Sunteți pe pagina 1din 26

Lucrarea de laborator Nr.

5
Modelarea variabilelor aleatoare discrete

Obiective:
de studiat i nsuit materialul teoretic pentru evidenierea esenialului n elaborarea modelelor;
s se elaboreze scenarii de modelare i analiza simulrii elementelor caracteristice i funciilor
de repartiii ale seriilor statistice n baza diferitor modele de reprezentare pentru propria variant
(Exemplu);
s se elaboreze modelul cu propria funcie de generare a numerelor aleatoare cu repartiia dat
conform variantei;

s se controleze prin metoda pe intervale (histogramelor) a calitii funcionrii generatorului


realizat;
s se descrie etapele si principiile de algoritmizare si rezolvare ale problemei n baza diferitor
modele de SD complexe n cele mai moderne limbaje de programare C/C++, TurboPascal;
s se aplice tehnica modelrii i programrii eficiente pentru diverse compartimente ale diferitor
situaii cu diverse modele de structuri abstracte n limbajul de programare ales.
Modelul experimental n forma programului s conin fiiere cu informaia pentru prelucrri i
teste de verificare.

Consideraii teoretice
1. Noiuni generale i definiii.
Orice disciplina stiintifica isi are metoda sa generala si particulara, iar la randul sau fiecare metoda este
legata in mod specific de un anumit obiect al cercetarii.
Obiectul constituie, in oricare din sistemele de stiinte particulare, un criteriu de baza al clasificarii stiintelor in
sistemul dat.
In toate momentele dezvoltarii sale, statistica s-a ocupat cu acele fenomene si procese care se produceau intrun numar mare de cazuri, prezentau in reproducerea lor anumite regularitati si care pot fi denumite fenomene de
masa sau fenomene de tip colectiv.
Fenomenele de masa apar ca o multime de forme individuale diferite, cu existenta distincta, dar care analizate
comparativ se constata ca au aceeasi esenta. Principala proprietate a acestor fenomene este variabilitatea in timp
si spatiu. Legea de aparitie a lor se manifesta ca tendinta ce nu poate fi cunoscuta si verificata decat la nivelul
ansamblului si nu in fiecare caz in parte.
Fenomenelor de masa le sunt specifice legile statistice, legi care se manifesta sub forma de tendinta, fata de
care abaterile intamplatoare, intr-un sens sau altul, se compenseaza reciproc.
Deci, statistica studiaza i fenomenele social-economice de masa in cadrul carora actioneaza legile statistice
si care prezinta proprietatea de a fi variabile in timp si spatiu.
Statistica studiaza aceste fenomene prin caracterizarea laturii cantitativ-numerice a fenomenelor socialeconomice, stabilindu-le dimensiunea, dinamica, intensitatea, structura.
Statistica este stiinta care studiaza aspectele cantitative ale determinarilor calitative ale fenomenelor de masa,
fenomene care sunt supuse actiunii legilor statistice.
Obiectul de studiu al statisticii il constituie miscarile curente-continue ale fenomenelor si proceselor ce-si au
existenta sub forma de colectivitati.
In functie de specificitatea obiectului sau de studiu - miscarile curente-continue, in timp, in spatiu si din punct
de vedere calitativ ale fenomenelor de tip colectiv -, statistica si-a dezvoltat o metoda particulara de investigare.
Totalitatea operatiilor, tehnicilor, procedeelor si metodelor de investigare statistica a fenomenelor formeaza
metodologia statistica .
Statistica este o ramur a matematicii aplicate care se ocupa cu extragerea informaiilor relevante din
date. Procesul de obinere a informaiei din date se numete inferen statistic referitoare la unii parametri
statistici, sau chiar intregii distribuii probabilistice. Acesta este punctul de vedere mai general adoptat de teoria
neparametric in statistic. n statistica aplicat clasic este preferat idea de a construi un model statistic cu
care se pot face inferene; n majoritatea cazurilor acest model nu este verificat, ceea ce poate conduce la

concluzii eronate. Statistica aplicat modern analizeaz ns date mult prea complexe, cum ar fi imagini sau
structura proteinelor, pentru a se putea mrgini la ideea de modelare.
Statistica urmrete, n principal, studierea fenomenelor de mas fenomene i procese ce prezint, n
producerea lor, o serie de regulariti, fiecare manifestare fiind definit de cealalt n condiii concrete de timp i
spaiu.
Din punct de vedere al scopului urmrit - n sensul caracterizarii unei populatii sau a unei subpopulatii cu
extinderea concluziilor asupra intregii populaii statistica cuprinde dou laturi:
statistica descriptiv - urmrete prezentarea informaiilor rezultate n urma colectii i
prelucrrii datelor ntr-o form ct mai expresiv, clar, concis
statistica inferenial - cuprinde o serie de tehnici metode pentru inferena asupra populatiei
generale avnd la baz informai privind un subset (eantion) desprins din colectivitatea general.
Observarea statistic reprezint prima etap a cercetrii statistice i const n culegerea datelor necesare
analizei dup un plan de observare statistic riguros stabilit.
Observarea statistic poate mbrca mai multe forme. Astfel, ea poate fi total (ex: recensmntul,
rapoarte statistice etc.) sau parial (sondajul statistic, ancheta statistic, monografia sau observarea prii
principale).
Dup culegerea datelor statistice, este necesar prelucrarea i sistematizarea acestora, pentru a putea
observa tendina de evoluie a fenomenului cercetat, legturile dintre variabilele analizate etc.
Sistematizarea datelor statistice presupune parcurgerea urmtoarelor etape:
a)
centralizarea datelor;
b)
gruparea pe intervale egale sau neegale;
c)
calculul indicatorilor ce caracterizeaz fenomenul analizat;
d)
prezentarea rezultatelor analizei (sub form de tabele, serii sau grafice).
Experimentarea modelului se poate face "in vivo" prin aplicarea modelului descriptiv sau normativ n
practica i prin constatarea eficienei sale descriptive/normative. Acest mod de experimentare se poate realiza
numai pe eantioane extrem de reduse, deoarece implic riscuri considerabile. Experimentarea modelului se mai
poate face "in vitro" prin generarea unor situaii posibile ale sistemului, denumite variante, i prin analiza, cu
ajutorul modelelor, a consecinelor acestor variante, asupra indicatorilor de eficien ai sistemului. Acest mod de
experimentare se cunoate ca simulare.
La planificarea experimentelor sunt folosite msurri intenionate din sistema studiat i se include o
valoare statistic a acestor msurri , n rezultat apar posibiliti de determinare a caracteristicilor principale ale
sistemei sau studierea influenei unui sau ctorva factori la aceste caracteristici ale sistemului.

Fig. 1 Modelul structural - funcional al statisticii de planificare a experimentelor


n figura (Fig. 1)de mai sus este prezentat modelul structural-funcional al metodei statistice de
planificare a experimentelor. Sistematizarea experimentelor prezint din sine efectuarea experimentelor
planificate bazate pe prelucrarea statistic a datelor pentru primirea evalurilor cu o precizie exact a

rezultatului. O pregtire special de a organiza i a studia condiiilor n care trebuie s fie petrecute
experimentele, are numele de sistematizare a experimentelor dar nsi planificarea se face cu scopul de
determinare a cerinelor, fa de care trebuie s se fac experimentul.
La planificarea experimentelor sunt folosite msurri intenionate din sistema studiat i se include o
valoare statistic a acestor msurri , n rezultat apar posibiliti de determinare a caracteristicilor principale ale
sistemei sau studierea influenei unui sau ctorva factori la aceste caracteristici ale sistemului.

1.1. Elemente de Statistic Matematic


Statistica matematica se ocupa de gruparea, analiza si interpretarea datelor referiotare la un anumit
fenomen precum si cu unele previziuni privind producerea lui viitoare.
Populatia statistica este orice multime definite de obiecte de aceeasi natura. Elementele unei populatii
se numesc unitati statistice sau indivizi. Numarul de elemente care constituie populatia se numeste volumul
populatiei.
Caracteristica (sau variabila statistica) a populatiei trasatura comuna tuturor unitatilor (indivizilor)
populatiei. Caracteristica poate fi cantitativa sau calitativa.
Caracteristicile cantitative pot fi discrete (sau discontinue) daca variabila statistica ia valor finite sau
continue daca variabila poate lua orice valoare dintr-un interval finit sau infinit.
Numarul tuturor indivizilor unei populatii se numeste efectivul total al acelei populatii.
Se numeste frecventa absoluta a unei valori x a caracteristicii, numarul de unitati ale populatiei
corespunzatoare acestei valori.
Se numeste frecventa relativa a unei valori xi a caracteristicii raportul dintre frecventa absoluta n i a
valorii xi si efectivul total al populatiei.

1.2. Elemente Caracteristice ale unei Serii Statistice


1.2.1 SERII STATISTICE
k

1. Media Se numeste media caracteristicii x numarul:

n x
i

i 1

, unde n i este efectivul total


i 1

x este o valoare astfel incat jumatatea valorilor x i ale esantionului sunt mai mici
2. Mediana Mediana ~
~
x .
sau egale cu x si cealalta jumate a valorilor x i sunt mai mari sau egale cu ~
3. Modulul Prin modulul (sau dominanta) unei serii statistice se intelege valoarea caracteristicii
corespunzatoare cele mai mari frecvente daca valorile caracteristicii sunt discrete si valoarea centrala a
clasei corespunzatoare celei mai mari frecvente daca variabila este continua.
4. Dispersia
2
2
2
n x x n2 x2 x ... nk xk x
v 1 1
n1 n2 ... nk
Numarul v se numeste dispersia valorilor esantionului.
Numarul v se numeste abaterea mediei patratelor.
k

v f xi xi x

i 1

v f xi xi2 x
i 1

1 k
2
ni xi2 x

n i 1

1.3. Variabilele aleatoare discrete


Definitie: vom numi variabila aleatoare o marime care n urma unei experiene poate fi o valoare dintr-o
mulime, numit mulimea valorilor posibele. Dac mulimea valorilor posible ale unei variabile aleatoare este o
mulime discreta de numere reale, atunci variavbila aleatoare este de tip discret.
Pentru a defini o variabil aleatore trebuie s cunoatem valorile pe care ea le le poate lua. ns nu e
suficient de a cunoate aceste valori, deoarece fiecare valoare se obine sub influiena unor factori ntmpltori,
unele valori pot aprea mult mai des dect altele.
Variabile aleatoare va fi mai bine reprezentat,dac vom cunoate i probabilitatea pi cu care se prezinta
fiecare valoare xi a variabilei aleatoare X.
1.3.1. Valoarea medie a variabililor aleatoare discrete
Fie X o variabila aleatoare care ia o multime numarabila de valori x1 x2 ....xn respectiv cu probabilitatile p1
p2 ........pn ,

Definitie: Daca seria pixi este absolut convergenta, atunci suma acestei serii este valoarea medie M(X) a
variabilei X.
Valoarea medie a unei variabile aleatoare discrete trebuie sa fie perfect determinata de multimea valorilor
sale si de probabilitatile cu care este luata din aceste valori.Media nu trebuie sa depinda de ordinea in care sunt
scrise valorile pe care le ia variabila. De acea in definitia data s-a pus conditia ca seria p ixi sa fie absolut
convergenta.Daca o serie nu este absolut convergenta, suma sa depinde de ordine termenilor.
Valoarea medie a variabilelor aleatoare care iau o multime numarabila de valori are proprietati anologe
valorii medii din cazul variabilelor aleatoare simple.
Daca X si Y au valorii medii, atunci:

M(X+Y)=M(X)+M(Y);

M(kX)=kM(X);

M(XY)=M(X)M(Y), daca X si Y sunt independente;


Dispersia unei variabile aleatoare discrete.
Pentru a caracteriza ct de aproape sunt valorile variabilei aleatoare de valoare medie, se folosete noiunea de
dispersie. Dispersia caracterizeaz gradul de mprtiere a valorilor variabielei aleatoare n jurul medii.
Dispersia unei variabile aleatoare discrete este prin definiia:
D2(X)=M(X-m)2=M(X2)-[M(X)] 2
Proprietaile dispersiei
1.
Dispersia constantei este egal cu zero:
D(c)=M[c-M(c)] 2=M[c-c] 2=M(0)=0;
2.
Constanta poate fi scoasa de sub semnul dispersiei, dar ridicata la patrat:
D(c*X)=c2D(X):
3.
Dispersia sumei a doua variabile aleatoare independente X si Y este egal cu suma dispersiilor lor:
D(X+Y)=D(X)+D(Y)
1.4.Caracteristici numerice asociate variabilelor aleatoare

Definitia Fie variabila aleatoare X de tip discret, avand distributia


(speranta matematica ), caracteristica numerica

Numim valoare medie

Observatia Daca variabila aleatoare X este simpla, adica are un numar finit de valori, atunci valoarea
medie exista.
Daca multimea de indici I este infinit numarabila, valoarea medie exista cand seria care o defineste este
absolut convergenta.
Exemplul 1. Fie variabila aleatoare X ce urmeaza legea binomiala, adica are distributia

Pentru a calcula valoarea medie a variabilei aleatoare X, scriem succesiv

In sirul de egalitati scrise, s-a folosit formula de recurenta pentru numarul de combinari
formula binomului lui Newton. Daca se tine seama de faptul ca

rezulta ca

Exemplul 2 Se considera variabila aleatoare X ce urmeaza legea lui Poisson, adica are distributia

unde

si

Putem scrie succesiv

deci
Propozitia Valoarea medie poseda urmatoarele proprietati:
(1)
(2)
(3) daca variabilele aleatoare X si Y sunt independente, atunci

Demonstratie. Vom considera variabilele aleatoare X si Y de tip discret cu distributiile

pentru care exista

si

(1) Scriem succesiv

de unde
(2) Daca variabilele aleatoare X si Y au distributiile, precizate mai sus, atunci variabila aleatoare
are distributia

Prin urmare, avem ca

Tinand seama de Observatia 3.24, se obtine ca

(3) Avand in vedere ca variabilele aleatoare X si Y sunt independente, se obtine distributia variabilei
aleatoare produs

Asadar, putem scrie sucesiv

adica
Observatia . Daca in propozitia precedenta, la punctul (1) se ia
, atunci se obtine ca valoarea
medie a unei constante este constanta insasi, iar punctele (2) si (3) se pot extinde pentru un numar finit
de variabile aleatoare.
Definitia . Numim valoare medie (speranta matematica) pentru variabiala aleatoare X de tip continuu,
caracteristica numerica

Exemplul 3. Fie variabila aleatoare X ce urmeaza legea uniforma pe intervalul


densitatea de probabilitate

, adica are

Valoarea medie a variabilei aleatoare X va fi

Exemplul 4. Daca variabila aleatoare X urmeaza legea normala


probabilitate

Pentru aceasta variabila aleatoare, facand schimbarea de variabila

, atunci are densitatea de

avem ca

A doua integrala este zero, deoarece functia ce se integreaza este o functie impara, iar intervalul de
integrare este simetric fata de origine. Prima integrala se cunoaste ca este

. Prin urmare avem ca

Propozitia Valoarea medie poseda urmatoarele proprietati:


(1)
(2)
(3) daca variabilele aleatoare X si Y sunt independente, atunci
Demonstratie. (1) Daca notam prin

atunci, conform Aplicatiaiei 3.69, avem

Putem scrie, prin urmare, ca

de unde prin schimbrea de variabila

se obtine succesiv

deci
(2) Daca notam prin

care are densitatea de probabilitate

probabilitate a vectorului aleator

o notam prin

, atunci

Facem schimbarea ordinei de integrare, iar apoi efectuam schimbarea de variabila


si obtinem

deci

.
(3)

Se arata in mod analog ca relatia de la punctul precedent.

Definitia . Numim dispersia (variatia) variabilei aleatoare X, caracteristica numerica

, iar densitatea de

iar caracteristica numerica

se numeste abatereaa medie patratica (abatere standard).

Prpozitia Dispersia satisface urmatoarele proprietati


(1)
(2)
(3) daca variabilele aleatoare X si Y sunt independente, atunci

Demonstratie.
(1) Avand in vedere proprietati ale valorii medii, putem scrie succesiv

(2)

Se procedeaza analog si se obtine

(3)

Deoarece vriabilele aleatoare X si Y sunt independente, rezulta succesiv

Observatia Deoarece
folosind (1), avem ca
se obtine ca dispersia unei constante este zero.

, iar din (2), considerand

Exemplul 5 Fie variabila aleatoare X ce urmeaza legea binomiala, adica are distributia

Pentru a calcula dispersia variabilei X, folosim formula


Ramane sa calculam valoarea medie

. Se stie ca

Pentru aceasta avem succesiv

Ultima suma este chiar


iar cealalta suma se calculeaza aplicand de doua ori formula de recurenta
pentru numarul de combinari, anume

Astfel, se poate scrie

Deoarece

rezulta ca

si drept urmare avem


,

deci
Exemplul 6. Daca variabila alatoare X urmeaza legea normala
porbabilitate

, atunci are densitatea de

iar valoarea medie este


Folosind definitia dispersiei, se scrie

Pentru calculul integralei facem schimbarea de variabila

si vom obtine

Pentru ultima egalitate am avut in vedere ca functia ce se integreaza este functie para, iar intervalul de integrare
este simetric fata de origine. Mai efectuam schimbarea de variabila

Dar se stie ca

arfel ca

ceea ce conduce la

Definitia

Numim moment (initial) de ordin k pentru variabila aleatoare X, caracteristica numerica

Observatia 17. Pentru

avem ca

adica momentul initial de ordinul intai este chiar vloarea

medie. De asemenea, avem ca


Definitia 18. Numim moment centrat de ordinul k al varaibialei aleatoare X, caracteristica numerica

Observatia Pentru

iar pentru

avem ca

se obtine

Proprietatea Intre momentele centrate si momentele initiale exista urmatoarea relatie

Demonstratie. Folosind formula binomului lui Newton si avand in vedere proprietatile valorii medii, se poate
scrie

Inlocuindu-se

si retinand extremitatile acestui sir de egalitati se obtine relatia enuntata.

Observatia In statistica matematica se utilizeaza de regula momente centrate pana la ordinul patru, pentru care
avem:

Exemplul 7. Vrem sa calculam momentele centrate ale variabilei aleatoare X ce urmeaza legea normala
. Se stie ca variabila aleatoare X are media

Momentul centrat de ordinul k se calculeaza cu formula

si are densitatea de probabilitate

Pentru calculul acestei integrale, facem schimbarea de variabila data prin relatia
.Astfel obtinem ca:

Se observa ca pentru k impar, adica k = 2r-1, functia care se integreaza este functie impara, iar intervalul de
integrare este simetric fata de origine, drept urmare integrala este zero, deci
Pentru k=2r, functia care se integreaza este functie para, deci

In aceasta integrala se face schimbarea de variabila

.Astfel se obtine

Cunoastem ca functia gamma a lui Euler este definita prin

pentru orice a > 0.

si ca verifica relatia de recurenta


rezultate putem scrie succesiv

iar pe de alta parte

Folosind aceste

In concluzie

Definitia Numim moment (initial) de ordinul

al vectorului aleator

si de asemenea numim moment (centrat) de ordinul


caracteristica numerica

Observatia 2 Prin particularizari ale lui r si s avem:


si

respectiv
si

, caracteristica numerica
al vectorului aleator

Definitia Numim corelatia sau covarianta dintre variabilele aleatoare X si Y, caracteristica numerica

Observatia Daca se aplica proprietatile valorii medii, avem ca

adica
Observatia Daca variabilele aleatoare X si Y sunt independente, atunci
deci
Definitia Numim coeficient de corelatie dintre variabilele aleatoare X si Y, caracteristica numerica

Observatia

Din Observatia 27 avem ca daca varibilele aleatoare X si Y sunt independente, atunci

De asemenea, daca
vom spune ca variabilele aleatoare sunt necorelate, ceea ce nu este
echivalent cu independenta variabileleor aleatoare.
Propozitia Coeficientul de corelatie satisface urmatoarele proprietati:
(1)

sau

(2)

daca si numai daca

Demonstartie.
(1)

S considera varibila aleatoare definita prin

Astfel avem ca

pentru orice

Pe de alta parte putem scrie

pentru orice
Rezulta

ca

.
discriminantul

Prin

sau

adica
Astfel s-a ajuns la

sau

urmare,

se

obtine

ca

(2)

Consideram variabile aleatoare normate reduse

pentru care avem

si

Pe de alta parte, considerand variabilele aleatoare

Din acest sir de relatii se obtine ca


unde constantele

prin urmare

de unde rezulta ca

, dupa cum

, atunci

, respectiv

Exemplul 8 Fie variabilele aleatoare X si Y, care verifica relatia


distributia

unde

Deoarece

avem ca

pot fi determinate.

Invers, daca

de unde

dupa cum

adica

avem distributia variabilei Y data prin

Vom calcula coeficientul de corelaie dintre X si Y. Pentru aceasta avem

iar variabila aleatoare X are

si de asemenea,
Pentru a calcula dispersiile X si Y, calculam

In mod analog, avem ca


Prin urmare, obtinem ca

si in mod analog
Mai avem ca

Astfel, in final, se ajunge la

Definitia Numim mediana unei variabile aleatoare X, caracteristica numerica m, care satisface conditia

Observatia

Daca

este

functia

de

repartitie

si

variabilei

aleatoare

X,

atunci

Prin urmare, conditia din definitia medianei

se poate pune sub forma echivalenta

Ca o consecinta a acestei scrieri, avem ca daca F este continua, atunci mediana m este data de ecuatia

Observatia
ecuatie

Madiana unei variabile aleatoare poate avea o infinitate de valori, in cazul in care dreapta de
si curba de ecuatie

interval, sa zicem

au in comun un segment, deci graficele acestora coincid pe un

. In acest caz, de regula, se ia

Definitia Numim valoare modala sau modul variabilei aleatoare X, orice punct de maxim local al distributiei
lui X (in cazul discret), respectiv al densitatii de probabilitate (in cazul continuu).
Observatia Dcaa exista o singura vloare modala pentru variabila aleatoare X, vom spune ca aceasta este
uninominala, iar daca exista doua sau mai multe valori modale o numim bimodala, respectiv plurimodala.

Definitia Numim asimetria variabilei aleatoare X, caracteristica numerica definita prin

Observatia Daca variabila aleatoare X urmeaza legea normala


lege unimodala, daca

, atunci

De asemenea, pentru o

, atunci ordonata maxima a disributiei corespunde unei abcise mai mari decat

valoarea medie, iar daca

fenomenul este invers.

Definitia Numim exces al variabilei aleatoare X, caracteristica numerica data prin


Observatia Daca variabila aleatoare X urmeaza legea normala
lege unimodala, daca

, atunci

De aseaenea, pentru o

atunci graficul distributiei are un aspect turtit, in raport cu legea normala, si se

numeste platicurtica, iar daca


care se numeste leptocurtica.

, atunci are un aspect ingustat (ascutit), in raport cu legea normala, caz in


Functia de repartitie

DEFINITIE Pentru orice variabila aleatoare

, de numeste functie de repartitie a lui

functia

.
OBSERVATIE Din definitie, se observa, ca daca
este o variabila aleatoare discreta, atunci
de suma tuturor probabilitatilor valorilor lui
situate la stanga lui .

EXEMPLU 9 Fie

este data

. Atunci, conform definitiei :

.
Expresia

se numeste salt al functiei

in punctul

si se poate observa ca:

.
PROPOZITIE Daca
orice

este o variabila aleatoare discreta si

functia de repartitie a acesteia, atunci pentru

doua numere date, Are loc:

1)
2)
3)
4)

.
Demonstratie. Fie
,

1)
2)

si

. Ca urmare a proprietatilor probabilitatii , se poate scrie ca:


,
,

3)

adica tocmai afirmatiile din propozitie.


PROPOZITIE Daca
este functia de repartitie a variabilei aleatoare
este nedescrescatoare).

, atunci

Demonstratie. Din propozitia 1.:


,

, adica

Fig. 2 Modelul structural - funcional al generrii numerelor pseudoaleatoare i a proceselor stochastice


Generarea numerelor pseudoaleatoare i a proceselor stochastice

Cu o repartiie dat

Concepte splitorialeGenerarea
unei succesiuni
Generarea
unor
aleatoare

Cu o repartiie
uniform

variabile

stochastic

1.6.

s.con
ime
izoba
izotr
par
s.cat
deni
diio
ritat
opita

diii

Con

ial
en
stat

tate
at
lung

ient

bari

orie
legat
ntat
neor

Generarea numerelor pseudoaleatoare cu o repartiie uniform

Pentru modelarea proceselor complexe este necesar s se genereze una sau mai multe secvene de
numere pseudoaleatoare. Modelele matematice ale sistemelor tehnice mari (STM) vor contine
obligatoriu informatii despre caracterul aleator al proceselor din sistem. Simularea fenomenelor
intimplatoare care au loc intr-un sistem real se bazeaza pe teoria probabilitatilor si se
realizeaza cu ajutorul asa numitelor generatoare de numere aleatoare
Functia de repartitie corespunzatoare unei variabile aleatoare de tip discret se numeste functie de repartitie
de tip discret.
Proprietati ale functiei de repartitie atasata unei variabile aleatoare:
1) x1, x2 R cu x1<=x2 implica F(x1)<=F(x2) (F este nedescrescatoare);
2) Functia de repartitie este continua la stinga F(x)=F(x-0);

stoc
ispl.
plito
rior
raii
tispl
zy
stoc

orat
mult
subs
sub.
inte
ope
mul
s.fu

cu
fr
difer
sum
reve
reve
ena
a2
a1
nire

eniu
dom
inii
eniu
al
s.col
final

dom

asar

ii

oten

depl

e
rela
titat

iden

alen

echiv

echip

e litic

mor
tate

izar
Ana

Mece
egali

e Fizi

nual

te Ma

Mix

ve

cati

tipli

ive
Mul

Adit

legat

niii

Defi

diii

erii
Con

ativ ode
Pro
e
cede
Crit
e

apro
rii
xim Met

oda
nulu
Met
dire
i
oda
ct
Met
resp
ode
inge

oda
Met
jobe

Met

dependente

3) F(-oo)=0 iar F(oo)=1;


4) Pentru orice doua numere reale a < b au loc egalitatile:
P(a<=y<b) = F(b) - F(a)
P(a<y<b) = F(b)-F(a)-P(y=a) = F(b) - F(a+0)
P(a<y<=b) = F(b)-F(a)-P(y=a)+P(y=b) = F(b+0)-F(a+0)
P(a<=y<=b) = F(b)-F(a)+P(y=b) = F(b+0)-F(a);
5) F(x) este continua intr-un punct a daca si numai daca P(y=a)=0.
Definitia. Fie F(x) functia de repartitie a unei variabile aleatoare y. Daca exista o funtie pozitiva f(x),
integrabila pe R, cu proprietatea ca pentru orice x din R este verificata egalitatea:
F(x) = f(x)dx
atunci f(x) se numeste densitate de repartitie sau densitate de probabilitate a variabilei aleatoare y.
Functia de repartitie ca si densitatea de repartitie sint caracteristici complete (din punct de vedere
probabilistic) ale variabilelor aleatoare. In cazul in care ele nu sint cunoscute se pune problema introducerii
unor parametri (caracteristici numerice) care sa permita caracterizarea variabilei aleatoare respective. Vom
studia aici media matematica si dispersia.
Prin definiie, numerele pseudoaleatoare trebuie s satisfac urmtoarele condiii:
1.
s fie repartizate uniform ntr-un interval determinat, adic funcia de repartiie s nu
difere semnificativ de funcia:

0, cnd x 0;

F ( x) x, cnd x 0,1;
1, cnd x 1.

2.
s fie statistic independente (ceea ce se poate confirma sau infirma cu ajutorul testelor);
3.
s fie reproductibile (n scopul ncercrii programelor i comparrii rezultatelor);
4.
repartiia funciei s fie stabil, adic s nu se schimbe n timpul rulrii programului de
generare a irului cu ajutorul calculatorului;
5.
irul generat s aib o perioad de repetiie mare i predeterminabil;
6.
generarea irului s se poat efectua cu vitez mare i cu consum redus de memorie
intern.
Pentru generarea numerelor pseudoaleatoare se pot utiliza patru tipuri de procedee i anume:
procedee manuale;
procedee fizice;
procedee de memorizare a numerelor pseudoaleatoare;
procedee analitice.
Una dintre cele mai cunoscute metode de generare a numerelor pseudoaleatoare este algoritmul conceput de
von Neumann Metropolis, denumit i algoritmul mijlocul ptratului. Acest algoritm const n ridicarea unui
numr la ptrat i reinerea cifrelor centrale. n anul 1954 Tocher a artat c numerele generate astfel nu sunt
satisfctoare, deoarece au perioada h relativ mic i necesit timp mare de calcul.
n anul 1949, Lehmer a iniiat metodele congruente de generare a numerelor pseudoaleatoare. Aceste
metode utilizeaz teoria claselor de resturi i sunt cele mai rspndite. n anul 1966, Naylor clasific metodele
congrueniale n: metode congrueniale aditive, multiplicative i mixte.
Metodele congrueniale aditive. Se dau r numere iniiale: k1 , k 2 ,..., k r i se genereaz numere ntregi
pseudoaleatoare prin formula recursiv.
k i (k i 1 k i r ) (mod M ), i {r 1, r 2,...}
Aceast relaie se poate generaliza astfel:

ki (ki1kir1ki 1 rr 2 . ki 1 rr 2 .rs). (mod ), {1rriM 2 . rs 1; 1rr 2 . rs 2,. }

irul iniial trebuie s conin n acest caz ( r1 r2 ... r8 ) numere .


Metode congrueniale multiplicative. Se pornete de la un numr iniial k1 , o constant multiplicativ a i
de la un numr k, dat. ntregii pseudoaleatori consecutivi se obin din relaia:
k i 1 ak i (mod M ), i {2, 3,...}
Pe aceast metod se bazeaz subrutina RANDU pentru calculatoarele IBM.

Metode congrueniale mixte. Se consider dou valori ntregi constante a i c, precum i o valoare iniial
k1 . ntregii pseudoaleatori consecutivi sunt de forma:
k i 1 ( ak i c ) (mod M ), i {2, 3, ...,}
Acest metod se poate generaliza considernd r valori iniiale k1 , k 2 ,..., k r , constantele multiplicative
a1 , a2 ,..., ar i constanta aditiv c.
r

Primul numr generat se obine n acest caz din relaia: k r 1 ai k j (mod M ) .


j 1

Metoda congruenial multiplicativ este un caz particular al metodei mixte.


Numerele k i generate cu ajutorul metodelor congrueniale formeaz o secven a algoritmului de generare.
Valorile iniiale k1 , k 2 ,..., k n i constantele M , c, a1 etc. Se numesc elemente primitive.
irul de numere generate k i aparine intervalului (0,..., M 1) . Pentru a obine un ir n intervalul (0,1)
se formeaz un nou ir Z i aplicnd transfomrea:

Zi

ki
M

Dispunnd de numere Z i uniform repartizate n intervalul (0,1) se pot obine numere uniforme xi n
intervalul ( a, b) , utiliznd transformarea: X i a (b a ) Z i
Calitatea numerelor aleatoare generate se apreciaz pe baza unor criterii i anume:
uniformicitatea, adic funcia de repartiie trebuie s fie uniform
caracterul aleator al numerelor generate este necesar ca elementele primitive s ndeplineasc o
serie de condiii. Aceste condiii se pot stabiliza utiliznd teoria numerelor. De exemplu, ntre constanta
multiplicativ utilizat la metodele i modulul M trebuie s existe relaia: ( a, M ) 1
Pentru ca perioada h s fie maxim este necesar ca a s fie o rdcin primitiv a lui M.
De asemenea, numerele iniiale trebuie s ndeplineasc anumite condiii. De exemplu n cazul unei metode
congrueniale multiplicative i a utilizrii bazei de numeraie b 10 , trebuie ca numrul iniial X 0 s nu fie
multiplu de 2 sau de 5.
Generarea numerelor pseudoaleatoare uniform repartizate este analog cu generarea unor puncte
aparinnd unui interval ( a, b) adic unui spaiu unidimensional. Problema se poate generaliza pentru un
domeniu multidimensional. Cel mai simplu caz este cel al unui hiperparalelipiped cu muchiile
( ai , bi ), i 1, 2,..., n ntr-un spaiu unidimensional. Pentru a genera puncte uniform repartizate, aparinnd
acestui hiperparalelipiped, se genereaz numere xi , aparinnd intervalelor ( ai , bi ) :
xi (ai , bi ), i 1, 2,..., n .
1.7. Generarea numerelor pseudoaleatoare cu o repartiie dat
Generarea numerelor pseudoaleatoare cu o repartiie dat se efectueaz n dou etape. n prima etap se
genereaz numere pseudoaleatoare cu o repartiie uniform, iar n a doua etap se aplic un algoritm care
asigur transformarea repartiiei uniforme n repartiia dat. Acest algoritm depinde de natura repartiiei
empiric sau teoretic precum i de natura variabilei discret sau continu.
Din aceste puncte de vedere se pot aplica apte metode de generare a numerelor pseudoaleatoare cu o
repartiie dat. Iat cteva dintre ele:
1. Metoda jobenului, este recomandabil pentru acele tipuri de repartiii la care frecvena maxim este
mult mai mare dect frecvena medie. n cazul repartiiilor discrete, se calculeaz frecvenele cumulate Fi 1 i
Fi , iar apoi se genereaz numere (0,1) , uniform repartizate. Dac:
Fi 1 Fi
atunci x i este numrul generat de frecven Fi Fi 1 Fi . Prin mprirea n intervale, orice repartiie
continu teoretic se poate aproxima cu o repartiie discret, iar metoda jobenului se aplic aa cum s-a artat
mai sus.
2. Metoda direct se bazeaz pe acelai principiu ca metoda jobenului, dar se aplic mai ales n cazul
repartiiilor continue. n acest scop se genereaz numere uniform repartizate (0,1) ; numerele cu o
repartiie oarecare se obin din relaia:
x F 1 ( )
unde F 1 reprezint inversa funciei de repartiie. Evident, metoda se poate aplica numai dac aceast
invers se calculeaz uor (cum este cazul repartiiilor liniar, exponenial, Cauchy, etc.)
De exemplu, dac se consider funcia de densitate de probabilitate exponenial negativ:
f ( x) e x , 0 , atunci funcia de repartiie este:

F ( x)

f (t )dt e z dz 1 e x
0

De unde:
ln(1 )
x

iar este generat uniform repartizat n intervalul (0,1).


3. Metoda respingerii este recomandabil n cazul cnd frecvena maxim este apropiat de frecvena
medie. Pentru a aplica metoda respingerii se stabilete mai nti frecvena maxim c, adic:

c max f ( x)
x

unde f(x) reprezint funcia de densitate de probabilitate. Algoritmul de generare a numerelor


pseudoaleatoare uniform repartizate cu ajutorul metodei respingerii este:
Pasul 1. se genereaz o pereche de numere pseudoaleatoare uniform repartizate x ( a, b) i y (0, c ) .
Pasul 2. Se testeaz dac: y f (x)
- Dac da, x este numrul generat.
- Dac nu, se respinge perechea de numere generate i se reia algoritmul de la pasul 1, pn cnd se
obine irul de numere dorit.
4. Metodele specifice repartiiei date pornesc de la ideea c fiecare lege de repartiie teoretic exprim o
anumit proprietate, care poate fi reprodus cu ajutorul calculelor aritmetice i logice care se efectueaz cu
ajutorul calculului numeric. Prin folosirea acestei proprieti se pot genera numere pseudoaleatoare conform
repartiiei teoretice date. Se pot da numeroase exemple n acest sens. Unul dintre acestea se refer la generarea
unor numere respectnd legea hipergeometric, adic:

f ( x)

C ax C Nn xa
C Nn

unde: n este numrul de probe (extrageri); N numrul total al evenimentelor posibile, iar

a
reprezint
N

posibilitatea de realizare a evenimentului favorabil (p)


Un numr aleator Ri uniform repartizat n intervalul (0,1) are proprietatea de a fi mai mic dect
probabilitatea p, chiar cu probabilitatea p. Deci, evenimentul extragerea bilei albe este analog cu evenimentul
Ri p , iar evenimentul extracia bilei negre este analog cu evenimentul Ri p . n cazul realizrii
evenimentului favorabil, trebuie mrit cu o unitate numrul X al realizrilor acestui eveniment. n caz contrar,
numrul x al cazurilor de realizare a evenimentului favorabil nu se modific.
5. Metodele aproximative constau n nlocuirea pe anumite poriuni a repartiiei date, cu o lege mai simpl,
foarte apropiat de cea iniial. Ca de exemplu se poate da metoda lui Clarck pentru generarea unei variabile
beta.
n acest scop, numrul X avnd repartiia beta (de parametri 2 2 , 2 2 ) se genereaz n funcie de
valorile variabilei uniform repartizate U (0,1) , cu ajutorul urmtoarelor relaii:
U
X 4
dac 0 U 0.2825
1.64
U
X
0.4995 , dac 0.2825 U 0.47
1.876
X 0.424U 0.550 , dac 0.47 U 0.96
1U
, dac 0.96 U 1.00
3.4
n general repartiiile pot fi aproximate, pe poriuni cu legi liniare sau de gradul doi.
X 1

1.8 Generarea unei succesiuni aleatoare


n cadrul proceselor de reparaii i ntreinere o serie de activiti A1 , A2 ,..., An pot apare ntr-o
succesiune arbitrar Ai1 , Ai 2 ,..., Ain . Fiecare permutare posibil este echiprobabil. Pentru simularea
proceselor de reparaii apare astfel necesitatea de a genera iruri de astfel de succesiuni.
Algoritmul pentru generarea acestor succesiuni este urmtorul:
Pasul 1. Se genereaz un numr h {1, 2,..., n} uniform repartizat.
Pasul 2. Se consider activitatea Ah . Aceast activitate va ocupa primul loc n noua ordonare a activitilor
A1 , A2 ,..., An .
Pasul 3. Dac n h , atunci se aduce activitatea An n locul activitii Ah . Dac n h , se trece direct la
pasul 4.

Pasul 4. Se consider c numrul elementelor rmase n mulimea ce trebuie reordonat este n 1 .


Dac n 1 0 se reia algoritmul de la pasul 1, dac nu, se oprete calculul i se tiprete noua ordine (sau
se renumeroteaz).

Exemplul. Schema analizei


distribuiei binomiale

Stabilirea numrului
de experiene efectuate
n

Indicarea probabilitii
realizrii unui
eveniment
Determinarea seriei
de distribuie
binomial

Calcularea valorii
medii (Speranei
matematice) a
variabilei aleatoare

Determinarea
Dispersiei variabilei
aleatoare
Listingul programului:

#include<stdio.h>
#include<conio.h>
#include<math.h>
long factorial(int n)
{
if(n<=1) return 1;
else return n*factorial(n-1);
}
void main()
{
int n=10,i,x,y;
double p=0.8,q=1-p,prob;
clrscr();
x=5;y=8;
gotoxy(x+15,y-2);
printf("Seria de distributie binomiala cu n=10, p=0.8");
gotoxy(x,y);
printf("");
gotoxy(x,y+1);
printf(" Xj ");
gotoxy(x,y+2);

printf("");
gotoxy(x,y+3);
printf(" Pj ");
gotoxy(x,y+4);
printf("");
for(i=0;i<=n;i++)
{
gotoxy(x+6*(i+1),y);
printf("");
gotoxy(x+6*(i+1),y+1);
printf("%5d",i);
gotoxy(x+6*(i+1),y+2);
printf("");
gotoxy(x+6*(i+1),y+3);
prob=factorial(n)*pow(p,i)*pow(q,n-i)/(factorial(i)*factorial(n-i));
printf("%5.3lf",prob);
gotoxy(x+6*(i+1),y+4);
printf("");
}
gotoxy(x+6*(n+2),y);
printf("");
gotoxy(x+6*(n+2),y+1);
printf("");
gotoxy(x+6*(n+2),y+2);
printf("");
gotoxy(x+6*(n+2),y+3);
printf("");
gotoxy(x+6*(n+2),y+4);
printf("");
gotoxy(x+1,y+6);
printf("Valoarea medie a numarului de trageri reusite M[X]=%.2lf",n*p);
gotoxy(x+1,y+8);
printf("Dispersia variabilei aleatoare D[X]=%.2lf",p*n*q);
getch();
}
2.
Variante suplimentare
S se elaboreze scenariile de modelare i analiza simulrii elementelor caracteristice i funciilor de
repartiii ale seriilor statistice conform punctelor 1.7, 1.8. n baza diferitor texte i adugtor cerinele din
variante.
Varianta 2.1
1. De creat un dicionar de frecven a cuvintelor din textul dat (~5000 cuvinte )
2. De calculat probabilitatea cuvintelor din text :
Pc/t probabilitatea cuvntului c n text t
n numrul de apariie a cuvntului dat n textul dat
m numrul total de cuvinte n textul dat
n
Pc / t
m
3. De creat diagrama probabilitii P cuvintelor n dependen de rangul lor r n dicionar
4. De calculat constantele P, , B formulei lui Zipf - Mandelbrot n baza diagramei empirice (reale)
Formula :
f = P(r+ )-B
Exemplu
Exemplu dicionarului de frecven
Rang
Num de
Probabilita Formula
(r)
cuvant
aparitii
tea (P)
lui Zipf
Coeficientele
1 de
44004
0,06461
0,06403
P=
0,06461

2 in
3 a
4 si
5 la
6 cu
7 ca
8 din
9 care
10 sa
Exemplu de diagram:

19801
17383
15402
13711
8525
8284
8231
7857
7510

0,02907
0,02552
0,02261
0,02013
0,01252
0,01216
0,01209
0,01154
0,01103

0,03447
0,02397
0,01851
0,01515
0,01286
0,01120
0,00993
0,00893
0,00813

B=
Ro=

0,90000
0,01000

Varianta 2.2
Probabilitile apriore i aposteriore, formula lui Bayes
1. De ales din dicionar de frecven cteva cuvinte mai frecvente (2-3 cuvinte).
2. De mprit textul n 10 pri aproximativ egale (5000/10=500) ~ cte 500 de cuvinte.
3. De calculat probabilitatea fiecrui cuvnt n fiecare text (probabilitatea apriora) :
Pc/t probabilitatea cuvntului c in text t
n - numrul de apariie a cuvntului dat n textul dat
m - numrul total de cuvinte n textul dat
n
Pc / t
m
4. De calculat probabilitatea total a cuvintelor :
Pc - probabilitatea totala a cuvntului
Pt - raia textului t
Pc Pt * Pc / t
texte

unde Pt se calculeaz :
m
M
unde M - numrul total de cuvinte n toate textele.
5. De calculat probabilitatea fiecrui text pentru apariie fiecrui cuvnt (probabilitatea aposteriora).
Probabilitatea c cuvntul c ales aparine textului t :
Pt

Pt / c

Pt * Pc / t
Pt * Pc / t

texte

6. De calculat probabilitatea fiecrui text pentru apariie dubl a fiecrui cuvnt.


Probabilitatea c cuvntul ales c a aprut de dou ori n textul t:

Pt / 2 c

Pt * ( Pc / t ) 2
Pt * ( Pc / t ) 2

texte

7. De comparat probabilitile textelor.


Exemple de tabele cu rezultate.
Tabel iniial cu date :
cuvant
text
in
putea
bani
1
42
7
13
2
59
9
8
3
39
12
9
4
44
4
3
5
63
3
5
total
247
35
38
Tabel cu probabilitile cuvintelor :
cuvant
text
in
putea
bani
1
0,08203 0,01367 0,02539
2
0,12065 0,01840 0,01636
3
0,07457 0,02294 0,01721
4
0,09186 0,00835 0,00626
5
0,11538 0,00549 0,00916

total
512
489
523
479
546
2549

ratia textului
0,2008631
0,1918399
0,2051785
0,1879168
0,2142016

probabilitatea
totala a cuvintelor

0,09690

0,01373

0,01491

Probabilitatea fiecrui text pentru apariie fiecrui cuvnt (probabilitatea aposteriora).


cuvant
text
in
putea
bani
1
0,17004
0,20000
0,34211
2
0,23887
0,25714
0,21053
3
0,15789
0,34286
0,23684
4
0,17814
0,11429
0,07895
5
0,25506
0,08571
0,13158
Probabilitatea fiecrui text pentru apariie dubla a fiecrui cuvnt.
cuvant
text
in
putea
bani
1
0,13902
0,16316
0,48512
2
0,28724
0,28240
0,19235
3
0,11735
0,46940
0,22762
4
0,16308
0,05695
0,02761
5
0,29331
0,02810
0,06729

Varianta 2.3 Distribuirile frecvenilor cuvintelor, distribuiri standarde


De ales din dicionar de frecven cteva cuvinte mai frecvente (2-3 cuvinte).
De mprit textul n pri aproximativ cte 100 de cuvinte (5000/100=50) ~ 50 de pri.
De calculat numrul de apariie a cuvintelor n fiecare parte a textului i de creat un tabel cu date
De creat diagrama folosind datele din tabel
De comparat distribuiile cuvintelor alese
EXEMPLU
Fragment
1
2
3
4
5

49
50
P num de ap a cuvant
um de aparitie a cuvantului
3
5
2
2
4

6
3
3,571429
1.
2.
3.
4.
5.

Num de aparitie a
cuvantului
Num de fragmente cu
acest num de aparitie

total

10

15

50

numarul de
fragmente

distributia frecventei cuvantului


20
15
10
5
0
1

4
5
6
7
numarul de aparitii

Varianta 2.4 Collocations : Hypothesis testing


1. De ales cteva perechi de cuvinte mai frecvente (2-3 perechi).
2. De formulat ipoteza nula H0 c apariia acestor perechi (bigrame) nu e ntmplatoare
3. De calculat probabilitatea ipotezei, unde
3.1.
sample mean X :
X = (numrul de apariie a perechei date)/(numrul total de perechi n text)
3.2.
mean of distribution M :
M = P(primul cuvnt)*P(al doilea cuvnt)
3.3.
sample variance S2 ~ X
3.4.
sample size N numrul total de cuvinte n text
4. De calculat t - test

t=

S2 N

5. Analiznd rezultatul de fcut concluzie despre perechea (bigram) corespunztoare (comparnd cu valoarea
critic 2,576)
6. De efectuat t test pentru combinaia frecvent din 3 cuvinte
7. De creat tabelul 2-pe-2
W1= primul cuvnt
W1 primul cuvnt
W2 = al doilea cuvnt
O11
O12
O21
O22
W2 al doilea cuvnt
8. De efectuat 2 test pentru aceleai mbinri de cuvinte:

N (O11 O22 O12 O 21 ) 2


(O11 O12 )(O11 O21 )(O12 O22 )(O 21 O22 )

2 =
unde
N numarul total de cuvinte

9. De comparat rezultatul cu valoarea critica pentru =0,05 2 =3,841 i de fcut concluzia despre mbinarea
de cuvinte dat.
EXEMPLU
1. Perechile de cuvinte frecvente :
a fost ipoteza nul H0 c a fost e o mbinare
probabilitatea ipotezei :
X = 62/5361 = 0,011565
P(a) = 196/5362 = 0,0365
P(fost) = 174/5362 = 0,0324
M = 0,00118
S2 ~ X = 0,00429
N = 5362
t = (0,00429 - 0,00118)/1,9 = 0,0016368
Varianta 2.5

Programul de mai jos genereaz numere aleatoare cu repartiia


x
x2 a2
ax

exp(

) I 0 ( 2 );
2
2

i afieaz graficul acestei funcii la ecran.


f ( x)

Varianta 2.6

Scrieti un program care simuleaza repartizarea pe ecran n forma de histograma a unor numere
introduse de la tastatura sau alese aleator.
Varianta 2.7-2.10
Distribuirea care trebuie de
obinut
Poisson
Hi la patrat

Puasson

Densitatea de distribuire
Modalitatea de primire a
mrimii aleatoare
Pk=(ak*e-a)/k!, k=0,1,2,3.
a=1; a=2: a>0 E numar pozitiv
P(z)=(1/2**(q/2)*
((q/2)))*z**((q/2)I*exp(z/2),0<=z<~

P( z )

e u u z
z!

Z=exp(GZ*XN+mz)

Z k , unde k numr minimal, nct


k

1/ y * ln(1 xr (1)) 1
i 1

Nota: Repartitia Poisson (sau legea evenimentelor rare). Daca numarul n al probelor este mare, iar
probabilitatea p a aparitiei evenimentului intr-o proba este foarte mica, atunci evenimentul este un
eveniment rar iar legea de repartitie a variabilei aleatoare care caracterizeaza acest
eveniment este
legea
evenimentelor
rare. Repartitia determinata de probabilitatile pk =
(a**k)*(e**(-a))/k! Se numeste repartitia Poisson de parametru a.

Varianta 2.11-2.15

Scrieti un program care simuleaza repartizarea pe ecran histograma unor numere introduse de la
tastatura sau alese aleator. Generarea numerelor pseudoaleatoare cu o urmatoare repartiie:
Repartitia Bernoulli. Repartitia determinata de probabilitatile Pn(k)=Cnp q se numeste repartitie
binomiala de ordinul n si parametru p iar variabila aleatoare
0 1 ... k ... n
y: (
n 1
n-1 k k n-k n ), q = 1-p
q C pq ...C p q ... p
n
n
se numeste variabila aleatoare binominala.
Repartitia normala (sau legea lui Laplace si Gauss). O variabila aleatoare y care ia o infinitate de
valori se spune ca este normala de parametri m si D (sau ca este supusa unei legi normale de
probabilitate), daca densitatea sa de repartitie este definita prin:
f(x,m,D) = e**(-(x-m)**2/(2*D))/(2*_*D)**(1/2).
Repartitia uniforma. Variabila y se numeste uniforma pe [a,b], daca ea admite densitatea de
repartitie
1/(b-a) daca x apartine [a,b]
f(x) =
0 in caz contrar.
Scrieti un progrum care simuleaza o mini ruleta.
Observatie: In program se acorda dublul mizei in cazul m care s-a mizat
pe culoarea cistigatoare, de 10 ori miza daca s-a mizat pe
numarul cstigator ,si de 25 de ori miza daca s-a mizat pe
numarul ,si pe culoarea ctigatoare.
5. INTREBARI DE CONTROL
1. Definiti notiunea de "variabila aleatoare".
2. Ce tipuri de variabile aleatoare cunoastei?
3. Dati citeva exemple de variabile aleatoare.
4. Care este destinatia variabilelor aleatoare in studiul S.T.M.?
5. Care sint caracteristicele ce descriu complet in sens probabilistic comportamentul variabilelor aleatoare?
6. Ce este o lege de repartitie si pentru care tip de variabile aleatoare este utilizata?
7. Definiti notiunea de functie de reparitie si care este relatia dintre o functie de repartitie si densitatea de repartitie?
8. Ce tipuri de repartitii a probabilitatilor cunoasteti?
9. Descrieti analitic si fizic cele mai des intilnite repartitii.
10. Ce caracteristici numerice ale numerelor aleatoare cunoasteti? Definiti-le si explicati sensul lor.
11. Determinati caracteristicele numerice pentru cele mai frecvente legi de repartitie.
11. In ce consta metoda aditiva-multiplicativa a congruentelor?
13. Cum pot fi generate numere aleatoare cu legi de repartitie diferite de legea uniforma pe (0;1)?
14. De ce numerele obtinute la calculator se numesc pseudoaleatoare?
15. Exista oare posibilitatea generarii pe calculator a unor numere aleatoare dintr-o multime continuala prin
intermediul transformarii inverse?
16. Ce se numeste ciclul (perioada) generatorului?
17. Din care cauza perioada generatorului este limitata?

BIBLIOGRAFIE:
1.
2.
3.
4.
5.
6.
7.
8.
9.

Gamechi.A., Solomon D. Modelarea matematic a proceselor economice. Chiinu.: Evrica, 1998.


Banzaru T. s.a. Matematici speciale. Bucuresti, E.D.P., 1981
Gh.Mihoc, N.Micu. Teoria probabilitatilor si statistica matematica. Bucuresti, E.D.P., 1980
Teoria sistem. Matematiceskie metod i modelirovanie. Sbornik statei.M.:Mir. 1989.
.., .. . ,: . 1985.
. . .: ,1987.
.., .. . . .: . , 1988.
.., .. . . .: . , 1989.
.. . . , . 1986.

10. .. . .: , 1988.
11. Issledovanie operaii. Modeli i primenenia. Tom 2. M.: Mir. 1995.
12. . ., .. 1:
. . -. 1997.
13. . . .- 1985.
14. .. , : .
. .- 2000.
15. ., ., . . 1968.
16. .. : . , 1994.
17. ., . . ., , 1979.
18. .. . 6- ., . . ., , 1988.
19. . . //
. . I.LVLVI. . 4: . 1915. 2.
. 65127; 3. . 143; 4. . 94 125.
20. . : . . ., , 1980.
21. . : . . ., , 1996.