Apostila

Introduo Probabilidade
Notas de Aula
Leonardo T. Rolla
Instituto de Matemtica Pura e Aplicada
Rio de Janeiro
22 de fevereiro de 2013
Apresentao
Este texto foi compilado a partir de notas de aula das disciplinas Probabilidade, do
mestrado em Cincias Atuariais da PUC-Rio, ministrada em 2006, e Introduo
Probabilidade, ministrada em 2012 e 2013 no IMPA.
No necessrio qualquer conhecimento prvio em Probabilidade. Os prrequisitos para seguir este texto so clculo de derivadas e integrais em Rd , limites
de seqncias, convergncia de sries, e limites laterais de funes. Para entender
as demonstraes o leitor deve conhecer as propriedades elementares de lim sup e
lim inf, polinmios de Taylor e supremo de conjuntos.
No Captulo 1 introduzimos os espaos de probabilidade, probabilidade condicional e independncia de eventos. Os Captulos 2 e 3 estudam as variveis
aleatrias e vetores aleatrios, com nfase nos casos discreto e absolutamente
contnuo. No Captulo 4 construda a esperana matemtica, suas propriedades,
momentos, varincia e algumas desigualdades. Recomenda-se estudar esses captulos
em seqncia, antes de passar para os captulos seguintes.
No Captulo 5 estudamos a esperana condicional dada uma partio e a
esperana condicional regular. O Captulo 6 trata do Lema de Borel-Cantelli e
de convergncia de variveis aleatrias. O Captulo 7 introduz a funo geradora de
momentos e a funo caracterstica, incluindo convergncia em distribuio. Esses
captulos so basicamente independentes entre si. O Captulo 8 apresenta a Lei dos
Grandes Nmeros e o Teorema Central do Limite, e depende do Captulo 6. Em
todos esses captulos, as demonstraes que envolvem Teoria da Medida so omitidas
com um aviso correspondente.
Comentrios, crticas e correes so muito bem-vindos.
Rio de Janeiro, 22 de fevereiro de 2013.
c 20122013 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): [Roc09].
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: Mon 2012-10-01 16:51:48 -0300
Sumrio
Apresentao
1 Espao de Probabilidade
7
1.1 Espao de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Probabilidade Condicional e Independncia . . . . . . . . . . . . . . . 11
1.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Variveis Aleatrias
2.1 Variveis Aleatrias . . . . . . . .
2.2 Variveis Aleatrias Discretas . .
2.3 Variveis Aleatrias Contnuas . .
2.4 Distribuies Mistas e Singulares
2.5 Distribuio Condicional dado um
2.6 Exerccios . . . . . . . . . . . . .
. . . . .
. . . . .
. . . . .
. . . . .
Evento
. . . . .
3 Vetores Aleatrios
3.1 Vetores Aleatrios . . . . . . . . . . .
3.2 Tipos de Vetores Aleatrios . . . . .
3.3 Independncia de Variveis Aleatrias
3.4 Mtodo do Jacobiano . . . . . . . . .
3.5 Exerccios . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
4 Esperana Matemtica
4.1 Variveis Aleatrias Simples . . . . . . .
4.2 Esperana Matemtica . . . . . . . . . .
4.3 Momentos, Varincia e Covarincia . . .
4.4 Desigualdades Bsicas . . . . . . . . . .
4.5 Esperana Condicional dado um Evento
4.6 Exerccios . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
22
25
30
30
31
.
.
.
.
.
33
33
36
39
42
44
.
.
.
.
.
.
47
47
51
58
62
65
66
5 Esperana Condicional
69
5.1 Esperana Condicional dada uma Partio . . . . . . . . . . . . . . . 69
5
SUMRIO
5.2
5.3
5.4
Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 74

Esperana Condicional Regular . . . . . . . . . . . . . . . . . . . . . 77
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6 Convergncia de Variveis Aleatrias

6.1 Lema de Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2 Convergncia de Variveis Aleatrias . . . . . . . . . . . . . . . . . .
6.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
83
85
90
7 Funes Geradoras
7.1 Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . .
7.2 Funo Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
93
96
100
8 Teoremas de Convergncia
103
8.1 Lei dos Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . . 103
8.2 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . 106
8.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Notao
111
Referncias Bibliogrficas
113
Captulo 1
Espao de Probabilidade
O objetivo deste texto introduzir o estudo formal dos Espaos de Probabilidade,
as variveis aleatrias e suas propriedades. A Teoria da Probabilidade estuda
eventos aleatrios, i.e., eventos que no possuem regularidade determinstica, pois
observaes feitas nas mesmas condies no do o mesmo resultado, mas possuem
regularidade estatstica, indicada pela estabilidade estatstica de frequncias.
Por exemplo, no lanamento de um dado, apesar de a trajetria do dado ser determinstica do ponto de vista da mecnica Newtoniana, impraticvel tentar prever
seu resultado: este experimento no possui regularidade determinstica. No entanto,
esse experimento possui regularidade estatstica e o tratamento probabilstico o
mais adequado.
Um Espao de Probabilidade, ou Modelo Probabilstico, ou ainda Modelo Estatstico, uma abstrao matemtica, uma idealizao que busca representar os
fenmenos aleatrios.
1.1
Espao de Probabilidade
Um modelo probabilstico tem trs componentes bsicas:

1. Um conjunto formado por todos os resultados possveis do experimento,
chamado espao amostral.
2. Uma classe apropriada F de subconjuntos do espao amostral, chamada classe
de conjuntos mensurveis ou eventos aleatrios.
3. Uma funo P que associa a cada conjunto mensurvel um nmero real, que
representa a ideia de chance, verossimilhana, confiana, credibilidade, ou
probabilidade. Esta funo chamada de probabilidade, medida, ou medida
de probabilidade.
CAPTULO 1. ESPAO DE PROBABILIDADE
Resultados equiprovveis No modelo mais simples, onde os resultados so

equiprovveis, o espao amostral um conjunto finito e a medida de probabilidade
proporcional quantidade de resultados que fazem parte de um dado evento.
Exemplo 1.1.1. Imagine o sorteio de uma carta em um baralho francs com 52
cartas (numeradas A, 2, 3, . . . , 9, 10, J, Q, K e de naipes , , , ). Queremos saber
a probabilidade de um jogador tirar 4, 7, A ou 7, evento que ser denotado
por B. Temos ento:
#B
4
1
P (B) =
=
= .
#
52
13
Exemplo 1.1.2. Imagine o lanamento de um dado em que um jogador precisa
obter 5 ou 6. Neste caso temos = {1, 2, 3, 4, 5, 6}, B = {5, 6} e
P (B) =
2
1
#B
= = .
#
6
3
Espao discreto Outro exemplo um pouco menos simples quando o espao

amostral infinito e enumervel, i.e., pode ser escrito como uma seqncia
= {x1 , x2 , x3 , . . . }. Neste caso no faz sentido que todos os elementos sejam
igualmente provveis. A cada possvel resultado xn associada uma probabilidade
P
p(xn ) de forma que
n=1 p(xn ) = 1. Para um subconjunto B definimos
P
P (B) = xB p(x).
Exemplo 1.1.3. Imagine uma seqncia de ensaios independentes que podem

resultar em sucesso ou fracasso, e que termina assim que um sucesso obtido.
Denotemos por q a chance de sucesso em cada ensaio. O resultado desse experimento
o nmero de ensaios feitos ( = {1, 2, 3, . . . }) e, neste caso, p(n) = q(1 q)n1 .
Seja A = sucesso em no mximo 5 tentativas e B = fracasso nas primeiras 10
tentativas. Temos
P (A) = q + q(1 q) + + q(1 q)4 =
e
q (1 q)5 q
= 1 (1 q)5 .
1 (1 q)
P (B) = q(1 q)10 + q(1 q)11 + q(1 q)12 + =
q(1 q)10
= (1 q)10 .
1 (1 q)
A seguir veremos uma formulao mais precisa desses conceitos.
Espao amostral Um conjunto no-vazio , cujos elementos representam

todos os resultados possveis de um determinado experimento, chamado de
espao amostral.
1.1. ESPAO DE PROBABILIDADE
Exemplo 1.1.4. Se o experimento consiste em lanar uma moeda, ento = {0, 1},
onde 1 cara e 0 coroa.
Exemplo 1.1.5. Se o experimento consiste em lanar um dado e observar a face
superior, ento = {1, 2, 3, 4, 5, 6}.
Exemplo 1.1.6. Se o experimento consiste em lanar duas moedas, ento
= {0, 1}2 = {0, 1} {0, 1} = {(0, 0), (0, 1), (1, 0), (1, 1)}.
Exemplo 1.1.7. Se o experimento consiste em lanar dois dados e observar as faces
superiores, ento = {1, 2, 3, 4, 5, 6}2 .
Exemplo 1.1.8. Se o experimento consiste em medir a durao de uma lmpada,
ento um possvel espao amostral dado por = [0, ).
Eventos aleatrios Qualquer subconjunto A do espao amostral , isto ,
A , ao qual atribumos uma probabilidade, dito um evento aleatrio.
O conjunto vazio denominado evento impossvel e o conjunto denominado
evento certo. Se , o evento {} dito elementar. 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. Dois eventos A e B so ditos
mutuamente exclusivos ou incompatveis se A B = . A B significa que a
ocorrncia do evento A implica a ocorrncia do evento B.
Faremos algumas suposies naturais sobre a classe F P() de eventos aleatrios. Mais precisamente, vamos assumir que F satisfaz as seguintes propriedades:
(F1) F;
(F2) Para todo A F, tem-se que Ac F;
(F3) Se A1 , A2 , A3 , F, ento (
i=1 Ai ) F.
Definio 1.1.9 (-lgebra). Chamaremos de -lgebra a uma classe de subconjuntos de satisfazendo as trs propriedades acima.
Exerccio 1.1.10. Seja F uma -lgebra de subconjuntos de . Mostre que:
(a) F;
(b) se A e B F ento A \ B F;
(c) se A1 , A2 , A3 , F ento (
i=1 Ai ) F.
Observao 1.1.11. Quando um conjunto finito ou enumervel, em geral se

toma F = P(), isto , o conjunto de todos os subconjuntos de , chamado o
conjunto das partes.
10
Espao de probabilidade Seja um espao amostral e F uma -lgebra para

um dado experimento. Uma medida de probabilidade P uma aplicao P : F R
satisfazendo as seguintes propriedades:
(P1) P (A) > 0 para todo A F.
(P2) P () = 1.
(P3) Se A1 , A2 , F e Ai Aj = i 6= j, ento P (
i=1 Ai ) =
i=1
P (Ai ).
Definio 1.1.12 (Espao de Probabilidade). Um espao de probabilidade um

trio (, F, P ), onde
1. um conjunto no-vazio;
2. F uma -lgebra de subconjuntos de ;

3. P uma probabilidade definida em F.
Teorema 1.1.13. Toda medida de probabilidade P satisfaz as seguintes propriedades:

1. P () = 0.
2. P (Ac ) = 1 P (A).
3. Se A, B F e A B ento P (A) 6 P (B). (monotonicidade)
4. Se A, B F e A B ento P (B \ A) = P (B) P (A).
5. Para todo A F, temos 0 6 P (A) 6 1.
6. Se A1 , A2 , . . . , An F, ento P
Ai 6
i=1
i=1
P (Ai ). (-subaditividade).
7. Sejam A e B F. Ento P (A B) = P (A) + P (B) P (A B).

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

Dizemos que An A se A1 A2 A3 e
n=1 = A. Analogamente, An A
se A1 A2 A3 e n=1 = A.
Teorema 1.1.14 (Continuidade). Se An A ou An A, ento P (An ) P (A).
1.2. PROBABILIDADE CONDICIONAL E INDEPENDNCIA
1.2
11
Probabilidade Condicional e Independncia
A probabilidade condicional uma nova medida de probabilidade, de forma a

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

(, F, P ), definimos a probabilidade condicional de A dado que ocorreu B, ou
simplesmente probabilidade de A dado B, por
P (A | B) =
P (A B)
.
P (B)
Quando P (B) = 0, definimos P (A|B) = P (A).
Exerccio 1.2.2. Um casal tem dois filhos que no sejam gmeos. Calcule a
probabilidade condicional de esse casal ter dois filhos homens, sabendo-se que:
(a) O casal tem um filho homem.
(b) O filho mais velho do casal homem.
(c) O casal tem um filho homem que nasceu num sbado.
(d) O casal tem um filho homem que no nasceu num sbado.
Respostas aproximadas: 33%, 50%, 48%, 36%. Comente o porqu de o resultado do
item (d) ser prximo ao do item (a) e o do item (c) ser prximo ao do item (b).
Proposio 1.2.3. A probabilidade condicional uma medida de probabilidade,
isto , dado B F tal que P (B) > 0, a funo que leva A em P (A|B) satisfaz as
Propriedades (P1)(P3).
Regra do produto A regra do produto permite expressar a probabilidade da

ocorrncia simultnea de diversos eventos a partir do valor de cada probabilidade
condicional dados os eventos anteriores.
Teorema 1.2.4 (Regra do Produto). Dados A1 , A2 , . . . , An em (, F, P ), vale

P (A1 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (An |A1 A2 An1 ).
12
Demonstrao. Vamos provar por induo em n. Para n = 1 vale trivialmente:

P (A1 ) = P (A1 ). Para n = 2, temos
P (A2 |A1 ) =
P (A2 A1 )
P (A1 )
P (A1 A2 ) = P (A1 )P (A2 |A1 ).
Para n = 3, temos
P (A3 |A1 A2 ) =
e portanto
P (A1 A2 A3 )
P (A1 A2 )
P (A1 A2 A3 ) = P (A1 A2 )P (A3 |A1 A2 )
= P (A1 )P (A2 |A1 )P (A3 |A1 A2 ).
Suponhamos a igualdade vlida para n = m, temos

P (Am+1 |A1 Am ) =
P (A1 Am Am+1 )
P (A1 Am )
e portanto
P (A1 Am+1 ) = P (A1 Am ) P (Am+1 |A1 Am )
|
{z
usando a hiptese
= P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (Am+1 |A1 Am ),

completando a prova por induo.
Exemplo 1.2.5 ([Jam04]). Selecionar 3 cartas de um baralho francs de 52 cartas,

ao acaso e sem reposio. Qual a probabilidade de tirar 3 reis? Seja Ai =tirar rei
na i-sima retirada e A =tirar 3 reis= A1 A2 A3 . Temos
P (A) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) =
4 3 2
1
=
.
52 51 50
5525
Lei da probabilidade total Dizemos que B1 , B2 , B3 , F formam uma

partio de se Bi Bj = i 6= j e
i=1 Bi = .
Teorema 1.2.6 (Lei da Probabilidade Total). Sejam A, B1 , B2 , B3 , . . . eventos
aleatrios em (, F, P ) tais que B1 , B2 , B3 , . . . formam uma partio de .
Ento
P (A) =
X
i=1
P (Bi )P (A|Bi ).
1.2. PROBABILIDADE CONDICIONAL E INDEPENDNCIA
13
Demonstrao. Usando a regra do produto temos

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

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

Exemplo 1.2.7. Um armrio tem duas gavetas, A e B. A gaveta A tem 2 meias
azuis e 3 meias pretas, e a gaveta B tem 3 meias azuis e 3 meias vermelhas. Abre-se
uma gaveta ao acaso e retira-se uma meia ao acaso da gaveta escolhida. Qual a
probabilidade de escolher-se uma meia azul? Comeamos pelos valores conhecidos:
P (A) = P (B) = 12 , P (azul|A) = 52 e P (azul|B) = 63 . Assim,
P (azul) = P (A)P (azul|A) + P (B)P (azul|B) =
9
12 13
+
= .
25 26
20
Exerccio 1.2.8. 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?
Frmula de Bayes A frmula de Bayes determina a probabilidade condicional de
eventos que precedem aquele efetivamente observado. Mais precisamente, quando
conhecemos as probabilidades de uma seqncia de eventos Bj que particionam
e a probabilidade condicional de um evento posterior A em termos dessa partio,
podemos calcular as probabilidades condicionais de ocorrncia de cada Bj sabendose da ocorrncia ou no do evento A. Os valores originais so chamados de
probabilidades a priori dos eventos Bj , e os valores das probabilidades condicionais
so chamados de probabilidades a posteriori desses eventos.
Teorema 1.2.9 (Frmula de Bayes). Dado um espao de probabilidade

(, F, P ), uma partio B1 , B2 , B3 , . . . , e um evento A, para todo j N vale
a frmula
P (Bj )P (A|Bj )
.
P (Bj |A) = P
i P (Bi )P (A|Bi )
14
Exemplo 1.2.10. No Exemplo 1.2.7, sabendo-se que uma meia azul foi retirada,
qual a probabilidade de ter sido aberta a gaveta A? Pela Frmula de Bayes temos
P (A|azul) =
P (A)P (azul|A)
=
P (A)P (azul|A) + P (B)P (azul|B)
1
5
9
20
4
= .
9
Exerccio 1.2.11 ([Roc09]). 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?
Independncia Dois eventos aleatrios so independentes quando a ocorrncia
de um deles no aumenta nem diminui a chance relativa de que ocorra o outro.
Definio 1.2.12 (Eventos Independentes). Os eventos aleatrios A e B so

ditos independentes se
P (A B) = P (A)P (B).
Proposio 1.2.13. So equivalentes:
(i) A e B so independentes,
(ii) A e B c so independentes,
(iii) Ac e B so independentes,
(iv) Ac e B c so independentes,
(v) P (A|B) = P (A),
(vi) P (B|A) = P (B).
Definio 1.2.14 (Eventos Independentes Dois a Dois). Os eventos aleatrios

(Ai )iI , onde I um conjunto qualquer de ndices, so ditos independentes dois
a dois se Ai e Aj so independentes para todos i, j I com i 6= j.
1.3. EXERCCIOS
15
Exemplo 1.2.15. Lanamento de um dado de 4 faces. Considere A =par,

B =menor que 3, C =1 ou 4, i.e., A = {2, 4}, B = {1, 2}, C = {1, 4}. Ento A,
B e C so independentes dois a dois. De fato,
1
P (A B) = P ({2}) = = P (A)P (B),
4
1
P (A C) = P ({4}) = = P (A)P (C),
4
1
P (B C) = P ({1}) = = P (B)P (C).
4
Definio 1.2.16 (Eventos Coletivamente Independentes). Os eventos aleatrios (Ai )iI so ditos coletivamente independentes ou estocasticamente independentes se, dado qualquer conjunto de ndices distintos i1 , i2 , . . . , in I, vale
P (Ai1 Ai2 Ain ) = P (Ai1 )P (Ai2 ) P (Ain ).
Exemplo 1.2.17. Lanamento de um dado de 12 faces. Seja A =mltiplo de 3,
B =menor ou igual a 6 e C =par, i.e., A = {3, 6, 9, 12}, B = {1, 2, 3, 4, 5, 6} e
C = {2, 4, 6, 8, 10, 12}. Ento A, B e C so coletivamente independentes, pois
1
P (A B) = P ({3, 6}) = = P (A)P (B),
6
1
P (B C) = P ({2, 4, 6}) = = P (B)P (C),
4
1
P (A C) = P ({6, 12}) = = P (A)P (C),
6
1
= P (A)P (B)P (C).
P (A B C) = P ({6}) =
12
Contra-Exemplo 1.2.18. No Exemplo 1.2.15, os eventos A, B e C no so
coletivamente independentes. De fato,
1
P (A B C) = P () = 0 6= = P (A)P (B)P (C).
8
Contra-Exemplo 1.2.19. Lanar duas moedas honestas. Sejam A1 = primeira
moeda sai Coroa, A2 = segunda moeda sai Coroa, A3 = as moedas do o
mesmo resultado. Ento A1 , A2 e A3 so independentes dois a dois mas no so
coletivamente independentes.
1.3
Exerccios
Exerccio 1.3.1. Considere o experimento resultante do lanamento de dois dados

onde se observa o mnimo entre suas faces. Construa um modelo probabilstico
associado.
Exemplo melhor:
jogar dois dados.
A =primeiro
par, B =segundo
par C =soma
par.
16
Exerccio 1.3.2. Seja (, F, P ) um espao de probabilidade. Considere uma

seqncia de eventos aleatrios (An )n=1,2,3,... em F. Defina o evento Bm : o primeiro
evento a ocorrer da seqncia (An )n=1,2,3,... Am .
1. Expresse Bm em termos dos eventos An .
2. Os eventos B1 , B2 , . . . , Bm , . . . so disjuntos?
3. Quem o evento
m=1 Bm ?
Exerccio 1.3.3. Considere uma populao de indivduos capazes de gerar proles
do mesmo tipo. O nmero de indivduos inicialmente presentes, denotado por X0 ,
o tamanho da gerao zero. Todos as proles da gerao zero constituem a primeira
gerao e o seu nmero denotado por X1 . Em geral, Xn denota o tamanho da
n-sima gerao. Mostre que limn P (Xn = 0) existe e interprete o seu significado.
Exerccio 1.3.4. 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 1.3.5. Em uma gaveta existem 2 maos de baralho fechados. Um deles
um baralho comum de 52 cartas, {A, 2, 3, . . . , 9, 10, J, Q, K} {, , , }, e outro
um baralho de truco com 40 cartas (no possui as cartas de nmeros 8, 9 e 10).
Um dos maos retirado da gaveta ao acaso e depois uma carta sorteada ao
acaso do baralho retirado.
(a) Calcule a probabilidade de a carta sorteada ser uma das trs figuras reais
(J, Q, K).
(b) Sabendo-se que foi sorteada uma figura real, calcule a probabilidade de o
baralho retirado ter sido o baralho comum.
(c) Calcule a probabilidade de a carta sorteada ser de espadas .
(d) Sabendo-se que foi sorteada uma carta de espadas, calcule a probabilidade de
o baralho retirado ter sido o baralho de truco.
(e) Sejam A =Foi retirado o baralho comum, B =Foi sorteada uma figura real
e C =Foi sorteada uma carta de espadas. A e B so independentes? A e C
so independentes? A, B e C so coletivamente independentes?
(f) Qual a probabilidade de se sortear uma carta de nmero 5 ?
(g) Sabendo-se que foi sorteado um nmero (i.e., no foi sorteado A, J, Q nem
K), qual a probabilidade de o baralho retirado ter sido o baralho de truco?
1.3. EXERCCIOS
Exerccio 1.3.6. [Jam04, Captulo 1].
Recomendados: 1, 2, 3, 4, 5, 11, 16, 18, 22.
Sugeridos: 8, 9, 10, 12, 13, 14, 15, 17, 19, 20, 21.
17
18
Captulo 2
Variveis Aleatrias
Na realizao de um fenmeno aleatrio, muitas vezes estamos interessados em uma
ou mais quantidades, que so dadas em funo do resultado do fenmeno. Por
exemplo, sortear 11 cartas do baralho e contar quantas dessas cartas so de espadas,
ou sortear dois nmeros reais entre 0 e 1 e considerar o menor deles. A essas
quantidades damos o nome de variveis aleatrias. Uma varivel aleatria um
observvel numrico resultante de um experimento.
2.1
Variveis Aleatrias
Uma varivel aleatria uma funo que associa a cada resultado do espao
amostral um nmero real, ou seja, uma funo
X: R .
7 X()
Exemplo 2.1.1. Joga-se um dado e observa-se a face superior. Nesse caso temos
= {1, 2, 3, 4, 5, 6} e X() = .
Vamos colocar uma restrio sobre a funo X com o intuito de poder associar
probabilidade a eventos como o valor observado de X menor que 7. Para isso,
introduzimos uma definio mais formal:
Definio 2.1.2 (Varivel Aleatria). Uma varivel aleatria X em um espao
de probabilidade (, F, P ) uma funo real definida no espao tal que o
conjunto { : X() 6 x} evento aleatrio para todo x R, isto ,
X:R
uma varivel aleatria se { : X() 6 x} F para todo x R.
Daqui para frente denotaremos por [X 6 x] o evento { : X() 6 x}.
19
20
CAPTULO 2. VARIVEIS ALEATRIAS
Exemplo 2.1.3 (Varivel aleatria constante). Se X() = c para todo , ento
{ : X() 6 a} =
,
se a > c,
se a < c.
Portanto, X varivel aleatria.
Exemplo 2.1.4 (Funo indicadora). Dado A , definimos
1,
Se A F e X = 1A , ento
A,
1A () =
0, 6 A.
se a > 1,
{ : X() 6 a} = Ac , se 0 6 a < 1,
Portanto, X varivel aleatria.
se a < 0.
Contra-Exemplo 2.1.5. Sejam = {1, 2, 3, 4} e F = {, {1, 2}, {3, 4}, } e

considere os conjuntos A = {1, 2} e B = {1, 3}. Ento 1A varivel aleatria
em (, F), mas 1B no .
Espao de probabilidade induzido e lei de uma varivel aleatria A lgebra de Borel na reta R, denotada por B, a menor -lgebra que contm todos
os intervalos da reta.1 Os conjuntos B R tais que B B so chamados Borelianos.
A -lgebra de Borel B muito menor que a -lgebra das partes P(R), e daqui em
diante, sempre que aparecer B R, deve-se entender B B.
Dado um espao de probabilidade (, F, P ) e uma varivel aleatria X, definimos
o espao de probabilidade induzido por X como (R, B, PX ), onde

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

so os conjuntos Borelianos, e a medida de probabilidade aquela induzida por X.
Chamaremos de lei da varivel aleatria X a medida de probabilidade PX em R
induzida por X.
1
Equivalentemente, B a menor -lgebra que contm todos os intervalos semi-infinitos, ou

ainda, a menor -lgebra que contm todos os conjuntos abertos. O leitor mais curioso pode
ver [Jam04, Exerccio 1.6] a respeito da existncia e unicidade da menor -lgebra que contendo
determinada classe de conjuntos.
2.1. VARIVEIS ALEATRIAS
21
Funo de Distribuio
Definio 2.1.6 (Funo de Distribuio). A funo de distribuio, ou funo

de distribuio acumulada da varivel aleatria X, denotada por FX , definida
como
FX (x) = P (X 6 x), x R.
Observao 2.1.7. A funo de distribuio determina o comportamento estatstico da varivel aleatria, e vice-versa. Dadas X e Y variveis aleatrias,
FX (t) = FY (t) para todo t R se e somente se PX e PY em (R, B) so iguais. Por
isso a funo de distribuio uma caracterstica fundamental da varivel aleatria.
Exerccio 2.1.8. 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.
Transformar em
exemplo e incluir o
grfico.
Exerccio 2.1.9. 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.
Transformar em
exemplo e incluir o
grfico.
Proposio 2.1.10 (Propriedades da Funo de Distribuio). Se X uma varivel

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

Observao 2.1.11. Uma funo F : R R satisfazendo as propriedades acima

chamada funo de distribuio.
Exerccio 2.1.12. Mostre que
1. P (X > a) = 1 FX (a).
2. P (a < X 6 b) = FX (b) FX (a).
3. P (X = a) = FX (a) FX (a).
Ou seja, P (X = a) o tamanho do salto da funo de distribuio em x = a.
4. P (X = a) = 0 se e somente se FX contnua em a.
22

5. P (a < X < b) = FX (b) FX (a).
6. P (a 6 X < b) = FX (b) FX (a).
7. P (a 6 X 6 b) = FX (b) FX (a).
Exerccio 2.1.13. Seja F (x) a funo
0,
x < 0,
F (x) = x + 12 , 0 6 x 6
1,
1
2
x > 21 .
Mostre que F de fato uma funo de distribuio e calcule:

(a) P (X > 18 )
(b) P ( 18 < X < 52 )

(c) P X < 52 X > 18
2.2
Variveis Aleatrias Discretas
Definio 2.2.1. Dizemos que uma varivel aleatria X, sua funo de distribuio FX e sua lei PX so discretas se existe um conjunto enumervel
{x1 , x2 , x3 , . . . } R tal que
P (X = xn ) = 1.
n=1
Neste caso definimos a funo de probabilidade de uma varivel aleatria contnua

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

P (X {x1 , x2 , . . . }) = 1 e P (X 6 {x1 , x2 , . . . }) = 0. No tratamento de variveis
aleatrias discretas, tudo pode ser feito em termos de somatrios. A lei de uma
varivel aleatria discreta dada por
PX (B) =
xB
pX (x) B B.
2.2. VARIVEIS ALEATRIAS DISCRETAS
23
Observao 2.2.2. Uma funo p() satisfazendo

X
p(x) > 0 x R,
p(x) = 1,
xR
chamada funo de probabilidade.

Observao 2.2.3. Para especificar a distribuio ou a lei de uma varivel aleatria
discreta, suficiente saber sua funo de probabilidade, e vice-versa. Com efeito,
P
FX (t) = x6t pX (x) e
pX (x) = F (x) F (x).
Exerccio 2.2.4 ([Roc09]). 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.
(a) Encontre a funo de probabilidade de X.
(b) Mostre que pX funo de probabilidade.
(c) Calcule a probabilidade de serem necessrios exatamente cinco tiros para que
ele acerte o alvo.
Exerccio 2.2.5. Seja X uma varivel aleatria com funo de probabilidade
P (X = x) = cx2 , onde c uma constante e k = 1, 2, 3, 4, 5.
(a) Encontre pX (x) e FX (x).
(b) Calcule P (X ser mpar).
Distribuio de Bernoulli Dizemos que X Bernoulli, X Bernoulli(p), se
pX (1) = p e pX (0) = 1 p. Indicadores de eventos so Bernoulli e vice-versa. s
vezes associamos o evento [X = 1] a sucesso e [X = 0] a fracasso.
Distribuio uniforme discreta Dado I = {x1 , x2 , . . . , xk }, dizemos que X tem
distribuio uniforme discreta em I, denotado por X Ud [I], se
pX (xi ) =
1
,
k
i = 1, 2, . . . , k.
Exemplo 2.2.6. Lanamento de um dado. Temos I = {1, 2, 3, 4, 5, 6} e p(i) = 61 ,

i = 1, 2, . . . , 6.
24
Distribuio binomial Considere n ensaios de Bernoulli independentes e com

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

pX (x) = nx px (1 p)nx , x = 0, 1, 2, . . . , n.
Exemplo 2.2.7. Lanar um dado 4 vezes e contar o nmero de vezes que se obtm
o nmero 3. Temos X b(4, 61 ). A probabilidade de se obter 3 duas vezes dada
por
2 42
4!
25
52
5
P (X = 2) = pX (2) = 42 16
=
=
.
6
2!(4 2)! 64
216
Exerccio 2.2.8. Seja X o nmero de caras obtidas em 4 lanamentos de uma
moeda honesta. Construa a funo de probabilidade e a funo de distribuio de
X esboando os seus grficos.
Distribuio geomtrica Numa seqncia de ensaios independentes com probabilidade de sucesso p, considere o nmero X de ensaios necessrios para a obteno
de um sucesso. Dizemos que X segue o modelo geomtrico de parmetro p,
X Geom(p), e sua funo de probabilidade dada por
pX (n) = p(1 p)n1 ,
Exemplo: Lanar
um par de dados
at obter nmeros
iguais
n = 1, 2, 3, 4, . . . .
Distribuio hipergeomtrica Suponha que numa caixa existem m bolas azuis

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

m
k
n
rk

m+n
r
para [0 r n] 6 k 6 [r m].
Exemplo 2.2.9. Num jogo de bingo com 50 pedras, conta-se o nmero X de pedras
pares sorteadas nas 10 primeiras retiradas. Neste caso, X Hgeo(25, 25, 10).
Exemplo 2.2.10. No jogo de buraco um jogador recebe 11 cartas de um baralho
francs de 52 cartas. Conta-se o nmero X de cartas de espadas . Neste caso,
X Hgeo(13, 39, 11).
2.3. VARIVEIS ALEATRIAS CONTNUAS
25
Distribuio de Poisson Imagine uma grande quantidade de determinados objetos (estrelas, chamadas telefnicas, uvas-passas, etc.) uniformemente distribudas
em uma certa regio (o espao, a linha do tempo, uma massa de panetone, etc.)
tambm muito grande, sendo a proporo entre a quantidade de objetos e o
tamanho dessa regio. Se contamos o nmero X de objetos encontrados em uma
unidade de volume dessa regio, temos que X segue o modelo de Poisson com
parmetro , denotado por X Poisson(), com funo de probabilidade
pX (k) =
e k
,
k!
k = 0, 1, 2, 3, . . . .
De fato, se temos n grande e pn = n , ento para todo k fixado temos

k
nk

nk
e k
.
k!
Exemplo 2.2.11. Se em 1.000 horas de servio uma operadora recebe 50.000
chamadas, essas chamadas acontecendo em instantes independentes e uniformemente
distribudas ao longo dessas 1.000 horas, ento a distribuio da quantidade X de
chamadas recebidas em 1 hora bem aproximada por X Poisson(50).
P (X = k) =
2.3
n
k
k
k!
n n1
n n
nk+1
n
Variveis Aleatrias Contnuas
Definio 2.3.1. Uma varivel aleatria X dita contnua se P (X = a) = 0 para

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

simplesmente densidade de X.
Observao 2.3.3. No tratamento de variveis aleatrias absolutamente contnuas,

tudo pode ser feito em termos de integrais. A funo de distribuio de uma varivel
aleatria absolutamente contnua dada por
FX (t) =
fX (s) ds.
26
Observao 2.3.4. Uma funo f () satisfazendo

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

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

especificar a distribuio ou a lei de uma varivel aleatria absolutamente contnua,
suficiente saber sua funo de densidade, e vice-versa.
Exemplo 2.3.6. Sortear um nmero em [0, 1]. Definimos
1,
x [0, 1]
fX (x) =
0, caso contrrio,
e neste caso temos
FX (t) =
0,
fX (x) dx = t,
1,
t 6 0,
0 6 t 6 1,
t > 1.
Exerccio 2.3.7 ([Roc09]). 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) = 12 ;
(c) P (x < X < x) = 2FX (x) 1, x > 0;
(d) P (X > x) =
2
1
2
Rx
0
fX (t)dt, x > 0.
Dizemos que um conjunto A B pequeno, isto , tem medida zero, se, para todo > 0, existe
uma seqncia de intervalos (an , bn ) cuja unio contenha A e cujo tamanho total seja pequeno,
P
isto ,
n=1 (bn an ) 6 . Por exemplo, se A = {x1 , x2 , . . . } enumervel, ento podemos
tomar a seqncia de intervalos (xn 2n1 , xn + 2n1 ), que contm A e cujo tamanho total
exatamente . Podemos modificar a densidade fX em um conjunto pequeno de pontos e ainda
teremos uma densidade para X, pois um conjunto pequeno no altera o valor da integral.
27
Exerccio 2.3.8 ([Roc09]). Suponha que X seja uma varivel aleatria com densidade dada por
1
, <x<
fX (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 2.3.9. Seja Z uma varivel aleatria contnua com funo de densidade
de probabilidade
(
10 e10z , z > 0
fZ (z) =
0, z 6 0
Falar do quantil de
uma varivel
aleatria contnua
Obtenha a funo de distribuio de Z e esboce o seu grfico.

Distribuio uniforme Dizemos que a varivel aleatria X tem distribuio
uniforme no intervalo [a, b], denotado por X U [a, b], se todos os subintervalos
de [a, b] com mesmo comprimento tiverem a mesma probabilidade. Sua densidade
Dar exemplo
1
,
ba
fX (x) =
0,
x [a, b],
x 6 [a, b].
Distribuio exponencial Dizemos que X

parmetro > 0, denotado por X exp(), se
por
1 ex ,
FX (x) =
0,
tem distribuio exponencial com

sua funo de distribuio for dada
onde
x1 ex
()
0,
() =
A exponencial
dada pelo limite de
geomtricas com
intervalos curtos
de tempo
Dar exemplo
x > 0,
x 6 0.
Distribuio gama A distribuio gama tem dois parmetros, e , e inclui

como casos particulares a distribuio exponencial e as chamadas qui-quadrado e
Erlang. Dizemos que X tem distribuio gama com parmetros positivos e ,
denotado por X Gama(, ), se X tem densidade dada por
fX (x) =
A uniforme
contnua dada
pelo limite de
uniformes discretas
x > 0,
x < 0,
x1 ex dx.
28
Tabela 2.1: (x + y), onde x so os valores das linhas e y os das colunas.

0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,5000
0,5040
0,5080
0,5120
0,5160
0,5199
0,5239
0,5279
0,5319
0,5359
0,1
0,5398
0,5438
0,5478
0,5517
0,5557
0,5596
0,5636
0,5675
0,5714
0,5753
0,2
0,5793
0,5832
0,5871
0,5910
0,5948
0,5987
0,6026
0,6064
0,6103
0,6141
0,3
0,6179
0,6217
0,6255
0,6293
0,6331
0,6368
0,6406
0,6443
0,6480
0,6517
0,4
0,6554
0,6591
0,6628
0,6664
0,6700
0,6736
0,6772
0,6808
0,6844
0,6879
0,5
0,6915
0,6950
0,6985
0,7019
0,7054
0,7088
0,7123
0,7157
0,7190
0,7224
0,6
0,7257
0,7291
0,7324
0,7357
0,7389
0,7422
0,7454
0,7486
0,7517
0,7549
0,7
0,7580
0,7611
0,7642
0,7673
0,7704
0,7734
0,7764
0,7794
0,7823
0,7852
0,8
0,7881
0,7910
0,7939
0,7967
0,7995
0,8023
0,8051
0,8078
0,8106
0,8133
0,9
0,8159
0,8186
0,8212
0,8238
0,8264
0,8289
0,8315
0,8340
0,8365
0,8389
1,0
0,8413
0,8438
0,8461
0,8485
0,8508
0,8531
0,8554
0,8577
0,8599
0,8621
1,1
0,8643
0,8665
0,8686
0,8708
0,8729
0,8749
0,8770
0,8790
0,8810
0,8830
1,2
0,8849
0,8869
0,8888
0,8907
0,8925
0,8944
0,8962
0,8980
0,8997
0,9015
1,3
0,9032
0,9049
0,9066
0,9082
0,9099
0,9115
0,9131
0,9147
0,9162
0,9177
1,4
0,9192
0,9207
0,9222
0,9236
0,9251
0,9265
0,9279
0,9292
0,9306
0,9319
1,5
0,9332
0,9345
0,9357
0,9370
0,9382
0,9394
0,9406
0,9418
0,9429
0,9441
1,6
0,9452
0,9463
0,9474
0,9484
0,9495
0,9505
0,9515
0,9525
0,9535
0,9545
1,7
0,9554
0,9564
0,9573
0,9582
0,9591
0,9599
0,9608
0,9616
0,9625
0,9633
1,8
0,9641
0,9649
0,9656
0,9664
0,9671
0,9678
0,9686
0,9693
0,9699
0,9706
1,9
0,9713
0,9719
0,9726
0,9732
0,9738
0,9744
0,9750
0,9756
0,9761
0,9767
2,0
0,9772
0,9778
0,9783
0,9788
0,9793
0,9798
0,9803
0,9808
0,9812
0,9817
2,1
0,9821
0,9826
0,9830
0,9834
0,9838
0,9842
0,9846
0,9850
0,9854
0,9857
2,2
0,9861
0,9864
0,9868
0,9871
0,9875
0,9878
0,9881
0,9884
0,9887
0,9890
2,3
0,9893
0,9896
0,9898
0,9901
0,9904
0,9906
0,9909
0,9911
0,9913
0,9916
2,4
0,9918
0,9920
0,9922
0,9925
0,9927
0,9929
0,9931
0,9932
0,9934
0,9936
2,5
0,9938
0,9940
0,9941
0,9943
0,9945
0,9946
0,9948
0,9949
0,9951
0,9952
2,6
0,9953
0,9955
0,9956
0,9957
0,9959
0,9960
0,9961
0,9962
0,9963
0,9964
2,7
0,9965
0,9966
0,9967
0,9968
0,9969
0,9970
0,9971
0,9972
0,9973
0,9974
2,8
0,9974
0,9975
0,9976
0,9977
0,9977
0,9978
0,9979
0,9979
0,9980
0,9981
2,9
0,9981
0,9982
0,9982
0,9983
0,9984
0,9984
0,9985
0,9985
0,9986
0,9986
3,0
0,9987
0,9987
0,9987
0,9988
0,9988
0,9989
0,9989
0,9989
0,9990
0,9990
3,1
0,9990
0,9991
0,9991
0,9991
0,9992
0,9992
0,9992
0,9992
0,9993
0,9993
3,2
0,9993
0,9993
0,9994
0,9994
0,9994
0,9994
0,9994
0,9995
0,9995
0,9995
3,3
0,9995
0,9995
0,9995
0,9996
0,9996
0,9996
0,9996
0,9996
0,9996
0,9997
3,4
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9998
29
Distribuio Normal Dizemos que a varivel aleatria X tem distribuio

normal com parmetros R e 2 > 0, denotado por X N (, 2 ), se X tem
como densidade
(x)2
1
e 22 , x R.
fX (x) =
2 2
A distribuio N = N (0, 1) chamada normal padro.
Denotamos por a funo de distribuio acumulada de uma normal padro N ,
dada por
2
Z t
ex /2
(t) = FN (t) = P (N 6 t) =
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.
Na Tabela 2.1 exibimos os valores de (t) para t = 0, 00, 0, 01, 0, 02, . . . , 3, 49.
Para t < 0 usa-se a identidade
(t) = 1 (t).
Conseqentemente,
P (+a < N < +b) = (b) (a)
P (a < N < b) = (b) (a) = (a) (b)
P (a < N < +b) = (b) (a) = (b) + (a) 1.
Em particular,
P (a < N < a) = 2(a) 1.
Exemplo 2.3.10. Calculemos as seguintes probabilidades:
(a) P (0 < N < 1) = (1) (0) 0, 8413 0, 5000 = 0, 3413.
(b) P (1.93 < N < 3) = (1.93) + (3) 1 0, 9732 + 0, 9988 1 = 0, 9720.

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

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

2(x) 1 = 0, 6826 (x) = 0, 8413 x 1, 000.
Exerccio 2.3.11. Mostre que, se Y = aX + b com a > 0 e b R, ento fY (y) =

1
f ( yb
). Sugesto: determine FY (y), y R, em termos de fX (x), x R, sabendo
a X
a
Rt
fX (x) dx, e depois tome a derivada.
que FX (t) =
Exerccio 2.3.12. Mostre que se X N (, 2 ) ento a varivel aleatria
distribuio normal padro.
tem
30
2.4
Distribuies Mistas e Singulares
Uma varivel aleatria discreta X vive em um conjunto enumervel de pontos cuja

probabilidade de ocorrncia positiva, e nesse contexto tudo se expressa em termos
de somatrios ponderados pela funo pX . Uma varivel aleatria absolutamente
contnua X vive em R, sua distribuio em cada intervalo (n, n + 1] similar de
uma distribuio uniforme, apenas seu peso ponderado pela funo fX . Nesse
contexto tudo se expressa em termos de integrais com fX (x) dx.
Existem variveis aleatrias que so misturas dos tipos discreto e absolutamente
contnuo. Dizemos que X uma varivel aleatria mista com componentes discreta
e absolutamente contnua se existem pX e fX tais que
P (X B) =
pX (x) +
xB
fX (x) dx.
Distribuies singulares Alm desses casos, existem variveis aleatrias cuja

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

FX (t|A) = FX|A (t) = P (X 6 t|A),
t R.
Exemplo 2.5.1. Considere dois lanamentos de uma moeda honesta e seja X o

nmero de caras obtidas. Temos
0,
1,
FX (t) = 43
1,
t < 0,
0 6 t < 1,
1 6 t < 2,
t > 2.
2.6. EXERCCIOS
31
Seja A o evento pelo menos uma moeda deu cara. Temos
0,
t < 1,
FX (t|A) = 23 , 1 6 t < 2,
1,
t > 2.
Se X discreta, definimos ainda a funo de probabilidade condicional de X

dado A, pX ( |A) ou pX|A ( ), como a funo de probabilidade associada funo de
distribuio FX ( |A). No exemplo acima, temos
x = 1,
pX (x|A) = 31 , x = 2,
0,
caso contrrio.
Se X absolutamente contnua, definimos a funo densidade de probabilidade

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

certamente, isto , P (X = Y ) = 1, ento FX = FY .
Exerccio 2.6.2. Encontre os valores das constantes reais e de modo que a
funo F abaixo seja funo de distribuio acumulada de alguma varivel aleatria
definida em algum espao de probabilidade:
0,
x 6 0,
F (x) =
2
+ ex /2 , x > 0.
Exerccio 2.6.3. Seja X o nmero de caras obtidas em 4 lanamentos de uma

moeda honesta. Determine a funo de probabilidade de X. Desenhe o grfico da
funo de distribuio da varivel aleatria X.
Exerccio 2.6.4. Se
e3t + c et ,
f (t) =
0,
t > 0,
t 6 0,
funo de densidade, ache c.
Exerccio 2.6.5. Se f (t) = c 3t2 et 1[0,2] (t) funo de densidade, ache c.

Exerccio 2.6.6. Mostre que a funo de probabilidade do modelo de Poisson de
fato uma funo de probabilidade.
32
Exerccio 2.6.7. Perda de memria do modelo geomtrico.

1. Mostre que P (X > m + n|X > n) = P (X > m) para inteiros no-negativos,
se X segue o modelo geomtrico.
2. Se X segue o modelo geomtrico, prove que a distribuio de X dado que
X > n igual distribuio de X + n.
Exerccio 2.6.8. Mostre que a densidade do modelo uniforme contnuo de fato
uma funo de densidade.
Exerccio 2.6.9. Mostre que a distribuio do modelo exponencial de fato uma
distribuio. Calcule a densidade associada.
Exerccio 2.6.10. Seja X uma varivel aleatria em (, F, P ) com distribuio
exponencial de parmetro > 0. Considere N = X, o menor inteiro maior ou
igual a X. Encontre a distribuio de N .
Exerccio 2.6.11. Uma pesquisa eleitoral determinou que a inteno de voto do
Candidato A de 46%, com margem de erro de 3%, para mais ou para menos.
Ou seja, a inteno de voto desse candidato tem distribuio normal com mdia
= 46% e desvio-padro = 3%. Calcule a probabilidade de o Candidato A ter
mais de 50% das intenes de voto.
Exerccio 2.6.12. Uma caixa contm 10 parafusos, cujos tamanhos so normais independentes, com mdia 21, 4 mm e desvio-padro 0, 5 mm. Calcule a probabilidade
de que nenhum dos parafusos tenha mais de 22 mm.
Exerccio 2.6.13. Perda de memria do modelo exponencial.
1. Mostre que P (X > t + s|X > s) = P (X > t) para t, s > 0 se X tem
distribuio exponencial.
2. Mostre que a distribuio de X dado que X > s igual distribuio de X +s.
Exerccio 2.6.14. Se X exp() e Y = 5X, ache a distribuio acumulada de Y .
Ache a funo de distribuio condicional e a densidade condicional de Y dado
que X > 3.
Exerccio 2.6.15. [Jam04, Captulo 2]. Recomendados: 1, 5, 6, 7, 9, 10, 13, 14.
Captulo 3
Vetores Aleatrios
Imagine que queremos produzir duas variveis aleatrias com distribuio
Bernoulli( 12 ). A forma mais natural seria lanar uma moeda duas vezes e considerar
o par X = (Z, W ). Uma outra forma de faz-lo seria, por exemplo, lanar a moeda
apenas uma vez e copiar o resultado: Y = (Z, Z).
Em ambos os casos, produziu-se um par de variveis aleatrias distribudas como
Bernoulli( 12 ). Entretanto, o comportamento conjunto dessas variveis aleatrias
bem diferente nos dois casos.
Neste captulo vamos estudar as principais propriedades dos vetores aleatrios,
isto , a combinao de muitas variveis aleatrias em que se considera seu comportamento estatstico conjunto.
3.1
Vetores Aleatrios
Comeamos com um pouco de notao vetorial. x Rd representa uma d-upla de

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

funo X : Rd tal que cada coordenada Xi uma varivel aleatria.
33
34
CAPTULO 3. VETORES ALEATRIOS
Espao de probabilidade induzido e lei de um vetor aleatrio Como na

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

PX (B) = P { : X() B} ,
B Bd .
Ou seja, o espao amostral o conjunto dos vetores d-dimensionais, os eventos

aleatrios so os conjuntos Borelianos, e a medida de probabilidade aquela induzida
por X. Chamaremos de lei do vetor aleatrio X a medida de probabilidade PX
em Rd induzida por X.
Funo de Distribuio Conjunta
Definio 3.1.2 (Funo de Distribuio Conjunta). A funo de distribuio

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

FX (t) = P X 6 t .
Exemplo 3.1.3. Lanamos duas moedas honestas e consideramos X1 = quantidade
de caras, X2 = 1 se os resultados forem iguais, 0 se forem diferentes, e X = (X1 , X2 ).
Temos ento
P (X 6 t) =
0,
0,
,
2
1
1,
t1 < 0 ou t2 < 0,
t1 , t2 [0, 1),
t1 > 1, t2 [0, 1),
t1 [0, 1), t2 > 1,

t1 [1, 2), t2 > 1,
t1 > 2, t2 > 1,
pois [X 6 t] = ;
pois [X 6 t] = [X1 = 0, X2 = 0] = ;
pois [X 6 t] = [X1 = 1, X2 = 0];
pois [X 6 t] = [X1 = 0, X2 = 0];

pois [X 6 t] = [X1 = 0 ou 1];
pois [X 6 t] = .
Os valores de FX so ilustrados na Figura 3.1.

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

ia,b F (x) = F (x1 , . . . , xi1 , b, xi+1 , . . . , xd ) F (x1 , . . . , xi1 , a, xi+1 , . . . , xd ).
Note que a funo ia,b F no depende da i-sima coordenada de x.

Proposio 3.1.4. Para a 6 b Rd , 1a1 ,b1 dad ,bd FX = P (a < X 6 b).
3.1. VETORES ALEATRIOS
35
t2
1/4
1
3/4
1/2
1
t1
Figura 3.1: Valores assumidos por FX (t1 , t2 ) para cada (t1 , t2 ) R2 .

Demonstrao. Para quaisquer x, a 6 b, temos
dad ,bd FX (x) = P (X1 6 x1 , . . . , Xd1 6 xd1 , Xd 6 bd )
P (X1 6 x1 , . . . , Xd1 6 xd1 , Xd 6 ad ) =
= P (X1 6 x1 , . . . , Xd1 6 xd1 , ad < Xd 6 bd ),
e sucessivamente obtemos
h
d
jaj ,bj dad ,bd FX (x) = jaj ,bj j+1
aj+1 ,bj+1 ad ,bd FX
i
(x) =
= P (X1 6 x1 , . . . , Xj1 6 xj1 , Xj 6 bj , aj+1 < Xj+1 6 bj+1 , . . . , ad < Xd 6 bd )
P (X1 6 x1 , . . . , Xj1 6 xj1 , Xj 6 aj , aj+1 < Xj+1 6 bj+1 , . . . , ad < Xd 6 bd ) =

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

um vetor aleatrio em (, F, P ), ento sua funo de distribuio FX goza das
seguintes propriedades:
1. FX no-decrescente em cada uma de suas coordenadas.
2. FX contnua direita em cada uma de suas coordenadas.
3. Se (xk )k tal que, para algum j, xkj , ento FX (x) 0.
4. Se (xk )k tal que, para todo j, xkj +, ento FX (x) 1.
5. Para a 6 b Rd , 1a1 ,b1 dad ,bd FX > 0.
36
Contra-Exemplo 3.1.6. Considere a seguinte funo:

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

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

Portanto, F no pode ser funo de distribuio conjunta, ainda que satisfaa as
Propriedades 14.
Funo de distribuio marginal A partir da funo de distribuio conjunta,
pode-se obter o comportamento de cada varivel isoladamente.
A funo de distribuio de uma das coordenadas do vetor X denominada
funo de distribuio marginal e obtida da seguinte forma:
FXj (xj ) = xlim
F (x1 , . . . , xd ),
X
i
i6=j
em que o limite aplicado em tofdas as coordenadas, exceto j. De forma mais

geral, a funo de distribuio do vetor (X1 , . . . , Xi1 , Xi+1 , . . . , Xd ) dada por
F(X1 ,...,Xi1 ,Xi+1 ,...,Xd ) (x1 , . . . , xi1 , xi+1 , . . . , xd ) = limxi FX (x1 , . . . , xd ).
Exemplo 3.1.7. No Exemplo 3.1.3, temos
0,
1,
FX1 (t) = 43
1,
3.2
t < 0,
0 6 t < 1,
1 6 t < 2,
t > 2,
0,
t < 0,
FX2 (t) = 21 , 0 6 t < 1,
1,
t > 1.
Tipos de Vetores Aleatrios
Explicar os tipos
de vetores
aleatrios
Definio 3.2.1. Dizemos que um vetor aleatrio X, sua funo de distribuio

FX e sua lei PX so discretos se existem {x1 , x2 , x3 , . . . } tais que

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

pX (x) = P X = x .
3.2. TIPOS DE VETORES ALEATRIOS
37
Um vetor aleatrio X discreto se e somente se suas coordenadas X1 , . . . , Xd so

discretas. Uma funo p() satisfazendo
X
p(x) = 1
x Rd
p(x) > 0,
funo de probabilidade conjunta.
Funo de probabilidade marginal A funo de probabilidade marginal de

uma varivel Xi obtida somando-se nas demais variveis:
pXi (xi ) = P (Xi = xi ) =
X
x1
X X
xi1 xi+1
p(x1 , . . . , xi1 , xi , xi+1 , . . . , xd ).
xd
Exerccio 3.2.2. No Exemplo 3.1.3, obtenha a funo de probabilidade de X, e as

funes de probabilidade marginais de X1 e X2 .
Definio 3.2.3. Dizemos que um vetor aleatrio X, sua funo de distribuio FX e sua lei PX so absolutamente contnuos se existe fX () > 0 tal que
P (X B) =
fX (x) dd x
B Bd .
Neste caso, dizemos que fX a funo de densidade conjunta de X, ou

simplesmente densidade de X.
Uma funo f () satisfazendo

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

Observao 3.2.4. A funo de distribuio conjunta de X pode ser calculada por
FX (t) =
t1
td
fX (x) dxd dx1 ,
e a densidade conjunta fx pode ser calculada por
De forma mais
geral, podemos
eliminar uma
coordenada de
cada vez
38
fX (x) =
d
FX (x1 , . . . , xd ),
x1 xd
isto , calculando sucessivamente as derivadas parciais com relao a cada uma das
coordenadas.
Exemplo 3.2.5. Seja G Rd uma regio tal que Vol G > 0, onde Vol G o volume
d-dimensional de G. Dizemos que X = (X1 , X2 , . . . , Xd ) com funo de densidade
1
,
Vol G
fX (x1 , . . . , xd ) =
0,
(x1 , . . . , xd ) G
(x1 , . . . , xd )
/G
uniformemente distribudo em G.
Observao 3.2.6. Se um vetor aleatrio X absolutamente contnuo, ento

suas coordenadas X1 , . . . , Xd so absolutamente contnuas, mas no vale a
recproca! De fato, muito fcil construir um vetor aleatrio contnuo que no
absolutamente contnuo.
Exerccio 3.2.7. Seja X U [0, 1], Y = 1 X e X = (X, Y ). Encontre a funo de

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

marginal, e pode ser calculada por
fXi (xi ) =
Z
|
De forma mais
geral, podemos
eliminar uma
coordenada de
cada vez
{z
d1 vezes
f (x1 , . . . , xi , . . . , xd ) dx1 dxd .

|
{z
exceto xi
Dizemos que um Boreliano A B d pequeno, isto , tem medida zero, se, para todo > 0,
existe uma seqncia de paraleleppedos (aj , bj ) cuja unio contenha A e cujo tamanho total seja
P
pequeno, isto , j=1 (bj1 aj1 ) (bjd ajd ) 6 . Por exemplo, se A = {(x, y) : x > 0, y = 0}
uma semi-reta no plano, ento podemos tomar a seqncia (j 1, j) (2j1 , 2j1 ). Essa
seqncia contm a semi-reta A e seu tamanho total exatamente .
1
3.3. INDEPENDNCIA DE VARIVEIS ALEATRIAS
39
Exerccio 3.2.8. Sejam trs variveis aleatrias X, Y e Z com funo de densidade

conjunta dada por
(
kxy 2 z, se 0 < x 6 1, 0 < y 6 1 e 0 < z 6 2

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

Como no caso uni-dimensional, dizemos que um vetor aleatrio X do tipo misto
com componentes discreta e absolutamente contnua se existem pX e fX tais que
P (X B) =
3.3
pX (x) +
xB
fX (x) dd x
B Bd .
Independncia de Variveis Aleatrias
Definio 3.3.1. Dizemos que as variveis aleatrias X1 , X2 , . . . , Xd em

(, F, P ) so coletivamente independentes, ou simplesmente independentes, se
P (X1 B1 , . . . , Xd Bd ) = P (X1 B1 ) P (Xd Bd )
para quaisquer B1 , . . . , Bd B.
Observao 3.3.2. Dada uma famlia de variveis aleatrias independentes
X1 , X2 , . . . , Xd , qualquer subfamlia tambm formada por variveis aleatrias
independentes.
Proposio 3.3.3. So equivalentes:

(i) X1 , X2 , . . . , Xd so independentes.
(ii) FX (t) = FX1 (t1 )FX2 (t2 ) FXd (td ) para todo t Rd .
(iii) FX (t) = F1 (t1 )F2 (t2 ) Fd (td ) para todo t Rd , com F1 , . . . , Fd funes
reais.
40
Ideia da prova. (i) (ii) (iii) so triviais. Suponha (iii). Calculando a marginal
temos
Y
FXi (xi ) = xlim
F
(x)
=
F
(x
)
lim Fj (xj ) = ci Fi (xi ),

X
i
i
j6=i
j6=i
xj
onde ci 6= 0 pois FXi no pode ser uma funo constante. Assim,

FX (x1 , . . . , xd ) =
1
FX1 (x1 ) FXd (xd ).
c1 cd
Fazendo xi i, temos que c1 cd = 1, portanto (iii) (ii).

Assumindo (ii), vamos mostrar (iii) supondo que os Bi so unies de intervalos
disjuntos. Observe que se Bi = (ai , bi ] para i = 1, . . . , d, temos
P (X1 B1 , . . . , Xd Bd ) = 1a1 ,b1 dad ,bd FX (x)
= 1a1 ,b1 dad ,bd [FX1 (x1 ) FXd (xd )]

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

analogamente para intervalos abertos ou semi-infinitos, e por linearidade vale para
unies de intervalos disjuntos. A extenso a todo Bi B envolve argumentos de
Teoria da Medida e ser omitida.
Proposio 3.3.4 (Critrio de Independncia. Caso Discreto). Seja X um vetor

aleatrio discreto. So equivalentes:
(ii) pX (t) = pX1 (t1 )pX2 (t2 ) pXd (td ) para todo t Rd .
(iii) pX (t) = p1 (t1 )p2 (t2 ) pd (td ) para todo t Rd , com p1 , . . . , pd funes
reais.
Demonstrao. (i) (ii) (iii) so triviais. Suponha (iii). Para xi tal que
pXi (xi ) > 0, calculando a marginal temos
pXi (xi ) =
X
xj
X X
xi1 xi+1
X
xd
pX (x) = pi (xi )
YX
pj (xj ) = ci pi (xi ),
j6=i xj
onde ci 6= 0. Assim,
pX (x1 , . . . , xd ) =
1
pX (x1 ) pXd (xd ).
c1 cd 1
3.3. INDEPENDNCIA DE VARIVEIS ALEATRIAS
41
Somando em x, temos que c1 cd = 1, portanto (iii) (ii).

Suponha (ii). Temos que
P (X1 B1 , . . . , Xd Bd ) =
x1 B1
x1 B1
pX1 (x1 )
pX (x) =
xd Bd
xd Bd
pXd (xd ) = P (X1 B1 ) P (Xd Bd ),
e portanto (ii) (i).
Proposio 3.3.5 (Critrio de Independncia. Caso Contnuo). Seja X um

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

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

Suponha (ii). Temos que
P (X1 B1 , . . . , Xd Bd ) =
=
Z
B1
B1 Bd
fX1 (x1 ) dx1
e portanto (ii) (i).
Z
Bd
fX (x) dd x =

fXd (xd ) dxd = P (X1 B1 ) P (Xd Bd ),

Variveis aleatrias
independentes duas
a duas
42
3.4
Mtodo do Jacobiano
Suponha que o vetor aleatrio X absolutamente contnuo e assume valores em

um domnio G0 Rd , e que estamos interessados em estudar o vetor aleatrio Y
dado por uma transformao Y = g(X). Vamos considerar o caso em que
g : G0 G, G Rd , bijetiva e diferencivel, com inversa g 1 = h : G G0
tambm diferencivel. Escrevemos a transformada inversa como X = h(Y ) e
definimos os Jacobianos:
x
y
Jh (y) = det
y
x
Jg (x) = det
...
x1
yd
xd
y1
xd
yd
.
..
= det
e
!
x1
y1
...
y1
xd
yd
x1
yd
xd
O Jacobiano satisfaz a seguinte identidade:

Jh (y) =
..
.
y1
x1
.
= det
..
..
.
.
1
.
Jg (x)
Proposio 3.4.1 (Mtodo do Jacobiano). Sejam G0 , G Rd , g : G0 G

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

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

1
fX h(y) .
|Jg (x)|
Ideia da prova. Pelo clculo de vrias variveis, sabemos que se o jacobiano for nonulo para todo y G, ento
Z
f (x) d x =
f (h(y)) |Jh (y)| dd y
g(A)
para qualquer f integrvel em A, onde A G0 . Como P (Y g(A)) dada por

P (X A), e esta ltima dada pelo lado esquerdo da expresso acima com f = fX ,
temos que o integrando do lado direito necessariamente dado por fY (y).
3.4. MTODO DO JACOBIANO
43
Exemplo 3.4.2. Considere o vetor aleatrio X = (X1 , X2 ) com densidade
4x x ,
1 2
fX (x1 , x2 ) =
0,
x1 , x2 [0, 1],
caso contrrio,
e o vetor Y dado por Y1 = X1 /X2 , Y2 = X1 X2 . Temos y = h(x) = (x1 /x2 , x1 x2 ) e

y
=
x
"
1/x2 x1 /x22
x2
x1
e Jg (x) = 2x1 /x2 . Obtendo x em funo de y:

y1 = x1 /x2
y1 y2 = x21
y1 = x1 =
y2 = x1 x2
y2 /y1 = x22
y2 = x2 =
y1 y2
y2 /y1 ,
e os valores possveis de y so
n
G = (y1 , y2 ) : 0 < y2 < y1 , 0 < y2 <

Agora,
1
y1
2 y1 y2
= 2y1
Jg (h(y)) = q
y2 /y1
fX (h(y)) = 4 y1 y2 y2 /y1 = 4y2 .

Portanto,
2y /y , 0 < y < 1, y < y < 1/y ,

1
2
1
2
2
1
2
fY (y) =
fX h(y) =
|Jg (x)|
0,
caso contrrio.
Exerccio 3.4.3. Sejam X e Y variveis aleatrias independentes, cada uma com

distribuio exponencial com parmetro 1, mostre que Z = X + Y e W = X
so
Y
tambm independentes com densidades
fZ (z) =
e
fW (w) =
zez , z > 0
0, z 6 0
1
,
(w+1)2
w>0
.
0, w 6 0
Exemplo 3.4.4. Se X e Y so independentes e distribudas como N (0, 1), ento

X + Y e X Y so independentes e ambas distribudas como N (0, 2).
44
Ponha Z = (X, Y ) e W = (X + Y, X Y ). Temos que W = g(Z), onde

g(x, y) = (x + y, x y). Logo,
w
=
z
"
1
1
1 1
assim Jg (z) = 2. Obtendo z como funo de w:

w1 + w2
2
w1 w2
y=
.
2
w1 = x + y
x=
w2 = x y
Ainda,
y 2
x2
1
1
fZ (z) = fX,Y (x, y) = fX (x)fY (y) = e 2 e 2 ,
2
2
logo
1 (
fZ (h(w)) =
e
2
w1 +w2
2
2
2
)
( w1 w
2
2
2 +w2 +2w w +w2 +w2 2w w

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

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

distribuio uniforme em
n
A = (x, y) R2 : 0 < y < x e x + y < 1 .

Encontre FX,Y .
Exerccio 3.5.2. Considere um vetor aleatrio (Z, W ) absolutamente contnuo com

densidade
c, 0 < z < 1, 0 < w < z,

fZ,W (z, w) =
0, caso contrrio.
Encontre FZ,W .
3.5. EXERCCIOS
45
Exerccio 3.5.3. Sejam Y e U duas variveis aleatrias em um mesmo espao de

probabilidade, independentes e com leis Y N (0, 1) e P (U = 1) = P (U = +1) =
1
. Ache a lei de Z = U Y .
2
Dica: estudar diretamente a funo de distribuio acumulada.
Exerccio 3.5.4.
(a) A densidade conjunta de X e Y dada por
ey
,
x3
x > 1, y > 0
f (x, y) =
0,
caso contrrio.
Encontre c. Diga se X e Y so independentes e por qu.

(b) Suponha que (X, Y ) um vetor aleatrio absolutamente contnuo com funo
de distribuio conjunta dada por
1 ex + exy xex ey + xexy ,

FXY (x, y) =
0,
x, y > 0
caso contrrio.
Encontre a densidade conjunta fXY e diga se X e Y so independentes.

(c) Com X e Y dadas no item anterior, encontre a distribuio marginal FY .
Exerccio 3.5.5. Sejam X e Y variveis aleatrias discretas e independentes.
Mostre que
X
pX+Y (t) =
pX (s) pY (t s).
s
Sugesto: particione segundo o valor de X.
Exerccio 3.5.6. Mostre por induo finita que, se X1 , X2 , . . . , Xn so variveis

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

a
k
b
nk
Xi b
n
X
i=1
mi , p .
Exerccio 3.5.7. Se X e Y so independentes e distribudas respectivamente como

Poisson(1 ) e Poisson(2 ), mostre que
Dica: (a + b)k =
Pk
j=0

k
j
X + Y Poisson(1 + 2 ).
aj bkj .
46
Exerccio 3.5.8. 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 interpreta essa identidade?

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

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

de X, ou mdia de X, ou ainda o valor esperado de X, denotada por EX, por
EX =
X
x
x P (X = x).
A esperana de X pode ser pensada como o centro de massa da varivel

aleatria X, como ilustrado na Figura 4.1.
Exemplo 4.1.2. Lanar um dado e observar sua face superior. Temos
1 2
6
21
7
+ + + =
= .
6 6
6
6
2
Exemplo 4.1.3. Lanar uma moeda 4 vezes e contar quantas vezes saem cara.
Temos
4
6
4
1
32
1
= 2.
EX = 0 + 1 + 2 + 3 + 4 =
16
16
16
16
16
16
EX = 1.P (X = 1) + + 6.P (X = 6) =
47
48
CAPTULO 4. ESPERANA MATEMTICA
Exemplo 4.1.4. Seja X dada por X = 1A para algum A F. Nesse caso temos
EX = 0.P (Ac ) + 1.P (A) = P (A). Ou seja, se X Bernoulli(p) ento EX = p.
pX (x)
x
EX
Figura 4.1: A esperana de X como o centro de massa de pX .

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

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

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

(i) Se X > 0 ento EX > 0.
(ii) Se X = c ento EX = c.
(iii) E[aX + bY ] = aEX + bEY .
(iv) Se X > Y ento EX > EY .
4.1. VARIVEIS ALEATRIAS SIMPLES
49
Demonstrao. Os itens (i) e (ii) so triviais, e (iv) segue de (iii) e (i) se tomamos
Z = X Y . Resta provar (iii).
Primeiro vamos verificar que se X = a1 1A1 + +an 1An , onde A1 , . . . , An formam
P
uma partio, ento EX = i ai P (Ai ), mesmo que alguns ai coincidam. Com efeito,
P
primeiro escrevemos X = j cj 1Cj onde os cj so distintos e C1 , . . . , Ck formam uma
partio. Observe que para todo j = 1, . . . , k, Cj = [Xj = cj ] = {Ai : ai = cj }.
Usando a definio de esperana e agrupando corretamente os termos dos somatrios,
temos
EX =
k
X
k
X
cj P (Cj ) =
cj
k
X
X
P (Ai ) =
ai P (Ai ) =
j=1 i:ai =aj
i:ai =cj
j=1
j=1
n
X
ai P (Ai ).
i=1
Agora sejam X e Y variveis aleatrias simples dadas por X = i ai 1Ai e Y =

P
j bj 1Bj , onde A1 , . . . , Ak particionam e B1 , . . . , Bn tambm. Temos
aX + bY = a
a i 1 Ai
1Bj + b
bi 1 B j
1 Ai =
i,j
(aai + bbj )1Ai Bj .
Mas {Ai Bj : i = 1, . . . , n; j = 1, . . . , m} forma uma partio de , e portanto

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

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

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

EX = 0
48.47.46
3.48.47.4
3.48.4.3
4.3.2
30600
3
+1
+2
+3
=
= .
52.51.50
52.51.50
52.51.50
52.51.50
132600
13
50
Alternativamente, observamos que X = X1 + X2 + X3 , onde Xi o indicador de

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

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

Bernoulli(p), e portanto
EX = EX1 + + EXn = (p + + p) = np.
Proposio 4.1.10. Se X e Y so simples e independentes, ento
E[XY ] = EX EY.
Demonstrao. Fazendo Ai = [X = ai ] e Bj = [Y = bj ], temos
E[XY ] = E
=E
=
"
"
X
i,j
X
i
X
i,j
a i 1 Ai
bj 1 B j
ai bj 1Ai Bj =
ai bj P (Ai )P (Bj ) =
i,j
"
!#
=E
"
X
a i b j 1 Ai 1 B j
i,j
ai bj E[1Ai Bj ] =
X
i
#"
ai P (Ai )
X
j
X
i,j
ai bj P (Ai Bj )
#
bj P (Bj ) = EX EY.
Exemplo 4.1.11. Lanar um dado duas vezes e multiplicar os valores observados.

EX =
1
1.1 + 2.2 + 3.2 + 4.3 + 5.2 + 6.4 + 8.2 + 9.1 + 10.2 + 12.4+
36

49
441
= .
+ 15.2 + 16.1 + 18.2 + 20.2 + 24.2 + 25.1 + 30.2 + 36.1 =
36
4
Alternativamente, observamos que X = Y Z, onde Y e Z representam o primeiro e

.
segundo lanamento do dado. Logo EX = EY EZ = 27 27 = 49
4
4.2. ESPERANA MATEMTICA
4.2
51
Esperana Matemtica
Nesta seo definimos a esperana de uma varivel aleatria qualquer. Comeamos

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

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

o
n
gk (x) = 2k max j {0, 1, . . . , 2k k} 2k j 6 x ,
ilustrada na Figura 4.2.
Observe que gk assume no mximo 2k k + 1 valores. Alm disso,
gk (x) > gk1 (x)
e
x 2k < gk (x) 6 x
para todo k > x.
Portanto, para todo x > 0,

gk (x) x quando k .
g2 (y)
g3 (x)
x
g2 (x)
g1 (x)
Figura 4.2: Grfico de g2 (y) e aproximao de gk (x) x para um x fixado.

Tomando Xk = gk (X), temos que Xk uma varivel aleatria simples e Xk X
para todo . Veja a Figura 4.3.
52
X()
g2 (X())
g1 (X())
Figura 4.3: Aproximao de X por g1 (X) e g2 (X).
Definio da Esperana
A esperana de uma varivel aleatria no-negativa definida aproximando-se por
variveis aleatrias simples.
Definio 4.2.1. Seja X uma varivel aleatria tal que X > 0. Definimos a
esperana de X por
EX = sup {EZ : Z varivel aleatria simples com 0 6 Z 6 X}.
Incluir figuras
ilustrando a
diferena entre a
integral de
Riemann, que
particiona o
domnio, e E, que
particiona a
imagem
Para definir a esperana no caso geral, observe que uma varivel aleatria sempre
pode ser decomposta em suas partes positiva e negativa. De fato, temos
X = X + X ,
onde
X,
X+ =
0,
X > 0,
X 6 0,
X,
X =
0,
X 6 0,
X > 0,
satisfazem X + > 0 e X > 0. Observe tambm que |X| = X + + X .

Definio 4.2.2 (Esperana de uma Varivel Aleatria). Seja X uma varivel
aleatria. Definimos a esperana de X por
EX = EX + EX
sempre que EX + ou EX for finita.
Definio 4.2.3. Dizemos que X integrvel se ambas EX + e EX so finitas.
53
Variveis Discretas e Contnuas

A definio acima no muito til quando queremos efetivamente calcular a
esperana de uma varivel aleatria X dada. A seguir veremos como obter EX
no caso de X ser discreta, contnua, ou mista, bem como a esperana de funes de
variveis aleatrias desses tipos.
Teorema 4.2.4 (Variveis Aleatrias Discretas). Seja X uma varivel aleatria

discreta. Se EX est definida, ento
EX =
X
x
x pX (x).
Demonstrao. Segue direto do Teorema 4.2.10 com h(x) = x.
Exemplo 4.2.5 (Poisson). Se X Poisson(), ento

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

EX =
k=1
k P (X = k) =
=
=
=
k
X
X
k=1 n=1
X
X
k=1 n=1
X
X
n=1 k=1
X
X
P (X = k)
1n6k P (X = k)
1n6k P (X = k)
P (X = k) =
P (X > n).
n=1
n=1 k=n
Exerccio 4.2.7. Seja X uma varivel aleatria. Mostre que X integrvel se, e
somente se
n=0
P |X| > n < .
54
Teorema 4.2.8 (Variveis Aleatrias Absolutamente Contnuas). Seja X uma

varivel aleatria absolutamente contnua. Se EX est definida, ento
EX =
x fX (x) dx.
Demonstrao. Segue direto do Teorema 4.2.10 com h(x) = x.

Exemplo 4.2.9 (Exponencial). Se X exp(), vale
EX =
x fX (x) dx =
xex dx = xex
[ex ] dx =
1
.
Portanto, o valor esperado de uma varivel aleatria que segue o modelo exponencial
com parmetro 1 .
Mudana de Varivel
Suponha que queremos calcular a esperana da varivel aleatria Y dada por
Y = h(X),
onde h uma funo contnua, ou uma funo contnua por partes. Temos pelo
menos duas alternativas. Uma calcular FY (t) para todo t, a partir da distribuio
acumulada FX de X, e depois calcular a esperana usando os Teoremas 4.2.4 e 4.2.8.
Entretanto, existe outra maneira, que pode ser mais conveniente:
Teorema 4.2.10 (Mudana de Varivel). Seja X um vetor aleatrio misto com

componentes discreta e absolutamente contnua. Seja h : Rd R uma funo
contnua por partes, e considere a varivel aleatria Y = h(X). Se EY est
definida, ento
EY =
X
x
h(x) pX (x) +
Rd
h(x) fX (x) dd x.
Em particular,
P
x h(x) pX (x),
EY = R
d
Rd
X discreto,
h(x) fX (x) d x, X contnuo.
55
Exemplo 4.2.11. Seja X exp(). Vamos calcular EX 2 . Temos

Z
2Z
2
2 Z x
2
2
x
x
EX =
x e dx =
e dx = 2 ,
xe dx = 2
0
0
0
integrando por partes duas vezes.
Lema 4.2.12. Sejam X e Y variveis aleatrias no-negativas definidas em
(, F, P ), e tome Xk = gk (X), Yk = gk (Y ). Ento, quando k ,
E[Xk + Yk ] E[X + Y ]
EXk EX,
E[Xk Yk ] E[XY ].
Demonstrao. Seja Z uma varivel aleatria simples com 0 6 Z 6 X + Y . Tome

= [X M ] e Y = [Y M ]. Note que Z 6 X
+ Y . Ento
M = max Z(), X
k+1
k+1
+ Y 2
para k > M temos Xk + Yk > X
> Z2
. Da segue que
k+1
E[Xk + Yk ] > E[Z] 2
, logo lim inf k E[Xk + Yk ] > EZ. Tomando o supremo
em Z, temos que lim inf k E[Xk +Yk ] > E[X +Y ] e portanto E[Xk +Yk ] E[X +Y ].
O primeiro limite segue como corolrio tomando-se Y = 0. A demonstrao do
ltimo limite um pouco mais complicada e ser omitida.

Demonstrao do Teorema 4.2.10. Se g : Rd R+ assume finitos valores, ento
E[g(X)] =
X
y
X
x
P
y P g(X) = y =
g(x) pX (x) +
g(x) fX (x) dd x.
Rd
x:g(x)=y
pX (x) +
x:g(x)=y
fX (x) dd x
Fazendo a decomposio h = h+ h , podemos supor que h uma funo nonegativa. Tome Yk = gk (Y ) = gk (h(X)). Temos que
EYk =
X
x
Portanto,
gk (h(x)) pX (x) +
EYk 6
X
x
Por outro lado,
h(x) pX (x) +
Rd
Rd
gk (h(x)) fX (x) dd x.
h(x) fX (x) dd x.
EYk = E[Yk 1h(X)6k ] + E[Yk 1h(X)>k ]

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

lim inf EYk >
k
X
x
h(x) pX (x) +
Portanto, pelo Lema 4.2.12 temos

EY = lim EYk =
k
X
x
h(x) fX (x) dd x.
Rd
h(x) pX (x) +
Rd
h(x) fX (x) dd x.
56
Propriedades da Esperana Matemtica

Todas as propriedades da Esperana decorrem de trs propriedades fundamentais.
Teorema 4.2.13. Sejam X e Y variveis aleatrias em (, F, P ). Ento valem

as seguintes propriedades:
(E1) Unitariedade. Se X = 1, ento EX = 1.
(E2) Monotonicidade. Se X 6 Y , ento EX 6 EY .
(E3) Linearidade. E[aX + bY ] = aEX + bEY para a, b R.
Em (E2) basta que EY < + ou EX > para que ambas as esperanas

estejam definidas e valha a desigualdade. A igualdade em (E3) vale se EX e EY
esto definidas e aEX + bEY est definido, isto , no resulta em + .
Demonstrao. A unitariedade segue da Definio 4.1.1. Para a monotonicidade,

suponha que 0 6 X 6 Y . Dada Z 6 X simples, temos Z 6 Y , e pela definio de
EY , temos EZ 6 EY . Tomando o supremo em Z, pela definio de EX, temos
EX 6 EY . Para o caso geral, observe que X 6 Y implica X + 6 Y + e X > Y .
Para a linearidade, primeiro observamos que da definio de esperana segue
que E[aX] = aEX. Resta ento mostrar que E[X + Y ] = EX + EY . Suponha
inicialmente que X e Y sejam no-negativas. Usando a Proposio 4.1.5 e o
Lema 4.2.12, temos que E[X +Y ] = limk E[Xk +Yk ] = limk [EXk +EYk ] = EX +EY .
Finalmente, sejam X e Y duas variveis aleatrias quaisquer. Temos que
(X + Y )+ (X + Y ) = X + Y = X + X + Y + Y ,
logo
(X + Y )+ + X + Y = (X + Y ) + X + + Y + .
Como todas as variveis aleatrias acima so no-negativas, pelo caso anterior temos
E[(X + Y )+ ] + EX + EY = E[(X + Y ) ] + EX + + EY + .
Supondo que EX + EY est definido, necessariamente temos que EX + EY <
ou EX + + EY + < . Consideramos sem perda de generalidade o primeiro caso.
Como (X + Y ) 6 X + Y , temos E[(X + Y ) ] 6 EX + EY < , e portanto
podemos subtrair, obtendo
E[(X + Y )+ ] E[(X + Y ) ] = (EX + EX ) + (EY + EY ).
57
Proposio 4.2.14 (Propriedades da Esperana).

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

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

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

0) = limk P (X > k1 ) = 0.
Proposio 4.2.15 (Esperana de Variveis Aleatrias Independentes). Se X e
Y so independentes e integrveis, ento XY integrvel e E[XY ] = EX EY .
Demonstrao. Se X e Y so variveis aleatrias no-negativas, ento, usando a
Proposio 4.1.10 e o Lema 4.2.12,
E[XY ] = lim E[Xk Yk ] = lim[EXk EYk ] = EX EY.
k
No caso geral temos

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

Isso tambm se reflete em distintas notaes, que o leitor poder encontrar em
diferentes bibliografias:
EX =
X dP,
EX =
x dPX ,
A definio que usamos mais parecida primeira.
EX =
x dFX (x).
58
4.3
Momentos, Varincia e Covarincia
Definio 4.3.1. Dado k = 1, 2, 3, . . . , definimos o momento de ordem k, ou

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

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

E

1
2
2
1
2
2
dx =
1
.
12
O segundo momento central recebe o nome de varincia.
Definio 4.3.3 (Varincia). Seja X uma varivel aleatria integrvel. Definese a varincia da varivel aleatria X, denotada por V X ou 2 (X), como
V X = E[(X EX)2 ].
Exemplo 4.3.4. Pelo exemplo anterior, se X U [0, 1], ento EX =
1
2
e VX =
1
.
12
Proposio 4.3.5 (Propriedades da Varincia). Seja X uma varivel aleatria

integrvel. Ento:
1. V X > 0.
2. V X = EX 2 (EX)2 .
3. V X = 0 se e somente se P (X = c) = 1 para algum c R, neste caso X = EX.

4. V X 6 EX 2 .
5. V (X b) = V X.
6. V (aX) = a2 V X.
4.3. MOMENTOS, VARINCIA E COVARINCIA
59
Exemplo 4.3.6. Se X Bernoulli( 21 ), temos

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

quadrada da varincia
(X) = V X,
e mede a disperso de X em torno de sua mdia. O desvio-padro tem a mesma
unidade de medida de X.
Exemplo 4.3.8. Se X Bernoulli( 21 ), temos

(X) =
VX =
1
1/4 = .
2
Ou seja, uma varivel Bernoulli( 12 ) varia em mdia =

valor esperado = 21 .
1
2
unidade em torno de seu
As propriedades do desvio-padro so anlogas:

1. (X) > 0.
2. (X) = 0 se e somente se P (X = c) = 1 para algum c R.
3. (X) 6 EX 2 .
4. (X b) = (X) para todo b R.
5. (aX) = |a| (X) para todo a R.
Definio 4.3.9 (Covarincia). Dadas duas variveis aleatrias X e Y com

segundo momento finito, uma forma de medir a dependncia linear da disperso
dessas variveis atravs da sua covarincia Cov(X, Y ), dada por
Cov(X, Y ) = E [(X EX)(Y EY )] .
Proposio 4.3.10 (Propriedades da Covarincia). Dadas X e Y com segundo
momento finito:
1. Cov(X, Y ) = E[XY ] EX EY .
2. Cov(X, Y ) = 0 se e somente se E[XY ] = EX EY .
60

3. Cov(cX, Y ) = c Cov(X, Y ).
4. Cov(X, Y ) = Cov(Y, X).
5. Cov(X, X) = V X.
6. Cov(X, c) = 0 para todo c R.
7. Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z).

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

E[ZW ] = E[XY ] =
Z
Z
xy dxdy =

1
4
1 1
1
=
2 6
3
0
0
x
0

Z 1 Z x
Z 1
Z 1
1
1
2
1
2
EW =
xdy +
ydy dx =
(x2 + 21 x2 )dx = + =
3 2 6
3
0
0
x
0
1
1 2
Cov(Z, W ) = E[ZW ] EZ EW = = .
4 9
36
EZ =
ydy +
xdy dx =
( x2 + x x2 )dx =
Observao 4.3.12. Se as variveis aleatrias X e Y so independentes e integrveis ento X e Y so no-correlacionadas, i.e., Cov(X, Y ) = 0. Entretanto, nem
sempre vale a recproca, isto , E[XY ] = EX EY no implica X e Y independentes.
Contra-Exemplo 4.3.13. Sejam X e Y variveis aleatrias tomando valores
1, 0, 1 com distribuio conjunta dada por p(1, 1) = p(1, 1) = p(1, 1) =
p(1, 1) = p(0, 0) = 15 . Ento EXY = EX EY , mas X e Y no so independentes,
pois P (X = 0, Y = 0) 6= P (X = 0)P (Y = 0).
Definio 4.3.14 (Coeficiente de Correlao). Dadas X e Y com varincias
finitas e positivas, o coeficiente de correlao (X, Y ) de X e Y uma medida
padronizada da dependncia linear entre X e Y :
!
X
Y
.
(X, Y ) = Cov
,
(X) (Y )
O coeficiente de correlao no tem unidade de medida.
Proposio 4.3.15 (Propriedades do Coeficiente de Correlao). Dadas X e Y

com varincias finitas e positivas, valem:
1. (X, Y ) = (Y, X).
4.3. MOMENTOS, VARINCIA E COVARINCIA
61
Cov(X,Y )
.
(X)(Y )
2. (X, Y ) =
3. (X, X) = 1.
4. (X, aY + b) = (X, Y ) se a > 0 e b R.
Exemplo 4.3.16. No Exemplo 4.3.11, temos

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

a normalizao de X, como
X EX
.
(X)
A padronizao de uma varivel aleatria no tem unidade de medida.
Exerccio 4.3.17. Mostre que:
1. EZ = 0 e V Z = 1, onde Z a padronizao de X.
2. X e (aX + b) tm a mesma padronizao para a > 0 e b R.
3. Se Z a padronizao de X e W a padronizao de Y , ento
(Z, W ) = Cov(Z, W ) = E(ZW ) = (X, Y ).
Proposio 4.3.18. Sejam X e Y variveis aleatrias com varincias finitas e
positivas. Ento:
1. (X, Y ) [1, +1].
2. | Cov(X, Y )| 6 (X)(Y ).
3. (X, Y ) = 1 Cov(X, Y ) = (X)(Y ) P (Y = aX + b) = 1, a > 0.
Veremos a demonstrao na prxima seo, como corolrio da Desigualdade de
Cauchy-Schwarz.
62
4.4
Desigualdades Bsicas
Definio 4.4.1 (Funes cncavas e convexas). Seja B R um intervalo aberto.

Dizemos que g : B R convexa se satisfaz s seguintes condies equivalentes:
(i) Para todos a < x < b em B, g(x) 6 g(a) +
xa
[g(b)
ba
g(a)].
(ii) Para todo a B, existe c R tal que g(x) > g(a) + c(x a) para todo x B.
(iii) g no-decrescente em B (caso g seja diferencivel).
(iv) g (x) > 0 para todo x B (caso g tenha segunda derivada).
Dizemos que g cncava se g convexa.
Exemplo 4.4.2. So funes convexas: g(x) = x2 , g(x) = ex , g(x) = |x|, g(x) =

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

temos E[g(X)] > E[g(EX) + c(X EX)] = g(EX) + cEX cEX = g(EX).
Corolrio 4.4.4. Se g uma funo cncava, ento E[g(X)] 6 g(EX).
Corolrio 4.4.5. Seja X uma varivel aleatria integrvel. Ento
(a) E|X| > |EX|.
(b) EX 2 > (EX)2 .
(c) E
1
X
>
1
EX
se X > 0.
(d) E |X|p > (E |X|)p > |EX|p para p > 1.

1
(e) (E|X|t ) t > (E|X|s ) s se 0 < s 6 t.
Demonstrao. (a), (b) e (c) so imediatos. Para (d) usamos g(x) = xp em (0, )
e depois (a). Para (e), tomamos Y = |X| e g(y) = y t/s em (0, ). Temos que g
t
convexa pois g (y) = st y s 1 no-decrescente. Logo, E|X|t = E[(Y s )t/s ] > [EY s ]t/s .
Elevando todos os temos a 1/t, temos a desigualdade desejada.
4.4. DESIGUALDADES BSICAS
63
Proposio 4.4.6 (Desigualdade Bsica de Tchebyshev). Seja X uma varivel

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

EX > EY = P (X > ),
donde segue a desigualdade.
Exemplo 4.4.7. Se uma empresa recebe em mdia 100 chamadas telefnicas por
dia, queremos estimar a probabilidade de, num certo dia, receber mais de 300
chamadas. Temos
EX
1
P (X > 300) 6
= .
300
3
Ou seja, esse evento ocorre com probabilidade igual a, no mximo, 13 .
Exerccio 4.4.8. Suponha que X seja uma varivel aleatria tal que P (X > 0) = 1
e P (X > 10) = 51 . Mostre que E(X) > 2.
Proposio 4.4.9 (Desigualdade de Markov). Seja X uma varivel aleatria

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

EY
E|X|t
P (|X| > ) = P (Y > ) 6 t =
.
t
t
Proposio 4.4.10 (Desigualdade Clssica de Tchebyshev). Seja X uma varivel aleatria integrvel e seja > 0 uma constante. Ento

P |X E(X)| > 6
VX
.
2
64
Demonstrao. Tomando Y = (X EX)2 , temos EY = V X e, aplicando a

desigualdade bsica,

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

de sua mdia por mais que duas vezes o valor do seu desvio-padro . Temos

P ( 2 < X < + 2) = 1 P |X EX| > 2) > 1
VX
2
3
=
1
= .
2
2
(2)
4
4
Exerccio 4.4.12. Suponha que X seja uma varivel aleatria tal que E(X) = 10,
P (X 6 7) = 0, 2 e P (X > 13) = 0, 3. Prove que V X > 29 .
Teorema 4.4.13 (Desigualdade de Cauchy-Schwarz). Se EX 2 < e EY 2 <

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

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

a desigualdade trivial e a recproca tambm. Se b = 0, temos que Y = 0, a
desigualdade trivial e a recproca vale com c = 0. Assumimos ento que 0 < a <
e 0 < b < .
Observamos que

ab
Y
X
06
E
2
a
b
2
ab
XY
Y2
X2
=
E
2
+
2
a2
ab
b2
donde
E[XY ] 6 ab =
EX 2
= ab E[XY ],
EY 2 .
Reciprocamente, suponha que E[XY ] = ab. Temos que E

X
P ( a Yb = 0) = 1 e portanto P (Y = cX) = 1 com c = ab .
Demonstrao da Proposio 4.3.18. Tomamos
Z=
X EX
(X)
W =
Y EY
(Y )
Pela Desigualdade de Cauchy-Schwarz temos que
(X, Y ) = E[ZW ] 6 EZ 2 EW 2 = +1,
X
a
Y
b
2
= 0, logo
4.5. ESPERANA CONDICIONAL DADO UM EVENTO
65
donde
Cov(X, Y ) = (X)(Y )(X, Y ) 6 +(X)(Y ).
Ainda, se (X, Y ) = +1, ento W = +cZ com c > 0. Mas 1 = EW 2 = c2 EZ 2 = c2 ,
logo c = +1 e portanto
Y = EY + (Y ) Z = EY + (Y )
X EX
.
(X)
As propriedades anlogas com 1 no lugar de +1 seguem do caso anterior tomandose X no lugar de X:

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

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

definio de uma nova medida P em (, F), dada pela relao P (B) = P (B|A),
B F.
Uma varivel aleatria X tambm afetada neste caso. Como j vimos, X assa
a ter uma nova funo de distribuio FX|A (t), t R, uma nova lei PX|A (B), B B
e, nos casos discreto e contnuo, uma nova funo de probabilidade pX|A (x) ou de
densidade fX|A (x), x R.
Nesta situao, X tambm ter um novo valor esperado E(X|A), que, no caso
de X ser mista com componentes discreta e absolutamente contnua, ser dado por
E(X|A) =
X
x
x pX|A (x) +
x fX|A (x) dx.
No caso discreto, escolhemos a forma mais conveniente entre calcular

FX|A (t) = P (X 6 t | A) t
ou
pX|A (x) = P (X = x | A) x.
No caso contnuo, em geral calculamos
FX|A (t) = P (X 6 t | A) t
e depois fazemos
fX|A (x) =
d
FX|A (x) x.
dx
Dar um exemplo
66
4.6
Exerccios
Exerccio 4.6.1. Calcular EX, onde:

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

Exerccio 4.6.4. Mostre que X integrvel se, e somente se, E|X| < .
Exerccio 4.6.5. Seja X uma varivel aleatria simtrica em torno de , isto ,
P (X > + x) = P (X 6 x) para todo x R. Mostre que se X integrvel,
ento E(X) = .
Exerccio 4.6.6. Prove que E|X| 6 EX 2 .

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

Exerccio 4.6.8. Calcular V X, onde:
1. X Geom().
2. X Poisson().
3. X b(n, p).
4. X exp().
4.6. EXERCCIOS
67
5. X N (, 2 ).
Exerccio 4.6.9. 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
Xn (),
X
n j=1
no difira de seu valor esperado p por mais de 0,01, com probabilidade mnima de
0,95? (Sugesto: Desigualdade de Tchebyshev)
Exerccio 4.6.10. Seja X U [1, 1] e sejam A1 = [X > 0] e A2 = [X < 0].
Pede-se
1. A distribuio condicional de X dado A1 .
2. A distribuio condicional de X dado A2 .
3. E(X|A1 ).
4. E(X|A2 ).
Exerccio 4.6.11. Seja X uma varivel aleatria exponencial com parmetro .
Encontre E [X | X > 2].
Exerccio 4.6.12. Se X Geom(p), encontre E [X | X > 5].
Exerccio 4.6.13. Se X tem funo de probabilidade
pX (n) =
nn e
.n!
para n = 0, 1, 2, 3, . . . , calcule V X.
Dica: desenvolver (n 1)(n 2 + 1) + 2(n 1) + 1.
Recomendados: 5, 6, 19, 20ab, 21, 23, 26, 28, 30, 36.
68
Captulo 5
Esperana Condicional
Muitas vezes a estrutura do espao amostral complicada demais para estudarmos
as grandezas de interesse diretamente a partir dos eventos elementares , at
mesmo em situaes aparentemente simples.
Neste contexto, estudamos as propriedades de algumas grandezas observveis, ou
ainda, conseguimos dividir em classes que podem ser estudadas como um todo.
Estudar uma partio D de quer dizer que estamos trabalhando apenas com a
informao relacionada quela partio.
Da mesma forma, e inmeras situaes queremos estudar o comportamento de
uma dada varivel aleatria X em termos de outra varivel aleatria Y , o que em
estatstica significa dizer que buscamos um estimador para X sabendo-se o valor da
varivel Y .
5.1
Esperana Condicional dada uma Partio
Definio 5.1.1. Dizemos que D = {D1 , D2 , D3 , . . . } uma partio de (, F) se

Di F i, Di Dj = i 6= j, e i Di = .
Exemplo 5.1.2. Sejam X1 , X2 , X3 , . . . variveis aleatrias assumindo valores em

{1, 1}. O espao pode ser dividido em tomos onde X1 e X2 so constantes.
Definio 5.1.3 (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)() =
P (A|Di ) 1Di (),
isto , em cada tomo Di da partio D, temos que P (A|D) assume o valor

constante P (A|Di ).
69
Nesta seo X
sempre discreta e
no-negativa
70
CAPTULO 5. ESPERANA CONDICIONAL
Exemplo 5.1.4. Suponha que

P (chover amanh|chove hoje) = 0, 7,
P (chover amanh|no chove hoje) = 0, 1,
e seja D = {chove hoje, no chove hoje}. Ento
0, 7,
Exemplo com dois

irmos, nascido no
sbado, etc.
se no estado chove hoje,

Z = P (chover amanh|D) =
0, 1, caso contrrio.
Teorema 5.1.5 (Teorema da Probabilidade Total).
h
P (A) = E P (A|D) .
Demonstrao. E P (A|D) =
P (A|Di )E[1Di ] =
Exemplo 5.1.6. Se P (chover hoje) = 0, 6, ento

P (chover amanh) = EZ =
X
z
P (A|Di )P (Di ) = P (A).
z P (Z = z) = 0, 7 0, 6 + 0, 1 0, 4 = 0, 46.
Definio 5.1.7. Seja X uma varivel aleatria discreta. Definimos a partio

induzida por X como DX = {D1 , D2 , D3 , . . . }, onde Dj = { : X() = xj }.
Denotamos a varivel aleatria P (A|DX )() por P (A|X)().
Exemplo 5.1.8. Se X e Y so i.i.d. Bernoulli(p), considere o evento A = [X + Y =
1]. Vamos calcular P (A|Y ):
P (A|Y ) = p 1[Y =0] + (1 p) 1[Y =1] ,
ou, escrevendo explicitamente como funo de Y :
P (A|Y ) = p (1 Y ) + (1 p) Y.
Definio 5.1.9 (Esperana Condicional Dada uma Partio). Seja X uma
varivel aleatria simples. Considere D uma partio de (, F). Definimos a
varivel aleatria
X
E(X|D)() =
E(X|Di ) 1Di ().
i
5.1. ESPERANA CONDICIONAL DADA UMA PARTIO
71
Observe que, desenvolvendo a expresso acima, temos

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

da informao relacionada partio D. Ela grosseira o suficiente para atender
restrio de ser constante no tomos de D, mas fina o suficiente para ser a melhor
entre todas as aproximaes sujeitas a essa restrio. Veja a Figura 5.1.
X()
E(X|D)()
Figura 5.1: Ilustrao da definio de E(X|D).

Exemplo 5.1.10. Lanamento de um dado honesto. Seja D = {mpar, par}. Temos
Assim,
E(X|X par),
Z() = E(X|D)() =
E(X|X mpar),
se X() par,
se X() mpar.
4,
se X() par,
Z() =
3, se X() mpar.
Proposio 5.1.11 (Propriedades da esperana condicional).
1. E(c | D) = c
2. Se X 6 Y ento E(X|D) 6 E(Y |D)
3. E(aX + bY |D) = aE(X|D) + bE(Y |D)

4. E(X|{}) = EX .
72
Refazer
Demonstrao. Se X = c, ento E(X|D) = c para qualquer D com P (D) > 0,

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

Teorema 5.1.12 (Generalizao to Teorema da Probabilidade Total).
h
EX = E E(X|D) .
Demonstrao. Pelo Teorema 5.1.5,

h
E E(X|D) = E
"
X
x
x P (X = x|D) =
=
X
x
x E P (X = x|D) =
X
x
x P (X = x) = EX.
Com o Teorema 5.1.12 completamos o diagrama da Figura 5.2.

P ()
/ E()
?

P (AD)

P (A|D)= P (D)

P

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

/

P (|D)
E(|D)

EX=E[E(X|D)]

P

P (A|D)= i P (A|Di )1Di

P

E(X|D)= i E(X|Di )1Di

/ E(|D)
P (|D)
P
F
P (A)=E[P (A|D)]
EX=
E(X|D)=
xP (X=x)
x
xP (X=x|D)
Figura 5.2: Relao entre probabilidade, esperana, probabilidade condicional

dado um evento, esperana condicional dado um evento, probabilidade condicional dada uma partio, e esperana condicional dada uma partio.
Exemplo 5.1.13. Lanamento do dado no Exemplo 5.1.10. Temos

h
i
7
EX = E E(X|D) = EZ = .
2
5.1. ESPERANA CONDICIONAL DADA UMA PARTIO

Exemplo: jogar um
dado e depois jogar
a quantidade de
moedas
correspondentes ao
nmero do dado
73
Se Y uma varivel aleatria discreta, denotamos

E(X|Y ) = E(X|DY ).
Exerccio 5.1.14. Se X e Y so independentes ento E(X|Y ) = EX constante.
h
Observao 5.1.15. Caso particular do teorema anterior: EX = E E(X|Y ) .

Dizemos que D2 mais fina que D1 , denotado por D2 < D1 , se todo elemento de D1
igual unio de elementos de D2 , isto , se para todo D D1 existe C D2 tal
que D = C. Isso significa que D2 tem mais informao do que D1 .
Exemplo 5.1.16. Seja D2 = {D1 , D2 , D3 , D4 } uma partio de , e sejam D5 =
D1 D3 , D6 = D2 e D7 = D4 . Se definimos D1 = {D5 , D6 , D7 }, temos D2 < D1 .
Exemplo 5.1.17. Para qualquer partio D vale D < D < {}.
Dizemos que X D-mensurvel se D < DX , isto , se X constante nos tomos
de D, ou seja, se a informao sobre D determina o valor de X.
Observao 5.1.18. X sempre DX -mensurvel. Se Y = g(X) para alguma
g : R R, ento Y DX -mensurvel.
Definimos DX1 ,X2 ,...,Xd como sendo a partio gerada pelo vetor (X1 , X2 , . . . , Xd ),
ou seja, a partio cujos tomos so os maiores conjuntos onde todas as Xj so
constantes. Mais formalmente, se {x1 , . . . , xk } so os valores assumidos pelo vetor
aleatrio X, definimos Di = [X = xi ] e D = {D1 , . . . , Dk }.
Exerccio 5.1.19. Mostre que DX1 ,X2 < DX1 .
De forma anloga a E(X|Y ), definimos

E(X|Y1 , . . . , Yn ) = E X DY1 ,...,Yn .
Proposio 5.1.20. Se X D-mensurvel, ento
E(XY |D) = XE(Y |D).

Em particular, E(X|D) = X. Ademais, E(X|X) = X.
Demonstrao. Feita em aula, seguindo [Shi96, p. 80].
Observao 5.1.21. E(X|D) sempre D-mensurvel.
Proposio 5.1.22. 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 ).
74
Demonstrao. Feita em aula, seguindo [Shi96, p. 81].
Exemplo 5.1.23. Dada uma funo g, vale

E [g(Y )E (X|Y )] = E [Xg(Y )] .
Com efeito, como Z = g(Y ) DY -mensurvel, temos
h
E Xg(Y )Y = g(Y )E(X|Y ).
Tomando a esperana dos dois lados, obtemos a equao anterior.

Sumrio da seo
5.2
Distribuio Condicional Regular
Quando Y uma varivel aleatria discreta assumindo valores y1 , y2 , . . . , essa

varivel aleatria induz uma partio DY de (, F), e temos as seguintes relaes:
P (X B) =
X
y
E(X) =
P (X B|Y = y)P (Y = y) = E P (X B|Y )
E(X|Y = y)P (Y = y) = E E(X|Y ) .
No caso de variveis aleatrias Y que no sejam discretas, temos que dar sentido
a expresses como P (X B|Y = y) e E(X|Y = y), mesmo que P (Y = y) seja zero,
para poder dizer que relaes anlogas continuam valendo.
Definio 5.2.1 (Distribuio Condicional Regular). Sejam X e Y variveis

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

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

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

importante tomar o limite primeiro em e depois em . Quando s = ,
definimos a funo de distribuio condicional acumulada
FX (t|Y = y) = P (X 6 t|Y = y).
Teorema 5.2.2. Para quase todo y R, isto , para todo y A onde A um

conjunto tal que P (Y A) = 1, o duplo limite acima existe para todo s < t e
determina uma probabilidade em R.
5.2. DISTRIBUIO CONDICIONAL REGULAR
75
Demonstrao. Omitida. Envolve Teoria da Medida.
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 5.2.1. continuao veremos alguns desses princpios.
Caso de Y discreta
Se Y varivel aleatria discreta, a distribuio condicional de X dado Y = y
dada por
P (X B, Y = y)
P (X B|Y = y) =
P (Y = y)
para todo y tal que P (Y = y) > 0.
Caso de X e Y independentes
Se X e Y so independentes, o condicionamento em Y = y no afeta em nada a
varivel X. Neste caso temos
P (X B|Y = y) = P (X B).
Caso de X e Y possurem densidade conjunta

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

Neste caso a funo de distribuio condicional de X dado que Y = y dada por
FX (t|Y = y) =
fX (x|Y = y) dx.
Exemplo 5.2.3. Sejam X e Y com densidade conjunta
6xy(2 x y),
fX,Y (x, y) =
0,
0 < x < 1, 0 < y < 1,

caso contrrio.
76
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) =
=
fY (y)
0,
, 0<x<1
caso contrrio.
Para y fora desse intervalo fX (|Y = y) irrelevante, pois P (Y 6 [0, 1]) = 0.

Exemplo 5.2.4. Sejam X e Y com densidade conjunta
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

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

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

=
fX (x | Y = y) =
fY (y)
0,
x 6 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 (x|Y = y) =
P (X = x)fY (y|X = x)
fY (y)
para todo y tal que fY (y) > 0.

Neste caso a funo de distribuio condicional de X dado Y = y
FX (t|Y = y) =
pX (x|Y = y).
x6t
Princpio da preservao das chances relativas
5.3. ESPERANA CONDICIONAL REGULAR
77
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 5.2.5. X N (0, 1) e Y = X 2 . Qual a distribuio condicional de X
dado que Y = y?
Como P (Y > 0) = 1, basta considerar valores y > 0. Sabendo que Y = y temos
duas alternativas: X = y ou X = y. Como fX (y) = fX (y), esses dois valores

continuam
tendo a mesma
condicionamos
a Y = y. Temos ento

chancequando

1
P X = y Y = y = P X = y Y = y = 2 , y > 0.
Exemplo 5.2.6. Seja X U [0, 2] e Y U [1, 1] independentes. Vamos encontrar

FX (x|X + Y = z).
Seja Z = X + Y . A densidade conjunta de X e Y dada por fXY (x, y) =
1
1
(x, y), e a marginal de X dada por fX (x) = 12 1[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 e devem continuar equiprovveis
dentro do conjunto da restrio. Assim, para z > 1 devemos ter X U [z 1, 2] e
para z < 1 devemos ter X U [0, z + 1], ou seja
fX (X|Z = z) =
1
1
(x),
3z [z1,2]
1 1
(x),
z+1 [0,z+1]
1 < z < 3,
1 < z < 1.
Princpio da substituio
O princpio da substituio permite substituir Y por y sempre que se
condiciona a Y = y. Se W = g(X, Y ), ento
h
P (W B|Y = y) = P (g(X, y) B|Y = y) = P X {x : g(x, y) B} Y = y .
5.3
Esperana Condicional Regular
Dada X integrvel, definimos E(X|Y = y) como a esperana de X com respeito

sua distribuio condicional regular dado que Y = y.
Exemplo: com X e
Y como no
Exemplo 5.2.4, e
Z = X/Y ,
determinar a
distribuio de Z
dado que Y = y.
78
Teorema 5.3.1. Sejam X e Y variveis aleatrias definidas em (, F, P ) com X

integrvel. Ento existe algum A B tal que P (Y A) = 1 e E(X|Y = y) finita
para todo y A.
Tomando g : R R como sendo a funo tal que E(X|Y = y) = g(y),

definimos a varivel aleatria E(X|Y ) por E(X|Y ) = g(Y ), isto , E(X|Y )() =
g(Y ()).
Exemplo 5.3.2. Se X U [0, 2] e Y = max{X, 1}. Temos que Y assume valores
em [1, 2]. Tomando y em (1, 2], temos que [Y = y] = [X = y] e, pelo Princpio da
Substituio, E[X|Y = y] = y. Tomando y = 1, temos que [Y = 1] = [X 6 1].
Assim,
x/2
= x,
1/2
P (X 6 x, X 6 1)
= 0,
FX (x|Y = 1) = FX (x|X 6 1) =
P (X 6 1)
1,
Logo, fX (x|Y = 1) =
d
F (x|Y
dx X
0 6 x 6 1,
x < 0,
x > 1.
= 1) = 1[0,1] (x) e
E(X|Y = 1) =
1
xfX (x|Y = 1)dx = .
2
Portanto, E(X|Y = y) = y se y (1, 2] e E(X|Y = y) =
1
2
se y = 1. Substituindo,
1,
Y = 1,
E(X|Y ) = 2
Y, 1 < Y 6 2.
Teorema 5.3.3. Se X integrvel ento
h
EX = E E(X|Y ) .
Exemplo 5.3.4. No Exemplo 5.3.2, temos que Y mista com funes de densidade
e probabilidade dadas por
pY (y) = 21 1{1} (y),
fY (y) = 12 1[1,2] (y)
e portanto
h
EX = E E(X|Y ) = E[g(y)] =
1
2
12 +
1
2
y dy = 1.
5.3. ESPERANA CONDICIONAL REGULAR
79
Teorema 5.3.5 (Propriedades da Esperana Condicional).

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

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

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

E XZ Y = Z.E X Y
quase certamente.
Exemplo 5.3.6. O Jogador I lana uma moeda honesta n vezes, obtendo k caras,
onde 0 6 K 6 n. Depois o Jogador II lana a moeda k vezes, obtendo j coroas.
Seja X o nmero j de coroas obtidas pelo Jogador II. Queremos calcular EX.
(Poderamos fazer algum esforo neste caso nem sempre isso possvel para
mostrar que X b(n, 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, 12 ), logo E(X|Y = k) = k2 . Assim, E(X|Y ) = Y2 . Calculamos ento

1
Y
1n
n
= EY =
EX = E [E(X|Y )] = E
= ,
2
2
22
4
uma vez que Y b(n, 21 ).
Exemplo 5.3.7. No Exemplo 5.2.3, 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
i
E[X] = E E(X|Y ) =
15
8
7
5 4y
(4y 3y 2 )dy =
= .
8 6y
12 12
12
80

i
Exemplo 5.3.8. No Exemplo 5.2.4, vamos calcular E eX/2 Y e E eX/2 Y = 1 .

Substituindo a densidade condicional obtida, temos
h
Se y 6
1
2
E e 2 Y = y =
X
a integral vale +. Se y >
e 2 yexy dx = y
1
2
+,
i
X/2
E e Y = y
1,
e( 2 y)x dx.
y
.
y 12
la integral vale
e E eX/2 Y = 1 = 12 .
Assim,
Y 6 12 ,
y > 21 ,
y 2
Exemplo 5.3.9. Seja X U [0, 1]. Se X = x, ento uma moeda com probabilidade x de sair cara lanada n vezes independentemente. Seja Y a varivel aleatria
que representa o nmero de caras obtidas.
Temos que Y |X = x b(n, x) e X U (0, 1) Se y 0, 1, . . . , n ento:
P (Y = y) =
P (Y = y | X = x)fX (x)dx =
Portanto
E[Y ] =
n
X
yP (Y = y) =
y=0
=
=
xn
n

X
n1
y=0
1
y1
n Z
X
y=0 0

n
y

n
y
xy (1 x)ny dx.
xy (1 x)ny dx
xy1 (1 x)ny dx
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

h
E E(Y |X) = E[nX] =
n
.
2
Exerccio 5.3.10. Sejam X e Y variveis aleatrias independentes tais que X

U [0, 2] e Y U [1, 1].
(a) Calcule E [X|X + Y 6 2].
(b) Calcule E [X|X + Y ].

(c) Calcule E [X|X + Y = 2].
Exerccio 5.3.11. Seja X1 , X2 , . . . .uma seqncia de variveis aleatrias independentes e identicamente distribudas e seja N uma varivel aleatria inteira e nonegativa independente da seqncia X1 , X2 , . . . . Seja Y =
E [Y ] = E [N ] E [X] .
N
P
i=1
Xi . Mostre que
5.4. EXERCCIOS
81
Exerccio 5.3.12. Sejam Y1 , Y2 , . . . , Yn variveis aleatrias no-negativas i.i.d. Mostre que

k
y, k = 1, 2, . . . , n.
n
Exerccio 5.3.13. Um nmero no-negativo X escolhido com densidade fX (x) =
xex para x > 0. Se X = x, um nmero Y escolhido no intervalo [0, x]. Ache
P (X + Y 6 2).
E [Y1 + Y2 + + Yk |Y1 + Y2 + + Yn = y] =
5.4
Exerccios
Exerccio 5.4.1. Considere X e Y i.i.d. Bernoulli(p). Calcule E(X + Y |Y ) e

escreva essa varivel aleatria como uma funo da varivel aleatria Y , de duas
formas diferentes:
(a) usando P (X +Y = k|Y ) e aplicando a definio de esperana condicional dada
uma partio.
(b) usando a linearidade da esperana condicional, a independncia entre X e Y
e o fato de que Y DY -mensurvel.
Exerccio 5.4.2. Sejam X e Y variveis aleatrias simples e i.i.d. Mostre que
X +Y
.
2
Exerccio 5.4.3. Seja X uma varivel aleatria simples definida em (, F, P ) e D
uma partio de (, F). A varincia condicionada a uma partio definida de
forma anloga varincia de uma varivel aleatria:
E(X|X + Y ) = E(Y |X + Y ) =
Mostre que
e que
V (X|D) = E [X E (X|D)]2 D .

V (X|D) = E X 2 D [E (X|D)]2
V X = E[V (X|D)] + V [E(X|D)].
Exerccio 5.4.4. Sejam X e Y variveis aleatrias simples definidas em (, F, P )

e D uma partio. Mostre que
E [ X E (Y |D) ] = E [ Y E (X|D) ] .
Exerccio 5.4.5. Sejam X e Y variveis aleatrias simples definidas em (, F, P )
e D uma partio. Se

E Y 2 D = X 2
e E(Y |D) = X,
mostre que P (X = Y ) = 1. Dica: desenvolva E [(X Y )2 ].
82
Exerccio 5.4.6. Joga-se um dado, depois uma moeda, depois o dado novamente
e segue-se alternando entre o dado e a moeda. Quando se obtm cara na moeda,
o jogo imediatamente interrompido e conta-se o total Z de pontos obtidos nos
lanamentos do dado. Calcule EZ.
Exerccio 5.4.7. Seja X exp() e Y = min{X, c}, onde c > 0 uma constante.
Encontre E(X|Y ).
Exerccio 5.4.8. [Jam04, Captulo 4]. Recomendados: 1, 9, 15, 16b, 32, 40.
Captulo 6
Convergncia de Variveis
Aleatrias
Considere 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: como se comporta Xn quando n
suficientemente grande?
Tratando-se de variveis aleatrias, o conceito de convergncia uma generalizao do conceito de convergncia para nmeros reais. Entretanto, existem vrias
formas de se fazer essa generalizao, e cada forma a mais natural em determinado
contexto. No caso de variveis aleatrias degeneradas, todas as definies so
equivalentes convergncia de nmeros reais.
6.1
Lema de Borel-Cantelli
Comeamos definindo o lim inf e o lim sup de uma seqncia de eventos.
Definio 6.1.1 (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
83
84
CAPTULO 6. CONVERGNCIA DE VARIVEIS ALEATRIAS

importante entender as seguintes interpretaes:
lim sup An o conjunto dos s tais que pertence a infinitos An s.
O evento lim sup An significa An acontece infinitas vezes.
lim inf An o conjunto dos s tais que pertence a todos os An s exceto uma
quantidade finita deles.
O evento lim inf An significa An acontece para todo n grande.
Alm disso, vale que
lim inf An lim sup An

e
lim inf(Acn ) = (lim sup An )c .
(1/n, 1],
n mpar,
Exemplo 6.1.2. Exemplo: = R, An =
(1, 1/n], n par.
Temos
lim sup An =
[
\
Ak =
lim inf An =
\
[
(1, 1] = (1, 1]
n=1
n=1 k=n
Ak =
n=1 k=n
n=1
{0} = {0}.
Exerccio 6.1.3. 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 6.1.4. Considere o espao de probabilidade (R2 , B2 , P ), no qual P uma
probabilidade arbitrria. Se An = {(x, y) R2 : 0 6 x 6 n, 0 6 y 6 n1 }, encontre
lim sup An e lim inf An .
Exerccio 6.1.5. Considere a seqncia de intervalos
(0, 2 +
1
), n par
n
An =
(0, 2 n1 ), n mpar.
Encontre o lim inf An e o lim sup An .
6.2. CONVERGNCIA DE VARIVEIS ALEATRIAS
85
Teorema 6.1.6 (Lema de Borel-Cantelli). Seja (, F, P ) um espao de probabilidade e (An ) uma seqncia de eventos aleatrios. Ento:
1. Se
2. Se
P (An ) < ento
P (An ) = e os eventos An so independentes, ento
n=1
n=1
P (An infinitas vezes) = 0.
P (An infinitas vezes) = 1.
Demonstrao. Feita em aula, seguindo [Jam04, p. 201].
Exemplo 6.1.7. Considere uma seqncia de infinitos sorteios independentes e

uniformes de um nmero (Xn )nN entre 0 e 1. Ento
1. P (Xn [0, 1/n] para infinitos ns) = 1.
2. P (Xn [0, 1/n2 ] para infinitos ns) = 0.
Podemos afirmar que vale a recproca do Lema de Borel-Cantelli, ou seja, que
P
P (An i.v.) = 0 implica n P (An ) < , quando os (An ) so independentes. Caso
P
contrrio, podemos ter P (An i.v.) = 0 sem que necessariamente n P (An ) < .
Neste caso podemos afirmar pelo menos que P (An ) 0.
Proposio 6.1.8. Se P (An infinitas vezes) = 0 ento P (An ) 0.
Demonstrao. Tomando Bk = n>k An , temos que Bk [An i.v.] quando k .
Como Bk Ak , vale P (Ak ) 6 P (Bk ) P (An i.v.) = 0.

Observao 6.1.9 (Lei 0-1 para Infinitos Eventos Independentes). Uma conseqncia imediata do Lema de Borel-Cantelli a seguinte. Se (An )nN uma seqncia
de eventos independentes, ento P (An infinitas vezes) = 0 ou 1.
6.2
Convergncia de Variveis Aleatrias
Sejam X e (Xn )nN variveis aleatrias definidas num mesmo espao de probabilidade (, F, P ).
86
Definio 6.2.1 (Convergncia em Probabilidade). Dizemos que Xn converge

P
em probabilidade para X, denotado por Xn X, se para todo > 0

P |Xn X| > 0 quando n .

Exemplo 6.2.2. Sejam X1 , X2 , . . . variveis aleatrias independentes, tais que
Xn Bernoulli( n1 ). Temos para < 1 que

P |Xn 0| > = P (Xn = 1) =
1
0,
n
e portanto Xn 0.
Exemplo 6.2.3. Sejam X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas com distribuio exp(1) e tome
Yn =
Ento
e portanto
Xn
.
log n

Xn

>
= P (Xn > log n) = n 0,
0
P log
n
Xn P
log n
0.
Definio 6.2.4 (Convergncia Quase Certa). Dizemos que Xn converge quase

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

P Xn X quando n = 1,
ou seja, o evento A0 = { : Xn () X()} de probabilidade 1.
Observao 6.2.5. A convergncia quase certa uma convergncia pontual num
conjunto de medida 1, ou seja, Xn () X() para quase todo , exceto aqueles
dentro de um conjunto de medida nula. Por outro lado convergncia em probabilidade no diz respeito convergncia pontual, ela apenas afirma que para valores
grandes de n as variveis Xn e X so aproximadamente iguais com probabilidade
muito alta.
Exemplo 6.2.6. Seja = [0, 1]. Um ponto selecionado aleatoriamente do
intervalo [0, 1], e seja a seqncia de variveis aleatrias dada por
Xn () = + n .
87
q.c.
Provar
Ento 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 6.2.7. Xn X se, e somente se,

P |Xn X| > infinitas vezes = 0 > 0.

Demonstrao. A proposio segue da seguinte cadeia de equivalncias:
P (Xn X) = 1
P ( > 0, |Xn X| < eventualmente) = 1
P ( > 0 tal que |Xn X| > i.v.) = 1

P k N tal que |Xn X| >

P k N tal que |Xn X| >

k N, P |Xn X| >
1
k
1
k
i.v. = 1
1
k
i.v. = 0
i.v. = 0
> 0, P (|Xn X| > i.v.) = 0.

As equivalncias acima so: definio de convergncia; negao de um evento ocorrer
eventualmente; substituio de epsilon por k1 , que possvel porque a condio
montona em ; evento complementar; sub-aditividade da probabilidade; nova
substituio de k1 por .

q.c.
Corolrio 6.2.8 (q.c. P ). Se Xn X ento Xn X.

Demonstrao. Para qualquer > 0, pela Proposio 6.2.7 temos que
P (|Xn X| > i.v.) = 0,
P
e pela Proposio 6.1.8 segue que P (|Xn X| > ) 0, ou seja, Xn X.
Exerccio 6.2.9. Sejam (Xn )n variveis aleatrias tais que
n=1
para qualquer > 0. Mostre que
P |Xn | > <

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

Contra-Exemplo 6.2.10. No Exemplo 6.2.2, temos pelo Lema de Borel-Cantelli
que
P (Xn = 1 infinitas vezes) = 1,
q.c.
portanto P (Xn 0) = 0 e no vale Xn 0.
88
Xn
Contra-Exemplo 6.2.11. No Exemplo 6.2.3, temos que P ( log
> infinitas vezes) =
n
1 para 6 1 e 0 para > 1. Portanto no vale que
Xn q.c.
log n
0.
Definio 6.2.12 (Convergncia em Lp ). Dizemos que Xn converge para X

Lp
em Lp , que denotamos por Xn X, se

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

Lp
Proposio 6.2.13 (Lp P ). Se Xn X para algum p > 1 ento Xn X.

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

Lp+s
Proposio 6.2.14 (Lp+s Lp ). Sejam p > 1 e s > 0. Se Xn X ento

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

p 1
E Xn X
q 1
6 E Xn X
0.
Contra-Exemplo 6.2.15. Suponha que P (Xn = n3 ) =

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

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

convergncia em Lp para nenhum p > 1.
Contra-Exemplo 6.2.16. No Exemplo 6.2.2, temos
E|X 0|p = EX p = P (X = 1) =
Lp
1
0,
n
q.c.
portanto Xn 0 para todo p e Xn 0. No entanto, no vale Xn 0.

Definio 6.2.17 (Convergncia em Distribuio). Dizemos que Xn converge
d
em distribuio para X, que denotamos por Xn X, se, para todo ponto t em
que FX contnua, vale
lim FXn (t) = FX (t).
n
89
Observao 6.2.18. Para convergncia em distribuio no necessrio que as

variveis aleatrias estejam definidas no mesmo espao de probabilidade, pois essa
noo de convergncia leva em conta apenas a sua distribuio.
Proposio 6.2.19 (Unicidade do Limite em Distribuio). O limite em distribuid
d
o nico, isto , se Xn X e Xn Y ento X Y .
Ideia da prova. Feita em aula.

d
Exemplo 6.2.20. Seja Xn = n1 para n > 1 e X = 0. Ento Xn X, embora

limn Fn (0) = 0 6= 1 = F (0). Mas como 0 no ponto de continuidade de F , isto
no problema.
Exerccio 6.2.21. Seja (Xn )n uma seqncia de variveis aleatrias independentes
com distribuio uniforme em (0, b), b > 0. Defina Yn = max(X1 , X2 , . . . , Xn ) e
d
Y = b. Ento verifique que Yn Y .
P
Proposio 6.2.22 (P d). Se Xn X ento Xn X.

q.c.
Exerccio 6.2.23. Mostre que, se Xn Y e Xn Z, ento Y Z.

A convergncia em probabilidade implica a convergncia em distribuio, mas
no faz sentido pensar na recproca: para a convergncia em distribuio no
necessrio sequer que as variveis aleatrias estejam definidas no mesmo espao
de probabilidade. Ademais, como vimos nos exemplos acima, no h relao de
implicao entre convergncia quase certa e convergncia em Lp , e ambas implicam
convergncia em probabilidade. Entretanto, sob condies particulares, podemos
garantir mais implicaes entre as diferentes definies de convergncia.
d
Proposio 6.2.24. Se Xn c para c R constante, ento Xn c.


P
Proposio 6.2.25 (Convergncia por Subseqncias). Se Xn X ento existe

q.c.
uma subseqncia nk tal que Xnk X.
Demonstrao. Como P (|Xn X| > ) 0 para todo > 0, podemos tomar
n1 > 0 tal que P (|Xn1 X| > 1) < 21 . Novamente, podemos tomar n2 > n1 tal
que P (|Xn2 X| > 12 ) < 14 . Sucessivamente, podemos tomar nk > nk1 tal que
P (|Xnk X| > k1 ) < 21k .
q.c.
Vamos ver que essa seqncia nk satisfaz Xnk X. Seja > 0. Temos que
P (|Xnk X| > ) 6 P (|Xnk X| > k1 ) para todo k > 1 . Por outro lado temos que
P
P
1
k P (|Xnk X| > k ) < , logo
k P (|Xnk X| > ) < . Pelo Exerccio 6.2.9
q.c.
q.c.
temos que Xnk X 0, ou seja, Xnk X.
90

P
Corolrio 6.2.26 (Unicidade do Limite em Probabilidade). Se Xn X e Xn Y

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

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

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

P
Proposio 6.2.27 (Caso Dominado). Seja p > 1. Se Xn X e existe Y tal que

Lp
EY p < e |Xn | 6 Y para todo n, ento Xn X.
Completamos assim o diagrama de implicaes da Figura 6.1.

q.c.Y
constante
subseqncia
caso dominado
Lp+s

P
AI
+3 d
+3 Lp
Figura 6.1: Diagrama de implicaes entre os tipos de convergncia.
6.3
Exerccios
Exerccio 6.3.1. Sejam (Xn )nN variveis aleatrias independentes,

distribudas

P
3
X
<
= 1.
respectivamente como exp(n ), onde n = n . Prove que P
n
n=1
Exerccio 6.3.2. [Jam04, Captulo 5]. Recomendados: 5, 6, 7, 9, 10.
Exerccio 6.3.3. Seja (An )n uma seqncia de eventos em (1An )n a seqncia

de variveis aleatrias indicadoras das ocorrncias dos eventos correspondentes.
P
Encontre uma condio sobre as probabilidades P (An ) para que 1An 0.
6.3. EXERCCIOS
91
Exerccio 6.3.4. 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
n,
Xn () =
0,
d
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.
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 6.3.6. Sejam Xn , n N, variveis aleatrias independentes tais que
Xn Bernoulli(pn ). Estude as condies sobre (pn ) para que:
P
1. Xn 0.
q.c.
2. Xn 0.
Exerccio 6.3.7. Seja (Xn )n uma seqncia i.i.d. Mostre que

Xn q.c.
0
n
se e somente se E|X1 | < .
Exerccio 6.3.8. Seja (Xn )n uma seqncia i.i.d. Mostre que

X q.c.
n 0
n
se e somente se E|X1 |2 < .
Exerccio 6.3.9. Seja (Xn )n uma seqncia i.i.d. com distribuio exp(1). Mostre
que
P (Xn > 2 log n i.v.) = 0.
Exerccio 6.3.10. 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 6.3.11. Seja (Xn )n uma seqncia i.i.d. de variveis aleatrias nonegativas com EX12 < . Mostre que
P
X
Xn
n=1
n2
< =1
Exerccio 6.3.12. [Jam04, Captulo 6]. Recomendados: 15, 19.
92
Captulo 7
Funes Geradoras
A funo geradora de momentos e a funo caracterstica esto entre os exemplos
mais importantes de transformadas. A ideia geral de transformada mapear certos
objetos em objetos de outro tipo e outras propriedades, onde determinadas anlises
so possivelmente mais fceis. Isso ficar claro nos exemplos e aplicaes. A funo
geradora de momentos a instncia da Transformada de Laplace de uma distribuio
em R, e a funo caracterstica a Transformada de Fourier.
7.1
Funo Geradora de Momentos
Definio 7.1.1. Seja X uma varivel aleatria. Define-se a funo geradora

de momentos MX (t) de X, como
MX (t) = E[etX ],
desde que a esperana seja finita para todo t em algum intervalo [b, b]. Caso
contrrio dizemos que X no possui funo geradora de momentos.
Assim,
X
etx P (X = x),
MX (t) = Zx
etx fX (x) dx,

R
se X discreta,
se X contnua.
Exemplo 7.1.2 (Bernoulli). Se X Bernoulli(p), ento

MX (t) = pet + 1 p = 1 + p(et 1).
93
94
CAPTULO 7. FUNES GERADORAS
Exemplo 7.1.3 (Binomial). Se X b(n, p), ento

MX (t) =
n
X
etk
k=0
t

n
k
pk (1 p)nk =
n
n
X
n
k
k=0
t
(et p)k (1 p)nk
= [e p + (1 p)] = [1 + p(e 1)]n

Exemplo 7.1.4 (Geomtrica). Se X Geom(p), ento
MX (t) =
n=1
etn p(1 p)n1 = et p
m=0
[(et )(1 p)]m
pet
p
=
,
=
1 (1 p)et
et + p 1
1
.
para t < log 1p
Proposio 7.1.5. Mostre que, se X tem funo geradora de momentos MX (t) e

Y = aX + b, ento MY (t) = ebt MX (at).

MX (t) =
n=0
tn e
n!
=e
X
(et )n
n=0
n!
= e ee = e(e 1) .
Proposio 7.1.7. Se X tem funo geradora de momentos MX (t), ento

dk

M
(t)

= EX k .
X

dtk
t=0
Demonstrao. Para lembrar da frmula interessante entender a ideia da prova:

"

dk
dk tX
dk

tX
= EX k .
=
=
E

M
(t)
E[e
]
e
X
k
k

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

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

Exemplo 7.1.8 (Bernoulli). Se X Bernoulli(p), ento
EX = MX (0) = p,
EX 2 = MX (0) = p,
V X = EX 2 (EX)2 = p(1 p).
7.1. FUNO GERADORA DE MOMENTOS
95
Exemplo 7.1.9 (Binomial). Se X b(n, p), ento

EX = MX (0) = np,
EX 2 = MX (0) = np(1 p) n2 p2 ,
V X = EX 2 (EX)2 = np(1 p).

1
EX = MX (0) = ,
p
2
1
EX 2 = MX (0) = 2 ,
p
p
V X = EX 2 (EX)2 =
1p
.
p2

EX = MX (0) = ,
EX 2 = MX (0) = 2 + ,
V X = EX 2 (EX)2 = .
Proposio 7.1.12 (Unicidade). A funo geradora de momentos define de
forma unvoca a distribuio da varivel aleatria, ou seja, se MX = MY em
algum intervalo [b, b] ento FX = FY .
Exemplo 7.1.13. Se X uma varivel aleatria no-constante assumindo valores

em {0, 1, 2, 3, . . . } e EX < , chamamos de amostragem por tamanho de X
1
distribuio dada por pY (n) = EX
n pX (n). Vamos mostrar que Y X + 1 se e
somente se X Poisson() para algum > 0.
Demonstrao. Com efeito, observe que
MX+1 (t) = et MX (t)
e, tomando = EX,
X
npX (n)
1 X tn
MX (t)
etn
=
ne pX (n) =
X
n
etn pY (n) = MY (t).
96
Se MX+1 = MY vale
M (t)
e M (t) =
M (t)
= et ,
M (t)
t
integrando em t obtemos
log M (t) = et + c
e, como M (0) = 1, temos c = . Logo,
t
M (t) = e(e 1)
e portanto X Poisson().
Proposio 7.1.14 (Variveis Aleatrias Independentes). Se X e Y so independentes e possuem funo geradora de momentos, ento
MX+Y (t) = MX (t) MY (t)
para todo t onde ambas MX e MY estejam definidas.
Exemplo 7.1.15 (Soma de Poissons Independentes). Se X Poisson() e Y

Poisson() so independentes, ento
t
MX+Y (t) = MX (t) MY (t) = e(e 1) e(e 1) = e(+)(e 1) = MZ (t),

onde Z Poisson( + ). Portanto, X + Y Poisson( + ).
Exemplo 7.1.16 (Binomial). Se X b(n, p), ento X distribuda como a soma
de n variveis X1 , . . . , Xn independentes com distribuio Bernoulli(p). Portanto,
MX (t) = MX1 (t) MXn (t) = [1 + p(et 1)]n .
7.2
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;
7.2. FUNO CARACTERSTICA
97
no bastasse, ainda gera momentos. Entretanto, a funo caracterstica envolve a

manipulao de nmeros complexos.1
Definio 7.2.1. Uma varivel aleatria complexa Z uma funo Z : C tal
que Z = X +i Y , onde X e Y so variveis aleatrias reais. Se X e Y so integrveis,
dizemos que Z integrvel e definimos
EZ = EX + iEY.
A integrao de funes complexas em domnios reais pode ser feita, para todos
d
os fins prticos, como no caso real. Ou seja, se F : R C satisfaz dx
F (x) = f (x)
para x [a, b], ento
Z
f (x) dx = F (b) F (a).
Vamos utilizar a frmula de Euler

eiy = cos(y) + i sen(y),
|eiy | = 1,
e usaremos sem demonstrao os seguintes fatos:

ez =
X zn
n
n!
ez+w = ez ew ,
(eg ) = g eg ,
1+
zn
n
n
ez se zn z.
Proposio 7.2.2. Se Z e W so variveis aleatrias complexas integrveis, ento

Z + W integrvel com E[Z + W ] = EZ + EW , e para z C tem-se zW integrvel
com E[zW ] = zEW . Se, alm disso, Z e W so independentes, ento ZW
integrvel com E[ZW ] = EZ EW .
Proposio 7.2.3. |EZ| 6 E|Z|

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

Definio 7.2.4. A funo caracterstica de uma varivel aleatria X, denotada
por X , a funo X : R C definida como
X (t) = E[eitX ] = E cos(tX) + iE sen(tX),
t R.
O uso de funes caractersticas no requer conhecimentos de clculo em uma varivel

complexa. Isso porque as integrais so calculadas em dx para x R e no em dz para
caminhos C. As nicas situaes em que teramos que sair de R e usar argumentos tpicos de
R
variveis complexas, em particular f (z) dz = 0, seriam na obteno da funo caracterstica da
Normal e da distribuio de Cauchy.
98
Observao 7.2.5. Como |eitX | = 1, X (t) sempre est definida para todo t R.
Exemplo 7.2.6 (Uniforme). Se X U [a, b], ento
X (t) = E[eitX ] = E[cos(tX)] + iE[sen(tX)]
Z b
Z b
1
1
dx + i
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)
eitb eita
ieitb + ieita
=
.
=
t(b a)
it(b a)
Ou, mais rpido:
X (t) =
itx
"
1
1 1 itx b
eitb eita
e =
dx =
.
ba
b a it
it(b a)
a
Exemplo 7.2.7 (Poisson). Se X Poisson(), ento:

itX
X (t) = E[e
]=
itn e
n!
n=0
=e
X
(eit )n
n=0
n!
it
= e ee
it 1)
= e(e

X (t) =
n=1
eitn p(1 p)n1 = eit p
m=0
[(eit )(1 p)]m =
eit
p
.
+p1
Proposio 7.2.9. Para todo t R vale |X (t)| 6 1. Alm disso, (0) = 1.

Ademais, para a, b R, vale aX+b (t) = eitb X (at).
Proposio 7.2.10 (Independncia). Se X e Y so independentes, ento

X+Y (t) = X (t) Y (t)
para todo t R.
7.2. FUNO CARACTERSTICA
99
Proposio 7.2.11 (Clculo de Momentos). Se E|X k | < ento

dk

(t)
= ik EX k .
X

k
dt
t=0
Demonstrao. Idntico ao caso da funo geradora de momentos, com iX no lugar

de X.
Corolrio 7.2.12 (Expanso de Taylor). Se E|X k | < , ento

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

Exemplo 7.2.13 (Poisson). Calculando os momentos da Poisson:
EX = i X (0) = ,
EX 2 = X (0) = 2 + ,
V X = EX 2 (EX)2 = .
Proposio 7.2.14 (Unicidade). Se X (t) = Y (t) t R, ento X Y .

Demonstrao. O leitor interessado pode consultar [Jam04, pp. 226228].
Exemplo 7.2.15 (Soma de Poissons Independentes). Se X Poisson() e Y

Poisson() so independentes, ento
it 1)
X+Y (t) = X (t) Y (t) = e(e
it 1)
e(e
it 1)
= e(+)(e
onde Z Poisson( + ). Portanto, X + Y Poisson( + ).
= Z (t),
100
Convergncia em distribuio
O Teorema de Continuidade relaciona convergncia de funes caractersticas com
convergncia em distribuio, vista no Captulo 6.
Teorema 7.2.16 (Teorema da Continuidade de Lvy). Sejam X e (Xn )nN

variveis aleatrias. Ento
d
Xn X
se, e somente se,
Xn (t) X (t)
t R.
Exemplo 7.2.17 (Binomial Converge a Poisson). Seja > 0 e para n > 1

considere Xn b(n, n ). Ento
d
Xn Poisson().
Demonstrao. Analisando a funo caracterstica das Xn obtemos
it 1)
Xn (t) = [1 + n (eit 1)]n e(e
7.3
= X (t)
com X Poisson().
Exerccios
Exerccio 7.3.1. 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 7.3.2. Sejam X1 , X2 , X2 , . . . independentes,
Sn = X1 + X2 + + Xn
X1 + X2 + + Xn
Sn =
.
n
Mostre as seguintes propriedades:

1. Se X N (, 2 ), ento Z =
2. Assim, se X N (, 2 ), ento
N (0, 1).
1
MX (t) = et+ 2
2 t2
EX =
V X = 2.
Pn
3. Se Xi N (i , i2 ), ento Sn N (
i=1
i ,
Pn
i=1
i2 ).
7.3. EXERCCIOS
101
4. Se Xi N (, 2 ), ento Sn N (n, n 2 ).
2
5. Se Xi N (, 2 ), ento Sn N (, n ).
Exerccio 7.3.3. A distribuio dos comprimentos dos elos da corrente de bicicleta

normal, com mdia 2 cm e varincia 0, 01 cm2 . Para que uma corrente se ajuste
bicicleta, deve ter comprimento total entre 58 e 61 cm. Qual a probabilidade de
uma corrente com 30 elos no se ajustar bicicleta?
Exerccio 7.3.4. As duraes de gravidez tm distribuio normal com mdia de
268 dias e desvio-padro de 15 dias.
(a) Selecionada aleatoriamente uma mulher grvida, determine a probabilidade
de que a durao de sua gravidez seja inferior a 260 dias.
(b) Se 25 mulheres escolhidas aleatoriamente so submetidas a uma dieta especial
a partir do dia em que engravidam, determine a probabilidade de os prazos de
durao de suas gravidezes terem mdia inferior a 260 dias (admitindo-se que a
dieta no produza efeito).
(c) Se as 25 mulheres tm realmente mdia inferior a 260 dias, h razo de
preocupao para os mdicos de pr-natal? Justifique adequadamente.
Exerccio 7.3.5. O peso de uma determinada fruta uma varivel aleatria com
distribuio normal com mdia de 200 gramas e desvio-padro de 50 gramas.
Determine a probabilidade de um lote contendo 100 unidades dessa fruta pesar
mais que 21 kg.
Exerccio 7.3.6. Um elevador pode suportar uma carga de 10 pessoas ou um peso
total de 1750 libras. Assumindo que apenas homens tomam o elevador e que seus
pesos so normalmente distribudos com mdia 165 libras e desvio-padro de 10
libras, qual a probabilidade de que o peso limite seja excedido para um grupo de 10
homens escolhidos aleatoriamente?
Exerccio 7.3.7. Se X U [a, b], calcule MX (t).
momentos para calcular EX e V X.
Use a funo geradora de
Exerccio 7.3.8. 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 7.3.9. Se X exp(), calcule MX (t).
momentos para calcular EX e V X.
Use a funo geradora de
102
Exerccio 7.3.10. Seja Y uma varivel aleatria absolutamente 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 7.3.11. 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 7.3.12. Se X N (, 2 ), calcule X (t).
Recomendados: 1, 2, 3, 4, 7, 9, 13a, 14, 17, 18, 21, 29.
Captulo 8
Teoremas de Convergncia
Falar dos teoremas
de convergncia
8.1
Lei dos Grandes Nmeros
Sejam X1 , X2 , . . . variveis aleatrias integrveis em (, F, P ) e S1 , S2 , . . . suas

somas parciais dadas por
Sn = X1 + X2 + + Xn .
Definio 8.1.1 (Lei Fraca dos Grandes Nmeros). X1 , X2 , . . . satisfazem a Lei
Fraca dos Grandes Nmeros se, para todo > 0, vale

ou seja, se
Sn ESn
> 0, quando n ,
P

n
Sn ESn P
0.
n
Teorema 8.1.2 (Lei dos Grandes Nmeros de Bernoulli, 1713). 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
103
Na verdade a
seqncia (Xn )nN
que satisfaz a LGN
104
CAPTULO 8. TEOREMAS DE CONVERGNCIA
Demonstrao. Omitimos a demonstrao original de Bernoulli. A Lei dos Grandes

Nmeros de Tchebyshev mais geral.

Importncia
histrica do
teorema de
Bernoulli: noo
de probabilidade
freqentista, etc.
2013 o Ano
Internacional da
Estatstica em
comemorao dos
300 anos do
teorema de
Bernoulli
Teorema 8.1.3 (Lei dos Grandes Nmeros de Tchebyshev, 1867). Sejam

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

Pn

Sn ESn
V ( Snn )
V Xi
V Sn
nM

= 2 2 = i=12 2
6 2 2 0.
P
> 6
2
Teorema 8.1.4 (Lei dos Grandes Nmeros de Khintchine, 1929). Sejam

X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas e integrveis, com mdia . Ento X1 , X2 , . . . satisfazem a Lei Fraca dos Grandes
Nmeros:
Sn P
.
n
Demonstrao. Vamos utilizar o Teorema da Continuidade de Lvy para funes
caractersticas, visto no Captulo 7. A demonstrao original de Khintchine foi
feita usando o mtodo de truncamento, aparentemente introduzido por Markov, e
utilizado em seguida por Kolmogorov na prova da Lei Forte dos Grandes Nmeros.
Como as Xn so i.i.d., temos
h
Sn (t) = Sn ( nt ) = X1 ( nt ) Xn ( nt ) = X1
n
onde r1 () tal que
r1 (w)
w
Sn P
t
n
= 1+i

t
+ r1 nt
n
n
0 quando w 0. Segue que Sn (t) eit quando

n
n , para todo t R. Pelo Teorema 7.2.16,
o mesmo que
in
Sn
n
. Como constante, isso

Definio 8.1.5 (Lei Forte dos Grandes Nmeros). X1 , X2 , . . . satisfazem a Lei

Forte dos Grandes Nmeros se
P
lim
n
Sn ESn
= 0 = 1,
n
8.1. LEI DOS GRANDES NMEROS
105
ou seja, se
Sn ESn q.c.
0.
n
Teorema 8.1.6 (Lei dos Grandes Nmeros de Borel, 1909). 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 q.c.
p.
n
Demonstrao. Omitimos a demonstrao original de Borel. A Lei dos Grandes

Nmeros de Cantelli mais geral.

Nmeros normais,
diferena entre
convergncia em
probabilidade e
quase certa
Teorema 8.1.7 (Lei dos Grandes Nmeros de Cantelli, 1917). Sejam X1 , X2 , . . .

variveis aleatrias independentes e identicamente distribudas, com quarto
momento finito e mdia . Ento X1 , X2 , . . . satisfazem a Lei Forte dos Grandes
Nmeros:
Sn q.c.
.
n
n = Xn . Observe que
Demonstrao. Podemos supor que = 0, ou tomar X
Sn4 = (X1 + + Xn )4 =
+
X
4
3
Xi Xj Xk Xl =
i,j,k,l
Xi3 Xk +
i6=k
X
4 2
2
Xi4 +
X
4
2
Xi2 Xj Xk +
j<k
i6=j,k
Xi2 Xj2 +
i<j
X
4
1
3
1
2
1
Xi Xj Xk Xl .
i<j<k<l
Por independncia, temos que

ESn4 =
EXi4 +
X
k
X
4
E[Xi2 Xj2 ]+
i<j
X
4
3
Xi3
X
4
2
2
1
Xi2 Xj
X
4
1
3
1
2
1
Xi Xj Xl EXk .
Como assumimos que EXk = 0, a segunda linha igual a zero. Alm disso, como
106
as Xi tm a mesma distribuio, obtemos

4
2
ESn4 = nEX14 +
n
2
E(X12 X22 )
= nEX14 + 3(n2 n)E(X12 X22 )

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

Sn
ES 4
3EX 4
P > 6 4 n4 6 4 21 ,
n
n
n
e pelo Lema de Borel-Cantelli segue que
Sn q.c.
0.
Teorema 8.1.8 (Lei dos Grandes Nmeros de Kolmogorov, 1933). Sejam

X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas e integrveis, com EXn = . Ento X1 , X2 , . . . satisfazem a Lei Forte dos Grandes
Nmeros:
Sn q.c.
.
n
Incluir LGN de
Etemadi. Prova
segundo Durret.
2nd ed. pp. 56-58
8.2
Teorema Central do Limite
Como vimos acima, para uma seqncia i.i.d. de variveis aleatrias, a Lei dos
Grandes Nmeros diz que para n grande vale
Sn
.
n
A primeira questo natural sobre o comportamento de Sn sobre a flutuao de Snn
em torno de sua mdia . Tipicamente, essa diferena ocorre em qual escala? Nessa
escala, qual seu comportamento estatstico?
A resposta dada pelo Teorema Central do Limite, que diz que
Sn
+ N (0, 1).
n
n
8.2. TEOREMA CENTRAL DO LIMITE
107
Ou seja, a escala em que a mdia amostral Snn flutua em torno de seu valor esperado
1n , corrigido pelo desvio-padro = (X1 ) das variveis aleatrias envolvidas,
e seu comportamento nessa escala aleatrio e se aproxima de uma distribuio
normal-padro. Dito de outra forma, a distribuio da soma parcial Sn pode ser
aproximada por uma normal com mdia n e desvio-padro n:

Sn N (n, n 2 ).
A formulao matematicamente precisa do Teorema Central do Limite

Sn ESn d
N (0, 1).
V Sn
O exemplo mais simples dessa aproximao quando lanamos uma moeda
honesta n vezes e contamos o nmero Sn de caras. Neste caso Sn tem distribuio b(n, 21 ). Na Figura 8.1 vemos como essa distribuio, devidamente normalizada
se aproxima rapidamente da distribuio normal-padro.
n
Figura 8.1: Funo de probabilidade de Sn
para Sn com distribuies b(4, 12 )
n
e b(16, 12 ) para valores entre 3 e 3. A rea de cada retngulo dada pela funo
de probabilidade. O terceiro grfico a funo de densidade de uma normalpadro, assim como as linhas pontilhadas. O quarto grfico representa as frequncias
n
para Sn com distribuio b(16, 21 ), em um experimento real
relativas de Sn
n
com 200 amostras.
Teorema 8.2.1 (Teorema Central do Limite de De Moivre-Laplace, 1730,

1812). Seja (Xn )nN uma seqncia de variveis aleatrias independentes, com
distribuio Bernoulli(p), onde p = 1 q (0, 1), e tome Sn = X1 + + Xn .
Ento
Sn np d
N (0, 1).
npq
Ou seja,
Sn N (np, npq).
108
Demonstrao. Feita em aula, seguindo [CA03, p. 228]
Exerccio 8.2.2. Um par de dados honestos lanado 180 vezes por hora.
1. Qual a probabilidade aproximada de que 25 ou mais lanamentos tenham tido
soma 7 na primeira hora?
2. Qual a probabilidade aproximada de que entre 700 e 750 lanamentos tenham
tido soma 7 durante 24 horas?
Teorema 8.2.3 (Teorema Central do Limite para Variveis Aleatrias I.I.D.).

Seja (Xn )nN uma seqncia de variveis aleatrias i.i.d., com mdia e
varincia 2 , onde 0 < 2 < , e tome Sn = X1 + X2 + + Xn . Ento
Sn ESn d
N (0, 1),
V Sn
isto ,
Sn n d
N (0, 1).
n
Demonstrao. Utilizamos o Teorema da Continuidade de Lvy para funes caractersticas, visto no Captulo 7. Supomos sem perda de generalidade que = 0.
Como as Xn so i.i.d., temos
S
n
n
(t) = Sn (
onde r2 () tal que
r2 (w)
w2
) = X1
in

t2
= 1 + r2 t n
n
0 quando w 0. Segue que
n , para todo t R. Pelo Teorema 7.2.16,
8.3
"
Sn
n
N.
#n
,
2
S
n
n
(t) et quando
Exerccios
Observao 8.3.1. As questes sobre a Lei Forte dos Grandes Nmeros, por
tratarem de eventos que devem acontecer com probabilidade 1, em geral envolvem
o uso do Lema de Borel-Cantelli.
com funes de probabilidade pn dadas por pn (n2 ) = n13 = 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?
8.3. EXERCCIOS
109
Exerccio 8.3.4. [Jam04, Captulo 5]. Recomendados: 2, 3, 14.

Exerccio 8.3.5. 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
1,
caso o eleitor sorteado v votar no candidato A,

X=
0, 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 41 . Se entrevistamos

N = 2500 eleitores, calcule aproximadamente a probabilidade de essa pesquisa
cometer um erro |pbN p| maior que 0, 01.
Exerccio 8.3.6. A quantidade de uvas-passas encontradas em cada panetone de

uma determinada marca independente dos demais panetones e segue a distribuio
de Poisson com parmetro = 25 (ou seja, tm esperana igual varincia, igual
a ). Um grupo de estudantes de frias resolve estimar o valor de , uma vez
que o mesmo desconhecido para eles. Para isso, vo contar as uvas-passas de uma
amostra de N = 625 panetones e registrar o resultado de cada contagem X1 , . . . , XN .
b para o valor de que os estudantes vo adotar ser dada por
A estimativa
N
b =
X1 + + XN
.
N
b esteja entre
a) Qual o valor aproximado da probabilidade de que o valor
N
24, 8 e 25, 4?

b fosse menor que 0, 075 com probabilidade pelo menos

b) Para que o erro
N
igual a 86, 64%, qual deveria ser o nmero N de panetones examinados?
(Sugesto: resolve-se esse item como o anterior, porm de trs para frente.)
Exerccio 8.3.7. Use o Teorema Central do Limite para verificar que

n
lim 2 e
n
X
nk
k=0
k!
= 1.
Exerccio 8.3.8. 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 8.3.9. [Jam04, Captulo 7]. Recomendados: 2 e 9.
110
Notao
N
#A
Ac
P()

n
k
F (x)
F (x+)
XF
X U [0, 1]
XY
1A
1i6j
ab
ab
x6y
i.i.d.
Nmeros naturais
Cardinalidade de A
Complementar de A
Conjunto das partes
Combinaes de n, k a k
Limite lateral
Limite lateral
Distribuio de X
Distribuio de X
Tm a mesma distribuio
Funo indicadora
Indicador de i 6 j
Mximo
Mnimo
Desigualdade de vetores
Independentes e
identicamente distribudas
111
{1, 2, 3, 4, . . . }
\A
{A : A }
n!
k!(nk)!
limyx F (y)
limyx+ F (y)
1A () = 1 se A ou 0 caso contrrio
1i6j = 1 se i 6 j ou 0 caso contrrio
max{a, b}
min{a, b}
x1 6 y1 , . . . , xd 6 yd
112
NOTAO
Referncias Bibliogrficas
[CA03] K. L. Chung and F. AitSahlia, Elementary probability theory, Undergraduate Texts in Mathematics, Springer-Verlag, New York, 4 ed., 2003.
[Jam04] B. R. James, Probabilidade: Um Curso em Nvel Intermedirio, IMPA,
Rio de Janeiro, 3 ed., 2004.
[Roc09] N. Rocha, Apostila de Teoria das Probabilidades II, Rio de Janeiro, 2009.
http://www.lce.esalq.usp.br/arquivos/aulas/2011/LCE5806/apos_RJ_ProbabilidadeII.pdf.
[Shi96] A. N. Shiryaev, Probability, vol. 95 of Graduate Texts in Mathematics,
Springer-Verlag, New York, 2 ed., 1996.
113

Apostila

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apostila

Загружено:

Авторское право:

Доступные форматы

Introduo Probabilidade

c 20122013 Leonardo T. Rolla. Texto publicado sob a Licena Creative Commons

Distribuio Condicional Regular . . . . . . . . . . . . . . . . . . . . 74

6 Convergncia de Variveis Aleatrias

Um modelo probabilstico tem trs componentes bsicas:

CAPTULO 1. ESPAO DE PROBABILIDADE

Resultados equiprovveis No modelo mais simples, onde os resultados so

Espao discreto Outro exemplo um pouco menos simples quando o espao

Exemplo 1.1.3. Imagine uma seqncia de ensaios independentes que podem

P (B) = q(1 q)10 + q(1 q)11 + q(1 q)12 + =

A seguir veremos uma formulao mais precisa desses conceitos.

Espao amostral Um conjunto no-vazio , cujos elementos representam

1.1. ESPAO DE PROBABILIDADE

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

Observao 1.1.11. Quando um conjunto finito ou enumervel, em geral se

CAPTULO 1. ESPAO DE PROBABILIDADE

Espao de probabilidade Seja um espao amostral e F uma -lgebra para

Definio 1.1.12 (Espao de Probabilidade). Um espao de probabilidade um

2. F uma -lgebra de subconjuntos de ;

Teorema 1.1.13. Toda medida de probabilidade P satisfaz as seguintes propriedades:

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

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

1.2. PROBABILIDADE CONDICIONAL E INDEPENDNCIA

Probabilidade Condicional e Independncia

A probabilidade condicional uma nova medida de probabilidade, de forma a

Definio 1.2.1 (Probabilidade Condicional). Dados A, B F em um espao

Quando P (B) = 0, definimos P (A|B) = P (A).

Regra do produto A regra do produto permite expressar a probabilidade da

Teorema 1.2.4 (Regra do Produto). Dados A1 , A2 , . . . , An em (, F, P ), vale

CAPTULO 1. ESPAO DE PROBABILIDADE

Demonstrao. Vamos provar por induo em n. Para n = 1 vale trivialmente:

P (A1 A2 ) = P (A1 )P (A2 |A1 ).

P (A1 A2 A3 ) = P (A1 A2 )P (A3 |A1 A2 )

= P (A1 )P (A2 |A1 )P (A3 |A1 A2 ).

Suponhamos a igualdade vlida para n = m, temos

= P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (Am+1 |A1 Am ),

Exemplo 1.2.5 ([Jam04]). Selecionar 3 cartas de um baralho francs de 52 cartas,

Lei da probabilidade total Dizemos que B1 , B2 , B3 , F formam uma

1.2. PROBABILIDADE CONDICIONAL E INDEPENDNCIA

Demonstrao. Usando a regra do produto temos

A primeira igualdade vale pois A =

Exerccio 1.2.8. So dadas duas urnas, A e B. A urna A contm 1 bola azul e 1

Teorema 1.2.9 (Frmula de Bayes). Dado um espao de probabilidade

CAPTULO 1. ESPAO DE PROBABILIDADE

Definio 1.2.12 (Eventos Independentes). Os eventos aleatrios A e B so

Definio 1.2.14 (Eventos Independentes Dois a Dois). Os eventos aleatrios

Exemplo 1.2.15. Lanamento de um dado de 4 faces. Considere A =par,

Exerccio 1.3.1. Considere o experimento resultante do lanamento de dois dados

CAPTULO 1. ESPAO DE PROBABILIDADE

Exerccio 1.3.2. Seja (, F, P ) um espao de probabilidade. Considere uma

CAPTULO 1. ESPAO DE PROBABILIDADE

CAPTULO 2. VARIVEIS ALEATRIAS

Exemplo 2.1.3 (Varivel aleatria constante). Se X() = c para todo , ento

Portanto, X varivel aleatria.

Exemplo 2.1.4 (Funo indicadora). Dado A , definimos

Portanto, X varivel aleatria.

Contra-Exemplo 2.1.5. Sejam = {1, 2, 3, 4} e F = {, {1, 2}, {3, 4}, } e

Ou seja, o espao amostral o conjunto dos nmeros reais, os eventos aleatrios

Equivalentemente, B a menor -lgebra que contm todos os intervalos semi-infinitos, ou

2.1. VARIVEIS ALEATRIAS

Definio 2.1.6 (Funo de Distribuio). A funo de distribuio, ou funo

Exerccio 2.1.9. Seja um experimento que consiste em selecionar um ponto ao

Proposio 2.1.10 (Propriedades da Funo de Distribuio). Se X uma varivel

2. FX contnua direita, i.e., xn x FX (xn ) FX (x).