You are on page 1of 10

Probabilidade: permutações e combinações

Atividades para casa

Aula 1:
Probabilidade: permutações e combinações
Ler e resolver exercı́cios: generalizadas
Seção 3.4 do Larson. Seção 5.3 do Rosen.
Prof. Crı́ston Souza

Universidade Federal do Ceará


Campus Quixadá

2016.1

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Permutações com repetição


Permutações com repetição Quando objetos podem ser repetidos, o número de r -permutações
de um conjunto com n elementos vale nr (regra do produto).
Ex.: Quantas palavras podem ser formadas utilizando 5 letras
minúsculas? Ex.: Quantas palavras podem ser formadas utilizando 5 letras
minúsculas?
265 .

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Ex.: Um broche utiliza 4 pedras preciosas, podendo ser diamante, rubi ou


esmeralda. Dispomos de pelo menos 4 unidade de cada tipo de pedra.
Combinações com repetição De quantas maneiras podemos montar um broche?

Note que as pedras podem ser repetidas.


Ex.: Um broche utiliza 4 pedras preciosas, podendo ser diamante, rubi ou
esmeralda. Dispomos de pelo menos 4 unidade de cada tipo de pedra. Podemos representar cada situação com separadores:
De quantas maneiras podemos montar um broche? ∗ | ∗ ∗|∗ = 1 diamante, 2 rubis, 1 esmeralda
∗ ∗ ∗ ∗|| = 4 diamantes
4d, 4r, 4e * | * | * *
3d1r, 3d1e, 3r1d, 3r1e, 3e1d, 3e1r 1 2 3 4 5 6
2d2r, 2d2e, 2d1r1e, 2r2e, 2r1d1e, 2e1d1r
Ou seja, temos as posições de 1 até 6, e queremos saber todas as
possı́veis posições dos asteriscos.
Portanto, contamos os conjuntos possı́veis de 4 posições, em um universo
de 6 posições: C (6, 4) = C (6, 2) = 15.

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Número de combinações com repetição (r objetos de n tipos)

(n + r − 1)! Ex.: Quantas soluções tem a equação x1 + x2 + x3 = 11, onde


C (r + n − 1, r ) = C (r + n − 1, n − 1) = . x1 , x2 e x3 são inteiros não negativos?
r !(n − 1)!

Ex.: Exemplo anterior, com as restrições x1 ≥ 1, x2 ≥ 2, x3 ≥ 3.


Ex.: Quantas maneiras de selecionar 5 cédulas, se existem cédulas
de $1, $2, $5, $10, $20, $50 e $100?
C (11, 5)
Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Ex.: Quantas palavras são permutações de MISSISSIPI?

10! está errado, pois temos letras repetidas.


Permutações com objetos idênticos Por exemplo, trocar os 2 primeiros S’s não produz uma nova
permutação.
Ex.: Quantas palavras são permutações de MISSISSIPI? Como temos 4 S’s, 4! permutações formam uma mesma
palavra. Logo, devemos dividir por 4!.
O mesmo vale para a letra I. Logo, o total de palavras vale
10!
.
4!4!

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Ex.: Quantas palavras são permutações de MISSISSIPI?


Outra maneira de resolver, usando a regra do produto:
Temos C (10, 1) posições possı́veis para a letra M.
Uma vez definidas as letras anteriores, temos C (9, 4) conjuntos de Número de permutações com objetos idênticos
posições possı́veis para a letra I. (k tipos, quantidades n1 , n2 , . . . , nk , soma igual a n)
Uma vez definidas as letras anteriores, temos C (5, 4) conjuntos de
posições possı́veis para a letra S. n!
n1 !n2 ! · · · nk !
Uma vez definidas as letras anteriores, temos C (1, 1) conjuntos de
posições possı́veis para a letra P.
No total:
10! 9! 5! 1! 10!
C (10, 1)C (9, 4)C (5, 4)C (1, 1) = = .
1!9! 4!5! 4!1! 1!0! 4!4!

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Na contagem de combinações com repetição, podemos interpretar


os asteriscos e separadores como objetos idênticos.
Ex.: 4 asteriscos e 2 separadores (prob. do broche).
Distribuição de objetos DISTINTOS em caixas distintas
n1 = 4 asteriscos repetidos, n2 = 2 separadores repetidos,
n = n1 + n2 = 6. Ex.: De quantas maneiras podemos distribuir 5 cartas para cada
um dos 4 jogadores distintos, utilizando um baralho com 52 cartas?
Ex.: * * | * | *

n! 6! 6·5
= = = 15.
n1 !n2 ! 4!2! 2

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Distribuição de objetos DISTINTOS em caixas distintas


Ex.: De quantas maneiras podemos distribuir 5 cartas para cada
Ex.: De quantas maneiras podemos distribuir 5 cartas para cada um dos 4 jogadores distintos, utilizando um baralho com 52 cartas?
um dos 4 jogadores distintos, utilizando um baralho com 52 cartas? Outra maneira de resolver:
Ordene as 52 cartas, de modo que cada posição de 1 até 52 corresponde
Utilizando a regra do produto, temos C (52, 5) conjuntos de 5 cartas a uma carta.
para o 1o jogador. Realize a permutação de 52 objetos, com as repetições: 5, 5, 5, 5 e 32.
Para cada conjunto de cartas do jogador anterior, temos C (47, 5) Nas posições onde aparecem os objetos do tipo 1, temos as cartas do 1o
conjuntos para o 2o. jogador. O mesmo p/ os tipos 2, 3 e 4.
No total:
Para cada conjunto de cartas dos jogadores anteriores, temos 52!
.
C (42, 5) conjuntos para o 3o. 5!5!5!5!32!
Da mesma forma, C (37, 5) conjuntos para o 4o. Podemos interpretar como 52 objetos distintos e 4 caixas distintas, onde
vamos colocar 5 objetos nas primeiras 4 caixas, e 32 objetos na última.
No total: C (52, 5)C (47, 5)C (42, 5)C (37, 5) distribuições de cartas.
Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações generalizadas

Distribuição de objetos IDÊNTICOS em caixas distintas

Distribuição de objetos IDÊNTICOS em caixas distintas


Ex.: De quantas maneiras podemos distribuir 10 bolas idênticas
em 8 caixas distintas?
Ex.: De quantas maneiras podemos distribuir 10 bolas idênticas
em 8 caixas distintas? Utilizando combinações com repetição: as bolas são os
asteriscos e as caixas determinam os separadores.
No total: C (17, 10).

Probabilidade: permutações e combinações generalizadas Probabilidade: permutações e combinações


Atividades para casa

E para o caso de caixas idênticas? Ler e resolver exercı́cios:


Não existe fórmula fechada, geralmente é necessário enumerar ou
Seção 5.5 do Rosen.
determinar o valor de expressões com somatórios.

Probabilidade: permutações e combinações


Exercı́cios

1) Quantas peças tem um dominó com valores de 0 até 6? E de 0 até 15?

Aula 2:
2) Uma prova tem 10 questões, cada uma valendo pelo menos 5.
Quantas maneiras de atribuir valores às questões se a soma deve ser 100? Variáveis aleatórias e distribuições de
probabilidade
3) Quantas permutações distintas da palavra ABRACADABRA?

4) Quantas cadeias com 4 bits 1, 12 bits 0, iniciando com 1, e pelo Prof. Crı́ston Souza
menos dois 0’s após cada 1?
Universidade Federal do Ceará
Campus Quixadá
5) Quantas maneiras de colocar n livros em k prateleiras distintas, se
(i) os livros são idênticos, ou 2016.1
(ii) os livros são distintos e as posições são relevantes?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Variável aleatória discreta


Conjunto de valores possı́veis é finito, ou infinito contável (tem
Variável aleatória bijeção com os inteiros).
Associa um número a cada resultado possı́vel no espaço amostral.

Ex.: X é o número de caras no lançamento de 2 moedas.


Resultado X
HH 2
HT 1 Ex.: X é o número de caras no lançamento de 2 moedas.
TH 1
TT 0 Ex.: X é o número de clientes que chegam em um dado dia.

Ex.: X é a receita de um loja em um dado dia.


Número racional: duas casas decimais.
Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição de probabilidade (discreta)


Variável aleatória contı́nua
Conjunto de valores possı́veis contém intervalos reais.

Ex.: X é o tempo do ônibus de casa até a universidade.

Ex.: X é o volume de chuva em abril (em mm).

f (2) = P(X = 2) = 0,0486

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição de probabilidade (discreta)


Se X pode assumir os valores x1 , x2 , . . . , xn , então
(i) 0 ≤ f (xi ) ≤ 1, para todo i.
(ii) ni=1 f (xi ) = 1.
P

Ex.: X é a soma de dois dados. Distribuição de probabilidade?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição acumulada: F (x) = P(X ≤ x)

Distribuição acumulada (discreta)


X
F (x) = P(X ≤ x) = P(X = y )
Ex.: X é o número de caras no lançamento de 2 moedas. y ≤x

Distribuição de probabilidade?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição de probabilidade (contı́nua)


A distribuição contı́nua é aproximada pelo histograma.
(lei dos grandes números)

Z b
P(a < X < b) = f (x)dx
a
R +∞
P(X = a) = 0 para qualquer a, pois X é contı́nua. −∞
f (x)dx = 1.
Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição acumulada: F (x) = P(X ≤ x) Conhecendo a acumulada F (x) é fácil calcular P(a < X < b):

P(a < X < b) = F (b) − F (a)


Distribuição acumulada (contı́nua)
Z x
F (x) = P(X ≤ x) = f (y )dy
−∞

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Valor esperado (média) de variável aleatória


Discreta: X
µ = E(X ) = x · f (x)
x

Contı́nua: Ex.: X é a soma de dois dados. E(X )?


Z +∞
µ = E(X ) = x · f (x) dx
−∞

Ex.: X é valor de um dado. E(X )?


E(X ) = 1 · (1/6) + 2 · (1/6) + 3 · (1/6) + 4 · (1/6) + 5 · (1/6) + 6 · (1/6) =
21/6 = 3,5.

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Ex.: Jogo de lançamento de 3 moedas. Ganha 5 se sair 3 caras ou 3


Ex.: X é o número de caras no lançamento de 2 moedas. E(X )?
coroas, e perde 3 caso contrário. Qual o ganho esperado?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Variância de variável aleatória


Valor esperado de função de variável aleatória Discreta:
X
Discreta: X σ 2 = V(X ) = E((X − µ)2 ) = (x − µ)2 · f (x)
E(g (X )) = g (x) · f (x) x
x
Contı́nua:
Contı́nua: Z +∞ Z +∞
E(g (X )) = g (x) · f (x) dx σ 2 = V(X ) = E((X − µ)2 ) = (x − µ)2 · f (x) dx
−∞ −∞

Ex.: E(2 · X )? Desvio padrão: σ = σ2.
P P
E(2X ) = x 2x · f (x) = 2 x x · f (x) = 2E(X ). Ex.: X é valor de um dado. V(X )?
Já calculamos µ = 3,5. V(X ) = (1 − 3,5)2 · (1/6) + (2 − 3,5)2 · (1/6)+
(3 − 3,5)2 · (1/6) + (4 − 3,5)2 · (1/6) + (5 − 3,5)2 · (1/6) + (6 − 3,5)2 · (1/6) ≈ 2,9.
Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Fórmula alternativa:
X X
σ2 = (x − µ)2 · f (x) = (x 2 − 2xµ + µ2 ) · f (x)
x x
X X X
= x 2 · f (x) − 2µ x · f (x) + µ2 f (x)
x x x Ex.: X é o número de caras no lançamento de 2 moedas. Desvio padrão?
X X
= x 2 · f (x) − 2µ2 + µ2 = x 2 · f (x) − µ2
x x

Ex.: X é valor de um dado. V(X )?


Já calculamos µ = 3,5. V(X ) = 12 · (1/6) + 22 · (1/6) + 32 · (1/6) + 42 · (1/6)+
52 · (1/6) + 62 · (1/6) − 3,52 ≈ 2,9.

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Ex.: Jogo de lançamento de 3 moedas. Ganha 5 se sair 3 caras ou 3 Ex.: Uma rifa custa 2, possui 1500 bilhetes, e oferece 4 prêmios de 500,
coroas, e perde 3 caso contrário. Qual o desvio padrão do ganho? 250, 150 e 75, cada um obtido em um único bilhete. Ganho esperado?
Acumular ganho de 7 em uma sequência é comum (use z-score)? Faixa de ganhos considerados normais?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição uniforme (discreta)


Ex.: E(X )?
Mesma probabilidade para os inteiros consecutivos a, a + 1, . . . , b. Pb Pb
Ou seja, f (x) = 1/(b − a + 1) para x de a até b. E(X ) = x=a x · (1/(b − a + 1)) = (1/(b − a + 1)) x=a x =
(1/(b − a + 1)) · (b + a)(b − a + 1)/2 = (a + b)/2.

b 2
(b − a + 1)2 − 1
  
X 1 b+a
V(X ) = x2 · − =
x=a
b−a+1 2 12
n
X n(n + 1)(2n + 1)
i2 =
6
i=1
Ex.: E(X )?

Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição uniforme (contı́nua)

1 Ex.: E(X )? V(X )?


f (x) = , para a ≤ x ≤ b.
b−a
b
x 2 b b 2 − a2
Z  
1 a+b

E(X ) = xf (x)dx = = =
a b−a 2 a 2(b − a) 2

b
(x − µ)3 b (b − µ)3 (a − µ)3
Z  
1

V(X ) = (x − µ)2 dx = = −
a b−a 3(b − a) a 3(b − a) 3(b − a)
3  3 !
(b − a)3 (b − a)2

1 b−a b−a
= + =2· =
3(b − a) 2 2 8 · 3(b − a) 12

Ex.: E(X )? V(X )?


Variáveis aleatórias e distribuições de probabilidade Variáveis aleatórias e distribuições de probabilidade

Distribuição uniforme (contı́nua) Ex.: Acumulada F (x)? P(a ≤ X ≤ µ)?

x     x
x −a
Z
1 1 1
f (x) = , para a ≤ x ≤ b. F (x) = dx = · x =
b−a a b−a b−a a b−a
(b + a)/2 − a 1
P(a ≤ X ≤ µ) = F (µ) − F (a) = −0=
Ex.: Acumulada F (x)? P(a ≤ X ≤ µ)? b−a 2

Variáveis aleatórias e distribuições de probabilidade


Atividades para casa

Aula 3:
Distribuição Binomial
Ler e resolver exercı́cios:
Seção 4.1 do Larson. Seções 3.1, 3.2, 3.3, 4.1 e 4.2 do Walpole.
Prof. Crı́ston Souza

Universidade Federal do Ceará


Campus Quixadá

2016.1

Distribuição Binomial Distribuição Binomial

Variável aleatória binomial


Número de sucessos em n experimentos de Bernoulli
Experimento de Bernoulli independentes.
Apenas 2 resultados possı́vels: sucesso ou falha.
Ex.: Número de caras em 3 lançamentos de moeda.
Variável aleatória de Berloulli
Vale 1 se houve sucesso, ou 0 se houve falha. HHH THH
HHT THT
Ex.: Cara no lançamento de uma moeda. HTH TTH
HTT TTT
Probabilidade de sucesso: 1/2.
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8

Distribuição Binomial Distribuição Binomial

Ex.: Cirurgia tem 3/4 de chance de sucesso. Chance 2 sucessos em 3 cirurgias?

Ex.: Cirurgia tem 3/4 de chance de sucesso. Chance 2 sucessos em 3 cirurgias?

 
9
3· ≈ 0,422
64
Distribuição Binomial Distribuição Binomial

Distribuição binomial com parâmetros n e p


x: número de sucessos em n experimentos de Bernoulli
independentes com prob. de sucesso p.
Ex.: Uma caixa tem 5 bolas vermelhas, 9 azuis e 6 verdes. Você retira
f (x) = C (n, x) · p x · (1 − p)n−x uma bola e a recoloca na caixa, repetindo 3 vezes. Distribuição da v.a.
n! que conta o número de vezes que vermelha foi selecionada?
= · p x · (1 − p)n−x
x!(n − x)!
Ex.: E se as bolas não forem recolocadas na caixa?

Ex.: Cirurgia tem 3/4 de chance de sucesso. Chance 2 sucessos em 3 cirurgias?

 2  1
3 1
f (2) = C (3, 2) · · ≈ 0,422
4 4

Distribuição Binomial Distribuição Binomial

Forma da distribuição binomial Média e variância de v.a. binomial com parâmetros n e p

µ = E(X ) = np
σ 2 = V (X ) = np(1 − p)

Ex.: Cirurgia tem 3/4 de chance de sucesso. Número esperado de sucessos em


100 cirurgias? Faixa de sucessos considerados “comuns” (z-score)?
n = 100, p = 3/4.
√ · 3/4
µ = 100 p= 75.
σ = σ 2 = 100 · (3/4) · (1/4) ≈ 4,3.
xmin = 75 − 2 · 4,3 = 66,4
xmax = 75 + 2 · 4,3 = 83,6

Distribuição Binomial

Aula 4:
Distribuição Geométrica. Distribuição de Poisson.
Ex.: Em uma cidade, 56% dos dias de junho são nublados. Quais
quantidades de dias nublados são comuns de ocorrer em junho?
Prof. Crı́ston Souza

Universidade Federal do Ceará


Campus Quixadá

2016.1

Distribuição Geométrica Distribuição Geométrica

Distribuição geométrica com parâmetro p


Variável aleatória geométrica
x: número de experimentos de Bernoulli independentes, com prob.
Número de experimentos de Bernoulli independentes até obter o de sucesso p, até obter o 1o sucesso.
1o sucesso.
f (x) = (1 − p)x−1 · p
Ex.: Sucesso na cirurgia: 3/4. Chance de precisar realizar 4 cirurgias p/
obter o 1o sucesso?
Regra do produto: falha, falha, falha, sucesso. Ex.: Sucesso na cirurgia: 3/4. Distribuição das tentativas até sucesso?
f (4) = (1/4) · (1/4) · (1/4) · (3/4) ≈ 0,012.
f (1) = 3/4, f (2) = (1/4)(3/4) = 3/16, f (3) = (1/4)2 (3/4) = 3/64,
f (4) = (1/4)3 (3/4) = 3/256, ...
Distribuição Geométrica Distribuição Geométrica

Forma da distribuição geométrica

Ex.: A chance de fechar uma venda por telefone é 0,23. Chance de


precisar fazer 4 ligações? Chance de precisar fazer pelo menos 5?

Distribuição Geométrica Distribuição de Poisson

Seja X uma v.a. binomial. Considere aumentar o número n de


Média e variância de v.a. geométrica com parâmetro p experimentos de Bernoulli, mantendo E(X ) = np = λ constante.
 x 
λ n−x

λ
µ = E(X ) = 1/p f (x) = C (n, x) · p x · (1 − p)n−x = C (n, x) · · 1−
n n
σ 2 = V (X ) = (1 − p)/p 2
É possı́vel mostrar que
Ex.: A chance de fechar uma venda por telefone é 0,23. Número esperado de
ligações até a 1a venda? Desvio padrão?
e −λ λx
lim f (x) = , para x inteiro não negativo.
n→∞ x!

Distribuição de Poisson Distribuição de Poisson

Distribuição de Poisson com parâmetro λ

 x  n−x
x: número de sucessos em um dado intervalo, dado que o número
n! λ λ médio de sucessos neste intervalo é λ.
f (x) = lim · · 1−
n→∞ x!(n − x)! n n
n  −x e −λ λx
λx n n − 1 n − x + 1  λ λ f (x) = .
= lim · ··· · 1− · 1− x!
x! n→∞ n n n n n
e −λ λx
=
x! Ex.: Um cruzamento tem em média 3 acidentes por mês. Chance de
ocorrer 4 acidentes em um dado mês?
λ = 3. f (4) = (2,71828)−3 · 34 /4! ≈ 0,168.

Distribuição de Poisson Distribuição de Poisson

Forma da distribuição de Poisson

e −λ λx
f (x) =
x!

Ex.: Um cruzamento tem em média 3 acidentes por mês. Chance de


ocorrer 4 acidentes em DOIS meses?
Distribuição de Poisson Distribuições binomial, geométrica e de Poisson
Atividades para casa

Média e variância de v.a. de Poisson com parâmetro λ

µ = E(X ) = λ Ler e resolver exercı́cios:


σ 2 = V (X ) = λ Seção 4.2 e 4.3 do Larson. Seções 5.3, 5.5 e 5.6 do Walpole.

Ex.: Um cruzamento tem em média 3 acidentes por mês. Desvio padrão dos
acidentes mensais?

σ = 3 ≈ 1,7.

Distribuições binomial, geométrica e de Poisson Apêndice: cálculo das médias e variâncias

r -ésimo momento em torno da origem da v.a. X


1) Teste de poluição dá positivo se pelo menos 4 de 18 amostras contêm
poluente. 10% das amostras contém poluente. Chance de teste positivo?
X
µ0r = E(X r ) = x r f (x)
2) Um fio tem em média 0,3 imperfeições por m. Chance de pelo menos 1 x
imperfeição em 4m?

Portanto, µ = µ01 e σ 2 = E(X 2 ) − E(X )2 = µ02 − µ0 21 .

Apêndice: cálculo das médias e variâncias Apêndice: cálculo das médias e variâncias

Ex.: Distribuição binomial com parâmetros n e p

Função geratriz de momentos de uma v.a. X ! !


n n
X n x X n
MX (t) = e tx p (1 − p)n−x = (pe t )x (1 − p)n−x
X x x
MX (t) = E(e tX ) = e tx f (x) x=0 x=0

x
= (pe t + (1 − p))n

Binômio de Newton: !
n
X n i n−i
(a + b)n = ab
d r MX (t) X tx r i
= e x f (x) i=0
dt r x Logo,

d r MX (t)
µ01 = n(pe t + (1 − p))n−1 · pe t |t=0 = np
r
= µ0r µ02 = np[(pe t + (1 − p))n−1 · e t + (n − 1)(pe t + (1 − p))n−2 pe t · e t ]|t=0
dt
t=0
= np[1 + (n − 1)p]
σ 2 = np[1 + (n − 1)p] − (np)2 = np(1 + (n − 1)p − np) = np(1 − p)

Apêndice: cálculo das médias e variâncias

Ex.: Distribuição geométrica com parâmetro p

∞ ∞
X p X pe t
MX (t) = e tx (1 − p)x−1 p = ((1 − p)e t )x =
x=1
1 − p x=1 1 − (1 − p)e t

Logo,

pe t (1 − (1 − p)e t ) − pe t · (−(1 − p)e t ) pe t



1
µ01 =

= =
(1 − (1 − p)e t )2
t=0 (1 − (1 − p)e t )2
t=0 p
pe t (1 − (1 − p)e t )2 − pe t · 2(1 − (1 − p)e t )(−(1 − p)e t )

2−p
µ02 = =
(1 − (1 − p)e t )4
t=0 p2
2 2−p 1 1−p
σ = − 2 =
p2 p p2