Lecia 3. Capitaluri aleatoare. Principiul utilitii medii.

Am definit n prima lecie o mulime de capitaluri n sens larg ca fiind o mulime

(1) C = {(t
i
,x
i
)|i I}
unde I este o mulime finit i (t
i
,x
i
) sunt capitaluri. S numim capital generalizat o mulime
de capitaluri de forma (1) unde mulimea I poate fi cel mult numrabil. Este o idealizare
matematic, firete: nu exist mulimi infinite de capitaluri.
Definiia 1. Un capital aleator este o mulime
(2) C = {(T
i
,X
i
)|i I}
unde I este o mulime cel mult numrabil iar T
i
i X
i
sunt variabile aleatoare. T
i
au
semnificaie de timpi iar X
i
au semnificaie de valori bneti. Cu alte cuvinte un capital
aleator este un capital generalizat n care momentele de timp t
i
i valorile x
i
din (1) sunt
variabile aleatoare.
n definitiv toate capitalurile sunt aleatoare.
Exemplu 1. S spunem c cineva are depus la o banc o sum 1 UM sub forma de
depozit la termen de t ani cu dobnda anual i.
Valoarea pe care o va retrage este (1+i)
t
. Ce poate fi aleator aici?
Apare o mrime macroeconomic numit indice de inflaie. El nu poate fi prevzut.
Cel mult, poate fi calculat post factum, fcnd o medie ponderat a cantitilor de bunuri care
puteau fi cumprate cu 1 UM la momentul 0 i la momentul t. i nici mcar nu poate fi
calculat exact, ci numai cu aproximaie.
ntr-adevr, s presupunem c la momentul 0 bunurile de pe pia sunt (B
j
)
j J
.
Ponderea lor n coul de cumprturi este (p
j
)
jJ
. Aceasta nseamn c din cantitatea total
de bani cheltuii pe pia ntr-o economie dat, s zicem X, p
j
X sunt cheltuii pentru bunul b
j
.
S presupunem c la momentul t sunt exact aceleai bunuri pe pia (deja o simplificare) i
ponderea lor n coul de cumprturi este (p
j
)
jJ
. La momentul 0, cu 1 UM se putea cumpra
o cantitate c
j
din produsul B
j
iar la momentul t o cantitate c
j
din acelai produs. Cum putem
atunci compara puterea de cumprare a unei uniti monetare la momentul 0 cu puterea sa de
cumprare la momentul t? Avem nevoie de o definiie a puterii de cumprare. Am putea
defini puterea de cumprare la momentul 0 ca fiind vectorul (c
j
)
jJ
iar la momentul t ca fiind
vectorul (c
j
)
jJ
, dar atunci cum am putea compara cei doi vectori pentru a ajunge la un
coeficient de inflaie?
Exemplu 2 foarte didactic. Pe pia snt numai trei bunuri, (B
j
)
1 j 3
. La momentul 0
cu 1 UM se puteau cumpra 10 bunuri B
1
, 9 bunuri B
2
i 8 bunuri B
3
, iar la momentul t se
puteau cumpra 8 bunuri B
1
, 9 bunuri B
2
i 10 bunuri B
3
. Adic B
1
s-a scumpit, B
2
a rmas la
fel iar B
3
s-a ieftinit. Un client cheltuia la momentul 0 aceeai sum de bani pentru fiecare
bun, dar apoi, la momentul t comportametul su s-a schimbat: cheltuiete 50% din bani pentru
B
1
, i cte 25% pentru B
2
i B
3
. Cum a afectat modificarea preurilor puterea sa de cumprare?
Am putea face o medie: la momentul 0 cumprtorul putea cumpra cu 1 UM
P
0
=10
3
1
+9
3
1
+ 8
3
1
= 9 bunuri n general iar la momentul t,
P
t
=8
2
1
+9
4
1
+ 10
4
1
= 8,75 bunuri n general
Pentru el puterea de cumprare a sczut. Dac ns ar fi cheltuit invers, 25% din bani pentru
B
1
i B
2
i 50% pentru B
3
, puterea lui ar fi fost P
t
=8
4
1
+9
4
1
+ 10
2
1
= 9,25, adic
puterea sa de cumprare ar fi crescut.
Este clar c pentru a calcula exact puterea de cumprare n general, i nu numai
pentru un anumit cumprtor, ar trebui avut o eviden a tuturor bunurilor (B
j
)
j
(inclusiv
1
creditul i valutele strine) i al procentelor (p
j
)
j
existente pe o pia. Lucru deocamdat
imposibil.
Definiia 2. Fie (B
j
)
jJ
bunurile existente pe o pia i c
j
(t) cantitatea de bunuri B
j

care pot fi cumprate cu 1 UM la momentul t. Fie p
j
(t) ponderea lor n coul de cumprturi.
Atunci puterea de cumprare la momentul t este numrul
(3) P(t) =

J j
j j
t c t p ) ( ) (
Numrul
(4) I(t) =
1
) 1 (
) (

+ t P
t P
se numete indicele de inflaie la momentul t sau, mai bine zis, pe intervalul [t,t+1]. n caz c
funcia P este derivabil, limita
(5) (t) =
) (
) ( ) (
lim
0 t hP
h t P t P
h
+

= P(t) / P(t)
se numete inflaie instantanee la momentul t.
Observm c dac P crete, inflaia instantanee este negativ: atunci se numete
deflaie. Legtura dintre inflaia instantanee i puterea de cumprare este dat de relaia
evident
(6) P(t) = P(s)


t
s
u u
e
d ) (
iar cea dintre inflaia instantanee i indicele de inflaie este c
(7) 1 + I(t) =

+1
d ) (
t
t
u u
e
Dac inflaia instantanee este constant, , atunci 1 + I(t) = e

. n regim de inflaie, raportul

P(s)/P(t) =

t
s
u u
e
d ) (
corespunde definiiei unui factor de fructificare scindabil.
Revenim acum la
Exemplu 1. Dac inem seama de inflaie, capitalul depuntorului nostru va fi
(8) C = {
( )
( )( ) ( )

,
_

+ + +
+
) 1 ( 1 ... ) 1 ( 1 ) 0 ( 1
1
,
t I I I
i
t
t
}
Dar la momentul 0 indicii de inflaie snt necunoscui, sunt variabile aleatoare. Deci
C este un capital aleator. Putem complica puin lucrurile, acceptnd i ideea c depuntorul
poate decide s i retrag banii, caz n care i se va plti doar dobnda simpl de cont curent, i
0
< i. Atunci capitalul su va fi
(9) C = {
( )
( )( ) ( )
( )
( )( ) ( )

,
_

+ + +
+

,
_

+ + +
+
]) 1 ([ 1 ... ) 1 ( 1 ) 0 ( 1
) 1 1 ( 1
, ,
) 1 ( 1 ... ) 1 ( 1 ) 0 ( 1
1 1
,
0
I I I
i
t I I I
i
t
A A
t
}
unde A este evenimentul care const n aceea c depuntorul i retrage banii la termen iar <t
este momentul aleator al retragerii banilor de la banc.
Dar chiar dac neglijm inflaia, exist cazuri de capitaluri aleatoare, destul de
ntlnite n practic. Un exemplu uor de neles este mprumutul obligatar.
Exemplul 2. O entitate public (stat, primrii, CEC) face un mprumut la populaie
sau persoane juridice private bnci sau alte companii- i se oblig s plteasc o dobnd i
mai mare dect dobnda bancar. Suma pe care dorete s o mprumute o mparte n N titluri
de valoare mai mici, numite obligaii. i planific s restituie ealonat mprumutul n t ani,
astfel: N
1
obligaii le rscumpr dup un an, N
2
obligaii dup 2 ani, ..., N
t
obligaii dup t
2
ani. Momentul rscumprrii se trage la sori.
1
O persoan juridic, D, cumpr n obligaii,
fiecare n valoare de 1 UM. Ce capital are ea? Neglijm inflaia.
Fie N = N
1
+ ...+ N
k
totalul obligaiilor emise. Fie n
1
obligaiile lui D care au fost
rscumprate dup 1 an (la prima tragere la sori), n
2
cele care se rscumpr dup 2 ani,...
etc. Deci n
1
+ n
2
+ ... n
t
= n. Atunci capitalul lui D este
(10) C = {(s, n
s
(1+i)
s
| 1 s t}
Exemplul 3. Un caz mai simplu, idealizat. O persoan are o singur obligaie n
valoare de 1 UM, cu deosebirea c probabilitatea sa de a fi rscumprat este invariabil p.
Acum momentul al rscumprrii poate fi orict de mare, Deci capitalul su va fi
(11) C = {(, (1+i)

)}
Deoarece este o variabil aleatoare, C este i acum un capital aleator.
Exemplul 4. O variant. Cineva depune 1 UM la banc cu dobnda anual i, sum ce
va reveni urmailor lui dup decesul su. Dac decesul se ntmpl la momentul , urmaii vor
beneficia de capitalul aleator (11).
Exemplul 5. Asigurarea de via. n cazul celui mai simplu model, un individ depune
la un asigurator 1 UM care i va fi restituit la momentul t, n caz c mai este n via. Atunci
capitalul su va fi
(12) C = {(t, (1+i)
t
1
A
)} unde A este evenimentul persoana mai e n via
Se pune problema: cum evalum un capital aleator?
n primul rnd, aa cum am vzut n prima lecie, trebuie mai nti fcut o actualizare
a capitalului, la un moment . Pentru aceasta presupunem c avem la dispoziie un factor de
fructificare . n urma operaiei de actualizare orice capital aleator devine o variabil
aleatoare. Am redus problema atunci la compararea unor variabile aleatoare
(13) Y = A

(C)
n al doilea rnd ar trebui gsit repartiia capitalului. Dac prima operaie este uoar,
nu la fel s-ar putea spune despre a doua.
A gsi repartiia unei variabile aleatoare X nseamn a-i determina funcia de
repartiie F
X
(x) = P(X x). Exist i alte variante mai comode: dac variabila este discret, s
gsim P(X = x); dac este absolut continu, s-i gsim densitatea, adic acea funcie f
X
cu
proprietatea c F
X
(x) =

x
X
y y f d ) (
x. Alteori este mai comod de lucrat cu funcia de
supravieuire sau coada F
X
(x) = P(X > x) = 1 F
X
(x). Considerm aceste lucruri cunoscute de
la cursul de probabiliti.
2
Ajungem la concluzia c, principial, a compara capitalurile aleatoare (C
j
)
j
, nseamn a
compara variabilele aleatoare X
j
= A

(C
j
). Dac (s,t) = h(t)/ h(s) atunci nici nu mai conteaz
momentul actualizrii, din motivele vzute n primele dou lecii: h() se simplific.
Cum se pot compara variabilele aleatoare? Cel mai simplu este de studiat
Exemplu 3. Un decident are 1 UM cu care dorete s cumpere obligaii cu timpul de
rscumprare nelimitat. Are de ales ntre dou oferte: una din ele ofer dobnda i
1
iar
probabilitatea de rscumprare este p
1
iar cealalt ofer dobnda i
2
cu probabilitatea de
rscumprare p
2
. Care ofert este mai avantajoas? Presupunem c nu exist inflaie.
n acest caz X
1
= ( )
1
1
1

+i i X
2
= ( )
2
2
1

+ i unde
j
sunt momentele rscumprrii
obligaiei, presupuse repartizate geometric de parametru p
j
. Decidentul ar dori s aleag pe
cea mai mare dintre cele dou variabile aleatoare. Numai c nu se tie care e cea mare. n
ipoteza c
j
ar fi independente, am putea calcula P(X
1
> X
2
) = P(lnX
1
> lnX
2
) = P(
1
>
1
Este adevrat c s-ar putea imagina i scenariul n care obligaiile nu se trag la sori, adic se
rscumpr dup un interval fix. Atunci ns poate c nu s-ar vinde toate. Aa, pe lng ctig, se
apeleaz i la plcerea jocului. Unora le place hazardul, mai ales cnd n-au nimic de pierdut.
2
Dac nu le cunoatei, nu are rost s mergei mai departe. Luai un curs de probabiliti mai nti.
3

2
) = E P(
1
>
2
|
2
)
3
=
( )
( )
) ( )
1 ln
1 ln
(
2 2
1
1
2
1
n P n n
i
i
P
n

+
+
>

=
( )
( )
)
1 ln
1 ln
( ) 1 (
2
1
1
2
1
1
2 2
n n
i
i
P p p
n
n

+
+
>

=
( )
( )

1
]
1

+
+

1
1 ln
1 ln
1
1
2 2
1
2
) 1 ( ) 1 (
n
i
i
n
n
p p p
.
Suma aceasta nu se poate calcula exact, din nefericire. Regula ar fi ca dac P(X
1
> X
2
) > s
se aleag prima variant, iar dac nu, a doua. Folosind inegalitatea x-1 < [x] x pentru n n
0
,
cu n
0
destul de mare, am putea obine estimri orict de bune ale acestei probabiliti.

La o prim impresie, s-ar prea c principiul de alegere de bun sim este
Alege acel capital care are cea mai mare probabilitate s fie cel mai mare
Numai c, fcnd abstracie de faptul c este incomod matematic (n puine cazuri
putem calcula aceast probabilitate exact!) principiul acesta duce la rezultate paradoxale, care
de asemenea contrazic bunul sim.
Exemplu 6. S presupunem c X
1
~

,
_

5 . 0 5 . 0
1 0
i X
2
~

,
_

4 . 0 6 . 0
100 0
. Pentru a fi ct
mai clar: avei de ales ntre dou scenarii: n ambele avei o urn cu 10 bile. Extragei o bil.
n primul scenariu avei 5 bile pe care scrie 0 i 5 pe care scrie 1. n al doilea avei 6 pe
care scrie 0 i 4 pe care scrie 100. Ctigul vostru este numrul scris pe bil. Ce variant
preferai? Majoritatea ar prefera a doua variant, cea care le asigur un ctig de 100 1 UM , e
adevrat, cu o probabilitate puin mai mic. Criteriul probabilitii ns le-ar recomanda prima
variant deoarece P(X
1
> X
2
) = P(X
2
= 0) = 0,6!
De fapt orice principiu de preferin ntre mai multe capitaluri ar fi un nonsens dac
decidentul nostru are de a face o singur dat (sau numai de cteva ori) cu capitaluri aleatoare.
Nu are dect s aleag la ntmplare, bazndu-se pe noroc. Dar dac face asta sistematic, atunci
ar fi de dorit s aib un criteriu de alegere bazat pe cunoaterea repartiiei variabilei aleatoare
Y de la (13). Exist unele instituii care cu asta se i ocup: numai cu capitaluri aleatoare.
Triesc din capitaluri aleatoare. Ele sunt bncile i companiile de asigurri. n general toate
operaiunile financiare se fac n condiii de risc: coeficientul de inflaie este imprevizibil pe
termen mediu sau lung.
Ar fi de dorit ca evaluarea unui capital actualizat s se poat face printr-un numr.
Definiia 3. Fie (,K,P) un spaiu probabilizat. O evaluare este orice funcie V
definit pe o mulime de variabile aleatoare notat cu Dom(V) i cu valori reale.
Atunci, variabila aleatoare Y ar fi preferabil fa de X dac V(X) V(Y).
Exemplul 7. Evaluri posibile.
1. V(X) = EX; atunci Dom(V) = L
1
(,K,P)
4
2. V(X) = ess sup X ; Dom(V) ={X variabil aleatoare| ess sup X < }
3. V(X) = ess inf X; Dom(V) ={X variabil aleatoare| ess inf X > - }
4. V(X) = Median(X); Dom(V) = L(,K,P)
5
3
Dac X i Y sunt variabile aleatoare P(XA|Y):=QY(A) este o variabil aleatoare care, dac Y este
discret, are semnificaia Qy(A)=P(X A|Y = y). n caz general o putem gndi oarecum la fel, numai c
probabilitatea condiionat luat n sens strict nu are sens, se ajumge la un raport de tipul 0/0. Definiia
riguroas este: QY(A) este o variabil aleatoare cu proprietatea c E(QY(A)1
{Y B}
) = P(A(YB)) B
mulime borelian.
4
L
p
(,K,P) este mulimea variabilelor aleatoare cu proprietatea c E|X|
p
< .
5
L(,K,P) este mulimea tuturor variabilelor aleatoare.
4
5. V(X) = V@R

(X). Aceasta este valoarea la riscul , adic cel mai mic numr v cu
proprietatea c P(X v) 1 - . n terminologie normal, se numete cuantila la
nivel 1 - . Mediana este un caz particular, este cuantila la nivel .
6
6. Evaluarea stop at loss : V(X) = E((X a)
+
); Dom(V) ={X | EX
+
< }
7. Evaluarea medie varian : V(X) = EX - Var(X); Dom(V) = L
2
(,K,P)
7
8. Evaluarea medie abatere ptratic: V(X) = EX - (X)
Firete c snt posibile multe tipuri de evaluare. Dar una util ar trebui s satisfac mcar
condiiile
H1. X ~ Y V(X) = V(Y);
H2. X Y (a.s.) V(X) V(Y)
Prima condiie spune c dac dou variabile aleatoare au aceeai repartiie, atunci
trebuie s fie evaluate la fel. ntr-adevr, a cunoate o variabil aleatoare nseamn a-I
cunoate repartiia. Valoarea sa adevrat este X() i depinde de evenimentul elementar .
n exemplul 6, de pild, a spune c V(X
1
) =X
1
(), adic 0 dac pe bil scrie 0 i 1 dac pe bil
scrie 1 nu este o evaluare din motivul c nu cunoatem apriori pe X
1
(). A doua condiie
spune c dac tim cumva c P(X > Y) = 0 (interpretarea statistic este: nu se poate ca X >
Y !) atunci trebuie i ca V(X) V(Y).
Definiia 4. Evaluarea V se numete natural dac satisface condiiile H1 i H2.
Vom prezenta aici un principiu de evaluare care are avantajul c poate justifica
nevoia de asigurare: principiul utilitii medii. Ca orice alt principiu de matematic aplicat,
este criticabil. Avantajul lui este c este comod matematic i suficient de plauzibil.
Sunt aici dou idei de baz:
- c orice decident are, chiar fr a fi contient de ea, o funcie de utilitate. Aceasta
este o funcie u : I cu semnificaia u(x) = ct de util mi este s am x UM
- c un decident care are de a face cu multe capitaluri folosete evaluarea V(X) = Eu(X)
Evident c evaluarea nu are sens dect pentru variabile aleatoare X ca cror imagine
esenial este inclus n intervalul I i pentru care u(X) L
1

(8)
. Este uor de vzut c nu
conteaz att variabila aleatoare X ct repartiia sa F
X

(9)
. Formula de transport
10
spune c
(FT) Eu(X) =
X
F u

d
Observaie. De ce media i nu alt indicator, cum ar fi cuantilele? Argumentul ar fi c
media este cea mai comod din punct de vedere matematic, pentru c este un operator liniar.
Un alt argument (oarecum o petitio principi) este c dac vrem s aproximm o variabil
aleatoare cu o constant adic s facem o predicie asupra rezultatului ei atunci uneori
media este cea mai bun predicie.
Sensul matematic precis este urmtorul:
S presupunem c avem o funcie de pierdere L :
2
[0,] cu sensul,
6
Dac X este o variabil aleatoare i F este funcia sa de repartiie, atunci cuantila sa superioar la nivel
p este sup F
-1
([0,p]) iar cuantila inferioar este inf F
-1
([p,1]). Sigur c dac F este injectiv, cele dou
cuantile coincid.
7
Var(X) = E(X - EX)
2
= EX
2
(EX)
2
se mai numete i dispersie, notat cu
2
(X). Rdcina ptrat a
varianei se numete abaterea medie ptratic.
8
L
1
este mulimea variabilelor aleatoare X cu proprietatea c E|X|< . Probabilitii le spun variabile
aleatoare care au medie.
9
Repartiia variabilei aleatoare X este o probabilitate, FX pe (, B()) ca FX(B) = P(X B) B
B(). Funcia sa de repartiie este notat tot cu FX i se definete ca FX(x) = P(X x) . Este o scriere
mai scurt pentru F((-,x]). n mod normal nu este pericol de confuzie: dac A este o mulime
borelian, FX(A) = P(X A) iar dac x este numr, FX(x) = P(X x).
10
Vezi orice curs de teoria probabilitilor.
5
(14) L(x,y) = ct pierd dac prezic valoarea y n loc s prezic valoarea adevrat, x
Dac X este o variabil aleatoare, atunci L(X,y) ar reprezenta suma pe care o pierd
dac prezic c valoarea acestei variabile aleatoare este y.
Care este cea mai bun predicie?
Un posibil rspuns ar fi: cea care asigur cea mai mic pierdere medie.
11
Adic: dac notm h
X
(y) = EL(X,y), atunci cel mai bun y ar fi minimizatorul acestei
funcii. El se numete predictorul optimal ataat lui L.
Este evident c dac L(x,y) = (x-y)
2
, atunci predictorul optimal este EX .
12
ntr-adevr,
h
X
(y) = y
2
2yEX + EX
2
este o funcie de gradul II care i atinge minimul n y
0
= EX.
Valoarea acestui minim, h(EX) = E(X EX)
2
este variana lui X. Deci variana ar avea sensul
de pierdere medie minim la care putem spera n urma nlocuirii lui X cu predictorul
optimal EX.
Revenim la principiul utilitii medii. Principiul afirm c evalarea se face dup
regula V(X) = Eu(X) unde u: I este o funcie cresctoare.
Definiia 5. Echivalentul sigur al unui capital actualizat, X este un numr p cu
proprietatea c
(15) Eu(X) = u(p).
Apar aici unele dificulti tehnice. De unde tim c ecuaia (15) are soluii? De
exemplu, dac X ~ Binomial(1, ), atunci ecuaia din definiie ar fi u(0) + u(1) = 2u(p); dac
u(x) = [x] ajungem la un nonsens, u(p) = .
Obiecia nu este prea serioas, cci putem nlocui numrul p din (15) cu numere care
exist ntotdeauna, cum ar fi inf p
1
= {p|Eu(X) u(p)} sau p
2
= sup {p|Eu(X) u(p)}. Fcnd
aa, ar mai apare o neplcere, s-ar putea ca cele dou numere s fie diferite i matematica ar
deveni prea complicat. De aceea s-a introdus o restricie asupra utilitilor, care garanteaz
faptul c echivalentul sigur este unic.
Definiia 6. O utilitate este o funcie u:I continu i strict cresctoare
Propoziia 1. Dac u:I este o utilitate i X: este o variabil aleatoare
astfel ca X() I i u(X) L
1
, atunci echivalentul su sigur exist i este p = u
-1
(Eu(X))
Demonstraie. Din teorema lui Darboux, imaginea u(I) este un interval, J. Fie a =
infJ, b = supJ. Sunt posibile patru situaii: J = (a,b), J = [a,b), J = (a,b], J = [a,b]. n fiecare
din ele u(X) J Eu(X) J, deci u
-1
Eu(X) are sens.
Cu ajutorul oricrei utiliti u se poate construi o relaie de preferin pe mulimea
capitalurilor aleatoare
u
= {X|E|u(X)|< } dac punem
(16) X
u
Y Eu(X) Eu(Y)
Se poate observa c relaia de preferin nu depinde att de cele dou variabile
aleatoare, ct depinde de repartiiile lor. Scris n termeni de repartiie, relaia (16) devine
(17) F
u
Y

u dF

u dG
Definiia 7. Dac X
u
Y spunem c Y este preferabil din punctul de vedere al lui u fa de X.
Exemple
8.1. X ~ Binomial(m,p) i Y ~ Binomial(n,q). Verificai c
- dac u(x) = x, X
u
Y mp nq
- dac u(x) = x
2
, X
u
Y mp (2 p) nq(2 q)
11
A se observa aici c argumentul devine circular. De ce medie i nu altceva? Sigur c sunt i alte
modele.
12
Verificai c dac L(x,y) = |x - y|, atunci predictorul optimal este mediana .
6
- dac u(x) = e
rx
cu r > 0 , X
u
Y (1 + p(e
r
-1) )
m
(1 + q(e
r
1))
n
- dac u(x) = 1 e
-rx
cu r > 0, X
u
Y (1 q(1- e
- r
))
n
(1 p(1 e
- r
) )
m
8.2. X ~ N(
1
,
1
2
) i Y ~ N(
2
,
2
2
). Verificai c
- dac u(x) = x, X
u
Y
1

2
- dac u(x) = x
2
, X
u
Y
1
+
1
2

2
+
2
2
- dac u(x) = e
rx
cu r > 0 , X
u
Y
1
+r
1
2
/2
2
+r
2
2
/2
- dac u(x) = 1 e
-rx
cu r > 0, X
u
Y
1
- r
1
2
/2
2
- r
2
2
/2
8.3. X ~ Uniform(a
1
, b
1
) i Y ~ Uniform(a
2
, b
2
). Verificai c
- dac u(x) = x, X
u
Y a
1
+ b
1
a
2
+ b
2
- dac u(x) = x
2
, X
u
Y a
1
+ b
1
+ (b
1
a
1
)
2
/6 a
2
+ b
2
+ (b
2
a
2
)
2
/6
- dac u(x) = e
rx
cu r > 0 , X
u
Y
2 2 1 1
2 2 1 1
ra rb
e e
ra rb
e e
ra rb ra rb

- dac u(x) = 1 e
-rx
cu r > 0, X
u
Y
2 2 1 1
2 2 1 1
ra rb
e e
ra rb
e e
rb ra rb ra

8.4. X ~ Gamma(n
1
,
1
) i Y ~ Gamma(n
2
,
2
). Verificai c
- dac u(x) = x, X
u
Y
1
1

n

2
2

n
- dac u(x) = x
2
, X
u
Y
( )
2
1
1 1
1

+ n n

( )
2
2
2 2
1

+ n n
- dac u(x) = e
rx
cu 0 < r <
1

2
, X
u
Y
2 1
2
2
1
1
n n
r r

,
_

,
_

- dac u(x) = 1 e
-rx
cu r > 0, X
u
Y
2 1
2
2
1
1
n n
r r

,
_

,
_

(Vezi capitolul de exerciii).

Este oare posibil ca doi decideni, cu funciile de utilitate u
1
i u
2
s fie de acord c
Y este preferabil lui X?
Este. Pe asta se bazeaz i teoria.
Fie X i Y dou variabile aleatoare oarecare, J un interval care conine imaginile lor
X() i Y() i H
X,Y
={u: J |u este cresctoare, u(X) L
1
, u(Y) L
1
i Eu(X) Eu(Y)}.
Propoziia 2. Mulimea H
X,Y
are urmtoarele proprieti
(i). Dac u(x) = constant, atunci u H
X,Y
(ii). Dac u
j
H
X,Y
, a
j
0, 1 j n, atunci

n
j
j j
u a
1
H
X,Y
(H
X,Y
este un con)
(iii). Dac u
n
H
X,Y
, u
n
u i sup Eu
n
(Y) < , atunci u H
X,Y
Dac u
n
H
X,Y
, u
n
u i inf Eu
n
(X) > - , atunci u H
X,Y
n cuvinte, H
X,Y
este un con nchis care conine constantele.
Demonstraie. Evident. Se aplic teorema Beppo Lavi.
Notaie 8. Fie J un interval oarecare i M o mulime oarecare de funcii u: J
. Cel mai mic con nchis care conine pe M se va nota Cone(M). Se mai poate defini, mai
exact, ca fiind intersecia tuturor conurilor nchise de funcii definite pe J, conuri care conin
pe M.
7
Corolar 3. Fie J un interval i X,Y dou variabile aleatoare cu valori n J. Fie o
mulime oarecare de funcii cresctoare definite pe J. Atunci
X
u
Y u M X
u
Y u Cone(M)
Demonstraie. X
u
Y u M M H
X,Y
Cone(M) Cone(H
X,Y
) = H
X,Y
ceea ce
este acelai lucru cu X
u
Y u Cone(M).
Exemple Mulimi M folosite
9.0. M
0
={u : J |u cresctoare mrginit}
9.1 M
1
={u : J |u continu strict cresctoare}
9.2 M
2
={1
[a,)J
|a J}
9.3 M
3
={1
(a,)J
|a J}
9.5 M
4
={u(x) = (x-a)
+
|a }
9.6 M
5
={u(x) = min(x,a)|a }
Conurile generate de aceste mulimi sunt
Propoziia 4.
(i) Cone(M
0
) = Cone(M
1
) = Cone(M
2
) = Cone(M
3
) = {u : J |u cresctoare}
(ii) Cone(M
4
) = {u : J |u cresctoare convex}
(iii) Cone(M
3
) = {u : J |u cresctoare concav}
Demonstraie. (i). Orice funcie cresctoare poate fi aproximat monoton cu funcii
cresctoare mrginite, deci aparine mulimii Cone(M
0
). Dac a
n
a , a
n
a, atunci ) , [
1

n
a
1
(a,)
, deci M
3
Cone(M
2
). La fel, dac a
n
a , a
n
a, atunci ) , (
1

n
a 1
(a,)
, deci M
2
Cone(M
3
), adic Cone(M
2
) = Cone(M
3
). Funciile u
n
(x) =
n
n 1
e
n(x-a)
1
(-,a)
(x) +(
n
n 1
+
n
1
(1 e
-n(x-a)
))1
[a,)
(x) sunt continue, strict cresctoare i formeaz un ir cresctor care tinde
la 1
[a,)
, deci M
2
Cone(M
1
). Reciproc,
dac u este continu i strict cresctoare, irul de funcii u
n
(x) = [ ] ) ( 2 2 x u
n n
este cresctor
i tinde la u(x). Dar funciile u
n
sunt din Cone(M
2
), deci M
1
Cone(M
2
). nseamn c primele
trei conuri coincid. Orice funcie continu cresctoare se poate aproxima cu funcii continui
stric cresctoare, deci Cone(M
1
) conine funciile continui cresctoare. n fine, orice funcie
cresctoare se poate aproxima monoton cu un ir de funcii continue cresctoare.
(13)
(ii), (iii). Combinaiile lineare cu coeficieni pozitivi de funcii din M
4
( respectiv M
5
) sunt
funcii poligonale convexe (respectiv concave). Dar orice funcie convex (resp. concav)
poate fi aproximat monoton cu asemenea funcii.
Ne apropiem de rspunsul la ntrebarea:
Exist variabile aleatoare X i Y cu proprietatea c X
u
Y pentru orice utilitate u?
n acest Cum putem verifica acest lucru?
Definiia 9. Dac X
u
Y pentru orice utilitate u spunem c X este dominat stocastic
de Y i scriem X
st
Y. Dac X ~ F i Y ~ G scriem, alternativ, F
st
G.
Propoziia 5. Fie X i Y dou variabile aleatoare cu repartiiile F i G. Atunci
X
st
Y F G Eu(X) Eu(Y) u mrginit
13
O demonstraie riguroas poate fi gsit n Gheorghi Zbganu, Metode matematice n teoria
riscului i actuariat, Bucureti, Editura Universitii, 2004.
8
Demonstraie. Fie M
1
mulimea utilitilor. Atunci
X
st
Y X
u
Y u M
1
X
u
Y u Cone(M
1
) X
u
Y u Cone(M
3
) (cf. Corolar
3 i Prop 4) X
u
Y u M
3
P(X > x) P(Y > x) x F G.
Criteriul de recunoatere a dominrii stocastice poate pune probleme dac nu
cunoatem coada repartiiei, F. n cazul variabilelor aleatoare absolut continue (adic acele
variabile aleatoare a cror repartiie admite densitate) sau aritmetice (cele cu valori n reeaua
Z cu > 0) mai exist un criteriu.
Propoziia 6. Criteriul interseciei densitilor
Fie X,Y dou variabile aleatoare cu repartiiile F
X
i F
Y
. Presupunem c suntem n
una din urmtoarele situaii
a. F
X
(x) =

x
p
X
(t)dt, F
Y
(x) =

x
p
Y
(t)dt
b. P(X = n) = p
X
(n), P(Y = n) = p
Y
(n) n numr ntreg
Dac exist un x
0
ca x x
0
p
X
(x) p
Y
(x) i x x
0
p
X
(x) p
Y
(x), atunci X
st
Y.
Demonstraie. Fie g(x) = F
Y
(x) F
X
(x). n situaia a. funcia g este derivabil pe poriuni,
g(-) = g() = 0. Derivata sa este g(x) = p
X
(x) p
Y
(x). Pentru x x
0
, g(x) 0 (deci funcia
crete) iar pentru x x
0
, g(x) 0 (deci funcia scade). n situaia b., demonstraia se
adapteaz: n loc de integral avem suma (g(n) =

+

+ 1 1
) ( ) (
n k
X
n k
Y
k p k p
) iar n loc
de derivat avem diferena a doi termeni succesivi, g((n+1)) g(n) = p
X
(n+1) p
Y
(n+1).
Exemplu de aplicare. Artai c Poisson() Poisson() .
Soluie. Implicaia este evident, lum de exemplu utilitatea u(x) = x. Reciproc ,
verificm c densitile se intersecteaz: inegalitatea p
X
(n) p
Y
(n)
n
e
-

n
e
-

ln ln
n e
n
.
Relaia de dominare stocastic are urmtoarele proprieti
Propoziia 6. Proprieti
(i). X
st
Y, g cresctoare g(X)
st
g(Y). Dac g(x) = ax + b, a >0, proprietatea
se numete invariana la scalare.
(i) X
st
Y, g descresctoare g(Y)
st
g(X). n particular Y
st
X.
(ii). F
j

st
G
j
j = 1,2,..,n F
1
F
2
...F
n

st
G
1
G
2
...G
n
(invariana la
convoluii)
(iii) Dac F
n

st
G
n
n 1 i F
n
F, G
n
G, atunci F
st
G (invariana la
convergen)
Demonstraie.
(i). Fie u o utilitate mrginit. Atunci u(g) este o funcie cresctoare mrginit i, cum X

st
Y , deducem c Eu(g(X)) Eu(g(Y)).
(i): Echivalena X
st
Y - Y
st
- X este evident. Apoi funcia f(x) = - g(x) este
cresctoare, deci cf. primului punct g(X)
st
g(Y) g(Y)
st
g(X).
(ii).: Inducie. Fie u cresctoare i mrginit. Pentru n = 2 avem

u dF
1
F
2
=

+ ) ( y x u dF
2
(y)dF
1
(x) =

g (x)dF
1
(x) cu g(x) =

u (x+y)dF
2
(y). Funcia g este
evident cresctoare, deci

g (x)dF
1
(x)

g (x)dG
1
(x) cci am presupus F
1

st
G
1
. Pe de
alt parte, pentru fiecare x fixat funcia y u(x+y) este de asemenea cresctoare, deci
u
(x+y)dF
2
(y)

u (x+y)dG
2
(y), cci F
2

st
G
2
. Aadar rezult c

g (x)dG
1
(x)

+ ) ( y x u dg
2
(y)dF
1
(x) =

u dG
1
G
2
, adic F
1
F
2

st
G
1
G
2
.
9
(iii). F
n
F nseamn c F
n
(x) F(x) pentru orice x , unde este o submulime dens
din . Cum F
n
(x) G
n
(x) x, trecnd la limit deducem c F(x) G(x) x . Dac t nu
aparine mulimii , folosim continuitatea la dreapta a lui F i G: exist un ir x
n
de elemente
din (era presupus dens!) ca x
n
t F(t) = lim F(x
n
) lim G(x
n
) = G(t).

Familiile de repartiii folosite n statistic depind de regul de parametri reali.
Spunem c o familie de repartiii F

este cresctoare n dac F

st
F

i
descresctoare dac F

st
F

.
Propoziia 8. Proprieti de monotonie
(0). Familia (Hipergeometric(a,n,k)
a,n,k naturale
este cresctoare n a, descresctoare n n i
cresctoare n k.
(i). Familia (Binomial(n,p))
n1, 0 p 1
este cresctoare att n n ct i n p;
(ii). Familia (Negbin(n,p))
n1, 0 p 1
este cresctoare n n i descresctoare n p;
(iii). Familia (Gamma(n,))
n1, > 0
este cresctoare n n i descrectoare n ;
(iv). Familia (N(,
2
))
, 0
este cresctoare n i nu are nici o monotonie n ;
(v). Familia (Uniform(a,b))a,b , a < b
este cresctoare i n a i n b
(vi). Familia (Poisson())

este cresctoare.
Demonstraie. Cu ocazia asta recapitulm i principalele repartiii din cursul de teoria
probabilitilor.
(0). Hipergeometric(a,n,k) este repartiia variabilei aleatoare X = numrul de bile
albe obinute atunci cnd extragem k bile dintr-o urn care are a bile albe i n bile negre.
Deci Hipergeometric(a,n,k) ({i}) =
k
n a
i k
n
i
a
C
C C
+

.
Afirmaia din propoziie se traduce prin: dac pentru fiecare bil alb cptm 1 UM,
atunci, pentru a mri numrul bilelor albe obinute, este mai bine: sau s mrim numrul
bilelor albe, sau s micorm numrul bilelor negre, sau sa mrim numrul bilelor extrase.
Dei pare evident, demonstraia nu este uoar din simplul motiv c nu exist formule pentru
calculul cozii F(x).
Suntem totui norocoi: putem aplica criteriul interseciei.
- Artm c a < a Hipergeometric(a,n,k)
st
Hipergeometric(a,n,k).
Fie p
i
=
k
n a
i k
n
i
a
C
C C
+

i p
i
=
k
n a
i k
n
i
a
C
C C
+

'
'
. Artm c exist un i
0
ca i i
0
p
i
p
i
i i i
0
p
i
< p
i
.
Pentru aceasta fie r
i
= p
i
/p
i
=
k
n a
i
a
C
C
+
i
a
k
n a
C
C
'
'+
. Afirmaia este echivalent cu existena unui i
0

astfel ca i i
0
r
i
1 i i > i
0
r
i
< 1. Calculm raportul
i
= r
i+1
/ r
i
. Atta vreme ct acest
raport este mai mare ca 1, irul r
i
crete; cnd devine mai mic dect 1, scade. Dar

i
=
1
'
1
+
+
i
a
i
a
C
C
i
a
i
a
C
C
'
=
i a
i a

'
<1 . nseamn c irul (r
i
)
0ik
este descresctor. Cum r
0
=
k
n a
i
n a
C
C
+
+ '
>
1 i r
k
=
k
n a
k
a
C
C
+
k
a
k
n a
C
C
'
'+
< 1 afirmaia e dovedit.
- Artm c n < n Hipergeometric(a,n,k)
st
Hipergeometric(a,n,k).
De data asta p
i
=
k
n a
i k
n
i
a
C
C C
+

, p
i
=
k
n a
i k
n
i
a
C
C C
'
'
+

, r
i
=
k
n a
i k
n
C
C
+

i k
n
k
n a
C
C

+
'
'
i
i
=
i k
n
i k
n
i k
n
i k
n
C C
C C


1
'
'
1
=
1
1 '
+
+
i k n
i k n
>1, adic irul r
i
e cresctor. Dar r
0
< 1 i r
k
> 1.
10
- Artm c k < k Hipergeometric(a,n,k)
st
Hipergeometric(a,n,k).
Evident c este suficient de tratat cazul k = k +1. Dac k < n, atunci rezult c p
i
=
k
n a
i k
n
i
a
C
C C
+

,
p
i
=
1
1
+
+
+
k
n a
i k
n
i
a
C
C C
, r
i
=
k
n a
i k
n
C
C
+

i k
n
k
n a
C
C
+
+
+
1
1
i
i
=
( )
( ) ) 1 ( 1
) (
+ + +
+
i k i k n
i k n i k
. Observm c
i
< 1,
deci irul (r
i
)
0 i k
este descresctor. Cum r
0
=
k
n a
k
n
C
C
+
1
1
+
+
+
k
n
k
n a
C
C
=
k n
a k n

+
>1 i r
k
=
) 1 ( +
+
k n
k n a
< 1 rezult c se poate aplica criteriul interseciei. Dac k n atunci se procedeaz
la fel, dar lum n considerare numai acei i pentru care k i n.
(i). Binomial(n,p) este repartiia variabilei aleatoare X = X
1
+ ... + X
n
dac (X
i
)
i
sunt
independente i X
i
~ Binomial(1,p) =

,
_

p p 1
1 0
. Deci Binomial(n,p) =
(Binomial(1,p))
n
i P(X = i) =
i
n
C p
i
(1-p)
n-i
. Evident p p Binomial(1,p)
st

Binomial(1,p) (Binomial(1,p))
n

st
(Binomial(1,p))
n
(invariana la convoluii!)
Binomial(n,p)
st
Binomial(n,p).
Dac n n , e la fel de simplu:
Binomial(n,p) = (Binomial(1,p))
n
(
0
)
(n-n)

st
(Binomial(1,p))
n
( Binomial(1,p))
(n-n)
(din nou
invariana la convoluii:
0
= Binomial(1,0)
st
Binomial(1,p).
(ii). Negbin(n,p) este repartiia variabilei aleatoare T = T
1
+ ... + T
n
dac (T
i
)
i
sunt
independente i T
i
~ Negbin(1,p). Cazul tipic n care apare repartiia Negbin(1,p) este
urmtorul: fie (X
i
)
i
i.i.d. repartizate Binomial(1,p) i T
0
= inf{i|X
i
= 1} - 1. Atunci
P(T
0
=i)=p(1-p)
i
. Aceasta este repartiia Negbin(1,p). Funcia sa generatoare este g
1
(x)=
qx
p
1
, funcia generatoare de momente este m
1
(t) = g
1
(e
t
) =
t
qe
p
1
(pt. t ln(1/q)!).
Deci Negbin(n,p)= Negbin(1,p)
n
. Rezult P(T=k)=
k n n
k n
p p C ) 1 (
1
1

+
.
Repartiia variabilei =T
0
+ 1 se numete geometric i se noteaz Geometric(p)
=Negbin(1,p)
1
. Repartiia Negbin(1,p) este printre cele mai comode din teoria
probabilitilor: coada sa are o expresie foarte simpl, P(T
0
> x) = (1-p)
[x]
. Este evident c p
p (1-p)
[x]
(1-p)
[x]
, deci Negbin(1,p)stNegbin(1,p)(Negbin(1,p))
n
st(Negbin(1,p))
n

Negbin(n,p)
st
Negbin(n,p)
C n n Negbin(n,p)
st
Negbin(n,p) este evident.
(iii). Dac n e numr natural, repartiia Gamma(n,) este analogul absolut continuu
al repartiiei negativ binomiale: Gamma(n,) = Exponential()
n
. Repartiia
exponenial are coada F(x) = e
- x
1, deci afirmaiile de la acest punct sunt evidente. Este
util legatura ntre Exponential(1) i Exponential(): dac X ~ Exponential(1), atunci X/ ~
Exponential().
(iv). Y are repartiia N(0,1) dac are densitatea
0.1
(x) =
2
2
2
1
x
e

. Dac X = + Y
atunci X ~ N(,
2
). Evident c N(,
2
)
st
N(,
2
). Dac ntre Y i Y nu
este nici un fel de dominare din motive evidente.
(v). tim c Y~Uniform(0,1) Y are densitatea constant1
(0,1)
. Atunci X = a + (b-a)Y
are densitatea 1
(a,b)
/ (b-a); aceasta e repartiia Uniform(a,b). Coada repartiiei este foarte
11
simpl: F
a,b
(x) =
1
,
_

+
a b
x b
. Dac a a b, atunci
1
,
_

+
a b
x b

1
'

,
_

+
a b
x b
, deci
Uniform(a,b)
st
Uniform(a,b). La fel, dac b b
1
,
_

+
a b
x b

1
'
'

,
_

+
a b
x b
.
(vi). Am demonstrat deja, ca o aplicaie a criteriului interseciei.
O problem mai grea este de a stabili cnd dou repartiii din aceeai familie sunt n relaia de
dominare stocastic.
Propoziia 9. Compararea repartiiilor obinuite
(i). Binomial(m,p)
st
Binomial(m,p) m n, (1 p)
m
( 1- q)
n
;
(ii). Negbin(m,p)
st

Negbin(n,q) p q
min(n/m,1)
(iii). Gamma(m,)
st

Gamma(n,) m n,
(iv). N(
1
,
2
1
)
st


N(
2
,
2
2
)
1

2
,
1

2
;
(v). Uniform(a1,b1)
st


Uniform(a2,b2) a1 a2 , b1 b2
(vi). Poisson(
1
)
st


Poisson(
2
)
1

2
Demonstraie.
(i). Fie X ~ Binomial(m,p) i Y ~ Binomial(n,q). Presupunem c X
st
Y. Atunci P(X>0)
P(Y>0), adic 1 (1-p)
m
1 (1 q)
n
(1 p)
m
( 1- q)
n
. Apoi P(X > n) P(Y > n) = 0
P(X > n) = 0 m n.
Reciproc, presupunem c m n, (1 p)
m
( 1- q)
n
. Vom aplica criteriul interseciei. Fie >0
astfel ca n = (1+)m. Condiia (1 p)
m
( 1- q)
n
este echivalent cu p 1 (1 q)
1+
. Fie p
0
=1
(1 q)
1+
. tim deja c Binomial(m,p)
st
Binomial(m,p
0
) din proprietile de monotonie.
Vom arta c Binomial(m,p
0
)
st
Binomial(n,q). Fie p
i
=
i m i i
m
p p C

) 1 (
0 0
i fie q
i
=
i n i i
n
q q C

) 1 ( .Vrem s artm c exist un i
0
ca i i
0
p
i
q
i
i > i
0
p
i
q
i
. Pentru
aceasta calculm raportul r
i
=
i n i i
n
i m i i
m
q q C
p p C

) 1 (
) 1 (
0 0
=
( )
i
i
n
i
m
n
m
C
C
q
p

1
) 1 (
0
unde =
q
q
p
p
1
:
1
0
0
Din definiia lui p
0
, (1 p)
m
= ( 1- q)
n
, deci r
i
=
i
i
n
i
m
C
C
. Observm c r
0
= 1. Vom arta c
irul (r
i
)
0im
este unimodal, n sensul c mai nti crete i apoi scade. La fel ca n demonstraia
propoziiei anterioare, fie
i
=
i
i
r
r
1 +
=
+
+
i
m
i
n
i
n
i
m
C C
C C
1
1
=

i n
i m
; irul este descresctor n i.
Atta vreme ct
i
1, irul r
i
crete, iar dac
i
< 1, scade. Oricum,
m
= 0 < 1. Artm c r
1
>
1 m > n > 1 +
q
q
p
p

+
>
1
) 1 (
1
0
0
(1 (1-q)
1+
)(1-q) > q(1 q)
1+
(1 + ) .
Fie x = 1 q (0,1).Inegalitatea devine x x
2+
> (1+)(x
1+
- x
2+
) 1 (+1)x

+ x
+1
>
0. Dar aceasta este o consecin a faptului c funcia f:[0,1] ,f(x) = 1 (+1)x

+ x
+1

este descresctoare, f(0) = 0, f(1) = 0.
(ii). Avem de analizat dou cazuri. S notm F
m,p
= Negbin(m,p) i F
n,q
= Negbin(n,q).
Cazul A. m n. Vrem s artm c F
m,p

st
F
n,q
p q.
Oricum, este evident: p q F
1,p

st
F
1,q
(cci F
1,p
(x) = (1 p)
[x]
(1 p)
[x]
= F
1,q
(x)!)
(F
1,p
)
m

st
(F
1,q
)
m
F
m,p

st
F
m,q
F
m,p
= F
m,p

0

st
F
m,q
F
n-m,q
= F
n,q
.
12
Reciproc, presupunem c F
m,p

st
F
n,q
. Folosind utilitatea u(x) = e
tx
rezult c

) ( d
,
x F e
p m
tx

) ( d
,
x F e
p m
tx
( sau, cui i place mai mult n termeni de variabile
aleatoare, Ee
tX
Ee
tY
dac X~F
m,p

i Y~F
n,q
) adic
m
t
e p
p

,
_

) 1 ( 1

n
t
e q
q

,
_

) 1 ( 1
.
Dac facem t - ln(1-p) prima expresie tinde la . Dac cumva ln(1-p) < - ln (1 q) (adic
p < q)!) ar iei absurditatea mai mic dect un numr real. Suntem forai s acceptm c p
q.
Cazul B. m > n. Vrem s artm c F
m,p

st
F
n,q
p
m
q
n
. De data aceasta implicaia evident
este . Pentru c dac X~F
m,p

i Y~F
n,q
, atunci P(X=0) = p
m
q
n
= P(Y = 0).
Reciproc, prsupunem c p
m
q
n
. Fie p
0
= q
n/m
. Cum p p
0
, din proprietile de monotonie
avem c F
m,p

st

0
, p m
F
. Vom arta folosind criteriul interseciei c
0
, p m
F

st
F
n,q
.
Fie p
i
=
0
, p m
F
({i}) =
i m m
i m
p p C ) 1 (
0 0
1
1

+
i p
i
= F
n,q
({i}) =
i n n
i n
q q C ) 1 (
1
1

+
. Vrem s
artm c exist un i
0
ca i i
0
p
i
q
i
i i > i
0
p
i
q
i
. Fie r
i
= p
i
/p
i
=
i n n
i n
i m m
i m
q q C
p p C
) 1 (
) 1 (
1
1
0 0
1
1

+
. Cum
m
p
0
= q
n
, raportul ri poate fi scris ca
i
n
i n
m
i m
C
C

+
1
1
1
1
cu =
q
p

1
1
0
.
S notm c p
0
> q, deoarece n < m deci < 1 i c r
0
= 1 iar i r
i
0, adic r
i
devine
mai mic dect 1 dac i este mare. Dac artm c irul r
i
este unimodal, adic mai nti crete
i apoi scade, am rezolvat problema. Fie n acest scop
i
= r
i+1
/ r
i
=
i n
i m
+
+
. Cum m > n irul
(
i
)
i
este descresctor i are ca limit . Fie j prima oar cnd
i
< 1. Atunci (r
i
)
i j
crete i apoi
ncepe s scad, deci este unimodal. Demonstraia este ncheiat.
(iii). Implicaia este evident. Exponential()
st
Exponential() i, cum m
n, (Exponential())
m

st
(Exponential())
n
Gamma(m,)
st
Gamma(n,).
Reciproc, fie f(t) =
m
t

,
_

i g(t) =
n
t

,
_

funciile generatoare de momente ale celor

dou repartiii. Ipoteza Gamma(m,)
st
Gamma(n,) implic inegalitile f(t) g(t) t 0 i
f(t) g(t) t < 0. Domeniul de definiie al lui f este ( - , ) iar cel al lui g este ( - , ). Cum
f( - 0) = , trebuie ca . Pe de alt parte, ar trebui ca f(-t) > g(-t) h(t) > 0 t >0 unde
h(t) = lnf(-t) lng(-t) = ln(+t) mln(+t) + mln nln. Pretindem c atunci m n. ntr-
adevr, dac prin absurd m > n, atunci lim
t
h(t) = - , absurd.
(iv). Dac X
i
~ N(
i
,
i
2
) , atunci cozile sunt F
i
(x) =
) (
i
i
x

, unde (x) =
y e
x
y
d
2
1
2
2

este funcia de repartiie a normalei standard. Aadar N(

1
,
2
1
)
st


N(
2
,
2
2
)
) (
1
1

) (
2
2

x
x
1
1

2
2

x
x
1

2
,
1
=
2
.
(v). Dac X
i
~ Uniform(a
i
,b
i
) i F
i
sunt cozile, atunci F
i
(x) =
1

,
_

+
i i
i
a b
x b
. Facem x = b
2
n inegalitatea F
1
(x) F
2
(x) i rezult b
1
b
2
; apoi facem x = a
1
i rezult 1= F
2
(a
1
) a
1
a
2
.
(vi). Evident.
Din cele de mai sus rezult c relaia de dominare stocastic este foarte restrictiv.
Rar se ntmpl ca toi decidenii s prefere capitalul actualizat Y fa de X.
13
Exerciii.
1. n ipoteza ca (s,t) = 1 gsii repartiia capitalurilor actualizate din exemplele 1- 6.
R. Cum = 1 nu conteaz unde facem actualizarea, o facem la momentul = 0. Fie Y = A0(C)
La Exemplul 1: Y1 =
( )
( )( ) ( ) ) 1 ( 1 ... ) 1 ( 1 ) 0 ( 1
1
+ + +
+
t I I I
i
t
(varianta 8) sau
Y1 =
( )
( )( ) ( )
( )
( )( ) ( ) ]) 1 ([ 1 ... ) 1 ( 1 ) 0 ( 1
) 1 1 ( 1
) 1 ( 1 ... ) 1 ( 1 ) 0 ( 1
1 1
0
+ + +
+
+
+ + +
+
I I I
i
t I I I
i
A A
t
Fie Zs = 1 / (1 + I(s)). n prima variant
P(Y x) = P(Z1Z2Zt x(1 + i)
t
). Mai mult nu se poate spune n lipsa altor ipoteze despre indicii de
inflaie. n a doua variant nu se poate spune nimic dac nu presupunem c A este independent de (Zj)j
i de . Dac acceptm aceasta i punem P(A) = p gsim
P(Y x) = pP(Z1Z2Zt x(1 + i)
t
) + (1 p) pP((1+i0) Z1Z2Zt x)
La Exemplul 2: Y2 = +

t
i
s
s
i n
1
) 1 ( . Vectorul (n1,...,nt) are repartiia analog repartiiei
hipergeometrice: P(n1 = j1,...,nt = jt) =
n
N
j
N
j
N
j
N
C
C C C
t
t
...
2
2
1
1
. Y2 este o variabil aleatoare discret avnd
valorile y(j1,...,jt) = +

t
i
s
s
i j
1
) 1 ( pe care le ia cu probabilitile p(y(j1,...,jt)) =
n
N
j
N
j
N
j
N
C
C C C
t
t
...
2
2
1
1
.
Atunci FY(x) =

x j j y p j j
t
t t
j j y p
) ,..., ( ( : ) ,..., (
1
1 1
)) ,..., ( (
. A o calcula chiar folosind calculatorul
este o problem redutabil.
La Exemplul 3: Y3 = (1+i)

. Putem calcula repartiia lui . Fie Xn variabilele aleatoare cu valoarea 1

dac obligaia a fost rscumprat i cu valoarea 0 dac obligaia nu a fost rscumprat. n contextul
exemplului, evenimentele (An)n sunt independente i au aceeai probabilitate, p. Cum = inf{n|Xn= 1},
P( = n) = P(X1 = 0,,Xn-1 = 0, Xn = 1) = P(X1 = 0).P(Xn-1 = 0)P( Xn = 1) = pq
n-1
. Repartiia lui se
numete geometric. Atunci repartiia lui Y este P(Y = (1+i)
n
) = pq
n-1
.
La Exemplul 4: Y4 = (1 + i)

. Dac F este repartiia lui , atunci

FY(x) = P(Y4 x) = P( ln x / ln(1 + i)) =

,
_

+ ) 1 ln(
ln
i
x
F
. Dac are densitatea f, atunci Y4 are
densitatea

,
_

+ ) 1 ln(
ln 1
i
x
F
x
La Exemplul 5: Y5 = (1+i)
t
1( > t). Aici este cel mai simplu: Y5 ~

,
_

>
+
) ( ) (
) 1 ( 0
t P t P
i
t
2. Verificai c evalurile 1- 6 date n exemplul 7 sunt toate naturale, dar evalurile 7 i 8
(medie varian i medie abatere) nu sunt.
R. Prima afirmaie e evident. Pentru a doua, fie X = 1A i Y = 1B cu A B. Fie p = P(A) i p = P(B).
Atunci X Y . Evaluarea 7 este V(X) = p - p(1 p), V(Y) = p - p( 1 - p) . Ar trebui ca funcia f(p) =
p(1-) + p
2
s fie cresctoare pentru p [0,1] ceea ce, dac > 1, nu este adevrat. n cazul evalurii
14
8 funcia devine f(p) = p -
2
p p cu derivata 1 -
2
2
) 2 1 (
p p
p

. Derivata f(0+0) = - , deci f nu
poate fi cresctoare.
3. Predictori cu pierdere median minim. Fie L o funcie de pierdere. Predictorul optimal
AL(X) minimiza pierderea medie EL(X,y). La fel de bine putem pune problema minimizrii pierderii
mediane: A*L(X) = Argmin Median L(X,y) = acel y pentru care Median L(X,y) este minim. Probleme
neplcute: e posibil ca Median L(X,y) s nu fie unic. De aceea e mai uor s gndim c Median(X)
eswte mulimea foemat din valorile cu proprietatea c F(-0) F(). Totui, mediana are i
avantaje fa de medie: comut cu funciile strict cresctoare, ceea ce nu e cazul cu media. Artai c
dac u este strict cresctoare, atunci Median u(X) = u(Median X).
R. Fie Median X P(X < ) P( X ) P(u(X) < u()) P( u(X) u()) u()
Median u(X) .
4. Predictori cu pierdere median minim comparai cu cei cu pierdere medie minim.
Fie Lp(x,y) = |x-y|
p
cu p > 0. Fie A1,p(X) = Argmin Median Lp(X,y) i A2,p = Argmin E Lp(X,y). Atunci
A1,p(X) = A1,1(X) deci predictorul de pierdere median minim nu depinde de p. n schimb, A2,1(X) =
Median X i A2,2(X) = EX sunt n general diferii.
R. Funcia u(x) = x
p
e cresctoare pe [0,) deci Median |X-y|
p
= (Median |X-y|)
p
. Dar dac f este o
funcie oarecare care i atinge minimul n i g este o funcie cresctoare, atunci funcia gf i atinge
minimul de asemenea n . Deci
A1,p(X) = Argmin Median |X-y|
p
= Argmin (Median |X-y|)
p
= Argmin Median |X-y| = A1,1(X)
5. Calculai Ai,j(X) dac funcia de repartiie a lui X este F(x) := P(X x) = (x+)
p
1 cu p > 0
(repartiia putere) i i,j {1,2}
R. Mediana este soluia ecuaiei x
p
= MedianX = = (p) = 2
- 1/p
. Deci A2,1(X) =2
- 1/p
.
Evident A2,2(X) = EX =
1 + p
p
.
Apoi A1,1(X) = A1,2 (X) = Argmin Median |X-y|. Dac y < 0 , atunci |X - y|= X y deci Median |X-
y|= Median (X y) = MedianX y = (p) y. Dac y 1 atunci |X - y|= y X deci Median |X-y|= y
- (p). Presupunem c 0 y 1. Fie g(x,y) = P(|X - y| x) = F(y + x) F(y x); Median|X - y| este
soluia x = (y) a ecuaiei g(x,y) = . Sunt dou cazuri: (a) y < (deci y < 1 y) i (b) y > (deci 1
y < y).
n primul caz g(x,y) =
( ) ( )
( )

'

< +
< +
y y
y x y x y
y x x y x y
p
p p
1 dac 1
1 dac
0 dac
. Observm c g(y,y) = 2
p
y
p
.
Sunt dou posibiliti:
- dac g(y) ( y /2 ), soluia se afl pe intervalul [y, 1 y] i este soluia ecuaiei y +
x = 2
1/p
x = (p) y
- dac g(y) > ( y > /2) , soluia se afl pe intervalul [0,y] . Este soluia ecuaiei (posibil
transcendente) (y + (y))
p
- (y - (y))
p
= .
Raionnd la fel i n cellalt caz rezult c (y) =

'

+

+ < <

2
1
dac
1 2 dac ) (
2
dac
y y
y y
y y
. Vrem s gsim
minimul funciei , chiar dac nu putem gsi o formul pentru ea pe intervalul ( / 2, (1+ ) / 2).
Pentru asta i studiem derivata. Din teorema funciilor implicite funcia este derivabil i satisface
ecuaia (1 + )(y + )
p-1
(1-)(y - (y))
p-1
= 0
1
) (
) (
' 1
' 1

,
_

+
p
y y
y y
. Observm c
dac p > 1,
' 1
' 1

+
< 1 < 0; dac p < 1,
' 1
' 1

+
> 1 > 0; dac p = 1,
' 1
' 1

+
= 1
= 0
15
Dac p > 1, funcia scade pe intervalul ( - , (1+)/2) i apoi crete; minimul se atinge n y =
(1+)/2. Dac p < 1, funcia scade pe inervalul ( - , /2) i apoi crete, deci minimul se atinge n y =
/2; iar dac p = 1, funcia este constant pe intervalul [/2, (1+)/2].
Concluzie: A1,1(X) = Argmin =

'

> +
<
1 p dac 2 / ) 1 (
1 p dac 2 /
. Concret
p = 2 (y) =

'

+

+
< <

4
2 2
dac
2
2
4
2 2
4
2
dac
8
1
4
2
dac
2
2
y y
y
y
y y
A1,1=
4
2 2 +
, A2,1 =
2
2
, A2,2 =
3
2
EX .667 < Median(X) .707 < A1,1(X) .854
p = (y) =

'

< < +

8
5
dac
4
1
8
5
8
1
dac 1 16
8
1
8
1
dac
4
1
y y
y z
y y
A1,1 =
8
1
, A2,1 = , A2,2 =
3
1
EX .333 > Median(X) .25 > A1,1(X) .125
p = 1 (y) =

'

< <

4
3
dac
4
1
4
3
4
1
dac
4
1
4
1
dac
2
1
y y
y
y y
A1,1(X) = [ , ]
EX = Median(X) = .5 A1,1(X) = [ , ]
6. Artai c Ai,p(aX+b) = aAi,p(X) + b dac Ai,p(X) snt unici , a > 0 i i {1,2}, p 1.
Predictorii se comport bine la scalare.
R. A1,p(aX + b) = A1,1(aX + b) Argmin Median |aX + b - y|= Argmin Median (a|X -
a
b y
|) =
Argmin (aMedian |X -
a
b y
|) = Argmin Median |X -
a
b y
|. Fie z =
a
b y
. Cum tim c
Argmin Median |X - z| = A1,p(X) rezult c acel y pentru care Median |X -
a
b y
|devine minim
satisface ecuaia
a
b y
= A1,p(X) A1,p(aX+b) = aA1,p(X) + b. Pentru A2,p : A2,p(aX+b) este
minimizatorul funciei y E|aX+b-y|
p
= a
p
E|X -
a
b y
|
p
, care este acelai cu minimizatorul
funciei y E|X -
a
b y
|
p
. Notnd z =
a
b y
ajungem la acelai rezultat.
7. Calculai Ai,j (X) cu i,j {1,2} dac X ~ Exponential().
R. Scriem X = Y/ cu Y ~ Exponential(1). Folosind exerciiul precedent, este suficient s
calculm predictorii pentru = 1. Obinem A1,1(X) =
2
2 ln
, A2,1(X) =

2 ln
, A2,2(X) = A1,1(X) =

1
.
8. Verificai relaiile de la exemplele 8.1 8.4
16
R. Repartiia binomial Binomial(n,p) are m.g.f. funcia m(t) = (1- p + pe
t
)
n
, media np i
variana np(1 p). Repartiia normal N(,
2
) are m.g.f. funcia m(t) =
2
2 2

+
t
t
e
, media i variana

2
; repartiia uniform Uniform(a,b) are ca m.g.f. funcia m(t) =
at bt
e e
at bt

, media (a+b)/ 2, variana

(b-a)/ 12; n fine, repartiia Gamma(n,) are m.g.f. funcia m(t) =
n
t

,
_

, media n /, variana n
2
/

2
. Folosim faptul c EX
2
= E
2
X + Var(X). Definiiile sunt n orice curs de probabiliti. Totui, amintim
c
Binomial(n,p) este o repartiie discret pe mulimea {0,1,...,n} cu Binomial(n,p)({k})=
k n k k
n
p p C

) 1 ( , N(,
2
) este repartiia normal, cu densitatea p(x) =
( )
2
2
2
2
1

x
e
,
Uniform(a,b) are densitatea constant pe intervalul (a,b), p(x) =
( )
a b
x
b a

) ( 1
,
iar repartiia Gamma(n,)
este o generalizare, pentru n>0 a repartiiei care, dac n este natural, este convoluia de n ori a
repartiiei Exponential().
9. Binomial(1,p) st Binomial(1,q) p q
10. Binomial(m,p) st Binomial(n,q) m n, mp nq. Reciproca e fals.
D. Fie X ~ Binomial(m,p) i Y ~ Binomial(n,q). Dac m > n, P(X > n) > 0 dar P(Y > n) = 0, aadar nu
se poate ca X st Y. Deci m n. EX = mp EY = np. Pentru reciproc, fie m = 1, n = 2. ntr-adevr,
acum X ~

,
_

p p 1
1 0
, Y ~

,
_

2 2
) 1 ( 2 ) 1 (
2 1 0
q q q q
. Condiia ca X st Y este p 1 (1-q)
2

sau
p 2q q
2
. De exemplu dac X ~ Binomial(1, ) i Y ~ Binomial(2, ), atunci nu este adevrat c
XstY dei EX = EY. Dac folosim utilitatea u(x) = x vedem c Eu(X) = > Eu(Y) = (6+ 2 )/16
11. Binomial(m,p) st Binomial(n,q) m n, mp nq, (1-p)
m
(1 q)
n
R.
11.
17