Universidade Federal da Bahia - IM

Programa de Pos-Graduacao em Matematica

Professor: Tertuliano Franco
Aluno: Felipe Fonseca dos Santos
Trabalho do curso de Probabilidade

Este trabalho consiste em resolver algumas questoes selecionadas pelo professor Tertu-
liano, que em sua maioria foram retiradas do livro: Probabilidade: um curso em nvel
intermediario, de Barry R. James.

Captulo 5

14a QUESTAO: Sejam X1 , X2 , . . . independentes e identicamente distribudas, com X1

U[0, 1]. Ache o limite quase certo da media geometrica

n
!1/n
Y
Xk
k=1

(Sugestao. Tome logaritmos.)

Resolucao: Como X1 , X2 , . . . sao variaveis aleatorias i.i.d., temos que Y1 , Y2 , . . ., dadas por
Yi = log Xi ; i = 1, 2, . . ., tambem sao variaveis aleatorias i.i.d.. Assim E(Yk ) = E(Y1 ) e como

Z1
E(Y1 ) = log x dx = (Por partes) = [x log x x]10 = 1
0

temos pela Lei Forte de Kolmogorov que

Y1 + . . . + Yn
1 quase certo.
n n+
 n
! n
!1/n
Y1 + . . . + Yn 1 Y Y
Mas = log Xk = log Xk , donde conclumos que
n n k=1 k=1

n
!1/n
Y
Xk e1 quase certo.
x+
k=1

15a QUESTAO: Demonstre: se X1 , X2 , . . . sao independentes e identicamente distribudas,

com E(X1 ) = 1 = Var(X1 ), entao

n
P
Xi
1
ri=1n quase certamente.
n+ 2
Xi2
P
n
i=1

Resolucao: Sabendo que X1 , X2 , . . . sao i.i.d. e E(X1 ) = 1 temos pela Lei Forte de Kol-
mogorov que
n
P
Xi
i=1
1 quase certamente.
n n+

Por outro lado, Var(X1 ) = E(X12 ) (E(X1 ))2 = 1 logo E(X12 ) = 1 + (E(X1))2 = 2 e como
X12 , X22 , . . . sao i.i.d., novamente pela Lei Forte de Kolmogorov temos que

n
Xi2
P
i=1
2 quase certamente.
n n+

r n

P
Xi
i=1
Assim, n
2 quase certo e portanto
n+

n
P n
Xi
P
i=1 Xi
1
r n
n
= ri=1n quase certamente.
P
Xi
n+ 2
Xi2
P
i=1 n
n i=1

16a QUESTAO: Seja 0 < < 1/2. Prove que se X1 , X2 , . . . sao independentes tais que
P(Xn = n ) = 1/2 = P(Xn = n ), entao

X1 + . . . + Xn
0 quase certamente.
n n+

Resolucao: Como X1 , X2 , . . . sao variaveis aleatorias independentes com E(Xn ) = 12 n +

2
1
2
(n )
= 0 < + e Var(Xn ) = E(Xn2 ) (E(Xn ))2 = E(Xn2 ) = E(n2 ) = n2 , para todo

Var(Xn ) n2
n2(1) < +, pois
P P P
n N onde (0, 1/2). Da temos que n 2 = n 2 =
n=1 n=1 n=1
1 < 1/2 e portanto 2( 1) < 1. Assim pela 1a Lei Forte de Kolmogorov, temos que

X1 + . . . + Xn E(X1 ) + . . . + E(Xn ) X1 + . . . + Xn
= 0 quase certamente.
n n n n+

17a QUESTAO: Sejam X1 , X2 , . . . variaveis aleatorias independentes com densidade comum

e(x+1/2) x 1/2
f (x) =
0 x < 1/2.

Demonstre que Sn + quase certamente, onde Sn = X1 + . . . + Xn .

Resolucao: Como X1 , X2 , . . . sao variaveis aleatorias independentes com densidade comum
f (x) temos que para todo n N

Z+ 1/2
Z Z+
E(Xn ) = E(X1 ) = xf (x) dx = xf (x) dx + xf (x) dx
1/2
Z+ Z+
(x+1/2) 1/2
= xe dx = e xex dx = (Por Partes)
1/2 1/2
 
1/2 x
+ 1 1/2 1
ex 1/2 1/2
e e1/2

= e xe = e = .
2 2

Assim, resulta da Lei Forte de Kolmogorov que

X1 + . . . + Xn 1
quase certamente,
n n+ 2

X1 +...+Xn 1
ou ainda, que para n suficientemente grande n
2
quase certamente, donde con-
n
clumos que para n suficientemente grande X1 + . . . + Xn 2
quase certamente, assim
Sn + quase certamente.
n+

19a QUESTAO: Sejam X1 , X2 , . . . variaveis aleatorias independentes tais que Xk b(nk , p),
onde 0 < p < 1 (p fixo).
n
P
(a) Qual a distribuicao de Sn = Xk ?
k=1

3
Resolucao: Como X1 , X2 , . . . sao variaveis aleatorias independentes tais que Xk b(nk , p),
Pn n
P
onde 0 < p < 1 (p fixo), temos que a distribuicao de Sn = Xk e b( nk , p).
k=1 k=1
Para provar essa afirmacao usaremos a seguinte resultado:
(Formula da convolucao discreta) Sejam X e Y variaveis aleatorias independentes discreta,
a variavel aleatoria Z = X + Y tem distribuicao de probabilidade FZ dada por FZ (z) =
z
P
FX+Y (z) = P(Z = z) = FX (x)FY (z x).
x=0
De fato, para cada z, o evento [Z = z] e a uniao dos eventos disjuntos [X = x] e [Y = zx]
com x = 0, . . . , z. Usando a independencia de X e Y temos que

FZ (z) = P([Z = z]) = P([X = x] [Y = z x])

Xz
= P([X = x])P([Y = z x]) = FX (x)FY (z x).
x=0

Consideremos agora X1 , X2 variaveis aleatorias independentes tais que X1 , X2 b(nk , p),

onde 0 < p < 1 (p fixo) e denote Z = X1 + X2 . Assim temos que

z
X
FZ (z) = FX1 +X2 (z) = P(x1 + x2 = z) = FX1 (x)FX2 (z x)
x=0
z
X
= Cxn1 px (1 p)n1 x Czx
n2
pzx (1 p)n2 z+x
x=0
z
X
z n1 +n2 z
= p (1 p) Cxn1 Czx
n2
= Czn1 +n2 pz (1 p)n1 +n2 z
x=0

Suponha agora por inducao em k, isto e, FSk (z) = P(x1 +. . .+xk = z) = Czn1 +...+nk pz (1
p)n1 +...+nk z . Assim,

FSk+1 (z) = FSk +Xk+1 (z) = P(Sk + Xk+1 = z)

Xz
= FSk (x)FXk+1 (z x)
x=0
z
n
X
= Cxn1 +...+nk px (1 p)n1 +...+nk x Czx
k+1 zx
p (1 p)nk+1 z+x
x=0
= Czn1 +...+nk+1 pz (1 p)n1 +...+nk+1 z .

Portanto, FSk (z) = Czn1 +...+nk pz (1 p)n1 +...+nk z para todo k N. Donde conclumos
Pn
que Sn b( nk , p).
k=1

4

(b) Se nk k, mostre que a sequencia satisfaz a Lei Forte.

Resolucao: Sabemos que se Xk tem distribuicao binomial (nk , p) entao E(Xk ) = nk p.

Como nk k e 0 < p < 1, segue que E(Xk ) = nk p < nk k < +. Assim conclumos
que Xk e integravel para todo k N.
Temos ainda que Var(Xk ) = nk p(1 p), logo

+ + +
X Var(Xk ) X nk p(1 p) X kp(1 p)
=
k=1
k2 k=1
k2 k=1
k2
+ +
X p(1 p) X 1
= = p(1 p) < +.
k 3 k3
k=1 k=1

Como as variaveis aleatorias sao independentes, conclumos que a sequencia X1 , X2 , . . .

satisfaz a Lei Forte dos Grandes Numeros.

20a QUESTAO: Uma massa radioativa emite partculas segundo um processo de Poisson
com parametro > 0. Sejam T1 , T2 , . . . os tempos transcorridos entre emissoes sucessivas.
Ache o
T12 + . . . + Tn2
lim
n n
E limite quase certo ou em probabilidade?

Resolucao: Sabemos que os tempos sao independentes e possuem a mesma distribuicao

(Poisson()) logo T1 , T2 , . . . sao i.i.d., assim temos que T12 , T22 , . . . tambem sao i.i.d..
Alem disso, como ja fizemos na letra (a) da questao 24o do Captulo 3 temos que E(Ti2 ) =
2 + , desta forma a Lei Forte de Kolmogorov garante que

T12 + . . . + Tn2
lim = 2 + quase certamente.
n n

OBS: Sabemos que convergencia quase certa implica convergencia em probabilidade, por-
tanto a convergencia tambem e em probabilidade.

21a QUESTAO: Sejam X1 , X2 , . . . variaveis aleatorias independentes com distribuicao co-

5
mum N(0,1). Qual o limite quase certo de

X12 + . . . + Xn2
?
(X1 1)2 + . . . + (Xn 1)2

Resolucao: Como X1 , X2 , . . . sao variaveis aleatorias i.i.d. entao X12 , X22 , . . . tambem sao
i.i.d.. Alem disso

Z+ Z+
1 2 x2 /2 1 2
E(Xn2 ) = E(X12 ) = xe dx = x (xex /2 ) dx = (Por Partes)
2 2

1 2
= [xex /2 + 2]+
= 1
2

X12 + . . . + Xn2
Assim, usando a Lei Forte de Kolmogorov temos que 1 quase certa-
n n+
mente.
Por outro lado, sabemos que se Xn N(0, 1) entao Yn = (Xn 1) tem distribuicao
comum N(1, 1) (ver pag. 52). Da temos que Y1 , Y2 , . . . sao i.i.d. e portanto Y12 , Y22 , . . .
tambem sao i.i.d. e mais

Z+ Z+
1 2 (y+1)2 /2 1 2
E(Yn2 ) = E(Y12 ) = y e dy = (x 1)2 e(x1+1) /2 dx
2 2

+ +

Z+
1
Z Z
2 2 2
= x2 ex /2 dx + 2xex /2 dx + ex /2 dx
2

= 1 + 0 + 1 = 2.

Y12 + . . . + Yn2
Pela Lei Forte de Kolmogorov temos que 2 quase certamente. Donde
n n+
conclumos que

X12 + . . . + Xn2 1
2 2
quase certamente.
(X1 1) + . . . + (Xn 1) n+ 2

22a QUESTAO: Sejam X1 , X2 , . . . variaveis aleatorias independentes tais que Xn U[0, n],
n = 1, 2, . . .. Chame o nesimo ensaio de sucesso se X2n > X2n1 , f racasso se X2n X2n1 ,
para n = 1, 2, . . .. Determine a probabilidade de haver sucesso no nesimo ensaio e ache
o limite (se existir) de Sn /n, onde Sn = numero de sucessos nos primeiros n ensaios. Esse
limite e limite em probabilidade e/ou quase certo?

6
Resolucao: Consideremos inicialmente que X2n > 2n 1, sabemos que a distribuicao e
R2n 1
uniforme entao podemos calcular a probabilidade P(X2n > 2n1) = 2n
dx = 2n(2n1)
2n
=
2n1
1
2n
. Note que neste caso sempre temos X2n > X2n1 , ja que X2n > 2n 1.
2n1
Da temos que a probabilidade X2n 2n 1 e, portanto 2n
. Neste caso temos que
1
P(X2n > X2n1 ) = 2
(ja que X2n1 tambem varia uniformemente em [0, 2n 1]).
1 2n1
Portanto, P(X2n > X2n1 ) = 2n
+ 2n
12 = 2n+1
4n
. Assim, o nesimo ensaio tem proba-
2n+1
bilidade 4n
de sucesso.
Denote agora
1 seX > X
2n 2n1
An =
0 seX X
2n 2n1 .

a variavel aleatoria associada a cada nesimo ensaio, n N.

Sabemos que A1 , A2 , . . . sao independentes, (cada Ak depende apenas de pares disjuntos
2n+1
uns dos outros de variaveis Xn s ) integraveis, ja que E(An ) = 4n
< + e mais

+ + +
X var(An ) X E(A2 ) E2 (An )
n
X 1 2n + 1 1 4n2 + 4n + 1
= = +
n=1
n2 n=1
n2 n=1
n2 4n n2 16n2
+ +
X 2n + 1 X 4n2 + 4n + 1
= + < +.
n=1
4n3 n=1
16n4

Desta forma, pela Lei Forte de Kolmogorov, temos que as An satisfazem a Lei Forte dos
Grandes Numeros, ou seja,
+
P
E(An )
Sn n=1
q.c.
n n+ n
Como
k
P
E(An ) k k
!
n=1 1 X 2n + 1 1 X 1 1
= = +
k k n=1 4n k n=1
2 4n
k
1 1 X1
= + ,
2 4k n=1 n

da temos que
n
Sn 1 1 X1
+ q.c.
n n+ 2 4n k
k=1

7
 n n
P 1 1
P 1 1+ln(n) ln(n) 1
Como k
< 1 + ln(n), temos que 4n k
< 4n
, como 4n
0e
4n n+
0
k=1 k=1 n+
n
1+ln(n) 1 1 Sn
1
P
conclumos que 4n
0, e portanto 4n

k n+
0, ou seja, n n+ 2
quase
n+ k=1
certamente (e como consequencia temos que tambem converge em probabilidade).

23a QUESTAO: A Lei Forte para variaveis aleatorias independentes, identicamente dis-
tribudas e integraveis pode ser estendida ao caso de esperancas infinitas, se admitirmos
limites infinitos. Em particular, se X1 , X2 , . . . sao independentes e identicamente distribu-
das tais que E(Xn ) = +, entao Sn /n + quase certamente. (Compare com o Teorema
5.3. Qual a diferenca?) Prove esse resultado em 3 etapas:
(a) Para m inteiro positivo fixo, seja Yn o trucamento de Xn em m:

X se X m
n n
Yn =
0 se X > m.
n

Y1 +...+Yn
Entao n
E(Y1 ) quase certamente, onde

Zm
E(Y1 ) = xdFX1 (x).

Resolucao: Seja m inteiro positivo fixo, e Yn o trucamento

X se X m
n n
Yn =
0 se X > m.
n

Da temos que as Yn sao integraveis, independentes e identicamente distribudas, ja que

Y1 +...+Yn
as Xn o sao. Assim pela Lei Forte de Kolmogorov temos que n
E(Yn ) = E(Y1 )
quase certamente.
R Rm
Como por definicao de Y1 temos E(Y1 ) = xdFY1 (x) = xdFX1 (x).

Sn
Rm
(b) lim inf xdFX1 (x) quase certamente. (Sugestao: Xn Yn .)
n n

Sn
Resolucao: Como lim inf n
= lim inf X1 +...+X
n
n
usamos o fato de Xn Yn e obtemos que
n n
m
Sn Y1 +...+Yn
R
lim inf n
lim inf n
= xdFX1 (x) quase certamente.
n n

8
 Sn
(c) + quase certamente. (Faca m + em (b)).
n
Rm +
R
Resolucao: Fazendo m + na letra b) acima temos xdFX1 (x) xdFX1 (x) =

Sn
Rm
E(X1 ) = E(Xn ) = +. Como lim inf n
xdFX1 (x) quase certamente, conclumos que,
n
Sn
n
+ quase certamente.

Comentario: A principal diferenca entre esse Resultado e o Teorema 5.3 reside no tipo de
convergencia onde o Teorema garante a convergencia em probabilidade enquanto que esse
Resultado e mais geral pois garante convergencia quase certa e como ja vimos convergencia
quase certa implica convergencia em probabilidade.

26a QUESTAO: Sejam X1 , X2 , . . . independentes tais que E(Xn ) = 0, n. Demonstre que

P
se Var(Xn ) < , entao E(sup |Sn |) < , onde Sn = X1 + . . . + Xn . (Sugestao. Use o
n=1 n>1
criterio para integrabilidade do 3.3 e a desigualdade de Kolmogorov.)

P
Resolucao: Como Var(Xn ) Var(Xn ) < para todo n temos pela desigualdade de
n=1
Kolmogorov que para todo > 0

1
P( max |Sk | ) Var(Sn ),
1kn 2

como X1 , X2 , . . . sao independentes tais que E(Xn ) = 0, n ficamos com Var(Xn ) = E(Xn2 )
Pn
logo Var(Sn ) = Var(Xk ). Da temos que
k=1

n
1 X
P( max |Sk | ) 2 Var(Xk ).
1kn
k=1

Assim,

n
!
X X X 1 X
P(sup |Sn | n) = P( max |Sk | n) Var(Xk ) < ,
n=1
n>1
n=1
1kn
n=1
n2 k=1

1
P P
ja que Var(Xn ) < e n2
< .
n=1 n=1
Pelo criterio para integrabilidade do 3.3 (pagina 117) temos que sup |Sn | e integravel,
n>1

9
ou seja, E(sup |Sn |) < .
n>1

Captulo 6

1a QUESTAO:
(a) Se X b(n, p), qual a funcao caracterstica de X?

n!
Resolucao: Como X b(n, p) sabemos que P(X = k) = k!(nk)!
pk (1 p)k . Assim temos
que

+ +
X X n!
X (t) = E(eitX ) = eitk P(X = k) = eitk pk (1 p)k
k=0 k=0
k!(n k)!
+
X n!
= (eit p)k (1 p)k = [(1 p) + peit ]n
k!(n k)!
k=0

(b) Mostre, usando funcoes caractersticas, que se X b(m, p), Y b(n, p), e X e Y sao
independentes, entao X + Y b(m + n, p).

Resolucao: Sabemos que se X e Y sao independentes entao X+Y (t) = X (t) Y (t) (Pro-
priedade 5). Pela Letra (a) temos que X (t) = [(1 p) + peit]m e Y (t) = [(1 p) + peit ]n logo
X+Y (t) = [(1p)+peit]m [(1p)+peit ]n = [(1p)+peit]m+n e portanto X +Y b(m+n, p).

2a QUESTAO: Mostre que se X1 , . . . , Xn sao independentes com, cada uma, distribuicao

n
P
simetrica em torno de 0, entao aj Xj possui distribuicao simetrica em torno de 0, para
j=1
toda escolha das constantes aj R.

Resolucao: Sabemos que se X1 , . . . , Xn sao independentes entao

n
Y n
Y
P
n (t) = aj Xj (t) = (Propriedade 8) = Xj (aj t).
aj Xj
j=1 j=1 j=1

Por outro lado todos os Xj , 1 j n possuem distribuicao simetrica em torno de 0, ou

Qn
seja, Xj (t), 1 j n e real para todo t R. Da temos que Pn (t) = Xj (aj t) e
aj Xj j=1
j=1

real para toda escolha das constantes aj R, o que nos permite concluir (pela Propriedade

10
 n
P
7) que aj Xj possui distribuicao simetrica em torno de 0, para toda escolha das constantes
j=1
aj R.

3a QUESTAO: Seja uma funcao caracterstica. Mostre que (t) = e((t)1) , onde > 0,
tambem e funcao caracterstica. (Sugestao. Sejam N, X1 , X2 , . . . independentes tais que
N Poisson() e as Xn sao identicamente distribudas com Xn = . Defina Y = SN , onde
Sn = X1 + . . . + Xn ; N e um tempo de parada para a sequencia de somas parciais. Entao
Y = . A distribuicao de Y e chamada de distribuicao composta de poisson. A distribuicao
comum de Poisson corresponde ao caso Xn = 1, isto e, P(Xn = 1) = 1.)

Resolucao: Sejam N, X1 , X2 , . . . independentes tais que N Poisson() e as Xn sao iden-

ticamente distribudas com Xn = . Defina Y = SN , onde Sn = X1 + . . . + Xn ; N e um
tempo de parada para a sequencia se somas parciais.
n
Q
Usando que as Xn sao i.i.d. com Xn = chegamos que Sn (t) = P
n (t) = Xj (t) =
Xj j=1
j=1

((t))n . Ademais, sabemos que

+
X +
X
Y (t) = E(eitY ) = E(eitY |N = j)P(N = j) = E(eit(X1 +...+Xj ) |N = j)P(N = j)
j=1 j=1
+
X
= (como N e os Xn s sao independentes) = E(eit(X1 +...+Xj ) )P(N = j)
j=1
+
X +
X +
X
= X1 +...+Xj (t)P(N = j) = X1 (t) . . . Xj (t)P(N = j) = ((t))j P(N = j)
j=1 j=1 j=1
+ j + j
X X ( (t))
= (como N Poisson()) = ((t))j e = e
j=1
j! j=1
j!
(t) ((t)1)
= e e =e , > 0.

Desda forma tomando (t) = Y (t), temos que (t) = e((t)1) e uma funcao caracters-
tica.

5a QUESTAO:
(a) Mostre que se X tem distribuicao Cauchy-padrao, entao 2X (t) = 2X (t). (Pode usar

11
sem provar, que
Z+
1 cos(tx)
dx = e|t| .)
1 + x2

Utilize esse resultado para provar que

X+Y (t) = X (t)Y (t), t R ; Xe Y independentes,

e portanto,

FX+Y (z) = FX (z) FY (z), z R ; Xe Y independentes.

(FX FY e a convolucao de FX com FY .)

Resolucao: Sabendo que X tem distribuicao Cauchy-padrao temos que X tem densidade
1
f (x) = (1+x2 )
. Assim a funcao caracterstica de X e dada por

Z+ Z+ Z+ Z+
cos(tx) + i sen(tx) cos(tx) sen(tx)
X (t) = eitx f (x)dx = 2
dx = 2
dx + i dx
(1 + x ) (1 + x ) (1 + x2 )

+
sen(tx) +
R cos(tx)
sen(tx) R
Como (1+x2 )
e funcao mpar temos que 2
dx = 0 logo X (t) = 2
dx =
(1 + x ) (1 + x )
e|t| , (aqui tambem poderamos usar que X tem distribuicao simetrica em torno de zero
+
R sen(tx)
para concluir pela propriedade 7 que 2
dx = 0). Pela propriedade 8 temos que
(1 + x )
2X (t) = X (2t) = e|2t| = e2|t| = (e|t| )2 = (X (t))2 , t R. Da temos que

X+X (t) = 2X (t) = (X (t))2 = X (t) X (t) t R.

Observe tambem que X e X sao dependentes o que mostra que

X+Y (t) = X (t) Y (t), t R ; X e Y sao independentes.

Alem disso, pela unicidade (X determina FX e FX determina X ) temos que X (t) X (t)
e a funcao caracterstica cuja funcao de distribuicao e FX (z) FX (z) e X+X (t) e a funcao
caracterstica cuja funcao de distribuicao e FX+X (z), assim FX (z) FX (z) = FX+X (z),

12
z R (ja que X+X (t) = X (t) X (t)), mas X e X sao dependentes, logo FX+Y (z) =
FX (z) FY (z), z R ; X e Y sao independentes.

(b) Sejam X1 , . . . , Xn independentes e identicamente distribudas, com distribuicao comum

Cauchy-padrao. Demonstre que a media amostral

Sn X1 , . . . , Xn
=
n n

tambem e Cauchy-padrao.

n
Q
Resolucao: Como X1 , . . . , Xn sao independentes temos que Sn (t) = Xi (t). Usan-
i=1
do agora o fato de X1 , . . . , Xn serem identicamente distribudas, com distribuicao comum
Cauchy-padrao temos
n
Y n
Y
Sn (t) = Xi (t) = e|t| = en|t| = e|nt| .
i=1 i=1

Usando agora a propriedade 8 temos que

 
t t
Sn (t) = Sn = e|n n | = e|t| .
n n

Da conclumos pela unicidade entre funcoes caractersticas e funcoes de distribuicao que

Sn X1 +...+Xn
n
= n
tambem tem distribuicao Cauchy-padrao.

6a QUESTAO: Sejam X e Y variaveis aleatorias com a mesma distribuicao. Demonstre:

(a) Se X e Y sao independentes, entao X Y tem distribuicao simetrica em torno do zero.

Resolucao: Como X e Y sao independentes, entao

XY (t) = X (t) Y (t) = X (t) X (t) = X (t) X (t),

onde a penultima igualdade decorre do fato de X e Y terem a mesma distribuicao, e como

X (t) X (t) R conclumos que X Y tem distribuicao simetrica em torno do zero.

13
(b) Se X e Y tomam so dois valores, entao X Y tem distribuicao simetrica em torno do zero.

Resolucao: Como X e Y tomam so dois valores, digamos a e b (com a, b R e a < b).

Suponha que P(X = a) = p e P(X = b) = 1 p, com 0 < p < 1 e P(Y = a) = q e
P(Y = b) = 1 q, com 0 < q < 1. Da temos que

E[sen(t(X Y ))] = sen(0)P(X Y = 0) + sen(a b)P(X Y = a b)

+ sen(b a)P(X Y = b a)

= sen(a b)P(X Y = a b) sen(a b)P(X Y = b a)

= (usando que X e Y sao i.i.d.)

= sen(a b)P(X Y = a b) sen(a b)P(X Y = a b) = 0.

Pela propriedade 7 conclumos que X Y tem distribuicao simetrica em torno do zero.

7a QUESTAO:
(a) Suponha que X exp() e mostre que a funcao caracterstica de X e

2 + it
(x) = = 2 .
it + t2

Resolucao: Como X exp() sabemos que X tem densidade dada por f (x) = ex I[0,+).
Logo
Z + Z +
itx x
X (t) = e e dx = e(it)x dx = (tomando u = (it )x)
0 0
Z +

= eu du = e(it)x |+
0 = (ex (cos(tx) + i sen(tx)))|+
0
it 0 it it
( + it) 2 + it
= = = = 2
it it ( it)( + it) + t2

|y|
(b) Seja Y exponencial dupla com densidade fY (y) = 2
e , y R. Calcule a funcao
caracterstica de Y . (sugestao. Use simetria e o item (a)).

14
Resolucao: Como Y possui densidade fY (y) = 2 e|y| , y R, temos que

+
|y| + ity|y|
Z Z
ity
Y (t) = e e dy = e dy
2 2
0 (it+)y + (it)y
Z Z
= e dy + e dy
2 2 0

= (similar ao item (a)) = +
2(it + ) 2( it)
( it) + ( + it) 2
= = 2
2(it + )( it) + t2

(c) Demonstre: Se Z e W sao independentes e identicamente distribudas, com Z exp(),

entao Z W e exponencial dupla.

Resolucao: Como Z e W sao independentes ZW (t) = Z (t) W (t), sabendo ainda que
Z e W sao identicamente distribudas, com Z exp() temos que

2
ZW (t) = Z (t) W (t) = = 2 .
it + it + t2

Portanto Z W e exponencial dupla.

9a QUESTAO:Demonstre:
(a) Se e funcao caracterstica e existe 6= 0 tal que () = 1, entao a distribuicao corre-
spondente a esta concentrada nos pontos k 2



, k = 0, 1, . . ..

2


Resolucao: Seja A o conjunto dado por A = {k ;
k = 1, 2, . . .}. Suponha por

absurdo que a distribuicao correspondente a nao esta concentrada nos pontos k 2

,
k = 0, 1, . . ., ou seja, que P(Ac ) 6= 0.
Assim temos que
   Z
2
E[cos(X)] = P(A) cos k + cos(x)dFX (x)
Ac
Z Z
= P(A) + cos(x)dFX (x) < P(A) + dFX (x)
Ac Ac
c
= P(A) + P(A ) = 1.

15
Deste modo temos que Re(X ()) < 1. Absurdo. Portanto, conclumos que esta concen-
trada nos pontos k 2



, k = 0, 1, . . ..

(b) Se e uma funcao caracterstica e existe > 0 tal que (t) = 1 para todo t com |t| < ,
entao (t) = 1 t. (Qual a distribuicao correspondente a ?)

Resolucao: Como para todo t (, ) temos (t) = 1 entao 2p
= 1 para todo p N,

ja que 2p
(, ), p N.
   
2 2p+1
Assim, pela letra a), temos que esta concentrada em k = k
, k =
2p

0, 1, 2, . . ..
+
Tn p+1 k
o
Como 2
= {0} e se X e variavel aleatoria tal que sua distribuicao e dada
p=1
por
1 se a = 0
P(X = a) =
0 se a 6= 0

entao X 1.
De fato, X (t) = E(cos(tX)) + iE(sen(tX)) = E(cos(0)) + iE(sen(0)) = 1, t R.

10a QUESTAO: A funcao geradora de momentos de uma variavel aleatoria X e definida

por
X (t) = E(etX ), t R.

(E permitido a X assumir o valor +.) Demonstre que se E(e|X| ) < para algum > 0,
entao:

(a) (t) e finito para t [, ];

Resolucao: Como tX |X|, para todo |t| e todo X. Da temos que etX e|X| e
portanto X (t) = E(etX ) E(e|X| ) < +, para todo t [, ].

(b) todos os momentos de X sao finitos; e

2 3 2 3
Resolucao: Como ex = 1+x+ x2! + x3! +. . . , temos que e|x| = 1+(|x|)+ (|x|)
2!
+ (|x|)
3!
+. . ..

16
 (|x|)k
Da conclumos que e|x| k!
para todo k N e todo x R.
k
k k
Sabemos que + > E(e|X| ) E( (|X|)
k!
) = k!
E(|X|k ) para todo k N, como k!
e
constante para cada k fixado, chegamos que E(|X|k ) < + para todo k N. O que mostra
que X tem todos os momentos finitos.

(c) possui derivadas contnuas de toda ordem em (, ), e (k) (0) = E(X k ) para k =
1, 2, . . .. (Sugestao. Use o metodo de prova da propriedade FC9.)

(k)
Resolucao: Como X (t) = E(etX ) = etx dFX (x), derivando X (t) ficamos com X (t) =
R
R k tx (k)
x e dFX (x) e portanto X (0) = xk dFX (x) = E(X k ).
R

Resta-nos mostrar a diferenciacao dentro da integral. Queremos provar inicialmente que

(t) = xetx dFX (x).
R
X
Seja h R tal que h 6= 0, assim
 (t+h)X
etX hX
  
X (t + h) X (t) e tX (e 1)
=E =E e .
h h h
hx 1)
ehx 1
Observe que h
x para todo x R, assim etx (e h
xetx . Alem disso,
h0 h0
temos que
   
 Rh   Rh 
 xesx ds   |esx |ds 
 tx (ehx 1)   hx
   
 = |etx |  (e 1)  = |etx |  0
   
0
 |ex | |x|  (ex )2 |x|,

e  
h h h h
    
   
   
   

para todo t (, ). Como eX e|X| < e |X| e integravel (ja que X tem todos os
momentos finitos (letra b)) conclumos pelo Teorema da Convergencia Dominada que

hX
 
X (t + h) X (t) tX (e 1)
Z
tX
= xetx dFX (x).


X (t) = lim = lim E e = E Xe
h0 h h0 h

Decorre tambem desse Teorema que (t) e contnua em t, pois xetx = lim xesx e |xetx |
st
|x| e|X| para todo t (, ).
Usando agora inducao em n, isto e, supondo valido para n verificaremos que vale tambem
para n + 1, conclumos o exerccio.
(n) (n)
Como X (t) = xn etx dFX (x) queremos mostrar que X (t) possui derivada contnua e
R

17
 (n+1)
xn+1 etx dFX (x).
R
tal que X (t) =
Procedendo de maneira inteiramente analoga ao que fizemos acima teremos, para h R
tal que h 6= 0,

(n) (n)  n (t+h)X

X n etX hX
  
X (t + h) X (t) X e n tX (e 1)
=E =E X e .
h h h
hx 1)
ehx 1
Sabemos que h
x para todo x R, assim xn etx (e h
xn+1 etx . Alem
h0 h0
disso, temos que
 
 Rh 
 xesx ds 
 n tx (ehx 1)   hx
   
 = |xn | |etx |  (e 1)  = |xn | |etx |  0
  
x e 
h h h
    
 
 
 
 
 Rh 
 |esx |ds 
 
|xn | |ex | |x|  0  (ex )2 |xn+1 |,
 
 h 
 
 

para todo t (, ). Como eX e|X| < e |X n+1 | e integravel (ja que X tem todos os
momentos finitos (letra b)) conclumos pelo Teorema da Convergencia Dominada que

hX
 
(n+1) X (t + h) X (t) n tX (e 1)
X (t) = lim = lim E x e
h0 h h0 h
Z
= E X n+1 etX = xn+1 etx dFX (x).

Decorre tambem desse Teorema que (n+1) (t) e contnua em t, pois xn+1 etx = lim xn+1 esx
st
n+1 tx n+1 |X|
e |x e | |x |e para todo t (, ).

11a QUESTAO: Obtenha a funcao geradora de momentos (definida no exerccio anterior)

das variaveis aleatorias seguintes:

(a) X Poisson(), onde > 0.

18
Resolucao: Sabemos que

+ +
X n X (et )n t t
X (t) = E(etX ) = etn e = e = e ee = e(e 1) .
n=0
n! n=0
n!

(b) X Cauchy-Padrao.

1
Resolucao: Como X Cauchy-Padrao, temos que X tem densidade f (x) = (1+x2 )
. Assim,

Z+
etx
X (t) = E(etX ) = dx = +
(1 + x2 )

etx etx
ja que, lim = + e > 0, portanto X (t) = +.
x+ (1 + x2 ) (1 + x2 )

(c) X exp(), onde > 0. Utilize o resultado para calcular os momentos E(X k ),
k = 1, 2, . . .. Confira com os momentos obtidos no Exemplo 5 do Captulo 3 (3.4).

Resolucao: Se X exp(), X tem densidade f (x) = ex I[0,+) , logo a funcao geradora

de momentos e dada por

Z+ Z+ Z+
tX
tx x (t)x
X (t) = E(e ) = e e I[0,+)dx = e dx = e(t)x dx
0 0
= (usando substituicao, similar a questao 7 letra a)
(t)x +
= e |0 = (para t ) = .
t t

Se t > temos X (t) = +.

Para t podemos calcular os momentos, usamos a letra (c) da questao anterior.
2 6
Como, X (t) = (t)2
, X (t) = (t)3
, X (t) = (t)3
procedendo por inducao conclumos
k k! k! k!
que X (t) = (t)k+1
. Como E(X k ) = X
k
(0) = k+1
= k
o que condiz com os momentos
obtidos no 3.4.

12a QUESTAO: Verifique se c1 , c2 , . . . e c sao numeros complexos tais que cn c, entao

19
 cn n cn
ec . (Sugestao. Considere o logaritmo principal de 1 +


1+ n n
.)

Resolucao: Ver Livro do Durrett 3o edicao paginas 110 e 111.

14a QUESTAO: Qual a distribuicao de X se X tem funcao caracterstica X (t) = cos2 (t)?
(Veja o Exemplo 3.)

Resolucao: Como X (t) = cos2 (t) e funcao caracterstica, sabemos pela propriedade 7 que
X tem distribuicao simetrica em torno de zero. Como cos2 (2) = 1 conclumos pelo exerccio
9 do captulo 6 que a distribuicao esta concentrada nos pontos k, k = 0, 1, 2, . . ..
Analisemos para os casos 1. Sejam X e Y variaveis aleatorias i.i.d. tais que P(X =
1) = P(X = 1) = 1/2. Pelo exemplo 3 da pagina 233, temos que X (t) = Y (t) = cos(t).
Como, por hipotese, X e Y sao independentes, temos X+Y (t) = cos(t) cos(t) = cos2 (t).
Assim,

P(X + Y = 2) = P(X = 1, Y = 1) = P(X = 1) P(Y = 1) = 1/4,

P(X + Y = 0) = P(X = 1, Y = 1) + P(X = 1, Y = 1) = 1/4 + 1/4 = 1/2,

P(X + Y = 2) = P(X = 1, Y = 1) = P(X = 1) P(Y = 1) = 1/4.

Como a distribuicao X +Y e simetrica, X+Y (t) = E[cos(t(X +Y ))]. Note que X+Y (t) =
cos2 (t), ja que,

1 1 1
X+Y (t) = E[cos(t(X + Y ))] = cos(2t) + cos(0) + cos(2t)
4 2 4
2 2
1 1 1 cos (t) sen (t)
= + cos(2t) = +
2 2 2 2
2 cos2 (t)
= = cos2 (t).
2

15a QUESTAO: Mostre que e possvel para uma sequencia de funcoes de distribuicao con-
vergir em todo ponto sem o limite ser uma funcao de distribuicao. (Sugestao. Considere as
variaveis aleatorias constantes Xn = n.)

Resolucao: Considere as variaveis aleatorias constantes Xn = n, n N. Da temos para

20
n N a seguinte sequencia de funcoes de distribuicao

1 se x n
FXn (x) =
0 se x < n.

Note que lim FXn (x) = 0 para todo x R, mas F (x) = 0, x R nao e funcao de dis-
n+
tribuicao, ja que dado uma sequencia de numeros reais, xn +, teremos F (xn ) 0
n+
o que contraria a terceira propriedade das funcoes de distribuicao (pag. 38).

16a QUESTAO: Prove: se Fn F fracamente e F e contnua, entao Fn (x) converge para

F (x) uniformemente na reta.

Resolucao: Como F e funcoes de distribuicao, temos que lim F (x) = 0 e lim F (x) =
x x+
1. Sabendo que F e contnua, temos pelo Teorema do Valor intermediario que para todo
> 0 existe a() = a > 0 tal que F (a) + (1 F (a)) < .
Sendo F contnua e [a, a] compacto, conclumos que F |[a,a] e uniformemente contnua.
Da podemos escolher um conjunto finito de pontos, digamos xk [a, a], k N, tais que
|F (y) F (x)| < , sempre que xk x y xk+1 .
Usando agora a finitude dos pontos xk podemos concluir que existe algum n0 N tal que
n > n0 temos |Fn (xk ) F (xk )| < .
Sabendo que Fn e nao decrescente e positiva temos para x [xk , xx+1 ] que

Fn (x) F (x) Fn (xk+1 ) F (x) Fn (xk+1 ) F (xk+1 ) + F (xk+1 ) F (x) < 2

para n > n0 . Por outro lado, F tambem e nao decrescente e positiva, logo

F (x) Fn (x) F (x) Fn (xk ) F (x) F (xk ) + F (xk ) Fn (xk ) < 2

para n > n0 .
Deste modo temos para todo n > n0 , |Fn (x) F (x)| < 2.
Resta-nos portanto os casos em que x > a e x < a. Se x > a, temos Fn (x) Fn (a)
F (a) > 1+F (a) > 1. Deste modo para n suficientemente grande temos Fn (x) > 1.
Como F (x) > 1 para x > a, temos que, para n > n0 , |Fn (x) F (x)| < 2, ou seja,

21
Fn F uniformemente em x > a.
De modo analogo mostramos para x < a. Da para n > n0 suficientemente grande,
temos que Fn converge uniformemente para F .

D
17a QUESTAO: Utilize funcoes caractersticas para provar: se Xn
N(0, 1) e (an )n1 e
D
uma sequencia de numeros reais tal que an a finito, entao Xn + an
N(a, 1).

D t2
N(0, 1) entao Xn (t) e 2 , t R. Denotemos Yn =
Resolucao: Como Xn
n+
Xn + an , pela propriedade 8,

t2 t2
Yn = Xn +an = eitan Xn (t) eita e 2 = eita 2 , t R.
n+

D
Portanto Xn + an = Yn
N(a, 1).

18a QUESTAO: Sejam X1 , X2 , . . . variaveis aleatorias, cada uma tendo distribuicao simetrica
D
em torno de zero. Demonstre que se Xn
X, entao X tambem tem distribuicao simetrica
em torno de zero.

Resolucao: Como cada Xn , n N tem distribuicao simetrica em torno de zero entao

Xn (t) R para todo t R e todo n N.
Pelo (falso) Teorema de Helly Bray e pelo Teorema de continuidade de Paul Levy
sabemos que
D
Xn
X lim Xn (t) = X (t), t R.
n+

Como a sequencia de numeros reais (Xn (t))nN converge para todo t R, ja que
D
Xn
X, conclumos que X (t) R, para todo t R. Pela propriedade 7 temos que
X tem distribuicao simetrica em torno de zero.

19a QUESTAO: Sejam X1 , X2 , . . . independentes e identicamente distribudas, com Xn

U[0, 1], e sejam Yn = min(X1 , . . . , Xn ), Zn = max(X1 , . . . , Xn ), Un = nYn , Vn = n(1 Zn ).
Mostre que, quando n :
P P
(a) Yn
0 e Zn
1.

22
Resolucao: Dado > 0 considere,

lim P(|Yn 0| ) = lim P(| min(X1 , . . . , Xn )| )

n+ n+

= (como Xn U[0, 1]) = lim P(min(X1 , . . . , Xn ) )

n+

= (como sao i.i.d) = lim (P(X1 ))n

n+

= lim (1 )n = 0.
n+

Por outro lado, dado > 0 considere,

lim P(|Zn 1| ) = lim P(| max(X1 , . . . , Xn ) 1| )

n+ n+

= (como Xn U[0, 1]) = lim P([1 max(X1 , . . . , Xn )] )

n+

= lim P(max(X1 , . . . , Xn ) 1 )
n+

= (como sao i.i.d) = lim (P(X1 1 ))n

n+

= lim (1 )n = 0.
n+

D D
(b) Un
W e Vn
W onde W tem distribuicao exponencial de parametro 1.

Resolucao: Seja FUn a funcao de distribuicao associada a variavel aleatoria Un , n N.

D
Queremos mostrar inicialmente que FUn
W para todo ponto de continuidade de W , onde
W tem distribuicao exponencial de parametro 1.
Sabemos que

lim FUn (x) = lim P(Un x) = lim P(nYn x)

n+ n+ n+

= lim P(Yn x/n) = 1 lim P(Yn > x/n)

n+ n+

= 1 lim P(min(X1 , . . . , Xn ) > x/n)

n+

= (como as v.as sao i.i.d..) = 1 lim P(X1 > x/n)n

n+

= (comoXn U[0, 1]) = 1 lim (1 x/n)n = 1 ex = W.

n+

Ja vimos (pag. 41) que W e funcao de distribuicao exponencial com parametro 1, e conclu-
mos a primeira parte do item (b).

23
 D
De modo analogo podemos observar que Vn
W . Para tanto considere FVn a funcao de
distribuicao associada a variavel aleatoria Vn , n N. Da temos que

lim FVn (x) = lim P(Vn x) = lim P((1 Zn ) x/n)

n+ n+ n+

= 1 lim P((1 Zn ) > x/n) = lim P(Zn < 1 x/n)

n+ n+

= 1 lim P(max(X1 , . . . , Xn ) < 1 x/n)

n+

= (como as v.as sao i.i.d..) = 1 lim P(X1 < 1 x/n)n

n+

= (comoXn U[0, 1]) = 1 lim (1 x/n)n = 1 ex = W.

n+

D
Portanto Vn
W onde W tem distribuicao exponencial de parametro 1.

20a QUESTAO: Seja (Xn )n1 uma sequencia de variaveis aleatorias independentes identi-
1
camente distribudas, tais que P(Xn = 1) = 2
= P(Xn = 1), e seja

n
X 1
Yn = X .
k k
k=1
2

D sen(2)
Mostre que Yn
U[1, 1]. (Sugestao. Use a igualdade cos = 2 sen
.)
Resolucao: Como

eit + eit
Xn (t) = E(eitXn ) = eit P(Xn = 1) + eit P(Xn = 1) = = cos t,
2

temos pela Propriedade 8 que

 
1
1k Xk (t) = Xk t = cos(2k t).
2 2k

n
cos(2k t),
Q
Como as variaveis aleatorias Xn , n N sao independentes temos que Yn (t) =
k=1
sen(2)
usando agora que cos = 2 sen
e simplificando atraves da expansao do produtorio ficamos
com
1 se t = 0
Yn (t) =
sen t

2n sen 2n t
se t 6= 0
sen t
sen t t sen t
fixado t R \ {0} e calculando lim Yn (t) = lim n = lim = .
n+ 2 sen 2 t
n
n+ sen 2 t
n
n+
2n t
t

24
 Assim, temos que
1 se t = 0
lim Yn (t) =
n+ sen t se t 6= 0
t

Pelo Teorema da Continuidade de Paul Levy essa funcao e uma funcao caracterstica,
pois ela e contnua no ponto zero e converge pontualmente para a dada funcao limite.
Note agora que se X U[1, 1] (X e simetrica em torno de zero), a funcao caracterstica
de X sera dada por
Z1 1
cos tx se t = 0
X (t) = dt =
2 sen t se t 6= 0
1 t

D
pela unicidade das funcoes caractersticas, temos que Yn
U[1, 1].

Captulo 7

3a QUESTAO: Seja (Xn )n1 uma sequencia de variaveis aleatorias independentes tais que
Xn tem distribuicao uniforme [0, n], n. Mostre que a condicao de Lindeberg esta satisfeita
e enuncie o Teorema Central de Limite resultante. (Calcule os parametros!)

Rk
Resolucao: Como Xn tem distribuicao uniforme [0, n], n. Sabemos que E(Xk ) = 0 xk dx =
k 2
k
R k x2 2
2
= k12 .


2
e k = Var(X k ) = 0 k
dx 2
n
k2
p
Da temos que s2k = Var(Sk ) =
P
12
, onde Sk = X1 + . . . + Xk e sk = Var(Sk ) =
p k=1
12 + . . . + k2 .
Verificaremos qual e a ordem de s2k (e nao seu valor exato), para isso usaremos o seguinte
lema:
n n
1 1
k k e da ordem de n+1 .
P P
Lema: Para > 0, n+1 +1
, de maneira que
k=1 n+ k=1

Demonstracao. Livro Probabilidade: um curso em nvel intermediario, de Barry R. James,

pagina 271.

25
 Para 1 k n,

k
Z Z
2
(x E(Xk )) dFk (x) = (x )2 I{|x k |>sn} (x)dFk (x)
2 2
|xE(Xk )|>sn

Zk
1 k
= (x )2 I{|x k |>sn} (x)dx = 0
k 2 2
0

se n < sn pois, neste caso, o integrando toma o valor zero em [0, k].
Pelo Lema, temos que s2n e da ordem de n3 . Logo, sn e da ordem n3/2 . Assim, o lema
implica que
s2n 1
3
.
n n+ 36
s2n s2n
Entao n2
= n3
n +, de modo que n < sn para n suficientemente grande.
n+
Assim, para n suficientemente grande, todas as parcelas sao nulas, satisfazendo que para
todo > 0,
k
1 X
Z
lim (x E(Xn ))2 dFn (x) = 0.
k+ s2
k n=1
|xE(Xn )|>sk

Observe agora que E(Sn ) = E(X1 ) + . . . + E(Xn ) = 1

2
+ 22 + . . . + n2 = 12 n(n+1)
2
= n(n+1)
4
1 4 n2 1 n(n+1)(2n+1) n(n+1)(2n+1)
e que 12 = 12
, 22 = 12
,...,n2 = 12
entao s2n = 12
6
= 72
logo sn =
q
n(n+1)(2n+1)
72
.
Assim podemos enunciar (um caso particular do) Teorema central do Limite para var-
iaveis aleatorias que tem distribuicao uniforme [0, n] do seguinte modo.
Seja (Xn )n1 uma sequencia de variaveis aleatorias independentes tais que Xn tem dis-
tribuicao uniforme [0, n], n. Entao

n(n+1)
Sn 4 D
q
N(0, 1).
n(n+1)(2n+1)
72

4a QUESTAO: Suponha que X1 , X2 , . . . sejam variaveis aleatorias independentes tais que

1
P(Xn = n) = 2
= P(Xn = n). Mostre que a sequencia satisfaz o Teorema Central do
Limite mas nao obedece a Lei Forte dos Grandes Numeros.

Resolucao: Como X1 , X2 , . . . sao variaveis aleatorias independentes tais que P(Xn = n) =

26
1
2
= P(Xn = n), temos que Var(Xn ) = E(Xn2 ) [E(Xn )]2 = E(Xn2 ) = n2 para todo n N.
n(n+1)(2n+1) 1
Da temos que s2n = 12 + . . . + n2 = 1 + . . . + n2 = 6
e a ordem de s2n
e n33/2 .
Como E(Xk ) = k = 0 para todo k N, chegamos que

n
X n
X n
X
2+ 2+
E|Xk k | = E|Xk | = k 2+
k=1 k=1 k=1

tem ordem + 3.
n 2+6
1
E|Xk k |2+ e da ordem de n 3+6 . Da para > 0 temos
P
Assim, temos que s2+
n
k=1

n
1 X
lim E|Xk k |2+ = 0.
n+ s2+
n k=1

Logo satisfaz a condicao de Liapunov e portanto o Teorema Central do Limite.

Suponha agora que X1 , X2 , . . . satisfaca a Lei Forte dos Grandes Numeros, da temos

Sn E(X1 ) + . . . + E(Xn )
0 q.c.,
n n n+

no nosso caso teremos

Sn
0 q.c..
n n+
Observe tambem que

Sn1
Sn Sn1 Xn
n
+1 seXn = n
= + =
n n n Sn1
1 seXn = n,
n

   
Sn1
mas n
+ 1 Sn1
n1
= Sn1 (n1)+n(n1)(Sn1 )n
n(n1)
= 1 Sn1
n1
e Sn1
n
1 Sn1
n1
= 1 Sn1
n1
.
n(n1)
Como 2
Sn1 n(n1)
2
entao Snn Sn1
n1
1
2
e Sn
n
S
n1
n1
21 o que nos garante
Sn 1
que n
nao da saltos menores que 1/2 em modulo. Logo, para todo < 0 < 2
conseguimos
mostrar que nao existe lim Sn , donde conclumos que X1 , X2 , . . . nao satisfaz a Lei dos
n+ n
Grandes Numeros.

9a QUESTAO: Seja X1 , Y1 , X2 , Y2 , X3 . . . uma sequencia de variaveis aleatorias indepen-

dentes, as Xn sendo identicamente distribudas com distribuicao U[0, 1] e as Yn sendo iden-
ticamente distribudas com distribuicao U[0, 2]. Seja Sn a soma dos n primeiros termos da

27
sequencia, de modo que S1 = X1 , S2 = X1 + Y1 , S3 = X1 + Y1 + X2 , etc.
Sn
(a) Mostre que n
converge quase certamente e ache o seu limite.

1
Resolucao: Como X1 , Y1 , X2 , Y2, . . . sao independentes e integraveis com E(Xn ) = 2
,
1 4
E(Yn ) = 1, Var(Xn ) = 12
e Var(Yn ) = 12
, n N. Assim temos que

+   +
X Var(Xn ) Var(Yn ) X 1
+ <2 < +
n=1
n2 n2 n=1
n2

o que nos garante a validade da Lei Forte dos Grandes Numeros.

Da se, n for par temos
1
Sn E(X1 ) + E(Y1 ) + . . . + E(Y n2 ) 2
n2 + n
2 3
= = q.c..
n n+ n n 4

Se, n for mpar temos

Sn E(X1 ) + E(Y1 ) + . . . + E(X n+1 ) 1

n+1 + n1
3 1 3
2 2 2 2
= = q.c..
n n+ n n 4 4n n+ 4

Sn
Conclumos, assim que 3
n n+ 4
quase certamente.

Questoes de Sala
x2 x2
z2
e 22
2 2
e 21
e 22

DIA 09/10/13: Sejam f (x) = p e g(x) = p . Entao (f g)(z) = onde

212 222 2 2
2
= 12 + 22 .

28
Resolucao: Por definicao temos que

y2 (zy)2
Z Z
2 2

2 2
e 1 e 2
(f g)(z) = f (y)g(z y) dy = p p dy
212 222

Z y2 2
1 (zy)
2 2 2
= p p e 1 e 2
2 dy
212 222

2
z2 Z y2 2
e 22

2 2
2zy+y
2
= p p e 1 e 2
2 dy
212 222

2
z2 Z 2 + 2 )y 2
(2
e 2
2 1
2 2
zy
2
= p p e 21 2 e 2 dy.
212 222

z2
2
e 22
22 +12 z
Denotemos por simplicidade k = p p ,a= 12 22
eb= 22
. Assim,
212 222

z2

2 2
Z 2 + 2 )y 2
(2
e 2 1
2 2 2
zy
2
(f g)(z) = p p e 1 2 e 2 dy
212 222

Z
ay 2
= k e 2
+by
dy

Z
ay)2
( + b ay
= k e 2 a dy.

Tomando u = ay temos du = ady e ficamos com

Z
( ay)2
+ b ay
(f g)(z) = k e 2 a dy

Z
k 2
bu
u2 +
= e a du. (1)
a

2 b2
Como u2 + bu

a
= 12 (u h)2 + c, onde h = ba e c = 2a
. Deste modo, podemos ainda

29
reescrever (2) do seguinte modo

Z
k (uh)2
(f g)(z) = ec e 2 du
a

Assim, tomando v = u h temos dv = du e portanto

Z
k v2 k
(f g)(z) = ec e 2 dv = ec 2
a a

R v2
onde a ultima igualdade decorre do que ja foi visto em sala, e 2 dv = 2. Da temos

que

z2

s
b2
2
12 22 e 22
(f g)(z) = 2 2
p p e 2a 2
2 + 1 212 222
2 2
z2
1 2
1
2
z24 21+
2
2
= p e 22
e 2 1 2
2(22 + 12 )
z2 z 2 1
2
1
2 2 2 2 ( 2 + 2 )
= p e 2 e 2 1 2
2(22 + 12 )
2
 
1 z2
1 1
2 2 ( 2 + 2 ) 2
= p e 2 2 1 2
2(22 + 12 )
z2
1
2( 2 + 2 )
= p e 1 2
2(22 + 12 )
z2
e 22
= ,
2 2

com 2 = 12 + 22 .

DIA 09/10/13: Seja f CK (R). Entao existe C > 0 tal que

f (x) h2 
 

C min{|h|2 , |h|3}.

g(h) = sup f (x + h) f (x) f (x) h

xK 2 

Resolucao: Como f CK (R) temos pelo Teorema do Valor Medio que f (x + h) f (x) =

30
f (x + h) h, onde (0, 1). Assim, podemos reescrever

2
 
 f (x) h
g(h) = sup (f (x + h) f (x)) h .
xR 2 

Novamente pelo Teorema do Valor Medio temos que f (x + h) f (x) = f (x + h) h,

com (0, ). E deste modo

2
 
 f (x) h
g(h) = sup (f (x + h) f (x)) h 
xR 2 
f (x) h2 
 
sup f (x + h) h2

=
xR 2 
f (x)
  
 2

= sup  f (x + h)
 h 
xR 2
2
C1 h
 
f (x)
onde C1 = sup  f (x + h)  < + ja que f tem suporte compacto, logo f
 
2
xR
tambem possui suporte compacto.
Por outro lado, usando a Formula de Taylor, com resto de Lagrange temos que existe
(0, 1) tal que

f (x) 2 f (x + h) 3
f (x + h) = f (x) + f (x) h + h + h ,
2! 3!
f (x) f (x+ h)
assim, substituindo f (x + h) por f (x) + f (x) h + 2!
h2 + 3!
h3 na definicao de
g(h) obtemos

f (x) h2 
 


g(h) = sup f (x + h) f (x) f (x) h

xK 2 
2
 
 f (x) 2 f (x + h) 3 f (x) h
= sup f (x) + f (x) h + h + h f (x) f (x) h 
xK 2! 3! 2 
 
 f (x + h) 3 
= sup  h 
xR 3!
 
 f (x + h) 
= sup   |h|3
xR 3! 
C2 |h|3.

h)  < +.
 
onde C2 = sup  f (x+

3! 
xR
Assim, tomando C = max{C1 , C2 } temos que g(h) C min{|h|2, |h|3 } como queriamos

31
demonstrar.
DIA 30/10/13: Prove o Teorema Central do Limite de Lindeberg: Sejam Xn,1 , . . . , Xn,kn
2
independentes para cada n todas com media zero e Xn,j com variancia 0 < n,j < +.
Denote s2n = n,1
2 2
+ . . . + n,k n
, se > 0

kn
1 X 2


2
E Xn,j I[|Xn,j |sn] 0,
sn j=1 n+

Sn D
entao sn

Y , Y N(0, 1), onde Sn = Xn,1 + . . . + Xn,kn .

Resolucao: Pelo Teorema de Portmanteau basta mostrarmos que, para toda f Ck temos
h  i
E f Ssnn E[f (Y )].
Yn,1 +Yn,2 +...+Yn,kn
Sejam Yn,1, Yn,2, . . . , Yn,kn , i.i.d. com distribuicao normal (0, 1) e denote Y = sn
.
Escrevendo
        
Sn Xn,1 + . . . + Xn,kn Yn,1 + . . . + Yn,kn
E f E[f (Y )] = E f E f =
sn sn sn
k k 1
Pn n
P
Xn,j Xn,j + Yn,kn
j=1 j=1
= E f f +

sn sn

k 1 k 2
n
P n
P
Xn,j + Yn,kn Xn,j + Yn,kn 1 + Yn,kn
j=1 j=1
+ E f f + (2)

sn sn

k 2 k 3
n
P n
P
Xn,j + Yn,kn 1 + Yn,kn Xn,j + Yn,kn2 + ... + Yn,kn
j=1 j=1
+ E f f +

sn sn

    
Xn,1 + Yn,2 + . . . + Yn,kn Yn,1 + . . . + Yn,kn
+ ...+ E f f
sn sn

Observe que para a diferenca em cada esperanca podemos proceder de modo similar ao
kn
P 1
Xn,j
j=1 Xn,kn Yn,kn
que faremos para (2). Chamemos x = sn
, h1 = sn
e h2 = sn
e usando a funcao g

32
definida no exerccio anterior temos que

f (x)(h21 h22 )
f (x + h1 ) f (x + h2 ) f (x)(h1 h2 ) g(h1) + g(h2 ).
2

Assim temos que

f (x)(h21 h22 )
 

E[f (x + h1 ) f (x + h2 )] E[f (x)(h1 h2 )] E =
2
E[h21 ] E[h22 ]
 

= E[f (x + h1 ) f (x + h2 )] E[f (x)](E[h1 ] E[h2 ])] E [f (x)]
2
= E[f (x + h1 ) f (x + h2 )] E[g(h1 )] + E[g(h2 )].

Onde a ultima igualdade decorre de todas as Xn,j , j = 1, . . . , kn tem media nula e sao
independentes.
kn  
P Xn,j Yn,i
Da se mostrarmos que E[g( sn )] + E[g( sn )] 0 obtemos o que desejamos.
j=1 n+
kn
P Yn,j
Para ver que de fato isso ocorre, observe que como os Yi s sao i.i.d. temos E[g( sn
)] =
j=1
Yn,1
kn E[g( sn
)] e podemos decompor
          
Xn,j Xn,j Xn,j
E g =E g I[|Xn,j |sn ] + E g I[|Xn,j |<sn ] ,
sn sn sn

pelo exerccio anterior

 2
Xn,j
    
Xn,j
E g I[|Xn,j |sn] K E I[|Xn,j |sn]
sn s2n
K  2 
= 2 E Xn,j I[|Xn,j |sn] 0
sn n+

por outro lado,

|Xn,j |3
     
Xn,j
E g I[|Xn,j |<sn] K E I[|Xn,j |<sn]
sn s3n
 2
Xn,j |Xn,j |

K
= 2 E I[|Xn,j |<sn]
sn sn
 2
Xn,j sn

K
2 E
sn sn
 2  Kn,j 2
K
E X n,j ,
s2n s2n

33
onde a ultima desigualdade ocorre porque todas as Xn,j , j = 1, . . . , kn tem media nula, logo
2 Sn D
Var(Xn,j ) = n,j e como o > 0 e qualquer, conclumos que sn

Y , Y N(0, 1).

DIA 12/11/13: Como consequencia dos Teoremas visto em sala temos que

D
Fn F fracamente Xn
X = Xn (t) X (t) t R.

D
Resolucao: Ja vimos em sala que Fn F fracamente = Xn
X, entao para a
D
primeira parte resta mostrar que Xn
X = Fn F fracamente.
D
X entao temos que E(f (Xn )) E(f (X)), f Cb (R).
Sabendo que Xn
n+
Queremos mostrar que Fn F fracamente para todo x ponto de continuidade de F .
 
Seja a ponto de continuidade de F , escrevemos Fn (x) = P(Xn a) = E I(,a] (Xn ) .
Considere agora



1 se x (, a )

f (x) = x+a

se x [a , a)


0 se x [a, +)

para > 0 qualquer, ver figura abaixo.

Usando a desigualdade triangular temos que

 
|Fn (a) F (a)| E I(,a] (Xn ) f (Xn ) + |E[f (Xn ) f (X)]|
 
+ E I(,a] (X) f (X) .

Queremos mostrar que para > 0 suficientemente pequeno o primeiro e o terceiro fator
D
da soma (acima) e menor que um > 0, ja que o 2o termo segue do fato de Xn
X.

34
 Observemos inicialmente o primeiro fator da soma, como

 
E I(,a] (Xn ) f (Xn ) E[I[a,a] (Xn )]

veja a figura abaixo.

Considere agora a funcao contnua dada por

0 se x (, a 2] (a + , +)


x+2a
se x (a 2, a )



g (x) =


1 se x (a , a]


x+a
+1 se x (a, a + ].

Note que g (x) I(,x] (x) para todo x R, assim temos que

   
E I(,a] (Xn ) f (Xn ) E I[a,a] (Xn )

E[g (Xn )] E[g (X)],

n+

D
ja que Xn
X. Alem disso temos que lim g (x) = I{a} (x) e como a e ponto de continuidade
0
de F temos que P(X = a) = 0, logo lim g (x) = 0. Como 0 g (Xn ) 1, para todo x R
0
conclumos pelo Teorema da Convergencia Dominada que lim E(g (x)) = 0.
0
Assim, temos que para todo 1 > 0 suficientemente pequeno que exite 1 > 0 tal que
 
E I(,a] (Xn ) f (Xn ) < 1 .
 
Observemos agora o terceiro fator da soma, isto e, E I(,a] (X) f (X).
Como lim f (x) = I(,a) (x) e sendo a ponto de continuidade de F temos que P(X =
0
a) = 0, logo lim f (x) = I(,a] (x) quase certamente e usando novamente o Teorema da
0

35
Convergencia Dominada conclumos que

 
E I(,a] (X) f (X) 0.
0

Da, temos que para todo 2 > 0 suficientemente pequeno existe 2 > 0 tal que

 
E I(,a] (X) f (X) < 2 .

Tomando portanto = min{1 , 2} teremos

|Fn (a) F (a)| 1 + 2 + |E[f (Xn ) f (X)]| ,

D
sendo f contnua e limitada e sabendo Xn
X conclumos que

|E[f (Xn ) f (X)]| 0.

n+

Portanto, Fn F fracamente para todo x ponto de continuidade de F .

D
Para a segunda parte (Xn
X = Xn (t) X (t) t R) usamos o (falso) Teorema
D R R
de Helly-Bray que afirma que se Xn
X = g(x)dFXn (x) g(x)dF (x) para
n+
toda funcao g : R R contnua e limitada.
Como cos(tx) e sen(tx) sao funcoes definidas em todo R, contnuas e limitadas para t
R R
fixo, da temos que E(cos(tXn )) = cos(tx)dFXn (x) cos(tx)dF (x) = E(cos(tX)) e
n+
R R
E(sen(tXn )) = sen(tx)dFXn (x) sen(tx)dF (x) = E(sen(tX)), donde conclumos
n+
que Xn (t) X (t) t R.

36