Académique Documents
Professionnel Documents
Culture Documents
Augusto Teixeira
27 de maio de 2015
Licena
Esse trabalho licenciado nos termos da licena Creative Commons AtribuioNoComercial-CompartilhaIgual 3.0 No Adaptada (CC BY-NC-SA 3.0). Assim,
qualquer um pode usar, distribuir e modificar o contedo em obras derivadas
livremente desde que para fim no-comercial e com a devida citao da fonte.
Qualquer violao dos termos da licena citada ser considerado uso ilegal.
Sumrio
Prefcio
1
ii
Fundamentos
1.1 Espaos mensurveis . . . . . . . . . . . . .
1.2 Espaos de probabilidade . . . . . . . . . .
1.3 Sistemas - . . . . . . . . . . . . . . . . . .
1.3.1 Igualdade de probabilidades . . . .
1.4 Elementos aleatrios . . . . . . . . . . . . .
1.4.1 Distribuio de elementos aleatrios
1
2
3
5
7
8
9
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
. . 11
. 13
. 14
. 14
. 16
.
17
.
17
. 18
. . 21
. 26
. 26
.
27
. . 31
. 34
. 34
.
37
. 38
iii
SUMRIO
iv
SUMRIO
2.10 Espaos cannicos . . . . .
2.10.1 Espaos poloneses
Tpico: Cadeias de Markov . .
Tpico: Urna de Plya . . . . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
45
49
53
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
57
57
60
61
61
64
66
68
70
73
75
81
81
85
87
88
91
Esperana condicional
4.1 Esperana condicional . . . . . . . . . . . . . .
4.2 Propriedades bsicas da esperana condicional
4.3 Probabilidade Condicional Regular . . . . . . .
4.4 Princpio da substituio . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
93
. 93
. 96
. 102
. 105
.
.
.
.
Solues de exerccios
111
Referncias Bibliogrficas
113
Index
116
ndice Remissivo
116
SUMRIO
vi
Captulo 1
Fundamentos
CAPTULO 1. FUNDAMENTOS
(P({1, 3, 5}) = 1/2) ou o lado serteado foi dois (P({2}) = 1/6). E percebemos
rapidamente que para eventos disjuntos a probabilidade de sua unio a soma
de suas probabilidades (no caso acima, P({1, 2, 3, 5}) = 1/2 + 1/6 = 2/3). Esse
carter aditivo da probabilidade certamente nos remete aos conceitos bsicos de
Teoria da Medida. Vamos agora formalizar a discusso acima com mais calma,
sob a tica dessa teoria.
1.1
Espaos mensurveis
Denotaremos sempre por o nosso espao amostral ( princpio qualquer conjunto). Um ponto nesse espao corresponde por exemplo a um possvel resultado do nosso experimento aleatrio.
Exemplo 1.1.1. Possveis exemplos de espao amostral
a) 1 = {1, 2, . . . , 6},
b) 2 = R+ ,
c) 3 = { f : [0, 1] R; f contnua}.
Os exemplos acima poderiam ser usados em modelar por exemplo: o resultado de um dado, o volume anual de chuva em uma cidade e o comportamento
ao longo do dia do preo de uma ao na bolsa de valores.
Consideraremos sempre s equipados com uma -lgebra denotada por F .
Mais precisamente
Definio 1.1.1. Dizemos que F P () uma -lgebra se
a) F ,
b) A F implica que Ac F e
c) se A1 , A2 , F , ento i Ai F .
Nesse caso, dizemos que (, F ) um espao mensurvel e os elementos
A F so chamados de eventos.
Se G P () (que chamamos de uma classe ou famlia), denotamos por
(G) a -lgebra gerada por G , que a menor -lgebra contendo G . Um exemplo
importante dado pela -lgebra de Borel , gerada pelos abertos de uma topologia
em .
Exemplo 1.1.2. Tpicos exemplos de -lgebra correspondentes aos espaos amostrais
do Exemplo 1.1.1
a) F1 = P (1 ),
b) F2 = B([0, 1]) e
c) F3 = B(C [0, 1]).
2
1.2
Espaos de probabilidade
i Ai
= P ( A i ).
(1.1)
Obviamente, isso nada mais que uma medida que associa massa um ao
espao todo.
Exemplo 1.2.1. Probabilidades nos espaos do Exemplo 1.1.1
a) P1 ( A) = (#A)/6 em (1 , F1 ). Ou mais geralmente P10 ( A) = i A pi , onde
pi 0 e i pi = 1.
b) P2 pode ser a medida deRLebesgue em ([0, 1], B([0, 1])). Mais geralmente tambm
0
podemos
R ter P2 ( A) = A ( x ) dx, onde : [0, 1] R+ , chamada densidade,
tal que [0,1] ( x ) dx = 1.
c) P3 = 0 , que atribui o valor um se o evento contm a funo identicamente nula
( f 0) e zero caso contrrio.
Obviamente o terceiro exemplo bastante artificial (e intil). Mas futuramente, estaremos protos para introduzir medidas bem interessantes no espao
( 3 , F3 ).
3
CAPTULO 1. FUNDAMENTOS
Proposio 1.2.2. Valem as afirmativas
a) Se A B ento P( A) = P( B) P( B \ A) P( B),
b) A cota da unio:
P
Ai
P ( Ai )
(1.2)
i n
Ai =
(1)k1
k =1
1i1 <<ik n
P ( A i1 A i k ).
(1.3)
= P ( A ) + P ( B \ A ) + 0 + = P ( A ) + P ( B \ A ).
(1.4)
(1)k1
1 A ( ) =
k =1
1 Ai ( ).
(1.5)
I {1,...,n} i I
| I |=k
(1 A 1 A1 ) (1 A 1 An )( ) = 0.
(1.6)
1A +
(1)k 1 Ak ( ) = 0,
(1.7)
k =1 I {1,...,n}
| I |=k
Ai i P( Ai ) no caso enumervel.
Sn
i =1 A i
Sn
i =1
Ai
(1)k1
k =1
m
1i1 <<ik n
k =1
1i1 <<ik n
(1)k1
1.3. SISTEMAS -
Exerccio 1.2.4. Seja n 1 um nmero inteiro e considere = {0, 1}n , o hipercubo
de dimenso n (cada pode ser visto como uma funo : {1, . . . , n} {0, 1}).
Para cada i {1, . . . , n}, definimos o evento Ai = { ; (i ) = 1}. Dadas
duas probabilidades P e P0 em (, P ()), mostre que se P( B) = P0 ( B) para todos
conjuntos B dados por intersees de Ai s, ento P = P0 .
Proposio 1.2.3. Toda probabilidade P contnua, isto :
a) Se A1 A2 F , ento limn P( An ) = P(
A n ).
A n ).
S
m =1
S
An =
n =1
An \
nS
1
i =1
Ai
(1.8)
n =1 A n =
n =1
S n 1
P An \
i =1 A i
= lim P(
(1.9)
Sn
i =1 Ai ) = lim P ( An ).
b) A prova anloga de 1.
Lema 1.2.4 (Borel-Cantelli - primeira parte). Sejam A1 , A2 , F satisfazendo
i=1 P( Ai ) < . Ento
T
S
P[ Ai para infinitos i ] := P
(1.10)
n=1 ( i n Ai ) = 0.
Demonstrao. Estimamos
P
T
S
n =1
i n Ai
= lim P
n
i n Ai
lim P( Ai ) = 0.
n i n
(1.11)
1.3
Sistemas -
CAPTULO 1. FUNDAMENTOS
Definio 1.3.1. Dizemos que uma classe A P () um -sistema se for fechado
por intersees finitas, isto : para todos A, B A temos A B A.
Definio 1.3.2. Dizemos que A P () um -sistema, se
a) A,
b) Sempre que A A temos Ac A e
c) para A1 , A2 , A disjuntos dois a dois, temos i Ai A.
Exerccio 1.3.1. D um exemplo de -sistema que no seja uma -lbebra.
Definimos para A P ( W ), o menor -sistema contendo A, ou seja
\
(A) =
B.
(1.12)
B -sistema
AB
(1.13)
De fato, caso isso seja provado teremos que (A) fechado por diferenas
(pois A \ B = A Bc ). Assim, podemos mostrar que (A) fechado por
unies enumerveis, pois se A1 , A2 , (A), definimos Bn = in=1 Ai =
(in=1 Aic )c (A) e escrevemos
S
n
An =
S
n
An \ Bn1 ,
(1.14)
que uma unio disjunta de termos em (A), logo est em (A). Isso mostra
que (A) uma -lgebra e que de fato suficiente demonstrar (1.13).
Vamos primeiramente mostrar
que (A) fechado por intersees com
A. Para tanto, definimos B = B (A); B A (A) para todo A A) e
veremos que
B = (A).
(1.15)
Obviamente, A B , pois A um -sistema. Ento basta mostrar que B um
-sistema.
a) obviamente pertence a B .
6
1.3. SISTEMAS -
b) Se B B e A A, ento Bc A = A \ ( B A) = ( Ac ( B A))c . Mas
como B B , ( B A) (A) e usando o fato que -sistemas so fechados
por complementos e unies disjuntas, Bc A (A). Como isso vale
para todo A A, temos Bc B por definio.
c) Se B1 , B2 , B so disjuntos e A A, ento
S
S
Bi A (A),
i Bi A =
(1.16)
Bi B .
B um -sistema.
(1.19)
1.3.1
Igualdade de probabilidades
(1.20)
CAPTULO 1. FUNDAMENTOS
Demonstrao. Obviamente as caixas do tipo A1 A2 formam um -sistema
que gera F1 F2 (por definio).
Exemplo 1.3.2. Observe portanto que importante que A seja um -sistema na
Proposio 1.3.4. Imagine por exemplo que = {0, 1}2 e P1 = 14 x x e P2 =
1
2 ( (0,0) + (1,1) ). Nesse caso
P1 ( A) = P2 ( A) = 1/2 = P1 ( B) = P2 ( B),
(1.21)
com A = {(0, 0), (0, 1)} e B = {(0, 0), (1, 0)}. Contudo, P1 6= P2 , mesmo tendo
P () = ({ A, B}).
1.4
Elementos aleatrios
1.4.1
CAPTULO 1. FUNDAMENTOS
10
Captulo 2
2.1
Caso enumervel
(2.2)
Exerccio 2.1.3. Seja = {0, 1}n e p = 21n para todo (ou seja a probabilidade uniforme). Considere X : {0, 1, . . . , n} dada por X (1 , . . . , n ) =
in=1 i . Obtenha a distribuio X P. D um exemplo de medida em para a qual a
distribuio de X seja Bin(n, p).
12
#A
3
e tal que
b) no existem x, y e z B com x + y = z.
A propriedade b) acima o que chamamos de um conjunto ser livre de somas.
Certamente no temos muita informao sobre A, ento vamos usar o mtodo probabilstico para a prova desse teorema.
Demonstrao. Fixamos p um nmero primo maior que trs vezes o maior elemento de A e considere o espao Z p dos inteiros mdulo p. Seja X um elemento
aleatrio de Z p com distribuio uniforma, isto U{0,...,p1} .
Exerccio 2.1.4. Mostre que para todo a A, a multiplicao por a uma bijeo em
Z p , ou seja
Zp a = Zp.
(2.3)
onde o produto Z p a entendido elemento a elemento. Conclua que
h
p 2p i
1
P X a 3, 3
.
3
(2.4)
p 2p
,
Xa[ p/3,2p/3)
3, 3
3
a A
a A
R
mas para qualquer varivel aleatria, X dP x implica que P[ X x ] > 0.
1 Somos gratos a Robert Morris por sugerir esse teorema como exemplo do Mtodo Probabilstico.
13
2.2
Z
A
( x )(dx ).
(2.5)
1
b a 1[ a,b] ( x ).
2.3
se x < x0 ,
se x x0
(2.6)
se x 0,
se x [0, 1] e
se x 1.
(2.7)
0
1
e que
FU[0,1]
0
= x
lim F ( x ) = 0, lim F ( x ) = 1,
b) F montona no-decrescente e
c) F contnua direita e possui limite esquerda (cdlg, do francs).
Demonstrao.
a) Se xn monotonamente, ento An = (, xn ] so
encaixados e de interseo vazia. Logo, pela Proposio 1.2.3, temos
P( An ) 0. O outro caso anlogo.
b) Se x x 0 ento (, x ] (, x 0 ], donde F ( x ) F ( x 0 ).
c) Continuidade direita (cd) - Se xn x monotonamente, ento An =
(, xn ] (, x ] (eles so encaixados). Logo F ( xn ) F ( x ).
Limite esquerda (lg) - Segue do fato de F ser montona e limitada.
Teorema 2.3.4. Se F satisfaz as trs propriedades listadas na Proposio 2.3.3, ento
existe uma nica P em (R, B(R)) tal que F = FP .
Poderamos usar o Teorema da Extenso de Caratheodory para provar tal
resultado, de maneira similar ao que foi feito no caso da Medida de Lebesgue.
Mas escolhemos abaixo um mtodo mais simples, que parte da existncia de
U[0,1] .
15
u
S(u)
u
S(u)
Figura 2.1: Ilustrao da definio de S(u).
(2.8)
(2.9)
2.4
2.5. INDEPENDNCIA
Proposio 2.4.1. Se (1 , F1 , P1 ), . . . , (n , Fn , Pn ) so espaos de probabilidade,
ento existe uma nica probabilidade P no espao mensurvel (, F ) tal que
n
P ( A1 , A n ) =
Pi ( Ai ), para todos Ai Fi , i n.
(2.11)
i =1
2.5
Independncia
Nossa intuio nos diz que quando jogamos duas moedas, o resultado de cada
uma delas no deve depender um do outro. Dessa forma, a probabilidade de
obtermos um determinado resultado (como por exemplo duas caras) deve ser
um quarto, ou seja meio vezes meio.
Em geral, definimos dois eventos como independentes da seguinte forma.
Definio 2.5.1. Dizemos que dois eventos A, B F , so independentes se
P ( A B ) = P ( A ) P ( B ).
(2.12)
(2.13)
(2.14)
2.5.1
Colees de eventos
Definio 2.5.2. Sejam A1 , A2 , . . . , Ak eventos. Dizemos que eles formam uma coleo
independente se para todo I {1, . . . , k} no vazio
T
P i I A i = P ( A i ).
(2.15)
i I
17
(2.16)
Demonstrao. De fato,
P
T
i
T
n
n
Ai = lim P
Ai = lim P( Ai ) =
n
i =1
i =1
P ( A i ).
i
2.5.2
Independncia de -lgebras
Definio 2.5.5. Dadas -algebras F1 , . . . , Fk F . Dizemos que elas so independentes se todos A1 F1 , . . . , Ak Fk o so. Nessa definio podemos tomar uma
coleo infinita.
Exerccio 2.5.6. Em um espao produto (1 2 , F1 F2 , P1 P2 ), podemos definir
F 1 = { A 2 ; A F1 },
F 2 = {2 B; B F2 }.
(2.17)
2.5. INDEPENDNCIA
Quando X1 , . . . , Xk so elementos aleatrios independentes e com a mesma
distribuio, escrevemos que Xi so i.i.d. (independentes e identicamente distribudos).
Exerccio 2.5.7. Com a notao do exerccio anterior, mostre que as funes Xi :
1 2 i dadas por
X1 ( x, y) = x e X2 ( x, y) = y,
(2.18)
(2.19)
if x < 0,
0
(1 e x ) 12
tan1 y
if x 0.
(2.20)
f Y (z x ) f X ( x ) dx.
(2.21)
(2.22)
T S
n i =n
Ai
T S
c
n i =n
=P
Ai
c
S T
n i=n
= 0,
Aic
(2.23)
T
i=n
Aic .
(2.24)
Logo basta mostrar que a probabilidade direita zero para todo n. Mas
P
T
i =n
Aic =
i =n
i =n
P( Aic ) = (1 pi )
exp{ pi } = exp
i =n
20
pi
i =n
(2.25)
= 0.
(2.26)
Xn ( ) =
i .
(2.27)
i =1
(2.28)
pn = .
n
Mas a discusso que se segue muito mais geral que essa escolha especfica.
Como estaremos interessados em um regime assimttico da distribuio de
X p (lembre que apesar do espao amostral de Xn variar com n, sua distribuio
sempre uma probabilidade em N). Mas para falar de regimes assimtticos,
precisamos de definir uma noo de distncia entre duas distribuies em N.
Definio 2.5.8. Dadas duas distribuies 1 e 2 em (, A), definimos
(2.29)
AA
k1 2 kVT =
1
|1 ( xi ) 2 ( xi )|.
2
i
(2.30)
1 ( x ) 2 ( x ) = |1 ( A) 2 ( A)|
x A
= |1 ( Ac ) 2 ( Ac )| =
c 2 ( x ) 1 ( x ),
(2.31)
x A
donde
k1 2 kVT |1 ( A) 2 ( A)| =
1
|1 ( xi ) 2 ( xi )|.
2
i
(2.32)
xB
= 1 ( B) 2 ( B) + (1 2 ( B)) (1 1 ( B))
= 2(1 ( B) 2 ( B)).
(2.33)
(2.34)
k1 1 2 2 kVT =
x ,yy
x ,yy
|1 ( x )1 (y) 2 ( x )2 (y)|
( ? )( x ) :=
( x y ) ( y ).
(2.36)
y Z
k1 ? 1 2 ? 2 kVT k1 1 2 2 kVT
(2.37)
(
x
y
)
(
y
)
(
x
y
)
(
y
)
2
1
1
2
x Z y Z
y Z
1 ( x y)1 (y) 2 ( x y)2 (y)
1 (z)2 (y) 2 (z)2 (y)
x,yZ
x,zZ
(2.38)
= 2k1 1 2 2 kVT ,
provando o lema.
Para enunciar o resultado principal dessa seo, vamos apresentar uma
distribuio em N bastane importante, que em particular se comporta muito
bem com respeito a somas de variveis independentes, como veremos.
Definio 2.5.14. Uma varivel aleatria X dita ter distribuio de Poisson com
parmetro , se
k e
, para k 0 inteiro.
(2.39)
P[ X = k] =
k!
d
X + Y Poisson(1 + 2 ).
Demonstrao. Basta calcular
k
P[ X + Y = k] =
P[X = j, Y = k j] =
j =0
=e
(1 +2 )
1
k!
j =0
k j
1 e 1 2 e 2
j!(k j)!
j =0
k
k!
e ( 1 + 2 ) ( 1 + 2 ) k
j k j
1 2 =
,
j!(k j)!
k!
(2.40)
mostrando o resultado.
Nossa prxima tarefa estimar a distncia entre uma varivel aleatria com
distribuio Ber( p) e uma Poisson( p), como segue.
Lema 2.5.16. Para p [0, 1], seja 1 = Ber( p) e 2 = Poisson( p), ento,
k1 2 kVT p2 .
(2.41)
k1 2 kVT =
(2.42)
terminando a prova.
O teorema principal de convergncia dessa seo concerne a soma de variveis Bernoulli.
Teorema 2.5.17 (Lei dos Pequenos Nmeros). Dado, n 1 e p [0, 1], suponha
que n , Fn e Pp sejam dados como em (2.26). Ento,
(2.43)
k Xn Pp Poisson( pn)kVT
Lema 2.5.13
Lema 2.5.10
Lema 2.5.15
provando o teorema.
24
(2.44)
Lema 2.5.16
np2 ,
(2.45)
25
2.6
2.6.1
Recordar viver...
(2.47)
Nesse caso, existe uma medida : (G) R+ tal que ( A) = ( A) para todo
A G.
Mostraremos agora uma pequena simplificao do teorema acima, que
muito utilizada em probabilidade.
Lema 2.6.2 (Extenso por continuidade no vazio). Seja G P () uma lgebra
de conjuntos em e suponha que P : G R+ satisfaa as seguintes propriedades
a) P() = 1,
b) P finitamente aditiva e
c) sempre que B1 B2 G forem tais que i Bi = (denotamos isso por
Bi ), temos que limi ( Bi ) = 0.
Ento existe uma nica medida P : (G) R+ tal que P( A) = P( A) para A G .
Observe que P() = 1 somente necessrio para provar a unicidade de
P, ento poderamos tentar mostrar uma verso mais geral desse lema. Mas
no contexto de medidas infinitas, no de se esperar que Bi implique
limi ( Bi ) = 0, como foi assumido acima (veja tambm a Proposio 1.2.3).
Portanto resolvemos escrever o enunciado com probabilidades.
Exerccio 2.6.1. D um exemplo de medida que no satisfaz a segunda hiptese do
Lema 2.6.2.
26
n
S
i =1
Ai .
(2.48)
Claramente
a) Bn e
b) Bn G , pois G uma lgebra.
Logo podemos escrever A como a unio disjunta A =
P finitamente aditiva,
Sn
i =1
Ai Bn e j que
P( A) =
P( Ai ) + P( Bn ),
(2.49)
i =1
mas como limn P( Bn ) = 0, temos P(i Ai ) = i P( Ai ), mostrando a propriedade (2.47) e concluindo o teorema.
2.6.2
O objetivo desta seo provar um resultado que nos permitir construir probabilidades em espaos produtos infinitos. Antes precisaremos de introduzir
algumas notaes.
Dada uma coleo de espaos E1 , E2 , . . . , definimos o espao produto
=
i 1 Ei
= (1 , 2 , . . . ); i Ei para todo i 1 .
(2.50)
(2.51)
F = ( Xi ; i 1 ) ,
(2.52)
(2.53)
Ento existe uma nica probabilidade P no espao produto infinito (, F ) tal que
P( A R . . . ) = Pn ( A) para todo n e todo boreliano A de Rn .
Demonstrao. Considere a classe de conjuntos
Sl =
n S
k
i =1
o
[ a1 , b1 ) [ al , bl ) Rl ; onde ai R {}, bi R {} .
(2.54)
(2.55)
Note que por (2.53) essa definio independe da escolha da escolha de l que
usamos na definio de B.
Gostaramos agora de utilizar o Lemma 2.6.2. Para tanto, tome uma sequncia encaixada B1 B2 S e, supondo que P( Bn ) > 0 para todo
n 1, temos de mostrar que sua interseo no pode ser vazia.
Como Bn S , podemos escrever
Bn = An R . . . , onde An Sln e n 1.
(2.56)
(2.57)
(2.58)
2l n +1
(2.59)
o que pode ser feito graas continuidade de Pln , que uma probabilidade.
Temos ainda um problema, pois os conjuntos Cn no so encaixados, e isso
nos impedeTde utilizar resultados sobre intersees de compactos. Introduzimos
pois Dn = in=1 Ci , que obviamente pertence lgebra S , e estimamos
P( Bn \ Dn ) = P
Sn
i =1 ( Bn \ Ci )
P( Bn \ Ci ) 2 ,
(2.60)
i =1
Dn
Rl n
de forma que os
so pr-compactos e no vazios.
Para cada n 1 considere um n Dn Rln . Usando um argumento de
diagonal de Cantor, podemos obter um e uma sub-sequncia de n j que
convirja para coordenada a coordenada
(observe que n j Rln j ).
T
Para concluir a prova, veremos que m Bm . Mais ainda, veremos que
para todo m 1, temos = (1 , 2 , . . . ) C m = C m R Bm .
nj
nj
(com
Mas como os pontos (1 , . . . , lm ) so o limite de (1 , . . . , lm ) Cm
n j m), ento bvio que C m , terminando a prova do teorema.
(2.62)
i 1 Ber( p )
em RN , ento
(2.63)
i 1 U[0,1]
em RN , ento
(2.64)
i 1 Exp(i )
em RN , ento
30
(2.65)
TPICO: PERCOLAO
Tpico: Percolao
Imagine que gostaramos de modelar o movimento de um lquido em um meio
poroso, como uma rocha ou uma esponja. A primeira tarefa nesse estudo seria
modelar esse meio poroso de maneira matematicamente rigorosa, que o que
faremos a seguir.
Fixamos uma dimenso d 1 e consideramos o seguinte grafo G = (Zd , E),
onde a rede quadrada Zd o conjunto de vrtices de G e o conjunto de elos
dado por
E = { x, y} Zd ; | x y| = 1},
onde | | representa a distncia euclideana em Rd .
No nosso modelo, esse grafo pode ser entendido como um cristal peridico
onde cada vrtice representa uma cavidade do material poroso e os elos so
potenciais conexes entre poros vizinhos.
At agora nosso grafo G apenas uma rede peridica, mas as coisas comeam a ficar interessantes partir de agora. Imaginamos que nosso material
poroso est sujeito a variaes durante sua formao. Isso se reflete no fato que
alguns elos de E podem estar abertos ou no aleatoriamente.
Para o nosso modelos, fixamos um p [0, 1] e definimos uma coleo
de variveis aleatrias Xe , para e E, que sejam i.i.d. e com distribuio
Ber( p). Essas variveis aleatrias induzem um novo subgrafo (Zd , E ) de G que
corresponde a abrir apenas os elos e com Xe = 1. Mais precisamente
E = e E; Xe = 1 .
(2.66)
Podemos ver na Figura 2.2 algumas simulaes desse grafo aleatrio.
(2.67)
(2.68)
para n 1.
Exerccio 2.6.10. Mostre que A = n An e consequentemente que A de fato mensurvel e P( A) = limn P( An ).
Definimos portanto a funo : [0, 1] [0, 1] por
( p) = Pp ( A),
(2.69)
Xe = 1[Ye p] .
(2.70)
Mostre que para todo p [0, 1] a distribuio conjunta de ( Xe )eE sob a lei Pp
p
a mesma que a de ( Xe )eE sob P. Use isso para concluir que montona no
decrescente.
Iremos agora mostrar a existncia de um regime para o qual a componente
conexa da origem no infinita.
Teorema 2.6.5. Para p < 1/(2d), temos que ( p) = 0.
Antes da prova, alguns exerccios.
32
TPICO: PERCOLAO
Exerccio 2.6.13. Definimos um caminho como sendo uma sequncia x1 , . . . , xk
(k N), tal que { xi , xi+1 } E para todo i = 1, . . . , k 1. Tal caminho dito aberto
se X{ xi ,xi+1 } = 1 para todo i k 1. E dizemos que ele auto-evitante se xi 6= x j
para todo 1 i < j < k. Mostre que
n
o
An = ; existe um caminho aberto ( xi )ik=1 com x1 = 0 e xk 6 [n, n]d
An = ; existe um caminho auto-evitante como acima .
Demonstrao. Dado p < 1/(2d) e n N, lembramos que
( p) Pp ( An ) = Pp
Pp [( xi )ik=1 aberto] =
Pp [( xi )ik=1 aberto] =
kn ( xi )k auto-evit.
i =1
kn
( xi )ik=1
caminho
pk
k n ( xi )k auto-evit.
i =1
(2d)k pk .
kn
Como p < 1/(2d), a soma acima finita e converge a zero quando n diverge,
provando o teorema.
Notas - O teorema acima ajuda a compreender o comportamento que observamos no lado esquerdo da Figura 2.2. Mais precisamente, ele nos diz que
para valores de p baixos (na verdade 0, 4 no baixo o suficiente para podermos
aplicar esse teorema) difcil encontrar um caminho aberto do centro borda
da caixa.
Na verdade, possvel mostrar que para d = 2,
( p) = 0 para todo p 1/2 e
( p) > 0 para todo p > 1/2,
(2.71)
como foi mostrado por Harris e Kesten, veja por exemplo [Gri99] e [BR06]. De
fato, algo bastante interessante est acontecendo nesse modelo para p = 1/2,
como nos mostrou o trabalho de grandes matemticos, como: Oded Schramm,
Wendelin Werner, Stanislav Smirnov, entre outros.
33
2.7
Distribuies conjuntas
(2.72)
2.8
Probabilidades condicionais
P( A B)
,
P( B)
(2.73)
i =1 ,
F=
P=
i =1
P.
(2.74)
i =1
Na verdade somente definimos esse produto para = R, mas como mencionamos abaixo do Teorema da Extenso de Kolmogorov, isso pode ser fcilmente
generalizado e o faremos posteriormente.
Proposio 2.8.2. Na situao acima, seja B F com P( B) > 0 e defina T : N
por T ( ) = inf{n 1; Xn ( ) B}, onde os Xn so as coordenadas cannicas. Ento
T < quase certamente e
XT ( ) ( ) um elemento aleatrio em com distribuio P(| B).
(2.75)
[ XT A] =
S
t =1
[ Xt A, T = t],
(2.76)
P[ XT A] =
P[Xt A, T = t]
t =1
t =1
P( A B)
P ( A B ) P ( B c ) t 1 = 1 P ( B c )
t =1
= P ( A | B ),
(2.77)
(2.78)
Geo( p) =
i (1 p)i p.
(2.79)
i =1
(2.80)
Exerccio 2.8.7. Supondo que P( A B) > 0, mostre que P(| A| B) = P(| B| A).
Exerccio 2.8.8. Sejam X, Y variveis aleatrias em um espao (, F , P), independentes e com distribuio U[0,1] .
a) Calcule ( X + Y ) P.
b) Considere P0 () = P | X + Y 1 e calcule X P0 .
2.8.1
Regra de Bayes
Frequentemente definimos um espao de probabilidade atravz de probabilidades condicionais. Consideramos por exemplo um exame mdico para detectar
uma doena, nesse caso temos
= {(doente, +), (doente, ), (saudvel, +), (saudvel, )},
(2.81)
P(+|saudvel) = 0.01,
P(|doente) = 0.05.
(2.82)
(2.83)
P ( Ai ) P ( B | Ai )
.
j P( A j ) P( B| A j )
37
(2.84)
P ( Ai ) P ( B | Ai )
P ( Ai ) P ( B | Ai )
P ( Ai ) P ( B | Ai )
=
=
.
P( B)
j P( B A j )
j P( A j ) P( B| A j )
(2.85)
Exerccio 2.8.9. Utilize a frmula acima para calcular P(doente|+) com os dados em
(2.82). Comente o resultado.
Exerccio 2.8.10. Barry James: Cap. 1, Ex: 18 e 19.
2.9
Ncleos de transio
(2.86)
(2.88)
j A
K (y, A) :=
Z
A
(2.89)
Note que K (, A) est bem definido para 2 -quase todo ponto por Fubini.
Exerccio 2.9.5. Prove que os dois exemplos acima de fato definem um ncleo.
Tipicamente, definimos os ncleos de transio introduzindo K (y, ) como
sendo uma medida que depende de y. Nesse caso, uma das condies para que
K seja um ncleo est automaticamente satisfeita, restando apenas mostrar que
K (, A) mensurvel para quaisquer A A2 . Mas obviamente o conjunto A2
pode ser muito complexo, ento gostaramos de apenas verificar que K (, A)
mensurvel para os conjuntos A em uma classe rica o suficiente.
Proposio 2.9.2. Seja K : E1 A2 [0, 1], tal que K (y, ) uma medida para todo
y E1 . Se K (, A) mensurvel para dodo A G , onde G um -sistema que gera
A2 , ento K um ncleo de transio.
39
B = { B A2 ; K (, B) A1 -mensurvel}.
(2.90)
f dP =
Z
E1
E2
R
A1
(2.93)
K (y, A2 ) P1 (dy).
A1 -mensurvel.
40
(2.95)
P( B) =
Z
E1
E2
(2.96)
Z
E1
E2
E1 i
Z
E2
P ( B ).
(2.97)
X1 dQ
(2.98)
Exerccio 2.9.10. Para 0 a < b 1, definimos a probabilidade U[ a,b] em ([0, 1], B([0, 1]))
atravz da seguinte frmula U[ a,b] ( B) = L( B [ a, b])/(b a). Consideramos tambm a funo K : [0, 1] B([0, 1]) [0, 1] dada por K ( x, ) = U[0,x] (), se x > 0 e
K (0, ) = 0 ().
a) Mostre que K um ncleo de transio.
b) Calcule U[0,1] ? K [ X1 < 1/2] e U[0,1] ? K [ X2 < 1/2], onde X1 e X2 so as
projees cannicas em [0, 1]2 .
c) Mostre que U[0,1] ? K absolutamente contnua com respeito medida de Lebesgue
em [0, 1]2 e calcule sua densidade.
Exerccio 2.9.11. Considere K : E1 A2 [0, 1] dada por K ( p, ) = Exp( p).
Mostre que K ncleo de transio e calcule U[0,1] [ X2 > 1] ? K.
Exerccio 2.9.12. Se K um ncleo de transio entre E1 e E2 e {y} A1 satisfaz
P1 ({y}) > 0, mostre que
P1 ? K [ X2 | X1 = y] = K (y, ).
(2.99)
42
2.10
Espaos cannicos
(2.101)
(2.102)
= Pn (11 ( A1 ) n1 ( An ))
= Pn 11 11 ( A1 )) n1 n1 ( An )
= Pn ( A1 An ),
concluindo a prova do teorema.
Uma ferramenta importante para construirmos espaos cannicos a seguinte.
Lema 2.10.4. Seja ( E, A) um espao cannico e A A, ento A tambm cannico
quando dotado da -lgebra { A C; C A} induzida por A em A.
Demonstrao. Seja : E B B(R) uma funo bi-mensurvel que mostra
que E cannico. Consideramos 0 : A R dada pela restrio de a A e
precisamos mostrar as seguintes afirmativas:
a) 0 injetiva
b) 0 mensurvel
c) 0 ( A) mensurvel e
d) a inversa 0 : 0 ( A) A mensurvel.
Vejamos,
a) ser injetiva implica que 0 tambm o .
b) dado D B(R), 01 ( D ) = A 1 ( D ) { A C; C A}.
c) denotando por : B E a inversa de , temos que 0 ( A) = 1 ( A)
B( B) pois mensurvel e
d) finalmente, se D B( A), ento 01 ( D ) = 1 ( D ) B( B), novamente
pela mensurabilidade de .
Concluindo portanto a bi-mensurabilidade de 0 quando o seu contra-domnio
restrito a sua imagem.
A seguir daremos um exemplo de espao cannico que ser importante na
seo seguinte.
Lema 2.10.5. O espao produto E = N N . . . , dotado da -lgebra produto
cannico.
44
2i + 1 1 x i 6 = y i .
(2.103)
i 1
Fica como exerccio mostrar que a -lgebra dos borelianos induzida por essa
mtrica coincide com a -lgebra produto em E. Definimos agora o mapa
: E R dado por
n
( n 1 , n 2 , . . . ) = 2 n 1 + 2 1 n 1 n 2 + + 2 n i =1 n i + . . .
(2.104)
2.10.1
Espaos poloneses
d (x , y )
2i+1 1 +i di (i xi ,i yi )
(2.105)
tambm polons. Mostre tambm que a topologia induzida por essa mtrica equivalente topologia produto em E.
Outros exemplos de espaos poloneses so dados pelo seguinte lema, que
tambm ser til para provar o resultado principal desta seo.
Lema 2.10.7. Seja ( E, d) um espao polons e G, F E um aberto e um fechado de E
respectivamente. Ento, existe uma mtrica d0 em F G tal que
a) d e d0 so equivalentes em F G (induzem a mesma noo de convergncia),
b) d( x, y) d0 ( x, y) para todo x, y F G e
c) ( F G, d0 ) polons.
45
,
c
c
d( x, G ) d(y, G )
onde d( x, A) = inf{d( x, x 0 ); x 0 A}.
No difcil ver que com a definio acima (e deixamos como exerccio) que
a) as mtricas d e d0 so equivalentes em G,
b) F G separvel quando dotado da mtrica d0 ,
c) ( F G, d0 ) completo.
Isso termina a prova do lema.
Exemplo 2.10.3. Um importante exemplo dado por espaos produto. Sejam ( Ei , di )
espaos poloneses para i 1 e introduza em E = i Ei a mtrica d definida em (2.105).
Ento, se A1 E1 , . . . , Ak Ek forem abertos, o retngulo R = A1 Ak
Ek+1 . . . aberto. Dessa forma vemos que tanto R como Rc podem ser dotados de
mtricas com as quais se tornam espaos poloneses. Alm disso tais mtricas podem ser
escolhidas satisfazendo as hipteses do Lema 2.10.7
O prximo lema o ingrediente chave para provarmos o resultado principal
dessa seo. Ele nos d uma maneira de fatiar um espao polons em uma
partio de espaos poloneses pequenos.
Lema 2.10.8. Seja ( E, d) um espao polons e r > 0. Ento existe uma partio
A1 , A2 , . . . de A e mtricas d1 , d2 , . . . nesses respectivos subconjuntos de forma que
para todo i 1,
a) ( Ai , di ) so espaos poloneses disjuntos,
b) di e d so equivalentes em Ai e di d e finalmente
c) o dimetro de Ai (com respeito a d) menor ou igual a r.
Observe que alguns (possivelmente infinitos) Ai podem ser vazios.
Demonstrao. Obtemos atravz da separabilidade de E, uma coleo de bolas
( Bi )i1 com dimetros limitados por r e cobrindo E. Ento definimos
A1 = B1 ,
An = Bn \
nS
1
i =0
Bi
para n 1.
(2.107)
(2.108)
para n 1 e
M = n Mn .
(2.109)
onde a unio acima tomada sobre todos k 1 e w1 , . . . , wk tais que Aw1 ,...,wk
vazio. A igualdade acima ser mostrada no que segue.
Dado w ( E) existe x E tal que ( x ) = w. Como x Aw1 ,...,wn para todo
n 1, esses conjuntos no so vazios. Logo w no pertence unio em (2.110),
mostrando o lado () da incluso. Finalmente, suponha que w = (w1 , w2 , . . . )
tal que para todo k 1, Aw1 ,...,wk 6= . Tomamos portanto para todo k 1 um
ponto xk Aw1 ,...,wk .
Afirmamos que
para todo n, ( xk )kn Cauchy em ( Aw1 ,...,wn , dw1 ,...,wn ).
(2.111)
De fato, para todo k n, xk Aw1 ,...,wk (cujo dw1 ,...,wn -dimetro menor que
1/k), logo xk uma sequncia de Cauchy em Aw1 ,...,wn com sua respectiva
distncia. Tomamos x = limn xk com respeito distncia d e para terminar a
prova do teorema, basta motrar que ( x ) = w, ou em outras palavras,
x
(2.112)
Mas claramente
a) x A = E e
b) se x Aw1 ,...,wn , ento como xk Cauchy em Aw1 ,...,wn+1 , temos que xk
converge a um certo x 0 Aw1 ,...,wn+1 na mtrica dw1 ,...,wn+1 . Como essa
mtrica equivalente a tanto dw1 ,...,wn quanto d em Aw1 ,...,wn , temos que
x = x 0 Aw1 ,...,wn+1 .
Isso conclui por induo a prova de (2.112) e consequentemente do teorema.
48
Z
A0
A1
K ( x0 , dx1 )0 (dx0 ),
(2.113)
Z
A0
Z
A1
A2
(2.114)
(2.116)
Mas resta a questo sobre a existncia de uma que ser respondida com
ajuda do prximo resultado.
Lema 2.10.10. As probabilidades n definidas em (2.116) so compatveis, mais precisamente n+1 ( A E) = n ( A) para todo A An .
49
Z
A
(2.117)
Provando o lema.
Logo, o Teorema da Extenso de Kolmogorov (lembre que ( E, A) foi suposto
cannico) nos fornece uma nica P em (, F ) tal que
( X0 , . . . , Xn ) P = n , para todo n 0.
(2.118)
(2.119)
(2.120)
Nesse contexto,
a) mostre que K um ncleo de transio e,
b) considerando a cadeia com distribuio inicial 0 = 0 em R2 e ncleo K, mostre
que X2 tem distribuio absolutamente contnua com respeito a Lebesgue e calcule
sua densidade.
Exerccio 2.10.7. Mostre que para qualquer ncleo de transio K entre E e E, existe
um ncleo de transio K entre E e = i=1 , tal que para toda medida inicial 0 ,
temos que 0 ? K a distribuio de uma Cadeia de Markov comeando de 0 e com
transio dada por K. Esse ncleo til se quisermos mudar a distribuio inicial 0 e
uma notao bastante comum para esse ncleo Px () = K ( x, ).
Vamos terminar essa seo dando uma interpretao bastante interessante
para os ncleos de transio em analogia lgebra linear. Fixe um ncleo de
transio K entre E e E, uma medida inicial e uma funo limitada f : E R.
Relembre a notao em (2.100) e defina K f : E R dada por
K f ( x ) :=
f (y)K ( x, dy),
50
(2.121)
x1 + x+1
,
2
(2.122)
= n [ X1 = x 1 , . . . , X n = x n ]
= n 1 ? K n [ X1 = x 1 , . . . , X n = x n ]
por Fubini para ncleos (Teorema 2.9.5),
= n 1 [ X1 = x 1 , . . . , X n 1 = x n 1 ] K n ( x 1 , . . . , x n 1 ) , { x n }
= n 1 [ X1 = x 1 , . . . , X n 1 = x n 1 ] K x n 1 , { x n }
1
= n1 [ X1 = x1 , . . . , Xn1 = xn1 ]1{| xn1 xn |=1}
2
= n [Y1 = x1 x0 , Y2 = x2 x1 . . . , Yn = xn xn1 ]
n
i =1
i =1
(2.123)
52
N1
n .
(2.125)
Ou seja, dadas cores w1 , . . . , wn , escolheremos uma bola de cor 1 proporcionalmente ao nmero N1 de bolas de cor 1 que j foram sorteadas.
Exerccio 2.10.9. Mostre que todos Kn acima definem ncleos de transio. Alm disso
a seguinte sequncia de medidas compatvel no sentido de Kolmogorov:
P1 = Ber(1/2),
P2 = P1 ? K1 ,
P3 = P2 ? K2 , . . .
Conclua que existe a medida P em {0, 1}N que define o modelo de Plya.
Podemos agora fazer perguntas como por exemplo: ser que escolheremos
bolas de ambas as cores para sempre, ou a partir de um certo momento escolheremos bolas de apenas uma cor com certa probabilidade. Mais precisamente,
qual a probabilidade de [ Xi = 1, infinitas vezes]?
53
2 3
n+1
( n + 1 ) ! i =1 wi
1
N1n !(n N1n )!
1
n
=
.
=
( n + 1) !
(n + 1) N1n
P( A) =
(2.126)
O que muito interessante sobre a equao acima que ela nos remete a
problemas combinatrios ao notarmos o fator binomial acima.
Vamos portanto construir um processo completamente diferente que apresenta as mesmas probabilidades que o anterior. Seja perm(S) o conjunto de
todas as permutaes no conjunto finito S. fcil ver que
1
h
i
n
1
= Uperm({0,...,n}) (0) = j + 1, (i ) j se e s se i j .
( n + 1) j
Um mtodo muito interessante de se produzir uma permutao uniforme
dado pelos seguintes exerccios.
Exerccio 2.10.10. Seja n 1 um inteiro, P uma probabilidade em ( E, A), uma
permutao fixa em perm({1, n}). Ento
( X1 , . . . , X n ) d ( X ( 1 ) , . . . , X ( n ) ) ,
(2.127)
(2.128)
Lema 2.10.12. A funo K definida acima um ncleo entre [0, 1] e {0, 1}N .
Demonstrao. Usando a Proposio 2.9.2, basta ver que
para todo k 1 e w1 , . . . , wk {0, 1}, temos que
Pu ( X1 = w1 , . . . , Xk = wk ) uma funo mensurvel de u [0, 1].
(2.129)
(2.130)
Z 1
0
(2.130)
K (u, A) du =
Z 1
0
(2.131)
(2.132)
Se definirmos K : [0, 1] B([0, 1]n ), dado por K (u, B) = in=1 U[0,1] , sabemos
que isso define um ncleo pelo Exerccio 2.9.7. Mais ainda, esse mesmo exerccio
nos diz que U[0,1] ? K = in=0 U[0,1] , de forma que
h
i
P( A) = U[0,1] ? K Xi < X0 , para i N0 e Xi > X0 , para i > N0
Z 1
h
i
=
in=1 U[0,1] Xi < u, para i N0 e Xi > u, para i > N0 du
0
Z 1
0
u N0 (1 u)n N0 du,
56
Captulo 3
3.1
Esperana
X ( ) P(d ),
(3.1)
x PX (dx ).
57
(3.2)
E f (X) =
f ( x )( X P)(dx ),
(3.3)
(3.4)
por definio de X P.
Agora podemos extender o teorema para funes f simples por linearidade,
depois para funes positivas usando o Teorema da Convergncia Montona e
finalmente escrevemos x = x1[0,) ( x )1(,0) .
Vamos mostrar uma frmula bastante simples de integrao de variveis
tomando valores em um conjunto enumervel. Se X { x1 , x2 , . . . } P-quase
certamente, ento
E( X ) =
=
i
XP(d ) =
1[X=xi ] XP(d ) +
i
Z
[ X = xi ]
xi P(d ) + 0 =
Z
{ x1 ,x2 ,... }c
XP(d )
(3.5)
x i P [ X = x i ].
i
Exemplo 3.1.3. Seja X Bin(n, p), ento, para calcular E( X ), basta calcular E(Y )
d
E(Zi ) = np.
i
58
(3.7)
3.1. ESPERANA
Se d( X P) = ( x ) dx (com 0 e
Z
E( X ) =
( x ) dx = 1), ento
x ( X P)(dx ) =
x( x ) dx.
(3.8)
Exemplo 3.1.4. Se X U[0,1] , ento sua densidade com respeito a Lebesgue dada
R1
por d( X P) = 1[0,1] dx, donde E( X ) = 0 x dx = 1/2.
Proposio 3.1.3. Se X 0 P-q.c., ento
E( X ) =
Z
0
P[ X > x ] dx ) =
Z
0
1 F ( x ) dx.
(3.9)
Demonstrao.
E( X ) = E
Fubini
Z
0
Z
0
Z
1 dx = E
E(1[ x<X ] ) dx =
1[ x< X ] dx
Z
0
(3.10)
P[ x < X ] dx.
Z
x
Z
0
et dt = ex ,
ex dx =
1
.
(3.11)
(3.12)
(3.13)
3.1.1
Desigualdade de Markov
E( X )
.
x
(3.15)
(3.16)
1[pato i vive]
i =1
= nP[pato 1 vive] = P
P[pato i vive]
i =1
T
m
(3.17)
j =1
p
= nP[caador j no mata pato 1]m = n 1
.
n
Observe que
a) acima obtivemos uma igualdade e
b) [pato i vive], i = 1, . . . , n no so independentes.
Finalmente estimamos (digamos para n par)
E( X )
P[patos para o jantar n/2] = P[ X n/2]
n/2
n
p m
pm
= 2 1
2 exp{
}.
n
n
n
60
(3.18)
3.2. VARINCIA
3.1.2
Esperana e independncia
(3.19)
3.2
Varincia
E( X k )
, para quaisquer k 1.
xk
(3.20)
Observe que quando o k-simo momento de X finito, a razo acima decai mais
rpido quando x diverge.
Exerccio 3.2.1. Mostre uma frmula anloga da Proposio 3.1.3.
Exerccio 3.2.2. Mostre que se a distribuio de X tem densidade e E(| f ( X )|) < ,
ento
Z
E( f ( X )) =
f ( x )( x ) dx.
(3.21)
Um caso bastante importante ocorre quando k = 2, por vrias razes que
descreveremos abaixo.
Digamos que estamos interessados em aproximar uma varivel aleatria
por uma constante de forma a minimizar o erro da aproximao. Uma possvel
formulao desse problema encontrar a de forma a minimizar
E ( X a)2 = E( X 2 ) 2aE( X ) + a2 .
(3.22)
Essa equao obviamente possui um nico mnimo em a = E( X ). Ao erro da
aproximao acima damos o nome de varincia
61
(3.24)
Var( X )
.
a2
(3.26)
3.2. VARINCIA
Definio 3.2.4. Se X, Y so variveis em L2 , definimos
Cov( X, Y ) = E
X E( X ) Y E(Y ) = E( XY ) E( X ) E(Y ).
(3.27)
(3.28)
Var(Xi ) + Cov(Xi , Xj ).
Var( X1 + + Xn ) =
(3.29)
i6= j
i =1
Var( X1 + + Xn ) =
Var(Xi ).
(3.30)
i =1
2
X
=
E
X
E
X
i
i
i
i
=E
Xi E ( Xi )
2
(3.31)
E Xi E ( Xi ) E X j E ( X j ) ,
i,j=1
3.3
Sn =
Xi ,
(3.32)
i =1
Sn
n
(3.33)
(3.34)
1
n2
b) estime P[|Sn E(Sn )| > a] usando o mtodo do segundo momento. Como esse
resultado se compara com o caso em que os Zi,j so i.i.d.?
Exerccio 3.3.3. Considere uma rua infinita com casas i Z. Para todo i Z, existia
uma rua entre as casas i e i + 1, mas aps uma grande tempestade essas ruas foram
danificadas. Mais precisamente, para cada i Z, temos variveis aleatrias Xi que so
i.i.d. com distribuio Ber( p), onde Xi = 1 indica que o trecho da rua entre as casas
i e i + 1 foi danificado e no pode ser utilizado. Defina, para i Z, Ri como sendo o
nmero de casas que continuaram acessveis casa i aps a tempestade. Por exemplo,
se X2 e X0 = 1 e X1 = 0, temos que a casa 0 somente pode acessar a casa 1, logo
R0 = 1. Nesse contexto,
a) Calcule a distribuio e a esperana de R0 ,
b) Use o mtodo do segundo momento para estimar a probabilidade
h 1
P
n
R i E ( R0 ) > a
i =1
65
(3.38)
(3.40)
Tn =
x,y,zVn distintos
1 A{x,y,z} ,
(3.41)
onde A{ x,y,z} = {x,y,z} formam um tringulo em (Vn , En0 ) .
Gostaramos de entender algo sobre a distribuio de Tn e comeamos calculando
En ( Tn ) =
Pn ( A{ x,y,z} )
{ x,y,z} distintos
(3.42)
n 3
n(n 1)(n 2) 3
p =
p .
3
6
{ x,y,z} distintos
{ x 0 ,y0 ,z0 }
distintos
n
6 6
n
5
3 6
n
3
4 5
n 3 (3.43)
=
p +
p +
p +
p
5
3
1
4
2
3
6
3
3
|
{z
} |
{z
} |
{z
} | {z }
todos distintos
2 em comum
1-comum
iguais
Donde
Varn ( Tn ) =
1 6 6
1
n p n6 p6 + cn5 p5 + ... c(n5 p5 + n3 p3 ),
36
36
(3.44)
n(n 1)(n 2)
,
48
(3.45)
67
(3.46)
3.4
1
n
Xn = m,
P-quase certamente.
(3.47)
i =1
P ( Ai ) =
i
P[|Xi | i]
P[| Xi | t] dt = E | Xi |) < .
(3.49)
(Xi Yi ) n |Xi Yi |
i =1
i =1
1
n
| Xi | ,
(3.50)
i N ( )
1
n
Zi = 0,
P-quase certamente.
(3.51)
i =1
1
n
Yi E(Yi ) = 0,
P-quase certamente.
(3.52)
i =1
Mas E(Yi ) = E( Xi 1[| Xi |i] ) que converge a E( Xi ) = m, pelo Teorema da Convergncia Dominada, donde conclumos que
lim
1
n
E(Yi ) = m.
i =1
68
(3.53)
lim
1
bn
xi = 0.
Demonstrao. Definindo s0 = 0 e sn =
partes,
n
xi = bi bii
i =1
i =1
(3.54)
i =1
x1
b1
++
xn
bn ,
n 1
i =1
i =1
i =1
bi s i bi s i 1 = b n s n + ( bi bi + 1 ) s i .
(3.55)
Escolhemos agora, para qualquer > 0, um n0 1 tal que |sn s| < para
todo n n0 . Dessa forma,
1
bn
xi = s n
1
bn
= sn
1
bn
i =1
n 1
( bi + 1 bi ) s i
i =1
n0 1
n 1
( bi + 1 bi ) s i b n ( bi + 1 bi ) s i
i = n0
i =1
{z
n0
1
1
= s n n0
|{z} bn
bn
| {z }
s
|
0
}
n 1
n 1
i = n0
i = n0
{z
( bn bn 0 ) s
=
s
bn
{z
( bn bn 0 )
bn
i =1
Zi
, converge quase certamente.
i
69
(3.56)
Z
Var
i =1
i2 Var(Zi ) < .
(3.57)
i =1
n
n
1
1
1
Var
(
Z
)
=
Var
(
Y
)
i
i
i2
i2
i2 E Xi2 1[|Xi |i]
i =1
i =1
i =1
n
i2 E
i =1
n
k =1
n
k =1
i2
(3.58)
i =k
1
E X12 1[k1<| Xi |k]
k
k =1
k =1
X1 1[k1<| Xi |k] 2E( X1 ) < .
Isso nos permite concluir a prova de (3.51) via o Lema de Kronecker. Consequentemente, obtemos o Teorema 3.4.1 via o Lema 3.4.3.
Exerccio 3.4.1. Sejam Yk variveis aleatrias independentes e com a seguinte distribuio:
(
1
1 se i = 1 or i = 1,
P[Yk = i ] = 22 k2
(3.59)
se i = 3.
k2
Mostre que
P
h1
n
i
Yk converge a zero = 1.
(3.60)
k =1
Exerccio 3.4.2 (Depende de Tpico: Urna de Plya). Mostre que segundo a lei P
construida no Exerccio 2.10.9, vale que
P
n Xi converge] = 1.
1
(3.61)
i 1
3.5
(3.62)
B A = { B F ; B independente de A}.
71
(3.64)
Logo B A um -sistema.
S
Lembrando que B A contm o -sistema k ( X1 , . . . , Xk ), isto dos eventos
cilndricos, temos que todos eventos so indepentes de A, inclusive o prprio A.
Isso termina a prova do teorema.
Exerccio 3.5.2. Dizemos que uma probabilidade P no espao produto = n1 E
(com a -lgebra cannica) fortemente misturadora se, para todo k 1, temos
lim sup P( A B) P( A) P( B) = 0,
(3.65)
n
i
existe uma sequncia de distintos x0 , x1 , Z2 ,
.
tais que ei = { xi , xi+1 } E e Yei = 1 para cada i 0
(3.66)
Ye ; e 6 K .
(3.67)
K E; finito
3.6
Momentos exponenciais
i
Var( X )
(
X
E
(
X
))
a
i 2 i .
i
i
a
i =1
(3.68)
d) X (s) = E( X n esX ).
A ltima concluso da proposio acima justifica a nomenclatura funo
(n)
(3.71)
Note que para todo > 0 e k 1, | x |k c(k)e| x| , isso nos permite repetir o
argumento acima indutivamente para obter c) e d).
Lembramos que ao usar o mtodo do segundo momento, nos foi bastante
til o fato que a varincia se comporta bem com relao a somas independentes.
Mais precisamente, Var( X1 + + Xk ) = Var( X1 ) + + Var( Xk ).
Uma outra propriedade importante da funo geradora de momentos que
ela tambm se comporta bem com respeito somas independentes.
Proposio 3.6.3. Se X1 , . . . , Xn so variveis independentes com Xi (s) < para
todo i k e |s| < , ento
X1 ++Xk (s) = X1 (s) Xk (s), para todos |s| < .
(3.72)
(3.73)
usando Fubini.
Consideraremos agora uma sequncia X1 , X2 , . . . de variveis i.i.d. com
X1 (s) < para |s| < . Ento podemos tentar estimar, para a > 0 e |s| < ,
P
hX + + X
i
h
i
n
1
E( X1 ) a = P X1 + + Xn ( a + E( X1 ))n
nh
i
= P es(X1 ++Xn ) es(a+E(X1 ))n
n
X1 ++Xn (s)es(a+E(X1 ))n = X
(s)es(a+E(X1 ))n .
1
hX + + X
i
n
1
n
E ( X1 ) a X
(s)es(a+E(X1 ))n
1
n
a n
1 + ( E( X1 ) + )s es(E(X1 )+a)n
2
o
n
a
= esan/2 .
exp s E( X1 + E( X1 ) a)n
2
(3.74)
Dessa forma, sabemos que no podemos esperar um decaimento melhor que exponencial, mesmo para variveis bem simples (como Bernoulli) que satisfazem
X (s) < para todo s R.
Note que para variveis com distribuio Ber(1/2), obtivemos acima cotas
exponenciais em n (superior e inferior), mas elas possuem expoentes diferentes.
Resta agora tentar entender qual o expoente correto para o decaimento da
probabilidade P[ X1 + + Xn n( E( X1 ) + a)], o que ser feito na prxima
seo.
3.7
(3.75)
X1 ( x ) = sup xs log X1 (s)
(3.76)
s 0
(3.77)
f (Yi )
i =1
i
k1
>e .
k
(3.78)
1
(1 + e s )
2
(3.79)
s 0
(3.80)
log(2)
log(4/3)
0
Figura 3.1: Funes taxa X (b) de uma varivel X com distribuio Ber(1/2), e
X 0 (b) de uma varivel com distribuio Ber(3/4), para b (0, 1).
(3.81)
s 0
(3.82)
s 0
Para mostrar que X convexa, observe que X ( x ) dada pelo supremo (para
s 0) das funes afins x 7 xs X (s). Como o supremo de funes convexas
tambm convexo, obtemos o enunciado do lemma.
Exerccio 3.7.3. Suponha que se X (s) finita para todo s (, ) e mostre que
a) na definio de X ( a), poderamos tomar o nfimo em todos s R (ao invz de
s 0) sem mudar o valor de X ( a),
b) a funo X (s) no negativa, semi-contnua inferior e convexa em seu domnio
c) X ( a) se anula somente em a = 0 e X crescente no seu domnio.
Buscaremos agora cotas inferiores para a probabilidade de obter um grande
desvio. Gostaramos que essas estimativas fossem o mais prximas possveis
das estimativas superiores obtidas acima. Certamente no podemos obter algo
como
P X1 + + Xn m + a n exp{X1 ( a)n},
(3.83)
pois seno isso nos daria uma igualdade o que impossvel, pois perdemos um
pouco de preciso ao utilizar a desigualdade de Markov na cota superior.
Contudo, gostaramos de entender se ao menos o expoente X1 ( a) na cota
superior tambm possui algum papel na cota inferior. Isso confirmado no
seguinte resultado.
Teorema 3.7.4 (Princpio de Grandes Desvios - cota inferior). Sejam X1 , X2 , . . .
variveis aleatrias i.i.d. com X1 (s) < , para todo s R. Ento, para todo a > 0,
lim inf
n
1
log P X1 + + Xn m + a n X1 (m + a),
n
(3.84)
1
log P X1 + + Xn m + a n = X1 (m + a).
n
78
(3.85)
= P [ X1 = m + a ] n .
Donde o limite acima igual a log( P[ X1 = m + a]). Mas por outro lado,
X1 (m + a) = inf log E(es(X1 ) ) (m + a)s = inf log E(es(X1 ma) )
s 0
s 0
s ( X1 m a )
lim inf log E(e
) = log P[ X1 = m + a] ,
s
hX + + X
i
1
n
log P 1
(b , b + ) X1 (b),
n
n
(3.86)
(3.87)
0 ()
X
1
X1 ( )
Prop. 3.6.2
E( XeX )
E( XeX )
=
=
X
Z
E(e )
79
x(dx ).
(3.88)
h X0 + + X0
i
n
1
(b , b + ) = 1.
n
(3.89)
n
hX + + X
i Z
O
n
1
1
( X1 P)(dxi )
(b , b + ) =
n
xi ; n i n xi b <
i =1
= Zn
1
e i =1 x i
xi ; i n xi b <
n
Zn exp{(b + )n} P
n
O
( X10 P)(dxi )
i =1
i
h X0 + + X0
n
1
(b , b + ) .
n
hX + + X
i
1
n
log P 1
(b , b + ) log( Z ) (b + )
n
n
= log(X1 ()) (b + ) = X1 () .
(3.90)
Como isso vale para todo > 0, provamos (3.86) o que conclui a prova do
teorema.
Exerccio 3.7.4. Mostre o Teorema 3.7.4 no caso em que X1 (s) < , para todo
s (, ).
80
3.8
20
30
40
50
60
70
Figura 3.2: Vrios ensaios de uma varivel Bin(100, 0.5), pra ser mais preciso
1000 ensaios. Cada barra representa o nmero de ensaios que caram no intervalo
determinado pela base da barra. Note que apesar dos experimentos se concentrarem
em torno da mdia, alguns se afastam um pouco (obviamente pois o experimento
aleatrio). Nessa seo estudaremos esses desvios espontneos, que so chamados
de flutuaoes.
Nosso objetivo nessa seo ser obter qual o tamanho tpico das flutuaes
em torno da mdia dessa soma de variveis aleatrias. Ao contrrio do que
fizemos ao estudar Grandes Desvios, ns agora estamos buscando flutuaes
menores, que acontecem espontaneamente e no com baixa probabilidade.
Note tambm que apesar de observarmos uma aleatoriedade na Figura 3.2,
tambm notamos uma certa regularidade que muitas vezes chamada de forma
de sino no histograma apresentado.
3.8.1
A distribuio normal
Comearemos estudando qual poderia ser uma possvel forma limite para o
histograma da Figura 3.2.
Como uma primeira tentativa, suponha que i=1 Zi possui uma certa distribuio (veremos posteriormente que isso somente pode acontecer em casos
triviais). Mas se esse fosse o caso, poderamos dividir a soma nos termos pares
e mpares X = i par Zi e Y = i mpar Zi . Nesse caso teramos X e Y indepen81
(3.91)
Var( X )
= 0,
a2
(3.92)
= 2 Var = Var( X ).
(3.93)
Var
2
2
Ento podemos nos perguntar se
Questo 3.8.2. Existe alguma distribuio no trivial em L2 tal que, se X e Y so
independentes e distribudas de acordo com , temos
X+Y
d ?
2
(3.94)
Pelo menos sabemos agora que a varincia no se altera atravz dessa operao.
Ou em outras palavras, queremos saber se existe algum ponto fixo para o
operador que toma uma distribuio em R e retorna
X + X
1
2 .
() =
(3.95)
2
Para tentar responder a essa questo, vamos estudar mais a fundo qual
a distribuio da soma de duas variveis aleatrias independentes. Para isso,
considere a distribuio ( X, Y ) P do par, que coincide com , nos dando
hX +Y
i
P
z = ( x, y); x+y z .
(3.96)
2
2
82
1
2
x + y, x y uma
(3.97)
(3.98)
(3.100)
(3.101)
N (0, 1) N (0, 1)
(w, z) R2 ; w + z a
(3.102)
1
2 + 2
w + z, w z .
(3.103)
(3.104)
in=1 Xi nE( X1 )
d N (0, 1).
n
(3.105)
Como consequncia
84
.
n
(3.106)
3.8.2
Convergncia fraca
(3.107)
AA
No difcil mostrar que a definio acima induz uma mtrica, mas ela possui
alguns problemas que descreveremos a seguir.
Exerccio 3.8.3. Mostre que dVT define uma mtrica.
Exerccio 3.8.4. Sejam e absolutamente contnuas com respeito a uma medida fixa
, tendo densidades e respectivamente. Encontre uma frmula para dVT (, ) em
termos das densidades. Essa frmula nos remete a qual distncia entre funes?
85
(3.108)
f dn =
(3.109)
1
n
Exerccio 3.8.6. Considere a funo do espao de medidas em ([0, 1], B([0, 1])) nele
mesmo, dada por:
(3.110)
()( A) = 12 (3A) + (3A 2) .
Identifique o limite em distribuio de (n) (0 ). Mostre que
a) a funo de distribuio acumulada associada ao limite contnua,
b) o limite no absolutamente contnuo com respeito medida de Lebesgue.
Exerccio 3.8.7. Sejam X1 , X2 , . . . i.i.d. distribuidas como Exp(1) e defina
Mn = max Xi .
i =1,...,n
(3.111)
3.8.3
Convergncia fraca em R
concluimos que
1[ M0 , M0 ] g 1[ M0 1, M0 + 1],
(3.112)
n [ M0 1, M0 + 1] 1 /2,
(3.113)
f dn
Z M
M
f d
Z M
Z M
2k f k + 2M +
g dn
g d
M
M
M
Z
Z
2k f k + 2 + g dn d.
87
3.8.4
Teorema 3.8.9 (Teorema Central do Limite). Considere em (, F , P), uma sequncia X1 , X2 , . . . de variveis aleatrias i.i.d. em L3 . Nesse caso, se definimos m = E( X1 )
e 2 = Var( X1 ), temos
in=1 ( Xi m)
N (0, 1).
(3.114)
n
Demonstrao. Primeiramente, observe que podemos supor que m = 0, pois de
qualquer forma iremos subtrair a mdia da distribuio na qual nos interessamos. Uma outra observao importante que podemos supor = 1, pois no
caso geral de qualquer forma estamos somando Xi / no enunciado.
Como vimos na Proposio 3.8.8, basta mostrar a convergncia das integrais
de funes g C3 , que possuam todas as trs primeiras derivadas limitadas.
Considerando a funo
n ( x1 , . . . , x n ) : = g
x + + x
n
1
,
n
(3.115)
n ( X1 , . . . , Xn ) dP =
(3.116)
Vale lembrar que no Corolrio 3.8.6 j estabelecemos algo mais forte para
variveis normais. Mais precisamente, suponha que extendemos nosso espao
de probabilidade para (0 , F 0 , P0 ), onde exista uma sequncia Y1 , Y2 , . . . de
variveis aleatrias i.i.d. com distribuio N (0, 1) independente de X1 , X2 , . . .
Ento, para todo n 1,
Z
n (Y1 , . . . , Yn ) dP0 =
(3.117)
o que tornaria o limite em (3.116) trivial para tais variveis. A nossa estratgia
ser aproximar n ( X1 , . . . , Xn ) por (Y1 , . . . , Yn ), e faremos isso trocando uma
varivel de cada vez.
Para entender o que acontece quando trocamos uma das variveis Xi por Yi ,
temos que expandir g em srie de potncias, isto , escrever
g(s) = g(s0 ) + g0 (s0 )(s s0 ) + g00 (so )(s s0 )2 /2 + rs0 (s s0 ),
(3.118)
n
n
n 2n
n
n
88
(3.119)
So
g i dP0
n
00
ki =
X
rSo /n i dP0 .
i
n
(3.121)
|ki |
dP
r
o
3/2 E(| Xi3 |).
Si / n
3
3/2
n
n
n
Xi
(3.122)
n ( Zi+1 ) dP0 =
n ( Zio ) dP0 +
1
v + k0i ,
2n i
(3.123)
com o termo de ordem superior k0i sendo definido exatamente como k i , mas com
Yi no lugar de Xi .
Estamos prontos agora para a computao final
Z
Z
n ( X1 , . . . , Xn ) dP g(s)N (0, 1)(ds)
Z
Z
= n ( Z0 ) dP0 n ( Zn ) dP0
n 1 Z
n ( Zi ) dP0
i =0
n 1
n ( Zi+1 ) dP0 = |k i k0i |
i =0
M
n 3/2 E(| X1 |3 ) + E(|Y1 |3 ) ,
n
que claramente converge a zero, provando o teorema.
Corolrio 3.8.10. A N (0, 1) a nica distribuio que possui esperana
zero,
d .
2k
(3.124)
90
(3.126)
Prova do Teorema 3.8.11. Obviamente, ( a a0 ), pois a0 ) somente supe a convergncia das integrais para funes f que sejam uniformemente contnuas,
portanto um requisito mais fraco que a).
Observamos tambm que (b b0 ). De fato, basta tomarmos complementos
e observar a mudana nos sinais das desigualdades.
Ento, para a prova do teorema, basta mostrar que ( a0 b), (b + b0 c) e
( c a ).
Comeamos com ( a0 b) e para tanto, consideramos F E fechado. Seja
> 0 e defina a funo f : E R dada por
n
d( x, F ) o
f ( x ) = max 1
,0 .
(3.127)
1
f ({ a}) podem ter medida positiva apenas para uma coleo enumervel
de valores a R. Obtemos assim uma coleo finita b0 < b1 < < bk , tal que
b0 < M e bk > M, bi+1 bi e
f 1 ({bi }) = 0 para todo i k.
(3.128)
f (x)
x
Figura 3.3: Uma funo contnua e limitada f , os pontos bi e um conjunto Ai .
f dn lim inf
f dn lim sup
f dn lim inf
f dn + .
R
Mas como f dn = i bi n ( Ai ), a prova estar concluida se mostrarmos que
n ( Ai ) ( Ai ) para todo i k. Isso segue de d), pois Ai f 1 ({bi , bi+1 }),
que tem medida zero.
Exerccio 3.8.9. Lembrando que em (R, B(R)), temos n1 in=1 i/n U[0,1] , use
o tem d) do Teorema 3.8.11 para dar uma caracterizao dos conjuntos Riemannmensurveis. Mais precisamente, encontre os A R tais que n1 in=1 i/n ( A) converge
para a medida de Lebesgue de A.
92
Captulo 4
Esperana condicional
4.1
Esperana condicional
f d =
Z
A
f 0 d, para todo A F 0 ,
(4.1)
f f 0 d = 0,
(4.2)
Y = E( X |F 0 ).
(4.3)
Observe que faz sentido escrever E Y |F 0 ( ), pois E( X |F 0 ) uma varivel
aleatria.
Interpretamos informalmente a definio acima como Y a melhor aproximao F 0 -mensurvel de X. Ou Y a melhor aproximao que podermos
fazer de X se conhecemos apenas F 0 .
94
|Y | dP =
Z
A
Y dP +
Z
A0
Y dP =
Z
A
X dP +
Z
A0
X dP
| X | dP < (4.4)
4.2
Nessa seo justificaremos, em certa medida, a nomenclatura esperana condicional. Faremos isso mostrando que ela satisfaz vrias propriedades que j
conhecemos para a esperana tradicional.
Mas como podemos mostrar propriedades simples tais como a linearidade
da esperana condicional? Vamos comear com um exemplo
Proposio 4.2.1. Se X, X 0 L1 ( P), ento
E( X + X 0 |F 0 ) = E( X |F 0 ) + E( X 0 |F 0 ), P-quase certamente.
(4.7)
(4.9)
(4.11)
TCM
= lim E Zn E( X |F 0 )
n
TCM
= lim E E( Zn X |F 0 ) = E E( ZX |F 0 ) .
(4.12)
(4.14)
TCM
(4.15)
= lim E( Xn 1 A ) = E( X1 A ).
n
(4.17)
E i ( X )1 Ai ,
(4.18)
linear
(4.22)
(4.26)
E (Y ) = E E (Y | X ) = E E (Y | X = x ) X =
E(Y | X = x )( X P)(dx ).
100
f ( x, y)2 (dy).
(4.28)
x2 K ( x1 , dx2 ).
(4.29)
(4.30)
Demonstrao. Seja Zn = supkn | Xk X | o erro mximo partir de n. Claramente, Zn 0 quase certamente e alm disso
| Zn | sup | Xk | + | X | 2Y,
(4.31)
k 1
(4.32)
Mas E( Z ) E E( Zn |F ) = E( Zn ). Como E( Zn ) vai a zero pelo Teorema da
Convergncia Dominada, temos que Z = 0 quase certamente como gostaramos.
Xn =
Zi , para n 1.
(4.33)
i =1
Zi
i =1
2
nE( Z12 )
(4.34)
4.3
(4.39)
(4.41)
Definindo como G B(R) a classe onde isso vale, j vimos que G contm
(, q] para q Q pois K (, B) = F (, q) quase certamtente. Mas G um sistema pelo Teorema da Convergncia Montona para esperanas condicionais.
J que G contm um -sistema que gera B(R), terminamos a prova do teorema.
Interpretamos P( X |F 0 ) da seguinte forma. Se algum tiver acesso
-lgebra F 0 (por exemplo se F 0 = (Y ) e uma pessoa for capaz de observar
o valor de Y ( )), ela pode no saber o valor de X ( ), mas j sabe a nova
distribuio condicional de X: P( X |F 0 )( ).
103
xP( X dx |F 0 ), P-q.c.
(4.42)
104
4.4
Princpio da substituio
Z
A
K (, B) P (d ) para todo A F , B A.
(4.45)
(4.46)
P ( A) para todo A F e
c) F (, n) 1 (analogamente F (, n) 0) quando n tende a infinito,
P -quase certamente. Para ver isso, note que a sequncia de variveis
aleatrias F (, n) quase certamente montona no decrescente, logo
converge P -quase certamente. Sendo limitada, converge em L1 e como
sua integral em P converge para um, F (, n) 1, quase certamente
(analogamente para F (, n)).
105
K (, B) P (d ) =
F (, q) P (d ) = P ( A) = P( A B).
(4.48)
(4.49)
Z
A
K ( x, B) PX (dx ).
106
(4.50)
(4.51)
[X = x]
E
x
X P-quase certamente.
(4.53)
Z
A
K ( x, F ) PX (dx ).
(4.54)
Fixado F F , K ( X ( ), F ) obviamente ( X ) mensurvel, por ser uma composio de uma funo mensurvel em E com X. Logo, para provar (4.52),
basta mostrar a segunda propriedade de esperanas condicionais. Se B ( X ),
podemos escrever B = [ X A] para algum A A, donde
Z
E K ( X, F )1B = E K ( X, F )1[ X A] =
K ( x, F ) PX (dx )
A
(4.55)
= PW ( A F ) = E[1X A 1F ] = E[1B 1F ],
concluindo a prova de (4.52).
Para mostrarmos o Princpio da Substituio, vamos usar o seguinte lema.
Lema 4.4.4. Se X : E um elemento aleatdio tomando valores em um espao
E cannico, ento seu grfico G = {(, X ( )); } mensurvel na -lgebra
produto F A.
Demonstrao. Primeiramente, consideramos o caso ( E, A) = (R, B(R)). Neste
caso, vemos que
\ [
G=
[ X j/2n , ( j + 1)/2n ] j/2n , ( j + 1l )/2n ,
(4.56)
n 1 j Z
que mensurvel.
Caso E seja outro espao cannico qualquer, existe : E B B(R)
bi-mensurvel e G = 1 ( G X ), onde G X o grfico de X e (, x ) =
(, ( x )). Logo G tambm mensurvel nesse caso.
Retornando prova de (4.53), j sabemos que G 0 = {( X ( ), ); }
mensurvel. Alm disso, por definio PW ( G 0 ) = P[( X ( ), ) G 0 ] = P() =
1, ou seja a medida PW tem suporte em G 0 .
Logo podemos escrever
1 = PW ( G 0 ) =
Z Z
Z
1G0 ( x, )K ( x, d )( X P)(dx )
(4.57)
K ( x, [ X = x ])( X P)(dx ).
Mas como o integrado acima pertence a [0, 1], essa integral s pode ser um se
K ( x, [ X = x ]) = 1, ( X P)-quase certamente, como desejado.
Exerccio 4.4.3. Mostre que se K ( x, F ) = P[ F | X = x ], ento
Z
f ( 0 )K ( X ( ), d 0 ) = E( f | X )( ), para toda f F .
108
(4.58)
FY (z x )( X P)(dx ),
(4.59)
= E E ( 1 [ X +Y z ] | X )
= E P[ X + Y z| X = ) X
= E P[ X + Y z, X = x | X = ) X
= E P[Y z x | X = ] X ,
(4.60)
FY (z x )( X P)(dx ),
(4.61)
1 + 1
,
2
b = N (0, 1).
(4.62)
a ( A x ),
b ( A x ),
se x < 0,
se x 0,
Mostre que
a) K define um ncleo de transio entre R em R.
109
(4.63)
in=1 Xi
N (0, 1).
n
110
(4.64)
Captulo 5
Solues de exerccios
(5.1)
l =0
l =0
(5.2)
Alm disso,
E( R0 ) = 2E( D0 ) =
l =0
l =0
lP[ D0 = l ] = 2p l (1 p)l =
2(1 p )
=: m.
p
(5.3)
(5.4)
( Ri E( Ri ))
2
i =1
n
Ri E ( Ri )
R j E( R j )
i =1 j =1
n 1
i =1 j =1
k =1
(5.5)
Aqui j temos metade da estimativa resolvida, mas ainda falta obter uma estimativa explcita.
Ento precisamos estimar superiormente Cov( Ri , R j ) = Cov( R0 , R j1 ). Podemos calcular essa quantidade explicitamente, mas vamos evitar contas chatas
fazendo uma estimativa do tipo
Cov( R0 , Rk ) c exp{c0 k}, para todo k 1.
(5.6)
Var(Sn ) nVar( R0 ) + 2
(5.7)
k =1
(5.8)
112
Referncias Bibliogrficas
113
REFERNCIAS BIBLIOGRFICAS
114
Contribuies
Somos gratos a
Roberto Imbuzeiro de Oliveira
Milton Jara
Cludio Landim
Conrado Costa
Rangel Baldasso
por diversas discusses, sugestes e correes no contedo do texto.
115
ndice Remissivo
[ satisfaz Q], 3
anel de conjuntos, 26
bi-mensurvel, 42
Cadia de Markov, 48
cdlg, 15
condio de compatibilidade, 28
conjunto
livre de somas, 13
continuidade no vazio, 26
convergncia
fraca, 75
coordenadas cannicas, 27
densidade, 14
Desigualdade de Markov, 54
distribuio, 9
binomial, 11
conjunta, 34
de Bernoulli, 11
de Poisson, 23
exponencial, 14
geomtrica, 12, 36
marginal, 28
normal, 73
uniforme, 14
dP = d, 14
elemento aleatrio, 8
espao
mensurvel, 2
espao
amostral, 2
cannico, 42
polons, 43
esperana, 51
condicional, 84
aditividade, 85
desigualdade de Jensen, 88
monotonicidade, 86
T.C.D., 90
T.C.M., 87
torre, 89
evento, 1, 2
funo
geradora de momentos, 64
taxa, 67
funo de distribuio, 14
FX , 15
incluso e excluso, 4
independncia
de elementos, 18
de eventos, 17, 18
de -lgebras, 18
116
NDICE REMISSIVO
-sistema, 6
Lei
{0, 1} de Kolmogorov, 63
dos Pequenos Nmeros, 24
Forte dos Grandes Nmeros, 60
Fraca dos Grandes Nmeros, 57
Mtodo Probabilstico, 13
momento
primeiro, 55
segundo, 58
k1 2 k, 21
ncleo de transio, 39
-sistema, 6
Princpio
da Substituio, 95
de Grandes Desvios, 67
Princpio de Grandes Desvios, 69
probabilidade, 3
condicional, 35
regular, 91
-lgebra, 2
caudal, 63
de borel, 2
gerada por G , 2
trivial, 63
Teorema
Central do Limite, 79
da Extenso de Caratheodory, 26
da Extenso, 28, 43
de Dynkin, 6
de Fubini para Ncleos, 40
de Portmanteau, 76
trasformada
de Laplace, 64
variao total, 21
varincia, 55
varivel aleatria, 8
integrvel, 51
X d , 9
X d Y, 9
117