Generarea variabilelor neuniforme

Curs 7
January 26, 2014
Generarea unor variabile discrete
1. Probe Bernoulli

Fie A un eveniment aleator observabil cu probabilitatea de

realizare constanta p = P(A) > 0.

In urma unui experiment e se realizeaza A, e se realizeaza
evenimentul contrar lui A,

A.

Un astfel de experiment se numeste proba Bernoulli.

Presupunem ca atunci cand se realizeaza A are loc un succes,

iar cand se realizeaza

A are loc un esec.

Asociem unei probe Bernoulli variabila aleatoare Z a. Z = 1

n caz de succes si Z = 0 n caz de esec:
Z :
_
0 1
q p
_
(1)
unde q = 1 p. Observam ca
E[Z] = p, Var [Z] = pq = p(1 p).
Funct ia de repartit ie a variabilei Z este:
F(x) =
_

_
0 adca x < 0
q adca x [0, 1]
1 adca x > 1
De aici rezulta urmatorul algoritm de generare a variabilei aleatoare
Z prin metoda inversa, cazul discret.
Algoritm Bernoulli
Intrare: p, q = 1 p;
P1: Se genereaza U U(0, 1);
P2: Daca U q atunci Z = 0, altfel Z = 1;
Iesire: Variabila aleatoare Z.
2. Repartit ia binomiala
Fie X o variabila aleatoare discreta, n N

, p [0, 1]. Atunci X

are o repartit ie binomiala Binom(n, p) daca
X = nr. de succese n n probe Bernoulli independente
Observam ca:
X =
n

i =1
Z
i
, (2)
unde Z
i
, i = 1, ..., n sunt variabile Bernoulli independente.
Funct ia de probabilitate a repartit iei binomiale este:
P(X = x) =
_
n
x
_
p
x
q
nx
, x = 0, 1, ..., n.
Adica P(X = x) este termenul general al dezvoltarii binomului
(p + q)
n
de unde deriva si denumirea de repartit ie binomiala.
Funct ia caracteristica a variabilei binomiale este:

X
(t) = E[e
itX
] = E[e
it

n
j =1
Z
j
] = (q + pe
it
)
n
.
de unde rezulta ca:
E[X] = np, Var [X] = npq
Din (2) rezulta urmatorul algoritm de generare a variabilei X:
Algoritm Binom1
Intrare: n, p
P1: i = 1, X = 0;
P2: Se genereaza Z
i
Bern(p), X := X + Z
i
;
P3: Daca i = n stop, altfel i := i + 1, mergi la P2;
Iesire: Variabila aleatoare X.
O alta metoda de generare a variabilei binomiale rezulta din
teorema limita centrala: pentru n variabila:
W
n
=
X np

npq
este repartizata normal N(0, 1). De aici se deduce urmatorul
algoritm pentru n mare:
Algoritm Binom2
Intrare: n, p
P1: Se genereaza W N(0, 1);
P2: Se ia X = cel mai apropiat nr. ^ntreg de
np + W

npq;
Iesire: Variabila aleatoare X.
3. Repartit ia Pascal
Fie X o variabila aleatoare discreta, k N

, p [0, 1]. Atunci X

are repartit ia Pascal (k, p) daca:
X = nr. de esecuri pana la aparit ia a k succese dintr-un sir
oarecare de probe Bernoulli independente.
Observat ie
P(X = x) =
_
x + k 1
k 1
_
p
k
q
x
, x = 0, 1, 2, 3, ...
este termenul general al dezvoltarii n serie al expresiei p
k
(1 q)
k
(de aceea repartit ia Pascal se mai numeste si repartit ia binomiala
cu exponent negativ).
Dem:
1
1 + x
= 1 x + x
2
x
3
+... + (1)
k
x
k
+...
_
1
1 + x
_
(r )
=

k=r
(1)
k
k(k 1)...(k r + 1)x
kr
=
=

j =0
(1)
r +j
(r + j )!
j !
x
j
(3)
Dar
_
1
1 + x
_
(r )
=
(1)
r
r !
(1 + x)
r +1
(4)
Din (3) si (4) rezulta ca:
(1)
r
r !
(1 + x)
r +1
=

j =0
(1)
r +j
(r + j )!
j !
x
j
Notand r + 1 cu n avem:
(1 + x)
n
=

j =0
(1)
j
_
n + j 1
j
_
x
j
(5)
Notand
(1)
j
_
n + j 1
j
_
=
_
n
j
_
avem urmatoarea dezvoltare n serie a binomului cu exponent
ntreg negativ:
(1 + x)
n
=

j =0
_
n
j
_
x
j
.
Acum aplicam (5) pentru p
k
(1 q)
k
:
p
k
(1q)
k
= p
k

j =0
(1)
j
_
k + j 1
j
_
(q)
j
=

j =0
_
k + j 1
j
_
p
k
q
j
.
Observam ca termenul j al acestei dezvoltari n serie este tocmai
funct ia de probabilitate a unei variabile Pascal (k, p), calculata n
punctul j .
Repartit ia Pascal este stabila si:
E[X] =
kq
p
, Var [X] =
kq
p
2
.
Din denit ie rezulta urmatorul algoritm de generare al unei
variabile Pascal:
Algoritm Pascal
Intrare: k, p, j=0.
P1: Se genereaza Y Bernoulli (p);
P2: Daca Y = 0 atunci X := X + 1, altfel j := j + 1;
P3: Daca j=k stop, altfel mergi la P1.
Iesire: Variabila aleatoare X.
4. Repartit ia geometrica
Este un caz particular de reparit ie Pascal: k = 1. Atunci funct ia de
probabilitate devine pentru k = 1:
P(X = x) = pq
x
, x = 0, 1, 2, ... (6)
care este termenul unei progresii geometrice (de aici provine si
denumirea acestei distribut ii). Observam ca:
F(x) = P(X x) =
x

i =0
pq
i
= 1 q
x+1
, x = 0, 1, 2, ...
si
E[X] =
q
p
, Var [X] =
q
p
2
.
Simularea variabilei geometrice se poate realiza e prin aplicarea
algoritmului de generare a variabilei Pascal, e prin metoda inversa
astfel:
Algoritm Geometrica
Intrare: p, q = 1 p;
P1: Se genereaza U U(0, 1);
P2: X :=
_
log U
log q
_
1.
Iesire: Variabila aleatoare X.
unde [a] reprezinta partea ntreaga a lui a.
5. Repartit ia hipergeometrica
Consideram urmatorul experiment aleator: e o urna care cont ine
A bile albe si B bile negre, cu A + B = N. Presupunem ca se
realizeaza n extract ii, fara ntoarcerea bilei extrase n urna. Atunci:
X = numarul de bile albe extrase
este o variabila hipergeometrica.
Fie E
A
evenimentul care consta n extragerea unei bile albe, iar E
B
evenimentul care consta n extragerea unei bile negre. Atunci la
prima extragere avem:
p = P(E
A
) =
A
N
, P(E
B
) =
B
N
Probabilitat ile de extragere a unei bile albe sau negre la a doua
extragere sunt condit ionate de rezultatele primei extrageri:
P(E
A
|E
A
) =
A 1
N 1
, P(E
A
|E
B
) =
A
N 1
P(E
B
|E
A
) =
B
N 1
, P(E
B
|E
B
) =
B 1
N 1
La ecare extragere compozit ia urnei se modica si probabilitatea
de a extrage o bila alba sau neagra depinde de extragerile
anterioare.
Variabila hipergeometrica se noteaza cu H(N, p, n) cu 0 < p < 1,
n < N. Atunci A poate considerat cel mai apropiat nr. ntreg de
Np, B = N A. Probabilitatea ca n extrageri succesive fara
ntoarcere sa se extraga x bile albe este:
P(X = x) =
_
A
x
__
B
nx
_
_
N
n
_ , 0 a n, n < N. (7)
Media si dispersia variabilei hipergeometrice sunt:
E[X] = np, Var [X] = np(1 p)
N n
N 1
.
Din denit ie rezulta urmatorul algoritm de generare a variabilei
hipergeometrice:
Algoritm Hipergeometrica
Intrare: A, B, n, N = A + B, p = A/N, j := 0, X := 0;
P1: Se genereaza U U(0, 1);
P2: Daca U < p (s-a extras o bila alba) atunci mergi
la P3, altfel (s-a extras o bila neagra) mergi la P4;
P3: X := X + 1, S := 1, mergi la P5;
P4: S = 0;
P5: N := N 1, A := A S, p :=
A
N
;
P6: Daca j = n stop, altfel mergi la P1.
Iesire: Variabila aleatoare X.
6. Repartit ia Poisson
Variabila aleatoare discreta X N are repartit ia Poisson(), > 0,
daca:
P(X = x) =

x
x!
e

(8)
Funct ia caracteristica a variabilei Poisson() este:

X
(t) = e
(e
it
1)
De aici rezulta ca:
E[X] = , Var [X] = .
Repartit ia Poisson() este folosita pentru a modela numarul de
evenimente care apar ntr-un interval de timp. Parametrul
reprezinta numarul mediu de evenimente dintr-un anumit interval
de timp.
Lema
Daca E
1
, E
2
, ... sunt variabile aleatoare repartizate Exp(1) si X este
cel mai mic ntreg astfel ncat
X+1

i =1
E
i
> (9)
atunci variabila X este repartizata Poisson().
Dem:
Din condit ia care se pune asupra lui X rezulta ca daca X = k,
atunci are loc

k+1
i =1
E
i
> si nu are loc

k
i =1
E
i
> . Prin
urmare:
P(X = k) = P(
k+1

i =1
E
i
> )P(
k

i =1
E
i
> ) =
_

f
k+1
(y)dy
_

f
k
(y)dy,
unde f
k
(y) este densitatea unei variabile aleatoare Erlang(k).
Rezulta ca:
P(X = k) =
_

_
1
k!
y
k
e
y

1
(k 1)!
y
k1
e
y
_
dy =
=
1
k!
__

y
k
e
y
dy k
_

y
k1
e
y
dy
_
.
Daca integram prin part i prima integrala obt inem:
P(X = k) =
1
k!
_

k
e

+ k
_

y
k1
e
y
dy k
_

y
k1
e
y
dy
_
=

k
k!
e

Tinand cont ca variabilele E

i
sunt exponent iale Exp(1) si ele pot
generate prin metoda inversa cu ajutorul relat iei E
i
= log U
i
,
unde U
i
U(0, 1), atunci condit ia (9) se scrie:
X+1

i =1
U
i
< e

si rezulta urmatorul algoritm de generare a unei variabile

Poisson():
Algoritm Poisson1
Intrare: , i := 0, P = 1;
P1: Se genereaza U U(0, 1), i := i + 1, P := P U;
P2: Daca P e

atunci mergi la P1, altfel mergi la

P3;
P3: X := i 1.
Iesire: Variabila aleatoare X.
O alta metoda de generare pentru o variabila Poisson() se
bazeaza pe urmatoarea proprietate a variabilei Poisson():
daca Y Poisson() cu = np si n , p 0, atunci
Y Binom(n, p).
Acest lucru se poate demonstra folosind funct ia caracteristica a
celor doua repartit ii.
Algoritm Poisson2
Intrare: , se alege p 0, de exemplu p = 0.001;
P1: Se determina n= cel mai apropiat ^ntreg de /p;
P2: Se genereaza X Binom(n, p);
Iesire: Variabila aleatoare X.