Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
/h
81,9(56,'$'(
( ' 8$ 5 ' 2
021'/$1(
)$&('UHDOL]D
Agosto 2017 6HPLQiULRVRE
,QFOXVLYDQRSD
Outline
1 Noes gerais
Relembrar de teoria de probabilidades
Noes gerais
Especificao
Classificao
Exemplos de Processos Estocsticos
Relembrar
-lgebra
Coleco F de subconjuntos de tal que:
1 F
2 A F sse Ac F
S
3 n An F para quaisquer A1 , A2 , . . . F
Os elementos de uma -lgebra designam-se por eventos
Medida de Probabilidade
Funo
P : F [0, 1]
tal que
!
[ X
P() = 0 e P An = P(An )
n n=1
Relembrar
Varivel Aleatria
Funo mensurvel
X : R
Ser mensurvel significa que a imagem inversa de qualquer conjunto aberto um evento, ou
equivalentemente:
X 1 (]a, b[) F , a < b
Relembrar
X () = {x1 , x2 , . . .}
Exemplos:
Varivel discreta X () Distribuio de probabilidade
Bernoulli {0, 1} P(X = 1) = p, p [0, 1]
Binomial {0, . . . , n} P(X = k) = Ckn p k (1 p)nk
n
Poisson {1, 2, 3, . . .} P(X = k) = e , > 0
n!
Relembrar
P(X = x) = Fx (x) FX (x ) = 0
1 x
Exponencial [0, +[ fX (x) = e , > 0, x 60
Relembrar
Valor Esperado
Se X integrvel em relao a P, ento definimos o valor esperado como
Z
E (X ) = XdP
X
V.a. discreta: E (X ) = xn P(X = xn )
n
Z
V.a. contnua: E (X ) = x fX (x)dx
Relembrar
Independncia
Duas v.a. X e Y so independentes sse
FX ,Y (x, y ) = FX (x)FY (y ) x, y R
Relembrar
Probabilidade condicionada
P(X = x, Y = y )
P(X = x|Y = y ) = se P(Y = y ) > 0, caso discreto
P(Y = y )
fX ,Y (x, y )
fX |Y (x) = se fY (y ) > 0, caso contnuo
fY (y )
Independncia
Duas v.a. X e Y so independentes sse
Relembrar
Exemplo
Considere 2 moedas de 20 e 50 ctimos. Lanam-se as moedas ao ar e somam-se os montantes das
moedas que ficaram com a face voltada para cima. Esse montante o valor da varivel aleatria X .
Seja A o evento de uma (e uma s) moeda ficar com a face voltada para cima. Calcule E (X |A).
Note-se que A = {EF , FE } (E simboliza escudo e F face). Ento X (EF ) = 50 e X (FE ) = 20.
Note-se ainda que P(A) = 1/2 + 1/2 e P(X = 50) = P(X = 20) = 1/2. Logo
1 1 1
E (X |A) = 50 + 20 = 35
1/2 4 4
Relembrar
E (X |Y = y1 ), E (X |Y = y2 ), . . .
Definio
A esperana condicional de X dado Y a funo E (X |Y ) : R tal que
E (X |Y )() = E (X |An ) se {Y = yn }
Uma vez que E (X |Y ) constante nos eventos {Y = yn }, podemos definir de forma anloga a
esperana condicional de X dado Y como
E (X |Y = y1 ), y = y1
E (X |Y = y2 ), y = y2
E (X |Y = y ) : R R tal que E (X |Y = y ) =
..
.
Relembrar
Logo
25, y =0
E (X |Y = y ) =
45, y = 20
Relembrar
onde (relembre-se)
P(X = xn , Y = y )
PX |Y (xn |y ) = P(X = xn |Y = y ) =
P(Y = y )
Relembrar
Esperana condicional: caso contnuo
Sejam X e Y v.a. contnuas com funo densidade de probabilidade fX (x) e fY (y ), respetivamente.
A funo de densidade de probabilidade condicional de X dado Y dada por (relembre-se):
fX ,Y (x, y )
fX |Y (x) =
fY (y )
Definio
A esperana condicional de X dado Y
Z +
E (X |Y = y ) = x fX |Y (x) dx
Noes gerais
Motivao
Muitas vezes os sistemas que consideramos evoluem no tempo, estando interessados no seu com-
portamento dinmico. Essa evoluo temporal muitas vezes de natureza aleatria:
o comprimento de uma fila de espera
a temperatura diria
a proporo de estudantes que passa a Estatstica ao longo do tempo
o nmero de sinistros num portfolio ao longo do tempo
Noes gerais
{X (t, ); t T } .
Ou seja
Um processo estocstico {X (t)}tT uma coleo de vairveis aleatrias Xt : R
indexadas por um parmetro t T R
Para t fixo, t T , X (t, ) uma v.a., um P.E. uma famlia ou um conjunto ordenado de
variveis aleatrias. Simbologia comum:
Noes gerais
Noes gerais
Trajetria
Uma trajectria ou uma realizao de um processo estocstico {X (t) t T } uma afectao,
a cada t T , de um valor possvel de X (t).
Srie temporal
O conjunto formado pelos sucessivos valores de uma trajectria de um processo estocstico refe-
rentes a um perodo limitado de tempo chama-se srie temporal. Quando a trajectria observada
durante o perodo T = {1, 2, ..., n} diz-se que se est perante uma sucesso cronolgica ou srie
temporal
Noes gerais
Noes gerais
Noes gerais
Noes gerais
Exemplo: Passeio Aleatrio Simtrico
Considere a sucesso {Xn }n>1 de variveis aleatrias e identicamente distribudas (iid), com distri-
buio
1
P(Xn = 1) = P(Xn = 1) =
2
Seja
Sn = X 1 + + X n
O processo estocstico S = {Sn : n N} um passeio aleatrio simtrico. A varivel aleatria Sn
pode ser interpretada como o deslocamento at ao instante n:
Sn = Sn1 + Xn
Especificao
De ordem n:
Especificao
Para um conjunto arbitrrio, mas finito, de valores de t T , t1 , t2 , . . . , tn , as correspondentes
variveis aleatrias, X (t1 ), X (t2 ), . . . , X (tn ), possuem funo de distribuio conjunta,
F (x1 , x2 , . . . , xn ; t1 , t2 , . . . , tn ) (1)
Especificao
PE identicamente distribudos
Dois processos estocsticos (PE) X = {Xt : t T } e Y = {Yt : t T } dizem-se identicamente
distrubudos sse tiverem a mesma lei temporal, i.e., a mesma famlia de funes de distribuio de
probabilidade conjuntas, ou seja
FX (t1 ),X (t2 ),...,X (tn ) = FY (t1 ),Y (t2 ),...,Y (tn )
Classificao
Definio
Processo estocstico discreto: S contvel
Processo estocstico contnuo: S contnuo
Podemos ter processos de tipo misto, ex:
Exemplo
Processo em tempo contnuo com mudana em instantes discretos: Sistema de penses com
opo de reforma entre as idades de 60-65 anos
Classificao
Processos estacionrios
Estationaridade estrita:
d
(Xt1 , . . . , Xtn ) = Xh+t1 , . . . , Xh+tn
Classificao
so independentes.
Num processo com incrementos independentes, a lei de probabilidade para X (t) e
X (t) X (s), para todo t e s, especifica o processo.
Classificao
Processo de Markov
Verifica a Propriedade de Markov:
Processo de contagem
Processo estocstico, em tempo discreto ou contnuo, com o espao de estados S = {0, 1, 2, . . .}
e com a propriedade
X (t) funo no decrescente de t
Processo de Poisson
{Nt ; t 0}. Processo de Contagem, com X (0) = 0, e com Incrementos independentes, estacio-
nrios, e Propriedade de Markov, tal que
e t (t)k
P(X (t) = k) = , k = 0, 1, 2, 3, . . .
k!
Rudo Branco
Processo constitudo por uma sequncia de v.a.s independentes: {Xi }
i=1 .
No tem (necessriamente) incrementos independentes; A propriedade de Markov trivial; Se forem
i.i.d. o processo estacionrio.
Passeio aleatrio
{Xn ; n = 1, 2, . . . } com
n
X
Xn = Yi
i=1
e {Yi }
i=1 uma sequncia de v.a.s i.i.d.
Se Yi = 1; +1 temos um Passeio Aleatrio Simples.
Movimento Browniano
{Xt ; t 0}, S e T contnuos. Incrementos independentes, estacionrios, e Propriedade de Markov.
Aplicaes em Finanas, Cincias Atuariais.