncia
de um deles no aumenta nem diminui a chance relativa de que ocorra o outro.
Denio 1.22 (Eventos Independentes). Os eventos aleatrios A e B so ditos
independentes se
P(A B) = P(A)P(B).
Proposio 1.23. 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 1.24 (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.
1.3. EXERCCIOS 15
Exemplo 1.25. 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 1.26 (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 1.27. 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 1.28. No Exemplo 1.25, 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 1.29. 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.
1.3 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 (, F, P) um espao de probabilidade. Considere uma seqn-
cia de eventos aleatrios (A
n
)
n=1,2,3,...
em F. Dena o evento B
m
: o primeiro evento
a ocorrer da seqncia (A
n
)
n=1,2,3,...
A
m
.
1. Expresse B
m
em termos dos eventos A
n
.
2. Os eventos B
1
, B
2
, . . . , B
m
, . . . so disjuntos?
3. 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. Em uma gaveta existem 2 maos de baralho fechados. Um deles
um baralho comum de 52 cartas, {A, 2, 3, . . . , 9, 10, J, Q, K} {, , , }, e outro
um baralho de truco com 40 cartas (no possui as cartas de nmeros 8, 9 e 10).
Um dos maos retirado da gaveta ao acaso e depois uma carta sorteada ao
acaso do baralho retirado.
(a) Calcule a probabilidade de a carta sorteada ser uma das trs guras reais
(J, Q, K).
(b) Sabendo-se que foi sorteada uma gura real, calcule a probabilidade de o
baralho retirado ter sido o baralho comum.
(c) Calcule a probabilidade de a carta sorteada ser de espadas .
(d) Sabendo-se que foi sorteada uma carta de espadas, calcule a probabilidade de
o baralho retirado ter sido o baralho de truco.
(e) Sejam A =Foi retirado o baralho comum, B =Foi sorteada uma gura real
e C =Foi sorteada uma carta de espadas. A e B so independentes? A e C
so independentes? A, B e C so coletivamente independentes?
(f) Qual a probabilidade de se sortear uma carta de nmero 5 ?
(g) Sabendo-se que foi sorteado um nmero (i.e., no foi sorteado A, J, Q nem
K), qual a probabilidade de o baralho retirado ter sido o baralho de truco?
1.3. EXERCCIOS 17
Exerccio 1.10. [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
Na realizao de um fenmeno aleatrio, muitas vezes estamos interessados em uma
ou mais quantidades, que so dadas em funo do resultado do fenmeno. Por
exemplo, sortear 11 cartas do baralho e contar quantas dessas cartas so de espadas,
ou sortear dois nmeros reais entre 0 e 1 e considerar o menor deles. A essas
quantidades damos o nome de variveis aleatrias. Uma varivel aleatria um
observvel numrico resultante de um experimento.
2.1 Denio
Uma varivel aleatria uma funo que associa a cada resultado do espao
amostral um nmero real, ou seja, uma funo
X : R
X()
.
Exemplo 2.1. Joga-se um dado e observa-se a face superior. Nesse caso temos
= {1, 2, 3, 4, 5, 6} e 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:
Denio 2.2 (Varivel Aleatria). Uma varivel aleatria X em um espao
de probabilidade (, F, 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} F para todo x R.
Daqui para frente denotaremos por [X x] o evento { : X() x}.
19
20 CAPTULO 2. VARIVEIS ALEATRIAS
Exemplo 2.3 (Varivel aleatria constante). Se X() = c para todo , ento
{ : X() a} =
_
_
_
, se a c,
, se a < c.
Portanto, X varivel aleatria.
Exemplo 2.4 (Funo indicadora). Dado A , denimos
1
A
() =
_
_
_
1, A,
0, A.
Se A F e X = 1
A
, ento
{ : X() a} =
_
_
, se a 1,
A
c
, se 0 a < 1,
, se a < 0.
Portanto, X varivel aleatria.
Exemplo 2.5. Sejam = {1, 2, 3, 4} e F = {, {1, 2}, {3, 4}, } e considere os
conjuntos A = {1, 2} e B = {1, 3}. Ento 1
A
varivel aleatria em (, F), mas 1
B
no .
Espao de probabilidade induzido e lei de uma varivel aleatria A -
lgebra de Borel na reta R, denotada por B, a menor -lgebra que contm todos
os intervalos da reta.
1
Os conjuntos B R tais que B B so chamados Borelianos.
A -lgebra de Borel B muito menor que a -lgebra das partes P(R), e daqui em
diante, sempre que aparecer B R, deve-se entender B B.
Dado um espao de probabilidade (, F, P) e uma varivel aleatria X, denimos
o espao de probabilidade induzido por X como (R, B, P
X
), onde
P
X
(B) = P
_
{ : X() B}
_
, B 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.
1
Equivalentemente, B a menor -lgebra que contm 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.
2.1. DEFINIO 21
Funo de Distribuio
Denio 2.6 (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 2.7. 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 2.8 (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 2.9. Uma funo F : R R satisfazendo as propriedades acima
chamada funo de distribuio.
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, x < 0,
x +
1
2
, 0 x
1
2
1, 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
_
2.2 Variveis Aleatrias Discretas
Denio 2.10. Dizemos que uma varivel aleatria X, sua funo de dis-
tribuio F
X
e sua lei P
X
so discretas 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
, . . . }, ento temos que
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 lei de uma
varivel aleatria discreta dada por
P
X
(B) =

xB
p
X
(x) B B.
2.2. VARIVEIS ALEATRIAS DISCRETAS 23
Observao 2.11. Uma funo p() satisfazendo
p(x) 0 x R,
xR
p(x) = 1, (2.2)
chamada funo de probabilidade.
Observao 2.12. 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).
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 (2.2).
(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).
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 2.13. 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
p
X
(x) =
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, 2, . . . , n.
Exemplo 2.14. 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
.
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.
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, . . . .
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 2.15. 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 2.16. 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).
2.3. VARIVEIS ALEATRIAS CONTNUAS 25
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 2.17. 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).
2.3 Variveis Aleatrias Contnuas
Denio 2.18. Uma varivel aleatria X dita contnua se P(X = a) = 0 para
todo a R, ou seja, se F
X
for contnua no sentido usual.
Denio 2.19. Dizemos que uma varivel aleatria X, sua funo de distri-
buio F
X
e sua lei P
X
so absolutamente contnuas se existe f
X
() 0 tal
que
P
X
(B) = P(X B) =
_
B
f
X
(x) dx B B.
Neste caso, dizemos que f
X
a funo de densidade de probabilidade de X, ou
simplesmente densidade de X.
Observao 2.20. No tratamento de variveis aleatrias absolutamente contnuas,
tudo pode ser feito em termos de integrais. A funo de distribuio de uma varivel
aleatria absolutamente contnua dada por
F
X
(t) =
_
t
f
X
(s) ds.
Observao 2.21. Uma funo f() satisfazendo
f(x) 0 x R,
_
+
f(x) dx = 1, (2.3)
chamada funo de densidade.
Observao 2.22. A densidade f
X
pode ser obtida por
f
X
(x) =
d
dx
F
X
(x),
para todo x R, exceto talvez para um conjunto pequeno.
2
Portanto, para
especicar a distribuio ou a lei de uma varivel aleatria absolutamente contnua,
suciente saber sua funo de densidade, e vice-versa.
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
(t) =
_
t
f
X
(x) dx =
_
_
0, t 0,
t, 0 t 1,
1, t 1.
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;
(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.
2
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 . 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.
2.3. VARIVEIS ALEATRIAS CONTNUAS 27
(b) Ache P(1 < X < 2).
(c) Ache P(|X| > 1).
Exerccio 2.10. Seja Z uma varivel aleatria contnua com funo de densidade
de probabilidade
f
Z
(z) =
_
10 e
10z
, z > 0
0, z 0
Obtenha a funo de distribuio de Z e esboce o seu grco.
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.
Distribuio Normal Dizemos que a varivel aleatria X tem distribuio
normal com parmetros R e
2
> 0, denotado por X N(,
2
), se X tem
como densidade
f
X
(x) =
1
2
2
e
(x)
2
2
2
, x R.
A distribuio N = N(0, 1) chamada normal padro.
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
2.4. DISTRIBUIES MISTAS E SINGULARES 29
Denotamos por a funo de distribuio acumulada de uma normal padro N,
dada por
(t) = F
N
(t) = P(N 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 < N < +b) = (b) (a)
P(a < N < b) = (b) (a) = (a) (b)
P(a < N < +b) = (b) (a) = (b) + (a) 1.
Em particular,
P(a < N < a) = 2(a) 1.
Exemplo 2.24. Calculemos as seguintes probabilidades:
(a) P(0 < N < 1) = (1) (0) 0, 8413 0, 5000 = 0, 3413.
(b) P(1.93 < N < 3) = (1.93) + (3) 1 0, 9732 + 0, 9988 1 = 0, 9720.
(c) P(1.8 < N < 1.8) = 2(1.8) 1 2 0, 9641 1 = 0, 9282.
(d) Para qual x tem-se P(x < N < x) = 0, 90?
2(x) 1 = 0, 90 (x) = 0, 95 x 1, 645.
(e) Para qual x tem-se P(x < N < x) = 0, 6826?
2(x) 1 = 0, 6826 (x) = 0, 8413 x 1, 000.
Exerccio 2.11. Mostre que, se Y = aX + b com a > 0 e b R, ento f
Y
(y) =
1
a
f
X
(
yb
a
). Sugesto: determine F
Y
(y), y R, em termos de f
X
(x), x R, sabendo
que F
X
(t) =
_
t
f
X
(x) dx, e depois tome a derivada.
Exerccio 2.12. Mostre que se X N(,
2
) ento a varivel aleatria
X
tem
distribuio normal padro.
2.4 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. Dizemos que X uma varivel aleatria mista com componentes discreta
e absolutamente contnua se existem p
X
e f
X
tais que
P(X B) =

xB
p
X
(x) +
_
B
f
X
(x) dx.
Distribuies singulares Alm desses casos, existem variveis aleatrias cuja
parte contnua no absolutamente 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 nfase a esse tpico. Os alunos
podem ler mais a respeito em [Jam04, pp. 44-48], e nas referncias ali citadas.
2.5 Distribuio Condicional dado um Evento
Dado um evento A com P(A) > 0, denimos a funo de distribuio de X dado A
F
X
(t|A) = F
X|A
(t) = P(X t|A), t R.
Exemplo 2.25. 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.
2.6. EXERCCIOS 31
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 absolutamente 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).
2.6 Exerccios
Exerccio 2.13. Mostre que, se duas variveis aleatrias X e Y so iguais quase
certamente, isto , P(X = Y ) = 1, ento F
X
= F
Y
.
Exerccio 2.14. 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 2.15. Seja X o nmero de caras obtidas em 4 lanamentos de uma moeda
honesta. Determine a funo de probabilidade de X. Desenhe o grco da funo de
distribuio da varivel aleatria X.
Exerccio 2.16. Se
f(t) =
_
_
_
e
3t
+ c e
t
, t > 0,
0, t 0,
funo de densidade, ache c.
Exerccio 2.17. Se f(t) = c 3t
2
e
t
1
[0,2]
(t) funo de densidade, ache c.
Exerccio 2.18. Mostre que a funo de probabilidade do modelo de Poisson de
fato uma funo de probabilidade.
Exerccio 2.19. 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 2.20. Mostre que a densidade do modelo uniforme contnuo de fato
uma funo de densidade.
Exerccio 2.21. Mostre que a distribuio do modelo exponencial de fato uma
distribuio. Calcule a densidade associada.
Exerccio 2.22. Seja X uma varivel aleatria em (, F, P) com distribuio
exponencial de parmetro > 0. Considere N = X, o menor inteiro maior
ou igual a X. Encontre a distribuio de N.
Exerccio 2.23. Uma pesquisa eleitoral determinou que a inteno de voto do
Candidato A de 46%, com margem de erro de 3%, para mais ou para menos.
Ou seja, a inteno de voto desse candidato tem distribuio normal com mdia
= 46% e desvio-padro = 3%. Calcule a probabilidade de o Candidato A ter
mais de 50% das intenes de voto.
Exerccio 2.24. Uma caixa contm 10 parafusos, cujos tamanhos so normais in-
dependentes, com mdia 21, 4 mm e desvio-padro 0, 5 mm. Calcule a probabilidade
de que nenhum dos parafusos tenha mais de 22 mm.
Exerccio 2.25. 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 2.26. Se X exp() e Y = 5X, ache a distribuio acumulada de Y .
Ache a funo de distribuio condicional e a densidade condicional de Y dado
que X > 3.
Exerccio 2.27. [Jam04, Captulo 2]. Recomendados: 1, 5, 6, 7, 9, 10, 13, 14.
Captulo 3
Vetores Aleatrios
Imagine que queremos produzir duas variveis aleatrias com distribuio
Bernoulli(
1
2
). A forma mais natural seria lanar uma moeda duas vezes e denir
X = (Z, W). Uma outra forma de faz-lo seria, por exemplo, lanar a moeda
apenas uma vez e copiar o resultado: Y = (Z, Z).
Em ambos os casos, produziu-se um vetor bidimensional cujas coordenadas
so ambas distribudas como Bernoulli(
1
2
). Entretanto, o comportamento conjunto
dessas variveis aleatrias bem diferente.
Neste captulo vamos estudar as principais propriedades dos vetores aleatrios,
isto , a combinao de muitas variveis aleatrias em que se considera seu compor-
tamento estatstico conjunto.
3.1 Denio
Comeamos com um pouco de notao vetorial. x R
d
representa uma d-upla de
nmeros reais, x = (x
1
, x
2
, . . . , x
d
). Uma funo X em associa a cada uma
d-upla, i.e., um vetor X() = (X
1
(), X
2
(), . . . , X
d
()).
Denotamos por x y o conjunto de desigualdades x
i
y
i
, i = 1, . . . , d,
isto , x y 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, . . . , d. Dados a b, denotamos por [a, b] o conjunto {x R
d
: a
x b}. Analogamente para (a, b], etc.
Denio 3.1 (Vetor aleatrio). Um vetor aleatrio X = (X
1
, . . . , X
d
) uma
funo X : R
d
tal que cada coordenada X
i
uma varivel aleatria.
33
34 CAPTULO 3. VETORES ALEATRIOS
Espao de probabilidade induzido e lei de um vetor aleatrio Como na
reta, a -lgebra de Borel no espao Euclidiano R
d
, denotada por B
d
, a menor -
lgebra que contm todos os octantes {x R
d
: x t}, t R
d
. Dado um espao de
probabilidade (, F, P) e um vetor aleatrio X, denimos o espao de probabilidade
induzido por X como (R
d
, B
d
, P
X
), onde
P
X
(B) = P
_
{ : X() B}
_
, B B
d
.
Ou seja, o espao amostral o conjunto dos vetores d-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
d
induzida por X.
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
, uma funo F
X
: R
d
R
dada por
F
X
(t) = P
_
X t
_
.
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 t) =
_
_
0, t
1
< 0 ou t
2
< 0, pois [X t] = ;
0, t
1
, t
2
[0, 1), pois [X t] = [X
1
= 0, X
2
= 0] = ;
1
2
, t
1
1, t
2
[0, 1), pois [X t] = [X
1
= 1, X
2
= 0];
1
4
, t
1
[0, 1), t
2
1, pois [X t] = [X
1
= 0, X
2
= 0];
3
4
, t
1
[1, 2), t
2
1, pois [X t] = [X
1
= 0 ou 1];
1, t
1
2, t
2
1, pois [X t] = .
Os valores de F
X
so ilustrados na Figura 3.1.
Considere o operador
i
a,b
sobre funes de R
d
em R, dado por
_
i
a,b
F
_
(x) = F(x
1
, . . . , x
i1
, b, x
i+1
, . . . , x
d
) F(x
1
, . . . , x
i1
, a, x
i+1
, . . . , x
d
).
Note que a funo
i
a,b
F no depende da i-sima coordenada de x.
Proposio 3.4. Para a b R
d
,
1
a
1
,b
1

d
a
d
,b
d
F
X
= P(a < X b).
3.1. DEFINIO 35
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
.
Demonstrao. Para quaisquer x, a b, temos
d
a
d
,b
d
F
X
(x) = P(X
1
x
1
, . . . , X
d1
x
d1
, X
d
b
d
)
P(X
1
x
1
, . . . , X
d1
x
d1
, X
d
a
d
) =
= P(X
1
x
1
, . . . , X
d1
x
d1
, a
d
< X
d
b
d
),
e sucessivamente obtemos
j
a
j
,b
j

d
a
d
,b
d
F
X
(x) =
_
j
a
j
,b
j
_
j+1
a
j+1
,b
j+1

d
a
d
,b
d
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
d
< X
d
b
d
)
P(X
1
x
1
, . . . , X
j1
x
j1
, X
j
a
j
, a
j+1
< X
j+1
b
j+1
, . . . , a
d
< X
d
b
d
) =
= P(X
1
x
1
, . . . , X
j1
x
j1
, a
j
< X
j
b
j
, . . . , a
d
< X
d
b
d
).
Tomando j = 1 temos
1
a
1
,b
1

d
a
d
,b
d
F
X
(x) = P(a
1
< X
1
b
1
, . . . , a
d
< X
d
b
d
).
Proposio 3.5 (Propriedades da Funo de Distribuio Conjunta). Se X
um vetor aleatrio em (, F, 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 (x
k
)
k
tal que, para algum j, x
k
j
, ento F
X
(x) 0.
4. Se (x
k
)
k
tal que, para todo j, x
k
j
+, ento F
X
(x) 1.
5. Para a b R
d
,
1
a
1
,b
1

d
a
d
,b
d
F
X
0.
Exemplo 3.6. 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
j
(x
j
) = lim
x
i
i=j
F
X
(x
1
, . . . , x
d
),
em que o limite aplicado em tofdas as coordenadas, exceto j. De forma mais
geral, a funo de distribuio do vetor (X
1
, . . . , X
i1
, X
i+1
, . . . , X
d
) dada por
F
(X
1
,...,X
i1
,X
i+1
,...,X
d
)
(x
1
, . . . , x
i1
, x
i+1
, . . . , x
d
) = lim
x
i
F
X
(x
1
, . . . , x
d
).
Exemplo 3.7. No Exemplo 3.3, temos
F
X
1
(t) =
_
_
0, t < 0,
1
4
, 0 t < 1,
3
4
, 1 t < 2,
1, t 2,
F
X
2
(t) =
_
_
0, t < 0,
1
2
, 0 t < 1,
1, t 1.
3.2 Tipos de Vetores Aleatrios
Denio 3.8. 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 {x
1
, x
2
, x
3
, . . . }
_
= 1. Neste caso, a funo de probabilidade de X
dada por
p
X
(x) = P
_
X = x
_
.
3.2. TIPOS DE VETORES ALEATRIOS 37
Um vetor aleatrio X discreto se e somente se suas coordenadas X
1
, . . . , X
d
so
discretas. Uma funo p() satisfazendo
x
p(x) = 1 e p(x) 0, x R
d
funo de probabilidade conjunta.
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

x
d
p(x
1
, . . . , x
i1
, x
i
, x
i+1
, . . . , x
d
).
Exerccio 3.1. No Exemplo 3.3, obtenha a funo de probabilidade de X, e as
funes de probabilidade marginais de X
1
e X
2
.
Denio 3.9. 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
P(X B) =
_
B
f
X
(x) d
d
x B B
d
.
Neste caso, dizemos que f
X
a funo de densidade conjunta de X, ou
simplesmente densidade de X.
Uma funo f() satisfazendo
f(x) 0, x R
d
e
_
R
d
f(x) d
d
x = 1
chamada funo de densidade conjunta.
Observao 3.10. A funo de distribuio conjunta de X pode ser calculada por
F
X
(t) =
_
t
1

_
t
d
f
X
(x) dx
d
dx
1
,
e a densidade conjunta f
x
pode ser calculada por
f
X
(x) =

d
x
1
x
d
F
X
(x
1
, . . . , x
d
),
isto , calculando sucessivamente as derivadas parciais com relao a cada uma das
coordenadas.
Exemplo 3.11. Seja G R
d
uma regio tal que Vol G > 0, onde Vol G o volume
d-dimensional de G. Dizemos que X = (X
1
, X
2
, . . . , X
d
) com funo de densidade
f
X
(x
1
, . . . , x
d
) =
_
_
_
1
Vol G
, (x
1
, . . . , x
d
) G
0, (x
1
, . . . , x
d
) / G
uniformemente distribudo em G.
Observao 3.12. Se um vetor aleatrio X absolutamente contnuo, ento
suas coordenadas X
1
, . . . , X
d
so absolutamente contnuas, mas no vale a
recproca! De fato, muito fcil construir um vetor aleatrio contnuo que no
absolutamente contnuo.
Exerccio 3.2. 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.
1
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
) =
_
+

_
+
. .
d1 vezes
f(x
1
, . . . , x
i
, . . . , x
d
) dx
1
dx
d
. .
exceto x
i
.
1
Dizemos que um Boreliano A B
d
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
d
a
j
d
) . Por exemplo, se A = {(x, y) : x > 0, y = 0}
uma semi-reta no plano, ento podemos tomar a seqncia (j 1, j) (2
j1
, 2
j1
). Essa
seqncia contm a semi-reta A e seu tamanho total exatamente .
3.3. INDEPENDNCIA DE VARIVEIS ALEATRIAS 39
Exerccio 3.3. 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.
Vetores Aleatrios Mistos
Como no caso uni-dimensional, dizemos que um vetor aleatrio X do tipo misto
com componentes discreta e absolutamente contnua se existem p
X
e f
X
tais que
P(X B) =

xB
p
X
(x) +
_
B
f
X
(x) d
d
x B B
d
.
3.3 Independncia de Variveis Aleatrias
Denio 3.13. Dizemos que as variveis aleatrias X
1
, X
2
, . . . , X
d
em
(, F, P) so coletivamente independentes, ou simplesmente independentes, se
P(X
1
B
1
, . . . , X
d
B
d
) = P(X
1
B
1
) P(X
d
B
d
)
para quaisquer B
1
, . . . , B
d
B.
Observao 3.14. Dada uma famlia de variveis aleatrias independentes
X
1
, X
2
, . . . , X
d
, qualquer subfamlia tambm formada por variveis aleatrias
independentes.
Proposio 3.15. So equivalentes:
(i) X
1
, X
2
, . . . , X
d
so independentes.
(ii) F
X
(t) = F
X
1
(t
1
)F
X
2
(t
2
) F
X
d
(t
d
) para todo t R
d
.
(iii) F
X
(t) = F
1
(t
1
)F
2
(t
2
) F
d
(t
d
) para todo t R
d
, com F
1
, . . . , F
d
funes
reais.
Ideia da prova. (i) (ii) (iii) so triviais. Suponha (iii). Calculando a marginal
temos
F
X
i
(x
i
) = lim
x
j
j=i
F
X
(x) = F
i
(x
i
)
j=i
lim
x
j
F
j
(x
j
) = c
i
F
i
(x
i
),
onde c
i
= 0 pois F
X
i
no pode ser uma funo constante. Assim,
F
X
(x
1
, . . . , x
d
) =
1
c
1
c
d
F
X
1
(x
1
) F
X
d
(x
d
).
Fazendo x
i
i, temos que c
1
c
d
= 1, portanto (iii) (ii).
Assumindo (ii), vamos mostrar (iii) supondo que os B
i
so unies de intervalos
disjuntos. Observe que se B
i
= (a
i
, b
i
] para i = 1, . . . , d, temos
P(X
1
B
1
, . . . , X
d
B
d
) =
1
a
1
,b
1

d
a
d
,b
d
F
X
(x)
=
1
a
1
,b
1

d
a
d
,b
d
[F
X
1
(x
1
) F
X
d
(x
d
)]
= [
1
a
1
,b
1
F
X
1
(x
1
)] [
d
a
d
,b
d
F
X
d
(x
d
)]
= P(X
1
B
1
) P(X
d
B
d
).
A mesma identidade se estende para B
i
= [a
i
, b
i
] tomando-se o limite a a
i
,
analogamente para intervalos abertos ou semi-innitos, e por linearidade vale para
unies de intervalos disjuntos.
Proposio 3.16 (Critrio de Independncia. Caso Discreto). Seja X um vetor
aleatrio discreto. So equivalentes:
(i) X
1
, X
2
, . . . , X
d
so independentes.
(ii) p
X
(t) = p
X
1
(t
1
)p
X
2
(t
2
) p
X
d
(t
d
) para todo t R
d
.
(iii) p
X
(t) = p
1
(t
1
)p
2
(t
2
) p
d
(t
d
) para todo t R
d
, com p
1
, . . . , p
d
funes
reais.
Demonstrao. (i) (ii) (iii) so triviais. Suponha (iii). Para x
i
tal que
p
X
i
(x
i
) > 0, calculando a marginal temos
p
X
i
(x
i
) =

x
j

x
i1
x
i+1

x
d
p
X
(x) = p
i
(x
i
)
j=i
x
j
p
j
(x
j
) = c
i
p
i
(x
i
),
onde c
i
= 0. Assim,
p
X
(x
1
, . . . , x
d
) =
1
c
1
c
d
p
X
1
(x
1
) p
X
d
(x
d
).
Somando em x, temos que c
1
c
d
3.4. MTODO DO JACOBIANO 41
Suponha (ii). Temos que
P(X
1
B
1
, . . . , X
d
B
d
) =

x
1
B
1

x
d
B
d
p
X
(x) =
=
_
_
x
1
B
1
p
X
1
(x
1
)
_
_

_
_
x
d
B
d
p
X
d
(x
d
)
_
_
= P(X
1
B
1
) P(X
d
B
d
),
e portanto (ii) (i).
Proposio 3.17 (Critrio de Independncia. Caso Contnuo). Seja X um vetor
aleatrio absolutamente contnuo. So equivalentes:
(i) X
1
, X
2
, . . . , X
d
so independentes.
(ii) f
X
(t) = f
X
1
(t
1
)f
X
2
(t
2
) f
X
d
(t
d
) para todo t R
d
.
(iii) f
X
(t) = f
1
(t
1
)f
2
(t
2
) f
d
(t
d
) para todo t R
d
, com f
1
, . . . , f
d
funes
reais.
Demonstrao. (i) (ii) (iii) so triviais. Suponha (iii). Para B
i
B tal que
P(X
i
B
i
) > 0,
P
X
i
(B
i
) =
_
R
d
1
B
i
(x
i
)f
X
(x) d
d
x =
_
B
i
f
i
(x
i
)dx
i
j=i
_
R
f
j
(x
j
) dx
j
= c
i
_
B
i
f
i
(x
i
)dx
i
,
onde c
i
= 0. Logo, f
X
i
(x
i
) = c
i
f
i
(x
i
) para todo x
i
R. Assim,
f
X
(x
1
, . . . , x
d
) =
1
c
1
c
d
f
X
1
(x
1
) f
X
d
(x
d
).
Integrando em R
d
, temos que c
1
c
d
Suponha (ii). Temos que
P(X
1
B
1
, . . . , X
d
B
d
) =
_
B
1
B
d
f
X
(x) d
d
x =
=
__
B
1
f
X
1
(x
1
) dx
1
_

__
B
d
f
X
d
(x
d
) dx
d
_
= P(X
1
B
1
) P(X
d
B
d
),
e portanto (ii) (i).
3.4 Mtodo do Jacobiano
Suponha que o vetor aleatrio X absolutamente contnuo e assume valores em
um domnio G
0
R
d
, e que estamos interessados em estudar o vetor aleatrio Y
dado por uma transformao Y = g(X). Vamos considerar o caso em que
g : G
0
G, G R
d
, bijetiva e diferencivel, com inversa g
1
= h : G G
0
tambm diferencivel. Escrevemos a transformada inversa como X = h(Y ) e
denimos os Jacobianos:
J
h
(y) = det
_
x
y
_
= det
_
_
x
1
y
1

x
1
y
d
.
.
.
.
.
.
.
.
.
x
d
y
1

x
d
y
d
_
_
e
J
g
(x) = det
_
y
x
_
= det
_
_
y
1
x
1

y
1
x
d
.
.
.
.
.
.
.
.
.
y
d
x
1

y
d
x
d
_
_
.
O Jacobiano satisfaz a seguinte identidade:
J
h
(y) =
1
J
g
(x)
.
Proposio 3.18 (Mtodo do Jacobiano). Sejam G
0
, G R
d
, g : G
0
G uma
bijeo e 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
d
x =
_
g(A)
f(h(y)) |J
h
(y)| d
d
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).
Exemplo 3.19. 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,
3.4. MTODO DO JACOBIANO 43
e o vetor Y dado por Y
1
= X
1
/X
2
, Y
2
= X
1
X
2
. Temos y = h(x) = (x
1
/x
2
, x
1
x
2
) e
y
x
=
_
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 3.4. 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 3.20. Se X e Y so independentes e distribudas como N(0, 1), ento
X + Y e X Y so independentes e ambas distribudas como N(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
z
=
_
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 N(0, 2).
Exerccio 3.5. Se X e Y so independentes e distribudas como N(0, 1), ento
4X + 3Y e 3X 4Y so independentes e ambas distribudas como N(0, 25).
3.5 Exerccios
Exerccio 3.6. 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
.
Exerccio 3.7. 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. Sejam Y e U duas variveis aleatrias em um mesmo espao de
probabilidade, independentes e com leis Y N(0, 1) e P(U = 1) = P(U = +1) =
1
2
. Ache a lei de Z = UY .
Dica: estudar diretamente a funo de distribuio acumulada.
3.5. EXERCCIOS 45
Exerccio 3.9.
(a) A densidade conjunta de X e Y dada por
f(x, y) =
_
_
_
c e
y
x
3
, x > 1, y > 0
0, caso contrrio.
Encontre c. Diga se X e Y so independentes e por qu.
(b) Suponha que (X, Y ) um vetor aleatrio absolutamente contnuo com funo
de distribuio conjunta dada por
F
XY
(x, y) =
_
_
_
1 e
x
+ e
xy
xe
x
e
y
+ xe
xy
, x, y > 0
0, caso contrrio.
Encontre a densidade conjunta f
XY
e diga se X e Y so independentes.
(c) Com X e Y dadas no item anterior, encontre a distribuio marginal F
Y
.
Exerccio 3.10. Sejam X e Y variveis aleatrias discretas e independentes. Mostre
que
p
X+Y
(t) =

s
p
X
(s) p
Y
(t s).
Sugesto: particione segundo o valor de X.
Exerccio 3.11. 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:
_
a+b
n
_
=

n
k=0
_
a
k
__
b
nk
_
.
Exerccio 3.12. Se X e Y so independentes e distribudas respectivamente como
Poisson(
1
) e Poisson(
2
), mostre que
X + Y Poisson(
1
+
2
).
Dica: (a + b)
k
=

k
j=0
_
k
j
_
a
j
b
kj
.
Exerccio 3.13. 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 interpreta essa identidade?
Exerccio 3.14. O nmero X de uvas-passas encontradas em um panetone tem
distribuio Poisson(). O panetone, estando com a data de validade vencida h
alguns meses, pode ter uvas-passas estragadas. Cada uva-passa pode estar estragada
independente das demais, com probabilidade p. Encontre a distribuio do nmero
de uvas-passas estragadas e calcule a probabilidade de no haver nenhuma estragada.
Exerccio 3.15. Sejam X e Y variveis aleatrias independentes, ambas com
distribuio exp(1). Use o mtodo do Jacobiano para determinar a distribuio
conjunta de X + Y e
X
X+Y
. Diga se X + Y e
X
X+Y
so independentes. Encontre a
distribuio de
X
X+Y
.
Exerccio 3.16. Sejam X e Y i.i.d. absolutamente 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 , e calcule a densidade conjunta de Z e W.
Recomendados: 2, 17, 18, 21, 30, 33, 34, 41, 46.
Captulo 4
Esperana Matemtica
A esperana EX de uma varivel aleatria X a mdia dos valores assumidos
por X, ponderada pela probabilidade de X assumir esses valores. Podemos pensar
em EX como sendo o centro de massa de X. A esperana de X , em vrios
sentidos, a melhor aproximao determinstica para a varivel aleatria X. Uma
das justicativas mais importantes, que veremos mais adiante, a lei dos grandes
nmeros: se X
1
, . . . , X
n
so independentes e tm a mesma distribuio de X, ento
a mdia amostral
1
n
n
i=1
X
i
se aproxima de EX quando fazemos n grande.
4.1 Variveis Aleatrias Simples
Uma varivel aleatria X dita simples se assume apenas nitos valores.
Denio 4.1. Dada uma varivel aleatria simples X, denimos a esperana
de X, ou mdia de X, ou ainda o valor esperado de X, denotada por EX, por
EX =

x
x P(X = x).
A esperana de X pode ser pensada como o centro de massa da varivel
aleatria X, como ilustrado na Figura 4.1.
Exemplo 4.2. Lanar um dado e observar sua face superior. Temos
EX = 1.P(X = 1) + + 6.P(X = 6) =
1
6
+
2
6
+ +
6
6
=
21
6
=
7
2
.
Exemplo 4.3. Lanar uma moeda 4 vezes e contar quantas vezes saem cara. Temos
EX = 0
1
16
+ 1
4
16
+ 2
6
16
+ 3
4
16
+ 4
1
16
=
32
16
= 2.
47
48 CAPTULO 4. ESPERANA MATEMTICA
Exemplo 4.4. Seja X dada por X = 1
A
para algum A F. Nesse caso temos
EX = 0.P(A
c
) + 1.P(A) = P(A). Ou seja, se X Bernoulli(p) ento EX = p.
EX
x
p
X
(x)
Figura 4.1: A esperana de X como o centro de massa de p
X
.
Sejam a
1
, . . . , a
k
os valores assumidos por X. Observe que os eventos aleatrios
A
i
= [X = a
i
] F formam uma partio de . Assim, cada pertence a um,
e somente um, dos A
1
, . . . , A
k
, ou seja,

i
1
A
i
() = 1 . Portanto, a menos
de permutao dos ndices, existe uma nica forma de escrever
X =

i
a
i
1
A
i
com a
i
= a
j
i = j e A
1
, . . . , A
k
formando uma partio de . Ademais,
EX =

i
a
i
P(A
i
).
Outra interpretao de EX vem dos jogos em cassinos. Sejam X o resultado
que se ganha em um dado jogo, e a
1
, . . . , a
k
os possveis valores. Suponhamos
tambm que jogaremos esse jogo n vezes, e denotamos o resultado de cada jogada por
X
1
, . . . , X
n
, independentes e com a mesma distribuio de X. A noo intuitiva de
probabilidade como frequncia relativa diz que a proporo dentre essas n repeties
em que o resultado a
i
se aproxima de P(X = a
i
) para n grande, ou seja,
1
n
n
j=1
1
[X
j
=a
i
]
P(X = a
i
). Dessa forma, para o ganho total dividido pelo nmero
de jogadas,
1
n
n
j=1
X
j
, temos
1
n
n
j=1
X
j
=
1
n
n
j=1
k
i=1
a
i
1
[X
j
=a
i
]
=
k
i=1
a
i
_
1
n
n
j=1
1
[X
j
=a
i
]
_
i=1
a
i
P(A
i
) = EX.
Proposio 4.5. Sejam X e Y variveis aleatrias simples.
(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 .
4.1. VARIVEIS ALEATRIAS SIMPLES 49
Demonstrao. Os itens (i) e (ii) so triviais, e (iv) segue de (iii) e (i) se tomamos
Z = X Y . Resta provar (iii). Primeiro vamos vericar que se X = a
1
1
A
1
+ +
a
n
1
An
, onde A
1
, . . . , A
n
formam uma partio, ento EX =

i
a
i
P(A
i
), mesmo que
alguns a
i
coincidam. Com efeito, primeiro escrevemos X =

j
c
j
1
C
j
onde os c
j
so
distintos e C
1
, . . . , C
k
formam uma partio. Observe que para todo j = 1, . . . , k,
C
j
= [X
j
= c
j
] = {A
i
: a
i
= c
j
}. Usando a denio de esperana e agrupando
corretamente os termos dos somatrios, temos
EX =
k
j=1
c
j
P(C
j
) =
k
j=1
c
j
i:a
i
=c
j
P(A
i
) =
k
j=1
i:a
i
=a
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
1
A
i
j
1
B
j
+ b
j
b
i
1
B
j
i
1
A
i
=

i,j
(aa
i
+ bb
j
)1
A
i
B
j
.
Mas {A
i
B
j
: i = 1, . . . , n; j = 1, . . . , k} forma uma partio de , 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
j
P(A
i
B
j
) +

j
bb
j
i
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.
Exemplo 4.6. No Exemplo 4.3, temos X = X
1
+X
2
+X
3
+X
4
, onde X
i
representa
o lanamento da i-sima moeda. Logo EX = EX
1
+EX
2
+EX
3
+EX
4
= 4.
1
2
= 2.
Exemplo 4.7. Lanar um dado duas vezes e somar os valores observados. Temos
EX = 2
1
36
+3
2
36
+4
3
36
+5
4
36
+6
5
36
+7
6
36
+8
5
36
+9
4
36
+10
3
36
+11
2
36
+12
1
36
=
252
36
= 7.
Alternativamente, observamos que X = Y +Z, onde Y e Z representam o primeiro
e segundo lanamento do dado. Logo
EX = EY + EZ =
7
2
+
7
2
= 7.
Exemplo 4.8. Retirar 3 cartas de um baralho francs e contar quantas so reis.
EX = 0
48.47.46
52.51.50
+ 1
3.48.47.4
52.51.50
+ 2
3.48.4.3
52.51.50
+ 3
4.3.2
52.51.50
=
30600
132600
=
3
13
.
Alternativamente, observamos que X = X
1
+ X
2
+ X
3
, onde X
i
o indicador de
que a i-sima carta retirada rei, e que, apesar da inuncia que cada X
i
possa ter
sobre as demais, cada uma individualmente satisfaz EX
i
=
1
13
. Logo
EX = EX
1
+ EX
2
+ EX
3
= 3
1
13
.
Exemplo 4.9. Em geral, se X b(n, p), ento
EX =
n
k=0
k
_
n
k
_
p
k
(1 p)
nk
=
n
k=1
k
n!
k!(n k)!
p
k
(1 p)
nk
= np
n
k=1
(n 1)!
(k 1)!(n k)!
p
k1
(1 p)
nk
= np
n1
j=0
(n 1)!
j!(n 1 j)!
p
j
(1 p)
n1j
= np[p + (1 p)]
n1
= np.
Alternativamente, X tem a mesma distribuio de X
1
+ + X
n
, com X
i
i.i.d.
Bernoulli(p), e portanto
EX = EX
1
+ + EX
n
= (p + + p) = np.
Proposio 4.10. Se X e Y so simples e independentes, ento
E[XY ] = EX EY.
Demonstrao. Fazendo A
i
= [X = a
i
] e B
j
= [Y = b
j
], temos
E[XY ] = E
__
i
a
i
1
A
i
__
j
b
j
1
B
j
__
= E
_
i,j
a
i
b
j
1
A
i
1
B
j
_
= E
_
i,j
a
i
b
j
1
A
i
B
j
_
=

i,j
a
i
b
j
E[1
A
i
B
j
] =

i,j
a
i
b
j
P(A
i
B
j
)
=

i,j
a
i
b
j
P(A
i
)P(B
j
) =
_
i
a
i
P(A
i
)
_ _
j
b
j
P(B
j
)
_
= EX EY.
Exemplo 4.11. Lanar um dado duas vezes e multiplicar os valores observados.
EX =
1
36
_
1.1 + 2.2 + 3.2 + 4.3 + 5.2 + 6.4 + 8.2 + 9.1 + 10.2 + 12.4+
+ 15.2 + 16.1 + 18.2 + 20.2 + 24.2 + 25.1 + 30.2 + 36.1
_
=
441
36
=
49
4
.
Alternativamente, observamos que X = Y Z, onde Y e Z representam o primeiro e
segundo lanamento do dado. Logo EX = EY EZ =
7
2

7
2
=
49
4
.
4.2. ESPERANA MATEMTICA 51
4.2 Esperana Matemtica
Nesta seo denimos a esperana de uma varivel aleatria qualquer. Comeamos
pelas variveis aleatrias no-negativas, que por sua vez so aproximadas por
variveis aleatrias simples.
Aproximao por Variveis Aleatrias Simples
Primeiro observamos que 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
_
,
ilustrada na Figura 4.2.
Observe 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, para todo x 0,
g
k
(x) x quando k .
g
1
(x)
g
2
(x)
g
3
(x)
g
2
(y)
x
x
y
Figura 4.2: Grco de g
2
(y) e aproximao de g
k
(x) x para um x xado.
Tomando X
k
= g
k
(X), temos que X
k
uma varivel aleatria simples e X
k
X
para todo . Veja a Figura 4.3.
X()
g
1
(X())
g
2
(X())
Figura 4.3: Aproximao de X por g
1
(X) e g
2
(X).
Denio da Esperana
A esperana de uma varivel aleatria no-negativa denida aproximando-se por
variveis aleatrias simples.
Denio 4.12. Seja X uma varivel aleatria tal que X 0. Denimos a
esperana de X por
EX = sup {EZ : Z varivel aleatria simples com 0 Z X}.
Para denir a esperana no caso geral, observe que 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 4.13 (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.
Denio 4.14. Dizemos que X integrvel se ambas EX
+
e EX
so nitas.
Variveis Discretas e Contnuas
A denio acima no muito til quando queremos efetivamente calcular a
esperana de uma varivel aleatria X dada. A seguir veremos como obter EX
no caso de X ser discreta, contnua, ou mista, bem como a esperana de funes de
variveis aleatrias desses tipos.
Teorema 4.15 (Variveis Aleatrias Discretas). Seja X uma varivel aleatria
discreta. Se EX est denida, ento
EX =

x
x p
X
(x).
Demonstrao. Segue direto do Teorema 4.20 com h(x) = x.
Exemplo 4.16 (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 4.17. Se X assume valores em {0, 1, 2, 3, . . . }, ento
EX =
n=1
P(X n).
Demonstrao. Introduzimos um indicador de n k para inverter as somas:
EX =
k=1
k P(X = k) =
k=1
k
n=1
P(X = k)
=
k=1
n=1
1
nk
P(X = k)
=
n=1
k=1
1
nk
P(X = k)
=
n=1
k=n
P(X = k) =
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 4.18 (Variveis Aleatrias Absolutamente Contnuas). Seja X uma
varivel aleatria absolutamente contnua. Se EX est denida, ento
EX =
_
R
x f
X
(x) dx.
Demonstrao. Segue direto do Teorema 4.20 com h(x) = x.
Exemplo 4.19 (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
.
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 calcular a esperana usando os Teoremas 4.15 e 4.18.
Entretanto, existe outra maneira, que pode ser mais conveniente:
Teorema 4.20 (Mudana de Varivel). Seja X um vetor aleatrio misto com
componentes discreta e absolutamente contnua. Seja h : R
d
R uma funo
contnua por partes, e considere a varivel aleatria Y = h(X). Se EY est
denida, ento
EY =

x
h(x) p
X
(x) +
_
R
d
h(x) f
X
(x) d
d
x.
Em particular,
EY =
_
_
_
x
h(x) p
X
(x), X discreto,
_
R
d h(x) f
X
(x) d
d
x, X contnuo.
Exemplo 4.21. 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.
Lema 4.22. Sejam X e Y variveis aleatrias no-negativas denidas em (, F, P),
e tome X
k
= g
k
(X), Y
k
= g
k
(Y ). Ento, quando k ,
EX
k
EX, E[X
k
+ Y
k
] E[X + Y ] e E[X
k
Y
k
] E[XY ].
Demonstrao. Seja Z uma varivel aleatria simples com 0 Z X + Y . Tome
M = max
Z(),

X = [X M] e

Y = [Y M]. Note que Z

X +

Y . Ento
para k M temos X
k
+ Y
k
>

X +

Y 2
k+1
Z 2
k+1
. Da segue que
E[X
k
+ Y
k
] E[Z] 2
k+1
, logo liminf
k
E[X
k
+ Y
k
] EZ. Tomando o supremo
em Z, temos que liminf
k
E[X
k
+Y
k
] E[X+Y ] e portanto E[X
k
+Y
k
] E[X+Y ].
O primeiro limite segue como corolrio tomando-se Y = 0. A demonstrao do
ltimo limite um pouco mais complicada e ser omitida.
Demonstrao do Teorema 4.20. Se g : R
d
R
+
assume nitos valores, ento
E[g(X)] =

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

y
y
_
x:g(x)=y
p
X
(x) +
_
x:g(x)=y
f
X
(x) d
d
x
_
=

x
g(x) p
X
(x) +
_
R
d
g(x) f
X
(x) d
d
x.
Fazendo a decomposio h = h
+
h
, podemos supor que h uma funo no-

negativa. Tome Y
k
= g
k
(Y ) = g
k
(h(X)). Temos que
EY
k
=

x
g
k
(h(x)) p
X
(x) +
_
R
d
g
k
(h(x)) f
X
(x) d
d
x.
Portanto,
EY
k

x
h(x) p
X
(x) +
_
R
d
h(x) f
X
(x) d
d
x.
Por outro lado,
EY
k
= E[Y
k
1
h(X)k
] + E[Y
k
1
h(X)>k
]
=

xA
k
g
k
(h(x)) p
X
(x) +
_
A
k
g
k
(h(x)) f
X
(x) d
d
x + E[Y
k
1
h(X)>k
]
xA
k
h(x) p
X
(x) +
_
A
k
h(x) f
X
(x) d
d
x 2
k
,
onde A
k
= {x R
d
: h(x) k} R
d
. Fazendo k , temos pelo Lema 4.22 que
EY =

x
h(x) p
X
(x) +
_
R
d
h(x) f
X
(x) d
d
x.
Propriedades da Esperana Matemtica
Todas as propriedades da Esperana decorrem de trs propriedades fundamentais.
Teorema 4.23. Sejam X e Y variveis aleatrias em (, F, P). Ento valem
as seguintes propriedades:
(E1) Unitariedade. Se X = 1, ento EX = 1.
(E2) Monotonicidade. Se X Y , ento EX EY .
(E3) Linearidade. E[aX + bY ] = aEX + bEY para a, b R.
A desigualdade em (E2) vale sempre que EX e EY estiverem denidas, e (E3)
vale se, ademais, aEX + bEY no resultar em +.
Demonstrao. A unitariedade segue da Denio 4.1. Para a monotonicidade,
suponha que 0 X Y . Dada Z X simples, temos Z Y , e pela denio de
EY , temos EZ EY . Tomando o supremo em Z, pela denio de EX, temos
EX EY . Para o caso geral, observe que X Y implica X
+
Y
+
e X
Y

.
Para a linearidade, primeiro observamos que da denio de esperana segue
que E[aX] = aEX. Resta ento mostrar que E[X + Y ] = EX + EY . Suponha
inicialmente que X e Y sejam no-negativas. Usando a Proposio 4.5 e o Lema 4.22,
temos que 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 quaisquer. 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
+
.
Supondo que EX+EY est denido, necessariamente temos que EX
+EY
<
ou EX
+
+ EY
+
< . Consideramos sem perda de generalidade o primeiro caso.
Como (X +Y )
+Y
, temos E[(X +Y )
] EX
+EY
< , e portanto
podemos subtrair, obtendo
E[(X + Y )
+
] E[(X + Y )
] = (EX
+
EX
) + (EY
+
EY
).
Proposio 4.24 (Propriedades da Esperana).
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. |EX| E|X|.
6. Se 0 |X| Y e Y integrvel, ento X integrvel.
7. Se EX est denida e A F, ento E[X1
A
] est denida.
8. Se EX nita, ento E[X1
A
] nita.
9. Se X 0 e EX = 0 ento P(X = 0) = 1.
Demonstrao. Todas so conseqncias diretas das trs propriedades anteriores.
Vamos mostrar apenas a ltima. Para k N, temos 0 = EX E(X1
[X
1
k
]
)
E(
1
k
1
[X
1
k
]
) =
1
k
P(X
1
k
). Logo, P(X
1
k
) = 0 para todo k, portanto P(X >
0) = lim
k
P(X
1
k
) = 0.
Proposio 4.25 (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 no-negativas, ento, usando a
Proposio 4.10 e o Lema 4.22,
E[XY ] = lim
k
E[X
k
Y
k
] = lim
k
[EX
k
EY
k
] = EX EY.
No caso geral temos
E[XY ] = E[X
+
Y
+
X
+
Y

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

= EX EY.
Notao Existem outras formas de se denir a esperana, todas elas equivalentes.
Isso tambm se reete em distintas notaes, que o leitor poder encontrar em
diferentes bibliograas:
EX =
_
X dP, EX =
_
R
xdP
X
, EX =
_
R
xdF
X
(x).
A denio que usamos neste curso mais parecida primeira.
4.3 Momentos, Varincia e Covarincia
Denio 4.26. 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 4.27. 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
k
dx =
1
k + 1
,
e o segundo momento central dado por
E
_
_
X
1
2
_
2
_
=
_
1
0
_
x
1
2
_
2
dx =
1
12
.
O segundo momento central recebe o nome de varincia.
Denio 4.28 (Varincia). Seja X uma varivel aleatria integrvel. Dene-se
a varincia da varivel aleatria X, denotada por V X ou
2
(X), como
V X = E[(X EX)
2
].
Exemplo 4.29. Pelo exemplo anterior, se X U[0, 1], ento EX =
1
2
e V X =
1
12
.
Proposio 4.30 (Propriedades da Varincia). Seja X uma varivel aleatria
integrvel. Ento:
1. V X 0.
2. V X = EX
2
(EX)
2
.
3. V X = 0 se e somente se P(X = c) = 1 para algum c R.
4. V X EX
2
.
5. V (X b) = V X.
6. V (aX) = a
2
V X.
4.3. MOMENTOS, VARINCIA E COVARINCIA 59
Exemplo 4.31. Se X Bernoulli(
1
2
), temos
EX =
1
2
, EX
2
=
1
2
, V X = EX
2
(EX)
2
=
1
4
.
Denio 4.32 (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 4.33. Se X Bernoulli(
1
2
), temos
(X) =
V X =
_
1/4 =
1
2
.
Ou seja, uma varivel Bernoulli(
1
2
) varia em mdia =
1
2
unidade em torno de seu
valor esperado =
1
2
.
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 todo a R.
Denio 4.34 (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 4.35 (Propriedades da Covarincia). Dadas X e Y com segundo
momento nito:
1. Cov(X, Y ) = E[XY ] EX EY .
2. Cov(X, Y ) = 0 se e somente se E[XY ] = EX EY .
3. Cov(cX, Y ) = c Cov(X, Y ).
4. Cov(X, Y ) = Cov(Y, X).
5. Cov(X, X) = V X.
6. Cov(X, c) = 0 para todo c R.
7. Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z).
8. Cov(
i
a
i
X
i
,
j
b
j
Y
j
) =

i
j
a
i
b
j
Cov(X
i
, Y
j
).
Exemplo 4.36. Se f
XY
(x, y) = 1
[0,1]
(x)1
[0,1]
(y), Z = X Y , W = X Y , ento:
E[ZW] = E[XY ] =
_
1
0
_
1
0
xy dxdy =
1
4
EZ =
_
1
0
__
x
0
ydy +
_
1
x
xdy
_
dx =
_
1
0
(
x
2
2
+ x x
2
)dx =
1
2

1
6
=
1
3
EW =
_
1
0
__
x
0
xdy +
_
1
x
ydy
_
dx =
_
1
0
(x
2
+
1
2

x
2
2
)dx =
1
3
+
1
2

1
6
=
2
3
Cov(Z, W) = E[ZW] EZ EW =
1
4

2
9
=
1
36
.
Observao 4.37. Se as variveis aleatrias X e Y so independentes e integrveis
ento X e Y so no-correlacionadas, i.e., Cov(X, Y ) = 0. Entretanto, nem sempre
vale a recproca, isto , E[XY ] = EX EY no implica X e Y independentes.
Exemplo 4.38. 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).
Denio 4.39 (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 da dependncia linear entre X e Y :
(X, Y ) = Cov
_
X
(X)
,
Y
(Y )
_
.
O coeciente de correlao no tem unidade de medida.
Proposio 4.40 (Propriedades do Coeciente de Correlao). Dadas X e Y com
varincias nitas e positivas, valem:
1. (X, Y ) = (Y, X).
2. (X, Y ) =
Cov(X,Y )
(X)(Y )
.
4.3. MOMENTOS, VARINCIA E COVARINCIA 61
3. (X, X) = 1.
4. (X, aY + b) = (X, Y ) se a > 0 e b R.
EZ
2
=
_
1
0
__
x
0
y
2
dy +
_
1
x
x
2
dy
_
dx =
_
1
0
(
x
3
3
+ x
2
x
3
)dx =
1
3

1
6
=
1
6
V Z = EZ
2
(EZ)
2
=
1
6

1
9
=
1
18
V W = exerccio =
1
18
(Z, W) =
Cov(Z, W)
(Z)(W)
=
1/36
_
1/18
_
1/18
=
1
2
.
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.
Exerccio 4.2. 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 ).
Proposio 4.42. Sejam X e Y variveis aleatrias com varincias nitas e
positivas. Ento:
1. (X, Y ) [1, +1].
2. | Cov(X, Y )| (X)(Y ).
3. (X, Y ) = 1 Cov(X, Y ) = (X)(Y ) P(Y = aX + b) = 1, a > 0.
Veremos a demonstrao na prxima seo, como corolrio da Desigualdade de
Cauchy-Schwarz.
4.4 Desigualdades Bsicas
Denio 4.43 (Funes cncavas e convexas). Seja B R um intervalo aberto.
Dizemos que g : B R convexa se satisfaz s seguintes condies equivalentes:
(i) Para todos a < x < b em B, g(x) g(a) +
xa
ba
[g(b) g(a)].
(ii) Para todo a B, existe c R tal que g(x) g(a) +c(xa) para todo x B.
(iii) g
no-decrescente em B (caso g seja diferencivel).

(iv) g
(x) 0 para todo x B (caso g tenha segunda derivada).

Dizemos que g cncava se g convexa.
Exemplo 4.44. So funes convexas: g(x) = x
2
, g(x) = e
x
, g(x) = |x|, g(x) = x
1
.
So funes cncavas: g(x) = log x em (0, ), g(x) = x.
Proposio 4.45 (Desigualdade de Jensen). Seja g : B R uma funo
convexa e X uma varivel aleatria integrvel assumindo valores em B. Ento
E[g(X)] g(EX).
Demonstrao. Tomando a = EX e c tal que g(x) g(a)+c(xa) para todo x I,
temos E[g(X)] E[g(EX) + c(X EX)] = g(EX) + cEX cEX = g(EX).
Corolrio 4.46. Se g uma funo cncava, ento E[g(X)] g(EX).
Corolrio 4.47. Seja X uma varivel aleatria integrvel. Ento
(a) E|X| |EX|.
(b) EX
2
(EX)
2
.
(c) E
_
1
X
_
1
EX
se X 0.
(d) E |X|
p
(E |X|)
p
|EX|
p
para p 1.
(e) (E|X|
t
)
1
t
(E|X|
s
)
1
s
se 0 < s t.
Demonstrao. (a), (b) e (c) so imediatos. Para (d) usamos g(x) = x
p
em (0, )
e depois (a). Para (e), tomamos Y = |X| e g(y) = y
t/s
em (0, ). Temos que g
convexa pois g
(y) =
t
s
y
t
s
1
no-decrescente. Logo, E|X|
t
= E[(Y
s
)
t/s
] [EY
s
]
t/s
.
Elevando todos os temos a 1/t, temos a desigualdade desejada.
4.4. DESIGUALDADES BSICAS 63
Proposio 4.48 (Desigualdade Bsica de Tchebyshev). Seja X uma varivel
aleatria no-negativa e seja > 0 uma constante. Ento
P(X )
E(X)
.
Demonstrao. Tome Y = 1
[X]
. Temos que Y X, logo
EX EY = P(X ),
donde segue a desigualdade.
Exemplo 4.49. Se uma empresa recebe em mdia 100 chamadas telefnicas por dia,
queremos estimar a probabilidade de, num certo dia, receber mais de 300 chamadas.
Temos
P(X 300)
EX
300
=
1
3
.
Ou seja, esse evento ocorre com probabilidade igual a, no mximo,
1
3
.
Exerccio 4.3. Suponha que X seja uma varivel aleatria tal que P(X 0) = 1
e P(X 10) =
1
5
. Mostre que E(X) 2.
Proposio 4.50 (Desigualdade de Markov). Seja X uma varivel aleatria
qualquer e seja > 0 uma constante. Ento para todo t > 0,
P(|X| )
E |X|
t
t
.
Demonstrao. Dena Y = |X|
t
e use a desigualdade bsica com Y e
t
:
P(|X| ) = P(Y
t
)
EY
t
=
E|X|
t
t
.
Proposio 4.51 (Desigualdade Clssica de Tchebyshev). Seja X uma varivel
aleatria integrvel e seja > 0 uma constante. Ento
P
_
|X E(X)|
_
V X
2
.
Demonstrao. Tomando Y = (X EX)
2
, temos EY = V X e, aplicando a
desigualdade bsica,
P
_
|X EX|
_
= P(Y
2
)
EY
2
=
V X
2
.
Exemplo 4.52. Estimar a probabilidade de uma varivel aleatria X no diferir de
sua mdia por mais que duas vezes o valor do seu desvio-padro . Temos
P( 2 < X < + 2) = 1 P
_
|X EX| 2) 1
V X
(2)
2
= 1

2
4
2
=
3
4
.
Exerccio 4.4. 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
.
Teorema 4.53 (Desigualdade de Cauchy-Schwarz). Se EX
2
< e EY
2
< ,
ento
E[XY ]
EX
2
EY
2
.
Ainda, se E[XY ] =

EX
2
EY
2
, ento existe c 0 tal que P(Y = cX) = 1,
ou ento P(X = 0) = 1.
Demonstrao. Sejam a =

EX
2
e b =

EY
2
. Se a = 0, temos que X = 0,
a desigualdade trivial e a recproca tambm. Se b = 0, temos que Y = 0, a
desigualdade trivial e a recproca vale com c = 0. Assumimos ento que 0 < a <
e 0 < b < .
Observamos que
0
ab
2
E
_
X
a

Y
b
_
2
=
ab
2
E
_
X
2
a
2
2
XY
ab
+
Y
2
b
2
_
= ab E[XY ],
donde
E[XY ] ab =
EX
2
EY
2
.
Reciprocamente, suponha que E[XY ] = ab. Temos que E
_
X
a

Y
b
_
2
= 0, logo
P(
X
a

Y
b
= 0) = 1 e portanto P(Y = cX) = 1 com c =
a
b
.
Demonstrao da Proposio 4.42. Tomamos
Z =
X EX
(X)
e W =
Y EY
(Y )
Pela Desigualdade de Cauchy-Schwarz temos que
(X, Y ) = E[ZW]
EZ
2
EW
2
= +1,
4.5. ESPERANA CONDICIONAL DADO UM EVENTO 65
donde
Cov(X, Y ) = (X)(Y )(X, Y ) +(X)(Y ).
Ainda, se (X, Y ) = +1, ento W = +cZ com c 0. Mas 1 = EW
2
= c
2
EZ
2
= c
2
,
logo c = +1 e portanto
Y = EY + (Y ) Z = EY + (Y )
X EX
(X)
.
As propriedades anlogas com 1 no lugar de +1 seguem do caso anterior tomando-
se X no lugar de X:
(X, Y ) = (X, Y ) 1,
Cov(X, Y ) = Cov(X, Y ) (X)(Y ),
Y = EY + (Y )
X E[X]
(X)
= EY (Y )
X EX
(X)
.
4.5 Esperana Condicional dado um Evento
A informao sobre a ocorrncia de um certo evento A F com P(A) > 0 leva
denio de uma nova medida P
em (, F), dada pela relao P
(B) = P(B|A),
B F.
Uma varivel aleatria X tambm afetada neste caso. Como j vimos, X assa
a ter uma nova funo de distribuio F
X|A
(t), t R, uma nova lei P
X|A
(B), B B
e, nos casos discreto e contnuo, uma nova funo de probabilidade p
X|A
(x) ou de
densidade f
X|A
(x), x R.
Nesta situao, X tambm ter um novo valor esperado E(X|A), que, no caso
de X ser mista com componentes discreta e absolutamente contnua, ser dado por
E(X|A) =

x
x p
X|A
(x) +
_
R
xf
X|A
(x) dx.
No caso discreto, escolhemos a forma mais conveniente entre calcular
F
X|A
(t) = P(X t | A) t
ou
p
X|A
(x) = P(X = x| A) x.
No caso contnuo, em geral calculamos
F
X|A
(t) = P(X t | A) t
e depois fazemos
f
X|A
(x) =
d
dx
F
X|A
(x) x.
4.6 Exerccios
Exerccio 4.5. Calcular EX, onde:
1. X Geom(p).
2. X N(,
2
).
Exerccio 4.6. Considere o seguinte jogo de azar. Uma urna contm 18 bolas,
sendo 9 azuis e 9 brancas. Retiram-se 3 bolas da urna ao acaso. As bolas retiradas
so descartadas e o jogador marca 1 ponto se pelo menos 2 dessas 3 bolas forem
azuis. Em seguida retiram-se outras 3 bolas da urna ao acaso, as bolas retiradas so
descartadas e o jogador marca 1 ponto se pelo menos 2 dessas 3 bolas forem azuis.
Repete-se o procedimento at que a urna esteja vazia. Ao nal, o jogador recebe
um prmio X igual ao total de pontos marcados. Calcule EX.
Exerccio 4.7. Dada X varivel aleatria, 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. Seja X uma varivel aleatria simtrica em torno de , isto ,
P(X + x) = P(X x) para todo x R. Mostre que se X integrvel,
ento E(X) = .
Exerccio 4.10. Prove que E|X|
EX
2
.
Exerccio 4.11. 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 4.12. Calcular V X, onde:
1. X Geom().
2. X Poisson().
3. X b(n, p).
4. X exp().
4.6. EXERCCIOS 67
5. X N(,
2
).
Exerccio 4.13. 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 4.14. Seja X U [1, 1] e sejam A
1
= [X 0] e A
2
= [X < 0]. Pede-se
1. A distribuio condicional de X dado A
1
.
2. A distribuio condicional de X dado A
2
.
3. E(X|A
1
).
4. E(X|A
2
).
Exerccio 4.15. Seja X uma varivel aleatria exponencial com parmetro .
Encontre E [X| X > 2].
Exerccio 4.16. Se X Geom(p), encontre E [X | X > 5].
Exerccio 4.17. Se X tem funo de probabilidade
p
X
(n) =
n
n
e
.n!
para n = 0, 1, 2, 3, . . . , calcule V X.
Dica: desenvolver (n 1)(n 2 + 1) + 2(n 1) + 1.
Recomendados: 5, 6, 19, 20ab, 21, 23, 26, 28, 30, 36.
Captulo 5
Esperana Condicional
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.
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 seqncia innita de variveis aleatrias independentes que representam lana-
mentos de moedas honestas, ento certamente no-enumervel e F 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 D de ao invs de toda a -lgebra F quer dizer que estamos
trabalhando apenas com a informao relacionada quela partio.
5.1 Esperana Condicional dada uma Partio
Denio 5.1. Dizemos que D = {D
1
, D
2
, D
3
, . . . } uma partio de (, F) se
D
i
F i, D
i
D
j
= i = j, e
i
D
i
= .
Exemplo 5.2. 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 5.3 (Probabilidade Condicional Dada uma Partio). Dada uma
partio D = {D
i
}
i
e um evento A, denimos a varivel aleatria
P(A|D) = P(A|D)() =

i
P(A|D
i
) 1
D
i
(),
69
70 CAPTULO 5. ESPERANA CONDICIONAL
isto , em cada tomo D
i
da partio D, temos que P(A|D) assume o valor
constante P(A|D
i
).
Exemplo 5.4. Suponha que P (chover amanh|chove hoje) = 0, 7,
P (chover amanh|no chove hoje) = 0, 1 e seja D = {chove hoje, no chove hoje}.
Ento
Z = P(chover amanh|D) =
_
_
_
0, 7, se no estado chove hoje,
0, 1, caso contrrio.
Teorema 5.5 (Teorema da Probabilidade Total).
P(A) = E
_
P(A|D)
_
.
Demonstrao. E
_
P(A|D)
_
=

i
P(A|D
i
)E[1
D
i
] =

i
P(A|D
i
)P(D
i
) = P(A).
Exemplo 5.6. Se P(chover hoje) = 0, 6, ento
P(chover amanh) = EZ =

z
z P(Z = z) = 0, 7 0, 6 + 0, 1 0, 4 = 0, 46.
Denio 5.7. Seja X uma varivel aleatria discreta. Denimos a partio
induzida por X como D
X
= {D
1
, D
2
, D
3
, . . . }, onde D
j
= { : X() = x
j
}.
Denotamos a varivel aleatria P(A|D
X
)() por P(A|X)().
Exemplo 5.8. 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 ) = p 1
[Y =0]
+ (1 p) 1
[Y =1]
,
ou, escrevendo explicitamente como funo de Y :
P(A|Y ) = p (1 Y ) + (1 p) Y.
Denio 5.9 (Esperana Condicional Dada uma Partio). Seja X uma
varivel aleatria simples. Considere D uma partio de (, F). Denimos
a varivel aleatria
E(X|D)() =

i
E(X|D
i
) 1
D
i
().
5.1. ESPERANA CONDICIONAL DADA UMA PARTIO 71
D D

X() E(X|D)()
Figura 5.1: Ilustrao da denio de E(X|D).
Observe que, desenvolvendo a expresso acima, temos
E(X|D) =

i
_
x
x P(X = x|D
i
)
_
1
D
i
=

x
x
_
i
P(X = x|D
i
) 1
D
i
_
,
e portanto
E(X|D) =

x
x P(X = x| D).
A esperana condicional E(X|D) a uma aproximao para X que depende apenas
da informao relacionada partio D. Ela grosseira o suciente para atender
restrio de ser constante no tomos de D, mas na o suciente para ser a melhor
entre todas as aproximaes sujeitas a essa restrio. Veja a Figura 5.1.
Exemplo 5.10. Lanamento de um dado honesto. Seja D = {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.
Proposio 5.11 (Propriedades da esperana condicional).
1. E(c | D) = c
2. Se X Y ento E(X|D) E(Y |D)
3. E(aX + bY |D) = aE(X|D) + bE(Y |D)
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, temos que E(c | D) = 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|D)
_
.
Demonstrao. Pelo Teorema 5.5,
E
_
E(X|D)
_
= E
_
x
x P(X = x|D)
_
=
=

x
x E
_
P(X = x|D)
_
=

x
x P(X = x) = EX.
Com o Teorema 5.12 completamos o diagrama da Figura 5.2.
P()
EX=
x
xP(X=x)
/
P(A|D)=
P(AD)
P(D)
E()
P(|D)
E(X|D)=
x
xP(X=x|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(|D)
P(A)=E[P(A|D)]
F
E(X|D)=
x
xP(X=x|D)
/
E(|D)
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.
Exemplo 5.13. Lanamento do dado no Exemplo 5.10. Temos
EX = E
_
E(X|D)
_
= EZ =
7
2
.
5.1. ESPERANA CONDICIONAL DADA UMA PARTIO 73
Se Y uma varivel aleatria discreta, denotamos
E(X|Y ) = E(X|D
Y
).
Exerccio 5.1. 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 )
_
.
Dizemos que D
2
mais na que D
1
, denotado por D
2
D
1
, se todo elemento de D
1
igual unio de elementos de D
2
, isto , se para todo D D
1
existe C D
2
tal
que D = C. Isso signica que D
2
tem mais informao do que D
1
.
Exemplo 5.15. Seja D
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 D
1
= {D
5
, D
6
, D
7
}, temos D
2
D
1
.
Exemplo 5.16. Para qualquer partio D vale D D {}.
Dizemos que X D-mensurvel se D D
X
, isto , se X constante nos tomos
de D, ou seja, se a informao sobre D determina o valor de X.
Observao 5.17. X sempre D
X
-mensurvel. Se Y = g(X) para alguma g : R
R, ento Y D
X
-mensurvel.
Denimos D
X
1
,X
2
,...,X
d
como sendo a partio gerada pelo vetor (X
1
, X
2
, . . . , X
d
),
ou seja, a partio cujos tomos so os maiores conjuntos onde todas as X
j
so
constantes. Mais formalmente, se {x
1
, . . . , x
k
} so os valores assumidos pelo vetor
aleatrio X, denimos D
i
= [X = x
i
] e D = {D
1
, . . . , D
k
}.
Exerccio 5.2. Mostre que D
X
1
,X
2
D
X
1
.
De forma anloga a E(X|Y ), denimos
E(X|Y
1
, . . . , Y
n
) = E
_
X
D
Y
1
,...,Yn
_
.
Proposio 5.18. Se X D-mensurvel, ento
E(XY |D) = XE(Y |D).
Em particular, E(X|D) = X. Ademais, E(X|X) = X.
Demonstrao. Feita em aula, seguindo [Shi96, p. 80].
Observao 5.19. E(X|D) sempre D-mensurvel.
Proposio 5.20. Se D
1
D
2
, ento
E
_
E(X|D
2
)
D
1
_
= E
_
E(X|D
1
)
D
2
_
= E(X|D
1
).
Em particular,
E
_
E(X|Y
1
, Y
2
)
Y
1
_
= E(X|Y
1
).
Demonstrao. Feita em aula, seguindo [Shi96, p. 81].
Exemplo 5.21. Dada uma funo g, vale
E [g(Y )E (X|Y )] = E [Xg(Y )] .
Com efeito, como Z = g(Y ) D
Y
-mensurvel, temos
E
_
Xg(Y )
Y
_
= g(Y )E(X|Y ).
Tomando a esperana dos dois lados, obtemos a equao anterior.
5.2 Distribuio Condicional Regular
Quando Y uma varivel aleatria discreta assumindo valores y
1
, y
2
, . . . , essa
varivel aleatria induz uma partio D
Y
de (, F), e temos as seguintes relaes:
P(X B) =

y
P(X B|Y = y)P(Y = y) = E
_
P(X B|Y )
_
E(X) =

y
E(X|Y = y)P(Y = y) = E
_
E(X|Y )
_
.
No caso de variveis aleatrias Y que no sejam discretas, temos que dar sentido
a expresses como P(X B|Y = y) e E(X|Y = y), mesmo que P(Y = y) seja zero,
para poder dizer que relaes anlogas continuam valendo.
Denio 5.22 (Distribuio Condicional Regular). Sejam X e Y variveis
aleatrias denidas no mesmo espao de probabilidade (, F, P). A distribuio
condicional regular de X dado que 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 5.23. 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.
5.2. DISTRIBUIO CONDICIONAL REGULAR 75
Demonstrao. Omitida. Envolve Teoria da Medida.
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 5.22. 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.
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).
Caso de X e Y possurem densidade conjunta
Se X e Y possuem 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 que Y = y dada por
F
X
(t|Y = y) =
_
t
f
X
(x|Y = y) dx.
Exemplo 5.24. 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 5.25. 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
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|Y = y) =
P(X = x)f
Y
(y|X = x)
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
(t|Y = y) =

xt
p
X
(x|Y = y).
Princpio da preservao das chances relativas
5.3. ESPERANA CONDICIONAL REGULAR 77
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 5.26. X N(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. Temos ento
P
_
X =
Y = y
_
= P
_
X =
Y = y
_
=
1
2
, y > 0.
Exemplo 5.27. 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 e 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
_
.
5.3 Esperana Condicional Regular
Dada X integrvel, denimos E(X|Y = y) como a esperana de X com respeito
sua distribuio condicional regular dado que Y = y.
Teorema 5.28. Sejam X e Y variveis aleatrias denidas em (, F, P) com X
integrvel. Ento existe algum A B tal que P(Y A) = 1 e E(X|Y = y) nita
para todo y A.
Tomando g : R R como sendo a funo tal que E(X|Y = y) = g(y),
denimos a varivel aleatria E(X|Y ) por E(X|Y ) = g(Y ), isto , E(X|Y )() =
g(Y ()).
Exemplo 5.29. Se X U[0, 2] e Y = max{X, 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 = y) = y se y (1, 2] e E(X|Y = y) =
1
2
se y = 1. Substituindo,
E(X|Y ) =
_
_
_
1
2
, Y = 1,
Y, 1 < Y 2.
Teorema 5.30. Se X integrvel ento
EX = E
_
E(X|Y )
_
.
Exemplo 5.31. No Exemplo 5.29, temos que Y mista com funes de densidade
e probabilidade dadas por
p
Y
(y) =
1
2
1
{1}
(y), f
Y
(y) =
1
2
1
[1,2]
(y)
e portanto
EX = E
_
E(X|Y )
_
= E[g(y)] =
1
2

1
2
+
_
2
1
1
2
y dy = 1.
5.3. ESPERANA CONDICIONAL REGULAR 79
Teorema 5.32 (Propriedades da Esperana Condicional).
1. E [E(X|Y )] = EX.
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.
Exemplo 5.33. 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 5.34. No Exemplo 5.24, 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
.
Exemplo 5.35. No Exemplo 5.25, 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
.
Exemplo 5.36. Seja X U [0, 1]. Se X = x, ento uma moeda com probabili-
dade x de sair cara lanada n vezes independentemente. Seja Y a varivel aleatria
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
_
n1
y1
_
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 5.3. Sejam X e Y variveis aleatrias 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 5.4. 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] .
5.4. EXERCCIOS 81
Exerccio 5.5. 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 5.6. 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).
5.4 Exerccios
Exerccio 5.7. Considere X e Y i.i.d. Bernoulli(p). Calcule E(X +Y |Y ) e escreva
essa varivel aleatria como uma funo da varivel aleatria 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 D
Y
-mensurvel.
Exerccio 5.8. Sejam X e Y variveis aleatrias simples e i.i.d. Mostre que
E(X|X + Y ) = E(Y |X + Y ) =
X + Y
2
.
Exerccio 5.9. Seja X uma varivel aleatria simples denida em (, F, P) e D
uma partio de (, F). A varincia condicionada a uma partio denida de
forma anloga varincia de uma varivel aleatria:
V (X|D) = E
_
[X E (X|D)]
2
D
_
.
Mostre que
V (X|D) = E
_
X
2
D
_
[E (X|D)]
2
e que
V X = E[V (X|D)] + V [E(X|D)].
Exerccio 5.10. Sejam X e Y variveis aleatrias simples denidas em (, F, P)
e D uma partio. Mostre que
E [ X E (Y |D) ] = E [ Y E (X|D) ] .
Exerccio 5.11. Sejam X e Y variveis aleatrias simples denidas em (, F, P)
e D uma partio. Se
E
_
Y
2
D
_
= X
2
e E(Y |D) = X,
mostre que P(X = Y ) = 1. Dica: desenvolva E [(X Y )
2
].
Exerccio 5.12. Joga-se um dado, depois uma moeda, depois o dado novamente
e segue-se alternando entre o dado e a moeda. Quando se obtm cara na moeda,
o jogo imediatamente interrompido e conta-se o total Z de pontos obtidos nos
lanamentos do dado. Calcule EZ.
Exerccio 5.13. Seja X exp() e Y = min{X, c}, onde c > 0 uma constante.
Encontre E(X|Y ).
Exerccio 5.14. [Jam04, Captulo 4]. Recomendados: 1, 9, 15, 16b, 32, 40.
Captulo 6
Convergncia de Variveis
Aleatrias
Considere 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 generali-
zao do conceito de convergncia para nmeros reais. Entretanto, existem vrias
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.
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
.
Denimos o evento liminf A
n
, denotado por [A
n
eventualmente], por
liminf
n
A
n
=
_
n=1
k=n
A
k
.
83
84 CAPTULO 6. CONVERGNCIA DE VARIVEIS ALEATRIAS
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.
Alm disso, vale 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 (, F, P) e uma seqncia de
eventos aleatrios (A
n
) em F.
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
.
Teorema 6.3 (Lema de Borel-Cantelli). Seja (, F, P) um espao de probabili-
dade e (A
n
) uma seqncia de eventos aleatrios. Ento:
6.2. CONVERGNCIA DE VARIVEIS ALEATRIAS 85
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.
Demonstrao. Feita em aula, seguindo [Jam04, p. 201].
Exemplo 6.4. Considere uma seqncia de innitos sorteios independentes e
uniformes de um nmero (X
n
)
nN
entre 0 e 1. Ento
1. P(X
n
[0, 1/n] para innitos ns) = 1.
2. P(X
n
[0, 1/n
2
] para innitos ns) = 0.
Podemos armar que vale a recproca do Lema de Borel-Cantelli, ou seja, que
P(A
n
i.v.) = 0 implica

n
P(A
n
) < , quando os (A
n
) so independentes. Caso
contrrio, podemos ter P(A
n
i.v.) = 0 sem que necessariamente

n
P(A
n
) < .
Neste caso podemos armar pelo menos que P(A
n
) 0.
Proposio 6.5. Se P(A
n
innitas vezes) = 0 ento P(A
n
) 0.
Demonstrao. Tomando B
k
=
nk
A
n
, temos que B
k
[A
n
i.v.] quando k .
Como B
k
A
k
, vale P(A
k
) P(B
k
) P(A
n
i.v.) = 0.
Observao 6.6 (Lei 0-1 para Innitos Eventos Independentes). Uma conseqncia
imediata do Lema de Borel-Cantelli a seguinte. Se (A
n
)
nN
uma seqncia de
eventos independentes, ento P(A
n
innitas vezes) = 0 ou 1.
6.2 Convergncia de Variveis Aleatrias
Sejam X e (X
n
)
nN
variveis aleatrias denidas num mesmo espao de probabili-
dade (, F, P).
Denio 6.7 (Convergncia em Probabilidade). 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
, . . . variveis aleatrias independentes, tais que X
n

Bernoulli(
1
n
). Temos para < 1 que
P
_
|X
n
0|
_
= P(X
n
= 1) =
1
n
0,
e portanto X
n
P
0.
1
, X
2
, . . . variveis aleatrias independentes, identicamente
distribudas com distribuio exp(1) e tome
Y
n
=
X
n
log n
.
Ento
P
_
Xn
log n
0

_
= P(X
n
log n) = n
0,
e portanto
Xn
log n
P
0.
Denio 6.10 (Convergncia Quase Certa). Dizemos que X
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. 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 probabi-
lidade 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
muito alta.
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
.
Ento 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| innitas vezes
_
= 0 > 0.
Demonstrao. A proposio segue da seguinte cadeia de equivalncias:
P(X
n
X) = 1
P( > 0, |X
n
X| < eventualmente) = 1
P( > 0 tal que |X
n
X| i.v.) = 1
P
_
k N tal que |X
n
X|
1
k
i.v.
_
= 1
P
_
k N tal que |X
n
X|
1
k
i.v.
_
= 0
k N, P
_
|X
n
X|
1
k
i.v.
_
= 0
> 0, P (|X
n
X| i.v.) = 0.
As equivalncias acima so: denio de convergncia; negao de um evento ocorrer
eventualmente; substituio de epsilon por
1
k
, que possvel porque a condio
montona em ; evento complementar; sub-aditividade da probabilidade; nova
substituio de
1
k
por .
Corolrio 6.14 (q.c. P). 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,
e pela Proposio 6.5 segue que P(|X
n
X| ) 0, ou seja, X
n
P
X.
Corolrio 6.15 (Lei 0-1 para Convergncia Quase Certa). Sejam X
n
uma seqncia
de variveis aleatrias independentes. Ento P(X
n
0) = 0 ou 1.
Exerccio 6.4. 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.
Exemplo 6.16. No Exemplo 6.8, temos pelo Lema de Borel-Cantelli que
P(X
n
= 1 innitas vezes) = 1,
portanto P(X
n
0) = 0 e no vale X
n
q.c.
0.
Exemplo 6.17. No Exemplo 6.9, temos que P(
Xn
log n
innitas vezes) = 1 para
1 e 0 para > 1. Portanto no vale que
Xn
log n
q.c.
0.
Denio 6.18 (Convergncia emL
p
). Dizemos que X
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.
Proposio 6.19 (L
p
P). Se X
n
Lp
X para algum p 1 ento X
n
P
X.
Demonstrao. Pela desigualdade de Markov temos
P(|X
n
X| )
E|X
n
X|
p
p
0.
Proposio 6.20 (L
p+s
L
p
). 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.
Exemplo 6.21. Suponha que P(X
n
= n
3
) =
1
n
2
= 1 P(X
n
= 0). Ento para
< 1 temos P(X ) =
1
n
2
e portanto X
n
q.c.
0. Entretanto, EX = n, logo no
podemos ter X
n
L
1
0, e pela proposio acima no podemos ter convergncia em L
p
para nenhum p 1.
E|X 0|
p
= EX
p
= P(X = 1) =
1
n
0,
portanto X
n
Lp
0, para todo p. No entanto, no vale X
n
q.c.
0.
Denio 6.23 (Convergncia em Distribuio). Dizemos que X
n
converge em
distribuio para X, que denotamos por X
n
d
X, se, para todo ponto t em
que F
X
contnua, vale
lim
n
F
Xn
(t) = F
X
(t).
Observao 6.24. Para convergncia em distribuio no necessrio que as
variveis aleatrias estejam denidas no mesmo espao de probabilidade, pois essa
noo de convergncia leva em conta apenas a sua distribuio.
Ideia da prova. Feita em aula.
Observao 6.25. O limite em distribuio nico, isto , se X
n
d
X e X
n
d
Y
ento X Y .
Exemplo 6.26. Seja X
n
=
1
n
para n 1 e X = 0. Ento 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.
Exerccio 6.5. Seja (X
n
)
n
uma seqncia de variveis aleatrias 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 .
Proposio 6.27 (P d). Se X
n
P
X ento X
n
d
X.
Demonstrao. Omitida. O leitor pode consultar [Jam04, p. 249].
Exerccio 6.6. Mostre que, se X
n
q.c.
Y e X
n
d
Z, ento Y Z.
A convergncia em probabilidade implica a convergncia em distribuio, mas
no faz sentido pensar na recproca: para a convergncia em distribuio no
necessrio sequer que as variveis aleatrias estejam denidas no mesmo espao
de probabilidade. Ademais, como vimos nos exemplos acima, no h relao de
implicao entre convergncia quase certa e convergncia em L
p
, e ambas implicam
convergncia em probabilidade. Entretanto, sob condies particulares, podemos
garantir mais implicaes entre as diferentes denies de convergncia.
Proposio 6.28. Se X
n
d
c para c R constante, ento X
n
P
c.
Demonstrao. Feita em aula, seguindo [Jam04, p. 249].
Proposio 6.29. Se X
n
P
X ento existe uma subseqncia n
k
tal que
X
n
k
q.c.
X.
Demonstrao. Como P(|X
n
X| ) 0 para todo > 0, podemos tomar
n
1
> 0 tal que P(|X
n
1
X| 1) <
1
2
. Novamente, podemos tomar n
2
> n
1
tal
que P(|X
n
2
X|
1
2
) <
1
4
. Sucessivamente, podemos tomar n
k
> n
k1
tal que
P(|X
n
k
X|
1
k
) <
1
2
k
.
Vamos ver que essa seqncia n
k
satisfaz X
n
k
q.c.
X. Seja > 0. Temos que
P(|X
n
k
X| ) P(|X
n
k
X|
1
k
) para todo k
1
. Por outro lado temos
que

k
P(|X
n
k
X|
1
k
) < , logo

k
P(|X
n
k
X| ) < . Pelo Exerccio 6.4
temos que X
n
k
X
q.c.
0, ou seja, X
n
k
q.c.
X.
Corolrio 6.30 (Unicidade do Limite em Probabilidade). 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.
k
X
e uma subseqncia n
k
j
tal que
X
n
k
j
q.c.
j
Y.
Para todo na interseo de A = [X
n
k
X] e B = [X
n
k
j
Y ] temos que
[X = Y ]. Como P(A) = P(B) = 1, temos que P(A B) = 1, e portanto P(X =
Y ) P(A B) = 1.
Proposio 6.31 (Convergncia Dominada). 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.
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.
6.3 Exerccios
Exerccio 6.7. Sejam (X
n
)
nN
variveis aleatrias independentes, distribudas
respectivamente como exp(
n
), onde
n
= n
3
. Prove que P
_
n=1
X
n
<
_
= 1.
Exerccio 6.8. [Jam04, Captulo 5]. Recomendados: 5, 6, 7, 9, 10.
Exerccio 6.9. 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.
6.3. EXERCCIOS 91
Exerccio 6.10. 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.
n
)
n
uma seqncia de variveis aleatrias independentes
com distribuio uniforme em [0, 1], e Y
n
= max{X
1
, . . . , X
n
}. Encontre a funo
de distribuio de Y
n
e o limite em distribuio desta seqncia.
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 6.18. [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.
Assim,
M
X
(t) =
_
x
e
tx
P(X = x), se X discreta,
_
R
e
tx
f
X
(x) dx, se X contnua.
93
94 CAPTULO 7. F.G.M. E FUNO CARACTERSTICA
Exemplo 7.2. Se X Bernoulli(p), ento
M
X
(t) = pe
t
+ 1 p,
EX = p,
V X = p(1 p).
Exerccio 7.1. Mostre que, se X tem funo geradora de momentos M
X
(t) e Y =
aX + b, ento M
Y
(t) = e
bt
M
X
(at).
Proposio 7.3. Se X tem funo geradora de momentos M
X
(t), ento
d
k
dt
k
M
X
(t)
t=0
= E[X
k
].
Ideia da prova. Vamos supor que X varivel aleatria simples. Temos
d
k
dt
k
M
X
(t)
t=0
=
d
k
dt
k
x
e
tx
P(X = x)
t=0
=

x
P(X = x)
d
k
dt
k
e
tx
t=0
=

x
P(X = x) x
k
e
0x
= E[X
k
].
Exemplo 7.4. Se X Bernoulli(p), ento
EX = p,
V X = p(1 p).
Exemplo 7.5. Se X b(n, p), ento
M
X
(t) =
_
1 +p(e
t
1)
_
n
,
EX = np,
V X = np(1 p).
Exemplo 7.6. Se X Geom(p), ento
M
X
(t) =
pe
t
1 (1 p)e
t
, t < log
1
1p
,
EX =
1
p
,
V X =
1 p
p
2
.
7.1. FUNO GERADORA DE MOMENTOS 95
Exemplo 7.7. Se X Poisson(), ento
M
X
(t) = e
(e
t
1)
,
EX = ,
V X = .
Proposio 7.8 (Unicidade). A funo geradora de momentos dene de forma
unvoca a distribuio da varivel aleatria, ou seja, se M
X
= M
Y
em algum
intervalo [b, b] ento F
X
= F
Y
.
Teorema 7.9 (Variveis Aleatrias Independentes). Sejam X
1
, X
2
, . . . , X
n
variveis
aleatrias independentes e Y = X
1
+X
2
+ +X
n
. Ento para todo valor de t para
o qual as M
X
i
(t) esto denidas, vale
M
Y
(t) =
n
i=1
M
X
i
(t).
Exemplo 7.10. Se X
i
Poisson(
i
), para i = 1, 2, . . . , n, independentes, ento
X = X
1
+ X
2
+ + X
n
Poisson(
n
i=1
i
).
Exemplo 7.11. Se X uma varivel aleatria no-constante assumindo valores
em N e EX < , chamamos de amostragem por tamanho de X distribuio
dada por p
Y
(n) =
1
EX
n p
X
(n). Vamos mostrar que Y X + 1 se e somente se
X Poisson() para algum > 0.
Com efeito, observe que
M
X+1
(t) = e
t
M
X
(t) e M
Y
(t) =
M
X
(t)
M
X
(0)
.
Se M
X+1
= M
Y
vale
e
t
M(t) =
M
(t)
M(0)
M
(t)
M(t)
= M
(0)
. .
>0
e
t
log M(t) = e
t
+ c
e como M(0) = 1 temos c = . Logo,
M(t) = e
(e
t
1)
e portanto X Poisson().
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 7.12. Uma varivel aleatria complexa Z uma funo Z : C
tal que Z = X + iY , onde (X, Y ) um vetor aleatrio real.
Se X e Y so integrveis, denimos
EZ = EX + iEY.
A integrao de funes complexas em domnios reais pode ser feita, para todos
os ns prticos, como no caso real. Vamos utilizar a frmula de Euler
e
iy
= cos(y) + i sen(y), |e
iy
| = 1,
e usaremos sem demonstrao os seguintes fatos:
e
z+w
= e
z
e
w
,
n
z
n
n!
= e
z
, (e
g
)
= g
e
g
,
_
1 +
z
n
n
_
n
e
z
se z
n
z.
Proposio 7.13. |EZ| E|Z|
Demonstrao. Fazendo EZ = re
i
, com r = |EZ|, temos E[e
i
Z] = e
i
E[Z] =
r R, logo r = E[(e
i
Z)] E|e
i
Z| = E|Z|.
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. 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 97
Denio 7.14. 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 7.15. 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 7.16. 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 7.17. 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 7.18 (Poisson). Calculando os momentos da Poisson:
EX = i(X)
(0) = ,
EX
2
= (X)
(0) =
2
+ ,
V X = EX
2
(EX)
2
= .
Proposio 7.19 (Unicidade). Se
X
(t) =
Y
(t) t R, ento X Y .
Exemplo 7.20 (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 7.21 (Teorema da Continuidade de 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 7.22 (Binomial converge a Poisson). Feito em aula.
7.3 Exerccios
Exerccio 7.2. Se X N(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 7.3. 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.
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:
7.3. EXERCCIOS 99
(a) Se X N(,
2
), ento Z =
X
N(0, 1).
(b) Assim, se X N(,
2
), ento
m
X
(t) = e
t+
1
2
2
t
2
E(X) =
V X =
2
.
(c) Se X
i
N(
i
,
2
i
), ento S
n
N(
n
i=1
i
,
n
i=1
2
i
).
(d) Se X
i
N(,
2
), ento S
n
N(n, n
2
).
(e) Se X
i
N(,
2
), ento

S
n
N(,

2
n
).
Exerccio 7.5. 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 7.6. 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 7.7. 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 7.8. 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 7.9. Se X U[a, b], calcule M
X
(t). Use a funo geradora de momentos
para calcular EX e V X.
Exerccio 7.10. 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 7.11. Se X exp(), calcule M
X
(t). Use a funo geradora de
momentos para calcular EX e V X.
Exerccio 7.12. Seja Y uma varivel aleatria absolutamente 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 7.13. Se X N(0, 1), calcule
X
(t).
Voc pode usar o seguinte fato, da teoria do clculo em uma varivel complexa:
_
R
e
(w+ci)
2
dw =
_
R
e
w
2
dw
para qualquer c R.
Exerccio 7.14. Se X N(,
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
, . . . variveis aleatrias integrveis em (, F, 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.
101
102CAPTULO 8. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE
Teorema 8.3 (Lei Fraca de Tchebyshev). Sejam X
1
, X
2
, . . . variveis aleatrias
no-correlacionadas dois a dois com varincias nitas e uniformemente limitadas
(isto , existe c nito, 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
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 7.21,
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
independentes, identicamente distribudas e integrveis, com EX
n
= . Ento
X
1
, X
2
, . . . satisfazem 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 variveis aleatrias 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
N(0, 1),
8.3. EXERCCIOS 103
isto ,
S
n
n
n
d
N(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 7.21,
Sn
n
d
N.
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
N(0, 1).
Ou de outra forma
S
n
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
).)
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. A quantidade de uvas-passas encontradas em cada panetone de uma
determinada marca independente dos demais panetones e segue a distribuio de
Poisson com parmetro = 25 (ou seja, tm esperana igual varincia, igual
a ). Um grupo de estudantes de frias resolve estimar o valor de , uma vez
que o mesmo desconhecido para eles. Para isso, vo contar as uvas-passas de uma
amostra de N = 625 panetones e registrar o resultado de cada contagem X
1
, . . . , X
N
.
A estimativa

N
para o valor de que os estudantes vo adotar ser dada por
N
=
X
1
+ + X
N
N
.
a) Qual o valor aproximado da probabilidade de que o valor

N
esteja entre
24, 8 e 25, 4?
b) Para que o erro
fosse menor que 0, 075 com probabilidade pelo menos

igual a 86, 64%, qual deveria ser o nmero N de panetones examinados?
(Sugesto: resolve-se esse item como o anterior, porm de trs para frente.)
8.3. EXERCCIOS 105
Exerccio 8.7. Use o Teorema Central do Limite para vericar que
lim
n
2 e
n
n
k=0
n
k
k!
= 1.
Exerccio 8.8. 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 8.9. [Jam04, Captulo 7]. Recomendados: 2 e 9.
Notao
#A Cardinalidade de A
A
c
Complementar de A \ A
P() Conjunto das partes {A : A }
_
n
k
_
Combinaes de n, k a k
n!
k!(nk)!
F(x) Limite lateral lim
yx
F(y)
F(x+) Limite lateral lim
yx+
F(y)
1
A
Funo indicadora 1
A
() = 1 se A ou 0 caso contrrio
1
ij
Indicador de i j 1
ij
= 1 se i j ou 0 caso contrrio
a b Mximo max{a, b}
a b Mnimo min{a, b}
x y Desigualdade de vetores x
1
y
1
, . . . , x
d
y
d
i.i.d. Independentes e identicamente distribudas
107
108 NOTAO
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.
[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.
109

Apostila Intr Prob

Transféré par

Informations du document

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

Apostila Intr Prob

Transféré par

Droits d'auteur :

Formats disponibles

Introduo Probabilidade

0. Observe tambm que |X| = X

, podemos supor que h uma funo no-

no-decrescente em B (caso g seja diferencivel).

(x) 0 para todo x B (caso g tenha segunda derivada).

em (, F), dada pela relao P

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

f(z) dz = 0, seriam na obteno da

fosse menor que 0, 075 com probabilidade pelo menos

Vous aimerez peut-être aussi