Markov Processes

Capitolul 1
Procese Markov
1.1
Generalitati privind procesele stochastice
Fie o multime T (de obicei inclusa in R) pe care o vom interpreta ca multime

de timpi, iar elementele ei le vom numi momente.
Fie ( ; F; P ) un cimp de probabilitate pe care l vom numi spatiu de baza si
e (E; E) un spatiu masurabil pe care il vom numi spatiul starilor.
Denitia 1.1. Vom numi proces stochastic o familie de aplicatii masurabile,
Xt : ( ; F; P ) ! (E; E) ;
(vom nota pe scurt fXt gt2T ):
t 2 T;
Observatia 1.2. Pentru T = [0; a], a > 0; se spune ca procesul este cu

orizont nit si timp continuu, in cazul T = [0; +1) procesul este cu orizont innit si timp continuu si daca T este cel mult numarabila se spune ca
procesul este cu timp discret.
Denitia 1.3. Pentru ! 2
xat, aplicatia
t ! Xt (!) : T ! E
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
Cap. 1. Procese Markov
Pentru L T notam E L corpul borelian produs t2L Et , unde Et = E pentru

L
T
orice t 2 T (reamintim
Q ca E este cel mai mic corp borelian pe E ce contine
multimile de forma t2L At cu proprietatea ca At 2 E si ft 2 L : At 6= Eg
este nita).
Denitia 1.4. Fie (Xt )t2T un proces stochastic cu spatiul de baza ( ; F; P )
si spatiul starilor (E; E) :
(a) Aplicatia
'X : ( ; F; P ) ! E T ; E T ; 'X (!) = fXt (!)gt2T ;
este masurabila (deoarece componentele sunt masurabile) si probabilitatea
P
'X1 : E T ! [0; 1] ; P
'X1 (A) = P 'X1 (A) ; A 2 E T ;
se numeste repartitia sau distributia procesului.

(b) Pentru orice multime nita L = ft1 ; t2; : : : ; tn g
T aplicatia
(Xt1 ; Xt2 ; : : : ; Xtn ) : ( ; F; P ) ! E L ; E L

este de asemenea masurabila si familia de probabilitati
P
(Xt1 ; Xt2 ; : : : ; Xtn )
1
L T; L f inita
se numeste familia repartitiilor (sau distributiilor) nit dimensionale ale procesului.

Este clar ca P (Xt1 ; Xt2 ; : : : ; Xtn ) 1 este probabilitate pe E L si ca pentru
orice Ai 2 E; 1 i n;
P
(Xt1 ; Xt2 ; : : : ; Xtn )
(A1
A2 : : :
An ) =
P (Xt1 2 A1 ; Xt2 2 A2 ; : : : ; Xtn 2 An ) :

Denitia 1.5. Daca X = (Xt ) t2T ; Y = (Yt ) t2T+ sunt procese stochastice
cu spatiile de baza ( ; F; P ) si ( 0 ; F 0 ; P 0 ) si acelasi timp T si acelasi spatiu
al starilor (E; E) ; 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
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
j 9t 2 T astfel incat Xt (!) 6= Yt (t)g) = 0:
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
Caracterizari ale lanturilor Markov
Lanturile Markov sunt procese stochastice cu timpul discret si multimea starilor cel mult numrabil.
Fie ( ; F;P ) un cimp de probabilitate, I o multime cel mult numarabila

si pentru orice n 2 f0; 1; 2; : : :g e Xn : ( ; F) ! (I; P (I)) o aplicatie
masurabil (adica asa incit fXn = ig 2 F, 8 i 2 I).
Denitia 2.1. Vom spune ca sirul (Xn )n este lant Markov cu spatiul starilor
I, daca pentru orice n si i0 ; : : : in 2 I are loc egalitatea
P (Xn+1 = in+1 j Xn = in ; Xn
= in 1 ; : : : ; X0 = i0 ) =
P (Xn+1 = in+1 j Xn = in ) ;
(1.2.1)
de indata ce P (Xn = in ; : : : ; X0 = i0 ) > 0, egalitate ce este cunoscuta sub

numele de proprietatea Markov.
Observatia 2.2. Daca momentul n este momentul prezent, n + 1 momentul viitor si 0,...,n 1 momentele trecute, atunci proprietatea Markov exprima 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 (Xn )n este lant Markov atunci
P (Xn+1 = in+1 j Xn = in ; : : : ; Xk = ik ) =
P (Xn+1 = in+1 j Xn = in ) ; 8k
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 ) =
1.2. Caracterizari ale lanturilor Markov
P (Xn+1 = in+1 ; Xn = in ; : : : ; Xk = ik ; )
=
P (Xn = in ; : : : ; Xk = ik )
Xn+1 = in+1 ; :::; 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 =
P (Xn+1 = in+1 j Xn = in ) P (Xn = in ; : : : ; Xk = ik )

=
P (Xn = in ; : : : ; Xk = ik )
P (Xn+1 = in+1 j Xn = in ) :
Sistemul de numere pi = P (X0 = i), i 2 I se numeste repartitia initiala a

lantului Markov.P
Evident pi 0;
pi = 1:
i2I
Au loc urmatoarele denitii echivalente pentru un lant Markov.

Teorema 2.4. Urmatoarele armatii sunt echivalente:
(1) (Xn ) este lant Markov.

(2) Pentru orice n; m si i0 ; : : : ; in+m 2 I,
P (Xn+m = in+m ; : : : ; Xn+1 = in+1 j Xn = in ; : : : ; X0 = i0 ) =
P (Xn+m = in+m ; : : : ; Xn+1 = in+1 j Xn = in ) ;
(1.2.3)
de indata ce P (Xn = in ; : : : ; X0 = i0 ) > 0:

(3) Pentru orice n si i0 ; : : : ; in 2 I,
P (X0 = i0 ; : : : ; Xn = in ) =
pi0 P (X1 = i1 j X0 = i0 ) :::P (Xn = in j Xn
= in 1 ) ;
de indata ce P (X0 = i0 ; : : : ; Xn 1 = in 1 ) > 0:

(4) Pentru orice n, A 2 B(Xk : k n); B 2 B(Xk : k
(1.2.4)
n) si i2 I ,
P (A j Xn = i; B) = P (A j Xn = i) ;
(1.2.5)
de indata ce P (Xn = i; B) > 0:

Demonstratie. (1 ) () (2 ) Folosim inductia dupa m. Daca m = 1 egalitatea (1.2.3) este chiar ipoteza. Presupunem afrmatia adevarata pentru m si
demonstram pentru m + 1.
Utilizind egalitatea
P (A \ B j C) = P (A j C) P (B j A \ C) ;
ipoteza de inductie si (1.2.2), obtinem
P (Xn+m+1 = in+m+1 ; Xn+m = in+m ; ::; Xn+1 = in+1 j Xn = in ; ::; X0 = i0 ) =
P (Xn+m = in+m ; : : : ; Xn+1 = in+1 j Xn = in ; : : : ; X0 = i0 )
P (Xn+m+1 = in+m+1 j Xn+m = in+m ; ::; Xn+1 = in+1 ; Xn = in ; ::; X0 = i0 )

= P (Xn+m = in+m ; : : : ; Xn+1 = in+1 j Xn = in )
P (Xn+m+1 = in+m+1 j Xn+m = in+m ; ::; Xn+1 = in+1 ; Xn = in ) =

P (Xn+m+1 = in+m+1 ; Xn+m = in+m ; : : : ; Xn+1 j Xn = in ) :
(1)) (3) Daca Xn este lant Markov, atunci 8n; i0 ; : : : ; in 2 I astfel incit
P (Xn 1 = in 1 ; : : : ; X0 = i0 ) > 0; se are
P (Xn = in ; Xn
P (Xn = in j Xn
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 ) :
(3) ) (1) Avem ca

P (Xn+1 = in+1 j Xn = in ; : : : ; X0 = i0 ) =
P (Xn+1 = in+1 ; Xn = in ; : : : ; X0 = i0 )
=
P (Xn = in ; : : : ; X0 = i0 )
pi0 P (X1 = i1 j X0 = i0 ) : : : P (Xn+1 = in+1 j Xn = in )
pi0 P (X1 = i1 j X0 = i0 ) : : : P (Xn = in j Xn 1 = in 1 )
= P (Xn+1 = in+1 j Xn = in ) :
10
(2)) (4 ) Teorema de unicitate a probabilitatilor reduce probarea egalitatii

(1.2.5) la cazul cind
A = fXn+m = in+m ; Xn+m
B = fXn
= in+m 1 ; : : : ; Xn+1 = in+1 g ;
= 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) =
P (Xn = in ; Xn+1 = in+1 ; A)

=
P (Xn+1 = in+1 ; A)
P (A j Xn+1 = in+1 ; Xn = in ) P (Xn+1 = in+1 ; Xn = in )

=
P (A j Xn+1 = in+1 ) P (Xn = in )
P (Xn = in j Xn+1 = in+1 ) :
Denitia 2.6. O matrice P = (pij )i;j2I este stochastica daca
X
pij 0; 8i; j 2 I si
pij = 1; 8i 2 I:
j2I
Pentru orice m 0 e P (m) = (p (m; i; m + 1; j))i;j2I o matrice stochastica,

ale carei elemente le vom numi probabilitati de trecere intr-un pas.
Denitia 2.7. Un lant Markov (Xn ) vom spune ca este asociat matricilor
de trecere fP (m) ; m 0gdaca
P (Xm+1 = j j Xm = i) = p (m; i; m + 1; j) ; 8m; i; j;
ori de cate ori P (Xm = i) > 0:
Avind in vedere Teorema 2.4-(3), rezulta ca sirul (Xn ) este lant Markov cu
matricile de trecere P (m), daca si numai daca
11
(1.2.7)
P (X0 = i0 ; : : : ; Xn = in ) = pi0 p (0; i0 ; 1; i1 )

p (1; i1 ; 2; i2 ) : : : p (n
Notatie. Pentru orice m; n
1; in 1 ; n; in ) ,8 n; i1 ; :::; in :
0, denim matricile
P (m; m + n) = (p(m; i; m + n; j)i;j2I ;

prin relatiile
8
< I
P (m)
P (m; m + n) =
:
P (m) : : : P (m + n
daca n = 0
daca n = 1
1) daca n > 1; m
(1.2.8)
0:
Propozitia 2.8. Fie (Xn ) un lant Markov cu matricile de trecere P (m) :

Atunci:
(a) Pentru orice n; m 0 cu P (Xm = i) > 0, are loc egalitatea
P (Xn+m = j j Xm = i) = p (m; i; m + n; j) :
(1.2.9)
(b) Pentru orice m < l < n are loc relatia matriciala

P (m; m + n) = P (m; m + l) P (m + l; m + n) ;
(1.2.10)
cunoscuta sub numele de relatia Chapman-Kolmogorov, sau echivalent pe

componente,
p (m; i; m + n; j) =
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 (Xm+n = k j Xm = i) P (Xm+n+1 = j j Xm+n = k; Xm = i) =

X
k2I
P (Xm+n = k j Xm = i) P (Xm+n+1 = j j Xm+n = k) =
p (m; i; m + n; j) p (m + n; k; m + n + 1; j) = p (m; i; m + n + 1; j)
k2I
(b) Rezulta imediat din denitia matricilor P (m; m + n) :

Observatia 2.9. (1) Elementele matricii P (m; m + n) permit calculul probabilitatilor 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
n, pentru ca la momentul m + n sa e in starea j, trebuie ca procesul sa e
intr-o stare intermediara k dupa l pasi si apoi in starea j dupa n l pasi.
(3) Relatiile Chapman-Kolmogorov sunt numai necesare pentru proprietatea
Markov, dar nu sunt suciente dupa cum arata urmatorul exemplu. Fie
X1 ; X3 ; X5 ; :::: un sir de variabile aleatoare independente, identic repartizate,
asa incit
P (X2k+1 =
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
fapt ce implica ca relatia Chapman-Kolmogorov este satisfacuta. Insa (Xn )

nu este lant Markov deoarece
P (X2k+1 = 1 j X2k =
P (X2k+1 = 1 j X2k =
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)
P (Xn+1 = j j Xn = i) = p(i; j); 8n si i; j; ik 2 I;

de indata ce P (Xn = i; ::::; X0 = i0 ) > 0:
Observatia 2.11. (a) Un sir (Xn ) este lant Markov omogen cu matricea de
trecere P = (p(i; j))i;j2I daca si numai daca
P (X0 = i0 ; : : : ; Xn = in ) = pi0 p (i0 ; i1 ) :::p (in 1 ; in ) ; 8n si ik 2 I: (1.2.14)
(b) Fie (Xn ) un lant Markov omogen cu matricea de trecere P = (p(i; j))i;j2I
si e P n = (p(n; i; j))i;j2I :
Daca P (Xm = i) > 0, atunci P (Xm+n = j j Xm = i) = p (n; i; j) cu alte
cuvinte, probabilitatile de trecere in n pasi sunt date de elementele matricii
P n.
(c) Relatia Chapman-Kolmogorov in cazul omogen se scrie P n+m = P n P m
sau echivalent pe componente
14
p (m + n; i; j) =
X
k2I
p (m; i; k) p (n; k; j) ; 8i; j 2 I:
(1.2.15)
Exemple de lanturi Markov

2.12. Sume de variabile aleatoare independente (mersul la intimplare).
Fie ( ; F; P ) un cimp de probabilitate si e 1 ; :::::; n ,... un sir de variabile
aleatoare independente cu valori in Z. Consideram urmatorul sir
X0 = 0; Xn =
+ ::: +
8n
n;
(1.2.16)
1:
Atunci (Xn )n 0 este lant Markov (numit mersul la intimplare) cu spatiul

starilor Z, repartitia initiala
p0 = 1; pi = 0 daca i 6= 0
si cu matricile de trecere P (m) = P m+1 = j i i;j2Z :
In particular daca 1 ; :::::; n ; ::: sunt si identic repartizate, atunci (Xn ) este
lant Markov omogen cu matricea de trecere
(P (
=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 ) :
Daca i0 6= 0 atunci ambii membrii ai egalitatii sunt 0.

Daca i0 = 0 avem
P (X0 = 0; X1 = i1 ; : : : ; Xn = in ) = P (X1 = i1 ; : : : ; Xn = in ) =
P(
= i1 ;
P (X0 = 0) P (
= i2
= i1 ) P (
i1 ; : : : ;
2
= i2
= in
in 1 ) =
i1 ) : : : P (
= in
in 1 ) :
In cazul particular in care

P(
= 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;
Matricea de trecere este:
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
2.16. Un model din teoria rezervoarelor (modelul lui Moran)

Sa consideram un rezervor de apa cu capacitatea de m unitati. Fie n cantitatea de apa ce s-a strins in rezervor in timpul zilei (sau anului) n. Se
presupune ca ( n ) sunt variabile aleatoare independente, identic repartizate
si P ( 1 = k) = pk pentru orice k = 0; 1; :::De asemenea se presupune ca se
cunoaste o politica determinista de eliberare a apei din rezervor, in sensul
ca la momentul n + 1 se livreaza o cantitate de k-unitati de apa, exceptie
situatia cind rezervorul are mai putin de k -unitati in care caz se da drumul
intregii cantitati de apa din el.
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
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, urmatoarele cazuri de imbolnavire apar in grupuri, la intervale egale cu perioada
de incubatie.
Notam:
r = volumul populatiei considerate,
0; numarul indivizilor care devin infectiosi imediat dupa momentul
m ;m
m,
Xn ; n 0, numarul indivizilor ramasi necontaminati la momentul n.
Evident Xn = n+1 + Xn+1 :
Sansa de contaminare p > 0; p = 1 q reprezinta probabilitatea de imbolnavire la un contact intre un individ contaminat si unul santos.
Daca presupunem ca toate contactele se realizeaza independent unul de altul, probabilitatea ca i contacte sa conduca la k contaminari (k i) este
Cik pk q i k (este schema Bernoulli repetata).
Deci putem scrie
P (Xn+1 = j j Xn = i) = P
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:
este un lant Markov cu starile 0; 1; : : : ; r si matricea de trecere

1
2
0 0
1
0
0
B p
q
0
B 2
2
B p
pq
q
B
@ :::
:::
:::
r
r 1
2 r 1 2
p rp q Cr p q
0
1
2
:::
r
Probleme
::: r
::: 0
::: 0
::: 0
::: :::
: : : qr
C
C
C:
C
A
2.18. Fie ( n )n 0 un sir de variabile aleatoare independente cu valori in Z,

identic repartizate si e o constanta reala. Denim sirul (Xn )n 0 prin
X0 = 0; Xn = Xn
Sa se arate ca (Xn )n
de trecere.
n 1;
8n
1:
este lant Markov omogen si sa i se determine matricea
2.19 (lanturi Markov ramicate). Sa consideram o populatie (de exemplu

poate o populatie umana, un sistem de particule, un sistem de celule nervoase, un sistem de electroni, etc.). Fiecare membru al populatiei da nastere
intr-un interval de timp la k = 0; 1; ::: urmasi, numarul de urmasi proveniti
din ecare membru al generatiei n ind aleator si formind o familie de variabile aleatoare independente si identic repartizate. Fie Xn numarul membrilor celei de a n-a generatii. Pentru simplitate presupunem ca numarul
initial de indivizi este X0 = 1. Sa se modeleze sirul (Xn )n 0 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
P =
1
1
20
unde 0 < ;
< 1: Sa se arate ca
Pn =
1
+
)n
+ (1
2.21. Fie un lant Markov (Xn ) cu valori in Z d si cu matricea de trecere

P = (p(i; j))i;j2Z d , satisfacind p(i; j) = p(i j) pentru orice i; j (un astfel
de lant se numeste mers la intimplare laticial).
Sa se arate ca variabilele aleatoare
0
= X0 ;
= Xn
Xn 1 ; n
1;
sunt independente si identic repartizate.

2.22 (lanturi Markov comasate). Fie (Xn ) un lant Markov cu spatiul starilor
I si cu matricea de trecere P = (p(i; j))i;j2I si repartitia initiala p = (pi )i2I :
Fie (Ir )r=1;:::;l o partitie a lui I: Denim sirul (Yn ) cu spatiul starilor J =
f1; :::; lg prin
Yn = r daca Xn 2 Ir :
Pentru orice A
I notam
p(i; A) =
p(i; j):
j2A
Daca pentru orice 1

r; s
l; p(i; Is ) are aceeasi valoare q(r; s) pentru
orice i 2 Ir ; sa se arate ca (Yn ) este lant Markov cu matricea de trecere
Q = (q(r; s))r;s2J :
2.23 (lanturi Markov extinse). Fie (Xn ) un lant Markov cu spatiul starilor
I si cu matricea de trecere P = (p(i; j))i;j2I : Sa se arate ca sirul (Yn ) ; cu
spatiul starilor J = f(i; j) : p(i; j) = 0g ; denit prin
Yn = (Xn ; Xn+1 ) ; 8n
0;
este lant Markov cu mtricea de trecere

p ((i; j); (k; l)) =
jk p(j; l);
8(i; j); (k; l) 2 J:
Sa se calculeze apoi probabilitatile sale de trecere in n pasi.
1.3. PROPRIETATEA TARE MARKOV
1.3
1.3.1
21
Proprietatea tare Markov

Filtrari si optionale
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:
In continuare vom nota F1 = B ([t2T Ft ) :

Denitia 3.2. O aplicatie S :
de stopare) daca
fS
! T [f1g este Ft optionala (sau Ft -timp

tg 2 Ft ; 8t 2 T:
Pentru orice optioanala S se introduce corpul borelian

FS = fA 2 F1 : A \ fS
tg 2 Ft ; 8t 2 T g :
(1.3.1)
FS se interpreteaza ca toate evenimentele care au loc pina in momentul S.

Observatia 3.3. Nu este dicil de vazut ca in cazul T = f0; 1; :::g aplicatia
S este optionala daca si numai daca
fS = ng 2 Fn ; 8n;
si ca
FS = fA 2 F1 : A \ fS = ng 2 Fn ; 8ng :
(1.3.2)
In continuare ne vom restringe la cazul timpului discret, adica T = f0; 1; ::::g :

Propozitia 3.4. (a) Orice constanta este optionala.
(b) Daca S; T sunt optionale, atunci min (S; T ) ; max (S; T ) ; S + T sunt
optionale.
(c) Daca S; T sunt optionale si A 2 FS atunci
A \ fS
T g 2 FT :
22
In particular daca S
aplicatia
T atunci FS
SA =
FT : In plus daca A 2 FS atunci
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 (!) =
XS(!) (!) daca S (!) < 1;

0
S (!) = 1;
(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 (!) =
min fn; Xn (!) 2 Ag ;

1;
daca fn; Xn (!) 2 Ag =

6 0
in caz contrar,
(1.3.4)
este Fn -optionala (DA se numeste momentul primei intrari in A).

Demonstratie. (a) Daca S = n0 , n0 constanta, atunci
fS
ng =
(b) Pentru a arata ca fmin (S; T )

Similar
; 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 :
Pentru a arata ca suma a doua optionale este tot o optionala, se observa:

[
fS + T = ng =
(fS = kg \ fT = lg) 2 Fn :
k+l=n
k;l2N
1.3. Lanturi Markov. Proprietatea tare Markov
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 :
(d) Daca A 2 BR atunci

XS 1fS<1g 2 A \ fS = ng = fXn 2 Ag \ fS = ng 2 Fn :
(e) Avem ca
fDA = ng =
1.3.2
m<n
fXm 2
= Ag \ fXn 2 Ag 2 Fn :
Proprietatea tare Markov
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 (n; i; j) P (XS = i; A; ) = p (n; i; j) P (XS = i; A) ;

si deci
P (XS+n = j j XS = i; A) =
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)
1.3. Lanturi Markov. Proprietatea tare Markov
25
Corolarul 3.8. Daca (Xn )n 0 este lant Markov omogen cu matricea de

trecere P si S este o optionala nita, atunci (XS+n )n 0 este lant Markov
omogen cu matricea de trecere P .
Demonstratie. Daca A 2 FS+n ; atunci din (1.3.6) rezulta

P (XS+n+1 = j j XS+n = i; A) = p(i; j):
Observatia 3.9. In corolarul precedent daca optionala S nu este neaparat
nita, concluzia ramine adevarata in raport cu probabilitatea conditionata
P (: j S < 1):
Probleme
3.10 Sa se arate ca daca (Xn )n nu este lant Markov omogen concluzia
corolarului precedent poate sa nu e adevarata.
Solutie. Vom folosi urmatorul exemplu al lui Krengel.

Fie (Xn )n 0 un lant Markov neomogen cu spatiul starilor I = f0; 1g, cu
repartitia initiala p = 12 ; 12 si cu matricile de trecere
p (0; i; 1; i) = 1; p (1; i; 2; i) = 1; p (2; i; 3; i) = 1; 80
i; j
1;
si probabilitatile de trecere la celelalte momente de timp sunt luate arbitrar.

Fie S = X0 , care este Fn -optionala (deoarece fX0 = kg 2 B (X0 ; : : : ; Xk )) si
e Yn = XS+n :
Atunci
1
X
P (Y0 = 0; Y1 = 0) =
P (X0 = i; Y0 = 0; Y1 = 0) =
i=0
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

P (X1 = 0 j X0 = 0) P (X0 = 0) +
P (X2 = 0 j X1 = 0; X0 = 1) P (X0 = 1; X1 = 0) =
1
+ P (X2 = 0 j X1 = 0) P (X1 = 0 j X0 = 1) P (X0 = 1) =
2
1 1
1
1
1
+ P (X1 = 0 j X0 = 1)
= +0= :
2 2
2
2
2
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
1.4. CLASIFICAREA STARILOR UNUI LANT MARKOV
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
Clasicarea starilor unui lant Markov
Fie (Xn )n
trecere P .
Vom nota
un lant Markov omogen cu spatiul starilor I si matricea de
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 = ;
T1j astfel denit este o Fn = B (X1 ; : : : ; Xx ) optionala, deoarece

T1j = k = fX1 6= j; X2 6= j; : : : ; Xk
6= j; Xk = jg 2 Fn :
28
Evident ca T1j < 1 =

Denim
1
S
n=1
fXn = jg :
f (k; i; j) = Pi T1j = k = Pi (X1 6= j; ::; Xk

f (i; j) =
Pi T1j
<1 =
Desigur au loc egalitatile
1
X
k=1
f (i; j) = Pi
k=1
6= j; Xk = j) ;
f (k; i; j) ; i; j 2 I:
f (k; i; j) = Pi (X1 6= j; ::; Xk

1
[
6= j; Xk = j) ;
!
fXk = jg :
Rezulta ca f (k; i; j) este probabilitatea ca plecand din starea i, lantul Markov

sa e in starea j pentru prima data dupa k pasi, iar f (i; j) este probabilitatea
ca plecand din i, lantul sa e in j dupa un numar nit de pasi.
De asemenea T1j are fata de probabilitatea Pi repartitia
ff (k; i; j) : k = 1; 2; :::; 1g ;
unde
f (1; i; j) = 1
f (i; j) = Pi T1j = 1 :
Propozitia 4.1 . Au loc egalitatile

(
p (i;
P j) ;
f (k; i; j) =
p (i; l) f (k
k=1
1; l; j) ; k 2;
(1.4.1)
p (i; l) f (l; j):
(1.4.2)
l2Infjg
f (i; j) = p (i; j) +
l2Infjg
Demonstratie. Pentru k = 1 avem

f (1; i; j) = Pi T1j = 1 = Pi (X1 = j) = p(i; j):
1.4. Clasicarea starilor unui lant Markov

Pentru k
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
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 f (k; i; j) si
f (i; j) in functie de matricea de trecere a lantului.
Denitia 4.3. O stare i 2 I este recurenta daca f (i; i) = 1 si tranzienta
daca f (i; i) < 1:
Sa notam acum cu Tki cea dea k vizita in i de catre lantul (Xn ) ;deci recursiv
avem (cu conventia ca T0i = 0);
Tki =
min n > Tki

1
: Xn = i
daca
daca
n > Tki
n > Tki
1
1
Observatia 4.4. (a) Deoarece

[
Tki = n =
Tki 1 = l; Xl+1 6= i; : : : ; Xn
l<n
rezulta prin inductie ca Tki este Fn -optionala.

(b) XTki = i daca Tki < 1:
: Xn = i =
6 ;
: Xn = i = ;:
6= i; Xn = i ;
(1.4.3)
30
Lema 4.5. Pentru orice i; j 2 I; k1 :::; ; kn

Tnj
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)
f (k1 ; i; j)f (k2 ; j; j)::::f (kn ; j; j):

In particular evenimentele
T1j < 1 ; T2j
T1j < 1 ; :::; Tnj
Tnj
< 1 ; :::
sunt independente fata de Pi :

Demonstratie. Fie Yk = XT j
n 1 +k
Pi Tnj
Tnj
;k
0: Atunci avem
= kn = Pi (Y0 = j; Y1 6= j; :::; Ykn
Pj (Y1 6= j; :::; Ykn
6= j; Ykn = j) =
6= j; Ykn = j) = f (kn ; j; j):
Apoi utilizind din nou proprietatea tare Markov se obtine

Pi T1j = k1 ; T2j
Pi Tnj
Tnj
= kn j Tnj
Pi Tnj
f (kn ; j; j)Pi Tnj
T1j = k2 ; :::; Tnj

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 =
::: = f (kn ; j; j)f (kn 1 ; j; j):::f (k2 ; j; j)f (k1 ; i; j):

Teorema 4:6 (Teorema primei intrari ): Oricare ar starile i si j si numarul
natural n, avem
p (n; i; j) =
n
X
f (m; i; j) p (n
m; j; j) :
m=1
Demonstratie. Putem scrie
p (n; i; j) = Pi
n
[
m=1
T1j
= m; Xn = j
(1.4.6)

n
X
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
1
= j j XT j = j; T1j = m =
m=1
n
X
m=1
n
X
f (m; i; j) p (n
= j j XT j = j
1
m; j; j) :
m=1
Teorema 4.7 (criteriu de recurenta). O stare i este recurenta (resp.

tranzienta) daca si numai daca
1
X
n=1
p(n; i; i) = 1 (resp:
1
X
n=1
p(n; i; i) < 1):
In plus in cazul in care i este tranzienta are loc egalitatea

1
X
p(n; i; i) =
n=1
1
:
f (i; i)
(1.4.7)
Demonstratie. Consideram functiile generatoare

Pij (z) =
1
X
p(n; i; j)z n ; Fij (z) =
n=0
n=0
unde p(0; i; j) =
rezulta ca
ij ;
1
X
f (n; i; j)z n ; 8 jzj
f (0; i; j) = 0: Din Teorema primei intrari (Teorema 4.6)
Pii (z) = 1 +
1 X
n
X
f (k; i; i)z k p(n
k; i; i)z n
n=1 k=1
1+
1 X
1
X
f (k; i; i)z k p(n
k; i; i)z n
k=1 n=k
1+
1;
1
X
k=1
f (k; i; i)z k Pii (z) = 1 + Pii (z)Fii (z);
32
si prin urmare
1
:
1 Fii (z)
Daca i este recurenta atunci utilizind Lema lui Abel rezulta ca
Pii (z) =
1
X
lim Fii (z) =
z%1
(1.4.8)
f (n; i; i) = 1;
n=1
si atunci (1.4.8) implica

lim Pii (z) =
z%1
1
X
n=0
p(n; i; i) = 1:
Daca i este tranzienta atunci

lim Fii (z) =
z%1
1
X
f (n; i; i) < 1
n=1
si deci din nou din (1.4.8)

lim Pii (z) =
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
si deci limn!1 p(n; i; j) = 0:

(b) Daca multimea starilor este nita atuncu lantul Markov nu poate avea
toate starile tranziente.
Demonstratie. (a) Cazul i = j rezulta din Teorema 4.6. Daca i 6= j atunci
ca in Teorema 4.7 rezulta ca are loc egalitatea
Pij (z) = Pjj (z)Fij (z);
de unde obtinem
1
X
n=1
p(n; i; j) = lim Pij (z) = lim Pjj (z) lim Fij (z)
z%1
z%1
z%1

= f (i; j)
1
X
n=1
33
p(n; j; j) < 1:
(b) Daca toate starile ar tranziente, atunci din egalitatea

X
p(n; i; j) = 1;
j2I
am obtine prin trecere la limita si prin folosirea punctului (a) ca

X
X
0=
lim p(n; i; j) = lim
p(n; i; j) = 1;
j2I
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
Propozitia 4.9. Avem
Pj (Nj = k) = f (j; j)k
[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)
Demonstratie. Are loc egalitatea evidenta

j
fNj = kg = T1j < 1; : : : ; Tkj < 1; Tk+1
=1 =
T1j < 1; T2j
T1j < 1; : : : ; Tkj
Tkj
j
< 1; Tk+1
Tkj = 1 :
Dar potrivit Lemei 4.5 evenimentele

T1j < 1 ; T2j
T1j < 1 ; : : : ; Tkj
Tkj
j
< 1 ; Tk+1
sunt independente in raport cu Pi si cu probabilitatile

f (i; j) ; f (j; j) ; : : : ; f (j; j) ; 1
f (j; j) ;
Tkj = 1
34
de unde rezulta usor concluzia propozitiei.

Propozitia 4.10. Pentru orice i,j au loc relatiile
Pi (Nj < 1) =
Mi (Nj ) =
(conventia este ca
1
0
1 daca f (j; j) < 1;

0 daca f (j; j) = 1:
1
1 f (j;j)
f (i;j)
1 f (j;j)
daca i = j,
daca i 6= j,
(1.4.11)
(1.4.12)
= 1 si 0.1 = 0):
Demonstratie. Relatia (1.4.11) rezulta din (1.4.9), (1.4.10) prin insumare

dupa k.
Daca f (j; j) = 1 atunci Pj (Nj = 1) = 1, fapt ce implica egalitatea Mj (Nj ) =
1:
Daca f (j; j) < 1 atunci din (1.4.9) obtinem
Mj (Nj ) =
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)]
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) Mj (Nj )=1 (resp. Mj (Nj ) < 1):
(c) P j (Nj = 1) = 1 (resp. Pj (Nj < 1) = 1):
Denitia 4.12. Matricea R = (r(i; j))i;j2I cu elementele r(i; j) = Mi (Nj )
se numeste matricea potential a lantului (Xn ) :
Denitia 4.13. Vom spune ca starea j este accesibila din starea i si vom
scrie i ! j daca exista n 0 astfel incat p (n; i; j) > 0; sau echivalent daca
f (i; j) > 0:
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)
p (m; i; j) p (n; j; k) > 0;
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
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 ! j atunci j ! i si f (i; j) = f (j; i) = 1: In
particular si j este recurenta.
Demonstratie. (a) Fie C o clasa de stari, i; j 2 C; i recurenta. Prin ipoteza
i $ j; deci exista m; n 0 astfel incit a = p(m; i; j) > 0; b = p(n; j; i) > 0:
Atunci, din relatia Chapman-Kolmogorov, rezulta ca pentru orice l
1 se
are
p(m + n + l; j; j) p(n; j; i)p(l; i; i)p(m; i; j) = abp(l; i; i);
P1
P
si intrucit 1
l=1 p(l; j; j) = 1 fapt
l=1 p(l; i; i) = 1 (Teorema 4.7) avem si
ce implica prin Teorema 4.7 ca j este recurenta.
(b) Prin ipoteza (vezi Corolarul 4.11-(c)) exista n 0 asa incit p(n; i; j) > 0
si
Pi (Ni = 1) = 1:
Atunci daca am presupune ca f (j; i) < 1 vom obtine
1 = Pi (Ni = 1)
X
k2I
Pi (Xn = k; [l>n fXl = ig) =
Pi (Xn = k) Pi
k2I
Pi ([l>n fXl = ig) =
l>n
X
k2I
fXl = ig j Xn = k
p(n; i; k)f (k; i) <
p(n; i; k) = 1;
k2I
deci o contradictie. Rezulta ca f (j; i) = 1 si cu aceasta armatia este demonstrata.

Propozitia 4.20. Pentru orice stare recurenta i, exista o multime C(i)
inchisa si ireductibila de stari recurente astfel incat i 2 C(i):
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
unde P1 ; P2 ; : : : ;sunt matricile stochastice corespunzatoare multimilor de stari

C1 ; C2 ; : : : ; iar Q corespunde starilor tranziente.
Demonstratie. Fie i o stare recurenta si e conform propozitiei precedente
C1 = C (i). Se considera apoi j 2
= C1 si C2 = C (j) si asa mai departe. Se
vede ca Cm \ Cn = ; daca m 6= n pentru ca in caz contrar ar avea o stare
comuna, prin intermediul careia starile din Cm si Cn ar comunica , ceea ce
nu se poate.
Fie C10 ; :::; o alta descompunere ca in enuntul teoremei si e i 2 C10 : Atunci
i 2 Cn pentru un anumit n. Probam ca C10 = C(n): Fie pentru aceasta
j 2 C10 : Atunci j $ i si intrucit i 2 Cn rezulta ca j 2 Cn deoarece Cn este
inchisa. Incluziunea inversa se arata similar.
Denitia 4.22. Pentru o stare i pentru care p (n; i; i) > 0 pentru un n
1, denim perioada d (i) ca ind egala cu cel mai mare divizor comun al
numerelor n 1 pentru care p (n; 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
Daca p (n; i; i) = 0 pentru orice n
1, atunci punem prin denitie d (i) = 1:
Teorema 4.23. Proprietatea de a avea o perioada d este o proprietate de

clasa.
Demonstratie: Fie i; j cu i $ j. Deci d (i) < 1; d (j) < 1:
Fie l 1 si m; n 0 asa incat
p (l; i; i) > 0; p (m; i; j) > 0; p (n; j; i) > 0:
Atunci si
p (m + n + l; j; j)
p (n; j; i) p (l; i; i) p (m; i; j) > 0
si deci in general
p (m + n + kl; j; j) > 0; 8k
1:
Rezulta ca d (j) j m + n + 2l (m + n + l) = l si ca atare d(j) d(i): Prin

simetrie rezulta si ca d(i) d(j):
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 R =
(r(i; j))i;j2I si a matricii F = (f (i; j))i;j2I :
(A) Calculul matricii R.
(a 1 ) Daca o stare j este recurenta atunci f (j; j) = 1 si din Corolarul 4.11
r(i; j) = 1: In plus daca i ! j; i 6= j; atunci f (i; j) > 0 si din Propozitia
4.10 rezulta ca r(i; j) = 1: Pe de alta parte daca j nu este accesibila din i
atunci f (i; j) = 0 si deci r(i; j) = 0 conform Propozitiei 4.10.
Cele de mai sus arata ca daca i este recurenta atunci
r(i; j) =
0 daca f (i; j) = 0
1 daca f (i; j) > 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 f (i; j) = 0 si ca atare r(i; j) = 0:
39
(a 3 ) Ramine de studiat cazul cind ambele stari i; j sunt tranziente. In acest

caz e D multimea starilor tranziente, Q =(q(i; j))i;j2D si S = (s(i; j))i;j2D
matricile obtinute din P si R prin retinerea liniilor si coloanelor corespunzatoare starilor tranziente.
Intii sa observam ca
1
1
1
X
X
X
r(i; j) = Mi (
1fXn =jg ) =
Pi (Xn = j) =
p(n; i; j):
n=0
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
si prin urmare pentru orice n are loc egalitatea

Pn =
Kn 0
Ln Qn
fapt ce impreuna cu (1.4.13) implica egalitatea

P1
K n 0P
2
R = I + P + P + ::: = Pn=0
1
1
n
n=0 Q
n=0 Ln
si deci
S=
1
X
Qn :
n=0
Ultima egalitate spune ca
SQ = QS = Q = Q2 + ::: = S
I;
adica
(I
Q) S = I; S (I
Q) = I:
(1.4.14)
In particular (1.4.14) implica urmatoarea propozitie:

Propozitia 4.25. Daca multimea starilor tranziente D este nita atunci
S = (I Q) 1 :
In general avem urmatorul rezultat:
40
Teorema 4.26. S este solutia minimala a sistemului

(I
Q) Y = I; Y
(1.4.15)
0:
Demonstratie. Din (1.4.14) rezulta ca S satisfaca (1.4.15). Fie Y o alta

solutie. Atunci
Y = I + QY = I + Q (I + QY ) = I + Q + Q2 Y =
n
n+1
I + Q + ::: + Q + Q
n
X
Qm ;
(1.4.16)
m=0
deoarece Q; Y
0: Prin trecere la limita in (1.4.16) rezulta ca Y
S:
(B) Calculul matricii F

(b 1 ) Daca i,j sunt stari recurente si sunt in aceeasi clasa inchisa si ireductibila,
atunci f (i; j) = 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 f (i; j) = 0:
(b 3 ) Daca i si j sunt tranziente atunci r(i; j) < 1 si din Propozitia 4.10
obtinem
r(i; j)
1
; f (i; j) =
daca i 6= j:
f (j; j) = 1
r(j; j)
r(j; j)
(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
f (i; j) = f (i; k); 8j; k 2 C:
Demonstratie. Din Teorema 4.19-(b) rezulta ca
f (j; k) = f (k; j) = 1; 8j; k 2 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 f (i; j) = f (i; k) si ca reprezinta probabilitatea ca plecind din i lantul sa viziteze C.
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:
Probabilitatea de a vizita starea absorbanta j din starea tranzienta i de lantul

cu matricea de trecere P^ este aceeasi cu probabilitatea de a vizita Cj din i
de catre lantul cu matricea de trecere P:
Daca denim matricea B cu coloanele b1 ; ::::; adica
X
p(i; k); i 2 D; j = 1; 2; :::;
b(i; j) =
k2Cj
atunci
P^ =
I 0
B Q
si deci
P^ n =
I
0
Bn Qn
unde Bn = (I + Q + ::: + Qn+1 ) B:

Numarul bn (i; j) reprezinta probabilitatea ca plecind din i, lantul sa viziteze
Cj inainte sau exact la pasul n.
Daca denim
!
1
X
k
G = lim Bn =
Q B = SB;
n!1
k=0
42
atunci elementul g(i; j) al lui G reprezinta probabilitatea de a vizita Cj din

starea tranzienta i.
Am obtinut astfel:
Teorema 4.28. Fie Q matricea obtinuta din matricea de trecere P prin
retinerea elementelor corespunzatoare starilor tranziente si B denita anterior. Fie i o stare tranzienta, Cj o clasa recurenta si e matricea S data de
Teorema 4.26 si G = SB: Atunci avem ca
g(i; j) = f (i; k); 8k 2 Cj :
Probleme
4.29. Fie lantul Markov cu starile f1; 2; :::; 6g si matricea de trecere
1
0 1 1
0 0 0 0
2
2
B 1 3 0 0 0 0 C
C
B 41 41 1 1
C
B
0
0
C
B 41 4 41 41
1 C:
B
B 4 0 4 4 01 41 C
A
@ 0 0 0 0
2
2
1
1
0 0 0 0 2 2
Sa se determine starile recurente, tranziente si perioadele lor ( pe scurt vom

zice sa se clasice starile) si sa se calculeze probabilitatile f (n; i; j):
Solutie. In primul rind sa observam ca starile au toate perioada 1 deoarece
p(i; i) > 0 pentru orice i. Apoi starile se partitioneaza in clasele ireductibile
si inchise
C1 = f1; 2g ; C2 = f5; 6g ; D = f3; 4g :
Din structura matricii de trecere se obtine ca
f (n; 1; 1) =
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
fapt ce arata ca starea 1(deci si 2) este recurenta.
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;
si deci f (5; 5) = 1;fapt ce arata ca starea 5(deci si 6) este recurenta.

Starile din D sunt tranziente deoarece 3 ! 4 ! 6 si intoarcerea din 6 este
imposibila.
4.30. Fie mersul la intimplare (Xn ) cu starile I = f0; 1; :::; n; :::g si
matricea de trecere P = (p(i; j))i;j2I ; unde
1) = q; p(i; j) = 0 daca j 6= i
p(i; i + 1) = p; p(i; i
1; i + 1:
unde 0 < p < 1; q = 1 p: Sa se arate ca:

(a) lantul este ireductibil si de perioada 2.
(b) lantul este recurent daca p = q = 21 si tranzient daca p 6= q:
Solutie.(a) Fie i < j doua stari ale lantului. Din structura matricii de trecere
se vede ca i ! i + 1 ! ::: ! j , deci i ! j si j ! j 1 ! ::: ! i; deci
j ! i: Prin urmare toate starile comunica intre ele si ca atare lantul este
ireductibil.
Stim ca
Xn = 1 + ::: + n ; 8n 1;
unde ( n ) sunt variabile aleatoare independente, identic repartizate, asa incit
P(
= 1) = p; P (
1) = q; 8n:
Este clar ca p(2n + 1; i; i) = 0: Apoi

p(2n; i; i) = P (X2n = i j X0 = i) =
P [L
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
Calculul precedent arata ca d(i) = 2:

(b) Vom folosi dezvoltarea in serie
1
X
n=0
n n
x =p
C2n
1
1
4x
; 80
1
x< :
4
Sa presupunem ca p 6= q; deci ca x = pq < 14 : Pentru acest x seria precedenta

si calculul din punctul (a), implica egalitatea
1
X
n=0
p(2n; i; i) = p
1
1
4p (1
p)
1
j1
2pj
si conform cu Teoremele 4.7 si 4.19-(a) obtinem ca toate starile sunt tranziente.

Sa presupunem acum ca p = q = 21 : Atunci din Lema lui Abel obtinem ca
lim
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

de unde daca p 6= 12 :
r(i; j) =
(2p
si daca p =
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
Probabilitatea de ruinare a jucatorului A este f (a; 0); care conform Teoremei

4.28 este data de
f (a; 0) = g(a; 0) =
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
iar probabilitatea de ruinare a lui B este f (a; l) = 1
f (a; 0):
4.32. Fie un mers la intimplare (Xn )n denit de sirul de variabile aleatoare

independente si identic repartizate ( n )n ; unde
P(
= 1) = p; P (
= 2) = q = 1
p; 0 < p < 1:
Sa se arate ca (Xn )n este tranzient si sa se calculeze matricile R si F:
46
4.33 Pentru lantul Markov cu starile I = f1; 2; 3; 4g si matricea de trecere

0
1
0
p
0
1 p
B 1 p
0
p
0 C
B
C
@ 0
1 p
0
p A
p
0
1 p
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 I = f1; :::; 5g si matricea de

trecere
0
1
0 0; 5 0; 5 0
0
B 0 0
0 0; 2 0; 8 C
B
C
B 0 0
C
0
0;
4
0;
6
B
C
@ 1 0
0
0
0 A
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 T1i momentul primei vizite in i.

Denitia 5.1. Se deneste timpul mediu de recurenta al starii i prin
P1
i
n=1 nf (n; i; i) daca i este recurenta,
(1.5.1)
i = Ei (T1 ) =
1
daca i este tranzienta.
Desigur
poate innit chiar daca i este recurenta.
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
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 (Xn )n este stationar daca pentru orice
m
1 procesele (Xn )n ; (Xn+m )n sunt echivalente sau echivalent daca au
aceleasi repartitii nit dimensionale.
Daca multimea starilor I este cel mult numarabila, atunci (Xn )n este stationar daca si numai daca pentru orice m 1; n 0 si i0 ; :::; in 2 I are loc
egalitatea
P (X0 = i0 ; :::; Xn = in ) = P (Xm = i0 ; :::; Xn+m = in ) :
(1.5.3)
Teorema 5.5. Fie (Xn )n un lant Markov cu matricea de trecere P , repartitia

(m)
initiala p = (pi )i2I si e pj = P (Xm = j); j 2 I:
Atunci urmatoarele armatii sunt echivalente:
(a) (Xn )n este stationar.
(b) Pentru orice m 1,
(m)
pj = pj ; 8j 2 I:
(c) p este o repartitie stationara a lantului.
Demonstratie. (a)) (b) Este imediata.
(b)) (c) Intii sa observam ca intotdeauna are loc egalitatea
X
X
P (Xm = j) =
P (X0 = i)P (Xm = j j X0 = i) =
p(m; i; j)pi : (1.5.4)
i2I
i2I
Tinind cont de ipoteza (1.5.4) devine

X
pj =
p(m; i; j)pi ; 8m
1;
i2I
si in particular luind m = 1 obtinem ca p este repartitie stationara a lantului.

(c)) (a) Avem ca
P (Xm = i0 ; :::; Xn+m = in ) = P (Xn+m = in j Xn+m
P (Xn+m
= in 1 ; :::; Xm = i0 )
= in 1 ; :::; Xm = i0 ) =
p(in 1 ; in )P (Xn+m
= in 1 ; :::; Xm = i0 ) =
48
p(in 1 ; in )::::p(i0 ; i1 )P (Xm = i0 ) = pi0 p(i0 ; i1 )::::p(in 1 ; in ); 8m
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 p(n; i; j). 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 p(n; i; j) = 0; 8i 2 I:
n!1
(1.5.5)
(b) Daca starea j este recurenta si de perioada d(j), atunci

lim p(nd(j); i; j) =
d(j)f (i; j)
n!1
; 8i 2 I:
(1.5.6)
Observatia 5.8. In teorema precedenta nu este adevarat in general ca

intregul sir p(n; j; 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 $ j si i este recurenta nula.
Alegem numerele naturale r; s asa incit p(r; j; i) > 0; p(s; i; j) > 0: Atunci
d(i) = d(j);
p (rd(i); j; i)
p(r; j; i)p ((r
1)d(i); i; i) > 0;
p (sd(i); i; j)
p(s; i; j)p((s
1)d(i); j; j) > 0;
si din Teorema 5.7-(b) rezulta ca p(nd(i); i; i) ! 0: Daca notam

0;atunci avem pentru orice n,
p ((n + r + s) d(i); i; i)
= p (rd(i); j; i) p (sd(i); i; j) >
49
p(sd(i); i; j)p(nd(i); j; j)p(rd(i); j; i) = p(nd(i); j; j);

sau tinind cont ca (vezi Teorema 5.7)
lim p(nd(j); j; j) =
d(j)
n!1
= lim p ((n + r + s) d(i); i; i) = 0

n!1
deducem ca j = 0: Prin complementaritate rezulta armatia si pentru recurenta 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 (Xn )n un lant Markov ireductibil si neperiodic cu matricea de trecere P = (p(i; j))i;j2I . Atunci exista o repartitie stationara daca
si numai daca toate starile sunt recurente nenule. Daca exista o repartitie
stationara = ( i )i2I atunci i > 0 pentru orice i, este unica repartitie
stationara si
j = lim p (n; ; j; j) ; 8i; j 2 I:
n!1
Demonstratie. Sa presupunem ca toate starile sunt recurente nenule. Atunci

din Teorema 4.19-(b) rezulta ca f (i; j) = 1;pentru orice i; j 2 I; iar din Teorema 5.7-(b)
1 not:
= j > 0; 8i; j 2 I:
lim p(n; i; j) =
n!1
Din Lema lui Fatou obtinem ca j2I j 1: Vom arata ca

repartitie stationara. Probam intii ca
X
k p(k; j) = j ; 8j 2 I:
= ( j )j2I este
(1.5.7)
k2I
Fie pentru aceasta J
I; J nita. Atunci
X
p(n + 1; i; j) =
p(n; i; k)p(k; j)
k2I
p(n; i; k)p(k; j);
k2J
de unde la limita se obtine ca

j
X
k2J
k p(k; j):
(1.5.8)
50
Alegem acuma un sir crescator de multimi nite Jn asa incit [n Jn = I:

Aplicind (1.5.8) pentru ecare Jn si trecind la limita vom obtina ca
X
j
k p(k; j); 8j 2 I:
k2I
Daca prin absurd inegalitatea precedenta ar stricta pentru un anumit j

atunci am avea
X
XX
X X
X
1
>
p(k;
j)
=
p(k;
j)
=
j
k
k
k;
j2I
j2I k2I
k2I
j2I
k2I
ceea ce este imposibil. Prin urmare se indeplineste (1.5.7). Iterind (1.5.7)

ajungem la
X
k p(n; k; j) = j ; 8j 2 I;
k2I
de unde prin teorema de convergenta dominata obtinem ca

X
k j = j ; 8j 2 I;
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
de unde prin trecere la limita si utilizarea teoremei de convergenta dominata

si a Teoremei 5.7, obtinem
X
=
j
k lim p(n; k; j) = 0; 8j 2 I;
k2I
fapt ce contrazice egalitatea
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
Teorema 5.12. Daca (Xn ) este un lant Markov ireductibil, neperiodic si cu

multimea starilor nita, atunci sistemul
P = ;
1 = 1;
0;
are o solutie unica, cu alte cuvinte exista o unica repartitie stationara. In

plus i = 1 > 0 pentru orice i si
i
= lim p(n; i; j); 8i; j 2 I:

n!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 Grimmetts-Stirzaker [9]).
Teorema 5.13. Fie (Xn ) un lant Markov ireductibil cu matricea de trecere
P = (p(i; j))i;j2I si e s 2 I o stare arbitrara: Atunci:
(a) Lantul este tranzient daca si numai daca exista o solutie nenula fyj gj6=i
a sistemului
X
yi =
p(i; j)yj ; 8i 6= s;
j6=s
ce satisface jyj j 1 pentru orice j 2 I:

(b) Daca I = f0; 1; :::g ; atunci lantul este recurent daca exista o solutie
fyj gj6=i a sistemului de inecuatii
yi
X
j6=s
p(i; j)yj ; 8i 6= s;
52
asa incit limi!1 yi = 1:

Probleme
5.14. Fie mersul la intimplare cu multimea starilor f0; 1; :::; lg si cu matricea
de trecere0
1
0
r0 p 0 0
0 ::: 0
0
0
B q1 r1 p1 0 ::: 0
C
1
0
0
B
C
B
C
2
0
0
B 0 q2 r2 p2 ::: 0
C
B : : : : : : : : : 0 ::: : : : : : : : : : C
:::
B
C
l 1 @ 0 0 0
0 ::: ql 1 rl 1 pl 1 A
l
0 0 0
0 ::: 0
ql
rl
unde
pi qi + ri = 1; 82 i l 1;
p0 + q0 = pl + ql = 1:
pi ; qi > 0; 80
l;
l
X
ri > 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 = P , unde = ( i )0 i l devine
8
<
:
0 r0
i
l
+ 1 q1
1 p i 1 + i ri +
1 p l 1 + l rl
a carui solutie este

i
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)
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
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) =
0 daca n este impar,

1 daca n este par,
de unde concluzia rezulta usor.

5.16. Pentru lantul Markov din Problema 4.34 sa se ae repartitia stationara.
Solutie. Sistemul de ecuatii
8
>
>
<
>
>
:
care impreuna cu conditia
= 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
5.17. Fie lantul Markov cu starile 0,1si matricea de trecere

P =
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
Aplicatie. Daca intr-o zi ploua, a doua zi va senin cu probabilitatea ;iar

daca este senin, a doua zi va ploua cu probabilitatea : Cum va vremea
peste un an?
Solutie. (a) Sistemul
= P si conditia
0
0+
= 1 dau repartitia stationara
(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;
p(365; 0; 1); p(365; 1; 1)
Deci peste un an va ploua cu probabilitatea

1:
1:
si va senin cunprobabilitatea
5.18. Fie lantul Markov cu starile I = f0; 1; :::g si matricea de trecere

p(i; i + 1) = p; 8i
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. LANTURI MARKOV FINITE
1.6
55
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
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;
are o solutie unica, cu alte cuvinte exista o unica repartitie stationara. In

plus > 0 si
j = lim p(n; i; j); 8i; j 2 I;
n!1
(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
e ai = (aji )1 j r (resp. bi = (bij )1 j r un vector propriu la dreapta (resp. la

stinga) asociat lui i asa incit hai ; bi i = 1 pentru orice i:
Daca denim matricile ( i )1 i r prin i = ai bi ; atunci pentru orice n 1 are
loc egalitatea
r
X
n
n
(1.6.1)
P =
i i:
i=1
Demonstratie. Fie matricile

A = (aij )1
i;j r
; B = (bij )1
i;j r
=(
i ij )1 i;j r
Egalitatile hai ; bi i = 1 pentru orice i se scriu matricial ca BA = I; iar egalitatile

P ai = i ai ; bi P = i bi ; 8i;
se scriu matricial sub forma
(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;
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
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;
1.6. Lanturi Markov nite

deci
P 2k
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
Deoarece p(2k; i; i) > 0 pentru oric k 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
0
1 0 0
P = @ 41 21 14 A :
0 0 1
si sa se calculeze repartitia stationara.
6.6. Pentru lantul Markov cu starile 1; 2; 3 si matricea de trecere

0
1
1 p
p
0
1 p
p A
P =@ 0
p
0
1 p
sa se arate ca
1
a1n a2n a3n
P n = @ a3n a1n a2n A
a2n a3n a1n
unde a1n + za2n + z 2 a3n = (1

a unitatii.
p + p!)n ; z ind o radacina cubica complexa
58
1.7
Procese Markov cu timp continuu si

multime cel mult numarabila de stari
Fie (Xt )t2R+ un proces stochastic cu spatiul de baza ( ; F; P ) si cu spatiul

starilor (I; P (I)), unde I este o multime cel mult numarabila.
Denitia 7.1. Vom spune ca procesul (Xt )t2R+ este proces Markov daca
pentru orice 0 t0 < t1 <; : : : ; < tn+1 ; i0 ; : : : ; in 2 I are loc urmatoarea
egalitate cunoscuta sub numele de proprietate Markov
P Xtn+1 = in+1 jXtn = in ; : : : ; Xt0 = i0 j = P (Xtn+1 = in+1 j Xtn = in ;
(1.7.1)
de indata ce P (Xtn = in ; : : : ; Xt0 = i0 ) > 0:
Urmatoarea teorema se demonstreaza la fel ca Teorema 2.4.
Teorema 7.2. Urmatoarele armatii sunt echivalente:
(1) (Xt )t2R+ este proces Markov.
(2) Pentru orice n; m si 0 t0 < t1 <; : : : ; < tn+m , i0 ; : : : ; in+m 2 I ,
P Xtn+m = in+m ; : : : ; Xtn+1 = in+1 j Xtn = in ; : : : ; Xt0 = i0 =
P Xtn+m = in+m ; : : : ; Xtn+1 = in+1 j Xtn = in ;
de indata ce P (Xtn = in ; : : : ; Xt0 = i0 ) > 0:
(3) Pentru orice t 0; A 2 B (Xu ; u t) ; B 2 B (Xu ; u
P (A j Xt = i; B) = P (A j Xt = i) ; 8i 2 I;
(1.7.2)
t) ;
(1.7.3)
de indata ce P (Xt = i) > 0:

Denitia 7.3. Pentru orice 0 s < t e P (s; t) = (pij (s; t))i;j2I o matrice
stochastica. Vom spune ca familia fP (s; t)gs<t este semigrup de trecere, daca
are loc urmatoarea proprietate, cunoscuta sub numele de relatia ChapmanKolmogorov:
1.7. Procese Markov cu timp continuu
59
P (s; u) = P (s; t) P (t; u) ; 8s < t < u;
(1.7.4)
(1.7.5)
echivalent
pi;j (s; u) =
k2I
pi;k (s; t) pk;j (t; u) ; 8i; j 2 I; s < t < u:
Elementele pi;j (s; t) se numesc probabilitati de trecere.

Denitia 7.4. Un proces Markov (Xt )t2R+ vom spune ca este asociat semigrupului P (s; t) sau ca (Xt )t2R+ are P (s; t) ca semigrup de trecere, daca
P (Xt = j j Xs = i) = pi;j (s; t) ; 8i; j 2 I; s < t;
(1.7.6)
ori de cate ori P (Xs = i) > 0:

Observatia 7.5. Daca (Xt ) este un proces Markov si daca pentru s < t,
P (s; t) = (pi;j (s; t))i;j2I este o matrice stochastica pentru care egalitatea
(1.7.6) are loc, atunci are loc relatia Chapman-Kolmogorov daca P (Xs = i) >
0:
Intr-adevar avem
X
X
P (Xt = k j Xs = i) P (Xu = j j Xt = k) =
pi;k (s; t) pk;j (t; u) =
k2I
k2I
X
k2I
X
k2I
P (Xt = k j Xs = i) P (Xu = j j Xt = k; Xs = i) =
P (Xt = k; Xu = j j Xs = i) = P (Xu = j j Xs = i) = pi;j (s; u) :
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)
In continuare, vom deduce cunoscutele ecuatii diferentiale ale lui Kolmogorov,

care permit determinarea probabilitatilor de trecere.
Teorema 7.7. Fie semigrupul de trecere P (s; t) = (pi;j (s; t))i;j2I ce satisface
urmatoarele conditii:
(1) lim pi;j (s; t) = lim pi;j (s; t) = ij ; 8i; j 2 I:
s%t
(2) Limitele lim
t&s
pi;j (s;s+ )
!0
ij
= qij (s) exista si sunt nite, uniform in raport
cu ecare dintre variabilele i; j 2 I:

Matricile Q (s) = (qij (s))i;j2I se numesc Q-matricile (sau generatorul innitezimal) semigrupului de trecere. Denim
8
>
<
>
:
(s) = (qii (s) ;
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
(t) pi;j (s; t) +
k2I
(t)
kj
(t) pik (s; t) , 8i; j 2 I; t > s;

(1.7.8)
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
"
(s) pi;j (s; t)
k2I
61
ik
(s) pkj (s; t) ; 8i; j 2 I; s < t;

(1.7.9)
pi;j (t; t) := lim pi;j (s; t) =
s%t
ij :
Demonstratie. (a) Din relatia Chapman-Kolmogorov avem

X
pi;j (s; t + ) =
pik (s; t) pkj (s; t + ) ;
k2I
deci
pij (s; t + )
pi;j (s; t) =
[pkj (s; t) pkj (t; t + )
kj pkj
(s; t)] ;
k2I
[pij (s; t + )
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)
pij (s; t)] =
X1
[pij (s; s + )
ik ]
pkj (s + ; t) ;
k2I
si trecand la limita obtinem ecuatiile lui Kolmogorov inverse.

Observatia 7.8. Ecuatiile lui Kolmogorov se mai pot scrie sub forma
@pij (s; t)
=
@s
X
k2I
qik (s) pkj (s; t) ; 8i; j 2 I; s < t;
@pij (s; t) X
=
pik (s; t) qkj (t) ; 8i; j 2 I; s < t:
@t
k2I
(1.7.10)
(1.7.11)
62
Vom introduce in continuare conceptul de proces Markov omogen

Fie pentru orice t > 0 o matrice stochastica P (t) = (pij (t))i;j2I :
Denitia 7.8. Vom spune ca familia fP (t)gt>0 formeaza un semigrup a trecere omogen daca este indeplinita urmatoarea relatie Chapman-Kolmogorov:
P (s + t) = P (s) P (t) ; 8s; t > 0;
(1.7.12)
sau echivalent, daca

pij (s + t) =
X
k2I
pik (s) pkj (t) ; 8s; t > 0; i; j 2 I
(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
de indata ce P (Xt0 = i0 ; : : : ; Xtn
= in 1 ; : : : ; Xt0 = i0 =
1
1
= pin
1 ;in
(tn
tn 1 ) ;
(1.7.15)
= in 1 ) > 0
Propozitia 7.10. Pentru orice t > 0, e P (t) = (pij (t))i;j2I o matrice. Sa

presupunem ca procesul stochastic (Xt )t 0 satisface urmatoarele doua conditii:
(a) Pentru orice i 2 I exista t > 0 astfel incit P (Xt = i) > 0:
(b) Pentru orice t0 < t1 < : : : < tn ; i0 ; i1 ; :::in 2 I are loc egalitatea:
(1.7.16)
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 =
P Xtn+1 = j; Xtn = i; Xtn 1 = in 1 ; : : : ; Xt0 = i0

=
P Xtn = i; Xtn 1 = in 1 ; : : : ; Xt0 = i0
P (Xt0 = i0 ) pi0 i1 (t1 t0 ) : : : pin ;in 1 (tn tn 1 ) pij (tn+1
P (Xt0 = i0 ) pi0 i1 (t1 t0 ) : : : pin ;in 1 (tn tn 1 )
= pij (tn+1
tn )
tn ) :
Mai departe
X
i0 ;:::;in
P Xtn+1 = j j Xtn = i =
1 2I
i0 ;:::;in
pij (tn+1
P Xtn+1 = j j Xtn = i; Xtn

P Xtn
pij (tn+1
1 2I
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 j Xt = i) P (Xt+s+v = j j Xt+s = k; Xt = i) =
P (Xt+s =k)>0
pik (s) P (Xt+s+v = j j Xt+s = k) =
k2I
P (Xt+s =k)>0
pik (s) pkj (v)
k2I
deoarece, daca P (Xt+s = k) = 0 , atunci

pik (s) = P (Xt+s = k j Xt = i) = 0:
Denitia 7.11. Un semigrup de trecere omogen P (t) vom spune ca este
standard, daca lim P (t) = I:
t!0
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; j, intotdeauna exista limita:
pij (h)
ij
h
Daca i 6= j atunci qij < 1; iar qii sunt nite sau qii =
Intotdeauna are loc inegalitatea
X
qij
qii :
qij = lim
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
atunci P (t) verica ecuatiile lui Kolmogorov inverse

X
0
pi;j (t) =
qirj pr;j (t) ; 8i; j 2 I;
r2I
(1.7.17)
1.8. PROCESUL POISSON
65
sau echivalent
0
P (t) = QP (t) ;
pi;j (0) := lim pij (t) =
In plus daca
t!0
ij :
1, atunci P (t) verica si ecuatiile lui Kol-
pir (t) qrr >
r2I
mogorov directe
pi;j (t) =
X
r2I
sau echivalent
pir (t) qrj ; 8i; j 2 I;
(1.7.18)
P (t) = P (t) Q;
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;
(t) este o functie continua si lim
!0
i(
= 0,pentru i = 1; 2; 3:
(1.8.2)
66
Lema 8.2. Au loc relatiile:
qii (t) =
(t) ; qij (t) = 0 daca j 6= i; i + 1:
(t) ; qi;i+1 (t) =
(1.8.3)
Demonstratie. Stim ca
pij (t; t + )
qij (t) = lim
ij
!0
deci pentru un proces Poisson,

qjj (t) = lim
pjj (t; t + )
jj
= lim
(t) +
(t) ;
( )
jj
!0
!0
lim
(t) +
( )
!0
qi;i+1 (t) = lim
pi;i+1 (t; t + )
i;i+1
!0
= lim
(t) +
( )
!0
(t) ;
iar pentru j 6= i; i + 1
3
qij (t) = lim
!0
( )
= 0:
Observatia 8.3. Ecuatiile lui Kolmogorov directe se scriu sub forma

@pj0 (s; t)
=
@t
(1.8.4)
(t) pj0 (s; t)
@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
(resp: lim pjk (s; t) =

%0
jk );
(1.8.5)
(1.8.6)
1.8. Procesul Poisson

este data de formula
(
pjk (s; t) =
67
[ (s;t)]k
(k j)!
(s; t)) , daca k j

daca k < j;
exp (
0,
(1.8.7)
unde
(s; t) =
Zt
(u) du; t > s
(1.8.8)
(Pentru demonstratie vezi Teorema 48 din [3]).

Procesul Poisson (Xt ) este omogen, daca (t) = > 0: In acest caz se
numeste parametrul procesului.
Observatia 8.5. (a) Traducind rezultatele de mai sus obtinem ca (Xt )
este proces Poisson omogen de parametru , daca X0 = 0, (Xt ) este proces Markov omogen continuu la dreapta, cu spatiul starilor f0; 1; : : :g si cu
semigrupul de trecere P (t) = (pij (t))i;j 0::: , de forma
pjk (t) =
( t)k j
e
(k j)
0,
daca k j
daca k < j:
(b) Daca (Xt ) este proces Poisson omogen de parametru

sale au urmatoarele proprietati:
(b1 ) sint nedescrescatoare.
(b2 ) limt!1 Xt = 1:
(b3 ) Salturile in orice punct t sint 0 sau1.
(1.8.9)
atunci traiectoriile
Denitia 8.6. Fie (Xt ; t 0) un proces stochastic cu va lori reale. Spunem

ca (Xt ) este proces cu cresteri independente, daca 8t1 < t2 < : : : < tn
variabilele aleatoare Xt1 ; Xt2 Xt1 ; : : : ; Xtn Xtn 1 sunt independente, sau
echivalent, daca variabila aleatoare Xt Xs este independenta de corpul
borelian B (Xu : u s)
Teorema 8.7. Fie (Xt )t 0 un proces continuu la dreapta, cu X0 = 0, si cu
spatiul starilor f0; 1; : : :g :
68
Atunci (Xt ) este proces Poisson omogen cu parametrul

, daca si numai
daca (Xt ) este proces cu cresteri independente si pentru orice s < t, variabila
aleatoare Xt Xs are repartitia Poisson (t s) :
Demonstratie. Presupunem ca (Xt ) este proces Poisson omogen cu parametrul , deci este proces Markov omogen cu functia de tranzitie data de
(1.8.9). Sa aratam ca pentru s < t; variabila aleatoare Xt Xs are repartitia
Poisson de parametru (t s): Intr-adevar daca k 0 avem
P (Xt
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)P (Xt = k + r j Xs = r) =
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)
fapt ce arata ca Xt Xs are repartitia Poisson de parametru (t

Fie in continuare t1 < : : : < tn si i1 ; : : : ; in 0. Atunci avem
P Xt1 = i1 ; Xt2
Xt1 = i2 ; : : : ; Xtn
Xtn
s):
= in =
P (Xt1 = i1 ; Xt2 = i1 + i2 ; : : : ; Xtn = i1 + : : : + in ) =

P (Xt1 = i1 ) pi1 ;i1 +i2 (t2
t1
(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 ) =
1.8. Procesul Poisson

P Xt1 = i1 ; Xt2
P (Xt1 = i1 )P (Xt2
t1
(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 ;
ceea ce semnica faptul ca (Xt ) este proces Markov omogen cu probabilitatile

de trecere t (fj ig :
Probleme
8.8. (6) Un medic intr-o policlinica, cu programul de lucru 8-12, consulta
in medie cinci pacienti pe ora. Fie (Xt )t 0 procesul Poisson de parametru
= 5, unde Xt reprezinta numarul de pacienti examinati pana la momentul
t. Folosim ora ca unitate de timp.
n
Dindu-se probabilitatile P (X4 = n) = e 20 20n ca pina la ora 12 sa se termine examinarea a exact n pacienti, (n = 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
P (X4
n) = 1
P (X4
19) = 1
19
X
P (X4 = n) = 0; 52;
n=0
deci cu o probabilitate putin mai mare ca 21 (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
P (X2
10) =
10
X
n=0
P (X2 = n) =
10n
= 0; 5830:
n
8.9. Fie (Xt ) un proces Poisson omogen cu parametrul . Atunci pentru

s < t si k < n, sa se arate ca are loc egalitatea:
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
Martingale cu timp discret

Valori medii conditionate
Conceptul de valoare medie conditionata este foarte util in studiul proceselor

stochastice.
Denitia 1.1. Fie X : ( ; F; P ) ! R o variabila aleatoare de medie nita
si e K un corp borelian inclus in F. Atunci denim valoarea medie conditionata a lui X in raport cu K si o notam M [X j K] ca ind unica (unica
in sensul egalitatii a.s.) variabila aleatoare M [X j K] : ( ; F; P ) ! R cu
urmatoarele doua proprietati:
(1) M [X j K] este K-masurabila si integrabila.
(2) Pentru orice A 2 K;
Z
Z
M [X j K] dP = XdP:
(2.1.1)
A
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
Cap. 2. Martingale si modele discrete pe piata nanciara
(b) Se demonstreaza ca exista M [X j K] : In plus daca K = B (fAn gn ) ; unde

= fAn gn este o partitie cel mult numarabila a lui cu An 2 F si P (An ) >
0 pentru orice n, atunci
X
M [X j K] =
M [X j An ] 1An ;
(2.1.3)
n
reamintim ca daca P (A) > 0;

1
M [X j A] =
P (A)
(2.1.4)
XdP:
(c) Daca in (2.1.1) sa ia A = se obtine urmatoarea proprietate a mediilor

conditionate:
M (M [X j K]) = M (X) :
(2.1.5)
Proprietatile mai importante ale mediilor conditionate sunt formulate in
propozitia urmatoare.
In continuare egalitatile, inegalitatile, limite cu medii conditionate sunt intelese in sensul valabilitatii a.s.. De asemenea daca K = B (fi : i 2 I) vom
nota M [X j K] = M [X j fi ; i 2 I] :
Propozitia 1.3.
(a) M [X j K] = M (X) daca K = f;; g :
(b) M [X j K] = X daca X este K-masurabila.
In particular
M [ j K] = ; 8 2 R:
(c) Daca X; Y sunt variabile aleatoare de medie nita, atunci
M [ X + Y j K] = M [X j K] + M [Y j K] ; 8 ;
(d) Daca X
Y atunci M [X j K]
jM [X j K]j
M [Y j K] : In particular
M [jXj j K] :
(e) Daca Y este K-masurabila si marginita atunci

M [XY j K] = Y M [X j K] :
(f) Daca K1
K2
K atunci
2 R:
2.1. Martingale cu timp discret
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
Insa conform Denitiei 1.1, aceasta inegalitate este echivalenta cu

Z
Z
Y dP; 8A 2 K;
X dP
A
armatie ca este adevarata intrucit X

M [ X j K] =
Y: Apoi din X; X
M [X j K]
jXj rezulta
M [jXj j K] ;
adica jM [X j K]j M jXj j K:

(e) Desigur Y M [X j K] este K masurabila si integrabila si daca A 2 K
avemprin aplicarea egalitatii (2.1.2)
Z
Z
Z
Z
Y M [X j K] dP = 1A Y M [X j K] dP = 1A Y XdP =
Y XdP:
A
(f) Variabila aleatoare M [M [X j K2 ] j K1 ] este K1 masurabila si integrabila

si daca A 2 K1 K2 avem
Z
Z
Z
M [M [X j K2 ] j K1 ] dP =
M [X j K2 ] dP =
XdP:
A
(g) Evident M (X) este K masurabila si daca A 2 K obtinem prin aplicarea

teoremei de multiplicare (intrucit 1A si X sunt independente)
Z
Z
M (X)dP = P (A)M (X) = M (1A X) =
XdP:
A
74
2.1.2
Martingale cu timp discret. Proprietati generale
Fie ( ; F; P ) un cimp de probabilitate si e (Fn )n 0 o baza stochastica

(vezi Capitolul 2) si (Xn )n 0 un sir de variabile aleatoare reale denite pe
( ; F; P ) :
Denitia 1.4. Vom spune ca sirul (Xn )n este Fn -martingal daca:
(a) Xn este Fn -masurabila pentru orice n ( cu alte cuvinte daca sirul Xn este
Fn -adaptat).
(b) M (jXn j) < 1 pentru orice n.
(c) M [Xn+1 j Fn ] = Xn pentru orice n sau echivalent daca
M [Xn j Fm ] = Xm ; 8n > m:
Observatia 1.5. (1) Avand in vedere proprietatile mediei conditionate,
proprietatea (c) se scrie
Z
Z
Xn+1 dP = Xn dP; 8n 0; A 2 Fn ;
(2.1.6)
A
sau echivalent
Z
A
Xn dP =
Xm dP; 8n > m; A 2 Fm :
(2.1.7)
(2) Din denitie rezulta ca sirul fM (Xn )gn

in (2.1.6)).
este constant (se face pe A =
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
Observatia 1.7. (1) Proprietatea (c) se scrie

Z
Z
Xn dP; 8A 2 Fn ;
Xn+1 dP
A
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;
iar daca Xn ; Yn sunt martignale si a; b; c 2 R; atunci in calculul precedent

putem inlocui inegalitatea cu egalitate.
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
max (Xn+1 ; Yn+1 ) dP
A\fXn Yn g
max (Xn+1 ; Yn+1 ) dP =
A\fXn >Yn g
max (Xn+1 ; Yn+1 ) dP:
(3) Sa presupunem intii ca (Xn )n este martingal. Atunci pentru A 2 Fn

avem
Z
Z
Z
jXn j dP =
Xn dP
Xn dP =
A
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
In continuare sa presupunem suplimentar ca E jXn j2 < 1 pentru orice

n: Atunci pentru n x si A 2 Fn , prin aplicarea Teoremei de convergenta
dominata si a faptului ca (Xn ) este martingal, vom obtine
Z
Z
Xn Xn+1 dP = lim
(k ^ Xn ) Xn+1 dP =
k!1
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 =

Z
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
= Xn + pn+1 (f1 ; : : : ; fn ) M [fn+1 j Fn ] =

= Xn + pn+1 (f1 ; : : : ; fn ) M (fn+1 ) ;
si cum M (fn+1 ) = 2p
1.10. Fie (fn )n
nita si e
1 armatia rezulta de indata.
un sir de variabile aleatoare independente si cu medie
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 );
si din faptul ca fn+1 si Fn sunt independente, se obtine ca

2
M (Xn+1
) = M (Xn2 ) + D2 (fn+1 );
M [Yn+1 j Fn ] = Yn + 2Xn M [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 :
(c) Din teorema de multiplicare avem ca Zn sunt integrabile si este clar ca

sunt Fn masurabile.
Utilizind independenta intre fn+1 si Fn , teorema de convergenta dominata,
teorema de multiplicare si proprietatile mediilor conditionate, obtinem pentru A 2 Fn ;
Z
Z
Zn+1 dP = lim
Zn (fn+1 ^ k) dP =
Z
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;
este previzibil si crescator, adica
:::
An
:::
a:s::
In plus scrierea lui (Xn ) ca mai sus este unica.

Demonstratie. (a) ) (b) Presupun (Xn ) submartingal.
Denim
Y0 = X0 ; A0 = 0;
si pentru n
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 )
Este imediat faptul ca (2.1.8) este vericata si ca Yn este Fn -masurabila, An

este previzibil, iar Yn ; An sunt integrabile. Apoi
M [Yn+1 j Fn ] = M [Yn + Xn+1
Yn + M [Xn+1
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 ;
asa ca Yn este martingal. Mai departe prin constructie An este Fn 1 -masurabila

si cum avem
An+1 = An + M [Xn+1 j Fn ]
Xn ; Xn
M [Xn+1 j Fn ] ;
rezulta ca An An+1 , cu alte cuvinte An este previzibil si crescator.

(b)) (a) Putem scrie
M [Xn+1 j Fn ] = M [Yn+1 + An+1 j Fn ] =
M [Yn+1 j Fn ] + M [An+1 j Fn ] =
81
Yn + an+1
Yn + An = Xn ;
deci Xn este submartingal.

Sa probam acum unicitatea descompunerii. Fie
Xn = Yn + An = Yn0 + A0n
doua descompuneri cu proprietatile enuntate in teorema.
Avem
Yn Yn0 = A0n An ;
M Yn+1
0
Yn+1
j Fn = Yn
Yn0 ;
Yn0 este martingal),
(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+1 este Fn -masurabila).

A0n
An = A0n+1
An+1 ;
si cum A0 = A00 rezulta A1 = A01 si inductiv An = A0n :

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 importante 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 (Xn )n 0 este Fn -submartingal
(resp. Fn -supermartingal, Fn -martingal ) si S este Fn -optionala atunci procesul stopat (XS^n )n 0 continua sa e Fn -submartingal (resp. Fn -supermartingal,
Fn -martingal ).
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
obtinem si ca XS^n este integrabila. Mai departe este clar ca

XS^n =
n 1
X
j=0
Xj + Xn 1fS
ng ;
(2.1.9)
fapt ce implica in particular relatia

XS^(n+1)
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
E [XS2 j FS1 ] ; XS1 = E [XS2 j FS1 ] :
(2.1.11)
In particular
M (XS2 ) ;
(2.1.12)
M (XS2 ) ; M (XS1 ) = M (XS2 ) :
(2.1.13)
M (XS1 )
resp.
M (XS1 )
(b) Daca S1
si
S2 sunt Fn -optionale nite a.s., asa incit XSi sunt integrabile

Z
jXn j dP = 0; i = 1; 2;
(2.1.14)
lim
n!1
fSi >ng
83
atunci armatia (a 2 ) de mai sus continua sa f ie adevarata:

Demonstratie. (a) Este vizibil ca este sucient de tratat
Pmcazul submartingalului. Fie S1
S2
m 2 R: Cum avem jXSi j
i=1 jXi j , obtinem
ca XSi sunt integrabile. Din Propozitia 2.3.4-(d) avem si ca XSi sunt FSi masurabile. Este vizibil ca (2.1.10) se scrie in mod echivalent ca
M [XS2
XS1 j FS1 ]
(2.1.15)
0:
Intii vom demonstra inegalitatea (2.1.15) in cazul cind S2 = m 2 R si pentru

aceasta avem de aratat ca
Z
Z
XS1 dP; 8A 2 FS1 :
Xm dP
A
Folosind faptul ca A \ fS1 = kg 2 Fk daca k

de submartingal, putem scrie
Z
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;
adica tocmai ce se necesita.

(b) Fie A 2 FS1 si avem de aratat ca
Z
XS1 dP
A
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
! XSi ; XSi 1fSi
ng
jXSi j ;
prin aplicarea teoremei de convergenta dominata deducen ca

Z
Z
XSi dP:
XSi dP !
(2.1.18)
A\
A\fSi ng
De asemenea avind in vedere (2.1.14) deducem

Z
Z
lim
Xn dP
lim
jXn j dP = 0;
n!1
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
unde am notat pentru x 2 R; x+ = max(x; 0):

(b) Daca (Xn )n 0 este martingal asa incit pentru un anumit p > 1 avem
E (jXn jp ) < 1 pentru orice n (pe scurt Xn 2 Lp ( )), atunci urmatoarele
armatii sunt adevarate pentru orice n:
(b 1 )
Xn = max jXk j 2 Lp ( ) :
1 k n
(b 2 )
1
p
kXn kLp (
q kXn kLp ( ) ;
max jXk j
:= M
1 k n
unde q este conjugatul lui p; adica
1
p
1
q
(2.1.20)
= 1.
Demonstratie. (a) Notm
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= `:
reprezint o partitie (desfacere) a evenimentului A.

n
X
P (A) =
P (Aj ) ;
j=1
si
P (Aj ) = E
1Aj
E 1Aj Xj ; (8) 1
n;
de unde insumnd se obtine

P (A) =
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 ;
obtinem de indata faptul ca Xn 2 Lp ( ) :

Fie mai nti o variabila aleatoare Y ce ia numai valori pozitive si astfel nct
exista r > 1 cu proprietatea E (Y r ) < 1. Atunci, daca F (y) este functia de
repartitie a variabilei Y; avem
r
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
pentru integrala Stieltjes in cazul cind

f (y) = y r ; g (y) = 1; h (y) =
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
max jXk j>y
max jXk j>y
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:
Sa se arate ca (Xn )n 0 este martingal in raport cu baza canonica asociata

sirului (Xn )n 0 ; adica in raport cu FnX = B (X0 ; :::; Xn ) :
1.18. Fie f1 ; :::; fn ; ::: un sir de variabile aleatoare independente si cu repartitia N (0; 1): Fie
Sn = f1 + :::: + fn ; Fn = B (f1 ; :::; fn ) ; 8n
n
X0 = 1; Xn = exp Sn
Sa se arate ca sirul (Xn )n
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 )

Sa se arate ca sirul (Xn )n
89
este Fn -martingal.
1.20 (lipirea martingalelor). Fie (Xn )n 0 ; (Yn )n 0 martingale in raport cu

aceeasi baza stochastica (Fn )n 0 si e S o optionala nita. Daca XS = YS
sa se arate ca sirul (Zn )n 0 denit prin
Zn =
Xn daca n < S;
Yn daca n S;
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 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 = 1 p pentru orice n. Atunci cistigul lui A dupa primele n-partide este
Sn = 1 + ::: + n : Denim
S0 = 0; F0 = f;; g ; Fn = B ( 1 ; :::;
=
inf fn
1;
0 : Sn =
n) ;
a sau Sn = bg ; daca fn
daca fn
1;
0 : :::g =
6 ;;
0 : :::g = ;:
Atunci reprezinte momentul terminarii jocului, M ( ) reprezinta durata

medie a jocului, = P (S = b) este probabilitatea ca A sa cistige jocul, sau
echivalent ca B sa se ruineze. Vom arata ca M ( ) < 1;
=
q
p
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
In particular M ( ) < 1 implica ca P ( < 1) = 1; cu alte cuvinte jocul se

termine intr-un numar nit de partide. Este clar ca este prima intrare in
multimea A = f a; bg si deci conform cu Propozitia 2.3.4-(e) este optionala.
Fie
c = a + b; S 01 = 1 + ::: + r ; S 02 = r+1 + ::: + 2r ; :::
:::; S
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 ;
si pe de alta parte un calcul simplu arata ca

D2 (Sk0 ) = r (1
q))2 > c2 ;
(p
ceea ce nu este posibil. Atunci pentru orice k avem

P(
kr)
P (jS10 j < c; jS20 j < c; :::; jSk0 j < c) = "k ;
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
si in particular P ( < 1) = 1 (acest ultim fapt rezulta usor si direct prin

calcul).
Sa presupunem acum ca p = 12 : In acest caz M ( n ) = 0 pentru orice n, si
din exemplul 1.10 avem ca sirul Sn este martingal. Din < 1 a:s:, rezulta
ca
S = a sau S = b pentru < 1; deci a.s.,
si in particular jS j
Z
c; M (S )
f >ng
jSn j
c: Pe de alta parte
cP ( > n) ! cP ( = 1) = 0:
91
Cele de mai sus arata ca optionalele 0 si

stopare (Teorema 1.14-(b)) si deci
satisfac ipotezele din Teorema de
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 ( ) ;
fapt ce atrage dupa sine, intrucit

M S 2 = b2 + (1
) 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 =
este martingal. Aplicind si pentru acest martingal rationamentul precedent

vom obtine
b
q
p
1 = M (g0 ) = M (g ) =
+ (1
ceea ce atrage egalitatea

=
q
p
q
p
q
p
a+b
In ne aplicind inca odata cele anterioare pentru martingalul

Sn00 = Sn
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
Modele discrete de piata nanciara

Activele nanciare
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
O strategie de gestiune este denita printr-un proces stochastic (mai precis

printr-un vector aleatoar discret),
2.2. Modele discrete pe piata nanciara
0
n;
93
d
n
1
n; : : : ;
0 n N
cu valori in Rd+1 ; care da, la ecare moment n, cantitatile 0n ; 1n ; : : : ; dn

a diverselor active, detinute in portofoliu. Se impune procesului
de a
previzibil, in sensul urmator:
8i 2 f0; 1; : : : ; dg ; i0 este F0 -masurabil si pentru n 1
i
n este Fn 1 masurabil.
Semnicatia acestei ipoteze este urmatoarea: portofoliul (fondul) la data
d
1
0
n,
n ; n ; : : : ; n este constituit vazind informatiile disponibile la data
(n 1) si pastrat astfel pana in momentul cotarii la data n.
Valoarea portofoliului la momentul n, este data prin produsul scalar
Vn ( ) = h
n ; Sn i
n;
Sn
Sn0
unde
n
i i
n Sn :
i=0
Valoarea actualizata este

V~n ( ) =
d
X
n ; Sn
= 1=Sn0 ;
si
S~n = 1;
1
n Sn ; : : : ;
d
n Sn
este vectorul preturilor actualizate.

Denitia 2.1. Se spune ca o strategie este autonantata daca relatia urmatoare are loc,
h
n ; Sn i
=h
n+1 ; Sn i ;
8n 2 f0; 1; : : : ; N
1g :
(2.2.1)
Aceasta relatie se interpreteaza in modul urmator: la momentul n, dupa

ce a luat cunostinta de cursurile (preturile) Sn0 ; Sn1 ; : : : ; Snd ; investitorul isi
reajusteaza portofoliul (contul), pentru a-l trece din faza n in faza n+1 ,
reajustarea facindu-se la cursurile de la data n, reinvestind valoarea totala a
contului sau si nimic in plus.
Deci nu este vorba nici de adaugare, nici de retrageri de fonduri.
94
Observatia 2.2. Egalitatea

h
n ; Sn i
=h
n+1 ; Sn i
este evident echivalenta cu

h
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
Deci la momentul n + 1 valoarea portofoliului este h

h
n+1 ; Sn+1 i
Sn i :
n+1 ; Sn+1 i
(2.2.2)
si diferenta
n+1 ; Sn i
reprezinta cistigul net, datorat variatiei cursului intre momentele n si n + 1.

Deci o strategie autonantata este o strategie pentru care variatiile portofoliului (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 n N;
Vn ( ) = V0 ( ) +
n
X
j=1
Sj i ;
(2.2.3)
E
~
;
S
j
j ;
(2.2.4)
j;
unde Sj este vectorul Sj Sj 1 :

(3) Pentru orice 1 n N;
V~n ( ) = V0 ( ) +
n D
X
j=1
unde
S~j este vectorul

S~j
S~j
j Sj
j 1 Sj 1 :
95
Demonstratie. (1) , (2) Folosind (2.2.2)

Vn ( ) = Vn
Vn
( )+h
( )+h
Sn 2 i + h
n 1 ; Sn 1
= ::: = V0 ( ) +
n
X
j=1
(1) , (3) Se arata observind ca

h
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 :
Demonstratie. Din conditia de autonantare avem

V~n ( ) =
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

0
Singurul lucru care ramine de vericat este previzibilitatea lui

de indata daca tinem cont ca din ( 2.2.5) avem
0
n
= 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
Strategii admisibile si arbitraje
Pina acum nu am impus nici un fel de conditii asupra semnelor cantitatilor

i
n:
Astfel daca 0n < 0, inseamna ca s-a imprumutat suma j 0n j pe piata plasamentelor fara risc.
Daca in < 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
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
In continuare vom vedea cum arbitrajele se relationeaza cu martingalele.

Fie ( ; F; P ) un cimp de probabilitate nit ( adica este nita), cu F =
P ( ) si 8! 2 , P (f!g) > 0; si e (Fn )0 n2N o ltrare pe .
Fie (Xn )0 n2N un Fn martingal.
Intr-un model nanciar, a spune ca, cursul (Sni )0 n2N al unui activ i este un
martingal, revine la a spune ca, la orice moment n, cea mai buna estimare
i
(in sensul celor mai mici patrate) care se poate face asupra lui Sn+1
, plecind
de la informatiile disponibile la data n, este data de Sni :
Urmatoarea propozitie este utila in modelele nanciare si constituie un exemplu trivial de integrala stochastica discreta..
Propozitia 2.7. Fie (Yn )0 n2N un martingal, si e (Hn )0 n2N un sir previzibil in raport cu baza stochastica (Fn )0 n2N :
Notam Yn = Yn Yn 1 si denim sirul (Xn )0 n2N prin:
X0 = H0 Y0 ; Xn = H0 Y0 + H1 Y1 + : : : + Hn Yn ; 8n
1:
(2.2.6)
Atunci sirul (Xn )0 n2N este un martingal in raport cu (Fn )0 n2N .

( (Xn )n este numit adesea, transformata martingalului (Yn ) prin sirul (Hn ) :
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 (Xn ) este un sir adaptat
98
Mai mult pentru n

Xn+1
0 avem
Xn = (H0 Y0 + H1 Y1 + : : : + Hn Yn + Hn+1 Yn+1 )
(H0 Y0 + : : : + Hn Yn ) = Hn+1 Yn+1 = Hn+1 (Yn+1
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:
Piata nanciara viabila
Se spune ca piata nanciara este viabila, daca nu exista strategie de arbitraje.

Reamintim ca, doua probabilitati P1 si P2 sunt echivalente, daca pentru orice
eveniment A, P1 (A) = 0 , P2 (A) = 0:
Teorema 2.9. Piata nanciara este viabila, daca exista o probabilitate P
echivalenta cu P sub care, preturile actualizate ale activelor sunt martingale
( desigur aceasta echivalenta in cazul de fata inseamna ca P (f!g) > 0 ,
8! 2 ).
Demonstratie. Presupunem ca exista o probabilitate P echivalenta cu P ,
sub care activele actualizate sunt martingale.
Atunci, pentru orice strategie autonantata ( n ) se obtine, conform Propozitiei 2.3 avem
V~n ( ) = V0 ( ) +
n D
X
j=1
E
~
;
S
j
j :
De aici, se deduce, conform Propozitiei 2.7. ca V~n ( ) este un martingal, in

raport cu probabilitatea P .
Deci V~N ( ) are aceeasi medie sub P ca si V~0 ( ) ;
M
V~N ( ) = M
V~0 ( ) :
Daca strategia este admisibila si de valoare initiala nula, se obtine deci
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
Piata completa si evaluarea optiunilor
Vom deni o optiune europeana (sau activ conditionat) de limita de expirare

N , printr-o variabila aleatoare h 0, FN -masurabila, reprezentind protul
care permite exercitarea optiunii.
Astfel, pentru o optiune de cumparare (call), pe o unitate de activ 1, cu
1
K)+ :
pretul de exercitare K, avem h = (SN
Pentru o optiune de vanzare (put) pe o unitate de activ 1, cu pretul de
1
)+ :
exercitare K, avem h = (K SN
In aceste 2 exemple ( foarte importante in practica) variabila aleatoare h este
functie numai de S.
Se spune ca activul conditionat denit prin h este simulabil, daca exista o
strategie admisibila, a carei valoare la momentul N este egala cu h.
Observatia 2.11. Intr-o piata viabila, pentru ca optiunea h sa e simulabila
este sucient sa existe o strategie autonantata de valoare egala cu h la
momentul N .
Intr-adevar, daca este o strategie autonantata, si daca P este o probabilitate echivalenta cu P sub care preturile actualizate sunt martingale, atunci
in raport cu P , V~n ( ) este un martingal.
Se obtine deci, pentru n 2 f0; : : : ; N g ;
V~n ( ) = M
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
si cum h este arbitrar rezulta ca P1 = P2 pe corpul borelian FN = F:

Observatia 2.13. In teorema precedenta este valabila si armatia reciproce
(vezi Teorema 3.4 din [15]).
2.2.7
Evaluarea si acoperirea activelor conditionate

in pietele complete
Presupunem o piata viabila si completa si notam P 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 FN -masurabila

h 0 , si e o strategie admisibila simulabila h, deci care verica VN ( ) =
h:
Sirul V~n
este un martingal sub P si in consecinta, V0 ( ) = M V~N ( )
0 n N
unde V0 ( ) = M
h
0
SN
si in general vom avea
Vn ( ) = Sn0 V~n ( ) = Sn0 M

Sn0 M
i
V~N ( ) j Fn =
h
j Fn ; n = 0; 1; : : : ; N;
0
SN
adica valoarea in orice moment, a ecarei strategii admisibile simulabile h,

este complet determinata de h.
Este natural sa numim Vn ( ) valoarea optiunii, deoarece este capitalul care,
detinut la momentul n, permite, urmand strategia plecand din momentul
n, sa se produca exact capitalul h la momentul N .
Daca la momentul 0, un investitor vinde optiunea la pretul M Sh0 , are
N
posibilitatea, urmand strategia simulanta , de a restitui capitalul promis h
la momentul N ; se spune ca el se acopera perfect.
Observatia 2.14. Este important sa notam ca calculul preturilor necesita
numai cunoasterea lui P (si nu a lui P ).
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 r pe o perioada xata astfel incit daca la
momentul initial avem un dolar (S00 = 1), dupa n perioade de timp vom in
posesia a Sn0 = (1 + r)n , dolari.
(b) un activ cu risc, care valoreaza suma Sn la momentul n (suma initiala S0
este data).
Variatia intre doua perioade consecutive este e a, e b astfel incit sa avem
Sn+1 =
Sn (1 + a)
Sn (1 + b) ;
102
cu conditia 1 < a < b (la momentul n + 1 nu putem sa pierdem tot ce avem

la momentul n).
Observatia 3.1. Calculele se fac pina la momentul N , deci ne intereseaza
Sn0 ; Sn pentru 0 n N (pentru n = 0 cursurile sunt date).
Spatiul starilor posibile este alcatuit din vectorii de tipul (X1 ; X2 ; : : : ; XN; )
cu Xi 2 f1 + a; 1 + bg astfel incit:
X1 =
S1
S2
Si
SN
; X2 = ; : : : ; Xi =
; : : : ; XN =
S0
S1
Si 1
SN 1
Se ia F0 = f;; g (la momentul 0 cursurile sunt cunoscute, nu sunt aleatoare)

si FN = P ( ) :
Multimea informatiilor disponibile pana la momentul n inclus, ce este data
de Fn , este unic determinata de cunoasterea cursurilor S1 ; S2 ; : : : ; Sn si deci
Fn = (S1 ; S2 ; : : : ; Sn ).
Fie P : F ! [0; 1] o probabilitate cu proprietatea P (f!g) > 0; 8! 2 :
Acesta proprietate a lui P spune ca succesiunea de rezultate este posibila,
sau trecerea din orice moment n in momentul n + 1 se poate face in ambele
moduri posibile cu o probabilitate strict pozitiva.
Fie variabilele aleatoare Tn = SSnn 1 , pentru n = 1; : : : ; N:
Daca (x1 ; x2 ; : : : ; x) 2 atunci
P (x1 ; x2 ; : : : ; xN ) = P (T1 = x1 ; T2 = x2 ; : : : ; TN = xN )
conform celor precizate cand l-am denit pe :
Deci cunoasterea lui P este echivalenta cu cunoasterea functiei de repartitie
a vectorului aleator N -dimensional de tip discret (T1 ; T2 ; : : : ; TN ) :
Totodata se are
B (S1 ; S2 ; : : : ; Sn ) = B (T1 ; T2 ; : : : ; TN ) :
Intr-adevar Tk =
abil in raport cu
Sk
Sk 1
pentru k = 1; : : : N; ceea ce implica ca Tk este masur-
B (S1 ; S2 ; : : : ; Sn ) ; 8k = 1; : : : ; N;
si ca atare
Apoi T1 =
S1
;
S0
B (T1 ; T2 ; : : : ; TN )
B (S1 ; S2 ; : : : ; Sn ) :
deci S1 = S0 T1 este B (T1 )-masurabila.
2.3. Modelul lui Cox, Ross si Rubinstein
103
T2 = SS12 ;deciS2 = S1 T2 este B (T1 ; T2 ) masurabila.

Prin recurenta se arata ca Sn este B (T1 ; T2 ; : : : ; TN ) -masurabila pentru orice
n = 1; : : : ; N; si deci are loc incluziunea reciproca
B (S1 ; S2 ; : : : ; SN )
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
este un Fn -martingal fata

N
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
fapt ce zice ca S~n este o variabila aleatoare integrabila.

Am folosit faptul ca Ti poate lua una din valorile 1 + a; 1 + b si decijTi (!)j
1 + b; (8) ! 2 (deoarece a < b).
1
Mai departe S~n = (1+r)
n Sn rezulta Fn -adaptat.
S~n
1 n N
este un martingal in raport cu ltratia (Fn )1
n N
daca, in afara
proprietatii de integrabilitate si Fn -adaptivitate, are loc egalitatea

"
#
h
i
~n+1
S
j Fn = 1:
M S~n+1 j Fn = S~n , M
S~n
Dar
Sn+1
Sn
S~n+1 = 0 ; S~n = 0 si deci
Sn+1
Sn
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
! 2 An+1 ; P (An+1 ) > 0

! 2 Bn+1 ; P (Bn+1 ) > 0
An+1 \ Bn+1 = ;; An+1 [ Bn+1 = ;

sau echivalent
Tn+1 = (1 + a) 1An+1 + (1 + b) 1Bn+1
cu
P (An+1 ) > 0; P (Bn+1 ) > 0:
Atunci
M (Tn+1 ) = (1 + a) P (An+1 ) + (1 + b) P (Bn+1 )
Intrucit P si P sunt echivalente rezulta ca
P (An+1 ) > 0; P (Bn+1 ) > 0 si deci P (An+1 ) < 1; P (Bn+1 ) < 1:
Prin urmare
M (Tn+1 ) < (1 + b) P (An+1 ) + (1 + b) P (Bn+1 ) =
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
(!)
SN = S0 T1 (!) T2 (!) : : : TN (!)
S0 (1 + a)N
S0 (1 + r)n
(deoarece a r) si ca atare prof itul 0 si protul > 0 cu o probabilitate

> 0.
Daca Ti = (1 + a) 1Ai + (1 + b) 1Bi , subpunctul precedent implica
Ti (!) = 1 + b; (8) ! 2 Bi )
Ti (!) > 1 + a pentru ! 2 Bi
si deci Ti > 1 + a cu probabilitatea P (Bi ) > 0 si
pro tul > 0 cu probabilitatea P (B1 \ B2 \ : : : \ BN ) > 0:
(ii) Daca r
b se imprumuta o actiune de pe piata actiunilor cu risc (la
momentul 0). Actiunea se revinde imediat obtinand suma S0 care se depune
pe piata actiunilor fara risc unde dobanda este constanta egala cu r. La
momentul N se va primi suma S0 (1 + r)N . Se cumpara o actiune cu risc la
106
pretul SN , care se da inapoi pe piata actiunilor cu risc. Se obtine protul

Pf = S0 (1 + r)N SN :
Dar
SN = S0 T1 T2 : : : TN S0 (1 + b)N S0 (1 + r)N
deci S0 (1 + r)N SN 0 ) Pf 0 si Pf > 0 cu o probabilitate > 0.
(4) In continuare vom presupune ca r 2 (a; b) si e p = bb ar . Vom arata ca
S~n este un Fn -martingal sub P daca si numai daca variabilele aleatoare
T1 ; T2 ; : : : ; TN sunt independente, identic repartizate, repartitia lor comuna

1+b
ind Ti : 1+a
cu p + q = 1.
p
q
De asemenea vom deduce ca piata este variabila si completa.
Sa presupunemintii ca variabilele (Ti ) sunt independente si de repartitie
1+a1+b
p
q
Ti :
; p + q = 1; 81
N:
Deoarece Tn+1 este independent de Fn = B (T1 ; T2 ; : : : ; Tn ) rezulta

M [Tn+1 j Fn ] = M (Tn+1 ) = p (1 + a) + (1
b
b
a
r
(1 + a) +
a
b
p) (1 + b) =
r
(1 + b) = 1 + r
a
si deci, conform subpunctului (1) S~n este un Fn -martingal in raport cu

n
P si atunci piata este viabila.
Daca exista o alta probabilitate P fata de care S~n este un Fn -martingal
, atunci conform subpunctului (2) avem
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)
si deci p = bb ar ;fapt ce arata ca variabilele (Ti )1 i N au aceiasi repartitie

atat sub P , cat si sub P , deci conform unei observatii preliminare cele doua
probabilitati coincid. Deci am demonstrat ca piata este si completa.
107
Reciproc, presupunem ca S~n este un (Fn )n martingal sub P , deci, conform

subpunctului (1)
M [Tn+1 j Fn ] = 1 + r; 80
1:
Dar Ti = (1 + a) 1Ai + (1 + b) 1Bi cu Ai \ Bi = ; , Ai [ Bi = si Ai ; Bi sunt

Fi -masurabile (Ai = fTi = 1 + ag ; Bi = fTi = 1 + bg) : Atunci din
M [Tn+1 j Fn ] = 1 + r
rezulta
(1 + a) M 1An+1 j Fn + (1 + b) M 1Bn+1 j Fn = 1 + r:
(2.3.2)
Dar pe de alta parte

M 1An+1 j Fn + M 1Bn+1 j Fn = 1;
si aceasta egalitate, impreuna cu (2.3.2) dau solutia
M 1An+1 j Fn =
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
unde pi = p daca xi = 1 + a si pi = 1 p daca xi = 1 + b. In particular

egalitatea de mai sus da si repartitia lui Ti :
Stim ca
M [1A1 j F0 ] = p; M [1B1 j F0 ] = 1 p;
dar F0 = f;; g implica
M [1A1 j F0 ] = M (1A1 ) = P (A1 )
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;
si deci armatia este demonstrata pentru n = 1 este demonstrata.

Presupunem ca armatia este adevarata pentru n si sa o dempnstram pentru
n + 1, deci ca:
P (T1 = x1 ; T2 = x2 ; : : : ; Tn = xn ; Tn+1 = xn+1 ) =
n+1
Y
pi
i=1
unde pi = p daca xi = 1 + a si pi = 1 p daca xi = 1 + b.

Presupunem xn+1 = 1 + a si e pn+1 = p: Stim ca
M 1An+1 j Fn = p;
sau echivalent: 8A 2 Fn ;
Z
1An+1 dP = pP (A \ An+1 ) = pP (A);
A
si luind A = fT1 = x1 ; : : : ; Tn = xn g (evident A 2 Fn ), atunci rezulta ca

P (T1 = x1 ; : : : ; Tn = xn ; Tn+1 = xn+1 ) =
n
Y
i=1
pi p =
n+1
Y
pi
i=1
deci armatia este adevarata pentru n + 1:.

Cu aceasta am demonstrat ca T1 ; T2 ; : : : ; Tn independente si identic repartizate, cu P (Ti = 1 + a) = p si P (Ti = 1 + b) = 1 p:
(5) Fie Cn (respectiv Pn ) valoarea, la momentul n , a unei optiuni call
(respectiv put) european asupra unei actiuni din activul cu risc la pretul
de exercitiu K si limita N .
(a) Vom regasi relatia de paritate call-put:
Cn
Pn = S n
109
K (1 + r)
(N n)
(2.3.3)
Fie (Vn )1 n N valoarea la momentl n a unei strategii nanciare ce urmareste

ca la momentul N sa detinem suma (Sn k)+ (pentru obtiunea de cumparare
numita call).
Fie P unica probabilitate fata de care S~nn este un Fn -martingal. AtunciV~n =
1
(conform notiunilor teoretice). Con0 Vn este tot un Fn -martingal fata de P
Sn
form denitiei Cn este data de variabila Vn care reprezinta valoarea portofolului la momentul n.
Atunci
Cn = Vn = Sn0 V~n = (1 + r)n V~n =
h
i
VN
j Fn =
(1 + r)n M V~N j Fn = (1 + r)n M
0
SN
i
h
n
VN
(1 + r) M (1+r)N j Fn = (1 + r)n N M [CN j Fn ] =
(1 + r)n
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
Pentru obtinerea ultimelor egalitati am folosit faptul ca

h
i
M S~N j Fn = S~n
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 ]
unde X = Sn este Fn -masurabil si Y =
N
Q
j Fn 5 =
Tk este este independent de
k=n+1
T1 ; T2 ; : : : ; TN , deci de B (T1 ; T2 ; : : : ; TN ) = Fn : In continuare vom folosi

propozitia urmatoare a carei demonstratie o lasam cititorului ca exercitiu:
Propozitia 3.2. Fie X : ! (E; E) o variabila aleatoare B-masurabila si
X : ! (F; F) o variabila aleatoare independenta de B. Atunci pentru orice
functie masurabila Borel, pozitiva sau marginita denita pe (E F; E F) ;
functia ' denita prin
' (x) = E [ (x; Y )] ; 8x 2 E;
este boreliana pe (E; E) si avem relatia
E ( (X; Y ) j B) = ' (X) a:s:
Continuam demonstratia dinaintea Propozitii 3.2.
111
In cazul nostru, e
X = Sn ; Y =
N
Y
k=n+1
Tk ; B = Fn si
(x; y) = (hx; yi
K)+ :
Conditiile de aplicabilitate ale propozitiei precedente sunt indeplinite, de

unde rezulta
Cn = (1 + r)n
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
Stim ca variabilele (Tk )1

repartitia comuna:
k N
sunt independente si identic repartizate, avind
Tk :
1+a
p
1+b
:
1 p
Deci Z poate lua orice valoare de tipul (1 + a)` (1 + b)N

Pentru ` xat e
pl = P Z = (1 + a)` (1 + b)N
N
Y
k=n+1
Tk = (1 + a)` (1 + b)N
n `
n `
n `
cu 0
N n:
=
!
Deoarece variabilele (Tk ) sunt independente si identic repartizate, a calcula

probabilitatea p` este acelasi lucru cu a calcula probabilitatea extragerii a
` bile albe din N n extractii dintr-o urna (schema bilei revenite), daca
probabilitatea de extragere a unei bile albe este p si a unei bile negre 1 p:
Rezulta ca p` = CN` n p` (1 p)N n ` si deci Z are repartitia
112
Z:
(1 + a)` (1 + b)N
p`
n `
Folosind acest fapt in (2.3.4) vom obtine

M
(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
Xt1 ; :::; Xtn
Xtn
sunt variabile aleatoare independente.

(3) Daca s t atunci variabila aleatoare Xt Xs are repartitia normala de
parametri 0 si t s (pe scurt Xt Xs 2 N (0; t s)):
113
114
Cap. 3. Integrala stocastica browniana
Observatia 1.3. Se poate arata ca exista Miscarea Browniana.

Teorema 1.4. Fie (Xt )t 0 un proces stochastic cu valori reale cu traiectorii
continue si astfel incit X0 = 0. Urmatoarele armatii sunt echivalente:
(1) (Xt )t 0 este Miscare Browniana.
(2) (Xt )t 0 este proces Gaussian astfel incit M (Xt ) = 0 si
M (Xs Xt ) = min (s; t) ; 8s
t:
Demonstratie. (1) ) (2) Fie t1 < t2 < : : : < tn si i 2 R si sa aratam ca

1 Xt1 + 2 Xt2 + : : : + n Xtn este o variabila aleatoare normala.
Avem egalitatea
!
n
n
n
X
X
X
Xtk Xtk 1 ; t0 = 0:
j
j Xtj =
j=1
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
deoarece daca s < t;

M [Xs (Xt
Xs )] = M (Xs ) M (Xt
Xs ) = 0:
(2) ) (1) Daca s < t atunci

D2 (Xt
Xs )2 =
Xs ) = M (Xt
2M (Xt Xs ) + M Xs2 =
M Xt2
t
2s + s = t
3.1. Miscarea Browniana
115
si cum M (Xs ) = 0 rezulta ca Xt Xs 2 N (0; t s) :

Mai ramine sa probam independenta cresterilor pentru a arata ca este proces
cu cresteri independente.
Fie 0 = t0 < t1 < : : : < tn si 1 ; : : : ; n 2 R:
Pentru ca Xt1 ; Xt2 Xt1 ; : : : ; Xtn Xtn 1 sa e independente, este sucient
sa aratam ca functia caracteristica a vectorului este produsul functiei caracteristice ale componentelor, deci sa aratam ca
" P
#
n
n
1 P 2
i
` (Xt` Xte 1 )
` (t` t` 1 )
2
M e `=1
:
= e `=1
Avem ca
"
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
deci functia ei caracteristica este

"
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 )
Propozitia 1.5. Fie (Xt )t 0 o Miscare Browniana.

Atunci urmatoarele procese sunt de asemenea Miscari Browniane.
(1) (Yt )t 0 = (Yt+s Xs )t 0 ; pentru s 0 xat.
(2) (Yt )t
t
2
, pentru
t 0
> 0 xat (in particular ( Xt )t
Demonstratie. (1) Aratam ca (Yt )t

si M (Y` Yt ) = min (`; t), 8 `; t:
).
este proces Gaussian cu M (Yt ) = 0
116
Pentru orice
2 R, 0 < t1 < t2 < : : : < tn < 1 rezulta ca
1 Yt1
::: +
2 Yt2
2
+ ::: +
(Xt2 +s
1 Xt1 +s
(Xt1 +s
Xs ) + : : :
Xs ) + ::: +
(Xtn +s
Xs ) =
+ ::: +
n Ytn
n Xtn +s
+ ::: +
n ) Xs
este variabila aleatoare gaussiana (pentru ca (Xt )t 0 este Miscare Browniana,

deci proces Gaussian cu M (Xt ) = 0 si M (X` Xt ) = min (`; t), 8 `; t): Mai
departe
M (Yt ) = M (Xt+s
si daca `
Xs ) = M (Xt+s )
M (Xs ) = 0;
t,
M (Y` Yt ) = M [(X`+s
M [X`+s Xt+s ]
Xs ) (Xt+s
M [Xs X`+s ] + M Xs2 =
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
este o variabila aleatoare gaussiana. Apoi

M (Yt ) = M
si pentru s
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.
CONSTRUCTIA INTEGRALEI STOCHASTICE
117
Denitia 1.6. Fie (Xt )t S R un proces stochastic cu valori reale, denit

pe un cimp de probabilitate ( ; F; P ) si e (Ft )t2S o baza stochastica pe
(deci o familie crescatoare de corpuri boreliene incluse in F).
Vom spune ca Xt este Ft -martingal daca:
(1) Xt este Ft -adaptat si Xt este integrabila pentru orice t:
(2) Pentru orice s < t
M [Xt j Fs ] = Xs :
Propozitia 1.7. Daca (Xt )t 0 este M iscare Browniana atunci:
(1) (Xt )t 0 este un FtX -martingal.
(2) (Xt2 t)t 0 este un FtX -martingal.
Demonstratie. Daca s
t atunci variabila aleatoare Xt
pendenta de corpul borelian FsX ; si deci
M [Xt
(2) Se observa ca daca s
M Xt2
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
Dar conform propozitiei anterioare, (Xt )t

M [Xt
Xs ) j Fs
Xs j Fs ] :
este un Ft -martingal si deci
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:
Constructia integralei stochastice
In continuare timpul va un interval nit sau [0; +1): De asemenea vom

considera un cimp de probabilitate complet ( ; F; P ) si o baza stochastica
(ltratie) (Ft )t 0 pe : Completam ltratia cu multimile neglijabile din F,
adica cu multimile A cu P (A) = 0. Se obtine o noua ltratie, pe care o
118
vom nota tot cu (Ft )t 0 ce are proprietatea ca 8t 0; F0 contine multimile

neglijabile din F.
Fie (Wt )t 0 o Miscare Browniana in raport cu ltratia (Ft )t 0 , adica un
proces stochastic cu valori reale ce are urmatoarele proprietati:
(1) Are traiectoriile continue (deci functia t ! Wt (!) este continua pentru
orice !) si W0 = 0.
(2) Este proces cu cresteri independente, adica daca s t, variabila aleatoare
Xt Xs este independenta de corpul borelian Fs .
(3) Daca s t atunci variabila aleatoare Xt Xs are repartitia normala de
parametri 0 si t s (pe scurt Xt Xs 2 N (0; t s)):
(4) Wt este Ft -adaptat.
In Denitia 1.2 este considerat cazul particular in care Ft = FtX :
In continuare vom considera 0 < T < 1. Scopul este sa denim integrala
RT
stochastica f (t) dWt ; unde f (t; !) este un proces stochastic.
0
Pentru ! xat ar trebui sa denim integrala
RT
f (t) dWt (!). Daca aplicatia
t ! Wt (!) ar derivabila, acest tip de integrala ar avea sens si am putea-o

RT
0
deni prin f (t) Wt (!)dt.
0
Daca aplicatia t ! Wt (!) ar cu variatie nita, atunci pentru procese cu

traiectoriile continue (adica daca aplicatia t ! f (t; !) este continua) am
RT
putea da un sens integralei f (t) dWt (!) daca tinem seama de faptul ca
0
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
0 = tn0 < tn1 < : : : < tnn
< tnk(n) = T
de diviziuni ale intervalului [0; T ] (de exemplu se poate lua

prietatea k n k = max tni tni 1 ! 0:
i
Atunci
k(n) 1
Sn :=
X
i=0
Wtni+1
Wtni
L2
! T:
n!1
tnk
k
)
n
un sir
cu pro-
3.2. Constructia integralei stocastice
119
Demonstratie. Pentru simplicarea scrierii vom presupune ca k(n) = n si

vom suprima exponentul n de la tni : Avem ca
2
!2 3
n 1
X
2
T j2 = M 4
Wti +1 Wti
T 5=
n = M jSn
i=0
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)
Stim ca daca X este repartizata normal N (0; 2 ), atunci momentele de ordin

2k
2k sunt date de egalitatea M2k (X) = (2k)!
:
2k k!
Asadar intrucit
Wti 2 N (0; ti+1
Xi = Wti+1
ti ) = N (0;
i) ;
= ti+1
ti ;
avem
M
Wti+1
Wti
= ti+1
ti ; M
Wtj+1
Wtj
Pentru i < j avem

M
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
Inlocuind cele de mai sus in (3.2.1) obtinem

n
=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:
Propozitia 2.2. Aproape sigur traiectoriile Miscarii Browniene sunt cu

variatie innita pe orice interval compact.
Demonstratie. Fie (
:=
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:
Alegem un subsir k(n) asa incit
k(n)
[0; T ] avem pentru orice !

sup Wtni+1
i
! T si intrucit W este continua pe
n!1
Wtni (!) ! 0:
Cele precedente si (3.2.2) implica faptul ca a.s.

2k(n)
X1
i=0
Wtk(n)
i+1
Wtk(n)
i
! 1;
si aceasta arata ca a.s. W are variatie innita.

Fie in continuare 0
<
T si vom da un sens integralei stochastice
R
f (t) dWt pentru o anumita clasa de procese ff (t)g t :
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
([ ; ]) clasa proceselor Ft -neanticipante ff (t)g

0
1
Z
M @ f 2 (t) dtA < +1:
Observatia 2.3. Are loc incluziunea
([ ; ])
cu proprietatea
P2 ([ ; ]).
Denitia 2.4. Notam prin E ([ ; ]) subspatiul lui 2 ([ ; ]) format din

procese etajate (sau simple), deci
f 2 E ([ ; ]) , 9 o partitie
: ( = t0 < t1 < : : : < tn = ) a intervalului
[ ; ] astfel inct 8k = 0; :::; n 1; 9fk o variabila aleatoare reala denita pe
( ; F; P ), masurabila in raport cu Ftk ; marginita si cu proprietatea
f (t) = fk daca t 2 [tk ; tk+1 ) ;
sau altfel spus,
f (t) =
n 1
X
(3.2.3)
fk 1[tk ;tk+1 ) (t):
k=0
Denirea integralei stochastice o vom face in mai multe etape.

Pasul 1. Fie f 2 E ([ ; ]) :
Punem prin denitie
Z
f (t) dWt =
n 1
X
fk Wtk+1
Wtk
(3.2.4)
k=0
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
Propozitia 2.5. (1) Aplicatia I denita prin I (f ) =
f (t) dWt pe spatiul
E ([ ; ]) si cu valori variabile aleatoare este o aplicatie liniara, adica este

adevarata relatia
Z
[ 1 f1 (t) + 2 f2 (t)] dWt =
1
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@
f (t) dWt > "A
P@
f 2 (t) dt > N A +
N
; 8"; N > 0: (3.2.6)
"2
Demonstratie. Armatia (1) rezulta cu usurinta.

(2) Folosind faptul ca fk si Wtk+1 Wtk sunt independente, avem
!
nP1
R
M
f (t) dWt = M
fk Wtk+1 Wtk
=
nP1
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

n 1
X
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
si din independenta dintre Wtl+1
tk ) M fk2 ;
Wtl si Ftl obtinem
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
calculele de mai sus implica

20
12 3
Z
n 1
6@
7 X
A
M4
f (t) dWt 5 =
M (Ak ) =
k=0
n 1
X
k=0
(tk+1
tk ) M fk2 = M @
f 2 (t) dtA :
124
(3) Fie f 2 E ([ ; ]) ; "; N > 0:

Daca A; B 2 F stim ca
P (A) = P [(A \ B) [ (A \ B c )] =
P (A \ B) + P (A \ B c )
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
:
;
:
Atunci conform inegalitatii de mai sus,

0
1
Z
f (t) dWt > "A
P@
0
P@
f (t) dWt > ";
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:
gk 1[tk ;tk+1 ) , unde
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)
Vrem sa aproximam procesul ff (t)g t printr-un proces ffN (t)g

E ([ ; ]) pentru a putea aplica punctul (2) al propozitiei.
Denim
8
k
P
>
>
fj2 (tj+1 tj ) N;
< f (t) , tk t < tk+1 si
j=0
fN (t) =
k
P
>
>
: 0
tk t < tk+1 si
fj2 (tj+1 tj ) > N:
fk , tk
0
tk
9
=
);

in mod evident fN 2 E ([ ; ]) :
Fie intregul aleator denit prin
(
(!) = max 0
125
1:
fj2 (!) (tj+1
tj )
j=0
Rezulta ca
(!)
X
k
X
fj2 (!) (tj+1
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
N;atunci f (t; !) = fN (t; !) (conform mod-
ului de denire al procesului fN ) si putem scrie

0
Z
Z
@
P
f (t) dWt > "; f 2 (t) dt
0
P@
N:
f (t) dWt > "; f (t) = fN (t)A
P@
NA
fN (t) dWt > "A : (3.2.8)
Daca aplicam inegalitatea lui Cebisev obtinem

20
0
1
12 3
Z
Z
1
6
7
P @ fN (t) dWt > "A
M 4@ fN (t) dWt > "A 5
"2
=
Asadar
1
M@
"2
fN2 (t) dtA
N
:
"2
126

0
P@
f (t) dWt > ";
f 2 (t) dt
si deci inlocuind (3.2.8), (3.2.9) in (3.2.7) obtinem

0
P@
f (t) dWt > "A
N
+P @
"2
NA
f 2 (t) dt
N
"2
(3.2.9)
NA :
Observatia 2.6. Se poate arata ca (demonstratia nu este imediata):

(a) Daca f 2 P2 ([ ; ]) atunci exista fn 2 E ([ ; ]) astfel incit
Z
(b) Daca f 2
jfn (t)
a:s:
f (t)j2 dt ! 0:
([ ; ])atunci exista gn 2 E ([ ; ]) astfel incit

2
Z
M 4 jgn (t)
f (t)j2 dt5 ! 0:
Pasul 2. Fie f 2 P2 ([ ; ]) si (fn )n sirul de procese etajate dat de observatia

precedenta (punctul (a)). Atunci pentru " > 0; N > 0 xati, avem
0
P@
0
Sirul
P@
jfn (t)
(fm (t)
jfm (t)
fn (t)) dWt > "A

1
fn (t)j2 dt > N A +
(3.2.10)
N
:
"2
f (t)j2 dt converge a.s. la 0 si deci in particular converge in
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)
Revenind la (3.2.10) deducem

limn;m!1 P
R
limn;m!1 P
fn (t)j2 dt
fn (t)) + f (t)
Z
f (t)j2 dt;
jfn (t)
fn (t)j2 dt converge in probabilitate la 0, deci
jfm (t)
0
j(fm (t)
jfm (t)
R
127
fn (t)j2 dt > N A = 0; 8N > 0:
(fm (t)
jfm (t)
fn (t)) dWt > "

!
fn (t)j2 > N
N
"2
N
;
"2
si apoi facind N ! 0 obtinem;

0
lim P @
n;m!1
deci sirul
fn (t) dWt
(fm (t)
!
fn (t)) dWt > "A = 0; 8" > 0;
este Cauchy in probabilitate, deci este convergent
in probabilitate la o variabila aleatoare, notata

stochastica (sau It) a lui f in raport cu W.
f (t) dWt si numita integrala
Pentru ca modul de denire al integralei stochastice
f (t) dWt sa e corect,
vom demonstra ca aceasta nu depinde de sirul de aproximare ales. Fie, pentru
128
aceasta, alt sir de procese (gn ) ce satisface

Z
jgn (t)
a:s:
f (t)j2 dt ! 0:
Denim un nou sir hn prin
Sirul
R
h2n (t) = fn (t) ; h2n+1 (t) = gn (t) :

!
jhn (t)
jfn (t)
f (t)j2 dt
!
este format din subsirul termenilor de rang par
si subsirul termenilor de rang impar
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
sunt subsiruri ale lui
hn (t) dWt ,
sir care este convergent in probabilitate, deci cele doua subsiruri au aceeasi
limita in probabilitate
lim
n!+1
fn (t) dWt = lim
n!+1
gn (t) dWt :
Propozitia 2.7. (1) Aplicatia I denita pe spatiul P2 ([ ; ]) prin I (f ) =

R
fn (t) dWt este o aplicatie liniara, adica 8 1 ; 2 2 R;f1 ; f2 2 P2 ([ ; ]) ;
Z
1 f1
(t) +
2 f2
(t) dWt =
f1 (t) dWt +
f2 (t) dWt ;

(2) Daca f 2
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 :
(3) Daca f 2 P2 ([ ; ]) atunci

0
129
2
3
Z
N
P 4 f 2 (t) dt > N 5 + 2 :
"
f (t) dWt > "A
(3.2.12)
(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 P2 ([ ; ]). Mai precis, e f 2 E ([ ; ]) si deci
f 2 P2 ([ ; ]) :
Sirul (fn )n de procese etajate denit prin fn (t; !) = f (t; !) ; 8t 2 [ ; ] ; ! 2
; este un sir constant si evident
Z
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
Demonstratia Propozitiei 2.7. (1) Fie f; g 2 P2 ([ ; ]) ;

sirurile (fn )n ; (gn )n din E ([ ; ]) alese astfel inct
Z
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
Pentru procesele etajate fn ; gn putem scrie

Z
[ 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 ;
si atunci trecnd la limita in ultima egalitate obtinem

Z
h (t) dWt =
f (t) dWt +
g (t) dWt :
(2) Fie f 2 E2 ([ ; ]). Conform Observatiei 2.6-(b), exista (fn )n un sir de

procese etajate marginite astfel inct
3
2
Z
M 4 jfn (t) f (t)j2 5 dt ! 0:
Vom arata chiar ca
ca sirul Xn =
ca
kXn
fn (t) dWt
!
L2 ( )
f (t) dWt si pentru aceasta vom arata
este un sir Cauchy in norma din L2 ( ) : Avem
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
Asadar exista g 2 L2 ( ) astfel inct

Z
Dar
fn (t) dWt !
g=
fn (t) dW
fm (t)j2 dt5 ! 0:
L2 ( )
! g:
f (t) dWt , deci din unicitatea limitei rezulta ca
f (t) dWt si deci
fn (t) dWt
L2 ( )
f (t) dWt :
In continuare folosim urmatorul rezultat simplu a carui demonstratie o lasam

cititorului ca exercitiu: daca hn ; h 2 L2 ( ) sunt astfel incit hn
M (hn ) ! M (h) ; M h2n
L2 ( )
! h; atunci
! M h2 :
Luam acum
hn =
fn (t) dWt ; h =
f (t) dWt
si trecind la limita in egalitatile

0
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
Stim ca exista un sir (fn (t))n de procese etajate asa incit

Z
jfn (t)
a:s:
f (t)j dt ! 0;
fn (t) dWt !
f (t) dWt :
Conform inegalitatii (3.2.6),

0
P@
fn (t) dWt > "0 A
P@
fn2 (t) dt > N 0 A +
N0
;
"0
Alegind "0 < " avem

1
0
0
Z
Z
Z
A
@
@
(fn
f (t) dWt > ";
f (t) dWt > " = P
P
0
P@
+P @
(fn
f (t) dWt > ";

1
f ) dW > "0 A + P @
Dar intrucit
0
Z
P @ fn (t) dWt > "
"0 A
din (3.2.14) deducem

0
1
Z
P @ f (t) dWt > "A
0
+P @
P@
P@
Z
1
"0 A :
fn (t) dWt > "
f ) dW
f ) dW > "0 A
(fn
Z
8"0 ; N 0 > 0:
fn2 (t) dt > N 0 A +
(fn
fn2 (t) dt > N 0 A +
"0 A
(3.2.14)
N0
(" "0 )2
f ) dW > "0 A +
N0
(" "0 )2
134

0
P@
f ) dW > "0 A + P @
(fn
0
P@
f (t))2 dt >
(fn (t)
de unde facind n ! +1;

0
P@
f (t) dWt > "A
Alegem: N 0 = 4N; "0 =
"
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
si obtinem inegalitatea dorita.
Observatia 2.9. Daca f 2
([ ; ]) atunci f 2
([s; t]) ; 8
Teorema 2.10. Fie f 2 ([ ; ]). Atunci pentru orice

loc egalitatile:
Rt
f (u) dWu j Fs = 0:
(a) M
#
"s
2
Rt 2
Rt
f (u) du j Fs :
(b) M
f (u) dWu j Fs = M
s
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
este tot un Ft -martingal.
(2) Se poate arata ca procesul integrala stochastica
Rt
cu
f (u) dWu
t
f 2 P2 ([ ; ]) ; 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:

Lema 2.12. Fie f 2 P2 ([ ; ]) si
Z
135
F
masurabila si marginita. Atunci

Z
[ f (t)] dWt =
(3.2.15)
f (t) dWt :
Demonstratia Lemei 2.12. Daca f este etajata , atunci f se poate scrie

f (t) =
n 1
X
fk 1[tk ;tk+1 ) (t);
k=0
cu fk Ftk masurabila si marginita. Atunci cum fk este Ftk -masurabila

Z
n 1
X
[ f (t)] dWt =
Z "X
n 1
fk 1[tk ;tk+1 ) (t) dWt =
k=0
fk Wtk+1
n 1
X
Wtk =
k=0
fk Wtk+1
Wtk =
k=0
f (t) dWt :
Fie acum f 2 P2 ([ ; ]) si alegem (fn )n un sir de procese etajate ce satisface

Z
a:s:
f (t)j2 dt ! 0:
jfn (t)
(3.2.16)
Pentru n xat avem conform celor de mai sus,

Z
( fn (t)) dWt =
(3.2.17)
fn (t) dWt :
Insa (gn )n = ( fn (t))n este un sir de procese etajate ce satisface

Z
jgn (t)
fn (t)j dt =
jfn (t)
Din relatiile (3.2.16) si (3.2.18) rezulta ca
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 :
Trecnd la limita dupa n ! 1 in relatia (3.2.17) se obtine

3
2
Z
Z
[ fn (t)] dWt = 4 f (t) dWt 5 :
Demonstratia Teoremei 2.10. Fie

s
t
. Nu este nici o
problema in a vedea ca rezultatul din lema precedenta poate imediat extins
la cazul cind s
#
; F masurabila, avind in aceasta situatie
egalitatea
2 #
3
Z
Z#
4 f (r) dWr 5 = [ f (r)] dWr :
(3.2.19)
(a) Fie A 2 Fs . Atunci lund = 1A in (3.2.19) vom obtine
2 t
3
Z
Zt
1A 4 f (u) dWu 5 = [1A f (u)] dWu :
s
Putem scrie atunci

0
1
2
3
Z Zt
Z
Zt
@ f (u) dWu A dP = 41A f (u) dWu 5 dP =
s
2
3
2 t
3
Z Zt
Z
4 (1A f (u)) dWu 5 dP = M 4 (1A f (u)) dWu 5 = 0;
s
deoarece 1A f 2 2 ([ ; ]) si se aplica proprietatea (3) a Propozitiei 2.7, unde

intervalul [ ; ] este inlocuit cu [s; t] :
137
Atunci, conform denitiei valorii medii conditionate rezulta ca

2 t
3
Z
M 4 f (u) dWu j Fs 5 = 0:
s
(b) Consideram din nou A 2 Fs oarecare. Atunci

2 0 t
12 3
20 t
12 3
Z
Z
Z
Z
4@ f (u) dWu A 5 dP = 41A @ f (u) dWu A 5 dP =
=
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
fapt ca probeaza armatia.

Teorema 2.13 (inegalitatile lui Doob pentru timp continuu). Daca (Mt ) este
un martingal continuu atunci:
p
sup jMt j
t T
sup jMt j > a

t T
M (jMT jp ) ; 8p > 1; T > 0;
a r M (jMT jr ) ; 8r
1; a; T > 0;
In particular daca f 2 f2 ([0; T ]) au loc inegalitatile

Z t
Z T
2
M sup
f (s)dWs
4M
jf (s)j2 ds ;
t T
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
Demonstratie. Din continuitatea traiectoriilor rezulta egalitatea

sup jMt j = sup jMt j :
t T
t T;\Q
Acuma inegalitatile (3.2.20), (3.2.21) sint consecinte ale inegalitatilor (3.1.19)

Rt
si (3.1.20). Mai departe aplicind (3.2.20) si (3.2.21) martingalului 0 f (s)dWs
obtinem (3:2:22) si (3:2:23) :
Teorema 2.14. Fie fn ; f 2 P2 ([0; T ]) asa incit
Z T
p
jfn (t) f (t)j2 dt ! 0:
0
Atunci
fn (t)dWt !
f (t)dWt :
Demonstratie. Prin aplicarea inegalitatii (3.2.13) obtinem pentru "; N > 0;

Z T
Z T
f (t)dWt > "
fn (t)dWt
P
0
f (t)j2 dt > " +
jfn (t)
de unde luind limn!1 deducem

Z T
fn (t)dWt
lim P
n!1
f (t)dWt > "
si apoi facind N ! 0 obtinem

Z T
lim P
fn (t)dWt
n!1
N
;
"2
N
;
"2
f (t)dWt > "
= 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.
FORMULA DE SCHIMBARE DE VARIABILA SAU FORMULA LUI IT139
Teorema 2.15. Fie f 2 P2 ([ ; ]) ; f (:; !) continua pentru ! xat. Fie

( n )n un sir de partitii, n : = tn0 < tn1 < : : : < tnn = ; cu k n k ! 0:
Atunci
Z
n 1
X
p
n
f (tk ) Wtnk+1 Wtnk
!
f (t) dWt :
n!1
k=0
Demonstratie. Avnd diviziunea
data, denim
fn (t) = f (tnk ) ; t 2 tnk ; tnk+1 ; 0
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
Conform teoremei anterioare avem de aratat ca

Z
jfn (t)
f (t)j2 dt
! 0:
n!1
De fapt intrucit aplicatia t 2 [ ; ] ! f (t; !) este continua, [ ; ] este

intervalul comparat, rezulta ca aplicatia este uniform continua si de aici lasam
cititorului sa verice ca pentru orice !
Z
3.3
jfn (t; !)
f (t; !)j2 dt ! 0:
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
Vom preciza, n continuare, principalele elemente de care vom avea nevoie

pentru a formula rezultatul.
n cele ce urmeaz considerm T = [0; +1) : Se dau:
(a) O variabila aleatoare real X0 numit valoarea (conditia) initiala la momentul t = 0.
(b) Un proces fa (t)gt 0 apartinind lui P2 ([0; T ]) ; pentru orice T > 0.
(c) Un proces fb (t)gt 0 Ft -neanticipant ce satisface
0 t
1
Z
P @ jb (s)j ds < +1A = 1; 8t
0:
(d) O functie u (t; x) : R+ R ! R continua ce admite derivate partiale de

ordinul unu n t si de ordinul unu si doi n x continue (vom scrie acest fapt
pe scurt ca u 2 C 1;2 (R+ R)).
Denim procesul continuu fXt gt 0 prin:
Xt = X0 +
Zt
0
b (s) ds +
Zt
a (s) dWs ; 8t
0:
(3.3.1)
Aplicatia t 7! Xt (:) este continua P-a.s., deoarece t 7!
Rt
b (s) ds este continua
(integrala denita dintr-o functie integrabila pe intervalul [0; t] este functie

Rt
a (s) dWs
continua), iar procesul integralei stochastice
0
t 0
are traiectoriile continue.

Procesul (Xt )t se numeste proces It si este un caz particular de ceea ce se
numeste in general semimartingal, ind suma dintre valoarea initiala X0 , 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 fu (t; Xt )gt 0 este un semimartingal
ce satisface egalitatea:
u (t; Xt ) = u (0; X0 ) +
(3.3.2)
3.3. Formula lui It

Rt h @u
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+
(s; Xs ) a (s) dWs ; a:s:; 8t
0:
In particular, daca a = X0 = 0; b = 1; cu alte cuvinte daca Xt =

Wt ; are loc egalitatea
u (t; Wt ) = u (0; 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
n
i
unde i este o variabila aleatoare ce satisface 0

(3.3.5) se obtine
u (t; Wt )
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
(tni ; Wtin ) Wtni+1
n 1h
X
Wtni+1
Wtni+1
Wtni +
@2u n
t ; Wtni
@x2 i
Wtni
Folosind continuitatea traiectoriilor Miscarii Browniene si a derivatelor @u

,
@t
@u @ 2 u
,
si de ci uniform continuitatea pe intervale compacte, putem deduce:
@x @x2
n
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)
3.3. Formula lui It
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
Conform Propozitiei 2.1 rezulta ca

n 1
X
Wtni+1
Wtni
L2
t
n!+1
i=0
Tinnd cont de faptul ca
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
Tinnd cont de formula de derivare pentru functii compuse, putem scrie,

@ u~
@u
@u
(t; x) =
(t; X0 + bt + ax) + b (t; X0 + bt + ax)
@t
@t
@x
@u
@ u~
(t; x) = a (t; Xt )
@x
@x
2
@ 2 u~
2@ u
(t;
x)
=
a
(t; Xt ) ; u~ (0; 0) = u (0; X0 ) :
@x2
@x2
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
adica exact formula It pentru acest caz.

Pasul 3. Presupunem ca Xt este de forma:
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
Fie acum B un eveniment arbitrar din F0 B (Wt : t 0) de tipul B1

unde B1 2 F0 si B2 2 B (Wt : t 0).
Atunci avem
P h 1 (B) = P (f! : h (!) 2 Bg) =
B2 ,
3.3. Formula lui It
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 ) ;
(deoarece B1 2 F0 , B2 2 B (Wt : t 0) si F0 si B (Wt : t 0) sunt independente)

si deoarece multimile de tipul B1 B2 cu B1 2 F0 si B2 2 B (Wt : t 0)
genereaza corpul borelian produs F0 B (Wt : t 0), deducem din teorema
de unicitate a probabilitatilor ca:
P
(B) = P jF0
P jB(Wt :t
0)
(B) ; 8B 2 F0
Denim n continuare evenimentul B 2 F

B = f(! 1 ; ! 2 ) 2
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
(integrala stochastica se considera pentru ! 1 xat si procesul de sub integrala

depinznd de t; ! 2 ).
n mod evident h 1 (B) = A deoarece
(! 1 ; ! 2 ) 2 h
(B) , ! 1 = ! 2 := !; h (!) = (!; !) 2 B , ! 2 A:
Atunci putem scrie folosind (3.3.11)

P (A) = P h
(B) = P
(B) =
P jB(Wt :t
0)
(B!1 ) dP jF0 (! 1 ) ;
146
unde
B!1 = f! 2 2
: (! 1 ; ! 2 ) 2 Bg :
Dar pentru ! 1 , xat,B!1 este un eveniment ce este adevarat cu probabilitatea

1, conform pasului precedent.
Atunci
P jB(Wt :t
0)
(B!1 ) = 1; 8! 1 ;
ceea ce implica
Z
P jB(Wt :t
0)
(B!1 ) dP jF0 (! 1 ) = 1
Asadar P (A) = 1, deci formula de diferentiere It este adevarata si n acest

caz.
Pasul 4. Presupunem acum ca a (t) si b (t) sunt procese etajate din 2 ([0; T ])
cu T > 0 xat, asal nct exista 0 = t0 < t1 < : : : < tn = T si (ai )0 i n 1
si (bi )0 i n 1 cu proprietatea ca ai si bi sunt Ft -masurabile si marginite, 8
0 i n 1 si
a(t) =
n 1
X
ai 1[ti ;ti+1 ) (t); b(t) =
i=0
n 1
X
bi 1[ti ;ti+1 ) (t):
i=0
Tinind cont de aditivitatea integralei Riemman si a celei stochastice, rezulta

ca este sucient sa aratam ca:
u ti+1 ; Xti+1
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+
3.3. Formula lui It

Zti+1
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
, pentru n sucient de mareA = 1:
Zs
a (u) dWu ; uniform pentru s
Zs
Zs
t:
Conchidem ca sirul
Xsn
= X0 +
an (u) dWu +
bn (u) du
converge a.s. catre Xs , uniform pe [0; t] :

Conform pasului precedent, formula It are loc pentru Xtn , deci :
u (t; Xtn ) = u (0; X0 ) + +
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
Deoarece sup jXsn
Xs j
[0; t]) si
lui It:
sunt continue, prin trecere la limita obtinem formula
0 s t
2
u; @u
; @u ; @ u
@t @x @x2
! Xs , uniform pentru s 2
Observatia 3.3. Formula de diferentiere It se poate extinde n felul urmator:

Fie X1 (t) ; X2 (t) ; : : : ; Xn (t) ; n procese It de forma:
Xk (t) = Xk (0) +
Zt
bk (s) ds +
Zt
ak (s) dWs
unde: ak 2 P2 ([0; t]) ; 81 k n; t 0,

Rt
jbk (s)j < 1 = 1, bk Ft -neanticipant ,
P
0
Xk (0) sunt variabile aleatoare F0 -masurabile, 81 k n:

Fie de asemenea ' : R+ Rn ! R o functie ' (t; x) ce admite derivate
partiale de ordinul intii continue n t si derivate partiale de ordinul intii si
doi in x = (x1 ; : : : ; xn ) 2 Rn 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
fu (t; X1 (t) ; : : : ; Xn (t))gt
este tot un proces It de forma urmatoare:

u (t; X1 (t) ; X2 (t) ; : : : ; Xn (t)) = u (0; X1 (0) ; : : : ; Xn (0)) +
(3.3.12)
Zt "
n
X
@u
@u
(s; X1 (s) ; : : : ; Xn (s)) +
(s; X1 (s) ; : : : ; Xn (s)) bk (s) +
@t
@xk
k=1
0
3.3. Formula lui It
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
In cazul particular pentru n = 2 :

u (t; X1 (t) ; X2 (t)) = u (0; X1 (0) ; X2 (0)) +
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
In continuare vom folosi urmatoarea conventie de calcul (pentru scrierea

diferentiala):
dtdt = 0; dtdWt = dWt dt = 0; dWt dWt = t:
(b) Aplicatii ale formulei Ito
(1) (Produsul a doua procese It-Formula de integrare prin parti). Vrem sa
aplicam formula It (n cazul n = 2) procesului Yt = X1 (t) X2 (t), cu Xi
procese It cu coecienti ai ; bi : Este clar ca acuma u (t; x1 ; x2 ) = x1 x2 : Avem
@u
@u
@u
(t; x1 ; x2 ) = 0;
(t; x1 ; x2 ) = x2 ;
(t; x1 ; x2 ) = x1 ;
@t
@x1
@x2
@2u
@2u
@2u
(t;
x
;
x
)
=
0;
(t;
x
;
x
)
=
0;
(t; x1 ; x2 ) = 1;
1
2
1
2
@x21
@x22
@x1 @x2
150
si aplicnd formula It procesului X1 (t) X2 (t) = u (t; X1 (t) ; X2 (t)) obtinem

formula de integrare prin parti:
X1 (t) X2 (t) = X1 (0) X2 (0) +
Zt
[X2 (s) b1 (s) + X1 (s) b2 (s) +
+a1 (s) a2 (s)] ds +
Zt
[X2 (s) a1 (s) + X1 (s) a2 (s) ] dWs :
(3.3.14)
Putem scrie formal

d (X1 (t) X2 (t)) = X2 (t) b1 (t) dt + X1 (t) b2 (t) dt+
+a1 (t) a2 (t) dt + X2 (t) a1 (t) dWt + X1 (t) a2 (t) dWt =
= X1 (t) [b2 (t) dt + a2 (t) dWt ] + X2 (t) [b1 (t) dt + a1 (t) dWt ]
+a1 (t) a2 (t) dt = X1 (t) dX2 (t) + X2 (t) dX1 (t) + a1 (t) a2 (t) dt:
Asadar:
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)
(formal) sau riguros:

Wt2 = 2
Zt
0
Ws dWs + t;
Zt
0
Ws dWs =
Wt2 t
:
2
(3.3.17)
3.3. Formula lui It
151
Regasim astfel faptul ca procesul (Wt2
este un Ft -martingal (tinem

Rt
cont ca (Wt )t 0 2 2 ([0; T ]) ; 8T > 0; si deci in particular procesul
Ws dWs
t)t
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)
unde Y0 este o variabila aleatoare F0 -masurabila, a; b 2 R.

Teorema 3.5. Procesul stochastic (Yt )t
entiala stochastica
Yt = Y0 +
Zt
verica urmatoarea ecuatie difer-
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:
Demonstratie. Vom deni

X1 (t) = Y0 ; X2 (t) =
Zt
1 2
b ds +
2
1 2
b t + bWt =
2
Zt
bdWs
Atunci Xi sint procese It cu

X1 (0) = Y0 ; X2 (0) = 0; a1 (t) = b1 (t) = 0; a2 (t) = b; b2 (t) = a
Fie u (t; x1 ; x2 ) = x1 ex2 . Atunci
@u
@u
@u
= 0;
= ex2 ;
= x1 ex2 = u;
@t
@x1
@x2
1 2
b:
2
t 0
152

@2u
@2u
@2u
x2
=
u;
=
0;
=
e
= ex2
@x21
@x22
@x1 x2
Aplicnd fomula lui It pentru cazul bidimensional functiei u (t; x1 ; x2 ) si

proceselor X1 (t); X2 (t) obtinem
Yt = u (t; X1 (t) ; X2 (t)) = Y0 e0 +
Zt
1 2
b
2
X1 (s) eX2 (s) a
1
+ X1 (s) eX2 (s) b2 ds+
2
Zt
X1 (s) eX2 (s) b dWs = Y0 + a
Zt
Ys ds + b
Zt
Ys dWs ;
prin urmare Yt verica (3.3.19).

Unicitatea. Fie pentru aceasta alta solutie, deci un proces (Ut )t
face
Ut = Y0 +
Zt
aXs ds +
Zt
care satis-
bXs dWs
Vom ncerca sa exprimam diferentiala stochasticaa produsului Ut Yt 1 .

Avem
1
Vt := Y0 Yt
=e
b02
2
a0
t+b0 Wt
=e
2
2
; unde a0 =
t+(
)Wt
a + b2 ; b 0 =
b:
Din prima parte a demonstratiei stim ca Vt satisface ecuatia stochastica

Vt = 1 +
Zt
a Vs ds +
1+
a + b2
Zt
b0 Vs dWs =
Zt
0
Vs ds + ( b)
Zt
0
Vs dWs :
3.3. Formula lui It
153
Vom aplica formula de integrare prin parti (3.3.14) si se obtine

Ut Vt = Y0 +
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
sunt continue, rezulta ca a.s., 8 t
0, a.s:
0 avemYt = Ut .
Observatia 3.6. In particular daca a = 0 obtinem ce procesul exponential

1 2
b t
2
Zt = ebWt
; t
(3.3.20)
0;
este unica solutie a ecuatiei stochastice

Zt = 1 +
Zt
bZs dWs ; t
0:
n continuare vom calcula momentele de ordinul 1 si 2 ale variabilei Yt , pentru

t 2 [0; T ] xat. Presupunem ca Y0 2 L2 ( ; F; P ).
n aceasta ipoteza aratam ca procesul (Yt )t2[0;T ] 2 2 ([0; T ]).
RT 2
Pentru aceasta vom verica ca M
Yt dt < +1. ntr-adevar
0
M@
ZT
0
Yt2 dtA = M @
ZT
0
Y02 e(2a
b2 )t+2bWt
dtA
154

e(2a
b2 T )
M@
ZT
0
Y02 e2bWt dtA = M Y02 M @

M
Y02
ZT
ZT
e2bWt dtA =
M e2bWt dt;
2bWt
(deoarece Y0 este F0 -masurabila, e

este B (Wt : 0 t T )-masurabila iar
F0 si B (Wt : 0 t T ) sunt corpuri boreliene independente). Mai departe
2bWt
M e
2bWt
dP =
Z1
e2bx p
1
e
2 t
x2
2t
dx;
de unde rezulta cu usurinta ca

ZT
2bWt
M e
dt =
ZT Z1
0
Asadar (Yt )t2[0;T ] 2
e2bx p
1
e
2 t
x2
2t
dxdt < 1:
([0; T ]), si deci in particular M
Rt
Ys dWs = 0. Apoi
aplicind media in (3.3.19) obtinem

0
M (Yt ) = M (Y0 ) + a @
bM @
Zt
0
Zt
0
Ys dsA +
Ys dWs A = M (Y0 ) + a
Zt
M (Ys ) ds;
deci o ecuatie diferentiala de forma
'0 (t) = M (Y0 ) + a'(t);

cu necunoscuta '(t) = M (Yt ) ; a carei solutie este
M (Yt ) = M (Y0 ) eat :
(3.3.21)
Fie acum functia v : [0; T ] R ! R denita prin v (t; x) = x2 . Aplicind

formula It pentru v (t; Yt ) = Yt2 obtinem:
3.3. Formula lui It
155
Yt2 = Y02 +
Zt
2aYs2 + b2 Ys2 ds +
Zt
2bYs2 dWs :
(3.3.22)
Sa aratam ca procesul (Yt2 )t2[0;T ] 2 2 ([0; T ]) daca M (Y04 ) < 1:.

Avem
0 T
1
0 T
1
Z
Z
2
M @ Yt4 dtA = M @ Y04 e(4a 2b )t+4bWt dtA =
0
M @Y04
ZT
0
ZT Z1
@ e(4a
0
deci (Yt2 )t2[0;T ] 2
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 ] :
Aplicind media n relatia (3.3.22) si tinind cont ca M
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)
Observatia 3.6. In particular din rationamentul precedent va rezulta ca

si procesul Z denit in (3.3.20) este in 2 ([0; T ]) ; 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 Z este martingal.
Probleme
3.7. Daca (Wtn ) este un sir de Miscari Browniene asa incit
p
Wtn
! Wt ; 8t
0;
n!1
unde (Wt ) are traiectorii continue si W0 = 0; sa se arate ca (Wt ) este Miscare

Browniana.
3.8. Daca (Wt ) este Miscare Browniana, sa se arate ca pentru orice
procesul
2
X (t) = e Wt 2 t ; t 0;
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 :
Indicatie. Se foloseste formula lui It aplicata procesului

2p
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;
3.3. Formula lui It
157
verica urmatoarea ecuatie stochastica

Z t
f (s)Xf (s)dWs ; t
Xf (t) = 1 +
0:
In particular sa se deduca ca procesul (Xf (t))t este martingal.

3.11. Fie (Wt )t 0 o Miscare Browniana. Sa se arate direct (fara ajutorul
formulei lui It) ca
Z t
W2 t
Ws dWs = t
; t 0:
2
0
3.12. Fie (Wt ) o Miscare Browniana si f 2 2 ([0; T ]) ; pentru orice T > 0:
Pentru orice a > 0 sa se arate ca are loc egalitatea
Z a+t
Z t
f (s)dWs =
f (s + a)da Ws ; a:s:; 8t 0;
a
unde a Ws = Ws+a
Wa :
158
Capitolul 4
Ecuatii diferentiale stochastice
4.1
Teorema de existenta si unicitate
Vom considera n continuare un cimp de probabilitate ( ; F; P ) pe care sunt

date o variabila aleatoare si o Miscare Browniana (Wt )t 0 . Vom presupune
ca si W sunt independente. Cu ajutorul ultimelor elemente precizate putem
construi o ltratie (Ft )t 0 pe spatiul de baza ( ; F; P ). Se poate lua Ft ca
ind corpul borelian B ( ; Ws : 0 s t) generat de variabila si familia de
variabile aleatoare fWs g0 s t si se completeaza cu multimile P -neglijabile
(de masura P-nula) din F.
Motivatia acestei completari este urmatoarea:
Atunci cind avem o egalitate de tipul: Xt = Yt a.s. pentru un t xat, unde
(Xt )t 0 si (Yt )t 0 sunt procese, (Xt )t 0 este adaptat unei ltratii (Gt )t 0 ,
atunci din faptul ca Xt este Gt -masurabila rezulta ca si Yt este Gt -masurabila.
Cu alte cuvinte, egalitatile ce au loc a.s. pastreaza adaptabilitatea.
Asadar
(Ft )t
= fB (B ( ; Ws : 0
t) [ N )gt
unde am notat cu N multimea evenimentelor P -neglijabile din F.

Fie aplicatiile a (t; x) : [0; T ] R!R; b (t; x) : [0; T ] R!R; masurabile,
unde T > 0; reprezinta un orizont xat.
Denitia 1.1. Prin solutie a ecuatiei stochastice
159
160
Cap. 4. Ecuatii diferentiale stocastice
Xt =
Zt
a (s; Xs ) ds +
Zt
b (s; Xs ) dWs ; 0
(4.1.1)
T;
se intelege un proces (Xt )0 t T ce satisface urmatoarele proprietati:

(i) (Xt )0 t T este adaptat ltratiei (Ft ) :
(ii) Procesul (Xt )0 t T are traiectoriile continue a.s..
(iii) 8 t 2 [0; T ], a.s.,
Zt
ja (s; Xs )j ds < +1;
Zt
b2 (s; Xs ) ds < +1:
(iv) (Xt ) satisface

Xt =
Zt
a (s; Xs ) ds +
Zt
b (s; Xs ) dWs ; 8t 2 [0; T ] ; a:s:;
( In ipotezele de mai sus integrala Riemman

chastica
Rt
Rt
a(s; Xs )ds si integrala sto-
b (s; Xs ) dWs sunt bine denite).
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
~ t ; a.s.,8 t 2 [0; T ] ; sau echivalent, daca exista

Xt = X
cu P (
ncit
~ t (!) ; 8! 2 ; 8t 2 [0; T ] :
Xt (!) = X
) = 1 astfel
4.1. Teoreme de existenta si unicitate
161
~t
Astfel spus, procesele (Xt )t2[0;T ] si X
sunt indistingabile.
t2[0;T ]
Vom formula n continuare urmatorul rezultat privitor la solutiile ecuatiei

stochastice.
Teorema 1.3 (Teorema de existenta si unicitate). Cu notatiile de la nceputul capitolului, sa presupunem:
(1) M 2 < +1:
(2) Functiile a, b satisfac conditia Lipschitz: 9L > 0 astfel incit
ja (t; x)
a(t; y)j + jb (t; x)
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)
In aceste conditii, ecuatia (4.1.1) admite o unica solutie.

In plus solutia (Xt )t2[0;T ] verica inegalitatea:
M
sup Xt2
K1 1 + M
(4.1.4)
0 t T
unde constanta K1 depinde de K si T , (ultima relatie ne spune ca variabila

sup jXt j apartine spatiului Hilbert L2 ( )).
0 t T
Demonstratie. Existenta. Se foloseste metoda aproximatiilor succesive a

lui Picard. Sa denim recursiv urmatorul sir (Xtn )t2[0;T ] de procese (numit
aproximatiile succesive):
Xt0 = ; 8t 2 [0; T ] ;
Xtn+1
Zt
0
a (s; Xsn ) ds
Zt
b (s; Xsn ) dWs ; 8t 2 [0; T ] ; n
1: (4.1.5)
Vom arata n continuare,prin inductie dupa n, ca procesele (Xtn )0 t T sunt

bine denite, sunt Ft -adaptate, au traiectoriile continue a.s. si apartin spatiului 2 ([0; T ]).
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
Presupunem acum armatia adevarata pentru n si o demonstram pentru

n + 1.
Procesele fa (t; Xtn )g0 t T si fb (t; Xtn )g0 t T sunt Ft -adaptate, deoarece pentru t xat ntre 0 si T; variabilele aleatoare a (t; Xtn ) si b (t; Xtn ) se obtin ca
si compunerea aplicatiilor masurabile x ! a (t; x), respectiv x ! b (t; x)
cu variabila aleatoare Xtn , care este Ft -masurabila, rezultatele compunerilor
ind tot variabile aleatoare Ft -masurabila.
Aplicatia t 2 [0; T ] ! a (t; Xtn ) este integrabila Riemman pe [0; T ] pentru !
xat. Avem conform ipotezei (3) din enuntul teoremei:
ja (t; Xtn )j
K1 1 +
jXtn j2
ZT
jXtn j2 dt < +1; a:s:;
deoarece pentru ! xat aplicatia t ! jXtn j2 este continua pe [0; T ], deci

integrabila pe [0; T ]:
Rt
Deducem ca exista si este nita a (s; Xsn ) ds pentru ! xat, iar variabila
Rt
0
a (s; Xsn ) ds este masurabila n raport cu Ft pentru t xat, scriindu-se ca
limita de sume Riemman Ft -masurabile, de unde rezulta Ft -adaptivitatea

procesului dat de integrala Riemman continuitatea traiectoriilor acestui proces rezulta din faptul ca daca g este o functie integrabila pe [0; T ], atunci
Rt
Rt
functia t 7! g (s) ds este continua, deci aplicatia t ! a (s; Xsn ) este con0
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
dWs ; t 2 [0; T ] ; a:s:
163
Deoarece
sup M
Xt0
=M
< +1;
0 t T
putem presupune ca (tot prin inductie)

sup M jXtn j2 < +1
0 t T
si vom arata ca si
Xtn+1
sup M
< +1:
0 t T
Folosind ipoteza (3), rezulta ca

jb (t; Xtn )j2
Atunci putem scrie
2 T
3
Z
M 4 jb (t; Xtn )j2 dt5
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
KT + KT sup M jXtn j2 < +1:

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
martingal cu traiectoriile continue a.s..

Asadar procesul (Xtn )0 t T este bine denit, este Ft -adaptat si are traiectoriile continue a.s.
Folosind inegalitatea (a + b + c)2 3a2 + 3b2 + 3c2 , deducem
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
de unde, din inegalitatea Schwartz si conditia de crestere (4.1.3),

2 t
32
Z
M 4 a (s; Xsn ) 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 ) :
Conform proprietatilor integralei stochastice, putem scrie:

2 t
3
32
2 t
Z
Z
M 4 b (s; Xsn ) dWs 5 = M 4 jb (s; Xsn )j2 ds5
0
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
Folosind cele de mai sus in (4.1.6) deducem urmatoarea majorare,

M Xtn+1
3M
+ 3KT 2 (1 + K1 ) + KT (1 + K1 ) ;
(4.1.6)
165
si deci
sup M Xtn+1
3M
+ 3K1 T (T + 1) (1 + L) < +1:
(4.1.7)
0 t T
adica ceea ce mai ramasese de aratat.

Vom arata n continuare ca sirul (Xsn )n converge a.s. la Xs , uniform n raport
cu t 2 [0; T ]. Astfel, deoarece sirul de procese (Xsn ) are traiectoriile continue
a.s., datorita convergentei uniforme va rezulta ca si limita sa, procesul (Xs ) ;
va avea traiectoriile continue a.s..
Sa estimam pentru aceasta
"
#
sup Xtn+1
Xtn
0 t T
Deoarece (Xtn ) si Xtn+1 satisfac relatiile

Xtn =
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 ;
si folosind inegalitatea (a + b)2
Xtn+1
Xtn
8 t
<Z
:
2a2 + 2b2 , deducem:
a (s; Xsn )
a s; Xsn
ds
92
=
;
(4.1.8)
166
8 t
<Z
:
b s; Xsn
b (s; Xsn )
dWs
92
=
;
Exploatind ipoteza (2) (conditia Lipschitz) din enunt, putem scrie

a (s; Xsn )
b (s; Xsn )
b s; Xsn
a s; Xsn
L Xsn
L Xsn
Xsn
Xsn
; 8 s 2 [0; T ] :
Folosind aceste inegalitati si inegalitatea lui Schwartz deducem

8 t
92
Zt
<Z
=
2
a (s; Xsn ) a s; Xsn 1 ds
t L2 Xsn Xsn
:
;
0
(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 :
;
Deoarece procesul [b (s; Xsn ) b (s; Xsn 1 )] apartine spatiului

cont de inegalitatea Doob (4.2.20) si de (4.1.9), rezulta
2
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
([0; T ]), tinind
92 3
=
dWs 5
;
1 2
ZT
0
Xsn
(4.1.11)
Xsn
1 2
ds:

Pentru s 2 [0; T ] xat, n
Xsn
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

2
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:
Daca n relatia (4.1.13) vom lua n = 2, rezulta,

Xs2
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!
Putem scrie, folosind (4.1.14),

M
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!
Vom arata n continuare ca

1
X
n=1
sup Xtn+1
t T
Xtn
1
n2
(4.1.15)
< +1:
Conform inegalitatii lui Cebisev rezulta,
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
n4 n! converge pentru orice

1
X
1
X
P (An )
n=1
> 0, de unde tragem concluzia

n4 ( T n )
< +1;
n!
2L2 (T + 4)
n=1
unde am notat
An =
! : sup Xtn+1 (!)
1
n2
Xtn (!)
0 t T
Folosind lema lui Borel Cantelli rezulta ca

P (f! : ! 2 An pentru o innitate de ng) = 1;
deci 9
cu P ( ) = 1 astfel ncit 8! 2 , 9N (!) cu proprietatea:
n N (!) ) ! 2 Acn , adica sup Xtn+1 Xtn < n12 .
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 (!)
! Xt (!); uniform pentru t 2 [0; T ] :
n!1
Convergenta ind uniforma, procesul limita (Xt )0

ontinue a.s..
t T
va avea traiectoriile
171
Deoarece pentru n xat procesul (Xtn )0 t T este Ft -adaptat rezulta ca si

procesul (Xt )0 t T este Ft -adaptat.
Vom arata n continuare ca procesul (Xt )t 0 verica ecuatia stochastica data.
Fie t
T xat. Pentru orice n 2 N stim ca prin denitie este adevarata
relatia,
Xtn+1
Zt
a (s; Xsn ) ds
Zt
b (s; Xsn ) dWs :
(4.1.16)
Zt
a (s; Xsn ) ds:
(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:
! Xt , uniform pentru t 2 [0; T ], putem trece la limita sub

Rt
a:s:
semnul integral si deducem ca jXsn Xs j ds ! 0, si atunci din inegalin!1
n!1
tatea precedenta obtinem (4.1.17).

Deoarece
Zt
jb (s; Xsn )
b (s; Xsm )j ds
rezulta ca
L2
Zt
jXsn
Xs j2 ds;
Zt
jb (s; Xsn )
b (s; Xsm )j2 ds
a:s:
! 0:
n!1
Dar cum convergenta a.s. o implica pe cea in probabilitate, deducem,
172

Zt
b (s; Xsm )j2 ds
jb (s; Xsn )
! 0; 8t 2 [0; T ] :
n!1
Tinind cont de Teorema 4.2.14 obtinem ca

Zt
b (s; Xsn ) dWs
n!1
Zt
b (s; Xs ) dWs ; 8t 2 [0; T ] :
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
: [0; T ] ! R o functie integrabila.
g (t)
(t) +
Zt
(s) e
(t s)
ds; 80
T:
(4.1.18)
In particular daca
este o constanta a, atunci (4.1.18) devine

g(t)
ae t ;
si deci g este identic nula daca a = 0.

Demonstratia Lemei 1.4. Avem ca
g (t)
(t) +
Zt
0
g (s) ds )
(4.1.19)
g (t)
Zt
173
g (s) ds
(t) e
(4.1.20)
Functia g este continua, asadar aplicatia t !
Rt
g (s) ds este o primitiva a lui
g. Putem scrie (4.1.20) sub forma echivalenta

2
30 2 t
Zt
Z
t
4e
4
g (s) ds5
(s) e
0
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:
Sa trecem acum la vericarea efectiva a unicitatii. Fie (Xt )0 t T , (Yt )0 t T

doua solutii. Vom arata ca pentru t xat, P (Xt = Yt ) = 1: Se poate arata
ca se poate presupune ca
M jXt j2 ; M jYt j2 < 1; 8t
0;
si de aici rezulta, cu un rationament analog celui din existenta, ca

M
sup jXt j2 ; M
0 t T
sup jYt j2 < +1; 8T:
0 t T
Deoarece (Xt )0 t T , (Yt )0 t T sunt procese cu traiectoriile continue a.s., va

rezulta atunci ca P (Xt = Yt , 8 0 t T ) = 1, altfel spus cele doua procese
sunt indistingabile si unicitatea este astfel probata.
174
Fie asadar t
T xat arbitrar. Prin ipoteza avem
Xt =
Zt
Zt
b (s; Xs ) dWs ;
Zt
b (s; Xs ) dWs :
a (s; Xs ) ds +
Yt =
Zt
a (s; Ys ) ds +
Prin scadere se obtine

Xt
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 )
b (s; Ys )j2 ds:
175
Deoarece a (t; ) si b (t; ) sunt Lipschitz continue, rezulta ca

2
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;
pentru orice t 2 [0; T ] (deoarece t a fost xat arbitrar).

Daca notam g (t) = M jXt Yt j2 ; = 2L2 (T + 1) ;
0 si aplicam lema
lui Gronwall, obtinem g (t) = 0; 8 t 2 [0; T ].
Prin urmare pentru orice t, M jXt Yt j2 = 0 si deci P jXt Yt j2 = 0
= 1, sau echivalent P (Xt Yt ) = 1.
Demonstratia unicitatii este ncheiata.
Sa vericam acuma inegalitatea (4.1.4).
Din egalitatea
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)
de unde trecind la medie si aplicind inegalitatea lui Schwartz,

Zt
0
a (s; Xs ) ds
Zt
a (s; Xs ) ds
KT 2 + KT
TK
Zt
1 + Xs2 ds
Zt
0
sup Xv2 du:
0 v <u
(4.1.22)
176
Mai departe, folosind inegalitatea lui Doob (4.2.20) vom obtine

!
Z
2
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
Trecind la supremum dupa r 2 [0; t] in (4.1.21) si tinind cont de (4.1.21),

(4.1.22) obtinem
M
sup jXr j2
3M
+ 3K 2 T 2 + 12KT +
0 r t
3K (T + 4)
sup Xv2 du;
0 v u
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
Xt =
Zt
0
unde
b (s; Xs ) ds +
Zt
0
(s; Xs ) dWs ;
(4.2.1)
4.2. Rezolvarea prin cuadraturi
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
(t; k (t; x)) ;
(t; k (t; x)) ; Y0 = h (0; ) :
Denitia 2.2. Ecuatia (4.2.1) se spune ca este reductibila daca exista o

functie h : [0; T ] R ! R, de clasa C 1;2 (R+ R), inversabila n al doilea
argument astfel ncit coecientii b si obtinuti mai sus sa nu depinda de
variabila x.
Astfel Yt se mai poate scrie
Yt = Y0 +
Zt
0
b (s) ds +
Zt
0
(s ) dWs
(4.2.4)
178
iar integralele ce apar depind numai de coecientii b, si functia h.

Folosind sistemul de relatii (4.2.2), putem reveni de unde am plecat, adica l
putem determina pe Xt n functie de Yt prin relatia
1
0
Zt
Zt
(s) dWs A ;
(4.2.5)
Xt = k (t; Yt ) = k @t; h (0; ) + b (s) ds +
0
obtinindu-se astfel reprezentarea explicita a solutiei ecuatiei (4.2.1).
2.3. Exemplu. Daca exista functia h pentru care: b = c1 2 R, si

2 R, atunci Yt se poate scrie sub forma
= c2
Yt = h (0; ) + c1 t + c2 Wt
si deci
(4.2.6)
Xt = k (t; h (0; ) + c1 t + c2 Wt ) :
n continuare, vom da o conditie necesara si sucienta de reductibilitate.

Reamintim ca am pus
b (t; x) =
@h @h
1 @2h
+
b+
@t
@x
2 @x2
(t; k (t; x)) ; t
0; x 2 R:
(4.2.7)
Presupunem n cele ce urmeaza ca b si sunt diferentiabile n raport cu x,

h admite derivate partiale mixte de ordinul doi continue si este de trei ori
diferentiabila n raport cu x.
Atunci rezulta ca b, sunt diferentiabile n raport cu x si pentru ca sa e
ndeplinita conditia de reductibilitate trebuie ca
@b
@
(t; x) = 0;
(t; x) = 0; 8t
@x
@x
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
b (t; x) = A (t; k (t; x)) ;

@b
@A
@k
(t; y) =
(t; k (t; x))
(t; x) :
@x
@y
@x
Aplicatia x ! k (t; x) este continua, bijectiva si diferentiabila, pentru orice
@k
t 0, deci aplicatia este strict monotona si ind diferentiabila rezulta @x
(t; x)
ca are semn constant (este strict negativa sau strict pozitiva) pentru orice
x 2 R, t 0 ind xat arbitrar.
Asadar
@k
(t; x) 6= 0; 8t 0; x 2 R:
@x
Atunci
@b
@A
(t; y) = 0 ,
(t; k (t; x)) = 0:
@x
@y
n mod analog, deoarece
@B
@k
@
(t; x) =
(t; k (t; x))
(t; x)
@x
@y
@x
este adevarata echivalenta
@
@B
(t; x) = 0 ,
(t; k (t; x)) = 0:
@x
@y
Folosind nca o data faptul ca aplicatia R3x 7! k (t; x) = y 2 R este bijectiva
pentru t xat, a spune ca
@
@b
(t; x) =
(t; x) pentru orice t
@x
@x
0; x 2 R;
este totuna cu a spune ca

@A
@B
(t; y) = 0;
(t; y) = 0 pentru orice t
@y
@y
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)
(am exclus dependenta de x a lui ).

Din
@A
@2h
(t; x) = 0 )
=
@y
@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) @@x (t; x)

2 (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
(t; x) date prin relatiile (4.2.9)
@2h
b
@x2
1
+
2
2 @
@x
(4.2.10)
@b
@x
"
@
@x
2
n nal va rezulta, dupa ce l vom mai scrie o data pe
@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)
Relatiile de mai sus au loc pentru orice t , x 2 R, scrierea perechii (t; x)

ind omisa din motive de simplitate, ea ind nsa subinteleasa.
Deoarece 0 depinde numai de variabila t, al doilea membru al egalitatii
(4.2.11) nu depinde de x, asadar:
@
@x
1
2
@
@t
@
@x
1 @2
2 @x2
(t; x) = 0; 8t
0; x 2 R: (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 (t; x)si
b (t; x) nu depind de t, i.e. b (t; x) = b (x) si (t; x) = (x).
Conditia de reductibilitate n acest caz, conform relatiei (4.2.12) este (tinind
cont de faptul ca @@t = 0):
0
1
2
00
=C
cu C 2 R constanta.
Folosind relatia (4.2.11), rezulta
0
=C,
(t)
ecuatie diferentiala ce admite solutia :

Dar
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)
(trebuie impusa conditia ca sa nu se anuleze si cum

1
este integrabila pe orice interval compact).
Din ultima relatie deducem
@h
(t; x) = CeCt
@t
Zx
este continua, atunci
1
dy
(y)
si deci
b (t) = CeCt
Zx
b (x) 1
1
dy + eCt
+
(y)
(x) 2
(x)
eCt 0 (x)
:
2 (x)
n formula initiala care ne da coecientii b si

am nlocuit k (t; x) cu x
(deoarece aplicatia x ! k (t; x) este bijectiva) si am folosit faptul ca b nu
depinde decat de t.
Am obtinut astfel o formula explicita pentru coecientii b si , ceea ce ne
permite sa gasim solutia generala a solutiei (4.2.1) , daca determinam inversa
k (t; x) a functiei h (aceasta se va face n cazuri concrete).
Caz particular al exemplului 1 (Procesul Ornstein-Uhlenbeck).
Fie Xt solutia ecuatiei
Z t
Z t
Z t
Xt = +
Xs ds +
dWs = +
Xs ds + Wt ;
0
cu ; constante reale. Deci, n acest caz, b (t; x) = x,

Conditia de reductibilitate (4.2.12) este echivalenta cu
b
sau,
1
2
00
=C
(t; x) = .
(4.2.13)
183
= C; deci C =
Rezulta ca
se poate scrie sub forma

t
(t) = e
2 R:
Functia h (t; x) este atunci:

h (t; x) = e
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
h (t; k (t; x)) = x ()
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)
Procesul denit de (4.2.14) se numeste procesul Ornstein-Uhlenbeck.

Observatia 2.5. n expresia lui Xt nu mai apare constanta , obtinuta
prin rezolvarea ecuatiei diferentiale ordinare fara conditie initiala Cauchy
satisfacuta de .
2.6. Exemplul 2 (Ecuatii ane). O ecuatie ana are coecientii b si de
forma,
b (t; x) = b1 (t) + b2 (t) x;
(t; x) =
(t) +
(t) x:
Impunem conditia de reductibilitate:

@
@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)
Aceasta conditie este evident satisfacuta n urmatoarele situatii:

(a) 1 = b1 = 0 (deci in cazul ecuatiilor liniare).
(b) 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
Xt =
Zt
185
b (s; Xs ) ds +
Zt
(4.3.1)
(s; Xs ) dWs :
Reamintim ca este o variabila aleatoare F0 -masurabila, W este Ft -Miscare

Browniana; iar aplicatiile masurabile b(t; x) : [0; T ] R!R, (t; x) : [0; T ]
R!R, satisfac conditia de crestere (C) si conditia Lipschitz (L) in variabila
x:
(C) j (t; x)j2 + jb (t; x)j2 K 2 1 + jxj2
(L) j (t; x)
(t; y)j + jb (t; x) b (t; y)j
K jx y j, cu K o constanta
pozitiva.
In plus presupunem conditia Hlder urmatoare in variabila t:
1
(H) j (s; x)
(t; x)j + jb (s; x) b (t; y)j K jt s j 2 ;
Aceste ipoteze le pesupunem adevarate pentru orice t; s 2 [0; T ] si x; y 2 R
, unde T > 0; este un numar real strict pozitiv xat.
Fie = (0 = t0 < t1 < : : : < tN 1 < tN = T ) o diviziune a intervalului [0; T ] :
Putem deni urmatoarea schema de aproximare, denumita schema Euler Maruyama:
X0 = ; Xn = Xn
+ 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)
Vom deni b(s) = b tn 1 ; Xn 1 , (s) = tn 1 ; Xn 1 pentru s 2 (tn 1 ; tn ]:

Se poate atunci arata usor, folosind (4.3.4) si inductia dupa n ( adica pe orice
interval (tn 1 ; tn ]), ca :
X (t) =
Zt
b (s) ds +
Zt
(s) dWs ; 8t 2 [0; T ] :
(4.3.5)
Denitia 3.1.(a) Eroarea locala asociata acestei scheme n punctul tn este:

h
i
2
M Xtn Xn j Xtn 1 = Xn 1 = xn 1 ; xn 1 2 R:
(b) Eroarea globala asociata acestei scheme n punctul tn este:
h
i
2
M Xtn Xn j X0 = X0 = x0 , x0 2 R:
Teorema 3.2. Presupunnd ca ipotezele (C), (L), si (H) sunt adevarate,

atunci
2
sup M
X (t) X (t)
! 0:
h!0
0 t T
O(h2 )
=
2
h!0 h
lim O(h) = b 2 R; b
h!0 h
In plus, eroarea locala este de ordinul O (h2 ) (adica lim
a 2 R; a 6=
0), iar eroarea globala este de ordinul O (h) (
6= 0).
Demonstratie. Fie 1 n
Atunci, folosind egalitatea
X (t) =
N si t 2 (tn 1 ; tn ] si sa notam "n = M

Zt
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
(s; Xs ) dWs = Xtn
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 )
Xt ca un semimartingal pe inf (x) = x2 si aplicam formula lui

si f.
X
Xn
b tn 1 ; Xn
tn
(s; Xs ) dWs
Am obtinut astfel scrierea procesului Xt

tervalul [tn 1 ; tn ]. Considerind f : R ! R,
It pentru procesul Xt Xt dat de (4.3.6)
Deducem
2
f (Xt Xt ) = Xt Xt =
Zt
Zt
Zt
tn
Xs
(s; Xs )
Xs
ds
tn 1 ; Xn
tn 1 ; Xn
(s; Xs )
2
1
dWs ;
188

a2 + b2 , vom obtine
de unde trecind la medie si aplicind inegalitatea: 2ab

M
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)
conform inegalitatii (a + b + c)2 3 (a2 + b2 + c2 ) si ipotezelor (L) si (H).

Conform unei proprietati a solutiei unei ecuatii diferentiale stochastice, este
adevarata estimarea
M jXt00
Xt0 j2
L (t00
t0 ) ; 8t0 ; t00 2 [0; T ] ;
189
unde L este o constanta reala.

Trecnd acum la medie n (4.3.8) obtinem
h
M b (s; Xs ) b tn 1 ; Xn
3K 2 L (s
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)
Aplicnd inegalitatea lui Gronwall functiei

' : [tn 1 ; tn ] ! R; ' (t) = M
Xt
Xt
; t 2 [tn 1 ; tn ] ;
care satisface (4.3.10), se obtine

'(t)
"n
(1 + 2h) + 2K 0 h2 e(t
tn
1)
; 8t 2 [tn 1 ; tn ] :
(4.3.11)
Daca facem t = tn in (4.3.11) obtinem

"n
"n
(1 + 2h) eh + 2K 0 h2 eh ; 81
N:
(4.3.12)
(h) ;
(4.3.13)
Iterind (4.3.12), deducem:

"n
(h)"0 + (h) 1 + (h) + ::: +
n 1
unde am pus
(h) = (1 + 2h) eh ;
(h) = 2K 0 h2 eh :
190
Fie acuma t xat in [0; T ] : Atunci cu siguranta avem t 2 [tm 1 ; tm ] pentru

un anumit m, si cum tm tm 1 = h;inlocuind (4.3.13) in (4.3.11), vom obtine
M
Xt
m 1
Xt
"m 1 (1 + 2h)eh + 2K 0 h2 eh
(h)"0 (1 + 2h)eh + (h) [1 + (h) + :::
::: +
m 2
(4.3.14)
(h) (1 + 2h)eh + 2K 0 h2 eh :
Dar
"0 = M
X0
X0
= 0;
atunci (4.3.14) arata ca

sup M
Xt
Xt
m 1
(h) 1
(1 + 2h)eh + 2K 0 h2 eh :
(h) 1
2K 0 h2 eh
0 t T
Este clar ca 2K 0 h2 eh este de ordinul O (h2 ) si (1 + 2h)eh ! 1 cind h ! 0:

m 1 (h) 1
Daca vom arata ca
este marginit cind h ! 0; atunci va rezulta ca
(h) 1
sup M
Xt
Xt
! 0;
h!0
0 t T
si in consecinta vom obtine ca eroarea globala este de ordinul O (h) :

Sa denim
m 1
(h) 1
:
A(h) = h
(h) 1
Cum m
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
implica ca A(h)h este de ordinul O (h) :
1 > 0;
1
= ;
1
3
191
Ramine de aratat ca eroarea locala este de ordinul O (h2 ) : Tinind cont de

(4.3.12) deducem ca
"n 2K 0 h2 eh ;
si deci eroarea locala M ["n j "n 1 = 0] este de ordinul O (h2 ) :
Teorema este astfel demonstrata.
Probleme
3.3 (O varianta a Lemei Gronwall). Fie u; f : [a; b] ! R+ continue si M > 0:
Daca
Z x
u(x) M +
f (t)u(t)dt; 8x 2 [a; b] ;
a
atunci sa se arate ca
Rx
u(x)
Me
f (t)dt
; 8x 2 [a; b] :
3.4.. Sa se arate ca relatia (4.2.12) implica reductibilitatea.

3.5. Sa presupunem ca a; b satisfac ipotezele Teoremei de existenta si unicitate. Sa notam pentru x 2 R cu Xtx solutia ecuatiei (4.1.1) pentru = x: Sa
se arate ca pentru orice T > 0 are loc inegalitatea
i
h
y 2
x
C(T ) jx yj2 ; 8x; y 2 R;
sup E jXt Xt j
0 t T
unde C(T ) este o constanta ce depinde numai de T si constanta Lipschitz a

coecientilor.
3.6. Fie A; a; B : R+ ! R masurabile si marginite, W o Miscare Browniana

si o variabila aleatoare independenta de W: Sa se arate ca ecuatia ana
Z t
Z t
Xt = +
[A(s)Xs + a(s)] ds +
B(s)dWs ;
0
are unica solutie

Rt
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:
3.7. Sa se determine media si covariatia solutiei Xt din Problema 3.6. In

particular se se deduca media si covariatie procesului Ornstein-Uhlenbeck.
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
[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 Dierential 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, Amsterdam.
[17] B. Oksendal (1985): Stochastic Dierential Equations. Springer-Verlag.
[18] C. Tudor (1997): Procesos Estocsticos. Sociedad Matematica Mexicana.

Markov Processes

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Markov Processes

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul 1

Generalitati privind procesele stochastice

Fie o multime T (de obicei inclusa in R) pe care o vom interpreta ca multime

(vom nota pe scurt fXt gt2T ):

Observatia 1.2. Pentru T = [0; a], a > 0; se spune ca procesul este cu

se numeste traiectoria lui !:

Cap. 1. Procese Markov

Pentru L T notam E L corpul borelian produs t2L Et , unde Et = E pentru

'X1 (A) = P 'X1 (A) ; A 2 E T ;

se numeste repartitia sau distributia procesului.

(Xt1 ; Xt2 ; : : : ; Xtn ) : ( ; F; P ) ! E L ; E L

(Xt1 ; Xt2 ; : : : ; Xtn )

se numeste familia repartitiilor (sau distributiilor) nit dimensionale ale procesului.

(Xt1 ; Xt2 ; : : : ; Xtn )

P (Xt1 2 A1 ; Xt2 2 A2 ; : : : ; Xtn 2 An ) :

1.2. CARACTERIZARI ALE LANTURILOR MARKOV

j 9t 2 T astfel incat Xt (!) 6= Yt (t)g) = 0:

Caracterizari ale lanturilor Markov

Cap. 1. Procese Markov

Fie ( ; F;P ) un cimp de probabilitate, I o multime cel mult numarabila

de indata ce P (Xn = in ; : : : ; X0 = i0 ) > 0, egalitate ce este cunoscuta sub

1.2. Caracterizari ale lanturilor Markov

Xn+1 = in+1 ; :::; Xk = ik ;

P (Xn+1 = in+1 j Xn = in ) P (Xn = in ; : : : ; Xk = ik )

Sistemul de numere pi = P (X0 = i), i 2 I se numeste repartitia initiala a

Au loc urmatoarele denitii echivalente pentru un lant Markov.

Cap. 1. Procese Markov

(1) (Xn ) este lant Markov.

de indata ce P (Xn = in ; : : : ; X0 = i0 ) > 0:

de indata ce P (X0 = i0 ; : : : ; Xn 1 = in 1 ) > 0:

de indata ce P (Xn = i; B) > 0:

P (Xn+m+1 = in+m+1 j Xn+m = in+m ; ::; Xn+1 = in+1 ; Xn = in ; ::; X0 = i0 )

1.2. Caracterizari ale lanturilor Markov

P (Xn+m+1 = in+m+1 j Xn+m = in+m ; ::; Xn+1 = in+1 ; Xn = in ) =

(3) ) (1) Avem ca

Cap. 1. Procese Markov

(2)) (4 ) Teorema de unicitate a probabilitatilor reduce probarea egalitatii

= in+m 1 ; : : : ; Xn+1 = in+1 g ;

P (Xn = in ; Xn+1 = in+1 ; A)

P (A j Xn+1 = in+1 ; Xn = in ) P (Xn+1 = in+1 ; Xn = in )

Pentru orice m 0 e P (m) = (p (m; i; m + 1; j))i;j2I o matrice stochastica,

1.2. Caracterizari ale lanturilor Markov

P (X0 = i0 ; : : : ; Xn = in ) = pi0 p (0; i0 ; 1; i1 )

P (m; m + n) = (p(m; i; m + n; j)i;j2I ;

Propozitia 2.8. Fie (Xn ) un lant Markov cu matricile de trecere P (m) :

(b) Pentru orice m < l < n are loc relatia matriciala

cunoscuta sub numele de relatia Chapman-Kolmogorov, sau echivalent pe

Cap. 1. Procese Markov

P (Xm+n = k j Xm = i) P (Xm+n+1 = j j Xm+n = k; Xm = i) =

P (Xm+n = k j Xm = i) P (Xm+n+1 = j j Xm+n = k) =

(b) Rezulta imediat din denitia matricilor P (m; m + n) :

1.2. Caracterizari ale lanturilor Markov

fapt ce implica ca relatia Chapman-Kolmogorov este satisfacuta. Insa (Xn )

P (Xn+1 = j j Xn = i) = p(i; j); 8n si i; j; ik 2 I;

Cap. 1. Procese Markov

p (m; i; k) p (n; k; j) ; 8i; j 2 I:

Exemple de lanturi Markov

Atunci (Xn )n 0 este lant Markov (numit mersul la intimplare) cu spatiul

Daca i0 6= 0 atunci ambii membrii ai egalitatii sunt 0.

In cazul particular in care

1.2. Caracterizari ale lanturilor Markov

Cap. 1. Procese Markov

1.2. Caracterizari ale lanturilor Markov

Matricea de trecere este: