Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
∑nk=1 Xk − nE[ Xi ]
⇒???.
ϕ(n)
87
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
Não é difícil mostrar que a definição acima induz uma métrica, mas ela possui
alguns problemas que descreveremos a seguir.
Exercício 5.1.1. Mostre que dVT define uma métrica.
Exercício 5.1.2. Sejam µ e ν absolutamente contínuas com respeito a uma medida fixa
η, tendo densidades ρ e π respectivamente. Encontre uma fórmula para dVT (µ, ν) em
termos das densidades. Essa fórmula nos remete a qual distância entre funções?
Digamos que o espaço amostral E já seja provido de uma métrica d e A seja
a σ-álgebra dos borelianos em E. Qualquer que seja a noção de convergência
que iremos considerar, gostaríamos de dizer que δxn converge a δx sempre que
xn → x em E. Esse porém não é o caso para dVT , pois se xn 6= x para todo n e
{ x } ∈ A, teríamos
Exercício 5.1.4. Considere a função φ do espaço de medidas em ([0, 1], B([0, 1])) nele
mesmo, dada por:
φ(µ)( A) = 21 µ(3A) + µ(3A − 2) . (5.4)
88
5.1. CONVERGÊNCIA FRACA
Mn = max Xi . (5.5)
i =1,...,n
Mostre que Mn − log(n) converge fracamente e identifique o limite. Observe que não
precisamos dividir Mn − log(n) por nada para obter a convergência.
5.1.1 Um criterio em R d
Para nos provarmos resultados com convergência fraca, e util o resultado se-
guinte que fala que não precisa verificar convergência para todo ϕ continua
limitada. Usamos a notação C b (R d ) e C c (R d ) pelos espaços de fonções conti-
nuas limitadas e continuas com suporte compacto respectivamente
89
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
Temos
Z Z
( ϕ − ϕk )dµn ≤ k ϕk 1 − f k dµn ,
Z Z (5.7)
( ϕ − ϕk )dµ ≤ k ϕk 1 − f k dµ
Então temos
Z Z
lim sup ϕdµn − ϕdµn
n→∞
Z Z Z
≤ k ϕk lim sup 1 − f k dµn + 1 − f k dµ = 2k ϕk 1 − f k dµ ,
n→∞
(5.8)
mas o ultimo termo pode ser arbitrariamente pequeno se mandamos k → ∞.
5.1.2 Um criterio em R
Proposição 5.1.3. Seja (µn )n≥0 uma sequência de probabilidade em R e Fn as funções
acumuladas de distribuição associadas. Então µn converge fracamente para µ com
função acumulada de distribuição F se e só se
lim Fn ( x ) := F ( x ). (5.9)
n→∞
Z Z Z
lim f ′ ( x )(1 − Fn ( x ))dx = f ′ ( x )(1 − Fn ( x ))dx = f ( x )µ(dx ).
n→∞
90
5.1. CONVERGÊNCIA FRACA
91
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
92
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
E( X + Y ) = E( X ) + E(Y ) = 2E( X ) e
(5.13)
Var( X + Y ) = Var( X ) + Var(Y ) = 2 Var( X ).
Para tentar responder a essa questão, vamos estudar mais a fundo qual é
a distribuição da soma de duas variáveis aleatórias independentes. Para isso,
considere a distribuição P( X,Y ) do par, que coincide com µ ⊗ µ, nos dando
hX +Y i
x +y
P √ ≤ z = µ ⊗ µ ( x, y) : √ ≤z . (5.18)
2 2
Note também que a transformação linear ( x, y) 7→ √1 x + y, x − y é uma
2
rotação rígida em R2 , o que nos motiva a propor a pergunta mais simples.
94
TÓPICO : CONVERGÊNCIA DAS MEDIDAS EMPÍRICAS EM R D
Questão 5.1.7. Existe alguma distribuição não trivial µ em L2 tal que, se X e Y são
independentes e distribuídas de acordo com µ, a distribuição do par ( X, Y ) é invariante
por rotações?
Ainda estamos numa busca não rigorosa de tal distribuição, então vamos su-
por algumas outras propriedades, como por exemplo que µ seja absolutamente
contínua com respeito a Lebesgue, isto é dµ = f ( x ) dx. Nesse caso, já vimos
que ( X, Y ) ∼d f ( x ) f (y) dx dy e no fundo estamos procurando uma função f tal
que
1
X ∼d √ exp − x2 /2 dx. (5.20)
2π
1
√ exp − ( x − m)2 /(2σ2 ) . (5.22)
σ 2π
95
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
Z
1 1 σ2 x
+ 2 y− 2 dy
R 2σ2 2σ σ + σ2
Z 2 ( σ2 + σ2 ) √
−z σσ
= e σ2 σ2 dz = 2π p . (5.25)
R σ2 + σ2
1
A(w, z) = p σw + σz, σw − σz . (5.28)
σ2 + σ2
96
TÓPICO : CONVERGÊNCIA DAS MEDIDAS EMPÍRICAS EM R D
97
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
bX e continua.
O teorema de convergência dominada garante que φ
Lema 5.2.2. Seja X uma variável gaussiana de distribuição N (0, σ ), então temos
σ2 ξ 2
bX (ξ ) := e−
φ 2 . (5.33)
Demonstração. Temos
Z x2
1 −
bX (ξ ) :=
φ √ e 2σ2 eiξx dx. (5.34)
σ 2π R
E suficiente tratar o caso σ = 1, pois os outros casos podem ser obtidos por
substitução x = σy. Por simetría, a parte imaginária da integral vale zero. Pois
so temos que calcular
Z
1 x2
f (ξ ) := √ e− 2 cos(ξx )dx. (5.35)
2π R
x2
Derivando a função na integral (o que podemos fazer por que | xe− 2 | e integra-
vel) temos Z
1 x2
f ′ (ξ ) := − √ e− 2 x sin(ξx )dx. (5.36)
2π R
Pois integrando por parte obtemos
Z
1 x2
f ′ (ξ ) := − √ e− 2 ξ cos(ξx )dx = −ξ f (ξ ). (5.37)
2π R
98
5.2. FUNÇÕES CARACTERÍSTICAS
Pelo primeiro ponto vamos usar o lema precedente que nos diz que
√ Z
gσ ( x ) = (σ 2π )−1 eiξx g1/σ (ξ )dξ. (5.40)
R
Agora mostramos (5.39). Temos, usando Fubini que para ϕ continua limitada
Z Z Z
ϕ( x )µσ (dx ) = ϕ( x ) gσ (y − x )µ(dy) dx
R R R
Z Z Z
ϕ( x ) gσ (y − x )dx µ(dy) = ϕ ∗ gσ (y)µ(dy). (5.42)
R R R
Pois, usando
Z Z
gσ ( x )dx = 1 and ∀ε > 0 lim gσ ( x )dx = 0, (5.43)
R σ→0 {| x |>ε}
99
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
bX
∂φ ∂2 φbX
(ξ ) = iE[ Xi eξ.X ] and (ξ )φbX (ξ ) = − E[ X j Xk eξ.X ]. (5.46)
∂ξ i ∂ξ j ∂ξ k
100
5.3. O TEOREMA DE LEVY
H := { ϕ = f ∗ gσ : σ > 0, f ∈ C c (R )}
Usando de novo convergência dominada (as integrais são acima são menor que
1 em valor absoluta) pela integral em x, concluimos que
Z Z
lim f ∗ gσ dνn = f ∗ gσ dν. (5.51)
n→∞
101
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
√ √ Z b x2
1
lim P X1 + · · · + Xn ∈ [nE[ X1 ] + na , nE[ X1 ] + nb] = √ e 2σ2 dx.
n→∞ σ 2π a
(5.53)
Demonstração. Pelo teorema de Levy, e sufficiente de mostrar convergência
pontual das funçoes caracteristica. Nota que podemos se satisfazer da prova
quando E[ X1 ] = 0 substituindo X por X − E[ X ] se for necessario. Definimos
Zn := √1n ( X1 + · · · + Xn ) . Temos
iξ
bZn (ξ ) = E exp √ ( X1 + · · · + Xn )
φ
n
n
iξX
= E exp √ 1 = φbX1 (n−1/2 ξ )n . (5.54)
n
Sabemos da Proposição 5.2.4 que quando ξ → 0
2 2
bX (ξ ) = 1 − ξ σ + o (ξ 2 ),
φ (5.55)
1
2
então temos par ξ fixo
2 2
bX (n−1/2 ξ ) = 1 − ξ σ + o (n−1 ),
φ (5.56)
1
2n
e podemos concluir que
σ2 ξ 2
bX (n−1/2 ξ )n = e−
lim φ 2 . (5.57)
n→∞ 1
102
5.4. O TEOREMA CENTRAL DO LIMITE PARA SEQUÊNCIAS IID
Definição 5.4.2. Uma veitor aleatório ( X (1) , . . . X (d) ) e chamado de veito gaussiano,
se para qualquer (λ1 , . . . , λd ) a distribuição de λ1 X (1) + · · · + λd X (d) .
1
√ (( X1 + · · · + Xn ) − nE[ X1 ]) =⇒ X,
n
o veitor X precisa ser Gaussiano. Para ver isso e sufficiente aplicar o teorema
central limite para λ1 X (1) + · · · + λd X d .
Uma segunda observação é que a distribuiçã de um veitor gaussiano e
totalmente definida por sua media E[ X ] a sua matrice de covariança
d
Σ X := (σX (i, j))i,j =1 , onde σX (i, j) := Cov( X (i) X ( j) ). (5.58)
Então
b iξ.X (ξ.Σξ )
φX (ξ ) = E[e ] = exp − . (5.60)
2
No caso onde Σ é a matrice identidade, e facil de ver que o veitor gaussiano
correspondente pode ser obtido considerando X (1) , . . . , X (d) sendo variáveis
gaussianas independente de variança 1. Dai podemos costruir um vector gaus-
siano para Σ arbitrario.
Proposição 5.4.3. Para toda matrix Σ simetrica positiva, existe um veitor gaussiano
de matrice de covariança Σ.
Em geral escrevemos N (m, Σ) pela distribuição do veito gaussiano de ma-
trice de covariança Σ e de media (esperança) m ∈ R d .
103
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
√
Demonstração. Seja M a matrice simetrica positiva tal que M2 = Σ (M = Σ), e
Z um veitor gaussiano de distribuição N (m, Σ). Definimos X = MZ e verifica-
mos que
" ! !#
d d d
E [ X (i ) X ( j ) ] = E ∑ mi,k Z(k) ∑ m j,k Z(k) = ∑ mi,k m j,k = σ(i, j).
k =1 k =1 k =1
(5.61)
104
UMA PROVA ALTERNATÍVA DO TEOREMA CENTRAL DO LIMITE
Teorema 5.4.5 (Teorema Central do Limite). Considere em (Ω, F , P), uma sequên-
cia X1 , X2 , . . . de variáveis aleatórias i.i.d. em L3 . Nesse caso, se definimos m = E( X1 )
e σ2 = Var( X1 ), temos
∑in=1 ( Xi − m)
√ ⇒ N (0, 1). (5.63)
σ n
Vale lembrar que no Corolário 5.1.10 já estabelecemos algo mais forte para
variáveis normais. Mais precisamente, suponha que extendemos nosso espaço
de probabilidade para (Ω′ , F ′ , P′ ), onde exista uma sequência Y1 , Y2 , . . . de
variáveis aleatórias i.i.d. com distribuição N (0, 1) independente de X1 , X2 , . . .
Então, para todo n ≥ 1,
Z Z
φn (Y1 , . . . , Yn ) dP′ = g(s)N (0, 1)(ds), (5.66)
o que tornaria o limite em (5.65) trivial para tais variáveis. A nossa estratégia
será aproximar φn ( X1 , . . . , Xn ) por φ(Y1 , . . . , Yn ), e faremos isso trocando uma
variável de cada vez.
Para entender o que acontece quando trocamos uma das variáveis Xi por Yi ,
temos que expandir g em série de potências, isto é, escrever
(s − s0 )2 ′′
g ( s ) = g ( s0 ) + ( s − s0 ) g ′ ( s0 ) + g (so ) + (s − s0 )3 R(s, s0 ), (5.67)
2
onde R(s, s0 ) é limitada por k g′′′ k∞ /6 Usando a notação Z (i) = (Y1 , . . . , Yi−1 , Yi , Xi+1 , . . . , Xn ),
105
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
Y S(i,0)
φn ( Z (i) ) = φn ( Z(i,0) ) + √i g′ √
n n
(Yi )2 ′′ S(i,0) Yi3 S(i) S(i,0)
+ g √ + 3/2 R √ , √ . (5.68)
2n n n n n
E do mesmo jeito
X S(i,0)
φn ( Z (i−1) ) = φn ( Z(i,0) ) + √ i g′ √
n n
(X ) 2 S(i,0) Xi3 S(i−1) S(i,0)
+ i g′′ √ + 3/2 R √ , √ . (5.69)
2n n n n n
106
UMA PROVA ALTERNATÍVA DO TEOREMA CENTRAL DO LIMITE
Corolário 5.4.6. A N (0, 1) é a única distribuição µ que possui esperança √ zero, vari-
ância 1 e é tal que se X, Y são i.i.d. com distribuição µ, então ( X + Y )/ 2 também
possuem distribuição µ. Em outras palavras, N (0, σ2 ), para σ ≥ 0, são os únicos
pontos fixos de Γ em L3 .
Demonstração. Usando a invariância enunciada acima, temos que
X1 + · · · + X2 k
√ ∼d µ. (5.72)
2k
Mas pelo Teorema central do limite, a distribuição dessa combinação de Xi deve
convergir a N (0, 1), logo temos µ = N (0, 1).
107
CAPÍTULO 5. SOMAS DE VARIÁVEIS INDEPENDENTES II: TEOREMA
CENTRAL DO LIMITE
a) µn ⇒ µ,
R R
a’) f dµn → f dµ, para toda f unifmormemente contínua e limitada,
108
TÓPICO: O TEOREMA DE PORTMANTEAU
f (x)
Exercício 5.4.3. Lembrando que em (R, B(R )), temos n1 ∑in=1 δi/n ⇒ U[0,1] , use
o ítem d) do Teorema 5.4.7 para dar uma caracterização dos conjuntos Riemann-
mensuráveis. Mais precisamente, encontre os A ⊆ R tais que n1 ∑in=1 δi/n ( A) converge
para a medida de Lebesgue de A.
109