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

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

. . Formalmente. não-crescente e não-decrescente.1 Limite de uma sequência Intuitivamente. .).} de I N . −128. temos que x(I N ) = {0}. Exemplo 1. −8. 64. . 1}.7: xn = 1/n para todo n ∈ I N . mas o mesmo não é verdade em w. 1. Neste caso. −32. . por exemplo. Ela é limitada. . . Exemplo 1. As sequências crescentes. Formalmente. não-crescente). 4.. temos que 0 ≤ xn ≤ 3 para todo n ∈ I N . 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 . uma subsequência de x é a restrição da função x a um subconjunto innito I N = {n1 < n2 < . e temos x(I N ) = {−1. uma subsequência de x é y = (4. em geral. ou seja. Ela é monótona decrescente e limitada. . em x o termo -2 precede o termo 4. 16. existe um índice n0 (que depende de . Se vale xn ≤ xn+1 (resp. xn2 . Finalmente. ilustra melhor a questão. não é limitada inferiormente nem superiormente. 64. −8. . decrescentes e não-crescentes são chamadas sequências monótonas. Escreve-se x = (xn )n∈I N. 256. . pois por exemplo. . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 2 ilimitadas que são limitadas inferiormente ou superiormente.3: A sequência xn = 1 + é limitada. . . . Autor: Leandro Chaves Rêgo . Com um pouco mais de precisão: estipulando-se um erro por meio de um número real > 0.1. Dada uma sequência (xn ) de números reais. Por outro lado. uma subsequência de (xn ) é um sequência (portanto. . .5: xn = 0. 64.) ou (xni )i∈I N para indicar a subsequência x .1. 16. 1 n Exemplo 1. −32. dada uma sequência x. porém não é monótona. O próximo exemplo. (resp. 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 ). . Também temos que w = (4. a sequência xn = n2 é ilimitada. Uma sequência chama-se crescente (resp.1.) não é uma subsequência de x já que os termos em w não aparecem na mesma ordem em que aparecem em x.1. os termos xn tornam-se e se mantém tão próximos de a quanto se deseje. a sequência xn = (−2)n é ilimitada. Exemplo 1. .1. a sequência diz-se não-decrescente (resp. xni . x1 > x2 > x3 > .CAPÍTULO 1. mas limitada inferiormente pois xn ≤ 0 para todo n. . pois não é uma sequência já que possui apenas 2 termos.. para valores muito grandes de n. decrescente) quando x1 < x2 < x3 < . Ela é limitada. ou (xn1 . z = (4.. . não-decrescentes. < ni < . . .).6: xn = 1 para todo n ímpar. . −2. Exemplo 1. e xn = −1 para todo n par. 16. .1. 16) não é uma subsequência de x.4: Seja a sequência x = (−2. . xn ≥ xn+1 ) para todo n. dizer que o número real a é limite da sequência (xn ) signica armar que.). Por outro lado. para todo n ∈ I N .

3n + 10 3n + n 4n 4 Por sua vez. existe um número natural n0 tal que |xn − a| < K . ou tende para a e escreve-se xn → a. com exceção de no máximo um número nito de índices n (os termos de x1 até xn0 ). Para isto notamos que 3n > n+10 n+10 2 2 Exemplo 1. Autor: Leandro Chaves Rêgo . ela se chama divergente. limn xn = −∞).10: A sequência xn = 1/n para todo n converge para 0. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 3 a = limn xn . teremos n > n0 ⇒ n2 + 1 > M. Como a denição implica que para qualquer > 0 arbitrário. > 0 existe n0 > 1/ .1. Uma sequência que possui limite chama-se convergente. Logo.8: O número real a é limite da sequência (xn ) de números reais.1. ou seja. sempre que n > n0 . diz-se que a sequência (xn ) converge para a. quando para todo número real M > 0. e escrevese limn xn = ∞ (resp.12: A sequência xn = n + (−1)n é divergente.1. Do contrário. contém todos os termos xn da sequência. Pois. então para todo n > n0 . salvo talvez um número nito de índices n. quando para todo número real > 0. a distância entre xn e a se torna menor que para n sucientemente grande. a sequência ca oscilando entre vizinhanças dos números -1 e 1. xn < −M ). existe um número natural n0 tal que |xn − a| < (o que é equivalente a xn ∈ (a − .. vale a desigualdade +1 +1 Exemplo 1.. Dentre as sequências divergentes destacamos duas que possuem limites innitos: Denição 1. temos que |xn + 1| < . existe um número natural n0 tal que xn > M (resp. Note que dado qualquer > 0. dado qualquer n2 . então qualquer intervalo (a − . para n > 1 e ímpar. Observe que se limn xn = a. 3n + 10 1 Exemplo 1. temos que para todo número real > 0. para n > 1 e par. e escreve-se Denição 1. n/4 > M se n > 4M . sempre que n > n0 . 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. a + )). −∞). para n grande. 3n+10 n2 n2 n2 n ≥ = = . Portanto. se qualquer intervalo de centro a contém todos os xn .CAPÍTULO 1. Por outro lado. então lim xn = a. de centro a e raio > 0. a + ). sempre que n > n0 .1. e que para n ≥ 10. temos 1/n < 1/n0 < . podemos escrever de forma equivalente a denição da seguinte maneira: o número real a é limite da sequência (xn ) de números reais. n > n0 ⇒ |xn − 0| < . Reciprocamente. Quando limn xn = a. 4M }.1.11: Vamos provar que limn 3n = ∞. tomando n0 = max{10.. quando para alguma constante K real positiva. temos que |xn − 1| < .9: Uma sequência (xn ) de números reais tem limite ∞ (resp.

REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 4 Pois. 2. . podemos utilizar nosso conhecimento sobre limites de funções reais para calcularmos o limite de sequências. Portanto. dado qualquer Exemplo 1. x→a g (x) x→a g (x) lim quando x → ∞. Mais formalmente. Em particular. Mais formalmente. Podemos reescrever esta função da seguinte maneira: Exemplo 1. xn → 1. para x natural. temos: (1 − e−a/x ) (−ax−2 e−a/x ) = lim = lim ae−a/x = a. L + ). temos que dada uma função real f (x) dizemos que o limite quando x tende a um número a é igual a L. Autor: Leandro Chaves Rêgo . 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. o limite de xn é igual a a. Como todo número natural é um número real. xn = f (n) ∈ (L − .1. L + ). temos que f (x) ∈ (L − . Para facilitar o cálculo do limite de sequências. Vamos calcular o limite da função real x(1 − e−a/x ) (1 − e−a/x ) . x→∞ x→∞ x→∞ 1/x −x−2 lim Portanto. L + ). existe um número natural n0 > 0 tal que para todo número real x > n0 . temos que para todo > 0. lim xn = L. Utilizando a regra de L'Hopital. se quando x se aproxima de a o valor de f (x) se aproxima de L. Logo. uma sequência seja denida por xn = f (n) para todo n ∈ I N . > 0.1. vamos recordar a noção de limite de funções reais. n Por outro lado. n n (n+1) . temos que f (x) ∈ (L − . 1/x Note que tanto o numerador quanto o denominador convergem para zero quando x → ∞. se para x grande o suciente f (x) se torna tão próximo de L quanto se queira. para todo n > n0 e par. se limx→∞ f (x) = L. então para todo n > n0 e ímpar. Deste modo. ou x > 0. se limx→a f (x) = ∞ e limx→a g (x) = ∞. estamos interessados em saber se quando x cresce arbitrariamente a função f (x) tende a algum valor. Suponha que dada uma função real f (x). temos que f (x) ∈ (L − . temos que se limx→∞ f (x) = L. Por outro lado. ou. podemos utilizar a regra de L'Hopital que diz que se limx→a f (x) = 0 e limx→a g (x) = 0.14: Seja xn = n(1 − e−a/n ). converge para 1. . temos 1 n+1 − 1| = | | < . de uma função f (x) denida para x real. toda vez que uma sequência (xn ) for uma restrição.CAPÍTULO 1. temos |xn − 1| = 0 < . L + ). temos que para todo natural n > n0 . Então. 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 . quando queremos calcular o limite assintótico de uma dada função. existe n0 > 1/ . Intuitivamente.13: A sequência x2n = 1 e x2n−1 = | n = 1. 3. podemos concluir que xn → L. deste modo dizemos que o limite quando x tende a innito é igual a L. Assim. a + δ ) que é diferente de a. . então f (x) f (x) = lim .

existe entre eles um ni0 > n0 . vemos que existe n0 ∈ I N tal que n > n0 ⇒ xn ∈ (a−1. Seja c o menor e d o maior elemento de F . Dene-se como o supremo (resp. a.CAPÍTULO 1. = 1. Teorema 1. Como os índices da subsequência formam um subconjunto innito. Por exemplo. Dada um conjunto de números reais A.1. note que inf A ∈ / A. a priori. A outra é para determinar o limite de uma sequência (xn ) que. Com essa escolha de . o que por sua vez implica que |xni − a| < . então a = b. Então. como limn xn = a.1. a+1). Logo. . ao contrário de seu máximo e mínimo. Logo limi xni = a. então toda subsequência de (xn ) converge para o limite Prova: Seja (xni ) uma subsequência de (xn ). xn ∈ / (b − .15: (Unicidade do limite). Uma delas é para Exemplo 1. b + ) são disjuntos. b + ) para todo n > n0 . maior) cota superior (resp. todos os termos xn da sequência estão contidos no intervalo [c. . mostraremos que não se tem a| limn xn = b. inferior) de A. . mostrar que uma certa sequência não converge: basta obter duas subsequências de (xn ) com limites distintos. . No exemplo anterior. o fato da sequência convergir para um certo limite L não implica que a função real tenderá a L quando x → ∞. Consideremos o conjunto nito F = {x1 . a−1.1. 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. temos que supA = 1 e inf A = −1.17: Há duas aplicações dos Teoremas 1. inferior) para A como sendo qualquer número real c tal que c ≥ x (resp. temos que c ≤ a − 1 < xn < a + 1 ≤ d. porém limx→∞ f (x) = 1. ni > ni0 ⇒ ni > n0 . Dado qualquer número real b = a. ínmo) de um conjunto A a menor (resp. se A = (−1. a+1}.1. 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. existe n0 tal que n > n0 implica que xn ∈ (a − . Então. Prova: Seja limn xn = a. dene-se como uma cota superior (resp. 0. Então. para n ≤ n0 . Logo. xn → 1. c ≤ x) para todo x ∈ A. x2 . . considere a função real f (x) tal que f (x) = 0 para x ∈ /I N e f (x) = 1 para x ∈ I N . Por exemplo. No exemplo. Prova: Seja a = limn xn . a + ). existe n0 ∈ I N tal que n > n0 ⇒ |xn − a| < . logo a sequência é limitada. . tomando Autor: Leandro Chaves Rêgo .) não é convergente pois admite duas subsequências constantes que convergem para limites diferentes. d].19: Toda sequência convergente é limitada. Dado > 0. Então. Ora. Teorema 1. tomemos = |b− . Para isso. 1].16. Note que o supremo e/ou o ínmo de um conjunto. temos que xn = f (n) = 1 para todo n ∈ I N. Ele será o limite procurado. limn xn = b.1. 0. é óbvio que c ≤ xn ≤ d e para n > n0 . 1. 1. a + ) e (b − . Se limn xn = a e limn xn = b. portanto. não precisam ser elementos do conjunto. Observação 1.18: A sequência (1. e. Teorema 1. se sabe que converge: basta determinar o limite de alguma subsequência. temos que os intervalos 2 (a − . xn0 .1.15 e 1.1. A seguir provaremos alguns resultados sobre limites. .16: Se limn xn = a.

podemos encontrar n0 ∈ I N tal que n > n0 ⇒ |xn | < c . Logo. Com efeito.21: Se limn xn = 0 e (yn ) é uma sequência limitada. como limn xn = 0. Dado > 0. pela parte 1.1.20: Toda sequência monótona limitada é convergente. Prova: Para xar as idéias. 2. limitada. n > n0 ⇒ xn0 ≤ xn e. (nx) Exemplo 1. n > n0 ⇒ |xn · yn | = |xn | · |yn | < c · c = . dado qualquer > 0.}.19 é uma sequência limitada e pela parte 1. ∀n. com |sen(nx)| ≤ 1 e 1 n sen(nx) n = → 0. Logo. existe algum n0 ∈ I N tal que a − < xn0 . já demonstrada. ou seja. . Teorema 1. .22: Qualquer que seja x ∈ I R. temos que limn (yn − b) = 0. 2.1. Isto mostra que xn · yn → 0. portanto. limn [(xn −a)b] = 0. limn (xn · yn ) = a · b. Autor: Leandro Chaves Rêgo . a − < xn . como a − < a.) uma sequência não-decrescente 1. Prova: Para parte 1. 3.21. donde limn xn yn = ab.CAPÍTULO 1. limn [xn (yn −b)] = 0. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 6 Teorema 1. então 1. Logo n > n0 implica: 2 |(xn + yn ) − (a + b)| = |(xn − a) + (yn − b)| ≤ |xn − a| + |yn − b| < 2 + 2 = . Com efeito. temos limn (xn yn − ab) = limn [xn (yn − b)] + limn [(xn − a)b] = 0. Armamos que a = limn xn . Para parte 2. Logo. limn (xn /yn ) = a/b se b = 0 e yn = 0. n2 }. 1 sen(nx) · n .1. . Ora.1. . temos limn senn = 0. . temos xn yn −ab = xn yn −xn b+xn b−ab = xn (yn −b)+(xn −a)b. Tomemos a = sup{xn : n = 1. Assim. . Como a sequência é não-decrescente. . limn xn = a.1. dado > 0 existem n1 e n2 em I N tais que n > n1 ⇒ |xn − a| < e n > n2 ⇒ |yn − b| < 2 . limn (xn − yn ) = a − b. pelo Teorema 1.1.2 Propriedades Aritméticas dos Limites Estudaremos agora como se comportam os limites de sequências relativamente às operações aritméticas e às desigualdades.23: Se limn xn = a e limn yn = b. n > n0 ⇒ n > n1 e n > n2 . então limn xn · yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n ∈ I N . (xn ) pelo Teorema 1.1. ≤ xn ≤ . Então. seja (x1 ≤ x2 ≤ . Como xn ≤ a para todo n (pela denição de supremo). Seja n0 = max{n1 . o número a − não é cota superior do conjunto dos xn . limn (xn + yn ) = a + b. Por motivo semelhante. (mesmo que não exista limn yn ). Isto prova que limn (xn + yn ) = a + b. O caso da diferença xn − yn se trata do mesmo modo. vemos que n > n0 ⇒ a − < xn < a + . Teorema 1.

seja xn = 0 e yn = 1/n para todo n ∈ I N .1. deve-se tomar cuidado de não tentar aplicar o teorema para certas somas (ou produtos) em que o número 1 1 +. limn (bxn − ayn ) = ab − ab = 0.1. yn b → b2 . por hipótese existem 2 n1 e n2 tais que n > n1 ⇒ xn ∈ (a − .1. Temos que limn xn = limn yn = 0. para todo n > n0 .28 : Se limn xn = a e g : I R → I R é uma função contínua em a. não é verdade que se xn < yn para todo n ∈ I N .+ n de parcelas é variável e cresce acima de qualquer limite. yn é um número positivo b 2 1 inferior a b2 . limn xn = a. + 0 = 0. Por exemplo. a sequência ( yn b ) é limitada. . limn zn = a. limn sn = 1. notemos que. seja sn = n 1 (n parcelas). Então.CAPÍTULO 1. n2 }. limn xn = a.26: O resultado análogo ao do Teorema 1. a + ) e n > n2 ⇒ yn ∈ (b − . Então. segue-se do Teorema 1.. Ou seja. então limn g (xn ) = g (a). . b + ).1. se limn xn = a. e Teorema 1.25: Sejam xn ≤ yn para todo n ∈ I N . e limn zn = c. como pela parte 2. cada parcela n tem limite zero. Observação 1. yn b yn b yn b Como pelas partes 1 e 2. 2 Prova: Suponha por contradição que a > b. . e limn yn = b. b = a− . . Teorema 1.21 que n n limn ( x −a ) = 0 e. Uma aplicação descuidada do Teorema 1. Portanto. existe δ > 0. xn a bxn − ayn 1 − = = (bxn − ayn ) . limn zn = a. existem n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . Autor: Leandro Chaves Rêgo .1. Logo. então Prova: Dado > 0. a + ) e n > n2 ⇒ yn ∈ (a− . então a ≤ b. Contudo. + lim 1/n = 0 + .24: É claro que resultados análogos aos ítens 1 e 2.1. yn b yn b valem para qualquer número nito de sequências. Segue-se que.1. Recorde que uma função f : I R→I R é contínua em a ∈ I R se para todo > 0. limn x =a .25 para desigualdades estritas não é válido.27: Sejam xn ≤ zn ≤ yn para todo n ∈ I N . portanto. sn = 1 e. do Teorema 1. n2 }. Seja limn yn = b.23 levaria ao absurdo de concluir que Observação 1. a+ ). vemos que n > n0 implica a− < xn ≤ zn ≤ yn < a+ . absurdo. Como temos que. Por exemplo. vemos que n > n0 implica yn < b + = a+ = a − < xn . tal que |x − a| < δ ⇒ |f (x) − f (a)| < . existe n0 tal que n > n0 ⇒ 2 2 1 yn b > b2 (basta tomar = b2 ). portanto. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 7 Para parte 3.. então a < b. Se limn xn = limn yn = a. Vamos a seguir provar que limites são preservados a aplicações de funções contínuas. Por exemplo.23 lim sn = lim 1/n + . n n n Teorema 1. Por outro lado. Pondo n0 = max{n1 . limn yn = b. então limn (xn + yn + zn ) = a + b + c e limn (xn yn zn ) = abc.1.1. Pondo b n0 = max{n1 .

existe uma subsequência (xni ) tal que limi xni = a. ≤ bn ≤ . denindo an = inf Xn e bn = sup Xn . . . a + ). Como an ≤ bn . Seja (xn ) uma sequência limitada de números reais.) tem 0 como seu único valor de aderência. Mostraremos que o conjunto de valores de aderência de (xn ) não é vazio. temos que |g (xn ) − g (a)| < . . . Exemplo 1. a + i+1 ). a sequência (xn ) não possui valores de aderência.1. a + ). toda vizinhança de a contem innitos termos de (xn ). ⊃ Xn ⊃ . . a + 1). e somente se. a + i+1 ). e construímos a desejada subsequência. e que a sequência converge se. . . . Por outro lado. temos que existe n0 tal que n > n0 ⇒ |xn − a| < δ .29: Um número real a chama-se valor de aderência de uma sequência (xn ) quando a é limite de alguma subsequência de (xn ). 0. existe ni > n0 tal que i > i0 e.}. Por suposição.1. 1 1 . e somente se. arbitrário. Logo. existe ni0 . a + ).30: Se limn xn = a. Ou seja. então a é o único valor de aderência de (xn ). Seja xn = n. . 0.1. que entre eles existe um que é o menor de todos e outro que é o maior. temos que an → a e bn → b. dado qualquer n0 . suponha que para todo > 0 e todo n0 ∈ I N exista n ∈ I N tal que n > n0 e xn ∈ (a − . portanto. temos α ≤ a1 ≤ a2 ≤ . Teorema 1. vamos construir uma subsequência tal que xni ∈ (a − 1/i. Escrevamos Xn = {xn . O próximo teorema mostra que um número real a é valor de aderência de uma sequência (xn ) se. a + ). lim sup Denição 1. .31: a é valor de aderência de (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 ). . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 8 > 0. limn g (xn ) = g (a).1. e somente se. Vamos construir uma subsequência (xni ) tal que limi xni = a. a + 1/i). . Por suposição. Suponha que α ≤ xn ≤ β para todo n ∈ I N . lim inf . a + 1/i). . temos que a é limite desta subsequência (xni ) e. 1. para todo n0 ∈ I N existir n ∈ I N tal que n > n0 e xn ∈ (a − . consequentemente. . Então. tal que i > i0 ⇒ xni ∈ (a − . como (xni ) contém innitos termos de (xn ). como xn → a. existe δ > 0 tal que |x − a| < δ ⇒ |g (x) − g (a)| < . Então. 0. > 0 e todo Prova: Suponha que a é um valor de aderência de (xn ). Suponha que exista ni > ni−1 tal que xni ∈ (a − 1/i. .CAPÍTULO 1. ou seja. . A sequência (0. Então. . Prova: Escolha 1. embora não seja convergente.) tem como valores de aderência 0 e 1. possui apenas um valor de aderência. 0. Temos [α. . Portanto. xn+1 . β ] ⊃ X2 ⊃ . mais especicamente. Reciprocamente. .3 Valores de aderência. Como g é contínua em a. para todo > 0. tem-se lim inf xn ≤ lim sup xn . 3. vamos denir os demais termos da subsequência por indução. existe n1 tal que xn1 ∈ (a − 1. existe um n > n0 tal que xn ∈ (a − i+1 . ≤ an ≤ . xni ∈ (a − . 2. ≤ b2 ≤ b1 ≤ β Como toda sequência monotônica e limitada é convergente. para queremos provar que existe ni+1 > ni tal que xni+1 ∈ (a − i+1 1 1 1 = i+1 e n0 = ni . A sequência (0. Autor: Leandro Chaves Rêgo . 1. para n > n0 . 1. Chamemos este n de ni+1 . valor de aderência de (xn ).

Ora. exige-se que seus termos xm . esta subsequência possui valores de aderência que são valores de aderência de (xn ) e estão fora do intervalo (a − .1. c + ) não contém termo xn algum com n ≥ n0 . Teorema 1.33: Seja (xn ) uma sequência limitada. logo o intervalo (c − . uma contradição.34: Uma sequência limitada de números reais (xn ) é convergente se. que nos dá uma condição necessária e suciente para a convergência de números reais. Isto nos permite concluir que uma sequência possui limite mesmo sem conhecermos o valor deste limite. existe > 0. como a = limn an .32 : Sejam x2n−1 = − n e x2n = 1 + n . e somente se. Como a = limn an . a + ). isto é. a + ). vemos que c + = an0 . Se lim inf xn = lim supn xn = a. se aproximem e permaneçam arbitrariamente próximos uns dos outros. então suponha que xn não convirja para a. mente se. a + ). Para isto. A m de que (xn ) seja uma sequência de Cauchy.1.35: Uma sequência (xn ) de números reais é uma sequência de Cauchy quando dado qualquer > 0. segue-se de c < a que existe n0 ∈ I N tal que c < an0 ≤ a. 1.1. 1 1 Exemplo 1. Isto nos dá n > n0 com a − < xn < a + .1. Corolário 1.1. Isto exclui a possibilidade de c ser valor de aderência de (xn ). Logo. Logo.33.1. xn . A demonstração para lim sup se faz de modo semelhante. para valores sucientemente grandes de índices n e m. existe n ≥ n1 tal que an1 ≤ xn < a + . Autor: Leandro Chaves Rêgo . segue-se da última igualdade que a + (sendo maior que an1 ) não é cota inferior de Xn1 . Denição 1. Compare com a denição de limite.31. Logo.4 Sequências de Cauchy Provamos anteriormente que toda sequência monótona limitada é convergente. e so- lim inf xn = lim supn xn = a. concluímos que n ≥ n0 ⇒ c < an0 ≤ 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 . Portanto. Aqui se impõe uma condição apenas sobre os termos da própria sequência. existe um n0 ∈ I N tal que n > n0 e m > n0 implica |xm − xn | < . Então. usaremos o Teorema 1. lim inf xn = lim supn xn . Como an0 = inf Xn0 .CAPÍTULO 1. Veremos agora o critério de Cauchy. tal que para todo n0 ∈ N existe n > n0 tal que xn ∈ / (a − . Prova: Se (xn ) convergir para a. a + ). então vimos que a é o único valor de aderência. possui um único valor de aderência. e mostraremos que dados > 0 e n0 ∈ I N arbitrários. Tomando = an0 − c. Mostremos agora que nenhum número c < a pode ser valor de aderência de (xn ). se. lim inf xn é o menor valor de Prova: Provaremos inicialmente que a = lim inf xn é valor de aderência de (xn ). existe n ∈ I N tal que n > n0 e xn ∈ (a − . lim inf xn = 0 e lim sup xn = 1 e estes são os dois únicos valores de aderência da sequência (xn ).1. Pelo Teorema 1. Então existe uma subsequência de (xn ) cujos termos não estão no intervalo (a − . onde se exige que os termos xn se aproximem e permaneçam arbitrariamente próximos de um número real a dado a priori. existe n1 > n0 tal que a − < an1 < a + . Verica-se sem diculdade que aderência e lim sup xn é o maior valor de aderência de (xn ). Como an1 = inf Xn1 .

. = 1. então limn xn = a. . Sejam α o menor e β o maior elemento do conjunto X = {x1 . Tomando Lema 1. . m. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 10 Teorema 1.2 Séries de Números Reais Nesta seção.37: Toda sequência de Cauchy de números reais é convergente. s2 = a1 + a2 . Intuitivamente: se limn xn = a então. + an . para valores grades de n. . xn0 +1 − 1.33. . n > n0 ⇒ |xm − xn | < 1. Prova: Seja limn xn = a. . Logo. n > n0 ⇒ |xn0 +1 − xn | < 1. β ] para todo n ∈ I N. a soma 1 n difere de 1 por menos de . . estenderemos a operação de adição de modo a atribuir signicado a uma igualdade do tipo 1 +1 + . e portanto necessariamente aproximam-se uns dos outros. xn ∈ [α. .38. Isto mostra que limn xn = a. 1. na qual o primeiro termo é uma soma com uma 2 4 innidade de parcelas. an . Pelo Lema 1. A partir dela.1. + 21 todo n > n0 . 2 4 nova sequência (sn ) cujos elementos são as somas Denição 1.1.1.39: Se uma sequência de Cauchy (xn ) possui um valor de aderência a ∈ I R. Portanto. xn0 +1 + 1}. Então.1. ou seja (xn ) é uma sequência de Cauchy. . Logo. . + 21 n + . . Então. n > n0 ⇒ |xm − xn | < 2 . . seja (xn ) uma sequência de Cauchy. . existe também n1 > n0 tal que |xn1 − a| < /2. n > n0 ⇒ xn ∈ (xn0 +1 − 1. xn0 .1. logo (xn ) é limitada. formamos uma s1 = a1 . Então. m > n0 ⇒ |xm − a| < /2.38: Toda sequência de Cauchy é limitada. Prova: Seja (xn ) uma sequência de Cauchy.1: Seja (an ) uma sequência de números reais. A parcela an é chamada o Autor: Leandro Chaves Rêgo . = 1. sn = a1 + . xn0 +1 + 1). Lema 1. Como a é valor de aderência de (xn ). n > n0 ⇒ |xm − xn | ≤ |xm − a| + |xn − a| < /2+ /2 = . Prova: Iremos provar este teorema utilizando dois Lemas. que são chamados de soma parcial ou reduzida da série n-ésimo termo ou o termo geral da série. 2 A armação contida naquela igualdade signica que para todo > 0 existe n0 tal que. + 21 reais. possui um valor de aderência e segue do Lema 1. Em particular para m = n0 + 1. como (xn ) é uma sequência de Cauchy. O que o primeiro membro da igualdade acima exprime é o limite limn ( 1 n ). ou seja. para +1 + . ela é limitada.36: Toda sequência convergente é de Cauchy. .CAPÍTULO 1.2. pelo Teorema 1. obtemos n0 ∈ I N tal que m. x2 . . Prova: Dado > 0. dado > 0 existe n0 tal que n > n0 ⇒ |xn − a| < /2 e Teorema 1.39 que (xn ) converge.1. É claro que não tem sentido somar uma sequência innita de números 1 +4 + . . . existe n0 ∈ I N tal que m. . os termos xn se aproximam de a. n > n0 ⇒ |xn − a| ≤ |xn − xn1 | + |xn1 − a| < .1.

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

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

. . Prova: As somas parciais das séries dadas sn = a1 + . Exemplo 1. contrariando a hipótese. 1 . convergente... pois como para todo x ∈ (0. = 1 + r−1 + r−1 2 4 2 4 1 1 2 = 1 + ( r−1 ) + ( r−1 ) + ... diminuindo os denominadores de seus termos. Para provar (ii). 1 nr é dominada pela série geométrica de razão q = ∞ 1 1 k=1 k sen k 1 2r−1 < 1. raciocinamos por absurdo: se bn convergisse. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 13 Teste de Comparação Teorema 1. bn converge ⇒ an diverge ⇒ an converge.12: A série senx < x. + bn são sequências não decrescentes. satisfazendo à desigualdade sn ≤ tn .11: Vamos provar que a série é convergente quando r > 1.2 2 donde se vê que a série dada é dominada pela série concluímos que a série original também é convergente. 0≤ Como gente. temos que para todo k ≥ 1: é convergente. 2n−1 consiste em compará-la Como esta é convergente. ou seja.. .10: Um modo de provar a convergência da série 1 1 1 1 = < = n−1 . 1 n! com a série geométrica de razão 1/2.2. tn converge para um certo limite t. portanto. pois 0 ≤ an ≤ bn . bn diverge. . então. + an e tn = b1 + . n! 2 · 3.n 2 · 2. r 2 3 4 5 6 7 1 1 1 1 1 1 ≤ 1 + ( r + r) + ( r + r + r + r) + . Então. . 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + . π/2).. pela parte (i).CAPÍTULO 1. segue do critério da comparação que é conver- Autor: Leandro Chaves Rêgo . sn é uma sequência monótona limitada e.2.. No caso (i). Para isso. . .2.9: Sejam (i) (ii) an e bn duas séries de termos não negativos. an também teria de convergir. majoramos as somas parciais da série. an ≤ bn para todo n ∈ I N . 2 2 1+( Isto nos mostra que convergente. então sn ≤ t para todo n. de acordo com o seguinte esquema: 1 nr 1 1 1 1 1 1 + r) + ( r + r + r + r) + . .. que é Exemplo 1.2. Suponhamos ainda que a primeira seja dominada pela segunda. k k k k ∞ 1 1 k=1 k sen k é convergente. ∞ 1 k=1 k2 1 1 1 1 sen ≤ · . Observemos que Exemplo 1.

CAPÍTULO 1. seja > 0 tal que c = r + < 1. k 1 ≥ . a partir de certo índice n = N teremos r − < an+1 /an < r + . essa desigualdade nos dá aN +1 < aN c. existe um índice N sucientemente grande tal que. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 14 Exemplo 1. . a série é convergente. . dado = r − 1.2. para n ≥ N . esta série converge. se r > 1. r − < an+1 /an < r + = c. pelo critério da razão. 2 Exemplo 1. para todo k ≥ 1. a série converge se r < 1 e diverge se r > 1.15: A série ∞ k=0 k! é convergente ou divergente? Justique. e a série original diverge para ∞. Como c < 1 . então. então. temos k! k ak+1 = ak 2k+1 (k+1)! 2k k! = 2 . Fazendo n sucessivamente igual a N . a primeira desigualdade acima nos dá an+1 > an a partir de n = N . .2. Prova: Supondo r < 1. Como an+1 /an → r. . em geral. N + 2. aN +2 < aN +1 c < aN c2 . . Como r − = 1.2. logo o mesmo ocorre com a série original. Então. N + 1. resulta que ∞ k k=0 k2 +2k+1 = ∞ e. Autor: Leandro Chaves Rêgo . pelo n=1 teste de comparação. a série é divergente. ≤ 4 e. portanto. 1 k2 k2 + k 1 1 = · 2 + 2k + 1 k 1+ k + . de modo que a série ∞ n=N +1 an é dominada pela série geométrica n aN ∞ c . Portanto. aN < aN +1 < aN +2 < . k+1 ∞ 2k k=0 k! Segue que limk ak+1 /ak = 0. Teste da Razão Teorema 1.13: A série Solução: Para todo k ≥ 1.14: Seja an uma série de termos positivos tal que an+1 /an converge para um certo limite r. 1 + 2 k 1 k2 ∞ k k=0 k2 +2k+1 é convergente ou divergente? Justique. portanto. k 2 + 2k + 1 4k Como ∞ 1 k=1 4k = ∞. k Solução: Como ak = 2 . . Ao contrário. aN +n < aN cn .

. basta notar que pn e qn são somas parciais de séries de termos não negativos. a série ∞ k=0 ak será divergente. a série é divergente pelo critério do termo geral. + an = pn − qn .2.2. Pelo critério do termo geral. existirá um natural p tal que k ≥ p ⇒ |k > 1. ak | |ak | > |ap |.2. digamos. com ak = 0 para todo natural k . Teorema 1. se a série an converge absolutamente. n n nx n Segue do critério da razão.. para T . + |an | = pn + qn e Sn = a1 + a2 + . da série independe da ordem em que se consideram os termos. lim | n n+1 (n + 1)xn+1 | = |x| lim = |x |. Então. as somas parciais das séries |an | e an são dadas por Tn = |a1 | + |a2 | + . Suponhamos que +1 limk | ak | = r .2 Convergência Absoluta Denição 1.2. por hipótese. . |a +1 | Se r > 1. a série ∞ k=0 ak . As sequências (Tn ). 1 4 − 1 9 + . r ≤ n. onde. logo pn e qn também convergem. em ambos os casos.20: Determine x para que a série ∞ n=1 nx seja convergente. n Exemplo 1. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 15 1. a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos termos ar negativos.19: Seja a série Prova: Se r < 1. limk |ak | não poderá ser zero e o mesmo acontecerá. a primeira delas converge. então. Solução: Para x = 0 a soma da série é zero. Então. Como ap = 0.18 : A série −1 + absolutamente convergente.CAPÍTULO 1. Então.2. convergente. Exemplo 1. Além disso. já que ela é Teste da Razão Para Séries de Termos Quaisquer Teorema 1. a série converge se r < 1 e diverge se r > 1. respectivamente. Suponhamos então que x = 0 e apliquemos o critério da razão. (pn ) e (qn ) são não decrescentes.16: Diz-se que uma série convergente. cujas somas independem da ordem em que se considerem seus termos. . Para |x| = 1. ou é absolutamente |an | é convergente. digamos para p e q . Para demonstrar a segunda parte do teorema.2. Ao mesmo tempo. respectivamente. para todo k > p. logo convergente. Autor: Leandro Chaves Rêgo .17: Toda série absolutamente convergente é convergente. com limk ak . Concluímos que (Sn ) também converge: Sn = pn − qn → p − q . logo ∞ k=0 ∞ k=0 ak será. também. ak |ak | será convergente pelo teste da razão. que a série é convergente para |x| < 1 e divergente para |x| > 1. pn ≤ Tn ≤ T e qn ≤ Tn ≤ T . . . = ∞ (−1)n n=1 n2 é convergente.

que a série é convergente para todo |x| < e e divergente para |x | > e .2. 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 = ∞. pois ambos quocientes. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS n 16 x Exemplo 1. que a série é convergente para todo x real.2. sen e Por exemplo.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 . dizemos que f é de ordem pequena em relação a g . para x → x0 e escrevemos 2 f (x) = O(g (x)). o termo geral da série diverge. 1 x 1 ) = o( x ) para x → 0. Se |x| = e. lim | n n!xn+1 1 | = | x | lim = 0.CAPÍTULO 1. ! √ = 1. n +1 n n +1 n (n + 1) n n+1 n!(n + 1) x e Segue do critério da razão. x → x0 . x → x0 . lim | n (n + 1)!nn xn+1 (n + 1)nn n n |x | | = | x | lim = |x| lim( ) = .2. (x)| isto é. g (x)| dizemos que f é de ordem grande em relação a g . Suponhamos então que n x = 0 e apliquemos o critério da razão. para x → x0 e escrevemos f (x) = o(g (x)). Autor: Leandro Chaves Rêgo . 1. Suponhamos então que x = 0 e apliquemos o critério da razão. logo convergente. logo a série diverge. sen2 x = o(x) e cos( x x cos(1/x) tendem a zero com x → 0. logo convergente. n n+1 (n + 1)!xn Segue do critério da razão. quando existem números positivos δ e M tal que se |x − x0 | < δ .21: Determine x para que a série ∞ n=1 n! seja convergente. n!x Exemplo 1. Solução: Para x = 0 a soma da série é zero. n→∞ n→∞ n! √ √ n ) 2πn en ( n e lim n n 2πn n→∞ Portanto. Solução: Para x = 0 a soma da série é zero. utilizando a aproximação de Stirling.22: Determine x para que a série ∞ n=1 nn seja convergente. 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhança de x0 . então ||f ≤ M.

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

ou seja. Este é chamado de polinômio de Taylor de ordem n da função f em torno de x = 0. (n + 1)! Prova: Começaremos enunciando e provando o seguinte Lema. n +1 n +1 x x (n + 1)cn onde c está entre 0 e x.1: Seja f uma função derivável até a ordem n + 1. Sua importância reside no teorema que enunciamos e provamos a seguir. H (c) = 0. derivável em (a. temos que n 18 pn (x) = r=0 f (r) (0) r x. e H (a) = H (b) = 0. n +1 n x (n + 1)c (n + 1)nc1 Autor: Leandro Chaves Rêgo . b). Portanto. b]. r! onde f (0) (x) = f (x). b]. então existe c ∈ (a. 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)). b = c e a = 0. G(x) = xn+1 . H é contínua em [a. contínuas em [a.CAPÍTULO 1. Então. Então aplicando o Lema notando que f (0) = pn (0). REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Então.3. b). Seja F (x) = f (x) − pn (x). temos (note que f (0) − pn (0) = 0) Rn (x) f (c) − pn (c) f (c1 ) − pn (c1 ) = = n−1 . f (n+1) (cn )xn+1 . Aplicando novamente o Lema com F (x) = f (x) − pn (x). Teorema 1. Lema 1. o resultado está provado. conhecido como Teorema do Valor Médio Generalizado. com G(a) = G(b) e G (x) = 0 para x ∈ (a. G(x) = (n + 1)xn . b). existe c tal que (F (b) − F (a)G (c) − (G(b) − G(a))F (c) = 0. e b = x. a = 0.3. 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. Então. b) tal que H (b) − H (a) = 0 = H (c)(b − a).2: Se F e G são funções deriváveis num intervalo (a. Como G(b) = G(a). Usaremos repetidamente o Teorema do Valor Médio Generalizado para provar o teorema. obtemos f (x) − pn (x) f (c) − pn (c) Rn (x) = = . Logo pelo Teorema do Valor Médio existe c ∈ (a. numa vizinhança V de x = 0.

0 ≤ r ≤ n + 1. para 0 ≤ r ≤ n e o fato que pn (y ) = 0 para todo y real. Além disso. g terá n + 1 derivadas em |h| < δ . expansão ou desenvolvimento de Taylor de ordem n da função f em torno de x = 0. h se aproxima de 0.3. Dessa maneira a variável x se aproxima de a se. A fórmula n f (x) = r=0 f (r) (0) r x + Rn (x) r! é chamada de série. então Rn (x) = O((x − a)n+1 ) ou Rn (x) = o((x − a)n ) com x → a.CAPÍTULO 1. Portanto. ou desenvolvimento de Taylor de ordem n da f (r) (a) função f em torno do ponto x = a. r! (n + 1)! onde c = a + c é um número entre a e x. e n (x − a)r é chamado de polinômio de Taylor r=0 r! de ordem n de f em torno de x = a. 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 . temos que sua série de Taylor é dada por: ∞ r=0 f (r) (a) (x − a)r . introduzindo-se a variável h = x − a e a função g (h) = f (a + h) = f (x). Exemplo 1. e somente se. g (r) (h) = f (r) (a + h) = f (r) (x). Podemos generalizar este resultado e obter a série de Taylor de uma função em torno de um outro ponto qualquer x = a. Esta fórmula é chamada de série. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS (r ) 19 onde c1 está entre 0 e c. isto é. Continuando desta maneira. Então. Este problema se reduz facilmente ao problema tratado anteriormente. digamos |x − a| < δ . Desse modo se uma função f possui derivada de ordem n numa vizinhança de x = a para todo natural n. expansão. Autor: Leandro Chaves Rêgo . onde a não é necessariamente igual a zero. |f n+1 (x)| ≤ K . levando sempre em conta que fn (0) = (r ) (n+1) pn (0). para |x − a| ≤ δ . obtemos Rn (x) f (n+1) (cn ) = . 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 . xn+1 (n + 1)! onde cn está entre 0 e x. em torno de x = 0. Suponha que f seja derivável até ordem n + 1 numa vizinhança de x = a. r! x > −1. do mesmo modo que c é um número entre 0 e h. Se a função f (n+1) for limitada por uma constante K numa vizinhança de x = a.3: Vamos obter a série de Taylor de ordem n da função f (x) = ln(1 + x).

Portanto. Note que para qualquer dr eix = ir eix . = r se r for par. Solução: Note que f (2) = 1/2. (−1) 2 cos(x) dxr dr sen(x) = dxr (−1) 2 cos(x) se r for ímpar. (2r + 1)! sen(x) = r=0 Logo. r +1 n +2 2 c r=0 onde c é um número entre 2 e x. f (x) = 2x−3 . 2r ! (2r + 1)! r=0 ∞ cos(x) = r=0 ∞ (−1)r 2r x . 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 . temos −1. f (r) (0) = (−1)r−1 (r − 1)!. f (x) = −x2 . r (n + 1) onde c está entre 0 e x. 1 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) . torno do ponto a = 2. 2r ! (−1)r 2r+1 x .5: Fórmula de Euler.3. em Exemplo 1.3. r dx r +1 dr cos(x) (−1) 2 sen(x) se r for ímpar. e que em geral temos: (r ) −1)r f (r) (x) = (−1)r r!x−r−1 . Autor: Leandro Chaves Rêgo .CAPÍTULO 1. e que em geral temos: f (r) (x) = (−1)r−1 (r − 1)!(1 + x) . Neste exemplo usaremos √ séries de Taylor para demonstrar a fórmula de Euler: eix = cos(x) + i sen(x). 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 . onde i = inteiro r. Portanto. r −1 Então. r (−1) 2 sen(x) se r for par. f (x) = −1(1 + x)−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. x > 0.4: Vamos obter a série de Taylor de ordem n da função f (x) = x . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 20 (1 + x)−1 . f r!(2) = (2 r +1 . podemos concluir que eix = cos(x) + i sen(x).

1 Seqüência de Eventos A denição de conceitos de convergência de variáveis aleatórias depende de manipulações de seqüências de eventos. lim inf An ⊆ lim sup An Este fato é uma simples conseqüência do Teorema 2. ω ∈ ∪∞ k=n Ak .2: Seja (An ) uma seqüência de eventos de Ω.1.2. 1) Teorema 2. ω ∈ lim sup An . e somente se. ou seja. Logo. pois se ω ∈ lim inf An . ω ∈ / Ak para um número nito de índices k . n+1 ) = [0. 1. Seja An ⊆ Ω. se. temos que isto é equivalente a existência de um número innito de índices k tais que ω ∈ Ak . . dene-se: k≥n ∞ inf Ak = ∩∞ k=n Ak . A prova da parte (b) é similar. n+1 ) = lim sup[0. e somente se. A seguir descreveremos algumas propriedades do lim inf e lim sup de uma seqüência de eventos. para todo n. (b) ω ∈ lim inf An se. note que ω ∈ lim sup An . para todo n existe n ≥ n tal que ω ∈ An . ω não pertence apenas a um número nito de eventos Ak 's.1: lim inf[0. 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 .Capítulo 2 Convergência Estocástica 2. (a) ω ∈ lim sup An se. n n Exemplo 2.1. Como isto é válido para todo n.1. e conseqüentemente pertence a um número innito deles. 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 . e somente se. 21 Prova: Para parte (a). então B é chamado de limite de (Bn ) e nós escrevemos limn Bn = B ou Bn → B . e somente se. se. ω ∈ Ak para um número innito de índices k .

1 1 2. segue que: lim inf Bn = lim(inf Bk ). não-crescente) se A1 ⊆ A2 ⊆ . Como ∞ lim inf An = ∪∞ n=1 (∩k≥n Ak ) = ∪n=1 An . limn ( n+1 .. limn [0. Autor: Leandro Chaves Rêgo . 1 − n ] = ∪∞ n=1 [0. Denotaremos por An ↑ (resp. CONVERGÊNCIA ESTOCÁSTICA 2. . se limn An = A. Logo. ou seja. Mostre que: c 1. Prova: Para provar (1). 2. A prova de (2) é similar. B eventos em Ω. Se An ↓. então limn Ac n = A . 22 Seqüências Monotônicas Uma seqüência de eventos (An ) é monotônica não-decrescente (resp. An ↓) uma seqüência não-decrescente (resp. como para qualquer seqüência Bn . limn [0. Bn . Conseqüentemente. Se An ↑. 1]. A.CAPÍTULO 2. .3: Suponha que (An ) é uma seqüência monotônica de eventos. temos ∩k≥n Ak = An . (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 ). Teorema 2. Exemplo 2. c c c c c Solução: lim inf Ac n = (lim sup An ) = A e lim sup An = (lim inf An ) = A . . temos.1. (resp. e portanto. 1 + n ) = [0.5: Sejam An . lim sup Bn = lim(sup Bk ) n k ≥n n k ≥n Aj ⊆ Aj +1 . 1. então limn An = ∪∞ n=1 An . 1 + n ) = ∩∞ n=1 [0. ∞ lim sup An = ∩∞ n=1 (∪k≥n Ak ) ⊆ ∪k=1 Ak = lim inf An ⊆ lim sup An .1. não-crescente) de eventos. precisamos mostrar que lim inf An = lim sup An = ∪∞ n=1 An . temos inf k≥n Bk ↑ e supk≥n Bk ↓. Então. Por outro lado. .). temos igualdade acima. 1). n−1 ) = {1}..4: 1 1 1. n− ) = ∩∞ n=1 ( n+1 . então limn An = ∩∞ n=1 An . n n n n 3. 1 − n ] = [0.1. lim sup An = ∪∞ k=1 Ak . 1 Exemplo 2. A1 ⊇ A2 ⊇ .

ω não pertence a um número nito de Ak ∪ Bk 's. que trata da probabilidade da ocorrência de um número innito de eventos. Solução: Vamos construir um contra-exemplo: Suponha que A ∩ B = ∅. A ∪ B = lim inf(An ∪ Bn ) = ∅ = lim inf An ∪ lim inf Bn . An ∪ Bn → A ∪ B . 23 temos que ω ∈ Ak para innitos índices k . então An ∪ Bn → A ∪ B e An ∩ Bn → A ∩ B . 4. ω ∈ (Ak ∪ Bk ) para innitos índices k . An ∈ A. Reciprocamente.1. então ω ∈ lim inf An ou ω ∈ lim inf Bn . . conhecido como Lema de BorelCantelli. eventos aleatórios em (Ω. então P (An innitas vezes ) = 0.6: Sejam A1 . então P (An innitas vezes ) = 1. Portanto. A2 . Portanto. Logo.CAPÍTULO 2. então ω ∈ (Ak ∪ Bk ) para innitos índices k . 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 . temos lim inf An ∪ Bn ⊆ lim sup An ∪ Bn = A ∪ B. temos que lim sup An ∪ Bn = lim sup An ∪ lim sup Bn = A ∪ B. se ω ∈ lim sup An ∪lim sup Bn . se An → A e Bn → B . Logo.1. Suponha que ω ∈ A ∪ B . é fácil ver que lim inf(An ∪ Bn ) = A ∪ B . ou seja. ω ∈ lim sup(An ∪ Bn ). ω não pertence a um número nito de Ak 's. Logo. ou seja. Não é verdade que lim inf(An ∪ Bn ) = lim inf An ∪ lim inf Bn . 3. . ω ∈ lim inf An ∪ Bn . então ω ∈ lim sup An ou ω ∈ lim sup Bn . ou ω não pertence a um número nito de Bk 's. 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 . A. Então. e An = B e Bn = A para n ímpar. ou seja. P ). ou ω ∈ Bk para innitos índices k . temos que ω ∈ Ak para innitos índices k . e Bn = B = ∅ para n par. Resta-nos provar que A ∪ B ⊆ lim inf An ∪ Bn . An = A = ∅ Solução: Pela parte (2). lim sup(An ∪ Bn ) = lim sup An ∪ lim sup Bn . Utilizando os ítens anteriores e a Lei de De Morgan. P (An ) = ∞ e os eventos An 's são independentes. ω ∈ lim sup An ∪ lim sup Bn . Solução: Se ω ∈ lim sup(An ∪ Bn ). Também é fácil ver que lim inf An = lim inf Bn = A ∩ B = ∅. . ou ω ∈ Bk para innitos índices k . Como An ∪ Bn = A ∪ B para todo n. CONVERGÊNCIA ESTOCÁSTICA 2. ou seja. Autor: Leandro Chaves Rêgo . (a) Se (b) Se ∞ n=1 ∞ n=1 P (An ) < ∞. Então. ∀n. 2. e pela propriedade (1) de lim inf e lim sup. temos ω ∈ lim sup An ou ω ∈ lim sup Bn .1 Borel-Canteli A seguir vamos enunciar e provar um importante Lema. Portanto. Lema 2.

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

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

1 temos |Yn (w) − Y (w)| < k . então Xn (w) → 0 cp1. para todo k ∈ I N. existir N tal que para todo n ≥ N . ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < 1 }) = 1. . Seja Xn (w) = Z n (w). . . note que o conjunto de exceção é D = {w ∈ Ω : |Z (w)| ≥ 1} e que P (D) = 0. Convergência Quase Certa Denição 2. . temos que ∞ lim sup An.CAPÍTULO 2. Então para cada k xo. e somente se. temos que limn Yn (w) = Y (w) se. Y2 .k = ∪∞ N =1 ∩n=N An. D é chamado de conjunto de exceção. converge quase certamente (ou com probabilidade 1) para a variável aleatória Y se n→∞ P ({w : lim Yn (w) = Y (w)}) = 1.2.2. k 1 }) = 0. . n Autor: Leandro Chaves Rêgo . e depois provaremos algumas relações entre os vários tipos de convergência.1 Tipos de Convergência Vamos a seguir descrever vários tipos de convergência estocástica. para todo k ∈ I N . . . Y1 .2: Considere uma variável aleatória Z tal que P ({w : 0 ≤ |Z (w)| < 1}) = 1. A. e somente se. Notação: Yn → Y cp1. Exemplo 2. e somente se. n Logo.k ) = 0. P ). CONVERGÊNCIA ESTOCÁSTICA 26 2. Y2 .2. Portanto: ∞ ∞ {w : lim Yn (w) = Y (w)} = {w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < n 1 }. Yn → Y cp1 se. para um dado w ∈ Ω xo. Sejam Y. .k . apenas o que se sabe é que a probabilidade do evento D = {w : Yn (w) Y (w)} é nula. Yn → Y cp1 se. . observando que. Então se uma seqüência de variáveis aleatórias Y1 . Podemos obter uma denição alternativa para convergência quase-certa. k Isto é equivalente a: ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| ≥ 1 Dena An. pela denição de limite de sequências de números reais. Yn (w) → Y (w). Y2 .k = {w : |Yn (w) − Y (w)| ≥ k }. ilustrando com exemplos cada tipo de convergência.1: A seqüência de variáveis aleatórias Y1 . converge quase certamente para Y não signica que para todo w ∈ Ω. variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω. k Então. P (lim sup An.

. Então. Yn → ∞ cp1. log n 1 Logo. X2 . Dessa forma. CONVERGÊNCIA ESTOCÁSTICA 27 distribuição de probabilidade dada por: Exemplo 2. n pois F k (M ) tende a zero. . em que limn Yn (w) é nito. Convergência na r-ésima Média Denição 2. . 2. 2. Considere {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. Inicialmente. .) ≤ P (Yn ≤ M : n = 1. 2. Y2 . portanto com probabilidade 1. . . com função de distribuição F. . Se r = 2 este tipo de convergência é freqüentemente chamado de convergência em média quadrática. log n log n tal que 0 < < 1. . Xk ≤ M ) k = n=1 P (Xn ≤ M ) = F k (M ). . . as variáveis Yn formam uma seqüência nãodecrescente de números reais. Notação: Yn →r Y . . Fazendo k → ∞. Dena Yn = max(X1 . onde r > 0.) = 0. P (lim Yn ≤ M ) = P (Yn ≤ M : n = 1.d. . Autor: Leandro Chaves Rêgo . . . . . tem probabilidade zero e. portanto. . X2 ≤ M. . Xn 0.5: A seqüência de variáveis aleatórias Y1 . Xn ). . k ) = P (Yk ≤ M ) = P (max(X1 .2. para a variável aleatória Y se n→∞ lim E |Yn − Y |r = 0. o conjunto dos w ∈ Ω.3: Seja {Xn }n≥3 uma seqüência de variáveis aleatórias independentes com P (Xn = 0) = 1 − Mostre que Xn 0 cp1. Vamos vericar que Yn → ∞ cp1.2. . Seja M um número real. ∀k ≥ 1. n P (|Xn | > ) = n log n = ∞. Suponha que F (x) < 1. temos Exemplo 2. ∀n ≥ 3. .2. Solução: Para qualquer 1 1 e P (Xn = n) = . converge na r-ésima Média.CAPÍTULO 2. temos que para todo M nito. X2 .4 : P (Yn ≤ M : n = 1. o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1. . quando k → ∞. para todo x < ∞. Xk ) ≤ M ) = P (X1 ≤ M. .i. observe que para cada ω ∈ Ω. temos que P (|Xn | > ) = P (Xn = n) = 1 . .

8: A seqüência de variáveis aleatórias Y1 . n ∞ 2 1 )+1= . X1 . Solução: Temos que E |Xn |r = nr P (Xn = n) = Logo. .2. COV (X.2. converge em probabilidade para a variável aleatória Y se ∀ > 0 n→∞ lim P ({w : |Yn (w) − Y (w)| > }) = 0.9: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2. ∀ > 0.2. . Mostre que Xn r 0.2. n n 1 − x2 √ e 2 dx.2. Xn →P 0. 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. n+1 então Xn →2 Z se EZ 2 < ∞. Notação: Yn →P Y . . Y2 . Exemplo 2. Mas EY = E (Xn − X ) = EXn − EX = 0 e COV (X. log n 0. Como P (Xn = n) = lim P (|Xn | > ) = 0. .CAPÍTULO 2. temos que ∀ > 0. todas com média 0 e matriz de covariância parcialmente descrita por 1 . Exemplo 2. CONVERGÊNCIA ESTOCÁSTICA 28 Exemplo 2. . Convergência em Probabilidade Denição 2. para todo r > 0. Portanto. Precisamos determinar então sua média e sua variância.10: Considere X. P (|Xn | > ) = P (Xn = n) e 1 log n → 0.2. X ) = COV (Xn . P (|Xn | > ) ≤ P (Xn = n). Portanto. Mostre que Xn →P 0. Xn →P X . limn→∞ P (|Xn − X | > ) = 0. como Yn é uma combinação linear de variáveis aleatórias com distribuição normal. Xn ) = 1 − 2 V arY = EY 2 = E (Xn − X )2 = EXn − 2EXn X + EX 2 = 1 − 2(1 − 2 ). Pode-se provar que se Xn →r X . n Seja Yn = Xn − X . ou seja. Yn ∼ N (0. Xn ) = 1.3. Autor: Leandro Chaves Rêgo . . então Xn →s X para s < r. X1 . X2 . Solução: Temos que para 0 < < 1. √n 2 π 2 ∞ P (|Xn − X | > ) = P (|Yn | > ) = 2P (Yn > ) = 2 √ n ny2 √ e− 4 dy = 2 4π Logo. . variáveis aleatórias tais que Xn = n Z..3. para ≥ 1. onde as varáveis aleatórias têm distribuição normal conjunta. Exemplo 2. ela também possui distribuição normal. . Xn r nr → ∞. . mas não em caso contrário. X2 .6: Sejam Z.2. Então.7: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2.

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

então Sn converge em distribuição para qualquer variável aleatória com distribuição N (0.CAPÍTULO 2. não teríamos convergência em distribuição. note que para x = 0.2. variáveis aleatórias tais que P (X = 0) = 1 e P (Xn = 1/n) = 1.15 : Sejam X. . . X1 . X1 . não temos limn Fn (x) = F (x) para todo x ∈ I R. . X2 . não necessariamente sua função probabilidade de massa converge. Logo. . Exemplo 2. Prova: Fora do escopo deste curso. se 0 < x ≤ 1 F n ( x) =  1 . .14: Seja X. então Xn →D X . são variáveis aleatórias discretas com P (Xn = xi ) = pn (i) e P (X = xi ) = p(i). X2 . f1 . ∀x = 0. onde fn (x) → f (x) quando n → ∞ em quase todo lugar. O próximo exemplo mostra que se uma seqüência de variáveis aleatórias discretas converge em distribuição. Neste. não necessariamente sua função densidade de probabilidade converge. Entretanto. Autor: Leandro Chaves Rêgo . . FXn (x) → FX (x). . Então. Xn →D X . o Teorema Central do Limite arma que se V AR(Xi ) = σ 2 < ∞. 1. X2 . 3. ou seja. .. F2 . . onde  0 . temos limn Fn (x) = F (x) e. como o ponto 0 não é de continuidade de F . X1 . σ 2 ). O próximo exemplo mostra que se uma seqüência de variáveis aleatórias absolutamente contínuas converge em distribuição.2. Um exemplo mais complexo de convergência em distribuição pode ser visto na análise do limite de n 1 Sn = √ (Xi − EXi ). O próximo teorema estabelece duas condições sucientes para que uma seqüência de variáveis aleatórias convirja em distribuição. F1 . . X1 . Exemplo 2.. X2 . com função de distribuição acumuladas dadas respectivamente por F. concluímos que Xn →D X . . . . então Xn →D X . . e FX (x) = 0 caso contrário.16 : Considere uma seqüência de variáveis aleatórias X. p(0) = 1 = 0 = limn pn (0).2. Teorema 2. uma seqüência de variáveis aleatórias: (a) Se X. se x ≤ 0  sen 2nπx x(1 − 2nπx ) . . . . . .. F3 . . temos FX (x) = 1 se x ≥ 0. se x > 1. como limn Fn (0) = 0 = F (0) = 1. Porém. e FXn (x) = 1 se x ≥ 1/n e FXn (x) = 0 caso contrário. . CONVERGÊNCIA ESTOCÁSTICA 30 Portanto. Desse modo se houvesse a exigência de convergência em todos os pontos. . . n i=1 onde Xi 's são variáveis aleatórias independentes e identicamente distribuídas. (b) Se X. X1 . X2 . onde pn (i) → p(i) quando n → ∞ para todo i = 0. f3 . 2. são variáveis aleatórias absolutamente contínuas com densidades dadas respectivamente por f. . f2 .

Xn → X . ) ≥ N →∞ N →∞ lim P (Ac N. c D = C c = ∪ >0 D . CONVERGÊNCIA ESTOCÁSTICA e 31  . Contudo. Logo.2. = {w : |Xn (w) − X (w)| ≤ }. . tem-se que P (∩∞ N =1 ∪n≥N Bn ) = lim P (∪n≥N Bn ). se 0 < x ≤ 1 0 . f (x). e P (∪ >0 D ) = 0. então P (C ) = 1. pela Lei de De Morgan. onde D = ∩∞ N =1 ∪n≥N An. f (x) = É fácil ver que Fn (x) → F (x). 0 = P (D ) = lim P (∪n≥N Ac n. se 0 < x ≤ 1 F ( x) =  1 . pelo axioma da continuidade monotônica da probabilidade. fn (x) 2. P (D ) = 0. ∀x ∈ I R. N →∞ Então. Portanto. limN FN = ∩∞ N =1 ∪n≥N Bn . pela interpretação de convergência pontual.2. Teorema 2. considere a seguinte família de eventos An. Seja FN = ∪n≥N Bn . Então Fn e F são absolutamente contínuas com densidade dada por fn (x) = e 1 − cos 2nπx . Equivalentemente. convergência quase certa implica que ∀ > 0. Logo. se x ≤ 0  0 x . . caso contrário. P Autor: Leandro Chaves Rêgo . Se Xn → X cp1. N →∞ Portanto. ) = lim P (|XN (w) − X (w)| > ).CAPÍTULO 2. Portanto. caso contrário.2 Relação Entre os Tipos de Convergência A primeira relação que iremos provar é que convergência quase certa implica convergência em probabilidade. Note que FN ↓. Prova: Para provar que convergência quase certa implica em convergência em probabilidade. se 0 ≤ x ≤ 1 0 .17: Xn → X cp1 ⇒ Xn →P X . 1 . se x > 1. O próximo teorema prova que convergência na r-ésima média implica convergência em probabilidade. C = {w : Xn (w) → X (w)} = ∩ >0 ∪∞ N =1 ∩n≥N An.

e o comprimento dos intervalos ca cada vez menor tendendo a 0. que é igual ao comprimento de In . 2. . e considere a seqüência de intervalos denida por I2m +i = [ i i+1 .18: Xn →r X ⇒ Xn →P X . 2m − 1. . E (|Xn − X |r ) r ≥ P ({w : |Xn − X | > }). Portanto. Yn converge na r-ésima média para 0. e esta probabilidade. Então.2. e somente se. Esta seqüência também converge na r-ésima média para todo r > 0. . 1]. O próximo teorema estabelece mais uma relação entre convergência quase certa e convergência em probabilidade. . . .2. Prova: Primeiro note que |Xn −X |r r ≥ I{w:|Xn −X |> } . |Xn − X |r ) ≥ E (I{w:|Xn −X |> } ). Y2 . . Note que tem-se 2m intervalos de comprimento 2−m que cobrem todo o intervalo [0.20: Xn →P X se. Denamos Yn (w) = 1 se X (w) ∈ In . O próximo exemplo prova que nem convergência em probabilidade. . 1. P (|Yn | ≥ ) = P (Yn = 1) = P (X ∈ In ). Logo.CAPÍTULO 2. . pois para 0 < ≤ 1. converge para zero quando n → ∞. Autor: Leandro Chaves Rêgo . Logo. o que implica que Yn não converge quase certamente. 1]. Xn →P X .19: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. . toda subseqüência {Xnk } possui uma outra subseqüência {Xnk(i) } tal que Xnk(i) → X cp1 para i → ∞. Yn (w) não converge para todo w. Exemplo 2. Porém para todo w ∈ Ω. Teorema 2. tem-se que r E( ou seja. nem convergência na r-ésima média implicam convergência quase certa. CONVERGÊNCIA ESTOCÁSTICA 32 Teorema 2. visto que E (|Yn |r ) = P (Yn = 1) → 0 quando n → ∞. ]. ou seja. 2m 2m para m = 0. Yn (w) = 1 para um número innito de n's e Yn (w) = 0 para um número innito de n's. 0 se X (w) ∈ / In . para todo n→∞ lim P ({w : |Xn − X | > }) = 0. tem-se que limn→∞ E (|Xn − x|r ) = 0. >0 Se Xn →r X . A seqüência Y1 . e i = 0. converge em probabilidade para 0.2. 1.

temos que P (|Xnk(i) − X | ≥ i−1 ) < 2−i . CONVERGÊNCIA ESTOCÁSTICA 33 outra subseqüência {Xnk(i) } tal que j ≥ k (i) implica que P (|Xnj − X | ≥ i−1 ) < 2−i . Logo nenhuma subseqüência de {Xnk } pode convergir para X em probabilidade. ou seja. FXn (x) = P (Xn ≤ x) ≤ FX (x + ) + P (|Xn − X | > ). então dada qualquer subseqüência {Xnk }. 1]. pelo Lema de Borel-Cantelli. temos que ∀ > 0. suponha que Xn →P X e seja x um ponto de continuidade de FX . logo pelo Teorema 2.2. ∞ ∞ −i então = 1 < ∞. Logo. FX (x − ) − P (|Xn − X | > ) ≤ FXn (x) ≤ FX (x + ) + P (|Xn − X | > ). 1 0 se X (w) ∈ / (0. 1 n 1 → 0. existe um > 0 e uma subseqüência {Xnk } tal que P (|Xnk − X | > ) > . existe N tal que para n ≥ N . 1 Então. P (Ai nitas vezes) = 1. n )) = O próximo teorema trata da relação entre convergência em distribuição e convergência em probabilidade. Autor: Leandro Chaves Rêgo . então Xn →P c. Queremos provar que FXn (x) → FX (x) quando n → ∞. Como Xn →P X . Xn ≤ x ⇒ X ≤ x + ou |X − Xn | > . temos {w : Xn (w) ≤ x} ⊆ {w : X (w) ≤ x + } ∪ {w : |Xn (w) − X (w)| > }. temos que FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ. Portanto. Seja Ai = {|Xnk(i) − X | ≥ i−1 }. mas E (|Yn |r ) = 2nr n → ∞.2. Teorema 2. nenhuma subseqüência converge para X quase certamente. X ≤ x − ⇒ Xn ≤ x ou |Xn − X | > de modo que FX (x − ) ≤ FXn (x) + P (|Xn − X | > ). Considere a seguinte seqüência de varáveis aleatórias Yn (w) = 1 2n se X (w) ∈ (0. n ). Por outro lado.CAPÍTULO 2. Juntando as duas desigualdades.22: As seguintes relações entre os tipos de convergência são válidas: (a) Xn →P X ⇒ Xn →D X (b) Se Xn →D c. Prova: Para parte (a). and ∀n. Xnk(i) → X cp1. n ). P (|Yn | > ) = P (X (w) ∈ (0.17. O próximo exemplo mostra que convergência em probabilidade não implica convergência na r-ésima média Prova: Suponha que Xn →P X . escolha uma Exemplo 2. Em particular. Se Xn não converge para X em probabilidade. Logo. Portanto. Como para > 0.2.21: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0. onde c é uma constante. |Xnk(i) − X | < i−1 exceto para um número nito de i's com probabilidade 1. para qualquer δ > 0.

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

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

sabe-se que existem outras maneiras de representar a probabilidade P . As vantagens desta representação são as mesmas da função característica.2. No nosso caso de probabilidade. Uma função geratriz de momento é uma outra representação alternativa da distribuição de uma variável aleatória. Para X uma variável aleatória. Uma analogia pode ser que um conjunto de vetores pode ser representado em vários sistemas de coordenadas. Se X for uma variável aleatória discreta. 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. 36 .1 Motivação Em matemática e suas aplicações. 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. 3. então P pode ser representada pela função densidade de probabilidade de X . e apenas no nal deste capítulo mencionaremos a denição de uma função geratriz de momento. como por exemplo através de sua função de distribuição acumulada FX . Uma função característica ϕX de uma variável aleatória X é uma outra maneira de representar P .Capítulo 3 Funções Características 3. 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).2 Denição Denição 3. onde i = −1. é sempre valioso ter maneiras alternativas de representar o mesmo objeto matemático. fX .1: A função característica ϕX de uma variável aleatória X é dada por: . podese calcular mais facilmente a distribuição de soma de variáveis aleatórias independentes. √ ϕX (t) = EeitX = E cos(tX ) + iE sen(tX ). Se X for absolutamente contínua. mas como a função característica é mais robusta (no sentido que ela sempre existe). nós focaremos no uso da mesma. pode-se equivalentemente representar P pela função de probabilidade de X . pX .

Sejam X.2. 1/n) e Xn (ω ) = 0 em caso contrário. ∀ω .2. temos: ∞ ϕX (t) = −∞ eitx fX (x)dx. . . X2 . FUNÇÕES CARACTERÍSTICAS 37 Note que como cos(tX ) e sen(tX ) são variáveis aleatórias limitadas. A seguir listamos algumas propriedades da função característica. a função de distribuição acumulada determina a função característica de uma variável aleatória. Então. 1). EXn 0. Autor: Leandro Chaves Rêgo .1 Propriedades Antes de enunciarmos e provarmos algumas propriedades da função característica. Teorema 3. . Sejam Y. X2 .2. P1. Assim X e Xn são integráveis e EXn → EX . .2. . variáveis aleatórias. Considere a seguinte seqüência {X1 .4: Teorema da Convergência Dominada. O próximo exemplo mostra que nem sempre Xn → X ⇒ EXn → EX . X. a esperança na denição acima é nita e.2. E 2 cos(tx) ≤ E cos2 (tx) e E 2 sen(tx) ≤ E sen2 (tx). Observação 3. . se X for uma variável aleatória contínua. temos que Xn (ω ) → 0. conseqüentemente. ∀t ∈ R. vamos enunciar dois teoremas importantes que tratam da convergência de esperanças de variáveis aleatórias. mada de Fourier da densidade de probabilidade de X . . EXn = 1 = 0 = E 0.} de variáveis aleatórias: Xn (ω ) = n se Y (ω ) ∈ (0. Mas. a função característica de qualquer variável aleatória é bem denida. Se 0 ≤ Xn ↑ X . Considere que Y seja integrável. Analogamente. No caso particular de uma variável aleatória discreta. A função característica é limitada por 1: |ϕX (t)| ≤ 1.3: Teorema da Convergência Monótona. Teorema 3. temos |ϕX (t)| = E 2 cos(tX ) + E 2 sen(tX ) ≤ E (cos2 (tX ) + sen2 (tX )) = E 1 = 1. onde fX (x) é a função densidade de probabilidade de X . EXn ↑ EX . X1 . temos: ϕX (t) = k eitxk p(xk ). . Note também que de acordo com esta denição.2: A função característica de uma variável aleatória contínua é a transfor- 3. onde p(xk ) é a função probabilidade de X . |Xn | ≤ Y e Xn → X . ou seja. variá- Exemplo 3. .CAPÍTULO 3. então. Prova: Como pela desigualdade de Jensen. X2 .5: Seja Y ∼ U (0. veis aleatórias. X1 .

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

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

j =1 k=1 para quaisquer números reais t1 . V arX = EX − (EX )2 = 2. t2 . Exemplo 3.7: 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). . ϕX é positiva denida. FUNÇÕES CARACTERÍSTICAS P9. (1 − α)2 . . Se Y = aX + b. e EX 2 = ϕX (0) i2 = −(−2) = 2. Isto é. . .2. temos ϕX (t) = ϕX (t) = ..CAPÍTULO 3. ϕX (t) é positiva denida. zn . Exemplo 3. . Portanto. onde a e b são números reais constantes. 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. 1 + α2 − 2α cos(t) Autor: Leandro Chaves Rêgo . tem-se n n ϕX (tj − tk )zj zk ≥ 0. calcule V arX . .6: Se ϕX (t) = 1+ t2 Solução: Diferenciando ϕX . . tn e complexos z1 . . 1 .2. 2. . EX = (1+t2 )4 2 Logo. P10. para todo n = 1. . . −2(1+t2 )2 +2t(2(1+t2 )2t) −2t . ϕY (t) = eitb ϕX (at). z2 . (1+t2 )2 ϕX (0) = 0 i Diferenciando mais uma vez. para 0 < α < 1.

∞ ϕX (t) = EeitX = n=0 eitn e−λ λn (λeit )n it = e−λ = eλ(e −1) .2. Poisson. é contínua. −(1 − α)2 2α sen(t) . pois a parte imaginária seria nula. temos que Exemplo 3.2. Então. 3. Então. Então. Por P9 e P3. Teorema 3. Logo.CAPÍTULO 3. Como cos(at) = cos(−at). A prova da recíproca será omitida. se. achando a distribuição correspondente. EX = Xi = 0 e EX 2 = 2α EX 2 − (EX )2 = ( (1− ). de alguma variável aleatória se. onde a > 0.9: Sejam X1 e X2 duas variáveis aleatórias i. temos que ϕ−X2 (t) = ϕ(−t) = ϕ(t). Com efeito teríamos cos(at) = ϕ(t) = E cos(tX ).10: Uma função contínua ψ : R → C com ψ (0) = 1 é função característica Prova: Conforme propriedades já demonstradas. Já que assume valores reais. Portanto. X possuiria distribuição simétrica em torno de zero. se for função característica. (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 P5. e somente se. α)2 Exemplo 3. é evidente que uma distribuição simétrica concentrada nos dois pontos a e −a corresponderia a função característica ϕ. Suponhamos que X ∼ Bernoulli(p). V arX = −α)2 α)2 Portanto. FUNÇÕES CARACTERÍSTICAS 41 Solução: Diferenciando ϕX .d. se ϕ fosse função característica de alguma variável aleatória X . Suponhamos que X ∼ P oisson(λ). então por P7.2. como X1 e X2 são independentes. e seja Y = X1 − X2 .8: Seja ϕ(t) = cos(at). ela for positiva denida. onde P (X = 1) = p = 1 − P (X = 0). Mostraremos que ϕ é função característica. P (X = a) = 1/2 = P (X = −a). resulta o valor 1. temos ϕX (t) = Diferenciando mais uma vez. ϕ é função característica de X . positiva denida e aplicada em 0. e somente se. ϕX (t) = EeitX = peit + (1 − p).2.2 Exemplos de Funções Características Bernoulli.i. Qual ϕY (t) = ϕ(t)ϕ−X2 (t) = |ϕ(t)|2 . (1 + α2 − 2α cos(t))4 ϕ (0) ϕX (0) i2 2α 2α = −( (1− ) = ( (1− ). n! n! n=0 Autor: Leandro Chaves Rêgo ∞ . a função característica de Y ? Solução: Seja ϕ a função característica de X1 e X2 .

+ Xn . X2 . Se Fn converge fracamente para F . se Xn →D X .1: Seja X. Suponhamos que X ∼ N (0.+Xn (t) = E (e it(X1 +. Então. . . . ∞ ϕX (t) = 0 eitx αe−αx dx = α 0 ∞ ex(−α+it) dx = [ α α ex(−α+it) ]∞ .CAPÍTULO 3. g (x)dF (x) Autor: Leandro Chaves Rêgo .3 Teorema da Continuidade de Levy Nosso objetivo nesta seção é provar que Xn →D X se. Portanto. fX (x) = ϕX (t) = EeitX = a −a e fX (x) = 0 caso contrário. Queremos obter a distribuição de X1 + X2 + .+Xn ) )= j =1 E (eitXj ) = enλ(e it −1) . uma seqüência de variáveis aleatórias com funções de Teorema 3. e somente se. . . a). ∀t ∈ R.11: Sejam X1 ..3. Sejam F. + Xn tem uma distribuição Poisson com parâmetro nλ... ϕXn (t) → ϕX (t). . Exponencial. 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. Então. 1 eita − e−ita sen(ta) eitx dx = ( )= . se t = 0. . F2 . Suponhamos que X ∼ U nif orme(−a. X1 . então g (x)dFn (x) → para toda função g : R → R contínua e limitada. F2 . . Diz-se que Fn converge fracamente para F . então ϕX (0) = 1. 2a 2a it ta Normal. . . Suponhamos que X ∼ Exp(α). Denição 3. Solução: Temos n ϕX1 +. Antes de provarmos a necessidade desta armação. F1 . FUNÇÕES CARACTERÍSTICAS 42 1 2a Uniforme. .. 0 = −α + it α − it Exemplo 3. Logo. e para t = 0. F1 . X1 + X2 + . distribuição acumuladas dadas respectivamente por F.. . . seguindo o modelo de Poisson com parâmetro λ.3. X2 . . considere a seguinte denição de convergência de funções de distribuição. 1 ϕX (t) = √ 2π eitx e −x2 2 dx = e −t2 2 1 √ 2π e− (x−it)2 2 dx = e −t2 2 . .2: Teorema de Helly-Bray. .2. funções de distribuição. Então. para −a < x < a. Xn variáveis aleatórias independentes e identicamente distribuídas. 1). .

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

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

Denamos F em x irracional por F (x) = limr↓x. .) 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 . . . F3 (rj ). mas não é necessariamente contínua à direita. 45 Para provar (i). . . ··· ··· ··· ··· . .. note que t 0 t ∞ −∞ ϕnj (s)ds = 0 eisx dFnj (x)ds. F3 . F2 . 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. F2 1 F2 2 F2 3 F2 . F3 1 F3 2 F3 3 F3 . 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. para j ≥ 1. h é limitada e contínua e um argumento similar ao utilizado na prova do teorema anterior. F3 . Note que como a seqüência (F1 (rj ). . É óbvio que 0 ≤ F (rk ) ≤ 1 e que F é não decrescente nos racionais. Para provar (ii). j j j Nesta matriz temos que a seqüência (F1 . . F assim denida é não-decrescente.. .) é uma seqüência limitada de números reais.CAPÍTULO 3. uma enumeração dos racionais da reta. . ∀k . Considere a seguinte matriz: F1 1 F1 2 F1 3 F1 . . Finalmente. 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 . FUNÇÕES CARACTERÍSTICAS (ii) F (∞) = 1 e F (−∞) = 0. . ela possui uma subseqüência convergente. Sejam r1 . F2 (rj ). . r2 . Mas como o integrando é limitado podemos trocar a ordem de integração. h(x) = ix para x = 0 e h(0) = t. . Seja Fnj = Fjj . usaremos o método da diagonalização. temos Fnj (x) → F (x) quando j → ∞. . Chamemos o limite de F (rk ). logo t 0 ∞ t 0 ϕnj (s)ds = −∞ eisx dsdFnj (x) = ∞ −∞ eitx − 1 dFnj (x) ix Considere a função. . .) indutivamente conforme descrito acima. . Vamos provar que Fnj (x) → F (x) para todo ponto x de continuidade de F . Então. . de modo que Fnj (rk ) → F (rk ).r rational F (r). F2 . . logo pode-se escolher a j j j seqüência (F1 . F4 1 F4 2 F4 3 F4 . podemos redenir F nos seus pontos de descontinuidade de modo que F seja contínua à direita. para j ≥ 1. .

k n Xn →D Y. Portanto. 0 Igualando-se os limites iguais e dividindo-se por t. Então.i. . (i) e (ii) implicam que existe uma subseqüência F1 . onde Fnj → F fracamente. onde Y ∼ P oisson(λ). ∞ eisx dF (x). temos que F = G.CAPÍTULO 3. P (Xn = k ) = n k p (1 − pn )n−k . Xn →D Y . −∞ Como ϕ(0) = limn→∞ ϕn (0) = 1. pelo Teorema da Continuidade. F2 . . t = 0. temos que Xn + Yn →D X0 + Y0 . Exemplo 3. o que implica que F (∞) = 1 e F (−∞) = 0. F2 .. Como F e G possuem a mesma função característica (ϕ). Prove que Xn + Yn →D X0 + Y0 . ou seja.d. Solução: Pelo Teorema da Continuidade sabemos que ϕXn (t) → ϕX0 (t) e que ϕYn (t) → ϕY0 (t). tem-se que t 0 t ϕnj (s)ds → ϕ(s)ds. temos que F (∞) − F (−∞) = 1.5: 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). . k = 0. tais que Fn (x) → a = F (x). . implica que ϕ é limitada e mensurável. temos 1 t t ϕ(s)ds = 0 1 t t 0 ∞ −∞ eisx dF (x)ds. Como Xn e Yn são independentes temos que ϕXn +Yn (t) = ϕXn (t)ϕYn (t). Exemplo 3. . n. ou seja Fn (x) → a = G(x) = F (x). 1. Para vericar isto relembre que podemos representar uma variável aleatória Binomial como a soma de variáveis aleatórias Bernoulli i. ϕ é contínua em zero. uma contradição. . ou seja.3. então Se pn → 0 quando n → ∞ de tal modo que npn → λ > 0. . pelo Teorema da Continudade. e Yn →D Y0 . −∞ Fazendo t → 0 e usando a continuidade em s = 0 das duas funções ϕ(s) e tem-se ∞ ϕ(0) = 1dF (x) = F (∞) − F (−∞). então npn (eit − 1) n it ) → eλ(e −1) . n n Logo. n onde a expressão nal é a função característica de uma variável aleatória P oisson(λ). existirão x.3. então pelo teorema da convergência dominada. Para terminar a prova suponha por contradição que Fn não convirja fracamente para F . Portanto.6: Suponha que a variável aleatória Xn tenha distribuição Binomial. . FUNÇÕES CARACTERÍSTICAS 46 Como ϕnj (t) → ϕ(t). e uma função de distribuição G tais que Fn → G fracamente. ponto de continuidade de F e uma subseqüência F1 . ϕXn (t) = EeitXn = (1 − pn + eit pn )n = (1 + pn (eit − 1))n = (1 + Autor: Leandro Chaves Rêgo . . 2. Como essa subseqüência também satisfaz as condições do teorema. .

S então seria o tempo total do serviço. para algum 0 < p < 1. onde N é uma variável aleatória inteira e não negativa. D 3. (b) Existe alguma variável aleatória X0 tal que Xn → X0 ? Solução: Como ϕX (t) = temos que sen(nt) nt 1 . N pode ser o número de clientes. Temos que Xn n 1− n e n n → 0. Para parte (b).CAPÍTULO 3.3. Como ϕX0 (t) não é contínua não pode ser uma função característica. note que pelo teorema da continuidade. onde Y ∼ N (a. 1).4 Soma de um Número Aleatório de Variáveis Aleatórias Nesta seção. se t = 0.9: Seja {an : n ≥ 1} uma seqüência de números reais com an → a para a Exemplo 3. Xn →D X0 .3. onde X ∼ N (0. A seqüência de variáveis aleatórias {Xn : n ≥ 1} é tal que cada Xn segue o modelo geométrico de parâmetro p/n. Prove que se Xn →D X . nito.3. Exemplo 3. lim ϕXn (t) = n 0 . se t = 0 1 .10: Se Xn e Yn são independentes para n ≥ 0. Verique se ocorre Xn →D X para alguma variável aleatória X e obtenha sua distribuição. e Yn →D Y0 .8: Prove que se Xn →D X . 1). Em nossas aplicações assumiremos Autor: Leandro Chaves Rêgo .11: lim 1−p/n p in 1− n e t = 1. e ϕ Xn (t) = ϕXn ( ) = p it e n n n Exemplo 3. para a e b constantes reais. Encontre o limite em distribuição de Xn + Yn . temos que se existir tal que ϕX0 (t) seria sua função característica. Como lim ϕ Xn (t) = p it . então aXn + b →D aX + b. 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. nós estudaremos somas de um número aleatório de variáveis aleatórias. e assume-se que ela é independente das parcelas Xi .3. Por exemplo. FUNÇÕES CARACTERÍSTICAS 47 Exemplo 3. ou seja. se t = 0 .7: Suponha que Xn ∼ U (−n. n −p/n 1−p/n t Solução: Temos ϕXn (t) = 11− . n). então Xn + an →D Y . N S= i=0 Xi .3. se t = 0. Exemplo 3. Mostre que (a) Mostre que limn ϕXn (t) existe.

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

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

correlações de ordem maiores podem ser facilmente calculadas diferenciando-se a função característica conjunta repetidamente.. temos que ∂ 2 ϕX1 .X2 (t1 . xm ) ∈ I Rm e (y1 .4 : Sejam X = (X1 ..Y (x. ϕX1 . . .. . Teorema 3.5. yn ). t2 ) |t1 =t2 =0 . ϕXn (t) → ϕX (t). X e Y são independentes se. . e somente se..Y... temos convergência em distribuição se. . xm . . Para isso basta fazer todos os termos extras iguais a zero na função característica multivariada. Assim como é fácil obter a distribuição marginal dada uma distribuição conjunta de variáveis aleatórias. y1 .3: Xn →D X se. 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. y ) ∈ I R2 . . . FUNÇÕES CARACTERÍSTICAS 50 Analogamente a P8. . 1 ip ∂tp 1 · · · ∂tn No caso particular de X = (X1 . .Y1 ..) Por exemplo. . seja p = n k=1 pk para números naturais quaisquer pk .CAPÍTULO 3. Como no caso unidimensional. Por exemplo. Terminaremos nossa discussão de funções características multidimensionais considerando um critério para independência de vetores aleatórios. xm )ϕY (y1 . . (Assumiremos que um vetor X k -dimensional é uma matriz coluna com dimensão k × 1. . . Rk . . ou seja. Y. e Z . y ) = ϕX. ∀t ∈ I Prova: Omitida. ∀(x.Z (x. .Yn (x1 .. . . para todo (x1 . 0). ϕX.Xm . n ≥ 1. para as variáveis aleatórias X. yn ) ∈ I Rn . . temos n E( 1 pk Xk )= 1 ∂ p ϕX (t) pn |t=0 . Teorema 3. . . X2 ). Yn ) vetores aleatórios. . as funções características convergem. . 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. Xm ) e Y = (Y1 . e somente se. . Autor: Leandro Chaves Rêgo . yn ) = ϕX (x1 . . . .5. também é fácil obter a função característica de qualquer distribuição marginal. onde m ≥ 1. e somente se. temos Eei(xX +yY ) = Eei(xX +yY +0Z ) . . . . Formalmente. seja Y = AX + b. 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). . . Deste modo t · X = (t)T X . y.

o que contraria a hipótese. y ) = ϕX (x)ϕY (y ) pela parte inicial desta demonstração. Por exemplo. Se a função geratriz de momento existe. ..6 Funções Geratrizes de Momento ˆX (t) de uma variável aleatória X com Denição 3. F onde I é um intervalo contendo 0 no seu interior. P (|X | > x) ≤ Ke−cx . . Xn são variáveis aleatórias. . . ∀(x. y ) ∈ I R2 . . . e somente se. Consideremos o caso mais simples em que X1 . Antes disso. elas teriam uma função característica diferente. .6.1: Sejam {Xn : n ≥ 1} e X variáveis aleatórias com funções de distribuição {Fn : n ≥ 1} e F . pode-se provar que ela também determina a função de distribuição. . temos X1 . com X e Y independentes. para algum K > 0 e c > 0. se Xn converge para X quase certamente. ϕX.. ou seja. A prova no caso geral é análoga e omitida. . Um resultado semelhante vale para um número nito qualquer de vetores aleatórios.. .Y (x. uma convergindo em distribuição e outra em probabilidade. . y ) = ϕX (x)ϕY (y ) para todo (x. Então a independência de X e Y é conseqüência do Teorema da Unicidade: se X e Y fossem independentes. Então. O problema de utilizar funções geratrizes de momento é que elas nem sempre existem. ∀(t1 . . Então temos. Logo.Y (x. Se não fossem independentes.7 Teorema de Slutsky Nesta seção. são independentes. Xn independentes se. elas teriam função característica conjunta ϕX. tn ) ∈ I Rn . tn ) = j =1 ϕXj (tj ). . Teorema 3. respectivamente.Xn (t1 . Pode-se provar que a existência da função geratriz de momento é equivalente a cauda da distribuição de X ser limitada exponencialmente. y ) ∈ I R2 . em probabilidade ou em distribuição. n = 1).Y (x. suponha que ϕX.CAPÍTULO 3. 3. o mesmo ocorre com g (Xn ) para g (X ). Autor: Leandro Chaves Rêgo . . . Seja g : I R→I R uma função contínua. FUNÇÕES CARACTERÍSTICAS 51 Prova: Suponhamos primeiro que X e Y sejam variáveis aleatórias X e Y (m = 1. iremos provar que funções contínuas preservam convergência. y ) = Eei(xX +yY ) = EeixX eiyY = EeixX EeiyY = ϕX (x)ϕY (y ). ∀t ∈ I.. n ϕX1 . estudaremos o Teorema de Slutsky que trata do comportamento da soma e do produto de variáveis aleatórias. 3. ˆX (t) := EetX < ∞.1: Uma função geratriz de momento F função de distribuição FX existe se. . no mesmo modo de convergência. a função geratriz de momento de uma variável aleatória com distribuição de Cauchy não existe. Reciprocamente.7. Então.

y ∈ [−m. Teorema 3. pois P (An ) + P (A) − 1 ≤ P (An ∩ A) ≤ P (A) e P (An ) + P (A) − 1 → P (A). Então. para t xo. Considere que Xn →P X e vamos vericar que g (Xn ) →P g (X ). assim. Dado > 0 arbitrário. logo para > 0 arbitrário existe δ tal que 0 < δ ≤ m/2 e se x. portanto. (iii) Se c = 0. |Xn − X | < δ ] ⊆ [|g (Xn ) − g (X )| < ]. m] e |x − y | < δ . |Xn − X | < δ ] ⊆ [|X | ≤ m. temos que P (|X | ≤ m/2. como P (|Xn − X | < δ ) → 1. m]. temos que P (|g (Xn ) − g (X )| < ) → 1 quando n → ∞. Xn Yn →D X . g (Xn ) → g (X ) cp1. |Xn | ≤ m. c desde que P (Yn = 0) = 1. Observe que se P (An ) → 1. (i) Xn + Yn →D X + c. logo P (|g (Xn ) − g (X )| < ) > 1 − 2 para n sucientemente grande. Mas Prova: Suponha que Xn → X cp1. Finalmente. ϕg(Xn ) (t) = Eeitg(Xn ) = E cos(tg (Xn )) + iE sen(tg (Xn )). (ii) Xn Yn →D cX . Como as funções cos(tg (x)) e sen(tg (x)) são contínuas e limitadas na reta. com c constante. xemos m grande o suciente tal que P (|X | > m/2) < . Prova: Prova de (i): Temos ϕXn +Yn (t) = E (eit(Xn +Yn ) ) = E (eit(Xn +c) ) + E [(eitXn )(eitYn − eitc )]. Por denição. considere que Xn →D X . existe um conjunto A ∈ F tal que P (A) = 0 [|X | ≤ m/2. será uniformemente contínua no intervalo fechado [−m. Então. vem |E [(eitXn )(eitYn − eitc )]| ≤ E [|(eitXn )(eitYn − eitc )|] = E [|(eitYn − eitc )|]. para que g (Xn ) →D g (X ). Como é arbitrário. Portanto. A função g sendo contínua em I R. Por hipótese temos. Autor: Leandro Chaves Rêgo .7. então |g (x) − g (y )| < . ou seja g (Xn ) →P g (X ). |Xn − X | < δ ) → P (|X | ≤ m/2) > 1 − . então P (An ∩ A) → P (A). decorre do Teorema de Helly-Bray que ϕg(Xn ) (t) → E cos(tg (X )) + iE sen(tg (X )) = ϕg(X ) (t). basta a convergência das respectivas funções características.CAPÍTULO 3.2: Considere {Xn : n ≥ 1}. g (Xn (w)) → g (X (w)) para w ∈ Ac e. n n Observe que |eitXn | = 1 e. lim E (eit(Xn +c) ) = lim eitc E (eitXn ) = eitc E (eitX ) = E (eit(X +c) ). Como g é contínua. Pelo Teorema da Continuidade de Levy. {Yn : n ≥ 1} e X variáveis aleatórias tais que valem as convergências Xn →D X e Yn →P c. FUNÇÕES CARACTERÍSTICAS 52 e Xn (w) → X (w) para w ∈ Ac . ∀t ∈ I R.

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

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

vamos relembrar uma importante desigualdade. .2. motivamos o resultado da Leis dos Grandes Números para variáveis aleatórias independentes e identicamente distribuídas. Corolário 4. n Teorema 4.1: Desigualdade de Chebyshev Generalizada. LEI DOS GRANDES NÚMEROS 55 Quando o tipo de convergência é convergência em probabilidade. . . X2 . Teorema 4. variáveis aleatórias inde- Prova: Precisamos provar que para todo > 0. 4. temos que min(1.3: Lei Fraca de Chebyshev Sejam X1 . Mas.2. existe c nito tal que para todo n. n Como as variáveis aleatórias são independentes 2 a 2. chamamos de Lei Fraca dos Grandes Números. Então. chamamos de Lei Forte dos Grandes Números. Substituindo X por X − EX . Vamos usar esta desigualdade para provar a Lei Fraca dos Grandes Números de Chebyshev. tem-se que P (X ∈ A) ≤ min(1. Eg (X )). 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. Prova: Pela monotonicidade da Esperança.2 Lei Fraca dos Grandes Números Na seção anterior.2: Desigualdade (Original) de Chebyshev.2. Nesta seção. analisaremos duas versões da Lei Fraca dos Grandes Números. V arXn ≤ c). Eg (X )) ≥ P (X ∈ A). e quando temos convergência quase certa. Dado um conjunto A e uma função g (x) tal que ∀x g (x) ≥ IA (x). conhecida como desigualdade de Chebyshev. na primeira delas não é necessário assumir que as variáveis aleatórias são identicamente distribuídas. como a cota superior pode exceder 1. X1 . então P (|X − EX | ≥ ) ≤ V arX 2 . pendentes 2 a 2 com variâncias nitas e uniformemente limitadas (ou seja. Autor: Leandro Chaves Rêgo . temos que Eg (X ) ≥ EIA (X ) = P (X ∈ A). 2 x2 2 2 EX 2 . Seja X uma variável aleatória. então pelo . X2 . Prova: Escolha A = {x : |x| ≥ } e g (x) = teorema anterior. Note que g (x) ≥ IA (x). . temos que n V ar(Sn ) = i=1 V ar(Xi ) ≤ nc. P (X ∈ A) = P (|X | ≥ ) ≤ P (|X − EX | ≥ ) ≤ V arX . .CAPÍTULO 4. P( |Sn − ESn | ≥ ) → 0 quando n → ∞. satisfazem a Lei Fraca dos Grandes Números: Sn − ESn P → 0. Antes de enunciarmos esta lei. .

2. . e integráveis com média µ = p. S →P p. n(0. por isso.01)2 valores especícos de 0. 95 para que a freqüência relativa dira de p = P (A) por menos do que. Deste modo encontraremos que se n ≥ 4(0. 01) ≤ p(1 − p) . temos que 56 P (|Sn − ESn | ≥ n ) ≤ V ar(Sn ) c ≤ 2 → 0. 05. 05? Solução: Porque não conhecemos o valor de p. Se Sn é o número de sucessos nos primeiros n ensaios.1) Corolário 4. são i. queremos que n ≤ 0.d. δ = 0.i. não conhecemos o valor de p = P (A) e. Como V arXn = p(1 − p). 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. 0.01? Utilizando a equação (4. respectivamente.05) 2 0.01 = 10.2. 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. 2 n2 n (4.05(0 . Nesse caso. onde Sn é o número de ocorrências do evento A em n realizações do experimento temos que Sn /n = fA . a Lei Fraca de Chebyshev np n implica que Sn − →P 0. e esse valor máximo é igual a 1/4. . Autor: Leandro Chaves Rêgo . V arSn = np(1 − p). LEI DOS GRANDES NÚMEROS Pela desigualdade de Chebyshev. . Conseqüentemente. a condição exigida será satisfeita. 01. equivalentemente. Xn = 0 caso contrário. Consideremos uma seqüên- cia de ensaios binomiais independentes.CAPÍTULO 4. o que é equivalente a n ≥ 0. X2 .000. digamos n. Então. digamos. e: P (|fA − p| ≥ 0. 01)2 p(1−p) p(1−p) ou seja. 05 e 0. 01 por δ e . então Sn P → p n Prova: Seja Xn = 1 se o n-ésimo ensaio é sucesso. são classicadas como defeituosas ou perfeitas. ESn = np. δ ( )2 Em muitos problemas.1). deveremos aplicar a última fórmula com 1 = 0. 05. não poderemos empregar o limite acima. poderemos empregar o fato de que p(1 − p) toma seu valor máximo quando p = 1/2. X1 . Substituindo os (0. Um grande número de peças. ou. tendo a mesma probabilidade p de sucesso em cada ensaio. estamos certamente seguros se armamos que para n ≥ 4 1 2 δ teremos P (|fA − p| < ) ≥ 1 − δ.01)2 . Exemplo 4.4: Lei dos Grandes Números de Bernoulli.5: Peças são produzidas de tal maneira que a probabilidade de uma peça ser defeituosa é p (admitida desconhecida). teremos P (|fA − p| < ) ≥ 1 − δ sempre que n ≥ p(1 − p) .

são i.d. e integráveis com Sn P → µ. i=1 Autor: Leandro Chaves Rêgo . e integráveis. . ambas n 1 2 P 2 nitas.2. Se X1 . X2 . temos que X →P (EXi )2 = µ2 e. Exemplo 4.2. 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. . temos que 1 n e n Xi2 →P EXi2 = σ 2 + µ2 i=1 X →P EXi = µ.i. Prove que n i=1 (Xi − X ) → σ .d. 2 1 n n (Xi − X )2 →P σ 2 + µ2 − µ2 = 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 . Como funções contínuas preservam convergência.7: Sejam {Xn : n ≥ 1} variáveis i. i=1 Pela Lei Fraca dos Grandes Números. n Prova: É conseqüência da Lei Forte de Kolmogorov e do fato que convergência quase certa implica convergência em probabilidade. consequentemente.i. então Teorema 4. com média µ e variância σ 2 .6: Lei Fraca de Khintchin.CAPÍTULO 4. . média comum µ.i.d.

Nosso próximo passo é provar uma extensão da desigualdade de Chebyshev. Lema 4. não-negativos.3 Lei Forte dos Grandes Números Antes de iniciarmos a prova da Lei Forte dos Grandes Números.3. temos ∞ ∞ E |X | = n=1 P ( |X | ≥ n) = n=1 ∞ P (|X | ≥ n). . k=1 Autor: Leandro Chaves Rêgo . . Então. Sejam X1 . Então. . n V arXk . Xn variáveis aleatórias independentes tais que EXk = 0 e V arXk < ∞. n. . LEI DOS GRANDES NÚMEROS 58 4. . seja x a parte inteira de x.CAPÍTULO 4. Então.1: Seja X uma variável aleatória qualquer.2) Se x ≥ 0.3. e. . trocando a ordem dos somatórios: ∞ ∞ ∞ EY = j =1 k=j P (Y = k ) = j =1 P (Y ≥ j ). portanto. então pela monotonicidade e linearidade da esperança temos: 0 ≤ E |X | ≤ E |X | ≤ 1 + E |X | . Como |X | é uma variável aleatória que só assume valores inteiros não-negativos. temos que ∞ P (|X | ≥ n) < ∞. 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 ). Neste caso. Lema 4. . . k = 1. logo ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 P (|X | ≥ n). vamos estudar um critério para integrabilidade de variáveis aleatórias. para todo λ > 0. X é integrável se. a variável aleatória |X | assume o valor k quando k ≤ |X | < k + 1 e 0 ≤ |X | ≤ |X | ≤ |X | + 1. ∞ ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 ∞ n=1 P (|X | ≥ n). . + Xk . e somente se. (4. .2: 1 1 P ( max |Sk | ≥ λ) ≤ 2 V arSn = 2 1≤k≤n λ λ onde Sk = X1 + .

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

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

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

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).+EYn n → 0 (usaremos o Teorema da Convergência Dominada).CAPÍTULO 4. . . P (Zn = 0) = P (Xn ∈ / (−n.. j ].. . Teorema 4. . +EYn − EY1 +.+Yn n → 0 quase certamente (usaremos Borel-Cantelli). para j ≤ 0.4) =2 j =−∞ j −1 |x|dF (x) = 2 −∞ |x|dF (x) = 2E |X | < ∞. É fácil ver que (a). . X2 . + Yn Z1 + . + Xn → µ quase certamente.. . n].. variáveis aleatórias independentes. A seguir enunciamos e provamos a Segunda Lei Forte de Kolmogorov.. e EY1 +.. j ]. para j ≥ 1. note que Zn = 0 ⇔ Yn = Xn ⇔ Xn ∈ / (−n.. . de modo que X1 + . Então. .. denamos Yn = Xn I[−n<Xn ≤n] . Seja Zn = Xn − Yn . . + Zn = + . X1 + . Para provar (a). identicamente distribuídas e integráveis.5). com EXn = µ. temos 0 j x dF (x)) ≤ 2 j =1 j −1 ∞ 2 xdF (x) + 2 j =−∞ j −1 |x|dF (x) = (4. . → 0 quase certamente (usaremos a Primeira Lei Forte e o n Lema 4.3. n]) ≤ P (|Xn | ≥ n). Logo.+Zn n Y1 +. (b). e (c) implicam o teorema.6: Sejam X1 . e 1 ( 2 n n=1 ∞ ∞ n −n j ∞ x2 |j |+1 j ≤ |x| em (j − 1. n Prova: Suponhamos sem perda de generalidade que µ = 0. Autor: Leandro Chaves Rêgo . n n n A prova terá três partes: (a) (b) (c) Z1 +. .3. + Xn Y1 + . Vamos truncar as variáveis Xn . |j | + 1 Como x2 j ≤ x em (j − 1.

pelo teorema da convergência dominada que se aplica pois |X1 | domina X1 I[−n≤X1 ≤n] 's e é integrável. Isso signica que P (Zn = 0 para todo n sucientemente grande) = 1. precisamos mostrar que 2 2 2 = V arXn + (EXn )2 = λ é nita para todo n. ∞ n=1 V ar(Yn ) ≤ n2 ∞ n=1 1 n2 n −n x2 dF (x) < ∞. Solução: De acordo com a Segunda Lei Forte de Kolmogorov. . Borel-Cantelli implica que P (An innitas vezes) = 0. 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 | < ∞. n ≥ 1. Portanto. . onde a última desigualdade decorre do Lema 4.7: As variáveis Xn . são independentes e todas têm distribuição 2 : n ≥ 1} satisfaz a Lei Forte dos Exponencial de parâmetro λ. Para provar (c). {Xn Autor: Leandro Chaves Rêgo . (b) decorre da primeira Lei Forte de Kolmogorov. EYn = E (Xn I[−n<Xn ≤n] ) = E (X1 I[−n<X1 ≤n] ) → EX1 = 0. Como EXn EXn 2 < ∞. então Zn → 0 e Z1 + . Como Yn = Xn I[−n<Xn ≤n] . Mas. Portanto. n n Para provar (b). Veriquemos a condição da primeira Lei Forte de Kolmogorov para as variáveis aleatórias Yn . é suciente mostrar que EYn → 0. F = FXn . seja F a função de distribuição comum.3. + Zn Z1 + . logo P ( → 0) = 1. . Exemplo 4.5. temos V ar(Yn ) ≤ Portanto. temos que a seqüência 2 : n ≥ 1} satisfaz a Lei Forte dos Grandes Números. 2 E (Yn ) = 2 E (Xn I[−n<Xn ≤n] ) n = −n x2 dF (x). .3.CAPÍTULO 4. ou seja P (Zn = 0 innitas vezes) = 0. Mostre que a seqüência {Xn Grandes Números. Mas se Zn = 0 para n sucientemente grande. + Zn → 0.

temos que 1 n n k=1 (− log(Xk )) Por m nós enunciaremos e provaremos a Recíproca da Lei Forte de Kolmogorov. |Sn−1 | (n − 1) |Sn−1 | = · . 2..i. n (n − 1) n |Sn | n então |Sn−1 | n é ilimitada se. com S0 = 0. ∀k. . os eventos An = [ |X ≥ k ] são independentes. ou seja. . pois a intersecção de um n número enumerável de eventos de probabilidade 1 também tem probabilidade 1.3. S não convergirá para um limite nito. Se E |X1 | = ∞. variáveis aleatórias independentes e identicamente distribuídas.9: Sejam X1 .8: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. . a seqüência temos que |Sn | n não é limitada. Para terminar a prova. então com probabilidade 1. 0 Portanto.1. e Borel-Cantelli n implica |Xn | P( ≥ k innitas vezes) = 1. com probabilidade 1. n n| Por independência dos Xn . Autor: Leandro Chaves Rêgo .. 1 Exemplo 4. então.3. k ∞ P( n=1 |X1 | ≥ n) = ∞. ∀k. X2 . .CAPÍTULO 4. para todo k . temos |Sn − Sn−1 | |Sn | |Sn−1 | |Xn | = ≤ + . Para isso. A recíproca diz que se as Xn não forem n integráveis. Agora. n n| Fazendo Bk = [ |X ≥ k innitas vezes]. . é n| n| o evento a seqüência |X é ilimitada. então n também é ilimitada.d. se Mas.. então E ( |X ) = ∞. . então S n um limite nito (= EX1 ) com probabilidade 1. Mas o |Xn | evento ∩∞ k=1 Bk é o evento  n > k para um número innito de n.3. temos P (∩∞ k=1 Bk ) = 1. Calcule o limite. seguindo o E (− log Xk ) = 0 − log xdx = −x log x|1 0+ → 1 cp1. precisamos calcular E (− log Xk ). então |Sn | n é ilimitada ou |Sn−1 | n é ilimitada. n n n n para n = 1. . Solução: Vamos tentar usar a Lei Forte dos Grandes Números. . LEI DOS GRANDES NÚMEROS 64 n 1 modelo Uniforme contínuo em (0. quase certo. 1). k |X n | ≥ n) = k ∞ Como as variáveis Xn são identicamente distribuídas. basta mostrar que se |X é n n |Sn | ilimitada. |Xn | n é ilimitada. 2. Portanto. para k = 1. 1| Prova: Se E |X1 | = ∞. e somente se. De acordo com Lema 4. também for. 1 dx = 1. . temos ∞ P( n=1 |X1 | ≥ n) = k ∞ P( n=1 P( n=1 |Xn | ≥ k ). n Teorema 4. n converge para A Lei Forte arma que se as variáveis aleatórias Xn são integráveis. para n k=1 (− log(Xk )) quando n → ∞.

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

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

. 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 . . tem-se t2 t2 ϕ(t) = 1 − + e(t). . . P (Xi = 1) = p = 1 − P (Xi = 0) para 0 < p < 1. σ Seja ϕn (t) = E (e n ) e ϕ(t) = E (eitX1 ). Teorema 5. 1). X2 . . variáveis aleatórias iid com E (Xn ) = µ e V ar(Xn ) = σ 2 . Suponha que N é uma variável aleatória com distribuição N (0. . como ϕ é contínua em 0. ϕ possui duas derivadas contínuas. Então. 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. Nós iremos agora enunciar e provar alguns desses teoremas.1: Sejam X1 . se Sn = X1 + . temos que ϕ (θ(t)) − ϕ (0) → 0 quando t → 0. Autor: Leandro Chaves Rêgo . Como os dois primeiros momentos existem. Se Sn = X1 + X2 + . Então. tem-se que X √ it √1 ϕn (t) = (E (e n ))n = ϕn (t/ n). . . k utilizando a expansão de Taylor de ϕ e o fato que ϕ(k) (0) = ik E (X1 ). Xn . Então. . seja E (Xn ) = 0 e E (Xn ) = 1 (caso este não seja o caso.CAPÍTULO 5. Sn it √ Xi − µ . pode-se provar o resultado para Xi∗ = já que E (Xi∗ ) = 0 e E (Xi∗ )2 = 1). começando pelo caso de variáveis aleatórias independentes e identicamente distribuídas.2. 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. 1). uma seqüência de variáveis aleatórias independentes e Sn − np np(1 − p) →D N (0. 2 2 onde e(t) = ϕ (θ(t)) + 1 e limt→0 e(t) = 0. então Sn − nµ D √ → N. 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)). Então.2: Seja X1 . σ n 2 Prova: Sem perda de generalidade. 2n 2n 2n n n n t quando n → ∞. Logo. Corolário 5. 1). X2 . 2 onde |θ(t)| ≤ |t|. distribuídas de acordo com a distribuição de Bernoulli com parâmetro p.2. . + Xn . 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). este caso é conhecido como Teorema Central do Limite de De Moivre e Laplace. ou seja.

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

Desse modo. λ+1 n )λ+1 → 1 quando n → ∞. 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. 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. 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 . o que por sn > 1. A condição de Lindeberg estabelece µk | uma integral na região |x − µk | > sn .CAPÍTULO 5.8: Para λ > 0. Lema 5. k=1 Mas a condição de Liapunov implica que o último termo tende a zero quando n → ∞. λ+1 quando n → ∞. Nessa região. Prova: Como xλ ≤ k λ se k − 1 ≤ x ≤ k .2. de maneira que k é da ordem de nλ+1 . Como ( n+1 n Autor: Leandro Chaves Rêgo . 1 nλ+1 n k=1 λ n kλ → k=1 1 . TEOREMA CENTRAL DO LIMITE 72 Prova: Para provar este teorema. Portanto. e kλ ≤ xλ se k ≤ x ≤ k + 1. a condição de Lindeberg está satisfeita. vamos considerar o seguinte Lema. temos n 0 n xλ dx ≤ k=1 kλ ≤ 1 n+1 xλ dx. Antes de vercarmos um exemplo do Teorema Central do Limite de Liapunov. somando-se em k de 1 até n. o lema está provado. nλ+1 ≤ λ+1 o que é eqüivalente a n kλ ≤ k=1 (n + 1)λ+1 − 1 (n + 1)λ+1 ≤ . Logo. temos que |x− > 1. > 0. λ+1 λ+1 1 1 ≤ λ+1 λ+1 n n kλ ≤ k=1 n + 1 λ+1 1 ·( ) .

→D Solução: Vamos vericar a condição de Liapunov para δ = 1. . 4 3 4 Logo. Temos E |Xk − µk |3 = E |Xk |3 = 1 2k k −k |x|3 dx = 1 k k 0 x3 dx = k3 . Seja X n a média amostral.CAPÍTULO 5. Como µk = EXk = 0 e 2 σk = V ar(Xk ) = 2 EXk 1 = 2k n k2 x dx = .3 Teorema Central do Limite: Caso Multivariado Concluímos dizendo que o Teorema Central do Limite também pode ser estendido ao caso de vetores aleatórios. Xn . . Xn ∼ U [−n. independentes e identicamente distribuídos. o Lema anterior implica que n k=1 E |Xk − µk | é da ordem de n . . Σ). aplicando o resultado do Lema. . 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 = 0.9: Sejam X1 . n].1 : Seja X1 . . . quando n → ∞.3. . Vamos determinar a ordem de s3 n . temos 3 −k 2 k s2 n = k=1 k2 . X2 . independentes. Então. Prove que N (0. . TEOREMA CENTRAL DO LIMITE 73 Sn −ESn sn Exemplo 5. 3 Portanto. A seguir. √ n(X n − µ) →D N (0. temos: s2 1 n → . Neste caso. . nós enunciamos formalmente o teorema sem prová-lo. 1). denida como a média aritmética dos vetores X1 . e sejam µ a média e Σ a matriz de covariância de X1 . . 3 n 9 Então.2. . Autor: Leandro Chaves Rêgo . X2 . 16 n→∞ n 5. uma seqüência de vetores aleatórios k -dimensionais. Teorema 5. Suponha que X1 tenha variância nita. tem-se que a distribuição da média amostral centrada converge para uma distriuição normal multivariada.

então Xn →P 0. ∀n > n0 . Então. Como Xn = o(Yn ). Escolhamos n0 tal que. O resultado está provado se escolhermos K = max(|K1 |. existe K e n1 tal que P (|Yn | ≤ K ) > 1 − δ para todo n ≥ n1 .4.4. existir K e n0 tal que P (|Yn | ≤ K ) > 1 − para todo n > n0 . Prova: Dados quaisquer > 0 e δ > 0. Façamos N = max(n1 . Lema 5. Como {Yn } é limitada em probabilidade. |K2 |).3: Se √ n(Tn − θ) →D N (0. Logo P (|Xn | > ) ≤ P (|Yn | > K ) < δ. Hn (K1 ) > H (K1 ) − /4 > 1 − /2 e Hn (−K2 ) < H (−K2 ) + /4 < /2. P (−K2 ≤ Yn ≤ K1 ) ≥ Hn (K1 ) − Hn (K2 ) > 1 − . 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).4 Método Delta O método Delta é um resultado que aumenta signicativamente a relevância do Teorema Central do Limite. Autor: Leandro Chaves Rêgo . então para n ≥ N . Lema 5. e então √ n[f (Tn ) − f (θ)] = √ √ n(Tn − θ)f (θ) + o( n(Tn − θ)). Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H (K1 ) > 1 − /4 e H (−K2 ) < /4.2: Se {Yn } é limitada em probabilidade e Xn = o(Yn ). vamos provar dois lemas. sabemos que existe n| n2 tal que ||X < K para todo n ≥ n2 . Teorema 5. Yn | |Xn | > ⇒ |Yn | > K .1: Se {Yn } converge em distribuição para uma variável aleatória com função de distribuição H .CAPÍTULO 5.4. n2 ). então a seqüência é limitada em probabilidade. τ 2 ). (5. Antes de enunciarmos o teorema.2) desde que f (θ) exista e não seja zero. precisamos mostrar que existe N tal que P (|Xn | > ) < δ para todo n ≥ N . TEOREMA CENTRAL DO LIMITE 74 5. Dizemos que uma seqüência de variáveis aleatórias {Yn } é limitada em probabilidade se para todo > 0. τ 2 [f (θ)]2 ). então √ n[f (Tn ) − f (θ)] →D N (0.

Tn é aproximadamente linear. Segue do Teorema Central do Limite que √ n(X − λ) → N (0.1.2) é chamado de método delta. n Então. Como o(Tn − θ) →P 0. τ 2 (θ)(f )2 (θ)). respectivamente. λ). por exemplo.CAPÍTULO 5. desde que p2 (1 − p2 ) < p(1 − p)4p2 . τ (θ)). n n O método delta proporciona a base para derivar transformações que estabilizam a variância. c ). pelo método delta: √ n[f (Tn ) − f (θ)] →D N (0. suponha que temos a escolha entre (a) n ensaios binomiais com probabilidade p2 de sucesso.4. p(1 − p)4p2 ). Por outro √ lado. suponha que n(Tn − θ) → N (0.4. a distribuição de f (X ). . Então pelo Lema 5. podemos ver que X Y2 ou 2 é preferível se p > 1/3 ou p < 1/3. O resultado portanto é uma conseqüência do Teorema de Slutsky. e uma função linear de uma variável normal é também normal. respectivamente.2. que X1 . temos que n(Tn − θ) é limitada em probabilidade. 1/X . o( n(Tn − θ)) converge para zero em probabilidade. por exemplo. Sejam X e Y o número de sucessos no primeiro e segundo tipo de ensaios. . nós estamos quase certos que quando n for grande. Este teorema pode parecer uma surpresa. Exemplo 5. p2 (1 − p2 )) n e √ Y 2 n(( ) − p2 ) →D N (0. . Em geral. pelo √ Lema 5. ou (b) n ensaios binomiais com probabilidade p de sucesso. Para problemas de inferência que se referem a λ. τ 2 [f (θ)]2 )√ . log X . como n(Tn − θ) converge em distribuição. X/n será mais acurado que (Y /n)2 .4. transformações que levem a uma variância assintótica que é independente do parâmetro. 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. pelo menos para n grande. O processo de aproximar a diferença f (Tn ) − f (θ) pela função linear (Tn − θ)f (θ) e o limite em (5. Suponha. Dividindo ambos os lados por p2 (1 − p). Então nós temos: √ X n( − p2 ) →D N (0. nós usaríamos X/n e (Y /n)2 . é quase sempre inconveniente que λ ocorre não somente na esperança mas também na √ variância da distribuição limite. e suponha que como estimadores de p2 nos dois casos. ou eX não será tipicamente normal. A explicação para este paradoxo aparente pode ser encontrada na prova. Autor: Leandro Chaves Rêgo . onde c não depende de λ.4: Para estimar p2 . TEOREMA CENTRAL DO LIMITE 75 O primeiro termo do lado direito converge em distribuição para N (0. já que se X é distribuído normalmente. Então. ou seja. . Xn são variáveis Poisson com parâmetro λ.

temos que √ √ 2 n( X − λ) →D N (0. EYi = σ 2 e V arYi = 2σ 4 e pelo Teorema Central do Limite. σ 2 ).CAPÍTULO 5. 2θ 2 Fazendo c = 1. e τ 2 (θ) = 2θ2 . onde as Xi 's são i. Então. N (0. temos √ n(Y − σ 2 ) →D N (0. c c f (θ) = √ ou f (θ) = √ log θ. 2σ 4 ).4. 2 σ Autor: Leandro Chaves Rêgo . A transformação resultante é dita ser estabilizadora de variância. TEOREMA CENTRAL DO LIMITE 76 desde que a derivada de f exista em θ e seja diferente de 0. No caso de Poisson. θ = σ 2 .d. A distribuição limite do lado direito terá portanto variância constante c2 se f (θ) = τ (cθ) .5: Poisson. Tn = Y . Exemplo 5. 1). ou seja. Logo.i. Seja Yi = Xi2 . temos θ = λ e τ (θ) = λ.4. vemos que n Y log( 2 ) →D N (0. 1). √ c f (λ) = √ ou f (λ) = 2c λ. λ Fazendo c = 1.6: Chi-Quadrado. √ Exemplo 5. Logo.

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

Sign up to vote on this title
UsefulNot useful