Introdução A Probabilidade

Introduo Probabilidade
Notas de Aula
Leonardo T. Rolla
17 de novembro de 2014
c 20122014 Leonardo T. Rolla.

A qualquer pessoa que receba uma cpia deste trabalho,
concedida licena para:
X Visualizar este trabalho em dispositivo eletrnico.
X Imprimir ou fotocopiar este trabalho.
X Distribuir a terceiros uma cpia deste trabalho, desde
que sem modificaes e em sua integralidade, com 181
pginas, incluindo a capa e esta nota.
Disponvel para download gratuito em
http://www.impa.br/~leorolla
17 de novembro de 2014.
Prefcio
Este livro foi produzido a partir de notas de aula das disciplinas Probabilidade, do
mestrado em Cincias Atuariais da PUC-Rio, ministrada em 2006, e Introduo
Probabilidade, ministrada em 2012 e 2013 no IMPA.
Para seguir este livro no necessrio qualquer conhecimento prvio em Probabilidade. Os pr-requisitos so clculo de derivadas e integrais em Rd , limites de
sequncias, convergncia de sries, e limites laterais de funes. Para seguir as
demonstraes o leitor deve estar familiarizado com as propriedades elementares
de lim sup e lim inf, polinmios de Taylor e supremo de conjuntos.
Descrio e Interdependncia dos Captulos

Este livro se divide em quatro partes.
A primeira parte consiste de 4 captulos que devem ser estudados em sequncia,
antes de passar para os captulos seguintes. No Captulo 1 introduzimos os
espaos de probabilidade, probabilidade condicional e independncia de eventos.
Os Captulos 2 e 3 estudam as variveis aleatrias e vetores aleatrios, com nfase
nos casos discreto e absolutamente contnuo. No Captulo 4 estudada a esperana
matemtica, suas propriedades, momentos, varincia e algumas desigualdades.
A segunda parte contm uma escolha de assuntos comumente abordados em um
curso introdutrio de Probabilidade. O Captulo 5 trata do lema de Borel-Cantelli
e da convergncia de variveis aleatrias. Os Captulos 6 e 7 apresentam a Lei
dos Grandes Nmeros e o Teorema Central do Limite. O Captulo 8 introduz a
funo geradora de momentos e a funo caracterstica, incluindo convergncia em
distribuio. No Captulo 9 estudamos a esperana condicional dada uma partio e
5
PREFCIO
a esperana condicional regular. Um curso de 60 horas-aula em nvel de bacharelado

em matemtica pode no ser suficiente para cobrir esses tpicos com todos os
detalhes, mas os captulos desta segunda parte so basicamente independentes entre
si, exceto que o Captulo 6 depende do Captulo 5.
Na terceira parte (ainda no escrita), estudamos tpicos menos cannicos para
um curso introdutrio: o princpio dos grandes desvios, passeios aleatrios na rede
hipercbica, e modelos de percolao. Esses so tpicos mais avanados do ponto de
vista conceitual, mas a exposio fica restrita aos casos que no tm pr-requisitos
tcnicos para alm da teoria vista nos captulos anteriores.
Na quarta parte (ainda no escrita), fazemos uma exposio resumida de resultados
sobre mensurabilidade e convergncia da integral de Lebesgue, e apresentamos
algumas das demonstraes omitidas nos captulos anteriores.
Ao Professor
A escolha dos tpicos e o nvel de profundidade com que cada um ser visto sero
uma escolha pessoal do professor. Uma escolha simples ver os captulos em
sequncia, at onde o tempo permitir.
Outra opo ainda segura ver com detalhes a primeira parte, e escolher quais
tpicos da segunda parte sero vistos e em que ordem. A nica ressalva neste caso
que a lei dos grande nmeros depende das noes de convergncia de variveis
aleatrias.
O professor pode ir alm, e omitir alguns tpicos da primeira parte, como por
exemplo o mtodo do Jacobiano, ou ainda, omitir tudo o que envolva variveis
aleatrias contnuas. Neste caso um cuidado maior necessrio, e recomenda-se
ler atentamente as partes que se pretendem abordar para assegurar-se de que essas
no dependam de outras anteriormente omitidas.
Comentrios, crticas e correes so muito bem-vindos.
Rigor Matemtico
A primeira parte deste livro auto-contida e matematicamente rigorosa, inclusive
na construo da Esperana Matemtica como supremo sobre funes simples, sua
frmula para os casos discreto e contnuo, e suas propriedades fundamentais.
PREFCIO
H uma omisso importante: a existncia de variveis aleatrias contnuas, ou

a existncia de uma sequncia infinita de variveis aleatrias com determinada
distribuio conjunta. Formalmente, estamos estudando propriedades de objetos
que em princpio poderiam no existir. Sabe-se que esses objetos existem, mas a
prova deste fato est fora dos objetivos deste livro.
Uma omisso secundria o significado de integral. As variveis aleatrias
absolutamente contnuas so definidas e estudadas em termos de uma integral,
sem discutir o que significa a integral em si. Mas em todos os casos que vamos
considerar, a noo de integral que temos do Clculo suficiente.
Na segunda parte, algumas demonstraes sero omitidas por depender da Teoria
da Medida, com um aviso correspondente. Aquelas que envolvam apenas os
teoremas de convergncia montona e dominada sero apresentadas no Captulo 15.
Tpicos Omitidos
De todo o trabalho inerente redao de um livro, sem dvida o mais delicado
o de decidir os tpicos que devem ser cobertos e com qual profundidade. Alguns
tpicos importantes so omitidos, dentre eles: quantil de uma varivel aleatria;
estatstica de ordem, mtodo do Jacobiano sem bijeo, distribuio normal multivariada, funo geradora e funo caracterstica para vetores aleatrios, distribuio
condicional de vetores aleatrios.
17 de novembro de 2014.
PREFCIO
Sumrio
Prefcio
13
1 Espao de Probabilidade
15
1.1
Espao de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2
Probabilidade Condicional e Independncia . . . . . . . . . . . . . . 22
1.3
Independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Variveis Aleatrias
31
2.1
Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2
Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . 36
2.3
Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . 39
2.4
Distribuies Mistas e Singulares . . . . . . . . . . . . . . . . . . . . 45
2.5
Distribuio Condicional dado um Evento . . . . . . . . . . . . . . . 46
2.6
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Vetores Aleatrios
3.1
49
Vetores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
9
10
SUMRIO
3.2
Tipos de Vetores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . 53
3.3
Independncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . 57
3.4
Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.5
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Esperana Matemtica
67
4.1
Variveis Aleatrias Simples . . . . . . . . . . . . . . . . . . . . . . . 67
4.2
Esperana Matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.3
Momentos, Varincia e Covarincia . . . . . . . . . . . . . . . . . . . 81
4.4
Desigualdades Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5
Esperana Condicional dado um Evento . . . . . . . . . . . . . . . . 90
4.6
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
II
95
5 Convergncia de Variveis Aleatrias
97
5.1
Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.2
Convergncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . . 100
5.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6 Lei dos Grandes Nmeros
109
6.1
Lei Fraca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.2
Lei Forte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7 Teorema Central do Limite
115
7.1
Teorema de De Moivre-Laplace . . . . . . . . . . . . . . . . . . . . . 116
7.2
Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . 120
7.3
Frmula de Stirling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
SUMRIO
7.4
11
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8 Funes Geradoras
125
8.1
Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . 125
8.2
Funo Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9 Esperana Condicional
137
9.1
Esperana Condicional dada uma Partio . . . . . . . . . . . . . . . 137
9.2
Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 143
9.3
Esperana Condicional Regular . . . . . . . . . . . . . . . . . . . . . 147
9.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
III
153
10 Princpio dos Grandes Desvios
155
11 Percolao
157
12 Passeios Aleatrios
159
IV
161
13 Espao de Medida
163
14 Medida de Lebesgue
165
15 Integral e Convergncia
167
Lista de Figuras
169
Lista de Tabelas
171
12
SUMRIO
Notao
174
ndice Remissivo
175
Referncias Bibliogrficas
181
Parte I
13
Captulo 1
Espao de Probabilidade
O objetivo deste texto introduzir o estudo formal dos Espaos de Probabilidade, as
variveis aleatrias e suas propriedades. A Teoria da Probabilidade estuda eventos
aleatrios, i.e., eventos que no possuem regularidade determinstica, mas possuem
regularidade estatstica. A ausncia de regularidade determinstica significa que
observaes feitas nas mesmas condies no do o mesmo resultado, enquanto a
regularidade estatstica se manifesta na estabilidade estatstica de frequncias.
Por exemplo, no lanamento de um dado, apesar de a trajetria do dado ser
determinstica do ponto de vista da mecnica Newtoniana, impraticvel tentar
prever seu resultado: este experimento no possui regularidade determinstica. No
entanto, esse experimento possui regularidade estatstica e o tratamento probabilstico o mais adequado.
Um Espao de Probabilidade, ou Modelo Probabilstico, ou ainda Modelo Estatstico,
uma abstrao matemtica, uma idealizao que busca representar os fenmenos
aleatrios.
1.1
Um modelo probabilstico tem trs componentes bsicas:

1. Um conjunto formado por todos os resultados possveis do experimento,
15
16
CAPTULO 1. ESPAO DE PROBABILIDADE

chamado espao amostral.
2. Uma classe apropriada F de subconjuntos do espao amostral, chamada classe
de conjuntos mensurveis ou eventos aleatrios.
3. Uma funo P que associa a cada conjunto mensurvel um nmero real, que
representa a ideia de chance, verossimilhana, confiana, credibilidade, ou
probabilidade. Esta funo chamada de probabilidade, medida, ou medida
de probabilidade.
Resultados equiprovveis Num modelo em que os resultados so equiprovveis,

o espao amostral um conjunto finito e a medida de probabilidade proporcional
quantidade de resultados que fazem parte de um dado evento:
P (B) =
#B
,
#
onde #B denota a cardinalidade do conjunto B , isto , a quantidade de

elementos que pertencem a B.
Exemplo 1.1.1. Imagine o sorteio de uma carta em um baralho francs com
52 cartas (numeradas A, 2, 3, . . . , 9, 10, J, Q, K e de naipes , , , ). Queremos
saber a probabilidade de um jogador tirar 4, 7, A ou 7, evento que ser
denotado por B. Temos ento:
P (B) =
#B
4
1
=
=
8%.
#
52
13
Exemplo 1.1.2. Imagine o lanamento de um dado em que um jogador precisa

obter 5 ou 6. Neste caso temos = {1, 2, 3, 4, 5, 6}, B = {5, 6} e
P (B) =
#B
2
1
= = 33%.
#
6
3
Espao discreto Outro exemplo um pouco mais complicado quando o espao amostral discreto, isto , pode ser escrito como uma sequncia =
{x1 , x2 , x3 , . . . }. Neste caso no faz sentido que todos os elementos sejam igualmente provveis.
A cada possvel resultado xn associada uma probabilidade p(xn ) de forma que
n=1
p(xn ) = 1.
1.1. ESPAO DE PROBABILIDADE

Para um subconjunto B definimos
P (B) =
17
p(x).
xB
Exemplo 1.1.3. Imagine que lanamos um dado em sequncia at obter o

nmero 3, e contamos o nmero de lanamentos necessrios, ou seja, o resultado
desse experimento o nmero de lanamentos efetuados. Ento caso o espao
amostral dado pelo conjunto N dos nmeros naturais
N = {1, 2, 3, . . . }.
Neste caso, p(n) = 16 ( 65 )n1 . Seja A = obter um 3 em no mximo 5 tentativas e
B = no se obter o 3 nas primeiras 10 tentativas. Temos
P (A) =
1
6
1
6
5
6
+ +
1
6
( 56 )4 =
1
6
( 56 )5 61
= 1 ( 61 )5 =
1 56
P (B) = 61 ( 65 )10 + 61 ( 56 )11 + 16 ( 56 )12 + =
1 5 10
6(6)
1 ( 56 )
4651
7776
60%.
= ( 65 )10 16%.
A seguir veremos uma formulao mais precisa desses conceitos.
Espao Amostral
Um conjunto no-vazio , cujos elementos representam todos os resultados
possveis de um determinado experimento, chamado de espao amostral. O
experimento dado pela escolha de algum dos possveis , e dizemos que
o escolhido representa a realizao do experimento.
Exemplo 1.1.4. Se o experimento consiste em lanar uma moeda, ento
= {0, 1},
onde 1 representa a face cara e 0 representa a face coroa.
Exemplo 1.1.5. Se o experimento consiste em lanar um dado e observar a face
superior, ento
= {1, 2, 3, 4, 5, 6},
onde cada nmero representa o possvel valor da face observada.
18
Exemplo 1.1.6. Se o experimento consiste em lanar duas moedas, ento

= {0, 1}2 = {0, 1} {0, 1} = {(0, 0), (0, 1), (1, 0), (1, 1)},
onde a primeira coordenada representa o valor observado na primeira moeda, e a
segunda coordenada, o da segunda moeda.
Exemplo 1.1.7. Se o experimento consiste em lanar dois dados e observar as
faces superiores, ento

= {1, 2, 3, 4, 5, 6}2 = = (1 , 2 ) : 1 , 2 {1, 2, 3, 4, 5, 6} .
Exemplo 1.1.8. Lanar uma moeda infinitas vezes em sequncia.

= {0, 1}N = {0, 1} {0, 1} = = (n )nN : n {0, 1} para todo n .
Exemplo 1.1.9. Se o experimento consiste em medir a durao de uma lmpada,

ento um possvel espao amostral dado por = [0, ).
Eventos Aleatrios
Qualquer subconjunto A do espao amostral , isto , A , ao qual
atribumos uma probabilidade, dito um evento aleatrio.
Dizemos que o evento A ocorre se a realizao tal que A. Vamos traduzir

algumas operaes sobre conjuntos para a linguagem de eventos.
A unio A B o conjunto de todos os tais que pertence a A ou
pertence a B, ou seja, o conjunto das realizaes tais que algum dos eventos A
ou B ocorrem, portanto A B o evento A ou B.
Analogamente, a interseo A B, que dada por { : A e B},

o conjunto das realizaes tais que ambos os eventos A e B ocorrem, portanto
A B o evento A e B.
Denotamos por Ac o complementar do conjunto A, dado por Ac = { :

/ A},
ou seja, o conjunto das realizaes para as quais o evento A no ocorre, portanto
Ac o evento no A.
19
Dois eventos A e B so ditos mutuamente exclusivos ou incompatveis se AB = ,

isto , se o evento A e B impossvel. O conjunto vazio denominado evento
impossvel.
Suponha que, para dois eventos A e B dados, pelo menos um dos dois necessariamente ocorre. Isso quer dizer que A B = . O conjunto tambm um evento
denominado evento certo.
Se , o evento {} dito elementar. A relao A B significa que todo A
satisfaz B, ou seja, para qualquer realizao , se o evento A ocorre ento
necessariamente o evento B ocorre. Portanto, A B significa que a ocorrncia do
evento A implica a ocorrncia do evento B.
Quando o espao amostral um conjunto finito ou enumervel, natural tomar
a classe de eventos aleatrios F como F = P(), isto , o conjunto de todos os
subconjuntos de , dado por
P() = {A : A }
e chamado o conjunto das partes. Porm h casos em que no enumervel,
como no Exemplo 1.1.8, e no possvel construir um modelo probabilstico em
toda essa classe P(). Em todo caso, faremos algumas suposies naturais sobre a
classe F P() de eventos aleatrios. Mais precisamente, vamos assumir que F
satisfaz as seguintes propriedades:
(F1) F;
(F2) Para todo A F, tem-se que Ac F;
(F3) Se A1 , A2 , A3 , F, ento (
i=1 Ai ) F.
Chamaremos de -lgebra a uma classe de subconjuntos de satisfazendo as trs

propriedades acima.
Seja um espao amostral e F uma -lgebra para um dado experimento.
Uma medida de probabilidade P uma aplicao P : F R satisfazendo as
seguintes propriedades:
20
(P1) P (A) > 0 para todo A F.

(P2) P () = 1.
(P3) Se A1 , A2 , F e Ai Aj = i 6= j, ento P (
i=1 Ai ) =
i=1
P (Ai ).
Teorema 1.1.10. Toda medida de probabilidade P satisfaz as seguintes propriedades:

1. P () = 0.
2. P (Ac ) = 1 P (A).
3. Se A, B F e A B ento P (A) 6 P (B). (monotonicidade)
4. Se A, B F e A B ento P (B \ A) = P (B) P (A).
5. Para todo A F, temos 0 6 P (A) 6 1.

P
P (Ai ). (-subaditividade).
6. Se A1 , A2 , . . . , An F, ento P Ai 6
i=1
i=1
7. Sejam A e B F. Ento P (A B) = P (A) + P (B) P (A B).

Demonstrao. Feita em aula.
Uma medida de probabilidade P tambm tem a propriedade de ser contnua.

Dizemos que An A se A1 A2 A3 e
n=1 = A. Analogamente,
An A se A1 A2 A3 e
=
A.
n=1
Teorema 1.1.11 (Continuidade). Se An A ou An A, ento P (An ) P (A).
Um espao de probabilidade um trio (, F , P ), onde
1. um conjunto no-vazio;
2. F uma -lgebra de subconjuntos de ;
3. P uma probabilidade definida em F .
21
Exemplo 1.1.12. Lanamento de uma moeda. Este espao pequeno o suficiente

para que possamos constru-lo explicitamente. Como fizemos anteriormente, as
duas faces da moeda sero representadas em = {0, 1}. A -lgebra F dada por

F = P() = {}, {0}, {1}, {0, 1} . A medida de probabilidade P : F R dada
por P ({}) = 0, P ({0}) = P ({1}) = 21 , P ({0, 1}) = 1.
Exemplo 1.1.13. Sortear 4 cartas de um baralho francs, com reposio. Neste
caso temos
4
= {A, 2, 3, . . . , 9, 10, J, Q, K} {, , , }
e
# = 524 .
Tomamos
F = P()
P (A) =
#A
,
524
A F.
Qual a probabilidade do evento A = as quatro cartas so valetes? Temos A =

4
({J} {qualquer naipe}) , logo #A = 44 e portanto
P (A) =
44
1
= 4.
4
52
13
Qual a probabilidade do evento B = todas as cartas tm o mesmo naipe? Temos

4 escolhas para o naipe, e 13 escolhas para cada uma das cartas retiradas, logo
#B = 4 134 e portanto
1
4.134
= 3.
P (B) =
4
52
4
Qual a probabilidade do evento C = h um par de cartas de um naipe e um par

de cartas de um outro naipe. Temos 42 escolhas para os naipes, onde nk denota

n!
. Escolhidos os naipes,
o nmero de combinaes de n, k a k, isto , nk = k!(nk)!

4
temos 2 combinaes para quais retiradas correspondem a qual naipe. Escolhidos
os naipes e as posies, h 13 escolhas de cartas para cada retirada. Assim,

#C = 42 42 134 = 62 134
e portanto
P (C) =
62 134
62
9
= 4 =
.
4
52
4
64
22
1.2
Probabilidade Condicional e Independncia
A probabilidade condicional uma nova medida de probabilidade, de forma a

representar melhor as chances de eventos aleatrios a partir da informao de que
um dado evento aconteceu. definida da seguinte maneira:
Definio 1.2.1 (Probabilidade Condicional). Dados A, B F em um espao

(, F , P ), definimos a probabilidade condicional de A dado que ocorreu B, ou
simplesmente probabilidade de A dado B, por
P (A | B) =
P (A B)
.
P (B)
Quando P (B) = 0, definimos P (A|B) = P (A).
Proposio 1.2.2. A probabilidade condicional uma medida de probabilidade,

isto , dado B F tal que P (B) > 0, a funo que leva A em P (A|B) satisfaz as
Propriedades (P1)(P3).
Regra do produto
A regra do produto permite expressar a probabilidade da ocorrncia simultnea
de diversos eventos a partir do valor de cada probabilidade condicional dados os
eventos anteriores.
Teorema 1.2.3 (Regra do Produto). Dados A1 , A2 , . . . , An em (, F , P ), vale

P (A1 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (An |A1 A2 An1 ).
Demonstrao. Vamos provar por induo em n. Para n = 1 vale trivialmente:
1.2. PROBABILIDADE CONDICIONAL E INDEPENDNCIA
23
P (A1 ) = P (A1 ). Para n = 2, temos

P (A2 |A1 ) =
P (A2 A1 )
P (A1 )
P (A1 A2 ) = P (A1 )P (A2 |A1 ).
Para n = 3, temos
P (A3 |A1 A2 ) =
e portanto
P (A1 A2 A3 )
P (A1 A2 )
P (A1 A2 A3 ) = P (A1 A2 )P (A3 |A1 A2 )
= P (A1 )P (A2 |A1 )P (A3 |A1 A2 ).
Suponhamos a igualdade vlida para n = m, temos

P (Am+1 |A1 Am ) =
P (A1 Am Am+1 )
P (A1 Am )
e portanto
P (A1 Am+1 ) = P (A1 Am ) P (Am+1 |A1 Am )
{z
}
|
usando a hiptese
= P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (Am+1 |A1 Am ),
completando a prova por induo.
Exemplo 1.2.4 ([Jam04]). Selecionar 3 cartas de um baralho francs de 52 cartas,

ao acaso e sem reposio. Qual a probabilidade de tirar 3 reis? Seja Ai =tirar rei
na i-sima retirada e A =tirar 3 reis= A1 A2 A3 . Temos
P (A) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) =
4 3 2
1
=
.
52 51 50
5525
Lei da probabilidade total

Dizemos que B1 , B2 , B3 , F formam uma partio de se Bi Bj = i 6= j
e
i=1 Bi = .
24
Teorema 1.2.5 (Lei da Probabilidade Total). Sejam A, B1 , B2 , B3 , . . . eventos aleatrios em (, F , P ) tais que B1 , B2 , B3 , . . . formam uma partio de
. Ento
X
P (Bi )P (A|Bi ).
P (A) =
i=1
Demonstrao. Usando a regra do produto temos
X

X
P (Bi )P (A|Bi ).
P (A Bi ) =
P (A) = P i=1 (A Bi ) =
i=1
i=1
A primeira igualdade vale pois A =

i=1 (A Bi ). Na segunda igualdade usamos
que esses eventos so disjuntos, i.e., (A Bi ) (A Bj ) Bi Bj = para
todo i 6= j. Na ltima igualdade usamos a regra do produto.

Exemplo 1.2.6. Um armrio tem duas gavetas, A e B. A gaveta A tem 2 meias
azuis e 3 meias pretas, e a gaveta B tem 3 meias azuis e 3 meias vermelhas. Abre-se
uma gaveta ao acaso e retira-se uma meia ao acaso da gaveta escolhida. Qual a
probabilidade de escolher-se uma meia azul? Comeamos pelos valores conhecidos:
P (A) = P (B) = 21 , P (azul|A) = 25 e P (azul|B) = 63 . Assim,
1 2 1 3
9
+
=
.
2 5 2 6
20
Exerccio 1.2.7. 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. Perguntase:
P (azul) = P (A)P (azul|A) + P (B)P (azul|B) =
(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?
Frmula de Bayes
A frmula de Bayes determina a probabilidade condicional de eventos que precedem
aquele efetivamente observado. Mais precisamente, quando conhecemos as probabilidades de uma sequncia de eventos Bj que particionam e a probabilidade
1.3. INDEPENDNCIA
25
condicional de um evento posterior A em termos dessa partio, podemos calcular

as probabilidades condicionais de ocorrncia de cada Bj sabendo-se da ocorrncia
ou no do evento A. Os valores originais so chamados de probabilidades a priori
dos eventos Bj , e os valores das probabilidades condicionais so chamados de
probabilidades a posteriori desses eventos.
Teorema 1.2.8 (Frmula de Bayes). Dado um espao de probabilidade

(, F , P ), uma partio B1 , B2 , B3 , . . . , e um evento A, para todo j N vale
a frmula
P (Bj )P (A|Bj )
.
P (Bj |A) = P
i P (Bi )P (A|Bi )
Exemplo 1.2.9. No Exemplo 1.2.6, sabendo-se que uma meia azul foi retirada,
qual a probabilidade de ter sido aberta a gaveta A? Pela Frmula de Bayes temos
P (A|azul) =
P (A)P (azul|A)
=
P (A)P (azul|A) + P (B)P (azul|B)
1
5
9
20
4
.
9
Exerccio 1.2.10. 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?
1.3
Independncia
Dois eventos aleatrios so independentes quando a ocorrncia de um deles no

aumenta nem diminui a chance relativa de que ocorra o outro.
26
Definio 1.3.1 (Eventos Independentes). Os eventos aleatrios A e B so

ditos independentes se
P (A B) = P (A)P (B).
Proposio 1.3.2. So equivalentes:

(i) A e B so independentes,
(ii) A e B c so independentes,
(iii) Ac e B so independentes,
(iv) Ac e B c so independentes,
(v) P (A|B) = P (A),
(vi) P (B|A) = P (B).
Definio 1.3.3 (Eventos Independentes Dois a Dois). Os eventos aleatrios

(Ai )iI , onde I um conjunto qualquer de ndices, so ditos independentes
dois a dois se Ai e Aj so independentes para todos i, j I com i 6= j.
Exemplo 1.3.4. Dois dados so lanados. Consideramos os eventos A = o

primeiro dado par, B = o segundo dado par C = a soma dos valores
1.3. INDEPENDNCIA
27
dos dados par. Ento

1
18
= ,
36
2
18
1
P (B) = P ({1, 2, 3, 4, 5, 6} {2, 4, 6}) =
= ,
36
2
1
18
2
2
= ,
P (C) = P ({2, 4, 6} {1, 3, 5} ) =
36
2
1
9
2
= = P (A)P (B),
P (A B) = P ({2, 4, 6} ) =
36
4
9
1
2
P (A C) = P ({2, 4, 6} ) =
= = P (A)P (C),
36
4
1
9
2
= = P (B)P (C).
P (B C) = P ({2, 4, 6} ) =
36
4
P (A) = P ({2, 4, 6} {1, 2, 3, 4, 5, 6}) =
Exemplo 1.3.5. Lanamento de um dado de 4 faces. Considere A =par,

B =menor que 3, C =1 ou 4, i.e., A = {2, 4}, B = {1, 2}, C = {1, 4}. Ento
A, B e C so independentes dois a dois. De fato,
1
= P (A)P (B),
4
1
P (A C) = P ({4}) = = P (A)P (C),
4
1
P (B C) = P ({1}) = = P (B)P (C).
4
P (A B) = P ({2}) =
Definio 1.3.6 (Eventos Coletivamente Independentes). Os eventos aleatrios (Ai )iI so ditos coletivamente independentes ou estocasticamente
independentes se, dado qualquer conjunto de ndices distintos i1 , i2 , . . . , in I,
vale
P (Ai1 Ai2 Ain ) = P (Ai1 )P (Ai2 ) P (Ain ).
Exemplo 1.3.7. Lanamento de um dado de 12 faces. Seja A =mltiplo de 3,

B =menor ou igual a 6 e C =par, i.e., A = {3, 6, 9, 12}, B = {1, 2, 3, 4, 5, 6} e
28
C = {2, 4, 6, 8, 10, 12}. Ento A, B e C so coletivamente independentes, pois

1
= P (A)P (B),
6
1
P (B C) = P ({2, 4, 6}) = = P (B)P (C),
4
1
P (A C) = P ({6, 12}) = = P (A)P (C),
6
1
= P (A)P (B)P (C).
P (A B C) = P ({6}) =
12
P (A B) = P ({3, 6}) =
Contra-Exemplo 1.3.8. No Exemplo 1.3.5, os eventos A, B e C no so

coletivamente independentes. De fato,
P (A B C) = P () = 0 6=
1
= P (A)P (B)P (C).
8
Contra-Exemplo 1.3.9. No Exemplo 1.3.4, os eventos A, B e C no so

coletivamente independentes. De fato,
P (A B C) = P ({2, 4, 6}2) =
1.4
1
1
6= = P (A)P (B)P (C).
4
8
Exerccios
Exerccio 1.4.1. Considere o experimento resultante do lanamento de dois dados

onde se observa o mnimo entre suas faces. Construa um modelo probabilstico
associado.
Exerccio 1.4.2. Seja (, F , P ) um espao de probabilidade. Considere uma
sequncia de eventos aleatrios (An )n=1,2,3,... em F . Defina o evento Bm : o
primeiro evento a ocorrer da sequncia (An )n=1,2,3,... Am .
1. Expresse Bm em termos dos eventos An .
2. Os eventos B1 , B2 , . . . , Bm , . . . so disjuntos?
3. Quem o evento
m=1 Bm ?
Exerccio 1.4.3. Considere uma populao de indivduos capazes de gerar proles
do mesmo tipo. O nmero de indivduos inicialmente presentes, denotado por
X0 , o tamanho da gerao zero. Todos as proles da gerao zero constituem
1.4. EXERCCIOS
29
a primeira gerao e o seu nmero denotado por X1 . Em geral, Xn denota o

tamanho da n-sima gerao. Mostre que limn P (Xn = 0) existe e interprete o
seu significado.
Exerccio 1.4.4. Um casal tem dois filhos que no sejam gmeos. Calcule a
probabilidade condicional de esse casal ter dois filhos homens, sabendo-se que:
(a) O casal tem um filho homem.
(b) O filho mais velho do casal homem.
(c) O casal tem um filho homem que nasceu num sbado.
(d) O casal tem um filho homem que no nasceu num sbado.
Respostas aproximadas: 33%, 50%, 48%, 36%. Comente o porqu de o resultado
do item (d) ser prximo ao do item (a) e o do item (c) ser prximo ao do item (b).
Exerccio 1.4.5. Se P (A) = P (A|B) =
1
4
e P (B|A) = 12 :
1. A e B so independentes?
2. A e B so mutuamente exclusivos?
3. Calcule P (Ac |B c ).
Exerccio 1.4.6. Em uma gaveta existem 2 maos de baralho fechados. Um deles
um baralho comum de 52 cartas, {A, 2, 3, . . . , 9, 10, J, Q, K} {, , , }, e
outro um baralho de truco com 40 cartas (no possui as cartas de nmeros 8,
9 e 10).
Um dos maos retirado da gaveta ao acaso e depois uma carta sorteada ao acaso
do baralho retirado.
(a) Calcule a probabilidade de a carta sorteada ser uma das trs figuras reais
(J, Q, K).
(b) Sabendo-se que foi sorteada uma figura real, calcule a probabilidade de o
baralho retirado ter sido o baralho comum.
(c) Calcule a probabilidade de a carta sorteada ser de espadas .
(d) Sabendo-se que foi sorteada uma carta de espadas, calcule a probabilidade
de o baralho retirado ter sido o baralho de truco.
30
(e) Sejam A =Foi retirado o baralho comum, B =Foi sorteada uma figura
real e C =Foi sorteada uma carta de espadas. A e B so independentes?
A e C so independentes? A, B e C so coletivamente independentes?
(f) Qual a probabilidade de se sortear uma carta de nmero 5 ?
(g) Sabendo-se que foi sorteado um nmero (i.e., no foi sorteado A, J, Q nem
K), qual a probabilidade de o baralho retirado ter sido o baralho de truco?
Exerccio 1.4.7. [Jam04, Captulo 1].
Recomendados: 1, 2, 3, 4, 5, 11, 16, 18, 22.
Sugeridos: 8, 9, 10, 12, 13, 14, 15, 17, 19, 20, 21.
Captulo 2
Variveis Aleatrias
Na realizao de um fenmeno aleatrio, muitas vezes estamos interessados em
uma ou mais quantidades, que so dadas em funo do resultado do fenmeno.
Por exemplo, sortear 11 cartas do baralho e contar quantas dessas cartas so de
espadas, ou sortear dois nmeros reais entre 0 e 1 e considerar o menor deles. A
essas quantidades damos o nome de variveis aleatrias. Uma varivel aleatria
um observvel numrico resultante de um experimento.
2.1
Variveis Aleatrias
Uma varivel aleatria uma funo que associa a cada resultado do espao
amostral um nmero real, ou seja, uma funo
X : R .
7 X()
Exemplo 2.1.1. Joga-se um dado e observa-se a face superior. Nesse caso temos
= {1, 2, 3, 4, 5, 6} e X() = .
Vamos colocar uma restrio sobre a funo X com o intuito de poder associar
probabilidade a eventos como o valor observado de X menor que 7. Para isso,
introduzimos uma definio mais formal:
31
32
CAPTULO 2. VARIVEIS ALEATRIAS
Definio 2.1.2 (Varivel Aleatria). Uma varivel aleatria X em um espao

de probabilidade (, F , P ) uma funo real definida no espao tal que o
conjunto { : X() 6 x} evento aleatrio para todo x R, isto ,
X :R
uma varivel aleatria se { : X() 6 x} F para todo x R.
Daqui para frente denotaremos por [X 6 x] o evento { : X() 6 x}.

Exemplo 2.1.3 (Varivel aleatria constante). Se X() = c para todo ,
ento
(
, se a > c,
{ : X() 6 a} =
, se a < c.
Portanto, X varivel aleatria.
Exemplo 2.1.4 (Funo indicadora). Dado A , definimos
1A () =
Se A F e X = 1A , ento
{ : X() 6 a} =
Portanto, X varivel aleatria.
1, A,
0, 6 A.
se a > 1,
A , se 0 6 a < 1,
,
se a < 0.
c
Contra-Exemplo 2.1.5. Sejam = {1, 2, 3, 4} e F = {, {1, 2}, {3, 4}, } e

considere os conjuntos A = {1, 2} e B = {1, 3}. Ento 1A varivel aleatria
em (, F ), mas 1B no .
Espao de probabilidade induzido e lei de uma varivel aleatria A lgebra de Borel na reta R, denotada por B, a menor -lgebra que contm
2.1. VARIVEIS ALEATRIAS
33
todos os intervalos da reta.1 Os conjuntos B R tais que B B so chamados

Borelianos. A -lgebra de Borel B muito menor que a -lgebra das partes
P(R), e daqui em diante, sempre que aparecer B R, deve-se entender B B.
Dado um espao de probabilidade (, F , P ) e uma varivel aleatria X, definimos

o espao de probabilidade induzido por X como (R, B, PX ), onde

PX (B) = P { : X() B} ,
B B.
Ou seja, o espao amostral o conjunto dos nmeros reais, os eventos aleatrios

so os conjuntos Borelianos, e a medida de probabilidade aquela induzida por X.
Chamaremos de lei da varivel aleatria X a medida de probabilidade PX em R
induzida por X.
Funo de Distribuio
Definio 2.1.6 (Funo de Distribuio). A funo de distribuio, ou funo

de distribuio acumulada da varivel aleatria X, denotada por FX , definida
como
FX (x) = P (X 6 x), x R.
A funo de distribuio determina o comportamento estatstico da varivel

aleatria, e vice-versa. Mais precisamente, dadas X e Y variveis aleatrias,
FX (t) = FY (t) para todo t R se e somente se PX e PY em (R, B) so iguais. Neste
caso escrevemos X Y . Por isso a funo de distribuio uma caracterstica
fundamental da varivel aleatria.
Exemplo 2.1.7. Duas moedas honestas so lanadas. Seja a varivel X que conta
1 Equivalentemente, B a menor -lgebra que contm todos os intervalos semi-infinitos, ou
ainda, a menor -lgebra que contm todos os conjuntos abertos. O leitor mais curioso pode
ver [Jam04, Exerccio 1.6] a respeito da existncia e unicidade da menor -lgebra contendo uma
classe de conjuntos qualquer.
34
o nmero de caras observadas. Temos que
P () = 0,
t < 0;
P ({(0, 0)}) = 1 ,
0 6 t < 1;
4
FX (t) = P (X 6 t) =
3
P ({(0, 0), (0, 1), (1, 0)}) = 4 , 1 6 t < 2;
P () = 1,
t > 2.
Observe que o salto da funo de distribuio acumulada corresponde probabiFX (t)
1
3/4
1/4
1
Figura 2.1: Grfico de uma funo de distribuio acumulada.

lidade de a varivel aleatria assumir aquele valor, como se v na Figura 2.1.
Exemplo 2.1.8. 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.
FX (t)
Figura 2.2: Grfico de uma funo de distribuio acumulada.

Primeiro observamos que, ao selecionar um ponto ao acaso em um intervalo,
estamos dizendo implicitamente que quaisquer subintervalos de mesmo tamanho
contm o ponto escolhido com a mesma probabilidade. Isso quer dizer que, dado
2.1. VARIVEIS ALEATRIAS
35
[c, d] [a, b], temos que P (X [c, d]) = dc

ba . Para t [a, b], tomando c = a temos
ta
que P (X 6 t) = ba
. Para t < a temos que P (X 6 t) = 0, e para t > a temos que
P (X 6 t) = 1. Portanto,
0,
t 6 a;
t a
FX (t) = P (X 6 t) =
, a 6 t 6 b;
ba
1,
t > b;
cujo grfico est ilustrado na Figura 2.2.
Proposio 2.1.9 (Propriedades da Funo de Distribuio). Se X uma varivel

aleatria, sua funo de distribuio FX satisfaz as seguintes propriedades:
1. FX no-decrescente, i.e., x 6 y FX (x) 6 FX (y).
2. FX contnua direita, i.e., xn x FX (xn ) FX (x).
3. limx FX (x) = 0 e limx+ FX (x) = 1.

Observao 2.1.10. Uma funo F : R R satisfazendo as propriedades acima

chamada funo de distribuio.
Exerccio 2.1.11. Mostre que
1. P (X > a) = 1 FX (a).
2. P (a < X 6 b) = FX (b) FX (a).
3. P (X = a) = FX (a) FX (a).
Ou seja, P (X = a) o tamanho do salto da funo de distribuio em x = a.
4. P (X = a) = 0 se e somente se FX contnua em a.
5. P (a < X < b) = FX (b) FX (a).
6. P (a 6 X < b) = FX (b) FX (a).

7. P (a 6 X 6 b) = FX (b) FX (a).
Exerccio 2.1.12. Seja F (x) a funo
0,
F (x) =
x+
1,
x < 0,
1
2,
06x6
x > 21 .
1
2
36
Mostre que F de fato uma funo de distribuio e calcule:

(a) P (X > 81 )
(b) P ( 18 < X < 52 )
(c) P (X <
2.2
2
5
| X > 18 )
Variveis Aleatrias Discretas
Definio 2.2.1 (Varivel Aleatria Discreta). Dizemos que uma varivel

aleatria X, sua funo de distribuio FX e sua lei PX so discretas se existe
um conjunto enumervel {x1 , x2 , x3 , . . . } R tal que
P (X = xn ) = 1.
n=1
Neste caso definimos a funo de probabilidade de uma varivel aleatria

contnua como
pX (x) = P (X = x).
Note que, se X discreta assumindo valores em {x1 , x2 , x3 , . . . }, ento temos que

P (X {x1 , x2 , . . . }) = 1 e P (X 6 {x1 , x2 , . . . }) = 0. No tratamento de variveis
aleatrias discretas, tudo pode ser feito em termos de somatrios. A lei de uma
varivel aleatria discreta dada por
PX (B) =
xB
pX (x)
B B.
Uma funo p() satisfazendo

p(x) > 0 x R,
xR
p(x) = 1,
2.2. VARIVEIS ALEATRIAS DISCRETAS
37
chamada funo de probabilidade.

Exerccio 2.2.2. A probabilidade de um indivduo acertar um alvo 32 . 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.
(a) Encontre a funo de probabilidade de X.
(b) Mostre que pX funo de probabilidade.
(c) Calcule a probabilidade de serem necessrios exatamente cinco tiros para que
ele acerte o alvo.
Exerccio 2.2.3. Seja X uma varivel aleatria com funo de probabilidade
P (X = x) = cx2 , onde c uma constante e k = 1, 2, 3, 4, 5.
(a) Encontre pX (x) e FX (x).
(b) Calcule P (X ser mpar).
Principais distribuies discretas

Para especificar a distribuio ou a lei de uma varivel aleatria discreta, suficiente
saber sua funo de probabilidade, e vice-versa. Com efeito,
X
FX (t) =
pX (x)
x6t
pX (x) = F (x) F (x).

Distribuio de Bernoulli Dizemos que X Bernoulli, X Bernoulli(p), se
pX (1) = p e pX (0) = 1 p. Indicadores de eventos so Bernoulli e vice-versa. s
vezes associamos o evento [X = 1] a sucesso e [X = 0] a fracasso.
Distribuio uniforme discreta Dado I = {x1 , x2 , . . . , xk }, dizemos que X
tem distribuio uniforme discreta em I, denotado por X Ud [I], se
pX (xi ) =
1
,
k
i = 1, 2, . . . , k.
Exemplo 2.2.4. Lanamento de um dado. Temos I = {1, 2, 3, 4, 5, 6} e p(i) = 16 ,

i = 1, 2, . . . , 6.
38
Distribuio binomial Considere n ensaios de Bernoulli independentes e com

mesmo parmetro p, e seja X o nmero de sucessos obtidos. Dizemos que X segue
o modelo binomial com parmetros n e p, X b(n, p). A funo de probabilidade
dada por

pX (x) = nx px (1 p)nx , x = 0, 1, 2, . . . , n.
Exemplo 2.2.5. Lanar um dado 4 vezes e contar o nmero de vezes que se obtm
o nmero 3. Temos X b(4, 61 ). A probabilidade de se obter 3 duas vezes dada
por
2 5 42
52
25
4!
=
.
P (X = 2) = pX (2) = 42 16
=
6
4
2!(4 2)! 6
216
Exerccio 2.2.6. Seja X o nmero de caras obtidas em 4 lanamentos de uma
moeda honesta. Construa a funo de probabilidade e a funo de distribuio
de X esboando os seus grficos.
Distribuio geomtrica Numa sequncia de ensaios independentes com probabilidade de sucesso p, considere o nmero X de ensaios necessrios para a obteno
de um sucesso. Dizemos que X segue o modelo geomtrico de parmetro p,
X Geom(p), e sua funo de probabilidade dada por
pX (n) = p(1 p)n1 ,
n = 1, 2, 3, 4, . . . .
Exemplo 2.2.7. Lanar um par de dados at obter nmeros iguais. Se X denota

o nmero de lanamentos necessrios, ento X Geom( 16 ).
Distribuio hipergeomtrica Suponha que numa caixa existem m bolas azuis
e n bolas brancas, de onde retiramos r bolas ao acaso. Contamos o nmero X
de bolas azuis retiradas. Se aps cada retirada a bola fosse devolvida caixa,
m
teramos um experimento com reposio, e X b(r, m+n
). No caso em que as
bolas retiradas so guardadas fora da caixa, temos um experimento sem reposio,
e nesse caso X segue o modelo hipergeomtrico com parmetros m, n e r, denotado
por X Hgeo(m, n, r). A funo de probabilidade de X dada por
n
m
pX (k) =
rk

m+n
r
para [0 r n] 6 k 6 [r m].
Denotamos por a b e a b o mximo e o mnimo entre a e b, respectivamente.
2.3. VARIVEIS ALEATRIAS CONTNUAS
39
Exemplo 2.2.8. Num jogo de bingo com 50 pedras, conta-se o nmero X de pedras
pares sorteadas nas 10 primeiras retiradas. Neste caso, X Hgeo(25, 25, 10).
Exemplo 2.2.9. No jogo de buraco um jogador recebe 11 cartas de um baralho

francs de 52 cartas. Conta-se o nmero X de cartas de espadas . Neste caso,
X Hgeo(13, 39, 11).
Distribuio de Poisson Imagine uma grande quantidade de determinados objetos (estrelas, chamadas telefnicas, uvas-passas, etc.) uniformemente distribudas
em uma certa regio (o espao, a linha do tempo, uma massa de panetone, etc.)
tambm muito grande, sendo a proporo entre a quantidade de objetos e o
tamanho dessa regio. Se contamos o nmero X de objetos encontrados em uma
unidade de volume dessa regio, temos que X segue o modelo de Poisson com
parmetro , denotado por X Poisson(), com funo de probabilidade
pX (k) =
e k
,
k!
De fato, se temos n grande e pn =
n,
k = 0, 1, 2, 3, . . . .
ento para todo k fixado temos
e k
.
k!
Exemplo 2.2.10. Se em 1.000 horas de servio uma operadora recebe 50.000 chamadas, essas chamadas acontecendo em instantes independentes e uniformemente
distribudas ao longo dessas 1.000 horas, ento a distribuio da quantidade X de
chamadas recebidas em 1 hora bem aproximada por X Poisson(50).
P (X = k) =
2.3
n
k

k
n

nk
n
k
k!
n n1
n n
nk+1
n

nk
n
Variveis Aleatrias Contnuas
Definio 2.3.1. Uma varivel aleatria X dita contnua se P (X = a) = 0 para

todo a R, ou seja, se FX for contnua no sentido usual.
Definio 2.3.2. Dizemos que uma varivel aleatria X, sua funo de
distribuio FX e sua lei PX so absolutamente contnuas se existe fX () > 0
tal que
Z
PX (B) = P (X B) =
fX (x) dx
B B.
B
40
Neste caso, dizemos que fX a funo de densidade de probabilidade de X, ou

simplesmente densidade de X.
Observao 2.3.3. No tratamento de variveis aleatrias absolutamente contnuas, tudo pode ser feito em termos de integrais. A funo de distribuio de uma
varivel aleatria absolutamente contnua dada por
FX (t) =
fX (s) ds.
Observao 2.3.4. Uma funo f () satisfazendo

f (x) > 0 x R,
f (x) dx = 1,
chamada funo de densidade.

Observao 2.3.5. A densidade fX pode ser obtida por
fX (x) =
d
FX (x),
dx
para todo x R, exceto talvez para um conjunto pequeno.2 Portanto, para

especificar a distribuio ou a lei de uma varivel aleatria absolutamente contnua,
suficiente saber sua funo de densidade, e vice-versa.
2 Dizemos que um conjunto A B pequeno, isto , tem medida zero, se, para todo > 0,
existe uma sequncia
P de intervalos (an , bn ) cuja unio contenha A e cujo tamanho total seja
(b an ) 6 . Por exemplo, se A = {x1 , x2 , . . . } enumervel, ento
pequeno, isto ,
n=1 n
podemos tomar a sequncia de intervalos (xn 2n1 , xn + 2n1 ), que contm A e cujo
tamanho total exatamente . Podemos modificar a densidade fX em um conjunto pequeno de
pontos e ainda teremos uma densidade para X, pois um conjunto pequeno no altera o valor da
integral.
41
Exemplo 2.3.6. Sortear um nmero em [0, 1]. Definimos

(
1, x [0, 1]
fX (x) =
0, caso contrrio,
e neste caso temos
FX (t) =
fX (x) dx =
0, t 6 0,
t, 0 6 t 6 1,
1, t > 1.
Exerccio 2.3.7. Seja X uma varivel aleatria absolutamente contnua tal que
sua funo de densidade par, isto , fX (x) = fX (x). Mostre que
(a) FX (x) = 1 FX (x);
(b) FX (0) = 12 ;
(c) P (x < X < x) = 2FX (x) 1, x > 0;

Rx
(d) P (X > x) = 12 0 fX (t)dt, x > 0.
Exerccio 2.3.8. Seja Z uma varivel aleatria contnua com funo de densidade
de probabilidade

10 e10z , z > 0
fZ (z) =
0, z 6 0
Obtenha a funo de distribuio de Z e esboce o seu grfico.
Distribuio uniforme Dizemos que a varivel aleatria X tem distribuio

uniforme no intervalo [a, b], denotado por X U [a, b], se todos os subintervalos
de [a, b] com mesmo comprimento tiverem a mesma probabilidade. Sua densidade
(
1
, x [a, b],
1
fX (x) =
1[a,b] (x) = ba
ba
0,
x 6 [a, b].
A distribuio uniforme a distribuio contnua mais simples. Segundo esta

distribuio, a probabilidade de X estar em um dado subintervalo de [a, b] depende
apenas do comprimento desse subintervalo.
A distribuio uniforme pode ser pensada como o limite de uma distribuio

ba
ba
ba
uniforme discreta em {a, a + ba
n , a + 2 n , . . . , a + (n 2) n , a + (n 1) n , b},
quando n muito grande.
42
Exemplo 2.3.9. O ponto de ruptura X de algum cabo numa rede eltrica de 5 km

pode ser modelado por uma varivel aleatria com distribuio uniforme em [0, 5].
Neste caso temos que fX = 51 1[0,5] . A probabilidade de um determinado cabo se
R 0,8
romper nos primeiros 800 m da rede igual a 0 15 dx = 16%.
Distribuio exponencial Dizemos que X tem distribuio exponencial com

parmetro > 0, denotado por X exp(), se sua funo de distribuio for dada
por
(
1 ex , x > 0,
FX (x) =
0,
x 6 0.
A distribuio exponencial se caracteriza por ter uma funo de taxa de falha
constante, o que chamamos de perda de memria.
Exemplo 2.3.10. Quando se diz que uma lmpada incandescente de uma determinada marca tem vida mdia de 1.000 horas, isso quer dizer que seu tempo de
1
vida T satisfaz T exp( 1000
).
A distribuio exponencial pode ser pensada como como o limite de distribuies
geomtricas com pequenos intervalos de tempo. Isto , se X n1 Geom( n ) com n
muito grande, ento a distribuio de X se aproxima da distribuio exponencial
com parmetro . Essa a distribuio adequada para modelar a vida til de
uma lmpada, ou de inmeros outros materiais, como leos isolantes, porque estes
deixam de funcionar no por deteriorao ao longo do tempo mas sim porque um
determinado evento passvel de causar a falha pode ocorrer a qualquer instante
com uma probabilidade muito pequena.
Distribuio gama A distribuio gama tem dois parmetros, e , e inclui
como casos particulares a distribuio exponencial e as chamadas qui-quadrado e
Erlang. Dizemos que X tem distribuio gama com parmetros positivos e ,
denotado por X Gama(, ), se X tem densidade dada por
1 x
e
x
, x > 0,
()
fX (x) =
0,
x < 0,
onde
() =
x1 ex dx.
43
Distribuio normal Dizemos que a varivel aleatria X tem distribuio

normal com parmetros R e 2 > 0, denotado por X N (, 2 ), se X
tem como densidade
fX (x) =
1
2 2
(x)2
22
x R.
A distribuio N = N (0, 1) chamada normal padro.
Denotamos por a funo de distribuio acumulada de uma normal padro N ,

dada por
Z t x2 /2
e
dx.
(t) = FN (t) = P (N 6 t) =
2
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.
Na Tabela 2.1 exibimos os valores de (t) para t = 0, 00, 0, 01, 0, 02, . . . , 3, 49.
Para t < 0 usa-se a identidade
(t) = 1 (t).
Consequentemente,
P (+a < N < +b) = (b) (a)
P (a < N < b) = (b) (a) = (a) (b)
P (a < N < +b) = (b) (a) = (b) + (a) 1.

Em particular,
P (a < N < a) = 2(a) 1.
Exemplo 2.3.11. Calculemos as seguintes probabilidades:
(a) P (0 < N < 1) = (1) (0) 0, 8413 0, 5000 = 0, 3413.
(b) P (1.93 < N < 3) = (1.93) + (3) 1 0, 9732 + 0, 9988 1 = 0, 9720.

(c) P (1.8 < N < 1.8) = 2(1.8) 1 2 0, 9641 1 = 0, 9282.
(d) Para qual x tem-se P (x < N < x) = 0, 90?

2(x) 1 = 0, 90 (x) = 0, 95 x 1, 645.
(e) Para qual x tem-se P (x < N < x) = 0, 6826?

2(x) 1 = 0, 6826 (x) = 0, 8413 x 1, 000.
44
Tabela 2.1: (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
2.4. DISTRIBUIES MISTAS E SINGULARES
45
Exerccio 2.3.12. Mostre que, se Y = aX + b com a > 0 e b R, ento fY (y) =

yb
1
a fX ( a ). Sugesto:R determine FY (y), y R, em termos de fX (x), x R,
t
sabendo que FX (t) = fX (x) dx, e depois tome a derivada.
Exerccio 2.3.13. Mostre que se X N (, 2 ) ento a varivel aleatria

tem distribuio normal padro.
2.4
Distribuies Mistas e Singulares
Uma varivel aleatria discreta X vive em um conjunto enumervel de pontos cuja

probabilidade de ocorrncia positiva, e nesse contexto tudo se expressa em termos
de somatrios ponderados pela funo pX . Uma varivel aleatria absolutamente
contnua X vive em R, sua distribuio em cada intervalo (n, n + 1] similar de
uma distribuio uniforme, apenas seu peso ponderado pela funo fX . Nesse
contexto tudo se expressa em termos de integrais com fX (x) dx.
Existem variveis aleatrias que so misturas dos tipos discreto e absolutamente
contnuo. Neste caso a varivel pode ser decomposta, separando-se as suas partes
discreta e absolutamente contnua, e suas propriedades sero determinadas por
combinaes de somatrios e integrais. Mais precisamente, dizemos que X uma
varivel aleatria mista com componentes discreta e absolutamente contnua se
existem pX e fX tais que
Z
X
P (X B) =
fX (x) dx.
pX (x) +
xB
Distribuies singulares Alm desses casos, existem variveis aleatrias cuja

parte contnua no absolutamente contnua. Por um lado, nenhum ponto em
particular tem probabilidade positiva de ocorrer, o que afasta o tratamento por
somatrios do caso discreto. Por outro lado, sua distribuio no similar de
uma distribuio uniforme, e de fato a varivel aleatria vive em um conjunto
pequeno da reta, no sendo aplicvel tampouco o uso de integrais em f (x)dx para
nenhuma f . A tais variveis chamamos de singulares.
Toda varivel aleatria pode ser decomposta em suas partes discreta, absolutamente contnua, e singular. Neste texto no daremos nfase a esse tpico. O leitor
pode ler mais a respeito em [Jam04, pp. 44-48], e nas referncias ali citadas.
46
2.5
Distribuio Condicional dado um Evento
Dado um evento A com P (A) > 0, definimos a funo de distribuio condicional

de X dado A
FX (t|A) = FX|A (t) = P (X 6 t|A), t R.
Exemplo 2.5.1. Considere dois lanamentos de uma moeda honesta e seja X o
nmero de caras obtidas. Temos
0, t < 0,
1 , 0 6 t < 1,
FX (t) = 34
, 1 6 t < 2,
1, t > 2.
Seja A o evento pelo menos uma moeda deu cara. Temos
0, t < 1,
FX (t|A) = 23 , 1 6 t < 2,
1, t > 2.
Se X discreta, definimos ainda a funo de probabilidade condicional de X dado

A, pX ( |A) ou pX|A ( ), como a funo de probabilidade associada funo de
distribuio FX ( |A). No exemplo acima, temos
3 , x = 1,
pX (x|A) =
1
3 , x = 2,
0, caso contrrio.
Se X absolutamente contnua, definimos a funo de densidade condicional de X

dado A, fX ( |A) ou fX|A ( ), como a densidade associada funo de distribuio
FX ( |A).
2.6
Exerccios
Exerccio 2.6.1. Mostre que, se duas variveis aleatrias X e Y so iguais quase

certamente, isto , P (X = Y ) = 1, ento FX = FY .
2.6. EXERCCIOS
47
Exerccio 2.6.2. Encontre os valores das constantes reais e de modo que a

funo F abaixo seja funo de distribuio acumulada de alguma varivel aleatria
definida em algum espao de probabilidade:
(
0,
x 6 0,
F (x) =
x2 /2
+ e
, x > 0.
Exerccio 2.6.3. Seja X o nmero de caras obtidas em 4 lanamentos de uma
moeda honesta. Determine a funo de probabilidade de X. Desenhe o grfico da
funo de distribuio da varivel aleatria X.
Exerccio 2.6.4. Se
f (t) =
(
e3t + c et , t > 0,
0,
t 6 0,
funo de densidade, ache c.

Exerccio 2.6.5. Se f (t) = c 3t2 et 1[0,2] (t) funo de densidade, ache c.
Exerccio 2.6.6. Mostre que a funo de probabilidade do modelo de Poisson
de fato uma funo de probabilidade.
Exerccio 2.6.7. 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 2.6.8. Mostre que a densidade do modelo uniforme contnuo de fato
uma funo de densidade.
Exerccio 2.6.9. Mostre que a distribuio do modelo exponencial de fato uma
distribuio. Calcule a densidade associada.
Exerccio 2.6.10. Seja X uma varivel aleatria em (, F , P ) com distribuio
exponencial de parmetro > 0. Considere N = X, o menor inteiro maior ou
igual a X. Encontre a distribuio de N .
Exerccio 2.6.11. Uma pesquisa eleitoral determinou que a inteno de voto do
Candidato A de 46%, com margem de erro de 3%, para mais ou para menos.
48
Ou seja, a inteno de voto desse candidato tem distribuio normal com mdia
= 46% e desvio-padro = 3%. Calcule a probabilidade de o Candidato A ter
mais de 50% das intenes de voto.
Exerccio 2.6.12. Uma caixa contm 10 parafusos, cujos tamanhos so normais
independentes, com mdia 21, 4 mm e desvio-padro 0, 5 mm. Calcule a probabilidade de que nenhum dos parafusos tenha mais de 22 mm.
Exerccio 2.6.13. 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 2.6.14. Se X exp() e Y = 5X, ache a distribuio acumulada de Y .
Ache a funo de distribuio condicional e a densidade condicional de Y dado
que X > 3.
Exerccio 2.6.15. [Jam04, Captulo 2]. Recomendados: 1, 5, 6, 7, 9, 10, 13, 14.
Captulo 3
Vetores Aleatrios
Imagine que queremos produzir duas variveis aleatrias com distribuio
Bernoulli( 12 ). A forma mais natural seria lanar uma moeda duas vezes e considerar
o par X = (Z, W ). Uma outra forma de faz-lo seria, por exemplo, lanar a moeda
apenas uma vez e copiar o resultado: Y = (Z, Z).
Em ambos os casos, produziu-se um par de variveis aleatrias distribudas como
Bernoulli( 21 ). Entretanto, o comportamento conjunto dessas variveis aleatrias
bem diferente nos dois casos.
Neste captulo vamos estudar as principais propriedades dos vetores aleatrios,
isto , a combinao de muitas variveis aleatrias em que se considera seu
comportamento estatstico conjunto.
3.1
Vetores Aleatrios
Comeamos com um pouco de notao vetorial. x Rd representa uma d-upla de

nmeros reais, x = (x1 , x2 , . . . , xd ). Uma funo X em associa a cada uma
d-upla, i.e., um vetor X() = (X1 (), X2 (), . . . , Xd ()).
Denotamos por x 6 y o conjunto de desigualdades xi 6 yi , i = 1, . . . , d, isto
, x 6 y se, e somente se, vale a desigualdade para todas as coordenadas
simultaneamente. Analogamente denotamos por x < y o conjunto de desigualdades
xi < yi , i = 1, . . . , d. Dados a 6 b, denotamos por [a, b] o conjunto {x Rd : a 6
49
50
CAPTULO 3. VETORES ALEATRIOS
x 6 b}. Analogamente para (a, b], etc.
Definio 3.1.1 (Vetor aleatrio). Um vetor aleatrio X = (X1 , . . . , Xd )

uma funo X : Rd tal que cada coordenada Xi uma varivel aleatria.
Espao de probabilidade induzido e lei de um vetor aleatrio Como na

reta, a -lgebra de Borel no espao Euclidiano Rd , denotada por B d , a menor
-lgebra que contm todos os octantes {x Rd : x 6 t}, t Rd . Dado um
espao de probabilidade (, F , P ) e um vetor aleatrio X, definimos o espao de
probabilidade induzido por X como (Rd , B d , PX ), onde

PX (B) = P { : X() B} ,
B Bd.
Ou seja, o espao amostral o conjunto dos vetores d-dimensionais, os eventos aleatrios so os conjuntos Borelianos, e a medida de probabilidade aquela induzida
por X. Chamaremos de lei do vetor aleatrio X a medida de probabilidade PX
em Rd induzida por X.
Funo de Distribuio Conjunta
Definio 3.1.2 (Funo de Distribuio Conjunta). A funo de distribuio

conjunta de um vetor aleatrio X, denotada por FX , uma funo FX : Rd
R dada por

FX (t) = P X 6 t .
Exemplo 3.1.3. Lanamos duas moedas honestas e consideramos X1 = quantidade de caras, X2 = 1 se os resultados forem iguais, 0 se forem diferentes, e
3.1. VETORES ALEATRIOS
51
X = (X1 , X2 ). Temos ento
pois [X 6 t] = ;
0, t1 < 0 ou t2 < 0,
0, t1 , t2 [0, 1),
pois [X 6 t] = [X1 = 0, X2 = 0] = ;
1 , t > 1, t [0, 1), pois [X 6 t] = [X = 1, X = 0];

1
2
1
2
P (X 6 t) = 12
,
t
[0,
1),
t
>
1,
pois
[X
6
t]
=
[X
=
0,
X
1
2
1
2 = 0];
4
pois [X 6 t] = [X1 = 0 ou 1];
4 , t1 [1, 2), t2 > 1,
1, t > 2, t > 1,
pois [X 6 t] = .
1
2
Os valores de FX so ilustrados na Figura 3.1.
t2
3/4
1/4
0
1/2
1
t1
Figura 3.1: Valores assumidos por FX (t1 , t2 ) para cada (t1 , t2 ) R2 .

Considere o operador ia,b sobre funes de Rd em R, dado por

ia,b F (x) = F (x1 , . . . , xi1 , b, xi+1 , . . . , xd ) F (x1 , . . . , xi1 , a, xi+1 , . . . , xd ).
Note que a funo ia,b F no depende da i-sima coordenada de x.
Proposio 3.1.4. Para a 6 b Rd , 1a1 ,b1 dad ,bd FX = P (a < X 6 b).

Demonstrao. Para quaisquer x, a 6 b, temos
dad ,bd FX (x) = P (X1 6 x1 , . . . , Xd1 6 xd1 , Xd 6 bd )
P (X1 6 x1 , . . . , Xd1 6 xd1 , Xd 6 ad ) =
= P (X1 6 x1 , . . . , Xd1 6 xd1 , ad < Xd 6 bd ),
52
e sucessivamente obtemos
h

i
d
jaj ,bj dad ,bd FX (x) = jaj ,bj j+1
(x) =
aj+1 ,bj+1 ad ,bd FX
= P (X1 6 x1 , . . . , Xj1 6 xj1 , Xj 6 bj , aj+1 < Xj+1 6 bj+1 , . . . , ad < Xd 6 bd )
P (X1 6 x1 , . . . , Xj1 6 xj1 , Xj 6 aj , aj+1 < Xj+1 6 bj+1 , . . . , ad < Xd 6 bd ) =

= P (X1 6 x1 , . . . , Xj1 6 xj1 , aj < Xj 6 bj , . . . , ad < Xd 6 bd ).
Tomando j = 1 temos
1a1 ,b1 dad ,bd FX (x) = P (a1 < X1 6 b1 , . . . , ad < Xd 6 bd ).
Proposio 3.1.5 (Propriedades da Funo de Distribuio Conjunta). Se X

um vetor aleatrio em (, F , P ), ento sua funo de distribuio FX goza
das seguintes propriedades:
1. FX no-decrescente em cada uma de suas coordenadas.
2. FX contnua direita em cada uma de suas coordenadas.
3. Se (xk )k tal que, para algum j, xkj , ento FX (x) 0.
4. Se (xk )k tal que, para todo j, xkj +, ento FX (x) 1.
5. Para a 6 b Rd , 1a1 ,b1 dad ,bd FX > 0.
Contra-Exemplo 3.1.6. Considere a seguinte funo:

F (x, y) =
1, x > 0, y > 0, x + y > 1,

0, caso contrrio.
Ento 10,1 20,1 F = F (1, 1) F (1, 0) F (0, 1) + F (0, 0) = 1 1 1 + 0 = 1 < 0.

Portanto, F no pode ser funo de distribuio conjunta, ainda que satisfaa as
Propriedades 14.
3.2. TIPOS DE VETORES ALEATRIOS
53
Funo de distribuio marginal

A partir da funo de distribuio conjunta, pode-se obter o comportamento de
cada varivel isoladamente.
A funo de distribuio de uma das coordenadas do vetor X denominada
funo de distribuio marginal e obtida da seguinte forma:
FXj (xj ) = xlim
F (x1 , . . . , xd ),
X
i
i6=j
em que o limite aplicado em todas as coordenadas, exceto j.

Exemplo 3.1.7. No Exemplo 3.1.3, temos
0, t < 0,
1 , 0 6 t < 1,
0,
4
FX1 (t) = 3
FX2 (t) = 21 ,
, 1 6 t < 2,
1,
1, t > 2,
3.2
t < 0,
0 6 t < 1,
t > 1.
Tipos de Vetores Aleatrios
Os principais tipos de vetores aleatrios so o discreto, o absolutamente contnuo,

e o misto com componentes discreta e absolutamente contnua. Porm, h muitos
exemplos de vetores aleatrios que no so de nenhum desses tipos, e esses exemplos
no so to artificiais como as variveis aleatrias singulares.
Vetores Aleatrios Discretos
Definio 3.2.1. Dizemos que um vetor aleatrio X, sua funo de distribuio FX e sua lei PX so discretos se existem {x1 , x2 , x3 , . . . } tais que
54

P X {x1 , x2 , x3 , . . . } = 1. Neste caso, a funo de probabilidade de X
dada por

pX (x) = P X = x .
Um vetor aleatrio X discreto se e somente se suas coordenadas X1 , . . . , Xd so
discretas. Uma funo p() satisfazendo
X
p(x) = 1
e
p(x) > 0, x Rd
x
chamada funo de probabilidade conjunta.
Funo de probabilidade marginal A funo de probabilidade marginal

de uma varivel Xi obtida somando-se nas demais variveis:
XX
X
X
pXi (xi ) = P (Xi = xi ) =
p(x1 , . . . , xi1 , xi , xi+1 , . . . , xd ).

x1
xi1 xi+1
xd
Exerccio 3.2.2. No Exemplo 3.1.3, obtenha a funo de probabilidade de X, e

as funes de probabilidade marginais de X1 e X2 .
Vetores Aleatrios Absolutamente Contnuos
Definio 3.2.3. Dizemos que um vetor aleatrio X, sua funo de distribuio FX e sua lei PX so absolutamente contnuos se existe fX () > 0 tal
que
Z
P (X B) =
fX (x) dd x
B Bd.
3.2. TIPOS DE VETORES ALEATRIOS
55
Neste caso, dizemos que fX a funo de densidade conjunta de X, ou

simplesmente densidade de X.
Uma funo f () satisfazendo

f (x) > 0,
x Rd
f (x) dd x = 1
Rd
chamada funo de densidade conjunta.

A funo de distribuio conjunta FX pode ser calculada integrando-se a funo
de densidade conjunta fX em cada coordenada, e esta sempre pode ser calculada
derivando-se aquela tambm em cada coordenada, isto ,
FX (t) =
t1
fX (x) =
td
fX (x) dxd dx1 ,
d
FX (x1 , . . . , xd ).
x1 xd
Exemplo 3.2.4. Seja G Rd uma regio tal que Vol G > 0, onde Vol G o volume
d-dimensional de G. Dizemos que X = (X1 , X2 , . . . , Xd ) com funo de densidade
(
1
, (x1 , . . . , xd ) G
fX (x1 , . . . , xd ) = Vol G
0,
(x1 , . . . , xd )
/G
uniformemente distribudo em G.
Observao 3.2.5. Se um vetor aleatrio X absolutamente contnuo, ento

suas coordenadas X1 , . . . , Xd so absolutamente contnuas, mas no vale a
recproca! De fato, muito fcil construir um vetor aleatrio contnuo que no
absolutamente contnuo.
56
Exerccio 3.2.6. Seja X U [0, 1], Y = 1 X e X = (X, Y ). Encontre

2
FX (x, y) = 0
a funo de distribuio conjunta FX (x, y). Verifique que yx
2
para todo par (x, y) no plano R , exceto em algumas retas ou segmentos de
reta.1 As coordenadas de X so absolutamente contnuas, mas o vetor X no
absolutamente contnuo!
Densidade marginal A densidade de uma varivel Xi chamada densidade

marginal, e pode ser calculada por
Z +
Z +
fXi (xi ) =
f (x1 , . . . , xi , . . . , xd ) dx1 dxd .
| {z }
exceto xi
|
{z
}
d1 vezes
Exerccio 3.2.7. Sejam trs variveis aleatrias X, Y e Z com funo de densidade

conjunta dada por

kxy 2 z, se 0 < x 6 1, 0 < y 6 1 e 0 < z 6 2
f (x, y, z) =
0, caso contrrio
Encontre o valor de k e ache a funo de densidade marginal de X.
Vetores Aleatrios Mistos

Como no caso uni-dimensional, dizemos que um vetor aleatrio X do tipo misto
com componentes discreta e absolutamente contnua se existem pX e fX tais que
Z
X
P (X B) =
pX (x) +
fX (x) dd x
B Bd.
xB
1 Dizemos
que um Boreliano A Bd pequeno, isto , tem medida zero, se, para todo > 0,
existe uma sequncia
(aj , bj ) cuja unio contenha A e cujo tamanho total seja
Pde paraleleppedos
j
j
j
(b
a
)
(b
ajd ) 6 . Por exemplo, se A = {(x, y) : x > 0, y = 0}

pequeno, isto ,
1
d
j=1 1
uma semi-reta no plano, ento podemos tomar a sequncia (j 1, j) (2j1 , 2j1 ). Essa
sequncia contm a semi-reta A e seu tamanho total exatamente .
3.3. INDEPENDNCIA DE VARIVEIS ALEATRIAS
3.3
57
Independncia de Variveis Aleatrias
Definio 3.3.1 (Variveis Aleatrias Independentes). Dizemos que as variveis aleatrias X1 , X2 , . . . , Xd em (, F , P ) so coletivamente independentes,
ou simplesmente independentes, se
P (X1 B1 , . . . , Xd Bd ) = P (X1 B1 ) P (Xd Bd )
para quaisquer B1 , . . . , Bd B. Se I uma famlia qualquer de ndices, dizemos
que (Xi )iI so coletivamente independentes se Xi1 , . . . , Xin so independentes
para todo n N e i1 , . . . , in I.
Dada uma famlia de variveis aleatrias independentes, qualquer subfamlia

tambm formada por variveis aleatrias independentes.
Muitas vezes vamos considerar uma famlia de variveis aleatrias que, alm de
serem independentes, tm a mesma distribuio, o que chamamos de independentes
e identicamente distribudas, ou simplesmente i.i.d.
Proposio 3.3.2 (Critrio de Independncia). So equivalentes:

(i) X1 , X2 , . . . , Xd so independentes.
(ii) FX (t) = FX1 (t1 )FX2 (t2 ) FXd (td ) para todo t Rd .
(iii) FX (t) = F1 (t1 )F2 (t2 ) Fd (td ) para todo t Rd , com F1 , . . . , Fd funes
reais.
Ideia da prova. (i) (ii) (iii) so triviais.

marginal temos
F (x) = Fi (xi )
FXi (xi ) = x lim
X
j
j6=i
Y
j6=i
Suponha (iii).
Calculando a
lim Fj (xj ) = ci Fi (xi ),
xj
58
onde ci 6= 0 pois FXi no pode ser uma funo constante. Assim,

FX (x1 , . . . , xd ) =
1
FX1 (x1 ) FXd (xd ).
c1 cd
Fazendo xi i, temos que c1 cd = 1, portanto (iii) (ii).
Assumindo (ii), vamos mostrar (iii) supondo que os Bi so unies de intervalos

disjuntos. Observe que se Bi = (ai , bi ] para i = 1, . . . , d, temos
P (X1 B1 , . . . , Xd Bd ) = 1a1 ,b1 dad ,bd FX (x)
= 1a1 ,b1 dad ,bd [FX1 (x1 ) FXd (xd )]
= [1a1 ,b1 FX1 (x1 )] [dad ,bd FXd (xd )]
= P (X1 B1 ) P (Xd Bd ).
A mesma identidade se estende para Bi = [ai , bi ] tomando-se o limite a ai ,

analogamente para intervalos abertos ou semi-infinitos, e por linearidade vale para
unies de intervalos disjuntos. A extenso a todo Bi B envolve argumentos de
Teoria da Medida e ser omitida.
Proposio 3.3.3 (Critrio de Independncia. Caso Discreto). Seja X um

vetor aleatrio discreto. So equivalentes:
(ii) pX (t) = pX1 (t1 )pX2 (t2 ) pXd (td ) para todo t Rd .
(iii) pX (t) = p1 (t1 )p2 (t2 ) pd (td ) para todo t Rd , com p1 , . . . , pd funes
reais.
Demonstrao. (i) (ii) (iii) so triviais. Suponha (iii). Para xi tal que
pXi (xi ) > 0, calculando a marginal temos
XX
X
X
YX
pXi (xi ) =
pj (xj ) = ci pi (xi ),
pX (x) = pi (xi )
xi1 xi+1
xj
xd
onde ci 6= 0. Assim,
pX (x1 , . . . , xd ) =
j6=i xj
1
pX (x1 ) pXd (xd ).
c1 cd 1
3.3. INDEPENDNCIA DE VARIVEIS ALEATRIAS
59
Somando em x, temos que c1 cd = 1, portanto (iii) (ii).

Suponha (ii). Temos que
P (X1 B1 , . . . , Xd Bd ) =
=
"
x1 B1
x1 B1
pX1 (x1 )
"
e portanto (ii) (i).
xd Bd
xd Bd
pX (x) =
#
pXd (xd ) = P (X1 B1 ) P (Xd Bd ),

Proposio 3.3.4 (Critrio de Independncia. Caso Contnuo). Seja X um

vetor aleatrio absolutamente contnuo. So equivalentes:
(ii) fX (t) = fX1 (t1 )fX2 (t2 ) fXd (td ) para todo t Rd .
(iii) fX (t) = f1 (t1 )f2 (t2 ) fd (td ) para todo t Rd , com f1 , . . . , fd funes
reais.
Demonstrao. (i) (ii) (iii) so triviais. Suponha (iii). Para Bi B tal que
P (Xi Bi ) > 0,
Z
Z
Z
YZ
d
fi (xi )dxi
1Bi (xi )fX (x) d x =
PXi (Bi ) =
fj (xj ) dxj = ci
fi (xi )dxi ,
Rd
Bi
j6=i
Bi
onde ci 6= 0. Logo, fXi (xi ) = ci fi (xi ) para todo xi R. Assim,

fX (x1 , . . . , xd ) =
1
fX (x1 ) fXd (xd ).
c1 cd 1
Integrando em Rd , temos que c1 cd = 1, portanto (iii) (ii).

Suponha (ii). Temos que
fX (x) dd x =
P (X1 B1 , . . . , Xd Bd ) =
B1 Bd
Z
Z

=
fX1 (x1 ) dx1
fXd (xd ) dxd = P (X1 B1 ) P (Xd Bd ),
B1
e portanto (ii) (i).
Bd
60
Definio 3.3.5 (Variveis Aleatrias Independentes Duas a Duas). Se I

uma famlia qualquer de ndices, dizemos que (Xi )iI so duas a duas
independentes se Xi e Xj so independentes para quaisquer i 6= j I.
Segue das definies que uma famlia de variveis aleatrias coletivamente independentes tambm independente duas a duas. Entretanto no vale a recproca.
Contra-Exemplo 3.3.6. Sejam X e Y independentes assumindo os valores 1
ou +1 com probabilidade 12 cada, e tome Z = XY . Ento temos
(
1
, (x, y, z) = (1, 1, 1), (1, 1, 1), (1, 1, 1), (1, 1, 1),
pX,Y,Z (x, y, z) = 4
0, caso contrrio.
Ento X, Y e Z no so coletivamente independentes, pois
1
1
6= = pX (1)pY (1)pZ (1).
4
8
Entretanto, X, Y e Z so duas a duas independentes.
pX,Y,Z (1, 1, 1) =
3.4
Mtodo do Jacobiano
Suponha que o vetor aleatrio X absolutamente contnuo e assume valores em

um domnio G0 Rd , e que estamos interessados em estudar o vetor aleatrio Y
dado por uma transformao Y = g(X). Vamos considerar o caso em que
g : G0 G, G Rd , bijetiva e diferencivel, com inversa g 1 = h : G G0
tambm diferencivel. Escrevemos a transformada inversa como X = h(Y ) e
definimos os Jacobianos:
x1
x1

yd
y. 1 .
x
..
.
.
= det
Jh (y) = det
.
.
.
y
xd
d
x
y1
yd
e
Jg (x) = det
y
x
= det
y1
x1
..
.
yd
x1
..
.
y1
xd
..
.
yd
xd
3.4. MTODO DO JACOBIANO
61
O Jacobiano satisfaz a seguinte identidade:

Jh (y) =
1
.
Jg (x)
Proposio 3.4.1 (Mtodo do Jacobiano). Sejam G0 , G Rd , g : G0 G

uma bijeo e h = g 1 , e suponha que g e h sejam diferenciveis. Se X um
vetor aleatrio absolutamente contnuo assumindo valores em G0 , e Y = g(X),
ento a densidade fY pode ser obtida a partir da densidade fX pela relao

fY (y) = Jh (y) fX h(y) =

1
fX h(y) .
|Jg (x)|
Ideia da prova. Pelo clculo de vrias variveis, sabemos que se o jacobiano for
no-nulo para todo y G, ento
Z
Z
f (h(y)) |Jh (y)| dd y
f (x) dd x =
A
g(A)
para qualquer f integrvel em A, onde A G0 . Como P (Y g(A)) dada por

P (X A), e esta ltima dada pelo lado esquerdo da expresso acima com f = fX ,
temos que o integrando do lado direito necessariamente dado por fY (y).

Exemplo 3.4.2. Considere o vetor aleatrio X = (X1 , X2 ) com densidade
(
4x1 x2 , x1 , x2 [0, 1],
fX (x1 , x2 ) =
0,
caso contrrio,
e o vetor Y dado por Y1 = X1 /X2 , Y2 = X1 X2 . Temos y = h(x) = (x1 /x2 , x1 x2 )
e

y
1/x2 x1 /x22
=
x2
x1
x
e Jg (x) = 2x1 /x2 . Obtendo x em funo de y:
y1 = x1 /x2
y1 y2 = x21
y2 = x1 x2
y2 /y1 = x22
y1 y2
p
y2 = x2 = y2 /y1 ,
y1 = x1 =
62
e os valores possveis de y so
n
G = (y1 , y2 ) : 0 < y2 < y1 , 0 < y2 <
Agora,
e
Portanto,
1
y1
q
2 y1 y2
Jg (h(y)) = p
= 2y1
y2 /y1
q
p
fX (h(y)) = 4 y1 y2 y2 /y1 = 4y2 .

1
fY (y) =
fX h(y) =
|Jg (x)|
2y2 /y1 , 0 < y2 < 1, y2 < y1 < 1/y2 ,

0,
caso contrrio.
Exerccio 3.4.3. 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
fZ (z) =
e
fW (w) =
zez , z > 0
0, z 6 0
1
(w+1)2 ,
w>0
.
0, w 6 0
Exemplo 3.4.4. Se X e Y so independentes e distribudas como N (0, 1), ento

X + Y e X Y so independentes e ambas distribudas como N (0, 2).
Ponha Z = (X, Y ) e W = (X + Y, X Y ). Temos que W = g(Z), onde g(x, y) =

(x + y, x y). Logo,

w
1
1
,
=
1 1
z
assim Jg (z) = 2. Obtendo z como funo de w:
w1 = x + y
w2 = x y
w1 + w2
2
w1 w2
.
y=
2
x=
3.5. EXERCCIOS
Ainda,
63
y2
x2
1
1
fZ (z) = fX,Y (x, y) = fX (x)fY (y) = e 2 e 2 ,
2
2
logo
1 (
fZ (h(w)) =
e
2
w1 +w2
2
2
2
( w1 w
)
2
w2 +w2 +2w1 w2 +w2 +w2 2w1 w2

1
2
1
2
8
1 w12 w22
e 4 e 4
2
e, substituindo,
fW (w) =
1 w12 w22
1
fZ (h(w)) =
e 4 e 4 = fN (0,2) (w1 )fN (0,2) (w2 ).
|Jg (h(w))|
4
Portanto, W1 e W2 so independentes e distribudas como N (0, 2).

Exerccio 3.4.5. Se X e Y so independentes e distribudas como N (0, 1), ento
4X + 3Y e 3X 4Y so independentes e ambas distribudas como N (0, 25).
3.5
Exerccios
Exerccio 3.5.1. Considere um vetor aleatrio (X, Y ) absolutamente contnuo

com distribuio uniforme em

A = (x, y) R2 : 0 < y < x e x + y < 1 .
Encontre FX,Y .
Exerccio 3.5.2. Considere um vetor aleatrio (Z, W ) absolutamente contnuo

com densidade
(
c, 0 < z < 1, 0 < w < z,
fZ,W (z, w) =
0, caso contrrio.
Encontre FZ,W .
Exerccio 3.5.3. Sejam Y e U duas variveis aleatrias em um mesmo espao
de probabilidade, independentes e com leis Y N (0, 1) e P (U = 1) = P (U =
+1) = 12 . Ache a lei de Z = U Y .
Dica: estudar diretamente a funo de distribuio acumulada.
Exerccio 3.5.4.
64
(a) A densidade conjunta de X e Y dada por

f (x, y) =
c ey
x3 ,
x > 1, y > 0
0,
caso contrrio.
Encontre c. Diga se X e Y so independentes e por qu.

(b) Suponha que (X, Y ) um vetor aleatrio absolutamente contnuo com funo
de distribuio conjunta dada por
(
1 ex + exy xex ey + xexy , x, y > 0
FXY (x, y) =
0,
caso contrrio.
Encontre a densidade conjunta fXY e diga se X e Y so independentes.
(c) Com X e Y dadas no item anterior, encontre a distribuio marginal FY .
Exerccio 3.5.5. Sejam X e Y variveis aleatrias discretas e independentes.
Mostre que
X
pX+Y (t) =
pX (s) pY (t s).
s
Sugesto: particione segundo o valor de X.
Exerccio 3.5.6. Mostre por induo finita que, se X1 , X2 , . . . , Xn so variveis

aleatrias independentes com Xi b(mi , p), i = 1, 2, . . . , n, ento
!
n
n
X
X
mi , p .
Xi b
i=1
Dica:
a+b
n
Pn
a
k=0 k
b
nk
i=1

.
Exerccio 3.5.7. Se X e Y so independentes e distribudas respectivamente como

Poisson(1 ) e Poisson(2 ), mostre que
Dica: (a + b)k =
Pk
j=0
X + Y Poisson(1 + 2 ).
k
j
j kj
a b .
Exerccio 3.5.8. Sejam X e Y variveis aleatrias definidas no mesmo espao

de probabilidade, independentes, discretas e com distribuies Poisson(1 ) e
3.5. EXERCCIOS
65
Poisson(2 ), respectivamente. Mostre que, dada a ocorrncia do evento [X + Y =

n], a probabilidade condicional de X = k
k
nk

2
n
1
.
P (X = k|X + Y = n) =
1 + 2
1 + 2
k
Como voc interpreta essa identidade?
Exerccio 3.5.9. O nmero X de uvas-passas encontradas em um panetone tem
distribuio Poisson(). O panetone, estando com a data de validade vencida
h alguns meses, pode ter uvas-passas estragadas. Cada uva-passa pode estar
estragada independente das demais, com probabilidade p. Encontre a distribuio
do nmero de uvas-passas estragadas e calcule a probabilidade de no haver
nenhuma estragada.
Exerccio 3.5.10. Sejam X e Y variveis aleatrias independentes, ambas com
distribuio exp(1). Use o mtodo do Jacobiano para determinar a distribuio
X
X
. Diga se X + Y e X+Y
so independentes. Encontre a
conjunta de X + Y e X+Y
X
distribuio de X+Y .
Exerccio 3.5.11. Sejam X e Y i.i.d. absolutamente contnuas com densidade f .
Mostre que
Z
fX+Y (t) =
f (t s)f (s) ds
t R.
R
Sugesto: faa Z = X + Y e W = Y , e calcule a densidade conjunta de Z e W .

Recomendados: 2, 17, 18, 21, 30, 33, 34, 41, 46.
66
Captulo 4
Esperana Matemtica
A esperana EX de uma varivel aleatria X a mdia dos valores assumidos
por X, ponderada pela probabilidade de X assumir esses valores. Podemos pensar
em EX como sendo o centro de massa de X. A esperana de X , em vrios
sentidos, a melhor aproximao determinstica para a varivel aleatria X. Uma
das justificativas mais importantes, que veremos mais adiante, a lei dos grandes
nmeros: se X1 , . . . , Xn so independentes e tm a mesma distribuio de X, ento
Pn
a mdia amostral n1 i=1 Xi se aproxima de EX quando fazemos n grande.
4.1
Variveis Aleatrias Simples
Uma varivel aleatria X dita simples se assume apenas finitos valores.
Definio 4.1.1. Dada uma varivel aleatria simples X, definimos a esperana de X, ou mdia de X, ou ainda o valor esperado de X, denotada por
EX, por
X
EX =
x P (X = x).
x
A esperana de X pode ser pensada como o centro de massa da varivel

67
68
CAPTULO 4. ESPERANA MATEMTICA
aleatria X, como ilustrado na Figura 4.1.

Exemplo 4.1.2. Lanar um dado e observar sua face superior. Temos
EX = 1.P (X = 1) + + 6.P (X = 6) =
6
21
7
1 2
+ + + =
= .
6 6
6
6
2
Exemplo 4.1.3. Lanar uma moeda 4 vezes e contar quantas vezes saem cara.
Temos
4
6
4
1
32
1
=
= 2.
EX = 0 + 1 + 2 + 3 + 4
16
16
16
16
16
16
Exemplo 4.1.4. Seja X dada por X = 1A para algum A F. Nesse caso temos
EX = 0.P (Ac ) + 1.P (A) = P (A). Ou seja, se X Bernoulli(p) ento EX = p.
pX (x)
x
EX
Figura 4.1: A esperana de X como o centro de massa de pX .

Sejam a1 , . . . , ak os valores assumidos por X. Observe que os eventos aleatrios
Ai = [X = ai ] F formam uma partio de , logo cada pertence a um, e
P
somente um, dos A1 , . . . , Ak , ou seja, i 1Ai () = 1 . Portanto, a menos
de permutao dos ndices, existe uma nica forma de escrever
X
ai 1 Ai
X=
i
com ai 6= aj i 6= j e A1 , . . . , Ak formando uma partio de . Ademais,

EX =
ai P (Ai ).
Outra interpretao de EX vem dos jogos em cassinos. Sejam X o resultado que

se ganha em um dado jogo, e a1 , . . . , ak os possveis valores. Suponhamos tambm
que jogaremos esse jogo n vezes, e denotamos o resultado de cada jogada por
X1 , . . . , Xn , independentes e com a mesma distribuio de X. A noo intuitiva
de probabilidade como frequncia relativa diz que a proporo dentre essas n
repeties em que o resultado ai se aproxima de P (X = ai ) para n grande,
4.1. VARIVEIS ALEATRIAS SIMPLES
69
P
ou seja, n1 nj=1 1[Xj =ai ] P (X = ai ). Dessa forma, para o ganho total dividido
Pn
pelo nmero de jogadas, n1 j=1 Xj , temos
n
X
1 XX
1X
ai
Xj =
ai 1[Xj =ai ] =
n j=1
n j=1 i=1
i=1
1X
1[Xj =ai ]
n j=1
k
X
i=1
ai P (X = ai ) = EX.
Proposio 4.1.5. Sejam X e Y variveis aleatrias simples.

(i) Se X > 0 ento EX > 0.
(ii) Se X = c ento EX = c.
(iii) E[aX + bY ] = aEX + bEY .
(iv) Se X > Y ento EX > EY .
Demonstrao. Os itens (i) e (ii) so triviais, e (iv) segue de (iii) e (i) se tomamos
Z = X Y . Resta provar (iii).
Primeiro vamos verificar que se X = a1 1A1 + + an 1An , onde A1 , . . . , An formam

P
uma partio, ento EX = i ai P (Ai ), mesmo que alguns ai coincidam. Com
P
efeito, primeiro escrevemos X = j cj 1Cj onde os cj so distintos e C1 , . . . , Ck
formam uma partio. Observe que para todo j = 1, . . . , k, Cj = [Xj = cj ] =
{Ai : ai = cj }. Usando a definio de esperana e agrupando corretamente os
termos dos somatrios, temos
EX =
k
X
cj P (Cj ) =
k
X
cj
j=1
j=1
P (Ai ) =
k
X
X
ai P (Ai ) =
j=1 i:ai =aj
i:ai =cj
n
X
ai P (Ai ).
i=1
P
Agora sejam X e Y variveis aleatrias simples dadas por X = i ai 1Ai e Y =
P
j bj 1Bj , onde A1 , . . . , Ak particionam e B1 , . . . , Bn tambm. Temos
aX + bY = a
X
i
ai 1 Ai
X
j
1Bj + b
X
j
bi 1Bj
X
i
1 Ai =
X
i,j
(aai + bbj )1Ai Bj .
70
Mas {Ai Bj : i = 1, . . . , n; j = 1, . . . , m} forma uma partio de , e portanto

E[aX + bY ] =
X
i,j
(aai + bbj )P (Ai Bj )
X
i,j
aai
X
i
=a
X
j
i,j
P (Ai Bj ) +
aai P (Ai ) +
X
i
aai P (Ai Bj ) +
bbj P (Ai Bj )
X
bbj
X
i
bbj P (Bj )
P (Ai Bj )
ai P (Ai ) + b
bj P (Bj ) = aEX + bEY.
Exemplo 4.1.6. No Exemplo 4.1.3, temos X = X1 + X2 + X3 + X4 , onde Xi

representa o lanamento da i-sima moeda. Logo EX = EX1 + EX2 + EX3 +
EX4 = 4. 21 = 2.
Exemplo 4.1.7. Lanar um dado duas vezes e somar os valores observados. Temos
EX = 2
1
2
3
4
5
6
5
4
3
2
1
252
+3 +4 +5 +6 +7 +8 +9 +10 +11 +12 =
= 7.
36
36
36
36
36
36
36
36
36
36
36
36
Alternativamente, observamos que X = Y + Z, onde Y e Z representam o primeiro

e segundo lanamento do dado. Logo
EX = EY + EZ =
7 7
+ = 7.
2 2
Exemplo 4.1.8. Retirar 3 cartas de um baralho francs e contar quantas so reis.

EX = 0
48.47.46
3.48.47.4
3.48.4.3
4.3.2
30600
3
+1
+2
+3
=
=
.
52.51.50
52.51.50
52.51.50
52.51.50
132600
13
Alternativamente, observamos que X = X1 + X2 + X3 , onde Xi o indicador de

que a i-sima carta retirada rei, e que, apesar da influncia que cada Xi possa
1
. Logo
ter sobre as demais, cada uma individualmente satisfaz EXi = 13
EX = EX1 + EX2 + EX3 = 3
1
.
13
4.1. VARIVEIS ALEATRIAS SIMPLES
71
Exemplo 4.1.9. Em geral, se X b(n, p), ento

n
n
X
X
n!
n k
pk (1 p)nk
EX =
k
p (1 p)nk =
k
k!(n k)!
k
k=0
= np
= np
k=1
n
X
k=1
n1
X
j=0
(n 1)!
pk1 (1 p)nk
(k 1)!(n k)!
(n 1)!
pj (1 p)n1j = np[p + (1 p)]n1 = np.
j!(n 1 j)!
Alternativamente, X tem a mesma distribuio de X1 + + Xn , com Xi i.i.d.

Bernoulli(p), e portanto
EX = EX1 + + EXn = (p + + p) = np.
Proposio 4.1.10. Se X e Y so simples e independentes, ento
E[XY ] = EX EY.
Demonstrao. Fazendo Ai = [X = ai ] e Bj = [Y = bj ], temos

"
!
!#
"
#
X
X
X
E[XY ] = E
ai 1 Ai
=E
bj 1Bj
ai bj 1Ai 1Bj
i
=E
"
X
i,j
X
i,j
ai bj 1Ai Bj =
ai bj P (Ai )P (Bj ) =
i,j
X
i,j
"
ai bj E[1Ai Bj ] =
X
i
X
i,j
ai bj P (Ai Bj )
#"
#
X
ai P (Ai )
bj P (Bj ) = EX EY.
j
Exemplo 4.1.11. Lanar um dado duas vezes e multiplicar os valores observados.

1
1.1 + 2.2 + 3.2 + 4.3 + 5.2 + 6.4 + 8.2 + 9.1 + 10.2 + 12.4+
36
441
49
+ 15.2 + 16.1 + 18.2 + 20.2 + 24.2 + 25.1 + 30.2 + 36.1 =
=
.
36
4
Alternativamente, observamos que X = Y Z, onde Y e Z representam o primeiro e
segundo lanamento do dado. Logo EX = EY EZ = 27 72 = 49
4 .
EX =
72
4.2
Esperana Matemtica
Nesta seo definimos a esperana de uma varivel aleatria qualquer. Comeamos

pelas variveis aleatrias no-negativas, que por sua vez so aproximadas por
variveis aleatrias simples.
Aproximao por Variveis Aleatrias Simples

Primeiro observamos que qualquer varivel aleatria no-negativa X pode ser
aproximada por variveis aleatrias simples. De fato, considere gk : R+ R+
dada por

gk (x) = 2k max j {0, 1, . . . , 2k k} 2k j 6 x ,
ilustrada na Figura 4.2.
g2 (y)
g3 (x)
x
g2 (x)
g1 (x)
Figura 4.2: Grfico de g2 (y) e aproximao de gk (x) x para um x fixado.

Observe que gk assume no mximo 2k k + 1 valores. Alm disso,
gk (x) > gk1 (x)
e
x 2k < gk (x) 6 x
para todo k > x.
Portanto, para todo x > 0,
gk (x) x quando k .
4.2. ESPERANA MATEMTICA
73
Tomando Xk = gk (X), temos que Xk uma varivel aleatria simples e Xk X

para todo . Veja a Figura 4.3.
X()
g2 (X())
g1 (X())
Figura 4.3: Aproximao de X por g1 (X) e g2 (X).
Definio da Esperana
A esperana de uma varivel aleatria no-negativa definida aproximando-se por
variveis aleatrias simples.
Definio 4.2.1. Seja X uma varivel aleatria tal que X > 0. Definimos a
esperana de X por
EX = sup {EZ : Z varivel aleatria simples com 0 6 Z 6 X}.
Para definir a esperana no caso geral, observe que uma varivel aleatria sempre
pode ser decomposta em suas partes positiva e negativa. De fato, temos
X = X + X ,
onde
X
X, X > 0,
0,
X 6 0,
X, X 6 0,
0,
X > 0,
satisfazem X + > 0 e X > 0. Observe tambm que |X| = X + + X .
74
Definio 4.2.2 (Esperana de uma Varivel Aleatria). Seja X uma varivel

aleatria. Definimos a esperana de X por
EX = EX + EX
sempre que EX + ou EX for finita.
Definio 4.2.3. Dizemos que X integrvel se ambas EX + e EX so finitas.
A definio de esperana parecida com a definio de integral. A rea sob a curva
do grfico de uma funo g : R R+ constante por partes dada pela soma de
reas de retngulos, e cada uma dessas reas dada pelo comprimento da base
do respectivo retngulo multiplicado por sua altura. Por outro lado, a esperana
de uma varivel aleatria simples X : R+ dada pela soma da contribuio
de cada um dos seus valores, e a contribuio de cada valor dada pelo prprio
valor multiplicado por sua respectiva probabilidade. Para uma funo g : R R+
R
qualquer, a integral x g(x)dx equivale noo de rea sob a curva do seu grfico,
e definida a partir de aproximaes em que o domnio dividido em pequenas
partes. Para a esperana de uma varivel aleatria X : R+ qualquer, a ideia
tambm de usar aproximaes, mas como no h uma forma razovel de dividir o
domnio em pequenas partes, o que se faz dividir o contra-domnio, como ilustrado
na Figura 4.4.
g(x)
X()
Figura 4.4: Comparao entre a integral de Riemann na reta e a esperana

matemtica em um espao de probabilidade.
Variveis Discretas e Contnuas

A definio acima no muito til quando queremos efetivamente calcular a
esperana de uma varivel aleatria X dada. A seguir veremos como obter EX no
75
caso de X ser discreta, contnua, ou mista, bem como a esperana de funes de

variveis ou vetores aleatrios desses tipos.
Teorema 4.2.4 (Variveis Aleatrias Discretas). Seja X uma varivel aleatria discreta. Se EX est definida, ento
X
EX =
x pX (x).
x
Demonstrao. Segue direto do Teorema 4.2.12 com h(x) = x.
Exemplo 4.2.5 (Poisson). Se X Poisson(), ento

EX =
X
X
X
X
n e
n e
n1
n
n
=
= e
= e
= e e = .
n!
(n
1)!
(n
1)!
n!
n=0
n=1
n=1
n=0
Portanto, o valor esperado de uma varivel aleatria que segue o modelo de Poisson
com parmetro o prprio .
Proposio 4.2.6. Se X assume valores em {0, 1, 2, 3, . . . }, ento
EX =
P (X > n).
n=1
Demonstrao. Introduzimos um indicador de n 6 k para inverter as somas:

EX =
k=1
k P (X = k) =
=
=
=
X
k
X
k=1 n=1
X
k=1 n=1
X
n=1 k=1
X
n=1 k=n
P (X = k)
1n6k P (X = k)
1n6k P (X = k)
P (X = k) =
n=1
P (X > n).
76
Exemplo 4.2.7 (Geomtrica). Se X Geom(p) ento

EX =
P (X > n) =
n=1
(1 p)n1 =
n=1
X
j=0
(1 p)j =
1
1
= .
1 (1 p)
p
Exerccio 4.2.8. Sejam X1 , X2 , X3 , . . . uma sequncia de variveis independentes

com distribuio U [0, 1] e tome a varivel aleatria N como sendo o menor n tal
que X1 + X2 + + Xn > 1. Mostre que EN = e.
Exerccio 4.2.9. Seja X uma varivel aleatria. Mostre que X integrvel se, e
somente se
X

P |X| > n < .
n=0
Teorema 4.2.10 (Variveis Aleatrias Absolutamente Contnuas). Seja X

uma varivel aleatria absolutamente contnua. Se EX est definida, ento
Z
x fX (x) dx.
EX =
R
Demonstrao. Segue direto do Teorema 4.2.12 com h(x) = x.
Exemplo 4.2.11 (Exponencial). Se X exp(), vale

Z +
Z +
Z

EX =
x fX (x) dx =
xex dx = xex 0
[ex ] dx =
1
.
Portanto, o valor esperado de uma varivel aleatria que segue o modelo exponencial com parmetro 1 .
Mudana de Varivel
Suponha que queremos calcular a esperana da varivel aleatria Y dada por
Y = h(X),
onde h uma funo real contnua, ou uma funo contnua por partes. Temos
pelo menos duas alternativas. Uma calcular FY (t) para todo t, a partir
77
da distribuio acumulada FX de X, e depois calcular a esperana usando os

Teoremas 4.2.4 e 4.2.10. Entretanto, existe outra maneira, que pode ser mais
conveniente:
Teorema 4.2.12 (Mudana de Varivel). Seja X um vetor aleatrio misto

com componentes discreta e absolutamente contnua. Seja h : Rd R uma
funo contnua por partes, e considere a varivel aleatria Y = h(X). Se EY
est definida, ento
Z
X
EY =
h(x) pX (x) +
h(x) fX (x) dd x.
Rd
Em particular,
EY =
(P
R
Rd
h(x) pX (x),
h(x) fX (x) d x,
d
X discreto,
X contnuo.
Exemplo 4.2.13. Seja X exp(). Vamos calcular EX 2 . Temos

Z
Z
Z
2
2
2
EX 2 =
x2 ex dx =
xex dx = 2
ex dx = 2 ,
0
0
0
integrando por partes duas vezes.
Lema 4.2.14. Sejam X e Y variveis aleatrias no-negativas definidas em
(, F , P ), e tome Xk = gk (X), Yk = gk (Y ). Ento, quando k ,
EXk EX,
E[Xk + Yk ] E[X + Y ]
E[Xk Yk ] E[XY ].
Demonstrao. Seja Z uma varivel aleatria simples com 0 6 Z 6 X + Y . Tome

= [X M ] e Y = [Y M ]. Note que Z 6 X
+ Y . Ento
M = max Z(), X
+ Y 2k+1 > Z 2k+1 . Da segue que
para k > M temos Xk + Yk > X
E[Xk + Yk ] > E[Z] 2k+1 , logo lim inf k E[Xk + Yk ] > EZ. Tomando o supremo
em Z, temos que lim inf k E[Xk +Yk ] > E[X +Y ] e portanto E[Xk +Yk ] E[X +Y ].
O primeiro limite segue como corolrio tomando-se Y = 0. A demonstrao do
ltimo limite um pouco mais complicada e ser omitida.
78
Demonstrao do Teorema 4.2.12. Se g : Rd R+ assume finitos valores, ento

X

R

X
P
d
E[g(X)] =
y P g(X) = y =
y
x:g(x)=y pX (x) + x:g(x)=y fX (x) d x
y
X
x
g(x) pX (x) +
g(x) fX (x) dd x.
Rd
Fazendo a decomposio h = h+ h , podemos supor que h uma funo nonegativa. Tome Yk = gk (Y ) = gk (h(X)). Temos que
Z
X
EYk =
gk (h(x)) pX (x) +
gk (h(x)) fX (x) dd x.
Rd
Portanto,
EYk 6
X
x
Por outro lado,
h(x) pX (x) +
h(x) fX (x) dd x.
Rd
EYk = E[Yk 1h(X)6k ] + E[Yk 1h(X)>k ]

Z
X
gk (h(x)) fX (x) dd x + E[Yk 1h(X)>k ]
=
gk (h(x)) pX (x) +
xAk
>
xAk
h(x) pX (x) +
Ak
Ak
h(x) fX (x) dd x 2k ,
onde Ak = {x Rd : h(x) 6 k} Rd . Fazendo k , temos que

Z
X
lim inf EYk >
h(x) pX (x) +
h(x) fX (x) dd x.
k
Rd
Portanto, pelo Lema 4.2.14 temos

EY = lim EYk =
k
X
x
h(x) pX (x) +
h(x) fX (x) dd x.
Rd
Propriedades da Esperana Matemtica

Todas as propriedades da Esperana decorrem de trs propriedades fundamentais.
79
Teorema 4.2.15. Sejam X e Y variveis aleatrias em (, F , P ). Ento

valem as seguintes propriedades:
(E1) Unitariedade. Se X = 1, ento EX = 1.
(E2) Monotonicidade. Se X 6 Y , ento EX 6 EY .
(E3) Linearidade. E[aX + bY ] = aEX + bEY para a, b R.
Em (E2) basta que EY < + ou EX > para que ambas as esperanas
estejam definidas e valha a desigualdade. A igualdade em (E3) vale se EX
e EY esto definidas e aEX + bEY est definido, isto , no resulta em
+ .
Demonstrao. A unitariedade segue da Definio 4.1.1. Para a monotonicidade,

suponha que 0 6 X 6 Y . Dada Z 6 X simples, temos Z 6 Y , e pela definio de
EY , temos EZ 6 EY . Tomando o supremo em Z, pela definio de EX, temos
EX 6 EY . Para o caso geral, observe que X 6 Y implica X + 6 Y + e X > Y .
Para a linearidade, primeiro observamos que da definio de esperana segue que
E[aX] = aEX. Resta ento mostrar que E[X + Y ] = EX + EY . Suponha
inicialmente que X e Y sejam no-negativas. Usando a Proposio 4.1.5 e o
Lema 4.2.14, temos que E[X + Y ] = limk E[Xk + Yk ] = limk [EXk + EYk ] =
EX + EY . Finalmente, sejam X e Y duas variveis aleatrias quaisquer. Temos
que
(X + Y )+ (X + Y ) = X + Y = X + X + Y + Y ,
logo
(X + Y )+ + X + Y = (X + Y ) + X + + Y + .
Como todas as variveis aleatrias acima so no-negativas, pelo caso anterior
temos
E[(X + Y )+ ] + EX + EY = E[(X + Y ) ] + EX + + EY + .
Supondo que EX +EY est definido, necessariamente temos que EX +EY <
ou EX + + EY + < . Consideramos sem perda de generalidade o primeiro caso.
Como (X + Y ) 6 X + Y , temos E[(X + Y ) ] 6 EX + EY < , e portanto
80
podemos subtrair, obtendo

E[(X + Y )+ ] E[(X + Y ) ] = (EX + EX ) + (EY + EY ).
Proposio 4.2.16 (Propriedades da Esperana).

1. Se X = c ento EX = c.
2. E(aX + b) = aE(X) + b.
3. Se X integrvel ento E[X E(X)] = 0.
4. Se a 6 X 6 b, ento a 6 E(X) 6 b.
5. |EX| 6 E|X|.
6. Se 0 6 |X| 6 Y e Y integrvel, ento X integrvel.
7. Se EX est definida e A F, ento E[X1A ] est definida.

8. Se EX finita, ento E[X1A ] finita.
9. Se X > 0 e EX = 0 ento P (X = 0) = 1.
Demonstrao. Todas so consequncias diretas das trs propriedades anteriores.

Vamos mostrar apenas a ltima. Para k N, temos 0 = EX > E(X1[X> k1 ] ) >
E( k1 1[X> k1 ] ) = k1 P (X > k1 ). Logo, P (X > k1 ) = 0 para todo k, portanto P (X >

0) = limk P (X > k1 ) = 0.
Proposio 4.2.17 (Esperana de Variveis Aleatrias Independentes). Se

X e Y so independentes e integrveis, ento XY integrvel e E[XY ] =
EX EY .
Demonstrao. Se X e Y so variveis aleatrias no-negativas, ento, usando a

Proposio 4.1.10 e o Lema 4.2.14,
E[XY ] = lim E[Xk Yk ] = lim[EXk EYk ] = EX EY.
k
4.3. MOMENTOS, VARINCIA E COVARINCIA
81
No caso geral temos

E[XY ] = E[X + Y + X + Y X Y + + X Y ]
= EX + EY + EX + EY EX EY + + EX EY = EX EY.
Notao Existem outras formas de se definir a esperana, todas elas equivalentes.

Isso tambm se reflete em distintas notaes, que o leitor poder encontrar em
diferentes bibliografias:
Z
Z
Z
x dFX (x).
x dPX ,
EX =
X dP,
EX =
EX =
A definio que usamos mais parecida primeira.
4.3
Momentos, Varincia e Covarincia
Definio 4.3.1. Dado k = 1, 2, 3, . . . , definimos o momento de ordem k, ou

o k-simo momento da varivel aleatria X como EX k . Se X integrvel,
definimos o k-simo momento central por E(X EX)k . O momento absoluto
de ordem k definido como E|X|k .
Exemplo 4.3.2. Se X U [0, 1], temos

EX =
x dx =
1
,
2
EX 2 =
x2 dx =
0
1
,
3
EX k =
e o segundo momento central dado por

E

1 2
2
1
0

1 2
2
dx =
O segundo momento central recebe o nome de varincia.
1
.
12
xk dx =
1
,
k+1
82
Definio 4.3.3 (Varincia). Seja X uma varivel aleatria integrvel.

Define-se a varincia da varivel aleatria X, denotada por V X ou 2 (X),
como
V X = E[(X EX)2 ].
Exemplo 4.3.4. Pelo exemplo anterior, se X U [0, 1], ento EX =
1
2
eVX =
1
12 .
Proposio 4.3.5 (Propriedades da Varincia). Seja X uma varivel aleatria

integrvel. Ento:
1. V X > 0.
2. V X = EX 2 (EX)2 .
3. V X = 0 se e somente se P (X = c) = 1 para algum c R, neste caso
X = EX.
4. V X 6 EX 2 .
5. V (X b) = V X.
6. V (aX) = a2 V X.
Exemplo 4.3.6. Se X Bernoulli( 21 ), temos

EX =
1
,
2
EX 2 =
1
,
2
V X = EX 2 (EX)2 =
1
.
4
Definio 4.3.7 (Desvio-Padro). O desvio-padro (X) dado pela raiz

quadrada da varincia
(X) = V X,
e mede a disperso de X em torno de sua mdia. O desvio-padro tem a mesma
unidade de medida de X.
83
Exemplo 4.3.8. Se X Bernoulli( 12 ), temos

(X) =
p
1
V X = 1/4 = .
2
Ou seja, uma varivel Bernoulli( 21 ) varia em mdia =

valor esperado = 12 .
1
2
unidade em torno de seu
As propriedades do desvio-padro so anlogas:

1. (X) > 0.
2. (X) = 0 se e somente se P (X = c) = 1 para algum c R.
3. (X) 6 EX 2 .
4. (X b) = (X) para todo b R.
5. (aX) = |a| (X) para todo a R.

Definio 4.3.9 (Covarincia). Dadas duas variveis aleatrias X e Y com
segundo momento finito, uma forma de medir a dependncia linear da disperso
dessas variveis atravs da sua covarincia Cov(X, Y ), dada por
Cov(X, Y ) = E [(X EX)(Y EY )] .
Proposio 4.3.10 (Propriedades da Covarincia). Dadas X e Y com segundo
momento finito:
1. Cov(X, Y ) = E[XY ] EX EY .
2. Cov(X, Y ) = 0 se e somente se E[XY ] = EX EY .
3. Cov(cX, Y ) = c Cov(X, Y ).
4. Cov(X, Y ) = Cov(Y, X).
5. Cov(X, X) = V X.
6. Cov(X, c) = 0 para todo c R.
7. Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z).

P P
P
P
8. Cov( i ai Xi , j bj Yj ) = i j ai bj Cov(Xi , Yj ).
84
Exemplo 4.3.11. Se fXY (x, y) = 1[0,1] (x)1[0,1] (y), Z = X Y , W = X Y ,

ento:
Z 1Z 1
1
E[ZW ] = E[XY ] =
xy dxdy =
4
0
0

Z 1
Z 1
Z 1 Z x
2
1
1 1
ydy +
xdy dx =
( x2 + x x2 )dx = =
EZ =
2
6
3
0
x
0
0

Z 1
Z 1
Z 1 Z x
2
2
1 1 1
xdy +
ydy dx =
(x2 + 21 x2 )dx = + =
EW =
3 2 6
3
0
x
0
0
1 2
1
Cov(Z, W ) = E[ZW ] EZ EW = =
.
4 9
36
Observao 4.3.12. Se as variveis aleatrias X e Y so independentes e integrveis ento X e Y so no-correlacionadas, i.e., Cov(X, Y ) = 0. Entretanto, nem
sempre vale a recproca, isto , E[XY ] = EXEY no implica X e Y independentes.
Contra-Exemplo 4.3.13. 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) = 15 . Ento EXY = EX EY , mas X e Y no so independentes,
pois P (X = 0, Y = 0) 6= P (X = 0)P (Y = 0).
Definio 4.3.14 (Coeficiente de Correlao). Dadas X e Y com varincias
finitas e positivas, o coeficiente de correlao (X, Y ) de X e Y uma medida
padronizada da dependncia linear entre X e Y :

Y
X
.
,
(X, Y ) = Cov
(X) (Y )
O coeficiente de correlao no tem unidade de medida.
Proposio 4.3.15 (Propriedades do Coeficiente de Correlao). Dadas X e Y

com varincias finitas e positivas, valem:
1. (X, Y ) = (Y, X).
2. (X, Y ) =
Cov(X,Y )
(X)(Y ) .
85
3. (X, X) = 1.
4. (X, aY + b) = (X, Y ) se a > 0 e b R.
Exemplo 4.3.16. No Exemplo 4.3.11, temos

Z
Z 1
Z 1 Z x
x2 dy dx =
y 2 dy +
EZ 2 =
x
( x3 + x2 x3 )dx =
1
1 1
=
3 6
6
1
1 1
V Z = EZ (EZ) = =
6 9
18
1
V W = exerccio =
18
Cov(Z, W )
1/36
1
p
(Z, W ) =
= p
= .
(Z)(W )
2
1/18 1/18
2
Dada uma varivel aleatria X com EX 2 < , definimos a padronizao de X, ou

a normalizao de X, como
X EX
.
(X)
A padronizao de uma varivel aleatria no tem unidade de medida.
Exerccio 4.3.17. 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 ).
Proposio 4.3.18. Sejam X e Y variveis aleatrias com varincias finitas e
positivas. Ento:
1. (X, Y ) [1, +1].
2. | Cov(X, Y )| 6 (X)(Y ).
3. (X, Y ) = 1 Cov(X, Y ) = (X)(Y ) P (Y = aX + b) = 1, a > 0.

Veremos a demonstrao na prxima seo, como corolrio da Desigualdade de
Cauchy-Schwarz.
86
4.4
Desigualdades Bsicas
Definio 4.4.1 (Funes cncavas e convexas). Seja B R um intervalo aberto.

Dizemos que g : B R convexa se satisfaz s seguintes condies equivalentes:
(i) Para todos a < x < b em B, g(x) 6 g(a) +
xa
ba [g(b)
g(a)].
(ii) Para todo a B, existe c R tal que g(x) > g(a) + c(x a) para todo x B.
(iii) g no-decrescente em B (caso g seja diferencivel).
(iv) g (x) > 0 para todo x B (caso g tenha segunda derivada).

Dizemos que g cncava se g convexa.
Exemplo 4.4.2. So funes convexas: g(x) = x2 , g(x) = ex , g(x) = |x|, g(x) =
x1 . So funes cncavas: g(x) = log x em (0, ), g(x) = x.
Proposio 4.4.3 (Desigualdade de Jensen). Seja g : B R uma funo
convexa e X uma varivel aleatria integrvel assumindo valores em B. Ento
E[g(X)] > g(EX).
Demonstrao. Tomando a = EX e c tal que g(x) > g(a)+c(xa) para todo x I,

temos E[g(X)] > E[g(EX) + c(X EX)] = g(EX) + cEX cEX = g(EX).
Corolrio 4.4.4. Se g uma funo cncava, ento E[g(X)] 6 g(EX).
Corolrio 4.4.5. Seja X uma varivel aleatria integrvel. Ento
(a) E|X| > |EX|.
(b) EX 2 > (EX)2 .

1
(c) E X1 > EX
se X > 0.
p
(d) E |X| > (E |X|) > |EX| para p > 1.

1
(e) (E|X|t ) t > (E|X|s ) s se 0 < s 6 t.
4.4. DESIGUALDADES BSICAS
87
Demonstrao. (a), (b) e (c) so imediatos. Para (d) usamos g(x) = xp em (0, )
e depois (a). Para (e), tomamos Y = |X| e g(y) = y t/s em (0, ). Temos que g
t
convexa pois g (y) = st y s 1 no-decrescente. Logo, E|X|t = E[(Y s )t/s ] >
[EY s ]t/s . Elevando todos os temos a 1/t, temos a desigualdade desejada.
Proposio 4.4.6 (Desigualdade Bsica de Tchebyshev). Seja X uma varivel

aleatria no-negativa e seja > 0 uma constante. Ento
P (X > ) 6
E(X)
.
Demonstrao. Tome Y = 1[X>] . Temos que Y 6 X, logo

EX > EY = P (X > ),
donde segue a desigualdade.
Exemplo 4.4.7. Se uma empresa recebe em mdia 100 chamadas telefnicas por
dia, queremos estimar a probabilidade de, num certo dia, receber mais de 300
chamadas. Temos
EX
1
P (X > 300) 6
= .
300
3
Ou seja, esse evento ocorre com probabilidade igual a, no mximo, 31 .
Exerccio 4.4.8. Suponha que X seja uma varivel aleatria tal que P (X > 0) = 1
e P (X > 10) = 51 . Mostre que E(X) > 2.
Proposio 4.4.9 (Desigualdade de Markov). Seja X uma varivel aleatria

qualquer e seja > 0 uma constante. Ento para todo t > 0,
t
P (|X| > ) 6
E |X|
.
t
88
Demonstrao. Defina Y = |X|t e use a desigualdade bsica com Y e t :

P (|X| > ) = P (Y > t ) 6
E|X|t
EY
=
.
t
Proposio 4.4.10 (Desigualdade Clssica de Tchebyshev). Seja X uma

varivel aleatria integrvel e seja > 0 uma constante. Ento
VX
P |X E(X)| > 6 2 .
Demonstrao. Tomando Y = (X EX)2 , temos EY = V X e, aplicando a

desigualdade bsica,

VX
EY
P |X EX| > = P (Y > 2 ) 6 2 = 2 .
Exemplo 4.4.11. Estimar a probabilidade de uma varivel aleatria X no diferir

de sua mdia por mais que duas vezes o valor do seu desvio-padro . Temos
P ( 2 < X < + 2) = 1 P |X EX| > 2) > 1
VX
2
3
=
1
= .
(2)2
4 2
4
Exerccio 4.4.12. Suponha que X seja uma varivel aleatria tal que E(X) = 10,
P (X 6 7) = 0, 2 e P (X > 13) = 0, 3. Prove que V X > 29 .
Teorema 4.4.13 (Desigualdade de Cauchy-Schwarz). Se EX 2 < e EY 2 <

, ento
E[XY ] 6 EX 2 EY 2 .
Ainda, se E[XY ] = EX 2 EY 2 , ento existe c > 0 tal que P (Y = cX) = 1,

ou ento P (X = 0) = 1.
Demonstrao. Sejam a = EX 2 e b = EY 2 . Se a = 0, temos que X = 0,

a desigualdade trivial e a recproca tambm. Se b = 0, temos que Y = 0,
4.4. DESIGUALDADES BSICAS
89
a desigualdade trivial e a recproca vale com c = 0. Assumimos ento que

0 < a < e 0 < b < .
Observamos que
06
ab
E
2
Y
X
a
b
2
ab
E
2
XY
Y2
X2
2
+ 2
2
a
ab
b
donde
= ab E[XY ],
EX 2 EY 2 .
E[XY ] 6 ab =
Reciprocamente, suponha que E[XY ] = ab. Temos que E

Y
a
P(X
a b = 0) = 1 e portanto P (Y = cX) = 1 com c = b .
X
a
Y
b
2
= 0, logo
Demonstrao da Proposio 4.3.18. Tomamos

Z=
X EX
(X)
W =
Y EY
(Y )
Pela Desigualdade de Cauchy-Schwarz temos que

(X, Y ) = E[ZW ] 6
EZ 2 EW 2 = +1,
donde
Cov(X, Y ) = (X)(Y )(X, Y ) 6 +(X)(Y ).
Ainda, se (X, Y ) = +1, ento W = +cZ com c > 0. Mas 1 = EW 2 = c2 EZ 2 = c2 ,
logo c = +1 e portanto
Y = EY + (Y ) Z = EY + (Y )
X EX
.
(X)
As propriedades anlogas com 1 no lugar de +1 seguem do caso anterior tomandose X no lugar de X:

(X, Y ) = (X, Y ) > 1,
Cov(X, Y ) = Cov(X, Y ) > (X)(Y ),

Y = EY + (Y )
X EX
X E[X]
= EY (Y )
.
(X)
(X)
90
4.5
Esperana Condicional dado um Evento
A informao sobre a ocorrncia de um certo evento A F com P (A) > 0 leva

definio de uma nova medida P em (, F ), dada pela relao P (B) = P (B|A),
B F. A distribuio de qualquer varivel aleatria X tambm afetada neste
caso. Como vimos no Captulo 2, X passa a ter uma nova funo de distribuio
FX|A (t), t R, uma nova lei PX|A (B), B B.
Nesta situao, X tambm ter um novo valor esperado E(X|A). No caso de

X ser mista com componentes discreta e absolutamente contnua, sua esperana
condicional dado A ser dada por
Z
X
E(X|A) =
x pX|A (x) + x fX|A (x) dx.
R
No caso discreto, escolhemos a forma mais conveniente entre calcular

FX|A (t) = P (X 6 t | A) t
ou
pX|A (x) = P (X = x | A) x.
Exemplo 4.5.1. Seja X a varivel aleatria que representa o resultado do lanamento de um dado, isto , X Ud {1, 2, 3, 4, 5, 6}. Vamos calcular E(X | X par).
Primeiro encontramos a funo de probabilidade condicional:
pX|A (x) = P (X = x|A) =
1
1{2,4,6} (x)
3
e em seguida a esperana
E(X|A) =
X
x
x pX|A (x) = 4.
No caso contnuo, em geral calculamos

FX|A (t) = P (X 6 t | A) t
e depois fazemos
fX|A (x) =
d
FX|A (x) x.
dx
4.6. EXERCCIOS
91
Exemplo 4.5.2. Seja X uma varivel aleatria com distribuio X U [0, 1].
Vamos calcular E(X | X < 21 ). Primeiro encontramos a funo de distribuio
condicional
x 6 0,
0,
FX|A (t) = P (X 6 t|A) =
logo a densidade condicional

fX|A (x) =
2x, 0 6 x 6 21 , ,
1,
x > 12
d
FX|A (x) = 2 1[0, 12 ]
dx
e finalmente a esperana condicional

Z
1
E(X|A) =
x fX|A (x) dx = .
4
R
4.6
Exerccios
Exerccio 4.6.1. Calcular EX, onde:

1. X Geom(p).
2. X N (, 2 ).
Exerccio 4.6.2. Considere o seguinte jogo de azar. Uma urna contm 18 bolas,
sendo 9 azuis e 9 brancas. Retiram-se 3 bolas da urna ao acaso. As bolas retiradas
so descartadas e o jogador marca 1 ponto se pelo menos 2 dessas 3 bolas forem
azuis. Em seguida retiram-se outras 3 bolas da urna ao acaso, as bolas retiradas
so descartadas e o jogador marca 1 ponto se pelo menos 2 dessas 3 bolas forem
azuis. Repete-se o procedimento at que a urna esteja vazia. Ao final, o jogador
recebe um prmio X igual ao total de pontos marcados. Calcule EX.
Exerccio 4.6.3. Dada X varivel aleatria, defina
(
X, X 6 a,
Y =
a, caso contrrio,
onde a uma constante positiva. Mostre que EY 6 EX.
Exerccio 4.6.4. Mostre que X integrvel se, e somente se, E|X| < .
92
Exerccio 4.6.5. Seja X uma varivel aleatria simtrica em torno de , isto ,

P (X > + x) = P (X 6 x) para todo x R. Mostre que se X integrvel,
ento E(X) = .
Exerccio 4.6.6. Prove que E|X| 6 EX 2 .

Exerccio 4.6.7. Sejam X1 , . . . , Xn variveis aleatrias satisfazendo EXi2 < i.
1. Se Cov(Xi , Xj ) = 0 i 6= j, mostre que
!
n
n
X
X
V Xi .
Xi =
V
i=1
i=1
2. A frmula acima tambm vale se as variveis aleatrias forem independentes?

Exerccio 4.6.8. Calcular V X, onde:
1. X Geom().
2. X Poisson().
3. X b(n, p).
4. X exp().
5. X N (, 2 ).
Exerccio 4.6.9. Considere uma sequncia de variveis aleatrias X1 , X2 , X3 , . . .
i.i.d. com distribuio Bernoulli(p). Quantas realizaes so suficientes para que a
mdia amostral, dada por
n
X
n () = 1
Xn (),
X
n j=1
no difira de seu valor esperado p por mais de 0,01, com probabilidade mnima de
0,95? (Sugesto: Desigualdade de Tchebyshev)
Exerccio 4.6.10. Seja X U [1, 1] e sejam A1 = [X > 0] e A2 = [X < 0].
Pede-se
1. A distribuio condicional de X dado A1 .
2. A distribuio condicional de X dado A2 .
3. E(X|A1 ).
4.6. EXERCCIOS
93
4. E(X|A2 ).
Exerccio 4.6.11. Seja X uma varivel aleatria exponencial com parmetro .
Encontre E [X | X > 2].
Exerccio 4.6.12. Se X Geom(p), encontre E [X | X > 5].
Exerccio 4.6.13. Se X tem funo de probabilidade
pX (n) =
nn e
.n!
para n = 0, 1, 2, 3, . . . , calcule V X.
Dica: desenvolver (n 1)(n 2 + 1) + 2(n 1) + 1.
Recomendados: 5, 6, 19, 20ab, 21, 23, 26, 28, 30, 36.
94
Parte II
95
Captulo 5
Convergncia de Variveis
Aleatrias
Considere uma sequncia de variveis aleatrias X1 , X2 , X3 , . . . . Em inmeras
situaes tericas e prticas, uma pergunta natural qual o comportamento de
longo prazo da sequncia (Xn )n . Dito de outra forma: como se comporta Xn
quando n suficientemente grande?
Tratando-se de variveis aleatrias, o conceito de convergncia uma generalizao
do conceito de convergncia para nmeros reais. Entretanto, existem vrias formas
de se fazer essa generalizao, e cada forma a mais natural em determinado
contexto. No caso de variveis aleatrias degeneradas, todas as definies so
equivalentes convergncia de nmeros reais.
5.1
Lema de Borel-Cantelli
Comeamos definindo o lim inf e o lim sup de uma sequncia de eventos.
Definio 5.1.1 (lim sup e lim inf de eventos). Dada uma sequncia de eventos
aleatrios An , definimos o evento lim sup An , denotado por [An infinitas vezes]
97
98
CAPTULO 5. CONVERGNCIA DE VARIVEIS ALEATRIAS
ou [An i.v.], por

lim sup An =
n
Ak .
Ak .
n=1 k=n
Definimos o evento lim inf An , denotado por [An eventualmente], por

lim inf An =
n
n=1 k=n
importante entender as seguintes interpretaes:

lim sup An o conjunto dos s tais que pertence a infinitos An s.
O evento lim sup An significa An acontece infinitas vezes.
lim inf An o conjunto dos s tais que pertence a todos os An s exceto

uma quantidade finita deles.
O evento lim inf An significa An acontece para todo n grande.
Alm disso, vale que
e
lim inf An lim sup An
lim inf(Acn ) = (lim sup An )c .

(
(1/n, 1], n mpar,
Exemplo 5.1.2. Exemplo: = R, An =
(1, 1/n], n par.
Temos
lim sup An =
[
\
Ak =
n=1 k=n
lim inf An =
n=1 k=n
(1, 1] = (1, 1]
n=1
Ak =
{0} = {0}.
n=1
Exerccio 5.1.3. Sejam um espao de probabilidade (, F , P ) e uma sequncia

de eventos aleatrios (An ) em F . Mostre que, se (An ) crescente, ento
lim sup An = lim inf An =
n=1 An .
5.1. LEMA DE BOREL-CANTELLI
99
Por outro lado, se (An ) decrescente, ento

lim sup An = lim inf An =
n=1 An .
Exerccio 5.1.4. Considere o espao de probabilidade (R2 , B 2 , P ), no qual P
uma probabilidade arbitrria. Se An = {(x, y) R2 : 0 6 x 6 n, 0 6 y 6 n1 },
encontre lim sup An e lim inf An .
Exerccio 5.1.5. Considere a sequncia de intervalos
(
(0, 2 + n1 ), n par
An =
(0, 2 n1 ), n mpar.
Encontre o lim inf An e o lim sup An .
Teorema 5.1.6 (Lema de Borel-Cantelli). Seja (, F , P ) um espao de probabilidade e (An ) uma sequncia de eventos aleatrios. Ento:
P
1. Se n=1 P (An ) < ento
P (An infinitas vezes) = 0.
2. Se
n=1
P (An ) = e os eventos An so independentes, ento

P (An infinitas vezes) = 1.
Demonstrao. Feita em aula, seguindo [Jam04, p. 201].
Exemplo 5.1.7. Considere uma sequncia de infinitos sorteios independentes e

uniformes de um nmero (Xn )nN entre 0 e 1. Ento
1. P (Xn [0, 1/n] para infinitos ns) = 1.
2. P (Xn [0, 1/n2 ] para infinitos ns) = 0.

Podemos afirmar que vale a recproca do Lema de Borel-Cantelli, ou seja, que
P
P (An i.v.) = 0 implica n P (An ) < , quando os (An ) so independentes. Caso
P
contrrio, podemos ter P (An i.v.) = 0 sem que necessariamente n P (An ) < .
Neste caso podemos afirmar pelo menos que P (An ) 0.
100
Proposio 5.1.8. Se P (An infinitas vezes) = 0 ento P (An ) 0.

Demonstrao. Tomando Bk = n>k An , temos que Bk [An i.v.] quando k
. Como Bk Ak , vale P (Ak ) 6 P (Bk ) P (An i.v.) = 0.

Observao 5.1.9 (Lei 0-1 para Infinitos Eventos Independentes). Uma consequncia imediata do Lema de Borel-Cantelli a seguinte. Se (An )nN uma
sequncia de eventos independentes, ento P (An infinitas vezes) = 0 ou 1.
5.2
Convergncia de Variveis Aleatrias
Sejam X e (Xn )nN variveis aleatrias definidas num mesmo espao de probabilidade (, F , P ).
Definio 5.2.1 (Convergncia em Probabilidade). Dizemos que Xn converge
P
em probabilidade para X, denotado por Xn X, se para todo > 0

P |Xn X| > 0 quando n .
Exemplo 5.2.2. Sejam X1 , X2 , . . . variveis aleatrias independentes, tais que

Xn Bernoulli( n1 ). Temos para < 1 que
e portanto Xn 0.

1
P |Xn 0| > = P (Xn = 1) = 0,
n
Exemplo 5.2.3. Sejam X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas com distribuio exp(1) e tome
Yn =
Ento
e portanto
Xn
.
log n

Xn
> = P (Xn > log n) = n 0,
0
P log
n
Xn P
log n
0.
5.2. CONVERGNCIA DE VARIVEIS ALEATRIAS
101
Definio 5.2.4 (Convergncia Quase Certa). Dizemos que Xn converge quase

q.c.
certamente para X, denotado por Xn X, se

P Xn X quando n = 1,
ou seja, o evento A0 = { : Xn () X()} de probabilidade 1.

Observao 5.2.5. A convergncia quase certa uma convergncia pontual num
conjunto de medida 1, ou seja, Xn () 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 afirma que
para valores grandes de n as variveis Xn e X so aproximadamente iguais com
probabilidade muito alta.
Exemplo 5.2.6. Um ponto selecionado aleatoriamente do intervalo = [0, 1].
Seja (Xn )n a sequncia de variveis aleatrias dada por
Xn () = + n .
q.c.
Ento Xn X com X U [0, 1]. De fato, tomando X() = , temos que

q.c.
Xn () X() para todo [0, 1). Como P [0, 1) = 1, segue que Xn X.
q.c.
Proposio 5.2.7. Xn X se, e somente se,

P |Xn X| > infinitas vezes = 0
> 0.
Demonstrao. A proposio segue da seguinte cadeia de equivalncias:

P (Xn X) = 1
P ( > 0, |Xn X| < eventualmente) = 1
P ( > 0 tal que |Xn X| > i.v.) = 1

P k N tal que |Xn X| > k1 i.v. = 1

P k N tal que |Xn X| > k1 i.v. = 0

k N, P |Xn X| > k1 i.v. = 0
> 0, P (|Xn X| > i.v.) = 0.
102
As equivalncias acima so: definio de convergncia; negao de um evento

ocorrer eventualmente; substituio de por k1 , que possvel porque a condio
montona em ; evento complementar; sub-aditividade da probabilidade; nova

substituio de k1 por .
q.c.
Corolrio 5.2.8 (q.c. P ). Se Xn X ento Xn X.

Demonstrao. Para qualquer > 0, pela Proposio 5.2.7 temos que
P (|Xn X| > i.v.) = 0,
P
e pela Proposio 5.1.8 segue que P (|Xn X| > ) 0, ou seja, Xn X.
Exerccio 5.2.9. Sejam (Xn )n variveis aleatrias tais que
n=1
para qualquer > 0. Mostre que

P |Xn | > <
q.c.
Xn 0.
Mostre que tambm vale a recproca no caso de as Xn serem independentes.
Contra-Exemplo 5.2.10. No Exemplo 5.2.2, temos pelo Lema de Borel-Cantelli
que
P (Xn = 1 infinitas vezes) = 1,
q.c.
portanto P (Xn 0) = 0 e no vale Xn 0.
Contra-Exemplo 5.2.11. No Exemplo 5.2.3, temos que

P(
Xn
> infinitas vezes) = 1
log n
para 6 1 e 0 para > 1. Portanto no vale que
Xn q.c.
log n
0.
Definio 5.2.12 (Convergncia em Lp ). Dizemos que Xn converge para X

Lp
em Lp , que denotamos por Xn X, se

lim E |Xn X|p = 0.
Quando p = 2, a convergncia dita em mdia quadrtica.
5.2. CONVERGNCIA DE VARIVEIS ALEATRIAS
103
Lp
Proposio 5.2.13 (Lp P ). Se Xn X para algum p > 1 ento Xn X.

Demonstrao. Pela desigualdade de Markov temos
P (|Xn X| > ) 6
E|Xn X|p
0.
p

Lp+s
Proposio 5.2.14 (Lp+s Lp ). Sejam p > 1 e s > 0. Se Xn X ento

Lp
Xn X.
Demonstrao. Fazendo q = p + s, pela Desigualdade de Jensen temos

p 1

q 1
E Xn X p 6 E Xn X q 0.
Contra-Exemplo 5.2.15. Suponha que P (Xn = n3 ) =

Ento para < 1 temos P (X > ) =
1
n2 ,
L1
q.c.
1
n2

= 1 P (Xn = 0).
P
portanto Xn 0 e Xn 0. Entretanto,
EXn = n, logo no podemos ter Xn 0, e pela proposio acima no podemos

ter convergncia em Lp para nenhum p > 1.
Contra-Exemplo 5.2.16. No Exemplo 5.2.2, temos
E|X 0|p = EX p = P (X = 1) =
Lp
1
0,
n
q.c.
portanto Xn 0 para todo p e Xn 0. No entanto, no vale Xn 0.

Definio 5.2.17 (Convergncia em Distribuio). Dizemos que Xn converge
d
em distribuio para X, que denotamos por Xn X, se, para todo ponto t
em que FX contnua, vale
lim FXn (t) = FX (t).
Observao 5.2.18. Para convergncia em distribuio no necessrio que as

variveis aleatrias estejam definidas no mesmo espao de probabilidade, pois essa
noo de convergncia leva em conta apenas a sua distribuio.
104
Proposio 5.2.19 (Unicidade do Limite em Distribuio). O limite em distrid
buio nico, isto , se Xn X e Xn Y ento X Y .

Ideia da prova. Feita em aula.

d
Exemplo 5.2.20. Seja Xn = n1 para n > 1 e X = 0. Ento Xn X, embora

limn Fn (0) = 0 6= 1 = F (0). Mas como 0 no ponto de continuidade de F ,
isto no problema.
Exerccio 5.2.21. Seja (Xn )n uma sequncia de variveis aleatrias independentes
com distribuio uniforme em (0, b), b > 0. Defina Yn = max(X1 , X2 , . . . , Xn ) e
d
Y = b. Ento verifique que Yn Y .

d
Proposio 5.2.22 (P d). Se Xn X ento Xn X.

q.c.
Exerccio 5.2.23. Mostre que, se Xn Y e Xn Z, ento Y Z.

A convergncia em probabilidade implica a convergncia em distribuio, mas
no faz sentido pensar na recproca: para a convergncia em distribuio no
necessrio sequer que as variveis aleatrias estejam definidas no mesmo espao
de probabilidade. Ademais, como vimos nos exemplos acima, no h relao de
implicao entre convergncia quase certa e convergncia em Lp , e ambas implicam
convergncia em probabilidade. Entretanto, sob condies particulares, podemos
garantir mais implicaes entre as diferentes definies de convergncia.
P
Proposio 5.2.24. Se Xn c para c R constante, ento Xn c.


P
Proposio 5.2.25 (Convergncia por Subsequncias). Se Xn X ento existe

q.c.
uma subsequncia nk tal que Xnk X.
Demonstrao. Como P (|Xn X| > ) 0 para todo > 0, podemos tomar
n1 > 0 tal que P (|Xn1 X| > 1) < 21 . Novamente, podemos tomar n2 > n1 tal
que P (|Xn2 X| > 21 ) < 41 . Sucessivamente, podemos tomar nk > nk1 tal que
P (|Xnk X| > k1 ) < 21k .
5.3. EXERCCIOS
105
q.c.
Vamos ver que essa sequncia nk satisfaz Xnk X. Seja > 0. Temos que
P (|Xnk X| > ) 6 P (|Xnk X| > k1 ) para todo k > 1 . Por outro lado
P
P
temos que k P (|Xnk X| > k1 ) < , logo k P (|Xnk X| > ) < . Pelo
q.c.
q.c.
Exerccio 5.2.9 temos que Xnk X 0, ou seja, Xnk X.

P
Corolrio 5.2.26 (Unicidade do Limite em Probabilidade). Se Xn X e Xn

Y ento P (X = Y ) = 1.
Demonstrao. Tome uma subsequncia nk tal que
q.c.
Xnk X
k
e uma subsequncia nkj tal que

q.c.
Xnkj Y.
j
Para todo na interseo de A = [Xnk X] e B = [Xnkj Y ] temos que

[X = Y ]. Como P (A) = P (B) = 1, temos que P (A B) = 1, e portanto P (X =
Y ) > P (A B) = 1.

P
Proposio 5.2.27 (Caso Dominado). Seja p > 1. Se Xn X e existe Y tal que

Lp
EY p < e |Xn | 6 Y para todo n, ento Xn X.
Demonstrao. Omitida. Envolve Teoria da Medida.
Completamos assim o diagrama de implicaes da Figura 5.1.
5.3
Exerccios
Exerccio 5.3.1. Sejam (Xn )nN variveis aleatrias independentes, distribudas

P
respectivamente como exp(n ), onde n = n3 . Prove que P
n=1 Xn < = 1.
Exerccio 5.3.2. [Jam04, Captulo 5]. Recomendados: 5, 6, 7, 9, 10.
Exerccio 5.3.3. Seja (An )n uma sequncia de eventos em (1An )n a sequncia

de variveis aleatrias indicadoras das ocorrncias dos eventos correspondentes.
P
Encontre uma condio sobre as probabilidades P (An ) para que 1An 0.
106
q.c.X
constante
~
P
BJ
subsequncia
caso dominado
Lp+s
+3 d
+3 Lp
Figura 5.1: Diagrama de implicaes entre os tipos de convergncia.
Exerccio 5.3.4. Considere o espao de probabilidade ([0, 1], B, P ) com P dado

pela medida de comprimento, e a sequncia de variveis aleatrias (Xn )n dadas
por
(
n, w < n1 ,
Xn () =
0, w > n1 .
d
q.c.
Verifique respectivamente se Xn X, Xn X, Xn X, Xn 2 X, Xn 1 X,
para alguma varivel aleatria X.
com distribuio uniforme em [0, 1], e Yn = max{X1 , . . . , Xn }. Encontre a funo
de distribuio de Yn e o limite em distribuio desta sequncia.
Exerccio 5.3.6. Sejam Xn , n N, variveis aleatrias independentes tais que
Xn Bernoulli(pn ). Estude as condies sobre (pn ) para que:
P
1. Xn 0.
q.c.
2. Xn 0.
Exerccio 5.3.7. Seja (Xn )n uma sequncia i.i.d. Mostre que
Xn q.c.
0
n
se e somente se E|X1 | < .
5.3. EXERCCIOS
107
Exerccio 5.3.8. Seja (Xn )n uma sequncia i.i.d. Mostre que

Xn q.c.
0
n
se e somente se E|X1 |2 < .
Exerccio 5.3.9. Seja (Xn )n uma sequncia i.i.d. com distribuio exp(1). Mostre
que
P (Xn > 2 log n i.v.) = 0.
Exerccio 5.3.10. Seja (Xn )n uma sequncia i.i.d. com distribuio Poisson().
Mostre que
Xn q.c.
0.
log n
Sugesto: mostre antes que EeX1 / < .
Exerccio 5.3.11. Seja (Xn )n uma sequncia i.i.d. de variveis aleatrias nonegativas com EX12 < . Mostre que
)
(
X Xn
< =1
P
n2
n=1
Exerccio 5.3.12. [Jam04, Captulo 6]. Recomendados: 15, 19.
108
Captulo 6
Lei dos Grandes Nmeros

...
6.1
Lei Fraca
Sejam X1 , X2 , . . . variveis aleatrias integrveis em (, F , P ) e S1 , S2 , . . . suas

somas parciais dadas por
Sn = X 1 + X 2 + + X n .
Definio 6.1.1 (Lei Fraca dos Grandes Nmeros). Dizemos que a sequncia
(X1 , X2 , . . . ) satisfaz a Lei Fraca dos Grandes Nmeros se, para todo > 0, vale

Sn ESn

P
> 0, quando n ,
n
ou seja, se
Sn ESn P
0.
n
Teorema 6.1.2 (Lei dos Grandes Nmeros de Bernoulli, 1713). Considere

uma sequncia de ensaios binomiais independentes tendo a mesma probabilidade p de sucesso em cada ensaio. Se Sn o nmero de sucessos nos
109
110
CAPTULO 6. LEI DOS GRANDES NMEROS
primeiros n ensaios, ento
Sn P
p.
n
Demonstrao. Omitimos a demonstrao original de Bernoulli. A Lei dos Grandes

Nmeros de Tchebyshev mais geral.

A Lei dos Grandes Nmeros de Bernoulli tem uma importncia histrica inestimvel. De certa forma, esse teorema justifica o conceito de probabilidade como sendo
a frequncia relativa de ocorrncia de um evento, isto ,
p
quantidade de experimentos em que o evento e observado

,
quantidade total de experimentos realizados
onde a ideia de aproximao passa a ter um significado mais preciso, o da

convergncia em probabilidade. O ano de 2013 foi considerado o Ano Internacional
da Estatstica em comemorao dos 300 anos do teorema de Bernoulli.
Teorema 6.1.3 (Lei dos Grandes Nmeros de Tchebyshev, 1867). Sejam

X1 , X2 , . . . variveis aleatrias duas a duas no-correlacionadas e com varincias finitas e uniformemente limitadas, isto , existe M finito, tal que
V Xn < M para todo n. Ento (X1 , X2 , . . . ) satisfaz a Lei Fraca dos Grandes
Nmeros:
Sn ESn P
0.
n
Demonstrao. Pela Desigualdade Clssica de Tchebyshev, temos

Pn

Sn ESn
V ( Snn )
V Sn
nM
i=1 V Xi

6 2 2 0.
P
> 6 2 = 2 n2 =
n
2 n2
n
Teorema 6.1.4 (Lei dos Grandes Nmeros de Khintchine, 1929). Sejam
X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas e
6.2. LEI FORTE
111
integrveis, com mdia . Ento (X1 , X2 , . . . ) satisfaz a Lei Fraca dos Grandes
Nmeros:
Sn P
.
n
A demonstrao original de Khintchine foi feita usando o mtodo de truncamento,

aparentemente introduzido por Markov, e utilizado em seguida por Kolmogorov na
prova da Lei Forte dos Grandes Nmeros. Vamos omitir a prova de Khintchine,
uma prova usando funes caractersticas ser dada no Captulo 8.
6.2
Lei Forte
Definio 6.2.1 (Lei Forte dos Grandes Nmeros). Dizemos que (X1 , X2 , . . . )
satisfaz a Lei Forte dos Grandes Nmeros se

Sn ESn
= 0 = 1,
P lim
n
n
ou seja, se
Sn ESn q.c.
0.
n
Teorema 6.2.2 (Lei dos Grandes Nmeros de Borel, 1909). Considere uma
sequncia de ensaios binomiais independentes tendo a mesma probabilidade p
de sucesso em cada ensaio. Se Sn o nmero de sucessos nos primeiros n
ensaios, ento
Sn q.c.
p.
n
Demonstrao. Omitimos a demonstrao original de Borel. A Lei dos Grandes

Nmeros de Cantelli mais geral.
112
Teorema 6.2.3 (Lei dos Grandes Nmeros de Cantelli, 1917). Sejam

X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas,
com quarto momento finito e mdia . Ento (X1 , X2 , . . . ) satisfaz a Lei Forte
dos Grandes Nmeros:
Sn q.c.
.
n
n = Xn . Observe que
Demonstrao. Podemos supor que = 0, ou tomar X
Sn4 = (X1 + + Xn )4 =
Xi Xj Xk Xl =
X
i
i,j,k,l
Xi4 +
4! X 2 2
X X +
2!2! i<j i j
X
4! X 3
4! X 2
+
Xi Xj Xk + 4!
Xi Xj Xk Xl .
Xi Xk +
3!
2! j<k
i6=k
i6=j,k
i<j<k<l
Por independncia, temos que

X
X
E[Xi2 Xj2 ]+
EXi4 + 6
ESn4 =
i
i<j
X
k
i
h X
X
X
E 4
Xi3 + 12
Xi2 Xj + 24
Xi Xj Xl EXk .
Como assumimos que EXk = 0, a segunda linha igual a zero. Alm disso, como
as Xi tm a mesma distribuio, obtemos

ESn4 = nEX14 + 6 n2 E(X12 X22 )
= nEX14 + 3(n2 n)E(X12 X22 )
q
q
6 nEX14 + 3(n2 n) EX14 EX24
= (3n2 2n)EX14
6 3n2 EX14 .
Pela Desigualdade de Markov

Sn
3EX 4
ES 4
P > 6 4 n4 6 4 21 ,
n
n
n
e pelo Lema de Borel-Cantelli segue que
Sn q.c.
n
0.
6.3. EXERCCIOS
113
Teorema 6.2.4 (Lei dos Grandes Nmeros de Kolmogorov, 1933). Sejam

X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas e
integrveis, com EXn = . Ento (X1 , X2 , . . . ) satisfaz a Lei Forte dos
Grandes Nmeros:
Sn q.c.
.
n
Demonstrao. O leitor interessado pode consultar [Jam04, pp. 204214].
6.3
Exerccios
Observao 6.3.1. As questes sobre a Lei Forte dos Grandes Nmeros, por
tratarem de eventos que devem acontecer com probabilidade 1, em geral envolvem
o uso do Lema de Borel-Cantelli.
com funes de probabilidade pn dadas por pn (n2 ) = n13 = 1pn (0). Essa sequncia
satisfaz a Lei dos Grandes Nmeros?
com funes de probabilidade pn dadas por pn (n2 ) = n12 = 1pn (0). Essa sequncia
satisfaz a Lei dos Grandes Nmeros?
Exerccio 6.3.4. [Jam04, Captulo 5]. Recomendados: 2, 3, 14.
114
Captulo 7
Teorema Central do Limite

Seja (Xn )n uma sequncia i.i.d. de variveis aleatrias. Pela Lei dos Grandes
Nmeros sabemos que a mdia amostral Snn se aproxima do valor esperado para
valores grandes de n, isto ,
Sn
.
n
Porm, no razovel esperar que Snn seja exatamente igual a . Ento a primeira
pergunta que surge sobre a flutuao Snn da mdia amostral em torno do seu
valor esperado. Tipicamente, essa diferena ocorre em qual escala? Nessa escala,
qual seu comportamento estatstico?
No difcil adivinhar a escala em que ocorre essa flutuao. De fato, sabemos
que ESn = nEX1 = n e V Sn = nV X1 = n 2 , ou seja, (Sn ) = n. Assim

temos que a esperana da mdia amostral e seu desvio-padro n . Isso uma
indicao de que tipicamente as flutuaes assumem valores da ordem n (de fato,
pela desigualdade de Tchebyshev, as flutuaes no podem ser muito maiores do
que o desvio-padro, porm o valor numrico da varincia poderia ser resultado de
uma flutuao atipicamente grande, enquanto os valores tpicos fossem na verdade
muito menores). Vamos supor que esse argumento est correto para tentar entender
qual poderia ser o comportamento estatstico das flutuaes nessa escala.
Escrevemos Snn = + n Yn , onde Yn satisfaz EYn = 0 e V Yn = 1. Ser que
o comportamento estatstico de Yn se aproxima de alguma distribuio Y que
no depende de n? Suponhamos que sim, e busquemos um candidato para essa
115
116
CAPTULO 7. TEOREMA CENTRAL DO LIMITE
distribuio. Observamos que S2n = Sn + Sn , onde separamos os 2n termos da

soma em dois blocos independentes com tamanho n. Assim obtemos a relao
S2n
n = 2+ n (Yn + Yn ), onde Yn independente e com a mesma distribuio de Yn .
S2n
Por outro lado, 2n = + 2n Y2n , donde chegamos finalmente a Yn + Yn = 2Y2n ,
ou seja, Y + Y 2 Y . A nica distribuio que satisfaz essa relao a

distribuio normal.
Esses argumentos ad hoc so confirmados pelo Teorema Central do Limite:
Sn ESn d
N (0, 1).
V Sn
Reescrevendo, temos
Sn
+ N (0, 1).
n
n
Ou seja, a escala em que a mdia amostral Snn flutua em torno de seu valor
esperado de fato dada por n . Ademais, seu comportamento nessa escala possui
forte regularidade estatstica, e sua distribuio se aproxima de uma normal padro.
Dito de outra forma, a distribuio da soma parcial Sn pode ser aproximada por
uma normal com mesma mdia e varincia de Sn :
Sn N (n, n 2 ).
7.1
Teorema de De Moivre-Laplace
O exemplo mais simples da aproximao Sn N (n, n 2 ) quando lanamos

uma moeda honesta n vezes e contamos o nmero Sn de caras. Neste caso Sn tem
distribuio b(n, 12 ). Na Figura 7.1 vemos como essa distribuio, devidamente
normalizada, se aproxima da distribuio normal padro.
Teorema 7.1.1 (Teorema de De Moivre-Laplace, 1730, 1812). Seja
(Xn )nN uma sequncia de variveis aleatrias independentes, com distribuio Bernoulli(p), onde p = 1 q (0, 1), e tome Sn = X1 + + Xn . Ento
para todos a < b

Z b
Sn np
1
x2
P a<
6b
e 2 dx.
npq
2 a
7.1. TEOREMA DE DE MOIVRE-LAPLACE
117
n
Figura 7.1: Funo de probabilidade de Sn
para Sn com distribuies b(4, 21 )
n
e b(16, 21 ) para valores entre 3 e 3. A rea de cada retngulo dada pela funo de
probabilidade. O terceiro grfico a funo de densidade de uma normal padro,
assim como as linhas pontilhadas. O quarto grfico representa as frequncias
n
relativas de Sn
para Sn com distribuio b(16, 21 ), em um experimento real
n
com 200 amostras.
Ou seja,
Sn N (np, npq).
O teorema foi provado por De Moivre supondo que p = 12 e por Laplace para
0 < p < 1. De fato, ele segue de uma aproximao muito mais fina:
x2
n!
1
k
pk q nk
e 2 ,
k! (n k)!
2npq
onde
()
k np
xk = xn,k =
npq
e significa que a razo entre ambos os termos tende a 1 quando n tende a infinito.
O limite em () uniforme se restrito a |xk | < M com qualquer M < fixo.
Essa aproximao muito mais fina porque diz no apenas que a probabilidade de
a flutuao estar dentro de um certo intervalo bem aproximada pela normal, mas
tambm que a funo de probabilidade de cada um dos possveis valores dentro de
um intervalo fixo aproximado pela densidade da normal.
118
Para entender de onde vem essa aproximao, primeiro precisamos de uma expresso mais palpvel para n!. Qual a probabilidade de obtermos exatamente 60 caras
se lanamos uma moeda 120 vezes? A resposta fcil:
1
120!
.
60! 60! 2120

Essa expresso simples e matematicamente perfeita. Porm, quanto vale essa
probabilidade? Mais de 15%? Menos de 5%? Entre 5% e 10%? Uma calculadora de
bolso trava ao calcular 120!. Num computador esse clculo resulta em 7, 2684979%.
Mas e se fossem 40.000 lanamentos da moeda? E se estivssemos interessados
em calcular P (S40.000 6 19.750), faramos um clculo semelhante 250 vezes para
depois somar? As expresses com fatorial so perfeitas para a combinatria, mas
impraticveis para se fazer estimativas. Nosso socorro ser a frmula de Stirling:
n! nn en 2n.
P (S120 = 60) =
A aproximao de n! pela frmula de Stirling muito boa mesmo sem tomar n

grande. Ela aproxima 1! por 0, 92, 2! por 1, 92, 4! por 23, 5, e a partir de 9! =
362.880, que aproximado por 359.537, o erro menor que 1%. primeira vista
nn en 2n no parece mais agradvel do que n!. Mas vejamos como isso ajuda
com o clculo anterior. Temos:
(2k)!
(2k)2k e2k 4k
1
1
1
2k
2k =
=|k=60 0, 0728 . . . ,
k
k
2
k! k!
2
2
(k e
2k)
k
que pode ser feito at mesmo sem calculadora. Mais do que isso, acabamos de
obter a aproximao () no caso particular em que p = q = 12 e n = 2k.
Vamos que mostrar () para |xk | < M onde M est fixo. Aplicando a frmula de
Stirling obtemos
nq nk
)
( np )k ( nk
nn en 2n pk q nk
n!
p
pk q nk
= pk
.
k! (n k)!
k k ek 2k(n k)nk ekn 2(n k)
2k(n k)/n
Observe que para |xk | < M vale
k = np + npq xk np
n k = nq
npq xk nq,
donde obtemos
n!
pk q nk
k! (n k)!
np k nq nk
f (n, k)
k
nk
=
.
2npq
2npq
7.1. TEOREMA DE DE MOIVRE-LAPLACE
119
Vamos estudar log f (n, k). Reescrevendo cada termo temos
npq xk
npq xk
nq
np
=1
e
=1+
.
k
k
nk
nk
Fazendo a expanso de Taylor de log(1 + x) temos
log(1 + x) = x
x2
+ r(x),
2
onde
r(x)
0 quando x 0.
x2
Assim,

npq xk
npqx2k
npq xk
+ r( k ) +
log f (n, k) = k
k
2k 2

npq xk
npqx2k
npq xk
+ (n k)
)
.
+
r(
nk
nk
2(n k)2
Note que os primeiros termos se cancelam e, quando n ,

log f (n, k)
donde segue que
npqx2k
n2 pqx2k
n2 pqx2k
x2k
npqx2k
,
2k 2
2(n k)2
2k(n k)
2npnq
2
f (n, k) e
x2
k
2
uniformemente em |xk | < M , o que termina a prova de ().

Somando sobre os possveis valores de Sn temos

X
np
6b =
P (Sn = k) =
P a < Snnpq
a<xk 6b
a<xk 6b
n!
pk q nk ,
k! (n k)!
onde os somatrios so sobre k com a condio sobre xk , que dado por xk =

Observando que
1
xk+1 xk =
,
npq
knp
npq .
e substituindo (), obtemos

P a<
S
n np
npq
6b
a<xk
x2
k
1
e 2
=
2npq
2
6b
a<xk 6b
x2
k
2
[xk+1 xk ].
Finalmente, observamos que o somatrio acima uma soma de Riemann que se

R b x2
aproxima da integral 12 a e 2 dx. Isso termina a prova do Teorema 7.1.1.
120
7.2
Teorema Central do Limite
Teorema 7.2.1 (Teorema Central do Limite para Variveis Aleatrias I.I.D.).

Seja (Xn )nN uma sequncia de variveis aleatrias i.i.d., com mdia e
varincia 2 , onde 0 < 2 < , e tome Sn = X1 + X2 + + Xn . Ento
Sn ESn d
N (0, 1),
V Sn
isto ,
Sn n d
N (0, 1).
n
A demonstrao ser vista no Captulo 8, como aplicao do Teorema da Continuidade de Lvy para funes caractersticas.
7.3
Frmula de Stirling
Esta seo independente das anteriores, e tem como objetivo demonstrar
Teorema 7.3.1 (Frmula de Stirling). n! nn en 2n.

Para entender como surge essa a frmula, observe que
log n! = log 1 + log 2 + + log n =
n
X
log k
k=1
uma aproximao superior para

Z n
log x dx = n log n n = log(nn en ).
0
Fazendo log(1 + x) = x x2 + r(x), afirmamos que |r(x)| 6 |x3 | se |x| 6 41 . Com

efeito, r(0) = r (0) = r (0) = 0, 0 6 r (x) = 2(1 + x)3 6 5 e portanto
Z
!
x Z y Z z
|x3 |

|r(x)| =
r (w)dw dz dy 6 5
6 |x3 |.
0

6
0
0
7.3. FRMULA DE STIRLING
121
Agora, para R, seja

cn = log
nn en n
n!
Temos que
cn+1 cn = log(n + 1) + n log(1 + n1 ) + 1 + log(1 + n1 ) log(n + 1)

= n log(1 + n1 ) 1 + log(1 + n1 )

= n n1 2n1 2 + r( n1 ) 1 + n1 2n1 2 + r( n1 )
=
1
1
2n + n r( n ) 2n2
n r( n1 ) 4n1 2 + 21 r( n1 )
+ r( n1 )
se escolhemos = 12 .
Para concluir a prova da frmula de Stirling, observe que, para n > 4,
|cn+1 cn | 6 |n r( n1 )| +
1
4n2
+ | 12 r( n1 )| 6
2
n2 ,
logo cn c para algum c R. Portanto

n!
nn en
para algum > 0, ou seja
ec =
n
n! nn en n.
Resta mostrar que a constante dada por = 2.
Clculo da Constante
A frmula de Stirling foi provada primeiro por De Moivre, e Stirling encontrou o
valor da constante. Vamos provar que = 2 de duas formas diferentes.
Usando a demonstrao do teorema de De Moivre A primeira prova supe
que o leitor viu a demonstrao do teorema de De Moivre-Laplace na Seo 7.1.
Pela desigualdade clssica de Tchebyshev,

np
6 +m 6 1.
1 m12 6 P m 6 Snnpq
122
Agora observe que a demonstrao do teorema de De Moivre-Laplace funciona

com 2 no lugar de . Assim, fazendo n ,
1
1
m2
x2
e 2
dx 6 1.
Fazendo agora m obtemos

Z
x2
e 2
dx = 1,
e portanto = 2.
Usando o produto de Wallis O produto de Wallis dado por

Y
2n
2 2 4 4 6 6
2n
2n
2n
= lim
=
,
n
2 n=1 2n 1 2n + 1
1 3 3 5 5 7
2n 1 2n + 1
o que ser demonstrado mais abaixo.
Tomando a raiz quadrada e usando que
r
2n
2n+1
1 obtemos
2 4 6 (2n 2)
= lim
2n.
n 3 5 7 (2n 1)
2
Multiplicando pelo numerador chegamos a

r
2 2 4 4 6 6 (2n 2) (2n 2) 2n 2n
2n
= lim
n 2 3 4 5 6 7 (2n 2) (2n 1)
2
2n
2n

22n 12 22 32 n2
22n (n!)2
1
.
= lim
= lim
n
(2n)!
2n n (2n)! 2n
Finalmente, substituindo na frmula de Stirling chegamos a

r
e portanto = 2.
22n n2n e2n n
= lim
=
n (2n)2n e2n 2n 2n
2
,
4
7.4. EXERCCIOS
123
Demonstrao do produto de Wallis Daremos a demonstrao em forma de

exerccio. Seja
Z /2
In =
senn x dx,
n > 0.
0
a) Mostre que para todo n > 2 vale

In =
n1
In2 .
n
Sugesto: integrando senn x = senn1 x sen x por partes, mostre que

R
R
senn x dx = (n 1) (senn2 x)(cos2 x) dx = (n 1)[In2 In ].
b) Verifique que para todo n > 1 vale
2n
2n
I2n
I2n2
=
.
I2n1
2n 1 2n + 1 I2n+1
c) Verifique que I0 =
e I1 = 1.
d) Mostre por induo que para todo n > 0 vale
2 2 4 4 6 6
2n
2n
I2n
.
=
2
1 3 3 5 5 7
2n 1 2n + 1 I2n+1
e) Mostre que
7.4
2n
2n+1
I2n+1
I2n1
I2n+1
I2n
6 1, e portanto
I2n
I2n+1
1.
Exerccios
Exerccio 7.4.1. Um par de dados honestos lanado 180 vezes por hora.
1. Qual a probabilidade aproximada de que 25 ou mais lanamentos tenham
tido soma 7 na primeira hora?
2. Qual a probabilidade aproximada de que entre 700 e 750 lanamentos tenham
tido soma 7 durante 24 horas?
Exerccio 7.4.2. Imagine um modelo idealizado com M eleitores, dos quais MA
pretendem votar no candidato A. Suponha que seja possvel sortear um desses
eleitores ao acaso, e de forma equiprovvel. Definimos
(
1, caso o eleitor sorteado v votar no candidato A,
X=
0, caso contrrio.
124
A
Deseja-se estimar a proporo p = M
M de eleitores do candidato A, que
desconhecida. Para isso, repete-se este processo N vezes, obtendo-se X1 , . . . , XN .
Para estimar o valor de p considera-se
pbN =
X1 + + XN
.
N
Supomos a priori que p bem prximo de 21 , de forma que V X 41 . Se

entrevistamos N = 2500 eleitores, calcule aproximadamente a probabilidade de
essa pesquisa cometer um erro |b
pN p| maior que 0, 01.
Exerccio 7.4.3. A quantidade de uvas-passas encontradas em cada panetone
de uma determinada marca independente dos demais panetones e segue a
distribuio de Poisson com parmetro = 25 (ou seja, tm esperana igual
varincia, igual a ). Um grupo de estudantes de frias resolve estimar o valor
de , uma vez que o mesmo desconhecido para eles. Para isso, vo contar as
uvas-passas de uma amostra de N = 625 panetones e registrar o resultado de cada
bN para o valor de que os estudantes vo
contagem X1 , . . . , XN . A estimativa
adotar ser dada por
b N = X1 + + XN .
N
bN esteja entre
a) Qual o valor aproximado da probabilidade de que o valor
24, 8 e 25, 4?

N fosse menor que 0, 075 com probabilidade pelo menos
b) Para que o erro b
igual a 86, 64%, qual deveria ser o nmero N de panetones examinados?
(Sugesto: resolve-se esse item como o anterior, porm de trs para frente.)
Exerccio 7.4.4. Use o Teorema Central do Limite para verificar que

lim 2 en
n
X
nk
k=0
k!
= 1.
Exerccio 7.4.5. Se lanamos 10.000 vezes uma moeda honesta, calcule aproximadamente a probabilidade de que o nmero de vezes que se obtm coroa seja no
mnimo 4.893 e no mximo 4.967.
Exerccio 7.4.6. [Jam04, Captulo 7]. Recomendados: 2 e 9.
Captulo 8
Funes Geradoras
A funo geradora de momentos e a funo caracterstica esto entre os exemplos
mais importantes de transformadas. A ideia geral de transformada mapear certos
objetos em objetos de outro tipo e outras propriedades, onde determinadas anlises
so possivelmente mais fceis. Isso ficar claro nos exemplos e aplicaes. A
funo geradora de momentos a instncia da Transformada de Laplace de uma
distribuio em R, e a funo caracterstica a Transformada de Fourier.
8.1
Funo Geradora de Momentos
Definio 8.1.1. Seja X uma varivel aleatria. Define-se a funo geradora

de momentos MX (t) de X, como
MX (t) = E[etX ],
desde que a esperana seja finita para todo t em algum intervalo [b, b]. Caso
contrrio dizemos que X no possui funo geradora de momentos.
125
126
CAPTULO 8. FUNES GERADORAS
Assim,
X tx
e P (X = x),
MX (t) = Zx
etx fX (x) dx,
se X discreta,
se X contnua.
Exemplo 8.1.2 (Bernoulli). Se X Bernoulli(p), ento

MX (t) = pet + 1 p = 1 + p(et 1).
Exemplo 8.1.3 (Binomial). Se X b(n, p), ento
MX (t) =
n
X
etk
k=0
n
X
k
p (1 p)nk =
n
k
k=0
t k
(e p) (1 p)nk
n
k
= [et p + (1 p)]n = [1 + p(et 1)]n
Exemplo 8.1.4 (Geomtrica). Se X Geom(p), ento

MX (t) =
n=1
etn p(1 p)n1 = et p
[(et )(1 p)]m
m=0
p
pet
= t
,
=
1 (1 p)et
e +p1
1
.
para t < log 1p
Proposio 8.1.5. Mostre que, se X tem funo geradora de momentos MX (t) e

Y = aX + b, ento MY (t) = ebt MX (at).
MX (t) =
n=0
etn
X
t
t
e n
(et )n
= e
= e ee = e(e 1) .
n!
n!
n=0
Proposio 8.1.7. Se X tem funo geradora de momentos MX (t), ento

dk
MX (t)
= EX k .
dtk
t=0
8.1. FUNO GERADORA DE MOMENTOS
127
Demonstrao. Para lembrar da frmula interessante entender a ideia da prova:

k

dk
d tX
dk
tX

= EX k .
M
(t)
=
E[e
]
=
E
e
X

k
k
dtk
dt
dt
t=0
t=0
t=0
No caso de X ser uma varivel aleatria simples, essa a demonstrao, pois a

esperana uma soma finita e podemos derivar dentro da soma. No caso geral, h
que se justificar a derivada dentro da esperana. Este passo ser omitido porque
envolve Teoria da Medida.

Exemplo 8.1.8 (Bernoulli). Se X Bernoulli(p), ento
(0) = p,
EX = MX
EX 2 = MX
(0) = p,
V X = EX 2 (EX)2 = p(1 p).

Exemplo 8.1.9 (Binomial). Se X b(n, p), ento
(0) = np,
EX = MX
(0) = np(1 p) n2 p2 ,
EX 2 = MX
V X = EX 2 (EX)2 = np(1 p).

1
,
p
1
2
EX 2 = MX
(0) = 2 ,
p
p
1p
.
V X = EX 2 (EX)2 =
p2
EX = MX
(0) =
EX = MX
(0) = ,
EX 2 = MX
(0) = 2 + ,
V X = EX 2 (EX)2 = .
128
Proposio 8.1.12 (Unicidade). A funo geradora de momentos define de

forma unvoca a distribuio da varivel aleatria, ou seja, se MX = MY em
algum intervalo [b, b] ento FX = FY .
Exemplo 8.1.13. Se X uma varivel aleatria no-constante assumindo valores

em {0, 1, 2, 3, . . . } e EX < , chamamos de amostragem por tamanho de X
1
distribuio dada por pY (n) = EX
n pX (n). Vamos mostrar que Y X + 1 se e
somente se X Poisson() para algum > 0.
Demonstrao. Com efeito, observe que
MX+1 (t) = et MX (t)
e, tomando = EX,
X
MX
(t)
1 X tn
=
ne pX (n) =
etn
n
n
npX (n)
etn pY (n) = MY (t).
Se MX+1 = MY vale
et M (t) =
M (t)
M (t)
= et ,
M (t)
integrando em t obtemos
log M (t) = et + c
e, como M (0) = 1, temos c = . Logo,
t
M (t) = e(e
e portanto X Poisson().
1)
8.2. FUNO CARACTERSTICA
129
Proposio 8.1.14 (Variveis Aleatrias Independentes). Se X e Y so

independentes e possuem funo geradora de momentos, ento
MX+Y (t) = MX (t) MY (t)
para todo t onde ambas MX e MY estejam definidas.
Exemplo 8.1.15 (Soma de Poissons Independentes). Se X Poisson() e Y

Poisson() so independentes, ento
t
MX+Y (t) = MX (t) MY (t) = e(e
1) (et 1)
= e(+)(e
1)
= MZ (t),
onde Z Poisson( + ). Portanto, X + Y Poisson( + ).

Exemplo 8.1.16 (Binomial). Se X b(n, p), ento X distribuda como a soma
de n variveis X1 , . . . , Xn independentes com distribuio Bernoulli(p). Portanto,
MX (t) = MX1 (t) MXn (t) = [1 + p(et 1)]n .
8.2
Funo Caracterstica
Do ponto de vista terico, a funo caracterstica bem mais robusta e funcional

que a funo geradora de momentos: est definida para qualquer distribuio; sempre determina a distribuio; determina tambm a convergncia em distribuio;
no bastasse, ainda gera momentos. Entretanto, a funo caracterstica envolve a
manipulao de nmeros complexos.1
1 O uso 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. As nicas situaesH em que teramos que sair de R e usar argumentos tpicos de
variveis complexas, em particular f (z) dz = 0, seriam na obteno da funo caracterstica
da Normal e da distribuio de Cauchy.
130
Definio 8.2.1 (Varivel Aleatria Complexa). Uma varivel aleatria complexa

Z uma funo Z : C tal que Z = X +i Y , onde X e Y so variveis aleatrias
reais. Se X e Y so integrveis, dizemos que Z integrvel e definimos
EZ = EX + iEY.
A integrao de funes complexas em domnios reais pode ser feita, para todos os
d
F (x) = f (x)
fins prticos, como no caso real. Ou seja, se F : R C satisfaz dx
para x [a, b], ento
Z b
f (x) dx = F (b) F (a).
a
Vamos utilizar a frmula de Euler
eiy = cos(y) + i sen(y),
|eiy | = 1,
e usaremos sem demonstrao os seguintes fatos:

ez =
X zn
n
n!
ez+w = ez ew ,
(eg ) = eg g ,

zn n
ez se zn z.
1+
n
Proposio 8.2.2. Se Z e W so variveis aleatrias complexas integrveis, ento

Z + W integrvel com E[Z + W ] = EZ + EW , e para z C tem-se zW integrvel
com E[zW ] = zEW . Se, alm disso, Z e W so independentes, ento ZW
integrvel com E[ZW ] = EZ EW .
Proposio 8.2.3. |EZ| 6 E|Z|

Demonstrao. Fazendo EZ = rei , com r = |EZ|, temos E[ei Z] = ei E[Z] =
r R, logo r = E[(ei Z)] 6 E|ei Z| = E|Z|.

Definio 8.2.4 (Funo Caracterstica). A funo caracterstica de uma
varivel aleatria X, denotada por X , a funo X : R C definida
como
X (t) = E[eitX ] = E cos(tX) + iE sen(tX), t R.
131
Observao 8.2.5. Como |eitX | = 1, X (t) sempre est definida para todo t R.
Exemplo 8.2.6 (Uniforme). Se X U [a, b], ento
X (t) = E[eitX ] = E[cos(tX)] + iE[sen(tX)]
Z b
Z b
1
1
dx + i
sen(tx)
dx
=
cos(tx)
b
a
b
a
a
a
b
b
i
1

sen(tx)
cos(tx)
=
t(b a)
t(b a)
a
a
1
[sen(tb) sen(ta) i cos(tb) + i cos(ta)]
=
t(b a)
ieitb + ieita
eitb eita
=
=
.
t(b a)
it(b a)
Ou, mais rpido:
X (t) =
itx

eitb eita
1 itx b
1
1
e =
dx =
.
ba
b a it
it(b a)
a
Exemplo 8.2.7 (Poisson). Se X Poisson(), ento:

X (t) = E[eitX ] =
eitn
n=0
X
it
it
e n
(eit )n
= e
= e ee = e(e 1) .
n!
n!
n=0

X (t) =
n=1
eitn p(1 p)n1 = eit p
[(eit )(1 p)]m =
m=0
p
.
eit + p 1
Proposio 8.2.9. Para todo t R vale |X (t)| 6 1. Alm disso, (0) = 1.

Ademais, para a, b R, vale aX+b (t) = eitb X (at).
Proposio 8.2.10 (Independncia). Se X e Y so independentes, ento

X+Y (t) = X (t) Y (t)
para todo t R.
132
Proposio 8.2.11 (Clculo de Momentos). Se E|X k | < ento

dk

(t)
= ik EX k .

X
dtk
t=0
Demonstrao. Idntico ao caso da funo geradora de momentos, com iX no lugar
de X.
Corolrio 8.2.12 (Expanso de Taylor). Se E|X k | < , ento

k
t2
t3
(k) t
+
+ + X
+ rk (t)
X (0)
2
6
k!
EX 2 2
EX 3 3
EX k k
= 1 + iEX t
t i
t + + ik
t + rk (t),
2
6
k!
X (t) = X (0) + X (0) t + X (0)
onde o resto rk (t) pequeno:
rk (t)
tk
t0
0.
Demonstrao. Omitida. Toda funo com k-sima derivada admite essa expanso
com resto pequeno.

Exemplo 8.2.13 (Poisson). Calculando os momentos da Poisson:
EX = i X (0) = ,
EX 2 = X (0) = 2 + ,
V X = EX 2 (EX)2 = .
Proposio 8.2.14 (Unicidade). Se X (t) = Y (t) t R, ento X Y .
133
Exemplo 8.2.15 (Soma de Poissons Independentes). Se X Poisson() e Y

Poisson() so independentes, ento
it
X+Y (t) = X (t) Y (t) = e(e
1) (eit 1)
it
= e(+)(e
1)
= Z (t),
onde Z Poisson( + ). Portanto, X + Y Poisson( + ).
Convergncia em distribuio
O Teorema de Continuidade relaciona convergncia de funes caractersticas com
convergncia em distribuio, vista no Captulo 5.
Teorema 8.2.16 (Teorema da Continuidade de Lvy). Sejam X e (Xn )nN

variveis aleatrias. Ento
d
Xn X
se, e somente se,
Xn (t) X (t)
t R.
Exemplo 8.2.17 (Binomial Converge a Poisson). Seja > 0 e para n > 1

considere Xn b(n, n ). Ento
d
Xn Poisson().
Demonstrao. Analisando a funo caracterstica das Xn obtemos
it
Xn (t) = [1 + n (eit 1)]n e(e
1)
= X (t)
com X Poisson().
Demonstrao do Teorema 6.1.4. Como as Xn so i.i.d., temos

n
t
t
t
t
t
Sn (t) = Sn ( n ) = X1 ( n ) Xn ( n ) = X1 n
= 1 + i + r1
n
n
t
n

n
134
onde r1 () tal que
r1 (w)
w
0 quando w 0. Segue que Sn (t) eit quando

n
n , para todo t R. Pelo Teorema 8.2.16,

o mesmo que
Sn P
n
Sn
n
. Como constante, isso
Demonstrao do Teorema 7.2.1. Supomos sem perda de generalidade que = 0.

Como as Xn so i.i.d., temos

in
n

h
t2
Sn (t) = Sn ( t n ) = X1 t n
+ r2 t n
= 1
,
n
2n
onde r2 () tal que
r2 (w)
w2
0 quando w 0. Segue que
n , para todo t R. Pelo Teorema 8.2.16,
8.3
Sn
n
t2
Sn
(t) e 2 quando
N.
Exerccios
t2
Exerccio 8.3.1. Se X N (0, 1), mostre que MX (t) = e 2 . Mostre que EX = 0.

Mostre que V X = 1. (Sugesto: verifique que (z 2 2tz) = t2 (z t)2 e faa
z t = u.)
Exerccio 8.3.2. Sejam X1 , X2 , X2 , . . . independentes,
Sn = X 1 + X 2 + + X n
X1 + X2 + + Xn
.
Sn =
n
Mostre as seguintes propriedades:

1. Se X N (, 2 ), ento Z =
2. Assim, se X N (, ), ento
2
N (0, 1).
1
MX (t) = et+ 2
2 2
EX =
V X = 2 .
Pn
Pn
3. Se Xi N (i , i2 ), ento Sn N ( i=1 i , i=1 i2 ).
4. Se Xi N (, 2 ), ento Sn N (n, n 2 ).
2
5. Se Xi N (, 2 ), ento Sn N (, n ).
8.3. EXERCCIOS
135
Exerccio 8.3.3. A distribuio dos comprimentos dos elos da corrente de bicicleta

normal, com mdia 2 cm e varincia 0, 01 cm2 . 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 8.3.4. 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? Justifique adequadamente.
Exerccio 8.3.5. O peso de uma determinada fruta uma varivel aleatria com
distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas.
Determine a probabilidade de um lote contendo 100 unidades dessa fruta pesar
mais que 21 kg.
Exerccio 8.3.6. 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 8.3.7. Se X U [a, b], calcule MX (t).
momentos para calcular EX e V X.
Use a funo geradora de
Exerccio 8.3.8. As cinco primeiras repeties de um experimento custam R$

10, 00 cada. Todas as repeties subsequentes 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 8.3.9. Se X exp(), calcule MX (t). Use a funo geradora de
momentos para calcular EX e V X.
136
Exerccio 8.3.10. Seja Y uma varivel aleatria absolutamente contnua com

funo de densidade de probabilidade dada por

yey , se y > 0
fY (y) =
0, caso contrrio
Ache a funo geradora de momentos de Y e use-a para calcular EY e V Y .
t2
Exerccio 8.3.11. Se X N (0, 1), mostre que X (t) = e 2 .

Voc pode usar o seguinte fato, da teoria do clculo em uma varivel complexa:
Z
Z
2
2
ew dw
e(w+ci) dw =
R
para qualquer c R.
Exerccio 8.3.12. Se X N (, 2 ), calcule X (t).
Recomendados: 1, 2, 3, 4, 7, 9, 13a, 14, 17, 18, 21, 29.
Captulo 9
Esperana Condicional
Muitas vezes a estrutura do espao amostral complicada demais para estudarmos as grandezas de interesse diretamente a partir dos eventos elementares ,
at mesmo em situaes aparentemente simples.
Neste contexto, estudamos as propriedades de algumas grandezas observveis, ou
ainda, conseguimos dividir em classes que podem ser estudadas como um todo.
Estudar uma partio D de quer dizer que estamos trabalhando apenas com a
informao relacionada quela partio.
Da mesma forma, e inmeras situaes queremos estudar o comportamento de
uma dada varivel aleatria X em termos de outra varivel aleatria Y , o que em
estatstica significa dizer que buscamos um estimador para X sabendo-se o valor
da varivel Y .
9.1
Esperana Condicional dada uma Partio
Definio 9.1.1. Dizemos que D = {D1 , D2 , D3 , . . . } uma partio de (, F ) se

Di F i, Di Dj = i 6= j, e i Di = .
Exemplo 9.1.2. Sejam X1 , X2 , X3 , . . . variveis aleatrias assumindo valores em
{1, 1}. O espao pode ser dividido em tomos onde X1 e X2 so constantes.
137
138
CAPTULO 9. ESPERANA CONDICIONAL
Definio 9.1.3 (Probabilidade Condicional Dada uma Partio). Dada uma

partio D = {Di }i e um evento A, definimos a varivel aleatria
X
P (A|D) = P (A|D)() =
P (A|Di ) 1Di (),
i
isto , em cada tomo Di da partio D, temos que P (A|D) assume o valor

constante P (A|Di ).
Exemplo 9.1.4. Suponha que

P (chover amanh|chove hoje) = 0, 7,
P (chover amanh|no chove hoje) = 0, 1,
e seja D = {chove hoje, no chove hoje}. Ento
(
0, 7, se no estado chove hoje,
Z = P (chover amanh|D) =
0, 1, caso contrrio.
Teorema 9.1.5 (Lei da Probabilidade Total).

P (A) = E P (A|D) .

P
P
Demonstrao. E P (A|D) = i P (A|Di )E[1Di ] = i P (A|Di )P (Di ) = P (A).

Exemplo 9.1.6. Se P (chover hoje) = 0, 6, ento
X
P (chover amanh) = EZ =
z P (Z = z) = 0, 7 0, 6 + 0, 1 0, 4 = 0, 46.
z
Definio 9.1.7. Seja X uma varivel aleatria discreta. Definimos a partio

induzida por X como DX = {D1 , D2 , D3 , . . . }, onde Dj = { : X() = xj }.
Denotamos a varivel aleatria P (A|DX )() por P (A|X)().
9.1. ESPERANA CONDICIONAL DADA UMA PARTIO
139
Exemplo 9.1.8. 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 ) = p 1[Y =0] + (1 p) 1[Y =1] ,
ou, escrevendo explicitamente como funo de Y :
P (A|Y ) = p (1 Y ) + (1 p) Y.
Definio 9.1.9 (Esperana Condicional Dada uma Partio). Seja X uma
varivel aleatria simples. Considere D uma partio de (, F ). Definimos a
varivel aleatria
X
E(X|Di ) 1Di ().
E(X|D)() =
i
Observe que, desenvolvendo a expresso acima, temos

"
#
X
X X
X

x P (X = x|Di ) 1Di =
x
E(X|D) =
P (X = x|Di ) 1Di ,
i
e portanto
E(X|D) =
X
x
x P (X = x | D).
A esperana condicional E(X|D) a uma aproximao para X que depende apenas

da informao relacionada partio D. Ela grosseira o suficiente para atender
restrio de ser constante no tomos de D, mas fina o suficiente para ser a melhor
entre todas as aproximaes sujeitas a essa restrio. Veja a Figura 9.1.
Exemplo 9.1.10. Lanamento de um dado honesto. Seja D = {mpar, par}.
Temos
(
E(X|X par),
se X() par,
Z() = E(X|D)() =
E(X|X mpar), se X() mpar.
140

X()
E(X|D)()
Figura 9.1: Ilustrao da definio de E(X|D).

Assim,
Z() =
4, se X() par,
3, se X() mpar.
Proposio 9.1.11 (Propriedades da esperana condicional).

1. E(c | D) = c
2. Se X 6 Y ento E(X|D) 6 E(Y |D)
3. E(aX + bY |D) = aE(X|D) + bE(Y |D)

4. E(X|{}) = EX .
Demonstrao. Se X = c, ento E(X|D) = c para qualquer D com P (D) > 0,

pois E(|D) nada mais que uma esperana calculada com respeito medida
de probabilidade P (|D).
Portanto, temos que E(c | D) = c. Analogamente,
E(aX + bY |D) = aE(X|D) + bE(Y |D) e se X 6 Y ento E(X|D) 6 E(Y |D).
Teorema 9.1.12 (Generalizao da Lei da Probabilidade Total).

EX = E E(X|D) .
9.1. ESPERANA CONDICIONAL DADA UMA PARTIO
141
Demonstrao. Pelo Teorema 9.1.5,

"
#
X

E E(X|D) = E
x P (X = x|D)
=
X
x

X
x E P (X = x|D) =
x P (X = x) = EX.
Com o Teorema 9.1.12 completamos o diagrama da Figura 9.2.
EX=
P ()
P (A|D)=
E(X|D)=
P (A|D)=
xP (X=x)
/ E()
Y
P (AD)
P (D)
P (|D)
P (A)=E[P (A|D)]
xP (X=x|D)
/ E(|D)
P (A|Di )1Di
E(X|D)=
P (|D)
E(X|D)=
EX=E[E(X|D)]
E(X|Di )1Di
xP (X=x|D)

/ E(|D)
Figura 9.2: Relao entre probabilidade, esperana, probabilidade condicional dado um evento, esperana condicional dado um evento, probabilidade
condicional dada uma partio, e esperana condicional dada uma partio.
Exemplo 9.1.13. Lanamento do dado no Exemplo 9.1.10. Temos

7
EX = E E(X|D) = EZ = .
2
Se Y uma varivel aleatria discreta, denotamos
E(X|Y ) = E(X|DY ).
Exerccio 9.1.14. Se X e Y so independentes ento E(X|Y ) = EX constante.
142

Observao 9.1.15. Caso particular do teorema anterior: EX = E E(X|Y ) .
Dizemos que D2 mais fina que D1 , denotado por D2 < D1 , se todo elemento de D1
igual unio de elementos de D2 , isto , se para todo D D1 existe C D2 tal
que D = C. Isso significa que D2 tem mais informao do que D1 .
Exemplo 9.1.16. Seja D2 = {D1 , D2 , D3 , D4 } uma partio de , e sejam D5 =
D1 D3 , D6 = D2 e D7 = D4 . Se definimos D1 = {D5 , D6 , D7 }, temos D2 < D1 .
Exemplo 9.1.17. Para qualquer partio D vale D < D < {}.
Dizemos que X D-mensurvel se D < DX , isto , se X constante nos tomos
de D, ou seja, se a informao sobre D determina o valor de X.
Observao 9.1.18. X sempre DX -mensurvel. Se Y = g(X) para alguma
g : R R, ento Y DX -mensurvel.
Definimos DX1 ,X2 ,...,Xd como sendo a partio gerada pelo vetor (X1 , X2 , . . . , Xd ),
ou seja, a partio cujos tomos so os maiores conjuntos onde todas as Xj so
constantes. Mais formalmente, se {x1 , . . . , xk } so os valores assumidos pelo vetor
aleatrio X, definimos Di = [X = xi ] e D = {D1 , . . . , Dk }.
Exerccio 9.1.19. Mostre que DX1 ,X2 < DX1 .
De forma anloga a E(X|Y ), definimos

E(X|Y1 , . . . , Yn ) = E X DY1 ,...,Yn .
Proposio 9.1.20. Se X D-mensurvel, ento
E(XY |D) = XE(Y |D).

Em particular, E(X|D) = X. Ademais, E(X|X) = X.
Demonstrao. Feita em aula, seguindo [Shi96, p. 80].
Observao 9.1.21. E(X|D) sempre D-mensurvel.
Proposio 9.1.22. Se D1 4 D2 , ento

E E(X|D2 )D1 = E E(X|D1 )D2 = E(X|D1 ).
Em particular,

E E(X|Y1 , Y2 )Y1 = E(X|Y1 ).
9.2. DISTRIBUIO CONDICIONAL REGULAR
143
Demonstrao. Feita em aula, seguindo [Shi96, p. 81].
Exemplo 9.1.23. Dada uma funo g, vale

E [g(Y )E (X|Y )] = E [Xg(Y )] .
Com efeito, como Z = g(Y ) DY -mensurvel, temos

E Xg(Y )Y = g(Y )E(X|Y ).
Tomando a esperana dos dois lados, obtemos a equao anterior.
9.2
Distribuio Condicional Regular
Quando Y uma varivel aleatria discreta assumindo valores y1 , y2 , . . . , essa

varivel aleatria induz uma partio DY de (, F ), e temos as seguintes relaes:
X

P (X B) =
P (X B|Y = y)P (Y = y) = E P (X B|Y )
y
E(X) =
X
y

E(X|Y = y)P (Y = y) = E E(X|Y ) .
No caso de variveis aleatrias Y que no sejam discretas, temos que dar sentido a
expresses como P (X B|Y = y) e E(X|Y = y), mesmo que P (Y = y) seja zero,
para poder dizer que relaes anlogas continuam valendo.
Definio 9.2.1 (Distribuio Condicional Regular). Sejam X e Y variveis

aleatrias definidas no mesmo espao de probabilidade (, F , P ). A distribuio condicional regular de X dado que Y = y definida por

P X [s, t] Y = y = lim lim P X [s , t + ] Y [y , y + ]
0 0
para todo s < t e y A, onde A algum conjunto tal que P (Y A) = 1.

importante tomar o limite primeiro em e depois em . Quando s = ,
definimos a funo de distribuio condicional acumulada
FX (t|Y = y) = P (X 6 t|Y = y).
144
Teorema 9.2.2. Para quase todo y R, isto , para todo y A onde A um

conjunto tal que P (Y A) = 1, o duplo limite acima existe para todo s < t e
determina uma probabilidade em R.
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 verifica-se a posteriori que o candidato proposto satisfaz a
Definio 9.2.1. 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.
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).
Caso de X e Y possurem densidade conjunta

Se X e Y possuem funo de densidade conjunta fX,Y (x, y), a funo de
densidade condicional de X dado Y = y dada por
fX (x|Y = y) =
fX,Y (x, y)
fY (y)
9.2. DISTRIBUIO CONDICIONAL REGULAR
145
para todo y tal que fY (y) > 0.

Neste caso a funo de distribuio condicional de X dado que Y = y dada por
Z t
FX (t|Y = y) =
fX (x|Y = y) dx.
Exemplo 9.2.3. Sejam X e Y com densidade conjunta

(
6xy(2 x y), 0 < x < 1, 0 < y < 1,
fX,Y (x, y) =
0,
caso contrrio.
Vamos determinar a distribuio condicional de X dado que Y = y. Temos
Z +
Z 1
fY (y) =
fX,Y (x, y)dx =
6xy(2 x y)dx = 4y 3y 2
se y (0, 1) e 0 caso contrrio. Assim, para y [0, 1] temos

(
6x(2xy)
, 0<x<1
fX,Y (x, y)
43y
=
fX (x | Y = y) =
fY (y)
0,
caso contrrio.
Para y fora desse intervalo fX (|Y = y) irrelevante, pois P (Y 6 [0, 1]) = 0.
Exemplo 9.2.4. Sejam X e Y com densidade conjunta
1 xy
, 0<x< e 0<y<2
2 ye
fX,Y (x, y) =
0, caso contrrio
Vamos determinar a distribuio condicional de X dado que Y = y. Temos
Z
Z +
1
1 xy
ye
dx =
fY (y) =
fX,Y (x, y)dx =
2 0
2
para 0 < y < 2. Logo Y U [0, 2].
Assim, para y (0, 2] temos
fX,Y (x, y)
fX (x | Y = y) =
=
fY (y)
yexy , x > 0,
0,
x 6 0.
146
Caso de Y possuir densidade e X ser discreta

Se X discreta e Y tem funo de densidade fY (y), a funo de probabilidade
condicional de X dado Y = y dada por
pX (x|Y = y) =
P (X = x)fY (y|X = x)
fY (y)
para todo y tal que fY (y) > 0.
Neste caso a funo de distribuio condicional de X dado Y = y

X
FX (t|Y = y) =
pX (x|Y = y).
x6t
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 9.2.5. X N (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 fX (y) = fX (y), esses dois

valores continuamtendo a mesma chance quando
condicionamos a Y = y. Temos

ento P X = y Y = y = P X = y Y = y = 21 , y > 0.
Exemplo 9.2.6. Seja X U [0, 2] e Y U [1, 1] independentes. Vamos encontrar

FX (x|X + Y = z).
Seja Z = X + Y . A densidade conjunta de X e Y dada por fXY (x, y) =

1
1
Con4 1[0,2][1,1] (x, y), e a marginal de X dada por fX (x) = 2 1[0,2] (x).
dicionando a Z = z, temos que o conjunto dos resultados possveis fica restrito a uma diagonal {(x, y) [0, 2] [1, 1] : x + y = z} que corta o quadrado
[0, 2][1, 1]. Pelo Princpio da Preservao das Chances Relativas, todos os pontos
9.3. ESPERANA CONDICIONAL REGULAR
147
desse conjunto eram equiprovveis antes do condicionamento e 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
fX (X|Z = z) =
1
3z 1[z1,2] (x),
1
z+1 1[0,z+1] (x),
1 < z < 3,
1 < z < 1.
Princpio da substituio
O princpio da substituio permite substituir Y por y sempre que se condiciona

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 .
9.3
Esperana Condicional Regular
Dada X integrvel, definimos E(X|Y = y) como a esperana de X com respeito

sua distribuio condicional regular dado que Y = y.
Teorema 9.3.1. Sejam X e Y variveis aleatrias definidas em (, F , P ) com X
integrvel. Ento existe algum A B tal que P (Y A) = 1 e E(X|Y = y) finita
para todo y A.
Tomando g : R R como sendo a funo tal que E(X|Y = y) = g(y), definimos a varivel aleatria E(X|Y ) por E(X|Y ) = g(Y ), isto , E(X|Y )() =
g(Y ()).
Exemplo 9.3.2. Se X U [0, 2] e Y = max{X, 1}. Temos que Y assume valores
em [1, 2]. Tomando y em (1, 2], temos que [Y = y] = [X = y] e, pelo Princpio da
148
Substituio, E[X|Y = y] = y. Tomando y = 1, temos que [Y = 1] = [X 6 1].

Assim,
x/2
1/2 = x, 0 6 x 6 1,
P (X 6 x, X 6 1)
= 0,
FX (x|Y = 1) = FX (x|X 6 1) =
x < 0,
P (X 6 1)
1,
x > 1.
Logo, fX (x|Y = 1) =
d
dx FX (x|Y
= 1) = 1[0,1] (x) e
E(X|Y = 1) =
xfX (x|Y = 1)dx =
Portanto, E(X|Y = y) = y se y (1, 2] e E(X|Y = y) =

E(X|Y ) =
1
2,
1
2
1
.
2
se y = 1. Substituindo,
Y = 1,
Y, 1 < Y 6 2.
Teorema 9.3.3. Se X integrvel ento

EX = E E(X|Y ) .
Exemplo 9.3.4. No Exemplo 9.3.2, temos que Y mista com funes de densidade
e probabilidade dadas por
pY (y) = 21 1{1} (y),
fY (y) = 21 1[1,2] (y)
e portanto

EX = E E(X|Y ) = E[g(y)] =
1
2
1
2
2
1
2
y dy = 1.
Teorema 9.3.5 (Propriedades da Esperana Condicional).
9.3. ESPERANA CONDICIONAL REGULAR
149
1. E(c|Y ) = c quase certamente.

2. X 6 Z E(X|Y ) 6 E(Z|Y ) quase certamente.
3. E(aX + bZ|Y ) = aE(X|Y ) + bE(Z|Y ) quase certamente.

4. Se X = g(Y ) ento E(X|Y ) = X quase certamente.
5. Se Z = g(Y ), ento

E E (X|Z) Y = E E (X|Y ) Z = E X Z quase certamente.
6. Se Z = g(Y ), E|X| < e E|XZ| < , ento

E XZ Y = Z.E X Y quase certamente.
Exemplo 9.3.6. O Jogador I lana uma moeda honesta n vezes, obtendo k caras,
onde 0 6 K 6 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, 41 ) e portanto EX = n4 , mas estamos interessados apenas em
saber EX.)
Seja Y o nmero de caras obtidas pelo Jogador I. claro que X|Y = k b(k, 12 ),
logo E(X|Y = k) = k2 . Assim, E(X|Y ) = Y2 . Calculamos ento

Y
EX = E [E(X|Y )] = E
2
1
1n
n
EY =
= ,
2
22
4
uma vez que Y b(n, 12 ).

Exemplo 9.3.7. No Exemplo 9.2.3, vamos cacular E [X|Y ] e E [X].
Substituindo a densidade obtida temos
E[X|Y = y] =
xfX (x | Y = y)dx =
1
0
5 4y
6x2 (2 x y)
dx =
.
4 3y
8 6y
150
Ento E[X|Y ] =
54Y
86Y
e
Z
15
8
7
5 4y
(4y 3y 2 )dy =
=
.
8
6y
12
12
12
0

Exemplo 9.3.8. No Exemplo 9.2.4, vamos calcular E eX/2 Y e E eX/2 Y = 1 .

E[X] = E E(X|Y ) =
Substituindo a densidade condicional obtida, temos

Z
h X
i Z x
E e 2 Y = y =
e 2 yexy dx = y
0
Se y 6
1
2
E e

e E eX/2 Y = 1 = 12 .
e( 2 y)x dx.
1
2
a integral vale +. Se y >

h
y
y 21
la integral vale
(
i
Y =
X/2
Y 6 12 ,
+,
y
y 21
. Assim,
, y > 21 ,
Exemplo 9.3.9. Seja X U [0, 1]. Se X = x, ento uma moeda com probabilidade x de sair cara lanada n vezes independentemente. Seja Y a varivel
aleatria 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:
Z 1
Z 1

n y
ny
dx.
P (Y = y | X = x)fX (x)dx =
P (Y = y) =
y x (1 x)
0
Portanto
E[Y ] =
n
X
n Z
X
yP (Y = y) =
y=0
=
=
y=0
xn
0
n
X
y=0
1
y
x (1 x)ny dx
n
y
y1
x
(1 x)ny dx
n1
y1
n1
xn(x + 1 x)
dx = n
xdx =
n
.
2
Por outro lado, E[Y | X = x] = nx, ou seja, E[Y | X] = nX, logo

n
E E(Y |X) = E[nX] = .
2
9.4. EXERCCIOS
151
Exerccio 9.3.10. Sejam X e Y variveis aleatrias independentes tais que X

U [0, 2] e Y U [1, 1].
(a) Calcule E [X|X + Y 6 2].
(b) Calcule E [X|X + Y ].
(c) Calcule E [X|X + Y = 2].
Exerccio 9.3.11. Seja X1 , X2 , . . . .uma sequncia de variveis aleatrias independentes e identicamente distribudas e seja N uma varivel aleatria inteira e
N
P
Xi . Mostre que
no-negativa independente da sequncia X1 , X2 , . . . . Seja Y =
i=1
E [Y ] = E [N ] E [X] .
Exerccio 9.3.12. Sejam Y1 , Y2 , . . . , Yn variveis aleatrias no-negativas i.i.d.

Mostre que
E [Y1 + Y2 + + Yk |Y1 + Y2 + + Yn = y] =
k
y, k = 1, 2, . . . , n.
n
Exerccio 9.3.13. Um nmero no-negativo X escolhido com densidade fX (x) =

xex para x > 0. Se X = x, um nmero Y escolhido no intervalo [0, x]. Ache
P (X + Y 6 2).
9.4
Exerccios
Exerccio 9.4.1. Considere X e Y i.i.d. Bernoulli(p). Calcule E(X + Y |Y ) e

escreva essa varivel aleatria como uma funo da varivel aleatria Y , de duas
formas diferentes:
(a) usando P (X + Y = k|Y ) e aplicando a definio 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 DY -mensurvel.
Exerccio 9.4.2. Sejam X e Y variveis aleatrias simples e i.i.d. Mostre que
E(X|X + Y ) = E(Y |X + Y ) =
X +Y
.
2
152
Exerccio 9.4.3. Seja X uma varivel aleatria simples definida em (, F , P ) e D

uma partio de (, F ). A varincia condicionada a uma partio definida de
forma anloga varincia de uma varivel aleatria:
o
n
2
V (X|D) = E [X E (X|D)] D .
Mostre que
e que

2
V (X|D) = E X 2 D [E (X|D)]
V X = E[V (X|D)] + V [E(X|D)].
Exerccio 9.4.4. Sejam X e Y variveis aleatrias simples definidas em (, F , P )

e D uma partio. Mostre que
E [ X E (Y |D) ] = E [ Y E (X|D) ] .
Exerccio 9.4.5. Sejam X e Y variveis aleatrias simples definidas em (, F , P )
e D uma partio. Se

E Y 2 D = X 2 e E(Y |D) = X,

mostre que P (X = Y ) = 1. Dica: desenvolva E (X Y )2 .
Exerccio 9.4.6. Joga-se um dado, depois uma moeda, depois o dado novamente
e segue-se alternando entre o dado e a moeda. Quando se obtm cara na moeda,
o jogo imediatamente interrompido e conta-se o total Z de pontos obtidos nos
lanamentos do dado. Calcule EZ.
Exerccio 9.4.7. Seja X exp() e Y = min{X, c}, onde c > 0 uma constante.
Encontre E(X|Y ).
Exerccio 9.4.8. [Jam04, Captulo 4]. Recomendados: 1, 9, 15, 16b, 32, 40.
Parte III
153
Captulo 10
Princpio dos Grandes

Desvios
155
156
CAPTULO 10. PRINCPIO DOS GRANDES DESVIOS
Captulo 11
Percolao
157
158
CAPTULO 11. PERCOLAO
Captulo 12
Passeios Aleatrios
159
160
CAPTULO 12. PASSEIOS ALEATRIOS
Parte IV
161
Captulo 13
Espao de Medida
163
164
CAPTULO 13. ESPAO DE MEDIDA
Captulo 14
Medida de Lebesgue
165
166
CAPTULO 14. MEDIDA DE LEBESGUE
Captulo 15
Integral e Convergncia
167
168
CAPTULO 15. INTEGRAL E CONVERGNCIA
Lista de Figuras
2.1
Grfico de uma funo de distribuio acumulada. . . . . . . . . . . 34
2.2
Grfico de uma funo de distribuio acumulada. . . . . . . . . . . 34
3.1
Valores assumidos por FX (t1 , t2 ) para cada (t1 , t2 ) R2 . . . . . . . . 51
4.1
A esperana de X como o centro de massa de pX .
4.2
Grfico de g2 (y) e aproximao de gk (x) x para um x fixado. . . . 72
. . . . . . . . . . 68
4.3
Aproximao de X por g1 (X) e g2 (X). . . . . . . . . . . . . . . . . . 73
4.4
Esperana e integral. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.1
Diagrama de implicaes entre os tipos de convergncia. . . . . . . . 106
7.1
Aproximao de binomial a normal. . . . . . . . . . . . . . . . . . . 117
9.1
Ilustrao da definio de E(X|D). . . . . . . . . . . . . . . . . . . . 140
9.2
Diagrama de relaes para probabilidade e esperana condicionais. . 141
169
170
LISTA DE FIGURAS
Lista de Tabelas
2.1
(x + y), onde x so os valores das linhas e y os das colunas. . . . . 44
171
172
LISTA DE TABELAS
Notao
#A
Cardinalidade de A, quantidade de elementos que pertencem a A . . . . . . 16
Ac
Complementar de A: Ac = { :
/ A} . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Assintoticamente equivalentes: an bn se
ab
Mximo entre a e b, a b = max{a, b} . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
ab
Mnimo entre a e b, a b = min{a, b} . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
an
bn
1 quando n . . . . 117
Bernoulli(p) Distribuio de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

n
n!
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Combinaes de n, k a k. nk = k!(nk)!
k
b(n, p) Distribuio binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

exp() Distribuio exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .42
F (x+) Limite lateral pela direita, limyx+ F (y) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Geom(p) Distribuio geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1A
Funo indicadora, 1A () = 1 se A ou 0 caso contrrio . . . . . . . . . . . . 32
i.i.d.
Independentes e identicamente distribudas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Nmeros naturais, N = {1, 2, 3, . . . } . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
N (, 2 ) Distribuio normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
P()
Conjunto das partes: P() = {A : A } . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

173
174
NOTAO
Poisson() Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

U [a, b] Distribuio uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Ud [I]
Distribuio uniforme discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Vetor aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Um vetor com d coordenadas, x Rd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
X Y X e Y tm a mesma distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
x 6 y Desigualdade de vetores, x1 6 y1 , . . . , xd 6 yd . . . . . . . . . . . . . . . . . . . . . . . . . . 50
X, Y
Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
ndice Remissivo
tomo, 137
Bayes, veja frmula de Bayes
Bernoulli, veja distribuio de Bernoulli,
veja lei dos grandes nmeros de
Bernoulli
Borel, veja -lgebra de Borel, veja lema
de Borel-Cantelli, veja lei dos
grandes nmeros de Borel
Borelianos, veja -lgebra de Borel
conjunto das partes, 19

conjunto pequeno, 40, 45, 56
contnua, veja varivel aleatria absolutamente contnua
convergncia
de variveis aleatrias, 97
em Lp , 102
em distribuio, 103, veja tambm teorema da continuidade
de Lvy, 133
em probabilidade, 100
quase certa, 101
relaes de implicao, 106
unicidade do limite, 104, 105
convexa, veja funo convexa
covarincia, 83
propriedades, 83
Cantelli, veja lema de Borel-Cantelli,

Cantelli
Cauchy, veja ver desigualdade de CauchySchwarz
Cauchy-Schwarz, veja ver desigualdade
de Cauchy-Schwarz
centro de massa, 67
De Moivre, veja teorema central do liChebyshev, veja Tchebyshev
mite
coeficiente de correlao, 84
densidade, veja funo de densidade
desigualdade
propriedades, 84, 85
bsica de Tchebyshev, 87
cncava, veja funo cncava
clssica de Tchebyshev, 88
condicional, veja probabilidade condicide Cauchy-Schwarz, 88
onal, veja distribuio condicide Jensen, 86
onal, veja esperana condiciode Markov, 87
nal
175
176
NDICE REMISSIVO
caso contnuo, 76
desvio-padro, 82
caso discreto, 75
propriedades, 83
condicional
determinante, veja mtodo do Jacobiano
dada uma partio, 139
discreta, veja ver varivel aleatria disdado um evento, 90
creta
iterada, 148
distribuio
binomial, 38, 116, 133
condicional
regular, 147
de variveis independentes, 71, 80
dado um evento, 46
de varivel aleatria simples, 67
regular, 143
propriedades, 69
conjunta, veja funo de distribuidefinio, 73
o conjunta
linearidade, 78
de Bernoulli, 37
de Poisson, 39, 64, 65, 75, 107, 126
momentos, veja momentos
129, 131133
monotonicidade, 78
mudana de varivel, 76
exponencial, 42
funo de, veja funo de distribuio
unitariedade, 78
gama, 42
varincia, veja varincia
geomtrica, 38
Euler, veja frmula de Euler
hipergeomtrica, 38
evento
normal, 43, 115, 116, 120, 134, 136
aleatrio, 18
padro, 43
certo, 19
elementar, 19
soma de, 62, 134
impossvel, 18
tabela, 44
incompatvel, 18
singular, veja varivel aleatria singular
independente, veja independncia
uniforme, 41
de eventos
expanso de Taylor, 132
contnua, 41
do logaritmo, 119
discreta, 37
equiprovvel, 16, 37
espao amostral, 17
espao de probabilidade, 15, 20
induzido, 33, 50
espao discreto, 16
esperana
frmula
de Bayes, 25
de Euler, 130
de Stirling, 118, 120
Fourier, veja transformada
funo
NDICE REMISSIVO
caracterstica, 129, 130
cncava, 86
convexa, 86
de densidade, 39
condicional, 46
conjunta, 54
marginal, 54
de distribuio, 33
condicional, 46
conjunta, 50
marginal, 53
de probabilidade, 36
condicional, 46
conjunta, 54
marginal, 54
geradora de momentos, 125
indicadora, 32
par, 41
177
Jacobi, veja mtodo do Jacobiano
Jacobiano, veja mtodo do Jacobiano
Jensen, veja desigualdade de Jensen
Khintchine, veja lei dos grandes nmeros
de Khintchine
Kolmogorov, veja lei dos grandes nmeros de Kolmogorov
Laplace, veja teorema central do limite,

veja transformada
lei
da probabilidade total, 24, 138
de um vetor aleatrio, 50
de uma varivel aleatria, 33
lei dos grandes nmeros, 109
de Bernoulli, 109
de Borel, 111
de Cantelli, 112
de Khintchine, 110
de Kolmogorov, 113
grandes nmeros, veja lei dos grandes
de Tchebyshev, 110
nmeros
forte, 111
independncia
fraca, 109
de eventos, 26
lema de Borel-Cantelli, 99
coletiva, 27
Lvy, veja teorema da continuidade de
dois a dois, 26
Lvy
de variveis aleatrias, 57
caso contnuo, 59
mdia, veja esperana
caso discreto, 58
mdia amostral, 115
critrio, 57
mtodo do Jacobiano, 60
esperana, veja esperana de vari- marginal, veja funo de distribuio
veis independentes
marginal, veja funo de densiindicadora, veja funo indicadora
dade marginal, veja funo de
infinitas vezes, 97
probabilidade marginal
integrvel, veja varivel aleatria inte- Markov, veja ver desigualdade de Margrvel
kov
178
matriz
Jacobiana, veja mtodo do Jacobiano
medida
de probabilidade, veja probabilidade
modelo probabilstico, veja espao de
probabilidade
momentos, 81
mudana de varivel, veja mtodo do
Jacobiano, veja esperana
normal, veja distribuio normal
partes, veja conjunto das partes
partio, 23, 137, veja tambm probabilidade condicional dada uma
partio
mais fina, 142
mensurabilidade de varivel aleatria, 142
pequeno, veja conjunto pequeno
Poisson, veja distribuio de Poisson
princpio
da substituio, 147
preservao das chances relativas,
146
probabilidade, 19
condicional, 22
dada uma partio, 138
medida de, veja probabilidade
total, veja lei da probabilidade total
produto de Wallis, 122
realizao do experimento, 17
regra do produto, 22
regularidade
NDICE REMISSIVO
determinstica, 15
estatstica, 15
resultados possveis, 17
Riemann, veja soma de Riemann
Schwarz, veja ver desigualdade de CauchySchwarz
-lgebra, 19
de Borel, 32, 50
singular, veja varivel aleatria singular,
veja vetor aleatrio singular
soma de Riemann, 119
Stirling, veja frmula de Stirling
tabela normal, veja distribuio normal
Taylor, veja expanso de Taylor
Tchebyshev, veja desigualdade bsica
de Tchebyshev, veja desigualdade clssica de Tchebyshev,
Tchebyshev
teorema central do limite, 115
para variveis i.i.d., 120
teorema de De Moivre-Laplace, 116
teorema da continuidade de Lvy, 133
transformada, 125
de Fourier, veja funo caracterstica
de Laplace, veja funo geradora de
momentos
valor esperado, veja esperana
varivel aleatria, 32
absolutamente contnua, 39
esperana, veja esperana
complexa, 129
NDICE REMISSIVO
contnua, 39, veja tambm varivel
aleatria absolutamente contnua
covarincia, veja covarincia
densidade, veja funo de densidade
desvio-padro, veja desvio-padro
discreta, 36
independente, veja independncia
de variveis aleatrias
integrvel, 74
mista, 45
momentos, veja momentos
simples, 67
singular, 45
varincia, veja varincia
varincia, 82
propriedades, 82
vetor aleatrio, 50
absolutamente contnuo, 54
contnuo, 55
discreto, 53
misto, 56
Wallis, veja produto de Wallis
179
180
NDICE REMISSIVO
Referncias Bibliogrficas
[CA03] K. L. Chung and F. AitSahlia, Elementary probability theory, Undergraduate Texts in Mathematics, Springer-Verlag, New York, 4 ed., 2003.
[Jam04] B. R. James, Probabilidade: Um Curso em Nvel Intermedirio, IMPA,
Rio de Janeiro, 3 ed., 2004.
[Shi96] A. N. Shiryaev, Probability, vol. 95 of Graduate Texts in Mathematics,
Springer-Verlag, New York, 2 ed., 1996.
181

Introdução A Probabilidade

Enviado por

Dados do documento

Título original

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

Introdução A Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Introduo Probabilidade

c 20122014 Leonardo T. Rolla.

Descrio e Interdependncia dos Captulos

a esperana condicional regular. Um curso de 60 horas-aula em nvel de bacharelado

H uma omisso importante: a existncia de variveis aleatrias contnuas, ou

Probabilidade Condicional e Independncia . . . . . . . . . . . . . . 22

Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . 36

Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . 39

Distribuies Mistas e Singulares . . . . . . . . . . . . . . . . . . . . 45

Distribuio Condicional dado um Evento . . . . . . . . . . . . . . . 46

Tipos de Vetores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . 53

Independncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . 57

Variveis Aleatrias Simples . . . . . . . . . . . . . . . . . . . . . . . 67

Momentos, Varincia e Covarincia . . . . . . . . . . . . . . . . . . . 81

Esperana Condicional dado um Evento . . . . . . . . . . . . . . . . 90

5 Convergncia de Variveis Aleatrias

Convergncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . . 100

6 Lei dos Grandes Nmeros

Lei Fraca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

Lei Forte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

7 Teorema Central do Limite

Teorema de De Moivre-Laplace . . . . . . . . . . . . . . . . . . . . . 116

Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . 120

Frmula de Stirling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . 125

Funo Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . 129

Esperana Condicional dada uma Partio . . . . . . . . . . . . . . . 137

Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 143

Esperana Condicional Regular . . . . . . . . . . . . . . . . . . . . . 147

10 Princpio dos Grandes Desvios

Um modelo probabilstico tem trs componentes bsicas:

CAPTULO 1. ESPAO DE PROBABILIDADE

Resultados equiprovveis Num modelo em que os resultados so equiprovveis,

onde #B denota a cardinalidade do conjunto B , isto , a quantidade de

Exemplo 1.1.2. Imagine o lanamento de um dado em que um jogador precisa

1.1. ESPAO DE PROBABILIDADE

Exemplo 1.1.3. Imagine que lanamos um dado em sequncia at obter o

P (B) = 61 ( 65 )10 + 61 ( 56 )11 + 16 ( 56 )12 + =

A seguir veremos uma formulao mais precisa desses conceitos.

CAPTULO 1. ESPAO DE PROBABILIDADE

Exemplo 1.1.6. Se o experimento consiste em lanar duas moedas, ento

Exemplo 1.1.8. Lanar uma moeda infinitas vezes em sequncia.

Exemplo 1.1.9. Se o experimento consiste em medir a durao de uma lmpada,

Dizemos que o evento A ocorre se a realizao tal que A. Vamos traduzir

Analogamente, a interseo A B, que dada por { : A e B},

Denotamos por Ac o complementar do conjunto A, dado por Ac = { :

1.1. ESPAO DE PROBABILIDADE

Dois eventos A e B so ditos mutuamente exclusivos ou incompatveis se AB = ,

(F2) Para todo A F, tem-se que Ac F;

Chamaremos de -lgebra a uma classe de subconjuntos de satisfazendo as trs

CAPTULO 1. ESPAO DE PROBABILIDADE

(P1) P (A) > 0 para todo A F.

Teorema 1.1.10. Toda medida de probabilidade P satisfaz as seguintes propriedades:

3. Se A, B F e A B ento P (A) 6 P (B). (monotonicidade)

4. Se A, B F e A B ento P (B \ A) = P (B) P (A).

5. Para todo A F, temos 0 6 P (A) 6 1.

7. Sejam A e B F. Ento P (A B) = P (A) + P (B) P (A B).

Uma medida de probabilidade P tambm tem a propriedade de ser contnua.

1.1. ESPAO DE PROBABILIDADE

Exemplo 1.1.12. Lanamento de uma moeda. Este espao pequeno o suficiente

Qual a probabilidade do evento A = as quatro cartas so valetes? Temos A =

Qual a probabilidade do evento B = todas as cartas tm o mesmo naipe? Temos

CAPTULO 1. ESPAO DE PROBABILIDADE