Pular para o conteúdo principal

Questão de Estatística — Principais distribuições de probabilidade — CESPE / CEBRASPE 2025

EstatísticaPrincipais distribuições de probabilidade
Código
ce217935
Banca
CESPE / CEBRASPE
Órgão
TJ-PA
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Especialidade: Estatística
Se V e W forem duas cópias independentes de uma distribuição exponencial com variância 1, então é correto afirmar queexp ( -V) e exp ( - W) são cópias independentes de uma distribuição uniforme contínua no intervalo [0,1].
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Transformação de variáveis: exponencial → uniforme

Gabarito: letra C (CERTO). Se VV e WW são independentes com distribuição exponencial de variância 1, então exp⁡(−V)\exp(-V) e exp⁡(−W)\exp(-W) são independentes e seguem distribuição uniforme contínua no intervalo [0,1][0,1] — este é o clássico resultado da transformação integral de probabilidade (ou método da inversa), aplicado à exponencial. A independência é preservada porque VV e WW são independentes e a transformação é aplicada separadamente a cada uma.

A questão explora dois conceitos centrais de probabilidade: (1) a relação entre a distribuição exponencial e a uniforme via transformação U=F(X)U = F(X), e (2) a preservação da independência sob transformações aplicadas a variáveis independentes. Vamos destrinchar cada um.

A transformação integral de probabilidade

Se XX é uma variável aleatória contínua com função de distribuição acumulada F(x)=P(X≤x)F(x) = P(X \leq x), então a variável U=F(X)U = F(X) tem distribuição uniforme no intervalo [0,1][0,1]. Isso porque, para 0≤u≤10 \leq u \leq 1:

P(U≤u)=P(F(X)≤u)=P(X≤F−1(u))=F(F−1(u))=uP(U \leq u) = P(F(X) \leq u) = P(X \leq F^{-1}(u)) = F(F^{-1}(u)) = u

que é exatamente a FDA da uniforme [0,1][0,1].

No caso da exponencial com parâmetro λ\lambda, a FDA é F(x)=1−e−λxF(x) = 1 - e^{-\lambda x} para x≥0x \geq 0. Portanto, U=1−e−λXU = 1 - e^{-\lambda X} é uniforme em [0,1][0,1]. Mas a questão usa e−Ve^{-V}, não 1−e−V1 - e^{-V}. A diferença é crucial: se U∼Uniforme[0,1]U \sim \text{Uniforme}[0,1], então 1−U1 - U também é uniforme em [0,1][0,1] (por simetria da distribuição uniforme). Assim, e−V=1−(1−e−V)=1−Ue^{-V} = 1 - (1 - e^{-V}) = 1 - U também é uniforme em [0,1][0,1].

O papel da variância 1

A variância da exponencial é Var(V)=1/λ2\text{Var}(V) = 1/\lambda^2. Se a variância é 1, então 1/λ2=11/\lambda^2 = 1, logo λ=1\lambda = 1. Assim, V∼Exp(1)V \sim \text{Exp}(1), com FDA F(v)=1−e−vF(v) = 1 - e^{-v}. A transformação e−Ve^{-V} resulta em 1−F(V)1 - F(V), que é uniforme em [0,1][0,1].

Independência preservada

Como VV e WW são independentes, qualquer função mensurável delas (como e−Ve^{-V} e e−We^{-W}) também são independentes. Isso decorre da definição de independência: para quaisquer conjuntos AA e BB,

P(e−V∈A,e−W∈B)=P(V∈{v:e−v∈A},W∈{w:e−w∈B})=P(V∈{v:e−v∈A})⋅P(W∈{w:e−w∈B})P(e^{-V} \in A, e^{-W} \in B) = P(V \in \{v : e^{-v} \in A\}, W \in \{w : e^{-w} \in B\}) = P(V \in \{v : e^{-v} \in A\}) \cdot P(W \in \{w : e^{-w} \in B\})

pela independência de VV e WW.

A pegadinha

A banca poderia tentar confundir o candidato de duas formas: (1) usar e−Ve^{-V} em vez de 1−e−V1 - e^{-V}, esperando que o candidato não perceba que 1−U1 - U também é uniforme; (2) esquecer que a variância 1 implica λ=1\lambda = 1, o que simplifica a FDA. Aqui, a afirmação está correta porque e−Ve^{-V} é uma transformação monotônica decrescente de VV, e a distribuição resultante é uniforme.

NÃO CAIA NESSA!

A banca troca a transformação clássica 1−e−V1 - e^{-V} por e−Ve^{-V}. O candidato desatento pode achar que apenas 1−e−V1 - e^{-V} é uniforme, esquecendo que 1−U1 - U também é uniforme quando UU é uniforme. A simetria da distribuição uniforme em [0,1][0,1] garante que ambas as formas funcionam.

Caso

Atribuição

Resultado

1

V ~ Exp(λ), Var(V) = 1/λ² = 1 → λ = 1

V ~ Exp(1), F(v) = 1 − e^(−v)

2

U = F(V) = 1 − e^(−V)

U ~ Uniforme[0,1] (transformação integral)

3

e^(−V) = 1 − U

e^(−V) ~ Uniforme[0,1] (simetria da uniforme)

4

V e W independentes

e^(−V) e e^(−W) independentes (funções mensuráveis preservam independência)

5

Conclusão

Afirmação correta → Gabarito C (CERTO)

Alternativa C — ✅ Correta ⟵ GABARITO

A afirmação está correta. Como demonstrado:

  1. V∼Exp(λ)V \sim \text{Exp}(\lambda) com Var(V)=1/λ2=1⇒λ=1\text{Var}(V) = 1/\lambda^2 = 1 \Rightarrow \lambda = 1.

  2. A FDA de VV é F(v)=1−e−vF(v) = 1 - e^{-v}.

  3. Pela transformação integral, U=F(V)=1−e−V∼Uniforme[0,1]U = F(V) = 1 - e^{-V} \sim \text{Uniforme}[0,1].

  4. Como 1−U∼Uniforme[0,1]1 - U \sim \text{Uniforme}[0,1], temos e−V=1−U∼Uniforme[0,1]e^{-V} = 1 - U \sim \text{Uniforme}[0,1].

  5. O mesmo vale para WW.

  6. Como VV e WW são independentes, e−Ve^{-V} e e−We^{-W} também são independentes.

Portanto, exp⁡(−V)\exp(-V) e exp⁡(−W)\exp(-W) são cópias independentes de uma distribuição uniforme contínua no intervalo [0,1][0,1].

Gabarito: letra C (CERTO).

Link permanente: /questoes/ce217935