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

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

. .CAPÍTULO 1. Por outro lado. Formalmente.4: Seja a sequência x = (−2. xni . . O próximo exemplo. não-decrescentes.. Neste caso. e temos x(I N ) = {−1.1.). Escreve-se x = (xn )n∈I N.) não é uma subsequência de x já que os termos em w não aparecem na mesma ordem em que aparecem em x. −32. 1.3: A sequência xn = 1 + é limitada. para todo n ∈ I N . Exemplo 1. 64. 16. para valores muito grandes de n. Também temos que w = (4. não é limitada inferiormente nem superiormente. Formalmente.. 4. −8. Ela é monótona decrescente e limitada. Exemplo 1. . Dada uma sequência (xn ) de números reais. uma subsequência de x é a restrição da função x a um subconjunto innito I N = {n1 < n2 < .). e xn = −1 para todo n par. 16. 64. As sequências crescentes.} de I N . dizer que o número real a é limite da sequência (xn ) signica armar que.1. (resp. . Uma sequência chama-se crescente (resp. 16. 16) não é uma subsequência de x. em x o termo -2 precede o termo 4. 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 . Ela é limitada.). 64. . a sequência xn = (−2)n é ilimitada. z = (4. por exemplo.1. . . −8. . a sequência xn = n2 é ilimitada. porém não é monótona. existe um índice n0 (que depende de . 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 ). uma subsequência de (xn ) é um sequência (portanto. Finalmente. .7: xn = 1/n para todo n ∈ I N . . . pois por exemplo. −2. Exemplo 1. 1}.1 Limite de uma sequência Intuitivamente.) ou (xni )i∈I N para indicar a subsequência x . . xn ≥ xn+1 ) para todo n. . . ilustra melhor a questão. −128.1. . mas o mesmo não é verdade em w. . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 2 ilimitadas que são limitadas inferiormente ou superiormente. Autor: Leandro Chaves Rêgo .5: xn = 0. ou (xn1 . 256. dada uma sequência x. Por outro lado. −32. uma subsequência de x é y = (4. mas limitada inferiormente pois xn ≤ 0 para todo n. temos que x(I N ) = {0}.6: xn = 1 para todo n ímpar. . não-crescente). Ela é limitada. decrescentes e não-crescentes são chamadas sequências monótonas. Exemplo 1. a sequência diz-se não-decrescente (resp. Com um pouco mais de precisão: estipulando-se um erro por meio de um número real > 0.1. . < ni < . x1 > x2 > x3 > . Se vale xn ≤ xn+1 (resp. . 1 n Exemplo 1. . em geral. . . os termos xn tornam-se e se mantém tão próximos de a quanto se deseje.1.. não-crescente e não-decrescente. .. decrescente) quando x1 < x2 < x3 < . ou seja. pois não é uma sequência já que possui apenas 2 termos. temos que 0 ≤ xn ≤ 3 para todo n ∈ I N . xn2 .

1. 3n+10 n2 n2 n2 n ≥ = = .. limn xn = −∞). podemos escrever de forma equivalente a denição da seguinte maneira: o número real a é limite da sequência (xn ) de números reais. de centro a e raio > 0. salvo talvez um número nito de índices n. xn < −M ).1. quando para todo número real M > 0. ou tende para a e escreve-se xn → a. 3n + 10 1 Exemplo 1. Como a denição implica que para qualquer > 0 arbitrário. e que para n ≥ 10. > 0 existe n0 > 1/ . sempre que n > n0 .CAPÍTULO 1. A equivalência se dá pelo fato que K também é um número positivo e pode se tornar tão pequeno quanto se deseje apenas fazendo ser um número pequeno também. se qualquer intervalo de centro a contém todos os xn .. Autor: Leandro Chaves Rêgo . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 3 a = limn xn .10: A sequência xn = 1/n para todo n converge para 0. 3n + 10 3n + n 4n 4 Por sua vez. tomando n0 = max{10. a sequência ca oscilando entre vizinhanças dos números -1 e 1. existe um número natural n0 tal que xn > M (resp. e escreve-se Denição 1. vale a desigualdade +1 +1 Exemplo 1. Reciprocamente. Por outro lado. então qualquer intervalo (a − . Observe que se limn xn = a. Pois. sempre que n > n0 . quando para alguma constante K real positiva. temos que |xn + 1| < . Para isto notamos que 3n > n+10 n+10 2 2 Exemplo 1. e escrevese limn xn = ∞ (resp. a + )). n > n0 ⇒ |xn − 0| < .1. 4M }.8: O número real a é limite da sequência (xn ) de números reais. Portanto. para n grande. para n > 1 e ímpar. Logo. com exceção de no máximo um número nito de índices n (os termos de x1 até xn0 ). Uma sequência que possui limite chama-se convergente. sempre que n > n0 . Do contrário.. Quando limn xn = a.11: Vamos provar que limn 3n = ∞.12: A sequência xn = n + (−1)n é divergente. existe um número natural n0 tal que |xn − a| < (o que é equivalente a xn ∈ (a − . dado qualquer n2 . Note que dado qualquer > 0. para n > 1 e par. teremos n > n0 ⇒ n2 + 1 > M. então lim xn = a. quando para todo número real > 0. a + ). ou seja. a distância entre xn e a se torna menor que para n sucientemente grande. temos 1/n < 1/n0 < .9: Uma sequência (xn ) de números reais tem limite ∞ (resp. Dentre as sequências divergentes destacamos duas que possuem limites innitos: Denição 1. existe um número natural n0 tal que |xn − a| < K . n/4 > M se n > 4M . ela se chama divergente. temos que |xn − 1| < . então para todo n > n0 . diz-se que a sequência (xn ) converge para a.1. temos que para todo número real > 0. contém todos os termos xn da sequência.1. −∞).

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

a+1). mostrar que uma certa sequência não converge: basta obter duas subsequências de (xn ) com limites distintos. xn ∈ / (b − . . 1]. Logo limi xni = a. xn0 . . Prova: Seja limn xn = a. A seguir provaremos alguns resultados sobre limites. ao contrário de seu máximo e mínimo. inferior) para A como sendo qualquer número real c tal que c ≥ x (resp. ínmo) de um conjunto A a menor (resp.1. No exemplo. a + ). é óbvio que c ≤ xn ≤ d e para n > n0 . 0. então a = b. e. Então. limn xn = b. Logo.16: Se limn xn = a.1. mostraremos que não se tem a| limn xn = b. maior) cota superior (resp. a. Então. Então. a+1}. considere a função real f (x) tal que f (x) = 0 para x ∈ /I N e f (x) = 1 para x ∈ I N . Dene-se como o supremo (resp. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 5 É importante ressaltar que mesmo que a sequência seja denida a partir da restrição de uma função real. existe n0 tal que n > n0 implica que xn ∈ (a − .15: (Unicidade do limite). a−1. porém limx→∞ f (x) = 1. Ele será o limite procurado.19: Toda sequência convergente é limitada. b + ) para todo n > n0 . a priori. Consideremos o conjunto nito F = {x1 . Dado qualquer número real b = a. 0. Por exemplo. Teorema 1. dene-se como uma cota superior (resp. . inferior) de A. temos que c ≤ a − 1 < xn < a + 1 ≤ d. x2 . para n ≤ n0 . tomando Autor: Leandro Chaves Rêgo . todos os termos xn da sequência estão contidos no intervalo [c. logo a sequência é limitada.CAPÍTULO 1. c ≤ x) para todo x ∈ A. Então. a + ) e (b − . 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.16. No exemplo anterior.1. o que por sua vez implica que |xni − a| < .18: A sequência (1. como limn xn = a. Por exemplo. . o fato da sequência convergir para um certo limite L não implica que a função real tenderá a L quando x → ∞.) não é convergente pois admite duas subsequências constantes que convergem para limites diferentes. .1. note que inf A ∈ / A. Ora. Logo. Para isso. Note que o supremo e/ou o ínmo de um conjunto. existe n0 ∈ I N tal que n > n0 ⇒ |xn − a| < . . b + ) são disjuntos. Prova: Seja a = limn xn . temos que supA = 1 e inf A = −1. existe entre eles um ni0 > n0 . Observação 1. Dada um conjunto de números reais A. . Seja c o menor e d o maior elemento de F . ni > ni0 ⇒ ni > n0 . se A = (−1. Como os índices da subsequência formam um subconjunto innito.1. portanto. não precisam ser elementos do conjunto. Teorema 1. se sabe que converge: basta determinar o limite de alguma subsequência. temos que xn = f (n) = 1 para todo n ∈ I N.17: Há duas aplicações dos Teoremas 1.1. Se limn xn = a e limn xn = b.1. xn → 1. vemos que existe n0 ∈ I N tal que n > n0 ⇒ xn ∈ (a−1. Com essa escolha de . = 1. Uma delas é para Exemplo 1. 1. então toda subsequência de (xn ) converge para o limite Prova: Seja (xni ) uma subsequência de (xn ). 1. temos que os intervalos 2 (a − .15 e 1. Teorema 1. Dado > 0. tomemos = |b− . d]. A outra é para determinar o limite de uma sequência (xn ) que.

limitada. Como xn ≤ a para todo n (pela denição de supremo). Teorema 1. Armamos que a = limn xn . Para parte 2. Dado > 0.19 é uma sequência limitada e pela parte 1.21: Se limn xn = 0 e (yn ) é uma sequência limitada. pelo Teorema 1. . 1 sen(nx) · n . . Com efeito.20: Toda sequência monótona limitada é convergente. (nx) Exemplo 1. Logo.1.22: Qualquer que seja x ∈ I R. como limn xn = 0. Teorema 1. Prova: Para xar as idéias. Ora. Assim. Autor: Leandro Chaves Rêgo . limn (xn − yn ) = a − b.}. o número a − não é cota superior do conjunto dos xn . Isto mostra que xn · yn → 0. existe algum n0 ∈ I N tal que a − < xn0 . Tomemos a = sup{xn : n = 1. limn [xn (yn −b)] = 0. n > n0 ⇒ n > n1 e n > n2 .1. ∀n. temos limn senn = 0. Seja n0 = max{n1 . Como a sequência é não-decrescente. então limn xn · yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n ∈ I N . limn [(xn −a)b] = 0. temos xn yn −ab = xn yn −xn b+xn b−ab = xn (yn −b)+(xn −a)b.23: Se limn xn = a e limn yn = b. limn (xn · yn ) = a · b. ≤ xn ≤ . . Com efeito. já demonstrada. . (xn ) pelo Teorema 1. n2 }. limn (xn + yn ) = a + b. 2. Por motivo semelhante. pela parte 1. ou seja. limn (xn /yn ) = a/b se b = 0 e yn = 0.1.1.1.1. n > n0 ⇒ xn0 ≤ xn e. Logo. podemos encontrar n0 ∈ I N tal que n > n0 ⇒ |xn | < c . . 3. Prova: Para parte 1. . dado qualquer > 0. a − < xn . 2. n > n0 ⇒ |xn · yn | = |xn | · |yn | < c · c = . com |sen(nx)| ≤ 1 e 1 n sen(nx) n = → 0. temos limn (xn yn − ab) = limn [xn (yn − b)] + limn [(xn − a)b] = 0. (mesmo que não exista limn yn ). seja (x1 ≤ x2 ≤ . limn xn = a. O caso da diferença xn − yn se trata do mesmo modo. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 6 Teorema 1. .21. Logo n > n0 implica: 2 |(xn + yn ) − (a + b)| = |(xn − a) + (yn − b)| ≤ |xn − a| + |yn − b| < 2 + 2 = . Logo. Então.1. como a − < a. então 1. Isto prova que limn (xn + yn ) = a + b.CAPÍTULO 1. vemos que n > n0 ⇒ a − < xn < a + . dado > 0 existem n1 e n2 em I N tais que n > n1 ⇒ |xn − a| < e n > n2 ⇒ |yn − b| < 2 . temos que limn (yn − b) = 0.) uma sequência não-decrescente 1. donde limn xn yn = ab. portanto.2 Propriedades Aritméticas dos Limites Estudaremos agora como se comportam os limites de sequências relativamente às operações aritméticas e às desigualdades.

1. se limn xn = a.28 : Se limn xn = a e g : I R → I R é uma função contínua em a. b + ). Contudo. seja xn = 0 e yn = 1/n para todo n ∈ I N . Por exemplo. Pondo n0 = max{n1 . limn sn = 1. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 7 Para parte 3.1. Então. limn xn = a. a sequência ( yn b ) é limitada..24: É claro que resultados análogos aos ítens 1 e 2.26: O resultado análogo ao do Teorema 1.25 para desigualdades estritas não é válido. segue-se do Teorema 1. Segue-se que. n2 }. yn b yn b valem para qualquer número nito de sequências. . Então. limn zn = a. yn b → b2 . portanto. a + ) e n > n2 ⇒ yn ∈ (b − . então limn (xn + yn + zn ) = a + b + c e limn (xn yn zn ) = abc. Por exemplo. absurdo. notemos que. . a + ) e n > n2 ⇒ yn ∈ (a− . então Prova: Dado > 0. Recorde que uma função f : I R→I R é contínua em a ∈ I R se para todo > 0. Observação 1. n n n Teorema 1. portanto. e Teorema 1. 2 Prova: Suponha por contradição que a > b. yn é um número positivo b 2 1 inferior a b2 . existe δ > 0. . . Seja limn yn = b.1. sn = 1 e. Autor: Leandro Chaves Rêgo . Vamos a seguir provar que limites são preservados a aplicações de funções contínuas.CAPÍTULO 1. limn zn = a.+ n de parcelas é variável e cresce acima de qualquer limite. limn x =a .1. do Teorema 1. e limn yn = b.27: Sejam xn ≤ zn ≤ yn para todo n ∈ I N .23 levaria ao absurdo de concluir que Observação 1. + 0 = 0. então a ≤ b. Se limn xn = limn yn = a. existem n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . Teorema 1.. seja sn = n 1 (n parcelas). tal que |x − a| < δ ⇒ |f (x) − f (a)| < .21 que n n limn ( x −a ) = 0 e. então limn g (xn ) = g (a). n2 }. deve-se tomar cuidado de não tentar aplicar o teorema para certas somas (ou produtos) em que o número 1 1 +.1. Pondo b n0 = max{n1 .1. yn b yn b yn b Como pelas partes 1 e 2. limn xn = a. + lim 1/n = 0 + . então a < b. não é verdade que se xn < yn para todo n ∈ I N . Por outro lado.1. como pela parte 2. Uma aplicação descuidada do Teorema 1. limn (bxn − ayn ) = ab − ab = 0. b = a− . cada parcela n tem limite zero. vemos que n > n0 implica a− < xn ≤ zn ≤ yn < a+ . e limn zn = c. existe n0 tal que n > n0 ⇒ 2 2 1 yn b > b2 (basta tomar = b2 ).25: Sejam xn ≤ yn para todo n ∈ I N . Ou seja. a+ ). por hipótese existem 2 n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . limn yn = b. vemos que n > n0 implica yn < b + = a+ = a − < xn . Por exemplo. xn a bxn − ayn 1 − = = (bxn − ayn ) .23 lim sn = lim 1/n + . Logo.1. Portanto. Temos que limn xn = limn yn = 0.1. Como temos que. para todo n > n0 .

a + i+1 ). Ou seja. a + 1/i). Mostraremos que o conjunto de valores de aderência de (xn ) não é vazio. . 0.1. 1. 0. A sequência (0. existe ni0 . valor de aderência de (xn ). arbitrário. 0. a + ). 0. Seja (xn ) uma sequência limitada de números reais. . e somente se. e construímos a desejada subsequência. temos α ≤ a1 ≤ a2 ≤ . Prova: Escolha 1.CAPÍTULO 1. . e que a sequência converge se. 2. Como an ≤ bn . como (xni ) contém innitos termos de (xn ). Então. xn+1 . Suponha que exista ni > ni−1 tal que xni ∈ (a − 1/i. Por suposição. consequentemente. mais especicamente. dado qualquer n0 .1.31: a é valor de aderência de (xn ) se. lim sup Denição 1. .3 Valores de aderência. embora não seja convergente. para todo > 0.30: Se limn xn = a. temos que |g (xn ) − g (a)| < .1. Teorema 1. . . temos que existe n0 tal que n > n0 ⇒ |xn − a| < δ .1. . Então. a + ). que entre eles existe um que é o menor de todos e outro que é o maior. existe ni > n0 tal que i > i0 e. A sequência (0. . Temos [α. a + 1). β ] ⊃ X2 ⊃ . .}. Escrevamos Xn = {xn . Logo. . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 8 > 0. vamos denir os demais termos da subsequência por indução. então a é o único valor de aderência de (xn ). xni ∈ (a − . > 0 e todo Prova: Suponha que a é um valor de aderência de (xn ). . Seja xn = n. Por suposição. temos que an → a e bn → b.) tem 0 como seu único valor de aderência. . portanto. a + i+1 ). Reciprocamente. existe δ > 0 tal que |x − a| < δ ⇒ |g (x) − g (a)| < . existe n1 tal que xn1 ∈ (a − 1. . . existe uma subsequência (xni ) tal que limi xni = a. Como g é contínua em a. 1. ≤ bn ≤ . . existe um n > n0 tal que xn ∈ (a − i+1 . suponha que para todo > 0 e todo n0 ∈ I N exista n ∈ I N tal que n > n0 e xn ∈ (a − . denindo an = inf Xn e bn = sup Xn . limn g (xn ) = g (a).) tem como valores de aderência 0 e 1. para todo n0 ∈ I N existir n ∈ I N tal que n > n0 e xn ∈ (a − . possui apenas um valor de aderência. lim inf . tal que i > i0 ⇒ xni ∈ (a − . a + 1/i). Vamos construir uma subsequência (xni ) tal que limi xni = a. 1. 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 α ≤ xn ≤ β para todo n ∈ I N . 3. para n > n0 . temos que a é limite desta subsequência (xni ) e. e somente se. 1 1 . Chamemos este n de ni+1 . ⊃ Xn ⊃ . a sequência (xn ) não possui valores de aderência. O próximo teorema mostra que um número real a é valor de aderência de uma sequência (xn ) se. Autor: Leandro Chaves Rêgo . a + ). Portanto. ou seja. tem-se lim inf xn ≤ lim sup xn . Por outro lado.29: Um número real a chama-se valor de aderência de uma sequência (xn ) quando a é limite de alguma subsequência de (xn ). toda vizinhança de a contem innitos termos de (xn ). e somente se. como xn → a. ≤ b2 ≤ b1 ≤ β Como toda sequência monotônica e limitada é convergente. Exemplo 1. . vamos construir uma subsequência tal que xni ∈ (a − 1/i. para queremos provar que existe ni+1 > ni tal que xni+1 ∈ (a − i+1 1 1 1 = i+1 e n0 = ni . ≤ an ≤ . Então. . a + ). . .

Denição 1. usaremos o Teorema 1. segue-se de c < a que existe n0 ∈ I N tal que c < an0 ≤ a. exige-se que seus termos xm .33.1. Se lim inf xn = lim supn xn = a.1. existe n1 > n0 tal que a − < an1 < a + . lim inf xn é o menor valor de Prova: Provaremos inicialmente que a = lim inf xn é valor de aderência de (xn ). A m de que (xn ) seja uma sequência de Cauchy. Ora. a + ). então vimos que a é o único valor de aderência. existe > 0. e mostraremos que dados > 0 e n0 ∈ I N arbitrários. se.32 : Sejam x2n−1 = − n e x2n = 1 + n . para valores sucientemente grandes de índices n e m. 1. que nos dá uma condição necessária e suciente para a convergência de números reais. vemos que c + = an0 . Prova: Se (xn ) convergir para a. mente se. Tomando = an0 − c. c + ) não contém termo xn algum com n ≥ n0 . a + ). uma contradição. Logo. Para isto. Como a = limn an .1. como a = limn an . lim inf xn = lim supn xn . Logo. Aqui se impõe uma condição apenas sobre os termos da própria sequência.33: Seja (xn ) uma sequência limitada. 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 . Isto nos permite concluir que uma sequência possui limite mesmo sem conhecermos o valor deste limite. existe um n0 ∈ I N tal que n > n0 e m > n0 implica |xm − xn | < .35: Uma sequência (xn ) de números reais é uma sequência de Cauchy quando dado qualquer > 0.CAPÍTULO 1. a + ). existe n ∈ I N tal que n > n0 e xn ∈ (a − . Isto nos dá n > n0 com a − < xn < a + . então suponha que xn não convirja para a.34: Uma sequência limitada de números reais (xn ) é convergente se.1. A demonstração para lim sup se faz de modo semelhante. Pelo Teorema 1. Compare com a denição de limite. Teorema 1.4 Sequências de Cauchy Provamos anteriormente que toda sequência monótona limitada é convergente. e somente se.31. Isto exclui a possibilidade de c ser valor de aderência de (xn ). lim inf xn = 0 e lim sup xn = 1 e estes são os dois únicos valores de aderência da sequência (xn ). esta subsequência possui valores de aderência que são valores de aderência de (xn ) e estão fora do intervalo (a − . Corolário 1. segue-se da última igualdade que a + (sendo maior que an1 ) não é cota inferior de Xn1 . possui um único valor de aderência. e so- lim inf xn = lim supn xn = a. Autor: Leandro Chaves Rêgo . se aproximem e permaneçam arbitrariamente próximos uns dos outros. Então. Logo. concluímos que n ≥ n0 ⇒ c < an0 ≤ xn . isto é. a + ). Como an0 = inf Xn0 . Mostremos agora que nenhum número c < a pode ser valor de aderência de (xn ). Veremos agora o critério de Cauchy. xn . tal que para todo n0 ∈ N existe n > n0 tal que xn ∈ / (a − .1. Como an1 = inf Xn1 . 1 1 Exemplo 1. Então existe uma subsequência de (xn ) cujos termos não estão no intervalo (a − . Verica-se sem diculdade que aderência e lim sup xn é o maior valor de aderência de (xn ).1. existe n ≥ n1 tal que an1 ≤ xn < a + . onde se exige que os termos xn se aproximem e permaneçam arbitrariamente próximos de um número real a dado a priori. logo o intervalo (c − .1. Portanto.

s2 = a1 + a2 .1. Prova: Seja (xn ) uma sequência de Cauchy. m > n0 ⇒ |xm − a| < /2.1. .1: Seja (an ) uma sequência de números reais. Isto mostra que limn xn = a. Lema 1. xn0 +1 + 1}. xn0 . n > n0 ⇒ |xm − xn | ≤ |xm − a| + |xn − a| < /2+ /2 = . para +1 + .1. Logo. Como a é valor de aderência de (xn ).1. n > n0 ⇒ |xm − xn | < 2 .1. 2 4 nova sequência (sn ) cujos elementos são as somas Denição 1. . . existe n0 ∈ I N tal que m. . . Tomando Lema 1. . O que o primeiro membro da igualdade acima exprime é o limite limn ( 1 n ). A parcela an é chamada o Autor: Leandro Chaves Rêgo . ou seja (xn ) é uma sequência de Cauchy. n > n0 ⇒ xn ∈ (xn0 +1 − 1. na qual o primeiro termo é uma soma com uma 2 4 innidade de parcelas.36: Toda sequência convergente é de Cauchy. = 1. existe também n1 > n0 tal que |xn1 − a| < /2. + an . . seja (xn ) uma sequência de Cauchy.CAPÍTULO 1. possui um valor de aderência e segue do Lema 1. xn0 +1 + 1). + 21 reais. A partir dela. .38: Toda sequência de Cauchy é limitada. Logo.37: Toda sequência de Cauchy de números reais é convergente. + 21 n + . Portanto. . = 1. estenderemos a operação de adição de modo a atribuir signicado a uma igualdade do tipo 1 +1 + . 2 A armação contida naquela igualdade signica que para todo > 0 existe n0 tal que. para valores grades de n. . Pelo Lema 1. n > n0 ⇒ |xn − a| ≤ |xn − xn1 | + |xn1 − a| < .38. formamos uma s1 = a1 . . pelo Teorema 1. sn = a1 + . β ] para todo n ∈ I N. Em particular para m = n0 + 1. obtemos n0 ∈ I N tal que m. Intuitivamente: se limn xn = a então. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 10 Teorema 1. dado > 0 existe n0 tal que n > n0 ⇒ |xn − a| < /2 e Teorema 1. 1. m. .1. Prova: Seja limn xn = a. Então. É claro que não tem sentido somar uma sequência innita de números 1 +4 + . Então. xn ∈ [α. an . . e portanto necessariamente aproximam-se uns dos outros. . + 21 todo n > n0 .39: Se uma sequência de Cauchy (xn ) possui um valor de aderência a ∈ I R.2. .1. a soma 1 n difere de 1 por menos de . x2 . ou seja.39 que (xn ) converge. que são chamados de soma parcial ou reduzida da série n-ésimo termo ou o termo geral da série. os termos xn se aproximam de a. Prova: Iremos provar este teorema utilizando dois Lemas. Prova: Dado > 0.2 Séries de Números Reais Nesta seção. . Sejam α o menor e β o maior elemento do conjunto X = {x1 . logo (xn ) é limitada. xn0 +1 − 1. . n > n0 ⇒ |xm − xn | < 1. como (xn ) é uma sequência de Cauchy. Então. n > n0 ⇒ |xn0 +1 − xn | < 1. ela é limitada.33. então limn xn = a. .

pois neste caso seu termo geral não tende a zero. 1 1 1 diverge. 1−a Autor: Leandro Chaves Rêgo . concentraremos atenção sobre os termos an . .2. . pois sn − asn = (1 + a + .5: A série geométrica an é divergente quando |a| ≥ 1. pois n temos limn sn = +∞. então limn an = 0. . + an = x1 + (x2 − x1 ) + . an é divergente. pela série harmônica efeito.3: Se an é uma série convergente. + an+1 ) = 1 − an+1 1 − an+1 ⇒ sn (1 − a) = 1 − an+1 ⇒ sn = .2: Toda sequência (xn ) de números reais pode ser considerada como a Teorema 1. estaremos deduzindo suas propriedades a partir das diferenças an = sn − sn−1 . + an ) − (a + a2 + . n→∞ diremos que a série remos então an é convergente e o limite s será chamado a soma da série. a sequência (xn ) é convergente. . . existe s = limn sn .2. 1−a Então. . + an . . Evidentemente. . Assim falando. Ao estudar a série cujas reduzidas são sn . . Em vez de tomar como ponto de partida o comportamento dos números sn . a série geométrica converge. Com 1 1 1 1 1 + ( + ) + . a série r > n nr para todo n > 1. como sn é monotonicamente crescente. + an ). diremos que a série sequência das reduzidas de uma série.CAPÍTULO 1. s2n = 1 + Exemplo 1. . . ∞ n=0 ∞ n=0 an = limn sn = 1 . . + (xn − xn−1 ) = xn . Logo.. . Escreve∞ s= an = n=1 an = a1 + a2 + . pode-se dar a impressão de que a teoria das séries coincide com a teoria dos limites de sequências. n Exemplo 1. . Observação 1. a1 + .2. 2 4 2 2 Segue-se que limn s2n = +∞ e. Quando |a| < 1. Resulta daí que. n tende para zero mas a série diverge.2. e somente se.3 é falsa. Basta tomar a1 = x1 e an+1 = xn+1 − xn para todo n∈I N . . O contra-exemplo clássico é dado Seu termo geral. A série an assim obtida converge se. por conseguinte. a soma desta série é igual a limn xn . 1 . . Então. Prova: Seja sn = a1 + . temos 1 .4: A recíproca do Teorema 1. + ( n−1 + ··· n) 2 3 4 2 +1 2 n−1 2 1 1 2 > 1 + + + . . para 0 < r < 1.2. + an + . Se a sequência de somas parciais não convergir. 0 = s − s = limn sn − limn sn−1 = limn (sn − sn−1 ) = limn an .. Isto não é verdade. Então. pelo seguinte motivo. A primeira condição necessária para convergência de uma série é que seu termo geral tenda para zero. tem-se também s = limn sn−1 . . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Se existir o limite 11 s = lim sn = lim (a1 + . . + n = 1 + n · . No caso armativo.

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

2... Suponhamos ainda que a primeira seja dominada pela segunda. pois 0 ≤ an ≤ bn . 1 nr é dominada pela série geométrica de razão q = ∞ 1 1 k=1 k sen k 1 2r−1 < 1. 0≤ Como gente.. então.9: Sejam (i) (ii) an e bn duas séries de termos não negativos. Exemplo 1. ou seja. Para isso. contrariando a hipótese. an também teria de convergir. + an e tn = b1 + . an ≤ bn para todo n ∈ I N . que é Exemplo 1. segue do critério da comparação que é conver- Autor: Leandro Chaves Rêgo . . n! 2 · 3.2 2 donde se vê que a série dada é dominada pela série concluímos que a série original também é convergente.10: Um modo de provar a convergência da série 1 1 1 1 = < = n−1 .CAPÍTULO 1.. bn converge ⇒ an diverge ⇒ an converge.2. 1 . Para provar (ii). k k k k ∞ 1 1 k=1 k sen k é convergente. No caso (i).2... = 1 + r−1 + r−1 2 4 2 4 1 1 2 = 1 + ( r−1 ) + ( r−1 ) + . . bn diverge. então sn ≤ t para todo n. tn converge para um certo limite t. .n 2 · 2.2. ∞ 1 k=1 k2 1 1 1 1 sen ≤ · . sn é uma sequência monótona limitada e. portanto. de acordo com o seguinte esquema: 1 nr 1 1 1 1 1 1 + r) + ( r + r + r + r) + . Então. 1 n! com a série geométrica de razão 1/2. . pois como para todo x ∈ (0.. 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 13 Teste de Comparação Teorema 1. π/2). Prova: As somas parciais das séries dadas sn = a1 + . diminuindo os denominadores de seus termos. + bn são sequências não decrescentes. .12: A série senx < x. convergente. Observemos que Exemplo 1.. 2 2 1+( Isto nos mostra que convergente. r 2 3 4 5 6 7 1 1 1 1 1 1 ≤ 1 + ( r + r) + ( r + r + r + r) + . 2n−1 consiste em compará-la Como esta é convergente. satisfazendo à desigualdade sn ≤ tn . . pela parte (i). .11: Vamos provar que a série é convergente quando r > 1. majoramos as somas parciais da série. raciocinamos por absurdo: se bn convergisse. temos que para todo k ≥ 1: é convergente. .

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

n Exemplo 1. a série ∞ k=0 ak . . a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos termos ar negativos. 1 4 − 1 9 + . a série é divergente pelo critério do termo geral. Então. ak |ak | será convergente pelo teste da razão. existirá um natural p tal que k ≥ p ⇒ |k > 1. as somas parciais das séries |an | e an são dadas por Tn = |a1 | + |a2 | + . . Suponhamos então que x = 0 e apliquemos o critério da razão. Pelo critério do termo geral. = ∞ (−1)n n=1 n2 é convergente. Suponhamos que +1 limk | ak | = r . lim | n n+1 (n + 1)xn+1 | = |x| lim = |x |. também. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 15 1. Além disso. |a +1 | Se r > 1. Teorema 1. Então. para T . .2. ou é absolutamente |an | é convergente. (pn ) e (qn ) são não decrescentes. Para demonstrar a segunda parte do teorema.16: Diz-se que uma série convergente.20: Determine x para que a série ∞ n=1 nx seja convergente. Como ap = 0.. logo convergente. + |an | = pn + qn e Sn = a1 + a2 + . respectivamente. a série converge se r < 1 e diverge se r > 1. já que ela é Teste da Razão Para Séries de Termos Quaisquer Teorema 1.CAPÍTULO 1. para todo k > p. se a série an converge absolutamente. As sequências (Tn ).2. a série ∞ k=0 ak será divergente. logo pn e qn também convergem. com ak = 0 para todo natural k .2. Exemplo 1. a primeira delas converge. . logo ∞ k=0 ∞ k=0 ak será. basta notar que pn e qn são somas parciais de séries de termos não negativos. + an = pn − qn . da série independe da ordem em que se consideram os termos.18 : A série −1 + absolutamente convergente. digamos para p e q .2.17: Toda série absolutamente convergente é convergente.2. pn ≤ Tn ≤ T e qn ≤ Tn ≤ T . limk |ak | não poderá ser zero e o mesmo acontecerá. onde. convergente. Autor: Leandro Chaves Rêgo . que a série é convergente para |x| < 1 e divergente para |x| > 1. r ≤ n. com limk ak . n n nx n Segue do critério da razão. Para |x| = 1. Solução: Para x = 0 a soma da série é zero. ak | |ak | > |ap |. digamos.19: Seja a série Prova: Se r < 1.2 Convergência Absoluta Denição 1. Ao mesmo tempo. Concluímos que (Sn ) também converge: Sn = pn − qn → p − q . em ambos os casos. por hipótese. cujas somas independem da ordem em que se considerem seus termos.2. Então.. então. respectivamente.

2. pois ambos quocientes. o termo geral da série diverge.CAPÍTULO 1. que a série é convergente para todo |x| < e e divergente para |x | > e . Suponhamos então que x = 0 e apliquemos o critério da razão. 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 = ∞. logo a série diverge.3 Ordens de Magnitude (x) Quando duas funções f e g são tais que o quociente f tende a zero com x tendendo a um g (x) certo x0 . ! √ = 1. g (x)| dizemos que f é de ordem grande em relação a g .2.2. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS n 16 x Exemplo 1. sen2 x = o(x) e cos( x x cos(1/x) tendem a zero com x → 0. logo convergente. para x → x0 e escrevemos f (x) = o(g (x)). lim | n (n + 1)!nn xn+1 (n + 1)nn n n |x | | = | x | lim = |x| lim( ) = . que a série é convergente para todo x real. quando existem números positivos δ e M tal que se |x − x0 | < δ . (x)| isto é. lim | n n!xn+1 1 | = | x | lim = 0. 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhança de x0 . sen e Por exemplo. n→∞ n→∞ n! √ √ n ) 2πn en ( n e lim n n 2πn n→∞ Portanto. n!x Exemplo 1. Solução: Para x = 0 a soma da série é zero. logo convergente. Solução: Para x = 0 a soma da série é zero. n +1 n n +1 n (n + 1) n n+1 n!(n + 1) x e Segue do critério da razão. para x → x0 e escrevemos 2 f (x) = O(g (x)).21: Determine x para que a série ∞ n=1 n! seja convergente. x → x0 . Suponhamos então que n x = 0 e apliquemos o critério da razão. n n+1 (n + 1)!xn Segue do critério da razão. utilizando a aproximação de Stirling. então ||f ≤ M. Autor: Leandro Chaves Rêgo .22: Determine x para que a série ∞ n=1 nn seja convergente. dizemos que f é de ordem pequena em relação a g . x → x0 . Se |x| = e. 1 x 1 ) = o( x ) para x → 0. 1.

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

temos que n 18 pn (x) = r=0 f (r) (0) r x. Então aplicando o Lema notando que f (0) = pn (0). G(x) = (n + 1)xn . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Então. obtemos f (x) − pn (x) f (c) − pn (c) Rn (x) = = . e b = x. Então. Lema 1. n +1 n x (n + 1)c (n + 1)nc1 Autor: Leandro Chaves Rêgo . conhecido como Teorema do Valor Médio Generalizado. Sua importância reside no teorema que enunciamos e provamos a seguir.1: Seja f uma função derivável até a ordem n + 1. H (c) = 0. f (n+1) (cn )xn+1 . b) tal que F (b) − F (a) F (c) = G(b) − G(a) G (c) Prova: Considere a função H (x) = (F (b) − F (a))(G(x) − G(a)) − (G(b) − G(a))(F (x) − F (a)). Aplicando novamente o Lema com F (x) = f (x) − pn (x). então existe c ∈ (a. ou seja. a = 0. b) tal que H (b) − H (a) = 0 = H (c)(b − a). Usaremos repetidamente o Teorema do Valor Médio Generalizado para provar o teorema. 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. H é contínua em [a. Seja F (x) = f (x) − pn (x). com G(a) = G(b) e G (x) = 0 para x ∈ (a. existe c tal que (F (b) − F (a)G (c) − (G(b) − G(a))F (c) = 0. r! onde f (0) (x) = f (x). Logo pelo Teorema do Valor Médio existe c ∈ (a. Como G(b) = G(a). Teorema 1. contínuas em [a. n +1 n +1 x x (n + 1)cn onde c está entre 0 e x. b). b]. b = c e a = 0. derivável em (a. (n + 1)! Prova: Começaremos enunciando e provando o seguinte Lema. Este é chamado de polinômio de Taylor de ordem n da função f em torno de x = 0. b].3.3. numa vizinhança V de x = 0.CAPÍTULO 1.2: Se F e G são funções deriváveis num intervalo (a. b). Portanto. b). e H (a) = H (b) = 0. Então. G(x) = xn+1 . temos (note que f (0) − pn (0) = 0) Rn (x) f (c) − pn (c) f (c1 ) − pn (c1 ) = = n−1 . o resultado está provado.

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

Portanto. (−1) 2 cos(x) dxr dr sen(x) = dxr (−1) 2 cos(x) se r for ímpar. r +1 n +2 2 c r=0 onde c é um número entre 2 e x. Solução: Note que f (2) = 1/2. onde i = inteiro r. r (−1) 2 sen(x) se r for par. e que em geral temos: (r ) −1)r f (r) (x) = (−1)r r!x−r−1 . f (x) = 1 = 1+x −r f (x) = r=1 (−1)r−1 r (−1)n (1 + c)−(n+1) n+1 (x) + (x) .3. Portanto. temos −1. Neste exemplo usaremos √ séries de Taylor para demonstrar a fórmula de Euler: eix = cos(x) + i sen(x). = r se r for par. f (r) (0) = (−1)r−1 (r − 1)!. r (n + 1) onde c está entre 0 e x. r −1 Então. f (x) = −x2 .4: Vamos obter a série de Taylor de ordem n da função f (x) = x . 1 Exemplo 1. f (x) = 2x−3 . 2r ! (2r + 1)! r=0 ∞ cos(x) = r=0 ∞ (−1)r 2r x . Autor: Leandro Chaves Rêgo . e que em geral temos: f (r) (x) = (−1)r−1 (r − 1)!(1 + x) . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 20 (1 + x)−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 r!(2) = (2 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 . torno do ponto a = 2.CAPÍTULO 1. x > 0.5: Fórmula de Euler.3. 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 . em Exemplo 1. (2r + 1)! sen(x) = r=0 Logo. 2r ! (−1)r 2r+1 x . podemos concluir que eix = cos(x) + i sen(x). r dx r +1 dr cos(x) (−1) 2 sen(x) se r for ímpar. f (x) = −1(1 + x)−2 . Note que para qualquer dr eix = ir eix .

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

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

1 Borel-Canteli A seguir vamos enunciar e provar um importante Lema. ω ∈ lim inf An ∪ Bn . An ∪ Bn → A ∪ B . ou ω ∈ Bk para innitos índices k . . Reciprocamente. Logo. temos ω ∈ lim sup An ou ω ∈ lim sup Bn . então ω ∈ lim sup An ou ω ∈ lim sup Bn . Também é fácil ver que lim inf An = lim inf Bn = A ∩ B = ∅.CAPÍTULO 2. se An → A e Bn → B . Solução: Se ω ∈ lim sup(An ∪ Bn ). Resta-nos provar que A ∪ B ⊆ lim inf An ∪ Bn . . se ω ∈ lim sup An ∪lim sup Bn . e An = B e Bn = A para n ímpar. conhecido como Lema de BorelCantelli. A ∪ B = lim inf(An ∪ Bn ) = ∅ = lim inf An ∪ lim inf Bn . Portanto. Utilizando os ítens anteriores e a Lei de De Morgan. Solução: Vamos construir um contra-exemplo: Suponha que A ∩ B = ∅. ou ω ∈ Bk para innitos índices k . pois somente os ω s em A ∩ B não ocorrem para um número nito de índices n tanto na seqüência An quanto na seqüência Bn . An ∈ A. Como An ∪ Bn = A ∪ B para todo n. ω ∈ (Ak ∪ Bk ) para innitos índices k . CONVERGÊNCIA ESTOCÁSTICA 2. Autor: Leandro Chaves Rêgo . eventos aleatórios em (Ω. ω ∈ lim sup An ∪ lim sup Bn . ω não pertence a um número nito de Ak 's. é fácil ver que lim inf(An ∪ Bn ) = A ∪ B . ω não pertence a um número nito de Ak ∪ Bk 's. lim sup(An ∪ Bn ) = lim sup An ∪ lim sup Bn . ou ω não pertence a um número nito de Bk 's. Portanto. Logo. P (An ) = ∞ e os eventos An 's são independentes. 3. ou seja. temos que ω ∈ Ak para innitos índices k .6: Sejam A1 . Então. 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 2.1. ω ∈ lim sup(An ∪ Bn ). ou seja. que trata da probabilidade da ocorrência de um número innito de eventos. e pela propriedade (1) de lim inf e lim sup. Suponha que ω ∈ A ∪ B . ∀n. A2 . A. temos que lim sup An ∪ Bn = lim sup An ∪ lim sup Bn = A ∪ B. temos lim inf An ∪ Bn ⊆ lim sup An ∪ Bn = A ∪ B. Logo. 2. então ω ∈ (Ak ∪ Bk ) para innitos índices k . . então An ∪ Bn → A ∪ B e An ∩ Bn → A ∩ B . ou seja. Não é verdade que lim inf(An ∪ Bn ) = lim inf An ∪ lim inf Bn . 23 temos que ω ∈ Ak para innitos índices k . P ). então P (An innitas vezes ) = 0. Portanto. (a) Se (b) Se ∞ n=1 ∞ n=1 P (An ) < ∞. ou seja. então ω ∈ lim inf An ou ω ∈ lim inf Bn . An = A = ∅ Solução: Pela parte (2). Então. 4. então P (An innitas vezes ) = 1. e Bn = B = ∅ para n par.1.

então sabendo que P (Ak ) > 1/k .7: Se sabemos que para uma dada coleção de eventos {Ak }. Prova: Para parte (a). então podemos concluir que intos desses vezes ocorrem com probabilidade zero ou. ∀n. se apenas sabemos que P (Ak ) > 1/k . ∀n. se P (An ) < ∞. P (∪∞ k=n Ak ) = 1. temos n+m n+m 1 − P (Bn ) ≤ k=n e −P (Ak ) = exp(− k =n P (Ak )) → 0 quando m → ∞. ∀n ∞ (pois sendo [An innitas vezes] = ∩∞ n=1 ∪k=n Ak a intersecção de um número enumerável de eventos de probabilidade 1. 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 ). podemos concluir que innitos Ak ocorrem com probabilidade 1. ∀j. +m Então Bn contém ∪n A para todo m . que apenas um número nito deles ocorrem com probabilidade 1. então Obervação: O ítem (b) não vale necessariamente sem independência. Então. Mas [An innitas vezes] ⊆ ∪∞ k=j Ak . P (An innitas vezes) = 0. Como 1 − p ≤ e−p para 0 ≤ p ≤ 1. Logo para todo m. pois n+m k =n P (Ak ) → ∞ quando m → ∞. então não podemos concluir nada baseados no Lema de Borel-Cantelli. Por exemplo. as suas probabi- lidades individuais satisfazem P (Ak ) ≤ k12 . seja Bn = ∪∞ k=n Ak . é também de probabilidade 1). Logo P (Bn ) = 1. n+m n+m 1 − P (Bn ) = c P (Bn ) ≤ +m c P (∩n k=n Ak ) = k=n P (Ac k) = k =n (1 − P (Ak )). basta provar que P (∪∞ k=j Ak ) ≤ k=j P (Ak ) → 0. e k k =n +m n+m c c c Bn ⊆ (∪n k=n Ak ) = ∩k=n Ak . Se soubermos que os eventos são mutuamente independentes. Contudo. logo ∞ P (An innitas vezes) ≤ Portanto. Para parte (b). Autor: Leandro Chaves Rêgo . CONVERGÊNCIA ESTOCÁSTICA 24 seja An = A. Exemplo 2. Podemos reesecrever isso da seguinte forma: existe um instante aleatório N tal que. ∞ k=j P (An ) = ∞ mas o evento [An innitas P (Ak ) → 0 quando j → ∞. nenhum dos Ak ocorrem para k > N . vezes] = A e P (An innitas vezes) = P (A) < 1. onde 0 < P (A) < 1. com probabilidade 1.1. Para tanto.CAPÍTULO 2.

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

k Isto é equivalente a: ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| ≥ 1 Dena An. k 1 }) = 0. Yn → Y cp1 se.2. . Convergência Quase Certa Denição 2.1 Tipos de Convergência Vamos a seguir descrever vários tipos de convergência estocástica. Sejam Y. para todo k ∈ I N. . . temos que ∞ lim sup An. . . Y2 . . note que o conjunto de exceção é D = {w ∈ Ω : |Z (w)| ≥ 1} e que P (D) = 0.k . n Logo.k = {w : |Yn (w) − Y (w)| ≥ k }. para todo k ∈ I N . temos que limn Yn (w) = Y (w) se. Podemos obter uma denição alternativa para convergência quase-certa. .1: A seqüência de variáveis aleatórias Y1 . Y2 . para um dado w ∈ Ω xo. converge quase certamente para Y não signica que para todo w ∈ Ω. Yn (w) → Y (w). e depois provaremos algumas relações entre os vários tipos de convergência. então Xn (w) → 0 cp1. . D é chamado de conjunto de exceção. Yn → Y cp1 se. converge quase certamente (ou com probabilidade 1) para a variável aleatória Y se n→∞ P ({w : lim Yn (w) = Y (w)}) = 1. e somente se. Notação: Yn → Y cp1. observando que. e somente se. k Então. Y1 . e somente se. Exemplo 2. ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < 1 }) = 1.2. Portanto: ∞ ∞ {w : lim Yn (w) = Y (w)} = {w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < n 1 }. ilustrando com exemplos cada tipo de convergência. P (lim sup An. . Y2 . A. variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω.k = ∪∞ N =1 ∩n=N An.2: Considere uma variável aleatória Z tal que P ({w : 0 ≤ |Z (w)| < 1}) = 1. P ).CAPÍTULO 2. existir N tal que para todo n ≥ N . apenas o que se sabe é que a probabilidade do evento D = {w : Yn (w) Y (w)} é nula.k ) = 0. CONVERGÊNCIA ESTOCÁSTICA 26 2. Então para cada k xo. Seja Xn (w) = Z n (w). n Autor: Leandro Chaves Rêgo . pela denição de limite de sequências de números reais.2. 1 temos |Yn (w) − Y (w)| < k . Então se uma seqüência de variáveis aleatórias Y1 .

. X2 . Vamos vericar que Yn → ∞ cp1. Se r = 2 este tipo de convergência é freqüentemente chamado de convergência em média quadrática. Considere {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. . . . log n log n tal que 0 < < 1. Xn 0. o conjunto dos w ∈ Ω. Xk ≤ M ) k = n=1 P (Xn ≤ M ) = F k (M ). para a variável aleatória Y se n→∞ lim E |Yn − Y |r = 0. temos que P (|Xn | > ) = P (Xn = n) = 1 . n pois F k (M ) tende a zero. . . . . com função de distribuição F. tem probabilidade zero e.2. onde r > 0. Inicialmente. temos que para todo M nito. em que limn Yn (w) é nito. X2 .) ≤ P (Yn ≤ M : n = 1. converge na r-ésima Média. Seja M um número real. o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1. . Suponha que F (x) < 1.) = 0.3: Seja {Xn }n≥3 uma seqüência de variáveis aleatórias independentes com P (Xn = 0) = 1 − Mostre que Xn 0 cp1. Fazendo k → ∞. X2 ≤ M. .4 : P (Yn ≤ M : n = 1. . 2. quando k → ∞. . 2. log n 1 Logo. . ∀n ≥ 3. . Yn → ∞ cp1. portanto com probabilidade 1. .CAPÍTULO 2. . . para todo x < ∞.d. . P (lim Yn ≤ M ) = P (Yn ≤ M : n = 1. Y2 .2. Xk ) ≤ M ) = P (X1 ≤ M. . portanto. Autor: Leandro Chaves Rêgo . k ) = P (Yk ≤ M ) = P (max(X1 .2. . Dena Yn = max(X1 . ∀k ≥ 1. . CONVERGÊNCIA ESTOCÁSTICA 27 distribuição de probabilidade dada por: Exemplo 2. temos Exemplo 2. n P (|Xn | > ) = n log n = ∞. Dessa forma. Então. Convergência na r-ésima Média Denição 2. Solução: Para qualquer 1 1 e P (Xn = n) = . as variáveis Yn formam uma seqüência nãodecrescente de números reais. . .i. Notação: Yn →r Y . 2.5: A seqüência de variáveis aleatórias Y1 . observe que para cada ω ∈ Ω. . Xn ).

Portanto.2.CAPÍTULO 2. Mas EY = E (Xn − X ) = EXn − EX = 0 e COV (X. P (|Xn | > ) = P (Xn = n) e 1 log n → 0. Xn ) = 1 − 2 V arY = EY 2 = E (Xn − X )2 = EXn − 2EXn X + EX 2 = 1 − 2(1 − 2 ). ou seja. Convergência em Probabilidade Denição 2.3. onde as varáveis aleatórias têm distribuição normal conjunta. . Então. CONVERGÊNCIA ESTOCÁSTICA 28 Exemplo 2. . n Seja Yn = Xn − X .2. temos que ∀ > 0. Xn →P 0. COV (X. limn→∞ P (|Xn − X | > ) = 0. X ) = COV (Xn . para ≥ 1. então Xn →s X para s < r. . Portanto. todas com média 0 e matriz de covariância parcialmente descrita por 1 .2. √n 2 π 2 ∞ P (|Xn − X | > ) = P (|Yn | > ) = 2P (Yn > ) = 2 √ n ny2 √ e− 4 dy = 2 4π Logo. Exemplo 2. n+1 então Xn →2 Z se EZ 2 < ∞. X2 .6: Sejam Z. n n 1 − x2 √ e 2 dx. log n 0. X1 . Y2 . como Yn é uma combinação linear de variáveis aleatórias com distribuição normal. Pode-se provar que se Xn →r X . Mostre que Xn r 0. Xn r nr → ∞. Precisamos determinar então sua média e sua variância. variáveis aleatórias tais que Xn = n Z.2. . Yn ∼ N (0. Xn →P X .9: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2. . Solução: Temos que para 0 < < 1. 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. Mostre que Xn →P 0. X2 . . . mas não em caso contrário.. Notação: Yn →P Y . Autor: Leandro Chaves Rêgo . .8: A seqüência de variáveis aleatórias Y1 . Solução: Temos que E |Xn |r = nr P (Xn = n) = Logo. ∀ > 0. Como P (Xn = n) = lim P (|Xn | > ) = 0.7: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2. n ∞ 2 1 )+1= .2.2. para todo r > 0. converge em probabilidade para a variável aleatória Y se ∀ > 0 n→∞ lim P ({w : |Yn (w) − Y (w)| > }) = 0. X1 . .10: Considere X.3. ela também possui distribuição normal. Exemplo 2. Exemplo 2. P (|Xn | > ) ≤ P (Xn = n).2. Xn ) = 1.

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 . Fazendo n tender ao innito. . converge em distribuição para a variável aleatória Y se para todo ponto x de continuidade de FY n→∞ lim FYn (x) = FY (x). Yn →D Y . para todo Ω. Fn (x) = 1 1 se x ≥ n . . . Notação: Yn →D Y . FYn (y ) = P (max(X1 . . O próximo exemplo serve para ilustrar melhor este fato. e F (x) = 0 se x < 0. b > 0. Dena Yn = max(X1 .  0 y n n ( ) se 0 ≤ y < b. para n ≥ 1 seja Xn = n aceitável que deveríamos ter convergência de Xn para X . X2 . 1 se y ≥ b. que corresponde à função de distribuição de Y e. Claro. . Deve-se car atento que convergência em distribuição não implica nada em relação aos outros tipos de convergência. . . é independente e identicamente distribuída de acordo com F . .2.12: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias independentes com distribuição Uniforme em (0. Por exemplo. Vamos vericar que Yn →D Y . Denição 2..11: A seqüência de variáveis aleatórias Y1 . . . Temos  se y < 0. Xn ) e Y = b. Observe que 1 0 se x < n .13: Se uma seqüência de variáveis aleatórias Y1 .CAPÍTULO 2. .2. então para todo n tem-se que FYn = F .2. se justica para evitar 1 e X = 0. os valores de termos sucessivos são independentes e não exibem nenhum comportamento usual de convergência. . Exemplo 2. Xn ) ≤ y ) = FX1 (y ) =  b 1 se y ≥ b. Autor: Leandro Chaves Rêgo . mas uma noção de convergência de suas respectivas funções de distribuição acumuladas. Exemplo 2. 1 se x ≥ 0. . mencionado na denição acima. como a seqüência é independente. Y2 . portanto. b). temos que lim FYn (y ) = n 0 se y < b. Parece algumas anomalias. logo a seqüência converge em distribuição para qualquer variável aleatória X tal que FX = F . Y2 . . 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. qualquer que fosse o modo de convergência. O requisito de continuidade.

. p(0) = 1 = 0 = limn pn (0). Autor: Leandro Chaves Rêgo . variáveis aleatórias tais que P (X = 0) = 1 e P (Xn = 1/n) = 1. . não teríamos convergência em distribuição. Xn →D X . como o ponto 0 não é de continuidade de F .14: Seja X. f3 . . . X2 . são variáveis aleatórias discretas com P (Xn = xi ) = pn (i) e P (X = xi ) = p(i). como limn Fn (0) = 0 = F (0) = 1. 1. . σ 2 ). se 0 < x ≤ 1 F n ( x) =  1 . . f1 . temos limn Fn (x) = F (x) e. . Prova: Fora do escopo deste curso. CONVERGÊNCIA ESTOCÁSTICA 30 Portanto. . Desse modo se houvesse a exigência de convergência em todos os pontos.. Teorema 2. X1 . Porém. e FX (x) = 0 caso contrário. . note que para x = 0. então Sn converge em distribuição para qualquer variável aleatória com distribuição N (0. . se x > 1. Um exemplo mais complexo de convergência em distribuição pode ser visto na análise do limite de n 1 Sn = √ (Xi − EXi ). O próximo teorema estabelece duas condições sucientes para que uma seqüência de variáveis aleatórias convirja em distribuição. . onde  0 . . se x ≤ 0  sen 2nπx x(1 − 2nπx ) . . Neste. onde fn (x) → f (x) quando n → ∞ em quase todo lugar.. X1 . X1 . F3 . com função de distribuição acumuladas dadas respectivamente por F. uma seqüência de variáveis aleatórias: (a) Se X. O próximo exemplo mostra que se uma seqüência de variáveis aleatórias discretas converge em distribuição. F1 . . O próximo exemplo mostra que se uma seqüência de variáveis aleatórias absolutamente contínuas converge em distribuição. FXn (x) → FX (x). f2 . n i=1 onde Xi 's são variáveis aleatórias independentes e identicamente distribuídas. X2 . então Xn →D X . Entretanto. não necessariamente sua função probabilidade de massa converge. ou seja. não necessariamente sua função densidade de probabilidade converge. . temos FX (x) = 1 se x ≥ 0.2.2. ∀x = 0. . onde pn (i) → p(i) quando n → ∞ para todo i = 0.. . . Exemplo 2.CAPÍTULO 2. não temos limn Fn (x) = F (x) para todo x ∈ I R. são variáveis aleatórias absolutamente contínuas com densidades dadas respectivamente por f.2. . o Teorema Central do Limite arma que se V AR(Xi ) = σ 2 < ∞. então Xn →D X . F2 . X2 . . 2. . .16 : Considere uma seqüência de variáveis aleatórias X. X2 . Logo. .15 : Sejam X. X1 . e FXn (x) = 1 se x ≥ 1/n e FXn (x) = 0 caso contrário. (b) Se X. concluímos que Xn →D X . . Então. X2 . X1 . 3. Exemplo 2.

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

e o comprimento dos intervalos ca cada vez menor tendendo a 0. 2m 2m para m = 0. 1]. Note que tem-se 2m intervalos de comprimento 2−m que cobrem todo o intervalo [0. e somente se. 1. que é igual ao comprimento de In . Yn converge na r-ésima média para 0. ou seja. 1.2. Y2 . converge para zero quando n → ∞. e considere a seqüência de intervalos denida por I2m +i = [ i i+1 . A seqüência Y1 . Esta seqüência também converge na r-ésima média para todo r > 0. 2m − 1.2. . Logo. O próximo exemplo prova que nem convergência em probabilidade. para todo n→∞ lim P ({w : |Xn − X | > }) = 0. 1]. toda subseqüência {Xnk } possui uma outra subseqüência {Xnk(i) } tal que Xnk(i) → X cp1 para i → ∞. . Teorema 2. Logo.CAPÍTULO 2.19: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. e esta probabilidade. . . Portanto. 2.2. . o que implica que Yn não converge quase certamente. Então. e i = 0. nem convergência na r-ésima média implicam convergência quase certa. pois para 0 < ≤ 1. ]. |Xn − X |r ) ≥ E (I{w:|Xn −X |> } ). Prova: Primeiro note que |Xn −X |r r ≥ I{w:|Xn −X |> } . tem-se que r E( ou seja. . >0 Se Xn →r X . Yn (w) não converge para todo w. visto que E (|Yn |r ) = P (Yn = 1) → 0 quando n → ∞.18: Xn →r X ⇒ Xn →P X . Exemplo 2. converge em probabilidade para 0. . . Denamos Yn (w) = 1 se X (w) ∈ In . Yn (w) = 1 para um número innito de n's e Yn (w) = 0 para um número innito de n's. P (|Yn | ≥ ) = P (Yn = 1) = P (X ∈ In ). . CONVERGÊNCIA ESTOCÁSTICA 32 Teorema 2. 0 se X (w) ∈ / In . Xn →P X .20: Xn →P X se. O próximo teorema estabelece mais uma relação entre convergência quase certa e convergência em probabilidade. Autor: Leandro Chaves Rêgo . Porém para todo w ∈ Ω. tem-se que limn→∞ E (|Xn − x|r ) = 0. E (|Xn − X |r ) r ≥ P ({w : |Xn − X | > }). .

1 n 1 → 0. existe um > 0 e uma subseqüência {Xnk } tal que P (|Xnk − X | > ) > . temos que FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ. então Xn →P c. temos que ∀ > 0. FX (x − ) − P (|Xn − X | > ) ≤ FXn (x) ≤ FX (x + ) + P (|Xn − X | > ). ∞ ∞ −i então = 1 < ∞. Autor: Leandro Chaves Rêgo . ou seja.21: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. Portanto.2. and ∀n. n ). Se Xn não converge para X em probabilidade. Juntando as duas desigualdades. Teorema 2. Logo nenhuma subseqüência de {Xnk } pode convergir para X em probabilidade.2. X ≤ x − ⇒ Xn ≤ x ou |Xn − X | > de modo que FX (x − ) ≤ FXn (x) + P (|Xn − X | > ). logo pelo Teorema 2. n ). Considere a seguinte seqüência de varáveis aleatórias Yn (w) = 1 2n se X (w) ∈ (0.17. nenhuma subseqüência converge para X quase certamente.22: As seguintes relações entre os tipos de convergência são válidas: (a) Xn →P X ⇒ Xn →D X (b) Se Xn →D c. então dada qualquer subseqüência {Xnk }. suponha que Xn →P X e seja x um ponto de continuidade de FX . 1 Então. Queremos provar que FXn (x) → FX (x) quando n → ∞. para qualquer δ > 0. temos que P (|Xnk(i) − X | ≥ i−1 ) < 2−i . 1]. Seja Ai = {|Xnk(i) − X | ≥ i−1 }. P (Ai nitas vezes) = 1. |Xnk(i) − X | < i−1 exceto para um número nito de i's com probabilidade 1. mas E (|Yn |r ) = 2nr n → ∞. escolha uma Exemplo 2. Prova: Para parte (a). existe N tal que para n ≥ N . Logo. Xn ≤ x ⇒ X ≤ x + ou |X − Xn | > . Por outro lado. Como para > 0. Em particular. temos {w : Xn (w) ≤ x} ⊆ {w : X (w) ≤ x + } ∪ {w : |Xn (w) − X (w)| > }. CONVERGÊNCIA ESTOCÁSTICA 33 outra subseqüência {Xnk(i) } tal que j ≥ k (i) implica que P (|Xnj − X | ≥ i−1 ) < 2−i . 1 0 se X (w) ∈ / (0. n )) = O próximo teorema trata da relação entre convergência em distribuição e convergência em probabilidade.CAPÍTULO 2.2. onde c é uma constante. Portanto. Como Xn →P X . Logo. O próximo exemplo mostra que convergência em probabilidade não implica convergência na r-ésima média Prova: Suponha que Xn →P X . FXn (x) = P (Xn ≤ x) ≤ FX (x + ) + P (|Xn − X | > ). pelo Lema de Borel-Cantelli. P (|Yn | > ) = P (X (w) ∈ (0. temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0. Xnk(i) → X cp1.

1) são variáveis aleatórias i. Para parte (b).1 resume a relação entre os tipos de convergência. . limn→∞ FXn (x) = FX (x). Ou seja. Autor: Leandro Chaves Rêgo . A Figura 2. temos que FX (x) − 2δ ≤ FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ ≤ FX (x) + 2δ. Mostre que (b) Un →D U .2. Exemplo 2. Para n ≥ 1. Logo. tem-se que limn→∞ FXn (x) = 0. X2 . para sucientemente pequeno. como x é ponto de continuidade de FX . . se x > c.i. Xn ) e Un = nYn . se x < c e limn→∞ FXn (x) = 1.23: (a) Yn →P 0.1: Relação entre os tipos de convergência. Figura 2. para > 0. Pela convergência em distribuição. Dena Yn = min(X1 . Fc (x) = 0 se x < c. suponha que Xn →D c.CAPÍTULO 2. . Xn ∼ U (0. Note que a função de distribuição de uma variável aleatória constante c é: 1 se x ≥ c. Ou seja. P (|Xn − c| ≤ ) = P (c − ≤ Xn ≤ c + ) ≥ P (c − < Xn ≤ c + ) = FXn (c + ) − FXn (c − ) → 1 quando n → ∞. limn→∞ P (|Xn − c| > ) = 0. . ∀ > 0. CONVERGÊNCIA ESTOCÁSTICA 34 Finalmente. sendo U ∼ Exp(1).d.

. existir a mesma convergência em cada uma das variáveis que compõe o vetor aleatório. Xn > ). requeremos que a função de distribuição conjunta Fn (x) convirja para F (x). não podemos reduzir o estudo da convergência em distribuição de vetores aleatórios. diferentemente das convergências quase certa e em probabilidade. . Entretanto a recíproca não é em geral. que por sua vez converge para 1 − e−x quando n → ∞. Ou seja. se o vetor converge em distribuição então cada componente também converge em distribuição. note que P (|Yn | > ) = P (Yn > ) = P (X1 > . 2 1/2 essa norma é calculada por ||Xn − X || = ( k . Dessa forma. temos que Yn →P 0.3 Convergência de Vetores Aleatórios Para o caso vetorial as denições de convergência sofrem algumas adaptações. . em todos os pontos de continuidade da função F . Para as convergências quase certa e em probabilidade. note que FUn (x) = P (Un ≤ x) = 1 − P (Un > x) = 1 − P (nYn > x) = 1 − P (Yn > x/n) De acordo com a parte (a). mas o caminho inverso nem sempre é possível. Como os Xn são independentes temos que a última expressão é igual a (P (X1 > ))n = (1 − )n . ocorre se. para a correspondente marginal da função de distribuição limite. precisamos avaliar a proximidade entre os vetores aleatórios Xn e X pelo comportamento da norma da diferença entre eles. em uma das direções. lembremos que da função de distribuição conjunta podemos obter as marginais. Entretanto. Em geral. ao comportamento das suas respectivas coordenadas. 2. que é igual a FU (x). quase certamente ou em probabilidade. . Não temos equivalência. Para convergência em distribuição de vetores aleatórios. Autor: Leandro Chaves Rêgo . mas apenas implicação. Pode-se vericar que a convergência do vetor aleatório. CONVERGÊNCIA ESTOCÁSTICA 35 Solução: Para parte (a). onde k é a dimensão dos j =1 (Xnj − Xj ) ) vetores e Xnj a coordenada j do vetor Xn . X2 > . Para parte (b).CAPÍTULO 2. verdadeira. esta expressão é igual a 1 − (1 − x/n)n . Como (1 − )n → 0 quando n → ∞. e somente se. o caso multidimensional pode ser estudado a partir de repetidas aplicações do caso univariado. Por essa razão.

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

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

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

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

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

i. −(1 − α)2 2α sen(t) . Qual ϕY (t) = ϕ(t)ϕ−X2 (t) = |ϕ(t)|2 . temos ϕX (t) = Diferenciando mais uma vez. ϕ é função característica de X . Já que assume valores reais. ela for positiva denida. EX = Xi = 0 e EX 2 = 2α EX 2 − (EX )2 = ( (1− ).8: Seja ϕ(t) = cos(at). e somente se. resulta o valor 1. é contínua. X possuiria distribuição simétrica em torno de zero. temos que ϕ−X2 (t) = ϕ(−t) = ϕ(t). A prova da recíproca será omitida. de alguma variável aleatória se. Portanto. Como cos(at) = cos(−at).CAPÍTULO 3. ∞ ϕX (t) = EeitX = n=0 eitn e−λ λn (λeit )n it = e−λ = eλ(e −1) . 3. Poisson. positiva denida e aplicada em 0. (1 + α2 − 2α cos(t))4 ϕ (0) ϕX (0) i2 2α 2α = −( (1− ) = ( (1− ).2. P (X = a) = 1/2 = P (X = −a).2 Exemplos de Funções Características Bernoulli.9: Sejam X1 e X2 duas variáveis aleatórias i. Por P9 e P3.2. e somente se. Então. Teorema 3. e seja Y = X1 − X2 . como X1 e X2 são independentes. é evidente que uma distribuição simétrica concentrada nos dois pontos a e −a corresponderia a função característica ϕ. n! n! n=0 Autor: Leandro Chaves Rêgo ∞ . onde P (X = 1) = p = 1 − P (X = 0). FUNÇÕES CARACTERÍSTICAS 41 Solução: Diferenciando ϕX . Logo. Suponhamos que X ∼ P oisson(λ). Com efeito teríamos cos(at) = ϕ(t) = E cos(tX ).2. a função característica de Y ? Solução: Seja ϕ a função característica de X1 e X2 . Então. então por P7. Então. ϕX (t) = EeitX = peit + (1 − p). onde a > 0.2. se. Mostraremos que ϕ é função característica. se for função característica.d. pois a parte imaginária seria nula. por P5. α)2 Exemplo 3. Suponhamos que X ∼ Bernoulli(p).10: Uma função contínua ψ : R → C com ψ (0) = 1 é função característica Prova: Conforme propriedades já demonstradas. temos que Exemplo 3. (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 . V arX = −α)2 α)2 Portanto. se ϕ fosse função característica de alguma variável aleatória X . achando a distribuição correspondente.

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

. b b b b | gdFn − gdF | ≤ | gdFn − a gdFn |+| a gdFn − a gdF |+| a gdF − gdF | = I +II +III. então |g (x) − g (y )| < . b]. b] se para todo > 0.1 podemos escolher x0 . b] se |x − y | < δ . pois limx→−∞ F (x) = 0 e limx→∞ F (x) = 1. podemos escolher a sucientemente pequeno e b sucientemente grande tal que III < . xi+1 mni = (g (xi )− )(Fn (xi+1 )−Fn (xi )) ≤ xi g (x)dFn (x) ≤ (g (xi )+ )(Fn (xi+1 )−Fn (xi )) = Mni e xi+1 mi = (g (xi ) − )(F (xi+1 ) − F (xi )) ≤ xi g (x)dF (x) ≤ (g (xi ) + )(F (xi+1 ) − F (xi )) = Mi . É fácil provar que toda função contínua em um intervalo fechado é uniformemente contínua neste intervalo. i ∈ {0. existe δ > 0 tal que para todo x. Prova: Para −∞ < a < b < ∞. xi+1 mni − Mi ≤ xi 1 Uma g (x)dFn (x) − xi g (x)dF (x) ≤ Mni − mi . Para esses valores de a e b. No caso de F ser discreta. onde X é uma variável aleatória com função de distribuição F . xi+1 ]. Seja c = supx∈R |g (x)| < ∞ e seja b > 0. . Autor: Leandro Chaves Rêgo . Consideremos agora II . . . essa integral é equivalente a: g (xi )p(xi ). e para n sucientemente grande. Já que g é uniformemente contínua em [a. temos que I ≤ c(Fn (a) + 1 − Fn (b)) < 2 . xN tais que a = x0 < x1 < . . . onde a e b são pontos de continuidade de F . . N − 1}. . e como Fn converge fracamente para F . −∞ onde esta última integral é a integral de Riemann. . essa integral é equivalente a: ∞ g (x)f (x)dx.3.CAPÍTULO 3. função g é uniformemente contínua em [a.3: A integral g (x)dF (x) é a esperança de g (X ). < xN = b. Sejam a e b os pontos já escolhidos. . 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. ela é calculada utilizando a integral de LebesgueStieltjes. onde xi são pontos de continuidade de F e |g (x) − g (xi )| < para todo x ∈ [xi . para qualquer > 0. x1 . Então. i e quando F for absolutamente contínua com função densidade de probabilidade f . Então. FUNÇÕES CARACTERÍSTICAS 43 Observação 3. xi+1 Portanto. y ∈ [a. como a e b são pontos de continuidade de F .

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

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

onde Fnj → F fracamente. . ponto de continuidade de F e uma subseqüência F1 . . pelo Teorema da Continudade. temos 1 t t ϕ(s)ds = 0 1 t t 0 ∞ −∞ eisx dF (x)ds. . n onde a expressão nal é a função característica de uma variável aleatória P oisson(λ). temos que F (∞) − F (−∞) = 1.6: Suponha que a variável aleatória Xn tenha distribuição Binomial. ou seja. Solução: Pelo Teorema da Continuidade sabemos que ϕXn (t) → ϕX0 (t) e que ϕYn (t) → ϕY0 (t). Exemplo 3.3. F2 . Como essa subseqüência também satisfaz as condições do teorema. Xn →D Y .CAPÍTULO 3. tem-se que t 0 t ϕnj (s)ds → ϕ(s)ds. FUNÇÕES CARACTERÍSTICAS 46 Como ϕnj (t) → ϕ(t). −∞ Como ϕ(0) = limn→∞ ϕn (0) = 1.5: Suponha que Xn e Yn são independentes para cada n ≥ 0 e que Xn →D X0 lim ϕXn +Yn (t) = lim(ϕXn (t)ϕYn (t)) = ϕX0 (t)ϕY0 (t) = ϕX0 +Y0 (t). Portanto. então Se pn → 0 quando n → ∞ de tal modo que npn → λ > 0.d. (i) e (ii) implicam que existe uma subseqüência F1 . Prove que Xn + Yn →D X0 + Y0 . ou seja Fn (x) → a = G(x) = F (x). ϕXn (t) = EeitXn = (1 − pn + eit pn )n = (1 + pn (eit − 1))n = (1 + Autor: Leandro Chaves Rêgo . t = 0.. temos que F = G. Como Xn e Yn são independentes temos que ϕXn +Yn (t) = ϕXn (t)ϕYn (t). então npn (eit − 1) n it ) → eλ(e −1) . Para vericar isto relembre que podemos representar uma variável aleatória Binomial como a soma de variáveis aleatórias Bernoulli i. uma contradição. . . Como F e G possuem a mesma função característica (ϕ).3. ϕ é contínua em zero. Para terminar a prova suponha por contradição que Fn não convirja fracamente para F . 0 Igualando-se os limites iguais e dividindo-se por t. o que implica que F (∞) = 1 e F (−∞) = 0. pelo Teorema da Continuidade. e Yn →D Y0 . onde Y ∼ P oisson(λ). implica que ϕ é limitada e mensurável. existirão x. n n Logo. k n Xn →D Y. . ou seja. . tais que Fn (x) → a = F (x). P (Xn = k ) = n k p (1 − pn )n−k . Portanto. . 2.i. temos que Xn + Yn →D X0 + Y0 . 1. . F2 . e uma função de distribuição G tais que Fn → G fracamente. −∞ Fazendo t → 0 e usando a continuidade em s = 0 das duas funções ϕ(s) e tem-se ∞ ϕ(0) = 1dF (x) = F (∞) − F (−∞). Então. então pelo teorema da convergência dominada. n. Exemplo 3. k = 0. ∞ eisx dF (x). .

11: lim 1−p/n p in 1− n e t = 1. lim ϕXn (t) = n 0 . ou seja. Exemplo 3. e ϕ Xn (t) = ϕXn ( ) = p it e n n n Exemplo 3. 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 Yn →D Y0 . Em nossas aplicações assumiremos Autor: Leandro Chaves Rêgo .3.7: Suponha que Xn ∼ U (−n. S então seria o tempo total do serviço. e assume-se que ela é independente das parcelas Xi . Por exemplo. então Xn + an →D Y . se t = 0. se t = 0. Mostre que (a) Mostre que limn ϕXn (t) existe. note que pelo teorema da continuidade. Como lim ϕ Xn (t) = p it . A seqüência de variáveis aleatórias {Xn : n ≥ 1} é tal que cada Xn segue o modelo geométrico de parâmetro p/n.8: Prove que se Xn →D X . Temos que Xn n 1− n e n n → 0. temos que se existir tal que ϕX0 (t) seria sua função característica. para a e b constantes reais. 1).CAPÍTULO 3. para algum 0 < p < 1. Verique se ocorre Xn →D X para alguma variável aleatória X e obtenha sua distribuição. N pode ser o número de clientes.3. n −p/n 1−p/n t Solução: Temos ϕXn (t) = 11− . Xn →D X0 . onde X ∼ N (0. FUNÇÕES CARACTERÍSTICAS 47 Exemplo 3. se t = 0 . Como ϕX0 (t) não é contínua não pode ser uma função característica. nito.10: Se Xn e Yn são independentes para n ≥ 0. onde Y ∼ N (a.3. n). Encontre o limite em distribuição de Xn + Yn . Exemplo 3. Prove que se Xn →D X . N S= i=0 Xi . Para parte (b). então aXn + b →D aX + b.3. onde N é uma variável aleatória inteira e não negativa. (b) Existe alguma variável aleatória X0 tal que Xn → X0 ? Solução: Como ϕX (t) = temos que sen(nt) nt 1 . nós estudaremos somas de um número aleatório de variáveis aleatórias.4 Soma de um Número Aleatório de Variáveis Aleatórias Nesta seção. D 3.9: Seja {an : n ≥ 1} uma seqüência de números reais com an → a para a Exemplo 3. 1).3. se t = 0 1 .

i > 0} têm esperança igual a m. .} são independentes: ϕS (t) = EeitS = E (E (eitS |N )). Se as variáveis aleatórias {Xi . onde {Xi . Portanto. então E (S |N = n) = nm e ES = mEN . FUNÇÕES CARACTERÍSTICAS 48 que N = 0 signica que S = 0. nós podemos reescrever: ϕS (t) = ϕN (−i log ϕX (t)). . X2 . Para informações mais detalhadas sobre S . X2 . Autor: Leandro Chaves Rêgo Teorema 3. Por outro lado. onde utilizamos o fato que ϕ0 X = 1 = ϕX0 (t). . . Como assumimos que N é independente de Xi . nós provamos o seguinte teorema: Xi . ϕS (t) = n=0 P (N = n) i=0 ϕXi (t). . ou seja. nós vemos que escolhendo t em ϕN (t) de forma que eit = ϕX . então ϕS (t) = ϕN (−i log ϕX (t)). podemos calcular. e elas são independentes de N que é descrita pela função característica ϕN . Se as parcelas {X1 . i ≥ 1} são i. S = N i=0 . temos n E (S |N = n) = i=0 EXi . utilizando a hipótese de independência. . com função característica comum ϕX .i. vamos calcular sua função característica ϕS assumindo que as variáveis aleatórias {N. então ∞ ϕS (t) = n=0 P (N = n)ϕn X (t).1: Se N é uma variável aleatória inteira não-negativa. Note que a função característica de N é: ∞ ∞ ϕN (t) = n=0 P (N = n)eitn = n=0 P (N = n)[eit ]n .d.CAPÍTULO 3. X0 = 0 com função característica ϕX0 (u) = 1.4. n n E (e Logo. X0 = 0. X1 . Sabemos que ES = E [E (S |N )] e que n E (S |N = n) = i=0 E (Xi |N = n).} forem também identicamente distribuídas com função característica ϕX . Comparando as expressões de ϕS e ϕN . itS |N = n ) = E ( i=0 ∞ e itXi |N = n) = i=0 n ϕXi (t).

Autor: Leandro Chaves Rêgo . . Determine a distribuição de probabilidade de S o número total de clientes satisfeitos no tempo T . Pela unicidade da função característica. N Exemplo 3. Solução: Seja Xi ∼ Bernoulli(p). a independência de X e Y implica que ϕX +Y (t) = ϕX (t)ϕY (t). sabemos que ϕS (t) = ϕN (−i log ϕX (t)). . Substituindo temos: ϕS (t) = eλ(e i(−i log(peit +(1−p))) −1) = eλ(pe it +(1−p)−1) = epλ(e it −1) . onde ϕX (t) = peit + (1 − p) e ϕN (t) = eλ(e it −1) . também existe uma fórmula da inversão para a função característica multidimensional que pode ser usada para provar a unicidade da função característica: Teorema 3. Suponha ainda que com probabilidade p o i-ésimo cliente ca satisfeito com o atendimento. onde X0 = 0. Então temos. 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 : S= i=0 Xi .4.2: Teorema da Unicidade. A função característica multivariada tem propriedades análogas a todas as propriedades enunciadas para a função característica de uma variável aleatória. Xk . então X e Y têm a mesma distribuição.CAPÍTULO 3.5. . . Xk ) um vetor aleatório k -dimensional. As propriedades P1P4 e P7 são válidas com as óbvias modicações (a reta é substituída por I Rk ). a função característica determina a distribuição.1: Seja X = (X1 . 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 ).5. temos que S ∼ P oisson(pλ). a variável aleatória que descreve se o i-ésimo cliente cou ou não satisfeito com o atendimento. . Para P5. ∀t ∈ I Rk . supõe-se que X e Y sejam vetores de mesma dimensão.5 Função Característica de um Vetor Aleatório Denição 3. Quanto a P6. i ≥ 1. Em outras palavras. 3. é independente da probabilidade que clientes cam satisfeitos. Assuma que os clientes cam satisfeitos com o serviço de maneira independente e que N . Desta forma. Sob esta condição. FUNÇÕES CARACTERÍSTICAS 49 Suponha que N ∼ P oisson(λ) representa o número de clientes que são atendidos em um dado tempo T . . e podemos escrever: ϕX = ϕY ⇔ FX = FY .

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

o que contraria a hipótese. O problema de utilizar funções geratrizes de momento é que elas nem sempre existem. Seja g : I R→I R uma função contínua. Se a função geratriz de momento existe. . P (|X | > x) ≤ Ke−cx . Então. . n ϕX1 . ou seja. Se não fossem independentes. Antes disso.. com X e Y independentes. Teorema 3. ϕX. o mesmo ocorre com g (Xn ) para g (X ). . F onde I é um intervalo contendo 0 no seu interior. . uma convergindo em distribuição e outra em probabilidade. Um resultado semelhante vale para um número nito qualquer de vetores aleatórios. FUNÇÕES CARACTERÍSTICAS 51 Prova: Suponhamos primeiro que X e Y sejam variáveis aleatórias X e Y (m = 1.Y (x. . a função geratriz de momento de uma variável aleatória com distribuição de Cauchy não existe. .7 Teorema de Slutsky Nesta seção. Por exemplo. ∀t ∈ I. Logo. se Xn converge para X quase certamente. tn ) = j =1 ϕXj (tj ).. y ) = Eei(xX +yY ) = EeixX eiyY = EeixX EeiyY = ϕX (x)ϕY (y ). y ) = ϕX (x)ϕY (y ) pela parte inicial desta demonstração. respectivamente. ∀(x. . Xn são variáveis aleatórias. . . . no mesmo modo de convergência. ∀(t1 . Xn independentes se. 3. e somente se. Então a independência de X e Y é conseqüência do Teorema da Unicidade: se X e Y fossem independentes. Autor: Leandro Chaves Rêgo .Y (x.1: Uma função geratriz de momento F função de distribuição FX existe se. . Então. pode-se provar que ela também determina a função de distribuição. elas teriam função característica conjunta ϕX.6 Funções Geratrizes de Momento ˆX (t) de uma variável aleatória X com Denição 3. .. Consideremos o caso mais simples em que X1 . ˆX (t) := EetX < ∞. iremos provar que funções contínuas preservam convergência. suponha que ϕX. 3. em probabilidade ou em distribuição. são independentes. .Y (x. Pode-se provar que a existência da função geratriz de momento é equivalente a cauda da distribuição de X ser limitada exponencialmente. A prova no caso geral é análoga e omitida. estudaremos o Teorema de Slutsky que trata do comportamento da soma e do produto de variáveis aleatórias. y ) = ϕX (x)ϕY (y ) para todo (x.7.1: Sejam {Xn : n ≥ 1} e X variáveis aleatórias com funções de distribuição {Fn : n ≥ 1} e F . para algum K > 0 e c > 0. elas teriam uma função característica diferente. temos X1 .Xn (t1 . Reciprocamente. Então temos. y ) ∈ I R2 . . .6. . y ) ∈ I R2 .CAPÍTULO 3.. n = 1). tn ) ∈ I Rn .

{Yn : n ≥ 1} e X variáveis aleatórias tais que valem as convergências Xn →D X e Yn →P c. para que g (Xn ) →D g (X ). g (Xn (w)) → g (X (w)) para w ∈ Ac e. Finalmente. Observe que se P (An ) → 1. (iii) Se c = 0. Autor: Leandro Chaves Rêgo . basta a convergência das respectivas funções características. Prova: Prova de (i): Temos ϕXn +Yn (t) = E (eit(Xn +Yn ) ) = E (eit(Xn +c) ) + E [(eitXn )(eitYn − eitc )]. FUNÇÕES CARACTERÍSTICAS 52 e Xn (w) → X (w) para w ∈ Ac . Por hipótese temos. decorre do Teorema de Helly-Bray que ϕg(Xn ) (t) → E cos(tg (X )) + iE sen(tg (X )) = ϕg(X ) (t). então |g (x) − g (y )| < . Como as funções cos(tg (x)) e sen(tg (x)) são contínuas e limitadas na reta. Como é arbitrário. (i) Xn + Yn →D X + c. n n Observe que |eitXn | = 1 e. portanto. vem |E [(eitXn )(eitYn − eitc )]| ≤ E [|(eitXn )(eitYn − eitc )|] = E [|(eitYn − eitc )|]. considere que Xn →D X . Como g é contínua. logo para > 0 arbitrário existe δ tal que 0 < δ ≤ m/2 e se x. |Xn | ≤ m. Dado > 0 arbitrário. |Xn − X | < δ ] ⊆ [|X | ≤ m. m] e |x − y | < δ . temos que P (|X | ≤ m/2. Teorema 3. ou seja g (Xn ) →P g (X ). g (Xn ) → g (X ) cp1. Considere que Xn →P X e vamos vericar que g (Xn ) →P g (X ). então P (An ∩ A) → P (A). |Xn − X | < δ ) → P (|X | ≤ m/2) > 1 − . |Xn − X | < δ ] ⊆ [|g (Xn ) − g (X )| < ]. Então. (ii) Xn Yn →D cX . com c constante. Xn Yn →D X . será uniformemente contínua no intervalo fechado [−m. assim. existe um conjunto A ∈ F tal que P (A) = 0 [|X | ≤ m/2. ∀t ∈ I R. Mas Prova: Suponha que Xn → X cp1.CAPÍTULO 3.7. Então. logo P (|g (Xn ) − g (X )| < ) > 1 − 2 para n sucientemente grande. Por denição. Portanto.2: Considere {Xn : n ≥ 1}. lim E (eit(Xn +c) ) = lim eitc E (eitXn ) = eitc E (eitX ) = E (eit(X +c) ). A função g sendo contínua em I R. y ∈ [−m. para t xo. c desde que P (Yn = 0) = 1. como P (|Xn − X | < δ ) → 1. Pelo Teorema da Continuidade de Levy. ϕg(Xn ) (t) = Eeitg(Xn ) = E cos(tg (Xn )) + iE sen(tg (Xn )). m]. temos que P (|g (Xn ) − g (X )| < ) → 1 quando n → ∞. xemos m grande o suciente tal que P (|X | > m/2) < . pois P (An ) + P (A) − 1 ≤ P (An ∩ A) ≤ P (A) e P (An ) + P (A) − 1 → P (A).

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

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

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

onde Sn é o número de ocorrências do evento A em n realizações do experimento temos que Sn /n = fA . 05.5: Peças são produzidas de tal maneira que a probabilidade de uma peça ser defeituosa é p (admitida desconhecida).05(0 . poderemos empregar o fato de que p(1 − p) toma seu valor máximo quando p = 1/2. 01)2 p(1−p) p(1−p) ou seja. 95 para que a freqüência relativa dira de p = P (A) por menos do que. o que é equivalente a n ≥ 0. e: P (|fA − p| ≥ 0. temos que 56 P (|Sn − ESn | ≥ n ) ≤ V ar(Sn ) c ≤ 2 → 0. 01 por δ e . estamos certamente seguros se armamos que para n ≥ 4 1 2 δ teremos P (|fA − p| < ) ≥ 1 − δ. 01.05) 2 0. Substituindo os (0.1) Corolário 4.01)2 . 01) ≤ p(1 − p) . Nesse caso. Autor: Leandro Chaves Rêgo . digamos n. X1 . 05. teremos P (|fA − p| < ) ≥ 1 − δ sempre que n ≥ p(1 − p) . X2 . deveremos aplicar a última fórmula com 1 = 0.4: Lei dos Grandes Números de Bernoulli. não poderemos empregar o limite acima. e integráveis com média µ = p.2. 05? Solução: Porque não conhecemos o valor de p. não conhecemos o valor de p = P (A) e. δ ( )2 Em muitos problemas. Consideremos uma seqüên- cia de ensaios binomiais independentes. Um grande número de peças. 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. ou. são i. Exemplo 4. δ = 0. 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. então Sn P → p n Prova: Seja Xn = 1 se o n-ésimo ensaio é sucesso.2. Se Sn é o número de sucessos nos primeiros n ensaios. Deste modo encontraremos que se n ≥ 4(0. a condição exigida será satisfeita.01? Utilizando a equação (4.CAPÍTULO 4. queremos que n ≤ 0. a Lei Fraca de Chebyshev np n implica que Sn − →P 0. são classicadas como defeituosas ou perfeitas. . e esse valor máximo é igual a 1/4. V arSn = np(1 − p).000. por isso. 2 n2 n (4. n(0. tendo a mesma probabilidade p de sucesso em cada ensaio. 0. ESn = np.i. digamos. respectivamente. equivalentemente. .01 = 10. Então. Xn = 0 caso contrário.d. S →P p.1). 05 e 0. Como V arXn = p(1 − p). . Conseqüentemente. LEI DOS GRANDES NÚMEROS Pela desigualdade de Chebyshev.01)2 valores especícos de 0.

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

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

Xk . as duas são funções de famílias disjuntas de variáveis independentes. logo são independentes e a esperança fatora: E ((Sn − Sk )Sk IAk ) = E (Sn − Sk )E (Sk IAk ).3. 2 ESn n ≥ k=1 λ2 P (Ak ) = λ2 P (A). 2 2 ESn IAk ≥ ESk IAk + 2E ((Sn − Sk )Sk IAk ). 2 2 2 2 2 < λ 2 . temos 2 2 ESn IAk ≥ ESk IAk ≥ Eλ2 IAk = λ2 P (Ak ). . n n Autor: Leandro Chaves Rêgo . . para 2 ≤ k ≤ n. ponha que Teorema 4.3: Sejam X1 . . + Xn e Sk IAk depende só de X1 . Sk ≥ λ ]. . X1 + . . . . . + Xn (EX1 + . Para tanto. Sk Ak = [S1 −1 < λ . . LEI DOS GRANDES NÚMEROS 59 2 Prova: Queremos uma cota superior para P (max1≤k≤n Sk ≥ λ2 ). . o truque é escrever 2 2 2 Sn = (Sn − Sk )2 + Sk + 2(Sn − Sk )Sk ≥ Sk + 2(Sn − Sk )Sk . Como E (Sn − Sk ) = 0. ou seja. denamos: 2 A1 = [S1 ≥ λ2 ]. (4. . . e não vale necessariQueremos substituir Sn por Sk 2 amente Sn ≥ λ2 ). S2 ≥ λ2 ]. 2 2 A2 = [S1 < λ 2 . ESn k=1 2 2 2 no somatório (pois Sk ≥ λ2 em Ak . Vamos decompor A conforme a primeira vez que Sk ≥ λ2 . as Xn satisfazem a Lei Forte dos Grandes Números. Como Sn − Sk = Xk+1 + . . IA = n 2 2 ≥ Sn IA = Sn k=1 2 2 ≥ Sn IAk ⇒ ESn n k=1 IAk n e 2 IAk .3) Portanto. 1 1 2 ESn = 2 V arSn . n2 Então. seja A = 2 2 [max1≤k≤n Sk ≥ λ2 ]. . . e su∞ n=1 V arXn < ∞. Então os Ak são disjuntos e A = ∪n k=1 Ak . + EXn ) − → 0 quase certamente. 2 λ λ logo P (A) ≤ O próximo teorema é conhecido como Primeira Lei Forte de Kolmogorov. Portanto. Logo.CAPÍTULO 4. . variáveis aleatórias independentes e integráveis. . X2 .

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

Logo. ou seja n √ √ √ 1 + 2 + ··· + n X− → 0 cp1. 3 Logo. Calcule o limite quase-certo de X . para cada n ≥ 1√ . Xn variáveis aleatórias independentes com Xn ∼ P oisson( n). . X → ∞ cp1. . 3 1+ 2 + ··· + n √ n ≥ 2n1/2 → ∞. Prova: Pelo teste da integral. . X2 . Solução: Como V arXn = n.3. 2 x j j j n j j −1 x dF (x) = j =−n+1 2 x2 dF (x). .3. pode-se vericar que X− √ Portanto. ∞ ( n=1 1 n2 n −n x2 dF (x)) < ∞. note que para j = 1. temos ∞ n= j 1 1 1 = 2+ 2 n j n2 n=j +1 ∞ j ∞ 1 ≤ 2+ j Como n −n 1 1 1 2 dx = 2 + ≤ .5 : Então.CAPÍTULO 4.4 : Sejam X1 . . n Pelo teste da integral. . Antes de enunciarmos e provarmos a Segunda Lei Forte de Kolmogorov. considere o seguinte lema: Lema 4.. LEI DOS GRANDES NÚMEROS 61 Exemplo √4. a primeira Lei Forte de Kolmogorov implica que EX1 + · · · + EXn → 0 cp1. 2. Autor: Leandro Chaves Rêgo . Seja X uma variável aleatória integrável com função de distribuição F . . 1+ √ √ 2 + ··· + √ √ n n≥ 0 √ 2n3/2 xdx = . temos que ∞ n=1 V arXn = n2 ∞ √ n n=1 n2 < ∞.

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

Mostre que a seqüência {Xn Grandes Números. ou seja P (Zn = 0 innitas vezes) = 0. seja F a função de distribuição comum. Mas se Zn = 0 para n sucientemente grande. Isso signica que P (Zn = 0 para todo n sucientemente grande) = 1. + Zn Z1 + . precisamos mostrar que 2 2 2 = V arXn + (EXn )2 = λ é nita para todo n. Mas. EYn = E (Xn I[−n<Xn ≤n] ) = E (X1 I[−n<X1 ≤n] ) → EX1 = 0. LEI DOS GRANDES NÚMEROS Mas os eventos An = [Zn = 0] satisfazem ∞ ∞ ∞ 63 P (An ) ≤ n=1 n=1 P (|Xn | ≥ n) = n=1 P (|X1 | ≥ n) ≤ E |X1 | < ∞. + Zn → 0.3. onde a última desigualdade decorre do Lema 4. (b) decorre da primeira Lei Forte de Kolmogorov. é suciente mostrar que EYn → 0. Borel-Cantelli implica que P (An innitas vezes) = 0. Solução: De acordo com a Segunda Lei Forte de Kolmogorov. . ∞ n=1 V ar(Yn ) ≤ n2 ∞ n=1 1 n2 n −n x2 dF (x) < ∞. então Zn → 0 e Z1 + .5.CAPÍTULO 4. . n n Para provar (b). Para provar (c). Portanto. são independentes e todas têm distribuição 2 : n ≥ 1} satisfaz a Lei Forte dos Exponencial de parâmetro λ. . Como EXn EXn 2 < ∞. Portanto. Exemplo 4. n ≥ 1. F = FXn . temos que a seqüência 2 : n ≥ 1} satisfaz a Lei Forte dos Grandes Números.7: As variáveis Xn . 2 E (Yn ) = 2 E (Xn I[−n<Xn ≤n] ) n = −n x2 dF (x). Como Yn = Xn I[−n<Xn ≤n] . logo P ( → 0) = 1. .3. Veriquemos a condição da primeira Lei Forte de Kolmogorov para as variáveis aleatórias Yn . pelo teorema da convergência dominada que se aplica pois |X1 | domina X1 I[−n≤X1 ≤n] 's e é integrável. {Xn Autor: Leandro Chaves Rêgo . temos V ar(Yn ) ≤ Portanto.

∀k. Agora. n Teorema 4. n n| Fazendo Bk = [ |X ≥ k innitas vezes].3. 1| Prova: Se E |X1 | = ∞.d. Se E |X1 | = ∞. n (n − 1) n |Sn | n então |Sn−1 | n é ilimitada se. . basta mostrar que se |X é n n |Sn | ilimitada..9: Sejam X1 . para todo k . Mas o |Xn | evento ∩∞ k=1 Bk é o evento  n > k para um número innito de n. a seqüência temos que |Sn | n não é limitada. Para terminar a prova. . para n k=1 (− log(Xk )) quando n → ∞. ou seja. . então com probabilidade 1. De acordo com Lema 4. é n| n| o evento a seqüência |X é ilimitada. temos |Sn − Sn−1 | |Sn | |Sn−1 | |Xn | = ≤ + . Solução: Vamos tentar usar a Lei Forte dos Grandes Números.. 1). então S n um limite nito (= EX1 ) com probabilidade 1. . pois a intersecção de um n número enumerável de eventos de probabilidade 1 também tem probabilidade 1. quase certo. LEI DOS GRANDES NÚMEROS 64 n 1 modelo Uniforme contínuo em (0. com probabilidade 1. k ∞ P( n=1 |X1 | ≥ n) = ∞. para k = 1. Portanto. . Para isso. |Sn−1 | (n − 1) |Sn−1 | = · . então. . 0 Portanto. os eventos An = [ |X ≥ k ] são independentes.. A recíproca diz que se as Xn não forem n integráveis. ∀k. variáveis aleatórias independentes e identicamente distribuídas. .CAPÍTULO 4. n n n n para n = 1. com S0 = 0. temos P (∩∞ k=1 Bk ) = 1. temos que 1 n n k=1 (− log(Xk )) Por m nós enunciaremos e provaremos a Recíproca da Lei Forte de Kolmogorov.1. . Calcule o limite. se Mas. Autor: Leandro Chaves Rêgo . S não convergirá para um limite nito.8: Seja {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. 1 Exemplo 4. e Borel-Cantelli n implica |Xn | P( ≥ k innitas vezes) = 1. então |Sn | n é ilimitada ou |Sn−1 | n é ilimitada.i. k |X n | ≥ n) = k ∞ Como as variáveis Xn são identicamente distribuídas. e somente se. 2. precisamos calcular E (− log Xk ). n n| Por independência dos Xn . 1 dx = 1. temos ∞ P( n=1 |X1 | ≥ n) = k ∞ P( n=1 P( n=1 |Xn | ≥ k ). também for. |Xn | n é ilimitada. X2 . . então n também é ilimitada.3. seguindo o E (− log Xk ) = 0 − log xdx = −x log x|1 0+ → 1 cp1. 2.3. n converge para A Lei Forte arma que se as variáveis aleatórias Xn são integráveis. então E ( |X ) = ∞.

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

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

1). Então. Suponha que N é uma variável aleatória com distribuição N (0. se Sn = X1 + . Como a função característica de uma soma de variáveis aleatórias independentes é igual ao produto das funções características das variáveis aleatórias. Nós iremos agora enunciar e provar alguns desses teoremas. Autor: Leandro Chaves Rêgo . tem-se que X √ it √1 ϕn (t) = (E (e n ))n = ϕn (t/ n). σ n 2 Prova: Sem perda de generalidade. variáveis aleatórias iid com E (Xn ) = µ e V ar(Xn ) = σ 2 . pode-se provar o resultado para Xi∗ = já que E (Xi∗ ) = 0 e E (Xi∗ )2 = 1). tem-se t2 t2 ϕ(t) = 1 − + e(t). Teorema 5. Então. . Logo. .1: Sejam X1 . distribuídas de acordo com a distribuição de Bernoulli com parâmetro p. . X2 . 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. temos que ϕ (θ(t)) − ϕ (0) → 0 quando t → 0. então Sn − nµ D √ → N. P (Xi = 1) = p = 1 − P (Xi = 0) para 0 < p < 1. este caso é conhecido como Teorema Central do Limite de De Moivre e Laplace. 2 onde |θ(t)| ≤ |t|. Como os dois primeiros momentos existem. + Xn . 2n 2n 2n n n n t quando n → ∞. Xn . . .2. 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). Então.2. X2 . 2 2 onde e(t) = ϕ (θ(t)) + 1 e limt→0 e(t) = 0. . σ Seja ϕn (t) = E (e n ) e ϕ(t) = E (eitX1 ).CAPÍTULO 5. 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. temos que t2 ϕ (θ(t)). para t xo ϕ(t) = 1 + tϕ (0) + −t2 t t2 t2 t −t2 t ϕn ( √ ) = [1 − + e( √ )]n = [1 + [1 − e( √ )]]n → e 2 . . como ϕ é contínua em 0. k utilizando a expansão de Taylor de ϕ e o fato que ϕ(k) (0) = ik E (X1 ). seja E (Xn ) = 0 e E (Xn ) = 1 (caso este não seja o caso. 1). ϕ possui duas derivadas contínuas. Sn it √ Xi − µ . . ou seja. uma seqüência de variáveis aleatórias independentes e Sn − np np(1 − p) →D N (0. 1). . Corolário 5.2: Seja X1 . Se Sn = X1 + X2 + . 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

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

Como µk = EXk = 0 e 2 σk = V ar(Xk ) = 2 EXk 1 = 2k n k2 x dx = . uma seqüência de vetores aleatórios k -dimensionais. . temos 3 −k 2 k s2 n = k=1 k2 . Então. Σ). quando n → ∞. . →D Solução: Vamos vericar a condição de Liapunov para δ = 1. 3 n 9 Então.9: Sejam X1 .1 : Seja X1 . denida como a média aritmética dos vetores X1 . 3 Portanto. . aplicando o resultado do Lema. Xn ∼ U [−n. nós enunciamos formalmente o teorema sem prová-lo.CAPÍTULO 5. independentes e identicamente distribuídos. n].3 Teorema Central do Limite: Caso Multivariado Concluímos dizendo que o Teorema Central do Limite também pode ser estendido ao caso de vetores aleatórios. X2 . Teorema 5.2. Prove que N (0. Suponha que X1 tenha variância nita. A seguir. . Neste caso. e sejam µ a média e Σ a matriz de covariância de X1 . Vamos determinar a ordem de s3 n . o Lema anterior implica que n k=1 E |Xk − µk | é da ordem de n . tem-se que a distribuição da média amostral centrada converge para uma distriuição normal multivariada. TEOREMA CENTRAL DO LIMITE 73 Sn −ESn sn Exemplo 5. X2 . Autor: Leandro Chaves Rêgo . independentes. 1 lim n→∞ s3 n = 93/2 · n9/2 E |Xk − µk | = lim ( 3 · n→∞ sn k=1 3 n n k=1 E |Xk − µk |3 1 · 1/2 ) 4 n n 1 1 · lim 1/2 = 0. . Temos E |Xk − µk |3 = E |Xk |3 = 1 2k k −k |x|3 dx = 1 k k 0 x3 dx = k3 . Xn . . Seja X n a média amostral. . √ n(X n − µ) →D N (0. . 1). . .3. . 4 3 4 Logo. 16 n→∞ n 5. temos: s2 1 n → .

Façamos N = max(n1 . O resultado está provado se escolhermos K = max(|K1 |. τ 2 ). então √ n[f (Tn ) − f (θ)] →D N (0.4 Método Delta O método Delta é um resultado que aumenta signicativamente a relevância do Teorema Central do Limite. Antes de enunciarmos o teorema.CAPÍTULO 5.4. vamos provar dois lemas.4. Como Xn = o(Yn ). e então √ n[f (Tn ) − f (θ)] = √ √ n(Tn − θ)f (θ) + o( n(Tn − θ)). Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H (K1 ) > 1 − /4 e H (−K2 ) < /4. Yn | |Xn | > ⇒ |Yn | > K . |K2 |). Dizemos que uma seqüência de variáveis aleatórias {Yn } é limitada em probabilidade se para todo > 0. (5. Como {Yn } é limitada em probabilidade. precisamos mostrar que existe N tal que P (|Xn | > ) < δ para todo n ≥ N . existir K e n0 tal que P (|Yn | ≤ K ) > 1 − para todo n > n0 . Prova: Utilizaremos a versão da série de Taylor em torno de Tn = θ que diz que: f (Tn ) = f (θ) + (Tn − θ)f (θ) + o(Tn − θ).2) desde que f (θ) exista e não seja zero. existe K e n1 tal que P (|Yn | ≤ K ) > 1 − δ para todo n ≥ n1 . sabemos que existe n| n2 tal que ||X < K para todo n ≥ n2 . ∀n > n0 .4. então para n ≥ N . Lema 5. Então. τ 2 [f (θ)]2 ). TEOREMA CENTRAL DO LIMITE 74 5. Hn (K1 ) > H (K1 ) − /4 > 1 − /2 e Hn (−K2 ) < H (−K2 ) + /4 < /2. Escolhamos n0 tal que. Autor: Leandro Chaves Rêgo .3: Se √ n(Tn − θ) →D N (0. Teorema 5. Lema 5.2: Se {Yn } é limitada em probabilidade e Xn = o(Yn ). Logo P (|Xn | > ) ≤ P (|Yn | > K ) < δ. P (−K2 ≤ Yn ≤ K1 ) ≥ Hn (K1 ) − Hn (K2 ) > 1 − . n2 ). então a seqüência é limitada em probabilidade.1: Se {Yn } converge em distribuição para uma variável aleatória com função de distribuição H . Prova: Dados quaisquer > 0 e δ > 0. então Xn →P 0.

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

Exemplo 5.d. TEOREMA CENTRAL DO LIMITE 76 desde que a derivada de f exista em θ e seja diferente de 0.i. θ = σ 2 . σ 2 ).4.5: Poisson. 2θ 2 Fazendo c = 1. √ c f (λ) = √ ou f (λ) = 2c λ. 1). temos θ = λ e τ (θ) = λ. 1). Logo. e τ 2 (θ) = 2θ2 . temos √ n(Y − σ 2 ) →D N (0. 2 σ Autor: Leandro Chaves Rêgo .6: Chi-Quadrado. N (0. EYi = σ 2 e V arYi = 2σ 4 e pelo Teorema Central do Limite. temos que √ √ 2 n( X − λ) →D N (0. c c f (θ) = √ ou f (θ) = √ log θ. λ Fazendo c = 1. vemos que n Y log( 2 ) →D N (0. 2σ 4 ). Seja Yi = Xi2 . A distribuição limite do lado direito terá portanto variância constante c2 se f (θ) = τ (cθ) . Logo. √ Exemplo 5. onde as Xi 's são i. No caso de Poisson. ou seja. A transformação resultante é dita ser estabilizadora de variância. Então. Tn = Y .CAPÍTULO 5.4.

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

Sign up to vote on this title
UsefulNot useful