Probability theory and applications; in Romanian
168 77 19MB
Romanian Pages 555 [552] Year 1963
Table of contents :
10onicescu
20onicescu
30onicescu
40revolut
50Onicescu
60Onicescu
OCTAV ONICESCU Profesor la Facultatea de matematică Ji mecanică a Universic:'lţii din Bucureşti
TEORIA PROBABILITA ŢILOR ŞI APLICAŢII
EDITURA
DIDACTICĂ BUCUREŞTI
ŞI
-
PEDAGOGICA 1963
TABLA DE MATERII Prelată
~
.•...•.......•.........................•......••..... ~ . . . . . . • . . . . . . . . . . . • •
3
Introducere în teoria probabilităţilor . . . . . . . . . . .. . . . .. . . . • . . . . . . . . . . . . . . • . . . . . . . . . . . Cap. I. Cîmp finit de evenimente. Cimp probabilizat . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
§ 1. Definiţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 2. Probabilităţi condiţionate. Evenimente independente...................... § 3. Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . §
4. Desfaceri
şi
variabile aleatoare independente . . . . . . . . . . . . . . . . . . . . . . . . . . . .
§ S. Variabile aleatoare dependente. Corelaţie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § § § §
§ ·§ § § §
6. 7. 8. 9. 10. 11. 12. 13. 13.
Variabile aleatoare vectoriale pe un cîmp finit . . . . . . . . . . . . . . . . . . . . . . . . . • Mişcări browniene şi lanţuri de evenimente de tip Markov . . . . . . . . . . . . . . Reversibilitatea şi stabilitatea procesului în lanţ . . . . . . . . . . . . . . . . . . . . . . . . Reacţii în lanţ • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Procese stochastice ramificate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Lanţuri_ multiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • Reversibilitatea şi stabilitatea proceselor în lanţ multiplu. Teorema lui Mihoc I. Probleme privind structuri probabiliste cu un număr finit de stări . . . . . . Il. Probleme privind lanţul Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Cap, II. Lanţuri de evenimente. Lanţuri cu legături complete . . . . . . . . . . . . . . . . . . . . § 1. Lanţuri oarecare. Ompul lanţurilor. Evenimente şi probabilităţi elementare ale lanţurilor de lungime n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 2. Lanţuri cu legături complete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 3. Proprietăţile ergodice ale lanţurilor cu legături complete . . . . . . . . . . . . . . . . . . Cap.
m.
Cimp infinit de evenimente şi probabilltăfi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 1. Omp de evenimente. Omp de evenimente cu măsură. Cîmp probabilizat . . § 2. Probabilitatea condiţionată. Teoremele lui Boole şi Borel-Cantelli.......... § 3. Măsură exterioară şi probabilitate .............................. -. . . . . . . . - § 4. Cîmpul de probabilitate al procesului extracţiilor repetate . . . . . . . . . . . . . . . .
Cap. IV. Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 1. Variabile aleatoare ale unui cîmp ...•.•.........••. : . . . . . . . . . . . . . . . . . . • § 2. Repartiţia. Funcţia de repartiţie........................................ § 3. Generalităţi asupra funcţiilor monotone crescătoare. Teorema lui Helly . . . . Cap. V. Distanţa şi convergenta în spaţiul variabilelor aleatoare ale unui cîmp. . § 1. Distanţe în spaţiul variabilelor aleatoare ale unui cîmp . . . . . . . . . . . . . . . . . . § 2. Convergenţa în repartiţie şi convergenţa în probabilitate • . . . . . . . . . . . . . . • . § 3. Convergenţa tare. Convergenţa aproape sigură . . . . . . . . • . . • . • • • • . . • • . . . . • § 4. Serii de variabile aleatoare .. .. . .. . . . . . . . .. . . .. . . .. . . . . .. .. .. .. .. • •. .. . •
11 11
15 18 24 29 31 34 47 SO 60 66 68 70 73 77 11 80 86 94
95 100 103
113 119 119 124 128 140 141 144 152 157
TABLA DE MATERII·
6
Cap. VI. Valori medii . . . • . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . • . • . . . . . . . . . . . . . . . • § 1. Integrala ................................................... : . . . . . . . . § 2. Teoreme tip Fubini . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . • . . . . . . . . . . . . . . § 3. Spaţiile de variabile aleatoare (E, clC,P) •• ~............................... § 4. Integra]a Stieltjes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . § 5. Relaţia dintre integrala Stieltjes şi integrala Lebesgue . . . . . . . . . . . . . . . . . . . . § 6. Momente ..................... : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 7. Inegalităţi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 8. Teorema lui Lebesgue-Nycodim. Valori medii condiţionate . . . . . . . . . . . . . . . § 9. Valori medii condiţionale. O teoremă asupra martingalei . . . . . . . . . . . . . . . .
163 163 179 182 186 197 198 201 202 208
Cap. VII. Variabile aleatoare independente . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 1. Independenţa în sensul Steinhaus-Ka9 . . . . . . . . . . . . . . . . . . .. . . . . .. .. . . . . • . § 2. Independenţa în sensul lui Kolmogorov .. .. .. . . . . . . . . .. . . . . . .. .. .. .. . .. § 3. Exerciţii. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
219 219 231 233
Cap.
vm. § § § § § § §
Cap. IX.
Funcţia caracteristică . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • 1. Funcţia caracteristică.................................................. 2. Produse de compoziţie de repartiţii . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . • • 3. Funcţia de repartiţie normală cu n ( ~ 1 ) variabile . . . . . . . . . . . . • • . . . . . . • • 4. Repartiţii stabile .................................................... ·.. 5. Proprietăţi_ speciale . . . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . • . . . . . . . . . • • 6. Semig_C?,Puri de funcţii caracteristice . . . . .. . . . .. . . . . . . . .. .. .. .. .. .. .. . • .. 7. Exerctţu ...................• . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . .
239 239 259 262 265 266 269 279
Şiruri
282 282 288
de evenimente. Stabilitate. Legea numerelor mari . . . . . . . . . . . . • • . .
§ 1. Şiruri de evenimente. Frecvenţă . . . . . . . . . . . • . . . . . . . . .. . . .. . . .. • . . . .. . . .. § 2. Stabilitate. Teorema lui Kolmogorov. . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .
Cap. X.
Legi-limită.
1. 2. 3. 4. 5. § 6.
§ § § § §
Cap. XI.
Legea lui Gauss ............. ~ . • . .. .. .. .. . .. . • . . . . .. . • . . .. Teoremele lui Leapunov şi Lindeberg . . . . . . . . . . . . . . . .. . . . . . . • .. .. . . . . . . Problema generală. Repartiţii-limită . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teorema lui Bemstein-Frechet.......................................... O teoremă-limită pentru variabile vectoriale . . . . . . . . . . . . . . . • . . . • . • . . . • . • Legi-limită pentru frecvenţa unui eveniment într-un lanţ Markov constant . • Repartiţiile lui Gnedenko . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . • . . . .
Funcţii
298 · 298 306 311 317 321 326
aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Generalităţi despre funcţiile aleatoare .. . . • • .. .. . .. . . .. . . . .. . . .. . • .. . . .. Continuitate şi derivabilitate stochastică . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Procese staţionare .........••.....................,. . . . . . . . . . . . . . . . . . . . Funcţii aleatoare cu creşteri independente, staţionare, de ordinul 2 . . . . . . . .
329 329 330 341 344
Cap. XII. Procese stochastice de propagare în timp continuu. Teoria analitică • . • • § 1. Procese cu un număr finit sau numărabil de stări • • • • • . . . • . . . . . . • .. . . • . § 2. Procese continue cu o dimensiune. Procesele lui W. Feller . ...... : . . . . . . . . § 3. Evoluţia unei mărimi, asociată unui proces Markov omogen. . . • . . . . • . . . . • § 4. Procese aleatoare în lanţ continuu cu legături complete .............•. ,';.
350 350 356 365 369
Cap. XIII. Procese stochastice in general ....................... ·.. . . . . . .. .. . . . . . .
383
§ 1. Măsuri în spaţii-produs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . § 2. Funcţii aleatoare şi procese stochastice. . . . . . . . . . . .. . .. . . . . . . . . . . . .. . . . ..
383 393
Cap. XIV. Teoreme ergodice . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • • . . § 1. Teorema ergodică a lui Birkhoff . . . . .. .. .. .. .. . . .. .. . . . • .. . .. • . . . .. .. • § 2. Teorema ergodică uniformă .•.•.•.........•.•...•••••....••••• ; • . • . • •
403 403 415
§ 1. § 2.
§ 3. § 4.
TABLA DE MATERII Proprietăţi ergodice ale unor procese stocbastice . . . . . . . . . . . . . . . . . . . . . . 1. O condiţie necesară şi suficientă de ergodicitate.......................... § 2. Procese stochastice, omogene şi cu repartiţie staţionară . . . . . . . . . . . . • . . . . . § 3. Metoda operaţională . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Cap. XV. §
Cap. XVI.
Informaţie.
§ 1. § 2. § §
3. 4.
Cap. XVII.
7
428 428 434 441
Entropie. Elemente de teoria informaţiei . . . . . . . . . . . . . . . . lnform~ţia şi. măsur~ ~i.. . . .. . . . .. . . . . . . . . . • . . . . . . . . . . . . . . . . . . .. . . . .. . . Entropia unei repartiţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Entropia unei transformări . . .. . . .. . . .. . . .. .. .. .. . .. . . . .. .. . . .. . . .. .. . . Elemente de teorie a informaţiei. .. . .. .. .. .. .. .. .. .. .. . .. .. . .. .. .. .. .. ..
447 447 454 456 460
Repartiţii
468 468 · 487
indefinit divizibile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
§ 1. Definiţii şi proprietăţi .. • .. . .. .. .. .. . .. .. . .. . .. .. . .. .. .. .. .. .. . .. . .. .. § 2. Repartiţii de tip f ................ ·....................................
Cap. XVIII. Momente şi repartiţii· . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . § 1. Proble~ ~J?,erală................................................ •. . . § 2. Repartiţii fJDJte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . . .
497 497 505
Teorema numerelor mari şi problema aplicaţiilor teoriei probabilităţilor Teorema lui Bemoulli . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . Compararea rezultatelor empirice ale unei experienţe repetate cu c.ele teoretice Experienţele tipice cu caracter stochastic ..................... ~ .. . . .. . . . . Convergenţa frecvenţei spre probabilitate pentru diferite mişcări . . . . . . . . . . § S. Convergenţa funcţiei de frecvenţă teoretică Fn(x) spre funcţia de repartiţie F(x) § 6. Tipuri de convergenţă a funcţiei Fn(x) spre F(x) .. ...... ...... . ... .. .. § 7. Compararea a două funcţii de frecvenţă ............................... :
515 515 521 524 527 530 530 549
Cap. XIX. § 1. § 2. § 3. § 4.
INTRODUCERE LA TEORIA PROBABILITĂŢILOR Teoria probabilităţilor este o disciplină matematică, asemenea geometriei„ mecanicii sau statisticii matematice. Experienţele a căror interpretare se efectuează cu ajutorul teoriei probabilităţilor sînt numeroase. Cea mai simplă şi, într-o anumită măsură, cea mai clasică dintre aceste experienţe ne va lămuri principalele sale aspecte şi în acelaşi timp deosebirea dintre această teorie şi statistica matematică cu care este deosebit de strîns legată. Este vorba despre experienţa extracţiilor repetate dintr-o urnă cu bile de două culori. în această simplă experienţă deosebim: 1°. Structura urnei, reprezentată de numerele a şi b ale bilelor albe şi negre conţinute în ea. 2°. Mecanismul extracţiei „la întîmplare" a unei bile din urnă. Presupunem aici că experienţa îndelungată cu astfel de extracţii ne-a pus în situaţia de a deosebi o extracţie la întîmplare, de una care nu poate fi numită astfel. 3°. Succesiunile de n extrageri la întîmplare, din aceeaşi urnă. 1 Aspectele matematice ale experienţei teoretice anterioare sînt următoarele: 1°. Numerele caracteristice ale structurii de bază sînt întîi numerele absolute a . b a . der·m1ţ1e, . . prob aş1 , apoi. vaIon·1e p = ---, q = -b- , unde p este, prm a+b
a+b
. bilitatea extracţiei unei bile albe, iar q este probabilitatea extracţiei unei bile negre, dacă extracţia verifică condiţia 2°. 2°. Tabloul evenimentelor constituit din toate succesiunile distincte de bile albe şi negre în cele n extracţii succesive; numărul acestor evenimente fiind 2n. 3°. Frecvenţa numărului de bile albe (negre) în fiecare dintre aceste evenimente. Această frecvenţă na(nb) este variabilă cu evenimentul, în cadrul tabloului descris la punctul 2°, de la valoarea O pînă la valoarea n. 4°. Frecvenţa relativă a numărului de bile albe sau negre în cele n extracţii repetate f
n
= -na„ '
g,,
nb = -. n
5°. Raportul dintre numărul evenimentelor în care a se prezintă de acelaşi de ori na şi numărul total al evenimentelor se numeşte probabilitate a frecvenţei na şi are valoarea c;a pna qnb · în faţa acestor evenimente şi numere care dau structura teoretică a experienţei extracţiilor repetate din urna (a, b) se prezintă aspectul practic, concret, al unor extracţii efective dintr-o urnă cu
număr
această structură.
Pentru a putea compara aspectul teoretic cu cel· practic, este nevoie de o încastatistică a acestuia din urmă, ceea·c~înseamnă că nu este suficientă o sin..gură experienţă.de n extraeţiisuccesive, ci un număr mare N de astfel·de·experienţe„
drare
INTRODUCERE
10
Fiecare dintre cele N experienţe de cîte n extracţii succesive ne dă un eveniment, unul dintre evenimentele tabloului teoretic 2°. Acestui eveniment îi corespunde o frecvenţă, de rîndul ~cesta empirică va, şi, de asemenea, frecvenţa complementară '! b.
Cele N evenimente obţinute prin şiruri de cîte n extracţii succesive, independente, constituie un colectiv statistic. Fiecare eveniment poate fi caracterizat prin frecvenţele empirice va şi vb. Colectivul în ansamblul său va fi caracterizat prin numerele Nva, Nvb care arată frecvenţa, în şirul colectivului, a evenimentelor cu aceeaşi frecvenţă. Caracteristicile enumerate cu 1°, 2°, 3°, 4°, 5°, precum şi teoremele respec~ tive sînt de domeniul teoriei probabilităţilor. Frecvenţele
Nv •.Ja, _ _ a
N
definite în cadrul colectivului .
experienţelor
sînt de dome-
niul statisticii matematice şi, în general, de studiul colectivelor statistice. Compararea celor două categorii de elemente cu colectivul statistic al unui şir de experienţe priveşte deopotrivă Statistica matematică ca şi cea aplicată. Dacă extracţiile succesive nu sînt independente una de alta şi structura urnei din care urmează să facem extracţia a na variază după rezultatele obţinute în extracţiile anterioare, experienţa constituie un model de proces aleator. în acest -caz, probabilităţile p şi q variază de la extracţie la extracţie, dar tabloul de la 2° ca şi frecvenţele sînt neschimbate. Ceea ce se schimbă va fi probabilitatea asociată fiecăruia dintre aceste evenimente. Avem astfel cu acest model al extracţiilor repetate dependente un exemplu a ceea ce se numeşte proces aleator care constituie astăzi obiectul central al preocupărilor
teoriei
probabilităţilor.
Urmînd exemplul lui Kolmogorov, orice expunere sistematică a teoriei probabilităţilor trebuie să înceapă cu o teorie a evenimentelor cărora urmează să li se atribuie probabilităţi. În general, sistemul de evenimente asociat unei experienţe are următoarele proprietăţi: dacă A şi B sînt evenimente ale cîmpului, atunci „A şi B", ,,A sau B" -sînt şi ele evenimente ale cîmpului. În cazurile cele mai obişnuite putem vorbi despre un eveniment total Q sau eveniment sigur şi, în acest caz, dacă A este un eveniment al sistemului, are sens evenimentul „non A" care aparţine de asemenea cîmpului. Un astfel de sistem este o algebră booleană." Dacă mulţimea evenimentelor sistemului este finită, această algebră booleană este izomorfă cu mulţimea părţilor unui sistem de puncte. Dacă mulţimea evenimentelor este infinită, acest izomorfism nu mai joacă un rol caracteristic. ln acest caz sîntem siliţi să restrîngem sistemele de evenimente la acelea constituite din părţi ale unei mulţimi de puncte, aşa cum a făcut- teoria acum clasică a probabilităţilor care face şi obiectul fundamental al cursului nostru. Cazul mai general al unui sistem de evenimente care constituie doar o algebră booleană sau chiar numai un sistem fără eveniment total şi fără eveniment complementar rămîne deocamdată de o parte din cadrul acestui curs, pînă cînd va căpăta o sistematizare mai completă şi aplicaţii mai numeroase, la care lucrează de pe acum numeroşi matematicieni. ·
CAPITOLUL I
CîMP FINIT DE EVENIMENTE. CîMP PROBABILIZAT Un cîmp de evenimente este finit dacă mulţimea evenimentelor este finită. Un astfel de cîmp conţine evident şi evenimentul sigur care constă în faptul producerii unuia oarecare dintre evenimentele cîmpului. El este o algebră booleană, deoarece complementarul fiecărui eveniment, constituit din celelalte evenimente disjuncte de acesta, aparţine de asemenea cînipului. Evenimentul imposibil este prin definiţie evenimentul complementar celui sigur. Un calcul simplu ne arată
cum se vede imediat, / ~ m. Numim Eh mulţimea evenimentelor elementare ţ. pentru care/ {ţ) = xh:
=
Eh
{ţ 1/(~)
= x,,}.
că
Este evident
LJEh=E h
= 1,2,
... , I.
Fiecare dintre mulţimile Eh are o probabilitate P (Eh); foarte adeseori vom întrebuinţa, pentru prescurtare, expresia: Ph ~ P (Eh) este probabilitatea valorii xh > în loc de eipresia exactă: este probabilitatea evenimentului pe care x = f (ţ) ia valoarea xh şi scriem ·
=
Ph= P{x
Xb}.
2. Valoarea medie
M [x] sau M [f (ţ)] sau încă de egalitatea x=M[f(ţ))
x a variabilei aleatoare = h
Proprietăţi
1°.
~ =
x
= f (ţ) sînt . date (I)
P1,xh.
I, 2, ..• , I
ale valorii medii:
Dacă /(ţ)
= a este
o
constantă,
M
[/(ţ)]
avem, potrivit
definiţiei,
= a,
deoarece probabilitatea valorii unice a este I. 2°. O dată cu / (ţ) şi af (ţ) este o variabilă aleatoare ale ax 2 , ••• , axm au respectiv probabilităţile
= P(E.J,
P1
P2
= P(EJ,
.. . , Pm
cărei
valori ax1 >
= P(Em).
Prin urmare, M [af {ţ))
=
h
=
E
1, 2, ... , m
Phaxh ·
= a h = 1,E2, ... , mPhxh =
aM [/(ţ)).
CtMP FINIT DE EVENIMENTE. CtMP PROBABILIZAT
19
=f
3°. Valoarea medie a sumei a două variabile aleatoare x este suma valorilor medii:
M [/(~)
+ g (ţ)] = M [/{~)] + M
=
{ţ 1/(~)
Variabila aleatoare h (ţ) nimente incompatibile sînt:
Fb
= xh},
=f
{ţ)
+ g (~)
=
g {ţ)
F1; G1 , G2,
=
1, 2, ..• , I,
k
=
1, 2, .. . , m.
••• ,
Gm
determină desfacerea· ale cărei eve-
h, k = 1, 2, ... ' m}.
+ g va fi
Valoarea medie a variabilei /
. )'xhP [Fh ,f;;t
••• ,
h
n G,, .= {~ 1/(ţ) = xh' g (~) = Yk' M [f + g]
y
[g(ţ)].
Pentru demonstrarea acestei egalităţi, notăm cu F 1 , F 2 , desfacerile corespunzătoare variabilelor f (ţ), g (~): Fh
(ţ),
= )' P [Fh n Gk] (xh+ Yk) = ti
n Gk] + )'ykP(Fb n Gk) = E xbEP(Fh n Gk) + Ţ,i b
k
+ ~Yk ¼P(Fh n G1e) = ~ Xb P(Fb) + ~y1,P (Gk)
. M [f] + M.[g],
deoarece
~P(Fh
n G1,) = p (Fb n cy Gk)) = p (Fb),
~p (Fb
n Gk) = p «y Fb) n Gk) = p (G1,). 3. Momente
reală
O dată cu x = f (ţ), este o variabilă aleatoare şi g (x), unde g este o funcţie oarecare de x; g (x) ia valoareag (xb) pe mulţimea Eh, deci cu probabilitatea Ph. Valoarea medie a acestei variabile aleatoare (2)
momentul g al variabilei aleatoare x = f {ţ). dacă g (x) = xn, cu n întreg oarecare, avem momentul de ordinul n al variabilei x
se
numeşte
în particular,
Mn [ X] Dacă g
(x)
=
Ix
in
=
h
=
E
Ph
1, 2, ... , l
X
h•
(3)
avem momentul absolut de ordinul n al variabilei x: (4)
20
TEORIA PROBABILITAŢILOR ŞI APLICAŢII
Afară de momentul de ordinul întîi M 1 [x] = M [x], care este identic cu valoarea medie a aceleiaşi variabile aleatoare, deosebit de semnificativ este momentul de ordinul al doilea
M 2 [x]
=
~
=
ln general, dacă L
sup h=l, 2, ... , l
(5)
P1,xi.
= I, 2,
h
... , I
I x1, I, avem (6)
4. Funcpa Ea
caracteristică.
Funcţia caracteristică a variabilei aţe, prin urmare, expresia
x
Funcpa generatoare
= f(~) este, prin definiţie, cp (-r) = M[ei-r FW]. (7)
Proprietăţi
1°. 2°. 3°. legate de
= 1. I q> {-r) I ~ 1. q> (O)
q> {-r) este o funcţie analitică de -r ale cărei derivate, pentru -r momentele de ordinul respectiv prin egalităţile:
d" q,(-r)) ( d-r" -r q> () Ţ
=
=
O, sînt (8)
m
~
"=
rM
=O
=
.t...J
.
O, 1, • • • ,
i"M,,
,,
(9)
--Ţ.
11 !
00
Ţinînd seamă de (6), seria din membrul al doilea este absolut convergentă pentru orice -r. 4°. cp (-r) este o funcJie de tip pozitiv. ln adevăr, din (7), rezultă că a 1, a 2, •••, aN fiind N valori complexe oarecare şi -r1, -r2, ••. , -rN fiind Nvalori reale, este realizată următoarea inegalitate caracteristică a funcţiilor de tip pozitiv:
h, k
=
E
ahakq> (-r1,--rk)
=
l, 2, ... ,N
~
h, "'7;:"';
a„ a1eP;ix;-rh e-;x;-rk = (10)
Exemplu. Cîmpul de probabilităţi constituit de extracţia bilelor unei urne dintre care a sînt albe şi b negre. Evenimentele elementare au, toate, probabilitatea a : b • Evenimentul bilă albă are probabilitatea p
q Probabilitatea .
= _h _ • a+b
= _a_ ; evenimentul a+b
bilă neagră are
21
CTMP FINIT DE EVENIMENTE. CIMP PROBABILIZAT
este
Variabila aleatoare cum
definită după
asociată acestui urmează:
f (~) .
={
şi
cîmp
desfacerii în bile albe
şi
negre
1 dacă ţ este bilă albă, O dacă ţ este bilă neagră.
Avem imediat
= p,
M [/(~)]
M2 [/(ţ)]
= p;
de unde
M2[/]-(M[f])2
= p-p2 = pq,
= pei" + q = l + p (ei" -1). Func/ia generatoare a variabilei x = f (~) este prin definiţie qr (-r) = q>(-r)
"'(-r)
M [e~( ~], deci
= I:; P; e"i", j
variabilă reală. Proprietăţile funcţiei generatoare se deduc din acelea ale caracteristice, ţinînd seamă că cf, (-r) q> (-i-r). 4. Cunoaşterea momentelor de diferite ordine serveşte la evaluarea repartiţiei valorilor variabilei x f (ţ) în cîmpul dat. Aceasta se pune în evidenţă cu ajutorul următoarei importante inegalităţi: Inegalitatea generalizată a lui Cebfşev. Fie x f(~) o variabilă aleatoare; pentru orice număr real pozitiv şi orice e: O, avem
-r fiind
=
funcţiei
=
=
>
p (IX
I:.> e:) ~
Mn [lxl] •
(11)
e"
Prin
definiţie,
Mn [IX I]
-h
= l , ~... ,l I Xb I" P (Eh) :.> x'R e;I Xb I" P(E1,) :.> 1
> e:" 1xb1~e I:; P (Eb) = e:" P ( lxb•~e U Eb) = e:" P ( I x 1:.> e:), de unde rezultă imediat inegalitatea Din (11) se obţine
generalizată
Cebîşev.
a lui
p ( I X I < e:) ~ I _ Mn (I X
I) ,
(12)
e" ţinînd seamă că
p ( I X I < e:)
+ p ( I X I :.> e:) =
I.
5. Variabila abatere că
Vari~bila aleatoare y M[y] = O. Abaterea medie
=f
~ pătratică
(;)- Mf (;) se
µ este µ2
definită
=
M [y2].
numeşte
abatere. Este evident
de egalitatea (13)
22
TEORIA PROBABILITATILOR
Din
ŞI APLICAŢII
această definiţie rezultă
µ2
= M2 f/(ţ)]-(M[f(ţ)]) • 2
în adevăr,
=
µ 2 = M2if-M1 [fj) = M[if-M1 [f]) 2 ] = M [f2-2fM1 [f]2] + [M1 [1]1 2 = M 2 [f]-(M [/])2•
Dispersia variabilei x = f(ţ) este, prin definiţie, µ 2• Justificarea acestei denumiri se obţine folosind inegalitatea lui Cebîşev aplicată variabilei abatere pentru n = 2. Relaţia (12) devine, în acest caz, P Dacă luăm
(Ix - M [x] I < e:) > I -
µ e:2
=
k µ,
pe µ ca abatere tip P( I x-M [x]
Pentru k
= 3,
şi
punem e:
2
I< kµ) ~ 1- k12
(14)
•
relaţia
(14)
capătă
forma
•
probabilitatea ca
-3µ 8
1 (16)
> 1. Inegalitatea
Fie acum xh = I ah Im , m orice sistem de valori xh; devine
precedentă, adevărată
pentru (17)
pentru orice sistem de valori ah şi orice numere pozitive m Notînd cu
valoarea medie
absolută
şi
k mai mari decît unu.
de ordinul m, inegalitatea (17) se va scrie (k
de unde, o primă teoremă: Valoarea medie de ordinul m, Em, ca toare pentru m > 1. Dacă punem U;
= m;
>
(18)
1),
funcţie
I
de m, este monoton
crescă
m-1
1IJ
I X; I '
'V
=
m;
m
,
inegalitatea (16) devine l
. 1
I I
. I
J
m-1
m
(E U·'V·)~ (E u~n);;; IE
'IJ.m-t )-;;;- • • I
•
1
/
Luînd obţinem
E wj t7 ~ IE wf); (E t; p- ' 13
n
I
• 1
.
(19)
I
unde
p=r1.m,
111 q--~ t-'-, m-1
deci
p>r1.,
q> ~-
Vom presupune
...p +-~q = 1. (t
(20)
în acest caz, vom, pune:
wr = m;xf;
17 = m;yJ; m; > O, X;> o,
Yi
> o.
24
TEORIA
Relaţiile
şi
(19)
PROBABILITAŢILOR ŞI APLICAŢII
(20) ne dau a
L,m;xf Y7 < {L, m; xf)P l i
;
Această
luînd oe
=
1,
13
(E m;yJ) q •
(21)
J
inegalitate generalizează inegalitatea lui Schwartz, care se = 1, p = 2, q = 2:
obţine
~
L, m;X;Y; < (B m; xj)
I
2
I
(Bm;~)
2 -.
(22)
j
Trecerea de Ia (21) sau (22) la inegalităţile care se obţin înlocuind sumele prin integrale nu prezintă nici o greutate şi atunci cînd ne vom ocupa de aceste inegalităţi nu vom reveni asupra demonstraţiilor.
§ 4. DESFACERI ŞI VARIABILE ALEATOARE INDEPENDENTE
1.
Generalităţi
Dependenţa şi independenţa între variabilele aleatoare sînt noţiuni tipic probabiliste. Ele nu privesc înseşi valorile acestor variabile; ci probabilitatea evenimentelor cărora le corespund aceste valori. Acest fapt duce la corespondenţa dintre independenţa a două variabile aleatoare şi independenţa desfacerilor pe care ele le determină.
2. Două
Independenţa
evenimente A
şi
a
două
sau a mai multor desfaceri
B sînt independente, dacă (v. § 2, formula (7)) P(A nB)
Fiecare dintre aceste evenimente desfaceri
= P(A)P(B).
determină
(I)
o desfacere a lui E. Avem astfel cele
două
A, A' B, B'. Aşa
cum am
arătat
în § 2, avem pe P(A nB') P(A' nB) P (A' B')
n
lîngă
(1)
şi egalităţile
= P(A)P(B'), = P(A')P(B),
(2)
= P (A') P(B'),
consecinţă a relaţiei (1). Să considerăm în acelaşi timp cite o variabilă x f punzătoare fiecăreia dintre cele două desfaceri şi definite
care sînt o
=
x y
= x1 = y1
dacă
~
dacă
~
E A; E B;
(~) şi y astfel:
x
= x2
dacă
~
y
= y2
dacă
~
= g (~), cores-
E A'. EB'.
CIMP FINIT DE EVENIMENTe. CIMP PROBABILIZAT
2&
Probabilitatea ca y = y 1 dacă x = x 1 este, pe baza egalităţii (1), identică cu PA (B)=P(B). în acelaşi mod găsim că probabilitatea ca y = y 1, dacă x = x 2„ este PA,(B)=P (B'), pe baza celei de-a doua dintre egalităţile (2). Prin urmare, valorile lui y sînt independente de valorile lui x. Cu ajutorul primei şi ultimei dintre egalităţile (2) se vede că şi valorile variabilei x sînt · independente de valorile variabilei y. Prin urmare, în aceste condiţii cele două. variabile sînt independente. Vom spune, în acelaşi timp, că cele două desfaceri sînt independente. . Luînd acest caz particular ca model vom putea defini independenţa a două variabile aleatoare oarecare, definite pe acelaşi cimp finit de probabilitate {E, 8JC, P}. Definiţie. Două variabile aleatoare x = f (~), y = g (~), care determină desfacerile F 1 , F2 , sînt independente P(F;
Ca o
F;
••• ,
dacă
n Gh) =
lămurire
P(F;)P(Gh), j = 1, 2, ... , I; h = I, 2, ... , m.
a acestei Px=x.(Y I
definiţii
= Yh)
vom observa
că
din
egalităţile
(3)
(3) rezultă
= P(y = Yh) = P(G1,).
De asemenea, Py=yh (x
x;)
= P(x =
orice h
=
Egalităţile (3) caracterizează, independenţa celor două desfaceri.
o
pentru orice j
=
=
1, 2, ... , l
şi
x;)
=
P (F;),
I, 2, ... , m. dată cu independenţa variabilelor f
şi
g„
Vom introduce acum o definiţie a independenţei totale a n desfaceri şi implicit a oricărui sistem de variabile care le corespund. Definiţie. Desfacerile D1, D2, ... , Dn ale evenimentului E, unde Di este desfacerea
El, EJ, ... , E{1 sînt total independente între ele
P(ElinEf2
j
=
I, 2, ... , n,
dacă
n ... nEZn) =P(Et)P(Et)
... P(Ekn),
(4}
pentru
k; = I, 2, ... , l;;
j = I, 2, ... , n.
3. Sisteme de n variabile aleatoare independente în totalitatea lor Definiţie. Un sistem de n variabile aleatorii x; = f; (~) (j = I, 2, ... , m) definite pe acelaşi punct finit de probabilitate, este independent în totalitatea sa dacâ cele n desfaceri corespunzătoare sînt independente.
TEORIA PROBABILITATILOR ŞI APLICAŢII
·26 Această condiţie
se mai poate scrie,
dacă notăm
cu
X;·, 1
x; 2 ,
••• ,
x;
l;
cele /1-
-valori pe care le ia X;: P(X1
=
Xtk 1 ,
X2
=
X2.~ 2
, , • •,
=
Xnk,,);
... P (x,, -şi
= k; =
X,,
Xnk)
= p (X1 =
X1k 1)
p
(X2
I, 2, ... , n;j = I, 2, ... , n.
=
X2k 2)
•• ,
(5)
Din sistemul (4) se poate trage o consecinţă care este echivalentă cu (4) are un aspect mai general decît el. Fie Ai reuniunea unui număr oarecare de elemente ale desfacerii D;: Ai
_pentru orice j. Sistemul (4) ne
dă
= Et1 LJ Ej LJ ... LJ E(, 2
/
atunci, prin urmare,
E
k;=l1•'2•··•'; j
=
P(Et ...
m>= n
1, 2, . , .• ,,,
•de unde
p (A 1
n A n ,,, n A 2
11
)
=
p (A 1) p (A2)
,
~ , p (A"),
(6)
oricare ar fi reuniunile A 1 , A 2, ••• , A", egalitate care cuprinde la rîndul ei pe (4) :şi poate fi luată ca definiţie pentru independenţa desfacerilor D1, D2 , ... , D" sau pentru independenţa variabilelor respective. Ca exemplu, vom cpnsidera un sistem de n urne U1, U2, ... , U", avînd fiecare .aceeaşi compoziţie: a 1 bile. de culoarea I, a 2 ~ile de culoarea 2, ... , a,,, bile de culoarea m, în total N = a 1 + a 2 + ... +am bile. Evenimentele elementare ale -cîmpului {E, 8Jf, P} format cu acest sistem de urne sînt de forma a.1, a.2, ... , a.11 , unde a.1 este o bilă oarecare din prima urnă etc. Dacă notăm cu EJ evenimentul: bila de culoarea j din urna U1, evenimentele importante ale cîmpului format de cele n urne sînt: l E2j2, E ji,
.
... ,
E"in•
·vom avea P(E!11 , EŢ2 , ... , E'/,,) = P (E;) ... P (Ef). Succesiunea E,! 1 , EJ2 , ... ... E'/11 nu trebuie considerată ca intersecţie, ci ca o alăturare. Evenimentele l " numai· componente a le evemmentu · 1m· E;11 , E ;22 , ••• , E"; ,, • Pentru . E ii, ... , En ; ,, smt a face, de exemplu, ca E] 1 , care este un eveniment al urnei U1, să figureze şi ca eveniment al cîmpului {E, 8/C, P} îl vom completa după cum urmează şi ·vom nota
E·-1i1
= ElÎl
E2E3
·.unde Ei este evenime.ntul total al urnei Ui .
•••
E"
'
CIMP FINIT DE EVENIMENTE. CIMP PROBABILIZAT
27
Ef
In general construim după acelaşi procedeu evenimentele e corespunzînd urnei U1 ca evenimente ale cîmpului {E, 8JC, P} al celor n urne. Este evident că -1
-2
E;i nE;2
n ... nE;n = E;1 E;2 .•. E;n, -n
1
2
n
prin urmare -1
P(E;i
-2 -n n E;s n ... n E;n) = P (E; -1
-2n
-
1)
P (E; 2) .
~.
P(E;n)
pentru orice
i1, i2, ... , in = 1, 2, ... , m. La această. egalitate corespunde afirmaţia că urnele sînt independente. Cu ajutorul egalităţilor (6) se verifică imediat următoarea: Propoziţie._ Dacă cele n variabile x; (j = 1, 2, ... , n) sînt independente în totalitatea lor, variabilele oricărui sistem de / (/ < n) dintre aceste variabile sînt independente în totalitatea lor. . Pentru demonstraţie, lăsăm arbitrare mulţimile A 1, corespmµ:ătoare grupului de I variabile care ne interesează, iar pentru celelalte facem A 1 = E. In particular, n variabile independente fn totalitatea lor sfnt independente două cite două. Reciproca acestei propoziţii nu este valabilă: n variabile independente două cîte două nu sînt necesar independente în totalitatea lor. Iată un exemplu care confirmă această afirmaţie. Fie
(j = O, I, 2, ... , 8) . .Fie acum A 1 = {e 0 , e1 , e 2};
A2
=
{e0 , e3 , e4}; A 3
=
{e0 , e5 , e0}; A 4 = {e0 , e7 , e8}.
·Avem evident P~J=P~J=PYJ~PYJ=!. 3
Evenimentele A1 , A2 , A3 , A 4 sînt independente
P(A; j
două
cite
două,
=
l, •
n Ah) = P (A;) P (Ah) = ¼ =
I, 2, 3, 4, .i ~ h.
ln acelaşi timp, însă,
P(A1nA2nAs)
= P(eo) =
¾~P(AJP(AJP(As)
Prin urmare, nu sînt independente cîte trei, oricum le-am lua. Luîndu-le toate patru, obţinem: P (A1
n A2 n As n A4) = P (eo) =
în vreme ce P(AJP(AJP(A 3)P(AJ
=
~ 3
1
-,
9
deoarece
28
TEORIA
4.
PROBABILITAŢILOR ŞI
Dependenţă şi
APLICATU
valoare medie
Sînt împrejurări în care nu interesează decit independenţa două cite două pentru · variabilele unui sistem. Ca un exemplu avem propoziţia care urmează. · P r o p o z i ţi e. Dacă variabilele x 1 = / 1 (~), x 2 = / 2 (~), ... , Xn = fn (ţ) sînt independente
două
M 2 [x1
În adevăr
.
cite
două,
avem egalitatea
+ x 2 + ... + x,,] = E
M 2 [x1
i
Li
+2E M .
de unde folosind independenţa obţinem egalitatea enunţată. Proprietăţi
. M [(x1
M [x}] două
cite
[x;] M [x;],
i'-yk P(Gk)) = l
~
J
=
M [x] M [y].
Prin urmare, teorema, este demonstrată. Folosind această teoremă, propoziţia anterioară şi proprietatea II se demonstrează imediat prin recurenţă. Teoremă. Valoarea medie a unui produs de variabile aleatoare independente in totalitatea lor, ale unui cîmp, este produsul valorilor medii. Să presupunem, pentru aceasta, că teorema este adevărată pentru n variabile independente şi să arătăm că este valabilă pentru n 1 variabile independente. în adevăr, dacă / 1 , / 2 , ... ,fn, fn+ 1 sînt n 1 variabile independente în totalitatea lor, variabilele Io = / 1 , / 2 , ••• ,fn şi /,,+ 1 sînt independente. între ele, deci
+
M[fi/2 • • -fn+1]
Cum avem
însă,
prin
ipoteză,
+
= Mf/i/2 •• ,fn] M[/n+t],
teorema este
adevărată
pentru n variabile independente,
=2
valabilă
deci Teorema fiind
valabilă
pentru n
va fi
pentru orice n.
§ 5. VARIABILE ALEATOARE DEPENDENTE.
1. Cor~lapa a Definiţie. Se numeşte corela/ie a probabilitate {E, ăJC, P,} valoarea medie
două
două
CORELAŢIE
variabile
variabile f, g definite pe cimpul de
y= M[(f-M[.f]) (g-M[g])].
(1)
Atunci vom avea _
y şi
=
MUg]-M[f] M[g].
(2)
Expresia (2) prezintă corelaţia ca diferenţă între valoarea medie a produsului produsul valorilor medii ale celor două variabile. Rezultă imediat următoarele două propoziţii: P r o p o zi ţ i a 1. Corelaţia a două variabile independente este nulă. 1
30
TEORIA PROBABILITAŢILOR ŞI APLICAŢII
P r o p o z i ţ i a 2. Condiţia necorelate (y = O) este ca
necesară şi suficientă
M [fg]
=
ca
două
variabile
să
fie
M [f] M [g].
Următorul exemplu ne va arăta că există variabile necorelate care nu sint independente. Exemplu. Sistemul de evenimente E este format din patru puncte ale unui plan, reprezentate prin coordonatele lor carteziene, cu probabilităţile respective p 1, p 2, p 3, p 4 , legate prin relaţiile
> O, j =
P;
I, 2, 3, 4 ; P1
+ P2 + Ps + p4 =
I.
Variabilele aleatoare sînt coordonatele x şi y; x are valorile O, 4 cu prop 1 + p 2 + p 3 + p 4 , iar y are valorile 1, 2, k cu probabi+ P2 + Pa:
babilităţile respective lităţile respective p 1
M [x]
In
=
4p4 M [y]
= p 1 + p 4 + 2p 2 + kp3 •
acelaşi timp,
= 1) = p4 ; P (x = P (x = 4, y = 4) = O.
P (x = 4, y
Prin urmare, M [xy]
=
4p4 •
Este suficient ca p 2 + (k-1) p8 variabilele
să
=
2)
=
=
+ p4 + 2p2 + kPs•
O, deci k
=
l-
P
2
,
pentru a avea y
In acelaşi timp, variabilele x şi y nu sînt independente.
P(x = O,_y şi,
=
O) = P1
=
O,
Pa
fie necorelate.
P (x
O;
Urmează
Y = 4p4-4p4 P1
adică
4, y
In
adevăr,
= l) = Pi,
+ P2 + Pa ; P (y =
1)
= P1 + p4
în general,
2. Coeficientul de Definiţie.
Coeficientul de
corelaţie
corelaţie
a variabile/or f, g este raportul
M [(f-M [/1) (g-M [g])]
'Y ~ !J./ IJ.g
r = ---------=-.;~ - ------ • 112 (M2[/ - M[f]) M2[g- M[g]1)
Teoremă.
Pentru orice sistem de
Observăm că
două
variabile avem r 2 ~1.
forma
M [oe (f - M [f])
+ ~ (g -
M [g])]2 =
µ.7 oc2 + 2yoc~ + µ.! ~2,
{3)
CJMP FINIT DE EVENIMENTE. CIMP PROB,\BILIZ.-\T
este
pozitivă;
prin urmare,
•
deci ,2
Cînd ,. = O, Dacă
r2
3l
corelaţia . este nulă.
=
1, luînd oe
=
=
~
-r µ 8 ,
•
1
ecuaţiile (16) devin
~ pkheiOh = ei(oo;+Ok).
De aici
rezultă
~
pkh COS
~
pkh
6h
=
COS
sin 0h
=
sin (Ct>;
(Ct>;
+ 0k), + 6k),~
de unde deducem imediat
E pkh cos (6b-6k k
Ct>;) .
=
1,
pentru fiecare h pentru care p kb ~ O. Fie acum un ciclu posibil de evenimente Ek, Eh1 , Eha , ... ,Eh s-1 , E1t, presupunînd că hi, h 2 , ••• , hs-i sînt distincte între ele şi distincte de k. Ciclul este posibil dacă pkh ~ O, ph h ~ O, p 1, h ~- O, .•• , ph k ~ O. In acest caz, .sînt ., 1 1 2 23 s . aplicabile ecuaţiile 6h1 - 6 k -
Ct>;
= 2N1e1h1 ~;
• · • 6k -
8h2-8h1 -
8hs-1 _- Ct>;
=
Ct>;
2Nhs-1 k 7t •
=
2Nh1, h2 7t;
(18)
39
CIMP FINIT" DE EVENIMENTE. CIMP PROBABILIZAT
Adunînd membru cu membru aceste egalităţi, obţinem: s fiind elementele matricei p = 1t; (j = 1, 2, ... , m) este invariant, deci stabil, timp este lanţul spre care tind asimptotic toate celelalte. lanţul
-4-2029
şi
în
acelaşi
TEORÎA PROBABILITAŢILOR ŞI APf:.ICAŢII
50
b)
Există
o
singură rădăcină simplă egală 2 16
fiţ. această rădăcină ).. = e multe or+,
relaţia
Pi">
=
în modul cu unu, afară de unu;. n . Potrivit formulei (30) folosită de mai
=
cu 6
k
(9) devine
1 1 E; Pj >[- Dh; (I) + ein° - -. Dh; (ei + H;h (n)] , D' (1) D' (e' ) 0
6 )
6-
unde H;h (n) ~ O cînd n ~ oc. Oricare dintre lanţuri este deci asimptotic unui
7ti;•> =
Ei
p~o) [ __1_
D' (1)
Dh,· (1)
+ ein6
lanţ
periodic
corespunzător
_ l__1a-· Dh,· (eiO)]' D' (e )
care de asemenea aparţine familiei, cum se verifică imediat. Dacă P~I 0 > verifică . . sistemul evident compatibil, 0 > Dh; (eiO) = O,
EpJ j
lanţul
este asimptotic
lanţului
constant ale _ _l_ D! (1)
E
cărui probabilităţi
P~o)
j
absolute sînt egale cu
Dh· (I). I
I
în general, probabilităţile elementare P;k ale unui lanţ variabil nu sînt distribuite fără nici o regulă. Variaţia cu n a acestor probabilităţi urmează aqumite legi şi, în general, are o anumită uniformitate. Cazul cel mai important şi cu relaţii mai strînse cu aplicaţiile este acela în care există o periodicitate: P'!1k
= pbT+n '
unde T este perioada O-
rt.
există
număr
>0
pozitiv, pentru care
(10}
fndep/inită, lanţul
lim I P;k (n) -Phk (n) ➔
un
şi
k. (10) este
pentru orice m, oricare ar fi j
T.
oo
I = 9,
este ergodic în sensul
că
(11)
cu j, h, k oarecare. § 9. REACŢII ÎN LANŢ
I•
Generalităţi
Numeroase reacţii chimice în lanţ ca şi unele procese fizice sau biologice purtînd ·asupra unui sistem de particule elementare ~înt susceptibile de interpretare prin Janţuri Markov, care se numesc /an/uri sau procese stochastice ramificate.
CIMP FINIT DE EVENIMENTE. CIMP. PROBABILIZAT
51
Cel clintii exemplu este dat de reacţia fotochimică în lanţ care duce la formarea acidului clorhidric din moleculele izolate de hidrogen şi clor. Această reacţie în lanţ, sub influenţa unei cuante de lumină, are forma următoare:
CI 2 + h'J =CI+ CI, CI + H 2 = H + HCI, H + Cl 2 = CI+ HCI, CI + H 2 = H -1- HCI.
' (I)
Sub influenţa unei cuante de lumină, molecula de CI se desface în doi atomi de. CI: fiecare dintre aceşti atomi, în prezenţa moleculei de H, o desface, eliberează un atom de H şi constituie o moleculă de HCI: atomul de hidrogen eliberat, în prezenţa unei molecule de CI, o desface, eliberează un atom de CI şi constituie o moleculă de HCI, şi aşa mai departe. Procesul poate fi considerat teoretic infinit. El se întrerupe numai cînd atomul de CI sau de H întîlneşte impurităţi sau loveşte pereţii vasului, unde condiţiile sînt alterate. Evenimentele al căror lanţ îl avem în consideraţie aici sînt apariţia atomilor de CI şi H şi a moleculei de HCI. Le vom nota e1, e2 , ea. Celelalte elemente ale reacţiilor constituie numai ocazii sau circumstanţe ale procesului chimic. Succesiunea de evenimente descrisă la (1) .se mai poate scrie, în aceste notaţii e1 -+ e2 e2 -+ e1 e1 .... e2
+ ea
+ ea
(2)
+ ea
Vom presupune că reacţiile elementare se petrec într-un .interval de timp care nu variază· de-a lungul procesului şi vom lua acest interval dr.ept unitate de măsură a timpului. Observăm că numeroase reacţii chimice în lanţ trebuie considerate ca lanţuri omogene: durata reacţiei este independentă de momentul în care începe. Să considerăm o reacţie în lanţ, purtînd asupra unui număr r de tipuri de elemente. Evenimentele care constituie obiecte ale cercetării sînt: 1°. Cele pe care le vom nota vectorial (a) = (a1 , a 2, ••• , ar) şi ne arată că avem în prezenţă a 1 particule de speţa întîi, a 2 particule de speţa a doua, ... , a, particule de speţa r. 2°. Reacţiile, sau sistemele de reacţii, care se vor nota cu Eca>, (l) şi care arată procesul sau mulţimea de procese care în intervalul / duc de la sistemul (a) la sistemul (b). Reacţiile elementare ale procesului sînt în număr finit, şi, în general, de tipul (2): de la o particulă se trece la un sistem. De aceea, procesele respective se numesc ramificate. Întreg procesull este o suprapunere de reacţii elementare E;, (1), concomitente sau succesive. Caracterul propriu al acestor reacţii este dat de independenţa reacţiilor elementare între ele, fie că sînt concomitente, fie că sînt succesive.·
TEORIA PROBABILlTATILOR ŞI· .A~iI.CAT.11
52 Dacă
E;. (m>•I (I) sînt
reacţiile
elementare ireductibile
P [ E;. ; (I)]
vom avea P;, Cb> (1) = O pentru (b) :;c w;
•~a
.
=
şi dacă notăm
(3)
P;. k (1, x) I ~ 1 pentru 1X1 I ; I X2 1; ..., I Xr I , (/, x)] .,
Deci, notînd cu tJ,(l> (x) iterata de ordinul (/) a funcţiei ~ (x) rezultă (/, x)
= tJ, (x).
Primul exemplu:
~ (x)
= ax + b
(ad - bc
·
ex+ d
> O).
lterata de rang / este
= a1x + b1 ,
tJ,(l) (x) .
C/X
+ d1
unde
. I'I c,a,
b, d,
li = .li a C
b 1'1 '· d.
rădăcinile ecuaţiei
Potrivit cu 3°,
D (A)
=I
a-;
b d-).
A
ll
=0
sînt reale, iar dacă discriminantul ecuaţiei a cărui valoare este (b de zero, cele două rădăcini sînt distincte. Teorema lui Perron ne dă
an=
n
C
--).1
b+c
b "l.n + --1\2;
C = - "l.n I\I b+c
Cn
bn
b+c C
=
_b_ ).j -
_b_
b+c
b+c
b
"l.n
·n
C
+ c)2 este diferit A2, n
dn = - - A r + ·--A2. b+c b+c
- - 1\2 ;
b+c
anX
Dezvoltînd în serie, în- raport cu x, funcţia (n, x)
CnX
+ bn + dn
- • gas1m
c">..j-b~
P0 ( n ) = - - b"J.j- c~
Rezultă, fără
greutate,
că
~
1,
O, avem ). 1 =
).2
P0 (n) Dacă
b+c
=
a+b=a-c.
pentru n ~
oo
P; (n) şi.
~
valoarea
O
U> I).
comună
pe care o vom numi ). este
I
_5;·
CIMP FINIT DE EVENIMENTE. CIMP PROBABILIZAT
în acest caz, an
Dacă
. (n
+ 1) ).n -
nd). n-1 ; bn = nb )."- 1; dn = (n + l}An -na).n-l,
presupunem ad - he an Cn
=n+ l-
=
=
nd;
1,
b,,
ne; .
rezultă
=
).1 -
). 2
nb;
dn -:--
n + 1 ..:,_ na;
=
c,,
=
nc).n-l;
1. Deci, P. (n) - _ _nb __ 0
-
(1-a)n
+1
Cind n-+ oo, P0 (n) -+ _b_ =•l. ·
1-a.
Al dtJi/ea exemplu. Construim- funcţia toare procesului (2). Este evident că
vectorială
generatoare,
corespunză--
= q1x 1 + p 1x 2x3, «1>2 (1; xl, x2, x3) = q~2 + p-v..) dacă punem:
1.
TEORIA PROBABILITAŢILOR ŞI APLICATil
64 Pentru cazul a
·Cu
ecuaţiile
(a1, a 2, O),
devin:
condiţiile limită
Pi• _găsim
lele
=
(a)
(I, t)
( O (a) l (a)
=\
=,= (I, O, O) =
• {l, O, O) ,
(I t) __ { O (a)=/= (O, I, O) ' 1 (a) = {O, 1, O)
p 2
' (a)
pentru acestea P 1 , (a) (s, t)
=
O pentru (a) -:;z!:. (I, O, O); P 1 ,
P 2 , Ca) (s, t)
=
Opentru (a)
=I= (O,
1
(s, t)
1, O); P 2 , 2 (s, t)
=
=
_(t
e
-r
e
1
r1(11)du
(16)
Js r2(u)du.
Cu ajutorul acestor valori se pot construi, din aproape în aproape, integra(15) pentru orice (a).
ecuaţiilor
două funcţii
4. Cele
vectoriale generatoare
şi relaţiile
lor
ln cazul procesului continuu, pe lingă funcţia vectorială generatoare I
= E Pj, (a) (s, t) xCa) + P;, ro
'1.>; (s, tJ x) 0,1, ...•
E
(s, t) Xr+1 ~=
00
P;, (a1,,,,
ar)
(s, t) xj• ~
2
X:.r + P;
• • •
ai• ... , ar
(s, t) Xr+l
(17)
(j= 1,.' .. ,r) 'r+l
introducem
şi funcţia asociată
;(t; x)
=
X,+1
vitezelor de
variaţie
= EP;, (a) (t) Xa + P;,
0>
a
C'f>r+t (t; x)
Deoarece potrivit cu (1) pentru (a)
=I= j,
rezultă că seriile l,
J X1 I , I X2 I , • • •, I x, I
jhjh+l (p;hl, Pjh2'. • •. ,
(jh ,j1,+i
unde
Cfl;k (x 1,
x 2, x 3 ,
... , Xm)
sînt 0
funcţii
=
(I)
P;,,m)
1, 2, ... , m),
de m argumente pentru
< X1, X2, ••• , Xm -)
h= I, 2, .. , k
Ţinînd seamă de omogenitate, putem înlocui în expresia din membrul al doilea fiecare mjn> prin "A. m!n> , oricare ar fi A :;r:- O. Dacă punem în particular
A= i
E
= I,
( + I)
P/'
găsim
mln> ,
2, ... , k
fi (
=
"" L-J
(n)
(n)
/; P 1 • P2
f
(P(n) P(,J)
l
h=l,2, .. ,k
(11))
, • • • , Pk
I ,
2
p(n))
, ••• , k
_ ( 11 - Cf'lj Pi
11
'
P2 ' • • ·,
p'') '. k ' ,
h
egalitate care arată că lanţul construit este: simplu şi cu legături complete. Generalitatea funcţiilor fii (x 1, x 2 , ••• , xk) ne arată că modelul prezentat anterior are el însuşi un mare grad de generalitate.
3.
Lanţuri
cu
legături
complete de ordinul al doilea
O schemă simplă a lui A. Markov ne arată că, cel puţin în anumite împrejurări, dacă funcţiile fi; (x 1 , x 2 , ••• , xk) nu sînt omogene, se obţine un lanţ cu legături complete de ordinul al doilea. Fie U1 urna iniţială conţinînd o bilă albă şi una neagră. Se efectuează o extracţie din urnă şi se înlocuieşte bila obţinută prin altele două de aceeaşi 6-2029
PROBABILITAŢILOR ŞI
TEORIA
82
APLICAŢII
· culoare. Obţinem astfel urna U2• Continuăm după aceeaşţ regulă. Obţinem o succesiune aleatoare de urne de tipul (1), fără omogenitatea funcţiilor fi;. • Să notăm prin m1 şi m 2, respectiv numărul de bile albe şi de l;)lle negre,. după a n-a extracţie. Dacă mf şi m~ reprezintă numărul bilelor albe .şi negre după extracţia care urmează, vom avea:
dacă extracţia precedentă
nu a dat o
bilă albă, şi
în cazul contrar. Să presupunem· că extracţiile de ordinul n şi (n + 1) au dat fiecare cîteo bilă albă. Dacă notăm cu a. şi ~ numărul de bile albe şi negre care existau în urnă înainte de a n-a extracţie vom avea:
p
=
ex .ex + ~ '
,
ex+ 1
''
p = ex + ~ + 1 ' p = ex
ex+ 2
+~ +2'
unde p, p', p" sînt probabilităţile de a extrage o bilă albă ·respectiv în a n-a„ a (n + 1)-a şi a (n + 2)-a extracţie. Dacă eliminăm pe a. şi ~ din aceste trei relaţii, rezultă:
"
=
p dacă extracţiile
de rang n
şi
n
2p' - pp' - p 1 +p'-2p;
+I
(I)
au dat respectiv o
bilă albă şi
una
neagră„
vom avea: ex P =ex+~'
care prin eliminarea lui a.
de rang n
ex+l
=
ex+(3+1'
şi ~ dă
p" dacă extracţiile
, P
şi
p'-pp' . = ---"-"-1 + p'-2p'
(II)
n + I au dat respectiv o
bilă neagră şi
una
albă„
p'
{III)
vom avea: ex
.
p=ex+(3' şi,
în
sfirşit, dacă
cele
ex p=--,
ex·+ (3
I
p
„
(X
= ex+~+1'
două extracţii
p
ot+l ex+f3+2'
p"'
"
P
=
ex
ex+ (3
caracterizează
+2 un
= pp' + P 2p-p'
au dat fiecare cite o
ex p'=---, ex+~+l
Relaţiile (I), (II), (III), (IV) multiplu de ordinul al doilea.
=
bilă neagră,
p'" = . lanţ
cu
va rezulta:-
. pp' 2p-p'
legături
(IV)
complete
sa
CIMP ·FINIT DE EVENIMENTE. CIMP PROBABILIZAT
4. Reprezentarea unui
lanţ
Markov multiplu ca
lanţ
simplu cu
legături
complete
Lanţurile Markov simple pot fi considerate ca lanţuri cu legături complete, anume cînd funcţiile fi; (pyi>, p~n,, ... ,pin>) se reduc la constante. . • Un lanţ multiplu de ordinul r relativ la evenimentul E 1 , E 2 , ••• , Ek este caracterizat prin probabilităţi fundamentale de trecere P1r, lr-i • ...• li• 1 (n - r, n-r+ 1, ..., n- l, n). Dacă notăm prescurtat:
şi
(n-r,n-r+ l, ... ,n-1, n)=1t~n>
P1r, 1r-i•···,1t•
şi dacă p 1 , p 2 , ••• , Pk sînt probabilităţile absolute ale evenimentelor relaţia funcţională corespunzătoare lanţului Markov multiplu pretată ca o relaţie a unui lanţ simplu cu legături complete.
atunci
Lanţ
5.
E 1 , E 2 , ••• , Ek, · poate fi inter-
variabil. Schema lui Polya
Dacă funcţiile fi; depind şi direct de n, lanţul se numeşte variabil. în această categorie se pot clasa schemele de contagiune ale lui Polya. Pentru realizarea acestei scheme, să considerătn o urnă cu oe bile albe şi ~ bi]e _negre. După fiecare extracţie se înlocuieşte bila scoasă din urnă prin 1 + 8 bile de aceeaşi culoare. Dacă procedăm astfel şi dacă primele n extracţii au dat k bile albe, urna va- conţine oe + k8 bile albe şi ~ + (n - k) 8 bile negre. Probabilitatea de a obţine o bilă albă va fi atunci
p,,
«
+ k8
= v + n8
(oe+~= y)
sau Pn =p+ky 1 + ny
. dacă notăm:
• 8 y=-.
a
p=-, V
V
Dacă extracţia de rang n a dat o bilă a]bă, să obţinem o bilă albă va fi:
de rang n + I
p: +
1
probabilitatea ca în
= a + (k + 1) 8 = p + (k + 1) y • v + (n +1)
8
1 + (n + l)y
Dacă bila extrasă a fost neagră, probabilitatea de a obţine I o bilă albă va fi: p" a + k8 _ p + ky n+ 1 = v + (n + 1) 8 l + (n + l)y
rang n
+
Dacă eliminăm
pe k, I
obţinem: _
./'(n)
(p ) _
Pn+1-J11 ,,
_
J"(n) (
Pn+1-J21
extracţia
n
y -l+(n+l)y
) _
1 + ny
+
Pn -1+(n+1)yPn•
1 + ny l+(n+l)yPn,
în extracţia de
Ş4
PROBABILITAŢILOR ŞI APLICA;ŢII
-~----T_EORIA
Lanţul cu legături complete astfel definit este variabil şi de ordinul întîi. Să observăm că, dacă împingem calculul pînă la rangul 2, putem elimina ·pe n între relaţiile obţinute şi vom avea un lanţ cu legături complete constant, 'de
ordinul al doilea. lanţ
6. Alt model de
variabil
Modelul obţinut § 2, l, după o regulă de constituire de urne a lui Markov, de asemenea un lanţ variabil, şi anume un caz particular al celui precedent (8 = I). ln adevăr, în acest caz avem:
·reprezintă
p'
(X
P= n dacă
în
extracţia
în
extracţia
p
care
caracterizează
(X
,, _
-
Să
bilă albă, şi (X
+(n)
presupunem
n+2
bilă neagră.
o
(p)
Ju l'(n) (
J~
21
lanţ
7. Corespondenta între un Teorema.
11+2
'
n+l
,=
un
o
a;+ 1 =---,
= - - ' p = --- ' ieşit
de rang n a p
relaţii
obţinut
de rang n am p
dacă
+ 1'
=
) _
p -
Eliminînd pe oc
obţinem:
+ 1) p + 1 n +2 ' (n + 1) p ----n + 2 .'
(n
de ordinul întîi,. variabil.
lanţ
cu
legături
complete
şi
un
lanţ
Markov
că şirurile
E;., E;z, , . •, E;n, E;n+1, , , •
(1)
ale spaţiului de şiruri sînt lanţuri cu legături complete, definite prin probabilităţi de trecere. Aceasta înseamnă că probabilitatea trecerii de la evenimentul Ein Un= 1, 2, ... , m) la Ein+1 Un+1 = 1, 2, ... , m) este Cf>;n in+1 (p1, P2, ... ,pm), probabilităţile evenimentelor E;n (jn = I, 2, ... , m) fiind respectiv p 1 , p 2 , ... , Pm• Deci, probabilitatea de trecere de la vectorul de probabilitate p (p 1,p 2, ... , Pm) la (p).
~ms .
(IJ
ms
admit respectiv cite o limită~
> O,
m~11J ,
rezultă că
Ms< 1, ms> O, 8s == Ms - m 1
> O.
Se vede, pe de altă parte, că în aceste condiţii Ms şi ms vor fi respectiv limita superioară şi inferioară a funcţiei limită P! hJ şi a oricărei alte funcţii limită a şirului P!"' . Cu ajutorul relaţiei de recurenţă (5) şi al şirului P!h,) ' P! h2)
se poate construi un alt
în
şir,
, ••• '
p~h,,) ,
...
care admite de asemenea o
adevăr, dacă utilizăm relaţia
limită.
m+l
Ps(h+l) (p)
=
"LJ Pi p O este dat, putem determina un număr N astfel ca IP!h) -P~bn) I < e;
~pentru orice n > N. · Rezultă deci că
IP(h+I
_p;;k .. l
m) ,
(9)
I
-.unde am notat (f>ijk
ijk ••• gl
Pe de
altă
=
=
c:p;;( kt, k2,
••• , 'Pkm)
ijk •·• 'Pijk.;./ > 0 egalitatea (9) devine p,,k :. •••12, ••• , Cf'11k ~- ••• lm ), s
-unde cp;;1, ...1h este valoarea
funcţiei
(z' ') - P?> (z')
I
O, întrucît z n F C z şi deci d (Zn' z n F) > d (Z,,' F). Folosind proprietatea E) a măsurii exterioare P*, deducem · P* (Z) = P* ((Z' (l.F) LJ (Z n F')) ?:, P* ((Z n F) n Z, = = P* (Z n F) + P*(Zn) pentru care
_!___
~•
şi
n--..co
1)
şi
trecînd la
limită
P* (Z) >,P* (Z
n
F)
+ P(Z n
Deci F' E8Jf ; cum U = (U')' urmează că
F').
UE ~1f.
3. Exemple 1. Fie E = R şi d (x, y) orice parte A E!? (R) punem
= Ix -
P* (A)
atunci P* este o
y
I pentru orice
x, y
= { l dacă
A , O, O dacă CA; O,
măsură exterioară metrică şi
~JC
=
~
(R).
ER;
dacă
pentru
TEORIA
110
PROBABILITAŢILOR ŞI
APLICAŢII
--------------
2. Vom studia acum un exemplu important de măsură exterioară metrică, ajutorul unei funcţii crescătoare F definită pe R. Pentru cele ce presupune că Feste continuă la stînga în orice a E R, lim F (a) = I
construită cu urmează vom şi
a➔ =
şi
= O. Pentru simplificarea notaţiei vom F(a) = F(- oo) = O. Pentru un interval _
lim F (a) lim a ➔ ao
a ➔ ao
pune lim F (a) a ➔ ao
oarecare /
=
=
[ex~]
F ( oo) să
=
1
punem
F (/) = F (~) - F (ex). Funcţia F fiind crescătoare, este evident că F (I) >, O, oricare o ar fi intervalul /. Vom nota prin / interiorul intervalului /, adică intervalul deschis [ex,~] = { a I ex< a O este arbitrar, atunci F* (X)+ F* (Y)-< F* (XLJ Y).
E,
ŞI PROBABILITAŢI
CIM.P INFINIT DE EVENIMENTE
Pe de
altă
parte, am demonstrat
1lt
că
F* (X)+ F* (Y)
~
F(XLJ Y).
F* (X)+ F* (Y)
=
F*
Prin urmare
(XLJ
Y).
Aşadar, F* este Din propoziţia 1
o ;năsură exterioară metrică pe R. deducem imediat următorul Cor o 1 ar. Sistemul {R, cm', F*} este un cîmp de probabilitate complet aditiv. 3. O construcţie asemănătoare putem obţine dacă luămE = [p, q] C R(p
O).
= [ex (3], atunci F* (I)+ F(~ + 0)- F(~) + J:(ex +. 0)-F(cx), că dacă
/
o
F* (I)= ·şi
deci
o
F* (/) -dacă
F(l)
=
F* (I)
F este continuă în punctele ex şi ~Să
mai
observăm că
F* (/) -dacă
=
/
=
[ex~]
şi
deci
= F(~ + 0)- F(rx)
că
F*((ex~)) = F (~) - F (ex). F((a. • ~)) = F(~)-F(0t + O). F((ex · ~)) = F(~ + 0)-F(rx + O). Obţinem
de asemenea imediat
. F*(( -
oo, ex))
= =
lim F* (( - n, ex)) n-00
= Hm
[F (a) - F (-n)]
=
n ➔ oo
F(rx)-
lim F (-n) = F(rx).
n
~00
e
Vom arăta acum că dacă este o algebră booleană de părţi ale mulţimii E -şi P 1, P 2 două probabilităţi definite pe 8JC (€) care. coincid pe e, atunci P 1 şi P 2 --coincid pe ~1{ (€). Acest rezultat arată că probabilitatea P* este singura probabilitate -definită pe corpul 8JC (€) care coincige pe cu P. / Introducem întîi cu P. Ha/mos [92]. o nouă noţiune. O familie -S)R, de părţi .ale mulţimii E este o clasă monotonă dacă lim An E 8llt. oricare ar fi şirul crescător
e
tl ➔ OO
descrescător (An)n e N monotonă care conţine
·sau
de o
părţi ale lui E. Vom arăta că algebră booleană şi pe care
e
cea mai . mică clasă o vom nota -S)Jt. (S)
-coineide cu ~,c (S). O dată obţinut acest rezultat, este suficient să observăm că familia multi- milor X E !1R (S) pentru care P 1 (X) = P 2 (X) ' este o clasă monotonă şi · con. ·ţine pe e. Să arătăm deci că ,m (S) = ,W (S). Cum •leană
e,
.31{ (€) este evident o clasă monotonă şi cum ~ (€) conţine algebra boatunci S',C (S) conţine clasa monotonă ~1rr, {S). Deci
$1{'
Ne mai
(e)' :) jl]t (@.).
rămîne să arătăm că
,:i1K
(S) :)
~
(e) •
.Pentru aceasta este evident suficient să arătăm că ~1t (S) este un corp.
ŞI
CtMP INFINIT ~E EVENL\\ENTE
Pentru orice mulţime B
CE
· ~C(B) ={Ac EI A
PROBABILITATI
113,
să notăm
UB-· A nB' • FnB' ell,1t.}.
Este uşor de văzut că ~( (B) este o clasă monotonă şi că relaţiile A E.'X (B) B E ~C (A) sînt echivalente. Dacă A şi B sînt mulţimi din e, atunci A EX (B). Cum A este arbitrar aleasă în e, urmează că şi
e c -Je (B)
şţ
clasă monotonă,,
deci, cum ~C (B) este o
· · ~'1lt
pentru orice B C
e.
(~
C 1C (B).
1
Se deduce uşor că ·
~11t (e)
c 1c_ (B)
pentru orice B E&)Jt (", ne rămîne să arătăm .
u (A) E8Jf. dacă A E~,,. ln virtutea propoziţiei 1, este suficient să arătăm că
-1
u (A) E8Jf
dacă A
Ed. Â
Se presupune
că
= { (x1, ... , x,,) I X1
( ( - co, b) ). Cum ( - oo, a) C ( - co, b), rezultă că p ( (- oo, a)) p ( (- co, b) ), adică F (a) F (b). Dacă notăm F (a + O) = lim F (r1.), deducem atunci imediat că
0. 20)
Să
se arate
că funcţia definită
I (n, t) =
e-'J..t' (l -
de
egalităţile
3e-•Atr-1,
/ (O, t)
=
O,
n = 1, 2, ... ;
> O poate reprezenta o densitate de repartiţie a unei variabile aleatoare care ia ·valorile n = O, 1, 2, .... Să se calculeze media şi varianta. 21) Se dă densitatea de repartiţie
11.t
p (x)
=
k
(1
+ xll)m
m
>,
1.
Se cere: 1) Să se determine constanta k. 2) Să se calculeze cîteva momente. 22) Să se găsească media geometrică şi media armonică pentru repartiţia
P (x)
=
1 B(p,q)
(1 - x)P-1 -xq-i (O ~ x ~1). ~
.
23) Să se arate că dacă F (x) este funcţia de toare f şi M (f) = O, M (/2) = a2 avem F(x)~
all
as+ xs
repartiţie
pentru x
O.
~
a unei variabile alea-
O
şi
F(x)~
Xll
al+ x:
24) Să se arate că dacă pentru variabila aleatoare f, M (ea 1) există (a atunci M(ea/) P(f~e:)~--• ea/
> O),
VARIABILE ALEATOARE
135 - - - - - - - - - --·----·--
25) Fie h (x) o
funcţie monotonă crescătoare continuă, şi variabilă
aleatoare,
a cărei funcţie de repartiţie este F (x). Să se arate că dacă variabila h O f= h (f) are o valoare medie, atunci ea
este
reprezentată
de integrala
·
[
h (x) dF (x).
> O- o funcţie M [gif-:- M (f)) ], atunci
26) Fie g (x) există
p { lf-M(f)
descrescătoare. Să
I> e:}-
j + I, astfel ca lim F (x) xk x➔ -
= O, lim (I -
ao
F (x)) xk
=
O.
-~ ➔ 00
Dacă notăm
M; (a)= r(x-a)i · (1-F(x)) dx-~~}x-a)i F(x)dx. Să
se arate
că
M; (a)= j
~1
unde µ~+ 1(a) este momentul de ordinul j
µ;+, (a), + 1,
centrat în a.
30) Să se arate că pentru orice densitate de pe intervalul (a, b) avem relaţia b
x2sp (x) dx
•~ a
b2s+ I - a2s+ I > ----(2s + l)(b - a)
repartiţie
~b
p (x)
nedescrescătoare
p (x) dx •
a
31) Folosind rezultatul din exerciţiul precedent, să se arate că dacă p (x) este densitate continuă pe intervalul [-a, a] şi simetrică faţă de x = O, atunci 2s
µ.,-S
0 < -2s+-1 ,
s~_,rl
I
136 dacă
TEORIA
PROBABILITAŢILOR
ŞI
APLICAŢII
= O şi
p (x) are un singur maxim în x
a2s
l-'-2s >----'
+1
2s
dacă
p (x) are un singur minim în x
= O.
32) Fie
cp (x) Ştiind că
polinoamele lui
1
= y-- e
Cebîşev-Hermite
=
(-DY
siuni (u, v), unde u = V[cos g şi v = V/sin g. 56) Se dă o ţintă, sub forma unui punct într-un plan. Pentru un trăgător punctul lovit de g]onţ este o variabilă aleatoare cu două dimensiuni, cu densitatea de repartiţie normală 1
__(x-:-a)2
p=-·-e
+ (y-b)2 2a2
21ta2
unde a şi b sînt coordonatele centrului ţintei. Să se calculeze probabilitatea ca toate gloanţele să fie trase într-un cerc de rază R şi centrul (a, b).
CAPITOLUL V
DISTANŢA ŞI CONVERGENŢA
ÎN SPAŢIUL VARIABILELOR ALEATOARE ALE UNUI CÎMP Două tipuri de convergenţă proprii s-au impus încă de la începutul teoriei probabilităţilor: convergenţa în probabilitate şi convergenţa în repartiţie. Cea dintîi datează de la Bernoulli şi intervine în mod esenţial în expresia legii numerelor mari, cea de-a doua datează mai cu seamă de Ia Laplace şi intervine, de asemenea, în mod esenţial, în formularea aşa-numitei teoreme centrale a teoriei probabilităţiţor.
In schema bernoulliană a experienţelor repetate, avînd ca obiect evenimentul A cu probabilitatea constantă p sau contrariul său A', cu probabilitatea constantă q = 1 -p; se prezintă două categorii de frecvenţe (ambele teoretice), şi anume: . una dintre frecvenţe se referă la prezenţa evenimentului A într-o succesiune deter. - a n pro be JI' = -v ş1• poate avea va· 1on·1e O, -l , ... , n-- 1 , -n = 1. · nnnata 11
n
n
n
n
A doua indică raportul dintre numărul de experienţe în care v, deci J;,, are o valoare determinată şi numărul total al rezultatelor posibile care este 2". Acest raport este o probabilitate Pnv. Considerînd frecvenţele ca variabile aleatoare, teorema I~i Bernoulli
arată călim P n, v = p, dacăp-e< .2'....
1° 2° 3° 4° spaţiul
abstractă
două
variabile simple
= f(~) are valoarea
= g (~)
definită
a
ia valorile Yh (h = precum urmează: d (f, g)
3.
x; (j = 1, 2, ... , /) cînd aparţine mulţimii A;, 1, 2, ... , n), cînd ~ EB1„ atunci distanţa poate fi
= sup If
Distanţa
a
(~) - g (1))
I ~ sup I X; -
Yh
1=1,2, ... ,l h=l,2, ... ,n
două
I.
(I)
variabile oarecare
/ şi g sînt, potrivit teor. 6,31, cap. IV, limitele cîte unui şir de variabile simple /,, şi Kn• Să numim cu dn distanţa între fn şi Kn definită Ia numărul precedent dn = d (f,,, Cn); deoarece d este crescător cu n avînd dn dn+t, şirul pozitiv dn are o limită care poate fi şi + oo ; avem ~tunci d (f, g) = Jim dn. (2)
-
O şi 'YJ > O există N (e:, 'Y)), astfel încît P { li,, -II> e} N (e:, 1)), deducem imediat că P { If - g I > e: } = O. Dar P {lf- g I ~o}
~P (
Q, {!; 11/(!;) -
g (I;)
I>
--!;-}) ~
00
- - 1 } =0 n
I
şi,
prin urmare, teorema este demonstrată. P r o p o z i ţ i a 2. Dacă şirul Un } converge în probabilitate spre variabila aleatoare f şi şirul {gn} spre variabila aleatoare g, atunci şirul { a.fn + ~gn}, unde « şi ~ sînt numere reale, diferite de zero, converge fn probabilitate spre
«/+ ~g.
E~te suficient
g 11 (a.fn +
. să observăm ~ă~
în aceste
~g,,) - (o:/+ ~g)
I > e:} C { ~ I IJ,, - I I >
u{~ I lg Propoziţia
-gl n
>
condiţii
2
J
~°' U
_s:_l. 2l~IJ
apare atunci evidentă. În acelaşi fel se demonstrează imediat că şirul { 1/,, I} converge inprobabilitate spre I/ I în acelaşi timp ce ·{fn} converge fn prob.abilitate spre f. Propoziţia 3. Dacă şirul {/,,}. converge în probabilitate spre /, iar g E""i' e , atunci şirul {/,1 g} converge în probabilitate spre fg. 10-2029
146
TEORIA
PROBABILITAŢILOR
ŞI APLICAŢII
Dacă notăm
m
=
l, 2, ...
avem evident şi
lim P(Bm)
= O.
m ➔ oo
Punînd
şi
t't.m
se vede imediat
= g 11.fn g -
fg I ~
> E}
că
a.,,nB~
Cum t't.n = (rt.n
={
~ 11.fn
-fi>:}•
n Bm) u (rt.n n B:) C Bm U(rt.n n B:)
avem P(rt.n) N(: ,î))•DaratunciavemşiP(otn) O există un N (e, "I)), astfel Incit ·
P ( Ifn - f uşor
Este
de
văzut că
m
I > e)
~ "I) (n, m condiţia
în Ioc de
P( lfn-fm
> N (e, "I))).
(4) putem pune
(4) condiţia
I~ e) > 1-"I)•
. (5)
P r o p o z i ţ i a 5. Dacă şirul (fn)o < n < oo este un şir Cauchy in probabilitate şi dacă un subşir al său (/nk ) 0 < n < co converge tn probabilitate spre o variabilă aleatoare f, atunci şirul (fn)o ~n < co converge tn probabilitate spre f. Avem
P(lfn-fl
>e) +) +P ( lfnk-fl > ; ) ;
dacă
n şi k sin~ su(icienţ de mari, fiecare termen al sumei din dreapta este mai mic decît .2L • Deci dacă n este suficient de mare 2
P( lfn-fl ceea ce
> e) ..-!.) < · 2 Urmează
atunci
l • 2
că
P(lfn-fml>e)- ;)+P{lfm-fl> ;)~"I)Condiţia este suficientă. Să alegem
un şir infinit de numere strict pozitive { e,} ,
astfel incit 00
E e,
a})·-
N (e:, 11). Insă pe baza
-echivalenţei
P { I g, I >, I K1+1 I > e: • • .} = P { Iii ·1 > e:, l.fi+1 I >. e:, • • ·.}, este verificată. Presupunere. Facem următoarea presupunere: În fiecare clasă de echivalenţă -există cel puţin un şir {On} de variabile independente. · Această presupunere ~se pare importantă, deoarece existenţa în clasa de echivalenţă a unui şir de variabile aleatoare independente are consecinţe importante aşa cum rezultă din consideraţiile care urmează, în care definim o echivalenţă mai largă şi un timp. de convergenţă corespunzător, după Robinson şi Hsu. Definiţia echivalenţei largi. Două şiruri {/,,} şi {gn} sînt echivalente în sens larg dacă P {fi < 01 I= 1, 2, ...} = P {g, < a1, I= 1, 2, ...} -deci
afirmaţia
pentru orice sistem a;, · finit, oarecare, oricare este j = 1, 2, .... în acest -caz, convergenţa în probabilitate a unui şir atrage pe aceea a oricărui alt şir -ca.re aparţine aceleiaşi clase de echivalenţă. Dar convergenţa tare a unuia nu mai atrage convergenţa tare a celuilalt. Dacă {.fn} este tare convergent, el este convergent în probabilitate, deci ·şi {gn} este convergent în probabilitate. însă {gn} are totuşi, din pricina echivalenţei, o convergenţă mai tare decît cea în probabilitate, dar mai slabă decît cea tare. Ea se poate numi aproape tare sau aproape complet sigură (Dugue, Robinson, Hsu). Convergenţa numită tare a lui Cante/li şi Borel, în cazul legii tari a numerelor mari, este în fapt o convergenţă aproape tare (Dugue'). O condiţie necesară şi suficientă pentru convergenţa aproape tare este deci -convergenţa seriei al cărei termen general este un (x) = 1 - Fn (x) Fn (-x)
+
4. Considerăm
Aplicaţii
la şi
cea mai mare
convergenţa
cea mai
în probabilitate
mică
valoare a unui sistem de valori
:aleatoare 8>Rn = sup (f1 , /2 , Dacă
construim în
acelaşi
•••
,fn); m,, = inf (/1 , /2 ,
•••
timp variabilele aleatoare g;
=ff' h; = -f;,
unde f-J1
= { 1t I; > o ' f-:- = { o /; > o 1 O f;- e) = rezultă, ţinînd seamă
[l -F(ne)]n
în care este s un număr pozitiv oarecare, că mărginirea în probabilitate a variabilelor &)ltn şi mn aduce după sine de
demonstraţia precedentă
n
convergenţa
5.
Aplicaţii
la
convergenţa
aproape tare
Condiţia necesară şi suficientă ca variabilele bmn şi spre O este
n
for în probabilitate spre O.
existenţa
integralei 11-• =
r:
n
mn
n
să tindă aproape tare
a" dF (a) (ifsu, Robbins, Erdiis).
156
PROBABILITAŢILOR
TEORIA
Demonstraţie. Ţinînd seamă
altă
APLICAŢII
de (2) avem
P(~n~e:J= l-Fn(m:); P(:n Pe de
$1
O. Teorema lui P. Levy.
cîmp
e,
dacă notăm
Dacă / 1, /2 , ••• ,}~
sînt n variabile independente ale unui
= /1 (ţ) + /2 (~) + ··· + f,, (ţ). = {ţ 11 S; (ţ) I > e:}; E(n),e = LJ E;,
s; {ţ) E;,
e
e ,
J~n
atunci, dacă avem
condiţia
pe care o
precizăm
în cursul
demonstraţiei
este îndepli-
nită,
p E(11),1!
~ ~
1
~Q,,' ~) :2
(
e:)
•
Q,, -
l 2
Demonstraţie.
în enunţul şi demonstraţia acestei teoreme nu intervine exisvalorilor medii de nici un ordin, ci afară de independenţă, numai condiţia · ot: intervalele închise de lungimea / şi de concentrarea maximă ·a fiecăreia. dintre variabilele fn {ţ), /,,-1 (ţ)+ fn (ţ), ... / 1 (ţ) + ... , +/,, (ţ) să cuprindă originea tenţa
DISTANTA
-----
ŞI
CON.VERGENŢA
IN
SPAŢIUL
-157
VARIABILELOR ALEATOARE
ca punct interior. (Aceasta se poate obţine modificînd neesenţial variabilele prin adăugarea unor constante potrivite.) Din teorema fundamentală relativă la funcţia . de concentrare rezultă că pentru orice Sn, s; avem Qs n (ţ) ~Qs n - s-(~), j = l, 2, ... , n- I. , Din condiţia ~ rezultă că există un interval închis de lungime ~ cuprinzînd originea şi a cărui probabilitate este
Qsn (
2
i) • Prin urmare
f}
f} < 1-Q,.-,; (1)< 1-Q,.({)· P{
Să observăm
acum
{I•. I
I -Q,. (
că
f}= [{•.-½}nE(.
1••
]u[{ I•. I< i}nE1.1.•]•
unde Ein), e este evenimentul contrar evţnimentului
i
P{
I
= ,
de la început că în ipoteza r ;= n avem, înainte oricare sînt m şi n. ·pe de altă parte, co
co
co
c=n n=I u p=n n c!;> m=I
şi
deci P (C)
=
lim lim lim m ➔ co
In acelaşi timp
Cnp
n ➔ ao
P
(c!;\
p ➔ co
C c nq n c qp ,
cînd n) ). P ( c~;>).
Aşadar,
lim P ( c~;>) ) lim P ( c~;>), ~co
p➔ oo
oricare ar fi m
şi
pentru orice q (n ) lim lim P ( C~1;>); p➔ CO
q➔tt:J
q➔ CO
p-,.oo
deci
lim lim p ( c~;>) IS➔ tt:J
p➔ CO
< lim n ➔ oo
lim p ( c~;>) q➔ OO
Făcînd acum pe m să tindă spre infinit inegalităţii precedente, obţinem inegalitatea
lim lim P ( c~;>). q➔ co
p ➔ CO
în primul
şi
al doilea membru al
P (C) O două numere reale.
Fie F(a) Să
= P(f < a) şi G (a)= P(g se arate atunci că
< a).
F(rx.)-G(ex) G (ex+ 1J)- G (ex-1J) + P (lf-g I >"rJ). 7) Fie {.fn} un şir de variabile aleatoare. Să se arate că, pentru ca şirul {/,.} în probabilitate spre /, este necesar şi suficient ca
să conveargă
1im G (a)
n➔co
n
= { O dacă a < I dacă a >
O, O.
CAPITOLUL VI
VALORI MEDII Valoarea pe care o atribuim unei mărimi, într-o experienţă, este o valoaremedie. Dacă mărimea este o variabilă aleatoare, definită pe cîmpul de probabilitate corespunzătoare experienţei, media va trebui să aibă proprietăţile mediilor empirice. Prin urmare, notînd cu M (f) media variabilei aleatoare /, acest număr este o func/ională liniară în spaţiul variabilelor aleatoare ale cîmpului, avînd deci proprietăţile
M(f
+ g) =
M ().f) dacă
+ M(g),
M(f)
=
Ul (f),
).. este un număr real sau complex oarecare. Această funcţională trebuie să îndeplinească următoarele condiţii
fiecărui
1°
cîmp: dacă
f
(ţ}
este
funcţia caracteristică
M (f(ţ))
2°
dacă
specifice
·
=
a unui eveniment A, atunci
P (A);
fn (ţ) -+ f (ţ), uniform, atunci
M ifn)-+ M (f).
Cu ajutorul acestor proprietăţi se construieşte M (f), atunci cînd f (ţ) esteprecum şi în toate cazurile cînd integrala există. Tocmai acestei idenvaloarea medie şi integrală se datoreşte însemnătatea pe care a dobîndit-o, în ultima vreme, această din urmă noţiune, în studiul fenomenelor naturale. Mărimii reprezentate de variabila aleatoare f (ţ) i se asociază şi alte valori caracteristice, în special momentele de diferite· ordine M (f"), precum şi momentele. mixte M (f, g), care stau Ia baza noţiunii de corelaţie între două variabile aleatoare.. mărginită, tităţi între
§ I. INTEGRALA
I. Integrala variabilelor aleatoare simple
Se
dă
f E$
şi
anume cu reprezentarea
f= unde LJ E-1 = E
;e1
şi Ei,
L,X· CE·
;er
1
1
(I) '
n Ei'' = (/), dacă j' :;c j".
163
VALORI MEDII
Definiţia
1. Numim
integrală
a
funcţiei
~/(x) dP (x), sau
şi
f pe E
~/dP,
vom nota cu
sau
r)E/
valoarea medie
:Bx;P(E;).
;e ,
în particular,
dacă
/
=
CA
(funcţia caracteristică
~
mulţimii
a
A) avem
CA= P(A).
„E
Definiţia niţiei
I a
2. Numim integrală a Junc/iei f pe A E~ integrala in seJJSul DefiCA f. Prin urmare,
funcţiei
2.
Proprietăţi
P r o p o z i ţ i a. 1.
«)
t
Dacă
ale integralei f, g, h E$
funcţiilor
şi, ot, ~
ER, atunci
(ef + g) = "~/ + ~~,. g;
~) ~_/ > O,
dacii h (;)
> O,
; EA;
e
y) dacă I(~)> g (~) pentru orice ~ A, atunci
V>~,.g; a) dacă M = sup f (~) şi m = inf / (~), atunci mP (A)
< ~/ < MP (A);
e)
~,.'I+ g I
i}u{ xi 1/(x)-g. (x) I> i}
.
.
167
VALORI MEDII
pentru orice
E
> O,
urmează că
lim P (En)
= O.
Pentru orice A E8IC avem deci
n ➔co
-relaţia
Primul termen din dreapta este mai mic sau egal• cu e, iar ultimii doi pot fi mai mici decît e dacă n este suficient de mare (vezi propoziţia 4). Rezultă că
făcuţi
lim ( fn n➔co .)A
= lim ( gn . n ➔ co J A
4. Variabile
aţeatoare
integrabile
Definiţia 4. O variabilă aleatoare f este integrabilă dacă există un şir Cauchy .de variabile simple lfn} C $ convergent fn probabilitate spre f. Integrala variabilei .aleatoare f (pe E) este notată cu
~/(l;) dP (l;) sau ~/ dP sau~/ şi definită· de relaţia
( /= Iim\ f,,. )E n➔co)E Propoziţia
5 ne
arată că
integrala este unic
determinată.
A E8JC şi dacă lfn}C$, este un şir Cauchy convergent în măsură spre variabila aleatoare f, atunci {CAfn} ~te un şir Cauchy care converge în măsură :spre CAf. Este suficient pentru aceasta să observăm că Dacă
d (CAJ.., CAf.n) =~EI CAfn ~i
~ CAfml ¾, d(J..,fm)
că
{~ 11 CA (~)f (~) - CA(~)/(~) I ~ 6} C { ~ 11/n (~) - f (~)I~ e} pentru orice e > O. Prin urmare, CA[ este integrabilă conform definiţiei precedente -dacă
f este integrabilă. Vom defini integrala lui f pe A E8J{. prin
relaţia
vom utiliza pentru integrala pe A aceleaşi notaţii ca şi în cazul A = E. · Vom nota în cele ce urmează prin L1 (E, ci/C, P) mulţimea variabilelor aleatoare integrabile, definite pe cîmpul de probabilitate {E, 81C, P}. Cînd nu va fi nici o .ambiguitate vom scrie numai L1 în loc de L1 (E, 81C, P).
. TEORIA
163
Din
propoziţia
PROBABILITAŢILOR ŞI
3 deducem imediat v(A)
APLICA fli
că
=V
Din această observaţie deducem Teorema 1. Dacă fEL1, atunci
pentru orice şir. {An} C ăK de mulţimi disjuncte două 1 cîte două. Din propoziţia 4 deducem Teorema 2. Fie JE L1. Pentru orice e:>0 există un. 8 > O, astfel încît P (A) -•} l
~
it u~
> ie \.
111.b (~)-/.b+I (~) I>
00
1 }) -2h h=i 2h
Deci lim P ( { ţ j➔oo
11
fn. (ţ)-/(ţ) 1
I> e:}) = o.
Dar P({ţ
11 f,, (~) -
f@
I > e:} ) -< P ( { ţ 11 fn
(~) - fn;
(ţ) I >
f}) +
+ P ({ ~ i lfn; (ţ) - / (ţ} I > ; }) şi
deci
lim P ( { ţ
11 fn (ţ}
- f (ţ)
I
n ➔ o:i
i;.
Ne mai
rămîne să arătăm că
> e:} ) = O.
{fn} converge în probabilitate spre f. Dar
11 Kn m- f (~)I> E})-< p ( { ~ 11 Kn (~)- fn (~)I> e:}) + + P ( g li f,, (ţ) - f (ţ) I > e: } ) + P ( g 11 fn (~) - f (ţ) I > e:}} p({ţ
imediat ce e:
> -n1 •
Deci lim p ( { ţ I I Kn (~) - f (ţ) I n ➔ CIO
Co r o I ar.
Dacă
A
> e} ) = o.
E~, atunci lim ( fn=rf.
n➔ao )A
t
VALORI MEDII
175-
Este suficient să observăm că funcţiile {fnCA} ţndeplinesc condiţiile teoremei 5. Dacă g este o variabilă aleatoare, f EL1 şi I g I ,< I f I , atunci g EL1 „ Este suficient să arătăm că I g I EL1. Dacă I g I E$, evident I g I EL1. ln cazul general, fie {gn} un şir crescător de funcţii simple pozitive convergent. spre I g I- Cum
Teorema 6.
~/· -~\ 1/1, urmează, după
teorema 5, că I g
I= lim
gn
ev.
n ➔oo
Cor o I aru I 1. Dacă JEL1 şi g este o variabilă aleatoare mărginită, atuncf fgEL1. Este suficient să observăm că lfgl,, PM).
Condiţia
4.
cp (a1, ... , an) dP(-r) (a1, aa, ... , an)*
cpEf1 (Rn, cmn, p(-r)) poate fi
înlocuită
prin
§ 2. TEOREME DE TIP FUBINI
1. Teorema lui Fubini
ar,
Fie {E, 8JC, P} şi {F, P 2} două cîmpuri Să notăm cu ~C fi cel mai mic corp de părţi toate părţile de forma A X B, unde A ~C şi B Vom arăta că se poate defini în mod unic pe
de probabilitate complet aditive. ale mulţimii E x F care conţine E E8F. corpul 8JC x fi o probabilitate P, care pe orice parte a lui E x F de forma A x B are valoarea P 1 {A); vom arăta după aceea cum se poate evalua integrala unei variabile aleatoare definită pe E X F făcînd două integrări succesive în raport cu probabilităţile P 1 şi P 2• Dacă A E X F, vom scrie Ax = {y I (x, y) A} pentru orice X E şi A:, = { X I (x, y) A} J?.entru orice y F. Este uşor de văzut că (E X F)" = F, (CA)x = CA" şi ( U A') = U Ai; trei relaţii analoge se obţin dacă luăm y în
x
e
e
e
e
iEl
iEl
X
e
X
loc de x. P r o p o zi ţi a 1. Dacă A E~'JC X fi, atunci Ax E8f pentru orice x E E şi Ay E ăJC pentru orice y EF. Fie x EE, să notăm cu Fx totalitatea părţilor A C E X F cu proprietatea Ax Ear. Din egalităţile de mai sus urmează imediat că fix este un corp. Cum (A 1 x AJx = A2 atunci A1 X A2 E Ffx dacă A1 ~c, A2 fi. Deci fix :J ăJC X fi. Aşadar dacă A 8l{ X fi' atunci Ax E fi • În acelaşi mod se arată că Ây E 8JC. Fie I o funcţie definită pe E x F.· Pentru orice x EE vom nota cu I" funcţia y-+J(x, y) iar pentru orice y EF vom nota cu 11 funcţia x-+ l(x, y).
e
e
-1
Propoziţia
2.
Dacă l(B)
sînt variabile aleatoare. Este suficient să observăm
e
E8JC
X fi pentru orice B
E&&1 atunci Ix
şi/,
că -l
{y
IIx (y) EB} = {y I (x, y) El (B)}
pentru orice B E&&< 1> şi de asemenea că -1
{x
11:v (x) EB} = { x I (x,y) e/(B)}.
• Integrala din cel de-al doilea membru poate fi mai multe variabi1e dacă funcţia cp este continuă.
exprimată
ca o
integrală
Stieltjes cu
180
TEORIA
PROBABILITAŢILOR ŞI
APLICATU
P r o p o z i ţ i a 3. Familia C a tuturor părJilor X E 8JC x ~ care sînt reuniuni finite disjuncte de mulJimi din SJC x SF de forma A x B este o algebră booleană.. Evident E x F E C. Reuniunea unei familii finite· de mulţimi din C aparţine· lui C, deoarece intersecţi_ile unei familii finite· de muJţimi din C aparţi~e evi~ent lui C. Dacă X= LJ (A' X BI) atunci CX = C (A' X Bi). Dar C (A' X B') =
= (CA•
n
iEI
X CB•)
i
LJ {A'
X CB')
LJ
(CA• X B•) şi prin urmare C (A X B') E.C;
deci C X EC. Propoziţia 3 este deci demonstrată. P r o p o zi ţ i a 4. Dacă Q 1 şi Q 2 sînt două probabilităţi definite pe ~, x ~ şi dacă Q 1 (A x B) = Q 2 (A x B) pentru orice mulţime A X B E 8JC x Sf, atunci Q 1 (X) = Q 2 (X) pentru orice X E ăJf X Sf. Evident că pentru orice parte X E 8JC x Sf care este o reuniune finită de mulţimi disjuncte din 8JC X SF de forma 4 X B avem Q1 (X) = Q2 (X). Pe de altă parte, familia părţilor X E 8JC x SF pentru care Q1 (X) = Q 2 (X) este o clasă monotonă. Ţinînd seama de propoziţia 3, deducem imediat că Q1 (X) = Q 2 (X) pentru orice X E SfC X ~. Să punem (1)
P (X)= ~e P 1 (dl;,)~, Cx (1; 1, 1;.) P• (dl;.) pentru orice X E 8JCi x SF. Funcţia P astfel definită este o probabilitate pe corpul 8JC X= A X B, deducem din egalitatea
x SF
şi dacă
egalitatea P(A X B) =Pi(A)P2 (B).
Din
propoziţia
3 rezultă că putem defini probabilitatea P şi prin egalitatea
P (X)= ( P 2 (d;J \ Cx (~1 , ~JP1 (d~J. )F
(2)
e1E
In virtutea consideraţiilor precedente putem enunţa Teorema 1. Cîmpul de probabilitate { E X F, 8JC x SF, P} este un cîmp comp~~~ . Unidtatea probabilităţii P rezultă imediat din propoziţia 3. Teorema lui ·Fubini. Fie /E f1 (E x F, 8JC x Sf, P). Atunci şi
l
)ExF
/(;1, ~J p (dţ1, dţJ = ( p (dţ:a)
l:
r
(~~1, ~J Ps (dţs) = .)F
(3)
VALORI MEDII
181
Dacă f = C x unde (X E ăX x Br), egalitatea (3) rezultă din (1) şi (2). Rezultă imediat că (3) este adevărată dacă / E S. Fie acum f E~1 (E x F, 8JC X 8F, P) şi să presupunem că f >-- O. Fie {.fn} un şir crescător de variabile aleatoare simple pozitive care converge spre f. Pentru orice n (O ~ n < oo) egalitatea (3) este adevărată şi prin trecere la limită rămîne adevărată pentru f. Egalităţile
P({ ~1
l.h1 e~1 (E, Br,P2)}) =
P({
~2
IA2 e ~1 (E, 8JC,P)}> = 1
rezultă din integrabilitatea variabilei aleatoare f şi din teorema 5, Dacă funcţia / nu este pozitivă, teorema se demonstrează rînd partea pozitivă şi partea negativă
e
J+
J-.
§ 1. , considerînd pe
O b s r v a ţ i a 1. Condiţia P (E) = 1 nu este necesară pentru construirea integralei. Toate proprietăţile demonstrate rămîn valabile dacă presupunem că P(E)=P< oo. C'Impul de probabilitate {Ex F, 81C X SF, P} îl vom numi cîmpul de probabilitate produs al cîmpurilor {E, 8JC, P 1} şi {F, SF, P 2}. Consideraţii analoge putem face şi pentruocazul cînd avem o familiefinită{{(E;,8Jf;,P;)})ie1de cîmpuri de probabilitate complet aditive. 2. O generalizare a teoremei lui Fubini Vom studia acum o teoremă care reprezintă o generalizare a teoremei lui Fubini şi pe care o vom folosi în studiul produselor de compoziţie. Să considerăm o funcţie Q (~ 1, A) definită pe E x 8F care are proprietăţile 1° Q (~1, A) este o probabilitate pe corpul 8F pentru orice ~ EE; 2° Q (~1, A) este o variabilă aleatoare pe cîmpul de probabilitate {E, 8JC, P} pentru orice A E SF. Este uşor de văzut că dacă X E 8JC X 8F şi dacă
hx (;,) = ~F Cx (;,. ;.) Q (;,. d;.) 1 pentru orice ~ EE, atunci hx este o variabilă aleatoare. într-adevăr, este suficient să observăm că familia părţilor XC EX F, pentru care hx este o variabilă aleatoare, este o clasă monotonă care conţine părţile de forma A x B cu A E 8JC şi B ESF. Putem, prin urmare, defini
P (X)=
~E
dP1 (;,)
~F
Cx (;,, ;.)Q (;,. d;.)
(4)
pentru orice X E 8JC X 8F. Din definiţie urmează că P este o prob~bilitate pe corpul 8JC x 8F. Teorema 2. Fief o variabilă aleatoare mărginită 2 pe cîmpul de probabilitate {EX F, 8JC X SF, P}. 1 Vom nota Q (1;i, dl;J = dQ (1; , 1;J pentru a pune în evidenţă faptul că simbolul d se 1 la variabila 1;2• s Ne limităm numai la funcţii mărginite, întrucît aceasta este suficient pentru cele ce urmează. Teorema rămîne adevărată, cu o oarecare schimbare în enunţ şi pentru funcţii J e f.1 CE x F, SJC x ,.., P).
referă
182
TEORIA
PROBABILITAŢILOR
ŞI
APLICA.ŢII
Atunci
(
/(~1,
)EXF
ţJ dP (~1, ~J
. ( dP1 (~1) (
· )E
)F
/(ţ 1, ţJQ (~1, d~J.
(5)
Demonstraţia egalităţii (5) este cu totul analogă cu demonstraţia teoremei lui Fubini. Ea se bazează pe faptul că egalitatea (5) este evidentă pentru variabile aleatoare simple. O b s e r v a ţ i a 2. Dacă luăm Q (~ 1, A) = P 2 (A), atunci teorema 2 devine tocmai teorema lui Fubini pentru funcţii mărginite.
§ 3. SPAŢIILE DE VARIABILE ALEATOARE fl(E, ~C, P)
1. Spafiile fl (E, ~, P). Definiţii şi proprietăţi Să notăm cu fP (E, ~, P) (p ~ 1) - sau cînd nu este nici o ambiguitate cu f.P-mulţimea variabilelor aleatoare f pentru care 1/1 1 Ef 1• Să ţ,unem .
r l
N, (J)
=(~,III'
pentru orice /E fl. Este uşor de văzut că dacă Np (f) = O, atunci P ({ ţ lf@=;c :;z!: O})= O. Să observăm de asemenea că Np (rf) =Ir I NP (f) pentru orice număr real r. Vom demonstra acum o propoziţie care va interveni demonstrarea unor importante inegalităţi. P r o p o z i ţ i e. Pentru orice numere reale a ~ O, b ~ O,
în
aP
bq
ah~--+-, p
dacă _!_ p
+ _!__ = q
Dacă
.q
1 şip> l, q > 1.
ab = O, inegalitatea este (t)
evidentă. tP
= -
p
Putem deci presupune ab
+ -1-'I (t > q
> O.
Fie
O).
' Atunci
cf>' (t) =
1P-1 -
_!__ t'l+l
şi deci '- (t) = O dacă şi numai dacă t = 1. De asemenea, .este evident că lim (t) = oo. Deci, funcţia are un minim în t = 1. Dar (I) = .!. + .!.. = 1. p
t ➔oc
Deci !!_ p
pentru orice t
~
O.
+ 1-'I ~ 1, q
q
183
VALORI MEDII
Să luăm
t
=
a 1fq / b1IP;
obţinem
imediat
b'laP b'1 I~~+-=-+-, bp aq pab qab aP-1
.
1
I, q> 1, .şi
--;+-; = t)•
AtullcifgEf.1
r(~, I 1-)' • I
I
~' 1/g I s (ÂJ.
VALORI MEDII
187
Fie  1 diviziunea Q
:şi  2
=
Xo
s (ÂJ. s (ÂJ > s (ÂJ;
s (Â 1 n ÂJ I
I
teorema este demonstrată. Să punem acum I= inf S(Â) A
şi
i=
sup s(Â). t,,.
\
"188
TEOIUA
Rezultă
PROBABILITAŢILOR ŞI APLICAŢII
imediat
I
2. Pentru orice e:
I.
există
O dat,
8 (e:)
>
O convenabil ales,
astfel incit dacă
s (/l.) - s (Â) < e:
) [g(x}m>)-g (x~~1)]
+
r(m)
+~ E
h (~Jm>)
[g (xjm>) -
g (xj~1)],
j=I
pentru orice m, este suficient
Teorema 4.
Dacă
să
trecem la
limită
pentru a
obţine
egalitatea
a< c < b, atunci ~: fdg
= ~: fdg + ~: fdg.
Fie A
I
Um
(m) = ( [ X1-l,
(m)] )
Xj
1 ~J~r(n)
şi
/l.~ două şiruri
= {[y~I,
Y~m)])l
~l,~u (m)
de diviziuni respectiv ale intervalelor [a, c]
şi
[c, b] pentru care
lim n (ll.~) = lim n (Jl.~) = O. m ➔ oo
Dacă r;(m)
~j
e[
(m) (m) ] Xi-I, Xj-1
m.:..00
(.j= l, •••,r(m)) şi (h
=
1, ... , m), atunci
căutată.
VALORI MEDII
Teorema 5.
Dacă
8 (e:).
f (x)
I-
< ~: 11.-1 I dg.
O fiind dat,
g(b) :_ g (a)
Deci
~>/•
-fi dg ,
i=l
(b
n
.
>, )a f (x) dgn (x} >, ~ m (f; -şi
la fel
[X;-1, X1]) [gn
(x;) -gn(X;-J]
=
Sn
(Â)
şi
S (d) ;:;,. ~: f (x) dg (x) ;:;,. s (â).
Dar S (Â) ·
= lim
Sn {Â)
n ➔ oo
şi
s (Â)
= lim
Sn
(Â).
=
1rb f(x) dg (x),
n ➔ao
Deci
Cum inf 4
s (Â) =
sup s (Â) 4
.
cele două margini fiind luate pentru diviziunile formate cu puncte de continuitate1 ale funcţiei g, rezultă că
.~ f
f (x) dg. (x)
= ~>(x) dg (x).
Teorema 10. Avem
IJa(h f(x) dg (x) II ~ (b)a lf(x~ !dg (x).
VALORI MEDII
193
Fie Âm = ([xJ~\, x~m)]) 1 ~; ~ ,·(m> un şir de diviziuni ale intervalului [a, b] pentru care lim n (Âm) = O. m➔ OO
Evident
I
I·I ~b f(x) dg (x) I
I1 j
= I
B f(~fm>) [g(xt>)-g (x}~, )] I = r(,n)
lim
, m ➔oo 1=1
a
Deci
I~: f(x) dg.(x) I ~ ~: 1/(x) I dg (x). Dacă
Teorema 11.
g (x)
este
continuă
= ~: p (t) dt
(x E[a, b], p (t) :;_;.. O)
pentru orice t, atunci
~: f(x) dg (x)
=
r
f(x) p (x) dx.
Fie e > O şi  o diviziune cu n (Â) ales astfel incit I p (x')- p (x") I-< e dacă I x' - x" I < n (Â), unde
-< 3M(b- a)
= sup lf(x) I e [a, b]
M
X
şi,
în
acelaşi
timp,
(b f(x)
I )a
p (x) dx-
X;-1)
I -< ~
[g (x;)-g (x;-1)]
II -< f
tt(~;) ·p (~;) (x; 1=1
şi
I (b)a f(x) dg (x) -
t /(~;) 1=1
3
pentru orice ;;_ E [x;- 1 , x;] - Dar g (x;) - g (X;-1)
= (ni Jni-1
p (t) dt
= ("i
p (11;) (x; -
X;-1)
J„i-1
CU 11; E [X;-1, X;]. 13-2029
t
PROBABILITAŢILOR
194 -------
TEORIA
Deci
~: J(x) dg (x) - ~>(x) p (x) dx
=f
ŞI
f(x) dg (x)-
n
.
n
+ E f(ţ;) p (~;) [x; -
t
J(F,1) [g (x;)-g (X;-,))+
'
E f (~;) p (~;) (x;- X;-1) +
x;-1) -
j=l
1=1
(b
n
+E f ('€) p (~;) (x; i=I
X;-1) -
,
•a
f
(x) p (x) dx.
I
Deoarece I
APLICAŢII
n
p (l)·) (X· j=I 1 1 1 l EI(O
urmează că
E f (~·) f> (~-) (X· n
X·-1) 1
i=I
1
1
1
X·-1) 1
I -< ~' J
·
I
~>(x) dg (x)- ~: f(x) p (x) dx
1
~ e;
e: fiind arbitrar
~>(x) dg (x) 3.
Funcţii
= ~:f(x) p (x) dx.
cu valori complexe
Putem extinde definiţia integralei Stieltjes şi pentru funcţii continue f definite în [a, b], dar cu valori complexe. Vom pune prin definiţie I
r
f (x) dg (x) =
I
f, (x) dg (x)
+ i ~>· (x) dg (x),
f
unde 1 şi fa sînt respectiv părţile reale şi imaginare ale funcţiei f. Este clar că definiţia precedentă are întotdeauna sens, deoarece f este continuă dacă şi numai dacă 1 şi fa sînt continue. Evident, teoremele 2, 3, 4, 6, 8, 9, 10 şi 11 rămîn adevărate şi în cazul funcţiei cu valori c?mplexe. Teorema 7 se înlocuieşte prin
f
I ~:Jdg j ~M(g(b)-g(a)), unde
lf (x) I pentru x E[a, b]. dacă/ (x) = e.ixcp pentru orice x, atunci
M = sup După definiţia precedentă,
~: ,,;,,. dg (;)
De asemenea,
rezultă
= ~: cos
imediat
xq, dg (x)
+ i ~: sin xq, dg (x)
că
Irei•~ I
dg(x) ~g(b)-g(a).
(q, ER).
VALORI MEDII
195
4. Integrala Stieltjes pe intervale
nemărginite
>
Să presupunem că funcţia f este definită şi continuă pentru x a şi că g este definită şi continuă pentru x a şi că g este definită şi crescătoare pentru
x
> a.
>
Atunci
· F(b)
este bine
definită. Dacă
= ~:/(x) dg (x) există şi
lim F (b)
este
>
(b
egală
a)
cu L, vom spune
că
feste
b➔ oo
integrabilă
pe intervalul (a, oo ); vom nota valoarea L cu
~i
(x) dg (x)
~~fdg
sau
vom numi integrala funcţiei .f în raport cu g pe intervalul [a, pe scurt în acest caz că integrala şi
este
-
oo ].
Vom spune
convergentă.
După
criteriul lui Cauchy, pentru ca integrala
~idg să
fie convergentă, este necesar şi suficient ca e
I F(b')-F(b"), dacă
>
b' N (e), b" Deoarece
> N (e), N (e) fiind
>
O fiind dat, să avem
~E
convenabil ales.
I F(b")- F(b') I~ fh" lf(x) i dg (x)
)b,
se vede imediat că pentru ca integrala
~~fdg să
fie convergentă, este suficient ca integrala
~~1/(x) I dg (x) să fie convergentă.
în acest caz se spune
că integrala
~~f(x) dg (x) este absolut
convergentă.
'
(b"
> b'),
PROBABILITAŢILOR ŞI
TEORIA
196
Definiţii asemănătoare
Să observăm
numai
se pot da
şi
~_!dg
şi
că
APLlCA.Ţll
pentru integralele ~~dg.
pentru ca integrala
~=!dg să
fie
convergentă
trebuie ca ~b fdg ~a
să tindă
spre o
limită
cînd a
şi
b tind r~spectiv spre - oo şi oo în mod inde-
pendent. Dacă luăm,
de exemplu, f(x)' = x, g (x) = x, atunci b
f (x) dg (x)
b2
a2
2
2
= - - - •
~"
Evident, integrala nu este
convergentă. Totuşi,
f! L/(x) dg (x) = O, deoarece ~j(x) dg (x)
= O,
pentru orice a. Din consideraţiile precedente rezultă imediat că dacă / este continuă şi mărginită pe toată dreapta şi g o funcţie de repartiţie, atunci integrala este absolut convergentă.
În particular,- rezultă că integrala
~=./'~ · este absolut
convergentă
dg (x)
pentru orice t real. Vom întîlni mai tîrziu f (t)
funcţii
de forma
= ~=~e''" dg(x)
sub numele de funcţii caracteristice. Să mai observăm că teoremele 3, 4, 5 şi 11 rămîn adevărate pentru integrale convergente luate pe intervale oarecare. Teorema 10 rămîne adevărată pentru integrale absolut convergente. . Dacă lim g (x) şi lim g (x) sînt finite, teoremele 6 şi 7 rămîn adevărate pentru x ➔ -co
x➔ co
intervalul (- oo, oo ); pentru intervalele de forma (- oo, a) sau (a, oo ), este suficient ca lim g (x) şi lim g (x) să fie finite . .x ➔ -oo
x➔ =
VALORI MEDII
- - - - - - - - - - - - - - - - - - - - - - - - - - - -197 § 5. RELAŢIA DINTRE INTEGRALA STIELTJES ŞI
INTEGRALA LEBESGUE
Fie f o funcţie continuă definită pe R şi g o funcţie de repartiţie. Să concîmpul de probabilitate { R, ci>1, g*} (cap. III, § 3, punctul 3). Teoremă. Dacă a < b şi dacă g este continuă tn extremităţile a şi b, atunci
siderăm
(b f(x) dg (x) = ( f(x) dg* (x). )a )ca, b] Să considerăm un şir de diviziuni ll.m = ([x;~\ • xJm>]) ale intervalului funcţiei
construite cu puncte de continuitate ale
Jim (ll.m) '
m➔O
=
g
şi să
presupunem
[a, b]
că
O.
Fie
Avem (_
f mdg*
)[a, b)
=
= ~
E
M(/;
i
[xt:L xJm>J) g* [xt:L xfm>] =
M(f; [xEL xJm>]) (g(xJm>)-g(xtU].
i
Dacă
facem pe m
'
să tindă
( . fdg*
Jca,b] Cor o I aru I 1. /
e
obţinem
spre infinit,
= (b fdg.
L
f fle (R, ci>1, g*) 1
imediat
dacă şi
numai
dacă
integrala
00 \
f(x) dg (x)
a1-CO
este absolut convergentă. În acest caz,
~=j(x) dg (x) = ~/(x) dg* (X). C o r o I a r u I 2. Fie h E f 1 (E, ~, P), f o funcţie continuă F. - funcJia de repartiJie a variabilei aleatoare h. Atunci
pe R
şi
Este suficient să ţinem seamă de teorema precedentă, de-teorema 10 (§ 1), pentru X EB 1 p măsura B, definită pe R, cu fq> (E, 81C, P)- sau pe scurt cu f'P - mulţimea variabilelor
aleatoare f pentru care cp of Ef 1 . Dacă funcţia cp este definită pentru orice x ER prin egalitatea q> (x) = lx!P (p 1), atunci f
~
cpof
•E
există.
Definiţie.
vom nota M cp
Vom numi moment de ordinul cp al variabilei aleatoare (/) integrala
~
IE fcp
şi-l
cpof.
• E
>
ln cazul cînd cp (x) = Ix IP (p O), vom scrie uneori M, (f) în Ioc de M
O vom folosi notaţi a I
NP (f)
=
[Mp(f)] P
şi
vom numi numărul real N P(f) valoarea medie de ordinul p a variabilei aleatoare/. Dacă p EN şi cp (x) = xP , vom nota momentul cu M P(I) şi-l vom numi şi moment de ordinul p al variabilei aleatoare p. _ _ In cazulp = 1, vom scrie, de obicei, M(f) şi Jlf(f) în loc de M 1 (f) şi llf 1 (f) respectiv. Evident, pentru p O (întreg) M P (f) = M P ( If I). Momentul de ordinul întîi M 1 (/) se mai numeşte şi speranţă matematică. Această denumire, din ce în ce mai puţin utilizată, trebuie pusă în legătură cu jocurile de noroc, care multă vreme au fost un important domeniu de aplicaţie al calculului probabilităţilor.
>
2. Proprietăţile
c1 ,
C9, ••• ,
momentelor
cn sînt numere reale M
rezultă evident şi / 1 , / 2 , ••• , fn -
(/;) 1 ~ ;
< n E(SK)
altă
Dacă
(1)
i=I
(vezi capitolul
MC~, 1,) = .~, O
din proprietăţile integralei. variabile aleatoare, atunci
(t c,f;) = t c,M (/;) . i=l
Dacă
Proprietăţi
următor),
atunci
M(f.).
proprietate a momentului de. ordinul întîi este M[/-M1 (/)] = O.
exprimată
prin egalita~ (2)
199
VALORI MEDII
Dacă
/E f 1, variabila aleatoare g=f-Mi(f)
se numeşte abatere a lui f valoarea medie de ordinul doi a abaterii g, sau cum se mai spune valoarea medie pătratică a abaterii, o vom nota şi prin µ (/). Ea este egală cu 1
2
(3)
[M2 (f)-m1] ,
unde m 1
=
M 1 (/). Într-adevăr, 1
µ (/)
= Dacă
=
[M2 (/-mi.)] 2
[M1 ( / -2/m 1
2
1
= (M [(f-mi.) ]) 2
2
_
1
l
2
2
+ mi)] =
[M2 (/)-mi] .
m1 = O, atunci 1
µ(/)
=
[M2(/)]2· Dacă/1 ,/2 , ••• ,fn sînt n variabile aleatoare şi dacă M(/;)
=
O (i= 1,2, ... , n), atunci (4)
după
cum
rezultă
In general,
efectuînd calculele în membrul stîng al
egalităţii
litate asemănătoare pentru abaterile_g1 , g 2 , ••• , Kn ale variabilelor / 1 , /2 , · Din rezultatele obţinute în § 3 obţinem NP (f) dacă
p
-< s, p -:;:, 1 şi / E.f
Dacă Dacă
IE f 2
µ (f)
şi
şi g
-< N, (f) ,
M (fg) există.
=
M(fg)-M(f)M(g) µ(f) µ(g)
numeşte
(6) .
coeficient de corelaţie al variabilelor aleatoare f Evident, dacă µ (/) µ (g) ~ O, atunci C (/, g) = 0, numai
şi g.
dacă
M (fg) Două variabile aleatoare .f şi Este uşor de văzut că
c (f;
'g dacă
(5)
µ (g) ~ O, raportul
'g
dacă şi
... ,fn•
P.
Ef 2, atunci c(f, )
se ,
precedente.
dacă nu avem M(f;) = O (i = 1, 2, ... , n), obţinem totuşi o ega-
)
=
= M (f) M (g).
g pentru care c (f, g) M (f-mJ) (g-mg) µ(/) µ(g)
punem m1
=
M(f)
şi
m, = M(g).
= O se numesc necorelate.
200
=
TEORIA
µ 2 (f).
Dacă utilizăm
teorema 1 din § 3, obţinem I C (f, g) I 1.
de rezultatele din § 5,
Mqi (f) = ( cp (f (~)) dP (~)
JE
pentru orice funcţie cp este în plus
funcţia o >b>O
(l} (2} (3}
tER, t> a,
g/E ~l. Cebîşev)
Avem atunci inegalitatea Qui
p (f>, a)-,a)- b dacă t > a. Dacă
= I t I'
îndeplinită. Dacă
/E f', atunci inegalitatea
>
(r
O).
a> O, putem lua b
precedentă
ne
= I a I' ;
atunci
dă
(4)
ln particular, dacă r = 2, obţinem p (f Cum
M„ (f) =
> a) - a)--,a)- O)
202
TEORIA
PROBABILITAŢILOR ŞI
APLICAŢII
/
De asemenea, inegalităţile (1) şi (2) ne dau
P ( If I < a)
> 1-
ii, U>
P ( If
> 1-
-a2- •
a'
şi
I
a) >
M,. (/) - a M2
2 •
>
pentru orice a O. Avem, în acest caz, M 2 (f) =
~/2dP =
~/2dP
{s (I/(;) I
< a}
+ ~/"dP ¾ .
{s I I 1(1;)
I
:;> a}
~a2P(lfl a)~ a2 + M2P( III> a). 2
Deci
şi
teor~ma este
demonstrată.
§ 8. TEOREMA LUI LEBESGUE-NYCODIM. VALORI MEDil CONDIŢIONATE
1.
EE. O
de
mulţime funcţie reală
Fie E o A
Funcţii
mulţime
complet aditive, absolut continue
de evenimente elementare şi 81C un corp de evenimente µ definită pe 81f este o funcţie de mulţime complet adi-
tivă dacă
µ(
LJ Âa ) = ,E µ (Aa) aEI
aEI
pentru orice familie numărabilă (Aa )ae1 C 8JC de părţi disjuncte două cîte două.
203
VALORI MEDII
Exemple de funcţii de mulţime complet aditive am întîlnit în § 1; dacă {E, ~C, P} este un spaţiu de probabilitate complet aditiv şi dacă f Ef1 (E, 8JC, P), atunci funcţia µ definită pentru orice A E ~1C prin egalitatea
µ(A)= ~/dP
(I)
>
este o funcţie de mulţime complet aditivă. Dacă µ (A) O, pentru orice A E8JC) spunem că µ este o măsură pe corpul 8JC; dacă luăm o funcţie /E f 1 (E, 8JC, P, pozitivă, atunci µ(A)= ( fdP
)A
este o măsură definită pe ~f. O probabilitate pe corpul 8JC este o P(E)
măsură
µ, pentru care
= I.
În general,
p (A)= µ(A) µ (E)
este o probabilitate, dacă măsura µ nu este identic nulă. Este evident că propoziţiile 3, 4 şi 5 din § 1, capitolul III, sînt valabile nu numai pentru probabilităţi, dar şi pentru măsuri.· De asemenea µ (A) - µ (B) = µ (A - B) dacă
A
şi
B sînt
mulţimi
din K
şi dacă
A::) B; deci
µ(A)> µ(B).
ln virtutea observaţiilor precedente se poate construi şi pentru o măsură în acelaşi mod în care s-a construit pentru o probabilitate P. Se poate demonstra că pentru orice funcţie de mulţime µ există o desfacere {X, Y} a mulţimii E pentru care µ (A X)> o . şi µ (A Y) o pentru orice A E8JC. Dacă punem µ + (A) = µ (A X) şi µ- (A) = µ (A Y),
o
integrală,
n
n
n
este evident
că
µ+
şi
µ- sînt
-
µ+ (A)
= ~l+ (I;) dP(I;)
şi
µ-·(A)=~/- (I;) dP (I;).
204
TEORIA
PROBABILITAŢILOR ŞI APLICA.ŢII
.
. Deoarece pentru aplicaţiile privind probabilităţile şi valorile medii considerate nu vom avea de considerat decît, sau măsuri, sau funcţii de mulţime complet acli-tive de forma (1), nu vom demonstra propoziţia privind descompunereaµ=µ++µîn general. Să considerăm spaţiul de probabilitate complet aditiv {E, 8JC, P} şi fie µ o funcţie de mulţime complet aditivă definită, pe 8JC. Vom spune că µ este absolut continuă în raport cu probabilitatea P dacă egalitatea P(A) implică
=
O
egalitatea µ(A)= O
e
pentru orice A ~lf. · Dacă µ este de forma (1), atunci µ ·este absolut continuă în raport cu probabilitatea P. Vom arăta că orice funcµe de_ mulţime complet aditivă şi absolut continuă în raport cu probabilitatea P este de forma (1). Demon• straţia dată în continuare urmează prezentarea făcută de P. Ha/moş [92]. P r o p o z i ţ i a I. Fie µ. o măsură neidentic nulă, absolut continuă în raport cu probabilitatea P. Există e: > Oşi A 0 E 8JC pentru car~ avem P (A 0) > O şi µ. (X) >->, e:P (X) pentru orice XC A 0 şi· X E ~lf. Să punem · µM
pentru orice n EN
şi să considerăm
µ (A oricare ar fi A E ~1f.
=
Să
1
µ.--P
(2)
n
o desfacere a lui E {Xn, Yn} pentru care
n Xn) > O
şi'
µ (A
n Yn) -< O
punem şi
Xo=UXn nEN
n
Cum Yo C Yn' avem µ (n) (A Yo) !_ P (Y0) µ. (Y0 ), de unde µ (Y0) = O. n
>
-< o pentru
orice n; în partic ula
Prin urmare, µ (x0) >O.Există deci n, pentru care avem µ (Xn) > O; urmează avem şi P (X n) > O, deoarece µ este absolut continuă în raport cu· P. Pentru acest X m însă, că
oricare ar fi A E~1(.
Propoziţia
este deci
demonstrată. şi
putem lua A 0 = Xn.
2. Teorema lui Lebesgue-Nycodim Fie µ o funcţie de mulţime complet aditivă şi absolut continuă fn raport cu probabilitatea P. ·Există o variabilă aleatoare IE f1, unic determinată, cu _excep/ia unei mulţimi de puncte ţ de probabilitate nulă pentru care µ.(A)=\ fdP ,·A
pentru orice A
E8JC.
Dacă
µ. este o
măsură,
atunci P
/
lf > O) =
1.
205 - - - - - - - - - - - - - - - - - - - - - - - ·-· - - -VALORI MEDII
Evident,
dacă
şi
/1
/ 2 satisfac egalitatea (3) pentru orice A E~, atunci ~}f1_-f.)dP=O
pentru orice A E8JC (teorema 4, § 1), dacă şi numai daeă P (/1 :;c f .;J = O. Deci, unicitatea variabilei aleatoare / este demonstrată. Dacă µ este o măsură şi / satisface relaţia (3) pentru orice A E~,r, atunci P (f < O) = O, deoarece în caz contrar ar exista un s: > O şi o mulţime B E ~f pentru care am avea / (~) < -s: dacă ~ EB. Dar atunci O
< µ (B) = \
f (~) dP (~)
.,B
< -s: µ (B) < O,
contradicţie. Să detnonstrăm acum existenţa funcţiei f. Cum µ -µ- sînt măsuri, este suficient să demonstrăm teorema o măsură. Fie mulţimea
ceea ce ne duce la o
=
e
e = {JE .f1 lf> O,
µ+ -(-µ-) şi µ+, în cazul cînd µ este
~fA¾ (A) pentru otjce A E JJ/)
şi
M [-f I€], M [I f I I €] > M [f I€].
M [I f I I €] M [ If I I €] deci
Media condiţională mai are încă următoarea proprietate: e) Dacă /(ţ) este o funcţie integrabilă, iar c:p (ţ) este faţă de €, atunci avem M Jg1e1 = M I e1 cp.
r
Această
rt
echivalentă
egalitate este ~v M
mărginită. şi măsurabilă
cu
următoarea
!Jep/ l!!] P (dl;) =
~v M ff { l!!] cp (1;) P (dl;)
pentru orice y E€. Membrul al doilea există, deoarece c:p este măsurabilă
e
şi mărginită.
Ultima egalitate este
valabilă
c:p
pentru orice c:p
(ţ) = {
funcţie caracteristică
ţEixE€
1
ţEix' ee,
o
deoarece ambii membri sînt egali cu ~v
M
[f { l!!]P (d!;)
oricarp este y. Prin urmare, egalitatea este valabilă pentru orice funcţie simplă c:p (~), deci pentru orice funcţie c:p (ţ) măsurabilă şi mărginită. · 4. Teorema de
convergentă
pentru mediile
condiţionale
Fie un şir de funcţii integrabile {f,,} convergent, aproape pretutindeni, funcţia integrabilă f (ţ). Presupunem că există o funcţie integrabilă / (~ pentru
If,, aproape pretutindeni, atunci
(~)
I -< I (~)
r
M fn I € ] ~ M [f I €]
aproape peste tot şi, deci, şi în medie. Pentru demonstraţie să observăm că şirul c:pn
=sup(lfn-fl, lfn+1-fl, ... )
tinde monoton spre O aproape pretutindeni c:p n (ţ)
spre care
şi că
-< 2/ (ţ).
avem
(5)
211
VALORI MEDll
Prin urmare,
şirul
= M[(f>n I€] o limită q, aproape
qln este monoton descrescător şi are Avem dar
~n ,i, mP(dQ,.;:
pretutindeni.
~ ,i,.mP(d~ = ~ 'Pn (QP(dQ.
lntrucît
rezultă că
M [ eP(E(k)).
!. e3, urmează 2
P (E I ---, c:
>
>
-ori de cite ori n k. ·Acest fapt se poate exprima şi astfel: Dacă n k, atunci .P (A/€n) I - s:, înăuntrul lui B, cu .excepţia eventuală a unei mulţimi de măsură P mai mică decît 8. Deoarece.!. e8 < .!. 8 < 8 şi întrucît e este arbitrar,
>
2
2
urmează că P (A/€n) converge spre 1, în A~ exceptînd eventual o mulţime de măsură mai mică decît 8, deci arbitrar de mică, deci zero. Aceeaşi concluzie aplicată lui .Q - A în loc de A arată că P (A/€n) con-
-verge spre q> A
(~)
aproape pretutindeni.
CAPITOL UL VII
VARIABILE ALEATOARE INDEPENDENTE Probele individuale care se fac într-o experienţă duc, în general, la înregistrarea unui număr sau a unei măsuri. Ele dau, prin urmare, valorile unei variabile aleatoare a cîmpului de probabilitate corespunzător experienţei. Problema de a şti dacă, practic, două probe distincte sau două şiruri de probe sînt sau nu independente corespunde problemei matematice de a şti dacă variabilele co~espunzătoare sînt sau nu independente. Definiţia independenţei a două variabile scoasă din indicaţiile date de diferitele modele concrete de cîmp de probabilitate este impusă de definiţia variabilelor aleatoare: două variabile / 1 (~) şi / 2 (~) ale aceluiaşi cîmp de probabilitate {E, j}C, P} sînt independente dacă pentru orice pereche de mulţimi boreliene B1 şi B 2 avem
Pentru familii de variabile aleatoare avem familiei în totalitatea ei: independenţa în sensul
două tipuri de independenţă a Steinhaus-Kaţ şi cea în sensul
Kolmogorov. § 1. INDEPENDENŢA
1N SENSUL STEINHAUS-KA
E
µEM
M
p (g-l (Ya n Xµ))= fI p (g;' (Ya)). aEK
Teorema 4. Fie (/a)a e I E(SK.). Pentru orice aleatoare simple (g!)n e N• cu proprietăţile: (X) lim
K! = fa
şi
n➔=
=
a
I
ex
EJ
există
un
şir
de variabile
g: I < Ila I ;
(3) (g!)ae 1 E(SK) pentru orice n EN*. Fie @n desfacerea numerabilă
{, 1
şi
n
oo )) dacă ţ e1- ((n- ~, n)),
o
dacă ~ e1- 1 ( ( ~ ; ,
n 1
n--
-n +-; -n
dacă ~ EJ-i ([n, 1
dacă ţ eJ-1 ((-n, dacă ~ EJ-t
+;)) ,·.
-n +; )) ,
((-
oo, -n]).
222
TEORIA
PROB_ABILITAŢILOR ŞI APLICAŢII
ln virtufea celor demonstrate, (g:) E(SK) pentru orice n. Din construcţie se vede că I I 1/" I şi că Iim K! = f", cleoarece dacă~ E{~ 1-n a (t) ~b (s),
pentru orice pereche de numere reale (t, s). După teorema 1 rezultă că { If + a I , I g + b I } E(SK). Cum a şi b sînt arbitrari, rezultă, după teorema 2, că {f, g} E(S.l(). '
Teorema 13. Am
arătat
că dacă
in teorema 1
f
şi
g sînt independente,
(P1 (g- 1 (A)) = P (g- 1 (A)) = I
orice A EcJC (g) dacă şi numai dacă{/, g} E(K). 6) Fief, g două variabile aleatoare şi 1, 2 două funcţii de mulţimi (nu neapărat complet aditive), definite pe B'. Să se arate că dacă P (f- 1(A) n g- 1(B) = = 1 (A) 2 (B) pentru orice A E81{,(f> şi B E8JC(g>, atunci {/, g} E(K). 7) Fie f şi g două funcţii, 1 o funcţie definită pe $Jf(/> şi 2 o funcţie definită pe 8JCC,>. Să se arate că dacă P (f- 1 (A) n g- 1 (B)) = i(A) 2 (B) pentru orice A E8JCCI) şi B E81{;, atunci {f, g} E(K). 8) Fie f şi g două variabile aleatoare şi F(a 1, aJ = P ({/ < a 1} n {g < a 2}). pţntru
Fie cp 1 şi cp 2 două funcţii definite pe R. Să se arate că {f, g} E (SK) dacă F (a 1 ,aJ = = F (a;) F (aJ pentru orice pereche (a1, aJ. 9) Să se generalizeze problema 8 pentru n variabile aleatoare (1)1- (-r) I < q> (O) = I :pentru orice -r ER. Dăm cîteva proprietăţi simple ale Teorema 1. Să pwzem
Funcţia q>
este ·uniform q> n
funcţiei caracteristice. continuă pe R.
=.,··-
n eita
,,
dF (a)
(2)
,pentru oric;_e n EN*.
Avem
I cp. (t + h)-cp. (1)
I¾~~~ e'""-11 dF(a) ¾ e,
I I< 8 (e), cu 8 (e) convenabil ales, pentru orice 'TE R. Deci,
-dacă h -continuă
fPn este uniform pe dreapta reală R, pentru orţce n EN*. Dar q>n converge uniform spre
tinde spre 1, suficient de repede, cînd t tinde spre zero, atunci q> (t) 1. Teorema 3. Dacă q> (t) - 1 + O(t2) pentru t ~ O, atunci cp (t) 1 *) 2 Cum 1 - q> (t) = o(t ) pentru t ~ o, urmează că şi partea reală a diferenţei 1 - cp (t) este egală cu O(t2) pentru t ~ O. Dar partea reală a acestei diferenţe este egală cu
=
=
[,.(1 cos ta) dF (a).
Deci 1 ~co (I - cos ta) dF (a) lim --
t ➔ co t2
-oo
.
= O,
cu atît mai mult, 1
.lim - 12 t➔ oo t
~ t (1 - cos ta) dF (a) = O. l
t
Dar 1 - cos ta ta.
1 - cos ta . . . . _ a2ta
2 - - - =a2 ---..;:::::,-ca,
cu c > O convenabil ales, dacă. I ta I Urmează
atunci
-< 1,
adică dacă I a I ~ __!_ • t
că
l
l
O= lim _!__(t (1-c~s ta) dF(a) t➔co t 2 ) _ .!. .
~
c lim ~t
t➔oo •. _ .!.
a2dF(a)
= c(=.
a2 dF(a) >O;
definită
prin egalitatea
)_ 00
t
t
deci
~=•,"'' dF (a) = O, de unde
rezultă
Fie F o
imediat F =
funcţie
de
E.
repartiţie şi
fie c ER;
funcţia
F,
F, (a)= F(a-c) •)
Funcţia
O (t2) pentru t-+ O este
caracterizată
prin proprietatea lim O (ta) t➔ co
(t)
=
O.
FUNCŢIA
243
CARACTERISTICA
e
pentru orice a R este evident o funcţie de a ~ a + c. Este uşor de văzut că
repartiţie.
Să notăm
cu -r
aplicaţia
= F* (T-1(A))
F: (A)
pentru orice A ~B1• Deducem atunci (cap. VI, § 1, punctul 4),
~" ei"dFt (a) =~"ei" dF (a) = ~" ei• dF (a). Dacă notăm ristică
a
cu cp funcţia caracteristică a repartiţiei F şi cu 'Pc funcţia caracteFc, obţinem
repartiţiei
(5)
pentru orice t ER. Să observăm că dacă f este o variabilă aleatoare probabilitate complet aditiv {E, 81€, P} şi dacă
F(a) atunci
Fc (a)= F(a-c) -în acest caz, egalitatea (5) se
tp, = Să considerăm
= P(f
I -
e
>IX+ 2e;
--de asemenea, să luăm x > ~ şi p suficient de mare pentru ca eA
~~x dF„1 (a)= a.,,< IX+ e. Dar
~: q,., (t) dl=[,(~: e
1 "
d1) dF.,
* Putem considera integrala Stieltjes ca integrata Lebesgue lui Fubini.
(a)•. şi
putem deci aplica teorema
FUNCŢIA
251
CARACTERISTICA
Putem majora modulul acestei expresii înlocuind integrala dacă I a I·< X, şi prin ..!!_ , dacă I a I > X.
interioară
prin
Â,
X·
Ic). . 2 o) . Obţinem astfel --;:- Jo fnp (t) dt j < r:1.P + AX a.p < r:1. + 2e:. 1
Dacă
facem pe p
să tindă
spre infinit,
+I~:
q, (1) dl
I¾
obţinem
c
n 00 Sa luam de exemplu Fn (a)= 0 dacă a~n (O~ n < ) · în acest caz, lim Fn (a) = O,. n ➔ oo
pentru orice a ER. Totuşi, şirul o limită în orice punct, întrucît
funcţiilor
cpn (t) pentru orice t ER
şi
caracteristice nu este convergent spre
= e'
111
avem, de exemplu, eint
=
(-1)"
pentru t = 1t. Teorema 7. Fie ( fn)o ~ n < oo un şir de funcţii caracteristice reale. Dacă şirul ( cpn)o < n < co converge uniform spre 1 tntr-un interval [__:_e:, e:], şirul (Cf>n)o < n < oo converge uniform spre 1 in orice interval [a, b] C R. Fie n EN* astfel încît [a, b] C [-2ne:, + 2ne:]. Din inegalitatea lui Raikov deducem imediat 1 - 'Pm (2"t) ~ 4"{1 - fm {t)) pentru orice m EN. Dar lim (1- Cf>m (t}) m ➔ CO
=
O
252
PROBABILITAŢILOR ŞI APLICAŢIJ
TEORIA
uniform în intervalul [-e:, e:]. Deci
lim (I - cpm (2nt))
=
O
m ➔ CO
uniform în intervalul [-e:, e:]; prin urmare,
lim cpm (t)
=
I
m ➔ oo
uniform în intervalul [a, b]. 5. Teorema lui Bochner. ·tip pozitiv, dacă
~ (a, fJ)
Definiţie. O
EI X I
Junc/ie continuă definită pe R este de
CaCpf(ta-ta)>0
pentru orice familie finită de numere reale (ta )aer şifamilie finită de numere complexe (ca )aer• . Vom nota cu ~ familia funcţiilor de tip pozitiv şi cu ~ familia Junc/ii/or de tip pozitiv care satisfac egalitatea f (O) = 1. Dacă (/a )uerC ~ şi (ca )aer este o familie de numere reale pozitive ale căror sume sînt 1, atunci
E CafaE ~o· aer De asemenea, dacă (/n)o < n < oo Cfl şi dacă acest şir converge uniform în orice interval [a, b] CR spre o funcţie f, atunci f E~- Dacă şirul considerat converge în orice punct spre o funcţie f şi dacă/ este continuă, atunci putem de asemenea afirma că / E~- Dacă / E~ şi f (O) :;z; O, atunci f Ei 0 • O altă serie de proprietăţi ale funcţiilor din i este dată de Teorema 8. Dacă f E~, atunci ex) f(0)
> O,
(3) f (-t) = f (t), y) lf(t) I -,O. r · / = (I, 2), t 1 = O, t 2 = t şi c1, c2 numere complexe oarecare. Avem (a, 11) E r X
Să luăm
atunci
O-
a E 1 • . Dacă I= {i 11 i ~ n}, vom scrie şi F1 F1 Fn., Corolarele 2 şi 3 ne arată că aceste notaţii nu duc la nici o ambiguitate. Dacă Fa. = F }Sentru orice . (t); n
E
;. k, ...,l=l
din exponentul lui K>. (t),
(16)
b;1e •.• 1t;t1e • • • t1 este prim.a formă ne-
există
numere
n
A1 ,
astfel încît .
••• , Ân
E
1,k, .... l=l
b;k ••• 1
Â;Âk • • • Â1
~ O, deci unul dintre factorii _
din al doilea membru clin (16) ar avea forma K>. (t)
"ik'>.j'-k)t2+ = e-½(.~ ,. k=l
••·+(.
l;
,, k ,...,l=t
b;k·•·JA;lk•••A1)tm+ ...
în contradicţie cu teorema lui Cramer pentru n = 1. Prin urmare, funcţia g (t) neavînd la exponent alt termen decît cel de gradul doi, este gaussian~
5. Descompunerea unei variabile Poisson Funcţiile caracteristice de tip Poisson/(t) = e" (e•t-t) formează şi)le un semigrup, depinzînd de un parametru real a, izomorf cu semigrupul numerelor reale a faţă cu adunarea. Descompunerea unui element din acest grup este o operaţie închisă, dacă facem abstracţie de factorii banali, aşa cum arată Teorema lui Raikov. Dacă f(t)
= g (t) h (t),
(17)
şi f (t) este o funcţie caracteristică Poisson, atunci ·g (t) şi h (t) sint de ~emenea Junc/ii caracteristice Poisson. ·
Pentru demonstraţie, începem prin a observa că /(t) periodică de t cu perioada 21t. În particular, l
Cum I g (t) I
=
g (21t) h (21t).
-< 1,
I h (t) I ~ 1, rezultă că I g (21t) I = l I h (21t) I = 1, deci
= e-•a., h (21t) = e-ia. g (21t)
cu
ot ·
real.
Dacă
punem • CIL
g (t)
=
g 1 (t) e, 2i t
h (t)
=
hi(t) e_, ~ t
.a
=
1 e"(e•t- >,
este funcţie
TEORIA PROBABILITAŢILOR ŞI APi.lCATll
276
vom avea
= gl (t) h1 (t),
f (t)
(18)
K1 (O) = gl {21t) = l,
şi
hi (O) = h 1 (21t) = l. Dacă
relaţia
în
= \00
gl (t)
eitx dG1 (x)
.-co
punem t
= 21t,
deci
obţinem
~=.
{I-cos 21 Pi (n)- e: = P2 -
m
e:
pentru orice întreg n >Ne, dacă punem p = P ('t'iA), deoarece P 1 (n) pentru orice întreg j. Există deci doi indici diferiţi i şi j {l .:::;;_ i < j n), astfel încît
-
NE. Atunci
n X;) >P -e: 2
= P (-riA)
288
TEORIA PROBABILITAŢILOR ŞI APLICATU
Dacă luăm 11 1
=j- i>
O, avem P(A
Să
punem -r1 astfel încît
=
n-r"• A).>p2 -e: ..
-."+t. La fel ca mai sus putem demonstra că există un q 1
P(A
n -.q, A)> p
2-
> O,
e:~
Dar -rq• A = -rq 2 A dacă luăm n 2 = q 2 n 1 + q1 . în acest mod determinăm din aproape "în aproape şirul n;(l - O. Dacă (S,,) 1 ~,, < 00 C f (E, ~, P) şi dacă putem lua d,, = ~M(S,,), pentru orice nEN*, atunci şirul {S,,) 1 ~n O, relaţia (4) ne arată că putem alege un / 6 astfel încît,
F(li-i1) Ir, M (f;f;),
=
;. j
i-j
I
~
I
M (f;fi) ,· ~ 2/f, nk2
i
n2
1
+
n26 n2
=
2/1, k2
+ 8.
1l
• Deci · lim sup _!__2
n ➔ ao
n
j
E I, j
M(f;f;)
I < 8,
oricare ar fi 8 > O. Prin urmare, 1 lim n➔oo n2
E i, j
M (f;f-) 1
= O.
2. Stabilitate tare există
Definiţie 2. Un şir de variabile aleatoare (Sn)i ~n < oo un şir de constante (dn)t ~n < co , astfel 'încît şirul
este tare stabil,
dacă
(Sn - dn)t~n
(1:') =
-r11n
Cum lim ~ = 0
n ➔ co
obţinem
ILn
imediat lim
(X(n)('!)
= o,
n ➔ OO
oricare ar fi '! > O. Cor o 1 aru I 1.
F;
Dacă
=F
sînt îndeplinite
condiţiile
(I ~ j
O.
C o r o 1 a r u 1 2. Dacă condiţiile (5) M > O, astfel incit
şi
(6) sînt îndeplinite
constantă
I X; (~) I < M _pentru orice j (1 ., Lo
> O,
un j
Dar atunci «n ('t')
=
-!- t
IL(n) i=I
·dacă
20-2029
(
a2 dF; (a)~
) I a I >iµ(n)
!-
!'-(n)
f
' I af :>iµ(nl
L
> O,
806
PROBABILITAŢILOR ŞI
TEORIA
APLICA:fll
Deci Jim inf
Cln
('T) ~ O,
dacă
'T este suficient de mic, ceea ce ne duce la o presupus lim rt.n (-r) = O
contradicţie,
deoarece am
li-,. 00
pentru orice 'T
>
O.
§ 2. PROBLEMA GENERALĂ. REPARTIŢII-LIMITĂ Consideraţii
1.
generale
Fiind dat un şir de variabile independente {x"'} teoremele lui Leapunov Lindeberg ne dau condiţii de convergenţă spre variabila gaussiană a şirului format din variabile normate: şi
„
v----- ~li
=
S n
:E Xk -
k=I
i
:E M (Xk)
k=.1
•
M (Xk -M(xk)) 2
k=I
Teorema lui Leapunov pres1Jpune şi existenţa unor momente de ordin superior lui doi pe lingă momentele de ordinul întîi şi doi implicate în normarea şirului de sume parţiale S"' Teorema lui Lindeberg presupune numai existenţa acestor două momente. · Pe de altă parte, exemple simple ne arată existenţa unei limite gaussiene fără ca va.riabilele {x,,} să aibă momente de ordinul întîi sau doi. Într-adevăr, să considerăm şirul de variabile independente {x,,}, variabila Xn avînd ca funcţie caracteristică expresia
/,, (t) = e-1„ Dacă
,2 I
tI-
2 /n
>
Q
=
(n
1, 2, ...).
punem S
11
n ~ Xk =k=I
Vi
obţinem
/,,k(I) =fk(
;jj )= e-lk ~; (t)
= e-
2
n ➔ co
în orice interval finit I t I < T. Alte exemple se _deci aceeaşi
repartiţie,
obţin chiar în cazul funcţie caracteristică
simplu cînd variabilele
Xn
au
aceeaşi
,2 fn (t)
unde g (t) este o prietatea
= f (t) = e-
Iim gn
verifică
g
(t),
funcţie caracteristică nederivabilă
n ➔ CIO
Se
2
atunci imediat
în origine, avînd în plus. pro-
(~)=I. Vn
că
,2
ti
lim q>,,{t) = lim e- 2 gn( :; ) = e-T. n ➔ co
bilele
n ➔ co
Avînd în vedere aceste exemple, ca şi eventualele aplicaţii în care variaXn luate individual trebuie supuse la condiţii cit· mai largi cu putinţă, rezultă n
necesitatea dt.: a examina condiţiile cele mai largi, potrivit cărora variabila
Ex
k
k=l
normată în mod existenţa
supune
convenabil să aibă ca vreunui moment. 2.
Enunţul
limită .variabilă gaussiană, fără
problemei de.
a mai pre-
limită
Problema se prezintă, sub forma sa cea mai generală, aşa cum a fost tratată de W. Fel/er şi A. I. Hincin, în modul următor: Fiind dat un şir {xn} de variabile independente, nu toate degenerate, să se găsească condiţiile necesare şi suficiente pentru ca să existe două şiruri de numere: şirul {an} format din numere pozitive; şirul dublu {~nk} (k = 1, 2, ... , n), format din numere reale, astfel ca variabilele
TEORIA
308 să tindă
în
repartiţie
PROBABILITAŢILOR ŞI
spre zero, cînd n -+
APLICAŢII
o~icare ar fi k
oo ,
= 1, 2, ... , n,
şi
ca
variabile n
L
n
Sn n
cu
°'n = E cx„1e
să tindă
=
"" . LJX~k k=I
spre variabila
Xk
k=I =- -(Xn
an
gaussiană
cînd n -+ oo •
k-1
Condiţia relativă la variabilele Xnk corespunde cerinţei ca, pentru n -+ oo , nici una dintre componentele lui sn să nu rămînă finită, avînd astfel un rol prepon- derent faţă de celelalte. . Înainte de a trece la examenul condiţiilor necesare şi suficiente privind variabilele Xn, să facem cîteva observaţii. asupra parametrilor an şi r,.nk• Notînd cu fn (t) funcţia caracteristică a variabilei x„ şi cu f, 11,(t) funcţia caracteristică a variabilei Xnk, avem
f,nk (t)
= e-iankt Jk~
Deoarece presupunem că fnk (t) .
-+
(
-
t )
an
•
1, rezultă că fk (
.!_} ➔ oo (k = 1, 2, ... , n) an
cînd n -+ oo • P~ntru aceasta este necesar şi suficient ca an -+ oo • Aceasta, binede cazul pe care l-am exclus cînd 1/k (t) I = 1, otj.care ar fi k. In ceea ce priveşte constantele «kn sînt an determinate, ele sînt într-o anumită măsuri determinate, aşa cum ne arată următoarea propoziţie pe care ne mulţumim a o enunţa, deoarece nu o vom folosi efectiv: Dacă I fn (t) I -+ I cînd n -+ oo , pentru I t I < T există un şir de numere reale «,, , astfel încît înţeles, afară
f,, (t)
e-ia.nt-+
1 cînd n ➔ oo.
În cele ce urmează, ipotezele precedente vor privi numai şirul {an} o dată cu şirul {xn} şi vom arăta cum ele pot fi alese astfel ca să ne situăm în condiţiile problemei. 3. Forma Dacă O.
I I)
log t
log 2
Prin urmare, (4)
•
LEGI LIMITA. LEGEA LUI GAUSS
313
Vom presupune că x are momentul de ordinul doi finit. Aceasta este echivalent cu a presupune că f' (t) şi /" (t) există. Punînd g (t) = 1/ (t) 12, rezultă că g' (t) şi g" (t) există; deci log .lf (t)
12
= t
Deoarece I f (t)
g' (O) g (0) 12
+
r2 -
are derivata de ordinul întîi
log I f (t) I = .!_2 g" (O)
+
[ g (6t) g" (6t)-g' (6t)
4
. g (6t)
'1lnde g' (O)= - a2 ; coeficientul din
paranteză
log 1/ (t) I = şi
(5)
nulă,
~
4
Din (4)
(O< 0 < 1).
g (6t)g" (6t)-g' 2 (8t) g (6t)
.2
- !!:
12
2
-
g" (O)]'
se poate scrie 0 (t),
+ t 2 6 (t).
(5), .
rezultă
- ~ t2 2
+ t 2 8 (t) = -
t2
w(~}, Jog .
2
deci
- !!:2 + e(t) =
-w(~)· Jog 2
Dacă înlocuim pe t cu 2-" · t, al doilea membru 0(2_,, • t) este oricît de mic vrem cînd n este mare, deci
=_
w ( Jog lt I ) Jog 2 şi,
rărnîne
neschimbat, iar
~ 2
prin urmare, - ~ : t2
Revenim la ecuaţia (1), Cum w (t) -+ O cînd t -+ O,
ţinînd seamă
de (3)
şi
de (6),
obţinem:
rezultă ecuaţia funcţională
w
. unde (t) este o
(6)
2
1/(t) I= e
funcţie continuă.
(2t)
=
w
(t)
soluţie continuă
Singura
=
w (t)
a acestei
ecuaţii
este:
bt.
Prin urmare, -
f(t)
=e
ai
-
2
t 2 +ibt
Deci x are o repartiţie gaussiană dacă a ~ O. Singura presupunere pe care am făcut-o în cursul primele două momente ale variabilei x există. ·
demonstraţiei
este
că.
TEORIA
314
PROBABILITAŢILOR ŞI
APLICAŢII
O analiză directă a ecuaţiei (2) ne arată că această Deoarece I/ (t) 12 este o funcţie caracteristică, vom pune g (t) se va transcrie g (2t) = g4 (t). rezultă
De aici
condiţie
este
necesară.
= I/ (t) 12 şi ecuaţia (2)
imediat
g (1)
= g4n
(!_), 2"
-de unde
Prin urmare, log g (t)
r+oo (eitx -1) dG (2" x). ,!~ {4" )_
=
00
Dacă
punem
H,1 {µ) =
µ
x2
1+--;; 4" dG (2"x) = ~O
~ 2"µ
g2·
O
1+-
. ---;,· dG(y),
X
(7)
4"
· :rezultă
că
log g(t)
= lim 11-00
00
2 (eitx_I) 1 +.,x dHn
)I \
J-00
x-
(x)} •
Expresia din paranteză se mai poate scrie 2• ~ x dG (x) Din (7)
+
C(
e;" - 1 -
ii;) 1 ~,X' dH• (x).
rezultă că
H 11 (O)= O
·pentru orice n
şi
lim H 11 (u)
=f
11-00
-dacă
u
> O,
)
y 2 dG (y), 0
şi
lim H 11 (u) 11➔00 ,dacă
00
= r)
00
y 2 dG (y),
0
u < O.
1n caz contrar, lim H 11 (u) = ;ambele valori.
oo
fie pentru u
> O, fie pentru
u
< O, fie pentru
LEGI LIMITA. LEGEA LUI GAUSS
315
Cum SxdG (x) = O, problema este rezolvată. Există limită numai dacă momentul de ordinul doi este finit. In acest caz, dH!n> = O pentru (u) ~O şi numai în origine are un salt egal cu momentul de ordinul doi. Aceasta ne arată că
,2
log g (t) = - µ - . 2
Teorema precedentă este valabilă şi pentru o variabilă aleatoare x .(x1,x2, ••• ,x ~) vector în spaţiu E 111 • Vom demonstra suficienţa condiţiilor (independenţă între x + y şi x - y şi existenţa momentului de ordinul doi). Ecuaţia funcţională a funcţiei caracteristice este f(2t)
= 12 (t) f(t) 2 •
(8)
Prin urmare,
1/(2t) I = 1/(t) I 4. Dacă
punem g (t) =
lf(t) I,
. g (2t)
= g 4 (().
rezultă
Prin urmare, ca
şi
în cazul m
log g (t) =
= 1,
!~4" ~ (ei,X -
I) dG (2" X).
Să luăm
Deci, log g (t) Din (9)
=
•
{ ~+co
n ➔ oo
_
hm
00
rezultă că
...
~+00 _
.-(e"X -
_ I - itx) ·
00
şi
_
dHn (x).
(10)
(.n + Yi + ... + y~) dG (y)
(11)
2
Hn (O)= pentru orice n; de asemenea 00
00
lim U1 > n➔oo
+ xr)2 ... (1 + x!)2 X + x + ... + x„ 1 2
(1
o U2 > o, ... , Un, > o Hn (u) = ~
limite analoge pentru celelalte cazuri.
•
••• (
o Jo
316
ŞI APLICAŢII
TEORIA PROBABILITATILOR
------------Condiţia
ca limita (11 ), M 2.=
adică
momentul
00
r-i-co ... (
Leo J co
+ Yi + ... + _y;,) dG (y)
(Yi
să fie finită este necesar. Dacă M 2 este finit, punînd lim Hn(fi) = H (u), avem P.Otrivit cu (11), dH (ii)= O, ~eci u ~ O. Prin urmare, din (10) rezultă
log g (t)
=-
+oo
_!_
.2 ~ -co
~•+00
•••
·
(t1 Cf>1 -oe
1
m
+ ... + tm Cf>m) dH(x) = ± 2 j,E a;kt;lk, k=l
m
unde . >' a;kt;tk este forma pătratică pozitivă definită, lăsînd la o parte cazul în ,,"i;;f.1 care această formă este nulă şi pentru alte valori ale lui Î, în afară de t 1 = t 2 = = ... = tm = O. Avem deci ·
Soluţia continuă nulă
.
-
pentru t
=
eu (2t)
O a acestei ecuaţii este
=
eu (t)
unde ex este un vector constant. Deci
/(î) = exp ( adică funcţia caracteristică
a
~~
repartiţiei
t,
+ ;,;i)
aat;lk
gaussiene în Rm.
O.b serva ţie. Împreună cu M. Frechet se poate lua caracterizarea dată în teorema menţionată ca o bază pentru definirea repartiţiei gaussiene. Teorema originară a lui S. N. Bernstein, cu modificările introduse de M. Frechet, este următoarea:
Pentru ca variabila x să fie gaussiană, este necesar şi suficient să existe o variabilă y independentă de x şi cu aceeaşi dispersie finită, astfel incit varia-: bilele x y şi x - y ·să fie independente.
+
EXERCIŢII
1)
Să
se arate
că
LA § 1, 2, 3
înlocuind în teorema I, § 1, ipoteza (x;)1 ~ 1 < 00
E(SK)
>
prin ipoteza, pentru orice n 2, valoarea medie a variabilei xn conQiţionată de (x1 , x 2, ••• , Xn- 1) este egală cu zero aproape peste tot, concluzia rămîne adevărată.
2) Fie (xn) 1 ~ n < co un şir de variabile aleatoare care au momente de orice ordin. Dacă pentru orice m ~ O momentul de ordinul m al variabilei . xn converge spre momentul de ordinul m al variabilei x0 , atunci lim p (x,, n ➔ CO
) = O lJ. P (s, x; t, R)
=
1.
(3)
Procesul elementar are, în acest· caz, forma P (s, x; s + Â, X)= 8 (x; X)+ Â a (s, x,· X, Â),
unde
1 xE X
8 (x, X)= { 0
X
Fµncţia
a(s, x; X; Â)
ECX.
(4)
(i)
.
PROCESE STOCHASTICE DE. PROPAGARE IN TIMP CONTINUU
·357
este pentru orice  o funcţie continuă de s şi x, total aditivă de X şi, ţinînâ seamă de (3),
.
a(s, x; X, Â)
>
{ ~o
a (s, x; R, Â) 2. Procesele pentru care
xex,
funcţia a (s, x;
(ii)
x'e.CX,
0
= O. X, Â) este continui în ·ll..
ln acest caz, vom pune a (s, x; X, O)
= a (s, x; X)
Această funcţie este, ca oricare a(s, x; X, Â), continuă în s şi x, total aditivi în X şi verifică inegalităţile (ii). ·' · Din (1) şi (2) rezultă
P (s, x; t + ll., X) -P (s, x; t, X)
=
ll \ .p (s, x; t, dy) a (t, y; X Â), „R ,.,/
de unde, d~vizînd cu  şi făcînd  -+ O, găsim ecuaţia integro-diferenţială
'a: '
ap (s .x• I
X)
(
I
= JR P \s, x; t, d~) a(t, y, X).
Prin urmare, probabilitatea P (s, x; t, X) este Uit (t, X)
. ot
soluţia
sistemului .
= ( 1t (t, dy) a (t, y, X) JR 1t
De asemenea, din (I)
şi
(s, X)
(2)
=
ceea ce
(6)
8 (x, X) .
rezultă:
+ Â, x; t, X)-P(s, x; t, X)= = -A a(s, x; dy, A) P(s + Ay; t, X), P(s
(5)
t
(7)
dă
'
· iJP 1s x· t X)
'" a: '
= -J/ (s, x; dy) P (s, y; t, X). (
Deci, P (s, x; t, X) este. soluţia si~temului •
I
aa (S, x) = - ( a (s, X, dy) 8 (s, y) . aş JR 8 (t, x) = 3 (x, X)
(8)
358 Soluţia
sistemului (6) este 1t
dată
de seria
(t, X)= 8 (x, X)+ ~ta (u1, x, X) du1 +
+ (t du1 )s
dacă
PROBABILITAŢILOR ŞI APLICAŢII
TEORIA
r
du2 ( O (u2, x, dy1) a (u1, Y1, X) + ...
.s
aceasta este absolut în ipoteza
•s
1
(9)
)R
convergentă.
I a (u, x, X) I < A,
(10)
seria (9) ca· şi seria corespunzătoare sistemului (8) 8 (s, x)
= 3 (x, X)+~:
+ (t du1 (t ~u2 ( Ju,
Js
JR
a (u1, x, X)du1
+
a (u1, x, dyJ a (u2, y 1, X)+ ...
(11)
sînt absolut convergente. ln aceste cazuri, cele două serii reprezintă aceeaşi funcţie 1t
(t, X) = 8 (s, x)
Putem acum demonstra
= P (s, x Lt, X).
următoarea
Teoremă. O funcţie a (u, x, X) verificind condiţiile (i), (ii) şi (10) sau altă condiţie
mai largă, pentru care cele două serii sînt absolut convergente, un proces P (s, x; t, X). Demonstraţia urmează exact acelaşi drum ca în cazul finit. Proces omogen. În acest caz,
determină
P (s, x; t, X)= P (t-:-s; x, x). Rezultă că funcţia
a nu depinde de timp:
a= a (s, X). Seria (9) devine P (t - s, x, X)
.
= 8 (x, X) + A< 1>(x, X) t -
1
s
+ A(x, X) (t -
s)
2!
+ ... ,
·
(12)
unde
A< 1>(~, X) =
a (x, X),
A (x, X) =
~ / (x,
•
A-r
36t
de (j ')
şi
(j' '),
JR j·< e:~ (s, x)
liml(
A➔O oricare ar fi e:. De unde
Jim ~R = 0. Revenind la (16), putem face /::i-* O şi iJP(s,x;t,X) - - - _- -ex 1,s,x)
âs
Vom presupune în cele ce (-oo, y) şi deci
oP
obţinem relaţia diferenţială
1 2
r.>. (
---I-'
âx
urmează că X
2 s,x)o- P2 s < t .
âx
(17}
este intervalul deschis la dreapta.
P (s, x; t, X)= F(s, x; t, y), şi că există
o densitate de
repartiţie
p (s, x; t, y)
âF = -. ây
În acest caz, ecuaţia (17) se poate_ scrie şi pentru densitatea p (t, y): 02
~=-ex (s, x) op_.!_~ (s, x) P âs
Densitatea de
âx
repartiţie
2
âx 2
s
< t.
(18)
p (s, x; t, y) este atunci soluţia ecuaţiei cu derivate
parţiale
âcp (s, x) ) âcp 1 ) â 2q> --=-ex(sx -s O, fi,1, < O,
(h, k
h-::f:.k
în acest caz, (J)
=
că funcţiile J,.k
satisfac
l, 2, ... , m).
şi (4) ne arată că pentru
= (fjk)t=s (dPk) dt t=s
(J)
t = s avem:
.i
Prin urmare,
k =/= I, k = I,
{> 0 (dPk) dt t= s < O cu Pk = O (k ~ I) şip= 1. Fie a~um o valoare t0 astfel ca Pk (t) şi Pk (to) = 0. Din (J) rezultă:
în
corespondenţă
= (dPk) dt t=to Cum egalitatea p,,
=
> O(h = 1, 2, ... , m) pentru t < t0
('°'
I'. ) . LJPhJhk • t-t0
h=k
l ne arată că nu toţi p,, (h ~ k) sînt nuli, rezultă din (J)
> (dPk) dt , ... , 0
că:
O •
Ca urmare, mei una dintre soluţiile sistemului (J), (4), unde coeficienţii verifică şi relaţiile
(J) în loc de (i), nu este negativă şi nici mai mare decît unu. Revenim la un sistem fu, în care unele dintre funcţii pot fi nule pentru anumite valori ale variabilelor.
TEORIA
PROBABILITAŢILOR ŞI APLICAŢII
372 -----------
Funcţiiie
ihk = f hk
+
/,C:,,
(X;
=
J,,,, - (m - 1) oe,
(X
>o
h, k=l, 2, ... ,m
h*k
formează un sistem verificînd condiţiile (J) şi (iii) pentru orice oc pozitiv finit. Potrivit unei teoreme cunoscute, soluţia sistemului (J), (4), corespunzătoare unui ex. finit oarecare, tinde, cînd oc -+ O, spre soluţia sistemului (J), (4) pentru oc = O. Cum pentru orice oc.,pk(t) O, vom avea şi Pk (t) = pi(t) O, afirmaţia este
>
>
demonstrată.
ecuaţiilor
2. Procesul aleator liniar asociat Dacă lanţul definit soluţii ale sistemului (J),
se reduce la un lanţ Markov, probabilităţile Pk (s, t), (4), verifică relaţiile funcţionale: m
Pts (s, t)
=
(J)
(/, k
"B"Pth (s, u) Phk (u, t)
=
1, 2, ... , m).
h=I
Vom arăta că aceste relaţii se înlocuiesc, în cazul general al complete, prin altele de forma:
lanţurilor
cu
legături
Ptk (s, t)
= I: Pth (s, u) 1tthk (s, u, t)
s
< u < t,
unde 1tJhk (s, u, t) este un sistem de probabilităţi condiţionate, ale cărui pentru / şi s fixe, sînt cele corespunzătoare unui lanţ Markov. Să considerăm soluţia sistemului (J), (4) pe care o vom scrie: Pk (t) =Ptk (s, t)
(k
(k) proprietăţi,
= 1, 2, ... , m),
trecînd sub tăcere, pentru simplificarea scrierii, indicele fix I şi momentul fix s, cu aceste funcţii, continue împreună cu derivatele lor de ordinul întîi, f,,k(p 1 (t), Pa (t), ... , Pm (t); t) devin funcţii continue de timp: (6) hk (p1, P2, •• •, Pm; t) = Khk (t), verifică condiţii corespunzătoare condiţiilor renţiale liniare:
care
dXk
m
(k
-=EXhghk(t) dt .
(i), (iii), astfel
=
că ecuaţiile
dife-
1, 2, ... , m)
h-1
admit o soluţie determinată pentru condiţiile iniţiale:
continuă împreună
cu derivata sa de ordinul întîi, (7)
Ţinînd seamă
de faptul ghk
că
Khk îndeplinesc
> o,
ghl,
< o,
condiţiile
EKhk = O, k=l
(h
...
(i):
m
= k = I, 2, ..• ,
m)
373
PROCESE STOCHASTICE DE PROPAGARE IN TIMP CONTINUU
rezultă că soluţiile probabilităţi:
pe care le vom numi (u, t)
1thk
şi verifică
o
relaţie
1thk
- O, E
1thk 'k=l,2, ... ,m
(u, t)
sistemului (7) sînt
=1
a lui Chapman: 1thk
(u, t)
m
E
=
1thk
(u, v)
1t1k
(8)
(v, t).
i=I (h, h= l, 2, ... ,
(u~v~t)
m)
Derivînd în raport cu v în ambii membri ai acestor egalităţi, obţinem: O=
f
[01rh1
Folosind sistemul (J), O=
+ 7th/ (u, v)
(~f~ 1thk (v,t)
ov
I=•
m
~hk(v,
ov
t)
J.
obţinem:
I:1t1i 1 (u, l=I ·
[07t/k (v,
.
I)
v) ---v-- ·
a
+ Em g1r (v) 1t,k (v, t) ] . k=I
Facem în această relaţie v = u şi ţinem seamă de (7): rezultă pentru fiecare h un . al doilea sistem de ecuaţii: 07thk
(u, I)+
au
E
Khr
(u)
1thk
(u, t)
= ·o; u
' /1,1 (p1 (s), P2 (s), ..., Pm (s), s) P1 P,,
(t)
=
(s) (J")
8hk
Spre deosebire de cazul Markov, cele două lanţuri, nu sînt identice. ·
deşi
generate de
acelaşi
sistem!,.,,
3. Sistem lacunar Dacă funcţiile
/,.1,,
afară
de condiţiile (ii) şi (iii), ·verifică numai inegalităţile: m
h\~ O, k.{~iJ: . ~'m ~ hk 'fĂk;
t;;f
h
= 1, 2, ... , m.
Sistemul (J'), format din (J) şi ecuaţia precedentă, îndeplineşte condiţiile impuse acestui sistem pentru ca p 1 (t), p 2 (t), ... , Pm (t), Pm+t (t), determinate prin condiţiile iniţiale:
p,, (s) >, O
L,
h=l, 2, ... , m, m+l
să
verifice aceste
condiţii
pentru orice t.
p,, (s)
=
1
~75
PROCESE STOCHASTICE DE PROPAGARE JN TIMP CONTINUU
Rezultă atunci că sistemul lacunar (J) determină probabilităţi p 1 (t), p 2 (t), ... , Pm (t) cu condiţiile:
E
Ph (t) >, O
Ph (t)
=
de asemenea un sistem de 1,
h=l,2, ... , m
aceste condiţii sînt verificate pentru t = s. Putem vorbi, în acest caz, dacă trecem Ia o interpretare intuitivă, despre o . stare c.u = m + 1, a cărei probabiJitate este: ·
da~ă
Pro (t)
=
B
1-
Ph (t)
/J=l,2, ... ,m
şi
care ar putea fi dispariţia unui oarecare dintre elementele ale căror stări sînt descrise de proces. In trecere de la (1) sau (3) pînă la (J), izolarea unui sistem lacunar se realizează dacă lim tJimk = fmk = O (k = 1, 2, ... , m). Fenomenul este mai relevant în cazul unei mulţimi infinite de stări. 4.
Proprietăţi
ergodice globale ·şi individuale
Un aspect al proprietăţilor ergodice ale unui lanţ se pune în lumină prin studiul invarianţilor integrali asociaţi sistemului diferenţial (J). Vom examina problema întîi în general, fără a ne limita la condiţiile iniţiale care dau caracterul de probabilităţi celor n funcţii care-l verifică. Fie deci sistemul: dxk -=
(J)
dt
k
= 1,2, ...,
m
Vom presupune că derivatele de ordinul întîi ale funcţiilor hit există şi sînt continue într-un domeniu D. Integrala I
= ~V F (x,, x,• ...• Xm; t) dx, dx, ... dxm,
unde domeniul V este interior lui D, este verifică ecuaţia
invariantă
pentru
(11) ecuaţiile
(J)
dacă
F
· dF dt
+F (
"\:'"'
f,,
u=I,L..J 2, ... , m
+ "\:'"' Xh o/hi) = 0.
k=l,/....../ 2, ... , m OXJ
(12)
în cazul particular care corespunde lanţului Markov, ecuaţia ·devine:
- + F( E
dF dt Ştim căfu
(t)
~
O şi
că
= o.
f,, )
nu putem avea/11 (t)
=
O pentru orice /. Prin urmare,
putem scrie:
Elu = l
(13)
u=I, 2, ... , m
2
c.u
< o.
37 6 TE O R I A PROBABILITAŢILOR. ŞI APPCATII ---'- ---'- ________ _ _ _ _ _
Rezultă:·
J:
Ft=F,e
111 2 (u) du
r
(14)
Din (11) avem atunci, notînd cu V (t) volumul domeniului V la momentul t,
V (t) = V (s) e- s
m•(11)d11
(15)
V (t) descreşte indefinit cînd t tinde spre infinit. Dacă (J) corespunde unui lanţ omogen, (t) = este constant; prin urmare,
=
V(t)
V(s)e-(t-s)m':
· ,V (t) tinde spre zero cînd t tinde spre infinit. Numai dacă ):
(16) 2
_(u) du este con
vergentă nu avem concentrarea asimptotică puternică exprimată de formula (16). în cazul general, este de reţinut o împrejurare care nu se poate ivi pentru lanţurile Markov, în care nu poate fi nul. Dacă presupunem că
. afÂ,
-= t;t OX/
>'fu+ >'x,,
�
0t
(17)
fiind. constantă, rezultă: V (t)
=
V (s) e< 1 -s) 11•
(18)
Dacă 0t > O, volumul creşte indefinit, punctele se dispersează. Dacă 0t < O, volumul tinde spre zero ca şi în cazul lanţului Markov. 1n sfîrşit, dacă 0t = O, volumul rămîne invariant ca în cazul sistemelor dinainice. ln acest caz, fenomenele ergodice de examinat sînt analoge cu acelea ale traiectoriilor dinamice. Exemplu:
hl
= Ea;;, x, + a111
cu
a111 > O, a11
< O,
Condiţia (17) ne dă: ex
·
au
h�l
< O.
= ,E a11 � O,
� ca:, + .
l
a,.,)
= o.
Deci, dacă toţi a11 sînt nuli, volumul este un invariant. Dacă nu sînt toţi nuli, orice volum tinde spre zero cînd t tinde spre infinit.
PROCESE STOCHASTICE DE PROPAGARE IN TIMP CONTINUU
377
Rezultatele considerate pînă aici nu se pot transpune imediat la procesul stochastic asociat sistemului (J), (4), deoarece acest proces se petrece numai în hiperplanul: X1
şi,
+ X2 + ... + Xm =
1
(19}
în acest hiperplan, în domeniul închis âm-t caracterizat de inegalităţile:
0~
Xk ~
1, 0 ~ X1 + X2
+ ... + Xm-1 ~ 1.
(20)
Vom considera atunci, în loc de (J), sistemul obţinut înlocuind pe Xm cu 1 - x 1 - x 2 - ••• - Xm-t şi suprimînd ultima ecuaţie care este dependentă de primele:
E
dx -=
dt
.. (J)
xhxhl (I= 1, 2, ... , m -1).
h=l,2, ... ,m
Pentru ca J ,v-1
=r
F (x1,
Jvm-1
să şi
X2, ... , Xm-1)
dx1 dx2 ... dxm-1,
-
fie un invariant al sistemului I, Vm-t fiind un domeniu din suficient ca F să fie o soluţie a ecuaţiei:
- + F [m~-I Un -
dF , dl Ţinînd seamă
fmil
=I
de (i),
+ "' LI
această ecuaţie
(
o/hi . xh --
h=l, 2, ..., m l=l,2, ..., m
OX/
numai
că, relaţiile
este necesar
O/III)] = o.
-OX,n
se reduce la (12), în care presupunem:
Consideraţiile dezvoltate în legătură cu (12) sînt deci valabile stochastic asociat sistemului (J). Adăugăm
~m-t,
şi
pentru procesul
(5) fiind verificate oricare ar fi t, vom avea:
Vm-s (t} C âm-1,
da~
relaţia
este satisfăcută la momentul iniţial t = s. Sistemul (J), corespunzător lanţului Markov continuu, se poate scrie: d/
-= dt
E
p,.(fhl-fm1)+fmt•
(J'}
l1=1,2, ... ,m-l (l=l, 2, .... m-1)
Dacă numim cu F matricea llfh, -fm1II, cu f vectorul de componente: fmi (/ = 1, 2, ... , m - 1), cu matricea-soluţie a ecuaţiei omogene
d-. dt
= -r/ -r (s) = ~' ·
I
/ TEORIA
"378 -soluţia generală
a
ecuaţiei
Condiţia necesară iniţiale -
(J') se poate scrie:
= -r (t) (P (s) + ~: 7 (u)-r-1 (u) du) ·
p (t)
O, f
(t)
> O,
:Sistemul (J') devine: P1 -Condiţia
de ergodicitate
+ [f(t) + g (t)]P1 - g (t) = O.
globală
este:
~: [f(u)-g (u)] du-+ oo, t-+ oo. Aceasta fiind
îndeplinită, găsim:
lim p 1 (t)
=
lim
g (t) g (t) /(t)
+
(t-+
oo ),
-dacă
limitele pentru f(t) şi g (t), cînd t-+- oo, există şi g ( oo) ~ O. în acest caz, -evident: lim p 2 (t)
=
lim f(t)
/(t) • g(t)
+
Proprietăţile ergodice ale lanţului cu legături complete (J) se pot cerceta, •cel puţin în anumite cazuri, cu ajutorul lanţului Markov asociat (J), (7) şi al · :.relaţiei· (10). ·
I
/· '
PROCESE STOCHASTICE DE PROPAGARE IN TIMP CONTINUU
este
ln adevăr, dacă Plk (s, t) tinde spre o limită cînd t ~ de condiţiile iniţiale, vom avea
oo
379
şi dacă această limită
independentă
lim Plk (s, t)
=
O condiţie ţilor 1t1hk(s, u, t),
lim 1tlJk (s, s, t) = Pk· t➔ OO
t ➔ oo
pentru ergodicitatea lanţului Markov corespunzător probabilită pentru un / şi un s daţi, este ca să .existe h0 şi k 0 astfel ca:
>-- ~ > O,
/hoko
oricare ar fi t,
deoarece, în acest caz: (t)
!hoko
h {p1, P2, "'' Pm; t)
Phk
(P1, P2, ... , Pm; t) - 8hk,
unde 'PA >-,. O, 'Phk este un sistem de probabilităţi, este evident suficient ca să existe un h0 astfel ca:
11o> ~>o pentru orice valori ale argumentelor. 5.
Lanţuri
de
soluţii
ale sistemelor de
ecuaţii diferenţiale
Un sistem dxk
-
dt
=
E X1ifu (X1, X2, ... , Xm; t) (k = 1, 2, ..., m), m
(21)
h=l
în care J,,k sînt funcţii mărginite şi continue de toate argumentele într-un domeniu D x [T1 , T2] din Rn x R satisfăcînd în plus, în acest domeniu, o condiţie de tip Lipschitz, are o integrală Xk
(t) = hk (t, s; a1, a2 ,
continuă împreună cu derivata t E [T1, T2] dacă ai, a2, ••• , am, lui D şi s E[T1, T2] •
. Introducînd în hk (x1 , x 2, Khk
(t) = hk (x1 (t),
X2
...:
a,,,) (k
= 1, 2, ... , m)
(22)
de ordinul întîi, aparţinînd domeniului D -pentru reprezentînd poziţia la momentul s, aparţinînd ... , Xm,
t) valorile (22), vom
obţine funcţiile
(h, k = 1, 2, ... , m},
(t), ... , Xm (t); t)
(23)
continue pentru t E [T1 , T2]. Fie acum sistemul liniar
mărginite şi
-dYk =E Y1,gu(t) dt m
h=l
(k
=
1, 2, ... , m)
(24)
380
PROBABILITAŢILOR ŞI APLICAŢII
TEORIA
şi sistemul de m soluţii condiţiilor iniţiale:
---------
= I, 2, ... , ni,
Yik (u, t), k
(I= 1, 2, ... , m) cerespunzînd (25)
Dacă notăm cu X(u, t) determinată şi unică (u, t E [T1,
dY
- =
Y (u, t) g (t)
dt
care, pentru t
= u,
este
matricea IIYik(u, t) li, această matrice este T2]) a ecuaţiei scrisă sub formă matriceală:
~ală
în
acelaşi
= li 8hk
(26)
jj.
ecuaţia asociată:
timp cu (26)
z (u, t) '
dZ(u, t) _ - - - g ( u) du
şi să arătăm că soluţia
= li Khk (t)II),
cu matricea-unitate: J
Să considerăm
(g (t)
soluţia
identică
U (u, t) este
Z (u, t)
=
Z (t, t) = I
(27)
_cu precedenta:
Y (u, t).
în cazul particular în care matricea g nu depinde de t, soluţiile celor două ecuaţii
au
aceeaşi
expresie,
şi
anume:
=
Y (u, t) = Z (u, t)
I
+
f I
presupunînd avem:
că
(t - u)r
r!
ll
membrul al doilea este convergent.
Y(u, t) =I+~: g(v,) dv1
+t
Dacă
gr ~ g (t) nu este
dv, g (v,) g (v2) dv2
constantă„
+. .
... + (' dv1 (' dv 2 (' g (v 1) g {v 2) g (v3) dv3 + ... ),,
)u
),,
şi
Z (u, t)
=
I+ ~: g (v,) dv,
+ ~: dv1
~>
(v,) g (v.) dv2
+ ....
Să observăm imediat că integralele multiple respective sînt egale, de unde teorema enunţată. Vom nota cu X (u, t) această matrice, soluţie în acelaşi timp a ecuaţiilor (24). şi (27). Se verifică imediat că aceste. matrice sînt legate prin relaţia lui Chapman1 :
X (u, t)
=
X (u, v) X (v, t)
u, v, t E[T1 , T2 ].
(28)-
1 Se arată întîi că derivata membrului al doilea în raport cu v este nulă, ţinînd seamă de (24) şi (27). Scriind H (u, t) = X (u, v) · X (v, t) dacă facem v = u, rezultă H (u, t) = X (u, t). deoarece X (u, u) = I.
PROCESE STOCHASTICE DE PROPAGARE IN TIMP CONTINUU
331
Reluînd ·problema ecuaţiei (21), presupunem că domeniul D cuprinde toate cele m puncte (8 1k, k = 1, 2, ... , m; I= I, 2, ... , m) şi notăm cu x (s, t) soluţia pentru care Xtk (s, s) = 81k pe1=1tru orice / = 1, 2, ... , m. Pentru fiecare dintre aceste soluţii obţinem o matrice: X 1 (s, u, t). Demonstrăm
\
imediat
că X1k
(s, t)
E
=
x1k
(s, u) X1hk (s, u, t).
(29)
h-1,2, ... , m
Relaţia dintre soluţiile ecuaţiei liniare asociate sistemului (21) sistemului poate fi foarte utilă pentru studiul acelor soluţii, mai ales duc, dacă facem u = s, la egalităţile: X1k
(s, t)
=
X11k (s, s,
t) .
•
şi soluţiile că {29) ne
l
CAPITOLUL XIII
PROCESE STOCHASTICE ÎN GENERAL Pentru a exprima evenimentele şi probabilităţile care intervin într-un lanţ Markov simplu şi discontinuu, trebuie să probabilizăm, în mod adecvat, spaţiul produs al evenimentelor cîmpului de bază. O teoremă de extensiune ·a măsurii pe spaţiul-produs, suficient de generală pentru a sta la baza teoriei proceselor stochastice, a fost dată în 1949 de C. Ionescu Tulcea. · Procesul stocbastic se prezintă, în urma acestei extensiuni, ca un cîmp de probabilitate definit pe o mulţime de funcţii adecvate procesului. Pe această schemă se pot prezenta, în mod simplu, clasificările proceselor stochastice de diferite tipuri. § 1. MĂSURI
1. indici
Generalităţi.
îN SPAŢII-PRODUS
Mulţimi-produs.
Probabilităţi
Fie X o mulţime, Sf un corp borelian de şi E mulţimea-produs
părţi
condiţionate
ale lui X, I o
mulţime
(s)
ll X, sEl
unde (s)
X=X
pentru orice s E/. Pentru o~ce parte
finită
J C I, vom nota cu Xi
mulţimea-produs
(s)
IT X sEl şi
cu Sfi corpul generat de
părţile
lui Xi de forma (s)
II A, sEl
unde
(s)
AES
e
pentru orice s j.
, ·•
de
PROCESE STOCHASTICE JN GENERAL -I
O parte a lui E de forma pr; (&,) *, unde B E§i se numeşte cilindrică. Să notăm cu e mulţimea tuturor părţilor cilindrice ale lui E. Mulţimea e este o· algebră booleană. Corpul borelian generat de e va fi notat cu ~,r. Se demonstrează cu uşurinţă că
{;;j (B) IB E
~j }·
este un corp borelian de forma
conţinut
în corpul 8JC
şi că
este generat de
părţile
lui E
(s)
Il A, s
EI
unde
pentru orice s E/
şi (s)
A=X -1
dacă
se J;. vom nota acest corp borelian prin pr;(Sfi).
Fie P o funcţie definită pe e cu pţoprietăţile. 1° O P (A) P (E) = 1 pentru orice A Ee, 2° P (A U B) = P (A) + P (B) dacă A, B Ee şi A n B = (/), 3° P ( U A;) = l:: P (A;) * * pentru orice familie (A;), e a, numărabilă de-
, r
şi i >, n. În particular, rezultă atunci că , r
pentru ·orice i; deci , R (x0 ; i
de
+ 1)
O, I, .. .. Fie R (x0 ; oo)
Ţinînd seamă
egalităţile
(3),
= lim
1, ➔ f»
R (x0 ; i).
obţinem
~x dP (x.) P (x0 ; co) :;;,. r. Urmează că există
astfel încît
un Xo
eX
pentru care
R (x0
;
oo)
>r;
387
PROCESE STOCHASTICE 'IN GENERAL
deci
pentru orice i = O, 1, ... Să presupunem acum că am determinat şirul (x;)i~;r
> j, şi să căutăm un punct R (XXn+t ; i) > r
Xn+i pentru care
0, ••• ,
pentru orice i Fie
= n + 1, ... R (xo, ... , Xn+i
Din
.relaţiile
;
00)
= lim.
i ➔ oo
R (xo, ... , Xn+t ; i).
(2) deducem
~x P(:i:0, ••• ,
z. ; dx.+,) R (:ii., •••, z.+1 ; oo) >- r.
Raţionînd ca mai sus, vom obţine punctul xn+t căutat. Vom determina astfel din aproape în aproape şirul z = (xn)o~" A 2 :J ... :J An :J ... de Să presul?unem că
mulţimi
inf P (A;)= r-> O.
l~i' E P~fJ P;y = . l➔oo m, f;;;( flE/
i=l
1 m;
m;
1 (m;+ii
E p:~' = lim -m; E p~ + lim E m; i= m; I-
lim -
i➔oo
1 m; ) E E Pafl ( l➔oo f3E/ m
lim
i➔ oo
/=l
13
1
i➔ oo
1
P~y ~
n
)
E JJ!ifl /=l
=
llay •
Aşadar, familia (llay)-,e1 este o repartiţie staţionară pentru orice ex EI. Deci„ în cazul considerat există repartiţii staţionare. Este interesant să observăm că pentru orice repartiţie staţionară (p.,)-,er există o familie (ca)ae1 de numere O pentru care
>
şi
E Ca Ilay = P., (y e/). uEI
Într-adevăr, să
presupunem
Atunci
şi
deci
EP-r Il-,a =Pa• YEI
Dacă luăm Cy =py'
obţinem
E c-,
llya.
= Pa •
yE/
Din rezultatele precedente şi numai dacă
rezultă că există
o
singură repartiţie staţionară dacă·.
pentru orice y', y" şi ex. b) Fie acum pn (x, A) o funcţie definită pe produsul R x ~ pentru orice n„ cu proprietăţile 1°, 2°, 3° enumerate. Prin urmare, _ 1* pn (x, A) este măsurabilă B ca funcţie de x pentru orice A E& ; 2* pn (x, A) este o probabilitate pe ~ pentru orice x ER; 3* pm+• (x, A)
=
~R
pm (x, dy) P" (y, A) pentru orice n
şi
m.
-400
TEORIA
PROBABILITAŢILOR
CU
APLICAŢII
Să numim, prin analogie cu· punctul . a), repartiţie .bilitate Q definită pe âi, care verifică egalitatea
staţionară,
orice proba-
/
Q (A) :._ ( Q (dx) P" (x, A)
)R
pentru orice A E&, Să punem
şi
n. l
m
m
BP m
11 (x, A)= -
.
1
(x, A)
j=l
·şi să
că există
presupunem
un
subşir
(mj)t~i O,
deoarece Dar
10 -
1
e[k -
1, k - 1 + m];
deci 't
(xo) E {x/
[fk-1 (x)
sup
k-l~l' O}.
Aşadar x 0 E Y. Fie acum x 0 E Y; atunci
t (x 0 )
E {x/
sup
k-l~l' O},
deci fk-1 {t (xo))
Dar
nE [k-1, k-1 + m].
(t (x0))
> O.
Urmează că
fk (xo) şi
+ ... + fi~
+ ... + fi~+1 (x0) > O
/0 + 1 E [k, k + m]. Aşadar, x0 EX şi deci X = Y. . Definiţie. O parte A E 81{ este invariantă pentru 't 't'
Este evident
că dacă
(A) =-A.
A este invariantă, atunci t (A) CA.
într-adevăr, t (A)= t {t-1 {A)) G A.
dacă
406
TEOIUA PROBABILITAŢILOR CU APLICAŢII
Urmează că -,;" (A) CA
e
pentru orice n ]'f. P r o p o zi ţ i a 3. Fie A E �f o parte invariantăşi să presupunem că 1
li
n
1_1
•
sup - EJ(-r;' (x))
dacă X
e A.
1, O.
(eu)= (X;+1)iEN
11
(eu)
= (X;+n) iEN
TEOREME ERGODICE
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -411 Este
uşor
văzut că
de
(6)
. pentru orice A Ecm. Este suficient să demonstrăm relaţia (6) în cazul cînd A este o · · mulţime cilindrică, întrucît mulţimile cilindrice formează un sistem de generatori ai corpului. Dar * 't-1 ( rr A;)= rr Ai, iEN
iEN
unde Ai= R dacă i = O şi A;= A;_ 1 dacă i >, 1; deci -r-:-1 < rr A;) iEN
şi
eim
deci
pentru orice A Eim. Fie acum P0 o probabilitate complet aditivă definită pe {E, ~1f, P 0} este un cîmp de probabilitate complet aditiv. P r o p o z i ţ i a 5. Dacă ot) P 0
IT A;)
(
-1
=
iEN
pentru orice
cm. Atunci obiectul
fI P0 (pr; (A;))
iEN
mulţime cilindrică
IT A;
şi dacă
iEN -1
-)
~) P 0 (pr 1 (x)) = P 0 (pr; (x)) pentru orice i EN,j EN şi X Eci\ 1 , atunci y) P 0 (-r-1 (A))= P0 (A) pentru orice A Dacă A Eci, este o parte· invariantă, atunci 8) P 0 (A) = O sau I.
Ecm.
Este suficient să demonstrăm egalitatea y pentru orice mulţime A din cea mică algebră booleană care conţine mulţimile cilindrice IT A;. Dar este iEN mulţimea tuturor reuniunilor finite disjuncte de mulţimi cilindrice. Deci este suficient să demonstrăm egalitatea y pentru orice mulţime cilindrică Il A;.
e
mai
e
.
~N
Atunci ..
-1
P 0 ( II A;)= II P 0 (pri (A;)) iEN
*
=
iEN
(x.)1-er E TI Ai -+ x 0 E R, x; E A;_1 '
dacă
i ~ O;
aşadar,
iEN
n
Xo+1 E Ao şi Xi+1 EA; dacă i?:,-1-+ (.t'i+ViCNE A;; deci, "" iEN
{x;)iEN E ..- 1
Reciproc, dacă
x;+ 1 EA; pentru i ~ O
= (x;)iElE r şi,
1
(
(irN A;),
prin urmare, x; E A;_1
TI
iEN
A;) .
atunci -. dacă
()
i~1
şi
=
{x;+ 1)iEI EirN A;; aşadar,
X; E R; deci,
E TI Ai. iEN
412
PROBABILITAŢILOR
TEORIA
CU
APLICAŢII
şi -1
P0 ('t-1 ( IT A;)) - P0 ( II A;) iEN
iEN
-1
=
iEN*
ceea ce
/
iEN
-1
-1
= II
Po (R) IT P0 (pr; (A;-1))
= II P0 (pr; (Ai)) =
P0 ((pr;_ 1) (A;_1)) =
iEN•
IIP0 (pr; (A;)),
iEN*
arată că
P0 ( Il A;) iEN
pentru a demonstra
că dacă
A
iEN
E&, este
invariantă,
atunci
= O sau I,
P(A)
este suficient
= P0 (t-1 ( Il A;))
să arătăm că
n Y) = P
lim P0 (t-n(X)
0
(X) P0 (Y)
n ➔ oo
pentru orice mulţimi X şi Y care sînt reuniuni finite disjuncte de mulţimi cilindrice; deci este suficient să demonstrăm egalitatea precedentă pentru mulţimi cilin-drice X şi Y. Fie deci · X= II X; iEN
şi
Y= Il X;. iEN
Fie n ~ O, astfel incit Y; = R
dacă t-n
(X)
i
~
n. Avem
= Il
X;,
iEN
unde
xo =
X1
= ... =
=
R
(t-m (X)) P0 (Y)
=
X"·- 1
şi
dacă
i ~ n. Deducem atunci imediat P 0 (t-m (X)
dacă
m~n
şi
n Y) = P
0
că
P 0 (X) P0 (Y}
deci lim P0 ('t-m (X) n ➔ oo
Propoziţia este deci demonstrată.
n Y) = P
0
(X) P0 (Y).
TEOREME ERGODICE
413
P r o p o z i ţi a 6. Dacă ipotezele (X) şi ~) sînt verificate şi dacă adQ (a)
~R .
-1
există,
unde Q(A)
= P0 (pr; (A))
pentru orice A E~ 1, atunci
(
şirul
J n ) -Epr1
„
J-1
l~n·:
li ~m_-S11_,< 1.
,.
(l şi
Fie T un operat~;~\· E
!·B\(A) , {xlX_(x) . A•. x} '..
r
este o valoare proprie a operatorului T dacă i.:".r
~;!.J~:L!f'.- .t:--·•;:1: ~.,.r:~::ur~1rlf Ir_
-
~-
.
j-,•:, ".:
;
,,-\
•.
B(A)~{O}.
Mulţimea B(A) este· ispaţiul !propriu al- valoni· xr Dacă B ()i) este de dimensiune p, spunem că A este o valoare proprie de multiplicitate p. Dacă ]J(A) ţ~ţţ._d~, dµµ_~n~~~~~--infinită, sp~n~~: ~~- \e~te_ o__ val~~~e ~!oprie __~~- ~~lt~~litr~~e· -~rif~~~ţ.: :. , .,!. •
•
•
.~ ~
"J 0
,-,/
;
•
•
I
• /
••
0
'
~
•
,
.;
!. 12j:
..
J •
I
...
• •
O
•
_.'
•
•
.,
O
•
~
#
~
.;. •'
Â,
:.,t~~ilria.- ergriili~ă->unii~ririf -··,, 'J
• > •
-
•
•:
••
şi
o
constantă
C pentru care.,
~;. ~,., ~ ~,-•::,1-:
pentru orice n. 27-2029
rj
h
: ..
'~••';..'.,.
',_· \
•
-
·_,1.
liT".ll 1.
n
E
Ti
j=l .
Se vede imediat
că
şi
Iim li Tm O Tn ~.Tn n ➔ oo
U= O.
Să observăm că· dacă
D= Tm-s,
atunci V= (I-Df1 SV+ (l-Df 1 (V.TmV)
(4)
pentru orice operator V. într-adevăr,
şi
deci (l-D) V= SV+ (V-TmV).
Deoarece 11 Dl I· < 1, operatorul (/ - Dt1 acest operator obţinem
există şi înmulţind
ultima egalitate cu
Y= (I-Df1 SV + (I-Df.1 (V-Tm V), .adică
egalitatea (4). Din egalitatea (4) deducem că, oricare ar fi ~ EE, şirul (in(x)h~ n< 00 conţine un subşir Cauchy. Este suficient să luăm în egalitatea (4) ·,
şi să observăm că
este compact
operatorul
şi
lim (Tn - T0 Tn)
.n ➔ CIO
Teorema 1.
converge spre o
= O.
Şirul
limită
T rs, (x) pentru orice ~ E E, T 00 . este un operator şi
Teo oT= ToToo
=
Trs,
o
Too
=
Trs,,
li Teo li~ C.
. 419
· TEOREME ERGODICE
Să
arăta că
începem prin a
= O;
'Jim Tn: (x) n ➔ oo
dacă X
Fie deci x
E(/ - T) (E)
şi
E(I-TJ(E).
y E(/ - T) (E) , astfel încît
li X -y 11 ·-< ~ C
Atunci
li Tn (x) li
•
-< + li Tn (y) li e;
şi
=
Tn (y) dacă
y
= z - T (z).
'În (z)-Tn (T(z))
Dar.
lim (Tn (x)-Tn (T(z)))
=O
n ➔ oo
şi
deci .
= O.
lim T„ (y) n ➔ oo
Cum e este arbitrar,
,_
rezultă ·că
1im Tn (x)
= O.
n➔ao
Fie acum x E E; din şirul (Tn (x)) 1 ~n~oo să (Tn/x)h~J ~ 00 convergent _şi să punem T 00 (x)
extragem
un · subşir
= n➔ lim Tn. (x). oo .I ·
Atunci rezultă
Tn (x) şi
deci pentru
a
=
Trr, (x)
+ Tn (x-Trr, (x))
arăta că
lim Tn (x)
=
T oo (x)
n ➔ oo
este suficient
să arătăm că
Jim Tn(x -- T00 (x))
= O;
n ➔ «J
pentru aceasta este suficient
să arătăm că
·
.x - T 00 (x) ( / - T) (E).
(S)
4.:.::2:.:@_ _ _ _ _ _ _ _T_E_o_R_IA_P_R_0__ Btt-,-8_1_i1._m_TliI:,_1_O_m_,m_·_A_P_L_Ic_A_T_I1__________
Dar,
=
x-T= (x\= lim (l--_Tn.) (x) .t
jlJ~ :'°\ [. lll
..
;:...•
. = !i~ (I şi
deci
relaţia
Tt ' .: + ¼T"r1)
evidentă. Ji-A·i h'ti,.:. '., ?..
(5) este
Aşadar,
+, :j,~i\ I
T) ( l
__ 1, '.
lim Tn (x)
pentru orice X Deducem
.\
i:
(X) i·.;'.;L ~i1
i11 ·:\ H, --~ \;; :•
= . T= (x)
.! .
,t-+,t:t:,
/
"f.
e E. că
Demonstrarea
T este un operatote. şi \·;; "\ :. • i 1_, . li TCi) li ~ C. egalităţilor
To T00 o lăsăm în seama cititor~ui., Teorema 2. Pentru orice astfel încît şirul
\ ' •'- · -· 1 :. ! , ·\
= TCi) o T ~ T 1 1 1 :.
,
n
nCi
#
!~
(_ :_) . ·\
o
00
T=
=
ToaJ;(l .(::.l"\ --·:. ·:-,:-:
__ 1 -1 , ,.·r ; mi: complex A (I A f:::..:. 1)
Ti(~} )·y )J
1
există
un operator TA., t:.i:.,b [.,
obţinem
T1 (x)
= ~(x)
z.
427
TEOREME ERGODICE
Exerciţii
1) Fie to aplicaţie a lui E în E care are 1° t' (A) E ~ pentru orice A; 2° _!._
Să
n
se arate
t
j=l
P(t' (A))
~ P (A) pentru
că dacă / Ef 1(E, ~. P),
proprietăţile:
orice n
atunci
şi
şirul {;
A
t
EtiIC. fo
~I)
converge aproape
peste tot şi în medie de ordinul întîi spre o funcţie Î E f 1 (E, 8JC, P) . 2) Fie (/; )1 ~i < co un şir staţionar de variabile aleatoare din f,P (E, ~, P).
Să· .se arate că şirul {.!. i:, /;) converge în · n i=l 1~n