Você está na página 1de 19

4

SUMRIOS DE VARIVEIS ALEATRIAS CONTINUAS


Em muitos problemas de probabilidade que requerem o uso de variveis aleatrias, uma
completa especicao da funo de densidade de probabilidade ou no est disponvel ou
no necessria. Em vez disso, certas caractersticas importantes de uma varivel aleatria
continua X pode ser conhecida e este conhecimento pode ser suciente para levar a uma soluo
desejada. Vrias sumrios numricos (parmetros) podem ser obtidas a partir da fpd, que nos
d caractersticas simples da distribuio da varivel aleatria.
4.1 ESPERANA MATEMTICA
Denio 4.1: Seja X uma varivel aleatria contnua com funo de densidade f . De-
nimos como esperana matemtica (valor esperado ou mdia) de X dada por:
E[X] =
_

x f (x)dx
desde que a integral esteja bem denida.
A esperana est bem denida se pelo menos uma das integrais for nita
_
0

x f (x)dx < ou
_

0
x f (x)dx <
O valor esperado E[X] pondera os valores assumidos pelas probabilidade, e pode ser inter-
pretado como o centro de gravidade da distribuio da varivel aleatria X.
Exemplo 4.1: Seja X uma varivel aleatria contnua com densidade dada por:
f (x) =
1
4
I
(2,0)
(x) +
1
4
I
(2,4)
(x)
Sumrios de variveis aleatrias continuas 2
Figura 4.1: Centro de Gravidade e Valor Esperado - Caso Contnuo
Assim o valor esperado
E[X] =
_

x f (x)dx
=
_
0
2
x
1
4
dx +
_
4
2
x
1
4
dx
=
1
4
_
0
2
xdx +
1
4
_
4
2
xdx
E[X] = 1
Desta forma o grco de f (x) pode dado por
Figura 4.2: Funo de Densidade e Valor Esperado
Exemplo 4.2: Suponha que X seja uma varivel aleatria com f.d.p. dada por
f (x) =
_
c(9x
2
) se 3 x 3
0 caso contrrio
a) Obtenha o valor de c.
c
_
3
3
(9x
2
)dx = 1 36c = 1 c =
1
36
Sumrios de variveis aleatrias continuas 3
Assim
f (x) =
_
1
36
(9x
2
) se 3 x 3
0 caso contrrio
c) Obtenha a esperana de X.
E[X] =
_

x f (x)dx =
_
3
3
x
1
36
(9x
2
)dx =
1
36
_
3
3
(9x x
3
)dx = 0
c) Determine a funo de distribuio de X
F(x) =
_
x

f (u)du =
_
x

1
36
(9u
2
)du =
(x
3
27x 54)
108
d) Determine P[X E[X] +1]
P[X E[X] +1] = P[X 0+1] = P[X 1] = F(1) =
20
27
Exemplo 4.3: Uma varivel aleatria X contnua tem a seguinte funo de distribuio
F(x) =
_
0 se x < 2
1e
42x
se x 2
Determinar a E[X].
Para calcular o valor esperado podemos, inicialmente vamos obter a fdp de X
f (x) =
dF(X)
dx
= 2e
42x
I
[2,)
(x)
Assim,
E[X] =
_

x f (x)dx =
_

2
x2e
42x
dx =
_

2
2xe
42x
dx =
5
2
Denio 4.2: Seja X uma varivel aleatria com funo de distribuio F e cujo valor
esperado existe. Ento
E[X] =
_

0
(1F(x))dx
_
0

F(x)dx
Exemplo 4.4: Seja X uma varivel aleatria com funo de distribuio
F(x) =
_

_
0 se x < 1
x
2
+x2
18
se 1 x < 4
1 se x 4
Sumrios de variveis aleatrias continuas 4
A varivel s tem valores positivos, logo
E[X] =
_

0
(1F(x))dx
=
_
1
0
1dx +
_
4
1
_
1
x
2
+x 2
18
_
dx
=
11
4
Teorema 4.1: Seja X uma varivel aleatria cujo valor esperado existe. Considere Y =
g(X), uma funo de X que tambm uma varivel aleatria no mesmo espao de probabili-
dade. Ento:
E[g(X)] =
_

g(x) f (x)dx
Exemplo 4.5: A varivel aleatria X tem funo de densidade de probabilidade dada por:
f (x) =
_

_
1
4
(x +2) se 2 x < 0
1
2
se 0 x < 1
0 caso contrrio
Seja Y = X
2
, determine o valor esperado de Y.
Temos que Y uma funo de X, logo
E[Y] = E[X
2
] =
_

x
2
f (x)dx
=
_
0
2
x
2
1
4
(x +2)dx +
_
1
0
x
2
1
2
dx
=
1
4
_
0
2
(x
3
+2x
2
)dx +
1
2
_
1
0
x
2
dx
=
1
3
+
1
6
=
1
2
Teorema 4.2 (Propriedades da Esperana): Seja X uma varivel aleatria cujo valor espe-
rado existe. Ento
a) E[c] = c onde c uma constante.
b) Linearidade: Se E[aX +b] = aE[X] +b
Exemplo 4.6: Suponha X seja uma varivel aleatria, para a qual E[X] = 10. Seja Y =
a+bX. Para quais valores de a e b deve ter valor esperado 0.
Aplicando as propriedades de esperana temos que
E[Y] = E[a+bx] = a+bE[X]
Sumrios de variveis aleatrias continuas 5
Como
E[Y] = 0 a+bE[X] = 0
Ento
a+bE[X] = 0 a+10b = 0 b =
a
10
Ou seja valor esperado de Y ser 0, sempre que a e b tiverem valores na reta
Exemplo 4.7: Seja X uma varivel aleatria com valor esperado E[X] = , mostre que o
erro quadrtico mdio, dado pela expresso E[(X d)
2
], minimizado quando d =
Temos que
E[(X d)
2
] = E[X

2Xd +d
2
]
= E[X
2
] 2dE[X] +d
2
= E[X
2
] 2d +d
2
Fazendo h(d) = E[X
2
] 2d + d
2
, temos a primeira derivada h

(d) = 2 + 2d, assim


quando h

(d) = 0 temos,
2 +2d = 0 d =
Logo o ponto d = minimiza a expresso E[(X d)
2
]
4.2 VARINCIA
O valor esperado E[X] uma medida do centro de uma distribuio. Para uma caracteriza-
o mais ampla da varivel aleatria, interessante considerar uma medida da disperso dessa
distribuio. Denindo o desvio de uma V. A. X relativamente ao seu valor esperado E[X],
como
d = X E[X]
utilizando as propriedades do valor esperado tem-se que:
E[d] = 0
Sumrios de variveis aleatrias continuas 6
A medida que leva em conta a grandeza dos desvios independente do seu sinal, chamada
de varincia.
Denio 4.3: Seja X uma varivel aleatria. Denimos a varincia de X, denotada por
V(X), dada por
V(X) = E[(X E[X])
2
]
Denio 4.4: A raiz quadrada positiva de V[X] denominada desvio padro de X
DP(X) =
_
V(X)
Teorema 4.3: Seja X uma varivel aleatria com em que existe o valor esperado, ento a
varincia dada por:
V[X] = E[X
2
] (E[X])
2
Exemplo 4.8: Seja X uma varivel aleatria com fpd dada por
f (x) =
_
1+x 1 x 0
1x 0 < x 1
Determine a esperana e a varincia de X
E[X] =
_

x f (x)dx
=
_
0
1
x(1+x)dx +
_
1
0
x(1x)dx
=
1
6
+
1
6
= 0
E[X
2
] =
_

x
2
f (x)dx
=
_
0
1
x
2
(1+x)dx +
_
1
0
x
2
(1x)dx
=
1
12
+
1
12
=
1
6
V(X) = E[X
2
] (E[X])
2
=
1
6
0 =
1
6
Teorema 4.4 (Propriedades da Varincia): Seja X uma varivel aleatria cujo valor espe-
rado existe. Ento
a) V[X] 0
Sumrios de variveis aleatrias continuas 7
b) V[c] = 0 onde c uma constante.
c) [V[aX +b] = a
2
V[X]
4.3 DESIGUALDADE DE CHEBYSHEV
Se conhecemos a funo de distribuio de probabilidade de uma varivel aleatria X, po-
demos obter o valor esperado E[X] e a varincia V(X). Mas a reciproca no verdadeira, pois
somente com o conhecimento de E[X] e V(X) no possvel obter a fdp de X, e por consequn-
cia no possvel calcular probabilidades. Mas, embora no possamos calcular probabilidades
a partir de E[X] e V(X), possvel estabelecer limites para as probabilidades. Este resultado
conhecido como desigualdade de Chebyshev.
Teorema 4.5 (Desigualdade de Markov): Seja X uma varivel aleatria no negativa e
considere k > 0. Ento
P(X k)
E[X]
k
Corolrio 4.1 (Desigualdade de Chebyshev): Seja X uma varivel aleatria com E[X] =
e varincia nita. Ento, para k > 0
P(|X | k)
V(X)
k
2
Demonstrao.
P(|X | k) = P((X )
2
k
2
)
Aplicando a desigualdade de Markov temos
P((X )
2
k
2
)
E
_
(X )
2

k
2
=
V(X)
k
2
Formas alternativas de se escrever a desigualdade de Chebyshev so dadas a seguir
P(|X | < k) 1
V(X)
k
2
P(E[X] k < X < E[X] +k) 1
V(X)
k
2
Exemplo 4.9: Seja X uma varivel aleatria continua E[X] = e DP(X) = . Determine
os limites de
P
_
|X |
3
2

_
Sumrios de variveis aleatrias continuas 8
Pela Desigualdade de Chebyshev temos
P(|X | k)
V(X)
k
2
P
_
|X |
3
2

_


2
_
3
2

_
2
=

2
9
4

2
=
4
9
Exemplo 4.10: Seja X uma varivel aleatria continua E[X] = 120 e DP(X) = 10, Deter-
mine os limites para a probabilidade abaixo
P(80 < X < 160)
Fazendo
E[X] k = 80 120k = 80 k = 40
E[X] +k = 160 120+k = 160 k = 40
Assim temos
P(80 < X < 160) 1
100
(40)
2
1
1
16
=
161
16
=
15
16
= 0, 9375
Assim
P(80 < X < 160) 0, 9375
4.4 MOMENTOS
J vimos como calcular o valor esperado (E[X]), e a varincia V(X)de uma varivel aleat-
ria contnua X. Estes dois parmetros do uma indicao da localizao e de disperso de uma
distribuio de probabilidade. Pode-se mostrar que outras caractersticas da distribuio de pro-
babilidade de X podem ser expressas por meio de potncias de X. Esses valores so chamados
de momentos de uma varivel aleatria X.
Os momentos so estatsticas de uma varivel aleatria capazes de representar seu compor-
tamento probabilstico. Os innitos momentos estatsticos denem a funo de densidade de
probabilidade.
Sumrios de variveis aleatrias continuas 9
Denio 4.5 (Momentos): Se X uma varivel aleatria, o k-simo momento de X
denido como, denotado por
k
, denido como

r
= E[X
r
]
Denio 4.6 (Momentos Centrais): Se X uma varivel aleatria, o k-simo momento
central de X denido como,
E[(X a)
r
]
Se E[X] = <, temos que k-simo momento central de X de ordem k dado por

r
= E[(X )
r
ou sejam este o k-simo momento em torno da mdia.
O primeiro momento da distribuio de probabilidade de uma varivel aleatria X, ou seja,
o valor esperado E[X] = , uma medida de localizao da distribuio de y.
O segundo momento central em torno da mdia E[(X )
2
], exprime a disperso da distri-
buio. Outros momentos centrados descrevem outros aspectos importantes referentes forma
da distribuio. Em particular, o terceiro e quarto momentos centrados podem ser utilizados
para exprimir os graus de assimetria ou de curtose da distribuio.
Oterceiro e quarto momentos centrais emtorno da mdia podemser utilizados para exprimir
medidas de assimetria ou de curtose da distribuio.
Seguindo a denio de uma funo simtrica, pode-se dizer que a distribuio de probabi-
lidade da varivel aleatria X simtrica em torno da mdia se: f ( x) = f ( +x). Assim
uma distribuio simtrica se o terceiro momento
3
= 0. O calculo do terceiro momento
centrado depende da unidade de medida da varivel X, o que diculta a comparao de dife-
rentes distribuies quanto ao grau de assimetria. Para contornar esse problema, a medida de
assimetria mais utilizada o coeciente de assimetria.
(a) Assimtrica a Direita (b) Assimtrica a Esquerda (c) Simtrica
Figura 4.3: Exemplos de distribuio simtrica e assimtrica
Sumrios de variveis aleatrias continuas 10
Denio 4.7 (Coeciente de Assimetria): Seja X uma varivel aleatria qualquer com
valor esperado e desvio padro . O coeciente de assimetria de X, dado por
3
, indica o
grau de assimetria da distribuio de probabilidade e denida por

3
=
E[(X )
3
]

3
Em geral, se
3
<0, dizemos que a varivel X assimtrica esquerda. Se
3
>0, dizemos
que a varivel X assimtrica direita. Em termos de probabilidade uma varivel aleatria
simtrica, em torno de um valor a, se satisfaz a equao
P(X x) = P(X x), x R
A curtose outra medida da forma de distribuio, que pode ser entendida como uma me-
dida relativa ao do pico distribuio.
Denio 4.8 (Coeciente de Curtose): Seja X uma varivel aleatria qualquer com valor
esperado e desvio padro . O coeciente de curtose de X, dado por
4
, mede a intesidade
dos picos de uma da distribuio de probabilidade e denida por

4
=
E[(X )
4
]

4
A distribuio normal tem uma curtose de 3 (mesocrtica), em geral, compara-se os valores
da curtose com esse valor. A curtose pode ser entendida como uma medida de peso de cauda:
Uma distribuio platicrtica (
4
< 3) tem caudas mais pesadas do que uma distribuio
normal. Isto signica que h mais casos longe da mdia do que encontrado em uma
distribuio normal.
Uma distribuio leptocrtica (
4
> 3) tem menos valores nas caudas (caudas leves),
ento h mais casos perto da mdia do ento seria esperado em uma distribuio normal.
4.4.1 Funo Geradora de Momentos
A funo geradora de momento est associado a uma funo de densidade de probabilidade.
A funo geradora de momento pode ser usado para gerar momentos. No entanto, o principal
uso dessa funo no gerarm momentos de gerao, mas para ajudar na caracterizao de uma
distribuio.
Denio 4.9: A funo geradora de momentos de uma varivel aleatria continua X,
denotado por M
X
(t), denido como:
M
X
(t) = E[e
tx
] =
_

e
tx
f (x)dx
Sumrios de variveis aleatrias continuas 11
desde que a expectativa existe para t em alguns bairro de 0.
Exemplo 4.11: Seja uma varivel aleatria continua X com fdp dada por
f (x) = 2e
2x
I
[0,)
(x)
Determine a funo geradora de momentos
M
X
(t) = E[e
tx
] =
_

e
tx
f (x)dx
=
_

0
e
tx
2e
2x
dx
= 2
_

0
e
(t2)x
dx = lim
a
2
t 2
e
(t2)x

a
0
=
2
t 2
_
lim
a
e
(t2)a
1
_
M
X
(t) =
2
2t
se t < 2
Nesse caso os valores de t foram restritos para garantir que a integral seja nita.
Teorema 4.6: Seja X uma varivel aleatria, e suponha que sua funo geradora de mo-
mento M
X
(t) exista para |t| < t
0
, sendo t
0
> 0. Ento o n-simo momento de X a n-sima
derivada de M
X
(t), calculada no ponto t = 0. Ou seja
E[X
n
] =
d
n
M
X
(0)
dt
n
Exemplo 4.12: Seja uma varivel aleatria continua X com fdp dada por
f (x) = 2e
2x
I
[0,)
(x)
e funo geradora de momentos dada por
M
X
(t) =
2
2t
se t < 2
Determine a mdia e a varincia de X.
M

X
(t) =
2
(2t)
2
M

X
(t) =
4
(2t)
3
Sumrios de variveis aleatrias continuas 12
Fazendo em t = 0
E[X] = M

X
(0) =
2
(2)
2
= 0, 5
E[X
2
] = M

X
(0) =
4
(2)
3
= 0, 5
VAR[X] = E[X
2
] (E[X])
2
= 0, 50, 25 = 0, 25
4.4.2 Cumulantes
Cumulantes tambm chamados de momentos cumulativos so de muita importncia na des-
crio de uma varivel aleatria. Os cumulantes so um conjunto de quantidades que fornecem
uma alternativa para os momentos da distribuio distribuio de probabilidade.
Denio 4.10: Seja X uma varivel aleatria com funo geradora de momentos M
X
(t).
A funo geradora de cumulantes de uma varivel aleatria continua X denotada por c
X
(t),
denida como
C
X
(t) = ln(M
X
(t))
Denio 4.11: O cumulante de ordem n denido como
c
n
=
d
n
C
X
(0)
dt
n
Os cumulantes so relacionados com os momentos centrais da seguinte forma:
c
1
=
c
2
=
2
c
3
=
3
c
4
=
4
3
2
2
Exemplo 4.13: Seja uma varivel aleatria continua X com fdp dada por
f (x) =
1
3
e

1
3
x
, se x 0
e funo geradora de momentos dada por
M
X
(t) =
1
13t
se t <
1
3
Determine a funo geradora de cumulantes.
C
X
(t) = ln(M
X
(t)) = ln
_
1
13t
_
= ln(1) ln(13t) =ln(13t)
Sumrios de variveis aleatrias continuas 13
Determinar os 4 primeiros cumulantes
C

X
(t) =
3
13t
c
1
=C

X
(0) = 3
C

X
(t) =
9
(13t)
2
c
2
=C

X
(0) = 9
C

X
(t) =
54
(13t)
3
c
1
=C

X
(0) = 54
C
(4)
X
(t) =
486
(13t)
4
c
4
=C

X
(0) = 486
Determinar a mdia, varincia, coeciente de assimetria e coeciente de curtose

1
= c
1
= 3 mdia

2
= c
2
= 9 varincia
_
(9) = 3 desvio padro

3
= c
3
= 54 assimetria

3
=
54
3
3
= 2 coeciente de assimetria

4
= c
4
+3
2
2
= 486+3(9
2
) = 729 curtose

4
=
729
3
4
= 9 coeciente de curtose
4.5 MODA
Outro valor de interesse no resumo de um distribuio de probabilidade a moda Mo. Ape-
sar de no ser realmente uma medida central, a moda diz o valor mais provvel da varivel
aleatrio X. Assim, a moda ocorre no valor mximo de f (x), e podem ser localizados atravs
do grco de a funo densidade de probabilidade.
Denio 4.12: Se X o varivel aleatria continua, com funo de densidade f , ento a
moda de X, dada por:
f (Mo) f (x), x R
Para determinar a moda de X basta determinar o valor mximo da funo de densidade
de probabilidade. Com funes complexas, pode ser necessrio diferenciar para encontrar os
mximos e mnimos de f .
Exemplo 4.14: Seja X uma varivel aleatria com fdp dada por
f (x) = 12x
2
12x
3
I
[0,1]
(x)
Sumrios de variveis aleatrias continuas 14
Determine a Moda de X.
Fazendo a primeira derivada de f (x) em relao a x, temos
f

(x) = 24x 36x


2
Fazendo f

(x) = 0, temos
24x 36x
2
= 0 x = 0 e x =
2
3
A segunda derivada de f (x) em relao a x, temos
f

(x) = 2472x f

(0) = 24 e f

_
2
3
_
=24
Assim x = 0 um ponto de mnimo e x =
2
3
um ponto de mximo.
Logo Mo =
2
3
Exemplo 4.15: Seja X uma varivel aleatria com fdp dada por
f (x) = xe
x
I
[0,]
(x)
Determine a Moda de X.
Fazendo a primeira derivada de f (x) em relao a x, temos
f

(x) = (1x)e
x
Fazendo f

(x) = 0, temos
(1x)e
x
= 0 1x = 0 e x = 1
A segunda derivada de f (x) em relao a x, temos
f

(x) = (x 2)e
x
f

(1) =2e
2
Assim x = 1 um ponto de mximo.
Logo Mo = 1
4.6 MEDIANA E QUANTIS
Denio 4.13: Seja X uma varivel aleatria continua com funo de distribuio F, e
seja uma probabilidade p (0, 1). Um valor de q tal que
F(q) = p
Sumrios de variveis aleatrias continuas 15
chamada de quantil de ordem p para a distribuio de X
Um quantil de ordem p valor q, tal que abaixo dele tenha p de probabilidade acumulada.
Assim,
F(q) = p = P[X q] =
_
q

f (x)dx
Para encontrar o valor do q-simo quantil, poderia utilizar a resoluo da integral
_
q

f (x)dx = p
Para maioria das variveis continuas, o valor q encontrado como
q = F
1
(p)
em que F
1
a funo inversa de F da funo de distribuio chamada de funo quantlica.
Alguns quantis recebem nomes especiais:
O quantil de ordem
1
2
chamado de mediana ou segundo quartil da distribuio
O quantil de ordem
1
4
chamado de primeiro quartil da distribuio
O quantil de ordem
3
4
chamado de primeiro quartil da distribuio
Denio 4.14: A mediana de uma varivel aleatria X, denotada por Md, o valor de X
tal que
F(Md) =
1
2
= 1F(Md)
ou
_
Md

f (x)dx =
1
2
=
_

Md
f (x)dx
Assim, a mediana de uma varivel aleatria X um numero, tal que a massa de probabili-
dade de X seja dividida igualmente para a direita e esquerda desse valor.
Exemplo 4.16: Seja X uma varivel aleatria com funo de densidade de probabilidade
dada por
f (x) = 2(1x)I
[0,1]
(x)
Determinar a mediana e os quantis 0,30 e 0,70
Primeiro vamos obter a funo de distribuio de X
F(x) =
_
x
0
2(1u)du = 2x x
2
I
[0,1]
(x)
Assim a funo quantlica x = F
1
(p)
x = 1
_
1p
Sumrios de variveis aleatrias continuas 16
Para mediana p=0,5, assim
Md = 1
_
10, 5 = 0, 2929
Para o quantil de p=0,30
X
0,30
= 1
_
10, 30 = 0, 1633
Para o quantil de p=0,70
X
0,70
= 1
_
10, 70 = 0, 4522
Exemplo 4.17: Seja X uma varivel aleatria com funo de distribuio dada por
f (x) = 1e
2x
I
[0,)
(x)
Determinar a mediana e o quantil de 0,90
Primeiro vamos obter a funo quantlica x = F
1
(p)
x =
ln(1p)
2
Para mediana p=0,5, assim
Md =
ln(10, 5)
2
= 0, 3465
Para o quantil de p=0,90
X
0,90
=
ln(10, 9)
2
= 1, 1512
4.7 EXERCCIOS
4.7.1 Tericos
4.1) Mostre ou d um contra-exemplo que E
_
1
X
_
=
1
E[X]
4.2) Para quaisquer valores de a e b, se P(a X b) = 1, ento a E[X] b
4.3) Seja X uma varivel aleatria simtrica emtorno de , isto , P(X +x) =P(X x)
para todo x R. Mostre que se X integrvel, ento E(X) = .
4.4) Suponha que X uma varivel aleatria com funo geradora de momento M
x
(t), mdia
e varincia
2
. Seja c(t) = lnM
x
(t). Mostre que c

(0) = e c

(0) =
2
Sumrios de variveis aleatrias continuas 17
4.5) Seja X uma varivel aleatria para o qual P(X 0) = 0 e E[X] = <. Prove que
P[X ] 1
1
k
para k 1
4.6) Mostre que o terceiro momento central (
3
) dada por

3
= E[X
3
] 3
2

3
sendo E[X] = e V(X) =
2
4.7) Seja X uma varivel aleatria com E[X] < e V(X) <, mostre que
Z =
X E[X]
DP[X]
tem E[X] = 0 e V(X) = 1
4.8) Se K real positivo e x uma varivel aleatria ento
P(|X| )
E(|X|
t
)
k
t
t > 0
4.9) Seja X uma varivel aleatria com funo geradora de momentos M
X
(t) e a e b constan-
tes.Mostre que a funo geradora de momentos de Y = aX +b
R
Y
(t) = e
bt
M
X
(at)
4.10) Seja X uma varivel aleatria com valores entre 0 e c. Tal que P(0 X c) = 1. Ento
V(X)
c
2
4
4.7.2 Prticos
4.1) Verique se as funes abaixo so funes de densidade de probabilidade. Caso positivo
determine E[X], V(X), coeciente de assimetria e curtose, funo geradora de momentos, Moda
e Mediana
a) f (x) =
2x+1
12
I
[0,3]
(x)
b) f (x) = 2x
3
x +1, se 0 x 1
c) f (x) = 5(1x)
4
, se 0 x 1
d) f (x) =
1
2
sen(x), se x
Sumrios de variveis aleatrias continuas 18
e) f (x) =
_
0.5e
x
x 0
0.5e
x
x > 0
4.2) Suponha que a durao de vida (em horas) de uma certa vlvula seja uma varivel aleatria
contnua X com fdp dada por f (x) =
100
x
2
, para x >100 e zero para quaisquer outro valor. Mostre
que E[X] no existe.
4.3) Suponha que um dispositivo eletrnico tenha uma durao de vida X, (em unidades de
1.000 horas), a qual considerada como uma varivel aleatria continua, com a seguinte fdp.
f (x) = e
x
, x > 0
Suponha que o custo de fabricao de um desses dispositivos seja R$ 2,00. O Fabricante vende
a pea por R$5, 00, mas garante o reembolso total se X < 0, 9. Qual o lucro esperado pelo
fabricante?
4.4) A funo de distribuio de X dada por
F(X) =
_

_
0 , se x <2
x+2
10
, se 2 x < 0
1
5
+
x
10
+
3x
2
250
, se 0 x < 5
1 , se x 5
a) Calcule E[X]
b) Calcule E[X
2
]
c) Determine P[X < E[X]]
4.5) Admita que X representa a durao de uma chamada telefnica internacional e obedea o
seguinte modelo
F(x) = 1e

x
2
I
[0,)
(x)
a) Verique que F(x) uma funo de distribuio
b) Determine E[X]
c) A tarifa aplicada por chamada tem um custo inicial de R$ 2,00 e um adicional de R$ 0,75
por minuto inteiro de conversao. Determine o custo mdio de cada chamada.
4.6) Suponha que X seja uma varivel aleatria com E[X] = 20 e V(X) = 25. Seja Y = aX b.
Para quais valores positivos de a e b, Y deve ter E[Y] = 0 e V(Y) = 1
4.7) Seja f (x) = (x +
1
2
)I
(1,1)(x)
, onde uma constante.
a) Para quais valores de , f (x) uma funo de densidade?
Sumrios de variveis aleatrias continuas 19
b) Ache a mdia, mediana e varincia de X
c) Para quais valores de a varincia de X mxima.
4.8) Seja X uma varivel aleatria com E[X] = 3 e E[X
2
] = 13. Determine os limites para
P[2 < X < 8].
4.9) Sabe que uma varivel aleatria X, tem E[X] = 6 e E[X
2
] = 62. Seja
Y =
1
2
X +3
Determine E[Y] e V(Y)
4.10) Seja X uma varivel aleatria contnua com funo densidade de probabilidade
f (x) = 1|x| se |x| < 1
12) Seja f (x) = (x +
1
2
)I
(1,1)(x)
, onde uma constante.
a) Prove que f uma funo densidade de probabilidade.
b) Determine E(X) e V(X).
c) Calcule P(|X| k), onde k um nmero 0 < k < 1.
d) Obtenha uma cota superior para a probabilidade anterior.
4.11) Se uma varivel aleatria continua X tem E[X] = 0, 6 e funo de densidade de probabi-
lidade dada por
f (x) =
_
ax +bx
2
0 < x < 1
0 caso contrrio
determine P(X < 1/2) e V(X)