1

I. INTRODUO

1.1. Generalidades

Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando o
sistema envolve, pela sua natureza, aes humanas imprevisveis ou desgaste natural de mquina. Os modelos
determinsticos certamente contribuem para a compreenso, em um nvel bsico, do comportamento dinmico
de um sistema. No entanto, por no poderem lidar com a incerteza, acabamos por ser insuficientes nos
processos de tomada de deciso. Assim, recorre-se a Processos Estocsticos como uma forma de regularidade
que eles apresentam para serem descritos por modelos probabilsticos.

Pode definir-se um Processo Estocstico ( em ingls, Stochastic Process ou Random Process) como um
conjunto de variveis aleatrias indexadas a um varivel (geralmente a varivel tempo), sendo representado
por { ( ) }. Estabelecendo o paralelismo com o caso determinstico, onde uma funo toma valores bem definidos
ao longo do tempo, um processo estocstico toma valores aleatrios ao longo do tempo. Aos valores que ( ) pode
assumir chamam-se estados e ao seu conjunto x espaos de estados.

Como exemplos de processos estocsticos, poderemos considerar:

1) ( ) representa o estado de uma mquina (ligada/desligada) no memento t;

2) ( ) representa o nmero de clientes em uma loja no instante t;

3) ( ) representa o nmero de mquinas defeituosa no final de um dia t;

4) ( ) representa a cotao de uma ao na bolsa de valores no final de um dia t;

5) ( ) representa o nvel de estoque de uma determinada pea no final de um dia t;

6) ( ) representa a condio de funcionamento de um componente no instante t;

Os Processos Estocsticos representam sistemas nos quais o estado muda ao longo do tempo. Estas
mudanas no so totalmente previsveis, mas elas esto associadas a distribuio de probabilidade. Diversos
fenmenos reais admitem a modelagem atravs dos processos estocsticos. Vejamos alguns:

Exemplo 7 (cadeia de montagem) Os produtos finais de uma cadeia de montagem, aps uma superviso
que so submetidos, podem ser considerados defeituosos ou no. Se o n-simo produto no tiver defeito,
fazemos , caso contrario . Suponha que um produto defeituoso independentemente dos
outros produtos e que a probabilidade de que isto acontea p , ento uma sequncia de
variveis aleatrias independentes e identicamente distribudas (i.i.d.) Bernoulli com parmetros p de sucesso.

Exemplo 8 (Estoque). Uma pequena loja de equipamentos eletrodomsticos vende um modelo tipo de
mquina de lavar roupa. No entanto ela somente pode ter em estoque no mximo cinco unidades. Ento se no
final do dia a loja tem no estoque somente uma unidade ou nenhuma, o gerente manda buscar tantas unidades
quantas forem necessrias 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-simo dia. Elas podem ser consideradas variveis
aleatrias (v.a.), pois razovel supor que no temos como prever a quantidade de mquinas de lavar que
sero compradas a cada dia.

2
 Exemplo 9 (Mobilidade social) Consideremos a histria de vrias geraes de uma famlia que ao longo do
tempo tem somente um filho. Neste modelo simples, a observao da classe social (alta, mdia ou baixa) da
famlia para cada gerao permitiria descrever sua evoluo social ao longo do tempo. Se tivermos uma
sociedade composta por famlias deste tipo, podemos escolher ao acaso uma famlia e para cada gerao n
chamar de quantidade que valer 1 se fora famlia de classe alta, 2 se ela for de classe mdia e 3 se for de
classe baixa. Desta forma, cada ser uma varivel aleatria e a sua evoluo ao longo do tempo, permitir
tirar concluses sobre mudanas na estrutura da sociedade.

Exemplo 10 (Lucro de uma companhia seguradora). Suponha que uma seguradora recebe c unidades
monetrias (u.m.) pelo total dos prmios que ela cobra dos segurados dentro de uma determinada carteira por
perodo de tempo (ms, semestre, por exemplo). Assuma tambm que a seguradora coleta os prmios
regularmente e que as indenizaes pagas quando os sinistros ocorrem. Alm disto, no vamos considerar aqui
eventuais despesas administrativas, ganhos ou perdas por investimentos, etecetera. Desta forma, a reserva
desta seguradora ser afetada somente pela cobrana dos prmios ou por pagamentos de indenizaes na
ocorrncias de sinistros. Em particular, o lucro da companhia no n-simo perodo ser c Zn u.m., sendo Zn o
valor total de indenizaes pago pela seguradora nesse perodo. Se chamarmos de Ln ao lucro da seguradora
desde que essa carteira comea a operar at o final do n-simo perodo, teremos que

O comportamento desta quantidade ao longo do tempo influenciar na sade financeira da seguradora.

Como se pode constatar pelos exemplos apresentados, h casos em que o tempo considerado de forma
discreta ( ... no final do dia t) e outros em que tomado de modo contnuo (... no instante t). A varivel tempo
, por definio, uma varivel contnua, a qual pode ser discretizada se os fenmenos forem observados a
intervalos regulares. Outra constatao que se pode fazer que os estados tanto so valores que a varivel
( ) pode assumir (nmero de clientes, nmero de mquinas, etc.) como estados (mquinas defeituosas,
mquinas em funcionamento, etc.).

Chamaremos processo estocstico a qualquer famlia de variveis aleatria ( ) , com t T e sendo T algum
espao de parmetros. Quando T enumervel diremos que o processo estocstico correspondente a tempo
discreto. Se T for um intervalo, o processo estocstico ser chamado a tempo contnuo. Os valores que tornam
as variveis do processo sero chamados de estados e o conjunto E destes valores ser o espao de estados. Os
processos estocsticos podem ter espao de estados discreto ou espao de estados contnuo em
correspondncia com a natureza do conjunto E. Nos exemplos 1 e 7 temos E={0,1}, no exemplo 8,
E={0,1,2,3,4,5}, no exemplo 9, E={1,2,3}...

OBS.: O comportamento probabilstico de um processo estocstico est caracterizado pelas relaes de

dependncia entre distribuies conjuntas e suas marginais.

Exemplo 11: Consideremos os vetores aleatrios discretos (X1,X2) e (Y1, Y2) com funes de probabilidade
conjunta:

X1 \ X2 0 1 Y1 \ Y2 0 1
Estas funes de probabilidade
so diferentes, no entanto as
e
0 1/4 1/4 0 0 1/2 marginais coincidem.

3
 1 1/4 1/4 1 1/2 0

1.2. Classificao dos Processos Estocsticos

Para classificar os processos estocsticos analisam-se (i) o espao de estados, (ii) a natureza do conjunto T
e (iii) as caractersticas estatsticas da variveis que definem o processo.

(i) Espaos de estados

Se x for um conjunto de estados finito ou contvel ( x = {0, 1, 2, ... }, ou seja, o conjunto de inteiros no-
negativos), ( ) um espao de estados discretos ou, como usualmente referido , uma cadeia. Para
qualquer outro caso, o processo designado por processo de estados contnuos.

Dos exemplos apresentados, os exemplos 1, 2 e 6 so cadeias enquanto que o restante podem ser processos de
estados contnuos.

(ii) Varivel temporal

Se o conjunto T, que especfica os valores da varivel t, for finito ou contvel, ( ) um processo em

tempo discreto e anotao usada { ( ) }. Neste caso, T normalmente o conjunto dos inteiro no-
negativos. Em caso contrrio ( ) designado por processo em tempo contnuo, sendo usada a notao { ( ) }.

Dos exemplos apresentado, os exemplos 3, 4 e 5 so processo em tempo discreto uma vez que representam
quantidades observadas dia a dia, enquanto que os restantes so processos estocsticos em tempo contnuo por
representarem fenmenos observados em qualquer momento do dia (do tempo).

(iii) Caractersticas estatsticas das variveis aleatrias

Um processo estocstico diz-se estacionrio se o seu comportamento estocstico for independente do

tempo, ou seja, se a funo distribuio da(s) v.a. que o define(m) no variar no tempo.

Um processo estocstico diz-se Markoviano ou de Markov se for estacionrio e obedecer a propriedade de

Markov ou da perda de memoria, isso , se o seu comportamento futuro apenas for condicionado pelo estado
presente, independentemente do seu histrico ou dos estados passados. De fato, para um processo de Markov
completamente irrelevante qualquer informao sobre estados passados ou sobre o tempo de permanncia
no estado presente. Em um processo estocstico as transies entre estados so causadas pela ocorrncia de
acontecimentos ou eventos, pelo que a varivel aleatria diretamente restringida pela propriedade de ausncia
de memria o tempo entre acontecimentos sucessivos (em ingls interenvent time). Dados que, como
iremos ver mais a diante, a nica distribuio contnua que apresenta esta propriedade a distribuio
exponencial, num processo de Markov todos os tempos entre acontecimentos sucessivos tem de ser
exponencialmente distribudos.

Um processo estocstico de Semi-Markov uma generalizao de um processo de Markov, j que para

aquele, a informao sobre o tempo de permanncia no estado atual deixa de ser irrelevante; contnua,
contudo a ser irrelevante para o comportamento futuro qualquer informao sobre dos estados dos passados.

4
 A consequncia que os tempos entre acontecimentos sucessivos deixam de estar restringidos distribuio
exponencial, podendo seguir qualquer distribuio de probabilidade.

De acordo com a relao entre os espaos de parmetro T como tempo temos:

a) Estados Independentes: A relao de dependncia entre variveis aleatria mais simples que podemos
pensar a ausncia dela, Chamaremos de processos de estados independentes a aqueles processos estocsticos
tal que todos os seus estados constituem uma famlia de variveis aleatrias independentes. Um exemplo o
processo de Bernoulli de parmetro p.

b) Processos de Markov: consideraremos os instantes t1, t2, ... tn T, com t1 < t2 < ... < tn< t. Um processo X
chamado de processo de Markov quando para todos a, b, a1, ..., an E vale

, - , -

Ou seja o estado depende da sua historia anterior nos instantes t1, t2, ... tn desde que se conhea o presente
e no do passado , assim utilizaremos o tempo presente para encontrar o tempo
futuro .

c) Martingais: Para os martingais vale o que pode ser previsto sobre o estado do processo num instante
futuro sendo que so conhecidos n estados anteriores exatamente o estado no instante presente . Ex.:
Um exemplo de martingais aparece em jogos simples de azar como o seguinte. Suponhamos que no n-simo
lanamento de uma moeda honesta acrescentamos um valor A ao capital do jogador se sair cara, e subtramos a
mesma quantidade se sair coroa. O jogador comea o jogo com capital igual a k e admitido ter capital negativo.
Vamos supor tambm que os lanamentos so independentes.

Fazendo {

Teremos que o capital do jogador no instante do n-simo lanamento ser

Se * + um processo estocstico, ento chamaremos de incremento correspondente ao intervalo (s,t)

varivel aleatria .

5
 O processo tem incrementos estacionrios quando a distribuio de depende dos instantes s e t e
para todos os ponto das distribuies s e t os valores dos incrementos sejam iguais. O processo de Poisson tem
incrementos estacionrios e independentes.

Exemplo 12: Movimento Browniano

Em 1827, o botnico escocs Robert Brown observou e descreveu o movimento irregular executado por
pequenos gros de plen suspensos em gua. Esta observao aparente mente sem muita importncia, tornou-se
especialmente relevante alguns anos depois. Embora L. Bachelier em 1900 e A. Einstein em 1905 tenham sido os
primeiros a abordar quantitativamente o estudo deste fenmeno, foi o matemtico norte americano Norbert
Wierner quem em 1923 estudou e formalizou rigorosamente o modelo matemtico motivado no fenmeno fsico do
movimento browniano. por isso que ele chamado de processo de Wiener ou movimento browniano, sendo que
este ltimo d nfase ao processo fsico.

Considerando o processo a tempo contnuo * + com espao de estados E = r, que tem as seguintes
caractersticas:

(i) ;

( ii ) X tem incrementos independentes;

( iii ) ( ) ( ) ,
( )

i.e. ( );

( iv ) X possui trajetrias contnuas

X conhecido como movimento Browniano em processo Estocstico de Wierner e tem incrementos

estacionrios e independentes. Veja o grfico a seguir:

Figura: 2 Trajetria do
movimento Browniano

6
 Vejamos pro exemplo, como calcular a funo distribuio de probabilidade conjunta de para dois
instantes fixados s e t tais que . Se fizermos

Usando a independncia e a estacionariedade dos incrementos, teremos

( ) ( ) ( ),

( { }) ( { })
( ) ( )

{ ( )}
( )

O vetor ( ) segue a distribuio normal bivariada com vetor mdio nulo e ( )

Exerccios:

1) Num cruzamento em T, aproximadamente 60% viram direita. Defina X, como sento 1 ou 0 em dependendo
se o p-simo carro virou direita ou esquerda. Suponha que os motoristas decidem para onde virar
independentemente um do outro. Ento X = { * + um processo estocstico de Bernolli com
probabilidade 0,6 de sucesso. Num certo dia um pedestre observou o que faziam 10 carros que passaram
consecutivamente e fez a anotao ( D, E, D, D, D, E, D, E, D, E ) , onde D=direita e E=esquerda. Quais seriam
os valores correspondente de;

a. b. c.

d. Represente em grfico os instantes dos sucessos no processo de Bernoulli.

2) Para um processo de Bernoulli em p = 0,7 interprete e calcule as seguintes quantidades;

a. ( )

b. ( )

c. ( )