Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Notas de Aula
Leonardo T. Rolla
Instituto de Matemtica Pura e Aplicada
Rio de Janeiro
14 de fevereiro de 2012
c 2012 Leonardo T. Rolla. Texto publicado sob a Licena Creative Commons Atribuio
CompartilhaIgual 3.0 Brasil. http://creativecommons.org/licenses/by-sa/3.0/br/deed.pt
Este material parcialmente baseado no(s) seguinte(s) trabalho(s):
Nei Rocha. Apostila Teoria das Probabilidades II, 2009.
http://www.lce.esalq.usp.br/arquivos/aulas/2011/LCE5806/apos_RJ_ProbabilidadeII.pdf
Trabalhos derivados devem ser distribudos junto com o cdigo-fonte, observando os termos desta
Licena. Devem fazer atribuio ao presente material, bem como ao(s) trabalho(s) acima citado(s).
Cdigo fonte: bzr branch http://www.impa.br/~leorolla/apostila-intr-prob/ Verso: Date: Tue 2012-02-14 15:28:12 -0200
Sumrio
Apresentao
1 Definies Bsicas
1.1 Espaos de Probabilidade . . . . . . . . . . .
1.2 Probabilidade Condicional . . . . . . . . . . .
1.2.1 Definio de Probabilidade Condicional
1.2.2 Regra do Produto . . . . . . . . . . . .
1.2.3 Lei da Probabilidade Total . . . . . . .
1.2.4 Frmula de Bayes . . . . . . . . . . . .
1.3 Independncia . . . . . . . . . . . . . . . . . .
1.3.1 Eventos Independentes 2 a 2 . . . . . .
1.3.2 Eventos Coletivamente Independentes .
1.4 Exerccios . . . . . . . . . . . . . . . . . . . .
2 Variveis Aleatrias
2.1 Definio . . . . . . . . . . . .
2.2 Funo de Distribuio . . . .
2.3 Tipos de Variveis Aleatrias
2.4 Exerccios . . . . . . . . . . .
.
.
.
.
.
.
.
.
3 Vetores Aleatrios
3.1 Independncia . . . . . . . . . . .
3.2 Funo de Distribuio Marginal
3.3 Tipos de Vetores Aleatrios . . .
3.4 Mtodo do Jacobiano . . . . . . .
3.5 Exerccios . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Esperana Matemtica
4.1 Definio . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Propriedades da Esperana Matemtica .
4.2 Esperanas de Funes de Variveis Aleatrias .
4.3 Momentos . . . . . . . . . . . . . . . . . . . . .
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
6
6
6
6
7
8
8
9
10
.
.
.
.
13
13
14
15
18
.
.
.
.
.
21
22
23
23
25
27
.
.
.
.
29
29
30
31
31
iv
SUMRIO
4.3.1 Propriedades da Varincia . . . . . . . . . . . . .
4.4 Esperanas de Funes de Vetores Aleatrios . . . . . . .
4.5 Esperana Condicional dado um Evento de Probabilidade
4.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
33
35
36
.
.
.
.
39
39
42
44
45
.
.
.
.
47
47
50
52
52
Limite
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
57
57
59
60
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
Positiva
. . . . .
.
.
.
.
do
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
61
62
63
66
68
73
76
Apresentao
Esta uma apostila feita a partir de notas de aula das disciplinas Probabilidade do
mestrado em Cincias Atuariais da PUC-Rio ministrada em 2006 e Introduo
Probabilidade ministrada no vero de 2012 no IMPA.
Este no um livro-texto nem um livro para consulta. O texto aqui apresentado
uma verso expandida do contedo que foi passado no quadro-negro, alm de listas
de exerccios sugeridos. Durante os cursos ministrados, os principais livros-texto
adotados foram o Barry James1 no IMPA e Magalhes2 na PUC-Rio. Alguns dos
exerccios sugeridos so uma simples listagem de exerccios desses dois excelentes
livros.
O nico pr-requisito formal o Clculo, e o curso no assume que os alunos
tenham qualquer tipo de conhecimento prvio em Probabilidade. Os alunos tero
que aceitar como verdadeiros certos resultados que s sero justificados rigorosamente utilizando Anlise ou Teoria da Medida, o que no impede a compreenso
dos objetos probabilsticos estudados.3 No obstante, para um curso que tem entre
17 a 20 aulas de 2 horas cada e sem pr-requisito formal, trata-se de uma introduo bastante ampla teoria da probabilidade, o que s foi possvel porque ambos
os cursos foram dados para um conjunto de alunos extremamente motivados e com
excelente desenvoltura matemtica.
Esta apostila est em construo. Para que este texto reflita melhor o contedo
e a abordagem dos cursos mencionados, so necessrias diversas mudanas, principalmente nos primeiros quatro captulos. Agradeo ao Prof. Nei Rocha, que me
permitiu desenvolver esta apostila a partir do material que ele j havia compilado.
Comentrios, crticas e correes so muito bem-vindos.
Rio de Janeiro, fevereiro de 2012.
Captulo 1
Definies Bsicas
1.1
Espaos de Probabilidade
Suponha que vamos realizar um experimento cujo resultado no pode ser predito
de antemo. Entretanto, suponha que saibamos todos os possveis resultados de
tal experimento. Este conjunto de todos os resultados possveis, que denotaremos
por , chamado de espao amostral do experimento. Assim, temos a seguinte
definio:
Definio 1.1. O conjunto no-vazio de todos os resultados possveis de um
determinado experimento chamado de espao amostral.
Exemplo 1.2. Se o experimento consiste em lanar uma moeda, ento = {Ca, Co},
onde Ca cara e Co coroa.
Exemplo 1.3. Se o experimento consiste em lanar um dado e observar a face
superior, ento = {1, 2, 3, 4, 5, 6}.
Exemplo 1.4. Se o experimento consiste em lanar duas moedas, ento
= {(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)}, onde o resultado (a, b) ocorre se a
face da primeira moeda a e a face da segunda moeda b.
Exemplo 1.5. Se o experimento consiste em lanar dois dados e observar as faces
superiores, ento
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
(1, 2)
(2, 2)
(3, 2)
(4, 2)
(5, 2)
(6, 2)
(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
(1, 5)
(2, 5)
(3, 5)
(4, 5)
(5, 5)
(6, 5)
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
ento Ai A.
i=1
Definio 1.13. Os membros de A so chamados (no contexto da teoria de Probabilidade) de eventos, ou subconjuntos de A-mensurveis, ou apenas subconjuntos
mensurveis de se no houver confuso quanto -lgebra referente. O par (, A)
dito ser um espao mensurvel.
Exerccio 1.2. Seja = R e A a classe de todas as unies finitas de intervalos do
tipo (, a], (b, c] e (d, ). Mostre que
(a) A uma lgebra;
(b) A no uma -lgebra.
Exerccio 1.3. Mostre que toda -lgebra uma lgebra, mas a recproca no
verdadeira.
Exerccio 1.4. Mostre, com exemplo, que se A e B so -lgebras, A B no
necessariamente uma -lgebra.
Exerccio 1.5. Mostre que se A e B so -lgebras, AB tambm uma -lgebra.
Observao 1.14. Dada uma classe B de subconjuntos de , podemos construir a
menor lgebra contendo B, da seguinte forma:
(i) Formamos a classe B1 contendo , , A e Ac para todo A B;
(ii) Formamos a classe B2 de intersees de elementos de B1 ;
(iii) Formamos a classe B3 de unies finitas de elementos de B2 .
Claramente, B B1 B2 B3 , e pode-se verificar facilmente que B3 uma
lgebra.
Observao 1.15. Podemos construir (ainda que de forma abstrata) a menor
lgebra contendo uma classe B de subconjuntos de , da seguinte forma: Considere todas as lgebras contendo B. Denote-as (B), . O conjunto
no-vazio, pois o conjunto de todos os subconjuntos de uma lgebra. Ento,
a menor lgebra contendo B dada por
(B) = (B)
Exemplo 1.16. Seja = {1, 2, 3, 4, 5, 6}. (a) Construa a menor lgebra de subconjuntos de ; (b) Construa a menor lgebra contendo a classe de subconjuntos
de dada por {{1, 2} , {1, 3, 4} , {3, 5}}; (c) Construa a menor lgebra contendo
todos os subconjuntos de (esta lgebra chamada de conjunto das partes de
, e denotada por P()).
Definio 1.17. A lgebra de Borel gerada pela coleo de conjuntos abertos
de um espao topolgico. Os membros desta lgebra so chamados Borelianos.
As lgebras em Rd , d > 1, e R so geradas por intervalos nestes espaos e
so denotadas por B(Rd ) = Bd e B = B1 = B(R), respectivamente. Por exemplo, se
= R, B pode ser gerada por quaisquer dos intervalos (a, b), (a, b], [a, b) ou [a, b],
isto ,
B = {(a, b); a < b +}
= {[a, b); < a < b +}
= {[a, b]; < a < b < +}
A3) Se A1 , A2 , A e Ai Aj = i 6= j, ento P (
i=1 Ai ) =
i=1
P (Ai ).
1. P () = 0.
4. Sejam A e B A. Se A B, ento
(a) P (B A) = P (B) P (A);
Ai
i=1
i=1
P (Ai)
7. Sejam A1 , A2 , . . . , An A. Ento
P
Ai
i=1
n
X
i=1
P (Ai)
X
i<j<k<l
X
i<j
P (Ai Aj ) +
i<j<k
P (Ai Aj Ak )
lim En = Ei .
i=1
lim En = Ei .
n
i=1
1.2
Probabilidade Condicional
1.2.1
P (A B)
, A A.
P (B)
(1.1)
1.2.2
Regra do Produto
1.2.3
(ii) Ai = ,
i=1
B = (Ai B) .
i=1
Teorema 1.29 (Teorema da Probabilidade Total). Seja (A1 , A2 , . . . ) uma partio de (, F ). Para todo B F vale
P (B) =
X
i
P (Ai ).P (B | Ai ).
(1.2)
1.2.4
Frmula de Bayes
(1.3)
1.3
1.3.1
Independncia
Eventos Independentes 2 a 2
1.3. INDEPENDNCIA
2. A e B c so independentes
3. Ac e B so independentes
4. Ac e B c so independentes
Demonstrao. Exerccio.
Observao 1.35. Dois eventos disjuntos no podem ser independentes, a menos
que um deles tenha probabilidade zero.
Definio 1.36. Dada uma famlia de eventos aleatrios (Ai )iI , dizemos que
os Ai so independentes dois a dois se
P (Ai Aj ) = P (Ai).P (Aj )
para todo i, j I, i 6= j.
1.3.2
10
1.4
Exerccios
m=1
Bm ?
n=1
an Pn (E),
E F,
1.4. EXERCCIOS
11
Exerccio 1.19. Prove que a frmula de Bayes valida (use a regra do produto e
a lei da probabilidade total).
Exerccio 1.20. Prove que cada um dos itens abaixo equivalente definio de
A e B independentes:
1. A e B c so independentes;
2. Ac e B so independentes;
3. Ac e B c so independentes;
4. P (A|B) = P (A);
5. P (B|A) = P (B).
Exerccio 1.21. Se P (A) = P (A|B) =
1
4
e P (B|A) = 21 :
1. A e B so independentes?
2. A e B so mutuamente exclusivos?
3. Calcule P (Ac |B c ).
Exerccio 1.22. B. James. Captulo 1. Recomendados: 3, 4, 5, 7, 11, 16, 18, 22.
12
Captulo 2
Variveis Aleatrias
2.1
Definio
14
2.2
Funo de Distribuio
Definio 2.6. A funo de distribuio (acumulada) da varivel aleatria X, representada por FX , ou simplesmente por F quando no houver confuso, definida
por
FX (x) = P (X x), x R.
(2.1)
Exerccio 2.1. Duas moedas honestas so lanadas. Seja a varivel X que conta o
nmero de caras observadas. Construa a funo de distribuio da varivel aleatria
X e represente-a graficamente.
Exerccio 2.2. Seja um experimento que consiste em selecionar um ponto ao acaso
do intervalo [a, b] com a < b. Seja X a varivel aleatria que representa a coordenada
do ponto. Construa a funo de distribuio da varivel aleatria X e represente-a
graficamente.
Proposio 2.7 (Propriedades da Funo de Distribuio). Se X uma varivel
aleatria, sua funo de distribuio F satisfaz as seguintes propriedades:
1. Se x1 x2 ento F (x1 ) F (x2 ); isto , F no-decrescente.
2. Se xn y, ento F (xn ) F (y); isto , F contnua direita.
3. limx F (x) = 0 e limx+ F (x) = 1.
1. P (X > a) = 1 P (X a) = 1 FX (a)
= FX (b ) FX (a).
15
6. P (a X b) = P (a < X b) + P (X = a)
0, se x < 0
F (x) = x + 21 , se 0 x
1, se x > 1
2
1
2
2.3
Definio 2.8. Uma varivel aleatria X (assim como sua funo de distribuio
FX ) dita discreta se existe um conjunto enumervel {x1 , x2 , x3 , . . . } R tal
que
P (X = xn ) = 1.
n=1
n:xn x
P (X = xn ) =
n:xn x
PX (xn ).
16
xR
p(x) = 1,
(2.2)
(2.3)
xR
Definio 2.11. Uma varivel aleatria X (assim como sua funo de distribuio FX ) dita absolutamente contnua se existe fX () 0 tal que
FX (t) =
fX (s)ds.
dFX (x)
.
dx
17
0,
z 2 ,
z < 0,
FZ (z) =
2
1 3(1 z) ,
1,
0 z < 12 ,
1
2
z < 1,
z1
0, y < 0
FY (y) =
y, 0 y 1
1, y > 1
Obtenha:
(a) o grfico de FX (x);
(b) P (X < 3);
(c) P (X = 1);
(d) P (X > 1/2);
(e) P (2 < X < 4).
0, x < 0
x
, 0x<1
2
2
FX (x) =
, 1x<2
3
11
, 2x<3
12
1, x 3
18
0, x < 2
1
FX (x) =
+ x+2
, 2x<0
4
8
3 + 1 (1 ex ), x 0
4
4
(b) FX (0) = 21 ;
(d) P (X > x) =
1
2
Rx
0
fX (t)dt, x > 0.
Exerccio 2.13. Suponha que X seja uma varivel aleatria com f.d.p. dada por
fX (x) =
1
, <x<
2(1 + |x|)2
2.4
Exerccios
2.4. EXERCCIOS
19
Y =
X,
A,
A,
|X| A,
X > A,
X < A,
0,
+ ex2 /2 ,
x 0,
x > 0.
20
Captulo 3
Vetores Aleatrios
Definio 3.1. Um vetor X = (X1 , . . . , Xn ) com Xi variveis aleatrias definidas
no mesmo espao de probabilidade (, A, P ) chamado vetor aleatrio se
X1 (B) A para todo B Bn .
Definio 3.2. A funo de distribuio conjunta F = FX de um vetor aleatrio
X definida por
FX (x) = FX (x1 , . . . , xn ) = P (X1 x1 , . . . , Xn xn ).
Observao 3.3. {X1 x1 , . . . , Xn xn } =
n
T
{ : Xi () xi } A.
i=1
22
1, em S = {(x, y) : x 0, y 0 e x + y 1}
0, caso contrrio
Ento F (x, y) satisfaz F1, F2 e F3, mas P {0 < X 1, 0 < Y 1} = 1 < 0! Logo
F (x, y) no satisfaz F4 e, portanto, no pode ser funo de distribuio conjunta.
Exemplo 3.7. Sejam X e Y duas variveis aleatrias com funo de distribuio
conjunta FX,Y (x, y). Mostre que
P {a < X b, c < Y d} = F (b, d) F (b, c) F (a, d) + F (a, c).
3.1
Independncia
n
Y
i=1
P {Xi Bi }
para todo Bi A, i = 1, 2, . . . , n.
Observao 3.9. (i) (Propriedade de Hereditariedade de Variveis Aleatrias Independentes) Observe que para toda famlia de variveis aleatrias independentes
X1 , X2 , . . . , Xn qualquer subfamlia tambm formada por variveis aleatrias independentes, pois, por exemplo
P {X1 B1 , X2 B2 } = P {X1 B1 , X2 B2 , X3 R, . . . , Xn R}
= P {X1 B1 } P {X2 B2 }
23
A proposio a seguir nos fornece o critrio para independncia de variveis aleatrias a partir da funo de distribuio conjunta. Trata-se do critrio de fatorao.
Proposio 3.10. So equivalentes:
1. X1 , X2 , . . . , Xn so independentes.
2. FX (t) = FX1 (t1 )FX2 (t2 ) FXn (tn ) para todo t Rn .
3. FX pode ser escrita como FX (t) = F1 (t1 )F2 (t2 ) Fn (tn ) com F1 , . . . , Fn funes reais.
3.2
i6=k
3.3
Definio 3.11. Um vetor aleatrio X (assim como sua funo de distribuio FX ) dito discreto se existem {x1 , x2 , . . . } tais que P (X {x1 , x2 , . . . }) = 1.
Neste caso, a funo de probabilidade conjunta de X dada por
pX (x) = P (X = x) .
X
x
x Rn
p(x) = 1
24
n X
X
p(x).
i=1 xi
i6=k
t1
tn
Rn
f (x)dn x = 1
Z
|
{z
n1 vezes
{z
exceto xi
n
FX (x1 , . . . , xn ).
x1 xn
25
Exemplo 3.14. Seja G Rn uma regio tal que Vol G > 0, onde Vol G o volume
n-dimensional de G. Dizemos que X = (X1 , X2 , . . . , Xn ) com funo de densidade
fX (x1 , . . . , xn ) =
uniformemente distribudo em G.
1
,
Vol G
0,
(x1 , . . . , xn ) G
(x1 , . . . , xn )
/G
3.4
Mtodo do Jacobiano
26
1 i, j n,
J(x, y) =
!
xi
yj
x1
y1
.
..
= det
xn
y1
..
.
x1
yn
..
.
xn
yn
Pelo clculo de vrias variveis, sabemos que se o jacobiano for no-nulo para todo
y G, ento
Z
g(A)
para qualquer f integrvel em A, onde A G0 . Com isso, no contexto de probabilidade, temos o seguinte teorema:
Teorema 3.15. Sejam Y1 , Y2 , . . . , Yn variveis aleatrias transformadas, isto , Yi =
gi (X1 , X2 , . . . , Xn ) para i = 1, 2, . . . , n. Ento a densidade conjunta de Y1 , Y2 , . . . , Yn
fY (y1 . . . , yn ) =
zez , z > 0
0, z 0
1
,
(w+1)2
w>0
.
0, w 0
3.5. EXERCCIOS
27
...
fZ (z) =
z2
, 0z<1
3
z
, 1z<2
3
z(3z)
, 2z
3
3
0, caso contrrio
Exemplo 3.19. (Jacobiano sem bijeo) Seja X uma varivel contnua com densidade fX (x) = 12 e|x| , < x < . Mostre que a densidade de Y = X 2 dada
por
1
fY (y) = e y 1(0,) (y).
2 y
Exemplo 3.20. Seja X uma varivel contnua com densidade uniforme em [2, 5].
Encontre a densidade de Y = X 2 .
Exemplo 3.21. Seja X uma varivel contnua com densidade
fX (x) =
1
x, 0 x < 2
4
1
, 2x6
8
0, caso contrrio
3.5
Exerccios
Exerccio 3.2. Sejam X e Y variveis aleatrias definidas no mesmo espao de probabilidade, independentes, discretas e com distribuies Poisson(1 ) e Poisson(2 ),
respectivamente. Mostre que, dada a ocorrncia do evento X + Y = n, a probabilidade condicional de X = k
!
n
P (X = k|X + Y = n) =
k
1
1 + 2
!k
2
1 + 2
!nk
Como voc interpretaria isso com seus conhecimentos prvios do clculo das probabilidades?
28
Exerccio 3.3.
1. Considere um vetor aleatrio (X, Y ) absolutamente contnuo
com distribuio uniforme em
n
c,
0,
Exerccio 3.4. Mostre por induo finita que, se X1 , X2 , . . . , Xn so variveis aleatrias independentes com Xi b(mi , p), i = 1, 2, . . . , n, ento
n
X
i=1
Dica:
Pn
k=0
a
k
b
nk
a+b
n
n
X
Xi b
i=1
mi , p .
Exerccio 3.5. Seja X uma varivel aleatria em (, F , P ) com distribuio exponencial de parmetro > 0. Considere a transformada N = X (o maior inteiro
menor ou igual a X). Mostre que N uma varivel aleatria em (, F , P ) e ache
sua lei.
Exerccio 3.6. Sejam Y e U duas variveis aleatrias em um mesmo espao de
probabilidade, independentes e com leis Y N (0, 1) e P (U = 1) = P (U = +1) =
1
. Ache a lei de Z = UY . (Dica: ataque a funo de distribuio acumulada).
2
Exerccio 3.7. Sejam X e Y i.i.d. contnuas com densidade f . Mostre que
fX+Y (t) =
f (t s)f (s)ds t R.
Captulo 4
Esperana Matemtica
4.1
Definio
xdFX (x)
(4.1)
xi p(xi ).
i=1
xfX (x)dx
X
xdFs (x).
xfX (x)dx +
E(X) =
xi p(xi ) +
i=1
29
30
C(9 x2 ), 3 x 3
0, caso contrrio
4.1.1
[b2
b
+ (x M)2 ]
31
4.2
Definio 4.6. Seja X uma varivel aleatria e (x) uma funo real mensurvel.
Ento a esperana da varivel aleatria Y = (X) dada por
E(Y ) =
ydF(X) (y).
A frmula acima nem sempre muito fcil de ser usada, pois devemos obter
a distribuio de Y a partir da distribuio da varivel X e s ento obter E(Y ).
No entanto possvel mostrar pela Teoria da Medida que a esperana da varivel
aleatria Y = (X) dada por
E(X) =
ydF(X) (y) =
(x)dFX (x),
i=1
E[(X)] =
4.3
Momentos
Definio 4.7. Seja X uma varivel aleatria. Define-se o k-simo momento ordinrio da varivel aleatria X, mk , como
mk = E(X k ) =
xk dFX (x).
32
Assim,
mk =
xki P (X = xi ) se X v.a.d.
i=1
mk =
xk fX (x)dx se X v.a.c.
Definio 4.8. Seja X uma varivel aleatria. Define-se o k-simo momento central
da varivel aleatria X, Mk , como
Mk = E[(X E(X))k ].
Assim,
Mk =
Mk =
i=1
4.3.1
Propriedades da Varincia
DP (X) = V X.
Observao 4.12. Pelas definies acima, vemos que
m1 = E(X)
M1 = 0
M2 = V X = m2 m21 .
Proposio 4.13. (Desigualdade bsica de Markov) Seja X uma varivel aleatria
no-negativa e seja > 0 uma constante. Ento
P (X )
E(X)
.
33
Demonstrao. Em aula.
Proposio 4.14. (Desigualdade de Markov) Seja X uma varivel aleatria qualquer e seja > 0 uma constante. Ento para todo t > 0,
E |X|t
.
P (|X| )
t
Demonstrao. Em aula.
Proposio 4.15. (Desigualdade Clssica de Chebyshev) Seja X uma varivel aleatria integrvel e seja > 0 uma constante. Ento
P (|X E(X)| )
VX
.
2
Demonstrao. Em aula.
Exerccio 4.6. Suponha que X seja uma varivel aleatria tal que P (X 0) = 1
e P (X 10) = 15 . Mostre que E(X) 2.
Exerccio 4.7. Suponha que X seja uma varivel aleatria tal que E(X) = 10,
P (X 7) = 0, 2 e P (X 13) = 0, 3. Prove que V X 29 .
4.4
ydF(X) (y) =
...
(x)dFX (x)
E(X) =
i=1
...
34
n
P
i=1
" n
X
Xi =
i=1
n
X
V [Xi ] + 2
Xi dada por
Cov(Xi , Xj ).
i<j
i=1
X
i=1
Xi =
V [Xi ] .
i=1
X
uma padronizao de X (tambm chamada de reduo ou normalizao de X).
Observe que EZ = 0 e V Z = 1.
35
Cov(X, Y )
=E
=
X .Y
X EX
X
Y EY
Y
EX 2 EY 2 .
4.5
P ([X B] A)
P (A)
i=1
Bi | A) =
i=1
P (X Bi | A).
P ([X x] A)
, x R.
P (A)
36
xdFX (x | A)
E [X.1A ]
E [1A ]
1
=
E [X.1A ] ,
P (A)
=
E [X] =
=
X
n
X
n
P (An )P (X x | An )
xdFX (x) =
P (An )
Z
xd
"
X
n
P (An )FX (x | An )
xdFX (x | An ) =
X
n
P (An )E(X | An ).
4.6
Exerccios
4.6. EXERCCIOS
Exerccio 4.10.
37
1. Prove que, se X assume valores em {0, 1, 2, 3, . . . }, ento
EX =
n=1
P (X n).
n=1
P (|X| n) E|X|
n=0
P (|X| n).
X,
a,
X a,
caso contrrio,
2. Se X c e EX = c, ento P (X = c) = 1.
n
X
i=1
Xi =
n
X
V Xi .
i=1
38
3. X b(n, p).
no difira de seu valor esperado p por mais de 0,01, com probabilidade mnima de
0,95? (Sugesto: Desigualdade de Chebyshev)
Exerccio 4.21. Considere variveis aleatrias X1 , X2 , . . . e X definidas no espao
de probabilidade (, F , P ) tais que Xn () X() .
2. Mostre que
Exerccio 4.22. B. James. Captulo 3. Recomendados: 5, 6, 19, 20ab, 21, 23, 26,
28, 30, 36.
Captulo 5
Convergncia de Variveis
Aleatrias
Considere um experimento devidamente modelado por um espao de probabilidade
(, F , P ). Neste espao vamos considerar uma seqncia de variveis aleatrias
X1 , X2 , X3 , . . . . Em inmeras situaes tericas e prticas, uma pergunta natural
qual o comportamento de longo prazo da seqncia (Xn )n . Dito de outra forma:
quais as propriedades estatsticas de XN , sendo N suficientemente grande?
Tratando-se de variveis aleatrias, o conceito de convergncia uma generalizao do conceito de convergncia para nmeros reais. Entretanto, existem vrias
possveis 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.
Em B. James, as convergncias quase certa e em probabilidade so vistas na
Seo 5.1, a convergncia em distribuio vista na Seo 6.2 e a convergncia
em mdia r no considerada. A referncia mais completa sobre convergncia
Magalhes, Seo 6.2. Para o Lema de Borel-Cantelli recomenda-se a Seo 5.2 de
B. James. Para uma reviso sobre convergncia de seqncias e sries de nmeros
reais pode-se consultar o Captulo 1 de Rgo.1 Recomendam-se os exerccios listados
ao final deste captulo.
5.1
Lema de Borel-Cantelli
39
40
Definio 5.1 (lim sup e lim inf de eventos). Dada uma seqncia de eventos
aleatrios An , definimos o evento lim sup An , denotado por [An infinitas vezes]
ou [An i.v.], por
lim sup An =
n
Ak .
Ak .
n=1 k=n
n=1 k=n
(1/n, 1],
(1, 1/n],
Ak =
n=1 k=n
lim inf An =
n=1 k=n
n mpar,
n par.
(1, 1] = (1, 1]
n=1
Ak =
{0} = {0}.
n=1
outro lado, se (An ) decrescente, ento lim sup An = lim inf An = n=1 An .
Exerccio 5.2. Considere o espao de probabilidade (R2 , B2 , P ), no qual P uma
probabilidade arbitrria. Se An = {(x, y) R2 : 0 x n, 0 y n1 }, encontre
lim sup An e lim inf An .
41
(0, 2 +
An =
(0, 2
1
),
n
1
),
n
n par
n mpar.
Teorema 5.3 (Lema de Borel-Cantelli). Seja (, F , P ) um espao de probabilidade e (An ) uma seqncia de eventos aleatrios. Ento:
1. Se
2. Se
< ento
n=1 P (An )
n=1 P (An )
n=k
logo
P
n=k
An Am ,
!
An P (Am )
42
e portanto
P
n=k
An inf P (Am ).
mk
Como (
n=k An )k uma seqncia crescente de eventos, temos que
P (lim inf n An ) = P
"
k=0
n=k
An
!#
= lim P
k
n=k
5.2
Tipos de Convergncia
Sejam X e {Xn }n1 variveis aleatrias definidas num mesmo espao de probabilidade (, A, P ).
Definio 5.7. Dizemos que Xn converge em probabilidade para X, denotado
P
por Xn X, se para todo > 0
P {|Xn X| } 0, quando n .
Exemplo 5.8. Sejam X1 , X2 , . . . v.a.s independentes, tais que P (Xn = 1) =
P (Xn = 0) = 1
1
.
n
1
n
Mostre que Xn 0.
43
Mostre que Xn X com X U [0, 1]. Observe tambm que Xn (1)6X(1). Mas
P { : Xn () 6 X(), quando n } = 0.
q.c.
P |Xn X| i.v. = 0
> 0.
Xn X, se
1
n
Exemplo 5.17. Seja {Xn ; n 1} uma seqncia de v.a. independentes com distribuio uniforme em (0, b), b > 0. Defina Yn = max(X1 , X2 , . . . , Xn ) e Y = b. Ento
d
verifique que Yn Y .
d
44
5.3
Lp
p 1
p
E Xn X
q 1
q
E Xn X
Lp
0.
Idia da prova. Para qualquer subseqncia nk , tome uma subseqncia nkj tal que
q.c.
Xnkj X 0. Como |Xnkj X|p (|Xnkj | + |X|)p (2Y )p que integrvel, pelo
Teorema da Convergncia Dominada temos que E(|Xnkj X|p ) 0. Como isso
sempre vale para alguma subseqncia de uma seqncia arbitrria nk , temos que
E(|Xn X|p ) 0.
Observao 5.27. No h qualquer relao de implicao entre convergncia quase
certa e convergncia em Lp , a no ser no caso dominado ou por subseqncias.
Completamos assim o diagrama de implicaes da Figura 5.1.
5.4. EXERCCIOS
45
q.c.Y
constante
subseqncia
P
AI
caso dominado
Lp+s
y
+3
|
+3
Lp
5.4
Exerccios
n,
0,
w < n1 ,
w n1 .
q.c.
Verifique respectivamente se Xn X, Xn X, Xn X, Xn 2 X, Xn 1 X,
para alguma varivel aleatria X.
Exerccio 5.8. Seja (Xn )n uma seqncia 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 seqncia.
Exerccio 5.9. Sejam (Xn )n variveis aleatrias tais que
n=1
Xn 0.
46
1. Xn 0.
q.c.
2. Xn 0.
Exerccio 5.11. Seja (Xn )n uma seqncia i.i.d. Mostre que
Xn q.c.
0
n
se e somente se E|X1 | < .
Exerccio 5.12. Seja (Xn )n uma seqncia i.i.d. Mostre que
X q.c.
n 0
n
se e somente se E|X1 |2 < .
Exerccio 5.13. Seja (Xn )n uma seqncia i.i.d. com distribuio exp(1). Mostre
que
P (Xn 2 log n i.v.) = 0.
Exerccio 5.14. Seja (Xn )n uma seqncia i.i.d. com distribuio Poisson(). Mostre que
Xn q.c.
0.
log n
Sugesto: mostre antes que EeX1 / < .
Exerccio 5.15. Seja (Xn )n uma seqncia i.i.d. de variveis aleatrias no-negativas
com EX12 < . Mostre que
(
Xn
P
< =1
2
n=1 n
Exerccio 5.16. B. James. Captulo 6. Recomendados: 15, 19.
Captulo 6
Funo Geradora de Momentos e
Funo Caracterstica
A funo geradora de momentos e a funo caracterstica esto entre os exemplos
mais importantes de transformadas. A idia geral de transformada mapear certos
objetos em objetos de outro tipo e outras propriedades, onde certas anlises so
possivelmente mais fceis, o que ficar claro nos exemplos seguintes. A funo
geradora de momentos a instncia da Transformada de Laplace de uma distribuio
em R, e a funo caracterstica a Transformada de Fourier.
A funo caracterstica e o Teorema da Continuidade so vistos nas Sees 6.1
e 6.2 de B. James. A funo geradora de momentos vista nesta apostila, e o
leitor mais interessado pode consultar a Seo 5.4 de Magalhes. Recomendam-se
os exerccios listados ao final deste captulo.
6.1
47
48
CAPTULO 6. TRANSFORMADAS
Assim,
MX (t) =
MX (t) =
etxi P (X = xi ) se X v.a.d.
i=1
dk
= E[X k ].
M
(t)
X
dtk
t=0
Exerccio 6.3. No Exerccio 6.1, use a funo geradora de momentos para calcular
EX e V X.
Proposio 6.3 (Unicidade). A funo geradora de momentos define de forma
unvoca a distribuio da varivel aleatria, ou seja, dada M(t) existe apenas uma
funo de distribuio F (x) que a gera.
Teorema 6.4 (Variveis Aleatrias Independentes). Sejam X1 , X2 , . . . , Xn v.a.s
independentes e para i = 1, 2, . . . , n, seja MXi (t) a funo geradora de momentos de
Xi . Seja Y = X1 + X2 + + Xn , ento para todo valor de t tal que MXi (t) existe
para i = 1, 2, . . . , n, temos
MY (t) =
n
Y
MXi (t).
i=1
x = 0, 1.
49
n
x
px q nx ,
x = 0, 1, 2, 3, . . . , n.
x = 1, 2, 3, 4, . . .
MX (t) =
50
CAPTULO 6. TRANSFORMADAS
MX (t) = e(e 1) ,
EX = ,
V X = .
(b) Se Xi Poisson(i ), para i = 1, 2, . . . , n, independentes, ento X = X1 +
P
X2 + + Xn Poisson( ni=1 i ).
6.2
Funo Caracterstica
Do ponto de vista terico, a funo caracterstica bem mais robusta e funcional que
a funo geradora de momentos: est definida para qualquer distribuio; sempre
determina a distribuio; determina tambm a convergncia em distribuio; no
bastasse, ainda gera momentos.
Entretanto, uma desvantagem faz com que, na prtica, muitos prefiram trabalhar
com a funo geradora de momentos: a funo caracterstica envolve a manipulao
de nmeros complexos.1
Definio 6.9. Uma varivel aleatria complexa X uma funo X : C
tal que X = X1 + iX2 , onde (X1 , X2 ) um vetor aleatrio real. Se X1 e X2 so
integrveis, definimos EX = EX1 + iEX2 C.
A integrao de funes complexas em domnios reais pode ser feita, para todos
os fins prticos, como no caso real. Por exemplo, X = g(Y ) = g1 (Y ) + ig2 (Y ), Y
v.a., define uma varivel aleatria complexa, cuja esperana pode ser calculada por
R +
R +
EX =
g1 (y)dF (y) + i
g2 (y)dF (y).
Lembramos ainda a frmula de Euler:
eix = cos(x) + i sen(x)
51
t R.
X (t) =
itx
"
X (t) = E[e
]=
n=0
eitb eita
1 1 itx b
1
e =
dx =
.
ba
b a it
it(b a)
a
n
itn e
n!
=e
(eit )n
it
it
= e ee = e(e 1) .
n!
n=0
2. uniformemente contnua em R.
3. Se a, b R, ento aX+b (t) = eitb X (at).
(t)
= in E(X n ),
X
dtn
t=0
se E|X|n < .
t3
tn
t2
+ (0) + + (n) + rn (t)
2
6
n!
n
EX 3 3
EX
EX 2 2
t i
t + + in
tn + rn (t),
= 1 + i(EX)t
2
6
n!
rn (t)
tn
t0
0.
52
CAPTULO 6. TRANSFORMADAS
t R,
e contnua em t = 0, ento
d
Xn X,
onde X uma varivel aleatria tal que X = .
6.3
A Distribuio Normal
ex /2
dx.
2
6.4
Exerccios
Exerccio 6.4. Se X N (0, 1), calcule MX (t). 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 6.5. Mostre que a soma de n variveis aleatrias independentes normalmente distribudas , por sua vez, normalmente distribuda com mdia dada pela
soma das n mdias e varincia dada pela soma das n varincias.
6.4. EXERCCIOS
53
2
(b) Assim, se X N (, ), ento
1
mX (t) = et+ 2
2 t2
E(X) =
V X = 2 .
P
Pn
i=1
i2 ).
54
CAPTULO 6. TRANSFORMADAS
yey , se y > 0
0, caso contrrio
e(w+ci) dw =
ew dw
para qualquer c R.
Exerccio 6.16. Se X N (, 2), calcule X (t).
Exerccio 6.17. B. James. Captulo 6. Recomendados: 1, 2, 3, 4, 7, 9, 13a, 14, 17,
18, 21, 29.
6.4. EXERCCIOS
55
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
56
CAPTULO 6. TRANSFORMADAS
Captulo 7
Lei dos Grandes Nmeros e
Teorema Central do Limite
A referncia para os assuntos deste captulo so os Captulos 5 e 7 do B. James.
Porm faremos aqui uma exposio simplificada desses assuntos, enquanto o livrotexto os trata com um nvel de profundidade que est fora dos objetivos deste curso.
Recomendam-se os exerccios listados ao final deste captulo.
7.1
Sn
ESn
0, quando n ,
n
Sn ESn P
0.
n
r1 (w)
w
Sn P
Sn
n
Teorema 7.6 (Primeira Lei Forte de Kolmogorov). Sejam X1 , X2 , . . . v.a.s independentes e integrveis, e suponha que
V Xn
< .
2
n=1 n
Ento X1 , X2 , . . . satisfazem a Lei Forte dos Grandes Nmeros:
Sn ESn q.c.
0.
n
n
Demonstrao. (Eu aula, se houver tempo.)
Teorema 7.7 (Lei Forte de Kolmogorov). Sejam X1 , X2 , . . . v.a.s independentes,
identicamente distribudas e integrveis, com EXn = . Ento X1 , X2 , . . . satisfazem a Lei Forte dos Grandes Nmeros:
Sn q.c.
.
n
Demonstrao. (Em aula.)
7.2
59
Teorema 7.8 (Teorema Central do Limite para variveis aleatrias i.i.d.). Seja
{Xn ; n 1} uma seqncia de v.a.s i.i.d., com mdia comum e varincia comum
2 , onde 0 < 2 < . Seja Sn = X1 + X2 + + Xn . Ento
Sn ESn d
N (0, 1),
V Sn
isto ,
Sn n d
N (0, 1).
n
Demonstrao. Utilizamos o Teorema de Paul Lvy. Supomos sem perda de generalidade que = 0. Como as Xn so i.i.d., temos
S
n
n
(t) = X1
r2 (w)
w2
in
"
t2
= 1 + r2 t n
n
Sn
n
#n
,
2
S
n
n
(t) et quando
N.
Observao 7.9. Se X1 , X2 , . . . , Xn uma seqncia de variveis aleatrias independentes de Bernoulli com parmetro p, ento sabemos que
Sn = X1 + X2 + + Xn b(n, p).
Assim, pelo Teorema Central do Limite, para n suficientemente grande Sn pode ser
aproximada por uma distribuio Normal, j que
Sn np
N (0, 1).
npq
Ou de outra forma
Sn N (np, npq).
Exemplo 7.10. Um par de dados honestos lanado 180 vezes por hora (aproximadamente).
(a) Qual a probabilidade aproximada de que 25 ou mais lanamentos tenham
tido soma 7 na primeira hora?
(b) Qual a probabilidade aproximada de que entre 700 e 750 lanamentos tenham
tido soma 7 durante 24 horas?
7.3
Exerccios
Observao 7.11. 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 7.1. Seja (Xn )n uma seqncia de variveis aleatrias i.i.d. com EX14 <
. Mostre que essa seqncia satisfaz a Lei Forte dos Grandes
Nmeros.
4
4
(Dica: supondo que EX1 = 0, mostre que ESn = nEX1 + 42 n2 E(X12 X22 ).)
Exerccio 7.2. Seja (Xn )n uma seqncia de variveis aleatrias independentes
com funes de probabilidade pn dadas por pn (n2 ) = n13 = 1 pn (0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
1,
0,
Deseja-se estimar a proporo p = MMA 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 14 . Se entrevistamos N = 2500 eleitores, calcule aproximadamente a probabilidade de essa pesquisa
cometer um erro |pbN p| maior que 0, 01.
n
X
nk
= 1.
k=0 k!
Exerccio 7.7. 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 7.8. B. James. Captulo 7. Recomendados: 2 e 9.
Captulo 8
Distribuio e Esperana
Condicionais
Este certamente o tpico mais delicado para um curso introdutrio. importante
entender bem o caso finito, que contm as idias essenciais e fundamental para
que se compreenda o conceito de distribuio e esperana condicionais.
As Sees 8.1, 8.2 e 8.3 seguem a linha desenvolvida na Seo I.8 de Shiryaev.1
Nessas sees vamos assumir que todas as parties so finitas e todas as variveis
aleatrias assumem apenas finitos valores, mesmo que no seja dito explicitamente.
Na Seo 8.4 enunciamos as principais propriedades da esperana condicional dada
uma -lgebra que sero usadas nas sees seguintes. As Sees 8.5 e 8.6 tm como
referencial a linha desenvolvida no Captulo 4 de B. James, porm de forma muito
mais resumida. Recomendam-se os exerccios listados ao final deste captulo.
8.1
Parties
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. Por exemplo, se existe uma seqncia infinita de variveis aleatrias independentes que representam lanamentos de
moedas honestas, ento certamente no-enumervel e F bastante complicada.
Neste contexto, estudamos as propriedades de algumas grandezas observveis
(variveis aleatrias), ou ainda, conseguimos dividir em classes que podem
ser estudadas separadamente. Estudar uma partio D de ao invs de toda a
-lgebra F quer dizer que estamos trabalhando apenas com a informao relacionada quela partio.
Exemplo 8.1. Sejam X1 , X2 , X3 , . . . variveis aleatrias assumindo valores em
1
61
62
8.2
isto , em cada tomo Di da partio D, temos que P (A|D) assume o valor constante P (A|Di).
Exemplo 8.5. Suponha que P (chover amanh|chove hoje) = 0, 7,
P (chover amanh|no chove hoje) = 0, 5 e seja D = {chove hoje, no chove hoje}.
Ento
Z = P (chover amanh|D) =
0, 7,
0, 5,
P (A) = E P (A|D) .
Demonstrao. P (A) =
X
z
zP (Z = z) = 0, 7 0, 4 + 0, 5 0, 6 = 0, 58.
63
8.3
m
X
j=1
xj P (Aj |D)().
m
X
j=1
E(X|X
E(X|X
4,
3,
par),
se X() par,
se X() par,
se X() mpar.
64
E(X|D)()
3. E(X|{}) = EX.
Teorema 8.11 (Generalizao to Teorema da Probabilidade Total).
h
EX = E E(X|D) .
Demonstrao. Pelo Teorema 8.6,
h
E E(X|D) =
X
E xj P (Aj |D)
j
X
j
xj E P (Aj |D) =
xj P (Aj ) = EX.
P ()
/ E()
?
P (AD)
P (A|D)= P (D)
P
E(X|D)= i xi P (X=xi |D)
/
E(|D)
P (|D)
EX=E[E(X|D)]
P
P (A|D)= i P (A|Di )IDi
P
E(X|D)= i E(X|Di )IDi
/ E(|D)
P (|D)
P
F
P (A)=E[P (A|D)]
65
EX=
E(X|D)=
xi P (X=xi )
xi P (X=xi |D)
Em particular,
E E(X|Y1 , Y2 )Y1 = E(X|Y1).
66
i
E f (Y )E X Y
= E [Xf (Y )] .
E Xf (Y )Y = f (Y )E(X|Y ).
2
f (Y )
E X
2
(Y ) .
8.4
Uma partio D gera uma lgebra (D) formada por conjuntos que so unio finita
de elementos de D, ou seja, (D) = {A : A = Di1 Dik , Dij D, k 0}.
A esperana de X condicionada partio D dada por Z = E(X|D), foi construda de forma a ser a nica varivel aleatria Z a satisfazer simultaneamente
Z
XdP =
ZdP
e
Z D-mensurvel.
Nesse sentido, interpretamos E(X|D) como a melhor aproximao para X quando
tem-se acesso apenas informao correspondente a D.
Num caso mais geral, temos acesso informao correspondente a uma classe
C F , ou melhor, -lgebra G F gerada por C, e nesse caso definimos E(X|G)
como a nica varivel aleatria Z que satisfaa simultaneamente
Z
XdP =
para qualquer A G
ZdP
e
Z G-mensurvel, i.e.,
: Z B G B B.
67
E(X|Y ) = E (X|(Y )) ,
E E X G2 G1 = E E X G1 G2 = E X G1 quase certamente.
E XY G = Y.E X G
quase certamente.
A esperana condicionada a Y , E(X|Y ), sendo uma varivel aleatria (Y )mensurvel, pode ser expressa como (Y ), isto , E(X|Y )() = (Y ()) quase
certamente.
Isso justifica a seguinte definio.
Definio 8.22 (Esperana condicional de X dado que Y = y). Chamamos de
esperana condicional de X dado que Y = y a qualquer funo : R R que seja
B-mensurvel e satisfaa E(X|Y ) = (Y ) quase certamente. Neste caso escrevemos
E(X|Y = y) = (y).
68
Observao 8.23. Sempre existe tal , que nica no sentido de que qualquer
outra satisfazendo as mesmas condies satisfaz tambm P ((Y ) = (Y )) = 1.
Com isso estabelecemos uma relao entre (y) = E(X|Y = y) e E(X|Y ).
A primeira forma mais intuitiva para se lidar. Entretanto, toda essa abstrao
terica e teoremas de existncia e unicidade no fornecem uma forma explcita para
E(X|Y = y). disso que tratam as Sees 8.5 e 8.6.
8.5
Quando Y uma varivel aleatria discreta assumindo valores y1 , y2, . . . , essa varivel aleatria induz uma partio DY de (, F ), e temos as seguintes relaes:
P (X B) = E [P (X B|Y )] =
=
h
X
n
P (X B|Y = yn )P (Y = yn )
FX (x|Y = yn )P (Y = yn )
=
E(X) = E [E(X|Y )] =
E(X|Y = yn )P (Y = yn )
69
fX,Y (x, y)
fY (y)
fX (t|Y = y)dt.
70
6xy(2 x y),
0,
6xy(2 x y)dx = 4y 3y 2
6x(2xy)
, 0<x<1
caso contrrio.
1
yexy ,
2
0<x< e 0<y<2
0, caso contrrio
P (X = xn )fY (y|X = xn )
fY (y)
n:xn x
pX (xn |Y = y).
71
fX (X|Z = z) = 3z
1
I
(x),
z+1 [0,z+1]
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
h
72
(1 + 2x 2y),
0,
x, y [0, 1]
caso contrrio.
Substituindo temos
0,
Z x
1 + 2t 2y
fX,Y (t, y)
dt =
I[0,1][0,1] (x, t)dt
fY (y)
2 2y
0
x +x2xy
,
2(1y)
1,
x 0,
0 < x < 1,
x 1.
FZ (z|Y = y) = FX (z y|Y = y) =
ou seja,
fZ (z|Y = y) =
0,
z +(14y)z+3y 2 y
,
2(1y)
1,
z y,
y < z < y + 1,
x y + 1,
2z 4y + 1
I[y,y+1] (z).
2(1 y)
i=1
8.6
73
xdF (x|Y = y) .
(b) P (X B) =
(c) FX (x) =
Observao 8.33. Para qualquer funo g tal que g(X) integrvel, definimos
E [g(X)|Y = y] =
g(x)dFX (x|y) .
xdF (x|Y = y) =
x/2
1/2
P (X x, X 1)
= 0,
FX (x|Y = 1) = FX (x|X 1) =
P (X 1)
1,
= x, 0 x 1,
x < 0,
x > 1.
74
Logo, fX (x|Y = 1) =
= 1) = I[0,1] (x) e
Z
E(X|Y = 1) =
Portanto,
1
xfX (x|Y = 1)dx = .
2
1,
E(X|Y ) =
Y,
Y =1
1 < Y 2.
Exemplo 8.36. O Jogador I lana uma moeda honesta n vezes, obtendo k caras,
onde 0 K n. Depois o Jogador II lana a moeda k vezes, obtendo j coroas.
Seja X o nmero j de coroas obtidas pelo Jogador II. Queremos calcular EX.
(Poderamos fazer algum esforo neste caso nem sempre isso possvel para
mostrar que X b(n, 14 ) 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, 21 ,
logo E(X|Y = k) = k2 . Assim, E(X|Y ) = Y2 . Calculamos ento
EX = E [E(X|Y )] = E
Y
1
1n
n
= EY =
= ,
2
2
22
4
54Y
86Y
xfX (x | Y = y)dx =
5 4y
6x2 (2 x y)
dx =
.
4 3y
8 6y
E[X] = E[E[X | Y ]] =
15
8
7
5 4y
(4y 3y 2 )dy =
= .
8 6y
12 12
12
h
1
2
X
2
| Y = y] =
x
2
e ye dx = y
1
2
la integral vale
E eX/2 |Y =
e E eX/2 |Y = 1 = 12 .
xy
+,
y
y 12
e( 2 y)x dx.
y
.
y 21
Y 12 ,
y > 12 ,
Assim,
75
Exemplo 8.38. Seja X U [0, 1]. Se X = x, ento uma moeda com probabilidade
x de sair cara lanada n vezes independentemente. Seja Y a v.a. que representa
o nmero de caras obtidas.
Temos que Y |X = x b(n, x) e X U(0, 1) Se y 0, 1, . . . , n ento:
P (Y = y) =
P (Y = y | X = x)fX (x)dx =
n y
x (1 x)ny dx.
y
Portanto
E[Y ] =
n
X
yP (Y = y) =
y=0
=
=
xn
n
X
y=0
1
n Z
X
y=0 0
n y
x (1 x)ny dx
y
y
n 1 y1
x (1 x)ny dx
y1
xn(x + 1 x)n1 dx = n
xdx =
n
.
2
n
.
2
N
P
i=1
Xi . Mostre que
E [Y ] = E [N] E [X] .
Exerccio 8.11. 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
76
8.7
Exerccios
Mostre que
V (X|D) = E [X E (X|D)]2 D .
V (X|D) = E X 2 |D [E (X|D)]2 .
8.7. EXERCCIOS
77
E(Y |G) = X,
V (X|G) = E [X E (X|G)]2 G .