1o Prova de Processos Estocásticos - Graduação - Prof.

Glauco valle
16 de Maio de 2016

1◦ Questão: Considere o grafo desenhado pelo professor no quadro. Seja (Xn )n≥0 um passeio
aleatório neste grafo. Responda:

a. Monte a matriz de transição de (Xn )n≥0 .

b. (Xn )n≥0 converge em distribuição? Se a resposta é sim, qual é o limite?

c. Calcule o tempo médio de primeiro retorno ao estado 2 e a proporção de tempo que o

passeio passa no estado 1.

d. Calcule o tempo médio de primeira visita ao conjunto {1, 2} se X0 = 3.

Solução:
[a] No caso do passeio aleatório em um grafo não orientado, temos que
(
1
, i conectado a j
p(i, j) = grau do vértice i
0 , caso contrário .

Com respeito ao grafo em questão teremos como matrix de transição

 
0 1/2 1/2 0
 1/3 0 1/3 1/3 
P =  1/3
.
1/3 0 1/3 
0 1/2 1/2 0

[b] Sim, pois a Cadeia de Markov é irredutı́vel e aperiódica. É irredutı́vel pois todos os
estados se comunicam (grafo é conexo). É aperiódica pois p(2) (1, 1) ≥ p(1, 2) p(2, 1) = 1/6 > 0,
p(3) (1, 1) ≥ p(1, 2) p(2, 3) p(3, 1) = 1/18 > 0 e mdc(2, 3) = 1.
O limite é a única distribuição invariante da cadeia. Neste caso, φ = (φ1 , φ2 , φ3 , φ4 ) com

grau do vértice j grau do vértice j

φj = = .
2 × número de arestas 10
Logo 1 3 3 1
φ= ,
, , .
5 10 10 5
[c] Temos que
1 10
E 2 [T2 ] = =
φ2 3
e
V (1, n)
lim = φ1 = 0.2 .
n→∞ n
[d] Transformamos 1 e 2 em um único estado absorvente obtendo uma cadeia auxiliar com
matrix de transição  
1 0 0
 2/3 0 1/3  .
1/2 1/2 0
Daı́ o tempo médio de primeira visita ao conjunto {1, 2} na cadeia original é igual ao tempo
médio até absorção pelo estado recorrente na cadeia auxiliar. A resposta então é dada pela
soma da primeira linha na matrix
   −1  
 0 1/3 −1 1 −1/3 6/5 2/5
I− = =
1/2 0 −1/2 1 3/5 6/5

Portanto, o tempo médio é 6/5 + 2/5 = 1.6.

2◦ Questão: Construa um exemplo de grafo direto (fornecendo pesos para as arestas) asso-
ciado a uma Cadeia de Markov não convergente com 6 estados e com duas de suas classes de
comunicação sendo transientes. Justifique a escolha.
Solução:
O grafo não estará disponı́vel aqui. Vamos listar as probabilidades de transição da cadeia
sugerida no lugar do grafo. As probabilidades de transição (não nulas) seriam

p(1, 2) = 1 , p(2, 1) = 1 , p(3, 1) = 1/2 , p(3, 4) = 1/2 , p(4, 1) = 1/2 , p(4, 3) = 1/2 ,

p(5, 2) = 1/2 , p(5, 6) = 1/2 , p(6, 2) = 1/2 , p(6, 5) = 1/2 .

A única classe recorrente é R = {1, 2}. Essa classe recorrente possui perı́odo 2, logo não temos
convergência da cadeia. Além disso, temos outras duas classes que são transientes T1 = {3, 4}
e T2 = {5, 6} (essas classes são transientes pois é possı́vel sair dessas classes e terminar em R
com probabilidade positiva).

3◦ Questão: Considere uma Cadeia de Markov com espaço de estados E = {0, 1, 2, ...} e
probabilidades de transição
1 k+2
p(k, 0) = , p(k, k + 1) = .
k+3 k+3
Responda:

a. Classifique a Cadeia em Recorrente positiva, nula ou transiente.

b. Forneça limn→∞ p(n) (l, k) para todos l, k ∈ E.

Solução:
[a] Temos que

P1 (T0 > n) = P1 (Xn = n|X0 = 1)

= P1 (X1 = 2 , X2 = 3 , ... , Xn = n|X0 = 1)
= p(1, 2) p(2, 3) ... p(n − 2, n − 1) p(n − 1, n)
345 n n+1 3
= ... =
456 n+1n+2 n+2
para todo n ≥ 1. Como {T0 = ∞} = ∩n≥1 {T0 > n} (interseção decrescente), então
3
P1 (T0 = ∞) = lim P1 (T0 > n) = lim = 0.
n→∞ n→∞ n+2
Portanto, saindo do estado 1 a cadeia visita 0 com probabilidade 1 e portanto a Cadeia de
Markov e recorrente.
 Ainda, temos que

E0 [T0 ] = p(0, 0)E0 [T0 |X1 = 0] + p(0, 1)E 0 [T0 |X1 = 1]

∞ ∞
1 2 X
1 1 2 X 3
= + (1 + P (T0 ≥ n)) = + (2 + ) = ∞.
3 3 3 3 n+2
n=1 n=1

Portanto a cadeia é recorrente nula.

[b] Como a CM é recorrente nula

lim p(n) (l, k) = 0 ∀ l, k ∈ E .

n→∞

4◦ Questão: Considere o passeio aleatório simples em {−5, −4, −3, −2, −1, 0, 1, ...} com re-
flexão parcial na fronteira e com probabilidade de salto para direita igual a q. Neste caso as
probabilidade de transição são:

p(k, k + 1) = p , p(k, k − 1) = 1 − p , k ≥ 1, p(0, 0) = 1 − p , p(0, 1) = p .

(a) Se q = 12 então qual é a probabilidade do passeio começar em 27 e chegar 42 antes de

passar pelo estado 22? Qual é o tempo médio para o processo retornar ao estado 27?
1
(b) Para q = 4 calcule a distribuição invariante do passeio aleatório.

Solução:
[a] Essa probabilidade é igual a probabilidade do passeio começar em 5 = 27 − 22 e chegar em
20 = 42 − 22 antes de passar pelo 0. Pelo Problema da Ruı́na do Jogador sabemos que esta
probabilidade é 5/20 = 1/4.
Além disso, o tempo médio de primeiro retorno a qualquer estado é infinito pois o passeio
aleatório simétrico é recorrente nulo.
[b] A distribuição invariante deve satisfazer o seguinte sistema de equações:
3 3

 φ(−5) = 4 φ(−5) + 4 φ(−4)
φ(n) = 41 φ(n − 1) + 34 φ(n + 1) , n ≥ −4
 P
n≥−5 φ(n) = 1 .

Daı́, temos que

1
φ(n + 1) − φ(n) = (φ(n) − φ(n − 1))
3
 1 n+5
= (φ(−4) − φ(−5))
3
2 1 n+5
 
= − φ(−5) .
3 3
Logo
n−1
X
φ(n) = φ(−5) + (φ(j + 1) − φ(j))
j=−5
n−1
 2 X  1 j+5   1 n+5
= 1− φ(−5) = φ(−5) ,
3 3 3
j=−5
onde usamos o fato de que
 n+5
1
n−1
X  1 j+5 n+5−1
X  1 l 1− 3
= = 1 .
3 3 1− 3
j=−5 l=0

Assim
X X  1 n+5  X 1  3
1= φ(n) = Big( φ(−5) = l
φ(−5) = φ(−5) .
3 3 2
n≥−5 n≥−5 l≥0

Portanto, φ(−5) = 2/3 e

2
φ(n) = , ∀ n ≥ −5 .
3n+6
 2o Prova de Processos Estocásticos - Graduação - Prof. Glauco valle
11 de Julho de 2016

1◦ Questão: Responda verdadeiro ou falso justificando apropriadamente a resposta.

(a) A Lei dos Grandes Números para variáveis aleatórias discretas e iid é uma consequência
do Teorema Ergódico para Cadeias de Markov.

(b) A distribuição alvo usada no método de Metropolis-Hastings é reversı́vel, mas pode não
ser invariante.

Solução:
[a] Verdadeiro. Toda sequência de variáveis aleatórias discretas iid é uma Cadeia de Markov
em equilı́brio. Daı́ a LLG é consequência direta do Teorema Ergódico para Cadeias de Markov.
[b] Falso. Toda medida reversı́vel é invariante.

2◦ Questão: Uma linha de montagem industrial produz determinado tipo de peça uma taxa
de 3 por hora. Cada peça é classificada, independentemente das demais, em boa, recuperável
ou irrecuperável. Sabe-se que 80% das peças são boas e 15% são recuperáveis. Suponha que
o número de peças produzidas por unidade de tempo seja um Processo de Poisson. Sejam
e responda:

(a) Defina Xb (t), Xr (t) e Xi (t) respectivamente como o número de peças boas, recuperáveis
e irrecuperáveis produzidas em [0, t]. Que tipo de processo é (Xb (t), Xr (t), Xi (t))t≥0 ?

(b) Calcule
P(Xi (1) = 0 , Xr (2) − Xr (1) > 0 , Xi (2) − Xi (1) > 0)
e descreva em palavras o evento cuja probabilidade você calculou.

(c) Dado que 20 peças são produzidas em um dia, qual é a média e variância do número de
peças boas?

(d) Calcule a probabilidade de que entre 20 peças produzidas 15 sejam boas e 3 recuperáveis.

Solução:
[a] O número total de peças produzidas é um Processo de Poisson de taxa λ = 3. Daı́ pela
hipótese de independência do enunciado, (Xb (t))t≥0 , (Xr (t))t≥0 e (Xi (t))t≥0 são Processos de
Poisson independentes de taxas respectivamente λb = 0.8 × 3 = 2.4, λr = 0.15 × 3 = 0.45 e
λi = 0.05 × 3 = 0.15. Ou ainda, (Xb (t), Xr (t), Xi (t))t≥0 é um Processo de Poisson de 3 tipos
com taxa 3 e vetor de probabilidade (pb , pr , pi ) = (0.8, 0.15, 0.05).
[b] Pela independência entre (Xr (t))t≥0 e (Xi (t))t≥0 e pela propriedade de incrementos inde-
pendentes de (Xi (t))t≥0 , temos que

P(Xi (1) = 0 , Xr (2) − Xr (1) > 0 , Xi (2) − Xi (1) > 0) =

= P(Xi (1) = 0) P(Xr (2) − Xr (1) > 0) P(Xi (2) − Xi (1) > 0) .

Como Xi (1) ∼ P oisson(0.15), Xr (2)−Xr (1) ∼ P oisson(0.45) e Xi (2)−Xi (1) ∼ P oisson(0.15),

temos que o produto acima é igual a

e−0.15 (1 − e−0.45 ) (1 − e−0.15 ) .

O evento acima é o evento em que nenhuma peça irrecuperável é produzida na primeira hora
e pelo menos uma recuperável e pelo menos uma irrecuperável são produzidas entre a primera
e segunda hora.
[c] Seja N = Xb (1) + Xr (1) + Xi (1) Temos que Xb (1)|{N = 20} ∼ Bin(20, 0.8). Logo

E[Xb (1)|N = 20] = 20 × 0.8 = 16 e V ar[Xb (1)|N = 20] = 20 × 0.8 × 0.2 = 3.2 .

[d] Temos que (Xb (1), Xr (1), Xi (1))|{N = 20} ∼ M ultinom(20, (0.8, 0.15, 0.05). Portanto

P(Xb (1) = 15, Xr (1) = 3|N = 20) =

20!
= P(Xb (1) = 15, Xr (1) = 3, Xi (1) = 2|N = 20) = 0.815 0.153 0.052 .
15! 3! 2!

3◦ Questão: Uma Cadeia de Markov a tempo contı́nuo X = (X(t))t≥0 com estados em

{1, 2, 3} possui cadeia discreta geradora com probabilidades de transição dadas por:
1 2 1 1
p(1, 2) = , p(1, 3) = , p(2, 1) = , p(2, 3) = , p(3, 1) = 1 .
3 3 2 2
Além disso as taxas de permanência por estado são: λ1 = 43 , λ2 = 2, λ3 = 1. Responda:

(a) Forneça o gerador infinitesimal de X.

(b) Calcule a distribuição invariante de X.

(c) Qual é a proporção de tempo que a X gasta no estado 3.

(d) Calcule o tempo médio para a cadeia visitar o estado 3 se X(0) = 2.

Solução:
[a] O gerador infinitesimal é dado por
    
3/4 0 0 −1 1/3 2/3 −3/4 1/4 1/2
A = Λ (P − I) =  0 2 0   1/2 −1 1/2  =  1 −2 1 .
0 0 1 1 0 −1 1 0 −1

[b] Precisamos encontrar o vetor de probabilidade φ = (φ1 , φ2 , φ3 ) tal que φ A = (0, 0, 0). Daı́
chegamos ao sistema de equações
 φ1
 4 − 2φ2 = 0 ,
φ1
+ φ2 − φ3 = 0 ,
 2
φ1 + φ2 + φ3 = 1 .

Resolvendo o sistema obtemos φ = (8/14 , 1/14 , 5/14).

[c] A proporção de tempo gasta no estado 3 é φ3 = 5/14.
[d] O tempo médio gasto pela Cadeia para chegar no estado 3 saindo do estado 2 é dada pela
soma da segunda linha da matriz
 −1  
3/4 −1/4 8/5 1/5
−Ã−1
2 = =
−1 2 4/5 3/5

Logo o tempo médio em questão é 4/5 + 3/5 = 1.4.

4◦ Questão: Sejam (Yj )j≥1 variáveis aleatórias iid com distribuição dada por
4 3
P (Yj = 2) = , P (Yj = −1) = .
7 7
Seja Fn gerada por Y0 , ..., Yn e defina X0 = 0 e
n
X
Xn = Yj , n ≥ 1 .
j=1

(a) Mostre que Mn = ( 12 )Xn , n ≥ 1, é um martingal com respeito a Fn .

(b) Mostre que (Mn ) converge quase certamente.

(c) Seja T = min{n ≥ 1 : Xn ≥ 5}. Mostre que T é um tempo de parada finito quase-
certamente porém E[MT ] 6= E[M0 ] = 1. (Dica: para verificar que T é finito observe que
Xn é um passeio aleatório)

(d) Pelo item (c), o que podemos concluir sobre maxn E[Mn2 ] (Não é necessário o cálculo).

Solução:
[a] O fato de (Mn )n≥0 ser um martingal segue das propriedades abaixo.
Pn
Yj
(i) Mn = ( 21 ) j=1 é função de Y1 ,..., Yn , logo Fn -mensurável.

(ii) Primeiro note que

h 1 i 1 4 1 3 1 6
E ( )Yn = ( )2 + ( )−1 = + = 1 .
2 2 7 2 7 7 7
para todo n ≥ 1. Como Mn é positivo E[|Mn |] = E[Mn ]. Pela independência das
variáveis Yj , j ≥ 1, temos que
h 1 1 i h 1 i h 1 i
E[Mn ] = E ( )Y1 ... ( )Yn = E ( )Y1 ... E ( )Yn = 1 .
2 2 2 2

(iii) Note que Mn = Mn−1 ( 21 )Yn . Além disso, por independência

h 1  i h 1 i
E ( )Yn Fn−1 = E ( )Yn = 1 .

2 2
Portanto
h 1  i h 1  i
E[Mn |Fn−1 ] = E Mn−1 ( )Yn Fn−1 = Mn−1 E ( )Yn Fn−1 = Mn−1 ,

2 2
para todo n ≥ 1 (na segunda igualdade usamos o fato de que Mn−1 é Fn−1 mensurável.

[b] Como Mn é um martingal positivo de média 1 temos que maxn E[|Mn |] = 1 < ∞, pelo
Teorema de convergência, existe M∞ tal que Mn converge quase certamente para M∞ .
[c] Primeiro note que T é finito. Para isto crie um processo (X̃n )n≥1 que salta uma unidade
para direira quando (Xn )n≥1 salta duas também para direita e salta um unidade para esquerda
quando (Xn )n≥1 também salta uma unidade para esquerda. Temos que (X̃n )n≥1 é um passeio
aleatório simples entre vizinhos próximo em Z com probabilidade de saltar para direita igual a
4/7 > 0.5. Logo (X̃n )n≥1 é transiente e diverge a infinito quase ccertamente. Como X̃n ≤ Xn ,
∀n ≥ 1, então (X̃n )n≥1 também diverge a infinito com probabilidade 1. Logo T é finito quase
certamente.
De fato, todo passeio aleatório com descolamento médio por unidade de tempo igual maior do
que zero é transiente para direita. No caso de (Xn )n≥1 o delocamento médio por unidade de
tempo é
4 3 5
2 × + (−1) × = > 0 .
7 7 7
Agora verificamos que T é tempo de parada. De fato,

{T = n} = {X0 < 5 , ... , Xn−1 < 5 , Xn ≥ 5} ∈ Fn , ∀ n ≥ 1 .

Para terminar note que MT ≤ 2−5 , por definição. Logo E[MT ] ≤ 2−5 < 1 = E[M0 ].
[d] Podemos afirmar que maxn E[Mn2 ] = ∞. Caso contrário, como E[|MT |] = E[MT ] ≤ 2−5 e
P (T < ∞) = 1, o Teorema de Amostragem Opcional implicaria que E[MT ] = E[M0 ], o que é
falso pelo item (c).
 Prova Final - Graduação - Prof. Glauco valle
25 de Julho de 2016

1◦ Questão: Uma cadeia de Markov a tempo discreto com estados {1, 2, 3, 4, 5} tem matriz
de transição  
0 0 2/3 1/3 0
 0 0 0 0 1 
 
P = 0 1 0
 0 0 
.
 1/4 0 1/2 0 1/4 
0 0 1 0 0
Uma cadeia de Markov a tempo contı́nuo, (Xt )t≥0 , é gerada pela cadeia a tempo discreto
acima e tem taxas λ(1) = 3, λ(2) = 2, λ(3) = 1, λ(4) = 2, λ(5) = 1.

(a) Qual é o gerador infinitesimal da cadeia? Se não souber responder, preencha a diagonal
da matriz acima com os valores −1 para resolver os itens seguintes.

(b) Obtenha se existir as distribuições invariantes das classes recorrentes.

(c) A sequência Pt = [pt (x, y)]1≤x,y≤5 converge? Em caso afirmativo, qual é o limite?

(d) Para cada estado transiente, calcule o tempo médio até a cadeia ser absorvida por uma
classe recorrente.

Solução:
[a] O gerador infinitesimal da cadeia é
 
−3 0 2 1 0
 0 −2 0 0 2 
 
A=  0 1 −1 0 0 .

 1/2 0 1 −2 1/2 
0 0 1 0 −1

[b] A cadeia possui uma classe recorrente R = {2, 3, 5} e uma classe transiente {1, 4}. O
gerador restrito a classe recorrente é dado por
 
−2 0 2
 =  1 −1 0  .
0 1 −1

A distribuição invariante será dada por φ = (φ2 , φ3 , φ5 ) que satisfaz φ2 + φ3 + φ5 = 1 e

φ = (0, 0, 0). Daı́ obtemos que φ3 = φ5 = 2φ2 o que resulta em
1 2 2
φ= , , .
5 5 5

[c] Sim, pois toda cadeia a tempo contı́nuo finita converge. Neste caso como só temos uma
classe recorrente a cadeia converge para distribuição invariante desta classe recorrente, ou seja
 
0.2 0.4 0.4 0 0
 0.2 0.4 0.4 0 0 
 
lim Pt =  0.2 0.4 0.4 0 0  .
t→∞ 
 0.2 0.4 0.4 0 0 
0.2 0.4 0.4 0 0
[d] Agrupamos os estados recorrentes e consideramos uma cadeia auxiliar com um único estado
recorrente e dois estados transiente, 1 e 4. O tempo médio até a cadeia ser absorvida pela
classe recorrente, será igual ao tempo de primeira passagem pelo estado recorrente na cadeia
auxiliar. Estes tempos são dados pelas somas das linhas da matriz −Ã−1 onde à é a restrição
de A aos estados 1 e 4 (ou seja, obtida ao removermos linhas e colunas referentes aos estados
2,3 e 5, ou remover linha e coluna referente ao estado recorrente no gerador da cadeia auxiliar).
Assim  −1  
3 −1 4/11 2/11
−Ã−1 = = .
−1/2 2 1/11 6/11
Assim, o tempo médio para a cadeia começando em 1 ser absorvida é 6/11, e começando em
4 é 7/11.

2◦ Questão: Seja (Yj )j≥1 uma sequência iid de variáveis aleatórias não negativas tais que

1  1 2
P (Yj = 2) = e P Yj = = .
3 2 3
Qn
(a) Mostre que Xn = j=1 Yj é um martingal com respeito a Fn gerada por Y1 ,..., Yn .

(b) Enuncie o Teorema de convergência para martingais e mostre que Xn converge quase
certamente.

(c) Verifique que E[log(Yj )] < 0 e use este fato para provar que Xn converge para 0.

Solução:
[a] Segue das três propriedades a seguir:

(i) Primeiro note que

1 1 2
E[Yj ] = 2 × + × = 1.
3 2 3
Daı́
n
Y
E[|Xn |] = E[Xn ] = E[Yj ] = 1 , ∀ n ≥ 1.
j=1

(ii) Xn é função de Y1 ,..,Yn , portanto é Fn -mensurável.

(iii) Temos que

E[Xn+1 |Fn ] = E[Xn Yn+1 |Fn ] = Xn E[Yn+1 |Fn ]

= Xn E[Yn+1 ] = Xn ,

onde a segunda igualdade é pelo fato de Xn ser Fn mensurável e a terceira é pelo fato
dos Yj ’s serem independentes.

[b] Teorema de convergência: Se Xn é um martingal tal que maxn≥1 E[|Xn |] < ∞, então Xn
converge quase certamente. Por (i) na verificação no item (a), temos que maxn≥1 E[|Xn |] = 1.
Logo a hipótese do Teorema de convergência é satisfeita e Xn converge quase certamente.
[c] Temos que
1 1 2 1 2 1
E[log(Yj )] = log(2) × + log ( ) × = log(2) − log(2) × = − log(2) < 0 ,
3 2 3 3 3 3
(também poderia ser usada a concavidade estrita do logarı́tmo ou a desigualdade de Jensen).
Logo, pela Lei Forte dos Grandes Números, temos que
n
1X
log(Yj ) → E[log(Y1 )] < 0 , quase certamente.
n
j=1

Assim Pn
Xn = en( n log(Yj ))
1
j=1 → 0, quase certamente.

3◦ Questão: Um banco mantém 4 guichês de atendimento em funcionamento. O tempo médio

de atendimento é de 5 minutos. Clientes chegam ao banco a uma taxa de 1/2 por minuto.
Seja (Xt )t≥0 o processo que conta o número de clientes no banco esperando atendimento por
unidade de tempo. Responda:

(a) Que tipo de processo é (Xt )t≥0 ? (forneça os parêmetros se houver)

(b) Mostre que (Xt )t≥0 converge quando t → ∞ e calcule a distribuição limite.

(c) Calcule a proporção de tempo que o banco permanece sem clientes esperando atendi-
mento.

Solução:
[a] É uma Fila M/M/4 com taxa de chegada 1/2 e serviço 1/5.
[b] Como 21 < 54 =taxa máxima de serviço, a fila é recorrente positiva. Logo o processo
converge em distribuição para sua única distribuição invariante. Precisamos encontrar a dis-
tribuição invariante. Esta fila é um processo de nascimento e morte com taxas de nascimento
αn = 1/2 e taxas de morte µn = n/5 para n = 1, 2, 3 e µn = 4/5 se n ≥ 4.
A distribuição invariante é dada por
n
φ 15

, n = 1, 2, 3 ,
α0 ... αn−1  0 n! 2n
φn = φ0 =
µ1 ... µn 5n
φ0 48×8 , n ≥ 1.

n−3

onde
∞
 X α0 ... αn−1 −1  5 25 125 125 X  5 n−3 −1 144
φ0 = 1 + = 1+ + + + = .
µ1 ... µn 2 8 48 48 8 2329
n=1 n≥3

[c]A proporção de tempo sem clientes é φ0 calculado no item anterior.

4◦ Questão: Seja (N (t))t≥0 um processo de Poisson com taxa λ. Seja Sn o tempo até a
ocorrência do n-ésimo evento. Calcule:

(a) Var[S4 ].

(b) E[S4 | N (1) = 2] .

(c) Var[N (4) − N (2) | N (1) = 2] .

(d) Cov(N (2), N (4)).

Solução:
[a] Temos que S4 ∼ Gama(4, λ). Portanto
4
V ar(S4 ) = .
λ2

[b] Pela propriedade de perda de memória da exponencial temos que S4 |{N (1) = 2} ∼ 1 + S2 ,
além disso S2 ∼ Gama(2, λ). Portanto
2
E[S4 | N (1) = 2] = 1 + E[S2 ] = 1 + .
λ

[c] Pela propriedade de incrementos independentes

Var[N (4) − N (2) | N (1) = 2] = Var[N (4) − N (2)] .

Pela propriedade de incrementos estacionários

Var[N (4) − N (2)] = Var[N (2)] = 2λ ,

onde a última igualdade segue de N (2) ∼ P oisson(λ).

[d] Como a covariância é bilinear

Cov(N (2), N (4)) = Cov(N (2), (N (4)−N (2))+N (2)) = Cov(N (2), N (2))+Cov(N (2), N (4)−N (2)) .

Pela propriedade de incrementos independentes N (2) e N (4) − N (2) são independentes, logo
Cov(N (2), N (4) − N (2)) = 0. Portanto

Cov(N (2), N (4)) = Var(N (2)) = 2λ .