Sunteți pe pagina 1din 192

Capitolul 1

Procese Markov
1.1 Generalitati privind procesele stochastice
Fie o multime 1 (de obicei inclusa in 1) pe care o vom interpreta ca multime
de timpi, iar elementele ei le vom numi momente.
Fie (. T. 1) un cimp de probabilitate pe care l vom numi spatiu de baza si
e (1. c) un spatiu masurabil pe care il vom numi spatiul starilor.
Denitia 1.1. Vom numi proces stochastic o familie de aplicatii masu-
rabile,
A
t
: (. T. 1) (1. c) . t 1.
(vom nota pe scurt A
t

tT
).
Observatia 1.2. Pentru 1 = [0. c], c 0. se spune ca procesul este cu
orizont nit si timp continuu, in cazul 1 = [0. +) procesul este cu ori-
zont innit si timp continuu si daca 1 este cel mult numarabila se spune ca
procesul este cu timp discret.
Denitia 1.3. Pentru . xat, aplicatia
t A
t
(.) : 1 1
se numeste traiectoria lui ..
Deoarece un proces reprezinta o modelare matematica a unui fenomen ce
se deruleaza in timp si a carui evolutie este supusa intmplarii, o traiectorie
reprezinta o evolutie posibila a fenomenului.
3
4 Cap. 1. Procese Markov
Pentru 1 1 notam c
1
corpul borelian produs
t1
c
t
, unde c
t
= c pentru
orice t 1 (reamintim ca c
1
este cel mai mic corp borelian pe 1
T
ce contine
multimile de forma

t1

t
cu proprietatea ca
t
c si t 1 :
t
,= 1
este nita).
Denitia 1.4. Fie (A
t
)
tT
un proces stochastic cu spatiul de baza (. T. 1)
si spatiul starilor (1. c) .
(a) Aplicatia
,
A
: (. T. 1)
_
1
T
. c
T
_
. ,
A
(.) = A
t
(.)
tT
.
este masurabila (deoarece componentele sunt masurabile) si probabilitatea
1 ,
1
A
: c
T
[0. 1] .
_
1 ,
1
A
_
() = 1
_
,
1
A
()
_
. c
T
.
se numeste repartitia sau distributia procesului.
(b) Pentru orice multime nita 1 = t
1
. t
2,
. . . . t
a
1 aplicatia
(A
t
1
. A
t
2
. . . . . A
tn
) : (. T. 1)
_
1
1
. c
1
_
este de asemenea masurabila si familia de probabilitati
_
1 (A
t
1
. A
t
2
. . . . . A
tn
)
1
_
1T, 1 )iaito
se numeste familia repartitiilor (sau distributiilor) nit dimensionale ale pro-
cesului.
Este clar ca 1 (A
t
1
. A
t
2
. . . . . A
tn
)
1
este probabilitate pe c
1
si ca pentru
orice
i
1. 1 _ i _ :.
1 (A
t
1
. A
t
2
. . . . . A
tn
)
1
(
1

2
. . .
a
) =
1 (A
t
1

1
. A
t
2

2
. . . . . A
tn

a
) .
Denitia 1.5. Daca A = (A
t
)
tT
. 1 = (1
t
)
tT
+
sunt procese stochastice
cu spatiile de baza (. T. 1) si (
t
. T
t
. 1
t
) si acelasi timp 1 si acelasi spatiu
al starilor (1. c) . atunci vom spune ca cele doua procese sunt echivalente
daca au aceeasi repartitie sau echivalent daca au aceleasi distributii nit
dimensionale.
1.2. CARACTERIZARI ALE LANTURILOR MARKOV 5
Denitia 1.6. Fie A = (A
t
)
tT
, 1 = (1
t
)
tT
doua procese denite pe
acelasi spatiu de baza si cu aceeasi multime de timpi 1 si acelasi spatiu al
starilor (1. 1).
(a) Se spune ca A este o modicare (sau o versiune) a lui 1 daca A
t
= 1
t
a.s. \t 1 , adica 1 (A
t
= 1
t
) = 1, \t 1.
(b) Spunem ca A si 1 sunt indistingabile, daca A si 1 au aceleasi traiectorii,
cu exceptia unei multimi de masura nula,
deci daca
1 (. [ t 1 astfel incat A
t
(.) ,= 1
t
(t)) = 0.
Observatia 1.7. Daca (A
t
) este indistingabil de (1
t
) atunci (A
t
) este o ver-
siune a lui (1
t
) si in particular cele doua procese sunt echivalente. Implicatiile
reciproce nu sunt adevarate.
Clasicari ale proceselor stochastice.
(a) Procesele stochastice pot clasicate dupa multimea de timp si anume:
- procese cu timp discret, cind 1 este o multime discreta;
- procese cu timp continuu (T este un interval nit sau innit ).
(b) Procesele stochastice se clasica si dupa multimea starilor:
- procese stochastice cu multimea starilor cel mult numarabila;
- procese stochastice cu multime arbitrara de stari.
(c)O alta clasicare a proceselor stochastice se face in functie de proprietatile
variabilelor aleatoare ce compun procesul (de regula ale repartitiei procesului)
si in acest sens, enumeram:
- procese Markov,
- procese cu cresteri independente,
- procese gaussiene,
- procese stationare, etc.
1.2 Caracterizari ale lanturilor Markov
Lanturile Markov sunt procese stochastice cu timpul discret si multimea star-
ilor cel mult numrabil.
6 Cap. 1. Procese Markov
Fie (. T.1) un cimp de probabilitate, 1 o multime cel mult numarabila
si pentru orice : 0. 1. 2. . . . e A
a
: (. T) (1. T (1)) o aplicatie
masurabil (adica asa incit A
a
= i T, \ i 1).
Denitia 2.1. Vom spune ca sirul (A
a
)
a
este lant Markov cu spatiul starilor
1, daca pentru orice : si i
0
. . . . i
a
1 are loc egalitatea
1 (A
a+1
= i
a+1
[ A
a
= i
a
. A
a1
= i
a1
. . . . . A
0
= i
0
) =
1 (A
a+1
= i
a+1
[ A
a
= i
a
) . (1.2.1)
de indata ce 1 (A
a
= i
a
. . . . . A
0
= i
0
) 0, egalitate ce este cunoscuta sub
numele de proprietatea Markov.
Observatia 2.2. Daca momentul : este momentul prezent, : + 1 momen-
tul viitor si 0,...,: 1 momentele trecute, atunci proprietatea Markov ex-
prima faptul ca viitorul este independent de trecut, de indata ce prezentul
este cunoscut.
Plecand de la denitia lantului Markov, are loc urmatoarea consecinta.
Propozitia 2.3. Daca (A
a
)
a
este lant Markov atunci
1 (A
a+1
= i
a+1
[ A
a
= i
a
. . . . . A
I
= i
I
) =
1 (A
a+1
= i
a+1
[ A
a
= i
a
) . \/ _ :. (1.2.2)
de indata ce
1 (A
a
= i
a
. . . . . A
I
= i
I
) 0
Demonstratie. Ideea consta in a completa evenimentul care conditioneaza
(A
a
= i
a
. . . . . A
I
= i
I
) pina la A
0
, pentru a putea utiliza denitia lantului
Markov.
Observam ca
=
_
i
0
,...,i
k1
1
A
I1
= i
I1
. . . . . A
0
= i
0
.
de unde
1 (A
a+1
= i
a+1
[ A
a
= i
a
. . . . . A
I
= i
I
) =
1.2. Caracterizari ale lanturilor Markov 7
1 (A
a+1
= i
a+1
. A
a
= i
a
. . . . . A
I
= i
I
. )
1 (A
a
= i
a
. . . . . A
I
= i
I
)
=
1
_
A
a+1
= i
a+1
. .... A
I
= i
I
.

i
0
,..,i
k1
1
A
I1
= i
I1
. ... A
0
= i
0

_
1 (A
a
= i
a
. . . . . A
I
= i
I
)
=

i
0
...,i
k1
1
1 (A
a+1
= i
a+1
. . . . . A
I
= i
I
. A
I1
= i
I1
. . . . . A
0
= i
0
)
1 (A
a
= i
a
. . . . . A
I
= i
I
)
=

i
0
...,i
k1
1
1 (A
a+1
= i
a+1
[ A
a
= i
a
. . . . . A
I
= i
I
. . . . . A
0
= i
0
)
1 (A
a
= i
a
. . . . . A
I
= i
I
)

1 (A
a
= i
a
. . . . . A
I1
= i
I1
. . . . . A
0
= i
0
) =
1 (A
a+1
= i
a+1
[ A
a
= i
a
)
1 (A
a
= i
a
. . . . . A
I
= i
I
)


i
0
...,i
k1
1
1 (A
a
= i
a
. . . . . A
I1
= i
I1
. . . . . A
0
= i
0
) =
1 (A
a+1
= i
a+1
[ A
a
= i
a
)
1 (A
a
= i
a
. . . . . A
I
= i
I
)

1
_
_
A
a
= i
a
. ... A
I
= i
I
.
_
i
0
,...,i
k1
1
A
I1
= i
I1
. ... A
0
= i
0

_
_
=
1 (A
a+1
= i
a+1
[ A
a
= i
a
) 1 (A
a
= i
a
. . . . . A
I
= i
I
)
1 (A
a
= i
a
. . . . . A
I
= i
I
)
=
1 (A
a+1
= i
a+1
[ A
a
= i
a
) .
Sistemul de numere j
i
= 1 (A
0
= i), i 1 se numeste repartitia initiala a
lantului Markov.
Evident j
i
_ 0.

i1
j
i
= 1.
Au loc urmatoarele denitii echivalente pentru un lant Markov.
Teorema 2.4. Urmatoarele armatii sunt echivalente:
8 Cap. 1. Procese Markov
(1) (A
a
) este lant Markov.
(2) Pentru orice :. : si i
0
. . . . . i
a+n
1,
1 (A
a+n
= i
a+n
. . . . . A
a+1
= i
a+1
[ A
a
= i
a
. . . . . A
0
= i
0
) =
1 (A
a+n
= i
a+n
. . . . . A
a+1
= i
a+1
[ A
a
= i
a
) . (1.2.3)
de indata ce 1 (A
a
= i
a
. . . . . A
0
= i
0
) 0.
(3) Pentru orice : si i
0
. . . . . i
a
1,
1 (A
0
= i
0
. . . . . A
a
= i
a
) =
j
i
0
1 (A
1
= i
1
[ A
0
= i
0
) ...1 (A
a
= i
a
[ A
a1
= i
a1
) . (1.2.4)
de indata ce 1 (A
0
= i
0
. . . . . A
a1
= i
a1
) 0.
(4) Pentru orice n, E(A
I
: / _ :). 1 E(A
I
: / _ :) si i 1 ,
1 ( [ A
a
= i. 1) = 1 ( [ A
a
= i) . (1.2.5)
de indata ce 1 (A
a
= i. 1) 0.
Demonstratie. (1) ==(2) Folosim inductia dupa m. Daca : = 1 egali-
tatea (1.2.3) este chiar ipoteza. Presupunem afrmatia adevarata pentru m si
demonstram pentru : + 1.
Utilizind egalitatea
1 ( 1 [ C) = 1 ( [ C) 1 (1 [ C) .
ipoteza de inductie si (1.2.2), obtinem
1 (A
a+n+1
= i
a+n+1
. A
a+n
= i
a+n
. ... A
a+1
= i
a+1
[ A
a
= i
a
. ... A
0
= i
0
) =
1 (A
a+n
= i
a+n
. . . . . A
a+1
= i
a+1
[ A
a
= i
a
. . . . . A
0
= i
0
)
1 (A
a+n+1
= i
a+n+1
[ A
a+n
= i
a+n
. ... A
a+1
= i
a+1
. A
a
= i
a
. ... A
0
= i
0
)
= 1 (A
a+n
= i
a+n
. . . . . A
a+1
= i
a+1
[ A
a
= i
a
)
1.2. Caracterizari ale lanturilor Markov 9
1 (A
a+n+1
= i
a+n+1
[ A
a+n
= i
a+n
. ... A
a+1
= i
a+1
. A
a
= i
a
) =
1 (A
a+n+1
= i
a+n+1
. A
a+n
= i
a+n
. . . . . A
a+1
[ A
a
= i
a
) .
(1)= (3) Daca A
a
este lant Markov, atunci \:. i
0
. . . . . i
a
1 astfel incit
1 (A
a1
= i
a1
. . . . . A
0
= i
0
) 0. se are
1 (A
a
= i
a
. A
a1
= i
a1
. . . . . A
0
= i
0
) =
1 (A
a
= i
a
[ A
a1
= i
a1
. . . . . A
0
= i
0
)
1 (A
a1
= i
a1
. . . . . A
0
= i
0
) = 1 (A
a
= i
a
[ A
a1
= i
a1
)
1 (A
a1
= i
a1
[ A
a2
= i
a2
. . . . . A
0
= i
0
) 1 (A
a2
= i
a2
. . . . . A
0
= i
0
)
= 1 (A
a
= i
a
[ A
a1
= i
a1
) 1 (A
a1
= i
a1
[ A
a2
= i
a2
) . . .
. . . . 1 (A
1
= i
1
[ A
0
= i
0
) 1 (A
0
= i
0
) =
j
i0
1 (A
1
= i
1
[ A
0
= i
0
) 1 (A
2
= i
2
[ A
1
= i
1
) . . . .
. . . .1 (A
a
= i
a
[ A
a1
= i
a1
) .
(3) =(1) Avem ca
1 (A
a+1
= i
a+1
[ A
a
= i
a
. . . . . A
0
= i
0
) =
1 (A
a+1
= i
a+1
. A
a
= i
a
. . . . . A
0
= i
0
)
1 (A
a
= i
a
. . . . . A
0
= i
0
)
=
j
i0
1 (A
1
= i
1
[ A
0
= i
0
) . . . 1 (A
a+1
= i
a+1
[ A
a
= i
a
)
j
i0
1 (A
1
= i
1
[ A
0
= i
0
) . . . 1 (A
a
= i
a
[ A
a1
= i
a1
)
= 1 (A
a+1
= i
a+1
[ A
a
= i
a
) .
10 Cap. 1. Procese Markov
(2)= (4) Teorema de unicitate a probabilitatilor reduce probarea egalitatii
(1.2.5) la cazul cind
= A
a+n
= i
a+n
. A
a+n1
= i
a+n1
. . . . . A
a+1
= i
a+1
.
1 = A
a1
= i
a1
. . . . . A
0
= i
0
.
Propozitia 2.5. Proprietatea Markov continua sa ramina adevarata si pen-
tru lantul (A
a
) considerat cu ordinea inversa, deci pentru 1(A
n
. : _ : + 1)
avem:
1 (A
a
= i
a
[ A
a+1
= i
a+1
. ) = 1 (A
a
= i
a
[ A
a+1
= i
a+1
) . (1.2.6)
Demonstratie. Avem ca
1 (A
a
= i
a
[ A
a+1
= i
a+1
. ) =
1 (A
a
= i
a
. A
a+1
= i
a+1
. )
1 (A
a+1
= i
a+1
. )
=
1 ( [ A
a+1
= i
a+1
. A
a
= i
a
) 1 (A
a+1
= i
a+1
. A
a
= i
a
)
1 ( [ A
a+1
= i
a+1
) 1 (A
a
= i
a
)
=
1 (A
a
= i
a
[ A
a+1
= i
a+1
) .
Denitia 2.6. O matrice 1 = (j
i)
)
i,)1
este stochastica daca
j
i)
_ 0. \i. , 1 si

)1
j
i)
= 1. \i 1.
Pentru orice : _ 0 e 1 (:) = (j (:. i. : + 1. ,))
i,)1
o matrice stochastica,
ale carei elemente le vom numi probabilitati de trecere intr-un pas.
Denitia 2.7. Un lant Markov (A
a
) vom spune ca este asociat matricilor
de trecere 1 (:) . : _ 0daca
1 (A
n+1
= , [ A
n
= i) = j (:. i. : + 1. ,) . \:. i. ,.
ori de cate ori 1 (A
n
= i) 0.
Avind in vedere Teorema 2.4-(3), rezulta ca sirul (A
a
) este lant Markov cu
matricile de trecere 1 (:), daca si numai daca
1.2. Caracterizari ale lanturilor Markov 11
1 (A
0
= i
0
. . . . . A
a
= i
a
) = j
i
0
j (0. i
0
. 1. i
1
) (1.2.7)
j (1. i
1
. 2. i
2
) . . . j (: 1. i
a1
. :. i
a
) ,\ :. i
1
. .... i
a
.
Notatie. Pentru orice :. : _ 0, denim matricile
1 (:. : + :) = (j(:. i. : + :. ,)
i,)1
.
prin relatiile
1 (:. : + :) =
_
_
_
1 daca : = 0
1 (:) daca : = 1
1 (:) . . . 1 (: + : 1) daca : 1. : _ 0.
(1.2.8)
Propozitia 2.8. Fie (A
a
) un lant Markov cu matricile de trecere 1 (:) .
Atunci:
(a) Pentru orice :. : _ 0 cu 1 (A
n
= i) 0, are loc egalitatea
1 (A
a+n
= , [ A
n
= i) = j (:. i. : + :. ,) . (1.2.9)
(b) Pentru orice : < | < : are loc relatia matriciala
1 (:. : + :) = 1 (:. : + |) 1 (: + |. : + :) . (1.2.10)
cunoscuta sub numele de relatia Chapman-Kolmogorov, sau echivalent pe
componente,
j (:. i. : + :. ,) =

I1
j (:. i. : + |. /) j (: + |. /. : + :. ,) . \i. , 1.
(1.2.11)
(c) Pentru orice i 1 sirul (A
a
) continua sa e lant Markov fata de prob-
abilitatea P(.[ A
0
= i). cu repartitia initiala j
i
= 1. j
)
= 0 dccc j ,= i si
aceleasi matrici de trecere 1 (:) .
Demonstratie. (a) Se utilizeaza inductia dupa m. Pentru : = 1, armatia
este imediata.
Presupunem armatia adevarata pentru : si sa o demonstram pentru : + 1.
12 Cap. 1. Procese Markov
Avem
1 (A
n+a+1
= , [ A
n
= i) =

I1
1 (A
n+a+1
= , [ A
n
= i) =

I1
1 (A
n+a+1
= ,. A
n+a
= / [ A
n
= i) =

I1
1 (A
n+a
= / [ A
n
= i) 1 (A
n+a+1
= , [ A
n+a
= /. A
n
= i) =

I1
1 (A
n+a
= / [ A
n
= i) 1 (A
n+a+1
= , [ A
n+a
= /) =

I1
j (:. i. : + :. ,) j (: + :. /. : + : + 1. ,) = j (:. i. : + : + 1. ,)
(b) Rezulta imediat din denitia matricilor 1 (:. : + :) .
Observatia 2.9. (1) Elementele matricii 1 (:. : + :) permit calculul prob-
abilitatilor de trecere in n pasi si de aceea le vom numi probabilitatile de
trecere in n-pasi.
(2) Relatia Chapman-Kolmogorov arma ca plecind din starea i la momentul
:, pentru ca la momentul : + : sa e in starea ,, trebuie ca procesul sa e
intr-o stare intermediara / dupa | pasi si apoi in starea , dupa : | pasi.
(3) Relatiile Chapman-Kolmogorov sunt numai necesare pentru proprietatea
Markov, dar nu sunt suciente dupa cum arata urmatorul exemplu. Fie
A
1
. A
3
. A
5
. .... un sir de variabile aleatoare independente, identic repartizate,
asa incit
1(A
2I+1
= 1) = 1(A
2I+1
= 1) =
1
2
. / = 0. 1. ..... (1.2.12)
si denim
A
2I
= A
2I1
A
2I+1
. / = 1. 2. ....
Atunci rezulta ca A
2
. A
4
. .... sunt independente cu aceeasi distributie ca in
(1.2.12) si
j(:. i. ,) = 1(A
n+a
= , [ A
n
= i) =
1
2
. \: :i i. , = 1.
1.2. Caracterizari ale lanturilor Markov 13
fapt ce implica ca relatia Chapman-Kolmogorov este satisfacuta. Insa (A
a
)
nu este lant Markov deoarece
1(A
2I+1
= 1 [ A
2I
= 1) =
1
2
,=
1(A
2I+1
= 1 [ A
2I
= 1. A
2I1
= 1) = 0.
Desi (A
a
) nu este lant Markov putem asocia un lant Markov prin largirea
spatiului starilor. Daca denim 1
a
= (A
a
. A
a+1
) ce are valori in 1 =
1. 1
2
. atunci se arata ca (1
a
)
a
este lant Markov neomogen.
Denitia 2.10. Un lant Markov (A
a
) este omogen daca cantitatile 1 (A
a+1
= , [ A
a
= i)
nu depinde de :, ci numai de i si ,.
In cazul cand lantul Markov (A
a
) are matricile de trecere (1(:))
n
, vom
spune ca este omogen daca 1 (:) = 1, \:, unde 1 = (j(i. ,))
i,)1
este o
matrice stochastica (pe scurt vom soune ca (A
a
) este lant Markov omogen
cu matricea de trecere 1).
Deci (A
a
) este omogen cu matricea de trecere 1 daca
1 (A
a+1
= , [ A
a
= i. A
a1
= i
a1
. . . . A
0
= i
0
) = (1.2.13)
1 (A
a+1
= , [ A
a
= i) = j(i. ,). \: si i. ,. i
I
1.
de indata ce 1 (A
a
= i. ..... A
0
= i
0
) 0.
Observatia 2.11. (a) Un sir (A
a
) este lant Markov omogen cu matricea de
trecere 1 = (j(i. ,))
i,)1
daca si numai daca
1 (A
0
= i
0
. . . . . A
a
= i
a
) = j
i
0
j (i
0
. i
1
) ...j (i
a1
. i
a
) . \: si i
I
1. (1.2.14)
(b) Fie (A
a
) un lant Markov omogen cu matricea de trecere 1 = (j(i. ,))
i,)1
si e 1
a
= (j(:. i. ,))
i,)1
.
Daca 1 (A
n
= i) 0, atunci 1 (A
n+a
= , [ A
n
= i) = j (:. i. ,) cu alte
cuvinte, probabilitatile de trecere in : pasi sunt date de elementele matricii
1
a
.
(c) Relatia Chapman-Kolmogorov in cazul omogen se scrie 1
a+n
= 1
a
1
n
sau echivalent pe componente
14 Cap. 1. Procese Markov
j (: + :. i. ,) =

I1
j (:. i. /) j (:. /. ,) . \i. , 1. (1.2.15)
Exemple de lanturi Markov
2.12. Sume de variabile aleatoare independente (mersul la intimplare).
Fie (. T. 1) un cimp de probabilitate si e
1
. ......
a
,... un sir de variabile
aleatoare independente cu valori in 2. Consideram urmatorul sir
A
0
= 0. A
a
=
1
+ . . . +
a
. \: _ 1. (1.2.16)
Atunci (A
a
)
a0
este lant Markov (numit mersul la intimplare) cu spatiul
starilor Z, repartitia initiala
j
0
= 1. j
i
= 0 daca i ,= 0
si cu matricile de trecere 1 (:) = 1
_

n+1
= , i
_
i,)Z
.
In particular daca
1
. ......
a
. ... sunt si identic repartizate, atunci (A
a
) este
lant Markov omogen cu matricea de trecere
(1 (
1
= , i))
i,)Z
.
Avem de aratat ca
1 (A
0
= i
0
. A
1
= i
1
. . . . . A
a
= i
a
) =
1 (A
0
= i
0
) 1(
1
= i
1
i
0
) . . . 1 (
a
= i
a
i
a1
) .
Daca i
0
,= 0 atunci ambii membrii ai egalitatii sunt 0.
Daca i
0
= 0 avem
1 (A
0
= 0. A
1
= i
1
. . . . . A
a
= i
a
) = 1 (A
1
= i
1
. . . . . A
a
= i
a
) =
1 (
1
= i
1
.
2
= i
2
i
1
. . . . .
a
= i
a
i
a1
) =
1 (A
0
= 0) 1 (
1
= i
1
) 1 (
2
= i
2
i
1
) . . . 1 (
a
= i
a
i
a1
) .
In cazul particular in care
1 (
1
= 1) = j. 1 (
1
= 0) = = 1 j. 0 < j < 1.
vom numi acest mers la intimplare modelul Bernoulli. Deci in acest caz
multimea starilor este 0. 1. .... .
1.2. Caracterizari ale lanturilor Markov 15
Observatie 2.13. Urmatorul exemplu din teoria jocurilor cunoscut sub nu-
mele de ruinarea jucatorului are ca model matematic lantul Markov prece-
dent.
Doua persoane A si B cu capitalurile initiale a si b sunt angajate intr-un joc
constituit din partide independente. La ecare partida se pariaza o unitate
de capital si ca probabilitatile de cistig sunt p si q = 1 p (deci nu exista
remiza). Fie
a
cistigul lui in cea de a n-partida, deci (
a
) este un sir
de variabile aleatoare independente cu 1(
a
= 1) = j. 1(
a
= 1) =
pentru orice n. Atunci cistigul lui A dupa primele n-partide este A
a
=

1
+...+
a
. Atunci (A
a
) este lant Markov cu multimea starilor 0. 1. .... c + /
si cu matricea de trecere
0
1
2
. . .
c + / 1
c + /
_
_
_
_
_
_
_
_
1 0 0 0 ... 0 0 0
0 j 0 ... 0 0 0
0 0 j ... 0 0 0
. . . . . . . . . 0 ... . . . . . . . . .
0 0 0 0 ... 0 j
0 0 0 0 ... 0 0 1
_
_
_
_
_
_
_
_
Un calcul simplu arata ca probabilitatile de trecere in n-pasi sunt date de
relatiile
j (:. i. ,) =
_
C
1
2
(a+)i)
a
j
1
2
(a+)i)

1
2
(a)+i)
daca : + , i este par,
0 in caz contrar.
(1.2.17)
2.14. Schema lui Polya
O urna contine la momentul initial a bile albe si b bile negre. Se fac extrageri
succesive din urna si dupa ecare extragere, bila care a fost extrasa este
reintrodusa in urna, impreuna cu c bile de aceeasi culoare.
Fie A
a
numarul bilelor albe obtinute in primele : extrageri. Evident 0 _
A
a
_ : si A
0
= 0 prin denitie.
Atunci (A
a
) este lant Markov neomogen.
Intr-adevar, daca A
a
= i, deci daca in primele : extrageri am obtinut i bile
albe si : i bile negre, atunci compozitia urnei, inaintea celei de a : + 1
extrageri va :
c + ci bile albe si / + (: i) c bile negre.
16 Cap. 1. Procese Markov
Atunci probabilitatea ca A
a+1
sa ia o anumita valoare, conditionata de val-
orile A
0
. . . . A
a
va depinde numai de valoarea lui A
a
, valoare ce determina
compozitia urnei dupa primele : extrageri si vom avea
1 (A
a+1
= i [ A
a
= i) =
/ + (: i) c
c + / + :c
.
1 (A
a+1
= i + 1 [ A
a
= i) =
c + ic
c + / + :c
si
1 (A
a+1
= , [ A
a
= i) = 0 daca , ,= i. i + 1.
2.15. Exemplu de lant Markov ce apare in teoria asteptarii.
O statie de servire (care poate un cabinet medical, serviciu public, etc.)
poate servi clientii, in ipoteza ca ei exista, la momentele 0,1,2,. . . .Vom pre-
supune ca:
(a) In intervalul de timp (:. : + 1) sosesc
a
clienti, variabilele
0
.
1
. . . . .

a
. ... ind presupuse independente si identic repartizate, cu repartitia initiala
1 (
0
= /) = j
I
. / _ 0.

I0
j
I
= 1.
(b) Exista loc de asteptare pentru cel mult : clienti, numar in care se include
si clientul care este servit. Clientii care ajungand la statie si gasesc : clienti
asteptand, pleaca (fara a serviti) si nu se mai intorc.
Notam cu A
a
numarul clientilor prezenti la momentul :, numar in care se
include si clientul care este servit. Vom arata ca (A
a
)
a0
este un lant Markov
cu starile 0,1,. . . . :.
Sa observam ca numarul clientilor prezenti la momentul : + 1 este egal cu
numarul clientilor prezenti la momentul :, mai putin cel servit la momentul
: (daca exista), plus numarul clientilor care sosesc in intervalul (:. : + 1),
daca rezultatul acestei insumari nu depaseste : si egal cu : in caz contrar.
Prin urmare
A
a+1
= min (A
a
+ o
0,An
) 1 +
a
. : =
_
_
_
A
a
1 +
a
. daca 1 _ A
a
_ :. 0 _
a
_ : + 1 A
a
.

a
daca A
a
= 0. 0 _
a
_ :1.
: in celelalte cazuri.
1.2. Caracterizari ale lanturilor Markov 17
Intrucat A
a+1
depinde numai de A
a
si
a
iar variabilele A
a
si
a
sunt inde-
pendente, rezulta fara dicultate ca (A
a
)
a0
este un lant Markov.
Vom determina acum matricea de trecere. Notind
1
|
=
o

I=|
j
I
. 1 _ | _ :.
vom avea
j (0. ,) = 1 (A
a+1
= , [ A
a
= 0) =
_
1 (
a
= , [ A
a
= 0) = j
)
. daca 0 _ , _ :1.
1 (
a
_ :) = j
n
+ j
n+1
+ . . . = 1
n
. daca , = :.
Apoi pentru 1 _ i _ : avem
j (i. ,) = 1 (A (: + 1) = , [ A (:) = i) =
_
_
_
1 (
a
= , + 1 i) = j
)i+1
. daca i 1 _ , _ :1.
1 (
a
_ : + 1 i) = 1
n+1i
. daca , = :.
0. in celelalte cazuri.
Matricea de trecere este:
0
1
2
. . .
:1
:
_
_
_
_
_
_
_
_
j
0
j
1
j
2
. . . j
n1
1
n
j
0
j
1
j
2
. . . j
n1
1
n
0 j
0
j
1
. . . j
n2
1
n1
. . . . . . . . . . . . . . . . . .
0 0 0 . . . j
1
1
2
0 0 0 . . . j
0
1
1
_
_
_
_
_
_
_
_
2.16. Un model din teoria rezervoarelor (modelul lui Moran)
Sa consideram un rezervor de apa cu capacitatea de m unitati. Fie
a
can-
titatea de apa ce s-a strins in rezervor in timpul zilei (sau anului) n. Se
presupune ca (
a
) sunt variabile aleatoare independente, identic repartizate
si 1(
1
= /) = j
I
pentru orice / = 0. 1. ...De asemenea se presupune ca se
cunoaste o politica determinista de eliberare a apei din rezervor, in sensul
ca la momentul : + 1 se livreaza o cantitate de /-unitati de apa, exceptie
situatia cind rezervorul are mai putin de / -unitati in care caz se da drumul
intregii cantitati de apa din el.
18 Cap. 1. Procese Markov
Fie A
a
cantitatea de apa din rezervor la momentul n ( srsitul zilei sau anului
n). Atunci are loc urmatoarea formula de recurenta
A
a+1
= min (:.
a
+ A
a
) min (/.
a
+ A
a
) .
Fie 1
i
=

i
)=0
j
i
. Q
i
= 1 1
i
. Nu este dicil de probat ca sirul (A
a
) este
lant Markov omogen cu starlie 0. 1. .... :/ si matricea de trecere
0
1
...
/
/ + 1
...
:/
_
_
_
_
_
_
_
_
_
_
1
I
j
I+1
j
I+2
. . . j
n1
Q
n
1
I1
j
I
j
I+1
. . . j
n2
Q
n1
... ... ... ... ... ...
1
0
j
1
j
2
... j
nI1
Q
nI
0 j
0
j
1
... j
nI2
Q
nI1
. . . . . . . . . . . . . . . . . .
0 0 0 . . . j
I1
Q
I
_
_
_
_
_
_
_
_
_
_
2.17. Un model de transmitere a unei boli contagioase intr-o colectivitate
mica
Colectivitatea umana contine indivizi contaminati si indivizi necontaminati
dar susceptibili de contaminare.
Plecand la momentul 0, cu un anumit numar de indivizi infectiosi, urma-
toarele cazuri de imbolnavire apar in grupuri, la intervale egale cu perioada
de incubatie.
Notam:
: = volumul populatiei considerate,

n
. : _ 0. numarul indivizilor care devin infectiosi imediat dupa momentul
m,
A
a
. : _ 0, numarul indivizilor ramasi necontaminati la momentul :.
Evident A
a
=
a+1
+ A
a+1
.
Sansa de contaminare j 0. j = 1 reprezinta probabilitatea de imbol-
navire la un contact intre un individ contaminat si unul santos.
Daca presupunem ca toate contactele se realizeaza independent unul de al-
tul, probabilitatea ca i contacte sa conduca la / contaminari (/ _ i) este
C
I
i
j
I

iI
(este schema Bernoulli repetata).
Deci putem scrie
1 (A
a+1
= , [ A
a
= i) = 1
_

a+1
= A
a
, [ A
a
= i
_
=
1.2. Caracterizari ale lanturilor Markov 19
1
_

a+1
= i , [ A
a
= i
_
=
_
C
)
i
j
i)

i
. i _ ,
0 i < ,.
Deci (A
a
)
a0
este un lant Markov cu starile 0. 1. . . . . : si matricea de trecere
0 1 2 . . . :
0
1
2
. . .
:
_
_
_
_
_
_
1 0 0 . . . 0
j 0 . . . 0
j
2
j
2
. . . 0
. . . . . . . . . . . . . . .
j
v
:j
v1
C
2
v
j
v1

2
. . .
v
_
_
_
_
_
_
.
Probleme
2.18. Fie (
a
)
a0
un sir de variabile aleatoare independente cu valori in 2,
identic repartizate si e o constanta reala. Denim sirul (A
a
)
a0
prin
A
0
= 0. A
a
= A
a1
+
a1
. \: _ 1.
Sa se arate ca (A
a
)
a0
este lant Markov omogen si sa i se determine matricea
de trecere.
2.19 (lanturi Markov ramicate). Sa consideram o populatie (de exemplu
poate o populatie umana, un sistem de particule, un sistem de celule ner-
voase, un sistem de electroni, etc.). Fiecare membru al populatiei da nastere
intr-un interval de timp la / = 0. 1. ... urmasi, numarul de urmasi proveniti
din ecare membru al generatiei n ind aleator si formind o familie de vari-
abile aleatoare independente si identic repartizate. Fie A
a
numarul mem-
brilor celei de a n-a generatii. Pentru simplitate presupunem ca numarul
initial de indivizi este A
0
= 1. Sa se modeleze sirul (A
a
)
a0
ca un lant
Markov (Indicatie: Pentru descrierea probabilitatilor de trecere se foloseste
functia generatoare a variabilei aleatoare ce descrie numarului de urmasi al
ecarui individ).
2.20. Fie un lant Markov cu matricea de trecere
1 =
_
1 ` `
j 1 j
_
.
20 Cap. 1. Procese Markov
unde 0 < `. j < 1. Sa se arate ca
1
a
=
1
` + j
__
j `
j `
_
+ (1 ` j)
a
_
` `
j j
__
.
2.21. Fie un lant Markov (A
a
) cu valori in 2
o
si cu matricea de trecere
1 = (j(i. ,))
i,)Z
d
, satisfacind j(i. ,) = j(i ,) pentru orice i. , (un astfel
de lant se numeste mers la intimplare laticial ).
Sa se arate ca variabilele aleatoare

0
= A
0
.
a
= A
a
A
a1
. : _ 1.
sunt independente si identic repartizate.
2.22 (lanturi Markov comasate). Fie (A
a
) un lant Markov cu spatiul starilor
1 si cu matricea de trecere 1 = (j(i. ,))
i,)1
si repartitia initiala j = (j
i
)
i1
.
Fie (1
v
)
v=1,...,|
o partitie a lui 1. Denim sirul (1
a
) cu spatiul starilor J =
1. .... | prin
1
a
= : daca A
a
1
v
.
Pentru orice 1 notam
j(i. ) =

)
j(i. ,).
Daca pentru orice 1 _ :. : _ |. j(i. 1
c
) are aceeasi valoare (:. :) pentru
orice i 1
v
. sa se arate ca (1
a
) este lant Markov cu matricea de trecere
Q = ((:. :))
v,cJ
.
2.23 (lanturi Markov extinse). Fie (A
a
) un lant Markov cu spatiul starilor
1 si cu matricea de trecere 1 = (j(i. ,))
i,)1
. Sa se arate ca sirul (1
a
) . cu
spatiul starilor J = (i. ,) : j(i. ,) = 0 . denit prin
1
a
= (A
a
. A
a+1
) . \: _ 0.
este lant Markov cu mtricea de trecere
j ((i. ,). (/. |)) = o
)I
j(,. |). \(i. ,). (/. |) J.
Sa se calculeze apoi probabilitatile sale de trecere in n pasi.
1.3. PROPRIETATEA TARE MARKOV 21
1.3 Proprietatea tare Markov
1.3.1 Filtrari si optionale
Denitia 3.1. Fie 1 = 0. 1. ... sau 1 = [0. ) . O ltrare (sau baza
stochastica) pe spatiul masurabil (. T) este o familie (T
t
)
tT
de corpuri
boreliene ale lui T asa incit T
c
T
t
daca : < t.
Un proces stochastic (A
t
)
tT
vom spune ca este T
t
adaptat daca pentru
orice t 1 variabila aleatoare A
t
este T
t
-masurabila.
Filtrarea canonica asociata unui proces stochastic (A
t
)
tT
este denita prin
T
t
= E(A
c
: : _ t) . t 1.
In continuare vom nota T
o
= E('
tT
T
t
) .
Denitia 3.2. O aplicatie o : 1 ' este T
t
optionala (sau T
t
-timp
de stopare) daca
o _ t T
t
. \t 1.
Pentru orice optioanala o se introduce corpul borelian
T
S
= T
o
: o _ t T
t
. \t 1 . (1.3.1)
T
S
se interpreteaza ca toate evenimentele care au loc pina in momentul o.
Observatia 3.3. Nu este dicil de vazut ca in cazul 1 = 0. 1. ... aplicatia
o este optionala daca si numai daca
o = : T
a
. \:.
si ca
T
S
= T
o
: o = : T
a
. \: . (1.3.2)
In continuare ne vom restringe la cazul timpului discret, adica 1 = 0. 1. .... .
Propozitia 3.4. (a) Orice constanta este optionala.
(b) Daca o. 1 sunt optionale, atunci min (o. 1) . max (o. 1) . o + 1 sunt
optionale.
(c) Daca o. 1 sunt optionale si T
S
atunci
o _ 1 T
T
.
22 Cap. 1. Procese Markov
In particular daca o _ 1 atunci T
S
T
T
. In plus daca T
S
atunci
aplicatia
o

=
_
o jc .
jc C.
este optionala.
(d) Daca sirul de variabile aleatoare reale (A
a
)
a
este T
a
-adaptat si o este
optionala, atunci aplicatia
A
S
1
S<o
: 1.
denita prin
_
A
S
1
S<o
_
(.) =
_
A
S(.)
(.) daca o (.) < .
0 o (.) = .
(1.3.3)
este T
S
masaurabila.
(e) Daca sirul de variabile aleatoare (A
a
)
a
este T
a
-adaptat, atunci pentru
orice 1
1
aplicatia
1

(.) =
_
min :; A
a
(.) . daca :; A
a
(.) , = 0
. in caz contrar,
(1.3.4)
este T
a
-optionala (1

se numeste momentul primei intrari in ).


Demonstratie. (a) Daca o = :
0
, :
0
constanta, atunci
o _ : =
_
. daca :
0
_ :
O. daca :
0
:.
(b) Pentru a arata ca min (o. 1) _ : T
a
.se observa ca
min (o. 1) _ : = o _ : ' 1 _ : T
a
.
Similar
max (o. 1) _ : = o _ : ' 1 _ : T
a
.
Pentru a arata ca suma a doua optionale este tot o optionala, se observa:
o + 1 = : =
_
I+|=a
I,|.
(o = / 1 = |) T
a
.
1.3. Lanturi Markov. Proprietatea tare Markov 23
(c) Avem ca
o _ 1 1 = : = o _ : 1 = : T
a
.
De asemenea
o

_ : = o _ : T
a
.
(d) Daca 1
1
atunci
_
A
S
1
S<o

_
o = : = A
a
o = : T
a
.
(e) Avem ca
1

= : =

n<a
A
n
, A
a
T
a
.
1.3.2 Proprietatea tare Markov
Dupa cum s-a vazut, pentru un lant Markov trecutul si viitorul sunt inde-
pendente, de indata ce prezentul este cunoscut; aici prin prezent se intelege
un timp xat :.
Se pune in mod resc intrebarea daca aceasta proprietate continua sa e
adevarata daca prezentul este inlocuit cu un timp aleator 1.
Raspunsul este armativ la aceasta intrebare, daca timpul 1 este optionala,
dupa cum vom vedea in continuare.
Fie (A
a
)
a=0,1,2,...
un lant Markov cu spatiul starilor 1 si cu matricile de trecere
1 (:) si e T
a
= 1(A
0
. . . . . A
a
) .
Denitia 3.5. Vom spune ca (A
a
) are proprietatea tare Markov daca pentru
orice optionala nita o are loc egalitatea
1 (A
S+a
= , [ A
S
= i. ) = 1 (A
S+a
= , [ A
S
= i) . \: si T
S
. (1.3.5)
(conform Propozitiei 3.4-(d) aplicatiile A
S+a
si A
S
sunt masurabile in raport
cu T
S+a
si T
S
).
Teorema urmatoare arata ca intotdeauna un lant Markov are proprietatea
tare Markov.
24 Cap. 1. Procese Markov
Teorema 3.6. Daca (A
a
)
a
este lant Markov omogen cu matricea de trecere
1. atunci (A
a
)
a
este tare Markov.
Demonstratie. Fie T
S
. Avem de aratat ca
1 (A
S+a
= , [ A
S
= i. ) = 1 (A
S+a
= , [ A
S
= i) .
Dar
1 (A
S+a
= ,. A
S
= i. ) = 1 (A
S+a
= ,. A
S
= i. . ) =
1
_
A
S+a
= ,. A
S
= i. .
o
_
n=0
o = :
_
=
o

n=0
1 (A
S+a
= ,. A
S
= i. . o = :) =
o

n=0
1 (A
n+a
= ,. A
n
= i. . o = :) =
o

n=0
1 (A
n+a
= , [ A
n
= i. . o = :) 1 (A
n
= i. . o = :) =
j (:. i. ,)
o

n=0
1 (A
T
= i. . o = :) =
j (:. i. ,) 1 (A
S
= i. . ) = j (:. i. ,) 1 (A
S
= i. ) .
si deci
1 (A
S+a
= , [ A
S
= i. ) =
1 (A
S+a
= ,. A
S
= i. )
1 (A
S
= i. )
=
j (:. i. ,) 1 (A
S
= i. )
1 (A
S
= i. )
= j (:. i. ,) .
Observatia 3.7. Daca (A
a
)
a
este lant Markov omogen cu matricea de
trecere 1, atunci are loc egalitatea
1 (A
S+a
= , [ A
S
= i. ) = 1 (A
S+a
= , [ A
S
= i) = j (:. i. ,) . (1.3.6)
pentru orice optionala nita S.
1.3. Lanturi Markov. Proprietatea tare Markov 25
Corolarul 3.8. Daca (A
a
)
a0
este lant Markov omogen cu matricea de
trecere 1 si o este o optionala nita, atunci (A
S+a
)
a0
este lant Markov
omogen cu matricea de trecere 1.
Demonstratie. Daca T
S+a
. atunci din (1.3.6) rezulta
1 (A
S+a+1
= , [ A
S+a
= i. ) = j(i. ,).
Observatia 3.9. In corolarul precedent daca optionala o nu este neaparat
nita, concluzia ramine adevarata in raport cu probabilitatea conditionata
1(. [ o < ).
Probleme
3.10 Sa se arate ca daca (A
a
)
a
nu este lant Markov omogen concluzia
corolarului precedent poate sa nu e adevarata.
Solutie. Vom folosi urmatorul exemplu al lui Krengel.
Fie (A
a
)
a0
un lant Markov neomogen cu spatiul starilor 1 = 0. 1, cu
repartitia initiala j =
_
1
2
.
1
2
_
si cu matricile de trecere
j (0. i. 1. i) = 1. j (1. i. 2. i) = 1. j (2. i. 3. i) = 1. \0 _ i. , _ 1.
si probabilitatile de trecere la celelalte momente de timp sunt luate arbitrar.
Fie o = A
0
, care este T
a
-optionala (deoarece A
0
= / 1(A
0
. . . . . A
I
)) si
e 1
a
= A
S+a
.
Atunci
1 (1
0
= 0. 1
1
= 0) =
1

i=0
1 (A
0
= i. 1
0
= 0. 1
1
= 0) =
1 (A
0
= 0. 1
0
= 0. 1
1
= 0) + 1 (A
0
= 1. 1
0
= 0. 1
1
= 0) =
1 (A
0
= 0. A
1
= 0) + 1 (A
0
= 1. A
1
= 0. A
2
= 0) =
26 Cap. 1. Procese Markov
1 (A
1
= 0 [ A
0
= 0) 1 (A
0
= 0) +
1 (A
2
= 0 [ A
1
= 0. A
0
= 1) 1 (A
0
= 1. A
1
= 0) =
1
2
+ 1 (A
2
= 0 [ A
1
= 0) 1 (A
1
= 0 [ A
0
= 1) 1 (A
0
= 1) =
1
2
+
1
2
1 (A
1
= 0 [ A
0
= 1)
1
2
=
1
2
+ 0 =
1
2
.
Apoi
1 (1
0
= 0. 1
1
= 0. 1
2
= 0) =
1

i=0
1 (A
0
= i. 1
0
= 0. 1
1
= 0. 1
2
= 0) =
1 (A
0
= 0. 1
0
= 0. 1
1
= 0. 1
2
= 0) + 1 (A
0
= 1. 1
0
= 0. 1
1
= 0. 1
2
= 0) =
1 (A
0
= 0. A
1
= 0. A
2
= 0) + 1 (A
0
= 1. A
1
= 0. A
2
= 0. A
3
= 0) =
1 (A
2
= 0 [ A
1
= 0. A
0
= 0) 1 (A
1
= 0 [ A
0
= 0) 1 (A
0
= 0) +
1 (A
3
= 0 [ A
2
= 0. A
1
= 0. A
0
= 1) 1 (A
2
= 0 [ A
1
= 0. A
0
= 0)
1 (A
1
= 0 [ A
0
= 1) 1 (A
0
= 1) =
1
2
1 (A
2
= 0 [ A
1
= 0) +
1 (A
3
= 0 [ A
2
= 0) 1 (A
2
= 0 [ A
1
= 0)
1 (A
1
= 0 [ A
0
= 1)
1
2
=
1
2
1
2
+
1
2
0 =
1
4
.
1 (1
1
= 0) =
1

i=0
1 (A
0
= i. 1
1
= 0) =
1 (A
0
= 0. A
1
= 0) + 1 (A
0
= 1. A
2
= 0) =
1 (A
1
= 0 [ A
0
= 0) 1 (A
0
= 0) + 1 (A
2
= 0. A
1
= 0. A
0
= 1) +
1 (A
2
= 0. A
1
= 1. A
0
= 1) =
1
2
+ 1 (A
2
= 0 [ A
1
= 0)
1 (A
1
= 0 [ A
0
= 1) 1 (A
0
= 1) +
1 (A
2
= 0 [ A
1
= 1) 1A
1
= 1 [ A
0
= 1)1 (A
0
= 1) =
1
2
+
1
2
0
1
2
+
1
2
1
1
2
=
1
2
+
1
4
=
3
4
.
1.4. CLASIFICAREA STARILOR UNUI LANT MARKOV 27
Apoi
1 (1
1
= 0. 1
2
= 0) =
1

i=0
1 (A
0
= i. 1
1
= 0. 1
2
= 0) =
1 (A
0
= 0. 1
1
= 0. 1
2
= 0) + 1 (A
0
= 1. 1
1
= 0. 1
2
= 0) =
1 (A
0
= 0. A
1
= 0. A
2
= 0) + 1 (A
0
= 1. A
2
= 0. A
3
= 0) =
1
4
+
1
4
=
1
2
.
De unde:
1 (1
2
= 0 [ 1
1
= 0. 1
0
= 0) =
1
2
si
1 (1
2
= 0 [ 1
1
= 0) =
2
3
.
ceea ce arata ca (1
a
)
a
nu este lant Markov .
3.11. Sa se demonstreze ca probabilitatea revenirii de cel putin : ori in
starea i a unui lant Markov este ,(i. i)
n
(Indicatie: Se utilizeaza inductia
dupa m).
1.4 Clasicarea starilor unui lant Markov
Fie (A
a
)
a0
un lant Markov omogen cu spatiul starilor 1 si matricea de
trecere 1.
Vom nota
1
i
() = 1 ( [ A
0
= i) .
Fie
1
)
1
=
_
min : _ 1; A
a
= , daca : _ 1 : A
a
= , , = O
daca : _ 1 : A
a
= , = O
.
1
)
1
astfel denit este o T
a
= E(A
1
. . . . . A
a
) optionala, deoarece
_
1
)
1
= /
_
= A
1
,= ,. A
2
,= ,. . . . . A
I1
,= ,. A
I
= , T
a
.
28 Cap. 1. Procese Markov
Evident ca
_
1
)
1
<
_
=
o

a=1
A
a
= , .
Denim
, (/. i. ,) = 1
i
_
1
)
1
= /
_
= 1
i
(A
1
,= ,. ... A
I1
,= ,. A
I
= ,) .
, (i. ,) = 1
i
_
1
)
1
<
_
=
o

I=1
, (/. i. ,) . i. , 1.
Desigur au loc egalitatile
, (/. i. ,) = 1
i
(A
1
,= ,. ... A
I1
,= ,. A
I
= ,) .
,(i. ,) = 1
i
_
o
_
I=1
A
I
= ,
_
.
Rezulta ca , (/. i. ,) este probabilitatea ca plecand din starea i, lantul Markov
sa e in starea , pentru prima data dupa / pasi, iar , (i. ,) este probabilitatea
ca plecand din i, lantul sa e in , dupa un numar nit de pasi.
De asemenea 1
)
1
are fata de probabilitatea 1
i
repartitia
,(/. i. ,) : / = 1. 2. .... .
unde
,(. i. ,) = 1 ,(i. ,) = 1
i
_
1
)
1
=
_
.
Propozitia 4.1 . Au loc egalitatile
, (/. i. ,) =
_
j (i. ,) . / = 1

|1\)
j (i. |) , (/ 1. |. ,) . / _ 2.
(1.4.1)
, (i. ,) = j (i. ,) +

|1\)
j (i. |) ,(|. ,). (1.4.2)
Demonstratie. Pentru / = 1 avem
, (1. i. ,) = 1
i
_
1
)
1
= 1
_
= 1
i
(A
1
= ,) = j(i. ,).
1.4. Clasicarea starilor unui lant Markov 29
Pentru / _ 2
, (/. i. ,) = 1
i
(A
1
,= ,. . . . . A
I1
,= ,. A
I
= ,) =
1
i
_
_
i
_
|1)
A
1
= |. A
2
,= ,. . . . . A
I1
,= ,. A
I
= ,
_
_
=

|1)
1
i
(A
1
= |. A
2
,= ,. . . . . A
I1
,= ,. A
I
= ,) =

|1)
1
i
(A
2
,= ,. . . . . A
I1
,= ,. A
I
= , [ A
1
= |) 1
i
(A
1
= |) =

|1)
1
i
(A
1
= |) 1
|
(A
1
,= ,. . . . . A
I2
,= ,. A
I1
= ,) =

|1)
j (i. |) , (/ 1. |. ,) .
Prin insumare dupa k in (1.4.1) se obtine (1.4.2).
Observatia 4.2. Formulele (1.4.1) si (1.4.2) permit calculul lui , (/. i. ,) si
, (i. ,) in functie de matricea de trecere a lantului.
Denitia 4.3. O stare i 1 este recurenta daca , (i. i) = 1 si tranzienta
daca , (i. i) < 1.
Sa notam acum cu 1
i
I
cea dea /vizita in i de catre lantul (A
a
) .deci recursiv
avem (cu conventia ca 1
i
0
= 0).
1
i
I
=
_
min
_
: 1
i
I1
: A
a
= i
_
daca
_
: 1
i
I1
: A
a
= i
_
,= O
daca
_
: 1
i
I1
: A
a
= i
_
= O.
(1.4.3)
Observatia 4.4. (a) Deoarece
_
1
i
I
= :
_
=
_
|<a
_
1
i
I1
= |. A
|+1
,= i. . . . . A
a1
,= i. A
a
= i
_
.
rezulta prin inductie ca 1
i
I
este T
a
-optionala.
(b) A
T
i
k
= i daca 1
i
I
< .
30 Cap. 1. Procese Markov
Lema 4.5. Pentru orice i. , 1. /
1
.... . /
a
_ 1 au loc egalitatile
1
i
_
1
)
a
1
)
a1
= /
a
_
= ,(/
a
. ,. ,). \: _ 2. (1.4.4)
1
i
_
1
)
1
= /
1
. 1
)
2
1
)
1
= /
2
. .... 1
)
a
1
)
a1
= /
a
_
=
,(/
1
. i. ,),(/
2
. ,. ,)....,(/
a
. ,. ,). (1.4.5)
In particular evenimentele
_
1
)
1
<
_
.
_
1
)
2
1
)
1
<
_
. ....
_
1
)
a
1
)
a1
<
_
. ...
sunt independente fata de 1
i
.
Demonstratie. Fie 1
I
= A
T
j
n1
+I
. / _ 0. Atunci avem
1
i
_
1
)
a
1
)
a1
= /
a
_
= 1
i
(1
0
= ,. 1
1
,= ,. .... 1
In1
,= ,. 1
In
= ,) =
1
)
(1
1
,= ,. .... 1
In1
,= ,. 1
In
= ,) = ,(/
a
. ,. ,).
Apoi utilizind din nou proprietatea tare Markov se obtine
1
i
_
1
)
1
= /
1
. 1
)
2
1
)
1
= /
2
. .... 1
)
a
1
)
a1
= /
a
_
=
1
i
_
1
)
a
1
)
a1
= /
a
[ 1
)
a1
1
)
a2
= /
a1
. ...1
)
2
1
)
1
= /
2
. 1
)
1
= /
1
_

1
i
_
1
)
a1
1
)
a2
= /
a1
. ...1
)
2
1
)
1
= /
2
. 1
)
1
= /
1
_
=
,(/
a
. ,. ,)1
i
_
1
)
a1
1
)
a2
= /
a1
. ...1
)
2
1
)
1
= /
2
. 1
)
1
= /
1
_
=
... = ,(/
a
. ,. ,),(/
a1
. ,. ,)...,(/
2
. ,. ,),(/
1
. i. ,).
Teorema 4.6 (Teorema primei intrari ). Oricare ar starile i si , si numarul
natural :, avem
j (:. i. ,) =
a

n=1
, (:. i. ,) j (: :. ,. ,) . (1.4.6)
Demonstratie. Putem scrie
j (:. i. ,) = 1
i
_
a
_
n=1
_
1
)
1
= :. A
a
= ,
_
_
=
1.4. Clasicarea starilor unui lant Markov 31
a

n=1
1
i
_
1
)
1
= :. A
a
= ,
_
=
a

n=1
1
i
_
1
)
1
= :
_
1
i
_
A
T
j
1
+an
= , [ 1
)
1
= :
_
=
a

n=1
1
i
_
1
)
1
= :
_
1
i
_
A
T
j
1
+an
= , [ A
T
j
1
= ,. 1
)
1
= :
_
=
a

n=1
1
i
_
1
)
1
= :
_
1
i
_
A
T
j
1
+an
= , [ A
T
j
1
= ,
_
=
a

n=1
, (:. i. ,) j (: :. ,. ,) .
Teorema 4.7 (criteriu de recurenta). O stare i este recurenta (resp.
tranzienta) daca si numai daca
o

a=1
j(:. i. i) = (:c:j.
o

a=1
j(:. i. i) < ).
In plus in cazul in care i este tranzienta are loc egalitatea
o

a=1
j(:. i. i) =
1
1 ,(i. i)
. (1.4.7)
Demonstratie. Consideram functiile generatoare
1
i)
(.) =
o

a=0
j(:. i. ,).
a
. 1
i)
(.) =
o

a=0
,(:. i. ,).
a
. \[.[ _ 1.
unde j(0. i. ,) = o
i)
. ,(0. i. ,) = 0. Din Teorema primei intrari (Teorema 4.6)
rezulta ca
1
ii
(.) = 1 +
o

a=1
a

I=1
,(/. i. i).
I
j(: /. i. i).
aI
=
1 +
o

I=1
o

a=I
,(/. i. i).
I
j(: /. i. i).
aI
=
1 +
o

I=1
,(/. i. i).
I
1
ii
(.) = 1 + 1
ii
(.)1
ii
(.).
32 Cap. 1. Procese Markov
si prin urmare
1
ii
(.) =
1
1 1
ii
(.)
. (1.4.8)
Daca i este recurenta atunci utilizind Lema lui Abel rezulta ca
lim
:,1
1
ii
(.) =
o

a=1
,(:. i. i) = 1.
si atunci (1.4.8) implica
lim
:,1
1
ii
(.) =
o

a=0
j(:. i. i) = .
Daca i este tranzienta atunci
lim
:,1
1
ii
(.) =
o

a=1
,(:. i. i) < 1
si deci din nou din (1.4.8)
lim
:,1
1
ii
(.) =
o

a=0
j(:. i. i) =
1
1 ,(i. i)
.
Propozitia 4.8. (a) Pentru orice doua stari i,j, daca j este tranzienta
atunci
o

a=0
j(:. i. ,) < .
si deci lim
ao
j(:. i. ,) = 0.
(b) Daca multimea starilor este nita atuncu lantul Markov nu poate avea
toate starile tranziente.
Demonstratie. (a) Cazul i = , rezulta din Teorema 4.6. Daca i ,= , atunci
ca in Teorema 4.7 rezulta ca are loc egalitatea
1
i)
(.) = 1
))
(.)1
i)
(.).
de unde obtinem
o

a=1
j(:. i. ,) = lim
:,1
1
i)
(.) = lim
:,1
1
))
(.) lim
:,1
1
i)
(.)
1.4. Clasicarea starilor unui lant Markov 33
= ,(i. ,)
o

a=1
j(:. ,. ,) < .
(b) Daca toate starile ar tranziente, atunci din egalitatea

)1
j(:. i. ,) = 1.
am obtine prin trecere la limita si prin folosirea punctului (a) ca
0 =

)1
lim
ao
j(:. i. ,) = lim
ao

)1
j(:. i. ,) = 1.
deci o contradictie.
Sa notam acum cu `
)
numarul de vizite in starea j ale lantului (A
a
), deci
`
)
=
o

a=0
1
An=)
.
Propozitia 4.9. Avem
1
)
(`
)
= /) = , (,. ,)
I1
[1 , (,. ,)] . / = 1. 2. . . . (1.4.9)
si pentru i ,= ,.
1
i
(`
)
= /) =
_
1 , (i. ,) . / = 0
, (i. ,) , (,. ,)
I1
[1 , (,. ,)] . / = 1. 2. . . .
(1.4.10)
Demonstratie. Are loc egalitatea evidenta
`
)
= / =
_
1
)
1
< . . . . . 1
)
I
< . 1
)
I+1
=
_
=
_
1
)
1
< . 1
)
2
1
)
1
< . . . . . 1
)
I
1
)
I1
< . 1
)
I+1
1
)
I
=
_
.
Dar potrivit Lemei 4.5 evenimentele
_
1
)
1
<
_
.
_
1
)
2
1
)
1
<
_
. . . . .
_
1
)
I
1
)
I1
<
_
.
_
1
)
I+1
1
)
I
=
_
sunt independente in raport cu 1
i
si cu probabilitatile
, (i. ,) . , (,. ,) . . . . . , (,. ,) . 1 , (,. ,) .
34 Cap. 1. Procese Markov
de unde rezulta usor concluzia propozitiei.
Propozitia 4.10. Pentru orice i,j au loc relatiile
1
i
(`
)
< ) =
_
1 daca , (,. ,) < 1.
0 daca , (,. ,) = 1.
(1.4.11)
`
i
(`
)
) =
_
1
1)(),))
daca i = ,,
)(i,))
1)(),))
daca i ,= ,,
(1.4.12)
(conventia este ca
1
0
= si 0.= 0).
Demonstratie. Relatia (1.4.11) rezulta din (1.4.9), (1.4.10) prin insumare
dupa k.
Daca ,(,. ,) = 1 atunci 1
)
(`
)
= ) = 1, fapt ce implica egalitatea `
)
(`
)
) =
.
Daca ,(,. ,) < 1 atunci din (1.4.9) obtinem
`
)
(`
)
) =
o

I=1
/,(,. ,)
I1
[1 ,(,. ,)] =
[1 ,(,. ,)]
1
[1 ,(,. ,)]
2
=
1
[1 ,(,. ,)]
.
Pentru i ,= , se procedeaza de aceeasi maniera, utilizindu-se de data aceasta
(1.4.10).
Din propozitia anterioara rezulta de indata urmatorul corolar.
Corolarul 4.11. Pentru o stare j urmatoarele armatii sunt echivalente:
(a) j este recurenta (resp. j este tranzienta).
(b) `
)
(`
)
)=(resp. `
)
(`
)
) < ).
(c) P
)
(`
)
= ) = 1 (resp. 1
)
(`
)
< ) = 1).
Denitia 4.12. Matricea 1 = (:(i. ,))
i,)1
cu elementele :(i. ,) = `
i
(`
)
)
se numeste matricea potential a lantului (A
a
) .
Denitia 4.13. Vom spune ca starea , este accesibila din starea i si vom
scrie i , daca exista : _ 0 astfel incat j (:. i. ,) 0. sau echivalent daca
, (i. ,) 0.
1.4. Clasicarea starilor unui lant Markov 35
Observatia 4.14. (a) Este clar ca i , daca si numai daca exista starile
i
0
. . . . . i
a
astfel incat
j (i. i
0
) 0. j (i
0
. i
1
) 0. . . . . j (i
a
. ,) 0.
(b) Relatia " este reexiva si tranzitiva.
Reexivitatea este imediata, deoarece j (0. i. i) = 1 0. Pentru tranzitivitate
e i , /, deci : _ 0. : _ 0. astfel incat j (:. i. ,) 0. j (:. ,. /) 0.
Atunci
j (: + :. i. /) =

|1
j (:. i. |) j (:. |. /) _ j (:. i. ,) j (:. ,. /) 0.
si deci i /.
Denitia 4.15 (Relatia de comunicare).Vom spune ca starile i si , co-
munica si vom scrie i ,, daca i , si , i sau echivalent daca
, (i. ,) , (,. i) 0.
Relatia de comunicare " este reexiva, simetrica si tranzitiva, deci este
o relatie de echivalenta si ca urmare ea imparte multimea starilor in clase de
echivalenta.
Denitia 4.16 (a) O multime de stari C este inchisa daca nici o stare
din afara lui C nu este accesibila din nici o stare din C sau echivalent daca
j(i. ,) = 0 pentru orice i C si , , C sau inca daca matricea (j(i. ,))
i,)C
este stochastica.
(b) O stare i este absorbanta daca multimea i este inchisa, deci daca
j(i. i) = 1.
(c) O multime de stari C este ireductibila daca i , pentru orice i. , C.
(d) Vom spune ca lantul Markov (A
a
) este ireductibil daca multimea stasrilor
1 este ireductibila, deci daca oricare ar doua stari din 1 ele comunica.
Observatia 4.17. Urmatorul procedeu permite aarea multimii inchise C
ce include o starea i. Intii orice stare , cu j(i. ,) 0 este in C. Apoi orice
stare / cu j(,. /) 0 este in C (din tranzitivitatea relatiei "). Procedeul
continua pina cind nu mai este posibil de adaugat alte stari.
36 Cap. 1. Procese Markov
Denitia 4.18. O proprietate a starilor unui lant Markov este proprietate
de clasa daca de indata ce o stare i are aceasta proprietate atunci toate
starile din clasa ce contine i au aceasta proprietate.
Teorema 4.19. (a) Recurenta si tranzienta sunt proprietati de clasa.
(b) Daca i este recurenta si i , atunci , i :i ,(i. ,) = ,(,. i) = 1. In
particular si j este recurenta.
Demonstratie. (a) Fie C o clasa de stari, i. , C. i recurenta. Prin ipoteza
i ,. deci exista :. : _ 0 astfel incit c = j(:. i. ,) 0. / = j(:. ,. i) 0.
Atunci, din relatia Chapman-Kolmogorov, rezulta ca pentru orice | _ 1 se
are
j(: + : + |. ,. ,) _ j(:. ,. i)j(|. i. i)j(:. i. ,) = c/j(|. i. i).
si intrucit

o
|=1
j(|. i. i) = (Teorema 4.7) avem si

o
|=1
j(|. ,. ,) = fapt
ce implica prin Teorema 4.7 ca j este recurenta.
(b) Prin ipoteza (vezi Corolarul 4.11-(c)) exista : _ 0 asa incit j(:. i. ,) 0
si
1
i
(`
i
= ) = 1.
Atunci daca am presupune ca ,(,. i) < 1 vom obtine
1 = 1
i
(`
i
= ) _ 1
i
('
|a
A
|
= i) =

I1
1
i
(A
a
= /. '
|a
A
|
= i) =

I1
1
i
(A
a
= /) 1
i
_
_
|a
A
|
= i [ A
a
= /
_
=

I1
j(:. i. /),(/. i) <

I1
j(:. i. /) = 1.
deci o contradictie. Rezulta ca ,(,. i) = 1 si cu aceasta armatia este demon-
strata.
Propozitia 4.20. Pentru orice stare recurenta i, exista o multime C(i)
inchisa si ireductibila de stari recurente astfel incat i C(i).
1.4. Clasicarea starilor unui lant Markov 37
Demonstratie. Denim
C(i) = , 1 : i , = , 1 : i ,
(egalitatea este o consecinta a Teoremei precedente-punctul (b)).
Tot din teorema precedenta rezulta ca C(i) este inchisa si este formata numai
din stari recurente. Ramine de aratat ca daca ,. / C(i) atunci , /. Prin
ipoteza i , si cum i /. prin tranzitivitate obtinem ca , /.
Teorema 4.21. Intr-un lant Markov omogen A starile recurente pot par-
titionate, intr-o maniera unica, in multimile inchise si ireductibile C
1
. C
2
. . . .
Matricea de trecere a lantului are forma urmatoare (dupa o eventuala renu-
merotare a starilor),
_
_
_
_
_
_
_
1
1
0 0 . . . 0
0 1
1
0 . . . 0
0 0 1
1
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Q
1
Q
2
Q
3
. . . Q
_
_
_
_
_
_
_
unde 1
1
. 1
2
. . . . .sunt matricile stochastice corespunzatoare multimilor de stari
C
1
. C
2
. . . . . iar Q corespunde starilor tranziente.
Demonstratie. Fie i o stare recurenta si e conform propozitiei precedente
C
1
= C (i). Se considera apoi , , C
1
si C
2
= C (,) si asa mai departe. Se
vede ca C
n
C
a
= O daca : ,= : pentru ca in caz contrar ar avea o stare
comuna, prin intermediul careia starile din C
n
si C
a
ar comunica , ceea ce
nu se poate.
Fie C
t
1
. .... o alta descompunere ca in enuntul teoremei si e i C
t
1
. Atunci
i C
a
pentru un anumit n. Probam ca C
t
1
= C(:). Fie pentru aceasta
, C
t
1
. Atunci , i si intrucit i C
a
rezulta ca , C
a
deoarece C
a
este
inchisa. Incluziunea inversa se arata similar.
Denitia 4.22. Pentru o stare i pentru care j (:. i. i) 0 pentru un : _
1, denim perioada d (i) ca ind egala cu cel mai mare divizor comun al
numerelor : _ 1 pentru care j (:. i. i) 0.
Daca d (i) 1 se spune ca starea i este periodica si daca d (i) = 1 se spune
ca i este neperiodica.
38 Cap. 1. Procese Markov
Daca j (:. i. i) = 0 pentru orice : _ 1, atunci punem prin denitie d (i) = .
Teorema 4.23. Proprietatea de a avea o perioada d este o proprietate de
clasa.
Demonstratie: Fie i. , cu i ,. Deci d (i) < . d (,) < .
Fie | _ 1 si :. : _ 0 asa incat
j (|. i. i) 0. j (:. i. ,) 0. j (:. ,. i) 0.
Atunci si
j (: + : + |. ,. ,) _ j (:. ,. i) j (|. i. i) j (:. i. ,) 0
si deci in general
j (: + : + /|. ,. ,) 0. \/ _ 1.
Rezulta ca d(,) [ : + : + 2| (: + : + |) = | si ca atare d(,) _ d(i). Prin
simetrie rezulta si ca d(i) _ d(,).
Prin urmare intr-o clasa toate starile au aceeasi perioada d pe care o von
numi perioada clasei. In particular daca clasa este toata multimea starilor
atunci d se numeste perioada lantului.
Denitia 4.24. Un lant Markov ireductibil este periodic daca d 1 si
neperiodic daca d = 1.
In continuare evidentiem o metoda pentru calculul matricii potential 1 =
(:(i. ,))
i,)1
si a matricii 1 = (,(i. ,))
i,)1
.
(A) Calculul matricii R.
(a
1
) Daca o stare j este recurenta atunci ,(,. ,) = 1 si din Corolarul 4.11
:(i. ,) = . In plus daca i ,. i ,= ,. atunci ,(i. ,) 0 si din Propozitia
4.10 rezulta ca :(i. ,) = . Pe de alta parte daca j nu este accesibila din i
atunci ,(i. ,) = 0 si deci :(i. ,) = 0 conform Propozitiei 4.10.
Cele de mai sus arata ca daca i este recurenta atunci
:(i. ,) =
_
0 daca ,(i. ,) = 0
daca ,(i. ,) 0.
(a
2
) Daca j este tranzienta si i este recurenta atunci din Teorema 4.19-(b)
avem ca j nu este accesibila din i si atunci ,(i. ,) = 0 si ca atare :(i. ,) = 0.
1.4. Clasicarea starilor unui lant Markov 39
(a
3
) Ramine de studiat cazul cind ambele stari i. , sunt tranziente. In acest
caz e 1 multimea starilor tranziente, Q =((i. ,))
i,)1
si o = (:(i. ,))
i,)1
matricile obtinute din 1 si 1 prin retinerea liniilor si coloanelor corespunza-
toare starilor tranziente.
Intii sa observam ca
:(i. ,) = `
i
(
o

a=0
1
An=)
) =
o

a=0
1
i
(A
a
= ,) =
o

a=0
j(:. i. ,). (1.4.13)
Presupunem ca starile au fost numerotate asa incit starile recurente sa pre-
ceada pe cele tranziente. In acest caz matricea de tranzitie are forma
1 =
_
1 0
1 Q
_
.
si prin urmare pentru orice n are loc egalitatea
1
a
=
_
1
a
0
1
a
Q
a
_
.
fapt ce impreuna cu (1.4.13) implica egalitatea
1 = 1 + 1 + 1
2
+ ... =
_
o
a=0
1
a
0

o
a=0
1
a

o
a=0
Q
a
_
.
si deci
o =
o

a=0
Q
a
.
Ultima egalitate spune ca
oQ = Qo = Q = Q
2
+ ... = o 1.
adica
(1 Q) o = 1. o (1 Q) = 1. (1.4.14)
In particular (1.4.14) implica urmatoarea propozitie:
Propozitia 4.25. Daca multimea starilor tranziente D este nita atunci
o = (1 Q)
1
.
In general avem urmatorul rezultat:
40 Cap. 1. Procese Markov
Teorema 4.26. o este solutia minimala a sistemului
(1 Q) 1 = 1. 1 _ 0. (1.4.15)
Demonstratie. Din (1.4.14) rezulta ca o satisfaca (1.4.15). Fie 1 o alta
solutie. Atunci
1 = 1 + Q1 = 1 + Q(1 + Q1 ) = 1 + Q+ Q
2
1 =
1 + Q+ ... + Q
a
+ Q
a+1
1 _
a

n=0
Q
n
. (1.4.16)
deoarece Q. 1 _ 0. Prin trecere la limita in (1.4.16) rezulta ca 1 _ o.
(B) Calculul matricii F
(b
1
) Daca i,j sunt stari recurente si sunt in aceeasi clasa inchisa si ireductibila,
atunci ,(i. ,) = 1.
(b
2
) Daca i este recurenta si j este tranzienta sau daca i si j sunt recurente
si apartin la clase ireductibile disjuncte, atunci ,(i. ,) = 0.
(b
3
) Daca i si j sunt tranziente atunci :(i. ,) < si din Propozitia 4.10
obtinem
,(,. ,) = 1
1
:(,. ,)
. ,(i. ,) =
:(i. ,)
:(,. ,)
daca i ,= ,.
(b
4
) Ramine cazul cind i este tranzienta si j este recurenta.
In acest caz lema urmatoare simplica calculele.
Lema 4.27. Fie C o multime ireductibila de stari recurente. Atunci pentru
orice stare tranzienta i avem
,(i. ,) = ,(i. /). \,. / C.
Demonstratie. Din Teorema 4.19-(b) rezulta ca
,(,. /) = ,(/. ,) = 1. \,. / C.
deci de indata ce lantul trece intr-o stare din C atunci el viziteaza toate
starile din C.
Apoi nu este dicil de vericat ca ,(i. ,) = ,(i. /) si ca reprezinta probabili-
tatea ca plecind din i lantul sa viziteze C.
1.4. Clasicarea starilor unui lant Markov 41
Fie C
1
. ... clasele ireductibile si recurente furnizate de Teorema 4.21 si 1 mul-
timea starilor tranziente. Presupunem ca ordinea starilor este urmatoarea:
intii cele din C
1
. apoi cele din C
2
. ctc.. si in ne cele tranziente. Deoarece sun-
tem interesati in probabilitatea de a vizita C
)
putem presupune ca multimile
C
)
sunt formate dintr-o singura stare, care este desigur absorbanta.
In aceasta situatie matricea de trecere devine
^
1 =
_
_
_
_
_
_
1 0 ... 0 0
0 1 ... 0 0
. . ... . .
0 0 ... 1 0
/
1
/
2
... /
n
Q.
_
_
_
_
_
_
unde
/
)
(i) =

IC
j
j(i. /). i 1.
Probabilitatea de a vizita starea absorbanta j din starea tranzienta i de lantul
cu matricea de trecere
^
1 este aceeasi cu probabilitatea de a vizita C
)
din i
de catre lantul cu matricea de trecere 1.
Daca denim matricea 1 cu coloanele /
1
. ..... adica
/(i. ,) =

IC
j
j(i. /). i 1. , = 1. 2. ....
atunci
^
1 =
_
1 0
1 Q
_
.
si deci
^
1
a
=
_
1 0
1
a
Q
a
_
.
unde 1
a
= (1 + Q+ ... + Q
a+1
) 1.
Numarul /
a
(i. ,) reprezinta probabilitatea ca plecind din i, lantul sa viziteze
C
)
inainte sau exact la pasul n.
Daca denim
G = lim
ao
1
a
=
_
o

I=0
Q
I
_
1 = o1.
42 Cap. 1. Procese Markov
atunci elementul q(i. ,) al lui G reprezinta probabilitatea de a vizita C
)
din
starea tranzienta i.
Am obtinut astfel:
Teorema 4.28. Fie Q matricea obtinuta din matricea de trecere 1 prin
retinerea elementelor corespunzatoare starilor tranziente si 1 denita ante-
rior. Fie i o stare tranzienta, C
)
o clasa recurenta si e matricea S data de
Teorema 4.26 si G = o1. Atunci avem ca
q(i. ,) = ,(i. /). \/ C
)
.
Probleme
4.29. Fie lantul Markov cu starile 1. 2. .... 6 si matricea de trecere
_
_
_
_
_
_
_
_
1
2
1
2
0 0 0 0
1
4
3
4
0 0 0 0
1
4
1
4
1
4
1
4
0 0
1
4
0
1
4
1
4
0
1
4
0 0 0 0
1
2
1
2
0 0 0 0
1
2
1
2
_
_
_
_
_
_
_
_
.
Sa se determine starile recurente, tranziente si perioadele lor ( pe scurt vom
zice sa se clasice starile) si sa se calculeze probabilitatile ,(:. i. ,).
Solutie. In primul rind sa observam ca starile au toate perioada 1 deoarece
j(i. i) 0 pentru orice i. Apoi starile se partitioneaza in clasele ireductibile
si inchise
C
1
= 1. 2 . C
2
= 5. 6 . 1 = 3. 4 .
Din structura matricii de trecere se obtine ca
,(:. 1. 1) =
_
j(1. 1) =
1
2
daca : = 1.
j(1. 2) (j(2. 2)
a2
j(2. 1) =
1
2
_
3
4
_
a2
1
4
daca : 1.
si deci
,(1. 1) =
o

a=1
,(:. 1. 1) = 1.
fapt ce arata ca starea 1(deci si 2) este recurenta.
1.4. Clasicarea starilor unui lant Markov 43
Mai departe
,(:. 5. 5) =
_
j(5. 5) =
1
2
daca : = 1.
j(5. 6) (j(6. 6)
a2
j(6. 5) =
1
2
_
1
2
_
a2
1
2
daca : 1.
si deci ,(5. 5) = 1.fapt ce arata ca starea 5(deci si 6) este recurenta.
Starile din 1 sunt tranziente deoarece 3 4 6 si intoarcerea din 6 este
imposibila.
4.30. Fie mersul la intimplare (A
a
) cu starile 1 = 0. 1. .... :. ... si
matricea de trecere 1 = (j(i. ,))
i,)1
. unde
j(i. i + 1) = j. j(i. i 1) = . j(i. ,) = 0 daca , ,= i 1. i + 1.
unde 0 < j < 1. = 1 j. Sa se arate ca:
(a) lantul este ireductibil si de perioada 2.
(b) lantul este recurent daca j = =
1
2
si tranzient daca j ,= .
Solutie.(a) Fie i < , doua stari ale lantului. Din structura matricii de trecere
se vede ca i i + 1 ... , , deci i , si , , 1 ... i. deci
, i. Prin urmare toate starile comunica intre ele si ca atare lantul este
ireductibil.
Stim ca
A
a
=
1
+ ... +
a
. \: _ 1.
unde (
a
) sunt variabile aleatoare independente, identic repartizate, asa incit
1(
a
= 1) = j. 1(
a
= 1) = . \:.
Este clar ca j(2: + 1. i. i) = 0. Apoi
j(2:. i. i) = 1(A
2a
= i [ A
0
= i) =
1
_
'
11,..,2a,[1[=a
(
i
= 1 : i 1
i
= 1 : i , 1)
_
=

11,..,2a,[1[=a
1 (
i
= 1 : i 1
i
= 1 : i , 1) =

11,..,2a,[1[=a
j
a

a
= C
a
2a
j
a

a
.
44 Cap. 1. Procese Markov
Calculul precedent arata ca d(i) = 2.
(b) Vom folosi dezvoltarea in serie
o

a=0
C
a
2a
r
a
=
1
_
1 4r
. \0 _ r <
1
4
.
Sa presupunem ca j ,= . deci ca r = j <
1
4
. Pentru acest r seria precedenta
si calculul din punctul (a), implica egalitatea
o

a=0
j(2:. i. i) =
1
_
1 4j (1 j)
=
1
[1 2j[
.
si conform cu Teoremele 4.7 si 4.19-(a) obtinem ca toate starile sunt tranziente.
Sa presupunem acum ca j = =
1
2
. Atunci din Lema lui Abel obtinem ca
lim
a
1
4
o

a=0
C
a
2a
r
a
=
o

a=0
C
a
2a
_
1
4
_
a
= .
care din nou prin Teoremele 4.7 si 4.19-(a) arata ca toate starile sunt re-
curente.
4.31 (Ruinarea jucatorului). Pentru lantul Markov din Observatia 2.13 sa
se clasice starile si sa se calculeze probabilitatile de ruinare ale celor doi
jucatori, precum si durata medie a jocului.
Solutie. Fie c = c + /. Din forma matricii de trecere rezulta ca exista trei
clase de comunicare
0 . c . 1. .... c 1 .
Starile 0 si c sunt absorbante, deci recurente, iar clasa 1. .... c 1 este
tranzienta deoarece daca prin absurd starea 1 ar recurenta, atunci din
faptul ca 10 si Teorema 4.19-(b) ar rezulta ca 01 ceea ce este imposibil.
Din Propozitia 4.25 avem ca (notatiile sunt cele folosite anterior)
o =
_

_
1
_
_
_
_
_
_
0 j 0 ... 0 0
0 j ... 0 0
. . . . . .
0 0 0 ... 0 j
0 0 0 ... 0
_
_
_
_
_
_
_

_
1
.
1.4. Clasicarea starilor unui lant Markov 45
de unde daca j ,=
1
2
:
:(i. ,) =
1
(2j 1)
__
j
q
_
c
1
_
_

_
_
_
j
q
_
)
1
_ _
_
j
q
_
c1
1
_
. , _ i
_
_
j
q
_
i
1
_ _
_
j
q
_
ci

_
j
q
_
)i
_
. , i
.
(1.4.17)
si daca j =
1
2
:(i. ,) =
2
c
_
, (c i) . , _ i
i (c ,) , i
.
Daca 1 este durata jocului, atunci 1 =

c1
|=1
`
|
. si prin urmare durata
medie a jocului este
1(1) =
c1

|=1
1 (`
|
) =
c1

|=1
:(c. |) =
_
_
_
1
(2j1)
_
(
p
q
)
c
(
p
q
)
ca
(
p
q
)
c
1
c
_
. j ,=
1
2
c (c c) . j =
1
2
.
Probabilitatea de ruinare a jucatorului este ,(c. 0). care conform Teoremei
4.28 este data de
,(c. 0) = q(c. 0) =
c1

|=1
:(c. |)j(|. 0) =
_
_
_
(
p
q
)
ca
1
(
p
q
)
c
1
. j ,=
1
2
1
o
c
. j =
1
2
.
iar probabilitatea de ruinare a lui 1 este ,(c. |) = 1 ,(c. 0).
4.32. Fie un mers la intimplare (A
a
)
a
denit de sirul de variabile aleatoare
independente si identic repartizate (
a
)
a
. unde
1(
a
= 1) = j. 1(
a
= 2) = = 1 j. 0 < j < 1.
Sa se arate ca (A
a
)
a
este tranzient si sa se calculeze matricile 1 si 1.
46 Cap. 1. Procese Markov
4.33 Pentru lantul Markov cu starile 1 = 1. 2. 3. 4 si matricea de trecere
_
_
_
_
0 j 0 1 j
1 j 0 j 0
0 1 j 0 j
j 0 1 j 0
_
_
_
_
sa se clasice starile si sa se calculeze probabilitatile de trecere in n pasi.
4.34. Sa se arate ca lantul Markov cu starile 1 = 1. .... 5 si matricea de
trecere
_
_
_
_
_
_
0 0. 5 0. 5 0 0
0 0 0 0. 2 0. 8
0 0 0 0. 4 0. 6
1 0 0 0 0
1 0 0 0 0
_
_
_
_
_
_
este ireductibil, recurent si de perioada 3.
1.5 Repartitia stationara si teoreme limita
Reamintim ca pentru o stare i am notat prin 1
i
1
momentul primei vizite in i.
Denitia 5.1. Se deneste timpul mediu de recurenta al starii i prin
j
i
= 1
i
(1
i
1
) =
_
o
a=1
:,(:. i. i) daca i este recurenta,
daca i este tranzienta.
(1.5.1)
Desigur j
i
poate innit chiar daca i este recurenta.
Denitia 5.2. (a) O stare recurenta i este nula (resp. nenula sau pozitiva)
daca j
i
= (resp. j
i
< ).
(b) O stare recurenta i este ergodica daca este neperiodica si nenula.
Comportarea asimptotica a probabilitatilor de trecere in : pasi este strins
legata de conceptul de repartitie (sau distributie) stationara.
Denitia 5.3. O probabilitate : = (:
i
)
i1
este repartitie ( sau distributie)
stationara pentru lantul Markov (A
a
) ce are matricea de trecere 1. daca
: = :1 sau echivalent :
)
=

i1
:
i
j(i. ,). \, 1. (1.5.2)
1.5. Repartitia stationara si teoreme limita 47
Pentru a vedea semnicatia conceptului de repartitie stationara introducem
conceptul de stationaritate.
Denitia 5.4. Un proces stochastic (A
a
)
a
este stationar daca pentru orice
: _ 1 procesele (A
a
)
a
. (A
a+n
)
a
sunt echivalente sau echivalent daca au
aceleasi repartitii nit dimensionale.
Daca multimea starilor 1 este cel mult numarabila, atunci (A
a
)
a
este sta-
tionar daca si numai daca pentru orice : _ 1. : _ 0 si i
0
. .... i
a
1 are loc
egalitatea
1 (A
0
= i
0
. .... A
a
= i
a
) = 1 (A
n
= i
0
. .... A
a+n
= i
a
) . (1.5.3)
Teorema 5.5. Fie (A
a
)
a
un lant Markov cu matricea de trecere 1, repartitia
initiala j = (j
i
)
i1
si e j
(n)
)
= 1(A
n
= ,). , 1.
Atunci urmatoarele armatii sunt echivalente:
(a) (A
a
)
a
este stationar.
(b) Pentru orice m_ 1,
j
(n)
)
= j
)
. \, 1.
(c) j este o repartitie stationara a lantului.
Demonstratie. (a)=(/) Este imediata.
(b)=(c) Intii sa observam ca intotdeauna are loc egalitatea
1(A
n
= ,) =

i1
1(A
0
= i)1(A
n
= , [ A
0
= i) =

i1
j(:. i. ,)j
i
. (1.5.4)
Tinind cont de ipoteza (1.5.4) devine
j
)
=

i1
j(:. i. ,)j
i
. \: _ 1.
si in particular luind : = 1 obtinem ca j este repartitie stationara a lantului.
(c)=(c) Avem ca
1 (A
n
= i
0
. .... A
a+n
= i
a
) = 1(A
a+n
= i
a
[ A
a+n1
= i
a1
. .... A
n
= i
0
)
1(A
a+n1
= i
a1
. .... A
n
= i
0
) =
j(i
a1
. i
a
)1(A
a+n1
= i
a1
. .... A
n
= i
0
) =
48 Cap. 1. Procese Markov
j(i
a1
. i
a
)....j(i
0
. i
1
)1(A
n
= i
0
) = j
i
0
j(i
0
. i
1
)....j(i
a1
. i
a
). \: _ 1.
Observatia 5.6. In particular daca lantul Markov are ca repartitie initiala
o repartitie stationara : atunci toate variabilele lantului au ca repartitie :.
In continuare von studia conexiunea intre existenta repartitiei stationare si
comportarea limita a probabilitatilor de trecere in n-pasi j(:. i. ,). Pentru
inceput formulan fara demonstratie urmatorul rezultat (vezi de exemplu [18]
pentru demonstratia sa).
Teorema 5.7 (Teorema ergodica). (a) Daca starea j este tranzienta atunci
lim
ao
j(:. i. ,) = 0. \i 1. (1.5.5)
(b) Daca starea j este recurenta si de perioada d(,), atunci
lim
ao
j(:d(,). i. ,) =
d(,),(i. ,)
j
)
. \i 1. (1.5.6)
Observatia 5.8. In teorema precedenta nu este adevarat in general ca
intregul sir j(:. ,. ,) converge (vezi Problema 5.15).
Acuma suntem in masura sa precizam structura starilor unui lant Markov.
Teorema 5.9. (a) Recurenta nula si cea nenula sunt proprietati de clasa.
(b) Pentru un lant Markov ireductibil ori toate starile sunt tranziente sau
toate sunt recurente (in acest ultim caz sau toate starile sunt recurente nule
sau toate sunt recurente nenule). In plus sau toate starile sunt neperiodice
ori toate au perioada d.
Demonstratie. (a) Sa presupunem ca i , si i este recurenta nula.
Alegem numerele naturale :. : asa incit j(:. ,. i) 0. j(:. i. ,) 0. Atunci
d(i) = d(,).
j (:d(i). ,. i) _ j(:. ,. i)j ((: 1)d(i). i. i) 0.
j (:d(i). i. ,) _ j(:. i. ,)j((: 1)d(i). ,. ,) 0.
si din Teorema 5.7-(b) rezulta ca j(:d(i). i. i) 0. Daca notam, = j (:d(i). ,. i) j (:d(i). i. ,)
0.atunci avem pentru orice n,
j ((: + : + :) d(i). i. i) _
1.5. Repartitia stationara si teoreme limita 49
j(:d(i). i. ,)j(:d(i). ,. ,)j(:d(i). ,. i) = ,j(:d(i). ,. ,).
sau tinind cont ca (vezi Teorema 5.7)
lim
ao
j(:d(,). ,. ,) =
d(,)
j
)
= lim
ao
j ((: + : + :) d(i). i. i) = 0
deducem ca j
)
= 0. Prin complementaritate rezulta armatia si pentru re-
curenta nenula.
(b) Multimea starilor formind o clasa si recurenta, tranzienta, periodicitatea
ind proprietati de clasa, de indata avem ca sau toate starile sunt tranziente
sau toate sunt recurente si in plus au aceeasi perioada.
Teorema 5.10. Fie (A
a
)
a
un lant Markov ireductibil si neperiodic cu ma-
tricea de trecere 1 = (j(i. ,))
i,)1
. Atunci exista o repartitie stationara daca
si numai daca toate starile sunt recurente nenule. Daca exista o repartitie
stationara : = (:
i
)
i1
atunci :
i
0 pentru orice i, : este unica repartitie
stationara si
:
)
= lim
ao
j (:. . ,. ,) . \i. , 1.
Demonstratie. Sa presupunemca toate starile sunt recurente nenule. Atunci
din Teorema 4.19-(b) rezulta ca ,(i. ,) = 1.pentru orice i. , 1. iar din Teo-
rema 5.7-(b)
lim
ao
j(:. i. ,) =
1
j
)
act.
= :
)
0. \i. , 1.
Din Lema lui Fatou obtinem ca

)1
:
)
_ 1. Vom arata ca : = (:
)
)
)1
este
repartitie stationara. Probam intii ca

I1
:
I
j(/. ,) = :
)
. \, 1. (1.5.7)
Fie pentru aceasta J 1. J nita. Atunci
j(: + 1. i. ,) =

I1
j(:. i. /)j(/. ,) _

IJ
j(:. i. /)j(/. ,).
de unde la limita se obtine ca
:
)
_

IJ
:
I
j(/. ,). (1.5.8)
50 Cap. 1. Procese Markov
Alegem acuma un sir crescator de multimi nite J
a
asa incit '
a
J
a
= 1.
Aplicind (1.5.8) pentru ecare J
a
si trecind la limita vom obtina ca
:
)
_

I1
:
I
j(/. ,). \, 1.
Daca prin absurd inegalitatea precedenta ar stricta pentru un anumit j
atunci am avea
1 _

)1
:
)

)1

I1
:
I
j(/. ,) =

I1
:
I

)1
j(/. ,) =

I1
:
I
.
ceea ce este imposibil. Prin urmare se indeplineste (1.5.7). Iterind (1.5.7)
ajungem la

I1
:
I
j(:. /. ,) = :
)
. \, 1.
de unde prin teorema de convergenta dominata obtinem ca

I1
:
I
:
)
= :
)
. \, 1.
si in ne

I1
:
I
= 1. Cu aceasta am aratat ca : este repartitie stationara.
Se demonstram acuma unicitatea repartitiei stationare. Daca
)
=
_

)
_
)1
este o alta repartitie stationara, atunci pentru orice n avem

)
=

I1

I
j(:. /. ,). \, 1.
de unde prin trecere la limita si utilizarea teoremei de convergenta dominata
si a Teoremei 5.7, obtinem

)
=

I1

I
lim
ao
j(:. /. ,) = 0. \, 1.
fapt ce contrazice egalitatea

)1

)
= 1.
Propozitia 5.11. Intr-un lant Markov cu multimea starilor nita si ire-
ductibil toate starile sunt recurente nenule.
1.5. Repartitia stationara si teoreme limita 51
Demonstratie. Din Propozitia 4.8-(b) se stie ca exista cel putin o stare re-
curenta, si deci toate starile sunt recurente. Daca toate starile ar recurente
nule atunci din Teorema ergodica ar rezulta ca
lim
ao
j(:. i. ,) = 0. \i. , 1.
de unde
1 = lim
ao

)1
j(:. i. ,) =

)1
lim
ao
j(:. i. ,) = 0.
deci o contradictie.
Teorema 5.12. Daca (A
a
) este un lant Markov ireductibil, neperiodic si cu
multimea starilor nita, atunci sistemul
:1 = :. :1 = 1. : _ 0.
are o solutie unica, cu alte cuvinte exista o unica repartitie stationara. In
plus :
i
=
1
j
i
0 pentru orice i si
:
)
= lim
ao
j(:. i. ,). \i. , 1.
Demonstratie. Este consecinta imediata a Teoremelor 5.10 si 5.11.
Urmatorul criteriu este de multe ori util in probarea ca un lant Markov
ireductibil este recurent sau tranzient (pentru demonstratie vezi Grimme-
tts-Stirzaker [9]).
Teorema 5.13. Fie (A
a
) un lant Markov ireductibil cu matricea de trecere
1 = (j(i. ,))
i,)1
si e : 1 o :tc:c c:/it:c:c. Atunci:
(a) Lantul este tranzient daca si numai daca exista o solutie nenula
)

),=i
a sistemului

i
=

),=c
j(i. ,)
)
. \i ,= :.
ce satisface [
)
[ _ 1 pentru orice , 1.
(b) Daca 1 = 0. 1. ... . atunci lantul este recurent daca exista o solutie

),=i
a sistemului de inecuatii

i
_

),=c
j(i. ,)
)
. \i ,= :.
52 Cap. 1. Procese Markov
asa incit lim
io

i
= .
Probleme
5.14. Fie mersul la intimplare cu multimea starilor 0. 1. .... | si cu matricea
de trecere
0
1
2
. . .
| 1
|
_
_
_
_
_
_
_
_
:
0
j
0
0 0 ... 0 0 0

1
:
1
j
1
0 ... 0 0 0
0
2
:
2
j
2
... 0 0 0
. . . . . . . . . 0 ... . . . . . . . . .
0 0 0 0 ...
|1
:
|1
j
|1
0 0 0 0 ... 0
|
:
|
_
_
_
_
_
_
_
_
unde
j
i

i
+ :
i
= 1. \2 _ i _ | 1.
j
0
+
0
= j
|
+
|
= 1.
j
i
.
i
0. \0 _ i _ |.
|

i=0
:
i
0.
Sa se calculeze repartitia stationara a lantului si timpii medii de recurenta.
Solutie. Intii sa observam ca lantul este ireductibil si neperiodic.
Ecuatia : = :1 , unde : = (:
i
)
0i|
devine
_
_
_
:
0
:
0
+ :
1

1
= :
0
.
:
i1
j
i1
+ :
i
:
i
+ :
i+1

i+1
= :
i
. 1 _ i _ | 1.
:
|1
j
|1
+ :
|
:
|
= :
|
.
a carui solutie este
:
i
=
j
0
...j
i1

1
...
i
:
0
. \1 _ i _ |. (1.5.9)
Conditia

|
i=0
:
i
= 1 implica egalitatea
:
0
=
1
1 +

|
i=1
j
0
...j
i1
q
1
...q
i
. (1.5.10)
Prin urmare repartitia stationara este data de (1.5.9). (1.5.10). Calculul
anterior arata ca repartitia stationara este unica. Conform Teoremei 4.9
1.5. Repartitia stationara si teoreme limita 53
lantul este recurent nenul, iar din Teorema 4.11 avem ca timpii medii de
recurenta sunt dati de j
i
=
1

i
.
5.15. Fie lantul Markov cu starile 1 = 1. 2 si matricea de trecere j
11
=
j
22
= 0. j
12
= j
21
= 1.
Sa se arate ca j(:. i. i) nu converge, in timp ce j(2:. i. i) converge.
Solutie. Cele doua stari ale lantului au perioada 2 si se obtine ca
j(:. 1. 1) = j(:. 2. 2) =
_
0 daca : este impar,
1 daca : este par,
de unde concluzia rezulta usor.
5.16. Pentru lantul Markov din Problema 4.34 sa se ae repartitia station-
ara.
Solutie. Sistemul de ecuatii : = :1. se scrie
_

_
:
1
= :
4
+ :
5
.
:
2
= 0. 5:
1
= :
3
.
:
4
= 0. 2:
2
+ 0. 4:
3
.
:
5
= 0. 8:
2
+ 0. 6:
3
.
care impreuna cu conditia

5
i=1
:
i
= 1. dau solutia
: =
_
1
3
.
1
6
.
1
6
.
1
10
.
7
10
_
.
5.17. Fie lantul Markov cu starile 0,1si matricea de trecere
1 =
_
1 ` `
j 1 j
_
unde `. j 0. `j ,= 1.
(a) Sa se determine repartitia stationara.
(b) Sa se arate direct ca probabilitatile de trecere in n pasi converg la unica
repartitie stationara.
54 Cap. 1. Procese Markov
Aplicatie. Daca intr-o zi ploua, a doua zi va senin cu probabilitatea `.iar
daca este senin, a doua zi va ploua cu probabilitatea j. Cum va vremea
peste un an?
Solutie. (a) Sistemul : = :1 si conditia :
0
+:
1
= 1 dau repartitia stationara
:
0
=
j
` + j
. :
1
=
`
` + j
.
(b) Stim din Teorema 5.12 ca j(:. i. ,) :
)
. Pentru a proba acest rezultat
direct reamintim ca din Problema 2.20 stim ca
1
a
=
1
` + j
__
j `
j `
_
+ (1 ` j)
a
_
` `
j j
__
.
prin urmare
1
a

1
` + j
_
j `
j `
_
.
Pentru aplicatia descrisa mai sus, denim sirul de variabile aleatoare (A
a
)
prin: A
a
= 0 daca in a n zi va ploua si A
a
= 0 daca daca in a n zi nu va
ploua. Atunci (A
a
) este lant Markov cu matricea de trecere 1 de mai sus.
Deoarece un an este o perioada destul de lunga putem folosi aproximarea
j(365. 0. 0). j(365. 1. 0) ~ :
0
. j(365. 0. 1). j(365. 1. 1) ~ :
1
.
Deci peste un an va ploua cu probabilitatea :
0
si va senin cunprobabilitatea
:
1
.
5.18. Fie lantul Markov cu starile 1 = 0. 1. ... si matricea de trecere
j(i. i + 1) = j. \i _ 0. j(0. 0) = j(i. i 1) = = 1 j. \i _ 1.
Sa se arate ca:
(a) Daca j =
q
j
1 atunci lantul este tranzient. Lantul este recurent nul
daca si numai daca j = 1 (Indicatie: Se foloseste Teorema 5.13 cu : = 0 si

i
= 1 j
i
pentru tranzienta si
i
= i pentru recurenta nula).
(b) Lantul este recurent nenul daca si numai daca j < 1 (Indicatie: Se arata
ca exista repartitia stationara :
i
= j
i
(1 j) daca si numai daca j < 1).
1.6. LANTURI MARKOV FINITE 55
1.6 Lanturi Markov nite
In cazul cind multimea starilor I a unui lant Markov este nita (in acest caz
vom zice ca lantul Markov este nit) atunci se pot simplica analiza lui.
In acest paragraf vom presupune ca I este nita si pentru simplicare e
1 = 1. 2. .... :.
Reamintim urmatoarele proprietati specice deja demonstrate anterior.
(a) Intr-un lant Markov nit si ireductibil toate starile sunt recurente nenule
(Propozitia 4.10).
(b) Daca (A
a
) este un lant Markov nit ireductibil, neperiodic si cu matricea
de trecere P, atunci sistemul
:1 = :. :1 = 1. : _ 0.
are o solutie unica, cu alte cuvinte exista o unica repartitie stationara. In
plus : 0 si
:
)
= lim
ao
j(:. i. ,). \i. , 1.
(Teorema 5.12).
Pentru calculul probabilitatilor de trecere in n-pasi este importanta urma-
toarea teorema din algebra.
Teorema 6.1 (Perron-Frobenius). Fie (A
a
) un lant Markov nit ireductibil
cu matricea de trecere P si de perioada d. Atunci:
(i) Radacinile de ordin d ale unitatii sunt valori proprii ale lui 1. In particular
1 are valoarea proprie 1.
(ii) Celelalte valori proprii ale lui 1, `
o+1
. ..... `
v
sunt de modul strict mai
mic ca unu.
Observatia 6.2. Daca : = (:
)
)
)1
este unica repartitie stationara, atunci
un vector propriu asociat valorii proprii `
1
= 1 este :.
Calculul probabilitatilor de trecere in n-pasi este rezolvat de urmatoarea
propozitie.
Propozitia 6.3. Fie (A
a
) un lant Markov nit ireductibil cu matricea de
trecere P. Presupunem ca P are valorile proprii `
1
= 1. `
2
. ..... `
v
distincte si
56 Cap. 1. Procese Markov
e c
i
= (c
)i
)
1)v
(resp. /
i
= (/
i)
)
1)v
un vector propriu la dreapta (resp. la
stinga) asociat lui `
i
asa incit c
i
. /
i
= 1 pentru orice i.
Daca denim matricile (
i
)
1iv
prin
i
= c
i
/
i
. atunci pentru orice : _ 1 are
loc egalitatea
1
a
=
v

i=1
`
a
i

i
. (1.6.1)
Demonstratie. Fie matricile
= (c
i)
)
1i,)v
. 1 = (/
i)
)
1i,)v
. = (`
i
o
i)
)
1i,)v
.
Egalitatile c
i
. /
i
= 1 pentru orice i se scriu matricial ca 1 = 1. iar egali-
tatile
1c
i
= `
i
c
i
. /
i
1 = `
i
/
i
. \i.
se scriu matricial sub forma
1 = . 11 = 1. (1.6.2)
Din (1.6.2) avem relatia
1 =
1
= 1
1
1 = 1 =
v

i=1
`
i

i
. (1.6.3)
si intrucit
i

)
= o
i)

i
. din (1.6.3) se obtine de indata (1.6.1).
Probleme
6.4. Sa se calculeze probabilitatile de trecere in n pasi pentru lantul Markov
cu starile 1. 2. 3 si matricea de trecere
1 =
_
_
0
2
5
3
5
1 0 0
1 0 0
_
_
si sa se arate apoi ca lantul este ireductibil si are perioada 2.
Solutie. Este vizibil ca lantul este ireductibil. Valorile proprii ale matricii
1 sint `
1
= 1. `
2
= 0. `
3
= 1. Prin utilizarea Propozitiei 5.3 se obtine ca
1
a
=
_
_
1
2
1
5
3
10
1
2
1
5
3
10
1
2
1
5
3
10
_
_
+ (1)
a
_
_
1
2

1
5

3
10

1
2
1
5
3
10

1
2
1
5
3
10
_
_
.
1.6. Lanturi Markov nite 57
deci
1
2I
=
_
_
1 0 0
0
2
5
3
5
0
2
5
3
5
_
_
. 1
2I+1
=
_
_
0
2
5
3
5
1 0 0
1 0 0
_
_
.
Deoarece j(2/. i. i) 0 pentru oric / rezulta ca toate starile au perioada 2.
6.5. Sa se calculeze probabilitatile de trecere in n pasi pentru lantul Markov
cu starile 1. 2. 3 si matricea de trecere
1 =
_
_
1 0 0
1
4
1
2
1
4
0 0 1
_
_
.
si sa se calculeze repartitia stationara.
6.6. Pentru lantul Markov cu starile 1. 2. 3 si matricea de trecere
1 =
_
_
1 j j 0
0 1 j j
j 0 1 j
_
_
sa se arate ca
1
a
=
_
_
c
1a
c
2a
c
3a
c
3a
c
1a
c
2a
c
2a
c
3a
c
1a
_
_
unde c
1a
+.c
2a
+.
2
c
3a
= (1 j + j.)
a
. . ind o radacina cubica complexa
a unitatii.
58 Cap. 1. Procese Markov
1.7 Procese Markov cu timp continuu si
multime cel mult numarabila de stari
Fie (A
t
)
t1
+
un proces stochastic cu spatiul de baza (. T. 1) si cu spatiul
starilor (1. T (1)), unde 1 este o multime cel mult numarabila.
Denitia 7.1. Vom spune ca procesul (A
t
)
t1
+
este proces Markov daca
pentru orice 0_ t
0
< t
1
<. . . . . < t
a+1
. i
0
. . . . . i
a
1 are loc urmatoarea
egalitate cunoscuta sub numele de proprietate Markov
1
_
A
t
n+1
= i
a+1
[A
tn
= i
a
. . . . . A
t
0
= i
0
[ = 1(A
t
n+1
= i
a+1
[ A
tn
= i
a
_
.
(1.7.1)
de indata ce 1 (A
tn
= i
a
. . . . . A
t
0
= i
0
) 0.
Urmatoarea teorema se demonstreaza la fel ca Teorema 2.4.
Teorema 7.2. Urmatoarele armatii sunt echivalente:
(1) (A
t
)
t1
+
este proces Markov.
(2) Pentru orice :. : :i 0_ t
0
< t
1
<. . . . . < t
a+n
, i
0
. . . . . i
a+n
1 ,
1
_
A
t
n+m
= i
a+n
. . . . . A
t
n+1
= i
a+1
[ A
tn
= i
a
. . . . . A
t
0
= i
0
_
=
1
_
A
ta+n
= i
a+n
. . . . . A
t
n+1
= i
a+1
[ A
tn
= i
a
_
. (1.7.2)
de indata ce 1 (A
tn
= i
a
. . . . . A
t
0
= i
0
) 0.
(3) Pentru orice t _ 0. E(A
&
. n _ t) . 1 E(A
&
. n _ t) .
1 ( [ A
t
= i. 1) = 1 ( [ A
t
= i) . \i 1. (1.7.3)
de indata ce 1 (A
t
= i) 0.
Denitia 7.3. Pentru orice 0_ : < t e 1 (:. t) = (j
i)
(:. t))
i,)1
o matrice
stochastica. Vom spune ca familia 1 (:. t)
c<t
este semigrup de trecere, daca
are loc urmatoarea proprietate, cunoscuta sub numele de relatia Chapman-
Kolmogorov:
1.7. Procese Markov cu timp continuu 59
1 (:. n) = 1 (:. t) 1 (t. n) . \: < t < n. (1.7.4)
echivalent
j
i,)
(:. n) =

I1
j
i,I
(:. t) j
I,)
(t. n) . \i. , 1. : < t < n. (1.7.5)
Elementele j
i,)
(:. t) se numesc probabilitati de trecere.
Denitia 7.4. Un proces Markov (A
t
)
t1
+
vom spune ca este asociat semi-
grupului 1 (:. t) sau ca (A
t
)
t1
+
are 1 (:. t) ca semigrup de trecere, daca
1 (A
t
= , [ A
c
= i) = j
i,)
(:. t) . \i. , 1. : < t. (1.7.6)
ori de cate ori 1 (A
c
= i) 0.
Observatia 7.5. Daca (A
t
) este un proces Markov si daca pentru : < t,
1 (:. t) = (j
i,)
(:. t))
i,)1
este o matrice stochastica pentru care egalitatea
(1.7.6) are loc, atunci are loc relatia Chapman-Kolmogorov daca 1 (A
c
= i)
0.
Intr-adevar avem

I1
j
i,I
(:. t) j
I,)
(t. n) =

I1
1 (A
t
= / [ A
c
= i) 1 (A
&
= , [ A
t
= /) =

I1
1 (A
t
= / [ A
c
= i) 1 (A
&
= , [ A
t
= /. A
c
= i) =

I1
1 (A
t
= /. A
&
= , [ A
c
= i) = 1 (A
&
= , [ A
c
= i) = j
i,)
(:. n) .
Sistemul de numere 1 (A
0
= i)
i1
se numeste repartitia initiala a proce-
sului, iar probabilitatile de trecere j
i,)
(:. t) se interpreteaza ca probabilitatea
cu procesul sa e in starea , la momentul t, daca la momentul : a fost in
starea i.
La fel ca pentru lanturile Markov avem:
60 Cap. 1. Procese Markov
Propozitia 7.6. Un proces stochastic (A
t
)
t1
+
este proces Markov asociat
semigrupului de trecere 1 (:. t) daca si numai daca pentru orice n si 0_ t
0
<
. . . < t
a
. i
0
. .... i
a
1.
1 (A
t
0
= i
0
. . . . . A
tn
= i
a
) =
1 (A
t
0
= i
0
) j
i
0
,i
1
(t
0
. t
1
) . . . ...j
i
n1
,in
(t
a1
. t
a
) . (1.7.7)
In continuare, vom deduce cunoscutele ecuatii diferentiale ale lui Kolmogorov,
care permit determinarea probabilitatilor de trecere.
Teorema 7.7. Fie semigrupul de trecere 1 (:. t) = (j
i,)
(:. t))
i,)1
ce satisface
urmatoarele conditii:
(1) lim
c,t
j
i,)
(:. t) = lim
tc
j
i,)
(:. t) = o
i)
. \i. , 1.
(2) Limitele lim
c0
j
i;j
(c,c+c)c
ij
c
=
i)
(:) exista si sunt nite, uniform in raport
cu ecare dintre variabilele i. , 1.
Matricile Q(:) = (
i)
(:))
i,)1
se numesc Q-matricile (sau generatorul in-
nitezimal) semigrupului de trecere. Denim
_

_
`
i
(:) =
ii
(:) .
`
i)
(:) =
_
o
i)
daca `
i
(:) = 0
q
ij
(c)
A
i
(c)
(1 o
i)
) daca `
i
(:) ,= 0.
Atunci:
(a) Probabilitatile de trecere j
i,)
(:. t) satisfac ecuatiile lui Kolmogorov directe
Jj
i,)
(:. t)
ot
= `
i
(t) j
i,)
(:. t) +

I1
`
I
(t) `
I)
(t) j
iI
(:. t) , \i. , 1. t :.
(1.7.8)
cu conditia initiala
j
i,)
(:. :) := lim
tc
j
i,)
(:. t) = o
i)
.
(b) Daca in plus j
i,)
(. t) este continua in primul argument, uniform in raport
cu i, atunci j
i,)
(:. t) satisfac ecuatiile lui Kolmogorov inverse
1.7. Procese Markov cu timp continuu 61
oj
i,)
(:. t)
Jt
= `
i
(:)
_
j
i,)
(:. t)

I1
`
iI
(:) j
I)
(:. t)
_
. \i. , 1. : < t.
(1.7.9)
cu conditia initiala
j
i,)
(t. t) := lim
c,t
j
i,)
(:. t) = o
i)
.
Demonstratie. (a) Din relatia Chapman-Kolmogorov avem
j
i,)
(:. t + o) =

I1
j
iI
(:. t) j
I)
(:. t + o) .
deci
j
i)
(:. t + o) j
i,)
(:. t) =

I1
[j
I)
(:. t) j
I)
(t. t + o) o
I)
j
I)
(:. t)] .
1
o
[j
i)
(:. t + o) j
i)
(:. t)] =

I1
_
j
I)
(t. t + o) o
I)
o
_
j
iI
(:. t) .
din care prin trecere la limita obtinem ecuatiile lui Kolmogorov directe.
(b) Din nou, din relatia Chapman-Kolmogorov obtinem
j
i,)
(:. t) =

I1
j
iI
(:. : + o) j
I)
(: + o. t) .
de unde
1
o
[j
i)
(: + o. t) j
i)
(:. t)] =

I1
1
o
[j
i)
(:. : + o) o
iI
] j
I)
(: + o. t) .
si trecand la limita obtinem ecuatiile lui Kolmogorov inverse.
Observatia 7.8. Ecuatiile lui Kolmogorov se mai pot scrie sub forma
Jj
i)
(:. t)
J:
=

I1

iI
(:) j
I)
(:. t) . \i. , 1. : < t. (1.7.10)
Jj
i)
(:. t)
Jt
=

I1
j
iI
(:. t)
I)
(t) . \i. , 1. : < t. (1.7.11)
62 Cap. 1. Procese Markov
Vom introduce in continuare conceptul de proces Markov omogen
Fie pentru orice t 0 o matrice stochastica 1 (t) = (j
i)
(t))
i,)1
.
Denitia 7.8. Vom spune ca familia 1(t)
t0
formeaza un semigrup a tre-
cere omogen daca este indeplinita urmatoarea relatie Chapman-Kolmogorov:
1 (: + t) = 1 (:) 1 (t) . \:. t 0. (1.7.12)
sau echivalent, daca
j
i)
(: + t) =

I1
j
iI
(:) j
I)
(t) . \:. t 0. i. , 1 (1.7.13)
(Chapman-Kolmogorov)
Denitia 7.9. Vom spune ca procesul Markov (A
t
) t _ 0 este proces Markov
omogen corespunzator semigrupului de trecere omogen 1 (t) daca
1 (A
t
= , [ A
c
= i) = j
i)
(t :) , \ : < t. i. , 1. (1.7.14)
de indata ce 1 (A
c
= i) 0. sau echivalent, daca si numai daca, \t
0
< t
1
<
. . . < t
a
si i
0
. i
1
. ...i
a
1 au loc egalitatile
1
_
A
tn
= i
a
[ A
t
n1
= i
a1
. . . . . A
t
0
= i
0
_
=
1
_
A
tn
= i
a
[ A
t
n1
= i
a1
_
= j
i
n1
,in
(t
a
t
a1
) . (1.7.15)
de indata ce 1 (A
t0
= i
0
. . . . . A
ta1
= i
a1
) 0
Propozitia 7.10. Pentru orice t 0, e 1 (t) = (j
i)
(t))
i,)1
o matrice. Sa
presupunem ca procesul stochastic (A
t
)
t0
satisface urmatoarele doua condi-
tii:
(a) Pentru orice i 1 exista t 0 astfel incit 1 (A
t
= i) 0.
(b) Pentru orice t
0
< t
1
< . . . < t
a
. i
0
. i
1
. ...i
a
1 are loc egalitatea:
1 (A
t
0
= i
0
. . . . . A
tn
= i
a
) = (1.7.16)
1 (A
t
0
= i
0
) j
i
0
,i
1
(t
1
t
0
) ...j
i
n1
,in
(t
a
t
a1
) .
1.7. Procese Markov cu timp continuu 63
Atunci 1 (t) este semigrup de trecere omogen si (A
t
) este proces Markov
omogen, avind pe 1 (t) ca semigrup de trecere.
Demonstratie. Din (b) rezulta ca
1
_
A
t
n+1
= , [ A
tn
= i. A
t
n1
= i
a1
. . . . . A
t
0
= i
0
_
=
1
_
A
t
n+1
= ,. A
tn
= i. A
t
n1
= i
a1
. . . . . A
t
0
= i
0
_
1
_
A
tn
= i. A
t
n1
= i
a1
. . . . . A
t
0
= i
0
_ =
1 (A
t
0
= i
0
) j
i
0
i
1
(t
1
t
0
) . . . j
in,i
n1
(t
a
t
a1
) j
i)
(t
a+1
t
a
)
1 (A
t
0
= i
0
) j
i
0
i
1
(t
1
t
0
) . . . j
in,i
n1
(t
a
t
a1
)
= j
i)
(t
a+1
t
a
) .
Mai departe
1
_
A
t
n+1
= , [ A
tn
= i
_
=

i
0
,...,i
n1
1
1
_
A
t
n+1
= , [ A
tn
= i. A
t
n1
= i
a1
. . . . . A
t
0
= i
0
_

1
_
A
t
n1
= i
a1
. . . . . A
t
0
= i
0
_
=

i
0
,...,i
n1
1
j
i)
(t
a+1
t
a
) 1
_
A
t
0
= i
0
. . . . . A
t
n1
= i
a1
_
=
j
i)
(t
a+1
t
a
) 1
_
_
_
i
0
,...,i
n1
1
_
A
t
0
= i
0
. . . . . A
t
n
1
= i
a1
_
_
_
=
j
i)
(t
a+1
t
a
) 1 () = j
i)
(t
a+1
t
a
) .
Calculele de mai sus artata ca (A
t
) este proces Markov. Ramine de aratat ca
1 (t) este semigrup de trecere. Fiind dat i, alegem t astfel incat 1 (A
t
= i)
0.
Atunci avem
j
i)
(:) = 1 (A
t+c
= , [ A
t
= i) .
,de unde rezulta ca j
i)
(:) _ 0 si

)1
j
i)
(:) = 1.
Mai departe
j
i)
(: + ) = 1 (A
t+c+
= , [ A
t
= i) =
64 Cap. 1. Procese Markov

I1
1 (A
t+c+
= ,. A
t+c
= / [ A
t
= i) =

I1
P(X
t+s
=k)>0
1 (A
t+c
= / [ A
t
= i) 1 (A
t+c+
= , [ A
t+c
= /. A
t
= i) =

I1
P(X
t+s
=k)>0
j
iI
(:) 1 (A
t+c+
= , [ A
t+c
= /) =

I1
j
iI
(:) j
I)
()
deoarece, daca 1 (A
t+c
= /) = 0 , atunci
j
iI
(:) = 1 (A
t+c
= / [ A
t
= i) = 0.
Denitia 7.11. Un semigrup de trecere omogen 1 (t) vom spune ca este
standard, daca lim
t0
1 (t) = 1.
Urmatoarele doua rezultate din lipsa de spatiu le formulam fara demonstratie
(o demonstratie se poate gasi de exemplu in [3]).
Teorema 7.12. (a) Pentru orice i. ,, intotdeauna exista limita:

i)
= lim
I0
j
i)
(/) o
i)
/
Daca i ,= , atunci
i)
< . iar
ii
sunt nite sau
ii
= .
Intotdeauna are loc inegalitatea

),=i

i)
_
ii
.
Cand
ii
,= , matricea Q = (
i)
)
i,)1
se numeste Q matricea sau gen-
eratorul innitezimal al semigrupului 1 (t) .
(b) Daca Q-matricea semigrupului 1 (t) este conservativa, adica daca

),=i

i)
=
ii
. \i 1.
atunci 1 (t) verica ecuatiile lui Kolmogorov inverse
j
0
i,)
(t) =

v1

iv)
j
v,)
(t) . \i. , 1. (1.7.17)
1.8. PROCESUL POISSON 65
sau echivalent
1
0
(t) = Q1 (t) .
cu conditia initiala
j
i,)
(0) := lim
t0
j
i)
(t) = o
i)
.
In plus daca

v1
j
iv
(t)
vv
, atunci 1 (t) verica si ecuatiile lui Kol-
mogorov directe
j
0
i,)
(t) =

v1
j
iv
(t)
v)
. \i. , 1. (1.7.18)
sau echivalent
1
0
(t) = 1 (t) Q.
cu conditia initiala
j
i,)
(0) := lim
t0
j
i)
(t) = o
i)
.
1.8 Procesul Poisson
Este cel mai simplu proces Markov cu timp continuu (dar nu cu traiectorii
continue) si multime cel mult masurabila de stari. Apare cu regularitate in
domenii in care exista fenomene de asteptare.
Denitia 8.1. Un proces Markov neomogen (A
t
)
t0
, cu multimea starilor
0. 1. 2. . . . . . cu A
0
= 0 si continuu la dreapta, este proces Poisson, daca
semigrupul sau de trecere 1 (:. t) = (j
i,)
(:. t))
i,)=0,1,...
are urmatoarele pro-
prietati:
j
))
(t. t + o) = 1 `(t) o + c
1
(o) . (1.8.1)
j
)I
(t. t + o) =
_
`(t) o + c
2
(o) daca / = , + 1
c
3
(o) daca / ,= ,. , + 1.
(1.8.2)
unde `(t) este o functie continua si lim
c0
c
i
(c)
c
= 0,pentru i = 1. 2. 3.
66 Cap. 1. Procese Markov
Lema 8.2. Au loc relatiile:

ii
(t) = `(t) .
i,i+1
(t) = `(t) .
i)
(t) = 0 daca , ,= i. i + 1. (1.8.3)
Demonstratie. Stim ca

i)
(t) = lim
c0
j
i)
(t. t + o) o
i)
o
.
deci pentru un proces Poisson,

))
(t) = lim
c0
j
))
(t. t + o) o
))
o
= lim
c0
1 `(t)o + c
1
(o) o
))
o
=
lim
c0
`(t) o + c
1
(o)
o
= `(t) .

i,i+1
(t) = lim
c0
j
i,i+1
(t. t + o) o
i,i+1
o
= lim
c0
`(t) o + c
2
(o)
o
= `(t) .
iar pentru , ,= i. i + 1

i)
(t) = lim
c0
c
3
(o)
o
= 0.
Observatia 8.3. Ecuatiile lui Kolmogorov directe se scriu sub forma
Jj
)0
(:. t)
Jt
= `(t) j
)0
(:. t) (1.8.4)
Jj
)I
(:. t)
Jt
= `(t) j
)I
(:. t) + `(t) j
),I1
(:. t) daca / _ 1. (1.8.5)
iar ecuatiile lui Kolmogorov inverse se scriu
Jj
)I
(:. t)
J:
= `(:) j
)I
(:. t) `(:) j
)+1,I
(:. t) daca , 1. (1.8.6)
Teorema 8.4. Unica solutie a ecuatiilor lui Kolmogorov directe
(resp. inverse) ce satisfac conditia initiala
lim
c0
j
)I
(t. t + o) = o
)I
(:c:j. lim
c,0
j
)I
(:. t) = o
)I
).
1.8. Procesul Poisson 67
este data de formula
j
)I
(:. t) =
_
[(c,t)]
kj
(I))!
exp ((:. t)) , daca / _ ,
0, daca / < ,.
(1.8.7)
unde
(:. t) =
t
_
c
`(n) dn. t : _ 0 (1.8.8)
(Pentru demonstratie vezi Teorema 48 din [3]).
Procesul Poisson (A
t
) este omogen, daca `(t) = ` 0. In acest caz ` se
numeste parametrul procesului.
Observatia 8.5. (a) Traducind rezultatele de mai sus obtinem ca (A
t
)
este proces Poisson omogen de parametru ` , daca A
0
= 0, (A
t
) este pro-
ces Markov omogen continuu la dreapta, cu spatiul starilor 0. 1. . . . si cu
semigrupul de trecere 1 (t) = (j
i)
(t))
i,)0...
, de forma
j
)I
(t) =
_
(At)
kj
(I))
c
At
, daca / _ ,
0, daca / < ,.
(1.8.9)
(b) Daca (A
t
) este proces Poisson omogen de parametru ` atunci traiectoriile
sale au urmatoarele proprietati:
(b
1
) sint nedescrescatoare.
(b
2
) lim
to
A
t
= .
(b
3
) Salturile in orice punct t sint 0 sau1.
Denitia 8.6. Fie (A
t
. t _ 0) un proces stochastic cu va lori reale. Spunem
ca (A
t
) este proces cu cresteri independente, daca \t
1
< t
2
< . . . < t
a
variabilele aleatoare A
t
1
. A
t
2
A
t
1
. . . . . A
tn
A
t
n1
sunt independente, sau
echivalent, daca variabila aleatoare A
t
A
c
este independenta de corpul
borelian E(A
&
: n _ :)
Teorema 8.7. Fie (A
t
)
t0
un proces continuu la dreapta, cu A
0
= 0, si cu
spatiul starilor 0. 1. . . . .
68 Cap. 1. Procese Markov
Atunci (A
t
) este proces Poisson omogen cu parametrul ` , daca si numai
daca (A
t
) este proces cu cresteri independente si pentru orice : < t, variabila
aleatoare A
t
A
c
are repartitia Poisson :
A(tc)
.
Demonstratie. Presupunem ca (A
t
) este proces Poisson omogen cu para-
metrul `, deci este proces Markov omogen cu functia de tranzitie data de
(1.8.9). Sa aratam ca pentru : < t. variabila aleatoare A
t
A
c
are repartitia
Poisson de parametru `(t :). Intr-adevar daca / _ 0 avem
1(A
t
A
c
= /) =
o

v=0
1(A
t
A
c
= /. A
c
= :) =
o

v=0
1(A
t
A
c
= /. A
c
= :) =
o

v=0
1(A
c
= :)1(A
t
= / + : [ A
c
= :) =
o

v=0
1(A
c
= :)j
v,v+I
(t :) =
o

v=0
1(A
c
= :)
`
I
(t :)
I
/!
c
A(tc)
=
`
I
(t :)
I
/!
c
A(tc)
.
fapt ce arata ca A
t
A
c
are repartitia Poisson de parametru `(t :).
Fie in continuare t
1
< . . . < t
a
si i
1
. . . . . i
a
_ 0. Atunci avem
1
_
A
t
1
= i
1
. A
t
2
A
t
1
= i
2
. . . . . A
tn
A
t
n1
= i
a
_
=
1 (A
t
1
= i
1
. A
t
2
= i
1
+ i
2
. . . . . A
tn
= i
1
+ . . . + i
a
) =
1 (A
t
1
= i
1
) j
i
1
,i
1
+i
2
(t
2
t
1
) . . . . . j
i
1
+..+i
n1
,i
1
+..+in
(t
a
t
a1
) =
:
At
1
(i
1
) :
A(t
2
t
1
)
(i
2
) . . . :
A(tnt
n1
)
(i
a
) =
1 (A
t
1
= i
1
) 1 (A
t
2
A
t
1
= i
2
) . . . 1
_
A
tn
A
t
n1
= i
a
_
deci variabilele aleatoare A
t
1
. A
t
2
A
t
1
. . . . . A
tn
A
t
n1
sunt independente.
Reciproc, sa presupunem ca (A
t
) este cu cresteri independente si ca A
t
A
c
are repartitia :
A(tc)
daca : < t si sa aratam ca (A
t
) este proces Poisson
omogen cu parametrul `.
Fie deci t
1
< . . . < t
a
si 0 _ i
0
_ i
1
_ . . . _ i
a
. Putem scrie
1 (A
t
1
= i
1
. A
t
2
= i
2
. . . . . A
tn
= i
a
) =
1.8. Procesul Poisson 69
1
_
A
t
1
= i
1
. A
t
2
A
t
1
= i
2
i
1
. . . . . A
tn
A
t
n1
= i
a
i
a1
_
=
1(A
t
1
= i
1
)1(A
t
2
A
t
1
= i
2
i
1
). . . . . 1(A
tn
A
t
n1
= i
a
i
a1
) =
:
At
1
(i
1
:
A(t
2
t
1
)
(i
2
i
1
...:
A(tnt
n1
)
(i
a
i
a1
.
ceea ce semnica faptul ca (A
t
) este proces Markov omogen cu probabilitatile
de trecere :
At
(, i .
Probleme
8.8. (6) Un medic intr-o policlinica, cu programul de lucru 8-12, consulta
in medie cinci pacienti pe ora. Fie (A
t
)
t0
procesul Poisson de parametru
` = 5, unde A
t
reprezinta numarul de pacienti examinati pana la momentul
t. Folosim ora ca unitate de timp.
Dindu-se probabilitatile 1 (A
4
= :) = c
20 20
n
a
ca pina la ora 12 sa se ter-
mine examinarea a exact : pacienti, (: = 0. 1. 2. . . . . 19) si presupunind ca
in sala de asteptare sunt pacienti in permanenta, pentru a nu se crea goluri
in activitatea medicului, sa se determine:
(a) Probabilitatea ca pina la ora 12 sa e consultati cel putin 20 pacienti.
(b) Probabilitatea ca consultatia bolnavului cu bonul 11 sa nu inceapa inainte
de ora 10.
Solutie. (a) Probabilitatea ca pana la ora 12 sa e examinati cel putin 20
pacienti este
1 (A
4
_ :) = 1 1 (A
4
_ 19) = 1
19

a=0
1 (A
4
= :) = 0. 52.
deci cu o probabilitate putin mai mare ca
1
2
(50%) pana la ora 12 vor
examinati cel putin 20 bolnavi.
(b) Probabilitatea ca examinarea celui de al 11-lea pacient sa nu inceput
pina la ora 10 este
1 (A
2
_ 10) =
10

a=0
1 (A
2
= :) =
10
a
:
= 0. 5830.
8.9. Fie (A
t
) un proces Poisson omogen cu parametrul `. Atunci pentru
: < t si / < :, sa se arate ca are loc egalitatea:
70 Cap. 1. Procese Markov
1 (A
c
= / [ A
t
= :) = C
I
a
_
:
t
__
1
:
t
_
aI
.
8.10. Sa secalculeze probabilitatea ca in intervalul [0. :] sa se produca /
evenimente, daca in interrvalul [0. o] , o : , s-au produs : evenimente
(: / 0) . deci sa se calculeze
1 (A (:) = / [ A (o) = :) .
8.11. Se se demonstreze armatiile din Observatia 7.16.
Capitolul 2
Martingale si modele discrete
pe piata nanciara
2.1 Martingale cu timp discret
2.1.1 Valori medii conditionate
Conceptul de valoare medie conditionata este foarte util in studiul proceselor
stochastice.
Denitia 1.1. Fie A : (. T. 1) 1 o variabila aleatoare de medie nita
si e / un corp borelian inclus in T. Atunci denim valoarea medie condi-
tionata a lui A in raport cu / si o notam ` [A [ /] ca ind unica (unica
in sensul egalitatii a.s.) variabila aleatoare ` [A [ /] : (. T. 1) 1 cu
urmatoarele doua proprietati:
(1) ` [A [ /] este /-masurabila si integrabila.
(2) Pentru orice /.
_

` [A [ 1] d1 =
_

Ad1. (2.1.1)
Observatia 1.2. (a) Egalitatea (2.1.1) este echivalenta cu urmatoarea egal-
itate: Pentru variabila aleatoare 1 : (. T. 1) 1. care este /masurabila
si marginita,
_
1 ` [A [ /] d1 =
_
1 Ad1. (2.1.2)
71
72 Cap. 2. Martingale si modele discrete pe piata nanciara
(b) Se demonstreaza ca exista ` [A [ /] . In plus daca / = E(
a

a
) . unde
=
a

a
este o partitie cel mult numarabila a lui cu
a
T si 1(
a
)
0 pentru orice n, atunci
` [A [ /] =

a
` [A [ /
a
] 1
n
. (2.1.3)
reamintim ca daca 1() 0.
` [A [ ] =
1
1 ()
_

Ad1. (2.1.4)
(c) Daca in (2.1.1) sa ia = se obtine urmatoarea proprietate a mediilor
conditionate:
` (` [A [ /]) = ` (A) . (2.1.5)
Proprietatile mai importante ale mediilor conditionate sunt formulate in
propozitia urmatoare.
In continuare egalitatile, inegalitatile, limite cu medii conditionate sunt in-
telese in sensul valabilitatii a.s.. De asemenea daca / = E(,
i
: i 1) vom
nota ` [A [ /] = ` [A [ ,
i
. i 1] .
Propozitia 1.3.
(a) ` [A [ /] = ` (A) daca / = O. .
(b) ` [A [ /] = A daca A este 1-masurabila.
In particular
` [c [ /] = c. \c 1.
(c) Daca A. 1 sunt variabile aleatoare de medie nita, atunci
` [cA + ,1 [ /] = c` [A [ /] + ,` [1 [ /] . \c. , 1.
(d) Daca A _ 1 atunci ` [A [ /] _ ` [1 [ /] . In particular
[` [A [ /][ _ ` [[A[ [ /] .
(e) Daca 1 este /-masurabila si marginita atunci
` [A1 [ /] = 1 ` [A [ /] .
(f ) Daca /
1
/
2
/ atunci
2.1. Martingale cu timp discret 73
` [` [A [ /
2
] [ /
1
] = ` [A [ /
1
] .
(g) Daca A este independenta de corpul borelian /, atunci
` [A [ /] = ` (A) .
Demonstratie. Pentru armatiile (a)-(c) se verica cu usurinta ca ce se
aa in partea dreapta a egalitatilor de demonstrat, satisfac proprietatile (1)
si (2) din Denitia 1.1.
(d) Intrucit ` [A [ /] . ` [1 [ /] sunt /masurabile si integrabile, totul se
reduce la a proba inegalitatea
_

` [A [ /] d1 _
_

` [1 [ /] d1. \ /.
Insa conform Denitiei 1.1, aceasta inegalitate este echivalenta cu
_

Ad1 _
_

1 d1. \ /.
armatie ca este adevarata intrucit A _ 1. Apoi din A. A _ [A[ rezulta
` [A [ /] = ` [A [ /] _ ` [[A[ [ /] .
adica [` [A [ /][ _ `[A[ [ /.
(e) Desigur 1 ` [A [ /] este /masurabila si integrabila si daca /
avemprin aplicarea egalitatii (2.1.2)
_

1 ` [A [ /] d1 =
_
1

1 ` [A [ /] d1 =
_
1

1 Ad1 =
_

1 Ad1.
(f) Variabila aleatoare ` [` [A [ /
2
] [ /
1
] este /
1
masurabila si integrabila
si daca /
1
/
2
avem
_

` [` [A [ /
2
] [ /
1
] d1 =
_

` [A [ /
2
] d1 =
_

Ad1.
(g) Evident `(A) este /masurabila si daca / obtinem prin aplicarea
teoremei de multiplicare (intrucit 1

si A sunt independente)
_

`(A)d1 = 1()`(A) = `(1

A) =
_

Ad1.
74 Cap. 2. Martingale si modele discrete pe piata nanciara
2.1.2 Martingale cu timp discret. Proprietati generale
Fie (. T. 1) un cimp de probabilitate si e (T
a
)
a0
o baza stochastica
(vezi Capitolul 2) si (A
a
)
a0
un sir de variabile aleatoare reale denite pe
(. T. 1) .
Denitia 1.4. Vom spune ca sirul (A
a
)
a
este T
a
-martingal daca:
(a) A
a
este T
a
-masurabila pentru orice : ( cu alte cuvinte daca sirul A
a
este
T
a
-adaptat).
(b) ` ([A
a
[) < pentru orice n.
(c) ` [A
a+1
[ T
a
] = A
a
pentru orice n sau echivalent daca
` [A
a
[ T
n
] = A
n
. \: :.
Observatia 1.5. (1) Avand in vedere proprietatile mediei conditionate,
proprietatea (c) se scrie
_

A
a+1
d1 =
_

A
a
d1. \: _ 0. T
a
. (2.1.6)
sau echivalent
_

A
a
d1 =
_

A
n
d1. \: :. T
n
. (2.1.7)
(2) Din denitie rezulta ca sirul ` (A
a
)
a0
este constant (se face pe =
in (2.1.6)).
Denitia 1.6. (i) Vom spune ca sirul (A
a
)
a
este T
a
-submartingal daca au
loc (a) si (b) din Denitia 1.4 si in plus
(c) Pentru orice : _ 0.
` [A
a+1
[ T
a
] _ A
a
,
sau echivalent
` [A
a
[ T
n
] _ A
n
, \: :.
(ii) Vom spune ca sirul (A
a
)
a
este T
a
-supermartingal daca (A
a
)
a
este T
a
-
submartingal.
2.1. Martingale cu timp discret 75
Observatia 1.7. (1) Proprietatea (c) se scrie
_

A
a+1
d1 _
_

A
a
d1. \ T
a
.
sau echivalent
_

A
a
d1 _
_

A
n
d1. \: :. \ T
a
.
(2) In cazul unui submartingal (resp. supermartingal), sirul ` (A
a
)
a
este
crescator (resp. descrescator).
(3) Daca (
a
)
a
este o alta baza stochastica astfel incat 1
a
1
a
pentru
orice : si A
a
este 1
a
-adaptat, atunci A
a
este 1
a
-submartignal (resp. super-
martingal, martingal) daca A
a
este 1
a
-submartingal (resp. supermartingal,
martingal).
In particular putem lua
a
= T
A
a
= E(A
0
. .... A
a
).
Propozitia 1.8. Fie (A
a
)
a
. (1
a
)
a
submartingale in raport cu aceeasi baza
stochastica (1
a
)
a
. Atunci:
(1) (cA
a
+ /1
a
+ c)
a
este submartignal daca c. / _ 0 si c 1.
Daca (A
a
) . (1
a
) sunt martingale atunci (cA
a
+ /1
a
+ c)
a
este martignal
pentru orice c. /. c 1.
(2) max (A
a
1
a
)
a
este T
a
-submartingal. In particular minimul a doua su-
permartingale este supermartingal.
(3) Daca (A
a
)
a
este martingal atunci ([A
a
[)
a
este submartingal. Daca in
plus 1
_
[A
a
[
2
_
< pentru orice : atunci (A
2
a
)
a
submartingal.
Demonstratie. (1) Folosind proprietatile mediilor conditionate din para-
graful precedent, avem pentru c. / _ 0. c 1.
` [cA
a+1
+ /1
a+1
+ c [ T
a
] =
= c` [A
a+1
[ T
a
] + /` [1
a+1
[ T
a
] + c _ cA
a
+ /1
a
+ c.
iar daca A
a
. 1
a
sunt martignale si c. /. c 1. atunci in calculul precedent
putem inlocui inegalitatea cu egalitate.
76 Cap. 2. Martingale si modele discrete pe piata nanciara
(2) Este clar ca max (A
a
1
a
) este T
a
-masurabila si integrabila. Apoi daca
T
a
atunci A
a
_ 1
a
. A
a
1
a
T
a
si
_

max (A
a
. 1
a
) d1 =
_
AnYn
1
a
d1 +
_
AnYn
A
a
d1 _
_
AnYn
1
a+1
d1 +
_
AnYn
A
a+1
d1 _
_
AnYn
max (A
a+1
. 1
a+1
) d1
+
_
AnYn
max (A
a+1
. 1
a+1
) d1 =
_
max (A
a+1
. 1
a+1
) d1.
(3) Sa presupunem intii ca (A
a
)
a
este martingal. Atunci pentru T
a
avem _

[A
a
[ d1 =
_
An0
A
a
d1
_
An0
A
a
d1 =
_
An0
A
a+1
d1
_
An0
A
a+1
d1 _
_
An0
[A
a+1
[ d1 +
_
An0
[A
a+1
[ d1 =
_

[A
a+1
[ d1.
In continuare sa presupunem suplimentar ca 1
_
[A
a
[
2
_
< pentru orice
:. Atunci pentru n x si T
a
, prin aplicarea Teoremei de convergenta
dominata si a faptului ca (A
a
) este martingal, vom obtine
_

A
a
A
a+1
d1 = lim
Io
_

(/ . A
a
) A
a+1
d1 =
lim
Io
_

(/ . A
a
) 1 [A
a+1
[ T
a
] d1 = lim
Io
_

(/ . A
a
) A
a
d1 =
_

A
2
a
d1.
de unde
0 _
_

(A
a
A
a+1
)
2
d1 =
_

A
2
a
d1 2
_

A
a
A
a+1
d1 +
_

A
2
a+1
d1 =
2.1. Martingale cu timp discret 77
_

A
2
a
d1 2
_

A
2
a
1 +
_

A
2
a+1
d1 =
_

A
2
a+1
d1
_

A
2
a
d1.
si prin urmare
_

A
2
a
d1 _
_

A
2
a+1
d1.
Exemple de martingale
1.9. Conceptia de martingal isi are originea in jocurile de noroc, de aceea
vom incepe cu un exemplu din acest domeniu.
Consideram ca un jucator este angrenat intr-un sir de partide si ca ecare
partida o castiga cu probabilitatea j si o pierde cu probabilitatea = 1 j
(deci nu exista remiza).
Fie (,
a
)
a1
un sir de variabile aleatoare independente, astfel incit
1 (,
a
= 1) = j. 1 (,
a
= 1) = . \:
Interpretam evenimentul ,
a
= 1 (resp. ,
a
= 1) ca ind evenimentul ca ju-
catorul castiga (resp. pierde) a :-a partida.
O strategie de joc este o regula care ne spune cit sa pariem la ecare partida,
cu alte cuvinte un sir j
a
: 1. 1
a1
1
+
. j
1
constanta, astfel incat
j
a
(,
1
. . . . . ,
a1
) reprezinta suma pariata la a :-a partida ( se presupune deci
ca pariul la a :-a partida depinde numai de rezultatele primelor :1 partide).
Daca ,
0
este o constanta ce reprezinta capitalul initial al jucatorului, atunci
dupa : partide capitalul este dat de
A
a
= ,
0
+
a

i=1
j
i
(,
1
. . . . . ,
i1
) ,
i
= A
a1
+ j
a
(,
1
. . . . . ,
a1
) ,
a
.
Fie T
0
= . O si pentru : _ 1 e T
a
= 1(,
1
. . . . . ,
a
) (T
a
reprezinta
informatia de care dispune jucatorul dupa primele : partide).
Atunci sirul (A
a
)
a
este T
a
-submartingal (T
a
-supermartingal, T
a
-mar-
tingal) dupa cum j
1
2
_
j <
1
2
. j =
1
2
_
.
Deoarece A
a
este T
a
-masurabila, iar ,
a+1
este independenta de T
a
(din aso-
ciativitatea independentei), rezulta prin folosirea proprietatilor mediilor con-
ditionate,
` [A
a+1
[ T
a
] = A
a
+ ` [,
a+1
j
a+1
(,
1
. . . . . ,
a
) [ T
a
] =
78 Cap. 2. Martingale si modele discrete pe piata nanciara
= A
a
+ j
a+1
(,
1
. . . . . ,
a
) ` [,
a+1
[ T
a
] =
= A
a
+ j
a+1
(,
1
. . . . . ,
a
) ` (,
a+1
) .
si cum ` (,
a+1
) = 2j 1 armatia rezulta de indata.
1.10. Fie (,
a
)
a0
un sir de variabile aleatoare independente si cu medie
nita si e
o
a
= ,
0
+ . . . + ,
a
. T
a
= 1(,
0
. . . . . ,
a
) = E(o
0
. . . . . o
a
) .
Atunci:
(a) Sirul
A
a
= o
a
`(o
a
)
este T
a
martingal .
(b) Daca in plus 1 (,
2
a
) < pentru orice n, sirul
1
a
= A
2
a
`(A
2
a
)
este T
a
martingal .
(c) Daca 1 (,
a
) = 1 pentru orice n, sirul
2
a
=
a

)=0
,
a
este T
a
martingal .
Sa probam armatiile precedente.
(a) Este clar ca A
a
este T
a
masurabila si integrabila.
Apoi, din asociativitatea independentei avem ca ,
a+1
si T
a
sunt indepen-
dente, de unde aplicand proprietatile mediei conditionate, vom deduce
` [o
a+1
[ T
a
] = ` [o
a
+ ,
a+1
[ T
a
] =
o
a
+ ` [,
a+1
[ T
a
] = o
a
+ ` [,
a+1
[ 1
a
] = o
a
+ ` (,
a+1
) .
ceea ce implica
` [A
a+1
[ T
a
] = ` [o
a+1
[ T
a
] `(o
a+1
) =
2.1. Martingale cu timp discret 79
o
a
+ ` (,
a+1
) `(o
a+1
) = o
a
`(o
a
) = A
a
.
(b) Din nou este vizibil ca 1
a
este T
a
masurabila si integrabila. Apoi din
A
a+1
= A
a
+ ,
a+1
`(,
a+1
).
si din faptul ca ,
a+1
si T
a
sunt independente, se obtine ca
`(A
2
a+1
) = `(A
2
a
) + 1
2
(,
a+1
).
` [1
a+1
[ T
a
] = 1
a
+ 2A
a
` [,
a+1
`(,
a+1
) [ T
a
] +
`
_
(,
a+1
`(,
a+1
))
2
[ T
a

1
2
(,
a+1
) =
1
a
+ 2A
a
` (,
a+1
`(,
a+1
)) +
`
_
(,
a+1
`(,
a+1
))
2

1
2
(,
a+1
) = 1
a
.
(c) Din teorema de multiplicare avem ca 2
a
sunt integrabile si este clar ca
sunt T
a
masurabile.
Utilizind independenta intre ,
a+1
si T
a
, teorema de convergenta dominata,
teorema de multiplicare si proprietatile mediilor conditionate, obtinem pen-
tru T
a
.
_

2
a+1
d1 = lim
Io
_

2
a
(,
a+1
. /) d1 =
__

2
a
d1
_
lim
Io
_
(,
a+1
. /) d1 =
_

2
a
d1
_
,
a+1
d1 =
_

2
a
d1.
Denitia 1.11. Vom spune ca sirul (A
a
)
a0
este T
a
-previzibil daca pentru
orice n, A
a
este T
a1
-masurabila (prin denitie T
1
= T
0
).
Urmatoarea teorema reduce in multe situatii studiul submartingalelor la cel
al martingalelor.
Teorema 1.12 (Descompunerea Doob-Meyer). Fie sirul (A
a
)
a0
ce
este T
a
-adaptat si asa incit ecare A
a
este integrabila. Atunci urmatoarele
doua armatii sunt echivalente:
(a) (A
a
)
a0
este T
a
-submartingal.
(b) Exista doua siruri de variabile (1
a
)
a0
. (
a
)
a0
astfel incat
80 Cap. 2. Martingale si modele discrete pe piata nanciara
A
a
= 1
a
+
a
c.:.. \: _ 0. (2.1.8)
unde (1
a
) este T
a
-martingal, (
a
)
a0
este previzibil si crescator, adica
0 =
0
_
1
_ . . . _
a
_ . . . c.:..
In plus scrierea lui (A
a
) ca mai sus este unica.
Demonstratie. (a) =(b) Presupun (A
a
) submartingal.
Denim
1
0
= A
0
.
0
= 0.
si pentru : _ 1.
1
a
= A
0
+
a1

)=0
(A
)+1
` [A
)+1
[ T
)
]) .

a
=
a1

)=0
(` [A
)+1
[ T
)
] A
)
)
Este imediat faptul ca (2.1.8) este vericata si ca 1
a
este T
a
-masurabila,
a
este previzibil, iar 1
a
.
a
sunt integrabile. Apoi
` [1
a+1
[ T
a
] = ` [1
a
+ A
a+1
` [A
a+1
[ T
a
] [ T
a
] =
1
a
+ ` [A
a+1
` [A
a+1
[ T
a
] [ T
a
] =
1
a
+ ` [A
a+1
[ T
a
] ` [A
a+1
[ T
a
] = 1
a
.
asa ca 1
a
este martingal. Mai departe prin constructie
a
este T
a1
-masurabila
si cum avem

a+1
=
a
+ ` [A
a+1
[ T
a
] A
a
. A
a
_ ` [A
a+1
[ T
a
] .
rezulta ca
a
_
a+1
, cu alte cuvinte
a
este previzibil si crescator.
(b)=(c) Putem scrie
` [A
a+1
[ T
a
] = ` [1
a+1
+
a+1
[ T
a
] =
` [1
a+1
[ T
a
] + ` [
a+1
[ T
a
] =
2.1. Martingale cu timp discret 81
1
a
+ c
a+1
_ 1
a
+
a
= A
a
.
deci A
a
este submartingal.
Sa probam acum unicitatea descompunerii. Fie
A
a
= 1
a
+
a
= 1
t
a
+
t
a
doua descompuneri cu proprietatile enuntate in teorema.
Avem
1
a
1
t
a
=
t
a

a
.
`
_
1
a+1
1
t
a+1
[ T
a

= 1
a
1
t
a
.
(deoarece 1
a
1
t
a
este martingal),
`
_
1
a+1
1
t
a+1
[ T
a

= `
_

t
a+1

a+1
[ T
a

=
t
a+1

a+1
.
(deoarece
t
a+1

a+1
este T
a
-masurabila).
Prin urmare

t
a

a
=
t
a+1

a+1
.
si cum
0
=
t
0
rezulta
1
=
t
1
si inductiv
a
=
t
a
.
Teorema este astfel demonstrata.
2.1.3 Teorema de stopare si inegalitatile lui Doob
In continuare vom arata ca in anumite situatii vom putea extinde egalitatea
de martingal (resp. inegalitatile de submartingal, supermartingal) de la timpi
deterministi la timpi aleatori. Aceasta problema constituie obiectul unei im-
portante teoreme a teoriei martingalelor, cunoscuta sub numele de Teorema
de stopare ce se datoreste lui Doob. Conceptul de voptionala sau timp de
stopare introdus in capitolul anterior este important.
Intii sa vedem ca prin stopare la o optionala, nu se schimba proprietatea de
martingal (resp. submartingal, supermartingal).
Propozitia 1.13 (stoparea martingalelor). Daca (A
a
)
a0
este T
a
-submartingal
(resp. T
a
-supermartingal, T
a
-martingal ) si o este T
a
-optionala atunci pro-
cesul stopat (A
S/a
)
a0
continua sa e T
a
-submartingal (resp. T
a
-supermartingal,
T
a
-martingal ).
82 Cap. 2. Martingale si modele discrete pe piata nanciara
Demonstratie. Este sucient de probat armatia numai pentru submartin-
gale. In primul rind din Propozitia 2.3.4-(d) rezulta ca A
S/a
este T
S/a
-
masurabila si cum T
S/a
T
a
rezulta ca A
S/a
este T
a
-masurabila. De
asemenea intrucit
[A
S/a
[ _
a

)=0
[A
a
[ .
obtinem si ca A
S/a
este integrabila. Mai departe este clar ca
A
S/a
=
a1

)=0
A
)
+ A
a
1
Sa
. (2.1.9)
fapt ce implica in particular relatia
A
S/(a+1)
A
S/a
= (A
a+1
A
a
) 1
Sa
.
si deci
`
_
A
S/(a+1)
A
S/a
[ T
a

= `
_
(A
a+1
A
a
) 1
Sa
[ T
a

=
1
Sa
` [A
a+1
A
a
[ T
a
] _ 0.
Teorema 1.14 (Teorema de stopare a lui Doob). Fie (A
a
)
a0
un T
a
-
submartingal (resp. T
a
-supermartingal, T
a
-martingal ).
(a) (cazul marginit). Daca o
1
_ o
2
sunt T
a
-optionale marginite, atunci
(a
1
) A
S
i
sunt integrabile.
(a
2
) Au loc relatiile
A
S
1
_ 1 [A
S
2
[ T
S
1
] . (2.1.10)
resp.
A
S
1
_ 1 [A
S
2
[ T
S
1
] . A
S
1
= 1 [A
S
2
[ T
S
1
] . (2.1.11)
In particular
` (A
S
1
) _ ` (A
S
2
) . (2.1.12)
resp.
` (A
S
1
) _ ` (A
S
2
) . ` (A
S
1
) = ` (A
S
2
) . (2.1.13)
(b) Daca o
1
_ o
2
sunt T
a
-optionale nite a.s., asa incit A
S
i
sunt integrabile
si
lim
ao
_
S
i
a
[A
a
[ d1 = 0. i = 1. 2. (2.1.14)
2.1. Martingale cu timp discret 83
atunci armatia (a
2
) dc :ci :n: co:ti:nc :c ,ic cdcc:ctc.
Demonstratie. (a) Este vizibil ca este sucient de tratat cazul submartin-
galului. Fie o
1
_ o
2
_ : 1. Cum avem [A
S
i
[ _

n
i=1
[A
i
[ , obtinem
ca A
S
i
sunt integrabile. Din Propozitia 2.3.4-(d) avem si ca A
S
i
sunt T
S
i
-
masurabile. Este vizibil ca (2.1.10) se scrie in mod echivalent ca
` [A
S
2
A
S
1
[ T
S
1
] _ 0. (2.1.15)
Intii vom demonstra inegalitatea (2.1.15) in cazul cind o
2
= : 1 si pentru
aceasta avem de aratat ca
_

A
n
d1 _
_

A
S
1
d1. \ T
S
1
.
Folosind faptul ca o
1
= / T
I
daca / _ :. precum si proprietatea
de submartingal, putem scrie
_

A
S
1
d1 =
n

I=0
_
S
1
=I
A
S
1
d1 =
n

I=0
_
S
1
=I
A
I
d1 _
n

I=0
_
S
1
=I
A
n
d1 =
_

A
n
d1.
Revenim acuma la cazul general (o
2
nu mai este neaparat constanta). Din
Propozitia 1.13 stim ca A
a/S
2
este T
a
-submartingal si deci aplicind (2.1.15)
acestui submartingal se obtine
` [A
n/S
2
A
n/S
1
[ T
S
1
] _ 0.
sau echivalent
` [A
S
2
A
S
1
[ T
S
1
] _ 0.
adica tocmai ce se necesita.
(b) Fie T
S
1
si avem de aratat ca
_

A
S
1
d1 _
_

A
S
2
d1. (2.1.16)
84 Cap. 2. Martingale si modele discrete pe piata nanciara
Din Propozitia 2.3.4-(d) stim ca (o
i
)

sunt optionale si deci pentru orice


: _ 0. :.(o
i
)

sunt de asemenea optionale marginite. Putem aplica (2.1.12)


acestor optionale si obtinem
`
_
A
a/(S
1
)
A
_
_ `
_
A
a/(S
2
)
A
_
.
sau echivalent
_

A
a/S
1
d1 _
_

A
a/S
2
d1.
sau inca
_
S
1
a
A
S
1
d1 +
_
S
1
a
A
a
d1 _
_
S
2
a
A
S
2
d1 +
_
S
2
a
A
a
d1. (2.1.17)
Intrucit
A
S
i
1
S
i
a
A
S
i
.

A
S
i
1
S
i
a

_ [A
S
i
[ .
prin aplicarea teoremei de convergenta dominata deducen ca
_
S
i
a
A
S
i
d1
_

A
S
i
d1. (2.1.18)
De asemenea avind in vedere (2.1.14) deducem
lim
ao

_
S
i
a
A
a
d1

_ lim
ao
_
S
i
a
[A
a
[ d1 = 0.
fapt ce impreuna cu (2.1.18) permite trecerea la limita in (2.1.17) si in con-
secinta obtinerea inegalitatii (2.1.16).
Cu aceasta teorema este demonstrata.
Urmatoarele inegalitati datorate lui Doob sunt foarte utile.
Teorema 1.15 (inegalitatile maximale ale lui Doob). (a) Daca (A
a
)
a0
este
submartingal, atunci pentru orice ` 0.
1
_
max
1Ia
A
I
_ `
_
_
1
`
_
_
max
1kn
A
k
A
_
A
a
d1 _
1
`
`
_
A
+
a
_
. (2.1.19)
2.1. Martingale cu timp discret 85
unde am notat pentru r 1. r
+
= max(r. 0).
(b) Daca (A
a
)
a0
este martingal asa incit pentru un anumit j 1 avem
1 ([A
a
[
j
) < pentru orice : (pe scurt A
a
1
j
()), atunci urmatoarele
armatii sunt adevarate pentru orice ::
(b
1
)
A
+
a
= max
1Ia
[A
I
[ 1
j
() .
(b
2
)
|A
+
a
|
1
p
()
:=
_
`
_
max
1Ia
[A
I
[
_
j
_1
p
_ |A
a
|
1
p
()
. (2.1.20)
unde este conjugatul lui j. cdicc
1
j
+
1
q
= 1.
Demonstratie. (a) Notm
= max
Ia
(A
I
_ `) .
)
=
_
max
1I)1
A
I
< `
_
(A
)
_ `) . 1 _ , _ :.
Atunci

)
T
)
. =
a
_
)=1

)
.
I

= O pentru / ,= /.
Astfel spus (
I
)
1Ia
reprezint o partitie (desfacere) a evenimentului .
Avem
`1 () = `
a

)=1
1 (
)
) .
si
`1 (
)
) = 1
_
`1

j
_
_ 1
_
1

j
A
)
_
. (\) 1 _ , _ :.
de unde insumnd se obtine
`1 () = `
a

)=1
1 (
)
) _
a

)=1
`
_
1

j
A
)
_
_
a

)=1
`
_
1

j
` [A
a
[ 1
)
]
_
=
a

)=1
`
_
`
_
1

j
A
a
[ 1
)

=
a

)=1
`
_
1

j
A
a
_
=
86 Cap. 2. Martingale si modele discrete pe piata nanciara
`
_
A
a
a

)=1
1

j
_
= ` (A
a
1

) _ `
_
A
+
a
1

_
_ `
_
A
+
a
_
.
(b) Deoarece
A
+
a
= max
1Ia
[A
I
[ _
a

)=1
[A
)
[ .
obtinem de indata faptul ca A
+
a
1
j
() .
Fie mai nti o variabila aleatoare 1 ce ia numai valori pozitive si astfel nct
exista : 1 cu proprietatea 1 (1
v
) < . Atunci, daca 1() este functia de
repartitie a variabilei 1. avem
` (1
v
) =
o
_
0

v
d1 () =
o
_
0

v
d1 (1 < ) =

o
_
0

v
d (1 1(1 < )) =
v
(1 1(1 < )) [
o
0
+
o
_
0
:
v1
(1 1(1 < )) d =
o
_
0
:
v1
1 (1 _ ) d. (2.1.21)
Am folosit formula
o
_
0
,d (q + /) =
o
_
0
,dq +
o
_
0
,d/
pentru integrala Stieltjes in cazul cind
, () =
v
. q () = 1. /() = 1 (1 < ) = 1 () .
si s-a mai utilizat formula de integrare prin prti (tot pentru integrala Stielt-
jes).
Particulariznd (2.1.21) pentru 1 = A
+
a
= max
1Ia
[A
a
[ si : = j obtinem
` ([A
+
a
[
j
) = j
o
_
0

j1
1 (A
+
a
_ ) d. (2.1.22)
2.1. Martingale cu timp discret 87
Cum (A
a
)
a
este martingal, atunci stim ([A
a
[)
a
este un submartingal (propozi-
tia 1.8-(3)). Aplicnd (2.1.19) submartingalului ([A
a
[)
a
deducem
1
_
max
1Ia
[A
I
[ _
_
_
1

_
_
max
1kn
[A
k
[j
_
[A
a
[ d1. \ 0.
si deci
` ([A
+
a
[
j
) =
o
_
0
j
j1
1 (A
+
a
_ ) d _
o
_
0
_

_
j
j1

_
_
max
1kn
[A
k
[j
_
[A
a
[ d1
_

_
d =
j
o
_
0
_

j2
_
_
max
1kn
[A
k
[j
_
[A
a
[ d1
_

_
d = j
o
_
0

j2
`
_
[A
a
[ 1
(A

n
j)

d =
j
o
_
0
_
_
_

j2
[A
a
[ 1
(A

n
j)
d1
_
_
d = j
_

[A
a
[ d1
_
_
o
_
0

j2
1
(A

n
j)
d
_
_
=
j
_

_
_
[A
a
[
A

n
_
0

j2
d
_
_
d1 =
_

[A
a
[ (A
+
a
)
j1
d1 _

__

[A
a
[
j
d1
_1
p
__

[A
+
a
[
q(j1)
d1
_1
q
=
|A
a
|
1
p
()
__

[A
+
a
[
q(j1)
d1
_1
q
= |A
a
|
1
p
()
__

[A
+
a
[
j
d1
_1
q
.
Asadar am obtinut ca
` ([A
+
a
[
j
) _ |A
a
|
1
p
()
__

[A
+
a
[
j
d1
_1
q
88 Cap. 2. Martingale si modele discrete pe piata nanciara
si in nal
[` ([A
+
a
[
j
)]
1
1
q
_ |A
a
|
1
p
()
.
sau echivalent
[` ([A
+
a
[
j
)]
1
p
_ |A
a
|
1
p
()
.
Probleme
1.16. Fie (T
a
)
a0
o baza stochastica si , o variabila aleatoare integrabila.
Sa se arate ca sirul A
a
= 1 [, [ T
a
] este T
a
-martingal.
1.17. Fie ,
1
. .... ,
a
. ... un sir de variabile aleatoare independente asa incit
1(,
a
= 1) =
1
2:
. 1(,
a
= 0) = 1
1
:
.
Denim sirul (A
a
)
a0
prin
A
0
= 0. A
1
= ,
1
. A
a
=
_
,
a
daca ,
a1
= 0.
:A
a1
[,
a
[ daca ,
a1
,= 0.
Sa se arate ca (A
a
)
a0
este martingal in raport cu baza canonica asociata
sirului (A
a
)
a0
. adica in raport cu T
A
a
= E(A
0
. .... A
a
) .
1.18. Fie ,
1
. .... ,
a
. ... un sir de variabile aleatoare independente si cu repar-
titia `(0. 1). Fie
o
a
= ,
1
+ .... + ,
a
. T
a
= E(,
1
. .... ,
a
) . \: _ 1. T
a
= O. .
A
0
= 1. A
a
= exp
_
o
a

:
2
_
. \: _ 1.
Sa se arate ca sirul (A
a
)
a0
este T
a
-martingal.
1.19. Fie Fie ,
0
. .... ,
a
. ... un sir de variabile aleatoare independente, identic
repartizate, cu densitatea j. Fie o densitate de repartitie strict pozitiva.
Denim
A
a
=
(,
0
)....(,
a
)
j(,
0
)....j(,
a
)
. T
a
= E(,
0
. .... ,
a
) .
2.1. Martingale cu timp discret 89
Sa se arate ca sirul (A
a
)
a0
este T
a
-martingal.
1.20 (lipirea martingalelor). Fie (A
a
)
a0
. (
a
)
a0
martingale in raport cu
aceeasi baza stochastica (T
a
)
a0
si e o o optionala nita. Daca A
S
= 1
S
sa se arate ca sirul (?
a
)
a0
denit prin
2
a
=
_
A
a
daca : < o.
1
a
daca : _ o.
este de asemenea martingal.
1.21 (ruinarea jucatorului) (vezi de asemenea Problema 2.4.31).
Doua persoane A si B cu capitalurile initiale a si b sunt angajate intr-un joc
constituit din partide independente. La ecare partida se pariaza o unitate
de capital si ca probabilitatile de cistig sunt p si q = 1 p (deci nu exista
remiza).
Sa se arate ca jocul se termina intr-un numar nit de partide si sa se calculeze
probabilitatile de ruinare ale celor doi jucatori, precum si durata medie a
jocului.
Solutie. Fie
a
cistigul lui in cea de a n-partida, deci (
a
) este un sir
de variabile aleatoare independente cu 1(
a
= 1) = j. 1(
a
= 1) =
= 1 j pentru orice n. Atunci cistigul lui A dupa primele n-partide este
o
a
=
1
+ ... +
a
. Denim
o
0
= 0. T
0
= O. . T
a
= E(
1
. ....
a
) . : _ 1.
t =
_
inf : _ 0 : o
a
= c sau o
a
= / . daca : _ 0 : ... , = O.
. daca : _ 0 : ... = O.
Atunci t reprezinte momentul terminarii jocului, `(t) reprezinta durata
medie a jocului, c = 1(o
t
= /) este probabilitatea ca sa cistige jocul, sau
echivalent ca 1 sa se ruineze. Vom arata ca ` (t) < .
c =
c
c + /
. ` (t) = c/ daca j =
1
2
.
c =
1
_
q
j
_
o
1
_
q
j
_
o+b
. ` (t) =
c/ (1 c)c
j
daca j ,=
1
2
.
90 Cap. 2. Martingale si modele discrete pe piata nanciara
In particular ` (t) < implica ca 1(t < ) = 1. cu alte cuvinte jocul se
termine intr-un numar nit de partide. Este clar ca t este prima intrare in
multimea = c. / si deci conform cu Propozitia 2.3.4-(e) t este option-
ala.
Fie
c = c + /. o
t
1
=
1
+ ... +
v
. o
t
2
=
v+1
+ ... +
2v
. ...
.... o
t
1
=
I
+ ... +
Iv
. .....
si alegem : _ 1 asa incit : (1 (j ))
2
c
2
si e = 1 ([o
t
I
[ < c) (din
identic repartizare avem ca 1 ([o
t
I
[ < c) nu depinde de k). Armam ca < 1.
Prin absurd daca = 1 atunci [o
t
I
[ < c a.s., si deci pe de o parte
1
2
(o
t
I
) _ 1
_
(o
t
I
)
2
_
_ c
2
.
si pe de alta parte un calcul simplu arata ca
1
2
(o
t
I
) = : (1 (j ))
2
c
2
.
ceea ce nu este posibil. Atunci pentru orice / avem
1(t _ /:) _ 1 ([o
t
1
[ < c. [o
t
2
[ < c. .... [o
t
I
[ < c) =
I
.
si prin urmare
1(t _ :) _ 1(t _
_
:
:
_
:) _
[
n
r
]
_
n
r
1
=
1
_

1
r
_
I
.
fapt ce atrage dupa sine caDe asemenea se stie ca are loc egalitatea
` (t) =

a
1(t _ :) < .
si in particular 1(t < ) = 1 (acest ultim fapt rezulta usor si direct prin
calcul).
Sa presupunem acum ca j =
1
2
. In acest caz ` (
a
) = 0 pentru orice n, si
din exemplul 1.10 avem ca sirul o
a
este martingal. Din t < c.:., rezulta
ca
o
t
= c sau o
t
= / pentru t < . deci a.s.,
si in particular [o
t
[ _ c. ` (o
t
) _ c. Pe de alta parte
_
ta
[o
a
[ _ c1(t :) c1(t = ) = 0.
2.1. Martingale cu timp discret 91
Cele de mai sus arata ca optionalele 0 si t satisfac ipotezele din Teorema de
stopare (Teorema 1.14-(b)) si deci
0 = ` (o
0
) = ` (o
t
) = c/ (1 c) c.
de unde c =
o
o+b
. Mai departe exemplul 1.10-(b) rezulta ca sirul o
2
a
: este
martingal. Se verica din nou ca 0 si t satisfac ipotezele din Teorema de
stopare (Teorema 1.14-(b)) pentru acest martingal, si deci in particular
0 = `
_
o
2
t
t
_
sau echivalent `
_
o
2
t
_
= ` (t) .
fapt ce atrage dupa sine, intrucit
`
_
o
2
t
_
= c/
2
+ (1 c) c
2
= c/.
ca ` (t) = c/.
Sa presupunem acum ca j ,=
1
2
. Din exemplul 1.10-(c) avem casirul
q
0
= 1. q
a
=
_

j
_
Sn
este martingal. Aplicind si pentru acest martingal rationamentul precedent
vom obtine
1 = ` (q
0
) = ` (q
t
) = c
_

j
_
b
+ (1 c)
_

j
_
o
.
ceea ce atrage egalitatea
c =
1
_
q
j
_
o
1
_
q
j
_
o+b
.
In ne aplicind inca odata cele anterioare pentru martingalul
o
tt
a
= o
a
:(j )
obtinem ca
0 = ` (o
tt
0
) = ` (o
t
t (j )) = ` (o
t
) (j ) ` (t) .
si deci
` (t) =
` (o
t
)
j
=
c/ (1 c)c
j
.
92 Cap. 2. Martingale si modele discrete pe piata nanciara
2.2 Modele discrete de piata nanciara
2.2.1 Activele nanciare
Un model de piata (nanciara) discret, este construit pe un cimp de proba-
bilitate (. T. 1) .inzestrat cu o baza stochastica (deci o famiilie crescatoare
de sub-corpuri boreliene din T) cu elementele T
0
. T
1
. . . . . T
.
.
unde:
(a) T
a
reprezinta informatia disponibila la momentul : si de aceea se numeste
corpul borelian al evenimentelor anterioare momentului :.
(b) Orizontul `. va cel mai des data limita de expirare a optiunilor.
Vom presupune in continuare ca
T
0
= O. . T
.
= T = T () si \. . 1 (.) 0.
De asemenea vom presupune ca exista pe piata d + 1 active nanciare, ale
caror preturi la momentul : sunt date prin variabilele aleatoare
_
o
0
a
. o
1
a
. . . . . o
o
a
_
.
Aceste variabile aleatoare au valori strict pozitive si sunt masurabile in raport
cu corpul borelian T
a
(asta inseamna ca investitorii au cunostinta de cursul
actual si trecut, dar nu cunosc cursurile viitoare).
Asadar vectorul o
a
=
_
o
0
a
. o
1
a
. . . . . o
o
a
_
este vectorul de preturi la momentul
:.
Activul numerotat cu 0, reprezinta plasamentele fara risc si se va pune
o
0
a
= 1.
Daca rata de interes a plasamentelor fara risc, pe o perioada, este constanta
si egala cu :, vom avea o
0
a
= (1 + :)
a
.
Coecientul ,
a
=
1
S
0
n
va apare ca un coecient de actualizare ( de la data :
la data 0). (Este deci, suma de bani care investita la momentul 0 in activul
fara risc, permite sa se dispuna de 1 u.m. la momentul :).
Activele numerotate de la 1 la : vor numite active cu risc.
2.2.2 Strategiile nanciare
O strategie de gestiune este denita printr-un proces stochastic (mai precis
printr-un vector aleatoar discret),
2.2. Modele discrete pe piata nanciara 93
=
__

0
a
.
1
a
. . . . .
o
a
__
0a.
cu valori in 1
o+1
. care da, la ecare moment :, cantitatile
0
a
.
1
a
. . . . .
o
a
a diverselor active, detinute in portofoliu. Se impune procesului de a
previzibil, in sensul urmator:
\i 0. 1. . . . . d .
i
0
este T
0
-masurabil si pentru : _ 1

i
a
este T
a1
masurabil.
Semnicatia acestei ipoteze este urmatoarea: portofoliul (fondul) la data
:,
_

0
a
.
1
a
. . . . .
o
a
_
este constituit vazind informatiile disponibile la data
(: 1) si pastrat astfel pana in momentul cotarii la data :.
Valoarea portofoliului la momentul :, este data prin produsul scalar
\
a
() =
a
. o
a
=
o

i=0

i
a
o
i
a
.
Valoarea actualizata este
~
\
a
() =
_

a
.
o
a
o
0
a
_
=
_

a
.
~
o
a
_
.
unde
,
a
= 1,o
0
a
.
si
~
o
a
=
_
1. ,
a
o
1
a
. . . . . ,
a
o
o
a
_
este vectorul preturilor actualizate.
Denitia 2.1. Se spune ca o strategie este autonantata daca relatia urma-
toare are loc,

a
. o
a
=
a+1
. o
a
. \: 0. 1. . . . . ` 1 . (2.2.1)
Aceasta relatie se interpreteaza in modul urmator: la momentul :, dupa
ce a luat cunostinta de cursurile (preturile) o
0
a
. o
1
a
. . . . . o
o
a
. investitorul isi
reajusteaza portofoliul (contul), pentru a-l trece din faza
a
in faza
a+1
,
reajustarea facindu-se la cursurile de la data :, reinvestind valoarea totala a
contului sau si nimic in plus.
Deci nu este vorba nici de adaugare, nici de retrageri de fonduri.
94 Cap. 2. Martingale si modele discrete pe piata nanciara
Observatia 2.2. Egalitatea

a
. o
a
=
a+1
. o
a

este evident echivalenta cu

a+1
. o
a+1
o
a
=
a+1
. o
a+1

a
. o
a
.
sau inca
\
a+1
() \
a
() =
a+1
. o
a+1
o
a
. (2.2.2)
Deci la momentul : + 1 valoarea portofoliului este
a+1
. o
a+1
si diferenta

a+1
. o
a+1

a+1
. o
a

reprezinta cistigul net, datorat variatiei cursului intre momentele : si : + 1.


Deci o strategie autonantata este o strategie pentru care variatiile portofoli-
ului (contului) se datoresc in mod unic, numai cistigurilor datorate schimbarii
cursului.
Propozitia 2.3. Urmatoarele armatiii sunt echivalente:
(1) Strategia este autonantata.
(2) Pentru orice 1_ : _ `.
\
a
() = \
0
() +
a

)=1

)
. o
)
. (2.2.3)
unde o
)
este vectorul o
)
o
)1
.
(3) Pentru orice 1_ : _ `.
~
\
a
() = \
0
() +
a

)=1
_

)
.
~
o
)
_
. (2.2.4)
unde
~
o
)
este vectorul
~
o
)

~
o
)1
= ,
)
o
)
,
)1
o
)1
.
2.2. Modele discrete pe piata nanciara 95
Demonstratie. (1) =(2) Folosind (2.2.2)
\
a
() = \
a1
() +
a
. o
a
o
a1
=
\
a2
() +
a1
. o
a1
o
a2
+
a
. o
a
o
a1
=
= ... = \
0
() +
a

)=1

)
. o
)
o
)1
.
(1) =(3) Se arata observind ca

a
. o
a
=
a+1
. o
a
=
_

a
.
~
o
a
_
=
_

a+1
.
~
o
a
_
.
si deci
~
\
a+1
()
~
\
a
() =
_

a+1
.
~
o
a+1

~
o
a
_
.
~
\
a
() =
~
\
a1
() +
_

a
.
~
o
a

~
o
a1
_
=
= ... = \
0
+
a1

)=1
_

)
.
~
o
)

~
o
)1
_
.
Propozitia 2.4. Pentru orice proces previzibil
_

1
a
. . . . .
o
a
_
0a.
si pentru
orice variabila aleatoare \
0
care este T
0
-masurabila, exista unul si numai un
proces previzibil (
0
a
)
0a.
astfel incit strategia =
_

0
.
1
.
2
. . . . .
o
_
sa
e autonantata si de valoarea initiala \
0
.
Demonstratie. Din conditia de autonantare avem
~
\
a
() =
0
a
+
1
a
~
o
1
a
+ . . . +
o
a
~
o
o
a
=
\
0
+
a

)=1
_

~
o
1
)
+ . . . +
o
)

~
o
o
)
_
. (2.2.5)
de unde se determina
0
a
.
96 Cap. 2. Martingale si modele discrete pe piata nanciara
Singurul lucru care ramine de vericat este previzibilitatea lui
0
, care rezulta
de indata daca tinem cont ca din ( 2.2.5) avem

0
a
= \
0
+
a

)=1
_

~
o
1
)
+ . . . +
o
)

~
o
o
)
_

1
a
~
o
1
a
+ . . . +
o
a
~
o
o
a
_
=
\
0
+
a1

)=1
_

~
o
1
)
+ . . . +
o
)

~
o
o
)
_
+
1
a
_
~
o
1
a

~
o
1
a1
_
+

2
a
_
~
o
2
a

~
o
2
a1
_
+ . . . +
o
a
_
~
o
o
a

~
o
o
a1
_

1
a
~
o
1
a
+ . . . +
o
a
~
o
o
a
_
= \
0
+
a1

)=1
_

~
o
1
)
+ . . . +
o
)

~
o
o
)
_

1
a
~
o
1
a1
+ . . . +
o
a
~
o
o
a1
_
.
Aceasta propozitie arata ca, pentru o strategie autonantata, valoarea actual-
izata a portofoliului este complet determinata de fondul initial si de procesul
_

1
a
. . . . .
o
a
_
0a.
al cantitatilor activelor de risc detinute (asta deoarece
se observa ca
~
o
0
)
= 0).
2.2.3 Strategii admisibile si arbitraje
Pina acum nu am impus nici un fel de conditii asupra semnelor cantitatilor

i
a
.
Astfel daca
0
a
< 0, inseamna ca s-a imprumutat suma [
0
a
[ pe piata plasa-
mentelor fara risc.
Daca
i
a
< 0, pentru un i _ 1, inseamna ca se vinde in pierdere activul cu
risc respectiv...
Deci, imprumuturile si vanzarile in pierdere sunt permise, dar se impune
conditia ca valoarea portofoliului (fondului) sa e pozitiva sau nula in orice
moment.
Denitia 2.5. O strategie este admisibila daca este autonantata si daca
\
a
() _ 0. \1 _ : _ `.
2.2. Modele discrete pe piata nanciara 97
cu alte cuvinte investitorul trebuie sa e in masura sa ramburseze imprumu-
turile sale in orice moment.
Notiunea de arbitraje (realizarea unui prot fara riscuri) poate formulata
in modul urmator:
Denitia 2.6. O strategie de arbitraj este o strategie admisibila de valoare
initiala nula si de valoare nala nenula.
Majoritatea modelelor discrete exclud orice posibilitate de arbitraj.
2.2.4 Martingale si arbitraj
In continuare vom vedea cum arbitrajele se relationeaza cu martingalele.
Fie (. T. 1) un cimp de probabilitate nit ( adica este nita), cu T =
T () si \. , 1 (.) 0. si e (T
a
)
0a.
o ltrare pe .
Fie (A
a
)
0a.
un T
a
martingal.
Intr-un model nanciar, a spune ca, cursul (o
i
a
)
0a.
al unui activ i este un
martingal, revine la a spune ca, la orice moment :, cea mai buna estimare
(in sensul celor mai mici patrate) care se poate face asupra lui o
i
a+1
, plecind
de la informatiile disponibile la data :, este data de o
i
a
.
Urmatoarea propozitie este utila in modelele nanciare si constituie un ex-
emplu trivial de integrala stochastica discreta..
Propozitia 2.7. Fie (1
a
)
0a.
un martingal, si e (H
a
)
0a.
un sir pre-
vizibil in raport cu baza stochastica (T
a
)
0a.
.
Notam 1
a
= 1
a
1
a1
si denim sirul (A
a
)
0a.
prin:
A
0
= H
0
1
0
. A
a
= H
0
1
0
+ H
1
1
1
+ . . . + H
a
1
a
. \: _ 1. (2.2.6)
Atunci sirul (A
a
)
0a.
este un martingal in raport cu (T
a
)
0a.
.
( (A
a
)
a
este numit adesea, transformata martingalului (1
a
) prin sirul (H
a
) .
Observatia 2.8. O consecinta a acestei propozitii si a Propozitiei 2.3 este ca,
in modelele nanciare unde preturile actualizate ale activelor sunt martingale,
orice strategie autonantata, conduce la o valoare nala actualizata, egala in
medie cu capitalul initial.
Demonstratia Propozitiei 2.7. Se observa ca (A
a
) este un sir adaptat
98 Cap. 2. Martingale si modele discrete pe piata nanciara
Mai mult pentru : _ 0 avem
A
a+1
A
a
= (H
0
1
0
+ H
1
1
1
+ . . . + H
a
1
a
+ H
a+1
1
a+1
)
(H
0
1
0
+ . . . + H
a
1
a
) = H
a+1
1
a+1
= H
a+1
(1
a+1
1
a
) .
si deci
` [1
a+1
1
a
[ T
a
] = ` [H
a+1
(1
a+1
1
a
) [ T
a
] =
H
a+1
` [A
a+1
A
a
[ T
a
] = 0.
2.2.5 Piata nanciara viabila
Se spune ca piata nanciara este viabila, daca nu exista strategie de arbitraje.
Reamintim ca, doua probabilitati 1
1
si 1
2
sunt echivalente, daca pentru orice
eveniment , 1
1
() = 0 = 1
2
() = 0.
Teorema 2.9. Piata nanciara este viabila, daca exista o probabilitate 1
+
echivalenta cu 1 sub care, preturile actualizate ale activelor sunt martingale
( desigur aceasta echivalenta in cazul de fata inseamna ca 1
+
(.) 0 ,
\. ).
Demonstratie. Presupunem ca exista o probabilitate 1
+
echivalenta cu 1,
sub care activele actualizate sunt martingale.
Atunci, pentru orice strategie autonantata (
a
) se obtine, conform Propoz-
itiei 2.3 avem
~
\
a
() = \
0
() +
a

)=1
_

)
.
~
o
)
_
.
De aici, se deduce, conform Propozitiei 2.7. ca
~
\
a
() este un martingal, in
raport cu probabilitatea 1
+
.
Deci
~
\
.
() are aceeasi medie sub 1
+
ca si
~
\
0
() .
`
+
_
~
\
.
()
_
= `
+
_
~
\
0
()
_
.
Daca strategia este admisibila si de valoare initiala nula, se obtine deci
2.2. Modele discrete pe piata nanciara 99
`
+
_
~
\
.
()
_
= 0
si intrucit
~
\
.
() _ 0. rezulta ca
~
\
.
() = 0.
Observatia 2.10. In teorema precedenta are loc si armatia reciproca (pen-
tru demonstratie vezi Teorema 2.6 din [15]).
2.2.6 Piata completa si evaluarea optiunilor
Vom deni o optiune europeana (sau activ conditionat) de limita de expirare
`, printr-o variabila aleatoare / _ 0, 1
.
-masurabila, reprezentind protul
care permite exercitarea optiunii.
Astfel, pentru o optiune de cumparare (call), pe o unitate de activ 1, cu
pretul de exercitare K, avem / = (o
1
.
1)
+
.
Pentru o optiune de vanzare (put) pe o unitate de activ 1, cu pretul de
exercitare 1, avem / = (1 o
1
.
)
+
.
In aceste 2 exemple ( foarte importante in practica) variabila aleatoare / este
functie numai de o.
Se spune ca activul conditionat denit prin / este simulabil, daca exista o
strategie admisibila, a carei valoare la momentul ` este egala cu /.
Observatia 2.11. Intr-o piata viabila, pentru ca optiunea / sa e simulabila
este sucient sa existe o strategie autonantata de valoare egala cu / la
momentul `.
Intr-adevar, daca este o strategie autonantata, si daca 1
+
este o probabil-
itate echivalenta cu 1 sub care preturile actualizate sunt martingale, atunci
in raport cu 1
+
,
~
\
a
() este un martingal.
Se obtine deci, pentru : 0. . . . . ` .
~
\
a
() = `
+
_
~
\
.
() [ T
a
_
Este clar atunci ca daca
~
\
.
() _ 0, strategia este admisibila (in particular
pentru
~
\
.
() = /).
Se spune ca piata este completa, daca orice activ conditionat este simulabil.
100 Cap. 2. Martingale si modele discrete pe piata nanciara
Teorema 2.12. O piata viabila este completa daca daca exista o singura
probabilitate 1
+
echivalenta cu 1, in raport cu care care preturile actualizate
ale activelor sunt martingale.
Demonstratie. Presupunem ca piata este viabila si completa. Atunci, orice
variabila aleatoare /, 1
.
-masurabila si pozitiva , se poate scrie / = \
.
(),
unde este o strategie admisibila care simuleaza activul conditionat /.
Deoarece este o strategie autonantata, avem
/
o
0
.
=
~
\
.
() = \
0
() +
.

)=1

~
o
)
Deci, daca 1
1
si 1
2
sunt doua probabilitati sub care preturile actualizate sunt
martingale, atunci
_
~
\
a
()
_
0a.
este un martingal fata de 1
1
si 1
2
. si ca
urmare
`
1
_
~
\
.
()
_
= `
1
(\
0
()) = \
0
()
`
2
_
~
\
.
()
_
= `
2
(\
0
()) = \
0
()
In ultima egalitate utilizand faptul ca T
0
= (. ) .
Se obtine deci ca
`
1
_
/
o
0
.
_
= `
2
_
/
o
0
.
_
si cum / este arbitrar rezulta ca 1
1
= 1
2
pe corpul borelian T
.
= T.
Observatia 2.13. In teorema precedenta este valabila si armatia reciproce
(vezi Teorema 3.4 din [15]).
2.2.7 Evaluarea si acoperirea activelor conditio- nate
in pietele complete
Presupunem o piata viabila si completa si notam 1
+
unica probabilitate sub
care preturile actualizate ale activelor sunt martingale.
2.3. MODELUL LUI COX, ROSS SI RUBINSTEIN 101
Fie un activ conditionat, denit printr-o variabila aleatoare 1
.
-masurabila
/ _ 0 , si e o strategie admisibila simulabila /, deci care verica \
.
() =
/.
Sirul
_
~
\
a
_
0a.
este un martingal sub 1
+
si in consecinta, \
0
() = `
+
_
~
\
.
()
_
unde \
0
() = `
+
_
I
S
0
N
_
si in general vom avea
\
a
() = o
0
a
~
\
a
() = o
0
a
`
+
_
~
\
.
() [ T
a
_
=
o
0
a
`
+
_
/
o
0
.
[ T
a
_
. : = 0. 1. . . . . `.
adica valoarea in orice moment, a ecarei strategii admisibile simulabile /,
este complet determinata de /.
Este natural sa numim \
a
() valoarea optiunii, deoarece este capitalul care,
detinut la momentul n, permite, urmand strategia plecand din momentul
:, sa se produca exact capitalul h la momentul `.
Daca la momentul 0, un investitor vinde optiunea la pretul `
+
_
I
S
0
N
_
, are
posibilitatea, urmand strategia simulanta , de a restitui capitalul promis /
la momentul `; se spune ca el se acopera perfect.
Observatia 2.14. Este important sa notam ca calculul preturilor necesita
numai cunoasterea lui 1
+
(si nu a lui 1).
2.3 Modelul lui Cox, Ross si Rubinstein
Modelul lui Cox, Ross si Rubinstein este o versiune discretizata a modelului
lui Black si Scholes, in cadrul caruia intilnim doar doua active:
(a) un activ fara risc, cu dobanda : pe o perioada xata astfel incit daca la
momentul initial avem un dolar (o
0
0
= 1), dupa : perioade de timp vom in
posesia a o
0
a
= (1 + :)
a
, dolari.
(b) un activ cu risc, care valoreaza suma o
a
la momentul : (suma initiala o
0
este data).
Variatia intre doua perioade consecutive este e a, e b astfel incit sa avem
o
a+1
=
_
o
a
(1 + c)
o
a
(1 + /) .
102 Cap. 2. Martingale si modele discrete pe piata nanciara
cu conditia 1 < c < / (la momentul :+1 nu putem sa pierdem tot ce avem
la momentul :).
Observatia 3.1. Calculele se fac pina la momentul `, deci ne intereseaza
o
0
a
. o
a
pentru 0 _ : _ ` (pentru : = 0 cursurile sunt date).
Spatiul starilor posibile este alcatuit din vectorii de tipul (A
1
. A
2
. . . . . A
.,
)
cu A
i
1 + c. 1 + / astfel incit:
A
1
=
o
1
o
0
. A
2
=
o
2
o
1
. . . . . A
i
=
o
i
o
i1
. . . . . A
.
=
o
.
o
.1
Se ia T
0
= O. (la momentul 0 cursurile sunt cunoscute, nu sunt aleatoare)
si 1
.
= 1 () .
Multimea informatiilor disponibile pana la momentul : inclus, ce este data
de T
a
, este unic determinata de cunoasterea cursurilor o
1
. o
2
. . . . . o
a
si deci
T
a
= o (o
1
. o
2
. . . . . o
a
).
Fie 1 : T [0. 1] o probabilitate cu proprietatea 1 (.) 0. \. .
Acesta proprietate a lui P spune ca succesiunea de rezultate este posibila,
sau trecerea din orice moment : in momentul : + 1 se poate face in ambele
moduri posibile cu o probabilitate strict pozitiva.
Fie variabilele aleatoare 1
a
=
Sn
S
n1
, pentru : = 1. . . . . `.
Daca (r
1
. r
2
. . . . . r) atunci
1 (r
1
. r
2
. . . . . r
.
) = 1 (1
1
= r
1
. 1
2
= r
2
. . . . . 1
.
= r
.
)
conform celor precizate cand l-am denit pe .
Deci cunoasterea lui 1 este echivalenta cu cunoasterea functiei de repartitie
a vectorului aleator `-dimensional de tip discret (1
1
. 1
2
. . . . . 1
.
) .
Totodata se are
E(o
1
. o
2
. . . . . o
a
) = E(1
1
. 1
2
. . . . . 1
.
) .
Intr-adevar 1
I
=
S
k
S
k1
pentru / = 1. . . . `. ceea ce implica ca 1
I
este masur-
abil in raport cu
E(o
1
. o
2
. . . . . o
a
) . \/ = 1. . . . . `.
si ca atare
E(1
1
. 1
2
. . . . . 1
.
) E(o
1
. o
2
. . . . . o
a
) .
Apoi 1
1
=
S
1
S
0
. deci o
1
= o
0
1
1
este E(1
1
)-masurabila.
2.3. Modelul lui Cox, Ross si Rubinstein 103
1
2
=
S
2
S
1
.decio
2
= o
1
1
2
este E(1
1
. 1
2
) masurabila.
Prin recurenta se arata ca o
a
este E(1
1
. 1
2
. . . . . 1
.
) -masurabila pentru orice
: = 1. . . . . `. si deci are loc incluziunea reciproca
E(o
1
. o
2
. . . . . o
.
) E(1
1
. 1
2
. . . . . 1
.
) .
.
(1) Sa aratam ca pretul actualizat
_
~
o
a
_
=
_
Sn
S
0
n
_
a
este un T
a
-martingal fata
de probabilitatea 1. sau echivalent,
` [1
a+1
[ T
a
] = 1 + :. \0 _ : _ ` 1.
Intr-adevar

~
o
a
(.)

=
[o
a
(.)[
[o
0
a
[
=
1
(1 + :)
a
[o
0
1
1
(.) . . . 1
a
(.)[ =
[o
0
[
(1 + :)
a
[1
1
(.)[ . . . [1
a
(.)[ _ [o
0
[
(1 + /)
a
(1 + :)
a
.
si deci
`

~
o
a

_ [o
0
[
(1 + /)
a
(1 + :)
a
.
fapt ce zice ca
~
o
a
este o variabila aleatoare integrabila.
Am folosit faptul ca 1
i
poate lua una din valorile 1 +c. 1 +/ si deci[1
i
(.)[ _
1 + /. (\) . (deoarece c < /).
Mai departe
~
o
a
=
1
(1+v)
n o
a
rezulta T
a
-adaptat.
_
~
o
a
_
1a.
este un martingal in raport cu ltratia (T
a
)
1a.
daca, in afara
proprietatii de integrabilitate si T
a
-adaptivitate, are loc egalitatea
`
_
~
o
a+1
[ T
a
_
=
~
o
a
=`
_
~
o
a+1
~
o
a
[ T
a
_
= 1.
Dar
~
o
a+1
=
o
a+1
o
0
a+1
.
~
o
a
=
o
a
o
0
a
si deci
104 Cap. 2. Martingale si modele discrete pe piata nanciara
~
o
a+1
~
o
a
=
o
a+1
o
a
o
0
a
o
0
a+1
= 1
a+1
(1 + :)
a
(1 + :)
a+1
= 1
a+1
1
1 + :
.
ceea ce atrage dupa sine
`
_
~
o
a+1
~
o
a
[ T
a
_
= 1 =`
_
1
a+1
1 + :
[ T
a
_
= 1 =` [1
a+1
[ T
a
] = 1 + :.
(2) Pentru ca piata sa e viabila, se deduce ca este necesar ca : (c. /) .
Intr-adevar daca piata este viabila, exista o probabilitate 1
+
echivalenta cu
1, sub care
_
~
o
a
_
a
este un T
a
-martingal. Atunci, conform punctului (1), cu
1
+
in locul lui 1, avem:
`
+
[1
a+1
[ T
a
] = 1 + : =`
+
(1
a+1
) = 1 + :.
Dar 1
a+1
ia valorile 1+c. 1+/ cu probabilitati strict pozitive , ceea ce implica
caexista
a+1
. 1
a+1
T
a+1
astfel incit
1
a+1
(.) =
_
1 + c .
a+1
. 1 (
a+1
) 0
1 + / . 1
a+1
. 1 (1
a+1
) 0

a+1
1
a+1
= O.
a+1
' 1
a+1
= .
sau echivalent
1
a+1
= (1 + c) 1

n+1
+ (1 + /) 1
1
n+1
cu
1 (
a+1
) 0. 1 (1
a+1
) 0.
Atunci
`
+
(1
a+1
) = (1 + c) 1
+
(
a+1
) + (1 + /) 1
+
(1
a+1
)
Intrucit 1 si 1
+
sunt echivalente rezulta ca
1
+
(
a+1
) 0. 1
+
(1
a+1
) 0 si deci 1
+
(
a+1
) < 1. 1
+
(1
a+1
) < 1.
Prin urmare
`
+
(1
a+1
) < (1 + /) 1
+
(
a+1
) + (1 + /) 1
+
(1
a+1
) =
2.3. Modelul lui Cox, Ross si Rubinstein 105
(1 + /) 1
+
() = 1 + /
si
`
+
(1
a+1
) (1 + c) 1
+
(
a+1
) + (1 + c) 1
+
(1
a+1
) = 1 + c.
ceea ce atrage dupa sine ca
1 + c < `
+
(1
a+1
) < 1 + /.
Dar
`
+
(1
a+1
) = 1 + : =1 + c < 1 + : < 1 + / =
=c < : < / =: (c. /)
(3) Exemple de arbitraje in cazul in care conditia de viabilitate obtinuta la
punctul precedent nu este vericata.
In acest caz : _ c sau : _ /
(i) Daca : _ c se imprumuta suma o
0
la momentul 0 (pentru care se plateste
dobanda : pe un interval de timp, deci pentru :perioada de timp trebuie
platita suma o
0
(1 + :)
a
) cu care se cumpara o actiune din activul cu risc.
La momentul ` se vinde actiunea si se ramburseaza imprumutul.
Actiunea se vinde cu suma o
.
si trebuie sa se plateasca o
0
(1 + :)
a
. Se
realizeaza protul o
.
o
0
(1 + :)
a
. Insa
o
(.)
.
= o
0
1
1
(.) 1
2
(.) . . . 1
.
(.) _ o
0
(1 + c)
.
_ o
0
(1 + :)
a
(deoarece c _ :) si ca atare j:o,itn| _ 0 si protul 0 cu o probabilitate
0.
Daca 1
i
= (1 + c) 1

i
+ (1 + /) 1
1
i
, subpunctul precedent implica
1
i
(.) = 1 + /. (\) . 1
i
=
1
i
(.) 1 + c jc:t:n . 1
i
si deci 1
i
1 + c cu probabilitatea 1 (1
i
) 0 si
protul 0 cu probabilitatea 1 (1
1
1
2
. . . 1
.
) 0.
(ii) Daca : _ / se imprumuta o actiune de pe piata actiunilor cu risc (la
momentul 0). Actiunea se revinde imediat obtinand suma o
0
care se depune
pe piata actiunilor fara risc unde dobanda este constanta egala cu :. La
momentul ` se va primi suma o
0
(1 + :)
.
. Se cumpara o actiune cu risc la
106 Cap. 2. Martingale si modele discrete pe piata nanciara
pretul o
.
, care se da inapoi pe piata actiunilor cu risc. Se obtine protul
1
)
= o
0
(1 + :)
.
o
.
.
Dar
o
.
= o
0
1
1
1
2
. . . 1
.
_ o
0
(1 + /)
.
_ o
0
(1 + :)
.
deci o
0
(1 + :)
.
o
.
_ 0 =1
)
_ 0 si 1
)
0 cu o probabilitate 0.
(4) In continuare vom presupune ca : (c. /) si e j =
bv
bo
. Vom arata ca
_
~
o
a
_
este un T
a
-martingal sub 1 daca si numai daca variabilele aleatoare
1
1
. 1
2
. . . . . 1
.
sunt independente, identic repartizate, repartitia lor comuna
ind 1
i
:
_
1+o
j
1+b
q
_
cu j + = 1.
De asemenea vom deduce ca piata este variabila si completa.
Sa presupunemintii ca variabilele (1
i
) sunt independente si de repartitie
1
i
:
_
1 + c
j
1 + /

_
. j + = 1. \1 _ i _ `.
Deoarece 1
a+1
este independent de T
a
= E(1
1
. 1
2
. . . . . 1
a
) rezulta
` [1
a+1
[ T
a
] = ` (1
a+1
) = j (1 + c) + (1 j) (1 + /) =
/ :
/ c
(1 + c) +
c :
/ c
(1 + /) = 1 + :
si deci, conform subpunctului (1)
_
~
o
a
_
a
este un T
a
-martingal in raport cu
1 si atunci piata este viabila.
Daca exista o alta probabilitate 1
+
fata de care
_
~
o
a
_
a
este un T
a
-martingal
, atunci conform subpunctului (2) avem
`
+
[1
a+1
[ T
a
] = 1 + : =`
+
(1
a+1
) = 1 + :. \0 _ : _ ` 1.
Insa
1
i
:
_
1 + c
j
+
1 + /
1 j
+
_
. `
+
(1
i
) = 1 + : = (2.3.1)
j
+
(1 + c) + (1 j
+
) (1 + /) = 1 + : =
si deci j
+
=
bv
bo
.fapt ce arata ca variabilele (1
i
)
1i.
au aceiasi repartitie
atat sub 1, cat si sub 1
+
, deci conform unei observatii preliminare cele doua
probabilitati coincid. Deci am demonstrat ca piata este si completa.
2.3. Modelul lui Cox, Ross si Rubinstein 107
Reciproc, presupunem ca
~
o
a
este un (T
a
)
a
martingal sub 1, deci, conform
subpunctului (1)
` [1
a+1
[ T
a
] = 1 + :. \0 _ : _ ` 1.
Dar 1
i
= (1 + c) 1

i
+(1 + /) 1
1
i
cu
i
1
i
= O ,
i
'1
i
= si
i
. 1
i
sunt
T
i
-masurabile (
i
= 1
i
= 1 + c . 1
i
= 1
i
= 1 + /) . Atunci din
` [1
a+1
[ T
a
] = 1 + :
rezulta
(1 + c) `
_
1

n+1
[ T
a

+ (1 + /) `
_
1
1
n+1
[ T
a

= 1 + :. (2.3.2)
Dar pe de alta parte
`
_
1

n+1
[ T
a

+ `
_
1
1
n+1
[ T
a

= 1.
si aceasta egalitate, impreuna cu (2.3.2) dau solutia
`
_
1

n+1
[ T
a

=
/ :
/ c
= j
si
`
_
1
1
n+1
[ T
a

=
: c
/ c
= 1 j.
In continuare vom demonstra prin inductie dupa : ca 1
1
. 1
2
. .... 1
a
sint in-
dependente si identic repartizate si vom calcula repartitia ecarui 1
i
. Vom
arata deci ca
1 (1
1
= r
1
. . . . . 1
a
= r
a
) =
a

i=1
j
i
unde j
i
= j daca r
i
= 1 + c si j
i
= 1 j daca r
i
= 1 + /. In particular
egalitatea de mai sus da si repartitia lui 1
i
.
Stim ca
` [1

1
[ T
0
] = j. ` [1
1
1
[ T
0
] = 1 j.
dar T
0
= O. implica
` [1

1
[ T
0
] = ` (1

1
) = 1 (
1
)
108 Cap. 2. Martingale si modele discrete pe piata nanciara
si
` [1
1
1
[ T
0
] = ` (1
1
1
) = 1 (1
1
)
si prin urmare
1 (
1
) = j. 1 (1
1
) = 1 j.
sau echivalent,
1 (1
1
= 1 + c) = j. 1 (1
1
= 1 + /) = 1 j.
si deci armatia este demonstrata pentru : = 1 este demonstrata.
Presupunem ca armatia este adevarata pentru n si sa o dempnstram pentru
: + 1, deci ca:
1 (1
1
= r
1
. 1
2
= r
2
. . . . . 1
a
= r
a
. 1
a+1
= r
a+1
) =
a+1

i=1
j
i
unde j
i
= j daca r
i
= 1 + c si j
i
= 1 j daca r
i
= 1 + /.
Presupunem r
a+1
= 1 + c si e j
a+1
= j. Stim ca
`
_
1

n+1
[ T
a

= j.
sau echivalent: \ T
a
.
_

n+1
d1 = j1 (
a+1
) = j1().
si luind = 1
1
= r
1
. . . . . 1
a
= r
a
(evident T
a
), atunci rezulta ca
1 (1
1
= r
1
. . . . . 1
a
= r
a
. 1
a+1
= r
a+1
) =
a

i=1
j
i
j =
a+1

i=1
j
i
deci armatia este adevarata pentru : + 1..
Cu aceasta am demonstrat ca 1
1
. 1
2
. . . . . 1
a
independente si identic reparti-
zate, cu 1 (1
i
= 1 + c) = j si 1 (1
i
= 1 + /) = 1 j.
(5) Fie C
a
(respectiv 1
a
) valoarea, la momentul : , a unei optiuni call
(respectiv put) european asupra unei actiuni din activul cu risc la pretul
de exercitiu 1 si limita `.
(a) Vom regasi relatia de paritate call-put:
2.3. Modelul lui Cox, Ross si Rubinstein 109
C
a
1
a
= o
a
1 (1 + :)
(.a)
. (2.3.3)
Fie (\
a
)
1a.
valoarea la momentl : a unei strategii nanciare ce urmareste
ca la momentul ` sa detinem suma (o
a
/)
+
(pentru obtiunea de cumparare
numita call).
Fie 1
+
unica probabilitate fata de care
~
o
aa
este un T
a
-martingal. Atunci
~
\
a
=
1
S
0
n
\
a
este tot un T
a
-martingal fata de 1
+
(conform notiunilor teoretice). Con-
form denitiei C
a
este data de variabila \
a
care reprezinta valoarea porto-
folului la momentul :.
Atunci
C
a
= \
a
= o
0
a
~
\
a
= (1 + :)
a
~
\
a
=
(1 + :)
a
`
+
_
~
\
.
[ T
a
_
= (1 + :)
a
`
+
_
\
.
o
0
.
[ T
a
_
=
(1 + :)
a
`
+
_
\
N
(1+v)
N
[ T
a
_
= (1 + :)
a.
`
+
[C
.
[ T
a
] =
(1 + :)
a.
`
+
_
(o
.
1)
+
[ T
a

.
In mod analog
1
a
= (1 + :)
a.
`
+
_
(1 o
.
)
+
[ T
a

.
si deci
C
a
1
a
= (1 + :)
a.
`
+
_
(o
.
1)
+
[ T
a

(1 + :)
a.
`
+
_
(1 o
.
)
+
[ T
a

=
(1 + :)
a.
`
+
_
(o
.
1)
+
(1 o
.
)
+
[ T
a

=
(1 + :)
a.
`
+
[o
.
1 [ T
a
] =
(1 + :)
a.
`
+
[o
.
[ T
a
] (1 + :)
a.
`
+
[1 [ T
a
] =
(1 + :)
a.
`
+
_
o
.
(1 + :)
.
[ T
a
_
(1 + :)
a.
1 =
(1 + :)
a
`
+
_
~
o
.
[ T
a
_
1 (1 + :)
a.
=
(1 + :)
a
~
o
.
1 (1 + :)
a.
= o
a
1 (1 + :)
a.
.
110 Cap. 2. Martingale si modele discrete pe piata nanciara
Pentru obtinerea ultimelor egalitati am folosit faptul ca
`
+
_
~
o
.
[ T
a
_
=
~
o
a
si 1 este o constanta.
(ii) Vom aratai ca C
a
se poate scrie sub forma C
a
= C (:. o
a
), unde C este
o functie pe care o s-o determinam explicit cu ajutorul lui 1. c. /. : si j.
Conform punctului (i), avem
C
a
= (1 + :)
a.
`
+
_
(o
.
/)
+
[ T
a

.
dar
o
.
= o
a

o
a+1
o
a

o
a+2
o
a+1

o
.
o
.1
= o
a
.

I=a+1
o
I
o
I1
= o
a
.

I=a+1
1
I
.
deci
C
a
= (1 + :)
a.
`
+
_
_
_
o
a
.

I=a+1
1
I
/
_
+
[ T
a
_
_
=
(1 + :)
a.
`
+
[, (A. 1 ) [ T
a
]
unde A = o
a
este T
a
-masurabil si 1 =
.

I=a+1
1
I
este este independent de
1
1
. 1
2
. . . . . 1
.
, deci de E(1
1
. 1
2
. . . . . 1
.
) = T
a
. In continuare vom folosi
propozitia urmatoare a carei demonstratie o lasam cititorului ca exercitiu:
Propozitia 3.2. Fie A : (1. c) o variabila aleatoare E-masurabila si
A : (1. T) o variabila aleatoare independenta de E. Atunci pentru orice
functie masurabila Borel, pozitiva sau marginita denita pe (1 1. c T) .
functia , denita prin
,(r) = 1 [(r. 1 )] . \r 1.
este boreliana pe (1. c) si avem relatia
1 ((A. 1 ) [ E) = ,(A) c.:.
Continuam demonstratia dinaintea Propozitii 3.2.
2.3. Modelul lui Cox, Ross si Rubinstein 111
In cazul nostru, e
A = o
a
. 1 =
.

I=a+1
1
I
. E = T
a
si (r. ) = (r. 1)
+
.
Conditiile de aplicabilitate ale propozitiei precedente sunt indeplinite, de
unde rezulta
C
a
= (1 + :)
a.
1
+
_
o
a
.

I=a+1
1
I
1
_
+
asa ca C
a
se poate scrie sub forma unei functii C (:. o
a
) care depinde de
:. o
a
:
C (:. o
a
) = (1 + :)
a.
`
+
_
r
.

I=a+1
1
I
1
_
+
. (2.3.4)
Pentru a evalua media din (2.3.4) vom calcula repartitia variabilei aleatoare
2 =
.

I=a+1
1
I
.
Stim ca variabilele (1
I
)
1I.
sunt independente si identic repartizate, avind
repartitia comuna:
1
I
:
_
1 + c 1 + /
j 1 j
_
.
Deci 2 poate lua orice valoare de tipul (1 + c)

(1 + /)
.a
cu 0 _ / _ `:.
Pentru / xat e
j
|
= 1
_
2 = (1 + c)

(1 + /)
.a
_
=
1
_
.

I=a+1
1
I
= (1 + c)

(1 + /)
.a
_
.
Deoarece variabilele (1
I
) sunt independente si identic repartizate, a calcula
probabilitatea j

este acelasi lucru cu a calcula probabilitatea extragerii a


/ bile albe din ` : extractii dintr-o urna (schema bilei revenite), daca
probabilitatea de extragere a unei bile albe este j si a unei bile negre 1 j.
Rezulta ca j

= C

.a
j

(1 j)
.a
si deci 2 are repartitia
112 Cap. 2. Martingale si modele discrete pe piata nanciara
2 :
_
(1 + c)

(1 + /)
.a
j/
_
.
Folosind acest fapt in (2.3.4) vom obtine
`
_
+
(r2 1)
+

=
.a

=0
(r2

/)
+
j

=
.a

=0
_
r (1 + c)

(1 + /)
.a
1
_
+
C

.a
j
|
(1 j)
.a
.
si in concluzie
C (:. r) = (1 + :)
a.
.a

=0
C

.a
j

(1 j)
.a

_
r (1 + c)

(1 + /)
.a
1
_
+
.
Capitolul 3
Integrala stochastica browniana
3.1 Miscarea Browniana
In aceasta sectiune vom rezuma principalele proprietati ale Miscarii Brown-
iene, care este cel mai important proces stochastic cu traiectorii continue.
Este procesul aleator care se poate descrie folosind principalele concepte de
procese stochastice. Descriem in continuare unele dintre aceste posibilitati.
Denitia 1.1. Un proces stochastic (1
t
)
tS1
cu valori reale, este Gaussian,
daca pentru orice c
i
1. t
i
o. 1 _ i _ :, variabila aleatoare c
1
1
t
1
+... +
c
a
1
tn
are repartitia normala, sau echivalent, daca pentru orice t
1
. . . . . t
a
o,
vectorul aleator (1
t
1
. . . . . 1
tn
) are repartitia normala :-dimensionala.
Denitia 1.2. Un proces stochastic (A
t
)
t0
cu valori reale este Miscare
Browniana daca are urmatoarele proprietati:
(1) Are traiectoriile continue (deci functia t A
t
(.) este continua pentru
orice .) si A
0
= 0.
(2) Este proces cu cresteri independente, adica daca : _ t, variabila aleatoare
A
t
A
c
este independenta de o-algebra T
A
c
= E(A
&
: n _ :) . sau echivalent,
daca t
1
< . . . < t
a
atunci cresterile
A
t
1
. A
t
2
A
t
1
. .... A
tn
A
t
n1
sunt variabile aleatoare independente.
(3) Daca : _ t atunci variabila aleatoare A
t
A
c
are repartitia normala de
parametri 0 si t : (pe scurt A
t
A
c
`(0. t :)).
113
114 Cap. 3. Integrala stocastica browniana
Observatia 1.3. Se poate arata ca exista Miscarea Browniana.
Teorema 1.4. Fie (A
t
)
t0
un proces stochastic cu valori reale cu traiectorii
continue si astfel incit A
0
= 0. Urmatoarele armatii sunt echivalente:
(1) (A
t
)
t0
este Miscare Browniana.
(2) (A
t
)
t0
este proces Gaussian astfel incit ` (A
t
) = 0 si
` (A
c
A
t
) = min (:. t) . \: _ t.
Demonstratie. (1) = (2) Fie t
1
< t
2
< . . . < t
a
si c
i
1 si sa aratam ca
c
1
A
t
1
+ c
2
A
t
2
+ . . . + c
a
A
tn
este o variabila aleatoare normala.
Avem egalitatea
a

)=1
c
)
A
t
j
=
a

I=1
_
a

)=I
c
)
_
_
A
t
k
A
t
k1
_
. t
0
= 0.
Dar conformipotezei, valorile aleatoare (cresterile) care apar in partea dreapta
a egalitatii sunt independente si normal repartizate si de medie 0, fapt ce
atrage dupa sine ca variabila aleatoare
a

)=1
c
)
A
t
j
este normal repartizata si
are media 0.
Pe de alta parte avem pentru : < t.
` (A
c
A
t
) = `
_
A
c
(A
t
A
c
) + A
2
c

=
` (A
c
)
2
+ ` (A
c
) ` (A
t
A
c
) = ` (A
c
)
2
= :
deoarece daca : < t.
` [A
c
(A
t
A
c
)] = ` (A
c
) ` (A
t
A
c
) = 0.
(2) =(1) Daca : < t atunci
1
2
(A
t
A
c
) = `
_
(A
t
A
c
)
2

=
`
_
A
2
t
_
2` (A
t
A
c
) + `
_
A
2
c
_
=
t 2: + : = t :
3.1. Miscarea Browniana 115
si cum ` (A
c
) = 0 rezulta ca A
t
A
c
` (0. t :) .
Mai ramine sa probam independenta cresterilor pentru a arata ca este proces
cu cresteri independente.
Fie 0 = t
0
< t
1
< . . . < t
a
si o
1
. . . . . o
a
1.
Pentru ca A
t
1
. A
t
2
A
t
1
. . . . . A
tn
A
t
n1
sa e independente, este sucient
sa aratam ca functia caracteristica a vectorului este produsul functiei carac-
teristice ale componentelor, deci sa aratam ca
`
_
c
i
n

`=1
o
`(At
`
At
e1
)
_
= c

1
2
n

`=1
o
2
`
(t
`
t
`1
)
.
Avem ca
`
_
c
i
n

`=1
o
`(At
`
At
e1
)
_
= `
_
c
i
n

`=1
o
0
`
At
`
_
unde
o
0

= o

o
+1
. 1 _ / _ : 1. o
0
a
= o
a
.
Dar conform ipotezei
a

=1
o
0

A
t
`
este variabila aleatoare normala de medie 0,
deci functia ei caracteristica este
`
_
c
i
n

`=1
o
0
`
At
`
_
= c

1
2
1
2
_
n

`=1
o
0
`
At
`
_
= c

1
2
A
_
_
n

`=1
o
0
`
At
`
_
2
_
=
c

1
2
A
_
n

`=1
n

k=1
o
0
`
o
0
k
At
`
At
k
_
= c

1
2
n

`=1
n

k=1
o
0
`
o
0
k
A(At
`
At
k
)
=
c

1
2
n

`=1
n

k=1
o
0
`
o
0
k
(t
`
/t
k
)
= c

1
2
n

`=1
o
2
`
(t
`
t
`1
)
.
Propozitia 1.5. Fie (A
t
)
t0
o Miscare Browniana.
Atunci urmatoarele procese sunt de asemenea Miscari Browniane.
(1) (1
t
)
t0
= (1
t+c
A
c
)
t0
. pentru : _ 0 xat.
(2) (1
t
)
t0
=
_
cA t

2
_
t0
, pentru c 0 xat (in particular (A
t
)
t0
).
Demonstratie. (1) Aratam ca (1
t
)
t0
este proces Gaussian cu ` (1
t
) = 0
si ` (1

1
t
) = min (/. t), \ /. t.
116 Cap. 3. Integrala stocastica browniana
Pentru orice ,
i
1, 0 < t
1
< t
2
< . . . < t
a
< rezulta ca
,
1
1
t
1
+ ,
2
1
t
2
+ . . . + ,
a
1
tn
= ,
1
(A
t
1
+c
A
c
) + . . .
... + ,
2
(A
t
2
+c
A
c
) + ... + ,
a
(A
tn+c
A
c
) =
,
1
A
t
1
+c
+ . . . + ,
a
A
tn+c
(,
1
+ ... + ,
a
) A
c
este variabila aleatoare gaussiana (pentru ca (A
t
)
t0
este Miscare Browniana,
deci proces Gaussian cu ` (A
t
) = 0 si ` (A

A
t
) = min (/. t), \ /. t). Mai
departe
` (1
t
) = ` (A
t+c
A
c
) = ` (A
t+c
) ` (A
c
) = 0.
si daca / _ t,
` (1

1
t
) = ` [(A
+c
A
c
) (A
t+c
A
c
)] =
` [A
+c
A
t+c
] ` [A
c
A
t+c
] ` [A
c
A
+c
] + `
_
A
2
c

=
min (/ + t. t + :) min (:. t + :) min (:. / + :) + : = |.
Deci (1
t
)
t0
este proces gaussian cu ` (1
t
) = 0 si ` (1

1
t
) = min (/. t).
(2) Aratamca mai inainte ca este proces Gaussian cu ` (1
t
) = 0 si ` (1
c
1
t
) =
min (:. t) .
Fie ,
1
. ,
2
. . . ,
a
1. 0 < t
1
< t
2
< . . . < t
a
< . Avem ca
,
1
1
t
1
+ ,
2
1
t
2
+ . . . + ,
a
1
tn
= ,
1
cAt
1

2
+ . . . ,
a
cAtn

2
este o variabila aleatoare gaussiana. Apoi
` (1
t
) = `
_
cA t

2
_
= c`
_
A t

2
_
= 0.
si pentru : _ t.
` (1
c
1
t
) = `
_
cA
s

2
cA t

2
_
=
c
2
`
_
A
s

2
A t

2
_
= c
2
min
_
:
c
2
.
t
c
2
_
= c
2
:
c
2
= :.
In continuare vom vedea ca Miscarii Browniene i se pot asocia unele martin-
gale cu timp continuu, utile in studiul anumitor proprietati ale acesteia.
3.2. CONSTRUCTIA INTEGRALEI STOCHASTICE 117
Denitia 1.6. Fie (A
t
)
tS1
un proces stochastic cu valori reale, denit
pe un cimp de probabilitate (. T. 1) si e (T
t
)
tS
o baza stochastica pe
(deci o familie crescatoare de corpuri boreliene incluse in T).
Vom spune ca A
t
este T
t
-martingal daca:
(1) A
t
este T
t
-adaptat si A
t
este integrabila pentru orice t.
(2) Pentru orice : < t
` [A
t
[ T
c
] = A
c
.
Propozitia 1.7. Daca (A
t
)
t0
este `iscare Browniana atunci:
(1) (A
t
)
t0
este un T
A
t
-martingal.
(2) (A
2
t
t)
t0
este un T
A
t
-martingal.
Demonstratie. Daca : _ t atunci variabila aleatoare A
t
A
c
este inde-
pendenta de corpul borelian T
A
c
. si deci
` [A
t
A
c
[ T
c
] = ` (A
t
A
c
) = 0.
(2) Se observa ca daca : _ t.
`
_
A
2
t
A
2
c
[ T
c

= `
_
(A
t
A
c
)
2
+ 2A
c
(A
t
A
c
) [ T
c

= `
_
(A
t
A
c
)
2
[ T
c

+ 2A
c
` [A
t
A
c
[ T
c
] .
Dar conform propozitiei anterioare, (A
t
)
t0
este un T
t
-martingal si deci
` [A
t
A
c
[ T
c
] = 0.
fapt ce arata ca
`
_
A
2
t
A
2
c
[ T
c

= `
_
(A
t
A
c
)
2
[ T
c

= `
_
(A
t
A
c
)
2

= t :.
3.2 Constructia integralei stochastice
In continuare timpul va un interval nit sau [0. +). De asemenea vom
considera un cimp de probabilitate complet (. T. 1) si o baza stochastica
(ltratie) (T
t
)
t0
pe . Completam ltratia cu multimile neglijabile din T,
adica cu multimile cu 1 () = 0. Se obtine o noua ltratie, pe care o
118 Cap. 3. Integrala stocastica browniana
vom nota tot cu (T
t
)
t0
ce are proprietatea ca \t _ 0. T
0
contine multimile
neglijabile din T.
Fie (\
t
)
t0
o Miscare Browniana in raport cu ltratia (T
t
)
t0
, adica un
proces stochastic cu valori reale ce are urmatoarele proprietati:
(1) Are traiectoriile continue (deci functia t \
t
(.) este continua pentru
orice .) si \
0
= 0.
(2) Este proces cu cresteri independente, adica daca : _ t, variabila aleatoare
A
t
A
c
este independenta de corpul borelian T
c
.
(3) Daca : _ t atunci variabila aleatoare A
t
A
c
are repartitia normala de
parametri 0 si t : (pe scurt A
t
A
c
`(0. t :)).
(4) \
t
este T
t
-adaptat.
In Denitia 1.2 este considerat cazul particular in care T
t
= T
A
t
.
In continuare vom considera 0 < 1 < . Scopul este sa denim integrala
stochastica
T
_
0
, (t) d\
t
. unde , (t. .) este un proces stochastic.
Pentru . xat ar trebui sa denim integrala
T
_
0
, (t) d\
t
(.). Daca aplicatia
t \
t
(.) ar derivabila, acest tip de integrala ar avea sens si am putea-o
deni prin
T
_
0
, (t) \
0
t
(.)dt.
Daca aplicatia t \
t
(.) ar cu variatie nita, atunci pentru procese cu
traiectoriile continue (adica daca aplicatia t , (t. .) este continua) am
putea da un sens integralei
T
_
0
, (t) d\
t
(.) daca tinem seama de faptul ca
o functie continua este integrabila Stieltjes in raport cu o functie cu vari-
atie nita. In continuare, vom arata ca traiectoriile Miscarii Browniene nu
sunt cu variatie nita pe nici un interval compact, si deci denirea integralei
stochastice ca o integrala in sens clasic, determinist, esueaza.
Propozitia 2.1. Fie
a
=
_
0 = t
a
0
< t
a
1
< . . . < t
a
a1
< t
a
I(a)
= 1
_
un sir
de diviziuni ale intervalului [0. 1] (de exemplu se poate lua t
a
I
=
I
a
) cu pro-
prietatea |
a
| = max
i
_
t
a
i
t
a
i1
_
0.
Atunci
o
a
:=
I(a)1

i=0

\
t
n
i+1
\
t
n
i

2
1
2

ao
1.
3.2. Constructia integralei stocastice 119
Demonstratie. Pentru simplicarea scrierii vom presupune ca /(:) = : si
vom suprima exponentul : de la t
a
i
. Avem ca
c
a
= `
_
[o
a
1[
2
_
= `
_
_
_
a1

i=0
_
\
t
i
+1
\
t
i
_
2
1
_
2
_
_
=
`
_

_
a1

i=0
_
\
t
i+1
\
t
i
_
4
+ 2
a1

i,)=0
i<)
_
\
t
i+1
\
t
i
_
2
_
\
t
j+1
\
t
j
_
2
21
a1

i=0
_
\
t
i+1
\
t
i
_
2
+ 1
2
_
. (3.2.1)
Stim ca daca A este repartizata normal ` (0. o
2
), atunci momentele de ordin
2/ sunt date de egalitatea `
2I
(A) =
(2I)!
2
k
I!
o
2I
.
Asadar intrucit
A
i
= \
t
i+1
\
t
i
` (0. t
i+1
t
i
) = ` (0. o
i
) . o
i
= t
i+1
t
i
.
avem
`
_
_
\
t
i+1
\
t
i
_
2
_
= t
i+1
t
i
. `
_
_
\
t
i+1
\
t
i
_
4
_
= 3 (t
i+1
t
i
)
2
.
Pentru i < , avem
`
_
_
\
t
j+1
\
t
j
_
2
_
\
t
i+1
\
t
i
_
2
_
=
`
_
`
_
_
\
t
j+1
\
t
j
_
2
_
\
t
i+1
\
t
i
_
2
[ T
t
j
__
=
`
_
_
\
t
i+1
\
t
i
_
2
`
_
_
\
t
j+1
\
t
j
_
2
[ T
t
j
__
=
`
_
_
\
t
i+1
\
t
i
_
2
`
_
_
\
t
j+1
\
t
j
_
2
__
= (t
)+1
t
)
) (t
i+1
t
i
) .
Inlocuind cele de mai sus in (3.2.1) obtinem
c
a
= 3
a1

i=0
(t
i+1
t
i
)
2
+ 2
a1

i,)=0
i<j
(t
)+1
t
)
) (t
i+1
t
i
)
120 Cap. 3. Integrala stocastica browniana
21
a1

i=0
(t
i+1
t
i
) + 1
2
.
si cum
a1

i=0
(t
i+1
t
i
) = 1 ,
c
a
= 2
a1

i=0
(t
i+1
t
i
)
2
_ 2
a1

i=0
|
a
| (t
i+1
t
i
) =
2 |
a
|
a1

i=0
(t
i+1
t
i
) = 21 |
a
| 0.
Propozitia 2.2. Aproape sigur traiectoriile Miscarii Browniene sunt cu
variatie innita pe orice interval compact.
Demonstratie. Fie (
a
)
a
=
_
t
a
i
=
iT
2
n
. i = 0. 1. .... 2
a
_
a
. Atunci
,
a
:=
2
n
1

i=0

\
t
n
i+1
\
t
n
i

2
_ sup
i

\
t
n
i+1
\
t
n
i

2
n
1

i=0

\
t
n
i+1
\
t
n
i

. (3.2.2)
Alegem un subsir /(:) asa incit ,
I(a)
o.c.

ao
1 si intrucit \ este continua pe
[0. 1] avem pentru orice .
sup
i

\
t
n
i+1
\
t
n
i

(.) 0.
Cele precedente si (3.2.2) implica faptul ca a.s.
2
k(n)
1

i=0

\
t
k(n)
i+1
\
t
k(n)
i

.
si aceasta arata ca a.s. \ are variatie innita.
Fie in continuare 0 _ c < , _ 1 si vom da un sens integralei stochastice
o
_
c
, (t) d\
t
pentru o anumita clasa de procese , (t)
cto
.
3.2. Constructia integralei stocastice 121
Fie T
2
([c. ,]) clasa proceselor , (t)
cto
: , proces T
t
-adaptat si masur-
abil (i.e. proces T
t
neanticipant) asa incit
1
_
_
_
_
_
. :
o
_
c
,
2
(t) dt < +
_
_
_
_
_
= 1.
Fie
2
([c. ,]) clasa proceselor T
t
-neanticipante , (t)
cto
cu proprietatea
`
_
_
o
_
c
,
2
(t) dt
_
_
< +.
Observatia 2.3. Are loc incluziunea
2
([c. ,]) T
2
([c. ,]).
Denitia 2.4. Notam prin c ([c. ,]) subspatiul lui
2
([c. ,]) format din
procese etajate (sau simple), deci
, c ([c. ,]) = o partitie : (c = t
0
< t
1
< . . . < t
a
= ,) a intervalului
[c. ,] astfel inct \/ = 0. .... :1. ,
I
o variabila aleatoare reala denita pe
(. T. 1), masurabila in raport cu T
t
k
. marginita si cu proprietatea
, (t) = ,
I
daca t [t
I
. t
I+1
) .
sau altfel spus,
, (t) =
a1

I=0
,
I
1
[t
k
,t
k+1
)
(t). (3.2.3)
Denirea integralei stochastice o vom face in mai multe etape.
Pasul 1. Fie , c ([c. ,]) .
Punem prin denitie
o
_
c
, (t) d\
t
=
a1

I=0
,
I
_
\
t
k+1
\
t
k
_
(3.2.4)
Nu este dicil de vazut ca denitia precedenta este independenta de scrierea
lui f ca in (3.2.3).
Principalele proprietati ale integralei mai sus denite sunt formulate in
propozitia urmatoare.
122 Cap. 3. Integrala stocastica browniana
Propozitia 2.5. (1) Aplicatia I denita prin 1 (,) =
o
_
c
, (t) d\
t
pe spatiul
c ([c. ,]) si cu valori variabile aleatoare este o aplicatie liniara, adica este
adevarata relatia
o
_
c
[`
1
,
1
(t) + `
2
,
2
(t)] d\
t
=
`
1
o
_
c
,
1
(t) d\
t
+ `
2
o
_
c
,
2
(t) d\
t
; \`
1
. `
2
1.,
1
. ,
2
c ([c. ,]) .
(2) Pentru , c ([c. ,]) .
`
_
_
o
_
c
, (t) d\
t
_
_
= 0. `
_
_
_

o
_
c
, (t) d\
t

2
_
_
_
= `
_
_
o
_
c
,
2
(t) dt
_
_
=
=
o
_
c
`
_
,
2
(t)
_
dt. (3.2.5)
(3) Daca , c ([c. ,]) .
1
_
_

o
_
c
, (t) d\
t


_
_
_ 1
_
_
o
_
c
,
2
(t) dt `
_
_
+
`

2
. \. ` 0. (3.2.6)
Demonstratie. Armatia (1) rezulta cu usurinta.
(2) Folosind faptul ca ,
I
si \
t
k+1
\
t
k
sunt independente, avem
`
_
o
_
c
, (t) d\
t
_
= `
_
a1

I=0
,
I
_
\
t
k+1
\
t
k
_
_
=
a1

I=0
`
_
,
I
_
\
t
k+1
\
t
k
__
=
a1

I=0
` (,
I
) `
_
\
t
k+1
\
t
k
_
= 0.
Apoi
`
_
_
o
_
c
,
2
(t) dt
_
_
= `
_
_
a1

I=0
t
k+1
_
t
k
,
2
(t) dt
_
_
=
a1

I=0
`
_
_
t
k+1
_
t
k
,
2
I
dt
_
_
=
3.2. Constructia integralei stocastice 123
a1

I=0
`
_
,
2
I
(t
I+1
t
I
)
_
=
a1

I=0
(t
I+1
t
I
) `
_
,
2
I
_
.
Mai departe
_
o
_
c
, (t) d\
t
_
2
=
_
a1

I=0
,
I
_
\
t
k+1
\
I
_
_
2
=
a1

I=0
,
2
I
_
\
t
k+1
\
I
_
2
+ 2
a1

I,|=0
I<|
,
I
,
|
_
\
t
k+1
\
t
k
_ _
\
t
l+1
\
t
l
_
Notam prin

I
= ,
2
I
_
\
t
k+1
\
t
k
_
2
. 1
I|
= ,
I
,
|
_
\
t
k+1
\
t
k
_ _
\
t
l+1
\
t
l
_
.
0 _ / < | _ : 1. Atunci
` (
I
) = `
_
_
\
t
k+1
\
t
k
_
2
_
`
_
,
2
I
_
= (t
I+1
t
I
) `
_
,
2
I
_
.
si din independenta dintre \
t
l+1
\
t
l
si T
t
l
obtinem
` (1
I|
) = `
_
,
I
_
\
t
k+1
\
tI
_
,
|
_
\
t
l+1
\
t|
_
=
`
_
,
I
,
|
_
\
t
k+1
\
t
k
_
`
_
,
|
_
\
t
l+1
\
t
l
_
= 0.
Asadar, intrucit
_
_
o
_
c
, (t) d\
t
_
_
2
=
a1

I=0

I
+ 2
a1

I,|=0
I<|
1
I|
.
calculele de mai sus implica
`
_

_
_
_
o
_
c
, (t) d\
t
_
_
2
_

_
=
a1

I=0
` (
I
) =
a1

I=0
(t
I+1
t
I
) `
_
,
2
I
_
= `
_
_
o
_
c
,
2
(t) dt
_
_
.
124 Cap. 3. Integrala stocastica browniana
(3) Fie , c ([c. ,]) . . ` 0.
Daca . 1 T stim ca
1 () = 1 [( 1) ' ( 1
c
)] =
1 ( 1) + 1 ( 1
c
) _ 1 ( 1) + 1 (1
c
) .
Vom deni
=
_
_
_
. :
_
_
o
_
c
, (t) d\
t
_
_
(.)
_
_
_
. 1 =
_
_
_
. :
o
_
c
,
2
(t. .) dt _ `
_
_
_
.
Atunci conform inegalitatii de mai sus,
1
_
_

o
_
c
, (t) d\
t


_
_
_ (3.2.7)
1
_
_

o
_
c
, (t) d\
t

.
o
_
c
,
2
(t) dt _ `
_
_
+ 1
_
_
o
_
c
,
2
(t) dt `
_
_
.
Vrem sa aproximam procesul , (t)
cto
printr-un proces ,
.
(t)
cto

c ([c. ,]) pentru a putea aplica punctul (2) al propozitiei.
Denim
,
.
(t) =
_

_
, (t) , t
I
_ t < t
I+1
si
I

)=0
,
2
)
(t
)+1
t
)
) _ `.
0 t
I
_ t < t
I+1
si
I

)=0
,
2
)
(t
)+1
t
)
) `.
=
_
,
I
, t
I
_ t < t
I+1
si
_
t
k+1
0
,
2
(t)dt _ `.
0 t
I
_ t < t
I+1
si
_
t
k+1
0
,
2
(t)dt `.
Deoarece ,
.
=
a1

I=0
q
I
1
[t
k
,t
k+1
)
, unde
q
I
= ,
I
1
_
k

j=0
)
2
j
(t
j+1
t
j
).
_
.
3.2. Constructia integralei stocastice 125
in mod evident ,
.
c ([c. ,]) .
Fie i intregul aleator denit prin
i (.) = max
_
0 _ / _ : 1 :
I

)=0
,
2
)
(.) (t
)+1
t
)
) _ `
_
Rezulta ca
i(.)

)=0
,
2
)
(.) (t
)+1
t
)
) _ `
si deci
o
_
c
,
2
.
(t) dt =
i

)=0
,
2
)
(t
)+1
t
)
) _ ` =`
_
_
o
_
c
,
2
.
(t) dt
_
_
_ `.
Daca . satisface
o
_
c
,
2
(t. .) dt _ `.atunci , (t. .) = ,
.
(t. .) (conform mod-
ului de denire al procesului ,
.
) si putem scrie
1
_
_

o
_
c
, (t) d\
t

.
o
_
c
,
2
(t) dt _ `
_
_
_
1
_
_

o
_
c
, (t) d\
t

. , (t) = ,
.
(t)
_
_
_ 1
_
_

o
_
c
,
.
(t) d\
t


_
_
. (3.2.8)
Daca aplicam inegalitatea lui Cebisev obtinem
1
_
_

o
_
c
,
.
(t) d\
t


_
_
_
1

2
`
_

_
_
_
o
_
c
,
.
(t) d\
t

_
_
2
_

_
=
1

2
`
_
_
o
_
c
,
2
.
(t) dt
_
_
_
`

2
.
Asadar
126 Cap. 3. Integrala stocastica browniana
1
_
_

o
_
c
, (t) d\
t

.
o
_
c
,
2
(t) dt _ `
_
_
_
`

2
(3.2.9)
si deci inlocuind (3.2.8), (3.2.9) in (3.2.7) obtinem
1
_
_

o
_
c
, (t) d\
t


_
_
_
`

2
+ 1
_
_
o
_
c
,
2
(t) dt _ `
_
_
.
Observatia 2.6. Se poate arata ca (demonstratia nu este imediata):
(a) Daca , T
2
([c. ,]) atunci exista ,
a
c ([c. ,]) astfel incit
o
_
c
[,
a
(t) , (t)[
2
dt
o.c.
0.
(b) Daca ,
2
([c. ,])atunci exista q
a
c ([c. ,]) astfel incit
`
_
_
o
_
c
[q
a
(t) , (t)[
2
dt
_
_
0.
Pasul 2. Fie , T
2
([c. ,]) si (,
a
)
a
sirul de procese etajate dat de observatia
precedenta (punctul (a)). Atunci pentru 0. ` 0 xati, avem
1
_
_

o
_
c
(,
n
(t) ,
a
(t)) d\
t


_
_
_ (3.2.10)
1
_
_
o
_
c
[,
n
(t) ,
a
(t)[
2
dt `
_
_
+
`

2
.
Sirul
o
_
c
[,
a
(t) , (t)[
2
dt converge a.s. la 0 si deci in particular converge in
probabilitate la 0.
Putem scrie
3.2. Constructia integralei stocastice 127
o
_
c
[,
n
(t) ,
a
(t)[
2
dt =
o
_
c
[(,
n
(t) ,
a
(t)) + , (t) ,
a
(t)[
2
dt _
2
o
_
c
[,
n
(t) , (t)[
2
dt + 2
o
_
c
[,
a
(t) , (t)[
2
dt.
de unde rezulta ca
o
_
c
[,
n
(t) ,
a
(t)[
2
dt converge in probabilitate la 0, deci
lim
n,a+o
1
_
_
o
_
c
[,
n
(t) ,
a
(t)[
2
dt `
_
_
= 0. \` 0.
Revenind la (3.2.10) deducem
lim
a,no
1
_

o
_
c
(,
n
(t) ,
a
(t)) d\
t


_
_
lim
a,no
1
_

o
_
c
[,
n
(t) ,
a
(t)[
2
`

_
+
.
.
2
=
.
.
2
.
si apoi facind ` 0 obtinem.
lim
a,no
1
_
_

o
_
c
(,
n
(t) ,
a
(t)) d\
t


_
_
= 0. \ 0.
deci sirul
_
o
_
c
,
a
(t) d\
t
_
a
este Cauchy in probabilitate, deci este convergent
in probabilitate la o variabila aleatoare, notata
o
_
c
, (t) d\
t
si numita integrala
stochastica (sau It) a lui f in raport cu W.
Pentru ca modul de denire al integralei stochastice
o
_
c
, (t) d\
t
sa e corect,
vom demonstra ca aceasta nu depinde de sirul de aproximare ales. Fie, pentru
128 Cap. 3. Integrala stocastica browniana
aceasta, alt sir de procese (q
a
) ce satisface
o
_
c
[q
a
(t) , (t)[
2
dt
o.c.
0.
Denim un nou sir /
a
prin
/
2a
(t) = ,
a
(t) . /
2a+1
(t) = q
a
(t) .
Sirul
_
o
_
c
[/
a
(t) , (t)[
2
dt
_
a
este format din subsirul termenilor de rang par
_
o
_
c
[,
a
(t) , (t)[
2
dt
_
a
si subsirul termenilor de rang impar
_
o
_
c
[q
a
(t) , (t)[
2
dt
_
a
.
Ambele subsiruri sunt convergente si au limita 0. asa ca sirul
_
o
_
c
[/
a
(t) , (t)[
2
dt
_
a
converge a.s. la 0 si prin urmare sirul
_
o
_
c
/
a
(t) d\
t
_
a
converge in probabil-
itate.
Dar
_
o
_
c
,
a
(t) d\
t
_
a
si
_
o
_
c
q
a
(t) d\
t
_
a
sunt subsiruri ale lui
_
o
_
c
/
a
(t) d\
t
_
,
sir care este convergent in probabilitate, deci cele doua subsiruri au aceeasi
limita in probabilitate
lim
a+o
o
_
c
,
a
(t) d\
t
= lim
a+o
o
_
c
q
a
(t) d\
t
.
Propozitia 2.7. (1) Aplicatia

I denita pe spatiul T
2
([c. ,]) prin

I (,) =
o
_
c
,
a
(t) d\
t
este o aplicatie liniara, adica \`
1
. `
2
1.,
1
. ,
2
T
2
([c. ,]) .
o
_
c
`
1
,
1
(t) + `
2
,
2
(t) d\
t
= `
1
o
_
c
,
1
(t) d\
t
+ `
2
o
_
c
,
2
(t) d\
t
;
3.2. Constructia integralei stocastice 129
(2) Daca ,
2
([c. ,]) ctn:ci
`
_
_
o
_
c
, (t) d\
t
_
_
= 0. (3.2.11)
`
_

o
_
c
, (t) d\
t

2
_

_
=
o
_
c
`
_
,
2
(t)

dt = `
_
_
o
_
c
,
2
(t) dt
_
_
. (3.2.12)
(3) Daca , T
2
([c. ,]) atunci
1
_
_

o
_
c
, (t) d\
t


_
_
_ 1
_
_
o
_
c
,
2
(t) dt `
_
_
+
`

2
. (3.2.13)
Observatia 2.8. Integrala stochastica pentru procese etajate denita la
inceputul sectiunii coincide cu integrala stochastica a unui proces etajat
privit ca un proces din T
2
([c. ,]). Mai precis, e , c ([c. ,]) si deci
, T
2
([c. ,]) .
Sirul (,
a
)
a
de procese etajate denit prin ,
a
(t. .) = , (t. .) ; \t [c. ,] . .
. este un sir constant si evident
o
_
c
[,
a
(t) , (t)[
2
dt
o.c.
0.
Deci
o
_
c
,
a
(t) d\
t
j

o
_
c
, (t) d\
t
:=

1 (,)
Dar
o
_
c
,
a
(t) d\
t
=
o
_
c
, (t) d\
t
= 1 (,) . \: _ 1.
implica

1 (,) = 1 (,) .
130 Cap. 3. Integrala stocastica browniana
Demonstratia Propozitiei 2.7. (1) Fie ,. q T
2
([c. ,]) . `
1
. `
2
1 si e
sirurile (,
a
)
a
. (q
a
)
a
din c ([c. ,]) alese astfel inct
o
_
c
[,
a
(t) , (t)[
2
dt
o.c.
0.
o
_
c
[q
a
(t) q (t)[
2
dt
o.c.
0.
Atunci
o
_
c
,
a
(t) d\
t
j

o
_
c
, (t) d\
t
.
o
_
c
q
a
(t) d\
t
j

o
_
c
q (t) d\
t
.
Fie /(t) = `
1
, (t) + `
2
q (t) . /
a
(t) = `
1
,
a
(t) + `
2
q
a
(t) .
Avem
o
_
c
[/
a
(t) /(t)[
2
dt =
o
_
c
[`
1
,
a
(t) + `
2
q
a
(t) `
1
, (t) + `
2
q (t)[
2
dt =
o
_
c
[`
1
(,
a
(t) , (t)) + `
2
(q
a
(t) q (t))[
2
dt _
2
o
_
c
_
`
2
1
[,
a
(t) , (t)[
2
+ `
2
2
[q
a
(t) q (t)[
2

dt
_ 2`
2
1
o
_
c
[,
a
(t) , (t)[
2
dt + 2`
2
2
o
_
c
[q
a
(t) q (t)[
2
0.
asa ca
o
_
c
/
a
(t) d\
t
j

o
_
c
/(t) d\
t
Pentru procesele etajate ,
a
. q
a
putem scrie
o
_
c
[`
1
,
a
(t) + `
2
q
a
(t)] d\
t
= `
1
o
_
c
,
a
(t) d\
t
+ `
2
o
_
c
q
a
(t) d\
t
.
3.2. Constructia integralei stocastice 131
ce implica
o
_
c
/
a
(t) d\
t
= `
1
o
_
c
,
a
(t) d\
t
+ `
2
o
_
c
q
a
(t) d\
t
.
Dar
o
_
c
,
a
(t) d\
t
j

o
_
c
, (t) d\
t
.
o
_
c
q
a
(t) d\
t
j

o
_
c
q (t) d\
t
.
o
_
c
/
a
(t) d\
t
j

o
_
c
/(t) d\
t
.
si atunci trecnd la limita in ultima egalitate obtinem
o
_
c
/(t) d\
t
= `
1
o
_
c
, (t) d\
t
+ `
2
o
_
c
q (t) d\
t
.
(2) Fie , c
2
([c. ,]). Conform Observatiei 2.6-(b), exista (,
a
)
a
un sir de
procese etajate marginite astfel inct
`
_
_
o
_
c
[,
a
(t) , (t)[
2
_
_
dt 0.
Vom arata chiar ca
o
_
c
,
a
(t) d\
t
1
2
()

o
_
c
, (t) d\
t
si pentru aceasta vom arata
ca sirul A
a
=
_
o
_
c
,
a
(t) d\
t
_
a
este un sir Cauchy in norma din 1
2
() . Avem
ca
|A
a
A
n
|
2
1
2
()
= `
_

o
_
c
,
a
(t) d\
t

o
_
c
,
n
(t) d\
t

2
_

_
= `
_

o
_
c
[,
a
(t) ,
n
(t)] d\
t

2
_

_
.
132 Cap. 3. Integrala stocastica browniana
Sirul indexat dupa :. :. (,
n
(t) ,
a
(t))
n,a
este format din procese etajate,
marginite, deci folosind Propozitia 2.5-( 2) rezulta
`
_

o
_
c
,
a
(t) ,
n
(t) d\
t

2
_

_
= `
_
_
o
_
c
[,
a
(t) ,
n
(t)[
2
dt
_
_
0.
Asadar exista q 1
2
() astfel inct
o
_
c
,
a
(t) d\
1
2
()
q.
Dar
o
_
c
,
a
(t) d\
t
j

o
_
c
, (t) d\
t
, deci din unicitatea limitei rezulta ca
q =
o
_
c
, (t) d\
t
si deci
o
_
c
,
a
(t) d\
t
1
2
()

o
_
c
, (t) d\
t
.
In continuare folosim urmatorul rezultat simplu a carui demonstratie o lasam
cititorului ca exercitiu: daca /
a
. / 1
2
() sunt astfel incit /
a
1
2
()
/. atunci
` (/
a
) ` (/) . `
_
/
2
a
_
`
_
/
2
_
.
Luam acum
/
a
=
o
_
c
,
a
(t) d\
t
. / =
o
_
c
, (t) d\
t
si trecind la limita in egalitatile
`
_
_
o
_
c
,
a
(t) d\
t
_
_
= 0. `
_
_
o
_
c
,
a
(t) d\
t
_
_
2
= `
_
_
o
_
c
,
2
a
(t) dt
_
_
.
(care stim ca sunt adevarate deoarece (,
a
)
a
este un sir de procese etajate din
c
2
([c. ,])).obtinem (3.2.11), (3.2.12).
(3) Fie , T
2
([c. ,]) . . ` 0.
3.2. Constructia integralei stocastice 133
Stim ca exista un sir (,
a
(t))
a
de procese etajate asa incit
o
_
c
[,
a
(t) , (t)[
2
dt
o.c.
0.
o
_
c
,
a
(t) d\
t
j

o
_
c
, (t) d\
t
.
Conform inegalitatii (3.2.6),
1
_
_

o
_
c
,
a
(t) d\
t


t
_
_
_ 1
_
_
o
_
c
,
2
a
(t) dt `
t
_
_
+
`
t

t
. \
t
. `
t
0.
Alegind
t
< avem
1
_
_

o
_
c
, (t) d\
t


_
_
= 1
_
_

o
_
c
, (t) d\
t

o
_
c
(,
a
,) d\

_
t
_
_
+1
_
_

o
_
c
, (t) d\
t

o
_
c
(,
a
,) d\


t
_
_
_
1
_
_

o
_
c
(,
a
,) d\


t
_
_
+ 1
_
_

o
_
c
,
a
(t) d\
t


t
_
_
. (3.2.14)
Dar intrucit
1
_
_

o
_
c
,
a
(t) d\
t


t
_
_
_ 1
_
_
o
_
c
,
2
a
(t) dt `
t
_
_
+
`
t
(
t
)
2
din (3.2.14) deducem
1
_
_

o
_
c
, (t) d\
t


_
_
_ 1
_
_

o
_
c
(,
a
,) d\


t
_
_
+
+1
_
_
o
_
c
,
2
a
(t) dt `
t
_
_
+
`
t
(
t
)
2
_
134 Cap. 3. Integrala stocastica browniana
1
_
_

o
_
c
(,
a
,) d\


t
_
_
+ 1
_
_
o
_
c
,
2
(t) dt
`
t
4
_
_
+
1
_
_
o
_
c
(,
a
(t) , (t))
2
dt
`
t
4
_
_
+
`
t
(
t
)
2
.
de unde facind : +.
1
_
_
o
_
c
, (t) d\
t

_
_
_ 1
_
_
o
_
c
,
2
(t) dt
`
t
4
_
_
+
`
t
(
t
)
2
Alegem: `
t
= 4`.
t
=
.
2
si obtinem inegalitatea dorita.
Observatia 2.9. Daca ,
2
([c. ,]) atunci ,
2
([:. t]) . \c _ : _ t _ ,.
Teorema 2.10. Fie , ([c. ,]). Atunci jc:t:n o:icc c _ : _ t _ ,. au
loc egalitatile:
(a) `
_
t
_
c
, (n) d\
&
[ T
c
_
= 0.
(b) `
_

t
_
c
, (n) d\
&

2
[ T
c
_
= `
_
t
_
c
,
2
(n) dn [ T
c
_
.
Observatia 2.11. (1) Subpunctul (a) probeaza faptul ca procesul
_
t
_
c
, (n) d\
&
_
cto
este un T
t
-martingal, iar (b) spune in esenta ca
_
_
t
_
c
, (n) d\
&
_
2

t
_
c
,
2
(n) dn
_
cto
este tot un T
t
-martingal.
(2) Se poate arata ca procesul integrala stochastica
_
t
_
c
, (n) d\
&
_
cto
cu
, T
2
([c. ,]) . are o versiune continua pe care o vom nota tot la fel si aceasta
versiune va considerata in continuare.
Pentru demonstratia Teoremei 2.10 se necesita Lema urmatoare:
3.2. Constructia integralei stocastice 135
Lema 2.12. Fie , T
2
([c. ,]) si T
c
masurabila si marginita. Atunci
o
_
c
[, (t)] d\
t
=
o
_
c
, (t) d\
t
. (3.2.15)
Demonstratia Lemei 2.12. Daca , este etajata , atunci , se poate scrie
, (t) =
a1

I=0
,
I
1
[t
k
,t
k+1
)
(t).
cu ,
I
T
t
k
masurabila si marginita. Atunci cum ,
I
este T
t
k
-masurabila
o
_
c
[, (t)] d\
t
=
o
_
c
_
a1

I=0
,
I
1
[t
k
,t
k+1
)
(t)
_
d\
t
=
a1

I=0
,
I
_
\
t
k+1
\
t
k
_
=
a1

I=0
,
I
_
\
t
k+1
\
t
k
_
=
o
_
c
, (t) d\
t
.
Fie acum , T
2
([c. ,]) si alegem (,
a
)
a
un sir de procese etajate ce satisface
o
_
c
[,
a
(t) , (t)[
2
dt
o.c.
0. (3.2.16)
Pentru : xat avem conform celor de mai sus,
o
_
c
(,
a
(t)) d\
t
=
o
_
c
,
a
(t) d\
t
. (3.2.17)
Insa (q
a
)
a
= (,
a
(t))
a
este un sir de procese etajate ce satisface
o
_
c
[q
a
(t) ,
a
(t)[
2
dt =
2
o
_
c
[,
a
(t) , (t)[
2
dt
o.c.
0. (3.2.18)
Din relatiile (3.2.16) si (3.2.18) rezulta ca
136 Cap. 3. Integrala stocastica browniana
o
_
c
,
a
(t) d\
t
j

o
_
c
, (t) d\
t
si
o
_
c
(,
a
(t)) d\
t
j

o
_
c
(, (t)) d\
t
.
Trecnd la limita dupa : in relatia (3.2.17) se obtine
o
_
c
[,
a
(t)] d\
t
=
_
_
o
_
c
, (t) d\
t
_
_
.
Demonstratia Teoremei 2.10. Fie c _ : _ t _ ,. Nu este nici o
problema in a vedea ca rezultatul din lema precedenta poate imediat extins
la cazul cind : _ j _ 0 _ ,. T
j
masurabila, avind in aceasta situatie
egalitatea

_
_

_
j
, (:) d\
v
_
_
=

_
j
[, (:)] d\
v
. (3.2.19)
(a) Fie T
c
. Atunci lund = 1

in (3.2.19) vom obtine


1

_
_
t
_
c
, (n) d\
&
_
_
=
t
_
c
[1

,(n)] d\
&
.
Putem scrie atunci
_

_
_
t
_
c
, (n) d\
&
_
_
d1 =
_

_
_
1

t
_
c
, (n) d\
&
_
_
d1 =
_

_
_
t
_
c
(1

, (n)) d\
&
_
_
d1 = `
_
_
t
_
c
(1

, (n)) d\
&
_
_
= 0.
deoarece 1

,
2
([c. ,]) si se aplica proprietatea (3) a Propozitiei 2.7, unde
intervalul [c. ,] este inlocuit cu [:. t] .
3.2. Constructia integralei stocastice 137
Atunci, conform denitiei valorii medii conditionate rezulta ca
`
_
_
t
_
c
, (n) d\
&
[ T
c
_
_
= 0.
(b) Consideram din nou T
c
oarecare. Atunci
_

_
_
_
_
t
_
c
, (n) d\
&
_
_
2
_
_
d1 =
_

_
_
1

_
_
t
_
c
, (n) d\
&
_
_
2
_
_
d1 =
=
_

_
_
1
2

_
_
t
_
c
, (n) d\
&
_
_
2
_
_
d1 =
_

_
_
1

t
_
c
, (n) d\
&
_
_
2
d1 =
_

_
_
t
_
c
(1

, (n)) d\
&
_
_
2
d1 =
_

_
_
t
_
c
1

,
2
(n) dn
_
_
d1 =
_

_
_
1

t
_
c
,
2
(n) dn
_
_
d1 =
_

_
_
t
_
c
,
2
(n) dn
_
_
d1.
fapt ca probeaza armatia.
Teorema 2.13 (inegalitatile lui Doob pentru timp continuu). Daca (`
t
) este
un martingal continuu atunci:
`
_
sup
tT
[`
t
[
_
j
_
_
j
j 1
_
j
` ([`
T
[
j
) . \j 1. 1 0. (3.2.20)
1
_
sup
tT
[`
t
[ c
_
_ c
v
` ([`
T
[
v
) . \: _ 1. c. 1 0. (3.2.21)
In particular daca , ,
2
([0. 1]) au loc inegalitatile
`
_
sup
tT

_
t
0
,(:)d\
c

_
2
_ 4`
__
T
0
[,(:)[
2
d:
_
. (3.2.22)
1
_
sup
tT

_
t
0
,(:)d\
c

c
_
_ c
2
`
__
T
0
[,(:)[
2
d:
_
. \c 0. (3.2.23)
138 Cap. 3. Integrala stocastica browniana
Demonstratie. Din continuitatea traiectoriilor rezulta egalitatea
sup
tT
[`
t
[ = sup
tT,Q
[`
t
[ .
Acuma inegalitatile (3.2.20), (3.2.21) sint consecinte ale inegalitatilor (3.1.19)
si (3.1.20). Mai departe aplicind (3.2.20) si (3.2.21) martingalului
_
_
t
0
,(:)d\
c
_
t
obtinem (3.2.22) si (3.2.23) .
Teorema 2.14. Fie ,
a
. , T
2
([0. 1]) asa incit
_
T
0
[,
a
(t) ,(t)[
2
dt
j
0.
Atunci
_
T
0
,
a
(t)d\
t
j

_
T
0
,(t)d\
t
.
Demonstratie. Prin aplicarea inegalitatii (3.2.13) obtinem pentru . ` 0.
1
_

_
T
0
,
a
(t)d\
t

_
T
0
,(t)d\
t


_
_
1
_

_
T
0
[,
a
(t) ,(t)[
2
dt


_
+
`

2
.
de unde luind lim
ao
deducem
lim
ao
1
_

_
T
0
,
a
(t)d\
t

_
T
0
,(t)d\
t


_
_
`

2
.
si apoi facind ` 0 obtinem
lim
ao
1
_

_
T
0
,
a
(t)d\
t

_
T
0
,(t)d\
t


_
= 0.
ceea ce inseamna ca
_
T
0
,
a
(t)d\
t
j

_
T
0
,(t)d\
t
.
Ca o consecinta a teoremei precedente obtinem urmatorul rezultat de aprox-
imare a integralei stochastice cu integrala Riemman-Stieltjes:
3.3. FORMULADESCHIMBAREDEVARIABILASAUFORMULALUI IT139
Teorema 2.15. Fie , 1
2
([c. ,]) . , (.. .) continua pentru . xat. Fie
(
a
)
a
un sir de partitii,
a
: c = t
a
0
< t
a
1
< . . . < t
a
a
= ,. cu |
a
| 0.
Atunci
a1

I=0
, (t
a
I
)
_
\
t
n
k+1
\
t
n
k
_
j

ao
o
_
c
, (t) d\
t
.
Demonstratie. Avnd diviziunea
a
data, denim
,
a
(t) = , (t
a
I
) . t
_
t
a
I
. t
a
I+1
_
. 0 _ / _ : 1.
n t = ,. ,
a
se deneste arbitrar.
Se obtine astfel un sir de procese etajate (,
a
)
a
. Evident
o
_
c
,
a
(t) d\
t
=
a1

I=0
, (t
a
I
)
_
\
t
n
k+1
\
t
n
k
_
.
Conform teoremei anterioare avem de aratat ca
o
_
c
[,
a
(t) , (t)[
2
dt
j

ao
0.
De fapt intrucit aplicatia t [c. ,] , (t. .) este continua, [c. ,] este
intervalul comparat, rezulta ca aplicatia este uniform continua si de aici lasam
cititorului sa verice ca pentru orice .
o
_
c
[,
a
(t. .) , (t. .)[
2
dt 0.
3.3 Formula de schimbare de variabila sau
formula lui It
Formula de schimbare de variabila sau formula lui It este rezultatul central al
calcului stochastic. Este extensia la cazul stochastic a formulei de schimbare
de variabila in integrala clasica.
140 Cap. 3. Integrala stocastica browniana
Vom preciza, n continuare, principalele elemente de care vom avea nevoie
pentru a formula rezultatul.
n cele ce urmeaz considerm 1 = [0. +) . Se dau:
(a) O variabila aleatoare real A
0
numit valoarea (conditia) initiala la mo-
mentul t = 0.
(b) Un proces c (t)
t0
apartinind lui T
2
([0. 1]) . pentru orice 1 0.
(c) Un proces / (t)
t0
T
t
-neanticipant ce satisface
1
_
_
t
_
0
[/ (:)[ d: < +
_
_
= 1. \t _ 0.
(d) O functie n(t. r) : 1
+
1 1 continua ce admite derivate partiale de
ordinul unu n t si de ordinul unu si doi n r continue (vom scrie acest fapt
pe scurt ca n C
1,2
(1
+
1)).
Denim procesul continuu A
t

t0
prin:
A
t
= A
0
+
t
_
0
/ (:) d: +
t
_
0
c (:) d\
c
. \t _ 0. (3.3.1)
Aplicatia t A
t
(.) este continua P-a.s., deoarece t
t
_
0
/ (:) d: este continua
(integrala denita dintr-o functie integrabila pe intervalul [0. t] este functie
continua), iar procesul integralei stochastice
_
t
_
0
c (:) d\
c
_
t0
are traiectoriile continue.
Procesul (A
t
)
t
se numeste proces It si este un caz particular de ceea ce se
numeste in general semimartingal, ind suma dintre valoarea initiala A
0
, o
integrala Riemman proprie si termenul integralei stochastice care reprezinta
partea de martingal.
Rezultatul fundamental este dat de teorema urmatoare:
Teorema 3.1 (Formula de schimbare de variabila sau formula lui It-cazul
real). Sub ipotezele de mai sus, procesul n(t. A
t
)
t0
este un semimartingal
ce satisface egalitatea:
n(t. A
t
) = n(0. A
0
) + (3.3.2)
3.3. Formula lui It 141
t
_
0
_
0&
0t
(:. A
c
) +
0&
0a
(:. A
c
) / (:) +
1
2
0
2
&
0a
2
(:. A
c
) c
2
(:)
_
d:+
+
t
_
0
0&
0a
(:. A
c
) c (:) d\
c
. c.:.. \t _ 0.
In particular, daca c = A
0
= 0. / = 1. cn c|tc cni:tc dccc A
t
=
\
t
. c:c |oc cqc|itctcc
n(t. \
t
) = n(0. 0) +
t
_
0
_
Jn
Jt
(:. \
c
) +
1
2
J
2
n
Jr
2
(:. \
c
)
_
d:+ (3.3.3)
t
_
0
Jn
Jr
(:. \
c
) d:. c.:.. \t _ 0.
Observatia 3.2. Daca aratam ca egalitatea de mai sus este adevarata a.s.
pentru un t xat ales arbitrar, din faptul ca cei doi termeni ai egalitatii
reprezinta procese continue va rezulta ca cele doua procese sunt procese in-
distinguabile, deci egalitatea va avea loc a.s. , pentru orice t _ 0.
Demonstratia Teoremei 3.1. Pasul 1. Presupunem ca ne aam n cazul
particular cnd A
0
= / = 0, c = 1, deci A
t
= \
t
.
n acest caz egalitatea ce trebuie demonstrata este (3.3.3).
Fie (
a
)
a
= (0 = t
a
0
< t
a
1
< . . . < t
a
a
= t)
a
un sir de diviziuni asa incit |
a
|
0. Atunci putem scrie folosind formula lui Taylor pentru . xat, pentru func-
tiile
q(t) = n(t. \
t
n
i+1
(.)). t
_
t
a
i
. t
a
i+1

.
/(r) = n(t
a
i
. r). r [r
1
. r
2
] . unde x
i
= \
t
n
i
(.) ori \
t
n
i+1
(.).
q
_
t
a
i+1
_
= q (t
a
i
) +
Jn
Jt
_
o
a
i
. \
t
n
i+1
_
_
t
a
i+1
t
a
i
_
(3.3.4)
cu o
a
i
variabila aleatoare ce apartine intervalului
_
t
a
i
. t
a
i+1

.
/
_
\
t
n
i+1
_
= /
_
\
t
n
i
_
+
Jn
Jt
_
t
a
i
. \
t
n
i
_
_
\
t
n
i+1
\
t
n
i
_
+ (3.3.5)
1
2
J
2
n
Jr
2
_
t
a
i
. \
t
n
i
+

o
a
i
_
\
a
t
i+1
\
t
n
i
__
142 Cap. 3. Integrala stocastica browniana
unde

o
a
i
este o variabila aleatoare ce satisface 0 _

o
a
i
_ 1. Folosind (3.3.4),
(3.3.5) se obtine
n(t. \
t
) n(0. 0) =
a1

i=0
_
n
_
t
a
i+1
. \
t
n
i+1
_
n
_
t
a
i
. \
t
n
i
_
_
= (3.3.6)
a1

i=0
_
n
_
t
a
i+1
. \
t
n
i+1
_
n
_
t
a
i
. \
t
n
i+1
__
+
a1

i=0
_
n
_
t
a
i
. \
t
n
i+1
_
n
_
t
a
i
. \
t
n
i
_
_
=
a1

i=0
Jn
Jt
_
t
a
i
. \
t
n
i+1
_
_
t
a
i+1
t
a
i
_
+
a1

i=0
__
Jn
Jt
_
o
a
i
. \
t
n
i+1
_

Jn
Jt
_
t
a
i
. \
t
n
i+1
_
_
t
a
i+1
t
a
i
_
__
+
a1

i=0
Jn
Jr
(t
a
i
. \
a
ti
)
_
\
t
n
i+1
\
t
n
i
_
+
1
2
J
2
n
Jr
2
_
t
a
i
. \
t
n
i
_
_
\
t
n
i+1
\
t
n
i
_
+
a1

i=0
_
1
2
_
\
t
n
i+1
\
t
n
i
_
2
_
J
2
n
Jr
2
_
t
a
i
. \
t
n
i
+

o
a
i
_
\
t
n
i+1
\
t
n
i
__

J
2
n
Jr
2
_
t
a
i
. \
t
n
i
_
__
.
Folosind continuitatea traiectoriilor Miscarii Browniene si a derivatelor
0&
0t
,
0&
0a
,
0
2
&
0a
2
si de ci uniform continuitatea pe intervale compacte, putem deduce:
c
a
= sup
0ia1

Jn
Jt
_
o
a
i
. \
t
i+1
_

Jn
Jt
_
t
a
i
. \
t
i+1
_

c.c.

ao
0. (3.3.7)
si
,
a
= sup
0ia1

J
2
n
Jr
2
_
t
a
i
. \
t
i
+

o
a
i
_
\
t
i+1
\
t
i
_

J
2
n
Jr
2
(t
a
i
. \
t
i
)

c.c.

ao
0.
(3.3.8)
Prin urmare folosind (3.3.7), (3.3.8) in (3.3.7) obtinem
n(t. \
t
) = n(0. 0) +
a1

i=0
Jn
Jt
_
t
a
i
. \
t
n
i+1
_
_
t
a
i+1
t
a
i
_
+ (3.3.9)
3.3. Formula lui It 143
a1

i=0
Jn
Jt
_
t
a
i
. \
t
n
i
_
_
\
t
n
i+1
\
t
n
i
_
+
1
2
J
2
n
Jr
2
_
t
a
i
. \
a
t
i
_ _
t
a
i+1
t
a
i
_
+
a
+ 1
a
+ C
a
.
unde,

a
_ c
a
t. ,
a
_
1
2
,
a
a1

i=0
_
\
t
n
i+1
\
t
n
i
_
2
.
C
a
=
1
2
a1

i=0
J
2
n
Jr
2
_
t
a
i
. \
t
n
i
_
_
_
\
t
n
i+1
\
t
n
i
_
2

_
t
a
i+1
t
a
i
_
_
.
Conform Propozitiei 2.1 rezulta ca
a1

i=0
_
\
t
n
i+1
\
t
n
i
_
2
1
2
a+o
t
Tinnd cont de faptul ca c
a
c.c.

ao
0 si ,
a
c.c.

ao
0 deducem ca ,
a
j
ao
0.
Se poate arata (detalierea ind mai delicata) ca si C
a
j
ao
0. Trecind la limita
n relatia (3.3.9) obtinem exact formula (3.3.3).
Pasul 2. Presupunem ca procesele c(t)
t
si / (t)
t
sunt constante, i.e. ()
c. / 1 astfel nct / (t) = /. c (t) = c. \ t _ 0. a.s..
Atunci A
t
se poate scrie
A
t
= A
0
+ c\
t
+ /t.
Daca denim
~ n(t. r) = n(t. A
0
+ /t + cr) .
rezulta ca
~ n(t. \
t
) = n(t. A
0
+ /t + c\
t
) = n(t. A
t
) .
si atunci, folosind pasul 1 pentru functia ~ n obtinem
~ n(t. \
t
) = ~ n(0. 0) +
t
_
0
_
J~ n
Jt
(:. \
c
) +
1
2
J
2
~ n
Jr
2
(:. \
c
)
_
d: +
t
_
0
J~ n
Jr
(:. \
c
) d\
c
(3.3.10)
144 Cap. 3. Integrala stocastica browniana
Tinnd cont de formula de derivare pentru functii compuse, putem scrie,
J~ n
Jt
(t. r) =
Jn
Jt
(t. A
0
+ /t + cr) + /
Jn
Jr
(t. A
0
+ /t + cr)
J~ n
Jr
(t. r) = c
Jn
Jr
(t. A
t
)
J
2
~ n
Jr
2
(t. r) = c
2
J
2
n
Jr
2
(t. A
t
) . ~ n(0. 0) = n(0. A
0
) .
Atunci
J~ n
Jt
(t. \
t
) =
Jn
Jt
_
t. A
t
+ /
Jn
Jr
(t. A
t
)
_
.
J~ n
Jr
(t. \
t
) = c
Jn
Jr
(t. A
t
) .
J
2
~ n
Jr
2
(t. \
t
) = c
2
J
2
n
Jr
2
(t. A
t
)
Relatia (3.3.10) se poate atunci rescrie sub forma
n(t. A
t
) = n(0. A
0
) +
t
_
0
_
0&
0t
(:. A
c
) + /
0&
0a
(:. A
c
) +
1
2
c
2 0
2
&
0a
2
(:. A
c
)
_
d: + +
t
_
0
c
0&
0a
(:. A
c
) d\
c
adica exact formula It pentru acest caz.
Pasul 3. Presupunem ca A
t
este de forma:
A
t
= A
0
+ c\
t
+ /t
unde A
0
, c, /, sunt variabile aleatoare 1
0
masurabile.
Notam prin = . [ formula It are loc si e / : denita
prin /(.) = (.. .).
Pe consideram urmatorul cimp de probabilitate
_
. T
0
E(\
t
: t _ 0) . 1 [
T
0
1 [
B(Wt:t0)
_
.
Fie acum 1 un eveniment arbitrar din T
0
E(\
t
: t _ 0) de tipul 1
1
1
2
,
unde 1
1
T
0
si 1
2
E(\
t
: t _ 0).
Atunci avem
_
1 /
1
_
(1) = 1 (. : /(.) 1) =
3.3. Formula lui It 145
1 (. : (.. .) 1
1
1
2
) = 1 (. 1
1
. . 1
1
) =
1 [
T
0
(1
1
) 1 [
B(Wt:t0)
=
_
1 [
T
0
1 [
B(Wt:t0)
_
(1
1
1
2
) .
(deoarece 1
1
T
0
, 1
2
E(\
t
: t _ 0) si T
0
si E(\
t
: t _ 0) sunt inde-
pendente)
si deoarece multimile de tipul 1
1
1
2
cu 1
1
T
0
si 1
2
E(\
t
: t _ 0)
genereaza corpul borelian produs 1
0
E(\
t
: t _ 0), deducem din teorema
de unicitate a probabilitatilor ca:
_
1 /
1
_
(1) =
_
1 [
T
0
1 [
B(Wt:t0)
_
(1) . \1 T
0
E(\
t
: t _ 0) .
(3.3.11)
Denim n continuare evenimentul 1 T T prin:
1 = (.
1
. .
2
) : n(t. A
0
(.
1
)) +
c (.
1
) \
t
(.
2
) + / (.
1
) t = n(0. A
0
(.
1
)) +
t
_
0
_
Jn
Jt
(:. A
0
(.
1
) + c (.
1
) \
c
(.
2
) + / (.
1
) :) +
Jn
Jr
(:. A
0
(.
1
) + c (.
1
) \
c
(.
2
) + / (.
1
) :) +
1
2
J
2
n
Jr
2
(:. A
0
(.
1
) + c (.
1
) \
c
(.
2
) + / (.
1
) :) c
2
(.
1
)
_
d:+
t
_
0
Jn
Jr
(:. A
0
(.
1
) + c (.
1
) \
c
(.
2
) + / (.
1
) :) c (.
1
) d\
c
(.
2
)
_
_
_
.
(integrala stochastica se considera pentru .
1
xat si procesul de sub integrala
depinznd de t. .
2
).
n mod evident /
1
(1) = deoarece
(.
1
. .
2
) /
1
(1) =.
1
= .
2
:= .. /(.) = (.. .) 1 =. .
Atunci putem scrie folosind (3.3.11)
1 () = 1
_
/
1
(1)
_
=
_
1 /
1
_
(1) =
_

1 [
B(Wt:t0)
(1
.
1
) d1 [
T
0
(.
1
) .
146 Cap. 3. Integrala stocastica browniana
unde
1
.
1
= .
2
: (.
1
. .
2
) 1 .
Dar pentru .
1
, xat,1
.
1
este un eveniment ce este adevarat cu probabilitatea
1, conform pasului precedent.
Atunci
1 [
B(Wt:t0)
(1
.
1
) = 1. \.
1
.
ceea ce implica
_

1 [
B(Wt:t0)
(1
.
1
) d1 [
T
0
(.
1
) = 1
Asadar 1 () = 1, deci formula de diferentiere It este adevarata si n acest
caz.
Pasul 4. Presupunem acum ca c (t) si / (t) sunt procese etajate din
2
([0. 1])
cu 1 0 xat, asal nct exista 0 = t
0
< t
1
< . . . < t
a
= 1 si (c
i
)
0ia1
si (/
i
)
0ia1
cu proprietatea ca c
i
si /
i
sunt T
t
-masurabile si marginite, \
0 _ i _ : 1 :i
c(t) =
a1

i=0
c
i
1
[t
i
,t
i+1
)
(t). /(t) =
a1

i=0
/
i
1
[t
i
,t
i+1
)
(t).
Tinind cont de aditivitatea integralei Riemman si a celei stochastice, rezulta
ca este sucient sa aratam ca:
n
_
t
i+1
. A
t
i+1
_
n(t
i
. A
t
i
) =
t
i+1
_
t
i
_
_
t
i+1
_
t
i
Jn
Jt
(:. A
t
i
+ c
i
(\
c
\
t
i
) + /
i
(: t
i
)) +
Jn
Jr
(:. A
t
i
+ c
i
(\
c
\
t
i
) + /
i
(: t
i
)) /
i
+
1
2
J
2
n
Jr
2
(:. A
t
i
+ c
i
(\
c
\
t
i
) + /
i
(: t
i
)) c
2
i
_
d:+
3.3. Formula lui It 147
t
i+1
_
t
i
Jn
Jr
(:. A
t
i
+ c
i
(\
c
\
t
i
) + /
i
(: t
i
)) c
i
d\
c
.
Concluzia rezulta din pasul precedent, deoarece pentru t (t
i
. t
i+1
) avem:
A
t
= A
t
i
+ c
i
(\
t
\
t
i
) + /
i
(t t
i
)
cu c
i
. /
i
. A
t
i
. T
t
i
- masurabile si stim ca procesul (\
t
\
t
i
)
tt
i
este tot T
t
-
miscare browniana (vezi Propozitia 1.5-(1))..
Pasul 5. Fie (A
t
) ca n enuntul teoremei si e t [0. 1] xat. Alegem sirurile
de procese etajate (c
a
)
a1
si (/
a
)
a1
astfel ca (se poate arata ca este posibil
acest fapt)
1
_
_
t
_
0
[c
a
(:) c (:)[
2
d: < 2
a
, pentru : sucient de mare
_
_
= 1
si
1
_
_
c
_
0
[/
a
(n) / (n)[ _ 2
a
, pentru : sucient de mare
_
_
= 1.
Se stie atunci ca
c
_
0
c
a
(n) d\n
o.c.

ao
c
_
0
c (n) d\
&
. uniform pentru : _ t.
Conchidem ca sirul
A
a
c
= A
0
+
c
_
0
c
a
(n) d\
&
+
c
_
0
/
a
(n) dn
converge a.s. catre A
c
, uniform pe [0. t] .
Conform pasului precedent, formula It are loc pentru A
a
t
, deci :
n(t. A
a
t
) = n(0. A
0
) + +
t
_
0
_
Jn
Jt
(:. A
a
c
) +
Jn
Jr
(:. A
a
c
) /
a
(:) +
148 Cap. 3. Integrala stocastica browniana
1
2
J
2
n
Jr
2
(:. A
a
c
) c
2
a
(:)
_
d: + +
t
_
0
Jn
Jt
(:. A
a
c
) c
a
(:) d\
c
.
Deoarece sup
0ct
[A
a
c
A
c
[
o.c.

ao
0 (deoarece A
a
c
o.c.

ao
A
c
, uniform pentru :
[0. t]) si n.
0&
0t
.
0&
0a
.
0
2
&
0a
2
sunt continue, prin trecere la limita obtinem formula
lui It.
Observatia 3.3. Formula de diferentiere It se poate extinde n felul urma-
tor:
Fie A
1
(t) . A
2
(t) . . . . . A
a
(t) . : procese It de forma:
A
I
(t) = A
I
(0) +
t
_
0
/
I
(:) d: +
t
_
0
c
I
(:) d\
c
unde: c
I
T
2
([0. t]) . \1 _ / _ :. t _ 0,
1
_
t
_
0
[/
I
(:)[ <
_
= 1, /
I
T
t
-neanticipant ,
A
I
(0) sunt variabile aleatoare T
0
-masurabile, \1 _ / _ :.
Fie de asemenea , : 1
+
1
a
1 o functie ,(t. r) ce admite derivate
partiale de ordinul intii continue n t si derivate partiale de ordinul intii si
doi in r = (r
1
. . . . . r
a
) 1
a
continue.
Enuntam fara demonstratie urmatorul rezultat (demonstratia este analoaga
cu cea a Teoremei 3.1 insa de data aceasta cu calcule mult mai lungi si scriere
mai complicata):
Teorema 3.4 (Formula It-cazul n-dimensional). Procesul
n(t. A
1
(t) . . . . . A
a
(t))
t0
este tot un proces It de forma urmatoare:
n(t. A
1
(t) . A
2
(t) . . . . . A
a
(t)) = n(0. A
1
(0) . . . . . A
a
(0)) + (3.3.12)
t
_
0
_
Jn
Jt
(:. A
1
(:) . . . . . A
a
(:)) +
a

I=1
Jn
Jr
I
(:. A
1
(:) . . . . . A
a
(:)) /
I
(:) +
3.3. Formula lui It 149
1
2
a

I=1
J
2
n
Jr
I
Jr

(:. A
1
(:) . . . . . A
a
(:)) c
I
(:) c

(:)
_
d:+
t
_
0
_
a

I=1
Jn
Jr
I
(:. A
1
(:) . . . . . A
a
(:)) c
I
(:)
_
d\
c
.
In cazul particular pentru : = 2 :
n(t. A
1
(t) . A
2
(t)) = n(0. A
1
(0) . A
2
(0)) + (3.3.13)
+
t
_
0
_
Jn
Jt
(:. A
1
(:) . A
2
(:)) +
Jn
Jr
1
(:. A
1
(:) . A
2
(:)) /
1
(:) +
Jn
Jr
2
(:. A
1
(:) . A
2
(:)) /
2
(:) +
1
2
J
2
n
Jr
1
(:. A
1
(:) . A
2
(:)) c
2
1
(:) +
1
2
J
2
n
Jr
2
1
(:. A
1
(:) . A
2
(:)) c
2
2
(:) +
J
2
n
Jr
1
Jr
2
(:. A
1
(:) . A
2
(:)) c
1
(:)c
2
(:)
_
d:
+
t
_
0
_
Jn
Jr
1
(:. A
1
(:) . A
2
(:)) c
1
(:) +
Jn
Jr
2
(:. A
1
(:) . A
2
(:)) c
2
(:)
_
d\
c
.
In continuare vom folosi urmatoarea conventie de calcul (pentru scrierea
diferentiala):
dtdt = 0. dtd\
t
= d\
t
dt = 0. d\
t
d\
t
= t.
(b) Aplicatii ale formulei Ito
(1) (Produsul a doua procese It-Formula de integrare prin parti). Vrem sa
aplicam formula It (n cazul : = 2) procesului 1
t
= A
1
(t) A
2
(t), cu A
i
procese It cu coecienti c
i
. /
i
. Este clar ca acuma n(t. r
1
. r
2
) = r
1
r
2
. Avem
Jn
Jt
(t. r
1
. r
2
) = 0.
Jn
Jr
1
(t. r
1
. r
2
) = r
2
.
Jn
Jr
2
(t. r
1
. r
2
) = r
1
.
J
2
n
Jr
2
1
(t. r
1
. r
2
) = 0.
J
2
n
Jr
2
2
(t. r
1
. r
2
) = 0.
J
2
n
Jr
1
Jr
2
(t. r
1
. r
2
) = 1.
150 Cap. 3. Integrala stocastica browniana
si aplicnd formula It procesului A
1
(t) A
2
(t) = n(t. A
1
(t) . A
2
(t)) obtinem
formula de integrare prin parti :
A
1
(t) A
2
(t) = A
1
(0) A
2
(0) +
t
_
0
[A
2
(:) /
1
(:) + A
1
(:) /
2
(:) +
+c
1
(:) c
2
(:)] d: +
t
_
0
[A
2
(:) c
1
(:) + A
1
(:) c
2
(:) ] d\
c
. (3.3.14)
Putem scrie formal
d (A
1
(t) A
2
(t)) = A
2
(t) /
1
(t) dt + A
1
(t) /
2
(t) dt+
+c
1
(t) c
2
(t) dt + A
2
(t) c
1
(t) d\
t
+ A
1
(t) c
2
(t) d\
t
=
= A
1
(t) [/
2
(t) dt + c
2
(t) d\
t
] + A
2
(t) [/
1
(t) dt + c
1
(t) d\
t
]
+c
1
(t) c
2
(t) dt = A
1
(t) dA
2
(t) + A
2
(t) dA
1
(t) + c
1
(t) c
2
(t) dt.
Asadar:
d (A
1
(t) A
2
(t)) = A
1
(t) dA
2
(t) + A
2
(t) dA
1
(t) + c
1
(t) c
2
(t) dt. (3.3.15)
Aceasta formula seamana foarte mult cu regula de derivare a produsului a
doua functii derivabile (,q)
t
= ,
t
q +,q
t
, n plus aparind termenul de corectie
c
1
(t) c
2
(t) dt dat de cele doua integrale stochastice.
Daca consideram A
1
(t) = A
2
(t) = \
t
, deci suntem n situatia n care
A
1
(0) = A
2
(0) = 0, /
1
= /
2
= 0. c
1
= c
2
= 1.
Rezulta egalitatea
d
_
\
2
t
_
= 2\
t
d\
t
+ dt. (3.3.16)
(formal) sau riguros:
\
2
t
= 2
t
_
0
\
c
d\
c
+ t.
t
_
0
\
c
d\
c
=
\
2
t
t
2
. (3.3.17)
3.3. Formula lui It 151
Regasim astfel faptul ca procesul (\
2
t
t)
t0
este un T
t
-martingal (tinem
cont ca (\
t
)
t0

2
([0. 1]) . \1 0. si deci in particular procesul
_
t
_
0
\
c
d\
c
_
t0
este un T
t
-martingal.
(2) (Un exemplu simplu de ecuatie stochastica cu solutie explicita).Fie
1
t
= 1
0
c
(o
1
2
b
2
)t+bWt
. t _ 0. (3.3.18)
unde 1
0
este o variabila aleatoare T
0
-masurabila, c. / 1.
Teorema 3.5. Procesul stochastic (1
t
)
t0
verica urmatoarea ecuatie difer-
entiala stochastica
1
t
= 1
0
+
t
_
0
c1
c
d: +
t
_
0
/1
c
d\
c
. (3.3.19)
In plus (1
t
)
t0
este unica solutie a ecuatiei (3.3.19) in sensul ca orice alta
solutie (continua) (l
t
)
t0
este indistingabila da (1
t
)
t0
. adica
1(l
t
= 1
t
. \t _ 0) = 1.
Demonstratie. Vom deni
A
1
(t) = 1
0
. A
2
(t) =
_
c
1
2
/
2
_
t + /\
t
=
t
_
0
_
c
1
2
/
2
_
d: +
t
_
0
/d\
c
Atunci A
i
sint procese It cu
A
1
(0) = 1
0
. A
2
(0) = 0. c
1
(t) = /
1
(t) = 0. c
2
(t) = /. /
2
(t) = c
1
2
/
2
.
Fie n(t. r
1
. r
2
) = r
1
c
a
2
. Atunci
Jn
Jt
= 0.
Jn
Jr
1
= c
a
2
.
Jn
Jr
2
= r
1
c
a
2
= n.
152 Cap. 3. Integrala stocastica browniana
J
2
n
Jr
2
1
= 0.
J
2
n
Jr
2
2
= c
a
2
= n.
J
2
n
Jr
1
r
2
= c
a
2
Aplicnd fomula lui It pentru cazul bidimensional functiei n(t. r
1
. r
2
) si
proceselor A
1
(t). A
2
(t) obtinem
1
t
= n(t. A
1
(t) . A
2
(t)) = 1
0
c
0
+
+
t
_
0
_
A
1
(:) c
A
2
(c)
_
c
1
2
/
2
_
+
1
2
A
1
(:) c
A
2
(c)
/
2
_
d:+
t
_
0
_
A
1
(:) c
A
2
(c)
/

d\
c
= 1
0
+ c
t
_
0
1
c
d: + /
t
_
0
1
c
d\
c
.
prin urmare 1
t
verica (3.3.19).
Unicitatea. Fie pentru aceasta alta solutie, deci un proces (l
t
)
t0
care satis-
face
l
t
= 1
0
+
t
_
0
cA
c
d: +
t
_
0
/A
c
d\
c
Vom ncerca sa exprimam diferentiala stochastica a produsului l
t
1
1
t
.
Avem
\
t
:= 1
0
1
1
t
= c
_
j+

2
2
_
t+(o)Wt
=
= c
_
o
0

b
02
2
_
t+b
0
Wt
. unde c
t
= c + /
2
. /
t
= /.
Din prima parte a demonstratiei stim ca \
t
satisface ecuatia stochastica
\
t
= 1 +
t
_
0
c
t
\
c
d: +
t
_
0
/
t
\
c
d\
c
=
1 +
_
c + /
2
_
t
_
0
\
c
d: + (/)
t
_
0
\
c
d\
c
.
3.3. Formula lui It 153
Vom aplica formula de integrare prin parti (3.3.14) si se obtine
l
t
\
t
= 1
0
+
t
_
0
l
c
\
c
_
c + /
2
_
d:
t
_
0
l
c
\
c
(/) d\
c
+
t
_
0
cl
c
\
c
d:+
t
_
0
l
c
\
c
/d\
c

t
_
0
l
c
\
c
/
2
d: = 1
0
.
Deducem ca
l
t
\
t
= 1
0
. \ t _ 0, a.s.. si deci l
t
= 1
0
1
t
1
0
= 1
t
. \ t _ 0, a.s.
Deoarece (1
t
)
t0
si (l
t
)
t0
sunt continue, rezulta ca a.s., \ t _ 0 avem1
t
= l
t
.

Observatia 3.6. In particular daca c = 0 obtinem ce procesul exponential


2
t
= c
bWt
1
2
b
2
t
. t _ 0. (3.3.20)
este unica solutie a ecuatiei stochastice
2
t
= 1 +
t
_
0
/2
c
d\
c
. t _ 0.
n continuare vom calcula momentele de ordinul 1 si 2 ale variabilei 1
t
, pentru
t [0. 1] xat. Presupunem ca 1
0
1
2
(. T. 1).
n aceasta ipoteza aratam ca procesul (1
t
)
t[0,T]

2
([0. 1]).
Pentru aceasta vom verica ca `
_
T
_
0
1
2
t
dt
_
< +. ntr-adevar
`
_
_
T
_
0
1
2
t
dt
_
_
= `
_
_
T
_
0
1
2
0
c
(2ob
2
)t+2bWt
dt
_
_
_
154 Cap. 3. Integrala stocastica browniana
_ c
(2ob
2
T)
`
_
_
T
_
0
1
2
0
c
2bWt
dt
_
_
= `
_
1
2
0
_
`
_
_
T
_
0
c
2bWt
dt
_
_
=
`
_
1
2
0
_
T
_
0
`
_
c
2bWt
_
dt.
(deoarece 1
0
este T
0
-masurabila, c
2bWt
este E(\
t
: 0 _ t _ 1)-masurabila iar
1
0
si E(\
t
: 0 _ t _ 1) sunt corpuri boreliene independente). Mai departe
`
_
c
2bWt
_
=
_

c
2bWt
d1 =
o
_
o
c
2ba
1
_
2:t
c

x
2
2t
dr.
de unde rezulta cu usurinta ca
T
_
0
`
_
c
2bWt
_
dt =
T
_
0
o
_
o
c
2ba
1
_
2:t
c

x
2
2t
drdt < .
Asadar (1
t
)
t[0,T]

2
([0. 1]), si deci in particular `
_
t
_
0
1
c
d\
c
_
= 0. Apoi
aplicind media in (3.3.19) obtinem
` (1
t
) = ` (1
0
) + c
_
_
t
_
0
1
c
d:
_
_
+
/`
_
_
t
_
0
1
c
d\
c
_
_
= ` (1
0
) + c
t
_
0
` (1
c
) d:.
deci o ecuatie diferentiala de forma
,
t
(t) = ` (1
0
) + c,(t).
cu necunoscuta ,(t) = ` (1
t
) . a carei solutie este
` (1
t
) = ` (1
0
) c
ot
. (3.3.21)
Fie acum functia : [0. 1] 1 1 denita prin (t. r) = r
2
. Aplicind
formula It pentru (t. 1
t
) = 1
2
t
obtinem:
3.3. Formula lui It 155
1
2
t
= 1
2
0
+
t
_
0
_
2c1
2
c
+ /
2
1
2
c
_
d: +
t
_
0
2/1
2
c
d\
c
. (3.3.22)
Sa aratam ca procesul (1
2
t
)
t[0,T]

2
([0. 1]) daca ` (1
4
0
) < ..
Avem
`
_
_
T
_
0
1
4
t
dt
_
_
= `
_
_
T
_
0
1
4
0
c
(4o2b
2
)t+4bWt
dt
_
_
=
`
_
_
1
4
0
T
_
0
c
(4o2b
2
)t+4bWt
dt
_
_
=
`
_
1
4
0
_
`
_
_
T
_
0
c
(4o2b
2
)t+4bWt
dt
_
_
=
`
_
1
4
0
_
T
_
0
_
_
o
_
o
c
(4o2b
2
)t
c
4ba

1
_
2:t
c

x
2
2t
dr
_
_
dt < .
deci (1
2
t
)
t[0,T]

2
([0. 1]) si deci `
_
t
_
0
1
2
c
d\
c
_
= 0. \ t [0. 1] .
Aplicind media n relatia (3.3.22) si tinind cont ca `
_
t
_
0
1
2
c
d\
c
_
= 0, \0 _
t _ 1 obtinem
`
_
1
2
t
_
= `
_
1
2
0
_
+ `
_
_
t
_
0
_
2c + /
2
_
1
2
c
d:
_
_
.
sau
`
_
1
2
t
_
= `
_
1
2
0
_
+
t
_
0
_
2c + /
2
_
`
_
1
2
c
_
d:. (3.3.23)
deci o noua ecuatie diferentiala, de data aceasta pentru ` (1
2
t
) .a carei solutie
este
156 Cap. 3. Integrala stocastica browniana
`
_
1
2
t
_
= `
_
1
2
0
_
c
(2o+b
2
)t
. (3.3.24)
Observatia 3.6. In particular din rationamentul precedent va rezulta ca
si procesul 2 denit in (3.3.20) este in
2
([0. 1]) . fapt ce atrage dupa sine
ca integrala stochastica din (3.3.20) este martingal (conform Teoremei 2.10)
si apoi (3.3.20) implica ca 2 este martingal.
Probleme
3.7. Daca (\
a
t
) este un sir de Miscari Browniene asa incit
\
a
t
j

ao
\
t
. \t _ 0.
unde (\
t
) are traiectorii continue si \
0
= 0. sa se arate ca (\
t
) este Miscare
Browniana.
3.8. Daca (\
t
) este Miscare Browniana, sa se arate ca pentru orice c 1.
procesul
A
c
(t) = c
cWt

2
2
t
. t _ 0.
este martingal.
3.9. Fie (\
t
) o Miscare Browniana si ,
2
([0. 1]) asa incit
`
__
T
0
[,(:)[
j
d:
_
< pentru un j _ 1.
Sa se arate ca
`
_

_
T
0
,(:)d\
c

j
_
_ C
j
1
j1
`
__
T
0
[,(:)[
j
d:
_
.
Indicatie. Se foloseste formula lui It aplicata procesului
_
_
t
0
,(:)d\
c
_
t
si
functiei ,(r) = r
2j
.
3.10. Fie (\
t
) o Miscare Browniana si ,
2
([0. 1]) . , marginita. Sa se
arate ca procesul
A
)
(t) = c
_
t
0
)(c)oWs
1
2
_
t
0
[)(c)[
2
oc
. t _ 0.
3.3. Formula lui It 157
verica urmatoarea ecuatie stochastica
A
)
(t) = 1 +
_
t
0
,(:)A
)
(:)d\
c
. t _ 0.
In particular sa se deduca ca procesul (A
)
(t))
t
este martingal.
3.11. Fie (\
t
)
t0
o Miscare Browniana. Sa se arate direct (fara ajutorul
formulei lui It) ca
_
t
0
\
c
d\
c
=
\
2
t
t
2
. t _ 0.
3.12. Fie (\
t
) o Miscare Browniana si ,
2
([0. 1]) . pentru orice 1 0.
Pentru orice c 0 sa se arate ca are loc egalitatea
_
o+t
o
,(:)d\
c
=
_
t
0
,(: + c)d
o
\
c
. c.:.. \t _ 0.
unde
o
\
c
= \
c+o
\
o
.
158 Cap. 3. Integrala stocastica browniana
Capitolul 4
Ecuatii diferentiale stochastice
4.1 Teorema de existenta si unicitate
Vom considera n continuare un cimp de probabilitate (. T. 1) pe care sunt
date o variabila aleatoare si o Miscare Browniana (\
t
)
t0
. Vom presupune
ca si \ sunt independente. Cu ajutorul ultimelor elemente precizate putem
construi o ltratie (T
t
)
t0
pe spatiul de baza (. T. 1). Se poate lua T
t
ca
ind corpul borelian E(. \
c
: 0 _ : _ t) generat de variabila si familia de
variabile aleatoare \
c

0ct
si se completeaza cu multimile 1-neglijabile
(de masura P-nula) din T.
Motivatia acestei completari este urmatoarea:
Atunci cind avem o egalitate de tipul: A
t
= 1
t
a.s. pentru un t xat, unde
(A
t
)
t0
si (1
t
)
t0
sunt procese, (A
t
)
t0
este adaptat unei ltratii ((
t
)
t0
,
atunci din faptul ca A
t
este (
t
-masurabila rezulta ca si 1
t
este (
t
-masurabila.
Cu alte cuvinte, egalitatile ce au loc a.s. pastreaza adaptabilitatea.
Asadar
(T
t
)
t0
= 1(E(. \
c
: 0 _ : _ t) ' A)
t0
unde am notat cu A multimea evenimentelor 1-neglijabile din T.
Fie aplicatiile c (t. r) : [0. 1] 11. / (t. r) : [0. 1] 11. masurabile,
unde 1 0. reprezinta un orizont xat.
Denitia 1.1. Prin solutie a ecuatiei stochastice
159
160 Cap. 4. Ecuatii diferentiale stocastice
A
t
= +
t
_
0
c (:. A
c
) d: +
t
_
0
/ (:. A
c
) d\
c
. 0 _ t _ 1. (4.1.1)
se intelege un proces (A
t
)
0tT
ce satisface urmatoarele proprietati:
(i) (A
t
)
0tT
este adaptat ltratiei (T
t
) .
(ii) Procesul (A
t
)
0tT
are traiectoriile continue a.s..
(iii) \ t [0. 1], a.s.,
t
_
0
[c (:. A
c
)[ d: < +.
t
_
0
/
2
(:. A
c
) d: < +.
(iv) (A
t
) satisface
A
t
= +
t
_
0
c (:. A
c
) d: +
t
_
0
/ (:. A
c
) d\
c
. \t [0. 1] . c.:..
( In ipotezele de mai sus integrala Riemman
t
_
0
c(:. A
c
)d: si integrala sto-
chastica
t
_
0
/ (:. A
c
) d\
c
sunt bine denite).
Intuitiv, ni-l putem imagina pe (A) ca ind data de iesire a unui sistem
dinamic descris de perechea de coecienti (c. /), din datele de intrare care
sunt si procesul Miscarii Browniene (\).
Principiul cauzalitatii pentru sisteme dinamice exprima cerinta ca data de
iesire A
t
la momentul t sa depinda numai de valorile datelor de intrare
si \
c
. 0 _ : _ t pina la momentul t.
Acest principiu si gaseste expresia matematica n (i), deoarece T
t
este de-
terminata de si valorile lui (\
c
) pina la momentul t.
Denitia 1.2. Spunem ca ecuatia (4.1.1) are solutie unica daca oricare
ar (A
t
)
0tT
,
_
~
A
t
_
0tT
doua solutii a ecuatiei stochastice avem ca a.s.,
A
t
=
~
A
t
. a.s.,\ t [0. 1] . sau echivalent, daca exista
+
cu 1 (
+
) = 1 astfel
ncit
A
t
(.) =
~
A
t
(.) . \.
+
. \t [0. 1] .
4.1. Teoreme de existenta si unicitate 161
Astfel spus, procesele (A
t
)
t[0,T]
si
_
~
A
t
_
t[0,T]
sunt indistingabile.
Vom formula n continuare urmatorul rezultat privitor la solutiile ecuatiei
stochastice.
Teorema 1.3 (Teorema de existenta si unicitate). Cu notatiile de la n-
ceputul capitolului, sa presupunem:
(1) `
_

2
_
< +.
(2) Functiile c, / satisfac conditia Lipschitz: 1 0 astfel incit
[c (t. r) c(t. )[ +[/ (t. r) /(t. )[ _ 1[r [ . \ t [0. 1] . r. 1.
(4.1.2)
(altfel spus functiile c si / sunt Lipschitz continue n a doua variabila, uni-
form n raport cu prima variabila).
(3) Functiile c si / au crestere liniara, adica: 1 0 astfel incit
[c (t. r)[
2
+[/ (t. r)[
2
_ 1
_
1 + r
2
_
, \ t [0. 1] . r. 1. (4.1.3)
In aceste conditii, ecuatia (4.1.1) admite o unica solutie.
In plus solutia (A
t
)
t[0,T]
verica inegalitatea:
`
_
sup
0tT
A
2
t
_
_ 1
1
_
1 + `
_

2
_
(4.1.4)
unde constanta 1
1
depinde de 1 si 1, (ultima relatie ne spune ca variabila
sup
0tT
[A
t
[ apartine spatiului Hilbert 1
2
()).
Demonstratie. Existenta. Se foloseste metoda aproximatiilor succesive a
lui Picard. Sa denim recursiv urmatorul sir (A
a
t
)
t[0,T]
de procese (numit
aproximatiile succesive):
A
0
t
= . \t [0. 1] .
A
a+1
t
= +
t
_
0
c (:. A
a
c
) d: +
t
_
0
/ (:. A
a
c
) d\
c
. \t [0. 1] . : _ 1. (4.1.5)
Vom arata n continuare,prin inductie dupa :, ca procesele (A
a
t
)
0tT
sunt
bine denite, sunt T
t
-adaptate, au traiectoriile continue a.s. si apartin spatiu-
lui
2
([0. 1]).
162 Cap. 4. Ecuatii diferentiale stocastice
Pentru : = 0 probarea armatiei este triviala, daca tinem cont de fap-
tul ca variabila este T
0
-masurabila (reamintim ca T
0
= E(E() ' A) si
`
_
T
_
0
[A
0
t
[
2
dt
_
= 1`
_

2
_
< +).
Presupunem acum armatia adevarata pentru : si o demonstram pentru
: + 1.
Procesele c (t. A
a
t
)
0tT
si / (t. A
a
t
)
0tT
sunt T
t
-adaptate, deoarece pen-
tru t xat ntre 0 si 1. variabilele aleatoare c (t. A
a
t
) si / (t. A
a
t
) se obtin ca
si compunerea aplicatiilor masurabile r c (t. r), respectiv r / (t. r)
cu variabila aleatoare A
a
t
, care este T
t
-masurabila, rezultatele compunerilor
ind tot variabile aleatoare T
t
-masurabila.
Aplicatia t [0. 1] c (t. A
a
t
) este integrabila Riemman pe [0. 1] pentru .
xat. Avem conform ipotezei (3) din enuntul teoremei:
[c (t. A
a
t
)[ _ 1
1
_
1 +[A
a
t
[
2
_
.
T
_
0
[A
a
t
[
2
dt < +. c.:..
deoarece pentru . xat aplicatia t [A
a
t
[
2
este continua pe [0. 1], deci
integrabila pe [0. 1]:
Deducem ca exista si este nita
t
_
0
c (:. A
a
c
) d: pentru . xat, iar variabila
t
_
0
c (:. A
a
c
) d: este masurabila n raport cu T
t
pentru t xat, scriindu-se ca
limita de sume Riemman T
t
-masurabile, de unde rezulta T
t
-adaptivitatea
procesului dat de integrala Riemman continuitatea traiectoriilor acestui pro-
ces rezulta din faptul ca daca q este o functie integrabila pe [0. 1], atunci
functia t
t
_
0
q (:) d: este continua, deci aplicatia t
t
_
0
c (:. A
a
c
) este con-
tinua.
In continuare vom arata ca procesul / (t. A
a
t
)
0tT
este din
2
([0. 1]). Pen-
tru aceasta mai ramine de aratat ca `
_
T
_
0
[/ (t. A
a
t
)[
2
dt
_
< +.
Stim ca
A
a
t
= +
t
_
0
c
_
:. A
a1
t
_
d: +
t
_
0
/
_
:. A
a1
t
_
d\
c
. t [0. 1] . c.:.
4.1. Teoreme de existenta si unicitate 163
Deoarece
sup
0tT
`
_

A
0
t

2
_
= `
_

2
_
< +.
putem presupune ca (tot prin inductie)
sup
0tT
`
_
[A
a
t
[
2
_
< +
si vom arata ca si
sup
0tT
`
_

A
a+1
t

2
_
< +.
Folosind ipoteza (3), rezulta ca
[/ (t. A
a
t
)[
2
_ 1
_
1 +[A
a
t
[
2
_
.
Atunci putem scrie
`
_
_
T
_
0
[/ (t. A
a
t
)[
2
dt
_
_
_ `
_
_
T
_
0
1
_
1 +[A
a
t
[
2
_
dt
_
_
=
11 + 1
T
_
0
`
_
[A
a
t
[
2
_
dt _
11 + 1
T
_
0
_
sup
0tT
`[A
a
t
[
2
_
dt _
_ 11 + 11 sup
0tT
`
_
[A
a
t
[
2
_
< +.
Deci procesul [/ (t. A
a
t
)]
0tT
este din
2
([0. 1]) . Atunci integrala stochastica
t
_
0
/ (:. A
a
c
) d\
c
este corect denita si procesul
_
t
_
0
/ (:. A
a
c
) d\
c
_
este un T
t
-
martingal cu traiectoriile continue a.s..
Asadar procesul (A
a
t
)
0tT
este bine denit, este T
t
-adaptat si are traiec-
toriile continue a.s.
Folosind inegalitatea (c + / + c)
2
_ 3c
2
+ 3/
2
+ 3c
2
, deducem
164 Cap. 4. Ecuatii diferentiale stocastice
`
_

A
a+1
t

2
_
_ 3`
_

2
_
+ 3`
_
_
t
_
0
c (:. A
a
c
) d:
_
_
2
(4.1.6)
+3`
_
_
t
_
0
/ (:. A
a
c
) d\
c
_
_
2
.
Daca notam cu
1
1
= sup
0tT
`
_

A
a+1
t

2
_
.
atunci avem
_
_
t
_
0
c (:. A
a
c
) d:
_
_
2
_ t
_
_
t
_
0
`
_
1 +[A
a
t
[
2

d:
_
_
.
de unde, din inegalitatea Schwartz si conditia de crestere (4.1.3),
`
_
_
t
_
0
c (:. A
a
c
) d:
_
_
2
_ t
2
1 + t1`
_
_
t
_
0
[A
a
t
[
2
d:
_
_
_
11
2
+ 11
2
sup
0tT
`
_
[A
a
t
[
2
_
= 11
2
(1 + 1
1
) .
Conform proprietatilor integralei stochastice, putem scrie:
`
_
_
t
_
0
/ (:. A
a
c
) d\
c
_
_
2
= `
_
_
t
_
0
[/ (:. A
a
c
)[
2
d:
_
_
_
`
_
_
t
_
0
1
_
1 +[A
a
c
[
2
_
d:
_
_
= 1t + 1
t
_
0
`
_
[A
a
c
[
2

d: _
11 + 11 sup
0sT
`
_
[A
a
c
[
2

_ 11 (1 + 1
1
) .
Folosind cele de mai sus in (4.1.6) deducem urmatoarea majorare,
`

A
a+1
t

2
_ 3`
_

2
_
+ 311
2
(1 + 1
1
) + 11 (1 + 1
1
) .
4.1. Teoreme de existenta si unicitate 165
si deci
sup
0tT
`

A
a+1
t

2
_ 3`
_

2
_
+ 31
1
1 (1 + 1) (1 + 1) < +. (4.1.7)
adica ceea ce mai ramasese de aratat.
Vom arata n continuare ca sirul (A
a
c
)
a
converge a.s. la A
c
, uniform n raport
cu t [0. 1]. Astfel, deoarece sirul de procese (A
a
c
) are traiectoriile continue
a.s., datorita convergentei uniforme va rezulta ca si limita sa, procesul (A
c
) .
va avea traiectoriile continue a.s..
Sa estimam pentru aceasta
`
_
sup
0tT

A
a+1
t
A
a
t

2
_
.
Deoarece (A
a
t
) si
_
A
a+1
t
_
satisfac relatiile
A
a
t
= +
t
_
0
c
_
:. A
a1
c
_
d: +
t
_
0
/
_
:. A
a1
c
_
d\
c
.
A
a+1
t
= +
t
_
0
c
_
:. A
a1
c
_
d: +
t
_
0
/
_
:. A
a1
c
_
d\
c
.
rezulta
A
a+1
t
A
a
t
=
t
_
0
_
c (:. A
a
c
) c
_
:. A
a1
c
_
d:+
t
_
0
_
/ (:. A
a
c
) /
_
:. A
a1
c
_
d\
c
.
si folosind inegalitatea (c + /)
2
_ 2c
2
+ 2/
2
, deducem:

A
a+1
t
A
a
t

2
_ 2
_
_
_
t
_
0
_
c (:. A
a
c
) c
_
:. A
a1
c
_
d:
_
_
_
2
+ (4.1.8)
166 Cap. 4. Ecuatii diferentiale stocastice
2
_
_
_
t
_
0
_
/ (:. A
a
c
) /
_
:. A
a1
c
_
d\
c
_
_
_
2
Exploatind ipoteza (2) (conditia Lipschitz) din enunt, putem scrie

c (:. A
a
c
) c
_
:. A
a1
c
_

_ 1

A
a
c
A
a1
c

/ (:. A
a
c
) /
_
:. A
a1
c
_

_ 1

A
a
c
A
a1
c

. \ : [0. 1] . (4.1.9)
Folosind aceste inegalitati si inegalitatea lui Schwartz deducem
_
_
_
t
_
0
_
c (:. A
a
c
) c
_
:. A
a1
c
_
2
d:
_
_
_
2
_ t
t
_
0
1
2

A
a
c
A
a1
c

2
d:
_ 1
2
1
t
_
0

A
a
c
A
a1
c

2
d:.
de unde trecind acum la supremum dupa t [0. 1] si apoi la media n ine-
galitatea (4.1.8), obtinem:
`
_
sup
0tT

A
a+1
t
A
a
t

2
_
_ 21
2
1
t
_
0
`
_

A
a
c
A
a1
c

2
_
d:+
2`
_
_
sup
0tT
_
_
_
t
_
0
_
/ (:. A
a
c
) /
_
:. A
a1
c
_
d\
c
_
_
_
2
_
_
. (4.1.10)
Deoarece procesul [/ (:. A
a
c
) / (:. A
a1
c
)] apartine spatiului
2
([0. 1]), tinind
cont de inegalitatea Doob (4.2.20) si de (4.1.9), rezulta
`
_
_
sup
0tT
_
_
_
t
_
0
_
/ (:. A
a
c
) /
_
:. A
a1
c
_
d\
c
_
_
_
2
_
_
_ (4.1.11)
4`
T
_
0
_
/ (:. A
a
c
) /
_
:. A
a1
c
_
2
d: _ 41
2
T
_
0
`
_

A
a
c
A
a1
c

2
_
d:.
4.1. Teoreme de existenta si unicitate 167
Pentru : [0. 1] xat, : _ 2 putem scrie:
A
a
c
A
a1
c
=
c
_
0
_
c
_
n. A
a1
&
_
c
_
n. A
a2
&
_
dn+
c
_
0
_
/
_
n. A
a1
&
_
/
_
n. A
a2
&
_
d\
&
.
de unde

A
a
c
A
a1
c

2
_ 2
_
_
_
c
_
0
_
c
_
n. A
a1
&
_
c
_
n. A
a2
&
_
dn
_
_
_
2
+
2
_
_
_
c
_
0
_
/
_
n. A
a1
&
_
/
_
n. A
a2
&
_
d\
&
_
_
_
2
. (4.1.12)
Tinind cont ca
`
_
_
_
c
_
0
_
/
_
n. A
a1
&
_
/
_
n. A
a2
&
_
d\
&
_
_
_
=
`
c
_
0

/
_
n. A
a1
&
_
/
_
n. A
a2
&
_

2
dn
facind calcule similare cu cele facute anterior si tinind cont de (4.1.12) de-
ducem,
`
_

A
a
c
A
a1
c

2
_
_ 21
2
:
c
_
0
`
_

A
a1
c
A
a2
c

2
_
dn+
+21
2
c
_
0
`
_

A
a1
&
A
a2
&

2
_
dn. (4.1.13)
Pentru : = 1 avem
`
_

A
1
c
A
0
c

2
_
=
168 Cap. 4. Ecuatii diferentiale stocastice
`
_
_

c
_
0
c
_
n. A
0
&
_
dn +
c
_
0
/
_
n. A
0
&
_
d\
&

2
_
_
_
`
_
_
_
2
_
_
c
_
0
c
_
n. A
0
&
_
dn
_
_
2
+ 2
_
_
c
_
0
/
_
n. A
0
&
_
d\
&
_
_
2
_
_
_
_
`
_
_
_
2:
c
_
0
c
2
_
n. A
0
&
_
dn + 2
_
_
c
_
0
/
_
n. A
0
&
_
d\
&
_
_
2
_
_
_
_
2:`
_
_
c
_
0
c
2
_
n. A
0
&
_
dn
_
_
+ 2`
_
_
c
_
0
/
2
_
n. A
0
&
_
dn
_
_
_
2:`
_
_
c
_
0
1
_
1 +

A
0
c

2
_
dn
_
_
+ +2`
_
_
c
_
0
1
_
1 +

A
0
c

2
_
dn
_
_
=
21: (1 + :) + 2: (1 + :) 1`
_

2
_
_
21 (1 + 1) 1
_
1 + `
_

2
__
= c < +.
Daca n relatia (4.1.13) vom lua : = 2, rezulta,
`
_

A
2
c
A
1
c

2
_
_ 21
2
(: + 1)
c
_
0
cd: _ 21
2
c(1 + 1) :.
Pentru : = 3 obtinem,
`

A
3
c
A
2
c

2
_ 21
2
(1 + 1)
c
_
0
_
21
2
(1 + 1) cn

dn
= c
_
21
2
(1 + 1)

2
:
2
2!
Vom demonstra prin inductie dupa : valabilitatea urmatoarei relatii,
`
_

A
a
c
A
a1
c

2
_
_ c,
a1
:
a1
(: 1)!
. (4.1.14)
4.1. Teoreme de existenta si unicitate 169
unde
, = 21
2
(1 + 1)
Vericarea este facuta pentru : = 2. 3. Presupunem acum 1 (:) adevarata
si demonstram 1 (: + 1) adevarata. Avem
`
_

A
a+1
c
A
a
c

2
_
_
_ 21
2
(1 + 1)
c
_
0
_
21
2
(1 + 1)
a1
n
a1
(: 1)!
_
dn
=
_
21
2
(1 + 1)

a
c
n
a
:(: 1)!

:
0
= ,
a
c
:
a
:!
.
Revenim la estimarea lui `
_
sup
0tT

A
a+1
t
A
a
t

2
_
.
Putem scrie, folosind (4.1.14),
`
_
sup
0tT

A
a+1
t
A
a
t

2
_
_ 21
2
1
T
_
0
`
_

A
a
c
A
a1
c

2
_
d:+
81
2
T
_
0
`
_

A
a
c
A
a1
c

2
_
d: _ 21
2
(1 + 4)
T
_
0
c,
a1
:
a1
(: 1)!
d: =
21
2
(1 + 4) c,
a1
1
a
:!
= 21
2
(1 + 4)
c
,
(,1)
a
:!
).
Vom arata n continuare ca
o

a=1
1
_
sup
tT

A
a+1
t
A
a
t

_
1
:
2
_
< +. (4.1.15)
Conform inegalitatii lui Cebisev rezulta,
1
_
sup
tT

A
a+1
t
A
a
t

_
1
:
2
_
_
`
_
sup
tT

A
a+1
t
A
a
t

2
_
_
1
a
2
_
2
_
2:
4
1
2
(1 + 4)
c
,
(,1)
a
:!
.
170 Cap. 4. Ecuatii diferentiale stocastice
Dar seria
o

a=1
:
4
n
a!
converge pentru orice 0, de unde tragem concluzia
o

a=1
1 (
a
) _
o

a=1
21
2
(1 + 4)
c
,
:
4
(,1
a
)
:!
< +.
unde am notat

a
=
_
. : sup
0tT

A
a+1
t
(.) A
a
t
(.)

_
1
:
2
_
.
Folosind lema lui Borel Cantelli rezulta ca
1 (. : .
a
pentru o innitate de n) = 1.
deci
+
cu 1 (
+
) = 1 astfel ncit \.
+
, ` (.) cu proprietatea:
: _ ` (.) =.
c
a
, adica sup
0tT

A
a+1
t
A
a
t

<
1
a
2
.
Fie .
+
xat si ` (.) numarul din armatia precedenta. Fie : ` (.),
: _ 1.
Atunci \0 _ t _ 1 avem

A
n+a
t
(.) A
n
t
(.)

A
n+a
t
(.) A
n+a1
t
(.) + A
n+a1
t
(.) A
n+a2
t
(.) + ...
. . . +

A
n+1
t
(.) A
n
t
(.)

A
n+a
t
(.) A
n+a1
t
(.)

A
n+a1
t
(.) A
n+a2
t
(.)

+ ...
. . . +

A
n+1
t
(.) A
n
t
(.)

_
1
(: + : 1)
2
+
1
(: + : 2)
2
+ . . . +
1
:
2
.
de unde tragem concluzia ca sirul (A
n
t
(.))
a1
este sir Cauchy, uniform n
raport cu t [0. 1].
Deducem ca exista un proces A
t
(.), astfel incit este satisfacuta relatia
.
+
. A
a
t
(.)
ao
A
t
(.). uniform pentru t [0. 1] .
Convergenta ind uniforma, procesul limita (A
t
)
0tT
va avea traiectoriile
ontinue a.s..
4.1. Teoreme de existenta si unicitate 171
Deoarece pentru : xat procesul (A
a
t
)
0tT
este T
t
-adaptat rezulta ca si
procesul (A
t
)
0tT
este T
t
-adaptat.
Vom arata n continuare ca procesul (A
t
)
t0
verica ecuatia stochastica data.
Fie t _ 1 xat. Pentru orice : ` stim ca prin denitie este adevarata
relatia,
A
a+1
t
= +
t
_
0
c (:. A
a
c
) d: +
t
_
0
/ (:. A
a
c
) d\
c
. (4.1.16)
Sa aratam acum ca
t
_
0
c (:. A
a
c
) d:
o.c.

ao
t
_
0
c (:. A
a
c
) d:. (4.1.17)
Avem

t
_
0
c (:. A
a
c
) d:
t
_
0
c (:. A
c
) d:

_
t
_
0
[c (:. A
a
c
) c (:. A
a
c
)[ d: _ 1
t
_
0
[A
a
c
A
c
[ d:.
si deoarece A
a
t
o.c.

ao
A
t
, uniform pentru t [0. 1], putem trece la limita sub
semnul integral si deducem ca
t
_
0
[A
a
c
A
c
[ d:
o.c.

ao
0, si atunci din inegali-
tatea precedenta obtinem (4.1.17).
Deoarece
t
_
0
[/ (:. A
a
c
) / (:. A
n
c
)[
2
d: _ 1
2
t
_
0
[A
a
c
A
c
[
2
d:.
rezulta ca
t
_
0
[/ (:. A
a
c
) / (:. A
n
c
)[
2
d:
o.c.

ao
0.
Dar cum convergenta a.s. o implica pe cea in probabilitate, deducem,
172 Cap. 4. Ecuatii diferentiale stocastice
t
_
0
[/ (:. A
a
c
) / (:. A
n
c
)[
2
d:
j

ao
0. \t [0. 1] .
Tinind cont de Teorema 4.2.14 obtinem ca
t
_
0
/ (:. A
a
c
) d\
c
j

ao
t
_
0
/ (:. A
c
) d\
c
. \t [0. 1] .
Fie acum t xat. Deoarece convergenta uniforma o implica pe cea in prob-
abilitate, folosind inca odata faptul ca convergenta a.s. o implica pe cea in
probabilitate, putem trece la limita in (4.1.16) si astfel se obtine concluzia
dorita.
Unicitatea solutiei. Avem nevoie de urmatoarea inegalitate care este foarte
utila in multe situatii.
Lema 1.4 (lema lui Gronwall). Fie q : [0. 1] 1 o functie continua ce
satisface
0 _ q (t) _ c(t) + ,
t
_
0
q (:) d:; \0 _ t _ 1.
cu , _ 0 si c : [0. 1] 1 o functie integrabila.
Atunci
q (t) _ c(t) + ,
t
_
0
c(:) c
o(tc)
d:; \0 _ t _ 1. (4.1.18)
In particular daca c este o constanta a, atunci (4.1.18) devine
q(t) _ cc
ot
. (4.1.19)
si deci g este identic nula daca a = 0.
Demonstratia Lemei 1.4. Avem ca
q (t) _ c(t) + ,
t
_
0
q (:) d: =
4.1. Teoreme de existenta si unicitate 173
c
ot
q (t) ,c
ot
t
_
0
q (:) d: _ c(t) c
ot
. (4.1.20)
Functia q este continua, asadar aplicatia t
t
_
0
q (:) d: este o primitiva a lui
q. Putem scrie (4.1.20) sub forma echivalenta
_
_
c
ot
t
_
0
q (:) d:
_
_
t
_
_
_
t
_
0
c(:) c
ot
d:
_
_
t
Dar
c
ot
t
_
0
q (:) d:

t=0
=
t
_
0
c(:) c
oc
d:

t=0
= 0.
deci obtinem
c
ot
t
_
0
q (:) d: _
t
_
0
c(:) c
oc
d:.
0 _ q (t) _ c(t) + ,
t
_
0
q (:) d: _ c(t) + ,
t
_
0
c(:) c
o(tc)
d:.
Sa trecem acum la vericarea efectiva a unicitatii. Fie (A
t
)
0tT
, (1
t
)
0tT
doua solutii. Vom arata ca pentru t xat, 1 (A
t
= 1
t
) = 1. Se poate arata
ca se poate presupune ca
`
_
[A
t
[
2
_
. `
_
[1
t
[
2
_
< . \t _ 0.
si de aici rezulta, cu un rationament analog celui din existenta, ca
`
_
sup
0tT
[A
t
[
2
_
. `
_
sup
0tT
[1
t
[
2
_
< +. \1.
Deoarece (A
t
)
0tT
, (1
t
)
0tT
sunt procese cu traiectoriile continue a.s., va
rezulta atunci ca 1 (A
t
= 1
t
, \ 0 _ t _ 1) = 1, altfel spus cele doua procese
sunt indistingabile si unicitatea este astfel probata.
174 Cap. 4. Ecuatii diferentiale stocastice
Fie asadar t _ 1 xat arbitrar. Prin ipoteza avem
A
t
= +
t
_
0
c (:. A
c
) d: +
t
_
0
/ (:. A
c
) d\
c
.
1
t
= +
t
_
0
c (:. 1
c
) d: +
t
_
0
/ (:. A
c
) d\
c
.
Prin scadere se obtine
A
t
1
t
=
t
_
0
[c (:. A
c
) c (:. 1
c
)] d:+
t
_
0
[/ (:. A
c
) / (:. 1
c
)] d\
c
.
de unde
[A
t
1
t
[
2
_ 2
_
_
_
t
_
0
[c (:. A
c
) c (:. 1
c
)] d:
_
_
_
2
+
+2
_
_
_
t
_
0
[/ (:. A
c
) / (:. 1
c
)] d\
c
_
_
_
2
.
`
_
[A
t
1
t
[
2
_
_ 2t`
_
_
_
t
_
0
[c (:. A
c
) c (:. 1
c
)]
2
_
_
_
+
2`
_
_
_
t
_
0
[/ (:. A
c
) / (:. 1
c
)] d\
c
_
_
_
2
_
2t
t
_
0
`
_
[c (:. A
c
) c (:. 1
c
)[
2
_
d: + 2
t
_
0
`
_
[/ (:. A
c
) / (:. 1
c
)[
2
_
d:.
4.1. Teoreme de existenta si unicitate 175
Deoarece c (t. ) si / (t. ) sunt Lipschitz continue, rezulta ca
`
_
[A
t
1
t
[
2
_
_ 2t1
2
t
_
0
`
_
[A
c
1
c
[
2
_
d:+
21
2
t
_
0
`[A
c
1
c
[
2
d: _ 21
2
(1 + 1)
t
_
0
`[A
c
1
c
[
2
d:.
pentru orice t [0. 1] (deoarece t a fost xat arbitrar).
Daca notam q (t) = `
_
[A
t
1
t
[
2
_
. , = 21
2
(1 + 1) . c = 0 si aplicam lema
lui Gronwall, obtinem q (t) = 0. \ t [0. 1].
Prin urmare pentru orice t, `
_
[A
t
1
t
[
2
_
= 0 si deci 1
_
[A
t
1
t
[
2
= 0
_
= 1, sau echivalent 1 (A
t
1
t
) = 1.
Demonstratia unicitatii este ncheiata.
Sa vericam acuma inegalitatea (4.1.4).
Din egalitatea
A
t
= +
t
_
0
c (:. A
c
) d: +
t
_
0
/ (:. A
c
) d\
c
.
rezulta
[A
t
[
2
_ 3
2
+ 3
_
_
t
_
0
c (:. A
c
) d:
_
_
2
+ 3
_
_
t
_
0
/ (:. A
c
) d\
c
_
_
2
. (4.1.21)
de unde trecind la medie si aplicind inegalitatea lui Schwartz,

t
_
0
c (:. A
c
) d:

2
_ t

t
_
0
c (:. A
c
)

2
d: _ 11
t
_
0
_
1 + A
2
c
_
d:
_ 11
2
+ 11
t
_
0
sup
0<&
A
2

dn. (4.1.22)
176 Cap. 4. Ecuatii diferentiale stocastice
Mai departe, folosind inegalitatea lui Doob (4.2.20) vom obtine
`
_
sup
0vt

_
v
0
/(:. A
c
)d\
c

2
_
_
4`
_

_
t
0
/(:. A
c
)

2
d:
_
_ 411 + 41`
__
t
0
A
2
c
d:
_
_
411 + 41`
__
t
0
sup
0&
A
2

dn
_
. (4.1.23)
Trecind la supremum dupa : [0. t] in (4.1.21) si tinind cont de (4.1.21),
(4.1.22) obtinem
`
_
sup
0vt
[A
v
[
2
_
_ 3`
_

2
_
+ 31
2
1
2
+ 1211+
31 (1 + 4)
_
t
0
`
_
sup
0&
A
2

_
dn.
de unde aplicind lema lui Gronwall obtinem armatia dorita.
Observatia 1.5. Existenta si unicitatea solutiei ecuatiei liniare din Teorema
4.3.5 se poate obtine si ca o consecinta a Teoremei 1.3.
4.2 Rezolvarea prin cuadraturi a ecua-tiilor
diferentiale stochastice
Denitia 2.1. Rezolvarea prin cuadraturi nseamna reprezentarea explicita
a solutiilor ecuatiei stochastice n functie de integrale Riemman si stochastice
ai caror integranzi depind numai de coecientii ecuatiei initiale.
Fie ecuatia
A
t
= +
t
_
0
/ (:. A
c
) d: +
t
_
0
o (:. A
c
) d\
c
. (4.2.1)
unde
4.2. Rezolvarea prin cuadraturi 177
o : 1
+
1 1. / : 1
+
1 1
sunt aplicatii masurabile ce verica ipotezele teoremei de existenta si unic-
itate (Teorema 1.3), este o variabila aleatoare T
0
-masurabila si (\
t
)
t0
o
Miscare Browniana, si \ ind independente.
Una din situatiile cind ecuatia se poate rezolva prin cuadraturi este aceea
cnd ecuatia este reductibila. Sa denim conceptul de reductibilitate.
Fie / : [0. ) 1 1 o functie inversabila n variabila a doua, adica
aplicatia r /(t. r) este bijectiva, pentru orice t _ 0.
Atunci exista o functie / : 1
+
1 1 astfel ncit sunt satisfacute relatiile
_
/(t. / (t. r)) = r , \ t _ 0. r 1.
/ (t. /(t. r)) = r.
(4.2.2)
Presupunem ca aplicatia / C
1,2
(1
+
1), deci verica conditiile de aplica-
bilitate a formulei lui It, formula pe care o vom utiliza pentru a da o scriere
sub forma unui semimartingal procesului 1
t
= /(t. A
t
).
Obtinem astfel
1
t
= 1
0
+
t
_
0

/ (:. 1
c
) d: +
t
_
0
o (:. 1
c
) d\
c
. (4.2.3)
unde

/ (t. r) =
_
J/
Jt
+
J/
Jr
/ +
1
2
J
2
/
Jr
2
o
2
_
(t. / (t. r)) .
o (t. r) =
_
J/
Jr
o
_
(t. / (t. r)) . 1
0
= /(0. ) .
Denitia 2.2. Ecuatia (4.2.1) se spune ca este reductibila daca exista o
functie / : [0. 1] 1 1, de clasa (
1,2
(1
+
1), inversabila n al doilea
argument astfel ncit coecientii

/ si o obtinuti mai sus sa nu depinda de
variabila r.
Astfel 1
t
se mai poate scrie
1
t
= 1
0
+
t
_
0

/ (:) d: +
t
_
0
o (: ) d\
c
(4.2.4)
178 Cap. 4. Ecuatii diferentiale stocastice
iar integralele ce apar depind numai de coecientii /, o si functia /.
Folosind sistemul de relatii (4.2.2), putem reveni de unde am plecat, adica l
putem determina pe A
t
n functie de 1
t
prin relatia
A
t
= / (t. 1
t
) = /
_
_
t. /(0. ) +
t
_
0

/ (:) d: +
t
_
0
o (:) d\
c
_
_
. (4.2.5)
obtinindu-se astfel reprezentarea explicita a solutiei ecuatiei (4.2.1).
2.3. Exemplu. Daca exista functia / pentru care:

/ = c
1
1, si o = c
2
1, atunci 1
t
se poate scrie sub forma
1
t
= /(0. ) + c
1
t + c
2
\
t
si deci
A
t
= / (t. /(0. ) + c
1
t + c
2
\
t
) . (4.2.6)
n continuare, vom da o conditie necesara si sucienta de reductibilitate.
Reamintim ca am pus

/ (t. r) =
_
J/
Jt
+
J/
Jr
/ +
1
2
J
2
/
Jr
2
o
2
_
(t. / (t. r)) . t _ 0. r 1. (4.2.7)
Presupunem n cele ce urmeaza ca / si o sunt diferentiabile n raport cu r,
/ admite derivate partiale mixte de ordinul doi continue si este de trei ori
diferentiabila n raport cu r.
Atunci rezulta ca

/, o sunt diferentiabile n raport cu r si pentru ca sa e
ndeplinita conditia de reductibilitate trebuie ca
J

/
Jr
(t. r) = 0.
J o
Jr
(t. r) = 0. \t _ 0. r 1.
Sa notam
(t. ) =
J/
Jt
(t. ) +
J/
Jr
(t. ) / (t. ) +
1
2
J
2
/
Jr
2
(t. ) o
2
(t. ) .
1(t. ) =
J/
Jr
(t. ) / (t. ) .
Rezulta ca
4.2. Rezolvarea prin cuadraturi 179

/ (t. r) = (t. / (t. r)) .


J

/
Jr
(t. ) =
J
J
(t. / (t. r))
J/
Jr
(t. r) .
Aplicatia r / (t. r) este continua, bijectiva si diferentiabila, pentru orice
t _ 0, deci aplicatia este strict monotona si ind diferentiabila rezulta
0I
0a
(t. r)
ca are semn constant (este strict negativa sau strict pozitiva) pentru orice
r 1, t _ 0 ind xat arbitrar.
Asadar
J/
Jr
(t. r) ,= 0. \t _ 0. r 1.
Atunci
J

/
Jr
(t. ) = 0 =
J
J
(t. / (t. r)) = 0.
n mod analog, deoarece
J o
Jr
(t. r) =
J1
J
(t. / (t. r))
J/
Jr
(t. r)
este adevarata echivalenta
J o
Jr
(t. r) = 0 =
J1
J
(t. / (t. r)) = 0.
Folosind nca o data faptul ca aplicatia 1r / (t. r) = 1 este bijectiva
pentru t xat, a spune ca
J

/
Jr
(t. r) =
J o
Jr
(t. r) pentru orice t _ 0. r 1.
este totuna cu a spune ca
J
J
(t. ) = 0.
J1
J
(t. ) = 0 pentru orice t _ 0. r 1.
Dar
J
J
(t. r) =
_
J
2
/
JtJr
+
J
Jr
_
J/
Jr
/ +
1
2
o
2
J
2
/
Jr
2
__
(t. r)
180 Cap. 4. Ecuatii diferentiale stocastice
si
J1
J
(t. r) =
_
J
2
/
Jr
2
o +
J/
Jr
Jo
Jr
_
(t. r) .
sau
J/
Jr
=
o (t)
o (t. r)
(am exclus dependenta de r a lui o).
Din
J
J
(t. r) = 0 =
J
2
/
JtJr
=
J
Jr
_
J/
Jr
/ +
1
2
o
2
J
2
/
Jr
2
_
. (4.2.8)
Dar
J/
Jr
=
o (t)
o (t. r)
deci
J
2
/
JtJr
(t. r) =
o
t
(t) o (t. r) o (t)
0o
0a
(t. r)
o
2
(t. r)
(4.2.9)
si
J
2
/
Jr
2
=
o (t)
0o
0a
(t. r)
o
2
(t. r)
. (4.2.10)
nlocuind n ecuatia (4.2.8) pe
0
2
I
0t0a
(t. r) si
0
2
I
0a
2
(t. r) date prin relatiile (4.2.9)
si(4.2.10), obtinem
o
t
o

o
0o
0t
o
2
=
J
2
/
Jr
2
/
o
o

J/
Jr

o
Jo
Jr
_

o
0o
0a
o
2
_
+
1
2
o
2
J
Jr
_
o
0o
0a
o
2
_
.
n nal va rezulta, dupa ce l vom mai scrie o data pe
0
2
I
0a
2
conform cu (4.2.10)
4.2. Rezolvarea prin cuadraturi 181
o
t
o
o
_
0o
0t
o
2

J
Jr
_
/
o
_
+
1
2
J
2
o
Jr
2
_
= 0
sau echivalent,
o
t
= oo
_
1
o
2

Jo
Jt

J
Jr
_
/
o
_
+
1
2
J
2
o
Jr
2
_
. (4.2.11)
Relatiile de mai sus au loc pentru orice t _, r 1, scrierea perechii (t. r)
ind omisa din motive de simplitate, ea ind nsa subinteleasa.
Deoarece o
t
depinde numai de variabila t, al doilea membru al egalitatii
(4.2.11) nu depinde de r, asadar:
J
Jr
_
o
_
1
o
2

Jo
Jt

J
Jr
_
/
o
_
+
1
2
J
2
o
Jr
2
__
(t. r) = 0. \t _ 0. r 1. (4.2.12)
Conditia de reductibilitate este deci echivalenta cu relatia (4.2.12) (implicatia
inversa, adica relatia (4.2.12) implica reductibilitatea este lasata ca exercitiu).
Aplicatii
2.4. Exemplul 1 (Ecuatii autonome)
O ecuatie de tipul (4.2.1) se numeste autonoma atunci cind coecientii o (t. r)si
/ (t. r) nu depind de t, i.e. / (t. r) = / (r) si o (t. r) = o (r).
Conditia de reductibilitate n acest caz, conform relatiei (4.2.12) este (tinind
cont de faptul ca
0o
0t
= 0):
o
_

_
/
o
_
t
+
1
2
o
tt
_
= C
cu C 1 constanta.
Folosind relatia (4.2.11), rezulta
o
t
o
= C = o
t
(t) C o (t) = 0.
ecuatie diferentiala ce admite solutia : o (t) = cc
Ct
, cu c 1 arbitrar.
Dar
182 Cap. 4. Ecuatii diferentiale stocastice
J/
Jr
(t. r) =
o (t)
o (t. r)
=
cc
Ct
o (r)
=
/(t. r) =
a
_
0
cc
Ct
o ()
d = cc
Ct
a
_
0
1
o ()
d
(trebuie impusa conditia ca o sa nu se anuleze si cum o este continua, atunci
1
o
este integrabila pe orice interval compact).
Din ultima relatie deducem
J/
Jt
(t. r) = cCc
Ct
a
_
0
1
o ()
d
si deci

/ (t) = cCc
Ct
a
_
0
1
o ()
d + cc
Ct
/ (r)
o (r)
+
1
2
o
2
(r)
_
cc
Ct
o
t
(r)
o
2
(r)
_
.
n formula initiala care ne da coecientii

/ si o am nlocuit / (t. r) cu r
(deoarece aplicatia r / (t. r) este bijectiva) si am folosit faptul ca

/ nu
depinde decat de t.
Am obtinut astfel o formula explicita pentru coecientii

/ si o , ceea ce ne
permite sa gasim solutia generala a solutiei (4.2.1) , daca determinam inversa
/ (t. r) a functiei / (aceasta se va face n cazuri concrete).
Caz particular al exemplului 1 (Procesul Ornstein-Uhlenbeck).
Fie A
t
solutia ecuatiei
A
t
= +
_
t
0
`A
c
d: +
_
t
0
jd\
c
= + `
_
t
0
A
c
d: + j\
t
. (4.2.13)
cu `. j constante reale. Deci, n acest caz, / (t. r) = `r, o (t. r) = j.
Conditia de reductibilitate (4.2.12) este echivalenta cu
o
_

_
/
o
_
t
+
1
2
o
tt
_
= C
sau,
4.2. Rezolvarea prin cuadraturi 183
j
_

`
j
_
= C. deci C = `.
Rezulta ca o se poate scrie sub forma
o (t) = cc
At
. c 1.
Functia /(t. r) este atunci:
/(t. r) = cc
At
a
_
0
1
j
d =
cc
At
r
j
.
J/
Jt
(t. r) =
c`c
At
r
j
=

/ (t) = c`c
At
r
j
+ cc
At
` r
j
= 0
Sa gasim expresia functiei / (t. r), inversa lui /(t. r). Avem
/(t. / (t. r)) = r ==c
c
At
j
/ (t. r) = r.
deci
/ (t. r) =
jrc
At
c
.
Obtinem deci ca
A
t
= / (t. 1
t
) =
jc
At
1
t
c
.
unde
1
t
= 1
0
+
t
_
0

/ (:) d: +
t
_
0
o (:) d\
c
=
=
c
j
+ c
t
_
0
c
Ac
o (:) d\
c
.
si in ne
184 Cap. 4. Ecuatii diferentiale stocastice
A
t
= c
At
+ jc
At
t
_
0
c
Ac
d\
c
= c
At
_
_
+ j
t
_
0
c
Ac
d\
c
_
_
. (4.2.14)
Procesul denit de (4.2.14) se numeste procesul Ornstein-Uhlenbeck.
Observatia 2.5. n expresia lui A
t
nu mai apare constanta c, obtinuta
prin rezolvarea ecuatiei diferentiale ordinare fara conditie initiala Cauchy
satisfacuta de o.
2.6. Exemplul 2 (Ecuatii ane). O ecuatie ana are coecientii / si o de
forma,
/ (t. r) = /
1
(t) + /
2
(t) r. o (t. r) = o
1
(t) + o
2
(t) r.
Impunem conditia de reductibilitate:
J
Jr
_
(o
1
(t) + o
2
(t) r)
_
1
o
2
(o
t
1
(t) + o
t
2
(t) r)
_

J
Jr
_
/
1
(t) + /
2
(t) r
o
1
(t) + o
2
(t) r
_
= 0
_
.
de unde deducem
o
1
o
t
2
(/
1
o
2
/
2
o
1
+ o
t
1
) o
2
= 0. (4.2.15)
Aceasta conditie este evident satisfacuta n urmatoarele situatii:
(a) o
1
= /
1
= 0 (deci in cazul ecuatiilor liniare).
(b) o
2
= 0.
Observatia 2.7. n mod evident, nu toate ecuatiile ane sunt reductibile.
n cazul general, aceste ecuatii se pot rezolva prin cuadraturi prin metoda
variatiei constantelor.
4.3 Aproximarea prin diferente nite
Sa consideram din nou ecuatia diferentiala stochastica standard in conditiille
Teoremei de existenta si unicitate (Teorema 1.3),
4.3. Aproximarea prin diferente nite 185
A
t
= +
t
_
0
/ (:. A
c
) d: +
t
_
0
o (:. A
c
) d\
c
. (4.3.1)
Reamintim ca este o variabila aleatoare T
0
-masurabila, \ este T
t
-Miscare
Browniana. iar aplicatiile masurabile /(t. r) : [0. 1] 11, o(t. r) : [0. 1]
11, satisfac conditia de crestere (C) si conditia Lipschitz (L) in variabila
x:
(C) [o (t. r)[
2
+[/ (t. r)[
2
_ 1
2
_
1 +[r[
2
_
(L) [o (t. r) o (t. )[ + [/ (t. r) / (t. )[ _ 1 [r [, cu 1 o constanta
pozitiva.
In plus presupunem conditia Hlder urmatoare in variabila t:
(H) [o (:. r) o (t. r)[ +[/ (:. r) / (t. )[ _ 1 [t : [
1
2
.
Aceste ipoteze le pesupunem adevarate pentru orice t. : [0. 1] si r. 1
, unde 1 0. este un numar real strict pozitiv xat.
Fie = (0 = t
0
< t
1
< . . . < t
.1
< t
.
= 1) o diviziune a intervalului [0. 1] .
Putem deni urmatoarea schema de aproximare, denumita schema Euler -
Maruyama:

A
0
= .

A
a
=

A
a1
+ /
_
t
a1
.

A
a1
_
t
a
+ o
_
t
a1
.

A
a1
_
\
a
. (4.3.2)
pentru 1 _ : _ `, t
a
= t
a
t
a1
si t
a
= \
tn
\
t
n1
.
Cu ajutorul sirului nit de variabile aleatoare
_

A
a
_
0a.
construim un proces
aproximant
_

A (t)
_
0tT
astfel :

A (0) = .
si daca t
a1
< t _ t.

A (t) =

A
a1
+ /
_
t
a1
.

A
a1
_
(t t
a1
) + o
_
t
a1
.

A
a1
_ _
\
t
\
t
n1
_
.
(4.3.3)
Acest proces are n mod evident traiectoriile continue si vom vedea ca aprox-
imeaza ntr-un anumit sens solutia (A
t
) a ecuatiei initiale.
Pentru simplitate, vom lucra cu partitii de acelasi pas /,deci t
a
= /. \1 _
: _ `.
Deoarece t t
a1
=
t
_
t
n1
1d: si \
t
\
t
n1
=
t
_
t
n1
1d\
c
, putem scrie pentru
t (t
a1
. t
a
] .
186 Cap. 4. Ecuatii diferentiale stocastice

A (t) =

A
a1
+
t
_
t
n1
/
_
t
a1
.

A
a1
_
d: +
t
_
t
n1
o
_
t
a1
.

A
a1
_
d\
c
. (4.3.4)
Vom deni

/(:) = /
_
t
a1
.

A
a1
_
, o (:) = o
_
t
a1
.

A
a1
_
pentru : (t
a1
. t
a
].
Se poate atunci arata usor, folosind (4.3.4) si inductia dupa n ( adica pe orice
interval (t
a1
. t
a
]), ca :

A (t) = +
t
_
0

/ (:) d: +
t
_
0
o (:) d\
c
. \t [0. 1] . (4.3.5)
Denitia 3.1.(a) Eroarea locala asociata acestei scheme n punctul t
a
este:
`
_

A
tn


A
a

2
[ A
t
n1
=

A
a1
= r
a1
_
. r
a1
1.
(b) Eroarea globala asociata acestei scheme n punctul t
a
este:
`
_

A
tn


A
a

2
[ A
0
=

A
0
= r
0
_
, r
0
1.
Teorema 3.2. Presupunnd ca ipotezele (C), (L), si (H) sunt adevarate,
atunci
sup
0tT
`
_


A (t) A (t)

2
_

I0
0.
In plus, eroarea locala este de ordinul C(/
2
) (adica lim
I0
O(I
2
)
I
2
= c 1. c ,=
0), iar eroarea globala este de ordinul C(/) ( lim
I0
O(I)
I
= / 1. / ,= 0).
Demonstratie. Fie 1 _ : _` si t (t
a1
. t
a
] si sa notam
a
= `
_

A
tn


A
a

2
_
.
Atunci, folosind egalitatea
A (t) = +
t
_
0
/ (:. A
c
) d: +
t
_
0
o (:. A
c
) d\
c
=
+
t
n1
_
0
/ (:. A
c
) d: +
t
n1
_
0
o (:. A
c
) d\
c
+
t
_
t
n1
/ (:. A
c
) d:+
4.3. Aproximarea prin diferente nite 187
t
_
t
n1
o (:. A
c
) d\
c
= A
t
n1
+
t
_
t
n1
/ (:. A
c
) d: +
t
_
t
n1
o (:. A
c
) d\
c
.
rezulta ca avem
A
t


A
t
= A
t
n1
+
t
_
t
n1
/ (:. A
c
) d: +
t
_
t
n1
o (:. A
c
) d\
c

_
_
A
a1
+
t
_
t
n1
/
_
t
a1
.

A
a1
_
d: +
t
_
t
n1
o
_
t
a1
.

A
a1
_
d\
c
_
_
=
A
t
n1


A
a1
+
t
_
t
n1
_
/ (:. A
c
) /
_
t
a1
.

A
a1
_
d:+
t
_
t
n1
_
o (:. A
c
) o
_
t
a1
.

A
a1
_
d\
c
. (4.3.6)
Am obtinut astfel scrierea procesului
_
A
t


A
t
_
ca un semimartingal pe in-
tervalul [t
a1
. t
a
]. Considerind , : 1 1, , (r) = r
2
si aplicam formula lui
It pentru procesul A
t


A
t
dat de (4.3.6) si f.
Deducem
,(A
t


A
t
) =

A
t


A
t

2
=
_
A
t
n1


A
a1
_
2
+
t
_
t
n1
_
2
_
A
c


A
c
_ _
/ (:. A
c
) /
_
t
a1
.

A
a1
_
+
+

o (:. A
c
) o
_
t
a1
.

A
a1
_

2
_
d:
2
t
_
t
n1
_
A
c


A
c
_ _
o (:. A
c
) o
_
t
a1
.

A
a1
_
d\
c
.
188 Cap. 4. Ecuatii diferentiale stocastice
de unde trecind la medie si aplicind inegalitatea: 2c/ _ c
2
+ /
2
, vom obtine
`
_

A
t


A
t

2
_
_
a1
+
t
_
t
n1
`
_

A
c


A
c

2
_
d:+ (4.3.7)
t
_
t
n1
`
_

/ (:. A
c
) /
_
t
a1
.

A
a1
_

2
_
d:+
t
_
t
n1
`
_

o (:. A
c
) o
_
t
a1
.

A
a1
_

2
_
d:.
Am tinut cont de faptul ca
_

A
t
_
si (A
t
) apartin spatiului
2
([0. 1]) si pro-
prietatile (1) si (H) pentru a deduce ca integrala stochastica obtinuta prin
aplicarea formulei lui It este un martingal, deci media sa este nula.
Sa evaluam acum termenii
`
_

/ (:. A
c
) /
_
t
a1
.

A
a1
_

2
_
. `
_

o (:. A
c
) o
_
t
a1
.

A
a1
_

2
_
din (4.3.7). Avem succesiv

/ (:. A
c
) /
_
t
a1
.

A
a1
_

2
=
__
/ (:. A
c
) /
_
:. A
t
n1
_
+
_
/
_
:. A
t
n1
_
/
_
t
a1
. A
t
n1
_
+
/
_
t
a1
. A
t
n1
_
/
_
t
a1
.

A
a1
__
2
_
3

/ (:. A
c
) /
_
:. A
t
n1
_

2
+ 3

/
_
:. A
t
n1
_
/
_
t
a1
. A
t
n1
_

2
+
+

/
_
t
a1
. A
t
n1
_
/
_
t
a1
.

A
a1
_

2
_
_ 31
2

A
c
A
t
n1

2
+ 31
2
[: t
a1
[ + 31
2

A
t
n1


A
a1

2
. (4.3.8)
conform inegalitatii (c + / + c)
2
_ 3 (c
2
+ /
2
+ c
2
) si ipotezelor (L) si (H).
Conform unei proprietati a solutiei unei ecuatii diferentiale stochastice, este
adevarata estimarea
`
_
[A
t
00 A
t
0 [
2
_
_ 1(t
tt
t
t
) . \t
t
. t
tt
[0. 1] .
4.3. Aproximarea prin diferente nite 189
unde 1 este o constanta reala.
Trecnd acum la medie n (4.3.8) obtinem
`
_

/ (:. A
c
) /
_
t
a1
.

A
a1
_

2
_
_ (4.3.9)
31
2
1(: t
a1
) + (: t
a1
) +
a1
_ c
a1
+
_
31
2
1 + 1
_
/
pentru : [t
a1
. t
a
].
Estimarea pentru o are exact aceeasi forma, proprietatile folosite pentru /
ind aceleasi cu cele utilizate pentru o ca si constantele de majorare. Notam
prin 1
t
= (31
2
1 + 1). Atunci inlocuind cele de mai sus(adica (4.3.9) si cea
similara pentru o) in (4.3.7), obtinem
`
_

A
t


A
t

2
_
_
a1
+
t
_
t
n1
`
_

A
c


A
c

2
_
d: + 2
t
_
t
n1
[c
a1
+ 1
t
/] d:
_
a1
(1 + 2/) + 21
t
/
2
+
t
_
t
n1
`
_

A
c


A
c

2
_
d:. (4.3.10)
Aplicnd inegalitatea lui Gronwall functiei
, : [t
a1
. t
a
] 1. ,(t) = `
_

A
t


A
t

2
_
. t [t
a1
. t
a
] .
care satisface (4.3.10), se obtine
,(t) _
_

a1
(1 + 2/) + 21
t
/
2

c
(tt
n1
)
. \t [t
a1
. t
a
] . (4.3.11)
Daca facem t = t
a
in (4.3.11) obtinem

a
_
a1
(1 + 2/) c
I
+ 21
t
/
2
c
I
. \1 _ : _ `. (4.3.12)
Iterind (4.3.12), deducem:

a
_ c
a
(/)
0
+ ,(/)
_
1 + c(/) + ... + c
a1
(/)

. (4.3.13)
unde am pus
c(/) = (1 + 2/) c
I
. ,(/) = 21
t
/
2
c
I
.
190 Cap. 4. Ecuatii diferentiale stocastice
Fie acuma t xat in [0. 1] . Atunci cu siguranta avem t [t
n1
. t
n
] pentru
un anumit m, si cum t
n
t
n1
= /.inlocuind (4.3.13) in (4.3.11), vom obtine
`
_

A
t


A
t

2
_
_
n1
(1 + 2/)c
I
+ 21
t
/
2
c
I
_
c
n1
(/)
0
(1 + 2/)c
I
+ ,(/) [1 + c(/) + ... (4.3.14)
... + c
n2
(/)

(1 + 2/)c
I
+ 21
t
/
2
c
I
.
Dar

0
= `
_

A
0


A
0

2
_
= 0.
atunci (4.3.14) arata ca
sup
0tT
`
_

A
t


A
t

2
_
_ 21
t
/
2
c
I
c
n1
(/) 1
c(/) 1
(1 + 2/)c
I
+ 21
t
/
2
c
I
.
Este clar ca 21
t
/
2
c
I
este de ordinul C(/
2
) si (1 + 2/)c
I
1 cind / 0.
Daca vom arata ca
c
m1
(I)1
c(I)1
este marginit cind / 0. atunci va rezulta ca
sup
0tT
`
_

A
t


A
t

2
_

I0
0.
si in consecinta vom obtine ca eroarea globala este de ordinul C(/) .
Sa denim
(/) = /
c
n1
(/) 1
c(/) 1
.
Cum :1. ` _
T
I
vom avea
(/) _ /
(1 + 2/)
T
h
c
T
1
(1 + 2/)c
I
1
.
Apoi
lim
I0
(1 + 2/)
T
h
c
T
1 = c
3T
1 0.
lim
I0
/
(1 + 2/)c
I
1
=
1
3
.
implica ca (/)/ este de ordinul C(/) .
4.3. Aproximarea prin diferente nite 191
Ramine de aratat ca eroarea locala este de ordinul C(/
2
) . Tinind cont de
(4.3.12) deducem ca

a
_ 21
t
/
2
c
I
.
si deci eroarea locala ` [
a
[
a1
= 0] este de ordinul C(/
2
) .
Teorema este astfel demonstrata.
Probleme
3.3 (O varianta a Lemei Gronwall). Fie n. , : [c. /] 1
+
continue si ` 0.
Daca
n(r) _ ` +
_
a
o
,(t)n(t)dt. \r [c. /] .
atunci sa se arate ca
n(r) _ `c
_
x
a
)(t)ot
. \r [c. /] .
3.4.. Sa se arate ca relatia (4.2.12) implica reductibilitatea.
3.5. Sa presupunem ca c. / satisfac ipotezele Teoremei de existenta si unici-
tate. Sa notam pentru r 1 cu A
a
t
solutia ecuatiei (4.1.1) pentru = r. Sa
se arate ca pentru orice 1 0 are loc inegalitatea
sup
0tT
1
_
[A
a
t
A
j
t
[
2
_
_ C(1) [r [
2
. \r. 1.
unde C(1) este o constanta ce depinde numai de 1 si constanta Lipschitz a
coecientilor.
3.6. Fie . c. 1 : 1
+
1 masurabile si marginite, \ o Miscare Browniana
si o variabila aleatoare independenta de \. Sa se arate ca ecuatia ana
A
t
= +
_
t
0
[(:)A
c
+ c(:)] d: +
_
t
0
1(:)d\
c
.
are unica solutie
A
t
= c
_
t
0
(&)o&
+
_
t
0
c
_
t
s
(&)o&
c(:)d: +
_
t
0
c
_
t
s
(&)o&
1(:)d\
c
. t _ 0.
3.7. Sa se determine media si covariatia solutiei A
t
din Problema 3.6. In
particular se se deduca media si covariatie procesului Ornstein-Uhlenbeck.
192 Cap. 4. Ecuatii diferentiale stocastice
Bibliograe
[1] L. Arnold (1974): Stochastic Dierential Equations: Theory and Appli-
cations . J. Wiley & Sons, New York.
[2] K. L. Chung (1967): Markov Chains with Stationary Transition Proba-
bilities. Springer-Verlag.
[3] G. Ciucu, C. Tudor (1983): Teoria Probabilitatilor si Aplicatii. Editura
Stiintica si Enciclopedica, Bucuresti.
[4] I. Cuculescu (1978): Elemente de Teoria Proceselor stochastice. Univer-
sitatea Bucuresti, Bucuresti.
[5] J. Doob (1953): Stochastic Processes. J. Wiley & Sons, New York.
[6] D. Florea, C. Tudor (1980): Probleme de Teoria Probabilitatilor. Uni-
versitatea Bucuresti, Bucuresti.
[7] A. Friedman (1975): Stochastic Dierential Equations and Applications-
Vol. 1,2. Academic Press.
[8] M. Gradu (1995): Tranzactii Bursiere. Editura Economica, Bucuresti.
[9] G. R. Grimmet (1993): Probability and Random Processes. Oxford Sci-
ence Publications, Oxford- New York-Toronto.
[10] M. Iosifescu (1977): Lanturi Markov Finite si Aplicatii. Editura Tehnica,
Bucuresti.
[11] Gh. Mihoc, C. Bergthaller , V. Urseanu (1978): Procese Stochastice. El-
emente de Teorie si Aplicatii. Editura Stiintica si Enciclopedica, Bu-
curesti.
193
194 BIBLIOGRAFIE
[12] M. Iosifescu, S. Grigorescu, Gh. Oprisan, Gh. Popescu (1984): Elemente
de Modelare Stohastica. Editura Tehnica, Bucuresti.
[13] I. Karatzas, S. Shreve (1988): Brownian Motion and Stochastic Calculus.
Springer-Verlag.
[14] P. Kloeden, E. Platen (1992): Numerical Solution of Stochastic Dier-
ential Equations. Springer-Verlag.
[15] D. Lamberton, B. Lapeyre (1991): Introduction au Calcul Stochastique
Appliqu la Finance. Mathematiques & Applications.
[16] J. Neveu (1975): Discrete Parameter Martingales. North-Holland, Am-
sterdam.
[17] B. Oksendal (1985): Stochastic Dierential Equations. Springer-Verlag.
[18] C. Tudor (1997): Procesos Estocsticos. Sociedad Matematica Mexicana.