1.

Procese stocastice i aplicaii

Modelele cu un numr finit de elemente ntr-un cadru
stocastic sau aleator manifest proprieti deosebite care nu sunt
caracteristice pentru modelele deterministe [112]. n particular, un
interes special reprezint modelarea unor seturi mari, dar finite, de
ageni care interacioneaz, i studierea evoluiei sistemelor complexe
i a fluctuaiilor stocastice corespunztoare. Deseori procesele sunt
declarate de tip Markov, iar dinamica este descris de ecuaiile
Chapman-Kolmogorov. Soluiile obinute caracterizeaz distribuia de
echilibru sau staionar a modelului. Fluctuaiile n sistem sunt
cercetate ca soluie a ecuaiei Fokker-Planck, i.e. distribuii de
probabilitate pentru fluctuaii lng echilibru. Trebuie de menionat,
c ecuaiile descriu evoluia distribuiei de probabilitate a strilor, nu a
strii propriu-zise. Astfel dac strile pot manifesta o comportare
anormal pentru valori critice, atunci distribuia de probabilitate nu.
Procesele de tip Markov (jump Markov pocesses) sunt procese cu un
numr finit de stri care variaz continuu cu timpul. Pentru a construi
un model stocastic pentru un grup de ageni, n primul rnd se va alege
un set de variabile n calitate de vector de stare a modelului. Astfel se
va putea, n principiu, calcula distribuiile vectorilor strilor viitoare n
baza celor curente, cel puin pentru un numr finit de pai n timp.
Acest aspect al modelului este descris de ecuaia de baz (master
equation), care este o ecuaie diferenial i indic cum probabilitatea
modelului de a se afla n careva moment de timp ntr-o anumit stare
variaz din cauza fluxurilor de probabilitate. Euaia de baz este
determinat odat cu specificarea setului relevant al ratelor de tranziie
pentru strile examinate, fapt ce substituie descrierea la micronivel a
modelelor. De exemplu, dac un agent de tipul i intr n sistem, atunci
numrul agenilor de tipul respectiv crete cu o unitate. Aceasta poate
fi reprezentat ca n n + ei , unde ei este un vector cu singur
element diferit de zero, 1, care corespunde componentei i. Acest
eveniment are rata de tranziie w(n , n + ei ) i, pentru modelele

discrete, probabilitatea Pr P (n + ei | n ) . Dac un element de tipul

i, care aparine unui grup sau cluster de elemente de acelai tip, l va
prsi i se va asocia la un alt cluster de tipul j, atunci aceasta se
reprezint cu w(n , n + e j ei ) . Pentru K tipuri de ageni vectorul de
stare este n = ( n1 , n 2 , K , n K ) . unde ni este un numr ntreg nenegativ
care corespunde numrului de elemente de tipul i, i=1, 2, , K. Astfel
vectorul de stare n descrie procesele de formare a clusterilor
(clustering). Numrul total de elemente sau ageni n sistem este
K

N = ni (t ) , iar distribuia poate fi descris de raportul

i =1

n
.
N

Un lan de procese Markov (Markov chain), procese stocastice

Markoviene discrete n timp, este caracterizat de probabilitile
p( j , k ) P( X (t + 1) = k | X (t ) = j ) , unde X este variabil
aleatoare. Astfel rata de tranziie din starea j n starea k se definete ca
w( j , k ) = P( X (t + ) = k | X (t ) = j ) + o( ) , pentru valori mici
pozitive . Dinamica sistemului este determinat odat cu specificarea
ratelor de tranziie dintre stri. Notnd prin w(n , n ) rata de tranziie
a sistemului din starea n n n , distribuia staionar sau de echilibru
satisface relaia
(n ) w(n , n ) = (n ) w(n , n ) ,
(1.1)

unde (n ) este probabilitatea de echilibru a vectorului n , iar

sumarea are loc dup toate urmtoarele stri posibile.
Pentru a se deduce distriuia staionar se face referin la
condiiile de echilibru (detailed-balance conditions), conform crora
exist un set de numere pozitive ( j ), j {1, 2, K , K } , suma crora
este 1, i care sunt componente ale distribuiei de echilibru, astfel nct
( j ) p ( j , k ) = (k ) p(k , j ) ,
(1.2)
pentru orice stare j i k {1, 2, K , K }, iar

( j ) = 1 . Pentru ratele
j

de tranziie exest o relaie similar:

( j ) w( j , k ) = (k ) w(k , j ), j , k {1, 2,K, K }.

(1.3)

Procesele staionare Markov sunt reversibile numai atunci cnd

condiiile de echilibru se respect, iar condiia necesar i suficient
pentru
existena
reversibilitii
este
condiia
ciclic
p(i, j ) p( j , k ) p(k , i ) = p(i, k ) p(k , j ) p( j , i ) .
n general, un proces stocastic este procesul descris de o funcie
aleatoare cu un domeniu de definiie temporal sau spaial. Un exemplu
clasic de proces stocastic simplu este micarea Brownian. Exist
dou interpretri ale termenului micare Brownian:
1. Fenomenul fizic care corespunde dinamicii aleatoare a particulelor
minuscule aflate intr-un lichid;
2. Modele matematice folosite pentru a descrie astfel de procese
aleatoare.
Figura 1.1 reprezint o simulare pe calculator a micrii Browniaene
pentru 1000 pai n cazul bidimensional. Originea micrii coincide cu
originea sistemului de coordonate (0, 0) i componentele (x, y) ale
fiecrui pas sunt independente i distribuite normal (distribuia Gauss,
vezi Anexa 1) cu valoarea medie =0 i dispersia 2=2, iar

x2
exp . Micarea Brownian reprezint un caz
f ( x) =
2
4
1

particular al proceselor de difuzie [13]. Pe de alt parte, modelul

matematic brownian este universal i poate fi folosit pentru a
descrie fenomene de natur diferit, de exemplu fluctuaiile pe piaa
de capital. Aceast universalitate a modelului se bazeaz pe caracterul
general al distribuiei Gauss. Matematic, micarea Brownian
reprezint un proces Wiener n care distribuia de probabilitate a
poziiei particulei n momentul de timp t+dt, considernd c poziia sa
n momentul t este p, este distribuia Gauss cu p + dt i 2 dt .
Astfel ntr-un proces Wiener, dac, pentru fiecare numr pozitiv t,
vom considera c exist n momentul de timp t funcia continu Wt,
atunci acesta se va caracteriza de urmtoarele dou condiii:
1. Dac 0<s<t, atunci Wt Ws N (0, 2 (t s )) ;
2. Dac 0 s t u v , adic aceste dou intervale [s, t] i [u, v]
nu se suprapun, atunci Wt Ws i Wv Wu sunt variabile
aleatoare independente.
9

Figura 1.1. Modelarea pe calculator a micrii Browniene.

n notaiile de mai sus N ( , 2 ) reprezint distribuia Gauss.
Aceste caracteristici determin univoc respectarea de ctre
micarea Brownian a proprietii Markov: un proces stocastic posed
proprietatea Markov, dac distribuia de probabilitate a strilor
viitoare ale procesului depind doar de starea curent, i.e. este
independent de strile trecute (path-ul procesului). Un proces cu o
asemenea proprietate este numit proces Markov sau Markovian.
Astfel, dac X(t), t>0, este un proces stocastic, atunci proprietatea
Markov presupune c

10

P[X (t + h) = y | X ( s ) = x( s ), s t ]

= P[X (t + h) = y | X (t ) = x(t )], h > 0

(1.4)

Procesele Markov sunt omogene n timp (time-homogeneous), dac

P[ X (t + h) = y | X (t ) = x(t )]

= P[X (h) = y | X (0) = x(0)], t , h > 0

(1.5)

n caz contrar procesele vor fi considerate neomogene.

n anumite cazuri, procese aparent non-Markoviene ar putea avea
reprezentri Markoviene. Astfel, dac X este non-Markovian, atunci
am putea defini un astfel de process Y, fiecare stare a cruia este
reprezentat pe un interval de timp al strilor X, i.e.
Y (t ) = {X ( s ) : s [a (t ), b(t )]}. Dac Y satisface proprietatea
Markov, atunci Y se va numi reprezentarea Markov a lui X, iar X
proces Markov de rangul doi. Procese Markov de rang superior se
definesc analogic.
Lanul de procese Markov, menionat la nceputul acestui
capitol, de rnd cu micarea Brownian, reprezint dou exemple
renumite de procese Markov. n caz general, un lan Markov este un
ir X 1 , X 2 , X 3 , K de variabile aleatoare. Valoarea lui Xn
caracterizeaz starea procesului n momentul de timp n. Atunci
distribuia de probabilitate pentru Xn+1 este o funcie doar de starea
precedent Xn, adic se respect egalitatea:
P( X n +1 = x | X 0 , X 1 , X 2 , K, X n ) = P( X n +1 = x | X n ) , (1.6)
unde x este o oarecare stare a procesului.
Primele studii n acest domeniu au fost publicate n anul 1906 de ctre
matematicianul Andrei Markov [14], iar apoi au fost generalizate de
ctre un alt mare matematician rus Andrei Kolmogorov [15].
De o importan major n teoria proceselor stocastice este
ecuaia Chapman-Kolmogorov menionat mai sus. Fie { f i } este un
set de variabile aleatoare care descriu procesul stocastic, iar
pi1 ,K,in ( f 1 , K , f n ) este funcia densitii de probabilitate pentru
valorile variabilelor aleatoare f1 , K , f n . n aceste notaii ecuaia
Chapman-Kolmogorov este:

11

pi1 ,K,in 1 ( f 1 , K , f n 1 ) =

i1 ,K,in

( f1 , K, f n )df n .

(1.7)

Pentru un lan de procese stocastice Markoviene, cnd i1 < K < in ,

datorit proprietii Markov se poate scrie:
pi1 ,K,in ( f1 ,K, f n ) = pi1 ( f1 ) pi2 ;i1 ( f 2 | f1 ) K pin ;in 1 ( f n | f n 1 ) , (1.8)
unde pi ; j ( f i | f j ) este probabilitatea de tranziie dintre i > j . Astfel
ecuaia (1.7) devine:

pi3 ;i1 ( f 3 | f1 ) =

i3 ;i2

( f 3 | f 2 ) pi2 ;i1 ( f 2 | f1 ) df 2 .

(1.9)

Dac Xt este starea procesului n momentul de timp t, atunci, pentru

orice dou stri i i j, matricea de tranziie este
Pij (t ) = P( X t = j | X 0 = i ) .
Proprietile lanului de procese Markov sunt descrise n
termenii probabilitii de tranziie. Astfel, dac P ( X n +1 | X n ) este
probabilitatea de tranziie cu un pas, atunci pentru paii succesivi se
obine:

P( X n + 2 | X n ) = P( X n + 2 , X n +1 | X n )dX n +1
= P( X n + 2 | X n +1 ) P( X n +1 | X n )dX n +1

P( X n +3 | X n )
= P( X n +3 | X n + 2 ) P( X n + 2 | X n +1 ) P( X n +1 | X n )dX n +1 dX n + 2

(1.10)
Ecuaiile (1.10) pot fi generalizate pentru orice moment de timp
arbitrar n+k, nmulind probabilitile de tranziie de k ori i integrnd
de k-1 ori. Pentru evoluia cu un pas a distribuiei marginale P(Xn),
cnd
distribuia
iniial
este
P(X0),

P( X n +1 ) = P( X n +1 | X n )P( X n )dX n . Aceasta este o form a

ecuaiei Frobenius-Perron. Ar putea exista una sau mai multe

distribuii de tipul ( X ) = P ( X | Y ) (Y )dY , care se numete

12

distribuie staionar sau distribuie de echilibru. Aceasta poate fi

considerat ca o funcie proprie a distribuiei de probabilitate n
asociere cu valoarea proprie 1. Existena sau lipsa distribuiei de
echilibru sau, dac ea exist, este sau nu aceast distribuie unic, sunt
determinate de proprietile specifice ale procesului. Astfel distribuia
staionar exist dac lanul Markov este pozitiv recurent, adic atunci
cnd timpul de realizare pentru fiecare stare este finit. Aceast
distribuie este unic, dac procesul mai este i ireductibil, ultima
proprietate presupund c fiecare stare este accesibil dintr-o orice alt
stare. Iar n cazul cnd distribuia iniial va coincide cu distribuia de
echilibru, procesul este i ergodic. Atunci valoarea medie a unei
funciei f satisface egalitatea:

1 n 1
lim f ( X k ) = f ( X ) ( X )dX .
n n
k =0

(1.11)

n cazul unui spaiu discret i finit, distribuia probabilitii de tranziie

se va reprezenta sub forma unei matrice a probabilitilor de tranziie
sau matrice de tranziie, al crei element (i, j), de exemplu, este
P( X n +1 = i | X n = j ) . Integrarea se va substitui acum cu operaia de
sumare i, dac P este matricea de tranziie cu un pas, atunci Pk va fi
matricea respectiv la pasul k. Distribuia staionar este un vector
propriu al matricei de tranziie asociat cu valoarea proprie 1. O
matrice de tranziie pozitiv, adic atunci cnd fiecare element al ei
este pozitiv, este ireductibil i aperiodic, iar o matrice este stocastic
dac i numai dac ea este format din probabilitile de tranziie ale
unui oarecare lan Markov. Astfel ansamblul de probabiliti
corespunztoare unui anumit moment poate fi reprezentat printr-o
matrice, n care numrul elementelor este egal cu numrul strilor
posibile, limitat ca mrime de condiia ca toate componentele sa fie
nenegative, iar suma lor egal cu unitatea.
Lanurile Markov sunt aplicate n diferite domenii: simularea
unui buletin meteorologic (vezi Anexa 2) i modelarea duelurilor de
foc, codificarea informaiei i modelarea proceselor demografice, n
bioinformatic i softuri generatoare de texte-parodii etc. [16]. Multe
aplicaii practice ale metodelor de optimizare n modelele stocastice
sunt n domeniul economico-financiar [1719]. Vom meniona
succint, c un exemplu important n acest sens reprezint atingerea de
13

ctre societate a unei stri optime a economiei, asa-numita problem a

alegerii sociale (the social choice problem). Astfel sunt cercetate
rspunsuri la asemenea ntrebri cum ar fi: cnd starea optim este
realizat i dac aceasta este unic, care sunt posibilele relaxri ale
acestei stri pe termen lung i n condiii diferite etc. Modelele i
tehnicile utilizate, metodele computaionale i programele de calcul
sunt aplicate pentru a cerceta procesele de dezvoltare economice n
prezena perturbaiilor stocastice cnd metodele tradiionale de
echilibru sunt ineficiente. O stare optim, de regul, este considerat
starea care maximizeaz bunstarea (welfare) i utilizarea resurselor.
n prezent exist un interes sporit referitor la cercetarea fenomenelor
dinamice neliniare din domeniul economico-financiar i elaborarea
modelelor teoretice corespunztoare ca o alternativ a metodelor
(semi)empirice respective din statistic, econometrie, micro- i
macroeconomie. Subiectele studiate sunt diferite i includ fenomenele
de echilibru i dezechilibru, dinamici adaptive neliniare i complexe,
stri de echilibru multiple, fenomene haotice i bifurcaii .a. cu
aplicaie n mico- i macrodinamic, analiza financiar, economia
internaional, organizarea industrial, dinamica resurselor i a
mediului ambiant, economia forei de munc, demografie .a. Mai
mult ca att, modelele matematice care descriu dinamica stocastic a
sistemelor complexe sunt folosite i la modelarea ciclului economic, a
dinamicii corespunztoare a profitului etc [20, 21]. n cazul unei
concurene perfecte, de exemplu, pentru a se evita apariia proceselor
non-agregative este necesar de a considera un sistem nchis de unitii
economice i financiare, adic un sistem format dintr-un numr
constant de structuri economico-financiare, far fluxuri de intrare sau
ieire de diferit natur, i care s-ar afla, totodat, ntr-un echilibru
metastabil ce presupune existena unor posibiliti mai optime de
redistribuire a banilor i bunurilor pe pia. Aceast situaie este
analogic realizrii n teoria clusterilor a unui minim local al energiei
libere Gibbs. O dezvoltare economic stabil ar presupune, prin
urmare, evoluia sistemului ctre o asemenea repartizare materialfinanciar ce ar corespunde unui minim energetic mai adnc sub
aspect termodinamic, adic unei stri staionare a sistemului. Existena
conexiunilor este asociat cu posibilitatea efecturii unui schimb de
informaie i lurii acelorai decizii manageriale. Prin urmare, un
14

cluster economic ar mai putea fi definit ca un grup de ageni care pot

face un schimb de informaie att direct, ct i prin intermediul unor
ali ageni intermediari, i ndeplinesc aceleai aciuni pe pia.
Modelarea matematic n domeniul economico-financiar este astzi un
important instrument de cercetare, care presupune i utilizarea
extensiv a tehnicii de calcul n mbinare cu diverse metode i modele
la cercetarea unor probleme variate. n particular, un ir de lucrri
recente au fost consacrate aplicrii economico-financiare ale
metodelor fizicii statistice, termodinamicii, sinergeticii etc. [22-26],
numrul acestor metode i sfera lor de aplicare fiind ntr-o permanent
cretere.

15