Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de Bras´ılia Departamento de Estat´ıstica 4a Lista de PE – Soluc¸a˜o 1. a) Para que f(x) seja uma densidade devemos ter 1 = ∫ 1 −1 C(1− x2)dx = C ( x− x 3 3 )∣∣∣∣1 −1 = 4 3 C. Isso ocorre se, e somente se, C = 3 4 . b) Para −1 < x < 1 no´s temos F (x) = ∫ x −1 3 4 (1− y2)dy = ( y − y 3 3 )∣∣∣∣x −1 = 3 4 ( x− x 3 3 + 2 3 ) . Segue que a func¸a˜o distribuic¸a˜o da v.a X e´ F (x) = 0, se x 6 −1, 3 4 ( x− x 3 3 + 2 3 ) , se −1 < x < 1, 1, se x > 1. c) Primeiramente calculemos, E(X) = ∫ 1 −1 3 4 x(1− x2)dx = 3 4 ( x2 2 − x 4 4 )∣∣∣∣1 −1 = 0. Agora E|X| = ∫ 0 −1 3 4 (−x)(1− x2)dx+ ∫ 1 0 3 4 x(1− x2)dx = 2× 3 4 ( x2 2 − x 4 4 )∣∣∣∣1 0 = 3 8 . 2. a) Integrando por partes podemos encontrar um primitiva para xe−x/2, G(X) = ∫ xe−x/2dx = −2xe−x/2 − 4e−x/2. Para que f(x) seja uma densidade devemos ter 1 = ∫ ∞ 0 f(x)dx = C ∫ ∞ 0 xe−x/2dx = C { lim M→∞ G(M)−G(0) } = 4C. Tendo em vista que na penu´ltima igualdade utilizamos o Teorema Fundamental do Ca´lculo, isso ocorre se, e somente se, C = 1 4 . b) Pelo Teorema Fundamental do Ca´lculo, a func¸a˜o distribuic¸a˜o para x > 0 e´ dada por F (x) = ∫ x 0 f(y)dy = 1 4 {G(x)−G(0)} = 1− 1 2 xe−x/2 − e−x/2. Portanto, a func¸a˜o distribuic¸a˜o e´ definida por F (x) = 0, se x 6 0, 1− 1 2 xe−x/2 − e−x/2, se x > 0. c) Novamente, integrando por partes, podemos encontrar uma primitiva para x2e−x/2, H(X) = ∫ x2e−x/2dx = −2x2e−x/2 − 8xe−x/2 − 16e−x/2. Pelo Teorema Fundamental do Ca´lculo, a esperanc¸a de X e´ dada por E(X) = 1 4 ∫ ∞ 0 x2e−x/2dx = 1 4 { lim M→∞ H(M)−H(0) } = 4. 3. 4. 5. 6. 7. Por um lado, para que f(x) seja uma densidade, devemos ter 1 = ∫ 1 0 (a+ bx2)dx = ( ax− bx 3 3 )∣∣∣∣1 0 = a+ b 3 . Por outro lado, devemos ter 3 5 = E(X) = ∫ 1 0 x(a+ bx2)dx = ( a x2 2 − bx 4 4 )∣∣∣∣1 0 = a 2 + b 4 . Resolvendo o sistema linear a+ b 3 = 1 a 2 + b 4 = 3 5 encontramos a = 3 5 e b = 6 5 . 8. 9. Lembrando que para obtermos a densidade de uma varia´vel aleato´ria cont´ınua basta derivarmos a func¸a˜o distribuic¸a˜o temos FY (x) = P(Y 6 x) = P(log(2X + 3) 6 x) = P(2X + 3 6 ex) = P ( X 6 e x − 3 2 ) = FX ( ex − 3 2 ) . Desse modo, segue que fY (x) = d dx FY (x) = d dx FX ( ex − 3 2 ) = 1 2 exfX ( ex − 3 2 ) . 10. Vamos considerar X a varia´vel que representa o hora´rio em que o passageiro chega a` parada apo´s as 7:00 AM. Desse modo, temos que X ∼ U(0, 30). a) O passageiro ira´ esperar 5 minutos pelo oˆnibus se chegar entre 7:10 e 7:15 ou entre 7:25 e 7:30. Segue que P(“esperar menos de 5 min”) = P(10 < X < 15) + P(25 < X < 30) = ∫ 15 10 1 30 dx+ ∫ 30 25 1 30 dx = 1 3 . b) Analogamente, o passageiro ira´ esperar mais de 10 minutos pelo oˆnibus se chegar entre 7:00 e 7:05 ou entre 7:15 e 7:20. Segue que P(“esperar mais de 10 min”) = P(0 < X < 5) + P(15 < X < 20) = ∫ 5 0 1 30 dx+ ∫ 20 15 1 30 dx = 1 3 . 11. 12. 13. Seja Z ∼ N (0, 1), enta˜o a) P(X < 20) = P ( X − 10√ 36 < 20− 10√ 36 ) ' P(Z < 1, 67) ' 0, 95254. b) P(X > 16) = 1− P(X 6 16) = 1− P ( X − 10√ 36 < 16− 10√ 36 ) = 1− P(Z 6 1) ' 1− 0, 84134 = 0, 15866. c) P(X > 5) = P ( X − 10√ 36 > 5− 10√ 36 ) ' P(Z > −0, 83) = P(Z < 0, 83) ' 0, 79673 d) P(4 < X < 16) = P ( 4− 10√ 36 < X − 10√ 36 < 16− 10√ 36 ) = P(−1 < Z < 1) = P(Z < 1)− P(Z < −1) = P(Z < 1)− P(Z > 1) = P(Z < 1)− {1− P(Z 6 1)} = 2P(Z < 1)− 1 ' 2(0, 84134)− 1 = 0, 68268 e) P(|X| < 8) = P(−8 < X < 8) = P (−8− 10√ 36 < X − 10√ 36 < 8− 10√ 36 ) ' P(−3 < Z < −0, 33) = P(Z < −0, 33)− P(Z < −3) = P(Z > 0, 33)− P(Z > 3) = 1− P(Z < 0, 33)− {1− P(Z 6 3)} ' −0, 62930 + 0, 99865 = 0, 36935 14. Seja X a varia´vel que representa o per´ıodo de gestac¸a˜o, e suponha que o re´u e´, de fato, o pai. Desse modo, a probabilidade de que o nascimento possa ter ocorrido no per´ıodo indicado e´ P({X > 290} ∪ {X < 240}) = P(X > 290) + P(X < 240) = P ( X − 270√ 100 > 290− 270√ 100 ) + P ( X − 270√ 100 < 240− 270√ 100 ) = P(Z > 2) + P(Z < −3) = 1− P(Z 6 2) + P(Z > 3) = 2− P(Z 6 2)− P(Z 6 3) = 2− 0, 97725− 0, 99865 ' 0, 0241 15. 16. 17. Se X denota o nu´mero de estudantes que permanecem na faculdade, enta˜o X tem distribuic¸a˜o binomial com paraˆmetros n = 450 e p = 0, 3 e a probabilidade desejada e´ P(X > 150) = 1− P(X 6 150) = 1− 150∑ i=0 P(X = i) = 1− 150∑ i=0 ( 450 i ) (0, 3)i(0, 7)450−i. A soma acima e´ bastante complicada de se fazer manualmente (uma das razo˜es de se usar a aproximac¸a˜o Normal a` Binomial) e levaria um bom tempo para termina´-la. Com o uso de um simples algoritmo, um computador pode calcular a soma acima resultando no valor aproximado de 0,0565. Podemos aproximar X por uma normal. Para tal, consideramos Y ∼ N (np, np(1−p)), ou seja, uma normal de paraˆmetros µ = 135 e σ2 = 94, 5. Como X e´ discreta e Y cont´ınua, aplicando o Teorema de DeMoivre-Laplace aproximamos X por Y como abaixo: P(X > 150) ' P(Y > 150) = P ( Y − 135√ 94, 5 > 150− 135√ 94, 5 ) ' 1− P(Z 6 1, 54) ' 1− 0, 93822 = 0, 06178 18. 19. a) Para x > v a func¸a˜o de distribuic¸a˜o e´ ∫ x v f(y)dy. Com uma substituic¸a˜o simples, u = x−v α , a integral se torna bastante fa´cil e F (x) = 0, se x 6 v, 1− exp { − ( x− v α )β} , se x > v. b) Quando β = 1 e v = 0, a distribuic¸a˜o de Weibull se torna uma exponencial de paraˆmetro 1/α. Como sabemos, a esperanc¸a de uma varia´vel aleato´ria exponencial X ∼ Exp(λ) e´ 1/λ. Em nosso caso, teremos E(X) = α. 20. Seja X a varia´vel que representa nu´mero de anos em que o ra´dio funciona. Em nosso caso temos X ∼ Exp(1/8) e consequentemente, F (x) = 1 − e−x/8, para x > 0. Segue que P(X > 8) = 1− F (8) = e−1. 21. 22. 23. Seja X a varia´vel que representa o tempo de vida da bateria do carro. Como a me´dia e´ 10.000 milhas, temos que X ∼ Exp(1/10.000) e F (x) = 1 − e−x/10.000. Queremos calcular a probabilidade do tempo de vida da bateria do carro ser maior que 10.000 dado que e´ maior que 5.000. P(X > 10.000|X > 5.000) = P(X > 5.000 + 5.000|X > 5.000) = P(X > 5.000) = 1− F (5.000) = e−1/2 ' 0, 607. Observe que na segunda igualdade usamos a propriedade de perda de memo´ria da distribuic¸a˜o exponencial. 24. Seja Z ∼ N (0, 1). d) P(µ− 1, 96σ < X < µ+ 1, 96σ) = P ( −1, 96 < X − µ σ < 1, 96 ) = P(−1, 96 < Z < 1, 96) = 2P(Z < 1, 96)− 1 ' 2(0, 97500)− 1 = 0, 95. e) No´s queremos que 0, 99 = P(µ− βσ < X < µ+ βσ) = P ( −β < X − µ σ < β ) = P(−β < Z < β) = 2P(Z < β)− 1. A igualdade acima ocorre se, e somente se, P(Z < β) = 0, 995, ou seja, β = 2, 58. 25. 26. a) Observe que X e´ determinado pela varia´vel aleato´ria θ que representa o aˆngulo entre o feixe de luz e o eixo y. Claramente, θ ∼ U(−pi/2, pi/2) e sua distribuic¸a˜o e´ Fθ(x) = P(θ 6 x) = x− (−pi/2) pi = 1 2 + x pi . Como estamos interessados na distribuic¸a˜o de X, basta observar que X = tan(θ) e, para −∞ < x <∞, segue que FX(x) = P(X 6 x) = P(tan(θ) 6 x) = P(θ 6 arctan(x)) = 1 2 + arctan(x) pi . Desse modo, ainda para −∞ < x <∞, chegamos a f(x) = d dx FX(x) = 1 pi(1 + x2) . b) ∫ +∞ −∞ f(x)dx = 1 pi ∫ +∞ −∞ 1 1 + x2 dx = arctan(x) pi ∣∣∣∣+∞ −∞ = pi/2− (−pi/2)pi = 1 c) E|X| = ∫ +∞ −∞ |x|f(x)dx = ∫ 0 −∞ (−x) 1 pi(1 + x2) dx+ ∫ +∞ 0 x 1 pi(1 + x2) dx = 2 ∫ +∞ 0 x 1 pi(1 + x2) dx = 1 pi ∫ +∞ 0 2x 1 + x2 dx = 1 pi lim M→+∞ ln(1 + x2) ∣∣M 0 = +∞. 27. Para y > 0 temos FY (y) = P(Y 6 y) = P(|X| 6 y) = P(−y 6 X 6 y) = P(X 6 y)− P(X 6 −y) = FX(y)− FX(−y). Derivando ambos os lados no´s obtemos, fY (y) = fX(y) + fX(−y). 28. Para y > 0 temos FY (y) = P(Y 6 y) = P(Xn 6 y) = P (X 6 y1/n) = FX ( y1/n ) . Derivando ambos os lados no´s obtemos, fY (y) = 1 n y1/n−1fX ( y1/n ) . 29. a) P(|X| > 1/2) = 1− P(|X| < 1/2) = 1− P(−1/2 < X < 1/2) = 1− {P(X < 1/2)− P(X < −1/2)} = 1/2. b) Da Questa˜o 27, temos que fY (y) = fX(y) + fX(−y) = 1. Ou seja, Y ∼ U(0, 1). 30. Para que as ra´ızes da equac¸a˜o sejam reais devemos ter ∆ = (4Y )2 − 16(Y + 2) > 0 ou Y 2 > Y + 2. Como 0 < Y < 5, a relac¸a˜o acima ocorre se, e somente se, Y > 2. Enta˜o P(Y 2 > Y + 2) = P(Y > 2) = 3 5 . 31. Para y ∈ R, temos P(Y 6 y) = P(logX 6 y) = P(X 6 ey) = 1− e−ey . Derivando, no´s obtemos fY (y) = e ye−e y . 32. Para 1 < y < e, temos P(Y 6 y) = P(eX 6 y) = P(X 6 log y) = log y. Derivando no´s obtemos fY (y) = 1 y . 33. Primeiramente, observe que se Z e´ normal padra˜o enta˜o −Z tambe´m e´. De fato, F−Z(z) = P(−Z 6 z) = P(Z > −z) = 1− P(Z 6 −z) = 1− FZ(−z). Derivando ambos os lados temos f−Z(z) = fZ(−z) e como uma v.a. normal padra˜o tem a func¸a˜o densidade par, fZ(−z) = fZ(z). a) P(Z > x) = P(−Z < −x) = P(Z < −x). b) P(|Z| > x) = 1− P(|Z| < x) = 1− P(−x < Z < x) = 1− {P(Z < x)− P(Z < −x)} = 1− P(Z < x) + P(Z < −x) = P(Z > x) + P(Z < −x) = 2P(Z > x). c) P(|Z| < x) = 1− P(|Z| > x) = 1− 2P(Z > x) = 1− 2(1− P(Z < x)) = 2P(Z < x)− 1. 34. Uma vez que encontramos a distribuic¸a˜o de X na Questa˜o 19, basta observar que P (( X − v α )β 6 x ) = P ( X − v α 6 x1/β ) = P (X 6 αx1/β + v) = 1− e−x. 35. Vamos representar os quantis citados pela sua representac¸a˜o simplificada q1, q2 e q3 respectivamente. Considerando inicialmente a varia´vel X, sabemos que FX(x) = 1 − e−2x para x positivo. Desse modo, P(X < q1) = 0, 25 ⇐⇒ 1− e−2q1 = 0, 25 ⇐⇒ e−2q1 = 0, 75 ⇐⇒ q1 = ln(0, 75)−2 ⇐⇒ q1 ' 0, 1438. Analogamente encontramos q2 ' 0, 3466 e q3 ' 0, 6932. Considere agora a varia´vel Y . Claramente a mediana e´ q2 = 4. Para encontrar q3 note que P(Y < q3) = 0, 75 ⇐⇒ P ( Y − 4√ 9 < q3 − 4√ 9 ) = 0, 75 ⇐⇒ P ( Z < q3 − 4 3 ) = 0, 75. e olhando na tabela devemos ter q3 − 4 3 = 0, 68, ou seja, q3 = 6, 04. Para encontrar q1 = 1, 96, basta lembrar que q1 e q3 devem estar a` mesma distaˆncia da mediana. 36. a) O gra´fico tem a forma abaixo 0 1 2 3 4 5 6 0 0.2 0.4 0.6 0.8 1 x F( x) b) Como a varia´vel e´ cont´ınua nesse ponto, a probabilidade desejada e´ 0. c) P(X = 2) = F (2+)− F (2−) = 2/3− 1/2 = 1/6. d) P (2, 2 < X < 3, 7) = F (3, 7)− F (2, 2) = 5/6− (2, 2 + 6)/12 = 3/20.
Compartilhar