Captulo 2 Processos Estocsticos 1

C CA AP P T TU UL LO O 2 2 P PR RO OC CE ES SS SO OS S E ES ST TO OC C S ST TI IC CO OS S




1 - Introduo

1) A variao de trfego em um cruzamento que envolve a formao
e dissipao de congestionamento de trfego.
2) A variao diria do nvel de estoques de um determinado produto.
3) A demanda semanal de um determinado produto.









Representao Grfica de um Processo Estocstico
2 - Definio
Processos Estocsticos so fenmenos que variam em algum grau, de
forma imprevisvel, medida que o tempo passa. Neste caso, o
experimento aleatrio determina o comportamento de algum sistema
para uma seqncia de variveis aleatrias, num determinado
intervalo de tempo.

X
1
X
2
X
4
X
n
Tempo

3

X
3
4

2

1

n

f(X
t
=x
t
)= F(X
t
=x
t
)/ x
Captulo 2 Processos Estocsticos 2
3 Fator Tempo
J que um processo estocstico envolve o comportamento de um
sistema ao longo do tempo, deve-se especificar o conjunto de tempo T
envolvido, durante a definio do processo.
O conjunto de tempo T pode ser o intervalo de tempo em uma
situao na qual valores de interesse so medidos continuamente.











Exemplos: a) Medio do nvel mensal de estoques de uma empresa.
Processo estocstico de parmetro discreto.

b) Medio do ndice pluviomtrico em estao meteo-
rolgica
Processo estocstico de parmetro contnuo.

Assim, supe-se que a cada ponto t do conjunto T pode-se observar
uma varivel aleatria X
t
. Se um resultado experimental for indicado
por s, ento:
X
t
(s) para t T

A funo X
t
(s) p/ t T chamada de processo estocstico.

Tipos de Conjuntos de Tempo T
Parmetro
Discreto
Parmetro
Contnuo
Captulo 2 Processos Estocsticos 3
4 Espao de Estado de um Processo Estocstico
Uma seqncia de observaes X
t
que corresponde a um nico ponto
amostral s chamada de realizao do processo estocstico.
A amplitude de X
t
(conjunto de valores numricos que a varivel
aleatria X
t
pode assumir) chamada de espao de estado do processo
estocstico. Os valores de X
t
so denominados estados.









Exemplos: a) Medio do nvel de estoques de uma empresa.
Processo estocstico com espao de estado discreto.

b) Medio da temperatura em uma sala.
Processo estocstico com espao de estado contnuo.
0
2
4
6
8
Tempo
N

m
e
r
o

d
e

P
e
s
s
o
a
s

n
a

F
i
l
a
1a. Realizaco
2a. Realizaco
Processos
de Estado
Discreto
Contnuo
Captulo 2 Processos Estocsticos 4
Para um valor fixo de t, X
t
uma varivel aleatria que descreve o
estado do processo no tempo t.

Dada uma coleo finita de tempos t
1
, t
2
, ... t
n
, ento X
t
1
, X
t
2
, ..., X
t
n

um conjunto de n variveis aleatrias com distribuio conjunta de
probabilidade.

O objetivo do estudo de processos estocsticos determinar a
distribuio conjunta de probabilidade afim de utiliz-la para prever o
comportamento do processo no futuro, dado que um certo
comportamento no passado foi observado.


5 - Tipos Especiais de Processos Estocsticos

a) Processo Independente (Parmetro Discreto)
b) Processo Markoviano (Parmetro Discreto)
c) Processo de Poisson (Parmetro Contnuo)


Captulo 2 Processos Estocsticos 5
5.1- Processo Estocstico Independente

o processo estocstico mais simples possvel.
Seja a seqncia aleatria { X
1
, X
2
, ..., X
n
}. Ento {X
1
, X
2
, ..., X
n
}
dito ser independente se as variveis aleatrias X
1
, X
2
, , ..., X
n
forem
mutuamente independentes. Isto :

Pr[X
n
=i
n
/ X
1
=i
1
; X
2
=i
2
; ...; X
n-1
=i
n-1
] = Pr[X
n
=i
n
]

para qualquer n.


Exemplo: Lanamento de uma moeda com { X
1
, X
2
, , ..., X
n
} sendo a
seqncia de variveis aleatrias X
n
, que podem assumir, por
exemplo, o valor 0 ou 1 - dependendo do resultado do n-simo
lanamento ser cara ou coroa.
Captulo 2 Processos Estocsticos 6
5.2 - Processo Estocstico Markoviano


definido por uma seqncia aleatria { X
1
, X
2
, ..., X
n
} que tenha a
seguinte propriedade:
condicionado ao conhecimento do valor de X
n-1
(o estado atual), a
probabilidade de que X
n
(o estado futuro), assuma algum dado valor
no ser afetada pelo conhecimento dos valores de X
1
, X
2
, ..., X
n-2
(os
estados passados).
Em termos de probabilidades:

Pr[X
n
=i
n
/ X
1
=i
1
; X
2
=i
2
; ...; X
n-1
=i
n-1
] = Pr[X
n
=i
n
/ X
n-1
=i
n-1
]
para qualquer n.

Caso as probabilidades no dependam de n, ou seja, so constantes ao
longo do tempo, diz-se que o processo estacionrio. Neste caso, as
probabilidades so denominadas de probabilidades de transio de
um passo do processo. Assim:

p
ij
= Pr[X
n
=j / X
n-1
=i

] para qualquer n.

com:

1 p
j
ij
=

para cada estado i.

Captulo 2 Processos Estocsticos 7
Exemplo: Seja um processo com espao de estado constitudo de
apenas dois estados:

sucesso 0
fracasso 1

Neste caso haveriam quatro probabilidades de transio de um passo:
p
00
, p
01
, p
10
, p
11

com: p
00
+ p
01
= 1
p
10
+ p
11
= 1


5.2.1 - Conceitos Bsicos

a) Matriz de Transio
b) Vetor de Probabilidade Inicial


a) Matriz de Transio

A matriz

denominada matriz de transio de um processo estocstico
markoviano de m estados. Os elementos p
ij
so as probabilidades de
transio do sistema do estado i para o estado j. Como
j
p
ij
=1 para
cada i, a soma dos elementos de uma linha deve ser sempre 1. A
matriz de transio tambm conhecida como matriz estocstica.
(
(
(
(

=
p ... p p
... ... ... ...
p ... p p
p ... p p
P
mm 1 m 0 m
m 1 11 10
m 0 01 00
Captulo 2 Processos Estocsticos 8
Exemplo: Se o tempo de uma determinada regio pode ser
classificado como:
Estado 0 mido
Estado 1 seco
e os dados histricos dos ltimos 28 dias tabelados abaixo.
Supondo que estes dados sejam suficientes para estabelecer as
condies do tempo futuras, pode-se construir a seguinte matriz de
transio para este modelo de previso:

Ou seja, de uma amostra de 28 dias, 10 dias foram dias midos e 18
dias foram dias secos. Dos 10 dias midos, 3 foram seguidos de dias
midos (p
00
=3/10), enquanto que 7 dias foram seguidos de dias secos
(p
01
= 7/10). Dos 18 dias secos, 11 foram seguidos de dias secos (p
11
=11/17), enquanto 6 foram seguidos de dias midos (p
10
=6/17). Como
o ltimo dia da tabela no tem seu subseqente, este deve ser
desconsiderando na amostra para o estabelecimento da probabilidade
condicional.

b) Vetor de Probabilidade Inicial

O vetor p
(0)
=(p
0
, p
1
, ... , p
m
) chamado de vetor de probabilidade
inicial. Este vetor indica as probabilidades do sistema se encontrar em
cada um dos m estados quando o mesmo est no incio do processo.
Dia
Condies do
Tempo
Dia
Condies do
Tempo
Dia
Condies do
Tempo
Dia
Condies do
Tempo
1 mido 8 seco 15 mido 22 seco
2 mido 9 seco 16 seco 23 seco
3 seco 10 mido 17 seco 24 mido
4 seco 11 mido 18 mido 25 seco
5 seco 12 seco 19 seco 26 mido
6 mido 13 seco 20 seco 27 seco
7 seco 14 mido 21 seco 28 seco
(

=
(

=
17 / 11 17 / 6
10 / 7 10 / 3
p p
p p
P
11 10
01 00
Captulo 2 Processos Estocsticos 9
Exemplo: Em um determinado processo de fabricao, itens passam
por trs estgios de fabricao. Ao final de cada estgio, os itens so
submetidos a uma inspeo, podendo ou ser postos fora, ou
reconduzidos ao estgio atual para reprocessamento ou ento,
transferidos ao prximo estgio. Supondo que em cada estgio, a
probabilidade do item ser dispensado p, que seja reprocessado
q, e que seja liberado para prosseguir r, com p+q+r=1.

O processo tem 5 estados:
0 item posto fora
1 item concludo
2 item no primeiro estgio de produo
3 item no segundo estgio de produo
4 item no terceiro estgio de produo

Supondo que X
0
, X
1
, X
2
, ... , X
n
indicam o estado do item aps n
pontos de inspeo, a matriz de transio ser:

Supondo ainda que o item parta do primeiro estgio de fabricao.
Ento:

p
(0)
=(0, 0, 1, 0, 0)

|
|
|
|
|
|

\
|
=
q 0 0 r p
r q 0 0 p
0 r q 0 p
0 0 0 1 0
0 0 0 0 1
P
Captulo 2 Processos Estocsticos 10
5.2.2 - Probabilidades de Transio de n Passos

As probabilidades de transio de n passos so dadas por:

p
ij
(n)
= Pr[X
k+n
=j / X
k
=i

] p/ i , j=0,1,2,... e n 0

onde p
ij
(n)
a probabilidade de que o processo passe do estado i ao
estado j em n passos. claro que:

p
ij
(1)
= p
ij

p
i
(n)
= Pr[X
n
=i ] (probabilidade incondicional de que o processo
esteja no estado i aps n passos)












A probabilidade de ir de i para j em dois passos :

p
ir
. p
rj
= Pr[X
k+1
=r / X
k
=i

] . Pr[X
k+2
=j / X
k+1
=r

]

= Pr[X
k+2
=j ; X
k+1
=r / X
k
=i ]

no caso de um processo estacionrio:

p
(2)
ij
=
k
p
ik
. p
kj
i
1
2
r
j
Passo k
Passo k+1
Passo k+2
p
ir

p
rj

p
1j

p
2j
p
i2

p
i1

... ...
... ...
Captulo 2 Processos Estocsticos 11
Denota-se a matriz cujos elementos so p
(2)
ij
por P
(2)
. Genericamente
p
(n)
ij
por P
(n)
. Pode-se verificar que
P
(2)
= P. P = P
2

Por induo P
(n)
= P
n

Das relaes matriciais obtm-se a denominada equao de
CHAPMAN-KOLMOGOROV :

P
(n+m)
= P
(n)
. P
(m)
com P
(0)
= I

que equivalente :

p
(n+m)
ij
=
k
p
(n)
ik
. p
(m)
kj



Captulo 2 Processos Estocsticos 12
Exemplo: Acertar um alvo com um projtil disparado por um canho
depende do sucesso da primeira carga disparada. Se o tiro anterior
for certeiro, o comandante do tanque tem uma probabilidade
relativamente alta de repetir o acerto no prximo tiro. Se o tiro foi
infeliz, o alvo deve ser corrigido, e a probabilidade de acertar o
prximo tiro ser menor. Pode-se considerar este exemplo como um
processo markoviano estacionrio com espao de estado {0, 1}, onde:
sucesso 0
fracasso 1
Supondo, p
00
= 3/4, p
01
= 1/4, p
10
= 1/2 e p
11
= 1/2 e que X
n
seja
varivel aleatria que assume os valores do espao de estados no n-
simo tiro.
Ento, a matriz de transio ser dada por:

Assim, a probabilidade do 11
o
tiro acertar o alvo ser 2/3.
|
|

\
|
=
|
|

\
|
=
2 / 1 2 / 1
4 / 1 4 / 3
P
p p
p p
11 10
01 00
|
|

\
|
= =
32 / 11 32 / 21
64 / 21 64 / 43
P P
3 ) 3 (
|
|

\
|
= = =
512 / 171 512 / 341
1024 / 341 1024 / 683
P P P P
3 2 5 ) 5 (
|
|

\
|
= = =
3 3333 . 0 6 6666 . 0
3 3333 . 0 6 6666 . 0
P P P P
5 5 10 ) 10 (
|
|

\
|
= =
8 / 3 8 / 5
16 / 5 16 / 11
P P
2 ) 2 (
Captulo 2 Processos Estocsticos 13
|
|

\
|
32 / 11 32 / 21
64 / 21 64 / 43
5.2.3 - Probabilidades de Estado do n-simo Passo

Seja: p
(n)
= (p
0
(n)

, p
1
(n)

, ...

) o vetor de probabilidades de estado aps n
passos (ou transies), onde:

p
k
(n)
a probabilidade do sistema estar no estado k aps n passos.

Ento: p
k
(1)

= Pr[ X
1
=k

] =
j
Pr[ X
1
=k / X
0
=j

]. Pr[ X
0
=j ]

=
j
p
j
(0)
. p
jk


Em forma vetorial:

p/ n = 1: p
(1)
= p
(0)
. P

p/ n = 2: p
(2)
= p
(1)
. P = ( p
(0)
. P ) . P

= p
(0)
. P
2
... ... .... ... ... ....
p/ n qualquer: p
(n)
= p
(n-1)
. P ou p
(n)
= p
(0)
. P
n

Ou seja, o vetor de probabilidade aps n passos facilmente
determinado em funo do vetor de probabilidade inicial e a n-sima
potncia da matriz de transio.


Exemplo: Suponha que, no exemplo anterior, o comandante do tanque
dispara seu primeiro tiro para fins de reconhecimento e que a proba-
bilidade deste tiro acertar o alvo seja 1/4. Qual a probabilidade
dele acertar o alvo no quarto tiro?


p
0
(0)
= 1/4 ; p
1
(0)
= 3/4

p
(3)
= p
(0)
. P
3
= [ 1/4, 3/4 ] .


p
(3)
= [ 0.66 , 0.34 ]

Captulo 2 Processos Estocsticos 14
p
v
n
ij
n j
) (
lim

= == =
5.2.4 - Cadeias Ergdicas de Markov

Uma cadeia ergdica descreve matemticamente um processo no qual
possvel ir de um estado a qualquer outro da cadeia. No
necessrio que isto seja feito em apenas um passo, mas deve ser
possvel atingir qualquer estado independentemente do estado
presente.

Exemplo: Seja x = p
ij
> 0 e a matriz de transio:

uma cadeia ergdica.


5.2.4.1 Anlise do Estado de Equilbrio

Quando uma cadeia ergdica (tambm chamada de irredutvel), o
sistema pode atingir as condies de regime estacionrio (ou de
equilbrio). Este regime pode ser atingido para n relativamente grande:


onde:
v
vv
j
= probabilidade de estado de equilbrio (ou estacionrio).

A influncia do estado inicial tende a ser menor com o crescimento de
n. Desta forma,
v
vv
j
no depender de qual estado i o processo foi
|
|
|
|
|
|

\
|
=
0 0 0 x x
x 0 x 0 x
x x 0 0 0
x 0 x x 0
x x 0 x x
P
Captulo 2 Processos Estocsticos 15
p
lim v
) n (
ij
n j
=
|
|

\
|
=
2 / 1 2 / 1
4 / 1 4 / 3
P
|
|

\
|
=
2 / 1 2 / 1
4 / 1 4 / 3
. v v
iniciado. Assim P
n
convergir para uma matriz V, onde cada linha
idntica ao vetor
v
vv com componentes
v
vv
j
.
Ou seja,


onde: v = ( v
0
, v
1
, ... ).

Como V
n+1
= V
n
. P e V
n+1
= V
n
existe um vetor v tal que:

v = v . P

Teorema: Em qualquer cadeia ergdica de Markov todos os limites


existem e no dependem da situao inicial.

Exemplo: Seja a matriz de transio:



fazendo v = v . P




v
1
= v
1
. 3/4 + v
2
. 1/2
v
2
= v
1
. 1/4 + v
2
. 1/2
1 = v
1
+ v
2

v
1
= 2/3 ; v
2
= 1/3
As cadeias ergdicas podem se diferenciar em:
a) cadeias ergdicas regulares e
b) cadeias ergdicas no regulares.
|
|
|

\
|
=

...
V
v
v
P
n
n
grande
|
|

\
|
=
3 3333 . 0 6 6666 . 0
3 3333 . 0 6 6666 . 0
P
10
Captulo 2 Processos Estocsticos 16
|
|
|
|
|

\
|
=
0 x x 0
x 0 0 x
x 0 0 x
0 x x 0
P
5.2.4.2 - Cadeias Ergdicas Regulares

uma cadeia que tem uma matriz de transio P, para determinada
potncia de P, com apenas elementos positivos (ou seja, no-nulos).

Exemplos: a) Seja x = p
ij
> 0 e a matriz de transio:










Cadeia Ergdica Regular

b) Seja x = p
ij
> 0 e a matriz de transio:






Cadeia Ergdica Regular

c) Seja x = p
ij
> 0 e as matrizes de transio:



|
|
|
|
|
|

\
|
=
0 0 0 x x
x 0 x 0 x
x x 0 0 0
x 0 x x 0
x x 0 x x
P
|
|
|
|
|
|

\
|
=
x x x x x
x x 0 x x
x 0 x x x
x x x x x
x x x x x
P
2
|
|
|
|
|
|

\
|
=
x x x x x
x x x x x
x x x x x
x x x x x
x x x x x
P
4
|
|
|

\
|
=
x x 0
x 0 x
0 x x
P
|
|
|

\
|
=
x x x
x x x
x x x
P
2
|
|
|
|
|

\
|
=
0 x x 0
x 0 0 x
0 x x 0
0 x 0 x
P
Captulo 2 Processos Estocsticos 17
5.2.4.3 - Cadeias Ergdicas No Regulares

As cadeias ergdicas cuja matriz de transio P no tm todos os
elementos estritamente positivos para uma potncia qualquer de P, so
denominadas de cadeias ergdicas no regulares.
Exemplo: Suponha que se tenha um equipamento que pode estar em
uma dentre trs condies: (a) funcionamento, (b) em reparo, ou (c)
inoperante aguardando por trabalho. Esse equipamento observado
somente quando da mudana de estados. Seja X
n
=0 caso a n-sima
mudana de estado o coloque em condies de funcionamento; X
n
=1,
caso a n-sima mudana de estado o coloque em uma condio de
reparo; e X
n
=2, caso a n-sima mudana de estado o coloque
inoperante. Uma hiptese possvel que, se o equipamento estiver
parado para reparo, a mudana de estado seguinte deve ser no
sentido de uma condio de funcionamento. Se o equipamento estiver
inoperante, a mudana de estado seguinte o colocar em uma
condio de funcionamento. Contudo se estiver funcionando, poder
mudar para uma condio inoperante ou quebrar e ser posto em
condies de reparo. Supondo que estas duas possibilidades sejam
igualmente provveis, tem-se a seguinte matriz de transio:
(
(
(

=
0 0 1
0 0 1
0
2
1
2
1
P
(
(
(

=
2
1
2
1
2
1
2
1
2
0
0
0 0 1
P
(
(
(

=
0 0 1
0 0 1
0
2
1
2
1
3
P
(
(
(

=
2
1
2
1
2
1
2
1
4
0
0
0 0 1
P
Nota-se que esta cadeia apresenta um comportamento peculiar: se o
processo iniciar no estado 0, s ser possvel retornar ao estado 0
aps um nmero par de passos. Ou seja, o tempo entre visitas ao
estado 0 demonstra uma periodicidade de 2 passos.
Qualquer cadeia de Markov que apresenta este comportamento
recebe a denominao de Cadeia Markoviana Peridica com Perodo
2. Esta peculiaridade pode se observada para cadeias com
periodicidade qualquer, ou seja, com perodo 3, 4, 5 etc.
Captulo 2 Processos Estocsticos 18
5.2.5 - Cadeias Absorventes de Markov

Uma cadeia de Markov absorvente se:

1. tem pelo menos um estado absorvente, isto , se contm pelo
menos um estado cuja probabilidade de sada do estado zero;
2. e possvel ir de qualquer estado no absorvente para pelo
menos um estado absorvente.

A anlise de cadeias absorventes de Markov permite determinar:

1) o nmero esperado de transies antes do processo ser absorvido;

2) o nmero esperado de vezes que o processo se encontra em qual-
quer estado no aborvente;

3) a probabilidade de absoro por qualquer estado absorvente.

Para estas grandezas poderem ser determinadas necessrio inicial-
mente reorganizar a matriz de transio em 4 submatrizes:
onde:

I matriz identidade indicando as probabilidades de se permanecer
num estado absorvente.
0 matriz nula
A matriz com as probabilidades de se ir de um estado no absor-
vente para um estado absorvente.
N matriz de probabilidades de transio de estados no absorventes
para estados no absorventes (em uma transio).
|
|

\
|
=
N A
0 I
P
Captulo 2 Processos Estocsticos 19
Da mesma forma que foi verificado para P, tem-se que

N
1
(probabilidades de transio em um passo);
N
2
(probabilidades de transio em dois passos);
N
3
(probabilidades de transio em trs passos);
....
N
n
(probabilidades de transio em n passos);
e N
0
probabilidades de estar-se exatamente agora em um es-
tado (isto , conhecido). Portanto, N
0
= I

Ento, o nmero de transies que o processo se encontra em um
estado no absorvente j ser a soma dos termos:

= 1 a probabilidade de se estar em j no incio do processo +
1 a probabilidade de se estar em j aps 1 passo +
1 a probabilidade de se estar em j aps 2 passos +
...

= N
0
+ 1 N
1
+ 1 N
2
+ 1 N
3
+ ... + ...
= N
0
+ N
1
+ N
2
+ N
3
+ ... + = (I-N)
1
Captulo 2 Processos Estocsticos 20
Para determinar a probabilidade de absoro de um determinado
estado absorvente j, dado que o processo iniciou no estado i (passando
por qualquer outro estado no absorvente k), a anlise semelhante
anterior:

A probabilidade do processo terminar em j
= a probabilidade de ir de i para j em um passo +
a probabilidade de ir de i para j em dois passos +
a probabilidade de ir de i para j em trs passos +
...

= A (em um passo i j ) +
NA (probabilidade de ir de i k em 1 passo a probabi-
lidade de ir de k j em 1 passo) +
N
2
A (probabilidade de ir de i k em 2 passos a probabi-
lidade de ir de k j em um passo) +
N
3
A (probabilidade de ir de i j em 4 passos
...
N
n-1
A (probabilidade de ir de i j em n passos

= A + NA + N
2
A + N
3
A + ... + N
n-1
A
= IA + NA + N
2
A + N
3
A + ... + N
n-1
A
= (I + N + N
2
+ N
3
+ ... + N
n-1
) A

= (I-N)
-1
A
Captulo 2 Processos Estocsticos 21
5.3 - Processo de Poisson

um processo de parmetro contnuo, ou seja o tempo decorrido no
mais medido na formas de passos (ou transies) mas sim
diretamente numa escala real.

Exemplo: Um engenheiro de telecomunicaes faz um levantamento
das demandas de servio nas linhas longa distncia entre duas
cidades durante o perodo das 9:00 s 10:00 horas de cada dia til.
Nestas observaes ele verifica que:
(a) a distribuio do nmero de chamadas recebidas durante
qualquer intervalo de tempo parece depender somente da durao do
intervalo de tempo; quanto maior o intervalo, maior tende a ser o
nmero de chamadas;
(b) as chamadas telefnicas parecem chegar independentemente, ou
seja, um excesso ou deficincia acidental em algum intervalo de
tempo no exerce nenhum efeito sobre o nmero de chamadas
ocorridas durante qualquer outro intervalo;
(c) a probabilidade de duas ou mais chamadas ocorrerem durante um
intervalo de tempo pequeno muito pequena quando comparada
probabilidade de uma nica chamada ocorrer neste intervalo.
Captulo 2 Processos Estocsticos 22
Estas observaes levam o engenheiro formular algumas suposies
em torno de sua experincia aleatria:

Em relao observao (a):

A probabilidade de se receber n chamadas durante um intervalo de
tempo de durao t depende somente da durao de t, e no dos
pontos iniciais e finais do intervalo.








Seja p
n
(t) a probabilidade de serem recebidas n chamadas, com
n=0,1,2,... num intervalo t qualquer. Ento:










Alm disso, supe-se que p
n
(t) seja contnua e diferencivel para
0 t < .
Tempo
t
0 n 0 ) 0 ( p
1 ) 0 ( p
com 0 ) t ( p
n
0
n
> =
=

0 t cada para 1 ) t ( p
0 n
n
> =

=
Captulo 2 Processos Estocsticos 23
Em relao observao (b):

Sejam dois intervalos de tempo sucessivos sem superposio. Neste
caso, supe-se que os eventos k chamadas no primeiro intervalo e
(n-k) chamadas no segundo intervalo sejam independentes, e que,
portanto, a probabilidade de que ambos ocorram de:








Ento a probabilidade de n chamadas chegarem durante o intervalo de
tempo de durao (t+) dada pela soma de todos os k n:













) ( p ). t ( p
k n k

Tempo
t
+ = + ) ( p ). t ( p ) t ( p
n o n
+

) ( p ). t ( p
1 n 1
+

) ( p ). t ( p
2 n 2

) ( p ). t ( p
0 n

=
n
0 k
k n k
) ( p ). t ( p
Captulo 2 Processos Estocsticos 24
0
t
) t ( p
lim ) 0 ( ' p
n
0 t n
= =

Em relao observao (c):

Tanto

quanto para t=0


Porm, em t=0, tem derivada positiva:


com >0



para n > 1
P
n
(t)
tempo
n=0
n=1
n=3
n=2

n=2..
P
n
(t)

-
0 ) t ( p
1
=
0 ) t ( p ) t ( p 1 ) t ( p
1
2 n
0 n
= =

=
) t ( p
1

= =

t
) t ( p
lim ) 0 ( ' p
1
0 t 1
0 ) t ( p
t
1
lim
t
) t ( p
2 n
n 0 t
0 t
2 n
n
= =

Captulo 2 Processos Estocsticos 25

=
=
2 n
n 1 0
) t ( p ) t ( p 1 ) t ( p
) t ( ' p
n

= +
n
0 k
k n k n
) ( p ). t ( p ) t ( p
0 ) 0 ( ' p
k n
=

+ = ) 0 ( ' p ). t ( p ) t ( ' p
n 0 n
) t ( p . ) t ( p . ) t ( ' p
1 n n n
+ =
) t ( p . ) t ( ' p
0 0
=
Sabe-se que


Derivando em relao a t :



Porm como determinar ?


Usando


e derivando em relao a e fazendo =0:

porm , menos para k=n e k=n-1

Ento:











= = ) 0 t ( ' p
0

=
=
2 n
n 1 0
) t ( p
dt
d
) t ( ' p 0 ) t ( ' p

=
n
0 k
k n k n
) 0 ( ' p ). t ( p ) t ( ' p
+

) 0 ( ' p ). t ( p
1 n 1
+

) 0 ( ' p ). t ( p
2 n 2

+

) 0 ( ' p ). t ( p
1 1 n
) ).( t ( p ). t ( p ) 0 ( ' p ). t ( p
n 1 n 0 n
+ =

Captulo 2 Processos Estocsticos 26

1 ) 0 ( p
0
=
0 ) 0 ( p
n
=
) t ( p . ) t ( ' p
0 0
=
sistema de equaes diferenciais para as funes p
n
(t), que so
desconhecidas, mas com condies iniciais:



p/ n 1


para n = 0:



para n = 1:


para n > 1: substituir p
1
(t) e resolver. A soluo geral :





Distribuio de Poisson, que fornece a probabilidade do nmero
de chamadas no tempo t. A mdia e a varincia .

Todo processo que satistaa as observaes (a), (b) e (c)
denominado de Processo de Poisson. Este modelo permite ao
engenheiro inferir e calcular probabilidades para o processo, como por
exemplo:
Qual o nmero mdio de chamadas/minuto?
Qual a probabilidade de mais de 10 chamadas serem recebidas
ao longo de um perodo de 3 minutos?
Estas respostas podem auxiliar a deciso ou no de se aumentar o
nmero de linhas de uma determinada regio.

t
0
e ) t ( p

=
t
0
e ) t ( ' p

=
t
1 1
e . ) t ( p . ) t ( ' p



+ = t . e ) t ( p
t
1


=
! n
) t .( e
) t ( p
n t
n


= == =
Captulo 2 Processos Estocsticos 27
Observao com Relao ao Tempo entre Ocorrncias


O evento nenhuma chamada nos primeiros t
1
minutos tem
probabilidade:




a qual igual ao evento a primeira chamada ocorre aps o tempo
t
1
.







Se T uma varivel aleatria que apresenta o tempo de 0 (zero)
primeira chamada, tem-se que:




Logo:


a funo de distribuio da varivel T, cuja funo densidade de
probabilidade dada por:




Esta funo corresponde funo densidade de probabilidade
exponencial cuja expectncia 1/.

1 11 1

0 00 0
t
e ) t ( p

= == =
n=0
t
0 t
1

1 11 1

1 11 1
t
e ] t T Pr[

= == = > >> >
1 11 1

1 11 1
1 11 1
t
e ] t T Pr[

= == =
1 11 1


t
e ) t ( f

= == =