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

(xn ) é limitada inferiormente quando existe a real tal que a ≤ xn para todo n ∈ I N . xn . . . desde que se tome o índice n sucientemente grande. podem haver termos diferentes que assumem o mesmo valor. 3. ou (xn ) para indicar a sequência x. .1 Sequências de Números Reais Intuitivamente. Diz-se que a sequência (xn ) é limitada quando o conjunto dos seus termos é limitado. diz-se que ela é ilimitada. Quando uma sequência não é limitada. .. . . x3 . . para todo n ∈ I N . ela for limitada inferiormente e superiormente.1: Seja xn = 1 + n . . será representado por xn e chamado de n-ésimo termo da sequência. x2 .1. isto é.} dos números naturais e tomando valores no conjunto I R dos números reais. . . para n = 1. . que como veremos adiante é o limite desta sequência. Por outro lado.1. A função x não é necessariamente injetiva: pode-se ter xm = xn com m = n. b tais que a ≤ xn ≤ b para todo n ∈ I N . . x2 . Uma sequência (xn ) é limitada superiormente quando existe um número real b tal que xn ≤ b para todo n ∈ I N . podem haver termos repetidos em uma sequência.). Para este conjunto usaremos a notação x(I N ) = {x1 . O valor x(n). Analogamente. Não se deve confundir a sequência x com o conjunto x(I N ) dos seus termos. . Formalmente. . xn . Denição 1. quando existem números reais a. Note que a medida que n cresce todos os pontos desta sequência se tornam arbitrariamente próximos de 1.2: Uma sequência de números reais é uma função x : I N → I R. existem algumas sequências 1 . . uma sequência de números reais x1 . . 2. Escreveremos (x1 . denida no conjunto I N = {1. ou seja. . É fácil ver que uma sequência é limitada se. e somente se. .}. ou em outras palavras. . 1 Exemplo 1. 2. . . é uma sequência de pontos da reta e o seu limite é um ponto do qual os pontos xn tornam-se e permanecem arbitrariamente próximos. x2 . .Capítulo 1 Revisão de Sequências de Números Reais e Séries Numéricas 1. 3. .

. Com um pouco mais de precisão: estipulando-se um erro por meio de um número real > 0. Formalmente. a sequência xn = (−2)n é ilimitada. . . os termos xn tornam-se e se mantém tão próximos de a quanto se deseje. Formalmente. z = (4. 16. . porém não é monótona. Exemplo 1. e temos x(I N ) = {−1. pois não é uma sequência já que possui apenas 2 termos. Uma sequência chama-se crescente (resp. não-crescente). 16) não é uma subsequência de x. 256.1 Limite de uma sequência Intuitivamente. uma subsequência de x é a restrição da função x a um subconjunto innito I N = {n1 < n2 < . .5: xn = 0. . pois por exemplo. decrescentes e não-crescentes são chamadas sequências monótonas. 1}. ou seja. 16. Se vale xn ≤ xn+1 (resp. −8. Exemplo 1. . Exemplo 1. −128.) ou (xni )i∈I N para indicar a subsequência x . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 2 ilimitadas que são limitadas inferiormente ou superiormente. xni . em x o termo -2 precede o termo 4. . 1. . Finalmente. dada uma sequência x. mas o mesmo não é verdade em w. −32. As sequências crescentes. a sequência xn = n2 é ilimitada. . . decrescente) quando x1 < x2 < x3 < . para valores muito grandes de n. Neste caso.). dizer que o número real a é limite da sequência (xn ) signica armar que. O próximo exemplo. ilustra melhor a questão.3: A sequência xn = 1 + é limitada. .1. Por outro lado. Ela é limitada. −8. . a sequência diz-se não-decrescente (resp. não-crescente e não-decrescente. existe um índice n0 (que depende de . Autor: Leandro Chaves Rêgo . Ela é limitada. Dada uma sequência (xn ) de números reais. Exemplo 1. temos que x(I N ) = {0}.).1.1.1. 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 ). .4: Seja a sequência x = (−2. .7: xn = 1/n para todo n ∈ I N . (resp.. . . não é limitada inferiormente nem superiormente. ..6: xn = 1 para todo n ímpar.1. Ela é monótona decrescente e limitada. 16. .. x1 > x2 > x3 > . uma subsequência de x é y = (4.1. uma subsequência de (xn ) é um sequência (portanto. em geral. 4.) não é uma subsequência de x já que os termos em w não aparecem na mesma ordem em que aparecem em x. 64. Por outro lado. 64. xn ≥ xn+1 ) para todo n. 64. e xn = −1 para todo n par.CAPÍTULO 1.} de I N . Também temos que w = (4. xn2 . . mas limitada inferiormente pois xn ≤ 0 para todo n. −2. temos que 0 ≤ xn ≤ 3 para todo n ∈ I N . .. ou (xn1 . 1 n Exemplo 1. 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 . . . < ni < . por exemplo. Escreve-se x = (xn )n∈I N. . para todo n ∈ I N . −32.). não-decrescentes.

Para isto notamos que 3n > n+10 n+10 2 2 Exemplo 1. dado qualquer n2 . então para todo n > n0 .CAPÍTULO 1.1. 3n + 10 3n + n 4n 4 Por sua vez. 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. limn xn = −∞). xn < −M ). Reciprocamente. diz-se que a sequência (xn ) converge para a. existe um número natural n0 tal que xn > M (resp. n/4 > M se n > 4M . quando para todo número real M > 0. Uma sequência que possui limite chama-se convergente. e que para n ≥ 10. 3n+10 n2 n2 n2 n ≥ = = . para n > 1 e par.12: A sequência xn = n + (−1)n é divergente. podemos escrever de forma equivalente a denição da seguinte maneira: o número real a é limite da sequência (xn ) de números reais. 3n + 10 1 Exemplo 1.1. Dentre as sequências divergentes destacamos duas que possuem limites innitos: Denição 1. Quando limn xn = a. com exceção de no máximo um número nito de índices n (os termos de x1 até xn0 ).1. e escrevese limn xn = ∞ (resp. temos que |xn − 1| < . a distância entre xn e a se torna menor que para n sucientemente grande.8: O número real a é limite da sequência (xn ) de números reais. ou seja. temos 1/n < 1/n0 < . Como a denição implica que para qualquer > 0 arbitrário. de centro a e raio > 0. 4M }. −∞). > 0 existe n0 > 1/ . ou tende para a e escreve-se xn → a. sempre que n > n0 . temos que para todo número real > 0. teremos n > n0 ⇒ n2 + 1 > M. ela se chama divergente. Note que dado qualquer > 0.10: A sequência xn = 1/n para todo n converge para 0. então qualquer intervalo (a − .. vale a desigualdade +1 +1 Exemplo 1. salvo talvez um número nito de índices n.. Pois.1. e escreve-se Denição 1. Observe que se limn xn = a. a sequência ca oscilando entre vizinhanças dos números -1 e 1. existe um número natural n0 tal que |xn − a| < K . contém todos os termos xn da sequência. se qualquer intervalo de centro a contém todos os xn . Do contrário. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 3 a = limn xn . sempre que n > n0 . Logo. temos que |xn + 1| < . então lim xn = a. para n > 1 e ímpar. existe um número natural n0 tal que |xn − a| < (o que é equivalente a xn ∈ (a − . quando para todo número real > 0. tomando n0 = max{10.11: Vamos provar que limn 3n = ∞. a + ). Autor: Leandro Chaves Rêgo . para n grande. a + )).9: Uma sequência (xn ) de números reais tem limite ∞ (resp. Por outro lado. Portanto. n > n0 ⇒ |xn − 0| < . quando para alguma constante K real positiva.. sempre que n > n0 .1.

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

16. . Teorema 1. Teorema 1. o fato da sequência convergir para um certo limite L não implica que a função real tenderá a L quando x → ∞. 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. o que por sua vez implica que |xni − a| < . Então. No exemplo. . logo a sequência é limitada.CAPÍTULO 1. Se limn xn = a e limn xn = b. existe n0 ∈ I N tal que n > n0 ⇒ |xn − a| < . então a = b. No exemplo anterior. ínmo) de um conjunto A a menor (resp. Para isso.1. então qualquer número maior ou igual a 1 é uma cota superior para A e qualquer número menor ou igual a -1 é uma cota inferior para A. Logo. 0. Ele será o limite procurado.18: A sequência (1. Uma delas é para Exemplo 1. b + ) para todo n > n0 . Prova: Seja limn xn = a.15: (Unicidade do limite). = 1. x2 . Dada um conjunto de números reais A. vemos que existe n0 ∈ I N tal que n > n0 ⇒ xn ∈ (a−1.1. temos que c ≤ a − 1 < xn < a + 1 ≤ d. a+1}. a−1. temos que os intervalos 2 (a − . limn xn = b. portanto. se sabe que converge: basta determinar o limite de alguma subsequência. Note que o supremo e/ou o ínmo de um conjunto. A seguir provaremos alguns resultados sobre limites. Observação 1. Por exemplo. e.1. dene-se como uma cota superior (resp. Prova: Seja a = limn xn . a. a + ) e (b − . Dado > 0. ao contrário de seu máximo e mínimo. c ≤ x) para todo x ∈ A. maior) cota superior (resp. 1. se A = (−1. . Por exemplo. xn0 . . Então. Logo limi xni = a. A outra é para determinar o limite de uma sequência (xn ) que. a priori.1. .16: Se limn xn = a. mostrar que uma certa sequência não converge: basta obter duas subsequências de (xn ) com limites distintos. Então. porém limx→∞ f (x) = 1. não precisam ser elementos do conjunto. tomemos = |b− .19: Toda sequência convergente é limitada. b + ) são disjuntos. então toda subsequência de (xn ) converge para o limite Prova: Seja (xni ) uma subsequência de (xn ). Dene-se como o supremo (resp. note que inf A ∈ / A. a + ). 1. como limn xn = a.1. Com essa escolha de . Dado qualquer número real b = a. Consideremos o conjunto nito F = {x1 . inferior) de A. ni > ni0 ⇒ ni > n0 .15 e 1. 0.17: Há duas aplicações dos Teoremas 1.1. d]. xn ∈ / (b − . a+1). para n ≤ n0 . inferior) para A como sendo qualquer número real c tal que c ≥ x (resp. Como os índices da subsequência formam um subconjunto innito. . Teorema 1.) não é convergente pois admite duas subsequências constantes que convergem para limites diferentes. Ora. é óbvio que c ≤ xn ≤ d e para n > n0 . 1]. . xn → 1. existe n0 tal que n > n0 implica que xn ∈ (a − . Seja c o menor e d o maior elemento de F . temos que supA = 1 e inf A = −1.1. existe entre eles um ni0 > n0 . temos que xn = f (n) = 1 para todo n ∈ I N. Logo. tomando Autor: Leandro Chaves Rêgo . considere a função real f (x) tal que f (x) = 0 para x ∈ /I N e f (x) = 1 para x ∈ I N . mostraremos que não se tem a| limn xn = b. Então. todos os termos xn da sequência estão contidos no intervalo [c.

limn (xn /yn ) = a/b se b = 0 e yn = 0. Isto mostra que xn · yn → 0. (nx) Exemplo 1. (xn ) pelo Teorema 1. Como xn ≤ a para todo n (pela denição de supremo). Prova: Para xar as idéias. donde limn xn yn = ab. Tomemos a = sup{xn : n = 1. . portanto. limn (xn + yn ) = a + b.}. Para parte 2. Dado > 0. limn (xn − yn ) = a − b.19 é uma sequência limitada e pela parte 1. existe algum n0 ∈ I N tal que a − < xn0 .21.21: Se limn xn = 0 e (yn ) é uma sequência limitada. dado > 0 existem n1 e n2 em I N tais que n > n1 ⇒ |xn − a| < e n > n2 ⇒ |yn − b| < 2 . limitada.1. como limn xn = 0. . Teorema 1. Com efeito. .) uma sequência não-decrescente 1.1. vemos que n > n0 ⇒ a − < xn < a + . Logo. podemos encontrar n0 ∈ I N tal que n > n0 ⇒ |xn | < c . 1 sen(nx) · n . Prova: Para parte 1.1. temos xn yn −ab = xn yn −xn b+xn b−ab = xn (yn −b)+(xn −a)b. Logo.1. . n > n0 ⇒ xn0 ≤ xn e. já demonstrada. Assim. n > n0 ⇒ |xn · yn | = |xn | · |yn | < c · c = . Com efeito. n > n0 ⇒ n > n1 e n > n2 . o número a − não é cota superior do conjunto dos xn . Logo n > n0 implica: 2 |(xn + yn ) − (a + b)| = |(xn − a) + (yn − b)| ≤ |xn − a| + |yn − b| < 2 + 2 = .23: Se limn xn = a e limn yn = b. pela parte 1. seja (x1 ≤ x2 ≤ . 2. limn [(xn −a)b] = 0. 3.20: Toda sequência monótona limitada é convergente. Então. . limn xn = a. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 6 Teorema 1. Autor: Leandro Chaves Rêgo . como a − < a. ou seja. Teorema 1. temos que limn (yn − b) = 0. então 1. pelo Teorema 1. O caso da diferença xn − yn se trata do mesmo modo.1. Ora. Isto prova que limn (xn + yn ) = a + b. Armamos que a = limn xn . temos limn (xn yn − ab) = limn [xn (yn − b)] + limn [(xn − a)b] = 0. limn (xn · yn ) = a · b. Como a sequência é não-decrescente. (mesmo que não exista limn yn ). Seja n0 = max{n1 . ∀n. dado qualquer > 0. então limn xn · yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n ∈ I N . . n2 }. temos limn senn = 0.CAPÍTULO 1.2 Propriedades Aritméticas dos Limites Estudaremos agora como se comportam os limites de sequências relativamente às operações aritméticas e às desigualdades. ≤ xn ≤ . Logo. 2. Por motivo semelhante.1. . limn [xn (yn −b)] = 0. a − < xn .22: Qualquer que seja x ∈ I R.1. com |sen(nx)| ≤ 1 e 1 n sen(nx) n = → 0.

25 para desigualdades estritas não é válido. Vamos a seguir provar que limites são preservados a aplicações de funções contínuas. então a < b. 2 Prova: Suponha por contradição que a > b.23 levaria ao absurdo de concluir que Observação 1. Então. Se limn xn = limn yn = a. Temos que limn xn = limn yn = 0. Por exemplo. b = a− . então a ≤ b. Segue-se que. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 7 Para parte 3. Ou seja. absurdo.+ n de parcelas é variável e cresce acima de qualquer limite.. existe δ > 0. Uma aplicação descuidada do Teorema 1. notemos que. se limn xn = a. a + ) e n > n2 ⇒ yn ∈ (b − . existe n0 tal que n > n0 ⇒ 2 2 1 yn b > b2 (basta tomar = b2 ). deve-se tomar cuidado de não tentar aplicar o teorema para certas somas (ou produtos) em que o número 1 1 +.1. Por outro lado. yn b → b2 . então limn (xn + yn + zn ) = a + b + c e limn (xn yn zn ) = abc. limn (bxn − ayn ) = ab − ab = 0. limn yn = b. n2 }. portanto. . Observação 1. cada parcela n tem limite zero. limn zn = a.28 : Se limn xn = a e g : I R → I R é uma função contínua em a.1.CAPÍTULO 1. vemos que n > n0 implica a− < xn ≤ zn ≤ yn < a+ . limn zn = a. Recorde que uma função f : I R→I R é contínua em a ∈ I R se para todo > 0.1.. Como temos que.1. seja xn = 0 e yn = 1/n para todo n ∈ I N .23 lim sn = lim 1/n + . seja sn = n 1 (n parcelas). Portanto. e Teorema 1. limn x =a . não é verdade que se xn < yn para todo n ∈ I N . yn é um número positivo b 2 1 inferior a b2 . sn = 1 e. e limn zn = c. do Teorema 1. tal que |x − a| < δ ⇒ |f (x) − f (a)| < . . vemos que n > n0 implica yn < b + = a+ = a − < xn . Seja limn yn = b. yn b yn b valem para qualquer número nito de sequências. Autor: Leandro Chaves Rêgo . limn sn = 1. Teorema 1. Por exemplo. yn b yn b yn b Como pelas partes 1 e 2. para todo n > n0 . . + 0 = 0.21 que n n limn ( x −a ) = 0 e. a+ ). então Prova: Dado > 0.1. limn xn = a. a sequência ( yn b ) é limitada.1. Pondo n0 = max{n1 . Por exemplo.26: O resultado análogo ao do Teorema 1. b + ). como pela parte 2. n2 }.25: Sejam xn ≤ yn para todo n ∈ I N .1.1. e limn yn = b. .24: É claro que resultados análogos aos ítens 1 e 2. n n n Teorema 1. xn a bxn − ayn 1 − = = (bxn − ayn ) . então limn g (xn ) = g (a). existem n1 e n2 tais que n > n1 ⇒ xn ∈ (a − .1. Contudo. a + ) e n > n2 ⇒ yn ∈ (a− . portanto. Logo. Pondo b n0 = max{n1 . limn xn = a. Então. por hipótese existem 2 n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . segue-se do Teorema 1.27: Sejam xn ≤ zn ≤ yn para todo n ∈ I N . + lim 1/n = 0 + .

> 0 e todo Prova: Suponha que a é um valor de aderência de (xn ). então a é o único valor de aderência de (xn ). temos que |g (xn ) − g (a)| < . . a sequência (xn ) não possui valores de aderência. para queremos provar que existe ni+1 > ni tal que xni+1 ∈ (a − i+1 1 1 1 = i+1 e n0 = ni . A sequência (0. Suponha que α ≤ xn ≤ β para todo n ∈ I N . . . ≤ an ≤ . a + i+1 ). . embora não seja convergente. . . existe uma subsequência (xni ) tal que limi xni = a. Temos [α.3 Valores de aderência. lim sup Denição 1. tal que i > i0 ⇒ xni ∈ (a − . Como g é contínua em a. Reciprocamente. Então. Como an ≤ bn . 0. . e construímos a desejada subsequência.1. e que a sequência converge se. a + ). temos α ≤ a1 ≤ a2 ≤ .}. Seja xn = n. Portanto. como (xni ) contém innitos termos de (xn ). existe ni > n0 tal que i > i0 e. 1.) tem como valores de aderência 0 e 1. 3.1. Ou seja. Então. Por outro lado. a + 1). a + ). A sequência (0. mais especicamente. ⊃ Xn ⊃ . para todo n0 ∈ I N existir n ∈ I N tal que n > n0 e xn ∈ (a − . Escrevamos Xn = {xn . toda vizinhança de a contem innitos termos de (xn ). .) tem 0 como seu único valor de aderência. a + ). Vamos construir uma subsequência (xni ) tal que limi xni = a. xn+1 . Por suposição. ≤ bn ≤ . portanto. limn g (xn ) = g (a). valor de aderência de (xn ).30: Se limn xn = a. Mostraremos que o conjunto de valores de aderência de (xn ) não é vazio. . . consequentemente. suponha que para todo > 0 e todo n0 ∈ I N exista n ∈ I N tal que n > n0 e xn ∈ (a − . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 8 > 0. . 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 ). Suponha que exista ni > ni−1 tal que xni ∈ (a − 1/i. para n > n0 . vamos construir uma subsequência tal que xni ∈ (a − 1/i. e somente se. como xn → a. ou seja. temos que a é limite desta subsequência (xni ) e. existe δ > 0 tal que |x − a| < δ ⇒ |g (x) − g (a)| < . . . Exemplo 1. Logo. lim inf . Autor: Leandro Chaves Rêgo . 0. a + 1/i). Então. 0. Chamemos este n de ni+1 . 1 1 . e somente se. . arbitrário. que entre eles existe um que é o menor de todos e outro que é o maior. . . ≤ b2 ≤ b1 ≤ β Como toda sequência monotônica e limitada é convergente. existe um n > n0 tal que xn ∈ (a − i+1 . dado qualquer n0 . vamos denir os demais termos da subsequência por indução. a + 1/i).1. Prova: Escolha 1. 1. . xni ∈ (a − . a + ). O próximo teorema mostra que um número real a é valor de aderência de uma sequência (xn ) se. 0. 2. a + i+1 ). existe n1 tal que xn1 ∈ (a − 1. possui apenas um valor de aderência.29: Um número real a chama-se valor de aderência de uma sequência (xn ) quando a é limite de alguma subsequência de (xn ). denindo an = inf Xn e bn = sup Xn . Por suposição. Seja (xn ) uma sequência limitada de números reais.CAPÍTULO 1. temos que existe n0 tal que n > n0 ⇒ |xn − a| < δ . temos que an → a e bn → b. . e somente se. Teorema 1. tem-se lim inf xn ≤ lim sup xn . 1. . β ] ⊃ X2 ⊃ .31: a é valor de aderência de (xn ) se. para todo > 0. existe ni0 .1.

1. Como a = limn an . exige-se que seus termos xm .33: Seja (xn ) uma sequência limitada. esta subsequência possui valores de aderência que são valores de aderência de (xn ) e estão fora do intervalo (a − . Portanto.1. Logo. Como an1 = inf Xn1 . a + ). então vimos que a é o único valor de aderência.33. Logo. Isto nos permite concluir que uma sequência possui limite mesmo sem conhecermos o valor deste limite.35: Uma sequência (xn ) de números reais é uma sequência de Cauchy quando dado qualquer > 0. Então. que nos dá uma condição necessária e suciente para a convergência de números reais.32 : Sejam x2n−1 = − n e x2n = 1 + n . a + ). usaremos o Teorema 1. uma contradição. A m de que (xn ) seja uma sequência de Cauchy. possui um único valor de aderência. Aqui se impõe uma condição apenas sobre os termos da própria sequência.34: Uma sequência limitada de números reais (xn ) é convergente se. A demonstração para lim sup se faz de modo semelhante. Para isto. existe um n0 ∈ I N tal que n > n0 e m > n0 implica |xm − xn | < . Autor: Leandro Chaves Rêgo . Mostremos agora que nenhum número c < a pode ser valor de aderência de (xn ). 1 1 Exemplo 1. Prova: Se (xn ) convergir para a. segue-se da última igualdade que a + (sendo maior que an1 ) não é cota inferior de Xn1 . segue-se de c < a que existe n0 ∈ I N tal que c < an0 ≤ a. Corolário 1. Ora. vemos que c + = an0 .1. logo o intervalo (c − . lim inf xn = lim supn xn . Compare com a denição de limite. a + ). existe n ∈ I N tal que n > n0 e xn ∈ (a − . Pelo Teorema 1. existe n1 > n0 tal que a − < an1 < a + . Logo. Então existe uma subsequência de (xn ) cujos termos não estão no intervalo (a − . existe > 0. Como an0 = inf Xn0 . a + ).1. xn . lim inf xn é o menor valor de Prova: Provaremos inicialmente que a = lim inf xn é valor de aderência de (xn ).1. mente se. 1. se aproximem e permaneçam arbitrariamente próximos uns dos outros.1.31. se. então suponha que xn não convirja para a. Veremos agora o critério de Cauchy. isto é.CAPÍTULO 1. c + ) não contém termo xn algum com n ≥ n0 . 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 . Verica-se sem diculdade que aderência e lim sup xn é o maior valor de aderência de (xn ). Tomando = an0 − c. como a = limn an . existe n ≥ n1 tal que an1 ≤ xn < a + . concluímos que n ≥ n0 ⇒ c < an0 ≤ xn . e so- lim inf xn = lim supn xn = a. Isto nos dá n > n0 com a − < xn < a + . e mostraremos que dados > 0 e n0 ∈ I N arbitrários. para valores sucientemente grandes de índices n e m. Denição 1. lim inf xn = 0 e lim sup xn = 1 e estes são os dois únicos valores de aderência da sequência (xn ). Isto exclui a possibilidade de c ser valor de aderência de (xn ). Se lim inf xn = lim supn xn = a. Teorema 1. tal que para todo n0 ∈ N existe n > n0 tal que xn ∈ / (a − . e somente se.1. onde se exige que os termos xn se aproximem e permaneçam arbitrariamente próximos de um número real a dado a priori.4 Sequências de Cauchy Provamos anteriormente que toda sequência monótona limitada é convergente.

logo (xn ) é limitada. n > n0 ⇒ |xm − xn | ≤ |xm − a| + |xn − a| < /2+ /2 = . .1: Seja (an ) uma sequência de números reais. xn0 +1 + 1}. Intuitivamente: se limn xn = a então. A parcela an é chamada o Autor: Leandro Chaves Rêgo . para valores grades de n. Então. os termos xn se aproximam de a. pelo Teorema 1. m > n0 ⇒ |xm − a| < /2.1. existe n0 ∈ I N tal que m. Isto mostra que limn xn = a. Sejam α o menor e β o maior elemento do conjunto X = {x1 .39 que (xn ) converge. . formamos uma s1 = a1 . = 1. . + 21 reais. 1. Em particular para m = n0 + 1. + 21 n + . Pelo Lema 1. Então. na qual o primeiro termo é uma soma com uma 2 4 innidade de parcelas.1. + an . para +1 + . Prova: Dado > 0. . ou seja.37: Toda sequência de Cauchy de números reais é convergente. ou seja (xn ) é uma sequência de Cauchy.38: Toda sequência de Cauchy é limitada.CAPÍTULO 1. ela é limitada.38. sn = a1 + . Logo. n > n0 ⇒ |xn0 +1 − xn | < 1. possui um valor de aderência e segue do Lema 1. 2 4 nova sequência (sn ) cujos elementos são as somas Denição 1. 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 + . n > n0 ⇒ |xn − a| ≤ |xn − xn1 | + |xn1 − a| < . . que são chamados de soma parcial ou reduzida da série n-ésimo termo ou o termo geral da série. .2 Séries de Números Reais Nesta seção. n > n0 ⇒ |xm − xn | < 1.2. an . .1. Então. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 10 Teorema 1. obtemos n0 ∈ I N tal que m. = 1. a soma 1 n difere de 1 por menos de . . . xn0 +1 + 1). e portanto necessariamente aproximam-se uns dos outros. Lema 1.1.1.39: Se uma sequência de Cauchy (xn ) possui um valor de aderência a ∈ I R. xn0 +1 − 1. . m. É claro que não tem sentido somar uma sequência innita de números 1 +4 + .33. Tomando Lema 1. então limn xn = a. Prova: Seja (xn ) uma sequência de Cauchy.36: Toda sequência convergente é de Cauchy. . Logo. seja (xn ) uma sequência de Cauchy. O que o primeiro membro da igualdade acima exprime é o limite limn ( 1 n ). . como (xn ) é uma sequência de Cauchy. Portanto. + 21 todo n > n0 . . xn ∈ [α. dado > 0 existe n0 tal que n > n0 ⇒ |xn − a| < /2 e Teorema 1. 2 A armação contida naquela igualdade signica que para todo > 0 existe n0 tal que. . x2 . n > n0 ⇒ |xm − xn | < 2 . . . existe também n1 > n0 tal que |xn1 − a| < /2. β ] para todo n ∈ I N.1.1. s2 = a1 + a2 . xn0 . n > n0 ⇒ xn ∈ (xn0 +1 − 1. . Como a é valor de aderência de (xn ). Prova: Seja limn xn = a. A partir dela.

+ an+1 ) = 1 − an+1 1 − an+1 ⇒ sn (1 − a) = 1 − an+1 ⇒ sn = . Com 1 1 1 1 1 + ( + ) + . Em vez de tomar como ponto de partida o comportamento dos números sn . pois sn − asn = (1 + a + . pelo seguinte motivo. s2n = 1 + Exemplo 1.. então limn an = 0. . . .4: A recíproca do Teorema 1. . + (xn − xn−1 ) = xn . . n Exemplo 1. a soma desta série é igual a limn xn . pode-se dar a impressão de que a teoria das séries coincide com a teoria dos limites de sequências. Basta tomar a1 = x1 e an+1 = xn+1 − xn para todo n∈I N . Logo. + an = x1 + (x2 − x1 ) + . . por conseguinte. + an ). .2. 0 = s − s = limn sn − limn sn−1 = limn (sn − sn−1 ) = limn an . como sn é monotonicamente crescente. pois n temos limn sn = +∞. Escreve∞ s= an = n=1 an = a1 + a2 + . estaremos deduzindo suas propriedades a partir das diferenças an = sn − sn−1 . Ao estudar a série cujas reduzidas são sn . . tem-se também s = limn sn−1 .5: A série geométrica an é divergente quando |a| ≥ 1. . a1 + . pela série harmônica efeito. . concentraremos atenção sobre os termos an . . . n→∞ diremos que a série remos então an é convergente e o limite s será chamado a soma da série. e somente se. . a sequência (xn ) é convergente. Isto não é verdade. A série an assim obtida converge se. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Se existir o limite 11 s = lim sn = lim (a1 + . A primeira condição necessária para convergência de uma série é que seu termo geral tenda para zero. Evidentemente. O contra-exemplo clássico é dado Seu termo geral. Quando |a| < 1. + an + . + ( n−1 + ··· n) 2 3 4 2 +1 2 n−1 2 1 1 2 > 1 + + + . Prova: Seja sn = a1 + . 1 1 1 diverge. . No caso armativo.3 é falsa. Então. pois neste caso seu termo geral não tende a zero. + an . . Então. diremos que a série sequência das reduzidas de uma série. a série r > n nr para todo n > 1. an é divergente.. Resulta daí que. + an ) − (a + a2 + .2. a série geométrica converge. . Assim falando.2: Toda sequência (xn ) de números reais pode ser considerada como a Teorema 1. temos 1 . 1−a Então. existe s = limn sn . n tende para zero mas a série diverge. 2 4 2 2 Segue-se que limn s2n = +∞ e. 1−a Autor: Leandro Chaves Rêgo .2. Observação 1. Se a sequência de somas parciais não convergir. ∞ n=0 ∞ n=0 an = limn sn = 1 .2.3: Se an é uma série convergente. para 0 < r < 1. . + n = 1 + n · .CAPÍTULO 1. .2. 1 . .

Então. Teorema 1. an é uma sequência monótona não-decrescente e limitada. p > m ⇒ |sp − sk | < . ∞ n=k+1 ∞ n=k an < ∞. logo temos também s ≤ s .1 Critérios de Convergência Um dos problemas centrais no estudo das séries consiste em saber se uma dada série converge ou não. n=1 an = L + n=1 an . é divergente pois seu termo geral não tende a zero. temos que ∀ > 0. e somente se. Uma série an pode divergir por dois motivos. Quando os termos da série têm todos o mesmo sinal.2. ∞ Para parte (b). a2 . Há vários critérios para se testar a convergência de uma série. Prova: Sendo an > 0. Autor: Leandro Chaves Rêgo . então limk an = ∞. . logo sn é limitada e portanto convergente. Mas a série original pode também ser interpretada como obtida de an por reindexação de seus termos an . . Então. suponha que os termos sejam reindexados numa outra ordem qualquer.8: Seja (a) se (b) se ∞ n=1 ∞ n=1 ∞ n=1 an uma série de termos não-negativos. ∞ n+1 n=1 (−1) N . logo a sequência (sn ) sendo monótona Dada uma série de termos não negativos a1 . . independente da ordem de seus termos. a nova soma parcial sn = a1 + .7: Seja an > 0 para todo n ∈ I an converge se. . ∃m tal que k > m ⇒ | n=k+1 an | ≤ .6: A série = 1 − 1 + 1 − 1 + . . ou seja. an = 0. e somente se. . . as somas parciais sn = a1 + . + an formam uma sequência limitada. p > m ⇒ | p n=k+1 an | < . . . . então ∀k . então n=k ak < ∞.. teremos sn ≤ sm ≤ s. Seu limite s é seu supremo. ∃m tal que k. ela será sempre divergente. neste caso. não importa a ordem de seus termos. + an não são limitadas ou porque elas oscilam em torno de alguns valores de aderência. A seguir nós estudaremos alguns critérios de convergência de séries. A série Teorema 1.2. Concluímos que uma série de termos não negativos que converge tem a mesma soma. Fazendo p → ∞.2. nós vamos destacar dois dos mais importantes: o teste da comparação e o teste da razão. pois. Suas somas parciais de ordem ímpar são iguais a 1 e as de ordem par são iguais a zero. as reduzidas formam uma sequência monótona.2. + an é dominada por alguma soma parcial sm com m > n. suponha por contradição que n=1 an = ∞ e que exista k tal que ∞ ∞ k−1 ∞ n=k ak < ∞. então ela é convergente. esta última possibilidade não ocorre. a2 pode ser a1 .. como sk = k n=1 1. . Ou porque as reduzidas sn = a1 + . temos ∞ ∞ que ∀ > 0. de forma que a1 pode ser a15 . É fácil ver também que se a série de termos não negativos diverge. etc. como os termos são todos não negativos. é limitada. converge se. . Logo. Se a série original converge para s.CAPÍTULO 1. temos s1 ≤ s2 ≤ s3 ≤ . uma contradição.. n =k+1 an → 0. de sorte que s ≤ s. Assumindo sem perda de generalidade que p > k . . O próximo teorema estabelece mais uma caracterização de séries convergentes e divergentes. Seja L = Prova: Para parte (a). a2 . . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 12 Exemplo 1. an = ∞. ∃m tal que k. a1 . pelo critério de Cauchy para sequências temos que ∀ > 0. . .

0≤ Como gente. . de acordo com o seguinte esquema: 1 nr 1 1 1 1 1 1 + r) + ( r + r + r + r) + . 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + . an também teria de convergir. 2n−1 consiste em compará-la Como esta é convergente.2 2 donde se vê que a série dada é dominada pela série concluímos que a série original também é convergente. . bn diverge. 1 nr é dominada pela série geométrica de razão q = ∞ 1 1 k=1 k sen k 1 2r−1 < 1..CAPÍTULO 1. raciocinamos por absurdo: se bn convergisse. tn converge para um certo limite t.12: A série senx < x. portanto.11: Vamos provar que a série é convergente quando r > 1.2. diminuindo os denominadores de seus termos. bn converge ⇒ an diverge ⇒ an converge. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 13 Teste de Comparação Teorema 1. majoramos as somas parciais da série. π/2).. Então. Para provar (ii). an ≤ bn para todo n ∈ I N . 1 . Suponhamos ainda que a primeira seja dominada pela segunda. .10: Um modo de provar a convergência da série 1 1 1 1 = < = n−1 . Exemplo 1. sn é uma sequência monótona limitada e. ∞ 1 k=1 k2 1 1 1 1 sen ≤ · . No caso (i).. + an e tn = b1 + . Para isso. temos que para todo k ≥ 1: é convergente. 2 2 1+( Isto nos mostra que convergente. convergente. . + bn são sequências não decrescentes. 1 n! com a série geométrica de razão 1/2.. ou seja. então sn ≤ t para todo n.n 2 · 2. k k k k ∞ 1 1 k=1 k sen k é convergente.2. r 2 3 4 5 6 7 1 1 1 1 1 1 ≤ 1 + ( r + r) + ( r + r + r + r) + . Prova: As somas parciais das séries dadas sn = a1 + . satisfazendo à desigualdade sn ≤ tn .. pois 0 ≤ an ≤ bn . .. pois como para todo x ∈ (0. Observemos que Exemplo 1.2. que é Exemplo 1. então. n! 2 · 3. . = 1 + r−1 + r−1 2 4 2 4 1 1 2 = 1 + ( r−1 ) + ( r−1 ) + .9: Sejam (i) (ii) an e bn duas séries de termos não negativos.. .2.. . segue do critério da comparação que é conver- Autor: Leandro Chaves Rêgo . contrariando a hipótese. pela parte (i).

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

a primeira delas converge. . a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos termos ar negativos.18 : A série −1 + absolutamente convergente. logo pn e qn também convergem. ak |ak | será convergente pelo teste da razão. por hipótese. a série ∞ k=0 ak . r ≤ n. Exemplo 1. da série independe da ordem em que se consideram os termos. n n nx n Segue do critério da razão. então. respectivamente. .2. |a +1 | Se r > 1. se a série an converge absolutamente. 1 4 − 1 9 + . Teorema 1.20: Determine x para que a série ∞ n=1 nx seja convergente. Então. com ak = 0 para todo natural k . também. pn ≤ Tn ≤ T e qn ≤ Tn ≤ T . as somas parciais das séries |an | e an são dadas por Tn = |a1 | + |a2 | + .19: Seja a série Prova: Se r < 1. Suponhamos que +1 limk | ak | = r .2. + an = pn − qn . Autor: Leandro Chaves Rêgo . digamos. com limk ak . Solução: Para x = 0 a soma da série é zero. já que ela é Teste da Razão Para Séries de Termos Quaisquer Teorema 1. Suponhamos então que x = 0 e apliquemos o critério da razão. . em ambos os casos. limk |ak | não poderá ser zero e o mesmo acontecerá. para todo k > p.2. a série ∞ k=0 ak será divergente. digamos para p e q . para T .2. Então. logo ∞ k=0 ∞ k=0 ak será. As sequências (Tn ). Para |x| = 1.16: Diz-se que uma série convergente. convergente.CAPÍTULO 1. Para demonstrar a segunda parte do teorema. n Exemplo 1.17: Toda série absolutamente convergente é convergente. Ao mesmo tempo. respectivamente. lim | n n+1 (n + 1)xn+1 | = |x| lim = |x |. ou é absolutamente |an | é convergente..2. Como ap = 0. Além disso. . que a série é convergente para |x| < 1 e divergente para |x| > 1. cujas somas independem da ordem em que se considerem seus termos. logo convergente.2.. Então. (pn ) e (qn ) são não decrescentes. + |an | = pn + qn e Sn = a1 + a2 + . existirá um natural p tal que k ≥ p ⇒ |k > 1. = ∞ (−1)n n=1 n2 é convergente. ak | |ak | > |ap |. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 15 1. onde. Pelo critério do termo geral. basta notar que pn e qn são somas parciais de séries de termos não negativos. Concluímos que (Sn ) também converge: Sn = pn − qn → p − q . a série converge se r < 1 e diverge se r > 1. a série é divergente pelo critério do termo geral.2 Convergência Absoluta Denição 1.

logo convergente. sen2 x = o(x) e cos( x x cos(1/x) tendem a zero com x → 0. logo a série diverge.2. (x)| isto é.CAPÍTULO 1. quando existem números positivos δ e M tal que se |x − x0 | < δ . para x → x0 e escrevemos f (x) = o(g (x)). pois ambos quocientes. n n+1 (n + 1)!xn Segue do critério da razão. sen e Por exemplo. n→∞ n→∞ n! √ √ n ) 2πn en ( n e lim n n 2πn n→∞ Portanto. então ||f ≤ M.2. 1. para x → x0 e escrevemos 2 f (x) = O(g (x)). Solução: Para x = 0 a soma da série é zero. utilizando a aproximação de Stirling. lim | n (n + 1)!nn xn+1 (n + 1)nn n n |x | | = | x | lim = |x| lim( ) = . Suponhamos então que x = 0 e apliquemos o critério da razão. Autor: Leandro Chaves Rêgo . que a série é convergente para todo x real. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS n 16 x Exemplo 1. dizemos que f é de ordem pequena em relação a g . o termo geral da série diverge. Suponhamos então que n x = 0 e apliquemos o critério da razão. logo convergente. n!x Exemplo 1.3 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 .21: Determine x para que a série ∞ n=1 n! seja convergente. que a série é convergente para todo |x| < e e divergente para |x | > e . ! √ = 1. g (x)| dizemos que f é de ordem grande em relação a g . Se |x| = e. 1 x 1 ) = o( x ) para x → 0. x → x0 . x → x0 . 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhança de x0 . segundo a qual limn→∞ ( n )nn 2πn e temos que limn→∞ |an | = lim n!en n→∞ nn √ )n 2πn n!en ( n e = lim n n √ n→∞ n ( e )n 2πn = lim (n )n e √ = 1 lim 2πn = ∞. n +1 n n +1 n (n + 1) n n+1 n!(n + 1) x e Segue do critério da razão.22: Determine x para que a série ∞ n=1 nn seja convergente.2. Solução: Para x = 0 a soma da série é zero. lim | n n!xn+1 1 | = | x | lim = 0.

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

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. Como G(b) = G(a). f (n+1) (cn )xn+1 . b]. Este é chamado de polinômio de Taylor de ordem n da função f em torno de x = 0. r! onde f (0) (x) = f (x). G(x) = xn+1 . Sua importância reside no teorema que enunciamos e provamos a seguir. Então. ou seja.2: Se F e G são funções deriváveis num intervalo (a. Aplicando novamente o Lema com F (x) = f (x) − pn (x).1: Seja f uma função derivável até a ordem n + 1. n +1 n +1 x x (n + 1)cn onde c está entre 0 e x. obtemos f (x) − pn (x) f (c) − pn (c) Rn (x) = = . b]. a = 0.CAPÍTULO 1. Então aplicando o Lema notando que f (0) = pn (0). numa vizinhança V de x = 0.3.3. temos que n 18 pn (x) = r=0 f (r) (0) r x. b) tal que H (b) − H (a) = 0 = H (c)(b − a). conhecido como Teorema do Valor Médio Generalizado. e b = x. derivável em (a. temos (note que f (0) − pn (0) = 0) Rn (x) f (c) − pn (c) f (c1 ) − pn (c1 ) = = n−1 . Seja F (x) = f (x) − pn (x). existe c tal que (F (b) − F (a)G (c) − (G(b) − G(a))F (c) = 0. n +1 n x (n + 1)c (n + 1)nc1 Autor: Leandro Chaves Rêgo . então existe c ∈ (a. Portanto. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Então. (n + 1)! Prova: Começaremos enunciando e provando o seguinte Lema. b). Lema 1. contínuas em [a. Teorema 1. G(x) = (n + 1)xn . H é contínua em [a. o resultado está provado. Logo pelo Teorema do Valor Médio existe c ∈ (a. Usaremos repetidamente o Teorema do Valor Médio Generalizado para provar o teorema. Então. com G(a) = G(b) e G (x) = 0 para x ∈ (a. b) tal que F (b) − F (a) F (c) = G(b) − G(a) G (c) Prova: Considere a função H (x) = (F (b) − F (a))(G(x) − G(a)) − (G(b) − G(a))(F (x) − F (a)). b). b). H (c) = 0. b = c e a = 0. e H (a) = H (b) = 0.

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

Autor: Leandro Chaves Rêgo . r (−1) 2 sen(x) se r for par. f (x) = −x2 . 2r ! (2r + 1)! r=0 ∞ cos(x) = r=0 ∞ (−1)r 2r x .CAPÍTULO 1. podemos concluir que eix = cos(x) + i sen(x). 1 Exemplo 1. (2r + 1)! sen(x) = r=0 Logo. x > 0. = r se r for par.5: Fórmula de Euler. f r!(2) = (2 r +1 . Portanto. e que em geral temos: (r ) −1)r f (r) (x) = (−1)r r!x−r−1 . 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 . Solução: Note que f (2) = 1/2. Neste exemplo usaremos √ séries de Taylor para demonstrar a fórmula de Euler: eix = cos(x) + i sen(x). REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 20 (1 + x)−1 .3.4: Vamos obter a série de Taylor de ordem n da função f (x) = x . f (x) = 2x−3 . e que em geral temos: f (r) (x) = (−1)r−1 (r − 1)!(1 + x) . temos −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) = 1 = 1+x −r f (x) = r=1 (−1)r−1 r (−1)n (1 + c)−(n+1) n+1 (x) + (x) .3. r +1 n +2 2 c r=0 onde c é um número entre 2 e x. temos as seguintes expansões de Taylor em torno de x = 0: ∞ e = r=0 ix ir r x = r! ∞ ∞ r=0 (−1)r 2r (−1)r 2r+1 x +i x . r −1 Então. r dx r +1 dr cos(x) (−1) 2 sen(x) se r for ímpar. onde i = inteiro r. (−1) 2 cos(x) dxr dr sen(x) = dxr (−1) 2 cos(x) se r for ímpar. em Exemplo 1. Note que para qualquer dr eix = ir eix . torno do ponto a = 2. f (r) (0) = (−1)r−1 (r − 1)!. f (x) = −1(1 + x)−2 . Portanto. r (n + 1) onde c está entre 0 e x. 2r ! (−1)r 2r+1 x .

n n Exemplo 2. n+1 ) = lim sup[0.1. temos que isto é equivalente a existência de um número innito de índices k tais que ω ∈ Ak . A seguir descreveremos algumas propriedades do lim inf e lim sup de uma seqüência de eventos. A prova da parte (b) é similar. ω ∈ Ak para um número innito de índices k . (a) ω ∈ lim sup An se. 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 . e somente se. se.2: Seja (An ) uma seqüência de eventos de Ω.1 Seqüência de Eventos A denição de conceitos de convergência de variáveis aleatórias depende de manipulações de seqüências de eventos. n+1 ) = [0.Capítulo 2 Convergência Estocástica 2. dene-se: k≥n ∞ inf Ak = ∩∞ k=n Ak . e somente se.1. ω ∈ ∪∞ k=n Ak . para todo n. se. ω ∈ / Ak para um número nito de índices k . e conseqüentemente pertence a um número innito deles. (b) ω ∈ lim inf An se. Logo. . 1. e somente se. ω ∈ lim sup An . ω não pertence apenas a um número nito de eventos Ak 's. ou seja. 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 . 21 Prova: Para parte (a). então B é chamado de limite de (Bn ) e nós escrevemos limn Bn = B ou Bn → B . note que ω ∈ lim sup An . Seja An ⊆ Ω. lim inf An ⊆ lim sup An Este fato é uma simples conseqüência do Teorema 2. 1) Teorema 2.1.2. pois se ω ∈ lim inf An .1: lim inf[0. para todo n existe n ≥ n tal que ω ∈ An . Como isto é válido para todo n. e somente se.

limn ( n+1 . Autor: Leandro Chaves Rêgo .1.1. se limn An = A. temos igualdade acima. 1. lim sup An = ∪∞ k=1 Ak . . então limn An = ∩∞ n=1 An .1. precisamos mostrar que lim inf An = lim sup An = ∪∞ n=1 An . não-crescente) de eventos. (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 ). .3: Suponha que (An ) é uma seqüência monotônica de eventos. Por outro lado.4: 1 1 1. ∞ lim sup An = ∩∞ n=1 (∪k≥n Ak ) ⊆ ∪k=1 Ak = lim inf An ⊆ lim sup An . então limn Ac n = A .). 1 Exemplo 2. Mostre que: c 1. . n n n n 3. ou seja. Se An ↑. 22 Seqüências Monotônicas Uma seqüência de eventos (An ) é monotônica não-decrescente (resp. . Então. Como ∞ lim inf An = ∪∞ n=1 (∩k≥n Ak ) = ∪n=1 An . Se An ↓. 1 − n ] = [0. n− ) = ∩∞ n=1 ( n+1 . Bn . CONVERGÊNCIA ESTOCÁSTICA 2. A. Conseqüentemente. temos ∩k≥n Ak = An . limn [0. 2.. c c c c c Solução: lim inf Ac n = (lim sup An ) = A e lim sup An = (lim inf An ) = A .5: Sejam An . n−1 ) = {1}. B eventos em Ω. Exemplo 2. como para qualquer seqüência Bn . Logo. A prova de (2) é similar. 1). então limn An = ∪∞ n=1 An . limn [0. Denotaremos por An ↑ (resp. Prova: Para provar (1).CAPÍTULO 2. 1 − n ] = ∪∞ n=1 [0. lim sup Bn = lim(sup Bk ) n k ≥n n k ≥n Aj ⊆ Aj +1 .. An ↓) uma seqüência não-decrescente (resp. 1 + n ) = ∩∞ n=1 [0. segue que: lim inf Bn = lim(inf Bk ). 1 1 2. Teorema 2. não-crescente) se A1 ⊆ A2 ⊆ . 1 + n ) = [0. (resp. 1]. e portanto. A1 ⊇ A2 ⊇ . temos inf k≥n Bk ↑ e supk≥n Bk ↓. temos.

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

as suas probabi- lidades individuais satisfazem P (Ak ) ≤ k12 . se P (An ) < ∞. pois n+m k =n P (Ak ) → ∞ quando m → ∞. 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 )). ∀j. se apenas sabemos que P (Ak ) > 1/k . Autor: Leandro Chaves Rêgo . Contudo. Podemos reesecrever isso da seguinte forma: existe um instante aleatório N tal que. Mas [An innitas vezes] ⊆ ∪∞ k=j Ak . Então. ∀n. então não podemos concluir nada baseados no Lema de Borel-Cantelli. Prova: Para parte (a). com probabilidade 1. Por exemplo. nenhum dos Ak ocorrem para k > N .1. Logo P (Bn ) = 1. Se soubermos que os eventos são mutuamente independentes. Logo para todo m. seja Bn = ∪∞ k=n Ak . e k k =n +m n+m c c c Bn ⊆ (∪n k=n Ak ) = ∩k=n Ak . Para tanto. ∞ k=j P (An ) = ∞ mas o evento [An innitas P (Ak ) → 0 quando j → ∞. temos n+m n+m 1 − P (Bn ) ≤ k=n e −P (Ak ) = exp(− k =n P (Ak )) → 0 quando m → ∞. P (An innitas vezes) = 0.CAPÍTULO 2. ∀n. então Obervação: O ítem (b) não vale necessariamente sem independência. que apenas um número nito deles ocorrem com probabilidade 1. +m Então Bn contém ∪n A para todo m . Para parte (b). Exemplo 2. podemos concluir que innitos Ak ocorrem com probabilidade 1. é também de probabilidade 1). logo ∞ P (An innitas vezes) ≤ Portanto. então sabendo que P (Ak ) > 1/k . 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 ). vezes] = A e P (An innitas vezes) = P (A) < 1. onde 0 < P (A) < 1. basta provar que P (∪∞ k=j Ak ) ≤ k=j P (Ak ) → 0.7: Se sabemos que para uma dada coleção de eventos {Ak }. Como 1 − p ≤ e−p para 0 ≤ p ≤ 1. ∀n ∞ (pois sendo [An innitas vezes] = ∩∞ n=1 ∪k=n Ak a intersecção de um número enumerável de eventos de probabilidade 1. CONVERGÊNCIA ESTOCÁSTICA 24 seja An = A. P (∪∞ k=n Ak ) = 1. então podemos concluir que intos desses vezes ocorrem com probabilidade zero ou.

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

P ). temos que limn Yn (w) = Y (w) se.2.1: A seqüência de variáveis aleatórias Y1 . Y2 . então Xn (w) → 0 cp1. para todo k ∈ I N.2. existir N tal que para todo n ≥ N . . e depois provaremos algumas relações entre os vários tipos de convergência. converge quase certamente (ou com probabilidade 1) para a variável aleatória Y se n→∞ P ({w : lim Yn (w) = Y (w)}) = 1. ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < 1 }) = 1. pela denição de limite de sequências de números reais. Notação: Yn → Y cp1. Exemplo 2. Seja Xn (w) = Z n (w). Yn (w) → Y (w). . para um dado w ∈ Ω xo. Y2 . Sejam Y. A. Yn → Y cp1 se. Então para cada k xo. e somente se. observando que. n Autor: Leandro Chaves Rêgo . 1 temos |Yn (w) − Y (w)| < k .k . Convergência Quase Certa Denição 2. P (lim sup An. e somente se.2: Considere uma variável aleatória Z tal que P ({w : 0 ≤ |Z (w)| < 1}) = 1. . Y2 . variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω. k Então.k = ∪∞ N =1 ∩n=N An. Y1 . . . Yn → Y cp1 se. .2. . e somente se. converge quase certamente para Y não signica que para todo w ∈ Ω. D é chamado de conjunto de exceção.CAPÍTULO 2. CONVERGÊNCIA ESTOCÁSTICA 26 2. note que o conjunto de exceção é D = {w ∈ Ω : |Z (w)| ≥ 1} e que P (D) = 0. . Então se uma seqüência de variáveis aleatórias Y1 .1 Tipos de Convergência Vamos a seguir descrever vários tipos de convergência estocástica. ilustrando com exemplos cada tipo de convergência. . k 1 }) = 0.k = {w : |Yn (w) − Y (w)| ≥ k }. n Logo. Portanto: ∞ ∞ {w : lim Yn (w) = Y (w)} = {w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < n 1 }. k Isto é equivalente a: ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| ≥ 1 Dena An. Podemos obter uma denição alternativa para convergência quase-certa. apenas o que se sabe é que a probabilidade do evento D = {w : Yn (w) Y (w)} é nula. temos que ∞ lim sup An. para todo k ∈ I N .k ) = 0.

Dessa forma. para todo x < ∞. .2. tem probabilidade zero e. n P (|Xn | > ) = n log n = ∞. . temos que P (|Xn | > ) = P (Xn = n) = 1 . Se r = 2 este tipo de convergência é freqüentemente chamado de convergência em média quadrática. Xk ≤ M ) k = n=1 P (Xn ≤ M ) = F k (M ). . .CAPÍTULO 2. . . . Então. . Seja M um número real.4 : P (Yn ≤ M : n = 1. observe que para cada ω ∈ Ω. 2. . . n pois F k (M ) tende a zero. Fazendo k → ∞. . . quando k → ∞. Autor: Leandro Chaves Rêgo . onde r > 0. em que limn Yn (w) é nito. Notação: Yn →r Y . Xn ). para a variável aleatória Y se n→∞ lim E |Yn − Y |r = 0.5: A seqüência de variáveis aleatórias Y1 . 2.) = 0.2.2. . log n log n tal que 0 < < 1.) ≤ P (Yn ≤ M : n = 1. . portanto. converge na r-ésima Média. . Xk ) ≤ M ) = P (X1 ≤ M. Dena Yn = max(X1 . . temos que para todo M nito. . . Vamos vericar que Yn → ∞ cp1. .d. portanto com probabilidade 1. Suponha que F (x) < 1. . Y2 . Solução: Para qualquer 1 1 e P (Xn = n) = . . 2. ∀n ≥ 3. . Yn → ∞ cp1. . X2 .3: Seja {Xn }n≥3 uma seqüência de variáveis aleatórias independentes com P (Xn = 0) = 1 − Mostre que Xn 0 cp1. CONVERGÊNCIA ESTOCÁSTICA 27 distribuição de probabilidade dada por: Exemplo 2. ∀k ≥ 1. P (lim Yn ≤ M ) = P (Yn ≤ M : n = 1. as variáveis Yn formam uma seqüência nãodecrescente de números reais. k ) = P (Yk ≤ M ) = P (max(X1 . Xn 0.i. Considere {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1. X2 . . o conjunto dos w ∈ Ω. log n 1 Logo. com função de distribuição F. Inicialmente. Convergência na r-ésima Média Denição 2. X2 ≤ M. temos Exemplo 2.

. n+1 então Xn →2 Z se EZ 2 < ∞. converge em probabilidade para a variável aleatória Y se ∀ > 0 n→∞ lim P ({w : |Yn (w) − Y (w)| > }) = 0. Mas EY = E (Xn − X ) = EXn − EX = 0 e COV (X. Portanto. X2 .CAPÍTULO 2.2. COV (X. onde as varáveis aleatórias têm distribuição normal conjunta.2.10: Considere X.2. n ∞ 2 1 )+1= . Exemplo 2. P (|Xn | > ) = P (Xn = n) e 1 log n → 0. CONVERGÊNCIA ESTOCÁSTICA 28 Exemplo 2. X1 . Precisamos determinar então sua média e sua variância.2.2. . Solução: Temos que para 0 < < 1. Xn ) = 1 − 2 V arY = EY 2 = E (Xn − X )2 = EXn − 2EXn X + EX 2 = 1 − 2(1 − 2 ). mas não em caso contrário. Solução: Temos que E |Xn |r = nr P (Xn = n) = Logo. Autor: Leandro Chaves Rêgo . Pode-se provar que se Xn →r X . então Xn →s X para s < r. . X1 . Portanto.9: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2. para todo r > 0. . Xn →P X . Xn →P 0. n Seja Yn = Xn − X . . para ≥ 1. Yn ∼ N (0.2. . Y2 . Convergência em Probabilidade Denição 2.3. temos que ∀ > 0. .6: Sejam Z. n n 1 − x2 √ e 2 dx. como Yn é uma combinação linear de variáveis aleatórias com distribuição normal.3. Exemplo 2.7: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2.8: A seqüência de variáveis aleatórias Y1 . Como P (Xn = n) = lim P (|Xn | > ) = 0. Exemplo 2. Mostre que Xn r 0. Xn r nr → ∞. P (|Xn | > ) ≤ P (Xn = n). Xn ) = 1. ela também possui distribuição normal. . variáveis aleatórias tais que Xn = n Z. todas com média 0 e matriz de covariância parcialmente descrita por 1 . Então. ou seja. X ) = COV (Xn . log n 0. Notação: Yn →P Y . √n 2 π 2 ∞ P (|Xn − X | > ) = P (|Yn | > ) = 2P (Yn > ) = 2 √ n ny2 √ e− 4 dy = 2 4π Logo.2. X2 . Mostre que Xn →P 0. A intuição por trás desta denição é que para n muito grande a probabilidade de que Yn e Y sejam bem próximas é bastante alta. . ∀ > 0. limn→∞ P (|Xn − X | > ) = 0..

que corresponde à função de distribuição de Y e. se justica para evitar 1 e X = 0. Parece algumas anomalias. . Xn ) ≤ y ) = FX1 (y ) =  b 1 se y ≥ b. 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. Autor: Leandro Chaves Rêgo . X2 . Observe que 1 0 se x < n . b > 0. X2 . Uma seqüência convergindo em distribuição para uma variável aleatória X também converge em distribuição para qualquer outra variável aleatória Y tal que FY = FX . e F (x) = 0 se x < 0. Exemplo 2. é independente e identicamente distribuída de acordo com F . Exemplo 2. . . . Fazendo n tender ao innito. Notação: Yn →D Y .2. então para todo n tem-se que FYn = F . Y2 . Temos  se y < 0.. . b). FYn (y ) = P (max(X1 . Vamos vericar que Yn →D Y . . como a seqüência é independente. O requisito de continuidade. logo a seqüência converge em distribuição para qualquer variável aleatória X tal que FX = F . Yn →D Y .13: Se uma seqüência de variáveis aleatórias Y1 . para todo Ω.2. . . qualquer que fosse o modo de convergência. Fn (x) = 1 1 se x ≥ n . converge em distribuição para a variável aleatória Y se para todo ponto x de continuidade de FY n→∞ lim FYn (x) = FY (x). Deve-se car atento que convergência em distribuição não implica nada em relação aos outros tipos de convergência. .12: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias independentes com distribuição Uniforme em (0. mas uma noção de convergência de suas respectivas funções de distribuição acumuladas.2. mencionado na denição acima. 1 se y ≥ b. . Y2 . Denição 2.11: A seqüência de variáveis aleatórias Y1 . 1 se x ≥ 0. os valores de termos sucessivos são independentes e não exibem nenhum comportamento usual de convergência. portanto. . Dena Yn = max(X1 . para n ≥ 1 seja Xn = n aceitável que deveríamos ter convergência de Xn para X . Claro.  0 y n n ( ) se 0 ≤ y < b. temos que lim FYn (y ) = n 0 se y < b. . O próximo exemplo serve para ilustrar melhor este fato. Por exemplo. Xn ) e Y = b. . .

X2 . . . concluímos que Xn →D X . Exemplo 2. não necessariamente sua função densidade de probabilidade converge. não teríamos convergência em distribuição. e FX (x) = 0 caso contrário. o Teorema Central do Limite arma que se V AR(Xi ) = σ 2 < ∞.16 : Considere uma seqüência de variáveis aleatórias X.2. X1 . Logo. variáveis aleatórias tais que P (X = 0) = 1 e P (Xn = 1/n) = 1. . onde pn (i) → p(i) quando n → ∞ para todo i = 0.14: Seja X. . . . . 1. . Porém. X1 . F1 . X2 . CONVERGÊNCIA ESTOCÁSTICA 30 Portanto. uma seqüência de variáveis aleatórias: (a) Se X. se x ≤ 0  sen 2nπx x(1 − 2nπx ) . são variáveis aleatórias absolutamente contínuas com densidades dadas respectivamente por f. Desse modo se houvesse a exigência de convergência em todos os pontos. . 3. então Xn →D X . p(0) = 1 = 0 = limn pn (0). . . FXn (x) → FX (x). (b) Se X. não temos limn Fn (x) = F (x) para todo x ∈ I R. . ∀x = 0. Xn →D X . O próximo teorema estabelece duas condições sucientes para que uma seqüência de variáveis aleatórias convirja em distribuição. . X1 .15 : Sejam X. então Sn converge em distribuição para qualquer variável aleatória com distribuição N (0. n i=1 onde Xi 's são variáveis aleatórias independentes e identicamente distribuídas. são variáveis aleatórias discretas com P (Xn = xi ) = pn (i) e P (X = xi ) = p(i). F3 . se 0 < x ≤ 1 F n ( x) =  1 .2.. . Prova: Fora do escopo deste curso. . .. temos FX (x) = 1 se x ≥ 0. X2 . . Um exemplo mais complexo de convergência em distribuição pode ser visto na análise do limite de n 1 Sn = √ (Xi − EXi ). note que para x = 0. Autor: Leandro Chaves Rêgo . X1 . onde  0 . 2. Então. . O próximo exemplo mostra que se uma seqüência de variáveis aleatórias absolutamente contínuas converge em distribuição. como o ponto 0 não é de continuidade de F .. f2 . com função de distribuição acumuladas dadas respectivamente por F. O próximo exemplo mostra que se uma seqüência de variáveis aleatórias discretas converge em distribuição. Teorema 2. X2 . X1 . como limn Fn (0) = 0 = F (0) = 1. Neste. e FXn (x) = 1 se x ≥ 1/n e FXn (x) = 0 caso contrário. Exemplo 2. . . Entretanto. não necessariamente sua função probabilidade de massa converge. F2 . . temos limn Fn (x) = F (x) e. ou seja.CAPÍTULO 2. onde fn (x) → f (x) quando n → ∞ em quase todo lugar. f3 . . então Xn →D X .2. se x > 1. σ 2 ). X2 . . . f1 .

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

|Xn − X |r ) ≥ E (I{w:|Xn −X |> } ). Exemplo 2.18: Xn →r X ⇒ Xn →P X . P (|Yn | ≥ ) = P (Yn = 1) = P (X ∈ In ). O próximo exemplo prova que nem convergência em probabilidade. .19: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. . e considere a seqüência de intervalos denida por I2m +i = [ i i+1 . tem-se que r E( ou seja. visto que E (|Yn |r ) = P (Yn = 1) → 0 quando n → ∞. ]. Yn converge na r-ésima média para 0. Note que tem-se 2m intervalos de comprimento 2−m que cobrem todo o intervalo [0. E (|Xn − X |r ) r ≥ P ({w : |Xn − X | > }). 2m 2m para m = 0. Logo. nem convergência na r-ésima média implicam convergência quase certa. Xn →P X .CAPÍTULO 2. converge para zero quando n → ∞. Yn (w) não converge para todo w. Yn (w) = 1 para um número innito de n's e Yn (w) = 0 para um número innito de n's. Porém para todo w ∈ Ω. . CONVERGÊNCIA ESTOCÁSTICA 32 Teorema 2. o que implica que Yn não converge quase certamente. pois para 0 < ≤ 1. O próximo teorema estabelece mais uma relação entre convergência quase certa e convergência em probabilidade. . para todo n→∞ lim P ({w : |Xn − X | > }) = 0. 1. . e o comprimento dos intervalos ca cada vez menor tendendo a 0. 1.20: Xn →P X se. .2. Autor: Leandro Chaves Rêgo . toda subseqüência {Xnk } possui uma outra subseqüência {Xnk(i) } tal que Xnk(i) → X cp1 para i → ∞. Então. que é igual ao comprimento de In . Prova: Primeiro note que |Xn −X |r r ≥ I{w:|Xn −X |> } . . 0 se X (w) ∈ / In . tem-se que limn→∞ E (|Xn − x|r ) = 0.2. 2m − 1. 1]. Logo. e somente se.2. . 1]. ou seja. Portanto. >0 Se Xn →r X . Teorema 2. Y2 . Esta seqüência também converge na r-ésima média para todo r > 0. A seqüência Y1 . . converge em probabilidade para 0. Denamos Yn (w) = 1 se X (w) ∈ In . e i = 0. e esta probabilidade. . 2.

1 n 1 → 0. Portanto. Como Xn →P X . Autor: Leandro Chaves Rêgo . para qualquer δ > 0. logo pelo Teorema 2. temos que FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ. onde c é uma constante. n )) = O próximo teorema trata da relação entre convergência em distribuição e convergência em probabilidade. existe N tal que para n ≥ N . and ∀n. então dada qualquer subseqüência {Xnk }. existe um > 0 e uma subseqüência {Xnk } tal que P (|Xnk − X | > ) > . Teorema 2. CONVERGÊNCIA ESTOCÁSTICA 33 outra subseqüência {Xnk(i) } tal que j ≥ k (i) implica que P (|Xnj − X | ≥ i−1 ) < 2−i . Como para > 0. suponha que Xn →P X e seja x um ponto de continuidade de FX . O próximo exemplo mostra que convergência em probabilidade não implica convergência na r-ésima média Prova: Suponha que Xn →P X . 1]. Logo. n ). então Xn →P c. Xn ≤ x ⇒ X ≤ x + ou |X − Xn | > . temos que ∀ > 0. P (Ai nitas vezes) = 1. FXn (x) = P (Xn ≤ x) ≤ FX (x + ) + P (|Xn − X | > ).CAPÍTULO 2. escolha uma Exemplo 2. Seja Ai = {|Xnk(i) − X | ≥ i−1 }. Em particular. temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0. |Xnk(i) − X | < i−1 exceto para um número nito de i's com probabilidade 1. Queremos provar que FXn (x) → FX (x) quando n → ∞. Se Xn não converge para X em probabilidade. Juntando as duas desigualdades. mas E (|Yn |r ) = 2nr n → ∞. ou seja. n ). 1 0 se X (w) ∈ / (0.2. Logo. Prova: Para parte (a). 1 Então. Xnk(i) → X cp1.2. nenhuma subseqüência converge para X quase certamente. pelo Lema de Borel-Cantelli.22: As seguintes relações entre os tipos de convergência são válidas: (a) Xn →P X ⇒ Xn →D X (b) Se Xn →D c. FX (x − ) − P (|Xn − X | > ) ≤ FXn (x) ≤ FX (x + ) + P (|Xn − X | > ). ∞ ∞ −i então = 1 < ∞.17.2. P (|Yn | > ) = P (X (w) ∈ (0. Por outro lado. temos que P (|Xnk(i) − X | ≥ i−1 ) < 2−i . Considere a seguinte seqüência de varáveis aleatórias Yn (w) = 1 2n se X (w) ∈ (0. X ≤ x − ⇒ Xn ≤ x ou |Xn − X | > de modo que FX (x − ) ≤ FXn (x) + P (|Xn − X | > ). Logo nenhuma subseqüência de {Xnk } pode convergir para X em probabilidade. Portanto. temos {w : Xn (w) ≤ x} ⊆ {w : X (w) ≤ x + } ∪ {w : |Xn (w) − X (w)| > }.21: Seja X uma variável aleatória com distribuição uniforme no intervalo [0.

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

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

onde i = −1.1 Motivação Em matemática e suas aplicações. como por exemplo através de sua função de distribuição acumulada FX .2. pode-se equivalentemente representar P pela função de probabilidade de X . Para X uma variável aleatória. 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).1: A função característica ϕX de uma variável aleatória X é dada por: . 36 . 3. e apenas no nal deste capítulo mencionaremos a denição de uma função geratriz de momento. 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. pX . é sempre valioso ter maneiras alternativas de representar o mesmo objeto matemático. fX . nós focaremos no uso da mesma. sabe-se que existem outras maneiras de representar a probabilidade P . podese calcular mais facilmente a distribuição de soma de variáveis aleatórias independentes.Capítulo 3 Funções Características 3. Uma analogia pode ser que um conjunto de vetores pode ser representado em vários sistemas de coordenadas.2 Denição Denição 3. mas como a função característica é mais robusta (no sentido que ela sempre existe). Uma função característica ϕX de uma variável aleatória X é uma outra maneira de representar P . As vantagens desta representação são as mesmas da função característica. e nalmente o uso de funções características ajuda na prova de uma família de Teoremas Centrais do Limite que ajudam a explicar a prevalência de distribuições normal ou Gaussianas na Natureza. √ ϕX (t) = EeitX = E cos(tX ) + iE sen(tX ). então P pode ser representada pela função densidade de probabilidade de X . Uma função geratriz de momento é uma outra representação alternativa da distribuição de uma variável aleatória. Se X for uma variável aleatória discreta. No nosso caso de probabilidade. Se X for absolutamente contínua.

variáveis aleatórias. conseqüentemente.5: Seja Y ∼ U (0.2. temos |ϕX (t)| = E 2 cos(tX ) + E 2 sen(tX ) ≤ E (cos2 (tX ) + sen2 (tX )) = E 1 = 1. variá- Exemplo 3. Então. Observação 3. a função de distribuição acumulada determina a função característica de uma variável aleatória. temos: ∞ ϕX (t) = −∞ eitx fX (x)dx. então.2. . vamos enunciar dois teoremas importantes que tratam da convergência de esperanças de variáveis aleatórias. Assim X e Xn são integráveis e EXn → EX .2. ou seja.3: Teorema da Convergência Monótona.2: A função característica de uma variável aleatória contínua é a transfor- 3. temos que Xn (ω ) → 0. veis aleatórias. Considere que Y seja integrável. Se 0 ≤ Xn ↑ X . Analogamente. X2 . .1 Propriedades Antes de enunciarmos e provarmos algumas propriedades da função característica. |Xn | ≤ Y e Xn → X . A seguir listamos algumas propriedades da função característica. X1 . EXn = 1 = 0 = E 0. X. onde fX (x) é a função densidade de probabilidade de X . Prova: Como pela desigualdade de Jensen. X2 . .CAPÍTULO 3. ∀t ∈ R. EXn 0. EXn ↑ EX . Considere a seguinte seqüência {X1 . a função característica de qualquer variável aleatória é bem denida.2. onde p(xk ) é a função probabilidade de X . . E 2 cos(tx) ≤ E cos2 (tx) e E 2 sen(tx) ≤ E sen2 (tx). Note também que de acordo com esta denição. temos: ϕX (t) = k eitxk p(xk ). Sejam Y. ∀ω . Teorema 3. . Mas. mada de Fourier da densidade de probabilidade de X . Teorema 3. No caso particular de uma variável aleatória discreta. . . FUNÇÕES CARACTERÍSTICAS 37 Note que como cos(tX ) e sen(tX ) são variáveis aleatórias limitadas. A função característica é limitada por 1: |ϕX (t)| ≤ 1.4: Teorema da Convergência Dominada. 1/n) e Xn (ω ) = 0 em caso contrário. Sejam X. se X for uma variável aleatória contínua.} de variáveis aleatórias: Xn (ω ) = n se Y (ω ) ∈ (0. X2 . Autor: Leandro Chaves Rêgo . X1 . . 1). P1. O próximo exemplo mostra que nem sempre Xn → X ⇒ EXn → EX .2. a esperança na denição acima é nita e. .

Como 0 ≤ |eiux − 1| ≤ 2. . ϕX determina FX é o teorema da unicidade que é um corolário da fórmula da inversão. 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 . 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. Seja h(u) = |eiux − 1|. Xn são variáveis aleatórias independentes. (Se c = x + iy . |ϕ(t) − ϕ(s)| = |E (eitx − eisx )| ≤ E |eisx (ei(t−s)x − 1)| = E |ei(t−s)x − 1|. então ϕX +Y (t) = ϕX (t) · ϕY (t). ϕX (t) = ϕX (−t). Esta propriedade decorre da fórmula da inversão: seja X uma variável aleatória FX sua função de distribuição acumulada. A função característica de uma variável aleatória determina a função de distribuição acumulada. e limu→0 h(u) = 0. Então. . o seu complexo conjugado é c = x − iy . onde c é o complexo conjugado de c. temos que FX (z + h) − FX (z − h) = 1 lim π u→∞ u −u senht −itz e ϕX (t)dt.+Xn (t) = n k=1 ϕXk (t).) Prova: ϕX (−t) = E cos(−tX ) + iE sen(−tX ) = E cos(tX ) − iE sen(tX ) = ϕX (t). it Em particular se y = z + h e x = z − h. ϕX é uniformemente contínua na reta. ∀t ∈ R. então ϕX1 +. P3. ϕX sua função característica. para todo > 0 existe δ > 0 tal que |t − s| < δ implica que |ϕ(t) − ϕ(s)| ≤ E |ei(t−s)x − 1| < .CAPÍTULO 3. ou seja. Se X e Y são independentes. FUNÇÕES CARACTERÍSTICAS P2. É fácil provar por indução que se X1 . Se x e y são pontos de continuidade de FX tais que x < y .. P6.. . t A prova da fórmula da inversão é longa e será omitida. pois esta implica que para todo z ∈ R. se para todo > 0 existe δ > 0 tal que para todo t. 38 Prova: ϕX (0) = Eei0X = E 1 = 1. P5. Logo. pelo teorema da convergência dominada. . temos que limu→0 Eh(u) = 0. para todo > 0 existe δ > 0 tal que |u| < δ implica que Eh(u) < . 2 é integrável. s ∈ R |ϕ(t) − ϕ(s)| < quando |t − s| < δ . Prova: Uma função ϕ é uniformemente contínua. Prova: ϕX +Y (t) = Eeit(X +Y ) = E (eitX eitY ) = E (eitX )E (eitY ) = ϕX (t) · ϕY (t). ∀t ∈ R. P4.

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

. 2. e EX 2 = ϕX (0) i2 = −(−2) = 2.7: Se uma variável aleatória X tem função característica ϕX (t) = Calcule EX e V ar(X ).2. temos ϕX (t) = ϕX (t) = .6: Se ϕX (t) = 1+ t2 Solução: Diferenciando ϕX . 1 + α2 − 2α cos(t) Autor: Leandro Chaves Rêgo . P10. t2 . 40 Prova: ϕY (t) = EeitY = Eeit(aX +b) = Eeitb eitaX = eitb Eei(at)X = eitb ϕX (at). Portanto. tn e complexos z1 . calcule V arX . para todo n = 1.2. Isto é. tem-se n n ϕX (tj − tk )zj zk ≥ 0. . (1+t2 )2 ϕX (0) = 0 i Diferenciando mais uma vez. ϕX é positiva denida. zn . para 0 < α < 1. . FUNÇÕES CARACTERÍSTICAS P9. . . . Exemplo 3.. . Exemplo 3. (1 − α)2 . j =1 k=1 para quaisquer números reais t1 . . . z2 . 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. ϕX (t) é positiva denida. . −2(1+t2 )2 +2t(2(1+t2 )2t) −2t . EX = (1+t2 )4 2 Logo. Se Y = aX + b.CAPÍTULO 3. V arX = EX − (EX )2 = 2. 1 . onde a e b são números reais constantes. . ϕY (t) = eitb ϕX (at).

3.9: Sejam X1 e X2 duas variáveis aleatórias i. temos que ϕ−X2 (t) = ϕ(−t) = ϕ(t). ϕX (t) = EeitX = peit + (1 − p). Poisson. ∞ ϕX (t) = EeitX = n=0 eitn e−λ λn (λeit )n it = e−λ = eλ(e −1) . se. então por P7. EX = Xi = 0 e EX 2 = 2α EX 2 − (EX )2 = ( (1− ). −(1 − α)2 2α sen(t) . X possuiria distribuição simétrica em torno de zero. Então. (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 . onde P (X = 1) = p = 1 − P (X = 0). V arX = −α)2 α)2 Portanto. é evidente que uma distribuição simétrica concentrada nos dois pontos a e −a corresponderia a função característica ϕ. Suponhamos que X ∼ Bernoulli(p). Com efeito teríamos cos(at) = ϕ(t) = E cos(tX ). Por P9 e P3.2. e somente se. Já que assume valores reais. Qual ϕY (t) = ϕ(t)ϕ−X2 (t) = |ϕ(t)|2 .CAPÍTULO 3.8: Seja ϕ(t) = cos(at).2 Exemplos de Funções Características Bernoulli. pois a parte imaginária seria nula. A prova da recíproca será omitida. (1 + α2 − 2α cos(t))4 ϕ (0) ϕX (0) i2 2α 2α = −( (1− ) = ( (1− ). Mostraremos que ϕ é função característica. Logo. Então. a função característica de Y ? Solução: Seja ϕ a função característica de X1 e X2 . achando a distribuição correspondente.2. FUNÇÕES CARACTERÍSTICAS 41 Solução: Diferenciando ϕX .2. por P5.10: Uma função contínua ψ : R → C com ψ (0) = 1 é função característica Prova: Conforme propriedades já demonstradas. Então. α)2 Exemplo 3.i. ϕ é função característica de X . n! n! n=0 Autor: Leandro Chaves Rêgo ∞ . positiva denida e aplicada em 0. ela for positiva denida.d. de alguma variável aleatória se. P (X = a) = 1/2 = P (X = −a). Portanto. é contínua. e somente se. resulta o valor 1. e seja Y = X1 − X2 . se for função característica. como X1 e X2 são independentes. temos ϕX (t) = Diferenciando mais uma vez. Suponhamos que X ∼ P oisson(λ). Como cos(at) = cos(−at). Teorema 3. temos que Exemplo 3.2. onde a > 0. se ϕ fosse função característica de alguma variável aleatória X .

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

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

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

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

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

3. Por exemplo. FUNÇÕES CARACTERÍSTICAS 47 Exemplo 3. Exemplo 3. lim ϕXn (t) = n 0 . se t = 0. N pode ser o número de clientes. então Xn + an →D Y . para algum 0 < p < 1. então aXn + b →D aX + b. ou seja. Como ϕX0 (t) não é contínua não pode ser uma função característica.3. e Yn →D Y0 .CAPÍTULO 3. Prove que se Xn →D X . A seqüência de variáveis aleatórias {Xn : n ≥ 1} é tal que cada Xn segue o modelo geométrico de parâmetro p/n.10: Se Xn e Yn são independentes para n ≥ 0.3. onde Y ∼ N (a.3. Encontre o limite em distribuição de Xn + Yn . 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. e ϕ Xn (t) = ϕXn ( ) = p it e n n n Exemplo 3.11: lim 1−p/n p in 1− n e t = 1. 1).9: Seja {an : n ≥ 1} uma seqüência de números reais com an → a para a Exemplo 3. onde N é uma variável aleatória inteira e não negativa. Como lim ϕ Xn (t) = p it . n −p/n 1−p/n t Solução: Temos ϕXn (t) = 11− . note que pelo teorema da continuidade. S então seria o tempo total do serviço.8: Prove que se Xn →D X . Em nossas aplicações assumiremos Autor: Leandro Chaves Rêgo . se t = 0. Xn →D X0 . Mostre que (a) Mostre que limn ϕXn (t) existe. D 3. se t = 0 . (b) Existe alguma variável aleatória X0 tal que Xn → X0 ? Solução: Como ϕX (t) = temos que sen(nt) nt 1 . onde X ∼ N (0.4 Soma de um Número Aleatório de Variáveis Aleatórias Nesta seção. 1). e assume-se que ela é independente das parcelas Xi .7: Suponha que Xn ∼ U (−n. para a e b constantes reais. N S= i=0 Xi . Para parte (b). Verique se ocorre Xn →D X para alguma variável aleatória X e obtenha sua distribuição. nós estudaremos somas de um número aleatório de variáveis aleatórias. Exemplo 3. n). nito. se t = 0 1 .3. temos que se existir tal que ϕX0 (t) seria sua função característica. Temos que Xn n 1− n e n n → 0.

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

∀t ∈ I Rk . . 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 ). Autor: Leandro Chaves Rêgo . a independência de X e Y implica que ϕX +Y (t) = ϕX (t)ϕY (t).4. supõe-se que X e Y sejam vetores de mesma dimensão. Quanto a P6. Suponha ainda que com probabilidade p o i-ésimo cliente ca satisfeito com o atendimento. Pela unicidade da função característica. . . onde ϕX (t) = peit + (1 − p) e ϕN (t) = eλ(e it −1) . . Assuma que os clientes cam satisfeitos com o serviço de maneira independente e que N . e podemos escrever: ϕX = ϕY ⇔ FX = FY . . Xk ) um vetor aleatório k -dimensional. temos que S ∼ P oisson(pλ).CAPÍTULO 3.1: Seja X = (X1 . Solução: Seja Xi ∼ Bernoulli(p). Xk .5 Função Característica de um Vetor Aleatório Denição 3. ϕX é também chamada de função característica conjunta de X1 . Se X e Y forem vetores aleatórios k -dimensionais tais que ϕX (t) = ϕY (t).2: Teorema da Unicidade. N Exemplo 3.2 : S= i=0 Xi . Em outras palavras. também existe uma fórmula da inversão para a função característica multidimensional que pode ser usada para provar a unicidade da função característica: Teorema 3. sabemos que ϕS (t) = ϕN (−i log ϕX (t)).5. Determine a distribuição de probabilidade de S o número total de clientes satisfeitos no tempo T . então X e Y têm a mesma distribuição. Desta forma. onde X0 = 0. As propriedades P1P4 e P7 são válidas com as óbvias modicações (a reta é substituída por I Rk ). 3. .5. a variável aleatória que descreve se o i-ésimo cliente cou ou não satisfeito com o atendimento. . Sob esta condição. a função característica determina a distribuição. A função característica multivariada tem propriedades análogas a todas as propriedades enunciadas para a função característica de uma variável aleatória. Para P5. Então temos. FUNÇÕES CARACTERÍSTICAS 49 Suponha que N ∼ P oisson(λ) representa o número de clientes que são atendidos em um dado tempo T . Substituindo temos: ϕS (t) = eλ(e i(−i log(peit +(1−p))) −1) = eλ(pe it +(1−p)−1) = epλ(e it −1) . i ≥ 1. é independente da probabilidade que clientes cam satisfeitos. .

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

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

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

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

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

2: Desigualdade (Original) de Chebyshev. Prova: Escolha A = {x : |x| ≥ } e g (x) = teorema anterior. Nesta seção. X2 . .3: Lei Fraca de Chebyshev Sejam X1 . Eg (X )). n Como as variáveis aleatórias são independentes 2 a 2. Antes de enunciarmos esta lei.1: Desigualdade de Chebyshev Generalizada. chamamos de Lei Fraca dos Grandes Números. vamos relembrar uma importante desigualdade.2. analisaremos duas versões da Lei Fraca dos Grandes Números. temos que n V ar(Sn ) = i=1 V ar(Xi ) ≤ nc. na primeira delas não é necessário assumir que as variáveis aleatórias são identicamente distribuídas. motivamos o resultado da Leis dos Grandes Números para variáveis aleatórias independentes e identicamente distribuídas. . Teorema 4. n Teorema 4. P( |Sn − ESn | ≥ ) → 0 quando n → ∞. chamamos de Lei Forte dos Grandes Números. X2 . V arXn ≤ c). Prova: Pela monotonicidade da Esperança.2. então P (|X − EX | ≥ ) ≤ V arX 2 . Corolário 4. então pelo . Dado um conjunto A e uma função g (x) tal que ∀x g (x) ≥ IA (x). como a cota superior pode exceder 1. . variáveis aleatórias inde- Prova: Precisamos provar que para todo > 0. Autor: Leandro Chaves Rêgo .2. Mas. existe c nito tal que para todo n. 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. . P (X ∈ A) = P (|X | ≥ ) ≤ P (|X − EX | ≥ ) ≤ V arX . Seja X uma variável aleatória. X1 . temos que Eg (X ) ≥ EIA (X ) = P (X ∈ A). . conhecida como desigualdade de Chebyshev. Note que g (x) ≥ IA (x). 2 x2 2 2 EX 2 . tem-se que P (X ∈ A) ≤ min(1. satisfazem a Lei Fraca dos Grandes Números: Sn − ESn P → 0.2 Lei Fraca dos Grandes Números Na seção anterior. pendentes 2 a 2 com variâncias nitas e uniformemente limitadas (ou seja. Vamos usar esta desigualdade para provar a Lei Fraca dos Grandes Números de Chebyshev. LEI DOS GRANDES NÚMEROS 55 Quando o tipo de convergência é convergência em probabilidade. Eg (X )) ≥ P (X ∈ A). Então. temos que min(1. Substituindo X por X − EX .CAPÍTULO 4. . 4. e quando temos convergência quase certa.

X1 . 01. Deste modo encontraremos que se n ≥ 4(0. . não poderemos empregar o limite acima.CAPÍTULO 4. 05 e 0.01)2 . não conhecemos o valor de p = P (A) e. digamos n. então Sn P → p n Prova: Seja Xn = 1 se o n-ésimo ensaio é sucesso. ESn = np. 05. são classicadas como defeituosas ou perfeitas.000. S →P p. Exemplo 4. e esse valor máximo é igual a 1/4. tendo a mesma probabilidade p de sucesso em cada ensaio. estamos certamente seguros se armamos que para n ≥ 4 1 2 δ teremos P (|fA − p| < ) ≥ 1 − δ.d.01 = 10. Xn = 0 caso contrário. são i. respectivamente. poderemos empregar o fato de que p(1 − p) toma seu valor máximo quando p = 1/2.5: Peças são produzidas de tal maneira que a probabilidade de uma peça ser defeituosa é p (admitida desconhecida). V arSn = np(1 − p).01)2 valores especícos de 0. digamos. a condição exigida será satisfeita. 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. 05? Solução: Porque não conhecemos o valor de p. Nesse caso. Autor: Leandro Chaves Rêgo . Um grande número de peças. Conseqüentemente. e integráveis com média µ = p. Se Sn é o número de sucessos nos primeiros n ensaios. queremos que n ≤ 0.4: Lei dos Grandes Números de Bernoulli. Substituindo os (0. temos que 56 P (|Sn − ESn | ≥ n ) ≤ V ar(Sn ) c ≤ 2 → 0. equivalentemente. 2 n2 n (4. n(0. o que é equivalente a n ≥ 0. teremos P (|fA − p| < ) ≥ 1 − δ sempre que n ≥ p(1 − p) . δ ( )2 Em muitos problemas.i. a Lei Fraca de Chebyshev np n implica que Sn − →P 0. 01)2 p(1−p) p(1−p) ou seja. LEI DOS GRANDES NÚMEROS Pela desigualdade de Chebyshev. 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 0.01? Utilizando a equação (4. Consideremos uma seqüên- cia de ensaios binomiais independentes. por isso. . 05. 01 por δ e . 95 para que a freqüência relativa dira de p = P (A) por menos do que.2. . ou. δ = 0. X2 . onde Sn é o número de ocorrências do evento A em n realizações do experimento temos que Sn /n = fA . Como V arXn = p(1 − p).05(0 . Então.1) Corolário 4.05) 2 0. deveremos aplicar a última fórmula com 1 = 0. 0.2. e: P (|fA − p| ≥ 0. 01) ≤ p(1 − p) .1).

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

temos ∞ ∞ E |X | = n=1 P ( |X | ≥ n) = n=1 ∞ P (|X | ≥ n). Então. Lema 4. LEI DOS GRANDES NÚMEROS 58 4. . Lema 4. ∞ ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 ∞ n=1 P (|X | ≥ n). X é integrável se. Como |X | é uma variável aleatória que só assume valores inteiros não-negativos. temos que ∞ P (|X | ≥ n) < ∞. Sejam X1 . e. . Então. n. logo ∞ P (|X | ≥ n) ≤ E |X | ≤ 1 + n=1 n=1 P (|X | ≥ n). . trocando a ordem dos somatórios: ∞ ∞ ∞ EY = j =1 k=j P (Y = k ) = j =1 P (Y ≥ j ). não-negativos.3 Lei Forte dos Grandes Números Antes de iniciarmos a prova da Lei Forte dos Grandes Números. k=1 Autor: Leandro Chaves Rêgo . portanto.3.2) Se x ≥ 0.2: 1 1 P ( max |Sk | ≥ λ) ≤ 2 V arSn = 2 1≤k≤n λ λ onde Sk = X1 + . (4. então pela monotonicidade e linearidade da esperança temos: 0 ≤ E |X | ≤ E |X | ≤ 1 + E |X | . . . para todo λ > 0. k = 1. . Neste caso. . . + Xk .3. vamos estudar um critério para integrabilidade de variáveis aleatórias. . . Xn variáveis aleatórias independentes tais que EXk = 0 e V arXk < ∞.CAPÍTULO 4.1: Seja X uma variável aleatória qualquer. a variável aleatória |X | assume o valor k quando k ≤ |X | < k + 1 e 0 ≤ |X | ≤ |X | ≤ |X | + 1. Então. seja x a parte inteira de x. e somente se. 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 ). Nosso próximo passo é provar uma extensão da desigualdade de Chebyshev. n V arXk .

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

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

. 1+ √ √ 2 + ··· + √ √ n n≥ 0 √ 2n3/2 xdx = . . 2 x j j j n j j −1 x dF (x) = j =−n+1 2 x2 dF (x). . . . Xn variáveis aleatórias independentes com Xn ∼ P oisson( n).3. 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 . 3 Logo. Logo.4 : Sejam X1 . LEI DOS GRANDES NÚMEROS 61 Exemplo √4. Prova: Pelo teste da integral. considere o seguinte lema: Lema 4. para cada n ≥ 1√ . ou seja n √ √ √ 1 + 2 + ··· + n X− → 0 cp1. Solução: Como V arXn = n. Seja X uma variável aleatória integrável com função de distribuição F . Antes de enunciarmos e provarmos a Segunda Lei Forte de Kolmogorov. note que para j = 1. 2.3. temos que ∞ n=1 V arXn = n2 ∞ √ n n=1 n2 < ∞. X2 . . X → ∞ cp1. Autor: Leandro Chaves Rêgo . ∞ ( n=1 1 n2 n −n x2 dF (x)) < ∞. pode-se vericar que X− √ Portanto.CAPÍTULO 4. n Pelo teste da integral. 3 1+ 2 + ··· + n √ n ≥ 2n1/2 → ∞. a primeira Lei Forte de Kolmogorov implica que EX1 + · · · + EXn → 0 cp1..5 : Então. .

X2 . A seguir enunciamos e provamos a Segunda Lei Forte de Kolmogorov..+EYn n → 0 (usaremos o Teorema da Convergência Dominada). . . Logo. LEI DOS GRANDES NÚMEROS temos 62 1 ( 2 n n=1 ∞ ∞ ∞ n −n ∞ n x dF (x)) = j j −1 0 0 2 ( n=1 j =−n+1 1 n2 j j −1 ∞ x2 dF (x)) = 1 ( 2 n j j −1 = j =1 1 ( 2 n n=j j j −1 x dF (x)) + j j −1 2 x2 dF (x)) ≤ j =−∞ n=|j |+1 ∞ ≤2 j =1 x2 dF (x) + 2 j j =−∞ x2 dF (x). +EYn − EY1 +. n n n A prova terá três partes: (a) (b) (c) Z1 +. para j ≤ 0. + Xn Y1 + .6: Sejam X1 . temos 0 j x dF (x)) ≤ 2 j =1 j −1 ∞ 2 xdF (x) + 2 j =−∞ j −1 |x|dF (x) = (4. denamos Yn = Xn I[−n<Xn ≤n] .3. identicamente distribuídas e integráveis. e 1 ( 2 n n=1 ∞ ∞ n −n j ∞ x2 |j |+1 j ≤ |x| em (j − 1. para j ≥ 1. → 0 quase certamente (usaremos a Primeira Lei Forte e o n Lema 4. + Zn = + .. note que Zn = 0 ⇔ Yn = Xn ⇔ Xn ∈ / (−n..4) =2 j =−∞ j −1 |x|dF (x) = 2 −∞ |x|dF (x) = 2E |X | < ∞. . . |j | + 1 Como x2 j ≤ x em (j − 1. Para provar (a). n]) ≤ P (|Xn | ≥ n). Seja Zn = Xn − Yn . Então. j ]. + Yn Z1 + . (b). de modo que X1 + . Autor: Leandro Chaves Rêgo .CAPÍTULO 4.. . P (Zn = 0) = P (Xn ∈ / (−n.5). . . + Xn → µ quase certamente. . n Prova: Suponhamos sem perda de generalidade que µ = 0. variáveis aleatórias independentes.. n]. Vamos truncar as variáveis Xn . . X1 + . com EXn = µ. . .. j ].. e (c) implicam o teorema.3. e EY1 +. Teorema 4.. É fácil ver que (a).+Zn n Y1 +.+Yn n → 0 quase certamente (usaremos Borel-Cantelli).

(b) decorre da primeira Lei Forte de Kolmogorov.CAPÍTULO 4. é suciente mostrar que EYn → 0. EYn = E (Xn I[−n<Xn ≤n] ) = E (X1 I[−n<X1 ≤n] ) → EX1 = 0. ∞ 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. {Xn Autor: Leandro Chaves Rêgo . 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 | < ∞. Mostre que a seqüência {Xn Grandes Números. Como EXn EXn 2 < ∞. são independentes e todas têm distribuição 2 : n ≥ 1} satisfaz a Lei Forte dos Exponencial de parâmetro λ. temos que a seqüência 2 : n ≥ 1} satisfaz a Lei Forte dos Grandes Números. . Como Yn = Xn I[−n<Xn ≤n] . . . então Zn → 0 e Z1 + . Portanto. temos V ar(Yn ) ≤ Portanto.3. Borel-Cantelli implica que P (An innitas vezes) = 0. n ≥ 1. n n Para provar (b). 2 E (Yn ) = 2 E (Xn I[−n<Xn ≤n] ) n = −n x2 dF (x). onde a última desigualdade decorre do Lema 4.3. Mas. seja F a função de distribuição comum. . pelo teorema da convergência dominada que se aplica pois |X1 | domina X1 I[−n≤X1 ≤n] 's e é integrável. Solução: De acordo com a Segunda Lei Forte de Kolmogorov. F = FXn . Exemplo 4. Mas se Zn = 0 para n sucientemente grande. + Zn Z1 + .7: As variáveis Xn . precisamos mostrar que 2 2 2 = V arXn + (EXn )2 = λ é nita para todo n. Veriquemos a condição da primeira Lei Forte de Kolmogorov para as variáveis aleatórias Yn . ou seja P (Zn = 0 innitas vezes) = 0.5. Para provar (c). logo P ( → 0) = 1. + Zn → 0.

Se E |X1 | = ∞. variáveis aleatórias independentes e identicamente distribuídas. ou seja. pois a intersecção de um n número enumerável de eventos de probabilidade 1 também tem probabilidade 1. se Mas. . é n| n| o evento a seqüência |X é ilimitada. LEI DOS GRANDES NÚMEROS 64 n 1 modelo Uniforme contínuo em (0. 2. 0 Portanto. n n| Por independência dos Xn . então com probabilidade 1. De acordo com Lema 4. . então E ( |X ) = ∞. Portanto. n converge para A Lei Forte arma que se as variáveis aleatórias Xn são integráveis. Solução: Vamos tentar usar a Lei Forte dos Grandes Números. . A recíproca diz que se as Xn não forem n integráveis. .1. n Teorema 4.d. Para terminar a prova. quase certo. X2 . precisamos calcular E (− log Xk ). e somente se. e Borel-Cantelli n implica |Xn | P( ≥ k innitas vezes) = 1. então |Sn | n é ilimitada ou |Sn−1 | n é ilimitada.. 1| Prova: Se E |X1 | = ∞. a seqüência temos que |Sn | n não é limitada. seguindo o E (− log Xk ) = 0 − log xdx = −x log x|1 0+ → 1 cp1.CAPÍTULO 4. . então n também é ilimitada. k ∞ P( n=1 |X1 | ≥ n) = ∞. basta mostrar que se |X é n n |Sn | ilimitada. ∀k. com S0 = 0. Mas o |Xn | evento ∩∞ k=1 Bk é o evento  n > k para um número innito de n. . com probabilidade 1. temos |Sn − Sn−1 | |Sn | |Sn−1 | |Xn | = ≤ + . n (n − 1) n |Sn | n então |Sn−1 | n é ilimitada se. os eventos An = [ |X ≥ k ] são independentes. . 1). então S n um limite nito (= EX1 ) com probabilidade 1.8: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i.3. para n k=1 (− log(Xk )) quando n → ∞. S não convergirá para um limite nito. para k = 1. 1 dx = 1.. n n n n para n = 1. . então. 1 Exemplo 4. Agora. para todo k . temos que 1 n n k=1 (− log(Xk )) Por m nós enunciaremos e provaremos a Recíproca da Lei Forte de Kolmogorov. também for. temos ∞ P( n=1 |X1 | ≥ n) = k ∞ P( n=1 P( n=1 |Xn | ≥ k ). 2.. Autor: Leandro Chaves Rêgo . |Xn | n é ilimitada. Para isso. ∀k. . n n| Fazendo Bk = [ |X ≥ k innitas vezes].9: Sejam X1 .3.i. k |X n | ≥ n) = k ∞ Como as variáveis Xn são identicamente distribuídas. Calcule o limite. temos P (∩∞ k=1 Bk ) = 1. |Sn−1 | (n − 1) |Sn−1 | = · .3.

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

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

Xn .2.CAPÍTULO 5. . se Sn = X1 + . temos que t2 ϕ (θ(t)). . 1). X2 . então Sn − nµ D √ → N. k utilizando a expansão de Taylor de ϕ e o fato que ϕ(k) (0) = ik E (X1 ). 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. 2 onde |θ(t)| ≤ |t|. . . 2n 2n 2n n n n t quando n → ∞. Se Sn = X1 + X2 + . . Suponha que N é uma variável aleatória com distribuição N (0. σ n 2 Prova: Sem perda de generalidade.2. ou seja. . X2 . 1). distribuídas de acordo com a distribuição de Bernoulli com parâmetro p. 1). Como a função característica de uma soma de variáveis aleatórias independentes é igual ao produto das funções características das variáveis aleatórias. 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 . Logo. Então. ϕ possui duas derivadas contínuas. Teorema 5. 2 2 onde e(t) = ϕ (θ(t)) + 1 e limt→0 e(t) = 0. Então. tem-se que X √ it √1 ϕn (t) = (E (e n ))n = ϕn (t/ n). Corolário 5. Autor: Leandro Chaves Rêgo . 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. . começando pelo caso de variáveis aleatórias independentes e identicamente distribuídas. Então. como ϕ é contínua em 0.1: Sejam X1 . Como os dois primeiros momentos existem. variáveis aleatórias iid com E (Xn ) = µ e V ar(Xn ) = σ 2 . P (Xi = 1) = p = 1 − P (Xi = 0) para 0 < p < 1. + Xn . Nós iremos agora enunciar e provar alguns desses teoremas. . seja E (Xn ) = 0 e E (Xn ) = 1 (caso este não seja o caso.2: Seja X1 . uma seqüência de variáveis aleatórias independentes e Sn − np np(1 − p) →D N (0. Sn it √ Xi − µ . este caso é conhecido como Teorema Central do Limite de De Moivre e Laplace. tem-se t2 t2 ϕ(t) = 1 − + e(t). temos que ϕ (θ(t)) − ϕ (0) → 0 quando t → 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). . pode-se provar o resultado para Xi∗ = já que E (Xi∗ ) = 0 e E (Xi∗ )2 = 1). Então.

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

A condição de Lindeberg estabelece µk | uma integral na região |x − µk | > sn .CAPÍTULO 5. temos que |x− > 1. temos n 0 n xλ dx ≤ k=1 kλ ≤ 1 n+1 xλ dx. λ+1 quando n → ∞. somando-se em k de 1 até n. e kλ ≤ xλ se k ≤ x ≤ k + 1.2. k=1 Mas a condição de Liapunov implica que o último termo tende a zero quando n → ∞. 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 ·( ) .8: Para λ > 0. Prova: Como xλ ≤ k λ se k − 1 ≤ x ≤ k . TEOREMA CENTRAL DO LIMITE 72 Prova: Para provar este teorema. 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 . 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. de maneira que k é da ordem de nλ+1 . o que por sn > 1. a condição de Lindeberg está satisfeita. Desse modo. 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. o lema está provado. Antes de vercarmos um exemplo do Teorema Central do Limite de Liapunov. Como ( n+1 n Autor: Leandro Chaves Rêgo . Lema 5. Portanto. 1 nλ+1 n k=1 λ n kλ → k=1 1 . Nessa região. > 0. vamos considerar o seguinte Lema. λ+1 n )λ+1 → 1 quando n → ∞. Logo.

quando n → ∞. Temos E |Xk − µk |3 = E |Xk |3 = 1 2k k −k |x|3 dx = 1 k k 0 x3 dx = k3 . . . Teorema 5. Σ). temos 3 −k 2 k s2 n = k=1 k2 . . 16 n→∞ n 5.CAPÍTULO 5. Seja X n a média amostral. Xn . . 4 3 4 Logo. tem-se que a distribuição da média amostral centrada converge para uma distriuição normal multivariada. √ n(X n − µ) →D N (0. e sejam µ a média e Σ a matriz de covariância de X1 . X2 . Autor: Leandro Chaves Rêgo . nós enunciamos formalmente o teorema sem prová-lo. 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. →D Solução: Vamos vericar a condição de Liapunov para δ = 1.3 Teorema Central do Limite: Caso Multivariado Concluímos dizendo que o Teorema Central do Limite também pode ser estendido ao caso de vetores aleatórios.3. A seguir. Vamos determinar a ordem de s3 n . . Xn ∼ U [−n.9: Sejam X1 . o Lema anterior implica que n k=1 E |Xk − µk | é da ordem de n . 3 Portanto. Então. 1). denida como a média aritmética dos vetores X1 . independentes e identicamente distribuídos. TEOREMA CENTRAL DO LIMITE 73 Sn −ESn sn Exemplo 5.2. temos: s2 1 n → . 3 n 9 Então. . . n]. .1 : Seja X1 . Como µk = EXk = 0 e 2 σk = V ar(Xk ) = 2 EXk 1 = 2k n k2 x dx = . . . . aplicando o resultado do Lema. Suponha que X1 tenha variância nita. X2 . Prove que N (0. Neste caso. independentes. uma seqüência de vetores aleatórios k -dimensionais.

Yn | |Xn | > ⇒ |Yn | > K . Logo P (|Xn | > ) ≤ P (|Yn | > K ) < δ. Como Xn = o(Yn ). Como {Yn } é limitada em probabilidade. Então. Lema 5.4.1: Se {Yn } converge em distribuição para uma variável aleatória com função de distribuição H . P (−K2 ≤ Yn ≤ K1 ) ≥ Hn (K1 ) − Hn (K2 ) > 1 − . Façamos N = max(n1 . Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H (K1 ) > 1 − /4 e H (−K2 ) < /4. Prova: Dados quaisquer > 0 e δ > 0. então para n ≥ N . Escolhamos n0 tal que.2) desde que f (θ) exista e não seja zero. Dizemos que uma seqüência de variáveis aleatórias {Yn } é limitada em probabilidade se para todo > 0. ∀n > n0 . e então √ n[f (Tn ) − f (θ)] = √ √ n(Tn − θ)f (θ) + o( n(Tn − θ)).4. sabemos que existe n| n2 tal que ||X < K para todo n ≥ n2 . n2 ). Autor: Leandro Chaves Rêgo . então √ n[f (Tn ) − f (θ)] →D N (0. τ 2 [f (θ)]2 ). 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). TEOREMA CENTRAL DO LIMITE 74 5. (5.4 Método Delta O método Delta é um resultado que aumenta signicativamente a relevância do Teorema Central do Limite.CAPÍTULO 5. τ 2 ). precisamos mostrar que existe N tal que P (|Xn | > ) < δ para todo n ≥ N . Antes de enunciarmos o teorema.2: Se {Yn } é limitada em probabilidade e Xn = o(Yn ). então Xn →P 0. Lema 5. Hn (K1 ) > H (K1 ) − /4 > 1 − /2 e Hn (−K2 ) < H (−K2 ) + /4 < /2. existir K e n0 tal que P (|Yn | ≤ K ) > 1 − para todo n > n0 .3: Se √ n(Tn − θ) →D N (0. |K2 |). existe K e n1 tal que P (|Yn | ≤ K ) > 1 − δ para todo n ≥ n1 .4. Teorema 5. então a seqüência é limitada em probabilidade. O resultado está provado se escolhermos K = max(|K1 |. vamos provar dois lemas.

2. p(1 − p)4p2 ). ou (b) n ensaios binomiais com probabilidade p de sucesso. 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. ou eX não será tipicamente normal. como n(Tn − θ) converge em distribuição. é quase sempre inconveniente que λ ocorre não somente na esperança mas também na √ variância da distribuição limite. por exemplo. O processo de aproximar a diferença f (Tn ) − f (θ) pela função linear (Tn − θ)f (θ) e o limite em (5. Então. X/n será mais acurado que (Y /n)2 . e uma função linear de uma variável normal é também normal. pelo √ Lema 5. o( n(Tn − θ)) converge para zero em probabilidade. a distribuição de f (X ). n n O método delta proporciona a base para derivar transformações que estabilizam a variância. Então pelo Lema 5. Segue do Teorema Central do Limite que √ n(X − λ) → N (0. nós usaríamos X/n e (Y /n)2 . p2 (1 − p2 )) n e √ Y 2 n(( ) − p2 ) →D N (0. pelo método delta: √ n[f (Tn ) − f (θ)] →D N (0. pelo menos para n grande. respectivamente.4. TEOREMA CENTRAL DO LIMITE 75 O primeiro termo do lado direito converge em distribuição para N (0. Exemplo 5. Para problemas de inferência que se referem a λ. n Então. log X . Em geral. Autor: Leandro Chaves Rêgo . c ). 1/X . nós estamos quase certos que quando n for grande. e suponha que como estimadores de p2 nos dois casos.4.1. A explicação para este paradoxo aparente pode ser encontrada na prova. temos que n(Tn − θ) é limitada em probabilidade. τ 2 (θ)(f )2 (θ)). . Tn é aproximadamente linear. que X1 . λ).2) é chamado de método delta. Xn são variáveis Poisson com parâmetro λ. . Como o(Tn − θ) →P 0. respectivamente. τ (θ)). Este teorema pode parecer uma surpresa. desde que p2 (1 − p2 ) < p(1 − p)4p2 .4. O resultado portanto é uma conseqüência do Teorema de Slutsky. suponha que temos a escolha entre (a) n ensaios binomiais com probabilidade p2 de sucesso.CAPÍTULO 5. transformações que levem a uma variância assintótica que é independente do parâmetro.4: Para estimar p2 . ou seja. Por outro √ lado. suponha que n(Tn − θ) → N (0. já que se X é distribuído normalmente. . τ 2 [f (θ)]2 )√ . Sejam X e Y o número de sucessos no primeiro e segundo tipo de ensaios. Então nós temos: √ X n( − p2 ) →D N (0. onde c não depende de λ. Suponha. Dividindo ambos os lados por p2 (1 − p). por exemplo. podemos ver que X Y2 ou 2 é preferível se p > 1/3 ou p < 1/3. .

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

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

Sign up to vote on this title
UsefulNot useful