Documente Academic
Documente Profesional
Documente Cultură
oricare ar fi A, B, C ∈ B .
Avem următoarele consecinţe rezultate din definiţii:
Consecinţa 1 (transformarea prin dualitate). Dacă într-o afirmaţie adevărată
în care intervin operaţiile ∪ , ∩ , C , şi relaţiile ⊂ şi ⊃ , înlocuim peste tot pe ∪ cu ∩ ,
pe ∩ cu ∪ , pe ⊂ cu ⊃ şi ⊃ cu ⊂ , iar pe C îl lăsăm neschimbat, obţinem tot o
afirmaţie adevărată numită afirmaţie duală.
Se observă că sistemul de axiome 1-5 rămâne neschimbat dacă substituim mutual
operaţiile ∪ , ∩ , operatorul C păstrându-şi locul.
Consecinţa 2 (Legi de indempotenţă). Pentru orice A ∈ B avem:
A∪ A = A, A∩ A = A (1.1.)
Consecinţa 3 (Legi de monotonie). Oricare ar fi A, B, C ∈ B , din A ⊂ B
rezultă:
A∪C ⊂ B∪C , A∩C ⊂ B∩C (1.2.)
Consecinţa 4. Pentru orice ( Ai )1≤i ≤ n ∈ B elementele
n n
∪ A i = A1 ∪..... ∪ A n
i =1
∩A
i =1
i = A 1 ∩ ...... ∩A n
98
I.2. σ - algebre Boole
99
I.4. σ - corp de părţi
101
Exemplu. O urnă conţine 20 de bile numerotate de la 1 la 20. Se extrage o bilă
şi îi reţinem numărul. Se cere:
a) Să se scrie evenimentul sigur.
b) Fie evenimentele: A - „rezultatul este par”; B- „rezultatul este multiplu de 5” şi C -
„rezultatul este o putere a lui 2”. Să se scrie evenimentele A ∪ B , A ∩ B , A C . Să
se arate implicaţiile dintre evenimente. Care evenimente sunt incompatibile?
R.: a) Ω = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20}.
b) A ∪ B - „rezultatul este par sau multiplu de 5”; A ∩ B - „rezultatul este
multiplu de 10”; A C - „rezultatul este impar”; C ⊂A şi C ∩ B = Φ
Vom da câteva proprietăţi ale evenimentelor elementare:
(E1) Fie A ∈ Σ un eveniment elementar şi B ∈ Σ un eveniment oarecare.
Dacă B ⊆ A , atunci B = ∅ sau B = A .
(E2) Condiţia necesară şi suficientă ca un eveniment A ∈ Σ , A ≠ ∅ să fie
elementar este să nu existe un eveniment B ∈ Σ , B ≠ ∅ cu B ⊂ A .
(E3) Condiţia necesară şi suficientă ca un eveniment A ≠ ∅ să fie elementar
este ca pentru orice eveniment B să avem A ∩ B = ∅ sau A ∩ B = A .
(E4) Două evenimente elementare distincte sunt incompatibile.
(E5) Într-o algebră finită de evenimente pentru orice eveniment compus
B ∈ Σ , există un eveniment elementar A, A ⊂ B .
(E6) Orice eveniment dintr-o algebră finită de evenimente se poate scrie
sub firmă unică, ca o reuniune de evenimente elementare.
(E7) Într-o algebră finită de evenimente, evenimentul sigur este reuniunea
tuturor evenimentelor elementare.
103
Ω = {ω1 ,..., ω r }, deoarece dacă notăm P({ωi }) = pi , 1 ≤ i ≤ r şi dacă
{ } { }
A = ωi1 ∪ ... ∪ ωik atunci
P ( A) = P ({ω }∪ ... ∪ {ω }) = P ({ω }) + ... + P ({ω }) = p
i1 ik i1 ik i1 + ... + pik .
Deci, un câmp finit de probabilitate este complet caracterizat de numerele
r
nenegative p1 , p 2 ,..., p r cu ∑p
i =1
i = 1.
k
Dacă p1 = ... = p r atunci P(A ) = unde k reprezintă numărul de evenimente
r
elementare care intră în compunerea evenimentului A (evenimente elementare favorabile
evenimentului A). Se ajunge astfel la definiţia clasică a probabilităţii.
Din definiţia probabilităţii rezultă următoarele proprietăţi:
(P1) Pentru orice A ∈ Σ , P A C = 1 − P ( A) .( )
(P2) Avem P (∅ ) = 0 .
(P3) Pentru orice A ∈ Σ avem 0 ≤ P ( A) ≤ 1 .
(P4) Pentru orice A1 , A2 ∈ Σ cu A1 ⊂ A2 avem P ( A1 ) ≤ P ( A2 ) .
(P5) Pentru orice A1 , A2 ∈ Σ avem
P( A2 − A1 ) = P( A2 ) − P( A1 ∩ A2 ) .
(P6) Dacă A1 ⊂ A2 , A1 , A2 ∈ Σ , atunci
P( A2 − A1 ) = P( A2 ) − P( A1 ) .
(P7) Avem P ( A1 ∪ A2 ) = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) , oricare ar fi
A1 , A2 ∈ Σ .
(P8) P( A1 ∪ A2 ) ≤ P( A1 ) + P( A2 ) , oricare ar fi A1 , A2 ∈ Σ .
(P9) Dacă ( Ai )1≤i ≤ n ⊂ Σ ,
n n n
P ∪ Ai = ∑ P ( Ai ) −∑ P ( Ai ∩ Aj ) + ∑ P ( Ai ∩ Aj ∩ Ak ) + ... + ( −1) P ∩ Ai .
n −1
104
II.3. σ –câmp de probabilitate
( An )n∈N * ⊂ Σ .
(P13) Dacă şirul ( An )n∈N * ⊂ Σ este 0–convergent ( lim An = lim An ) atunci
( )
n→∞ n →∞
105
II.4. Evenimente independente. Probabilitate condiţionată
106
Formula lui Bayes (sau teorema ipotezelor). Fie un sistem complet de
evenimente ( Ai )i∈I ⊂ Σ . Probabilităţile acestor evenimente (ipoteze) sunt date înainte
de efectuarea unui experiment. Experimentul efectuat realizează un alt eveniment A. Să
arătăm cum realizarea evenimentului A schimbă probabilităţile ipotezelor. Trebuie să
( )
determinăm deci probabilităţile P Ai A pentru fiecare ipoteză Ai , i ∈ I . Avem:
P( Ai )P( A Ai )
P (Ai A) =
∑ P( A )P(A A )
i∈I
i i
(2.6.)
P ∩ Ai ≥ 1 − ∑ P (AiC ) (2.7.)
i∈I i∈I
107
III.1. Variabile aleatoare discrete
anumit mod între aceste valori xi , deci din punct de vedere probabilistic o variabilă
aleatoare este complet determinată dacă se dă o astfel de repartiţie. Vom stabili o astfel de
lege de repartiţie.
Una din formele cele mai simple în care putem reprezenta o astfel de lege este
forma schematică (3.1) sau sub forma unui tabel.
xi x1 x2 ... xI ... xn
pi p1 p2 ... pI ... pn
iar o altă formă este cea grafică luând pe axa absciselor valorile xi iar pe axa ordonatelor
probabilităţile corespunzătoare. Putem obţine unind aceste puncte poligonul de repartiţie
108
sau diagrama în batoane
M (ξ ) = ∑ x p i i (3.2.)
i∈I
se numeşte valoare medie a variabilei aleatoare discrete ξ .
Dacă ξ este o variabilă aleatoare simplă care ia valorile x1 ,..., x n cu
probabilităţile p1 ,..., p n atunci valoarea medie va fi:
n
M (ξ ) = ∑ xi pi (3.2'.)
i =1
Vom da în continuare câteva proprietăţi ale valorilor medii:
(P1) Dacă ξ şi η sunt două variabile aleatoare discrete definite prin (3.2.) şi dacă
M (ξ ) şi M (η) există, atunci există valoarea medie M (ξ + η) M(ξ+η) şi
avem:
M (ξ + η) = M (ξ ) + M (η) (3.3.)
Prin recurenţă, se obţine:
(P2) Fie ξ k , ( k = 1,..., n ) n variabile aleatoare discrete. Dacă M (ξ k )
n
( k = 1,..., n ) există, atunci M
∑ξk =1
k există şi
n
n
M ∑ ξ k = ∑ M (ξ k ) (3.4.)
k =1 k =1
109
(P3) Fie ξ o variabilă aleatoare discretă şi c o constantă. Dacă M (ξ ) există,
atunci M (cξ ) există şi avem
M (cξ ) = cM (ξ ) (3.5.)
(P4) Fie ξ k , ( k = 1,..., n ) n variabile discrete şi c k , ( k = 1,..., n ), n
n
constante. Dacă M (ξ k ) , ( k = 1,..., n ) există, atunci M ∑c k ξ k există şi
k =1
n n
M ∑ c k ξ k = ∑ c k M (ξ k ) (3.6.)
i =1 i =1
(P5) Valoarea medie a variabilei aleatoare ξ − M (ξ ) = η este nulă. ( η se numeşte
abaterea variabilei aleatoare ξ ).
(P6) Inegalitatea lui Schwarz. Fie ξ şi η două variabile aleatoare discrete pentru
care există M (ξ 2 ) şi M (η 2 ) . Avem:
( ) ( )
M (ξη) ≤ M ξ 2 M η 2 (3.7.)
(P7) Dacă ξ şi η sunt două variabile aleatoare discrete independente şi dacă
M (ξ ) şi M (η) există, atunci M (ξη) există şi
M (ξη) = M (ξ )M (η) (3.8.)
Definiţie. Fie ξ o variabilă aleatoarea discretă şi r un număr natural. Dacă
există valoarea medie a variabilei aleatoare ξ r , atunci această valoare medie se
numeşte moment de ordin r al variabilei aleatoare ξ şi se notează:
α r (ξ ) = M (ξ r ) = ∑ x kr p k (3.9.)
k
r
Valoarea medie a variabilei aleatoare ξ se numeşte moment absolut de
ordin r al variabilei aleatoare ξ şi se notează:
( )= ∑ x
β r (ξ ) = M ξ
r
k
k
r
pk (3.10.)
Definiţie. Dată o variabilă aleatoare discretă ξ , momentul de ordinul r al
variabilei aleatoare abatere a lui ξ se numeşte moment centrat de ordinul r a lui ξ şi
se notează
µ r (ξ ) = α r (ξ − M (ξ )) (3.11.)
Momentul centrat de ordinul doi a variabilei aleatoare discrete ξ se numeşte
dispersie sau varianţă şi se notează prin D 2 (ξ ) sau σ 2 , deci:
D 2 (ξ ) = σ 2 = µ 2 (ξ ) (3.12.)
Numărul D (ξ ) = σ = µ 2 (ξ ) se numeşte abatere medie pătratică a lui ξ .
110
Vom da în continuare câteva proprietăţi ale dispersiei şi ale abaterii medii
pătratice:
(D1) Are loc egalitatea:
( )
D 2 (ξ ) = M ξ 2 − [M (ξ )]
2
(3.13.)
(D2) Dacă η = aξ + b cu a şi b constante, atunci D (η) = a D(ξ ) .
(D3) Fie (ξ k )1≤ k ≤ n , n variabile aleatoare discrete două câte două independente şi
c1 ,..., c n , n constante. Avem:
n n
D 2 ∑ c k ξ k = ∑ c k2 D 2 (ξ k ) (3.14.)
k =1 k =1
(D4) Inegalitatea lui Cebîşev. Fie ξ o variabilă aleatoare. Are loc inegalitatea:
D 2 (ξ )
({
P ω ξ(ω) − M (ξ ) ≥ ε <
ε2
}) (3.15.)
111
Definiţie. Vom spune că variabilele aleatoare ξ1 ,..., ξ n sunt independente
dacă pentru toate sistemele reale x1 ,..., x n avem:
P(ξ1 < x1 ,..., ξ n < x n ) = P(ξ1 < x1 ) ⋅ ... ⋅ P(ξ n < x n ) .
4. lim F ( x) = 1 .
x → +∞
112
Definiţie. Fie ξ o variabilă aleatoare a cărei funcţie de repartiţie este F ( x) .
Dacă există o funcţie reală ƒ definită şi integrabilă pe R aşa încât:
x
F ( x) = ∫ f (u )du , (3.18.)
−∞
atunci F ( x) se numeşte funcţie de repartiţie absolut continuă, iar ξ se numeşte
variabilă aleatoare absolut continuă. Funcţia ƒ(x) se numeşte densitate de probabilitate
(repartiţie), iar expresia ƒ(x)dx se numeşte lege de probabilitate elementară.
Densitatea de probabilitate are următoarele proprietăţi:
1. f ( x) ≥ 0 pentru orice x ∈ R .
+∞
2. ∫
−∞
ƒ(u)du = 1.
3. Pentru orice a < b reali are loc relaţia:
P(a ≤ ξ < b) = P (a ≤ ξ < b ) =
b
∫
a
ƒ(x)dx
113
Definiţie. Se numeşte moment centrat în a de ordinul r al variabilei aleatoare
r
ξ , momentul de ordinul r al variabilei aleatoare ξ − a , iar momentele ξ − a se
numesc momente absolute centrate în a de ordinul r.
Din definiţie rezultă următoarele proprietăţi:
(P1) Dacă ξ e o variabilă aleatoare cu M (ξ ) = m şi D(ξ ) = σ , are loc
inegalitatea:
Mε − m ≥ σ 2 (3.23.)
(P2) Dacă ξ şi η sunt două variabile aleatoare independente care au aceeaşi
funcţie de repartiţie F şi λ este un număr real oarecare, au loc inegalităţile:
1
P(ξ − M ε ≥ ε ) ≤ P(ξ − η ≥ ε ) (3.24.)
2
ε
P ( ξ − M ε ≥ ε ) ≤ P ( ξ − η ≥ ε ) ≤ 2 P ξ − η ≥
1
(3.25.)
2 2
pentru orice ε > 0 , cu M ε mediana variabilei aleatoare ξ .
Din definiţia medianei rezultă că în cazul unei variabile aleatoare ξ de tip
continuu, mediana este unic determinată de egalitatea:
x ∞ 1
∫−∞
ƒ(x)dx = ∫ ƒ(x)dx =
x 2
.
Din punct de vedere geometric, mediana este abscisa punctului prin care trece
paralela la axa Oy, care împarte în două părţi egale aria limitată de curba de ecuaţie
y = f ( x) şi axa Ox.
Inegalitatea lui Markov. Fie ξ o variabilă aleatoare pozitivă a cărei valoare
medie este finită. Pentru orice λ > 1 avem:
1
P(ξ ≥ λM (ξ )) ≤ . (3.26.)
λ
114
Teorema particulară a experimentelor repetate. Se fac n experimente
independente, în fiecare din ele un eveniment A se poate realiza cu probabilitatea p şi nu
se realizează cu probabilitatea q = 1 − p . Să se determine probabilitatea ca în cele n
experimente evenimentul A să se realizeze exact de m ori.
Avem:
Pm ,n = C nm p m q n − m (4.1.)
Probabilităţile Pm ,n au forma termenilor din dezvoltarea binomului ( p + q ) .
n
Din această cauză câmpul de evenimente din această schemă probabilizat după regula
(4.1.) se numeşte câmp binominal (este clar că evenimentele elementare ale câmpului
asociat experimentului pot fi considerate ca elemente ale produsului cartezian
Ω n = Ω × ... × Ω ).
Această schemă probabilistică a fost cercetată în mod deosebit de J. Bernoulli,
de aceea se mai numeşte şi schema lui Bernoulli.
Teorema generală a experimentelor repetate. Presupunem că se fac n
experimente independente, în fiecare din ele un eveniment A se poate realiza cu
probabilitatea pi , i − 1,2,..., n şi nu se realizează cu probabilitatea q i = 1 − p i . Să se
determine probabilitatea ca în cele n experimente evenimentul A să se producă exact de
m ori. Cu notaţiile făcute la schema binominală avem (4.1.), de unde:
Pm ,n = p1... pm qm +1...qn + p1... pm −1qm pm +1qm + 2 ...qn + q1...qn − m pn − m +1... pn
Avem:
n
∏(p z + q ) = ∑ P
i =1
i i m ,n zm (4.2.)
n
cu ∑P
m =0
m, n = 1.
115
Definiţie. Repartiţia determinată prin probabilităţile (4.3.) se numeşte repartiţie
Poisson de parametru λ, iar variabila aleatoare
0 1 2 … k …
ξ : −λ λ −λ λ 2 −λ λ k −λ
e e e … e …
1! 2! k!
se numeşte variabilă aleatoare Poisson.
Repartiţia Poisson este denumită legea evenimentelor rare, datorită proprietăţii
sale de a aproxima o repartiţie binomială când numărul experimentelor n este foarte mare
iar probabilitatea de apariţie a evenimentului considerat este foarte mică.
Schema polinomială
116
IV.2. Repartiţii de tip continuu
În cele ce urmează ne vom referi la repartiţiile unidimensionale de tip continuu.
Fie {Ω, Σ, Ρ} un σ–câmp de probabilitate, L mulţimea variabilelor aleatoare
definite pe Ω şi F mulţimea funcţiilor de repartiţie. Vom presupune că pentru orice
F ∈ F există variabila aleatoare ξ ∈ L a cărei funcţie de repartiţie este F.
Legea normală
Legea de repartiţie normală este o lege limită întâlnită frecvent în aplicaţii
practice. Se poate arăta că suma unui număr suficient de mare de variabile aleatoare
independente urmând o lege oarecare, pentru suficient de puţine restricţii, tinde
către o lege normală.
Definiţie. Se numeşte funcţie de repartiţie normală notată prin Φ •; m, σ 2 ( )
funcţia de repartiţie definită prin densitatea de probabilitate:
( x − m )2
( )= 1 −
2σ2
f x, m, σ 2
e (4.7.)
σ 2π
m şi σ2 fiind constante, numite parametrii repartiţiei.
( )
Graficul densităţii f x, m, σ 2 este cel din fig.4.1.
Fig. 4.1.
117
Funcţia de repartiţie este:
x (u − m )2
( ) = ∫ f (x, m, σ )dx = 1
x −
Φ x; m, σ ∫e 2σ2
2 2
du . (4.8.)
−∞
σ 2π − ∞
x t2
1 −
Vom nota Φ (x ) = ∗
∫e 2
dt .
2π −∞
∫ xf (x; m, σ )dx = σ
1 −
M (ξ ) = 2
∫ xe 2σ 2
dx
−∞ 2π −∞
Rezultă: M(ξ) = m, de unde: D2(ξ)=σ2
Centrul de dispersie m este centrul de simetrie al repartiţiei. Dacă m îşi schimbă
valoarea, curba de densitate se deplasează de-a lungul axei Ox fără a-şi schimba forma.
Deci m caracterizează poziţia repartiţiei pe axa Ox. Parametrul σ caracterizează forma
curbei de densitate. Ordonata maximă a curbei este invers proporţională cu σ .
Repartiţia χ 2
v (4.9.)
2 Γ
2
2
∞
(Reamintim că Γ(n ) = ∫ x n −1e − x dx este funcţia gama a lui Euler, cu n un
0
parametru pozitiv).
Curba densităţii de repartiţie nu este simetrică (fig. 4.2.) dar ea tinde să
devină simetrică dacă numărul gradelor de libertate ν creşte (peste 30).
118
Fig. 4.2.
Repartiţia Student
Fig. 4.3.
Ea este asemănătoare cu curba densităţii normale, dar diferită. Dacă s → ∞
repartiţia variabilei Student tinde spre funcţia Laplace Φ (n ) .
119
V. SISTEME DE VARIABILE ALEATOARE.
ŞIRURI DE VARIABILE ALEATOARE. CONVERGENŢĂ
Definiţie. Sistemul (ξ 1 , ξ 2 ) se numeşte variabilă aleatoare bidimensională
sau vector aleator cu 2 dimensiuni.
Fig. 5.1.
Vom da câteva proprietăţi analoage celor date pentru funcţiile de repartiţie
unidimensionale:
(P1) F este nedescrescătoare în raport cu fiecare argument;
(P2) F este continuă la stânga în raport cu fiecare argument;
(P3) F ( x,−∞) = F (−∞, y ) = F (−∞,−∞) = 0 ;
(P4) F ( x,+∞) = Fξ ( x) ; F (+∞, y ) = Fη ( y ) ;
(P5) F (+∞. + ∞) = 1
În continuare vom nota simbolic (ξ, η) ⊂ D evenimentul „punctul aleator
(ξ, η) se găseşte în domeniul D”. Probabilitatea acestui eveniment se exprimă simplu
dacă D este un dreptunghi ale cărui laturi sunt paralele cu axele de coordonate. Fie
120
dreptunghiul D de vârfuri A(a,c); B(b,c); C(b,d); D(a,d). În acest caz evenimentul
(ξ, η) ⊂ D este echivalent cu {a ≤ ξ < b} ∩ {c ≤ η < d }, deci
P((ξ, η) ⊂ D ) = F (b, d ) − F (a, d ) − F (b, c) + F (a, c) (5.1.)
Dacă există o funcţie reală f definită şi integrabilă pe R2 aşa încât:
x y
F ( x, y ) = ∫ ∫ f (u , ν) du dν
−∞ −∞
atunci f se numeşte densitatea de probabilitate (repartiţie) a variabilei aleatoare cu 2
dimensiuni ζ .
Fie ξ, η două variabile aleatoare de tip continuu şi (ξ, η) interpretat ca un
punct aleator în plan. Fie R∆ dreptunghiul de laturi ∆x şi ∆y , avem:
P ( (ξ ,η ) ⊂ R∆ ) = F ( x + ∆x, y + ∆y ) − F ( x + ∆x, y ) − F ( x, y + ∆y ) + F ( x, y ) .
Avem:
P((ξ, η) ⊂ R ∆ ) ∂ 2 F( x, y)
lim =
∆x →0
∆y → 0
∆x ∆y ∂x∂y
Notăm această derivată prin f(x, y):
∂ 2 F ( x, y )
f ( x, y ) = (5.2.)
∂x∂y
ea fiind tocmai densitatea de probabilitate a variabilei aleatoare ζ .
Avem:
P((ξ, η) ⊂ D ) = ∫∫ f ( x, y )dxdy (5.3.)
D
Densitatea de repartiţie a lui ξ este nenegativă, iar:
+∞ +∞
∫ ∫−∞ −∞
f ( x , y)dxdy = 1
121
formule care în cazul variabilelor aleatoare discrete devin:
α k , s = ∑∑ xik y sj pij (5.6.)
i j
122
VI. FUNCŢII CARACTERISTICE UNIDIMENSIONALE
Fie { Ω, Σ, P} un σ –câmp de probabilitate, ξ o variabilă aleatoare a cărei
funcţie de repartiţie este F.
Definiţie. Se numeşte funcţie caracteristică a variabilei aleatoare ξ aplicaţia
ϕ ξ : R → C definită de relaţia
( ) +∞
ϕ ξ (t ) = M e itξ = ∫ e itx dF ( x)
−∞
(6.1.)
123
Procese Markov depinzând de un parametru discret
124
Corolar 1. Dacă {ξt }t∈ este un procea Markov, atunci
({ }) ( {
P A ξ t v (s ) = i v , 1 ≤ v ≤ n = P A ξ t n (s ) = i n }) (7.4)
oricare ar fi A ∈ Σ t .
n +1
( )
n
= P({s ξ 0 (s ) = i0 })∏ P {s ξ t (s ) = it }{s ξ τ (s ) = iτ , 0 ≤ τ < t}
t =1
Definiţie.
(i) Probabilităţile pi = P s ξ 0 (s ) = i ({ }) se numesc probabilităţile iniţiale
pentru procesul {ξt }t∈ .
(ii) Probabilităţile ( )
pit −1 ,it (t ) = P {s ξ t (s ) = it }{s ξ t −1 (s ) = it −1 } se numesc
probabilităţile de trecere ale procesului {ξt }t∈ .
Cu notaţiile din definiţia precedentă avem
n
P ({s ξ t (s ) = it , 0 ≤ t ≤ n}) = pi0 ∏ pit −1 ,it (t ) . (7.5)
t =1
125
Propoziţia 2. Probabilităţile pi ( i ∈ I ) şi probabilităţile de trecere p ij
( i, j ∈ I ) satisfac relaţiile
pi ≥ 0 , ( i ∈ I ), ∑ p = 1;
i∈I
i
pij ≥ 0 , ( i, j ∈ I ), ∑ p = 1 . ij
j∈I
({
Probabilitătile pi(n ) = P s ξ n (s ) = i }) se numesc probabilităţile absolute la
momentul n al procesului.
Propoziţia 5. Pentru orice n ∈ şi i ∈ I avem
pi(n ) = ∑
p j p (jin ) , pi(n +1) =
j∈I
∑
p (jn ) p (ji1)
j∈I
(7.10)
126
Corolar 2. Avem p (j∞ ) > 0 pentru orice j ∈ I dacă şi numai dacă există
s∈ *
astfel încât pij( s ) > 0 pentru orice i, j ∈ I .
1
Corolar 3. Fie m numărul de stări ale lanţului. Avem p (j∞ ) = , j∈I
m
dacă şi numai dacă ∑p
i∈I
ij = 1 pentru orice j ∈ I .
∑ p(
j∈I
ij
∞)
=1, ∑ p(
h∈I
∞)
ih p hj(n ) = pij(∞ )
oricare ar fi i, j ∈ I .
Dar cum se reflectă structura procesului în limitele pij(∞ ) ? În continuare
vom da un răspuns la această întrebare. Vom nota cu f ij( n ) probabilitatea ca pentru
prima oară după n paşi procesul {ξt }t∈ să se afle în starea j . Dacă la momentul
iniţial, t = 0 , el s-a aflat în starea i :
(
f ij(n ) = P {s ξ n (s ) = j , ξ v (s ) ≠ j , 1 ≤ v ≤ n − 1}{s ξ 0 (s ) = i} . )
În cazul când {ξt }t∈ este omogen avem
(
f ij(n ) = P {s ξ n + m (s ) = j , ξ m + v (s ) ≠ j , 1 ≤ v ≤ n − 1}{s ξ m (s ) = i} )
oricare ar fi n ∈ .
∑ f ( ) (= )
∞
Evident ij
n
f ij(∞ ) este probabilitatea ca procesul să treacă cel puţin
n =1
o dată în întreaga lui desfăşurare prin starea j , dacă la momentul iniţial el s-a aflat
în starea i .
127
În mod natural, i ∈ I se numeşte stare de irevesibilitate a procesului dacă
(∞ )
f ii = 1 . Se constată nemijlocit că
n
∑ f ( ) p(
v =1
ij
v
ij
n −v )
= pij(n ) (7.12)
pentru orice i, j ∈ I .
Propoziţia 6. Dacă j este stare de ireversibilitate, atunci
1 n −1 (v ) 1
p (jj∞ ) = lim
n →∞ n
∑ p jj = ∞
,
v =0
∑ nf
n =1
(n )
jj
1 n −1
∑f() ij
n
BIBLIOGRAFIE
128