Universidade de Brası́lia

Departamento de Estatı́stica

4a Lista de PE – Solução
1. a) Para que f (x) seja uma densidade devemos ter
Z 1 1
x3 

2 4
1= C(1 − x )dx = C x − = C.
−1 3 −1 3


3
Isso ocorre se, e somente se, C = .
4
b) Para −1 < x < 1 nós temos
Z x x
y 3  x3 2
  
3 2 3
F (x) = (1 − y )dy = y − = x− + .
−1 4 3 −1 4 3 3
Segue que a função distribuição da v.a X é
x 6 −1,

 0, se

3

 3 
x 2
F (x) = x− + , se −1 < x < 1,
 4
 3 3


1, se x > 1.

c) Primeiramente calculemos,
Z 1 1
3 x2 x4 

3 2
E(X) = x(1 − x )dx = − = 0.
−1 4 4 2 4 −1
Agora
0 1 1
x2 x4 
Z Z 
3 3 3 3
E|X| = (−x)(1 − x2 )dx + x(1 − x2 )dx = 2 × − = .
−1 4 0 4 4 2 4 0 8

2. a) Integrando por partes podemos encontrar um primitiva para xe−x/2 ,

Z
G(X) = xe−x/2 dx = −2xe−x/2 − 4e−x/2 .

Para que f (x) seja uma densidade devemos ter

Z ∞ Z ∞ n o
1= f (x)dx = C xe−x/2 dx = C lim G(M ) − G(0) = 4C.
0 0 M →∞

Tendo em vista que na penúltima igualdade utilizamos o Teorema Fundamental

do Cálculo, isso ocorre se, e somente se, C = 14 .
b) Pelo Teorema Fundamental do Cálculo, a função distribuição para x > 0 é dada
por Z x
1 1
F (x) = f (y)dy = {G(x) − G(0)} = 1 − xe−x/2 − e−x/2 .
0 4 2
Portanto, a função distribuição é definida por

 0, se x 6 0,
F (x) =
 1 − 1 xe−x/2 − e−x/2 , se x > 0.
2
 c) Novamente, integrando por partes, podemos encontrar uma primitiva para x2 e−x/2 ,
Z
H(X) = x2 e−x/2 dx = −2x2 e−x/2 − 8xe−x/2 − 16e−x/2 .

Pelo Teorema Fundamental do Cálculo, a esperança de X é dada por

1 ∞ 2 −x/2
Z
1n o
E(X) = xe dx = lim H(M ) − H(0) = 4.
4 0 4 M →∞

3. a) Como sabemos, a integral da função densidade no intervalo dos reais deve ser um.
Desse modo,
Z 3   2 3
1 x  3 + 12k
1= x + k dx = + kx  = .
0 6 12 0 4

Isso ocorre se, e somente se, k = 1/12.

b)
2 2
x2
Z   
1 1 x  1
P(1 < X < 2) = x+ dx = + = .
1 6 12 12 12 1 3


c) Do enunciado temos que

a a
x2 a2
Z   
1 1 x x  a
= P(X < a) = x+ dx = + = + .
2 0 6 12 12 12 0 12 12


Isso ocorre se, e somente se, a = 2.

4. a) Como a densidade está definida no intervalo [0,3] o tempo máximo que uma peça
pode ficar sem se corroer é 3 anos.
b) Para que f (x) seja uma densidade devemos ter
Z 1 Z 2 Z 3
1 = kxdx + kdx + (−kx + 3k)dx
0 1 2
1 3
kx2  kx2

2

= + kx|1 + − + 3kx 
2 0 2 
2

= 2k.

Isso ocorre se, e somente se, k = 1/2.

c)
1 1,5
1
x2 
Z Z
x 1 x 1,5 7
P(0, 5 < X < 1, 5) = dx + dx = +  = .
0,5 2 1 2 4 0,5 2 1
 16
d)  2
x
, se 0 6 x 6 1,


4




 1 + (x − 1) ,



se 1 < x 6 2,
F (x) = 4 4
2
−x + 6x − 5




 , se 2 < x 6 3,



 4
1, se x > 3.

5. De acordo com o enunciado a probabilidade de uma peça ser boa é P(X > 2) =
1 − F (2) = 1/4. Como a seleção das peças é realizada com reposição, se considera-
mos a variável Y correspondente ao número de peças boas dentre as 3 selecionadas,
concluı́mos que Y ∼ Bin(3, 1/4).
 
3
a) P(Y = 3) = (1/4)3 (3/4)0 = 1/64.
3
 
3
b) P(Y = 0) = (1/4)0 (3/4)3 = 27/64.
0
 
3
c) P(Y = 1) = (1/4)1 (3/4)2 = 27/64.
1
6. Seja f (k) = E(X 2 − 2kX + k 2 ) = E(X 2 ) − 2kE(X) + k 2 . Derivando a função temos

f 0 (k) = −2E(X) + 2k

que possui ponto crı́tico em k = E(X). Como f 00 (k) = 2 > 0, concluı́mos que k = E(X)
é o ponto de mı́nimo da função.

7. Por um lado, para que f (x) seja uma densidade, devemos ter
1 1
x3 
Z 
2 b
1= (a + bx )dx = ax − b =a+ .
0 3 0  3

Por outro lado, devemos ter

1  2 1
x4 
Z
3 x
2 a b
= E(X) = x(a + bx )dx = a − b = + .
5 0 2 4 0 2 4


Resolvendo o sistema linear 

b
 a+ =1


3
 a+b =3


2 4 5
3 6
encontramos a = eb= .
5 5
Z 3  2 3
x  x  3
8. a) P(X > 1, 5) = − + 1 dx = − + x  = .
1,5 3 6 0,5 8
Z 1 2 Z 3 1 3
x2 2x3  x3 x2 
   
2x 4
b) E(X) = dx + − + x dx = + − + = .
0 3 1 3 9 0  9 2 1 3


Considerando que desejamos o valor médio em 30 dias, teremos como resultado

4/3 × 30 = 4 toneladas.
c) Primeiramente calculamos
1 3
1  4 3
2x3
 3
2x4  x3 
Z Z 
2 x 2 x 13
E(X ) = dx + − + x dx = + − + = .
0 3 1 3 12 0  12 3 1  6

13 4 2 7


Segue que Var(X) = 6
− 3
= 18
.
 d) Queremos encontrar k tal que P(X 6 k) = 0, 95. Para tal, necessitamos da
função de distribuição que é dada por
 2
x
, se 0 6 x 6 1,



 3


F (x) = −x2 + 6x − 3
, se 1 < x 6 3,
6





 1, se x > 3.

É claro, da equação acima, que o valor de k deve ser maior que um, desse modo
basta resolver a equação
−x2 + 6x − 3
= 0, 95
6
que encontraremos k = 2, 45. Como os valores são dados em centenas, a resposta
desejada é 245kg.
9. Lembrando que para obtermos a densidade de uma variável aleatória contı́nua basta
derivarmos a função distribuição temos

FY (x) = P(Y 6 x) = P(log(2X + 3) 6 x)

ex − 3
 
x
= P(2X + 3 6 e ) = P X 6
2
 x 
e −3
= FX .
2
Desse modo, segue que
ex − 3 ex − 3
   
d d 1
fY (x) = FY (x) = FX = ex fX .
dx dx 2 2 2

10. Vamos considerar X a variável que representa o horário em que o passageiro chega à
parada após as 7:00 AM. Desse modo, temos que X ∼ U(0, 30).
a) O passageiro irá esperar 5 minutos pelo ônibus 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)
Z 15 Z 30
1 1
= dx + dx
10 30 25 30

1
= .
3
b) Analogamente, o passageiro irá esperar mais de 10 minutos pelo ônibus 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)
Z 5 Z 20
1 1
= dx + dx
0 30 15 30

1
= .
3
11. Como X ∼ U(a, b), onde a < b; resolvendo o sistema linear

a+b

 E(X) = 2 = 1


2
 Var(X) = (b − a) = 1


12 12
encontramos a = 0, 5 e b = 1, 5.
3/4 − 0, 5
a) P(X < 3/4) = = 1/4.
1, 5 − 0, 5
1, 2 − 0, 8
b) P(0, 8 < X < 1, 2) = = 0, 4.
1, 5 − 0, 5
c) Como os eventos X < 0, 6 e X > 1, 3 são disjuntos,

P[(X < 0, 6) ∪ (X > 1, 3)|X > 1] = P(X < 0, 6|X > 1) + P(X > 1, 3|X > 1)
P({X < 0, 6} ∩ {X > 1}) P({X > 1, 3} ∩ {X > 1})
= +
P (X > 1) P(X > 1)
P(X > 1, 3)
= 0+
P(X > 1)
(1, 5 − 1, 3)/(1, 5 − 0, 5)
= = 0, 4.
(1, 5 − 1)/(1, 5 − 0, 5)

d)

P(X > k) = 2P(X < k) ⇐⇒

 
1, 5 − k k − 0, 5
= 2 ⇐⇒
1, 5 − 0, 5 1, 5 − 0, 5
1, 5 − k = 2k − 1 ⇐⇒
k = 5/6

e)
Z 0,8 Z 1 Z 1,5
E(g(X)) = xdx + 1dx + −(x + 1)dx
0,5 0,8 1
0,8 1,5
x2 
 2
1 x 
= + x|0,8 − + x 
2 0,5 2 
1

= −0, 73.

12. Se X ∼ U(0, 5) representa o tamanho do lado do quadrado, então sua área será X 2 .
Segue que 5
Z 5 2
2 x x3  25
E(X ) = dx = = .
0 5 15 0 3


13. Seja Z ∼ N (0, 1), então

a)
 
X − 10 20 − 10
P(X < 20) = P √ < √
36 36
' P(Z < 1, 67)
' 0, 95254.

b)

P(X > 16) = 1 − P(X 6 16)

 
X − 10 16 − 10
= 1−P √ < √
36 36
= 1 − P(Z 6 1)
' 1 − 0, 84134
= 0, 15866.

c)
 
X − 10 5 − 10
P(X > 5) = P √ > √
36 36
' P(Z > −0, 83)
= P(Z < 0, 83)
' 0, 79673

d)
 
4 − 10 X − 10 16 − 10
P(4 < X < 16) = P √ < √ < √
36 36 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)

 
−8 − 10 X − 10 8 − 10
= P √ < √ < √
36 36 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 variável que representa o perı́odo de gestação, e suponha que o réu é, de fato,
o pai. Desse modo, a probabilidade de que o nascimento possa ter ocorrido no perı́odo
indicado é

P({X > 290} ∪ {X < 240}) = P(X > 290) + P(X < 240)
   
X − 270 290 − 270 X − 270 240 − 270
= P √ > √ +P √ < √
100 100 100 100
= 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. X ∼ N (µ, σ 2 ), portanto

P(X 6 k) = 2p(X > k) ⇐⇒

P(X 6 k) = 2{1 − P(X 6 k)} ⇐⇒
P(X 6 k) = 2/3 ⇐⇒
 
X −µ k−µ
P 6 = 2/3 ⇐⇒
σ σ
 
k−µ
P Z6 = 2/3 ⇐⇒
σ
k−µ
= 0, 43 ⇐⇒
σ
k = 0, 43σ + µ

16. Primeiramente devemos definir de forma adequada as variáveis e eventos associados ao

experimento. Sejam AM ∼ N (1, 6; 0, 09), AH ∼ N (1, 8; 0, 16) e considere os eventos

H = “o indivı́duo é homem”
M = “o indivı́duo é mulher”

a)
   
1, 7 − 1, 8 AH − 1, 8
P(“medir +1,7”|H) = P AH > √ =P √
0, 16 0, 16
= P(Z > −0, 25) = P(Z 6 0, 25)
= 0, 59871.

b)

P(“medir -1,8”|M )P(M )

P(M |“medir -1,8”) =
P(“medir -1,8”)
P(“medir -1,8”|M )P(M )
=
P(“medir -1,8”|M )P(M ) + P(“medir -1,8”|H)P(H)
P(AM < 1, 8)P(M )
=
P(AM < 1, 8)P(M ) + P(AH < 1, 8)P(H)
 
−1,6
P A√M0,09 < 1,8−1,6
√
0,09
P(M )
=    
−1,6 −1,8
P A√M0,09 < 1,8−1,6
√
0,09
P(M ) + P A√H0,16 < 1,8−1,8
√
0,16
P(H)

P(Z < 0, 67) × 31

=
P(Z < 0, 67) × 13 + P(Z < 0) × 2
3

0, 74857 × 13
=
0, 74857 × 13 + 0, 5 × 2
3

= 0, 4281.

c)

P(“medir +1,5 e -1,7”)

= P(“medir +1,5 e -1,7”|M )P(M ) + P(“medir +1,5 e -1,7”|H)P(H)
= P(1, 5 < AM < 1, 7)P(M ) + P(1, 5 < AH < 1, 7)P(H)
= {P(AM < 1, 7) − P(AM < 1, 5)}P(M ) + {P(AH < 1, 7) − P(AH < 1, 5)}P(H)
= {P(Z < 0, 33) − P(Z < −0, 33)}P(M ) + {P(AH < −0, 25) − P(AH < −0, 75)}P(H)
1 2
= {0, 6293 − 0, 3707} × + {0, 40129 − 0, 22663} ×
3 3
= 0, 20264.
 d)
P(He“medir +2”) = P(“medir +2”|H)P(H)
= P(AH > 2)P(H)
2
= P(Z > 0, 5) ×
3
2
= (1 − 0, 69146) ×
3
= 0, 20569.

e) Nesta questão algumas probabilidades já foram calculadas no item b) de modo

que iremos apenas substituir os valores:
P(M ∪ “medir -1,8”)
= P(M ) + P(“medir -1,8”) − P(M ∩ “medir -1,8”)
= P(M ) + P(“medir -1,8”) − P(“medir -1,8”|M )P(M )
 
1 1 2 1
= + 0, 74857 × + 0, 5 × + 0, 74857 ×
3 3 3 3
= 0, 6667.

f) Primeiramente defina p = P(“medir -1,6”). A probabilidade desejada é

 
5 3
P(“exatamente 3 em 5 medir -1,6”) = p (1 − p)2 .
3
Então nos basta encontrar p, que é dado por
p = P(“medir -1,6”|M )P(M ) + P(“medir -1,6”|H)P(H)
= P(AM < 1, 6)P(M ) + P(AH < 1, 6)P(H)
1 2
= P(Z < 0) × + P(AH < −0, 5) ×
3 3
1 2
= 0, 5 × + 0, 30854 ×
3 3
= 0, 37236.
Substituindo o valor encontrado para p temos
P(“exatamente 3 em 5 medir -1,6”) = 0, 20338.

17. Se X denota o número de estudantes que permanecem na faculdade, então X tem

distribuição binomial com parâmetros n = 450 e p = 0, 3 e a probabilidade desejada é
P(X > 150) = 1 − P(X 6 150)
150
X
= 1− P(X = i)
i=0

150  
X 450
= 1− (0, 3)i (0, 7)450−i .
i=0
i
 A soma acima é bastante complicada de se fazer manualmente (uma das razões de se
usar a aproximação Normal à Binomial) e levaria um bom tempo para terminá-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 parâmetros µ = 135 e σ 2 = 94, 5. Como X é discreta e Y
contı́nua, aplicando o Teorema de DeMoivre-Laplace aproximamos X por Y como
abaixo:

P(X > 150) ' P(Y > 150)

 
Y − 135 150 − 135
= P √ > √
94, 5 94, 5
' 1 − P(Z 6 1, 54)
' 1 − 0, 93822
= 0, 06178

18. Observe que X ∼ Bin(40, 1/2).

a) Queremos

P(19 < X 6 21) = P(X = 20) + P(X = 21)

   
40 40 40
= 0, 5 + 0, 540
20 21
= 0, 24477

b) Note que E(X) = 20 e Var(X) = 10. Agora defina Y ∼ N (20, 10).

P(19 < X 6 21) ≈ P(19 < Y 6 21)

 
19 − 20 Y − 20 21 − 20
= P √ < √ < √
10 10 10
 
1 1
= P −√ < Z < √
10 10
≈ 2P(Z < 0, 32) − 1
= 2(0, 62552) − 1
= 0, 25104
Rx
19. a) Para x > v a função de distribuição é v f (y)dy. Com uma substituição simples,
u = x−v
α
, a integral se torna bastante fácil e

 0,
 (  β )
se x 6 v,
F (x) = x−v
 1 − exp −

α
, se x > v.
 b) Quando β = 1 e v = 0, a distribuição de Weibull se torna uma exponencial de
parâmetro 1/α. Como sabemos, a esperança de uma variável aleatória exponencial
X ∼ Exp(λ) é 1/λ. Em nosso caso, teremos E(X) = α.

20. Seja X a variável que representa número de anos em que o rádio 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. No nosso caso temos que X ∼ Exp(0, 1) de modo que F (x) = 1 − e−0,1x .

a) F (20) = 1 − e−0,1×20 = 1 − e−2 .

b) P(X > 20) = 1 − F (20) = e−2 .
c) P(X > 10) = 1 − F (10) = 1 − (1 − e−0,1×10 ) = e−1 .

22. Seja X ∼ Exp(λ) e sejam x > 0 e t > 0. Segue que

P({X > x + t} ∩ {X > t})

P(X > x + t|X > t) =
P(X > t)
P(X > x + t)
=
P(X > t)
e−λ(x+t)
=
e−λt
= e−λx
= P(X > x).

23. Seja X a variável que representa o tempo de vida da bateria do carro. Como a média
é 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 é 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 memória da

distribuição exponencial.

24. Seja Z ∼ N (0, 1).

µ+2σ−µ


a) P(X 6 µ + 2σ) = P Z 6 σ
= P(Z 6 2) = 0, 97725.
 b)
 
|X − µ|
P(|X − µ| 6 σ) = P 6 1 = P(|Z| 6 1)
σ
= 2P(Z < 1) − 1 = 2(0, 84134) − 1
= 0, 68268.

c)

P(X > a) = 0, 9 ⇐⇒
P(X 6 −a) = 0, 9 ⇐⇒
 
−a − µ
P Z6 = 0, 9 ⇐⇒
σ
(a + µ)
− = 1, 28 ⇐⇒
σ
a = −(µ + 1, 28σ).

d)
 
X −µ
P(µ − 1, 96σ < X < µ + 1, 96σ) = P −1, 96 < < 1, 96
σ
= P(−1, 96 < Z < 1, 96)
= 2P(Z < 1, 96) − 1
' 2(0, 97500) − 1
= 0, 95.

e) Nós queremos que

0, 99 = P(µ − βσ < X < µ + βσ)

 
X −µ
= P −β < <β
σ
= 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. Sejam X ∼ Exp(2), Y ∼ Exp(1) e considere os eventos

F = “o cliente é pessoa fı́sica”

J = “o cliente é pessoa jurı́dica”

a) P(“+1 min”|F ) = P(X > 1) = 1 − FX (1) = 1 − (1 − e−2 ) = e−2 ≈ 0, 13534.

 b) P(“-5 min”|J) = P(Y < 5) = F (5) = 1 − e−1×5 = 1 − e−5 ≈ 0, 99326.
c)

P(“+2 min”)
= P(“+2 min”|F )P(F ) + P(“+2 min”|J)P(J)
= P(X > 2) × 0, 3 + P(Y > 2) × 0, 7
= e−4 × 0, 3 + e−2 × 0, 7
= 0, 10023.

d) Pela perda de memória da exponencial temos que

P(“+4 min dado F”|“+3 min dado F”) = P(X > 4|X > 3) = P(X > 1) ≈ 0, 13534.

e)

P(J ∩ “+2 min”)

P(J|“+2 min”) =
P(“+2 min”)
P(“+2 min”|J)P(J) P(Y > 2)
= =
P(“+2 min”) 0, 10023
e−2 × 0, 7
= ≈ 0, 94518.
0, 10023

26. a) Observe que X é determinado pela variável aleatória θ que representa o ângulo
entre o feixe de luz e o eixo y. Claramente, θ ∼ U(−π/2, π/2) e sua distribuição é

x − (−π/2) 1 x
Fθ (x) = P(θ 6 x) = = + .
π 2 π
Como estamos interessados na distribuição 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 arctan(x)
= + .
2 π
Desse modo, ainda para −∞ < x < ∞, chegamos a
d 1
f (x) = FX (x) = .
dx π(1 + x2 )

b) +∞
+∞ +∞
π/2 − (−π/2)
Z Z
1 1 arctan(x) 
f (x)dx = 2
dx = = =1
−∞ π −∞ 1+x π 
−∞ π
 c)
Z +∞
E|X| = |x|f (x)dx
−∞
Z 0 Z +∞
1 1
= (−x) dx + x dx
−∞ π(1 + x2 ) 0 π(1 + x2 )
Z +∞
1
= 2 x dx
0 π(1 + x2 )
1 +∞ 2x
Z
= dx
π 0 1 + x2
1 M
= lim ln(1 + x2 )0
π M →+∞
= +∞.

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 nós obtemos,

fY (y) = fX (y) + fX (−y).

28. Para y > 0 temos

FY (y) = P(Y 6 y)
= P(X n 6 y)
= P X 6 y 1/n

= FX y 1/n .

Derivando ambos os lados nós obtemos,

1 1/n−1
fX y 1/n .


fY (y) = y
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 Questão 27, temos que

fY (y) = fX (y) + fX (−y) = 1.

Ou seja, Y ∼ U(0, 1).

30. Para que as raı́zes da equação sejam reais devemos ter

∆ = (4Y )2 − 16(Y + 2) > 0 ou Y 2 > Y + 2.

Como 0 < Y < 5, a relação acima ocorre se, e somente se, Y > 2. Então
3
P(Y 2 > Y + 2) = P(Y > 2) = .
5

31. Para y ∈ R, temos

P(Y 6 y) = P(log X 6 y)
= P(X 6 ey )
y
= 1 − e−e .

Derivando, nós obtemos

y
fY (y) = ey e−e .

32. Para 1 < y < e, temos

P(Y 6 y) = P(eX 6 y)
= P(X 6 log y)
= log y.

Derivando nós obtemos

1
fY (y) = .
y

33. Primeiramente, observe que se Z é normal padrão então −Z também é. 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 padrão
tem a função 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 distribuição de X na Questão 19, basta observar que
 β !  
X −v X −v 1/β
P 6x = P 6x
α α

= P X 6 αx1/β + v

= 1 − e−x .

35. Vamos representar os quantis citados pela sua representação simplificada q1 , q2 e q3

respectivamente. Considerando inicialmente a variável 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
ln(0, 75)
⇐⇒ q1 =
−2
⇐⇒ q1 ' 0, 1438.

Analogamente encontramos q2 ' 0, 3466 e q3 ' 0, 6932.

Considere agora a variável Y . Claramente a mediana é q2 = 4. Para encontrar q3 note

 que

P(Y < q3 ) = 0, 75
 
Y −4 q3 − 4
⇐⇒ P √ < √ = 0, 75
9 9
 
q3 − 4
⇐⇒ P Z< = 0, 75.
3
q3 − 4
e olhando na tabela devemos ter = 0, 68, ou seja, q3 = 6, 04.
3
Para encontrar q1 = 1, 96, basta lembrar que q1 e q3 devem estar à mesma distância da
mediana.

36. a) O gráfico tem a forma abaixo

 1

0.8

0.6
F(x)

0.4

0.2

0
0 1 2 3 4 5 6
x

b) Como a variável é contı́nua nesse ponto, a probabilidade desejada é 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.