Exercício 02: Para compreender e caracterizar os principais modelos contínuos de probabilidade, descreva de forma clara e objetiva:
Distribuição Exponencial;

Passo 1

O enunciado pede uma descrição clara e objetiva da distribuição exponencial. Informações relevantes que vamos usar e apresentar: definição da função densidade de probabilidade (pdf), função de distribuição acumulada (cdf), função sobrevivência, interpretação do parâmetro, esperança e variância com demonstração, propriedade de falta de memória (memoryless) com prova, taxa de falha (hazard), relação com o processo de Poisson e forma prática de usar a distribuição em exercícios (cálculos de probabilidade e estimação de parâmetro). Nada mais é pedido explicitamente, então eu vou cobrir todos esses pontos de forma didática e passo a passo.

Passo 2

Definição e parâmetro. A variável aleatória X tem distribuição exponencial com parâmetro \lambda>0 se sua função densidade é
f_X(x)=\lambda e^{-\lambda x},\qquad x\ge 0.
Aqui \lambda é chamada de taxa (rate): indica quantos eventos por unidade de tempo, em média. Uma parametrização alternativa usa a média \theta=1/\lambda; aí às vezes escrevem X\sim\text{Exp}(\theta) com densidade \frac{1}{\theta}e^{-x/\theta} para x\ge0. Comentário intuitivo: a densidade é máxima em x=0 e decai exponencialmente; isso modela tempos entre eventos que surgem “de forma aleatória” com taxa constante.

Passo 3

Função de distribuição acumulada (cdf) e sobrevivência. A cdf é obtida integrando a pdf:
F_X(x)=P(X\le x)=\int_0^{x}\lambda e^{-\lambda t}\,dt=1-e^{-\lambda x},\qquad x\ge0.
A função sobrevivência (tail) é
S_X(x)=P(X>x)=1-F_X(x)=e^{-\lambda x}.
Essas fórmulas são úteis para calcular probabilidades simples e para provar propriedades como a falta de memória.

Passo 4

Probabilidades típicas e intervalo. Para 0\le a<b,
P(a<X\le b)=F_X(b)-F_X(a)=\bigl(1-e^{-\lambda b}\bigr)-\bigl(1-e^{-\lambda a}\bigr)=e^{-\lambda a}-e^{-\lambda b}.
Exemplo numérico rápido (só para ver na prática): se \lambda=0,2 e queremos P(X>5),
P(X>5)=e^{-0,2\cdot 5}=e^{-1}\approx 0,3679.

Passo 5

Propriedade de falta de memória (memoryless) — demonstração e interpretação. A propriedade diz que, para s,t\ge0,
P(X>s+t\mid X>s)=P(X>t).
Prova usando a sobrevivência:
P(X>s+t\mid X>s)=\frac{P(X>s+t)}{P(X>s)}=\frac{e^{-\lambda(s+t)}}{e^{-\lambda s}}=e^{-\lambda t}=P(X>t).
Interpretação prática: se já se passou tempo s sem o evento, a distribuição do tempo adicional até o evento não muda — “sem memória”. Isso facilita muito cálculos condicionais em provas.

Passo 6

Esperança E[X] — cálculo passo a passo. Usamos integração por partes. Começamos por
E[X]=\int_0^\infty x\,\lambda e^{-\lambda x}\,dx.
Fazendo integração por partes com u=x e dv=\lambda e^{-\lambda x}dx (então du=dx, v=-e^{-\lambda x}) obtemos
E[X]=\Big[-x e^{-\lambda x}\Big]_0^\infty+\int_0^\infty e^{-\lambda x}\,dx = 0 + \left[-\frac{1}{\lambda}e^{-\lambda x}\right]_0^\infty=\frac{1}{\lambda}.
Portanto E[X]=\dfrac{1}{\lambda}. Isso confirma a interpretação de \lambda como taxa (média de tempo 1/\lambda).

Passo 7

Segunda momenta e variância — cálculo. Primeiro
E[X^2]=\int_0^\infty x^2\,\lambda e^{-\lambda x}\,dx.
Usamos integração por partes uma vez: com u=x^2, dv=\lambda e^{-\lambda x}dx obtemos
E[X^2]=\Big[-x^2 e^{-\lambda x}\Big]_0^\infty + \int_0^\infty 2x e^{-\lambda x}\,dx = 0 + 2\int_0^\infty x e^{-\lambda x}\,dx.
Note que \int_0^\infty x e^{-\lambda x}\,dx=\dfrac{1}{\lambda^2} (pode-se derivar igual ao passo anterior sem o fator \lambda ou lembrar fórmulas da função Gamma). Assim
E[X^2]=2\cdot \frac{1}{\lambda^2}=\frac{2}{\lambda^2}.
A variância é
\operatorname{Var}(X)=E[X^2]-\bigl(E[X]\bigr)^2=\frac{2}{\lambda^2}-\frac{1}{\lambda^2}=\frac{1}{\lambda^2}.
Resumo: E[X]=\dfrac{1}{\lambda} e \operatorname{Var}(X)=\dfrac{1}{\lambda^2}.

Passo 8

Taxa de falha (hazard) e interpretação. A função hazard é
h(x)=\frac{f_X(x)}{S_X(x)}=\frac{\lambda e^{-\lambda x}}{e^{-\lambda x}}=\lambda.
Para a exponencial a taxa de falha é constante \lambda: a chance instantânea de ocorrer o evento não depende do tempo já decorrido — é outra forma de dizer “sem memória”. Em aplicações de confiabilidade, isso significa que o componente não envelhece; em filas, significa taxa constante de atendimento/chegada.

Passo 9

Relação com processo de Poisson e somas de exponenciais. Se eventos ocorrem segundo um processo de Poisson com taxa \lambda, os tempos entre eventos consecutivos (interarrival times) são iid \text{Exp}(\lambda). Além disso, a soma de k variáveis exponenciais iid com mesmo \lambda tem distribuição Erlang/Gama com parâmetros k e \lambda; a média dessa soma é k/\lambda. Outra propriedade útil: o mínimo de exponenciais independentes tem distribuição exponencial com parâmetro igual à soma das taxas.

Passo 10

Estimativa do parâmetro (MLE) — receita rápida. Com amostra iid x_1,\dots,x_n da exponencial, a verossimilhança é
L(\lambda)=\prod_{i=1}^n \lambda e^{-\lambda x_i}=\lambda^n e^{-\lambda \sum_{i=1}^n x_i}.
O log-verossimilhança é \ell(\lambda)=n\ln\lambda-\lambda\sum x_i. Derivando e igualando a zero:
\frac{d\ell}{d\lambda}=\frac{n}{\lambda}-\sum_{i=1}^n x_i=0 \quad\Rightarrow\quad \hat\lambda=\frac{n}{\sum_{i=1}^n x_i}.
Interpretação simples: a estimativa da taxa é o inverso da média amostral.

Passo 11

Como usar isso numa prova — checklist prática (passo a passo rápido):
  • Identifique se o tempo/intervalo é não negativo e parece “sem memória” ou com taxa constante. Se sim, modele por \text{Exp}(\lambda).
  • Para P(X>a) use e^{-\lambda a}. Para P(a<X\le b) use e^{-\lambda a}-e^{-\lambda b}.
  • Para probabilidades condicionais do tipo P(X>s+t\mid X>s) aplique a propriedade de falta de memória para simplificar.
  • Para esperança e variância lembre: E[X]=1/\lambda, \operatorname{Var}(X)=1/\lambda^2.
  • Se precisar estimar \lambda de dados, use \hat\lambda=n/\sum x_i.
  • Se o problema envolver tempos entre eventos de um processo de Poisson, substitua por exponencial para cada intervalo.
Força aí — com essas fórmulas e receitas você resolve a grande maioria das questões sobre exponencial na prova.

Resposta

Função densidade: \displaystyle f_X(x)=\lambda e^{-\lambda x},\; x\ge0,\\ \lambda>0.
Função distribuição: \displaystyle F_X(x)=1-e^{-\lambda x}.
Função sobrevivência: \displaystyle S_X(x)=e^{-\lambda x}.
Probabilidades: \displaystyle P(a<X\le b)=e^{-\lambda a}-e^{-\lambda b}.
Esperança: \displaystyle E[X]=\frac{1}{\lambda}.
Variância: \displaystyle \operatorname{Var}(X)=\frac{1}{\lambda^2}.
Propriedade de falta de memória: \displaystyle P(X>s+t\mid X>s)=P(X>t).
Hazard (taxa de falha): \displaystyle h(x)=\lambda (constante).
Relação com Poisson: tempos entre eventos de um Poisson( \lambda) são \text{Exp}(\lambda).
Estimador MLE: \displaystyle \hat\lambda=\frac{n}{\sum_{i=1}^n x_i}.

Exercícios relacionados