P. 1
AulasET5842010-1

AulasET5842010-1

|Views: 9|Likes:
Publicado porjci1972

More info:

Published by: jci1972 on Mar 29, 2013
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/04/2014

pdf

text

original

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

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

não-crescente e não-decrescente. a sequência xn = (−2)n é ilimitada. x1 > x2 > x3 > . pois não é uma sequência já que possui apenas 2 termos. 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 . −32. mas limitada inferiormente pois xn ≤ 0 para todo n. 4.1. 1 n Exemplo 1.5: xn = 0. 1}. . por exemplo. Formalmente. Também temos que w = (4. . xn ≥ xn+1 ) para todo n. Finalmente. uma subsequência de (xn ) é um sequência (portanto. −128. Por outro lado. não-decrescentes. Autor: Leandro Chaves Rêgo . As sequências crescentes.. .1. . . dada uma sequência x.6: xn = 1 para todo n ímpar. −2.1. Com um pouco mais de precisão: estipulando-se um erro por meio de um número real > 0. Ela é monótona decrescente e limitada. Ela é limitada. z = (4. não é limitada inferiormente nem superiormente. . 1. . . 16) não é uma subsequência de x. Neste caso.. . ilustra melhor a questão. −8. . . .1. Por outro lado. a sequência diz-se não-decrescente (resp. Se vale xn ≤ xn+1 (resp. ou (xn1 . .1.). . em x o termo -2 precede o termo 4. Escreve-se x = (xn )n∈I N. temos que x(I N ) = {0}. . a sequência xn = n2 é ilimitada.). existe um índice n0 (que depende de . . (resp. −32. . 64.4: Seja a sequência x = (−2.) não é uma subsequência de x já que os termos em w não aparecem na mesma ordem em que aparecem em x. 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 ). os termos xn tornam-se e se mantém tão próximos de a quanto se deseje. xn2 . O próximo exemplo. e xn = −1 para todo n par. uma subsequência de x é a restrição da função x a um subconjunto innito I N = {n1 < n2 < . para todo n ∈ I N .1 Limite de uma sequência Intuitivamente. pois por exemplo. 64. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 2 ilimitadas que são limitadas inferiormente ou superiormente. temos que 0 ≤ xn ≤ 3 para todo n ∈ I N . −8.). e temos x(I N ) = {−1.7: xn = 1/n para todo n ∈ I N . .} de I N . não-crescente). porém não é monótona. 16. . ou seja. em geral. Uma sequência chama-se crescente (resp. Exemplo 1. dizer que o número real a é limite da sequência (xn ) signica armar que. Exemplo 1. 64. Exemplo 1. . < ni < . Dada uma sequência (xn ) de números reais. 16.3: A sequência xn = 1 + é limitada. Exemplo 1. Formalmente.CAPÍTULO 1. para valores muito grandes de n. decrescente) quando x1 < x2 < x3 < . 16. .. mas o mesmo não é verdade em w. 256. . decrescentes e não-crescentes são chamadas sequências monótonas. Ela é limitada.) ou (xni )i∈I N para indicar a subsequência x . . . uma subsequência de x é y = (4.1.. xni .

Observe que se limn xn = a.10: A sequência xn = 1/n para todo n converge para 0. temos que |xn + 1| < . 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 sequência ca oscilando entre vizinhanças dos números -1 e 1. Logo. vale a desigualdade +1 +1 Exemplo 1. então para todo n > n0 . para n > 1 e ímpar. Note que dado qualquer > 0. tomando n0 = max{10.1. Uma sequência que possui limite chama-se convergente. temos que |xn − 1| < . > 0 existe n0 > 1/ . Pois.1. existe um número natural n0 tal que |xn − a| < (o que é equivalente a xn ∈ (a − . 3n + 10 3n + n 4n 4 Por sua vez. para n grande. Autor: Leandro Chaves Rêgo . −∞). contém todos os termos xn da sequência. com exceção de no máximo um número nito de índices n (os termos de x1 até xn0 ). a + )). 3n + 10 1 Exemplo 1. existe um número natural n0 tal que xn > M (resp. sempre que n > n0 . podemos escrever de forma equivalente a denição da seguinte maneira: o número real a é limite da sequência (xn ) de números reais. Portanto. temos 1/n < 1/n0 < . salvo talvez um número nito de índices n. Reciprocamente. então lim xn = a. e escrevese limn xn = ∞ (resp. quando para todo número real > 0. n > n0 ⇒ |xn − 0| < . teremos n > n0 ⇒ n2 + 1 > M. limn xn = −∞). então qualquer intervalo (a − . ou seja. a + ). Quando limn xn = a. Para isto notamos que 3n > n+10 n+10 2 2 Exemplo 1. se qualquer intervalo de centro a contém todos os xn . existe um número natural n0 tal que |xn − a| < K . xn < −M ).1.. dado qualquer n2 .. quando para todo número real M > 0. 4M }.1.8: O número real a é limite da sequência (xn ) de números reais. e escreve-se Denição 1. a distância entre xn e a se torna menor que para n sucientemente grande. diz-se que a sequência (xn ) converge para a. e que para n ≥ 10.12: A sequência xn = n + (−1)n é divergente. ela se chama divergente. n/4 > M se n > 4M .9: Uma sequência (xn ) de números reais tem limite ∞ (resp. sempre que n > n0 . quando para alguma constante K real positiva. sempre que n > n0 .. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 3 a = limn xn . ou tende para a e escreve-se xn → a.11: Vamos provar que limn 3n = ∞. Dentre as sequências divergentes destacamos duas que possuem limites innitos: Denição 1.1. Como a denição implica que para qualquer > 0 arbitrário. 3n+10 n2 n2 n2 n ≥ = = .CAPÍTULO 1. para n > 1 e par. Do contrário. Por outro lado. de centro a e raio > 0. temos que para todo número real > 0.

REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 4 Pois. se limx→∞ f (x) = L. Assim. L + ). .14: Seja xn = n(1 − e−a/n ). L + ).1. 2. Em particular. estamos interessados em saber se quando x cresce arbitrariamente a função f (x) tende a algum valor. L + ).1. Mais formalmente. se para x grande o suciente f (x) se torna tão próximo de L quanto se queira. temos: (1 − e−a/x ) (−ax−2 e−a/x ) = lim = lim ae−a/x = a. Para facilitar o cálculo do limite de sequências. então f (x) f (x) = lim . se limx→a f (x) = ∞ e limx→a g (x) = ∞. para todo n > n0 e par. xn = f (n) ∈ (L − . Intuitivamente. podemos concluir que xn → L. 3. L + ). dado qualquer Exemplo 1. para x natural. n n (n+1) . então para todo n > n0 e ímpar. deste modo dizemos que o limite quando x tende a innito é igual a L. temos que f (x) ∈ (L − . a + δ ) que é diferente de a. Suponha que dada uma função real f (x). Utilizando a regra de L'Hopital. se quando x se aproxima de a o valor de f (x) se aproxima de L. temos |xn − 1| = 0 < . . Então. Portanto. > 0. temos que dada uma função real f (x) dizemos que o limite quando x tende a um número a é igual a L. 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. x→a g (x) x→a g (x) lim quando x → ∞. existe um número natural n0 > 0 tal que para todo número real x > n0 . Mais formalmente. . 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 . de uma função f (x) denida para x real. uma sequência seja denida por xn = f (n) para todo n ∈ I N . converge para 1. Podemos reescrever esta função da seguinte maneira: Exemplo 1.13: A sequência x2n = 1 e x2n−1 = | n = 1. podemos utilizar a regra de L'Hopital que diz que se limx→a f (x) = 0 e limx→a g (x) = 0. temos que para todo > 0. 1/x Note que tanto o numerador quanto o denominador convergem para zero quando x → ∞. podemos utilizar nosso conhecimento sobre limites de funções reais para calcularmos o limite de sequências. o limite de xn é igual a a. ou. n Por outro lado. temos que f (x) ∈ (L − .CAPÍTULO 1. temos que para todo natural n > n0 . lim xn = L. xn → 1. existe n0 > 1/ . temos que f (x) ∈ (L − . temos que se limx→∞ f (x) = L. toda vez que uma sequência (xn ) for uma restrição. ou x > 0. Vamos calcular o limite da função real x(1 − e−a/x ) (1 − e−a/x ) . Deste modo. temos 1 n+1 − 1| = | | < . x→∞ x→∞ x→∞ 1/x −x−2 lim Portanto. Autor: Leandro Chaves Rêgo . Por outro lado. Logo. Como todo número natural é um número real. quando queremos calcular o limite assintótico de uma dada função. vamos recordar a noção de limite de funções reais.

tomando Autor: Leandro Chaves Rêgo . Como os índices da subsequência formam um subconjunto innito. x2 . b + ) para todo n > n0 .1. mostrar que uma certa sequência não converge: basta obter duas subsequências de (xn ) com limites distintos. Então. temos que c ≤ a − 1 < xn < a + 1 ≤ d. 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. existe n0 ∈ I N tal que n > n0 ⇒ |xn − a| < .1. . Observação 1. a+1).1.16. vemos que existe n0 ∈ I N tal que n > n0 ⇒ xn ∈ (a−1. inferior) de A. Se limn xn = a e limn xn = b. Com essa escolha de . dene-se como uma cota superior (resp. maior) cota superior (resp. ao contrário de seu máximo e mínimo. Então. No exemplo. d]. Logo. Ele será o limite procurado.17: Há duas aplicações dos Teoremas 1. o que por sua vez implica que |xni − a| < .1. No exemplo anterior. a priori. xn0 . 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. e. Consideremos o conjunto nito F = {x1 . . c ≤ x) para todo x ∈ A. Prova: Seja a = limn xn . considere a função real f (x) tal que f (x) = 0 para x ∈ /I N e f (x) = 1 para x ∈ I N . xn ∈ / (b − . = 1. limn xn = b. inferior) para A como sendo qualquer número real c tal que c ≥ x (resp. se A = (−1. 1]. Teorema 1. Uma delas é para Exemplo 1. se sabe que converge: basta determinar o limite de alguma subsequência. como limn xn = a.19: Toda sequência convergente é limitada. mostraremos que não se tem a| limn xn = b. Logo.1. temos que os intervalos 2 (a − . existe entre eles um ni0 > n0 . Logo limi xni = a. portanto. Então. note que inf A ∈ / A. a+1}. todos os termos xn da sequência estão contidos no intervalo [c. xn → 1. temos que xn = f (n) = 1 para todo n ∈ I N. Dada um conjunto de números reais A.1. tomemos = |b− . 1. . 0. Teorema 1. A outra é para determinar o limite de uma sequência (xn ) que. temos que supA = 1 e inf A = −1. Por exemplo. 0. . . Ora. não precisam ser elementos do conjunto. a + ) e (b − . ínmo) de um conjunto A a menor (resp. a. . Por exemplo. Então. Seja c o menor e d o maior elemento de F .15: (Unicidade do limite). ni > ni0 ⇒ ni > n0 .18: A sequência (1. Dene-se como o supremo (resp. A seguir provaremos alguns resultados sobre limites. logo a sequência é limitada. para n ≤ n0 . a−1. porém limx→∞ f (x) = 1. o fato da sequência convergir para um certo limite L não implica que a função real tenderá a L quando x → ∞.15 e 1. Prova: Seja limn xn = a. então toda subsequência de (xn ) converge para o limite Prova: Seja (xni ) uma subsequência de (xn ). então a = b. Dado qualquer número real b = a.1. é óbvio que c ≤ xn ≤ d e para n > n0 . Para isso.CAPÍTULO 1. Dado > 0. b + ) são disjuntos. Teorema 1. Note que o supremo e/ou o ínmo de um conjunto. existe n0 tal que n > n0 implica que xn ∈ (a − .) não é convergente pois admite duas subsequências constantes que convergem para limites diferentes.16: Se limn xn = a. a + ). . 1.

com |sen(nx)| ≤ 1 e 1 n sen(nx) n = → 0.19 é uma sequência limitada e pela parte 1.) uma sequência não-decrescente 1. n2 }.1. Logo n > n0 implica: 2 |(xn + yn ) − (a + b)| = |(xn − a) + (yn − b)| ≤ |xn − a| + |yn − b| < 2 + 2 = . Por motivo semelhante. Logo.1. Prova: Para parte 1. então limn xn · yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n ∈ I N .}. temos limn (xn yn − ab) = limn [xn (yn − b)] + limn [(xn − a)b] = 0. Como xn ≤ a para todo n (pela denição de supremo). vemos que n > n0 ⇒ a − < xn < a + . . . Então. Logo. seja (x1 ≤ x2 ≤ . Com efeito. o número a − não é cota superior do conjunto dos xn .1. pelo Teorema 1. n > n0 ⇒ |xn · yn | = |xn | · |yn | < c · c = . portanto. como a − < a. Dado > 0. 3. limitada. limn [(xn −a)b] = 0. Logo. limn xn = a. a − < xn .21: Se limn xn = 0 e (yn ) é uma sequência limitada. (nx) Exemplo 1. limn (xn /yn ) = a/b se b = 0 e yn = 0. ou seja. (mesmo que não exista limn yn ). temos xn yn −ab = xn yn −xn b+xn b−ab = xn (yn −b)+(xn −a)b. Para parte 2.1. ≤ xn ≤ .2 Propriedades Aritméticas dos Limites Estudaremos agora como se comportam os limites de sequências relativamente às operações aritméticas e às desigualdades. limn (xn · yn ) = a · b. (xn ) pelo Teorema 1. limn (xn − yn ) = a − b. 2. . Teorema 1. n > n0 ⇒ xn0 ≤ xn e. pela parte 1. já demonstrada. podemos encontrar n0 ∈ I N tal que n > n0 ⇒ |xn | < c . donde limn xn yn = ab. Prova: Para xar as idéias.23: Se limn xn = a e limn yn = b. Autor: Leandro Chaves Rêgo . Com efeito.1. existe algum n0 ∈ I N tal que a − < xn0 . limn [xn (yn −b)] = 0. . então 1.20: Toda sequência monótona limitada é convergente. limn (xn + yn ) = a + b. temos limn senn = 0. . . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 6 Teorema 1. Como a sequência é não-decrescente. dado > 0 existem n1 e n2 em I N tais que n > n1 ⇒ |xn − a| < e n > n2 ⇒ |yn − b| < 2 . Assim. n > n0 ⇒ n > n1 e n > n2 .22: Qualquer que seja x ∈ I R. Tomemos a = sup{xn : n = 1. ∀n. Isto mostra que xn · yn → 0. como limn xn = 0.1. 1 sen(nx) · n . Seja n0 = max{n1 .21. . Isto prova que limn (xn + yn ) = a + b. temos que limn (yn − b) = 0. 2. Teorema 1.CAPÍTULO 1. O caso da diferença xn − yn se trata do mesmo modo. dado qualquer > 0. Armamos que a = limn xn .1. Ora.

e limn zn = c. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 7 Para parte 3.1. então limn g (xn ) = g (a). como pela parte 2. yn é um número positivo b 2 1 inferior a b2 .1. Vamos a seguir provar que limites são preservados a aplicações de funções contínuas.1. para todo n > n0 . Portanto. limn xn = a. vemos que n > n0 implica yn < b + = a+ = a − < xn . Então.1. tal que |x − a| < δ ⇒ |f (x) − f (a)| < . Como temos que.24: É claro que resultados análogos aos ítens 1 e 2. Uma aplicação descuidada do Teorema 1.1. se limn xn = a. 2 Prova: Suponha por contradição que a > b. yn b yn b valem para qualquer número nito de sequências.1. então a < b.1. vemos que n > n0 implica a− < xn ≤ zn ≤ yn < a+ .25: Sejam xn ≤ yn para todo n ∈ I N . a sequência ( yn b ) é limitada. existe n0 tal que n > n0 ⇒ 2 2 1 yn b > b2 (basta tomar = b2 ). Por outro lado. Pondo b n0 = max{n1 . seja xn = 0 e yn = 1/n para todo n ∈ I N . + lim 1/n = 0 + .25 para desigualdades estritas não é válido. Se limn xn = limn yn = a. não é verdade que se xn < yn para todo n ∈ I N . limn sn = 1. limn (bxn − ayn ) = ab − ab = 0. portanto.1. limn zn = a. n2 }. do Teorema 1. notemos que. b = a− .23 levaria ao absurdo de concluir que Observação 1.. Pondo n0 = max{n1 . a + ) e n > n2 ⇒ yn ∈ (b − . então Prova: Dado > 0. absurdo. Observação 1. Seja limn yn = b. cada parcela n tem limite zero. Teorema 1.CAPÍTULO 1. limn zn = a. seja sn = n 1 (n parcelas).28 : Se limn xn = a e g : I R → I R é uma função contínua em a. + 0 = 0. . xn a bxn − ayn 1 − = = (bxn − ayn ) . . Por exemplo. limn yn = b. . a+ ). . limn x =a . yn b → b2 . segue-se do Teorema 1. Então. por hipótese existem 2 n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . existem n1 e n2 tais que n > n1 ⇒ xn ∈ (a − .21 que n n limn ( x −a ) = 0 e. Segue-se que. e Teorema 1. existe δ > 0. então a ≤ b.. Por exemplo. Contudo. n n n Teorema 1. sn = 1 e. limn xn = a. yn b yn b yn b Como pelas partes 1 e 2. então limn (xn + yn + zn ) = a + b + c e limn (xn yn zn ) = abc. Logo. a + ) e n > n2 ⇒ yn ∈ (a− .1. portanto. Temos que limn xn = limn yn = 0.27: Sejam xn ≤ zn ≤ yn para todo n ∈ I N . Ou seja. deve-se tomar cuidado de não tentar aplicar o teorema para certas somas (ou produtos) em que o número 1 1 +. b + ). Recorde que uma função f : I R→I R é contínua em a ∈ I R se para todo > 0.+ n de parcelas é variável e cresce acima de qualquer limite. Por exemplo.23 lim sn = lim 1/n + . n2 }.26: O resultado análogo ao do Teorema 1. e limn yn = b. Autor: Leandro Chaves Rêgo .

suponha que para todo > 0 e todo n0 ∈ I N exista n ∈ I N tal que n > n0 e xn ∈ (a − . . 1. Por suposição. temos que a é limite desta subsequência (xni ) e. Como an ≤ bn . vamos denir os demais termos da subsequência por indução. .) tem 0 como seu único valor de aderência. 0. 0. existe δ > 0 tal que |x − a| < δ ⇒ |g (x) − g (a)| < . > 0 e todo Prova: Suponha que a é um valor de aderência de (xn ). a + 1). dado qualquer n0 . Logo. . 1 1 . toda vizinhança de a contem innitos termos de (xn ).CAPÍTULO 1. como xn → a. xn+1 . Por outro lado. temos que |g (xn ) − g (a)| < . existe ni > n0 tal que i > i0 e. e somente se. consequentemente. A sequência (0. . . . tal que i > i0 ⇒ xni ∈ (a − . vamos construir uma subsequência tal que xni ∈ (a − 1/i. Suponha que exista ni > ni−1 tal que xni ∈ (a − 1/i. . 0. existe n1 tal que xn1 ∈ (a − 1. então a é o único valor de aderência de (xn ). Escrevamos Xn = {xn . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 8 > 0. a + i+1 ). Então. Autor: Leandro Chaves Rêgo .30: Se limn xn = a. lim sup Denição 1.) tem como valores de aderência 0 e 1. 1.1. a sequência (xn ) não possui valores de aderência. temos que existe n0 tal que n > n0 ⇒ |xn − a| < δ . existe uma subsequência (xni ) tal que limi xni = a. existe ni0 . β ] ⊃ X2 ⊃ . para todo n0 ∈ I N existir n ∈ I N tal que n > n0 e xn ∈ (a − . . . e somente se. a + ). . A sequência (0. a + i+1 ). a + 1/i). para todo > 0. .1. Prova: Escolha 1. portanto. 1. temos α ≤ a1 ≤ a2 ≤ . ⊃ Xn ⊃ . valor de aderência de (xn ). ≤ b2 ≤ b1 ≤ β Como toda sequência monotônica e limitada é convergente. . possui apenas um valor de aderência. Ou seja. Portanto.29: Um número real a chama-se valor de aderência de uma sequência (xn ) quando a é limite de alguma subsequência de (xn ). Seja xn = n. Exemplo 1. a + ). Teorema 1. Chamemos este n de ni+1 . limn g (xn ) = g (a). e que a sequência converge se. a + ). e construímos a desejada subsequência. ≤ an ≤ . lim inf . 3.3 Valores de aderência. . . Reciprocamente. Seja (xn ) uma sequência limitada de números reais. Por suposição. temos que an → a e bn → b. . . Mostraremos que o conjunto de valores de aderência de (xn ) não é vazio. xni ∈ (a − . arbitrário. denindo an = inf Xn e bn = sup Xn . e somente se. mais especicamente. Como g é contínua em a. para n > n0 . ≤ bn ≤ . . Então. para queremos provar que existe ni+1 > ni tal que xni+1 ∈ (a − i+1 1 1 1 = i+1 e n0 = ni . 0. Temos [α.31: a é valor de aderência de (xn ) se. O próximo teorema mostra que um número real a é valor de aderência de uma sequência (xn ) se. . Então.1.1.}. a + ). existe um n > n0 tal que xn ∈ (a − i+1 . que entre eles existe um que é o menor de todos e outro que é o maior. como (xni ) contém innitos termos de (xn ). 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 ). embora não seja convergente. 2. Suponha que α ≤ xn ≤ β para todo n ∈ I N . . tem-se lim inf xn ≤ lim sup xn . ou seja. Vamos construir uma subsequência (xni ) tal que limi xni = a. a + 1/i).

existe um n0 ∈ I N tal que n > n0 e m > n0 implica |xm − xn | < . Então. concluímos que n ≥ n0 ⇒ c < an0 ≤ xn .33: Seja (xn ) uma sequência limitada. Portanto. A demonstração para lim sup se faz de modo semelhante. logo o intervalo (c − . isto é. Mostremos agora que nenhum número c < a pode ser valor de aderência de (xn ).1. a + ).4 Sequências de Cauchy Provamos anteriormente que toda sequência monótona limitada é convergente. existe > 0. existe n1 > n0 tal que a − < an1 < a + . tal que para todo n0 ∈ N existe n > n0 tal que xn ∈ / (a − . Como an0 = inf Xn0 . Compare com a denição de limite. e mostraremos que dados > 0 e n0 ∈ I N arbitrários.1. onde se exige que os termos xn se aproximem e permaneçam arbitrariamente próximos de um número real a dado a priori. esta subsequência possui valores de aderência que são valores de aderência de (xn ) e estão fora do intervalo (a − . Então existe uma subsequência de (xn ) cujos termos não estão no intervalo (a − . segue-se de c < a que existe n0 ∈ I N tal que c < an0 ≤ a. xn .1. a + ). Autor: Leandro Chaves Rêgo . Para isto. Se lim inf xn = lim supn xn = a. 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 . usaremos o Teorema 1. que nos dá uma condição necessária e suciente para a convergência de números reais. segue-se da última igualdade que a + (sendo maior que an1 ) não é cota inferior de Xn1 . então vimos que a é o único valor de aderência.CAPÍTULO 1. e somente se.1. lim inf xn = 0 e lim sup xn = 1 e estes são os dois únicos valores de aderência da sequência (xn ).1. Aqui se impõe uma condição apenas sobre os termos da própria sequência. Logo. Verica-se sem diculdade que aderência e lim sup xn é o maior valor de aderência de (xn ). a + ). Ora. mente se. 1 1 Exemplo 1. lim inf xn é o menor valor de Prova: Provaremos inicialmente que a = lim inf xn é valor de aderência de (xn ). existe n ≥ n1 tal que an1 ≤ xn < a + . possui um único valor de aderência. 1. então suponha que xn não convirja para a. existe n ∈ I N tal que n > n0 e xn ∈ (a − . Isto nos permite concluir que uma sequência possui limite mesmo sem conhecermos o valor deste limite. vemos que c + = an0 . Corolário 1.33. Denição 1.35: Uma sequência (xn ) de números reais é uma sequência de Cauchy quando dado qualquer > 0. c + ) não contém termo xn algum com n ≥ n0 . para valores sucientemente grandes de índices n e m.1. exige-se que seus termos xm . Teorema 1. Prova: Se (xn ) convergir para a. Logo. A m de que (xn ) seja uma sequência de Cauchy.32 : Sejam x2n−1 = − n e x2n = 1 + n . e so- lim inf xn = lim supn xn = a. Isto nos dá n > n0 com a − < xn < a + . Como a = limn an . a + ). uma contradição. Como an1 = inf Xn1 .34: Uma sequência limitada de números reais (xn ) é convergente se. se aproximem e permaneçam arbitrariamente próximos uns dos outros. Isto exclui a possibilidade de c ser valor de aderência de (xn ). lim inf xn = lim supn xn . Pelo Teorema 1.1. Veremos agora o critério de Cauchy. se.31. Tomando = an0 − c. Logo. como a = limn an .

formamos uma s1 = a1 .2. xn0 +1 − 1.2 Séries de Números Reais Nesta seção. . para valores grades de n. Logo.38: Toda sequência de Cauchy é limitada. xn0 +1 + 1). como (xn ) é uma sequência de Cauchy. logo (xn ) é limitada. Pelo Lema 1. É claro que não tem sentido somar uma sequência innita de números 1 +4 + . xn0 +1 + 1}. n > n0 ⇒ |xn − a| ≤ |xn − xn1 | + |xn1 − a| < . xn ∈ [α. Então. m > n0 ⇒ |xm − a| < /2. . + 21 todo n > n0 . . s2 = a1 + a2 . . O que o primeiro membro da igualdade acima exprime é o limite limn ( 1 n ).36: Toda sequência convergente é de Cauchy. pelo Teorema 1. .37: Toda sequência de Cauchy de números reais é convergente. Portanto. 1. + an . Como a é valor de aderência de (xn ). x2 . . existe também n1 > n0 tal que |xn1 − a| < /2. e portanto necessariamente aproximam-se uns dos outros. Lema 1. Prova: Seja (xn ) uma sequência de Cauchy. Logo. na qual o primeiro termo é uma soma com uma 2 4 innidade de parcelas.39: Se uma sequência de Cauchy (xn ) possui um valor de aderência a ∈ I R.1. Sejam α o menor e β o maior elemento do conjunto X = {x1 . . . + 21 reais. A parcela an é chamada o Autor: Leandro Chaves Rêgo . sn = a1 + .1. . ou seja (xn ) é uma sequência de Cauchy. ela é limitada. .1. os termos xn se aproximam de a. + 21 n + . para +1 + . que são chamados de soma parcial ou reduzida da série n-ésimo termo ou o termo geral da série. seja (xn ) uma sequência de Cauchy. n > n0 ⇒ xn ∈ (xn0 +1 − 1. . a soma 1 n difere de 1 por menos de . n > n0 ⇒ |xm − xn | < 2 . A partir dela.33. Prova: Dado > 0.1. an . Intuitivamente: se limn xn = a então. então limn xn = a. . = 1. possui um valor de aderência e segue do Lema 1. n > n0 ⇒ |xn0 +1 − xn | < 1. n > n0 ⇒ |xm − xn | < 1.1. Prova: Seja limn xn = a. ou seja. Prova: Iremos provar este teorema utilizando dois Lemas. . estenderemos a operação de adição de modo a atribuir signicado a uma igualdade do tipo 1 +1 + . obtemos n0 ∈ I N tal que m. 2 A armação contida naquela igualdade signica que para todo > 0 existe n0 tal que. existe n0 ∈ I N tal que m. Tomando Lema 1. Então. m.1.1. Em particular para m = n0 + 1. dado > 0 existe n0 tal que n > n0 ⇒ |xn − a| < /2 e Teorema 1. = 1. . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 10 Teorema 1. . Isto mostra que limn xn = a. n > n0 ⇒ |xm − xn | ≤ |xm − a| + |xn − a| < /2+ /2 = . . Então. 2 4 nova sequência (sn ) cujos elementos são as somas Denição 1. .39 que (xn ) converge.1: Seja (an ) uma sequência de números reais.38. β ] para todo n ∈ I N.CAPÍTULO 1. xn0 . .

a sequência (xn ) é convergente. .2: Toda sequência (xn ) de números reais pode ser considerada como a Teorema 1. tem-se também s = limn sn−1 . Isto não é verdade. pois n temos limn sn = +∞. Com 1 1 1 1 1 + ( + ) + . . Ao estudar a série cujas reduzidas são sn .. a1 + . . . A primeira condição necessária para convergência de uma série é que seu termo geral tenda para zero. + (xn − xn−1 ) = xn . + an . 1 . Então. Observação 1. 2 4 2 2 Segue-se que limn s2n = +∞ e.3: Se an é uma série convergente. pode-se dar a impressão de que a teoria das séries coincide com a teoria dos limites de sequências.2. 0 = s − s = limn sn − limn sn−1 = limn (sn − sn−1 ) = limn an . A série an assim obtida converge se. Logo. + an + .2.2. . . Se a sequência de somas parciais não convergir. ∞ n=0 ∞ n=0 an = limn sn = 1 .2. . concentraremos atenção sobre os termos an . pois sn − asn = (1 + a + . + an ) − (a + a2 + .2. então limn an = 0. 1 1 1 diverge. a série r > n nr para todo n > 1. pois neste caso seu termo geral não tende a zero. No caso armativo. . . a soma desta série é igual a limn xn . como sn é monotonicamente crescente. + an+1 ) = 1 − an+1 1 − an+1 ⇒ sn (1 − a) = 1 − an+1 ⇒ sn = .CAPÍTULO 1. .. pela série harmônica efeito. 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 . s2n = 1 + Exemplo 1. . Em vez de tomar como ponto de partida o comportamento dos números sn . Então.4: A recíproca do Teorema 1. + an ). Resulta daí que. Evidentemente. an é divergente. 1−a Então. a série geométrica converge. Escreve∞ s= an = n=1 an = a1 + a2 + .3 é falsa. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Se existir o limite 11 s = lim sn = lim (a1 + . . temos 1 . + n = 1 + n · . n tende para zero mas a série diverge. 1−a Autor: Leandro Chaves Rêgo . . + an = x1 + (x2 − x1 ) + . por conseguinte. Quando |a| < 1. . para 0 < r < 1. existe s = limn sn . e somente se. . Assim falando. O contra-exemplo clássico é dado Seu termo geral. n Exemplo 1.5: A série geométrica an é divergente quando |a| ≥ 1. Prova: Seja sn = a1 + . . . + ( n−1 + ··· n) 2 3 4 2 +1 2 n−1 2 1 1 2 > 1 + + + . . diremos que a série sequência das reduzidas de uma série. n→∞ diremos que a série remos então an é convergente e o limite s será chamado a soma da série. pelo seguinte motivo.

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

9: Sejam (i) (ii) an e bn duas séries de termos não negativos.11: Vamos provar que a série é convergente quando r > 1. 1 . = 1 + r−1 + r−1 2 4 2 4 1 1 2 = 1 + ( r−1 ) + ( r−1 ) + . convergente. ... bn diverge. . r 2 3 4 5 6 7 1 1 1 1 1 1 ≤ 1 + ( r + r) + ( r + r + r + r) + . raciocinamos por absurdo: se bn convergisse.12: A série senx < x. an ≤ bn para todo n ∈ I N . 2n−1 consiste em compará-la Como esta é convergente.. 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + .10: Um modo de provar a convergência da série 1 1 1 1 = < = n−1 . . temos que para todo k ≥ 1: é convergente. Exemplo 1. . 2 2 1+( Isto nos mostra que convergente. 0≤ Como gente. satisfazendo à desigualdade sn ≤ tn . bn converge ⇒ an diverge ⇒ an converge. 1 n! com a série geométrica de razão 1/2. diminuindo os denominadores de seus termos. pois 0 ≤ an ≤ bn . π/2).n 2 · 2. an também teria de convergir. . de acordo com o seguinte esquema: 1 nr 1 1 1 1 1 1 + r) + ( r + r + r + r) + . majoramos as somas parciais da série. ..CAPÍTULO 1. Então.. No caso (i). Observemos que Exemplo 1. .. pois como para todo x ∈ (0. ∞ 1 k=1 k2 1 1 1 1 sen ≤ · . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 13 Teste de Comparação Teorema 1.2.2. + bn são sequências não decrescentes. portanto.2 2 donde se vê que a série dada é dominada pela série concluímos que a série original também é convergente. + an e tn = b1 + . n! 2 · 3. segue do critério da comparação que é conver- Autor: Leandro Chaves Rêgo .. . 1 nr é dominada pela série geométrica de razão q = ∞ 1 1 k=1 k sen k 1 2r−1 < 1. tn converge para um certo limite t.2. então sn ≤ t para todo n. Suponhamos ainda que a primeira seja dominada pela segunda. Prova: As somas parciais das séries dadas sn = a1 + . Para isso. contrariando a hipótese.. k k k k ∞ 1 1 k=1 k sen k é convergente. então. pela parte (i). sn é uma sequência monótona limitada e. Para provar (ii). ou seja.2. que é Exemplo 1.

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

ou é absolutamente |an | é convergente.. já que ela é Teste da Razão Para Séries de Termos Quaisquer Teorema 1. Suponhamos que +1 limk | ak | = r . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 15 1. a primeira delas converge. . Exemplo 1. existirá um natural p tal que k ≥ p ⇒ |k > 1. Então. = ∞ (−1)n n=1 n2 é convergente. convergente. cujas somas independem da ordem em que se considerem seus termos. a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos termos ar negativos. . n Exemplo 1.2. digamos para p e q . |a +1 | Se r > 1. respectivamente. Concluímos que (Sn ) também converge: Sn = pn − qn → p − q . a série ∞ k=0 ak será divergente. logo ∞ k=0 ∞ k=0 ak será. .2. então. Ao mesmo tempo. logo convergente. Para |x| = 1. Solução: Para x = 0 a soma da série é zero. Autor: Leandro Chaves Rêgo . digamos.17: Toda série absolutamente convergente é convergente. limk |ak | não poderá ser zero e o mesmo acontecerá. + an = pn − qn . ak |ak | será convergente pelo teste da razão. As sequências (Tn ). com limk ak . a série converge se r < 1 e diverge se r > 1. Então. para todo k > p. Teorema 1. se a série an converge absolutamente. que a série é convergente para |x| < 1 e divergente para |x| > 1.2. lim | n n+1 (n + 1)xn+1 | = |x| lim = |x |. da série independe da ordem em que se consideram os termos. respectivamente. basta notar que pn e qn são somas parciais de séries de termos não negativos.18 : A série −1 + absolutamente convergente. 1 4 − 1 9 + . Suponhamos então que x = 0 e apliquemos o critério da razão. pn ≤ Tn ≤ T e qn ≤ Tn ≤ T . a série ∞ k=0 ak . em ambos os casos. Então. por hipótese.2 Convergência Absoluta Denição 1. . r ≤ n. a série é divergente pelo critério do termo geral. as somas parciais das séries |an | e an são dadas por Tn = |a1 | + |a2 | + . logo pn e qn também convergem.2.2. (pn ) e (qn ) são não decrescentes.CAPÍTULO 1. ak | |ak | > |ap |. Para demonstrar a segunda parte do teorema. Pelo critério do termo geral.. n n nx n Segue do critério da razão. Além disso. onde. para T .19: Seja a série Prova: Se r < 1. com ak = 0 para todo natural k . também. + |an | = pn + qn e Sn = a1 + a2 + .16: Diz-se que uma série convergente. Como ap = 0.20: Determine x para que a série ∞ n=1 nx seja convergente.2.

2. ! √ = 1. lim | n n!xn+1 1 | = | x | lim = 0. x → x0 . 1 x 1 ) = o( x ) para x → 0. n n+1 (n + 1)!xn Segue do critério da razão. n→∞ n→∞ n! √ √ n ) 2πn en ( n e lim n n 2πn n→∞ Portanto. Suponhamos então que n x = 0 e apliquemos o critério da razão. logo a série diverge. o termo geral da série diverge. que a série é convergente para todo x real. 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 = ∞. para x → x0 e escrevemos 2 f (x) = O(g (x)). Suponhamos então que x = 0 e apliquemos o critério da razão.CAPÍTULO 1. x → x0 . então ||f ≤ M. n +1 n n +1 n (n + 1) n n+1 n!(n + 1) x e Segue do critério da razão. Autor: Leandro Chaves Rêgo . sen2 x = o(x) e cos( x x cos(1/x) tendem a zero com x → 0. 1. lim | n (n + 1)!nn xn+1 (n + 1)nn n n |x | | = | x | lim = |x| lim( ) = . pois ambos quocientes. quando existem números positivos δ e M tal que se |x − x0 | < δ . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS n 16 x Exemplo 1.2. utilizando a aproximação de Stirling. dizemos que f é de ordem pequena em relação a g . g (x)| dizemos que f é de ordem grande em relação a g . 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhança de x0 . Se |x| = e. (x)| isto é. Solução: Para x = 0 a soma da série é zero.21: Determine x para que a série ∞ n=1 n! seja convergente.3 Ordens de Magnitude (x) Quando duas funções f e g são tais que o quociente f tende a zero com x tendendo a um g (x) certo x0 . logo convergente.2. que a série é convergente para todo |x| < e e divergente para |x | > e . Solução: Para x = 0 a soma da série é zero.22: Determine x para que a série ∞ n=1 nn seja convergente. sen e Por exemplo. logo convergente. n!x Exemplo 1. para x → x0 e escrevemos f (x) = o(g (x)).

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

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

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

r +1 n +2 2 c r=0 onde c é um número entre 2 e x. torno do ponto a = 2. = r se r for par. podemos concluir que eix = cos(x) + i sen(x).3. temos −1. Solução: Note que f (2) = 1/2. f (x) = −x2 . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 20 (1 + x)−1 . Portanto. (2r + 1)! sen(x) = r=0 Logo. e que em geral temos: (r ) −1)r f (r) (x) = (−1)r r!x−r−1 . x > 0. 2r ! (−1)r 2r+1 x . e que em geral temos: f (r) (x) = (−1)r−1 (r − 1)!(1 + x) . r (n + 1) onde c está entre 0 e x.5: Fórmula de Euler. Neste exemplo usaremos √ séries de Taylor para demonstrar a fórmula de Euler: eix = cos(x) + i sen(x). Portanto. r −1 Então. 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 .3. 2r ! (2r + 1)! r=0 ∞ cos(x) = r=0 ∞ (−1)r 2r x . f (x) = −1(1 + x)−2 .CAPÍTULO 1. 1 Exemplo 1. em Exemplo 1. onde i = inteiro r. (−1) 2 cos(x) dxr dr sen(x) = dxr (−1) 2 cos(x) se r for ímpar. Autor: Leandro Chaves Rêgo . r (−1) 2 sen(x) se r for par. 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 . f (r) (0) = (−1)r−1 (r − 1)!. 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. f (x) = 2x−3 . Note que para qualquer dr eix = ir eix . r dx r +1 dr cos(x) (−1) 2 sen(x) se r for ímpar. f (x) = 1 = 1+x −r f (x) = r=1 (−1)r−1 r (−1)n (1 + c)−(n+1) n+1 (x) + (x) . f r!(2) = (2 r +1 .4: Vamos obter a série de Taylor de ordem n da função f (x) = x .

1 Seqüência de Eventos A denição de conceitos de convergência de variáveis aleatórias depende de manipulações de seqüências de eventos. ω não pertence apenas a um número nito de eventos Ak 's. se. para todo n existe n ≥ n tal que ω ∈ An . temos que isto é equivalente a existência de um número innito de índices k tais que ω ∈ Ak . e somente se. pois se ω ∈ lim inf An . 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 . dene-se: k≥n ∞ inf Ak = ∩∞ k=n Ak . ω ∈ lim sup An . para todo n. O limite de uma seqüência de eventos é denido da seguinte maneira: se para alguma seqüência (Bn ) de eventos lim inf n Bn = lim supn Bn = B .Capítulo 2 Convergência Estocástica 2. ou seja. e somente se. n n Exemplo 2. 21 Prova: Para parte (a). Seja An ⊆ Ω. note que ω ∈ lim sup An .1. A prova da parte (b) é similar. ω ∈ ∪∞ k=n Ak . Logo.2. n+1 ) = lim sup[0.1. Como isto é válido para todo n. 1. lim inf An ⊆ lim sup An Este fato é uma simples conseqüência do Teorema 2. ω ∈ / Ak para um número nito de índices k . se.2: Seja (An ) uma seqüência de eventos de Ω. (b) ω ∈ lim inf An se. n+1 ) = [0. e conseqüentemente pertence a um número innito deles. 1) Teorema 2. A seguir descreveremos algumas propriedades do lim inf e lim sup de uma seqüência de eventos. ω ∈ Ak para um número innito de índices k . e somente se. então B é chamado de limite de (Bn ) e nós escrevemos limn Bn = B ou Bn → B . .1. e somente se. (a) ω ∈ lim sup An se.1: lim inf[0.

A prova de (2) é similar. 1 − n ] = [0. . 1). segue que: lim inf Bn = lim(inf Bk ). A1 ⊇ A2 ⊇ . Autor: Leandro Chaves Rêgo . 1]. Por outro lado.. 1 + n ) = [0. então limn An = ∪∞ n=1 An . (resp. 2. lim sup An = ∪∞ k=1 Ak . Mostre que: c 1.5: Sejam An . Prova: Para provar (1). 1 + n ) = ∩∞ n=1 [0. n−1 ) = {1}. . Como ∞ lim inf An = ∪∞ n=1 (∩k≥n Ak ) = ∪n=1 An . Logo.1. . limn [0. n− ) = ∩∞ n=1 ( n+1 . temos. e portanto. Teorema 2.). Se An ↑.1. lim sup Bn = lim(sup Bk ) n k ≥n n k ≥n Aj ⊆ Aj +1 . então limn An = ∩∞ n=1 An . precisamos mostrar que lim inf An = lim sup An = ∪∞ n=1 An . CONVERGÊNCIA ESTOCÁSTICA 2. 1 Exemplo 2. Se An ↓. 1. 1 − n ] = ∪∞ n=1 [0. (lim inf An )c = lim sup Ac n Este fato decorre aplicando a Lei de De Morgan duas vezes: ∞ c ∞ ∞ c ∞ ∞ c (∪∞ n=1 ∩k=n Ak ) = ∩n=1 (∩k=n Ak ) = ∩n=1 (∪k=n Ak ). c c c c c Solução: lim inf Ac n = (lim sup An ) = A e lim sup An = (lim inf An ) = A . Exemplo 2. An ↓) uma seqüência não-decrescente (resp. temos inf k≥n Bk ↑ e supk≥n Bk ↓.CAPÍTULO 2. Bn . n n n n 3. 22 Seqüências Monotônicas Uma seqüência de eventos (An ) é monotônica não-decrescente (resp. Então. não-crescente) de eventos. temos igualdade acima.4: 1 1 1.1. não-crescente) se A1 ⊆ A2 ⊆ . Denotaremos por An ↑ (resp.3: Suponha que (An ) é uma seqüência monotônica de eventos. B eventos em Ω. temos ∩k≥n Ak = An . se limn An = A.. ou seja. ∞ lim sup An = ∩∞ n=1 (∪k≥n Ak ) ⊆ ∪k=1 Ak = lim inf An ⊆ lim sup An . limn ( n+1 . 1 1 2. . então limn Ac n = A . como para qualquer seqüência Bn . Conseqüentemente. A. limn [0.

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

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

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

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

. tem probabilidade zero e. Então. Autor: Leandro Chaves Rêgo . . Suponha que F (x) < 1. Dena Yn = max(X1 .4 : P (Yn ≤ M : n = 1. 2. Convergência na r-ésima Média Denição 2. Notação: Yn →r Y . k ) = P (Yk ≤ M ) = P (max(X1 .CAPÍTULO 2. Fazendo k → ∞.i.3: Seja {Xn }n≥3 uma seqüência de variáveis aleatórias independentes com P (Xn = 0) = 1 − Mostre que Xn 0 cp1. Dessa forma. . X2 ≤ M.2. log n log n tal que 0 < < 1. ∀n ≥ 3. Vamos vericar que Yn → ∞ cp1. . Yn → ∞ cp1. . . . Xn 0. temos que para todo M nito. . Seja M um número real. Se r = 2 este tipo de convergência é freqüentemente chamado de convergência em média quadrática. Xn ). . Inicialmente. .) ≤ P (Yn ≤ M : n = 1. converge na r-ésima Média. portanto. observe que para cada ω ∈ Ω. Solução: Para qualquer 1 1 e P (Xn = n) = . o conjunto dos w ∈ Ω. 2. temos Exemplo 2.2.2. . em que limn Yn (w) é nito. . CONVERGÊNCIA ESTOCÁSTICA 27 distribuição de probabilidade dada por: Exemplo 2. para todo x < ∞. n pois F k (M ) tende a zero. portanto com probabilidade 1. . temos que P (|Xn | > ) = P (Xn = n) = 1 . o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1. Y2 . . quando k → ∞. . . Considere {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. onde r > 0. . X2 .d.) = 0. Xk ≤ M ) k = n=1 P (Xn ≤ M ) = F k (M ). n P (|Xn | > ) = n log n = ∞. ∀k ≥ 1. X2 . 2. . . . log n 1 Logo. para a variável aleatória Y se n→∞ lim E |Yn − Y |r = 0.5: A seqüência de variáveis aleatórias Y1 . com função de distribuição F. . as variáveis Yn formam uma seqüência nãodecrescente de números reais. . Xk ) ≤ M ) = P (X1 ≤ M. P (lim Yn ≤ M ) = P (Yn ≤ M : n = 1. . .

ela também possui distribuição normal. n n 1 − x2 √ e 2 dx. 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. Exemplo 2.9: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2.CAPÍTULO 2. Xn r nr → ∞. X2 . Solução: Temos que para 0 < < 1.6: Sejam Z. X1 . COV (X. . Y2 . onde as varáveis aleatórias têm distribuição normal conjunta. . limn→∞ P (|Xn − X | > ) = 0. ∀ > 0. n+1 então Xn →2 Z se EZ 2 < ∞. Então. mas não em caso contrário. todas com média 0 e matriz de covariância parcialmente descrita por 1 .2. Yn ∼ N (0. Exemplo 2. n ∞ 2 1 )+1= . . temos que ∀ > 0. para todo r > 0. Mostre que Xn r 0. n Seja Yn = Xn − X . converge em probabilidade para a variável aleatória Y se ∀ > 0 n→∞ lim P ({w : |Yn (w) − Y (w)| > }) = 0.10: Considere X. log n 0. como Yn é uma combinação linear de variáveis aleatórias com distribuição normal.8: A seqüência de variáveis aleatórias Y1 .2. Xn ) = 1. Mostre que Xn →P 0. Convergência em Probabilidade Denição 2. Xn →P 0. CONVERGÊNCIA ESTOCÁSTICA 28 Exemplo 2. X ) = COV (Xn . X1 . variáveis aleatórias tais que Xn = n Z. Como P (Xn = n) = lim P (|Xn | > ) = 0. . Notação: Yn →P Y .3.2. Precisamos determinar então sua média e sua variância.2. . então Xn →s X para s < r. Autor: Leandro Chaves Rêgo . ou seja. P (|Xn | > ) = P (Xn = n) e 1 log n → 0. Solução: Temos que E |Xn |r = nr P (Xn = n) = Logo. Portanto. . Exemplo 2.7: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2.2.2.3. Mas EY = E (Xn − X ) = EXn − EX = 0 e COV (X.2. Xn →P X . X2 . para ≥ 1. Portanto. . . Pode-se provar que se Xn →r X . √n 2 π 2 ∞ P (|Xn − X | > ) = P (|Yn | > ) = 2P (Yn > ) = 2 √ n ny2 √ e− 4 dy = 2 4π Logo. Xn ) = 1 − 2 V arY = EY 2 = E (Xn − X )2 = EXn − 2EXn X + EX 2 = 1 − 2(1 − 2 ). .. P (|Xn | > ) ≤ P (Xn = n).

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

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

se 0 < x ≤ 1 0 . se 0 ≤ x ≤ 1 0 . c D = C c = ∪ >0 D . tem-se que P (∩∞ N =1 ∪n≥N Bn ) = lim P (∪n≥N Bn ). ∀x ∈ I R. Contudo. limN FN = ∩∞ N =1 ∪n≥N Bn . Xn → X . se 0 < x ≤ 1 F ( x) =  1 . caso contrário. caso contrário. Portanto. Note que FN ↓. Seja FN = ∪n≥N Bn . pelo axioma da continuidade monotônica da probabilidade. convergência quase certa implica que ∀ > 0. Teorema 2.2. . Logo. N →∞ Então. 1 . P (D ) = 0.2 Relação Entre os Tipos de Convergência A primeira relação que iremos provar é que convergência quase certa implica convergência em probabilidade. se x ≤ 0  0 x . = {w : |Xn (w) − X (w)| ≤ }. .2. fn (x) 2. se x > 1. O próximo teorema prova que convergência na r-ésima média implica convergência em probabilidade. Portanto. N →∞ Portanto. Então Fn e F são absolutamente contínuas com densidade dada por fn (x) = e 1 − cos 2nπx . Se Xn → X cp1. pela interpretação de convergência pontual. então P (C ) = 1. 0 = P (D ) = lim P (∪n≥N Ac n. pela Lei de De Morgan. CONVERGÊNCIA ESTOCÁSTICA e 31  . Equivalentemente. onde D = ∩∞ N =1 ∪n≥N An. ) = lim P (|XN (w) − X (w)| > ). Logo.CAPÍTULO 2. e P (∪ >0 D ) = 0. ) ≥ N →∞ N →∞ lim P (Ac N. C = {w : Xn (w) → X (w)} = ∩ >0 ∪∞ N =1 ∩n≥N An. Prova: Para provar que convergência quase certa implica em convergência em probabilidade. P Autor: Leandro Chaves Rêgo . f (x).17: Xn → X cp1 ⇒ Xn →P X . f (x) = É fácil ver que Fn (x) → F (x). considere a seguinte família de eventos An.

. Denamos Yn (w) = 1 se X (w) ∈ In . para todo n→∞ lim P ({w : |Xn − X | > }) = 0. Porém para todo w ∈ Ω. . 2.20: Xn →P X se. e esta probabilidade. Autor: Leandro Chaves Rêgo . Logo. 0 se X (w) ∈ / In . converge para zero quando n → ∞. 1]. Esta seqüência também converge na r-ésima média para todo r > 0. Yn (w) não converge para todo w. ou seja. tem-se que r E( ou seja. Note que tem-se 2m intervalos de comprimento 2−m que cobrem todo o intervalo [0. . Logo.19: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. CONVERGÊNCIA ESTOCÁSTICA 32 Teorema 2. e i = 0.CAPÍTULO 2. Exemplo 2. . O próximo exemplo prova que nem convergência em probabilidade. E (|Xn − X |r ) r ≥ P ({w : |Xn − X | > }). 1. Portanto. |Xn − X |r ) ≥ E (I{w:|Xn −X |> } ). Prova: Primeiro note que |Xn −X |r r ≥ I{w:|Xn −X |> } . Então. A seqüência Y1 . . que é igual ao comprimento de In . visto que E (|Yn |r ) = P (Yn = 1) → 0 quando n → ∞. Teorema 2. e somente se. pois para 0 < ≤ 1. Xn →P X . . Yn converge na r-ésima média para 0.2. tem-se que limn→∞ E (|Xn − x|r ) = 0.2. 1. 2m 2m para m = 0. . o que implica que Yn não converge quase certamente. P (|Yn | ≥ ) = P (Yn = 1) = P (X ∈ In ).2. e o comprimento dos intervalos ca cada vez menor tendendo a 0. . >0 Se Xn →r X . O próximo teorema estabelece mais uma relação entre convergência quase certa e convergência em probabilidade. ]. 2m − 1. Yn (w) = 1 para um número innito de n's e Yn (w) = 0 para um número innito de n's. nem convergência na r-ésima média implicam convergência quase certa. . Y2 . toda subseqüência {Xnk } possui uma outra subseqüência {Xnk(i) } tal que Xnk(i) → X cp1 para i → ∞.18: Xn →r X ⇒ Xn →P X . . converge em probabilidade para 0. e considere a seqüência de intervalos denida por I2m +i = [ i i+1 . 1].

Seja Ai = {|Xnk(i) − X | ≥ i−1 }. temos {w : Xn (w) ≤ x} ⊆ {w : X (w) ≤ x + } ∪ {w : |Xn (w) − X (w)| > }.CAPÍTULO 2. mas E (|Yn |r ) = 2nr n → ∞. escolha uma Exemplo 2. Autor: Leandro Chaves Rêgo . para qualquer δ > 0.21: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. onde c é uma constante. P (Ai nitas vezes) = 1. Teorema 2. Queremos provar que FXn (x) → FX (x) quando n → ∞.17. FX (x − ) − P (|Xn − X | > ) ≤ FXn (x) ≤ FX (x + ) + P (|Xn − X | > ). Em particular.2. Xn ≤ x ⇒ X ≤ x + ou |X − Xn | > . Logo. O próximo exemplo mostra que convergência em probabilidade não implica convergência na r-ésima média Prova: Suponha que Xn →P X . P (|Yn | > ) = P (X (w) ∈ (0. n )) = O próximo teorema trata da relação entre convergência em distribuição e convergência em probabilidade. Logo. temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0. Se Xn não converge para X em probabilidade. 1 Então. Xnk(i) → X cp1. Prova: Para parte (a). n ). Portanto. CONVERGÊNCIA ESTOCÁSTICA 33 outra subseqüência {Xnk(i) } tal que j ≥ k (i) implica que P (|Xnj − X | ≥ i−1 ) < 2−i . logo pelo Teorema 2. Como Xn →P X . X ≤ x − ⇒ Xn ≤ x ou |Xn − X | > de modo que FX (x − ) ≤ FXn (x) + P (|Xn − X | > ). Portanto. 1 0 se X (w) ∈ / (0. temos que FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ. ou seja. temos que P (|Xnk(i) − X | ≥ i−1 ) < 2−i . ∞ ∞ −i então = 1 < ∞. and ∀n. 1]. temos que ∀ > 0. existe N tal que para n ≥ N .2. Logo nenhuma subseqüência de {Xnk } pode convergir para X em probabilidade. então Xn →P c. pelo Lema de Borel-Cantelli. Considere a seguinte seqüência de varáveis aleatórias Yn (w) = 1 2n se X (w) ∈ (0. FXn (x) = P (Xn ≤ x) ≤ FX (x + ) + P (|Xn − X | > ). nenhuma subseqüência converge para X quase certamente.2. Como para > 0. existe um > 0 e uma subseqüência {Xnk } tal que P (|Xnk − X | > ) > . |Xnk(i) − X | < i−1 exceto para um número nito de i's com probabilidade 1. então dada qualquer subseqüência {Xnk }.22: As seguintes relações entre os tipos de convergência são válidas: (a) Xn →P X ⇒ Xn →D X (b) Se Xn →D c. Por outro lado. 1 n 1 → 0. n ). suponha que Xn →P X e seja x um ponto de continuidade de FX . Juntando as duas desigualdades.

23: (a) Yn →P 0. A Figura 2. Xn ∼ U (0. CONVERGÊNCIA ESTOCÁSTICA 34 Finalmente. Ou seja. 1) são variáveis aleatórias i. se x < c e limn→∞ FXn (x) = 1.1 resume a relação entre os tipos de convergência. . como x é ponto de continuidade de FX . tem-se que limn→∞ FXn (x) = 0.d.CAPÍTULO 2. . Exemplo 2. Xn ) e Un = nYn .i. Note que a função de distribuição de uma variável aleatória constante c é: 1 se x ≥ c. suponha que Xn →D c. Autor: Leandro Chaves Rêgo . limn→∞ P (|Xn − c| > ) = 0. Pela convergência em distribuição. ∀ > 0. . sendo U ∼ Exp(1). Para n ≥ 1. Fc (x) = 0 se x < c. Figura 2. se x > c. limn→∞ FXn (x) = FX (x). para sucientemente pequeno.2. temos que FX (x) − 2δ ≤ FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ ≤ FX (x) + 2δ. P (|Xn − c| ≤ ) = P (c − ≤ Xn ≤ c + ) ≥ P (c − < Xn ≤ c + ) = FXn (c + ) − FXn (c − ) → 1 quando n → ∞. para > 0. Mostre que (b) Un →D U . Logo.1: Relação entre os tipos de convergência. Para parte (b). X2 . Ou seja. . Dena Yn = min(X1 .

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

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

∀t ∈ R. temos que Xn (ω ) → 0. Se 0 ≤ Xn ↑ X . O próximo exemplo mostra que nem sempre Xn → X ⇒ EXn → EX . . Note também que de acordo com esta denição. . a função de distribuição acumulada determina a função característica de uma variável aleatória. Sejam X. conseqüentemente. ∀ω .2. Autor: Leandro Chaves Rêgo . X2 .2. X2 . mada de Fourier da densidade de probabilidade de X . No caso particular de uma variável aleatória discreta. vamos enunciar dois teoremas importantes que tratam da convergência de esperanças de variáveis aleatórias. P1. EXn = 1 = 0 = E 0. Teorema 3. a função característica de qualquer variável aleatória é bem denida. variáveis aleatórias. 1). A seguir listamos algumas propriedades da função característica. Analogamente. então. E 2 cos(tx) ≤ E cos2 (tx) e E 2 sen(tx) ≤ E sen2 (tx). . Assim X e Xn são integráveis e EXn → EX . X1 . Sejam Y. Considere que Y seja integrável.3: Teorema da Convergência Monótona. A função característica é limitada por 1: |ϕX (t)| ≤ 1. . Observação 3. Considere a seguinte seqüência {X1 . a esperança na denição acima é nita e. temos: ϕX (t) = k eitxk p(xk ). 1/n) e Xn (ω ) = 0 em caso contrário.CAPÍTULO 3.2: A função característica de uma variável aleatória contínua é a transfor- 3.2. onde p(xk ) é a função probabilidade de X . .2. |Xn | ≤ Y e Xn → X . Teorema 3.} de variáveis aleatórias: Xn (ω ) = n se Y (ω ) ∈ (0. Prova: Como pela desigualdade de Jensen. EXn 0. X2 . variá- Exemplo 3. . Então.2. temos |ϕX (t)| = E 2 cos(tX ) + E 2 sen(tX ) ≤ E (cos2 (tX ) + sen2 (tX )) = E 1 = 1. ou seja. X1 .1 Propriedades Antes de enunciarmos e provarmos algumas propriedades da função característica. se X for uma variável aleatória contínua. Mas. EXn ↑ EX . . FUNÇÕES CARACTERÍSTICAS 37 Note que como cos(tX ) e sen(tX ) são variáveis aleatórias limitadas. .5: Seja Y ∼ U (0. veis aleatórias.4: Teorema da Convergência Dominada. onde fX (x) é a função densidade de probabilidade de X . . X. temos: ∞ ϕX (t) = −∞ eitx fX (x)dx.

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

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

40 Prova: ϕY (t) = EeitY = Eeit(aX +b) = Eeitb eitaX = eitb Eei(at)X = eitb ϕX (at). . para todo n = 1. 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. .6: Se ϕX (t) = 1+ t2 Solução: Diferenciando ϕX .CAPÍTULO 3. FUNÇÕES CARACTERÍSTICAS P9. Isto é. temos ϕX (t) = ϕX (t) = . (1 − α)2 . ϕY (t) = eitb ϕX (at). z2 . . ϕX (t) é positiva denida. e EX 2 = ϕX (0) i2 = −(−2) = 2. Portanto. 1 . Exemplo 3. tem-se n n ϕX (tj − tk )zj zk ≥ 0. P10. Exemplo 3. t2 . calcule V arX . para 0 < α < 1. onde a e b são números reais constantes. 2.7: Se uma variável aleatória X tem função característica ϕX (t) = Calcule EX e V ar(X ). . . (1+t2 )2 ϕX (0) = 0 i Diferenciando mais uma vez. V arX = EX − (EX )2 = 2. .2. . . ϕX é positiva denida. zn . Se Y = aX + b. 1 + α2 − 2α cos(t) Autor: Leandro Chaves Rêgo . −2(1+t2 )2 +2t(2(1+t2 )2t) −2t .. . EX = (1+t2 )4 2 Logo. j =1 k=1 para quaisquer números reais t1 . . .2. tn e complexos z1 .

por P5. Portanto. Teorema 3. onde P (X = 1) = p = 1 − P (X = 0). Com efeito teríamos cos(at) = ϕ(t) = E cos(tX ).i. Por P9 e P3. ∞ ϕX (t) = EeitX = n=0 eitn e−λ λn (λeit )n it = e−λ = eλ(e −1) .8: Seja ϕ(t) = cos(at).2. FUNÇÕES CARACTERÍSTICAS 41 Solução: Diferenciando ϕX . temos que Exemplo 3.2.2. temos que ϕ−X2 (t) = ϕ(−t) = ϕ(t). Então. Suponhamos que X ∼ P oisson(λ). de alguma variável aleatória se. é contínua. Qual ϕY (t) = ϕ(t)ϕ−X2 (t) = |ϕ(t)|2 . Como cos(at) = cos(−at). −(1 − α)2 2α sen(t) . P (X = a) = 1/2 = P (X = −a). Mostraremos que ϕ é função característica.CAPÍTULO 3. e somente se. (1 + α2 − 2α cos(t))4 ϕ (0) ϕX (0) i2 2α 2α = −( (1− ) = ( (1− ). ϕ é função característica de X .2. ela for positiva denida. Logo. 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 .2 Exemplos de Funções Características Bernoulli. positiva denida e aplicada em 0.9: Sejam X1 e X2 duas variáveis aleatórias i. X possuiria distribuição simétrica em torno de zero. Suponhamos que X ∼ Bernoulli(p). EX = Xi = 0 e EX 2 = 2α EX 2 − (EX )2 = ( (1− ). achando a distribuição correspondente. α)2 Exemplo 3. pois a parte imaginária seria nula. e seja Y = X1 − X2 . temos ϕX (t) = Diferenciando mais uma vez.10: Uma função contínua ψ : R → C com ψ (0) = 1 é função característica Prova: Conforme propriedades já demonstradas. n! n! n=0 Autor: Leandro Chaves Rêgo ∞ . Então. como X1 e X2 são independentes. Já que assume valores reais. Poisson. é evidente que uma distribuição simétrica concentrada nos dois pontos a e −a corresponderia a função característica ϕ. a função característica de Y ? Solução: Seja ϕ a função característica de X1 e X2 . então por P7.d. se. se ϕ fosse função característica de alguma variável aleatória X . e somente se. A prova da recíproca será omitida. resulta o valor 1. Então. V arX = −α)2 α)2 Portanto. onde a > 0. ϕX (t) = EeitX = peit + (1 − p). 3.

Queremos obter a distribuição de X1 + X2 + . . .11: Sejam X1 .2: Teorema de Helly-Bray. se Xn →D X . X1 + X2 + . Solução: Temos n ϕX1 +. Denição 3. + Xn . . então g (x)dFn (x) → para toda função g : R → R contínua e limitada. Logo. para −a < x < a. . Se Fn converge fracamente para F . . . . F2 . F2 . a). então ϕX (0) = 1. Portanto.. funções de distribuição.3 Teorema da Continuidade de Levy Nosso objetivo nesta seção é provar que Xn →D X se. 3. Então.1: Seja X. . F1 . seguindo o modelo de Poisson com parâmetro λ.. 1).+Xn ) )= j =1 E (eitXj ) = enλ(e it −1) .CAPÍTULO 3. Diz-se que Fn converge fracamente para F . considere a seguinte denição de convergência de funções de distribuição. . e somente se. 1 ϕX (t) = √ 2π eitx e −x2 2 dx = e −t2 2 1 √ 2π e− (x−it)2 2 dx = e −t2 2 . fX (x) = ϕX (t) = EeitX = a −a e fX (x) = 0 caso contrário. FUNÇÕES CARACTERÍSTICAS 42 1 2a Uniforme.. Suponhamos que X ∼ Exp(α). X1 . Então. ∀t ∈ R. Suponhamos que X ∼ U nif orme(−a. . Sejam F. e para t = 0. . 0 = −α + it α − it Exemplo 3. distribuição acumuladas dadas respectivamente por F.3.. .. Exponencial.2. . X2 . ϕXn (t) → ϕX (t). + Xn tem uma distribuição Poisson com parâmetro nλ. . . se t = 0.3. 2a 2a it ta Normal.+Xn (t) = E (e it(X1 +. Suponhamos que X ∼ N (0. . Antes de provarmos a necessidade desta armação. ∞ ϕX (t) = 0 eitx αe−αx dx = α 0 ∞ ex(−α+it) dx = [ α α ex(−α+it) ]∞ . X2 . 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. . uma seqüência de variáveis aleatórias com funções de Teorema 3. g (x)dF (x) Autor: Leandro Chaves Rêgo . 1 eita − e−ita sen(ta) eitx dx = ( )= . Xn variáveis aleatórias independentes e identicamente distribuídas. F1 .

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

(a) implica (b). funções de distribuições e ϕ1 . Quando n → ∞. Portanto. ϕ2 . F2 . Teorema 3. . Prova: Note que o teorema anterior implica que. temos que mni → mi e Mni → Mi . Somando. FUNÇÕES CARACTERÍSTICAS para i ∈ {0. segue que i=0 (mni − Mi ) ≥ −3 e N i=0 (Mni − mi ) ≤ 3 . tem-se que para t xo E (cos(tXn )) → E (cos(tX )) e E (sen(tXn )) → E (sen(tX )) Logo. O próximo teorema implica a suciência do nosso objetivo nesta seção. N − 1}. então Xn →D X . suas funções características. . . . ϕXn (t) → ϕX (t). Como cos(tx) e sen(tx) são funções contínuas e limitadas. Para provar que Fn converge fracamente para alguma função de distribuição. ou seja. 1] tais que F é nãodecrescente e contínua à direita e Fnj (x) → F (x). temos que II ≤ 3 . N −1 N −1 (mni − Mi ) → i=0 i=0 (mi − Mi ) = −2 (F (b) − F (a)) ≥ −2 N −1 e N −1 (Mni − mi ) → i=0 i=0 (Mi − mi ) = 2 (F (b) − F (a)) ≤ 2 −1 N −1 Como para n sucientemente grande temos que | N i=0 (mni − Mi ) − i=0 (mi − Mi )| < N −1 N −1 N −1 −1 e | i=0 (Mni − mi ) − i=0 (Mi − mi )| < . Fn2 . Se ϕn converge pontualmente para um limite ϕ e se ϕ é contínua no ponto zero. 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 ). Provaremos isso em duas etapas: (i) existem uma subseqüência Fn1 . e (b) ϕ é a função característica de F . . vamos primeiro provar que para toda seqüência de funções de distribuição satisfazendo as condições do teorema. . e Autor: Leandro Chaves Rêgo . quando j → ∞. e uma função F : R → [0.CAPÍTULO 3. . para n sucientemente grande. para todo x ponto de continuidade de F . quando j → ∞. então (a) existe uma função de distribuição F tal que Fn → F fracamente. . Então. ∀t ∈ R. | gdFn − gdF | ≤ 6 para n grande o suciente. . e uma função de distribuição F tais que Fnj → F fracamente. . É fácil denir a função característica ϕ dada uma função de distribuição F : ϕ(t) = eitx dF (x). . logo.3.4: Sejam F1 . . . se ϕXn → ϕX . Fn2 . sob as hipóteses. . existem uma subseqüência Fn1 . . .

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

pelo Teorema da Continuidade. . e uma função de distribuição G tais que Fn → G fracamente. temos 1 t t ϕ(s)ds = 0 1 t t 0 ∞ −∞ eisx dF (x)ds. −∞ Fazendo t → 0 e usando a continuidade em s = 0 das duas funções ϕ(s) e tem-se ∞ ϕ(0) = 1dF (x) = F (∞) − F (−∞). Portanto. n. . . tem-se que t 0 t ϕnj (s)ds → ϕ(s)ds. Solução: Pelo Teorema da Continuidade sabemos que ϕXn (t) → ϕX0 (t) e que ϕYn (t) → ϕY0 (t). então Se pn → 0 quando n → ∞ de tal modo que npn → λ > 0. o que implica que F (∞) = 1 e F (−∞) = 0.6: Suponha que a variável aleatória Xn tenha distribuição Binomial. e Yn →D Y0 . uma contradição. . .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).. ϕXn (t) = EeitXn = (1 − pn + eit pn )n = (1 + pn (eit − 1))n = (1 + Autor: Leandro Chaves Rêgo . 0 Igualando-se os limites iguais e dividindo-se por t. então pelo teorema da convergência dominada. tais que Fn (x) → a = F (x). Portanto.3. Para vericar isto relembre que podemos representar uma variável aleatória Binomial como a soma de variáveis aleatórias Bernoulli i. implica que ϕ é limitada e mensurável. −∞ Como ϕ(0) = limn→∞ ϕn (0) = 1. P (Xn = k ) = n k p (1 − pn )n−k . .i.CAPÍTULO 3. onde Y ∼ P oisson(λ). (i) e (ii) implicam que existe uma subseqüência F1 . . onde Fnj → F fracamente. Para terminar a prova suponha por contradição que Fn não convirja fracamente para F . Como F e G possuem a mesma função característica (ϕ). temos que Xn + Yn →D X0 + Y0 . Exemplo 3. Como Xn e Yn são independentes temos que ϕXn +Yn (t) = ϕXn (t)ϕYn (t). . Prove que Xn + Yn →D X0 + Y0 . ϕ é contínua em zero. ou seja Fn (x) → a = G(x) = F (x). ponto de continuidade de F e uma subseqüência F1 . n onde a expressão nal é a função característica de uma variável aleatória P oisson(λ). existirão x. Xn →D Y . Então. k = 0. temos que F (∞) − F (−∞) = 1. n n Logo. ou seja. então npn (eit − 1) n it ) → eλ(e −1) . k n Xn →D Y. ∞ eisx dF (x). F2 .d. t = 0. . F2 . temos que F = G. Exemplo 3. FUNÇÕES CARACTERÍSTICAS 46 Como ϕnj (t) → ϕ(t).3. . 2. pelo Teorema da Continudade. 1. Como essa subseqüência também satisfaz as condições do teorema. ou seja.

Como ϕX0 (t) não é contínua não pode ser uma função característica. Temos que Xn n 1− n e n n → 0. Em nossas aplicações assumiremos Autor: Leandro Chaves Rêgo . n −p/n 1−p/n t Solução: Temos ϕXn (t) = 11− .3. ou seja.11: lim 1−p/n p in 1− n e t = 1.7: Suponha que Xn ∼ U (−n. para a e b constantes reais. para algum 0 < p < 1. N pode ser o número de clientes. Exemplo 3. Para parte (b). (b) Existe alguma variável aleatória X0 tal que Xn → X0 ? Solução: Como ϕX (t) = temos que sen(nt) nt 1 . Verique se ocorre Xn →D X para alguma variável aleatória X e obtenha sua distribuição.3. Mostre que (a) Mostre que limn ϕXn (t) existe. se t = 0. se t = 0 .9: Seja {an : n ≥ 1} uma seqüência de números reais com an → a para a Exemplo 3.3. note que pelo teorema da continuidade.3. n). Como lim ϕ Xn (t) = p it . onde Y ∼ N (a.10: Se Xn e Yn são independentes para n ≥ 0. 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. onde X ∼ N (0. e ϕ Xn (t) = ϕXn ( ) = p it e n n n Exemplo 3. Encontre o limite em distribuição de Xn + Yn . nós estudaremos somas de um número aleatório de variáveis aleatórias. Exemplo 3. Por exemplo. FUNÇÕES CARACTERÍSTICAS 47 Exemplo 3.8: Prove que se Xn →D X . N S= i=0 Xi . e Yn →D Y0 . e assume-se que ela é independente das parcelas Xi .3. Xn →D X0 . se t = 0. então aXn + b →D aX + b.CAPÍTULO 3. onde N é uma variável aleatória inteira e não negativa. se t = 0 1 . temos que se existir tal que ϕX0 (t) seria sua função característica. A seqüência de variáveis aleatórias {Xn : n ≥ 1} é tal que cada Xn segue o modelo geométrico de parâmetro p/n. 1). S então seria o tempo total do serviço. Prove que se Xn →D X . nito. D 3.4 Soma de um Número Aleatório de Variáveis Aleatórias Nesta seção. então Xn + an →D Y . lim ϕXn (t) = n 0 . 1).

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

Suponha ainda que com probabilidade p o i-ésimo cliente ca satisfeito com o atendimento. Solução: Seja Xi ∼ Bernoulli(p). Xk . A função característica multivariada tem propriedades análogas a todas as propriedades enunciadas para a função característica de uma variável aleatória. onde ϕX (t) = peit + (1 − p) e ϕN (t) = eλ(e it −1) . Desta forma. e podemos escrever: ϕX = ϕY ⇔ FX = FY . a independência de X e Y implica que ϕX +Y (t) = ϕX (t)ϕY (t). onde X0 = 0.5.1: Seja X = (X1 . Se X e Y forem vetores aleatórios k -dimensionais tais que ϕX (t) = ϕY (t).CAPÍTULO 3. Determine a distribuição de probabilidade de S o número total de clientes satisfeitos no tempo T .2 : S= i=0 Xi . então X e Y têm a mesma distribuição. temos que S ∼ P oisson(pλ). a função característica determina a distribuição. 3. FUNÇÕES CARACTERÍSTICAS 49 Suponha que N ∼ P oisson(λ) representa o número de clientes que são atendidos em um dado tempo T . Sob esta condição.5 Função Característica de um Vetor Aleatório Denição 3. sabemos que ϕS (t) = ϕN (−i log ϕX (t)). ∀t ∈ I Rk . Para P5. 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 ). . Substituindo temos: ϕS (t) = eλ(e i(−i log(peit +(1−p))) −1) = eλ(pe it +(1−p)−1) = epλ(e it −1) .5. Quanto a P6. As propriedades P1P4 e P7 são válidas com as óbvias modicações (a reta é substituída por I Rk ). . ϕX é também chamada de função característica conjunta de X1 . . Então temos. Assuma que os clientes cam satisfeitos com o serviço de maneira independente e que N . . a variável aleatória que descreve se o i-ésimo cliente cou ou não satisfeito com o atendimento. é independente da probabilidade que clientes cam satisfeitos. Xk ) um vetor aleatório k -dimensional. supõe-se que X e Y sejam vetores de mesma dimensão. Em outras palavras.2: Teorema da Unicidade. i ≥ 1. Pela unicidade da função característica. também existe uma fórmula da inversão para a função característica multidimensional que pode ser usada para provar a unicidade da função característica: Teorema 3. .4. . N Exemplo 3. Autor: Leandro Chaves Rêgo . . .

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

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

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

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

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

Antes de enunciarmos esta lei. pendentes 2 a 2 com variâncias nitas e uniformemente limitadas (ou seja. Note que g (x) ≥ IA (x).2 Lei Fraca dos Grandes Números Na seção anterior. motivamos o resultado da Leis dos Grandes Números para variáveis aleatórias independentes e identicamente distribuídas. analisaremos duas versões da Lei Fraca dos Grandes Números. . X2 . Substituindo X por X − EX . . Eg (X )) ≥ P (X ∈ A). temos que n V ar(Sn ) = i=1 V ar(Xi ) ≤ nc. P( |Sn − ESn | ≥ ) → 0 quando n → ∞. chamamos de Lei Fraca dos Grandes Números. então P (|X − EX | ≥ ) ≤ V arX 2 . P (X ∈ A) = P (|X | ≥ ) ≤ P (|X − EX | ≥ ) ≤ V arX . . 2 x2 2 2 EX 2 . como a cota superior pode exceder 1. Vamos usar esta desigualdade para provar a Lei Fraca dos Grandes Números de Chebyshev. variáveis aleatórias inde- Prova: Precisamos provar que para todo > 0. então pelo .1: Desigualdade de Chebyshev Generalizada. X1 . Dado um conjunto A e uma função g (x) tal que ∀x g (x) ≥ IA (x). Eg (X )). e quando temos convergência quase certa. . V arXn ≤ c). Seja X uma variável aleatória. chamamos de Lei Forte dos Grandes Números. satisfazem a Lei Fraca dos Grandes Números: Sn − ESn P → 0. n Teorema 4. n Como as variáveis aleatórias são independentes 2 a 2. temos que min(1. temos que Eg (X ) ≥ EIA (X ) = P (X ∈ A).2. vamos relembrar uma importante desigualdade. Então. tem-se que P (X ∈ A) ≤ min(1. na primeira delas não é necessário assumir que as variáveis aleatórias são identicamente distribuídas.2: Desigualdade (Original) de Chebyshev. 4. Nesta seção. Teorema 4. Autor: Leandro Chaves Rêgo . Corolário 4.3: Lei Fraca de Chebyshev Sejam X1 . . Prova: Pela monotonicidade da Esperança. 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.2.CAPÍTULO 4. X2 . conhecida como desigualdade de Chebyshev. existe c nito tal que para todo n. LEI DOS GRANDES NÚMEROS 55 Quando o tipo de convergência é convergência em probabilidade. .2. Mas. Prova: Escolha A = {x : |x| ≥ } e g (x) = teorema anterior.

X2 .1).4: Lei dos Grandes Números de Bernoulli.i. Exemplo 4. . 05. Então.1) Corolário 4. Como V arXn = p(1 − p). Deste modo encontraremos que se n ≥ 4(0. Consideremos uma seqüên- cia de ensaios binomiais independentes. 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. δ = 0. digamos. temos que 56 P (|Sn − ESn | ≥ n ) ≤ V ar(Sn ) c ≤ 2 → 0. 01) ≤ p(1 − p) . Nesse caso. a condição exigida será satisfeita. então Sn P → p n Prova: Seja Xn = 1 se o n-ésimo ensaio é sucesso. Conseqüentemente. Substituindo os (0. LEI DOS GRANDES NÚMEROS Pela desigualdade de Chebyshev.01)2 . . respectivamente.01 = 10. Um grande número de peças. e esse valor máximo é igual a 1/4. 01 por δ e .05(0 .01)2 valores especícos de 0. deveremos aplicar a última fórmula com 1 = 0.000. e: P (|fA − p| ≥ 0. onde Sn é o número de ocorrências do evento A em n realizações do experimento temos que Sn /n = fA . equivalentemente. o que é equivalente a n ≥ 0. não poderemos empregar o limite acima. Autor: Leandro Chaves Rêgo .01? Utilizando a equação (4. 01)2 p(1−p) p(1−p) ou seja. n(0. ou. V arSn = np(1 − p). queremos que n ≤ 0. S →P p. não conhecemos o valor de p = P (A) e. são i. 95 para que a freqüência relativa dira de p = P (A) por menos do que. 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. X1 . estamos certamente seguros se armamos que para n ≥ 4 1 2 δ teremos P (|fA − p| < ) ≥ 1 − δ. δ ( )2 Em muitos problemas. ESn = np. 0.CAPÍTULO 4. teremos P (|fA − p| < ) ≥ 1 − δ sempre que n ≥ p(1 − p) . 01.d. 05? Solução: Porque não conhecemos o valor de p. digamos n. Xn = 0 caso contrário. tendo a mesma probabilidade p de sucesso em cada ensaio. por isso. e integráveis com média µ = p.05) 2 0. a Lei Fraca de Chebyshev np n implica que Sn − →P 0. são classicadas como defeituosas ou perfeitas.2. Se Sn é o número de sucessos nos primeiros n ensaios. 05 e 0. poderemos empregar o fato de que p(1 − p) toma seu valor máximo quando p = 1/2. . 05. 2 n2 n (4.2.5: Peças são produzidas de tal maneira que a probabilidade de uma peça ser defeituosa é p (admitida desconhecida).

d.i. .i. . i=1 Pela Lei Fraca dos Grandes Números. Prove que n i=1 (Xi − X ) → σ . 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. n Prova: É conseqüência da Lei Forte de Kolmogorov e do fato que convergência quase certa implica convergência em probabilidade. temos que 1 n e n Xi2 →P EXi2 = σ 2 + µ2 i=1 X →P EXi = µ.6: Lei Fraca de Khintchin. . i=1 Autor: Leandro Chaves Rêgo . ambas n 1 2 P 2 nitas.CAPÍTULO 4. e integráveis com Sn P → µ. Como funções contínuas preservam convergência. e integráveis. temos que X →P (EXi )2 = µ2 e.2. 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 .i. Exemplo 4. então Teorema 4.7: Sejam {Xn : n ≥ 1} variáveis i.d. consequentemente. com média µ e variância σ 2 .d. média comum µ. X2 .2. Se X1 . são i.

Xn variáveis aleatórias independentes tais que EXk = 0 e V arXk < ∞. . 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 ). . .2: 1 1 P ( max |Sk | ≥ λ) ≤ 2 V arSn = 2 1≤k≤n λ λ onde Sk = X1 + . Então. trocando a ordem dos somatórios: ∞ ∞ ∞ EY = j =1 k=j P (Y = k ) = j =1 P (Y ≥ j ). temos ∞ ∞ E |X | = n=1 P ( |X | ≥ n) = n=1 ∞ P (|X | ≥ n). . portanto. n. e somente se. não-negativos. Lema 4. 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.2) Se x ≥ 0. vamos estudar um critério para integrabilidade de variáveis aleatórias. ∞ ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 ∞ n=1 P (|X | ≥ n). Lema 4. X é integrável se. . k = 1.1: Seja X uma variável aleatória qualquer. k=1 Autor: Leandro Chaves Rêgo . Nosso próximo passo é provar uma extensão da desigualdade de Chebyshev.3. a variável aleatória |X | assume o valor k quando k ≤ |X | < k + 1 e 0 ≤ |X | ≤ |X | ≤ |X | + 1. . LEI DOS GRANDES NÚMEROS 58 4. temos que ∞ P (|X | ≥ n) < ∞. Sejam X1 . para todo λ > 0.3 Lei Forte dos Grandes Números Antes de iniciarmos a prova da Lei Forte dos Grandes Números. Neste caso.3.CAPÍTULO 4. Então. . logo ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 P (|X | ≥ n). seja x a parte inteira de x. e. + Xk . . . Então. (4. n V arXk .

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

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

3. LEI DOS GRANDES NÚMEROS 61 Exemplo √4. 1+ √ √ 2 + ··· + √ √ n n≥ 0 √ 2n3/2 xdx = . Logo. Seja X uma variável aleatória integrável com função de distribuição F . note que para j = 1.CAPÍTULO 4. . pode-se vericar que X− √ Portanto. . . Antes de enunciarmos e provarmos a Segunda Lei Forte de Kolmogorov. considere o seguinte lema: Lema 4. Autor: Leandro Chaves Rêgo . X2 . . 3 Logo. 3 1+ 2 + ··· + n √ n ≥ 2n1/2 → ∞. .. . ∞ ( n=1 1 n2 n −n x2 dF (x)) < ∞.4 : Sejam X1 . n Pelo teste da integral. a primeira Lei Forte de Kolmogorov implica que EX1 + · · · + EXn → 0 cp1. Xn variáveis aleatórias independentes com Xn ∼ P oisson( n). Solução: Como V arXn = n. para cada n ≥ 1√ . 2 x j j j n j j −1 x dF (x) = j =−n+1 2 x2 dF (x). X → ∞ cp1. 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 + ≤ . Calcule o limite quase-certo de X . Prova: Pelo teste da integral. ou seja n √ √ √ 1 + 2 + ··· + n X− → 0 cp1. 2.5 : Então. .3. temos que ∞ n=1 V arXn = n2 ∞ √ n n=1 n2 < ∞.

note que Zn = 0 ⇔ Yn = Xn ⇔ Xn ∈ / (−n.+Yn n → 0 quase certamente (usaremos Borel-Cantelli). e EY1 +. . . Vamos truncar as variáveis Xn ... com EXn = µ. Seja Zn = Xn − Yn . . + Xn Y1 + . P (Zn = 0) = P (Xn ∈ / (−n. para j ≥ 1. e 1 ( 2 n n=1 ∞ ∞ n −n j ∞ x2 |j |+1 j ≤ |x| em (j − 1. (b).. Para provar (a). Teorema 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).6: Sejam X1 . Logo. +EYn − EY1 +. . . Então.3. + Xn → µ quase certamente. identicamente distribuídas e integráveis. X1 + .CAPÍTULO 4. variáveis aleatórias independentes.. n]) ≤ P (|Xn | ≥ n).. denamos Yn = Xn I[−n<Xn ≤n] .+EYn n → 0 (usaremos o Teorema da Convergência Dominada). . |j | + 1 Como x2 j ≤ x em (j − 1. . É fácil ver que (a). X2 . . temos 0 j x dF (x)) ≤ 2 j =1 j −1 ∞ 2 xdF (x) + 2 j =−∞ j −1 |x|dF (x) = (4. + Yn Z1 + . n Prova: Suponhamos sem perda de generalidade que µ = 0. para j ≤ 0. A seguir enunciamos e provamos a Segunda Lei Forte de Kolmogorov.4) =2 j =−∞ j −1 |x|dF (x) = 2 −∞ |x|dF (x) = 2E |X | < ∞.. n n n A prova terá três partes: (a) (b) (c) Z1 +. e (c) implicam o teorema. j ]. → 0 quase certamente (usaremos a Primeira Lei Forte e o n Lema 4.5). .. de modo que X1 + . n]. Autor: Leandro Chaves Rêgo . . .3. + Zn = + . j ].+Zn n Y1 +.

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

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

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

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

Teorema 5. variáveis aleatórias iid com E (Xn ) = µ e V ar(Xn ) = σ 2 . Logo. distribuídas de acordo com a distribuição de Bernoulli com parâmetro p.2. . Sn it √ Xi − µ . cn n ) n → ec Um caso especial do Teorema Central do Limite para variáveis aleatórias independentes e identicamente distribuídas é quando estas variáveis são distribuídas de acordo com a distribuição de Bernoulli. TEOREMA CENTRAL DO LIMITE −t2 67 n −ESn √ a idéia será provar que a função característica de S converge para e 2 que é a funV arSn ção característica da N (0. . k utilizando a expansão de Taylor de ϕ e o fato que ϕ(k) (0) = ik E (X1 ). Suponha que N é uma variável aleatória com distribuição N (0. este caso é conhecido como Teorema Central do Limite de De Moivre e Laplace. seja E (Xn ) = 0 e E (Xn ) = 1 (caso este não seja o caso. Então. σ n 2 Prova: Sem perda de generalidade. ou seja. Então. tem-se que X √ it √1 ϕn (t) = (E (e n ))n = ϕn (t/ n). ϕ possui duas derivadas contínuas. + Xn . começando pelo caso de variáveis aleatórias independentes e identicamente distribuídas. Nós iremos agora enunciar e provar alguns desses teoremas. P (Xi = 1) = p = 1 − P (Xi = 0) para 0 < p < 1. Então. Então. . 1). tem-se t2 t2 ϕ(t) = 1 − + e(t). 2n 2n 2n n n n t quando n → ∞. pode-se provar o resultado para Xi∗ = já que E (Xi∗ ) = 0 e E (Xi∗ )2 = 1). X2 . . . .2. Corolário 5.1: Sejam X1 . então Sn − nµ D √ → N. . se Sn = X1 + .2: Seja X1 . 2 2 onde e(t) = ϕ (θ(t)) + 1 e limt→0 e(t) = 0. para t xo ϕ(t) = 1 + tϕ (0) + −t2 t t2 t2 t −t2 t ϕn ( √ ) = [1 − + e( √ )]n = [1 + [1 − e( √ )]]n → e 2 . . 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)). . 2 onde |θ(t)| ≤ |t|. uma seqüência de variáveis aleatórias independentes e Sn − np np(1 − p) →D N (0. Autor: Leandro Chaves Rêgo . Se Sn = X1 + X2 + . 1). como ϕ é contínua em 0. σ Seja ϕn (t) = E (e n ) e ϕ(t) = E (eitX1 ). 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).CAPÍTULO 5. temos que ϕ (θ(t)) − ϕ (0) → 0 quando t → 0. 1). X2 . Xn . Como os dois primeiros momentos existem. .

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

1 nλ+1 n k=1 λ n kλ → k=1 1 . Prova: Como xλ ≤ k λ se k − 1 ≤ x ≤ k . Portanto. k=1 Mas a condição de Liapunov implica que o último termo tende a zero quando n → ∞. λ+1 n )λ+1 → 1 quando n → ∞.2.8: Para λ > 0. 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. o lema está provado. Nessa região. λ+1 quando n → ∞. vamos considerar o seguinte Lema. somando-se em k de 1 até n. Como ( n+1 n Autor: Leandro Chaves Rêgo . de maneira que k é da ordem de nλ+1 . e kλ ≤ xλ se k ≤ x ≤ k + 1. 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 . A condição de Lindeberg estabelece µk | uma integral na região |x − µk | > sn .CAPÍTULO 5. Antes de vercarmos um exemplo do Teorema Central do Limite de Liapunov. a condição de Lindeberg está satisfeita. nλ+1 ≤ λ+1 o que é eqüivalente a n kλ ≤ k=1 (n + 1)λ+1 − 1 (n + 1)λ+1 ≤ . λ+1 λ+1 1 1 ≤ λ+1 λ+1 n n kλ ≤ k=1 n + 1 λ+1 1 ·( ) . temos que |x− > 1. o que por sn > 1. temos n 0 n xλ dx ≤ k=1 kλ ≤ 1 n+1 xλ dx. Logo. > 0. Desse modo. TEOREMA CENTRAL DO LIMITE 72 Prova: Para provar este teorema. Lema 5. 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.

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

então a seqüência é limitada em probabilidade. Como {Yn } é limitada em probabilidade.1: Se {Yn } converge em distribuição para uma variável aleatória com função de distribuição H . n2 ).2) desde que f (θ) exista e não seja zero. 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). Lema 5. (5. Teorema 5. Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H (K1 ) > 1 − /4 e H (−K2 ) < /4. vamos provar dois lemas. |K2 |). Dizemos que uma seqüência de variáveis aleatórias {Yn } é limitada em probabilidade se para todo > 0. existir K e n0 tal que P (|Yn | ≤ K ) > 1 − para todo n > n0 . Hn (K1 ) > H (K1 ) − /4 > 1 − /2 e Hn (−K2 ) < H (−K2 ) + /4 < /2. sabemos que existe n| n2 tal que ||X < K para todo n ≥ n2 . Então. P (−K2 ≤ Yn ≤ K1 ) ≥ Hn (K1 ) − Hn (K2 ) > 1 − . Autor: Leandro Chaves Rêgo . Prova: Dados quaisquer > 0 e δ > 0. τ 2 ).4. Escolhamos n0 tal que. então Xn →P 0. Antes de enunciarmos o teorema.2: Se {Yn } é limitada em probabilidade e Xn = o(Yn ). Como Xn = o(Yn ). e então √ n[f (Tn ) − f (θ)] = √ √ n(Tn − θ)f (θ) + o( n(Tn − θ)). então √ n[f (Tn ) − f (θ)] →D N (0.4. Façamos N = max(n1 . Lema 5.3: Se √ n(Tn − θ) →D N (0. O resultado está provado se escolhermos K = max(|K1 |. TEOREMA CENTRAL DO LIMITE 74 5. Yn | |Xn | > ⇒ |Yn | > K .CAPÍTULO 5. existe K e n1 tal que P (|Yn | ≤ K ) > 1 − δ para todo n ≥ n1 . Logo P (|Xn | > ) ≤ P (|Yn | > K ) < δ. τ 2 [f (θ)]2 ). ∀n > n0 .4 Método Delta O método Delta é um resultado que aumenta signicativamente a relevância do Teorema Central do Limite.4. precisamos mostrar que existe N tal que P (|Xn | > ) < δ para todo n ≥ N . então para n ≥ N .

Tn é aproximadamente linear. pelo método delta: √ n[f (Tn ) − f (θ)] →D N (0. ou eX não será tipicamente normal. Xn são variáveis Poisson com parâmetro λ. p(1 − p)4p2 ). Suponha. TEOREMA CENTRAL DO LIMITE 75 O primeiro termo do lado direito converge em distribuição para N (0. τ 2 [f (θ)]2 )√ . . pelo √ Lema 5. 1/X .4: Para estimar p2 . suponha que n(Tn − θ) → N (0. Então pelo Lema 5. Então. A explicação para este paradoxo aparente pode ser encontrada na prova. como n(Tn − θ) converge em distribuição. Exemplo 5. Como o(Tn − θ) →P 0. X/n será mais acurado que (Y /n)2 . n n O método delta proporciona a base para derivar transformações que estabilizam a variância. transformações que levem a uma variância assintótica que é independente do parâmetro. nós usaríamos X/n e (Y /n)2 . c ).4. respectivamente. ou seja. já que se X é distribuído normalmente. p2 (1 − p2 )) n e √ Y 2 n(( ) − p2 ) →D N (0.2) é chamado de método delta. Este teorema pode parecer uma surpresa. respectivamente.4. Em geral. é quase sempre inconveniente que λ ocorre não somente na esperança mas também na √ variância da distribuição limite. suponha que temos a escolha entre (a) n ensaios binomiais com probabilidade p2 de sucesso. que X1 . τ (θ)). . a distribuição de f (X ). O processo de aproximar a diferença f (Tn ) − f (θ) pela função linear (Tn − θ)f (θ) e o limite em (5.2. e uma função linear de uma variável normal é também normal. desde que p2 (1 − p2 ) < p(1 − p)4p2 .CAPÍTULO 5. Para problemas de inferência que se referem a λ. Por outro √ lado. 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. podemos ver que X Y2 ou 2 é preferível se p > 1/3 ou p < 1/3. n Então. τ 2 (θ)(f )2 (θ)). ou (b) n ensaios binomiais com probabilidade p de sucesso. temos que n(Tn − θ) é limitada em probabilidade. o( n(Tn − θ)) converge para zero em probabilidade. λ). log X . nós estamos quase certos que quando n for grande. e suponha que como estimadores de p2 nos dois casos. . onde c não depende de λ. Sejam X e Y o número de sucessos no primeiro e segundo tipo de ensaios. . O resultado portanto é uma conseqüência do Teorema de Slutsky. por exemplo. Então nós temos: √ X n( − p2 ) →D N (0. pelo menos para n grande. Dividindo ambos os lados por p2 (1 − p). Segue do Teorema Central do Limite que √ n(X − λ) → N (0. Autor: Leandro Chaves Rêgo .4. por exemplo.1.

√ Exemplo 5. σ 2 ). √ c f (λ) = √ ou f (λ) = 2c λ. vemos que n Y log( 2 ) →D N (0. No caso de Poisson. N (0. c c f (θ) = √ ou f (θ) = √ log θ.4. 1). 2σ 4 ). 1). Exemplo 5.5: Poisson. Tn = Y . 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. e τ 2 (θ) = 2θ2 .d. EYi = σ 2 e V arYi = 2σ 4 e pelo Teorema Central do Limite.6: Chi-Quadrado. temos que √ √ 2 n( X − λ) →D N (0.CAPÍTULO 5. 2 σ Autor: Leandro Chaves Rêgo . 2θ 2 Fazendo c = 1. Então.4. Seja Yi = Xi2 . temos √ n(Y − σ 2 ) →D N (0. Logo. temos θ = λ e τ (θ) = λ. ou seja. θ = σ 2 . onde as Xi 's são i. A distribuição limite do lado direito terá portanto variância constante c2 se f (θ) = τ (cθ) .i. Logo. λ Fazendo c = 1.

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

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->