237

PROCESSOS ESTOCSTICOS O resultado de muitas experincias aleatrias funo do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura mdia diria ou semanal numa cidade. O acontecimento aleatrio a escolha de uma cidade e para cada cidade ficar definido um conjunto de variveis aleatrias para cada dia ou semana do ano. ii) O valor instantneo da tenso nos terminais de uma resistncia. O acontecimento aleatrio o incio da medio e para cada instante de medio ficar definida uma varivel aleatria. iii) O nmero de clientes numa fila de espera. O acontecimento aleatrio tambm o incio da medio e para cada instante de medio ficar definida uma varivel aleatria.

238

iv) O valor da luminncia num ponto de uma imagem. O acontecimento aleatrio a escolha da imagem e para cada ponto definido por um par de coordenadas fica definida uma varivel aleatria. Vmos assim nestes exemplos, que ao resultado de uma experincia aleatria fica associado um valor aleatrio que varia com uma varivel temporal ou espacial. Iremos ento introduzir o conceito de processo aleatrio, que nos vai permitir analisar situaes do tipo das que foram anteriormente apresentadas. Definio: Seja S um espao de amostragem e I um qualquer subconjunto de . Se para qualquer t I e S se definir a varivel aleatria X ( , t ) ao conjunto { X ( , t ): t I } chama-se um processo aleatrio. Se a varivel real t for uma varivel temporal, o processo aleatrio designa-se como processo estocstico.

239

Um processo estocstico pois um conjunto de variveis aleatrias indexadas a uma varivel temporal pertencente a um dado subconjunto real.

1 S 2 3

X(t,1) X(t,2) X(t,3) t1 t2 t3 t4

Se a varivel temporal for contnua (pertencente a um conjunto compacto), o processo estocstico contnuo; se for discreta (pertencente a um conjunto numervel), o processo estocstico discreto.

240

Para cada valor i S, o conjunto de valores { X ( i , t ): t I } chama-se realizao do processo ou funo amostra do processo. Exemplo 1:
X ( , t ) = sen ( 2 t ) , t [ 0 , [ e ~ U ( 1,1)

X(t) = sen(2t)
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4

X(t) = -0.1*sen(2t)

-0.6 -0.8 -1 0 0.5 1 1.5 2 2.5 3

X(t) = 0,4*sen(2t)

241

Exemplo 2:
X ( , t ) = sen ( 2 t + ) , t [ 0 , [ e ~ U ( 0 , 2 )
X(t) = sen(2**t + 1,5)
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 0 0.5 1 1.5 2 2.5 3

X(t) = sen(2**t + 0,4)

X(t) = sen(2**t)

Temos na figura acima trs realizaes do processo para = 0, 0.4 e 1.5 e para t < 3.

242

Exemplo 3: Seja [ 0 , 1 ] o resultado de uma experincia aleatria e sejam b1, b2, os dgitos da representao binria de , ou seja:
= b i 2 i , b i { 0 ,1 }
i =1

e defina-se o processo aleatrio

B ( , n ) = b n , n

Temos a seguir trs realizaes deste processo para = 0.325 , 0.4 e 0.625 e n 20.

0,5

0 0 2 4 6 8 10 12 14 16 18 20

= 0.325

243

0,5

0 0 2 4 6 8 10 12 14 16 18 20

= 0.4

0,5

= 0.625

0 0 2 4 6 8 10 12 14 16 18 20

= 0.625 Exerccio: Obter f X( t ) ( x ) para os exemplos 1 e 2.

244

CARACTERIZAO ESTOCSTICOS

DE

PROCESSOS

Uma vez que um processo estocstico um conjunto de variveis aleatrias, a sua caracterizao faz-se especificando as diferentes variveis aleatrias que o constituem e o seu comportamento conjunto. Seja t1, t2, , tk k instantes em que se definem as variveis X1, X2, , Xk. O processo estocstico fica caracterizado se se conhecerem todas as funes de distribuio conjunta FX1X 2 ...X k ( x1 , x 2 , ..., x k ) para qualquer k e para qualquer escolha dos instantes t1, t2, , tk. Se o processo for discreto ento ser caracterizado por todas as funes de probabilidade conjunta:
p X1X 2 ...X k ( x1 , x 2 , ... , x k ) = P X1 = x1 , ... , X k = x k

245

para qualquer k e para qualquer escolha dos instantes t1, t2, , tk. Se o processo for contnuo ento ser caracterizado por todas as funes densidade de probabilidade conjunta:
f X1X 2 ...X k ( x1 , x 2 , ... , x k )

para qualquer k e para qualquer escolha dos instantes t1, t2, , tk. Esta forma de definir o processo estocstico designada por caracterizao estatstica completa de ordem k e de um modo geral no fcil construir e especificar todas as funes anteriormente referidas. Ex: Consideremos a figura da pgina 239, fazendo: t = t1 e X(t1) = X1 a funo de distribuio acumulada definida como:
FX (x1 , t 1 ) = P( X(t 1 ) x1 )

246

e temos assim a funo distribuio de 1 ordem do processo X(t). Para a funo de distribuio de 2 ordem de X(t) vem:
FX (x1 , x 2 ; t 1 , t 2 ) = P( X(t 1 ) x1 ; X(t 2 ) x 2 )

notao equivalente a :
FX1X 2 (x1 , x 2 ) = P( X1 x1 ; X 2 x 2 )

em que X(t1) = X1 e X(t2) = X2 A funo de distribuio de ordem k de X(t) ento definida por:
FX (x1 , x 2 , , x k ; t 1 , t 2 , , t k ) = = P( X(t 1 ) x1 ; X(t 2 ) x 2 ;; X(t k ) x k

Daqui resulta que as funes densidade de probabilidade conjunta de 1 ordem, 2 ordem e ordem k so respectivamente:

247

f X (x 1 , t 1 ) =

d FX (x1 , t 1 ) d x1

2 FX (x1 , x 2 ; t 1 , t 2 ) f X (x 1 , x 2 ; t 1 , t 2 ) = x1 x 2

f X (x 1 , x 2 , , x k ; t 1 , t 2 , , t k ) =

k FX (x1 , x 2 , , x k ; t 1 , t 2 , , t k ) = x1 x 2 x k

Situaes particulares: i) Se para qualquer k e qualquer escolha dos instantes de amostragem t1 < t2 < < tk as variveis X ( t 2 ) X ( t 1 ) , , X ( t k ) X ( t k 1 ) forem independentes o processo ser de incrementos independentes. Ex: processo de Poisson e processo de Wiener

248

ii)

Se o futuro do processo, dado o presente, independente do passado, isto , se para qualquer k e qualquer escolha dos instantes de amostragem t1 < t2 < < tk e qualquer x1 , x 2 , ..., x k ,

f X( t k ) ( x k X ( t k 1 ) = x k 1 , ..., X ( t1 ) = x1 ) =
= f X ( t k ) [ x k X ( t k 1 ) = x k 1 ]

ou:
P[ X ( t k ) = x k X ( t k 1 ) = x k 1 , ..., X ( t1 ) = x1 ] = = P [ X ( t k ) = x k X ( t k 1 ) = x k 1 ]

e o processo ser de Markov. Ex: processo random walk e processo de Wiener

249

MDIA, AUTOCORRELAO E AUTOCOVARINCIA

Uma vez que um processo estocstico um conjunto de variveis aleatrias, pode definirse para cada uma das suas variveis ou para cada par das suas variveis os seguintes conjuntos de parmetros: Mdia:

+ x(t ) f m X(t ) = E [ X (t )] = X(t ) ( x(t )) dx (t )

Nota: seja X(t1) = X1 , ento:

+ E ( X1 ) = m X( t ) = E X t = ( ) 1 x 1 f X ( x1 ;t 1 ) dx1
1

Autocorrelao: momento conjunto de X (t1 ) e X (t 2 )

R X ( t1 , t 2 ) = E [X (t1 ) X (t 2 )] =
+ + ( ) ( ) ( ( ) ( )) ( ) ( ) = x t 1 x t 2 f X( t1 )X( t 2 ) x t 1 , x t 2 dx t 1 dx t 2

250

Autocovarincia: momento central conjunto de X (t1 ) e X (t 2 )

C X ( t1 , t 2 ) = E [(X (t1 ) m X (t1 ))(X (t 2 ) m X (t 2 ))]

ou de forma equivalente:
C X ( t 1 , t 2 ) = R X ( t 1 , t 2 ) m X (t 1 ) m X (t 2 )

pode ainda definir-se: Varincia de X (t ):

Var ( X(t )) = E ( X(t ) m X (t )) = C X (t , t )
2

Coeficiente de correlao de X (t ):
X (t 1 , t 2 ) = C X ( t1 , t 2 ) C X ( t1 , t1 ) C X ( t 2 , t 2 )

251

Nota: A mdia, a autocorrelao e a autocovarincia isoladas ou em conjunto apenas caracterizam parcialmente o processo estocstico. Uma classe importante de processos o dos processos Gausseanos. Um processo aleatrio diz-se gausseano se todas as variveis que o constituem forem conjuntamente gausseanas para qualquer nmero e escolha dos instantes de amostragem. Uma vez que o comportamento conjunto de variveis gausseanas fica completamente definido pela mdia e matriz de covarincia, um processo estocstico gausseano fica totalmente definido pela mdia e pela autocovarincia.

Se se pretender estudar o comportamento conjunto de dois processos estocsticos tem de se recorrer ainda s seguintes definies:

252

Independncia de X (t ) e Y (t ): Os processos aleatrios X (t ) e Y (t ) so independentes se os vectores de varivel ' ),..., Y(t 'j )) aleatria ( X(t1 ), ..., X(t k )) e ( Y(t1 forem independentes para qualquer escolha de k e j e qualquer escolha dos instantes t1, t2, , tk e t1, t2, , tj. Correlao cruzada de X (t ) e Y (t ):
R XY ( t1 , t 2 ) = E [X (t1 ) Y (t 2 )]

se para todos os t1 e t2, R XY ( t1 , t 2 ) = 0 ento X (t ) e Y (t ) so ortogonais.

Covarincia cruzada de X (t ) e Y (t ):
C XY ( t1 , t 2 ) = E [(X (t1 ) m X (t1 ))(Y (t 2 ) m Y (t 2 ))]

se para todos os t1 e t2, C XY ( t1 , t 2 ) = 0 ento X (t ) e Y (t ) so no correlacionados.

253

PROCESSOS INDEPENDENTES E IDENTICAMENTE DISTRIBUIDOS

Um processo ser do tipo IID se as variveis que o constituem forem IID. Neste caso as funes de distribuio conjunta sero:
FX1X 2 ...X k ( x1 , x 2 , ... , x k ) = FX1 (x1 ) FX 2 (x 2 )... FX k (x k )

Assim se o processo for discreto teremos:

p X1X 2 ...X k ( x1 , x 2 , ... , x k ) = p X1 (x1 ) p X 2 (x 2 )... p X k (x k )

e se for contnuo:
f X1X 2 ...X k ( x1 , x 2 , ... , x k ) = f X1 (x1 ) f X 2 (x 2 )... f X k (x k )

254

ESTACIONARIEDADE

Um processo estocstico X (t ) estacionrio (ou

estritamente estacionrio Strict-Sense Stationary (S.S.S)) se as suas propriedades estatsticas so invariantes a qualquer translao da origem dos tempos. Isto significa que os processos X (t ) e X ( t + c ) tm as mesmas estatsticas qualquer que seja c. A definio de estacionariedade significa que a funo de distribuio conjunta obedece a:
FX ( t1 )X ( t 2 )...X ( t k ) ( x1 , x 2 , ..., x k ) =
= FX( t1 + c )...X( t k + c ) ( x1 ,..., x k )

para qualquer translao temporal c, qualquer k e qualquer escolha dos instantes t1 < t2 < <tk. Ento, para um processo estacionrio de 1 ordem temos que:
f X ( x, t ) f X ( x, t + c ) , c

255

Se, em particular, c = - t , temos que: f X (x, t ) = f X (x ) ()

isto , f X (x, t ) independente de t. Daqui resulta que:

+ E[X(t )] = x f x (x ) dx = = cons tan te ()

De modo anlogo, para um estacionrio de 2 ordem vem que:

processo

f X ( x 1 , x 2 , t 1 , t 2 ) f X ( x 1 , x 2 , t 1 + c, t 2 + c ) ,

ento, para c = - t1 :
f X (x1 , x 2 , t 1 , t 2 ) f X (x1 , x 2 , t 2 t 1 ) ()

isto , a funo densidade de probabilidade de 2 ordem depende apenas da diferena t2-t1 = . Neste caso a funo de autocorrelao
R X ( t 1 , t 2 ) = E [ X (t 1 ) X (t 2 )] =

S depende de = t2-t1 e portanto,

= E[X(t 1 )X(t 1 + )] = R X ( ) ()

+ + = x 1 x 2 f X ( x 1 , x 2 , = t 2 t 1 ) dx 1 dx 2

256

Nota: As equaes () e () so uma consequncia de considerarmos o processo estocstico como um processo estacionrio (em sentido estrito) de 1 e 2 ordem respectivamente. Por outro lado, as condies a verificar para classificar desse modo o processo estocstico ( equaes () e ()) so de um modo geral, difceis de verificar. Por esta razo, definimos uma nova condio de estacionariedade, menos exigente, que se designa por estacionariedade em sentido lato (Wide-Sense Stationarity (W.S.S)), isto , o processo estocstico X(t) diz-se estacionrio em sentido lato se: i) E[X(t )] = (a mdia for conatante); ii) E[X(t 1 )X(t 2 )] = R X (t 2 t 1 ) = R X ( ) (a funo de autocorrelao depender apenas da diferena entre t2 e t1).
Estacionrio de 2 ordem Estacionrio em sentido lato