Vous êtes sur la page 1sur 30

Processos Estocsticos

Mestrado em Cincias Actuariais


Alexandra Bugalho de Moura

/h

81,9(56,'$'(
( ' 8$ 5 ' 2
021'/$1(


)$&('UHDOL]D
Agosto 2017 6HPLQiULRVRE
,QFOXVLYDQRSD

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 1 / 30


Outline

Outline

1 Noes gerais
Relembrar de teoria de probabilidades
Noes gerais
Especificao
Classificao
Exemplos de Processos Estocsticos

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 2 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Seja o conjunto espao dos resultados

-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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 3 / 30


Noes gerais Relembrar de teoria de probabilidades

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

Funo de distribuio de probabilidade


FX : R R tal que
FX (x) = P(X 6 x)

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 4 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Varivel Aleatria Discreta


A varivel aleatria toma um conjunto contvel (finito ou infinito) de valores

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!

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 5 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Varivel Aleatria Continua


A sua funo de distribuio uma funo contnua:

P(X = x) = Fx (x) FX (x ) = 0

Se FX (x) for continuamente diferencivel, ento


Z x
FX (x) = fX (u)du,

onde fX = FX0 a funo densidade de probabilidade de X .


Exemplos:
Varivel contnua X () Distribuio de probabilidade

1/(b a), a6x 6b
Uniforme [a.b] fX (x) =
0, c.c
 2
1 1 x
Gaussiana R fX (x) = e 2 , > 0, R
2

1 x
Exponencial [0, +[ fX (x) = e , > 0, x 60

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 6 / 30


Noes gerais Relembrar de teoria de probabilidades

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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 7 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Funo de Probabilidade Conjunta


Dado um conjunto de variveis aleatrias X1 , X2 , . . . , Xn , designa-se por FX1 ,X2 ,...,Xn a sua funo
de distribuio de probabilidade conjunta:

FX1 ,X2 ,...,Xn (x1 , x2 , . . . , xn ) = P(X1 6 x1 , X2 6 x2 , . . . , Xn 6 xn )

Independncia
Duas v.a. X e Y so independentes sse

FX ,Y (x, y ) = FX (x)FY (y ) x, y R

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 8 / 30


Noes gerais Relembrar de teoria de probabilidades

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

P(X = x|Y = y ) = P(X = x) x, y R caso discreto


fX |Y =y (x) = fX (x) x, y , R caso contnuo

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 9 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Esperana condicional dado um evento


Dada uma varivel aleatria X e um evento A F tal que P(A) > 0, a esperana condicional de
X dado A definida por
1
Z
E (X |A) = X dP
P(A) A

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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 10 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Esperana condicional: caso discreto


Seja Y uma v.a. tal que Y () = {y1 , y2 , . . .} e que P(Y = yn ) > 0. Pretendemos condicionar
uma v.a. X dado a v.a. Y . Como no sabemos a priori quald os eventos An = {Y = yn } pode
ocorrer, necessrio considerar todas as esperanas condicionais

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 ) =

..
.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 11 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Exemplo (continuao): esperana condicional, caso discreto


Considere-se o exemplo anterior e a v.a. Y que retorna o montante da primeira moeda, de 20
cntimos, caso esta se encontre de face voltada para cima:

{Y = 0} = {EF , EE } e {Y = 20} = {FF , FE }

Logo 
25, y =0
E (X |Y = y ) =
45, y = 20

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 12 / 30


Noes gerais Relembrar de teoria de probabilidades

Relembrar

Esperana condicional: caso discreto


A esperana condicional de X dado Y pode ser expressa usando a funo massa de probabilidade
condicionada de X dado Y (se P(Y = y ) > 0)
X
E (X |Y = y ) = xn PX |Y (xn |y )
n

onde (relembre-se)

P(X = xn , Y = y )
PX |Y (xn |y ) = P(X = xn |Y = y ) =
P(Y = y )

Lei da probabilidade total


X
P(X = x) = PX |Y (x|yn ) P(Y = yn )
n

Lei da probabilidade total para a esperana condicional


Sejam Y e Y duas v.a. discretas. Ento, usando a lei da probabilidade total tem-se
X
E (X ) = E (X |Y = yn ) P(Y = yn )
n

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 13 / 30


Noes gerais Relembrar de teoria de probabilidades

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

Lei da probabilidade total


Z +
fX (x) = fX |Y (x) fY (y ) dy

Lei da probabilidade total para a esperana condicional


Sejam Y e Y duas v.a. contnuas. Ento, usando a lei da probabilidade total tem-se
Z +
E (X ) = E (X |Y = yn ) fY (y ) dy

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 14 / 30
Noes gerais Noes gerais

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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 15 / 30


Noes gerais Noes gerais

Noes gerais

Definio: Processo Estocstico


Dado um espao de probabilidades (, F , P) e um conjunto arbitrrio T , um processo esto-
cstico uma funo real e finita, X (t, ), definida em T , que para cada t fixo, t T ,
uma funo mensurvel de . Simblicamente,

{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:

{X (t) ; t T } , {X (t)}tT , {Xt ; t T } , {Xt }tT .

{X (t) ; t 0} , {X (t)}t0 , {Xt ; t = 0, 1, } , {Xt }


t=0 .

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 16 / 30


Noes gerais Noes gerais

Noes gerais

T : Conjunto dos ndices, do parmetro ou do tempo


T Discreto: tipicamente T = {0, 1, 2, . . . } ou T = Z. Neste contexto o processo estocstico
escreve-se X1 , X2 , . . . e diz-se em tempo discreto
T Contnuo: tipicamente T = [0, +[ ou T = R. Neste caso o processo estocstico
escreve-se X (t) e diz-se em tempo contnuo

S : Espao dos estados


Conjunto dos estados do processo estocstico, i.e., conjunto dos valores possveis de X (t).
S Contvel (finito ou infinito). Neste contexto o processo estocstico diz-se discreto
S Contnuo. Neste caso o processo estocstico diz-se contnuo.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 17 / 30


Noes gerais 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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 18 / 30


Noes gerais Noes gerais

Noes gerais

Exemplo: Processo de Bernoulli


Seja uma sucesso infinita de provas de Bernoulli, o intervalo de tempo entre cada prova igual
unidade, a primeira prova realiza-se no instante 0. T = {0, 1, 2, . . .}, o resultado de cada prova

1 se a t + 1 sima prova um sucesso
X (t) =
0 se a t + 1 sima proba um insucesso

Pr{X (t) = 1} = p; Pr{X (t) = 0} = q = 1 p.


X (t) uma v.a. de Bernoulli e a sucesso, {X (t); t = 0, 1, 2, . . .} um processo de Bernoulli.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 19 / 30


Noes gerais Noes gerais

Noes gerais

Exemplo: Processo Binomial


Observao de um fluxo de impulsos de Bernoulli ("1"ou "0") independentes, nos instantes t =
0, 1, 2, . . .. Pretende-se realizar a contagem do nmero de impulsos verificados at ao instante de
amostragem t. 
1 presena de impulso em t
Z (t) =
0 ausncia de impulso em t
O resultado da contagem para cada t
t
X
X (t) = Z (s) Binomial(t + 1; p)
s=0

A sucesso das v.a. {X (t); t = 0, 1, 2, . . .} um processo binomial.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 20 / 30


Noes gerais Noes gerais

Noes gerais

Exemplo: Passeio Aleatrio


Seja uma partcula em movimento que ocupando a posio inicial X0 , observada nos pontos t =
1, 2, . . .. Em t = 1 sofre um salto Z (1), v.a. com f.d. F (.). Em t = 1 salta para o nvel X (0)+Z (1).
Em t = 2 verifica-se novo salto, Z (2), v.a. i.i.d de Z (1) e assim sucessivamente. Depois de t
saltos a posio
X (t) = X (0) + Z (1) + . . . + Z (t) = X (t 1) + Z (t),
Z (t), t = 1, 2, . . . uma sucesso de v.a. i.i.d.. A partcula realiza um passeio aleatrio caracteri-
zado pelo processo {X (t); t = 0, 1, 2, . . .}.

Exemplo: Passeio Aleatrio Simples


Caso particular do anterior em que os saltos Z (t) = 1, 0, 1 com probabilidades p, 1 p q e q
respectivamente, p + q 1.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 21 / 30


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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 22 / 30


Noes gerais Especificao

Especificao

De ordem 1: X (t) FX (t) (x; t)

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)

Esta funo especifica completamente o processo estocstico.

Definio: lei temporal ou lei de probabilidade


A lei temporal associada com o processo {X (t); t T }, a famlia constituida pelas funes
(1) para n = 1, 2, . . . e todos os possveis valores tj , j = 1, 2, . . . , n.
Assim, lei de probabilidade do processo estocstico dada por todas as distribuies de
probabilidade conjuntas de um nmero finito de variveis aleatrias (X (t1 ), . . . , X (tn ))

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 23 / 30


Noes gerais Especificao

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 )

para todo o conjunto finito de ndices t1 , . . . , tn T .

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 24 / 30


Noes gerais Classificao

Classificao

Os processos estocsticos so distinguidos por:


Conjunto de ndices
Espao de estados
Relaes de dependncia entre as v.a. X (t)
Definio
Processo estocstico em tempo discreto: T contvel
Processo estocstico em tempo contnuo: T contnuo

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

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 25 / 30


Noes gerais Classificao

Classificao

Quanto s relaes de dependncia entre as v.a. X (t):

Processos estacionrios
Estationaridade estrita:
d 
(Xt1 , . . . , Xtn ) = Xh+t1 , . . . , Xh+tn

para todo h, e todo o t1 , t2 , . . . , tn T e todo o inteiro n.


Estacionaridade fraca: E [Xt ] constante t e Cov [Xt ; Xt + k] depende apenas de k.

Processos com incrementos estacionrios


O processo estocstico (PE) {X (t) : t T } tem incrementos estacionrios quando a v.a. X (t2 +
h) X (t1 + h) tem a mesma distribuio de X (t2 ) X (t1 ), para todo t1 , t2 e h > 0

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 26 / 30


Noes gerais Classificao

Classificao

Processos com incrementos independentes


t e u > 0, o incremento (Xt+u Xt ) independente de {Xs , 0 s t}.
Ou seja: t0 < t1 < < tn < t as v.a

X (t1 ) X (t0 ), X (t2 ) X (t1), . . . , X (tn ) X (tn1 )

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.

Processos com incrementos estatcionrios e independentes


Neste caso o processo completamente especificado pela lei de probabilidade de X (t).

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 27 / 30


Noes gerais Classificao

Classificao

Processo de Markov
Verifica a Propriedade de Markov:

Pr [a < Xt 6 b|X (t1 ) = x1 , X (t2 ) = x2 . . . , X (tn ) = xn ] = Pr [a < Xt 6 b|X (tn ) = xn ]

para t1 < t2 <, . . . , < tn < t, e todo o a, b.


Ou, mais simples
Pr [Xt x|Fs ] = Pr [Xt A|Xs ]
onde Ft : Ft Fu , t u uma Filtrao.

Se S discreto (probabilidade de transio):

Pr [Xt = a|Xs1 = xs1 , . . . , Xsn = xsn , Xs = x] = Pr [Xt = a|Xs = x]

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 28 / 30


Noes gerais Exemplos de Processos Estocsticos

Exemplos de Processos Estocsticos

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!

Processo de Poisson Composto


Nt
X
Xt = Yj
j=1

com {Nt ; t 0} Processo de Poisson e {Yi }


i=1 sequncia de v.a.s i.i.d. e independente de {Nt }.
Aplicao em Teoria do Risco.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 29 / 30


Noes gerais Exemplos de Processos Estocsticos

Exemplos de Processos Estocsticos

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.

Alexandra Bugalho de Moura Processos Estocstico, UEM Agosto 2017 30 / 30