Sequências e Séries

Notas de Aula do Curso
ET584: Probabilidade 4
Leandro Chaves Rgo, Ph.D.
2010.1
Prefcio
Estas notas de aula foram feitas para compilar o contedo de vrias referncias bibliogrcas tendo em vista o contedo programtico da disciplina ET584-Probabilidade 4 do curso de graduao em Estatstica da Universidade Federal de Pernambuco. Em particular, elas no contm nenhum material original e no substituem a consulta a livros textos. Seu principal objetivo dispensar a necessidade dos alunos terem que copiar as aulas e, deste modo, poderem se concentrar em entender o contedo das mesmas.
Recife, maro de 2010. Leandro Chaves Rgo, Ph.D.
Contedo
Prefcio 1 Reviso de Sequncias de Nmeros Reais e Sries Numricas
1.1 Sequncias de Nmeros Reais . . . . . . . . 1.1.1 Limite de uma sequncia . . . . . . . 1.1.2 Propriedades Aritmticas dos Limites 1.1.3 Valores de aderncia, lim inf , lim sup 1.1.4 Sequncias de Cauchy . . . . . . . . Sries de Nmeros Reais . . . . . . . . . . . 1.2.1 Critrios de Convergncia . . . . . . 1.2.2 Convergncia Absoluta . . . . . . . . 1.2.3 Ordens de Magnitude . . . . . . . . . Srie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
1 2 6 8 9 10 12 15 16 17
1.2
1.3 2.1 2.2 2.3 3.1 3.2 3.3 3.4 3.5 3.6 3.7
2 Convergncia Estocstica
Seqncia de Eventos . . . . . . . . . . . . . . . 2.1.1 Borel-Canteli . . . . . . . . . . . . . . . Covergncia de Variveis Aleatrias . . . . . . . 2.2.1 Tipos de Convergncia . . . . . . . . . . 2.2.2 Relao Entre os Tipos de Convergncia Convergncia de Vetores Aleatrios . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
21
21 23 25 26 31 35
3 Funes Caractersticas
Motivao . . . . . . . . . . . . . . . . . . . . . . . . . Denio . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Propriedades . . . . . . . . . . . . . . . . . . . 3.2.2 Exemplos de Funes Caractersticas . . . . . . Teorema da Continuidade de Levy . . . . . . . . . . . . Soma de um Nmero Aleatrio de Variveis Aleatrias Funo Caracterstica de um Vetor Aleatrio . . . . . . Funes Geratrizes de Momento . . . . . . . . . . . . . Teorema de Slutsky . . . . . . . . . . . . . . . . . . . .
36
36 36 37 41 42 47 49 51 51
ii
4 Lei dos Grandes Nmeros

4.1 4.2 4.3 4.4 5.1 5.2 5.3 5.4
Motivao . . . . . . . . . . . . Lei Fraca dos Grandes Nmeros Lei Forte dos Grandes Nmeros Um Exemplo de Divergncia das Motivao . . . . . Teoremas e provas Teorema Central do Mtodo Delta . . .
. . . . . . . . . . . . . . . Mdias
. . . .
. . . .
. . . .
. . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
54
54 55 58 65 66 66 73 74
5 Teorema Central do Limite
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Limite: Caso Multivariado . . . . . . . . . . . . . . . .
66
Referncias Bibliogrcas
77
iii
Captulo 1 Reviso de Sequncias de Nmeros Reais e Sries Numricas

1.1 Sequncias de Nmeros Reais
Intuitivamente, uma sequncia de nmeros reais x1 , x2 , x3 , . . . uma sequncia de pontos da reta e o seu limite um ponto do qual os pontos xn tornam-se e permanecem arbitrariamente prximos, desde que se tome o ndice n sucientemente grande.
1 Exemplo 1.1.1: Seja xn = 1 + n , para n = 1, 2, 3, . . .. Note que a medida que n cresce
todos os pontos desta sequncia se tornam arbitrariamente prximos de 1, que como veremos adiante o limite desta sequncia. Formalmente,
Denio 1.1.2: Uma sequncia de nmeros reais uma funo x : I I , denida N R
no conjunto I = {1, 2, 3, . . .} dos nmeros naturais e tomando valores no conjunto I dos N R nmeros reais. O valor x(n), para todo n I , ser representado por xn e chamado de N n-simo termo da sequncia. Escreveremos (x1 , x2 , . . . , xn , . . .), ou (xn ) para indicar a sequncia x. No se deve confundir a sequncia x com o conjunto x(I ) dos seus termos. Para este N conjunto usaremos a notao x(I ) = {x1 , x2 , . . . , xn , . . .}. A funo x no necessariamente N injetiva: pode-se ter xm = xn com m = n, ou seja, podem haver termos diferentes que assumem o mesmo valor, ou em outras palavras, podem haver termos repetidos em uma sequncia. Diz-se que a sequncia (xn ) limitada quando o conjunto dos seus termos limitado, isto , quando existem nmeros reais a, b tais que a xn b para todo n I . Quando N uma sequncia no limitada, diz-se que ela ilimitada. Uma sequncia (xn ) limitada superiormente quando existe um nmero real b tal que xn b para todo n I . Analogamente, (xn ) limitada inferiormente quando existe a real N tal que a xn para todo n I . fcil ver que uma sequncia limitada se, e somente se, N ela for limitada inferiormente e superiormente. Por outro lado, existem algumas sequncias 1
CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS
ilimitadas que so limitadas inferiormente ou superiormente. O prximo exemplo, ilustra melhor a questo.
Exemplo 1.1.3: A sequncia xn = 1 +
limitada, pois por exemplo, temos que 0 xn 3 para todo n I . Por outro lado, a sequncia xn = n2 ilimitada, mas limitada N inferiormente pois xn 0 para todo n. Finalmente, a sequncia xn = (2)n ilimitada, no limitada inferiormente nem superiormente. Dada uma sequncia (xn ) de nmeros reais, uma subsequncia de (xn ) um sequncia (portanto, deve conter innitos termos) cujos termos so termos da sequncia (xn ) e a ordem em que estes termos aparecem na subsequncia deve ser a mesma em que eles aparecem na sequncia original (xn ).
1 n
Exemplo 1.1.4: Seja a sequncia x = (2, 4, 8, 16, 32, 64, 128, . . .), uma subsequncia
de x y = (4, 16, 64, 256, . . .). Por outro lado, z = (4, 16) no uma subsequncia de x, pois no uma sequncia j que possui apenas 2 termos. Tambm temos que w = (4, 2, 16, 8, 64, 32, . . .) no uma subsequncia de x j que os termos em w no aparecem na mesma ordem em que aparecem em x, ou seja, por exemplo, em x o termo -2 precede o termo 4, mas o mesmo no verdade em w.
Formalmente, dada uma sequncia x, uma subsequncia de x a restrio da funo x a um subconjunto innito I = {n1 < n2 < . . . < ni < . . .} de I . Escreve-se x = (xn )nI , N N N ou (xn1 , xn2 , . . . , xni , . . .) ou (xni )iI para indicar a subsequncia x . N Uma sequncia chama-se crescente (resp., decrescente) quando x1 < x2 < x3 < . . . (resp., x1 > x2 > x3 > . . .). Se vale xn xn+1 (resp., xn xn+1 ) para todo n, a sequncia diz-se no-decrescente (resp., no-crescente). As sequncias crescentes, no-decrescentes, decrescentes e no-crescentes so chamadas sequncias montonas.
Exemplo 1.1.5: xn = 0, para todo n I . Ela limitada, no-crescente e no-decrescente. N

Neste caso, temos que x(I ) = {0}. N
Exemplo 1.1.6: xn = 1 para todo n mpar; e xn = 1 para todo n par. Ela limitada, porm no montona, e temos x(I ) = {1, 1}. N Exemplo 1.1.7: xn = 1/n para todo n I . Ela montona decrescente e limitada. N
1.1.1 Limite de uma sequncia

Intuitivamente, dizer que o nmero real a limite da sequncia (xn ) signica armar que, para valores muito grandes de n, os termos xn tornam-se e se mantm to prximos de a quanto se deseje. Com um pouco mais de preciso: estipulando-se um erro por meio de um nmero real > 0, existe um ndice n0 (que depende de , em geral, que menor o erro maior ter que ser o n0 ) tal que todos os termos xn que tm ndice n maior que n0 so valores aproximados de a com erro inferior a . Formalmente,
Autor: Leandro Chaves Rgo
a = limn xn , quando para todo nmero real > 0, existe um nmero natural n0 tal que |xn a| < (o que equivalente a xn (a , a + )), sempre que n > n0 .
Como a denio implica que para qualquer > 0 arbitrrio, a distncia entre xn e a se torna menor que para n sucientemente grande, podemos escrever de forma equivalente a denio da seguinte maneira: o nmero real a limite da sequncia (xn ) de nmeros reais, quando para alguma constante K real positiva, temos que para todo nmero real > 0, existe um nmero natural n0 tal que |xn a| < K , sempre que n > n0 . A equivalncia se d pelo fato que K tambm um nmero positivo e pode se tornar to pequeno quanto se deseje apenas fazendo ser um nmero pequeno tambm. Observe que se limn xn = a, ento qualquer intervalo (a , a + ), de centro a e raio > 0, contm todos os termos xn da sequncia, com exceo de no mximo um nmero nito de ndices n (os termos de x1 at xn0 ). Reciprocamente, se qualquer intervalo de centro a contm todos os xn , salvo talvez um nmero nito de ndices n, ento lim xn = a. Quando limn xn = a, diz-se que a sequncia (xn ) converge para a, ou tende para a e escreve-se xn a. Uma sequncia que possui limite chama-se convergente. Do contrrio, ela se chama divergente. Dentre as sequncias divergentes destacamos duas que possuem limites innitos:
Denio 1.1.8: O nmero real a limite da sequncia (xn ) de nmeros reais, e escreve-se
Denio 1.1.9: Uma sequncia (xn ) de nmeros reais tem limite (resp., ), e escrevese limn xn = (resp., limn xn = ), quando para todo nmero real M > 0, existe um nmero natural n0 tal que xn > M (resp., xn < M ), sempre que n > n0 .
> 0 existe n0 > 1/ , ento para todo n > n0 , temos 1/n < 1/n0 < , ou seja, n > n0 |xn 0| < .
e que para n 10, vale a desigualdade
n +1 n +1 Exemplo 1.1.11: Vamos provar que limn 3n+10 = . Para isto notamos que 3n+10 >
2 2
Exemplo 1.1.10: A sequncia xn = 1/n para todo n converge para 0. Pois, dado qualquer
n2 , 3n+10
n2 n2 n2 n = = . 3n + 10 3n + n 4n 4
Por sua vez, n/4 > M se n > 4M . Portanto, tomando n0 = max{10, 4M }, teremos
n > n0
n2 + 1 > M. 3n + 10
1 Exemplo 1.1.12: A sequncia xn = n + (1)n divergente. Note que dado qualquer > 0,
para n > 1 e par, temos que |xn 1| < . Por outro lado, para n > 1 e mpar, temos que |xn + 1| < . Logo, a sequncia ca oscilando entre vizinhanas dos nmeros -1 e 1, para n grande.
Pois, dado qualquer
Exemplo 1.1.13: A sequncia x2n = 1 e x2n1 =

|
n = 1, 2, 3, . . . converge para 1. > 0, existe n0 > 1/ , ento para todo n > n0 e mpar, temos 1 n+1 1| = | | < . n n
(n+1) , n
Por outro lado, para todo n > n0 e par, temos |xn 1| = 0 < . Portanto, xn 1. Para facilitar o clculo do limite de sequncias, vamos recordar a noo de limite de funes reais. Intuitivamente, temos que dada uma funo real f (x) dizemos que o limite quando x tende a um nmero a igual a L, se quando x se aproxima de a o valor de f (x) se aproxima de L. Mais formalmente, temos que limxa f (x) = L se para todo erro > 0 existe um > 0 (que depende de ) tal que para todo x (a , a + ) que diferente de a, temos que f (x) (L , L + ). Por outro lado, quando queremos calcular o limite assinttico de uma dada funo, estamos interessados em saber se quando x cresce arbitrariamente a funo f (x) tende a algum valor, deste modo dizemos que o limite quando x tende a innito igual a L, se para x grande o suciente f (x) se torna to prximo de L quanto se queira. Mais formalmente, temos que limx f (x) = L se para todo erro > 0 existe um nmero natural n0 > 0 (que depende de ) tal que para todo nmero real x > n0 , temos que f (x) (L , L + ). Suponha que dada uma funo real f (x), uma sequncia seja denida por xn = f (n) para todo n I . Ento, se limx f (x) = L, temos que para todo > 0, existe um nmero N natural n0 > 0 tal que para todo nmero real x > n0 , temos que f (x) (L , L + ). Como todo nmero natural um nmero real, temos que para todo natural n > n0 , xn = f (n) (L , L + ). Logo, lim xn = L. Assim, toda vez que uma sequncia (xn ) for uma restrio, para x natural, de uma funo f (x) denida para x real, ou x > 0, temos que se limx f (x) = L, podemos concluir que xn L. Deste modo, podemos utilizar nosso conhecimento sobre limites de funes reais para calcularmos o limite de sequncias. Em particular, podemos utilizar a regra de L'Hopital que diz que se limxa f (x) = 0 e limxa g(x) = 0, ou, se limxa f (x) = e limxa g(x) = , ento
f (x) f (x) = lim . xa g(x) xa g (x) lim

quando x . Podemos reescrever esta funo da seguinte maneira:
Exemplo 1.1.14: Seja xn = n(1ea/n ). Vamos calcular o limite da funo real x(1ea/x )
(1 ea/x ) . 1/x
Note que tanto o numerador quanto o denominador convergem para zero quando x . Utilizando a regra de L'Hopital, temos:
(1 ea/x ) (ax2 ea/x ) = lim = lim aea/x = a. x x x 1/x x2 lim

Portanto, o limite de xn igual a a.
importante ressaltar que mesmo que a sequncia seja denida a partir da restrio de uma funo real, o fato da sequncia convergir para um certo limite L no implica que a funo real tender a L quando x . Por exemplo, considere a funo real f (x) tal que f (x) = 0 para x I e f (x) = 1 para x I , temos que xn = f (n) = 1 para todo n I . / N N N Logo, xn 1, porm limx f (x) = 1. A seguir provaremos alguns resultados sobre limites.
Teorema 1.1.15: (Unicidade do limite). Se limn xn = a e limn xn = b, ento a = b. Prova: Seja limn xn = a. Dado qualquer nmero real b = a, mostraremos que no se tem limn xn = b. Para isso, tomemos = |ba| . Com essa escolha de , temos que os intervalos 2 (a , a + ) e (b , b + ) so disjuntos. Ora, como limn xn = a, existe n0 tal que n > n0 implica que xn (a , a + ), e, portanto, xn (b , b + ) para todo n > n0 . Logo, / limn xn = b.
a.
Teorema 1.1.16: Se limn xn = a, ento toda subsequncia de (xn ) converge para o limite Prova: Seja (xni ) uma subsequncia de (xn ). Dado > 0, existe n0 I tal que n > n0 N
|xn a| < . Como os ndices da subsequncia formam um subconjunto innito, existe entre eles um ni0 > n0 . Ento, ni > ni0 ni > n0 , o que por sua vez implica que |xni a| < . Logo limi xni = a.
mostrar que uma certa sequncia no converge: basta obter duas subsequncias de (xn ) com limites distintos. A outra para determinar o limite de uma sequncia (xn ) que, a priori, se sabe que converge: basta determinar o limite de alguma subsequncia. Ele ser o limite procurado.
Observao 1.1.17: H duas aplicaes dos Teoremas 1.1.15 e 1.1.16. Uma delas para
Exemplo 1.1.18: A sequncia (1, 0, 1, 0, 1, . . .) no convergente pois admite duas subsequncias constantes que convergem para limites diferentes.
Teorema 1.1.19: Toda sequncia convergente limitada.

= 1, vemos que existe n0 I tal que N n > n0 xn (a1, a+1). Consideremos o conjunto nito F = {x1 , x2 , . . . , xn0 , a1, a+1}. Seja c o menor e d o maior elemento de F . Ento, para n n0 , bvio que c xn d e para n > n0 , temos que c a 1 < xn < a + 1 d. Ento, todos os termos xn da sequncia esto contidos no intervalo [c, d]; logo a sequncia limitada.
Dada um conjunto de nmeros reais A, dene-se como uma cota superior (resp. inferior) para A como sendo qualquer nmero real c tal que c x (resp. c x) para todo x A. Por exemplo, se A = (1, 1], ento qualquer nmero maior ou igual a 1 uma cota superior para A e qualquer nmero menor ou igual a -1 uma cota inferior para A. Dene-se como o supremo (resp. nmo) de um conjunto A a menor (resp. maior) cota superior (resp. inferior) de A. No exemplo anterior, temos que supA = 1 e inf A = 1. Note que o supremo e/ou o nmo de um conjunto, ao contrrio de seu mximo e mnimo, no precisam ser elementos do conjunto. No exemplo, note que inf A A. /
Prova: Seja a = limn xn . Ento, tomando
Teorema 1.1.20: Toda sequncia montona limitada convergente.

limitada. Tomemos a = sup{xn : n = 1, 2, . . .}. Armamos que a = limn xn . Com efeito, dado qualquer > 0, como a < a, o nmero a no cota superior do conjunto dos xn . Logo, existe algum n0 I tal que a < xn0 . Como a sequncia no-decrescente, N n > n0 xn0 xn e, portanto, a < xn . Como xn a para todo n (pela denio de supremo), vemos que n > n0 a < xn < a + , ou seja, limn xn = a.
Prova: Para xar as idias, seja (x1 x2 . . . xn . . .) uma sequncia no-decrescente
1.1.2 Propriedades Aritmticas dos Limites

Estudaremos agora como se comportam os limites de sequncias relativamente s operaes aritmticas e s desigualdades.
(mesmo que no exista limn yn ).
Teorema 1.1.21: Se limn xn = 0 e (yn ) uma sequncia limitada, ento limn xn yn = 0 Prova: Existe c > 0 tal que |yn | < c para todo n I . Dado N
> 0, como limn xn = 0, podemos encontrar n0 I tal que n > n0 |xn | < c . Logo, n > n0 |xn yn | = N |xn | |yn | < c c = . Isto mostra que xn yn 0.
Exemplo 1.1.22: Qualquer que seja x I , temos limn sen(nx) = 0. Com efeito, R n
1 sen(nx) n , com |sen(nx)| 1 e 1 n
0.
sen(nx) n
Teorema 1.1.23: Se limn xn = a e limn yn = b, ento

1. limn (xn + yn ) = a + b; limn (xn yn ) = a b; 2. limn (xn yn ) = a b; 3. limn (xn /yn ) = a/b se b = 0 e yn = 0, n.
Prova: Para parte 1, dado > 0 existem n1 e n2 em I tais que n > n1 |xn a| < N
e n > n2 |yn b| < 2 . Seja n0 = max{n1 , n2 }. Ento, n > n0 n > n1 e n > n2 . Logo n > n0 implica:
2
|(xn + yn ) (a + b)| = |(xn a) + (yn b)| |xn a| + |yn b| < 2 + 2 = .
Isto prova que limn (xn + yn ) = a + b. O caso da diferena xn yn se trata do mesmo modo. Para parte 2, temos xn yn ab = xn yn xn b+xn bab = xn (yn b)+(xn a)b. Ora, (xn ) pelo Teorema 1.1.19 uma sequncia limitada e pela parte 1, temos que limn (yn b) = 0. Logo, pelo Teorema 1.1.21, limn [xn (yn b)] = 0. Por motivo semelhante, limn [(xn a)b] = 0. Assim, pela parte 1, j demonstrada, temos limn (xn yn ab) = limn [xn (yn b)] + limn [(xn a)b] = 0, donde limn xn yn = ab.
Para parte 3, notemos que, como pela parte 2, yn b b2 , existe n0 tal que n > n0 2 2 1 yn b > b2 (basta tomar = b2 ). Segue-se que, para todo n > n0 , yn b um nmero positivo 1 inferior a b2 . Logo, a sequncia ( yn b ) limitada. Como temos que, 2
xn a bxn ayn 1 = = (bxn ayn ) . yn b yn b yn b

Como pelas partes 1 e 2, limn (bxn ayn ) = ab ab = 0, segue-se do Teorema 1.1.21 que n n limn ( xn a ) = 0 e, portanto, limn xn = a . y b y b
valem para qualquer nmero nito de sequncias. Por exemplo, se limn xn = a, limn yn = b, e limn zn = c, ento limn (xn +yn +zn ) = a+b+c e limn (xn yn zn ) = abc. Contudo, deve-se tomar cuidado de no tentar aplicar o teorema para certas somas (ou produtos) em que o nmero 1 1 de parcelas varivel e cresce acima de qualquer limite. Por exemplo, seja sn = n + . . . + n 1 (n parcelas). Ento, sn = 1 e, portanto, limn sn = 1. Por outro lado, cada parcela n tem limite zero. Uma aplicao descuidada do Teorema 1.1.23 levaria ao absurdo de concluir que
Observao 1.1.24: claro que resultados anlogos aos tens 1 e 2, do Teorema 1.1.23
lim sn = lim 1/n + . . . + lim 1/n = 0 + . . . + 0 = 0.

n n n
Teorema 1.1.25: Sejam xn yn para todo n I , limn xn = a, e limn yn = b, ento a b. N

= ab . Ento, por hiptese existem 2 n1 e n2 tais que n > n1 xn (a , a + ) e n > n2 yn (b , b + ). Pondo n0 = max{n1 , n2 }, vemos que n > n0 implica yn < b + = a+b = a < xn , absurdo. 2
Prova: Suponha por contradio que a > b. Seja
limn yn = b, ento a < b. Por exemplo, seja xn = 0 e yn = 1/n para todo n I . Temos que N limn xn = limn yn = 0. limn zn = a.
Observao 1.1.26: O resultado anlogo ao do Teorema 1.1.25 para desigualdades estritas no vlido. Ou seja, no verdade que se xn < yn para todo n I , limn xn = a, e N
Teorema 1.1.27: Sejam xn zn yn para todo n I . Se limn xn = limn yn = a, ento N Prova: Dado > 0, existem n1 e n2 tais que n > n1 xn (a , a + ) e n > n2 yn
(a , a+ ). Pondo n0 = max{n1 , n2 }, vemos que n > n0 implica a < xn zn yn < a+ . Portanto, limn zn = a.
Vamos a seguir provar que limites so preservados a aplicaes de funes contnuas. Recorde que uma funo f : I I contnua em a I se para todo > 0, existe > 0, R R R tal que |x a| < |f (x) f (a)| < .
Teorema 1.1.28 : Se limn xn = a e g : I I uma funo contnua em a, ento R R

limn g(xn ) = g(a).
> 0, arbitrrio. Como g contnua em a, existe > 0 tal que |x a| < |g(x) g(a)| < . Por outro lado, como xn a, temos que existe n0 tal que n > n0 |xn a| < . Portanto, para n > n0 , temos que |g(xn ) g(a)| < . Ou seja, limn g(xn ) = g(a).
Prova: Escolha
1.1.3 Valores de aderncia, lim inf , lim sup

Denio 1.1.29: Um nmero real a chama-se valor de aderncia de uma sequncia (xn )
quando a limite de alguma subsequncia de (xn ).
Exemplo 1.1.30: Se limn xn = a, ento a o nico valor de aderncia de (xn ). A sequncia (0, 1, 0, 2, 0, 3, . . .) tem 0 como seu nico valor de aderncia, embora no seja convergente. A sequncia (0, 1, 0, 1, 0, . . .) tem como valores de aderncia 0 e 1. Seja xn = n, a sequncia (xn ) no possui valores de aderncia.
O prximo teorema mostra que um nmero real a valor de aderncia de uma sequncia (xn ) se, e somente se, toda vizinhana de a contem innitos termos de (xn ).
Teorema 1.1.31: a valor de aderncia de (xn ) se, e somente se, para todo n0 I existir n I tal que n > n0 e xn (a , a + ). N N
> 0 e todo
Prova: Suponha que a um valor de aderncia de (xn ). Ento, existe uma subsequncia (xni ) tal que limi xni = a, ou seja, para todo > 0, existe ni0 , tal que i > i0 xni (a , a + ). Ento, dado qualquer n0 , como (xni ) contm innitos termos de (xn ), existe ni > n0 tal que i > i0 e, consequentemente, xni (a , a + ). Reciprocamente, suponha que para todo > 0 e todo n0 I exista n I tal que N N n > n0 e xn (a , a + ). Vamos construir uma subsequncia (xni ) tal que limi xni = a, mais especicamente, vamos construir uma subsequncia tal que xni (a 1/i, a + 1/i). Por suposio, existe n1 tal que xn1 (a 1, a + 1), vamos denir os demais termos da subsequncia por induo. Suponha que exista ni > ni1 tal que xni (a 1/i, a + 1/i), 1 1 queremos provar que existe ni+1 > ni tal que xni+1 (a i+1 , a + i+1 ). Por suposio, para 1 1 1 = i+1 e n0 = ni , existe um n > n0 tal que xn (a i+1 , a + i+1 ). Chamemos este n de ni+1 , e construmos a desejada subsequncia. Ento, temos que a limite desta subsequncia (xni ) e, portanto, valor de aderncia de (xn ).
Seja (xn ) uma sequncia limitada de nmeros reais. Mostraremos que o conjunto de valores de aderncia de (xn ) no vazio, que entre eles existe um que o menor de todos e outro que o maior, e que a sequncia converge se, e somente se, possui apenas um valor de aderncia. Suponha que xn para todo n I . Escrevamos Xn = {xn , xn+1 , . . .}. N Temos [, ] X2 . . . Xn . . . Logo, denindo an = inf Xn e bn = sup Xn , temos
a1 a2 . . . an . . . bn . . . b2 b1
Como toda sequncia monotnica e limitada convergente, temos que an a e bn b. Escreve-se a = lim inf xn e b = lim sup xn e diz-se que a o limite inferior e que b o limite superior da sequncia (xn ). Como an bn , tem-se lim inf xn lim sup xn .
1 1 inf X2n2 = inf X2n1 = n e sup X2n1 = sup X2n = 1 + n . Logo, lim inf xn = 0 e lim sup xn = 1 e estes so os dois nicos valores de aderncia da sequncia (xn ).
1 1 Exemplo 1.1.32 : Sejam x2n1 = n e x2n = 1 + n . Verica-se sem diculdade que
aderncia e lim sup xn o maior valor de aderncia de (xn ).
Teorema 1.1.33: Seja (xn ) uma sequncia limitada. Ento, lim inf xn o menor valor de Prova: Provaremos inicialmente que a = lim inf xn valor de aderncia de (xn ). Para isto,
usaremos o Teorema 1.1.31, e mostraremos que dados > 0 e n0 I arbitrrios, existe N n I tal que n > n0 e xn (a , a + ). Como a = limn an , existe n1 > n0 tal que N a < an1 < a + . Como an1 = inf Xn1 , segue-se da ltima igualdade que a + (sendo maior que an1 ) no cota inferior de Xn1 . Logo, existe n n1 tal que an1 xn < a + . Isto nos d n > n0 com a < xn < a + . Mostremos agora que nenhum nmero c < a pode ser valor de aderncia de (xn ). Ora, como a = limn an , segue-se de c < a que existe n0 I tal N que c < an0 a. Como an0 = inf Xn0 , conclumos que n n0 c < an0 xn . Tomando = an0 c, vemos que c + = an0 , logo o intervalo (c , c + ) no contm termo xn algum com n n0 . Isto exclui a possibilidade de c ser valor de aderncia de (xn ). A demonstrao para lim sup se faz de modo semelhante.
mente se, lim inf xn = lim supn xn , isto , se, e somente se, possui um nico valor de aderncia.
Corolrio 1.1.34: Uma sequncia limitada de nmeros reais (xn ) convergente se, e so-
lim inf xn = lim supn xn = a. Se lim inf xn = lim supn xn = a, ento suponha que xn no convirja para a. Logo, existe > 0, tal que para todo n0 N existe n > n0 tal que xn (a , a + ). Ento existe uma subsequncia de (xn ) cujos termos no esto no / intervalo (a , a + ). Pelo Teorema 1.1.33, esta subsequncia possui valores de aderncia que so valores de aderncia de (xn ) e esto fora do intervalo (a , a + ), uma contradio.
Prova: Se (xn ) convergir para a, ento vimos que a o nico valor de aderncia. Portanto,
1.1.4 Sequncias de Cauchy

Provamos anteriormente que toda sequncia montona limitada convergente. Isto nos permite concluir que uma sequncia possui limite mesmo sem conhecermos o valor deste limite. Veremos agora o critrio de Cauchy, que nos d uma condio necessria e suciente para a convergncia de nmeros reais.
Denio 1.1.35: Uma sequncia (xn ) de nmeros reais uma sequncia de Cauchy quando
dado qualquer
> 0, existe um n0 I tal que n > n0 e m > n0 implica |xm xn | < . N
A m de que (xn ) seja uma sequncia de Cauchy, exige-se que seus termos xm , xn , para valores sucientemente grandes de ndices n e m, se aproximem e permaneam arbitrariamente prximos uns dos outros. Compare com a denio de limite, onde se exige que os termos xn se aproximem e permaneam arbitrariamente prximos de um nmero real a dado a priori. Aqui se impe uma condio apenas sobre os termos da prpria sequncia.
10
Teorema 1.1.36: Toda sequncia convergente de Cauchy.

m > n0 |xm a| < /2. Logo, m, n > n0 |xm xn | |xm a|+|xn a| < /2+ /2 = , ou seja (xn ) uma sequncia de Cauchy.
Intuitivamente: se limn xn = a ento, para valores grades de n, os termos xn se aproximam de a, e portanto necessariamente aproximam-se uns dos outros.
Prova: Seja limn xn = a. Ento, dado > 0 existe n0 tal que n > n0 |xn a| < /2 e
Teorema 1.1.37: Toda sequncia de Cauchy de nmeros reais convergente. Prova: Iremos provar este teorema utilizando dois Lemas. Lema 1.1.38: Toda sequncia de Cauchy limitada.
= 1, obtemos n0 I tal que N m, n > n0 |xm xn | < 1. Em particular para m = n0 + 1, n > n0 |xn0 +1 xn | < 1, ou seja, n > n0 xn (xn0 +1 1, xn0 +1 + 1). Sejam o menor e o maior elemento do conjunto X = {x1 , x2 , . . . , xn0 , xn0 +1 1, xn0 +1 + 1}. Ento, xn [, ] para todo n I , N logo (xn ) limitada.
Prova: Seja (xn ) uma sequncia de Cauchy. Tomando
Lema 1.1.39: Se uma sequncia de Cauchy (xn ) possui um valor de aderncia a I , ento R
limn xn = a.
Prova: Dado > 0, como (xn ) uma sequncia de Cauchy, existe n0 I tal que m, n > N
n0 |xm xn | < 2 . Como a valor de aderncia de (xn ), existe tambm n1 > n0 tal que |xn1 a| < /2. Portanto, n > n0 |xn a| |xn xn1 | + |xn1 a| < . Isto mostra que limn xn = a.
Ento, seja (xn ) uma sequncia de Cauchy. Pelo Lema 1.1.38, ela limitada. Logo, pelo Teorema 1.1.33, possui um valor de aderncia e segue do Lema 1.1.39 que (xn ) converge.
1.2 Sries de Nmeros Reais

Nesta seo, estenderemos a operao de adio de modo a atribuir signicado a uma igualdade do tipo 1 + 1 + . . . + 21 + . . . = 1, na qual o primeiro termo uma soma com uma n 2 4 innidade de parcelas. claro que no tem sentido somar uma sequncia innita de nmeros 1 reais. O que o primeiro membro da igualdade acima exprime o limite limn ( 1 + 4 + . . . + 21 ). n 2 A armao contida naquela igualdade signica que para todo > 0 existe n0 tal que, para todo n > n0 , a soma 1 + 1 + . . . + 21 difere de 1 por menos de . n 2 4 nova sequncia (sn ) cujos elementos so as somas
Denio 1.2.1: Seja (an ) uma sequncia de nmeros reais. A partir dela, formamos uma
s1 = a1 , s2 = a1 + a2 , . . . , sn = a1 + . . . + an ,
que so chamados de soma parcial ou reduzida da srie n-simo termo ou o termo geral da srie.
an . A parcela an chamada o
CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS Se existir o limite
11
s = lim sn = lim (a1 + . . . + an ),

n
diremos que a srie remos ento
an convergente e o limite s ser chamado a soma da srie. Escreve
s=
an =
n=1
an = a1 + a2 + . . . + an + . . . . an divergente.
Se a sequncia de somas parciais no convergir, diremos que a srie
sequncia das reduzidas de uma srie. Basta tomar a1 = x1 e an+1 = xn+1 xn para todo n I . Ento, a1 + . . . + an = x1 + (x2 x1 ) + . . . + (xn xn1 ) = xn . A srie N an assim obtida converge se, e somente se, a sequncia (xn ) convergente. No caso armativo, a soma desta srie igual a limn xn . Assim falando, pode-se dar a impresso de que a teoria das sries coincide com a teoria dos limites de sequncias. Isto no verdade, pelo seguinte motivo. Ao estudar a srie cujas reduzidas so sn , estaremos deduzindo suas propriedades a partir das diferenas an = sn sn1 . Em vez de tomar como ponto de partida o comportamento dos nmeros sn , concentraremos ateno sobre os termos an . A primeira condio necessria para convergncia de uma srie que seu termo geral tenda para zero.
Observao 1.2.2: Toda sequncia (xn ) de nmeros reais pode ser considerada como a
Teorema 1.2.3: Se
an uma srie convergente, ento limn an = 0.
Prova: Seja sn = a1 + . . . + an . Ento, existe s = limn sn . Evidentemente, tem-se tambm

s = limn sn1 . Logo, 0 = s s = limn sn limn sn1 = limn (sn sn1 ) = limn an .
pela srie harmnica efeito, temos
1 . n
Exemplo 1.2.4: A recproca do Teorema 1.2.3 falsa. O contra-exemplo clssico dado

Seu termo geral,
1 , n
tende para zero mas a srie diverge. Com
1 1 1 1 1 + ( + ) + . . . + ( n1 + n) 2 3 4 2 +1 2 n1 2 1 1 2 > 1 + + + ... + n = 1 + n . 2 4 2 2 Segue-se que limn s2n = + e, por conseguinte, como sn monotonicamente crescente, 1 1 1 diverge, pois nr > n temos limn sn = +. Resulta da que, para 0 < r < 1, a srie nr para todo n > 1. s2n = 1 +
Exemplo 1.2.5: A srie geomtrica
an divergente quando |a| 1, pois neste caso seu termo geral no tende a zero. Quando |a| < 1, a srie geomtrica converge, pois sn asn = (1 + a + . . . + an ) (a + a2 + . . . + an+1 ) = 1 an+1 1 an+1 sn (1 a) = 1 an+1 sn = . 1a
Ento,
n=0
n=0
an = limn sn =
1 . 1a
12
Exemplo 1.2.6: A srie
= 1 1 + 1 1 + . . . divergente pois seu termo geral no tende a zero. Suas somas parciais de ordem mpar so iguais a 1 e as de ordem par so iguais a zero.
Uma srie an pode divergir por dois motivos. Ou porque as reduzidas sn = a1 +. . .+an no so limitadas ou porque elas oscilam em torno de alguns valores de aderncia. Quando os termos da srie tm todos o mesmo sinal, esta ltima possibilidade no ocorre, pois, neste caso, as reduzidas formam uma sequncia montona. A seguir ns estudaremos alguns critrios de convergncia de sries.
n+1 n=1 (1)
N Teorema 1.2.7: Seja an > 0 para todo n I . A srie
an converge se, e somente se, as somas parciais sn = a1 + . . . + an formam uma sequncia limitada.
converge se, e somente se, limitada.
Prova: Sendo an > 0, temos s1 s2 s3 . . .; logo a sequncia (sn ) sendo montona
Dada uma srie de termos no negativos a1 , a2 , . . ., suponha que os termos sejam reindexados numa outra ordem qualquer, a1 , a2 , . . ., de forma que a1 pode ser a15 , a2 pode ser a1 , etc. Ento, como os termos so todos no negativos, a nova soma parcial sn = a1 + . . . + an dominada por alguma soma parcial sm com m > n. Se a srie original converge para s, teremos sn sm s, logo sn limitada e portanto convergente. Seu limite s seu supremo, de sorte que s s. Mas a srie original pode tambm ser interpretada como obtida de an por reindexao de seus termos an , logo temos tambm s s . Conclumos que uma srie de termos no negativos que converge tem a mesma soma, independente da ordem de seus termos. fcil ver tambm que se a srie de termos no negativos diverge, ela ser sempre divergente, no importa a ordem de seus termos. O prximo teorema estabelece mais uma caracterizao de sries convergentes e divergentes.
Teorema 1.2.8: Seja

(a) se (b) se
n=1 n=1
n=1
an uma srie de termos no-negativos. Ento,

n=k+1 n=k
an < , ento limk an = , ento k ,
an = 0;
an = .
an uma sequncia montona no-decrescente e limitada, ento ela convergente. Logo, pelo critrio de Cauchy para sequncias temos que > 0, m tal que k, p > m |sp sk | < . Assumindo sem perda de generalidade que p > k , temos que > 0, m tal que k, p > m | p n=k+1 an | < . Fazendo p , temos que > 0, m tal que k > m | n=k+1 an | , ou seja, n=k+1 an 0. Para parte (b), suponha por contradio que n=1 an = e que exista k tal que k1 n=k ak < , uma contradio. n=1 an = L + n=1 an , ento n=k ak < . Seja L =
Prova: Para parte (a), como sk =
k n=1
1.2.1 Critrios de Convergncia

Um dos problemas centrais no estudo das sries consiste em saber se uma dada srie converge ou no. H vrios critrios para se testar a convergncia de uma srie, ns vamos destacar dois dos mais importantes: o teste da comparao e o teste da razo.
13
Teste de Comparao Teorema 1.2.9: Sejam

(i) (ii)
an e bn duas sries de termos no negativos. Suponhamos ainda que a primeira seja dominada pela segunda, an bn para todo n I . Ento, N bn converge an diverge an converge; bn diverge.
Prova: As somas parciais das sries dadas sn = a1 + . . . + an e tn = b1 + . . . + bn so

sequncias no decrescentes, satisfazendo desigualdade sn tn , pois 0 an bn . No caso (i), tn converge para um certo limite t, ento sn t para todo n, ou seja, sn uma sequncia montona limitada e, portanto, convergente. Para provar (ii), raciocinamos por absurdo: se bn convergisse, ento, pela parte (i), an tambm teria de convergir, contrariando a hiptese.
1 n!
com a srie geomtrica de razo 1/2. Observemos que
Exemplo 1.2.10: Um modo de provar a convergncia da srie

1 1 1 1 = < = n1 , n! 2 3...n 2 2...2 2
donde se v que a srie dada dominada pela srie conclumos que a srie original tambm convergente.
1 . 2n1
consiste em compar-la
Como esta convergente,
Exemplo 1.2.11: Vamos provar que a srie
convergente quando r > 1. Para isso, majoramos as somas parciais da srie, diminuindo os denominadores de seus termos, de acordo com o seguinte esquema:
1 nr
1 1 1 1 1 1 + r) + ( r + r + r + r) + ... r 2 3 4 5 6 7 1 1 1 1 1 1 1 + ( r + r) + ( r + r + r + r) + ... 2 2 4 4 4 4 2 4 1 1 = 1 + r + r + . . . = 1 + r1 + r1 2 4 2 4 1 1 2 = 1 + ( r1 ) + ( r1 ) + . . . 2 2 1+(

Isto nos mostra que convergente.
1 nr
dominada pela srie geomtrica de razo q =

1 1 k=1 k sen k
1 2r1
< 1, que
Exemplo 1.2.12: A srie
senx < x, temos que para todo k 1:
convergente, pois como para todo x (0, /2),
0
Como gente.
1 k=1 k2
1 1 1 1 sen . k k k k
1 1 k=1 k sen k
convergente, segue do critrio da comparao que
conver-
14
Exemplo 1.2.13: A srie Soluo:

Para todo k 1, 1 +
2 k 1 k2
k k=0 k2 +2k+1
convergente ou divergente? Justique.

1 k2
k2 +
k 1 1 = 2 + 2k + 1 k 1+ k +
4 e, portanto, para todo k 1, k 1 . k 2 + 2k + 1 4k
Como
1 k=1 4k
= , resulta que
k k=0 k2 +2k+1
= e, portanto, a srie divergente.
Teste da Razo Teorema 1.2.14: Seja an uma srie de termos positivos tal que an+1 /an converge para um certo limite r. Ento, a srie converge se r < 1 e diverge se r > 1. Prova: Supondo r < 1, seja
> 0 tal que c = r + < 1. Como an+1 /an r, existe um ndice N sucientemente grande tal que, para n N , r < an+1 /an < r + = c.
Fazendo n sucessivamente igual a N , N + 1, N + 2, . . . , essa desigualdade nos d
aN +1 < aN c, aN +2 < aN +1 c < aN c2 ,

em geral, aN +n < aN cn , de modo que a srie +1 an dominada pela srie geomtrica n=N aN cn . Como c < 1, esta srie converge, logo o mesmo ocorre com a srie original, pelo n=1 teste de comparao. Ao contrrio, se r > 1, ento, dado = r 1, a partir de certo ndice n = N teremos
r < an+1 /an < r + .

Como r = 1, a primeira desigualdade acima nos d an+1 > an a partir de n = N . Portanto, aN < aN +1 < aN +2 < . . . e a srie original diverge para .
Exemplo 1.2.15: A srie 2 convergente ou divergente? Justique. k=0 k! k Soluo: Como ak = 2 , temos k!
k
ak+1 = ak
2k+1 (k+1)! 2k k!
2 . k+1
2k k=0 k!
Segue que limk ak+1 /ak = 0, ento, pelo critrio da razo, a srie
convergente.
15
1.2.2 Convergncia Absoluta

Denio 1.2.16: Diz-se que uma srie
convergente, se a srie
an converge absolutamente, ou absolutamente |an | convergente.
da srie independe da ordem em que se consideram os termos.
Teorema 1.2.17: Toda srie absolutamente convergente convergente. Alm disso, a soma Prova: Sejam pn a soma dos termos ar positivos e qn a soma dos valores absolutos dos
termos ar negativos, onde, em ambos os casos, r n. Ento, as somas parciais das sries |an | e an so dadas por
Tn = |a1 | + |a2 | + . . . + |an | = pn + qn

e
Sn = a1 + a2 + . . . + an = pn qn ,
respectivamente. As sequncias (Tn ), (pn ) e (qn ) so no decrescentes, a primeira delas converge, por hiptese, digamos, para T . Ao mesmo tempo, pn Tn T e qn Tn T , logo pn e qn tambm convergem, digamos para p e q , respectivamente. Conclumos que (Sn ) tambm converge: Sn = pn qn p q . Para demonstrar a segunda parte do teorema, basta notar que pn e qn so somas parciais de sries de termos no negativos, cujas somas independem da ordem em que se considerem seus termos.
Exemplo 1.2.18 : A srie 1 +

absolutamente convergente.
1 4
1 9
+ ... =
(1)n n=1 n2
convergente, j que ela
Teste da Razo Para Sries de Termos Quaisquer Teorema 1.2.19: Seja a srie Prova: Se r < 1, a srie
k=0
ak , com ak = 0 para todo natural k . Suponhamos que limk | ak+1 | = r. Ento, a srie converge se r < 1 e diverge se r > 1. ak |ak | ser convergente pelo teste da razo; logo
k=0
k=0
ak ser, tambm, convergente. |ak+1 | Se r > 1, existir um natural p tal que k p |ak | > 1. Ento, para todo k > p, |ak | > |ap |. Como ap = 0, limk |ak | no poder ser zero e o mesmo acontecer, ento, com limk ak . Pelo critrio do termo geral, a srie ak ser divergente. k=0
Exemplo 1.2.20: Determine x para que a srie nxn seja convergente. n=1 Soluo: Para x = 0 a soma da srie zero; logo convergente. Suponhamos ento que
x = 0 e apliquemos o critrio da razo. lim |
n
n+1 (n + 1)xn+1 | = |x| lim = |x|. n n nx n
Segue do critrio da razo, que a srie convergente para |x| < 1 e divergente para |x| > 1. Para |x| = 1, a srie divergente pelo critrio do termo geral.

n
16
Exemplo 1.2.21: Determine x para que a srie x seja convergente. n=1 n! Soluo: Para x = 0 a soma da srie zero; logo convergente. Suponhamos ento que
n
n!xn+1 1 | = |x| lim = 0. n n+1 (n + 1)!xn
Segue do critrio da razo, que a srie convergente para todo x real.
Exemplo 1.2.22: Determine x para que a srie n!x seja convergente. n=1 nn Soluo: Para x = 0 a soma da srie zero; logo convergente. Suponhamos ento que
n

n
(n + 1)!nn xn+1 (n + 1)nn n n |x| | = |x| lim = |x| lim( ) = . n+1 xn n+1 n (n + 1) n n+1 n!(n + 1) e
Segue do critrio da razo, que a srie convergente para todo |x| < e e divergente para |x| > e. Se |x| = e, utilizando a aproximao de Stirling, segundo a qual limn ( n )nn! 2n = 1, e temos que
limn |an | = lim
n!en n nn n!en ( n )n 2n e = lim n n n n ( e )n 2n = lim ( n )n e = 1 lim 2n = .

n n
n!
en ( n )n 2n e lim nn 2n n
Portanto, o termo geral da srie diverge, logo a srie diverge.
1.2.3 Ordens de Magnitude

Quando duas funes f e g so tais que o quociente f (x) tende a zero com x tendendo a um g(x) certo x0 , dizemos que f de ordem pequena em relao a g , para x x0 e escrevemos
f (x) = o(g(x)), x x0 .
1 1 Por exemplo, sen2 x = o(x) e cos( x ) = o( x ) para x 0, pois ambos quocientes, sen x e x cos(1/x) tendem a zero com x 0. 1/x Quando apenas sabemos que o quociente permanece limitado numa vizinhana de x0 , isto , quando existem nmeros positivos e M tal que se |x x0 | < , ento |f (x)| M , |g(x)| dizemos que f de ordem grande em relao a g , para x x0 e escrevemos
2
f (x) = O(g(x)), x x0 .
17
Por exemplo, ex 1 x = O(x2 ) e senx x = O(x3 ) para x 0, pois usando L'Hopital, x temos que os quocientes e 1x e senxx tendem a 1/2 e 1/6, respectivamente, quando x x2 x3 tende a zero. Note que f (x) = o(g(x)) f (x) = O(g(x)), x x0 , mas a recproca no verdadeira. No caso de sequncias de nmeros reais, tambm podemos analisar o comportamento comparativo de duas sequncias {an }n1 e {bn }n1 , quando n tende ao innito. Dizemos n que an = o(bn ) se lim an = 0 e dizemos que an = O(bn ) se existir um nmero inteiro positivo b
n n0 tal que a subsequncia de |an || que contm todos os termos a partir de n0 seja limitada. |b Em particular, temos que se (bn ) for uma sequncia constante bn = c, para todo n, ento an = o(c) se an 0 e an = O(c) se (an ) for uma sequncia limitada.
Exemplo 1.2.23:
1. nk = o(en ), para todo k . 2. log n = o(nk ), para todo k > 0. 3. 10n2 + n = O(n2 ).
1.3 Srie de Taylor

As funes polinomiais so as mais simples quando se quer calcular seus valores, deriv-las ou integr-las. A possibilidade de aproximar funes por polinmios de suma importncia, pois permite obter propriedades das funes em termos de propriedades anlogas dos polinmios que as aproximam. Vamos considerar o problema de aproximar a funo f , numa vizinhana de x = 0, por um polinmio de grau n:
pn (x) = a0 + a1 x + . . . + ar xr + . . . + an xn .
Suponha que f seja derivvel em x = 0 at ordem n. Observamos que:
pn (x) = a1 + 2a2 x + . . . + rar xr1 + . . . + nan xn1 pn (x) = 2a2 + 6a3 x + . . . + r(r 1)ar xr2 + . . . + n(n 1)an xn2
Em geral,
p(r) (x) = r!ar + . . . + n(n 1) . . . (n r + 1)an xnr . n

(r)
Portanto, fazendo x = 0 nessa expresso, obtemos pn (0) = r!ar , r = 0, 1, 2, . . . , n. Como queremos aproximar f por pn em x = 0, queremos que todas as derivadas at ordem n dessas funes em x = 0 coincidam, ou seja, que elas se toquem (f (0) = pn (0)) no ponto x = 0, tenham a mesma inclinao (f (0) = pn (0)) neste ponto, e assim por diante. Ento, segue-se que (r) f (r) (0) pn (0) = . ar = r! r!
CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS Ento, temos que
n
18
pn (x) =
r=0
f (r) (0) r x, r!
onde f (0) (x) = f (x). Este chamado de polinmio de Taylor de ordem n da funo f em torno de x = 0. Sua importncia reside no teorema que enunciamos e provamos a seguir.
Teorema 1.3.1: Seja f uma funo derivvel at a ordem n + 1, numa vizinhana V de

x = 0. Ento, o polinmio pn aproxima f em V com erro ou resto dado por Rn (x) = f (x) pn (x) =
onde cn um nmero compreendido entre 0 e x.
f (n+1) (cn )xn+1 , (n + 1)!
Prova: Comearemos enunciando e provando o seguinte Lema, conhecido como Teorema do

Valor Mdio Generalizado.
Lema 1.3.2: Se F e G so funes derivveis num intervalo (a, b), contnuas em [a, b], com
G(a) = G(b) e G (x) = 0 para x (a, b), ento existe c (a, b) tal que F (b) F (a) F (c) = G(b) G(a) G (c)
Prova: Considere a funo

H(x) = (F (b) F (a))(G(x) G(a)) (G(b) G(a))(F (x) F (a)).
Ento, H contnua em [a, b], derivvel em (a, b), e H(a) = H(b) = 0. Logo pelo Teorema do Valor Mdio existe c (a, b) tal que H(b) H(a) = 0 = H (c)(b a), ou seja, H (c) = 0. Portanto, existe c tal que
(F (b) F (a)G (c) (G(b) G(a))F (c) = 0.

Como G(b) = G(a), o resultado est provado. Usaremos repetidamente o Teorema do Valor Mdio Generalizado para provar o teorema. Seja F (x) = f (x) pn (x), G(x) = xn+1 , a = 0, e b = x. Ento aplicando o Lema notando que f (0) = pn (0), obtemos
f (x) pn (x) f (c) pn (c) Rn (x) = = , n+1 n+1 x x (n + 1)cn

onde c est entre 0 e x. Aplicando novamente o Lema com F (x) = f (x) pn (x), G(x) = (n + 1)xn , b = c e a = 0, temos (note que f (0) pn (0) = 0)
Rn (x) f (c) pn (c) f (c1 ) pn (c1 ) = = n1 , n+1 n x (n + 1)c (n + 1)nc1


(r)
19
onde c1 est entre 0 e c. Continuando desta maneira, levando sempre em conta que fn (0) = (r) (n+1) pn (0), para 0 r n e o fato que pn (y) = 0 para todo y real, obtemos
Rn (x) f (n+1) (cn ) = , xn+1 (n + 1)!

onde cn est entre 0 e x. A frmula
n
f (x) =
r=0
f (r) (0) r x + Rn (x) r!
chamada de srie, expanso ou desenvolvimento de Taylor de ordem n da funo f em torno de x = 0. Podemos generalizar este resultado e obter a srie de Taylor de uma funo em torno de um outro ponto qualquer x = a, onde a no necessariamente igual a zero. Este problema se reduz facilmente ao problema tratado anteriormente, introduzindo-se a varivel h = x a e a funo g(h) = f (a + h) = f (x). Dessa maneira a varivel x se aproxima de a se, e somente se, h se aproxima de 0. Suponha que f seja derivvel at ordem n + 1 numa vizinhana de x = a, digamos |x a| < . Ento, g ter n + 1 derivadas em |h| < . Alm disso, g (r) (h) = f (r) (a + h) = f (r) (x), 0 r n + 1. Portanto, a srie de Taylor de g de ordem n em torno de h = 0 : n g (r) (0) r g (n+1) (c) n+1 g(h) = h + h , r! (n + 1)! r=0 e pode ser reescrita como
n
f (x) =
r=0
f (r) (a) f (n+1) (c ) (x a)r + (x a)n+1 , r! (n + 1)!
onde c = a + c um nmero entre a e x, do mesmo modo que c um nmero entre 0 e h. Esta frmula chamada de srie, expanso, ou desenvolvimento de Taylor de ordem n da (r) funo f em torno do ponto x = a, e n f r!(a) (x a)r chamado de polinmio de Taylor r=0 de ordem n de f em torno de x = a. Se a funo f (n+1) for limitada por uma constante K numa vizinhana de x = a, isto , |f n+1 (x)| K , para |x a| , ento Rn (x) = O((x a)n+1 ) ou Rn (x) = o((x a)n ) com x a. Desse modo se uma funo f possui derivada de ordem n numa vizinhana de x = a para todo natural n, temos que sua srie de Taylor dada por:
r=0
f (r) (a) (x a)r . r!
x > 1, em torno de x = 0.
Exemplo 1.3.3: Vamos obter a srie de Taylor de ordem n da funo f (x) = ln(1 + x),
20
(1 + x)1 , f (x) = 1(1 + x)2 , e que em geral temos: f (r) (x) = (1)r1 (r 1)!(1 + x) . Portanto, f (r) (0) = (1)r1 (r 1)!, e a srie de Taylor de ordem n de f em torno de x = 0 :
n
Soluo: Note que f (0) = ln(1) = 0, f (x) =
1 = 1+x r
f (x) =
r=1
(1)r1 r (1)n (1 + c)(n+1) n+1 (x) + (x) , r (n + 1)
onde c est entre 0 e x. torno do ponto a = 2. Soluo: Note que f (2) = 1/2, f (x) = x2 , f (x) = 2x3 , e que em geral temos: (r) r f (r) (x) = (1)r r!xr1 . Portanto, f r!(2) = (1) , e a srie de Taylor de ordem n de f em 2r+1 torno de x = 2 : n (1)r (1)n+1 f (x) = (x 2)r + (x 2)n+1 , r+1 n+2 2 c r=0 onde c um nmero entre 2 e x.
1 Exemplo 1.3.4: Vamos obter a srie de Taylor de ordem n da funo f (x) = x , x > 0, em
Exemplo 1.3.5: Frmula de Euler. Neste exemplo usaremos sries de Taylor para de
monstrar a frmula de Euler: eix = cos(x) + i sen(x), onde i = inteiro r, temos
1. Note que para qualquer
dr eix = ir eix ; r dx r+1 dr cos(x) (1) 2 sen(x) se r for mpar, = r se r for par; (1) 2 cos(x) dxr dr sen(x) = dxr (1) 2 cos(x) se r for mpar, r (1) 2 sen(x) se r for par.
r1
Ento, temos as seguintes expanses de Taylor em torno de x = 0:
e =
r=0
ix
ir r x = r!
r=0
(1)r 2r (1)r 2r+1 x +i x ; 2r! (2r + 1)! r=0
cos(x) =
r=0
(1)r 2r x ; 2r! (1)r 2r+1 x . (2r + 1)!
sen(x) =
r=0
Logo, podemos concluir que eix = cos(x) + i sen(x).
Captulo 2 Convergncia Estocstica

2.1 Seqncia de Eventos
A denio de conceitos de convergncia de variveis aleatrias depende de manipulaes de seqncias de eventos. Seja An , dene-se:
kn
inf Ak = Ak , sup Ak = Ak k=n k=n

n
lim inf An =
n
n=1
kn k=n
Ak
lim sup An = Ak . n=1 k=n

O limite de uma seqncia de eventos denido da seguinte maneira: se para alguma seqncia (Bn ) de eventos lim inf n Bn = lim supn Bn = B , ento B chamado de limite de (Bn ) e ns escrevemos limn Bn = B ou Bn B .
n n Exemplo 2.1.1: lim inf[0, n+1 ) = lim sup[0, n+1 ) = [0, 1)
Teorema 2.1.2: Seja (An ) uma seqncia de eventos de .

(a) lim sup An se, e somente se, Ak para um nmero innito de ndices k . (b) lim inf An se, e somente se, Ak para um nmero nito de ndices k . /
ou seja, se, e somente se, para todo n existe n n tal que An . Como isto vlido para todo n, temos que isto equivalente a existncia de um nmero innito de ndices k tais que Ak . A prova da parte (b) similar. A seguir descreveremos algumas propriedades do lim inf e lim sup de uma seqncia de eventos. 1. lim inf An lim sup An Este fato uma simples conseqncia do Teorema 2.1.2, pois se lim inf An , no pertence apenas a um nmero nito de eventos Ak 's, e conseqentemente pertence a um nmero innito deles. Logo, lim sup An . 21
Prova: Para parte (a), note que lim sup An , se, e somente se, para todo n, Ak , k=n
CAPTULO 2. CONVERGNCIA ESTOCSTICA 2. (lim inf An )c = lim sup Ac n Este fato decorre aplicando a Lei de De Morgan duas vezes:
22
( Ak )c = ( Ak )c = ( Ac ). n=1 k=n n=1 k=n n=1 k=n k
Seqncias Monotnicas
Uma seqncia de eventos (An ) monotnica no-decrescente (resp., no-crescente) se A1 A2 . . . (resp, A1 A2 . . .). Denotaremos por An (resp., An ) uma seqncia no-decrescente (resp. no-crescente) de eventos.
Teorema 2.1.3: Suponha que (An ) uma seqncia monotnica de eventos. Ento,
1. Se An , ento limn An = An . n=1 2. Se An , ento limn An = An . n=1 Conseqentemente, como para qualquer seqncia Bn , temos inf kn Bk e supkn Bk , segue que: lim inf Bn = lim(inf Bk ), lim sup Bn = lim(sup Bk )
n kn n kn
Aj Aj+1 , temos kn Ak = An , e portanto,
Prova: Para provar (1), precisamos mostrar que lim inf An = lim sup An = An . Como n=1
lim inf An = (kn Ak ) = An . n=1 n=1
Por outro lado, temos,
lim sup An = (kn Ak ) Ak n=1 k=1 = lim inf An lim sup An .

Logo, temos igualdade acima, ou seja, lim sup An = Ak . k=1 A prova de (2) similar.
Exemplo 2.1.4:
1 1 1. limn [0, 1 n ] = [0, 1 n ] = [0, 1). n=1 1 1 2. limn [0, 1 + n ) = [0, 1 + n ) = [0, 1]. n=1 n n n n 3. limn ( n+1 , n1 ) = ( n+1 , n1 ) = {1}. n=1
Exemplo 2.1.5: Sejam An , A, Bn , B eventos em . Mostre que:

1. se limn An = A, ento limn Ac = Ac . n
Soluo: lim inf Ac = (lim sup An )c = Ac e lim sup Ac = (lim inf An )c = Ac . n n

CAPTULO 2. CONVERGNCIA ESTOCSTICA 2. lim sup(An Bn ) = lim sup An lim sup Bn .
23
temos que Ak para innitos ndices k , ou Bk para innitos ndices k . Portanto, temos lim sup An ou lim sup Bn , ou seja, lim sup An lim sup Bn . Reciprocamente, se lim sup An lim sup Bn , ento lim sup An ou lim sup Bn . Logo, temos que Ak para innitos ndices k , ou Bk para innitos ndices k , ou seja, (Ak Bk ) para innitos ndices k . Portanto, lim sup(An Bn ). 3. No verdade que lim inf(An Bn ) = lim inf An lim inf Bn . e Bn = B = para n par; e An = B e Bn = A para n mpar. Como An Bn = A B para todo n, fcil ver que lim inf(An Bn ) = A B . Tambm fcil ver que lim inf An = lim inf Bn = A B = , pois somente os s em A B no ocorrem para um nmero nito de ndices n tanto na seqncia An quanto na seqncia Bn . Ento, A B = lim inf(An Bn ) = = lim inf An lim inf Bn . 4. se An A e Bn B , ento An Bn A B e An Bn A B .
Soluo: Se lim sup(An Bn ), ento (Ak Bk ) para innitos ndices k . Logo,
Soluo: Vamos construir um contra-exemplo: Suponha que A B = , An = A =
Soluo: Pela parte (2), temos que

lim sup An Bn = lim sup An lim sup Bn = A B,
e pela propriedade (1) de lim inf e lim sup, temos
lim inf An Bn lim sup An Bn = A B.

Resta-nos provar que A B lim inf An Bn . Suponha que A B , ento lim inf An ou lim inf Bn , ou seja, no pertence a um nmero nito de Ak 's, ou no pertence a um nmero nito de Bk 's. Logo, no pertence a um nmero nito de Ak Bk 's. Portanto, lim inf An Bn . Ento, An Bn A B . Utilizando os tens anteriores e a Lei de De Morgan, temos:
c A B = (Ac B c )c = (lim Ac lim Bn )c = n c c = (lim Ac Bn )c = lim(Ac Bn )c = lim An Bn . n n
2.1.1 Borel-Canteli
A seguir vamos enunciar e provar um importante Lema, conhecido como Lema de BorelCantelli, que trata da probabilidade da ocorrncia de um nmero innito de eventos.
Lema 2.1.6: Sejam A1 , A2 , . . . eventos aleatrios em (, A, P ), ou seja, An A, n.

(a) Se (b) Se
n=1 n=1
P (An ) < , ento P (An innitas vezes ) = 0. P (An ) = e os eventos An 's so independentes, ento P (An innitas vezes ) = 1.
CAPTULO 2. CONVERGNCIA ESTOCSTICA
24
seja An = A, n, onde 0 < P (A) < 1. Ento, vezes] = A e P (An innitas vezes) = P (A) < 1. Prova: Para parte (a), se P (An ) < , ento
Obervao: O tem (b) no vale necessariamente sem independncia. Por exemplo,

k=j
P (An ) = mas o evento [An innitas P (Ak ) 0 quando j . Mas
[An innitas vezes] Ak , j, k=j

logo
P (An innitas vezes)

Portanto, P (An innitas vezes) = 0. Para parte (b), basta provar que
P ( Ak ) k=j
k=j
P (Ak ) 0.
P ( Ak ) = 1, n k=n
(pois sendo [An innitas vezes] = Ak a interseco de um nmero enumervel de n=1 k=n eventos de probabilidade 1, tambm de probabilidade 1). Para tanto, seja Bn = Ak . k=n Ento Bn contm n+m Ak para todo m, e k=n
c Bn (n+m Ak )c = n+m Ac . k k=n k=n
Logo para todo m,

n+m n+m
1 P (Bn ) =
c P (Bn )
P (n+m Ac ) k k=n
=
k=n
P (Ac ) k
=
k=n
(1 P (Ak )).
Como 1 p ep para 0 p 1, temos

n+m n+m
1 P (Bn )
k=n
P (Ak )
= exp(
k=n
P (Ak )) 0
quando m , pois
n+m k=n
P (Ak ) quando m . Logo P (Bn ) = 1, n.
Exemplo 2.1.7: Se sabemos que para uma dada coleo de eventos {Ak }, as suas probabi-
lidades individuais satisfazem P (Ak ) k12 , ento podemos concluir que intos desses vezes ocorrem com probabilidade zero ou, que apenas um nmero nito deles ocorrem com probabilidade 1. Podemos reesecrever isso da seguinte forma: existe um instante aleatrio N tal que, com probabilidade 1, nenhum dos Ak ocorrem para k > N . importante ressaltar que ns podemos chegar a essa concluso sem saber nada sobre as interaes entre esses eventos como as que so expressas por probabilidades de papres de eventos P (Ai Aj ). Contudo, se apenas sabemos que P (Ak ) > 1/k , ento no podemos concluir nada baseados no Lema de Borel-Cantelli. Se soubermos que os eventos so mutuamente independentes, ento sabendo que P (Ak ) > 1/k , podemos concluir que innitos Ak ocorrem com probabilidade 1.
25
Exemplo 2.1.8: Considere uma seqncia de variveis aleatrias X1 , X2 , X3 , . . .. Podemos
usar o Lema de Borel-Cantelli para determinar a probabilidade que Xk > bk innitas vezes para qualquer seqncia de nmeros reais {bk }. Note que P (Xk > bk ) = 1 FXk (bk ). Logo, se
P (Xk > bk ) =
k=1 k=1
1 FXk (bk ) < ,
ento, no importa qual a distribuio conjunta das variveis aleatrias {Xk }, temos que o evento {Xk > bk } s ocorrer para um nmero nito de ndices k . Por outro lado, se

P (Xk > bk ) =
k=1 k=1
1 FXk (bk ) = ,
ento precisaramos de informao adicional sobre a distribuio conjunta das variveis aleatrias {Xk } para determinar se os eventos {Xk > bk } ocorrem um nmero nito ou innito de vezes. de cara igual a p, onde 0 < p < 1. Se esta moeda for jogada um nmero innito de vezes de maneira independente, qual a probabilidade da seqncia (cara, cara, coroa, coroa) aparecer um nmero innito de vezes? Justique sua resposta. Soluo: Seja Xi o resultado do i-simo lanamento da moeda. Dena o evento Ai = {Xi = cara, Xi+1 = cara, Xi+2 = coroa, Xi+3 = coroa}, queremos calcular P (Ai innitas vezes). Note que para todo i, temos P (Ai ) = p2 (1 p)2 > 0. No podemos aplicar diretamente o lema de Borel Cantelli, pois os eventos Ai 's no so independentes, visto que, por exemplo, ambos A1 e A2 dependem de X2 , X3 , X4 . Considere a seguinte subseqncia da seqncia de eventos (Ai ) tal que Bi = A4i3 . Como os eventos Bi 's dependem de famlias disjuntas de variveis aleatrias independentes, eles so independentes. Alm disso temos que P (Bi ) = p2 (1 p)2 > 0. Logo, i P (Bi ) = . Portanto, Borel-Cantelli implica que P (Bi innitas vezes) = 1. Como (Bi ) uma subseqncia de (Ai ), temos que
Exemplo 2.1.9: Considere uma moeda no necessariamente honesta com probabilidade
[Bi intas vezes] [Ai innitas vezes].

Portanto, P (Ai innitas vezes) = 1.
2.2 Covergncia de Variveis Aleatrias

Seguindo uma interpretao freqentista, probabilidade est relacionada com a freqncia relativa de eventos no longo prazo. A matemtica para estudar o longo prazo a dos limites. Mas quando se trata de funes, existem vrios tipos de limites (por exemplo, pontual, uniforme, em quase todo lugar). O mesmo ocorre quando consideramos limites de variveis aleatrias denidas em um mesmo espao de probabilidade (, A, P ), visto que variveis aleatrias so funes reais cujo domnio . Relembrando: Seja (, A) um espao mensurvel. Uma funo X : R chamada de varivel aleatria se para todo evento Boreliano B , X 1 (B) A. Ns recordamos que um evento Boreliano qualquer evento pertencente -lgebra de Borel, onde a -lgebra de Borel a menor -lgebra contendo intervalos da forma (, x] para todo x R.
26
2.2.1 Tipos de Convergncia

Vamos a seguir descrever vrios tipos de convergncia estocstica, ilustrando com exemplos cada tipo de convergncia, e depois provaremos algumas relaes entre os vrios tipos de convergncia. Sejam Y, Y1 , Y2 , . . . variveis aleatrias denidas em um mesmo espao de probabilidade (, A, P ).
Convergncia Quase Certa Denio 2.2.1: A seqncia de variveis aleatrias Y1 , Y2 , . . . converge quase certamente
(ou com probabilidade 1) para a varivel aleatria Y se
n
P ({w : lim Yn (w) = Y (w)}) = 1.

Notao: Yn Y cp1. Ento se uma seqncia de variveis aleatrias Y1 , Y2 , . . . converge quase certamente para Y no signica que para todo w , Yn (w) Y (w), apenas o que se sabe que a probabilidade do evento D = {w : Yn (w) Y (w)} nula. D chamado de conjunto de exceo. Seja Xn (w) = Z n (w), ento Xn (w) 0 cp1; note que o conjunto de exceo D = {w : |Z(w)| 1} e que P (D) = 0.
Exemplo 2.2.2: Considere uma varivel aleatria Z tal que P ({w : 0 |Z(w)| < 1}) = 1.
Podemos obter uma denio alternativa para convergncia quase-certa, observando que, pela denio de limite de sequncias de nmeros reais, para um dado w xo, temos que limn Yn (w) = Y (w) se, e somente se, para todo k I , existir N tal que para todo n N , N 1 temos |Yn (w) Y (w)| < k . Portanto:
{w : lim Yn (w) = Y (w)} = {w : =1 |Yn (w) Y (w)| < k=1 N n=N

n
1 }. k
Ento, Yn Y cp1 se, e somente se,
P ({w : =1 |Yn (w) Y (w)| < k=1 N n=N

Isto equivalente a:
1 }) = 1. k 1 }) = 0. k
P ({w : =1 |Yn (w) Y (w)| n=N k=1 N
1 Dena An,k = {w : |Yn (w) Y (w)| k }. Ento para cada k xo, temos que
lim sup An,k = =1 An,k . N n=N

n
Logo, Yn Y cp1 se, e somente se, para todo k I , N

P (lim sup An,k ) = 0.
n
27
distribuio de probabilidade dada por:
Exemplo 2.2.3: Seja {Xn }n3 uma seqncia de variveis aleatrias independentes com
P (Xn = 0) = 1
Mostre que Xn 0 cp1. Soluo: Para qualquer
1 1 e P (Xn = n) = , n 3. log n log n
tal que 0 < < 1, temos que
P (|Xn | > ) = P (Xn = n) =
1 . log n
1 Logo, n P (|Xn | > ) = n log n = . Ento, o Lema de Borel-Cantelli implica que P (|Xn | > innitas vezes) = 1, portanto com probabilidade 1, Xn 0.
Considere {Xn : n 1} uma seqncia de variveis aleatrias i.i.d. com funo de distribuio F. Suponha que F (x) < 1, para todo x < . Dena Yn = max(X1 , X2 , . . . , Xn ). Vamos vericar que Yn cp1. Inicialmente, observe que para cada , as variveis Yn formam uma seqncia nodecrescente de nmeros reais. Seja M um nmero real, temos
Exemplo 2.2.4 :
P (Yn M : n = 1, 2, . . .) P (Yn M : n = 1, 2, . . . , k) = P (Yk M ) = P (max(X1 , X2 , . . . , Xk ) M ) = P (X1 M, X2 M, . . . Xk M )

k
=
n=1
P (Xn M ) = F k (M ), k 1.
Fazendo k , temos que para todo M nito,
P (lim Yn M ) = P (Yn M : n = 1, 2, . . .) = 0;
n
pois F k (M ) tende a zero, quando k . Dessa forma, o conjunto dos w , em que limn Yn (w) nito, tem probabilidade zero e, portanto, Yn cp1.
Convergncia na r-sima Mdia Denio 2.2.5: A seqncia de variveis aleatrias Y1 , Y2 , . . . converge na r-sima Mdia,
onde r > 0, para a varivel aleatria Y se
n
lim E|Yn Y |r = 0.
Notao: Yn r Y . Se r = 2 este tipo de convergncia freqentemente chamado de convergncia em mdia quadrtica.
28
Exemplo 2.2.6: Sejam Z, X1 , X2 , . . . variveis aleatrias tais que

Xn = n Z, n+1
ento Xn 2 Z se EZ 2 < , mas no em caso contrrio.
Exemplo 2.2.7: Considere a seqncia de variveis aleatrias denidas no Exemplo 2.2.3.

Mostre que Xn r 0, para todo r > 0. Soluo: Temos que
E|Xn |r = nr P (Xn = n) =
Logo, Xn
r
nr . log n
0.
Pode-se provar que se Xn r X , ento Xn s X para s < r.
Convergncia em Probabilidade Denio 2.2.8: A seqncia de variveis aleatrias Y1 , Y2 , . . . converge em probabilidade

para a varivel aleatria Y se > 0
n
lim P ({w : |Yn (w) Y (w)| > }) = 0.
Notao: Yn P Y . A intuio por trs desta denio que para n muito grande a probabilidade de que Yn e Y sejam bem prximas bastante alta.
para 1, P (|Xn | > ) P (Xn = n). Como P (Xn = n) = lim P (|Xn | > ) = 0. Portanto, Xn P 0.
Exemplo 2.2.9: Considere a seqncia de variveis aleatrias denidas no Exemplo 2.2.3. Mostre que Xn P 0. Soluo: Temos que para 0 < < 1, P (|Xn | > ) = P (Xn = n) e
1 log n
0., temos que > 0,
Exemplo 2.2.10:
Considere X, X1 , X2 , . . . onde as varveis aleatrias tm distribuio normal conjunta, todas com mdia 0 e matriz de covarincia parcialmente descrita por
1 . n Seja Yn = Xn X , como Yn uma combinao linear de variveis aleatrias com distribuio normal, ela tambm possui distribuio normal. Precisamos determinar ento sua mdia e sua varincia. Mas EY = E(Xn X) = EXn EX = 0 e COV (X, X) = COV (Xn , Xn ) = 1, COV (X, Xn ) = 1
2 V arY = EY 2 = E(Xn X)2 = EXn 2EXn X + EX 2 = 1 2(1 2 Portanto, Yn N (0, n ). Ento,
2 1 )+1= . n n
x2 1 e 2 dx. n 2 2
P (|Xn X| > ) = P (|Yn | > ) = 2P (Yn > ) = 2
n ny2 e 4 dy = 2 4
Logo, > 0, limn P (|Xn X| > ) = 0, ou seja, Xn P X .
29
Convergncia em Distribuio
O ltimo tipo de convergncia estocstico que mencionamos no exatamente uma noo de convergncia das variveis aleatrias propriamente ditas, mas uma noo de convergncia de suas respectivas funes de distribuio acumuladas.
Denio 2.2.11: A seqncia de variveis aleatrias Y1 , Y2 , . . ., converge em distribuio

para a varivel aleatria Y se para todo ponto x de continuidade de FY
n
lim FYn (x) = FY (x).
Notao: Yn D Y .
Exemplo 2.2.12: Seja {Xn : n 1} uma seqncia de variveis aleatrias independentes
com distribuio Uniforme em (0, b), b > 0. Dena Yn = max(X1 , X2 , . . . , Xn ) e Y = b. Vamos vericar que Yn D Y . Temos se y < 0, 0 y n n ( ) se 0 y < b, FYn (y) = P (max(X1 , X2 , . . . , Xn ) y) = FX1 (y) = b 1 se y b.
Fazendo n tender ao innito, temos que
lim FYn (y) =

n
0 se y < b, 1 se y b,
que corresponde funo de distribuio de Y e, portanto, Yn D Y . Deve-se car atento que convergncia em distribuio no implica nada em relao aos outros tipos de convergncia. Uma seqncia convergindo em distribuio para uma varivel aleatria X tambm converge em distribuio para qualquer outra varivel aleatria Y tal que FY = FX . O prximo exemplo serve para ilustrar melhor este fato.
Exemplo 2.2.13:
Se uma seqncia de variveis aleatrias Y1 , Y2 , . . . independente e identicamente distribuda de acordo com F , ento para todo n tem-se que FYn = F , logo a seqncia converge em distribuio para qualquer varivel aleatria X tal que FX = F . Claro, como a seqncia independente, os valores de termos sucessivos so independentes e no exibem nenhum comportamento usual de convergncia. O requisito de continuidade, mencionado na denio acima, se justica para evitar 1 algumas anomalias. Por exemplo, para n 1 seja Xn = n e X = 0, para todo . Parece aceitvel que deveramos ter convergncia de Xn para X , qualquer que fosse o modo de convergncia. Observe que 1 0 se x < n , Fn (x) = 1 1 se x n , e
F (x) =
0 se x < 0, 1 se x 0.
30
Portanto, como limn Fn (0) = 0 = F (0) = 1, no temos limn Fn (x) = F (x) para todo x I . R Desse modo se houvesse a exigncia de convergncia em todos os pontos, no teramos convergncia em distribuio. Entretanto, note que para x = 0, temos limn Fn (x) = F (x) e, como o ponto 0 no de continuidade de F , conclumos que Xn D X . Um exemplo mais complexo de convergncia em distribuio pode ser visto na anlise do limite de n 1 Sn = (Xi EXi ), n i=1 onde Xi 's so variveis aleatrias independentes e identicamente distribudas. Neste, o Teorema Central do Limite arma que se V AR(Xi ) = 2 < , ento Sn converge em distribuio para qualquer varivel aleatria com distribuio N (0, 2 ). O prximo teorema estabelece duas condies sucientes para que uma seqncia de variveis aleatrias convirja em distribuio.
Teorema 2.2.14: Seja X, X1 , X2 , . . . uma seqncia de variveis aleatrias:

(a) Se X, X1 , X2 , . . . so variveis aleatrias discretas com P (Xn = xi ) = pn (i) e P (X = xi ) = p(i), onde pn (i) p(i) quando n para todo i = 0, 1, 2, 3, . . ., ento Xn D X . (b) Se X, X1 , X2 , . . . so variveis aleatrias absolutamente contnuas com densidades dadas respectivamente por f, f1 , f2 , f3 , . . ., onde fn (x) f (x) quando n em quase todo lugar, ento Xn D X .
Prova: Fora do escopo deste curso.

O prximo exemplo mostra que se uma seqncia de variveis aleatrias discretas converge em distribuio, no necessariamente sua funo probabilidade de massa converge.
Exemplo 2.2.15 :
Sejam X, X1 , X2 , . . . variveis aleatrias tais que P (X = 0) = 1 e P (Xn = 1/n) = 1. Ento, temos FX (x) = 1 se x 0, e FX (x) = 0 caso contrrio; e FXn (x) = 1 se x 1/n e FXn (x) = 0 caso contrrio. Logo, FXn (x) FX (x), x = 0, ou seja, Xn D X . Porm, p(0) = 1 = 0 = limn pn (0).
O prximo exemplo mostra que se uma seqncia de variveis aleatrias absolutamente contnuas converge em distribuio, no necessariamente sua funo densidade de probabilidade converge.
Exemplo 2.2.16 :
Considere uma seqncia de variveis aleatrias X, X1 , X2 , . . . com funo de distribuio acumuladas dadas respectivamente por F, F1 , F2 , F3 , . . ., onde 0 , se x 0 sen2nx ) , se 0 < x 1 x(1 2nx Fn (x) = 1 , se x > 1;
CAPTULO 2. CONVERGNCIA ESTOCSTICA e
31
, se x 0 0 x , se 0 < x 1 F (x) = 1 , se x > 1. Ento Fn e F so absolutamente contnuas com densidade dada por fn (x) =
e
1 cos 2nx , se 0 x 1 0 , caso contrrio; 1 , se 0 < x 1 0 , caso contrrio. f (x).
f (x) =
fcil ver que Fn (x) F (x), x I . Contudo, fn (x) R
2.2.2 Relao Entre os Tipos de Convergncia

A primeira relao que iremos provar que convergncia quase certa implica convergncia em probabilidade.
Teorema 2.2.17: Xn X cp1 Xn P X . Prova: Para provar que convergncia quase certa implica em convergncia em probabilidade,
considere a seguinte famlia de eventos
An, = {w : |Xn (w) X(w)| }.

Logo, pela interpretao de convergncia pontual,
C = {w : Xn (w) X(w)} = >0 =1 nN An, . N

Se Xn X cp1, ento P (C) = 1. Equivalentemente, pela Lei de De Morgan,
D = C c = >0 D , onde D = =1 nN Ac , N n,
e
P ( >0 D ) = 0.
Portanto, convergncia quase certa implica que > 0, P (D ) = 0. Seja FN = nN Bn . Note que FN . Logo, limN FN = =1 nN Bn . Portanto, pelo axioma da continuidade N monotnica da probabilidade, tem-se que
P (=1 nN Bn ) = lim P (nN Bn ). N

N
Ento,
0 = P (D ) = lim P (nN Ac ) n,
N N
lim
P (Ac N,
) = lim P (|XN (w) X(w)| > ).

N
Portanto, Xn X . O prximo teorema prova que convergncia na r-sima mdia implica convergncia em probabilidade.
32
Teorema 2.2.18: Xn r X Xn P X . Prova: Primeiro note que

|Xn X|r
r
I{w:|Xn X|> } . Logo, tem-se que

r
E(
ou seja,
|Xn X|r
) E(I{w:|Xn X|> } ),
E(|Xn X|r )
r
P ({w : |Xn X| > }). >0
Se Xn r X , tem-se que limn E(|Xn x|r ) = 0. Ento, para todo

n
lim P ({w : |Xn X| > }) = 0,
ou seja, Xn P X . O prximo exemplo prova que nem convergncia em probabilidade, nem convergncia na r-sima mdia implicam convergncia quase certa.
Exemplo 2.2.19: Seja X uma varivel aleatria com distribuio uniforme no intervalo
[0, 1], e considere a seqncia de intervalos denida por I2m +i = [ i i+1 , ], 2m 2m
para m = 0, 1, 2, . . . e i = 0, 1, . . . , 2m 1. Note que tem-se 2m intervalos de comprimento 2m que cobrem todo o intervalo [0, 1], e o comprimento dos intervalos ca cada vez menor tendendo a 0. Denamos
Yn (w) =
1 se X(w) In , 0 se X(w) In . /
A seqncia Y1 , Y2 , . . . converge em probabilidade para 0, pois para 0 < 1,
P (|Yn | ) = P (Yn = 1) = P (X In ),
e esta probabilidade, que igual ao comprimento de In , converge para zero quando n . Esta seqncia tambm converge na r-sima mdia para todo r > 0, visto que E(|Yn |r ) = P (Yn = 1) 0 quando n . Logo, Yn converge na r-sima mdia para 0. Porm para todo w , Yn (w) = 1 para um nmero innito de n's e Yn (w) = 0 para um nmero innito de n's. Portanto, Yn (w) no converge para todo w, o que implica que Yn no converge quase certamente. O prximo teorema estabelece mais uma relao entre convergncia quase certa e convergncia em probabilidade.
Teorema 2.2.20: Xn P X se, e somente se, toda subseqncia {Xnk } possui uma outra
subseqncia {Xnk(i) } tal que Xnk(i) X cp1 para i . Autor: Leandro Chaves Rgo
33
outra subseqncia {Xnk(i) } tal que j k(i) implica que P (|Xnj X| i1 ) < 2i . Em particular, temos que P (|Xnk(i) X| i1 ) < 2i . Seja Ai = {|Xnk(i) X| i1 }, i ento = 1 < . Logo, pelo Lema de Borel-Cantelli, temos que i=1 P (Ai ) < i=1 2 P (Ai innitas vezes) = 0, ou seja, P (Ai nitas vezes) = 1. Portanto, |Xnk(i) X| < i1 exceto para um nmero nito de i's com probabilidade 1. Portanto, Xnk(i) X cp1. Se Xn no converge para X em probabilidade, existe um > 0 e uma subseqncia {Xnk } tal que P (|Xnk X| > ) > . Logo nenhuma subseqncia de {Xnk } pode convergir para X em probabilidade, logo pelo Teorema 2.2.17, nenhuma subseqncia converge para X quase certamente. O prximo exemplo mostra que convergncia em probabilidade no implica convergncia na r-sima mdia
Prova: Suponha que Xn P X , ento dada qualquer subseqncia {Xnk }, escolha uma
Exemplo 2.2.21: Seja X uma varivel aleatria com distribuio uniforme no intervalo
[0, 1]. Considere a seguinte seqncia de varveis aleatrias Yn (w) =
1 2n se X(w) (0, n ), 1 0 se X(w) (0, n ). / 1 n 1 0, mas E(|Yn |r ) = 2nr n .
1 Ento, P (|Yn | > ) = P (X(w) (0, n )) =
O prximo teorema trata da relao entre convergncia em distribuio e convergncia em probabilidade.
Teorema 2.2.22: As seguintes relaes entre os tipos de convergncia so vlidas:

(a) Xn P X Xn D X (b) Se Xn D c, onde c uma constante, ento Xn P c.
Queremos provar que FXn (x) FX (x) quando n . Como para > 0, Xn x X x + ou |X Xn | > , temos {w : Xn (w) x} {w : X(w) x + } {w : |Xn (w) X(w)| > }. Logo,
Prova: Para parte (a), suponha que Xn P X e seja x um ponto de continuidade de FX .
FXn (x) = P (Xn x) FX (x + ) + P (|Xn X| > ).

Por outro lado, X x Xn x ou |Xn X| > de modo que
FX (x ) FXn (x) + P (|Xn X| > ).

Juntando as duas desigualdades, temos que > 0, and n,
FX (x ) P (|Xn X| > ) FXn (x) FX (x + ) + P (|Xn X| > ).

Como Xn P X , para qualquer > 0, existe N tal que para n N , temos que
FX (x ) FXn (x) FX (x + ) + .
34
Finalmente, como x ponto de continuidade de FX , para sucientemente pequeno, temos que FX (x) 2 FX (x ) FXn (x) FX (x + ) + FX (x) + 2. Ou seja, limn FXn (x) = FX (x). Para parte (b), suponha que Xn D c. Note que a funo de distribuio de uma varivel aleatria constante c : 1 se x c, Fc (x) = 0 se x < c. Pela convergncia em distribuio, tem-se que limn FXn (x) = 0, se x < c e limn FXn (x) = 1, se x > c. Logo, para > 0,
P (|Xn c| ) = P (c Xn c + ) P (c < Xn c + ) = FXn (c + ) FXn (c ) 1 quando n .

Ou seja, > 0, limn P (|Xn c| > ) = 0.
Figura 2.1: Relao entre os tipos de convergncia. A Figura 2.1 resume a relao entre os tipos de convergncia.
Exemplo 2.2.23:
(a) Yn P 0,
Para n 1, Xn U (0, 1) so variveis aleatrias i.i.d. Dena Yn = min(X1 , X2 , . . . , Xn ) e Un = nYn . Mostre que
(b) Un D U , sendo U Exp(1).
35
Soluo: Para parte (a), note que

P (|Yn | > ) = P (Yn > ) = P (X1 > , X2 > , . . . , Xn > ).
Como os Xn so independentes temos que a ltima expresso igual a
(P (X1 > ))n = (1 )n .

Como (1 )n 0 quando n , temos que Yn P 0. Para parte (b), note que
FUn (x) = P (Un x) = 1 P (Un > x) = 1 P (nYn > x) = 1 P (Yn > x/n)
De acordo com a parte (a), esta expresso igual a 1 (1 x/n)n , que por sua vez converge para 1 ex quando n , que igual a FU (x).
2.3 Convergncia de Vetores Aleatrios

Para o caso vetorial as denies de convergncia sofrem algumas adaptaes. Para as convergncias quase certa e em probabilidade, precisamos avaliar a proximidade entre os vetores aleatrios Xn e X pelo comportamento da norma da diferena entre eles. Em geral, essa norma calculada por ||Xn X|| = ( k (Xnj Xj )2 )1/2 , onde k a dimenso dos j=1 vetores e Xnj a coordenada j do vetor Xn . Pode-se vericar que a convergncia do vetor aleatrio, quase certamente ou em probabilidade, ocorre se, e somente se, existir a mesma convergncia em cada uma das variveis que compe o vetor aleatrio. Dessa forma, o caso multidimensional pode ser estudado a partir de repetidas aplicaes do caso univariado. Para convergncia em distribuio de vetores aleatrios, requeremos que a funo de distribuio conjunta Fn (x) convirja para F (x), em todos os pontos de continuidade da funo F . Entretanto, lembremos que da funo de distribuio conjunta podemos obter as marginais, mas o caminho inverso nem sempre possvel. Por essa razo, diferentemente das convergncias quase certa e em probabilidade, no podemos reduzir o estudo da convergncia em distribuio de vetores aleatrios, ao comportamento das suas respectivas coordenadas. No temos equivalncia, mas apenas implicao, em uma das direes. Ou seja, se o vetor converge em distribuio ento cada componente tambm converge em distribuio, para a correspondente marginal da funo de distribuio limite. Entretanto a recproca no em geral, verdadeira.
Captulo 3 Funes Caractersticas

3.1 Motivao
Em matemtica e suas aplicaes, sempre valioso ter maneiras alternativas de representar o mesmo objeto matemtico. Uma analogia pode ser que um conjunto de vetores pode ser representado em vrios sistemas de coordenadas. No nosso caso de probabilidade, o conceito bsico o de uma medida de probabilidade P que d um valor real numrico a um conjunto de eventos em uma -lgebra. Para X uma varivel aleatria, sabe-se que existem outras maneiras de representar a probabilidade P , como por exemplo atravs de sua funo de distribuio acumulada FX . Se X for uma varivel aleatria discreta, pode-se equivalentemente representar P pela funo de probabilidade de X , pX . Se X for absolutamente contnua, ento P pode ser representada pela funo densidade de probabilidade de X , fX . Uma funo caracterstica X de uma varivel aleatria X uma outra maneira de representar P . Algumas vantagens do uso da funo caracterstica so: pode-se calcular os momentos de uma varivel aleatria X diferenciando-se a funo caracterstica (o que geralmente mais simples que usar diretamente as denies de momento que envolvem integrais), podese calcular mais facilmente a distribuio de soma de variveis aleatrias independentes, e nalmente o uso de funes caractersticas ajuda na prova de uma famlia de Teoremas Centrais do Limite que ajudam a explicar a prevalncia de distribuies normal ou Gaussianas na Natureza. Uma funo geratriz de momento uma outra representao alternativa da distribuio de uma varivel aleatria. As vantagens desta representao so as mesmas da funo caracterstica, mas como a funo caracterstica mais robusta (no sentido que ela sempre existe), ns focaremos no uso da mesma, e apenas no nal deste captulo mencionaremos a denio de uma funo geratriz de momento.
3.2 Denio
Denio 3.2.1: A funo caracterstica X de uma varivel aleatria X dada por:
. X (t) = EeitX = E cos(tX) + iE sen(tX), onde i = 1.
36
CAPTULO 3. FUNES CARACTERSTICAS
37
Note que como cos(tX) e sen(tX) so variveis aleatrias limitadas, a esperana na denio acima nita e, conseqentemente, a funo caracterstica de qualquer varivel aleatria bem denida. Note tambm que de acordo com esta denio, a funo de distribuio acumulada determina a funo caracterstica de uma varivel aleatria. No caso particular de uma varivel aleatria discreta, temos:
X (t) =
k
eitxk p(xk ),
onde p(xk ) a funo probabilidade de X . Analogamente, se X for uma varivel aleatria contnua, temos:
X (t) =
eitx fX (x)dx,
onde fX (x) a funo densidade de probabilidade de X . mada de Fourier da densidade de probabilidade de X .
Observao 3.2.2: A funo caracterstica de uma varivel aleatria contnua a transfor-
3.2.1 Propriedades
Antes de enunciarmos e provarmos algumas propriedades da funo caracterstica, vamos enunciar dois teoremas importantes que tratam da convergncia de esperanas de variveis aleatrias.
Teorema 3.2.3: Teorema da Convergncia Montona. Sejam X, X1 , X2 , . . . variveis

aleatrias. Se 0 Xn X , ento, EXn EX .
veis aleatrias. Considere que Y seja integrvel, |Xn | Y e Xn X . Assim X e Xn so integrveis e EXn EX .
O prximo exemplo mostra que nem sempre Xn X EXn EX .
Teorema 3.2.4: Teorema da Convergncia Dominada. Sejam Y, X, X1 , X2 , . . . vari-
Exemplo 3.2.5: Seja Y U (0, 1). Considere a seguinte seqncia {X1 , X2 , . . .} de variveis aleatrias: Xn () = n se Y () (0, 1/n) e Xn () = 0 em caso contrrio. Ento, temos que Xn () 0, . Mas, EXn = 1 = 0 = E0, ou seja, EXn 0. A seguir listamos algumas propriedades da funo caracterstica. P1. A funo caracterstica limitada por 1: |X (t)| 1, t R.
Prova: Como pela desigualdade de Jensen, E 2 cos(tx) E cos2 (tx) e E 2 sen(tx)

E sen2 (tx), temos |X (t)| = E 2 cos(tX) + E 2 sen(tX) E(cos2 (tX) + sen2 (tX)) = E1 = 1.
CAPTULO 3. FUNES CARACTERSTICAS P2. A funo caracterstica assume o valor 1 no ponto 0: X (0) = 1.
38
Prova: X (0) = Eei0X = E1 = 1.

P3. X (t) = X (t), onde c o complexo conjugado de c. (Se c = x + iy , o seu complexo conjugado c = x iy .)
Prova: X (t) = E cos(tX) + iE sen(tX) = E cos(tX) iE sen(tX) = X (t).

P4. X uniformemente contnua na reta.
Prova: Uma funo uniformemente contnua, se para todo > 0 existe > 0 tal que para todo t, s R |(t) (s)| < quando |t s| < . Logo,
|(t) (s)| = |E(eitx eisx )| E|eisx (ei(ts)x 1)| = E|ei(ts)x 1|.
Seja h(u) = |eiux 1|. Como 0 |eiux 1| 2, 2 integrvel, e limu0 h(u) = 0, pelo teorema da convergncia dominada, temos que limu0 Eh(u) = 0. Ento, para todo > 0 existe > 0 tal que |u| < implica que Eh(u) < , ou seja, para todo > 0 existe > 0 tal que |t s| < implica que |(t) (s)| E|ei(ts)x 1| < . P5. Se X e Y so independentes, ento X+Y (t) = X (t) Y (t), t R.
Prova: X+Y (t) = Eeit(X+Y ) = E(eitX eitY ) = E(eitX )E(eitY ) = X (t) Y (t).
fcil provar por induo que se X1 , . . . , Xn so variveis aleatrias independentes, ento X1 +...+Xn (t) = n Xk (t), t R. k=1 P6. A funo caracterstica de uma varivel aleatria determina a funo de distribuio acumulada. Esta propriedade decorre da frmula da inverso: seja X uma varivel aleatria FX sua funo de distribuio acumulada, X sua funo caracterstica. Se x e y so pontos de continuidade de FX tais que x < y , ento
FX (y) FX (x) =
1 lim 2 u
u u
eitx eity X (t)dt. it
Em particular se y = z + h e x = z h, temos que
FX (z + h) FX (z h) =
1 lim u
u u
senht itz e X (t)dt. t
A prova da frmula da inverso longa e ser omitida.
X determina FX o teorema da unicidade que um corolrio da frmula da inverso, pois esta implica que para todo z R, FX (z) = lim lim lim
yz
1 x u 2
u u
eitx eity X (t)dt it

39
Podemos observar que se X for absolutamente contnua, temos que X determina fX :
fX (x) = lim
FX (x + h) FX (x h) 1 = lim lim h0 h0 2 u 2h
u u
senht itx e X (t)dt ht
Como limh0 sen(ht) = 1, trocando a ordem dos limites temos que: ht
fX (x) =
1 lim 2 u
u u
eitx X (t)dt,
que a transformada inversa de Fourier de X (t). P7. A varivel aleatria X tem distribuio simtrica em torno de 0 se, e somente se, X (t) real para todo t R.
Prova: X simtrica em torno de 0 se e somente se P (X x) = P (X x), x R.

Como X x X x, ns temos que FX = FX , ou seja, X = X . Como
X (t) = Eeit(X) = Eei(t)X = X (t) = X (t).

Ento, X simtrica em torno de 0 se e somente se X (t) = X (t), ou seja, se X (t) real para todo t R. P8. Se E|X|n < , ento X (0) = ik EX k para k {1, . . . , n}, de modo que a funo caracterstica uma espcie de funo geradora de momentos.
(k)
Prova: Suponhamos que X seja integrvel; queremos provar que X (t) = E(iXeitX ).
Note que para h = 0, temos X (t+h)X (t) = E(eitX (e h 1) ). Como (e h1) ix h quando h 0 (regra de L'Hopital), x R, temos que o resultado decorre se pudermos trocar a ordem do limite e da esperana. Mas como para todo x,
ihX ihx
eihx 1 | |=| h
h 0
ixeisx ds | = |x| | h
h isx e ds 0
| |x|.
Portanto, como |eitX | = 1, temos
|eitX
(eihX 1) | |X|. h
Como X integrvel, o Teorema da Convergncia Dominada implica que
X (t + h) X (t) = h0 h (eihX 1) (eihX 1) lim E(eitX ) = E(lim eitX ) = E(iXeitX ). h0 h0 h h X (t) = lim
Logo, X (0) = iEX . O restante da prova segue por induo em n.
CAPTULO 3. FUNES CARACTERSTICAS P9. Se Y = aX + b, onde a e b so nmeros reais constantes, Y (t) = eitb X (at).
40
Prova: Y (t) = EeitY = Eeit(aX+b) = Eeitb eitaX = eitb Eei(at)X = eitb X (at).
P10. X (t) positiva denida. Isto , para todo n = 1, 2, . . ., tem-se
n n
X (tj tk )zj zk 0,
j=1 k=1
para quaisquer nmeros reais t1 , t2 , . . . , tn e complexos z1 , z2 , . . . , zn .
Prova:
n n
X (tj tk )zj zk
j=1 k=1 n n
=
j=1 k=1 n n
E(eiX(tj tk ) )zj zk E(zj eiX(tj ) zk eiXtk )

j=1 k=1 n n
= = E(
zj eiX(tj ) zk eiXtk )
j=1 k=1 n n iX(tj )
= E[(
j=1 n
zj e zj e
j=1 n
)(
k=1 n
zk eiXtk )] zk eiXtk )]
k=1
= E[( = E(|
j=1
iX(tj )
)(
zj eiX(tj ) |2 ) 0
Portanto, X positiva denida.

1 Exemplo 3.2.6: Se X (t) = 1+t2 , calcule V arX . Soluo: Diferenciando X , temos X (t) =
X (t) = . Portanto, EX = (1+t2 )4 2 Logo, V arX = EX (EX)2 = 2.
2(1+t2 )2 +2t(2(1+t2 )2t)
2t . (1+t2 )2 X (0) = 0 i
Diferenciando mais uma vez, e EX 2 =

X (0) i2
= (2) = 2.
Exemplo 3.2.7: Se uma varivel aleatria X tem funo caracterstica

X (t) =
Calcule EX e V ar(X).
(1 )2 , para 0 < < 1. 1 + 2 2 cos(t)
41
Soluo: Diferenciando X , temos

X (t) =
Diferenciando mais uma vez,
(1 )2 2 sen(t) . (1 + 2 2 cos(t))2
X (t) =
d (1 + 2 2 cos(t))2 ((1 )2 2 cos(t)) + (1 )2 2 sen(t) dt (1 + 2 2 cos(t))2 . (1 + 2 2 cos(t))4 (0) X (0) i2 2 2 = ( (1)2 ) = ( (1)2 ). Logo, V arX =
Portanto, EX = Xi = 0 e EX 2 = 2 EX 2 (EX)2 = ( (1)2 ).
Exemplo 3.2.8:
Seja (t) = cos(at), onde a > 0. Mostraremos que funo caracterstica, achando a distribuio correspondente. J que assume valores reais, se fosse funo caracterstica de alguma varivel aleatria X , ento por P7, X possuiria distribuio simtrica em torno de zero. Com efeito teramos cos(at) = (t) = E cos(tX), pois a parte imaginria seria nula. Como cos(at) = cos(at), evidente que uma distribuio simtrica concentrada nos dois pontos a e a corresponderia a funo caracterstica . Portanto, funo caracterstica de X , se, e somente se, P (X = a) = 1/2 = P (X = a).
a funo caracterstica de Y ? Soluo: Seja a funo caracterstica de X1 e X2 . Por P9 e P3, temos que X2 (t) = (t) = (t). Ento, como X1 e X2 so independentes, por P5, temos que
Exemplo 3.2.9: Sejam X1 e X2 duas variveis aleatrias i.i.d. e seja Y = X1 X2 . Qual
Y (t) = (t)X2 (t) = |(t)|2 .

de alguma varivel aleatria se, e somente se, ela for positiva denida.
Teorema 3.2.10: Uma funo contnua : R C com (0) = 1 funo caracterstica
Prova: Conforme propriedades j demonstradas, se for funo caracterstica, contnua,

positiva denida e aplicada em 0, resulta o valor 1. A prova da recproca ser omitida.
3.2.2 Exemplos de Funes Caractersticas

Bernoulli. Suponhamos que X Bernoulli(p), onde P (X = 1) = p = 1 P (X = 0).
Ento,
X (t) = EeitX = peit + (1 p).
Poisson. Suponhamos que X P oisson(). Ento,
X (t) = EeitX =
n=0
eitn e
n (eit )n it = e = e(e 1) . n! n! n=0

42
1 2a
Uniforme. Suponhamos que X U nif orme(a, a). Ento, fX (x) =

X (t) = EeitX =
a a
e fX (x) = 0 caso contrrio. Logo, se t = 0, ento X (0) = 1, e para t = 0,
para a < x < a,
1 eita eita sen(ta) eitx dx = ( )= . 2a 2a it ta
Normal. Suponhamos que X N (0, 1). Ento,

1 X (t) = 2 eitx e
x2 2
dx = e
t2 2
1 2
(xit)2 2
dx = e
t2 2
onde esta ltima integral pode ser calculada utilizando o Teorema de Cauchy tendo em vista z 2 que e 2 uma funo analtica no plano complexo.
Exponencial. Suponhamos que X Exp(). Ento,
X (t) =
0
eitx ex dx =
0
ex(+it) dx = [
ex(+it) ] = . 0 + it it
Exemplo 3.2.11: Sejam X1 , X2 , . . . , Xn variveis aleatrias independentes e identicamente

distribudas, seguindo o modelo de Poisson com parmetro . Queremos obter a distribuio de X1 + X2 + . . . + Xn . Soluo: Temos
n
X1 +...+Xn (t) = E(e
it(X1 +...+Xn )
)=
j=1
E(eitXj ) = en(e
it 1)
Portanto, X1 + X2 + . . . + Xn tem uma distribuio Poisson com parmetro n.
3.3 Teorema da Continuidade de Levy

Nosso objetivo nesta seo provar que Xn D X se, e somente se, Xn (t) X (t), t R. Antes de provarmos a necessidade desta armao, considere a seguinte denio de convergncia de funes de distribuio. distribuio acumuladas dadas respectivamente por F, F1 , F2 , . . .. Diz-se que Fn converge fracamente para F , se Xn D X .
Denio 3.3.1: Seja X, X1 , X2 , . . . uma seqncia de variveis aleatrias com funes de
Teorema 3.3.2: Teorema de Helly-Bray. Sejam F, F1 , F2 , . . . funes de distribuio.

Se Fn converge fracamente para F , ento
g(x)dFn (x)
para toda funo g : R R contnua e limitada.
g(x)dF (x)
43
Observao 3.3.3: A integral
g(x)dF (x) a esperana de g(X), onde X uma varivel aleatria com funo de distribuio F , ela calculada utilizando a integral de LebesgueStieltjes. No caso de F ser discreta, essa integral equivalente a: g(xi )p(xi ),
i
e quando F for absolutamente contnua com funo densidade de probabilidade f , essa integral equivalente a:
g(x)f (x)dx,
onde esta ltima integral a integral de Riemann.
Prova: Para < a < b < , onde a e b so pontos de continuidade de F ,

b b b b
gdFn
gdF | |
gdFn
a
gdFn |+|
a
gdFn
a
gdF |+|
a
gdF
gdF | = I+II+III.
Seja c = supxR |g(x)| < e seja

b
> 0. Ento,
a a
III = |
a a
gdF
gdF | = |
a
gdF +
b b
gdF | |
gdF | + |
b
gdF |
|g|dF +
b
|g|dF
cdF +
cdF = c(F (a) + 1 F (b))
Logo, para qualquer > 0, podemos escolher a sucientemente pequeno e b sucientemente grande tal que III < , pois limx F (x) = 0 e limx F (x) = 1. Para esses valores de a e b, e para n sucientemente grande, como a e b so pontos de continuidade de F , e como Fn converge fracamente para F , temos que I c(Fn (a) + 1 Fn (b)) < 2 . Consideremos agora II . Sejam a e b os pontos j escolhidos. J que g uniformemente contnua em [a, b],1 podemos escolher x0 , x1 , . . . , xN tais que a = x0 < x1 < . . . < xN = b, onde xi so pontos de continuidade de F e |g(x) g(xi )| < para todo x [xi , xi+1 ], i {0, . . . , N 1}. Ento,
xi+1
mni = (g(xi ) )(Fn (xi+1 )Fn (xi ))

xi
g(x)dFn (x) (g(xi )+ )(Fn (xi+1 )Fn (xi )) = Mni
e
xi+1
mi = (g(xi ) )(F (xi+1 ) F (xi ))

xi
g(x)dF (x) (g(xi ) + )(F (xi+1 ) F (xi )) = Mi .

xi+1
Portanto,
xi+1
mni Mi
xi
1 Uma
g(x)dFn (x)
xi
g(x)dF (x) Mni mi ,
funo g uniformemente contnua em [a, b] se para todo > 0, existe > 0 tal que para todo x, y [a, b] se |x y| < , ento |g(x) g(y)| < . fcil provar que toda funo contnua em um intervalo fechado uniformemente contnua neste intervalo.
CAPTULO 3. FUNES CARACTERSTICAS para i {0, . . . , N 1}. Somando, temos

N 1 b b N 1
44
(mni Mi )
i=0 a
g(x)dFn (x)
a
g(x)dF (x)
i=0
(Mni mi ).
Quando n , temos que mni mi e Mni Mi , logo,

N 1 N 1
(mni Mi )
i=0 i=0
(mi Mi ) = 2 (F (b) F (a)) 2

N 1
N 1
(Mni mi )
i=0 i=0
(Mi mi ) = 2 (F (b) F (a)) 2
Como para n sucientemente grande temos que | N 1 (mni Mi ) N 1 (mi Mi )| < i=0 i=0 e | N 1 (Mni mi ) N 1 (Mi mi )| < , segue que N 1 (mni Mi ) 3 e N 1 (Mni i=0 i=0 i=0 i=0 mi ) 3 . Ento, para n sucientemente grande, temos que II 3 . Portanto, | gdFn gdF | 6 para n grande o suciente. Como cos(tx) e sen(tx) so funes contnuas e limitadas, tem-se que para t xo
E(cos(tXn )) E(cos(tX))
e
E(sen(tXn )) E(sen(tX))
Logo, Xn (t) X (t). fcil denir a funo caracterstica dada uma funo de distribuio F : (t) = eitx dF (x), t R. O prximo teorema implica a sucincia do nosso objetivo nesta seo, ou seja, se Xn X , ento Xn D X .
Teorema 3.3.4: Sejam F1 , F2 , . . . funes de distribuies e 1 , 2 , . . . suas funes caractersticas. Se n converge pontualmente para um limite e se contnua no ponto zero, ento (a) existe uma funo de distribuio F tal que Fn F fracamente; e (b) a funo caracterstica de F .
Prova: Note que o teorema anterior implica que, sob as hipteses, (a) implica (b). Para
provar que Fn converge fracamente para alguma funo de distribuio, vamos primeiro provar que para toda seqncia de funes de distribuio satisfazendo as condies do teorema, existem uma subseqncia Fn1 , Fn2 , . . . e uma funo de distribuio F tais que Fnj F fracamente, quando j . Provaremos isso em duas etapas: (i) existem uma subseqncia Fn1 , Fn2 , . . . e uma funo F : R [0, 1] tais que F nodecrescente e contnua direita e Fnj (x) F (x), quando j , para todo x ponto de continuidade de F ; e
CAPTULO 3. FUNES CARACTERSTICAS (ii) F () = 1 e F () = 0.
45
Para provar (i), usaremos o mtodo da diagonalizao. Sejam r1 , r2 , . . ., uma enumerao dos racionais da reta. Considere a seguinte matriz:
F1 1 F1 2 F1 3 F1 . . .
F2 1 F2 2 F2 3 F2 . . .
F3 1 F3 2 F3 3 F3 . . .
F4 1 F4 2 F4 3 F4 . . .
.. .
j j j Nesta matriz temos que a seqncia (F1 , F2 , F3 , . . .) contida na (j + 1)-sima linha da matriz uma subseqncia da seqncia contida na j -sima linha que converge no racional j1 j1 j1 rj , para j 1. Note que como a seqncia (F1 (rj ), F2 (rj ), F3 (rj ), . . .) uma seqncia limitada de nmeros reais, ela possui uma subseqncia convergente; logo pode-se escolher a j j j seqncia (F1 , F2 , F3 , . . .) indutivamente conforme descrito acima. Seja Fnj = Fjj , para j 1, ento temos que a subseqncia (Fnj )j converge em todos os racionais da reta. Chamemos o limite de F (rk ), de modo que Fnj (rk ) F (rk ), k . bvio que 0 F (rk ) 1 e que F no decrescente nos racionais. Denamos F em x irracional por F (x) = limrx,r rational F (r). F assim denida no-decrescente, mas no necessariamente contnua direita. Vamos provar que Fnj (x) F (x) para todo ponto x de continuidade de F . Suponha que x um ponto de continuidade de F e sejam r e r racionais tais que r < x < r e F (r ) < F (x) < F (r ) + . Ento,
F (x) < F (r ) = lim Fnj (r ) lim inf Fnj (x)

j j
lim sup Fnj (x) lim Fnj (r ) = F (r ) < F (x) +

j j
Como arbitrrio, temos Fnj (x) F (x) quando j . Finalmente, podemos redenir F nos seus pontos de descontinuidade de modo que F seja contnua direita. Para provar (ii), note que
t 0 t
nj (s)ds =
eisx dFnj (x)ds.
Mas como o integrando limitado podemos trocar a ordem de integrao, logo

t 0 t 0
nj (s)ds =
eisx dsdFnj (x) =
eitx 1 dFnj (x) ix
Considere a funo, h(x) = ix para x = 0 e h(0) = t. h limitada e contnua e um argumento similar ao utilizado na prova do teorema anterior, pode ser utilizado para provar que quando j
eitx 1 dFnj (x) = h(x)dFnj (x) ix t eitx 1 dF (x) = eisx dF (x)ds ix 0
eitx 1
h(x)dF (x) =
46
Como nj (t) (t), contnua em zero, implica que limitada e mensurvel, ento pelo teorema da convergncia dominada, tem-se que
t 0 t
nj (s)ds
(s)ds.
0
Igualando-se os limites iguais e dividindo-se por t, temos
1 t
(s)ds =
0
1 t
t 0
eisx dF (x)ds, t = 0.
eisx dF (x),
Fazendo t 0 e usando a continuidade em s = 0 das duas funes (s) e tem-se (0) = 1dF (x) = F () F ().
Como (0) = limn n (0) = 1, temos que F () F () = 1, ou seja, o que implica que F () = 1 e F () = 0. Para terminar a prova suponha por contradio que Fn no convirja fracamente para F , onde Fnj F fracamente. Ento, existiro x, ponto de continuidade de F e uma subseqncia F1 , F2 , . . . tais que Fn (x) a = F (x). Como essa subseqncia tambm satisfaz as condies do teorema, (i) e (ii) implicam que existe uma subseqncia F1 , F2 , . . . e uma funo de distribuio G tais que Fn G fracamente. Como F e G possuem a mesma funo caracterstica (), temos que F = G, ou seja Fn (x) a = G(x) = F (x), uma contradio. e Yn D Y0 . Prove que Xn + Yn D X0 + Y0 . Soluo: Pelo Teorema da Continuidade sabemos que Xn (t) X0 (t) e que Yn (t) Y0 (t). Como Xn e Yn so independentes temos que Xn +Yn (t) = Xn (t)Yn (t). Portanto,
Exemplo 3.3.5: Suponha que Xn e Yn so independentes para cada n 0 e que Xn D X0
lim Xn +Yn (t) = lim(Xn (t)Yn (t)) = X0 (t)Y0 (t) = X0 +Y0 (t).
n n
Logo, pelo Teorema da Continudade, temos que Xn + Yn D X0 + Y0 .
Exemplo 3.3.6: Suponha que a varivel aleatria Xn tenha distribuio Binomial, ou seja,
P (Xn = k) = n k p (1 pn )nk , k = 0, 1, 2, . . . , n. k n Xn D Y,
onde Y P oisson(). Para vericar isto relembre que podemos representar uma varivel aleatria Binomial como a soma de variveis aleatrias Bernoulli i.i.d., ento
Se pn 0 quando n de tal modo que npn > 0, ento
npn (eit 1) n it ) e(e 1) , n onde a expresso nal a funo caracterstica de uma varivel aleatria P oisson(). Portanto, pelo Teorema da Continuidade, Xn D Y . Xn (t) = EeitXn = (1 pn + eit pn )n = (1 + pn (eit 1))n = (1 +
47
Exemplo 3.3.7: Suponha que Xn U (n, n). Mostre que

(a) Mostre que limn Xn (t) existe. (b) Existe alguma varivel aleatria X0 tal que Xn X0 ?
Soluo: Como
X (t) =
temos que
sen(nt)
nt
, se t = 0 , se t = 0,
lim Xn (t) =
n
0 , se t = 0 1 , se t = 0.
Para parte (b), note que pelo teorema da continuidade, temos que se existir tal que X0 (t) seria sua funo caracterstica. Como X0 (t) no contnua no pode ser uma funo caracterstica.
Exemplo 3.3.8: Prove que se Xn D X , ento aXn + b D aX + b, para a e b constantes

reais.
nito. Prove que se Xn D X , onde X N (0, 1), ento Xn + an D Y , onde Y N (a, 1).
Exemplo 3.3.9: Seja {an : n 1} uma seqncia de nmeros reais com an a para a
Exemplo 3.3.10: Se Xn e Yn so independentes para n 0, Xn D X0 , e Yn D Y0 .

Encontre o limite em distribuio de Xn + Yn . A seqncia de variveis aleatrias {Xn : n 1} tal que cada Xn segue o modelo geomtrico de parmetro p/n, para algum 0 < p < 1. Verique se ocorre Xn D X para alguma varivel aleatria X e obtenha sua distribuio. n 1p/n t Soluo: Temos Xn (t) = 1 p eit , e Xn (t) = Xn ( n ) = 1p/nt . Como lim Xn (t) = p i
n n
Exemplo 3.3.11:
lim
1p/n
p 1 n ei n t
= 1. Temos que
Xn n
1 n e
0.
3.4 Soma de um Nmero Aleatrio de Variveis Aleatrias

Nesta seo, ns estudaremos somas de um nmero aleatrio de variveis aleatrias, ou seja,
N
S=
i=0
Xi ,
onde N uma varivel aleatria inteira e no negativa, e assume-se que ela independente das parcelas Xi . Por exemplo, N pode ser o nmero de clientes, pacotes ou trabalhos chegando em uma la em um dado intervalo de tempo e Xi pode ser o tempo necessrio para nalizar o i-simo trabalho. S ento seria o tempo total do servio. Em nossas aplicaes assumiremos
48
que N = 0 signica que S = 0, ou seja, X0 = 0 com funo caracterstica X0 (u) = 1. Sabemos que ES = E[E(S|N )] e que
n
E(S|N = n) =
i=0
E(Xi |N = n).
Como assumimos que N independente de Xi , temos

n
E(S|N = n) =
i=0
EXi .
Se as variveis aleatrias {Xi , i > 0} tm esperana igual a m, ento E(S|N = n) = nm e ES = mEN . Para informaes mais detalhadas sobre S , vamos calcular sua funo caracterstica S assumindo que as variveis aleatrias {N, X1 , X2 , . . .} so independentes:
S (t) = EeitS = E(E(eitS |N )).

Por outro lado, utilizando a hiptese de independncia, podemos calcular,
n n
E(e
Logo,
itS
|N = n) = E(
i=0
itXi
|N = n) =
i=0 n
Xi (t).
S (t) =
n=0
P (N = n)
i=0
Xi (t).
Se as parcelas {X1 , X2 , . . .} forem tambm identicamente distribudas com funo caracterstica X , ento
S (t) =
n=0
P (N = n)n (t), X
onde utilizamos o fato que
0 X
= 1 = X0 (t). Note que a funo caracterstica de N :

N (t) =
n=0
P (N = n)eitn =
n=0
P (N = n)[eit ]n .
Comparando as expresses de S e N , ns vemos que escolhendo t em N (t) de forma que eit = X , ns podemos reescrever:
S (t) = N (i log X (t)).

Portanto, ns provamos o seguinte teorema:
Xi , X0 = 0, onde {Xi , i 1} so i.i.d. com funo caracterstica comum X , e elas so independentes de N que descrita pela funo caracterstica N , ento S (t) = N (i log X (t)).
Teorema 3.4.1: Se N uma varivel aleatria inteira no-negativa, S =
N i=0
49
Suponha que N P oisson() representa o nmero de clientes que so atendidos em um dado tempo T . Suponha ainda que com probabilidade p o i-simo cliente ca satisfeito com o atendimento. Assuma que os clientes cam satisfeitos com o servio de maneira independente e que N , independente da probabilidade que clientes cam satisfeitos. Determine a distribuio de probabilidade de S o nmero total de clientes satisfeitos no tempo T . Soluo: Seja Xi Bernoulli(p), i 1, a varivel aleatria que descreve se o i-simo cliente cou ou no satisfeito com o atendimento. Ento temos,
N
Exemplo 3.4.2 :
S=
i=0
Xi ,
onde X0 = 0. Desta forma, sabemos que
S (t) = N (i log X (t)),

onde X (t) = peit + (1 p) e N (t) = e(e
it 1)
. Substituindo temos:
S (t) = e(e
i(i log(peit +(1p))) 1)
= e(pe
it +(1p)1)
= ep(e
it 1)
Pela unicidade da funo caracterstica, temos que S P oisson(p).
3.5 Funo Caracterstica de um Vetor Aleatrio

Denio 3.5.1:
Seja X = (X1 , . . . , Xk ) um vetor aleatrio k -dimensional. A funo R caracterstica de X a funo X : I k C denida por
k
X (t) = EeitX = Eexp(i

j=1
tj Xj ).
X tambm chamada de funo caracterstica conjunta de X1 , . . . , Xk .

A funo caracterstica multivariada tem propriedades anlogas a todas as propriedades enunciadas para a funo caracterstica de uma varivel aleatria. As propriedades P1P4 e P7 so vlidas com as bvias modicaes (a reta substituda por I k ). Para P5, supe-se R que X e Y sejam vetores de mesma dimenso. Sob esta condio, a independncia de X e Y implica que X+Y (t) = X (t)Y (t). Quanto a P6, tambm existe uma frmula da inverso para a funo caracterstica multidimensional que pode ser usada para provar a unicidade da funo caracterstica:
Teorema 3.5.2: Teorema da Unicidade. Se X e Y forem vetores aleatrios k -dimensionais

tais que X (t) = Y (t), t I k , ento X e Y tm a mesma distribuio. Em outras paR lavras, a funo caracterstica determina a distribuio, e podemos escrever: X = Y FX = FY . Autor: Leandro Chaves Rgo
50
Analogamente a P8, correlaes de ordem maiores podem ser facilmente calculadas diferenciando-se a funo caracterstica conjunta repetidamente. Formalmente, seja p = n k=1 pk para nmeros naturais quaisquer pk , temos
n
E(
1
p Xk k ) =
1 p X (t) | . ip tp1 tpn t=0 n 1
No caso particular de X = (X1 , X2 ), temos que
2 X1 ,X2 (t1 , t2 ) |t1 =t2 =0 . EX1 X2 = t1 t2

Tambm fcil analisar o comportamento da funo caracterstica multivariada de transformaes lineares de vetores aleatrios em analogia a propriedade P9. (Assumiremos que um vetor X k -dimensional uma matriz coluna com dimenso k 1. Deste modo t X = (t)T X .) Por exemplo, seja Y = AX + b, ento
Y (t) = Eei(t)
T
TY
= Eei(t)
T (AX+b) T
= E(ei(t) b ei(A
T t)T X
) = ei(t) b X (AT t),

T
onde utilizamos o fato que (AB)T = BT AT e que ei(t) b no aleatrio e pode sair fora da operao de esperana. Assim como fcil obter a distribuio marginal dada uma distribuio conjunta de variveis aleatrias, tambm fcil obter a funo caracterstica de qualquer distribuio marginal. Para isso basta fazer todos os termos extras iguais a zero na funo caracterstica multivariada. Por exemplo, para as variveis aleatrias X, Y, e Z , temos Eei(xX+yY ) = Eei(xX+yY +0Z) , ou seja, X,Y (x, y) = X,Y,Z (x, y, 0), (x, y) I 2 . R Como no caso unidimensional, temos convergncia em distribuio se, e somente se, as funes caractersticas convergem.
R Teorema 3.5.3: Xn D X se, e somente se, Xn (t) X (t), t I k .
Prova: Omitida.
Terminaremos nossa discusso de funes caractersticas multidimensionais considerando um critrio para independncia de vetores aleatrios.
Teorema 3.5.4 : Sejam X = (X1 , . . . , Xm ) e Y = (Y1 , . . . , Yn ) vetores aleatrios, onde

m 1, n 1. X e Y so independentes se, e somente se, X1 ,...,Xm ,Y1 ,...,Yn (x1 , . . . , xm , y1 , . . . , yn ) = X (x1 , . . . , xm )Y (y1 , . . . , yn ),
para todo (x1 , . . . , xm ) I m e (y1 , . . . , yn ) I n . R R
51
Prova: Suponhamos primeiro que X e Y sejam variveis aleatrias X e Y (m = 1, n = 1),

com X e Y independentes. Ento temos,
X,Y (x, y) = Eei(xX+yY ) = EeixX eiyY = EeixX EeiyY = X (x)Y (y), (x, y) I 2 . R
Reciprocamente, suponha que X,Y (x, y) = X (x)Y (y) para todo (x, y) I 2 . Ento R a independncia de X e Y conseqncia do Teorema da Unicidade: se X e Y fossem independentes, elas teriam funo caracterstica conjunta X,Y (x, y) = X (x)Y (y) pela parte inicial desta demonstrao. Se no fossem independentes, elas teriam uma funo caracterstica diferente, o que contraria a hiptese. Logo, so independentes. A prova no caso geral anloga e omitida. Um resultado semelhante vale para um nmero nito qualquer de vetores aleatrios. Consideremos o caso mais simples em que X1 , . . . , Xn so variveis aleatrias. Ento, temos X1 , . . . , Xn independentes se, e somente se,
n
X1 ,...,Xn (t1 , . . . , tn ) =
j=1
Xj (tj ), (t1 , . . . , tn ) I n . R
3.6 Funes Geratrizes de Momento

Denio 3.6.1: Uma funo geratriz de momento FX (t) de uma varivel aleatria X com
funo de distribuio FX existe se,
FX (t) := EetX < , t I,

onde I um intervalo contendo 0 no seu interior. O problema de utilizar funes geratrizes de momento que elas nem sempre existem. Por exemplo, a funo geratriz de momento de uma varivel aleatria com distribuio de Cauchy no existe. Pode-se provar que a existncia da funo geratriz de momento equivalente a cauda da distribuio de X ser limitada exponencialmente, ou seja, P (|X| > x) Kecx , para algum K > 0 e c > 0. Se a funo geratriz de momento existe, pode-se provar que ela tambm determina a funo de distribuio.
3.7 Teorema de Slutsky

Nesta seo, estudaremos o Teorema de Slutsky que trata do comportamento da soma e do produto de variveis aleatrias, uma convergindo em distribuio e outra em probabilidade. Antes disso, iremos provar que funes contnuas preservam convergncia.
Teorema 3.7.1: Sejam {Xn : n 1} e X variveis aleatrias com funes de distribuio

{Fn : n 1} e F , respectivamente. Seja g : I I uma funo contnua. Ento, se Xn R R converge para X quase certamente, em probabilidade ou em distribuio, o mesmo ocorre com g(Xn ) para g(X), no mesmo modo de convergncia.
52
e Xn (w) X(w) para w Ac . Como g contnua, g(Xn (w)) g(X(w)) para w Ac e, portanto, g(Xn ) g(X) cp1. Considere que Xn P X e vamos vericar que g(Xn ) P g(X). Dado > 0 arbitrrio, xemos m grande o suciente tal que P (|X| > m/2) < . A funo g sendo contnua em I , R ser uniformemente contnua no intervalo fechado [m, m], logo para > 0 arbitrrio existe tal que 0 < m/2 e se x, y [m, m] e |x y| < , ento |g(x) g(y)| < . Observe que se P (An ) 1, ento P (An A) P (A), pois P (An ) + P (A) 1 P (An A) P (A) e P (An ) + P (A) 1 P (A). Portanto, como P (|Xn X| < ) 1, temos que P (|X| m/2, |Xn X| < ) P (|X| m/2) > 1 . Mas
Prova: Suponha que Xn X cp1. Ento, existe um conjunto A F tal que P (A) = 0
[|X| m/2, |Xn X| < ] [|X| m, |Xn | m, |Xn X| < ] [|g(Xn ) g(X)| < ],
logo P (|g(Xn ) g(X)| < ) > 1 2 para n sucientemente grande. Como arbitrrio, temos que P (|g(Xn ) g(X)| < ) 1 quando n , ou seja g(Xn ) P g(X). Finalmente, considere que Xn D X . Pelo Teorema da Continuidade de Levy, para que g(Xn ) D g(X), basta a convergncia das respectivas funes caractersticas. Por denio,
g(Xn ) (t) = Eeitg(Xn ) = E cos(tg(Xn )) + iE sen(tg(Xn )).

Como as funes cos(tg(x)) e sen(tg(x)) so contnuas e limitadas na reta, para t xo, decorre do Teorema de Helly-Bray que
g(Xn ) (t) E cos(tg(X)) + iE sen(tg(X)) = g(X) (t), t I R.
Teorema 3.7.2: Considere {Xn : n 1}, {Yn : n 1} e X variveis aleatrias tais que valem as convergncias Xn D X e Yn P c, com c constante. Ento,
(i) Xn + Yn D X + c; (ii) Xn Yn D cX ; (iii) Se c = 0,
Xn Yn
X , c
desde que P (Yn = 0) = 1.
Prova: Prova de (i): Temos

Xn +Yn (t) = E(eit(Xn +Yn ) ) = E(eit(Xn +c) ) + E[(eitXn )(eitYn eitc )].
Por hiptese temos,
lim E(eit(Xn +c) ) = lim eitc E(eitXn ) = eitc E(eitX ) = E(eit(X+c) ).

n n
Observe que |eitXn | = 1 e, assim, vem
|E[(eitXn )(eitYn eitc )]| E[|(eitXn )(eitYn eitc )|] = E[|(eitYn eitc )|].
CAPTULO 3. FUNES CARACTERSTICAS Seja Zn = |(eitYn eitc )|, temos 0 Zn 2. Logo, para
53
> 0, temos
E[|(eitYn eitc )|] = EZn = E(Zn IZn ) + E(Zn IZn > ) + 2E(IZn > ) + 2P (Zn > ).
Como Zn uma funo contnua de Yn e lembrando que funes contnuas preservam convergncia em probabilidade, temos que Zn P 0, pois Yn P c. Nessas condies, para n grande o suciente,
|E[(eitXn )(eitYn eitc )]| E[|(eitYn eitc )|] < 2 .

Logo, tomando o limite de Xn +Yn (t) quando n , conclumos a demonstrao da parte (i). Prova de (ii): Inicialmente consideramos c = 0 e vamos vericar que Xn Yn P 0, e conseqentemente, Xn Yn D 0. Sejam , > 0 e x < 0 < y pontos de continuidade de FX tais que FX (y) FX (x) = P (x < X y) > 1 . Como Xn D X , temos P (x < Xn y) = FXn (y) FXn (x) > 1 2 para n sucientemente grande. Denamos M = max(y, x), ento a convergncia em probabilidade de Yn para zero implica que P (|Yn | < M ) > 1 para n sucientemente grande. Logo para n sucientemente grande, temos
P (x < Xn y, |Yn | <
) > 1 3.
Como x < Xn y e |Yn | < M implicam |Xn Yn | < , temos P (|Xn Yn | < ) > 1 3 para n grande o suciente. Portanto, para todo > 0, P (|Xn Yn | < ) 1, ou seja, Xn Yn P 0. Agora consideremos o caso c geral. Como Xn Yn = cXn + (Yn c)Xn e Yn c P 0. Pelo caso c = 0, temos que (Yn c)Xn P 0. Alm disso como cx uma funo contnua, temos cXn D cX . Como Xn Yn a soma de dois termos, o primeiro dos quais converge para cX em distribuio, e o segundo para zero em probabilidade, o resultado conseqncia da parte (i). Prova de (iii): Como 1/x contnua para x = 0, temos que 1/Yn P 1/c. Agora, basta aplicar o tem (ii).
Captulo 4 Lei dos Grandes Nmeros

4.1 Motivao
Entre outras coisas, a Lei dos grandes Nmeros nos permite formalizar a idia que medida que o nmero de repeties de um experimento cresce, a freqncia relativa fA de algum evento A converge (quase certamente) para a probabilidade terica P (A). este fato que nos permite estimar o valor da probabilidade de um evento A, baseado na freqncia relativa de A em um grande nmero de repeties de um experimento. Por exemplo, se uma nova pea for produzida e no tivermos conhecimento anterior sobre quo provvel ser que a pea seja defeituosa, poderemos proceder inspeo de um grande nmero dessas peas, digamos N , contarmos o nmero de peas defeituosas dentre elas, por exemplo n, e depois empregarmos n/N com uma aproximao da probabilidade de que uma pea seja defeituosa. O nmero n/N uma varivel aleatria, e seu valor depende essencialmente de duas coisas. Primeira, o valor de n/N depende da probabilidade bsica, mas desconhecida, p de que uma pea seja defeituosa. Segunda, depende daquelas N peas que tenham sido inspecionadas. O que a Lei dos Grandes Nmeros mostra que se a tcnica de selecionar as N peas for aleatria, ento o quociente n/N convergir quase certamente para p. (Evidentemente, a seleo das N peas importante. Se fssemos escolher somente aquelas peas que exibissem algum defeito fsico externo, por exemplo, poderamos prejudicar seriamente nossos clculos.) Mais formalmente, considere um experimento bsico, com a varivel aleatria X representando o valor de um caracterstico numrico do resultado (no caso anterior, temos que X seria a funo indicadora do evento A). Pensemos na realizao deste experimento N vezes (N grande), de tal maneira que as realizaes sejam independentes. Suponhamos que depois de cada realizao do experimento registre-se o valor do caracterstico numrico do resultado; chamemos este um valor observado. A Lei dos Grandes Nmeros arma que a mdia aritmtica dos n valores observados converge, em certo sentido, para a mdia EX , quando N . Uma verso da Lei dos Grandes Nmeros diz que se X1 , X2 , . . . so i.i.d. e integrveis, ento X1 + . . . + Xn EX1 . n 54
CAPTULO 4. LEI DOS GRANDES NMEROS
55
Quando o tipo de convergncia convergncia em probabilidade, chamamos de Lei Fraca dos Grandes Nmeros, e quando temos convergncia quase certa, chamamos de Lei Forte dos Grandes Nmeros.
4.2 Lei Fraca dos Grandes Nmeros

Na seo anterior, motivamos o resultado da Leis dos Grandes Nmeros para variveis aleatrias independentes e identicamente distribudas. Nesta seo, analisaremos duas verses da Lei Fraca dos Grandes Nmeros, na primeira delas no necessrio assumir que as variveis aleatrias so identicamente distribudas. Antes de enunciarmos esta lei, vamos relembrar uma importante desigualdade, conhecida como desigualdade de Chebyshev.
Teorema 4.2.1: Desigualdade de Chebyshev Generalizada. Dado um conjunto A e

uma funo g(x) tal que x g(x) IA (x), tem-se que P (X A) min(1, Eg(X)).
Mas, como a cota superior pode exceder 1, temos que min(1, Eg(X)) P (X A).
Prova: Pela monotonicidade da Esperana, temos que Eg(X) EIA (X) = P (X A). Corolrio 4.2.2: Desigualdade (Original) de Chebyshev. Seja X uma varivel aleatria, ento P (|X EX| )
V arX
2
Prova: Escolha A = {x : |x| } e g(x) =

teorema anterior, P (X A) = P (|X| ) P (|X EX| ) V arX . 2
x2
2 2
EX 2
. Note que g(x) IA (x), ento pelo . Substituindo X por X EX , temos
Note que a desigualdade de Chebyshev converte conhecimento sobre um momento de segunda ordem ou uma varincia numa cota superior para a probabilidade da cauda de uma varivel aleatria. Vamos usar esta desigualdade para provar a Lei Fraca dos Grandes Nmeros de Chebyshev.
pendentes 2 a 2 com varincias nitas e uniformemente limitadas (ou seja, existe c nito tal que para todo n, V arXn c). Ento, X1 , X2 , . . . satisfazem a Lei Fraca dos Grandes Nmeros: Sn ESn P 0. n
Teorema 4.2.3: Lei Fraca de Chebyshev Sejam X1 , X2 , . . . variveis aleatrias inde-
Prova: Precisamos provar que para todo > 0,

P( |Sn ESn | ) 0 quando n . n
Como as variveis aleatrias so independentes 2 a 2, temos que

n
V ar(Sn ) =
i=1
V ar(Xi ) nc.
CAPTULO 4. LEI DOS GRANDES NMEROS Pela desigualdade de Chebyshev, temos que
56
P (|Sn ESn | n )
V ar(Sn ) c 2 0. 2 n2 n
(4.1)
Corolrio 4.2.4: Lei dos Grandes Nmeros de Bernoulli. Consideremos uma seqn-
cia 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
Prova: Seja Xn = 1 se o n-simo ensaio sucesso, Xn = 0 caso contrrio. Ento, X1 , X2 , . . . so i.i.d. e integrveis com mdia = p. Como V arXn = p(1 p), a Lei Fraca de Chebyshev implica que Sn np P 0, ou, equivalentemente, Sn P p. n n
Podemos utilizar a Lei Fraca dos Grandes Nmeros para responder a seguinte questo: quantas repeties de um experimento devemos realizar a m de termos uma probabilidade ao menos 0, 95 para que a freqncia relativa dira de p = P (A) por menos do que, digamos, 0,01? Utilizando a equao (4.1), onde Sn o nmero de ocorrncias do evento A em n realizaes do experimento temos que Sn /n = fA , ESn = np, V arSn = np(1 p), e:
P (|fA p| 0, 01)
p(1 p) , n(0, 01)2
p(1p) p(1p) ou seja, queremos que n(0,01)2 0, 05, o que equivalente a n 0,05(0,01)2 . Substituindo os valores especcos de 0, 05 e 0, 01 por e , respectivamente, teremos
P (|fA p| < ) 1 sempre que n
p(1 p) . ( )2
Em muitos problemas, no conhecemos o valor de p = P (A) e, por isso, no poderemos empregar o limite acima. Nesse caso, poderemos empregar o fato de que p(1 p) toma seu valor mximo quando p = 1/2, e esse valor mximo igual a 1/4. Conseqentemente, estamos certamente seguros se armamos que para n 4 1 teremos 2
P (|fA p| < ) 1 .
Exemplo 4.2.5: Peas so produzidas de tal maneira que a probabilidade de uma pea
ser defeituosa p (admitida desconhecida). Um grande nmero de peas, digamos n, so classicadas como defeituosas ou perfeitas. Que valor dever ter n de maneira que possamos estar 99% certos de que a freqncia relativa de defeituosas difere de p por menos de 0, 05? Soluo: Porque no conhecemos o valor de p, deveremos aplicar a ltima frmula com 1 = 0, 05, = 0, 01. Deste modo encontraremos que se n 4(0,05)2 0,01 = 10.000, a condio exigida ser satisfeita.
57
A hiptese de varincias nitas pode ser eliminada e o prximo teorema prova uma verso da Lei Fraca dos Grandes Nmeros para variveis aleatrias i.i.d. e integrveis.
mdia comum , ento
Teorema 4.2.6:
Lei Fraca de Khintchin. Se X1 , X2 , . . . so i.i.d. e integrveis com

Sn P . n
Prova: conseqncia da Lei Forte de Kolmogorov e do fato que convergncia quase certa
implica convergncia em probabilidade.
Exemplo 4.2.7: Sejam {Xn : n 1} variveis i.i.d. com mdia e varincia 2 , ambas
1 nitas. Prove que n n (Xi X)2 P 2 . i=1 Soluo: Note que
1 n 1 n 1 n
(Xi X)2 P 2 =
i=1 n
1 n
Xi2 +
i=1 2
1 n
2XXi +
i=1
1 n
X
i=1
Xi2 2X
i=1 n 2
1 n
Xi + X
i=1
Xi2 X .
i=1
Pela Lei Fraca dos Grandes Nmeros, temos que
1 n
e
Xi2 P EXi2 = 2 + 2
i=1
X P EXi = .
Como funes contnuas preservam convergncia, temos que
X P (EXi )2 = 2
e, consequentemente,
1 n
(Xi X)2 P 2 + 2 2 = 2 .
i=1
58
4.3 Lei Forte dos Grandes Nmeros

Antes de iniciarmos a prova da Lei Forte dos Grandes Nmeros, vamos estudar um critrio para integrabilidade de variveis aleatrias.
Lema 4.3.1: Seja X uma varivel aleatria qualquer. Ento,

P (|X| n) E|X| 1 +
n=1 n=1 n=1
P (|X| n),
e, portanto, X integrvel se, e somente se,

no-negativos. Neste caso, temos que
P (|X| n) < .
Prova: Primeiro vamos considerar uma varivel aleatria Y que assume valores inteiros
k
EY =
k=1
kP (Y = k) =
k=1 j=1
P (Y = k),
trocando a ordem dos somatrios:

EY =
j=1 k=j
P (Y = k) =
j=1
P (Y j).
(4.2)
Se x 0, seja x a parte inteira de x. Ento, a varivel aleatria |X| assume o valor k quando k |X| < k + 1 e 0 |X| |X| |X| + 1, ento pela monotonicidade e linearidade da esperana temos:
0 E |X| E|X| 1 + E |X| .

Como |X| uma varivel aleatria que s assume valores inteiros no-negativos, temos

E |X| =
n=1
P ( |X| n) =
n=1
P (|X| n),
logo
P (|X| n) E|X| 1 +
n=1 n=1
P (|X| n).
Nosso prximo passo provar uma extenso da desigualdade de Chebyshev.
Sejam X1 , . . . , Xn variveis aleatrias independentes tais que EXk = 0 e V arXk < , k = 1, . . . , n. Ento, para todo > 0,
Lema 4.3.2:
1 1 P ( max |Sk | ) 2 V arSn = 2 1kn

onde Sk = X1 + . . . + Xk .
V arXk ,
k=1
59
2 Prova: Queremos uma cota superior para P (max1kn Sk 2 ). Para tanto, seja A = 2 2 [max1kn Sk 2 ]. Vamos decompor A conforme a primeira vez que Sk 2 , denamos: 2 A1 = [S1 2 ], 2 2 A2 = [S1 < 2 , S2 2 ], 2 2 2 Ak = [S1 < 2 , . . . , Sk1 < 2 , Sk 2 ], para 2 k n.
Ento os Ak so disjuntos e A = n Ak . Logo, IA = k=1

n 2 2 Sn Sn IA = k=1 2 2 Sn IAk ESn
n k=1 IAk n
2 ESn IAk . k=1
2 2 2 Queremos substituir Sn por Sk no somatrio (pois Sk 2 em Ak , e no vale necessari2 amente Sn 2 ); o truque escrever 2 2 2 Sn = (Sn Sk )2 + Sk + 2(Sn Sk )Sk Sk + 2(Sn Sk )Sk .
Portanto,
2 2 ESn IAk ESk IAk + 2E((Sn Sk )Sk IAk ).
Como Sn Sk = Xk+1 + . . . + Xn e Sk IAk depende s de X1 , . . . , Xk , as duas so funes de famlias disjuntas de variveis independentes, logo so independentes e a esperana fatora:
E((Sn Sk )Sk IAk ) = E(Sn Sk )E(Sk IAk ).

Como E(Sn Sk ) = 0, temos
2 2 ESn IAk ESk IAk E2 IAk = 2 P (Ak ).
(4.3)
Portanto,
2 ESn
k=1
2 P (Ak ) = 2 P (A), 1 1 2 ESn = 2 V arSn . 2
logo
P (A)
O prximo teorema conhecido como Primeira Lei Forte de Kolmogorov.
ponha que
Teorema 4.3.3: Sejam X1 , X2 , . . . variveis aleatrias independentes e integrveis, e su
n=1
V arXn < . n2
Ento, as Xn satisfazem a Lei Forte dos Grandes Nmeros, ou seja,
X1 + . . . + Xn (EX1 + . . . + EXn ) 0 quase certamente. n n

60
Prova: Suponhamos sem perda de generalidade que EXn = 0, n. Queremos mostrar que
Sn n
0 cp1, onde Sn = X1 + . . . + Xn . Para tanto, basta mostrar que Mn = maxn+1 n |Sk | 0 cp1 quando n . k
2 <k2
Provaremos isto em duas etapas: (i)

n=1
P (Mn
1 ) m
< , m = 1, 2, . . .; e
(ii) Mn 0 cp1. Para (i), considere m xo. Ento, para todo n,
P (Mn
1 2n ) P ( n maxn+1 |Sk | ) 2 <k2 m m

2n+1
2n m2 P ( max |Sk | ) n 1<k2n+1 m 4
V ar(Xk ),
k=1 1 ], m
onde vale a ltima passagem pelo lema anterior. Seja An = [Mn
ento
1 P (An ) m ( n 4 n=1 n=1

2
2n+1
V ar(Xk )) = m2
k=1 k=1 n:2n+1 k
1 V ar(Xk )) = 4n
=m
Observe que
2 k=1
V ar(Xk )
n:2n+1 k
1 ). 4n
(
n:2n+1 k
1 1 )= ( n) = n 4 4 n:n+1log k
2
(
n= log2 k1
1 ) 4n
(1/4) 1 1/4
Portanto,
log2 k1
(1/4) 3/4
log2 k1
16 . 3k 2
16m2 P (An ) 3 n=1
k=1
V ar(Xk ) < . k2
Para (ii), note que por Borel-Cantelli, tem-se P (An inntas vezes) = 0. Logo, para todo 1 m, a probabilidade 1 de que Mn assuma um valor m para somente um nmero nito 1 de n's. Seja Bm o evento Mn assuma um valor m para somente um nmero nito de n's, ento P (Bm ) = 1, m, o que implica que P (m=1 Bm ) = 1, e (ii) resulta da equivalncia entre os eventos Bm e [Mn 0]. m=1 O prximo exemplo ilustra uma aplicao da Primeira Lei Forte de Kolmogorov.
61
Exemplo 4.3.4 :
Sejam X1 , X2 , . . . , Xn variveis aleatrias independentes com Xn P oisson( n), para cada n 1Calcule o limite quase-certo de X . . Soluo: Como V arXn = n, temos que
n=1
V arXn = n2
n=1
n2
< .
Logo, a primeira Lei Forte de Kolmogorov implica que
EX1 + + EXn 0 cp1, ou seja n 1 + 2 + + n X 0 cp1. n Pelo teste da integral, pode-se vericar que X
Portanto,
1+
2 + +
n
0
2n3/2 xdx = . 3
1+
2 + + n
2n1/2 . 3
Logo, X cp1. Antes de enunciarmos e provarmos a Segunda Lei Forte de Kolmogorov, considere o seguinte lema:
Lema 4.3.5 :
Ento,
Seja X uma varivel aleatria integrvel com funo de distribuio F .
(
n=1
1 n2
n n
x2 dF (x)) < .
Prova: Pelo teste da integral, note que para j = 1, 2, . . ., temos
n=j
1 1 1 = 2+ 2 n j n2 n=j+1
j
1 2+ j
Como
n n
1 1 1 2 dx = 2 + . 2 x j j j
n j j1
x dF (x) =
j=n+1
x2 dF (x),
CAPTULO 4. LEI DOS GRANDES NMEROS temos
62
1 ( 2 n n=1

n n
x dF (x)) =
j j1 0 0
(
n=1 j=n+1
1 n2
j j1
x2 dF (x)) = 1 ( 2 n
j j1
=
j=1
1 ( 2 n n=j
j j1
x dF (x)) +
j j1
x2 dF (x))
j= n=|j|+1
2
j=1
x2 dF (x) + 2 j j=
x2 dF (x). |j| + 1
Como
x2 j
x em (j 1, j], para j 1, e 1 ( 2 n n=1

n n j
x2 |j|+1 j
|x| em (j 1, j], para j 0, temos

0 j
x dF (x)) 2
j=1 j1
xdF (x) + 2
j= j1
|x|dF (x) =
(4.4)
=2
j= j1
|x|dF (x) = 2
|x|dF (x) = 2E|X| < .
A seguir enunciamos e provamos a Segunda Lei Forte de Kolmogorov.
Teorema 4.3.6: Sejam X1 , X2 , . . . variveis aleatrias independentes, identicamente distribudas e integrveis, com EXn = . Ento,
X1 + . . . + Xn quase certamente. n
Prova: Suponhamos sem perda de generalidade que = 0. Vamos truncar as variveis Xn , denamos Yn = Xn I[n<Xn n] . Seja Zn = Xn Yn , de modo que
X1 + . . . + Xn Y1 + . . . + Yn Z1 + . . . + Zn = + . n n n
A prova ter trs partes: (a) (b) (c)
Z1 +...+Zn n Y1 +...+Yn n
0 quase certamente (usaremos Borel-Cantelli);
EY1 +...+EYn 0 quase certamente (usaremos a Primeira Lei Forte e o n Lema 4.3.5); e
EY1 +...+EYn n
0 (usaremos o Teorema da Convergncia Dominada).
fcil ver que (a), (b), e (c) implicam o teorema. Para provar (a), note que Zn = 0 Yn = Xn Xn (n, n]. Logo, /
P (Zn = 0) = P (Xn (n, n]) P (|Xn | n). /

CAPTULO 4. LEI DOS GRANDES NMEROS Mas os eventos An = [Zn = 0] satisfazem

63
P (An )
n=1 n=1
P (|Xn | n) =
n=1
P (|X1 | n) E|X1 | < .
Portanto, Borel-Cantelli implica que P (An innitas vezes) = 0, ou seja
P (Zn = 0 innitas vezes) = 0.

Isso signica que
P (Zn = 0 para todo n sucientemente grande) = 1.

Mas se Zn = 0 para n sucientemente grande, ento Zn 0 e
Z1 + . . . + Zn Z1 + . . . + Zn 0, logo P ( 0) = 1. n n
Para provar (b), seja F a funo de distribuio comum, F = FXn . Veriquemos a condio da primeira Lei Forte de Kolmogorov para as variveis aleatrias Yn . Como Yn = Xn I[n<Xn n] , temos
V ar(Yn )
Portanto,
2 E(Yn )
2 E(Xn I[n<Xn n] )
=
n
x2 dF (x).
n=1
V ar(Yn ) n2
n=1
1 n2
n n
x2 dF (x) < ,
onde a ltima desigualdade decorre do Lema 4.3.5. Portanto, (b) decorre da primeira Lei Forte de Kolmogorov. Para provar (c), suciente mostrar que EYn 0. Mas,
EYn = E(Xn I[n<Xn n] ) = E(X1 I[n<X1 n] ) EX1 = 0,

pelo teorema da convergncia dominada que se aplica pois |X1 | domina X1 I[nX1 n] 's e integrvel.
Exemplo 4.3.7:
As variveis Xn , n 1, so independentes e todas tm distribuio 2 Exponencial de parmetro . Mostre que a seqncia {Xn : n 1} satisfaz a Lei Forte dos Grandes Nmeros. Soluo: De acordo com a Segunda Lei Forte de Kolmogorov, precisamos mostrar que 2 2 2 EXn nita para todo n. Como EXn = V arXn + (EXn )2 = 2 < , temos que a seqncia 2 {Xn : n 1} satisfaz a Lei Forte dos Grandes Nmeros.
64
1 modelo Uniforme contnuo em (0, 1). Calcule o limite, quase certo, para n n ( log(Xk )) k=1 quando n . Soluo: Vamos tentar usar a Lei Forte dos Grandes Nmeros. Para isso, precisamos calcular E( log Xk ). 1
Exemplo 4.3.8: Seja {Xn : n 1} uma seqncia de variveis aleatrias i.i.d., seguindo o
E( log Xk ) =
0
log xdx = x log x|1 + 0 1 cp1.
dx = 1.
0
Portanto, temos que
1 n
n k=1 ( log(Xk ))
Por m ns enunciaremos e provaremos a Recproca da Lei Forte de Kolmogorov. A Lei Forte arma que se as variveis aleatrias Xn so integrveis, ento Sn converge para n um limite nito (= EX1 ) com probabilidade 1. A recproca diz que se as Xn no forem integrveis, ento com probabilidade 1, Sn no convergir para um limite nito. n
Teorema 4.3.9: Sejam X1 , X2 , . . . variveis aleatrias independentes e identicamente distribudas. Se E|X1 | = , ento, com probabilidade 1, a seqncia
temos que
|Sn | n
no limitada.
Prova: Se E|X1 | = , ento E( |X1 | ) = , para k = 1, 2, . . .. De acordo com Lema 4.3.1, k
P(
n=1
|X1 | n) = , k. k |Xn | n) = k
Como as variveis Xn so identicamente distribudas, temos
P(
n=1
|X1 | n) = k
P(
n=1
P(
n=1
|Xn | k). n
Por independncia dos Xn , os eventos An = [ |Xn | k] so independentes, e Borel-Cantelli n implica |Xn | P( k innitas vezes) = 1, k. n Fazendo Bk = [ |Xn | k innitas vezes], temos P ( Bk ) = 1, pois a interseco de um k=1 n nmero enumervel de eventos de probabilidade 1 tambm tem probabilidade 1. Mas o evento Bk o evento |Xn | > k para um nmero innito de n, para todo k , ou seja, k=1 n |Xn | o evento a seqncia n ilimitada. Para terminar a prova, basta mostrar que se |Xn | n ilimitada, ento |Sn | tambm ilimitada. Agora, com S0 = 0, temos n
|Sn Sn1 | |Sn | |Sn1 | |Xn | = + , n n n n

para n = 1, 2, . . .. Portanto, se Mas,
|Xn | n
ilimitada, ento
|Sn | n
ilimitada ou
|Sn1 | n
ilimitada.
|Sn1 | (n 1) |Sn1 | = , n (n 1) n
|Sn | n
ento
|Sn1 | n
ilimitada se, e somente se,
tambm for.
65
4.4 Um Exemplo de Divergncia das Mdias

Uma varivel aleatria tem distribuio de Cauchy de parmetro a se, para a > 0
fX (x) =
a 1 2 . a + x2
Assuma que Xn so i.i.d. segundo uma distribuio de Cauchy de parmetro a. Seja Sn = n 1 i=1 Xn . Utilizando a denio e as propriedades da funo caracterstica pode-se provar n que Xn (u) = ea|u| , e Sn (u) = ea|u| . Ento, as mdias Sn so distribudas exatamente como uma das parcelas da soma. Para n m, aps alguma manipulao algbrica, temos que
Sn Sm = (1
m )([Zn,m ] [Yn,m ]), n
m 1 1 onde Zn,m = nm n i=m+1 Xi e Yn,m = m i=1 Xi . Observe que como Zn,m e Yn,m so mdias de conjuntos disjuntos de variveis aleatrias independentes, elas so independentes uma da outra. Ainda mais, pelo resultado para Sn , o caso que elas so identicamente distribudas com funo caracterstica igual a ea|u| . Seja Wn,m = Zn,m Yn,m , ns vemos que Sn Sm = (1 m )Wn,m . Contudo, n
Wn,m (u) = Zn,m (u)Yn,m (u) = e2a|u| .

Ento, Wn,m tem uma distribuio xa, no degenerada que independente de n e m. Fixando, n = 2m, temos que S2m Sm (u) = ea|u| . Portanto, quando m , S2m Sm no converge para zero, mas para todo m, tem uma distribuio Cauchy de parmetro a. Portanto, Sn no satisfaz o critrio de convergncia de Cauchy e no convergente. Observe que isto no um contra-exemplo a Lei Forte de Kolmogorov, tendo em vista que uma varivel aleatria que tem distribuio de acordo com uma Cauchy no tem valor esperado denido, ou seja
0
EX =
1 a|x| dx + a 2 + x2
1 ax dx, a 2 + x2
indenido, visto que ambas as integrais so innitas. Este exemplo serve para ilustrar que a suposio da existncia de EX necessria para a Lei Forte dos Grandes Nmeros.
Captulo 5 Teorema Central do Limite

5.1 Motivao
Consideremos uma seqncia de variveis aleatrias independentes, X1 , X2 , . . ., denidas no mesmo espao de probabilidade (, A, P ), e seja S1 , S2 , . . . a seqncia de somas parciais, denidas por Sn = X1 + X2 + . . . + Xn . A Lei dos Grandes Nmeros trata da convergncia 1 de n (Sn ESn ) para 0, quando n , supondo que as variveis aleatrias Xi 's sejam integrveis. Quando a seqncia obedece lei dos grandes nmeros, existe uma tendncia da varivel aleatria Sn , a mdia amostral no caso de variveis aleatrias independentes e n identicamente distribudas, para concentrar-se em torno de sua mdia. O Teorema Central do Limite prova que sob certas hipteses gerais, a distribuio da mdia amostral padronizada tende normal. O problema consiste em achar condies sob as quais
Sn ESn D N (0, 1). V arSn

Resumidamente, estas condies exigem que cada parcela da soma contribua com um valor sem importncia para a variao da soma, ou seja muito improvvel que qualquer parcela isolada d uma contribuio muito grande para a soma. O Teorema Central do Limite d apoio ao uso da normal como distribuio de erros, pois em muitas situaes reais possvel interpretar o erro de uma observao como resultante de muitos erros pequenos e independentes. H tambm outras situaes que o Teorema Central do Limite pode justicar o uso da normal. Por exemplo, a distribuio de alturas de homens adultos de certa idade pode ser considerada aproximadamente normal, pois a altura pode ser pensada como soma de muitos efeitos pequenos e independentes.
5.2 Teoremas e provas

Existem vrios Teoremas Centrais do Limite que variam de acordo com as hipteses sobre as distribuies das variveis aleatrias Xi 's na seqncia. Como teoremas centrais do limite tratam de convergncia em distribuio e como, pelo Teorema da Continuidade de Levy, sabe-se que uma seqncia de variveis aleatrias Yn D Y se, e somente se, Yn Y , 66
CAPTULO 5. TEOREMA CENTRAL DO LIMITE

t2
67
n a idia ser provar que a funo caracterstica de SnVESn converge para e 2 que a funarS o caracterstica da N (0, 1). Ns iremos agora enunciar e provar alguns desses teoremas, comeando pelo caso de variveis aleatrias independentes e identicamente distribudas.
Teorema 5.2.1: Sejam X1 , X2 , . . . variveis aleatrias iid com E(Xn ) = e V ar(Xn ) = 2 . Suponha que N uma varivel aleatria com distribuio N (0, 1). Se Sn = X1 + X2 + . . . + Xn , ento Sn n D N. n
2 Prova: Sem perda de generalidade, seja E(Xn ) = 0 e E(Xn ) = 1 (caso este no seja o caso,
pode-se provar o resultado para
Xi =
j que E(Xi ) = 0 e E(Xi )2 = 1).
S it n
Xi ,
Seja n (t) = E(e n ) e (t) = E(eitX1 ). Como a funo caracterstica de uma soma de variveis aleatrias independentes igual ao produto das funes caractersticas das variveis aleatrias, tem-se que X it 1 n (t) = (E(e n ))n = n (t/ n). Como os dois primeiros momentos existem, possui duas derivadas contnuas. Ento, k utilizando a expanso de Taylor de e o fato que (k) (0) = ik E(X1 ), temos que
t2 ((t)), 2 onde |(t)| |t|. Logo, como contnua em 0, temos que ((t)) (0) 0 quando t 0. Ento, tem-se t2 t2 (t) = 1 + e(t), 2 2 onde e(t) = ((t)) + 1 e limt0 e(t) = 0. Ento, para t xo (t) = 1 + t (0) +
t2 t t2 t2 t t2 t n ( ) = [1 + e( )]n = [1 + [1 e( )]]n e 2 , 2n 2n 2n n n n
t quando n , pois [1 e( n )] 1 e para nmeros complexos cn c (1 + (Esse limite conhecido como limite de Euler e sua prova ser omitida).
cn n ) n
ec
Um caso especial do Teorema Central do Limite para variveis aleatrias independentes e identicamente distribudas quando estas variveis so distribudas de acordo com a distribuio de Bernoulli, este caso conhecido como Teorema Central do Limite de De Moivre e Laplace.
distribudas de acordo com a distribuio de Bernoulli com parmetro p, ou seja, P (Xi = 1) = p = 1 P (Xi = 0) para 0 < p < 1. Ento, se Sn = X1 + . . . Xn ,
Corolrio 5.2.2: Seja X1 , X2 , . . . uma seqncia de variveis aleatrias independentes e

Sn np np(1 p)
D N (0, 1).
68
Prova: imediata dado o teorema anterior, j que E(Xi ) = p e E(Xi2 ) = p.

Suponha que temos algumas voltagens de rudos independentes, por exemplo Vi , i = 1, 2, . . . , n, as quais so recebidas naquilo que se denomina um somador. Seja V a soma das voltagens recebidas. Suponha tambm que cada varivel aleatria Vi seja uniformemente distribuda sobre o intervalo [0,10]. Da, EVi = 5 volts e V arVi = 100 . 12 De acordo com o Teorema Central do Limite, se n for sucientemente grande, a varivel aleatria (V 5n) 12 S= 10 n ter aproximadamente a distribuio N (0, 1). Portanto, se n = 20, podemos calcular que a probabilidade de que a voltagem total na entrada exceda 105 volts da seguinte maneira: (105 100) 12 (V 100) 12 > ) 1 (0, 388) = 0, 352. P (V > 105) = P ( 10 20 10 20 Agora analisaremos um resultado mais forte que d condies gerais que garantem convergncia da mdia amostral padronizada para normal: o Teorema Central do Limite de Lindeberg.
Exemplo 5.2.3 :
Teorema 5.2.4: Sejam X1 , X2 , . . . variveis aleatrias independentes tais que E(Xn ) = n
2 2 e V ar(Xn ) = n < , onde pelo menos um i > 0. Sejam Sn = X1 + . . . + Xn e sn = 2 2 . Considere a seguinte condio, conhecida como condio de V ar(Sn ) = 1 + . . . + n Lindeberg, n 1 > 0, lim 2 (x k )2 dFk (x) = 0. n sn k=1 |xk |> sn
Ento, se a condio de Lindeberg satisfeita
Sn ESn D N (0, 1). sn

Antes de provarmos este teorema, vamos primeiro dar alguma intuio sobre a condio de Lindeberg. Esta condio diz que, para n grande, a parcela da varincia devida s caudas das Xk desprezvel. A condio de Lindeberg implica que as parcelas Xk da soma tm varincias uniformemente pequenas para n grande, em outras palavras nenhuma parcela tem muito peso na 2 k soma. Formalmente, a condio de Lindeberg implica que max1kn s2 0 quando n . n Para ver isto, observe que para todo k ,
2 1 k = 2 2 sn sn
(x k )2 dFk (x) +
|xk | sn
1 s2 n
(x k )2 dFk (x)
|xk |> sn
1 s2 n 1 s2 n
( sn )2 dFk (x) +
|xk | sn
1 s2 n
(x j )2 dFj (x)
j=1 |xj |> sn
( sn )2 dFk (x) +
1 s2 n
(x j )2 dFj (x).
j=1 |xj |> sn
69
Este ltimo termo no depende de k , pois a primeira parcela igual a ( )2 . Portanto, temos n 2 k 1 2 max ( ) + 2 (x k )2 dFk (x), 1kn s2 sn |xk |> sn n
k=1
que converge para ( )2 , pela condio de Lindeberg. Como isto vale para todo , temos 2 k max1kn s2 0. n Portanto, o Teorema Central do Limite de Lindeberg pode ser aplicado para justicar o seguinte raciocnio: a soma de um grande nmero de pequenas quantidades independentes tem aproximadamente uma distribuio normal.
Exemplo 5.2.5: Vamos vericar neste exemplo que uma seqncia X1 , X2 , . . . de variveis
aleatrias i.i.d. com EXi = e V arXi = 2 satisfaz a condio de Lindeberg. Note que sn = V arSn = n. Ento para > 0, e F a distribuio comum das variveis aleatrias:
1 s2 n =
k=1
1 (x k ) dFk (x) = n 2 |xk |> sn

2 |x|> n
n |x|> n
(x )2 dF (x)
k=1
1 n n 2
(x )2 dF (x).
Ento, nalmente,
lim
n
1 2
|x|> n
(x )2 dF (x) = 0.
Agora iremos provar o Teorema Central do Limite de Lindeberg. Prova: Assim como no caso de variveis aleatrias i.i.d., mostraremos que a funo caract2 terstica de Sn ESn converge para e 2 . sn Para tanto, xemos t R. Usaremos duas verses da frmula de Taylor aplicada funo g(x) = eitx : t 2 x2 itx e = 1 + itx + 1 (x) , onde |1 (x)| 1 2 e t2 x2 t3 x3 eitx = 1 + itx + 2 (x) , onde |2 (x)| 1. 2 6 Seja > 0. Usando a primeira frmula para |x| > e a segunda para |x| , podemos escrever eitx da seguinte forma geral:
eitx = 1 + itx
onde
t 2 x2 + r (x), 2
2 2
r (x) =
Portanto,
x (1 + 1 (x)) t 2 3 x3 2 (x) t 6
se |x| > , se |x| .
70
2 x 2 x k t ( sn k ) E(e )= e dFk (x) = (1 + it + sn 2 x k Xk k 2 Xk k t2 +r ( ))dFk (x) = 1 + itE( ) E(( ) )+ sn sn 2 sn x k x k 2 t2 ))( ) dFk (x) + (1 + 1 ( + 2 |xk |> sn sn sn it
Xk k sn
it
xk sn
t3 6
2 (
|xk | sn
x k x k 3 )( ) dFk (x). sn sn
2 Como EXk = k e V ar(Xk ) = k , temos
E(eit
onde o resto en,k satisfaz
Xk k sn
)=1
2 t2 k + en,k , 2s2 n
|en,k | t2
|xk |> sn
|t3 | x k 2 ) dFk (x) + sn 6 |t | 6s2 n

3
(
|xk | sn
x k 2 ) dFk (x) sn
t s2 n
(x k )2 dFk (x) +
|xk |> sn
(x k )2 dFk (x).
Temos ento,
n
|en,k |
k=1
t2 s2 n
(x k )2 dFk (x) +
k=1 |xk |> sn
|t3 | . 6
Pela condio de Lindeberg, a primeira parcela do termo direita tende a zero quando n . Logo, para n sucientemente grande,
n
|en,k |
k=1
|t|3 . 3 =
1 , m
Vamos ento escolher uma seqncia de 's que converge para zero. Para nm tal que para n nm , n |t3 | , |en,k | 3m
k=1
existe (5.1)
1 onde os restos en,k so os determinados pela frmula baseada em = m . Portanto, existe uma seqncia de inteiros positivos n1 < n2 < . . . tal que (5.1) satisfeita para nm n < nm+1 , 1 onde para estes valores de n os restos so baseados em = m . importante lembrar durante o restante da prova que o valor de que determina o resto en,k depende da posio de n em relao aos nm . Temos, ento, n
|en,k | 0 quando n .
k=1
CAPTULO 5. TEOREMA CENTRAL DO LIMITE Como Xi 's so independentes,

n
71
Sn ESn (t) =
sn
E(eit
k=1
Xk k sn
)=
(1
k=1
t2 2
2 t2 k + en,k ). 2s2 n
Para provar que o termo direita converge para e nmeros complexos.
, usaremos o seguinte Lema sobre

n k=1 cn,k
Lema 5.2.6: Sejam cn,k nmeros complexos tais que

1kn
c quando n . Se
max |cn,k | 0 quando n

n
|cn,k | M < ,
k=1
onde M uma constante que no depende de n, ento

n
(1 + cn,k ) ec quando n .
k=1
Prova: Ns omitimos a prova deste lema que pode ser encontrada no livro do Chung seo
7.1. Em nosso caso, sejam cn,k = 2s2k + en,k e c =
n
t2 2
t2 . 2
Temos que
t2 t2 |en,k | , |cn,k | + 2 2 k=1 k=1

logo existe M < tal que n, condio sobre o mximo
1kn n k=1
|cn,k | < M . Para aplicar o lema resta vericar a
max |cn,k | max
2 2 t2 k t2 k + max |en,k | max + max |en,k | 1kn 2s2 1kn 1kn 2 s2 1kn n n
Como j provamos que os dois termos acima tendem a zero, a prova est terminada.
2 2 aleatrias independentes tais que EXn = n e V arXn = n < com pelo menos um j > 0. 2 Seja Sn = X1 + . . . + Xn e sn = V arSn . Se existir m > 0 tal que
Corolrio 5.2.7: Teorema Central do Limite de Liapunov. Sejam X1 , X2 , . . . variveis
1
ento,
s2+m k=1 n
E(|Xk k |2+m ) 0 quando n ,
Sn ESn D N (0, 1). sn

72
Prova: Para provar este teorema, suciente vericar que as condies do Teorema de Liasua vez implica
|xk |m m sm n
punov implicam as condies do Teorema de Lindeberg. A condio de Lindeberg estabelece uma integral na regio |x k | > sn , > 0. Nessa regio, temos que |xk | > 1, o que por sn
> 1. Desse modo, temos que:

n 2
1 s2 n
k=1
1 (x k ) dFk (x) 2 sn |xk |> sn

n
(x k )2
k=1 |xk |> sn n
|x k |m dFk (x) m sm n |x k |2+m dFk (x)
1 = m 2+m sn = 1 m s2+m n
|x k |
k=1 n |xk |> sn
2+m
1 dFk (x) m 2+m sn
k=1
E|Xk k |2+m .
k=1
Mas a condio de Liapunov implica que o ltimo termo tende a zero quando n . Portanto, a condio de Lindeberg est satisfeita. Antes de vercarmos um exemplo do Teorema Central do Limite de Liapunov, vamos considerar o seguinte Lema.
Lema 5.2.8: Para > 0,
1 n+1
n k=1
k
k=1
1 , +1
quando n , de maneira que
k da ordem de n+1 .
Prova: Como x k se k 1 x k , e k x se k x k + 1, segue-se que

k k1
x dx
k1
k dx = k =
k
k+1
k dx
k
k+1
x dx,
somando-se em k de 1 at n, temos
n 0 n
x dx
k=1
k
1
n+1
x dx.
Logo,
n+1 +1
o que eqivalente a
k
k=1
(n + 1)+1 1 (n + 1)+1 , +1 +1
1 1 +1 +1 n
k
k=1
n + 1 +1 1 ( ) . +1 n
Como ( n+1 )+1 1 quando n , o lema est provado. n
73
Sn ESn sn
Exemplo 5.2.9: Sejam X1 , X2 , . . . , independentes, Xn U [n, n]. Prove que

N (0, 1).
Soluo: Vamos vericar a condio de Liapunov para = 1. Temos

E|Xk k |3 = E|Xk |3 = 1 2k
k k
|x|3 dx =
1 k
k 0
x3 dx =
k3 . 4
Logo, o Lema anterior implica que n E|Xk k |3 da ordem de n4 . Vamos determinar k=1 a ordem de s3 . Como k = EXk = 0 e n
2 k
= V ar(Xk ) =
2 EXk
1 = 2k
n
k2 x dx = , temos 3 k
2
s2 n
=
k=1
k2 . 3
Portanto, aplicando o resultado do Lema, temos:
s2 1 n . 3 n 9
Ento,
1 lim n s3 n = 93/2
n9/2 E|Xk k | = lim ( 3 n sn k=1

3
n k=1
E|Xk k |3 1 1/2 ) 4 n n
1 1 lim 1/2 = 0. 16 n n
5.3 Teorema Central do Limite: Caso Multivariado

Conclumos dizendo que o Teorema Central do Limite tambm pode ser estendido ao caso de vetores aleatrios. Neste caso, tem-se que a distribuio da mdia amostral centrada converge para uma distriuio normal multivariada. A seguir, ns enunciamos formalmente o teorema sem prov-lo.
Teorema 5.3.1 :
Seja X1 , X2 , . . . uma seqncia de vetores aleatrios k -dimensionais, independentes e identicamente distribudos. Suponha que X1 tenha varincia nita, e sejam a mdia e a matriz de covarincia de X1 . Seja X n a mdia amostral, denida como a mdia aritmtica dos vetores X1 , . . . , Xn . Ento, n(X n ) D N (0, ), quando n .
74
5.4 Mtodo Delta

O mtodo Delta um resultado que aumenta signicativamente a relevncia do Teorema Central do Limite. Antes de enunciarmos o teorema, vamos provar dois lemas. Dizemos que uma seqncia de variveis aleatrias {Yn } limitada em probabilidade se para todo > 0, existir K e n0 tal que P (|Yn | K) > 1 para todo n > n0 .
Lema 5.4.1: Se {Yn } converge em distribuio para uma varivel aleatria com funo de
distribuio H , ento a seqncia limitada em probabilidade.
Prova: Fixemos K1 e K2 pontos de continuidade de H tal que H(K1 ) > 1 /4 e H(K2 ) <
/4. Escolhamos n0 tal que, n > n0 , Hn (K1 ) > H(K1 ) /4 > 1 /2
e
Hn (K2 ) < H(K2 ) + /4 < /2.

Ento,
P (K2 Yn K1 ) Hn (K1 ) Hn (K2 ) > 1 .

O resultado est provado se escolhermos K = max(|K1 |, |K2 |).
Lema 5.4.2: Se {Yn } limitada em probabilidade e Xn = o(Yn ), ento Xn P 0. Prova: Dados quaisquer > 0 e > 0, precisamos mostrar que existe N tal que P (|Xn | >
) < para todo n N . Como {Yn } limitada em probabilidade, existe K e n1 tal que P (|Yn | K) > 1 para todo n n1 . Como Xn = o(Yn ), sabemos que existe n n2 tal que |Xn || < K para todo n n2 . Faamos N = max(n1 , n2 ), ento para n N , |Y |Xn | > |Yn | > K . Logo P (|Xn | > ) P (|Yn | > K) < .
Teorema 5.4.3: Se
n(Tn ) D N (0, 2 ), ento n[f (Tn ) f ()] D N (0, 2 [f ()]2 ),
(5.2)
desde que f () exista e no seja zero.
Prova: Utilizaremos a verso da srie de Taylor em torno de Tn = que diz que:

f (Tn ) = f () + (Tn )f () + o(Tn ),
e ento
n[f (Tn ) f ()] =
n(Tn )f () + o( n(Tn )).

75
O primeiro termo do lado direito converge em distribuio para N (0, 2 [f ()]2 ) Por outro . lado, como n(Tn ) converge em distribuio, pelo Lema 5.4.1, temos que n(Tn ) limitada em probabilidade. Ento pelo Lema 5.4.2, o( n(Tn )) converge para zero em probabilidade. O resultado portanto uma conseqncia do Teorema de Slutsky. Este teorema pode parecer uma surpresa, j que se X distribudo normalmente, a distribuio de f (X), por exemplo, 1/X , log X , ou eX no ser tipicamente normal. A explicao para este paradoxo aparente pode ser encontrada na prova. Como o(Tn ) P 0, ns estamos quase certos que quando n for grande, Tn aproximadamente linear, e uma funo linear de uma varivel normal tambm normal. O processo de aproximar a diferena f (Tn ) f () pela funo linear (Tn )f () e o limite em (5.2) chamado de mtodo delta.
Exemplo 5.4.4: Para estimar p2 , suponha que temos a escolha entre

(a) n ensaios binomiais com probabilidade p2 de sucesso; ou (b) n ensaios binomiais com probabilidade p de sucesso. Sejam X e Y o nmero de sucessos no primeiro e segundo tipo de ensaios, e suponha que como estimadores de p2 nos dois casos, ns usaramos X/n e (Y /n)2 , respectivamente. Ento ns temos: X n( p2 ) D N (0, p2 (1 p2 )) n e Y 2 n(( ) p2 ) D N (0, p(1 p)4p2 ). n Ento, pelo menos para n grande, X/n ser mais acurado que (Y /n)2 , desde que
p2 (1 p2 ) < p(1 p)4p2 .

Dividindo ambos os lados por p2 (1 p), podemos ver que
X Y2 ou 2 prefervel se p > 1/3 ou p < 1/3, respectivamente. n n

O mtodo delta proporciona a base para derivar transformaes que estabilizam a varincia, ou seja, transformaes que levem a uma varincia assinttica que independente do parmetro. Suponha, por exemplo, que X1 , . . . , Xn so variveis Poisson com parmetro . Segue do Teorema Central do Limite que n(X ) N (0, ). Para problemas de inferncia que se referem a , quase sempre inconveniente que ocorre no somente na esperana mas tambm na varincia da distribuio limite. portanto de interesse achar uma funo f para a qual n[f (X) f ()] tende em distribuio para N (0, c2 ), onde c2 no depende de . Em geral, suponha que n(Tn ) D N (0, 2 ()). Ento, pelo mtodo delta: n[f (Tn ) f ()] D N (0, 2 ()(f )2 ()),
76
desde que a derivada de f exista em e seja diferente de 0. A distribuio limite do lado c direito ter portanto varincia constante c2 se f () = () . A transformao resultante dita ser estabilizadora de varincia. Exemplo 5.4.5: Poisson. No caso de Poisson, temos = e () = . Logo,
c f () = ou f () = 2c .
Fazendo c = 1, temos que
2 n( X ) D N (0, 1).
Exemplo 5.4.6: Chi-Quadrado. Seja Yi = Xi2 , onde as Xi 's so i.i.d. N (0, 2 ). Ento,
EYi = 2 e V arYi = 2 4 e pelo Teorema Central do Limite, temos n(Y 2 ) D N (0, 2 4 ),
ou seja, Tn = Y , = 2 , e 2 () = 22 . Logo,
c c f () = ou f () = log . 2 2
Fazendo c = 1, vemos que
n Y log( 2 ) D N (0, 1). 2
Referncias Bibliogrcas
1. James, B. (1981), Probabilidade: um curso em nvel intermedirio, 2a. edio Projeto Euclides 2. Magalhes, Marcos M. (2006), "Probabilidade e Variveis Aleatrias", 2a. edio, edusp. 3. Leite, Jos G. e Singer, Julio da Mota (1990), "Mtodos Assintticos em Estatstica: Fundamentos e Aplicaes", 9o. Simpsio Nacional de Probabilidade e Estatstica, IME-USP. 4. Lima, E. (1976), Curso de Anlise, vol.1 - Projeto Euclides 5. Guidorizzi, H. L. (1994), "Um curso de Clculo", Volume 4, Livros Tcnicos e Cientcos Editora. 6. vila, Geraldo (1994), "Clculo - Funes de Vrias Variveis", Volume 2, Livros Tcnicos e Cientcos Editora. 7. Meyer, P. (1983), "Probabilidade - Aplicaes Estatstica", 2a. edio, Livros Tcnicos e Cientcos Editora, Rio de Janeiro. 8. Lehman, E. (1999), "Elements of Large-Sample Theory", Springer-Verlag.
77

Sequências e Séries

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sequências e Séries

Diunggah oleh

Hak Cipta:

Format Tersedia

Notas de Aula do Curso

Recife, maro de 2010. Leandro Chaves Rgo, Ph.D.

4 Lei dos Grandes Nmeros

5 Teorema Central do Limite

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Limite: Caso Multivariado . . . . . . . . . . . . . . . .

Captulo 1 Reviso de Sequncias de Nmeros Reais e Sries Numricas

Denio 1.1.2: Uma sequncia de nmeros reais uma funo x : I I , denida N R

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Exemplo 1.1.3: A sequncia xn = 1 +

Exemplo 1.1.5: xn = 0, para todo n I . Ela limitada, no-crescente e no-decrescente. N

1.1.1 Limite de uma sequncia

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Pois, dado qualquer

Exemplo 1.1.13: A sequncia x2n = 1 e x2n1 =

f (x) f (x) = lim . xa g(x) xa g (x) lim

(1 ea/x ) (ax2 ea/x ) = lim = lim aea/x = a. x x x 1/x x2 lim

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Teorema 1.1.19: Toda sequncia convergente limitada.

Prova: Seja a = limn xn . Ento, tomando

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Teorema 1.1.20: Toda sequncia montona limitada convergente.

Prova: Para xar as idias, seja (x1 x2 . . . xn . . .) uma sequncia no-decrescente

1.1.2 Propriedades Aritmticas dos Limites

(mesmo que no exista limn yn ).

Teorema 1.1.23: Se limn xn = a e limn yn = b, ento

|(xn + yn ) (a + b)| = |(xn a) + (yn b)| |xn a| + |yn b| < 2 + 2 = .

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

xn a bxn ayn 1 = = (bxn ayn ) . yn b yn b yn b

lim sn = lim 1/n + . . . + lim 1/n = 0 + . . . + 0 = 0.

Teorema 1.1.25: Sejam xn yn para todo n I , limn xn = a, e limn yn = b, ento a b. N

Prova: Suponha por contradio que a > b. Seja

Teorema 1.1.28 : Se limn xn = a e g : I I uma funo contnua em a, ento R R

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

1.1.3 Valores de aderncia, lim inf , lim sup

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

1 1 Exemplo 1.1.32 : Sejam x2n1 = n e x2n = 1 + n . Verica-se sem diculdade que

aderncia e lim sup xn o maior valor de aderncia de (xn ).

1.1.4 Sequncias de Cauchy

> 0, existe um n0 I tal que n > n0 e m > n0 implica |xm xn | < . N

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Teorema 1.1.36: Toda sequncia convergente de Cauchy.

Prova: Seja (xn ) uma sequncia de Cauchy. Tomando

1.2 Sries de Nmeros Reais

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS Se existir o limite

s = lim sn = lim (a1 + . . . + an ),

diremos que a srie remos ento

an convergente e o limite s ser chamado a soma da srie. Escreve

Se a sequncia de somas parciais no convergir, diremos que a srie

an uma srie convergente, ento limn an = 0.

Prova: Seja sn = a1 + . . . + an . Ento, existe s = limn sn . Evidentemente, tem-se tambm

Exemplo 1.2.4: A recproca do Teorema 1.2.3 falsa. O contra-exemplo clssico dado

tende para zero mas a srie diverge. Com

Exemplo 1.2.5: A srie geomtrica

Autor: Leandro Chaves Rgo

CAPTULO 1. REVISO DE SEQUNCIAS DE NMEROS REAIS E SRIES NUMRICAS

Denio 1.1.2: Uma sequncia de nmeros reais uma funo x : I I , denida N R

Prova: Para xar as idias, seja (x1 x2 . . . xn . . .) uma sequncia no-decrescente

1 1 Exemplo 1.1.32 : Sejam x2n1 = n e x2n = 1 + n . Verica-se sem diculdade que

convergente ou divergente? Justique.