Académique Documents
Professionnel Documents
Culture Documents
1a edio
Joo Pessoa
Luciano da Costa Silva
2013
INTRODUO AOS PROCESSOS ESTOCSTICOS
Copyright 2013, Luciano da Costa Silva.
ISBN 978-85-915360-1-6
CAPTULO 1 PROBABILIDADES
1.1 FONTES DE ALEATORIEDADE
1.2 DISTRIBUIES CONTNUAS
1.3 MDIA E VARINCIA
1.4 DISTRIBUIES MULTIVARIADAS
1.5 COVARINCIA E CORRELAO
1.6 DISTRIBUIO NORMAL MULTIVARIADA
1.7 CONVOLUO
1.8 DISTRIBUIES DISCRETAS E MISTAS
1.9 DISTRIBUIO DELTA DE DIRAC
1.10 DISTRIBUIES GENERALIZADAS
1.11 EXERCCIOS
BIBLIOGRAFIA
NOTAS
Nada na natureza aleatrio. Se algo parece aleatrio para ns,
apenas por nossa falta de conhecimento.
A. INFLUNCIA DO AMBIENTE
C. ALEATORIEDADE INTRNSECA
Uma varivel aleatria uma varivel cujo valor incerto. Uma varivel
aleatria pode ser contnua, discreta ou mista. Uma varivel aleatria
contnua pode ter qualquer valor real, enquanto as discretas geralmente
podem assumir apenas valores inteiros. Variveis aleatrias mistas
apresentam caractersticas de ambos os tipos.
Ou seja, a cada varivel aleatria X estar associada uma funo f(x) tal
que f(x)0 e:
Nesta equao, a uma constante positiva, que pode ser interpretado como
uma taxa, e n um nmero natural positivo, n = 1, 2, ...
A constante de normalizao :
Esta funo tambm pode ser escrita usando uma notao especial, que a
funo indicadora de um conjunto A. Dado um conjunto A, sua funo
indicadora :
Se X for uma varivel aleatria contnua, F( x ) ser contnua para todo x . Ela
no necessariamente derivvel em todos os pontos, mas, onde a derivada
existir, teremos:
Calcule a mdia de X.
Nem toda varivel aleatria possui mdia, como se v pelo exemplo seguinte.
EXEMPLO 1.15: As variveis aleatrias abaixo no possuem mdia.
(Ou seja, para uma varivel aleatria exponencial, a mdia igual ao desvio
padro.)
Logo:
De modo que:
Resultando em:
No caso bivariado, a funo densidade conjunta nos diz como calcular
probabilidades conjuntas para X e Y. No entanto, deve ser possvel calcular
as densidades univariadas fX(x) e fY(y) de X e Y. De fato, consideremos a
frmula (1.70), no caso particular em que h apenas duas variveis e A =
{(x,y)| a < X b }. Ela pode ento ser reescrita:
Como isto vale para todo intervalo (a,b], conclumos que a integral entre
parnteses deve ser a densidade marginal de X. Ou seja:
Podemos fazer um clculo semelhante para encontrar fY(y), mas neste caso
melhor observar que a distribuio conjunta f(x,y) simtrica, ou seja,
trocando x e y de lugar, ela permanece a mesma:
Simplificando:
Portanto, basta que a densidade conjunta seja fatorvel para que as variveis
sejam independentes.
Resposta: Temos
A correlao :
A estratgia para calcular esta integral dupla completar o quadrado na
expresso (1.103), obtendo:
Simplificando:
Esta integral pode ser resolvida por integrao por partes, resultado em:
Prova: Se X e Y so independentes:
Ou seja, se X e Y so independentes:
TEOREMA 1.8:
Prova: Basta desenvolver o produto e aplicar as propriedades da esperana:
Observe que nesta integral usamos o fato de que a integral de uma funo
mpar em toda a reta zero. Analogamente:
Logo:
Quando a covarincia entre duas variveis aleatrias nula, dizemos que elas
so descorrelatadas. Pelo exposto acima, independncia implica em
descorrelao, mas no o contrrio. Na verdade, a covarincia, assim como o
coeficiente de correlao, que veremos a seguir, mede a dependncia linear
entre X e Y. No caso acima, h uma dependncia no linear, de um modo tal
que a covarincia no consegue detectar. Existem outras medidas de
associao que detectam relaes no lineares, mas isto foge ao escopo do
nosso livro.
Como funo de a , esta expresso uma parbola e deve ser maior ou igual
a zero, j que uma varincia. Logo, seu mnimo deve ser maior ou igual a
zero:
Portanto:
Logo:
Onde:
mX o vetor de mdias:
Logo:
dada por:
Portanto:
A convoluo uma operao algbrica que a cada duas funes, f(x) e g(x),
associa outra funo dada por:
Substituindo:
Note que:
Ou ainda:
Substituindo na integral:
Podemos eliminar a funo indicadora 1[0,z] notando que fora de [0,z] esta
funo nula, logo, no precisamos integrar fora deste intervalo. Dentro de
[0,z], ela igual a 1, ento podemos reescrever a integral:
Logo:
Simplificando:
A operao de convoluo aparece em diversos contextos, no apenas na
teoria das probabilidades.
Comutatividade:
Distributividade:
Associatividade:
Derivada:
Antiderivada:
Integral definida:
Translao:
Reescalonamento:
1.8 DISTRIBUIES DISCRETAS E MISTAS
Note que neste caso importante a colocao correta dos sinais de < e .
Toda funo de probabilidade acumulada contnua direita, mas
descontnua esquerda nos pontos de descontinuidade. Assim, o sinal de
sempre fica no limite esquerdo dos intervalos onde F ( x ) constante
(verifique!).
A partir da, a funo deve continuar igual a 1, pois F ( x ) nunca pode ser
decrescente, para nenhum tipo de varivel. Ela pode no mximo ser constante
em alguns intervalos. Note que podemos dizer que:
Para lidar com situaes de densidade infinita, o fsico Paul Dirac concebeu
uma funo, hoje conhecida como delta de Dirac (ou funo impulso).
Tradicionalmente, a funo delta de Dirac apresentada assim:
Esta representao intuitiva e til, pois descreve uma densidade que nula
fora da origem (no h nada fora da origem) e infinita na origem. Ou seja,
toda a quantidade est concentrada em x = 0.
EXEMPLO 1.35: Suponha que uma varivel aleatria pode assumir o valor
X = 1 com probabilidade 1/4 ou X = 3 com probabilidade 3/4. Ento a funo
densidade de X pode ser escrita como:
Para chegar a este resultado, podemos comear aproximando (x) por uma
sequncia de densidades cada vez mais concentradas na origem. Por
exemplo, podemos comear com uma gaussiana (outro nome para a
distribuio normal) de mdia 0 e desvio padro igual a 1:
Fazendo a substituio y = nx :
Esta abordagem, seguida por Laurent Schwartz, embora mais formal e menos
intuitiva, tem algumas vantagens. Por exemplo, pela definio (1.201),
inevitvel concluir que (x) = (x) , pois (x) = para x = 0 e (x)=
0 para x 0. Mas, como vimos acima, (x) bem distinto de (x). Na
abordagem de Schwartz, um funcional tal que ( )[g]= g(0) .
Ou seja:
EXEMPLO 1.40: Seja g(x) uma funo integrvel. Definimos a parte finita
de 1/x por:
Onde:
Ou seja:
Por exemplo:
Um conjunto dito ter medida nula quando pode ser coberto por uma
coleo enumervel de intervalos abertos (an,bn), n=0,1,2,3,..., de tal modo
que a soma dos comprimentos destes intervalos seja to pequena quanto se
queira, ou seja, dado qualquer nmero , temos uma coleo de intervalos tais
que:
Dizemos que duas funes f(x) e g(x) so quase sempre iguais (equal
almost everywhere) se so iguais para todos os valores de x, menos em um
conjunto de medida nula M. Anotamos:
Portanto:
Ou ainda:
Logo:
Ou, mais simplesmente:
Esta identidade nos diz que, quando f(x) derivvel, sua derivada como
funo generalizada idntica derivada comum. A nica diferena que,
para funes generalizadas, as igualdades so vlidas no sentido quase
sempre. Ou seja, modificando uma derivada em um nico ponto (ou um
conjunto enumervel de pontos) o resultado no se altera.
Para abreviar, anotaremos apenas fT. Neste caso, vale a regra do produto:
Logo:
Suponha que conhecemos h(x) e queremos encontrar f(x) que satisfaa esta
equao. Evidentemente, se h(x) 0 para todo x, a nica soluo f(x) = 0
para todo x. Se h(x) possui razes nos pontos x1, x2,..., ento f(x) pode ter
qualquer valor nestes pontos e ser uma soluo da equao. Ou seja,
podemos ter:
EXERCCIO 1.4: Prove que, se X possui uma mdia, ela igual diferena
das reas A1 A2 abaixo.
EXERCCIO 1.5: Se a densidade conjunta de X e Y :
Calcule:
Onde:
RESPOSTAS:
Dividimos a integral:
Note que:
Mdia:
Varincia:
A autocovarincia :
Onde:
Temos:
Cujas razes so :
Ou ainda:
Resposta: A mdia
Cuja soluo :
E n = 0, se n>q.
EXEMPLO 3.7: Considere o processo MA(2):
A varincia :
Temos:
A segunda somatria :
Temos:
Portanto:
Sumarizando:
Ou seja:
Isto define uma matriz, chamada matriz de transio da cadeia. Alm disso,
costume representar uma cadeia de Markov por meio de um grafo, onde os
ns so os estados do processo e as arestas representam transies com
probabilidade no nula entre os estados.
Dada uma distribuio inicial p0, os vetores subsequentes p0, p1,... podem ser
calculados usando o teorema a seguir:
E suponha que o estado inicial 0 ou 1 com probabilidade 0,5 para cada um,
ou seja:
Temos ento:
Vemos que no Exemplo 4.5 a probabilidade de estar no estado 0 parece estar
convergindo para 0,428, aproximadamente. Isto nos leva a definir a
distribuio limite da cadeia:
Se este limite existir, ele tem uma interpretao simples: no longo prazo, a
probabilidade de o processo estarno estado j aproximadamente (j).
Assim, se a distribuio limite existe, ela deve ser igual a uma probabilidade
estacionria da cadeia. O que, ento, pode garantir a existncia da
distribuio limite ? Uma condio suficiente que a cadeia seja irredutvel
e aperidica.
TEOREMA 4.2: Se uma cadeia finita irredutvel, ento ela possui uma
(nica) distribuio estacionria .
Escrevendo:
Temos:
Multiplicando as matrizes:
Ou seja:
Logo:
Portanto, no longo prazo, o processo passar 3/7 do tempo no estado 0 e 4/7
do tempo no estado 1
4.4 CADEIAS REDUTVEIS
EXEMPLO 4.13: Considere a cadeia da Figura 4.8. Ela tem duas classes de
comunicao fechadas: C1={0} e C2={3,4}.
Probabilidade de absoro
Resolvendo o sistema:
Portanto, se o processo inicia no estado 1, h probabilidade 2/9 de que volte
ao estado 1 e h probabilidade 2/3 de que visite o estado 2 pelo menos uma
vez.
Note que no exemplo acima, temos a11<1, o que significa que o estado 1
transiente. Se partimos dele, ns o visitaremos apenas um nmero finito de
vezes. Contudo, poderamos chegar a esta concluso de forma mais simples:
Em uma cadeia finita, todos os estados que pertencem a uma classe de
comunicao fechada so recorrentes e os estados que no pertencem a
nenhuma classe de comunicao fechada so transientes. Neste caso, 0, 3 e 4
so recorrentes, enquanto 1 e 2 so transientes.
Ento:
O que fornece:
Portanto:
E, portanto:
Resolvendo:
Substituindo o valor de a:
Um ponto importante da teoria das cadeias de Markov que nem todo estado
recorrente ou seja, um estado para o qual h probabilidade certa de voltar
(aii=1) tem tempo mdio de retorno finito. Os estados recorrentes para os
quais Mi< so chamados recorrentes positivos. Os estados recorrentes para
os quais Mi= so chamados recorrentes nulos. Se a cadeia for irredutvel,
todos os estados devem estar na mesma classe, ou seja, se um estado for
transiente/recorrente positivo/recorrente nulo, todos sero.
4.5 CADEIAS DE NASCIMENTO E MORTE
Portanto:
O que acontece se p q ? Neste caso, a cadeia ser transiente ou recorrente
nula. Ou seja, teremos i = 0 para i = 0,1,2,... A nica maneira de isto
acontecer se Xt . Como Xt o nmero de clientes na fila, conclumos
que se pq, a fila explodir em tamanho.
Note que a frmula vale para i=0 tambm. E esta exatamente a definio de
coeficiente binomial:
Logo:
Se p=q:
E:
Onde:
A verso mais simples deste modelo chamada runa de jogador. Contudo,
como dissemos, no um modelo especfico para jogos de azar, mas um
modelo que se adapta a diversas situaes, como finanas e gentica de
populaes. Consiste em considerar todas as probabilidades iguais, pi=p e
qi=q.
E:
E:
Para o tempo mdio de absoro no existe uma frmula analtica para todos
os casos. Pode-se apenas usar o Teorema 4.6 de forma recursiva, o que
fornece, para o nmero mdio de passos para absoro a partir do estado i:
Ou seja:
Com as condies de fronteira:
Suponhamos que, em uma cadeia de Markov, a cada vez que passamos pelo
estado i, ganhamos uma recompensa ri . Definimos o valor esperado da
recompensa total:
Cuja soluo fornece v0 = 10. Ou seja, o mineiro levar em mdia 10h para
sair da mina
Onde:
Definimos os vetores:
Queremos ento inferir quais os valores provveis para o vetor Xn, ou seja:
Com:
E finalmente o estgio 3:
Nesta ltima tabela, vemos que o valor de x3 que maximiza V3 x3=0. Nesta
mesma tabela, vemos que o valor correspondente para x2 x2=0. Na tabela
anterior, vemos que o valor de x1 correspondente a x2=0 x1=1. Logo, nossa
estimativa para o sinal original :
4.8 EXERCCIOS
No longo prazo, qual ser a proporo de cada classe social nesta sociedade ?
EXERCCIO 4.6: Considere o prottipo de rede World Wide Web na Figura
4.21. Considere a verso simplificada do sistema PageRank, na qual as
probabilidades de transio so dadas por:
Calcule:
(a) A probabilidade de um item conseguir ser finalizado.
(b) O nmero mdio de vezes que um item ser processado.
RESPOSTAS:
(a) 4,3%
(b) 21,7%
(c) 25 anos.
x = (1 0 0)
CAPTULO 5 CLCULO ESTOCSTICO
5.1 O PROCESSO DE WIENER
Onde Zt um rudo branco sem correlao com Wt para s<t. Este claramente
no um processo estacionrio. Supondo que W0 = 0, por recurso, podemos
escrever:
Teremos ento:
(a) W(0) = 0.
(b) W(t) quase sempre contnuo.
(c) W(t)W(s) tem distribuio normal com mdia zero e varincia t
s, para todo t>s.
(d) W(t1)W(s1) e W(t2)W(s2) so independentes para s1<t1s2<t2.
Na condio (b), quase sempre contnuo significa que W(t) contnuo para
todo t, exceto em um conjunto de medida nula (ver captulo 1). Na condio
(c), escolhemos 2=1. Isto no implica em perda de generalidade, pois um
processo com 1 pode ser escrito como Y(t)=W(t). Na condio (d),
postulamos a condio mais forte de que os incrementos devem ser
independentes, em vez de apenas descorrelatados.
5.2 PROCESSOS DE IT
Escrevendo:
Podemos generalizar e escrever um processo X(t) que tem desvio padro (t)
como o limite da soma:
Onde tk=kt e (t) uma funo definida em [0,T]. O limite desta soma ser
uma integral, chamada integral de It:
Quando (t)=1 para todo t, temos X(t)=W(t). Como X(t) o limite de uma
soma de variveis independentes com mdia zero e varincia finita, ento
X(t) uma varivel normal, com varincia:
Podemos tambm escrever X(t) na forma diferencial:
Onde:
Pode-se tambm provar que:
Por exemplo, suponha que X(t) seja um processo com desvio padro e
fluxo e seja:
Ento:
E como:
Temos:
Logo:
Seja ento:
Temos ento:
De modo que:
5.3 EQUAO DE FOKKERPLANCK
Integrando:
Cuja soluo :
De modo que:
Portanto, se escolhermos:
Assim, escolhendo o valor de no tempo t, o portfolio do lanador tem um
valor conhecido no tempo t+dt. Por isto, esta variao no valor do portfolio
deve ser igual ao que ele obteria se investisse o valor em um ativo livre de
risco, que daria uma remunerao:
Ou seja:
O que fornece:
Temos:
Definindo:
Temos:
Com a substituio:
Temos:
TEOREMA 6.1: Se x(t) uma funo com quadrado integrvel, ou seja, se:
Logo:
E:
Portanto:
Fazendo a substituio z = s:
Portanto:
Pela linearidade:
Logo:
Pela linearidade:
Ou seja:
Integrando:
Portanto:
Portanto:
Logo:
Resposta:
Portanto:
Resposta: Temos:
Logo:
Derivando:
Por simetria:
Portanto:
Ento:
Portanto:
Usando os resultados do Exemplo 6.22 com n = 1:
Como o seno uma funo mpar, o sinal pode ser includo no seu
argumento:
E como:
Conclumos que:
Portanto:
Cuja soluo :
Logo:
EXEMPLO 6.27: Calcule a transformada de:
Resposta: Temos:
Ou seja:
Definindo:
Se f < 0:
Portanto:
Substituindo f = |f|:
Portanto, se f < 0:
Como a funo par, sua transformada tambm par. Logo, esta frmula
vale para todo f.
6.4 DENSIDADE ESPECTRAL DE ENERGIA
A funo:
chamada densidade espectral de energia do sinal x(t). Note que se x(t)
uma funo real, ento X(f) deve ser hermitiana, logo (f) ser par:
Integrando:
Portanto, a energia na faixa de frequncias (0,a/2] :
Sua transformada :
E a potncia mdia :
Queremos calcular:
Notemos que:
Logo:
E como a funo de autocorrelao par:
Como || 1, ento:
A funo de autocorrelao, por exemplo, como vimos na seo 2.5, pode ser
estimada atravs da mdia:
Supondo que o sinal dure o intervalo [T/2,T/2], esta mdia pode ser escrita:
Onde:
Ou podemos usar como estimador a transformada da autocorrelao:
Assim:
Prova: De fato:
Portanto:
Logo:
Ou, aproximando: BRMS 0,5. Note que este resultado pode ser calculado
diretamente a partir da resposta do exerccio 1.2, pois esta uma distribuio
de Maxwell-Boltzmann e BRMS o desvio padro da distribuio.
6.8 FILTROS LINEARES
De fato:
Assim, um filtro passa baixa ideal uma convoluo com a funo sinc(t).
No processamento digital de imagens, as frequncias mais altas esto
associadas aos detalhes da imagem. Neste caso, uma convoluo com a
funo sinc(x) remove os detalhes da imagem, deixando-a embaada. A
diferena z(t) = x(t) h(t)*x(t) conter ento os detalhes da imagem.
6.9 EXERCCIOS
RESPOSTAS:
Temos:
Analogamente:
Simplificando:
Lembrando que:
Temos:
Analogamente:
Portanto:
Mdia:
Varincia:
Logo:
Para classificar filas, usa-se a notao de Kendall: Ela tem o formato A/B/C,
onde A o processo de chegada, B o processo de atendimento e C o
nmero de servidores. Assim, uma fila M/M/1 uma fila com processo de
chegada markoviano, processo de atendimento markoviano e 1 servidor.
Outras letras usadas so D para um processo com tempo determinstico, E
para um tempo com distribuio de Erlang e G para um processo genrico,
no especificado. Assim, uma fila M/E/3 uma fila com processo de chegada
markoviano, tempo de atendimento com distribuio de Erlang e 3
servidores.
Taxas de Chegada
Neste caso, ele pode ser interpretado como sendo a taxa efetiva de entrada, ou
seja, os clientes chegam a uma taxa , mas apenas uma taxa e = (1PN)
chega a entrar no sistema. Neste caso, h uma taxa de perda de clientes: P =
PN.
Taxas de Sada
Se houver vrios servidores, a taxa de sada do sistema ser a soma das taxas
dos servidores em atendimento: Se todos os servidores tiverem a mesma taxa
, a taxa de partida quando houver n usurios no sistema ser:
Teorema de Little
TEOREMA 7.1: Para uma fila ergdica:
Prova: Seja H(t) o total de horas gastas pelos clientes no sistema at o tempo
t ou seja:
Prova:
Por um raciocnio anlogo, se a fila no limitada, a carga mdia deve ser <
1 para que o sistema seja estacionrio. Alternativamente, podemos definir a
taxa de utilizao do sistema:
De fato:
7.2 O SERVIDOR MARKOVIANO
Portanto:
Seja F(t) a funo de probabilidade acumulada de T e:
Ento:
A nica funo contnua que satisfaz esta relao para todo s e t > 0 uma
funo exponencial. De fato, calculando a derivada:
Definindo:
Temos:
Logo:
Um exemplo disto uma fila com um servidor na qual dois eventos podem
ocorrer: um novo cliente chega, aumento em +1 o nmero de clientes no
sistema, ou o cliente em atendimento termina seu atendimento, o que diminui
em 1 o nmero de clientes no sistema.
Onde:
Portanto:
Substituindo e reorganizando:
Resultando em:
Com 0 = 1. Se:
Ou seja:
Para n = 1:
Portanto:
Por induo:
Recordemos que uma fila M/M/1 uma fila na qual o processo de chegada
um processo markoviano (mais especificamente, um processo de Poisson), o
processo de atendimento tambm markoviano (portanto, o tempo de
atendimento tem distribuio exponencial) e h apenas um servidor.
Aplicaremos o Teorema 7.6 para encontrar as probabilidades estacionrias e
os parmetros de filas M/M/1 limitadas e no limitadas com taxa de chegada
constante.
O diagrama de transies para uma fila M/M/1 mostrado na Figura 4.6. Este
diagrama corresponde ao processo x(t) do nmero de clientes no sistema (fila
+ atendimento) no tempo t. Se h k clientes no sistema, ento x(t) pode passar
a k+1 se chegar mais um cliente, ou a k1 se um cliente termina seu
atendimento. A taxa de transio para a primeira possibilidade e a taxa de
transio para o segundo caso .
E, como WS = WQ + m:
Logo:
(b) Se m aumentar para 11,5 segundos:
E as taxas de atendimento:
Logo, os coeficientes n so:
Portanto:
Portanto, se 1:
Se 1, temos ento:
E a distribuio limite :
Logo:
Logo:
Observe que convertemos WQ para minutos (47,72 seg = 0,795 min) para
calcular LQ, pois a taxa mdia de chegada est em minutos.
Alternativamente, poderamos converter a taxa para segundos. importante
manter a coerncia das unidades, ou os clculos sero invlidos.
(d) Supondo que todos os clientes que entram so atendidos, basta fazer uma
regra de trs: Se em 1 minuto entram 4,64 clientes, em uma hora entraro
60x4,64 = 278 clientes.
7.5 FILAS MARKOVIANAS COM VRIOS SERVIDORES
E se n c:
Portanto:
A segunda soma pode ainda ser simplificada:
Portanto, se < c:
Logo, se < c:
J vimos que:
Ento:
Substituindo os valores:
Agora, temos:
Logo:
Reorganizando:
O caso = c deixado como exerccio.
Resposta:
Temos:
Logo:
(b) Se limitamos a fila a 50 clientes, teremos N = 50 + 3 (o sistema estar
limitado a 50 clientes na fila mais 3 em atendimento). Ento LQ ser
multiplicado pelo fator:
Logo:
Na situao de 4 servidores:
Na situao de m = 17 minutos:
Logo:
E varincia:
A carga do sistema :
EXEMPLO 7.12: Uma fila M/E/1 uma fila com processo de chegada de
Poisson e tempo de atendimento com distribuio de Erlang. Vimos que a
distribuio de Erlang :
A mdia e o desvio padro so:
EXERCCIO 7.1: Prove que para uma fila M/M/1 limitada com = 1,
temos:
EXERCCIO 7.2: Prove que para uma fila M/M/c limitada com = c,
temos:
EXERCCIO 7.3: No caso de uma fila M/G/1, use o Teorema de Little para
derivar frmulas para os parmetros LS, WS e WQ.
EXERCCIO 7.4: Prove que, em uma fila limitada com 1 servidor e taxa de
chegada constante:
E taxas de atendimento:
EXERCCIO 7.10: Prove que uma fila no limitada ser estacionria se:
RESPOSTAS
Logo:
Portanto:
Por outro lado, para toda fila ergdica, segundo o Teorema 7.2:
Para que a fila seja estacionria, a srie n deve convergir. Segundo o teste
da razo para convergncia de uma srie de nmeros reais, esta srie
converge se:
BRACEWELL, R. N., The Fourier Transform and Its Applications (3rd ed.),
McGraw-Hill, 2000.