MAD 851 - Probabilidade Avançada

Guilherme Ost

Instituto de Matemática
Departamento de Métodos Estatı́sticos
Universidade Federal do Rio de Janeiro

12 de Março de 2019

1 / 59
Teoria da Medida e Espaços de Probabilidade

2 / 59
Seção 1: Espaço Mensurável

Uma coleção A de subconjuntos de Ω é uma álgebra sobre Ω se:

(A1) Ω ∈ A;
(A2) se A ∈ A então A c ∈ A;
(A3) se A , B ∈ A então A ∪ B ∈ A.

Uma álgebra também é fechada por interseções finitas:

(A ∗ 3) se A , B ∈ A então A ∩ B ∈ A.

3 / 59
 Uma coleção F de subconjuntos de Ω é uma σ-álgebra sobre Ω
se, F for uma álgebra sobre Ω e satisfizer:
S∞
(A4) se An ∈ F para todo n ≥ 1, então n=1 An ∈ F .

Neste caso, diremos que (Ω, F ) úm espço mensurável.

Uma σ-álgebra também é fechada por interseções enumeraveis:

T∞
(A ∗ 4) se An ∈ F para todo n ≥ 1, então n=1 An ∈ F .

Exemplo 1: A coleção B0 de todas uniões finitas de subintervalos

disjuntos da forma (a , b ] com 0 < a ≤ b ≤ 1 é uma álgebra mas
não uma σ-álgebra sobre Ω = (0, 1].

4 / 59
Propriedades Fundamentais
I {∅, Ω} é uma σ-álgebra;
I P(Ω) := {A : A ⊆ Ω} é uma σ-álgebra;
Se Fλ σ-álgebra para todo λ ∈ Λ, então é σ-álgebra.
T
I λ∈Λ Fλ

Dado uma coleção C de subconjuntos de Ω, denotamos por σ(C)

a σ-álgebra dada pela interseção de todas as σ-álgebras F tais
que C ⊆ F . Chamamos σ(C) de σ-álgebra gerada por C.

5 / 59
Exemplo 2: Se Ω é enumerável consideramos sempre F = P(Ω).

Exemplo 3: (Borelianos) Se Ω é espaço métrico (ou topológico)

consideramos sempre F = σ(A) onde

A := {A : A ⊆ Ω , A aberto }.

Note que, quando Ω = Rd , σ(A) = σ(Rd ), onde

Rd := {A : A ⊆ Rd , A rectângulo limitado } .

(Por que?) Iremos usar a notação Bd para tal σ-álgebra.

6 / 59
Seção 2: Espaços de Medida

Dizemos que µ é medida sobre uma σ-álgebra F se:

(P1) µ : F → [0, ∞] e µ(∅) = 0;
S 
(P2) Se An ∈ F são disjuntos, então µ ∞
µ (An ).
P∞
n=1 An = n =1

Um espaço de medida é uma trinca (Ω, F , µ) no qual (Ω, F ) é um

espaço mensurável e µ é uma medida sobre F .

Se µ(Ω) = 1, denotamos µ ≡ P e dizemos que (Ω, F , P) é um

espaço de probabilidade.

7 / 59
Proposição 1. Seja (Ω, F , µ) um espaço de medida.
1. Se µ(A ) < ∞, então µ(A c ) = µ(Ω) − µ(A );
2. Se A ⊆ B então µ(A ) ≤ µ(B );
3. Se A ⊆ B e µ(A ) < ∞, então µ(B \ A ) = µ(B ) − µ(A );
An = A então limn→∞ µ (An ) = µ(A );
S∞
4. Se An ⊆ An+1 e n =1
An = A então limn→∞ µ (An ) = µ(A );
T∞
5. Se An+1 ⊆ An e n =1
Am então µ(A ) ≤ µ(Am ).
S∞ P∞
6. Se A ⊆ m=1 m=1

Observação: Na proposição acima, assumimos que todos os

conjuntos considerados são mensuráveis.

8 / 59
Questão fundamental na teoria da medida

Dado um conjunto Ω e uma σ-álgebra F sobre Ω, como fazemos

para construir uma medida (ou probabilidade) µ sobre F ?

Caso Ω enumerável e F = P(Ω):

Tome função f : Ω → R tal que f (ω) ≥ 0 para todo ω ∈ Ω, e defina
X
µ : A ∈ F 7→ µ(A ) := f (ω) .
ω∈A

Então µ é medida sobre F . Se = 1, µ é probabilidade.

P
ω∈Ω f (ω)

9 / 59
E se Ω é não enumerável (por exemplo Ω = Rd ), como fazer?

Teorema de Extensão
Para responder a essa pergunta precisamos usar o teorema de
extensão de medida (Caratheodory). Em poucas palavras, tal
teorema nos dá condições suficientes para que uma função
definida sobre uma classe menor (álgebra ou semi-álgebra) possa
ser estendida a uma medida sobre a respectiva σ-algebra gerada.

No contexto euclidiano, a classe menor que iremos olhar é a

formada pelos rectângulos limitados (pois queremos extender a
medida para os Borelianos).

10 / 59
Uma coleção S de subconjuntos de Ω é uma semi-álgebra se:
I ∅ ∈ S;
I se A , B ∈ S então A ∩ B ∈ S;
I se A , B ∈ S e A ⊆ B, então existem Ci ∈ S, i = 1, . . . , n
disjuntos tais B \ A = ni=1 Ci .
S

Exemplo 4: A coleção Rd dos retângulos limitados é uma

semi-álgebra mas não é uma álgebra sobre Ω = Rd .

Dizemos que µ : C → [0, ∞] é σ-finita (com respeito a coleção C),

se existem Ak ∈ C com µ(Ak ) < ∞ para todo k ≥ 1, tal que

k =1 Ak .
Ω = ∪∞

11 / 59
Extensão de Medida

Teorema 1. (Extensão de Medida) Sejam S uma semi-álgebra e

µ : S → [0, ∞] tal que:
I µ(∅) = 0;
Sn
I se Ai ∈ S disjuntos e A = i =1 Ai ∈ S então
n
X
µ(A ) = µ(Ai );
i =1

Ai ∈ S então µ(A ) ≤ µ(Ai ).

S∞ P∞
I se Ai ∈ S e i =1 i =1
Então µ pode ser estendida para uma medida em σ(S). Se além
disso µ for σ-finita com respeito a S, então a extensão é unica.

12 / 59
A prova do teorema de extensão é dividida em duas etapas:

Existência
A demonstrção se baseia no conceito de medida externa e será
deixado como leitura (seções 3, 10 e 11 de Prob. and Meas.
Billingsley.)

Unicidade
Vamos discutir a demosntração da unicidade pois para tanto
utiliza-se uma ferramenta (Teorema π-λ de Dynkin) que sera útil
em outras ocasiões.

13 / 59
Unicidade

Uma coleção P de subconjuntos de Ω é um π-sistema se:

I se A , B ∈ P então A ∩ B ∈ P.

Uma coleção L de subconjuntos de Ω é um λ-sistema se:

I Ω ∈ L;
I se A ∈ L então A c ∈ L;
I se An ∈ L para todo n ≥ 1 e An ∩ Am = ∅ ∀ m , n, então
∞
[
An ∈ L.
n =1

14 / 59
Teorema 2. (Teorema π-λ de Dynkin). Se P for um π-sistema, L
for λ-sistema e P ⊆ L então σ(P) ⊆ L.

Veremos como utilizar o teorema π-λ para demonstrarmos a

unicidade. (Para a demonstração, veja seção 3 de Prob. and
Meas. Billingsley.)

Teorema 3. (Unicidade) Seja P um π-sistema e assuma que µ1 e

µ2 sejam medidas σ-finitas (com respeito a P). Se µ1 e µ2
coincidem em P então µ1 e µ2 coincidem em σ(P).

Prova: Mostrar que as medidas µ1 e µ2 são iguais quando

restritas a B ∈ P de medida finita e então usar a fórmula de
inclusão-exclusão para mostrar que µ1 e µ2 são de fato iguais.

Observação: Uma semi-álgebra é sempre um π-sistema. Os

retângulos (−∞, b ] ⊆ Rd também formam um π-sistema.

15 / 59
Seção 3: Especificando Medidas em Rd .

Se A = (a1 , b1 ] × · · · × (ad , bd ] e µ for uma medida finita

(µ(Rd ) < ∞) sobre B(Rd ) então µ(A ) pode ser expressa como
uma soma envolvendo os vertices de A :
X
µ(A ) = sA (v )Fµ (v ) ,
v ∈V (A )

onde V (A ) = {a1 , b1 } × · · · × {ad , bd }

Fµ (v ) = µ((−∞, v ]) e sA (v ) := (−1)#{i :vi =ai } .

A função Fµ é chamada de a função de Stieltjes associada a µ.

16 / 59
Motivado pela observação anterior definimos
X
∆A (F ) := sA ( v ) F ( v ) .
v ∈V (A )

Dizemos que F : Rd → R é uma função de Stieltjes se:

F1 F for não decrescente, F (x ) ≤ F (y ) se x ≤ y;
F2 F for contiı́nua á direita, limy ↓x F (y ) = F (x );
F3 ∆A (F ) ≥ 0 para todo rectângulo limitado A ⊆ Rd .

O limite y ↓ x significa yi ↓ xi ∀ i = 1, . . . , d.

Dizemos que F : Rd → R é uma função de distribuição se F for

uma função de Stieltjes tal que:
F4 limx →∞ F(x ) = 1 e limx →−∞ F(x ) = 0;

Os limites x → ∞ e x → −∞ significam que xi → ∞ ∀ i = 1, . . . , d,

e xi → −∞ ∀ i = 1, . . . , d.
17 / 59
Teorema 3. Suponha F : Rd → R função de Stieltjes. Então existe
uma única medida µ sobre Bd tal que

µ(A ) = ∆A (F ) ,

para todo rectângulo limitado A ⊆ Rd . Se F = F é função de

distribuição então µ = P sera uma probabilidade e

F(x ) = P ((−∞, x ]) .

Prova: Mostrar que µ na semi-álgebra Rd dos retângulos limitados

é finitamente aditiva e σ-subaditiva. Feito isso, aplicar o Teorema
de extensão de medida (Teorema 1).

Observaçao: Funções de Stieltjes distintas podem determinar a

mesma medida. Por exemplo, se F é uma função stieljtes em R,
então G ≡ F + c também é função Stieltjes tal que

F (b ) − F (a ) = G (b ) − G (a ) = µ((a , b ]),

para todo −∞ < a < b < ∞.

18 / 59
Exemplo 5: (Densidade) Se tomarmos
Z x1 Z xd
F (x1 , . . . , xd ) := ··· f (y1 , . . . , yd )dy1 . . . dyd ,
−∞ −∞

onde f ≥ 0 e Rd f (y )dy < ∞ então F é uma função de Stieltjes. Se

R
R
Rd
f (y )dy = 1, então F = F é uma função de distribuição.

Em ambos os casos, se A = (a1 , b1 ] × . . . × (ad , bd ] é retângulo

limitado, então
Z b1 Z bd
∆A (F ) = ... f (y1 , . . . , yd )dy1 . . . dyd .
a1 ad

19 / 59
Exemplo 6: (Medida Produto) Seja F definida por
d
Y
F (x1 , . . . , xd ) := Fi (xi ) ,
i =1

onde Fi para i = 1, 2, . . . , d são funções de Stieltjes (em R). Então

F é uma função de Stieltjes. Se A = (a1 , b1 ] × . . . × (ad , bd ] é
retângulo limitado, então nesse caso
d
Y
∆A (F ) = (Fi (bi ) − Fi (ai )).
i =1

O caso Fi (x ) = x é mais famoso (medida de Lebesgue em Rd )!

20 / 59
Exemplo 7:

se x1 , x2 ≥ 1 ,


 1
2/3 se x1 ≥ 1 e x2 ∈ [0, 1)



F (x1 , x2 ) := 


2/3 se x2 ≥ 1 e x1 ∈ [0, 1)



caso contrário .

0



não é uma função de distribuição.

De fato, as condições F1,F2 e F4 são satisfeitas, mas F3 falha:

1
∆A (F ) = − ,
3
para o retângulo limitado A = (0, 1] × (0, 1].

21 / 59
Seção 4: Transformações Mensuráveis

Sejam (Ω1 , F1 ) e (Ω2 , F2 ) dois espaços mensuráveis.

Dizemos que X : Ω1 → Ω2 é uma função mensurável se

X −1 (A ) ∈ F1 para todo A ∈ F2 .

Uma função mensurável X : Ω → Rd , onde Ω é munido com uma

σ-álgebra F e Rd munido dos borelianos Bd , é chamada de vetor
aleatório (variável no caso d = 1).

Se o contra-domı́nio de X for um espaço métrico qualquer, munido

da σ-álgebra dos Borelianos, chamamos X de elemento aleatório.

Pergunta: Como construir uma função X : R → R, (munido com

os resp. Borelianos) não mensurável?

22 / 59
Proposição 2. A coleção de conjuntos

{X −1 (A ) : A ∈ F2 },

é uma sub-σ-álgebra de F1 . Iremos chama-la da σ-álgebra

gerada por X e denota-la por σ(X ).

Prova. Basta verificar que Ω1 = X −1 (Ω2 ), (X −1 (A ))c = X −1 (A c )

n=1 X (An ) = X (∪n=1 An ) para An ∈ F2 .
para A ∈ F2 e ∪∞ −1 −1 ∞

Proposição 3. Se Y for σ(X ) mensurável, então existe uma

função (Borel) mensurável f : R → R tal que Y = f (X ). (Prova
omitida, ver Teorema 20.1 do Prob. and Meas. Billingsley )

23 / 59
Proposição 4.
1. Se X −1 (A ) ∈ F1 para todo A ∈ C e F2 = σ(C) então X é
mensurável.
2. A composição de funções mensuráveis também é
mensurável.

Prova: Para provar item 1 basta observar que

{A ⊂ Ω2 : X −1 (A ) ∈ F1 }

é uma sub-σ-álgebra de F2 que contem C. A prova do item 2 é

imediata.

Se X = (X1 , . . . , Xd ) é um vetor aleatório, a proposição acima

garante que X é mensurável se para todos b1 , . . . , bd ∈ R,
 d 
Y 
X −1  (−∞, bi ] = ω ∈ Ω : X1 (ω) ≤ b1 , . . . , Xd (ω) ≤ bd

i =1
≡ {X1 ≤ b1 , . . . , Xd ≤ bd } ∈ F .
24 / 59
Proposição 5. Se f : Rd1 → Rd2 for contı́nua então f é mensurável
(com respeito as respectivas σ-álgebras de borelianos).

Prova: Mostre que f −1 (A ) é aberto em Rd1 para todo aberto A em

Rd2 e aplique o item 1 da Proposição 4.

Segue da proposição 5 que transformações contı́nuas de um vetor

aleatório X = (X1 , . . . , Xd ) geram novos vetores aleatórios.

Pergunta: Se Xi : Ω → R é mensurável para todo i = 1, . . . , d

então X = (X1 , . . . , Xd ) é mensurável?

25 / 59
Limites e Mensurabilidade
Proposição 6. Seja (Ω, F ) um espaço mensurável e suponha que
X1 , X2 , . . . sejam funções reais mensuráveis.
1. As funções supn Xn , inf n Xn , lim supn Xn , lim inf n Xn são
mensuráveis;
2. Se limn Xn existe em toda parte, então é mensurável;
3. {∃ limn Xn } ∈ F ;
4. Se X : Ω → R for mensurável, então {∃ limn Xn = X } ∈ F .

Prova: A prova do item 1 é imediata. Para provar item 2, observe

se limn Xn existe em então ele coincide com lim supn Xn e portanto
mensurável. Já que
{∃ lim Xn } = {lim sup Xn − lim inf Xn = 0},
n n n

e
{∃ lim Xn = X } = {lim sup(Xn − X ) = 0} ∩ {lim inf (Xn − X ) = 0},
n n n

os itens 3 e 4 seguem do item 1.

26 / 59
Se A1 , . . . , Ak ∈ F são disjuntos tais que Ω =
Sk
i =1 Ai e xi ∈ R,
defina a função
k
X
X (ω) = xi 1Ai (ω) ,
i =1

onde A1 , . . . , Ak ∈ F são disjuntos tais que Ω = ki=1 Ai e xi ∈ R, é

S
dita uma função simples. Claramente, X é mensurável.
(Determine σ(X )!)

Proposição 7. Se X : Ω → R for mensuravel então existe uma

sequência de funções simples X1 , X2 , . . . tal que

se X (ω) ≥ 0 , 0 ≤ Xn ↑ X , quando n → ∞ .

e
se X (ω) ≤ 0 , 0 ≥ Xn ↓ X , quando n → ∞ .

27 / 59
Proposição 8. Seja (Ω1 , F1 , µ) um espaço de medida e (Ω2 , F2 )
um espaço mensurável. Seja X : Ω1 → Ω2 uma transformação
mensurável e defina
 
µX : A ∈ F2 7→ µX (A ) := µ X −1 (A ) .

Então (Ω2 , F2 , µX ) é um espaço de medida. Se µ = P for uma

probabilidade, então µX = PX também o será.

Prova: Imediata da definição.

28 / 59
Lei de Probabilidade e Função de Distribuição

Quando temos um espaço de probabilidade (Ω, F , P) e elemento

aleatório X : Ω → S (estamos assumindo que S é um espaço
métrico munido da σ-álgebra B(S ) dos respectivos Borelianos),
diremos que PX , definida por
 
A ∈ B(S ) 7→ PX (A ) := P X −1 (A ) = P (X ∈ A ) ,

é a lei de probabilidades associado ao elemento aleatório X .

Quando S = Rd e X = (X1 , . . . , Xd ), também associamos a sua

função de distribuição (acumulada)

FX (x1 , . . . , xd ) := P (X1 ≤ x1 , . . . , Xd ≤ xd ) .

29 / 59
Proposição 9. Dada uma função de distribuição F : Rd → R,
então existe um espaço de probabilidade (Ω, F , P) e um vetor
aleatório X : Ω → Rd tal que F = FX .

Prova: Teorema 3 garante a existência de uma medida de

probabilidade P em (Rd , Bd ) tal que F(x ) = P((−∞, x ]), ∀x ∈ Rd .
Para concluir a prova, escreva (Ω, F ) = (Rd , Bd ) e defina
X : Ω → Rd por X (w ) = w.

30 / 59
Seção 5: Integração

Seja (Ω, F , µ) um espaço de medida onde µ é σ-finita.

Passo 1. Dizemos que X : Ω → R é uma função simples,

k
X
X (ω) = xi 1Ai (ω) ,
i =1

com Ai ’s disjuntos e µ(Ai ) < ∞, ∀ i = 1, . . . , k .

Não estamos assumindo que Ai formem uma particição de Ω, pois

neste caso a medida de seria finita. Mas iremos assumir que fora
de ∪ki=1 Ai , X ≡ 0 (i.e. X tem suporte com medida finita).

31 / 59
Para funções simples, a integral é definida por
Z k
X
Xd µ = xi µ(Ai ) .
i =1

Note que a representação da função simples não é

necessariamente única (pois os valores xi não são
necessariamente distintos), porém não é difı́cil ver que a sua
integral não depende da representaão. (Verifique!)

32 / 59
Diremos que uma propriedade P vale µ-quase certamente (µ-q.c.)
se o respectivo evento,

Ωo = {ω ∈ Ω : ω satisfaz P}
 
for mensurável e µ Ωc0 = 0.

Por exemplo, X ≤ Y µ-q.c. (para duas funções reais mensuraveis)

se µ (X > Y ) = 0. Quando não houver dúvidas sobre que medida
estamos tratando, diremos simplesmente q.c.

33 / 59
Lema 1. Sejam (Ω, F , µ) um espaço de medida onde µ é σ-finita,
e considere X e Y funções simples.
Xd µ ≥ 0
R
1. Se X ≥ 0 q.c., então
aXd µ = a Xd µ.
R R
2. Para todo a ∈ R,
(X + Y )d µ = Xd µ + Yd µ.
R R R
3.
Yd µ ≥ Xd µ.
R R
4. Se Y ≥ X q.c., então
Xd µ = Yd µ.
R R
5. Se Y = X q.c., então
Xd µ| ≤ |X |d µ .
R R
6. |

Prova: Imediata da definição de integral de uma função simples.

34 / 59
Passo 2. Considere X : Ω → R mensurável e limitada, i.e.,
∃ M > 0 tal que |X (w )| ≤ M para todo w ∈ Ω.

Lema 2. Se existe E ∈ F tal que µ(E ) < ∞ e X (w ) = 0 para

w ∈ E c , então Z Z
sup Yd µ = inf Zd µ
Y ≤X Z ≥X

onde o supremo é tomado sobre todas as funções simples Y ≤ X

tais que Y (w ) = 0 para w ∈ E c e o ı́nfimo é tomado sobre todas
as funções simples Z ≥ X tais que Z (w ) = 0 para w ∈ E c .

Prova: Basta provar que supY ≤X Yd µ ≥ inf Z ≥X Zd µ, a

R R

desigualdade contrária sendo imediata. Para isso defina as

funções simples
n n
X kM X (k − 1)M
Zn = 1Ek e Yn = 1Ek ,
n n
k =−n k =−n

note que Yn ≤ X ≤ Zn e (Zn − Yn )d µ = n µ(E ).

R M

35 / 59
Desta forma definimos para X mensurável e limitada satisfazendo
as hipóteses do Lema 2,
Z Z
Xd µ = sup Yd µ .
Y ≤X

o supremo é tomado sobre todas as funções simples Y ≤ X tais

que Y (w ) = 0 para w ∈ E c .

36 / 59
Lema 3. Sejam (Ω, F , µ) um espaço de medida onde µ é σ-finita e
E ∈ F tal que µ(E ) < ∞. Se X e Y são funções mensuráveis e
limitadas que se anulam em E c , então:
Xd µ ≥ 0
R
1. Se X ≥ 0 q.c., então
aXd µ = a Xd µ.
R R
2. Para todo a ∈ R,
(X + Y )d µ = Xd µ + Yd µ.
R R R
3.
Yd µ ≤ Xd µ.
R R
4. Se Y ≤ X q.c., então
Xd µ = Yd µ.
R R
5. Se Y = X q.c., então
Xd µ| ≤ |X |d µ .
R R
6. |

Prova: Segue da definição da integral e dos Lema 1 e 2.

Notação: A integral de X mensurável e limitada em A ∈ F com

µ(A ) < ∞ é definida por
Z Z
fd µ = f 1A d µ.
A

37 / 59
Passo 3. Dada X ≥ 0 mensurável, defina sua integral por
Z (Z )
Xd µ = sup Yd µ ,
0≤Y ≤X

onde o supremo é tomado sobre todas as funções mensuráveis Y

limitada tais que µ({w : |Y (w )| > 0}) < ∞ e 0 ≤ Y ≤ X .

Xd µ = +∞.
R
Não descartamos a possibilidade de

38 / 59
Lema 5. Sejam (Ω, F , µ) um espaço de medida onde µ é σ-finita.
Se X e Y são funções mensuráveis não-negativas então:
Xd µ ≥ 0
R
1. Se X ≥ 0 q.c., então
aXd µ = a Xd µ.
R R
2. Para todo a ∈ R,
(X + Y )d µ = Xd µ + Yd µ.
R R R
3.
Yd µ ≤ Xd µ.
R R
4. Se Y ≤ X q.c., então
Xd µ = Yd µ.
R R
5. Se Y = X q.c., então

A prova do Lema 5 foi omitida (ver Lema 1.4.5, pag 21 do Prob.

and Ex. do Durrett.)

39 / 59
 |X |d µ < ∞.
R
Passo 4. Diremos que X mensurável é integrável se

Notação: x ∨ y = max{x , y }, x ∧ y = min{x , y }, x + = x ∨ 0 e

x − = −(x ∧ 0).

Note que x = x + − x − e |x | = x + + x − .

Dada X mensurável e integrável, definimos sua integral por

Z Z Z
Xd µ = X dµ −
+
X −d µ .

As propriedades de 1-6 dos lemas anteriores também valem para

a integral de uma função integrável (ver lema 1.47, pag 22 do
Prob. and Ex. do Durrett.)

40 / 59
Inferência não paramétrica: um exemplo

Problema: estimar F : R → [0, 1] a partir de v.a.s X1 , . . . , Xn

independentes tais que Xi tem f.d.a. F para todo 1 ≤ i ≤ n.

Assumimos que as v.a.s X1 , . . . , Xn estão definidas num mesmo

espaço de probabilidade (Ω, F , P).

Estimar F consiste em determinar F̂n : Ω × R → [0, 1] tal que para

cada x ∈ R fixado:
I F̂n (·, x ) : Ω → [0, 1] seja σ(X1 , . . . , Xn )-mensurável, i.e., só
dependa de X1 , . . . , Xn e
I F̂n (·, x ) esteja “próxima” de F (x ) com “alta probabilidade”.

41 / 59
Para estimar F usamos F̂n definida para w ∈ Ω e x ∈ R por:
n
1X
F̂n (w , x ) = 1(−∞,x ] (Xi (w )), (distribuição empı́rica)
n
i =1

Para cada x ∈ R, defina gx : Rn → R por

n
1X
gx (y1 , . . . , yn ) = 1(−∞,x ] (yi ).
n
i =1

Note que gx é mensurável e F̂n (w , x ) = gx (X1 (w ), . . . , Xn (w )).

Pelo exer. 6 da Lista 1, F̂n (·, x ) é σ(X1 , . . . , Xn )-mensurável.

Observação: Seja B(R, [0, 1]) o conjunto das funções càdlàg de

R em [0, 1] que convergem para 1 quando x → ∞ e para 0 quando
x → −∞. A função w 7→ F̂n (w , ·) de Ω em B(R, [0, 1]), NÃO é
mensurável se consideramos em B(R, [0, 1]) a σ-álgebra gerada
pelos abertos com respeito a métrica uniforme.
42 / 59
Defina a função Dn : Ω → [0, 1] por

Dn (w ) = sup |F̂n (w , x ) − F (x )|.

x ∈R

Note que como F̂n (w , ·) − F são funções contı́nuas à direita,

Dn (w ) = sup |F̂n (w , x ) − F (x )|
x ∈Q

de modo que Dn é obtido como o supremo de um conjunto

enumerável de v.a.s e portanto é uma v.a.!

43 / 59
Logo, dado α ∈ (0, 1] podemos tentar determinar  > 0 tal que

P(Dn ≤ ) ≥ 1 − α.

Para esse  > 0 determinado, temos automaticamente

P(|F̂n (w , x ) − F (x )| ≤ ) ≥ 1 − α para todo x ∈ R.

Como determinar tal  > 0?

Antes de responder essa pergunta vamos discutir independência

de v.a.s e introduzir noções de convergência.

44 / 59
Seção 6: Independência e Distribuição

No que segue considere um espaço de probabilidade (Ω, F , P).

Uma famı́lia {Ci : i ∈ I}, onde Ci ⊆ F , é independente, se para

qualquer J ⊆ I finito e Ai ∈ Ci ,
 
\  Y
P  Ai  = P (Ai ) .
i ∈J i ∈J

A famı́lia {Xi : i ∈ I} de v.a.s é independente, se σ(Xi ) : i ∈ I for


uma famı́lia de σ-álgebras independentes.

45 / 59
Teorema 1. Suponha {C1 , . . . , Cn } famı́lia independente e que Ci
seja um π-sistema para todo 1 ≤ i ≤ n. Então σ(C1 ), . . . , σ(Cn ) é

uma famı́lia de σ-álgebras independentes.

Prova: Fixe A2 , . . . , An com Ai ∈ Ci , defina F = A2 ∩ . . . ∩ An e

mostre que L = {A : P(A ∩ F ) = P(A )P(F )} é um λ-sistema
contendo C1 , mostrando que σ(C1 ), C2 , . . . , Cn são independentes.
O argumento anterior pode ser aplicado sucessivamente para
mostrar que σ(C1 ), σ(C2 ), . . . , σ(Cn ) são independentes.

Teorema 2. Para que v.a.s X1 , . . . , Xn sejam independentes é

suficiente e necessário que para todo x1 , . . . , xn ∈ (−∞, ∞],
n
Y
P (X1 ≤ x1 , . . . , Xn ≤ xn ) = P (Xi ≤ xi ) .
i =1


Prova: Aplique o Teorema 1 com Ci = {Xi ≤ x }, x ∈ (−∞, ∞] para
todo 1 ≤ i ≤ n.
46 / 59
Teorema 3. Considere σ-álgebras Fi ,j independentes,
 onde
m(i )
1 ≤ i ≤ n e 1 ≤ j ≤ m(i ). Então σ ∪j =1 Fi ,j , com 1 ≤ i ≤ n,
também são independentes.

Prova: Aplique o Teorema 1 com

 
m(i )
Ci = ∩j =1 Ai ,j : Ai ,j ∈ Fi ,j para cada 1 ≤ j ≤ m(i ) ,

onde 1 ≤ i ≤ n.

Teorema 4. Considere v.a.s Xi ,j independentes, onde 1 ≤ i ≤ n e

1 ≤ j ≤ m(i ), e funções mensuráveis fi : Rm(i ) → R onde 1 ≤ i ≤ n.
Então as v.a.s fi (Xi ,1 , . . . , Xi ,m(i ) ), onde 1 ≤ i ≤ n, também são
independentes.

Prova: Aplique o Teorema 3 com Fi ,j = σ(Xi ,j ), onde 1 ≤ i ≤ n e

1 ≤ j ≤ m(i ).

47 / 59
Sejam X1 , . . . , Xn v.a.s independentes e suponha que Xi tem
distribuição PXi . Qual é a distribuição PX do v.a. (X1 , . . . , Xn )?

Note que para se Ai ∈ B para todo 1 ≤ i ≤ n, então

n
Y
PX (A1 × . . . × An ) = P((X1 , . . . , Xn ) ∈ A1 × . . . × An ) = PXi (Ai ).
i =1

Como os retângulos do tipo A1 × . . . × An formam um π-sistema

que gera Bd , temos que PX é caracterizada pela identidade acima.

A distribuição PX é um exemplo de medida produto e é denotada

por PX = PX1 × · · · × PXn .

48 / 59
Seção 7: medida Produto e Teorema de Fubini

Sejam (Ω1 , F1 , P1 ) e (Ω2 , F2 , P2 ) dois espaços de probabilidade.

Defina
Ω := Ω1 × Ω2 ,
e
R := {A1 × A2 : A1 ∈ F1 , A2 ∈ F2 } (Retângulos).
A classe de conjuntos R forma uma semi-álgebra. Denote

σ (R) = F = F1 × F2 = (σ-álgebra produto).

49 / 59
Teorema 1. Existe uma única medida de probabilidade P definida
em F tal que
P (A1 × A2 ) = P1 (A1 ) P2 (A2 ) ,
para todo A1 × A2 ∈ R.

Prova: A prova do caso em que Ω1 = Ω2 = R e F1 = F2 = B,

segue do Exemplo 6 e do Teorema 3, da seção 3. A prova do caso
geral foi omitida (ver Teorema 1.7.1, pag 36 do Prob. and Ex. do
Durrett).

Denotamos P = P1 × P2 (medida de probabilidade produto).

O mesmo procedimento pode ser adotado para construir o espaço

produto d-dimensional Ω1 × · · · × Ωd , F1 × · · · × Fd e
P = P1 × · · · × Pd , onde

P (A1 × · · · × Ad ) = P1 (A1 ) × · · · × Pd (Ad )

para todo A1 ∈ F1 , . . . , Ad ∈ Fd .
50 / 59
Teorema 2. (Teorema de Fubini) Seja X : Ω → R mensurável,
onde Ω = Ω1 × Ω2 , F = F1 × F2 e P = P1 × P2 . Então a função

Xω1 : ω2 7→ X (ω1 , ω2 ) ,

é F2 mensurável. Além disso, se X ≥ 0 ou X for integrável (com

respeito a P) então a função
Z
Y : ω1 7→ Xω1 d P2 ,
Ω2

esta bem definida e é F1 mensurável, e

Z Z
Yd P1 = Xd P .
Ω1 Ω

A prova do Teorema de Fubini foi omitida (ver Teorema 1.7.2, pag

37 do Prob. and Ex. do Durrett.)

51 / 59
Notação: Em geral, escrevemos
Z Z Z !
Xd P = X (ω1 , ω2 )d P2 d P1 ,
Ω Ω1 Ω2

quando estiver claro a que funções estamos nos referindo em

cada integral. Por simetria, também temos que
Z Z Z !
Xd µ = X (ω1 , ω2 )d P1 d P2 .
Ω Ω2 Ω1

52 / 59
Esperança e distribuição
Quando µ = P for uma medida de probabilidade, denotamos
Z
E (X ) = Xd P .

Assim, todos os resultados anteriores tem a sua respectiva

formulação em termos de esperança.

Teorema 3. (Mudança de Variável) Suponha que X : Ω → S seja

um elemento aleatório e f : S → R mensurável tal que
E (|f (X )|) < ∞ ou f ≥ 0. Então
Z Z
E (f (X )) = f (X )d P = f d PX ,
Ω S

onde PX denota a distribuição de X .

A prova desse Teorema foi omitida (ver Teorema 1.6.9, pag 30 do

Prob. and Ex. do Durrett.)
53 / 59
Esperança e Independência
Teorema 4. Considere v.a.s X e Y independentes e h : R2 → R
mensurável tal que E (|h (X , Y )|) < ∞ (ou h ≥ 0). Então temos que
Z Z
E (h (X , Y )) = h (x , y )d PX d PY .
R R

Em particular, se h (x , y ) = f (x )g (y ) com f , g : R → R mensuráveis

tais que f , g ≥ 0 ou E(|f (X )|) < ∞ e E(|g (X )|) < ∞, então temos

E (f (X )g (Y )) = E(f (X ))E(g (Y )).

Prova: A primeira parte segue dos Teoremas 2 e 3. Para provar a

segunda parte, considere primeiro o caso em que f , g ≥ 0 e
aplique o resultado da primeira parte com h (x , y ) = f (x )g (y ). Para
provar o caso em que E(|f (X )|) < ∞ e E(|g (X )|) < ∞, observe que
pelo caso anterior E (|f (X )g (Y )|) = E(|f (X )|)E(|g (Y )|) < ∞. Em
seguida use o resultado da primeira parte e o Teorema 3 para
concluir o resultado
54 / 59
Seção 8: Noções de convergência

Todas as v.a.s consideradas a seguir estão definidas num mesmo

espaço de probabilidade (Ω, F , P).

Dizemos que Xn → X quando n → ∞ P-q.c., se existe Ω0

(mensurável) tal que P (Ω0 ) = 1 e

lim Xn (ω) = X (w ) , ∀ ω ∈ Ω0 .
n→∞

Diremos que Xn → X quando n → ∞ em probabilidade, se para

todo  > 0,
lim P (|Xn − X | > ) = 0 .
n→∞

Note que convergência P-q.c. implica em convergência em

probabilidade.

55 / 59
Teorema 5. (Convergência Limitada) Suponha que exista M > 0
tal que |Xn | ≤ M para todo n ≥ 1. Se Xn → X em probabilidade,
então
lim E(Xn ) = E(X ).
n→∞

Prova: Verifique que X é limitada P-q.c. por M e assim

|E(Xn ) − E(X )| ≤ E(|Xn − X |) ≤  + 2M P(|Xn − X | > )

para todo  > 0 fixado. Como Xn → X em probabilidade, o

resultado segue.

56 / 59
Teorema 6. (Lema de Fatou) Se Xn ≥ 0 para todo n ≥ 1 e Xn → X
em probabilidade, então

lim inf E(Xn ) ≥ E (X ) .

n→∞

Prova: Tome v.a. Y limitada tal que 0 ≤ Y ≤ X e aplique o

Teorema 5 com Yn = Xn ∧ Y para deduzir que

E(Y ) ≤ lim inf E(Xn ).

n→∞

O Resultado segue da desigualdade acima e da definição de

integral.

Teorema 7. (Convergência Monótona) Se Xn ≥ 0 e Xn ≤ Xn+1

para todo n ≥ 1, então

lim E(Xn ) = E( lim Xn ).

n→∞ n→∞

Prova: Imediata do Lema de Fatou.

57 / 59
Teorema 8. (Convergência Dominada) Se Xn → X q.c. e existe Y
integrável tal que |Xn | ≤ Y para todo n ≥ 1, então

lim E(Xn ) = E(X ).

n→∞

Prova: Note que Y + Xn ≥ 0 e do Lema de Fatou temos que

lim inf E(Y + Xn ) ≥ E(lim inf (Y + Xn )) = E(Y + X ).

n→∞ n→∞

Como Y é integrável, segue dessa desigualdade que

lim inf E(Xn ) ≥ E(X ).

n→∞

Aplicando o mesmo argumento para Y − Xn ≥ 0, obtemos

lim sup E(Xn ) ≤ E(X ),

n→∞

provando o resultado.
58 / 59
Formas de Convergência em Esp. de Probab.

1. Quase Certa;
2. Em média de ordem p (em Lp ),

lim (E(|X − Xn |p ))1/p = 0 ;

n→∞

3. Em Probabilidade;
4. Em Lei (Distribuição),

lim FXn (x ) = FX (x ) ∀ x pto continuidade de F .

n→∞

Pode-se verificar que (1,2) ⇒ (3) ⇒ (4).

No item 2 acima, Lp = Lp (Ω, F , P) é o conjunto das v.a.s X para

as quais |X |p é integrável, onde 1 ≤ p < ∞.

59 / 59