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

dizer que o número real a é limite da sequência (xn ) signica armar que.. temos que 0 ≤ xn ≤ 3 para todo n ∈ I N . −32. −8. Ela é limitada..) ou (xni )i∈I N para indicar a subsequência x . não é limitada inferiormente nem superiormente. não-crescente). Com um pouco mais de precisão: estipulando-se um erro por meio de um número real > 0. . 1.1 Limite de uma sequência Intuitivamente.. uma subsequência de x é y = (4.7: xn = 1/n para todo n ∈ I N . . 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 ). −2. . . .1. 64. . uma subsequência de (xn ) é um sequência (portanto. para valores muito grandes de n.6: xn = 1 para todo n ímpar. Exemplo 1. O próximo exemplo. mas o mesmo não é verdade em w. uma subsequência de x é a restrição da função x a um subconjunto innito I N = {n1 < n2 < . 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 .). . −8. ou seja.1. xni . e xn = −1 para todo n par. . a sequência xn = n2 é ilimitada. a sequência xn = (−2)n é ilimitada. . . As sequências crescentes. Exemplo 1. (resp. Autor: Leandro Chaves Rêgo . Por outro lado. . . 256. para todo n ∈ I N . 16. 16) não é uma subsequência de x. . por exemplo. Formalmente. . xn ≥ xn+1 ) para todo n.1. 16. x1 > x2 > x3 > . porém não é monótona. mas limitada inferiormente pois xn ≤ 0 para todo n. a sequência diz-se não-decrescente (resp. e temos x(I N ) = {−1.1. Exemplo 1. Se vale xn ≤ xn+1 (resp. pois não é uma sequência já que possui apenas 2 termos. Escreve-se x = (xn )n∈I N. os termos xn tornam-se e se mantém tão próximos de a quanto se deseje. −32. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 2 ilimitadas que são limitadas inferiormente ou superiormente.). ou (xn1 . .) não é uma subsequência de x já que os termos em w não aparecem na mesma ordem em que aparecem em x. decrescentes e não-crescentes são chamadas sequências monótonas. Por outro lado.CAPÍTULO 1. Neste caso.4: Seja a sequência x = (−2.1. 4. . não-decrescentes. Exemplo 1.1. pois por exemplo. . . 16. dada uma sequência x. Dada uma sequência (xn ) de números reais. . Ela é monótona decrescente e limitada. em geral. . temos que x(I N ) = {0}. não-crescente e não-decrescente. . 1}. 64. Ela é limitada.). z = (4. −128. ilustra melhor a questão.3: A sequência xn = 1 + é limitada. < ni < . existe um índice n0 (que depende de . Finalmente. Também temos que w = (4. .. xn2 .} de I N . Uma sequência chama-se crescente (resp. Formalmente. 1 n Exemplo 1. decrescente) quando x1 < x2 < x3 < .5: xn = 0. . . 64.

existe um número natural n0 tal que xn > M (resp.8: O número real a é limite da sequência (xn ) de números reais. para n grande.12: A sequência xn = n + (−1)n é divergente. temos que |xn − 1| < . quando para todo número real > 0.1. com exceção de no máximo um número nito de índices n (os termos de x1 até xn0 ). 4M }. Como a denição implica que para qualquer > 0 arbitrário. então para todo n > n0 .1. temos que para todo número real > 0. Quando limn xn = a. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 3 a = limn xn . Reciprocamente.CAPÍTULO 1. dado qualquer n2 . salvo talvez um número nito de índices n. −∞). Para isto notamos que 3n > n+10 n+10 2 2 Exemplo 1. A equivalência se dá pelo fato que K também é um número positivo e pode se tornar tão pequeno quanto se deseje apenas fazendo ser um número pequeno também. a + )). ou tende para a e escreve-se xn → a. existe um número natural n0 tal que |xn − a| < K . Dentre as sequências divergentes destacamos duas que possuem limites innitos: Denição 1. n/4 > M se n > 4M . a sequência ca oscilando entre vizinhanças dos números -1 e 1. teremos n > n0 ⇒ n2 + 1 > M. Logo. quando para alguma constante K real positiva. n > n0 ⇒ |xn − 0| < . para n > 1 e ímpar. Pois. quando para todo número real M > 0.11: Vamos provar que limn 3n = ∞. então lim xn = a. ou seja. vale a desigualdade +1 +1 Exemplo 1. temos 1/n < 1/n0 < . então qualquer intervalo (a − . Observe que se limn xn = a. diz-se que a sequência (xn ) converge para a. e escreve-se Denição 1. ela se chama divergente. para n > 1 e par. Por outro lado. sempre que n > n0 . xn < −M ). a + ). sempre que n > n0 . tomando n0 = max{10. Note que dado qualquer > 0.9: Uma sequência (xn ) de números reais tem limite ∞ (resp. temos que |xn + 1| < . 3n + 10 1 Exemplo 1. e que para n ≥ 10. Autor: Leandro Chaves Rêgo .1. de centro a e raio > 0. contém todos os termos xn da sequência. Do contrário. sempre que n > n0 . podemos escrever de forma equivalente a denição da seguinte maneira: o número real a é limite da sequência (xn ) de números reais. a distância entre xn e a se torna menor que para n sucientemente grande. limn xn = −∞). Portanto.1. se qualquer intervalo de centro a contém todos os xn . > 0 existe n0 > 1/ .. e escrevese limn xn = ∞ (resp. 3n+10 n2 n2 n2 n ≥ = = . 3n + 10 3n + n 4n 4 Por sua vez.10: A sequência xn = 1/n para todo n converge para 0..1. existe um número natural n0 tal que |xn − a| < (o que é equivalente a xn ∈ (a − .. Uma sequência que possui limite chama-se convergente.

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

1. mostrar que uma certa sequência não converge: basta obter duas subsequências de (xn ) com limites distintos. inferior) para A como sendo qualquer número real c tal que c ≥ x (resp. Consideremos o conjunto nito F = {x1 . xn ∈ / (b − . . para n ≤ n0 . a−1. Teorema 1. tomemos = |b− .19: Toda sequência convergente é limitada. 1.16: Se limn xn = a. inferior) de A. . Uma delas é para Exemplo 1. portanto. temos que os intervalos 2 (a − .15: (Unicidade do limite). existe n0 tal que n > n0 implica que xn ∈ (a − . se A = (−1. Note que o supremo e/ou o ínmo de um conjunto.1. Teorema 1. xn0 . então toda subsequência de (xn ) converge para o limite Prova: Seja (xni ) uma subsequência de (xn ). tomando Autor: Leandro Chaves Rêgo . a + ) e (b − . mostraremos que não se tem a| limn xn = b.18: A sequência (1. como limn xn = a.) não é convergente pois admite duas subsequências constantes que convergem para limites diferentes. todos os termos xn da sequência estão contidos no intervalo [c. a. a + ). Por exemplo.16. maior) cota superior (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. Então. c ≤ x) para todo x ∈ A. Então. A seguir provaremos alguns resultados sobre limites. = 1. ni > ni0 ⇒ ni > n0 . temos que c ≤ a − 1 < xn < a + 1 ≤ d. .1. 0. então a = b. . Para isso.1. porém limx→∞ f (x) = 1. No exemplo. se sabe que converge: basta determinar o limite de alguma subsequência. Dado qualquer número real b = a. . .1. .1. Se limn xn = a e limn xn = b. existe n0 ∈ I N tal que n > n0 ⇒ |xn − a| < .15 e 1. a+1). Então.17: Há duas aplicações dos Teoremas 1. temos que supA = 1 e inf A = −1. a+1}. b + ) são disjuntos. existe entre eles um ni0 > n0 . considere a função real f (x) tal que f (x) = 0 para x ∈ /I N e f (x) = 1 para x ∈ I N . Por exemplo. 1]. No exemplo anterior. Ele será o limite procurado. temos que xn = f (n) = 1 para todo n ∈ I N. e. Observação 1. é óbvio que c ≤ xn ≤ d e para n > n0 . Dene-se como o supremo (resp. Prova: Seja limn xn = a. Dado > 0. b + ) para todo n > n0 . 0.1. Logo. ao contrário de seu máximo e mínimo. Teorema 1. Seja c o menor e d o maior elemento de F . note que inf A ∈ / A. xn → 1. então qualquer número maior ou igual a 1 é uma cota superior para A e qualquer número menor ou igual a -1 é uma cota inferior para A. x2 . Então. 1. Logo. Dada um conjunto de números reais A. Logo limi xni = a. Com essa escolha de . ínmo) de um conjunto A a menor (resp. Como os índices da subsequência formam um subconjunto innito. o que por sua vez implica que |xni − a| < . d]. dene-se como uma cota superior (resp. o fato da sequência convergir para um certo limite L não implica que a função real tenderá a L quando x → ∞. vemos que existe n0 ∈ I N tal que n > n0 ⇒ xn ∈ (a−1. Ora. logo a sequência é limitada. Prova: Seja a = limn xn . A outra é para determinar o limite de uma sequência (xn ) que. a priori. limn xn = b. não precisam ser elementos do conjunto.CAPÍTULO 1.

}. seja (x1 ≤ x2 ≤ . O caso da diferença xn − yn se trata do mesmo modo. limn xn = a. .20: Toda sequência monótona limitada é convergente. Para parte 2. donde limn xn yn = ab. limn (xn − yn ) = a − b.22: Qualquer que seja x ∈ I R. Ora. Isto prova que limn (xn + yn ) = a + b. .19 é uma sequência limitada e pela parte 1. limitada. portanto. ou seja. o número a − não é cota superior do conjunto dos xn . limn [xn (yn −b)] = 0. pela parte 1. 2. Teorema 1. então limn xn · yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n ∈ I N . Logo. . Com efeito. Como a sequência é não-decrescente.CAPÍTULO 1. já demonstrada. Com efeito. existe algum n0 ∈ I N tal que a − < xn0 .1. limn [(xn −a)b] = 0.1. n > n0 ⇒ xn0 ≤ xn e. Isto mostra que xn · yn → 0. . Então. limn (xn + yn ) = a + b. (xn ) pelo Teorema 1.2 Propriedades Aritméticas dos Limites Estudaremos agora como se comportam os limites de sequências relativamente às operações aritméticas e às desigualdades. .21.1. vemos que n > n0 ⇒ a − < xn < a + . limn (xn · yn ) = a · b. Logo.23: Se limn xn = a e limn yn = b. Como xn ≤ a para todo n (pela denição de supremo). dado qualquer > 0. Teorema 1. limn (xn /yn ) = a/b se b = 0 e yn = 0. n2 }. 1 sen(nx) · n .1. (nx) Exemplo 1. Armamos que a = limn xn . n > n0 ⇒ |xn · yn | = |xn | · |yn | < c · c = .1. Prova: Para parte 1. Seja n0 = max{n1 . pelo Teorema 1. temos que limn (yn − b) = 0. Tomemos a = sup{xn : n = 1. então 1. Assim. Prova: Para xar as idéias. 3. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 6 Teorema 1. Logo n > n0 implica: 2 |(xn + yn ) − (a + b)| = |(xn − a) + (yn − b)| ≤ |xn − a| + |yn − b| < 2 + 2 = . temos xn yn −ab = xn yn −xn b+xn b−ab = xn (yn −b)+(xn −a)b. n > n0 ⇒ n > n1 e n > n2 . Dado > 0. a − < xn . temos limn senn = 0. ∀n. ≤ xn ≤ . (mesmo que não exista limn yn ). Autor: Leandro Chaves Rêgo . Logo. com |sen(nx)| ≤ 1 e 1 n sen(nx) n = → 0. como a − < a.21: Se limn xn = 0 e (yn ) é uma sequência limitada. Por motivo semelhante. como limn xn = 0. 2. . dado > 0 existem n1 e n2 em I N tais que n > n1 ⇒ |xn − a| < e n > n2 ⇒ |yn − b| < 2 . podemos encontrar n0 ∈ I N tal que n > n0 ⇒ |xn | < c .1.1.) uma sequência não-decrescente 1. temos limn (xn yn − ab) = limn [xn (yn − b)] + limn [(xn − a)b] = 0. .

sn = 1 e. Seja limn yn = b. n2 }.1. a + ) e n > n2 ⇒ yn ∈ (b − . Vamos a seguir provar que limites são preservados a aplicações de funções contínuas.. portanto. n n n Teorema 1.1. xn a bxn − ayn 1 − = = (bxn − ayn ) . n2 }. tal que |x − a| < δ ⇒ |f (x) − f (a)| < .27: Sejam xn ≤ zn ≤ yn para todo n ∈ I N . Então.1. .24: É claro que resultados análogos aos ítens 1 e 2.23 lim sn = lim 1/n + . e Teorema 1. limn x =a . existem n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . vemos que n > n0 implica yn < b + = a+ = a − < xn .. b = a− . Portanto. limn sn = 1. seja sn = n 1 (n parcelas). então limn g (xn ) = g (a). segue-se do Teorema 1. limn xn = a. yn é um número positivo b 2 1 inferior a b2 . para todo n > n0 . a+ ). como pela parte 2.1. Uma aplicação descuidada do Teorema 1. Por exemplo. .25 para desigualdades estritas não é válido. se limn xn = a. limn xn = a. do Teorema 1. yn b yn b valem para qualquer número nito de sequências. existe δ > 0.26: O resultado análogo ao do Teorema 1. yn b yn b yn b Como pelas partes 1 e 2. Ou seja. portanto. por hipótese existem 2 n1 e n2 tais que n > n1 ⇒ xn ∈ (a − . Logo. Pondo b n0 = max{n1 . existe n0 tal que n > n0 ⇒ 2 2 1 yn b > b2 (basta tomar = b2 ). e limn yn = b. Autor: Leandro Chaves Rêgo . + 0 = 0. b + ). Segue-se que.1. Temos que limn xn = limn yn = 0. 2 Prova: Suponha por contradição que a > b. . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 7 Para parte 3. Observação 1. seja xn = 0 e yn = 1/n para todo n ∈ I N . Por exemplo. Se limn xn = limn yn = a.25: Sejam xn ≤ yn para todo n ∈ I N . e limn zn = c.+ n de parcelas é variável e cresce acima de qualquer limite. então a < b. + lim 1/n = 0 + . então limn (xn + yn + zn ) = a + b + c e limn (xn yn zn ) = abc. então Prova: Dado > 0. Recorde que uma função f : I R→I R é contínua em a ∈ I R se para todo > 0.23 levaria ao absurdo de concluir que Observação 1. yn b → b2 . limn (bxn − ayn ) = ab − ab = 0. vemos que n > n0 implica a− < xn ≤ zn ≤ yn < a+ .21 que n n limn ( x −a ) = 0 e.1. Então. Teorema 1. não é verdade que se xn < yn para todo n ∈ I N . limn zn = a. notemos que. absurdo. Como temos que.28 : Se limn xn = a e g : I R → I R é uma função contínua em a. Pondo n0 = max{n1 . . Por outro lado. então a ≤ b. a + ) e n > n2 ⇒ yn ∈ (a− . deve-se tomar cuidado de não tentar aplicar o teorema para certas somas (ou produtos) em que o número 1 1 +.1.1. Contudo. a sequência ( yn b ) é limitada. Por exemplo.1.CAPÍTULO 1. limn yn = b. limn zn = a. cada parcela n tem limite zero.

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

a + ). xn .31. Logo. Logo. c + ) não contém termo xn algum com n ≥ n0 . segue-se de c < a que existe n0 ∈ I N tal que c < an0 ≤ a. Tomando = an0 − c. Corolário 1. Verica-se sem diculdade que aderência e lim sup xn é o maior valor de aderência de (xn ). uma contradição. Como an1 = inf Xn1 . Aqui se impõe uma condição apenas sobre os termos da própria sequência. lim inf xn = 0 e lim sup xn = 1 e estes são os dois únicos valores de aderência da sequência (xn ). a + ). e somente se. como a = limn an . Isto nos dá n > n0 com a − < xn < a + .1. existe > 0. A demonstração para lim sup se faz de modo semelhante. possui um único valor de aderência. Portanto. a + ). 1. Veremos agora o critério de Cauchy.1. Pelo Teorema 1. segue-se da última igualdade que a + (sendo maior que an1 ) não é cota inferior de Xn1 . lim inf xn é o menor valor de Prova: Provaremos inicialmente que a = lim inf xn é valor de aderência de (xn ). isto é.1. Mostremos agora que nenhum número c < a pode ser valor de aderência de (xn ).35: Uma sequência (xn ) de números reais é uma sequência de Cauchy quando dado qualquer > 0. Então. para valores sucientemente grandes de índices n e m. vemos que c + = an0 . e mostraremos que dados > 0 e n0 ∈ I N arbitrários. Se lim inf xn = lim supn xn = a. Como an0 = inf Xn0 .34: Uma sequência limitada de números reais (xn ) é convergente se.4 Sequências de Cauchy Provamos anteriormente que toda sequência monótona limitada é convergente. Prova: Se (xn ) convergir para a. A m de que (xn ) seja uma sequência de Cauchy. a + ). Compare com a denição de limite. 1 1 Exemplo 1. 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. Logo. Denição 1. Teorema 1. existe um n0 ∈ I N tal que n > n0 e m > n0 implica |xm − xn | < .1. Isto exclui a possibilidade de c ser valor de aderência de (xn ). então vimos que a é o único valor de aderência.32 : Sejam x2n−1 = − n e x2n = 1 + n . tal que para todo n0 ∈ N existe n > n0 tal que xn ∈ / (a − . mente se.1. existe n ∈ I N tal que n > n0 e xn ∈ (a − . Então existe uma subsequência de (xn ) cujos termos não estão no intervalo (a − . logo o intervalo (c − . concluímos que n ≥ n0 ⇒ c < an0 ≤ xn . Autor: Leandro Chaves Rêgo .1. existe n1 > n0 tal que a − < an1 < a + . então suponha que xn não convirja para a. Ora. se. exige-se que seus termos xm .33: Seja (xn ) uma sequência limitada. se aproximem e permaneçam arbitrariamente próximos uns dos outros.CAPÍTULO 1. esta subsequência possui valores de aderência que são valores de aderência de (xn ) e estão fora do intervalo (a − . Como a = limn an . existe n ≥ n1 tal que an1 ≤ xn < a + . usaremos o Teorema 1.33. lim inf xn = lim supn xn . onde se exige que os termos xn se aproximem e permaneçam arbitrariamente próximos de um número real a dado a priori. Para isto.1. e so- lim inf xn = lim supn xn = a. que nos dá uma condição necessária e suciente para a convergência de números reais.

.33. A parcela an é chamada o Autor: Leandro Chaves Rêgo . m > n0 ⇒ |xm − a| < /2.39: Se uma sequência de Cauchy (xn ) possui um valor de aderência a ∈ I R. an . estenderemos a operação de adição de modo a atribuir signicado a uma igualdade do tipo 1 +1 + . obtemos n0 ∈ I N tal que m. + an . xn0 +1 + 1}. que são chamados de soma parcial ou reduzida da série n-ésimo termo ou o termo geral da série. Intuitivamente: se limn xn = a então. Então.1: Seja (an ) uma sequência de números reais.1. + 21 todo n > n0 . = 1.39 que (xn ) converge.1. . . Em particular para m = n0 + 1.2 Séries de Números Reais Nesta seção.1. . dado > 0 existe n0 tal que n > n0 ⇒ |xn − a| < /2 e Teorema 1. ou seja (xn ) é uma sequência de Cauchy. = 1.36: Toda sequência convergente é de Cauchy. .1. . . m.1. . n > n0 ⇒ |xm − xn | < 1.37: Toda sequência de Cauchy de números reais é convergente. Pelo Lema 1.1.2. Portanto. . n > n0 ⇒ |xn − a| ≤ |xn − xn1 | + |xn1 − a| < . Logo. os termos xn se aproximam de a. existe também n1 > n0 tal que |xn1 − a| < /2. . Isto mostra que limn xn = a. . a soma 1 n difere de 1 por menos de . Então. xn0 +1 + 1). para valores grades de n. na qual o primeiro termo é uma soma com uma 2 4 innidade de parcelas. Lema 1. ou seja. n > n0 ⇒ xn ∈ (xn0 +1 − 1. seja (xn ) uma sequência de Cauchy.38. . ela é limitada. x2 . logo (xn ) é limitada. Logo. . n > n0 ⇒ |xn0 +1 − xn | < 1. + 21 reais. . É claro que não tem sentido somar uma sequência innita de números 1 +4 + .1. . n > n0 ⇒ |xm − xn | ≤ |xm − a| + |xn − a| < /2+ /2 = . 2 4 nova sequência (sn ) cujos elementos são as somas Denição 1. 2 A armação contida naquela igualdade signica que para todo > 0 existe n0 tal que. Prova: Seja limn xn = a. xn0 . . xn0 +1 − 1. 1. xn ∈ [α. então limn xn = a. Como a é valor de aderência de (xn ). Sejam α o menor e β o maior elemento do conjunto X = {x1 . e portanto necessariamente aproximam-se uns dos outros. Prova: Dado > 0. β ] para todo n ∈ I N. formamos uma s1 = a1 . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 10 Teorema 1. . Prova: Seja (xn ) uma sequência de Cauchy. + 21 n + . n > n0 ⇒ |xm − xn | < 2 . pelo Teorema 1. Prova: Iremos provar este teorema utilizando dois Lemas.38: Toda sequência de Cauchy é limitada. O que o primeiro membro da igualdade acima exprime é o limite limn ( 1 n ). possui um valor de aderência e segue do Lema 1. para +1 + . A partir dela. como (xn ) é uma sequência de Cauchy. sn = a1 + . . s2 = a1 + a2 . Então.CAPÍTULO 1. existe n0 ∈ I N tal que m. Tomando Lema 1.

.2.2. . 0 = s − s = limn sn − limn sn−1 = limn (sn − sn−1 ) = limn an . . Assim falando. Basta tomar a1 = x1 e an+1 = xn+1 − xn para todo n∈I N . A série an assim obtida converge se. Evidentemente. Resulta daí que. 1−a Autor: Leandro Chaves Rêgo .. 1−a Então. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Se existir o limite 11 s = lim sn = lim (a1 + . então limn an = 0. 2 4 2 2 Segue-se que limn s2n = +∞ e. . Observação 1. + an ) − (a + a2 + . Em vez de tomar como ponto de partida o comportamento dos números sn . a série geométrica converge. pois neste caso seu termo geral não tende a zero. Quando |a| < 1. No caso armativo. Escreve∞ s= an = n=1 an = a1 + a2 + . diremos que a série sequência das reduzidas de uma série. . temos 1 . estaremos deduzindo suas propriedades a partir das diferenças an = sn − sn−1 . . pela série harmônica efeito. + an+1 ) = 1 − an+1 1 − an+1 ⇒ sn (1 − a) = 1 − an+1 ⇒ sn = . concentraremos atenção sobre os termos an . Então. .5: A série geométrica an é divergente quando |a| ≥ 1. + an . Então.3: Se an é uma série convergente. por conseguinte. n→∞ diremos que a série remos então an é convergente e o limite s será chamado a soma da série. .2. pois sn − asn = (1 + a + . a1 + .3 é falsa. n Exemplo 1. .4: A recíproca do Teorema 1. Prova: Seja sn = a1 + . . + n = 1 + n · . pelo seguinte motivo. .2. Ao estudar a série cujas reduzidas são sn . . a série r > n nr para todo n > 1. pode-se dar a impressão de que a teoria das séries coincide com a teoria dos limites de sequências. e somente se. s2n = 1 + Exemplo 1. Com 1 1 1 1 1 + ( + ) + . O contra-exemplo clássico é dado Seu termo geral. para 0 < r < 1. Se a sequência de somas parciais não convergir. + ( n−1 + ··· n) 2 3 4 2 +1 2 n−1 2 1 1 2 > 1 + + + . . pois n temos limn sn = +∞. Logo. . ∞ n=0 ∞ n=0 an = limn sn = 1 .CAPÍTULO 1. Isto não é verdade. existe s = limn sn . 1 1 1 diverge. + an ). a sequência (xn ) é convergente. + an = x1 + (x2 − x1 ) + . como sn é monotonicamente crescente. + (xn − xn−1 ) = xn . tem-se também s = limn sn−1 .2. n tende para zero mas a série diverge. an é divergente. . . A primeira condição necessária para convergência de uma série é que seu termo geral tenda para zero. . . .2: Toda sequência (xn ) de números reais pode ser considerada como a Teorema 1. + an + . 1 . . a soma desta série é igual a limn xn .

independente da ordem de seus termos.7: Seja an > 0 para todo n ∈ I an converge se. . Seja L = Prova: Para parte (a). suponha por contradição que n=1 an = ∞ e que exista k tal que ∞ ∞ k−1 ∞ n=k ak < ∞. de forma que a1 pode ser a15 . como sk = k n=1 1. + an não são limitadas ou porque elas oscilam em torno de alguns valores de aderência. . e somente se. . . ∃m tal que k. temos ∞ ∞ que ∀ > 0. an = ∞. é divergente pois seu termo geral não tende a zero. ou seja. A série Teorema 1. como os termos são todos não negativos. pelo critério de Cauchy para sequências temos que ∀ > 0. a2 . temos que ∀ > 0. ∃m tal que k > m ⇒ | n=k+1 an | ≤ . Ou porque as reduzidas sn = a1 + . Fazendo p → ∞. . ∞ n=k+1 ∞ n=k an < ∞. Logo. neste caso. a1 . + an formam uma sequência limitada. . uma contradição. logo temos também s ≤ s . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 12 Exemplo 1. an = 0. teremos sn ≤ sm ≤ s. Se a série original converge para s. nós vamos destacar dois dos mais importantes: o teste da comparação e o teste da razão. n =k+1 an → 0. É fácil ver também que se a série de termos não negativos diverge. as reduzidas formam uma sequência monótona. . n=1 an = L + n=1 an . . + an é dominada por alguma soma parcial sm com m > n. a nova soma parcial sn = a1 + . então ela é convergente. Prova: Sendo an > 0. Teorema 1.. Autor: Leandro Chaves Rêgo . a2 pode ser a1 . an é uma sequência monótona não-decrescente e limitada. Então. então limk an = ∞.2. converge se. não importa a ordem de seus termos. Assumindo sem perda de generalidade que p > k . as somas parciais sn = a1 + . ela será sempre divergente.6: A série = 1 − 1 + 1 − 1 + . . Concluímos que uma série de termos não negativos que converge tem a mesma soma. . ∞ n+1 n=1 (−1) N .. pois. Há vários critérios para se testar a convergência de uma série. Mas a série original pode também ser interpretada como obtida de an por reindexação de seus termos an .CAPÍTULO 1. Quando os termos da série têm todos o mesmo sinal. ∃m tal que k. Suas somas parciais de ordem ímpar são iguais a 1 e as de ordem par são iguais a zero. p > m ⇒ |sp − sk | < . .2.1 Critérios de Convergência Um dos problemas centrais no estudo das séries consiste em saber se uma dada série converge ou não. p > m ⇒ | p n=k+1 an | < . então ∀k . Seu limite s é seu supremo.2. ∞ Para parte (b). é limitada. . . e somente se. logo a sequência (sn ) sendo monótona Dada uma série de termos não negativos a1 . Uma série an pode divergir por dois motivos. esta última possibilidade não ocorre. .2. etc. logo sn é limitada e portanto convergente. suponha que os termos sejam reindexados numa outra ordem qualquer.8: Seja (a) se (b) se ∞ n=1 ∞ n=1 ∞ n=1 an uma série de termos não-negativos. temos s1 ≤ s2 ≤ s3 ≤ . O próximo teorema estabelece mais uma caracterização de séries convergentes e divergentes. Então.. . de sorte que s ≤ s. a2 . . A seguir nós estudaremos alguns critérios de convergência de séries. então n=k ak < ∞.

. . portanto. Observemos que Exemplo 1. 1 . 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + . + bn são sequências não decrescentes.2. pois como para todo x ∈ (0. n! 2 · 3. 1 nr é dominada pela série geométrica de razão q = ∞ 1 1 k=1 k sen k 1 2r−1 < 1.. diminuindo os denominadores de seus termos. contrariando a hipótese. raciocinamos por absurdo: se bn convergisse.. de acordo com o seguinte esquema: 1 nr 1 1 1 1 1 1 + r) + ( r + r + r + r) + . bn converge ⇒ an diverge ⇒ an converge. = 1 + r−1 + r−1 2 4 2 4 1 1 2 = 1 + ( r−1 ) + ( r−1 ) + .2. . pela parte (i). tn converge para um certo limite t. Prova: As somas parciais das séries dadas sn = a1 + . que é Exemplo 1.2.10: Um modo de provar a convergência da série 1 1 1 1 = < = n−1 . sn é uma sequência monótona limitada e. Exemplo 1. . an ≤ bn para todo n ∈ I N . bn diverge. k k k k ∞ 1 1 k=1 k sen k é convergente. convergente.. ∞ 1 k=1 k2 1 1 1 1 sen ≤ · .. temos que para todo k ≥ 1: é convergente. Suponhamos ainda que a primeira seja dominada pela segunda. + an e tn = b1 + .CAPÍTULO 1. então.9: Sejam (i) (ii) an e bn duas séries de termos não negativos. pois 0 ≤ an ≤ bn . Então. então sn ≤ t para todo n.n 2 · 2. No caso (i). satisfazendo à desigualdade sn ≤ tn . ou seja. 2 2 1+( Isto nos mostra que convergente. . 2n−1 consiste em compará-la Como esta é convergente. . majoramos as somas parciais da série. . segue do critério da comparação que é conver- Autor: Leandro Chaves Rêgo .12: A série senx < x... π/2). . r 2 3 4 5 6 7 1 1 1 1 1 1 ≤ 1 + ( r + r) + ( r + r + r + r) + . .2 2 donde se vê que a série dada é dominada pela série concluímos que a série original também é convergente. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 13 Teste de Comparação Teorema 1. Para provar (ii). Para isso.11: Vamos provar que a série é convergente quando r > 1. an também teria de convergir. 0≤ Como gente.2. 1 n! com a série geométrica de razão 1/2..

k+1 ∞ 2k k=0 k! Segue que limk ak+1 /ak = 0. ≤ 4 e. Portanto. Fazendo n sucessivamente igual a N . Como r − = 1. aN +n < aN cn . Como c < 1 .14: Seja an uma série de termos positivos tal que an+1 /an converge para um certo limite r. seja > 0 tal que c = r + < 1.15: A série ∞ k=0 k! é convergente ou divergente? Justique. Ao contrário. . Autor: Leandro Chaves Rêgo . pelo n=1 teste de comparação. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 14 Exemplo 1. em geral. esta série converge. a partir de certo índice n = N teremos r − < an+1 /an < r + . resulta que ∞ k k=0 k2 +2k+1 = ∞ e. N + 1. Teste da Razão Teorema 1.CAPÍTULO 1. N + 2. portanto. a primeira desigualdade acima nos dá an+1 > an a partir de n = N . para n ≥ N . temos k! k ak+1 = ak 2k+1 (k+1)! 2k k! = 2 . k 2 + 2k + 1 4k Como ∞ 1 k=1 4k = ∞. Como an+1 /an → r. k 1 ≥ . . 2 Exemplo 1. portanto. logo o mesmo ocorre com a série original. . .13: A série Solução: Para todo k ≥ 1. 1 k2 k2 + k 1 1 = · 2 + 2k + 1 k 1+ k + . pelo critério da razão. existe um índice N sucientemente grande tal que. . a série converge se r < 1 e diverge se r > 1. Prova: Supondo r < 1. se r > 1. k Solução: Como ak = 2 . para todo k ≥ 1. Então. dado = r − 1. aN +2 < aN +1 c < aN c2 . de modo que a série ∞ n=N +1 an é dominada pela série geométrica n aN ∞ c . essa desigualdade nos dá aN +1 < aN c. então. então. a série é divergente. e a série original diverge para ∞.2. . r − < an+1 /an < r + = c. 1 + 2 k 1 k2 ∞ k k=0 k2 +2k+1 é convergente ou divergente? Justique.2.2. a série é convergente. aN < aN +1 < aN +2 < .

. a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos termos ar negativos. ak |ak | será convergente pelo teste da razão. Além disso. + an = pn − qn . Exemplo 1. n Exemplo 1. por hipótese.. a série ∞ k=0 ak será divergente. 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.17: Toda série absolutamente convergente é convergente. para todo k > p. Concluímos que (Sn ) também converge: Sn = pn − qn → p − q . a série ∞ k=0 ak . digamos para p e q .2 Convergência Absoluta Denição 1. Para |x| = 1. Solução: Para x = 0 a soma da série é zero. cujas somas independem da ordem em que se considerem seus termos. da série independe da ordem em que se consideram os termos. limk |ak | não poderá ser zero e o mesmo acontecerá. + |an | = pn + qn e Sn = a1 + a2 + . basta notar que pn e qn são somas parciais de séries de termos não negativos. onde. |a +1 | Se r > 1. logo ∞ k=0 ∞ k=0 ak será. (pn ) e (qn ) são não decrescentes. Suponhamos que +1 limk | ak | = r .20: Determine x para que a série ∞ n=1 nx seja convergente. pn ≤ Tn ≤ T e qn ≤ Tn ≤ T . que a série é convergente para |x| < 1 e divergente para |x| > 1. com limk ak .2. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 15 1. a primeira delas converge. respectivamente. lim | n n+1 (n + 1)xn+1 | = |x| lim = |x |. com ak = 0 para todo natural k . Então. Autor: Leandro Chaves Rêgo . Para demonstrar a segunda parte do teorema. Teorema 1. 1 4 − 1 9 + . As sequências (Tn ). também. Ao mesmo tempo.2. a série é divergente pelo critério do termo geral. logo convergente. Como ap = 0. Pelo critério do termo geral. para T . . logo pn e qn também convergem. existirá um natural p tal que k ≥ p ⇒ |k > 1. ou é absolutamente |an | é convergente.2. em ambos os casos. se a série an converge absolutamente.18 : A série −1 + absolutamente convergente.19: Seja a série Prova: Se r < 1. Então.2. digamos. ak | |ak | > |ap |. .CAPÍTULO 1.16: Diz-se que uma série convergente.. já que ela é Teste da Razão Para Séries de Termos Quaisquer Teorema 1. = ∞ (−1)n n=1 n2 é convergente. respectivamente.2. então. Então.2. a série converge se r < 1 e diverge se r > 1. convergente. r ≤ n. n n nx n Segue do critério da razão.

n→∞ n→∞ n! √ √ n ) 2πn en ( n e lim n n 2πn n→∞ Portanto. quando existem números positivos δ e M tal que se |x − x0 | < δ . utilizando a aproximação de Stirling. que a série é convergente para todo |x| < e e divergente para |x | > e . o termo geral da série diverge. lim | n (n + 1)!nn xn+1 (n + 1)nn n n |x | | = | x | lim = |x| lim( ) = . Solução: Para x = 0 a soma da série é zero. que a série é convergente para todo x real. x → x0 . Se |x| = e. 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhança de x0 . logo convergente.3 Ordens de Magnitude (x) Quando duas funções f e g são tais que o quociente f tende a zero com x tendendo a um g (x) certo x0 . sen2 x = o(x) e cos( x x cos(1/x) tendem a zero com x → 0.2. 1 x 1 ) = o( x ) para x → 0. Suponhamos então que x = 0 e apliquemos o critério da razão.CAPÍTULO 1. então ||f ≤ M. para x → x0 e escrevemos f (x) = o(g (x)). g (x)| dizemos que f é de ordem grande em relação a g . pois ambos quocientes. (x)| isto é. Suponhamos então que n x = 0 e apliquemos o critério da razão.2. Autor: Leandro Chaves Rêgo . n!x Exemplo 1.21: Determine x para que a série ∞ n=1 n! seja convergente. x → x0 .22: Determine x para que a série ∞ n=1 nn seja convergente. logo convergente. para x → x0 e escrevemos 2 f (x) = O(g (x)). dizemos que f é de ordem pequena em relação a g . 1. ! √ = 1.2. n +1 n n +1 n (n + 1) n n+1 n!(n + 1) x e Segue do 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 = ∞. sen e Por exemplo. n n+1 (n + 1)!xn Segue do critério da razão. REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS n 16 x Exemplo 1. logo a série diverge. lim | n n!xn+1 1 | = | x | lim = 0. Solução: Para x = 0 a soma da série é zero.

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

existe c tal que (F (b) − F (a)G (c) − (G(b) − G(a))F (c) = 0. com G(a) = G(b) e G (x) = 0 para x ∈ (a. b). ou seja. e H (a) = H (b) = 0.1: Seja f uma função derivável até a ordem n + 1. Aplicando novamente o Lema com F (x) = f (x) − pn (x). temos que n 18 pn (x) = r=0 f (r) (0) r x.3. contínuas em [a. H é contínua em [a. r! onde f (0) (x) = f (x). então existe c ∈ (a. f (n+1) (cn )xn+1 .3. Sua importância reside no teorema que enunciamos e provamos a seguir. derivável em (a. Lema 1. Seja F (x) = f (x) − pn (x). b). e b = x. b) tal que H (b) − H (a) = 0 = H (c)(b − a). b). G(x) = (n + 1)xn . REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS Então. Então. obtemos f (x) − pn (x) f (c) − pn (c) Rn (x) = = .CAPÍTULO 1. Usaremos repetidamente o Teorema do Valor Médio Generalizado para provar o teorema. b = c e a = 0. G(x) = xn+1 . o resultado está provado. Teorema 1. conhecido como Teorema do Valor Médio Generalizado. Como G(b) = G(a). n +1 n +1 x x (n + 1)cn onde c está entre 0 e x. Então aplicando o Lema notando que f (0) = pn (0). 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)). Este é chamado de polinômio de Taylor de ordem n da função f em torno de x = 0. Portanto. n +1 n x (n + 1)c (n + 1)nc1 Autor: Leandro Chaves Rêgo . H (c) = 0.2: Se F e G são funções deriváveis num intervalo (a. b]. Logo pelo Teorema do Valor Médio existe c ∈ (a. b]. temos (note que f (0) − pn (0) = 0) Rn (x) f (c) − pn (c) f (c1 ) − pn (c1 ) = = n−1 . a = 0. 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. numa vizinhança V de x = 0. Então. (n + 1)! Prova: Começaremos enunciando e provando o seguinte Lema.

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

f (x) = 1 = 1+x −r f (x) = r=1 (−1)r−1 r (−1)n (1 + c)−(n+1) n+1 (x) + (x) . f (r) (0) = (−1)r−1 (r − 1)!. torno do ponto a = 2. Neste exemplo usaremos √ séries de Taylor para demonstrar a fórmula de Euler: eix = cos(x) + i sen(x). REVISÃO DE SEQUÊNCIAS DE NÚMEROS REAIS E SÉRIES NUMÉRICAS 20 (1 + x)−1 . Note que para qualquer dr eix = ir eix . r dx r +1 dr cos(x) (−1) 2 sen(x) se r for ímpar. e a série de Taylor de ordem n de f em torno de x = 2 é: n (−1)r (−1)n+1 r f (x) = ( x − 2) + (x − 2)n+1 . f r!(2) = (2 r +1 . r (n + 1) onde c está entre 0 e x. Solução: Note que f (2) = 1/2. 2r ! (2r + 1)! r=0 ∞ cos(x) = r=0 ∞ (−1)r 2r x . r (−1) 2 sen(x) se r for par. Portanto. temos as seguintes expansões de Taylor em torno de x = 0: ∞ e = r=0 ix ir r x = r! ∞ ∞ r=0 (−1)r 2r (−1)r 2r+1 x +i x .3. r −1 Então. onde i = inteiro r. (2r + 1)! sen(x) = r=0 Logo.3. temos −1. f (x) = 2x−3 . e que em geral temos: (r ) −1)r f (r) (x) = (−1)r r!x−r−1 .CAPÍTULO 1. e que em geral temos: f (r) (x) = (−1)r−1 (r − 1)!(1 + x) . f (x) = −x2 . 1 Exemplo 1.4: Vamos obter a série de Taylor de ordem n da função f (x) = x . = r se r for par. 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. em Exemplo 1. Portanto. x > 0. podemos concluir que eix = cos(x) + i sen(x). 2r ! (−1)r 2r+1 x . f (x) = −1(1 + x)−2 . (−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. Autor: Leandro Chaves Rêgo .5: Fórmula de Euler.

e somente se.Capítulo 2 Convergência Estocástica 2.2. e conseqüentemente pertence a um número innito deles. 1) Teorema 2. se. ω ∈ lim sup An . e somente se.2: Seja (An ) uma seqüência de eventos de Ω. Seja An ⊆ Ω. 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 . note que ω ∈ lim sup An . se. para todo n existe n ≥ n tal que ω ∈ An . A seguir descreveremos algumas propriedades do lim inf e lim sup de uma seqüência de eventos. e somente se. ω ∈ Ak para um número innito de índices k . ou seja. 1. lim inf An ⊆ lim sup An Este fato é uma simples conseqüência do Teorema 2. n+1 ) = lim sup[0. e somente se. Como isto é válido para todo n. (b) ω ∈ lim inf An se. então B é chamado de limite de (Bn ) e nós escrevemos limn Bn = B ou Bn → B .1. (a) ω ∈ lim sup An se. A prova da parte (b) é similar. para todo n. n n Exemplo 2.1. 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 . ω ∈ ∪∞ k=n Ak .1 Seqüência de Eventos A denição de conceitos de convergência de variáveis aleatórias depende de manipulações de seqüências de eventos. . pois se ω ∈ lim inf An .1: lim inf[0. ω ∈ / Ak para um número nito de índices k . dene-se: k≥n ∞ inf Ak = ∩∞ k=n Ak . 21 Prova: Para parte (a). temos que isto é equivalente a existência de um número innito de índices k tais que ω ∈ Ak . n+1 ) = [0. ω não pertence apenas a um número nito de eventos Ak 's. Logo.1.

segue que: lim inf Bn = lim(inf Bk ). n− ) = ∩∞ n=1 ( n+1 . 1]. e portanto. temos ∩k≥n Ak = An . CONVERGÊNCIA ESTOCÁSTICA 2. Denotaremos por An ↑ (resp. não-crescente) de eventos. Então.3: Suponha que (An ) é uma seqüência monotônica de eventos. 2. A prova de (2) é similar. c c c c c Solução: lim inf Ac n = (lim sup An ) = A e lim sup An = (lim inf An ) = A . Bn . 1 − n ] = ∪∞ n=1 [0. Prova: Para provar (1).5: Sejam An . n n n n 3. Exemplo 2. Se An ↑. n−1 ) = {1}. então limn An = ∩∞ n=1 An . 1 Exemplo 2. 22 Seqüências Monotônicas Uma seqüência de eventos (An ) é monotônica não-decrescente (resp. An ↓) uma seqüência não-decrescente (resp. limn [0. A.).. 1). lim sup An = ∪∞ k=1 Ak . Como ∞ lim inf An = ∪∞ n=1 (∩k≥n Ak ) = ∪n=1 An . 1 + n ) = [0. como para qualquer seqüência Bn . . (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 ). .1.. não-crescente) se A1 ⊆ A2 ⊆ . Teorema 2. então limn Ac n = A .1. A1 ⊇ A2 ⊇ . temos igualdade acima. (resp. 1 − n ] = [0. temos. Se An ↓. Conseqüentemente. Logo. 1. precisamos mostrar que lim inf An = lim sup An = ∪∞ n=1 An . limn [0. então limn An = ∪∞ n=1 An . se limn An = A. temos inf k≥n Bk ↑ e supk≥n Bk ↓.CAPÍTULO 2.1. Autor: Leandro Chaves Rêgo . B eventos em Ω. lim sup Bn = lim(sup Bk ) n k ≥n n k ≥n Aj ⊆ Aj +1 . Por outro lado.4: 1 1 1. . . 1 1 2. ou seja. 1 + n ) = ∩∞ n=1 [0. limn ( n+1 . Mostre que: c 1. ∞ lim sup An = ∩∞ n=1 (∪k≥n Ak ) ⊆ ∪k=1 Ak = lim inf An ⊆ lim sup An .

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

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

probabilidade está relacionada com a freqüência relativa de eventos no longo prazo. coroa. temos que Exemplo 2. em quase todo lugar). Não podemos aplicar diretamente o lema de Borel Cantelli. Relembrando: Seja (Ω. não importa qual a distribuição conjunta das variáveis aleatórias {Xk }.8: Considere uma seqüência de variáveis aleatórias X1 . . Xi+1 = cara. P (Ai innitas vezes) = 1. onde 0 < p < 1. Como (Bi ) é uma subseqüência de (Ai ). visto que. 2.2 Covergência de Variáveis Aleatórias Seguindo uma interpretação freqüentista. então. temos P (Ai ) = p2 (1 − p)2 > 0. CONVERGÊNCIA ESTOCÁSTICA 25 Exemplo 2. coroa) aparecer um número innito de vezes? Justique sua resposta. X −1 (B ) ∈ A. Portanto. Note que para todo i. Portanto. A matemática para estudar o longo prazo é a dos limites. existem vários tipos de limites (por exemplo. X4 . . pontual. se ∞ ∞ P (Xk > bk ) = k=1 k=1 1 − FXk (bk ) = ∞. qual a probabilidade da seqüência (cara. Uma função X : Ω → R é chamada de variável aleatória se para todo evento Boreliano B . Podemos usar o Lema de Borel-Cantelli para determinar a probabilidade que Xk > bk innitas vezes para qualquer seqüência de números reais {bk }. X3 . Autor: Leandro Chaves Rêgo . Além disso temos que P (Bi ) = p2 (1 − p)2 > 0. uniforme. X3 . onde a σ -álgebra de Borel é a menor σ -álgebra contendo intervalos da forma (−∞. Note que P (Xk > bk ) = 1 − FXk (bk ). Se esta moeda for jogada um número innito de vezes de maneira independente. Dena o evento Ai = {Xi = cara. O mesmo ocorre quando consideramos limites de variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω. X2 .9: Considere uma moeda não necessariamente honesta com probabilidade [Bi intas vezes] ⊆ [Ai innitas vezes]. por exemplo.1. de cara igual a p. Xi+3 = coroa}. Xi+2 = coroa. se ∞ ∞ P (Xk > bk ) = k=1 k=1 1 − FXk (bk ) < ∞. A.. visto que variáveis aleatórias são funções reais cujo domínio é Ω. temos que o evento {Xk > bk } só ocorrerá para um número nito de índices k . P ). ambos A1 e A2 dependem de X2 . Nós recordamos que um evento Boreliano é qualquer evento pertencente à σ -álgebra de Borel. .1. Por outro lado.CAPÍTULO 2. i P (Bi ) = ∞. eles são independentes. Logo. pois os eventos Ai 's não são independentes. Logo. Considere a seguinte subseqüência da seqüência de eventos (Ai ) tal que Bi = A4i−3 . Como os eventos Bi 's dependem de famílias disjuntas de variáveis aleatórias independentes. Solução: Seja Xi o resultado do i-ésimo lançamento da moeda. 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. Mas quando se trata de funções. queremos calcular P (Ai innitas vezes). x] para todo x ∈ R. A) um espaço mensurável. cara. Borel-Cantelli implica que P (Bi innitas vezes) = 1.

1: A seqüência de variáveis aleatórias Y1 . Y2 . . Então se uma seqüência de variáveis aleatórias Y1 . Então para cada k xo. D é chamado de conjunto de exceção. Yn → Y cp1 se.k = {w : |Yn (w) − Y (w)| ≥ k }. Portanto: ∞ ∞ {w : lim Yn (w) = Y (w)} = {w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < n 1 }.2. CONVERGÊNCIA ESTOCÁSTICA 26 2.k = ∪∞ N =1 ∩n=N An. converge quase certamente para Y não signica que para todo w ∈ Ω. e depois provaremos algumas relações entre os vários tipos de convergência. temos que ∞ lim sup An. e somente se. observando que.CAPÍTULO 2. k Então. apenas o que se sabe é que a probabilidade do evento D = {w : Yn (w) Y (w)} é nula. Yn → Y cp1 se. Sejam Y.2: Considere uma variável aleatória Z tal que P ({w : 0 ≤ |Z (w)| < 1}) = 1. ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| < 1 }) = 1. Y1 . e somente se. . Podemos obter uma denição alternativa para convergência quase-certa. para todo k ∈ I N . pela denição de limite de sequências de números reais. converge quase certamente (ou com probabilidade 1) para a variável aleatória Y se n→∞ P ({w : lim Yn (w) = Y (w)}) = 1. existir N tal que para todo n ≥ N . . Y2 . . 1 temos |Yn (w) − Y (w)| < k . . P ). k Isto é equivalente a: ∞ ∞ P ({w : ∩∞ k=1 ∪N =1 ∩n=N |Yn (w ) − Y (w )| ≥ 1 Dena An. ilustrando com exemplos cada tipo de convergência.2. . Notação: Yn → Y cp1. P (lim sup An. e somente se. Exemplo 2. . .k ) = 0. Seja Xn (w) = Z n (w). n Logo. Yn (w) → Y (w). A.1 Tipos de Convergência Vamos a seguir descrever vários tipos de convergência estocástica. . então Xn (w) → 0 cp1. temos que limn Yn (w) = Y (w) se.k . variáveis aleatórias denidas em um mesmo espaço de probabilidade (Ω. k 1 }) = 0. Convergência Quase Certa Denição 2. para um dado w ∈ Ω xo. n Autor: Leandro Chaves Rêgo . para todo k ∈ I N. note que o conjunto de exceção é D = {w ∈ Ω : |Z (w)| ≥ 1} e que P (D) = 0.2. Y2 .

portanto com probabilidade 1. .3: Seja {Xn }n≥3 uma seqüência de variáveis aleatórias independentes com P (Xn = 0) = 1 − Mostre que Xn 0 cp1. 2. ∀k ≥ 1. . log n 1 Logo.) ≤ P (Yn ≤ M : n = 1. n pois F k (M ) tende a zero. as variáveis Yn formam uma seqüência nãodecrescente de números reais. temos Exemplo 2. com função de distribuição F. quando k → ∞. .2. .CAPÍTULO 2. X2 ≤ M.2. o conjunto dos w ∈ Ω.4 : P (Yn ≤ M : n = 1. k ) = P (Yk ≤ M ) = P (max(X1 . Xk ≤ M ) k = n=1 P (Xn ≤ M ) = F k (M ). para todo x < ∞. . Y2 . temos que para todo M nito. n P (|Xn | > ) = n log n = ∞. . . Solução: Para qualquer 1 1 e P (Xn = n) = . X2 . Yn → ∞ cp1. o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1. . Xn ). tem probabilidade zero e.2.i.) = 0. . Xn 0. Inicialmente.d. Então.5: A seqüência de variáveis aleatórias Y1 . . onde r > 0. . . converge na r-ésima Média. . Xk ) ≤ M ) = P (X1 ≤ M. . Fazendo k → ∞. . log n log n tal que 0 < < 1. Autor: Leandro Chaves Rêgo . P (lim Yn ≤ M ) = P (Yn ≤ M : n = 1. 2. Dessa forma. Suponha que F (x) < 1. . . . ∀n ≥ 3. Convergência na r-ésima Média Denição 2. portanto. . Seja M um número real. . 2. em que limn Yn (w) é nito. . Notação: Yn →r Y . . observe que para cada ω ∈ Ω. Vamos vericar que Yn → ∞ cp1. Considere {Xn : n ≥ 1} uma seqüência de variáveis aleatórias i. Dena Yn = max(X1 . . . X2 . CONVERGÊNCIA ESTOCÁSTICA 27 distribuição de probabilidade dada por: Exemplo 2. para a variável aleatória Y se n→∞ lim E |Yn − Y |r = 0. Se r = 2 este tipo de convergência é freqüentemente chamado de convergência em média quadrática. temos que P (|Xn | > ) = P (Xn = n) = 1 .

7: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2. Convergência em Probabilidade Denição 2.3. n n 1 − x2 √ e 2 dx. Xn r nr → ∞. √n 2 π 2 ∞ P (|Xn − X | > ) = P (|Yn | > ) = 2P (Yn > ) = 2 √ n ny2 √ e− 4 dy = 2 4π Logo. Precisamos determinar então sua média e sua variância. Exemplo 2. X ) = COV (Xn . . .2. . Notação: Yn →P Y . Mas EY = E (Xn − X ) = EXn − EX = 0 e COV (X. . Yn ∼ N (0. Y2 . mas não em caso contrário.2. 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.2. converge em probabilidade para a variável aleatória Y se ∀ > 0 n→∞ lim P ({w : |Yn (w) − Y (w)| > }) = 0. Autor: Leandro Chaves Rêgo . limn→∞ P (|Xn − X | > ) = 0.2. . onde as varáveis aleatórias têm distribuição normal conjunta. temos que ∀ > 0. X1 .CAPÍTULO 2. n+1 então Xn →2 Z se EZ 2 < ∞.2. P (|Xn | > ) ≤ P (Xn = n). Exemplo 2.10: Considere X. log n 0. Xn ) = 1 − 2 V arY = EY 2 = E (Xn − X )2 = EXn − 2EXn X + EX 2 = 1 − 2(1 − 2 ). Xn →P 0.. n ∞ 2 1 )+1= .9: Considere a seqüência de variáveis aleatórias denidas no Exemplo 2. Mostre que Xn r 0.3. Mostre que Xn →P 0.8: A seqüência de variáveis aleatórias Y1 . como Yn é uma combinação linear de variáveis aleatórias com distribuição normal. . Xn →P X . Solução: Temos que para 0 < < 1. todas com média 0 e matriz de covariância parcialmente descrita por 1 . ou seja. .2.6: Sejam Z. COV (X. Xn ) = 1. variáveis aleatórias tais que Xn = n Z.2. Pode-se provar que se Xn →r X . Exemplo 2. X2 . então Xn →s X para s < r. X2 . para ≥ 1. para todo r > 0. . Portanto. P (|Xn | > ) = P (Xn = n) e 1 log n → 0. Solução: Temos que E |Xn |r = nr P (Xn = n) = Logo. Então. Portanto. CONVERGÊNCIA ESTOCÁSTICA 28 Exemplo 2. n Seja Yn = Xn − X . Como P (Xn = n) = lim P (|Xn | > ) = 0. . ∀ > 0. ela também possui distribuição normal. X1 .

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

2. .15 : Sejam X. O próximo exemplo mostra que se uma seqüência de variáveis aleatórias absolutamente contínuas converge em distribuição. temos limn Fn (x) = F (x) e. X2 .2. temos FX (x) = 1 se x ≥ 0. Logo. onde fn (x) → f (x) quando n → ∞ em quase todo lugar. . . n i=1 onde Xi 's são variáveis aleatórias independentes e identicamente distribuídas. . Exemplo 2. f3 . f1 . X1 . como o ponto 0 não é de continuidade de F . concluímos que Xn →D X .16 : Considere uma seqüência de variáveis aleatórias X. Neste. note que para x = 0.2. . CONVERGÊNCIA ESTOCÁSTICA 30 Portanto. então Xn →D X . . X2 . . . σ 2 ). e FXn (x) = 1 se x ≥ 1/n e FXn (x) = 0 caso contrário. .CAPÍTULO 2. onde  0 . se x ≤ 0  sen 2nπx x(1 − 2nπx ) .. então Xn →D X . . são variáveis aleatórias absolutamente contínuas com densidades dadas respectivamente por f. onde pn (i) → p(i) quando n → ∞ para todo i = 0. Exemplo 2. não temos limn Fn (x) = F (x) para todo x ∈ I R. Desse modo se houvesse a exigência de convergência em todos os pontos. . 3. como limn Fn (0) = 0 = F (0) = 1. não teríamos convergência em distribuição. então Sn converge em distribuição para qualquer variável aleatória com distribuição N (0. . . 1. Teorema 2. . o Teorema Central do Limite arma que se V AR(Xi ) = σ 2 < ∞.14: Seja X. X2 . . F1 .. (b) Se X. X1 .2. ou seja. X2 . X1 . uma seqüência de variáveis aleatórias: (a) Se X.. Então. . Porém. Autor: Leandro Chaves Rêgo . com função de distribuição acumuladas dadas respectivamente por F. f2 . se x > 1. Prova: Fora do escopo deste curso. Um exemplo mais complexo de convergência em distribuição pode ser visto na análise do limite de n 1 Sn = √ (Xi − EXi ). Entretanto. não necessariamente sua função probabilidade de massa converge. F2 . variáveis aleatórias tais que P (X = 0) = 1 e P (Xn = 1/n) = 1. . . . X1 . são variáveis aleatórias discretas com P (Xn = xi ) = pn (i) e P (X = xi ) = p(i). O próximo teorema estabelece duas condições sucientes para que uma seqüência de variáveis aleatórias convirja em distribuição. . e FX (x) = 0 caso contrário. p(0) = 1 = 0 = limn pn (0). Xn →D X . FXn (x) → FX (x). X1 . . se 0 < x ≤ 1 F n ( x) =  1 . ∀x = 0. . F3 . X2 . O próximo exemplo mostra que se uma seqüência de variáveis aleatórias discretas converge em distribuição. . não necessariamente sua função densidade de probabilidade converge. .

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

Xn →P X . Exemplo 2. Y2 .CAPÍTULO 2.2. 0 se X (w) ∈ / In . . CONVERGÊNCIA ESTOCÁSTICA 32 Teorema 2. . pois para 0 < ≤ 1.20: Xn →P X se. Porém para todo w ∈ Ω. Note que tem-se 2m intervalos de comprimento 2−m que cobrem todo o intervalo [0. >0 Se Xn →r X . Yn (w) não converge para todo w. e considere a seqüência de intervalos denida por I2m +i = [ i i+1 .2. 1.19: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. . Autor: Leandro Chaves Rêgo . 1. P (|Yn | ≥ ) = P (Yn = 1) = P (X ∈ In ). O próximo exemplo prova que nem convergência em probabilidade. Portanto. ou seja. O próximo teorema estabelece mais uma relação entre convergência quase certa e convergência em probabilidade. A seqüência Y1 . e esta probabilidade. .2. e o comprimento dos intervalos ca cada vez menor tendendo a 0. e somente se. . Então. nem convergência na r-ésima média implicam convergência quase certa. Logo. 1]. Yn converge na r-ésima média para 0. . . ]. converge para zero quando n → ∞. 2m − 1. 2m 2m para m = 0. Yn (w) = 1 para um número innito de n's e Yn (w) = 0 para um número innito de n's. 2. o que implica que Yn não converge quase certamente. Denamos Yn (w) = 1 se X (w) ∈ In . Esta seqüência também converge na r-ésima média para todo r > 0. Prova: Primeiro note que |Xn −X |r r ≥ I{w:|Xn −X |> } . visto que E (|Yn |r ) = P (Yn = 1) → 0 quando n → ∞. . Teorema 2. Logo. converge em probabilidade para 0. tem-se que limn→∞ E (|Xn − x|r ) = 0. 1].18: Xn →r X ⇒ Xn →P X . |Xn − X |r ) ≥ E (I{w:|Xn −X |> } ). . tem-se que r E( ou seja. que é igual ao comprimento de In . . E (|Xn − X |r ) r ≥ P ({w : |Xn − X | > }). para todo n→∞ lim P ({w : |Xn − X | > }) = 0. e i = 0. toda subseqüência {Xnk } possui uma outra subseqüência {Xnk(i) } tal que Xnk(i) → X cp1 para i → ∞.

Logo nenhuma subseqüência de {Xnk } pode convergir para X em probabilidade. Considere a seguinte seqüência de varáveis aleatórias Yn (w) = 1 2n se X (w) ∈ (0. n ). Autor: Leandro Chaves Rêgo . 1 n 1 → 0. então Xn →P c. Queremos provar que FXn (x) → FX (x) quando n → ∞. Xnk(i) → X cp1. 1 Então. P (Ai nitas vezes) = 1. 1 0 se X (w) ∈ / (0. CONVERGÊNCIA ESTOCÁSTICA 33 outra subseqüência {Xnk(i) } tal que j ≥ k (i) implica que P (|Xnj − X | ≥ i−1 ) < 2−i .CAPÍTULO 2. Seja Ai = {|Xnk(i) − X | ≥ i−1 }. temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0. Como Xn →P X . então dada qualquer subseqüência {Xnk }. temos {w : Xn (w) ≤ x} ⊆ {w : X (w) ≤ x + } ∪ {w : |Xn (w) − X (w)| > }. FXn (x) = P (Xn ≤ x) ≤ FX (x + ) + P (|Xn − X | > ). Xn ≤ x ⇒ X ≤ x + ou |X − Xn | > . temos que P (|Xnk(i) − X | ≥ i−1 ) < 2−i . temos que FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ. logo pelo Teorema 2. Portanto.22: As seguintes relações entre os tipos de convergência são válidas: (a) Xn →P X ⇒ Xn →D X (b) Se Xn →D c. pelo Lema de Borel-Cantelli. onde c é uma constante. existe um > 0 e uma subseqüência {Xnk } tal que P (|Xnk − X | > ) > .21: Seja X uma variável aleatória com distribuição uniforme no intervalo [0. Portanto. temos que ∀ > 0. mas E (|Yn |r ) = 2nr n → ∞. Como para > 0. suponha que Xn →P X e seja x um ponto de continuidade de FX . Por outro lado. Se Xn não converge para X em probabilidade. Prova: Para parte (a). 1]. n ). n )) = O próximo teorema trata da relação entre convergência em distribuição e convergência em probabilidade. escolha uma Exemplo 2. nenhuma subseqüência converge para X quase certamente. ou seja.2.17.2. |Xnk(i) − X | < i−1 exceto para um número nito de i's com probabilidade 1. Teorema 2. O próximo exemplo mostra que convergência em probabilidade não implica convergência na r-ésima média Prova: Suponha que Xn →P X . existe N tal que para n ≥ N . Juntando as duas desigualdades. and ∀n. Em particular. Logo. Logo. FX (x − ) − P (|Xn − X | > ) ≤ FXn (x) ≤ FX (x + ) + P (|Xn − X | > ).2. ∞ ∞ −i então = 1 < ∞. para qualquer δ > 0. P (|Yn | > ) = P (X (w) ∈ (0. X ≤ x − ⇒ Xn ≤ x ou |Xn − X | > de modo que FX (x − ) ≤ FXn (x) + P (|Xn − X | > ).

se x > c. CONVERGÊNCIA ESTOCÁSTICA 34 Finalmente. para > 0.1: Relação entre os tipos de convergência. Ou seja. Pela convergência em distribuição. Note que a função de distribuição de uma variável aleatória constante c é: 1 se x ≥ c.d.23: (a) Yn →P 0. . Fc (x) = 0 se x < c. ∀ > 0. Ou seja. Mostre que (b) Un →D U . X2 . A Figura 2. Logo. Exemplo 2. Para n ≥ 1. Xn ) e Un = nYn .i. como x é ponto de continuidade de FX . sendo U ∼ Exp(1). limn→∞ FXn (x) = FX (x). . Dena Yn = min(X1 . P (|Xn − c| ≤ ) = P (c − ≤ Xn ≤ c + ) ≥ P (c − < Xn ≤ c + ) = FXn (c + ) − FXn (c − ) → 1 quando n → ∞. limn→∞ P (|Xn − c| > ) = 0.2. 1) são variáveis aleatórias i. Figura 2. Xn ∼ U (0. para sucientemente pequeno. . se x < c e limn→∞ FXn (x) = 1. tem-se que limn→∞ FXn (x) = 0. Autor: Leandro Chaves Rêgo .1 resume a relação entre os tipos de convergência. temos que FX (x) − 2δ ≤ FX (x − ) − δ ≤ FXn (x) ≤ FX (x + ) + δ ≤ FX (x) + 2δ. Para parte (b).CAPÍTULO 2. suponha que Xn →D c. .

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

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

conseqüentemente. ∀ω . E 2 cos(tx) ≤ E cos2 (tx) e E 2 sen(tx) ≤ E sen2 (tx). temos que Xn (ω ) → 0. X2 .2.4: Teorema da Convergência Dominada. se X for uma variável aleatória contínua. Se 0 ≤ Xn ↑ X . a função de distribuição acumulada determina a função característica de uma variável aleatória. EXn ↑ EX . X2 .5: Seja Y ∼ U (0. P1.CAPÍTULO 3. . |Xn | ≤ Y e Xn → X . EXn = 1 = 0 = E 0. . . X. Autor: Leandro Chaves Rêgo . mada de Fourier da densidade de probabilidade de X . Analogamente. X2 .3: Teorema da Convergência Monótona. 1). . ∀t ∈ R. Teorema 3. X1 . Assim X e Xn são integráveis e EXn → EX .2.2. No caso particular de uma variável aleatória discreta. Note também que de acordo com esta denição.2: A função característica de uma variável aleatória contínua é a transfor- 3. a função característica de qualquer variável aleatória é bem denida. variá- Exemplo 3. A função característica é limitada por 1: |ϕX (t)| ≤ 1. temos: ϕX (t) = k eitxk p(xk ). Considere a seguinte seqüência {X1 . Sejam Y. . variáveis aleatórias. temos |ϕX (t)| = E 2 cos(tX ) + E 2 sen(tX ) ≤ E (cos2 (tX ) + sen2 (tX )) = E 1 = 1. Prova: Como pela desigualdade de Jensen. Mas. EXn 0. Considere que Y seja integrável. Teorema 3.2. . ou seja. . X1 .1 Propriedades Antes de enunciarmos e provarmos algumas propriedades da função característica. Então. Observação 3. então.} de variáveis aleatórias: Xn (ω ) = n se Y (ω ) ∈ (0.2. temos: ∞ ϕX (t) = −∞ eitx fX (x)dx. a esperança na denição acima é nita e. 1/n) e Xn (ω ) = 0 em caso contrário. O próximo exemplo mostra que nem sempre Xn → X ⇒ EXn → EX . onde p(xk ) é a função probabilidade de X . vamos enunciar dois teoremas importantes que tratam da convergência de esperanças de variáveis aleatórias. FUNÇÕES CARACTERÍSTICAS 37 Note que como cos(tX ) e sen(tX ) são variáveis aleatórias limitadas. onde fX (x) é a função densidade de probabilidade de X . . A seguir listamos algumas propriedades da função característica. veis aleatórias. Sejam X. .

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

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

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

Mostraremos que ϕ é função característica.CAPÍTULO 3. resulta o valor 1. Portanto. EX = Xi = 0 e EX 2 = 2α EX 2 − (EX )2 = ( (1− ). X possuiria distribuição simétrica em torno de zero. Teorema 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 . temos que ϕ−X2 (t) = ϕ(−t) = ϕ(t). temos ϕX (t) = Diferenciando mais uma vez. onde a > 0.d.2. positiva denida e aplicada em 0. FUNÇÕES CARACTERÍSTICAS 41 Solução: Diferenciando ϕX . ϕX (t) = EeitX = peit + (1 − p). e seja Y = X1 − X2 . −(1 − α)2 2α sen(t) . a função característica de Y ? Solução: Seja ϕ a função característica de X1 e X2 . de alguma variável aleatória se. Suponhamos que X ∼ Bernoulli(p). se. Poisson.9: Sejam X1 e X2 duas variáveis aleatórias i. como X1 e X2 são independentes. V arX = −α)2 α)2 Portanto. temos que Exemplo 3.2 Exemplos de Funções Características Bernoulli. por P5.10: Uma função contínua ψ : R → C com ψ (0) = 1 é função característica Prova: Conforme propriedades já demonstradas. Então. n! n! n=0 Autor: Leandro Chaves Rêgo ∞ . A prova da recíproca será omitida. ϕ é função característica de X . (1 + α2 − 2α cos(t))4 ϕ (0) ϕX (0) i2 2α 2α = −( (1− ) = ( (1− ). achando a distribuição correspondente. ela for positiva denida. 3. então por P7. ∞ ϕX (t) = EeitX = n=0 eitn e−λ λn (λeit )n it = e−λ = eλ(e −1) . é evidente que uma distribuição simétrica concentrada nos dois pontos a e −a corresponderia a função característica ϕ. Logo. se for função característica. α)2 Exemplo 3. Como cos(at) = cos(−at).2. Com efeito teríamos cos(at) = ϕ(t) = E cos(tX ). onde P (X = 1) = p = 1 − P (X = 0). e somente se.8: Seja ϕ(t) = cos(at). e somente se. Qual ϕY (t) = ϕ(t)ϕ−X2 (t) = |ϕ(t)|2 .2. Então. se ϕ fosse função característica de alguma variável aleatória X . Já que assume valores reais.i.2. P (X = a) = 1/2 = P (X = −a). pois a parte imaginária seria nula. Então. Por P9 e P3. Suponhamos que X ∼ P oisson(λ). é contínua.

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

FUNÇÕES CARACTERÍSTICAS 43 Observação 3. x1 . onde a e b são pontos de continuidade de F . . . y ∈ [a. . pois limx→−∞ F (x) = 0 e limx→∞ F (x) = 1. xN tais que a = x0 < x1 < . . . 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 . Então. Já que g é uniformemente contínua em [a. b]. onde X é uma variável aleatória com função de distribuição F . função g é uniformemente contínua em [a. b] se |x − y | < δ . onde xi são pontos de continuidade de F e |g (x) − g (xi )| < para todo x ∈ [xi .1 podemos escolher x0 . essa integral é equivalente a: ∞ g (x)f (x)dx. Sejam a e b os pontos já escolhidos. podemos escolher a sucientemente pequeno e b sucientemente grande tal que III < . xi+1 ]. É fácil provar que toda função contínua em um intervalo fechado é uniformemente contínua neste intervalo. xi+1 Portanto. Autor: Leandro Chaves Rêgo . b] se para todo > 0. Seja c = supx∈R |g (x)| < ∞ e seja b > 0.3. essa integral é equivalente a: g (xi )p(xi ). para qualquer > 0. i e quando F for absolutamente contínua com função densidade de probabilidade f . No caso de F ser discreta. . e como Fn converge fracamente para F . . Para esses valores de a e b. . 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. e para n sucientemente grande.CAPÍTULO 3. como a e b são pontos de continuidade de F . xi+1 mni − Mi ≤ xi 1 Uma g (x)dFn (x) − xi g (x)dF (x) ≤ Mni − mi . −∞ onde esta última integral é a integral de Riemann. então |g (x) − g (y )| < . Então. existe δ > 0 tal que para todo x. . Prova: Para −∞ < a < b < ∞. b b b b | gdFn − gdF | ≤ | gdFn − a gdFn |+| a gdFn − a gdF |+| a gdF − gdF | = I +II +III. N − 1}. ela é calculada utilizando a integral de LebesgueStieltjes. . < xN = b.3: A integral g (x)dF (x) é a esperança de g (X ). Consideremos agora II . i ∈ {0. temos que I ≤ c(Fn (a) + 1 − Fn (b)) < 2 .

então Xn →D X . ϕXn (t) → ϕX (t). e (b) ϕ é a função característica de F .CAPÍTULO 3. quando j → ∞. ∀t ∈ R. . . . para n sucientemente grande. FUNÇÕES CARACTERÍSTICAS para i ∈ {0. 1] tais que F é nãodecrescente e contínua à direita e Fnj (x) → F (x). quando j → ∞. 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 . então (a) existe uma função de distribuição F tal que Fn → F fracamente. . segue que i=0 (mni − Mi ) ≥ −3 e N i=0 (Mni − mi ) ≤ 3 . temos que II ≤ 3 . 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 ). Teorema 3. e uma função F : R → [0.4: Sejam F1 . Somando. O próximo teorema implica a suciência do nosso objetivo nesta seção. Se ϕn converge pontualmente para um limite ϕ e se ϕ é contínua no ponto zero. Prova: Note que o teorema anterior implica que. ou seja. 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 )| < . . e Autor: Leandro Chaves Rêgo . . . Então. . para todo x ponto de continuidade de F . e uma função de distribuição F tais que Fnj → F fracamente. existem uma subseqüência Fn1 . Portanto. É fácil denir a função característica ϕ dada uma função de distribuição F : ϕ(t) = eitx dF (x). . (a) implica (b). . vamos primeiro provar que para toda seqüência de funções de distribuição satisfazendo as condições do teorema. Quando n → ∞. . N − 1}. se ϕXn → ϕX . . . suas funções características. . | gdFn − gdF | ≤ 6 para n grande o suciente. ϕ2 . logo. Como cos(tx) e sen(tx) são funções contínuas e limitadas. sob as hipóteses. Provaremos isso em duas etapas: (i) existem uma subseqüência Fn1 .3. Para provar que Fn converge fracamente para alguma função de distribuição. . F2 . Fn2 . funções de distribuições e ϕ1 .

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

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

Temos que Xn n 1− n e n n → 0. se t = 0. lim ϕXn (t) = n 0 . e assume-se que ela é independente das parcelas Xi . e Yn →D Y0 .3. 1). D 3. Prove que se Xn →D X . nito. Exemplo 3. Verique se ocorre Xn →D X para alguma variável aleatória X e obtenha sua distribuição.11: lim 1−p/n p in 1− n e t = 1. N S= i=0 Xi . onde Y ∼ N (a. Para parte (b). então aXn + b →D aX + b. onde X ∼ N (0.10: Se Xn e Yn são independentes para n ≥ 0. Como lim ϕ Xn (t) = p it . nós estudaremos somas de um número aleatório de variáveis aleatórias. se t = 0. Como ϕX0 (t) não é contínua não pode ser uma função característica. n). se t = 0 .3. A seqüência de variáveis aleatórias {Xn : n ≥ 1} é tal que cada Xn segue o modelo geométrico de parâmetro p/n. Xn →D X0 .9: Seja {an : n ≥ 1} uma seqüência de números reais com an → a para a 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. Encontre o limite em distribuição de Xn + Yn .3.8: Prove que se Xn →D X .3.7: Suponha que Xn ∼ U (−n. Exemplo 3. então Xn + an →D Y . se t = 0 1 . Por exemplo. e ϕ Xn (t) = ϕXn ( ) = p it e n n n Exemplo 3. S então seria o tempo total do serviço. onde N é uma variável aleatória inteira e não negativa. 1).CAPÍTULO 3.3. para a e b constantes reais. N pode ser o número de clientes. note que pelo teorema da continuidade. n −p/n 1−p/n t Solução: Temos ϕXn (t) = 11− . Em nossas aplicações assumiremos Autor: Leandro Chaves Rêgo . para algum 0 < p < 1. (b) Existe alguma variável aleatória X0 tal que Xn → X0 ? Solução: Como ϕX (t) = temos que sen(nt) nt 1 . temos que se existir tal que ϕX0 (t) seria sua função característica. ou seja. FUNÇÕES CARACTERÍSTICAS 47 Exemplo 3. Mostre que (a) Mostre que limn ϕXn (t) existe.4 Soma de um Número Aleatório de Variáveis Aleatórias Nesta seção.

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

também existe uma fórmula da inversão para a função característica multidimensional que pode ser usada para provar a unicidade da função característica: Teorema 3. Autor: Leandro Chaves Rêgo .5. é independente da probabilidade que clientes cam satisfeitos. i ≥ 1. Determine a distribuição de probabilidade de S o número total de clientes satisfeitos no tempo T . a função característica determina a distribuição. Então temos. onde ϕX (t) = peit + (1 − p) e ϕN (t) = eλ(e it −1) . N Exemplo 3. Substituindo temos: ϕS (t) = eλ(e i(−i log(peit +(1−p))) −1) = eλ(pe it +(1−p)−1) = epλ(e it −1) . Para P5. Desta forma.5 Função Característica de um Vetor Aleatório Denição 3. 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 ). Se X e Y forem vetores aleatórios k -dimensionais tais que ϕX (t) = ϕY (t). temos que S ∼ P oisson(pλ). Em outras palavras. FUNÇÕES CARACTERÍSTICAS 49 Suponha que N ∼ P oisson(λ) representa o número de clientes que são atendidos em um dado tempo T . . Solução: Seja Xi ∼ Bernoulli(p). .5. . . Xk .2: Teorema da Unicidade. Xk ) um vetor aleatório k -dimensional. Assuma que os clientes cam satisfeitos com o serviço de maneira independente e que N . ϕX é também chamada de função característica conjunta de X1 . . Pela unicidade da função característica. Quanto a P6. . . A função característica multivariada tem propriedades análogas a todas as propriedades enunciadas para a função característica de uma variável aleatória. a independência de X e Y implica que ϕX +Y (t) = ϕX (t)ϕY (t).2 : S= i=0 Xi .CAPÍTULO 3. então X e Y têm a mesma distribuição. . Suponha ainda que com probabilidade p o i-ésimo cliente ca satisfeito com o atendimento. onde X0 = 0. sabemos que ϕS (t) = ϕN (−i log ϕX (t)). Sob esta condição.1: Seja X = (X1 . ∀t ∈ I Rk . e podemos escrever: ϕX = ϕY ⇔ FX = FY . a variável aleatória que descreve se o i-ésimo cliente cou ou não satisfeito com o atendimento. As propriedades P1P4 e P7 são válidas com as óbvias modicações (a reta é substituída por I Rk ). 3.4. supõe-se que X e Y sejam vetores de mesma dimensão.

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

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

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

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

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

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

equivalentemente.000. o que é equivalente a n ≥ 0. Exemplo 4.01? Utilizando a equação (4. 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 0.1) Corolário 4. e: P (|fA − p| ≥ 0. 01 por δ e . respectivamente. Então.2. δ = 0.d. são classicadas como defeituosas ou perfeitas. Um grande número de peças. 95 para que a freqüência relativa dira de p = P (A) por menos do que. Consideremos uma seqüên- cia de ensaios binomiais independentes. Deste modo encontraremos que se n ≥ 4(0. deveremos aplicar a última fórmula com 1 = 0. Autor: Leandro Chaves Rêgo .05) 2 0.4: Lei dos Grandes Números de Bernoulli. estamos certamente seguros se armamos que para n ≥ 4 1 2 δ teremos P (|fA − p| < ) ≥ 1 − δ. ou. teremos P (|fA − p| < ) ≥ 1 − δ sempre que n ≥ p(1 − p) . 0. a Lei Fraca de Chebyshev np n implica que Sn − →P 0. 05? Solução: Porque não conhecemos o valor de p. tendo a mesma probabilidade p de sucesso em cada ensaio. e integráveis com média µ = p. 01)2 p(1−p) p(1−p) ou seja.05(0 . a condição exigida será satisfeita. por isso. 01) ≤ p(1 − p) .01)2 valores especícos de 0. . e esse valor máximo é igual a 1/4. temos que 56 P (|Sn − ESn | ≥ n ) ≤ V ar(Sn ) c ≤ 2 → 0.01)2 .01 = 10. então Sn P → p n Prova: Seja Xn = 1 se o n-ésimo ensaio é sucesso.CAPÍTULO 4. V arSn = np(1 − p). Como V arXn = p(1 − p). queremos que n ≤ 0. n(0.i. não conhecemos o valor de p = P (A) e. poderemos empregar o fato de que p(1 − p) toma seu valor máximo quando p = 1/2.5: Peças são produzidas de tal maneira que a probabilidade de uma peça ser defeituosa é p (admitida desconhecida). são i. Conseqüentemente. não poderemos empregar o limite acima. digamos n. 05. Substituindo os (0. LEI DOS GRANDES NÚMEROS Pela desigualdade de Chebyshev. X2 . .2. ESn = np. digamos. 05. S →P p. δ ( )2 Em muitos problemas. Xn = 0 caso contrário. X1 . 2 n2 n (4. onde Sn é o número de ocorrências do evento A em n realizações do experimento temos que Sn /n = fA . 01.1). . Se Sn é o número de sucessos nos primeiros n ensaios. 05 e 0. 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. Nesse caso.

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

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

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

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

.. 2 x j j j n j j −1 x dF (x) = j =−n+1 2 x2 dF (x). Prova: Pelo teste da integral.5 : Então. X2 . n Pelo teste da integral. 3 Logo. a primeira Lei Forte de Kolmogorov implica que EX1 + · · · + EXn → 0 cp1. Logo. Seja X uma variável aleatória integrável com função de distribuição F . Antes de enunciarmos e provarmos a Segunda Lei Forte de Kolmogorov.4 : Sejam X1 .3. 1+ √ √ 2 + ··· + √ √ n n≥ 0 √ 2n3/2 xdx = . 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 + ≤ . 3 1+ 2 + ··· + n √ n ≥ 2n1/2 → ∞. pode-se vericar que X− √ Portanto. ou seja n √ √ √ 1 + 2 + ··· + n X− → 0 cp1. note que para j = 1. . Xn variáveis aleatórias independentes com Xn ∼ P oisson( n). temos que ∞ n=1 V arXn = n2 ∞ √ n n=1 n2 < ∞. . considere o seguinte lema: Lema 4.3. . LEI DOS GRANDES NÚMEROS 61 Exemplo √4. 2. para cada n ≥ 1√ . Solução: Como V arXn = n.CAPÍTULO 4. ∞ ( n=1 1 n2 n −n x2 dF (x)) < ∞. Autor: Leandro Chaves Rêgo . X → ∞ cp1. . Calcule o limite quase-certo de X . . .

n]. e 1 ( 2 n n=1 ∞ ∞ n −n j ∞ x2 |j |+1 j ≤ |x| em (j − 1.. Seja Zn = Xn − Yn . Para provar (a).+EYn n → 0 (usaremos o Teorema da Convergência Dominada). +EYn − EY1 +. P (Zn = 0) = P (Xn ∈ / (−n. → 0 quase certamente (usaremos a Primeira Lei Forte e o n Lema 4. temos 0 j x dF (x)) ≤ 2 j =1 j −1 ∞ 2 xdF (x) + 2 j =−∞ j −1 |x|dF (x) = (4. j ]. .. .3. + Xn → µ quase certamente. . para j ≤ 0. É fácil ver que (a).6: Sejam X1 . com EXn = µ.. para j ≥ 1.3. identicamente distribuídas e integráveis. .CAPÍTULO 4. A seguir enunciamos e provamos a Segunda Lei Forte de Kolmogorov.4) =2 j =−∞ j −1 |x|dF (x) = 2 −∞ |x|dF (x) = 2E |X | < ∞. + Zn = + . denamos Yn = Xn I[−n<Xn ≤n] . . + Yn Z1 + . ..+Yn n → 0 quase certamente (usaremos Borel-Cantelli). Vamos truncar as variáveis Xn . n n n A prova terá três partes: (a) (b) (c) Z1 +. Então.. . n]) ≤ P (|Xn | ≥ n). 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). . variáveis aleatórias independentes. Teorema 4. e (c) implicam o teorema.. . + Xn Y1 + . n Prova: Suponhamos sem perda de generalidade que µ = 0. Logo. . de modo que X1 + . .. Autor: Leandro Chaves Rêgo .5). X2 . j ]. X1 + . note que Zn = 0 ⇔ Yn = Xn ⇔ Xn ∈ / (−n. e EY1 +. (b). |j | + 1 Como x2 j ≤ x em (j − 1.+Zn n Y1 +..

+ Zn Z1 + . Borel-Cantelli implica que P (An innitas vezes) = 0.5. . Solução: De acordo com a Segunda Lei Forte de Kolmogorov. temos V ar(Yn ) ≤ Portanto. Como Yn = Xn I[−n<Xn ≤n] .7: As variáveis Xn . .3. Isso signica que P (Zn = 0 para todo n sucientemente grande) = 1. é suciente mostrar que EYn → 0. precisamos mostrar que 2 2 2 = V arXn + (EXn )2 = λ é nita para todo n. temos que a seqüência 2 : n ≥ 1} satisfaz a Lei Forte dos Grandes Números. LEI DOS GRANDES NÚMEROS Mas os eventos An = [Zn = 0] satisfazem ∞ ∞ ∞ 63 P (An ) ≤ n=1 n=1 P (|Xn | ≥ n) = n=1 P (|X1 | ≥ n) ≤ E |X1 | < ∞. Para provar (c). Mostre que a seqüência {Xn Grandes Números. . Exemplo 4. n ≥ 1. . F = FXn . Portanto. onde a última desigualdade decorre do Lema 4. Portanto. n n Para provar (b). Mas se Zn = 0 para n sucientemente grande. (b) decorre da primeira Lei Forte de Kolmogorov. pelo teorema da convergência dominada que se aplica pois |X1 | domina X1 I[−n≤X1 ≤n] 's e é integrável. então Zn → 0 e Z1 + . EYn = E (Xn I[−n<Xn ≤n] ) = E (X1 I[−n<X1 ≤n] ) → EX1 = 0.CAPÍTULO 4.3. + Zn → 0. são independentes e todas têm distribuição 2 : n ≥ 1} satisfaz a Lei Forte dos Exponencial de parâmetro λ. {Xn Autor: Leandro Chaves Rêgo . ou seja P (Zn = 0 innitas vezes) = 0. 2 E (Yn ) = 2 E (Xn I[−n<Xn ≤n] ) n = −n x2 dF (x). seja F a função de distribuição comum. logo P ( → 0) = 1. Como EXn EXn 2 < ∞. Veriquemos a condição da primeira Lei Forte de Kolmogorov para as variáveis aleatórias Yn . ∞ n=1 V ar(Yn ) ≤ n2 ∞ n=1 1 n2 n −n x2 dF (x) < ∞. Mas.

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

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

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

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

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

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

16 n→∞ n 5. . Suponha que X1 tenha variância nita.3. Teorema 5. Prove que N (0. Vamos determinar a ordem de s3 n . Seja X n a média amostral. nós enunciamos formalmente o teorema sem prová-lo. 1). . . tem-se que a distribuição da média amostral centrada converge para uma distriuição normal multivariada. uma seqüência de vetores aleatórios k -dimensionais. →D Solução: Vamos vericar a condição de Liapunov para δ = 1. o Lema anterior implica que n k=1 E |Xk − µk | é da ordem de n .9: Sejam X1 . . .1 : Seja X1 . X2 . Como µk = EXk = 0 e 2 σk = V ar(Xk ) = 2 EXk 1 = 2k n k2 x dx = . . independentes. quando n → ∞. . e sejam µ a média e Σ a matriz de covariância de X1 . . X2 . Então. 3 n 9 Então. temos 3 −k 2 k s2 n = k=1 k2 . temos: s2 1 n → . denida como a média aritmética dos vetores X1 . Xn . √ n(X n − µ) →D N (0.CAPÍTULO 5. 3 Portanto. independentes e identicamente distribuídos. . Neste caso. A seguir. 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 = 0.3 Teorema Central do Limite: Caso Multivariado Concluímos dizendo que o Teorema Central do Limite também pode ser estendido ao caso de vetores aleatórios. 4 3 4 Logo. n]. Autor: Leandro Chaves Rêgo . Temos E |Xk − µk |3 = E |Xk |3 = 1 2k k −k |x|3 dx = 1 k k 0 x3 dx = k3 . Xn ∼ U [−n. . Σ). . TEOREMA CENTRAL DO LIMITE 73 Sn −ESn sn Exemplo 5. aplicando o resultado do Lema.2.

Então. P (−K2 ≤ Yn ≤ K1 ) ≥ Hn (K1 ) − Hn (K2 ) > 1 − .2: Se {Yn } é limitada em probabilidade e Xn = o(Yn ).4 Método Delta O método Delta é um resultado que aumenta signicativamente a relevância do Teorema Central do Limite. (5. então a seqüência é limitada em probabilidade. Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H (K1 ) > 1 − /4 e H (−K2 ) < /4. τ 2 ). então Xn →P 0. e então √ n[f (Tn ) − f (θ)] = √ √ n(Tn − θ)f (θ) + o( n(Tn − θ)). Dizemos que uma seqüência de variáveis aleatórias {Yn } é limitada em probabilidade se para todo > 0. Yn | |Xn | > ⇒ |Yn | > K . precisamos mostrar que existe N tal que P (|Xn | > ) < δ para todo n ≥ N .4. Logo P (|Xn | > ) ≤ P (|Yn | > K ) < δ. vamos provar dois lemas. TEOREMA CENTRAL DO LIMITE 74 5. Façamos N = max(n1 . existir K e n0 tal que P (|Yn | ≤ K ) > 1 − para todo n > n0 . Como Xn = o(Yn ).4.CAPÍTULO 5. Antes de enunciarmos o teorema. O resultado está provado se escolhermos K = max(|K1 |. 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). Escolhamos n0 tal que. sabemos que existe n| n2 tal que ||X < K para todo n ≥ n2 . Teorema 5. Hn (K1 ) > H (K1 ) − /4 > 1 − /2 e Hn (−K2 ) < H (−K2 ) + /4 < /2. τ 2 [f (θ)]2 ). então √ n[f (Tn ) − f (θ)] →D N (0. Autor: Leandro Chaves Rêgo . |K2 |). ∀n > n0 . n2 ).1: Se {Yn } converge em distribuição para uma variável aleatória com função de distribuição H .4. existe K e n1 tal que P (|Yn | ≤ K ) > 1 − δ para todo n ≥ n1 . Lema 5.2) desde que f (θ) exista e não seja zero. então para n ≥ N . Como {Yn } é limitada em probabilidade. Prova: Dados quaisquer > 0 e δ > 0. Lema 5.3: Se √ n(Tn − θ) →D N (0.

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

1). Logo. Logo. λ Fazendo c = 1. N (0. 2σ 4 ). θ = σ 2 . e τ 2 (θ) = 2θ2 .d. √ Exemplo 5.4. Seja Yi = Xi2 . temos que √ √ 2 n( X − λ) →D N (0. σ 2 ). onde as Xi 's são i. 2 σ Autor: Leandro Chaves Rêgo . No caso de Poisson. ou seja. Então. TEOREMA CENTRAL DO LIMITE 76 desde que a derivada de f exista em θ e seja diferente de 0. temos θ = λ e τ (θ) = λ.i. A distribuição limite do lado direito terá portanto variância constante c2 se f (θ) = τ (cθ) . 1). Tn = Y . c c f (θ) = √ ou f (θ) = √ log θ. A transformação resultante é dita ser estabilizadora de variância.5: Poisson. EYi = σ 2 e V arYi = 2σ 4 e pelo Teorema Central do Limite. temos √ n(Y − σ 2 ) →D N (0.CAPÍTULO 5. vemos que n Y log( 2 ) →D N (0. 2θ 2 Fazendo c = 1. √ c f (λ) = √ ou f (λ) = 2c λ. Exemplo 5.4.6: Chi-Quadrado.

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

Sign up to vote on this title
UsefulNot useful