Академический Документы
Профессиональный Документы
Культура Документы
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.
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
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
2
1
#B
= = .
#
6
3
q (1 q)5 q
= 1 (1 q)5 .
1 (1 q)
q(1 q)10
= (1 q)10 .
1 (1 q)
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;
(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.
10
i=1
P (Ai ).
Ai 6
i=1
i=1
P (Ai ). (-subaditividade).
se A1 A2 A3 e n=1 = A.
Teorema 1.1.14 (Continuidade). Se An A ou An A, ento P (An ) P (A).
Demonstrao. Feita em aula.
1.2
11
P (A B)
.
P (B)
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).
Demonstrao. Feita em aula.
12
P (A2 A1 )
P (A1 )
Para n = 3, temos
P (A3 |A1 A2 ) =
e portanto
P (A1 A2 A3 )
P (A1 A2 )
P (A1 Am Am+1 )
P (A1 Am )
e portanto
P (A1 Am+1 ) = P (A1 Am ) P (Am+1 |A1 Am )
|
{z
usando a hiptese
4 3 2
1
=
.
52 51 50
5525
P (A) =
X
i=1
P (Bi )P (A|Bi ).
13
i=1 (A
Bi ) =
X
i=1
P (A Bi ) =
P (Bi )P (A|Bi ).
i=1
9
12 13
+
= .
25 26
20
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.
1.3. EXERCCIOS
15
1.3
Exerccios
Exemplo melhor:
jogar dois dados.
A =primeiro
par, B =segundo
par C =soma
par.
16
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
{ : X() 6 a} =
,
se a > c,
se a < c.
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,
se a < 0.
PX (B) = P { : X() B} ,
B B.
21
Funo de Distribuio
Transformar em
exemplo e incluir o
grfico.
Transformar em
exemplo e incluir o
grfico.
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
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 .
(c) P X < 52 X > 18
2.2
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
PX (B) =
xB
pX (x) B B.
23
p(x) > 0 x R,
p(x) = 1,
xR
1
,
k
i = 1, 2, . . . , k.
24
n = 1, 2, 3, 4, . . . .
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).
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, . . . .
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
FX (t) =
fX (s) ds.
26
f (x) > 0 x R,
f (x) dx = 1,
fX (x) =
d
FX (x),
dx
1,
x [0, 1]
fX (x) =
0, caso contrrio,
FX (t) =
0,
fX (x) dx = t,
1,
t 6 0,
0 6 t 6 1,
t > 1.
(b) FX (0) = 12 ;
(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.
Falar do quantil de
uma varivel
aleatria contnua
Dar exemplo
1
,
ba
fX (x) =
0,
x [a, b],
x 6 [a, b].
1 ex ,
FX (x) =
0,
onde
x1 ex
()
0,
() =
A exponencial
dada pelo limite de
geomtricas com
intervalos curtos
de tempo
Dar exemplo
x > 0,
x 6 0.
A uniforme
contnua dada
pelo limite de
uniformes discretas
x > 0,
x < 0,
x1 ex dx.
28
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
(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)
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.
tem
30
2.4
pX (x) +
xB
fX (x) dx.
2.5
t R.
0,
1,
FX (t) = 43
1,
t < 0,
0 6 t < 1,
1 6 t < 2,
t > 2.
2.6. EXERCCIOS
31
0,
t < 1,
FX (t|A) = 23 , 1 6 t < 2,
1,
t > 2.
x = 1,
pX (x|A) = 31 , x = 2,
0,
caso contrrio.
2.6
Exerccios
0,
x 6 0,
F (x) =
2
+ ex /2 , x > 0.
e3t + c et ,
f (t) =
0,
t > 0,
t 6 0,
32
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
33
34
PX (B) = P { : X() B} ,
B Bd .
P (X 6 t) =
0,
0,
,
2
1
1,
t1 < 0 ou t2 < 0,
t1 , t2 [0, 1),
pois [X 6 t] = ;
pois [X 6 t] = [X1 = 0, X2 = 0] = ;
pois [X 6 t] = [X1 = 1, X2 = 0];
35
t2
1/4
1
3/4
1/2
1
t1
e sucessivamente obtemos
h
d
jaj ,bj dad ,bd FX (x) = jaj ,bj j+1
aj+1 ,bj+1 ad ,bd FX
i
(x) =
Tomando j = 1 temos
1a1 ,b1 dad ,bd FX (x) = P (a1 < X1 6 b1 , . . . , ad < Xd 6 bd ).
36
1,
0,
i6=j
0,
1,
FX1 (t) = 43
1,
3.2
t < 0,
0 6 t < 1,
1 6 t < 2,
t > 2,
0,
t < 0,
1,
t > 1.
Explicar os tipos
de vetores
aleatrios
37
p(x) = 1
x Rd
p(x) > 0,
X
x1
X X
xi1 xi+1
xd
Definio 3.2.3. Dizemos que um vetor aleatrio X, sua funo de distribuio FX e sua lei PX so absolutamente contnuos se existe fX () > 0 tal que
P (X B) =
fX (x) dd x
B Bd .
xR
Rd
f (x) dd x = 1
t1
td
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.
Z
|
De forma mais
geral, podemos
eliminar uma
coordenada de
cada vez
{z
d1 vezes
{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
39
P (X B) =
3.3
pX (x) +
xB
fX (x) dd x
B Bd .
(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
)
j6=i
j6=i
xj
1
FX1 (x1 ) FXd (xd ).
c1 cd
= P (X1 B1 ) P (Xd Bd ).
(iii) pX (t) = p1 (t1 )p2 (t2 ) pd (td ) para todo t Rd , com p1 , . . . , pd funes
reais.
Demonstrao. (i) (ii) (iii) so triviais. Suponha (iii). Para xi tal que
pXi (xi ) > 0, calculando a marginal temos
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
41
x1 B1
x1 B1
pX1 (x1 )
pX (x) =
xd Bd
xd Bd
(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 ) =
Rd
Bi
fi (xi )dxi
YZ
j6=i R
fj (xj ) dxj = ci
Bi
fi (xi )dxi ,
1
fX (x1 ) fXd (xd ).
c1 cd 1
Z
B1
B1 Bd
Z
Bd
fX (x) dd x =
42
3.4
Mtodo do Jacobiano
Jh (y) = det
y
x
Jg (x) = det
...
x1
yd
xd
y1
xd
yd
.
..
= det
e
!
x1
y1
...
y1
xd
yd
x1
yd
xd
..
.
y1
x1
.
= det
..
..
.
.
1
.
Jg (x)
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 =
g(A)
43
4x x ,
1 2
fX (x1 , x2 ) =
0,
x1 , x2 [0, 1],
caso contrrio,
"
1/x2 x1 /x22
x2
x1
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
1
y1
2 y1 y2
= 2y1
Jg (h(y)) = q
y2 /y1
zez , z > 0
0, z 6 0
1
,
(w+1)2
w>0
.
0, w 6 0
44
"
1
1
1 1
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
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
3.5
Exerccios
Encontre FZ,W .
3.5. EXERCCIOS
45
ey
,
x3
x > 1, y > 0
f (x, y) =
0,
caso contrrio.
x, y > 0
caso contrrio.
Dica:
a+b
n
Pn
k=0
a
k
b
nk
Xi b
n
X
i=1
mi , p .
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
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
X
x
x P (X = x).
47
48
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
a i 1 Ai
ai P (Ai ).
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
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 ) =
i:ai =cj
j=1
j=1
n
X
ai P (Ai ).
i=1
a i 1 Ai
1Bj + b
bi 1 B j
1 Ai =
i,j
X
i,j
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 )
1
2
3
4
5
6
5
4
3
2
1
252
+3 +4 +5 +6 +7 +8 +9 +10 +11 +12 =
= 7.
36 36 36 36 36 36 36 36
36
36
36
36
7 7
+ = 7.
2 2
48.47.46
3.48.47.4
3.48.4.3
4.3.2
30600
3
+1
+2
+3
=
= .
52.51.50
52.51.50
52.51.50
52.51.50
132600
13
50
1
.
13
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)!
"
"
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.
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
4.2
51
Esperana Matemtica
g2 (y)
g3 (x)
x
g2 (x)
g1 (x)
52
X()
g2 (X())
g1 (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,
53
X
x
x pX (x).
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
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
54
x fX (x) dx.
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:
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,
55
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 ].
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
h(x) pX (x) +
Rd
Rd
gk (h(x)) fX (x) dd x.
h(x) fX (x) dd x.
xAk
>
xAk
gk (h(x)) pX (x) +
h(x) pX (x) +
h(x) fX (x) dd x 2k ,
Ak
Ak
X
x
h(x) pX (x) +
X
x
h(x) fX (x) dd x.
Rd
h(x) pX (x) +
Rd
h(x) fX (x) dd x.
56
57
9. Se X > 0 e EX = 0 ento P (X = 0) = 1.
= EX + EY + EX + EY EX EY + + EX EY = EX EY.
X dP,
EX =
x dPX ,
EX =
x dFX (x).
58
4.3
1
x dx = ,
2
EX =
1
x dx = ,
3
2
EX =
xk dx =
1
,
k+1
1
2
2
1
2
2
dx =
1
.
12
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
5. V (X b) = V X.
6. V (aX) = a2 V X.
59
1
EX 2 = ,
2
1
V X = EX 2 (EX)2 = .
4
(X) = V X,
e mede a disperso de X em torno de sua mdia. O desvio-padro tem a mesma
unidade de medida de X.
VX =
1
1/4 = .
2
1
2
3. (X) 6 EX 2 .
4. (X b) = (X) para todo b R.
60
8. Cov(
ai Xi ,
j bj Yj )
P P
ai bj Cov(Xi , Yj ).
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.
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.
Demonstrao. Feita em aula.
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
62
4.4
Desigualdades Bsicas
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.
(c) E
1
X
>
1
EX
se X > 0.
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.
63
E(X)
.
Exemplo 4.4.7. Se uma empresa recebe em mdia 100 chamadas telefnicas por
dia, queremos estimar a probabilidade de, num certo dia, receber mais de 300
chamadas. Temos
EX
1
P (X > 300) 6
= .
300
3
Ou seja, esse evento ocorre com probabilidade igual a, no mximo, 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.
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
VX
EY
= 2 .
2
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 .
E[XY ] 6 EX 2 EY 2 .
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 .
X EX
(X)
W =
Y EY
(Y )
X
a
Y
b
2
= 0, logo
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)
4.5
X
x
x pX|A (x) +
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 4.6.2. 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,
n
X
i=1
Xi =
n
X
V Xi .
i=1
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.
Exerccio 4.6.14. [Jam04, Captulo 3].
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
69
Nesta seo X
sempre discreta e
no-negativa
70
0, 7,
P (A) = E P (A|D) .
Demonstrao. E P (A|D) =
P (A|Di )E[1Di ] =
X
z
z P (Z = z) = 0, 7 0, 6 + 0, 1 0, 4 = 0, 46.
71
"
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).
E(X|D)()
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)
72
Refazer
EX = E E(X|D) .
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.
/ 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)
73
E E(X|Y1 , Y2 )Y1 = E(X|Y1 ).
74
5.2
X
y
E(X) =
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.
75
Caso de X e Y independentes
Se X e Y so independentes, o condicionamento em Y = y no afeta em nada a
varivel X. Neste caso temos
P (X B|Y = y) = P (X B).
fX,Y (x, y)
fY (y)
fX (x|Y = y) dx.
6xy(2 x y),
fX,Y (x, y) =
0,
76
6xy(2 x y)dx = 4y 3y 2
6x(2xy)
, 0<x<1
caso contrrio.
1
yexy ,
2
0<x< e 0<y<2
0, caso contrrio
1
1 Z xy
ye dx =
fX,Y (x, y)dx =
2 0
2
P (X = x)fY (y|X = x)
fY (y)
pX (x|Y = y).
x6t
77
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
5.3
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
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
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),
e portanto
h
EX = E E(X|Y ) = E[g(y)] =
1
2
12 +
1
2
y dy = 1.
79
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
Se y 6
1
2
E e 2 Y = y =
X
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
n
.
2
N
P
i=1
Xi . Mostre que
5.4. EXERCCIOS
81
5.4
Exerccios
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)].
E Y 2 D = X 2
e E(Y |D) = X,
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
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
n=1 k=n
83
84
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
(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}.
(0, 2 +
1
), n par
n
An =
(0, 2 n1 ), n mpar.
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
n=1
n=1
6.2
Sejam X e (Xn )nN variveis aleatrias definidas num mesmo espao de probabilidade (, F, P ).
86
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
>
0
P log
n
Xn P
log n
0.
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.
k N, P |Xn X| >
1
k
1
k
i.v. = 1
1
k
i.v. = 0
i.v. = 0
n=1
Xn 0.
88
Xn
Contra-Exemplo 6.2.11. No Exemplo 6.2.3, temos que P ( log
> infinitas vezes) =
n
Xn q.c.
log n
0.
E|Xn X|p
0.
p
Lp+s
Xn X.
p 1
E Xn X
q 1
6 E Xn X
0.
1
,
n2
q.c.
1
n2
= 1 P (Xn = 0).
P
portanto Xn 0 e Xn 0. Entretanto,
1
0,
n
q.c.
89
d
P
90
Xnk X
k
Xnkj Y.
j
Lp+s
P
AI
+3 d
+3 Lp
6.3
Exerccios
3
X
<
= 1.
respectivamente como exp(n ), onde n = n . Prove que P
n
n=1
6.3. EXERCCIOS
91
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.
Exerccio 6.3.5. Seja (Xn )n uma seqncia de variveis aleatrias independentes
com distribuio uniforme em [0, 1], e Yn = max{X1 , . . . , Xn }. Encontre a funo
de distribuio de Yn e o limite em distribuio desta seqncia.
Exerccio 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 6.3.9. 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
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
Assim,
X
etx P (X = x),
MX (t) = Zx
se X discreta,
se X contnua.
94
n
X
etk
k=0
t
n
k
pk (1 p)nk =
n
n
X
n
k
k=0
t
n=1
m=0
pet
p
=
,
=
1 (1 p)et
et + p 1
1
.
para t < log 1p
n=0
tn e
n!
=e
X
(et )n
n=0
n!
= e ee = e(e 1) .
dk
M
(t)
= EX k .
X
dtk
t=0
"
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
95
1p
.
p2
X
n
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.
7.2
Funo Caracterstica
97
|eiy | = 1,
X zn
n
n!
ez+w = ez ew ,
(eg ) = g eg ,
1+
zn
n
n
ez se zn z.
t R.
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
X (t) = E[e
]=
itn e
n!
n=0
=e
X
(eit )n
n=0
n!
it
= e ee
it 1)
= e(e
n=1
m=0
eit
p
.
+p1
99
dk
(t)
= ik EX k .
X
k
dt
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!
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 = .
it 1)
e(e
it 1)
= e(+)(e
= Z (t),
100
Convergncia em distribuio
O Teorema de Continuidade relaciona convergncia de funes caractersticas com
convergncia em distribuio, vista no Captulo 6.
t R.
Xn Poisson().
Demonstrao. Analisando a funo caracterstica das Xn obtemos
it 1)
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
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 ).
102
yey , se y > 0
0, caso contrrio
e(w+ci) dw =
ew dw
para qualquer c R.
Exerccio 7.3.12. Se X N (, 2 ), calcule X (t).
Exerccio 7.3.13. [Jam04, Captulo 6].
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
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
Sn (t) = Sn ( nt ) = X1 ( nt ) Xn ( nt ) = X1
n
r1 (w)
w
Sn P
t
n
= 1+i
t
+ r1 nt
n
n
o mesmo que
in
Sn
n
lim
n
Sn ESn
= 0 = 1,
n
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
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
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
ESn4 = nEX14 +
n
2
E(X12 X22 )
= (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
Sn q.c.
0.
Incluir LGN de
Etemadi. Prova
segundo Durret.
2nd ed. pp. 56-58
8.2
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
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
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.
npq
Ou seja,
Sn N (np, npq).
108
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?
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 (
r2 (w)
w2
) = X1
in
t2
= 1 + r2 t n
n
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.
Exerccio 8.3.2. Seja (Xn )n uma seqncia de variveis aleatrias independentes
com funes de probabilidade pn dadas por pn (n2 ) = n13 = 1 pn (0). Essa seqncia
satisfaz a Lei dos Grandes Nmeros?
Exerccio 8.3.3. Seja (Xn )n uma seqncia de variveis aleatrias independentes
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
1,
X1 + + XN
.
N
X1 + + XN
.
N
b esteja entre
a) Qual o valor aproximado da probabilidade de que o valor
N
24, 8 e 25, 4?
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