Processos Estocásticos - Função Media, Autocorrelação, Variância e Covariância

Processos estocásticos
Disciplina ofertada pelo DECAT/UFS
Código: ESTAT0077
Nı́vel: Graduação
Carga horária: 60h
Perı́odo: 2020.2
Professor responsável e ministrante: Luiz Henrique Dore
Aula 4: funções média, de autocorrelação e

de autocovariância
Informações sobre a aula
Introdução
Aula 4
Referências
Sumário
1 Informações sobre a aula

Metas
Objetivos
Pré-requisitos
2 Introdução
3 Aula 4
Tópico 7: função média
Tópico 8: função de autocorrelação
Tópico 9: função de autocovariância
4 Referências
Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Metas
Introdução
Objetivos
Aula 4
Pré-requisitos
Referências
Metas
1 Introduzir a função média, a função de autocorrelação, a função

de autocovariância, a função de variância e o coeficiente de
autocorrelação.

Metas
Introdução
Objetivos
Aula 4
Pré-requisitos
Referências
Objetivos
Após estudar essa aula, o aluno ou aluna será capaz de:

1 definir e interpretar a função média, a função de autocorrelação,
a função de autocovariância, a função de variância e o coeficiente
de autocorrelação;
2 calcular essas quantidades em situações simples.

Metas
Introdução
Objetivos
Aula 4
Pré-requisitos
Referências
Pré-requisitos
1 Aula 2.

Introdução
Aula 4
Referências
Introdução
Conforme visto na aula 2, um processo estocástico pode ser

definido como um conjunto {X (t), t ≥ 0}, cujos elementos são
variáveis aleatórias unicamente identificadas por um ı́ndice t.
Os processos estocásticos podem ser utilizados como modelos
para fenômenos, cujas observações apresentam algum tipo de
interdependência como, por exemplo, uma interdependência
temporal; nesse contexto, o ı́ndice t é referido como tempo.
Estudar uma variável aleatória significa estudar sua distribuição
de probabilidade.
Isso também vale para um processo estocástico.
A distribuição de probabilidade de um processo estocástico é
determinada pela distribuição de ordem k do processo.

Introdução
Aula 4
Referências
Introdução
A distribuição de ordem k de um processo estocástico é a

distribuição de probabilidade conjunta do processo estocástico
em k instantes de tempo distintos.
A distribuição de probabilidade de ordem k de um processo
estocástico pode ser especificada a partir da sua função de
distribuição de ordem k (ver definição 4, aula 2).
Se o espaço de estados do processo é discreto, sua distribuição
de ordem k pode ser especificada a partir da sua função de
probabilidade de ordem k (ver definição 6, aula 2).
Se o espaço de estados do processo é contı́nuo, sua distribuição
de ordem k pode ser especificada a partir da sua função de
densidade probabilidade de ordem k (ver definição 6, aula 2).

Introdução
Aula 4
Referências
Introdução
Três caracterı́sticas relacionadas à distribuição de ordem k de

um processo, bastante importantes no contexto dos processos
estocástico, são a função média, a função de autocovariância e
a função de autocorrelação.
Na presente aula, são apresentadas definições para as funções
média, de autocovariância e de autocorrelação.
São apresentadas também algumas propriedades dessas funções
e alguns exemplos envolvendo o cálculo e a interpretação dessas
funções .
A presente aula trata também de uma função denominada
coeficiente de correlação, a qual quantifica o grau de associação
linear entre o processo estocástico em dois instantes distintos
de tempo.
Introdução
Aula 4
Referências
Definição 1
A função média, no tempo t, de um processo estocástico

{X (t), t ≥ 0} é definida como [1, p. 49]
mX (t) = E [X (t)].
A função média é, simplesmente, a função que retorna a média

do processo num instante qualquer de tempo.
A função média é uma caracterı́stica associada à distribuição
de ordem 1 do processo estocástico.
A fórmula da função média depende da natureza do espaço de
estados SX (t) do processo estocástico.

Introdução
Aula 4
Referências
Se SX (t) é discreto, então X

mX (t) = x · p(x; t),
x∈SX (t)
onde p(x; t) é a função de probabilidade de ordem 1 do processo.

Se SX (t) é contı́nuo, então
Z ∞
mX (t) = x · f (x; t)dx,
−∞
onde f (x; t) é a função de densidade de ordem 1 do processo.
Exemplo 1
Seja {Xn , n = 0, 1, 2, · · · } o passeio aleatório, descrito no

exemplo 1 da aula 2.

Introdução
Aula 4
Referências
Continuação do exemplo 1
Se os arremessos da moeda são independentes, então a função
de probabilidade de ordem 1, no tempo 2, é dada por

 2p(1 − p) se x = 0;
 2
p se x = 2;
p(x; 2) ≡ P[X2 = x] = 2

 (1 − p) se x = −2.
0 outros casos,
onde p := P[{Coroa}] (ver exemplo 13, aula 2). Portanto, o
valor a função média em t = 2 é
P
mX (2) = E [X2 ] = x2 P[X2 = x2 ] =
x2 ∈SX2
= −2 · P[X2 = −2] + 0 · P[X2 = 0] + 2 · P[X2 = 2] =

= −2 · (1 − p)2 + 0 · 2p(1 − p) + 2 · p 2 = 2(2p − 1).

Introdução
Aula 4
Referências
Exemplo 2
Seja {Xn , n = 0, 1, · · · } a cadeia de Ehrenfest, descrita no

exemplo 4 da aula 2. Se d = 10 e X0 = 4, a função de
probabilidade de ordem 1, no tempo 1, é (exemplo 14, aula 2)

4/10, se x1 = 3;
p(x1 ; 1) = P[X1 = x1 ] =
6/10, se x1 = 5;
Portanto, o valor a função média em t = 1 é
P
mX (1) = E [X1 ] = x1 P[X1 = x1 ] =
x1 ∈SX1
= 3 · P[X1 = 1] + 5 · P[X1 = 5]
4 6 42
=3· 10 +5· 10 = 10 = 4, 2.

Introdução
Aula 4
Referências
Exemplo 3

exemplo 4 da aula 2. Se d = 10 e X0 = 4, a função de
probabilidade de ordem 1, no tempo 2, é (exemplo 14, aula 2)
12/100, se x2 = 2;
(
p(x2 ; 2) = P[X2 = x2 ] = 58/100, se x2 = 4;
30/100, se x2 = 6.
Portanto, o valor a função média em t = 2 é
P
mX (2) = E [X2 ] = x2 P[X2 = x2 ] =
x2 ∈SX2
= 2 · P[X2 = 2] + 4 · P[X2 = 4] + 6 · P[X2 = 6] =

12 58 30 436
=2· 100 +4· 100 +6· 100 = 100 = 4, 36.

Introdução
Aula 4
Referências
Exemplo 4
Seja {X (t), t ≥ 0} o processo estocástico descrito no exemplo

15 da aula 2. A função de densidade de probabilidade de ordem
1, no tempo t, é (ver exemplo 15, aula 2)

1/x se t < x < te;
f (x; t) =
0 caso contrário.
Portanto, a função média é
Z ∞ Z te
1
mX (t) = E [X (t)] = x · f (x; t)dx = x · dx =
−∞ t x
Z te
= 1 · dx = te − t = t(e − 1).
t

Introdução
Aula 4
Referências
Exemplo 5
Seja {Xn , n = 0, 1, 2, · · · } o passeio aleatório, descrito nos

exemplo 1 da aula 2. Para cada, n ∈ {1, 2, · · · }, seja Yn
a variável que corresponde ao deslocamento da partı́cula que
resulta do n-ésimo lançamento da moeda. Isto é,

−1 se a face da moeda é cara;
Yn =
1 se a face da moeda é coroa.
Para cada n ∈ {1, 2, · · · }, a posição Xn da partı́cula, após n
arremessos da moeda pode, é a soma dos deslocamentos em
cada arremesso. Isto é,
Xn = Y1 + Y2 + · · · + Yn .

Introdução
Aula 4
Referências
Fazendo p = P[{Coroa}], tem-se que

1 − p se yn = −1;
P[Yn = yn ] =
p se yn = 1.
Portanto,
E [Yn ] = −1 · (1 − p) + 1 · p = 2p − 1
e a função média do passeio aleatório é
mx (n) = E [Xn ] = E [Y1 + Y2 + · · · + Yn ] =
= E [Y1 ] + E [Y2 ] + · · · + E [Yn ] = n(2p − 1).
Em particular, mX (2) = 2(2p − 1), como no exemplo 1.

Introdução
Aula 4
Referências
Definição 2
A função de autocorrelação, nos tempos t1 e t2 , de um processo

estocástico {X (t), t ≥ 0} é definida como [1, p. 49]
RX (t1 , t2 ) = E [X (t1 )X (t2 )].
A função de autocorrelação é a média do produto do processo

estocástico em dois instantes de tempo distintos.
A função de autocorrelação é uma caracterı́stica associada à
distribuição de ordem 2 do processo estocástico.
A fórmula da função autocorrelação depende da natureza do
espaço de estados SX (t) do processo estocástico.

Introdução
Aula 4
Referências
Se SX (t) é discreto, então

X X
RX (t1 , t2 ) = x1 x2 · p(x1 , x2 ; t1 , t2 ),
x1 ∈SX (t1 ) x2 ∈SX (t2 )
onde p(x1 , x2 ; t1 , t2 ) é a função de probabilidade de ordem 2.

Z ∞Z ∞
mX (t) = x1 x2 · f (x1 , x2 ; t1 , t2 )dx1 dx2 ,
−∞ −∞
onde f (x1 , x2 ; t1 , t2 ) é a função de densidade de ordem 2.
Exemplo 6
Experimentos independentes, do tipo sucesso/fracasso, para

os quais a probabilidade de sucesso é a mesma em cada
experimento, são experimentos de Bernoulli [1, p. 51].
Introdução
Aula 4
Referências
Por exemplo, pode-se lançar um dado um número indefinido de
vezes, de maneira independente, e definir o sucesso como sendo
o número “6”. Um processo de Bernoulli é uma sequência
{X1 , X2 , · · · } de variáveis aleatórias de Bernoulli associadas
a experimentos de Bernoulli. Isto é, Xk = 1 se o k-ésimo
experimento é um sucesso e Xk = 0 caso contrário. A função
de probabilidade de ordem 1, no tempo k, é

1 − p se x = 0;
p(x; k) ≡ P[Xk = x] =
p se x = 1,
onde p é a probabilidade de sucesso. Logo, a função média é
mX (k) = E [Xk ] = 0 · (1 − p) + 1 · p = p.

Introdução
Aula 4
Referências
Se k1 6= k2 , então

1 se Xk1 = Xk2 = 1;
Xk1 Xk2 =
0 caso contrário.
Como Xk1 e Xk2 são independentes, tem-se que
P[Xk1 = 1, Xk2 = 1] = P[Xk1 = 1]P[Xk2 = 1] = p 2 .

Portanto,
p2

se x = 1;
P[Xk1 Xk2 = x] = 2
1 − p se x = 0,

Introdução
Aula 4
Referências
Logo, se k1 6= k1 , a função de autocorrelação em k1 e k2 é
RX (k1 , k2 ) = E [Xk1 Xk2 ] = 0 · (1 − p 2 ) + 1 · p 2 = p 2 .
Se k1 = k2 = k, então Xk1 Xk2 = Xk2 . Como Xk só pode assumir
os valores 0 ou 1, tem-se que Xk2 = Xk . Logo, se k1 = k2 = k,
RX (k1 , k2 ) = RX (k, k) = E [Xk2 ] = E [Xk ] = p.
Portanto, a função de autocorrelação em k1 e k2 é
2
p se k1 6= k2 ;
RX (k1 , k2 ) =
p se k1 = k2 .

Introdução
Aula 4
Referências
Exemplo 7
Seja {Xn , n = 0, 1, · · · } a cadeia de Ehrenfest, no exemplo 4

da aula 1. Se d = 10 e X0 = 4, a função de probabilidade de
ordem 2, nos tempos 1e 2, é (exemplo 14, aula 2)

 12/100, se x1 =3 e x2 = 2;
28/100, se x1 =3 e x2 = 4;

p(x1 , x2 ; 1, 2) =

 30/100, se x1 =5 e x2 = 4;
30/100, se x1 =5 e x2 = 6.

Portanto, a função de autocorrelação nos tempos 1 e 2 é

P P
RX (1, 2) = x1 x2 · p(x1 , x2 ; 1, 2) =
x1 ∈SX1 x2 ∈SX2
= 3 · 2p(3, 2; 1, 2) + 3 · 4p(3, 4; 1, 2) + 5 · 4p(5, 4; 1, 2) + 5 · 6p(5, 6; 1, 2) =

12 28 30 30 1.908
=6· 100
+ 12 · 100
+ 20 · 100
+ 30 · 100
= 100
= 19, 08.

Introdução
Aula 4
Referências
Exemplo 8
Seja {X (t), t ≥ 0} o processo no exemplo 15 da aula 2. A

variável aleatória X (t) é definida como X (t) = e Y t. Logo,
X (t1 ) · X (t2 ) = (e Y t1 )(e Y t2 ) = t1 · t2 · e 2Y .
Daı́, obtém-se
RX (t1 , t2 ) = E [X (t1 )X (t2 )] = E [t1 t2 e 2Y ] = t1 t2 E [e 2Y ].
Como Y ∼ U(0, 1), tem-se que
R∞ R1
E [e 2Y ] = −∞
e 2y · fY (y )dy = 0
e 2y · 1 · dy = 21 e 2y =
= 12 (e 2 − 1)
t1 t2 2
Portanto, RX (t1 , t2 ) = 2 (e − 1).

Introdução
Aula 4
Referências
Definição 3
A função de autocovariância, nos tempos t1 e t2 , de um

processo estocástico {X (t), t ≥ 0} é definida como
CX (t1 , t2 ) = Cov [X (t1 ), X (t2 )]
= E [(X1 − mX (t1 )) (X2 − mX (t2 ))]
A função de autocovariância, nos tempos t1 e t2 , é a covariância

entre X (t1 ) e X (t2 ).
A função de autocovariância, nos tempos t1 e t2 , é a covariância
do processo, no tempo t1 , com ele próprio, no tempo t2 .
A função de autocovariância é uma caracterı́stica associada à
distribuição de ordem 2 do processo estocástico.
Introdução
Aula 4
Referências

P P
CX (t1 , t2 ) = (x1 − mX (t1 ))(x2 − mX (t2 )) · p(x1 , x2 ; t1 , t2 ),
x1 ∈SX (t1 ) x2 ∈SX (t2 )
onde p(x1 , x2 ; t1 , t2 ) é a função de probabilidade de ordem 2.

R∞ R∞
CX (t1 , t2 ) = −∞ −∞ (x1 − mX (t1 ))(x2 − mX (t2 )) · f (x1 , x2 ; t1 , t2 )dx1 dx2 ,
onde f (x1 , x2 ; t1 , t2 ) é a função de densidade de ordem 2.

Pode-se mostrar que a função de autocovariância pode ser
escrita, em termos das funções média e de autocorrelação, da
seguinte maneira [1, p. 49]
CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ). (1)

Introdução
Aula 4
Referências
Exemplo 9
No exemplo 6, viu-se que a função média de um processo de

Bernoulli, com probabilidade de sucesso p, é
mX (k) = E [Xk ] = 0 · (1 − p) + 1 · p = p
e que a função de autocorrelação é
2
6 k2 ;
p se k1 =
RX (k1 , k2 ) =
p se k1 = k2 .
Utilizando esses resultados e a fórmula (1), obtém-se

0 se k1 6= k2 ;
CX (k1 , k2 ) =
p(1 − p) se k1 = k2 .

Introdução
Aula 4
Referências
Exemplo 10

da aula 1. Nos exemplos 2, 3 e 7 da presente aula, viu-se que
42 436 1908
mX (1) = , mX (2) = e RX (1, 2) = .
10 100 100
CX (1, 2) = RX (1, 2) − mX (1)mX (2) =
1.908 42 436
= − · =
100 10 100
768
= = 0, 768.
1.000

Introdução
Aula 4
Referências
Exemplo 11
Seja {X (t), t ≥ 0} o processo no exemplo 15 da aula 2. Nos

exemplos 4 e 8 da presente aula, viu-se que
t1 t2 2
mX (t) = t(e − 1) e (e − 1).
RX (t1 , t2 ) =
2
CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ) =
t1 t2 2
= (e − 1) − t1 t2 (e − 1)2 =
2
t1 t2
= (e − 1)(3 − e)
2

Introdução
Aula 4
Referências
Definição 4
A função de variância, no tempos t, de um processo estocástico

{X (t), t ≥ 0} é definida como
h i
VX (t) = Var [X (t)] = E (X − mX (t))2 .
A função de variância é, simplesmente, a função que retorna a

variância do processo num instante de tempo qualquer.
A função de variância é uma caracterı́stica associada à distribuição
de ordem 1 do processo estocástico.
A fórmula da função média depende da natureza do espaço de
estados SX (t) do processo estocástico.
Introdução
Aula 4
Referências

X
VX (t) = (x − mX (t))2 · p(x; t),
x∈SX (t)
onde p(x; t) é a função de probabilidade de ordem 1 do processo.
Z ∞
VX (t) = (x1 − mX (t1 ))2 · f (x; t)dx,
−∞
onde f (x; t) é a função de densidade de ordem 1 do processo.
É fácil ver que a função de variância, no tempo t, é igual
à função de autocovariância, calculada em dois instantes de
tempos iguais a t. Isto é, VX (t) = CX (t, t) [1, p. 50]. Logo, a
função de variância pode ser escrita como
VX (t) = CX (t, t) = RX (t, t) − mX (t)mX (t) = E [X (t)2 ] − mX (t)2 . (2)

Introdução
Aula 4
Referências
Exemplo 12
Seja {Xn , n = 0, 1, 2, · · · } o passeio aleatório, descrito no

exemplo 1 da aula 2. No exemplo 1, viu-se que
mx (2) = 2(2p − 1).
A partir da função de probabilidade de ordem 1 no tempo 2,
que se encontra no exemplo 1, obtém-se
RX (2, 2) = E [X22 ] = x22 P[X2 = x2 ] =
P
x2 ∈SX2
= 4 · (1 − p)2 + 0 · 2p(1 − p) + 4 · p 2 = 4(2p 2 − 2p + 1).

Utilizando esses resultados e a fórmula 2, tem-se que
VX (2) = RX (2, 2) − mX (2)2 = 4(2p 2 − 2p + 1) − 4(2p − 1)2 = 8p(1 − p).

Introdução
Aula 4
Referências
Exemplo 13

exemplo 4 da aula 2. No exemplo 2, viu-se que, se d = 10
e X0 = 4, então mX (1) = 42/10. A partir da função de
probabilidade de ordem 1 no tempo 1, que se encontra no
exemplo 2, obtém-se
RX (1, 1) = E [X12 ] = x12 P[X1 = x1 ] =
P
x1 ∈SX1
= 32 · P[X1 = 1] + 52 · P[X1 = 5]
4 6 186
=9· 10 + 25 · 10 = 10 = 18, 6.
186 42 2 96
VX (1) = RX (1, 1) − mX (1)2 =

10 − 10 = 100 = 0, 96.

Introdução
Aula 4
Referências
Exemplo 14

exemplo 4 da aula 2. No exemplo 3, viu-se que, se d = 10
e X0 = 4, então mX (2) = 436/100. A partir da função de
probabilidade de ordem 1 no tempo 2, que se encontra no
exemplo 3, obtém-se
RX (2, 2) = E [X22 ] = x22 P[X2 = x2 ] =
P
x2 ∈SX2
= 22 · P[X1 = 2] + 42 · P[X1 = 4] + 62 · P[X2 = 6]

12 58 30 2.056
=4· 100 + 16 · 100 + 36 · 100 = 100 = 20, 56.
2.056 436 2 15.504
VX (2) = RX (2, 2) − mX (2)2 =

100 − 100 = 10.000 = 1, 5504.

Introdução
Aula 4
Referências
Exemplo 15
Seja {X (t), t ≥ 0} o processo no exemplo 15 da aula 2. No

exemplo 8, viu-se que CX (t1 , t2 ) = t12t2 (e − 1)(3 − e). Utilizando
2
esse resultado e a fórmula 2, tem-se que VX (t) = t2 (e − 1)(3 − e).
Exemplo 16
No exemplo 9, viu-se que a função de autocovariância de um

processo de Bernoulli, com
probabilidade de sucesso p, é
0 6 k2 ;
se k1 =
CX (k1 , k2 ) =
p(1 − p) se k1 = k2 .
Utilizando esse resultado e a fórmula 2, tem-se que
VX (k) = CX (k, k) = p(1 − p).

Introdução
Aula 4
Referências
Exemplo 17
Seja {Xn , n = 0, 1, 2, · · · } o passeio aleatório, descrito nos

exemplo 1 da aula 2. No exemplo 5, viu-se que Xn pode ser
escrita como
Xn = Y1 + Y2 + · · · + Yn .
onde Y1 , · · · , Yn são variáveis aleatórias independentes tais que

1 − p se y = −1;
P[Yn = y ] =
p se y = 1.
Como Y1 , · · · , Yn são independentes, tem-se que
VX (n) = Var [Xn ] = Var [Y1 + · · · + Yn ] =
= Var [Y1 ] + · · · + Var [Yn ].

Introdução
Aula 4
Referências
Sabe-se que Var [Yn ] = E [Yn2 ] − (E [Yn ])2 . Conforme visto no
exemplo 5, E [Yn ] = 2p − 1. Além disso, como Yn só pode assumir
os valores 1 ou -1, tem-se que P[Yn2 = 1] = 1. Logo, E [Yn2 ] = 1 e
Var [Yn ] = E [Yn2 ] − (E [Yn ])2 = 1 − (2p − 1)2 = 4p(1 − p).
Dessa forma, conclui-se que
VX (n) = Var [Xn ] = Var [Y1 ] + · · · + Var [Yn ] = n4p(1 − p).
Em particular, se n = 2, então
VX (n) = VX (2) = 8p(1 − p),
como no exemplo 12.

Introdução
Aula 4
Referências
Definição 5
O coeficiente de autocorrelação, nos tempos t1 e t2 , de um

processo estocástico {X (t), t ≥ 0} é definido como [1, p. 49]
CX (t1 , t2 ) CX (t1 , t2 )
ρX (t1 , t2 ) = p =p .
VX (t1 )VX (t2 ) CX (t1 , t1 )CX (t2 , t2 )
O coeficiente de autocorrelação, nos tempos t1 e t2 , corresponde

ao coeficiente correlação entre X (t1 ) e X (t2 ).
O coeficiente de autocorrelação mede o grau de associação
linear do processo estocástico, num tempo t1 , com o próprio
processo, num tempo t2 6= t1 .
Introdução
Aula 4
Referências
Exemplo 18

da aula 1. Nos exemplos 10, 13 e 14, viu-se que
768 86 15.504
CX (1, 2) = , VX (1) = e VX (2) = .
1000 100 10.000
O coeficiente de autocorrelação, nos tempos 1 e 2, é
CX (1, 2) 768/1.000
ρX (1, 2) = p =p =
VX (1)VX (2) 86/100 · 15.504/10.000
768
=√ ≈ 0, 6651.
86 · 15.504

Introdução
Aula 4
Referências
Exemplo 19
Seja {X (t), t ≥ 0} o processo no exemplo 15 da aula 2. Nos

exemplos 11 e 15 , viu-se que
t1 t2 t2
CX (t1 , t2 ) = (e − 1)(3 − e) e VX (t) = (e − 1)(3 − e).
2 2
O coeficiente de autocorrelação, nos tempos t1 e t2 , é
CX (t1 , t2 )
ρX (t1 , t2 ) = p =
VX (t1 )VX (t2 )
t1 t2
2 (e − 1)(3 − e)
=q = 1.
t12 t22
2 (e − 1)(3 − e) · 2 (e − 1)(3 − e)

Introdução
Aula 4
Referências
Exemplo 20
O processo estocástico {Yn , n = 0, 1, 2, · · · } é dito ser um ruı́do

branco se ele satisfaz as seguintes condições:
1 mY (n) = 0;
2 VY (n) = σ 2 , onde σ 2 > 0 é uma constante;
3 Se m 6= n, então Ym e Yn são independentes.
Seja {Yn , n = 0, 1, 2, · · · } um ruı́do branco. O processo
estocástico {Xn , n = 1, 2, · · · } definido como
Xn = µ + αYn−1 + Yn .
é um processo de médias móveis de ordem 1. O arquivo
mediasMoveis.pdf, na pasta da presente aula, contém os
cálculos de mX (n), RX (m, n), CX (m, n) e ρX (m, n).

Introdução
Aula 4
Referências
Referências I
[1] M. Lefebvre, Applied stochastic processes, Springer, New York,

NY, EUA, 2007.

Processos Estocásticos - Função Media, Autocorrelação, Variância e Covariância

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Processos Estocásticos - Função Media, Autocorrelação, Variância e Covariância

Enviado por

Direitos autorais:

Formatos disponíveis

Processos estocásticos

Disciplina ofertada pelo DECAT/UFS

Aula 4: funções média, de autocorrelação e

1 Informações sobre a aula

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

1 Introduzir a função média, a função de autocorrelação, a função

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Após estudar essa aula, o aluno ou aluna será capaz de:

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Conforme visto na aula 2, um processo estocástico pode ser

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

A distribuição de ordem k de um processo estocástico é a

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Três caracterı́sticas relacionadas à distribuição de ordem k de

Tópico 7: função média

A função média, no tempo t, de um processo estocástico

A função média é, simplesmente, a função que retorna a média

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

Se SX (t) é discreto, então X

onde p(x; t) é a função de probabilidade de ordem 1 do processo.

Seja {Xn , n = 0, 1, 2, · · · } o passeio aleatório, descrito no

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

= −2 · P[X2 = −2] + 0 · P[X2 = 0] + 2 · P[X2 = 2] =

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

Seja {Xn , n = 0, 1, · · · } a cadeia de Ehrenfest, descrita no

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

Seja {Xn , n = 0, 1, · · · } a cadeia de Ehrenfest, descrita no

= 2 · P[X2 = 2] + 4 · P[X2 = 4] + 6 · P[X2 = 6] =

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

Seja {X (t), t ≥ 0} o processo estocástico descrito no exemplo

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

Seja {Xn , n = 0, 1, 2, · · · } o passeio aleatório, descrito nos

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 7: função média

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 8: função de autocorrelação

A função de autocorrelação, nos tempos t1 e t2 , de um processo

RX (t1 , t2 ) = E [X (t1 )X (t2 )].

A função de autocorrelação é a média do produto do processo

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 8: função de autocorrelação

Se SX (t) é discreto, então

onde p(x1 , x2 ; t1 , t2 ) é a função de probabilidade de ordem 2.

Experimentos independentes, do tipo sucesso/fracasso, para

Tópico 8: função de autocorrelação

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 8: função de autocorrelação

P[Xk1 = 1, Xk2 = 1] = P[Xk1 = 1]P[Xk2 = 1] = p 2 .

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 8: função de autocorrelação

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore

Tópico 8: função de autocorrelação

Seja {Xn , n = 0, 1, · · · } a cadeia de Ehrenfest, no exemplo 4

Portanto, a função de autocorrelação nos tempos 1 e 2 é

= 3 · 2p(3, 2; 1, 2) + 3 · 4p(3, 4; 1, 2) + 5 · 4p(5, 4; 1, 2) + 5 · 6p(5, 6; 1, 2) =

Processos estocásticos Funções média, de autocorrelação e de autocovariância Luiz Henrique Dore