Notas de Aula do Curso

ET584: Probabilidade 4
Leandro Chaves Rêgo, Ph.D.
2010.1

Prefácio
Estas notas de aula foram feitas para compilar o conteúdo de várias referências bibliográcas tendo em vista o conteúdo programático da disciplina ET584-Probabilidade 4 do curso de graduação em Estatística da Universidade Federal de Pernambuco. Em particular, elas não contém nenhum material original e não substituem a consulta a livros textos. Seu principal objetivo é dispensar a necessidade dos alunos terem que copiar as aulas e, deste modo, poderem se concentrar em entender o conteúdo das mesmas.

Recife, março de 2010. Leandro Chaves Rêgo, Ph.D.

i

Conteúdo
Prefácio 1 Revisão de Sequências de Números Reais e Séries Numéricas
1.1 Sequências de Números Reais . . . . . . . . 1.1.1 Limite de uma sequência . . . . . . . 1.1.2 Propriedades Aritméticas dos Limites 1.1.3 Valores de aderência, lim inf , lim sup 1.1.4 Sequências de Cauchy . . . . . . . . Séries de Números Reais . . . . . . . . . . . 1.2.1 Critérios de Convergência . . . . . . 1.2.2 Convergência Absoluta . . . . . . . . 1.2.3 Ordens de Magnitude . . . . . . . . . Série de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

i
1 2 6 8 9 10 12 15 16 17

1

1.2

1.3 2.1 2.2 2.3 3.1 3.2 3.3 3.4 3.5 3.6 3.7

2 Convergência Estocástica

Seqüência de Eventos . . . . . . . . . . . . . . . 2.1.1 Borel-Canteli . . . . . . . . . . . . . . . Covergência de Variáveis Aleatórias . . . . . . . 2.2.1 Tipos de Convergência . . . . . . . . . . 2.2.2 Relação Entre os Tipos de Convergência Convergência de Vetores Aleatórios . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

. . . . . . . . . . . . . . .

21

21 23 25 26 31 35

3 Funções Características

Motivação . . . . . . . . . . . . . . . . . . . . . . . . . Denição . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Propriedades . . . . . . . . . . . . . . . . . . . 3.2.2 Exemplos de Funções Características . . . . . . Teorema da Continuidade de Levy . . . . . . . . . . . . Soma de um Número Aleatório de Variáveis Aleatórias Função Característica de um Vetor Aleatório . . . . . . Funções Geratrizes de Momento . . . . . . . . . . . . . Teorema de Slutsky . . . . . . . . . . . . . . . . . . . .

36

36 36 37 41 42 47 49 51 51

ii

4 Lei dos Grandes Números
4.1 4.2 4.3 4.4 5.1 5.2 5.3 5.4

Motivação . . . . . . . . . . . . Lei Fraca dos Grandes Números Lei Forte dos Grandes Números Um Exemplo de Divergência das Motivação . . . . . Teoremas e provas Teorema Central do Método Delta . . .

. . . . . . . . . . . . . . . Médias

. . . .

. . . .

. . . .

. . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

54

54 55 58 65 66 66 73 74

5 Teorema Central do Limite

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Limite: Caso Multivariado . . . . . . . . . . . . . . . .

66

Referências Bibliográcas

77

iii

.1. b tais que a ≤ xn ≤ b para todo n ∈ I N . . x3 . Uma sequência (xn ) é limitada superiormente quando existe um número real b tal que xn ≤ b para todo n ∈ I N . 2. quando existem números reais a. Formalmente.2: Uma sequência de números reais é uma função x : I N → I R. . . que como veremos adiante é o limite desta sequência. existem algumas sequências 1 . ou em outras palavras. Quando uma sequência não é limitada. O valor x(n). desde que se tome o índice n sucientemente grande. Por outro lado. . . isto é. . ou seja. ela for limitada inferiormente e superiormente. . xn . x2 . . xn .}. Diz-se que a sequência (xn ) é limitada quando o conjunto dos seus termos é limitado.1 Sequências de Números Reais Intuitivamente. A função x não é necessariamente injetiva: pode-se ter xm = xn com m = n. Escreveremos (x1 .} dos números naturais e tomando valores no conjunto I R dos números reais. para n = 1. x2 . 1 Exemplo 1. .1. 3. podem haver termos diferentes que assumem o mesmo valor. Note que a medida que n cresce todos os pontos desta sequência se tornam arbitrariamente próximos de 1. . diz-se que ela é ilimitada. é uma sequência de pontos da reta e o seu limite é um ponto do qual os pontos xn tornam-se e permanecem arbitrariamente próximos. denida no conjunto I N = {1.). Analogamente. Não se deve confundir a sequência x com o conjunto x(I N ) dos seus termos. 3.1: Seja xn = 1 + n . . uma sequência de números reais x1 . . . Denição 1. . para todo n ∈ I N .. e somente se. podem haver termos repetidos em uma sequência. . (xn ) é limitada inferiormente quando existe a real tal que a ≤ xn para todo n ∈ I N . 2. . será representado por xn e chamado de n-ésimo termo da sequência. . . . . . . Para este conjunto usaremos a notação x(I N ) = {x1 .Capítulo 1 Revisão de Sequências de Números Reais e Séries Numéricas 1. ou (xn ) para indicar a sequência x. x2 . É fácil ver que uma sequência é limitada se.

deve conter innitos termos) cujos termos são termos da sequência (xn ) e a ordem em que estes termos aparecem na subsequência deve ser a mesma em que eles aparecem na sequência original (xn ).1. . . em x o termo -2 precede o termo 4. < ni < .. dizer que o número real a é limite da sequência (xn ) signica armar que. não é limitada inferiormente nem superiormente. xn2 . . .). a sequência xn = n2 é ilimitada. As sequências crescentes. xni .. Finalmente. . z = (4. −8.4: Seja a sequência x = (−2. porém não é monótona. e xn = −1 para todo n par. Escreve-se x = (xn )n∈I N. não-crescente e não-decrescente. . por exemplo. . mas o mesmo não é verdade em w. uma subsequência de (xn ) é um sequência (portanto.CAPÍTULO 1. para todo n ∈ I N . decrescente) quando x1 < x2 < x3 < . ou seja. Ela é monótona decrescente e limitada. . pois não é uma sequência já que possui apenas 2 termos. . −32. . . . Neste caso. . uma subsequência de x é y = (4.).) ou (xni )i∈I N para indicar a subsequência x .3: A sequência xn = 1 + é limitada. mas limitada inferiormente pois xn ≤ 0 para todo n. os termos xn tornam-se e se mantém tão próximos de a quanto se deseje. decrescentes e não-crescentes são chamadas sequências monótonas. xn ≥ xn+1 ) para todo n. existe um índice n0 (que depende de . . . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 2 ilimitadas que são limitadas inferiormente ou superiormente. −128. em geral. O próximo exemplo.) não é uma subsequência de x já que os termos em w não aparecem na mesma ordem em que aparecem em x. 16. . 16.1. −32. . que menor o erro maior terá que ser o n0 ) tal que todos os termos xn que têm índice n maior que n0 são valores aproximados de a com erro inferior a . não-decrescentes.1 Limite de uma sequência Intuitivamente. . uma subsequência de x é a restrição da função x a um subconjunto innito I N = {n1 < n2 < . Exemplo 1.1. a sequência xn = (−2)n é ilimitada. x1 > x2 > x3 > . (resp.1. Autor: Leandro Chaves Rêgo . Formalmente. 64. Se vale xn ≤ xn+1 (resp. Por outro lado. . Por outro lado. 4.5: xn = 0. a sequência diz-se não-decrescente (resp. e temos x(I N ) = {−1. ilustra melhor a questão. 256. −8. 1 n Exemplo 1. 1}. não-crescente). Exemplo 1. temos que 0 ≤ xn ≤ 3 para todo n ∈ I N .7: xn = 1/n para todo n ∈ I N .).} de I N . −2. . Ela é limitada. Exemplo 1. Uma sequência chama-se crescente (resp. Com um pouco mais de precisão: estipulando-se um erro por meio de um número real > 0. 64. ou (xn1 . . pois por exemplo. dada uma sequência x. . 16. . Formalmente.6: xn = 1 para todo n ímpar.1. temos que x(I N ) = {0}. para valores muito grandes de n. Dada uma sequência (xn ) de números reais. Também temos que w = (4. 1. 16) não é uma subsequência de x..1. Ela é limitada. 64. Exemplo 1. ..

4M }. Uma sequência que possui limite chama-se convergente. contém todos os termos xn da sequência.11: Vamos provar que limn 3n = ∞. e que para n ≥ 10. Portanto.. Reciprocamente.10: A sequência xn = 1/n para todo n converge para 0. Por outro lado.1.8: O número real a é limite da sequência (xn ) de números reais. existe um número natural n0 tal que |xn − a| < K . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 3 a = limn xn .. para n grande. quando para alguma constante K real positiva. a + )). quando para todo número real M > 0. Pois.12: A sequência xn = n + (−1)n é divergente. ela se chama divergente. ou seja. para n > 1 e par. limn xn = −∞). a sequência ca oscilando entre vizinhanças dos números -1 e 1. então qualquer intervalo (a − . A equivalência se dá pelo fato que K também é um número positivo e pode se tornar tão pequeno quanto se deseje apenas fazendo ser um número pequeno também. se qualquer intervalo de centro a contém todos os xn . temos que |xn − 1| < . Logo. Autor: Leandro Chaves Rêgo . Quando limn xn = a. n > n0 ⇒ |xn − 0| < . com exceção de no máximo um número nito de índices n (os termos de x1 até xn0 ). Dentre as sequências divergentes destacamos duas que possuem limites innitos: Denição 1. sempre que n > n0 . quando para todo número real > 0. podemos escrever de forma equivalente a denição da seguinte maneira: o número real a é limite da sequência (xn ) de números reais. > 0 existe n0 > 1/ .1. existe um número natural n0 tal que xn > M (resp. então para todo n > n0 . a + ). sempre que n > n0 . dado qualquer n2 . para n > 1 e ímpar. diz-se que a sequência (xn ) converge para a. n/4 > M se n > 4M . sempre que n > n0 .1.1. salvo talvez um número nito de índices n. de centro a e raio > 0. e escrevese limn xn = ∞ (resp.CAPÍTULO 1. temos 1/n < 1/n0 < . vale a desigualdade +1 +1 Exemplo 1. 3n + 10 3n + n 4n 4 Por sua vez.. temos que |xn + 1| < . xn < −M ). Como a denição implica que para qualquer > 0 arbitrário. Note que dado qualquer > 0.1. a distância entre xn e a se torna menor que para n sucientemente grande. existe um número natural n0 tal que |xn − a| < (o que é equivalente a xn ∈ (a − . Do contrário. e escreve-se Denição 1. tomando n0 = max{10. ou tende para a e escreve-se xn → a. então lim xn = a. 3n + 10 1 Exemplo 1. teremos n > n0 ⇒ n2 + 1 > M.9: Uma sequência (xn ) de números reais tem limite ∞ (resp. temos que para todo número real > 0. Observe que se limn xn = a. 3n+10 n2 n2 n2 n ≥ = = . Para isto notamos que 3n > n+10 n+10 2 2 Exemplo 1. −∞).

Intuitivamente. se limx→a f (x) = ∞ e limx→a g (x) = ∞. a + δ ) que é diferente de a. Podemos reescrever esta função da seguinte maneira: Exemplo 1. L + ). o limite de xn é igual a a. x→a g (x) x→a g (x) lim quando x → ∞. vamos recordar a noção de limite de funções reais.13: A sequência x2n = 1 e x2n−1 = | n = 1. existe um número natural n0 > 0 tal que para todo número real x > n0 . se quando x se aproxima de a o valor de f (x) se aproxima de L. 1/x Note que tanto o numerador quanto o denominador convergem para zero quando x → ∞. xn = f (n) ∈ (L − . L + ). então f (x) f (x) = lim . Em particular. Portanto. > 0. Então. n Por outro lado. podemos utilizar a regra de L'Hopital que diz que se limx→a f (x) = 0 e limx→a g (x) = 0. Autor: Leandro Chaves Rêgo . L + ). 3. ou. Mais formalmente. uma sequência seja denida por xn = f (n) para todo n ∈ I N . n n (n+1) . deste modo dizemos que o limite quando x tende a innito é igual a L. para todo n > n0 e par. podemos utilizar nosso conhecimento sobre limites de funções reais para calcularmos o limite de sequências. . converge para 1. lim xn = L. temos |xn − 1| = 0 < . ou x > 0.1. temos que f (x) ∈ (L − . Suponha que dada uma função real f (x). temos que limx→∞ f (x) = L se para todo erro > 0 existe um número natural n0 > 0 (que depende de ) tal que para todo número real x > n0 . se limx→∞ f (x) = L. temos que para todo natural n > n0 . Utilizando a regra de L'Hopital. Como todo número natural é um número real. temos que dada uma função real f (x) dizemos que o limite quando x tende a um número a é igual a L.14: Seja xn = n(1 − e−a/n ). quando queremos calcular o limite assintótico de uma dada função. L + ). dado qualquer Exemplo 1. Mais formalmente. se para x grande o suciente f (x) se torna tão próximo de L quanto se queira. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 4 Pois. Deste modo. temos que f (x) ∈ (L − .CAPÍTULO 1. existe n0 > 1/ . x→∞ x→∞ x→∞ 1/x −x−2 lim Portanto. Por outro lado. temos que limx→a f (x) = L se para todo erro > 0 existe um δ > 0 (que depende de ) tal que para todo x ∈ (a − δ. . temos que f (x) ∈ (L − . . temos 1 n+1 − 1| = | | < . toda vez que uma sequência (xn ) for uma restrição. então para todo n > n0 e ímpar. podemos concluir que xn → L. Logo. Assim. de uma função f (x) denida para x real. Para facilitar o cálculo do limite de sequências. estamos interessados em saber se quando x cresce arbitrariamente a função f (x) tende a algum valor. xn → 1. para x natural. temos que se limx→∞ f (x) = L. temos: (1 − e−a/x ) (−ax−2 e−a/x ) = lim = lim ae−a/x = a. temos que para todo > 0.1. Vamos calcular o limite da função real x(1 − e−a/x ) (1 − e−a/x ) . 2.

1. c ≤ x) para todo x ∈ A. limn xn = b. se A = (−1. Seja c o menor e d o maior elemento de F . Teorema 1. Uma delas é para Exemplo 1. A outra é para determinar o limite de uma sequência (xn ) que. Ele será o limite procurado. então a = b. Com essa escolha de . Por exemplo. Logo limi xni = a. o que por sua vez implica que |xni − a| < . A seguir provaremos alguns resultados sobre limites. tomemos = |b− . Então. existe n0 ∈ I N tal que n > n0 ⇒ |xn − a| < . = 1. existe entre eles um ni0 > n0 . Dada um conjunto de números reais A. vemos que existe n0 ∈ I N tal que n > n0 ⇒ xn ∈ (a−1. ínmo) de um conjunto A a menor (resp. . inferior) para A como sendo qualquer número real c tal que c ≥ x (resp. logo a sequência é limitada. . para n ≤ n0 . b + ) são disjuntos.17: Há duas aplicações dos Teoremas 1.18: A sequência (1. todos os termos xn da sequência estão contidos no intervalo [c. Dene-se como o supremo (resp. a+1). ao contrário de seu máximo e mínimo. o fato da sequência convergir para um certo limite L não implica que a função real tenderá a L quando x → ∞. temos que c ≤ a − 1 < xn < a + 1 ≤ d. Logo.CAPÍTULO 1. Então.1. a + ) e (b − . maior) cota superior (resp. portanto. . Ora. note que inf A ∈ / A. a + ).1. b + ) para todo n > n0 . x2 . Dado qualquer número real b = a. Teorema 1. . a. Teorema 1. .1. . existe n0 tal que n > n0 implica que xn ∈ (a − . então toda subsequência de (xn ) converge para o limite Prova: Seja (xni ) uma subsequência de (xn ). xn0 .1. Então. No exemplo. é óbvio que c ≤ xn ≤ d e para n > n0 . tomando Autor: Leandro Chaves Rêgo .15: (Unicidade do limite). Como os índices da subsequência formam um subconjunto innito. 1. Dado > 0. Consideremos o conjunto nito F = {x1 . a priori. então qualquer número maior ou igual a 1 é uma cota superior para A e qualquer número menor ou igual a -1 é uma cota inferior para A. Observação 1. porém limx→∞ f (x) = 1.1.19: Toda sequência convergente é limitada. d]. Por exemplo. como limn xn = a. ni > ni0 ⇒ ni > n0 . dene-se como uma cota superior (resp. Prova: Seja a = limn xn . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 5 É importante ressaltar que mesmo que a sequência seja denida a partir da restrição de uma função real. 1].15 e 1. temos que os intervalos 2 (a − . se sabe que converge: basta determinar o limite de alguma subsequência. Logo.16. inferior) de A. a−1. Note que o supremo e/ou o ínmo de um conjunto. No exemplo anterior. Prova: Seja limn xn = a. Se limn xn = a e limn xn = b. temos que supA = 1 e inf A = −1.) não é convergente pois admite duas subsequências constantes que convergem para limites diferentes. 0. xn → 1. considere a função real f (x) tal que f (x) = 0 para x ∈ /I N e f (x) = 1 para x ∈ I N . Então.16: Se limn xn = a. temos que xn = f (n) = 1 para todo n ∈ I N. mostrar que uma certa sequência não converge: basta obter duas subsequências de (xn ) com limites distintos. a+1}. xn ∈ / (b − . 0. Para isso. mostraremos que não se tem a| limn xn = b. e. 1. .1. não precisam ser elementos do conjunto.

limn xn = a. ∀n. . (mesmo que não exista limn yn ). 3. com |sen(nx)| ≤ 1 e 1 n sen(nx) n = → 0. limn [xn (yn −b)] = 0. pela parte 1. limn [(xn −a)b] = 0. donde limn xn yn = ab. Logo.19 é uma sequência limitada e pela parte 1. Seja n0 = max{n1 . ≤ xn ≤ . portanto. Com efeito. 2. a − < xn .CAPÍTULO 1. .) uma sequência não-decrescente 1. o número a − não é cota superior do conjunto dos xn . limitada. n > n0 ⇒ xn0 ≤ xn e. Prova: Para xar as idéias. temos limn senn = 0. n2 }.2 Propriedades Aritméticas dos Limites Estudaremos agora como se comportam os limites de sequências relativamente às operações aritméticas e às desigualdades. já demonstrada. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 6 Teorema 1.22: Qualquer que seja x ∈ I R. Como a sequência é não-decrescente. n > n0 ⇒ n > n1 e n > n2 .1. limn (xn + yn ) = a + b. limn (xn /yn ) = a/b se b = 0 e yn = 0. temos limn (xn yn − ab) = limn [xn (yn − b)] + limn [(xn − a)b] = 0. dado qualquer > 0. existe algum n0 ∈ I N tal que a − < xn0 . Tomemos a = sup{xn : n = 1. .1. 1 sen(nx) · n . pelo Teorema 1. . Então.1.20: Toda sequência monótona limitada é convergente. Logo n > n0 implica: 2 |(xn + yn ) − (a + b)| = |(xn − a) + (yn − b)| ≤ |xn − a| + |yn − b| < 2 + 2 = . limn (xn − yn ) = a − b. Logo. Com efeito. Isto mostra que xn · yn → 0. dado > 0 existem n1 e n2 em I N tais que n > n1 ⇒ |xn − a| < e n > n2 ⇒ |yn − b| < 2 . então limn xn · yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n ∈ I N . vemos que n > n0 ⇒ a − < xn < a + . n > n0 ⇒ |xn · yn | = |xn | · |yn | < c · c = . . Isto prova que limn (xn + yn ) = a + b. ou seja.1.1. Ora. Teorema 1. .1. como a − < a. Assim.21: Se limn xn = 0 e (yn ) é uma sequência limitada. Dado > 0. O caso da diferença xn − yn se trata do mesmo modo. (nx) Exemplo 1. Logo. podemos encontrar n0 ∈ I N tal que n > n0 ⇒ |xn | < c . 2.21. Para parte 2. Autor: Leandro Chaves Rêgo . (xn ) pelo Teorema 1.}.1. Teorema 1. . Prova: Para parte 1. Por motivo semelhante. como limn xn = 0. temos que limn (yn − b) = 0. então 1. Armamos que a = limn xn . seja (x1 ≤ x2 ≤ . limn (xn · yn ) = a · b. Como xn ≤ a para todo n (pela denição de supremo). temos xn yn −ab = xn yn −xn b+xn b−ab = xn (yn −b)+(xn −a)b.23: Se limn xn = a e limn yn = b.

Pondo b n0 = max{n1 . + 0 = 0. yn é um número positivo b 2 1 inferior a b2 . segue-se do Teorema 1. portanto. yn b → b2 .1.23 lim sn = lim 1/n + .21 que n n limn ( x −a ) = 0 e. tal que |x − a| < δ ⇒ |f (x) − f (a)| < .1. cada parcela n tem limite zero. Por exemplo. limn zn = a. seja xn = 0 e yn = 1/n para todo n ∈ I N . Por exemplo. Pondo n0 = max{n1 . para todo n > n0 . a + ) e n > n2 ⇒ yn ∈ (b − . como pela parte 2. então a < b. a + ) e n > n2 ⇒ yn ∈ (a− . então Prova: Dado > 0. existe δ > 0.1. limn xn = a. . n2 }. Por exemplo. yn b yn b yn b Como pelas partes 1 e 2.. a+ ). REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 7 Para parte 3. Uma aplicação descuidada do Teorema 1. então a ≤ b.26: O resultado análogo ao do Teorema 1. absurdo. Contudo.. b + ). 2 Prova: Suponha por contradição que a > b. Recorde que uma função f : I R→I R é contínua em a ∈ I R se para todo > 0.24: É claro que resultados análogos aos ítens 1 e 2.25: Sejam xn ≤ yn para todo n ∈ I N . Por outro lado. limn sn = 1. b = a− . Portanto. Então. e Teorema 1. Logo. se limn xn = a. Se limn xn = limn yn = a. então limn (xn + yn + zn ) = a + b + c e limn (xn yn zn ) = abc. .1. limn x =a . limn zn = a. do Teorema 1. vemos que n > n0 implica a− < xn ≤ zn ≤ yn < a+ . n n n Teorema 1. notemos que. Como temos que. a sequência ( yn b ) é limitada. não é verdade que se xn < yn para todo n ∈ I N .1. + lim 1/n = 0 + . limn xn = a. Teorema 1. por hipótese existem 2 n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . Então.1.1. deve-se tomar cuidado de não tentar aplicar o teorema para certas somas (ou produtos) em que o número 1 1 +.+ n de parcelas é variável e cresce acima de qualquer limite.25 para desigualdades estritas não é válido.1. xn a bxn − ayn 1 − = = (bxn − ayn ) . yn b yn b valem para qualquer número nito de sequências. então limn g (xn ) = g (a). Observação 1. limn yn = b. sn = 1 e. portanto. Seja limn yn = b. Vamos a seguir provar que limites são preservados a aplicações de funções contínuas. . . e limn yn = b. existe n0 tal que n > n0 ⇒ 2 2 1 yn b > b2 (basta tomar = b2 ). seja sn = n 1 (n parcelas). existem n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . limn (bxn − ayn ) = ab − ab = 0.23 levaria ao absurdo de concluir que Observação 1. Autor: Leandro Chaves Rêgo . vemos que n > n0 implica yn < b + = a+ = a − < xn .CAPÍTULO 1. Ou seja. n2 }. Temos que limn xn = limn yn = 0.28 : Se limn xn = a e g : I R → I R é uma função contínua em a.1. Segue-se que. e limn zn = c.27: Sejam xn ≤ zn ≤ yn para todo n ∈ I N .

3. 1 1 . temos que a é limite desta subsequência (xni ) e. O próximo teorema mostra que um número real a é valor de aderência de uma sequência (xn ) se. Escreve-se a = lim inf xn e b = lim sup xn e diz-se que a é o limite inferior e que b é o limite superior da sequência (xn ). .}. 1. embora não seja convergente. . Autor: Leandro Chaves Rêgo . . e somente se. Chamemos este n de ni+1 . temos α ≤ a1 ≤ a2 ≤ . a + i+1 ). e que a sequência converge se. existe uma subsequência (xni ) tal que limi xni = a. ≤ bn ≤ . e construímos a desejada subsequência. xni ∈ (a − . . como xn → a. Vamos construir uma subsequência (xni ) tal que limi xni = a. Seja xn = n. tal que i > i0 ⇒ xni ∈ (a − . Escrevamos Xn = {xn . a + ). Logo. temos que an → a e bn → b. . 0. lim inf .1. a + i+1 ). Prova: Escolha 1. Ou seja. . Então. existe um n > n0 tal que xn ∈ (a − i+1 . temos que existe n0 tal que n > n0 ⇒ |xn − a| < δ . arbitrário. lim sup Denição 1. Reciprocamente.1. A sequência (0. . a sequência (xn ) não possui valores de aderência. consequentemente. 0. Temos [α. para todo > 0. 0.) tem como valores de aderência 0 e 1. ou seja. . Teorema 1. . para n > n0 . mais especicamente. Por suposição.1. suponha que para todo > 0 e todo n0 ∈ I N exista n ∈ I N tal que n > n0 e xn ∈ (a − . vamos denir os demais termos da subsequência por indução.30: Se limn xn = a.1. tem-se lim inf xn ≤ lim sup xn . ≤ an ≤ . que entre eles existe um que é o menor de todos e outro que é o maior. 1. como (xni ) contém innitos termos de (xn ). e somente se. Então.CAPÍTULO 1. a + 1/i). para queremos provar que existe ni+1 > ni tal que xni+1 ∈ (a − i+1 1 1 1 = i+1 e n0 = ni . . . denindo an = inf Xn e bn = sup Xn . existe n1 tal que xn1 ∈ (a − 1.31: a é valor de aderência de (xn ) se. limn g (xn ) = g (a). . Exemplo 1. . xn+1 . vamos construir uma subsequência tal que xni ∈ (a − 1/i. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 8 > 0.3 Valores de aderência. Suponha que exista ni > ni−1 tal que xni ∈ (a − 1/i. . Portanto. então a é o único valor de aderência de (xn ). . existe ni > n0 tal que i > i0 e. dado qualquer n0 . valor de aderência de (xn ). . . . Por outro lado. ⊃ Xn ⊃ . Seja (xn ) uma sequência limitada de números reais. Como g é contínua em a. a + ). portanto. possui apenas um valor de aderência. existe ni0 . 2. Suponha que α ≤ xn ≤ β para todo n ∈ I N . .29: Um número real a chama-se valor de aderência de uma sequência (xn ) quando a é limite de alguma subsequência de (xn ). existe δ > 0 tal que |x − a| < δ ⇒ |g (x) − g (a)| < . > 0 e todo Prova: Suponha que a é um valor de aderência de (xn ). β ] ⊃ X2 ⊃ .) tem 0 como seu único valor de aderência. 1. a + 1). Mostraremos que o conjunto de valores de aderência de (xn ) não é vazio. e somente se. A sequência (0. Por suposição. temos que |g (xn ) − g (a)| < . para todo n0 ∈ I N existir n ∈ I N tal que n > n0 e xn ∈ (a − . a + ). a + 1/i). 0. Como an ≤ bn . toda vizinhança de a contem innitos termos de (xn ). a + ). Então. ≤ b2 ≤ b1 ≤ β Como toda sequência monotônica e limitada é convergente.

existe n ≥ n1 tal que an1 ≤ xn < a + . Teorema 1.33. vemos que c + = an0 . e so- lim inf xn = lim supn xn = a. Aqui se impõe uma condição apenas sobre os termos da própria sequência.1.1. Como an1 = inf Xn1 . a + ). existe n1 > n0 tal que a − < an1 < a + . esta subsequência possui valores de aderência que são valores de aderência de (xn ) e estão fora do intervalo (a − . lim inf xn = 0 e lim sup xn = 1 e estes são os dois únicos valores de aderência da sequência (xn ). Isto exclui a possibilidade de c ser valor de aderência de (xn ). Prova: Se (xn ) convergir para a. Portanto.31. Logo. a + ). existe n ∈ I N tal que n > n0 e xn ∈ (a − . Compare com a denição de limite. segue-se da última igualdade que a + (sendo maior que an1 ) não é cota inferior de Xn1 . exige-se que seus termos xm . onde se exige que os termos xn se aproximem e permaneçam arbitrariamente próximos de um número real a dado a priori. isto é. Como a = limn an . Então. Logo. Tomando = an0 − c. a + ). segue-se de c < a que existe n0 ∈ I N tal que c < an0 ≤ a. Então existe uma subsequência de (xn ) cujos termos não estão no intervalo (a − . para valores sucientemente grandes de índices n e m.1. Corolário 1. lim inf xn = lim supn xn . lim inf xn é o menor valor de Prova: Provaremos inicialmente que a = lim inf xn é valor de aderência de (xn ). que nos dá uma condição necessária e suciente para a convergência de números reais. A demonstração para lim sup se faz de modo semelhante. se.33: Seja (xn ) uma sequência limitada. Logo. Pelo Teorema 1. Verica-se sem diculdade que aderência e lim sup xn é o maior valor de aderência de (xn ). usaremos o Teorema 1.1.34: Uma sequência limitada de números reais (xn ) é convergente se. c + ) não contém termo xn algum com n ≥ n0 . e mostraremos que dados > 0 e n0 ∈ I N arbitrários.CAPÍTULO 1. Para isto. uma contradição. 1. Isto nos permite concluir que uma sequência possui limite mesmo sem conhecermos o valor deste limite. Como an0 = inf Xn0 . existe um n0 ∈ I N tal que n > n0 e m > n0 implica |xm − xn | < . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 9 1 1 inf X2n−2 = inf X2n−1 = − n e sup X2n−1 = sup X2n = 1 + n . Ora. Denição 1. como a = limn an .1. Se lim inf xn = lim supn xn = a. então suponha que xn não convirja para a.1. então vimos que a é o único valor de aderência. a + ).35: Uma sequência (xn ) de números reais é uma sequência de Cauchy quando dado qualquer > 0. Autor: Leandro Chaves Rêgo .1. logo o intervalo (c − . existe > 0. A m de que (xn ) seja uma sequência de Cauchy. 1 1 Exemplo 1. mente se. e somente se.4 Sequências de Cauchy Provamos anteriormente que toda sequência monótona limitada é convergente. concluímos que n ≥ n0 ⇒ c < an0 ≤ xn . Veremos agora o critério de Cauchy. Isto nos dá n > n0 com a − < xn < a + . Mostremos agora que nenhum número c < a pode ser valor de aderência de (xn ). tal que para todo n0 ∈ N existe n > n0 tal que xn ∈ / (a − . possui um único valor de aderência. xn . se aproximem e permaneçam arbitrariamente próximos uns dos outros.32 : Sejam x2n−1 = − n e x2n = 1 + n .

36: Toda sequência convergente é de Cauchy. na qual o primeiro termo é uma soma com uma 2 4 innidade de parcelas. seja (xn ) uma sequência de Cauchy.1. + an . .33. 1. pelo Teorema 1. possui um valor de aderência e segue do Lema 1. O que o primeiro membro da igualdade acima exprime é o limite limn ( 1 n ). + 21 todo n > n0 . . . n > n0 ⇒ xn ∈ (xn0 +1 − 1. Logo.2. . Prova: Iremos provar este teorema utilizando dois Lemas. m.1. . . então limn xn = a. Intuitivamente: se limn xn = a então. 2 4 nova sequência (sn ) cujos elementos são as somas Denição 1. Isto mostra que limn xn = a.1. os termos xn se aproximam de a. sn = a1 + . 2 A armação contida naquela igualdade signica que para todo > 0 existe n0 tal que. dado > 0 existe n0 tal que n > n0 ⇒ |xn − a| < /2 e Teorema 1. m > n0 ⇒ |xm − a| < /2. an . É claro que não tem sentido somar uma sequência innita de números 1 +4 + .1. xn0 +1 + 1). Pelo Lema 1. . A partir dela. . xn ∈ [α. estenderemos a operação de adição de modo a atribuir signicado a uma igualdade do tipo 1 +1 + . Então.38. existe n0 ∈ I N tal que m.1: Seja (an ) uma sequência de números reais. = 1. n > n0 ⇒ |xm − xn | < 2 . Tomando Lema 1. ou seja. Então. . para valores grades de n. xn0 .2 Séries de Números Reais Nesta seção. Lema 1.1. . xn0 +1 − 1. Portanto. . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 10 Teorema 1. Prova: Seja (xn ) uma sequência de Cauchy. para +1 + . xn0 +1 + 1}.39 que (xn ) converge. s2 = a1 + a2 . logo (xn ) é limitada. .1. a soma 1 n difere de 1 por menos de . Prova: Seja limn xn = a. ou seja (xn ) é uma sequência de Cauchy. . . + 21 reais.37: Toda sequência de Cauchy de números reais é convergente.1. . x2 . Logo. obtemos n0 ∈ I N tal que m. formamos uma s1 = a1 . . n > n0 ⇒ |xn − a| ≤ |xn − xn1 | + |xn1 − a| < . Como a é valor de aderência de (xn ). β ] para todo n ∈ I N. n > n0 ⇒ |xm − xn | < 1. Em particular para m = n0 + 1.CAPÍTULO 1. que são chamados de soma parcial ou reduzida da série n-ésimo termo ou o termo geral da série. . Então. ela é limitada. existe também n1 > n0 tal que |xn1 − a| < /2. e portanto necessariamente aproximam-se uns dos outros. como (xn ) é uma sequência de Cauchy. . + 21 n + . A parcela an é chamada o Autor: Leandro Chaves Rêgo .38: Toda sequência de Cauchy é limitada. = 1. n > n0 ⇒ |xm − xn | ≤ |xm − a| + |xn − a| < /2+ /2 = . Prova: Dado > 0. Sejam α o menor e β o maior elemento do conjunto X = {x1 . n > n0 ⇒ |xn0 +1 − xn | < 1.39: Se uma sequência de Cauchy (xn ) possui um valor de aderência a ∈ I R.

. a série r > n nr para todo n > 1. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Se existir o limite 11 s = lim sn = lim (a1 + . n→∞ diremos que a série remos então an é convergente e o limite s será chamado a soma da série. . . Então. Escreve∞ s= an = n=1 an = a1 + a2 + . ∞ n=0 ∞ n=0 an = limn sn = 1 . .CAPÍTULO 1. + ( n−1 + ··· n) 2 3 4 2 +1 2 n−1 2 1 1 2 > 1 + + + . como sn é monotonicamente crescente. 0 = s − s = limn sn − limn sn−1 = limn (sn − sn−1 ) = limn an . . 1 1 1 diverge. tem-se também s = limn sn−1 . Basta tomar a1 = x1 e an+1 = xn+1 − xn para todo n∈I N . A série an assim obtida converge se. concentraremos atenção sobre os termos an . . . então limn an = 0. . . .2. . + n = 1 + n · . Isto não é verdade. pode-se dar a impressão de que a teoria das séries coincide com a teoria dos limites de sequências. temos 1 . . pois n temos limn sn = +∞. Observação 1. 1−a Autor: Leandro Chaves Rêgo . a1 + . . 1−a Então. + an+1 ) = 1 − an+1 1 − an+1 ⇒ sn (1 − a) = 1 − an+1 ⇒ sn = . an é divergente. pois sn − asn = (1 + a + . Resulta daí que. s2n = 1 + Exemplo 1.2.2. + (xn − xn−1 ) = xn . . Então. diremos que a série sequência das reduzidas de uma série. Assim falando. + an ). Em vez de tomar como ponto de partida o comportamento dos números sn . a série geométrica converge. estaremos deduzindo suas propriedades a partir das diferenças an = sn − sn−1 . existe s = limn sn . + an + . Quando |a| < 1. 1 .. . A primeira condição necessária para convergência de uma série é que seu termo geral tenda para zero. . a soma desta série é igual a limn xn . Prova: Seja sn = a1 + . + an = x1 + (x2 − x1 ) + ..2.4: A recíproca do Teorema 1. . + an ) − (a + a2 + . pois neste caso seu termo geral não tende a zero. e somente se. pela série harmônica efeito.2: Toda sequência (xn ) de números reais pode ser considerada como a Teorema 1. No caso armativo. O contra-exemplo clássico é dado Seu termo geral. + an . Logo. n Exemplo 1. por conseguinte. para 0 < r < 1.3: Se an é uma série convergente. n tende para zero mas a série diverge.2. Ao estudar a série cujas reduzidas são sn . Se a sequência de somas parciais não convergir. pelo seguinte motivo. 2 4 2 2 Segue-se que limn s2n = +∞ e. Evidentemente. a sequência (xn ) é convergente. Com 1 1 1 1 1 + ( + ) + . .3 é falsa. .5: A série geométrica an é divergente quando |a| ≥ 1.

. an = ∞. não importa a ordem de seus termos. as somas parciais sn = a1 + . ou seja. então ∀k . .7: Seja an > 0 para todo n ∈ I an converge se. e somente se. Seja L = Prova: Para parte (a). . A seguir nós estudaremos alguns critérios de convergência de séries. uma contradição. + an é dominada por alguma soma parcial sm com m > n.6: A série = 1 − 1 + 1 − 1 + . então limk an = ∞. a2 . A série Teorema 1. Assumindo sem perda de generalidade que p > k . Se a série original converge para s.. Há vários critérios para se testar a convergência de uma série. an é uma sequência monótona não-decrescente e limitada. . Teorema 1. . logo a sequência (sn ) sendo monótona Dada uma série de termos não negativos a1 . É fácil ver também que se a série de termos não negativos diverge. . como os termos são todos não negativos. de forma que a1 pode ser a15 . esta última possibilidade não ocorre. então n=k ak < ∞. . logo temos também s ≤ s . ∞ n+1 n=1 (−1) N . ∃m tal que k. temos s1 ≤ s2 ≤ s3 ≤ . . n=1 an = L + n=1 an . temos que ∀ > 0. temos ∞ ∞ que ∀ > 0. Então. logo sn é limitada e portanto convergente.2. etc. Logo.8: Seja (a) se (b) se ∞ n=1 ∞ n=1 ∞ n=1 an uma série de termos não-negativos. Mas a série original pode também ser interpretada como obtida de an por reindexação de seus termos an . pois.. . neste caso. + an não são limitadas ou porque elas oscilam em torno de alguns valores de aderência. independente da ordem de seus termos.2. O próximo teorema estabelece mais uma caracterização de séries convergentes e divergentes. a2 pode ser a1 . a nova soma parcial sn = a1 + .CAPÍTULO 1. . . p > m ⇒ |sp − sk | < . converge se. Quando os termos da série têm todos o mesmo sinal. ∞ n=k+1 ∞ n=k an < ∞. teremos sn ≤ sm ≤ s.1 Critérios de Convergência Um dos problemas centrais no estudo das séries consiste em saber se uma dada série converge ou não. então ela é convergente. pelo critério de Cauchy para sequências temos que ∀ > 0. e somente se. Prova: Sendo an > 0. ∃m tal que k.2. . Ou porque as reduzidas sn = a1 + . an = 0. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 12 Exemplo 1. . n =k+1 an → 0. é limitada.2. Autor: Leandro Chaves Rêgo . Seu limite s é seu supremo. Suas somas parciais de ordem ímpar são iguais a 1 e as de ordem par são iguais a zero. a2 . Então. de sorte que s ≤ s. Fazendo p → ∞. suponha que os termos sejam reindexados numa outra ordem qualquer. ∃m tal que k > m ⇒ | n=k+1 an | ≤ . é divergente pois seu termo geral não tende a zero. suponha por contradição que n=1 an = ∞ e que exista k tal que ∞ ∞ k−1 ∞ n=k ak < ∞. p > m ⇒ | p n=k+1 an | < . Uma série an pode divergir por dois motivos. como sk = k n=1 1. ∞ Para parte (b). nós vamos destacar dois dos mais importantes: o teste da comparação e o teste da razão. a1 . as reduzidas formam uma sequência monótona. . .. . + an formam uma sequência limitada. Concluímos que uma série de termos não negativos que converge tem a mesma soma. ela será sempre divergente.

.2 2 donde se vê que a série dada é dominada pela série concluímos que a série original também é convergente. pois como para todo x ∈ (0. Observemos que Exemplo 1.. pela parte (i). r 2 3 4 5 6 7 1 1 1 1 1 1 ≤ 1 + ( r + r) + ( r + r + r + r) + .10: Um modo de provar a convergência da série 1 1 1 1 = < = n−1 . 0≤ Como gente. No caso (i).11: Vamos provar que a série é convergente quando r > 1. raciocinamos por absurdo: se bn convergisse.. π/2). 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + . Para isso. 1 n! com a série geométrica de razão 1/2. . Exemplo 1. Suponhamos ainda que a primeira seja dominada pela segunda. + bn são sequências não decrescentes. . ∞ 1 k=1 k2 1 1 1 1 sen ≤ · . .. bn converge ⇒ an diverge ⇒ an converge. = 1 + r−1 + r−1 2 4 2 4 1 1 2 = 1 + ( r−1 ) + ( r−1 ) + . que é Exemplo 1. k k k k ∞ 1 1 k=1 k sen k é convergente.9: Sejam (i) (ii) an e bn duas séries de termos não negativos. portanto. Prova: As somas parciais das séries dadas sn = a1 + . majoramos as somas parciais da série. an também teria de convergir. Então.2. diminuindo os denominadores de seus termos. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 13 Teste de Comparação Teorema 1. pois 0 ≤ an ≤ bn . . . de acordo com o seguinte esquema: 1 nr 1 1 1 1 1 1 + r) + ( r + r + r + r) + . satisfazendo à desigualdade sn ≤ tn .2. então sn ≤ t para todo n.n 2 · 2. ou seja.2. convergente. então. bn diverge. + an e tn = b1 + .. contrariando a hipótese. an ≤ bn para todo n ∈ I N .2. sn é uma sequência monótona limitada e.CAPÍTULO 1. tn converge para um certo limite t.. . n! 2 · 3.. 2n−1 consiste em compará-la Como esta é convergente. 2 2 1+( Isto nos mostra que convergente. 1 . temos que para todo k ≥ 1: é convergente.12: A série senx < x. 1 nr é dominada pela série geométrica de razão q = ∞ 1 1 k=1 k sen k 1 2r−1 < 1. Para provar (ii)... segue do critério da comparação que é conver- Autor: Leandro Chaves Rêgo . .

pelo critério da razão. se r > 1. aN +2 < aN +1 c < aN c2 . . k+1 ∞ 2k k=0 k! Segue que limk ak+1 /ak = 0. Como r − = 1. então. k 2 + 2k + 1 4k Como ∞ 1 k=1 4k = ∞. N + 1. ≤ 4 e. Como c < 1 . a série é convergente. . portanto. para n ≥ N . de modo que a série ∞ n=N +1 an é dominada pela série geométrica n aN ∞ c . 1 k2 k2 + k 1 1 = · 2 + 2k + 1 k 1+ k + . Então. resulta que ∞ k k=0 k2 +2k+1 = ∞ e. a primeira desigualdade acima nos dá an+1 > an a partir de n = N . pelo n=1 teste de comparação.14: Seja an uma série de termos positivos tal que an+1 /an converge para um certo limite r. e a série original diverge para ∞. essa desigualdade nos dá aN +1 < aN c.2. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 14 Exemplo 1. em geral. a série é divergente. a partir de certo índice n = N teremos r − < an+1 /an < r + . Portanto.13: A série Solução: Para todo k ≥ 1. .15: A série ∞ k=0 k! é convergente ou divergente? Justique. para todo k ≥ 1.2. 1 + 2 k 1 k2 ∞ k k=0 k2 +2k+1 é convergente ou divergente? Justique. Autor: Leandro Chaves Rêgo . Teste da Razão Teorema 1. seja > 0 tal que c = r + < 1. dado = r − 1. então. Ao contrário. logo o mesmo ocorre com a série original. existe um índice N sucientemente grande tal que. aN +n < aN cn . temos k! k ak+1 = ak 2k+1 (k+1)! 2k k! = 2 . . k 1 ≥ .2. .CAPÍTULO 1. r − < an+1 /an < r + = c. a série converge se r < 1 e diverge se r > 1. Como an+1 /an → r. N + 2. k Solução: Como ak = 2 . Fazendo n sucessivamente igual a N . aN < aN +1 < aN +2 < . esta série converge. portanto. Prova: Supondo r < 1. 2 Exemplo 1. .

Solução: Para x = 0 a soma da série é zero. Pelo critério do termo geral. |a +1 | Se r > 1.2. da série independe da ordem em que se consideram os termos. As sequências (Tn ). Então. convergente. . Para demonstrar a segunda parte do teorema. com limk ak . logo ∞ k=0 ∞ k=0 ak será. em ambos os casos.2. + |an | = pn + qn e Sn = a1 + a2 + . = ∞ (−1)n n=1 n2 é convergente. a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos termos ar negativos. digamos para p e q . também. que a série é convergente para |x| < 1 e divergente para |x| > 1. Exemplo 1. . pn ≤ Tn ≤ T e qn ≤ Tn ≤ T . (pn ) e (qn ) são não decrescentes. lim | n n+1 (n + 1)xn+1 | = |x| lim = |x |. Então.17: Toda série absolutamente convergente é convergente. Como ap = 0. por hipótese.2. já que ela é Teste da Razão Para Séries de Termos Quaisquer Teorema 1. basta notar que pn e qn são somas parciais de séries de termos não negativos. a primeira delas converge. Ao mesmo tempo. Autor: Leandro Chaves Rêgo . respectivamente. r ≤ n. cujas somas independem da ordem em que se considerem seus termos. limk |ak | não poderá ser zero e o mesmo acontecerá. ak | |ak | > |ap |. Concluímos que (Sn ) também converge: Sn = pn − qn → p − q . + an = pn − qn . se a série an converge absolutamente. .2 Convergência Absoluta Denição 1. a série converge se r < 1 e diverge se r > 1. a série é divergente pelo critério do termo geral. .16: Diz-se que uma série convergente. logo pn e qn também convergem. ou é absolutamente |an | é convergente. com ak = 0 para todo natural k . Além disso. n Exemplo 1. ak |ak | será convergente pelo teste da razão. Suponhamos que +1 limk | ak | = r . as somas parciais das séries |an | e an são dadas por Tn = |a1 | + |a2 | + .. logo convergente. existirá um natural p tal que k ≥ p ⇒ |k > 1.CAPÍTULO 1. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 15 1. a série ∞ k=0 ak será divergente. digamos..2. para todo k > p. Então. n n nx n Segue do critério da razão.2. respectivamente. Para |x| = 1. Suponhamos então que x = 0 e apliquemos o critério da razão.2. então.19: Seja a série Prova: Se r < 1. 1 4 − 1 9 + . onde.20: Determine x para que a série ∞ n=1 nx seja convergente. a série ∞ k=0 ak .18 : A série −1 + absolutamente convergente. para T . Teorema 1.

para x → x0 e escrevemos f (x) = o(g (x)). utilizando a aproximação de Stirling.2.21: Determine x para que a série ∞ n=1 n! seja convergente. n→∞ n→∞ n! √ √ n ) 2πn en ( n e lim n n 2πn n→∞ Portanto. n n+1 (n + 1)!xn Segue do critério da razão. (x)| isto é. Solução: Para x = 0 a soma da série é zero. Suponhamos então que n x = 0 e apliquemos o critério da razão. logo a série diverge. para x → x0 e escrevemos 2 f (x) = O(g (x)). que a série é convergente para todo x real. dizemos que f é de ordem pequena em relação a g . o termo geral da série diverge. segundo a qual limn→∞ ( n )nn 2πn e temos que limn→∞ |an | = lim n!en n→∞ nn √ )n 2πn n!en ( n e = lim n n √ n→∞ n ( e )n 2πn = lim (n )n e √ = 1 lim 2πn = ∞. n!x Exemplo 1.2. sen e Por exemplo. lim | n n!xn+1 1 | = | x | lim = 0. sen2 x = o(x) e cos( x x cos(1/x) tendem a zero com x → 0.22: Determine x para que a série ∞ n=1 nn seja convergente. quando existem números positivos δ e M tal que se |x − x0 | < δ . x → x0 . ! √ = 1. Suponhamos então que x = 0 e apliquemos o critério da razão. lim | n (n + 1)!nn xn+1 (n + 1)nn n n |x | | = | x | lim = |x| lim( ) = . Solução: Para x = 0 a soma da série é zero. x → x0 . 1. 1 x 1 ) = o( x ) para x → 0. pois ambos quocientes.CAPÍTULO 1. Autor: Leandro Chaves Rêgo . que a série é convergente para todo |x| < e e divergente para |x | > e . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS n 16 x Exemplo 1. Se |x| = e. g (x)| dizemos que f é de ordem grande em relação a g . n +1 n n +1 n (n + 1) n n+1 n!(n + 1) x e Segue do critério da razão.2. logo convergente. então ||f ≤ M. logo convergente.3 Ordens de Magnitude (x) Quando duas funções f e g são tais que o quociente f tende a zero com x tendendo a um g (x) certo x0 . 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhança de x0 .

n. .3 Série de Taylor As funções polinomiais são as mais simples quando se quer calcular seus valores. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 17 Por exemplo. 1. para todo k .2. que elas se toquem (f (0) = pn (0)) no ponto x = 0. ou seja. p( n (x) = r !ar + . pois usando L'Hopital. . Note que f (x) = o(g (x)) ⇒ f (x) = O(g (x)). n−r r) . + ar xr + . 3. ex − 1 − x = O(x2 ) e senx − x = O(x3 ) para x → 0. Dizemos n que an = o(bn ) se lim a = 0 e dizemos que an = O(bn ) se existir um número inteiro positivo bn n| que contém todos os termos a partir de n0 seja limitada. Então. (n − r + 1)an x (r) Portanto. fazendo x = 0 nessa expressão. + nan xn−1 pn (x) = 2a2 + 6a3 x + . 2. . pois permite obter propriedades das funções em termos de propriedades análogas dos polinômios que as aproximam. . Observamos que: pn (x) = a1 + 2a2 x + . derivá-las ou integrá-las. quando x x2 x3 tende a zero. n0 tal que a subsequência de ||a bn | Em particular. + rar xr−1 + . segue-se que (r ) f (r) (0) pn (0) = . . 10n2 + n = O(n2 ). . . + n(n − 1)an xn−2 Em geral. . .23: 1. Vamos considerar o problema de aproximar a função f . ar = r! r! Autor: Leandro Chaves Rêgo . . numa vizinhança de x = 0. . obtemos pn (0) = r!ar . + an xn . quando n tende ao innito. . . respectivamente. mas a recíproca não é verdadeira. . + n(n − 1) . x 1−x −x temos que os quocientes e − e senx tendem a 1/2 e −1/6. 1. x → x0 . . 2. No caso de sequências de números reais. tenham a mesma inclinação (f (0) = pn (0)) neste ponto. A possibilidade de aproximar funções por polinômios é de suma importância. temos que se (bn ) for uma sequência constante bn = c. Suponha que f seja derivável em x = 0 até ordem n. e assim por diante. nk = o(en ). r = 0. por um polinômio de grau n: pn (x) = a0 + a1 x + . log n = o(nk ). Como queremos aproximar f por pn em x = 0. . queremos que todas as derivadas até ordem n dessas funções em x = 0 coincidam. .CAPÍTULO 1. . . então an = o(c) se an → 0 e an = O(c) se (an ) for uma sequência limitada. para todo n. Exemplo 1. + r(r − 1)ar xr−2 + . também podemos analisar o comportamento comparativo de duas sequências {an }n≥1 e {bn }n≥1 . . para todo k > 0.

H (c) = 0. temos (note que f (0) − pn (0) = 0) Rn (x) f (c) − pn (c) f (c1 ) − pn (c1 ) = = n−1 . Lema 1. Usaremos repetidamente o Teorema do Valor Médio Generalizado para provar o teorema. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Então. existe c tal que (F (b) − F (a)G (c) − (G(b) − G(a))F (c) = 0. conhecido como Teorema do Valor Médio Generalizado. contínuas em [a. Sua importância reside no teorema que enunciamos e provamos a seguir. G(x) = xn+1 . obtemos f (x) − pn (x) f (c) − pn (c) Rn (x) = = . Aplicando novamente o Lema com F (x) = f (x) − pn (x). ou seja. derivável em (a. n +1 n +1 x x (n + 1)cn onde c está entre 0 e x. f (n+1) (cn )xn+1 . então existe c ∈ (a. b). b = c e a = 0. temos que n 18 pn (x) = r=0 f (r) (0) r x. b) tal que F (b) − F (a) F (c) = G(b) − G(a) G (c) Prova: Considere a função H (x) = (F (b) − F (a))(G(x) − G(a)) − (G(b) − G(a))(F (x) − F (a)).1: Seja f uma função derivável até a ordem n + 1.CAPÍTULO 1. b]. Então. b). Como G(b) = G(a). Este é chamado de polinômio de Taylor de ordem n da função f em torno de x = 0. G(x) = (n + 1)xn . com G(a) = G(b) e G (x) = 0 para x ∈ (a. a = 0.2: Se F e G são funções deriváveis num intervalo (a. (n + 1)! Prova: Começaremos enunciando e provando o seguinte Lema. numa vizinhança V de x = 0. Teorema 1. o polinômio pn aproxima f em V com erro ou resto dado por Rn (x) = f (x) − pn (x) = onde cn é um número compreendido entre 0 e x. e H (a) = H (b) = 0. r! onde f (0) (x) = f (x). b). Então. b) tal que H (b) − H (a) = 0 = H (c)(b − a). Seja F (x) = f (x) − pn (x). Logo pelo Teorema do Valor Médio existe c ∈ (a. n +1 n x (n + 1)c (n + 1)nc1 Autor: Leandro Chaves Rêgo . e b = x. o resultado está provado. b]. H é contínua em [a. Então aplicando o Lema notando que f (0) = pn (0).3.3. Portanto.

ou desenvolvimento de Taylor de ordem n da f (r) (a) função f em torno do ponto x = a. Continuando desta maneira. e somente se. obtemos Rn (x) f (n+1) (cn ) = . em torno de x = 0. xn+1 (n + 1)! onde cn está entre 0 e x. do mesmo modo que c é um número entre 0 e h. para |x − a| ≤ δ . a série de Taylor de g de ordem n em torno de h = 0 é: n g (r) (0) r g (n+1) (c) n+1 g (h) = h + h . Exemplo 1. isto é. para 0 ≤ r ≤ n e o fato que pn (y ) = 0 para todo y real. Se a função f (n+1) for limitada por uma constante K numa vizinhança de x = a. temos que sua série de Taylor é dada por: ∞ r=0 f (r) (a) (x − a)r . h se aproxima de 0. A fórmula n f (x) = r=0 f (r) (0) r x + Rn (x) r! é chamada de série. levando sempre em conta que fn (0) = (r ) (n+1) pn (0). Além disso. Autor: Leandro Chaves Rêgo . |f n+1 (x)| ≤ K . Esta fórmula é chamada de série. Desse modo se uma função f possui derivada de ordem n numa vizinhança de x = a para todo natural n. Podemos generalizar este resultado e obter a série de Taylor de uma função em torno de um outro ponto qualquer x = a. Então. introduzindo-se a variável h = x − a e a função g (h) = f (a + h) = f (x).CAPÍTULO 1. e n (x − a)r é chamado de polinômio de Taylor r=0 r! de ordem n de f em torno de x = a. r! x > −1.3: Vamos obter a série de Taylor de ordem n da função f (x) = ln(1 + x). Este problema se reduz facilmente ao problema tratado anteriormente. então Rn (x) = O((x − a)n+1 ) ou Rn (x) = o((x − a)n ) com x → a. Portanto. r! (n + 1)! onde c = a + c é um número entre a e x. g terá n + 1 derivadas em |h| < δ .3. expansão. Dessa maneira a variável x se aproxima de a se. digamos |x − a| < δ . r! (n + 1)! r=0 e pode ser reescrita como n f (x) = r=0 f (r) (a) f (n+1) (c ) (x − a)r + (x − a)n+1 . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS (r ) 19 onde c1 está entre 0 e c. Suponha que f seja derivável até ordem n + 1 numa vizinhança de x = a. onde a não é necessariamente igual a zero. 0 ≤ r ≤ n + 1. expansão ou desenvolvimento de Taylor de ordem n da função f em torno de x = 0. g (r) (h) = f (r) (a + h) = f (r) (x).

temos −1. f (r) (0) = (−1)r−1 (r − 1)!.3. Neste exemplo usaremos √ séries de Taylor para demonstrar a fórmula de Euler: eix = cos(x) + i sen(x). 2r ! (2r + 1)! r=0 ∞ cos(x) = r=0 ∞ (−1)r 2r x . f (x) = −x2 . (2r + 1)! sen(x) = r=0 Logo. Autor: Leandro Chaves Rêgo . temos as seguintes expansões de Taylor em torno de x = 0: ∞ e = r=0 ix ir r x = r! ∞ ∞ r=0 (−1)r 2r (−1)r 2r+1 x +i x . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 20 (1 + x)−1 . f r!(2) = (2 r +1 . 2r ! (−1)r 2r+1 x . r +1 n +2 2 c r=0 onde c é um número entre 2 e x. = r se r for par. onde i = inteiro r.CAPÍTULO 1.4: Vamos obter a série de Taylor de ordem n da função f (x) = x . (−1) 2 cos(x) dxr dr sen(x) = dxr (−1) 2 cos(x) se r for ímpar. 1 Exemplo 1. Portanto. f (x) = −1(1 + x)−2 . e que em geral temos: f (r) (x) = (−1)r−1 (r − 1)!(1 + x) . x > 0. r (n + 1) onde c está entre 0 e x. r dx r +1 dr cos(x) (−1) 2 sen(x) se r for ímpar. Solução: Note que f (2) = 1/2. e a série de Taylor de ordem n de f em torno de x = 2 é: n (−1)r (−1)n+1 r f (x) = ( x − 2) + (x − 2)n+1 . Note que para qualquer dr eix = ir eix . r (−1) 2 sen(x) se r for par. torno do ponto a = 2. e a série de Taylor de ordem n de f em torno de x = 0 é: n Solução: Note que f (0) = ln(1) = 0.5: Fórmula de Euler. e que em geral temos: (r ) −1)r f (r) (x) = (−1)r r!x−r−1 .3. podemos concluir que eix = cos(x) + i sen(x). f (x) = 2x−3 . r −1 Então. em Exemplo 1. f (x) = 1 = 1+x −r f (x) = r=1 (−1)r−1 r (−1)n (1 + c)−(n+1) n+1 (x) + (x) . Portanto.

dene-se: k≥n ∞ inf Ak = ∩∞ k=n Ak . 21 Prova: Para parte (a). pois se ω ∈ lim inf An . n n Exemplo 2.1.2. ω ∈ lim sup An . e somente se. ou seja. n+1 ) = lim sup[0. sup Ak = ∪k=n Ak k ≥n ∩∞ k =n lim inf An = n n ∪∞ n=1 Ak ∞ lim sup An = ∩∞ n=1 ∪k=n Ak . para todo n. Logo. e somente se. Como isto é válido para todo n. O limite de uma seqüência de eventos é denido da seguinte maneira: se para alguma seqüência (Bn ) de eventos lim inf n Bn = lim supn Bn = B . n+1 ) = [0. se. temos que isto é equivalente a existência de um número innito de índices k tais que ω ∈ Ak . Seja An ⊆ Ω. ω ∈ / Ak para um número nito de índices k . (b) ω ∈ lim inf An se. então B é chamado de limite de (Bn ) e nós escrevemos limn Bn = B ou Bn → B . . A prova da parte (b) é similar. para todo n existe n ≥ n tal que ω ∈ An . A seguir descreveremos algumas propriedades do lim inf e lim sup de uma seqüência de eventos. e somente se. se. 1) Teorema 2. ω ∈ Ak para um número innito de índices k .1. (a) ω ∈ lim sup An se.1 Seqüência de Eventos A denição de conceitos de convergência de variáveis aleatórias depende de manipulações de seqüências de eventos. e conseqüentemente pertence a um número innito deles.2: Seja (An ) uma seqüência de eventos de Ω. note que ω ∈ lim sup An .Capítulo 2 Convergência Estocástica 2. ω ∈ ∪∞ k=n Ak .1: lim inf[0. e somente se. ω não pertence apenas a um número nito de eventos Ak 's. lim inf An ⊆ lim sup An Este fato é uma simples conseqüência do Teorema 2.1. 1.

1 + n ) = [0.1. 1 + n ) = ∩∞ n=1 [0. (lim inf An )c = lim sup Ac n Este fato decorre aplicando a Lei de De Morgan duas vezes: ∞ c ∞ ∞ c ∞ ∞ c (∪∞ n=1 ∩k=n Ak ) = ∩n=1 (∩k=n Ak ) = ∩n=1 (∪k=n Ak ). n−1 ) = {1}. 1 Exemplo 2. precisamos mostrar que lim inf An = lim sup An = ∪∞ n=1 An . (resp.. Denotaremos por An ↑ (resp. temos. An ↓) uma seqüência não-decrescente (resp. Logo. . Autor: Leandro Chaves Rêgo . limn [0. Prova: Para provar (1).5: Sejam An . ∞ lim sup An = ∩∞ n=1 (∪k≥n Ak ) ⊆ ∪k=1 Ak = lim inf An ⊆ lim sup An . Como ∞ lim inf An = ∪∞ n=1 (∩k≥n Ak ) = ∪n=1 An . Então. B eventos em Ω. se limn An = A. e portanto.). temos igualdade acima. então limn Ac n = A . 1 − n ] = [0. 2. temos ∩k≥n Ak = An . 1. 1]. Exemplo 2. 1). Mostre que: c 1. segue que: lim inf Bn = lim(inf Bk ).. Conseqüentemente. Se An ↑.4: 1 1 1. lim sup Bn = lim(sup Bk ) n k ≥n n k ≥n Aj ⊆ Aj +1 . CONVERGÊNCIA ESTOCÁSTICA 2. limn [0. não-crescente) de eventos. . . então limn An = ∩∞ n=1 An . limn ( n+1 . ou seja.1. 22 Seqüências Monotônicas Uma seqüência de eventos (An ) é monotônica não-decrescente (resp. Se An ↓. n− ) = ∩∞ n=1 ( n+1 . n n n n 3. 1 1 2. 1 − n ] = ∪∞ n=1 [0. Teorema 2. lim sup An = ∪∞ k=1 Ak . . então limn An = ∪∞ n=1 An . A prova de (2) é similar. temos inf k≥n Bk ↑ e supk≥n Bk ↓. Por outro lado.3: Suponha que (An ) é uma seqüência monotônica de eventos.1. A. não-crescente) se A1 ⊆ A2 ⊆ . A1 ⊇ A2 ⊇ . Bn . c c c c c Solução: lim inf Ac n = (lim sup An ) = A e lim sup An = (lim inf An ) = A .CAPÍTULO 2. como para qualquer seqüência Bn .

6: Sejam A1 . então P (An innitas vezes ) = 0. temos: c c A ∩ B = (Ac ∪ B c )c = (lim Ac n ∪ lim Bn ) = c c c c c = (lim Ac n ∪ Bn ) = lim(An ∪ Bn ) = lim An ∩ Bn . ∀n. se An → A e Bn → B . então P (An innitas vezes ) = 1. conhecido como Lema de BorelCantelli.1. Logo. CONVERGÊNCIA ESTOCÁSTICA 2. Solução: Se ω ∈ lim sup(An ∪ Bn ). então ω ∈ lim sup An ou ω ∈ lim sup Bn .1 Borel-Canteli A seguir vamos enunciar e provar um importante Lema. Logo. ω ∈ lim sup(An ∪ Bn ). 3. ou ω não pertence a um número nito de Bk 's. A. 2. então An ∪ Bn → A ∪ B e An ∩ Bn → A ∩ B . então ω ∈ (Ak ∪ Bk ) para innitos índices k . se ω ∈ lim sup An ∪lim sup Bn . Então. Portanto. e pela propriedade (1) de lim inf e lim sup. temos lim inf An ∪ Bn ⊆ lim sup An ∪ Bn = A ∪ B. ou seja. ω ∈ lim sup An ∪ lim sup Bn . pois somente os ω s em A ∩ B não ocorrem para um número nito de índices n tanto na seqüência An quanto na seqüência Bn . Suponha que ω ∈ A ∪ B . Portanto. é fácil ver que lim inf(An ∪ Bn ) = A ∪ B .CAPÍTULO 2. P ). ou ω ∈ Bk para innitos índices k . ω ∈ lim inf An ∪ Bn . Logo. An = A = ∅ Solução: Pela parte (2). 23 temos que ω ∈ Ak para innitos índices k . e Bn = B = ∅ para n par. . (a) Se (b) Se ∞ n=1 ∞ n=1 P (An ) < ∞. Não é verdade que lim inf(An ∪ Bn ) = lim inf An ∪ lim inf Bn . 4. que trata da probabilidade da ocorrência de um número innito de eventos. A2 . lim sup(An ∪ Bn ) = lim sup An ∪ lim sup Bn . ou seja. temos ω ∈ lim sup An ou ω ∈ lim sup Bn . Utilizando os ítens anteriores e a Lei de De Morgan. ou seja. Resta-nos provar que A ∪ B ⊆ lim inf An ∪ Bn . ω não pertence a um número nito de Ak ∪ Bk 's. . ω não pertence a um número nito de Ak 's. Também é fácil ver que lim inf An = lim inf Bn = A ∩ B = ∅. eventos aleatórios em (Ω. Reciprocamente. ω ∈ (Ak ∪ Bk ) para innitos índices k . ou ω ∈ Bk para innitos índices k . Autor: Leandro Chaves Rêgo . ou seja. Lema 2. Portanto. A ∪ B = lim inf(An ∪ Bn ) = ∅ = lim inf An ∪ lim inf Bn . Como An ∪ Bn = A ∪ B para todo n. P (An ) = ∞ e os eventos An 's são independentes. e An = B e Bn = A para n ímpar. An ∪ Bn → A ∪ B . então ω ∈ lim inf An ou ω ∈ lim inf Bn . An ∈ A.1. Solução: Vamos construir um contra-exemplo: Suponha que A ∩ B = ∅. temos que lim sup An ∪ Bn = lim sup An ∪ lim sup Bn = A ∪ B. temos que ω ∈ Ak para innitos índices k . . Então.

n+m n+m 1 − P (Bn ) = c P (Bn ) ≤ +m c P (∩n k=n Ak ) = k=n P (Ac k) = k =n (1 − P (Ak )). então podemos concluir que intos desses vezes ocorrem com probabilidade zero ou. Prova: Para parte (a).1.CAPÍTULO 2. ∀n. Contudo. seja Bn = ∪∞ k=n Ak . nenhum dos Ak ocorrem para k > N . P (An innitas vezes) = 0. Exemplo 2. +m Então Bn contém ∪n A para todo m . É importante ressaltar que nós podemos chegar a essa conclusão sem saber nada sobre as interações entre esses eventos como as que são expressas por probabilidades de papres de eventos P (Ai ∩ Aj ). basta provar que P (∪∞ k=j Ak ) ≤ k=j P (Ak ) → 0. se apenas sabemos que P (Ak ) > 1/k . Se soubermos que os eventos são mutuamente independentes. ∀n. CONVERGÊNCIA ESTOCÁSTICA 24 seja An = A. vezes] = A e P (An innitas vezes) = P (A) < 1. Logo P (Bn ) = 1. então sabendo que P (Ak ) > 1/k . logo ∞ P (An innitas vezes) ≤ Portanto. e k k =n +m n+m c c c Bn ⊆ (∪n k=n Ak ) = ∩k=n Ak . ∞ k=j P (An ) = ∞ mas o evento [An innitas P (Ak ) → 0 quando j → ∞. as suas probabi- lidades individuais satisfazem P (Ak ) ≤ k12 . se P (An ) < ∞. Logo para todo m. ∀j. Então. é também de probabilidade 1). com probabilidade 1. Para parte (b).7: Se sabemos que para uma dada coleção de eventos {Ak }. podemos concluir que innitos Ak ocorrem com probabilidade 1. onde 0 < P (A) < 1. ∀n ∞ (pois sendo [An innitas vezes] = ∩∞ n=1 ∪k=n Ak a intersecção de um número enumerável de eventos de probabilidade 1. P (∪∞ k=n Ak ) = 1. pois n+m k =n P (Ak ) → ∞ quando m → ∞. Autor: Leandro Chaves Rêgo . Por exemplo. Para tanto. que apenas um número nito deles ocorrem com probabilidade 1. temos n+m n+m 1 − P (Bn ) ≤ k=n e −P (Ak ) = exp(− k =n P (Ak )) → 0 quando m → ∞. Como 1 − p ≤ e−p para 0 ≤ p ≤ 1. Podemos reesecrever isso da seguinte forma: existe um instante aleatório N tal que. então Obervação: O ítem (b) não vale necessariamente sem independência. então não podemos concluir nada baseados no Lema de Borel-Cantelli. Mas [An innitas vezes] ⊆ ∪∞ k=j Ak .

. x] para todo x ∈ R.1. Considere a seguinte subseqüência da seqüência de eventos (Ai ) tal que Bi = A4i−3 . Como (Bi ) é uma subseqüência de (Ai ). cara. Relembrando: Seja (Ω. Xi+3 = coroa}. por exemplo. X3 . uniforme. ambos A1 e A2 dependem de X2 . se ∞ ∞ P (Xk > bk ) = k=1 k=1 1 − FXk (bk ) = ∞. X4 . X2 . coroa) aparecer um número innito de vezes? Justique sua resposta. Dena o evento Ai = {Xi = cara. coroa. Xi+1 = cara. O mesmo ocorre quando consideramos limites de variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω. i P (Bi ) = ∞. queremos calcular P (Ai innitas vezes). Não podemos aplicar diretamente o lema de Borel Cantelli. temos que Exemplo 2. Xi+2 = coroa. em quase todo lugar). Podemos usar o Lema de Borel-Cantelli para determinar a probabilidade que Xk > bk innitas vezes para qualquer seqüência de números reais {bk }. Além disso temos que P (Bi ) = p2 (1 − p)2 > 0. não importa qual a distribuição conjunta das variáveis aleatórias {Xk }. A) um espaço mensurável. de cara igual a p. A matemática para estudar o longo prazo é a dos limites. . Por outro lado. pois os eventos Ai 's não são independentes. Se esta moeda for jogada um número innito de vezes de maneira independente. Logo. Solução: Seja Xi o resultado do i-ésimo lançamento da moeda. X −1 (B ) ∈ A. pontual. então. P (Ai innitas vezes) = 1. então precisaríamos de informação adicional sobre a distribuição conjunta das variáveis aleatórias {Xk } para determinar se os eventos {Xk > bk } ocorrem um número nito ou innito de vezes. Note que para todo i. Mas quando se trata de funções. qual a probabilidade da seqüência (cara. 2. Logo. CONVERGÊNCIA ESTOCÁSTICA 25 Exemplo 2. Portanto. Como os eventos Bi 's dependem de famílias disjuntas de variáveis aleatórias independentes.CAPÍTULO 2. eles são independentes. se ∞ ∞ P (Xk > bk ) = k=1 k=1 1 − FXk (bk ) < ∞. Borel-Cantelli implica que P (Bi innitas vezes) = 1. probabilidade está relacionada com a freqüência relativa de eventos no longo prazo.8: Considere uma seqüência de variáveis aleatórias X1 . visto que variáveis aleatórias são funções reais cujo domínio é Ω. visto que. onde a σ -álgebra de Borel é a menor σ -álgebra contendo intervalos da forma (−∞. temos que o evento {Xk > bk } só ocorrerá para um número nito de índices k . Autor: Leandro Chaves Rêgo .2 Covergência de Variáveis Aleatórias Seguindo uma interpretação freqüentista. Portanto. X3 .9: Considere uma moeda não necessariamente honesta com probabilidade [Bi intas vezes] ⊆ [Ai innitas vezes]. P ). . onde 0 < p < 1.1.. A. Uma função X : Ω → R é chamada de variável aleatória se para todo evento Boreliano B . existem vários tipos de limites (por exemplo. temos P (Ai ) = p2 (1 − p)2 > 0. Nós recordamos que um evento Boreliano é qualquer evento pertencente à σ -álgebra de Borel. Note que P (Xk > bk ) = 1 − FXk (bk ).

. Podemos obter uma denição alternativa para convergência quase-certa. para todo k ∈ I N. k Isto é equivalente a: ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| ≥ 1 Dena An. . A. Yn → Y cp1 se. converge quase certamente para Y não signica que para todo w ∈ Ω. CONVERGÊNCIA ESTOCÁSTICA 26 2. .1 Tipos de Convergência Vamos a seguir descrever vários tipos de convergência estocástica. P ). Exemplo 2. Y2 . n Autor: Leandro Chaves Rêgo . D é chamado de conjunto de exceção.2. ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < 1 }) = 1. converge quase certamente (ou com probabilidade 1) para a variável aleatória Y se n→∞ P ({w : lim Yn (w) = Y (w)}) = 1. Então se uma seqüência de variáveis aleatórias Y1 .2. apenas o que se sabe é que a probabilidade do evento D = {w : Yn (w) Y (w)} é nula. P (lim sup An. temos que ∞ lim sup An. então Xn (w) → 0 cp1. temos que limn Yn (w) = Y (w) se.2. Yn (w) → Y (w). Sejam Y. observando que. . 1 temos |Yn (w) − Y (w)| < k . k Então. n Logo. note que o conjunto de exceção é D = {w ∈ Ω : |Z (w)| ≥ 1} e que P (D) = 0. . e depois provaremos algumas relações entre os vários tipos de convergência. para todo k ∈ I N . variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω. Y1 . ilustrando com exemplos cada tipo de convergência. . Seja Xn (w) = Z n (w). e somente se. Então para cada k xo. Y2 .k . Notação: Yn → Y cp1.k ) = 0. e somente se. Portanto: ∞ ∞ {w : lim Yn (w) = Y (w)} = {w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < n 1 }.CAPÍTULO 2. . Y2 . pela denição de limite de sequências de números reais. para um dado w ∈ Ω xo.2: Considere uma variável aleatória Z tal que P ({w : 0 ≤ |Z (w)| < 1}) = 1. k 1 }) = 0. . existir N tal que para todo n ≥ N . Convergência Quase Certa Denição 2. Yn → Y cp1 se. e somente se.k = ∪∞ N =1 ∩n=N An. .1: A seqüência de variáveis aleatórias Y1 .k = {w : |Yn (w) − Y (w)| ≥ k }.

. portanto com probabilidade 1. . para todo x < ∞. log n 1 Logo. . converge na r-ésima Média. . X2 ≤ M. . Dessa forma. temos que P (|Xn | > ) = P (Xn = n) = 1 . . Inicialmente. as variáveis Yn formam uma seqüência nãodecrescente de números reais. . . tem probabilidade zero e. Xk ≤ M ) k = n=1 P (Xn ≤ M ) = F k (M ). . com função de distribuição F. observe que para cada ω ∈ Ω.) ≤ P (Yn ≤ M : n = 1. em que limn Yn (w) é nito.d.3: Seja {Xn }n≥3 uma seqüência de variáveis aleatórias independentes com P (Xn = 0) = 1 − Mostre que Xn 0 cp1. Autor: Leandro Chaves Rêgo . Convergência na r-ésima Média Denição 2. Notação: Yn →r Y . o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1. Considere {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. 2.2. . 2. . . . Fazendo k → ∞. temos que para todo M nito. ∀n ≥ 3. temos Exemplo 2. P (lim Yn ≤ M ) = P (Yn ≤ M : n = 1. . Dena Yn = max(X1 . para a variável aleatória Y se n→∞ lim E |Yn − Y |r = 0. CONVERGÊNCIA ESTOCÁSTICA 27 distribuição de probabilidade dada por: Exemplo 2. Se r = 2 este tipo de convergência é freqüentemente chamado de convergência em média quadrática. X2 . Xn 0. . Xn ). n P (|Xn | > ) = n log n = ∞. . Vamos vericar que Yn → ∞ cp1. .2.5: A seqüência de variáveis aleatórias Y1 . Yn → ∞ cp1. .) = 0. . . Suponha que F (x) < 1. Y2 . quando k → ∞. 2. log n log n tal que 0 < < 1. X2 .CAPÍTULO 2. ∀k ≥ 1.4 : P (Yn ≤ M : n = 1.i. . n pois F k (M ) tende a zero. .2. . o conjunto dos w ∈ Ω. portanto. k ) = P (Yk ≤ M ) = P (max(X1 . . Então. Seja M um número real. Xk ) ≤ M ) = P (X1 ≤ M. Solução: Para qualquer 1 1 e P (Xn = n) = . onde r > 0.

para todo r > 0. √n 2 π 2 ∞ P (|Xn − X | > ) = P (|Yn | > ) = 2P (Yn > ) = 2 √ n ny2 √ e− 4 dy = 2 4π Logo.7: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2.6: Sejam Z. Exemplo 2. . . P (|Xn | > ) = P (Xn = n) e 1 log n → 0. Mostre que Xn →P 0. n n 1 − x2 √ e 2 dx. Xn →P X . CONVERGÊNCIA ESTOCÁSTICA 28 Exemplo 2. como Yn é uma combinação linear de variáveis aleatórias com distribuição normal. Convergência em Probabilidade Denição 2. P (|Xn | > ) ≤ P (Xn = n). . Então.8: A seqüência de variáveis aleatórias Y1 . limn→∞ P (|Xn − X | > ) = 0. Xn →P 0.2. . Xn ) = 1. COV (X. n ∞ 2 1 )+1= . Xn ) = 1 − 2 V arY = EY 2 = E (Xn − X )2 = EXn − 2EXn X + EX 2 = 1 − 2(1 − 2 ). Portanto. Y2 . Como P (Xn = n) = lim P (|Xn | > ) = 0. mas não em caso contrário. Precisamos determinar então sua média e sua variância.. Exemplo 2. X2 . . Xn r nr → ∞. .2. X2 . Solução: Temos que para 0 < < 1. X ) = COV (Xn . Notação: Yn →P Y . ela também possui distribuição normal. log n 0. X1 . ou seja. . n Seja Yn = Xn − X . n+1 então Xn →2 Z se EZ 2 < ∞. temos que ∀ > 0.2.3. Exemplo 2. onde as varáveis aleatórias têm distribuição normal conjunta. Pode-se provar que se Xn →r X . variáveis aleatórias tais que Xn = n Z.CAPÍTULO 2. X1 . . então Xn →s X para s < r.2.2. converge em probabilidade para a variável aleatória Y se ∀ > 0 n→∞ lim P ({w : |Yn (w) − Y (w)| > }) = 0. . Mostre que Xn r 0. Solução: Temos que E |Xn |r = nr P (Xn = n) = Logo.2. todas com média 0 e matriz de covariância parcialmente descrita por 1 . Portanto. A intuição por trás desta denição é que para n muito grande a probabilidade de que Yn e Y sejam bem próximas é bastante alta.3. ∀ > 0. Autor: Leandro Chaves Rêgo . Mas EY = E (Xn − X ) = EXn − EX = 0 e COV (X.2.9: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2.10: Considere X. para ≥ 1. Yn ∼ N (0.

O requisito de continuidade.11: A seqüência de variáveis aleatórias Y1 . Y2 .13: Se uma seqüência de variáveis aleatórias Y1 . se justica para evitar 1 e X = 0. Exemplo 2. . logo a seqüência converge em distribuição para qualquer variável aleatória X tal que FX = F . Uma seqüência convergindo em distribuição para uma variável aleatória X também converge em distribuição para qualquer outra variável aleatória Y tal que FY = FX . portanto. Y2 . mencionado na denição acima.CAPÍTULO 2. temos que lim FYn (y ) = n 0 se y < b. Exemplo 2. X2 . X2 . FYn (y ) = P (max(X1 . . Observe que 1 0 se x < n . . Xn ) e Y = b. Fazendo n tender ao innito. CONVERGÊNCIA ESTOCÁSTICA 29 Convergência em Distribuição O último tipo de convergência estocástico que mencionamos não é exatamente uma noção de convergência das variáveis aleatórias propriamente ditas.  0 y n n ( ) se 0 ≤ y < b. Denição 2. 1 se x ≥ 0. como a seqüência é independente. Autor: Leandro Chaves Rêgo . e F (x) = 0 se x < 0. O próximo exemplo serve para ilustrar melhor este fato.12: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias independentes com distribuição Uniforme em (0. para n ≥ 1 seja Xn = n aceitável que deveríamos ter convergência de Xn para X . . .. Deve-se car atento que convergência em distribuição não implica nada em relação aos outros tipos de convergência. b > 0. . converge em distribuição para a variável aleatória Y se para todo ponto x de continuidade de FY n→∞ lim FYn (x) = FY (x). . 1 se y ≥ b. .2. . que corresponde à função de distribuição de Y e. Fn (x) = 1 1 se x ≥ n . Temos  se y < 0. mas uma noção de convergência de suas respectivas funções de distribuição acumuladas. qualquer que fosse o modo de convergência.2. Vamos vericar que Yn →D Y . Xn ) ≤ y ) = FX1 (y ) =  b 1 se y ≥ b. Yn →D Y . . . então para todo n tem-se que FYn = F . Por exemplo. . Dena Yn = max(X1 . . Notação: Yn →D Y . é independente e identicamente distribuída de acordo com F . Parece algumas anomalias.2. para todo Ω. b). . Claro. os valores de termos sucessivos são independentes e não exibem nenhum comportamento usual de convergência.

onde  0 . então Xn →D X . X2 . f3 .2. O próximo teorema estabelece duas condições sucientes para que uma seqüência de variáveis aleatórias convirja em distribuição. FXn (x) → FX (x). X1 . O próximo exemplo mostra que se uma seqüência de variáveis aleatórias absolutamente contínuas converge em distribuição. o Teorema Central do Limite arma que se V AR(Xi ) = σ 2 < ∞. não teríamos convergência em distribuição. não necessariamente sua função probabilidade de massa converge. temos limn Fn (x) = F (x) e. X1 . Prova: Fora do escopo deste curso. X2 . p(0) = 1 = 0 = limn pn (0). Teorema 2. . . X1 .2. e FXn (x) = 1 se x ≥ 1/n e FXn (x) = 0 caso contrário. então Xn →D X . Autor: Leandro Chaves Rêgo . onde pn (i) → p(i) quando n → ∞ para todo i = 0. O próximo exemplo mostra que se uma seqüência de variáveis aleatórias discretas converge em distribuição. Desse modo se houvesse a exigência de convergência em todos os pontos. σ 2 ). F3 . são variáveis aleatórias absolutamente contínuas com densidades dadas respectivamente por f. n i=1 onde Xi 's são variáveis aleatórias independentes e identicamente distribuídas. Entretanto. ou seja. não necessariamente sua função densidade de probabilidade converge. concluímos que Xn →D X . X2 . . f1 . e FX (x) = 0 caso contrário. . com função de distribuição acumuladas dadas respectivamente por F. Logo.16 : Considere uma seqüência de variáveis aleatórias X.14: Seja X. então Sn converge em distribuição para qualquer variável aleatória com distribuição N (0. se x > 1.2. uma seqüência de variáveis aleatórias: (a) Se X. . como o ponto 0 não é de continuidade de F . . . note que para x = 0. F1 . se 0 < x ≤ 1 F n ( x) =  1 . onde fn (x) → f (x) quando n → ∞ em quase todo lugar. não temos limn Fn (x) = F (x) para todo x ∈ I R.15 : Sejam X. F2 . CONVERGÊNCIA ESTOCÁSTICA 30 Portanto. se x ≤ 0  sen 2nπx x(1 − 2nπx ) . são variáveis aleatórias discretas com P (Xn = xi ) = pn (i) e P (X = xi ) = p(i). .. f2 .. Xn →D X . . ∀x = 0. X1 . . como limn Fn (0) = 0 = F (0) = 1. Um exemplo mais complexo de convergência em distribuição pode ser visto na análise do limite de n 1 Sn = √ (Xi − EXi ). 3.CAPÍTULO 2. . Neste. X1 . X2 . Porém. . temos FX (x) = 1 se x ≥ 0. (b) Se X. 1. . . . . 2. X2 . . Exemplo 2. .. . . . variáveis aleatórias tais que P (X = 0) = 1 e P (Xn = 1/n) = 1. Então. . . . Exemplo 2.

N →∞ Portanto. fn (x) 2. se 0 ≤ x ≤ 1 0 . Logo. CONVERGÊNCIA ESTOCÁSTICA e 31  . Se Xn → X cp1. Prova: Para provar que convergência quase certa implica em convergência em probabilidade. N →∞ Então. se x > 1. ) ≥ N →∞ N →∞ lim P (Ac N. se 0 < x ≤ 1 F ( x) =  1 . Seja FN = ∪n≥N Bn . f (x) = É fácil ver que Fn (x) → F (x).2. se x ≤ 0  0 x . f (x). c D = C c = ∪ >0 D . Então Fn e F são absolutamente contínuas com densidade dada por fn (x) = e 1 − cos 2nπx . então P (C ) = 1. pelo axioma da continuidade monotônica da probabilidade. . O próximo teorema prova que convergência na r-ésima média implica convergência em probabilidade. Note que FN ↓. 0 = P (D ) = lim P (∪n≥N Ac n. convergência quase certa implica que ∀ > 0. P Autor: Leandro Chaves Rêgo . limN FN = ∩∞ N =1 ∪n≥N Bn . ∀x ∈ I R. onde D = ∩∞ N =1 ∪n≥N An. se 0 < x ≤ 1 0 . ) = lim P (|XN (w) − X (w)| > ). caso contrário. Portanto. Xn → X . pela interpretação de convergência pontual. P (D ) = 0. = {w : |Xn (w) − X (w)| ≤ }. Portanto. . considere a seguinte família de eventos An.2.2 Relação Entre os Tipos de Convergência A primeira relação que iremos provar é que convergência quase certa implica convergência em probabilidade. Contudo. e P (∪ >0 D ) = 0.17: Xn → X cp1 ⇒ Xn →P X .CAPÍTULO 2. Equivalentemente. Teorema 2. 1 . pela Lei de De Morgan. caso contrário. Logo. C = {w : Xn (w) → X (w)} = ∩ >0 ∪∞ N =1 ∩n≥N An. tem-se que P (∩∞ N =1 ∪n≥N Bn ) = lim P (∪n≥N Bn ).

2. Yn (w) = 1 para um número innito de n's e Yn (w) = 0 para um número innito de n's. toda subseqüência {Xnk } possui uma outra subseqüência {Xnk(i) } tal que Xnk(i) → X cp1 para i → ∞.CAPÍTULO 2. Logo. Exemplo 2. nem convergência na r-ésima média implicam convergência quase certa. e i = 0. Yn converge na r-ésima média para 0. O próximo teorema estabelece mais uma relação entre convergência quase certa e convergência em probabilidade. . Portanto. E (|Xn − X |r ) r ≥ P ({w : |Xn − X | > }). ou seja.19: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. 0 se X (w) ∈ / In .20: Xn →P X se. 2. ]. >0 Se Xn →r X . 1]. e esta probabilidade. Denamos Yn (w) = 1 se X (w) ∈ In . A seqüência Y1 . Logo. .2. Yn (w) não converge para todo w. Porém para todo w ∈ Ω. visto que E (|Yn |r ) = P (Yn = 1) → 0 quando n → ∞. O próximo exemplo prova que nem convergência em probabilidade. 1]. Y2 . . . . 1. converge em probabilidade para 0. . Prova: Primeiro note que |Xn −X |r r ≥ I{w:|Xn −X |> } . . tem-se que limn→∞ E (|Xn − x|r ) = 0. tem-se que r E( ou seja. pois para 0 < ≤ 1. para todo n→∞ lim P ({w : |Xn − X | > }) = 0. . 2m 2m para m = 0.2. Então. . P (|Yn | ≥ ) = P (Yn = 1) = P (X ∈ In ). . 2m − 1. e somente se. que é igual ao comprimento de In .18: Xn →r X ⇒ Xn →P X . o que implica que Yn não converge quase certamente. 1. e considere a seqüência de intervalos denida por I2m +i = [ i i+1 . Note que tem-se 2m intervalos de comprimento 2−m que cobrem todo o intervalo [0. converge para zero quando n → ∞. CONVERGÊNCIA ESTOCÁSTICA 32 Teorema 2. |Xn − X |r ) ≥ E (I{w:|Xn −X |> } ). e o comprimento dos intervalos ca cada vez menor tendendo a 0. Xn →P X . Autor: Leandro Chaves Rêgo . Teorema 2. Esta seqüência também converge na r-ésima média para todo r > 0.

n )) = O próximo teorema trata da relação entre convergência em distribuição e convergência em probabilidade. CONVERGÊNCIA ESTOCÁSTICA 33 outra subseqüência {Xnk(i) } tal que j ≥ k (i) implica que P (|Xnj − X | ≥ i−1 ) < 2−i . Prova: Para parte (a).2. FX (x − ) − P (|Xn − X | > ) ≤ FXn (x) ≤ FX (x + ) + P (|Xn − X | > ).2. P (Ai nitas vezes) = 1.21: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. então Xn →P c. n ). logo pelo Teorema 2. temos que P (|Xnk(i) − X | ≥ i−1 ) < 2−i . 1 Então. suponha que Xn →P X e seja x um ponto de continuidade de FX . Logo. Considere a seguinte seqüência de varáveis aleatórias Yn (w) = 1 2n se X (w) ∈ (0. mas E (|Yn |r ) = 2nr n → ∞. Queremos provar que FXn (x) → FX (x) quando n → ∞. n ).22: As seguintes relações entre os tipos de convergência são válidas: (a) Xn →P X ⇒ Xn →D X (b) Se Xn →D c. Se Xn não converge para X em probabilidade. |Xnk(i) − X | < i−1 exceto para um número nito de i's com probabilidade 1. ou seja. temos que ∀ > 0. Xn ≤ x ⇒ X ≤ x + ou |X − Xn | > . Portanto. Portanto. 1 n 1 → 0.2. 1 0 se X (w) ∈ / (0. 1]. existe um > 0 e uma subseqüência {Xnk } tal que P (|Xnk − X | > ) > . Xnk(i) → X cp1. Teorema 2. and ∀n. O próximo exemplo mostra que convergência em probabilidade não implica convergência na r-ésima média Prova: Suponha que Xn →P X . Autor: Leandro Chaves Rêgo . FXn (x) = P (Xn ≤ x) ≤ FX (x + ) + P (|Xn − X | > ). Em particular. Seja Ai = {|Xnk(i) − X | ≥ i−1 }. Juntando as duas desigualdades. ∞ ∞ −i então = 1 < ∞. X ≤ x − ⇒ Xn ≤ x ou |Xn − X | > de modo que FX (x − ) ≤ FXn (x) + P (|Xn − X | > ). temos que FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ. onde c é uma constante. Logo. temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0. Como Xn →P X . P (|Yn | > ) = P (X (w) ∈ (0. para qualquer δ > 0. então dada qualquer subseqüência {Xnk }. nenhuma subseqüência converge para X quase certamente.17. existe N tal que para n ≥ N . Como para > 0.CAPÍTULO 2. Por outro lado. escolha uma Exemplo 2. Logo nenhuma subseqüência de {Xnk } pode convergir para X em probabilidade. temos {w : Xn (w) ≤ x} ⊆ {w : X (w) ≤ x + } ∪ {w : |Xn (w) − X (w)| > }. pelo Lema de Borel-Cantelli.

. Para parte (b). Fc (x) = 0 se x < c.i. Mostre que (b) Un →D U . Ou seja. como x é ponto de continuidade de FX . limn→∞ P (|Xn − c| > ) = 0. Pela convergência em distribuição.1: Relação entre os tipos de convergência.CAPÍTULO 2. A Figura 2. para > 0. Para n ≥ 1. sendo U ∼ Exp(1). se x > c. limn→∞ FXn (x) = FX (x). tem-se que limn→∞ FXn (x) = 0. temos que FX (x) − 2δ ≤ FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ ≤ FX (x) + 2δ. Exemplo 2.1 resume a relação entre os tipos de convergência. Xn ∼ U (0.23: (a) Yn →P 0. Dena Yn = min(X1 . 1) são variáveis aleatórias i. CONVERGÊNCIA ESTOCÁSTICA 34 Finalmente. Xn ) e Un = nYn . Figura 2. suponha que Xn →D c. para sucientemente pequeno. . Autor: Leandro Chaves Rêgo . . ∀ > 0.2. P (|Xn − c| ≤ ) = P (c − ≤ Xn ≤ c + ) ≥ P (c − < Xn ≤ c + ) = FXn (c + ) − FXn (c − ) → 1 quando n → ∞. Note que a função de distribuição de uma variável aleatória constante c é: 1 se x ≥ c. . Logo. Ou seja. se x < c e limn→∞ FXn (x) = 1. X2 .d.

quase certamente ou em probabilidade. Para convergência em distribuição de vetores aleatórios. que é igual a FU (x). Como (1 − )n → 0 quando n → ∞. Entretanto. 2 1/2 essa norma é calculada por ||Xn − X || = ( k . lembremos que da função de distribuição conjunta podemos obter as marginais. . temos que Yn →P 0. Não temos equivalência. esta expressão é igual a 1 − (1 − x/n)n . e somente se. 2. mas o caminho inverso nem sempre é possível. não podemos reduzir o estudo da convergência em distribuição de vetores aleatórios. ocorre se. Para as convergências quase certa e em probabilidade. mas apenas implicação. que por sua vez converge para 1 − e−x quando n → ∞. se o vetor converge em distribuição então cada componente também converge em distribuição. existir a mesma convergência em cada uma das variáveis que compõe o vetor aleatório. precisamos avaliar a proximidade entre os vetores aleatórios Xn e X pelo comportamento da norma da diferença entre eles. . requeremos que a função de distribuição conjunta Fn (x) convirja para F (x). Por essa razão. Autor: Leandro Chaves Rêgo . note que FUn (x) = P (Un ≤ x) = 1 − P (Un > x) = 1 − P (nYn > x) = 1 − P (Yn > x/n) De acordo com a parte (a).CAPÍTULO 2. note que P (|Yn | > ) = P (Yn > ) = P (X1 > . ao comportamento das suas respectivas coordenadas. CONVERGÊNCIA ESTOCÁSTICA 35 Solução: Para parte (a). Dessa forma. . Xn > ). X2 > . diferentemente das convergências quase certa e em probabilidade. em todos os pontos de continuidade da função F . Pode-se vericar que a convergência do vetor aleatório. onde k é a dimensão dos j =1 (Xnj − Xj ) ) vetores e Xnj a coordenada j do vetor Xn . Entretanto a recíproca não é em geral. para a correspondente marginal da função de distribuição limite. em uma das direções.3 Convergência de Vetores Aleatórios Para o caso vetorial as denições de convergência sofrem algumas adaptações. . Para parte (b). Como os Xn são independentes temos que a última expressão é igual a (P (X1 > ))n = (1 − )n . Em geral. Ou seja. o caso multidimensional pode ser estudado a partir de repetidas aplicações do caso univariado. verdadeira.

fX . Uma analogia pode ser que um conjunto de vetores pode ser representado em vários sistemas de coordenadas.Capítulo 3 Funções Características 3. podese calcular mais facilmente a distribuição de soma de variáveis aleatórias independentes. Se X for absolutamente contínua. mas como a função característica é mais robusta (no sentido que ela sempre existe). o conceito básico é o de uma medida de probabilidade P que dá um valor real numérico a um conjunto de eventos em uma σ -álgebra. 3. No nosso caso de probabilidade.2. Uma função geratriz de momento é uma outra representação alternativa da distribuição de uma variável aleatória. onde i = −1. Uma função característica ϕX de uma variável aleatória X é uma outra maneira de representar P . Algumas vantagens do uso da função característica são: pode-se calcular os momentos de uma variável aleatória X diferenciando-se a função característica (o que geralmente é mais simples que usar diretamente as denições de momento que envolvem integrais). 36 .1 Motivação Em matemática e suas aplicações. pode-se equivalentemente representar P pela função de probabilidade de X . então P pode ser representada pela função densidade de probabilidade de X .2 Denição Denição 3. nós focaremos no uso da mesma. √ ϕX (t) = EeitX = E cos(tX ) + iE sen(tX ). As vantagens desta representação são as mesmas da função característica. e nalmente o uso de funções características ajuda na prova de uma família de Teoremas Centrais do Limite que ajudam a explicar a prevalência de distribuições normal ou Gaussianas na Natureza. como por exemplo através de sua função de distribuição acumulada FX . sabe-se que existem outras maneiras de representar a probabilidade P . pX .1: A função característica ϕX de uma variável aleatória X é dada por: . Se X for uma variável aleatória discreta. é sempre valioso ter maneiras alternativas de representar o mesmo objeto matemático. Para X uma variável aleatória. e apenas no nal deste capítulo mencionaremos a denição de uma função geratriz de momento.

ou seja. FUNÇÕES CARACTERÍSTICAS 37 Note que como cos(tX ) e sen(tX ) são variáveis aleatórias limitadas. a função de distribuição acumulada determina a função característica de uma variável aleatória. Note também que de acordo com esta denição. Prova: Como pela desigualdade de Jensen. então. E 2 cos(tx) ≤ E cos2 (tx) e E 2 sen(tx) ≤ E sen2 (tx). . . Autor: Leandro Chaves Rêgo . . a esperança na denição acima é nita e. X2 . EXn = 1 = 0 = E 0. Considere que Y seja integrável. variá- Exemplo 3. No caso particular de uma variável aleatória discreta.2.4: Teorema da Convergência Dominada.2: A função característica de uma variável aleatória contínua é a transfor- 3. . Se 0 ≤ Xn ↑ X . temos |ϕX (t)| = E 2 cos(tX ) + E 2 sen(tX ) ≤ E (cos2 (tX ) + sen2 (tX )) = E 1 = 1. Considere a seguinte seqüência {X1 . se X for uma variável aleatória contínua. Sejam Y. ∀ω . temos que Xn (ω ) → 0. . vamos enunciar dois teoremas importantes que tratam da convergência de esperanças de variáveis aleatórias.2. a função característica de qualquer variável aleatória é bem denida. A seguir listamos algumas propriedades da função característica. EXn 0. .} de variáveis aleatórias: Xn (ω ) = n se Y (ω ) ∈ (0. veis aleatórias. 1).2.2. X2 . P1. 1/n) e Xn (ω ) = 0 em caso contrário. Analogamente. conseqüentemente. temos: ∞ ϕX (t) = −∞ eitx fX (x)dx. EXn ↑ EX . O próximo exemplo mostra que nem sempre Xn → X ⇒ EXn → EX . .3: Teorema da Convergência Monótona. X. X2 .1 Propriedades Antes de enunciarmos e provarmos algumas propriedades da função característica. |Xn | ≤ Y e Xn → X . ∀t ∈ R. . variáveis aleatórias. Mas. . Então.2. Assim X e Xn são integráveis e EXn → EX . X1 . mada de Fourier da densidade de probabilidade de X . temos: ϕX (t) = k eitxk p(xk ). Teorema 3. Observação 3.5: Seja Y ∼ U (0. onde p(xk ) é a função probabilidade de X . X1 . Teorema 3.CAPÍTULO 3. onde fX (x) é a função densidade de probabilidade de X . Sejam X. A função característica é limitada por 1: |ϕX (t)| ≤ 1.

. A função característica de uma variável aleatória determina a função de distribuição acumulada. temos que FX (z + h) − FX (z − h) = 1 lim π u→∞ u −u senht −itz e ϕX (t)dt. P4. Se x e y são pontos de continuidade de FX tais que x < y . it Em particular se y = z + h e x = z − h. FX (z ) = lim lim lim y ↓z 1 x→−∞ u→∞ 2π u −u e−itx − e−ity ϕX (t)dt it Autor: Leandro Chaves Rêgo .+Xn (t) = n k=1 ϕXk (t). É fácil provar por indução que se X1 . então FX (y ) − FX (x) = 1 lim 2π u→∞ u −u e−itx − e−ity ϕX (t)dt. ϕX é uniformemente contínua na reta. Esta propriedade decorre da fórmula da inversão: seja X uma variável aleatória FX sua função de distribuição acumulada. P3. ϕX determina FX é o teorema da unicidade que é um corolário da fórmula da inversão. para todo > 0 existe δ > 0 tal que |t − s| < δ implica que |ϕ(t) − ϕ(s)| ≤ E |ei(t−s)x − 1| < . ∀t ∈ R. |ϕ(t) − ϕ(s)| = |E (eitx − eisx )| ≤ E |eisx (ei(t−s)x − 1)| = E |ei(t−s)x − 1|.. Xn são variáveis aleatórias independentes. A função característica assume o valor 1 no ponto 0: ϕX (0) = 1. 38 Prova: ϕX (0) = Eei0X = E 1 = 1. então ϕX +Y (t) = ϕX (t) · ϕY (t). e limu→0 h(u) = 0. . ou seja.CAPÍTULO 3. Seja h(u) = |eiux − 1|.. o seu complexo conjugado é c = x − iy . Prova: ϕX +Y (t) = Eeit(X +Y ) = E (eitX eitY ) = E (eitX )E (eitY ) = ϕX (t) · ϕY (t). para todo > 0 existe δ > 0 tal que |u| < δ implica que Eh(u) < . Então. Logo. t A prova da fórmula da inversão é longa e será omitida.) Prova: ϕX (−t) = E cos(−tX ) + iE sen(−tX ) = E cos(tX ) − iE sen(tX ) = ϕX (t). . Se X e Y são independentes. Prova: Uma função ϕ é uniformemente contínua. (Se c = x + iy . se para todo > 0 existe δ > 0 tal que para todo t. . ∀t ∈ R. então ϕX1 +. pelo teorema da convergência dominada. FUNÇÕES CARACTERÍSTICAS P2. P5. 2 é integrável. ϕX (t) = ϕX (−t). ϕX sua função característica. s ∈ R |ϕ(t) − ϕ(s)| < quando |t − s| < δ . Como 0 ≤ |eiux − 1| ≤ 2. P6. onde c é o complexo conjugado de c. pois esta implica que para todo z ∈ R. temos que limu→0 Eh(u) = 0.

)−ϕX (t) = E (eitX (e h −1) ). (k ) Prova: Suponhamos que X seja integrável. X é simétrica em torno de 0 se e somente se ϕX (t) = ϕX (t).CAPÍTULO 3. como |eitX | = 1. trocando a ordem dos limites temos que: Como limh→0 sen ht fX (x) = 1 lim 2π u→∞ u −u e−itx ϕX (t)dt. Mas como para todo x. P8. h→0 h→0 h h ϕX (t) = lim Logo. ∀x ∈ R. Então. O restante da prova segue por indução em n. h Como X é integrável. Se E |X |n < ∞. ϕX (t) é real para todo t ∈ R. Portanto. ou seja. . de modo que a função característica é uma espécie de função geradora de momentos. FUNÇÕES CARACTERÍSTICAS 39 Podemos observar que se X for absolutamente contínua. Como (e h−1) → ix Note que para h = 0. ϕX (0) = iEX . A variável aleatória X tem distribuição simétrica em torno de 0 se. e somente se. o Teorema da Convergência Dominada implica que ϕX (t + h) − ϕX (t) = h→0 h (eihX − 1) (eihX − 1) lim E (eitX ) = E (lim eitX ) = E (iXeitX ). nós temos que FX = F−X . Como ϕ−X (t) = Eeit(−X ) = Eei(−t)X = ϕX (−t) = ϕX (t). temos ϕX (t+hh quando h → 0 (regra de L'Hopital). . ϕX = ϕ−X . queremos provar que ϕX (t) = E (iXeitX ). ou seja. . então ϕX (0) = ik EX k para k ∈ {1. n}. Como X ≥ −x ⇔ −X ≤ x. P7. Autor: Leandro Chaves Rêgo . temos que ϕX determina fX : fX (x) = lim FX (x + h) − FX (x − h) 1 = lim lim h→0 h→0 2π u→∞ 2h u −u senht −itx e ϕX (t)dt ht (ht) = 1. ∀x ∈ R. temos que o resultado decorre se pudermos trocar a ordem do limite e da esperança. que é a transformada inversa de Fourier de ϕX (t). se ϕX (t) é real para todo t ∈ R. temos |eitX (eihX − 1) | ≤ | X |. Prova: X é simétrica em torno de 0 se e somente se P (X ≤ x) = P (X ≥ −x). ihX ihx eihx − 1 | |=| h h 0 ixeisx ds | = |x | · | h h isx e ds 0 h | ≤ | x |. .

EX = (1+t2 )4 2 Logo. 2. . onde a e b são números reais constantes. Isto é. Se Y = aX + b. 1 . P10. ϕX é positiva denida. 1 + α2 − 2α cos(t) Autor: Leandro Chaves Rêgo . calcule V arX . V arX = EX − (EX )2 = 2. . Exemplo 3. tn e complexos z1 . −2(1+t2 )2 +2t(2(1+t2 )2t) −2t . tem-se n n ϕX (tj − tk )zj zk ≥ 0. temos ϕX (t) = ϕX (t) = . Portanto. ϕX (t) é positiva denida. para todo n = 1. ϕY (t) = eitb ϕX (at). .7: Se uma variável aleatória X tem função característica ϕX (t) = Calcule EX e V ar(X ). 40 Prova: ϕY (t) = EeitY = Eeit(aX +b) = Eeitb eitaX = eitb Eei(at)X = eitb ϕX (at). (1 − α)2 . (1+t2 )2 ϕX (0) = 0 i Diferenciando mais uma vez. . .2. para 0 < α < 1. . . .CAPÍTULO 3. . z2 . j =1 k=1 para quaisquer números reais t1 . .6: Se ϕX (t) = 1+ t2 Solução: Diferenciando ϕX . Exemplo 3. zn .2. FUNÇÕES CARACTERÍSTICAS P9.. t2 . Prova: n n ϕX (tj − tk )zj zk j =1 k=1 n n = j =1 k=1 n n E (eiX (tj −tk ) )zj zk E (zj eiX (tj ) zk e−iXtk ) j =1 k=1 n n = = E( zj eiX (tj ) zk eiXtk ) j =1 k=1 n n iX (tj ) = E [( j =1 n zj e zj e j =1 n )( k=1 n zk eiXtk )] zk eiXtk )] k=1 = E [( = E (| j =1 iX (tj ) )( zj eiX (tj ) |2 ) ≥ 0 Portanto. e EX 2 = ϕX (0) i2 = −(−2) = 2. .

e somente se.2 Exemplos de Funções Características Bernoulli. Já que assume valores reais. então por P7. Então. se. é contínua. Teorema 3. temos que Exemplo 3. Então. ∞ ϕX (t) = EeitX = n=0 eitn e−λ λn (λeit )n it = e−λ = eλ(e −1) . temos que ϕ−X2 (t) = ϕ(−t) = ϕ(t). −(1 − α)2 2α sen(t) . Com efeito teríamos cos(at) = ϕ(t) = E cos(tX ). A prova da recíproca será omitida. positiva denida e aplicada em 0. resulta o valor 1. e somente se. se for função característica.2.d. Mostraremos que ϕ é função característica.i. como X1 e X2 são independentes. Poisson. EX = Xi = 0 e EX 2 = 2α EX 2 − (EX )2 = ( (1− ).2. X possuiria distribuição simétrica em torno de zero. P (X = a) = 1/2 = P (X = −a). Qual ϕY (t) = ϕ(t)ϕ−X2 (t) = |ϕ(t)|2 . V arX = −α)2 α)2 Portanto.2. é evidente que uma distribuição simétrica concentrada nos dois pontos a e −a corresponderia a função característica ϕ. e seja Y = X1 − X2 .10: Uma função contínua ψ : R → C com ψ (0) = 1 é função característica Prova: Conforme propriedades já demonstradas. de alguma variável aleatória se. onde P (X = 1) = p = 1 − P (X = 0). ϕ é função característica de X . Portanto. ϕX (t) = EeitX = peit + (1 − p). (1 + α2 − 2α cos(t))2 ϕX (t) = d (1 + α2 − 2α cos(t))2 (−(1 − α)2 2α cos(t)) + (1 − α)2 2α sen(t) dt (1 + α2 − 2α cos(t))2 . Por P9 e P3. ela for positiva denida. achando a distribuição correspondente. 3. n! n! n=0 Autor: Leandro Chaves Rêgo ∞ .9: Sejam X1 e X2 duas variáveis aleatórias i. α)2 Exemplo 3. a função característica de Y ? Solução: Seja ϕ a função característica de X1 e X2 . temos ϕX (t) = Diferenciando mais uma vez. Suponhamos que X ∼ Bernoulli(p). pois a parte imaginária seria nula. Então. Como cos(at) = cos(−at). Suponhamos que X ∼ P oisson(λ). Logo. FUNÇÕES CARACTERÍSTICAS 41 Solução: Diferenciando ϕX .CAPÍTULO 3.8: Seja ϕ(t) = cos(at).2. onde a > 0. (1 + α2 − 2α cos(t))4 ϕ (0) ϕX (0) i2 2α 2α = −( (1− ) = ( (1− ). se ϕ fosse função característica de alguma variável aleatória X . por P5.

uma seqüência de variáveis aleatórias com funções de Teorema 3. .1: Seja X. fX (x) = ϕX (t) = EeitX = a −a e fX (x) = 0 caso contrário. .CAPÍTULO 3. Então. . . Suponhamos que X ∼ U nif orme(−a. X2 . então ϕX (0) = 1. Solução: Temos n ϕX1 +. funções de distribuição. F2 . . ϕXn (t) → ϕX (t). e para t = 0..3. se Xn →D X . 0 = −α + it α − it Exemplo 3. . a). .+Xn ) )= j =1 E (eitXj ) = enλ(e it −1) . Se Fn converge fracamente para F . Suponhamos que X ∼ N (0. ∀t ∈ R. . seguindo o modelo de Poisson com parâmetro λ. Diz-se que Fn converge fracamente para F .+Xn (t) = E (e it(X1 +. . Queremos obter a distribuição de X1 + X2 + . g (x)dF (x) Autor: Leandro Chaves Rêgo .. F1 . + Xn . Antes de provarmos a necessidade desta armação. 1 eita − e−ita sen(ta) eitx dx = ( )= .3 Teorema da Continuidade de Levy Nosso objetivo nesta seção é provar que Xn →D X se. Suponhamos que X ∼ Exp(α).3.. para −a < x < a. . F1 . 3. onde esta última integral pode ser calculada utilizando o Teorema de Cauchy tendo em vista −z 2 que e 2 é uma função analítica no plano complexo..2: Teorema de Helly-Bray. F2 . + Xn tem uma distribuição Poisson com parâmetro nλ. Logo. então g (x)dFn (x) → para toda função g : R → R contínua e limitada. . Portanto. . Então. . X1 . . Denição 3.. . considere a seguinte denição de convergência de funções de distribuição. e somente se. . FUNÇÕES CARACTERÍSTICAS 42 1 2a Uniforme. Então. X1 + X2 + . se t = 0. 1). 1 ϕX (t) = √ 2π eitx e −x2 2 dx = e −t2 2 1 √ 2π e− (x−it)2 2 dx = e −t2 2 . distribuição acumuladas dadas respectivamente por F.11: Sejam X1 . Exponencial. ∞ ϕX (t) = 0 eitx αe−αx dx = α 0 ∞ ex(−α+it) dx = [ α α ex(−α+it) ]∞ . X2 .2. Sejam F. Xn variáveis aleatórias independentes e identicamente distribuídas. . 2a 2a it ta Normal.

xN tais que a = x0 < x1 < . . b b b b | gdFn − gdF | ≤ | gdFn − a gdFn |+| a gdFn − a gdF |+| a gdF − gdF | = I +II +III. Prova: Para −∞ < a < b < ∞. . existe δ > 0 tal que para todo x. temos que I ≤ c(Fn (a) + 1 − Fn (b)) < 2 . xi+1 mni − Mi ≤ xi 1 Uma g (x)dFn (x) − xi g (x)dF (x) ≤ Mni − mi . x1 . Seja c = supx∈R |g (x)| < ∞ e seja b > 0. . e para n sucientemente grande. Então. . i ∈ {0. Autor: Leandro Chaves Rêgo .3.1 podemos escolher x0 . xi+1 mni = (g (xi )− )(Fn (xi+1 )−Fn (xi )) ≤ xi g (x)dFn (x) ≤ (g (xi )+ )(Fn (xi+1 )−Fn (xi )) = Mni e xi+1 mi = (g (xi ) − )(F (xi+1 ) − F (xi )) ≤ xi g (x)dF (x) ≤ (g (xi ) + )(F (xi+1 ) − F (xi )) = Mi . b] se |x − y | < δ . e como Fn converge fracamente para F . No caso de F ser discreta. como a e b são pontos de continuidade de F . podemos escolher a sucientemente pequeno e b sucientemente grande tal que III < . . xi+1 ]. Sejam a e b os pontos já escolhidos. onde a e b são pontos de continuidade de F . então |g (x) − g (y )| < . FUNÇÕES CARACTERÍSTICAS 43 Observação 3. onde X é uma variável aleatória com função de distribuição F . b] se para todo > 0. . Para esses valores de a e b. . < xN = b. . essa integral é equivalente a: g (xi )p(xi ). Consideremos agora II .3: A integral g (x)dF (x) é a esperança de g (X ). N − 1}. . É fácil provar que toda função contínua em um intervalo fechado é uniformemente contínua neste intervalo. ela é calculada utilizando a integral de LebesgueStieltjes. pois limx→−∞ F (x) = 0 e limx→∞ F (x) = 1. Então.CAPÍTULO 3. i e quando F for absolutamente contínua com função densidade de probabilidade f . y ∈ [a. −∞ onde esta última integral é a integral de Riemann. a ∞ a ∞ III = | a a gdF − ∞ gdF | = | −∞ a gdF + b ∞ b gdF | ≤ | −∞ gdF | + | b gdF | ≤ −∞ |g |dF + b |g |dF ≤ −∞ cdF + cdF = c(F (a) + 1 − F (b)) Logo. xi+1 Portanto. b]. função g é uniformemente contínua em [a. essa integral é equivalente a: ∞ g (x)f (x)dx. para qualquer > 0. Já que g é uniformemente contínua em [a. onde xi são pontos de continuidade de F e |g (x) − g (xi )| < para todo x ∈ [xi . .

. . . . Somando. É fácil denir a função característica ϕ dada uma função de distribuição F : ϕ(t) = eitx dF (x). | gdFn − gdF | ≤ 6 para n grande o suciente.3. existem uma subseqüência Fn1 . sob as hipóteses. Fn2 . Portanto. . N − 1}. temos que mni → mi e Mni → Mi . quando j → ∞. para todo x ponto de continuidade de F . e uma função F : R → [0. e uma função de distribuição F tais que Fnj → F fracamente.4: Sejam F1 . . . FUNÇÕES CARACTERÍSTICAS para i ∈ {0. e Autor: Leandro Chaves Rêgo . . segue que i=0 (mni − Mi ) ≥ −3 e N i=0 (Mni − mi ) ≤ 3 . N −1 N −1 (mni − Mi ) → i=0 i=0 (mi − Mi ) = −2 (F (b) − F (a)) ≥ −2 N −1 e N −1 (Mni − mi ) → i=0 i=0 (Mi − mi ) = 2 (F (b) − F (a)) ≤ 2 −1 N −1 Como para n sucientemente grande temos que | N i=0 (mni − Mi ) − i=0 (mi − Mi )| < N −1 N −1 N −1 −1 e | i=0 (Mni − mi ) − i=0 (Mi − mi )| < . Quando n → ∞. e (b) ϕ é a função característica de F .CAPÍTULO 3. Prova: Note que o teorema anterior implica que. ou seja. . Como cos(tx) e sen(tx) são funções contínuas e limitadas. se ϕXn → ϕX . então (a) existe uma função de distribuição F tal que Fn → F fracamente. temos N −1 b b N −1 44 (mni − Mi ) ≤ i=0 a g (x)dFn (x) − a g (x)dF (x) ≤ i=0 (Mni − mi ). Para provar que Fn converge fracamente para alguma função de distribuição. . 1] tais que F é nãodecrescente e contínua à direita e Fnj (x) → F (x). vamos primeiro provar que para toda seqüência de funções de distribuição satisfazendo as condições do teorema. Então. suas funções características. temos que II ≤ 3 . Se ϕn converge pontualmente para um limite ϕ e se ϕ é contínua no ponto zero. Teorema 3. Provaremos isso em duas etapas: (i) existem uma subseqüência Fn1 . ϕ2 . (a) implica (b). quando j → ∞. . funções de distribuições e ϕ1 . para n sucientemente grande. logo. O próximo teorema implica a suciência do nosso objetivo nesta seção. . . Fn2 . então Xn →D X . tem-se que para t xo E (cos(tXn )) → E (cos(tX )) e E (sen(tXn )) → E (sen(tX )) Logo. . . . ∀t ∈ R. F2 . ϕXn (t) → ϕX (t).

F2 . Então. Finalmente. Denamos F em x irracional por F (x) = limr↓x.) indutivamente conforme descrito acima. Vamos provar que Fnj (x) → F (x) para todo ponto x de continuidade de F . para j ≥ 1. . ela possui uma subseqüência convergente. F2 . . . F3 (rj ). . Chamemos o limite de F (rk ). Considere a seguinte matriz: F1 1 F1 2 F1 3 F1 . . F2 1 F2 2 F2 3 F2 . . FUNÇÕES CARACTERÍSTICAS (ii) F (∞) = 1 e F (−∞) = 0. usaremos o método da diagonalização. uma enumeração dos racionais da reta. F4 1 F4 2 F4 3 F4 . Sejam r1 . podemos redenir F nos seus pontos de descontinuidade de modo que F seja contínua à direita. F3 . Seja Fnj = Fjj . . ··· ··· ··· ··· . . . .) é uma seqüência limitada de números reais. . Note que como a seqüência (F1 (rj ). note que t 0 t ∞ −∞ ϕnj (s)ds = 0 eisx dFnj (x)ds. F3 . .r rational F (r). temos Fnj (x) → F (x) quando j → ∞. .CAPÍTULO 3. 45 Para provar (i). para j ≥ 1. . F3 1 F3 2 F3 3 F3 . ∀k . F (x) − < F (r ) = lim Fnj (r ) ≤ lim inf Fnj (x) ≤ j →∞ j →∞ lim sup Fnj (x) ≤ lim Fnj (r ) = F (r ) < F (x) + j →∞ j →∞ Como é arbitrário. r2 . h é limitada e contínua e um argumento similar ao utilizado na prova do teorema anterior. Mas como o integrando é limitado podemos trocar a ordem de integração. de modo que Fnj (rk ) → F (rk ). F assim denida é não-decrescente.. logo pode-se escolher a j j j seqüência (F1 . .) contida na (j + 1)-ésima linha da matriz é uma subseqüência da seqüência contida na j -ésima linha que converge no racional j −1 j −1 j −1 rj . . Para provar (ii). É óbvio que 0 ≤ F (rk ) ≤ 1 e que F é não decrescente nos racionais. Suponha que x é um ponto de continuidade de F e sejam r e r racionais tais que r < x < r e F (r ) − < F (x) < F (r ) + .. então temos que a subseqüência (Fnj )j converge em todos os racionais da reta. . j j j Nesta matriz temos que a seqüência (F1 . mas não é necessariamente contínua à direita. . pode ser utilizado para provar que quando j → ∞ ∞ −∞ ∞ −∞ ∞ eitx − 1 dFnj (x) = h(x)dFnj (x) → ix −∞ t ∞ eitx − 1 dF (x) = eisx dF (x)ds ix 0 −∞ ∞ eitx −1 h(x)dF (x) = −∞ Autor: Leandro Chaves Rêgo . h(x) = ix para x = 0 e h(0) = t. . logo t 0 ∞ t 0 ϕnj (s)ds = −∞ eisx dsdFnj (x) = ∞ −∞ eitx − 1 dFnj (x) ix Considere a função. F2 (rj ). . .

k n Xn →D Y.5: Suponha que Xn e Yn são independentes para cada n ≥ 0 e que Xn →D X0 lim ϕXn +Yn (t) = lim(ϕXn (t)ϕYn (t)) = ϕX0 (t)ϕY0 (t) = ϕX0 +Y0 (t).CAPÍTULO 3. e uma função de distribuição G tais que Fn → G fracamente. Portanto. . Prove que Xn + Yn →D X0 + Y0 . 2. . . Solução: Pelo Teorema da Continuidade sabemos que ϕXn (t) → ϕX0 (t) e que ϕYn (t) → ϕY0 (t). ou seja. 0 Igualando-se os limites iguais e dividindo-se por t. Para terminar a prova suponha por contradição que Fn não convirja fracamente para F . o que implica que F (∞) = 1 e F (−∞) = 0. . FUNÇÕES CARACTERÍSTICAS 46 Como ϕnj (t) → ϕ(t). n n Logo.3. temos que F (∞) − F (−∞) = 1. pelo Teorema da Continuidade. . temos que Xn + Yn →D X0 + Y0 . então Se pn → 0 quando n → ∞ de tal modo que npn → λ > 0. pelo Teorema da Continudade. ou seja. −∞ Fazendo t → 0 e usando a continuidade em s = 0 das duas funções ϕ(s) e tem-se ∞ ϕ(0) = 1dF (x) = F (∞) − F (−∞). t = 0. então npn (eit − 1) n it ) → eλ(e −1) . P (Xn = k ) = n k p (1 − pn )n−k . onde Y ∼ P oisson(λ). 1. ϕXn (t) = EeitXn = (1 − pn + eit pn )n = (1 + pn (eit − 1))n = (1 + Autor: Leandro Chaves Rêgo . Como F e G possuem a mesma função característica (ϕ). n onde a expressão nal é a função característica de uma variável aleatória P oisson(λ). F2 . Para vericar isto relembre que podemos representar uma variável aleatória Binomial como a soma de variáveis aleatórias Bernoulli i. Xn →D Y . Portanto. tem-se que t 0 t ϕnj (s)ds → ϕ(s)ds. temos que F = G.. ϕ é contínua em zero. Exemplo 3. (i) e (ii) implicam que existe uma subseqüência F1 . Como Xn e Yn são independentes temos que ϕXn +Yn (t) = ϕXn (t)ϕYn (t). tais que Fn (x) → a = F (x). ou seja Fn (x) → a = G(x) = F (x). ∞ eisx dF (x). e Yn →D Y0 . . Como essa subseqüência também satisfaz as condições do teorema.3. Então.d. onde Fnj → F fracamente.i. . . então pelo teorema da convergência dominada.6: Suponha que a variável aleatória Xn tenha distribuição Binomial. . ponto de continuidade de F e uma subseqüência F1 . temos 1 t t ϕ(s)ds = 0 1 t t 0 ∞ −∞ eisx dF (x)ds. implica que ϕ é limitada e mensurável. existirão x. uma contradição. Exemplo 3. n. −∞ Como ϕ(0) = limn→∞ ϕn (0) = 1. k = 0. . F2 .

3.CAPÍTULO 3.3. nós estudaremos somas de um número aleatório de variáveis aleatórias. se t = 0 . D 3. então aXn + b →D aX + b.9: Seja {an : n ≥ 1} uma seqüência de números reais com an → a para a Exemplo 3. N pode ser o número de clientes. note que pelo teorema da continuidade. Para parte (b). nito. se t = 0 1 . e ϕ Xn (t) = ϕXn ( ) = p it e n n n Exemplo 3.7: Suponha que Xn ∼ U (−n. onde N é uma variável aleatória inteira e não negativa. 1). onde X ∼ N (0. Exemplo 3. Xn →D X0 . Mostre que (a) Mostre que limn ϕXn (t) existe. A seqüência de variáveis aleatórias {Xn : n ≥ 1} é tal que cada Xn segue o modelo geométrico de parâmetro p/n.10: Se Xn e Yn são independentes para n ≥ 0.8: Prove que se Xn →D X . se t = 0. e Yn →D Y0 . n −p/n 1−p/n t Solução: Temos ϕXn (t) = 11− . onde Y ∼ N (a. para algum 0 < p < 1. Como ϕX0 (t) não é contínua não pode ser uma função característica. FUNÇÕES CARACTERÍSTICAS 47 Exemplo 3. ou seja. Verique se ocorre Xn →D X para alguma variável aleatória X e obtenha sua distribuição. n). Como lim ϕ Xn (t) = p it . S então seria o tempo total do serviço. Em nossas aplicações assumiremos Autor: Leandro Chaves Rêgo .3.11: lim 1−p/n p in 1− n e t = 1. Temos que Xn n 1− n e n n → 0. temos que se existir tal que ϕX0 (t) seria sua função característica. Encontre o limite em distribuição de Xn + Yn . então Xn + an →D Y . Prove que se Xn →D X . para a e b constantes reais. pacotes ou trabalhos chegando em uma la em um dado intervalo de tempo e Xi pode ser o tempo necessário para nalizar o i-ésimo trabalho. Por exemplo.3. e assume-se que ela é independente das parcelas Xi . N S= i=0 Xi . 1). lim ϕXn (t) = n 0 . se t = 0.3. (b) Existe alguma variável aleatória X0 tal que Xn → X0 ? Solução: Como ϕX (t) = temos que sen(nt) nt 1 .4 Soma de um Número Aleatório de Variáveis Aleatórias Nesta seção. Exemplo 3.

1: Se N é uma variável aleatória inteira não-negativa.CAPÍTULO 3. . X2 . então E (S |N = n) = nm e ES = mEN . nós vemos que escolhendo t em ϕN (t) de forma que eit = ϕX . S = N i=0 . Por outro lado. .} forem também identicamente distribuídas com função característica ϕX . vamos calcular sua função característica ϕS assumindo que as variáveis aleatórias {N. Note que a função característica de N é: ∞ ∞ ϕN (t) = n=0 P (N = n)eitn = n=0 P (N = n)[eit ]n .d. Se as parcelas {X1 . ou seja. nós podemos reescrever: ϕS (t) = ϕN (−i log ϕX (t)). Para informações mais detalhadas sobre S . . . e elas são independentes de N que é descrita pela função característica ϕN . então ϕS (t) = ϕN (−i log ϕX (t)). X2 . podemos calcular. itS |N = n ) = E ( i=0 ∞ e itXi |N = n) = i=0 n ϕXi (t). ϕS (t) = n=0 P (N = n) i=0 ϕXi (t). Comparando as expressões de ϕS e ϕN . i ≥ 1} são i. Portanto. X0 = 0. utilizando a hipótese de independência. com função característica comum ϕX . FUNÇÕES CARACTERÍSTICAS 48 que N = 0 signica que S = 0. X0 = 0 com função característica ϕX0 (u) = 1. i > 0} têm esperança igual a m. X1 . temos n E (S |N = n) = i=0 EXi . n n E (e Logo.4. . onde {Xi . onde utilizamos o fato que ϕ0 X = 1 = ϕX0 (t).} são independentes: ϕS (t) = EeitS = E (E (eitS |N )). Como assumimos que N é independente de Xi . . nós provamos o seguinte teorema: Xi . então ∞ ϕS (t) = n=0 P (N = n)ϕn X (t). Autor: Leandro Chaves Rêgo Teorema 3. Se as variáveis aleatórias {Xi .i. Sabemos que ES = E [E (S |N )] e que n E (S |N = n) = i=0 E (Xi |N = n).

Autor: Leandro Chaves Rêgo . Sob esta condição. ϕX é também chamada de função característica conjunta de X1 . Para P5. temos que S ∼ P oisson(pλ). Quanto a P6.5. Substituindo temos: ϕS (t) = eλ(e i(−i log(peit +(1−p))) −1) = eλ(pe it +(1−p)−1) = epλ(e it −1) . Em outras palavras. sabemos que ϕS (t) = ϕN (−i log ϕX (t)).4. A função Rk → C denida por característica de X é a função ϕX : I k ϕX (t) = Eeit·X = Eexp(i j =1 tj Xj ).2 : S= i=0 Xi .CAPÍTULO 3. a variável aleatória que descreve se o i-ésimo cliente cou ou não satisfeito com o atendimento. . onde ϕX (t) = peit + (1 − p) e ϕN (t) = eλ(e it −1) . é independente da probabilidade que clientes cam satisfeitos. a independência de X e Y implica que ϕX +Y (t) = ϕX (t)ϕY (t). . A função característica multivariada tem propriedades análogas a todas as propriedades enunciadas para a função característica de uma variável aleatória. . então X e Y têm a mesma distribuição. Desta forma. As propriedades P1P4 e P7 são válidas com as óbvias modicações (a reta é substituída por I Rk ). . ∀t ∈ I Rk .2: Teorema da Unicidade. Se X e Y forem vetores aleatórios k -dimensionais tais que ϕX (t) = ϕY (t). . . Xk ) um vetor aleatório k -dimensional. Pela unicidade da função característica. Xk . também existe uma fórmula da inversão para a função característica multidimensional que pode ser usada para provar a unicidade da função característica: Teorema 3.1: Seja X = (X1 . i ≥ 1. e podemos escrever: ϕX = ϕY ⇔ FX = FY . Assuma que os clientes cam satisfeitos com o serviço de maneira independente e que N . FUNÇÕES CARACTERÍSTICAS 49 Suponha que N ∼ P oisson(λ) representa o número de clientes que são atendidos em um dado tempo T . . a função característica determina a distribuição.5. 3. onde X0 = 0.5 Função Característica de um Vetor Aleatório Denição 3. Suponha ainda que com probabilidade p o i-ésimo cliente ca satisfeito com o atendimento. supõe-se que X e Y sejam vetores de mesma dimensão. Solução: Seja Xi ∼ Bernoulli(p). Então temos. Determine a distribuição de probabilidade de S o número total de clientes satisfeitos no tempo T . . N Exemplo 3.

yn ) = ϕX (x1 . as funções características convergem.) Por exemplo. Deste modo t · X = (t)T X . xm )ϕY (y1 . . ϕX1 .X2 (t1 . Como no caso unidimensional. xm ) ∈ I Rm e (y1 . então ϕY (t) = Eei(t) T TY = Eei(t) T (AX +b) T = E (ei(t) b ei(A T t)T X ) = ei(t) b ϕX (AT t). para as variáveis aleatórias X. seja Y = AX + b. Rk . . . temos Eei(xX +yY ) = Eei(xX +yY +0Z ) . X e Y são independentes se. yn ). temos que ∂ 2 ϕX1 . y1 . e somente se.. . temos n E( 1 pk Xk )= 1 ∂ p ϕX (t) pn |t=0 . yn ) ∈ I Rn . . . .Y (x. y ) = ϕX. ou seja. . 0). . .Xm . . . onde m ≥ 1. 1 ip ∂tp 1 · · · ∂tn No caso particular de X = (X1 . . Por exemplo. Y. . Para isso basta fazer todos os termos extras iguais a zero na função característica multivariada.. e somente se.Y. . xm . correlações de ordem maiores podem ser facilmente calculadas diferenciando-se a função característica conjunta repetidamente. . . e Z .. Assim como é fácil obter a distribuição marginal dada uma distribuição conjunta de variáveis aleatórias. X2 ).. y. . . . Terminaremos nossa discussão de funções características multidimensionais considerando um critério para independência de vetores aleatórios. . para todo (x1 . t2 ) |t1 =t2 =0 . Xm ) e Y = (Y1 . ϕXn (t) → ϕX (t). . ϕX. . e somente se. y ) ∈ I R2 . . (Assumiremos que um vetor X k -dimensional é uma matriz coluna com dimensão k × 1..5. .CAPÍTULO 3. Yn ) vetores aleatórios..Yn (x1 . ∀(x.5. também é fácil obter a função característica de qualquer distribuição marginal. temos convergência em distribuição se. .. n ≥ 1.Y1 . Autor: Leandro Chaves Rêgo .3: Xn →D X se. FUNÇÕES CARACTERÍSTICAS 50 Analogamente a P8. ∀t ∈ I Prova: Omitida. . . Teorema 3. . seja p = n k=1 pk para números naturais quaisquer pk . Teorema 3. EX1 X2 = − ∂t1 ∂t2 Também é fácil analisar o comportamento da função característica multivariada de transformações lineares de vetores aleatórios em analogia a propriedade P9. . . . Formalmente.4 : Sejam X = (X1 .Z (x.. T onde utilizamos o fato que (AB)T = BT AT e que ei(t) b não é aleatório e pode sair fora da operação de esperança.

Se não fossem independentes. F onde I é um intervalo contendo 0 no seu interior.CAPÍTULO 3. e somente se. elas teriam função característica conjunta ϕX..Y (x.6. . y ) = ϕX (x)ϕY (y ) pela parte inicial desta demonstração. .Xn (t1 . . Seja g : I R→I R uma função contínua. Antes disso. Logo. .Y (x.. 3. com X e Y independentes.1: Sejam {Xn : n ≥ 1} e X variáveis aleatórias com funções de distribuição {Fn : n ≥ 1} e F . Autor: Leandro Chaves Rêgo . ∀(t1 .7.7 Teorema de Slutsky Nesta seção. tn ) = j =1 ϕXj (tj ).6 Funções Geratrizes de Momento ˆX (t) de uma variável aleatória X com Denição 3. ∀(x. . Então temos. FUNÇÕES CARACTERÍSTICAS 51 Prova: Suponhamos primeiro que X e Y sejam variáveis aleatórias X e Y (m = 1. uma convergindo em distribuição e outra em probabilidade. elas teriam uma função característica diferente.. . iremos provar que funções contínuas preservam convergência. Por exemplo. y ) ∈ I R2 . o que contraria a hipótese. suponha que ϕX. Xn são variáveis aleatórias. Se a função geratriz de momento existe. . ϕX. tn ) ∈ I Rn . n = 1). A prova no caso geral é análoga e omitida. Xn independentes se. . . . . ˆX (t) := EetX < ∞.1: Uma função geratriz de momento F função de distribuição FX existe se. são independentes. Teorema 3. o mesmo ocorre com g (Xn ) para g (X ). n ϕX1 . estudaremos o Teorema de Slutsky que trata do comportamento da soma e do produto de variáveis aleatórias. para algum K > 0 e c > 0. se Xn converge para X quase certamente. . em probabilidade ou em distribuição. ou seja. . y ) = ϕX (x)ϕY (y ) para todo (x. y ) = Eei(xX +yY ) = EeixX eiyY = EeixX EeiyY = ϕX (x)ϕY (y ). . Então. O problema de utilizar funções geratrizes de momento é que elas nem sempre existem. .. 3. a função geratriz de momento de uma variável aleatória com distribuição de Cauchy não existe. ∀t ∈ I. Consideremos o caso mais simples em que X1 . P (|X | > x) ≤ Ke−cx . Pode-se provar que a existência da função geratriz de momento é equivalente a cauda da distribuição de X ser limitada exponencialmente. pode-se provar que ela também determina a função de distribuição. . respectivamente. no mesmo modo de convergência. Um resultado semelhante vale para um número nito qualquer de vetores aleatórios. Reciprocamente. Então a independência de X e Y é conseqüência do Teorema da Unicidade: se X e Y fossem independentes. y ) ∈ I R2 . temos X1 . Então.Y (x.

Prova: Prova de (i): Temos ϕXn +Yn (t) = E (eit(Xn +Yn ) ) = E (eit(Xn +c) ) + E [(eitXn )(eitYn − eitc )]. com c constante. para t xo. Considere que Xn →P X e vamos vericar que g (Xn ) →P g (X ). FUNÇÕES CARACTERÍSTICAS 52 e Xn (w) → X (w) para w ∈ Ac . ∀t ∈ I R. portanto. Portanto. será uniformemente contínua no intervalo fechado [−m. A função g sendo contínua em I R. Dado > 0 arbitrário. Finalmente. decorre do Teorema de Helly-Bray que ϕg(Xn ) (t) → E cos(tg (X )) + iE sen(tg (X )) = ϕg(X ) (t).2: Considere {Xn : n ≥ 1}. {Yn : n ≥ 1} e X variáveis aleatórias tais que valem as convergências Xn →D X e Yn →P c. m] e |x − y | < δ . xemos m grande o suciente tal que P (|X | > m/2) < . temos que P (|g (Xn ) − g (X )| < ) → 1 quando n → ∞. (i) Xn + Yn →D X + c. Autor: Leandro Chaves Rêgo .CAPÍTULO 3. y ∈ [−m. Então.7. considere que Xn →D X . (iii) Se c = 0. para que g (Xn ) →D g (X ). Como é arbitrário. g (Xn ) → g (X ) cp1. Observe que se P (An ) → 1. (ii) Xn Yn →D cX . Teorema 3. |Xn | ≤ m. logo para > 0 arbitrário existe δ tal que 0 < δ ≤ m/2 e se x. assim. logo P (|g (Xn ) − g (X )| < ) > 1 − 2 para n sucientemente grande. ϕg(Xn ) (t) = Eeitg(Xn ) = E cos(tg (Xn )) + iE sen(tg (Xn )). |Xn − X | < δ ] ⊆ [|g (Xn ) − g (X )| < ]. então P (An ∩ A) → P (A). pois P (An ) + P (A) − 1 ≤ P (An ∩ A) ≤ P (A) e P (An ) + P (A) − 1 → P (A). |Xn − X | < δ ) → P (|X | ≤ m/2) > 1 − . existe um conjunto A ∈ F tal que P (A) = 0 [|X | ≤ m/2. c desde que P (Yn = 0) = 1. temos que P (|X | ≤ m/2. Pelo Teorema da Continuidade de Levy. então |g (x) − g (y )| < . n n Observe que |eitXn | = 1 e. basta a convergência das respectivas funções características. |Xn − X | < δ ] ⊆ [|X | ≤ m. Por denição. Como as funções cos(tg (x)) e sen(tg (x)) são contínuas e limitadas na reta. Por hipótese temos. ou seja g (Xn ) →P g (X ). como P (|Xn − X | < δ ) → 1. Mas Prova: Suponha que Xn → X cp1. Então. g (Xn (w)) → g (X (w)) para w ∈ Ac e. Xn Yn →D X . m]. Como g é contínua. lim E (eit(Xn +c) ) = lim eitc E (eitXn ) = eitc E (eitX ) = E (eit(X +c) ). vem |E [(eitXn )(eitYn − eitc )]| ≤ E [|(eitXn )(eitYn − eitc )|] = E [|(eitYn − eitc )|].

Como Zn é uma função contínua de Yn e lembrando que funções contínuas preservam convergência em probabilidade. Como Xn →D X . temos E [|(eitYn − eitc )|] = EZn = E (Zn IZn ≤ ) + E (Zn IZn > ) ≤ + 2E (IZn > ) ≤ + 2P (Zn > ). temos que 1/Yn →P 1/c. temos P (x < Xn ≤ y ) = FXn (y ) − FXn (x) > 1 − 2δ para n sucientemente grande. Logo para n sucientemente grande. então a convergência em probabilidade de Yn para zero implica que P (|Yn | < M ) > 1 − δ para n sucientemente grande. para 53 > 0. FUNÇÕES CARACTERÍSTICAS Seja Zn = |(eitYn − eitc )|. temos que (Yn − c)Xn →P 0. Logo. δ > 0 e x < 0 < y pontos de continuidade de FX tais que FX (y ) − FX (x) = P (x < X ≤ y ) > 1 − δ . Sejam . Xn Yn →D 0. P (|Xn Yn | < ) → 1. o primeiro dos quais converge para cX em distribuição. Autor: Leandro Chaves Rêgo . Além disso como cx é uma função contínua. Pelo caso c = 0. ou seja. Prova de (iii): Como 1/x é contínua para x = 0. Agora consideremos o caso c geral. temos P (|Xn Yn | < ) > 1 − 3δ para n grande o suciente. concluímos a demonstração da parte (i). pois Yn →P c. Como x < Xn ≤ y e |Yn | < M implicam |Xn Yn | < . tomando o limite de ϕXn +Yn (t) quando n → ∞. Nessas condições. para todo > 0. Denamos M = max(y. Xn Yn →P 0. Agora. temos cXn →D cX . |E [(eitXn )(eitYn − eitc )]| ≤ E [|(eitYn − eitc )|] < 2 . Como Xn Yn = cXn + (Yn − c)Xn e Yn − c →P 0. e o segundo para zero em probabilidade. Logo. temos que Zn →P 0. e conseqüentemente. |Yn | < M ) > 1 − 3δ. o resultado é conseqüência da parte (i). temos 0 ≤ Zn ≤ 2.CAPÍTULO 3. basta aplicar o ítem (ii). temos P (x < Xn ≤ y. Prova de (ii): Inicialmente consideramos c = 0 e vamos vericar que Xn Yn →P 0. −x). para n grande o suciente. Como Xn Yn é a soma de dois termos. Portanto.

Pensemos na realização deste experimento N vezes (N grande). o valor de n/N depende da probabilidade básica. mas desconhecida. quando N → ∞. se uma nova peça for produzida e não tivermos conhecimento anterior sobre quão provável será que a peça seja defeituosa. . O que a Lei dos Grandes Números mostra é que se a técnica de selecionar as N peças for aleatória. então o quociente n/N convergirá quase certamente para p. Segunda. por exemplo n. e depois empregarmos n/N com uma aproximação da probabilidade de que uma peça seja defeituosa. em certo sentido. Uma versão da Lei dos Grandes Números diz que se X1 . e seu valor depende essencialmente de duas coisas. + Xn → EX1 . então X1 + . Se fôssemos escolher somente aquelas peças que exibissem algum defeito físico externo. Suponhamos que depois de cada realização do experimento registre-se o valor do característico numérico do resultado. depende daquelas N peças que tenham sido inspecionadas. Por exemplo. É este fato que nos permite estimar o valor da probabilidade de um evento A. baseado na freqüência relativa de A em um grande número de repetições de um experimento. para a média EX . de tal maneira que as realizações sejam independentes.1 Motivação Entre outras coisas.d. (Evidentemente. por exemplo. digamos N . . A Lei dos Grandes Números arma que a média aritmética dos n valores observados converge. . a freqüência relativa fA de algum evento A converge (quase certamente) para a probabilidade teórica P (A). .i. X2 .) Mais formalmente. são i. O número n/N é uma variável aleatória. p de que uma peça seja defeituosa. a seleção das N peças é importante. . temos que X seria a função indicadora do evento A). poderíamos prejudicar seriamente nossos cálculos. contarmos o número de peças defeituosas dentre elas.Capítulo 4 Lei dos Grandes Números 4. a Lei dos grandes Números nos permite formalizar a idéia que à medida que o número de repetições de um experimento cresce. n 54 . considere um experimento básico. Primeira. e integráveis. poderemos proceder à inspeção de um grande número dessas peças. com a variável aleatória X representando o valor de um característico numérico do resultado (no caso anterior. chamemos este um valor observado.

Antes de enunciarmos esta lei. n Teorema 4. Note que g (x) ≥ IA (x). Corolário 4. Dado um conjunto A e uma função g (x) tal que ∀x g (x) ≥ IA (x).3: Lei Fraca de Chebyshev Sejam X1 . temos que min(1. Autor: Leandro Chaves Rêgo . temos que Eg (X ) ≥ EIA (X ) = P (X ∈ A). 4. V arXn ≤ c). tem-se que P (X ∈ A) ≤ min(1.2. como a cota superior pode exceder 1. motivamos o resultado da Leis dos Grandes Números para variáveis aleatórias independentes e identicamente distribuídas. . conhecida como desigualdade de Chebyshev.2. temos que n V ar(Sn ) = i=1 V ar(Xi ) ≤ nc.2: Desigualdade (Original) de Chebyshev. temos Note que a desigualdade de Chebyshev converte conhecimento sobre um momento de segunda ordem ou uma variância numa cota superior para a probabilidade da cauda de uma variável aleatória. variáveis aleatórias inde- Prova: Precisamos provar que para todo > 0. então P (|X − EX | ≥ ) ≤ V arX 2 . Seja X uma variável aleatória. n Como as variáveis aleatórias são independentes 2 a 2. . X2 . Mas. . LEI DOS GRANDES NÚMEROS 55 Quando o tipo de convergência é convergência em probabilidade. X1 . satisfazem a Lei Fraca dos Grandes Números: Sn − ESn P → 0. X2 .1: Desigualdade de Chebyshev Generalizada. Prova: Escolha A = {x : |x| ≥ } e g (x) = teorema anterior. . Nesta seção. pendentes 2 a 2 com variâncias nitas e uniformemente limitadas (ou seja. vamos relembrar uma importante desigualdade. chamamos de Lei Fraca dos Grandes Números. . analisaremos duas versões da Lei Fraca dos Grandes Números. . chamamos de Lei Forte dos Grandes Números. Vamos usar esta desigualdade para provar a Lei Fraca dos Grandes Números de Chebyshev. Teorema 4. Então.CAPÍTULO 4. 2 x2 2 2 EX 2 . Substituindo X por X − EX . e quando temos convergência quase certa. P (X ∈ A) = P (|X | ≥ ) ≤ P (|X − EX | ≥ ) ≤ V arX . Eg (X )). Prova: Pela monotonicidade da Esperança. existe c nito tal que para todo n. então pelo . P( |Sn − ESn | ≥ ) → 0 quando n → ∞. na primeira delas não é necessário assumir que as variáveis aleatórias são identicamente distribuídas. Eg (X )) ≥ P (X ∈ A).2 Lei Fraca dos Grandes Números Na seção anterior.2.

não conhecemos o valor de p = P (A) e. 2 n2 n (4.05(0 . Deste modo encontraremos que se n ≥ 4(0. teremos P (|fA − p| < ) ≥ 1 − δ sempre que n ≥ p(1 − p) .01)2 . Substituindo os (0. 01 por δ e . n n Podemos utilizar a Lei Fraca dos Grandes Números para responder a seguinte questão: quantas repetições de um experimento devemos realizar a m de termos uma probabilidade ao menos 0.01? Utilizando a equação (4. LEI DOS GRANDES NÚMEROS Pela desigualdade de Chebyshev. a condição exigida será satisfeita. 05. então Sn P → p n Prova: Seja Xn = 1 se o n-ésimo ensaio é sucesso.CAPÍTULO 4. ESn = np. 05. e integráveis com média µ = p. ou. 05 e 0. Exemplo 4.i. poderemos empregar o fato de que p(1 − p) toma seu valor máximo quando p = 1/2. Que valor deverá ter n de maneira que possamos estar 99% certos de que a freqüência relativa de defeituosas difere de p por menos de 0. Conseqüentemente. são i. 01) ≤ p(1 − p) .2. onde Sn é o número de ocorrências do evento A em n realizações do experimento temos que Sn /n = fA . X1 . X2 . deveremos aplicar a última fórmula com 1 = 0. estamos certamente seguros se armamos que para n ≥ 4 1 2 δ teremos P (|fA − p| < ) ≥ 1 − δ.1). digamos. tendo a mesma probabilidade p de sucesso em cada ensaio.4: Lei dos Grandes Números de Bernoulli. o que é equivalente a n ≥ 0. 95 para que a freqüência relativa dira de p = P (A) por menos do que. não poderemos empregar o limite acima. Autor: Leandro Chaves Rêgo . . 01)2 p(1−p) p(1−p) ou seja.5: Peças são produzidas de tal maneira que a probabilidade de uma peça ser defeituosa é p (admitida desconhecida). 01. S →P p.01)2 valores especícos de 0. n(0. a Lei Fraca de Chebyshev np n implica que Sn − →P 0. V arSn = np(1 − p).05) 2 0. δ ( )2 Em muitos problemas. equivalentemente.2. por isso.d. Xn = 0 caso contrário. Nesse caso. são classicadas como defeituosas ou perfeitas. δ = 0. digamos n.1) Corolário 4. Então. . Um grande número de peças. respectivamente.01 = 10. e esse valor máximo é igual a 1/4. e: P (|fA − p| ≥ 0. queremos que n ≤ 0. Consideremos uma seqüên- cia de ensaios binomiais independentes. Se Sn é o número de sucessos nos primeiros n ensaios. 0. 05? Solução: Porque não conhecemos o valor de p. . Como V arXn = p(1 − p).000. temos que 56 P (|Sn − ESn | ≥ n ) ≤ V ar(Sn ) c ≤ 2 → 0.

média comum µ. X2 .2. com média µ e variância σ 2 . Solução: Note que 1 n 1 n 1 n n (Xi − X )2 →P σ 2 = i=1 n 1 n n Xi2 + i=1 2 1 n n −2XXi + i=1 1 n n X i=1 2 Xi2 − 2X i=1 n 2 1 n n Xi + X i=1 Xi2 − X .d. . i=1 Pela Lei Fraca dos Grandes Números.i.d. .i. Se X1 .2. LEI DOS GRANDES NÚMEROS 57 A hipótese de variâncias nitas pode ser eliminada e o próximo teorema prova uma versão da Lei Fraca dos Grandes Números para variáveis aleatórias i. . consequentemente. Prove que n i=1 (Xi − X ) → σ . são i. i=1 Autor: Leandro Chaves Rêgo . e integráveis com Sn P → µ. Exemplo 4.CAPÍTULO 4. temos que X →P (EXi )2 = µ2 e.d.7: Sejam {Xn : n ≥ 1} variáveis i.6: Lei Fraca de Khintchin. Como funções contínuas preservam convergência.i. e integráveis. ambas n 1 2 P 2 nitas. temos que 1 n e n Xi2 →P EXi2 = σ 2 + µ2 i=1 X →P EXi = µ. então Teorema 4. 2 1 n n (Xi − X )2 →P σ 2 + µ2 − µ2 = σ 2 . n Prova: É conseqüência da Lei Forte de Kolmogorov e do fato que convergência quase certa implica convergência em probabilidade.

Prova: Primeiro vamos considerar uma variável aleatória Y que assume valores inteiros ∞ k EY = k=1 kP (Y = k ) = k=1 j =1 P (Y = k ). k=1 Autor: Leandro Chaves Rêgo . k = 1. n.3. para todo λ > 0. a variável aleatória |X | assume o valor k quando k ≤ |X | < k + 1 e 0 ≤ |X | ≤ |X | ≤ |X | + 1. Então. . logo ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 P (|X | ≥ n). Xn variáveis aleatórias independentes tais que EXk = 0 e V arXk < ∞. . e somente se. e. trocando a ordem dos somatórios: ∞ ∞ ∞ EY = j =1 k=j P (Y = k ) = j =1 P (Y ≥ j ).2) Se x ≥ 0. LEI DOS GRANDES NÚMEROS 58 4. Lema 4.CAPÍTULO 4.3. ∞ ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 ∞ n=1 P (|X | ≥ n). portanto.2: 1 1 P ( max |Sk | ≥ λ) ≤ 2 V arSn = 2 1≤k≤n λ λ onde Sk = X1 + . X é integrável se.3 Lei Forte dos Grandes Números Antes de iniciarmos a prova da Lei Forte dos Grandes Números. . seja x a parte inteira de x. não-negativos. temos que ∞ P (|X | ≥ n) < ∞. Como |X | é uma variável aleatória que só assume valores inteiros não-negativos. . . Sejam X1 . Então. Então. Neste caso. . então pela monotonicidade e linearidade da esperança temos: 0 ≤ E |X | ≤ E |X | ≤ 1 + E |X | . . .1: Seja X uma variável aleatória qualquer. n V arXk . + Xk . vamos estudar um critério para integrabilidade de variáveis aleatórias. . Lema 4. Nosso próximo passo é provar uma extensão da desigualdade de Chebyshev. temos ∞ ∞ E |X | = n=1 P ( |X | ≥ n) = n=1 ∞ P (|X | ≥ n). (4. .

n n Autor: Leandro Chaves Rêgo . S2 ≥ λ2 ]. as Xn satisfazem a Lei Forte dos Grandes Números. Sk Ak = [S1 −1 < λ . IA = n 2 2 ≥ Sn IA = Sn k=1 2 2 ≥ Sn IAk ⇒ ESn n k=1 IAk n e 2 IAk . LEI DOS GRANDES NÚMEROS 59 2 Prova: Queremos uma cota superior para P (max1≤k≤n Sk ≥ λ2 ). . e não vale necessariQueremos substituir Sn por Sk 2 amente Sn ≥ λ2 ). . + Xn (EX1 + . . Xk . X1 + . X2 . (4. para 2 ≤ k ≤ n. Então os Ak são disjuntos e A = ∪n k=1 Ak . temos 2 2 ESn IAk ≥ ESk IAk ≥ Eλ2 IAk = λ2 P (Ak ). . logo são independentes e a esperança fatora: E ((Sn − Sk )Sk IAk ) = E (Sn − Sk )E (Sk IAk ). Como Sn − Sk = Xk+1 + . . . 2 ESn n ≥ k=1 λ2 P (Ak ) = λ2 P (A). denamos: 2 A1 = [S1 ≥ λ2 ]. seja A = 2 2 [max1≤k≤n Sk ≥ λ2 ].3.3) Portanto. . . 2 2 2 2 2 < λ 2 . . Sk ≥ λ ].CAPÍTULO 4. . . . . . ou seja. as duas são funções de famílias disjuntas de variáveis independentes.3: Sejam X1 . Para tanto. o truque é escrever 2 2 2 Sn = (Sn − Sk )2 + Sk + 2(Sn − Sk )Sk ≥ Sk + 2(Sn − Sk )Sk . ponha que Teorema 4. n2 Então. . . 2 λ λ logo P (A) ≤ O próximo teorema é conhecido como Primeira Lei Forte de Kolmogorov. . Logo. 2 2 A2 = [S1 < λ 2 . Como E (Sn − Sk ) = 0. ESn k=1 2 2 2 no somatório (pois Sk ≥ λ2 em Ak . + EXn ) − → 0 quase certamente. Vamos decompor A conforme a primeira vez que Sk ≥ λ2 . 2 2 ESn IAk ≥ ESk IAk + 2E ((Sn − Sk )Sk IAk ). e su∞ n=1 V arXn < ∞. Portanto. 1 1 2 ESn = 2 V arSn . + Xn e Sk IAk depende só de X1 . variáveis aleatórias independentes e integráveis.

e (ii) resulta da equivalência B e [ M → 0] . Seja An = [Mn ≥ então 1 P (An ) ≤ m ( n 4 n=1 n=1 2 ∞ ∞ ∞ 2n+1 ∞ V ar(Xk )) = m2 k=1 k=1 n:2n+1 ≥k ( 1 V ar(Xk )) = 4n =m Observe que 2 k=1 V ar(Xk ) n:2n+1 ≥k ( 1 ). . note que por Borel-Cantelli. ∞ log2 k−1 ≤ (1/4) 3/4 ∞ log2 k−1 ≤ 16 . m onde vale a última passagem pelo lema anterior. o que implica que P (∩∞ m=1 Bm ) = 1. 3k 2 16m2 P (An ) ≤ 3 n=1 k=1 V ar(Xk ) < ∞. . 2. ∀m. . Seja Bm o evento  Mn assuma um valor ≥ m para somente um número nito de n's. k 2 <k≤2 Provaremos isto em duas etapas: (i) ∞ n=1 P (Mn ≥ 1 ) m < ∞. k=1 1 ]. onde Sn = X1 + . . LEI DOS GRANDES NÚMEROS 60 Prova: Suponhamos sem perda de generalidade que EXn = 0. Para (i). ∀n. Então. k2 Para (ii). tem-se P (An inntas vezes) = 0. basta mostrar que Mn = maxn+1 n |S k | → 0 cp1 quando n → ∞. para todo 1 para somente um número nito m. Autor: Leandro Chaves Rêgo .CAPÍTULO 4. P (Mn ≥ 1 2n ) ≤ P ( n maxn+1 |Sk | ≥ ) ≤ 2 <k≤2 m m 2n+1 2n m2 ≤ P ( max | S ) ≤ k| ≥ 1<k≤2n+1 m 4n V ar(Xk ). a probabilidade é 1 de que Mn assuma um valor ≥ m 1 de n's. para todo n. Queremos mostrar que Sn n → 0 cp1. considere m xo. 4n ( n:2n+1 ≥k 1 1 )= ( n) = n 4 4 n:n+1≥log k 2 ( n= log2 k−1 1 ) 4n (1/4) 1 − 1/4 Portanto. e (ii) Mn → 0 cp1. entre os eventos ∩∞ n m=1 m O próximo exemplo ilustra uma aplicação da Primeira Lei Forte de Kolmogorov.. . ∀m = 1. + Xn . então P (Bm ) = 1. Para tanto. Logo.

temos ∞ n= j 1 1 1 = 2+ 2 n j n2 n=j +1 ∞ j ∞ 1 ≤ 2+ j Como n −n 1 1 1 2 dx = 2 + ≤ . a primeira Lei Forte de Kolmogorov implica que EX1 + · · · + EXn → 0 cp1. Logo. . LEI DOS GRANDES NÚMEROS 61 Exemplo √4.CAPÍTULO 4. temos que ∞ n=1 V arXn = n2 ∞ √ n n=1 n2 < ∞. considere o seguinte lema: Lema 4. . 3 1+ 2 + ··· + n √ n ≥ 2n1/2 → ∞.5 : Então. 2. . 3 Logo.. note que para j = 1. . pode-se vericar que X− √ Portanto. ∞ ( n=1 1 n2 n −n x2 dF (x)) < ∞. Autor: Leandro Chaves Rêgo . . 1+ √ √ 2 + ··· + √ √ n n≥ 0 √ 2n3/2 xdx = . 2 x j j j n j j −1 x dF (x) = j =−n+1 2 x2 dF (x). Seja X uma variável aleatória integrável com função de distribuição F .3. Xn variáveis aleatórias independentes com Xn ∼ P oisson( n). n Pelo teste da integral. Solução: Como V arXn = n.3.4 : Sejam X1 . Prova: Pelo teste da integral. Calcule o limite quase-certo de X . X → ∞ cp1. ou seja n √ √ √ 1 + 2 + ··· + n X− → 0 cp1. para cada n ≥ 1√ . Antes de enunciarmos e provarmos a Segunda Lei Forte de Kolmogorov. . . X2 .

n Prova: Suponhamos sem perda de generalidade que µ = 0.. para j ≥ 1.+Yn n → 0 quase certamente (usaremos Borel-Cantelli).. P (Zn = 0) = P (Xn ∈ / (−n. + Zn = + . (b). Autor: Leandro Chaves Rêgo . . .CAPÍTULO 4. n n n A prova terá três partes: (a) (b) (c) Z1 +. ... . É fácil ver que (a). Então. A seguir enunciamos e provamos a Segunda Lei Forte de Kolmogorov. |j | + 1 Como x2 j ≤ x em (j − 1.. e EY1 +. .3. . + Xn → µ quase certamente. denamos Yn = Xn I[−n<Xn ≤n] . .3. j ]. Vamos truncar as variáveis Xn .5). n]) ≤ P (|Xn | ≥ n). X1 + .+Zn n Y1 +. j ].. . identicamente distribuídas e integráveis. n].+EYn n → 0 (usaremos o Teorema da Convergência Dominada). Teorema 4.6: Sejam X1 . . temos 0 j x dF (x)) ≤ 2 j =1 j −1 ∞ 2 xdF (x) + 2 j =−∞ j −1 |x|dF (x) = (4... +EYn − EY1 +. Para provar (a). com EXn = µ. para j ≤ 0. . de modo que X1 + . Seja Zn = Xn − Yn .4) =2 j =−∞ j −1 |x|dF (x) = 2 −∞ |x|dF (x) = 2E |X | < ∞. e (c) implicam o teorema. + Xn Y1 + . LEI DOS GRANDES NÚMEROS temos 62 1 ( 2 n n=1 ∞ ∞ ∞ n −n ∞ n x dF (x)) = j j −1 0 0 2 ( n=1 j =−n+1 1 n2 j j −1 ∞ x2 dF (x)) = 1 ( 2 n j j −1 = j =1 1 ( 2 n n=j j j −1 x dF (x)) + j j −1 2 x2 dF (x)) ≤ j =−∞ n=|j |+1 ∞ ≤2 j =1 x2 dF (x) + 2 j j =−∞ x2 dF (x). → 0 quase certamente (usaremos a Primeira Lei Forte e o n Lema 4. variáveis aleatórias independentes. . X2 . Logo. + Yn Z1 + . note que Zn = 0 ⇔ Yn = Xn ⇔ Xn ∈ / (−n. e 1 ( 2 n n=1 ∞ ∞ n −n j ∞ x2 |j |+1 j ≤ |x| em (j − 1.

Isso signica que P (Zn = 0 para todo n sucientemente grande) = 1. Portanto. Solução: De acordo com a Segunda Lei Forte de Kolmogorov. temos que a seqüência 2 : n ≥ 1} satisfaz a Lei Forte dos Grandes Números. são independentes e todas têm distribuição 2 : n ≥ 1} satisfaz a Lei Forte dos Exponencial de parâmetro λ. pelo teorema da convergência dominada que se aplica pois |X1 | domina X1 I[−n≤X1 ≤n] 's e é integrável. Mas se Zn = 0 para n sucientemente grande. (b) decorre da primeira Lei Forte de Kolmogorov.CAPÍTULO 4. Exemplo 4. . precisamos mostrar que 2 2 2 = V arXn + (EXn )2 = λ é nita para todo n. . + Zn Z1 + . ∞ n=1 V ar(Yn ) ≤ n2 ∞ n=1 1 n2 n −n x2 dF (x) < ∞. Como EXn EXn 2 < ∞. é suciente mostrar que EYn → 0. então Zn → 0 e Z1 + . + Zn → 0. Mostre que a seqüência {Xn Grandes Números. . LEI DOS GRANDES NÚMEROS Mas os eventos An = [Zn = 0] satisfazem ∞ ∞ ∞ 63 P (An ) ≤ n=1 n=1 P (|Xn | ≥ n) = n=1 P (|X1 | ≥ n) ≤ E |X1 | < ∞. . Borel-Cantelli implica que P (An innitas vezes) = 0.7: As variáveis Xn .5. n ≥ 1. seja F a função de distribuição comum. Mas. Veriquemos a condição da primeira Lei Forte de Kolmogorov para as variáveis aleatórias Yn . Como Yn = Xn I[−n<Xn ≤n] .3. F = FXn . Portanto. logo P ( → 0) = 1.3. Para provar (c). onde a última desigualdade decorre do Lema 4. n n Para provar (b). 2 E (Yn ) = 2 E (Xn I[−n<Xn ≤n] ) n = −n x2 dF (x). {Xn Autor: Leandro Chaves Rêgo . EYn = E (Xn I[−n<Xn ≤n] ) = E (X1 I[−n<X1 ≤n] ) → EX1 = 0. ou seja P (Zn = 0 innitas vezes) = 0. temos V ar(Yn ) ≤ Portanto.

k ∞ P( n=1 |X1 | ≥ n) = ∞. A recíproca diz que se as Xn não forem n integráveis. 1 dx = 1.CAPÍTULO 4. é n| n| o evento a seqüência |X é ilimitada. a seqüência temos que |Sn | n não é limitada. n n| Por independência dos Xn . 1| Prova: Se E |X1 | = ∞. Para isso. 1). precisamos calcular E (− log Xk ).8: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. |Xn | n é ilimitada. Agora. temos P (∩∞ k=1 Bk ) = 1. ou seja.3. ∀k. Para terminar a prova. variáveis aleatórias independentes e identicamente distribuídas. . então n também é ilimitada. S não convergirá para um limite nito. 0 Portanto. Se E |X1 | = ∞. n (n − 1) n |Sn | n então |Sn−1 | n é ilimitada se. 2. . Calcule o limite. ∀k.1.3.. 1 Exemplo 4.. e somente se. .d. . e Borel-Cantelli n implica |Xn | P( ≥ k innitas vezes) = 1. temos |Sn − Sn−1 | |Sn | |Sn−1 | |Xn | = ≤ + . n Teorema 4. De acordo com Lema 4. basta mostrar que se |X é n n |Sn | ilimitada. então |Sn | n é ilimitada ou |Sn−1 | n é ilimitada. n n n n para n = 1. Portanto. os eventos An = [ |X ≥ k ] são independentes.i. então. LEI DOS GRANDES NÚMEROS 64 n 1 modelo Uniforme contínuo em (0. seguindo o E (− log Xk ) = 0 − log xdx = −x log x|1 0+ → 1 cp1. Solução: Vamos tentar usar a Lei Forte dos Grandes Números. k |X n | ≥ n) = k ∞ Como as variáveis Xn são identicamente distribuídas. então S n um limite nito (= EX1 ) com probabilidade 1.. para todo k . Autor: Leandro Chaves Rêgo . para k = 1. n converge para A Lei Forte arma que se as variáveis aleatórias Xn são integráveis. então com probabilidade 1. quase certo. |Sn−1 | (n − 1) |Sn−1 | = · . n n| Fazendo Bk = [ |X ≥ k innitas vezes]. então E ( |X ) = ∞. Mas o |Xn | evento ∩∞ k=1 Bk é o evento  n > k para um número innito de n. também for. com S0 = 0. . para n k=1 (− log(Xk )) quando n → ∞. 2. . temos que 1 n n k=1 (− log(Xk )) Por m nós enunciaremos e provaremos a Recíproca da Lei Forte de Kolmogorov. pois a intersecção de um n número enumerável de eventos de probabilidade 1 também tem probabilidade 1.9: Sejam X1 . temos ∞ P( n=1 |X1 | ≥ n) = k ∞ P( n=1 P( n=1 |Xn | ≥ k ). . X2 . se Mas. . com probabilidade 1. .3.

tem uma distribuição Cauchy de parâmetro a.m (−u) = e−2a|u| .4 Um Exemplo de Divergência das Médias Uma variável aleatória tem distribuição de Cauchy de parâmetro a se. n = 2m. Contudo. Este exemplo serve para ilustrar que a suposição da existência de EX é necessária para a Lei Forte dos Grandes Números.m tem uma distribuição xa. após alguma manipulação algébrica. Ainda mais. Observe que como Zn.CAPÍTULO 4.m .m (u)ϕYn. temos que Sn − Sm = (1 − m )([Zn. Wn.m = m i=1 Xi . Então. Observe que isto não é um contra-exemplo a Lei Forte de Kolmogorov.m = Zn. é o caso que elas são identicamente distribuídas com função característica igual a e−a|u| . tendo em vista que uma variável aleatória que tem distribuição de acordo com uma Cauchy não tem valor esperado denido. Utilizando a denição e as propriedades da função característica pode-se provar n que ϕXn (u) = e−a|u| . elas são independentes uma da outra. segundo uma distribuição de Cauchy de parâmetro a. mas para todo m. Autor: Leandro Chaves Rêgo . Fixando.m ]).m .d. n ϕWn. não degenerada que é independente de n e m. S2m − Sm não converge para zero. e ϕSn (u) = e−a|u| .m e Yn. π a + x2 Assuma que Xn são i. Para n ≥ m. Portanto. π a 2 + x2 é indenido. visto que ambas as integrais são innitas.m (u) = ϕZn.i.m − Yn. ou seja 0 EX = − −∞ 1 a |x | dx + π a 2 + x2 ∞ 0 1 ax dx. para a > 0 fX (x) = a 1 · 2 .m ] − [Yn. quando m → ∞. nós vemos que Sn − Sm = (1 − m )Wn. n n m 1 1 onde Zn. Portanto. as médias Sn são distribuídas exatamente como uma das parcelas da soma. pelo resultado para ϕSn . temos que ϕS2m −Sm (u) = e−a|u| . LEI DOS GRANDES NÚMEROS 65 4.m = n− i=m+1 Xi e Yn. Seja Sn = n 1 i=1 Xn .m são m médias de conjuntos disjuntos de variáveis aleatórias independentes. Seja Wn. Então. Sn não satisfaz o critério de convergência de Cauchy e não é convergente.

. a distribuição de alturas de homens adultos de certa idade pode ser considerada aproximadamente normal. A Lei dos Grandes Números trata da convergência 1 (Sn − ESn ) para 0. pelo Teorema da Continuidade de Levy. O Teorema Central do Limite prova que sob certas hipóteses gerais. 66 . denidas no mesmo espaço de probabilidade (Ω. P ). a seqüência de somas parciais. estas condições exigem que cada parcela da soma contribua com um valor sem importância para a variação da soma. para concentrar-se em torno de sua média. Há também outras situações que o Teorema Central do Limite pode justicar o uso da normal.1 Motivação Consideremos uma seqüência de variáveis aleatórias independentes. X2 . . Quando a seqüência obedece à lei dos grandes números. ou seja é muito improvável que qualquer parcela isolada dê uma contribuição muito grande para a soma. O Teorema Central do Limite dá apoio ao uso da normal como distribuição de erros.2 Teoremas e provas Existem vários Teoremas Centrais do Limite que variam de acordo com as hipóteses sobre as distribuições das variáveis aleatórias Xi 's na seqüência. existe uma tendência n da variável aleatória S . 5. 1). . e somente se. .. pois em muitas situações reais é possível interpretar o erro de uma observação como resultante de muitos erros pequenos e independentes. Por exemplo. . O problema consiste em achar condições sob as quais Sn − ESn D √ → N (0. . V arSn Resumidamente.Capítulo 5 Teorema Central do Limite 5. Como teoremas centrais do limite tratam de convergência em distribuição e como. X1 . e seja S1 . . S2 . a distribuição da média amostral padronizada tende à normal. ϕYn → ϕY . pois a altura pode ser pensada como soma de muitos efeitos pequenos e independentes. denidas por Sn = X1 + X2 + . supondo que as variáveis aleatórias Xi 's sejam de n integráveis. + Xn . . quando n → ∞. sabe-se que uma seqüência de variáveis aleatórias Yn →D Y se. a média amostral no caso de variáveis aleatórias independentes e n identicamente distribuídas. A.

. X2 .2. 1). pois [1 − e( √ )] → 1 e para números complexos cn → c ⇒ (1 + n (Esse limite é conhecido como limite de Euler e sua prova será omitida). Autor: Leandro Chaves Rêgo . uma seqüência de variáveis aleatórias independentes e Sn − np np(1 − p) →D N (0. seja E (Xn ) = 0 e E (Xn ) = 1 (caso este não seja o caso. . Nós iremos agora enunciar e provar alguns desses teoremas. tem-se que X √ it √1 ϕn (t) = (E (e n ))n = ϕn (t/ n). como ϕ é contínua em 0. tem-se t2 t2 ϕ(t) = 1 − + e(t). 2n 2n 2n n n n t quando n → ∞.2: Seja X1 . Sn it √ Xi − µ . ϕ possui duas derivadas contínuas. Então. k utilizando a expansão de Taylor de ϕ e o fato que ϕ(k) (0) = ik E (X1 ). variáveis aleatórias iid com E (Xn ) = µ e V ar(Xn ) = σ 2 . . se Sn = X1 + . começando pelo caso de variáveis aleatórias independentes e identicamente distribuídas. . Suponha que N é uma variável aleatória com distribuição N (0. para t xo ϕ(t) = 1 + tϕ (0) + −t2 t t2 t2 t −t2 t ϕn ( √ ) = [1 − + e( √ )]n = [1 + [1 − e( √ )]]n → e 2 . 2 2 onde e(t) = ϕ (θ(t)) + 1 e limt→0 e(t) = 0. Se Sn = X1 + X2 + . . Logo.CAPÍTULO 5. pode-se provar o resultado para Xi∗ = já que E (Xi∗ ) = 0 e E (Xi∗ )2 = 1).1: Sejam X1 . Corolário 5. ou seja. + Xn . Como a função característica de uma soma de variáveis aleatórias independentes é igual ao produto das funções características das variáveis aleatórias. temos que t2 ϕ (θ(t)). este caso é conhecido como Teorema Central do Limite de De Moivre e Laplace. . 2 onde |θ(t)| ≤ |t|. Teorema 5. Então. X2 . temos que ϕ (θ(t)) − ϕ (0) → 0 quando t → 0. cn n ) n → ec Um caso especial do Teorema Central do Limite para variáveis aleatórias independentes e identicamente distribuídas é quando estas variáveis são distribuídas de acordo com a distribuição de Bernoulli. TEOREMA CENTRAL DO LIMITE −t2 67 n −ESn √ a idéia será provar que a função característica de S converge para e 2 que é a funV arSn ção característica da N (0. σ Seja ϕn (t) = E (e n ) e ϕ(t) = E (eitX1 ). distribuídas de acordo com a distribuição de Bernoulli com parâmetro p. 1). . Então. então Sn − nµ D √ → N. Xn . Então. Como os dois primeiros momentos existem. . . P (Xi = 1) = p = 1 − P (Xi = 0) para 0 < p < 1. σ n 2 Prova: Sem perda de generalidade.2. 1). .

CAPÍTULO 5. TEOREMA CENTRAL DO LIMITE

68

Prova: É imediata dado o teorema anterior, já que E (Xi ) = p e E (Xi2 ) = p.
Suponha que temos algumas voltagens de ruídos independentes, por exemplo Vi , i = 1, 2, . . . , n, as quais são recebidas naquilo que se denomina um somador. Seja V a soma das voltagens recebidas. Suponha também que cada variável aleatória Vi seja uniformemente distribuída sobre o intervalo [0,10]. Daí, EVi = 5 volts e V arVi = 100 . 12 De acordo com o Teorema Central do Limite, se n for sucientemente grande, a variável aleatória √ (V − 5n) 12 √ S= 10 n terá aproximadamente a distribuição N (0, 1). Portanto, se n = 20, podemos calcular que a probabilidade de que a voltagem total na entrada exceda 105 volts da seguinte maneira: √ √ (105 − 100) 12 (V − 100) 12 √ √ > ) 1 − Φ(0, 388) = 0, 352. P (V > 105) = P ( 10 20 10 20 Agora analisaremos um resultado mais forte que dá condições gerais que garantem convergência da média amostral padronizada para normal: o Teorema Central do Limite de Lindeberg.

Exemplo 5.2.3 :

Teorema 5.2.4: Sejam X1 , X2 , . . . variáveis aleatórias independentes tais que E (Xn ) = µn

2 2 e V ar(Xn ) = σn < ∞, onde pelo menos um σi > 0. Sejam Sn = X1 + . . . + Xn e sn = 2 2 V ar(Sn ) = σ1 + . . . + σn . Considere a seguinte condição, conhecida como condição de Lindeberg, n 1 ∀ > 0, lim 2 (x − µk )2 dFk (x) = 0. n→∞ sn k=1 |x−µk |> sn

Então, se a condição de Lindeberg é satisfeita

Sn − ESn D → N (0, 1). sn
Antes de provarmos este teorema, vamos primeiro dar alguma intuição sobre a condição de Lindeberg. Esta condição diz que, para n grande, a parcela da variância devida às caudas das Xk é desprezível. A condição de Lindeberg implica que as parcelas Xk da soma têm variâncias uniformemente pequenas para n grande, em outras palavras nenhuma parcela tem muito peso na 2 σk → 0 quando n → ∞. soma. Formalmente, a condição de Lindeberg implica que max1≤k≤n s2 n Para ver isto, observe que para todo k ,
2 1 σk = 2 2 sn sn

(x − µk )2 dFk (x) +
|x−µk |≤ sn

1 s2 n

(x − µk )2 dFk (x) ≤
|x−µk |> sn

1 s2 n 1 s2 n

( sn )2 dFk (x) +
|x−µk |≤ sn ∞ −∞

1 s2 n

n

(x − µj )2 dFj (x) ≤
j =1 |x−µj |> sn

( sn )2 dFk (x) +

1 s2 n

n

(x − µj )2 dFj (x).
j =1 |x−µj |> sn

Autor: Leandro Chaves Rêgo

CAPÍTULO 5. TEOREMA CENTRAL DO LIMITE

69

Este último termo não depende de k , pois a primeira parcela é igual a ( )2 . Portanto, temos n 2 σk 1 2 max ≤( ) + 2 (x − µk )2 dFk (x), 1≤k≤n s2 s |x−µk |> sn n n
k=1

que converge para ( )2 , pela condição de Lindeberg. Como isto vale para todo , temos 2 σk → 0. max1≤k≤n s2 n Portanto, o Teorema Central do Limite de Lindeberg pode ser aplicado para justicar o seguinte raciocínio: a soma de um grande número de pequenas quantidades independentes tem aproximadamente uma distribuição normal.

Exemplo 5.2.5: Vamos vericar neste exemplo que uma seqüência X1 , X2 , . . . de variáveis
2 aleatórias √ i.i.d. com √ EXi = µ e V arXi = σ satisfaz a condição de Lindeberg. Note que sn = V arSn = σ n. Então para > 0, e F a distribuição comum das variáveis aleatórias:

1 s2 n =

n

k=1

1 (x − µk ) dFk (x) = nσ 2 |x−µk |> sn
2 |x−µ|> σ n √

n |x−µ|> σ n √

(x − µ)2 dF (x)

k=1

1 n nσ 2

(x − µ)2 dF (x).

Então, nalmente,

lim
n

1 σ2

|x−µ|> σ n

(x − µ)2 dF (x) = 0.

Agora iremos provar o Teorema Central do Limite de Lindeberg. Prova: Assim como no caso de variáveis aleatórias i.i.d., mostraremos que a função carac−t2 ESn 2 . terística de Sn − converge para e sn Para tanto, xemos t ∈ R. Usaremos duas versões da fórmula de Taylor aplicada à função g (x) = eitx : t 2 x2 itx e = 1 + itx + θ1 (x) , onde |θ1 (x)| ≤ 1 2 e t2 x2 t3 x3 eitx = 1 + itx − + θ2 (x) , onde |θ2 (x)| ≤ 1. 2 6 Seja > 0. Usando a primeira fórmula para |x| > e a segunda para |x| ≤ , podemos escrever eitx da seguinte forma geral:

eitx = 1 + itx −
onde

t 2 x2 + r (x), 2
2 2

r (x) =
Portanto,

x (1 + θ1 (x)) t 2 3 3 x θ2 (x) t 6

se |x| > , se |x| ≤ .

Autor: Leandro Chaves Rêgo

CAPÍTULO 5. TEOREMA CENTRAL DO LIMITE

70

2 x−µ 2 x − µk t ( sn k ) E (e )= e dFk (x) = (1 + it − + sn 2 x − µk Xk − µk 2 Xk − µk t2 +r ( ))dFk (x) = 1 + itE ( ) − E (( ) )+ sn sn 2 sn x − µk x − µk 2 t2 ))( ) dFk (x) + (1 + θ1 ( + 2 |x−µk |> sn sn sn it
Xk −µk sn

it

x−µk sn

t3 6

θ2 (
|x−µk |≤ sn

x − µk x − µk 3 )( ) dFk (x). sn sn

2 Como EXk = µk e V ar(Xk ) = σk , temos

E (eit
onde o resto en,k satisfaz

Xk −µk sn

)=1−

2 t2 σk + en,k , 2s2 n

|en,k | ≤ t2
|x−µk |> sn

(

|t 3 | x − µk 2 ) dFk (x) + sn 6 |t | 6s2 n
3 ∞ −∞

(
|x−µk |≤ sn

x − µk 2 ) dFk (x) sn

t s2 n

2

(x − µk )2 dFk (x) +
|x−µk |> sn

(x − µk )2 dFk (x).

Temos então,
n

|en,k | ≤
k=1

t2 s2 n

n

(x − µk )2 dFk (x) +
k=1 |x−µk |> sn

|t 3 | . 6

Pela condição de Lindeberg, a primeira parcela do termo à direita tende a zero quando n → ∞. Logo, para n sucientemente grande,
n

|en,k | ≤
k=1

|t |3 . 3 =
1 , m

Vamos então escolher uma seqüência de 's que converge para zero. Para nm tal que para n ≥ nm , n |t 3 | , |en,k | ≤ 3m
k=1

existe (5.1)

1 onde os restos en,k são os determinados pela fórmula baseada em = m . Portanto, existe uma seqüência de inteiros positivos n1 < n2 < . . . tal que (5.1) é satisfeita para nm ≤ n < nm+1 , 1 . É importante lembrar durante onde para estes valores de n os restos são baseados em = m o restante da prova que o valor de que determina o resto en,k depende da posição de n em relação aos nm . Temos, então, n

|en,k | → 0 quando n → ∞.
k=1

Autor: Leandro Chaves Rêgo

CAPÍTULO 5. TEOREMA CENTRAL DO LIMITE Como Xi 's são independentes,
n

71

ϕ Sn −ESn (t) =
sn

E (eit
k=1

Xk −µk sn

n

)=

(1 −
k=1
−t2 2

2 t2 σk + en,k ). 2s2 n

Para provar que o termo à direita converge para e números complexos.

, usaremos o seguinte Lema sobre
n k=1 cn,k

Lema 5.2.6: Sejam cn,k números complexos tais que
1≤k≤n

→ c quando n → ∞. Se

max |cn,k | → 0 quando n → ∞
n

e

|cn,k | ≤ M < ∞,
k=1

onde M é uma constante que não depende de n, então
n

(1 + cn,k ) → ec quando n → ∞.
k=1

Prova: Nós omitimos a prova deste lema que pode ser encontrada no livro do Chung seção
7.1. Em nosso caso, sejam cn,k = − 2s2k + en,k e c =
n

t2 σ 2

−t2 . 2

Temos que

t2 t2 |en,k | → , |cn,k | ≤ + 2 2 k=1 k=1
logo existe M < ∞ tal que ∀n, condição sobre o máximo
1≤k≤n n k=1

n

n

|cn,k | < M . Para aplicar o lema resta vericar a

max |cn,k | ≤ max

2 2 t2 σk t2 σk + max | e | ≤ max + max |en,k | n,k 1≤k≤n 2s2 1≤k≤n 1≤k≤n 2 s2 1≤k≤n n n

Como já provamos que os dois termos acima tendem a zero, a prova está terminada.

2 2 > 0. < ∞ com pelo menos um σj aleatórias independentes tais que EXn = µn e V arXn = σn 2 Seja Sn = X1 + . . . + Xn e sn = V arSn . Se existir m > 0 tal que

Corolário 5.2.7: Teorema Central do Limite de Liapunov. Sejam X1 , X2 , . . . variáveis

1
então,

n

m s2+ n k=1

E (|Xk − µk |2+m ) → 0 quando n → ∞,

Sn − ESn D → N (0, 1). sn
Autor: Leandro Chaves Rêgo

somando-se em k de 1 até n. temos que: n 2 1 s2 n n k=1 1 (x − µk ) dFk (x) ≤ 2 sn |x−µk |> sn n (x − µk )2 k=1 |x−µk |> sn n ∞ −∞ |x − µ k |m dFk (x) m sm n |x − µk |2+m dFk (x) 1 = m 2+m sn = 1 m s2+m n |x − µk | k=1 n |x−µk |> sn 2+m 1 dFk (x) ≤ m 2+m sn k=1 E |Xk − µk |2+m . segue-se que k k−1 x dx ≤ k−1 λ k k dx = k = k λ λ k+1 k dx ≤ k λ k+1 xλ dx.8: Para λ > 0.2. o lema está provado. o que por sn > 1. de maneira que k é da ordem de nλ+1 . Lema 5. Antes de vercarmos um exemplo do Teorema Central do Limite de Liapunov. Logo. > 0. temos n 0 n xλ dx ≤ k=1 kλ ≤ 1 n+1 xλ dx. nλ+1 ≤ λ+1 o que é eqüivalente a n kλ ≤ k=1 (n + 1)λ+1 − 1 (n + 1)λ+1 ≤ . vamos considerar o seguinte Lema. Como ( n+1 n Autor: Leandro Chaves Rêgo . Prova: Como xλ ≤ k λ se k − 1 ≤ x ≤ k . λ+1 quando n → ∞. Desse modo. 1 nλ+1 n k=1 λ n kλ → k=1 1 . a condição de Lindeberg está satisfeita.CAPÍTULO 5. temos que |x− > 1. k=1 Mas a condição de Liapunov implica que o último termo tende a zero quando n → ∞. A condição de Lindeberg estabelece µk | uma integral na região |x − µk | > sn . é suciente vericar que as condições do Teorema de Liasua vez implica |x−µk |m m sm n punov implicam as condições do Teorema de Lindeberg. λ+1 λ+1 1 1 ≤ λ+1 λ+1 n n kλ ≤ k=1 n + 1 λ+1 1 ·( ) . Nessa região. TEOREMA CENTRAL DO LIMITE 72 Prova: Para provar este teorema. Portanto. λ+1 n )λ+1 → 1 quando n → ∞. e kλ ≤ xλ se k ≤ x ≤ k + 1.

Autor: Leandro Chaves Rêgo . √ n(X n − µ) →D N (0.CAPÍTULO 5. X2 . independentes e identicamente distribuídos. uma seqüência de vetores aleatórios k -dimensionais. . X2 . tem-se que a distribuição da média amostral centrada converge para uma distriuição normal multivariada. . temos 3 −k 2 k s2 n = k=1 k2 . n]. aplicando o resultado do Lema. 3 n 9 Então. o Lema anterior implica que n k=1 E |Xk − µk | é da ordem de n . 1). Seja X n a média amostral. . 3 Portanto. →D Solução: Vamos vericar a condição de Liapunov para δ = 1. Vamos determinar a ordem de s3 n . . independentes.3 Teorema Central do Limite: Caso Multivariado Concluímos dizendo que o Teorema Central do Limite também pode ser estendido ao caso de vetores aleatórios. denida como a média aritmética dos vetores X1 . . . . 4 3 4 Logo. Xn . . Σ). Teorema 5.9: Sejam X1 . e sejam µ a média e Σ a matriz de covariância de X1 . Então. Temos E |Xk − µk |3 = E |Xk |3 = 1 2k k −k |x|3 dx = 1 k k 0 x3 dx = k3 . nós enunciamos formalmente o teorema sem prová-lo. Xn ∼ U [−n. .3. . TEOREMA CENTRAL DO LIMITE 73 Sn −ESn sn Exemplo 5. Neste caso.2. Suponha que X1 tenha variância nita. 16 n→∞ n 5.1 : Seja X1 . 1 lim n→∞ s3 n = 93/2 · n9/2 E |Xk − µk | = lim ( 3 · n→∞ sn k=1 3 n n k=1 E |Xk − µk |3 1 · 1/2 ) 4 n n 1 1 · lim 1/2 = 0. temos: s2 1 n → . Prove que N (0. . A seguir. quando n → ∞. Como µk = EXk = 0 e 2 σk = V ar(Xk ) = 2 EXk 1 = 2k n k2 x dx = .

(5. Hn (K1 ) > H (K1 ) − /4 > 1 − /2 e Hn (−K2 ) < H (−K2 ) + /4 < /2. P (−K2 ≤ Yn ≤ K1 ) ≥ Hn (K1 ) − Hn (K2 ) > 1 − . Antes de enunciarmos o teorema. Logo P (|Xn | > ) ≤ P (|Yn | > K ) < δ. Então.CAPÍTULO 5. Prova: Dados quaisquer > 0 e δ > 0. então a seqüência é limitada em probabilidade. então para n ≥ N .3: Se √ n(Tn − θ) →D N (0. ∀n > n0 . Façamos N = max(n1 .4. precisamos mostrar que existe N tal que P (|Xn | > ) < δ para todo n ≥ N .1: Se {Yn } converge em distribuição para uma variável aleatória com função de distribuição H . então Xn →P 0. τ 2 ). O resultado está provado se escolhermos K = max(|K1 |. existir K e n0 tal que P (|Yn | ≤ K ) > 1 − para todo n > n0 . Prova: Utilizaremos a versão da série de Taylor em torno de Tn = θ que diz que: f (Tn ) = f (θ) + (Tn − θ)f (θ) + o(Tn − θ).2) desde que f (θ) exista e não seja zero. Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H (K1 ) > 1 − /4 e H (−K2 ) < /4. Teorema 5.4. sabemos que existe n| n2 tal que ||X < K para todo n ≥ n2 . existe K e n1 tal que P (|Yn | ≤ K ) > 1 − δ para todo n ≥ n1 . vamos provar dois lemas. e então √ n[f (Tn ) − f (θ)] = √ √ n(Tn − θ)f (θ) + o( n(Tn − θ)). Lema 5. então √ n[f (Tn ) − f (θ)] →D N (0. τ 2 [f (θ)]2 ). Autor: Leandro Chaves Rêgo . Como Xn = o(Yn ).4. Dizemos que uma seqüência de variáveis aleatórias {Yn } é limitada em probabilidade se para todo > 0.2: Se {Yn } é limitada em probabilidade e Xn = o(Yn ). n2 ). |K2 |). Lema 5. Como {Yn } é limitada em probabilidade. Escolhamos n0 tal que. TEOREMA CENTRAL DO LIMITE 74 5.4 Método Delta O método Delta é um resultado que aumenta signicativamente a relevância do Teorema Central do Limite. Yn | |Xn | > ⇒ |Yn | > K .

suponha que temos a escolha entre (a) n ensaios binomiais com probabilidade p2 de sucesso. n Então.4: Para estimar p2 . que X1 . 1/X . ou eX não será tipicamente normal. podemos ver que X Y2 ou 2 é preferível se p > 1/3 ou p < 1/3. temos que n(Tn − θ) é limitada em probabilidade. Então pelo Lema 5. respectivamente. O resultado portanto é uma conseqüência do Teorema de Slutsky. Então. Dividindo ambos os lados por p2 (1 − p). ou seja. e uma função linear de uma variável normal é também normal. suponha que n(Tn − θ) → N (0.4. desde que p2 (1 − p2 ) < p(1 − p)4p2 . ou (b) n ensaios binomiais com probabilidade p de sucesso. τ 2 [f (θ)]2 )√ . Então nós temos: √ X n( − p2 ) →D N (0. pelo menos para n grande. por exemplo. . λ). é quase sempre inconveniente que λ ocorre não somente na esperança mas também na √ variância da distribuição limite. O processo de aproximar a diferença f (Tn ) − f (θ) pela função linear (Tn − θ)f (θ) e o limite em (5. p(1 − p)4p2 ). p2 (1 − p2 )) n e √ Y 2 n(( ) − p2 ) →D N (0. nós estamos quase certos que quando n for grande. transformações que levem a uma variância assintótica que é independente do parâmetro. . nós usaríamos X/n e (Y /n)2 . A explicação para este paradoxo aparente pode ser encontrada na prova. Suponha. e suponha que como estimadores de p2 nos dois casos. já que se X é distribuído normalmente. respectivamente. pelo √ Lema 5. c ). É portanto para de interesse achar uma função f para a qual n[f (X ) − f (λ)] √tende em distribuição D 2 2 2 N (0. Autor: Leandro Chaves Rêgo . como n(Tn − θ) converge em distribuição. Em geral. Segue do Teorema Central do Limite que √ n(X − λ) → N (0. . log X . n n O método delta proporciona a base para derivar transformações que estabilizam a variância.4. Este teorema pode parecer uma surpresa. Por outro √ lado. Xn são variáveis Poisson com parâmetro λ.2) é chamado de método delta. onde c não depende de λ. pelo método delta: √ n[f (Tn ) − f (θ)] →D N (0. Exemplo 5. o( n(Tn − θ)) converge para zero em probabilidade. . TEOREMA CENTRAL DO LIMITE 75 O primeiro termo do lado direito converge em distribuição para N (0. Tn é aproximadamente linear.1. Sejam X e Y o número de sucessos no primeiro e segundo tipo de ensaios. X/n será mais acurado que (Y /n)2 .4. por exemplo. a distribuição de f (X ). Para problemas de inferência que se referem a λ.CAPÍTULO 5. τ (θ)). τ 2 (θ)(f )2 (θ)). Como o(Tn − θ) →P 0.2.

d. e τ 2 (θ) = 2θ2 . Exemplo 5. c c f (θ) = √ ou f (θ) = √ log θ. √ c f (λ) = √ ou f (λ) = 2c λ. σ 2 ). ou seja. Seja Yi = Xi2 . θ = σ 2 . Então. temos √ n(Y − σ 2 ) →D N (0. temos que √ √ 2 n( X − λ) →D N (0.4. TEOREMA CENTRAL DO LIMITE 76 desde que a derivada de f exista em θ e seja diferente de 0. 2 σ Autor: Leandro Chaves Rêgo . onde as Xi 's são i. A distribuição limite do lado direito terá portanto variância constante c2 se f (θ) = τ (cθ) . No caso de Poisson.i. Logo.6: Chi-Quadrado. 2σ 4 ). EYi = σ 2 e V arYi = 2σ 4 e pelo Teorema Central do Limite. Tn = Y . 1).CAPÍTULO 5. temos θ = λ e τ (θ) = λ. vemos que n Y log( 2 ) →D N (0. Logo. √ Exemplo 5. N (0. 1).5: Poisson. λ Fazendo c = 1. 2θ 2 Fazendo c = 1. A transformação resultante é dita ser estabilizadora de variância.4.

James. Livros Técnicos e Cientícos Editora. Rio de Janeiro. Volume 4. Geraldo (1994). vol. Magalhães. Curso de Análise. (1981).1 . Leite.Projeto Euclides 5. Lehman. "Um curso de Cálculo". (1999). P. Marcos M.Funções de Várias Variáveis". 2a. e Singer. IME-USP. Probabilidade: um curso em nível intermediário. edição. "Cálculo . Lima. Ávila. Livros Técnicos e Cientícos Editora. edição. Springer-Verlag. 4. H. Simpósio Nacional de Probabilidade e Estatística. Volume 2.Aplicações à Estatística". (1983). "Probabilidade . E. 9o. Livros Técnicos e Cientícos Editora. 6. "Métodos Assintóticos em Estatística: Fundamentos e Aplicações". B. 8. edusp. 2a. 2a. E. "Elements of Large-Sample Theory". (1976). (1994). "Probabilidade e Variáveis Aleatórias". Julio da Mota (1990). 3.Referências Bibliográcas 1. 7. Guidorizzi. 77 . Meyer. edição Projeto Euclides 2. José G. (2006). L.