FORMULRIO

PROCESSOS ESTOCSTICOS E APLICAES

MAEG-ISEG 2008

1 Desenvolvimentos em srie
1
X xj
exp(x) =
j=0
j!
1
X xj
log(1 + x) = ( 1)j+1 for 1<x 1
j=1
j
1
X
1
(1 + x) = ( 1)j xj for 1<x<1
j=0

2 Cadeias de Markov
Equaes de Chapman-Kolmogorov em forma matricial :

P(m+n) = P(m) P(n) e portanto P(n) = Pn

Anlise baseada no primeiro passo:

Considere-se uma cadeia de Markov fXn g nita com estados n = 0; 1; : : : ; N , nu-
merados de tal modo que os primeiros r estados sejam transientes, sendo os restantes
r; : : : ; N estados absorventes. Seja Uik a probabilidade de absoro no estado k quando
o processo se inicia no estado i (r k N ; 0 i < r).
r 1
X
Uik = Pik + Pij Ujk ; para i = 0; 1; : : : ; r 1:
j=0

Suponha-se que a cada estado transiente est associada uma taxa g(i), i = 0; : : : ; r 1.
Seja wi a taxa mdia at absoro quando o processo se inicia no estado i,
r 1
X
wi = g(i) + Pij wj ; para i = 0; 1; : : : r 1:
j=0

Seja P uma matriz de probabilidades de transio regular com espao dos estados
0; 1; : : : ; N . A distribuio limite = ( 0 ; 1 ; : : : ; N ) a nica soluo no negativa
do sistema de equaes
= P
P
N
k = 1:
k=0

1
3 Processos de Poisson
Num processo de Poisson no homogneo, a distribuio do nmero de acontecimentos
R s+t
ocorridos entre s e s + t tem distribuio de Poisson com mdia dada por s (u)du,
onde (u) designa a funo de intensidade do processo.
Seja fN (t); t 0g um processo de Poisson homogneo. Se,
N (t)
X
X(t) = Yj
j=0

com Y0 0 e fYj gj=1;2;:::;N (t) uma sucesso de v.a. i.i.d. e independentes de N (t)
diz-se que fX(t); t 0g um Processo de Poisson Composto.
A funo caracterstica de X(t)
'X(t) (s) = expf t['Y (s) 1]g
onde 'Y (s) a funo caracterstica comum das v.a. Yj e a intensidade do processo
de Poisson.
Tem-se que
E[X(t)] = tE[Y ];
V ar[X(t)] = tE[Y 2 ];
3 [X(t)] = tE[Y 3 ]:

4 Processo de nascimento
Equaes diferenciais, quando N (0) = 0:
0t
P0 (t) = e
Z t
nt nx
Pn (t) = n 1e e Pn 1 (x)dx n = 1; 2; : : :
0

Quando os parmetros 0 ; 1 ; : : : so todos diferentes as equaes anteriores podem

ser resolvidas explicitamente, obtendo-se
0t
P0 (t) = e ;

1 0t 1 1t
P1 (t) = 0 1 0
e + 0 1
e ;

0t nt
Pn (t) = 0 ::: n 1 [B0;n e + : : : Bn;n e ]; para n > 1;
onde
1
B0;n = ( 1 0 ):::( n 0)
;

1
Bk;n = ( 0 k ):::( k 1 k )( k+1 k ):::( n k)
; para k < n;
e
1
Bn;n = :
( 0 n ) : : : ( n 1 n)

2
 Quando num processo de nascimento k = + k , para k = 0; 1; : : :, obtem-se o
processo de Yule com imigrao. Neste caso as equaes anteriores podem ser simpli-
cadas, obtendo-se

n+ = 1 t t n
Pn (t) = e 1 e n = 0; 1; : : : :
n

que corresponde binomial negativa com parmetros = e exp( t):

Quando supomos que N (0) = n0 as equaes diferenciais so

Pn0 0 (t) = n0 Pn0 (t)

Pn0 (t) = n Pn (t) + n 1 Pn 1 (t) n > n0

Quando num processo de nascimento k = k , para k = n0 ; n0 + 1; : : :, em que n0

representa o tamanho da populao no instante 0, obtem-se o processo de Furry-Yule.
Neste caso as equaes diferenciais podem ser resolvidas explicitamente, obtendo-se

n 1 n0 t t n n0
Pn (t) = e 1 e n = n0 ; n0 + 1; : : : :
n n0

5 Processo de nascimento e morte

Equaes diferenciais progressivas:

Pij0 (t) = j 1 Pi;j 1 (t) ( j + j )Pij (t) + j+1 Pi;j+1 (t) j 1

0
Pi0 (t) = 0 Pi0 (t) + 1 Pi1 (t)

sujeitas s condies iniciais Pij (0) = ij .

Equaes diferenciais regressivas:

Pij0 (t) = i Pi 1;j (t) ( i + i )Pij (t) + i Pi+1;j (t) i 1

0
P0j (t) = 0 P0j (t) + 0 P1j (t)

sujeitas s condies iniciais Pij (0) = ij .

P1
Distribuio limite j; j = 0; 1; :::: Se 0 k < 1 com

0 1 ::: j 1
0 = 1; j = ; j 1;
1 2 ::: j

tem-se que
j = j 0; j = 0; 1; 2; : : : ;
com " #
1 1
X
0 = k :
k=0

3
Crescimento linear com imigrao Um processo de nascimento e morte designado
por processo linear de crescimento com imigrao quando n = n + a e n = n ,
com ; > 0. e a > 0. Neste caso 0 = (1 = )a= e
j a=
a= + j 1
j = 1 :
j

Modelos de Reparao N mquinas, M em funcionamento (com M N ), R capaci-

dade de reparao. Cada mquina, quando em funcionamento, funciona durante um
perodo aleatrio exponencialmente distribudo com parmetro , at avariar. O tempo
de reparao de cada mquina exponencialmente distribudo com parmetro .
X(t) - nmero de mquinas em boas condies em t. fX(t)g um processo de nasci-
mento e morte com nmero nito de estados com parmetros

n = minfN n; Rg

e
n = minfn; M g:
A distribuio estacionria toma formas simples nalguns casos particulares. Por ex-
emplo quando M = N = R, tem-se que
j N j
N
j = ;
j + +

que corresponde distribuio binomial.

Filas de espera

Modelo (M jM j1)
j
j = 1 = (1 ) j; = = :

L =
1
2
Lq =
1

Designando por T o tempo de espera no sistema, no caso estacionrio, com < ;

tem-se que T tem distribuio exponencial com parmetro :
Designando por Tq o tempo de espera na la, no caso estacionrio, com < ;
tem-se que Tq tem funo de distribuio 1 exp( ( )t); t 0 :

4
 Modelo (M jM js)

( j =j!) 0 j<s
j =
(ss =s!)( =s)j 0 j s
2 3 1
Xs 1 j s
0 =4 + 5 :
j=0
j! s!(1 )

Lq = s ;
(1 )2
com = = e = =s:
Designando por Tq o tempo de espera na la, no caso estacionrio, com < 1;
1
tem-se que Tq tem funo de distribuio 1 s1 exp( (s )t); t 0 :

Caso de processos de nascimento e morte com o estado 0 absorvente ( 0 = 0)

Seja ui a probabilidade de absoro no estado 0 quando o processso se inicia em i e
1 2 ::: i
i =
1 2 ::: i
P1
ento se i=1 i < +1 tem-se
P1
i=1 i
P
u1 = 1
1 + i=1 i

e P1
i=m i
P
um = 1 :
1 + i=1 i
P1
Seja
P1 wi o tempo mdio at absoro partindo de i: Quando i=1 i = +1 e
i=1 1=( i i ) < +1 tem-se que

1
X m
X1 1
X
1 1
wm = + k :
i=1 i i j j
k=1 j=k+1

6 Martingalas a tempo discreto

Desigualdade de Kolmogorov para supermartingalas no negativas: Seja fXn g uma super-
martingala no negativa (Xn 0, 8n). Ento para qualquer m positivo,

E[X0 ]
Prf max Xn > mg :
0 n<1 m

5
7 Movimento Browniano
Seja fB(t)gt 0 a ser um movimento Browniano standard.
p
PrfTx tg = 2 1 x= t ;

com Tx = minf 0 : B( ) = xg:

Com M (t) = max0 u t B(u); tem-se

PrfM (t) xg = PrfTx tg:

Seja #(t; t+s) a probabilidade de que B(t) tome o valor zero pelo menos uma vez no intervalo
(t; t + s): Ento r r
2 t 2 s
#(t; t + s) = arccos = arctan :
t+s t
2
O movimento Browniano com parmetro de deriva e coeciente de difuso o processo
fW (t)g ; com W (t) = t + B(t).
Sendo Tab = minft 0; W (t) = a ou W (t) = bg; tem-se:

exp( 2 x= 2 ) exp( 2 a= 2 )
PrfW (Tab ) = bjW (0) = xg =
exp( 2 b= 2 ) exp( 2 a= 2 )
fX(t)gt 0 um movimento Browniano geomtrico, comeando em X(0), se

1 2
X(t) = X(0) exp t + B(t) :
2

No movimento Browniano geomtrico:

E[X(t)] = X(0) exp( t)

V ar[X(t)] = X(0)2 exp(2 t) exp( 2
t 1)

Frmula de Black-Scholes:
rt
p
E[e (Xt K)+ ] = X0 ( t ) e rt
K ( )
p 2
com = (log(K=X0 ) t)=( t) e =r =2; sendo r a taxa de juro, t a maturidade e
K o preo de exerccio.

6
8 Distribuies

Nome da Famlia Funo de Probabilidade Valor Funo Geradora

Paramtrica de ou Funo de Densidade Espao dos Esp erado Varincia M omentos r = E(X r ) de M om ementos
Distribuies de Probabilidade Parmetros = E(X) 2 = E[(X )2 ] ou r = E[(X )r ] M(r) = E[erX ]
N 0p1
f (x) = px q Nx
Binomial x (q = 1 p) Np Npq 3 = Npq(q p) (q + per )N
x = 0, 1, . . . , N N = 1, 2, . . .
e x
f (x) = r 1)
Poisson x! >0 3 = e(e
x = 0, 1, . . .
+x1 0p1
Binomial f (x) = p q x q q (q + q 2 )
x (q = 1 p) 3 = p (1 qer )
Negativa p p2 p3
x = 0, 1, . . . >0

1
0 r mpar
f (x) = a+b (b a)2 ebr ear
Uniforme ba < a < b < + r = r
2 12 (b a) (b a)r
a<x<b
r r par
2 (r + 1)
1 (x)2
0 r mpar
f (x) = e

22
< < + 1 2 r2
Normal 2 2 r = r! r er+ 2
>0

< x < + r par
(r/2)!2r/2
(ln x) 2
1
f (x) = e 2 2 < < + 1 2 2 2 1 2 2
Lognormal x 2 e+ 2 e2+2 e2+ r = er+ 2 r No existe
>0
x>0
x 1
f (x) = e x >0 ( + r) r
1
Gama () r =
>0 2 r () r<
x>0
2 ( r) r
f (x) = >0 r = r!
Pareto ( + x)+1 1 ( 2)( 1)2 () No existe
>0
x>0 para > 1 para > 2 para > r