PROCESSOS

ESTOCÁSTICOS

1
Processos Estocásticos
➢ Relembrando:

O que é uma V.A. ?

É o resultado de um
experimento aleatório
3
“ou Processo Aleatório”

“Fenômeno que varia em algum

grau, de forma imprevisível, à medida
que o tempo passa”, i.e., uma coleção
de variáveis aleatórias que, em geral,
são utilizadas para estudar a evolução
de fenômenos (ou sistemas) que são
observados ao longo do tempo.
4
“ou Processo Aleatório”
 Variação do tráfego em um cruzamento;
 Variação diária no tamanho do estoque de uma empresa;
 Variação minuto a minuto do índice IBOVESPA;
 Variação no estado de um sistema de potência;
 Variação no número de chamadas feitas a uma central telefônica
 Variação de temperatura em uma cidade.
5
“Qualquer sistema real opera sempre em ambientes
onde a incerteza impera, principalmente quando o
sistema envolve, pela sua natureza, ações humanas
imprevisíveis ou desgaste natural de máquina. Os
modelos determinísticos certamente contribuem para
a compreensão, em um nível básico, do
comportamento dinâmico de um sistema. No entanto,
por não poderem lidar com a incerteza, acabamos por
ser insuficientes nos processos de tomada de decisão.
Assim, recorre-se a Processos Estocásticos como uma
forma de regularidade que eles apresentam para
serem descritos por modelos probabilísticos.” 6
Para obter as estatísticas completas de X,
precisamos armazenar valores da “v.a.” durante
vários dias (um grande número de tentativas). A
partir destes dados podemos determinar f(x), a fdp
da v.a. X.
fdp = função densidade de probabilidade

Os Processos Estocásticos representam sistemas nos

quais o estado muda ao longo do tempo. Estas mudanças
não são totalmente previsíveis, mas elas estão associadas
a distribuição de probabilidade. Diversos fenomenos reais
admitem a modelagem através dos processos
estocásticos.
7
 Uma coleção de variáveis aleatórias indexadas ( X t )

 Onde t é um índice definido num conjunto T.

 Processo estocástico
 É a descrição de um fenômeno aleatório que varia com o tempo.
 Processo estocástico Y1, Y2, Y3...
 Evolução da população brasileira desde 1998
10
Exemplo 1 (cadeia de montagem): Os produtos finais
de uma cadeia de montagem, após uma supervisão à
que são submetidos, podem ser considerados
defeituosos ou não. Se o n-ésimo produto não tiver
defeito, fazemos Xn = 1 , caso contrario Xn = 0 .
Suponha que um produto é defeituoso
independentemente dos outros produtos e que a
probabilidade de que isto aconteça é “P” , então X1 ,
X2 , X3 ,...,Xn é uma sequência de variáveis aleatórias
independentes e identicamente distribuídas (i.i.d.)
Bernoulli com parâmetros “p” de sucesso.
11
Exemplo 2 (Estoque): Uma pequena loja de
equipamentos eletrodomésticos vende um tipo de
máquina de lavar roupa. No entanto ela somente pode ter
em estoque no máximo cinco unidades. Então se no final
do dia a loja tem no estoque somente uma unidade ou
nenhuma, o gerente manda buscar tantas unidades
quantas forem necessárias para ter cinco na loja no dia
seguinte antes de iniciar o expediente. Vamos chamar de
a quantidade de unidades na loja no final do n-ésimo dia.
Elas podem ser consideradas variáveis aleatórias (v.a.),
pois é razoável supor que não temos como prever a
quantidade de máquinas de lavar que serão compradas a
cada dia. 12
Pode definir-se um Processo Estocástico como um conjunto de
variáveis aleatórias indexadas a uma variável (geralmente a
variável tempo), sendo representado por {X(t), t ϵ T}.
Estabelecendo o paralelismo com o caso determinístico, onde
uma função f(t) toma valores bem definidos ao longo do tempo,
um processo estocástico toma valores aleatórios ao longo do
tempo.
Aos valores que X(t) pode assumir ao longo do tempo,
chamam-se “estados” e ao seu conjunto X “espaço de
estados”.
 Um processo estocástico – estado

 Conjunto de todos os estados – espaço de estados

 Para analisar o processo estocástico é preciso especificar o
período de tempo T envolvido: quando ele será observado.
 Se T é contínuo, T = {t : 0 ≤ t < ∞}:
 Trata-se de um Processo Estocástico de Parâmetros
Contínuos: Poisson.
 Se T é discreto, T = {0, 1, 2, ...}:
 Trata-se de um Processo Estocástico de Parâmetros
Discretos: Séries Temporais em geral.

14
 A cada ponto t do conjunto T observa-se uma medida ou
variável aleatória Xt.
 Se o ponto amostral for indicado por “s”:
 Xt (s) para t T.
 Tal função de t é chamada de processo estocástico ou
aleatório.
 Uma única função Xt, que corresponde a um único ponto
amostral “s" é chamada de realização do processo
estocástico. 15
 O conjunto de valores que Xt pode assumir é chamada de
Espaço de Estados, e os valores específicos de Xt em dado
momento são os Estados do Processo.
 Se Xt representa alguma contagem: Espaço de Estados
poderia ser uma sequência finita ou infinita de inteiros.
 Processo de Estado Discreto ou Cadeia Aleatória.
 Se Xt representa uma medida: Espaço de Estados poderia
ser um intervalo de números reais.
 Processo de Estado Contínuo.
16
 Classificação

 Em relação ao Estado (Valores)

 Estado Discreto – X é definido como um conjunto finito

 Estado Contínuo – X é definido como um conjunto infinito

 Classificação

 Em relação ao Tempo

 Tempo Discreto – t é definido como um conjunto finito

 Tempo Contínua – t é definido como um conjunto infinito

a) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Discretos
a) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Discretos
a) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Discretos

1. Para “s” fixo em sk, o sinal X[n, sk] possível de ser associado é
chamado de realização do processo aleatório.

2. Para “n” fixo em nk, é associado ao resultado do experimento o valor

que o sinal toma no instante nk. Tem-se assim o resultado de um
experimento associado a um valor. Essa associação, na Teoria de
Probabilidade, é chamada de Variável Aleatória.

3. Em um instante discreto qualquer “n” a variável aleatória discreta

X[n, s] é caracterizada por uma distribuição de probabilidades.
a) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Discretos

✓ Em um banco é contado e registrado, após o decorrer de cada

hora, o número total de usuários que acessaram um
determinado caixa eletrônico.

✓ Em uma rede local, a quantidade de pacotes de dados que

chegam ou deixam um determinado roteador é contada e
registrada ao final de cada intervalo de uma hora.

✓ Um sinal de telecomunicações é formado por uma sequência

de pulsos retangulares de duração fixa e amplitude aleatória
que pode tomar apenas uma quantidade limitada de valores
a) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Discretos
✓ Após o lançamento, a face superior de um dado é observada
em instantes discretos e igualmente espaçados.

✓ Após o lançamento, a face superior de uma moeda é

observada em instantes discretos e igualmente espaçados.

✓ Em um experimento, fótons são lançados em direção a um

anteparo contendo dois orifícios. Os fótons escolhem
aleatoriamente um dos anteparos à cada minuto em que o
feixe é disparado. Um detector no anteparo mostra quantos
fótons se chocaram.
a) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Discretos
 Estoque de peças em uma loja ao fim da semana.
80

70

60
Quantidade

50

40

30

20

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Semana

24
b) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Discretos
b) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Discretos
b) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Discretos

1. Para “s” fixo em sk, o sinal possível de ser associado é

chamado de realização do processo aleatório.

2. Para “t” fixo em tk, é associado ao resultado do experimento

não mais um sinal e sim um valor aleatório que o sinal toma
no instante “t”. Tem-se assim o resultado de um experimento
associado a um valor. Essa associação, na Teoria de
Probabilidade, é chamada de Variável Aleatória.

3. Em um instante qualquer tk a variável aleatória discreta

X(tk, s) é caracterizada por uma distribuição de probabilidades.
b) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Discretos

✓ Amostras de um sinal são tomadas em instantes aleatórios

e formam uma sequência.

✓ Os níveis de luminância (variação de brilho) de uma imagem

são observados em coordenadas espaciais fixas e variam
aleatoriamente de acordo com a distribuição espacial do
ruído na imagem.

✓ Em um laboratório de física um sensor registra, de hora em

hora, a intensidade dos impulsos causados por sobrecargas
elétricas em uma linha de transmissão.
b) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Discretos
 No. de chamadas recebidas por um call-center em 6 horas
35

30

25

20
Chamada

15

10
s

0
0 1 2 3 4 5 6
-5
Tempo
c) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Continuos
c) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Continuos
c) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Continuos
1. Para s fixo em sk, o sinal possível de ser associado é
chamado de realização do processo aleatório.

2. Para “n” fixo em nk, é associado ao resultado do

experimento o valor que o evento toma no instante nk. Tem-
se assim o resultado de um experimento associado a um
valor. Essa associação, na Teoria de Probabilidade, é
chamada de Variável Aleatória.

3. Em um instante discreto qualquer nk , a variável aleatória

contínua X(nk, s) é caracterizada por uma função cumulativa
de probabilidade.
c) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Continuos
✓ Volume de um botijão de gás após uma hora de uso.

✓ Valor do dinheiro depositado no banco ao fim do dia.

c) Processos definidos em Tempo Discreto que
tomam Estados (Valores) Continuos

 Médias amostrais dos diâmetros de pistões.

X-bar: 74,001 (74,001); Sigma: ,00979 (,00979); n: 5,

74,014

74,001

73,988

5 10 15 20 25
d) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Continuos
d) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Continuos
d) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Continuos

1. Cada s fixo em sk, o sinal possível de ser associado é chamado de

realização do processo aleatório.

2. Para t fixo em tk, é associado ao resultado do experimento não mais um

sinal e sim o valor que o sinal toma em tk. Tem-se assim o resultado de um
experimento associado a um valor. Essa associação, na Teoria de
Probabilidade, é chamada de
Variável Aleatória.

3. Em um instante qualquer tk a variável aleatória contínua X(tk, s) é

caracterizada por uma função cumulativa de probabilidade.
d) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Continuos

✓ Sinal ruidoso que se adiciona a um sinal captado em

uma antena.

✓ Sinal elétrico de voz captado pelo microfone de um

determinado locutor.

✓ Variações aleatórias verificadas na intensidade de um

sinal transmitido por um canal de comunicações sem fio
d) Processos definidos em Tempo Continuo que
tomam Estados (Valores) Continuos
 Eletroencefalograma
Exemplos
  A observação de uma sequência do tempo inteiro do
processo, em ocasiões diferentes, sob condições
presumivelmente diferentes:
 Sequências resultantes diferentes.
 Comportamento de um sistema para uma sequência ou
intervalo de tempo inteiro:
O resultado será uma função (ou sequência de valores) e
não apenas um número.
É um processo não determinístico... ou seja.. dadas condições iniciais é
impossível prever de maneira única as condições futuras do sistema...,
um processo em que se tenta prever usando probabilidades.. pois o
comportamento de certas partes do sistema é aleatório 41
 Para um valor t, Xt será uma variável aleatória que descreve
o estado do processo no tempo t.
 Dada qualquer coleção finita t1, t2, ..., tn de tempos, então Xt1,
Xt2, ..., Xtn constituem um conjunto de n variáveis aleatórias com
distribuição conjunta.
 A estrutura de probabilidades do processo Xt é totalmente
determinada desde que:
 Distribuição conjunta de cada conjunto de variáveis aleatórias
é determinada.
 Função de densidade de cada conjunto de variáveis aleatórias
é determinada. 42
Consiste em determinar as
distribuições conjuntas e usá-las
para prever comportamento futuro,
dado o comportamento passado.

43
 Sequências de variáveis aleatórias independentes com
distribuições idênticas como resultante de repetições
independentes da mesma experiência aleatória, onde a cada
realização um valor ou medida é associado.
 Exemplo: equipamento eletrônico tem um capacitor que é
reposto toda vez que ele falha.
 Tempo de vida X: X1, X2,...
 Cada valor será positivo: processo de Renovação

44
 Modelam as alterações em uma “população”.
 Estado do processo no instante t (Xt) representa o tamanho
da população no instante t.
 Exemplos: pacotes presentes em uma rede local, fila com
servidor único.
 Assume-se que “nascimentos” e/ou “mortes” múltiplos
ocorrem ao mesmo tempo com probabilidade zero.
 As transições ocorrem apenas entre estados vizinhos.

45
 1 nascimento 1 nascimento

K-1 K K+1

1 morte 1 morte

46
 k: taxa de mortes quando a população é k.
 k: taxa de nascimentos quando a população é k.
 0=0: não há mortes quando a população é zero.
 0≥ 0: podem ocorrer nascimentos quando a população é zero.
 k Pk = k-1  Pk-1

P
k 0
k  1,0
47
 Processo de nascimento puro pois a taxa de nascimento é
constante: .
 Pk(t) = [(t) k  e - t]/k! Para k≥0 e t≥0.
 Probabilidade de haver k nascimentos no intervalo (0,t).
 Número médio de nascimentos no intervalo (0,t) =   t.
 Processo de Parâmetros Contínuos e Estados Discretos.

48
 Evento: “nenhuma chegada nos primeiros t minutos”
( t) 0 e t
Po (t)   e t
0!
 Equivalente à “primeira chegada após o tempo t”.
 Seja t uma variável aleatória que represente o tempo de 0
até a 1ª chegada:
 P(T > t) = e- t P(T ≤ t) = 1 - e- t = F(T)
 f(T) = F(T)/t =  e- t
 T tem distribuição exponencial: E(T)=1/ V(T)=1/2
49
 Processos “sem memória”: probabilidade de Xt assumir um
valor futuro depende apenas do estado atual (desconsidera
estados passados).
 P(Xn=xn| X1=x1,X2=x2,...,Xn-1=xn-1) = P(Xn=xn|Xn-1=xn-1)
para n = 0, 1, 2, ...
 Seja Xt um processo de Markov, i e j estados,  e t tempos:
 Pij = P[X( + t) = j | X() = i] ≥0et≥0
 Se Pij independe do tempo então o processo de Markov é dito
ESTACIONÁRIO ou homogêneo.

50
Parâmetros Estados
Discretos Contínuos
Discretos Cadeias de Markov Processos de Markov
com tempo discreto com tempo discreto
Contínuos Cadeias de Markov Processos de Markov
com tempo contínuo com tempo contínuo

51
 Processo de Markov de parâmetros contínuos e estados
discretos.
 Propriedades:
 O sistema observado pode ser descrito como estando em um
estado de um conjunto de estados Si, discretos e exaustivos
e mutuamente exclusivos;
 Trocas de estado são possíveis em qualquer intervalo de
tempo;
A probabilidade de mais do que uma troca durante um
intervalo infinitesimal de tempo é desprezível.

52
 O conjunto P(Xn|Xn-1) para n = 1, 2, ... constitui as
probabilidades de transição de um passo: probabilidades
iniciais.
 Matriz N+1 por N+1 de elementos pij que satisfaz:
 pij ≥ 0 ij = 0, 1, 2, ..., N pij = 1 para j=1,...,n e i.
p0 0 p01 ... p0 N
p10 p11 ... p1N
P  pij   ... ... ... ...
p N0 p N1 ... p NN 53