Baixe o app para aproveitar ainda mais
Prévia do material em texto
Processos Estocásticos Mestrado em Ciências Actuariais Alexandra Bugalho de Moura �ĚŝĕĆŽ�ŶǑ͗�ϵϱ YƵĂĚƌŽƐ�ĚĞ�ĚŝǀĞƌƐĂƐ�ŽƌŐĂŶŝnjĂĕƁĞƐ�ŶĆŽͲŐŽǀĞƌŶĂŵĞŶƚĂŝƐ͕�ŵŝŶŝƐƚĠƌŝŽƐ�Ğ�ŝŶƐƟƚƵŝĕƁĞƐ�ĚĞ�ĞŶƐŝŶŽ�ƐƵƉĞƌŝŽƌ�ĞƐƟǀĞƌĂŵ�ƌĞƵŶŝĚŽƐ�Ă�ϭϬ�ĚĞ��ďƌŝů͕�Ğŵ� DĂƉƵƚŽ͕�Ğŵ�^ ĞŵŝŶĄƌŝŽ�ƐŽďƌĞ�Ă�&ŽƌŵĂĕĆŽ�Ğ��ĚƵĐĂĕĆŽ�/ŶĐůƵƐŝǀĂ͘�KƌŐĂŶŝnjĂĚŽ�ƉĞůĂ�&ĂĐƵůĚĂĚĞ�ĚĞ��ĚƵĐĂĕĆŽ�ĚĂ�h�D�;&����Ϳ͕�Ž�ĞǀĞŶƚŽ�ƟŶŚĂ�ĐŽŵŽ� ŽďũĞĐƟǀŽ�ƌĞŇĞĐƟƌ�ƐŽďƌĞ�Ă�ƋƵĞƐƚĆŽ�ĚĂ�ŝŶĐůƵƐĆŽ�ŶŽ�ƉƌŽĐĞƐƐŽ�ĚĞ�ĞŶƐŝŶŽ�Ğ�ĂƉƌĞŶĚŝnjĂŐĞŵ�ƋƵĞ�ĐŽŶƟŶƵĂ�ŵƵŝƚŽ�ĂƋƵĠŵ�ĚĂƐ�ĞdžƉĞĐƚĂƟǀĂƐ͕�ŶŽ�ƉĂşƐ͘ ��WĄŐ͘�ϴ �ďƌŝů��ͻ��ϮϬϭϱ WĄŐ͘�ϰ WĄŐ͘�ϲ WĄŐ͘�Ϯ &$,&&�GLVWLQJXLGR�QD�FDWHJRULD�GH�2XUR� SHOD�*OREDO�,QQRYDWLRQ�:HHN� �ĞĐŽƌƌĞƵ�ŶŽƐ�ĚŝĂƐ�ϴ�Ğ�ϵ�ĚĞ��ďƌŝů͕�Ğŵ�DĂƉƵƚŽ͕�Ž�^ ĞŵŝŶĄƌŝŽ�ZĞŐŝŽŶĂů�ƐŽďƌĞ�Ž��ĂƌďŽŶŽ�ĚŽƐ� DĂŶŐĂŝƐ�ĚŽ��ĞůƚĂ�ĚŽ�ĂŵďĞnjĞ͘�K�ĞǀĞŶƚŽ͕�ƋƵĞ�ƌĞƷŶĞ�ă�ŵĞƐŵĂ�ƐĂůĂ�ĐŝĞŶƟƐƚĂƐ�ƌĞŐŝŽŶĂŝƐ�Ğ� ŝŶƚĞƌŶĂĐŝŽŶĂŝƐ͕� ĐŽŶƐƟƚƵŝ� Ƶŵ� ĞƐƉĂĕŽ� ĚĞ� ĂƉƌĞƐĞŶƚĂĕĆŽ� ĚŽƐ� ƌĞƐƵůƚĂĚŽƐ� ĚŽ� WƌŽũĞĐƚŽ� ĚŽ� �ĂƌďŽŶŽ�ĚŽƐ�DĂŶŐĂŝƐ�Ğ�ƉƌĞƚĞŶĚĞ�ƚƌĞŝŶĂƌ�ŽƐ�ƉĂƌƟĐŝƉĂŶƚĞƐ�ĚĞ�ŵĞƚŽĚŽůŽŐŝĂƐ�ĚĞ�ĂǀĂůŝĂĕĆŽ� ĚŽ�ĐĂƌďŽŶŽ�Ğ�ĚĞ�ŵŽŶŝƚŽƌŝĂ͕�ŝŶǀĞŶƚĂƌŝĂĕĆŽ�ĚĂ�ǀĞŐĞƚĂĕĆŽ�Ğ�ŵĂƉĞĂŵĞŶƚŽ͘ ��hŶŝǀĞƌƐŝĚĂĚĞ��ĚƵĂƌĚŽ�DŽŶĚůĂŶĞ�;h�DͿ�Ğ�Ž��ĂŶĐŽ��ŽŵĞƌĐŝĂů�Ğ�ĚĞ�/ŶǀĞƐƟŵĞŶƚŽƐ�;��/Ϳ� ĂƐƐŝŶĂƌĂŵ�ŶĂ�ŵĂŶŚĆ�ĚĞ�ŚŽũĞ͕�ϬϮ�ĚĞ��ďƌŝů͕�ƵŵĂ��ĚĞŶĚĂ�ĚĞ��ŽŶƚƌĂƚŽ�ĚĞ�WĂƌĐĞƌŝĂ�ĞŶƚƌĞ�ĂƐ� ĚƵĂƐ�ŝŶƐƟƚƵŝĕƁĞƐ�ǀŝƐĂŶĚŽ�Ž�ĂƉŽŝŽ�ĚĂƐ�ĂƌƚĞƐ�Ğ�ĐƵůƚƵƌĂ�ŶĂ�h�D͘���ƌĞŶŽǀĂĕĆŽ�ĚŽ�ĐŽŶƚƌĂƚŽ͕� ĐŽŵ�ĚƵƌĂĕĆŽ�ĚĞ�ϯ�;ƚƌġƐͿ�ĂŶŽƐ͕�ƉĞƌŵŝƚĞ�Ă�h�D�Ƶŵ�ĞŶĐĂŝdžĞ�ĮŶĂŶĐĞŝƌŽ�ĚĞ�hŵ�DŝůŚĆŽ�ĚĞ� DĞƟĐĂŝƐ� ĚĞƐƟŶĂĚŽƐ� ă� ĂĐƟǀŝĚĂĚĞƐ� ĚĞ� ĚĞƐĞŶǀŽůǀŝŵĞŶƚŽ� ĚŽƐ� ŵƵƐĞƵƐ� Ğ� ĞƐƉĂĕŽƐ� ŵƵƐĞŽůſŐŝĐŽƐ͘� 8(0�H�%&,�UHQRYDP�SDUFHULD 0DSXWR�DFROKH�6HPLQiULR�5HJLRQDO� VREUH�R�&DUERQR�GRV�0DQJDLV 81,9(56,'$'( ( ' 8$ 5 ' 2 021'/$1( �ŽůĞƟŵ�/ŶĨŽƌŵĂƟǀŽ�ĚĂ�hŶŝǀĞƌƐŝĚĂĚĞ��ĚƵĂƌĚŽ�DŽŶĚůĂŶĞ )$&('�UHDOL]D�SULPHLUR� 6HPLQiULR�VREUH�(GXFDomR� ,QFOXVLYD�QR�SDtV Agosto 2017 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 1 / 30 Outline Outline 1 Noções gerais Relembrar de teoria de probabilidades Noções gerais Especificação Classificação Exemplos de Processos Estocásticos Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 2 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Seja Ω o conjunto espaço dos resultados σ-álgebra Colecção F de subconjuntos de Ω tal que: 1 ∅ ∈ F 2 A ∈ F sse Ac ∈ F 3 ⋃ n An ∈ F para quaisquer A1,A2, . . . ∈ F Os elementos de uma σ-álgebra designam-se por eventos Medida de Probabilidade Função P : F −→ [0, 1] tal que P(∅) = 0 e P (⋃ n An ) = ∞∑ n=1 P(An) Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 3 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Variável Aleatória Função mensurável X : Ω −→ R Ser mensurável significa que a imagem inversa de qualquer conjunto aberto é um evento, ou equivalentemente: X−1 (]a, b[) ∈ F , ∀a < b Função de distribuição de probabilidade FX : R −→ R tal que FX (x) = P(X 6 x) Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 4 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Variável Aleatória Discreta A variável aleatória toma um conjunto contável (finito ou infinito) de valores X (Ω) = {x1, x2, . . .} Exemplos: Variável discreta X (Ω) Distribuição de probabilidade Bernoulli {0, 1} P(X = 1) = p, p ∈ [0, 1] Binomial {0, . . . , n} P(X = k) = Cnk pk (1− p)n−k Poisson {1, 2, 3, . . .} P(X = k) = e−λ λ n n! , λ > 0 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 5 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Variável Aleatória Continua A sua função de distribuição é uma função contínua: P(X = x) = Fx (x)− FX (x−) = 0 Se FX (x) for continuamente diferenciável, então FX (x) = ∫ x −∞ fX (u)du, onde fX = F ′X é a função densidade de probabilidade de X . Exemplos: Variável contínua X (Ω) Distribuição de probabilidade Uniforme [a.b] fX (x) = { 1/(b − a), a 6 x 6 b 0, c.c Gaussiana R fX (x) = 1 σ √ 2pi e − 12 ( x−µ σ )2 , σ > 0, µ ∈ R Exponencial [0,+∞[ fX (x) = 1 θ e− x θ , θ > 0, x 6 0 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 6 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Valor Esperado Se X é integrável em relação a P, então definimos o valor esperado como E(X ) = ∫ Ω XdP V.a. discreta: E(X ) = ∑ n xnP(X = xn) V.a. contínua: E(X ) = ∫ ∞ −∞ x fX (x)dx Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 7 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Função de Probabilidade Conjunta Dado um conjunto de variáveis aleatórias X1,X2, . . . ,Xn, designa-se por FX1,X2,...,Xn a sua função de distribuição de probabilidade conjunta: FX1,X2,...,Xn (x1, x2, . . . , xn) = P(X1 6 x1,X2 6 x2, . . . ,Xn 6 xn) Independência Duas v.a. X e Y são independentes sse FX ,Y (x , y) = FX (x)FY (y) ∀x , y ∈ R Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 8 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Probabilidade condicionada P(X = x |Y = y) = P(X = x ,Y = y) P(Y = y) se P(Y = y) > 0, caso discreto fX |Y (x) = fX ,Y (x , y) fY (y) se fY (y) > 0, caso contínuo Independência Duas v.a. X e Y são 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 contínuo Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 9 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Esperança condicional dado um evento Dada uma variável aleatória X e um evento A ∈ F tal que P(A) > 0, a esperança condicional de X dado A é definida por E(X |A) = 1 P(A) ∫ A X dP Exemplo Considere 2 moedas de 20 e 50 cêtimos. Lançam-se as moedas ao ar e somam-se os montantes das moedas que ficaram com a face voltada para cima. Esse montante é o valor da variável aleatória X . Seja A o evento de uma (e uma só) moeda ficar com a face voltada para cima. Calcule E(X |A). Note-se que A = {EF ,FE} (E simboliza escudo e F face). Então 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 E(X |A) = 1 1/2 ( 50× 1 4 + 20× 1 4 ) = 35 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 10 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Esperança condicional: caso discreto Seja Y uma v.a. tal que Y (Ω) = {y1, y2, . . .} e que P(Y = yn) > 0. Pretendemos condicionar uma v.a. X dado a v.a. Y . Como não sabemos a priori quald os eventos An = {Y = yn} pode ocorrer, é necessário considerar todas as esperanças condicionais E(X |Y = y1),E(X |Y = y2), . . . Definição A esperança condicional de X dado Y é a função E(X |Y ) : Ω −→ R tal que E(X |Y )(ω) = E(X |An) se ω ∈ {Y = yn} Uma vez que E(X |Y ) é constante nos eventos {Y = yn}, podemos definir de forma análoga a esperança condicional de X dado Y como E(X |Y = y) : R −→ R tal que E(X |Y = y) = E(X |Y = y1), y = y1 E(X |Y = y2), y = y2 ... Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 11 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Exemplo (continuação): esperança condicional, caso discreto Considere-se o exemplo anterior e a v.a. Y que retorna o montante da primeira moeda, de 20 cêntimos, caso esta se encontre de face voltada para cima: {Y = 0} = {EF ,EE} e {Y = 20} = {FF ,FE} Logo E(X |Y = y) = { 25, y = 0 45, y = 20 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 12 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Esperança condicional: caso discreto A esperança condicional de X dado Y pode ser expressa usando a função massa de probabilidade condicionada de X dado Y (se P(Y = y) > 0)E(X |Y = y) = ∑ n xn PX |Y (xn|y) onde (relembre-se) PX |Y (xn|y) = P(X = xn|Y = y) = P(X = xn,Y = y) P(Y = y) Lei da probabilidade total P(X = x) = ∑ n PX |Y (x |yn)P(Y = yn) Lei da probabilidade total para a esperança condicional Sejam Y e Y duas v.a. discretas. Então, usando a lei da probabilidade total tem-se E(X ) = ∑ n E(X |Y = yn)P(Y = yn) Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 13 / 30 Noções gerais Relembrar de teoria de probabilidades Relembrar Esperança condicional: caso contínuo Sejam X e Y v.a. contínuas com função densidade de probabilidade fX (x) e fY (y), respetivamente. A função de densidade de probabilidade condicional de X dado Y é dada por (relembre-se): fX |Y (x) = fX ,Y (x , y) fY (y) Definição A esperança condicional de X dado Y é E(X |Y = y) = ∫ +∞ −∞ x fX |Y (x) dx Lei da probabilidade total fX (x) = ∫ +∞ −∞ fX |Y (x) fY (y) dy Lei da probabilidade total para a esperança condicional Sejam Y e Y duas v.a. contínuas. Então, usando a lei da probabilidade total tem-se E(X ) = ∫ +∞ −∞ E(X |Y = yn) fY (y) dy Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 14 / 30 Noções gerais Noções gerais Noções gerais Motivação Muitas vezes os sistemas que consideramos evoluem no tempo, estando interessados no seu com- portamento dinâmico. Essa evolução temporal é muitas vezes de natureza aleatória: o comprimento de uma fila de espera a temperatura diária a proporção de estudantes que passa a Estatística ao longo do tempo o número de sinistros num portfolio ao longo do tempo Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 15 / 30 Noções gerais Noções gerais Noções gerais Definição: Processo Estocástico Dado um espaço de probabilidades (Ω,F ,P) e um conjunto arbitrário T , um processo esto- cástico é uma função real e finita, X (t, ω), definida em T × Ω, que para cada t fixo, t ∈ T , é uma função mensurável de ω ∈ Ω. Simbólicamente, {X (t, ω); t ∈ T} . Ou seja Um processo estocástico {X (t)}t∈T é uma coleção de vairáveis aleatórias Xt : Ω −→ R indexadas por um parâmetro t ∈ T ⊂ R Para t fixo, t ∈ T , X (t, ω) é uma v.a., um P.E. é uma família ou um conjunto ordenado de variáveis aleatórias. Simbologia comum: {X (t) ; t ∈ T} , {X (t)}t∈T , {Xt ; t ∈ T} , {Xt}t∈T . {X (t) ; t ≥ 0} , {X (t)}t≥0 , {Xt ; t = 0, 1, · · · } , {Xt}∞t=0 . Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 16 / 30 Noções gerais Noções gerais Noções gerais T : Conjunto dos índices, do parâmetro ou do tempo T Discreto: tipicamente T = {0, 1, 2, . . . } ou T = Z. Neste contexto o processo estocástico escreve-se X1,X2, . . . e diz-se em tempo discreto T Contínuo: tipicamente T = [0,+∞[ ou T = R. Neste caso o processo estocástico escreve-se X (t) e diz-se em tempo contínuo S : Espaço dos estados Conjunto dos estados do processo estocástico, i.e., conjunto dos valores possíveis de X (t). S Contável (finito ou infinito). Neste contexto o processo estocástico diz-se discreto S Contínuo. Neste caso o processo estocástico diz-se contínuo. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 17 / 30 Noções gerais Noções gerais Noções gerais Trajetória Uma trajectória ou uma realização de um processo estocástico {X (t) t ∈ T} é uma afectação, a cada t ∈ T , de um valor possível de X (t). Série temporal O conjunto formado pelos sucessivos valores de uma trajectória de um processo estocástico refe- rentes a um período limitado de tempo chama-se série temporal. Quando a trajectória é observada durante o período T = {1, 2, ..., n} diz-se que se está perante uma sucessão cronológica ou série temporal Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 18 / 30 Noções gerais Noções gerais Noções gerais Exemplo: Processo de Bernoulli Seja uma sucessão infinita de provas de Bernoulli, o intervalo de tempo entre cada prova é igual à unidade, a primeira prova realiza-se no instante 0. T = {0, 1, 2, . . .}, o resultado de cada prova X (t) = { 1 se a t + 1− ésima prova é um sucesso 0 se a t + 1− ésima proba é um insucesso Pr{X (t) = 1} = p; Pr{X (t) = 0} = q = 1− p. X (t) é uma v.a. de Bernoulli e a sucessão, {X (t); t = 0, 1, 2, . . .} é um processo de Bernoulli. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 19 / 30 Noções gerais Noções gerais Noções gerais Exemplo: Processo Binomial Observação de um fluxo de impulsos de Bernoulli ("1"ou "0") independentes, nos instantes t = 0, 1, 2, . . .. Pretende-se realizar a contagem do número de impulsos verificados até ao instante de amostragem t. Z(t) = { 1 presença de impulso em t 0 ausência de impulso em t O resultado da contagem para cada t X (t) = t∑ s=0 Z(s) ∼ Binomial(t + 1; p) A sucessão das v.a. {X (t); t = 0, 1, 2, . . .} é um processo binomial. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 20 / 30 Noções gerais Noções gerais Noções gerais Exemplo: Passeio Aleatório Seja uma partícula em movimento que ocupando a posição 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 nível 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 posiçãoé X (t) = X (0) + Z(1) + . . .+ Z(t) = X (t − 1) + Z(t), Z(t), t = 1, 2, . . . é uma sucessão de v.a. i.i.d.. A partícula realiza um passeio aleatório caracteri- zado pelo processo {X (t); t = 0, 1, 2, . . .}. Exemplo: Passeio Aleatório 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 Estocástico, UEM Agosto 2017 21 / 30 Noções gerais Noções gerais Noções gerais Exemplo: Passeio Aleatório Simétrico Considere a sucessão {Xn}n>1 de variáveis aleatórias e identicamente distribuídas (iid), com distri- buição P(Xn = −1) = P(Xn = 1) = 1 2 Seja Sn = X1 + · · ·+ Xn O processo estocástico S = {Sn : n ∈ N} é um passeio aleatório simétrico. A variável aleatória Sn pode ser interpretada como o deslocamento até ao instante n: Sn = Sn−1 + Xn Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 22 / 30 Noções gerais Especificação Especificação De ordem 1: X (t) ∼ FX (t)(x ; t) De ordem n: Especificação Para um conjunto arbitrário, mas finito, de valores de t ∈ T , t1, t2, . . . , tn, as correspondentes variáveis aleatórias, X (t1),X (t2), . . . ,X (tn), possuem função de distribuição conjunta, F (x1, x2, . . . , xn ; t1, t2, . . . , tn) (1) Esta função especifica completamente o processo estocástico. Definição: lei temporal ou lei de probabilidade A lei temporal associada com o processo {X (t); t ∈ T}, é a família constituida pelas funções (1) para n = 1, 2, . . . e todos os possíveis valores tj , j = 1, 2, . . . , n. Assim, lei de probabilidade do processo estocástico é dada por todas as distribuições de probabilidade conjuntas de um número finito de variáveis aleatórias (X (t1), . . . ,X (tn)) Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 23 / 30 Noções gerais Especificação Especificação PE identicamente distribuídos Dois processos estocásticos (PE) X = {Xt : t ∈ T} e Y = {Yt : t ∈ T} dizem-se identicamente distrubuídos sse tiverem a mesma lei temporal, i.e., a mesma família de funções de distribuição de probabilidade conjuntas, ou seja FX (t1),X (t2),...,X (tn) = FY (t1),Y (t2),...,Y (tn) para todo o conjunto finito de índices t1, . . . , tn ∈ T . Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 24 / 30 Noções gerais Classificação Classificação Os processos estocásticos sãodistinguidos por: Conjunto de índices Espaço de estados Relações de dependência entre as v.a. X (t) Definição Processo estocástico em tempo discreto: T é contável Processo estocástico em tempo contínuo: T é contínuo Definição Processo estocástico discreto: S é contável Processo estocástico contínuo: S é contínuo Podemos ter processos de tipo misto, ex: Exemplo Processo em tempo contínuo com mudança em instantes discretos: Sistema de pensões com opção de reforma entre as idades de 60-65 anos Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 25 / 30 Noções gerais Classificação Classificação Quanto às relações de dependência entre as v.a. X (t): Processos estacionários Estationaridade estrita: (Xt1 , . . . ,Xtn ) d = ( 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 estacionários O processo estocástico (PE) {X (t) : t ∈ T} tem incrementos estacionários quando a v.a. X (t2 + h)− X (t1 + h) tem a mesma distribuição de X (t2)− X (t1), para todo t1 , t2 e h > 0 Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 26 / 30 Noções gerais Classificação Classificação Processos com incrementos independentes ∀t e u > 0, o incremento (Xt+u − Xt) é 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 (tn−1) são 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 estatcionários e independentes Neste caso o processo é completamente especificado pela lei de probabilidade de X (t). Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 27 / 30 Noções gerais Classificação Classificação 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 é uma Filtração. Se S é discreto (probabilidade de transição): Pr [Xt = a|Xs1 = xs1 , . . . ,Xsn = xsn ,Xs = x] = Pr [Xt = a|Xs = x] Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 28 / 30 Noções gerais Exemplos de Processos Estocásticos Exemplos de Processos Estocásticos Processo de contagem Processo estocástico, em tempo discreto ou contínuo, com o espaço de estados é S = {0, 1, 2, . . .} e com a propriedade X (t) é função não decrescente de t Processo de Poisson {Nt ; t ≥ 0}. Processo de Contagem, com X (0) = 0, e com Incrementos independentes, estacio- nários, e Propriedade de Markov, tal que P(X (t) = k) = e−λt(λt)k k! , k = 0, 1, 2, 3, . . . Processo de Poisson Composto Xt = Nt∑ j=1 Yj com {Nt ; t ≥ 0} Processo de Poisson e {Yi}∞i=1 sequência de v.a.’s i.i.d. e independente de {Nt}. Aplicação em Teoria do Risco. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 29 / 30 Noções gerais Exemplos de Processos Estocásticos Exemplos de Processos Estocásticos Ruído Branco Processo constituído por uma sequência de v.a.’s independentes: {Xi}∞i=1. Não tem (necessáriamente) incrementos independentes; A propriedade de Markov é trivial; Se forem i.i.d. o processo é estacionário. Passeio aleatório {Xn; n = 1, 2, . . . } com Xn = n∑ i=1 Yi e {Yi}∞i=1 uma sequência de v.a.’s i.i.d. Se Yi = −1; +1 temos um Passeio Aleatório Simples. Movimento Browniano {Xt ; t ≥ 0}, S e T contínuos. Incrementos independentes, estacionários, e Propriedade de Markov. Aplicações em Finanças, Ciências Atuariais. Alexandra Bugalho de Moura Processos Estocástico, UEM Agosto 2017 30 / 30 Noções gerais Relembrar de teoria de probabilidades Noções gerais Especificação Classificação Exemplos de Processos Estocásticos
Compartilhar