Escolar Documentos
Profissional Documentos
Cultura Documentos
Notas de Aula
Leonardo T. Rolla
17 de novembro de 2014
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.
PREFCIO
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
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
1.3
Independncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Variveis Aleatrias
31
2.1
Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2
2.3
2.4
2.5
2.6
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Vetores Aleatrios
3.1
49
Vetores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
9
10
SUMRIO
3.2
3.3
3.4
Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.5
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Esperana Matemtica
67
4.1
4.2
Esperana Matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.3
4.4
Desigualdades Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5
4.6
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
II
95
97
5.1
Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.2
5.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
109
6.1
6.2
6.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
115
7.1
7.2
7.3
SUMRIO
7.4
11
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8 Funes Geradoras
125
8.1
8.2
8.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9 Esperana Condicional
137
9.1
9.2
9.3
9.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
III
153
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
Espao de Probabilidade
16
#B
,
#
#B
4
1
=
=
8%.
#
52
13
#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.
17
p(x).
xB
1
6
1
6
5
6
+ +
1
6
( 56 )4 =
1
6
( 56 )5 61
= 1 ( 61 )5 =
1 56
1 5 10
6(6)
1 ( 56 )
4651
7776
60%.
= ( 65 )10 16%.
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
= {0, 1}N = {0, 1} {0, 1} = = (n )nN : n {0, 1} para todo n .
Eventos Aleatrios
Qualquer subconjunto A do espao amostral , isto , A , ao qual
atribumos uma probabilidade, dito um evento aleatrio.
19
(F3) Se A1 , A2 , A3 , F, ento (
i=1 Ai ) F.
Espao de Probabilidade
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
(P3) Se A1 , A2 , F e Ai Aj = i 6= j, ento P (
i=1 Ai ) =
i=1
P (Ai ).
P (Ai ). (-subaditividade).
6. Se A1 , A2 , . . . , An F, ento P Ai 6
i=1
i=1
21
# = 524 .
Tomamos
F = P()
P (A) =
#A
,
524
A F.
44
1
= 4.
4
52
13
P (C) =
62 134
62
9
= 4 =
.
4
52
4
64
22
1.2
P (A B)
.
P (B)
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.
23
P (A2 A1 )
P (A1 )
Para n = 3, temos
P (A3 |A1 A2 ) =
e portanto
P (A1 A2 A3 )
P (A1 A2 )
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
4 3 2
1
=
.
52 51 50
5525
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
X
X
P (Bi )P (A|Bi ).
P (A Bi ) =
P (A) = P i=1 (A Bi ) =
i=1
i=1
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
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
26
1.3. INDEPENDNCIA
27
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 ).
28
1
= P (A)P (B)P (C).
8
1.4
1
1
6= = P (A)P (B)P (C).
4
8
Exerccios
1.4. EXERCCIOS
29
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
1, A,
0, 6 A.
se a > 1,
A , se 0 6 a < 1,
,
se a < 0.
c
33
B B.
Funo de Distribuio
34
P () = 0,
t < 0;
P ({(0, 0)}) = 1 ,
0 6 t < 1;
4
FX (t) = P (X 6 t) =
3
P () = 1,
t > 2.
1
3/4
1/4
1
35
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.
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).
0,
F (x) =
x+
1,
x < 0,
1
2,
06x6
x > 21 .
1
2
36
2.2
2
5
| X > 18 )
P (X = xn ) = 1.
n=1
PX (B) =
xB
pX (x)
B B.
xR
p(x) = 1,
37
1
,
k
i = 1, 2, . . . , k.
38
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, . . . .
rk
m+n
r
para [0 r n] 6 k 6 [r m].
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).
e k
,
k!
n,
k = 0, 1, 2, 3, . . . .
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
40
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.
f (x) dx = 1,
fX (x) =
d
FX (x),
dx
41
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 ;
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.
(
1
, x [a, b],
1
fX (x) =
1[a,b] (x) = ba
ba
0,
x 6 [a, b].
42
1 x
e
x
, x > 0,
()
fX (x) =
0,
x < 0,
onde
() =
x1 ex dx.
43
1
2 2
(x)2
22
x R.
dx.
(t) = FN (t) = P (N 6 t) =
2
44
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
45
2.4
46
2.5
0, t < 0,
1 , 0 6 t < 1,
FX (t) = 34
, 1 6 t < 2,
1, t > 2.
0, t < 1,
FX (t|A) = 23 , 1 6 t < 2,
1, t > 2.
3 , x = 1,
pX (x|A) =
1
3 , x = 2,
0, caso contrrio.
2.6
Exerccios
2.6. EXERCCIOS
47
(
e3t + c et , t > 0,
0,
t 6 0,
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
50
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.
51
pois [X 6 t] = ;
0, t1 < 0 ou t2 < 0,
0, t1 , t2 [0, 1),
pois [X 6 t] = [X1 = 0, X2 = 0] = ;
,
t
[0,
1),
t
>
1,
pois
[X
6
t]
=
[X
=
0,
X
1
2
1
2 = 0];
4
1, t > 2, t > 1,
pois [X 6 t] = .
1
2
t2
3/4
1/4
0
1/2
1
t1
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
Tomando j = 1 temos
1a1 ,b1 dad ,bd FX (x) = P (a1 < X1 6 b1 , . . . , ad < Xd 6 bd ).
53
i6=j
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.
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
xi1 xi+1
xd
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.
55
x Rd
f (x) dd x = 1
Rd
FX (t) =
t1
fX (x) =
td
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.
56
fXi (xi ) =
f (x1 , . . . , xi , . . . , xd ) dx1 dxd .
| {z }
exceto xi
|
{z
}
d1 vezes
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.
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
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
57
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.
(iii) FX (t) = F1 (t1 )F2 (t2 ) Fd (td ) para todo t Rd , com F1 , . . . , Fd funes
reais.
j6=i
Y
j6=i
Suponha (iii).
Calculando a
xj
58
1
FX1 (x1 ) FXd (xd ).
c1 cd
= P (X1 B1 ) P (Xd Bd ).
(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
59
P (X1 B1 , . . . , Xd Bd ) =
=
"
x1 B1
x1 B1
pX1 (x1 )
"
xd Bd
xd Bd
pX (x) =
#
(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
1
fX (x1 ) fXd (xd ).
c1 cd 1
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
Bd
60
3.4
Mtodo do Jacobiano
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
61
1
.
Jg (x)
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)
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)|
caso contrrio.
zez , z > 0
0, z 6 0
1
(w+1)2 ,
w>0
.
0, w 6 0
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
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
3.5
Exerccios
64
c ey
x3 ,
x > 1, y > 0
0,
caso contrrio.
Dica:
a+b
n
Pn
a
k=0 k
b
nk
i=1
.
Dica: (a + b)k =
Pk
j=0
X + Y Poisson(1 + 2 ).
k
j
j kj
a b .
3.5. EXERCCIOS
65
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
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
68
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
ai P (Ai ).
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.
Demonstrao. Os itens (i) e (ii) so triviais, e (iv) segue de (iii) e (i) se tomamos
Z = X Y . Resta provar (iii).
EX =
k
X
cj P (Cj ) =
k
X
cj
j=1
j=1
P (Ai ) =
k
X
X
ai P (Ai ) =
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
70
X
i,j
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
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
7 7
+ = 7.
2 2
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
1
.
13
71
= 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)!
=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
72
4.2
Esperana Matemtica
g2 (y)
g3 (x)
x
g2 (x)
g1 (x)
gk (x) x quando k .
73
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,
74
X()
75
Teorema 4.2.4 (Variveis Aleatrias Discretas). Seja X uma varivel aleatria discreta. Se EX est definida, ento
X
EX =
x pX (x).
x
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
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
P (X > n) =
n=1
(1 p)n1 =
n=1
X
j=0
(1 p)j =
1
1
= .
1 (1 p)
p
X
P |X| > n < .
n=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
Em particular,
EY =
(P
R
Rd
h(x) pX (x),
h(x) fX (x) d x,
d
X discreto,
X contnuo.
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 ].
78
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
h(x) pX (x) +
h(x) fX (x) dd x.
Rd
>
xAk
h(x) pX (x) +
Ak
Ak
h(x) fX (x) dd x 2k ,
Rd
X
x
h(x) pX (x) +
h(x) fX (x) dd x.
Rd
79
80
9. Se X > 0 e EX = 0 ento P (X = 0) = 1.
81
= EX + EY + EX + EY EX EY + + EX EY = EX EY.
4.3
x dx =
1
,
2
EX 2 =
x2 dx =
0
1
,
3
EX k =
1 2
2
1
0
1 2
2
dx =
1
.
12
xk dx =
1
,
k+1
82
1
2
eVX =
1
12 .
1
,
2
EX 2 =
1
,
2
V X = EX 2 (EX)2 =
1
.
4
(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
p
1
V X = 1/4 = .
2
1
2
3. (X) 6 EX 2 .
4. (X b) = (X) para todo b R.
3. Cov(cX, Y ) = c Cov(X, Y ).
4. Cov(X, Y ) = Cov(Y, X).
5. Cov(X, X) = V X.
84
Cov(X,Y )
(X)(Y ) .
85
3. (X, X) = 1.
4. (X, aY + b) = (X, Y ) se a > 0 e b R.
Demonstrao. Feita em aula.
( 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
2. | Cov(X, Y )| 6 (X)(Y ).
86
4.4
Desigualdades Bsicas
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.
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.
E(X)
.
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.
P (|X| > ) 6
E |X|
.
t
88
E|X|t
EY
=
.
t
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 .
E[XY ] 6 EX 2 EY 2 .
89
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 =
X
a
Y
b
2
= 0, logo
X EX
(X)
W =
Y EY
(Y )
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)
X EX
X E[X]
= EY (Y )
.
(X)
(X)
90
4.5
1
1{2,4,6} (x)
3
e em seguida a esperana
E(X|A) =
X
x
x pX|A (x) = 4.
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) =
2x, 0 6 x 6 21 , ,
1,
x > 12
d
FX|A (x) = 2 1[0, 12 ]
dx
4.6
Exerccios
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
i=1
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.
Exerccio 4.6.14. [Jam04, Captulo 3].
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
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
Ak .
Ak .
n=1 k=n
n=1 k=n
[
\
Ak =
n=1 k=n
lim inf An =
n=1 k=n
(1, 1] = (1, 1]
n=1
Ak =
{0} = {0}.
n=1
99
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
100
5.2
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 .
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.
101
P |Xn X| > infinitas vezes = 0
> 0.
102
n=1
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.
Xn
> infinitas vezes) = 1
log n
Xn q.c.
log n
0.
lim E |Xn X|p = 0.
103
Lp
E|Xn X|p
0.
p
Lp+s
Xn X.
1
n2 ,
L1
q.c.
1
n2
= 1 P (Xn = 0).
P
portanto Xn 0 e Xn 0. Entretanto,
1
0,
n
q.c.
104
d
P
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
Xnk X
k
Xnkj Y.
j
5.3
Exerccios
106
q.c.X
constante
~
P
BJ
subsequncia
caso dominado
Lp+s
+3 d
+3 Lp
q.c.
Verifique respectivamente se Xn X, Xn X, Xn X, Xn 2 X, Xn 1 X,
para alguma varivel aleatria X.
Exerccio 5.3.5. Seja (Xn )n uma sequncia de variveis aleatrias independentes
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
108
Captulo 6
6.1
Lei Fraca
Sn ESn P
0.
n
110
Sn P
p.
n
111
integrveis, com mdia . Ento (X1 , X2 , . . . ) satisfaz a Lei Fraca dos Grandes
Nmeros:
Sn P
.
n
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
112
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
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 .
Sn q.c.
n
0.
6.3. EXERCCIOS
113
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.
Exerccio 6.3.2. Seja (Xn )n uma sequncia de variveis aleatrias independentes
com funes de probabilidade pn dadas por pn (n2 ) = n13 = 1pn (0). Essa sequncia
satisfaz a Lei dos Grandes Nmeros?
Exerccio 6.3.3. Seja (Xn )n uma sequncia de variveis aleatrias independentes
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
116
S2n
Por outro lado, 2n = + 2n Y2n , donde chegamos finalmente a Yn + Yn = 2Y2n ,
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
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!
.
n! nn en 2n.
P (S120 = 60) =
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
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
119
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
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
a<xk 6b
n!
pk q nk ,
k! (n k)!
knp
npq .
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 ].
120
7.2
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
n
X
log k
k=1
|r(x)| =
r (w)dw dz dy 6 5
6 |x3 |.
0
6
0
0
121
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 ,
ec =
n
n! nn en n.
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
1
m2
x2
e 2
dx 6 1.
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
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
= lim
=
n (2n)2n e2n 2n 2n
2
,
4
7.4. EXERCCIOS
123
n1
In2 .
n
2n
2n
I2n
I2n2
=
.
I2n1
2n 1 2n + 1 I2n+1
c) Verifique que I0 =
e I1 = 1.
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
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.)
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
125
126
Assim,
X tx
e P (X = x),
MX (t) = Zx
se X discreta,
se X contnua.
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
n=1
m=0
p
pet
= t
,
=
1 (1 p)et
e +p1
1
.
para t < log 1p
n=0
etn
X
t
t
e n
(et )n
= e
= e ee = e(e 1) .
n!
n!
n=0
127
(0) = p,
EX = MX
EX 2 = MX
(0) = p,
(0) = np,
EX = MX
(0) = np(1 p) n2 p2 ,
EX 2 = MX
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
X
MX
(t)
1 X tn
=
ne pX (n) =
etn
n
n
npX (n)
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)
129
1) (et 1)
= e(+)(e
1)
= MZ (t),
8.2
Funo Caracterstica
130
|eiy | = 1,
X zn
n
n!
ez+w = ez ew ,
(eg ) = eg g ,
zn n
ez se zn z.
1+
n
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)
X (t) =
itx
eitb eita
1 itx b
1
1
e =
dx =
.
ba
b a it
it(b a)
a
eitn
n=0
X
it
it
e n
(eit )n
= e
= e ee = e(e 1) .
n!
n!
n=0
n=1
m=0
p
.
eit + p 1
132
(t)
= ik EX k .
X
dtk
t=0
Demonstrao. Idntico ao caso da funo geradora de momentos, com iX no lugar
de X.
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 = .
133
1) (eit 1)
it
= e(+)(e
1)
= Z (t),
Convergncia em distribuio
O Teorema de Continuidade relaciona convergncia de funes caractersticas com
convergncia em distribuio, vista no Captulo 5.
t R.
Xn Poisson().
Demonstrao. Analisando a funo caracterstica das Xn obtemos
it
1)
= X (t)
com X Poisson().
t
n
n
134
r1 (w)
w
Sn P
n
Sn
n
r2 (w)
w2
8.3
Sn
n
t2
Sn
(t) e 2 quando
N.
Exerccios
t2
X1 + X2 + + Xn
.
Sn =
n
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
136
para qualquer c R.
Exerccio 8.3.12. Se X N (, 2 ), calcule X (t).
Exerccio 8.3.13. [Jam04, Captulo 6].
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
138
139
e portanto
E(X|D) =
X
x
x P (X = x | D).
140
E(X|D)()
4, se X() par,
3, se X() mpar.
141
X
x
X
x E P (X = x|D) =
x P (X = x) = EX.
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.
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 .
Em particular,
E E(X|Y1 , Y2 )Y1 = E(X|Y1 ).
143
9.2
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.
144
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).
fX,Y (x, y)
fY (y)
145
fX,Y (x, y)
fX (x | Y = y) =
=
fY (y)
yexy , x > 0,
0,
x 6 0.
146
P (X = x)fY (y|X = x)
fY (y)
ento P X = y Y = y = P X = y Y = y = 21 , y > 0.
147
1
3z 1[z1,2] (x),
1
z+1 1[0,z+1] (x),
1 < z < 3,
1 < z < 1.
Princpio da substituio
9.3
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
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) =
1
2,
1
2
1
.
2
se y = 1. Substituindo,
Y = 1,
Y, 1 < Y 6 2.
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),
e portanto
EX = E E(X|Y ) = E[g(y)] =
1
2
1
2
2
1
2
y dy = 1.
149
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
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 ) =
Se y 6
1
2
E e
e E eX/2 Y = 1 = 12 .
e( 2 y)x dx.
1
2
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
9.4. EXERCCIOS
151
E [Y ] = E [N ] E [X] .
k
y, k = 1, 2, . . . , n.
n
9.4
Exerccios
X +Y
.
2
152
2
V (X|D) = E X 2 D [E (X|D)]
V X = E[V (X|D)] + V [E(X|D)].
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
155
156
Captulo 11
Percolao
157
158
Captulo 12
Passeios Aleatrios
159
160
Parte IV
161
Captulo 13
Espao de Medida
163
164
Captulo 14
Medida de Lebesgue
165
166
Captulo 15
Integral e Convergncia
167
168
Lista de Figuras
2.1
2.2
3.1
4.1
4.2
. . . . . . . . . . 68
4.3
4.4
Esperana e integral. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.1
7.1
9.1
9.2
169
170
LISTA DE FIGURAS
Lista de Tabelas
2.1
171
172
LISTA DE TABELAS
Notao
#A
Ac
Complementar de A: Ac = { :
/ A} . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Assintoticamente equivalentes: an bn se
ab
ab
an
bn
1 quando n . . . . 117
i.i.d.
N (, 2 ) Distribuio normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
P()
174
NOTAO
Vetor aleatrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
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
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
propriedades, 140, 148
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
propriedades, 78, 80
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
propriedades, 35, 52
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
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,
veja lei dos grandes nmeros de
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
esperana, veja esperana
independente, veja independncia
de variveis aleatrias
integrvel, 74
mista, 45
esperana, veja esperana
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