Apostila Intr Prob

Introduo Probabilidade
Notas de Aula
Leonardo T. Rolla
Instituto de Matemtica Pura e Aplicada
Rio de Janeiro
14 de fevereiro de 2012
c 2012 Leonardo T. Rolla. Texto publicado sob a Licena Creative Commons Atribuio

CompartilhaIgual 3.0 Brasil. http://creativecommons.org/licenses/by-sa/3.0/br/deed.pt
Este material parcialmente baseado no(s) seguinte(s) trabalho(s):
Nei Rocha. Apostila Teoria das Probabilidades II, 2009.
http://www.lce.esalq.usp.br/arquivos/aulas/2011/LCE5806/apos_RJ_ProbabilidadeII.pdf
Trabalhos derivados devem ser distribudos junto com o cdigo-fonte, observando os termos desta
Licena. Devem fazer atribuio ao presente material, bem como ao(s) trabalho(s) acima citado(s).
Cdigo fonte: bzr branch http://www.impa.br/~leorolla/apostila-intr-prob/ Verso: Date: Tue 2012-02-14 15:28:12 -0200
Sumrio
Apresentao
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 . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Convergncia de Variveis Aleatrias

5.1 Lema de Borel-Cantelli . . . . . . . . .
5.2 Tipos de Convergncia . . . . . . . . .
5.3 Relao entre os Tipos de Convergncia
5.4 Exerccios . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
33
35
36
.
.
.
.
39
39
42
44
45
.
.
.
.
47
47
50
52
52
Limite
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
57
57
59
60
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
Positiva
. . . . .
.
.
.
.
6 Funo Geradora de Momentos e Funo Caracterstica

6.1 Funo Geradora de Momentos . . . . . . . . . . . . . . .
6.2 Funo Caracterstica . . . . . . . . . . . . . . . . . . . . .
6.3 A Distribuio Normal . . . . . . . . . . . . . . . . . . . .
6.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Lei
7.1
7.2
7.3
dos Grandes Nmeros e Teorema Central

Leis dos Grandes Nmeros . . . . . . . . . . .
Teorema Central do Limite . . . . . . . . . . .
Exerccios . . . . . . . . . . . . . . . . . . . .
do
. .
. .
. .
8 Distribuio e Esperana Condicionais

8.1 Parties . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Probabilidade Condicional dada uma Partio . . .
8.3 Esperana Condicional dada uma Partio . . . . .
8.4 Esperana Condicional dada uma -lgebra . . . .
8.5 Distribuio Condicional Regular . . . . . . . . . .
8.6 Esperana Condicional dada uma Varivel Aleatria
8.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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.
James, B. R. (2004). Probabilidade: Um curso em nvel intermedirio. Projeto Euclides.

Magalhes, M. N. (2004). Probabilidade e variveis aleatrias. IME-USP.
3
Da mesma forma, aprende-se Clculo antes de se fazer a demonstrao do seu teorema fundamental. Da mesma forma, comum entre matemticos usar resultados baseados no Lema de Zorn
sem ter entrado nos detalhes da sua demonstrao.
2
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)
onde o resultado (i, j) ocorre se a face i aparece no primeiro dado e a face j no

segundo dado.
1
CAPTULO 1. DEFINIES BSICAS
Exemplo 1.6. Se o experimento consiste em medir a vida til de um carro, ento

um possvel espao amostral consiste de todos os nmeros reais no-negativos, isto
, = [0, ).
Definio 1.7. Qualquer subconjunto A do espao amostral , isto A , ao
qual atribumos uma probabilidade, dito um evento aleatrio.
Obviamente, como e os conjuntos e so eventos aleatrios.
O conjunto vazio denominado evento impossvel e o conjunto denominado
evento certo. Se o evento {} dito elementar (ou simples).
Definio 1.8. Dois eventos A e B so ditos mutuamente exclusivos ou incompatveis se A B = .
Observao 1.9. importante saber traduzir a notao de conjuntos para a linguagem de eventos: A B o evento A ou B; A B o evento A e B e Ac o
evento no A.
Definio 1.10. Seja A uma classe de subconjuntos de tendo as seguintes propriedades:
(i) A;
(ii) Se A A ento Ac A; (a classe fechada pela complementariedade)
n
(iii) Se A1 , A2 , . . . , An A ento Ai A. (a classe fechada pela unio finita)
i=1
Ento a classe A de subconjuntos de chamada uma lgebra.
Exerccio 1.1. Seja A uma lgebra. Mostre que:
(a) A;
(b) se A e B A ento A B A;
n
(b) se A1 , A2 , . . . , An A ento Ai A.
i=1
Definio 1.11. Seja A uma classe de subconjuntos de tendo as seguintes propriedades:

(i) A;
(ii) Se A A ento Ac A; (a classe fechada pela complementariedade)
(iii) Se A1 , A2 , A ento Ai A. (a classe fechada pela unio infinita

i=1
enumervel)
Ento a classe A de subconjuntos de chamada uma -lgebra.
Proposio 1.12. Seja A uma -lgebra de subconjuntos de . Se A1 , A2 , A
ento Ai A.
i=1
Demonstrao. (Em aula.)
1.1. ESPAOS DE PROBABILIDADE
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 < +}
= {(, x]; x R},

e assim por diante.
Definio 1.18. Seja A uma ()lgebra em . Um membro A de A dito um

tomo, se A 6= e se B A implica que ou B = ou B = A. Portanto, tomos so
os membros mais finos de uma ()lgebra.
Exemplo 1.19. Seja = {1, 2, 3, 4, 5, 6} e seja A = {, {2}, {1, 3, 4, 5, 6}, {4, 6}, {1, 2, 3, 5},
{1, 3}, {2, 4, 5, 6}, {5}, {1, 2, 3, 4, 6}, {1, 3, 5}, {4, 5, 6}, {1, 3, 4, 6}, {2, 5}, {1, 2, 3}, {2, 4, 6}, }.
Ento os tomos associados A so {2}, {5}, {1, 3} e {4, 6}.
Definio e propriedades das probabilidades Seja um espao amostral e
A uma -lgebra para um dado experimento. Uma medida de probabilidade P
uma aplicao P : A [0, 1] satisfazendo os seguintes axiomas:
A1) P (A) 0.
A2) P () = 1.
A3) Se A1 , A2 , A e Ai Aj = i 6= j, ento P (
i=1 Ai ) =
i=1
P (Ai ).
Definio 1.20. Um espao de probabilidade um trio (, F , P ) onde

1. um conjunto no-vazio;
2. A uma -lgebra de subconjuntos de ;
3. P uma probabilidade definida em A.
Com base nos axiomas de probabilidade, podem-se demonstrar as seguintes propriedades:

Teorema 1.21.
1. P () = 0.
2. Para todo A A, temos P (Ac ) = 1 P (A).

3. Para todo A A, temos 0 P (A) 1.
1.1. ESPAOS DE PROBABILIDADE
4. Sejam A e B A. Se A B, ento
(a) P (B A) = P (B) P (A);
(b) P (A) P (B).
5. Sejam A e B A. Ento P (A B) = P (A) + P (B) P (A B).

6. Para qualquer seqncia de eventos A1 , A2 , . . . , An A, P
(desigualdade de Boole).
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 )
P (Ai Aj Ak Al ) + + (1)n+1 P (A1 A2 An )

Uma propriedade importante da funo probabilidade P que ela contnua.
Para ver isto, definimos antes o que se entende por uma seqncia crescente (decrescente) de eventos.
Definio 1.22. Uma seqncia de eventos {En , n 1} dita crescente se En
En+1 , n 1 e dita decrescente se En En+1 , n 1.
Se {En , n 1} uma seqncia crescente de eventos, ento definimos um novo
evento, denotado por limn En por
lim En = Ei .
i=1
De forma similar se {En , n 1} uma seqncia decrescente de eventos, ento

definimos limn En por
lim En = Ei .
n
i=1
Com isso, podemos mostrar o seguinte teorema.
Teorema 1.23. Se {En , n 1} uma seqncia crescente ou decrescente de eventos, ento

lim P (En ) = P ( lim En ).
n

Exemplo 1.24. Considere uma populao de indivduos capazes de gerar proles do
mesmo tipo. O nmero de indivduos inicialmente presentes, denotado por X0 , o
tamanho da gerao zero. Todos as proles da gerao zero constituem a primeira
gerao e o seu nmero denotado por X1 . Em geral, Xn denota o tamanho da
n-sima gerao. Mostre que limn P (Xn = 0) existe e interprete o seu significado.
1.2
Probabilidade Condicional
1.2.1
Definio de Probabilidade Condicional
Definio 1.25. Seja (, A, P ) um espao de probabilidade. Se B A e P (B) > 0,

a probabilidade condicional de A dado B definida por
P (A | B) =
P (A B)
, A A.
P (B)
(1.1)
Exerccio 1.6. Certo experimento consiste em lanar um dado equilibrado duas

vezes, independentemente. Dado que os dois nmeros sejam diferentes, qual a
probabilidade condicional de
(a) pelo menos um dos nmeros ser 6;
(b) a soma dos nmeros ser 8?
1.2.2
Regra do Produto
Teorema 1.26. Sejam A, B A com P (A) > 0 e P (B) > 0. Ento

P (A B) = P (B).P (A | B)
= P (A).P (B | A)

Teorema 1.27. (a) P (A B C) = P (A).P (B | A).P (C | A B).
(b) P (A1 A2 An ) = P (A1 ).P (A2 | A1 ).P (A3 | A1 A2 ) P (An | A1
A2 An1 ), para todo A1 , A2 , . . . , An A e para todo n = 2, 3, . . . .
1.2.3
Lei da Probabilidade Total
Definio 1.28. Seja (, F ) um espao mensurvel. Uma partio de uma

famlia de conjuntos A1 , A2 , . . . , An tais que
(i) Ai F para todo i,
n
(ii) Ai = ,
i=1
(iii) Ai Aj = , para todo i 6= j.

Ou seja, os conjuntos A1 , A2 , . . . , An so disjuntos dois a dois e a sua unio o
conjunto . Dizemos tambm que foi particionado pelos conjuntos A1 , A2 , . . . , An .
1.2. PROBABILIDADE CONDICIONAL
Para todo evento B A temos

n
B = (Ai B) .
i=1
Como os Ai so disjuntos, ento os Ci = Ai B so disjuntos. Com isto podemos

demonstrar os seguintes teoremas:
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
Teorema 1.30 (Frmula de Bayes). Se a seqncia (finita ou enumervel) de

eventos aleatrios A1 , A2 , . . . formar uma partio de , ento
P (Ai )P (B | Ai )
P (Ai | B) = P
.
P (Aj ).P (B | Aj )
(1.3)

Exerccio 1.7. Uma caixa contm 10 bolas das quais 6 so brancas e 4 vermelhas.
Removem-se trs bolas sem observar suas cores. Determine:
(a) a probabilidade de que uma quarta bola removida da caixa seja vermelha;
(b) a probabilidade de que as trs bolas removidas sejam brancas, sabendo-se
que pelo menos uma delas branca.
Exerccio 1.8. Uma moeda lanada. Se ocorre cara, um dado lanado e o seu
resultado registrado. Se ocorre coroa, dois dados so lanados e a soma dos pontos
registrada. Qual a probabilidade de ser registrado o nmero 2?
Exerccio 1.9. Num certo certo pas, todos os membros de comit legislativo ou so
comunistas ou so republicanos. H trs comits. O comit 1 tem 5 comunistas, o
comit 2 tem 2 comunistas e 4 republicanos, e o comit 3 consiste de 3 comunistas e
4 republicanos. Um comit selecionado aleatoriamente e uma pessoa selecionada

aleatoriamente deste comit.
(a) Ache a probabilidade de que a pessoa selecionada seja comunista.
(b) Dado que a pessoa selecionada comunista, qual a probabilidade de ela ter
vindo do comit 1?
Exerccio 1.10. So dadas duas urnas A e B. A urna A contm 1 bola azul e 1
vermelha. A urna B contm 2 bolas vermelhas e 3 azuis. Uma bola extrada ao
acaso de A e colocada em B. Uma bola ento extrada ao acaso de B. Pergunta-se:
(a) Qual a probabilidade de se retirar uma bola vermelha de B?
(b) Qual a probabilidade de ambas as bolas retiradas serem da mesma cor?
Exerccio 1.11. Suponha que temos 4 cofres, cada um com dois compartimentos.
Os cofres 1 e 2 tm um anel de brilhante num compartimento e um anel de esmeralda
no outro. O cofre 3 tm dois anis de brilhante em seus compartimentos, e o cofre
4 tm dois anis de esmeralda. Escolhe-se um cofre ao acaso, abre-se um dos compartimentos ao acaso e encontra-se um anel de brilhantes. Calcule a probabilidade
de que o outro compartimento contenha:
(a) um anel de esmeralda;
(b) um anel de brilhantes.
1.3
1.3.1
Independncia
Eventos Independentes 2 a 2
Definio 1.31. Seja (, F , P ) um espao de probabilidade. Os eventos aleatrios A, B F so independentes se

P (A B) = P (A)P (B).
Observao 1.32. Eventos de probabilidade 0 ou 1 so independentes de qualquer
outro.
Teorema 1.33. A independente de si mesmo se e somente se P (A) = 0 ou 1.
Teorema 1.34. So equivalentes:
1. A e B so independentes
1.3. INDEPENDNCIA
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
Eventos Coletivamente Independentes
Definio 1.37. (a) Os eventos aleatrios A1 , . . . , An (n 2) so chamados (coletiva ou estocasticamente) independentes se

P (Ai1 Ai2 Aim ) = P (Ai1 ).P (Ai2 ) P (Aim )
para todo 1 i1 < i2 < < im n, para todo m = 2, 3, . . . , n (isto , se todas as

combinaes satisfazem a regra produto).
(b) Os eventos aleatrios A1 , A2 , . . . independentes se para todo n 2, A1 , . . . , An
so independentes.
Observao 1.38. Independncia a pares no implica independncia coletiva. Conforme o exerccio a seguir.
Exerccio 1.12. Seja = {w1 , w2 , w3 , w4 } e suponha P ({w}) = 1/4 para todo
w . Sejam os eventos A = {w1 , w4 }, B = {w2 , w4 } e C = {w3 , w4 }. Verifique
que A, B e C so independentes dois a dois, mas
P (A B C) 6= P (A).P (B).P (C).
Observao 1.39. Toda famlia de eventos independentes independente.

Exerccio 1.13. Um dado no viciado lanado uma vez. Se a face que aparece
mpar, uma moeda no viciada lanada repetidas vezes. Se a face par, uma
moeda com probabilidade p 6= 12 de dar cara lanada repetidamente. Os sucessivos
lanamentos so independentes. Se os primeiros n lanamentos resultaram em cara,
qual a probabilidade de que a moeda no viciada foi usada?
10
1.4
Exerccios
Exerccio 1.14. Considere o experimento resultante do lanamento de dois dados

onde se observa o mnimo entre suas faces. Construa um modelo probabilstico
associado.
Exerccio 1.15. Seja (, F , P ) um espao de probabilidade. Considere uma seqncia de eventos aleatrios (An ) em F . Defina o evento Bm : o primeiro evento a
ocorrer da seqncia (An ) Am .
1. Expresse Bm em funo dos An . Bm aleatrio? Por qu?
2. Os eventos B1 , B2 , . . . , Bm , . . . so disjuntos?
3. Quem o evento
m=1
Bm ?
Exerccio 1.16. Considere um espao amostral e uma -lgebra F sobre . Se

(Pn ) uma seqncia de medidas de probabilidade sobre F , se (an ) uma seqncia
P
de nmeros reais no-negativos tal que
n=1 an = 1 e se definirmos
P (E) =
n=1
an Pn (E),
E F,
ento P tambm uma medida de probabilidade sobre F . Mostre isso.

Exerccio 1.17. A -lgebra gerada por uma classe de conjuntos C.
Seja C uma classe de subconjuntos de . Prove que:
1. C P().
2. Dadas duas -lgebras F e G, temos que F G uma -lgebra.
3. Dada uma famlia qualquer de -lgebras {Fi}iI , onde I qualquer conjunto

T
de ndices no-vazio, temos que iI Fi uma -lgebra.
4. Considere a famlia de -lgebras {F P() : F -lgebra e C F }. Esta

famlia no vazia.
5. Defina (C) como sendo a interseo de todas as -lgebras do item anterior.

Ento:
(a) (C) uma -lgebra.
(b) C (C).
(c) Dada F -lgebra, se C F ento (C) F .
6. No existe outra -lgebra satisfazendo as trs propriedades acima.

Dizemos que (C), assim definida, a -lgebra gerada por C, ou a menor -lgebra
que contm C.
1.4. EXERCCIOS
11
Exerccio 1.18. Prove as propriedades de (C) abaixo.

1. Se C D ento (C) (D).
2. Se A -lgebra ento (A) = A.
3. Seja f : uma funo e C uma classe de subconjuntos de . Ento

(f 1 C ) = f 1 ((C )).
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
Na realizao de um fenmeno aleatrio, muitas vezes estamos interessados em uma

ou mais quantidades, que so dadas em funo do resultado do fenmeno. A essas
quantidades damos o nome de variveis aleatrias. Informalmente, uma varivel
aleatria um caracterstico numrico do experimento.
Exemplo 2.1. Sortear 11 cartas do baralho e contar quantas dessas cartas so de
espadas.
Exemplo 2.2. Sortear dois nmeros entre 0 e 1 e considerar o menor deles.
Exemplo 2.3. Joga-se um dado e observa-se a face superior. Nesse caso temos
= {1, 2, 3, 4, 5, 6} e
X() = .
Entretanto, nem toda funo de em R traduz uma varivel aleatria. Para

que ela seja uma varivel aleatria, precisamos garantir que todo evento relacionado
varivel aleatria possa ser mensurado. Da a definio seguinte:
Definio 2.4. Uma varivel aleatria X em um espao de probabilidade
(, A, P ) uma funo real definida no espao tal que o conjunto
[ : X() x] (daqui para frente escrito de forma simplificada [X x])
evento aleatrio para todo x R; isto ,
X:R
uma varivel aleatria se [X x] A para todo x R.
13
14
CAPTULO 2. VARIVEIS ALEATRIAS
Exemplo 2.5. Sejam = {1, 2, 3, 4} e A = {, {1, 2}, {3, 4}, } e considere os

conjuntos A = {1, 2} e B = {1, 3}. Ento 1A varivel aleatria em (, A), mas 1B
no .
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.

Tendo em mente que FX (x) = P (X x), podemos observar que
1. P (X > a) = 1 P (X a) = 1 FX (a)
2. P (a < X b) = P (X b) P (X a) = FX (b) FX (a)
3. P (X = a) = P (X a) P (X < a) = FX (a) FX (a ). Ou seja, P (X = a)

o tamanho do salto da funo de distribuio em x = a. Se a funo for
contnua no ponto x = a ento P (X = a) = 0.
4. P (a < X < b) = P (a < X b) P (X = b)
= P (X b) P (X a) P (X = b) = FX (b) FX (a) [FX (b) FX (b )]
= FX (b ) FX (a).
5. P (a X < b) = P (a < X < b) + P (X = a)
= FX (b ) FX (a) + [FX (a) FX (a )] = FX (b ) FX (a ).
2.3. TIPOS DE VARIVEIS ALEATRIAS
15
6. P (a X b) = P (a < X b) + P (X = a)
= FX (b) FX (a) + [FX (a) FX (a )] = FX (b) FX (a ).
Exerccio 2.3. Um dado tendencioso tal que a probabilidade de um ponto

proporcional ao prprio ponto. Seja X a varivel aleatria que representa o nmero
obtido no lanamento do dado. Pede-se:
(a) A funo de distribuio da varivel aleatria X, esboando o seu grfico.
(b) A probabilidade de ocorrer 5, dado que ocorreu um nmero mpar?
(c) A probabilidade de ocorrer um nmero par, dado que ocorreu um nmero
menor do que 5?
Exerccio 2.4. Seja F (x) a funo
0, se x < 0
F (x) = x + 21 , se 0 x
1, se x > 1
2
1
2
Mostre que F de fato uma funo de distribuio e calcule:

(a) P (X > 18 )
(b) P ( 81 < X < 52 )
(c) P (X < 25 | X > 81 )
2.3
Tipos de Variveis Aleatrias
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
Neste caso definimos a funo de probabilidade de uma varivel aleatria contnua

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

{x1 , x2 , . . . }) = 1 e P (X 6 {x1 , x2 , . . . }) = 0. No tratamento de variveis aleatrias
discretas, tudo pode ser feito em termos de somatrios. A funo de distribuio de
uma varivel aleatria discreta dada por
FX (x) =
n:xn x
P (X = xn ) =
n:xn x
PX (xn ).
16
Observao 2.9. Reciprocamente, dada p() satisfazendo

p(x) 0,
e
xR
p(x) = 1,
(2.2)
(2.3)
xR
existe uma varivel aleatria com funo de probabilidade dada por p.

Exerccio 2.5. A probabilidade de um indivduo acertar um alvo 2/3. Ele deve
atirar at atingir o alvo pela primeira vez. Seja X a varivel aleatria que representa
o nmero de tentativas at que ele acerte o alvo. Pede-se:
(a) A funo de probabilidade de X, mostrando que ela atende as propriedades
(2.2) e (2.3).
(b) A probabilidade de serem necessrios cinco tiros para que ele acerte o alvo.
Exerccio 2.6. Seja X uma varivel aleatria com funo de probabilidade
P (X = x) = cx2 , onde c uma constante e k = 1, 2, 3, 4, 5. Calcule F (x) e
P (X ser mpar).
Exerccio 2.7. Seja X o nmero de caras obtidas em 4 lanamentos de uma moeda honesta. Construa a funo de probabilidade e a funo de distribuio de X
esboando os seus grficos.
Definio 2.10. Uma varivel aleatria X e sua funo de distribuio FX so ditas
contnuas se P (X = a) = 0 para todo a R, ou seja, se FX for contnua no sentido
usual.
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.
Neste caso, dizemos que fX a funo de densidade de probabilidade de X, ou

simplesmente densidade de X.
Observao 2.12. Pelo Teorema Fundamental do Clculo, observe que

fX (x) =
dFX (x)
.
dx
Observao 2.13. Como FX (x) contnua, observe que
2.3. TIPOS DE VARIVEIS ALEATRIAS
17
1. P (X = x) = FX (x) FX (x ) = 0 para todo x R.
2. P (a X b) = P (a < X b) = P (a X < b) = P (a < X < b) =

Rb
a fX (x)dx.
3. dFX (x) = fX (x)dx.
Exerccio 2.8. Verifique que
0,
z 2 ,
z < 0,
FZ (z) =
2
1 3(1 z) ,
1,
0 z < 12 ,
1
2
z < 1,
z1
uma funo de distribuio e obtenha a funo de densidade de Z. Calcule tambm

P (Z > 14 |Z 34 ).
Exerccio 2.9. Verifique que
0, y < 0
FY (y) =
y, 0 y 1
1, y > 1
uma funo de distribuio e calcule a funo de densidade de Y . Use-a para

calcular P ( 14 < Y < 43 ).
Definio 2.14. Uma varivel aleatria X dita mista se tem partes nas diferentes
classificaes (parte discreta e parte contnua).
Exerccio 2.10. (Exemplo de Varivel Aleatria Mista: Discreta e Contnua ao
mesmo tempo) A funo de distribuio de uma varivel aleatria X dada por:
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
Exerccio 2.11. Seja X uma varivel com funo de distribuio
0, x < 2
1
FX (x) =
+ x+2
, 2x<0
4
8
3 + 1 (1 ex ), x 0
4
4
(a) Classifique X e faa um grfico de F.

(b) Calcule P (X > 1) e P (X 4|X > 0).
(c) Decomponha F nas partes discreta e absolutamente contnua.
Exerccio 2.12. Mostre que se X uma varivel aleatria do tipo contnuo com
funo de densidade par, ou seja, simtrica em torno de x = 0, isto , fX (x) =
fX (x), ento:
(a) FX (x) = 1 FX (x);
(b) FX (0) = 21 ;
(c) P (x < X < x) = 2FX (x) 1, x > 0;
(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
(a) Obtenha a funo de distribuio de X.

(b) Ache P (1 < X < 2).
(c) Ache P (|X| > 1).
Exerccio 2.14. Z uma varivel aleatria contnua com funo de densidade de
probabilidade
(
10e10z , z > 0
fZ (z) =
0, z 0
Obtenha a funo de distribuio de Z e esboce o seu grfico.
2.4
Exerccios
Exerccio 2.15. Prove as propriedades de uma funo de distribuio

Exerccio 2.16. Prove que P (X = a) = 0 se e somente se FX contnua em a.
Exerccio 2.17. Prove que (R, B), juntamente com PX , formam um espao de
probabilidade, i.e., prove que PX uma medida de probabilidade.
Exerccio 2.18. Se p(n) = p(1 p)n1 , n = 1, 2, 3, . . . , mostre que p() funo de
probabilidade e determine a funo de distribuio acumulada.
2.4. EXERCCIOS
19
Exerccio 2.19. Seja X uma varivel aleatria definida em (, F , P ). Considere o

seguinte truncamento de X:
Y =
X,
A,
A,
|X| A,
X > A,
X < A,
onde A um nmero positivo.

Mostre que Y uma varivel aleatria em (, F , P ).
Exerccio 2.20. Mostre que, se duas variveis aleatrias X e Y so iguais quase
certamente isto , P (X = Y ) = 1 ento FX = FY .
Exerccio 2.21. Encontre os valores das constantes reais e de modo que a
funo F abaixo seja funo de distribuio acumulada de alguma varivel aleatria
definida em algum espao de probabilidade:
F (x) =
0,
+ ex2 /2 ,
x 0,
x > 0.
Exerccio 2.22. Mostre que a funo de probabilidade do modelo de Poisson de

fato uma funo de probabilidade.
Exerccio 2.23. Perda de memria do modelo geomtrico.
1. Mostre que P (X m + n|X > n) = P (X m) para inteiros no-negativos,
se X segue o modelo geomtrico.
2. Se X segue o modelo geomtrico, prove que a distribuio de X dado que
X > n igual distribuio de X + n.
Exerccio 2.24. Mostre que a densidade do modelo uniforme contnuo de fato
uma funo de densidade.
Exerccio 2.25. Mostre que a distribuio do modelo exponencial de fato uma
distribuio. Calcule a densidade associada.
Exerccio 2.26. Perda de memria do modelo exponencial.
1. Mostre que P (X > t + s|X > s) = P (X > t) para t, s 0 se X tem
distribuio exponencial.
2. Mostre que a distribuio de X dado que X > s igual distribuio de X +s.
Exerccio 2.27. B. James. Captulo 2. Recomendados: 1, 5, 6, 7, 9, 10, 13, 14.
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
Proposio 3.4 (Propriedades da Funo de Distribuio Conjunta). Se X um

vetor aleatrio em (, A, P ), ento para qualquer x Rn , sua funo de distribuio
F goza das seguintes propriedades:
F1) F (x) no-decrescente em cada uma de suas coordenadas.
F2) F (x) contnua direita em cada uma de suas coordenadas.
F3) Se para algum j, xj , ento F (x) 0 e, ainda, se para todo j, xj
+, ento F (x) 1.
F4) F (x) tal que para todo ai , bi R, ai < bi , 1 i n, temos
P {a1 < X1 b1 , a2 < X2 b2 , . . . , an < Xn bn } 0.

Observao 3.5. A propriedade F4 parece to bvia que poderamos questionar a
necessidade de mencion-la. No caso unidimensional ela no necessria, mas no
caso multi-dimensional ela essencial, pois h funes que atendem as propriedades
F1, F2 e F3 que no so funes de distribuies de nenhum vetor aleatrio, conforme
o exemplo abaixo.
21
22
CAPTULO 3. VETORES ALEATRIOS
Exemplo 3.6. Considere a seguinte funo:

F (x, y) =
1, em S = {(x, y) : x 0, y 0 e x + y 1}
0, caso contrrio
Ento F (x, y) satisfaz F1, F2 e F3, mas 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
Definio 3.8. Dizemos que as variveis aleatrias X1 , X2 , . . . , Xn , definidas

em um espao de probabilidade (, F , P ), so coletivamente independentes, ou
simplesmente independentes, se
P {X1 B1 , X2 B2 , . . . , Xn Bn } =
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 } P {X3 R} . . . P {Xn R}

= P {X1 B1 } P {X2 B2 } .1 . . . 1
= P {X1 B1 } P {X2 B2 }
(ii) Se as variveis aleatrias X1 , X2 , . . . , Xn so independentes, ento funes de

famlias disjuntas das variveis so tambm independentes. Por exemplo:
(a) X1 + X2 + X3 e eX4 so independentes.
(b) min(X1 , X2 ) e max(X3 , X4 ) so independentes.
(c) X1 .X2 e X2 + X3 no so necessariamente independentes!
3.2. FUNO DE DISTRIBUIO MARGINAL
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
Funo de Distribuio Marginal
A partir da funo de distribuio conjunta, pode-se obter o comportamento de

cada varivel isoladamente. A funo de distribuio individualizada denominada
funo de distribuio marginal e obtida da seguinte forma:
F (x)
FXk (xk ) = xlim
i6=k
em que o limite aplicado em todas as coordenadas, exceto k.

3.3
Tipos de Vetores Aleatrios
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) .
Um vetor aleatrio X discreto se e somente se suas coordenadas X1 , . . . , Xn so

discretas. Qualquer funo p() satisfazendo
p(x) 0,
e
X
x
x Rn
p(x) = 1
24
funo de probabilidade conjunta de algum vetor aleatrio X em algum espao

(, F , P ).
A funo de probabilidade marginal de uma varivel, digamos Xk , obtida a
partir da conjunta, somando-se os valores possveis em todas as coordenadas, exceto
em k, isto ,
pXk (xk ) = P (Xk = xk ) =
n X
X
p(x).
i=1 xi
i6=k
Exemplo 3.12. Duas moedas equilibradas so lanadas de forma independente e

definimos as variveis aleatrias X e Y da seguinte forma: X = nmero de caras
nos dois lanamentos e Y = funo indicadora de faces iguais nos dois lanamentos.
Obtenha a funo de probabilidade conjunta de X e Y e as funes de probabilidade
marginais de X e de Y .
Definio 3.13. Um vetor aleatrio X (assim como sua funo de distribuio

FX ) dito absolutamente contnuo se existe fX () 0 tal que
FX (t) =
t1
tn
fX (s1 , . . . , sn )dtn dt1 .
Neste caso, dizemos que fX a funo de densidade conjunta de X, ou simplesmente densidade de X.
Se um vetor aleatrio X absolutamente contnuo, ento suas coordenadas

X1 , . . . , Xn so absolutamente contnuas (no vale a recproca!). Qualquer f () satisfazendo
f (x) 0, x Rn
Rn
f (x)dn x = 1
densidade de algum vetor aleatrio X.

A densidade de uma varivel Xi chamada densidade marginal, e pode ser
calculada por
fXi =
Z
|
{z
n1 vezes
f (x1 , . . . , xi , . . . , xn dx1 dxn .

|
{z
exceto xi
A funo de densidade conjunta fX pode ser calculada por

fX (x) =
n
FX (x1 , . . . , xn ).
x1 xn
3.4. MTODO DO JACOBIANO
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
Exerccio 3.1. Sejam trs variveis aleatrias X, Y e Z com funo de densidade

conjunta dada por
(
kxy 2 z, se 0 < x 1, 0 < y 1 e 0 < z 2

f (x, y, z) =
0, caso contrrio
Encontre o valor de k e ache a funo de densidade marginal de X.
Critrio de independncia
se, e somente se,
Se X discreta ento X1 , . . . , Xn so independentes
pX (x1 , . . . , xn ) = p1 (x1 ) pn (xn ) x1 , . . . , xn R

para funes reais p1 , . . . , pn . Neste caso, uma outra decomposio possvel sempre
pX (x1 , . . . , xn ) = pX1 (x1 ) pXn (xn ).

Se X absolutamente contnua ento X1 , . . . , Xn so independentes se, e somente
se,
fX (x1 , . . . , xn ) = f1 (x1 ) fn (xn ) x1 , . . . , xn R
para funes reais f1 , . . . , fn . Neste caso, uma outra decomposio possvel sempre
fX (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ).
3.4
Mtodo do Jacobiano
Sejam G0 Rn e G Rn duas regies abertas e seja g : G0 G uma funo

bijetora onde
g(x1 , . . . , xn ) = (g1 (x1 , x2 , . . . , xn ), . . . , gn (x1 , x2 , . . . , xn )) = (y1 , . . . , yn ).
Ento existe a funo inversa h = g 1 en G, onde
x1 = h1 (y1 , . . . , yn ), . . . , xn = hn (y1 , . . . , yn ).
26
Suponha tambm que existam as derivadas parciais

hi (y1 , . . . , yn )
xi
=
,
yj
yj
1 i, j n,
e que elas sejam contnuas em G. Definimos o jacobiano J(x, y) pelo determinante
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
. . . f (x1 . . . , xn )dx1 . . . dxn =

A
. . . f (h1 (y1 , . . . , yn ) . . . , hn (y1 , . . . , yn )) |J(x, y)| dy1 . . . dyn
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 ) =
fX (h1 (y1 , . . . , yn ) . . . , hn (y1 , . . . , yn )) |J(x, y)| , y G

0, y
/G
onde fX a funo de densidade conjunta de X.

Exemplo 3.16. Sejam X e Y variveis aleatrias independentes, cada uma com
so
distribuio exponencial com parmetro 1, mostre que Z = X + Y e W = X
Y
tambm independentes com densidades
fZ (z) =
e
fW (w) =
zez , z > 0
0, z 0
1
,
(w+1)2
w>0
.
0, w 0
Observao 3.17. Seja a funo g : Rn Rk com k < n. Ento g no bijetora.

Ento para obtermos a distribuio de Y = g(X), basta:
(a) Completar a transformao g atravs de variveis auxiliares convenientes:
Yk+1 = gk+1 (X), . . . , Yn = gn (X).
3.5. EXERCCIOS
27
(b) Obter a conjunta de Y1 , Y2, . . . , Yn usando o mtodo do jacobiano fY (y1 . . . , yn ) =

f (h1 (y1 , . . . , yn ) . . . , hn (y1 , . . . , yn )) |J(x, y)|.
(c) Obter a marginal conjunta de Y1 , Y2 , . . . , Yk como
Z
...
fY (y1 . . . , yn )dyk+1 . . . dyn .
Exemplo 3.18. A funo de densidade conjunta de X e Y dada por

1
fX,Y (x, y) = (x + y)1(0,2] (x)1(0,1] (y).
3
Mostre que a densidade de Z = X + Y dada por
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
(a) Determine a funo de distribuio de Y = min(3, X).

(b) Faa a decomposio de FY nas suas partes discreta, contnua e singular.
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
A = (x, y) R2 : 0 < y < x e x + y < 1 .

Encontre FX,Y .
2. Considere um vetor aleatrio (Z, W ) absolutamente contnuo com densidade

fZ,W (z, w) =
Encontre FZ,W .
c,
0,
0 < z < 1, 0 < w < z,

caso contrrio.
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.
Sugesto: faa Z = X + Y e W = Y , calcule a densidade conjunta de Z e W e

depois a marginal.
Exerccio 3.8. Sejam X e Y i.i.d discretas com funo de probabilidade p. Mostre
que
X
pX+Y (t) =
p(t s)p(s).
s
Sugesto: Considere a partio {[Y = s] : s {x1 , x2 , x3 , . . . }}, onde {x1 , x2 , x3 , . . . }

o conjunto dos valores que X (ou Y ) assume.
Exerccio 3.9. B. James. Captulo 2. Recomendados: 2, 17, 18, 21, 30, 33, 34, 41,
46.
Captulo 4
Esperana Matemtica
4.1
Definio
Definio 4.1. Seja X uma varivel aleatria com funo de distribuio FX . A

esperana de X, denotada E(X), definida como
E(X) =
xdFX (x)
(4.1)
quando a integral est bem definida.

Observao 4.2. (a) (x) = x contnua. A integral (4.1) de Riemann-Stieltjes.
R
(b) A esperana est bem definida se pelo menos uma das integrais 0 xdFX (x)
R0
xdFX (x) for finita.
ou
R0
R
xdFX (x) forem finitas, dizemos que
(c) Se ambas as integrais 0 xdFX (x) e
X integrvel, ou seja, X integrvel se
E(|X|) =
|x| dFX (x) < .
(d) Se X uma varivel aleatria discreta tomando valores no conjunto {x1 , x2 , x3 , . . . }

e com funo de probabilidade p(xi ) = P (X = xi ), ento
E(X) =
xi p(xi ).
i=1
(e) Se X uma varivel aleatria contnua com funo de densidade de probabilidade

fX (x), ento
Z
E(X) =
xfX (x)dx
(f) Se X tal que sua funo de distribuio se decompe F = Fd + Fac + Fs ,

ento
Z
Z
X
xdFs (x).
xfX (x)dx +
E(X) =
xi p(xi ) +
i=1
29
30
CAPTULO 4. ESPERANA MATEMTICA
Exerccio 4.1. Um dado lanado sucessivamente, at que a face 6 ocorra pela

primeira vez. Seja X a varivel que conta o nmero de lanamentos at a ocorrncia
do primeiro 6. Calcule a esperana de X.
Exerccio 4.2. Suponha que X seja uma varivel aleatria com f.d.p. dada por
f (x) =
C(9 x2 ), 3 x 3
0, caso contrrio
(a) Obtenha o valor de C.

(b) Obtenha a esperana de X.
(c) Ache P (|X| 1).
4.1.1
Propriedades da Esperana Matemtica
1. E(C) = C, onde C uma constante.

2. Se a X b, ento a E(X) b.
3. E(aX b) = aE(X) b.
4. E[X E(X)] = 0.
5. Se X Y , ento E(X) E(Y ).
6. Se X uma varivel aleatria tal que 0 |X| Y , onde Y varivel aleatria
integrvel, ento X integrvel.
Exerccio 4.3. Seja X uma varivel aleatria simtrica em torno de , isto ,
P {X + x} = P {X x} para todo x R. Mostre que se X integrvel,
ento E(X) = .
Observe pelo exerccio seguinte, que sem a hiptese de integrabilidade, o resultado no se verifica, pois:
Exerccio 4.4. Seja X uma varivel aleatria Cauchy com parmetros M e b, isto
, a densidade de X dada por
f (x) =
[b2
b
+ (x M)2 ]
para todo x R, b > 0 e M R. Mostre que M ponto de simetria de X, mas

E(X) no existe.
Exerccio 4.5. Sejam X e Y variveis aleatrias independentes com distribuio
uniforme em [0, 1]. Sejam Z = min(X, Y ) e W = max(X, Y ). Calcule E(Z) e
E(W ).
Proposio 4.3. (Desigualdade de Jensen) Seja uma funo convexa definida na
reta. Se a varivel aleatria X integrvel, ento
E[(X)] [E(X)].
4.2. ESPERANAS DE FUNES DE VARIVEIS ALEATRIAS
31

Observao 4.4. Se uma funo cncava, ento E[(X)] [E(X)]. (Mostre
isso!)
Exemplo 4.5. Pela desigualdade de Jensen, temos, por exemplo, que
(a) E [|X|] |E(X)|.
(b) E(X 2 ) E 2 (X).
p
p
p
(c) E |X|
(E |X|) |EX| . onde p 1.
1
(d) E X1 EX
.
4.2
Esperanas de Funes de Variveis Aleatrias
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),
sendo que (X) ser integrvel em (, F , P ) se e somente se for integrvel em

(R, B, dFX ). Assim,
E[(X)] =
(xi )p(xi ) (se X discreta)
i=1
E[(X)] =
4.3
(x)fX (x)dx (se X contnua)
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 =
[xi E(X)]k P (X = xi ) se X v.a.d.
i=1
[x E(X)]k fX (x)dx se X v.a.c.
Definio 4.9. Seja X uma varivel aleatria. Define-se a varincia da varivel

2
aleatria X, denotada por V X ou X
, como
V X = E[(X E(X))2 ].
Observao 4.10. Observe que V X = E[(X E(X))2 ] = E[X 2 2XE(X) +
E 2 (X)] = E[X 2 ] 2E 2 (X) + E 2 (X) = E(X 2 ) E 2 (X).
4.3.1
Propriedades da Varincia
1. V C = 0, onde C uma constante.

2. V (aX b) = a2 V X.
Definio 4.11. Define-se o desvio-padro da varivel aleatria X, denotado por
DP (X) ou X , como
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)
.
4.4. ESPERANAS DE FUNES DE VETORES ALEATRIOS
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
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
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 .
Proposio 4.16. Se Z 0 e EZ = 0, ento P {Z = 0} = 1, ou seja, Z = 0 quase

certamente.
Observao 4.17. A proposio acima implica que, quando V X = 0, ento X

constante quase certamente, pois P {X = EX} = 1.
4.4
Esperanas de Funes de Vetores Aleatrios
Teorema 4.18. Seja X = (X1 , X2 , . . . , Xn ) um vetor aleatrio em (, A, P ) e :

Rn R mensurvel a Borel. Ento
E(X) =
ydF(X) (y) =
...
(x)dFX (x)
onde a ltima integral uma integral n-dimensional de Stieltjes.

Demonstrao. (Teoria da Medida)
Observao 4.19. (i) Se X for discreto tomando valores em {x1 , x2 , . . . } temos
E(X) =
(xi )pX (xi ).
i=1
(ii) Se X for contnuo com densidade fX (x) temos

E(X) =
...
(x)fX (x)dx1 . . . dxn .
(iii) E[1 (X) + + n (X)] = E[1 (X)] + + E[n (X)].
34
Proposio 4.20. Se X1 , X2 , . . . , Xn so variveis aleatrias independentes e integrveis, ento X1 X2 Xn integrvel e

E [X1 X2 Xn ] = (EX1 )(EX2 ) (EXn ).
O exemplo a seguir nos mostra que a recproca da proposio anterior no
sempre verdadeira, isto , EXY = EX.EY no implica X e Y independentes.
Exemplo 4.21. Sejam X e Y variveis aleatrias tomando valores 1, 0, 1 com
distribuio conjunta dada por p(1, 1) = p(1, 1) = p(1, 1) = p(1, 1) =
p(0, 0) = 51 . Ento EXY = EX.EY , mas X e Y no so independentes, pois
P (X = 0, Y = 0) 6= P (X = 0).P (Y = 0).
Definio 4.22. A covarincia entre duas variveis aleatrias X e Y definida
como
Cov(X, Y ) = E [(X EX) (Y EY )]
= E [XY ] E [X] E [Y ]
Duas variveis aleatrias X e Y so ditas no-correlacionadas se Cov(X, Y ) = 0.

Segue-se que variveis aleatrias independentes so no-correlacionadas, mas a recproca no necessariamente verdadeira.
Observao 4.23. H certos casos em que no correlao implica em independncia. O caso mais importante o da Normal: Se X e Y possuem distribuio conjunta
normal bivariada e so no-correlacionadas, ento = 0 e como vimos anteriormente
X e Y so independentes.
Proposio 4.24. A varincia da varivel aleatria Y =
n
P
i=1
" n
X
Xi =
i=1
n
X
V [Xi ] + 2
Xi dada por
Cov(Xi , Xj ).
i<j
i=1

Corolrio 4.25. Se X1 , X2 , . . . , Xn so variveis aleatrias no-correlacionadas,
ento
" n
#
n
V
X
i=1
Xi =
V [Xi ] .
i=1

Definio 4.26. Dada uma varivel aleatria X, a varivel aleatria Z = XEX
X
uma padronizao de X (tambm chamada de reduo ou normalizao de X).
Observe que EZ = 0 e V Z = 1.
4.5. CONDICIONANDO A EVENTO DE PROBABILIDADE POSITIVA
35
Definio 4.27. Chama-se coeficiente de correlao entre X e Y , denotado por

X,Y ou (X, Y ), a correlao entre as sua variveis padronizadas, isto ,
X,Y
Cov(X, Y )
=E
=
X .Y

X EX
X

Y EY
Y

Exerccio 4.8. Mostre que (X, Y ) = (aX + b, cY + d) para a > 0 e c > 0.

A proposio seguinte nos informa que X,Y representa a dependncia linear entre
X e Y.
Proposio 4.28. Sejam X e Y variveis aleatrias com varincias finitas e positivas. Ento:
(i) 1 X,Y 1.
(ii) X,Y = 1 se e somente se P {Y = aX + b} = 1 para algum a > 0 e b R.
(iii) X,Y = 1 se e somente se P {Y = aX + b} = 1 para algum a < 0 e b R.
Proposio 4.29 (Desigualdade de Cauchy-Schwarz). E |XY |
EX 2 EY 2 .
4.5
Esperana Condicional dado um Evento de

Probabilidade Positiva
Seja X uma varivel aleatria em um espao de probabilidade (, A, P ), e seja A

um evento aleatrio tal que P (A) > 0. Definimos a distribuio condicional de X
dado o evento A por
P (X B | A) =
P ([X B] A)
P (A)
para B B, a -lgebra dos borelianos da reta. Os axiomas abaixo se verificam

Axioma 1) P (X B | A) 0.
Axioma 2) P (X R | A) = 1.
Axioma 3) Se B1 , B2 , . . . so borelianos disjuntos dois a dois, ento P (X
i=1
Bi | A) =
i=1
P (X Bi | A).
A funo de distribuio associada distribuio condicional chamada funo

de distribuio condicional de X dado A:
FX (x | A) = P (X x | A) =
P ([X x] A)
, x R.
P (A)
36
A esperana condicional de X dado A a esperana da distribuio condicional

definida por
E(X | A) =
xdFX (x | A)
E [X.1A ]
E [1A ]
1
=
E [X.1A ] ,
P (A)
=
se esta esperana existe.

Observe, pelo Teorema da Probabilidade Total, que
P (X B) =
FX (x) =
=
E [X] =
=
X
n
P (An )P (X B | An ), para todo B B.
X
n
P (An )P (X x | An )
P (An )FX (x | An ), para todo x R.
xdFX (x) =
P (An )
Z
xd
"
X
n
P (An )FX (x | An )

xdFX (x | An ) =
X
n
P (An )E(X | An ).
Exemplo 4.30. Seja X U [1, 1] e sejam A1 = [X 0] e A2 = [X < 0]. Pede-se

(a) A distribuio condicional de X dado A1 .
(b) A distribuio condicional de X dado A2 .
(c) E(X | An ) para n = 1, 2.
Exemplo 4.31. Seja X uma varivel aleatria exponencial com parmetro . Encontre E [X | X > 2].
4.6
Exerccios
Exerccio 4.9. Calcular EX, onde:

1. X b(n, p).
2. X exp().
3. X Geom(p).
4.6. EXERCCIOS
Exerccio 4.10.
37
1. Prove que, se X assume valores em {0, 1, 2, 3, . . . }, ento
EX =
n=1
P (X n).
Sugesto: escreva a frmula da esperana como um somatrio duplo de p(n)

e troque a ordem da soma.
2. Dada X varivel aleatria, mostre que
n=1
P (|X| n) E|X|
n=0
P (|X| n).
Estabelea um critrio para determinar se X integrvel ou no.

Dica: |X| |X| |X| + 1.
Exerccio 4.11. Dada X v.a., defina
Y =
X,
a,
X a,
caso contrrio,
onde a uma constante positiva. Mostre que EY EX.

Exerccio 4.12. Mostre que X integrvel se, e somente se, E|X| < .
Exerccio 4.13. Prove:
1. Se E|X|
P (X = 0) = 1.
h = 0 ento
i
1
Dica: |X| n [X = 0] quando n .
2. Se X c e EX = c, ento P (X = c) = 1.
Exerccio 4.14. Prove as conseqncias da desigualdade de Cauchy-Schwarz para

a covarincia e o coeficiente de correlao.
Exerccio 4.15. Prove que a covarincia e o coeficiente de correlao de duas variveis independentes so nulos.
Exerccio 4.16. Prove que E|X| EX 2 .

Exerccio 4.17. Sejam X1 , . . . , Xn variveis aleatrias satisfazendo EXi2 < i.
1. Se Cov(Xi , Xj ) = 0 i 6= j, mostre que
V
n
X
i=1
Xi =
n
X
V Xi .
i=1
2. A frmula acima tambm vale se as variveis aleatrias forem independentes?
38
Exerccio 4.18. Calcular V X, onde:

1. X Poisson().
2. X exp().
3. X b(n, p).
Exerccio 4.19. Padronizao de X.

Dada uma varivel aleatria X com EX 2 < , definimos a padronizao de X
(ou a normalizao de X) como
X EX
.
(X)
A padronizao de uma varivel aleatria no tem unidade de medida. Mostre que:
1. EZ = 0 e V Z = 1, onde Z a padronizao de X.
2. X e (aX + b) tm a mesma padronizao para a > 0 e b R.
3. Se Z a padronizao de X e W a padronizao de Y , ento

(Z, W ) = Cov(Z, W ) = E(ZW ) = (X, Y ).
(Prove uma igualdade de cada vez.)
Exerccio 4.20. Considere uma seqncia de variveis aleatrias 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
X
Xn (),
n j=1
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() .
1. Mostre que, se as Xn so uniformemente limitadas, ento X integrvel e

EXn EX.
2. Mostre que
lim E e|X| sen(Xn ) = E e|X| sen(X) .
Exerccio 4.22. B. James. Captulo 3. Recomendados: 5, 6, 19, 20ab, 21, 23, 26,
28, 30, 36.
Captulo 5
Convergncia de Variveis
Aleatrias
Considere um experimento devidamente modelado por um espao de probabilidade
(, 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
Comeamos definindo o lim inf e o lim sup de uma seqncia de eventos.

1
L. C. Rgo. Notas de Aula do Curso Probabilidade 4. 2010.

http://www.de.ufpe.br/~leandro/AulasET5842010-1.pdf
39
40
CAPTULO 5. CONVERGNCIA DE VARIVEIS ALEATRIAS
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
Definimos o evento lim inf An , denotado por [An eventualmente], por

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

lim sup An o conjunto dos s tais que pertence a infinitos An s.
O evento lim sup An significa An acontece infinitas vezes.
lim inf An o conjunto dos s tais que pertence a todos os An s exceto uma
quantidade finita deles.
O evento lim inf An significa An acontece para todo n grande.
De fato, lim sup An F e lim inf An F . Vale tambm que
lim inf An lim sup An
e
lim inf(Acn ) = (lim sup An )c .
Exemplo 5.2. Exemplo: = R, An =
Temos
lim sup An =
(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
Exerccio 5.1. Sejam um espao de probabilidade (, F , P ) e uma seqncia de

eventos aleatrios (An ) em F .
Mostre que, se (An ) crescente, ento lim sup An = lim inf An =
n=1 An . Por
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 .
5.1. LEMA DE BOREL-CANTELLI
41
Exerccio 5.3. Considere a seqncia de intervalos
(0, 2 +
An =
(0, 2
1
),
n
1
),
n
n par
n mpar.
Encontre o lim inf An e o lim sup An .
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
= e os eventos An so independentes, ento
n=1 P (An )
n=1 P (An )
P (An infinitas vezes) = 0.
P (An infinitas vezes) = 1.
Demonstrao. Feita em aula. Referncia: B. James, p. 201.

Exemplo 5.4. Considere a seqncia de infinitos sorteios independentes e uniformes
de um nmero (xn ) entre 0 e 1.
1. P (xn [0, 1/n] para infinitos ns) = 1.
2. P (xn [0, 1/n2] para infinitos ns) = 0.
Caso os eventos An no sejam independentes, podemos ter P (An i.v.) = 0 sem

P
que necessariamente tenhamos n P (An ) < . Neste caso podemos afirmar pelo
menos que P (An ) 0.
Teorema 5.5 (Lema de Fatou). Para qualquer seqncia (An )n de eventos vale
P (lim inf n An ) lim inf n P (An ).
Demonstrao. Para qualquer k N e m k temos
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
An lim inf P (An ).

k nk
O ltimo termo igual a lim inf n P (An ), o que termina a prova.

Corolrio 5.6. Se P (An i.v.) = 0 ento P (An ) 0.
Demonstrao. Aplicando o Teorema 5.5 para a seqncia (Acn )n temos que

lim supn P (An ) = 1 lim inf n P (Acn ) 1 P (lim inf n Acn ) = P (lim supn An ) = 0,
donde segue o resultado.
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.
Exemplo 5.9. Sejam X1 , X2 , . . . v.a.s independentes, identicamente distribudas

com distribuio exp(1). Defina
Xn
Yn =
ln n
P
para n > 1. Mostre que Yn 0.
Definio 5.10. Dizemos que Xn converge quase certamente para X, denotado
q.c.
por Xn X, se
P {Xn X, quando n } = 1,
ou seja, o evento A0 = { : Xn () X()} de probabilidade 1.
5.2. TIPOS DE CONVERGNCIA
43
Observao 5.11. Observe que a convergncia quase certa uma convergncia

pontual num conjunto de medida 1, ou seja, Xn () X() para quase todo ,
exceto aqueles dentro de um conjunto de medida nula. Por outro lado convergncia
em probabilidade no diz respeito convergncia pontual, ela apenas afirma que
para valores grandes de n as variveis Xn e X so aproximadamente iguais com
probabilidade bem alta.
Exemplo 5.12. Seja = [0, 1]. Um ponto selecionado aleatoriamente do intervalo
[0, 1] e seja a sequncia de variveis aleatrias dada por
Xn () = + n .
q.c.
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.
Proposio 5.13. Xn X se, e somente se,

P |Xn X| i.v. = 0
Exerccio 5.4. Prove a proposio acima.
> 0.
Definio 5.14. Dizemos que Xn converge para X em Lp , que denotamos por

Lp
Xn X, se
lim E {|Xn X|p } = 0.
Quando p = 2, a convergncia dita em mdia quadrtica.

Exemplo 5.15. Sejam X1 , X2 , . . . v.a.s independentes, tais que P (Xn = 1) =
Lp
1
n
P (Xn = 0) = 1 n1 . Mostre que Xn 0, para todo p.

Definio 5.16. Sejam {Xn ; n 1} e X variveis aleatrias com funes de
distribuio {Fn ; n 1} e F , respectivamente. Dizemos que Xn converge em
d
distribuio para X, que denotamos por Xn X, se para todo ponto x em que
F contnua, tivermos
lim Fn (x) = F (x).
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
Exemplo 5.18. Seja Xn = n1 para n 1 e X = 0. Mostre que Xn X, embora

limn Fn (0) = 0 6= 1 = F (0). Mas como 0 no ponto de continuidade de F , isto
no problema.
44
5.3
Relao entre os Tipos de Convergncia

q.c.
Proposio 5.19. Se Xn X ento Xn X.
Demonstrao. Para qualquer > 0, pela Proposio 5.13 temos que

P (|Xn X| i.v.) = 0,
logo segue do Corolrio 5.6 que P (|Xn X| ) 0, ou seja, Xn X.

P
Proposio 5.20. Se Xn X ento existe uma subseqncia nk tal que

q.c.
Xnk X.
Idia da prova. Como P (|Xn X| ) 0 pode-se tomar uma subseqncia nk tal

P
que k P (|Xnk X| ) < , e usar um argumento anlogo ao do Exerccio 5.9.
P
Corolrio 5.21. O limite em probabilidade nico: se Xn X e Xn Y ento

P (X = Y ) = 1.
q.c.
Demonstrao. Tome uma subseqncia nk tal que Xnk X e uma subseqncia

q.c.
nkj tal que Xnkj Y . Para todo na interseo desses dois eventos quase certos
A = [Xnk X] e B = [Xnkj Y ] temos que [X = Y ]. Como P (A) = P (B) = 1
implica P (A B) = 1, temos que P (X = Y ) P (A B) = 1.
P
Proposio 5.22. Se Xn X ento Xn X.
Proposio 5.23. Se Xn c para c R constante, ento Xn c.

Lp+s
Lp
Proposio 5.24. Sejam p 1 e s 0. Se Xn X ento Xn X.
Demonstrao. Fazendo q = p + s, pela Desigualdade de Jensen temos

p 1
p
E Xn X
q 1
q
E Xn X
Lp
0.
Proposio 5.25. Seja p 1. Se Xn X ento Xn X.
Idia da prova. Pela desigualdade de Markov
P (|Xn X| ) p E(|Xn X|p ) 0.

P
Proposio 5.26. Seja p 1. Se Xn X e existe Y tal que EY p < e |Xn | Y

Lp
para todo n, ento Xn X.
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
Figura 5.1: Diagrama de implicaes entre os tipos de convergncia.
5.4
Exerccios
Exerccio 5.5. B. James. Captulo 5. Recomendados: 5, 6, 7, 9, 10.

Exerccio 5.6. Seja (An )n uma seqncia de eventos em (IAn )n a seqncia de variveis aleatrias indicadoras das ocorrncias dos eventos correspondentes. Encontre
P
uma condio sobre as probabilidades P (An ) para que IAn 0.
Exerccio 5.7. Considere o espao de probabilidade ([0, 1], B, P ) com P dado pela
medida de comprimento, e a seqncia de variveis aleatrias (Xn )n dadas por
Xn () =
d
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
para qualquer > 0. Mostre que
P |Xn | > <

q.c.
Xn 0.
Mostre que tambm vale a recproca no caso de as Xn serem independentes.

Exerccio 5.10. Sejam Xn , n N, variveis aleatrias independentes tais que
Xn Bernoulli(pn ). Estude as condies sobre (pn ) para que:
46

P
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
Funo Geradora de Momentos
Definio 6.1. Seja X uma varivel aleatria. Define-se a funo geradora de

momentos MX (t) de X, como
MX (t) = E[etX ],
desde que a esperana seja finita para todo t em algum intervalo [b, b]. Caso
contrrio dizemos que X no possui funo geradora de momentos.
47
48
CAPTULO 6. TRANSFORMADAS
Assim,
MX (t) =
MX (t) =
etxi P (X = xi ) se X v.a.d.
i=1
etx fX (x)dx se X v.a.c.
Exerccio 6.1. Seja X a varivel aleatria que conta o nmero de lanamentos de

uma moeda honesta at que ocorra a primeira cara. Ache a funo geradora de
momentos de X.
Exerccio 6.2. Se X tem funo geradora de momentos MX (t) e se Y = aX + b,
ento MY (t) = ebt MX (at).
Proposio 6.2. Se X tem funo geradora de momentos MX (t), ento

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

Exemplo 6.5. Suponha um experimento realizado uma nica vez tendo probabilidade p de sucesso e q = 1 p de fracasso. Denote a varivel aleatria X = 0 se
fracasso ocorre e X = 1 se sucesso ocorre. Ento a varivel aleatria X dita ter
distribuio de Bernoulli com parmetro p, representado por X Bernoulli(p), e
sua funo de probabilidade dada por
P (X = x) = px (1 p)1x ,
x = 0, 1.
6.1. FUNO GERADORA DE MOMENTOS
49
Assim se X Bernoulli(p), ento

MX (t) = pet + q,
EX = p,
V X = pq.
Exemplo 6.6. Sejam n ensaios independentes de Bernoulli, cada um tendo a mesma
probabilidade p de sucesso e q = 1 p de fracasso. Seja X a varivel aleatria que
conta o nmero de sucessos nas n realizaes. A varivel aleatria X dita ter
distribuio Binomial com parmetros n e p, denotado por X b(n, p), e sua
funo de probabilidade dada por
P (X = x) =
n
x
px q nx ,
x = 0, 1, 2, 3, . . . , n.
(a) Se X b(n, p), ento

MX (t) = (pet + q)n ,
EX = np,
V X = npq.
(b) Se Xi Bernoulli(p), para i = 1, 2, . . . , n, independentes, ento X = X1 +
X2 + + Xn b(n, p).
(c) Se Xi b(ni , p), para i = 1, 2, . . . , k, independentes, ento X = X1 + X2 +
P
+ Xk b( ki=1 ni , p).
Exemplo 6.7. Sejam ensaios sucessivos e independentes de Bernoulli, cada um

tendo a mesma probabilidade p de sucesso e q = 1 p de fracasso. Seja X a varivel
aleatria que conta o nmero de realizaes at que o primeiro sucesso ocorra. A
varivel aleatria X dita ter distribuio Geomtrica com parmetro p, denotado
por X Geo(p), e sua funo de probabilidade dada por
P (X = x) = q x1 p,
x = 1, 2, 3, 4, . . .
Assim, se X Geo(p), ento

pet
, para t < ln q
1 qet
1
EX =
,
p
q
V X = 2.
p
MX (t) =
50
Exemplo 6.8. Denotemos por Poisson() a distribuio de Poisson com parmetro

.
(a) Se X Poisson(), ento
t
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)
Registro aqui um comentrio. A compreenso e manipulao de funes caractersticas no

requer conhecimentos de clculo em uma varivel complexa. Isso porque as integrais so calculadas
Rb
em dx para x R e no em dz para caminhos C. Mais precisamente, a F (x)dx = F (b)F (a)
mesmo que F e F sejam funes complexas. As nicas situaes em que teramos que sair de R e
R
usar argumentos tpicos de variveis complexas, em particular f dz = 0, seriam na obteno da
funo caracterstica da Normal e da distribuio de Cauchy. Cumpre porm ressaltar que usamos
P n
abundantemente n zn! = ez , (eg ) = g eg , e (1 + znn )n ez se zn z, mas para fins prticos
manipulamos o i como um nmero qualquer.
6.2. FUNO CARACTERSTICA
51
Definio 6.10. A funo caracterstica de uma varivel aleatria X, denotada

por X , a funo X : R C definida como
X (t) = EeitX = E cos(tX) + iE sen(tX),
t R.
Exemplo 6.11. Se X U[a, b], ento
X (t) = E[eitX ] = E[cos(tX)] + iE[sen(tX)]

Z b
Z b
1
1
dx + i
dx
=
sen(tx)
cos(tx)
ba
ba
a
a
b
b

i
1
sen(tx)
cos(tx)
=
t(b a)
t(b a)
a
a
1
=
[sen(tb) sen(ta) i cos(tb) + i cos(ta)]
t(b a)
ieitb + ieita
eitb eita
=
=
.
t(b a)
it(b a)
Ou, mas rpido:
X (t) =
itx
"
Exemplo 6.12. Se X Poisson(), ento:

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
Proposio 6.13. Propriedades da funo caracterstica:

1. |(t)| (0) = 1.
2. uniformemente contnua em R.
3. Se a, b R, ento aX+b (t) = eitb X (at).
4. Se X e Y so independentes, ento X+Y (t) = X (t)Y (t).

5. X tambm gera momentos:

dn

(t)
= in E(X n ),
X

dtn
t=0
6. Se E|X|n < , ento
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!
X (t) = (0) + (0)t + (0)
onde o resto rn (t) pequeno:
rn (t)
tn
t0
0.
52
Exemplo 6.14. Poisson (Feito em aula.)

Proposio 6.15 (Unicidade). Se X (t) = Y (t) t R, ento X Y .
Exemplo 6.16. Soma de Poissons independentes Poisson. (Feito em aula.)
Convergncia em distribuio O Teorema de Continuidade relaciona convergncia de funes caractersticas com convergncia em distribuio.
Teorema 6.17 (Teorema da Continuidade (Paul Lvy)). Seja (Xn )n uma

seqncia de variveis aleatrias e (n )n a seqncia das funes caractersticas correspondentes. Se
n (t) (t)
t R,
e contnua em t = 0, ento
d
Xn X,
onde X uma varivel aleatria tal que X = .
Exemplo 6.18. Binomial converge a Poisson. (Feito em aula.)
6.3
A Distribuio Normal
Denotamos por a funo de distribuio acumulada de uma normal padro

(t) = FN (t) = P (N t) =
ex /2
dx.
2
Em geral, a soluo de problemas numricos envolvendo a distribuio normal inclui

a consulta de uma tabela de valores de ((t); t 0) com os valores de t apropriados
veja a Tabela 6.1. Para t < 0 usa-se a identidade (t) = 1 (t).
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
Exerccio 6.6. Sejam X1 , X2 , X2 , . . . independentes, Sn = X1 + X2 + + Xn e

Sn = X1 +X2n++Xn Mostre as seguintes propriedades:
N (0, 1).
(a) Se X N (, 2), ento Z = X
2
(b) Assim, se X N (, ), ento
1
mX (t) = et+ 2
2 t2
E(X) =
V X = 2 .
P
Pn
(c) Se Xi N (i, i2 ), ento Sn N ( ni=1 i ,

(d) Se Xi N (, 2), ento Sn N (n, n 2 ).
2
(e) Se Xi N (, 2), ento Sn N (, n ).
i=1
i2 ).
Exerccio 6.7. A distribuio dos comprimentos dos elos da corrente de bicicleta

normal, com mdia 2 cm e varincia 0, 01 cm2 . Para que uma corrente se ajuste
bicicleta, deve ter comprimento total entre 58 e 61 cm. Qual a probabilidade de
uma corrente com 30 elos no se ajustar bicicleta?
Exerccio 6.8. As duraes de gravidez tm distribuio normal com mdia de 268
dias e desvio-padro de 15 dias.
(a) Selecionada aleatoriamente uma mulher grvida, determine a probabilidade
de que a durao de sua gravidez seja inferior a 260 dias.
(b) Se 25 mulheres escolhidas aleatoriamente so submetidas a uma dieta especial
a partir do dia em que engravidam, determine a probabilidade de os prazos de
durao de suas gravidezes terem mdia inferior a 260 dias (admitindo-se que a
dieta no produza efeito).
(c) Se as 25 mulheres tm realmente mdia inferior a 260 dias, h razo de
preocupao para os mdicos de pr-natal? Justifique adequadamente.
Exerccio 6.9. O peso de uma determinada fruta uma varivel aleatria com
distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas. Determine a probabilidade de um lote contendo 100 unidades dessa fruta pesar mais
que 21 kg.
Exerccio 6.10. Um elevador pode suportar uma carga de 10 pessoas ou um peso
total de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus
pesos so normalmente distribudos com mdia 165 libras e desvio-padro de 10
libras, qual a probabilidade de que o peso limite seja excedido para um grupo de 10
homens escolhidos aleatoriamente?
Exerccio 6.11. Se X U[a, b], calcule MX (t). Use a funo geradora de momentos
para calcular EX e V X.
54
Exerccio 6.12. As cinco primeiras repeties de um experimento custam R$ 10, 00

cada. Todas as repeties subseqentes custam R$ 5, 00 cada. Suponha que o
experimento seja repetido at que o primeiro sucesso ocorra. Se a probabilidade de
sucesso de uma repetio igual a 0, 9, e se as repeties so independentes, qual
custo esperado da operao?
Exerccio 6.13. Se X exp(), calcule MX (t). Use a funo geradora de momentos para calcular EX e V X.
Exerccio 6.14. Seja Y uma varivel aleatria contnua com funo de densidade
de probabilidade dada por
fY (y) =
yey , se y > 0
0, caso contrrio
Ache a funo geradora de momentos de Y e use-a para calcular EY e V Y .

Exerccio 6.15. Se X N (0, 1), calcule X (t).
Voc pode usar o seguinte fato, da teoria do clculo em uma varivel complexa:
Z
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
Tabela 6.1: (x + y), onde x so os valores das linhas e y os das colunas.

0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,5000
0,5040
0,5080
0,5120
0,5160
0,5199
0,5239
0,5279
0,5319
0,5359
0,1
0,5398
0,5438
0,5478
0,5517
0,5557
0,5596
0,5636
0,5675
0,5714
0,5753
0,2
0,5793
0,5832
0,5871
0,5910
0,5948
0,5987
0,6026
0,6064
0,6103
0,6141
0,3
0,6179
0,6217
0,6255
0,6293
0,6331
0,6368
0,6406
0,6443
0,6480
0,6517
0,4
0,6554
0,6591
0,6628
0,6664
0,6700
0,6736
0,6772
0,6808
0,6844
0,6879
0,5
0,6915
0,6950
0,6985
0,7019
0,7054
0,7088
0,7123
0,7157
0,7190
0,7224
0,6
0,7257
0,7291
0,7324
0,7357
0,7389
0,7422
0,7454
0,7486
0,7517
0,7549
0,7
0,7580
0,7611
0,7642
0,7673
0,7704
0,7734
0,7764
0,7794
0,7823
0,7852
0,8
0,7881
0,7910
0,7939
0,7967
0,7995
0,8023
0,8051
0,8078
0,8106
0,8133
0,9
0,8159
0,8186
0,8212
0,8238
0,8264
0,8289
0,8315
0,8340
0,8365
0,8389
1,0
0,8413
0,8438
0,8461
0,8485
0,8508
0,8531
0,8554
0,8577
0,8599
0,8621
1,1
0,8643
0,8665
0,8686
0,8708
0,8729
0,8749
0,8770
0,8790
0,8810
0,8830
1,2
0,8849
0,8869
0,8888
0,8907
0,8925
0,8944
0,8962
0,8980
0,8997
0,9015
1,3
0,9032
0,9049
0,9066
0,9082
0,9099
0,9115
0,9131
0,9147
0,9162
0,9177
1,4
0,9192
0,9207
0,9222
0,9236
0,9251
0,9265
0,9279
0,9292
0,9306
0,9319
1,5
0,9332
0,9345
0,9357
0,9370
0,9382
0,9394
0,9406
0,9418
0,9429
0,9441
1,6
0,9452
0,9463
0,9474
0,9484
0,9495
0,9505
0,9515
0,9525
0,9535
0,9545
1,7
0,9554
0,9564
0,9573
0,9582
0,9591
0,9599
0,9608
0,9616
0,9625
0,9633
1,8
0,9641
0,9649
0,9656
0,9664
0,9671
0,9678
0,9686
0,9693
0,9699
0,9706
1,9
0,9713
0,9719
0,9726
0,9732
0,9738
0,9744
0,9750
0,9756
0,9761
0,9767
2,0
0,9772
0,9778
0,9783
0,9788
0,9793
0,9798
0,9803
0,9808
0,9812
0,9817
2,1
0,9821
0,9826
0,9830
0,9834
0,9838
0,9842
0,9846
0,9850
0,9854
0,9857
2,2
0,9861
0,9864
0,9868
0,9871
0,9875
0,9878
0,9881
0,9884
0,9887
0,9890
2,3
0,9893
0,9896
0,9898
0,9901
0,9904
0,9906
0,9909
0,9911
0,9913
0,9916
2,4
0,9918
0,9920
0,9922
0,9925
0,9927
0,9929
0,9931
0,9932
0,9934
0,9936
2,5
0,9938
0,9940
0,9941
0,9943
0,9945
0,9946
0,9948
0,9949
0,9951
0,9952
2,6
0,9953
0,9955
0,9956
0,9957
0,9959
0,9960
0,9961
0,9962
0,9963
0,9964
2,7
0,9965
0,9966
0,9967
0,9968
0,9969
0,9970
0,9971
0,9972
0,9973
0,9974
2,8
0,9974
0,9975
0,9976
0,9977
0,9977
0,9978
0,9979
0,9979
0,9980
0,9981
2,9
0,9981
0,9982
0,9982
0,9983
0,9984
0,9984
0,9985
0,9985
0,9986
0,9986
3,0
0,9987
0,9987
0,9987
0,9988
0,9988
0,9989
0,9989
0,9989
0,9990
0,9990
3,1
0,9990
0,9991
0,9991
0,9991
0,9992
0,9992
0,9992
0,9992
0,9993
0,9993
3,2
0,9993
0,9993
0,9994
0,9994
0,9994
0,9994
0,9994
0,9995
0,9995
0,9995
3,3
0,9995
0,9995
0,9995
0,9996
0,9996
0,9996
0,9996
0,9996
0,9996
0,9997
3,4
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9998
56
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
Leis dos Grandes Nmeros
Sejam X1 , X2 , . . . v.a.s integrveis em (, A, P ) e S1 , S2 , . . . suas somas parciais

dadas por
Sn = X1 + X2 + + Xn .
Definio 7.1. X1 , X2 , . . . satisfazem a Lei Fraca dos Grandes Nmeros se para
todo > 0 temos
P
ou seja, se

Sn

ESn
0, quando n ,
n
Sn ESn P
0.
n
Definio 7.2. X1 , X2 , . . . satisfazem a Lei Forte dos Grandes Nmeros se para

todo > 0 temos

Sn ESn
P lim
=0 =1,
n
n
ou seja, se
Sn ESn q.c.
0.
n
57
58 CAPTULO 7. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE

Teorema 7.3 (Lei Fraca de Chebyshev). Sejam X1 , X2 , . . . v.a.s no-correlacionadas
dois a dois com varincias finitas e uniformemente limitadas (isto , existe c finito,
tal que para todo n V Xn < c). Ento X1 , X2 , . . . satisfazem a Lei Fraca dos Grandes
Nmeros:
Sn ESn P
0.
n
Demonstrao. Exerccio. Basta usar a segunda desigualdade de Chebyshev.
Corolrio 7.4 (Lei dos Grandes Nmeros de Bernoulli). Considere uma seqncia
de ensaios binomiais independentes tendo a mesma probabilidade p de sucesso em
cada ensaio. Se Sn o nmero de sucessos nos primeiros n ensaios, ento
Sn P
p.
n
Teorema 7.5 (Lei Fraca de Khintchine). Sejam X1 , X2 , . . . v.a.s independentes,
identicamente distribudas e integrveis, com mdia . Ento X1 , X2 , . . . satisfazem
a Lei Fraca dos Grandes Nmeros:
Sn P
.
n
Demonstrao. Utilizamos o Teorema de Paul Lvy. Primeiramente, como as Xn
so i.i.d., temos

n
in
h
t
t
,
= 1 + i + r1 nt
Sn (t) = X1 n
n
n
onde r1 () tal que
r1 (w)
w
0 quando w 0. Segue que Sn (t) eit quando

n
n , para todo t R. Pelo Teorema 6.17,

o mesmo que
Sn P
Sn
n
e, como constante, isso
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
7.2. TEOREMA CENTRAL DO LIMITE
7.2
59
Teorema Central do Limite
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
onde r2 () tal que
(t) = X1
r2 (w)
w2
in
"

t2
= 1 + r2 t n
n
0 quando w 0. Segue que
n , para todo t R. Pelo Teorema 6.17,
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?
60 CAPTULO 7. LEI DOS GDES NMEROS E TEO CENTRAL DO LIMITE
7.3
Exerccios
Observao 7.11. As questes sobre a Lei Forte dos Grandes Nmeros, por 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 ).)
com funes de probabilidade pn dadas por pn (n2 ) = n13 = 1 pn (0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?

com funes de probabilidade pn dadas por pn (n2 ) = n12 = 1 pn (0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
Exerccio 7.4. B. James. Captulo 5. Recomendados: 2, 3, 14.
Exerccio 7.5. Imagine um modelo idealizado com M eleitores, dos quais MA pretendem votar no candidato A. Suponha que seja possvel sortear um desses eleitores
ao acaso, e de forma equiprovvel. Definimos
X=
1,
0,
caso o eleitor sorteado v votar no candidato A,

caso contrrio.
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.
Exerccio 7.6. Use o Teorema Central do Limite para verificar que

lim 2 en
n
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
Shiryaev, A. N. (1984). Probability. Springer Verlag.
61
62
CAPTULO 8. DISTRIBUIO E ESPERANA CONDICIONAIS
{1, 1}. O espao pode ser dividido em tomos onde X1 e X2 so constantes.

Definio 8.2. Dizemos que D = {D1 , D2 , D3 , . . . , Dn } uma partio de (, F )
se Di F i, Di Dj = i 6= j, e i Di = .
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 8.3. 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 8.4. Para qualquer partio D vale D < D.
8.2
Probabilidade Condicional dada uma Partio
Dada uma partio D = {Di }i e um evento A, definimos a varivel aleatria

P (A|D) = P (A|D)() =
IDi ()P (A|Di)
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,
se no estado chove hoje,

caso contrrio.
Teorema 8.6 (Teorema da Probabilidade Total).

h
P (A) = E P (A|D) .
Demonstrao. P (A) =
P (A|Di)P (Di ) = E P (A|D) .
Exemplo 8.7. Se P (chover hoje) = 0, 4, temos

P (chover amanh) = EZ =
X
z
zP (Z = z) = 0, 7 0, 4 + 0, 5 0, 6 = 0, 58.
Definio 8.8. Seja X uma varivel aleatria assumindo valores em {x1 , . . . , xm }.

Definimos a partio induzida por X como DX = {D1 , . . . , Dm }, onde Dj = { :
X() = xj }. Denotamos a varivel aleatria P (A|DX )() por P (A|X)().
8.3. ESPERANA CONDICIONAL DADA UMA PARTIO
63
Uma forma equivalente de definir P (A|X) a seguinte. Para k = 1, . . . , m, faa

(xk ) = P (A|X = xk ). Temos que P (A|X) = (X), isto , , P (A|X)() =
(X()).
Exerccio 8.1. Se X e Y so independentes ento
P (X + Y = z|Y = y) = P (X + y = z).
Exemplo 8.9. Se X e Y so i.i.d. Bernoulli(p), considere o evento A = [X +Y = 1].
Vamos calcular P (A|Y ):
P (A|Y ) = pIY =0 + (1 p)IY =1 ,
ou, escrevendo explicitamente como funo de Y :
P (A|Y ) = p(1 Y ) + (1 p)Y.
De forma anloga definimos DX1 ,X2 ,...,Xn como sendo a partio cujos tomos so
os maiores conjuntos onde todas as Xn so constantes.
Exerccio 8.2. Mostre que DX1 ,X2 < DX1 .
8.3
Esperana Condicional dada uma Partio
Sexa X uma varivel aleatria com valores em {x1 , . . . , xm } e Aj = [X = xj ].

Considere D uma partio de (, F ). Definimos a varivel aleatria
E(X|D) = E(X|D)() =
m
X
j=1
xj P (Aj |D)().
Observe que, dado Di D, para cada Di temos

E(X|D)() =
m
X
j=1
xj P (Aj |Di) = E (X|Di ) ,
isto , em cada tomo Di da partio D, a varivel aleatria aleatria E(X|D)

assume um valor contante dado por E(X|Di ). Veja a Figura 8.1.
Exemplo 8.10. Lanamento de um dado honesto. Seja D = {mpar, par}. Temos
Z() = E(X|D)() =
Assim,
Z() =
E(X|X
E(X|X
4,
3,
par),
se X() par,
mpar), se X() mpar.
se X() par,
se X() mpar.
64

X()
E(X|D)()
Figura 8.1: Ilustrao da definio de E(X|D).

Exerccio 8.3. Mostre as seguintes propriedades:
1. E(aX + bY |D) = aE(X|D) + bE(Y |D).
2. E(c|D) = c.
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.
Com o Teorema 8.11 completamos o diagrama da Figura 8.2.

Exemplo 8.12. Lanamento do dado no Exemplo 8.10. Temos
EX = E[E(X|D)] = EZ = 3, 5.
Seja Y outra varivel aleatria assumindo valores y1 , . . . , yn . Denotamos
E(X|Y ) = E(X|DY ).
Se fizermos (yi) = E(X|Y = yi ), i = 1, . . . , n, temos que
E(X|Y ) = (Y ).
Exerccio 8.4. Se X e Y so independentes ento E(X|Y ) = EX constante.
h
Observao 8.13. Caso particular do teorema anterior: EX = E E(X|Y ) .

Exerccio 8.5. Entender os Exemplos 2 e 4 de B. James, pp. 150 e 155, respectivamente.
8.3. ESPERANA CONDICIONAL DADA UMA PARTIO
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)
Figura 8.2: 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.
De forma anloga definimos

E(X|Y1, . . . , Yn ) = E X DY1 ,...,Yn ,
e isso equivalente a tomar (yi1 , . . . , yin ) = E(X|Y1 = yi1 , . . . , Yn = yin ) e

E(X|Y1 , . . . , Yn ) = (Y1, . . . , Yn ).
Definio 8.14. Dizemos que X D-mensurvel se D < DX , isto , se X constante nos tomos de D. Em outras palavras, se a informao sobre D determina
o valor de X.
Proposio 8.15. Se D1 4 D2 , ento

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

h
E E(X|Y1 , Y2 )Y1 = E(X|Y1).
Observao 8.16. X sempre DX -mensurvel.

Proposio 8.17. Se X D-mensurvel, ento
E(XY |D) = XE(Y |D).

Em particular, E(X|D) = X. Ademais, E(X|X) = X.
66
Exemplo 8.18. Dada uma funo f , vale

h
i

E f (Y )E X Y
= E [Xf (Y )] .
De fato, como Z = f (Y ) claramente DY -mensurvel, temos

i

E Xf (Y )Y = f (Y )E(X|Y ).
Tomando a esperana dos dois lados, obtemos a equao anterior.

Observao 8.19. Seja f (y) = E(X|Y = y), ou seja, tome f tal que E(X|Y ) =
f (Y ). Ento, para qualquer f : R R vale

E X
2

f (Y )

E X
2

(Y ) .
A observao acima diz que o melhor estimador para o valor de X sabendo-se

o valor de Y (melhor no sentido da mdia quadrtica) a esperana condicional
E(X|Y ).
8.4
Esperana Condicional dada uma -lgebra
Uma partio 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
para qualquer A (D)
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.
8.4. ESPERANA CONDICIONAL DADA UMA -LGEBRA
67
Teorema 8.20 (Radon-Nikodm). Seja X uma varivel aleatria integrvel definida

em (, F , P ) e G F uma -lgebra. Ento existe uma varivel aleatria Z, que
chamamos de E(X|G), satisfazendo as propriedades acima. Tal varivel aleatria
nica, no sentido de que qualquer outra varivel aleatria Z satisfazendo essas
mesmas propriedades satisfaz tambm P (Z = Z) = 1.
Neste contexto, definimos
P (A|G) = E (IA |G)
E(X|Y ) = E (X|(Y )) ,
onde (Y ) = {Y 1 (B) : B B} a menor -lgebra em com relao qual

Y : R mensurvel.
No caso de G ser gerada por uma partio finita D, ou Y ser uma varivel
aleatria assumindo finitos valores, essas definies coincidem com o que havamos
feito anteriormente.
Proposio 8.21 (Propriedades da esperana condicional).

1. E [E(X|G)] = EX.
2. E(c|G) = c quase certamente.
3. X Y E(X|G) E(Y |G) quase certamente.
4. E(aX + bY |G) = aE(X|G) + bE(Y |G) quase certamente.
5. Se X G-mensurvel ento E(X|G) = X quase certamente.

6. Se G1 G2 F so -lgebras, ento

E E X G2 G1 = E E X G1 G2 = E X G1 quase certamente.
7. Se Y G-mensurvel, E|X| < , E|XY | < , ento

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
Distribuio Condicional Regular
Quando Y uma varivel aleatria discreta assumindo valores y1 , y2, . . . , essa varivel aleatria induz uma partio DY de (, F ), e temos as seguintes relaes:
P (X B) = E [P (X B|Y )] =
=
h
FX (x) = E FX|Y (x) =
X
n
P (X B|Y = yn )P (Y = yn )
P (X B|Y = y)dFY (y),
FX (x|Y = yn )P (Y = yn )
=
E(X) = E [E(X|Y )] =
FX (x|Y = y)dFY (y),
E(X|Y = yn )P (Y = yn )
E(X|Y = y)dFY (y).
Nas expresses acima, todas as grandezas condicionadas a Y = y so definidas

diretamente utilizando a probabilidade condicional P () = P (|Y = y) dado o
evento de probabilidade positiva [Y = y]. Este caso j foi tratado na Seo 4.5.
No caso de variveis aleatrias Y que no sejam discretas, temos que dar sentido
a expresses do tipo P (X B|Y = y) mesmo que P (Y = y) seja zero, para poder
dizer que expresses anlogas continuam valendo.
Definio 8.24 (Distribuio Condicional Regular). Sejam X e Y variveis aleatrias definidas no mesmo espao de probabilidade (, F , P ). A distribuio condicional regular de X dado Y = y definida por

P X [s, t] Y = y = lim lim P X [s , t + ] Y [y , y + ]

0 0
para todo s < t e y A, onde A algum conjunto tal que P (Y A) = 1. Quando

s = , definimos a funo de distribuio condicional acumulada FX (t|Y = y) =
P (X t|Y = y).
Teorema 8.25. Para quase todo y R, isto , para todo y A onde A um

conjunto tal que P (Y A) = 1, o limite acima existe para todo s < t e determina
uma probabilidade em R.
8.5. DISTRIBUIO CONDICIONAL REGULAR
69
Na prtica, o que se faz encontrar um candidato ad hoc de quem deveria ser

a distribuio condicional regular de X dado Y , segundo princpios que se aplicam
em diferentes casos, e verifica-se a posteriori que o candidato proposto satisfaz a
Definio 8.24. continuao veremos alguns desses princpios.
Caso de Y discreta
Se Y varivel aleatria discreta, a distribuio condicional de X dado Y = y
dada por
P {X B, Y = y}
P {X B|Y = y} =
P {Y = y}
para todo y tal que P (Y = y) > 0
A funo de distribuio condicional de X dado Y = y

FX (x|Y = y) = P {X x|Y = y} .
Caso de X e Y independentes
Se X e Y so independentes, o condicionamento em Y = y no afeta em
nada a varivel X. Neste caso temos
P (X B|Y = y) = P (X B).
Exerccio 8.6. Verifique que esse candidato satisfaz a Definio 8.24.
Caso de X e Y possurem densidade conjunta
Se X e Y tm funo de densidade conjunta fX,Y (x, y), a funo de densidade
condicional de X dado Y = y dada por
fX (x|Y = y) =
fX,Y (x, y)
fY (y)
para todo y tal que fY (y) > 0.

Neste caso a funo de distribuio condicional de X dado Y = y
FX (x|Y = y) = P {X x|Y = y} =
fX (t|Y = y)dt.
70
Exemplo 8.26. Sejam X e Y com densidade conjunta

fX,Y (x, y) =
6xy(2 x y),
0,
0 < x < 1, 0 < y < 1,

caso contrrio.
Vamos determinar a distribuio condicional de X dado que Y = y.

Temos
fY (y) =
fX,Y (x, y)dx =
6xy(2 x y)dx = 4y 3y 2
se y (0, 1) e 0 caso contrrio. Assim, para y [0, 1] temos
6x(2xy)
fX,Y (x, y) 43y

=
fX (x | Y = y) =
0,
fY (y)
, 0<x<1
caso contrrio.
Para y fora desse intervalo FX (|Y = y) irrelevante, pois P (Y 6 [0, 1]) = 0.

fX,Y (x, y) =
1
yexy ,
2
0<x< e 0<y<2
0, caso contrrio
Vamos determinar a distribuio condicional de X dado que Y = y.

Temos
Z +
Z
1 xy
1
fY (y) =
fX,Y (x, y)dx =
ye dx =
2 0
2
para 0 < y < 2. Logo Y U[0, 2].

Assim, para y (0, 2] temos
fX,Y (x, y) yexy , x > 0,

fX (x | Y = y) =
=
0,
fY (y)
x 0.
Caso de Y possuir densidade e X ser discreta
Se X discreta e Y tem funo de densidade fY (y), a funo de probabilidade

condicional de X dado Y = y dada por
pX (xn |Y = y) =
P (X = xn )fY (y|X = xn )
fY (y)
para todo y tal que fY (y) > 0.

Neste caso a funo de distribuio condicional de X dado Y = y
FX (x|Y = y) = P {X x|Y = y} =
n:xn x
pX (xn |Y = y).
8.5. DISTRIBUIO CONDICIONAL REGULAR
71
Princpio da preservao das chances relativas

O princpio da preservao das chances relativas diz que, dada a ocorrncia
de um evento, os resultados possveis dentro desse evento mantm as mesmas
chances relativas que possuam antes.
Exemplo 8.28. X N (0, 1) e Y = X 2 . Qual a distribuio condicional de X dado
que Y = y?
Como P (Y > 0) = 1, basta considerar valores y > 0. Sabendo que Y = y temos
duas alternativas: X = y ou X = y. Como fX (y) = fX (y), esses dois valores
continuam tendo a mesma chance quando condicionamos a Y = y. Definimos ento
P (X = y|Y = y) = P (X = y|Y = y) = 12 .
Vamos verificar que esse candidato satisfaz a Definio 8.24. Se s < t < y,
temos que lim P (X t + |Y [y , y + ]) = 0 para < y t (verifique!),
coincidindo com nosso candidato P (X [s, t]|Y = y) = 0. Se y < s y t,
temos que lim P (X [s, t+]|Y [y, y+]) = 12 para < s+y (verifique!),
coincidindo com nosso candidato P (X [s, t]|Y = y) = (X = y|Y = y) = 12 . Os
outros casos so verificados de forma anloga.
Exemplo 8.29. Seja X U[0, 2] e Y U[1, 1] independentes. Vamos encontrar
FX (x|X + Y = z).
Seja Z = X + Y . A densidade conjunta de X e Y dada por fXY (x, y) =
1
I
(x, y), e a marginal de X dada por fX (x) = 12 I[0,2] (x). Condicionando
4 [0,2][1,1]
a Z = z, temos que o conjunto dos resultados possveis fica restrito a uma diagonal
{(x, y) [0, 2] [1, 1] : x + y = z} que corta o quadrado [0, 2] [1, 1]. Pelo Princpio da Preservao das Chances Relativas, todos os pontos desse conjunto eram
equiprovveis antes do condicionamento, devem continuar equiprovveis dentro do
conjunto da restrio. Assim, para z > 1 devemos ter X U[z 1, 2] e para z < 1
devemos ter X U[0, z + 1], ou seja
fX (X|Z = z) = 3z
1
I[z1,2] (x), 1 z < 3,
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
P (W B|Y = y) = P (g(X, y) B|Y = y) = P X {x : g(x, y) B} Y = y .
72

fX,Y (x, y) =
(1 + 2x 2y),
0,
x, y [0, 1]
caso contrrio.
Queremos calcular P (X + Y z | Y = y).

Pelo Princpio da Substituio temos que P (X + Y z | Y = y) = P (X
z y | Y = y). Calculemos ento a distribuio condicional de X.
R +
Como X e Y possuem densidade conjunta temos fY (y) =
fX,Y (x, y)dx =
R1
0 (1 + 2x 2y)dx = 2 2y, 0 < y < 1, e
FX (x | Y = y) =
=
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)
Vetores aleatrios A Definio 8.24, o Teorema 8.25 e os princpios apresentados

acima valem para a distribuio condicional do vetor aleatrio X dado Y, sendo o
limite em Y [y , y + ] substitudo por kY yk , etc.
Exerccio 8.7. Considere X1 , X2 , . . . , Xn variveis aleatrias independentes com
densidade exp(i ), i = 1, 2, . . . , n. Mostre que
k
P {Xk = min(X1 , X2 , . . . , Xn )} = Pn
i=1
(Sugesto: calcule P (Xi Xk i|Xk = x) usando o princpio da substituio, depois

use que P (A) = E[P (A|Xk )].)
8.6. ESPERANA CONDICIONAL DADA UMA VARIVEL ALEATRIA
8.6
73
Esperana Condicional dada uma Varivel Aleatria
Dada X integrvel, definimos E(X|Y = y) como

E [X|Y = y] =
xdF (x|Y = y) .
Teorema 8.31. Se X integrvel ento E(X|Y = y) finita para todo y A, para

algum A tal que P (Y A) = 1.
Definindo (y) = E(X|Y = y), temos que E(X|Y ) = (Y ), de forma que podemos obter uma verso palpvel de E(X|G), G = (Y ). A esperana condicional
E(X|Y )() = (Y ()), sendo um caso particular de esperana condicional dada
uma -lgebra, satisfaz todas as propriedades enunciadas na Proposio 8.21.
Proposio 8.32. Os seguintes resultados envolvendo esperanas condicionais se
verificam:
(a) E [X] =
E (X|Y = y) dFY (y).
(b) P (X B) =
(c) FX (x) =
P (X B | Y = y)dFY (y), para todo B B.
FX (x|Y = y) dFY (y).
Observao 8.33. Para qualquer funo g tal que g(X) integrvel, definimos
E [g(X)|Y = y] =
g(x)dFX (x|y) .
Exemplo 8.34. Se X e Y so independentes, ento FX (x|Y = y) = FX (x) e

E [X|Y = y] =
xdF (x|Y = y) =
E (X|Y = y) dFY (y) = E [X] .
Assim, (y) = EX y R e E(X|Y ) = (Y ) = EX, isto , E(X|Y ) uma varivel

aleatria constante, igual a EX.
Exemplo 8.35. Se X U[0, 2] e Y = 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
Substituio, E[X|Y = y] = y. Tomando y = 1, temos que [Y = 1] = [X 1].
Assim,
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

d
F (x|Y
dx X
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
uma vez que Y b(n, 12 ).

Exemplo 8.37. No Exemplo 8.26, vamos cacular E [X|Y ] e E [X].
Substituindo a densidade obtida temos
E[X | Y = y] =
Ento E[X | Y ] =
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
Exerccio 8.8. No Exemplo 8.27, vamos calcular E eX/2 |Y e E eX/2 |Y = 1 .

Substituindo a densidade condicional obtida, temos
E[e
Se y
1
2
X
2
| Y = y] =
a integral vale +. Se y >

h
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,
8.6. ESPERANA CONDICIONAL DADA UMA VARIVEL ALEATRIA
75
Exemplo 8.38. Seja X U [0, 1]. Se X = x, ento uma moeda com probabilidade
x de sair cara lanada n vezes independentemente. Seja Y a v.a. que representa
o nmero de caras obtidas.
Temos que Y |X = x b(n, x) e X U(0, 1) Se y 0, 1, . . . , n ento:
P (Y = y) =
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
Por outro lado, E[Y | X = x] = nx, ou seja, E[Y | X] = nX, logo

E[E[Y | X]] = E[nX] =
n
.
2
Exerccio 8.9. Sejam X e Y v.a.s independentes tais que X U [0, 2] e Y

U [1, 1].
(a) Calcule E [X|X + Y 2].
(b) Calcule E [X|X + Y ].
(c) Calcule E [X|X + Y = 2].

Exerccio 8.10. Seja X1 , X2 , . . . .uma seqncia de variveis aleatrias independentes e identicamente distribudas e seja N uma varivel aleatria inteira e no-negativa
independente da seqncia X1 , X2 , . . . . Seja Y =
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
Exerccio 8.12. Um nmero no-negativo X escolhido com densidade fX (x) =

xex para x > 0. Se X = x, um nmero Y escolhido no intervalo [0, x]. Ache
P (X + Y 2).
76
8.7
Exerccios
Exerccio 8.13. Considere X e Y i.i.d. Bernoulli(p). Calcule E(X +Y |Y ) e escreva

essa varivel aleatria como uma funo da v.a. Y , de duas formas diferentes:
(a) usando P (X + Y = k|Y ), que para k = 1 j foi calculado no Exemplo 8.9, e
aplicando a definio de esperana condicional dada uma partio.
(b) usando a linearidade da esperana condicional, a independncia entre X e Y
e o fato de que Y DY -mensurvel.
Exerccio 8.14. Dadas X e Y i.i.d. assumindo finitos valores {0, . . . , n}, mostre
que
X +Y
E(X|X + Y ) = E(Y |X + Y ) =
.
2
Sugesto: para obter a primeira igualdade, escreva a definio de esperana
condicionada partio DX+Y , desenvolva essa expresso para depois usar a independncia e o fato de X e Y terem mesma distribuio. Para obter a segunda
igualdade, some os dois lados da primeira igualdade.
Exerccio 8.15. A varincia condicionada a uma partio definida de forma anloga varincia de uma varivel aleatria:
Mostre que
V (X|D) = E [X E (X|D)]2 D .

V (X|D) = E X 2 |D [E (X|D)]2 .
Sugesto: desenvolva a definio dada acima de forma semelhante ao que se faz

para mostrar que V X = EX 2 (EX)2 . Em algum momento voc vai ter que usar
o fato de que E(X|D) uma varivel aleatria D-mensurvel.
Exerccio 8.16. Se X uma varivel aleatria limitada definida em (, F , P ) e D
uma partio de (, F ), mostre que
V X = E[V (X|D)] + V [E(X|D)].
Sugesto: desenvolva o lado direito usando o Exerccio 8.15.
Exerccio 8.17. Se X e Y so variveis aleatrias limitadas e definidas em (, F , P )
e G F uma -lgebra, ento mostre que
E [ X E (Y |G) ] = E [ Y E (X|G) ] .
Dica: sabemos que essas esperanas podem ser calculadas da seguinte forma: primeiro calcula-se E(|G) e depois E(), isto , E[E(Z|G)] = EZ.
8.7. EXERCCIOS
77
Exerccio 8.18. Sejam X e Y variveis aleatrias em (, F , P ) e G F

uma -lgebra. Se
E(Y 2 |G) = X 2 ,
E(Y |G) = X,
mostre que X = Y quase certamente, isto , P (X = Y ) = 1.

Sugesto: calcule E [(X Y )2 ] em duas etapas e justifique por que X Gmensurvel.
Exerccio 8.19. A varincia condicionada a uma -lgebra definida de forma
anloga varincia de uma varivel aleatria integrvel:
n
V (X|G) = E [X E (X|G)]2 G .
Se X uma varivel aleatria limitada definida em (, F , P ) e G F uma lgebra, mostre que

V X = E[V (X|G)] + V [E(X|G)].
Exerccio 8.20. B. James. Captulo 4. Recomendados: 1, 9, 15, 16b, 32, 40.

Apostila Intr Prob

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apostila Intr Prob

Caricato da

Copyright:

Formati disponibili

Introduo Probabilidade

5 Convergncia de Variveis Aleatrias

6 Funo Geradora de Momentos e Funo Caracterstica

dos Grandes Nmeros e Teorema Central

8 Distribuio e Esperana Condicionais

James, B. R. (2004). Probabilidade: Um curso em nvel intermedirio. Projeto Euclides.

onde o resultado (i, j) ocorre se a face i aparece no primeiro dado e a face j no

CAPTULO 1. DEFINIES BSICAS

Exemplo 1.6. Se o experimento consiste em medir a vida til de um carro, ento

Definio 1.11. Seja A uma classe de subconjuntos de tendo as seguintes propriedades:

(iii) Se A1 , A2 , A ento Ai A. (a classe fechada pela unio infinita

Demonstrao. (Em aula.)

1.1. ESPAOS DE PROBABILIDADE

CAPTULO 1. DEFINIES BSICAS

= {(, x]; x R},

Definio 1.18. Seja A uma ()lgebra em . Um membro A de A dito um

Definio 1.20. Um espao de probabilidade um trio (, F , P ) onde

2. A uma -lgebra de subconjuntos de ;

3. P uma probabilidade definida em A.

Com base nos axiomas de probabilidade, podem-se demonstrar as seguintes propriedades:

2. Para todo A A, temos P (Ac ) = 1 P (A).

1.1. ESPAOS DE PROBABILIDADE

(b) P (A) P (B).

5. Sejam A e B A. Ento P (A B) = P (A) + P (B) P (A B).

P (Ai Aj Ak Al ) + + (1)n+1 P (A1 A2 An )

Demonstrao. (Em aula.)

De forma similar se {En , n 1} uma seqncia decrescente de eventos, ento

Com isso, podemos mostrar o seguinte teorema.

Teorema 1.23. Se {En , n 1} uma seqncia crescente ou decrescente de eventos, ento

Demonstrao. (Em aula.)

CAPTULO 1. DEFINIES BSICAS

Definio de Probabilidade Condicional

Definio 1.25. Seja (, A, P ) um espao de probabilidade. Se B A e P (B) > 0,

Exerccio 1.6. Certo experimento consiste em lanar um dado equilibrado duas

Teorema 1.26. Sejam A, B A com P (A) > 0 e P (B) > 0. Ento

Demonstrao. (Em aula.)

Lei da Probabilidade Total

Definio 1.28. Seja (, F ) um espao mensurvel. Uma partio de uma

(iii) Ai Aj = , para todo i 6= j.

1.2. PROBABILIDADE CONDICIONAL

Para todo evento B A temos

Como os Ai so disjuntos, ento os Ci = Ai B so disjuntos. Com isto podemos

Demonstrao. (Em aula.)

Teorema 1.30 (Frmula de Bayes). Se a seqncia (finita ou enumervel) de

Demonstrao. (Em aula.)

CAPTULO 1. DEFINIES BSICAS

4 republicanos. Um comit selecionado aleatoriamente e uma pessoa selecionada

Definio 1.31. Seja (, F , P ) um espao de probabilidade. Os eventos aleatrios A, B F so independentes se

Eventos Coletivamente Independentes

Definio 1.37. (a) Os eventos aleatrios A1 , . . . , An (n 2) so chamados (coletiva ou estocasticamente) independentes se

para todo 1 i1 < i2 < < im n, para todo m = 2, 3, . . . , n (isto , se todas as

Demonstrao. (Em aula.)

Observao 1.39. Toda famlia de eventos independentes independente.

CAPTULO 1. DEFINIES BSICAS

Exerccio 1.14. Considere o experimento resultante do lanamento de dois dados

Exerccio 1.16. Considere um espao amostral e uma -lgebra F sobre . Se

ento P tambm uma medida de probabilidade sobre F . Mostre isso.

2. Dadas duas -lgebras F e G, temos que F G uma -lgebra.

3. Dada uma famlia qualquer de -lgebras {Fi}iI , onde I qualquer conjunto

4. Considere a famlia de -lgebras {F P() : F -lgebra e C F }. Esta

5. Defina (C) como sendo a interseo de todas as -lgebras do item anterior.

(c) Dada F -lgebra, se C F ento (C) F .

6. No existe outra -lgebra satisfazendo as trs propriedades acima.