Apostila Intr Prob

Introduo Probabilidade
Notas de Aula
Leonardo T. Rolla
Instituto de Matemtica Pura e Aplicada
Rio de Janeiro
14 de fevereiro de 2012
c _ 2012 Leonardo T. Rolla. Texto publicado sob a Licena Creative Commons Atribuio
CompartilhaIgual 3.0 Brasil. http://creativecommons.org/licenses/by-sa/3.0/br/deed.pt
Este material parcialmente baseado no(s) seguinte(s) trabalho(s):
Nei Rocha. Apostila Teoria das Probabilidades II, 2009.
http://www.lce.esalq.usp.br/arquivos/aulas/2011/LCE5806/apos_RJ_ProbabilidadeII.pdf
Trabalhos derivados devem ser distribudos junto com o cdigo-fonte, observando os termos desta
Licena. Devem fazer atribuio ao presente material, bem como ao(s) trabalho(s) acima citado(s).
Cdigo fonte: bzr branch http://www.impa.br/~leorolla/apostila-intr-prob/ Verso: Date: Tue 2012-02-14 15:28:12 -0200
Sumrio
Apresentao v
1 Denies Bsicas 1
1.1 Espaos de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Probabilidade Condicional . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Denio de Probabilidade Condicional . . . . . . . . . . . . . 6
1.2.2 Regra do Produto . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Lei da Probabilidade Total . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Frmula de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Eventos Independentes 2 a 2 . . . . . . . . . . . . . . . . . . . 8
1.3.2 Eventos Coletivamente Independentes . . . . . . . . . . . . . . 9
1.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Variveis Aleatrias 13
2.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Funo de Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Tipos de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Vetores Aleatrios 21
3.1 Independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Funo de Distribuio Marginal . . . . . . . . . . . . . . . . . . . . 23
3.3 Tipos de Vetores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4 Esperana Matemtica 29
4.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Propriedades da Esperana Matemtica . . . . . . . . . . . . . 30
4.2 Esperanas de Funes de Variveis Aleatrias . . . . . . . . . . . . . 31
4.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
iii
iv SUMRIO
4.3.1 Propriedades da Varincia . . . . . . . . . . . . . . . . . . . . 32
4.4 Esperanas de Funes de Vetores Aleatrios . . . . . . . . . . . . . . 33
4.5 Esperana Condicional dado um Evento de Probabilidade Positiva . . 35
4.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5 Convergncia de Variveis Aleatrias 39
5.1 Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2 Tipos de Convergncia . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.3 Relao entre os Tipos de Convergncia . . . . . . . . . . . . . . . . . 44
5.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6 Funo Geradora de Momentos e Funo Caracterstica 47
6.1 Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . 47
6.2 Funo Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.3 A Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7 Lei dos Grandes Nmeros e Teorema Central do Limite 57
7.1 Leis dos Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . . 57
7.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . 59
7.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
8 Distribuio e Esperana Condicionais 61
8.1 Parties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
8.2 Probabilidade Condicional dada uma Partio . . . . . . . . . . . . . 62
8.3 Esperana Condicional dada uma Partio . . . . . . . . . . . . . . . 63
8.4 Esperana Condicional dada uma -lgebra . . . . . . . . . . . . . . 66
8.5 Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 68
8.6 Esperana Condicional dada uma Varivel Aleatria . . . . . . . . . . 73
8.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Apresentao
Esta uma apostila feita a partir de notas de aula das disciplinas Probabilidade do
mestrado em Cincias Atuariais da PUC-Rio ministrada em 2006 e Introduo
Probabilidade ministrada no vero de 2012 no IMPA.
Este no um livro-texto nem um livro para consulta. O texto aqui apresentado
uma verso expandida do contedo que foi passado no quadro-negro, alm de listas
de exerccios sugeridos. Durante os cursos ministrados, os principais livros-texto
adotados foram o Barry James
1
no IMPA e Magalhes
2
na PUC-Rio. Alguns dos
exerccios sugeridos so uma simples listagem de exerccios desses dois excelentes
livros.
O nico pr-requisito formal o Clculo, e o curso no assume que os alunos
tenham qualquer tipo de conhecimento prvio em Probabilidade. Os alunos tero
que aceitar como verdadeiros certos resultados que s sero justicados rigorosa-
mente utilizando Anlise ou Teoria da Medida, o que no impede a compreenso
dos objetos probabilsticos estudados.
3
No obstante, para um curso que tem entre
17 a 20 aulas de 2 horas cada e sem pr-requisito formal, trata-se de uma introdu-
o bastante ampla teoria da probabilidade, o que s foi possvel porque ambos
os cursos foram dados para um conjunto de alunos extremamente motivados e com
excelente desenvoltura matemtica.
Esta apostila est em construo. Para que este texto reita melhor o contedo
e a abordagem dos cursos mencionados, so necessrias diversas mudanas, prin-
cipalmente nos primeiros quatro captulos. Agradeo ao Prof. Nei Rocha, que me
permitiu desenvolver esta apostila a partir do material que ele j havia compilado.
Comentrios, crticas e correes so muito bem-vindos.
Rio de Janeiro, fevereiro de 2012.
1
James, B. R. (2004). Probabilidade: Um curso em nvel intermedirio. Projeto Euclides.
2
Magalhes, M. N. (2004). Probabilidade e variveis aleatrias. IME-USP.
3
Da mesma forma, aprende-se Clculo antes de se fazer a demonstrao do seu teorema funda-
mental. Da mesma forma, comum entre matemticos usar resultados baseados no Lema de Zorn
sem ter entrado nos detalhes da sua demonstrao.
v
Captulo 1
Denies Bsicas
1.1 Espaos de Probabilidade
Suponha que vamos realizar um experimento cujo resultado no pode ser predito
de antemo. Entretanto, suponha que saibamos todos os possveis resultados de
tal experimento. Este conjunto de todos os resultados possveis, que denotaremos
por , chamado de espao amostral do experimento. Assim, temos a seguinte
denio:
Denio 1.1. O conjunto no-vazio de todos os resultados possveis de um
determinado experimento chamado de espao amostral.
Exemplo 1.2. Se o experimento consiste em lanar uma moeda, ento = Ca, Co,
onde Ca cara e Co coroa.
Exemplo 1.3. Se o experimento consiste em lanar um dado e observar a face
superior, ento = 1, 2, 3, 4, 5, 6.
Exemplo 1.4. Se o experimento consiste em lanar duas moedas, ento
= (Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co), onde o resultado (a, b) ocorre se a
face da primeira moeda a e a face da segunda moeda b.
Exemplo 1.5. Se o experimento consiste em lanar dois dados e observar as faces
superiores, ento
=
_
_
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
_
_
onde o resultado (i, j) ocorre se a face i aparece no primeiro dado e a face j no
segundo dado.
1
2 CAPTULO 1. DEFINIES BSICAS
Exemplo 1.6. Se o experimento consiste em medir a vida til de um carro, ento
um possvel espao amostral consiste de todos os nmeros reais no-negativos, isto
, = [0, ).
Denio 1.7. Qualquer subconjunto A do espao amostral , isto A , ao
qual atribumos uma probabilidade, dito um evento aleatrio.
Obviamente, como e os conjuntos e so eventos aleatrios.
O conjunto vazio denominado evento impossvel e o conjunto denominado
evento certo. Se o evento dito elementar (ou simples).
Denio 1.8. Dois eventos A e B so ditos mutuamente exclusivos ou incompat-
veis se A B = .
Observao 1.9. importante saber traduzir a notao de conjuntos para a lin-
guagem de eventos: A B o evento A ou B; A B o evento A e B e A
c
o
evento no A.
Denio 1.10. Seja / uma classe de subconjuntos de tendo as seguintes pro-
priedades:
(i) /;
(ii) Se A / ento A
c
/; (a classe fechada pela complementariedade)
(iii) Se A
1
, A
2
, . . . , A
n
/ ento
n
i=1
A
i
/. (a classe fechada pela unio nita)
Ento a classe / de subconjuntos de chamada uma lgebra.
Exerccio 1.1. Seja / uma lgebra. Mostre que:
(a) /;
(b) se A e B / ento A B /;
(b) se A
1
, A
2
, . . . , A
n
/ ento
n
i=1
A
i
/.
Denio 1.11. Seja / uma classe de subconjuntos de tendo as seguintes pro-
priedades:
(i) /;
(ii) Se A / ento A
c
/; (a classe fechada pela complementariedade)
(iii) Se A
1
, A
2
, / ento

i=1
A
i
/. (a classe fechada pela unio innita
enumervel)
Ento a classe / de subconjuntos de chamada uma -lgebra.
Proposio 1.12. Seja / uma -lgebra de subconjuntos de . Se A
1
, A
2
, /
ento

i=1
A
i
/.
Demonstrao. (Em aula.)
1.1. ESPAOS DE PROBABILIDADE 3
Denio 1.13. Os membros de / so chamados (no contexto da teoria de Proba-
bilidade) de eventos, ou subconjuntos de /-mensurveis, ou apenas subconjuntos
mensurveis de se no houver confuso quanto -lgebra referente. O par (, /)
dito ser um espao mensurvel.
Exerccio 1.2. Seja = R e / a classe de todas as unies nitas de intervalos do
tipo (, a], (b, c] e (d, ). Mostre que
(a) / uma lgebra;
(b) / no uma -lgebra.
Exerccio 1.3. Mostre que toda -lgebra uma lgebra, mas a recproca no
verdadeira.
Exerccio 1.4. Mostre, com exemplo, que se / e B so -lgebras, / B no
necessariamente uma -lgebra.
Exerccio 1.5. Mostre que se / e B so -lgebras, /B tambm uma -lgebra.
Observao 1.14. Dada uma classe B de subconjuntos de , podemos construir a
menor lgebra contendo B, da seguinte forma:
(i) Formamos a classe B
1
contendo , , A e A
c
para todo A B;
(ii) Formamos a classe B
2
de intersees de elementos de B
1
;
(iii) Formamos a classe B
3
de unies nitas de elementos de B
2
.
Claramente, B B
1
B
2
B
3
, e pode-se vericar facilmente que B
3
uma
lgebra.
Observao 1.15. Podemos construir (ainda que de forma abstrata) a menor
lgebra contendo uma classe B de subconjuntos de , da seguinte forma: Con-
sidere todas as lgebras contendo B. Denote-as
(B), . O conjunto
no-vazio, pois o conjunto de todos os subconjuntos de uma lgebra. Ento,
a menor lgebra contendo B dada por
(B) =
(B)
Exemplo 1.16. Seja = 1, 2, 3, 4, 5, 6. (a) Construa a menor lgebra de sub-
conjuntos de ; (b) Construa a menor lgebra contendo a classe de subconjuntos
de dada por 1, 2 , 1, 3, 4 , 3, 5; (c) Construa a menor lgebra contendo
todos os subconjuntos de (esta lgebra chamada de conjunto das partes de
, e denotada por T()).
Denio 1.17. A lgebra de Borel gerada pela coleo de conjuntos abertos
de um espao topolgico. Os membros desta lgebra so chamados Borelianos.
As lgebras em R
d
, d > 1, e R so geradas por intervalos nestes espaos e
so denotadas por B(R
d
) = B
d
e B = B
1
= B(R), respectivamente. Por exemplo, se
= R, B pode ser gerada por quaisquer dos intervalos (a, b), (a, b], [a, b) ou [a, b],
isto ,
B = (a, b); a < b +
= [a, b); < a < b +
= [a, b]; < a < b < +
= (, x]; x R,
e assim por diante.
Denio 1.18. Seja / uma ()lgebra em . Um membro A de / dito um
tomo, se A ,= e se B A implica que ou B = ou B = A. Portanto, tomos so
os membros mais nos de uma ()lgebra.
Exemplo 1.19. Seja = 1, 2, 3, 4, 5, 6 e seja / = , 2, 1, 3, 4, 5, 6, 4, 6, 1, 2, 3, 5,
1, 3, 2, 4, 5, 6, 5, 1, 2, 3, 4, 6, 1, 3, 5, 4, 5, 6, 1, 3, 4, 6, 2, 5, 1, 2, 3, 2, 4, 6, .
Ento os tomos associados / so 2, 5, 1, 3 e 4, 6.
Denio e propriedades das probabilidades Seja um espao amostral e
/ uma -lgebra para um dado experimento. Uma medida de probabilidade P
uma aplicao P : / [0, 1] satisfazendo os seguintes axiomas:
A1) P(A) 0.
A2) P() = 1.
A3) Se A
1
, A
2
, / e A
i
A
j
= i ,= j, ento P (
i=1
A
i
) =

i=1
P(A
i
).
Denio 1.20. Um espao de probabilidade um trio (, T, P) onde
1. um conjunto no-vazio;
2. / uma -lgebra de subconjuntos de ;
3. P uma probabilidade denida em /.
Com base nos axiomas de probabilidade, podem-se demonstrar as seguintes pro-
priedades:
Teorema 1.21. 1. P() = 0.
2. Para todo A /, temos P(A
c
) = 1 P(A).
3. Para todo A /, temos 0 P(A) 1.
1.1. ESPAOS DE PROBABILIDADE 5
4. Sejam A e B /. Se A B, ento
(a) P(B A) = P(B) P(A);
(b) P(A) P(B).
5. Sejam A e B /. Ento P(A B) = P(A) + P(B) P(A B).
6. Para qualquer seqncia de eventos A
1
, A
2
, . . . , A
n
/, P
_
i=1
A
i
_

i=1
P(A
i
)
(desigualdade de Boole).
7. Sejam A
1
, A
2
, . . . , A
n
/. Ento
P
_
n
i=1
A
i
_
=
n
i=1
P(A
i
)
i<j
P(A
i
A
j
) +

i<j<k
P(A
i
A
j
A
k
)
i<j<k<l
P(A
i
A
j
A
k
A
l
) + + (1)
n+1
P(A
1
A
2
A
n
)
Uma propriedade importante da funo probabilidade P que ela contnua.
Para ver isto, denimos antes o que se entende por uma seqncia crescente (decres-
cente) de eventos.
Denio 1.22. Uma seqncia de eventos E
n
, n 1 dita crescente se E
n

E
n+1
, n 1 e dita decrescente se E
n
E
n+1
, n 1.
Se E
n
, n 1 uma seqncia crescente de eventos, ento denimos um novo
evento, denotado por lim
n
E
n
por
lim
n
E
n
=

i=1
E
i
.
De forma similar se E
n
, n 1 uma seqncia decrescente de eventos, ento
denimos lim
n
E
n
por
lim
n
E
n
=

i=1
E
i
.
Com isso, podemos mostrar o seguinte teorema.
Teorema 1.23. Se E
n
, n 1 uma seqncia crescente ou decrescente de even-
tos, ento
lim
n
P(E
n
) = P( lim
n
E
n
).
Exemplo 1.24. Considere uma populao de indivduos capazes de gerar proles do
mesmo tipo. O nmero de indivduos inicialmente presentes, denotado por X
0
, o
tamanho da gerao zero. Todos as proles da gerao zero constituem a primeira
gerao e o seu nmero denotado por X
1
. Em geral, X
n
denota o tamanho da
n-sima gerao. Mostre que lim
n
P(X
n
= 0) existe e interprete o seu signicado.
1.2 Probabilidade Condicional
1.2.1 Denio de Probabilidade Condicional
Denio 1.25. Seja (, /, P) um espao de probabilidade. Se B / e P(B) > 0,
a probabilidade condicional de A dado B denida por
P(A [ B) =
P(A B)
P(B)
, A /. (1.1)
Exerccio 1.6. Certo experimento consiste em lanar um dado equilibrado duas
vezes, independentemente. Dado que os dois nmeros sejam diferentes, qual a
probabilidade condicional de
(a) pelo menos um dos nmeros ser 6;
(b) a soma dos nmeros ser 8?
1.2.2 Regra do Produto
Teorema 1.26. Sejam A, B / com P(A) > 0 e P(B) > 0. Ento
P(A B) = P(B).P(A [ B)
= P(A).P(B [ A)
Teorema 1.27. (a) P(A B C) = P(A).P(B [ A).P(C [ A B).
(b) P(A
1
A
2
A
n
) = P(A
1
).P(A
2
[ A
1
).P(A
3
[ A
1
A
2
) P(A
n
[ A
1
A
2
A
n1
), para todo A
1
, A
2
, . . . , A
n
/ e para todo n = 2, 3, . . . .
1.2.3 Lei da Probabilidade Total
Denio 1.28. Seja (, T) um espao mensurvel. Uma partio de uma
famlia de conjuntos A
1
, A
2
, . . . , A
n
tais que
(i) A
i
T para todo i,
(ii)
n
i=1
A
i
= ,
(iii) A
i
A
j
= , para todo i ,= j.
Ou seja, os conjuntos A
1
, A
2
, . . . , A
n
so disjuntos dois a dois e a sua unio o
conjunto . Dizemos tambm que foi particionado pelos conjuntos A
1
, A
2
, . . . , A
n
.
1.2. PROBABILIDADE CONDICIONAL 7
Para todo evento B / temos
B =
n
i=1
(A
i
B) .
Como os A
i
so disjuntos, ento os C
i
= A
i
B so disjuntos. Com isto podemos
demonstrar os seguintes teoremas:
Teorema 1.29 (Teorema da Probabilidade Total). Seja (A
1
, A
2
, . . . ) uma par-
tio de (, T). Para todo B T vale
P(B) =

i
P(A
i
).P(B [ A
i
). (1.2)
1.2.4 Frmula de Bayes
Teorema 1.30 (Frmula de Bayes). Se a seqncia (nita ou enumervel) de
eventos aleatrios A
1
, A
2
, . . . formar uma partio de , ento
P(A
i
[ B) =
P(A
i
)P(B [ A
i
)
j
P(A
j
).P(B [ A
j
)
. (1.3)
Exerccio 1.7. Uma caixa contm 10 bolas das quais 6 so brancas e 4 vermelhas.
Removem-se trs bolas sem observar suas cores. Determine:
(a) a probabilidade de que uma quarta bola removida da caixa seja vermelha;
(b) a probabilidade de que as trs bolas removidas sejam brancas, sabendo-se
que pelo menos uma delas branca.
Exerccio 1.8. Uma moeda lanada. Se ocorre cara, um dado lanado e o seu
resultado registrado. Se ocorre coroa, dois dados so lanados e a soma dos pontos
registrada. Qual a probabilidade de ser registrado o nmero 2?
Exerccio 1.9. Num certo certo pas, todos os membros de comit legislativo ou so
comunistas ou so republicanos. H trs comits. O comit 1 tem 5 comunistas, o
comit 2 tem 2 comunistas e 4 republicanos, e o comit 3 consiste de 3 comunistas e
4 republicanos. Um comit selecionado aleatoriamente e uma pessoa selecionada
aleatoriamente deste comit.
(a) Ache a probabilidade de que a pessoa selecionada seja comunista.
(b) Dado que a pessoa selecionada comunista, qual a probabilidade de ela ter
vindo do comit 1?
Exerccio 1.10. So dadas duas urnas A e B. A urna A contm 1 bola azul e 1
vermelha. A urna B contm 2 bolas vermelhas e 3 azuis. Uma bola extrada ao
acaso de A e colocada em B. Uma bola ento extrada ao acaso de B. Pergunta-se:
(a) Qual a probabilidade de se retirar uma bola vermelha de B?
(b) Qual a probabilidade de ambas as bolas retiradas serem da mesma cor?
Exerccio 1.11. Suponha que temos 4 cofres, cada um com dois compartimentos.
Os cofres 1 e 2 tm um anel de brilhante num compartimento e um anel de esmeralda
no outro. O cofre 3 tm dois anis de brilhante em seus compartimentos, e o cofre
4 tm dois anis de esmeralda. Escolhe-se um cofre ao acaso, abre-se um dos com-
partimentos ao acaso e encontra-se um anel de brilhantes. Calcule a probabilidade
de que o outro compartimento contenha:
(a) um anel de esmeralda;
(b) um anel de brilhantes.
1.3 Independncia
1.3.1 Eventos Independentes 2 a 2
Denio 1.31. Seja (, T, P) um espao de probabilidade. Os eventos alea-
trios A, B T so independentes se
P(A B) = P(A)P(B).
Observao 1.32. Eventos de probabilidade 0 ou 1 so independentes de qualquer
outro.
Teorema 1.33. A independente de si mesmo se e somente se P(A) = 0 ou 1.
Teorema 1.34. So equivalentes:
1. A e B so independentes
1.3. INDEPENDNCIA 9
2. A e B
c
so independentes
3. A
c
e B so independentes
4. A
c
e B
c
so independentes
Demonstrao. Exerccio.
Observao 1.35. Dois eventos disjuntos no podem ser independentes, a menos
que um deles tenha probabilidade zero.
Denio 1.36. Dada uma famlia de eventos aleatrios (A
i
)
iI
, dizemos que
os A
i
so independentes dois a dois se
P(A
i
A
j
) = P(A
i
).P(A
j
)
para todo i, j I, i ,= j.
1.3.2 Eventos Coletivamente Independentes
Denio 1.37. (a) Os eventos aleatrios A
1
, . . . , A
n
(n 2) so chamados (cole-
tiva ou estocasticamente) independentes se
P(A
i
1
A
i
2
A
im
) = P(A
i
1
).P(A
i
2
) P(A
im
)
para todo 1 i
1
< i
2
< < i
m
n, para todo m = 2, 3, . . . , n (isto , se todas as
combinaes satisfazem a regra produto).
(b) Os eventos aleatrios A
1
, A
2
, . . . independentes se para todo n 2, A
1
, . . . , A
n
so independentes.
Observao 1.38. Independncia a pares no implica independncia coletiva. Con-
forme o exerccio a seguir.
Exerccio 1.12. Seja = w
1
, w
2
, w
3
, w
4
e suponha P(w) = 1/4 para todo
w . Sejam os eventos A = w
1
, w
4
, B = w
2
, w
4
e C = w
3
, w
4
. Verique
que A, B e C so independentes dois a dois, mas
P(A B C) ,= P(A).P(B).P(C).
Observao 1.39. Toda famlia de eventos independentes independente.
Exerccio 1.13. Um dado no viciado lanado uma vez. Se a face que aparece
mpar, uma moeda no viciada lanada repetidas vezes. Se a face par, uma
moeda com probabilidade p ,=
1
2
de dar cara lanada repetidamente. Os sucessivos
lanamentos so independentes. Se os primeiros n lanamentos resultaram em cara,
qual a probabilidade de que a moeda no viciada foi usada?
1.4 Exerccios
Exerccio 1.14. Considere o experimento resultante do lanamento de dois dados
onde se observa o mnimo entre suas faces. Construa um modelo probabilstico
associado.
Exerccio 1.15. Seja (, T, P) um espao de probabilidade. Considere uma seqn-
cia de eventos aleatrios (A
n
) em T. Dena o evento B
m
: o primeiro evento a
ocorrer da seqncia (A
n
) A
m
.
1. Expresse B
m
em funo dos A
n
. B
m
aleatrio? Por qu?
2. Os eventos B
1
, B
2
, . . . , B
m
, . . . so disjuntos?
3. Quem o evento

m=1
B
m
?
Exerccio 1.16. Considere um espao amostral e uma -lgebra T sobre . Se
(P
n
) uma seqncia de medidas de probabilidade sobre T, se (a
n
) uma seqncia
de nmeros reais no-negativos tal que

n=1
a
n
= 1 e se denirmos
P(E) =
n=1
a
n
P
n
(E), E T,
ento P tambm uma medida de probabilidade sobre T. Mostre isso.
Exerccio 1.17. A -lgebra gerada por uma classe de conjuntos (.
Seja ( uma classe de subconjuntos de . Prove que:
1. ( T().
2. Dadas duas -lgebras T e (, temos que T ( uma -lgebra.
3. Dada uma famlia qualquer de -lgebras T
i
iI
, onde I qualquer conjunto
de ndices no-vazio, temos que

iI
T
i
uma -lgebra.
4. Considere a famlia de -lgebras T T() : T -lgebra e ( T. Esta
famlia no vazia.
5. Dena (() como sendo a interseo de todas as -lgebras do item anterior.
Ento:
(a) (() uma -lgebra.
(b) ( (().
(c) Dada T -lgebra, se ( T ento (() T.
6. No existe outra -lgebra satisfazendo as trs propriedades acima.
Dizemos que ((), assim denida, a -lgebra gerada por (, ou a menor -lgebra
que contm (.
1.4. EXERCCIOS 11
Exerccio 1.18. Prove as propriedades de (() abaixo.
1. Se ( T ento (() (T).
2. Se / -lgebra ento (/) = /.
3. Seja f :
uma funo e (
uma classe de subconjuntos de
. Ento
(f
1
(
) = f
1
(((
)).
Exerccio 1.19. Prove que a frmula de Bayes valida (use a regra do produto e
a lei da probabilidade total).
Exerccio 1.20. Prove que cada um dos itens abaixo equivalente denio de
A e B independentes:
1. A e B
c
so independentes;
2. A
c
e B so independentes;
3. A
c
e B
c
so independentes;
4. P(A[B) = P(A);
5. P(B[A) = P(B).
Exerccio 1.21. Se P(A) = P(A[B) =
1
4
e P(B[A) =
1
2
:
1. A e B so independentes?
2. A e B so mutuamente exclusivos?
3. Calcule P(A
c
[B
c
).
Exerccio 1.22. B. James. Captulo 1. Recomendados: 3, 4, 5, 7, 11, 16, 18, 22.
Captulo 2
Variveis Aleatrias
2.1 Denio
Na realizao de um fenmeno aleatrio, muitas vezes estamos interessados em uma
ou mais quantidades, que so dadas em funo do resultado do fenmeno. A essas
quantidades damos o nome de variveis aleatrias. Informalmente, uma varivel
aleatria um caracterstico numrico do experimento.
Exemplo 2.1. Sortear 11 cartas do baralho e contar quantas dessas cartas so de
espadas.
Exemplo 2.2. Sortear dois nmeros entre 0 e 1 e considerar o menor deles.
Exemplo 2.3. Joga-se um dado e observa-se a face superior. Nesse caso temos
= 1, 2, 3, 4, 5, 6 e
X() = .
Entretanto, nem toda funo de em R traduz uma varivel aleatria. Para
que ela seja uma varivel aleatria, precisamos garantir que todo evento relacionado
varivel aleatria possa ser mensurado. Da a denio seguinte:
Denio 2.4. Uma varivel aleatria X em um espao de probabilidade
(, /, P) uma funo real denida no espao tal que o conjunto
[ : X() x] (daqui para frente escrito de forma simplicada [X x])
evento aleatrio para todo x R; isto ,
X : R
uma varivel aleatria se [X x] / para todo x R.
13
14 CAPTULO 2. VARIVEIS ALEATRIAS
Exemplo 2.5. Sejam = 1, 2, 3, 4 e / = , 1, 2, 3, 4, e considere os
conjuntos A = 1, 2 e B = 1, 3. Ento 1
A
varivel aleatria em (, /), mas 1
B
no .
2.2 Funo de Distribuio
Denio 2.6. A funo de distribuio (acumulada) da varivel aleatria X, re-
presentada por F
X
, ou simplesmente por F quando no houver confuso, denida
por
F
X
(x) = P(X x), x R. (2.1)
Exerccio 2.1. Duas moedas honestas so lanadas. Seja a varivel X que conta o
nmero de caras observadas. Construa a funo de distribuio da varivel aleatria
X e represente-a gracamente.
Exerccio 2.2. Seja um experimento que consiste em selecionar um ponto ao acaso
do intervalo [a, b] com a < b. Seja X a varivel aleatria que representa a coordenada
do ponto. Construa a funo de distribuio da varivel aleatria X e represente-a
gracamente.
Proposio 2.7 (Propriedades da Funo de Distribuio). Se X uma varivel
aleatria, sua funo de distribuio F satisfaz as seguintes propriedades:
1. Se x
1
x
2
ento F(x
1
) F(x
2
); isto , F no-decrescente.
2. Se x
n
y, ento F(x
n
) F(y); isto , F contnua direita.
3. lim
x
F(x) = 0 e lim
x+
F(x) = 1.
Tendo em mente que F
X
(x) = P(X x), podemos observar que
1. P(X > a) = 1 P(X a) = 1 F
X
(a)
2. P(a < X b) = P(X b) P(X a) = F
X
(b) F
X
(a)
3. P(X = a) = P(X a) P(X < a) = F
X
(a) F
X
(a
). Ou seja, P(X = a)
o tamanho do salto da funo de distribuio em x = a. Se a funo for
contnua no ponto x = a ento P(X = a) = 0.
4. P(a < X < b) = P(a < X b) P(X = b)
= P(X b) P(X a) P(X = b) = F
X
(b) F
X
(a) [F
X
(b) F
X
(b
)]
= F
X
(b
) F
X
(a).
5. P(a X < b) = P(a < X < b) + P(X = a)
= F
X
(b
) F
X
(a) + [F
X
(a) F
X
(a
)] = F
X
(b
) F
X
(a
).
2.3. TIPOS DE VARIVEIS ALEATRIAS 15
6. P(a X b) = P(a < X b) + P(X = a)
= F
X
(b) F
X
(a) + [F
X
(a) F
X
(a
)] = F
X
(b) F
X
(a
).
Exerccio 2.3. Um dado tendencioso tal que a probabilidade de um ponto
proporcional ao prprio ponto. Seja X a varivel aleatria que representa o nmero
obtido no lanamento do dado. Pede-se:
(a) A funo de distribuio da varivel aleatria X, esboando o seu grco.
(b) A probabilidade de ocorrer 5, dado que ocorreu um nmero mpar?
(c) A probabilidade de ocorrer um nmero par, dado que ocorreu um nmero
menor do que 5?
Exerccio 2.4. Seja F(x) a funo
F(x) =
_
_
0, se x < 0
x +
1
2
, se 0 x
1
2
1, se x >
1
2
Mostre que F de fato uma funo de distribuio e calcule:
(a) P(X >
1
8
)
(b) P(
1
8
< X <
2
5
)
(c) P(X <
2
5
[ X >
1
8
)
2.3 Tipos de Variveis Aleatrias
Denio 2.8. Uma varivel aleatria X (assim como sua funo de distribuio
F
X
) dita discreta se existe um conjunto enumervel x
1
, x
2
, x
3
, . . . R tal
que
n=1
P(X = x
n
) = 1.
Neste caso denimos a funo de probabilidade de uma varivel aleatria contnua
como
p
X
(x) = P(X = x).
Note que, se X discreta assumindo valores em x
1
, x
2
, x
3
, . . . , temos P(X
x
1
, x
2
, . . . ) = 1 e P(X , x
1
, x
2
, . . . ) = 0. No tratamento de variveis aleatrias
discretas, tudo pode ser feito em termos de somatrios. A funo de distribuio de
uma varivel aleatria discreta dada por
F
X
(x) =

n:xnx
P(X = x
n
) =

n:xnx
P
X
(x
n
).
Observao 2.9. Reciprocamente, dada p() satisfazendo
p(x) 0, x R (2.2)
e
xR
p(x) = 1, (2.3)
existe uma varivel aleatria com funo de probabilidade dada por p.
Exerccio 2.5. A probabilidade de um indivduo acertar um alvo 2/3. Ele deve
atirar at atingir o alvo pela primeira vez. Seja X a varivel aleatria que representa
o nmero de tentativas at que ele acerte o alvo. Pede-se:
(a) A funo de probabilidade de X, mostrando que ela atende as propriedades
(2.2) e (2.3).
(b) A probabilidade de serem necessrios cinco tiros para que ele acerte o alvo.
Exerccio 2.6. Seja X uma varivel aleatria com funo de probabilidade
P(X = x) = cx
2
, onde c uma constante e k = 1, 2, 3, 4, 5. Calcule F(x) e
P(X ser mpar).
Exerccio 2.7. Seja X o nmero de caras obtidas em 4 lanamentos de uma mo-
eda honesta. Construa a funo de probabilidade e a funo de distribuio de X
esboando os seus grcos.
Denio 2.10. Uma varivel aleatria X e sua funo de distribuio F
X
so ditas
contnuas se P(X = a) = 0 para todo a R, ou seja, se F
X
for contnua no sentido
usual.
Denio 2.11. Uma varivel aleatria X (assim como sua funo de distri-
buio F
X
) dita absolutamente contnua se existe f
X
() 0 tal que
F
X
(t) =
_
t
f
X
(s)ds.
Neste caso, dizemos que f
X
a funo de densidade de probabilidade de X, ou
simplesmente densidade de X.
Observao 2.12. Pelo Teorema Fundamental do Clculo, observe que
f
X
(x) =
dF
X
(x)
dx
.
Observao 2.13. Como F
X
(x) contnua, observe que
2.3. TIPOS DE VARIVEIS ALEATRIAS 17
1. P(X = x) = F
X
(x) F
X
(x
) = 0 para todo x R.
2. P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b) =
_
b
a
f
X
(x)dx.
3. dF
X
(x) = f
X
(x)dx.
Exerccio 2.8. Verique que
F
Z
(z) =
_
_
0, z < 0,
z
2
, 0 z <
1
2
,
1 3(1 z)
2
,
1
2
z < 1,
1, z 1
uma funo de distribuio e obtenha a funo de densidade de Z. Calcule tambm
P(Z >
1
4
[Z
3
4
).
Exerccio 2.9. Verique que
F
Y
(y) =
_
_
0, y < 0
y, 0 y 1
1, y > 1
uma funo de distribuio e calcule a funo de densidade de Y . Use-a para
calcular P(
1
4
< Y <
3
4
).
Denio 2.14. Uma varivel aleatria X dita mista se tem partes nas diferentes
classicaes (parte discreta e parte contnua).
Exerccio 2.10. (Exemplo de Varivel Aleatria Mista: Discreta e Contnua ao
mesmo tempo) A funo de distribuio de uma varivel aleatria X dada por:
F
X
(x) =
_
_
0, x < 0
x
2
, 0 x < 1
2
3
, 1 x < 2
11
12
, 2 x < 3
1, x 3
Obtenha:
(a) o grco de F
X
(x);
(b) P(X < 3);
(c) P(X = 1);
(d) P(X > 1/2);
(e) P(2 < X < 4).
Exerccio 2.11. Seja X uma varivel com funo de distribuio
F
X
(x) =
_
_
0, x < 2
1
4
+
x+2
8
, 2 x < 0
3
4
+
1
4
(1 e
x
), x 0
(a) Classique X e faa um grco de F.
(b) Calcule P(X > 1) e P(X 4[X > 0).
(c) Decomponha F nas partes discreta e absolutamente contnua.
Exerccio 2.12. Mostre que se X uma varivel aleatria do tipo contnuo com
funo de densidade par, ou seja, simtrica em torno de x = 0, isto , f
X
(x) =
f
X
(x), ento:
(a) F
X
(x) = 1 F
X
(x);
(b) F
X
(0) =
1
2
;
(c) P(x < X < x) = 2F
X
(x) 1, x > 0;
(d) P(X > x) =
1
2

_
x
0
f
X
(t)dt, x > 0.
Exerccio 2.13. Suponha que X seja uma varivel aleatria com f.d.p. dada por
f
X
(x) =
1
2(1 +[x[)
2
, < x <
(a) Obtenha a funo de distribuio de X.
(b) Ache P(1 < X < 2).
(c) Ache P([X[ > 1).
Exerccio 2.14. Z uma varivel aleatria contnua com funo de densidade de
probabilidade
f
Z
(z) =
_
10e
10z
, z > 0
0, z 0
Obtenha a funo de distribuio de Z e esboce o seu grco.
2.4 Exerccios
Exerccio 2.15. Prove as propriedades de uma funo de distribuio
Exerccio 2.16. Prove que P(X = a) = 0 se e somente se F
X
contnua em a.
Exerccio 2.17. Prove que (R, B), juntamente com P
X
, formam um espao de
probabilidade, i.e., prove que P
X
uma medida de probabilidade.
Exerccio 2.18. Se p(n) = p(1 p)
n1
, n = 1, 2, 3, . . . , mostre que p() funo de
probabilidade e determine a funo de distribuio acumulada.
2.4. EXERCCIOS 19
Exerccio 2.19. Seja X uma varivel aleatria denida em (, T, P). Considere o
seguinte truncamento de X:
Y =
_
_
X, [X[ A,
A, X > A,
A, X < A,
onde A um nmero positivo.
Mostre que Y uma varivel aleatria em (, T, P).
Exerccio 2.20. Mostre que, se duas variveis aleatrias X e Y so iguais quase
certamente isto , P(X = Y ) = 1 ento F
X
= F
Y
.
Exerccio 2.21. Encontre os valores das constantes reais e de modo que a
funo F abaixo seja funo de distribuio acumulada de alguma varivel aleatria
denida em algum espao de probabilidade:
F(x) =
_
_
_
0, x 0,
+ e
x
2
/2
, x > 0.
Exerccio 2.22. Mostre que a funo de probabilidade do modelo de Poisson de
fato uma funo de probabilidade.
Exerccio 2.23. Perda de memria do modelo geomtrico.
1. Mostre que P(X m + n[X > n) = P(X m) para inteiros no-negativos,
se X segue o modelo geomtrico.
2. Se X segue o modelo geomtrico, prove que a distribuio de X dado que
X > n igual distribuio de X + n.
Exerccio 2.24. Mostre que a densidade do modelo uniforme contnuo de fato
uma funo de densidade.
Exerccio 2.25. Mostre que a distribuio do modelo exponencial de fato uma
distribuio. Calcule a densidade associada.
Exerccio 2.26. Perda de memria do modelo exponencial.
1. Mostre que P(X > t + s[X > s) = P(X > t) para t, s 0 se X tem
distribuio exponencial.
2. Mostre que a distribuio de X dado que X > s igual distribuio de X+s.
Exerccio 2.27. B. James. Captulo 2. Recomendados: 1, 5, 6, 7, 9, 10, 13, 14.
Captulo 3
Vetores Aleatrios
Denio 3.1. Um vetor X = (X
1
, . . . , X
n
) com X
i
variveis aleatrias denidas
no mesmo espao de probabilidade (, /, P) chamado vetor aleatrio se
X
1
(B) / para todo B B
n
.
Denio 3.2. A funo de distribuio conjunta F = F
X
de um vetor aleatrio
X denida por
F
X
(x) = F
X
(x
1
, . . . , x
n
) = P(X
1
x
1
, . . . , X
n
x
n
).
Observao 3.3. X
1
x
1
, . . . , X
n
x
n
=
n
i=1
: X
i
() x
i
/.
Proposio 3.4 (Propriedades da Funo de Distribuio Conjunta). Se X um
vetor aleatrio em (, /, P), ento para qualquer x R
n
, sua funo de distribuio
F goza das seguintes propriedades:
F1) F(x) no-decrescente em cada uma de suas coordenadas.
F2) F(x) contnua direita em cada uma de suas coordenadas.
F3) Se para algum j, x
j
, ento F(x) 0 e, ainda, se para todo j, x
j

+, ento F(x) 1.
F4) F(x) tal que para todo a
i
, b
i
R, a
i
< b
i
, 1 i n, temos
Pa
1
< X
1
b
1
, a
2
< X
2
b
2
, . . . , a
n
< X
n
b
n
0.
Observao 3.5. A propriedade F4 parece to bvia que poderamos questionar a
necessidade de mencion-la. No caso unidimensional ela no necessria, mas no
caso multi-dimensional ela essencial, pois h funes que atendem as propriedades
F1, F2 e F3 que no so funes de distribuies de nenhum vetor aleatrio, conforme
o exemplo abaixo.
21
22 CAPTULO 3. VETORES ALEATRIOS
Exemplo 3.6. Considere a seguinte funo:
F(x, y) =
_
1, em S = (x, y) : x 0, y 0 e x + y 1
0, caso contrrio
Ento F(x, y) satisfaz F1, F2 e F3, mas P0 < X 1, 0 < Y 1 = 1 < 0! Logo
F(x, y) no satisfaz F4 e, portanto, no pode ser funo de distribuio conjunta.
Exemplo 3.7. Sejam X e Y duas variveis aleatrias com funo de distribuio
conjunta F
X,Y
(x, y). Mostre que
Pa < X b, c < Y d = F(b, d) F(b, c) F(a, d) + F(a, c).
3.1 Independncia
Denio 3.8. Dizemos que as variveis aleatrias X
1
, X
2
, . . . , X
n
, denidas
em um espao de probabilidade (, T, P), so coletivamente independentes, ou
simplesmente independentes, se
P X
1
B
1
, X
2
B
2
, . . . , X
n
B
n
=
n
i=1
P X
i
B
i
para todo B
i
/, i = 1, 2, . . . , n.
Observao 3.9. (i) (Propriedade de Hereditariedade de Variveis Aleatrias In-
dependentes) Observe que para toda famlia de variveis aleatrias independentes
X
1
, X
2
, . . . , X
n
qualquer subfamlia tambm formada por variveis aleatrias in-
dependentes, pois, por exemplo
P X
1
B
1
, X
2
B
2
= P X
1
B
1
, X
2
B
2
, X
3
R, . . . , X
n
R
= P X
1
B
1
P X
2
B
2
P X
3
R . . . P X
n
R
= P X
1
B
1
P X
2
B
2
.1 . . . 1
= P X
1
B
1
P X
2
B
2
(ii) Se as variveis aleatrias X

1
, X
2
, . . . , X
n
so independentes, ento funes de
famlias disjuntas das variveis so tambm independentes. Por exemplo:
(a) X
1
+ X
2
+ X
3
e e
X
4
so independentes.
(b) min(X
1
, X
2
) e max(X
3
, X
4
) so independentes.
(c) X
1
.X
2
e X
2
+ X
3
no so necessariamente independentes!
3.2. FUNO DE DISTRIBUIO MARGINAL 23
A proposio a seguir nos fornece o critrio para independncia de variveis alea-
trias a partir da funo de distribuio conjunta. Trata-se do critrio de fatorao.
Proposio 3.10. So equivalentes:
1. X
1
, X
2
, . . . , X
n
so independentes.
2. F
X
(t) = F
X
1
(t
1
)F
X
2
(t
2
) F
Xn
(t
n
) para todo t R
n
.
3. F
X
pode ser escrita como F
X
(t) = F
1
(t
1
)F
2
(t
2
) F
n
(t
n
) com F
1
, . . . , F
n
fun-
es reais.
3.2 Funo de Distribuio Marginal
A partir da funo de distribuio conjunta, pode-se obter o comportamento de
cada varivel isoladamente. A funo de distribuio individualizada denominada
funo de distribuio marginal e obtida da seguinte forma:
F
X
k
(x
k
) = lim
x
i
i=k
F(x)
em que o limite aplicado em todas as coordenadas, exceto k.
3.3 Tipos de Vetores Aleatrios
Denio 3.11. Um vetor aleatrio X (assim como sua funo de distribui-
o F
X
) dito discreto se existem x
1
, x
2
, . . . tais que P(X x
1
, x
2
, . . . ) = 1.
Neste caso, a funo de probabilidade conjunta de X dada por
p
X
(x) = P (X = x) .
Um vetor aleatrio X discreto se e somente se suas coordenadas X
1
, . . . , X
n
so
discretas. Qualquer funo p() satisfazendo
p(x) 0, x R
n
e
x
p(x) = 1
funo de probabilidade conjunta de algum vetor aleatrio X em algum espao
(, T, P).
A funo de probabilidade marginal de uma varivel, digamos X
k
, obtida a
partir da conjunta, somando-se os valores possveis em todas as coordenadas, exceto
em k, isto ,
p
X
k
(x
k
) = P(X
k
= x
k
) =
n
i=1
i=k
x
i
p(x).
Exemplo 3.12. Duas moedas equilibradas so lanadas de forma independente e
denimos as variveis aleatrias X e Y da seguinte forma: X = nmero de caras
nos dois lanamentos e Y = funo indicadora de faces iguais nos dois lanamentos.
Obtenha a funo de probabilidade conjunta de X e Y e as funes de probabilidade
marginais de X e de Y .
Denio 3.13. Um vetor aleatrio X (assim como sua funo de distribuio
F
X
) dito absolutamente contnuo se existe f
X
() 0 tal que
F
X
(t) =
_
t
1

_
tn
f
X
(s
1
, . . . , s
n
)dt
n
dt
1
.
Neste caso, dizemos que f
X
a funo de densidade conjunta de X, ou simples-
mente densidade de X.
Se um vetor aleatrio X absolutamente contnuo, ento suas coordenadas
X
1
, . . . , X
n
so absolutamente contnuas (no vale a recproca!). Qualquer f() sa-
tisfazendo
f(x) 0, x R
n
e
_
R
n
f(x)d
n
x = 1
densidade de algum vetor aleatrio X.
A densidade de uma varivel X
i
chamada densidade marginal, e pode ser
calculada por
f
X
i
=
_
+

_
+
. .
n1 vezes
f(x
1
, . . . , x
i
, . . . , x
n
dx
1
dx
n
. .
exceto x
i
.
A funo de densidade conjunta f
X
pode ser calculada por
f
X
(x) =

n
x
1
x
n
F
X
(x
1
, . . . , x
n
).
3.4. MTODO DO JACOBIANO 25
Exemplo 3.14. Seja G R
n
uma regio tal que Vol G > 0, onde Vol G o volume
n-dimensional de G. Dizemos que X = (X
1
, X
2
, . . . , X
n
) com funo de densidade
f
X
(x
1
, . . . , x
n
) =
_
_
_
1
Vol G
, (x
1
, . . . , x
n
) G
0, (x
1
, . . . , x
n
) / G
uniformemente distribudo em G.
Exerccio 3.1. Sejam trs variveis aleatrias X, Y e Z com funo de densidade
conjunta dada por
f(x, y, z) =
_
kxy
2
z, se 0 < x 1, 0 < y 1 e 0 < z
2
0, caso contrrio
Encontre o valor de k e ache a funo de densidade marginal de X.
Critrio de independncia Se X discreta ento X
1
, . . . , X
n
so independentes
se, e somente se,
p
X
(x
1
, . . . , x
n
) = p
1
(x
1
) p
n
(x
n
) x
1
, . . . , x
n
R
para funes reais p
1
, . . . , p
n
. Neste caso, uma outra decomposio possvel sempre
p
X
(x
1
, . . . , x
n
) = p
X
1
(x
1
) p
Xn
(x
n
).
Se X absolutamente contnua ento X
1
, . . . , X
n
so independentes se, e somente
se,
f
X
(x
1
, . . . , x
n
) = f
1
(x
1
) f
n
(x
n
) x
1
, . . . , x
n
R
para funes reais f
1
, . . . , f
n
. Neste caso, uma outra decomposio possvel sempre
f
X
(x
1
, . . . , x
n
) = f
X
1
(x
1
) f
Xn
(x
n
).
3.4 Mtodo do Jacobiano
Sejam G
0
R
n
e G R
n
duas regies abertas e seja g : G
0
G uma funo
bijetora onde
g(x
1
, . . . , x
n
) = (g
1
(x
1
, x
2
, . . . , x
n
), . . . , g
n
(x
1
, x
2
, . . . , x
n
)) = (y
1
, . . . , y
n
).
Ento existe a funo inversa h = g
1
en G, onde
x
1
= h
1
(y
1
, . . . , y
n
), . . . , x
n
= h
n
(y
1
, . . . , y
n
).
Suponha tambm que existam as derivadas parciais
x
i
y
j
=
h
i
(y
1
, . . . , y
n
)
y
j
, 1 i, j n,
e que elas sejam contnuas em G. Denimos o jacobiano J(x, y) pelo determinante
J(x, y) =
_
x
i
y
j
_
= det
_
_
x
1
y
1

x
1
yn
.
.
.
.
.
.
.
.
.
xn
y
1

xn
yn
_
_
Pelo clculo de vrias variveis, sabemos que se o jacobiano for no-nulo para todo
y G, ento
_
. . .
_
A
f(x
1
. . . , x
n
)dx
1
. . . dx
n
=
_
. . .
_
g(A)
f(h
1
(y
1
, . . . , y
n
) . . . , h
n
(y
1
, . . . , y
n
)) [J(x, y)[ dy
1
. . . dy
n
para qualquer f integrvel em A, onde A G
0
. Com isso, no contexto de probabili-
dade, temos o seguinte teorema:
Teorema 3.15. Sejam Y
1
, Y
2
, . . . , Y
n
variveis aleatrias transformadas, isto , Y
i
=
g
i
(X
1
, X
2
, . . . , X
n
) para i = 1, 2, . . . , n. Ento a densidade conjunta de Y
1
, Y
2
, . . . , Y
n
f
Y
(y
1
. . . , y
n
) =
_
f
X
(h
1
(y
1
, . . . , y
n
) . . . , h
n
(y
1
, . . . , y
n
)) [J(x, y)[ , y G
0, y / G
onde f
X
a funo de densidade conjunta de X.
Exemplo 3.16. Sejam X e Y variveis aleatrias independentes, cada uma com
distribuio exponencial com parmetro 1, mostre que Z = X + Y e W =
X
Y
so
tambm independentes com densidades
f
Z
(z) =
_
ze
z
, z > 0
0, z 0
e
f
W
(w) =
_
1
(w+1)
2
, w > 0
0, w 0
.
Observao 3.17. Seja a funo g : R
n
R
k
com k < n. Ento g no bijetora.
Ento para obtermos a distribuio de Y = g(X), basta:
(a) Completar a transformao g atravs de variveis auxiliares convenientes:
Y
k+1
= g
k+1
(X), . . . , Y
n
= g
n
(X).
3.5. EXERCCIOS 27
(b) Obter a conjunta de Y
1
, Y
2
, . . . , Y
n
usando o mtodo do jacobiano f
Y
(y
1
. . . , y
n
) =
f(h
1
(y
1
, . . . , y
n
) . . . , h
n
(y
1
, . . . , y
n
)) [J(x, y)[.
(c) Obter a marginal conjunta de Y
1
, Y
2
, . . . , Y
k
como
_

. . .
_

f
Y
(y
1
. . . , y
n
)dy
k+1
. . . dy
n
.
Exemplo 3.18. A funo de densidade conjunta de X e Y dada por
f
X,Y
(x, y) =
1
3
(x + y)1
(0,2]
(x)1
(0,1]
(y).
Mostre que a densidade de Z = X + Y dada por
f
Z
(z) =
_
_
z
2
3
, 0 z < 1
z
3
, 1 z < 2
z(3z)
3
, 2 z 3
0, caso contrrio
Exemplo 3.19. (Jacobiano sem bijeo) Seja X uma varivel contnua com densi-
dade f
X
(x) =
1
2
e
|x|
, < x < . Mostre que a densidade de Y = X
2
dada
por
f
Y
(y) =
1
2
y
e
y
1
(0,)
(y).
Exemplo 3.20. Seja X uma varivel contnua com densidade uniforme em [2, 5].
Encontre a densidade de Y = X
2
.
Exemplo 3.21. Seja X uma varivel contnua com densidade
f
X
(x) =
_
_
1
4
x, 0 x < 2
1
8
, 2 x 6
0, caso contrrio
(a) Determine a funo de distribuio de Y = min(3, X).
(b) Faa a decomposio de F
Y
nas suas partes discreta, contnua e singular.
3.5 Exerccios
Exerccio 3.2. Sejam X e Y variveis aleatrias denidas no mesmo espao de pro-
babilidade, independentes, discretas e com distribuies Poisson(
1
) e Poisson(
2
),
respectivamente. Mostre que, dada a ocorrncia do evento X +Y = n, a probabili-
dade condicional de X = k
P(X = k[X + Y = n) =
_
n
k
__

1
1
+
2
_
k
_

2
1
+
2
_
nk
.
Como voc interpretaria isso com seus conhecimentos prvios do clculo das proba-
bilidades?
Exerccio 3.3. 1. Considere um vetor aleatrio (X, Y ) absolutamente contnuo
com distribuio uniforme em
A =
_
(x, y) R
2
: 0 < y < x e x + y < 1
_
.
Encontre F
X,Y
.
2. Considere um vetor aleatrio (Z, W) absolutamente contnuo com densidade
f
Z,W
(z, w) =
_
_
_
c, 0 < z < 1, 0 < w < z,
0, caso contrrio.
Encontre F
Z,W
.
Exerccio 3.4. Mostre por induo nita que, se X
1
, X
2
, . . . , X
n
so variveis ale-
atrias independentes com X
i
b(m
i
, p), i = 1, 2, . . . , n, ento
n
i=1
X
i
b
_
n
i=1
m
i
, p
_
.
Dica:

n
k=0
_
a
k
__
b
nk
_
=
_
a+b
n
_
.
Exerccio 3.5. Seja X uma varivel aleatria em (, T, P) com distribuio expo-
nencial de parmetro > 0. Considere a transformada N = X (o maior inteiro
menor ou igual a X). Mostre que N uma varivel aleatria em (, T, P) e ache
sua lei.
Exerccio 3.6. Sejam Y e U duas variveis aleatrias em um mesmo espao de
probabilidade, independentes e com leis Y ^(0, 1) e P(U = 1) = P(U = +1) =
1
2
. Ache a lei de Z = UY . (Dica: ataque a funo de distribuio acumulada).
Exerccio 3.7. Sejam X e Y i.i.d. contnuas com densidade f. Mostre que
f
X+Y
(t) =
_
R
f(t s)f(s)ds t R.
Sugesto: faa Z = X + Y e W = Y , calcule a densidade conjunta de Z e W e
depois a marginal.
Exerccio 3.8. Sejam X e Y i.i.d discretas com funo de probabilidade p. Mostre
que
p
X+Y
(t) =

s
p(t s)p(s).
Sugesto: Considere a partio [Y = s] : s x
1
, x
2
, x
3
, . . . , onde x
1
, x
2
, x
3
, . . .
o conjunto dos valores que X (ou Y ) assume.
Exerccio 3.9. B. James. Captulo 2. Recomendados: 2, 17, 18, 21, 30, 33, 34, 41,
46.
Captulo 4
Esperana Matemtica
4.1 Denio
Denio 4.1. Seja X uma varivel aleatria com funo de distribuio F
X
. A
esperana de X, denotada E(X), denida como
E(X) =
_

xdF
X
(x) (4.1)
quando a integral est bem denida.
Observao 4.2. (a) (x) = x contnua. A integral (4.1) de Riemann-Stieltjes.
(b) A esperana est bem denida se pelo menos uma das integrais
_
0
xdF
X
(x)
ou
_
0
xdF
X
(x) for nita.
(c) Se ambas as integrais
_
0
xdF
X
(x) e
_
0
xdF
X
(x) forem nitas, dizemos que
X integrvel, ou seja, X integrvel se
E([X[) =
_

[x[ dF
X
(x) < .
(d) Se X uma varivel aleatria discreta tomando valores no conjunto x
1
, x
2
, x
3
, . . .
e com funo de probabilidade p(x
i
) = P(X = x
i
), ento
E(X) =
i=1
x
i
p(x
i
).
(e) Se X uma varivel aleatria contnua com funo de densidade de probabilidade
f
X
(x), ento
E(X) =
_

xf
X
(x)dx
(f) Se X tal que sua funo de distribuio se decompe F = F
d
+ F
ac
+ F
s
,
ento
E(X) =
i=1
x
i
p(x
i
) +
_

xf
X
(x)dx +
_

xdF
s
(x).
29
30 CAPTULO 4. ESPERANA MATEMTICA
Exerccio 4.1. Um dado lanado sucessivamente, at que a face 6 ocorra pela
primeira vez. Seja X a varivel que conta o nmero de lanamentos at a ocorrncia
do primeiro 6. Calcule a esperana de X.
Exerccio 4.2. Suponha que X seja uma varivel aleatria com f.d.p. dada por
f(x) =
_
C(9 x
2
), 3 x 3
0, caso contrrio
(a) Obtenha o valor de C.
(b) Obtenha a esperana de X.
(c) Ache P([X[ 1).
4.1.1 Propriedades da Esperana Matemtica
1. E(C) = C, onde C uma constante.
2. Se a X b, ento a E(X) b.
3. E(aX b) = aE(X) b.
4. E[X E(X)] = 0.
5. Se X Y , ento E(X) E(Y ).
6. Se X uma varivel aleatria tal que 0 [X[ Y , onde Y varivel aleatria
integrvel, ento X integrvel.
Exerccio 4.3. Seja X uma varivel aleatria simtrica em torno de , isto ,
PX + x = PX x para todo x R. Mostre que se X integrvel,
ento E(X) = .
Observe pelo exerccio seguinte, que sem a hiptese de integrabilidade, o resul-
tado no se verica, pois:
Exerccio 4.4. Seja X uma varivel aleatria Cauchy com parmetros M e b, isto
, a densidade de X dada por
f(x) =
b
[b
2
+ (x M)
2
]
para todo x R, b > 0 e M R. Mostre que M ponto de simetria de X, mas
E(X) no existe.
Exerccio 4.5. Sejam X e Y variveis aleatrias independentes com distribuio
uniforme em [0, 1]. Sejam Z = min(X, Y ) e W = max(X, Y ). Calcule E(Z) e
E(W).
Proposio 4.3. (Desigualdade de Jensen) Seja uma funo convexa denida na
reta. Se a varivel aleatria X integrvel, ento
E[(X)] [E(X)].
4.2. ESPERANAS DE FUNES DE VARIVEIS ALEATRIAS 31
Observao 4.4. Se uma funo cncava, ento E[(X)] [E(X)]. (Mostre
isso!)
Exemplo 4.5. Pela desigualdade de Jensen, temos, por exemplo, que
(a) E [[X[] [E(X)[.
(b) E(X
2
) E
2
(X).
(c) E [X[
p
(E [X[)
p
[EX[
p
. onde p 1.
(d) E
_
1
X
_
1
EX
.
4.2 Esperanas de Funes de Variveis Aleat-
rias
Denio 4.6. Seja X uma varivel aleatria e (x) uma funo real mensurvel.
Ento a esperana da varivel aleatria Y = (X) dada por
E(Y ) =
_

ydF
(X)
(y).
A frmula acima nem sempre muito fcil de ser usada, pois devemos obter
a distribuio de Y a partir da distribuio da varivel X e s ento obter E(Y ).
No entanto possvel mostrar pela Teoria da Medida que a esperana da varivel
aleatria Y = (X) dada por
E(X) =
_

ydF
(X)
(y) =
_

(x)dF
X
(x),
sendo que (X) ser integrvel em (, T, P) se e somente se for integrvel em
(R, B, dF
X
). Assim,
E[(X)] =
i=1
(x
i
)p(x
i
) (se X discreta)
E[(X)] =
_

(x)f
X
(x)dx (se X contnua)
4.3 Momentos
Denio 4.7. Seja X uma varivel aleatria. Dene-se o k-simo momento ordi-
nrio da varivel aleatria X, m
k
, como
m
k
= E(X
k
) =
_

x
k
dF
X
(x).
Assim,
m
k
=
i=1
x
k
i
P(X = x
i
) se X v.a.d.
m
k
=
_

x
k
f
X
(x)dx se X v.a.c.
Denio 4.8. Seja X uma varivel aleatria. Dene-se o k-simo momento central
da varivel aleatria X, M
k
, como
M
k
= E[(X E(X))
k
].
Assim,
M
k
=
i=1
[x
i
E(X)]
k
P(X = x
i
) se X v.a.d.
M
k
=
_

[x E(X)]
k
f
X
(x)dx se X v.a.c.
Denio 4.9. Seja X uma varivel aleatria. Dene-se a varincia da varivel
aleatria X, denotada por V X ou
2
X
, como
V X = E[(X E(X))
2
].
Observao 4.10. Observe que V X = E[(X E(X))
2
] = E[X
2
2XE(X) +
E
2
(X)] = E[X
2
] 2E
2
(X) + E
2
(X) = E(X
2
) E
2
(X).
4.3.1 Propriedades da Varincia
1. V C = 0, onde C uma constante.
2. V (aX b) = a
2
V X.
Denio 4.11. Dene-se o desvio-padro da varivel aleatria X, denotado por
DP(X) ou
X
, como
DP(X) =
V X.
Observao 4.12. Pelas denies acima, vemos que
m
1
= E(X)
M
1
= 0
M
2
= V X = m
2
m
2
1
.
Proposio 4.13. (Desigualdade bsica de Markov) Seja X uma varivel aleatria
no-negativa e seja > 0 uma constante. Ento
P(X )
E(X)
.
4.4. ESPERANAS DE FUNES DE VETORES ALEATRIOS 33
Demonstrao. Em aula.
Proposio 4.14. (Desigualdade de Markov) Seja X uma varivel aleatria qual-
quer e seja > 0 uma constante. Ento para todo t > 0,
P([X[ )
E [X[
t
t
.
Proposio 4.15. (Desigualdade Clssica de Chebyshev) Seja X uma varivel ale-
atria integrvel e seja > 0 uma constante. Ento
P([X E(X)[ )
V X
2
.
Exerccio 4.6. Suponha que X seja uma varivel aleatria tal que P(X 0) = 1
e P(X 10) =
1
5
. Mostre que E(X) 2.
Exerccio 4.7. Suponha que X seja uma varivel aleatria tal que E(X) = 10,
P(X 7) = 0, 2 e P(X 13) = 0, 3. Prove que V X
9
2
.
Proposio 4.16. Se Z 0 e EZ = 0, ento P Z = 0 = 1, ou seja, Z = 0 quase
certamente.
Observao 4.17. A proposio acima implica que, quando V X = 0, ento X
constante quase certamente, pois P X = EX = 1.
4.4 Esperanas de Funes de Vetores Aleatrios
Teorema 4.18. Seja X = (X
1
, X
2
, . . . , X
n
) um vetor aleatrio em (, /, P) e :
R
n
R mensurvel a Borel. Ento
E(X) =
_

ydF
(X)
(y) =
_

. . .
_

(x)dF
X
(x)
onde a ltima integral uma integral n-dimensional de Stieltjes.
Demonstrao. (Teoria da Medida)
Observao 4.19. (i) Se X for discreto tomando valores em x
1
, x
2
, . . . temos
E(X) =
i=1
(x
i
)p
X
(x
i
).
(ii) Se X for contnuo com densidade f
X
(x) temos
E(X) =
_

. . .
_

(x)f
X
(x)dx
1
. . . dx
n
.
(iii) E[
1
(X) + +
n
(X)] = E[
1
(X)] + + E[
n
(X)].
Proposio 4.20. Se X
1
, X
2
, . . . , X
n
so variveis aleatrias independentes e inte-
grveis, ento X
1
X
2
X
n
integrvel e
E [X
1
X
2
X
n
] = (EX
1
)(EX
2
) (EX
n
).
O exemplo a seguir nos mostra que a recproca da proposio anterior no
sempre verdadeira, isto , EXY = EX.EY no implica X e Y independentes.
Exemplo 4.21. Sejam X e Y variveis aleatrias tomando valores 1, 0, 1 com
distribuio conjunta dada por p(1, 1) = p(1, 1) = p(1, 1) = p(1, 1) =
p(0, 0) =
1
5
. Ento EXY = EX.EY , mas X e Y no so independentes, pois
P(X = 0, Y = 0) ,= P(X = 0).P(Y = 0).
Denio 4.22. A covarincia entre duas variveis aleatrias X e Y denida
como
Cov(X, Y ) = E [(X EX) (Y EY )]
= E [XY ] E [X] E [Y ]
Duas variveis aleatrias X e Y so ditas no-correlacionadas se Cov(X, Y ) = 0.
Segue-se que variveis aleatrias independentes so no-correlacionadas, mas a re-
cproca no necessariamente verdadeira.
Observao 4.23. H certos casos em que no correlao implica em independn-
cia. O caso mais importante o da Normal: Se X e Y possuem distribuio conjunta
normal bivariada e so no-correlacionadas, ento = 0 e como vimos anteriormente
X e Y so independentes.
Proposio 4.24. A varincia da varivel aleatria Y =
n
i=1
X
i
dada por
V
_
n
i=1
X
i
_
=
n
i=1
V [X
i
] + 2
i<j
Cov(X
i
, X
j
).
Corolrio 4.25. Se X
1
, X
2
, . . . , X
n
so variveis aleatrias no-correlacionadas,
ento
V
_
n
i=1
X
i
_
=
n
i=1
V [X
i
] .
Denio 4.26. Dada uma varivel aleatria X, a varivel aleatria Z =
XEX
uma padronizao de X (tambm chamada de reduo ou normalizao de X).

Observe que EZ = 0 e V Z = 1.
4.5. CONDICIONANDO A EVENTO DE PROBABILIDADE POSITIVA 35
Denio 4.27. Chama-se coeciente de correlao entre X e Y , denotado por
X,Y
ou (X, Y ), a correlao entre as sua variveis padronizadas, isto ,
X,Y
=
Cov(X, Y )
X
.
Y
= E
__
X EX
X
__
Y EY
Y
__
.
Exerccio 4.8. Mostre que (X, Y ) = (aX + b, cY + d) para a > 0 e c > 0.
A proposio seguinte nos informa que
X,Y
representa a dependncia linear entre
X e Y .
Proposio 4.28. Sejam X e Y variveis aleatrias com varincias nitas e posi-
tivas. Ento:
(i) 1
X,Y
1.
(ii)
X,Y
= 1 se e somente se P Y = aX + b = 1 para algum a > 0 e b R.
(iii)
X,Y
= 1 se e somente se P Y = aX + b = 1 para algum a < 0 e b R.
Proposio 4.29 (Desigualdade de Cauchy-Schwarz). E [XY [
EX
2
EY
2
.
4.5 Esperana Condicional dado um Evento de
Probabilidade Positiva
Seja X uma varivel aleatria em um espao de probabilidade (, /, P), e seja A
um evento aleatrio tal que P(A) > 0. Denimos a distribuio condicional de X
dado o evento A por
P(X B [ A) =
P([X B] A)
P(A)
para B B, a -lgebra dos borelianos da reta. Os axiomas abaixo se vericam
Axioma 1) P(X B [ A) 0.
Axioma 2) P(X R [ A) = 1.
Axioma 3) Se B
1
, B
2
, . . . so borelianos disjuntos dois a dois, ento P(X
i=1
B
i
[ A) =

i=1
P(X B
i
[ A).
A funo de distribuio associada distribuio condicional chamada funo
de distribuio condicional de X dado A:
F
X
(x [ A) = P(X x [ A) =
P([X x] A)
P(A)
, x R.
A esperana condicional de X dado A a esperana da distribuio condicional
denida por
E(X [ A) =
_

xdF
X
(x [ A)
=
E [X.1
A
]
E [1
A
]
=
1
P(A)
E [X.1
A
] ,
se esta esperana existe.
Observe, pelo Teorema da Probabilidade Total, que
P(X B) =

n
P(A
n
)P(X B [ A
n
), para todo B B.
F
X
(x) =

n
P(A
n
)P(X x [ A
n
)
=

n
P(A
n
)F
X
(x [ A
n
), para todo x R.
E [X] =
_

xdF
X
(x) =
_

xd
_
n
P(A
n
)F
X
(x [ A
n
)
_
=

n
P(A
n
)
__

xdF
X
(x [ A
n
)
_
=

n
P(A
n
)E(X [ A
n
).
Exemplo 4.30. Seja X U [1, 1] e sejam A
1
= [X 0] e A
2
= [X < 0]. Pede-se
(a) A distribuio condicional de X dado A
1
.
(b) A distribuio condicional de X dado A
2
.
(c) E(X [ A
n
) para n = 1, 2.
Exemplo 4.31. Seja X uma varivel aleatria exponencial com parmetro . En-
contre E [X [ X > 2].
4.6 Exerccios
Exerccio 4.9. Calcular EX, onde:
1. X b(n, p).
2. X exp().
3. X Geom(p).
4.6. EXERCCIOS 37
Exerccio 4.10. 1. Prove que, se X assume valores em 0, 1, 2, 3, . . . , ento
EX =
n=1
P(X n).
Sugesto: escreva a frmula da esperana como um somatrio duplo de p(n)
e troque a ordem da soma.
2. Dada X varivel aleatria, mostre que
n=1
P([X[ n) E[X[
n=0
P([X[ n).
Estabelea um critrio para determinar se X integrvel ou no.
Dica: [X[ [X[ [X[ + 1.
Exerccio 4.11. Dada X v.a., dena
Y =
_
_
_
X, X a,
a, caso contrrio,
onde a uma constante positiva. Mostre que EY EX.
Exerccio 4.12. Mostre que X integrvel se, e somente se, E[X[ < .
Exerccio 4.13. Prove:
1. Se E[X[ = 0 ento P(X = 0) = 1.
Dica:
_
[X[
1
n
_
[X = 0] quando n .
2. Se X c e EX = c, ento P(X = c) = 1.
Exerccio 4.14. Prove as conseqncias da desigualdade de Cauchy-Schwarz para
a covarincia e o coeciente de correlao.
Exerccio 4.15. Prove que a covarincia e o coeciente de correlao de duas va-
riveis independentes so nulos.
Exerccio 4.16. Prove que E[X[
EX
2
.
Exerccio 4.17. Sejam X
1
, . . . , X
n
variveis aleatrias satisfazendo EX
2
i
< i.
1. Se Cov(X
i
, X
j
) = 0 i ,= j, mostre que
V
_
n
i=1
X
i
_
=
n
i=1
V X
i
.
2. A frmula acima tambm vale se as variveis aleatrias forem independentes?
Exerccio 4.18. Calcular V X, onde:
1. X Poisson().
2. X exp().
3. X b(n, p).
Exerccio 4.19. Padronizao de X.
Dada uma varivel aleatria X com EX
2
< , denimos a padronizao de X
(ou a normalizao de X) como
X EX
(X)
.
A padronizao de uma varivel aleatria no tem unidade de medida. Mostre que:
1. EZ = 0 e V Z = 1, onde Z a padronizao de X.
2. X e (aX + b) tm a mesma padronizao para a > 0 e b R.
3. Se Z a padronizao de X e W a padronizao de Y , ento
(Z, W) = Cov(Z, W) = E(ZW) = (X, Y ).
(Prove uma igualdade de cada vez.)
Exerccio 4.20. Considere uma seqncia de variveis aleatrias X
1
, X
2
, X
3
, . . .
i.i.d. com distribuio Bernoulli(p). Quantas realizaes so sucientes para que a
mdia amostral, dada por
X
n
() =
1
n
n
j=1
X
n
(),
no dira de seu valor esperado p por mais de 0,01, com probabilidade mnima de
0,95? (Sugesto: Desigualdade de Chebyshev)
Exerccio 4.21. Considere variveis aleatrias X
1
, X
2
, . . . e X denidas no espao
de probabilidade (, T, P) tais que X
n
() X() .
1. Mostre que, se as X
n
so uniformemente limitadas, ento X integrvel e
EX
n
EX.
2. Mostre que
lim
n
E
_
e
|X|
sen(X
n
)
_
= E
_
e
|X|
sen(X)
_
.
Exerccio 4.22. B. James. Captulo 3. Recomendados: 5, 6, 19, 20ab, 21, 23, 26,
28, 30, 36.
Captulo 5
Convergncia de Variveis
Aleatrias
Considere um experimento devidamente modelado por um espao de probabilidade
(, T, P). Neste espao vamos considerar uma seqncia de variveis aleatrias
X
1
, X
2
, X
3
, . . . . Em inmeras situaes tericas e prticas, uma pergunta natural
qual o comportamento de longo prazo da seqncia (X
n
)
n
. Dito de outra forma:
quais as propriedades estatsticas de X
N
, sendo N sucientemente grande?
Tratando-se de variveis aleatrias, o conceito de convergncia uma generali-
zao do conceito de convergncia para nmeros reais. Entretanto, existem vrias
possveis formas de se fazer essa generalizao, e cada forma a mais natural em de-
terminado contexto. No caso de variveis aleatrias degeneradas, todas as denies
so equivalentes convergncia de nmeros reais.
Em B. James, as convergncias quase certa e em probabilidade so vistas na
Seo 5.1, a convergncia em distribuio vista na Seo 6.2 e a convergncia
em mdia r no considerada. A referncia mais completa sobre convergncia
Magalhes, Seo 6.2. Para o Lema de Borel-Cantelli recomenda-se a Seo 5.2 de
B. James. Para uma reviso sobre convergncia de seqncias e sries de nmeros
reais pode-se consultar o Captulo 1 de Rgo.
1
Recomendam-se os exerccios listados
ao nal deste captulo.
5.1 Lema de Borel-Cantelli
Comeamos denindo o liminf e o limsup de uma seqncia de eventos.
1
L. C. Rgo. Notas de Aula do Curso Probabilidade 4. 2010.
http://www.de.ufpe.br/~leandro/AulasET5842010-1.pdf
39
40 CAPTULO 5. CONVERGNCIA DE VARIVEIS ALEATRIAS
Denio 5.1 (limsup e liminf de eventos). Dada uma seqncia de eventos
aleatrios A
n
, denimos o evento limsup A
n
, denotado por [A
n
innitas vezes]
ou [A
n
i.v.], por
limsup
n
A
n
=
n=1
_
k=n
A
k
.
Denimos o evento liminf A
n
, denotado por [A
n
eventualmente], por
liminf
n
A
n
=
_
n=1
k=n
A
k
.
importante entender as seguintes interpretaes:
limsup A
n
o conjunto dos s tais que pertence a innitos A
n
s.
O evento limsup A
n
signica A
n
acontece innitas vezes.
liminf A
n
o conjunto dos s tais que pertence a todos os A
n
s exceto uma
quantidade nita deles.
O evento liminf A
n
signica A
n
acontece para todo n grande.
De fato, limsup A
n
T e liminf A
n
T. Vale tambm que
liminf A
n
limsup A
n
e
liminf(A
c
n
) = (limsup A
n
)
c
.
Exemplo 5.2. Exemplo: = R, A
n
=
_
_
_
(1/n, 1], n mpar,
(1, 1/n], n par.
Temos
limsup A
n
=
n=1
_
k=n
A
k
=
n=1
(1, 1] = (1, 1]
e
liminf A
n
=
_
n=1
k=n
A
k
=
_
n=1
0 = 0.
Exerccio 5.1. Sejam um espao de probabilidade (, T, P) e uma seqncia de
eventos aleatrios (A
n
) em T.
Mostre que, se (A
n
) crescente, ento limsup A
n
= liminf A
n
=
n=1
A
n
. Por
outro lado, se (A
n
) decrescente, ento limsup A
n
= liminf A
n
=
n=1
A
n
.
Exerccio 5.2. Considere o espao de probabilidade (R
2
, B
2
, P), no qual P uma
probabilidade arbitrria. Se A
n
= (x, y) R
2
: 0 x n, 0 y
1
n
, encontre
limsup A
n
e liminf A
n
.
5.1. LEMA DE BOREL-CANTELLI 41
Exerccio 5.3. Considere a seqncia de intervalos
A
n
=
_
_
_
(0, 2 +
1
n
), n par
(0, 2
1
n
), n mpar.
Encontre o liminf A
n
e o limsup A
n
.
Teorema 5.3 (Lema de Borel-Cantelli). Seja (, T, P) um espao de probabili-
dade e (A
n
) uma seqncia de eventos aleatrios. Ento:
1. Se

n=1
P(A
n
) < ento
P(A
n
innitas vezes) = 0.
2. Se

n=1
P(A
n
) = e os eventos A
n
so independentes, ento
P(A
n
innitas vezes) = 1.
Demonstrao. Feita em aula. Referncia: B. James, p. 201.
Exemplo 5.4. Considere a seqncia de innitos sorteios independentes e uniformes
de um nmero (x
n
) entre 0 e 1.
1. P(x
n
[0, 1/n] para innitos ns) = 1.
2. P(x
n
[0, 1/n
2
] para innitos ns) = 0.
Caso os eventos A
n
no sejam independentes, podemos ter P(A
n
i.v.) = 0 sem
que necessariamente tenhamos

n
P(A
n
) < . Neste caso podemos armar pelo
menos que P(A
n
) 0.
Teorema 5.5 (Lema de Fatou). Para qualquer seqncia (A
n
)
n
de eventos vale
P(liminf
n
A
n
) liminf
n
P(A
n
).
Demonstrao. Para qualquer k N e m k temos
n=k
A
n
A
m
,
logo
P
_

n=k
A
n
_
P(A
m
)
e portanto
P
_

n=k
A
n
_
inf
mk
P(A
m
).
Como (
n=k
A
n
)
k
uma seqncia crescente de eventos, temos que
P (liminf
n
A
n
) = P
_

_
k=0
_

n=k
A
n
__
= lim
k
P
_

n=k
A
n
_
lim
k
inf
nk
P(A
n
).
O ltimo termo igual a liminf
n
P(A
n
), o que termina a prova.
Corolrio 5.6. Se P(A
n
i.v.) = 0 ento P(A
n
) 0.
Demonstrao. Aplicando o Teorema 5.5 para a seqncia (A
c
n
)
n
temos que
limsup
n
P(A
n
) = 1 liminf
n
P(A
c
n
) 1 P(liminf
n
A
c
n
) = P(limsup
n
A
n
) = 0,
donde segue o resultado.
5.2 Tipos de Convergncia
Sejam X e X
n
n1
variveis aleatrias denidas num mesmo espao de probabili-
dade (, /, P).
Denio 5.7. Dizemos que X
n
converge em probabilidade para X, denotado
por X
n
P
X, se para todo > 0
P [X
n
X[ 0, quando n .
Exemplo 5.8. Sejam X
1
, X
2
, . . . v.a.s independentes, tais que P (X
n
= 1) =
1
n
e
P (X
n
= 0) = 1
1
n
. Mostre que X
n
P
0.
1
, X
2
, . . . v.a.s independentes, identicamente distribudas
com distribuio exp(1). Dena
Y
n
=
X
n
ln n
para n > 1. Mostre que Y
n
P
0.
n
converge quase certamente para X, denotado
por X
n
q.c.
X, se
P X
n
X, quando n = 1,
ou seja, o evento A
0
= : X
n
() X() de probabilidade 1.
5.2. TIPOS DE CONVERGNCIA 43
Observao 5.11. Observe que a convergncia quase certa uma convergncia
pontual num conjunto de medida 1, ou seja, X
n
() X() para quase todo ,
exceto aqueles dentro de um conjunto de medida nula. Por outro lado convergncia
em probabilidade no diz respeito convergncia pontual, ela apenas arma que
para valores grandes de n as variveis X
n
e X so aproximadamente iguais com
probabilidade bem alta.
Exemplo 5.12. Seja = [0, 1]. Um ponto selecionado aleatoriamente do intervalo
[0, 1] e seja a sequncia de variveis aleatrias dada por
X
n
() = +
n
.
Mostre que X
n
q.c.
X com X U [0, 1]. Observe tambm que X
n
(1),X(1). Mas
P : X
n
() , X(), quando n = 0.
Proposio 5.13. X
n
q.c.
X se, e somente se,
P
_
[X
n
X[ i.v.
_
= 0 > 0.
Exerccio 5.4. Prove a proposio acima.
n
converge para X em L
p
, que denotamos por
X
n
Lp
X, se
lim
n
E [X
n
X[
p
= 0.
Quando p = 2, a convergncia dita em mdia quadrtica.
1
, X
2
, . . . v.a.s independentes, tais que P (X
n
= 1) =
1
n
e
P (X
n
= 0) = 1
1
n
. Mostre que X
n
Lp
0, para todo p.
Denio 5.16. Sejam X
n
; n 1 e X variveis aleatrias com funes de
distribuio F
n
; n 1 e F, respectivamente. Dizemos que X
n
converge em
distribuio para X, que denotamos por X
n
d
X, se para todo ponto x em que
F contnua, tivermos
lim
n
F
n
(x) = F(x).
Exemplo 5.17. Seja X
n
; n 1 uma seqncia de v.a. independentes com distri-
buio uniforme em (0, b), b > 0. Dena Y
n
= max(X
1
, X
2
, . . . , X
n
) e Y = b. Ento
verique que Y
n
d
Y .
Exemplo 5.18. Seja X
n
=
1
n
para n 1 e X = 0. Mostre que X
n
d
X, embora
lim
n
F
n
(0) = 0 ,= 1 = F(0). Mas como 0 no ponto de continuidade de F, isto
no problema.
5.3 Relao entre os Tipos de Convergncia
Proposio 5.19. Se X
n
q.c.
X ento X
n
P
X.
Demonstrao. Para qualquer > 0, pela Proposio 5.13 temos que
P([X
n
X[ i.v.) = 0,
logo segue do Corolrio 5.6 que P([X
n
X[ ) 0, ou seja, X
n
P
X.
Proposio 5.20. Se X
n
P
X ento existe uma subseqncia n
k
tal que
X
n
k
q.c.
X.
Idia da prova. Como P([X
n
X[ ) 0 pode-se tomar uma subseqncia n
k
tal
que
k
P([X
n
k
X[ ) < , e usar um argumento anlogo ao do Exerccio 5.9.
Corolrio 5.21. O limite em probabilidade nico: se X
n
P
X e X
n
P
Y ento
P(X = Y ) = 1.
Demonstrao. Tome uma subseqncia n
k
tal que X
n
k
q.c.
X e uma subseqncia
n
k
j
tal que X
n
k
j
q.c.
Y . Para todo na interseo desses dois eventos quase certos
A = [X
n
k
X] e B = [X
n
k
j
Y ] temos que [X = Y ]. Como P(A) = P(B) = 1
implica P(A B) = 1, temos que P(X = Y ) P(A B) = 1.
Proposio 5.22. Se X
n
P
X ento X
n
d
X.
Proposio 5.23. Se X
n
d
c para c R constante, ento X
n
P
c.
Proposio 5.24. Sejam p 1 e s 0. Se X
n
L
p+s
X ento X
n
Lp
X.
Demonstrao. Fazendo q = p + s, pela Desigualdade de Jensen temos
_
E
X
n
X
p
_1
p
_
E
X
n
X
q
_1
q
0.
Proposio 5.25. Seja p 1. Se X
n
Lp
X ento X
n
P
X.
Idia da prova. Pela desigualdade de Markov
P([X
n
X[ )
p
E([X
n
X[
p
) 0.
Proposio 5.26. Seja p 1. Se X
n
P
X e existe Y tal que EY
p
< e [X
n
[ Y
para todo n, ento X
n
Lp
X.
Idia da prova. Para qualquer subseqncia n
k
, tome uma subseqncia n
k
j
tal que
X
n
k
j
X
q.c.
0. Como [X
n
k
j
X[
p
([X
n
k
j
[ +[X[)
p
(2Y )
p
que integrvel, pelo
Teorema da Convergncia Dominada temos que E([X
n
k
j
X[
p
) 0. Como isso
sempre vale para alguma subseqncia de uma seqncia arbitrria n
k
, temos que
E([X
n
X[
p
) 0.
Observao 5.27. No h qualquer relao de implicao entre convergncia quase
certa e convergncia em L
p
, a no ser no caso dominado ou por subseqncias.
Completamos assim o diagrama de implicaes da Figura 5.1.
5.4. EXERCCIOS 45
q.c.
P
3
subseqncia
Y
caso dominado
.y
d
constante
.|
L
p+s
3
L
p
I
Figura 5.1: Diagrama de implicaes entre os tipos de convergncia.
5.4 Exerccios
Exerccio 5.5. B. James. Captulo 5. Recomendados: 5, 6, 7, 9, 10.
Exerccio 5.6. Seja (A
n
)
n
uma seqncia de eventos em (I
An
)
n
a seqncia de va-
riveis aleatrias indicadoras das ocorrncias dos eventos correspondentes. Encontre
uma condio sobre as probabilidades P(A
n
) para que I
An
P
0.
Exerccio 5.7. Considere o espao de probabilidade ([0, 1], B, P) com P dado pela
medida de comprimento, e a seqncia de variveis aleatrias (X
n
)
n
dadas por
X
n
() =
_
_
_
n, w <
1
n
,
0, w
1
n
.
Verique respectivamente se X
n
d
X, X
n
P
X, X
n
q.c.
X, X
n
L
2
X, X
n
L
1
X,
para alguma varivel aleatria X.
Exerccio 5.8. Seja (X
n
)
n
uma seqncia de variveis aleatrias independentes
com distribuio uniforme em [0, 1], e Y
n
= maxX
1
, . . . , X
n
. Encontre a funo
de distribuio de Y
n
e o limite em distribuio desta seqncia.
Exerccio 5.9. Sejam (X
n
)
n
variveis aleatrias tais que
n=1
P
_
[X
n
[ >
_
<
para qualquer > 0. Mostre que
X
n
q.c.
0.
Mostre que tambm vale a recproca no caso de as X
n
serem independentes.
n
, n N, variveis aleatrias independentes tais que
X
n
Bernoulli(p
n
). Estude as condies sobre (p
n
) para que:
1. X
n
P
0.
2. X
n
q.c.
0.
n
)
n
uma seqncia i.i.d. Mostre que
X
n
n
q.c.
0
se e somente se E[X
1
[ < .
n
)
n
uma seqncia i.i.d. Mostre que
X
n
n
q.c.
0
se e somente se E[X
1
[
2
< .
n
)
n
uma seqncia i.i.d. com distribuio exp(1). Mostre
que
P (X
n
2 log n i.v.) = 0.
n
)
n
uma seqncia i.i.d. com distribuio Poisson(). Mos-
tre que
X
n
log n
q.c.
0.
Sugesto: mostre antes que Ee
X
1
/
< .
n
)
n
uma seqncia i.i.d. de variveis aleatrias no-negativas
com EX
2
1
< . Mostre que
P
_

n=1
X
n
n
2
<
_
= 1
Exerccio 5.16. B. James. Captulo 6. Recomendados: 15, 19.
Captulo 6
Funo Geradora de Momentos e
Funo Caracterstica
A funo geradora de momentos e a funo caracterstica esto entre os exemplos
mais importantes de transformadas. A idia geral de transformada mapear certos
objetos em objetos de outro tipo e outras propriedades, onde certas anlises so
possivelmente mais fceis, o que car claro nos exemplos seguintes. A funo
geradora de momentos a instncia da Transformada de Laplace de uma distribuio
em R, e a funo caracterstica a Transformada de Fourier.
A funo caracterstica e o Teorema da Continuidade so vistos nas Sees 6.1
e 6.2 de B. James. A funo geradora de momentos vista nesta apostila, e o
leitor mais interessado pode consultar a Seo 5.4 de Magalhes. Recomendam-se
os exerccios listados ao nal deste captulo.
6.1 Funo Geradora de Momentos
Denio 6.1. Seja X uma varivel aleatria. Dene-se a funo geradora de
momentos M
X
(t) de X, como
M
X
(t) = E[e
tX
],
desde que a esperana seja nita para todo t em algum intervalo [b, b]. Caso
contrrio dizemos que X no possui funo geradora de momentos.
47
48 CAPTULO 6. TRANSFORMADAS
Assim,
M
X
(t) =
i=1
e
tx
i
P(X = x
i
) se X v.a.d.
M
X
(t) =
_

e
tx
f
X
(x)dx se X v.a.c.
Exerccio 6.1. Seja X a varivel aleatria que conta o nmero de lanamentos de
uma moeda honesta at que ocorra a primeira cara. Ache a funo geradora de
momentos de X.
Exerccio 6.2. Se X tem funo geradora de momentos M
X
(t) e se Y = aX + b,
ento M
Y
(t) = e
bt
M
X
(at).
Proposio 6.2. Se X tem funo geradora de momentos M
X
(t), ento
d
k
dt
k
M
X
(t)
t=0
= E[X
k
].
Exerccio 6.3. No Exerccio 6.1, use a funo geradora de momentos para calcular
EX e V X.
Proposio 6.3 (Unicidade). A funo geradora de momentos dene de forma
unvoca a distribuio da varivel aleatria, ou seja, dada M(t) existe apenas uma
funo de distribuio F(x) que a gera.
Teorema 6.4 (Variveis Aleatrias Independentes). Sejam X
1
, X
2
, . . . , X
n
v.a.s
independentes e para i = 1, 2, . . . , n, seja M
X
i
(t) a funo geradora de momentos de
X
i
. Seja Y = X
1
+ X
2
+ + X
n
, ento para todo valor de t tal que M
X
i
(t) existe
para i = 1, 2, . . . , n, temos
M
Y
(t) =
n
i=1
M
X
i
(t).
Exemplo 6.5. Suponha um experimento realizado uma nica vez tendo probabi-
lidade p de sucesso e q = 1 p de fracasso. Denote a varivel aleatria X = 0 se
fracasso ocorre e X = 1 se sucesso ocorre. Ento a varivel aleatria X dita ter
distribuio de Bernoulli com parmetro p, representado por X Bernoulli(p), e
sua funo de probabilidade dada por
P(X = x) = p
x
(1 p)
1x
, x = 0, 1.
6.1. FUNO GERADORA DE MOMENTOS 49
Assim se X Bernoulli(p), ento
M
X
(t) = pe
t
+ q,
EX = p,
V X = pq.
Exemplo 6.6. Sejam n ensaios independentes de Bernoulli, cada um tendo a mesma
probabilidade p de sucesso e q = 1 p de fracasso. Seja X a varivel aleatria que
conta o nmero de sucessos nas n realizaes. A varivel aleatria X dita ter
distribuio Binomial com parmetros n e p, denotado por X b(n, p), e sua
funo de probabilidade dada por
P(X = x) =
_
n
x
_
p
x
q
nx
, x = 0, 1, 2, 3, . . . , n.
(a) Se X b(n, p), ento
M
X
(t) = (pe
t
+ q)
n
,
EX = np,
V X = npq.
(b) Se X
i
Bernoulli(p), para i = 1, 2, . . . , n, independentes, ento X = X
1
+
X
2
+ + X
n
b(n, p).
(c) Se X
i
b(n
i
, p), para i = 1, 2, . . . , k, independentes, ento X = X
1
+ X
2
+
+ X
k
b(
k
i=1
n
i
, p).
Exemplo 6.7. Sejam ensaios sucessivos e independentes de Bernoulli, cada um
tendo a mesma probabilidade p de sucesso e q = 1p de fracasso. Seja X a varivel
aleatria que conta o nmero de realizaes at que o primeiro sucesso ocorra. A
varivel aleatria X dita ter distribuio Geomtrica com parmetro p, denotado
por X Geo(p), e sua funo de probabilidade dada por
P(X = x) = q
x1
p, x = 1, 2, 3, 4, . . .
Assim, se X Geo(p), ento
M
X
(t) =
pe
t
1 qe
t
, para t < ln q
EX =
1
p
,
V X =
q
p
2
.
Exemplo 6.8. Denotemos por Poisson() a distribuio de Poisson com parmetro
.
(a) Se X Poisson(), ento
M
X
(t) = e
(e
t
1)
,
EX = ,
V X = .
(b) Se X
i
Poisson(
i
), para i = 1, 2, . . . , n, independentes, ento X = X
1
+
X
2
+ + X
n
Poisson(
n
i=1
i
).
6.2 Funo Caracterstica
Do ponto de vista terico, a funo caracterstica bem mais robusta e funcional que
a funo geradora de momentos: est denida para qualquer distribuio; sempre
determina a distribuio; determina tambm a convergncia em distribuio; no
bastasse, ainda gera momentos.
Entretanto, uma desvantagem faz com que, na prtica, muitos preram trabalhar
com a funo geradora de momentos: a funo caracterstica envolve a manipulao
de nmeros complexos.
1
Denio 6.9. Uma varivel aleatria complexa X uma funo X : C
tal que X = X
1
+ iX
2
, onde (X
1
, X
2
) um vetor aleatrio real. Se X
1
e X
2
so
integrveis, denimos EX = EX
1
+ iEX
2
C.
A integrao de funes complexas em domnios reais pode ser feita, para todos
os ns prticos, como no caso real. Por exemplo, X = g(Y ) = g
1
(Y ) + ig
2
(Y ), Y
v.a., dene uma varivel aleatria complexa, cuja esperana pode ser calculada por
EX =
_
+
g
1
(y)dF(y) + i
_
+
g
2
(y)dF(y).
Lembramos ainda a frmula de Euler:
e
ix
= cos(x) + i sen(x)
1
Registro aqui um comentrio. A compreenso e manipulao de funes caractersticas no
requer conhecimentos de clculo em uma varivel complexa. Isso porque as integrais so calculadas
em dx para x R e no em dz para caminhos C. Mais precisamente,
_
b
a
F
(x)dx = F(b)F(a)
mesmo que F e F
sejam funes complexas. As nicas situaes em que teramos que sair de R e

usar argumentos tpicos de variveis complexas, em particular
_
fdz = 0, seriam na obteno da

funo caracterstica da Normal e da distribuio de Cauchy. Cumpre porm ressaltar que usamos
abundantemente
n
z
n
n!
= e
z
, (e
g
)
= g
e
g
, e (1 +
zn
n
)
n
e
z
se z
n
z, mas para ns prticos
manipulamos o i como um nmero qualquer.
6.2. FUNO CARACTERSTICA 51
Denio 6.10. A funo caracterstica de uma varivel aleatria X, denotada
por
X
, a funo
X
: R C denida como
X
(t) = Ee
itX
= E cos(tX) + iE sen(tX), t R.
Exemplo 6.11. Se X U[a, b], ento
X
(t) = E[e
itX
] = E[cos(tX)] + iE[sen(tX)]
=
_
b
a
cos(tx)
1
b a
dx + i
_
b
a
sen(tx)
1
b a
dx
=
1
t(b a)
sen(tx)
b
a
i
t(b a)
cos(tx)
b
a
=
1
t(b a)
[sen(tb) sen(ta) i cos(tb) + i cos(ta)]
=
ie
itb
+ ie
ita
t(b a)
=
e
itb
e
ita
it(b a)
.
Ou, mas rpido:
X
(t) =
_
b
a
e
itx
1
b a
dx =
1
b a
1
it
_
e
itx
b
a
_
=
e
itb
e
ita
it(b a)
.
Exemplo 6.12. Se X Poisson(), ento:
X
(t) = E[e
itX
] =
n=0
e
itn
e
n
n!
= e
n=0
(e
it
)
n
n!
= e
e
e
it
= e
(e
it
1)
.
Proposio 6.13. Propriedades da funo caracterstica:
1. [(t)[ (0) = 1.
2. uniformemente contnua em R.
3. Se a, b R, ento
aX+b
(t) = e
itb
X
(at).
4. Se X e Y so independentes, ento
X+Y
(t) =
X
(t)
Y
(t).
5.
X
tambm gera momentos:
d
n
dt
n
X
(t)
t=0
= i
n
E(X
n
), se E[X[
n
< .
6. Se E[X[
n
< , ento
X
(t) = (0) +
(0)t +
(0)
t
2
2
+
(0)
t
3
6
+ +
(n)
t
n
n!
+ r
n
(t)
= 1 +i(EX)t
EX
2
2
t
2
i
EX
3
6
t
3
+ + i
n
EX
n
n!
t
n
+ r
n
(t),
onde o resto r
n
(t) pequeno:
rn(t)
t
n

t0
0.
Exemplo 6.14. Poisson (Feito em aula.)
Proposio 6.15 (Unicidade). Se
X
(t) =
Y
(t) t R, ento X Y .
Exemplo 6.16. Soma de Poissons independentes Poisson. (Feito em aula.)
Convergncia em distribuio O Teorema de Continuidade relaciona conver-
gncia de funes caractersticas com convergncia em distribuio.
Teorema 6.17 (Teorema da Continuidade (Paul Lvy)). Seja (X
n
)
n
uma
seqncia de variveis aleatrias e (
n
)
n
a seqncia das funes caractersti-
cas correspondentes. Se
n
(t) (t) t R,
e contnua em t = 0, ento
X
n
d
X,
onde X uma varivel aleatria tal que
X
= .
Exemplo 6.18. Binomial converge a Poisson. (Feito em aula.)
6.3 A Distribuio Normal
Denotamos por a funo de distribuio acumulada de uma normal padro
(t) = F
N
(t) = P(^ t) =
_
t
e
x
2
/2
2
dx.
Em geral, a soluo de problemas numricos envolvendo a distribuio normal inclui
a consulta de uma tabela de valores de ((t); t 0) com os valores de t apropriados
veja a Tabela 6.1. Para t < 0 usa-se a identidade (t) = 1 (t).
6.4 Exerccios
Exerccio 6.4. Se X ^(0, 1), calcule M
X
(t). Mostre que EX = 0. Mostre que
V X = 1. (Sugesto: verique que (z
2
2tz) = t
2
(z t)
2
e faa z t = u.)
Exerccio 6.5. Mostre que a soma de n variveis aleatrias independentes normal-
mente distribudas , por sua vez, normalmente distribuda com mdia dada pela
soma das n mdias e varincia dada pela soma das n varincias.
6.4. EXERCCIOS 53
1
, X
2
, X
2
, . . . independentes, S
n
= X
1
+ X
2
+ + X
n
e
S
n
=
X
1
+X
2
++Xn
n
Mostre as seguintes propriedades:
(a) Se X ^(,
2
), ento Z =
X
^(0, 1).
(b) Assim, se X ^(,
2
), ento
m
X
(t) = e
t+
1
2
2
t
2
E(X) =
V X =
2
.
(c) Se X
i
^(
i
,
2
i
), ento S
n
^(
n
i=1
i
,
n
i=1
2
i
).
(d) Se X
i
^(,
2
), ento S
n
^(n, n
2
).
(e) Se X
i
^(,
2
), ento

S
n
^(,

2
n
).
Exerccio 6.7. A distribuio dos comprimentos dos elos da corrente de bicicleta
normal, com mdia 2 cm e varincia 0, 01 cm
2
. Para que uma corrente se ajuste
bicicleta, deve ter comprimento total entre 58 e 61 cm. Qual a probabilidade de
uma corrente com 30 elos no se ajustar bicicleta?
Exerccio 6.8. As duraes de gravidez tm distribuio normal com mdia de 268
dias e desvio-padro de 15 dias.
(a) Selecionada aleatoriamente uma mulher grvida, determine a probabilidade
de que a durao de sua gravidez seja inferior a 260 dias.
(b) Se 25 mulheres escolhidas aleatoriamente so submetidas a uma dieta especial
a partir do dia em que engravidam, determine a probabilidade de os prazos de
durao de suas gravidezes terem mdia inferior a 260 dias (admitindo-se que a
dieta no produza efeito).
(c) Se as 25 mulheres tm realmente mdia inferior a 260 dias, h razo de
preocupao para os mdicos de pr-natal? Justique adequadamente.
Exerccio 6.9. O peso de uma determinada fruta uma varivel aleatria com
distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas. De-
termine a probabilidade de um lote contendo 100 unidades dessa fruta pesar mais
que 21 kg.
Exerccio 6.10. Um elevador pode suportar uma carga de 10 pessoas ou um peso
total de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus
pesos so normalmente distribudos com mdia 165 libras e desvio-padro de 10
libras, qual a probabilidade de que o peso limite seja excedido para um grupo de 10
homens escolhidos aleatoriamente?
Exerccio 6.11. Se X U[a, b], calcule M
X
(t). Use a funo geradora de momentos
para calcular EX e V X.
Exerccio 6.12. As cinco primeiras repeties de um experimento custam R$ 10, 00
cada. Todas as repeties subseqentes custam R$ 5, 00 cada. Suponha que o
experimento seja repetido at que o primeiro sucesso ocorra. Se a probabilidade de
sucesso de uma repetio igual a 0, 9, e se as repeties so independentes, qual
custo esperado da operao?
Exerccio 6.13. Se X exp(), calcule M
X
(t). Use a funo geradora de momen-
tos para calcular EX e V X.
Exerccio 6.14. Seja Y uma varivel aleatria contnua com funo de densidade
de probabilidade dada por
f
Y
(y) =
_
ye
y
, se y > 0
0, caso contrrio
Ache a funo geradora de momentos de Y e use-a para calcular EY e V Y .
Exerccio 6.15. Se X ^(0, 1), calcule
X
(t).
Voc pode usar o seguinte fato, da teoria do clculo em uma varivel complexa:
_
+
e
(w+ci)
2
dw =
_
+
e
w
2
dw
para qualquer c R.
Exerccio 6.16. Se X ^(,
2
), calcule
X
(t).
Exerccio 6.17. B. James. Captulo 6. Recomendados: 1, 2, 3, 4, 7, 9, 13a, 14, 17,
18, 21, 29.
6.4. EXERCCIOS 55
Tabela 6.1: (x + y), onde x so os valores das linhas e y os das colunas.
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
Captulo 7
Lei dos Grandes Nmeros e
Teorema Central do Limite
A referncia para os assuntos deste captulo so os Captulos 5 e 7 do B. James.
Porm faremos aqui uma exposio simplicada desses assuntos, enquanto o livro-
texto os trata com um nvel de profundidade que est fora dos objetivos deste curso.
Recomendam-se os exerccios listados ao nal deste captulo.
7.1 Leis dos Grandes Nmeros
Sejam X
1
, X
2
, . . . v.a.s integrveis em (, /, P) e S
1
, S
2
, . . . suas somas parciais
dadas por
S
n
= X
1
+ X
2
+ + X
n
.
Denio 7.1. X
1
, X
2
, . . . satisfazem a Lei Fraca dos Grandes Nmeros se para
todo > 0 temos
P
_
S
n
ES
n
n

_
0, quando n ,
ou seja, se
S
n
ES
n
n
P
0.
Denio 7.2. X
1
, X
2
, . . . satisfazem a Lei Forte dos Grandes Nmeros se para
todo > 0 temos
P
_
lim
n
S
n
ES
n
n
= 0
_
= 1 ,
ou seja, se
S
n
ES
n
n
q.c.
0.
57
58 CAPTULO 7. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE
Teorema 7.3 (Lei Fraca de Chebyshev). Sejam X
1
, X
2
, . . . v.a.s no-correlacionadas
dois a dois com varincias nitas e uniformemente limitadas (isto , existe c nito,
tal que para todo n V X
n
< c). Ento X
1
, X
2
, . . . satisfazem a Lei Fraca dos Grandes
Nmeros:
S
n
ES
n
n
P
0.
Demonstrao. Exerccio. Basta usar a segunda desigualdade de Chebyshev.
Corolrio 7.4 (Lei dos Grandes Nmeros de Bernoulli). Considere uma seqncia
de ensaios binomiais independentes tendo a mesma probabilidade p de sucesso em
cada ensaio. Se S
n
o nmero de sucessos nos primeiros n ensaios, ento
S
n
n
P
p.
Teorema 7.5 (Lei Fraca de Khintchine). Sejam X
1
, X
2
, . . . v.a.s independentes,
identicamente distribudas e integrveis, com mdia . Ento X
1
, X
2
, . . . satisfazem
a Lei Fraca dos Grandes Nmeros:
S
n
n
P
.
Demonstrao. Utilizamos o Teorema de Paul Lvy. Primeiramente, como as X
n
so i.i.d., temos
Sn
n
(t) =
_
X
1
_
t
n
__
n
=
_
1 +i
t
n
+ r
1
_
t
n
_
_
n
,
onde r
1
() tal que
r
1
(w)
w
0 quando w 0. Segue que Sn
n
(t) e
it
quando
n , para todo t R. Pelo Teorema 6.17,
Sn
n
d
e, como constante, isso
o mesmo que
Sn
n
P
.
Teorema 7.6 (Primeira Lei Forte de Kolmogorov). Sejam X
1
, X
2
, . . . v.a.s inde-
pendentes e integrveis, e suponha que
n=1
V X
n
n
2
< .
Ento X
1
, X
2
, . . . satisfazem a Lei Forte dos Grandes Nmeros:
S
n
n

ES
n
n
q.c.
0.
Demonstrao. (Eu aula, se houver tempo.)
Teorema 7.7 (Lei Forte de Kolmogorov). Sejam X
1
, X
2
, . . . v.a.s independentes,
identicamente distribudas e integrveis, com EX
n
= . Ento X
1
, X
2
, . . . satisfa-
zem a Lei Forte dos Grandes Nmeros:
S
n
n
q.c.
.
7.2. TEOREMA CENTRAL DO LIMITE 59
7.2 Teorema Central do Limite
Teorema 7.8 (Teorema Central do Limite para variveis aleatrias i.i.d.). Seja
X
n
; n 1 uma seqncia de v.a.s i.i.d., com mdia comum e varincia comum
2
, onde 0 <
2
< . Seja S
n
= X
1
+ X
2
+ + X
n
. Ento
S
n
ES
n
V S
n
d
^(0, 1),
isto ,
S
n
n
n
d
^(0, 1).
Demonstrao. Utilizamos o Teorema de Paul Lvy. Supomos sem perda de gene-
ralidade que = 0. Como as X
n
so i.i.d., temos
Sn
n
(t) =
_
X
1
_
t
n
__
n
=
_
1
t
2
n
+ r
2
_
t
n
_
_
n
,
onde r
2
() tal que
r
2
(w)
w
2
0 quando w 0. Segue que Sn
n
(t) e
t
2
quando
n , para todo t R. Pelo Teorema 6.17,
Sn
n
d
^.
Observao 7.9. Se X
1
, X
2
, . . . , X
n
uma seqncia de variveis aleatrias inde-
pendentes de Bernoulli com parmetro p, ento sabemos que
S
n
= X
1
+ X
2
+ + X
n
b(n, p).
Assim, pelo Teorema Central do Limite, para n sucientemente grande S
n
pode ser
aproximada por uma distribuio Normal, j que
S
n
np
npq
^(0, 1).
Ou de outra forma
S
n
^(np, npq).
Exemplo 7.10. Um par de dados honestos lanado 180 vezes por hora (aproxi-
madamente).
(a) Qual a probabilidade aproximada de que 25 ou mais lanamentos tenham
tido soma 7 na primeira hora?
(b) Qual a probabilidade aproximada de que entre 700 e 750 lanamentos tenham
tido soma 7 durante 24 horas?
60 CAPTULO 7. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE
7.3 Exerccios
Observao 7.11. As questes sobre a Lei Forte dos Grandes Nmeros, por trata-
rem de eventos que devem acontecer com probabilidade 1, em geral envolvem o uso
do Lema de Borel-Cantelli.
n
)
n
uma seqncia de variveis aleatrias i.i.d. com EX
4
1
<
. Mostre que essa seqncia satisfaz a Lei Forte dos Grandes Nmeros.
(Dica: supondo que EX
1
= 0, mostre que ES
4
n
= nEX
4
1
+
_
4
2
__
n
2
_
E(X
2
1
X
2
2
).)
n
)
n
com funes de probabilidade p
n
dadas por p
n
(n
2
) =
1
n
3
= 1p
n
(0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
n
)
n
com funes de probabilidade p
n
dadas por p
n
(n
2
) =
1
n
2
= 1p
n
(0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
Exerccio 7.4. B. James. Captulo 5. Recomendados: 2, 3, 14.
Exerccio 7.5. Imagine um modelo idealizado com M eleitores, dos quais M
A
pre-
tendem votar no candidato A. Suponha que seja possvel sortear um desses eleitores
ao acaso, e de forma equiprovvel. Denimos
X =
_
_
_
1, caso o eleitor sorteado v votar no candidato A,
0, caso contrrio.
Deseja-se estimar a proporo p =
M
A
M
de eleitores do candidato A, que desco-
nhecida. Para isso, repete-se este processo N vezes, obtendo-se X
1
, . . . , X
N
. Para
estimar o valor de p considera-se
p
N
=
X
1
+ + X
N
N
.
Supomos a priori que p bem prximo de
1
2
, de forma que V X
1
4
. Se entrevista-
mos N = 2500 eleitores, calcule aproximadamente a probabilidade de essa pesquisa
cometer um erro [ p
N
p[ maior que 0, 01.
Exerccio 7.6. Use o Teorema Central do Limite para vericar que
lim
n
2 e
n
n
k=0
n
k
k!
= 1.
Exerccio 7.7. Se lanamos 10.000 vezes uma moeda honesta, calcule aproximada-
mente a probabilidade de que o nmero de vezes que se obtm coroa seja no mnimo
4.893 e no mximo 4.967.
Exerccio 7.8. B. James. Captulo 7. Recomendados: 2 e 9.
Captulo 8
Distribuio e Esperana
Condicionais
Este certamente o tpico mais delicado para um curso introdutrio. importante
entender bem o caso nito, que contm as idias essenciais e fundamental para
que se compreenda o conceito de distribuio e esperana condicionais.
As Sees 8.1, 8.2 e 8.3 seguem a linha desenvolvida na Seo I.8 de Shiryaev.
1
Nessas sees vamos assumir que todas as parties so nitas e todas as variveis
aleatrias assumem apenas nitos valores, mesmo que no seja dito explicitamente.
Na Seo 8.4 enunciamos as principais propriedades da esperana condicional dada
uma -lgebra que sero usadas nas sees seguintes. As Sees 8.5 e 8.6 tm como
referencial a linha desenvolvida no Captulo 4 de B. James, porm de forma muito
mais resumida. Recomendam-se os exerccios listados ao nal deste captulo.
8.1 Parties
Muitas vezes a estrutura do espao amostral complicada demais para estudar-
mos as grandezas de interesse diretamente a partir dos eventos elementares ,
at mesmo em situaes aparentemente simples. Por exemplo, se existe uma seqn-
cia innita de variveis aleatrias independentes que representam lanamentos de
moedas honestas, ento certamente no-enumervel e T bastante complicada.
Neste contexto, estudamos as propriedades de algumas grandezas observveis
(variveis aleatrias), ou ainda, conseguimos dividir em classes que podem
ser estudadas separadamente. Estudar uma partio T de ao invs de toda a
-lgebra T quer dizer que estamos trabalhando apenas com a informao relaci-
onada quela partio.
1
, X
2
, X
3
, . . . variveis aleatrias assumindo valores em
1
Shiryaev, A. N. (1984). Probability. Springer Verlag.
61
62 CAPTULO 8. DISTRIBUIO E ESPERANA CONDICIONAIS
1, 1. O espao pode ser dividido em tomos onde X
1
e X
2
so constantes.
Denio 8.2. Dizemos que T = D
1
, D
2
, D
3
, . . . , D
n
uma partio de (, T)
se D
i
T i, D
i
D
j
= i ,= j, e
i
D
i
= .
Dizemos que T
2
mais na que T
1
, denotado por T
2
T
1
, se todo elemento de
T
1
igual unio de elementos de T
2
, isto , se para todo D T
1
existe ( T
2
tal que D = (. Isso signica que T
2
tem mais informao do que T
1
.
Exemplo 8.3. Seja T
2
= D
1
, D
2
, D
3
, D
4
uma partio de , e sejam D
5
=
D
1
D
3
, D
6
= D
2
e D
7
= D
4
. Se denimos T
1
= D
5
, D
6
, D
7
, temos T
2
T
1
.
Exemplo 8.4. Para qualquer partio T vale T T.
8.2 Probabilidade Condicional dada uma Parti-
o
Dada uma partio T = D
i
i
e um evento A, denimos a varivel aleatria
P(A[T) = P(A[T)() =

i
I
D
i
()P(A[D
i
)
isto , em cada tomo D
i
da partio T, temos que P(A[T) assume o valor cons-
tante P(A[D
i
).
Exemplo 8.5. Suponha que P (chover amanh[chove hoje) = 0, 7,
P (chover amanh[no chove hoje) = 0, 5 e seja T = chove hoje, no chove hoje.
Ento
Z = P(chover amanh[T) =
_
_
_
0, 7, se no estado chove hoje,
0, 5, caso contrrio.
Teorema 8.6 (Teorema da Probabilidade Total).
P(A) = E
_
P(A[T)
_
.
Demonstrao. P(A) =

i
P(A[D
i
)P(D
i
) = E
_
P(A[T)
_
.
Exemplo 8.7. Se P(chover hoje) = 0, 4, temos
P(chover amanh) = EZ =

z
zP(Z = z) = 0, 7 0, 4 + 0, 5 0, 6 = 0, 58.
Denio 8.8. Seja X uma varivel aleatria assumindo valores em x
1
, . . . , x
m
.
Denimos a partio induzida por X como T
X
= D
1
, . . . , D
m
, onde D
j
= :
X() = x
j
. Denotamos a varivel aleatria P(A[T
X
)() por P(A[X)().
8.3. ESPERANA CONDICIONAL DADA UMA PARTIO 63
Uma forma equivalente de denir P(A[X) a seguinte. Para k = 1, . . . , m, faa
(x
k
) = P(A[X = x
k
). Temos que P(A[X) = (X), isto , , P(A[X)() =
(X()).
Exerccio 8.1. Se X e Y so independentes ento
P(X + Y = z[Y = y) = P(X + y = z).
Exemplo 8.9. Se X e Y so i.i.d. Bernoulli(p), considere o evento A = [X+Y = 1].
Vamos calcular P(A[Y ):
P(A[Y ) = pI
Y =0
+ (1 p)I
Y =1
,
ou, escrevendo explicitamente como funo de Y :
P(A[Y ) = p(1 Y ) + (1 p)Y.
De forma anloga denimos T
X
1
,X
2
,...,Xn
como sendo a partio cujos tomos so
os maiores conjuntos onde todas as X
n
so constantes.
Exerccio 8.2. Mostre que T
X
1
,X
2
T
X
1
.
8.3 Esperana Condicional dada uma Partio
Sexa X uma varivel aleatria com valores em x
1
, . . . , x
m
e A
j
= [X = x
j
].
Considere T uma partio de (, T). Denimos a varivel aleatria
E(X[T) = E(X[T)() =
m
j=1
x
j
P(A
j
[T)().
Observe que, dado D
i
T, para cada D
i
temos
E(X[T)() =
m
j=1
x
j
P(A
j
[D
i
) = E (X[D
i
) ,
isto , em cada tomo D
i
da partio T, a varivel aleatria aleatria E(X[D)
assume um valor contante dado por E(X[D
i
). Veja a Figura 8.1.
Exemplo 8.10. Lanamento de um dado honesto. Seja T = mpar, par. Temos
Z() = E(X[D)() =
_
_
_
E(X[X par), se X() par,
E(X[X mpar), se X() mpar.
Assim,
Z() =
_
_
_
4, se X() par,
3, se X() mpar.
T T

X() E(X[T)()
Figura 8.1: Ilustrao da denio de E(X[T).
Exerccio 8.3. Mostre as seguintes propriedades:
1. E(aX + bY [T) = aE(X[T) + bE(Y [T).
2. E(c[T) = c.
3. E(X[) = EX.
Teorema 8.11 (Generalizao to Teorema da Probabilidade Total).
EX = E
_
E(X[T)
_
.
Demonstrao. Pelo Teorema 8.6,
E
_
E(X[T)
_
= E
_
_
j
x
j
P(A
j
[T)
_
_
=

j
x
j
E
_
P(A
j
[T)
_
=

j
x
j
P(A
j
) = EX.
Com o Teorema 8.11 completamos o diagrama da Figura 8.2.
Exemplo 8.12. Lanamento do dado no Exemplo 8.10. Temos
EX = E[E(X[T)] = EZ = 3, 5.
Seja Y outra varivel aleatria assumindo valores y
1
, . . . , y
n
. Denotamos
E(X[Y ) = E(X[T
Y
).
Se zermos (y
i
) = E(X[Y = y
i
), i = 1, . . . , n, temos que
E(X[Y ) = (Y ).
Exerccio 8.4. Se X e Y so independentes ento E(X[Y ) = EX constante.
Observao 8.13. Caso particular do teorema anterior: EX = E
_
E(X[Y )
_
.
Exerccio 8.5. Entender os Exemplos 2 e 4 de B. James, pp. 150 e 155, respecti-
vamente.
8.3. ESPERANA CONDICIONAL DADA UMA PARTIO 65
P()
EX=
i
x
i
P(X=x
i
)
/
P(A|D)=
P(AD)
P(D)
E()
P([D)
E(X|D)=
i
x
i
P(X=x
i
|D)
/
P(A|D)=
i
P(A|D
i
)I
D
i
E([D)
E(X|D)=
i
E(X|D
i
)I
D
i
P([T)
P(A)=E[P(A|D)]
F
E(X|D)=
i
x
i
P(X=x
i
|D)
/
E([T)
EX=E[E(X|D)]
?

Figura 8.2: Relao entre probabilidade, esperana, probabilidade condicional
dado um evento, esperana condicional dado um evento, probabilidade condici-
onal dada uma partio, e esperana condicional dada uma partio.
De forma anloga denimos
E(X[Y
1
, . . . , Y
n
) = E
_
X
T
Y
1
,...,Yn
_
,
e isso equivalente a tomar (y
i
1
, . . . , y
in
) = E(X[Y
1
= y
i
1
, . . . , Y
n
= y
in
) e
E(X[Y
1
, . . . , Y
n
) = (Y
1
, . . . , Y
n
).
Denio 8.14. Dizemos que X T-mensurvel se T T
X
, isto , se X cons-
tante nos tomos de T. Em outras palavras, se a informao sobre T determina
o valor de X.
Proposio 8.15. Se T
1
T
2
, ento
E
_
E(X[T
2
)
T
1
_
= E
_
E(X[T
1
)
T
2
_
= E(X[T
1
).
Em particular,
E
_
E(X[Y
1
, Y
2
)
Y
1
_
= E(X[Y
1
).
Observao 8.16. X sempre T
X
-mensurvel.
Proposio 8.17. Se X T-mensurvel, ento
E(XY [T) = XE(Y [T).
Em particular, E(X[T) = X. Ademais, E(X[X) = X.
Exemplo 8.18. Dada uma funo f, vale
E
_
f(Y )E
_
X
Y
__
= E [Xf(Y )] .
De fato, como Z = f(Y ) claramente T
Y
-mensurvel, temos
E
_
Xf(Y )
Y
_
= f(Y )E(X[Y ).
Tomando a esperana dos dois lados, obtemos a equao anterior.
Observao 8.19. Seja f
(y) = E(X[Y = y), ou seja, tome f
tal que E(X[Y ) =

f
(Y ). Ento, para qualquer f : R R vale

E
_
X f(Y )
2
_
E
_
X f
(Y )
2
_
.
A observao acima diz que o melhor estimador para o valor de X sabendo-se
o valor de Y (melhor no sentido da mdia quadrtica) a esperana condicional
E(X[Y ).
8.4 Esperana Condicional dada uma -lgebra
Uma partio T gera uma lgebra (T) formada por conjuntos que so unio nita
de elementos de T, ou seja, (T) = A : A = D
i
1
D
i
k
, D
i
j
T, k 0.
A esperana de X condicionada partio T dada por Z = E(X[T), foi cons-
truda de forma a ser a nica varivel aleatria Z a satisfazer simultaneamente
_
A
XdP =
_
A
ZdP para qualquer A (T)
e
Z T-mensurvel.
Nesse sentido, interpretamos E(X[T) como a melhor aproximao para X quando
tem-se acesso apenas informao correspondente a T.
Num caso mais geral, temos acesso informao correspondente a uma classe
( T, ou melhor, -lgebra ( T gerada por (, e nesse caso denimos E(X[()
como a nica varivel aleatria Z que satisfaa simultaneamente
_
A
XdP =
_
A
ZdP para qualquer A (
e
Z (-mensurvel, i.e.,
_
: Z B
_
( B B.
8.4. ESPERANA CONDICIONAL DADA UMA -LGEBRA 67
Teorema 8.20 (Radon-Nikodm). Seja X uma varivel aleatria integrvel denida
em (, T, P) e ( T uma -lgebra. Ento existe uma varivel aleatria Z, que
chamamos de E(X[(), satisfazendo as propriedades acima. Tal varivel aleatria
nica, no sentido de que qualquer outra varivel aleatria

Z satisfazendo essas
mesmas propriedades satisfaz tambm P(

Z = Z) = 1.
Neste contexto, denimos
P(A[() = E (I
A
[() e E(X[Y ) = E (X[(Y )) ,
onde (Y ) = Y
1
(B) : B B a menor -lgebra em com relao qual
Y : R mensurvel.
No caso de ( ser gerada por uma partio nita T, ou Y ser uma varivel
aleatria assumindo nitos valores, essas denies coincidem com o que havamos
feito anteriormente.
Proposio 8.21 (Propriedades da esperana condicional).
1. E [E(X[()] = EX.
2. E(c[() = c quase certamente.
3. X Y E(X[G) E(Y [G) quase certamente.
4. E(aX + bY [() = aE(X[() + bE(Y [() quase certamente.
5. Se X (-mensurvel ento E(X[G) = X quase certamente.
6. Se (
1
G
2
T so -lgebras, ento
E
_
E
_
X
G
2
_
G
1
_
= E
_
E
_
X
G
1
_
G
2
_
= E
_
X
G
1
_
quase certamente.
7. Se Y (-mensurvel, E[X[ < , E[XY [ < , ento
E
_
XY
(
_
= Y.E
_
X
(
_
quase certamente.
A esperana condicionada a Y , E(X[Y ), sendo uma varivel aleatria (Y )-
mensurvel, pode ser expressa como (Y ), isto , E(X[Y )() = (Y ()) quase
certamente.
Isso justica a seguinte denio.
Denio 8.22 (Esperana condicional de X dado que Y = y). Chamamos de
esperana condicional de X dado que Y = y a qualquer funo : R R que seja
B-mensurvel e satisfaa E(X[Y ) = (Y ) quase certamente. Neste caso escrevemos
E(X[Y = y) = (y).
Observao 8.23. Sempre existe tal , que nica no sentido de que qualquer
outra
satisfazendo as mesmas condies satisfaz tambm P((Y ) =
(Y )) = 1.
Com isso estabelecemos uma relao entre (y) = E(X[Y = y) e E(X[Y ).
A primeira forma mais intuitiva para se lidar. Entretanto, toda essa abstrao
terica e teoremas de existncia e unicidade no fornecem uma forma explcita para
E(X[Y = y). disso que tratam as Sees 8.5 e 8.6.
8.5 Distribuio Condicional Regular
Quando Y uma varivel aleatria discreta assumindo valores y
1
, y
2
, . . . , essa va-
rivel aleatria induz uma partio T
Y
de (, T), e temos as seguintes relaes:
P(X B) = E [P(X B[Y )] =

n
P(X B[Y = y
n
)P(Y = y
n
)
=
_
+
P(X B[Y = y)dF

Y
(y),
F
X
(x) = E
_
F
X|Y
(x)
_
=

n
F
X
(x[Y = y
n
)P(Y = y
n
)
=
_
+
F
X
(x[Y = y)dF
Y
(y),
E(X) = E [E(X[Y )] =

n
E(X[Y = y
n
)P(Y = y
n
)
=
_
+
E(X[Y = y)dF
Y
(y).
Nas expresses acima, todas as grandezas condicionadas a Y = y so denidas
diretamente utilizando a probabilidade condicional P
() = P([Y = y) dado o
evento de probabilidade positiva [Y = y]. Este caso j foi tratado na Seo 4.5.
No caso de variveis aleatrias Y que no sejam discretas, temos que dar sentido
a expresses do tipo P(X B[Y = y) mesmo que P(Y = y) seja zero, para poder
dizer que expresses anlogas continuam valendo.
Denio 8.24 (Distribuio Condicional Regular). Sejam X e Y variveis aleat-
rias denidas no mesmo espao de probabilidade (, T, P). A distribuio condici-
onal regular de X dado Y = y denida por
P
_
X [s, t]
Y = y
_
= lim
0
lim
0
P
_
X [s , t + ]
Y [y , y + ]
_
para todo s < t e y A, onde A algum conjunto tal que P(Y A) = 1. Quando
s = , denimos a funo de distribuio condicional acumulada F
X
(t[Y = y) =
P(X t[Y = y).
Teorema 8.25. Para quase todo y R, isto , para todo y A onde A um
conjunto tal que P(Y A) = 1, o limite acima existe para todo s < t e determina
uma probabilidade em R.
8.5. DISTRIBUIO CONDICIONAL REGULAR 69
Na prtica, o que se faz encontrar um candidato ad hoc de quem deveria ser
a distribuio condicional regular de X dado Y , segundo princpios que se aplicam
em diferentes casos, e verica-se a posteriori que o candidato proposto satisfaz a
Denio 8.24. continuao veremos alguns desses princpios.
Caso de Y discreta
Se Y varivel aleatria discreta, a distribuio condicional de X dado Y = y
dada por
P X B[Y = y =
P X B, Y = y
P Y = y
para todo y tal que P(Y = y) > 0
A funo de distribuio condicional de X dado Y = y
F
X
(x[Y = y) = P X x[Y = y .
Caso de X e Y independentes
Se X e Y so independentes, o condicionamento em Y = y no afeta em
nada a varivel X. Neste caso temos
P(X B[Y = y) = P(X B).
Exerccio 8.6. Verique que esse candidato satisfaz a Denio 8.24.
Caso de X e Y possurem densidade conjunta
Se X e Y tm funo de densidade conjunta f
X,Y
(x, y), a funo de densidade
condicional de X dado Y = y dada por
f
X
(x[Y = y) =
f
X,Y
(x, y)
f
Y
(y)
para todo y tal que f
Y
(y) > 0.
Neste caso a funo de distribuio condicional de X dado Y = y
F
X
(x[Y = y) = P X x[Y = y =
_
x
f
X
(t[Y = y)dt.
Exemplo 8.26. Sejam X e Y com densidade conjunta
f
X,Y
(x, y) =
_
_
_
6xy(2 x y), 0 < x < 1, 0 < y < 1,
0, caso contrrio.
Vamos determinar a distribuio condicional de X dado que Y = y.
Temos
f
Y
(y) =
_
+
f
X,Y
(x, y)dx =
_
1
0
6xy(2 x y)dx = 4y 3y
2
se y (0, 1) e 0 caso contrrio. Assim, para y [0, 1] temos
f
X
(x [ Y = y) =
f
X,Y
(x, y)
f
Y
(y)
=
_
_
_
6x(2xy)
43y
, 0 < x < 1
0, caso contrrio.
Para y fora desse intervalo F
X
([Y = y) irrelevante, pois P(Y , [0, 1]) = 0.
f
X,Y
(x, y) =
_
1
2
ye
xy
, 0 < x < e 0 < y < 2
0, caso contrrio
Vamos determinar a distribuio condicional de X dado que Y = y.
Temos
f
Y
(y) =
_
+
f
X,Y
(x, y)dx =
1
2
_

0
ye
xy
dx =
1
2
para 0 < y < 2. Logo Y U[0, 2].
Assim, para y (0, 2] temos
f
X
(x [ Y = y) =
f
X,Y
(x, y)
f
Y
(y)
=
_
_
_
ye
xy
, x > 0,
0, x 0.
Caso de Y possuir densidade e X ser discreta
Se X discreta e Y tem funo de densidade f
Y
(y), a funo de probabilidade
condicional de X dado Y = y dada por
p
X
(x
n
[Y = y) =
P(X = x
n
)f
Y
(y[X = x
n
)
f
Y
(y)
para todo y tal que f
Y
(y) > 0.
Neste caso a funo de distribuio condicional de X dado Y = y
F
X
(x[Y = y) = P X x[Y = y =

n:xnx
p
X
(x
n
[Y = y).
8.5. DISTRIBUIO CONDICIONAL REGULAR 71
Princpio da preservao das chances relativas
O princpio da preservao das chances relativas diz que, dada a ocorrncia
de um evento, os resultados possveis dentro desse evento mantm as mesmas
chances relativas que possuam antes.
Exemplo 8.28. X ^(0, 1) e Y = X
2
. Qual a distribuio condicional de X dado
que Y = y?
Como P(Y > 0) = 1, basta considerar valores y > 0. Sabendo que Y = y temos
duas alternativas: X = y ou X = y. Como f
X
(y) = f
X
(y), esses dois valores
continuam tendo a mesma chance quando condicionamos a Y = y. Denimos ento
P(X = y[Y = y) = P(X = y[Y = y) =
1
2
.
Vamos vericar que esse candidato satisfaz a Denio 8.24. Se s < t < y,
temos que lim
P(X t + [Y [y , y + ]) = 0 para < y t (verique!),

coincidindo com nosso candidato P(X [s, t][Y = y) = 0. Se y < s y t,
temos que lim
P(X [s, t+][Y [y, y+]) =

1
2
para < s+y (verique!),
coincidindo com nosso candidato P(X [s, t][Y = y) = (X = y[Y = y) =
1
2
. Os
outros casos so vericados de forma anloga.
Exemplo 8.29. Seja X U[0, 2] e Y U[1, 1] independentes. Vamos encontrar
F
X
(x[X + Y = z).
Seja Z = X + Y . A densidade conjunta de X e Y dada por f
XY
(x, y) =
1
4
I
[0,2][1,1]
(x, y), e a marginal de X dada por f
X
(x) =
1
2
I
[0,2]
(x). Condicionando
a Z = z, temos que o conjunto dos resultados possveis ca restrito a uma diagonal
(x, y) [0, 2] [1, 1] : x + y = z que corta o quadrado [0, 2] [1, 1]. Pelo Prin-
cpio da Preservao das Chances Relativas, todos os pontos desse conjunto eram
equiprovveis antes do condicionamento, devem continuar equiprovveis dentro do
conjunto da restrio. Assim, para z > 1 devemos ter X U[z 1, 2] e para z < 1
devemos ter X U[0, z + 1], ou seja
f
X
(X[Z = z) =
_
_
_
1
3z
I
[z1,2]
(x), 1 z < 3,
1
z+1
I
[0,z+1]
(x), 1 < z 1.
Princpio da substituio
O princpio da substituio permite substituir Y por y sempre que se condi-
ciona a Y = y. Se W = g(X, Y ), ento
P(W B[Y = y) = P(g(X, y) B[Y = y) = P
_
X x : g(x, y) B
Y = y
_
.
f
X,Y
(x, y) =
_
_
_
(1 + 2x 2y), x, y [0, 1]
0, caso contrrio.
Queremos calcular P(X + Y z [ Y = y).
Pelo Princpio da Substituio temos que P(X + Y z [ Y = y) = P(X
z y [ Y = y). Calculemos ento a distribuio condicional de X.
Como X e Y possuem densidade conjunta temos f
Y
(y) =
_
+
f
X,Y
(x, y)dx =
_
1
0
(1 + 2x 2y)dx = 2 2y, 0 < y < 1, e
F
X
(x [ Y = y) =
_
x
f
X,Y
(t, y)
f
Y
(y)
dt =
_
x
0
1 + 2t 2y
2 2y
I
[0,1][0,1]
(x, t)dt
=
_
_
0, x 0,
x
2
+x2xy
2(1y)
, 0 < x < 1,
1, x 1.
Substituindo temos
F
Z
(z[Y = y) = F
X
(z y[Y = y) =
_
_
0, z y,
z
2
+(14y)z+3y
2
y
2(1y)
, y < z < y + 1,
1, x y + 1,
ou seja,
f
Z
(z[Y = y) =
2z 4y + 1
2(1 y)
I
[y,y+1]
(z).
Vetores aleatrios A Denio 8.24, o Teorema 8.25 e os princpios apresentados
acima valem para a distribuio condicional do vetor aleatrio X dado Y, sendo o
limite em Y [y , y + ] substitudo por |Yy| , etc.
Exerccio 8.7. Considere X
1
, X
2
, . . . , X
n
variveis aleatrias independentes com
densidade exp(
i
), i = 1, 2, . . . , n. Mostre que
PX
k
= min(X
1
, X
2
, . . . , X
n
) =

k
n
i=1
i
.
(Sugesto: calcule P(X
i
X
k
i[X
k
= x) usando o princpio da substituio, depois
use que P(A) = E[P(A[X
k
)].)
8.6. ESPERANA CONDICIONAL DADA UMA VARIVEL ALEATRIA 73
8.6 Esperana Condicional dada uma Varivel Ale-
atria
Dada X integrvel, denimos E(X[Y = y) como
E [X[Y = y] =
_

xdF (x[Y = y) .
Teorema 8.31. Se X integrvel ento E(X[Y = y) nita para todo y A, para
algum A tal que P(Y A) = 1.
Denindo (y) = E(X[Y = y), temos que E(X[Y ) = (Y ), de forma que pode-
mos obter uma verso palpvel de E(X[(), ( = (Y ). A esperana condicional
E(X[Y )() = (Y ()), sendo um caso particular de esperana condicional dada
uma -lgebra, satisfaz todas as propriedades enunciadas na Proposio 8.21.
Proposio 8.32. Os seguintes resultados envolvendo esperanas condicionais se
vericam:
(a) E [X] =
_
E (X[Y = y) dF
Y
(y).
(b) P (X B) =
_
P(X B [ Y = y)dF
Y
(y), para todo B B.
(c) F
X
(x) =
_
F
X
(x[Y = y) dF
Y
(y).
Observao 8.33. Para qualquer funo g tal que g(X) integrvel, denimos
E [g(X)[Y = y] =
_

g(x)dF
X
(x[y) .
Exemplo 8.34. Se X e Y so independentes, ento F
X
(x[Y = y) = F
X
(x) e
E [X[Y = y] =
_

xdF (x[Y = y) =
_

E (X[Y = y) dF
Y
(y) = E [X] .
Assim, (y) = EX y R e E(X[Y ) = (Y ) = EX, isto , E(X[Y ) uma varivel
aleatria constante, igual a EX.
Exemplo 8.35. Se X U[0, 2] e Y = maxX, 1. Temos que Y assume valores
em [1, 2]. Tomando y em (1, 2], temos que [Y = y] = [X = y] e, pelo Princpio da
Substituio, E[X[Y = y] = y. Tomando y = 1, temos que [Y = 1] = [X 1].
Assim,
F
X
(x[Y = 1) = F
X
(x[X 1) =
P(X x, X 1)
P(X 1)
=
_
_
x/2
1/2
= x, 0 x 1,
0, x < 0,
1, x > 1.
Logo, f
X
(x[Y = 1) =
d
dx
F
X
(x[Y = 1) = I
[0,1]
(x) e
E(X[Y = 1) =
_
1
0
xf
X
(x[Y = 1)dx =
1
2
.
Portanto,
E(X[Y ) =
_
_
_
1
2
, Y = 1
Y, 1 < Y 2.
Exemplo 8.36. O Jogador I lana uma moeda honesta n vezes, obtendo k caras,
onde 0 K n. Depois o Jogador II lana a moeda k vezes, obtendo j coroas.
Seja X o nmero j de coroas obtidas pelo Jogador II. Queremos calcular EX.
(Poderamos fazer algum esforo neste caso nem sempre isso possvel para
mostrar que X b(n,
1
4
) e portanto EX =
n
4
, mas estamos interessados apenas em
saber EX.)
Seja Y o nmero de caras obtidas pelo Jogador I. claro que X[Y = k b(k,
1
2
,
logo E(X[Y = k) =
k
2
. Assim, E(X[Y ) =
Y
2
. Calculamos ento
EX = E [E(X[Y )] = E
_
Y
2
_
=
1
2
EY =
1
2
n
2
=
n
4
,
uma vez que Y b(n,
1
2
).
Exemplo 8.37. No Exemplo 8.26, vamos cacular E [X[Y ] e E [X].
Substituindo a densidade obtida temos
E[X [ Y = y] =
_
+
xf
X
(x [ Y = y)dx =
_
1
0
6x
2
(2 x y)
4 3y
dx =
5 4y
8 6y
.
Ento E[X [ Y ] =
54Y
86Y
e
E[X] = E[E[X [ Y ]] =
_
1
0
5 4y
8 6y
(4y 3y
2
)dy =
15
12

8
12
=
7
12
.
Exerccio 8.8. No Exemplo 8.27, vamos calcular E
_
e
X/2
[Y
_
e E
_
e
X/2
[Y = 1
_
.
Substituindo a densidade condicional obtida, temos
E[e
X
2
[ Y = y] =
_

0
e
x
2
ye
xy
dx = y
_

0
e
(
1
2
y)x
dx.
Se y
1
2
a integral vale +. Se y >
1
2
la integral vale
y
y
1
2
. Assim,
E
_
e
X/2
[Y
_
=
_
_
+, Y
1
2
,
y
y
1
2
, y >
1
2
,
e E
_
e
X/2
[Y = 1
_
=
1
2
.
8.6. ESPERANA CONDICIONAL DADA UMA VARIVEL ALEATRIA 75
Exemplo 8.38. Seja X U [0, 1]. Se X = x, ento uma moeda com probabilidade
x de sair cara lanada n vezes independentemente. Seja Y a v.a. que representa
o nmero de caras obtidas.
Temos que Y [X = x b(n, x) e X U(0, 1) Se y 0, 1, . . . , n ento:
P(Y = y) =
_
1
0
P(Y = y [ X = x)f
X
(x)dx =
_
1
0
_
n
y
_
x
y
(1 x)
ny
dx.
Portanto
E[Y ] =
n
y=0
yP(Y = y) =
n
y=0
_
1
0
y
_
n
y
_
x
y
(1 x)
ny
dx
=
_
1
0
xn
n
y=0
_
n 1
y 1
_
x
y1
(1 x)
ny
dx
=
_
1
0
xn(x + 1 x)
n1
dx = n
_
1
0
xdx =
n
2
.
Por outro lado, E[Y [ X = x] = nx, ou seja, E[Y [ X] = nX, logo
E[E[Y [ X]] = E[nX] =
n
2
.
Exerccio 8.9. Sejam X e Y v.a.s independentes tais que X U [0, 2] e Y
U [1, 1].
(a) Calcule E [X[X + Y 2].
(b) Calcule E [X[X + Y ].
(c) Calcule E [X[X + Y = 2].
Exerccio 8.10. Seja X
1
, X
2
, . . . .uma seqncia de variveis aleatrias independen-
tes e identicamente distribudas e seja N uma varivel aleatria inteira e no-negativa
independente da seqncia X
1
, X
2
, . . . . Seja Y =
N
i=1
X
i
. Mostre que
E [Y ] = E [N] E [X] .
Exerccio 8.11. Sejam Y
1
, Y
2
, . . . , Y
n
variveis aleatrias no-negativas i.i.d. Mostre
que
E [Y
1
+ Y
2
+ + Y
k
[Y
1
+ Y
2
+ + Y
n
= y] =
k
n
y, k = 1, 2, . . . , n.
Exerccio 8.12. Um nmero no-negativo X escolhido com densidade f
X
(x) =
xe
x
para x > 0. Se X = x, um nmero Y escolhido no intervalo [0, x]. Ache
P(X + Y 2).
8.7 Exerccios
Exerccio 8.13. Considere X e Y i.i.d. Bernoulli(p). Calcule E(X+Y [Y ) e escreva
essa varivel aleatria como uma funo da v.a. Y , de duas formas diferentes:
(a) usando P(X + Y = k[Y ), que para k = 1 j foi calculado no Exemplo 8.9, e
aplicando a denio de esperana condicional dada uma partio.
(b) usando a linearidade da esperana condicional, a independncia entre X e Y
e o fato de que Y T
Y
-mensurvel.
Exerccio 8.14. Dadas X e Y i.i.d. assumindo nitos valores 0, . . . , n, mostre
que
E(X[X + Y ) = E(Y [X + Y ) =
X + Y
2
.
Sugesto: para obter a primeira igualdade, escreva a denio de esperana
condicionada partio T
X+Y
, desenvolva essa expresso para depois usar a in-
dependncia e o fato de X e Y terem mesma distribuio. Para obter a segunda
igualdade, some os dois lados da primeira igualdade.
Exerccio 8.15. A varincia condicionada a uma partio denida de forma an-
loga varincia de uma varivel aleatria:
V (X[T) = E
_
[X E (X[T)]
2
T
_
.
Mostre que
V (X[T) = E
_
X
2
[T
_
[E (X[T)]
2
.
Sugesto: desenvolva a denio dada acima de forma semelhante ao que se faz
para mostrar que V X = EX
2
(EX)
2
. Em algum momento voc vai ter que usar
o fato de que E(X[T) uma varivel aleatria T-mensurvel.
Exerccio 8.16. Se X uma varivel aleatria limitada denida em (, T, P) e T
uma partio de (, T), mostre que
V X = E[V (X[T)] + V [E(X[T)].
Sugesto: desenvolva o lado direito usando o Exerccio 8.15.
Exerccio 8.17. Se X e Y so variveis aleatrias limitadas e denidas em (, T, P)
e ( T uma -lgebra, ento mostre que
E [ X E (Y [() ] = E [ Y E (X[() ] .
Dica: sabemos que essas esperanas podem ser calculadas da seguinte forma: pri-
meiro calcula-se E([() e depois E(), isto , E[E(Z[()] = EZ.
8.7. EXERCCIOS 77
Exerccio 8.18. Sejam X e Y variveis aleatrias em (, T, P) e ( T
uma -lgebra. Se
E(Y
2
[() = X
2
, E(Y [() = X,
mostre que X = Y quase certamente, isto , P(X = Y ) = 1.
Sugesto: calcule E [(X Y )
2
] em duas etapas e justique por que X (-
mensurvel.
Exerccio 8.19. A varincia condicionada a uma -lgebra denida de forma
anloga varincia de uma varivel aleatria integrvel:
V (X[() = E
_
[X E (X[()]
2
(
_
.
Se X uma varivel aleatria limitada denida em (, T, P) e ( T uma -
lgebra, mostre que
V X = E[V (X[()] + V [E(X[()].
Exerccio 8.20. B. James. Captulo 4. Recomendados: 1, 9, 15, 16b, 32, 40.

Apostila Intr Prob

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Intr Prob

Enviado por

Direitos autorais:

Formatos disponíveis

Introduo Probabilidade

uma classe de subconjuntos de

(ii) Se as variveis aleatrias X

uma padronizao de X (tambm chamada de reduo ou normalizao de X).

sejam funes complexas. As nicas situaes em que teramos que sair de R e

fdz = 0, seriam na obteno da

(y) = E(X[Y = y), ou seja, tome f

tal que E(X[Y ) =

(Y ). Ento, para qualquer f : R R vale

satisfazendo as mesmas condies satisfaz tambm P((Y ) =

P(X B[Y = y)dF

P(X t + [Y [y , y + ]) = 0 para < y t (verique!),

P(X [s, t+][Y [y, y+]) =

Você também pode gostar