Baixe o app para aproveitar ainda mais
Prévia do material em texto
Notas de Aula Convergência de Variáveis Aleatórias Jun - 2012 Sumário 1 Tipos de Convergência 2 1.1 Convergência em Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2 Convergência Quase Certa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.1 Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Convergência em Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.5 Exerćıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2 Lei dos Grandes Números (LGN) 4 2.1 Alguns resultados importantes: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1.1 Para a lei fraca: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1.2 Para a lei forte: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3 Teorema Central do Limite (versão iid) 6 3.1 Demonstração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.1.1 Para média zero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.1.2 Para média qualquer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2 Resultados Adicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4 Apêndice 8 4.1 Resumo - Desigualdades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 4.2 Exerćıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1 Caṕıtulo 1 Convergência de Variáveis Aleatórias 1.1 Convergência em Probabilidade Uma sequência de va’s Yn converge em probabilidade para a va Y se, ∀� > 0, lim n→∞ P (|Yn − Y | > �) = 0, ou P (|Yn − Y | > �) n→∞−−−−→ 0. - Notação: Yn P−→ Y . obs: Y não precisa ser va! - Exemplo: Seja a sequência de va’s Xn tais que: P (Xn = 1) = 1 n e P (Xn = 0) = 1− 1 n , onde Xn ∼ Ber( 1 n ). Mostre que Xn P−→ 0. 1.2 Convergência Quase Certa Uma sequência de va’s Yn converge quase certamente (ou quase sempre) para a va Y se P (Yn n→∞−−−−→ Y ) = 1, onde o evento {Yn n→∞−−−−→ Y } é equivalente ao evento: {ω ∈ Ω : lim n→∞ Yn(ω) = Y (ω)}. Assim, Yn n→∞−−−−→ Y ↔ lim n→∞ Yn(ω) = Y (ω) - Notação: Yn q.c−−→ Y obs: Y não precisa ser va! 1.2.1 Lema de Borel-Cantelli Sejam (An)n≥1 eventos independentes quaisquer formando uma sequência: 1. ∞∑ n=1 P (An) <∞⇒ P (”An ocorrer infinitas vezes”) = 0 2. ∞∑ n=1 P (An) =∞⇒ P (”An ocorrer infinitas vezes”) = 1 An = ”O macacon digitou todas as obras de Shakespeare sem erro”; P (An) = p > 0. Supondo que o desempenho de um macaco é independente do desempenho de outro macaco. Como ∞∑ n=1 P (An) = ∞∑ n=1 p =∞ ⇒ infinitos macacos conseguirão! Pois P(An ocorrer infinitas vezes) = 1. 2 1.3 Convergência em Distribuição Uma sequência de va’s (Yn)n≥1 com função de distribuição FYn converge em distribuição para Y , cuja função de distribuição é FY , se: lim n→∞ FYn = FY (em todos os pontos de continuidade de F.) - Notação: Yn D−→ Y Pode-se mostrar que: Yn q.c−−→ Y ⇒ Yn P−→ Y ⇒ Yn D−→ Y. - obs: • lim n→∞ (P (|Yn − Y )| > �)) = 0 (convergência em probabilidade); • P (|Yn − Y | > �,∀n > n0) = 0 (convergência ”quase certa”). 1.4 Teoremas 1. Xn D−→ X ⇒ E[g(Xn)] n→∞−−−−→ E[(g(X)] para g(.) cont́ınua e limitada; 2. lim n→∞ ΨXn(t) = Ψ(t) e Ψ é cont́ınua em t = 0⇒ { Ψ é função caracteŕıstica de uma va X; Xn D−→ X. Além disso, Xn D−→ X ⇔ ΨXn(t) n→∞−−−−→ ΨX(t) e ΨX é cont́ınua em t = 0. 1.5 Exerćıcios - Exerćıcio 1: Seja X1, X2, ... uma sequência de va’s iid’s expo(1). Defina a sequência Yn = Xn ln(n) , n ≥ 2. Mostre que Yn P−→ 0 e Yn q.c−−→ 0 - Exerćıcio 2: X1, ..., Xn, ... é sequência de va’s independentes tais que P(Xn = 1) = 1 n e P (Xn = 0) = 1− 1n . Vimos que Xn P−→ 0. Mas Xn q.c−−→ 0 ? - Exerćıcio 3: X1, ..., Xn, ... sequência de va’s iid’s da U(0,1). Seja Yn = n −xn . Mostre que Yn P−→ 0, n > 1. - Exerćıcio 4: Se Xn ∼ Bin(n,pn), onde n.pn n→∞−−−−→ λ, então Xn D−→ Poisson(λ) - Exerćıcio 5: (Xn)n≥1 sequência de va’s independentes U(0,1). Para qual distribuição converge a sequência Yn = n(1−X(n))? 3 Caṕıtulo 2 Lei dos Grandes Números (LGN) Seja E um experimento com um espaço amostral Ω e uma va associada. Realizando o experimento n ve- zes (independentemente) teremos uma sequência (Xn)n≥1 (amostra aleatória). A LGN diz que: ”A média aritmética de X1, ..., Xn se aproxima de E(X) quando n cresce.” - Pergunta: Uma sequência X1, ..., Xn de va’s sempre satisfaz a LGN? Seja X1, X2,... uma sequência de va’s com E(Xi) < ∞ e defina S1, S2, ... a sequência de somas parciais, isto é, Sn = n∑ i=1 Xi. Assim: 1. (Xn)n≥1 satisfaz a lei fraca dos grandes números (LFrGN) se, Sn−E(Sn) n P−→ 0 2. (Xn)n≥1 satisfaz a lei forte dos grandes números (LFoGN) se, Sn−E(Sn) n q.c−−→ 0 obs: Se as va’s (Xn)n≥1, ... são idênticas (id), temos: Sn−E(Sn) n = Sn n - nE(X) n = X̄n - E(X) e, portanto: X̄n P−→ E(X) (LFrGN) ; X̄n q.c−−→ E(X) (LFoGN) 2.1 Alguns resultados importantes: 2.1.1 Para a lei fraca: 1. Tchebychev: Seja uma sequência de va’s (Xn)n≥1, ... independentes 2 a 2 com variâncias finitas e uniformemente limitadas (∗). Então, (Xn)n≥1 satisfaz a LFrGN. obs: (∗)∃ k, (k ∈ R) | Var(Xi) ≤ k, ∀i - Demonstração: Queremos mostrar que (∗∗) lim n→∞ P (|Sn−E(Sn)n − 0| > �) = 0, ∀� > 0 P (|Snn − E( Sn n )| > �) ≤ V ar(Snn ) �2 = V ar(Sn) n2�2 = n∑ i=1 V ar(Xi) n2�2 ≤ nk n2�2 = k n�2 4 Como kn�2 n→∞−−−−→ 0, temos que (∗∗) vale. Logo, satisfaz a LFrGN. 2. Khintchin: Seja uma sequência de va’s iid’s com E(Xi) <∞. Então (Xn)n≥1 satisfaz a LFrGN. - Exemplo: Sejam X1, ..., Xn, ... va’s iid’s Poisson(λ). Qual o limite em probabilidade das sequências abaixo? • Yn = X 2 1+X 2 2+...+X 2 n n , n ≥ 1 • Yn = X1+X2+...+Xnn , n ≥ 1 2.1.2 Para a lei forte: 1. 1a lei de Kolmogorov: Seja uma sequência de va’s independentes e integráveis (∃ E(Xi)) e E((|Xi|) < ∞) tais que: ∞∑ n=1 V ar(Xn) n2 <∞ Então a sequência (Xn)n≥1 satisfaz a LFoGN. 2. 2a lei de Kolmogorov: Seja uma sequência de va’s iid’s com E(Xi) <∞. Então a sequência (Xn)n≥1 satisfaz a LFoGN. - Exemplo: Seja o experimento ”lançar uma moeda honesta e observar a face resultante”. Defina a va X = { 1, se for cara 0, c.c Suponha que o experimento é repetido indefinidamente e defina X̄n = n∑ i=1 Xi n . Para onde converge X̄n? Qual o tipo de convergência? 5 Caṕıtulo 3 Teorema Central do Limite (versão iid) Seja uma sequência de va’s iid’s X1, X2, ... com E(X) = µ e V ar(x) = σ 2. Defina Sn = n∑ i=1 Xi, então: Sn−E(Sn)√ V ar(Sn) D−→ N(0, 1) Note: (Sn−E(Sn))/n√ V ar(Sn)/n = X̄n−µ σ/ √ n D−→ N(0,1) - Idéia: A distribuição da média amostral converge para a normal! E se os Xi’s não foram iid’s? Existe uma versão do TCL que garante a convergência de Sn−E(Sn)√ V ar(Sn) para a N(0,1) a partir de duas condições a serem satisfeitas: Liapunov e Lindberg (basta usar uma delas e a outra também será satisfeita). (Ber + Pois + Exp + Gama + ... (indep’s) D−→ normal) 3.1 Demonstração via Função Caracteŕıstica E[Sn] = nE[Xi] = nµ V ar[Sn] = nV ar[Xi] = nσ 2 3.1.1 1◦ caso: µ = 0 É preciso mostrar que Ψ Sn σ √ n (t) → e−t 2 2 . Usando propriedades, a expressão de Taylor de Ψ em torno de t = 0 é: Ψ Sn σ √ n (t) = ΨSn( 1 σ √ n t) = n∏ i=1 ΨXi( t σ √ n ) = [ΨXi( t σ √ n )]n Ψ(t) = Ψ(0) + Ψ(1)(0) t1! + Ψ (2)(0) t 2 2! + ... = 1 + iE[X]t + i 2E[X2] t 2 2 + ... = 1 + 0 - σ2t2 2 + ... Ψ Sn σ √ n (t) = [1− σ2t2 σ2n 2 + ...] n = [1− t 2 2n + ...] n = lim n→∞ Ψ Sn σ √ n (t) = lim n→∞ [1− t 2 2 1 n + ...] n = e −t2 2 6 3.1.2 2o caso: µ qualquerSn−E[Sn]√ V ar[Sn] = n∑ i=1 (Xi−µ) √ V ar[Sn] = n∑ n=1 Yi √ nσ2 , onde Yi = Xi − µ ⇒ E[Yi] = 0; V ar[Yi] = σ 2; E[ n∑ i=1 Yi] = 0; V ar[ n∑ i=1 Yi] = nσ 2. Logo, pelo anterior: Sn−E[Sn]√ V ar[Sn] D−→ N(0,1) Note que a distribuição das va’s Xi não é dada! 3.2 Alguns resultados importantes adicionais Seja uma sequência de va’s X1, X2, ... e g:R → R uma função cont́ınua. Então: • Xn D−→ X ⇒ g(Xn) D−→ g(X) • Xn P−→ X ⇒ g(Xn) P−→ g(X) • Xn q.c−−→ X ⇒ g(Xn) q.c−−→ g(X) - Exemplos: 1. E(Xi) = µ; X1, X2, ... é sequência de va’s i.i.d’s não-negativas que satisfaz a lei forte dos grandes números. lim n→∞ ( n∏ i=1 Xi) 1 n → ? 2. X1, X2, ... é sequência de va’s iid’s com E(Xi) = 1 e V ar(Xi) = 1. Encontre o limite abaixo: Yn = n∑ i=1 Xi√ n n∑ i=1 X2i P−→ ? 3. G(t, λ) t→∞−−−→ normal. Por quê? 4. X ∼ P (600). Calcule P (X = 650) utilizando alguma aproximação. 5. Pense: Por que podemos aproximar uma distribuições como a Gama e a Poisson por distribuições Normais? 7 Caṕıtulo 4 Apêndice 4.1 Resumo - Desigualdades • P (X ≥ k) ≤ E(x)k (básica ou Markov, X é va não negativa) • P (X ≥ k) ≤ σ 2 σ2+k2 (Tchebychev unilateral, X é va com média zero e variância σ 2) • P (|X − E(X)| ≥ k) ≤ V ar(X)k2 (Tchebychev, X é va qualquer) • P (|X| ≥ k) ≤ E(|X| t) kt , ∀t > 0 (Markov, X é va qualquer) 4.2 Exerćıcios 1. E(X) = 16, Var(X) = 9; Encontre uma cota inferior para a P (10 ≤ X ≤ 22) 2. f(x) = { 2x, 0 ≤ x ≤ 1 0, c.c , onde Xi = ”tempo de vida de um componente”. Sn = n∑ i=1 Xi, r = lim n→∞ n Sn = lim n→∞ 1 X̄ A sequência (Xi)n≥1 satisfaz a LGN? Xi’s são iid’s. 3. Xi ∼ Exp(5) ⊥ Yi ∼ Exp( 10,3 ). Se Wi = Xi + Yi, então P ( 20∑ i=1 Wi ≤ 8) ≈ ? 8
Compartilhar