Este trabalho aborda a questão de inferir se uma amostra observada de um processo estocástico foi contaminada ou não por um ruído aleatório. Trata também da estimação desse ruído e da lei original do processo. Quando o processo original, não contaminado, é uma cadeia de Markov esses modelos são conhecidos na literatura como Cadeias de Markov Oculdas (HMM). A questão que queremos responder é: dada uma amostra observada de um processo estocástico é possível saber se esta amostra está contaminada por algum ruído aleatório? Através dessa amostra contaminada é possível mensurar o grau de contaminação dessa amostra? E ainda descobrir a verdadeira fonte aleatória da qual os dados originais foram gerados?
Analisamos o problema considerando que o processo oculto original pertence a uma grande classe de processos, onde a ordem de dependência no passado não é fixa, mas variável de acordo com a informação do passado. Esses modelos são conhecidos como Cadeias de Markov de Alcance Variável (VLMC).
O processo resultante da contaminação de uma VLMC por um ruído aletório é chamado Modelo de Markov Oculto com Alcance Variável ( VLHMM). Descrevemos alguns desses VLHMM's e apresentamos estimadores consistentes para os parâmetros dos modelos estudados, onde a simplicidade desses modelos nos permite aplicar um algoritmo EM para obter os estimadores.
Além disso, apresentamos um estudo de sensibilidade dos estimadores para verificar o comportamento dos estimadores propostos na medida em que o nível de contaminação aumenta.
Como aplicação da nossa metodologia a dados reais, realizamos uma análise de um banco de dados do Laboratório de Neurodinâmica da Visão da UFMG.