Departamento de Estatística e Matemática Aplicada DEMA

Universidade Federal do Ceará Semestre 2021.2

CC0285 - Probabilidade II

Terceira Aula - 14/05/2021

Prof. Maurício Mota

1. Seja X uma variável aleatória contínua com a seguinte f.d.p.

g(x) = x e−x I(0,∞) (x).

Identique esta distribuição usando o apêndice B do Mood.

Dizemos que uma v.a.c. X tem uma distribuição Gama de parâmetros r > 0 e λ > 0 se sua
f.d.p. é dada por:

λr r−1 −λ x
f (x) = x e IA (x), A = (0, ∞).
Γ(r)

Além disso

r r
E(X) = ; V (X) = 2 .
λ λ
 r
λ
MX (t) = , t < λ.
λ−t

Assim,

r − 1 = 1; r = 2 ; λ = 1; Γ(2) = 1! = 1

X ∼ Gama (r = 2, λ = 1).

f (x) = x e−x I(0,∞) (x).

Com
 2
1
E(X) = V (X) = 2, M (t) = , t < 1.
1−t
a. Mostre que esta é uma legítima f.d.p.;

Solução: Devemos mostrar que g(x) satisfaz as seguintes condições;

a1 : g(x) ≥ 0
R∞
a2 : −∞ g(x) dx = 1.

1
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

O suporte de X é o conjunto A = (0, ∞). Assim para x > 0 temos

g(x) = xe−x > 0.

Para x ∈ Ac temos g(x) = 0. Logo g(x) ≥ 0. Considere:

Z ∞
I = g(x) dx
Z−∞
∞
= x e−x dx
0
= Γ(2)
= 1!
= 1.
R∞
Vamos resolver esta integral 0 x e−x dx diretamente:
Sabemos que:
Z Z
I= u dv = uv − v du = A + B.

Fazendo
u = x temos du = dx,
e

dv = e−x dx temos v = −ex .

Assim,
x
−x e−x = −
ex
x 1
lim − x
= − lim x = 0.
x→∞ e x→∞ e

Quando x = 0 temos x
ex = 0.
Logo

A = 0.
A segunda parte ca:
Z ∞ Z ∞
B = −(−1) e−x dx = e−x dx,
0 0
Z c
B = lim e−x dx,
c→∞ 0

c 1
−e−x −e−c + 1 = 1 − lim c = 1.



B = lim = lim
c→∞ 0 c→∞ c→∞ e

Finalmente

I = A + B = 1.
Esta integral também pode ser resolvida no R:

2
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

> g=function(x) dgamma(x,2,1)

> I=integrate(g,0,Inf)$value;I
[1] 1

b. Esboce o gráco da f.d.p. de X .

g <- function(x){ x*exp(-x)}

curve(g, 0, 10, main='Função de densidade')
abline(v=1,col='red')
abline(v=2,col='blue')

c. Calcule o r-ésimo momento em relação à origem de X .

Solução:

Z ∞
r
E(X ) = xr g(x) dx
Z−∞
∞
= xr x e−x dx
Z0 ∞
= xr+1 e−x dx
0
= Γ(r + 2)
= (r + 1)!

Assim,

E(X) = 2! = 2
e
E(X 2 ) = 3! = 6
e
E(X 3 ) = 4! = 24
e
E(X 4 ) = 5! = 120.

3
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

d. Calcule o segundo momento central ou variância de X . Suponha que E(X) = µ e seja

µ2 = σ 2 , a variância de X . Sabemos que :

µ2 = E[(X − µ)2 ]
= E[X 2 − 2µX + µ2 ]
= E(X 2 ) − 2µE(X) + µ2
= E(X 2 ) − µ2
= E(X 2 ) − E 2 (X).

Assim,

V (X) = E(X 2 ) − E 2 (X) = 6 − 4 = 2.

e. Calcule a desvio padrão de X .
p √
σ= V (X) = 2.
e Calcule o coeciente de variação de X .
√
σ 2
CV = = .
µ 2
f. Calcule o terceiro momento central X .

µ3 = E[(X − µ)3 ]
= E[X 3 − 3X 2 µ + 3Xµ2 − µ3 ]
= E(X 3 ) − 3µE(X 2 ) + 3µ3 − µ3
= E(X 3 ) − 3µ E(X 2 ) + 2µ3
= E(X 3 ) − 3E(X 2 )E(X) + 2E 3 (X).

O terceiro momento central é dado por:

µ3 = 24 − 3 × 6 × 2 + 2 × 23 = 24 − 36 + 16 = 4.
g. Calcule o coeciente de Assimetria.
3
E[(X − µ)3 ]

X −µ µ3
α3 = E = 3
= 3/2 .
σ σ µ2
Assim,
4 √
α3 = = 2 > 0,
23/2
a distribuição de X é assimétrica positiva.
h. Calcule o quarto momento central X .

µ4 = E[(X − µ)4 ]
= E[X 4 − 4X 3 µ + −4Xµ3 + µ4 ]
= E(X 4 ) − 4µE(X 3 ) + 6E(X 2 )µ2 − 4µ4 + µ4
= E(X 4 ) − 4µ E(X 3 ) + 6E(X 2 )µ2 − 3µ4
= E(X 4 ) − 4E(X 3 )E(X) + 6E(X 2 )E 2 (X) − 3E 4 (X).

4
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

O quarto momento central é dado por:

µ4 = 120 − 4 × 24 × 2 + 6 × 6 × 22 − 3 × 24 = 24.

i. Calcule o coeciente de Curtose.

4
E[(X − µ)4 ]

X −µ µ4
α4 = E = 4
= 2.
σ σ µ2
Assim,
24
α4 = = 6 > 3,
22
a distribuição de X é leptocúrtica.
j. Calcule a moda de X .
Solução; Vamos derivar g(x) = xe−x . Assim,

g 0 (x) = e−x − xe−x = (1 − x)e−x .

Logo,
g 0 (x) = 0 temos
(1 − x)e−x = 0
o que implica x = 1, pois e−x > 0.

Vamos calcular g”(x), logo

g”(x) = −1.e−x + (1 − x)(−e−x ) = e−x (x − 2).

Desta maneira

g”(1) = −e−1 < 0,

logo o ponto de máximo absoluto é x = 1. A Moda de X vale M o = 1.

Podemos usar o R para calcular o ponto de máximo usando a função optim. É preciso
fornecer a derivada, gd, de g ( a função que vc quer maximizar). O default é para calcular
o mínimo e para o máximo use o comando: control = list(fnscale=-1)).
Veja a saída do R: o ponto de máximo sai no comando par veja que xmax=1 e no comando
value sai o valor numérico g(1).
> gd <- function(x){ exp(-x) - x*exp(-x) }
> optim(2, g, gd, method = "L-BFGS-B",
+ lower = 0, upper = Inf,
+ control = list(fnscale=-1))
$par
[1] 1

$value
[1] 0.3678794

5
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

$counts
function gradient
10 10

$convergence
[1] 0

$message
[1] "CONVERGENCE: REL_REDUCTION_OF_F <= FACTR*EPSMCH"

k. Calcule a função de distribuição acumulada de X e esboce seu gráco.

Sabemos que:
Z x
G(x) = P (X ≤ x) = g(t)dt.
−∞

Para x ≤ 0 temos G(x) = 0

Para x > 0 temos
Z x Z x x
Z x
−t
G(x) = te dt = u dv = uv − vdu,
0 0 0 0

com u = t e du = dt , dv = e−t e v = −e−t

Mas,
x x
uv = (−te−t ) = −xe−x ,
0 0
e
Z x Z x x
− vdu = − t(−1)e−t dt = −e−t = 1 − e−x ,
0 0 0

Logo, para x > 0 temos:

G(x) = −xe−x + 1 − e−x = 1 − (x + 1)e−x .

G <- function(x){1-(x+1)*exp(-x)}
curve(G, 0, 10, main='Função de distribuição acumulada')

6
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

Vamos obter de outra maneira esta acumulada. Seja Y ∼ P oisson(1), Y representa o

número de eventos que ocorrem em um intervalo de tempo unitário. Seja X o tempo até
a ocorrência do segundo evento.
Considere Yx o número de ocorrências em um intervalo de comprimento x.
Assim

Yx ∼ Poisson(x).

e−x xy
P (Yx = y) = IA (y), A = {0, 1, . . .}.
y!
1
X xi
P (X > x) = P (Yx ≤ 1) = e−x
i!
i=0

S(x) = P (X > x) = e−x [1 + x] .

F (x) = 1 − (1 + x) e−x , x > 0.

l. Esboce o gráco da função de sobrevivência de X .

Como S(x) = 1 − G(x) temos que S(x) = 1 para x ≤ 0 e
S(x) = (x + 1)e−x para x > 0.

S <- function(x){(x+1)*exp(-x)}
curve(S, 0, 10, main='Função de sobrevivência')

m Obtenha a mediana de X .
Seja m a mediana logo G(m) = 1/2.
Daí

(m + 1)e−m = 1/2

7
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

e m é raiz da equação

h(m) = (m + 1)e−m − 1/2.

De h(m) = 0
temos
1
(m + 1)e−m = .
2
Aplicando logaritmo neperiano temos:

log (m + 1)e−m = − log(2).

log(1 + m) − m = −log(2)
o que acarreta

f1 (m) = log(1 + m) = m − log(2) = f2 (m).

A raiz procurada é ponto de encontro entre as duas funções. Veja o gráco e note que a
raiz está no intervalo (1, 2).
Inicialmente note que X ∼ Gama(r = 2, λ = 1) e a mediana pode ser pedida diretamente:
Veja a saída do R:
>
> med=qgamma(1/2,2,1);med
[1] 1.678347
>
> ####A moda é que percentil?
>
>
> pgamma(1,2,1)#####P26;
[1] 0.2642411
>
> ####A média que percentil?
>
>
> pgamma(2,2,1)#####P59
[1] 0.5939942
>

f1 <- function(m) log(m+1)

f2 <- function(m) m - log(2)
curve(f1, 0, 4, col='red', ylab='f(x)',
main='Procurando a mediana')
curve(f2, 0, 4, add = T, col='blue')

b <- qgamma(0.5,2,1); b
[1] 1.678347

abline(v=b, col='green')

8
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

Poderíamos obter a mediana usando a função uniroot do R. Analisar a saída:

> f3 <- function(x) (x+1)*exp(-x)-1/2
> uniroot(f3,c(0,2))
$root
[1] 1.678347

$f.root
[1] -1.167882e-07

$iter
[1] 4

$init.it
[1] NA

$estim.prec
[1] 6.103516e-05

> f4 <- function(x) log(x+1) - x + log(2)

> uniroot(f4,c(0,2))
$root
[1] 1.678357

$f.root
[1] -6.543e-06

$iter
[1] 4

$init.it
[1] NA

$estim.prec
[1] 6.103516e-05

9
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

n. Calcule a função de risco de X .

A taxa de de falhas é dada por:

f (t) f (t) te−t t

λ(t) = = = = .
1 − F (t) S(t) (t + 1) e−t (t + 1)
que é uma função crescente de t para t > 0.

L <- function(t){t/(t+1)}
curve(L, 0, 10, main='Função de risco')

o. Mostre que a função geradora de momentos de X é dada por:

1
M (t) = , t < 1.
(1 − t)2
Prova:

M (t) = E(etX )
Z ∞
= etx f (x) dx
−∞
Z ∞
= etx xe−x dx
Z0 ∞
= xe−(1−t)x dx
0
= IGG(a = 2, b = (1 − t) > 0, c = 1)
Γ(2)
= , t<1
(1 − t)2
1
= , t<1
(1 − t)2
= (1 − t)−2 , t < 1.

Sabemos que se a > 0, b > 0 e c > 0 temos

Z ∞
c Γ(a/c)
IGG(a, b, c) = xa−1 e−bx dx = .
0 c ba/c

10
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

p. Qual a função geradora de cumulantes de X . Obtenha E(X) e V (X) usando-a.

Solução:
A função geradora de cumulantes de X é dada por:

K(t) = ln(M (t)) = ln((1 − t)−2 ) = −2 ln(1 − t), t < 1.

A derivada de K(t) é dada por:

2
K 0 (t) = = 2(1 − t)−1 , t < 1.
1−t
Logo,

E(X) = K 0 (0) = 2

e a derivada segunda de K(t) é dada por:

K 00 (t) = 2(1 − t)−2 , t < 1.

Logo,

V (X) = K 00 (0) = 2.

q Calcule a entropia de Shannon de X .

Z ∞
H(X) = E[− ln[f (X)] = − ln (f (x)) f (x)dx.
−∞

A entropia representa a falta de informação de uma determinada distribuição de proba-

bilidade.
Solução:
Z ∞
H(X) = E[− ln[f (X)] = − ln[f (x)] f (x) dx.
−∞

Assim,
Z ∞
H(X) = E[− ln[f (X)] = − log[x e−x ] f (x)dx.
0
ou
Z ∞
H(X) = E[− ln[f (X)] = − (log[x] − x) f (x)dx.
0

efetuando a multiplicação por (-1) no lado direito da equação temos::

Z ∞ Z ∞ Z ∞
H(X) = (x − log[x]) f (x)dx = x f (x)dx − log[x] f (x)dx. = E(X) − Γ0 (2),
0 0 0

onde

11
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

Z ∞
0
Γ (2) = log(x) x e−x dx.
0

Finalmente

H(X) = 2 − Γ0 (2).

Observação: A derivada da função Gama é dada por para a > 0

Z ∞
0
Γ (a) = log(x) xa−1 e−x dx.
0

Note que: Z ∞ Z ∞
Γ0 (2) = log(x) x2−1 e−x dx = log(x) x e−x dx.
0 0

Vamos usar o pacote R para calcular a integral :

> f=function(x) log(x)*x* exp(-x)
>
> I=integrate(f,0,Inf)$value;I
[1] 0.4227843
>
>
> digamma(2)
[1] 0.4227843
>

Observação. A função digama é denida por:

Γ0 (a)
Ψ(a) = [log(Γ(a))]0 = ,
Γ(a)
assim
Γ0 (2)
Ψ(2) = = Γ0 (2),
Γ(2)
pois Γ(2) = 1.

r. Utilize a função geradora de momentos para calcular E(X), E(X 2 ) e V (X)

Solução: Sabemos que:

M (t) = (1 − t)−2 , t < 1.

A derivada primeira de M (t) é dada por:

0
M (t) = 2(1 − t)−3 , t < 1.

0
E(X) = M (t) = 2(1 − 0)−3 = 2.

A derivada segunda de M (t) é dada por:

12
Departamento de Estatística e Matemática Aplicada DEMA
Universidade Federal do Ceará Semestre 2021.2

00
M (t) = 6(1 − t)−4 , t < 1.

00
E(X 2 ) = M (t) = 6(1 − 0)−4 = 6.

V (X) = E(X 2 ) − E 2 (X) = 6 − 4 = 2.

13