Documente Academic
Documente Profesional
Documente Cultură
CAP1-4 Refer PDF
CAP1-4 Refer PDF
Procese Markov
1.1
t 2 T;
xat, aplicatia
t ! Xt (!) : T ! E
'X1 : E T ! [0; 1] ; P
T aplicatia
1
L T; L f inita
(A1
A2 : : :
An ) =
Denitia 1.6. Fie X = (Xt )t2T , Y = (Yt )t2T doua procese denite pe
acelasi spatiu de baza si cu aceeasi multime de timpi T si acelasi spatiu al
starilor (E; E).
(a) Se spune ca X este o modicare (sau o versiune) a lui Y daca Xt = Yt
a.s. 8t 2 T , adica P (Xt = Yt ) = 1, 8t 2 T:
(b) Spunem ca X si Y sunt indistingabile, daca X si Y au aceleasi traiectorii,
cu exceptia unei multimi de masura nula,
deci daca
P (f! 2
Observatia 1.7. Daca (Xt ) este indistingabil de (Yt ) atunci (Xt ) este o versiune a lui (Yt ) 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 T 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
Lanturile Markov sunt procese stochastice cu timpul discret si multimea starilor cel mult numrabil.
= in 1 ; : : : ; X0 = i0 ) =
P (Xn+1 = in+1 j Xn = in ) ;
(1.2.1)
n;
(1.2.2)
de indata ce
P (Xn = in ; : : : ; Xk = ik ) > 0
Demonstratie. Ideea consta in a completa evenimentul care conditioneaza
(Xn = in ; : : : ; Xk = ik ) pina la X0 , pentru a putea utiliza denitia lantului
Markov.
Observam ca
[
=
fXk 1 = ik 1 ; : : : ; X0 = i0 g ;
i0 ;:::;ik
1 2I
de unde
P (Xn+1 = in+1 j Xn = in ; : : : ; Xk = ik ) =
P (Xn+1 = in+1 ; Xn = in ; : : : ; Xk = ik ; )
=
P (Xn = in ; : : : ; Xk = ik )
i0 ;::;ik
1 2I
fXk
= ik 1 ; ::; X0 = i0 g
P (Xn = in ; : : : ; Xk = ik )
P
i0 :::;ik
P (Xn+1 = in+1 ; : : : ; Xk = ik ; Xk
= ik 1 ; : : : ; X0 = i0 )
1 2I
i0 :::;ik
P (Xn = in ; : : : ; Xk = ik )
1 2I
P (Xn+1 = in+1 j Xn = in ; : : : ; Xk = ik ; : : : ; X0 = i0 )
P (Xn = in ; : : : ; Xk = ik )
P (Xn = in ; : : : ; Xk
= ik 1 ; : : : ; X0 = i0 ) =
P (Xn+1 = in+1 j Xn = in )
P (Xn = in ; : : : ; Xk = ik )
i0 :::;ik
P (Xn = in ; : : : ; Xk
= ik 1 ; : : : ; X0 = i0 ) =
1 2I
P (Xn+1 = in+1 j Xn = in )
P (Xn = in ; : : : ; Xk = ik )
P @Xn = in ; ::; Xk = ik ;
i0 ;:::;ik
1 2I
fXk
= ik 1 ; ::; X0 = i0 gA =
(1.2.3)
= in 1 ) ;
(1.2.4)
n) si i2 I ,
P (A j Xn = i; B) = P (A j Xn = i) ;
(1.2.5)
P (Xn
P (Xn
= in
= in 1 ; : : : ; X0 = i0 ) =
= in 1 ; : : : ; X0 = i0 )
= in 1 ; : : : ; X0 = i0 ) = P (Xn = in j Xn
j Xn
= P (Xn = in j Xn
= in 2 ; : : : ; X0 = i0 ) P (Xn
= in 1 ) P (Xn
= in
= in 1 )
= in 2 ; : : : ; X0 = i0 )
j Xn
= in 2 ) : : :
: : : ; P (X1 = i1 j X0 = i0 ) P (X0 = i0 ) =
pi0 P (X1 = i1 j X0 = i0 ) P (X2 = i2 j X1 = i1 ) : : : :
: : : :P (Xn = in j Xn
= in 1 ) :
10
= in 1 ; : : : ; X0 = i0 g :
Propozitia 2.5. Proprietatea Markov continua sa ramina adevarata si pentru lantul (Xn ) considerat cu ordinea inversa, deci pentru A 2 B (Xm ; m n + 1)
avem:
P (Xn = in j Xn+1 = in+1 ; A) = P (Xn = in j Xn+1 = in+1 ) :
(1.2.6)
Demonstratie. Avem ca
P (Xn = in j Xn+1 = in+1 ; A) =
11
(1.2.7)
1; in 1 ; n; in ) ,8 n; i1 ; :::; in :
0, denim matricile
daca n = 0
daca n = 1
1) daca n > 1; m
(1.2.8)
0:
(1.2.9)
(1.2.10)
X
k2I
p (m; i; m + l; k) p (m + l; k; m + n; j) ; 8i; j 2 I:
(1.2.11)
(c) Pentru orice i 2 I sirul (Xn ) continua sa e lant Markov fata de probabilitatea P(.j X0 = i); cu repartitia initiala pi = 1; pj = 0 daca j 6= i si
aceleasi matrici de trecere P (m) :
Demonstratie. (a) Se utilizeaza inductia dupa m. Pentru m = 1, armatia
este imediata.
Presupunem armatia adevarata pentru n si sa o demonstram pentru n + 1.
12
Avem
P (Xm+n+1 = j j Xm = i) =
X
k2I
X
k2I
k2I
P (Xm+n+1 = j j Xm = i) =
P (Xm+n+1 = j; Xm+n = k j Xm = i) =
p (m; i; m + n; j) p (m + n; k; m + n + 1; j) = p (m; i; m + n + 1; j)
k2I
1
1) = P (X2k+1 = 1) = ; k = 0; 1; ::::;
2
(1.2.12)
si denim
X2k = X2k 1 X2k+1 ; k = 1; 2; ::::
Atunci rezulta ca X2 ; X4 ; :::: sunt independente cu aceeasi distributie ca in
(1.2.12) si
1
p(n; i; j) = P (Xm+n = j j Xm = i) = ; 8n si i; j =
2
1;
13
1) =
1; X2k
1
6=
2
= 1) = 0:
Desi (Xn ) nu este lant Markov putem asocia un lant Markov prin largirea
spatiului starilor. Daca denim Yn = (Xn ; Xn+1 ) ce are valori in E =
f 1; 1g2 ; atunci se arata ca (Yn )n este lant Markov neomogen.
Denitia 2.10. Un lant Markov (Xn ) este omogen daca cantitatile P (Xn+1 = j j Xn = i)
nu depinde de n, ci numai de i si j.
In cazul cand lantul Markov (Xn ) are matricile de trecere (P (m))m , vom
spune ca este omogen daca P (m) = P , 8m, unde P = (p(i; j))i;j2I este o
matrice stochastica (pe scurt vom soune ca (Xn ) este lant Markov omogen
cu matricea de trecere P ).
Deci (Xn ) este omogen cu matricea de trecere P daca
P (Xn+1 = j j Xn = i; Xn
= in 1 ; : : : X0 = i0 ) =
(1.2.13)
14
p (m + n; i; j) =
X
k2I
(1.2.15)
+ ::: +
8n
n;
(1.2.16)
1:
=j
i))i;j2Z :
Avem de aratat ca
P (X0 = i0 ; X1 = i1 ; : : : ; Xn = in ) =
P (X0 = i0 ) P (
= i1
i0 ) : : : P (
= in
in 1 ) :
= i1 ;
P (X0 = 0) P (
= i2
= i1 ) P (
i1 ; : : : ;
2
= i2
= in
in 1 ) =
i1 ) : : : P (
= in
in 1 ) :
= 1) = p; P (
= 0) = q = 1
p; 0 < p < 1;
vom numi acest mers la intimplare modelul Bernoulli. Deci in acest caz
multimea starilor este f0; 1; ::::g :
15
Observatie 2.13. Urmatorul exemplu din teoria jocurilor cunoscut sub numele de ruinarea jucatorului are ca model matematic lantul Markov precedent.
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 n cistigul lui A in cea de a n-partida, deci ( n ) este un sir
de variabile aleatoare independente cu P ( n = 1) = p; P ( n = 1) = q
pentru orice n. Atunci cistigul lui A dupa primele n-partide este Xn =
1 +:::+ n : Atunci (Xn ) este lant Markov cu multimea starilor f0; 1; :::; a + bg
si cu matricea de trecere
0
1
0
1 0 0 0 ::: 0 0 0
B q
1
0 p 0 ::: 0 0 0 C
B
C
B 0 q
C
2
0
p
:::
0
0
0
B
C
B : : : : : : : : : 0 ::: : : : : : : : : : C
:::
B
C
a + b 1 @ 0 0 0 0 ::: q
0 p A
a+b
0 0 0 0 ::: 0 0 1
Un calcul simplu arata ca probabilitatile de trecere in n-pasi sunt date de
relatiile
( 1
(n+j i) 1 (n+j i) 1 (n j+i)
2
q2
daca n + j i este par,
p2
p (n; i; j) = Cn
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 Xn numarul bilelor albe obtinute in primele n extrageri. Evident 0
Xn n si X0 = 0 prin denitie.
Atunci (Xn ) este lant Markov neomogen.
Intr-adevar, daca Xn = i, deci daca in primele n extrageri am obtinut i bile
albe si n i bile negre, atunci compozitia urnei, inaintea celei de a n + 1
extrageri va :
a + ci bile albe si b + (n i) c bile negre.
16
Atunci probabilitatea ca Xn+1 sa ia o anumita valoare, conditionata de valorile X0 ; : : : Xn va depinde numai de valoarea lui Xn , valoare ce determina
compozitia urnei dupa primele n extrageri si vom avea
P (Xn+1 = i j Xn = i) =
b + (n i) c
;
a + b + nc
P (Xn+1 = i + 1 j Xn = i) =
a + ic
a + b + nc
si
P (Xn+1 = j j Xn = i) = 0 daca j 6= 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 presupune ca:
(a) In intervalul de timp (n; n + 1) sosesc n clienti, variabilele 0 ; 1 ; : : : ;
si identic repartizate, cu repartitia initiala
n ; ::: ind presupuse independente
P
P ( 0 = k) = pk ; k 0;
pk = 1.
k 0
(b) Exista loc de asteptare pentru cel mult m clienti, numar in care se include
si clientul care este servit. Clientii care ajungand la statie si gasesc m clienti
asteptand, pleaca (fara a serviti) si nu se mai intorc.
Notam cu Xn numarul clientilor prezenti la momentul n, numar in care se
include si clientul care este servit. Vom arata ca (Xn )n 0 este un lant Markov
cu starile 0,1,: : : ; m.
Sa observam ca numarul clientilor prezenti la momentul n + 1 este egal cu
numarul clientilor prezenti la momentul n, mai putin cel servit la momentul
n (daca exista), plus numarul clientilor care sosesc in intervalul (n; n + 1),
daca rezultatul acestei insumari nu depaseste m si egal cu m in caz contrar.
Prin urmare
Xn+1 = min f(Xn +
8
< Xn
:
1+
n
n;
0;Xn )
daca 1 Xn m; 0
daca Xn = 0; 0
n
in celelalte cazuri.
1+
n ; mg
m+1
1;
Xn ;
17
Intrucat Xn+1 depinde numai de Xn si n iar variabilele Xn si n sunt independente, rezulta fara dicultate ca (Xn )n 0 este un lant Markov.
Vom determina acum matricea de trecere. Notind
Pl =
1
X
pk ; 1
m;
k=l
vom avea
p (0; j) = P (Xn+1 = j j Xn = 0) =
P(
P(
= j j Xn = 0) = pj ;
m) = pm + pm+1 + : : : = Pm ;
n
n
Apoi pentru 1
8
< P(
P(
:
0;
daca 0
daca
m 1;
j = m:
m avem
p (i; j) = P (X (n + 1) = j j X (n) = i) =
n
n
= j + 1 i) = pj i+1 ;
m + 1 i) = Pm+1 i ;
daca i 1 j m
daca
j = m;
in celelalte cazuri.
1;
0
1
2
:::
m 1
m
0
B
B
B
B
B
B
@
p0
p0
0
:::
0
0
p1
p1
p0
:::
0
0
p2
p2
p1
:::
0
0
:::
:::
:::
:::
:::
:::
pm
pm
pm
:::
p1
p0
1
1
2
Pm
Pm
Pm
:::
P2
P1
1
C
C
C
C
C
C
A
18
Fie Xn cantitatea de apa din rezervor la momentul n ( srsitul zilei sau anului
n). Atunci are loc urmatoarea formula de recurenta
Xn+1 = min (m;
+ Xn )
min (k;
+ Xn ) :
P
Fie Pi = ij=0 pi ; Qi = 1 Pi : Nu este dicil de probat ca sirul (Xn ) este
lant Markov omogen cu starlie 0; 1; :::; m k si matricea de trecere
0
1
:::
k
k+1
:::
m k
0
B
B
B
B
B
B
B
B
@
Pk
Pk
:::
P0
0
:::
0
pk+1
pk
:::
p1
p0
:::
0
pk+2
pk+1
:::
p2
p1
:::
0
:::
:::
:::
:::
:::
:::
:::
pm 1
pm 2
:::
pm k
pm k
:::
pk 1
1
2
Qm
Qm
:::
Qm
Qm
:::
Qk
k
k 1
1
C
C
C
C
C
C
C
C
A
n+1
= Xn
j j Xn = i =
P
Deci (Xn )n
n+1
=i
19
j j Xn = i =
Cij pi j q i ; i j
0
i < j:
0
1
2
:::
r
Probleme
::: r
::: 0
::: 0
::: 0
::: :::
: : : qr
C
C
C:
C
A
n 1;
8n
1:
1
1
20
unde 0 < ;
< 1: Sa se arate ca
Pn =
1
+
)n
+ (1
= X0 ;
= Xn
Xn 1 ; n
1;
I notam
p(i; A) =
p(i; j):
j2A
0;
jk p(j; l);
1.3
1.3.1
21
Denitia 3.1. Fie T = f0; 1; :::g sau T = [0; 1) : O ltrare (sau baza
stochastica) pe spatiul masurabil ( ; F) este o familie (Ft )t2T de corpuri
boreliene ale lui F asa incit Fs Ft daca s < t:
Un proces stochastic (Xt )t2T vom spune ca este Ft adaptat daca pentru
orice t 2 T variabila aleatoare Xt este Ft -masurabila.
Filtrarea canonica asociata unui proces stochastic (Xt )t2T este denita prin
Ft = B (Xs : s
t) ; t 2 T:
tg 2 Ft ; 8t 2 T g :
(1.3.1)
(1.3.2)
T g 2 FT :
22
In particular daca S
aplicatia
T atunci FS
SA =
S pe A;
1 pe CA;
este optionala.
(d) Daca sirul de variabile aleatoare reale (Xn )n este Fn -adaptat si S este
optionala, atunci aplicatia
XS 1fS<1g :
! R;
denita prin
XS 1fS<1g (!) =
(1.3.3)
este FS masaurabila.
(e) Daca sirul de variabile aleatoare (Xn )n este Fn -adaptat, atunci pentru
orice A 2 BR aplicatia
DA (!) =
(1.3.4)
ng =
; daca n0 n
;; daca n0 > n:
ng 2 Fn ;se observa ca
fmin (S; T )
ng = fS
ng [ fT
ng 2 Fn :
fmax (S; T )
ng = fS
ng [ fT
ng 2 Fn :
23
(c) Avem ca
A \ fS
T g \ fT = ng = A \ fS
ng \ fT = ng 2 Fn :
De asemenea
fSA
ng = A \ fS
ng 2 Fn :
1.3.2
m<n
fXm 2
= Ag \ fXn 2 Ag 2 Fn :
Dupa cum s-a vazut, pentru un lant Markov trecutul si viitorul sunt independente, de indata ce prezentul este cunoscut; aici prin prezent se intelege
un timp xat n.
Se pune in mod resc intrebarea daca aceasta proprietate continua sa e
adevarata daca prezentul este inlocuit cu un timp aleator T .
Raspunsul este armativ la aceasta intrebare, daca timpul T este optionala,
dupa cum vom vedea in continuare.
Fie (Xn )n=0;1;2;::: un lant Markov cu spatiul starilor I si cu matricile de trecere
P (m) si e Fn = B (X0 ; : : : ; Xn ) :
Denitia 3.5. Vom spune ca (Xn ) are proprietatea tare Markov daca pentru
orice optionala nita S are loc egalitatea
P (XS+n = j j XS = i; A) = P (XS+n = j j XS = i) ; 8n si A 2 FS ; (1.3.5)
(conform Propozitiei 3.4-(d) aplicatiile XS+n si XS sunt masurabile in raport
cu FS+n si FS ).
Teorema urmatoare arata ca intotdeauna un lant Markov are proprietatea
tare Markov.
24
Teorema 3.6. Daca (Xn )n este lant Markov omogen cu matricea de trecere
P; atunci (Xn )n este tare Markov.
Demonstratie. Fie A 2 FS . Avem de aratat ca
P (XS+n = j j XS = i; A) = P (XS+n = j j XS = i) :
Dar
P (XS+n = j; XS = i; A) = P (XS+n = j; XS = i; A; ) =
!
1
[
P XS+n = j; XS = i; A;
fS = mg =
m=0
1
X
P (XS+n = j; XS = i; A; S = m) =
m=0
1
X
P (Xm+n = j; Xm = i; A; S = m) =
m=0
1
X
m=0
P (Xm+n = j j Xm = i; A; S = m) P (Xm = i; A; S = m) =
p (n; i; j)
1
X
P (XT = i; A; S = m) =
m=0
P (XS+n = j; XS = i; A)
=
P (XS = i; A)
p (n; i; j) P (XS = i; A)
= p (n; i; j) :
P (XS = i; A)
Observatia 3.7. Daca (Xn )n este lant Markov omogen cu matricea de
trecere P , atunci are loc egalitatea
P (XS+n = j j XS = i; A) = P (XS+n = j j XS = i) = p (n; i; j) ;
pentru orice optionala nita S.
(1.3.6)
25
Probleme
3.10 Sa se arate ca daca (Xn )n nu este lant Markov omogen concluzia
corolarului precedent poate sa nu e adevarata.
i; j
1;
P (X0 = 0; Y0 = 0; Y1 = 0) + P (X0 = 1; Y0 = 0; Y1 = 0) =
P (X0 = 0; X1 = 0) + P (X0 = 1; X1 = 0; X2 = 0) =
26
Apoi
P (Y0 = 0; Y1 = 0; Y2 = 0) =
1
X
P (X0 = i; Y0 = 0; Y1 = 0; Y2 = 0) =
i=0
P (X0 = 0; Y0 = 0; Y1 = 0; Y2 = 0) + P (X0 = 1; Y0 = 0; Y1 = 0; Y2 = 0) =
P (X0 = 0; X1 = 0; X2 = 0) + P (X0 = 1; X1 = 0; X2 = 0; X3 = 0) =
P (X2 = 0 j X1 = 0; X0 = 0) P (X1 = 0 j X0 = 0) P (X0 = 0) +
P (X3 = 0 j X2 = 0; X1 = 0; X0 = 1) P (X2 = 0 j X1 = 0; X0 = 0)
1
P (X1 = 0 j X0 = 1) P (X0 = 1) = P (X2 = 0 j X1 = 0) +
2
P (X3 = 0 j X2 = 0) P (X2 = 0 j X1 = 0)
P (X1 = 0 j X0 = 1)
P (Y1 = 0) =
1
X
11 1
1
1
=
+
0= :
2
22 2
4
P (X0 = i; Y1 = 0) =
i=0
P (X0 = 0; X1 = 0) + P (X0 = 1; X2 = 0) =
P (X1 = 0 j X0 = 0) P (X0 = 0) + P (X2 = 0; X1 = 0; X0 = 1) +
1
P (X2 = 0; X1 = 1; X0 = 1) = + P (X2 = 0 j X1 = 0)
2
P (X1 = 0 j X0 = 1) P (X0 = 1) +
P (X2 = 0 j X1 = 1) P X1 = 1 j X0 = 1)P (X0 = 1) =
1 1
1 1
1
1 1
3
+
0
+
1
= + = :
2 2
2 2
2
2 4
4
27
Apoi
P (Y1 = 0; Y2 = 0) =
1
X
P (X0 = i; Y1 = 0; Y2 = 0) =
i=0
P (X0 = 0; Y1 = 0; Y2 = 0) + P (X0 = 1; Y1 = 0; Y2 = 0) =
P (X0 = 0; X1 = 0; X2 = 0) + P (X0 = 1; X2 = 0; X3 = 0) =
1
1 1
+ = :
4 4
2
De unde:
P (Y2 = 0 j Y1 = 0; Y0 = 0) =
1
2
si
2
P (Y2 = 0 j Y1 = 0) = ;
3
ceea ce arata ca (Yn )n nu este lant Markov .
3.11. Sa se demonstreze ca probabilitatea revenirii de cel putin m ori in
starea i a unui lant Markov este f (i; i)m (Indicatie: Se utilizeaza inductia
dupa m).
1.4
Fie (Xn )n
trecere P .
Vom nota
Pi (A) = P (A j X0 = i) :
Fie
T1j =
min fn
1
1; Xn = jg daca fn
daca fn
1 : Xn = jg =
6 ;
:
1 : Xn = jg = ;
6= j; Xk = jg 2 Fn :
28
1
S
n=1
fXn = jg :
Pi T1j
<1 =
1
X
k=1
f (i; j) = Pi
k=1
6= j; Xk = j) ;
f (k; i; j) ; i; j 2 I:
6= j; Xk = j) ;
!
fXk = jg :
f (i; j) = Pi T1j = 1 :
k=1
1; l; j) ; k 2;
(1.4.1)
(1.4.2)
l2Infjg
f (i; j) = p (i; j) +
l2Infjg
29
2
f (k; i; j) = Pi (X1 6= j; : : : ; Xk 1 6= j; Xk = j) =
0
1
i
[
Pi @
fX1 = l; X2 6= j; : : : ; Xk 1 6= j; Xk = jgA =
l2I fjg
l2I fjg
l2I fjg
Pi (X1 = l; X2 6= j; : : : ; Xk
Pi (X2 6= j; : : : ; Xk
l2I fjg
6= j; Xk = j) =
6= j; Xk = j j X1 = l) Pi (X1 = l) =
Pi (X1 = l) Pl (X1 6= j; : : : ; Xk
X
p (i; l) f (k
6= j; Xk
= j) =
1; l; j) :
l2I fjg
: Xn = i
daca
daca
n > Tki
n > Tki
1
1
: Xn = i =
6 ;
: Xn = i = ;:
6= i; Xn = i ;
(1.4.3)
30
Pi Tnj
1 au loc egalitatile
= kn = f (kn ; j; j); 8n
T1j = k2 ; :::; Tnj
Pi T1j = k1 ; T2j
Tnj
2;
(1.4.4)
= kn =
(1.4.5)
Tnj
< 1 ; :::
n 1 +k
Pi Tnj
Tnj
;k
0: Atunci avem
6= j; Ykn = j) =
Tnj
= kn j Tnj
Pi Tnj
Tnj
Tnj
= kn 1 ; :::T2j
= kn 1 ; :::T2j
= kn =
T1j = k2 ; T1j = k1
T1j = k2 ; T1j = k1 =
= kn 1 ; :::T2j
Tnj
T1j = k2 ; T1j = k1 =
n
X
f (m; i; j) p (n
m; j; j) :
m=1
p (n; i; j) = Pi
n
[
m=1
T1j
= m; Xn = j
(1.4.6)
Pi T1j = m; Xn = j =
m=1
n
X
31
Pi T1j = m Pi XT j +n
= j j T1j = m
m=1
n
X
Pi T1j = m Pi XT j +n
1
= j j XT j = j; T1j = m =
m=1
n
X
Pi T1j = m Pi XT j +n
m=1
n
X
f (m; i; j) p (n
= j j XT j = j
1
m; j; j) :
m=1
p(n; i; i) = 1 (resp:
1
X
n=1
p(n; i; i) =
n=1
1
:
f (i; i)
(1.4.7)
1
X
n=0
n=0
unde p(0; i; j) =
rezulta ca
ij ;
1
X
Pii (z) = 1 +
1 X
n
X
k; i; i)z n
n=1 k=1
1+
1 X
1
X
k; i; i)z n
k=1 n=k
1+
1;
1
X
k=1
32
si prin urmare
1
:
1 Fii (z)
Daca i este recurenta atunci utilizind Lema lui Abel rezulta ca
Pii (z) =
1
X
z%1
(1.4.8)
f (n; i; i) = 1;
n=1
z%1
1
X
n=0
p(n; i; i) = 1:
z%1
1
X
f (n; i; i) < 1
n=1
z%1
1
X
p(n; i; i) =
n=0
1
:
f (i; i)
Propozitia 4.8. (a) Pentru orice doua stari i,j, daca j este tranzienta
atunci
1
X
p(n; i; j) < 1;
n=0
p(n; i; j) = lim Pij (z) = lim Pjj (z) lim Fij (z)
z%1
z%1
z%1
1
X
n=1
33
p(n; j; j) < 1:
n!1
n!1
j2I
deci o contradictie.
Sa notam acum cu Nj numarul de vizite in starea j ale lantului (Xn ), deci
1
P
Nj =
1fXn =jg :
n=0
[1
(1.4.9)
f (j; j)] ; k = 1; 2; : : :
si pentru i 6= j;
Pi (Nj = k) =
1 f (i; j) ;
f (i; j) f (j; j)k
[1
f (j; j)] ;
k=0
k = 1; 2; : : :
(1.4.10)
Tkj
j
< 1; Tk+1
Tkj = 1 :
Tkj
j
< 1 ; Tk+1
f (j; j) ;
Tkj = 1
34
1
0
daca i = j,
daca i 6= j,
(1.4.11)
(1.4.12)
= 1 si 0.1 = 0):
1
X
kf (j; j)k
[1
f (j; j)] =
k=1
1
1
:
2 =
[1 f (j; j)]
[1 f (j; j)]
Pentru i 6= j se procedeaza de aceeasi maniera, utilizindu-se de data aceasta
(1.4.10).
[1
f (j; j)]
35
Observatia 4.14. (a) Este clar ca i ! j daca si numai daca exista starile
i0 ; : : : ; in astfel incat
p (i; i0 ) > 0; p (i0 ; i1 ) > 0; : : : ; p (in ; j) > 0:
(b) Relatia ! " este reexiva si tranzitiva.
Reexivitatea este imediata, deoarece p (0; i; i) = 1 > 0: Pentru tranzitivitate
e i ! j ! k, deci 9m 0; n 0; astfel incat p (m; i; j) > 0; p (n; j; k) > 0:
Atunci
p (m + n; i; k) =
p (m; i; l) p (n; l; k)
l2I
si deci i ! k.
Denitia 4.15 (Relatia de comunicare).Vom spune ca starile i si j comunica si vom scrie i $ j, daca i ! j si j ! i sau echivalent daca
f (i; j) f (j; 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
p(i; j) = 0 pentru orice i 2 C si j 2
= C sau inca daca matricea (p(i; j))i;j2C
este stochastica.
(b) O stare i este absorbanta daca multimea fig este inchisa, deci daca
p(i; i) = 1:
(c) O multime de stari C este ireductibila daca i $ j pentru orice i; j 2 C:
(d) Vom spune ca lantul Markov (Xn ) este ireductibil daca multimea stasrilor
I este ireductibila, deci daca oricare ar doua stari din I ele comunica.
Observatia 4.17. Urmatorul procedeu permite aarea multimii inchise C
ce include o starea i. Intii orice stare j cu p(i; j) > 0 este in C: Apoi orice
stare k cu p(j; k) > 0 este in C (din tranzitivitatea relatiei ! "): Procedeul
continua pina cind nu mai este posibil de adaugat alte stari.
36
Pi (Xn = k) Pi
k2I
l>n
X
k2I
fXl = ig j Xn = k
p(n; i; k) = 1;
k2I
37
Demonstratie. Denim
C(i) = fj 2 I : i ! jg = fj 2 I : i $ jg
(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 j; k 2 C(i) atunci j ! k: Prin
ipoteza i $ j si cum i ! k; prin tranzitivitate obtinem ca j ! k:
Teorema 4.21. Intr-un lant Markov omogen X starile recurente pot partitionate, intr-o maniera unica, in multimile inchise si ireductibile C1 ; C2 ; : : :
Matricea de trecere a lantului are forma urmatoare (dupa o eventuala renumerotare a starilor),
0
1
P1 0
0 ::: 0
B 0 P1 0 : : : 0 C
C
B
B 0
C
0
P
:
:
:
0
1
B
C
B ..
..
..
..
.. C
@ .
.
.
.
. A
Q1 Q2 Q3 : : : Q
38
si deci in general
p (m + n + kl; j; j) > 0; 8k
1:
0 daca f (i; j) = 0
1 daca f (i; j) > 0:
39
n=0
(1.4.13)
n=0
Presupunem ca starile au fost numerotate asa incit starile recurente sa preceada pe cele tranziente. In acest caz matricea de tranzitie are forma
P =
K 0
L Q
Kn 0
Ln Qn
S=
1
X
Qn :
n=0
SQ = QS = Q = Q2 + ::: = S
I;
adica
(I
Q) S = I; S (I
Q) = I:
(1.4.14)
40
Q) Y = I; Y
(1.4.15)
0:
n+1
I + Q + ::: + Q + Q
n
X
Qm ;
(1.4.16)
m=0
deoarece Q; Y
S:
41
Fie C1 ; ::: clasele ireductibile si recurente furnizate de Teorema 4.21 si D multimea starilor tranziente. Presupunem ca ordinea starilor este urmatoarea:
intii cele din C1 ; apoi cele din C2 ; etc:; si in ne cele tranziente. Deoarece suntem interesati in probabilitatea de a vizita Cj putem presupune ca multimile
Cj sunt formate dintr-o singura stare, care este desigur absorbanta.
In aceasta situatie matricea de trecere devine
0
1
1 0 ::: 0 0
B 0 1 ::: 0 0 C
B
C
C
:
:
:::
:
:
P^ = B
B
C
@ 0 0 ::: 1 0 A
b1 b2 ::: bm Q;
unde
bj (i) =
k2Cj
p(i; k); i 2 D:
atunci
P^ =
I 0
B Q
si deci
P^ n =
I
0
Bn Qn
k=0
42
p(1; 1) = 21
p(1; 2) (p(2; 2)n
si deci
f (1; 1) =
p(2; 1) =
1
X
1
2
3 n 2 1
4
4
f (n; 1; 1) = 1;
n=1
daca n = 1;
daca n > 1;
43
Mai departe
f (n; 5; 5) =
p(5; 5) = 21
p(5; 6) (p(6; 6)n
p(6; 5) =
1 n 2 1
2
2
1
2
daca n = 1;
daca n > 1;
p(i; i + 1) = p; p(i; i
1; i + 1:
= 1) = p; P (
1) = q; 8n:
f1;::;2ng;jLj=n
(f
P (f
L f1;::;2ng;jLj=n
i
i
= 1 : i 2 Lg \ f
= 1 : i 2 Lg \ f
L f1;::;2ng;jLj=n
i
i
n n n
pn q n = C2n
p q :
1:i2
= Lg) =
1:i2
= Lg) =
44
n n
x =p
C2n
1
1
4x
; 80
1
x< :
4
p(2n; i; i) = p
1
1
4p (1
p)
1
j1
2pj
x! 14
1
X
n=0
n n
C2n
x
1
X
n=0
n
C2n
1
4
= 1;
care din nou prin Teoremele 4.7 si 4.19-(a) arata ca toate starile sunt recurente.
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 = a + b: Din forma matricii de trecere rezulta ca exista trei
clase de comunicare
f0g ; fcg ; f1; :::; c 1g :
Starile 0 si c sunt absorbante, deci recurente, iar clasa f1; :::; c 1g este
tranzienta deoarece daca prin absurd starea 1 ar recurenta, atunci din
faptul ca 1! 0 si Teorema 4.19-(b) ar rezulta ca 0! 1 ceea ce este imposibil:
Din Propozitia 4.25 avem ca (notatiile sunt cele folosite anterior)
2
0
13 1
0 p 0 ::: 0 0
6
B q 0 p ::: 0 0 C7
6
B
C7
6
C7
S = 6I B
B : : : : : : C7 ;
4
@ 0 0 0 ::: 0 p A5
0 0 0 ::: q 0
1)
1
h
p
q
8
>
>
<
1
2
p
q
i
>
1 >
:
45
p
q
p
q
p
q
c 1
1 ;
c i
p
q
i
:
j i
; j>i
(1.4.17)
2
c
i) ; j i
:
j) j > i
Pc 1
Daca D este durata jocului, atunci D =
l=1 Nl ; si prin urmare durata
medie a jocului este
r(i; j) =
E(D) =
j (c
i (c
c 1
X
E (Nl ) =
1
(2p 1)
a (c
r(a; l) =
l=1
l=1
8
<
c 1
X
c a
( pq ) ( pq )
c
( pq ) 1
a) ;
a ; p 6=
p=
1
2
1
2
c 1
X
r(a; l)p(l; 0) =
l=1
8
c a
1
< ( pq )
; p 6=
p c
(q) 1
: 1 a;
p=
c
1
2
1
2
f (a; 0):
= 1) = p; P (
= 2) = q = 1
p; 0 < p < 1:
46
1.5
Denitia 5.2. (a) O stare recurenta i este nula (resp. nenula sau pozitiva)
daca i = 1 (resp. i < 1):
(b) O stare recurenta i este ergodica daca este neperiodica si nenula.
Comportarea asimptotica a probabilitatilor de trecere in n pasi este strins
legata de conceptul de repartitie (sau distributie) stationara.
Denitia 5.3. O probabilitate = ( i )i2I este repartitie ( sau distributie)
stationara pentru lantul Markov (Xn ) ce are matricea de trecere P; daca
X
= P sau echivalent j =
(1.5.2)
i p(i; j); 8j 2 I:
i2I
47
(1.5.3)
i2I
1;
i2I
= in 1 ; :::; Xm = i0 )
= in 1 ; :::; Xm = i0 ) =
p(in 1 ; in )P (Xn+m
= in 1 ; :::; Xm = i0 ) =
48
1:
n!1
(1.5.5)
d(j)f (i; j)
n!1
; 8i 2 I:
(1.5.6)
1)d(i); i; i) > 0;
p (sd(i); i; j)
p(s; i; j)p((s
1)d(i); j; j) > 0;
49
d(j)
n!1
= ( j )j2I este
(1.5.7)
k2I
I; J nita. Atunci
X
p(n + 1; i; j) =
p(n; i; k)p(k; j)
k2I
k2J
X
k2J
k p(k; j):
(1.5.8)
50
j2I k2I
k2I
j2I
k2I
P
si in ne k2I k = 1: Cu aceasta am aratat ca este repartitie stationara.
Se demonstram acuma unicitatea repartitiei stationare. Daca j = j j2I
este o alta repartitie stationara, atunci pentru orice n avem
X
=
j
k p(n; k; j); 8j 2 I;
k2I
n!1
j2I
= 1:
Propozitia 5.11. Intr-un lant Markov cu multimea starilor nita si ireductibil toate starile sunt recurente nenule.
51
Demonstratie. Din Propozitia 4.8-(b) se stie ca exista cel putin o stare recurenta, si deci toate starile sunt recurente. Daca toate starile ar recurente
nule atunci din Teorema ergodica ar rezulta ca
lim p(n; i; j) = 0; 8i; j 2 I;
n!1
de unde
1 = lim
n!1
deci o contradictie.
p(n; i; j) =
j2I
X
j2I
lim p(n; i; j) = 0;
n!1
1 = 1;
0;
X
j6=s
p(i; j)yj ; 8i 6= s;
52
l;
l
X
ri > 0:
i=0
0 r0
i
l
+ 1 q1
1 p i 1 + i ri +
1 p l 1 + l rl
Conditia
Pl
i=0
i+1 qi+1
p0 :::pi 1
q1 :::qi
0;
=
=
=
81
0;
i;
1;
l;
l:
(1.5.9)
= 1 implica egalitatea
0
1+
Pl
i=1
p0 :::pi 1
q1 :::qi
(1.5.10)
53
lantul este recurent nenul, iar din Teorema 4.11 avem ca timpii medii de
recurenta sunt dati de i = 1i .
5.15. Fie lantul Markov cu starile I = f1; 2g si matricea de trecere p11 =
p22 = 0; p12 = p21 = 1:
Sa se arate ca p(n; i; i) nu converge, in timp ce p(2n; i; i) converge.
Solutie. Cele doua stari ale lantului au perioada 2 si se obtine ca
p(n; 1; 1) = p(n; 2; 2) =
= P; se scrie
1
2
4
5
P5
i=1
= 4 + 5;
= 0; 5 1 = 3 ;
= 0; 2 2 + 0; 4 3 ;
= 0; 8 2 + 0; 6 3 ;
i
= 1; dau solutia
1 1 1 1 7
; ; ; ;
3 6 6 10 10
1
1
unde ; > 0;
6= 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
= P si conditia
0
0+
(b) Stim din Teorema 5.12 ca p(n; i; j) ! j : Pentru a proba acest rezultat
direct reamintim ca din Problema 2.20 stim ca
Pn =
1
+
)n
+ (1
prin urmare
Pn !
1
+
Pentru aplicatia descrisa mai sus, denim sirul de variabile aleatoare (Xn )
prin: Xn = 0 daca in a n zi va ploua si Xn = 0 daca daca in a n zi nu va
ploua. Atunci (Xn ) este lant Markov cu matricea de trecere P de mai sus.
Deoarece un an este o perioada destul de lunga putem folosi aproximarea
p(365; 0; 0); p(365; 1; 0)
0;
1:
si va senin cunprobabilitatea
0; p(0; 0) = p(i; i
1) = q = 1
p; 8i
1:
Sa se arate ca:
(a) Daca = pq > 1 atunci lantul este tranzient. Lantul este recurent nul
daca si numai daca = 1 (Indicatie: Se foloseste Teorema 5.13 cu s = 0 si
i
yi = 1
pentru tranzienta si yi = i pentru recurenta nula).
(b) Lantul este recurent nenul daca si numai daca < 1 (Indicatie: Se arata
ca exista repartitia stationara i = i (1
) daca si numai daca < 1):
1.6
55
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
I = f1; 2; :::; rg.
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 (Xn ) este un lant Markov nit ireductibil, neperiodic si cu matricea
de trecere P, atunci sistemul
P = ;
1 = 1;
0;
(Teorema 5.12).
Pentru calculul probabilitatilor de trecere in n-pasi este importanta urmatoarea teorema din algebra.
Teorema 6.1 (Perron-Frobenius). Fie (Xn ) 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 P: In particular
P are valoarea proprie 1.
(ii) Celelalte valori proprii ale lui P , d+1 ; ::::; r sunt de modul strict mai
mic ca unu.
Observatia 6.2. Daca = ( j )j2I 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 (Xn ) un lant Markov nit ireductibil cu matricea de
trecere P. Presupunem ca P are valorile proprii 1 = 1; 2 ; ::::; r distincte si
56
i;j r
; B = (bij )1
i;j r
=(
i ij )1 i;j r
(1.6.2)
P A = A ; BP = B:
Din (1.6.2) avem relatia
P =A A
=B
B=A B=
r
X
(1.6.3)
i;
i=1
si intrucit
ij
i;
Probleme
6.4. Sa se calculeze probabilitatile de trecere in n pasi pentru lantul Markov
cu starile 1; 2; 3 si matricea de trecere
0
1
0 25 35
P =@ 1 0 0 A
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
P sint 1 = 1; 2 = 0; 3 = 1: Prin utilizarea Propozitiei 5.3 se obtine ca
0 1 1 3 1
0 1
1
1
3
Pn = @
2
1
2
1
2
5
1
5
1
5
10
3
10
3
10
A + ( 1)n @
1
2
1
2
1
5
1
5
10
3
10
3
10
A;
57
1
0
1
1 0 0
0 25 35
= @ 0 52 53 A ; P 2k+1 = @ 1 0 0 A :
0 25 53
1 0 0
sa se arate ca
1
a1n a2n a3n
P n = @ a3n a1n a2n A
a2n a3n a1n
58
1.7
(1.7.2)
t) ;
(1.7.3)
59
(1.7.4)
(1.7.5)
echivalent
pi;j (s; u) =
k2I
(1.7.6)
k2I
X
k2I
X
k2I
P (Xt = k j Xs = i) P (Xu = j j Xt = k; Xs = i) =
Sistemul de numere fP (X0 = i)gi2I se numeste repartitia initiala a procesului, iar probabilitatile de trecere pi;j (s; t) se interpreteaza ca probabilitatea
cu procesul sa e in starea j la momentul t, daca la momentul s a fost in
starea i.
La fel ca pentru lanturile Markov avem:
60
Propozitia 7.6. Un proces stochastic (Xt )t2R+ este proces Markov asociat
semigrupului de trecere P (s; t) daca si numai daca pentru orice n si 0 t0 <
: : : < tn ; i0 ; :::; in 2 I;
P (Xt0 = i0 ; : : : ; Xtn = in ) =
P (Xt0 = i0 ) pi0 ;i1 (t0 ; t1 ) : : : :::pin
1 ;in
(tn 1 ; tn ) :
(1.7.7)
t&s
pi;j (s;s+ )
!0
ij
>
:
ij
(s) =
ij
qij (s)
i (s)
daca
ij ) daca
(1
(s) = 0
i (s) 6= 0:
i
Atunci:
(a) Probabilitatile de trecere pi;j (s; t) satisfac ecuatiile lui Kolmogorov directe
@pi;j (s; t)
=
t
k2I
(t)
kj
cu conditia initiala
pi;j (s; s) := lim pi;j (s; t) =
t&s
ij :
(b) Daca in plus pi;j ( ; t) este continua in primul argument, uniform in raport
cu i, atunci pi;j (s; t) satisfac ecuatiile lui Kolmogorov inverse
pi;j (s; t)
=
@t
"
k2I
61
ik
cu conditia initiala
pi;j (t; t) := lim pi;j (s; t) =
s%t
ij :
deci
pij (s; t + )
pi;j (s; t) =
kj pkj
(s; t)] ;
k2I
[pij (s; t + )
X pkj (t; t + )
kj
pik (s; t) ;
k2I
din care prin trecere la limita obtinem ecuatiile lui Kolmogorov directe.
(b) Din nou, din relatia Chapman-Kolmogorov obtinem
X
pik (s; s + ) pkj (s + ; t) ;
pi;j (s; t) =
k2I
de unde
1
[pij (s + ; t)
X1
[pij (s; s + )
ik ]
pkj (s + ; t) ;
k2I
X
k2I
@pij (s; t) X
=
pik (s; t) qkj (t) ; 8i; j 2 I; s < t:
@t
k2I
(1.7.10)
(1.7.11)
62
(1.7.12)
X
k2I
(1.7.13)
(Chapman-Kolmogorov)
Denitia 7.9. Vom spune ca procesul Markov (Xt ) t 0 este proces Markov
omogen corespunzator semigrupului de trecere omogen P (t) daca
P (Xt = j j Xs = i) = pij (t
s) , 8 s < t; i; j 2 I;
(1.7.14)
de indata ce P (Xs = i) > 0; sau echivalent, daca si numai daca, 8t0 < t1 <
: : : < tn si i0 ; i1 ; :::in 2 I au loc egalitatile
P Xtn = in j Xtn
P Xtn = in j Xtn
= in
= in 1 ; : : : ; Xt0 = i0 =
1
1
= pin
1 ;in
(tn
tn 1 ) ;
(1.7.15)
= in 1 ) > 0
P (Xt0 = i0 ; : : : ; Xtn = in ) =
P (Xt0 = i0 ) pi0 ;i1 (t1
t0 ) :::pin
1 ;in
(tn
tn 1 ) :
63
Atunci P (t) este semigrup de trecere omogen si (Xt ) este proces Markov
omogen, avind pe P (t) ca semigrup de trecere.
Demonstratie. Din (b) rezulta ca
P Xtn+1 = j j Xtn = i; Xtn
= in 1 ; : : : ; Xt0 = i0 =
tn )
tn ) :
Mai departe
X
i0 ;:::;in
P Xtn+1 = j j Xtn = i =
1 2I
i0 ;:::;in
pij (tn+1
tn ) P @
= in 1 ; : : : ; Xt0 = i0
= in 1 ; : : : ; Xt0 = i0 =
tn ) P Xt0 = i0 ; : : : ; Xtn
[
i0 ;:::;in
pij (tn+1
Xt0 = i0 ; : : : ; Xtn
= in
= in
1 2I
tn ) P ( ) = pij (tn+1
tn ) :
=
1
A=
Calculele de mai sus artata ca (Xt ) este proces Markov. Ramine de aratat ca
P (t) este semigrup de trecere. Fiind dat i, alegem t astfel incat P (Xt = i) >
0:
Atunci avem
pij (s) = P (Xt+s = j j Xt = i) ;
P
,de unde rezulta ca pij (s) 0 si
pij (s) = 1:
j2I
Mai departe
pij (s + v) = P (Xt+s+v = j j Xt = i) =
64
X
k2I
X
k2I
P (Xt+s+v = j; Xt+s = k j Xt = i) =
P (Xt+s =k)>0
k2I
P (Xt+s =k)>0
k2I
h!0
1:
j6=i
Cand qii 6= 1, matricea Q = (qij )i;j2I se numeste Q matricea sau generatorul innitezimal al semigrupului P (t) :
(b) Daca Q-matricea semigrupului P (t) este conservativa, adica daca
X
qij = qii ; 8i 2 I;
j6=i
(1.7.17)
65
sau echivalent
0
P (t) = QP (t) ;
cu conditia initiala
pi;j (0) := lim pij (t) =
In plus daca
t!0
ij :
r2I
mogorov directe
pi;j (t) =
X
r2I
sau echivalent
(1.7.18)
P (t) = P (t) Q;
cu conditia initiala
pi;j (0) := lim pij (t) =
t!0
1.8
ij :
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 (Xt )t 0 , cu multimea starilor
f0; 1; 2; : : : ; g ; cu X0 = 0 si continuu la dreapta, este proces Poisson, daca
semigrupul sau de trecere P (s; t) = (pi;j (s; t))i;j=0;1;::: are urmatoarele proprietati:
pjj (t; t + ) = 1
(t) + 1 ( ) ;
(1.8.1)
pjk (t; t + ) =
unde
(t) +
3( )
( ) daca k = j + 1
daca k 6= j; j + 1;
!0
i(
= 0,pentru i = 1; 2; 3:
(1.8.2)
66
qii (t) =
(1.8.3)
Demonstratie. Stim ca
pij (t; t + )
ij
!0
pjj (t; t + )
jj
= lim
(t) +
(t) ;
( )
jj
!0
!0
lim
(t) +
( )
!0
pi;i+1 (t; t + )
i;i+1
!0
= lim
(t) +
( )
!0
(t) ;
iar pentru j 6= i; i + 1
3
!0
( )
= 0:
(1.8.4)
@pjk (s; t)
=
(t) pjk (s; t) + (t) pj;k
@t
iar ecuatiile lui Kolmogorov inverse se scriu
(s; t) daca k
1;
@pjk (s; t)
= (s) pjk (s; t)
(s) pj+1;k (s; t) daca j > 1:
@s
Teorema 8.4. Unica solutie a ecuatiilor lui Kolmogorov directe
(resp. inverse) ce satisfac conditia initiala
lim pjk (t; t + ) =
!0
jk
jk );
(1.8.5)
(1.8.6)
67
[ (s;t)]k
(k j)!
exp (
0,
(1.8.7)
unde
(s; t) =
Zt
(1.8.8)
( t)k j
e
(k j)
0,
daca k j
daca k < j:
(1.8.9)
atunci traiectoriile
68
Xs = k) =
1
X
P (Xt
Xs = k; Xs = r) =
r=0
1
X
P (Xt
Xs = k; Xs = r) =
r=0
1
X
r=0
1
X
P (Xs = r)pr;r+k (t
s) =
r=0
1
X
P (Xs = r)
r=0
(t s)k
e
k!
(t s)
(t s)k
e
k!
(t s)
Xt1 = i2 ; : : : ; Xtn
Xtn
s):
= in =
(fi1 g)
t1 ) ; : : : ; pi1 +::+in
(t2 t1 )
P (Xt1 = i1 ) P (Xt2
(i2 ) : : :
1 ;i1 +::+in
(tn tn
1)
Xt1 = i2 ) : : : P Xtn
(tn
(fin g) =
Xtn
tn 1 ) =
= in
deci variabilele aleatoare Xt1 ; Xt2 Xt1 ; : : : ; Xtn Xtn 1 sunt independente.
Reciproc, sa presupunem ca (Xt ) este cu cresteri independente si ca Xt Xs
are repartitia (t s) daca s < t si sa aratam ca (Xt ) este proces Poisson
omogen cu parametrul :
Fie deci t1 < : : : < tn si 0 i0 i1 : : : in : Putem scrie
P (Xt1 = i1 ; Xt2 = i2 ; : : : ; Xtn = in ) =
(fi1 g
69
Xt1 = i2
Xt1 = i2
(t2 t1 ) (fi2
i1 ; : : : ; Xtn
Xtn
i1 ); : : : ; P (Xtn
i1 g :::
(tn tn
= in
Xtn
1)
(fin
in
= in
in 1 ) =
in 1 g ;
n) = 1
P (X4
19) = 1
19
X
P (X4 = n) = 0; 52;
n=0
10) =
10
X
n=0
P (X2 = n) =
10n
= 0; 5830:
n
70
s
s n k
1
:
t
t
8.10. Sa secalculeze probabilitatea ca in intervalul [0; s] sa se produca k
evenimente, daca in interrvalul [0; ] , > s , s-au produs n evenimente
(n > k > 0) ; deci sa se calculeze
P (Xs = k j Xt = n) = Cnk
P (X (s) = k j X ( ) = n) :
8.11. Se se demonstreze armatiile din Observatia 7.16.
Capitolul 2
Martingale si modele discrete
pe piata nanciara
2.1
2.1.1
Observatia 1.2. (a) Egalitatea (2.1.1) este echivalenta cu urmatoarea egalitate: Pentru variabila aleatoare Y : ( ; F; P ) ! R; care este K masurabila
si marginita,
Z
Z
Y M [X j K] dP = Y XdP:
(2.1.2)
71
72
(2.1.4)
XdP:
Y atunci M [X j K]
jM [X j K]j
M [Y j K] : In particular
M [jXj j K] :
K2
K atunci
2 R:
73
M [M [X j K2 ] j K1 ] = M [X j K1 ] :
(g) Daca X este independenta de corpul borelian K, atunci
M [X j K] = M (X) :
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 M [X j K] ; M [Y j K] sunt K masurabile si integrabile, totul se
reduce la a proba inegalitatea
Z
Z
M [X j K] dP
M [Y j K] dP; 8A 2 K:
A
Y: Apoi din X; X
M [X j K]
jXj rezulta
M [jXj j K] ;
74
2.1.2
sau echivalent
Z
A
Xn dP =
Xm dP; 8n > m; A 2 Fm :
(2.1.7)
Denitia 1.6. (i) Vom spune ca sirul (Xn )n este Fn -submartingal daca au
loc (a) si (b) din Denitia 1.4 si in plus
(c) Pentru orice n 0;
M [Xn+1 j Fn ]
Xn ,
sau echivalent
M [Xn j Fm ]
Xm , 8n > m:
(ii) Vom spune ca sirul (Xn )n este Fn -supermartingal daca ( Xn )n este Fn submartingal.
75
sau echivalent
Z
A
Xn dP
Xm dP; 8n > m; 8A 2 Fn :
(2) In cazul unui submartingal (resp. supermartingal), sirul fM (Xn )gn este
crescator (resp. descrescator).
(3) Daca (Rn )n este o alta baza stochastica astfel incat Rn
Fn pentru
orice n si Xn este Rn -adaptat, atunci Xn este Rn -submartignal (resp. supermartingal, martingal) daca Xn este Fn -submartingal (resp. supermartingal,
martingal).
In particular putem lua Rn = FnX = B(X 0 ; :::; Xn ):
Propozitia 1.8. Fie (Xn )n ; (Yn )n submartingale in raport cu aceeasi baza
stochastica (Fn )n . Atunci:
(1) (aXn + bYn + c)n este submartignal daca a; b 0 si c 2 R:
Daca (Xn ) ; (Yn ) sunt martingale atunci (aXn + bYn + c)n este martignal
pentru orice a; b; c 2 R:
(2) fmax (Xn Yn )gn este Fn -submartingal. In particular minimul a doua supermartingale este supermartingal.
(3) Daca (Xn )n este martingal atunci (jXn j)n este submartingal. Daca in
plus E jXn j2 < 1 pentru orice n atunci (Xn2 )n submartingal.
Demonstratie. (1) Folosind proprietatile mediilor conditionate din paragraful precedent, avem pentru a; b 0; c 2 R;
M [aXn+1 + bYn+1 + c j Fn ] =
= aM [Xn+1 j Fn ] + bM [Yn+1 j Fn ] + c
aXn + bYn + c;
76
(2) Este clar ca max (Xn Yn ) este Fn -masurabila si integrabila. Apoi daca
A 2 Fn atunci A \ fXn Yn g ; A \ fXn > Yn g 2 Fn si
Z
Z
Z
max (Xn ; Yn ) dP =
Yn dP +
Xn dP
A
A\fXn Yn g
Yn+1 dP +
A\fXn Yn g
Xn+1 dP
A\fXn >Yn g
A\fXn >Yn g
A\fXn Yn g
A\fXn >Yn g
A\fXn >0g
Xn+1 dP
A\fXn >0g
jXn+1 j dP +
A\fXn >0g
A\fXn 0g
Xn+1 dP
A\fXn 0g
jXn+1 j dP =
jXn+1 j dP:
A\fXn 0g
lim
k!1
(k ^ Xn ) E [Xn+1 j Fn ] dP = lim
k!1
de unde
Z
0
(Xn
A
(k ^ Xn ) Xn dP =
Xn+1 ) dP =
Z
A
Xn2 dP
Z
A
Xn2 dP;
Xn Xn+1 dP +
Z
A
2
Xn+1
dP =
Xn2 dP
Xn2 P
si prin urmare
2
Xn+1
dP
Xn2 dP
2
Xn+1
dP
Xn2 dP;
77
2
Xn+1
dP:
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 p si o pierde cu probabilitatea q = 1 p
(deci nu exista remiza).
Fie (fn )n 1 un sir de variabile aleatoare independente, astfel incit
P (fn = 1) = p; P (fn =
1) = q; 8n
Interpretam evenimentul fn = 1 (resp. fn = 1) ca ind evenimentul ca jucatorul castiga (resp. pierde) a n-a partida.
O strategie de joc este o regula care ne spune cit sa pariem la ecare partida,
cu alte cuvinte un sir pn : f 1; 1gn 1 ! R+ ; p1 constanta, astfel incat
pn (f1 ; : : : ; fn 1 ) reprezinta suma pariata la a n-a partida ( se presupune deci
ca pariul la a n-a partida depinde numai de rezultatele primelor n 1 partide).
Daca f0 este o constanta ce reprezinta capitalul initial al jucatorului, atunci
dupa n partide capitalul este dat de
Xn = f0 +
n
X
pi (f1 ; : : : ; fi 1 ) fi = Xn
+ pn (f1 ; : : : ; fn 1 ) fn :
i=1
Fie F0 = f ; ;g si pentru n
1 e Fn = B (f1 ; : : : ; fn ) (Fn reprezinta
informatia de care dispune jucatorul dupa primele n partide).
Atunci sirul (Xn )n este Fn -submartingal (Fn -supermartingal, Fn -martingal) dupa cum p > 21 p < 21 ; p = 12 :
Deoarece Xn este Fn -masurabila, iar fn+1 este independenta de Fn (din asociativitatea independentei), rezulta prin folosirea proprietatilor mediilor conditionate,
M [Xn+1 j Fn ] = Xn + M [fn+1 pn+1 (f1 ; : : : ; fn ) j Fn ] =
78
Sn = f0 + : : : + fn ; Fn = B (f0 ; : : : ; fn ) = B (S0 ; : : : ; Sn ) :
Atunci:
(a) Sirul
Xn = Sn
M (Sn )
este Fn martingal:
(b) Daca in plus E (fn2 ) < 1 pentru orice n, sirul
Yn = Xn2
M (Xn2 )
este Fn martingal:
(c) Daca E (fn ) = 1 pentru orice n, sirul
Zn =
n
Y
fn
j=0
este Fn martingal:
Sa probam armatiile precedente.
(a) Este clar ca Xn este Fn masurabila si integrabila.
Apoi, din asociativitatea independentei avem ca fn+1 si Fn sunt independente, de unde aplicand proprietatile mediei conditionate, vom deduce
M [Sn+1 j Fn ] = M [Sn + fn+1 j Fn ] =
Sn + M [fn+1 j Fn ] = Sn + M [fn+1 j Fn ] = Sn + M (fn+1 ) ;
ceea ce implica
M [Xn+1 j Fn ] = M [Sn+1 j Fn ]
M (Sn+1 ) =
Sn + M (fn+1 )
79
M (Sn+1 ) = Sn
M (Sn ) = Xn :
(b) Din nou este vizibil ca Yn este Fn masurabila si integrabila. Apoi din
Xn+1 = Xn + fn+1
M (fn+1 );
M (fn+1 ))2 j Fn
Yn + 2Xn M (fn+1
M (fn+1
M (fn+1 ) j Fn ] +
D2 (fn+1 ) =
M (fn+1 )) +
M (fn+1 ))2
D2 (fn+1 ) = Yn :
Zn dP
lim
k!1
k!1
(fn+1 ^ k) dP =
Zn dP
fn+1 dP =
Zn dP:
Denitia 1.11. Vom spune ca sirul (Xn )n 0 este Fn -previzibil daca pentru
orice n, Xn este Fn 1 -masurabila (prin denitie F 1 = F0 ):
Urmatoarea teorema reduce in multe situatii studiul submartingalelor la cel
al martingalelor.
Teorema 1.12 (Descompunerea Doob-Meyer). Fie sirul (Xn )n 0 ce
este Fn -adaptat si asa incit ecare Xn este integrabila. Atunci urmatoarele
doua armatii sunt echivalente:
(a) (Xn )n 0 este Fn -submartingal.
(b) Exista doua siruri de variabile (Yn )n 0 ; (An )n 0 astfel incat
80
Xn = Yn + An a:s:; 8n
unde (Yn ) este Fn -martingal, (An )n
0 = A0
A1
(2.1.8)
0;
:::
An
:::
a:s::
1;
Yn = X0 +
n 1
X
M [Xj+1 j Fj ]) ;
(Xj+1
j=0
An =
n 1
X
j=0
(M [Xj+1 j Fj ]
Xj )
M [Xn+1 j Fn ] j Fn ] =
M [Xn+1 j Fn ] j Fn ] =
Yn + M [Xn+1 j Fn ]
M [Xn+1 j Fn ] = Yn ;
Xn ; Xn
M [Xn+1 j Fn ] ;
81
Yn + an+1
Yn + An = Xn ;
0
Yn+1
j Fn = Yn
Yn0 ;
(deoarece Yn
M Yn+1
0
Yn+1
j Fn = M A0n+1
= A0n+1
(deoarece A0n+1
Prin urmare
An+1 j Fn
An+1 ;
An = A0n+1
An+1 ;
2.1.3
82
Demonstratie. Este sucient de probat armatia numai pentru submartingale. In primul rind din Propozitia 2.3.4-(d) rezulta ca XS^n este FS^n masurabila si cum FS^n
Fn rezulta ca XS^n este Fn -masurabila. De
asemenea intrucit
n
X
jXS^n j
jXn j ;
j=0
n 1
X
j=0
Xj + Xn 1fS
ng ;
(2.1.9)
XS^n = (Xn+1
Xn ) 1fS>ng ;
si deci
M XS^(n+1)
XS^n j Fn = M (Xn+1
1fS>ng M [Xn+1
Xn j Fn ]
Xn ) 1fS>ng j Fn =
0:
Teorema 1.14 (Teorema de stopare a lui Doob). Fie (Xn )n 0 un Fn submartingal (resp. Fn -supermartingal, Fn -martingal ).
(a) (cazul marginit). Daca S1 S2 sunt Fn -optionale marginite, atunci
(a 1 ) XSi sunt integrabile.
(a 2 ) Au loc relatiile
XS1 E [XS2 j FS1 ] ;
(2.1.10)
resp.
XS1
(2.1.11)
In particular
M (XS2 ) ;
(2.1.12)
(2.1.13)
M (XS1 )
resp.
M (XS1 )
(b) Daca S1
si
fSi >ng
83
XS1 j FS1 ]
(2.1.15)
0:
XS1 dP =
m Z
X
k=0
m Z
X
Xk dP
XS1 dP =
A\fS1 =kg
k=0
A\fS1 =kg
m Z
X
k=0
m; precum si proprietatea
Xm dP =
Xm dP:
A\fS1 =kg
Revenim acuma la cazul general (S2 nu mai este neaparat constanta). Din
Propozitia 1.13 stim ca Xn^S2 este Fn -submartingal si deci aplicind (2.1.15)
acestui submartingal se obtine
M [Xm^S2
Xm^S1 j FS1 ]
0;
sau echivalent
M [XS2
XS1 j FS1 ]
0;
XS2 dP:
(2.1.16)
84
Din Propozitia 2.3.4-(d) stim ca (Si )A sunt optionale si deci pentru orice
n 0; n^(Si )A sunt de asemenea optionale marginite. Putem aplica (2.1.12)
acestor optionale si obtinem
M Xn^(S1 )A
sau echivalent
M Xn^(S2 )A ;
Z
Xn^S1 dP
sau inca
XS1 dP +
A\fS1 ng
Xn^S2 dP;
Xn dP
A\fS1 >ng
XS2 dP +
A\fS2 ng
Xn dP:
(2.1.17)
A\fS2 >ng
Intrucit
XSi 1fSi
ng
ng
jXSi j ;
(2.1.18)
A\
A\fSi ng
n!1
fSi >ng
fSi >ng
fapt ce impreuna cu (2.1.18) permite trecerea la limita in (2.1.17) si in consecinta 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 (Xn )n 0 este
submartingal, atunci pentru orice > 0;
Z
1
1
P max Xk
M Xn+ ;
(2.1.19)
Xn dP
1 k n
max Xk
1 k n
85
(b 2 )
1
p
kXn kLp (
q kXn kLp ( ) ;
max jXk j
:= M
1 k n
1
p
1
q
(2.1.20)
= 1.
A = max (Xk
) ; Aj =
k n
max Xk <
1 k j 1
\ (Xj
); 1
n:
Atunci
Aj 2 F j ; A =
Astfel spus (Ak )1
Avem
k n
n
[
Aj ; A k
j=1
A` = ; pentru k 6= `:
P (A) =
P (Aj ) ;
j=1
si
P (Aj ) = E
1Aj
E 1Aj Xj ; (8) 1
n;
n
X
P (Aj )
j=1
n
X
j=1
n
X
n
X
M 1Aj Xj
j=1
M M 1Aj Xn j Fj
j=1
n
X
j=1
M 1Aj M [Xn j Fj ] =
M 1Aj Xn =
86
Xn
n
X
1Aj
j=1
(b) Deoarece
M Xn+ 1A
= M (Xn 1A )
n
X
Xn = max jXk j
1 k n
j=1
M Xn+ :
jXj j ;
M (Y ) =
Z1
Z1
y dF (y) =
Z1
y r d (1
y r dP (Y < y) =
y r (1
P (Y < y)) =
P (Y < y)) j1
0 +
Z1
ry r
(1
P (Y < y)) dy =
Z1
ry r 1 P (Y
y) dy:
(2.1.21)
Am folosit formula
Z1
f d (g + h) =
Z1
f dg +
Z1
f dh
P (Y < y) =
F (y) :
si s-a mai utilizat formula de integrare prin prti (tot pentru integrala Stieltjes).
Particulariznd (2.1.21) pentru Y = Xn = max jXn j si r = p obtinem
1 k n
M (jXn jp ) = p
Z1
0
y p 1 P (Xn
y) dy:
(2.1.22)
87
Cum (Xn )n este martingal, atunci stim (jXn j)n este un submartingal (propozitia 1.8-(3)). Aplicnd (2.1.19) submartingalului (jXn j)n deducem
Z
1
P max jXk j y
jXn j dP; 8y > 0;
1 k n
y
max jXk j>y
1 k n
si deci
Z1
M (jXn j ) =
Z1 6
6 p
p 6
6y
4
0
Z1 6
6 p
6py
6
4
0
0
Z1 Z
p @ yp
jXn j 1(Xn
y) dP
A dy = p
3
jXn j dP @
Z1
y p 2 1(Xn
y)
dy =
y) dy
ZXn
Z
p
2
4jXn j y dy 5 dP = q jXn j (Xn )p
A=
dP
q
q kXn kLp (
7
7
jXn j dP 7
7 dy =
5
7
Z1
7
p 2
jXn j dP 7
7 dy = p y M jXn j 1(Mn
5
0
1 k n
1 k n
1
y
y) dy
py p 1 P (Xn
1
p
jXn j dP
q(p 1)
jXn j
q(p 1)
jXn j
1
q
dP
1
q
dP
= q kXn kLp (
Asadar am obtinut ca
p
M (jXn j )
q kXn kLp (
=
Z
jXn j dP
jXn j dP
1
q
1
q
88
si in nal
1
[M (jXn jp )]
sau echivalent
[M (jXn jp )] p
1
q
q kXn kLp ( ) ;
q kXn kLp ( ) :
Probleme
1.16. Fie (Fn )n 0 o baza stochastica si f o variabila aleatoare integrabila.
Sa se arate ca sirul Xn = E [f j Fn ] este Fn -martingal.
1.17. Fie f1 ; :::; fn ; ::: un sir de variabile aleatoare independente asa incit
P (fn =
Denim sirul (Xn )n
1) =
1
; P (fn = 0) = 1
2n
1
:
n
prin
X0 = 0; X1 = f1 ; Xn =
fn
nXn
daca fn
1 jfn j daca fn
1
1
= 0;
6= 0:
no
; 8n
2
este Fn -martingal.
1; Fn = f;; g ;
1:
1.19. Fie Fie f0 ; :::; fn ; ::: un sir de variabile aleatoare independente, identic
repartizate, cu densitatea p: Fie q o densitate de repartitie strict pozitiva.
Denim
q(f0 )::::q(fn )
Xn =
; Fn = B (f0 ; :::; fn ) :
p(f0 )::::p(fn )
89
este Fn -martingal.
Xn daca n < S;
Yn daca n S;
inf fn
1;
0 : Sn =
n) ;
a sau Sn = bg ; daca fn
daca fn
1;
0 : :::g =
6 ;;
0 : :::g = ;:
1
=
1
q
p
1
a
; M ( ) = ab daca p = ;
a+b
2
a
a+b
; M( )=
(1
)a
1
daca p 6= :
p q
2
90
0
1
+ ::: +
kr ; ::::;
si alegem r
1 asa incit r (1 (p q))2 > c2 si e " = P (jSk0 j < c) (din
identic repartizare avem ca P (jSk0 j < c) nu depinde de k): Armam ca " < 1:
Prin absurd daca " = 1 atunci jSk0 j < c a.s., si deci pe de o parte
2
D2 (Sk0 )
E (Sk0 )
c2 ;
q))2 > c2 ;
(p
kr)
si prin urmare
P(
n)
P(
hni
r
r)
"[ r ]
"r
="
"r
fapt ce atrage dupa sine caDe asemenea se stie ca are loc egalitatea
X
M( )=
P(
n) < 1;
n
c; M (S )
f >ng
jSn j
c: Pe de alta parte
cP ( > n) ! cP ( = 1) = 0:
91
0 = M (S0 ) = M (S ) = b
(1
) a;
a
de unde = a+b
: Mai departe exemplul 1.10-(b) rezulta ca sirul Sn2 n este
martingal. Se verica din nou ca 0 si satisfac ipotezele din Teorema de
stopare (Teorema 1.14-(b)) pentru acest martingal, si deci in particular
0 = M S2
sau echivalent M S 2 = M ( ) ;
) a2 = ab;
ca M ( ) = ab:
Sa presupunem acum ca p 6= 21 : Din exemplul 1.10-(c) avem casirul
Sn
q
p
g0 = 1; gn =
q
p
1 = M (g0 ) = M (g ) =
+ (1
q
p
q
p
a+b
n (p
q)
obtinem ca
0 = M (S000 ) = M (S
si deci
M( )=
(p
q)) = M (S )
M (S )
=
p q
(p
(1
)a
:
p q
q) M ( ) ;
92
2.2
2.2.1
Un model de piata (nanciara) discret, este construit pe un cimp de probabilitate ( ; F; P ) ;inzestrat cu o baza stochastica (deci o famiilie crescatoare
de sub-corpuri boreliene din F) cu elementele F0 ; F1 ; : : : ; FN ;
unde:
(a) Fn reprezinta informatia disponibila la momentul n si de aceea se numeste
corpul borelian al evenimentelor anterioare momentului n.
(b) Orizontul N; va cel mai des data limita de expirare a optiunilor.
Vom presupune in continuare ca
F0 = f;; g ; FN = F = P ( ) si 8! 2 ; P (f!g) > 0:
De asemenea vom presupune ca exista pe piata d + 1 active nanciare, ale
caror preturi la momentul n sunt date prin variabilele aleatoare
Sn0 ; Sn1 ; : : : ; Snd :
Aceste variabile aleatoare au valori strict pozitive si sunt masurabile in raport
cu corpul borelian Fn (asta inseamna ca investitorii au cunostinta de cursul
actual si trecut, dar nu cunosc cursurile viitoare).
Asadar vectorul Sn = Sn0 ; Sn1 ; : : : ; Snd este vectorul de preturi la momentul
n.
Activul numerotat cu 0, reprezinta plasamentele fara risc si se va pune
Sn0 = 1:
Daca rata de interes a plasamentelor fara risc, pe o perioada, este constanta
si egala cu r, vom avea Sn0 = (1 + r)n :
Coecientul n = S10 va apare ca un coecient de actualizare ( de la data n
n
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 n).
Activele numerotate de la 1 la n vor numite active cu risc.
2.2.2
Strategiile nanciare
0
n;
93
d
n
1
n; : : : ;
0 n N
n ; Sn i
n;
Sn
Sn0
unde
n
i i
n Sn :
i=0
d
X
n ; Sn
= 1=Sn0 ;
si
S~n = 1;
1
n Sn ; : : : ;
d
n Sn
n ; Sn i
=h
n+1 ; Sn i ;
8n 2 f0; 1; : : : ; N
1g :
(2.2.1)
94
n ; Sn i
=h
n+1 ; Sn i
n+1 ; Sn+1
Sn i = h
n+1 ; Sn+1 i
Vn+1 ( )
Vn ( ) = h
n ; Sn i ;
sau inca
n+1 ; Sn+1
n+1 ; Sn+1 i
Sn i :
n+1 ; Sn+1 i
(2.2.2)
si diferenta
n+1 ; Sn i
n
X
j=1
Sj i ;
(2.2.3)
E
~
;
S
j
j ;
(2.2.4)
j;
n D
X
j=1
unde
S~j
j Sj
j 1 Sj 1 :
95
( )+h
( )+h
Sn 2 i + h
n 1 ; Sn 1
= ::: = V0 ( ) +
n
X
j=1
n ; Sn i = h
Sn 1 i =
n ; Sn
Sn 1 i =
n ; Sn
Sj 1 i :
j ; Sj
n+1 ; Sn i ,
E D
~
;
S
n
n =
E
~
;
S
n+1
n ;
V~n ( ) =
~
n+1 ; Sn+1
E
S~n ;
si deci
V~n+1 ( )
V~n ( ) = V~n
= ::: = V0 +
( )+
n 1D
X
S~n
n ; Sn
~
j ; Sj
S~j
j=1
d
1
Propozitia 2.4. Pentru orice proces previzibil
n ; : : : ; n 0 n2N si pentru
orice variabila aleatoare V0 care este F0 -masurabila, exista unul si numai un
proces previzibil ( 0n )0 n2N astfel incit strategia = 0 ; 1 ; 2 ; : : : ; d sa
e autonantata si de valoarea initiala V0 :
V0 +
n
X
j=1
de unde se determina
0
n:
0
n
1 ~1
n Sn
+ ::: +
S~j1 + : : : +
d
j
d ~d
n Sn
S~jd ;
(2.2.5)
96
= V0 +
n
X
S~j1 + : : : +
d
j
S~jd
n 1
X
S~j1 + : : : +
d
j
S~jd +
1 ~1
n Sn
+ ::: +
, care rezulta
d ~d
n Sn
j=1
V0 +
1
n
S~n1
S~n1
j=1
2
n
n 1
X
S~n2
S~n2
1 ~1
n Sn
+ ::: +
S~j1 + : : : +
d
j
+ ::: +
S~jd
d
n
d ~d
n Sn
S~nd
S~nd
= V0 +
1 ~1
n Sn 1
+ ::: +
d ~d
n Sn 1
j=1
Aceasta propozitie arata ca, pentru o strategie autonantata, valoarea actualizata a portofoliului este complet determinata de fondul initial si de procesul
1
d
n ; : : : ; n 0 n N al cantitatilor activelor de risc detinute (asta deoarece
se observa ca S~j0 = 0).
2.2.3
Vn ( )
0; 81
N;
97
cu alte cuvinte investitorul trebuie sa e in masura sa ramburseze imprumuturile 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
1:
(2.2.6)
98
0 avem
Yn ) ;
si deci
M [Yn+1
Yn j Fn ] = M [Hn+1 (Yn+1
Hn+1 M [Xn+1
2.2.5
Yn ) j Fn ] =
Xn j Fn ] = 0:
n D
X
j=1
E
~
;
S
j
j :
V~N ( ) = M
V~0 ( ) :
M
si intrucit V~N ( )
99
V~N ( ) = 0
0; rezulta ca V~N ( ) = 0:
Observatia 2.10. In teorema precedenta are loc si armatia reciproca (pentru demonstratie vezi Teorema 2.6 din [15]).
2.2.6
V~N ( ) j Fn
Este clar atunci ca daca V~N ( ) 0, strategia este admisibila (in particular
pentru V~N ( ) = h):
Se spune ca piata este completa, daca orice activ conditionat este simulabil.
100
Teorema 2.12. O piata viabila este completa daca daca exista o singura
probabilitate P echivalenta cu P , in raport cu care care preturile actualizate
ale activelor sunt martingale.
Demonstratie. Presupunem ca piata este viabila si completa. Atunci, orice
variabila aleatoare h, FN -masurabila si pozitiva , se poate scrie h = VN ( ),
unde este o strategie admisibila care simuleaza activul conditionat h.
Deoarece este o strategie autonantata, avem
X
h
~N ( ) = V0 ( ) +
=
V
0
SN
j=1
N
S~j
Deci, daca P1 si P2 sunt doua probabilitati sub care preturile actualizate sunt
martingale, atunci V~n ( )
este un martingal fata de P1 si P2 ; si ca
0 n N
urmare
M1 V~N ( ) = M1 (V0 ( )) = V0 ( )
M2 V~N ( ) = M2 (V0 ( )) = V0 ( )
In ultima egalitate utilizand faptul ca F0 = ( ; ) :
Se obtine deci ca
M1
h
0
SN
= M2
h
0
SN
2.2.7
101
unde V0 ( ) = M
h
0
SN
i
V~N ( ) j Fn =
h
j Fn ; n = 0; 1; : : : ; N;
0
SN
2.3
Sn (1 + a)
Sn (1 + b) ;
102
S1
S2
Si
SN
; X2 = ; : : : ; Xi =
; : : : ; XN =
S0
S1
Si 1
SN 1
Intr-adevar Tk =
abil in raport cu
Sk
Sk 1
B (S1 ; S2 ; : : : ; Sn ) ; 8k = 1; : : : ; N;
si ca atare
Apoi T1 =
S1
;
S0
B (T1 ; T2 ; : : : ; TN )
B (S1 ; S2 ; : : : ; Sn ) :
103
B (T1 ; T2 ; : : : ; TN ) :
.
(1) Sa aratam ca pretul actualizat S~n =
de probabilitatea P; sau echivalent,
M [Tn+1 j Fn ] = 1 + r; 80
Sn
0
Sn
1:
Intr-adevar
jSn (!)j
1
S~n (!) =
=1
jS0 T1 (!) : : : Tn (!)j =
0
jSn j
(1 + r)n
jS0 j
jT1 (!)j : : : jTn (!)j
(1 + r)n
jS0 j
(1 + b)n
;
(1 + r)n
si deci
M S~n
(1 + b)n
jS0 j
;
(1 + r)n
1 n N
n N
daca, in afara
104
1
S~n+1
Sn+1 Sn0
(1 + r)n
= Tn+1
;
=
=
T
n+1
n+1
0
Sn Sn+1
1+r
(1 + r)
S~n
ceea ce atrage dupa sine
"
#
S~n+1
Tn+1
M
j Fn = 1 , M [Tn+1 j Fn ] = 1 + r:
j Fn = 1 , M
1+r
S~n
(2) Pentru ca piata sa e viabila, se deduce ca este necesar ca r 2 (a; b) :
Intr-adevar daca piata este viabila, exista o probabilitate P echivalenta cu
P , sub care S~n este un Fn -martingal. Atunci, conform punctului (1), cu
n
P in locul lui P , avem:
M [Tn+1 j Fn ] = 1 + r ) M (Tn+1 ) = 1 + r:
Dar Tn+1 ia valorile 1+a; 1+b cu probabilitati strict pozitive , ceea ce implica
caexista An+1 ; Bn+1 2 Fn+1 astfel incit
Tn+1 (!) =
1+a
1+b
105
(1 + b) P ( ) = 1 + b
si
M (Tn+1 ) > (1 + a) P (An+1 ) + (1 + a) P (Bn+1 ) = 1 + a;
ceea ce atrage dupa sine ca
1 + a < M (Tn+1 ) < 1 + b:
Dar
M (Tn+1 ) = 1 + r ) 1 + a < 1 + r < 1 + b )
) a < r < b ) r 2 (a; b)
(3) Exemple de arbitraje in cazul in care conditia de viabilitate obtinuta la
punctul precedent nu este vericata.
In acest caz r a sau r b
(i) Daca r a se imprumuta suma S0 la momentul 0 (pentru care se plateste
dobanda r pe un interval de timp, deci pentru n perioada de timp trebuie
platita suma S0 (1 + r)n ) cu care se cumpara o actiune din activul cu risc.
La momentul N se vinde actiunea si se ramburseaza imprumutul.
Actiunea se vinde cu suma SN si trebuie sa se plateasca S0 (1 + r)n . Se
realizeaza protul SN S0 (1 + r)n . Insa
(!)
S0 (1 + a)N
S0 (1 + r)n
106
Ti :
; p + q = 1; 81
N:
a
r
(1 + a) +
a
b
p) (1 + b) =
r
(1 + b) = 1 + r
a
M [Tn+1 j Fn ] = 1 + r , M (Tn+1 ) = 1 + r; 80
Insa
Ti :
1+a 1+b
p 1 p
p (1 + a) + (1
; M (Ti ) = 1 + r )
p ) (1 + b) = 1 + r )
1:
(2.3.1)
107
1:
(2.3.2)
b
b
r
=p
a
si
r a
= 1 p:
b a
In continuare vom demonstra prin inductie dupa n ca T1 ; T2 ; :::; Tn sint independente si identic repartizate si vom calcula repartitia ecarui Ti : Vom
arata deci ca
M 1Bn+1 j Fn =
P (T1 = x1 ; : : : ; Tn = xn ) =
n
Y
pi
i=1
108
si
M [1B1 j F0 ] = M (1B1 ) = P (B1 )
si prin urmare
P (A1 ) = p; P (B1 ) = 1
p;
sau echivalent,
P (T1 = 1 + a) = p; P (T1 = 1 + b) = 1
p;
n+1
Y
pi
i=1
n
Y
i=1
pi p =
n+1
Y
pi
i=1
Cn
Pn = S n
109
K (1 + r)
(N n)
(2.3.3)
Pn = (1 + r)n
K)+ j Fn :
(SN
In mod analog
M
SN )+ j Fn ;
(K
si deci
Pn = (1 + r)n
Cn
(1 + r)n
(1 + r)n
(1 + r)n
(K
(1 + r)n S~N
K j Fn ] =
j Fn
(1 + r)
h
i
(1 + r)n M S~N j Fn
K (1 + r)n
SN )+ j Fn =
(K
(1 + r)n
SN
K)+ j Fn
SN )+ j Fn =
M [SN
M [SN j Fn ]
N
(SN
K)+
(SN
(1 + r)n
(1 + r)n
M [K j Fn ] =
(1 + r)n
K (1 + r)n
= Sn
K=
K (1 + r)n
110
si K este o constanta.
(ii) Vom aratai ca Cn se poate scrie sub forma Cn = C (n; Sn ), unde C este
o functie pe care o s-o determinam explicit cu ajutorul lui K; a; b; r si p.
Conform punctului (i), avem
Cn = (1 + r)n
k)+ j Fn ;
(SN
dar
SN = Sn
N
N
Y
Y
Sk
SN
Tk ;
= Sn
= Sn
SN 1
S
k 1
k=n+1
k=n+1
Sn+1 Sn+2
Sn Sn+1
deci
Cn = (1 + r)n
M 4 Sn
(1 + r)n
N
Y
Tk
k=n+1
!+
M [f (X; Y ) j Fn ]
N
Q
j Fn 5 =
k=n+1
111
In cazul nostru, e
X = Sn ; Y =
N
Y
k=n+1
Tk ; B = Fn si
(x; y) = (hx; yi
K)+ :
Sn
N
Y
Tk
k=n+1
!+
asa ca Cn se poate scrie sub forma unei functii C (n; Sn ) care depinde de
n; Sn :
!+
N
Y
Tk K
:
(2.3.4)
C (n; Sn ) = (1 + r)n N M x
k=n+1
Pentru a evalua media din (2.3.4) vom calcula repartitia variabilei aleatoare
N
Q
Z=
Tk .
k=n+1
k N
Tk :
1+a
p
1+b
:
1 p
N
Y
k=n+1
Tk = (1 + a)` (1 + b)N
n `
n `
n `
cu 0
N n:
=
!
112
Z:
(1 + a)` (1 + b)N
p`
n `
(xZ
K)
N
Xn
(xZ`
k)+ p` =
i+
np
`=0
N
Xn h
x (1 + a)` (1 + b)N
n `
`=0
CN`
(1
p)N
p)N
n `
si in concluzie
C (n; x) = (1 + r)n
h
N
Xn
CN`
n p`
(1
`=0
x (1 + a)` (1 + b)N
n `
i+
n `
Capitolul 3
Integrala stochastica browniana
3.1
Miscarea Browniana
In aceasta sectiune vom rezuma principalele proprietati ale Miscarii Browniene, 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 (Yt )t2S R cu valori reale, este Gaussian,
daca pentru orice i 2 R; ti 2 S; 1 i n, variabila aleatoare 1 Yt1 + ::: +
n Ytn are repartitia normala, sau echivalent, daca pentru orice t1 ; : : : ; tn 2 S,
vectorul aleator (Yt1 ; : : : ; Ytn ) are repartitia normala n-dimensionala.
Denitia 1.2. Un proces stochastic (Xt )t 0 cu valori reale este Miscare
Browniana daca are urmatoarele proprietati:
(1) Are traiectoriile continue (deci functia t ! Xt (!) este continua pentru
orice !) si X0 = 0.
(2) Este proces cu cresteri independente, adica daca s t, variabila aleatoare
Xt Xs este independenta de -algebra FsX = B (Xu : u s) ; sau echivalent,
daca t1 < : : : < tn atunci cresterile
Xt1 ; Xt2
Xtn
114
t:
k=1
j=k
Dar conform ipotezei, valorile aleatoare (cresterile) care apar in partea dreapta
a egalitatii sunt independente si normal repartizate si de medie 0, fapt ce
n
P
atrage dupa sine ca variabila aleatoare
j Xtj este normal repartizata si
j=1
are media 0.
Pe de alta parte avem pentru s < t;
Xs ) + Xs2 =
M (Xs Xt ) = M Xs (Xt
M (Xs )2 + M (Xs ) M (Xt
Xs ) = M (Xs )2 = s
Xs )] = M (Xs ) M (Xt
Xs ) = 0:
Xs )2 =
Xs ) = M (Xt
2M (Xt Xs ) + M Xs2 =
M Xt2
t
2s + s = t
115
M e
n
P
`=1
(Xt`
Xte
"
=M e
n
P
`=1
0
` Xt`
unde
0
= `
` n 1; n = n :
`+1 ; 1
n
P
0
Dar conform ipotezei
` Xt` este variabila aleatoare normala de medie 0,
`
`=1
M e
n
P
0
` Xt`
`=1
1
M
2
=e
n P
n
P
0 0
` k Xt` Xtk
`=1 k=1
1
2
n P
n
P
1 2
D
2
`=1 k=1
0 0
` k (t` ^tk )
n
P
`=1
0
` Xt`
=e
=e
1
2
1
2
=e
n P
n
P
`=1 k=1
n
P
`=1
2 (t
` `
1
M
2
"
0 0
` kM
t`
1)
n
P
`=1
0
` Xt`
(Xt` Xtk )
t
2
, pentru
t 0
).
116
Pentru orice
1 Yt1
::: +
2 Yt2
2
+ ::: +
(Xt2 +s
1 Xt1 +s
(Xt1 +s
Xs ) + : : :
Xs ) + ::: +
(Xtn +s
Xs ) =
+ ::: +
n Ytn
n Xtn +s
+ ::: +
n ) Xs
Xs ) = M (Xt+s )
M (Xs ) = 0;
t,
M (Y` Yt ) = M [(X`+s
M [X`+s Xt+s ]
Xs ) (Xt+s
M [Xs Xt+s ]
min (` + t; t + s)
Xs )] =
min (s; t + s)
min (s; ` + s) + s = l:
Deci (Yt )t 0 este proces gaussian cu M (Yt ) = 0 si M (Y` Yt ) = min (`; t).
(2) Aratam ca mai inainte ca este proces Gaussian cu M (Yt ) = 0 si M (Ys Yt ) =
min (s; t) :
Fie 1 ; 2 : : : n 2 R; 0 < t1 < t2 < : : : < tn < 1: Avem ca
1 Yt1
2 Yt2
+ ::: +
n Ytn
X t1 + : : :
X tn2
t
2
= M X
= 0;
t
2
t;
M (Ys Yt ) = M
2
M X s2 X
t
2
min
X
s
2
s
2
t
2
t
2
=
2
s
2
= s:
In continuare vom vedea ca Miscarii Browniene i se pot asocia unele martingale cu timp continuu, utile in studiul anumitor proprietati ale acesteia.
3.2.
117
Xs j Fs ] = M (Xt
Xs ) = 0:
t;
Xs2 j Fs = M (Xt
= M (Xt
Xs este inde-
Xs )2 + 2Xs (Xt
Xs )2 j Fs + 2Xs M [Xt
Xs ) j Fs
Xs j Fs ] :
Xs j Fs ] = 0;
fapt ce arata ca
M Xt2
3.2
Xs2 j Fs = M (Xt
Xs )2 j Fs = M (Xt
Xs )2 = t
s:
118
RT
o functie continua este integrabila Stieltjes in raport cu o functie cu variatie 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
< tnk(n) = T
Atunci
k(n) 1
Sn :=
X
i=0
Wtni+1
Wtni
L2
! T:
n!1
tnk
k
)
n
un sir
cu pro-
119
2
n 1
6X
M4
Wti+1
Wti
+2
i=0
n 1
X
Wti+1
Wti
Wtj+1
Wtj
i;j=0
i<j
2T
n 1
X
Wti+1
Wti
+ T2 :
i=0
(3.2.1)
Xi = Wti+1
ti ) = N (0;
i) ;
= ti+1
ti ;
avem
M
Wti+1
Wti
= ti+1
ti ; M
Wtj+1
Wtj
Wti+1
Wti+1
n h
2
M M Wtj+1 Wtj
Wti+1
n
h
2
M Wti+1 Wti M Wtj+1
Wti+1
Wti
Wtj+1
Wtj
Wti
Wti
Wtj
io
Wti
= 3 (ti+1
j Ftj
j Ftj
= (tj+1
io
io
=
=
tj ) (ti+1
=3
nP1
i=0
(ti+1
ti )2 + 2
nP1
i;j=0
i<j
(tj+1
ti )2 :
tj ) (ti+1
ti )
ti ) :
120
2T
n 1
X
ti ) + T 2 ;
(ti+1
i=0
si cum
nP1
ti ) = T ,
(ti+1
i=0
=2
n 1
X
(ti+1
ti )
n 1
X
i=0
2k
nk
i=0
n 1
X
ti ) = 2T k
(ti+1
i=0
n k (ti+1
nk
ti ) =
! 0:
:=
n 1
2X
n )n
= tni =
iT
;
2n
i = 0; 1; :::; 2n
Wtni+1
Wtni
sup Wtni+1
Wtni
i=0
n 1
2X
: Atunci
Wtni+1
Wtni : (3.2.2)
i=0
a:s:
k(n)
n!1
Wtni (!) ! 0:
Wtk(n)
i+1
Wtk(n)
i
! 1;
121
Fie P2 ([ ; ]) clasa proceselor ff (t)g t : f proces Ft -adaptat si masurabil (i.e. proces Ft neanticipant) asa incit
91
08
< Z
=
P @ ! : f 2 (t) dt < +1 A = 1:
:
;
Fie
([ ; ])
cu proprietatea
P2 ([ ; ]).
n 1
X
(3.2.3)
k=0
f (t) dWt =
n 1
X
fk Wtk+1
Wtk
(3.2.4)
k=0
122
f1 (t) dWt +
f2 (t) dWt ; 8 1 ;
2 R;f1 ; f2 2 E ([ ; ]) :
(2) Pentru f 2 E ([ ; ]) ;
1
0
0
0
1
1
2
Z
Z
Z
C
B
M @ f (t) dWt A = 0; M @
f (t) dWt A = M @ f 2 (t) dtA =
=
M f 2 (t) dt:
(3.2.5)
(3) Daca f 2 E ([ ; ]) ;
0
P@
P@
f 2 (t) dt > N A +
N
; 8"; N > 0: (3.2.6)
"2
M fk Wtk+1
Wtk
k=0
Apoi
M@
k=0
nP1
M (fk ) M Wtk+1
Wtk = 0:
k=0
1
0 tk+1
1
t
Z
n 1 Zk+1
n 1
X
X
f 2 (t) dtA = M @
f 2 (t) dtA =
M@
fk2 dtA =
k=0 t
k
k=0
tk
fk2
(tk+1
123
n 1
X
tk ) =
k=0
Mai departe
nP1
tk ) M fk2 :
(tk+1
k=0
f (t) dWt
fk2 Wtk+1
Wk
!2
nP1
fk Wtk+1
Wk
k=0
+2
nP1
Wtk
fk fl Wtk+1
Wtl
Wtl+1
k;l=0
k<l
k=0
Notam prin
Ak = fk2 Wtk+1
0
Wtk
1: Atunci
h
M (Ak ) = M Wtk+1
k<l
; Bkl = fk fl Wtk+1
Wtk
Wtl+1
Wtl ;
Wtk
tk ) M fk2 ;
M (Bkl ) = M fk Wtk+1
M fk fl Wtk+1
M fk2 = (tk+1
Wtk
Wtk fl Wtl+1
M fl Wtl+1
Wtl
Wtl
= 0:
Asadar, intrucit
0
@
12
f (t) dWt A =
n 1
X
Ak + 2
k=0
n 1
X
Bkl ;
k;l=0
k<l
n 1
X
k=0
(tk+1
tk ) M fk2 = M @
f 2 (t) dtA :
124
P (A \ B) + P (B c ) :
Vom deni
8 0
9
8
1
Z
<
=
< Z
@
A
A= !:
f (t) dWt (!) > " ; B = ! : f 2 (t; !) dt
:
;
:
P@
f 2 (t) dt
NA + P @
Deoarece fN =
nP1
Rt
t < tk+1 si 0 k+1 f 2 (t)dt N;
Rt
t < tk+1 si 0 k+1 f 2 (t)dt > N:
k=0
gk = fk 1( P
k
j=0
fj2 (tj+1 tj ) N
f 2 (t) dt > N A :
j=0
(3.2.7)
9
=
);
125
1:
tj )
j=0
Rezulta ca
(!)
X
k
X
tj )
j=0
si deci
Z
fN2 (t) dt =
fj2 (tj+1
tj )
j=0
Daca ! satisface
f 2 (t; !) dt
0
1
Z
N ) M @ fN2 (t) dtA
P@
N:
P@
NA
1
M@
"2
N
:
"2
126
P@
f 2 (t) dt
P@
N
+P @
"2
NA
f 2 (t) dt
N
"2
(3.2.9)
NA :
jfn (t)
a:s:
f (t)j2 dt ! 0:
f (t)j2 dt5 ! 0:
P@
0
Sirul
P@
jfn (t)
(fm (t)
jfm (t)
fn (t)j2 dt > N A +
(3.2.10)
N
:
"2
probabilitate la 0.
Putem scrie
jfm (t)
fn (t)j dt =
de unde rezulta ca
lim
m;n!+1
f (t)j dt + 2
P@
jfm (t)
limn;m!1 P
fn (t)j2 dt
fn (t)) + f (t)
Z
f (t)j2 dt;
jfn (t)
jfm (t)
0
j(fm (t)
jfm (t)
R
127
(fm (t)
jfm (t)
fn (t)j2 > N
N
"2
N
;
"2
lim P @
n;m!1
deci sirul
fn (t) dWt
(fm (t)
!
128
jgn (t)
a:s:
f (t)j2 dt ! 0:
Sirul
R
jhn (t)
jfn (t)
f (t)j2 dt
!
f (t)j dt
jgn (t)
f (t)j dt .
!n
R
jhn (t) f (t)j2 dt
Ambele subsiruri sunt convergente si au limita 0; asa ca sirul
!
R
converge a.s. la 0 si prin urmare sirul
hn (t) dWt
converge in probabil-
itate.
Dar
fn (t) dWt
si
gn (t) dWt
hn (t) dWt ,
sir care este convergent in probabilitate, deci cele doua subsiruri au aceeasi
limita in probabilitate
lim
n!+1
n!+1
gn (t) dWt :
1 f1
(t) +
2 f2
(t) dWt =
f1 (t) dWt +
f2 (t) dWt ;
6
M4
([ ; ]) atunci
2
3
Z
M 4 f (t) dWt 5 = 0;
7
f (t) dWt 5 =
P@
(3.2.11)
2
3
Z
M f 2 (t) dt = M 4 f 2 (t) dt5 :
129
2
3
Z
N
P 4 f 2 (t) dt > N 5 + 2 :
"
(3.2.12)
(3.2.13)
a:s:
f (t)j2 dt ! 0:
jfn (t)
Deci
Z
Dar
fn (t) dWt !
fn (t) dWt =
implica I (f ) = I (f ) :
f (t) dWt := I (f )
f (t) dWt = I (f ) ; 8n
1;
130
jfn (t)
a:s:
f (t)j dt ! 0;
jgn (t)
1;
2 R si e
a:s:
g (t)j2 dt ! 0:
Atunci
Z
fn (t) dWt !
Fie h (t) =
Avem
Z
1f
jhn (t)
(t) +
2g
(t) ; hn (t) =
h (t)j dt =
Z
2
1
f (t) dWt ;
(fn (t)
2
1
jfn (t)
gn (t) dWt !
1 fn
j 1 fn (t) +
f (t)) +
jfn (t)
f (t)j2 +
f (t)j dt + 2
(t) +
2 gn
(t)
(gn (t)
2
2
2
2
2 gn
g (t) dWt :
(t) :
1f
(t) +
2g
(t)j2 dt =
g (t))j2 dt
jgn (t)
g (t)j2 dt
jgn (t)
g (t)j2 ! 0;
asa ca
Z
hn (t) dWt !
h (t) dWt
[ 1 fn (t) +
2 gn
(t)] dWt =
fn (t) dWt +
gn (t) dWt ;
131
ce implica
Z
hn (t) dWt =
fn (t) dWt +
gn (t) dWt :
Dar
Z
fn (t) dWt !
Z
f (t) dWt ;
Z
p
gn (t) dWt !
hn (t) dWt
g (t) dWt ;
h (t) dWt ;
h (t) dWt =
f (t) dWt +
g (t) dWt :
kXn
fn (t) dWt
!
L2 ( )
fn (t) dWt
Xm k2L2 (
6
=M4
6
=M4
[fn (t)
fn (t) dWt
Z
2
7
fm (t) dWt 5
7
fm (t)] dWt 5 :
132
Sirul indexat dupa m; n; (fm (t) fn (t))m;n este format din procese etajate,
marginite, deci folosind Propozitia 2.5-( 2) rezulta
2
6
M4
fn (t)
fm (t) dWt
2
Z
7
4
jfn (t)
5=M
fn (t) dWt !
g=
fn (t) dW
fm (t)j2 dt5 ! 0:
L2 ( )
! g:
fn (t) dWt
L2 ( )
f (t) dWt :
L2 ( )
! h; atunci
! M h2 :
Luam acum
hn =
fn (t) dWt ; h =
f (t) dWt
M@
2
32
0
1
Z
Z
fn (t) dWt A = 0; M 4 fn (t) dWt 5 = M @ fn2 (t) dtA ;
(care stim ca sunt adevarate deoarece (fn )n este un sir de procese etajate din
E2 ([ ; ]));obtinem (3.2.11), (3.2.12).
(3) Fie f 2 P2 ([ ; ]) ; "; N > 0:
133
jfn (t)
a:s:
f (t)j dt ! 0;
fn (t) dWt !
f (t) dWt :
P@
P@
N0
;
"0
P@
+P @
(fn
f ) dW > "0 A + P @
Dar intrucit
0
Z
P @ fn (t) dWt > "
"0 A
+P @
P@
P@
Z
1
"0 A :
f ) dW
f ) dW > "0 A
(fn
Z
8"0 ; N 0 > 0:
(fn
"0 A
(3.2.14)
N0
(" "0 )2
f ) dW > "0 A +
N0
(" "0 )2
134
P@
f ) dW > "0 A + P @
(fn
0
P@
f (t))2 dt >
(fn (t)
P@
"
2
P@
f 2 (t) dt >
1
N A
+
4
N0
N A
+
;
4
(" "0 )2
0
f 2 (t) dt >
N A
N0
+
4
(" "0 )2
([ ; ]) atunci f 2
([s; t]) ; 8
s
s
:
; au
Rt
f (u) dWu
Observatia 2.11. (1) Subpunctul (a) probeaza faptul ca procesul
(
)
2
Rt
Rt 2
este un Ft -martingal, iar (b) spune in esenta ca
f (u) dWu
f (u) du
Rt
cu
f (u) dWu
t
135
F
[ f (t)] dWt =
(3.2.15)
f (t) dWt :
n 1
X
k=0
[ f (t)] dWt =
Z "X
n 1
k=0
fk Wtk+1
n 1
X
Wtk =
k=0
fk Wtk+1
Wtk =
k=0
f (t) dWt :
a:s:
f (t)j2 dt ! 0:
jfn (t)
(3.2.16)
( fn (t)) dWt =
(3.2.17)
fn (t) dWt :
jgn (t)
fn (t)j dt =
jfn (t)
a:s:
f (t)j2 dt ! 0:
(3.2.18)
136
fn (t) dWt !
f (t) dWt
si
Z
( fn (t)) dWt !
( f (t)) dWt :
2
3
2 t
3
Z Zt
Z
4 (1A f (u)) dWu 5 dP = M 4 (1A f (u)) dWu 5 = 0;
s
137
2
0 t
12 3
32
Z
Z
Zt
412A @ f (u) dWu A 5 dP = 41A f (u) dWu 5 dP =
s
2
32
2
3
Z Zt
Z Zt
4 (1A f (u)) dWu 5 dP = 4 1A f 2 (u) du5 dP =
s
2
3
Z
Zt
Z Zt
41A f 2 (u) du5 dP = 4 f 2 (u) du5 dP;
s
sup jMt j
t T
a r M (jMT jr ) ; 8r
1; a; T > 0;
sup
t T
(3.2.21)
(3.2.22)
f (s)dWs > a
(3.2.20)
a M
jf (s)j2 ds ; 8a > 0:
(3.2.23)
138
t T;\Q
Atunci
fn (t)dWt !
f (t)dWt :
jfn (t)
N
;
"2
N
;
"2
= 0;
ceea ce inseamna ca
Z
fn (t)dWt !
f (t)dWt :
Ca o consecinta a teoremei precedente obtinem urmatorul rezultat de aproximare a integralei stochastice cu integrala Riemman-Stieltjes:
3.3.
k=0
data, denim
1:
n t = ; fn se deneste arbitrar.
Se obtine astfel un sir de procese etajate (fn )n . Evident
Z
fn (t) dWt =
n 1
X
f (tnk ) Wtnk+1
Wtnk :
k=0
jfn (t)
f (t)j2 dt
! 0:
n!1
3.3
jfn (t; !)
f (t; !)j2 dt ! 0:
140
0:
Zt
0
b (s) ds +
Zt
a (s) dWs ; 8t
0:
(3.3.1)
Rt
t 0
@t
141
(s; Xs ) +
+
Rt
0
@u
@x
@u
@x
(s; Xs ) b (s) +
1 @2u
2 @x2
i
(s; Xs ) a2 (s) ds+
0:
Zt
@u
1 @2u
(s; Ws ) +
(s; Ws ) ds+
@t
2 @x2
(3.3.3)
Zt
@u
(s; Ws ) ds; a:s:; 8t
@x
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 indistinguabile, 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 X0 = b 0, a 1, deci Xt = Wt .
n acest caz egalitatea ce trebuie demonstrata este (3.3.3).
Fie ( n )n = (0 = tn0 < tn1 < : : : < tnn = t)n un sir de diviziuni asa incit k n k !
0: Atunci putem scrie folosind formula lui Taylor pentru ! xat, pentru functiile
g(t) = u(t; Wtni+1 (!)); t 2 tni ; tni+1 ;
h(x) = u(tni ; x); x 2 [x1 ; x2 ] ; unde xi = Wtni (!) ori Wtni+1 (!);
@u n
; Wtni+1 tni+1 tni
@t i
variabila aleatoare ce apartine intervalului tni ; tni+1 ;
g tni+1 = g (tni ) +
cu
n
i
h Wtni+1 = h Wtni +
@u n
t ; Wtni
@t i
1 @2u h n
t ; Wtni +
2 @x2 i
n
i
Wtni+1
Wtni+1
Wtni
Wtni +
i
(3.3.4)
(3.3.5)
142
n
i
u (0; 0) =
n 1h
X
u tni+1 ; Wtni+1
1. Folosind (3.3.4),
u tni ; Wtni
i=0
n 1h
X
tni+1 ; Wtni+1
tni ; Wtni+1
i=0
n 1
X
@u
i=0
n 1
X
@u
@t
i=0
n 1
X
@u
i=0
@x
n 1
X
1
Wtni+1
2
i=0
tni+1
Wtni +
tni ; Wtni
tni+1
tni
1 @2u n
t ; Wtni
2 @x2 i
@2u n
t ; Wtni +
@x2 i
n
i
tni +
@u n
t ; Wtni+1
@t i
n
i ; Wtn
i+1
Wtni
tni ; Wtni+1
(3.3.6)
i=0
tni ; Wtni+1
@t
n 1h
X
Wtni+1
Wtni+1
Wtni +
@2u n
t ; Wtni
@x2 i
Wtni
sup
0 i n 1
@u
@t
@u n
t ; Wti+1
@t i
n
i ; Wti+1
s:s:
! 0;
(3.3.7)
n!1
si
sup
0 i n 1
@2u n
t ; Wti +
@x2 i
n
i
Wti+1
Wti
@2u n
(t ; Wti )
@x2 i
s:s:
! 0:
n!1
(3.3.8)
Prin urmare folosind (3.3.7), (3.3.8) in (3.3.7) obtinem
u (t; Wt ) = u (0; 0) +
n 1
X
@u
i=0
@t
tni ; Wtni+1
tni+1
tni +
(3.3.9)
143
n 1
X
@u
tni ; Wtni
@t
i=0
1 @2u n
t ; Wtni
2 @x2 i
Wtni+1
tni+1
Wtni +
tni + An + Bn + Cn ;
unde,
An
n t;
1
2
1 X @2u n
Cn =
t ; Wtni
2 i=0 @x2 i
n 1
X
Wtni+1
Wtni+1
Wtni
Wtni
i=0
n 1
tni+1
tni
Wtni+1
Wtni
L2
t
n!+1
i=0
s:s:
s:s:
! 0 si
n!1
! 0 deducem ca
n!1
p
n n!1 0.
p
Se poate arata (detalierea ind mai delicata) ca si Cn n!1
0. Trecind la limita
n relatia (3.3.9) obtinem exact formula (3.3.3).
Pasul 2. Presupunem ca procesele fa(t)gt si fb (t)gt sunt constante, i.e. (9)
a; b 2 R astfel nct b (t) = b; a (t) = a; 8 t 0; a.s..
Atunci Xt se poate scrie
Xt = X0 + aWt + bt:
Daca denim
u~ (t; x) = u (t; X0 + bt + ax) ;
rezulta ca
u~ (t; Wt ) = u (t; X0 + bt + aWt ) = u (t; Xt ) ;
si atunci, folosind pasul 1 pentru functia u~ obtinem
u~ (t; Wt ) = u~ (0; 0) +
Zt
0
1 @ 2 u~
@ u~
(s; Ws ) +
(s; Ws ) ds +
@t
2 @x2
Zt
0
@ u~
(s; Ws ) dWs
@x
(3.3.10)
144
Atunci
@u
@ u~
(t; Wt ) =
@t
@t
t; Xt + b
@u
(t; Xt ) ;
@x
2
@ u~
@u
@ 2 u~
2@ u
(t; Wt ) = a (t; Xt ) ;
(t;
W
)
=
a
(t; Xt )
t
@x
@x
@x2
@x2
Relatia (3.3.10) se poate atunci rescrie sub forma
Rt @u
u (t; Xt ) = u (0; X0 ) +
(s; Xs ) + b @u
(s; Xs ) +
@t
@x
0
i
Rt @u
1 2 @2u
a
(s;
X
)
ds
+
+
a @x (s; Xs ) dWs
s
2
@x2
0
Xt = X0 + aWt + bt
unde X0 , a, b, sunt variabile aleatoare F0 masurabile.
Notam prin A = f! 2 j formula It are locg si e h :
prin h (!) = (!; !).
Pe
consideram urmatorul cimp de probabilitate
; F0
B (Wt : t
0) ; P jF0
P jB(Wt :t
0)
denita
B2 ,
145
P (f! : (!; !) 2 B1
P jF0 (B1 ) P jB(Wt :t
B2 g) = P (! 2 B1 ; ! 2 B1 ) =
0) =
P jF0
P jB(Wt :t
0)
(B1
B2 ) ;
(B) = P jF0
P jB(Wt :t
0)
(B) ; 8B 2 F0
B (Wt : t
0) :
(3.3.11)
F prin:
: u (t; X0 (! 1 )) +
a (! 1 ) Wt (! 2 ) + b (! 1 ) t = u (0; X0 (! 1 )) +
Zt
@u
(s; X0 (! 1 ) + a (! 1 ) Ws (! 2 ) + b (! 1 ) s) +
@t
@u
(s; X0 (! 1 ) + a (! 1 ) Ws (! 2 ) + b (! 1 ) s) +
@x
1 @2u
(s; X0 (! 1 ) + a (! 1 ) Ws (! 2 ) + b (! 1 ) s) a2 (! 1 ) ds+
2 @x2
9
Zt
=
@u
(s; X0 (! 1 ) + a (! 1 ) Ws (! 2 ) + b (! 1 ) s) a (! 1 ) dWs (! 2 ) ;
;
@x
0
(B) = P
(B) =
P jB(Wt :t
0)
(B!1 ) dP jF0 (! 1 ) ;
146
unde
B!1 = f! 2 2
: (! 1 ; ! 2 ) 2 Bg :
0)
(B!1 ) = 1; 8! 1 ;
ceea ce implica
Z
P jB(Wt :t
0)
(B!1 ) dP jF0 (! 1 ) = 1
n 1
X
i=0
n 1
X
i=0
u (ti ; Xti ) =
2
Zti+1 Zti+1
@u
4
(s; Xti + ai (Ws
@t
ti
Wti ) + bi (s
ti )) +
ti
@u
(s; Xti + ai (Ws
@x
1 @2u
(s; Xti + ai (Ws
2 @x2
Wti ) + bi (s
Wti ) + bi (s
ti )) bi +
ti )) a2i ds+
147
@u
(s; Xti + ai (Ws
@x
Wti ) + bi (s
ti )) ai dWs :
ti
Concluzia rezulta din pasul precedent, deoarece pentru t 2 (ti ; ti+1 ) avem:
Xt = Xti + ai (Wt
Wti ) + bi (t
ti )
cu ai ; bi ; Xti ; Fti - masurabile si stim ca procesul (Wt Wti )t ti este tot Ft miscare browniana (vezi Propozitia 1.5-(1))..
Pasul 5. Fie (Xt ) ca n enuntul teoremei si e t 2 [0; T ] xat. Alegem sirurile
de procese etajate (an )n 1 si (bn )n 1 astfel ca (se poate arata ca este posibil
acest fapt)
0 t
1
Z
P @ jan (s) a (s)j2 ds < 2 n , pentru n sucient de mareA = 1
0
si
P@
Zs
jbn (u)
b (u)j
Se stie atunci ca
Zs
an (u) dW u
a:s:
n!1
Zs
Zs
Zs
t:
Conchidem ca sirul
Xsn
= X0 +
an (u) dWu +
bn (u) du
Zt
0
@u
@u
(s; Xsn ) +
(s; Xsn ) bn (s) +
@t
@x
148
1 @2u
(s; Xsn ) a2n (s) ds + +
2 @x2
Zt
@u
(s; Xsn ) an (s) dWs :
@t
a:s:
a:s:
n!1
n!1
! 0 (deoarece Xsn
Xs j
[0; t]) si
lui It:
0 s t
2
u; @u
; @u ; @ u
@t @x @x2
! Xs , uniform pentru s 2
Zt
bk (s) ds +
Zt
ak (s) dWs
149
#
n
1 X @2u
(s; X1 (s) ; : : : ; Xn (s)) ak (s) a` (s) ds+
2 k`=1 @xk @x`
Zt
0
!
n
X
@u
(s; X1 (s) ; : : : ; Xn (s)) ak (s) dWs :
@x
k
k=1
Zt
(3.3.13)
@u
@u
(s; X1 (s) ; X2 (s)) +
(s; X1 (s) ; X2 (s)) b1 (s) +
@t
@x1
@u
1 @2u
(s; X1 (s) ; X2 (s)) b2 (s) +
(s; X1 (s) ; X2 (s)) a21 (s) +
@x2
2 @x1
@2u
1 @2u
2
(s;
X
(s)
;
X
(s))
a
(s)
+
(s; X1 (s) ; X2 (s)) a1 (s)a2 (s) ds
1
2
2
2 @x21
@x1 @x2
+
Zt
@u
@u
(s; X1 (s) ; X2 (s)) a1 (s) +
(s; X1 (s) ; X2 (s)) a2 (s) dWs :
@x1
@x2
150
Zt
Zt
(3.3.14)
d (X1 (t) X2 (t)) = X1 (t) dX2 (t) + X2 (t) dX1 (t) + a1 (t) a2 (t) dt: (3.3.15)
Aceasta formula seamana foarte mult cu regula de derivare a produsului a
doua functii derivabile (f g)0 = f 0 g + f g 0 , n plus aparind termenul de corectie
a1 (t) a2 (t) dt dat de cele doua integrale stochastice.
Daca consideram X1 (t) = X2 (t) = Wt , deci suntem n situatia n care
X1 (0) = X2 (0) = 0, b1 = b2 = 0; a1 = a2 = 1:
Rezulta egalitatea
d Wt2 = 2Wt dWt + dt;
(3.3.16)
Zt
0
Ws dWs + t;
Zt
0
Ws dWs =
Wt2 t
:
2
(3.3.17)
151
este un Ft -martingal.
(2) (Un exemplu simplu de ecuatie stochastica cu solutie explicita).Fie
Yt = Y0 e(a
1 2
b
2
)t+bWt ; t
0;
(3.3.18)
Zt
aYs ds +
Zt
bYs dWs :
(3.3.19)
In plus (Yt )t 0 este unica solutie a ecuatiei (3.3.19) in sensul ca orice alta
solutie (continua) (Ut )t 0 este indistingabila da (Yt )t 0 ; adica
P (Ut = Yt ; 8t
0) = 1:
1 2
b ds +
2
1 2
b t + bWt =
2
Zt
bdWs
1 2
b:
2
t 0
152
Zt
1 2
b
2
1
+ X1 (s) eX2 (s) b2 ds+
2
Zt
Zt
Ys ds + b
Zt
Ys dWs ;
Zt
aXs ds +
Zt
care satis-
bXs dWs
Vt := Y0 Yt
=e
b02
2
a0
t+b0 Wt
=e
2
2
; unde a0 =
t+(
)Wt
a + b2 ; b 0 =
b:
Zt
a Vs ds +
1+
a + b2
Zt
b0 Vs dWs =
Zt
0
Vs ds + ( b)
Zt
0
Vs dWs :
153
Zt
a + b2 ds
Us Vs
Zt
Us Vs ( b) dWs +
Zt
Zt
aUs Vs ds+
Zt
Us Vs bdWs
Us Vs b2 ds = Y0 :
Deducem ca
Ut Vt = Y0 ; 8 t
Deoarece (Yt )t
si (Ut )t
0, a.s:; si deci Ut = Y0
0
Yt
= Yt ; 8 t
Y0
0, a.s:
0 avemYt = Ut .
Zt = ebWt
; t
(3.3.20)
0;
Zt
bZs dWs ; t
0:
M@
ZT
0
Yt2 dtA = M @
ZT
0
Y02 e(2a
b2 )t+2bWt
dtA
154
b2 T )
M@
ZT
0
Y02
ZT
ZT
e2bWt dtA =
M e2bWt dt;
2bWt
M e
2bWt
dP =
Z1
e2bx p
1
e
2 t
x2
2t
dx;
2bWt
M e
dt =
ZT Z1
0
e2bx p
1
e
2 t
x2
2t
dxdt < 1:
Rt
Ys dWs = 0. Apoi
M (Yt ) = M (Y0 ) + a @
bM @
Zt
0
Zt
0
Ys dsA +
Ys dWs A = M (Y0 ) + a
Zt
M (Ys ) ds;
(3.3.21)
155
Yt2 = Y02 +
Zt
2aYs2 + b2 Ys2 ds +
Zt
2bYs2 dWs :
(3.3.22)
M @Y04
ZT
0
ZT Z1
@ e(4a
0
2b2 )t+4bWt
M Y04 M @
M Y04
e(4a
ZT
e(4a
dtA =
2b2 )t+4bWt
2b2 )t 4bx
Rt
([0; T ]) si deci M
1
e
2 t
Ys2 dWs
dtA =
x2
2t
dxA dt < 1;
= 0; 8 t 2 [0; T ] :
Rt
Ys2 dWs
T obtinem
M Yt2 = M Y02
= 0, 80
2 t
3
Z
+M4
2a + b2 Ys2 ds5 ;
0
sau
M Yt2 = M Y02 +
Zt
2a + b2 M Ys2 ds;
(3.3.23)
deci o noua ecuatie diferentiala, de data aceasta pentru M (Yt2 ) ;a carei solutie
este
156
2
M Yt2 = M Y02 e(2a+b )t :
(3.3.24)
Wtn
! Wt ; 8t
0;
n!1
2 R;
este martingal.
3.9. Fie (Wt ) o Miscare Browniana si f 2 2 ([0; T ]) asa incit
Z T
jf (s)jp ds < 1 pentru un p 1:
M
0
Sa se arate ca
M
f (s)dWs
Cp T
p 1
jf (s)jp ds :
functiei f (x) = x :
3.10. Fie (Wt ) o Miscare Browniana si f 2
arate ca procesul
Rt
Xf (t) = e
f (s)dWs
1
2
Rt
0 jf (s)j
Rt
0
f (s)dWs
si
t
([0; T ]) ; f marginita. Sa se
ds
; t
0;
157
0:
unde a Ws = Ws+a
Wa :
158
Capitolul 4
Ecuatii diferentiale stochastice
4.1
= fB (B ( ; Ws : 0
t) [ N )gt
160
Xt =
Zt
a (s; Xs ) ds +
Zt
b (s; Xs ) dWs ; 0
(4.1.1)
T;
Zt
Zt
a (s; Xs ) ds +
Zt
Rt
Rt
Intuitiv, ni-l putem imagina pe (X) ca ind data de iesire a unui sistem
dinamic descris de perechea de coecienti (a; b), din datele de intrarecare
sunt si procesul Miscarii Browniene (W ).
Principiul cauzalitatii pentru sisteme dinamice exprima cerinta ca data de
iesireXt la momentul t sa depinda numai de valorile datelor de intrare
si fWs ; 0 s tg pina la momentul t.
Acest principiu si gaseste expresia matematica n (i), deoarece Ft este determinata de si valorile lui (Ws ) pina la momentul t.
Denitia 1.2. Spunem ca ecuatia (4.1.1) are solutie unica daca oricare
~t
ar (Xt )0 t T , X
doua solutii a ecuatiei stochastice avem ca a.s.,
0 t T
) = 1 astfel
161
~t
Astfel spus, procesele (Xt )t2[0;T ] si X
sunt indistingabile.
t2[0;T ]
yj ; 8 t 2 [0; T ] ; x; y 2 R;
(4.1.2)
(altfel spus functiile a si b sunt Lipschitz continue n a doua variabila, uniform n raport cu prima variabila).
(3) Functiile a si b au crestere liniara, adica: 9K > 0 astfel incit
ja (t; x)j2 + jb (t; x)j2
b(t; y)j
L jx
K 1 + x2 , 8 t 2 [0; T ] ; x; y 2 R:
(4.1.3)
sup Xt2
K1 1 + M
(4.1.4)
0 t T
Zt
0
a (s; Xsn ) ds
Zt
1: (4.1.5)
162
Pentru n = 0 probarea armatiei este triviala, daca tinem cont de faptul ca variabila este F0 -masurabila (reamintim ca F0 = B (B ( ) [ N ) si
RT 0 2
M
jXt j dt = T M 2 < +1):
0
K1 1 +
jXtn j2
ZT
tinua.
In continuare vom arata ca procesul fb (t; Xtn )g0 t T este din 2 ([0; T ]). PenRT
tru aceasta mai ramine de aratat ca M
jb (t; Xtn )j2 dt < +1.
0
Stim ca
Xtn =
Zt
0
a s; Xtn
ds +
Zt
0
b s; Xtn
163
Deoarece
sup M
Xt0
=M
< +1;
0 t T
0 t T
si vom arata ca si
Xtn+1
sup M
< +1:
0 t T
K 1 + jXtn j2 :
KT + K
2 T
3
Z
M 4 K 1 + jXtn j2 dt5 =
0
ZT
M jXtn j2 dt
KT + K
ZT
0
"
sup M jXtn j2 dt
0 t T
Deci procesul [b (t; Xtn )]0 t T este din 2 ([0; T ]) : Atunci integrala stochastica
Rt
Rt
b (s; Xsn ) dWs este corect denita si procesul
b (s; Xsn ) dWs este un Ft 0
164
Xtn+1
3M
2 t
32
Z
+ 3M 4 a (s; Xsn ) ds5
0
2 t
32
Z
+3M 4 b (s; Xsn ) dWs 5 :
0
Daca notam cu
L1 = sup M
0 t T
atunci avem
2 t
32
Z
4 a (s; Xsn ) ds5
0
2
Xtn+1
2 t
3
Z
t 4 M 1 + jXtn j2 ds5 ;
0
KT + KT sup M
0 t T
2 t
3
Z
t2 K + tKM 4 jXtn j2 ds5
0
jXtn j2
= KT 2 (1 + K1 ) :
2 t
3
Z
Zt
2
n
M 4 K 1 + jXs j ds5 = Kt + K M jXsn j2 ds
0
KT + KT sup M jXsn j2
KT (1 + K1 ) :
0 s T
3M
+ 3KT 2 (1 + K1 ) + KT (1 + K1 ) ;
(4.1.6)
165
si deci
sup M Xtn+1
3M
(4.1.7)
0 t T
Xtn
0 t T
Zt
a s; Xsn
ds +
Xtn+1
Zt
Zt
b s; Xsn
dWs ;
s; Xsn 1
ds +
Zt
b s; Xsn
dWs ;
rezulta
Xtn+1
Xtn =
Zt
a (s; Xsn )
a s; Xsn
ds+
Zt
b (s; Xsn )
b s; Xsn
dWs ;
Xtn+1
Xtn
8 t
<Z
:
a (s; Xsn )
a s; Xsn
ds
92
=
;
(4.1.8)
166
8 t
<Z
:
b s; Xsn
b (s; Xsn )
dWs
92
=
;
b s; Xsn
a s; Xsn
L Xsn
L Xsn
Xsn
Xsn
; 8 s 2 [0; T ] :
(4.1.9)
1 2
ds
LT
Zt
Xsn
1 2
Xsn
ds;
de unde trecind acum la supremum dupa t 2 [0; T ] si apoi la media n inegalitatea (4.1.8), obtinem:
M
"
sup Xtn+1
2
Xtn
0 t T
2M 4 sup
0 t
8 t
<Z
:
T
2L2 T
Zt
b (s; Xsn )
b s; Xsn
Xsn
Xsn
92 3
=
dWs 5 :
;
M 4 sup
0 t T
4M
ZT
0
8 t
<Z
:
b (s; Xsn )
b (s; Xsn )
b s; Xsn
b s; Xsn
ds
4L2
ds+
(4.1.10)
2
92 3
=
dWs 5
;
1 2
ZT
0
Xsn
(4.1.11)
Xsn
1 2
ds:
Xsn
167
2 putem scrie:
Zs
a u; Xun
a u; Xun
du+
Zs
b u; Xun
b u; Xun
dWu ;
de unde
Xsn
1 2
Xsn
2
Tinind cont ca
M
8 s
<Z
:
a u; Xun
a u; Xun
du
92
=
8 s
<Z
9
=
8 s
<Z
:
b u; Xun
b u; Xun
b u; Xun
b u; Xun
dWu
dWu
Zs
b u; Xun
b u; Xun
92
=
;
(4.1.12)
du
facind calcule similare cu cele facute anterior si tinind cont de (4.1.12) deducem,
M
Xsn
2
Xsn 1
2L2 s
Zs
Xsn
Xsn
2 2
du+
+2L
Zs
Xun
Xun
Xs0
2 2
Pentru n = 1 avem
M
Xs1
du:
(4.1.13)
168
Zs
M4
a u; Xu0 du +
Zs
0
23
b u; Xu0 dWu 5
8 2 s
32
2 s
32 9
Z
< Z
=
0
0
4
5
4
5
M 2
a u; Xu du + 2
b u; Xu dWu
:
;
0
8
2 s
32 9
Z
< Zs
=
2
0
0
4
5
M 2s a u; Xu du + 2
b u; Xu dWu
:
;
0
2 s
3
2 s
3
Z
Z
2sM 4 a2 u; Xu0 du5 + 2M 4 b2 u; Xu0 du5
0
2 s
Z
2sM 4 K 1 + Xs0
2 s
Z
du5 + +2M 4 K 1 + Xs0
0
2Ks (1 + s) + 2s (1 + s) KM
2T (1 + T ) K 1 + M
du5 =
< +1:
2
Xs1
2L2 (s + 1)
Zs
ds
Zs
2L2 (1 + T ) u du
2L2 (1 + T ) s:
Pentru n = 3 obtinem,
M
2
Xs2
Xs3
2L (1 + T )
s2
2!
Vom demonstra prin inductie dupa n valabilitatea urmatoarei relatii,
=
Xsn
2L2 (1 + T )
Xsn
1 2
n 1
sn 1
;
(n 1)!
(4.1.14)
169
unde
= 2L2 (1 + T )
Vericarea este facuta pentru n = 2; 3. Presupunem acum P (n) adevarata
si demonstram P (n + 1) adevarata. Avem
M
2
Xsn
Xsn+1
2L (1 + T )
Zs
n 1
2L (1 + T )
un 1
du
(n 1)!
= 2L2 (1 + T )
Revenim la estimarea lui M
"
un
s
=
n (n 1)! 0
#
sup Xtn+1
0 t T
Xtn
sn
:
n!
8L2
"
ZT
0
2
Xtn
sup Xtn+1
0 t T
2
Xsn 1
Xsn
2
2L (T + 4)
2L2 T
ZT
0
2L2 (T + 4)
ds
Xsn
ZT
Xsn
n 1
1 2
ds+
sn 1
ds =
(n 1)!
n 1T
n
2
n!
= 2L (T + 4)
( T )n
):
n!
n=1
sup Xtn+1
t T
Xtn
1
n2
(4.1.15)
< +1:
sup Xtn+1
1
n2
Xtn
t T
2n L (T + 4)
sup Xtn+1
t T
1 2
n2
( T )n
:
n!
Xtn
170
Dar seria
1
P
n=1
1
X
P (An )
n=1
2L2 (T + 4)
n=1
unde am notat
An =
1
n2
Xtn (!)
0 t T
Fie ! 2
xat si N (!) numarul din armatia precedenta. Fie m > N (!),
n 1:
Atunci 80 t T avem
Xtm+n (!)
Xtm+n (!)
Xtm+n
Xtm (!) =
(!) + Xtm+n
: : : + Xtm+1 (!)
Xtm+n (!)
Xtm+n
1
(m + n
1)
1
(m + n
(!)
Xtm+n
(!) + :::
Xtm (!)
(!) + Xtm+n
: : : + Xtm+1 (!)
(!)
Xtm+n
(!) + :::
Xtm (!)
2
2)
+ ::: +
1
;
m2
de unde tragem concluzia ca sirul (Xtm (!))n 1 este sir Cauchy, uniform n
raport cu t 2 [0; T ].
Deducem ca exista un proces Xt (!), astfel incit este satisfacuta relatia
!2
; Xtn (!)
n!1
t T
va avea traiectoriile
171
Zt
a (s; Xsn ) ds
Zt
(4.1.16)
Zt
(4.1.17)
Sa aratam acum ca
Zt
a:s:
a (s; Xsn ) ds !
n!1
Avem
Zt
Zt
a (s; Xsn ) ds
Zt
ja (s; Xsn )
a (s; Xs ) ds
a (s; Xsn )j ds
si deoarece Xtn
Zt
jXsn
Xs j ds;
a:s:
n!1
jb (s; Xsn )
b (s; Xsm )j ds
rezulta ca
L2
Zt
jXsn
Xs j2 ds;
Zt
jb (s; Xsn )
a:s:
! 0:
n!1
172
jb (s; Xsn )
! 0; 8t 2 [0; T ] :
n!1
n!1
Zt
Fie acum t xat. Deoarece convergenta uniforma o implica pe cea in probabilitate, 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 g : [0; T ] ! R o functie continua ce
satisface
0
g (t)
(t) +
Zt
g (s) ds; 80
T;
cu
0 si
Atunci
g (t)
(t) +
Zt
(s) e
(t s)
ds; 80
T:
(4.1.18)
In particular daca
ae t ;
(t) +
Zt
0
g (s) ds )
(4.1.19)
g (t)
Zt
173
g (s) ds
(t) e
(4.1.20)
Rt
Dar
Zt
g (s) ds
=
t=0
Zt
(s) e
30
ds5
ds
= 0;
t=0
deci obtinem
e
Zt
g (s) ds
g (t)
(t) +
Zt
Zt
(s) e
ds;
g (s) ds
(t) +
Zt
(s) e
(t s)
ds:
0;
sup jXt j2 ; M
0 t T
0 t T
174
Fie asadar t
Xt =
Zt
Zt
b (s; Xs ) dWs ;
Zt
b (s; Xs ) dWs :
a (s; Xs ) ds +
Yt =
Zt
a (s; Ys ) ds +
Yt =
Zt
[a (s; Xs )
a (s; Ys )] ds+
Zt
[b (s; Xs )
b (s; Ys )] dWs ;
de unde
jXt
Yt j2
+2
2M
2t
8 t
<Z
:
M ja (s; Xs )
8 t
<Z
:
[a (s; Xs )
[b (s; Xs )
Yt j2
M jXt
Zt
8 t
<Z
2tM
b (s; Ys )] dWs
8 t
<Z
:
[b (s; Xs )
[a (s; Xs )
a (s; Ys )j
92
=
;
a (s; Ys )]2
b (s; Ys )] dWs
92
=
a (s; Ys )] ds +
;
ds + 2
Zt
0
92
=
9
=
;
M jb (s; Xs )
175
M jXt
2tL2
Yt j
Zt
Ys j2 ds+
M jXs
2L2
Zt
Ys j2 ds
M jXs
2L2 (T + 1)
Zt
M jXs
Ys j2 ds;
Xt =
Zt
a (s; Xs ) ds +
Zt
b (s; Xs ) dWs ;
rezulta
jXt j2
+ 3@
Zt
0
12
a (s; Xs ) dsA + 3 @
Zt
0
12
b (s; Xs ) dWs A ;
(4.1.21)
a (s; Xs ) ds
Zt
a (s; Xs ) ds
KT 2 + KT
TK
Zt
1 + Xs2 ds
Zt
0
0 v <u
(4.1.22)
176
b(s; Xs )dWs
sup
0 r t
4M
b(s; Xs ) ds
4KT + 4KM
Xs2 ds
4KT + 4KM
sup Xv2 du :
(4.1.23)
0 0 v u
sup jXr j2
3M
+ 3K 2 T 2 + 12KT +
0 r t
3K (T + 4)
0 v u
4.2
Xt =
Zt
0
unde
b (s; Xs ) ds +
Zt
0
(s; Xs ) dWs ;
(4.2.1)
177
R ! R; b : R+
: R+
R!R
sunt aplicatii masurabile ce verica ipotezele teoremei de existenta si unicitate (Teorema 1.3), este o variabila aleatoare F0 -masurabila si (Wt )t 0 o
Miscare Browniana, si W ind independente.
Una din situatiile cind ecuatia se poate rezolva prin cuadraturi este aceea
cnd ecuatia este reductibila. Sa denim conceptul de reductibilitate.
Fie h : [0; 1)
R ! R o functie inversabila n variabila a doua, adica
aplicatia x ! h (t; x) este bijectiva, pentru orice t 0.
Atunci exista o functie k : R+ R ! R astfel ncit sunt satisfacute relatiile
h (t; k (t; x)) = x , 8 t
k (t; h (t; x)) = x:
0; x 2 R;
(4.2.2)
Presupunem ca aplicatia h 2 C 1;2 (R+ R), deci verica conditiile de aplicabilitate a formulei lui It, formula pe care o vom utiliza pentru a da o scriere
sub forma unui semimartingal procesului Yt = h (t; Xt ).
Obtinem astfel
Yt = Y0 +
Zt
b (s; Ys ) ds +
Zt
(s; Ys ) dWs ;
(4.2.3)
unde
b (t; x) =
(t; x) =
1 @2h
@h @h
+
b+
@t
@x
2 @x2
@h
@x
Zt
0
b (s) ds +
Zt
0
(s ) dWs
(4.2.4)
178
= c2
Yt = h (0; ) + c1 t + c2 Wt
si deci
(4.2.6)
Xt = k (t; h (0; ) + c1 t + c2 Wt ) :
@h @h
1 @2h
+
b+
@t
@x
2 @x2
0; x 2 R:
(4.2.7)
0; x 2 R:
Sa notam
A (t; y) =
Rezulta ca
@h
@h
1 @2h
(t; y) +
(t; y) b (t; y) +
(t; y)
@t
@x
2 @x2
@h
B (t; y) =
(t; y) b (t; y) ;
@x
(t; y) ;
179
0; x 2 R;
0; x 2 R:
Dar
@A
@2h
@
(t; x) =
+
@y
@t@x @x
@h
1
b+
@x
2
2@
h
@x2
(t; x)
180
si
@2b
@h @
+
2
@x
@x @x
@B
(t; x) =
@y
(t; x) ;
sau
@h
=
@x
(t)
(t; x)
@
@x
@h
1
b+
@x
2
2@
h
@x2
(4.2.8)
Dar
@h
=
@x
(t)
(t; x)
deci
0
@2h
(t; x) =
@t@x
(t) (t; x)
(4.2.9)
si
(t) @@x (t; x)
:
2 (t; x)
@2h
=
@x2
nlocuind n ecuatia (4.2.8) pe
si(4.2.10), obtinem
0
@
@x
@2h
@t@x
@
@t
2
=
@
@x
2
@2h
@x2
(t; x) si
@2h
b
@x2
1
+
2
2 @
@x
(4.2.10)
@b
@x
"
@
@x
2
@2h
@x2
conform cu (4.2.10)
181
@
@t
2
1 @2
+
2 @x2
@
@x
@
@t
@
@x
=0
sau echivalent,
0
1 @2
:
2 @x2
(4.2.11)
1
2
@
@t
@
@x
1 @2
2 @x2
(t; x) = 0; 8t
0; x 2 R: (4.2.12)
1
2
00
=C
cu C 2 R constanta.
Folosind relatia (4.2.11), rezulta
0
=C,
(t)
C (t) = 0;
(t) = eCt , cu
2 R arbitrar.
182
@h
(t; x) =
@x
h (t; x) =
Zx
eCt
)
(x)
(t)
=
(t; x)
eCt
dy = eCt
(y)
Zx
1
dy
(y)
Zx
1
dy
(y)
si deci
b (t) = CeCt
Zx
b (x) 1
1
dy + eCt
+
(y)
(x) 2
(x)
eCt 0 (x)
:
2 (x)
1
2
00
=C
(t; x) = .
(4.2.13)
183
= C; deci C =
Rezulta ca
(t) = e
2 R:
Zx
dy =
+ e
@h
(t; x) =
@t
) b (t) =
tx
x
x
=0
Sa gasim expresia functiei k (t; x), inversa lui h (t; x). Avem
t
k (t; x) = x;
deci
k (t; x) =
xe
Obtinem deci ca
e t Yt
Xt = k (t; Yt ) =
unde
Yt = Y0 +
Zt
b (s) ds +
(s) dWs =
Zt
0
si in ne
Zt
(s) dWs ;
184
Xt = e
+ e
Zt
dWs = e t @ +
Zt
dWs A :
(4.2.14)
(t; x) =
(t) +
(t) x:
(t) +
@
@x
(t) x)
0
1
(t) +
0
2
(t) x)
b1 (t) + b2 (t) x
=0 ;
1 (t) + 2 (t) x
de unde deducem
0
1 2
(b1
b2
0
1)
= 0:
(4.2.15)
4.3
Xt =
Zt
185
b (s; Xs ) ds +
Zt
(4.3.1)
(s; Xs ) dWs :
+ b tn 1 ; Xn
tn +
tn 1 ; Xn
pentru 1 n N , tn = tn tn 1 si tn = Wtn
Cu ajutorul sirului nit de variabile aleatoare Xn
aproximant X (t) 0 t T astfel :
Wn ;
(4.3.2)
Wtn 1 .
construim un proces
n N
X (0) = ;
si daca tn
<t
X (t) = Xn
t;
Wtn 1 :
(4.3.3)
Acest proces are n mod evident traiectoriile continue si vom vedea ca aproximeaza ntr-un anumit sens solutia (Xt ) a ecuatiei initiale.
Pentru simplitate, vom lucra cu partitii de acelasi pas h,deci tn = h; 81
n N.
Rt
Rt
Deoarece t tn 1 =
1ds si Wt Wtn 1 =
1dWs , putem scrie pentru
1
+ b tn 1 ; Xn
tn
t 2 (tn 1 ; tn ] ;
(t
tn 1 ) +
tn 1 ; Xn
tn
Wt
186
X (t) = Xn
Zt
tn
b tn 1 ; Xn
Zt
ds +
tn
tn 1 ; Xn
dWs :
(4.3.4)
Zt
b (s) ds +
Zt
(4.3.5)
0 t T
O(h2 )
=
2
h!0 h
lim O(h) = b 2 R; b
h!0 h
a 2 R; a 6=
6= 0).
Demonstratie. Fie 1 n
Atunci, folosind egalitatea
X (t) =
b (s; Xs ) ds +
tZn
0
b (s; Xs ) ds +
Zt
(s; Xs ) dWs =
tZn
0
(s; Xs ) dWs +
Zt
tn
b (s; Xs ) ds+
Xtn
Xn
Zt
tn
Zt
tn
187
b (s; Xs ) ds +
Zt
tn
(s; Xs ) dWs ;
rezulta ca avem
Xt
Xt = Xtn
Zt
tn
4Xn
Zt
tn
Xtn
b (s; Xs ) ds +
tn
b tn 1 ; Xn
ds +
Xn
Zt
tn
Zt
tn
Zt
tn
b (s; Xs )
tn
tn 1 ; Xn
dWs 5 =
b tn 1 ; Xn
ds+
(s; Xs )
tn 1 ; Xn
(4.3.6)
dWs :
2 Xs
Xs
b (s; Xs )
Xn
b tn 1 ; Xn
tn
(s; Xs ) dWs
Zt
Zt
tn
Xs
(s; Xs )
Xs
ds
tn 1 ; Xn
tn 1 ; Xn
(s; Xs )
2
1
dWs ;
188
Xt
Xt
"n
Zt
tn
Zt
tn
b (s; Xs )
Xs
Xs
(4.3.7)
ds+
b tn 1 ; Xn
ds+
Zt
tn
tn 1 ; Xn
(s; Xs )
ds:
Am tinut cont de faptul ca Xt si (Xt ) apartin spatiului 2 ([0; T ]) si proprietatile (L) 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
h
i
h
i
2
2
M b (s; Xs ) b tn 1 ; Xn 1
; M
(s; Xs )
tn 1 ; Xn 1
din (4.3.7). Avem succesiv
b (s; Xs )
b (s; Xs )
b s; Xtn
+ b s; Xtn
b tn 1 ; Xtn
3 b (s; Xs )
b s; Xtn
+
3K 2 Xs
Xtn
+ 3K 2 js
2
1
b tn 1 ; Xtn
b tn 1 ; Xn
=
b tn 1 ; Xtn
+ 3 b s; Xtn
b tn 1 ; Xtn
b tn 1 ; Xn
2
1
b tn 1 ; Xn
2
1
2
1
tn 1 j + 3K 2 Xtn
Xn
2
1
(4.3.8)
Xt0 j2
L (t00
189
tn 1 ) + (s
tn 1 ) + "n
n 1
+ 3K 2 L + 1 h
(4.3.9)
pentru s 2 [tn 1 ; tn ].
Estimarea pentru are exact aceeasi forma, proprietatile folosite pentru b
ind aceleasi cu cele utilizate pentru ca si constantele de majorare. Notam
prin K 0 = (3K 2 L + 1). Atunci inlocuind cele de mai sus(adica (4.3.9) si cea
similara pentru ) in (4.3.7), obtinem
Xt
Xt
"n
Zt
tn
"n
Xs
Xs
ds + 2
tn
0 2
Zt
(1 + 2h) + 2K h +
Zt
tn
Xs
Xs
n 1
+ K 0 h] ds
ds:
(4.3.10)
Xt
Xt
; t 2 [tn 1 ; tn ] ;
"n
(1 + 2h) + 2K 0 h2 e(t
tn
1)
; 8t 2 [tn 1 ; tn ] :
(4.3.11)
"n
(1 + 2h) eh + 2K 0 h2 eh ; 81
N:
(4.3.12)
(h) ;
(4.3.13)
n 1
unde am pus
(h) = (1 + 2h) eh ;
(h) = 2K 0 h2 eh :
190
Xt
m 1
Xt
"m 1 (1 + 2h)eh + 2K 0 h2 eh
::: +
m 2
(4.3.14)
(h) (1 + 2h)eh + 2K 0 h2 eh :
Dar
"0 = M
X0
X0
= 0;
Xt
Xt
m 1
(h) 1
(1 + 2h)eh + 2K 0 h2 eh :
(h) 1
2K 0 h2 eh
0 t T
Xt
Xt
! 0;
h!0
0 t T
1; N
T
h
vom avea
T
A(h)
(1 + 2h) h eT 1
h
:
(1 + 2h)eh 1
Apoi
T
lim (1 + 2h) h eT
h!0
1 = e3T
h
h!0 (1 + 2h)eh
lim
1 > 0;
1
= ;
1
3
191
atunci sa se arate ca
Rx
u(x)
Me
f (t)dt
; 8x 2 [a; b] :
Xt = e
A(u)du
t R
t
A(u)du
a(s)ds +
t R
t
A(u)du
B(s)dWs ; t
0:
192
Bibliograe
[1] L. Arnold (1974): Stochastic Dierential Equations: Theory and Applications . J. Wiley & Sons, New York.
[2] K. L. Chung (1967): Markov Chains with Stationary Transition Probabilities. 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. Universitatea Bucuresti, Bucuresti.
[5] J. Doob (1953): Stochastic Processes. J. Wiley & Sons, New York.
[6] D. Florea, C. Tudor (1980): Probleme de Teoria Probabilitatilor. Universitatea Bucuresti, Bucuresti.
[7] A. Friedman (1975): Stochastic Dierential Equations and ApplicationsVol. 1,2. Academic Press.
[8] M. Gradu (1995): Tranzactii Bursiere. Editura Economica, Bucuresti.
[9] G. R. Grimmet (1993): Probability and Random Processes. Oxford Science 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. Elemente de Teorie si Aplicatii. Editura Stiintica si Enciclopedica, Bucuresti.
193
194
BIBLIOGRAFIE