Passeios Aleatrios

Maria Silva Daltro Moura* UFBA

Miguel Felipe Nery Vieira IFBA
Pedro Ivo de Oliveira Filho UFMG
Renato Santos da SilvaS UFPI

Orientador: Pablo Martn Rodrguez ICMC/USP

31 de janeiro de 2014

Resumo

O passeio aleatrio simples no conjunto dos nmeros inteiros Z um

modelo estocstico usado para descrever a trajetria de uma partcula,
que pode se mover por todos os stios de Z. A cada instante pode pular
de um ponto , para um de seus vizinhos, + 1 ou 1, ao acaso. O
relatrio apresentado a seguir foi elaborado com o objetivo de trazer trs
abordagens distintas de passeios aleatrios.

Abstract
A simple random walk on the set of all integers Z is a stochastic model. It
consists of a particle that can move in all Z sites. At every moment it can
jump from a point to one of its neighbors + 1 or 1. This report was
prepared with the goal of bringing three distinct approaches to random walks.

Palavras-chaves: runa do jogador. vestibular. grafo.

*
maria_moura10@hotmail.com

migueelnery@gmail.com

ivopedro3@gmail.com
S
renatoifpi@gmail.com

pablor@icmc.usp.br

1
1 Introduo
Neste trabalho apresentado o projeto desenvolvido pelos autores du-
rante as atividades do I Simpsio Nacional do PICME. A motivao se originou
quando os autores resolveram a primeira lista de exerccios de um dos mini-
cursos ministrados no Simpsio, chamado "Passeios Aleatrios". O relatrio
apresentado a seguir rene trs problemas sobre passeios aleatrios, cada um
com uma abordagem diferenciada: passeio aleatrio em uma dimenso com re-
pouso, passeio aleatrio em uma dimenso com armadilha e passeio aleatrio
no grafo estrela. Esses problemas remetem a questes cotidianas que podem
ser resolvidas ou previstas.

1.1 Passeio Aleatrio

O passeio aleatrio simples em Z um processo estocstico que descreve
o seguinte fenmeno: suponha uma partcula cuja posio no tempo dada
pela varivel aleatria . A partcula se move nos stios de Z e a cada instante
pode pular de um ponto para um seus vizinhos + 1 ou 1, com
probabilidades ou = 1 respectivamente, sendo que p [0, 1]. Tem-se
que a sequncia ( )0 chamada de passeio aleatrio. Essas probabilidades
independem do ponto . Quando o passeio for simtrico = 21 .

1.2 Frmula de Stirling

A necessidade dos matemticos de calcular o fatorial de um nmero
grande motivou o surgimento da frmula de Stirling. Tal frmula serve para
aproximar o fatorial de um nmero inteiro no negativo. A margem de erro
desse clculo inferior a 1%, para superior a 10. A frmula de Stirling
uma ferramenta importante da teoria de probabilidades e pode ser enunciada
da seguinte maneira:

! 2

ou, em forma de limite:

!
lim = 1.
2

Demonstrao. Para provar a aproximao acima, note que:

(!) = (1) + (2) + (3) (),

sabendo-se que a funo logartmica crescente no intervalo de [0, ], tem-se:

2
 +1

() < () < ()
1

Para 1, ou seja, = 1, 2, , , adiciona-se as desigualdades acima.

Tem-se que:

+1
() < ( !) < ()
0 1

fcil verificar que a integral imprpria acima converge. Usando-se a antide-

rivada de (), ou seja, () , tem-se que:

< ! < ( + 1) ( + 1) + ( + 1)

( )
1
Seja = ! + 2 + . Subtraindo-se +1 de , tem-se:

( ) ( )
1 3
+1 = + 2 + + ( + 1)! + + 2 ( + 1) 1

( ) ( )
1 1
= + 2 ( + 1) + 2 1

( )
1 +1
= + 2 1.

2+1 +1
= 2 1

Sabe-se que:

1
+1 2+1
= 1
1 21

Usando esse resultado e a srie de Taylor associada ao logaritmo, tem-se:

[ ]
1 1 1
+1 = (2 + 1) 2+1 3(2+1)3 + 5(2+1)5
+ ... 1

1 1
= 3(2+1)2
+ 5(2+1)4
+ ... 1

Note que:

3
 [ ]
1 1 1
0 < +1 < 3 2+12 (2+1)4
+ ...

Observe que a srie acima uma progresso geomtrica. Tem-se:

[ ]
1
1 (2+1)2 1 1
0 < +1 < 3 1 1 = 12 12(+1)
(2+1)2

1
De fato como decrescente e crescente, ento a sequncia con-
12
1
verge para algo. Dessa forma: lim = lim =: , ento:
+ + 12

= lim <
+

Conclui-se que:

1
! (+ 2 )

Ou seja,

!
lim 1 =
+ (+ 2 )

Foi tomado a exponencial de . Precisa-se calcular o valor de .

Usando-se o produto de Wallis que dado por:

(
2 2
)
lim = .

=0
2 1 2 + 1 2

2 2 4 4 (2) (2)
lim =
1 1 3 3 (2 1) (2 1) (2 + 1) 2

Reescrevendo, tem-se:

246(2)
2 135(21) 2

logo,

4
 22 (!)2


lim =
(2)! 2 2

com isso tem-se que:

1
! (+ 2 )

)2
+ 1
22 ( )
(
2

=
(2)! 2
2

ento,

2 ! 2

como queramos demonstrar.

1.3 Recorrncia/Transincia
Supondo-se uma partcula que comea o seu movimento na origem, isto
, 0 = 0, interessante saber se a partcula voltar ou no ao ponto de
origem, aps um intervalo de tempo tendendo ao infinito. Caso a partcula
volte, o tempo de seu primeiro retorno aps o instante = 0 finito. Define-
se esse tempo como:

0 := [ > 0 : = 0]

Porm uma trajetria pode tambm nunca voltar origem, nesse caso denota-
se:

0 :=

Se (0 < ) = 1, o passeio recorrente. Caso contrrio (0 < ) < 1 o

passeio aleatrio transiente.
importante saber que:

( = 0|0 = 0) =

Observa-se = 0, se mpar, e que:

(2)
[ (2 = 0|0 = 0)] = 2 = (1 )

5
No decorrer do caminho percorrido, a partcula pode se mover para direita com
probabilidade , e para esquerda com probabilidade 1 . Logo, no espao 2
tem-se a seguinte probabilidade:

(1 )

Seja uma varivel aleatria que denota o nmero de vezes, dentre os 2

primeiros passos, que a partcula se desloca para direita. Note que
(2, ) e que (2 = 0|0 = 0) = ( = ), ento:

(2)!
2 = (!)2
(1 )

Usando a frmula de Stirling para aproximar essa probabilidade, tem-se que:

(2)2 2 4 (1)
2 2 2 2

22 2 (1)
= 2

[4(1)]
=

Ento, pode-se concluir que: 4(1 ) < 1, se = 21 , o passeio transiente.

4(1 ) = 1, se = 12 , o passeio recorrente.


Conclue-se usando o resultado que = se, e somente se, o passeio
=1
aleatrio recorrente.

2 Passeio aleatrio em Z+ com repouso

2.1 PROBLEMA. Considere uma partcula em Z+ . A cada instante, a part-
cula vai para a direita ou permanece em repouso. Assume-se que os resultados
de cada instante so independentes e que a partcula tem probabilidade de
permanecer em repouso e (1 ) de se mover para a direita, como mostra a
Figura 1 abaixo:

6
 Figura 1. Passeio com repouso.

Quer-se calcular a probabilidade da partcula ocupar exatamente a posi-

o no instante = , dado que a partcula comea na posio 0 no instante
= 0. Tambm, dado o instante = , quer-se saber a probabilidade da par-
tcula estar antes da posio .

2.2 SOLUO. Sero propostos dois mtodos para solucionar tal problema.

i)Observe que para a partcula ocupar a posio , ela ter que se mover
para direita exatamente vezes, de modo que ela ter ficado em repouso
( ) vezes. Sabe-se que a cada instante a partcula se move para direita
ou permance em repouso, mas para que ela termine em no instante = ,
a partcula dever se mover para direita no instante = 1. Os demais
instantes podem ser um movimento para direita ou o repouso. Por exemplo,
para = 5 e = 2, uma das sequncias possveis : repouso, repouso, direita,
repouso e direita.

De modo geral, a quantidade total de sequncias ser dada pela combi-

nao binomial em que se escolhe ( 1) instantes representando movimentos
para direita dentre os ( 1) movimentos, j que sabe-se que o ltimo mo-
vimento ser para direita. Definindo-se como uma varivel aleatria que
representa o nmero total de instantes, pelo exposto acima, sua distribuio
de probabilidade ser:

(1)
( = ) = 1 (1 )1 (1 )

(1)
= 1 (1 )

Observa-se que a probabilidade acima uma distribuio binomial negativa,

cujo valor mdio :

() = (1)

ii)Em outra anlise, define-se a varivel aleatria tal que

{
0 com prob ,
=
1 com prob (1 )

7
Observe que = 0 representa repouso, enquato que = 1 representa um
movimento para direita. Veja que segue uma distribuio de Bernoulli.
Pode-se definir uma varivel aleatria que representa a posio da partcula
no instante . Observa-se que a varivel aleatria a soma de variveis
aleatrias de Bernoulli independentes, tal soma tem, obviamente, distribuio
binomial:

=
=1

Binomial (, 1 )

Dessa forma, a probabilidade da partcula ocupar a posio no instante n

ser:

()
= ( = ) = (1 )

2.3 MOTIVAO. Anualmente, milhes de jovens prestam vestibulares.

Porm, a realizao destes muitas vezes no restrita a uma universidade. Ou
seja, h alunos que so aprovados em mais de uma instituio. Sem contar com
os treineiros que so aprovados e no podem se matricular. Esses so exemplos
de motivos que geram um dficit entre o nmero de alunos matriculados em
primeira chamada e o nmero de vagas ofertadas. As vagas residuais geram
uma segunda chamada e assim sucessivamente, at que, idealmente, todas as
vagas sejam preenchidas. Porm, tal processo tem duas falhas inadmissveis.

A primeira falha o atraso considervel para o preenchimento das va-

gas. Algumas vezes o nmero de chamadas chega a ser to grande que as
aulas comeam sem o preenchimento efetivo do total de vagas. A partir desse
momento, os prximos candidatos convocados entraro j tendo perdido dias
letivos. Por exemplo, suponha uma universidade cuja primeira chamada ocorre
na primeira semana de fevereiro e cujas aulas se iniciam na primeira semana
de maro. Cada chamada sucessiva ocorre uma semana aps a precedente.
Se o processo levar seis chamadas para preenchimento das vagas, apenas na
segunda semana de maro ocorrer a ltima chamada. Dessa forma, alguns
alunos acabaro por perder parte das aulas.

A segunda falha segue da primeira. Seguindo o mesmo exemplo acima,

caso o processo tenha chegado na nona chamada sem preencher todas as vagas,
torna-se invivel a realizao de uma dcima chamada. O motivo simples:
no se pode, responsavelmente, admitir um aluno que j perdeu mais de um
ms de aulas. Isso far com que as vagas no preenchidas acabem por ficar
ociosas, apesar de que outros candidatos estavam aptos a preench-las.

8
 Para amenizar os problemas acima, sugere-se uma nova poltica de cha-
madas. Tal poltica se basearia em um modelo probabilstico para que, na
primeira chamada, sejam convocados mais candidatos que o nmero de va-
gas. Isso seria feito levando-se em conta as desistncias dos anos anteriores.
Os candidatos excedentes seriam chamados a fazer uma pr-matricula, es-
tando cientes que podero acabar sem vaga, com dada probabilidade. No mo-
delo conservador, esses estudantes s seriam chamados aps a manifestao
de desistncia dos candidatos aprovados, enquanto que no modelo proposto
pelo presente estudo, poder-se-ia chamar parte dos alunos excedentes e ainda
inform-los no fim do dia da pr-matrcula se eles conseguiro ou no uma
vaga.

Tal modelo, poder ser ampliado para considerar as desistncias de alu-

nos durante o perodo de formao. Por exemplo, comum a desistncia de
diversos alunos no fim do primeiro ano letivo. Um novo modelo consideraria
o nmero final de alunos que devero se formar, estruturando-se os primeiros
anos para receber mais alunos, levando-se em conta as desistncias.

2.4 SOLUO. O estudo do Passeio Aleatrio em Z+ feito acima poder ser

utilizado para soluo desse problema. A interpretao simples: o repouso da
partcula significa a desistncia de um candidado, enquanto que o movimento
para direita significa uma matrcula efetuada. Pode-se interpretar como o
nmero de vagas que devero ser preenchidas e o nmero de candidatos
chamados.

Considera-se a distribuio binomial descrita acima. De acordo com os

dados sobre desistncias dos anos anteriores, pode-se estimar a probabilidade
de desistncia, que usada para simular o nmero de desistncias que ocorre-
ro quando forem chamados candidatos. Alm disso sabe-se que chamando-
se mais candidatos, haver tambm uma certa desistncia e assim por diante.
Dessa forma, faz-se um clculo recursivo para se estimar o nmero total de de-
sistncias. Exemplo: Suponha um curso com 100 vagas. Sabe-se que nos quatro
vestibulares anteriores, a desistncia em primeira chamada foi de 18, 21, 22 e
19 candidatos, respectivamente. Dessa forma, estima-se a probabilidade de
desistncia como a mdia aritmtica da probabilidade de desistncia de cada
ano passado:

18 21 22 19
( 100 + 100 + 100 + 100 )
= 4

= 0, 2

Como a mdia de uma binomial , tem-se que a desistncia em primeira

chamada ser de 100 0, 2 = 20 candidatos. Mas desses 20, desistiro 20
0, 2 = 4. Como 4 0, 2 = 0, 8, a parte inteira nula ento para-se a recursso.

9
O total de alunos, em mdia, que sero necessrios para preencher as 100 vagas
ser 100 + 20 + 4 = 124. A pergunta : caso sejam chamados 124 candidatos,
qual a probabilidade de que no mximo 100 se matriculem? Ou seja, quer-se
calcular:

100
( )
124
= ( 100) = (0, 8) (0, 2)124
=0

Como exemplo, segue o resultado simulado pelo software Matlab R2012a:

Sendo o nmero de candidatos chamados e a probabilidade aproximada,
com trs casas decimais, de se matricularem no mximo 100 candidatos:

C = 101, pr = 100.000% C = 102, pr = 100.000% C = 103, pr = 100.000%

C = 104, pr = 100.000% C = 105, pr = 100.000% C = 106, pr = 99.999%
C = 107, pr = 99.998% C = 108, pr = 99.992% C = 109, pr = 99.977%
C = 110, pr = 99.942% C = 111, pr = 99.864% C = 112, pr = 99.706%
C = 113, pr = 99.411% C = 114, pr = 98.898% C = 115, pr = 98.064%
C = 116, pr = 96.784% C = 117, pr = 94.928% C = 118, pr = 92.373%
C = 119, pr = 89.024% C = 120, pr = 84.829% C = 121, pr = 79.794%
C = 122, pr = 73.993% C = 123, pr = 67.558% C = 124, pr = 60.676%
Observe que o complementar de cada probabilidade acima a probabilidade
de se matricularem mais que 100 candidatos.

Parece estranho o fato de com 100.000% de probabilidade pelo menos um

candidato desistir da matrcula, mas isso facilmente entendido observando-
se a distribuio de probabilidade binomial quando se chama 101 candidatos,
como mostra a Figura 2:

Figura 2. Distribuio de probabilidade binomial.

10
Observe que a probabilidade de exatamente um candidato desistir aproxi-
madamente zero.

Caso o clculo exato se torne computacionalmente invivel (j que usa

fatoriais), pode-se usar a aproximao da Binomial pela Normal da seguinte
forma:
a Binomial (, (1 )), de mdia () = (1 ) e desvio padro
Se segue
() = (1 ), ento se satisfeito o Teorema Central do Limite, apro-
ximadamente segue ((), ()).
Como visto acima, chamar 114 candidatos em primeira chamada seria algo
bem razovel a se fazer, sendo que os 14 ltimos seriam avisados que a pr-
matrcula deles tem quase 99% de probabilidade de ser efetivada.

De maneira anloga, poder-se-ia modelar a quantidade de candidatos a

serem chamados levando-se em conta a desistncia de alunos durante o curso.
Tembm seria possvel usar, por exemplo, a distribuio binomial negativa ou
a t-Student para as modelagens mostradas. Fica como exerccio para o leitor a
comparao dos resultados usando-se diferentes distribuies. Como motiva-
o, seguem as probabilidades arredondadas calculadas para o exemplo acima
usando-se a distribuio t-Student:

C = 101, pr = 100% C = 112, pr = 100% C = 119, pr = 99%

C = 120, pr = 98% C = 121, pr = 97% C = 121, pr = 96%
C = 121, pr = 95% C = 122, pr = 94% C = 122, pr = 93%
C = 122, pr = 92% C = 122, pr = 91% C = 122, pr = 90%
C = 122, pr = 89% C = 123, pr = 88% C = 123, pr = 87%
C = 123, pr = 86% C = 123, pr = 85% C = 123, pr = 84%
C = 123, pr = 83% C = 123, pr = 82% C = 123, pr = 81%
C = 123, pr = 80% C = 123, pr = 79% C = 123, pr = 78%
C = 123, pr = 77% C = 124, pr = 76% C = 124, pr = 75%
C = 124, pr = 74% C = 124, pr = 73% C = 124, pr = 72%
C = 124, pr = 71% C = 124, pr = 70% C = 124, pr = 69%
C = 124, pr = 68% C = 124, pr = 67% C = 124, pr = 66%
C = 124, pr = 65% C = 124, pr = 64% C = 124, pr = 63%
C = 124, pr = 62% C = 124, pr = 61% C = 124, pr = 60%
Observa-se que a probabilidade mdia foi calculada usando-se uma amostra
com quatro dados de desistncias. Dessa forma, o intervalo de confiana ba-
seado em um valor do parmetro da distribuio relativo 4 1 = 3 graus
de liberdade. A distribuio t-Student especialmente eficaz para amostras
pequenas, quando o Teorema Central do Limite no perfeitamente satisfeito
e no se pode usar a distribuio Normal.

11
3 Passeio aleatrio em Z com armadilhas
No passeio aleatrio com armadilha, a qualquer momento a partcula que est
no instate pode pular para seus vizinhos, + 1 e 1, com probabilidades
e , respectivamente. Ou sair da reta Z, e entrar na armadilha, com proba-
bilidade . Como representado na Figura 3 abaixo:

Figura 3. Passeio com armadilhas.

3.1 MOTIVAO. A runa do jogador, proposto originalmente por Blaise

Pascal, em 1656, um problema clssico de processos estocsticos, cujo ob-
jetivo est em calcular a probabilidade que um jogador tem de perder seu
recurso financeiro (cair na runa) ou sobreviver e ganhar o jogo. Considere
o jogo da runa simtrico onde no existe uma fronteira, ou seja, o jogo no
termina quando se chega a 0 (runa), e nem quando se chega a (soma dos
capitais dos jogadores). A cada rodada um apostador pode ganhar 1, com a
probabilidade ; perder 1 com a probabilidade ; ou abandonar o jogo o jogo
com a probabilidade . Pretende-se calcular a probabilidade de um determi-
nado jogador lucrar.

3.2 PROBLEMA. No jogo da runa, um determinado jogador comea com

capital . A cada rodada, ele pode ganhar e perder R$1,0, com probabilidades
e , respectivamente, ou abandonar o jogo com probabilidade . Qual a
probabilidade deste jogador sair com lucro?

3.3 SOLUO.
Considere as seguintes variveis aleatrias:
= dinheiro do jogador aps a n-sima jogada;
= nmeros de jogadas at acontecer o abandono.
Mostra-se a seguir um roteiro para se calcular a probabilidade do jogador sair
no lucro, dado que ele comea com R$ , ou seja:

(|{0 = })

Precisa-se saber:
i) ( = ) = ?

12
ii) (|0 = , = ) = ?
Precisa-se calcular i) e ii). Note que para abandonar o jogo em jogadas
necessria a ocorrncia de 1 jogadas at o abandono. Mas isso ocorre com
probabilidade:

(1 )1

Portanto, ( = ) = (1 )1 , o que uma distribuio Geomtrica ().

Para ii), considera-se o caso = (|0 = , = ) a probabilidade
do jogador terminar com lucro, dado que comea com , e termina com + 1,
+ 2, ou + 3 aps jogadas:
Seja > calcula-se ( = |0 = ). Por exemplo:

O problema anlogo a contar arranjos de:

, , ,

Note que se = o problema encontrar ( = |0 = 0). Tem-se

casos:
a)Se par e par, ento:

( = |0 = 0) = 0

b)Se par e mpar, ento:

( )
1
( = |0 = 0) = 1
+ 1
2

Lembre-se que = , ento:

( )
1
( = |0 = 0) = +1 1
2

O clculo para mpar anlogo ao descrito acima. Tem-se que:

(|0 = ) = (|0 = , = ) ( = )
=1

13
 (|0 = , = ) a probabilidade de o jogador sair no lucro se ele comea
com e joga vezes at abandonar. Mas, essa probabilidade igual a:

( = |0 = )
=+1

iii) Outra quantidade que se pode estimar o valor de , tal que dado um
0 < < 1, resulta:

( > ) < 1

Mas como

( > ) = (1 ) (1 ) < (1 )

Se, e somente se,

(1)
(1 ) < (1 ) < (1)

encontra-se um valor de tal que a probabilidade de o jogador abandonar o

jogo aps jogadas menor que 1
Observe que, se = 0, 95 (95%), ento:

(1)
* < (1)

Sabe-se que ( > * ) < 0, 05 ou ( * ) 0, 95. Isso significa que com alta
probabilidade o jogo vai terminar antes deste valor * , ento pode-se simular
at * .

3.4 SIMULAO. Nessa simulao trs jogadores disputam com outros trs
jogadores fictcios, todos comeam com = 100 e as cores simbolizam cada
jogador. Foram considerados = 0, 00001, 0, 8. Com isso, (1)
(1)
161000. O software utilizado para as simulaes chama-se R.
Observe a Figura 4 a seguir:

14
 Figura 4. Grfico do passeio com armadilhas.

Nesse jogo, o jogador da curva preta obteve lucro de 108 sobre o seu oponente,
j o da curva vermelha teve um pequeno prejuzo de 16. Entretanto, quem
realmente saiu derrotado foi o jogador da curva verde que alm de perder
todo o seu montante, ainda pediu emprestado, acarretando uma grande perda
de 252. Sendo que ele pediu emprestado 152.

4 Passeio aleatrio no grafo estrela

4.1 MOTIVAO.Um grafo estrela um grafo onde existe um vrtice cen-
tral que adjacente a todos os outros vrtices do grafo, tambm pode ser
definido como o nico grafo conectado em que no mximo um vrtice tem
grau maior que 1, como mostrado na Figura 5:

15
 Figura 5. Grafo Estrela.

Deseja-se estudar um movimento que parte do vrtice central e percorre os

outro vrtices, como ilustrado no seguinte problema:

4.2 PROBLEMA. Suponha que uma pessoa popular (), domine uma in-
formao e deseje compartilha-l da seguinte maneira: visita ao stio de outra
pessoa (1) e compartilhe a informao; A retorna ao seu lugar de origem, e
ento visita outra pessoa (2); Ao visitar novamente qualquer uma das par-
tculas ()=1 encerra seu movimento supondo j haver informado a todos.
Deseja-se calcular a probabilidade e a distribuio de informar um nmero
de pessoas.

4.3 SOLUO. Vamos calcular a probabilidade da partcula informar um

nmero de pessoas. Observe que no primeiro movimento a partcula tem
liberdade de escolher quaisquer pessoas dentre as possibilidades , re-
( )

tornando logo em seguida ao seu local de origem (centro do(grafo) estrela). A

escolha da prxima pessoa a ser informada calculada por 1 , visto que
1 pessoa j foi informada, e assim sucessivamente:

( ) ( ) ( ) ( )
1 2 +1
...

Ao alcanar o nmero de informados, a partcula precisa encerrar o movi-

mento, informando algum que j foi informado anteriormente, portanto temos
possibilidades dentre um total . Sendo a varivel aleatria que denota o
nmero de pessoas informadas, tem-se que a probabilidade de pessoas serem
informadas dada por:

( ) ( ) ( ) ( ) ( )
1 2 +1
( = ) = ...

Observe que:

( 1) ( 2) ... ( + 1)

16
 !
pode ser representado como ()! . Logo:

!
( = ) = ()! (+1)

Aproximando por Stirling, tem-se:

2
( = ) +1
() 2()

( = )
() ()

( )
como, 1
, para n suficientemente grande. Logo:

()
=

( ) [( ) ] 2

sendo 1 = 1 e
) 1 ) ] 1

( [(
2 2
1 = 1 2 tem-se

(2)

( = ) 2

17
Agradecimentos
Gostaramos de expressar nossa gratido a todos os que, com grande
competncia, contriburam para escrita desse relatrio. Em especial, ao prof.
Pablo Rodriguez, que contribuiu com as discusses tericas. Igualmente gos-
taramos de agradecer ao prof. Ali Tahzibi por ajudar na organizao do I
Simpsio Nacional do PICME. Tambm no podemos deixar de agradecer a
toda a equipe do PICME, especialmente profa. Sylvie Oliffson Kamphorst,
coordenadora nacional. Agradecimentos ao CNPq e CAPES pelo auxlio
financeiro.

18
Referncias
KHOURI, R. S., (2013) Estudos sobre um modelo estocstico para evoluo
de uma espcie.

FRIEDLI, S.(2011) Dinmica Estocstica: trs exemplos.

ROSS, S. M., Probabilidade: um curso moderno com aplicaes, 8a ed, So

Paulo, Bookman, 2010, 606p.

JUNIOR, F. J. M., BORTOLOTTI, S. L.V., COELHO, A. S., Considera-

es sobre a runa do jogador.

JEN, C. Y.; KIRA, E. Passeios aleatrios: flutuaes no lanamento de moe-

das e runa do jogador.

DRUGOWICH DE FELICIO, J.R. Matemtica Universitria, no 17, dezem-

bro de 1994, p. 40-51.

PEREIRA, F. A. C.(2009), Passeio Aleatrio.

AMARAL, J. C. (2010), Passeios Aleatrios e Grandes Desvios em Ambi-

entes Aleatrios.

FELLER, W. (1976) Introduo teoria das probabilidades e suas aplica-

es (Parte I), Edgard Blcher Ltda.

KHAMSI, M. A., (1996) Stirlings Formula. S.O.S. Mathematics CyberBo-

ard.

RUDNICK, J.; GASPARI, G, (2010) Elements of the Random Walk. Cam-

bridge, UK: Cambridge University Press.

ROSS, SHELDON M. (2006) Introduction to Probability Models. Academic

Press.

DANTAS, C. A. B. (2004) Probabilidade: Um curso introdutrio, 2a Ed. 1

reimpr., Edusp.

GRINSTEAD & SNELL (1997) Introduction to Probability, 2nd rev. ed.,

AMS.

19