Elementos de Teoria da

Probabilidade

Os ar J. P. Eboli
e J. Fernando Perez

Instituto de F
si a
Universidade de S~
ao Paulo

Fevereiro de 2004

^
APENDICE
A
Breve Introdu ~ao a Teoria da
Probabilidade
A Me ^ani a Qu^anti a traz em sua estrutura objetos que, independente
de qualquer postulado interpretativo, s~
ao des ritos em Matemati a no
ontexto da Teoria das Probabilidades. Os postulados interpretativos
tornam-se naturais do ponto de vista on eitual ao onstatarmos esse
fato. Este ap^endi e tem por objetivo sumarizar e familiarizar o leitor
om esse instrumental matemati o.

A.1 Con eitos basi os

A teoria da probabilidade e o aptulo da Matemati a que forne e as
ferramentas on eituais para a analise de fen^omenos que em Ci^en ias
Naturais s~ao lassi ados omo aleatorios. A palavra aleatorio e usada
para ontrastar om a palavra determinsti o no seguinte sentido. Consideremos um onjunto C de ondi ~oes sob as quais um determinado
experimento e realizado. Um determinado evento A e denominado
erto, seguro ou ne ess
ario se ada vez que o experimento for realizado observando-se exatamente as mesmas ondi ~oes C , veri ar-se a
o orr^en ia do evento A. Se ao ontrario sob as mesmas ondi ~oes C o
evento A nun a o orre, ele e de larado impossvel. Um sistema fsi o e
dito determinsti o quando ada evento pode ser apenas ne essario ou
impossvel.
1

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

Exemplo:

Se um objeto apenas sob a a ~ao da for a da gravidade,

num lo al onde a a elera ~ao da gravidade tem o valor g , for abandonado om velo idade ini ial zero e a uma altura h do solo ( onjunto C
de ondi ~oes),pent~ao ne essariamente o objeto atingira o solo om velo idade v = 2gh (evento A). De maneira geral, todos os fen^omenos
des ritos no ^ambito da Me ^ani a Classi a, quando o onjunto C de
ondi ~oes forne e om pre is~ao absoluta as posi ~oes e velo idades ini iais de todas as part ulas envolvidas bem omo as for as atuantes, s~ao
determinsti os, isto e, todo evento e ne essario ou impossvel.
Ha porem fen^omenos para os quais a espe i a ~ao de um onjunto
C de ondi ~oes pode ser insu iente para que um determinado evento
A seja apenas ne essario ou impossvel, i.e. o evento A as vezes o orre
e as vezes n~ao. Tais fen^omenos s~ao al unhados de aleatorios.

Exemplo: Os exemplos mais tpi os s~ao os lan amentos de um mesmo

dado ou de uma mesma moeda ( onjunto C de ondi ~oes) e os eventos

referem-se aos resultados, por exemplo, A = dar ara no lan amento
da moeda ou dar o numero 4 no lan amento do dado. Note que se
o onjunto C de ondi ~oes forne er exatamente a posi ~ao ini ial e velo idade ini ial de todos os pontos dos solidos envolvidos ent~ao esses
dois fen^omenos s~ao de natureza determinsti a: e so a nossa ignor^an ia
sobre as ondi ~oes ini iais bem omo a di uldade de pre isa-las de
forma absoluta que determinam o arater aleatorio desses fen^omenos.
Uma des oberta relativamente re ente mostra porem que os hamados
sistemas aoti os, embora des ritos no ^ambito da Me ^ani a Classi a e
portanto determinsti os, por apresentarem extrema sensibilidade em
rela ~ao as ondi ~oes ini iais, devem ser tratados omo aleatorios ja que
mnimas in ertezas om rela ~ao as ondi ~oes ini iais impli am num grau
imprevisibilidade quase que absoluto.

A.1.1 Espa o amostral

Dado um fen^omeno aleatorio, tal omo o resultado de uma roleta ou
de um dado, denimos o ESPAC
 O AMOSTRAL S omo sendo o
onjunto de todos os resultados possveis.

A.1.

Con eitos b
asi os

Exemplos:

Para des rever o resultado do lan amento de uma moeda temos

um espa o amostral om 2 elementos, a saber, S0 = f 1; +1g
onde o ponto 1 representa C  ara e +1 representa K  oroa.
 laro que o onjunto S0 pode ser substitudo por qualquer onE
junto om exatamente dois elementos.

No aso do lan amento de 1 dado o espa o amostral pode ser

representado pelo onjunto S1 = f1; 2; 3; 4; 5; 6g.

Para o lan amento de 2 dados o espa o amostral e dado pelo

produto artesiano S2 = S1  S1 = f(1; 1); (1; 2); (1; 3); : : : ; (6; 5);
(6; 6)g = fx = (x1 ; x2 ) j xi 2 S1 ; i = 1; 2g om 36 elementos.
Analogamente o lan amento de N dados pode ser des rito por
S = (S1 )N = fx = (x1 ; x2 ; : : : ; xN ) j xi 2 S1 ; i = 1; 2; :::; N g ou
por qualquer onjunto om 6N elementos.

No lan amento de 3 moedas podemos utilizar

S3 =

f(CCC ); (CCK ); (CKC ); (KCC );

(CKK ); (KCK ); (KKC ); (KKK )g

fC; K g  fC; K g  fC; K g ;

om 2 elementos, ou simplesmente S = (S ) = fx = (x ; x ; x )
j xi 2 S ; i = 1; 2; 3g. De novo, para o lan amento de N moedas
=

podemos tomar omo espa o amostral o produto artesiano S =

(S0 )N = fx = (x1 ; x2 ; : : : ; xN ) j xi 2 S0 ; i = 1; 2; : : : ; N g.

De maneira geral se S e o espa o amostral que des reve um determinado fen^omeno aleatorio, o espa o adequado para des rever
N repeti ~oes dependentes ou independentes do experimento e o
produto artesiano (S )N = fx = (x1 ; x2 ; : : : ; xN ) j xi 2 S; i =
1; 2; : : : ; N g.

O espa o amostral que representa a posi ~ao num dado instante

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

de uma part ula exe utando movimento Browniano pode ser des rito por S = R3 .

A vida util de l^ampadas em horas esta asso iada ao espa o amostral S = fx 2 R j 0 < x  5000 horasg.

A.1.2 Eventos
Denimos um EVENTO (E ) omo sendo qualquer sub onjunto do
espa o amostral. Nas apli a ~oes prati as um evento refere-se a algum
aspe to observavel num determinado experimento om espa o amostral
S dado.

Exemplos:

Dado S1 a ima, podemos onsiderar os seguintes eventos:

E1 = f1; 3; 5g, isto e, o resultado e mpar.

E2 = f2; 4; 6g, isto e, o resultado e par.
E3 = f1; 2; 3; 5g, isto e, o resultado e primo.

Para o espa o S2 a ima, podemos ter E1 = f(2; 2); (1; 3); (3; 1)g
= f(x1 ; x2 ) 2 S2 j x1 + x2 = 4g, isto e, soma 4 em 2 lan amentos.

No lan amento de tr^es moedas S3 : F1 = f2 ou mais arasg =

f(CCC ); (CCK ); (CKC ); (KCC )g orrespondendo a propriedade de haver pelo menos 2 \ aras " em 3 lan amentos da moeda.
Alternativamente o onjunto F1 pode ser des rito atraves de F1 =
fx = (x1 ; x2; x3 ) 2 S3 jx1 + x2 + x3  1g.

Duas pessoas ombinam de se en ontrar em um determinado lo al

no intervalo de tempo que vai das 2 ate as 3 horas da tarde, om a
ondi ~ao de que uma so espera pela outra por no maximo 10 minutos. Supondo que as pessoas hegar~ao aleatoriamente ao lo al

A.2.

Probabilidades

dentro do intervalo de tempo ombinado, o espa o amostral adequado pode ser des rito omo S4 = [0; 602 = fx = (x1 ; x2 ) j xi 2
[0; 60; i = 1; 2g. O evento E orrespondente a o orr^en ia do
en ontro e dado por

E = fx 2 S4 j jx1

x2 j < 10g :

 onveniente introduzir dois eventos triviais:

E

E = S  evento erto pois sempre o orre;

E = ; (vazio)  evento impossvel visto que nun a o orre.
Mais ainda, dados dois ou mais eventos E e F , podemos gerar novos
eventos atraves das opera ~oes usuais de onjuntos: E [ F , E \ F ,
E nF . Assim, dado um evento E , denimos o seu evento omplementar
E = S nE:

Deni ~ao:

dizemos que dois eventos E e F s~ao eventos mutua-

mente ex lusivos se E \ F = ;.

Exemplos:

Em S1 os eventos E1 e E2 a ima, s~ao mutuamente ex lusivos dado

que E1 \ E2 = ;.

Em S3 denindo F2 = fKKK g, segue que F1 e F2 s~ao mutuamente ex lusivos ja que F1 \ F2 = ;.

A.2 Probabilidades
Existem fen^omenos aleatorios que apresentam uma ara tersti a notavel: dado o onjunto C de ondi ~oes, embora elas sejam insu ientes
para que um determinado evento A seja erto ou impossvel, repetindose o experimento N vezes observa-se que a fra ~ao

nA
;
N

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

onde nA e o numero de vezes em que o evento A o orreu, tende a

estabilizar-se quando N res e, onvergindo para um numero que denotaremos por
nA
:
pA = Nlim
!1 N
Quando um fen^omeno aleatorio apresenta esta notavel propriedade para
todo evento A, dizemos que esse sistema e probabilsti o ou esto asti o
e que o numero pA e a probabilidade do evento A. Para um tal sistema
o numero pA representa a frequ^en ia de o orr^en ia do evento A .
Essas onsidera ~oes juntamente om as propriedades de frequ^en ias
motivam a introdu ~ao de deni ~ao abaixo.

Deni ~ao: A ada evento E de um espa o amostral S asso iamos um

numero real P(E ), hamado probabilidade, o qual satisfaz as seguintes

propriedades:
1. 0  P(E )  1 ;
2. P(S ) = 1 ;

3. Se os eventos
ao mutuamente ex lusivos ent~ao
P Ei ; i = 1; 2; ::: s~
P([i Ei ) = i P(Ei ).

Exemplos:

No lan amento de um dado honesto, a probabilidade de uma dada

fa e e 1=6, i.e. para o espa o amostral S1 se E = fxg e um
onjunto om um uni o elemento x 2 S1 , ent~ao P(E ) = 61 . A
probabilidade de um evento qualquer e obtida a partir destas
utilizando a propriedade (3) a ima.1

Uma lasse muito grande de exemplos pode ser des rita atraves
de espa os amostrais nitos, i.e., S e uma ole ~ao nita

S = fx1 ; :::; xN g
1 Exer 
 io:

Mostre este fato, e ompute a probabilidade do evento asso iado

ao resultado ser primo.

A.2.

Probabilidades

de elementos. Nesse aso a probabilidade P(E ) de um evento

qualquer E  S pode, omo no exemplo a ima, ser ompletamente denida a partir de uma ole ~ao de N numeros fp1 ; :::; pN g
satisfazendo

pi  0 ,
onde
e

N
X

pi = 1 ;

i=1

P(xi ) = pi
P(E ) =

X
xi 2E

pi :

Por exemplo, se todos os resultados possveis xi tem a mesma

frequ^en ia de o orr^en ia temos
1
pi = ;

em ujo aso a probabilidade de um evento E e dada por

P(E ) =

nE
;
N

onde nE e o numero de elementos no onjunto E .

No exemplo das 3 moedas lan adas independentemente, i.e. para

o espa o amostral S3 a probabilidade de uma sequ^en ia x 2 S3 e
px = 1=8.

Consideremos o lan amento de dois dados que e des rito pelo

espa o amostral S2 . A probabilidade de no segundo lan amento
sair 2 ou 3, i.e. a probabilidade do evento E = fx j x2 2 f2; 3gg
e dada por P(E ) = 31 . Justique esse resultado intuitivamente
obvio a partir da deni ~ao de P(E ).

Considere o espa o amostral S4 = [0; 602 introduzido a ima para

des rever o problema do en ontro de suas pessoas. A probabilidade de um evento qualquer F  S4 e dada pela raz~ao
area de F
:
P(F ) =
area de S4

^
APENDICE
A.

Exer  io:

Breve Introdu
~
ao 
a Teoria da Probabilidade

Cal ule a probabilidade P(E ) de o orrer o en ontro.

De maneira geral a es olha aleatoria de um numero real no intervalo S5 = [a; b, onde a < b, tem a probabilidade do numero estar
em E  S5 dada por

P(E ) =

jE j ;
b a

onde jE j e o omprimento do onjunto E .

A.2.1 Propriedades da probabilidade

Pode-se demonstrar2 que a deni ~ao dada para a probabilidade P onduz as seguintes propriedades:
1. P() = 0

(Di a: use S = S [  e o axioma (3) )

2. P(E ) = 1

P(E )

(Use que S = E + E ; E \ E = )

3. P(E [ F ) = P(E ) + P(F )

P(E \ F )

4. P(E [ F ) = P(E ) + P(E \ F )

A.2.2 Distribui o~es de probabilidade

Para espa os amostrais ontnuos, omo nos dois exemplos anteriores,
a situa ~ao mais tpi a e quando S  Rn e a probabilidade de eventos e denida atraves de uma fun ~ao  : S ! R om as seguintes
propriedades:
a) R(x)  0, para todo x = (x1 ; :::; xn ) 2 S e
b) S  (x) dn x = 1 :
A probabilidade de evento E

 S e ent~ao expressa atraves de

P(E ) =
2 Demonstre

estas propriedades!

 (x) dnx :

A.2.

Probabilidades

Por essa raz~ao a fun ~ao  e denominada de densidade de probabilidade.

Exer  io: Determine as densidades de probabilidade nos dois exemplos anteriores.

Exemplos:

Na reta real, S = R algumas densidades de probabilidade frequentes s~ao:

1. Distribui ~ao gaussiana, denida atraves de 2 par^ametros  >
0 e x0 2 R

 (x) =

"

p1

2 

exp

(x

x0 )
2 2

2. Distribui ~ao de Cau hy om par^ametro > 0

 (x) =

1
;
 x2 + 2

3. Distribui ~ao exponen ial om par^ametro > 0

 (x) =

se x > 0
:
0 se x  0
x

Exer  io:

Verique que as 3 fun ~oes  a ima denem densidades de

probabilidade.

Se uma part ula em R3 parte da origem no instante t = 0 e exe uta um movimento Browniano num meio om onstante de difus~ao D, a probabilidade da part ula no instante t  0 en ontrarse no onjunto E  R3 e dada atraves da densidade de probabilidade


1
~x2
:
t (~x) =
3 exp
4tD
(4tD) 2

Exer  io:

Verique que a fun ~ao t tem as propriedades ara tersti as de uma densidade de probabilidade.

^
APENDICE
A.

10

Breve Introdu
~
ao 
a Teoria da Probabilidade

A.2.3 Distribui o~es mistas

Espa os amostrais ontnuos podem tambem a omodar densidades de
probabilidade on entradas em pontos, om isso sendo possvel tratar
espa os amostrais dis retos atraves de densidades de probabilidade. Por
exemplo, onsideremos o espa o dis reto Sd = fa1 ; a2 ; :::; an j ai 2 Rg,
om probabilidades P(ai ) = pi  0, que satisfazem
n
X

pi = 1 :

i=1

Ent~ao, a fun ~ao generalizada denida no espa o amostral S = R

 (x) =

n
X

pi (x ai )

i=1

pode ser usada para denir probabilidades de eventos E

de

P(E ) =
=

dx (x)

X
i2E

 R, atraves

pi ;

o que esta de a ordo om o que vimos anteriormente. Neste aso dizemos que a probabilidade esta on entrada nos pontos ai ; i = 1; : : : ; n,
pois P(E ) = 0 se o onjunto E n~ao ontiver nenhum dos pontos
a1 ; : : : ; a n .

Exer  io: Verique que a fun ~ao generalizada  dene uma densidade de probabilidade e que P(E ) tem as propriedades de probabilidade.
Em espa os amostrais ontnuos podemos a omodar superposi ~oes
de densidades ontnuas om densidades on entradas em um onjunto
ontavel de pontos. Vejamos isto atraves de alguns exemplos.

Exemplos:

Considere S = R e

 (x) = 1 (x) + 2 (x)

A.2.

Probabilidades

11

onde   0;   0 ,  +  = 1 om 1 e 2 sendo densidades de

probabilidade. Ent~ao,  tambem e uma densidade de probabilidade; verique! Se 1 for por exemplo a densidade

1 =

n
X

pi (x ai ) ;

i=1

omo a ima e 2 for uma distribui ~ao ontnua, omo por exemplo
a gaussiana, de Cau hy ou qualquer outra dada por uma fun ~ao
positiva integravel, tem-se ent~ao uma densidade mista

P(E ) = 

X
i2E

pi + 

Z
E

2 (x) dx :

No exemplo do movimento Browniano a densidade t que e ontnua para t > 0, entretanto, no limite t ! 0, produz a densidade
dis reta
0 (~x) = lim
t = (~x) ;
t!0
onsistente om a ondi ~ao de que a part ula estava na origem
em t = 0; justique esta armativa! Sugest~ao: verique antes
que o mesmo efeito o orre para as distribui ~oes gaussiana e de
Cau hy nos limites  ! 0 e ! 0, respe tivamente.

A.2.4 Eventos Independentes

Em um fen^omeno aleatorio dois eventos s~ao ditos independentes se
o orr^en ia ou n~ao o orr^en ia de um deles n~ao afetar a o orr^en ia do
outro. Tipi amente tem-se em mente exemplos tais omo no lan amento
de 2 dados, onde um dos eventos refere-se somente ao resultado do
primeiro dado e outro somente ao resultado do segundo dado. Do ponto
de vista formal temos

Deni ~ao:

Em um espa o de probabilidade om espa o amostral

S e om probabilidade P, dois eventos E e F s~ao independentes se

P(E \ F ) = P(E )  P(F ).

^
APENDICE
A.

12

Breve Introdu
~
ao 
a Teoria da Probabilidade

Exemplos:

No lan amento de 3 moedas os eventos E = ara na primeira

= fx 2 S3 jx1 = 1g e F = oroa na segunda = fx 2 S3 jqx2 =
+1g = s~ao independentes. Por outro lado, os eventos G = fx 2
S3 j x1 + x2 = 0g e H = fx 2 S3 j x1 x2 = 0g n~ao independentes.
Verique estas armativas.

Exemplos tpi os de eventos independentes s~ao produzidos da

seguinte forma:
1. Considere dois espa os amostrais nitos: S = fx1 ; :::; xn g
e R = fy1 ; :::; ym g om probabilidades denidas a partir
dos numeros pi = Pfxi g, i = 1; :::; n e qj = Pfyj g, j =
1; :::; m e formemos o espa o amostral produto T = S 
R = f(xi ; yj ); i = 1; :::; n; j = 1; :::; mg om probabilidade
denida atraves de

pij = Pf(xi ; yj )g = pi qj :
Nessas ondi ~oes os eventos E = A  R e F = S  B s~ao
independentes qualquer que sejam A  S e B  R.
2. Considere dois espa os amostrais S1 e S2 ontnuos, por
exemplo S1 = S2 = R e duas densidades 1 e 2 em R.
A fun ~ao
 (x1 ; x2 ) = 1 (x1 ) 1 (x2 )

dene ent~ao uma densidade de probabilidade em S1  S2 =

R2 . Nessas ondi ~oes os eventos E = A  S2 e F = S1  B
s~ao independentes.

Exer  io.

Verique a independ^en ia dos eventos E e F nos dois

exemplos a ima.

Menos trivial do que os asos a ima des ritos e o seguinte exemplo. Considere em S = R2 a densidade gaussiana
1
 (x1 ; x2 ) = exp
2

x21 + x22
2

A.3.

Vari
aveis Aleat
orias

13

e mostre que os eventos E = fx = (x1 ; x2 ) j (x1 + x2 ) 2 Ag

e E = fx = (x1 ; x2 ) j (x1 x2 ) 2 B g, onde A; B  R s~ao
onjuntos arbitrarios, s~ao independentes.

A.3 Variaveis Aleatorias

Em fen^omenos aleatorios e natural asso iar a ada resultado possvel de
um experimento um numero real. Isto e feito denindo-se uma variavel
aleatoria f , a qual e uma fun ~ao no espa o amostral S .

f :S!R;
x 2 S ! f (x) 2 R :

Exemplos:

No aso do lan amento de um dado,

S1 = f1; :::; 6g as fun ~oes


i.e.

no espa o amostral

f1 (x) = x ;
f2 (x) = x2 ;

que des revem respe tivamente o resultado de um experimento e

o quadrado do resultado s~ao variaveis aleatorias.

No lan amento de 3 moedas,

(S0 )3 as fun ~oes
8
<
:

i.e.

para o espa o amostral S =

f1 (x) = x1 ; f2 (x) = x2 ; f3 (x) = x3 ;

g (x) = 31 (x1 + x2 + x3 ) ;
h (x) = 31 (x21 + x22 + x23 ) ;

om x = (x1 ; x2 ; x3 ) 2 S , denem variaveis aleatorias, onde fi

orresponde ao resultado do i-esimo lan amento, g a media dos
resultados dos 3 lan amentos e h a media dos quadrados dos resultados dos 3 lan amentos.

^
APENDICE
A.

14

Breve Introdu
~
ao 
a Teoria da Probabilidade

No lan amento de N moedas, S = (S0 )N podemos denir de

forma analoga as variaveis aleatorias
8
<
:

fn (x) = xn ; n = 1; :::; N
P
g (x) = N1 (x1 + ::: + xN ) = N1 PNn=1 xn
h (x) = N1 (x21 + ::: + x2N ) = N1 Nn=1 x2n

om as mesmas interpreta ~oes do aso N = 3:

Um exemplo de variavel aleatoria em um espa o de probabilidade

e a fun ~ao indi atriz E de um evento E , denida por

E (x) =

1 se x 2 E
:
0 se x 2= E

No aso do movimento Browniano em R3 podemos denir por

exemplo as seguintes variaveis aleatorias:

fi (~x) =p
xi para i = 1; 2; 3 ;
r (~x) = x21 + x22 + x23 ;
g (~x) = r (~x)2 = x21 + x22 + x23 ;
que representam respe tivamente as oordenadas da part ula, a
dist^an ia e o quadrado da dist^an ia da part ula a origem.

A.3.1 Distribui ~ao de probabilidades

Consideremos um espa o amostral nito, i.e. S = fxi ; i = 1; 2; : : : ; N g
om probabilidades denidas a partir dos numeros pi = Pfxi g; i =
1; : : : ; N e uma variavel aleatoria f om valores no onjunto imagem
f (S )  fa1 ; a2 ; :::; aK g, onde K  N pois podemos ter f (xi ) = f (xj )
embora xi 6= xj . Podemos ent~ao denir probabilidades no onjunto
imagem fa1 ; a2 ; :::; aK g atraves de

qj = Pff 1 (aj )g , j = 1; :::; K

A.3.

Vari
aveis Aleat
orias

15

os numeros qj representam as probabilidades dos eventos Ej =

fx 2 S j f (x) = aj g, ou seja, a probabilidade da fun ~ao f assumir o
valor aj . Por isso es revemos tambem

i.e.

qj = Pff = aj g :

A ole ~ao fq1 ; : : : ; qK g e a

aleatoria f . Note que

distribui
a
~o de probabilidades

da variavel

qj  0 e que
X
Kqj = 1 ;
j =1

logo, denindo probabilidades no onjunto imagem f (S )  fa1 ; : : : ; aK g.

Exemplos:

No espa o amostral S1 , orrespondente a um dado, a variavel

aleatoria f2 denida a ima tem um onjunto imagem


1
9
25
f2 (S1 ) = a1 = ; a2 = ; a3 =
4
4
4

possuindo a seguinte distribui ~ao de probabilidade

1
q1 = q 2 = q 3 = :
3

Para o lan amento de tr^es moedas S = (S0 )3 , e as variaveis

aleatorias f1 e g denidas a ima temos f1 (S ) = fa1 = 1; a2 =
+1g; e as probabilidades
1
2
1
; b3 = + 13 ; b4 = +1g; om
3

q1 = Pff = a1 g = q2 = Pff = a2 g = ;
e g (S ) = fb1 = 1; b2 =

q1 = Pff
q2 = Pff
q3 = Pff
q4 = Pff

= a1 g = 81 ;
= b2 g = 83 ;
= b3 g = 83 ;
= b4 g = 81 :

16

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

Caso ontnuo
Consideremos agora um espa o amostral S ontnuo no qual temos
uma probabilidade P denida. Dada uma variavel aleatoria f em S ,
i.e. uma fun
~ao om imagem A ontida em R, podemos de maneira
analoga ao que foi feito no aso de espa os amostrais nitos denir uma
distribui ~ao de probabilidade Pf em R atraves da formula

Pf (A) = P(f 1 (A)) = P (fx 2 S j f (x) 2 Ag) ;

Pf (A) e a probabilidade da fun ~ao f tomar valores em A, e por

isso es revemos tambem

i.e.

Pf (A) = P(f

2 A) :

Exemplo:

Consideremos em R as variaveis aleatorias f1 (x) = x e

f2 (x) = x e onsideremos em R a probabilidade P. Podemos ent~ao
al ular
Pf1 (A) = P(A) ;
2

Pf (A) = P(x2 2 A) :
Se por exemplo a probabilidade P for denida por uma densidade  e
A = [0; a onde a > 0 ent~ao
2

Pf ([0; a) =
1

Pf ([0; a) =
2

a
0

 (x) dx ;

Z pa
0

 (x) dx :

De maneira geral a distribui ~ao de probabilidade de uma variavel

aleatoria f pode ser dada por uma densidade f denida por

Pf (A) = P(f

2 A) =

f (x) dx :

A fun ~ao f e a densidade de probabilidade da variavel aleatoria f ,

sendo f (x) dx a probabilidade de a variavel f tomar valores entre x e
x + dx . A densidade f tem as propriedades:

A.3.

Vari
aveis Aleat
orias

17

f (x)

sultando que

0;

f (x) dx = 1 :

Exemplo:

Nos dois exemplos a ima podemos al ular f1 e f2 , re-

f (x) = (x) ;
1

f (x) =

p1 x (x) se x  0
:
0 se x < 0
2

Deni ~ao: Dizemos que uma variavel aleatoria f e dis reta se o onjunto f (S ) de valores que ela pode tomar for um onjunto enumeravel.
Quando os valores assumidos por uma variavel aleatoria f formam
um onjunto n~ao enumeravel dizemos que f e uma variavel aleatoria

.
No aso de uma variavel aleatoria f dis reta temos a op ~ao de onsiderar o onjunto imagem f (S ) = fai ; i = 1; 2; : : : g omo feito no
aso de um espa o nito e denir uma distribui ~ao de probabilidade
qi = P(f = ai ), ou ent~ao onsiderar o onjunto imagem f (S ) omo um
sub onjunto de R e denir a sua densidade de probabilidade utilizando
ont
nua

f (x) =

qi (x ai ) :

Exemplo:

Considere a variavel aleatoria

f :S!R;
que assume somente os valores inteiros n~ao negativos k = 0; 1; : : : . f
des reve, por exemplo, o numero de vezes que o orre determinado fato.
Caso fa amos a es olha

qk = P(f = k) =

e  k
k!

^
APENDICE
A.

18

Breve Introdu
~
ao 
a Teoria da Probabilidade

onde  > 0, dizemos que a variavel aleatoria f tem uma distribui ~ao
de Poisson om densidade .3 Esta variavel aleatoria tambem pode ser
ara terizada por

f (x) =

1
X
k=1

e  k
(x k) :
k!

Consideremos simultaneamente duas variaveis aleatorias f1 e f2 num

espa o amostral, ou seja, onsideremos a probabilidade de simultaneamente f1 e f2 assumirem valores em onjuntos A1 e A2 respe tivamente.
Essas probabilidades determinam probabilidades Pf1 ;f2 em R2 atraves
da seguinte formula.

Pf ;f (A1  A2 ) = P f1 1 (A1 ) \ f2 1 (A2 ) = P (f1 2 (A1 ) ; f2 2 (A2 ))

1

Analogamente obtemos a distribui ~ao (f1 ;f2 (x1 ; x2 )) de probabilidade

onjunta denida pela rela ~ao

Pf ;f (B ) =
1

Z Z
B

f ;f (x1 ; x2 ) dx1 dx2 :

1

A fun ~ao f1 ;f2 tem as propriedades de uma densidade de probabilidade

em R2 , e f1 ;f2 (x1 ; x2 ) dx1 dx2 e a probabilidade de f1 estar entre x1 e
x1 + dx1 e de f2 estar entre x2 e x2 + dx2 .

Deni ~ao:

Em um espa o de probabilidade om espa o amostral S

e probabilidade P, duas variaveis aleatorias f1 e f2 s~ao ditas independentes se os eventos E1 = f1 1 (A1 ) e E2 = f2 1 (A2 ) s~ao independentes,
i.e. P(E1 \ E2 ) = P(E1 )
P(E2 ), qualquer que seja a es olha dos
onjuntos A1 e A2  R. Em outras palavras se

P(f1 2 (A1 ) ; f2 2 (A2 )) = P(f1 2 A1 )
P(f2 2 (A2 )) ;

ou ainda, todos os eventos que se referem somente a variavel aleatoria
f1 s~ao independentes de todos os eventos que referem somente a variavel
que a ole a~o de numeros qk realmente denem uma distribui a~o de
probabilidades.
3 Verique

A.4.

Momentos

19

aleatoria f2 . Se f1 e f2 s~ao independentes ent~ao a distribui ~ao onjunta

f1 ;f2 satisfaz a propriedade de fatoriza ~ao

f ;f (x1 ; x2 ) = f (x1 ) f (x2 ) :

1

Exemplo: Consideremos o espa o amostral S = R

gaussiana de probabilidade

1
(x1 ; x2 ) = exp
2

x21 + x22
2

om a distribui ~ao

As variaveis aleatorias f1 = x1 e f2 = x2 s~ao independentes. Mais

ainda, as variaveis aleatorias f3 = x1 + x2 e f4 = x1 x2 tambem o s~ao.
Verique estas armativas!

A.4 Momentos
Deniremos alguns par^ametros, hamados momentos, que servem para
ara terizar uma distribui ~ao de probabilidade dis reta ou ontnua de
uma variavel aleatoria.

A.4.1 Media

A media, ou esperan a matemati a, denotada por hf i, da variavel

aleatoria f , denida em um espa o amostral S om probabilidade P, e
denida da seguinte maneira:
a) Se S for um onjunto enumeravel, nito ou innito, S = fx1 ;
x2 ; : : : g om P(xi ) = pi , ent~ao

hf i =

X
i1

f (xi )pi :

De um ponto de vista heursti o, e razoavel esperar que este par^ametro estime a media dos valores obtidos para a variavel aleatoria em
uma sequ^en ia grande de \sorteios" repetidos. Esse tipo de armativa
sera mais es lare ida quando dis utirmos a \lei dos grandes numeros ".

^
APENDICE
A.

20

Breve Introdu
~
ao 
a Teoria da Probabilidade

Uma maneira alternativa para al ular e somando-se sobre os possveis valores f e n~ao sobre os pontos no espa o amostral. Assim suponha
que variavel aleatoria f possa assumir os valores no onjunto (nito ou
innito) fyk ; k = 1; 2; : : : g om probabilidades qk = P(f = yk ). A
express~ao a ima pode ent~ao ser es rita da seguinte forma:

hf i =

X
i1

f (xi )pi =

Ora

X
ijf (xi )=yk

e portanto

hf i =

X
i1

X
k1

2
4yk

X
ijf (xi )=yk

pi 5 :

pi = q k ;

f (xi )pi =

X
k1

yk qk :

Exemplos:

Consideremos o lan amento de um dado, i.e. S1 = f1; :::; 6g; pi =

1
e as variaveis aleatorias f1 = i e f2 = (i hf1 i)2 . Podemos ent~ao
6
al ular

hf i =
1

6
X
1

1
6

i = (1 + 2 + 3 + 4 + 5 + 6) =

i=1

7
;
2

hf i =
2

6
X
1

i=1

7
2

2

1
=
3

 2

1
2

1
+
3

 2

3
2

1
+
3

 2

5
2

No al ulo de hf2 i as duas formulas orrespondem as duas maneiras

possveis de al ular o valor medio, omo des rito a ima.

3

No lan amento de 3 moedas, i.e. S = (S0 )3 om px = 21 para

todo x = (x1 ; x2 ; x3 ) 2 S , podemos al ular o valor medio das

A.4.

Momentos

21

fun ~oes fi , g e h denidas anteriormente:

hfii = Px2S

1
2

3

xi =

1
2

(+1) +

1
2

( 1) = 0 ;

hgi = 0 ;
hhi = 1 :
b) Se a variavel aleatoria estiver denida num espa o amostral S
ontnuo, omo por exemplo S = Rn (x = (x1 ; : : : ; xn )), e se a probabilidade for denida atraves de uma densidade de probabilidade  (x),
ent~ao o valor medio da variavel aleatoria f : S ! R e dado por

hf i =

S =Rn

f (x)  (x) dn x :

A exemplo do que foi feito no aso de um espa o dis reto, a media da

variavel aleatoria f pode tambem ser al ulada atraves da distribui ~ao
de probabilidades dos valores da fun ~ao f , integrando-se sobre o onjunto (H ) dos valores possveis de f ponderado adequadamente pela
densidade de probabilidade f (y ):

hf i =

f (x)  (x) d x =
n

S =Rn

yf (y ) dy :

Essa formula pode ser trivialmente veri ada para fun ~oes do tipo

f=

N
X
i=1

i Ei ;

, ombina ~oes lineares de fun ~oes indi atrizes de eventos Ei , i =

1; : : : ; N . O aso geral e obtido passando-se ao limite N ! 1.

i.e.

Exemplos:

Se uma variavel aleatoria f tem uma distribui ~ao uniforme on entrada no intervalo [0; 1, i.e.

f (x) =

1 se x 2 [0; 1
0 se x 2
= [0; 1

^
APENDICE
A.

22

ent~ao

Breve Introdu
~
ao 
a Teoria da Probabilidade

hf i =

dx x f (x) =

1
0

dx x =

1
:
2

Se uma variavel aleatoria tem uma distribui ~ao gaussiana, f (x)

(x x0 )2
= p 1 e 22 , e fa il ver que
2

hf i =

dx x f (x) = x0 :

De maneira geral, se f (x) for uma fun ~ao simetri a por re ex~ao
em torno do ponto x0 , ou seja,

f (x) = f ( x + 2x0 )
ent~ao hf i = x0 . Justique!

Se f exibir uma distribui ~ao exponen ial

f (x) =
onde  > 0, ent~ao

Propriedades da media

, se x  0
0 , se x < 0

e

x

hf i = 1 :
4

Se k e uma onstante e f e g s~ao variaveis aleatorias ent~ao temos que

1. hkf i = khf i;
2. hf + g i = hf i + hg i;
3. Se f e g s~ao variaveis aleatorias independentes ent~ao

hfgi = hf ihgi ;
4

Exer  io: Demonstre estas propriedades.

A.4.

Momentos

23

ou seja, a media do produto de variaveis aleatorias independentes e igual

ao produto das medias. Veriquemos essa propriedade no aso em que
f e g s~ao variaveis dis retas, onde f admite valores fxi ; i = 1; :::g om
probabilidades fpi ; i = 1; :::g e g admite valores fyi; i = 1; :::g om
probabilidades fqj ; j = 1; :::g, respe tivamente. Assim

hfgi =

XX
i1 j 1

(xi yj ) P(f = xi ; g = yj ) ;

omo f e g s~ao variaveis aleatorias independentes temos que

P(f = xi ; g = yj ) = P(f = xi )P(g = yj ) = qi pj :

Portanto,

hfgi =

XX
i1 j 1

(xi qi ) (yj pj ) =

X
i1

xi qi

X
j 1

yj pj = hf ihg i :

Para o aso de variaveis om distribui ~oes ontnuas use o fato de que

se f e g s~ao variaveis aleatorias independentes, ent~ao a fun ~ao de distribui ~ao onjunta f;g (x; y ) e dada atraves de f;g (x; y ) = f (x) g (y ).

A.4.2 Moda
A moda e denida omo sendo o ponto de maior probabilidade, no aso
dis reto, ou de maior densidade de probabilidade, no aso ontnuo.

Exemplos:

Para a distribui ~ao Gaussiana f (x) = p21 e

assume o valor x0 .

Para a distribui ~ao exponen ial f (x) =  e

x

(x

x0 )2
2 2

a moda

a moda vale zero.

Observa ~ao: Note a partir do segundo exemplo a ima que em geral

a moda n~ao e igual a media.

^
APENDICE
A.

24

Breve Introdu
~
ao 
a Teoria da Probabilidade

A.4.3 Vari^an ia
Um bom indi ador de omo uma variavel aleatoria f \ utua" em torno
de sua media hf i e o seu desvio padr~ao f , ujo quadrado f2 e hamado
de vari^an ia de f , a qual e denida atraves de

hf i) :

f2 = (f

Mais expli itamente, para variaveis ontnuas sua express~ao e dada por

f =

dx f (x) (x

hf i) ;
2

enquanto que para variaveis dis retas ela toma a forma

f2 =

X
i1

hf i) pi :

(xi

Podemos ainda utilizar as propriedades da media (hf i) para rees rever

f2 , obtendo que5

f2 = f 2

2f hf i + hf i2 = f 2

hf i :
2

Exemplos:

No aso do lan amento de um dado e da variavel aleatoria f = i

temos que

f2 =
=

6
X
1

i=1

6
X
1

i=1

91
=
6
5

Exer  io: Mostre esta rela a~o.

hxi)

(i

1X
i
6 i=1
6

i2


21
6

2

!2

35
:
12

A.4.

Momentos

25

Para uma variavel ontnua om distribui ~ao uniforme entre (0; 1),
sua vari^an ia e dada por

f =

1
2

dx x

2

1
1
=
:
4 12

1
3

Para uma variavel om distribui ~ao exponen ial

f =
2

Z 1
0

dx x

2

e

x

2

No aso de uma variavel ontnua om distribui ~ao Gaussiana

(x x0 )2
f (x) = p21  e 22 , a vari^an ia e dada por

f =
2

(x

p x) e

dx

 interessante notar que

E

P (   x  ) =




2 

dx

p1

2

(x

x0 )
2 2

=:

x2

2 2

= 0:6826 :

De maneira mais geral, podemos estimar para a > 0 a probabilidade P(x > a) atraves de
1
P(x > a) = p
2 


= p
e
2 a

x>a
a2
2 2

dx e

x2
2 2

p1
2 

x
dx e
a
x>a

x2

2 2

Propriedades da vari^an ia
Partindo da deni ~ao da vari^an ia podemos demonstrar as seguintes
propriedades. Se k e uma onstante e f e g s~ao variaveis aleatorias
independentes, ent~
ao
1. k2 = 0;

26

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

2. f2g = f2 + g2 ;

2
3. kf
= k2 f2 ;

4. (2f k) = f2 .

Uma onsequ^en ia notavel das propriedades da vari^an ia e o fato de
que se onsiderarmos uma ole ~ao ff1; ; f2 ; : : : g variaveis aleatorias independentes e igualmente distribudas, em parti ular om medias iguais
a hfi i = m e vari^an ias iguais a f2i =  2 , ent~ao a vari^an ia da soma

SN =

N
X

fi ;

i=1

e dada por

S2 N =
ou seja, o desvio padr~ao SN =

hSN i =

N
X
i=1

f2i = N 2 ;

N . Isto mostra que embora a media

N
X
i=1

hfii = Nm ;

res a propor ionalmente a N , as utua ~oes omopmedidas pelo desvio

padr~ao SN res em apenas propor ionalmente a N !

Momentos de uma distribui ~ao

A informa ~ao sobre a media e a vari^an ia de uma variavel aleatoria e, em
geral, de pou a valia omo ingrediente para ara terizar ompletamente
a sua distribui ~ao de probabilidade, pois ha innidades de distribui ~oes
de probabilidade om mesmas medias e vari^an ias.
A media hf i e a media do quadrado hf 2 i de uma variavel aleatoria
f s~ao apenas asos parti ulares dos hamados momentos de f : para
n = 1; 2; : : : , o n-esimo momento de f e o valor medio de f n, i.e.
hf ni. O onhe imento de todos os momentos hf ni = an; n = 1; 2; : : :

A.5.

Fun
~
ao Cara ter
sti a de uma Vari
avel Aleat
oria

27

permite al ular o valor medio de qualquer fun ~ao F (f ) que admita

uma expans~ao onvergente serie de pot^en ias. De fato, se

F (f ) =
ent~ao

hF (f )i =

n f n ;

n hf n i =

n an :

Exemplo:

Considere uma variavel aleatoria f om uma distribui ~ao

uniforme no intervalo [0; 1: Neste aso

hf i =
n

xn dx =

1
:
n+1

Mais ainda, se por exemplo F (f ) = ef ent~ao

Z 1
1
X
1 1
hF (f )i = n! n + 1 = exdx = e
0
n=0

1:

O onhe imento de todos os momentos de uma variavel aleatoria

possibilita uma ompleta re onstru ~ao desta, i.e. podemos n~ao so obter
as probabilidades, mas tambem os valores que a variavel aleatoria assume! Para entendermos isso, onsideremos o aso de uma variavel
aleatoria que assume um onjunto nito de valores distintos fxk ; k =
1; : : : ; N g om probabilidades pk . Podemos determinar as respe tivas
probabilidades pk = P(f = xk ) e os valores xk a partir do onhe imento
dos momentos hf n i = an uma vez que as igualdades

an =

N
X
k=1

xnk pk

podem ser onsideradas omo um sistema de equa ~oes para determinar

os valores de pk e xk , para k = 1; : : : ; N .

A.5 Fun ~ao Cara tersti a de uma Variavel Aleatoria

Podemos determinar todos os momentos hf ni e a propria distribui ~ao
de probabilidade f de uma variavel aleatoria f a partir da fun ~ao

28

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

ara tersti a da variavel aleatoria f denida por

Cf (t)  eitf ;
onde t e uma variavel real. Caso f seja uma variavel aleatoria ontnua
temos que
Z

Cf (t) =

eitx f (x) dx ;

enquanto que para variaveis dis retas

Cf (t) =

pk eitxk :

A fun ~ao Cf tambem e hamada de fun ~ao geratriz dos momentos

da variavel aleatoria ja que podemos al ular o n-esimo momento de f
atraves da derivada n-esima de Cf (t) ponto t = 0

hf i = in tn
Exemplo:

1  n Cf 

t=0

Considere a distribui ~ao gaussiana

 (x) =

p1 e
2

(x

x0 )
2 2

Sua fun ~ao ara tersti a Cf (t) e dada por

Cf (t) = eitx e
0

1 2 2
 t
2

Teorema Importante:

A fun ~ao ara tersti a Cf (t) determina

ompletamente a distribui ~ao de probabilidade f da variavel aleatoria
atraves da express~ao

f (x) =

itx

2

Cf (t) dt ;

a qual e a transformada de Fourier de Cf (t).

A.6.

A Lei dos Grandes N

umeros

29

A.5.1 Propriedades da fun ~ao ara tersti a

A fun ~ao ara tersti a Cf (t) possui as seguintes propriedades:
1. Se k e uma onstante e f e uma variavel aleatoria, ent~ao a fun ~ao
ara tersti a da variavel aleatoria kf e dada por

Ckf (t) = Cf (kt) :

2. Se f e g , s~ao variaveis aleatorias independentes ent~ao

Cf +g (t) = Cf (t) Cg (t) :

Em parti ular, se ff1 ; : : : ; fN g s~ao variaveis aleatorias independentes e igualmente distribudas, i.e. f1 =


= fN , ent~ao

Cf +:::+fN (t) = [Cf (t)N :

1

A.6 A Lei dos Grandes Numeros

Um fen^omeno aleatorio foi denido omo sendo de natureza probabilsti a se ao serem efetuadas N ensaios om o mesmo onjunto C
de ondi ~oes, a frequ^en ia relativa de o orr^en ia de um determinado
evento E , nE =N tende a estabilizar-se para grandes valores de N em
um valor P(E ), ou seja,

nE
N

! P(E ) ;

e esse valor e identi ado om a probabilidade do evento.

A teoria da probabilidade e apaz de adequadamente expressar essa
propriedade. De fato, onsideremos o espa o amostral S0 que des reve
um determinado fen^omeno. Para sermos mais on retos podemos onsiderar, por exemplo, o lan amento de um dado S0 = f 1; +1g. Se
onsiderarmos N repeti ~oes independentes do lan amento, o espa o
amostral relevante e dado por S = (S0 )N = fx = (x1 ; : : : ; xN ); xi 2 S0 g
om probabilidade px = 21N . Intuitivamente esperamos que a frequ^en ia
relativa de o orr^en ia de \ aras" i.e. xi = 1 estabilize-se em 12 , pois

^
APENDICE
A.

30

Breve Introdu
~
ao 
a Teoria da Probabilidade

esse foi o valor adotado para denir px =

onsideremos a variavel aleatoria

fN (x) =
onde

i (x) =

N
1 X

1
2N

! Para investigar esse fato,

i (x) ;

i=1

1 se xi = 1
:
0 se xi = +1

A variavel aleatoria representa exatamente a frequ^en ia relativa de

o orr^en ia de \ aras" em N tentativas. O que esperamos, de a ordo
om o que foi dito a ima, e que fN (x) ! 21 , em palavras, a variavel
aleatoria deve onvergir para uma onstante! Note ini ialmente que a
media de fN e dada por
hfN i = 21 ;
e que a sua vari^an ia e dada por6

f2N =

N 2
1
 =
:
2 i
N
2N

O fato relevante e que a vari^an ia f2N ! 0 quando N ! 1, o que

signi a que a variavel fN esta onvergindo para uma onstante! Para
fazer uma armativa ainda mais pre isa vamos ini ialmente deduzir
uma importante, pelo numero de apli a ~oes prati as, desigualdade devida a Chebys hev. Se f e uma variavel aleatoria ent~ao, se a > 0:

 a
ou seja,

x f (x) dx 

Z
2

x2 >a2

x2 >a2

x2 f (x) dx

f (x) dx = a2 P(jf j  a) ;

P(jf j  a) 

hf i :
a
2

essas armativas, notando que as variaveis i , s~ao mutuamente

independentes.
6 Verique

A.7.

Teorema Central do Limite ou Import^

an ia da Gaussiana 31

Em parti ular para uma variavel f de media zero,

P(jf j  a) 

f2
:
a2

Retornando ent~ao a nossa variavel fN , podemos apli ar a ultima desigualdade a variavel gN  fN hfN i, que tem media zero e om
vari^an ia g2N = f2N , para obter

P(jfN

2

hfN ij  a)  afN
2

2a2 N

! 0 quando N ! 1 :

Esse limite mostra exatamente a onsist^en ia interna da teoria da probabilidade nos seus aspe tos interpretativos: e a lei dos grandes numeros
em a ~ao.
Repetindo todos os passos da dis uss~ao a ima podemos apresenta
vers~ao muito mais geral do limite a ima obtido.

Teorema: Sejam i (i  1) variaveis aleatorias independentes em um

espa o amostral S om medias e vari^an ias iguais hi i = m e 2 i =  2
P
ao,
e seja tambem fN = N1 N
i=1 i . Ent~

P(jfN

mj  a) 

f2N
2
=
a2
a2 N

! 0 quando N ! 1 ;

o que signi a que para grandes valores de N os desvios da media

tornam-se ada vez mais improvaveis.

A.7 Teorema Central do Limite ou Import^an ia da

Gaussiana
Da se ~ao anterior on lumos que a variavel aleatoria

fN =

N
1 X

i ;

i=1

onde i (i  1) s~ao variaveis aleatorias independentes e igualmente

distribudas, em parti ular om medias e vari^an ias iguais hi i = m e

32

^
APENDICE
A.

Breve Introdu
~
ao 
a Teoria da Probabilidade

2 i =  2 , onverge \ em probabilidade" para o valor medio omum m,

isto e

P(jfN

mj  a) ! 0 quando N

!1:

Queremos agora obter uma estimativa mais pre isa de omo a variavel fN utua em torno do seu valor medio, para N grande. Essa
informa ~ao nos e forne ida pelo hamado Teorema Central do Limite,
que diz que para N grande essas utua ~oes tem uma distribui ~ao gaussiana om vari^an ia  2 .

fN

m=

N
X

i

Nm

' p1 G ;
N

i=1

ou equivalentemente,

gN

 N (fN m) = p1

N
X

i

Nm

i=1

! G quando N ! 1 ;

onde G e uma variavel aleatoria om uma distribui ~ao Gaussiana om

media zero e vari^an ia igual a vari^an ia omum  2 = 2 i .
Uma forma matemati amente pre isa de se enun iar e demonstrar
esse resultado `gravissimum" da teoria da probabilidade e atraves do
al ulo da fun ~ao ara tersti a CgN (t) da variavel gN . Por simpli idade
apenas, suponhamos que a media omum m seja nula, m = 0. Usando
as propriedades das fun ~oes ara tersti as podemos al ular:
h

CgN (t) = CpNfN (t) = C p1 (t)

iN

t
= C( p )
N

N

onde C (t)  C1 (t) =


= CN (t) e a fun ~ao ara tersti a omum
as variaveis aleatorias i ; i = 1; : : : ; N . O lado direito pode ser ent~ao
al ulado.

N

t
CgN (t) = C ( p )
N

= ei

ptN 1

EN

Para N grande, podemos expandir a exponen ial

i ptN 1

t
= 1 + i p 1
N

t2 2
1
1 + O
2N
N2

A.7.

Teorema Central do Limite ou Import^

an ia da Gaussiana 33

e portanto
D

EN
i ptN 1

= 1

1
t2 2
 +O
2N
N2

N

onde usamos o fato de que hi i = 0 e 2 i =  2 . Tomando agora o

limite N ! 1, obtemos


lim CgN (t) = lim 1

N !1
N !1

1
t2  2
+O
2N
N2

N

=e

t2  2
2

; ;

em palavras: a fun ~ao ara tersti a CgN (t) onverge para a fun ~ao ara tersti a de uma gaussiana de media zero e vari^an ia igual a vari^an ia
omum  2 . Isto impli a para a distribui ~ao de probabilidade gN a
propriedade
Z

lim

N !1

gN (x) dx =

x2

2 2

2

dx :