2 EVALUĂRI DE PERFORMANğĂ

Intelligent Network) revenindu-le în principal, doar sarcina de a înainta

pachetele de la un nod la altul, fără a face vreo diferenĠiere între ele. În aceste
condiĠii, transmiterea datelor, ca unic serviciu oferit, este catalogat, din punct de
vedere al calităĠii, ca fiind de tip "cât mai bine posibil" (best effort).
În prezent, etapa reĠelelor specializate este pe cale de a se încheia,

Introducere tendinĠa actuală fiind convergenĠa, implementarea unor reĠele unice, care să
îmbine úi să se adapteze în mod eficient metodele folosite în cadrul celor două
tipuri de reĠele, precum ingineria traficului din reĠelele cu comutaĠie de circuite úi
multiplexarea statistică, proprie reĠelelor cu comutaĠie de pachete, úi să adopte
noi tehnologii, astfel încât să fie capabilă să asigure servicii de orice gen, de
date, audio úi video. Desigur, o astfel de reĠea, bazată, în consecinĠă, pe
Proiectarea reĠelelor de comunicaĠii are ca obiective principale stabilirea comutaĠia de pachete, nu se mai poate rezuma doar pe principiul "best effort",
configuraĠiei, fixarea capacităĠii legăturilor de comunicaĠie úi identificarea unui insuficient pentru a satisface diverse cerinĠe, deseori conflictuale, caracteristice
mod optim prin care acestea sunt partajate între fluxurile informaĠionale active la tipurilor diferite de informaĠii transferate printr-o astfel de reĠea (vezi tabelul 1.1).
un moment dat. Toate aceste obiective trebuie raportate deopotrivă úi la Dimpotrivă, asigurarea calităĠii în condiĠiile unei diversităĠi de servicii presupune
operatorii de reĠea úi la utilizatorii de servicii. Punctul de vedere al operatorilor se ca reĠeaua în cauză să dispună de mecanisme (tehnologii) capabile să
referă cu precădere la asigurarea unei utilizări cât mai eficiente a resurselor úi la diferenĠieze traficul în clase úi să prelucreze în mod specific membrii fiecărei
satisfacerea unui număr cât mai mare de transferuri informaĠionale, scopul final clase, dar luând în considerare úi ansamblul.
fiind obĠinerea unor câútiguri maxime cu cheltuieli minime. PretenĠiile utilizatorilor Tabelul 1.1: Exemple de servicii úi nivelurile cerinĠelor asociate
sunt în principal în domeniul calităĠii serviciilor úi ele se exprimă prin aceea că nu
Application Reliability Delay Jitter Bandwidth
trebuie să fie confruntaĠi în timpul folosirii reĠelei cu situaĠii precum aúteptarea
unei căi libere până la destinaĠie, pierderea sau alterarea informaĠiei úi transferul E-mail High Low Low Low
File Transfer High Low Low Medium
cu întârzieri variabile care, peste un anumit prag, devin inacceptabile. Pentru
Web access High Medium Low Medium
toate aceste aspecte sunt definite două categorii de indicatori, ce caracterizează
Remote login High Medium Medium Low
serviciile de comunicaĠii:
Audio on Demand Low Low High Medium
x gradul de servire, GoS (Grade of Service), care se referă la Video on Demand Low Low High High
posibilităĠile de a beneficia de un anumit serviciu; Telephony Low High High Low
x calitatea servirii, QoS (Quality of Service), care precizează posibilităĠile Videoconferencing Low High High High
pe care le oferă un anumit serviciu pe durata utilizării acestuia.
În cazul reĠelelor cu comutaĠie de circuite, destinate, cu precădere, traficului Indicatorii utilizaĠi pentru exprimarea calităĠii servirii în reĠelele cu
telefonic, obiectivele majore care au guvernat implementarea lor au fost comutaĠie de pachete se împart în două categorii: categoria indicatorilor
menĠinerea în limite rezonabile a probabilităĠii de blocare/respingere a asociaĠi serviciilor cu sau fără conexiune úi categoria indicatorilor proprii
cererilor de serviciu úi a disponibilităĠii serviciilor în cauză (ca indicatori ai serviciilor cu conexiune. În prima categorie se află indicatorii legaĠi de
gradului de servire) úi optimizarea planului de transmisie a semnalului vocal, transmiterea unei singure unităĠi informaĠionale (pachet, celulă, cadru), precum:
care a vizat o serie de indicatorii de calitate a servirii, legaĠi de pierderi, x întârzierea măsurată prin medie, deviaĠie standard etc.,
zgomot, ecou. x probabilitatea coruperii,
Spre deosebire de reĠelele cu comutaĠie de circuite, reĠelele cu comutaĠie
x probabilitatea pierderii,
de pachete au avut în vedere, iniĠial, transmisia de date care, fiind un serviciu
fără restricĠii temporale, în comparaĠie cu serviciile în timp real, de tip voce sau x probabilitatea duplicării,
video, s-a putut implementa adoptând principiul înmagazinării úi înaintării x probabilitatea livrării greúite,
(stored and forward) cu posibilitatea retransmisiei în caz de eroare. Mai mult, în x protecĠia faĠă de accesul neautorizat,
cazul reĠelelor IP, luarea în considerare doar a echipamentelor terminale x prioritatea în livrare.
inteligente (host computers) a permis ca, prin degrevarea de o serie de sarcini, dar úi parametri care iau în considerare fluxurile informaĠionale în ansamblu, ca
acestea să fie implementate iniĠial cât mai simplu (spre deosebire de reĠelele de de exemplu:
telefonie care concentrau inteligenĠa în interiorul lor, de unde úi conceptul de x eficienĠa transferului, măsurată prin medie, deviaĠie standard etc.,
 3

x probabilitatea livrării în dezordine.

Din a doua categorie fac parte parametrii precum:
x întârzierea stabilirii unei conexiuni,
x probabilitatea eúecului în stabilirea unei conexiuni,
x întârzierea eliberării unei conexiuni,
x elasticitatea conexiunii.
Evaluarea indicatorilor de performanĠă, care caracterizează un anumit
c a p i tol u l 1
sistem de comunicaĠii, de genul celor mai sus menĠionaĠi, se poate face prin
modelare matematică sau analiză statistică a rezultatelor experimentale. În
primul caz, beneficiem de formule de calcul, valabile în anumite ipoteze, ca de
exemplu, considerarea procesului de sosire a pachetelor într-o interfaĠă de ieúire
a unui anumit ruter ca fiind de tip Poisson. În al doilea caz, uzăm de un aparat
matematic diversificat, care ne oferă o serie de statistici (medie, deviaĠie
standard, autocovarianĠă, interval de încredere etc.) corespunzătoare
eúantionului de rezultate obĠinute prin măsurători.
Măsurătorile se pot desfăúura într-un cadru real de funcĠionare a
sistemului supus analizei, sau, în fază iniĠială de dezvoltare, a prototipului sau, ori
într-un context virtual, folosind simularea. Principial, simularea constă în
imitarea, prin intermediul, de exemplu, a unui program pe calculator, a realităĠii,
Experiment úi
atât în privinĠa modului de funcĠionare a sistemului, cât úi a sarcinii la care este
supus.
Pe lângă mijloacele mai sus prezentate, evaluările de performanĠă pot
Modelare
apela úi la o soluĠie hibridă, intitulată emulare. În acest caz, experimentul vizează
un ansamblu compus dintr-o componentă reală úi una virtuală. De exemplu,
componenta reală poate fi reprezentată de două sau mai multe entităĠi concrete,
localizate în aceeaúi gazdă (host) sau în gazde distante, care corespondează pe În tentativa sa de a-úi explica fenomenele cu care intră în contact, fiinĠa
bază unui protocol supus analizei, iar componenta virtuală o poate constitui umană, mărginită prin natura sa, încearcă să simplifice mental complexitatea
mijlocul de comunicare utilizat, implementat software úi/sau hardware, ale cărui acestora fără a prejudicia esenĠialul. Astfel, se obĠin niúte modele (paradigme)
imperfecĠiuni, în speĠă întârzieri úi pierderi, se manifestă în conformitate cu un prin care se urmăreúte o cât mai bună corelare a informaĠiilor deĠinute la un
anumit model matematic. moment dat.
Modelele de care dispune o societate stau la baza producerii úi dezvoltării
diverselor bunuri materiale úi spirituale ale acesteia. De cele mai multe ori,
realizarea sau dezvoltarea acestor bunuri este precedată de o etapă de căutare
a soluĠiei optime. În general, stabilirea soluĠiei optime se face comparând
evaluările cantitative ale diverúilor indicatori precum: costul (investiĠiile úi
cheltuielile de amortizare), disponibilitatea (probabilitatea funcĠionării la un
moment dat), flexibilitatea (capacitatea de adaptare la evoluĠia factorilor externi úi
interni), performanĠa (gradul de satisfacere a obiectivelor propuse), ce
caracterizează diversele variante luate în calcul. Evaluările cantitative se pot
obĠine prin observarea unor realizări experimentale sau construind úi analizând
modele pentru variantele considerate. Deseori, a doua metodă este de preferat
măsurătorilor experimentale ce pot implica un cost excesiv (nejustificat).
Un model este o reprezentare aproximativă care descrie úi explică, cu
ajutorul unui set de reguli simple úi intuitive, principalele aspecte ce
caracterizează un anumit fenomen.
 5 6 EVALUĂRI DE PERFORMANğĂ

Un model matematic este un ansamblu de relaĠii matematice ce leagă
principalii parametrii úi variabile ce caracterizează fenomenul studiat. SoluĠia
acestor relaĠii reprezintă previziunea măsurătorilor care ar fi obĠinute dacă
experimentul ar avea loc. CondiĠia necesară (nu úi suficientă) de dezvoltare a
unui model matematic este ca fenomenul studiat să prezinte însuúiri măsurabile.
Atunci când nu se poate dezvolta un model matematic, se poate recurge
la modele de simulare computerizate. Un model de simulare computerizat este
un program a cărui execuĠie "imită", la un nivel de detaliu limitat de performanĠele
maúinilor utilizate, evoluĠia (dinamica) fenomenului studiat. Cu ajutorul unor
instrucĠiuni ce înregistrează valorile variabilelor caracteristice fenomenului,
execuĠia modelului de simulare computerizat generează un set de date primare.
Aceste date sunt supuse unei analize statistice ce oferă previziuni relative la
fenomenul studiat.
În general, simulările sunt capabile să descrie realitatea mult mai precis
decât modelele matematice. În schimb, simulările sunt mult mai puĠin flexibile úi
timpii de execuĠie sunt de obicei mai mari decât în cazul modelelor matematice.
Corectitudinea úi precizia cu care un model aproximează o situaĠie dată
se controlează printr-un proces de modelare (investigaĠie, descriere,
specificare, validare úi dezvoltare). Acest proces constă într-o serie de
experimente úi modificări ale modelului, urmărind algoritmul prezentat în
figura 1. Un experiment definit cu scopul verificării ipotezelor investighează un
Dezvoltări Formularea Modificări
ipotezelor
Specificarea experimentului
pentru verificarea ipotezelor
anumit aspect al fenomenului studiat. Experimentul se desfăúoară în anumite
condiĠii úi efectele sale sunt observate úi măsurate. Modelul corespunzător oferă
previziuni legate de rezultatele experimentului. Dacă apar discrepanĠe
semnificative, modelul úi, eventual, ipotezele se revizuiesc (modifică).
Procesul de modelare continuă până când evoluĠia tuturor aspectelor
importante ale fenomenului poate fi prezisă de model cu o precizie dorită.
Alegerea aspectelor importante depinde de obiectivele urmărite de investigator.
Din acest motiv, pentru acelaúi fenomen se pot construi modele distincte care
oferă previziuni pentru mărimi diferite úi sunt valabile în anumite condiĠii de
desfăúurare a fenomenului.
A treia ramură a procesului de modelare, simularea, este necesară
atunci când construirea unui model matematic este dificilă sau când realitatea,
(produsul, sistemul) se află încă în faza de proiectare (nu există încă!). Astfel,
simularea oferă niúte estimări de previziuni care pot fi interpretate ca atare sau
pot controla procesul de elaborare a unui model matematic al unei aplicaĠii
ipotetice, fiind, până în momentul materializării acesteia, unicul său mijloc de
validare.
Un model matematic este determinist atunci când condiĠiile de
efectuare a experimentului vizat determină exact mărimile (variabilele) urmărite.
Teoria circuitelor electrice este un astfel de model. Ea presupune că
interacĠiunea dintre componentele idealizate (discrete, cu caracteristici
tensiune/curent ideale) ale unui circuit este complet descrisă de legile lui
Kirchhoff (ale tensiunilor úi curenĠilor). În practică, există variaĠii între mărimile
aúteptate (prezise) úi cele observate (măsurate). Aceste diferenĠe se datorează
erorilor de măsurare úi factorilor neluaĠi în considerare de model (variaĠia
temperaturii, îmbătrânirea componentelor etc.). Totuúi, atât timp cât aceste
deviaĠii sunt nesemnificative, acest tip de model este cel mai adecvat (prin
simplitatea úi intuitivitatea sa) în analiza úi sinteza circuitelor.

1.1. Experimente aleatorii

Modificări Modificări
Realitate Model Simulare
Un experiment (fenomen) a cărui evoluĠie diferă semnificativ atunci când
ObservaĠii Previziuni Estimări este repetat în aceleaúi condiĠii se numeúte experiment aleatoriu. Specificarea
unui experiment aleator constă în stabilirea procedurii de desfăúurare a sa,
precum úi a setului de măsurători úi observaĠii ce-l însoĠesc. Un experiment
ConcordanĠă
aleator poate fi modelat dacă evoluĠia sa se caracterizează prin regularitate
satisfăcătoare ? NU
statistică (de exemplu, mediile valorilor obĠinute în secvenĠe lungi de repetări ale
DA unui experiment au, aproximativ, aceeaúi valoare). Rezultatul indivizibil (ce nu
mai poate fi descompus) obĠinut în urma desfăúurării unui experiment se
NU Sunt investigate toate numeúte realizare sau eúantion punct (notat ] ).
aspectele importante ?
SpaĠiul realizărilor sau spaĠiul de eúantionare (notat S) al unui
DA experiment aleator este mulĠimea tuturor realizărilor posibile. Din considerente
teoretice este util ca spaĠiul realizărilor să includă úi realizările imposibile. În
STOP statistică, acest concept poartă denumirea de populaĠie.
Figura 1: Procesul de modelare MulĠimea realizărilor unui experiment care este finită sau infinit
 7 8 EVALUĂRI DE PERFORMANğĂ

numărabilă (între realizări úi mulĠimea numerelor naturale se poate stabili o C

unde " reprezintă complementul evenimentului " .
corespondenĠă biunivocă) poartă denumirea de spaĠiu de eúantionare discret.
Rezolvare:
MulĠimea realizărilor unui experiment care este infinit nenumărabilă se i) S1 ^000 , 001, 010 , 100 , 011, 110 , 101, 111 `;
numeúte spaĠiu de eúantionare continuu.
S2 ^0,1, 2, 3`; S3 ^0,1,..., N`; S4 ^0,1, 2, 3, ...` ;
Atunci când o realizare presupune mai multe observaĠii úi/sau măsurători,
spaĠiul de eúantionare este multidimensional. Un astfel de spaĠiu poate fi S5 S6 ^t : t t 0` >0,f  ; S7 ^u : f  u  f`  f,f  ;
exprimat printr-un produs cartezian de diferite mulĠimi. S8 ^u1, u2  : f  u1  f,f  u2  f` ƒ u ƒ .
Se numeúte eveniment (notat A) o submulĠime a spaĠiului de ii) A ^u : u ! 10`  f,10 ‰ 10,f ; B ^u : u  5`  f,5 ;
eúantionare. Dacă A S vorbim despre un eveniment sigur. Dacă A ‡ C ^u :u ! 0` 0,f  ;
vorbim despre un eveniment imposibil sau eveniment nul. Într-un spaĠiu de
eúantionare discret, un eveniment ce constă dintr-o singură realizare se numeúte
A‰B ^u : u  5 sau u ! 10`  f,5  ‰ 10,f 
eveniment elementar. A ˆ B ^u : u  10 `  f,10  ; C C ^u : u d 0`  f,0 @ ;
Fiind mulĠimi, evenimentele se pot combina cu ajutorul operaĠiilor cu A ‰ B  ˆ C ^u : u ! 10` 10,f  ; A ˆ B ˆ C ‡ ;
mulĠimi (reuniunea, intersecĠia, complementaritatea etc.) sau se pot compara cu
ajutorul relaĠiilor dintre mulĠimi (incluziune, egalitate). A ‰ B C ^u : 5 d u d 10` > 5,10 @
AplicaĠia 1.1.1 ***
Fie următoarele experimente: FrecvenĠa relativă (notată fA ) de apariĠie a unui eveniment A pe
- E1 : la recepĠie se detectează trei simboluri; se notează secvenĠa binară parcursul repetării de n ori a unui experiment este dată de relaĠia:
corespunzătoare;
N A (n )
- E 2 : la recepĠie se detectează trei simboluri; se numără simbolurile de 1 f A (n ) (1.1.1)
n
conĠinute (experimentele E1 úi E 2 se aseamănă prin procedură, dar diferă prin
unde N A (n ) este numărul de apariĠii ale evenimentului A pe parcursul celor n
măsurători);
- E3 : un nod de comunicaĠie deserveúte N terminale; se notează numărul repetări (frecvenĠa absolută a evenimentului A).
AplicaĠia 1.1.2
de terminale active la un moment dat; DemonstraĠi următoarele proprietăĠi ale frecvenĠei relative:
- E 4 : un bloc de informaĠie este repetat la transmisie până când se i) 0 d f A ( n ) d 1,  eveniment A;
primeúte un mesaj de confirmare; se numără repetările;
- E5 : la un centru de distribuire sosesc mesaje; se măsoară durata între ii) ¦i f A (n)
i
1 , cu evenimente Ai disjuncte úi formând o partiĠie a
două sosiri succesive; spaĠiului S;
- E 6 : o componentă este introdusă într-un montaj ce se pune în iii) fC (n ) f A (n )  fB (n ) , cu C A ‰ B úi A ˆ B ‡.
funcĠiune; se măsoară timpul de funcĠionare al componentei; ***
- E7 : la recepĠie se urmăreúte semnalul din linie; se măsoară úi se În condiĠii de regularitate statistică, raportul pe termen lung (pentru un
notează tensiunea la momentul t1 ; număr foarte mare de repetări), exprimat de frecvenĠa relativă, tinde către o
constantă (notată p A ) numită probabilitate de apariĠie a evenimentului A:
- E8 : la recepĠie se urmăreúte semnalul din linie; se măsoară úi se
notează tensiunile la momentele t1 úi t 2 . lim f A (n ) pA (1.1.2)
n of
i) Să se determine spaĠiile de eúantionare corespunzătoare;
ii) Considerând experimentul E7 se definesc următoarele evenimente:
1.2. Axiomele probabilităĠii
A - amplitudinea tensiunii este mai mare de 10V,
B - tensiunea este mai mică de –5V, Utilizarea relaĠiei (1.1.2) ca definiĠie a probabilităĠii generează dificultăĠi în
C - tensiunea este pozitivă. dezvoltarea unei teorii a probabilităĠilor, deoarece: nu este clar în ce sens
iii) Să se specifice în limbaj matematic evenimentele: matematic există limita; un experiment nu poate fi repetat la infinit; prezintă
C
A, B, C, A ˆ B , A ‰ B , C C , A ‰ B  ˆ C , A ˆ B ˆ C , A ‰ B  , inconsistenĠă în cazul evenimentelor cu apariĠie rară. De aceea, are sens
 9 10 EVALUĂRI DE PERFORMANğĂ

dezvoltarea unei teorii abstracte a probabilităĠilor, plecând de la premisele: A ^s A,1, s A,2 ,..., s A, j `, să se arate că relaĠia P>A@ j / n , unde j este numărul de
I. Un experiment aleator a fost definit prin procedura de desfăúurare úi realizări ce îndeplinesc evenimentul A, reprezintă o lege de probabilitate.
prin măsurătorile úi observaĠiile ce se efectuează, iar spaĠiul de ***
eúantionare S a fost identificat. AplicaĠia 1.2.2
II. S-a specificat (stabilit) o familie de evenimente A , astfel încât: Durata de prelucrare a unui apel telefonic variază între 0 úi 1 secunde,
[Nic95]. Considerând că toate realizările sunt echiprobabile, să se stabilească:
S  A úi ‡  A ;
i) o lege de probabilitate potrivită aplicaĠiei analizate;
A  A úi AC  A ; (1.2.1) ii) probabilitatea ca durata să se depărteze cu cel puĠin 0,3 secunde de
AnN  A Ÿ * An  A centrul intervalului.
nȃ Rezolvare:
( A este un tribut pe S, iar cuplul S, A  se numeúte spaĠiu măsurabil), [Ciuc83]. i) În acest caz, alocarea de probabilităĠi unei realizări c, 0 d c d 1 nu are
sens, întrucât spaĠiul realizărilor S >0,1@ este infinit nenumărabil úi deci:
III. Fiecărui eveniment, A, îi este alocat (ataúat) un număr numit
P>^c`@ 0 .
probabilitate úi notat P >A @ , astfel încât următoarele axiome sunt
Fie următoarea afirmaĠie: "Probabilitatea ca o realizare să aparĠină unui
satisfăcute:
subinterval al mulĠimii S este egală cu lungimea intervalului", adică:
Axioma 1: 0 d P >A@ ;
P > >a, b @ @ b  a pentru 0 d a d b d 1
Axioma 2: P >S @ 1 ;
Axioma 3: Fie A úi B două evenimente astfel încât A ˆ B ‡ , atunci: Aceasta este o lege de probabilitate, deoarece satisface axiomele (de verificat!).
ii) Evenimentul în discuĠie are următoarea formă analitică:
P >A ‰ B @ P >A@  P >B @ (1.2.2)
A >0; 0,2 @ ‰ >0,8;1@ .
Axioma 3'. Fie A1, A2 ,... o secvenĠă de evenimente, astfel încât: Intervalele fiind disjuncte putem aplica axioma 3, deci:
ªf º f P >A @ P >0; 0,2@  P >0,8; 1@ 0,4
Ai ˆ A j ‡, i z j , atunci P « * Ak » ¦ P >Ak @ (1.2.3) ***
¬«k 1 ¼» k 1
AplicaĠia 1.2.3
(ca măsură a probabilităĠii, P >...@ este o aplicaĠie a lui A în \ , iar tripletul În urma măsurării timpilor de funcĠionare ai unor componente electronice
se numeúte spaĠiu probabilizat >Ciuc83@ ). de acelaúi tip s-a ajuns la concluzia că: "proporĠia componentelor a căror timp
S, A ,P  de funcĠionare depăúeúte durata t scade exponenĠial cu rata D ". Să se
Un model matematic este probabilistic atunci când condiĠiile de determine legea de probabilitate care satisface acest rezultat.
efectuare a experimentului vizat (ce prezintă regularitate statistică) determină Rezolvare: SpaĠiul de eúantionare este: S 0, f  . Evenimentul conĠinut
exact probabilităĠile de apariĠie a realizărilor sale. Construirea unui model
probabilistic constă în particularizarea premiselor I, II úi III la cazul studiat în enunĠ, A = ^timpul de funcĠionare depăúeúte durata t` se exprimă analitic în
(situaĠia reală). Domeniile de aplicabilitate sunt: sistemele de transmisiuni, forma A ^x : x ! t ` t , f  . Acestui eveniment i se alocă, conform afirmaĠiei,
comunicaĠii prin medii zgomotoase, prelucrarea semnalelor, sisteme cu resurse următoarea valoare:
partajate, sisteme de servire, fiabilitatea úi disponibilitatea sistemelor etc.
P >A@ P >t , f @ e  Dt , pentru t ! 0 úi D ! 0
Ca orice modelare, calculul probabilităĠilor este o tehnică matematică de
descriere a fenomenelor aleatorii. Validitatea sa într-o aplicaĠie concretă nu poate Verificăm dacă această alocare corespunde unei legi probabilistice:
fi înfăptuită decât cu ajutorul metodelor statistice de interpretare a observaĠiilor. i) se verifică Axioma 1: 0 d P >t , f @ e Dt pentru t ! 0 úi D ! 0 ;
Regula prin care unui eveniment A al unui experiment E i se alocă ii) se verifică Axioma 2: P >S @ P >0, f @ 1 ;
(ataúează) o probabilitate P >A@ se numeúte lege de probabilitate. În cazul unui
iii) fie evenimentele: B r , s @ úi C s, f  .
spaĠiu de eúantionare discret, legea poate fi specificată alocând probabilităĠi
Conform Axiomei 3: P >r , f @ P >r , s @@  P >s, f @ , deci:
evenimentelor elementare, iar în cazul continuu dând probabilităĠi intervalelor.
AplicaĠia 1.2.1 P >r , s @@ P >r , f @  P >s, f @ e Dr  e Ds
Fie un experiment aleatoriu E, cu spaĠiul de eúantionare discret ***
S E ^s1, s 2 , s 3 ,..., s n `. Considerând evenimentele de forma Deoarece orice alocare ce respectă axiomele este posibilă, rămâne în
 11 12 EVALUĂRI DE PERFORMANğĂ

sarcina utilizatorului teoriei de a determina legea de probabilitate, precum úi dacă evenimentul B a avut loc este definită de relaĠia:
modul de interpretare a probabilităĠilor. Rezultatele teoretice corespunzătoare P >A ˆ B @
modelului adoptat, trebuie să poată fi interpretate, în cazul aplicaĠiilor reale, ca > @
P AB
P >B @
(1.3.1)
rapoarte pe termen lung al unor mărimi de interes (de exemplu: frecvenĠa
relativă, media). Cu alte cuvinte, conform figurii 1.3.1, dacă o realizare ] a experimentului
Legătura dintre această mărime abstractă, probabilitatea, úi mărimea satisface evenimentul B, spaĠiul realizărilor, în care se urmăreúte dacă a fost
intuitivă frecvenĠa relativă este oferită de două teoreme importante: legea (slabă îndeplinit úi evenimentul A, se reduce la mulĠimea B. În această situaĠie,
a) numerelor mari úi teorema limită centrală (tratate în detaliu în capitolul evenimentul A are loc dacă úi numai dacă ]  A ˆ B .
3.3.5-7).
Legea numerelor mari arată că probabilitatea ca raportul N A (n ) / n să se S
apropie cât dorim de mult de p A , tinde către 1 când n o f . Ne este permis, B Aˆ B
astfel, să interpretăm p A ca o frecvenĠă relativă. A
Teorema limită centrală "măsoară" abaterea dintre modelul ales (în cazul
de faĠă, valoarea p A ) úi frecvenĠa relativă f A (n ) obĠinută în urma unui număr finit
de încercări. Figura 1.3.1: Diagrama Venn a intersecĠiei mulĠimilor A úi B
În calculul probabilităĠilor sunt utile următoarele relaĠii (proprietăĠi):
AplicaĠia 1.3.1
> @
1. P A C
1  P >A@ , unde C
A este evenimentul complementar Considerând experimentul aruncarea cu zarul, să se determine
probabilitatea evenimentelor: A {faĠa 2} , B {faĠa 1 sau faĠa 2} ,
evenimentului A;
C {o faĠa impară } , precum úi probabilităĠile condiĠionate: P [ A C ] úi P [B C ] .
2. P >A@ d 1 - utilă în verificarea corectitudinii calculelor (vezi úi axioma 1);
***
3. P >‡@ 0 ; AplicaĠia 1.3.2
4. Dacă A1, A2 ,", An sunt evenimente disjuncte atunci: La un nod de comutaĠie, [Bor94], se recepĠionează mesaje ce sunt
n n distribuite echiprobabil
ª º
P « * Ak » ¦ P >Ak @ , n t 2 (utilă în calculul probabilităĠilor unor La un nod de comutaĠie, [Bor94], se recepĠionează mesaje ce sunt
«¬k 1 »¼ k 1 distribuite echiprobabil la un număr de N terminale identificate prin adresele
evenimente complexe); 0,1, 2,", N . Considerând următoarele evenimente:
A ^mesajul recepĠionat se transmite unui terminal de adresă pară`
5. P >A ‰ B @ P >A@  P >B @  P >A ˆ B @ úi P >A ‰ B @  P >A@  P >B @ ;
B ^mesajul recepĠionat se transmite unui terminal de adresă impară`
ªn º n
C ^mesajul recepĠionat se transmite unui terminal de adresă d M ,
6. P « * Ak » ¦ P >A j @  ¦ ¦ P >A j ˆ Ak @  ...  ( 1)n 1P >A1 ˆ A2 ˆ ... ˆ An @ ; unde M  N `
«¬k 1 »¼ j 1 j zk j zk

ª n º n
> @
i) Să se precizeze semnificaĠiile probabilităĠilor: P B A úi P C A ;> @
7. P « * Ak » d ¦ P >Ak @ (utilă în obĠinerea de margini superioare pentru ii) Să se determine expresiile lor. Caz particular: N = 25; M = 16.
«¬k 1 »¼ k 1
IndicaĠie: Fără a restrânge generalitatea, considerăm N úi M numere pare.
probabilităĠile de interes) ;
Œ Varianta intuitivă: Înaintea efectuării experimentului, spaĠiul realizărilor
8. Dacă A  B atunci: P >A@ d P >B @ (utilă în obĠinerea de margini
este: S ^0,1,", N ` . După efectuarea experimentului se útie că
superioare pentru probabilităĠile de interes).
evenimentul A s-a îndeplinit, deci spaĠiul redus al realizărilor pe
care se pot înfăptui evenimentele C sau B este:
1.3. ProbabilităĠi condiĠionate Sr A ^0,2,4,..., N  4, N  2` . Deoarece evenimentul B conĠine
doar realizări impare rezultă că P B A> @ 0.
™ Probabilitatea condiĠionată ca evenimentul A să se îndeplinească
În privinĠa evenimentului C, spaĠiul redus conĠine următoarele realizări ce
 13 14 EVALUĂRI DE PERFORMANğĂ

îl satisfac: ^ 0, 2, 4, ..., M `. Conform ipotezei, realizările sunt echiprobabile, deci se deci: S A ‰ B unde A ˆ B ‡ .
> @
calculează că probabilitatea P C A ca raport dintre (numărul realizărilor din Sr Aplicând teorema probabilităĠii totale obĠinem:

ce satisfac C) úi (numărul total al realizărilor din Sr ), adică:

> @ > @
P >C @ P C A ˜ P >A@  P C B ˜ P >B @ .
Pentru a determina P >A@ úi P >B @ Ġinem cont de ipotezele (a) úi (b) din
M / 2  1 M  2 18
PCA> @ N 2 N 25
72% care deducem că cererile de servicii sunt echiprobabile.
Dacă n este numărul total al abonaĠilor, iar n1 úi n2 sunt numerele de
P >B ˆ A@ P >‡ @
Œ Varianta analitică: P B A> @ P >A@ P >A@
0 . Deoarece: abonaĠi din cele două categorii, atunci: P >A@ n1 / n 4 / 5 úi P >B @ n2 / n 1 / 5 .

- P >C ˆ A @ este egală cu raportul dintre (numărul realizărilor pare din ùtiind din datele aplicaĠiei că: P C A > @ > @
e 1000Pt úi P C B e Pt , atunci
S r mai mici sau egale cu M) úi (numărul realizărilor din S r ), adică: rezultă: P >C @ 4 / 5 ˜ e 1000Pt  1 / 5 ˜ e Pt ...
M / 2 1 ***
P >C ˆ A @ ,
N
™ Regula Bayes: Fie B1 , B2 , ... , Bn o partiĠie a lui S úi A un eveniment.
- P >A @ este egală cu raportul dintre (numărul realizărilor pare din Sr ) úi
Probabilitatea realizării evenimentului B j când a avut loc evenimentul A este:
N/2
(numărul realizărilor din S r ), adică: P >A @ ,
N
P >C ˆ A@ M / 2  1 N M 2 >
P Bj A @ >
P A ˆ Bj @ > @ > @
P A Bj ˜ P Bj
(1.3.3)
- atunci rezultă că: P >C A@ ˜ . P >A@ n
P >A@ N N 2 N >
¦ P A Bk ˜ P >Bk @ @
*** k 1

™ Teorema probabilităĠii totale: Fie B1 , B2 , ... , Bn o partiĠie a spaĠiului Această regulă este utilă când evenimentele B j sunt caracterizate
de eúantionare S úi A un eveniment oarecare. Probabilitatea de apariĠie a
evenimentului A este dată de relaĠia:
> @
"apriori" prin probabilităĠi P B j , adică înainte ca experimentul să aibă loc, úi prin

> @ > @ > @

P >A@ P A B1 ˜ P >B1 @  P A B2 ˜ P >B2 @  ...  P A Bn ˜ P >Bn @
(utilă când experimentul poate fi văzut ca secvenĠă de mai multe
subexperimente).
AplicaĠia 1.3.3
AbonaĠii unui nod de comutaĠie sunt împărĠiĠi după durata serviciilor
cerute în două categorii. Pentru prima categorie, durata de servire urmează o
lege exponenĠială de parametru 1000P , iar pentru a doua, aceeaúi lege de
parametru P . Să se determine probabilitatea ca un serviciu oarecare să se
desfăúoare încă după t secunde de la iniĠierea lui, útiind că:
(a) cererea de servicii este aceeaúi pentru toĠi abonaĠii nodului de
comutaĠie;
(b) numărul abonaĠilor din prima categorie este de patru ori mai mare
decât al abonaĠilor din a doua categorie. Caz particular: P 1 serviciu/secundă,
t 10 secunde.
IndicaĠie: Pentru rezolvarea aplicaĠiei prezintă interes următoarele evenimente:
A ^serviciul observat aparĠine primei categorii ` ;
B ^serviciul observat aparĠine celei de-a doua categorii ` ;
C ^serviciul se desfăúoară încă după t secunde de la iniĠierea sa` .
Evenimentele A úi B realizează o partiĠie după categorii a spaĠiului realizărilor,
(1.3.2) probabilităĠi > @
P B j A "aposteriori", când, în urma experimentului, s-a realizat
evenimentul A.
AplicaĠia 1.3.4
O sursă binară generează simbolurile 1 úi 0 cu probabilitatea p, respectiv
1  p . La recepĠie, decizia este perturbată de zgomot, probabilitatea detectării
incorecte a unui simbol fiind H , [Spăt83]. Fie evenimentele:
A ^s - a generat simbolul i ` , cu i 0,1;
B ^s - a recepĠionat simbolul j `, cu j 0,1 .
>
i) Să se determine probabilitatea P Ai & B j , pentru i @ 0,1 úi j 0,1 .
ObservaĠie: Simbolul &, echivalent cu ˆ , este mai general, aplicându-se
úi în cazul unor evenimente cu realizări din spaĠii de eúantionare diferite.
ii) Considerând probabilitatea p 0,5 să se afle care simbol este mai
probabil să fi fost transmis dacă la recepĠie s-a luat decizia 1.
Rezolvare:
i) Diagrama arbore a experimentului este prezentată în figura 1.3.2 úi,
parcurgând-o, rezultă că:
P >A0 & B0 @ (1  p ) ˜ (1  H) ; P >A0 & B1 @ (1  p ) ˜ H ;
P >A1 & B0 @ p ˜ H ; P >A1 & B1 @ p ˜ (1  H) .
 15 16 EVALUĂRI DE PERFORMANğĂ

C ^ un abonat din a doua categorie are acces la linia de LI ` .

1 p p
Se va considera că accesul la linia de ieúire LI este distribuit echiprobabil
simbol generat 0 1 între abonaĠi.
H Rezolvare: Scrierea analitică a evenimentelor este următoarea:
1 H 1 H
A ^1,1; 2,1` , B ^2,1; 4,2` , C ^3,2; 4,2`
H
0 1 simbol recepĠionat Datorită distribuĠiei echiprobabile a accesului la linia de ieúire, înseamnă
2 1
Figura 1.3.2: Diagrama arbore a realizărilor pereche că: P >A@ P >B @ P >C @
4 2
într-un sistem de transmisie binar
Pentru evenimentele: A ˆ B ^2,1` , A ˆ C ‡ úi B ˆ C ^4,2` avem
ii) Pentru a răspunde problemei trebuie să comparăm probabilităĠile
probabilităĠile: P >A ˆ B @ 1 / 4 , P >A ˆ C @ 0 úi P >B ˆ C @ 1 / 4 . Deci:
> @ > @
P A0 B1 úi P A1 B1 . Regula Bayes oferă următoarele relaĠii:
xP >A ˆ
B@ P >A@ ˜ PN
>B @ adică evenimentele sunt independente. Cu alte
 N
>
P A0 B1 @ P >A0 & B1 @ > @
P B1 A0 ˜ P >A0 @ 1/ 4 1/ 2 1/ 2

P >B1 @ P >B1 @ cuvinte, realizarea evenimentului B nu modifică probabilitatea

> @
P B1 A1 ˜ P >A1 @
evenimentului P A B > @ P >A@ úi viceversa.
P >A1 & B1 @
>
P A1 B1 @ xP
>A ˆ

C@ z P
N >A@ ˜ PN
>C @ adică evenimentele nu sunt independente;
P >B1 @ P >B1 @ 0 1/ 2 1/ 2
Considerând partiĠia A0 , A1 a spaĠiului de eúantionare, probabilitatea de la realizarea evenimentului C face certă nerealizarea evenimentului A
numitor se găseúte conform teoremei probabilităĠii totale: > @
( P A C 0 ) úi viceversa.
> @ > @
P >B1 @ P B1 A0 ˜ P >A0 @  P B1 A1 ˜ P >A1 @ H ˜ (1  p )  (1  H ) ˜ p p 0,5 0,5 xP >B ˆ

C@ P >B@ ˜ PN
>C @ , adică evenimentele sunt independente: realizarea
 N
H ˜ 0,5 (1  H ) ˜ 0,5 1/ 4 1/ 2 1/ 2
>
Deci: P A0 B1 @
0,5
H úi P A1 B1
0,5
> 1 H . @ evenimentului C nu modifică probabilitatea evenimentului B ( P B C > @ P >B @ )
Interpretarea rezultatului: úi viceversa.
- pentru H ! 0,5 este mai probabil să fi fost emis simbolul "0"; ***
- pentru H  0,5 este mai probabil să fi fost emis simbolul "1" (cazul real); În general, evenimentele A1 , A2 , ... , An sunt independente dacă pentru
- pentru H 0,5 simbolurile emise sunt "la fel de probabile". orice combinaĠie de elemente úi oricâte dintre ele există relaĠia:
> @ > @
P Ai & " & A j & " & Ak P >Ai @" P A j " P >Ak @ (1.4.3)
1.4. IndependenĠa evenimentelor
AplicaĠia 1.4.2
Două evenimente A úi B sunt independente dacă: AflaĠi numărul de relaĠii ce definesc independenĠa unui număr de n
evenimente.
P >A ˆ B @ P >A@ ˜ P >B @ (1.4.1)
Răspuns: 2 n  n  1
Rezultă deci că:
> @
P AB P >A@ úi P B A > @ P >B @ (1.4.2) 1.5. Experimente secvenĠiale
AplicaĠia 1.4.1
Fie un concentrator cu o singură linie de ieúire, LI, la care sunt conectaĠi 4 O succesiune de experimente elementare E1 , E 2 , ... , E n numite
abonaĠi identificaĠi prin perechile (1,1), (2,1), (3,2) úi (4,2). Primul element din subexperimente, constituie un experiment secvenĠial. Realizarea s a unui
pereche reprezintă adresa, iar al doilea categoria abonatului. VerificaĠi astfel de experiment este un vector ale cărui elemente sk sunt realizările sub-
independenĠa următoarelor evenimente luate două câte două:
experimentelor implicate 1, 2, ..., k, ..., n  : s s1, s2 , ", sk ,", s n 
A ^ un abonat din prima categorie are acces la LI ` ;
SpaĠiul de eúantionare S este produsul cartezian al spaĠiilor individuale:
B ^ un abonat de adresă pară are acces la linia de LI ` ;
S S1 u S2 u ... u Sn
 17
IndependenĠa evenimentelor A1 , A2 , ... , An ce apar într-un experiment
secvenĠial este indusă de independenĠa subexperimentelor sale, dacă fiecare
eveniment Ak depinde doar de realizările subexperimentului k. În acest caz:
P >A1 & A2 & ... & An @ P >A1@ ˜ P >A2 @ ˜ ...P >An @ .
Pe baza acestui raĠionament, calculele laborioase, impuse de verificarea
relaĠiilor ce definesc independenĠa evenimentelor, sunt evitate.
SecvenĠele de subexperimente independente în care se urmăreúte
numărul apariĠiilor (succeselor) unui anumit eveniment (de exemplu: recepĠia
simbolului "1" dintr-o secvenĠă binară) se numesc încercări Bernoulli
independente. Ele sunt modelate cu ajutorul legii de probabilitate binomială, ce
are următorul enunĠ:
Fie k numărul de succese obĠinute în n încercări Bernoulli independente.
atunci probabilitatea lui k este dată de legea de probabilitate binomială:
§n·
pn (k ) ¨¨ ¸¸ ˜ p k ˜ (1  p )n  k pentru k 0, n (1.5.1)
©k ¹
unde: - p n (k ) este probabilitatea apariĠiei a k succese în n încercări,
§n· n!
- ¨¨ ¸¸ este coeficientul binomial, úi
k
18 EVALUĂRI DE PERFORMANğĂ
perioadelor de tăcere din convorbiri, conduce la ideea că numărul maxim, M , de
pachete transmise de sistem pe durata W poate fi mai mic decât cel al
convorbirilor simultane, M  N . Considerând că clienĠii acceptă pierderea pentru
q % pachete active, să se construiască un model probabilistic pe baza căruia să
se proiecteze un astfel de sistem. Caz particular: N 48 , q 1 úi s 66 .
Rezolvare: Specificarea experimentului: la fiecare W msec se obĠin N pachete
active úi inactive. Putem considera realizare a experimentului evenimentul
elementar A, ce reprezintă numărul pachetelor active, produse într-un interval. În
acest caz, spaĠiul realizărilor este: S ^0,1,..N ` .
Evenimente de interes sunt:
- ^A d M ` - toate pachetele active sunt transmise;
- ^A ! M ` - un număr de A  M pachete active sunt pierdute.
ProbabilităĠile ataúate evenimentelor elementare sunt generate de legea
§N ·
de probabilitate binomială: pk ¨ ¸ p k (1  p )N k , unde p 0,01 este raport pe
©k¹
termen lung al pachetelor active din totalul de pachetelor generate de o sursă .
Mărimea pk este valoarea către care converge frecvenĠa relativă a
evenimentului ^A k ` după o lungă secvenĠă de repetări:
© ¹ k ! n  k !
N n 
- p este probabilitatea apariĠiei succesului într-o încercare. lim fk n  lim k pk , 0 d k d N ,
n of n of n
În general, pentru evitarea dificultăĠilor generate de termenii factoriali, în calculele
computerizate se utilizează formula recursivă: unde N k (n ) este numărul de realizări ale evenimentului ^A k ` în cele n
(n  k ) ˜ p repetări. Procentul de pachete active pierdute este dat de raportul dintre media
pn (k  1) ˜ pn ( k ) (1.5.2) numărului de pachete pierdute úi media pachetelor generate:
(k  1) ˜ (1  p ) 1
N § N
AplicaĠia 1.5.1 q ·
Un nod de comutaĠie deserveúte N terminale. Să se determine 100
¦ (k  M ) ˜ pk ˜ ¨¨ ¦ k ˜ pk ¸¸
k M 1 ©k 0 ¹
probabilitatea ca numărul de terminale active să fie mai mare ca M, probabilitatea
El reprezintă valoarea către care tinde raportul dintre numărul de pachete
ca un terminal să fie activ fiind p. Caz particular: N 8 ; M 6 ; p 0,3 .
active pierdute úi numărul de pachete active generate de-a lungul a n repetări.
Rezolvare: Fie evenimentele: Ak ^k terminale sunt active `, k 0, N . Atunci: Expresia acestui raport este:
N 1
N § N ·
P >^numar de terminale active ! M `@ ¦ P >^k terminale sunt active`@ ¦ (k  M ) ˜ Nk (n ) ˜ ¨¨ ¦ k ˜ Nk (n ) ¸¸
k M 1 k M 1 ©k 0 ¹
N
§N · k Considerând cazul particular, se obĠine curba din figura 1.5.1. din care se
¦ ¨¨ ¸¸ ˜ p ˜ (1  p)N  k 0,00259
k
k
M 1 © ¹
extrage valoarea 20 pentru parametrul M.
AplicaĠia 1.5.2 ***
Fie un sistem de telecomunicaĠii care permite realizarea unui număr de N SecvenĠele de subexperimente independente de tip Bernoulli în care se
convorbiri simultane între două localităĠi prin multiplexarea în timp pe un canal de urmăreúte numărul de repetări până la apariĠia primului succes sunt modelate cu
comunicaĠie. Semnalele vocale sunt eúantionate cu perioada T [ P sec ] úi ajutorul legii geometrice de probabilitate :
cuantizate pe Q [biĠi]. SecvenĠele binare, obĠinute sunt încapsulate în pachete de
lungime constantă, ce corespunde la W [msec] de segment de semnal audio. p( m ) >
P A1C & A2C & ... & Am
C
1 & Am @ (1  p )m 1 ˜ p , cu m t 1 (1.5.3)
Pentru o corectă redistribuire la recepĠie, fiecărui pachet i se ataúează adresele unde: - m este numărul de repetări până la apariĠia succesului;
sursei úi destinaĠiei. Faptul că, în medie, s % din pachetele obĠinute corespund - A1C , A2C ,..., Am
C
1 este secvenĠa de insuccese obĠinute în primele m
 19
q AplicaĠia 1.5.4
M W 
[pachete/msec]
Figura 1.5.1: VariaĠia cu rata de transmisie a procentului de pachete pierdute
încercări;
- Am este succesul evenimentului în încercarea m ;
- p este probabilitatea apariĠiei succesului într-o încercare.
Probabilitatea ca numărul necesar de încercări, m , pentru obĠinerea
succesului să fie mai mare decât un număr fixat k este: P >m ! k @ (1  p )k .
AplicaĠia 1.5.3
Pentru realizarea unei comunicaĠii printr-un mediu perturbator, mesajele
sunt codate astfel încât la recepĠie să se poată realiza procesul de detecĠie al
erorilor. În caz de eroare la recepĠie, destinaĠia cere sursei retransmisia mesajului
în cauză. ùtiind că mesajele se perturbă cu o probabilitate q, să se determine
care este probabilitatea ca un mesaj să fie retransmis de cel puĠin k ori. Caz
particular: q 0,1 úi k 2 .
Rezolvare: Considerând că m este numărul transmisiilor până când se
obĠine succesul (recepĠia corectă a mesajului) avem:
P >m t k  1@ P >m ! k @ q k 0,01
20 EVALUĂRI DE PERFORMANğĂ
Semnalul codat numeric, obĠinut de la o sursă este fragmentat în
segmente vocale care sunt încapsulate în pachete de lungime constantă. Se
consideră că pachetele sunt doar de două tipuri: 0, ce corespunzător perioadelor
de tăcere din convorbire, úi 1, ce corespunzător activităĠii sonore.
Pachetele tind să se succedă în salve de tip 0 cu probabilitatea p (după
un simbol de tip 0 urmează tot un simbol de tip 0), sau de tip 1 cu probabilitatea q
(după un simbol de tip 1 urmează tot un simbol de tip 1). Se cere:
i) ImaginaĠi un model capabil să descrie această situaĠie.
ii) DeterminaĠi probabilitatea secvenĠei iniĠiale 001111110.
Caz particular: p 2 / 3 , q 1 / 4 .
Rezolvare:
i) Este vorba de un lanĠ Markov, realizările unui subexperiment depinzând
strict de realizările subexperimentului precedent. Modelul propus are diagrama
din figura 1.5.2. Nodurile (stările) 0 úi 1 reprezintă o realizare posibilă a unui
subexperiment, iar arcele conduc, cu probabilităĠile menĠionate, către o realizare
posibilă din următorul subexperiment. "Start" reprezintă nodul de plecare al
experimentul, iniĠial sursa putându-se găsi, cu aceeaúi úansă, în starea de
tăcere sau activitate sonoră.
p 1 p q
0 1
1 q
0.5 0.5
start
Figura 1.5.2: Diagrama unui lanĠ Markov cu două realizări
ii) Probabilitatea cerută este dată de relaĠia:
> @ > @5 > @ > @
P >001111110 @ P 0 1 ˜ ^P 11 ` ˜ P 10 ˜ P 0 0 ˜ P >0@ 1  q  ˜ q 5 ˜ 1  p  ˜ p ˜ 1 / 2
AplicaĠia 1.5.5
*** ReluaĠi aplicaĠia anterioară considerând că sursa este modelată prin
În cazul lanĠurilor (secvenĠelor) de subexperimente dependente, intermediul unui lanĠ Markov de ordinul II, adică în cazul în care realizarea
realizarea din cadrul unui subexperiment depinde de realizările anterioare. Astfel, curentă depinde numai de ultimele două realizări precedente.
o secvenĠă particulară de realizări s0 , s1, ", s n are probabilitatea: IndicaĠie:
P >s 0 & s1 & ... & s n @ În această situaĠie, stările diagramei vor preciza combinaĠiile posibile ale
(1.5.4) ultimilor două realizări precedente.
> @ > @ > @
P s n s 0 & s1... & s n 1 ˜ P s n 1 s 0 & ... & s n 2 ˜ ... ˜ P s1 s 0 ˜ P >s 0 @
LanĠurile de subexperimente dependente la care realizarea curentă
depinde numai de realizarea precedentă se numesc lanĠuri Markov (de
ordinul I). În acest caz, relaĠia anterioară devine:
> @ > @ > @
P >s0 & s1 & ... & s n @ P s n s n 1 ˜ P s n 1 s n  2 ˜ ... ˜ P s1 s0 ˜ P >s0 @ (1.5.5)
 22 EVALUĂRI DE PERFORMANğĂ

ProprietăĠile funcĠiei de distribuĠie, ce rezultă de fapt din axiomele

probabilităĠii, sunt următoarele:
Π0 d FX ( x ) d 1 ;
Πlim FX ( x ) 1 ;

c a p ito lu l 2
x of
Πlim FX ( x ) 0;
x o f
Œ FX (a )  FX (b ) pentru orice a  b a (monoton crescătoare);
not
ΠFX ( b ) lim F (b  h ) FX (b*) (continuitatea la dreapta);
h o0 X
h !0
ΠP >a  X d b @ FX (b )  FX (a ) ;

Œ P >X b @ FX (b )  FX (b  ) sau P >X b @ 0 , dacă X este continuă în b ;

Variabile aleatorii ΠP >a d X d b @ FX (b )  FX (a  ) ;

- definiĠii úi concepte de bază - Œ P >a  X  b @ FX (b  )  FX (a ) .

O variabilă aleatoare X este variabilă aleatorie continuă dacă funcĠia sa
de distribuĠie FX ( x ) este continuă peste tot úi poate fi definită ca o integrală
dintr-o funcĠie pozitivă f (x):
Variabila aleatorie X este o funcĠie fixă úi deterministă care alocă x
(repartizează, distribuie) un număr real X ]  fiecărei realizări ] din spaĠiul de FX ( x ) ³ f ( t ) dt (2.1.2)
eúantionare S al unui experiment aleator, E. SpaĠiul de eúantionare al variabilei f

aleatorie X se notează cu S X ; X ( ] ) este o aplicaĠie (măsurabilă) a spaĠiului O variabilă aleatorie X este variabilă aleatorie discretă dacă funcĠia sa
 S, A  pe mulĠimea  înzestrată cu tributul lui Borel, B [Ciuc83].
Fie A un eveniment în spaĠiul S úi B un eveniment în spaĠiul S X . Ele sunt
evenimente echivalente dacă A ^ ] : X (] )  B` . În acest caz:
P >B @ P >A@ P >^] : X (] )  B` @ (2.1)
NotaĠia P >
@ din în relaĠia anterioară nu reprezintă în toĠi termenii acelaúi lucru, ci
în ultimii doi este vorba de aplicaĠia lui A pe  , iar în primul termen semnifică
aplicaĠia lui B pe  , ceea ce este de fapt o lege de probabilitate.
Comportamentul unei variabile aleatorie X este descris complet de funcĠia
de distribuĠie sau funcĠia densitate de probabilitate.
2.1. FuncĠia de distribuĠie
FuncĠia de distribuĠie, FX ( x ) , a variabilei aleatorie X este probabilitatea
apariĠiei evenimentului ^X d x` :
FX ( x ) P ª¬^X d x`º¼ , pentru  f  x  f (2.1.1)
de distribuĠie FX ( x ) este sub formă de scară, continuă la dreapta, având o
mulĠime măsurabilă (finită sau infinită) de puncte de salt x0 , x1, x 2 ," Aceste
puncte reprezintă spaĠiul de eúantionare S X .
FuncĠia de distribuĠie a unei variabile aleatorie discrete se poate exprima
ca o sumă ponderată de funcĠii treaptă unitate:
FX ( x ) ¦ p X ( x k ) ˜ u( x  x k ) (2.1.3)
k
unde: p X ( x k ) P >X x k @ este probabilitatea elementară de apariĠie a
evenimentului elementar ^X xk ` .
O variabilă aleatorie X este variabilă aleatorie mixtă dacă funcĠia sa de
distribuĠie FX ( x ) are, pe lângă o mulĠime de salturi în punctele x0 , x1, x 2 ," , cel
puĠin un interval pe care evoluează continuu.
Astfel de variabile aleatorii se pot genera în cadrul unor experimente
secvenĠiale dependente, în 2 trepte: o încercare Bernoulli este urmată de
generarea variabilei aleatorie conform distribuĠiei aleasă în subexperimentul
precedent.
 23 24 EVALUĂRI DE PERFORMANğĂ

2.2. FuncĠia de densitate de probabilitate FuncĠia de distribuĠie corespunzătoare are expresia:

x x

FuncĠia de densitate de probabilitate, f X (x ) , a variabilei aleatorie X , FX ( x ) ³ fX (t ) dt ¦ pX ( xk ) G( x  xk ) dt

³ ¦ pX (xk ) ˜ u(x  xk )
f k f k
dacă există, este derivata funcĠiei de distribuĠie FX ( x ) : Pentru variabile aleatorii mixte, funcĠia densitate de probabilitate va
dF X ( x ) conĠine atât funcĠii delta, cât úi funcĠii continue corespunzătoare.
fX (x) (2.2.1) Principalele proprietăĠile ale funcĠiei densitate de probabilitate sunt:
dx
x fX (x) t 0 ;
FuncĠia fX (x) reprezintă o densitate de probabilitate întrucât b
probabilitatea ca variabila aleatorie X să apară în vecinătatea ( x, x  dx ) a unui x P >a d X d b @ ³ f X ( x ) dx ;
punct x, este dată de relaĠia (vezi figura 2.2.1): P >x  X d x  dx @ | f X ( x ) dx a
x

f X (x )
x FX ( x ) ³ f X ( t ) dt ;
f
f
x ³ f X ( x ) dx 1 (condiĠia de normare).
f
AplicaĠia 2.2.1
Timpul de transmisie X a unui mesaj într-un sistem de comutaĠie urmează
x o lege de probabilitate exponenĠială, de parametru O úi de forma
x x  dx P >X ! x @ e  O x , cu x ! 0 . Să se determine:
Figura 2.2.1: Specificarea probabilităĠii unui interval infinitezimal prin intermediul i) funcĠia de distribuĠie úi funcĠia densitate de probabilitate;
funcĠiei densitate de probabilitate ii) P >T  X d 2T @ , cu T 1/ O .
Rezolvare: i) FX ( x ) P >X d x @ 1  P >X ! x @ , deci
Orice funcĠie g(x) , pozitivă, continuă pe subintervale, care respectă
condiĠia: ­0 , pentru x  0
FX ( x )
®  Ox
f
¯1  e , pentru x t 0
³ g ( x ) dx Cf
FX (x ) fiind o funcĠie continuă, rezultă că:
f
poate fi utilizată în construirea unei funcĠii densitate de probabilitate, f X (x ) pe dFX ( x ) ­°0 , pentru x  0
fX (x) ® x
g( x ) dx  O
°̄O ˜ e , pentru x t 0
baza relaĠiei: f X ( x ) .
C Graficele celor două funcĠii sunt prezentate în figura 2.2.2.
Deoarece f X (x ) trebuie definită pe întreaga mulĠime a numerelor reale,
FX (x )
este necesar ca, pe eventualele intervale în care funcĠia g(x) nu ia valori,
expresia densităĠii de probabilitate să fie:
fX (x) 0
x
În cazul variabilelor aleatorii discrete, cu funcĠii de distribuĠie discontinue
în punctele x0 , x1, x 2 ," , funcĠia densitate de probabilitate va conĠine funcĠii delta f X (x )
corespunzătoare punctelor de discontinuitate:
fX (x) ¦ p X ( x k ) ˜ G( x  xk ) (2.2.2) x
k
Figura 2.2.2: FuncĠia de distribuĠie úi funcĠia densitate de probabilitate
unde: pX ( xk ) P >X xk @ . în cazul legii exponenĠiale
 25 26 EVALUĂRI DE PERFORMANğĂ

ii) metoda 1: P >T  X d 2T @ P >T  X @  P >2T  X @ e 1  e 2 | 0,233 ; FuncĠia de distribuĠie condiĠionată de un eveniment A, a variabilei
aleatorie X este:
metoda 2 : P >T  X d 2T @ FX (2T )  FX (T ) 1  e 2  1  e 1 | 0,233 ;
P >^X d x` & A@
2T
2T FX ( x A) , dacă P >A@ ! 0 (2.2.3)
metoda 3 : P >T  X d 2T @ e  Ox e 1  e  2 | 0,233 . P >A@
³ f X ( X) dx T
T FuncĠia de densitate de probabilitate condiĠionată de un eveniment A,
*** a variabilei aleatorie X este (dacă derivata există!):
AplicaĠia 2.2.2 dFX ( x A)
Timpul de aúteptare într-un sistem, W, este zero pentru un client dacă el f X ( x A) (2.2.4)
dx
găseúte sistemul liber, iar în rest, adică dacă el găseúte sistemul ocupat, este
distribuit exponenĠial. Probabilitatea de a găsi sistemul liber este p. GăsiĠi: AplicaĠia 2.2.3
i) funcĠia de distribuĠie a variabilei aleatorie W ; Timpul de servire, X, al unui client urmează o funcĠie de distribuĠie
ii) funcĠia densitate de probabilitate. continuă FX (x ) . DeterminaĠi funcĠia de distribuĠie condiĠionată úi funcĠia densitate
Rezolvare: Dacă se utilizează teorema probabilităĠii totale, se scrie că: de probabilitate condiĠionată relativ la evenimentul A ^clientul este încă în
FW ( x ) P >W d x @ > @
P W d x sistemul este liber ˜ p servire la momentul t ` . ParticularizaĠi în cazul unei distribuĠii exponenĠiale a lui X
 P >W d x sistemul este ocupat @ ˜ (1  p ) .
Rezolvare: Evenimentul A ^clientul este încă în servire la momentul t ` ^X ! t `.
Deoarece:
Deci:
­0 pentru x  0 (nu poate exista timp de asteptare negativ)
>
P W d x sistem liber @ ® P >^X d x` &^X ! t `@ °
­0 pentru x  t
¯1 pentru x t 0 (W 0 d x ) >
FX ( x A) P X d x X ! t @ ® P >t  X d x @ pentru x t t
P >^X ! t `@
­0 pentru x  0 ° 1  P >X d t @
úi P >W d x sistem ocupat @ ® - Ox , ¯
¯1  e pentru x t 0 ( FX ( x A) 0 pentru x  t , deoarece este imposibil ca timpul de servire să fie sub
rezultă deci că: x atunci când se útie că el a depăúit valoarea t).
­0 pentru x  0 Înlocuind probabilităĠile cu expresii ce conĠin funcĠia de distribuĠie, obĠinem:
FW ( x ) ®  Ox
¯ p  (1  p )(1  e ) pentru x t 0 ­0 pentru x  t
Graficele celor două funcĠii sunt prezentate în figura 2.2.3. °
FX ( x A) ® FX ( x )  FX (t ) pentru x t t (2.2.5)
° 1  F (t )
FW (x ) ¯ X

­0 pentru x  t
dFX ( x A) °
p
f X ( x A) ® fX (x) pentru x t t
(2.2.6)
dx °1  F ( t )
¯ X
x
***
fW (x ) În procesul de modelare se poate recurge la o serie de distribuĠii de
variabile aleatorii. Descrierea completă, dar compactă, a celor mai uzuale
1  p  ˜ O ˜ e -Ox
p x
Figura 2.2.3: FuncĠia de distribuĠie úi funcĠia densitate de probabilitate în cazul
variabilei aleatorie mixte din aplicaĠia 2.2.2.
***
distribuĠii este prezentată în paragraful 2.6.
AplicaĠia 2.2.4
Să se demonstreze că pentru n suficient de mari úi pentru p suficient de
mici, distribuĠia Poisson aproximează distribuĠia binomială.
DemonstraĠie:
Facem notaĠia D n ˜ p (media numărului de succese). ProbabilităĠile
generate de distribuĠia binomială au expresia:
 27 28 EVALUĂRI DE PERFORMANğĂ

§n· k Într-un canal de comunicaĠii, probabilitatea ca un bit să fie eronat este

¨¨ ¸¸ p (1  p )n  k , k 1, n .
pk 3
©k ¹ de 10 . DeterminaĠi probabilitatea ca într-un bloc de 1000 de biĠi să apară cel
RelaĠia de recurenĠă care leagă aceste probabilităĠi este: puĠin 5 erori.
Rezolvare: notăm numărul biĠilor eronaĠi cu N úi probabilitatea de eroare
§ n · k 1 n  k 1 § k· cu p úi dorim să evaluăm: P >N t 5@ 1  P >N  5@ .
pk 1 ¨ ¸ p (1  p) ¨1 ¸ ˜ D
© k  1¹ © n¹ x Metoda 1: aplicăm distribuĠia binomială:
.... (2.2.7)
pk §n· k nk § D· 4 1000
§ · k
¨ ¸ p (1  p) (k  1) ˜ ¨ 1  ¸ P >N t 5@ 1  ¦ ¨¨ ¸¸ p (1  p )1000  k ......
©k ¹ © n¹ k
k 0© ¹
pk 1 D D x Metoda 2: aplicăm distribuĠia Poisson, aceasta fiind permisă prin datele
Dar , deci pk 1 pk pentru k 1, n . problemei:
pk n o f k  1 k 1 4
Dk D § 1 1 1 1·
Pentru a putea folosi această relaĠie, trebuie să determinăm una din P >N t 5@ 1  ¦ ˜e 1  e 1¨¨1     ¸¸ 0,00366
k 0 k ! © 1 ! 2! 3 ! 4 ! ¹
probabilităĠile pk .
n
***
n § D· D AplicaĠia 2.2.6
În cazul de faĠă: p0 (1  p ) ¨1  ¸ e
© n¹ nof Să se demonstreze că distribuĠia exponenĠială este forma limită a
distribuĠiei geometrice.
D D D2 D Dk D DemonstraĠie: Conform aplicaĠiei 2.2.4, probabilitatea succesului unei
În consecinĠă, se obĠine că: p1 e , p2 e , ..., pk e , ...,
1 2! k! încercări este dată de relaĠia: p D / n .
ceea ce corespunde unei distribuĠii Poisson. Aúa cum este prezentat în figura 2.2.5, următoarele două evenimente:
Interpretare: O secvenĠă de n încercări Bernoulli se poate desfăúura în ^N ! k ` ^numarul N al realizărilor până la primul succes să depăúească
spaĠiu sau timp. În ultimul caz, ea poate fi reprezentată ca în figura 2.2.4, în care: valoarea k ` , úi
cele n încercări au loc într-un interval T, începând cu momentul 0, iar durata
dintre două încercări succesive se presupune constantă úi egală cu T / n .
^X ! t ` ^ durata X până la obĠinerea primului succes să depăúească valoarea t `
sunt echivalente dacă se respectă relaĠia: k t T .
Simbolul * marchează în figură apariĠia succesului încercării din n
subintervalul corespunzător.
k
T
T /n * timp
0 T /n t T
* * * * t Figura 2.2.5: ApariĠia succesului după t unităĠi de timp sau k repetări Bernoulli
0 1 2 3 4 5 6 7 8 n-1 n
În acest caz:
Figura 2.2.4: Desfăúurarea în timp a unei secvenĠe de n încercări Bernoulli
ª­ t ½º
DistribuĠia binomială ce descrie acest experiment oferă media numărului
P >^X ! t `@ P « ®N ! ¾»
T n ¿¼
(1  p)n t T >(1  D / n) @
n tT

¬¯
de succese, n ˜ p în intervalul T. În acest caz, raportul np / T poate fi interpretat
ca o rată medie de apariĠie (sosire) a succeselor: O np / T D / T . La limită, când n o f , rezultă că: P >X ! t @ e  Dt / T , úi deci:
Deci, variabila aleatorie, N, ce reprezintă numărul de succese obĠinute în P > X d t @ 1  e  Dt / T 1  e  Ot
n încercări Bernoulli desfăúurate în intervalul >0,T @ urmează o distribuĠie care este o distribuĠie exponenĠială de parametru O (rata medie a apariĠiilor).
binomială de parametri n úi p. Atunci când n o f úi p o 0 , N devine o variabilă ***
aleatorie Poisson de parametru O D / T . AplicaĠia 2.2.7
*** (lipsa memoriei variabilelor exponenĠiale) Să se arate că pentru o
> @
variabilă exponenĠială este adevărată relaĠia P X ! t  h X ! t P >X ! h @ úi să
AplicaĠia 2.2.5
 29 30 EVALUĂRI DE PERFORMANğĂ

se interpreteze rezultatul. Să se determine modelul probabilistic ce descrie variabila aleatorie Y.

DemonstraĠie: Rezolvare: SY ^ 0,1, 2,", N  M `
P >^X ! t  h`& ^X ! t `@ P >X ! t  h@
P >X ! t  h X ! t @
M
P >Y 0@ P >^X 0` sau ^X 1`, ", sau ^X M `@ ¦j pj ,
P >^X ! t `@ P >X ! t @ 0
 O t  h 
e §N ·
 Ot
e Oh P >X ! h@ cu: pj P >X j @ ¨¨ ¸¸ p j (1  p )N  j . Rezultă că:
e ©j ¹
Interpretare: Probabilitatea ca realizarea unei variabile aleatorie exponenĠiale să P >Y k@ P >X M  k @ pM  k , pentru 0  k d N  M
depăúească valoarea h este independentă de coordonata (timp, spaĠiu etc.) de
unde s-a început observarea (măsurarea) acesteia. ***
***
2.4. Mărimi caracteristice ale unei variabile aleatorie
2.3. FuncĠii de o variabilă aleatorie ™ Valoarea aúteptată, E>X @ , sau media, m , a unei variabile aleatorie X ,
O funcĠie g (x ) reală, definită pe spaĠiul S X al unei variabile aleatorie X notată úi prin simbolul X , este dată de relaĠia:
este tot o variabilă aleatorie Y úi se numeúte funcĠie de variabilă aleatorie: f
E> X @ ³ t ˜ fX (t )dt , în cazul continuu (2.4.1)
Y g( X ) (2.3.1)
f
Fie C un eveniment în spaĠiul de eúantionare SY úi B evenimentul
sau: E >X @ ¦ xk ˜ p X ( xk ) , în cazul discret. (2.4.2)
echivalent din S X . ProbabilităĠile de apariĠie a celor două evenimente sunt legate k
prin relaĠia:
Pentru ca E >X @ să existe, integrala (suma) trebuie să conveargă absolut:
P >Y  C @ P >g  X   C @ P >X  B @ (2.3.2) f
Pentru a determina funcĠia de distribuĠie úi/sau funcĠia de densitate ³ t ˜ f X ( t) dt  f sau ¦ xk ˜ p X ( xk )  f
spectrală a variabilei aleatorie Y se aplică relaĠia precedentă, în care tipurile de f k

evenimente din spaĠiul S X pot fi: În calcule, deseori sunt utile următoarele expresii valabile pentru o
variabilă aleatorie X pozitivă:
x ^g ( X ) y k ` , pentru a determina amplitudinea salturilor în acele puncte f
( y k ,..) atunci când este cunoscut că funcĠia de distribuĠie a lui Y are - continuă: E >X @ ³ 1  FX (t )dt (2.4.3)
discontinuităĠi; 0

x ^ g ( X ) d y ` , pentru a determina direct funcĠia de distribuĠie; f

- discretă: E >X @ ¦ P >X ! k @ (2.4.4)
x ^ y  g ( X ) d y  h `, pentru a determina funcĠia densitate de probabilitate. k 0
AplicaĠia 2.3.1 Valoarea aúteptată a unei variabile aleatorie Y g ( X ) se poate afla
DeterminaĠi probabilităĠile elementare ale variabilei aleatorii Y X 2 , dacă indirect, determinând funcĠia densitate de probabilitate a lui Y sau direct cu
variabila aleatorie X are următoarele probabilităĠi elementare: pX (1) 1/ 6 ; ajutorul relaĠiei:
pX (0) 2 / 6 ; pX (1) 3/6 . f
E >Y @ E >g( X )@ ³ g(x) ˜ fX (x) dx (2.4.5)
***
f
AplicaĠia 2.3.2
Fie X numărul de surse active dintr-un număr de N surse independente Cele mai utile proprietăĠi ale mediei sunt următoarele:
ce generează blocuri informaĠionale (vezi aplicaĠia 1.5.2). Sistemul de x E >C @ C , unde C este o constantă oarecare,
transmisiuni acceptă maximum M transferuri simultane de blocuri informaĠionale x E >C ˜ X @ C ˜ E >X @ ,
pe unitatea de timp. Dacă limita este depăúită, un număr Y = X – M de blocuri x E >X  C @ E >X @  C
informaĠionale (alese aleator) sunt eliminate.
 31 32 EVALUĂRI DE PERFORMANğĂ

ª n º n AplicaĠia 2.4.1
x E >Y @ E « ¦ g k ( X )» ¦ E >g k ( X )@ DeterminaĠi mărimile caracteristice ale variabilei X ce a fost considerată în
¬k 1 ¼ k 1 aplicaĠia 2.3.1.
™ DeviaĠia, D, a variabilei aleatorie X faĠă de medie este: ***
D X  E >X @ (2.4.6) AplicaĠia 2.4.2
Fie N numărul de cereri de mesaj generate de o unitate centrală úi
™ VarianĠa (dispersia), V2 , a variabilei aleatorie X , notată úi VAR>X @ , transmise către un terminal până când acesta are un mesaj gata de transmis.
este: Dacă presupunem că terminalul produce mesaje conform unei secvenĠe de
V2 VAR>X @ E D 2 > @ E >X  E>X @ @ 2
(2.4.7)
încercări Bernoulli independente, să se determine media variabilei aleatorie N.
Rezolvare: Conform ipotezei, variabila aleatorie N urmează o distribuĠie
Cele mai utile proprietăĠi ale varianĠei sunt următoarele: geometrică de lege: P >N k @ q k 1 ˜ p ; q 1  p
x VAR >C @ 0 , unde C este o constantă oarecare; f
x VAR >X  C @ VAR >X @ ; - varianta 1: E>N @ ¦ k ˜ p ˜ q k 1
k 1
x VAR >C ˜ X @ C 2 ˜ VAR >X @ ; f f
1 1 p 1
> @
x VAR >X @ E X 2  E >X @ .
2 Deoarece ¦ xk
k 0 1 x
úi ¦ k ˜ x k 1
k 0 (1  x ) 2
, rezultă că: E>N @
(1  q ) 2 p
™ DeviaĠia standard (abaterea medie pătratică) a variabilei aleatorie X f
este: - varianta 2: E >N @ ¦ k 0
P >N ! k @
not
f
V STD >X @ VAR >X @ (2.4.8) 1
Cum P >N ! k @ 1  P >N d k @ 1  (1  q k ) q k , rezultă că: E>N @ ¦qk p
.
™ Coeficientul de variaĠie (factorul de iregularitate) este deviaĠia k 0
standard raportată la medie, adică: ***
STD > X @
CX (2.4.9)
E> X @ 2.5. Transformatele unei variabile aleatorie
™ Momentul de ordinul n al variabilei aleatorie X este:
- pentru un spaĠiu S X continuu: Cele trei metode de transformare, care urmează a fi prezentate în
f continuare, constituie un mijloc eficient de calcul al soluĠiilor ecuaĠiilor de tip
E ª¬ X n º¼ n integro-diferenĠial, iar operaĠia de înmulĠire este mult mai rapidă (chiar úi pentru
³x f X ( x )dx (2.4.10)
calculatoare) úi mai puĠin predispusă erorilor decât operaĠia de convoluĠie.
f
- pentru un spaĠiu S X discret: ¾ FuncĠia caracteristică a unei variabile aleatorie X este:
- când spaĠiul de eúantionare este continuu:
E ª¬ X n º¼ ¦ ( x k )n pX ( x k ) (2.4.11)
f
k

™ Factorul de formă al variabilei aleatorie X este:

>
) X (Z) E e j ZX @ ³ fX (x) e
j Zx
dx (2.5.1)
f
E ª¬ X 2 º¼ - când spaĠiul de eúantionare este discret
HX (2.4.12)
2
E >X @ ) X (Z) >
E e j ZX @ ¦ p X ( x k ) e j Zx k
(2.5.2)
k
fiind legat de coeficientul de variaĠie prin relaĠia:
Dacă spaĠiul de eúantionare discret este mulĠimea numerelor întregi, ]
Hx 1 CX 2 (2.4.13) (cazul cel mai des întâlnit în practică), atunci:
Aceúti parametrii (media, deviaĠia, varianĠa, deviaĠia standard, coeficientul
de variaĠie etc.) specifică parĠial comportarea variabilei aleatorie căreia îi sunt
) X (Z) ¦ p X (k ) e j Zk (2.5.3)
k
asociaĠi.
 33 34 EVALUĂRI DE PERFORMANğĂ

funcĠia fiind periodică, de perioadă 2S . dacă toate momentele variabilei aleatorie sunt finite úi cunoscute.
j ZX
FuncĠia caracteristică, ca medie a funcĠiei de o variabilă aleatorie e , AplicaĠia 2.5.2
este practic transformata (seria) Fourier (excepĠie făcând semnul exponenĠialei) a Să se determine funcĠia densitate de probabilitate a variabilei aleatorie ale
funcĠiei de densitate spectrală (a probabilităĠilor evenimentelor elementare).
Cunoscând expresia ei, putem aplica transformata Fourier inversă pentru a
cărei momente respectă următoarea relaĠie: E X n p . > @
determina: Rezolvare: Conform relaĠiei (2.5.7), funcĠia caracteristică a acestei
f variabile aleatorie este dată de expresia:
1
fX (x) ) X (Z) ˜ e  j Zx dZ (2.5.4) ( jZ)2
2S ³f )X 1  jZ ˜ p  ˜ p  ... 1  p  p ˜ e jZ
2!
respectiv, când spaĠiul de eúantionare este mulĠimea ] : Aplicând relaĠia (2.5.3), obĠinem:
2S
1  j Zk f X ( x ) (1  p ) ˜ G( x )  p ˜ G( x  1)
p X (k ) ³ ) X (Z) ˜ e dZ (2.5.5)
2S 0 adică, funcĠia densitate de probabilitate a unei variabile aleatorie de tip Bernoulli.
Teorema momentelor: ObservaĠie: expresia (2.5.7) se poate folosi úi atunci când se cunoaúte un
număr finit de momente, caz în care relaĠia (2.5.3) oferă o aproximare a funcĠiei
1 dn
E Xn> @ ˜
j n dZn
) X ( Z)
Z 0
(2.5.6) densitate de probabilitate.
***
f ­ ½°2 ¾ FuncĠia generatoare de probabilităĠi, GN ( z ) , a unei variabile aleatorie
jZX ( jZX )
DemonstraĠie: ) X ( Z) >
E e j ZX @ °
³ ®°̄1  1!

2!
 !¾ f X ( x) dx
°¿
N cu spaĠiul de eúantionare în mulĠimea numerelor naturale este:
f f
úi, considerând că toate momentele lui X sunt finite, seria poate fi integrată GN ( z ) > @
E zN ¦ pN (k ) ˜ z k (2.5.8)
termen cu termen. Se obĠine relaĠia: k 0
Al doilea termen reprezintă media unei funcĠii de o variabilă aleatorie N, iar
( jZ)2 ( jZ)n
) X ( Z) 1  jZ ˜ E >X @ 
2!
˜E X 2 !
n!
> @
E X n  ! (2.5.7) > @ ultimul termen corespunde (cu excepĠia semnului) unei transformate 2 .
Numele acestei funcĠii provine din faptul că, derivând-o succesiv, se obĠin
care, prin diferenĠiere succesivă úi evaluare în Z 0 , conduce la următoarele probabilităĠile tuturor evenimentelor elementare:

d d n 1 dk
rezultate:
dZ
) X ( Z)
Z 0
E >X @ , ...
dZ n
) X ( Z)
Z 0
> @
j n ˜ E X n , q.e.d. pN ( k )
k ! dz k
GN ( z )
z 0
(2.5.9)

În mod asemănător, rezultă:

AplicaĠia 2.5.1
DeterminaĠi media úi varianĠa unei variabile aleatorie ce urmează o E >N @ G' N (1) (2.5.10)
distribuĠie Gauss de parametrii P úi V utilizând funcĠia caracteristică úi teorema
momentelor. VAR >N @ G"N (1)  G'N (1)  G'N (1)2 (2.5.11)
Rezolvare: La aceste formule se adăugă relaĠia de normare:
1 d 1 j PZ  V 2 Z 2 2 GN (1) 1 (2.5.12)
E >X @ ˜ ) X ( Z) ˜ ( jP  V 2 Z ) ˜ e P
j dZ Z 0 j Z 0 FuncĠia caracteristică a variabilei aleatorie N se obĠine înlocuind
variabila z cu e jZ :
1 d2 j PZ  V2 Z2 2
> @
E X2
j 2
˜
dZ 2
) X ( Z) ( jP  V 2 ˜ Z  V 2 ) ˜ e V2  P2 ) N (Z) GN (e j Z ) (2.5.13)
Z 0 Z 0
úi deci: VAR>X @ E X 2   E >X @ > @ 2
V2  P2  P2 V2 AplicaĠia 2.5.3
Să se demonstreze relaĠiile (2.5.10) úi (2.5.11) úi să se aplice în cazul
*** distribuĠiei Poisson de parametru D .
De reĠinut că: funcĠia densitate de probabilitate este complet specificată
 35 36 EVALUĂRI DE PERFORMANğĂ

Rezolvare: d § O · O 1
f f E >X @ ( 1) ¨ ¸ 2
ƒ relaĠia (2.5.10): E>N @ ¦ k ˜ pN (k ) ¦ k ˜ pN (k ) , dar: ds © O  s ¹ s 0 O  s  s 0 O
k 0 k 1
d2 § O · 2O 2
d f
k 1
f > @
E X2 ( 1)2 ¨ ¸
ds 2 © O  s ¹ s 0 O  s  3 s 0 O2
GN ( z ) ¦ k ˜ pN (k ) ˜ z ¦ k ˜ pN (k ) E >N @
dz z
1 k 1 z 1 k 1 2
2 § 1· 1
ƒ relaĠia (2.5.11) conduce la: Deci: > @
VAR >X @ E X 2   E >X @ 
2
2
¨ ¸
O ©O¹ O2
f
> @
VAR >N @ E N 2  E >N @2 , cu: E N 2 > @ ¦ k 2 ˜ pN (k ) ***
k 1
d2 f f f
G (z )
2 N ¦ k ˜ (k  1) ˜ pN (k ) ˜ z k 2 ¦ k 2 ˜ pN (k )  ¦ k ˜pN (k ) 2.6. DistribuĠii uzuale de variabile aleatorii
dz z 1 k 2
z 1 k 2 k 2
f f Căutarea unor modele probabilistice care să aproximeze satisfăcător
¦ k 2 ˜ pN (k )  ¦ k ˜ pN (k ) diverse fenomene cu caracter aleatoriu a condus la identificarea a diverse
k 1 k 1 distribuĠii. Cele mai uzuale distribuĠii folosite în domeniul telecomunicaĠiilor sunt
2 prezentate în continuare. Descrierea lor se referă la:
d2 d § d ·
Deci: VAR>N @ G (z)
2 N
 GN ( z )  ¨¨ GN ( z ) ¸ - condiĠiile de valabilitate,
dz z 1 dz z 1 © dz z 1¸¹ - spaĠiul de eúantionare,
În cazul distribuĠiei Poisson: - funcĠia densitate de probabilitate / funcĠia de distribuĠie,
f
Dk f
( D ˜ z )k - curbe reprezentative,
GN ( z ) ¦ k ! ˜ eD ˜ z k eD ˜ ¦ k!
e  D ˜ e Dz eD ˜( z 1) - valori aúteptate (media, varianĠa),
k 0 k 0 - funcĠia caracteristică,
d d2 - exemple de aplicabilitate.
cu: GN (z) D ˜ eD˜( z 1) D úi GN (z) D2 ˜ eD( z 1) D2
dz z 1 z 1 dz 2 z 1 z 1 2.6.1. DistribuĠia Bernoulli
Deci: E >N @ D úi VAR >N @ D 2  D  D 2 D Se presupune că: variabila aleatorie X este funcĠie indicator (IA) pentru
un eveniment A:
¾ Transformata Laplace-Stieltjes (LST - Laplace-Stieltjes Transform),
­1, dacă apare evenimentu l A
Xˆ (s ) , a funcĠiei densitate de probabilitate, numită úi funcĠia generatoare de X ®
momente, ce caracterizează o variabilă aleatorie X pozitivă úi continuă, ¯0, în caz contrar
este: Parametrii: p probabilitatea de apariĠie a evenimentului A , 0 d p d 1 .
f
Xˆ (s ) E ª¬ e  sX º¼  sX ProbabilităĠi elementare: p1 P >X 1@ p úi p0 P >X 0@ 1  p .
³ fX ( x) ˜ e dx (2.5.14)
Media: E >X @ p ; VarianĠa: VAR >X @ p ˜ 1  p  .
0
În cazul acestei transformate, teorema momentelor devine: FuncĠia generatoare: G X  z  1 p  p ˜ z .
dn Xˆ (s ) AplicaĠie: modelarea mecanismului fundamental de generare a aleatoriului.
E ª¬ X n º¼ (1)n (2.5.15)
ds n s 0
2.6.2. DistribuĠia binomială
AplicaĠia 2.5.4
Să se determine media úi varianĠa unei variabile aleatorie X ce urmează Se presupune că: variabila aleatorie X reprezintă numărul succeselor unui
o lege de distribuĠie exponenĠială de parametru O utilizând transformata Laplace eveniment, înregistrate în n subexperimente (repetări) independente (este
o sumă de n variabile aleatorii independente, identic distribuite după
úi teorema momentelor.
f f f
legea Bernoulli). Probabilitatea succesului în cadrul unei repetări este p.
O SpaĠiul realizărilor: SX ^0,12, ,... n` .
Rezolvare: Xˆ (s ) s x
³ f X ( x ) ˜ e dx
O x s x
³ O ˜ e ˜ e dx O ˜ ³ e (O s ) x dx
Os
0 0 0 Parametrii: n (n ! 0) úi p (0 d p d 1)
 37 38 EVALUĂRI DE PERFORMANğĂ

ProbabilităĠi elementare: AplicaĠii: numărul de apeluri repetate până la ocuparea unei resurse; numărul de
§n· §n· n! retransmisii într-un canal cu zgomot până la recepĠionarea corectă; etc.
pX k  P >X k @ ¨¨ ¸¸ ˜ p k ˜ 1  p n k , k 0, n ; ¨¨ ¸¸ .
©k ¹ ©k ¹ k ! (n  k ) ! 2.6.4. DistribuĠia binomială negativă
Media: E >X @ n ˜ p . Se presupune că: variabila aleatorie X este numărul de repetări până ce apar r
VarianĠa: VAR >X @ n ˜ p ˜ 1  p  . succese într-o secvenĠă de subexperimente independente de
tip Bernoulli.
FuncĠia generatoare: GX (z) (1  p  p ˜ z)n .
SpaĠiul realizărilor: SX ^r , r  1,.....`.
AplicaĠii: numărul de biĠi eronaĠi într-un bloc de n biĠi transmiúi printr-un canal cu
zgomot, numărul de surse active dintr-un număr n de surse, etc. § k  1· r
ProbabilităĠi elementare: pX (k ) ¨¨ ¸¸ ˜ p ˜ 1  p k  r , k t r
© r  1 ¹
2.6.3. DistribuĠia geometrică
r
Versiunea I : Media: E>X @ .
p
Se presupune că: variabila aleatorie X reprezintă numărul eúecurilor unui
eveniment înregistrat pe parcursul unei secvenĠe de subexperimente r ˜ 1  p 
VarianĠa: VAR>X @ .
independente, tip Bernoulli, până la apariĠia primului succes. p2
Probabilitatea succesului în cadrul unei repetări este p. r
SpaĠiul realizărilor : S X ^0,1,2,...`. ­ p˜z ½
FuncĠia generatoare: GX z  ® ¾ .
Parametrii: p (0 d p d 1) . ¯ 1  1  p  ˜ z ¿
ObservaĠie: pentru r 1 se obĠine distribuĠia geometrică versiunea II.
ProbabilităĠi elementare: pX (k ) P >X k @ p ˜ 1  p k , k 0, 1, 2,.. AplicaĠii: asemănătoare cu cele de la distribuĠia geometrică.
1 p
Media: E>X @ . 2.6.5. DistribuĠia Poisson
p
Se presupune că:
1 p
VarianĠa: VAR>X @ . i) variabila aleatorie X este numărul de apariĠii ale unei anumite realizări
p2 pe parcursul unui interval de timp 'T  ;
p ii) momentele apariĠiilor sunt distincte;
FuncĠia generatoare: GX (z) .
1  1  p  ˜ z iii) oricare interval finit conĠine un număr finit de apariĠii;
Versiunea II: iv) oricare interval infinit conĠine un număr infinit de apariĠii;
Se presupune că: variabila aleatorie X ' este numărul de repetări până ce v) evenimentele nu apar la momente predeterminate;
apare primul succes într-o secvenĠă de subexperimente independente de vi) numărul apariĠiilor dintr-un interval este independent de numărul
tip Bernoulli. apariĠiilor dintr-un alt interval disjunct .
SpaĠiul realizărilor: SX ' ^1,2,...` . SpaĠiul realizărilor: SX ^0,1,2,...`.
k 1 Parametrii: D ! 0 (numărul mediu de evenimente ce apar în intervalul dat).
ProbabilităĠi elementare: pX ' (k ) p ˜ 1  p  , k 1,2,"
Dk D
1 ProbabilităĠi elementare: pX (k ) ˜e .
Media: E > X '@ . k!
p2 Media: E>X @ D .
1 p VarianĠa: VAR>X @ D .
VarianĠa: VAR > X '@ .
p2 D˜z 1
FuncĠia generatoare: GX (z) e .
p˜z
FuncĠia generatoare: GX ' (z) . ObservaĠii:
1  (1  p) ˜ z
i) aproximează distribuĠia binomială pentru p "mic" úi n "mare",
ObservaĠii: i) X ' X  1;
considerând: D n ˜ p ;
ii) este singura variabilă aleatorie discretă ce deĠine proprietate de
lipsă de memorie . ii) timpii între două apariĠii succesive sunt variabile aleatorii independente,
 39 40 EVALUĂRI DE PERFORMANğĂ

identic distribuite după o lege exponenĠială de parametru: O D 'T . e j Zb  e j Za

FuncĠia caracteristică: ) X (Z) .
AplicaĠii: numărul emisiunilor din substanĠele radioactive, numărul mesajelor j ˜ Z ˜ b  a 
sosite într-un sistem de comunicaĠii, numărul cererilor de conexiuni
AplicaĠii: valori distribuite uniform în intervalul >0,1@ sunt utilizate pentru a genera
într-o reĠea de comunicaĠie, numărul defectelor dintr-un dispozitiv
electronic etc. numere ce corespund altor distribuĠii, [Gar89], [Jer91].

2.6.6. DistribuĠia uniformă discretă 2.6.8. DistribuĠia exponenĠială

Se presupune că: variabila aleatorie X ia valori într-un interval finit ^1,2,...n` de SpaĠiul realizărilor: SX >0, f  .
numere naturale. Toate valorile sunt echiprobabile. Parametrii: O ! 0 .
SpaĠiul realizărilor: SX ^1,2,...n` . FuncĠia densitate de probabilitate: fX ( x) O ˜ e Ox .
Parametrii: n. FuncĠia de distribuĠie: FX ( x ) 1  e Ox .
ProbabilităĠi elementare: pX (k ) P >X k @ 1/ n, k 1,2,", n
Media: E>X @ 1 O .
n 1
Media: E>X @ . VarianĠa: VAR>X @ 1 O2 .
2
O
n2  1 FuncĠia caracteristică: ) X Z .
VarianĠa: VAR>X @ . O  j ˜Z
12
ObservaĠii: i) reprezintă forma limită a distribuĠiei geometrice;
1 1  zn
FuncĠia generatoare: GX (z) ˜ . ii) este unica distribuĠie continuă ce deĠine proprietatea de lipsă
n 1 z memorie.
AplicaĠii: evaluarea raportului semnal - zgomot introdus de procesul de AplicaĠii: lungimea mesajelor úi timpul dintre două apariĠii succesive de
cuantizare etc. evenimente (cereri de serviciu) în sistemele de comunicaĠii; timpul de
funcĠionare (fiabilitatea sistemelor úi a componentelor).
2.6.7. DistribuĠia uniformă continuă
Se presupune că: variabila aleatorie X ia valori reale în intervalul >a, b@ . 2.6.9. DistribuĠia Pareto
Probabilitatea ca variabila aleatorie să ia o valoare într-un SpaĠiul realizărilor: SX >k ,f  .
subinterval este proporĠională cu lungimea intervalului. Parametri: parametrul de "formă" D ! 0 úi parametrul de "scară" k ! 0
SpaĠiul realizărilor: SX >a, b@ .
Dk D
Parametrii: a úi b, ( a  b ). FuncĠia densitate de probabilitate : fX ( x ) , x t k úi D, k ! 0 (figura 2.6.1)
x D 1
­ 1 D
° , pentru a d x d b §k ·
FuncĠia densitate de probabilitate: fX x  ® b  a FuncĠia de distribuĠie: FX ( x ) 1 ¨ ¸ .
°¯0, în rest ©x¹
­Dk (D  1), cu D ! 1
­0, pentru x  a Media: E >X @ ®
°x  a
° ¯f, cu D d 1
FuncĠia de distribuĠie: FX x  , pentru a d x d b
® ­ Dk 2
°b  a ° , cu D ! 2
¯°1, pentru x ! b
VarianĠa: VAR > X @ ® (D  1)2 (D  2)
°
ab ¯f, cu D d 2
Media: E>X @ .
2 FuncĠia caracteristică: ) X (Z) D(i ˜ k ˜ t )D ˜ *(D,i ˜ k ˜ t ) , unde *( ,D) este
2
VarianĠa: VAR>X @
b  a  . funcĠia gama incompletă.
12 ObservaĠie: spre deosebire de distribuĠia anterioară úi cea ulterioară, cu "căderi
exponenĠiale", valori semnificative ale densităĠii de probabilitate vizează un
interval sporit din spaĠiu de eúantionare (heavy tail distribution)
 41 42 EVALUĂRI DE PERFORMANğĂ

fX (x ) 0.2 4.21 ˜10 1 4.17 ˜10 1 2.9 1.87 ˜ 103 1.86 ˜ 103
3,0 0.3 3.82 ˜10 1
3.78 ˜10 1 3.0 1.35 ˜ 103 1.35 ˜ 103
0.4 3.45 ˜10 1
3.41 ˜10 1 3.1 9.68 ˜ 10 4
9.66 ˜ 104
2,5
D 3 0.5 3.09 ˜10 1
3.05 ˜10 1 3.2 6.87 ˜ 104 6.86 ˜ 104
2,0 D 2 0.6 2.74 ˜10 1
2.71 ˜10 1 3.3 4.83 ˜ 10 4
4.83 ˜ 104
D 1 0.7 2.42 ˜10 1 2.39 ˜10 1 3.4 3.37 ˜ 104 3.36 ˜ 104
1,5
0.8 2.12 ˜10 1
2.09 ˜10 1 3.5 2.33 ˜ 10 4
2.32 ˜ 104
1,0 0.9 3.6
1.84 ˜10 1 1.82 ˜10 1 1.59 ˜ 104 1.59 ˜ 104
0,5 1.0 1.59 ˜10 1
1.57 ˜10 1 3.7 1.08 ˜ 10 4
1.08 ˜ 104
x 1.1 1.36 ˜10 1 1.34 ˜10 1 3.8 7.24 ˜ 105 7.23 ˜ 105
0 1 2 3 5 1.2 1.15 ˜10 1
1.14 ˜10 1 3.9 4.81 ˜ 105 4.81 ˜ 105
4
1.3 9.68 ˜ 10 2
9.60 ˜ 10 2 4.0 3.17 ˜ 10 5
3.16 ˜ 105
Figura 2.6.1: Densitatea de probabilitate a unei variabile aleatorii Pareto (k = 1)
1.4 8.08 ˜ 102 8.01 ˜ 102 4.5 3.40 ˜ 106 3.40 ˜ 106
AplicaĠii: distribuĠia lungimii fiúierelor transferate prin Internet folosind protocolul 1.5 2 2 5.0 7
6.68 ˜ 10 6.63 ˜ 10 2.87 ˜ 10 2.87 ˜ 107
TCP (regula 80-20: 20% din fiúiere reprezintă 80% din trafic, adică câteva fiúiere
1.6 5.48 ˜ 102 5.44 ˜ 102 5.5 1.90 ˜ 108 1.90 ˜ 108
mari úi multe fiúiere mici).
1.7 4.46 ˜ 10 2
4.43 ˜ 10 2 6.0 9.87 ˜ 10 10
9.86 ˜ 1010
1.8 3.59 ˜ 102 3.57 ˜ 102 6.5 4.02 ˜ 1011 4.02 ˜ 1011
2.6.10. DistribuĠia gaussiană (normală)
1.9 2.87 ˜ 10 2
2.86 ˜ 10 2 7.0 1.28 ˜ 10 12
1.28 ˜ 1012
Se presupune că: o variabilă aleatorie X ce este determinată de o sumă în
2.0 2.28 ˜ 102 2.26 ˜ 102 7.5 3.19 ˜ 1014 3.19 ˜ 1014
număr mare de cauze independente tinde să urmeze o
distribuĠie Gauss (conform teoremei limită centrală). 2.1 1.79 ˜ 102 1.78 ˜ 102 8.0 6.22 ˜ 1016 6.22 ˜ 1016
SpaĠiul realizărilor: SX  f,f  . 2.2 1.39 ˜ 10 2
1.39 ˜ 10 2 8.5 9.48 ˜ 10 18
9.48 ˜ 1018
2.3 1.07 ˜ 102 1.07 ˜ 102 9.0 1.13 ˜ 1019 1.13 ˜ 1019
Parametrii: P media, V2 varianĠa.
2.4 8.20 ˜ 10 3
8.17 ˜ 10 3 9.5 1.05 ˜ 10 21
1.05 ˜ 1021
FuncĠia densitate de probabilitate:
2.5 6.21 ˜ 103 6.19 ˜ 103 10.0 7.62 ˜ 1024 7.62 ˜ 1024
1 §  x  P 2 ·
f X ( x) exp¨ ¸, V ! 0 . 2.6 3 3
¨ 2V 2 ¸ 4.66 ˜ 10 4.65 ˜ 10
2S ˜ V © ¹
În practică, se obiúnuieúte a se lucra cu funcĠia Q( x ) ("coada" distribuĠiei)
FuncĠia de distribuĠie:
definită astfel:
x
§  x  P 2 ·  x P  V
1 1 §  t 2 · not. § x  P · f
FX ( x ) exp ¨ ¸dx exp ¨ ¸dt ¸. 1 t 2 2
³ ³ )¨ Q(x) 1  )(x) e dt .
2S ³
2S ˜ V  f ¨ 2V 2 ¸ x P 2S ¨ 2 ¸ © V ¹
© ¹ t V f © ¹ x

unde ) ( x ) este funcĠia de distribuĠie a unei variabile aleatorie gaussiene de Valorile acestei funcĠii se obĠin prin integrare numerică. Urmare a simetriei
parametri P 0 úi V 1. pare a lui fX ( x ) (vezi figura 2.6.2), rezultă:
Q( x ) )( x ) úi Q( x ) 1  )( x)
Pentru 0  x  f se poate utiliza aproximaĠia (cu a 1/ S úi b 2S ) [Borj79]:
Tabelul 2.6.1: ComparaĠie între Q(x) úi aproximarea dată de relaĠia (2.6.1) 1
2
Q( x ) | ­® ª1  a  ˜ x  a x 2  b º 2S ½¾ ˜ e x 2
(2.6.1)
x Q(x) Aproximarea x Q(x) Aproximarea ¯¬« »
¼ ¿
0.0 5.00 ˜10 1 5.00 ˜10 1 2.7 3.47 ˜ 103 3.46 ˜ 103
Tabelul 2.6.1 prezintă câteva valori ale funcĠiei Q(x ) obĠinute prin ambele
0.1 4.60 ˜10 1 4.58 ˜10 1 2.8 2.56 ˜ 10 3
2.55 ˜ 103
 43 44 EVALUĂRI DE PERFORMANğĂ

metode, iar tabelul 2.6.2 oferă valorile lui x pentru care Q( x ) 10 k . Parametrii: D ! 0 úi O! 0
O ˜ (O ˜ x)D1 ˜ e Ox
f (t ) FuncĠia densitate de probabilitate : fX ( x)
X
*(D)
0.4 f ­*1/ 2  S
D 1 y °
0.35 unde *(D) ³y ˜e ˜ dy , cu proprietăĠile ®*(D  1) D ˜ *(D) , pentru D  N .
0 °*(D) D  1!
0.3 ¯
0.25 D
Media: E>X @ .
0.2 ) (x ) O
D
0.15
Q ( x) 1  )( x) VarianĠa: VAR>X @ .
O2
0.1 D
§ Z·
FuncĠia caracteristică: )X (Z) ¨1 j ˜ ¸ .
0.05 © O¹
t
0 2,5 1
-4 -3 -2 -1 0 1 x 2 3 4 D
2,0 2
68%

95% 1,5
D 1 D 2
99,7% 1,0
Figura 2.6.2: FuncĠia de distribuĠie a unei variabile aleatorie Gauss
0,5
k
Tabelul 2.6.2: Valorile argumentului x al funcĠiei Q( x) 10
pentru câteva valori ale exponentului k 0 1 2 3 4
-1 -k -1 -k
k x = Q (10 ) k x = Q (10 )
Figura 2.6.3: FuncĠia Gama
1 1.2815 6 4.7535
2 2.3263 7 5.1993 AplicaĠii: distribuĠia gama, prin intermediul parametrilor D úi O , poate genera o
3 3.0902 8 5.6120 varietate de curbe (vezi figura 2.6.3) prin care se pot modela diverse
4 3.7190 9 5.9978 experimente.
5 4.2649 10 6.3613 O serie de distribuĠii sunt cazuri particulare ale distribuĠiei gama. Astfel:
Media: E>X @ P . - pentru D 1 se obĠine distribuĠia exponenĠială;

2
- pentru O 1/ 2 úi D k / 2 cu k  N * se obĠine distribuĠia F 2 ;
VarianĠa: VAR>X @ V . - pentru D m , m  N * se obĠine distribuĠia m-Erlang.
FuncĠia caracteristică: ) X (Z) exp( j P Z  V2Z2 2)
2.6.12. DistribuĠia m-Erlang
AplicaĠii: - modelează distribuĠia de amplitudine a zgomotului termic;
- modelează funcĠionarea multiplexoarelor statistice; Caz particular al distribuĠiei Gama: D m , m  N * .
- aproximează distribuĠia binomială etc. SpaĠiul realizărilor: SX 0, f  .
Parametrii: m  N * úi O ! 0 .
2.6.11. DistribuĠia Gama
Nu se fac presupuneri. O ˜ e  Ox (O ˜ x ) m 1
FuncĠia densitate de probabilitate: f X ( x ) .
SpaĠiul realizărilor: S X 0, f  . m  1!
 45 46 EVALUĂRI DE PERFORMANğĂ

m1
(O ˜ x)k Ox x m  2  2 ˜ e  x / 2
FuncĠia de distribuĠie: FX (x) 1  ¦ k!
e . FuncĠia densitate de probabilitate: f X ( x )
2 m 2 ˜ * m 2 
.
k 0
m FuncĠia de distribuĠie: FX ( x ) , vezi tabelul 2.6.3.
Media: E>X @ .
O Media: E>X @ m . VarianĠa: VAR>X @ 2 ˜ m .
m
VarianĠa: VAR>X @ O
O2 FuncĠia caracteristică: )X (Z) .
m
1 j ˜ 2 ˜ Z)m 2
§ Z· m
FuncĠia caracteristică: ) X (Z) ¨1  j ˜ ¸ . X i 2 , (cu X i sunt variabile aleatorii Gauss, i.i.d. cu P i
© O¹ ObservaĠie: X ¦i 1
0 úi
AplicaĠii: O variabilă aleatorie m-Erlang se obĠine adunând m variabile aleatorii V i 1 ) este o variabilă aleatorie F 2 cu m grade de libertate.
exponenĠiale independente, identic distribuite, de parametru O . De AplicaĠii: Se utilizează în analiza varianĠei estimatorilor obĠinuĠi pe baza
aceea, ea este un model general al timpilor de aúteptare în sistemele măsurătorilor de putere úi în aprecierea aproximării datelor
cu aúteptare, al timpilor de viaĠă în studiile de fiabilitate etc. experimentale de către modelul probabilistic presupus etc.
2
2.6.13. DistribuĠia F 2.6.14. DistribuĠia studentului
Caz particular al distribuĠiei Gama: O 1/ 2 , D m / 2 , m N * . Se presupune că:
Z
Tabelul 2.6.3: Valorile argumentului funcĠiei de distribuĠie F2
i) X , unde Z este o variabilă aleatorie gaussiană cu P Z 0 úi
Ym
pentru nivele specifice ale acesteia úi diverse grade de libertate
m
F ( x)
V Z 1 , iar Ym este o variabilă aleatorie F 2 cu m grade de libertate.
1% 5% 25% 50% 75% 95% 99%
ii) Z úi Ym sunt independente.
m= 1 0.00016 0.00393 0.10150.4549 1.323 3.841 6.635
m= 2 0.02010 0.1026 0.5753 1.386 2.773 5.991 9.210 SpaĠiul realizărilor: SX  f,f  .
m= 3 0.1148 0.3518 1.213 2.366 4.108 7.815 11.34 Parametrii: m.
m= 4 0.2971 0.7107 1.923 3.357 5.385 9.488 13.28 § m  1·
m= 5 0.5543 1.1455 2.675 4.351 6.626 11.07 15.09 *¨ ¸
FuncĠia densitate de probabilitate: fX ( x ) © 2 ¹
m= 6 0.8720 1.635 3.455 5.348 7.841 12.59 16.81
m 1
m= 7 1.239 2.167 4.255 6.346 9.037 14.07 18.48 §m· § x2 ·
m= 8 1.646 2.733 5.071 7.344 10.22 15.51 20.09 S˜m ˜*¨ ¸˜ ¨¨ 1  ¸
©2¹ © m ¸¹
m= 9 2.088 3.325 5.899 8.343 11.39 16.92 21.67
m = 10 2.558 3.940 6.737 9.342 12.55 18.31 23.21
m = 11 3.053 4.575 7.584 10.34 13.70 19.68 24.73 FuncĠia de distribuĠie: FX ( x ) vezi tabelul 2.6.4.
m = 12 3.571 5.226 8.438 11.34 14.84 21.03 26.22 Media: E>X @ 0 .
m = 15 5.229 7.261 11.04 14.34 18.25 25.00 30.58
m
m = 20 8.260 10.85 15.45 19.34 23.83 31.41 37.57 VarianĠa: VAR>X @ , dacă m ! 0
m = 30 14.95 18.49 24.48 29.34 34.80 43.77 50.89 m2
m = 50 29.71 34.76 42.94 49.33 56.33 67.50 76.15 AplicaĠii: Stabileúte intervale de încredere pentru estimarea mediei când varianĠa
2 2 2 nu este cunoscută sau când eúantioanele conĠin un număr mic de
m > 30 m  2m ˜ x  x   O 1 m
3 3
  rezultate, n  20 etc.
x= – 2.33 – 1.64 – 0.675 0.00 0.675 1.64 2.33

SpaĠiul realizărilor: SX 0, f  . Tabelul 2.6.4: Valorile argumentului z pentru probabilităĠile specifice, P > z d X d z @ ,
Parametrii: m (grade de libertate). ale unei variabile aleatorie t cu diverse grade de libertate
 47 48 EVALUĂRI DE PERFORMANğĂ

P>  z d X d z @ Nu se fac presupuneri.

n–1 SpaĠiul realizărilor: SX  f,f  .
0.90 0.95 0.99
Parametrii: D ! 0 .
1 6.314 12.706 63.657
2 2.920 4.303 9.925 D D x
FuncĠia densitate de probabilitate: fX (x) ˜e .
3 2.353 3.182 5.841 2
4 2.132 2.776 4.604 ­ 1 Dx
5 2.015 2.571 4.032 °° 2 e , x  0
6 1.943 2.447 3.707 F
FuncĠia de distribuĠie: X ( x ) ®
7 1.895 2.365 3.499 °1  1 e Dx , x t 0
8 1.860 2.306 3.355 °¯ 2
9 1.833 2.262 3.250
Media: E>X @ 0 .
10 1.812 2.228 3.169
15 1.753 2.131 2.947 VarianĠa: VAR>X @ 2 / D2 .
20 1.725 2.086 2.845
30 1.697 2.042 2.750 D2
FuncĠia caracteristică: )X Z .
40 1.684 2.021 2.704 Z2  D2
60 1.671 2.000 2.660
f 1.645 1.960 2.576 2.6.17. DistribuĠia Rayleigh
Dacă X 1 úi X 2 sunt variabile aleatorii Gauss independente, identic
2.6.15. DistribuĠia Fisher - Snedecor (  ) 2
distribuite de medie 0 úi varianĠă V , atunci variabila aleatorie X (Rayleigh) se
2
Se presupune că U úi V sunt două variabile aleatorii F cu m1 , respectiv
obĠine cu relaĠia: X X12  X 22 .
U m1
m2 grade de libertate. Variabila aleatorie  se obĠine astfel:  . SpaĠiul realizărilor: SX 0, f  .
V m2
Parametrii: V 2 .
SpaĠiul realizărilor: S  0, f  .
x §  x2 ·
Parametri: m1 úi m2 . FuncĠia densitate de probabilitate: FuncĠia densitate de probabilitate : f X ( x ) ˜ exp ¨ ¸.
V2 ¨ 2V 2 ¸
m1 / 2 m2
1
© ¹
§ m1 ·
¨ ¸ ˜ x 2 §  x2 ·
© m2 ¹ § m  m2 · FuncĠia de distribuĠie: FX ( x ) 1  exp ¨ ¸
f  x  ˜*¨ 1 ¸ ¨ 2V 2 ¸ .
§m · §m · §

m ˜x· 1 2
 m m 2 © 2 ¹ © ¹
* ¨ 1 ¸ ˜ * ¨ 2 ¸ ˜¨1 1 ¸ Media: E>X @ V ˜ S 2 .
© 2 ¹ © 2 ¹ © m2 ¹
§ S·
FuncĠia de distribuĠie: F  ( x) tabelată, vezi [Andr95]. VarianĠa: VAR >X @ V2 ˜ ¨ 2  ¸ .
© 2¹
m2
Media: E >  @ , dacă m2 ! 2 . AplicaĠii: fadingul în canalul de comunicaĠie, anvelopa zgomotului gaussian de
m2  2 bandă îngustă.
2 ˜ m22 ˜  m1  m2  2  2.6.18. DistribuĠia Cauchy
VarianĠa: VAR >  @ , dacă m2 ! 4 .
2
m1 ˜  m2  2  ˜  m2  4  Nu se fac presupuneri.
AplicaĠii: Se utilizează în analiza proprietăĠilor estimatorilor varianĠei úi SpaĠiul realizărilor: SX  f,f  .
covarianĠei, a nivelelor de putere, a raportului semnal-zgomot etc. Parametrii: D ! 0 .
D/ S
2.6.16. DistribuĠia Laplace FuncĠia densitate de probabilitate : fX (x) .
x  D2
2
 49 50 EVALUĂRI DE PERFORMANğĂ

E>X @ úi VAR>X @ nu există. VAR>X @ V 2 a unei variabile X, iar inegalitatea Cebâúev se enunĠă în modul
D Z următor:
FuncĠia caracteristică: ) X (x ) e .
V2
>
P X m ta d @ (2.7.2)
2.7. Metode de aproximare a2
DemonstraĠie: pentru variabila aleatorie X, următoarele două evenimente
În multe aplicaĠii, ne putem găsi în următoarele situaĠii: ^ `
sunt echivalente: ^ X t a` úi X 2 t a 2 . Aplicăm inegalitatea Markov pentru
Œ variabila aleatorie urmărită nu este complet specificată, ci sunt
cunoscute doar media, varianĠa úi eventual câteva momente centrate de ordin variabila aleatorie X 2 úi obĠinem:
superior, E ª¬( X  P X )k º¼ , pentru k ! 2 ; > @ > @
P X 2 t a 2 d E X 2 a 2 sau P > X t a @ d E X 2 a 2 > @
Se face substituĠia X m X  m úi din ultima expresie rezultă că:
Œ funcĠia densitate de probabilitate este cunoscută, dar este imposibil de
V2
integrat (vezi distribuĠia Gauss); >
P > X  m t a @ d E ( X  m) 2
a2
@a 2
, q. e. d.
Œ variabila aleatorie urmărită este o sumă ponderată de variabile aleatorii
(cauze) independente, mai mult sau mai puĠin specificate. ObservaĠie: Pentru o variabilă aleatorie cu V 0 , P X  m t a > @ 0,
În aceste cazuri, pentru a deĠine informaĠii relative la comportamentul pentru orice a, deci P >X m @ 1, adică în aproape toate experimentele variabila
variabilei aleatorie, se utilizează diferite tehnici de aproximare. Pe lângă aleatorie ia valoarea m .
metodele prezentate în cele ce urmează, capitolele 3.3.5-7 oferă, la rândul lor, AplicaĠia 2.7.2
alte posibilităĠi de aproximare. Media úi deviaĠia standard a timpului de răspuns al unui calculator
2.7.1. Inegalitatea Markov multiserver este m secunde, respectiv V secunde. EstimaĠi, utilizând inegalitatea
Cebâúev, probabilitatea ca timpul de răspuns să se abată cu k ˜ V secunde faĠă
Se presupune că variabila aleatorie X este pozitivă úi se cunoaúte media
de medie. ComparaĠi marginea superioară rezultată cu valoarea exactă a
E >X @ . În aceste condiĠii. inegalitatea Markov se enunĠă în modul următor: probabilităĠii în cazul distribuĠiei Gauss. Caz particular k = 2.
E >X @ V2 1 1
P >X t a@ d (2.7.1) Rezolvare: >
P X m ! k ˜V d @ 0,25
a 2
k ˜V 2
k 2 4
Expresia ce urmează este precizată ca demonstraĠie a inegalităĠii: > @
P X  m ! k ˜ V d 2 ˜ Q( k ) 0,0456  0,25
f a f
E >X @ ³ x ˜ f X ( x ) dx ³ x ˜ f X ( x ) dx  ³ x ˜ f X ( x ) d x ObservaĠie: úi această inegalitate, în general, este mult acoperitoare.
0 0 a ***
f f
t ³ t ˜ f X ( x ) dx t ³ a ˜ f X ( x ) dx a ˜ P >X t a @ 2.7.3. Inegalitatea Chernoff
a a Se presupune că se cunoaúte E >exp(t ˜ X )@ .
AplicaĠia 2.7.1 EnunĠ:
Media înălĠimii elevilor într-o clasă este 1,50 m. DeterminaĠi marginea
superioară a probabilităĠii ca un elev să fie mai înalt de 3 m. P >X t a@ d min ^exp(t a)`˜ E >exp(t X )@ d min ^exp t a  ln E >exp(t X )@` (2.7.3)
t t0 t t0
Rezolvare: P >X t 3@ d 1,5 / 3 0,5 .
ObservaĠie: Rezultatul obĠinut îl considerăm lipsit de sens deoarece în DemonstraĠie:
cazul acestei variabile aleatorie (X = înălĠimea copiilor) deĠinem úi informaĠii ­ 1 pentru X t a
Se defineúte o variabilă aleatorie Y ® . În acest caz,
relative la varianĠa sa (variabilitatea biologică a înălĠimii copiilor faĠă de medie), ¯0 pentru X  a
pe care metoda nu le foloseúte. pentru   t t 0 , avem: exp(t X ) t exp(t a) ˜ Y
2.7.2. Inegalitatea Cebâúev Mediind obĠinem că:
Se presupune că se cunosc valorile mediei E >X @ m úi varianĠei E >exp(t X )@ t exp(t ) ˜ E >Y @ ,
 51 52 EVALUĂRI DE PERFORMANğĂ

cu: E>Y @ 1˜ P >Y 1@  0 ˜ P >Y 0@ 1˜ P >X t a @, evenimentele: ^Y 1` úi ^X t a` evenimente. Se presupune că: probabilităĠile evenimentelor individuale sunt
fiind echivalente. cunoscute.
Deci: E >exp(t ˜ X )@ t exp(t ˜ a) ˜ P >X t a@ . EnunĠ:
Această inegalitate fiind valabilă pentru   t , rezultă că : ª º
*
P « Ai » d P >Ai @
¦ (2.7.4)
P >X t a@ d min^exp(t a)`˜ E >exp(t X )@ q.e.d. ¬« i ¼» i
t t0
DemonstraĠie:
AplicaĠia 2.7.3 P >A ‰ B @ P >A@  P >B @  P >A & B @ d P >A@  P >B @ , deoarece P >!@ t 0 etc.
i) DeterminaĠi expresia inegalităĠii în cazul distribuĠiei Gauss; AplicaĠia 2.7.4
ii) Pentru m = 0, V = 1 úi a = 3 determinaĠi marginile oferite de DeterminaĠi marginea probabilităĠii P >X 1 t 3 sau X 2 t 4@ , unde X 1 úi X 2
aproximările Chernoff úi Cebâúev. ComparaĠi rezultatul cu valoarea exactă a sunt două variabile aleatorii Gaussiene independente, caracterizate prin:
>
probabilităĠii P X t a . @ P X1 P X 2 0, V X1 1 úi V X 2 2 . ComparaĠi cu valoarea exactă.
Rezolvare: Rezolvare:
1
f
­°  x  m  2 ½° P >X 1 t 3 sau X 2 t 4@ d P >X 1 t 3 @  P > X 2 t 4@
i) E >exp(tX )@ exp(tX ) ˜ exp ® ¾ dx
2S ˜ V ³f
°̄ 2V 2 °¿ Q 3   Q2 0,00135  0,0228 | 0,02415
P >X 1 t 3 sau X 2 t 4@ P >X 1 t 3 @  P > X 2 t 4@  P >X 1 t 3 & X 2 t 4@
1 §
˜ exp¨ tm 
t 2 V 2 ·¸
f
˜ exp
>
 x  (m  tV 2 ) @ 2
dx Deoarece variabilele aleatorii X 1 úi X 2 sunt independente, rezultă că:
2S ˜ V ¨ 2 ¸¹ ³ 2V 2
© f P >X1 t 3 & X 2 t 4@ P >X1 t 3 @˜ P > X 2 t 4@
§ t 2 V 2 ·¸ úi deci: P >X 1 t 3 sau X 2 t 4@ Q3   Q 2   Q3  ˜ Q2 ! | 0,02407
exp¨ tm 
¨ 2 ¸¹ ObservaĠie: Atunci când variabilele aleatorii sunt independente úi probabilităĠile
©
evenimentelor considerate sunt mici, marginea reuniunii se găseúte foarte
Expresia inegalităĠii devine:
aproape de valoarea exactă.
­° § t 2 V 2 · ½° ***
P > X t a @ d min ®exp ¨ ta  tm  ¸¾ ,
t t0 ¯ ¨ 2 ¸¹ °
° © ¿ 2.7.5. Calculul aproximativ al valorilor aúteptate E>g X @
­ 2 2½
d° t V ° am Pentru a calcula E>g X @ , unde g(...) este o funcĠie deterministă de expresie
iar ® t a  t m  ¾ 0 , conduce la t , deci:
dt °̄ 2 °¿ V2 cunoscută, úi X o variabilă aleatorie de distribuĠie foarte complexă, imposibil de
 a  m 2 integrat sau necunoscută, se utilizează diverse modele aproximative. Ele
P >X t a@ d exp presupun că:
2V 2 i) SX >a,b@ unde a úi b sunt finite;
ii) Aproximarea Cebâúev: P >X t a@ d P X t a d > @ E X2> @ 1
| 0,111
ii) momentele lui X (cel puĠin primele N) sunt cunoscute. Acestea pot fi
a2 9 oferite de modele teoretice sau estimate prin simulare.
2 2
Aproximarea Chernoff: P >X t a@ d e a 2V e 9 2 | 0,0111 2.7.5.1. Dezvoltarea în serie Taylor trunchiată
Valoarea exactă: P >X t a@ Q(a) Q(3) 0,0013 FuncĠia g(x ) se dezvoltă în vecinătatea lui x0 :
ObservaĠie: Aproximarea Chernoff este mai precisă decât aproximarea Cebâúev f
( x  x0 ) k ( k )
deoarece conĠine mai multă informaĠie relativă la variabila aleatorie X (se g( x ) g( x0 )  ¦ k!
g ( x0 ) ,
cunoaúte E>exp(tX )@ ). k 1

*** unde g (k ) ( x ) este derivata de ordinul k pentru funcĠia g(x ) .

2.7.4. Marginea reuniunii

> @
Se foloseúte notaĠia: Ck E ( X  x0 )k , în care x0 este media úi Ck este
momentul centrat de ordinul k al variabilei aleatorie X .
Este utilizată pentru a aproxima probabilitatea unei reuniuni de
 53 54 EVALUĂRI DE PERFORMANğĂ

Aproximarea lui E >g( X )@ se face trunchiind seria la primii N termeni, 1

P ^N  1  X ` ^Q21  0,3  Q21  0,1  Q21  0,1  Q21  0,3`
adică: 4
f
g k ( x0 ) 0,033813
E>g( X )@ ¦ ˜ Ck (2.7.5) Datorită simetriei realizărilor lui X úi ale lui Ak rezultă :
k 0
k!
AplicaĠia 2.7.5
pe >
P Yk  0 Ak
 

@  

>
1 ˜ P >Ak 1@  P Yk  0 Ak 1 ˜ P >Ak 1@ 0,033813 @
i) DeterminaĠi expresia analitică úi calculaĠi valoarea probabilităĠii de 12 12
eroare, pe , într-un sistem de comunicaĠie binar útiind că: Conform relaĠiilor anterioare, pe este o medie a probabilităĠii
a) simbolurile, Ak , sunt codate cu +1 respectiv –1; evenimentelor posibile, deci:
b) interferenĠa simbolurilor ISI (InterSimbol Interference), [Pop97] este ª § 1  X ·º
pe E «Q¨ ¸»
de forma: X 0,2 Ai 2  0,1Ai 1 , unde Ai 2 úi Ai 1 sunt variabile ¬ © V ¹¼
aleatorii binare, independente pentru care P >Ak r1@ 1/ 2 ; §x m· §x m·
ii) Ne aflăm în cazul: g( x ) erfc ¨¨ ¸¸ 2 ˜ Q¨ ¸
c) zgomotul are varianĠa V 2 1/ 4 . © 2V ¹ © V ¹
ii) CalculaĠi valoarea aproximativă pentru pe utilizând dezvoltarea Taylor dk 2 2

trunchiată la 4 termeni. ùtiind că: k

erfc(z)  1k ˜ ˜ Hk 1(z) ˜ e  z , în care Hk 1 este
dz S
Rezolvare: Semnalul Yk de la recepĠie este dat de relaĠia: Yk Ak  X  N unde: polinomul Hermite de ordinul k  1 , [Stan84], atunci se obĠine:
- Ak este simbolul curent transmis (variabilă aleatorie binară 2
2 § m · §  m2 ·
echiprobabilă), g k (0) (1)k ˜ ˜ Hk 1¨¨ ¸¸ exp¨ ¸
- X este variabilă aleatorie echiprobabilă cu SX ^ 0,3;  0,1; 0,1; 0,3` S ˜ 2V   k
© 2V ¹ ¨ 2 ˜ V2 ¸
© ¹
- N este zgomot, variabilă aleatorie gaussiană de medie 0 úi varianĠă úi deci dezvoltarea Taylor a mediei este:
V 2 1/ 4 . § m · 2 §  m2 ·
2
 1k Ck
§ m ·
Considerând că pragul de detecĠie este 0, situaĠiile când apar erori E>g x @ erfc ¨¨ ¸¸  ˜ exp ¨ ¸ ˜ ¦
Hk 1¨¨ ¸¸
¨ 2 ˜ V2 ¸
corespund evenimentelor: ^Yk  0 Ak 1` sau ^Yk ! 0 Ak 1` © 2V ¹ S © ¹ 2V ˜ k !  
© 2V ¹
k

Pentru cazul Ak 1 úi X x1 ! 0 evenimentul ^N  1  x1` corespunde Particularizând în condiĠiile problemei, se obĠine:

ª § 1  X ·º e 2 ­ 1
recepĠiei eronate, probabilitatea sa fiind dată de aria haúurată din figura 2.7.5. pe E«Q ¨
V
¸» E>Q 2(1  X ) @ | Q(2)  ˜ ®C2 ˜ H1 2  C 4 ˜ H3 2 ¾
S ¯ 6
½
   
¬ © ¹¼ ¿
fZ (z) Din seria trunchiată lipsesc termenii pari deoarece momentele centrate
Ck de ordin par sunt nule. CeilalĠi termeni au valorile:
1
C2 E X 2 > @ ^
4
˜ 0,32  0,12   0,12   0,3 2 0,05 `
1
C4 E X 4 > @ ^
4
˜ 0,3 4  0.14   0,14   0,3 4 0,004 `
z
H  2  2 2 úi H  2  8 2   12
3
1 3 2 , [Abra64]
 1  x1 2
e
Deci: pe | Q 2 
˜ 0,1414  0,0038  | 0,0228  0,01103 0,03383 .
Figura 2.7.5: Probabilitatea evenimentului ^N <  1  x1` S
ObservaĠie: Din acest exemplu se remarcă buna precizie oferită de
§ 1  x1 · aproximarea prin serie Taylor trunchiată.
Datorită simetriei pare a funcĠiei fN (z) avem: P ^N  1  x1` Q ¨ ¸.
© V ¹ ***
Cum variabila aleatorie X are 4 realizări echiprobabile rezultă că:
 55

2.7.5.2. Aproximarea prin cuadratură

Principiul care stă la baza acestei metode constă în aproximarea unei
variabile aleatorie continuă, X , cu spaĠiul de eúantionare S ^a,b`, printr-o

capitolul 3
variabilă aleatorie discretă, X D , cu distribuĠia:
P >X D xi @ w i , pentru i 1, N
Setul de perechi ( xi , w i ) se obĠine impunând condiĠia ca primele 2N
momente ale celor două variabile, X úi X D să fie egale două câte două (este
necesar să se cunoască primele 2N momente ale variabilei aleatorie X pentru
a obĠine un sistem de 2N ecuaĠii cu 2N necunoscute: xi úi w i ). Literatura de
specialitate [Abra64] oferă astfel de seturi pentru un număr mare de distribuĠii
cunoscute. RelaĠia de aproximare ce le utilizează este:
b N
E>g( X )@ ³ g ( x ) ˜ f X ( x ) dx | ¦ w i ˜ g( xi )
a i 1
AplicaĠia 2.7.5
Variabila aleatorie X
varianĠa 9. Să se determine E X :
urmează o distribuĠie Gauss, având media 2 úi
> @4
Variabile aleatorii
i) prin calcul exact; ii) utilizând aproximarea prin cuadratură.
Rezolvare: vectoriale
i) prin derivarea funcĠiei caracteristice se obĠine că: E X 4 475 > @
f 5
2
ii) Din [Abra64], utilizând relaĠia: ³ g ( x ) ˜ e  x dx | ¦ w i ˜ g( xi ) úi valorile
f i 1
din tabelul alăturat, se calculează media căutată: Variabilă aleatorie vectorială, X  X 1, X 2 ,", X n  , este o funcĠie care
xi wi alocă un vector de n numere reale fiecărei realizări ] din spaĠiul de eúantionare,
r 2,02018 0,001995 S, al unui experiment aleator. Elementele vectorului pot reprezenta observaĠii
r 0,95857 0,039361 măsurabile, ce caracterizează o realizare, câteva măsurători repetate ale unei
0,00000 0,094530 anumite mărimi etc.
f f
1  x P 
2
2V2 1 AplicaĠia 3.1
³g 
2
E ª¬ g  X  º¼ ³ g( x ) ˜ e dx 2y  P ˜ e  y dy
n 2SV f n S DaĠi exemple de experimente care generează variabile aleatorii
f
distribuĠie x P vectoriale.
y Rezolvare: Fie eúantionarea cu perioadă T, a unui semnal X (t ) .
Gauss 2V
Eúantionul, X k X (kT ) , luat la momentul kT reprezintă o variabilă aleatorie, iar
5
1 vectorul alcătuit din primele n eúantioane, adică X  X 1, X 2 ,", X n  , este o
adică: E>g( X )@ | ¦ w i ˜ g( 2 x i  P) .
Si 1 variabilă aleatorie vectorială.
În cazul particular, g( X ) X 4 , se obĠine: E X 4 | 475 > @ ObservaĠie: NoĠiunea de eúantion se întâlneúte atât în statistică, cât úi în
domeniul prelucrării semnalelor electrice. SemnificaĠiile sunt însă puĠin diferite, în
ObservaĠie: Comparând cele două valori se observă că aproximarea prin
primul caz reprezentând un ansamblu de realizări ale unui fenomen aleatoriu, iar
cuadratură oferă rezultate foarte bune.
în al doilea caz constituind valoarea unei mărimi electrice măsurate la un
moment dat.
***
 57 58 EVALUĂRI DE PERFORMANğĂ

O variabilă aleatorie vectorială poate fi continuă, dacă toate Figura 3.2 oferă două exemple de evenimente bidimensionale ce sunt
componentele sale sunt variabile aleatorii continue, discretă, dacă toate exprimabile în formă produs.
componentele sale sunt discrete, sau mixtă, dacă o parte din componente sunt Evenimentele ce nu au forma produs pot fi aproximate, la limită
variabile aleatorii continue úi restul discrete. identificate, cu reuniuni de evenimente produs (vezi figura 3.3). Astfel, dacă B
Evenimentelor ce implică o variabilă aleatorie vectorială cu spaĠiu de este un eveniment fără formă produs úi B1, B2 ," evenimente cu formă produs,
eúantionare n-dimensional, le corespund regiuni în acest spaĠiu S. disjuncte, a căror reuniune îl aproximează, atunci probabilitatea evenimentului B
AplicaĠia 3.2 este dată de relaĠia:
Fie variabila aleatorie vectorială (bidimensională) V ( X ,Y ) . ª º
Presupunând că S V \ u \ , să se determine regiunile ce corespund P >B @ # P «* Bk » ¦ P >Bk @ (3.3)
¬k ¼ k
evenimentelor: i) A ^X  Y d 10`; ii) B ^min X ,Y  d 5`; iii) C X 2  Y 2 d 100 . ^ ` La limită, când evenimentele Bk devin arbitrar de "fine", relaĠia devine exactă.
Rezolvare: regiunile de interes sunt precizate în figura 3.1.
y y
y y y (0,10)
(0,10)
Bk ^xk 1  X d xk `& ^Y d y k `
(5,5) (10,0)
(10,0)
A
B x
C x x
x
x

^min X ,Y  d 5` ... ...

A ^X  Y d 10` B C ^X 2
 Y 2 d 100 `
Figura 3.1: Exemple de evenimente bidimensionale
Figura 3.3: Exemple de evenimente fără formă produs
úi aproximarea lor cu reuniuni de evenimente disjuncte cu formă produs
***
În analiza variabilelor aleatorii vectoriale prezintă interes evenimentele AplicaĠia 3.3
(notate generic cu A) ce au forma produs: ScrieĠi sub formă produs evenimentele din exemplul anterior
A ^X1  A1` & ^X 2  A2 ` & ... & ^X n  An ` (3.1) (AplicaĠia 3.2 ).
Rezolvare: B ^min X ,Y  d 5` ^X d 5 & Y  f` ‰ ^X ! 5 & Y d 5`
unde Ak este un eveniment unidimensional ce implică doar variabila aleatorie
X k . Pentru simplificarea scrierii expresiilor unor astfel de evenimente, se poate
***
Variabilele aleatorii X1, X 2 ,", X n ca elemente ale vectorului X , sunt
folosi úi forma:
independente dacă:
A X 1  A1 & X 2  A2 & " & X n  An (3.2)
P >X 1  A1, X 2  A2 ,..., X n  An @ P >X 1  A1 @ ˜ P >X 2  A2 @. ˜ " ˜ P >X n  An @ (3.4)
y y deci dacă fiecare variabilă aleatorie X k este implicată doar de evenimentul
y1 y2
unidimensional Ak definit pe dimensiunea respectivă.

x y1

x1 x2 3.1. Variabile aleatorii bidimensionale

x1 x2
i) ^x1 d X d x2 `& ^Y d y 1` ii) ^x1 d X d x2 `& ^y 1 d Y d y 2 `
Figura 3.2: Exemple de evenimente bidimensionale cu formă produs
x
Înainte de începerea analizei acestui caz, este important să se facă
observaĠia că procedeele ce vor fi utilizate în continuare, pentru a deduce
principalele mărimi care descriu comportamentul aleatoriu al unei variabile
 59 60 EVALUĂRI DE PERFORMANğĂ

aleatorie bidimensionale, se pot extinde pentru variabile aleatorii vectoriale de x pV q, r  P >Q q, R r @ P >N q ˜ M  r @ z (1  p ) ˜ p q ˜M  r
orice dimensiune.
O variabilă aleatorie bidimensională este un vector ale cărui componente x P >Q q @ P >N  ^qM, qM  1,..., qM  (M  1)`@
pot avea, în mod distinct, spaĠiul de eúantionare discret sau continuu.
P >N qM sau N qM  1 sau " sau N qM  (M  1)@
O variabilă aleatorie bidimensională discretă, V ( X ,Y ) , adică cu ambele
componente având un spaĠiu de eúantionare discret, este complet descrisă de M 1 M 1
probabilităĠile elementare de legătură (simultane): ¦ (1  p) ˜ pqM k (1  p) ˜ pqM ˜ ¦ pk  
(1  pM ) pM
q

k 0 k 0
pV ( x i , y j ) >
PX x i ,Y @
y j pentru i , j 1, 2," (3.1.1)
cu q 0,1, 2,"
unde perechea ( x i , y j ) este un element al mulĠimii de eúantionare S X,Y . ObservaĠie: funcĠia de distribuĠie marginală a variabilei aleatorie Q este o
Probabilitatea de apariĠie a oricărui eveniment, A  S X ,Y , este: progresie geometrică de parametru pM .

P >A@ P >R r@ P >N  ^r , M  r ,2M  r ,...`@

¦ p(xi , y j ) f
( xi y j )A 1 p (3.1.4)
¦ (1  p) p qM  r M
˜ p r , pentru r 0, M  1
1 p
deci: FX ,Y ( x, y ) P >X d x,Y d y @ ¦ pX ,Y ( xi , y j ) (3.1.2) q 0
^( xi ,y j ):xi d x,y j d y ` ObservaĠie: variabila aleatorie R, observată izolat, urmează o distribuĠie
geometrică trunchiată.
Cunoscând funcĠia de probabilitate a variabilei aleatorie bidimensionale
***
discrete, V ( X ,Y ) , apariĠia evenimentelor elementare, ce implică doar o
O variabilă aleatorie bidimensională continuă, V ( X ,Y ) , este complet
dimensiune (x sau y) este descrisă de probabilităĠile elementare marginale:
descrisă de funcĠia de distribuĠie de legătură (simultană) asociată ei:
f
pX ( x j ) P X>^ x j ,Y ` ^
y1 ‰ X x j ,Y `
y2 ‰ " @ ¦ p(x j , y k ) (3.1.3a) FV x1, y1  FX ,Y x1, y1  P >X d x1,Y d y1@ (3.1.5)
k 1 Ea reprezintă probabilitatea dreptunghiului (ca eveniment) semi-infinit,
f definit de punctul ( x1, y 1 ) , ca în figura 3.1.1.
respectiv: pY ( y j ) ¦ p( xk , y j ) (3.1.3b)
k 1 y ( x 1, y 1 )
Probabilitatea apariĠiei unui eveniment unidimensional, B, definit pe
această dimensiune este:
x
P >B@ ¦ pX ( x i ) (3.1.3c)
xi B Figura 3.1.1: Evenimentul ^X d x1,Y d y1`
ObservaĠie: Cunoaúterea funcĠiei de probabilitate a unei variabile
aleatorie ( X ,Y ) permite determinarea funcĠiilor de probabilitate ale variabilelor FuncĠia de distribuĠie a unei variabile aleatorie vectoriale, ( X ,Y ) , are
aleatorii izolate, X úi Y. Reciproca însă, în general, nu este adevărată. următoarele proprietăĠi:
AplicaĠia 3.1.1 x FX ,Y ( x1, y 1) d FX ,Y ( x 2 , y 2 ) , dacă x1 d x 2 úi y1 d y 2 (funcĠia este
Numărul de octeĠi, N, ai unui mesaj urmează o distribuĠie geometrică de monoton crescătoare pe direcĠia "nord-est");
parametru p . Mesajul este segmentat în pachete de lungime maximă M octeĠi.
Fie Q, numărul de pachete complete úi R, numărul de octeĠi din ultimul pachet. x FX ,Y (f, y ) FX ,Y ( x,f) 0 (este imposibil ca variabilele aleatorii X
DeterminaĠi funcĠia de probabilitate a variabilei aleatorie V (Q, R ) precum úi sau Y să ia o valoare mai mică decât  f );
probabilităĠile marginale. VerificaĠi dacă expresiile deduse verifică condiĠia de x FX ,Y (f, f) 1 (este sigur că X úi Y iau valori mai mici ca  f );
normare.
Rezolvare: variabilele aleatorii izolate au următoarele spaĠii de eúantionare: x FX ( x ) FX ,Y ( x, f) úi FY ( y ) FX ,Y (f, y ) (reprezintă funcĠiile de
x SQ ^ 0,1,...` úi S R ^0,1,..., M  1` distribuĠie marginală ale variabilelor aleatorii X , respectiv Y);
 61 62 EVALUĂRI DE PERFORMANğĂ

x lim FX ,Y ( x, y ) FX ,Y (a, y ) úi lim FX ,Y ( x, y ) FX ,Y ( x, b ) (reprezintă FuncĠia de distribuĠie de legătură a variabilei aleatorie ( X ,Y ) este dată de
x oa  y ob 
expresia:
continuitatea "de la nord" úi "de la est"; este indusă de continuitatea la ­(1  e  Dx ) ˜ (1  e Ey ) pentru x t 0, y t 0
dreapta a unei variabile aleatorii unidimensionale); FX ,Y ( x, y ) ®
¯0 in rest
x probabilităĠile evenimentelor ce implică o variabilă aleatorie
bidimensională continuă se determină exprimând evenimentele ca reuniuni úi DeterminaĠi funcĠiile de distribuĠie marginale.
intersecĠii de dreptunghiuri semi-infinite: Rezolvare:
P >x1  x d x2 & y 1  y d y 2 @ FX ,Y ( x2 , y 2 )  FX ,Y ( x 2 , y 1)  FX ,Y ( x1, y 2  FX ,Y ( x1, y 1) FX ( x ) FX ,Y ( x, f) lim (1  e  Dx ) ˜ (1  e Ey ) 1  e  Dx , pentru x t 0 ;
y of
E y
AplicaĠia 3.1.2 FY ( y ) 1 e , pentru y t 0 .
DeterminaĠi probabilităĠile evenimentelor: ***
A ^X d x1,Y d y 1`, B ^x1  X d x 2 ,Y d y 1`, C ^x1  X d x 2 , y 1  Y d y 2 ` FuncĠia densitate de probabilitate de legătură (simultană) a unei
pentru cazul în care comportamentul variabilei aleatorie ( X ,Y ) este descris de variabile aleatorie vectoriale bidimensionale, continue, V ( X ,Y ) , dacă există,
funcĠia de distribuĠie FX ,Y ( x, y ) . este:
wFX ,Y ( x, y )
y
x1 x2
f X ,Y ( x, y ) (3.1.6)
wx wy
y
x1 x2 x RestricĠiile sunt legate de imposibilitatea de a deriva parĠial funcĠia de
x y2 distribuĠie (ea însăúi este discontinuă, derivata parĠială după o variabilă este
y1 C discontinuă etc.).
y1 Exprimarea probabilităĠii de apariĠie a unui eveniment A prin intermediul
B densităĠii de probabilitate este (vezi úi figura 3.1.3.):
B
P >V  A@ ³³ f X ,Y ( x ' , y ' )dx ' dy ' (3.1.7)
a. Evenimentul ^x 1  X d x 2 ,Y d y 1` b. Reuniune de evenimente disjuncte A

Figura 3.1.2 x y
deci: FX ,Y ( x, y ) ³ ³ f X ,Y ( x ' , y ' ) dx ' dy ' (3.1.8)
Rezolvare: f f
i) P >A@ P >X d x1,Y d y 1 @ FX ,Y ( x1, y 1) Densitatea de probabilitate marginală a unei variabile aleatorie izolate
ii) Regiunea ce corespunde evenimentului B este reprezentat în se leagă de densitatea de probabilitate (dacă există!) a variabilei aleatorie
figura 3.1.2a. Conform acesteia, există următoarea relaĠie de echivalenĠă între vectoriale V ( X ,Y ) prin relaĠiile:
evenimente:
^X d x2 ,Y d y1` ^X d x1,Y d y1`‰ B .
Deoarece ^X d x1,Y d y 1`ˆ B ‡ , rezultă că: FX ,Y ( x 2 , y 1) FX ,Y ( x1, y 1)  P >B@ ,
úi deci: P >x1  X d x 2 ,Y d y 1 @ FX ,Y ( x 2 , y 1)  FX ,Y ( x1, y 1)
iii) Regiunea ce corespunde evenimentului C este reprezentat în figura
3.1.2b. Există următoarea relaĠie de echivalenĠă:
^X d x2,Y d y2` { ^X d x1,Y d y2`‰ B ‰ C
în care evenimentele din membrul drept al egalităĠii sunt disjuncte între ele, deci:
FX ,Y ( x 2 , y 2 ) FX ,Y ( x1, y 2 )  P >B @  P >C @
P >x1  X d x2 & y1  Y d y 2 @ FX ,Y ( x2 , y 2 )  FX ,Y ( x1, y 2 )  FX ,Y ( x2 , y1)  FX ,Y ( x1, y1)
*** Figura 3.1.3: Exemplu de funcĠie de densitate de probabilitate a unei variabile
aleatorie bidimensionale
AplicaĠia 3.1.3
 63 64 EVALUĂRI DE PERFORMANğĂ

f f imaginea 3.1.4b, iar probabilitatea solicitată este:

fX ( x) ³ f X ,Y ( x, y ' ) dy ' úi, respectiv, fY ( y ) ³ f X ,Y ( x ' , y ) dx ' (3.1.9) 0.5 1 y
x y
f f P >X  Y d 1@ ³ ³ 2e e dx dy 1  2e 1
DemonstraĠie: 0 y
x ª f º f iv) Calculul funcĠiei FX ,Y ( x, y ) implică 2 cazuri distincte
dFX ( x ) dFX ,Y ( x,f) d
fX ( x ) ³ ³ « fX ,Y (u,v )dv »du ³ fX ,Y ( x, y ) dy (figura 3.1.5):
dx dx dx «¬f »¼ d
x
f
dx ³f
du 1 f Cazul I – pentru 0 d y '  x '  f :
y' x x' y '
AplicaĠia 3.1.4 FX ,Y ( x' , y ' ) ³³ 2e xe y dy dx  ³ ³ 2e
x y
e dy dx
Se dă funcĠia densitate de probabilitate de legătură: 0 0 y' 0
­c ˜ e  x e  y pentru 0 d y d x  f y' x'
f X ,Y ( x, y ) ® 2 e x (1  e x ) dx  2 e x (1  e y ) dx (1  e y ' )(1  e y '  2e x' )
¯0 in rest ³ ³
0 y'
Să se determine: i) constanta c; ii) funcĠiile densitate de probabilitate Cazul II – pentru 0 d x '  y '  f :
marginale; iii) P >X  Y d 1@ ; iv) funcĠia de distribuĠie; v) funcĠiile de distribuĠie x' x x'
marginale. FX ,Y ( x ' , y ' ) 2e  x e  y dy dx x
(1  e  x ) dx (1  e  x ' ) 2
³³ ³ 2e
y 0 0 0
1 x y
Revenind la variabilele x úi y, rezultă că:
y x y ­°pentru 0 d y  x  f : (1  e  y )(1  e  y  2e  x )
FX ,Y ( x, y ) ®
0,5 °̄pentru 0 d x  y  f : (1  e  x )2
fY (y )
S X,Y y
x y 0 x=y
x 1 0 II
1 y
- (cazul I) domeniul de
f X ( x) y 0,5 x y 1 y'' integrare pentru y’ < x’
2e  x y
a: SpaĠiul de eúantionare corespunzător b: Regiunea corespunzătoare
condiĠiei 0 d y d x  f evenimentului ^X  Y d 1` y' I - (cazul II) domeniul de
Figura 3.1.4 integrare pentru y’’ > x’

0 y' x' 0 x
Rezolvare:
i) SpaĠiul de eúantionare al variabilei ( X ,Y ) este reprezentat în Figura 3.1.5: Expresia f X ,Y ( x, y ) pe diferite intervale
figura 3.1.4a. Deci:
f f f x f
v) FX ( x ) FX ,Y ( x, f ) (1  e  x )2
1 ³³ f X ,Y ( x, y ) dy dx c e  x e  y dy dx c e  x (1  e  x )dx
³ ³ ³ c 2
0 0 0 0 0 FX ( y ) FX ,Y ( f, y ) 1  e 2 y
ii) funcĠiile marginale cerute sunt: ***
f x AplicaĠia 3.1.5
x y
fX ( x) ³ fX ,Y (x, y ) dy ³ 2e e dy 2e  x (1  e  x ) FuncĠia densitate de probabilitate de legătură a unei variabile aleatorie,
0 0 (X, Y ), gaussiană are expresia:
1
˜ e x 2Uxy  y / 21U 
f f 2 2 2

fY ( y ) f X ,Y ( x, y ) dx x y
2e  2 y f X ,Y x, y  (3.1.10)
³ ³ 2e e dx
2S 1  U 2
0 y
iii) Evenimentului ^X  Y d 1` îi corespunde regiunea haúurată în Să se determine:
 65 66 EVALUĂRI DE PERFORMANğĂ

i) funcĠiile densitate de probabilitate marginală; P >X  A,Y  B @ P >X  A@ ˜ P >Y  B @ (3.1.1.1)

>
ii) P X 2  Y 2  R 2 . @ În general, pentru a verifica această proprietate se utilizează următoarea
teoremă:
Teoremă: componentele X úi Y ale unei variabile aleatorie vectoriale
bidimensionale sunt independente dacă úi numai dacă:
- ambele variabile aleatorii sunt continue:
f X ,Y ( x, y ) f X ( x ) ˜ fY ( y ) (3.1.1.2)
- cazul ambele variabile aleatorii sunt discrete:
p X ,Y ( x j , y k ) p X ( x j ) ˜ pY ( y k ) (3.1.1.3)
- cazul general:
FX ,Y ( x, y ) FX ( x ) ˜ FY ( y ) (3.1.1.4)
AplicaĠia 3.1.1.1
Figura 3.1.6: FuncĠia densitate de probabilitate VerificaĠi proprietăĠile de independenĠă ale variabilelor aleatorii din:
a unei variabile aleatorie gaussiană bidimensională
i) aplicaĠia 3.1.1; ii) aplicaĠia 3.1.3; iii) aplicaĠia 3.1.4; iv) aplicaĠia 3.1.5.
Rezolvare: Rezolvare:
i) Reprezentarea grafică a funcĠiei densitate de probabilitate este i) funcĠiile de probabilitate marginale sunt:
prezentată în figura 3.1.6: 1 p
2 pQ (q) P >Q q @ (1  pM ) ( pM ) q úi pR (r ) P >R r @ ˜ pr
/ 2(1U 2 ) f
e x ( y 2  2Uxy ) / 2(1U 2 ) 1  pM
fX ( x ) ³e dy "
2S 1  U 2 f Produsul lor: pQ (q) ˜ pR (r ) " (1  p) ˜ pMq  r pQ,R (q, r ) , pentru orice valoare
2 f 2
/ 2(1U 2 ) 2 q 0,1,... úi r 0,1,..., M  1 , verifică teorema anterioară, deci variabilele aleatorii
e x /2
e( y Ux ) e x /2
˜ ³ dy Q úi R sunt independente.
2S 2S(1  U2 ) 2S
f ii) FX ( x ) ˜ FY ( y ) (1  e  Dx ) ˜ (1  e Ex ) FX ,Y ( x, y ) pentru orice x t 0 úi
(integrantul este funcĠia densitate de probabilitate a unei variabile aleatorie y t 0 , deci variabilele aleatorii X úi Y sunt independente.
gaussiană, unidimensională de medie U ˜ x úi varianĠă 1  U 2 ). Datorită simetriei
iii) fX ( x ) 2 e x (1  e x ) , pentru 0 d x  f , úi
funcĠiei fX ,Y ( x, y ) : fY ( y ) exp( y 2 2) 2S .
ii) fY ( y ) 2 e2 y , pentru 0 d y  f , deci:
ObservaĠie: cele două funcĠii densitate de probabilitate marginale
urmează o lege de distribuĠie gaussiană de medie 0 úi varianĠă 1 . fX ( x ) ˜ fY ( y ) 4 e x (1  e x ) ˜ e y , pentru 0 d x  f úi 0 d y  f .
ii) IndicaĠie: se trece în coordonate polare. Deoarece produsul f X ( x ) ˜ fY ( y ) este diferit de 0 úi în afara regiunii y  x unde
*** fX ,Y ( x, y ) 0 , tragem concluzia că cele două variabile aleatorii X úi Y nu sunt
O variabile aleatorie bidimensională mixtă (cu o componentă continuă úi independente (proprietate intuită úi datorită restricĠiei impuse de relaĠia y  x ).
una discretă), V = (X, Y ), este descrisă de funcĠia de distribuĠie asociată ei: 1

FX ,Y x, y  ¦ P >X x i ,Y d y @ (3.1.11)
iv) fX ( x ) ˜ fY ( y ) ^2S ˜ exp ª¬2(x 2
`
 y 2 )º¼ , pentru x, y   .
^xi :xi d x ` Pentru U 0 avem fX ,Y ( x, y ) fX ( x ) ˜ fY ( y ) , ceea ce înseamnă că
variabilele aleatorii X úi Y sunt independente dacă úi numai dacă U 0 . Se
3.1.1. IndependenĠa componentelor
precizează aici că U este coeficientul de corelaĠie între X úi Y, noĠiunea aceasta
Componentele X úi Y ale unei variabile aleatorie bidimensionale sunt
fiind definită mai târziu în cuprinsul acestui capitol.
independente dacă pentru orice evenimente unidimensionale, A  S X úi
***
B  SY , se respectă relaĠia: Teoremă: Dacă X úi Y sunt variabile aleatorii independente, atunci orice
 67 68 EVALUĂRI DE PERFORMANğĂ

pereche de variabile aleatorii g(X ) úi h(Y ) , definite prin funcĠiile deterministe y y

g(") úi h(") , sunt independente. ³ h ˜ f X ,Y (u, v ) dv ³ f X ,Y ( x, u ) du

f f
DemonstraĠie: FY ( y x ) lim (3.1.2.3)
h o0 fX (x) ˜ h fX (x)
Fie următoarele evenimente A  S X úi B  SY pentru care avem
evenimentele echivalente: Ac ^g( x ) x  A` úi B c ^h( x ) x  B`. Deci: B. Densitatea de probabilitate condiĠionată, corespunzătoare este:

P >g( X )  Ac, h(Y )  Bc@ P >X  A,Y  B@

X ,Y indep
P >X  A@ ˜ P >Y  B@
d
fY ( y x )^FY (y x)` fX ,Y ( x, y ) (3.1.2.4)
dy fX ( x )
P >g( x )  Ac@ ˜ P >h( y )  Bc@
Această relaĠie reprezintă probabilitatea ca variabila aleatorie Y să se
relaĠie ce verifică definiĠia independenĠei. găsească în intervalul infinitezimal ( y , y  dy ), când X se găseúte în intervalul
infinitezimal ( x, x  dx ); ea corespunde regulei Bayes interpretate în cazul
3.1.2. ProbabilităĠi condiĠionate úi mărimi caracteristice condiĠionate continuu.
A. Dacă X úi Y sunt componente discrete ale unei variabile aleatorie Dacă X este continuă úi Y discretă, probabilitatea elementară condiĠionată
bidimensionale atunci probabilitatea elementară a lui Y, condiĠionată de se obĠine în mod asemănător:
realizarea X x k este: P >Y y k ] & x  X d x  h @
pY ( y k x ) P >Y y k X x @ lim
>
PY yj ,X xk @ h o0 P >x  X d x  h @
py xk PY> yj X xk @ (3.1.2.1) x h
j
P >X xk @ ³ f X ,Y ( x ' , y k ) dx ' (3.1.2.5)
x
f X ,Y x, y k 
Pentru consistenĠa formulei, definim py j 0 pentru orice x k cu lim
xk h o0 x h f X x 
proprietatea P >X x k @ 0 . ³ f X ( x ' ) dx '
x
Dacă X este componenta discretă úi Y este componenta continuă a unei
Teorema probabilităĠii totale (versiunea pentru variabile aleatorii
variabile aleatorie bidimensionale atunci distribuĠia lui Y condiĠionată de
vectoriale bidimensionale):
realizarea X x k este: i) în cazul X discret úi Y continuu/discret:
P > X x k ,Y d y @
FY ( y x k )
P >X x k @
pentru P >X xk @ ! 0 (3.1.2.2) P >Y  A@ ¦ P >Y  A X xk @ ˜ P >X xk @ (3.1.2.6)
xk

Dacă derivata există, atunci densitatea de probabilitate condiĠionată ii) în cazul X continuu úi Y continuu/discret:
d f
corespunzătoare este: fY ( y x k ) FY ( y , x k )
dy P >Y  A@ ³ P >Y  A X x @ ˜ f X ( x ) dx (3.1.2.7)
Dacă X úi Y sunt componentele continue ale unei variabile aleatorie f
bidimensionale, distribuĠia condiĠionată se defineúte printr-un procedeu de Datorită avantajelor oferite, calculul probabilităĠilor unor evenimente
aducere la limită: complicate recurge deseori la această teoremă.
P >x  X d x  h,Y d y @
FY ( y x ) lim P >Y d y x  X d x  h @ lim AplicaĠia 3.1.2.1
h o0 h o0 P >x  X d x  h @ Numărul total de apeluri generate pe o arie geografică, X este o variabilă
y x h
aleatorie Poisson de medie D . Presupunând că fiecare apel are probabilitatea p
³ ³ f X ,Y (u, v ) du dv de a apărea într-o regiune specificată, R, úi că localizarea fiecărui apel este
f x
lim x h independentă de localizarea celorlalte apeluri, să se determine funcĠia de
h o0
³ f X (u ) du probabilitate a numărului de apeluri, Y, ce apar în regiunea R .
x Rezolvare: Conform teoremei probabilităĠii totale se scrie că:
Considerând variaĠia lui f X ,Y (u, v ) , după u pe intervalul ( x, x  h ) , f f

nesemnificativă, rezultă:
P >Y j@ ¦ P >Y j, X k@ ¦ P >Y jX @
k ˜ P >X k@,
k 0 k 0
 69 70 EVALUĂRI DE PERFORMANğĂ

unde evenimentul ^Y j X k ` semnifică faptul că: AplicaĠia 3.1.2.3

DeterminaĠi media variabilelor aleatorii Y din AplicaĠia 3.1.2.1, utilizând
^din cele k apeluri generate în reĠea, j provin din regiunea R `. formula mediei condiĠionate.
§k · j f
Conform ipotezei: P Y > jX k @ ¨ ¸ ˜ p ˜ (1  p )k  j , deci:
¨j¸
Rezolvare: E >Y @ ¦ E >Y X @
k ˜ P >X k@.
© ¹ k 0
Pentru X x , variabila aleatorie Y urmează o distribuĠie binomială de
f
k! D k D
P >Y j@ ¦ p j (1  p) k  j ˜ e parametrii k úi p úi deci:
k j
j ! (k  j ) ! k! f
j k j j E >Y @ ¦ k p ˜ P >X k@ p ˜ E > X @ Dp
(Dp) e D f
>(1  p)D@ (Dp) Dp
j!
˜ ¦ (k  j ) ! j
e k 0
(X este o variabilă aleatorie Poisson de medie D ).
k j
ObservaĠie: variabila aleatorie Y urmează tot o distribuĠie Poisson de medie D p . ObservaĠie: rezultatul verifică faptul că variabila aleatorie Y izolată
urmează o lege de distribuĠie Poisson de medie Dp .
***
***
AplicaĠia 3.1.2.2 AplicaĠia 3.1.2.4
Numărul de clienĠi ce sosesc într-un sistem de servire în intervalul de timp DeterminaĠi media úi varianĠa numărului de clienĠi, N , ce sosesc pe
t este o variabilă aleatorie ce urmează o distribuĠie Poisson de parametru E t . durata de servire, T , a unui anumit client din AplicaĠia 3.1.2.2.
Durata de servire a fiecărui client, T , este o variabilă aleatorie ce urmează o Rezolvare: Deoarece variabila aleatorie ( N T t ) urmează o distribuĠie Poisson
distribuĠie exponenĠială de parametru D . DeterminaĠi funcĠia de probabilitate a
numărului de clienĠi, N , ce sosesc pe durata de servire, T , a unui anumit client. de parametru Et , înseamnă că: E N T > t @ >
Et úi E N 2 T t @ (E t )2  E t , deci:
Se presupune că sosirile clienĠilor sunt independente de timpul de servire al f f
clientului.
Rezolvare:
x E>N @ ³ E>N T @
t ˜ fT (t )dt ³ Et ˜ fT (t ) dt E ˜ E>T @
0 0
Ne găsim în situaĠia: o variabilă aleatorie discretă condiĠionată de o f f
variabilă aleatorie continuă. Conform teoremei probabilităĠii totale: > @
x E N2 2
>
³E N T t @˜ fT (t ) dt ³ (Et  E t ) ˜ f (t ) dt E ˜ E>T @  E ˜ E>T @
2 2
T
2 2

(E t ) k  E t  D t DE k k  ( D  E ) t
f f f 0 0
>
P >N k @ ³ P N k T t fT (t ) dt ³ @k!
e D e dt
k ! 0³
t e dt
x VAR>N @ E>N @  E>N @
2 2
E ˜ E>T @ E ˜ E>T @  E ˜ E>T @ E ˜ VAR>T @  E ˜ E>T @
2 22 2 2
0 0
Facem substituĠia: r (D  E) t úi deci: ObservaĠii:
k - dacă T este constant, adică E >T @ constant úi VAR >T @ 0 , atunci
DE k DE k
f
k r D § D · variabila aleatorie N urmează o distribuĠie Poisson de parametru E ˜ E >T @.
P >N k@ ³ r e dr ¨¨1  ¸
k! D  Ek 1 0   D  Ek 1 D  E © D  E ¸¹ - dacă T este variabilă, varianĠa sa influenĠează varianĠa variabilei


*( k 1) k ! aleatorie N , amplificând-o.

ObservaĠie: variabila aleatorie N aparĠine vectorului (N,T ) , úi ea urmează o lege În cazul pentru care T respectă o distribuĠie exponenĠială de parametru
geometrică de parametru p D /(D  E) (probabilitatea succesului într-o E E2 E
D , atunci E >T @ 1 / D úi VAR >T @ 1 / D 2 , deci: E >N @ úi VAR >N @  .
încercare). D D2 D
*** Aceste rezultate sunt în concordanĠă cu observaĠia din AplicaĠia 3.1.2.2.
C. Media condiĠionată a variabilei aleatorie Y, când X x , este: conform căreia variabila aleatorie N urmează o lege geometrică de parametru
- pentru Y continuă: p D /(D  E) :
f 1  p 1  D ( D  E) E
E ª¬Y X x º¼ ³f y ˜ fY (y x) dy (3.1.2.8) E >N @ úi
p D ( D  E) D
- pentru Y discretă:
1 p 1  D ( D  E) ( D  E) ˜ E E2 E
E ¬ªY X x ¼º VAR >N @ 
¦ y j y j ˜ P ª¬Y yj X x º¼ (3.1.2.9)
p 2 2
D ( D  E) 2
D 2
D 2 D
 71 72 EVALUĂRI DE PERFORMANğĂ

3.2. Variabile aleatorii n-dimensionale (n >2) p X 1, X 2 , X 3 ( x1, x 2 , x3 ) (1  a1 )(1  a2 )(1  a3 ) a1x1 a2x 2 a3x 3 , cu x1 t 0, x 2 t 0, x3 t 0 .

Metodele de specificare úi rezultatele obĠinute pentru probabilităĠile unei DeterminaĠi p X 1, X 2 ( x1, x 2 ) úi p X 1 ( x1 ) , útiind că 0  ai  1 .
variabile aleatorie vectoriale bidimensionale se aplică, prin extensie, variabilelor Rezolvare:
aleatorii vectoriale n-dimensionale. Astfel: f

x funcĠia de distribuĠie de legătură a n variabile aleatorii pX 1,X 2 ( x1, x2 ) ¦ pX ,X ,X1 2 3

( x1, x2, x3 )
x3 0
X1, X 2 ,..., X n este:
f
FX 1, X 2 ,..., X n ( x1, x 2 ,..., x n ) P >X1 d x1, X 2 d x 2 ,", X n d x n @ (3.2.1) (1  a1)(1  a2 )(1  a3 ) a1x1 a2x2 ¦ a3x 3
(1  a1)(1  a2 ) a1x1 a2x2
x3 0
x funcĠia de distribuĠie marginală a unora din variabilele aleatorii ce
alcătuiesc un vector se obĠine atribuind în cadrul funcĠiilor de distribuĠie p X 1 ( x1 ) (1  a1 ) ˜ a1x1
(globale) valoarea f argumentelor corespunzătoare celorlalte variabile
aleatorii. De exemplu:
***
Variabilele aleatorii X 1,", X n sunt simultan continue sau, altfel spus,
FX ,X  x 1 , x 2  FX ,X ,...,X n  x 1 , x 2 , f , f ,..., f (3.2.2)
1 2 1 2 variabila vectorială  X 1, X 2 ,", X n  este continuă dacă probabilitatea oricărui
x funcĠia de probabilitate a unui vector de n variabile aleatorii discrete eveniment n-dimensional, A, este dată de relaĠia:
este:
P > X 1, X 2 ,", X n   A@ ³ ... ³ f X 1, X 2 ,", X n ( x1, x2 ,", x n ) dx1 dx2 " dx n (3.2.6)
p X 1, X 2 ,..., X n x1, x 2 ,..., x n  P >X 1 x1, X 2 x 2 ,", X n x n @ (3.2.3)
x1, x 2 ,", x n A
Cu ajutorul ei, probabilitatea oricărui eveniment, A, n-dimensional, se unde: f X 1, X 2 ,..., X n ( x1, x 2 ,..., x n ) este funcĠia densitate de probabilitate a vectorului
găseúte astfel:
P > X 1, X 2 ,..., X n   A@ ¦ p X 1, X 2 ,..., X n ( x1, x2 ,..., x n )  X1, X 2,..., X n  . Desigur că:
x1, x 2 ,..., x n A x1 xn

x funcĠia de probabilitate marginală a unui subansamblu, m, de FX 1, X 2 ,", X n ( x1, x 2 ,", x n ) ³ ... ³ f X 1, X 2 ,..., X n ( x1, x 2 ,", x n ) dx1 dx 2 " dx n (3.2.7)
f f
variabile aleatorii discrete se determină sumând după celelalte n  m
variabile aleatorii discrete din vector, pentru toate realizările posibile. De Invers, dacă se cunoaúte funcĠia densitate de distribuĠie, úi ea este
exemplu: derivabilă atunci:

p X ( x j ) P ª¬ X j x j º¼ wn
j
¦" ¦ ¦ ." ¦ p X , X ,", X 1 2 n
( x1, x2 ,", xn ) (3.2.4) fX 1,X 2 ,",X n ( x1, x2,", xn ) FX ,X ,",X n ( x1, x2 ,", xn ) (3.2.8)
x1 x j 1 x j 1 xn wx1 " w xn 1 2
x funcĠia de probabilitate a unui subansamblu m de variabile aleatorii FuncĠia densitate de distribuĠie marginală a unui subset de m variabile
condiĠionată de restul n  m variabile aleatorii ale vectorului este: aleatorii din totalul de n este:
pX ' ,",X ' ( x '1,", x 'n ) f f
pX ' , X ' ,",X ' ( x '1,", x 'm x 'm1,", x 'n ) 1 n
(3.2.5) f X '1,",X 'm ( x '1 ,", x ' m ) ... f X '1,",X 'n ( x '1 , x ' 2 ,", x ' n ) dx ' m 1 " dx ' n (3.2.9)
1 2 n
pX '
m 1,", X n' ( x 'm1,", x 'n ) ³ ³
f f
unde X '1 , X ' 2 ,", X ' n reprezintă variabilele aleatorii X1, X 2 ,..., X n puse în FuncĠia densitate de distribuĠie a unui subset de m variabile aleatoare
altă ordine, iar în mod corespunzător x '1 , x ' 2 ,", x ' n reprezintă realizările condiĠionate de restul este (cu condiĠia ca f X ' m 1 ,..., X ' n ( x ' m 1 ,", x ' n ) ! 0 ):
x1, x 2 ,", x n puse úi ele în ordinea respectivă. f X 1,", X n ( x '1 ,", x ' n )
f X '1 ,", X ' n ( x '1 ,", x ' m x ' m 1 ,", x ' n ) (3.2.10)
AplicaĠia 3.2.1 f X ' m 1 ,", X ' n ( x ' m 1 ,", x ' n )
Un sistem primeúte mesaje pe trei linii de comunicaĠie. Fie X i numărul
AplicaĠia 3.2.2
de mesaje recepĠionate pe oră din linia j. Presupunem că funcĠia de probabilitate
Variabila aleatorie ( X 1, X 2 , X 3 ) are funcĠia densitate de probabilitate:
a vectorului ( X1, X 2 , X 3 ) este:
 73 74 EVALUĂRI DE PERFORMANğĂ

§ 1 ·
 ¨ x12  x 22  2 x1 x 2  x 32 ¸ află determinând echivalentul evenimentului ^ Z d z` :
2
e © ¹
FZ (z) P >Z d z @ P >x  R Z @ (3.3.1)
f X 1, X 2 , X 3 ( x1, x 2 , x3 ) (Gauss ) (3.2.11)
2S S
cu: RZ ^x x1,..., x n  : g ( x ) z`.
DeterminaĠi funcĠia densitate de probabilitate marginală a subansamblului
Când variabila aleatorie  X 1,", X n  este simultan continuă, atunci:
variabilelor aleatorii X 1 úi X 3 .
Rezolvare [Ioan98] : FZ ( z ) ³ x...R ³ f X ,... X
1 n
( x1, x 2 ,..., x n ) dx1 " dx n (3.3.2)
Z
f ( x  x  2 x1x2 )
e x / 2 e x / 2 e x / 2
2 2 2 2 2
3
e 1 2 3 1
RelaĠia (3.3.2) este valabilă úi pentru variabilele aleatorii vectoriale mixte
fX ,X ( x1, x3 ) ³ dx1 ˜
1 3
2S 2S / 2 2S 2S sau discrete, caz în care o parte sau toate integralele devin sume după
f evenimentele din dimensiunea respectivă.
***
Componentele X 1,", X n ale unei variabile aleatorii vectoriale sunt AplicaĠia 3.3.1.
Fie variabila aleatorie vectorială ( X ,Y ) úi variabila aleatorie Z X  Y .
independente dacă:
DeterminaĠi FZ (z ) úi fZ (z ) , considerând cunoscută funcĠia densitate de
P >X 1  A1,", X n  An @ P >X 1  A@ ˜ ! ˜ P >X n  An @ (3.2.12)
probabilitate f X ,Y ( x, y ) .
pentru oricare set de evenimente unidimensionale A1,", An .
Teoremă: X 1,", X n sunt independente dacă úi numai dacă: y
y = z– x
FX 1,", X 2 ( x1,..., x n ) FX 1 ( x1 ) ˜ ! ˜ FX n ( x n ) (3.2.13)
Pentru variabile aleatorii vectoriale discrete, relaĠia (3.2.13) este echivalentă cu:
p X 1,..., X n ( x1,..., x n ) p X 1 ( x1 ) ˜ ... ˜ p X n ( x n ) , pentru x1,..., x n (3.2.14)
x
Pentru variabile aleatorii simultan continue, relaĠia (3.2.13) este echivalentă cu:
f X 1 ,...,X n  x 1 ,..., x n  f X 1  x 1  ˜ f X 2  x 2  ˜ ... ˜f X n  x n  (3.2.15) Figura 3.3.1: Regiunea x  y d z
AplicaĠia 3.2.3
VerificaĠi independenĠa variabilelor aleatorii X 1 úi X 3 din exemplul Rezolvare: Regiunea din plan, ce corespunde evenimentului ^Z d z` este
anterior (AplicaĠia 3.2.2.). prezentată în figura 3.3.1. În acest caz:
2 2 f z  x' f
e  x1 /2
e x3 / 2 FZ ( z )
Rezolvare: f X 1, X 3 ( x1, x3 )
˜ f X 1 ( x1 ) ˜ f X 3 ( x3 ) ³ ³ f X ,Y ( x ' , y ' ) dx ' dy ' úi fZ ( z ) ³ f X ,Y ( x ' , z  x ' ) dx ' .
2S 2S f f f
deci X 1 úi X 3 sunt variabile aleatorii independente, ce urmează o lege de Dacă X úi Y sunt independente, atunci f X ,Y ( x, y ) f X ( x ) ˜ fY ( y ) , úi deci:
distribuĠie Gauss de medie zero úi varianĠă unitate. f
fZ ( z ) ³ f X ( x ' ) ˜ fY ( z  x ' ) dx ' (3.3.3)
3.3. FuncĠii de mai multe variabile aleatorii f
ObservaĠie: relaĠia (3.3.3) reprezintă convoluĠia dintre două funcĠii
Interpretarea unor fenomene aleatorii necesită deseori prelucrarea mai densitate de probabilitate (marginală, în cazul acestei aplicaĠii).
multor variabile aleatorii. Astfel, pe baza unui eúantion X 1,", X n alcătuit din ***
măsurătorile repetate ale aceleiaúi mărimi supuse observaĠiei se pot determina
următoarele mărimi: valoarea maximă, valoarea minimă, media pe eúantion, 3.3.1. Mărimi caracteristice ale funcĠiilor
varianĠa pe eúantion, etc. Aceste mărimi, variabile aleatorii la rândul lor, se obĠin de două variabile aleatorii
aplicând diverse funcĠii, g (") , ale eúantionului în cauză. ™ Determinarea mărimilor aúteptate ce descriu o funcĠie de mai multe
FuncĠia de distribuĠie a unei variabile aleatorie, Z g ( X 1, X 2 ,", X n ) se variabile aleatorii urmează un procedeu similar cu cel descris în cazul unei unice
 75 76 EVALUĂRI DE PERFORMANğĂ

variabile aleatorie. Astfel, în cazul general, media (valoarea aúteptată a) unei ™ Momentul centrat de ordinul jk al variabilelor aleatorii X úi Y este
funcĠii de două variabile aleatorii X úi Y este dată de relaĠia: momentul de ordinul jk al variabilelor aleatorii centrate X  E >X @ úi Y  E >Y @ .
­ f f
°- pentru X ,Y continue : g( x, y ) f X ,Y ( x, y ) dx dy ™ CovarianĠa variabilelor aleatorii X úi Y este momentul centrat de
°
³³ ordinul j 1 úi k 1:
f f
°
°
f
COV >X ,Y @ E > X  E >X @Y  E >Y @@ (3.3.2.5)
E>Z @ ®- pentru X discret,Y continuu : ¦³
g( x i , y ) f X ,Y ( x i , y ) dy (3.3.1.1)
° xi  f Ea poate fi pusă úi sub forma:
°- pentru X ,Y discrete :
¦¦
g( x i , y i ) pX ,Y ( x i , y i ) COV >X ,Y @ E >X ˜ Y @  E >X @ ˜ E >Y @ (3.3.2.6)
°
xi y i
° Dacă două variabile aleatorii sunt independente, covarianĠa lor este nulă.
¯
Reciproca, însă, nu este adevărată decât în anumite cazuri.
AplicaĠia 3.3.1.1 (media sumei a două variabile aleatorii)
Fie variabila aleatorie vectorială continuă ( X ,Y ) descrisă de funcĠia densitate de ™ Coeficientul de corelaĠie, U , al variabilelor aleatorii X úi Y este:
probabilitate f X ,Y ( x, y ) . Să se determine media variabilei aleatorie Z X  Y . COV >X ,Y @ E>X ˜ Y @  E>X @ ˜ E>Y @
U (3.3.2.7)
Rezolvare: STD>X @ ˜ STD>Y @ V X VY
f f
E >Z @ E >X  Y @ CorelaĠia, evaluată prin intermediul coeficientului de corelaĠie, arată cât
³ ³ ( x  y ) f X ,Y ( x, y ) dx dy de "strâns" sunt legate variabilele în cauză. Astfel, este cu atât mai probabil ca
f f
f f f f două realizări particulare x úi y să fie:
³ ³ x ˜ f X ,Y ( x, y ) dx dy  ³ ³ y ˜ f X ,Y ( x, y ) dx dy (3.3.1.2)
x ambele peste sau sub medii, cu cât U o 1 ,
f f f f
f f
x una peste úi una sub medie, cu cât U o 1 ,
³ x ˜ f X ( x ) dx  ³ y ˜ fY ( y ) dy E >X @  E >Y @
f f x lipsite de legătură, cu cât U o 0 .
ObservaĠii:
AplicaĠia 3.3.1.2
- Expresia (3.3.1.2) nu Ġine cont dacă variabilele aleatorii individuale, X úi
VerificaĠi independenĠa úi calculaĠi coeficientul de corelaĠie dintre
Y, sunt sau nu independente;
variabilele aleatorii X úi Y a căror distribuĠie de legătură este dată în
- Expresia (3.3.1.2) se menĠine indiferent de natura variabilei aleatorii
tabelul 3.3.2. InterpretaĠi rezultatul. PrecizaĠi o alocare de probabilităĠi care să
vectoriale în cauză.
corespundă unei corelaĠii puternic negative a celor două variabile.
***
Tabelul 3.3.2: Exemplu de distribuĠie bidimensională discretă
™ Momentul E X Y > j k
@ de ordinul jk al variabilei aleatorie ( X ,Y ) este: x y pX ,Y ( x, y )
­ f f
°- pentru X ,Y continue :
j k -1 -1 7/16
°
³ ³x y f X ,Y ( x, y ) dx dy
-1 1 1/16
f f
° f 1 -1 2/16
>
E X Y j k
@ °
®- pentru X discret,Y continu : ¦ ³ xij y k f X ,Y ( xi , y ) dy (3.3.2.4) 1 1 6/16
° xi f
°- pentru X ,Y discrete :
° ¦ ¦ x ij y nk p X ,Y ( x i , y n ) 3.3.2. Sume de variabile aleatorii
xi y n Deseori suntem confruntaĠi cu probleme ce presupun contorizarea
¯°
apariĠiilor unui eveniment, cumularea de rezultate sau medierea unor serii de
™ CorelaĠia E >X ˜ Y @ a variabilelor aleatorii X úi Y este momentul de măsurători. În general, rezolvarea acestor probleme se reduce la determinarea
ordinul j 1 úi k 1 . Variabilele aleatorii X úi Y sunt ortogonale (necorelate) exactă sau aproximativă a distribuĠiei ce caracterizează o sumă de n variabile
aleatorii.
dacă E >X ˜Y @ 0 .
AplicaĠia 3.3.2.1 (media sumei a n variabile aleatorii)
 77 78 EVALUĂRI DE PERFORMANğĂ

Fie variabila aleatorie vectorială continuă  X 1, X 2 ,", X n  descrisă de Cum X 1,", X n sunt independente, înseamnă că funcĠiile de variabile aleatorii
funcĠia densitate de probabilitate f X1,", X n ( x1,", x n ) . DeterminaĠi media variabilei e jZX1 ,", e jZX n sunt de asemenea independente, deci:
aleatorie Z X 1  "  X n .
IndicaĠie: se aplică metoda inducĠiei úi se obĠine că:
) Sn (Z) > @ > @ >
E e jZX1 ˜ E e jZX 2 ... ˜ E e jZX n @ ) X1 (Z) ˜ ) X 2 (Z) ˜ ... ˜ ) X n (Z) (3.3.2.5)

E >X 1  X 2  "  X n @ E >X 1 @  E >X 2 @  "  E >X n @ (3.3.2.1) ***

***
AplicaĠia 3.3.2.2 (varianĠa unei sume de două variabile aleatorii)
Fie variabilele aleatorii X, Y úi Z X  Y . DeterminaĠi varianĠa variabilei
aleatorie Z funcĠie de mărimile statistice proprii variabilelor aleatorii X úi Y.
Rezolvare:
AplicaĠia 3.3.2.3
DeterminaĠi funcĠia densitate de probabilitate a sumei de m variabile
aleatorii independente identic distribuite după o lege exponenĠială de
parametru D .
Rezolvare: FuncĠia caracteristică a unei singure variabile aleatorii
exponenĠiale este: ) X (Z) D /(D  jZ) . Conform relaĠiei (3.3.3.6) putem scrie că:
VAR>Z @ E Z  E >Z @ >
2
@ >
E  X  Y  E>X @  E>Y @
2
VAR>X @  VAR>Y @  2COV>X ,Y @
***
VarianĠa unei sume de n variabile aleatorii se obĠine prin generalizarea
aplicaĠiei anterioare:
n n
@ ) Sm (Z) >D /(D  jZ)@m , ceea ce reprezintă funcĠia caracteristică a unei variabile
aleatorii m-Erlang.
***
AplicaĠia 3.3.2.4 (sume de variabile aleatorii în număr aleatoriu)
Să se demonstreze că pentru o sumă, SN , de un număr aleator N de
n
variabile aleatorii independente identic distribuite se obĠin rezultatele:
VAR>X 1  X 2  ...  X n @ ¦ VAR>X k @  ¦¦ COV>X j ,Yk @(3.3.2.2) E >SN @ E >N @ ˜ E >X @ úi ) SN (Z) GN ) X (Z) .
k 1 j 1k 1
j zk Rezolvare:
Dacă X 1,", X n sunt variabile aleatorii independente, atunci: ª ªn ºº
E >SN @ E >E >Sn N @ @ E >E >SN N n@ @ E «E « X k »»
¦ E >N ˜ E>X @ @ , adică:
n
«¬ ¬«k 1 ¼»»¼
VAR >X 1  X 2  "  X n @ ¦ VAR >X k @ (3.3.2.3)
k 1 E >SN @ E >N @ ˜ E >X @ (3.3.2.6)
Dacă X 1,", X n sunt variabile aleatorii independente identic distribuite de
medie P úi varianĠă V2 :
>
)SN (Z) E e jZSN @ >>
E E e jZSN N @@ E >)X (Z) @ N

(3.3.2.7)
2 E >z @
N
GN ) X (Z)
E>X 1  X 2  ...  X n @ n ˜ P úi VAR>X 1  X 2  ...  X n @ n ˜ V z ) X (Z)
Densitatea de probabilitate a unei sume Sn de variabile aleatorii continue AplicaĠia 3.3.2.5
independente se poate obĠine aplicând relaĠia: Numărul N de cereri de serviciu adresate unui sistem de servire într-o oră
este o variabilă aleatorie geometrică de parametru p, iar duratele de servire sunt
fS ( x )
n
 1
^) X (Z) ˜ ) X (Z) ˜ ... ˜ ) X (Z)`
1 2 n
(3.3.2.4) variabile aleatorie independente identic distribuite după o lege exponenĠială de
-1 parametru D . DeterminaĠi funcĠia densitate de probabilitate a timpului necesar
unde:  este simbolul transformatei Fourier inverse, iar ) X este funcĠia
k servirii cererilor primite pe durata unei ore.
caracteristică a unei variabile aleatorii individuale X k , pentru k 1, n . Rezolvare: FuncĠia generatoare a variabilei aleatorie N este
GN ( z ) p (1  q z ) , iar funcĠia caracteristică a unei variabile aleatorie
AplicaĠia 3.3.2.2 exponenĠiale este ) X (Z) D (D  jZ) .
DemonstraĠi relaĠia (3.3.2.4).
n
Conform relaĠiei (3.3.3.8) funcĠia caracteristică a lui Sn este:
Rezolvare: Sn ¦ X k , iar p p(D  jZ)
k 1
) Sn (Z)
D pD  jZ
1 q
) Sn (Z) >
E e jZSn @ E >e jZ X1  "  X n 
@ E >e jZX1
@
˜ ... ˜ e jZX n . D  jZ
 79 80 EVALUĂRI DE PERFORMANğĂ

Aplicând transformata inversă, obĠinem: experimentului úi măsurarea variabilei aleatorie X. Se obĠine astfel o secvenĠă
X 1, X 2 ,", X n de variabile aleatorii i.i.d. cu variabila aleatorie X. Pentru a estima
fS n ( x ) p G( x )  (1  p ) ˜ e  pDx , pentru x t 0 .
valoarea aúteptată se calculează media pe eúantion :
Interpretare: timpul total de servire pe durata unei ore este 0 cu 1 n
probabilitatea p sau urmează o distribuĠie exponenĠială de medie 1/(Dp) , cu Mn ¦Xj (3.3.4.1)
nj 1
probabilitatea (1  p) .
EnunĠul legii:
Probabilitatea p corespunde evenimentului:
^pe durata unei ore nu apare nici o cerere `, >
lim P M n  P  H
n of
@ 1 , cu H ! 0 (3.3.4.2)
iar probabilitatea (1  p) corespunde evenimentului complementar. DemonstraĠie:
M n este úi ea o variabilă aleatorie, a cărei valoarea aúteptată este:
3.3.3. Media pe eúantion ª1 n º 1 n
Fie X o variabilă aleatorie de medie, E >X @ P , necunoscută úi n
E >M n @ E « ¦ X j » = ¦ E X j > @ P.
¬« n j 1 ¼» n j 1
măsurători repetate, independente ale ei: X 1, X 2 ,", X n . În aceste condiĠii,
funcĠia de distribuĠie urmată de fiecare măsurătoare este cea a variabilei >
În acest caz: E (M n  P )2 @ > 2
@
E M n  E >M n @  = VAR >M n @ . Deoarece
aleatorie X . Cu ajutorul secvenĠei X 1, X 2 ,", X n se construieúte media pe M n Sn n , cu Sn X 1  X 2  "  X n (sumă de variabile aleatorii i.i.d.), atunci
eúantion ca estimator al mărimii E >X @ : înseamnă că:
1 n ªS º 1 nV 2 V2
Mn VAR >M n @ VAR « n » ˜ VAR >S @
¦ Xi
ni 1
(3.3.3.1)
¬ n ¼ n2
n
n2 n
FrecvenĠa relativă, ca estimator al probabilităĠii unui eveniment, Utilizând inegalitatea Cebâúev putem scrie că:
reprezintă un caz particular de medie pe eúantion. VAR >M n @
>
P M n  E >M n @ t H d @
Fiind o sumă de variabile aleatorii, media pe eúantion este la rândul ei o H2
variabilă aleatorie. Pentru a fi un bun estimator, M n trebuie să îndeplinească
V2
următoarele condiĠii: úi, făcând substituĠiile corespunzătoare, se obĠine apoi că: P M n  P t H d > @ .
n H2
i) în medie, să genereze valoarea corectă a parametrului estimat, E>M n @ P ;
2 Luând în considerare evenimentul complementar Mn  P  H , relaĠia devine:
ii) să nu varieze prea mult în jurul valorii corecte; E ª M n  P  º să fie mică.
¬« ¼»
V2
Verificarea condiĠiilor: >
P Mn  P  H @ 1 (3.3.4.3)
ª1 n º 1 n n H2
i) E >M n @ E « ¦ X i » ¦ E >X i @ E >X @ P (3.3.3.2)
¬n i 1 ¼ n i 1
úi la limită, atunci când n o f , avem: lim P M n  P  H
n of
> @ 1 q. e. d.
(media pe eúantion este un estimator nedeplasat (nedistorsionat), a cărui Interpretare: Pentru valori suficient de mari ale lui n , media pe un eúantion de n
medie corespunde cu parametrul sondat); măsurători va fi în vecinătatea valorii aúteptate, P , cu probabilitate mare.
>
E M n  P 2 @ > @
E M n  E >M n @2 VAR >M n @ AplicaĠia 3.3.3.1
ii) ª X  ."  X n º ªXº V2 (3.3.3.3)
VAR « 1 » n ˜ VAR « » O tensiune constantă, dar necunoscută, trebuie estimată. Fiecare
¬ n ¼ ¬n¼ n măsurătoare este perturbată de zgomot de medie 0 úi deviaĠie standard 1PV .
cu V VAR>X @ Considerând că amplitudinile zgomotului sunt variabile aleatorii independente,
câte măsurători sunt necesare astfel încât, cu o probabilitate de cel puĠin 0,99,
3.3.4. Legea slabă a numerelor mari media pe eúantion să fie în vecinătatea r 1PV a valorii aúteptate (adevărate).
Se presupune că: variabila aleatorie X este de medie E >X @ P , Rezolvare: Se fac notaĠiile:
necunoscută. Pentru a evalua media, se generează un eúantion prin repetarea - amplitudinile zgomotului: N i
 81 82 EVALUĂRI DE PERFORMANğĂ

- tensiunea constantă: v AplicaĠia 3.3.5.1

- tensiunea măsurată: X i v  N i Pentru a estima probabilitatea unui eveniment A, experimentul se repetă
Se calculează: de un anumit număr de ori, n. Cât de mare trebuie să fie n astfel încât, cu
probabilitatea de cel puĠin 0,95, frecvenĠa relativă a evenimentului să fie în
> @ > @
E X j = E v  N j v úi VAR X j > @ >
= VAR v  N j @ > @
VAR N j 1
vecinătatea r 0,01 a probabilităĠii p P >A@ .
V2 1 Rezolvare: Se ataúează evenimentului A o variabilă aleatorie X , care
úi conform relaĠiei (3.3.4.3) rezultă că: 1  t 0,99 , 1  t 0,99 úi n t 100 .
nH 2 n este funcĠia indicator al succesului. FrecvenĠa relativă a evenimentului este:
1 n
3.3.5. Legea tare a numerelor mari
f A ( n)
nj 1
Xj ¦
Se presupune că: care este o medie pe eúantion. Aplicăm relaĠia (3.3.4.3) úi obĠinem că:
i) X 1, X 2 , " este o serie de variabile aleatorii i.i.d. de medie finită V2
>
P f A (n )  p  H @ 1
E >X @ P úi varianĠă finită; n ˜ H2
Variabila aleatorie, X j , fiind i.i.d. după o distribuĠie Bernoulli, are
ii) M1, M 2 , " este o serie de medii, unde M n este media pe
eúantionul ce cuprinde variabilele aleatorii X 1, X 2 ,", X n 1, X n P p úi V 2 p(1  p ) . Valoarea probabilităĠii p nu este cunoscută, dar, conform
EnunĠul legii: figurii 3.3.5.2, rezultă că: V2 d 1/ 4 .
V2 1
P ª lim M n Pº 1 (3.3.5.1) Luând în considerare valoarea maximă: 1  t 1 t 0,95 ,
«¬n o f »¼ n˜H 2
4 ˜ n ˜ H2
Interpretare (vezi figura 3.3.5.1): 1
rezultă inegalitatea: d 0,05 , adică: n t 50.000 .
Cu probabilitate foarte mare, orice secvenĠă particulară de medii pe 4 ˜ n ˜ H2
eúantion se apropie de valoarea aúteptată, P , úi rămâne în vecinătatea acesteia
ObservaĠie: Pentru acest tip de medie pe eúantion, legea tare a
ObservaĠie: numerelor mari se exprimă cu relaĠia ce urmează:
Legea tare a numerelor mari demonstrează consistenĠa modelelor
probabilistice. Astfel, pentru fenomene ce prezintă regularitate statistică, teoria
prezice convergenĠa mărimilor măsurate (de exemplu mediile pe eúantion) către Mn
valoarea aúteptată ( E>X @ P ). V2 0,6

0 0,25 0,5 0,75 1 1,25

E>X0,3
@ 0,5 p
0,2
0,4
0,1
0,3
0
0.2
– 0,1
0.1
– 0,2
n

– 0,3 0 100 200 300 400

Figura 3.3.5.1: ConvergenĠa secvenĠei de medii pe eúantion către E >X @
Figura 3.3.5.2: Graficul funcĠiei p (1 – p )
 83 84 EVALUĂRI DE PERFORMANğĂ

n
P ª lim f A (n ) P >A@º 1. § Z2 ·¸ 2
«¬n o f »¼ ) Zn (Z) = ¨1  úi lim ) Zn (Z) e - Z / 2 .
¨ 2n ¹¸ n of
©
Ultima relaĠie este expresia funcĠiei caracteristice a unei variabile
3.3.6. Teorema limită centrală aleatorie Gauss de medie 0 úi varianĠă 1, q.e.d.
Se presupune că: Interpretare:
i) X 1, X 2 , " este o serie de variabile aleatorii i.i.d. de medie finită P FuncĠia de distribuĠie a unei variabile aleatorie Sn ce constituie o sumă
úi varianĠă finită V ; 2 de variabile aleatorii independente, poate fi aproximată de distribuĠia Gauss
atunci când n devine mare. În figurile 3.3.6.1 úi 3.3.6.2 sunt prezentate câteva
ii) Sn X 1  X 2  "  X n este suma primelor n variabile aleatorii din exemple în acest sens.
serie. ObservaĠii:
EnunĠul teoremei:
z Teorema este adevărată úi în următoarele cazuri:
1 2
lim P >Z n  z @ ³ e  x 2 dx i) variabilele aleatorii X 1, X 2 ," sunt independente, au aceeaúi medie úi
n of 2S  f
varianĠă dar nu au aceeaúi distribuĠie;
Sn  n ˜ P
unde Zn este variabilă aleatorie de medie 0 úi varianĠă 1. ii) variabilele aleatorii X 1, X 2 ," sunt independente úi au varianĠe diferite,
V˜ n
dar apropiate ca valoare.
DemonstraĠie:
n
Sn  n ˜ P 1
Zn
V˜ n V˜ n
¦  X k  P
k 1

FuncĠia caracteristică a variabilei aleatorie Z n este:

ª ­° jZ n ½°º ª n º
­ jZ
) Zn (Z) >
E e jZZn @ E «exp ®
°̄ V n
¦ X k  P ¾°»» –
E « exp ® X k  P ½¾»
«¬ k 1 ¿¼ «¬ k 1 ¯V n ¿»¼
n = 6 variabile
­ n ª n = 20 variabile
­ jZ º
–
° E «exp ® X k  P ½¾» - pentru variabilele aleatorii independente
°k 1 ¬ ¯V n ¿¼
® n
§
°¨ ª ­ jZ ½º ·¸ Figura 3.3.6.1: FuncĠia de distribuĠie a sumei de n variabile aleatorii i.i.d. după o
°¨ E «exp ® V n X k  P ¾» ¸ - pentru variabilele aleatorii identic distribuite
lege Bernoulli de parametru p = 0.5 úi funcĠia de distribuĠie a unei variabile
¯© ¬ ¯ ¿¼ ¹
aleatorie Gauss de medie úi varianĠă egale cu cele ale sumei
Dezvoltând exponenĠiala, în serie, se obĠine că:
ª ­ jZ ½º ª jZ ( jZ)2 º
E «exp® ( X k  P )¾» E «1  ( X k  P)  2
( X k  P )2  R(Z)»
¬ ¯V n ¿¼ ¬« V n 2! V n ¼»
jZ Z2 n = 4 variabile n = 20 variabile
1
V n
E >X k  P @ 
2V n 2
> @
E ( X k  P )2  E >R (Z)@

2
Z
1  E >R (Z)@ Figura 3.3.6.2: FuncĠia de distribuĠie a sumei de n variabile aleatorii i.i.d. după o
2n lege exponenĠială de parametru O 1 úi funcĠia de distribuĠie a unei variabile
Pentru valori mari ale lui n ( n t 20 ), E >R (Z)@  Z2 2n , deci: aleatorie Gauss de medie úi varianĠă egale cu cele ale sumei
 85 86 EVALUĂRI DE PERFORMANğĂ

AplicaĠia 3.3.6.1 AplicaĠia 3.3.6.2

Se consideră timpii de servire a clienĠilor variabile aleatorii i.i.d. cu media Timpii dintre 2 sosiri succesive (de exemplu sosirea clienĠilor într-un
egală cu 8 secunde úi deviaĠia standard egală cu 2. Să se determine: sistem cu servire) sunt variabile aleatorii i.i.d. după o lege exponenĠială de medie
i) probabilitatea ca durata de servire a primilor 100 de clienĠi să m. DeterminaĠi probabilitatea ca cel de al 1000-lea eveniment să apară în
depăúească 840 secunde; intervalul (1000 r 50 )m .
ii) probabilitatea ca durata de servire a primilor 100 de clienĠi să se Rezolvare: Fie X 1, X 2 , ", X j , " seria de timpi între două evenimente
găsească în intervalul 780 y 820 secunde;
succesive úi Sn X 1  X 2  "  X n timpul apariĠiei celui de al n-lea eveniment
iii) care este numărul minim de clienĠi serviĠi, n , astfel încât, cu
probabilitatea 90%, timpul servirii să depăúească 1000 secunde. > @ > @
Avem: E X j = m úi VAR X j = m 2 , pentru j 1,2," ;
Rezolvare:
i) Prin calcul exact: Cele 100 de durate alcătuiesc un vector
> @
E>Sn @ = n ˜ E X j = n ˜ m úi VAR>Sn @ n ˜ VAR X j > @ n ˜ m2
X  X 1, X 2 ,!, X 100  de variabile aleatorii i.i.d. Suma lor este o variabilă ( X j sunt variabile aleatorii independente). Conform teoremei limită centrală:
aleatorie S100 g ( X ) , unde funcĠia g are expresia: s x1  x 2  "  x100 . ª 950m  1000 m 1050 m  1000 m º
P >950 m d S1000 d 1050 m @ | P « d Z1000 d
Conform teoriei, se poate scrie că: FS100 (s ) > @
P >S100 d s @ P X  RS100 , ¬ m 1000 m 1000
»
¼
unde RS100 ^x `
g(x) d s úi x x1, x2 ,", x100  . În cazul de faĠă, Ġinând cont că Q( 1,58 )  Q(1,58 ) 1  2 ˜ Q(1,58 ) 0,8866
Concluzii:
variabilele aleatorii sunt independente, rezultă că:
i) cu cât n creúte, cu atât mai mult variabila aleatorie Sn se găseúte în
FS100 (s) ! fX ( x1) ˜ fX 2 ( x 2) ˜ ! ˜ fX 100 ( x100 ) dx1 dx2 " dx100
³ ³

1 vecinătatea mediei sale cu probabilitate foarte mare;
xRS100 ii) raportul n Sn reprezintă media pe termen lung a ratei de apariĠie
Această expresie presupune un calcul complicat. Se justifică astfel (sosire), O , a evenimentelor. La limită:
utilizarea aproximărilor oferite de teorema limită centrală. n n 1
O lim evenimente /sec .
Variabila aleatorie Sn are: n o f Sn n ˜ m m
media E >Sn @ n ˜ P 800 úi varianĠa VAR>Sn @ nV 2 400 . ***
S100  800 AplicaĠia 3.3.6.3
Construim: Z100 (o variabilă aleatorie Gauss de medie 0 úi
20 RezolvaĠi AplicaĠia 3.3.5.1 utilizând teorema limită centrală.
ª 840  800 º
varianĠă 1). Rezultă că: P >S100 ! 840 @ | P «Z100 ! » Q(2) 0,0228 . Rezolvare: Seria de variabile aleatorii i.i.d. este: I1 , I2 , ... , In , ... , cu:
¬ 20 ¼
ii) P >780 d S100 d 820@ | P > 1 d Z100 d 1@ 1  2 ˜ Q(2) 0,682 > @ > @
E I j = p ]i VAR I j = p ˜ 1 - p 

iii) numărul n se găseúte din relaĠia: P >Sn ! 1000@ 0,90 . 1 n

Variabila aleatorie sumă este: f A  n ¦I j
ùtiind că E>Sn @ 8 ˜ n úi VAR>Sn @ 4 ˜ n , construim variabila aleatorie nj 1

Zn
Sn  8 ˜ n ª
. Rezultă că: P >Sn ! 1000 @ | P «Z n !
1000  8 ˜ n º 1 p ˜ 1 - p 
» 0,90 > @ > @=p
cu E f A  n = E I j ]i >
VAR f A  n = @ > @
˜ n ˜ VAR I j = .
2˜ n ¬ 2˜ n ¼ n 2
n
1000  8 ˜ n
Conform figurii 2.6.2:
2˜ n
 x , unde x se determină din
Variabila aleatorie Gauss corespunzătoare este: Z n
>
f A  n  E f A  n @.
tabelul 2.6.2, úi anume x = 1,2815. >
VAR f A  n @
Se obĠine astfel ecuaĠia: 8 ˜ n  1,2815 ˜ 2 ˜ n  1000 0 , a cărei rădăcină Conform teoremei limită centrală avem:
pozitivă este: n 11,34 sau n 128,6 .
 87 88 EVALUĂRI DE PERFORMANğĂ

ª º Lărgimea intervalului de încredere este o măsură a acurateĠei cu care

« » este estimat parametrul de interes ( P ). Cu cât intervalul este mai "strâns", cu atât
« pHp pHp » parametrul este mai precis estimat.
P ª¬ p  H d fA  n  d p  H º¼ | P « d Z n d »
« § p ˜ 1  p  · 12 1
§ p ˜ 1  p  · »2
«¨ ¸ ¨¨ ¸¸ » 3.4.2. Determinarea intervalelor de încredere
«¬ ¨© n ¸
¹ © n ¹ »¼ ¾ Cazul 1: variabilele aleatorii X1, X 2 ,", X n sunt independente úi
§ H˜ n · identic distribuite după o lege Gauss de medie necunoscută úi
1 2 ˜ Q ¨ ¸ 0,95 (valoarea impusă) varianĠă cunoscută.
¨ p ˜ 1  p  ¸
© ¹
Se introduc notaĠiile: E >X @ P úi VAR >X @ V2 . Estimatorul folosit,
H˜ n 4 ˜ p ˜ 1  p 
Din tabelul 2.6.1. Ÿ | 2 deci n 1 n
p ˜ 1  p  H2 Mn ˜ ¦ X j , este tot o variabilă gaussiană cu:
n j 1
Deoarece p nu este cunoscut:
media E >Mn @ P úi varianĠa VAR >Mn @ V2 n .
4 ˜ p ˜ 1  p  4˜ 1
n max 4 1 10000 În acest caz avem:
p H2 H2 H2 ª M P º ª zV zVº
ObservaĠie: Teorema limită centrală oferă o limită a lui "n " de 5 ori mai mică P « z d n d z » 1  2Q( z ) sau P «Mn  d P d Mn  » 1  2Q(z) ,
¬ V/ n ¼ ¬ n n¼
decât legea slabă a numerelor mari. Aceasta se datorează faptului că aplicarea
legii slabe a numerelor mari se bazează pe o aproximaĠie grosieră (Cebâúev) ª zV zVº
unde «Mn  , Mn  » este intervalul de încredere care conĠine mărimea
care, spre deosebire de teorema limită centrală, nu Ġine cont de alura funcĠiei ¬ n n¼
densitate de probabilitate a variabilei aleatorie urmărite. aúteptată P cu probabilitatea 1  2Q(z) .
D
3.4. Intervale de încredere Din egalitatea: 1  2Q(z) 1  D , rezultă că: QzD / 2  . Valorile lui
2
3.4.1. NoĠiuni de bază zD / 2 , în funcĠie de nivelul de încredere, sunt date în tabelul 3.4.2.1. Pentru
Pentru a estima media unei variabile aleatorie, E>X @ P , pe baza unui aceste valori, intervalul de încredere ce conĠine mărimea P cu
eúantion de observaĠii X X1, X 2,", X n  se caută intervalul de valori probabilitatea 1  D este:
>u(X),v (X)@ în care valoarea aúteptată P se găseúte cu o anumită probabilitate, ª zD / 2 ˜ V z ˜ Vº
, Mn  D / 2 »
adică: «Mn  (3.4.2.1)
¬ n n ¼
P >u(X) d P d v (X)@ 1  D (3.4.1)
Intervalul >u(X),v (X)@ se numeúte interval de încredere cu probabilitatea Tabelul 3.4.2.1: Valorile lui zD / 2 la valori uzuale ale nivelului de încredere
(1  D)% , iar valoarea probabilităĠii 1  D se numeúte nivel de încredere. 1 D 0,90 0,95 0,99
Conform figurii 3.4.1, nu toate intervalele de încredere obĠinute conĠin valoarea
zD / 2 1,645 1,960 2,576
aúteptată P .
P AplicaĠia 3.4.2.1
O tensiune X are expresia X v  N , în care v este o tensiune constantă,
necunoscută, iar N este tensiunea de zgomot ce urmează o distribuĠie Gauss de
> @
medie 0 úi varianĠă 1 PV 2 .
Număr eúantion DeterminaĠi intervalul de încredere ce conĠine valoarea v cu probabilitatea
j
95%, dacă s-a luat în considerare un eúantion de 100 de măsurători,
1 2 3 j+1
obĠinându-se media pe eúantion de 5,25 PV .
Figura 3.4.1: SecvenĠă de intervale de încredere
 89 90 EVALUĂRI DE PERFORMANğĂ

Rezolvare: n 2
Eúantionul X1, X 2,!, X100 este alcătuit din variabile aleatorii fn 1 ( y )
* n2  §
˜ ¨1 
y 2 ·¸
.
independente úi identic distribuite de medie v úi varianĠă 1. Pentru 1  D 95% ,  
* n21 ˜ S ˜ (n  1) ¨© n  1¸¹
corespunde zD / 2 1,96 . Intervalul de încredere cerut se determină prin ğinând cont că funcĠia densităĠii de probabilitate fn 1 ( y ) este simetrică
§ 1,96 ˜ 1 1,96 ˜ 1· faĠă de y 0 se obĠine:
particularizarea expresiei (3.4.2.1): ¨ 5,25  ; 5.25  ¸ 5,05 ; 5,45 .
© 10 10 ¹ ª z ˜ Vn z ˜ Vn º
z

*** P «Mn  d P d Mn  » fn 1( y ) dy 1  2Fn 1(z)

³ (3.4.2.4)
¬ n n ¼ z
¾ Cazul 2: variabilele aleatorii X1, X 2,!, X100 sunt independente
Pentru a obĠine un interval de încredere la un anumit nivel de încredere,
úi identic distribuite după o lege Gauss de medie úi varianĠă
necunoscute.

1  D , trebuie determinat zD 2, n 1 pentru care: 2Fn 1  zD 2, n 1 D . 
Valorile uzuale ale lui zD 2,n 1 pentru calculul intervalelor de încredere
În această situaĠie se determină úi varianĠa eúantionului de realizări:
n sunt prezentate în tabelul 3.4.2.2.
1
Vn2
n 1
¦ X j  Mn 2 (3.4.2.2) Tabelul 3.4.2.2: Valorile lui zD 2, n 1 pentru intervalele de încredere
j 1
oferite de relaĠia (3.4.2.4)
Înlocuind varianĠa aúteptată, V 2 , cu estimatorul ei, intervalul de încredere este: 1 D
n 1
§ zV zV · 0,90 0,95 0,99
¨ Mn  n , Mn  n ¸ (3.4.2.3)
© n n¹ 1 6,314 12,706 63,657
2 2,920 4,303 9,925
iar probabilitatea ca valoarea aúteptată, P , să se găsească în acest interval este: 3 2,353 3,182 5,841
ª zV zV º ª M P º 4 2,132 2,776 4,604
P «Mn  n d P d Mn  n » P « z d n d z» 5 2,015 2,571 4,032
¬ n n¼ ¬ Vn n ¼ 6 1,943 2,447 3,707
Mn  P 7 1,895 2,365 3,499
Termenul al doilea al egalităĠii conĠine variabila W ce poate fi
Vn n 8 1,860 2,306 3,355
9 1,833 2,262 3,250
pusă sub următoarea formă:
10 1,812 2,228 3,169
n ˜ Mn  P  V Mn  P  ˜ n V 15 1,753 2,131 2,947
W 1/ 2
Vn V ª 2 º 20 1,725 2,086 2,845
2 Vn 30 1,697 2,042 2,750
«(n  1) 2 (n  1)»
«¬ V »¼ 40 1,684 2,021 2,704
Deoarece: 60 1,671 2,000 2,660
x numărătorul este variabilă aleatorie Gauss de medie 0 úi varianĠă 1 f 1,645 1,960 2,576
ObservaĠii:
( Mn este variabilă aleatorie Gauss de medie P úi varianĠă V2 n ),
x Faptul că varianĠa nu este cunoscută se reflectă úi în dispersia mai mare a
Vn2 distribuĠiilor t faĠă de cea gaussiană. Acest lucru conduce la obĠinerea de
x (n  1) 2
este o variabilă aleatorie F 2 cu n  1 grade de libertate, intervale de încredere mai largi.
V
x DistribuĠia Gauss aproximează distribuĠia t cu atât mai bine cu cât numărul
x numărătorul úi numitorul sunt variabile aleatorii independente
de măsurători al eúantionului n creúte. Se confirmă astfel că úi în cazul
(deoarece pentru variabile aleatorii independente, identic distribuite după
variabilelor aleatorii X1, X 2,!, X n de medie úi varianĠă necunoscută, pentru n
o lege Gauss, media pe eúantion úi varianĠa pe eúantion sunt variabile
aleatorii independente), mari, intervalul de încredere se determină din expresia (3.4.2.1) în care V se
înlocuieúte cu Vn . În figura 3.4.2 se compară câteva distribuĠii t cu distribuĠia
variabila aleatorie W urmează distribuĠia t (a studentului) cu n  1 grade de
libertate: Gauss de medie 0 úi varianĠă 1.
 91 92 EVALUĂRI DE PERFORMANğĂ

Gaussian înlocuit cu setul de medii pe eúantion M1, M2,!, Mk .

n=8 AplicaĠia 3.4.2.3

Un program de simulare generează o variabilă aleatorie distribuită după o
n=4 lege exponenĠială de medie necunoscută. 200 de rezultate au fost obĠinute úi
repartizate în 10 eúantioane (grupe) a câte 20 de rezultate fiecare. Mediile pe
fiecare eúantion sunt:
1,04190 0,64064 0,80967 0,75852 1,12439
1,30220 0,98478 0,64574 1,39064 1,26890.
DeterminaĠi intervalul de încredere ce conĠine media variabilei aleatorie
cu probabilitatea 90%.
Rezolvare:
Media úi varianĠa pe eúantionul de medii pe grupe sunt:
x M10 0,99674 úi V102 0,07586 .
Pentru 1  D 90% , corespunde zD / 2;9 1,833 (valoarea se ia din tabelul
Figura 3.4.2: FuncĠia densitate de probabilitate pentru distribuĠia Gauss
úi două distribuĠii t (n = 4 úi n = 8) 3.4.2.2 deoarece n 10 nu este suficient de mare pentru a lua în considerare
aproximaĠia Gauss).
Se obĠine intervalul de încredere (0,83706; 1,15639) care sugerează că
AplicaĠia 3.4.2.2
Timpul de viaĠă al unei tip de componente se presupune a urma o E>X @ # 1 .
distribuĠie Gauss. Opt componente sunt testate úi s-au obĠinut:
- media pe eúantion = 10 zile, úi 3.5. Metoda fazelor
- deviaĠia standard = 2 zile.
DeterminaĠi intervalul de încredere pentru un nivel de încredere de 99%. Principiul constă în a exprima în mod exact sau aproximativ o funcĠie
Rezolvare: oarecare de densitate de probabilitate printr-o combinaĠie, mai mult sau mai puĠin
Pentru 1  D 0,99 úi n  1 7 , din tabelul 3.4.2.2 se obĠine zD / 2 3,499 . complexă, de funcĠii exponenĠial negative [Doy89], [Les92] . CombinaĠia acestora
În consecinĠă, intervalul de încredere este: poate fi descrisă prin intermediul unei diagrame de stări (numite faze) úi tranziĠii
instantanee, timpii dintre două tranziĠii succesive urmând distribuĠii de tip
§ 3,499 ˜ 2 3,499 ˜ 2 · exponenĠial negativ. Descrierea exactă a unei variabile aleatorie folosind această
¨¨10  ; 10  ¸¸ 7,53;12,47 
© 8 8 ¹ metodă presupune că transformata sa, Laplace, este raĠională, în caz contrar
*** fiind vorba de o aproximare a cărei precizie este controlabilă.
¾ Cazul 3: variabilele aleatorii X1, X 2,!, X n urmează o distribuĠie 3.5.1. Structură de tip "serie"
non-gaussiană de medie úi varianĠă necunoscută. Fie o structură tip "serie", cu reprezentarea grafică din figura 3.5.1. cazul
Pentru a utiliza rezultatele anterioare úi în acest caz, metoda de avut în vedere consideră că fazele de servire sunt independente úi identic
determinare a intervalelor de încredere urmează următorul algoritm (metoda distribuite úi că urmează o aceeaúi lege, de forma:
mediilor de grup): fX ( x) k P exp(k P x ) , cu i 1, k (3.5.1)
x Se efectuează un număr de k experimente, fiecare cu eúantionul său i

de observaĠii, X k ; 1 2 i k
x Se creează un eúantion de medii pe eúantioane : M M1, M2,!, Mk  ; intrare kP kP kP kP ieúire
x Considerând că numărul de observaĠii n dintr-un eúantion X i este
Figura 3.5.1: Structură de faze în serie
suficient de mare, media pe eúantion, M j , este o variabilă aleatorie Gauss
(conform teoremei limită centrală). În acest caz, intervalul de încredere se Timpul global de "tranzit" al reĠelei de faze, T , în fapt o variabilă aleatorie
determină conform cazului 2, setul de variabile aleatorii X1, X 2,!, X n fiind pe care urmărim să o sintetizăm cu ajutorul acestei structuri, este suma celor k
variabile i.i.d.; prin urmare, generalizând rezultatul obĠinut în urma rezolvării
 93 94 EVALUĂRI DE PERFORMANğĂ

aplicaĠiei 3.3.1, se poate scrie că: Aplicând teorema probabilităĠii totale, este clar că:
fT ( x ) fX ( x ) … f X ( x ) … " … fX ( x ) r
1 2 k
fT ( x ) ¦ D i P i exp(P i x) (3.5.7)
transformata Laplace corespunzătoare având expresia: i 1

§ kP ·
k iar transformata Laplace corespunzătoare este:
Tˆ (s ) ¨ ¸ (3.5.2) r
P
© s  kP ¹ Tˆ (s ) ¦ D i s  iP (3.5.8)
cu funcĠia originară: i 1 i

k P ˜ (k Px)k 1 ˜ exp(k Px ) Se obĠin, în consecinĠă, pentru momentele variabilei aleatorii T , expresiile:

fT ( x ) (3.5.3) r r
(k  1)!
E >T @ ¦ Di P i úi E ¬ªT 2 ¼º 2 ¦ Di Pi 2 (3.5.9)
Folosind formula generatoare a momentelor (2.5.14): i 1 i 1
se obĠine că: E >T @ 1 P úi E ª¬T 2 º¼ 1 k P 2  1 P 2 , deci: de unde:
2
VAR >T @ 1 (k P ) (3.5.4) r
2¦ i 1D i P i 2
H (3.5.10)
Prin urmare, având la dispoziĠie media úi varianĠa variabilei aleatorie T , 2

urmărite, parametrii structurii echivalente sunt daĠi de relaĠiile: ¦ r

i
D Pi
1 i 
E2 >T @ Pentru două variabile aleatorii X úi Y, este valabilă inegalitatea Cauchy-Swartz,
P 1 E > T @ úi k , cu k întreg úi k t 1 (3.5.5)
VAR >T @ 
adică: X ˜ Y 2 d X 2 ˜ Y 2 , ceea ce, pentru cazul de faĠă, se traduce în:
Dacă se ia în considerare factorul de formă, pentru structura serie este 2
valabilă următoarea relaĠie: § r Di · § r · § r Di ·
¨ ¦ ¸ d ¨ ¦ D i ¸ ˜ ¨¨ ¦ 2 ¸¸
1d H d 2 (3.5.6) © i 1 Pi ¹ © i 1 ¹ © i 1 Pi ¹
Prin urmare, structura serie poate fi folosită pentru aproximarea unei r
variabile aleatorii mai puĠin dispersivă decât structura exponenĠială de bază. La
úi, cum ¦i 1Di 1, se obĠine că:
limită, H 1 , variabila aleatorie corespunde unei constante. 2
§ r D · r D
AplicaĠia 3.5.1 ¨¦ i ¸ d ¦ i (3.5.11)
¨ Pi ¸ 2
©i 1 ¹ P
i 1 i
DeterminaĠi structura serie care corespunde unei variabile aleatorie de
medie 180 sec úi deviaĠie standard de 20 sec. Aceasta înseamnă că de fapt:
2dHdf (3.5.12)
3.5.2. Structură de tip "paralel" adică o structură de tip paralel este mai dispersivă decât structura
r exponenĠială de bază.
Pentru o structură ca cea din figura 3.5.2, coeficienĠii D i , cu ¦i 1Di 1,
DistribuĠiile de tipul (3.5.7) se numesc hiperexponenĠiale de ordinul r,
reprezintă probabilitatea de alegere a fazei i . iar alegerea parametrilor implicaĠi ( P i , D i úi r ) face posibilă adaptarea lor la o
gamă largă de aplicaĠii experimentale. Cunoaúterea valorilor mediei úi varianĠei
P1 permite scrierea următoarelor expresii de corespondenĠă:
D1 r r
D D
Di E >T @ { ¦ i úi VAR >T @ { 2 ¦ i2  E2 >T @ (3.5.13)
intrare Pi ieúire i 1 Pi i 1 Pi

Dr 3.5.3. Structură tip "serie-paralel"

Pr Combinarea structurilor serie úi paralel (ca în figura 3.5.3) permite
obĠinerea unor aproximări foarte fine, dar evident cu preĠul unor calcule mai
Figura 3.5.2: Structură de faze în paralel laborioase.
 95 96 EVALUĂRI DE PERFORMANğĂ

1 2 k1 23 3
D1
k1 P 1 k1 P1 k1 P1 D1
intrare D2 D3
1 2 k2 P1 P2 P3
D2 E2 E3 E4 1
k2 P2 k2 P2 k2 P2 E1
intrare ieúire ieúire
Dj
Figura 3.5.5: Structură "Cox" cu 3 faze
Dr
Stabilirea expresiei transformatei Tˆ (s ) se face iniĠial doar pentru o
1 2 kr
structură restrânsă la 3 celule (figura 3.5.5), cu următoarele precizări:
kr Pr kr Pr kr Pr - subreĠeaua 3 este o structură paralelă de ordinul 2, pentru care cea de a
doua fază are media de valoare 0 (1/ P 0 ). În consecinĠă:
Figura 3.5.3: Structură de faze "paralel-serie"
P3
FuncĠiile de distribuĠie vor fi asociate unor formule de genul (3.5.3) úi Tˆ3 (s ) E3  D 3 (3.5.17)
(3.5.7), având forma: s  P3
r
k P ˜ (k i P i x )k i 1 ˜ exp(k i P i x) - subreĠeaua 23 este o structură serie-paralel cu 2 braĠe, dintre care unul
fT ( x ) ¦ D i i i (3.5.14)
(k i  1)! corespunde unei faze cu P 2 , în serie cu o subreĠea 3, iar celălalt braĠ
i 1
úi respectiv transformata: corespunde unei faze de medie 0:
k
§ ki Pi · ir § P2 · ˆ
Tˆ (s )
¦ i ¨sk P ¸
D (3.5.15) Tˆ23 (s ) E 2  ¨ D 2 ¸ ˜ T3 (s ) (3.5.18)
i 1 © i i ¹ © s  P2 ¹
Procedând ca úi pentru variantele anterioare, se poate demonstra că Deci pentru structura globală expresia este:
structurile serie-paralel au un factor de formă cu valori supraunitare, 1 d H d f ,
§ P1 · ª § P2 · § P 3 ·º
acoperind deci toate cazurile posibile. Tˆ (s ) E1  ¨ D1 ¸ ˜ «E 2  ¨ D 2 ¸ ˜ ¨ E3  D 3 ¸» (3.5.19)
Gradul de generalizare al structurii din figura 3.5.3 se poate extinde dacă © s  P1 ¹ «¬ © s  P2 ¹ © s  P 3 ¹ »¼
pe fiecare ramură j se diferenĠiază fazele prin valorile medii asociate, 1 P j , i ,
care poate fi acum generalizată pentru k celule, căpătând forma:
ceea ce va influenĠa corespunzător expresia funcĠiei de distribuĠie: k i Pj
r k P j,i r k Tˆ (s ) E1  ¦ E i 1– D j , cu E k 1 1 (3.5.20)
Tˆ (s ) ¦ D i – ¦ D i –Tˆj ,i (s ) (3.5.16) i 1 j 1 s Pj
j 1 i 1 s  P j,i j 1 i 1
Cu ajutorul formulei generatoare a momentelor se pot evalua primele
cu Tˆi , j (s ) transformata funcĠiei de distribuĠie a timpului de serviciu pentru faza i două momente ale timpului de serviciu, úi anume:
de pe ramura j a structurii de aproximare. k
1 k
1
E>T @ ¦ D1D 2 !D i úi VAR >T @ ¦ D1D 2 ! D i P 2 (3.5.21)
i 1 Pi i 1 i
3.5.4. Structură tip Cox
Se foloseúte o structură serie-paralel de forma celei din figura 3.5.4, cu În ceea ce priveúte factorul de formă, structura Cox acoperă spaĠiul H t 1 .
respectarea evident a condiĠiei D i  E i 1 .
3.5.5. DistribuĠii exponenĠial matriceale
D1 D2 Di Dk Figura 3.5.6 prezintă structura generală a unei reĠele de faze, în care
P1 P2 Pi Pk
intrare E k 1 1 pentru fiecare fază i , i 1,!, n , mărimea pi reprezintă probabilitatea ca acea
E1 E2 Ei Ek
fază să fie cea dintâi úi mărimea qi reprezintă probabilitatea ca ea să fie ultima,
ieúire iar Pi , j , este probabilitatea de tranziĠie între două faze succesive , i úi j,
Figura 3.5.4: Structură de tip "Cox"
i, j 1,!, n úi i z j .
 97 98 EVALUĂRI DE PERFORMANğĂ

când servirea a început cu faza i úi până când servirea se încheie (se iese din
P1
reĠeaua de faze).
p1 q1 În mod similar, matricea B V 1 >M ˜ (I  P)@ se numeúte matricea ratelor de
P1,n
intrare ieЬire servire, cu ajutorul ei putându-se scrie următoarea ecuaĠie diferenĠială:
dR(t )
pn Pn,1 R(t ) ˜ B (3.5.25)
qn dt
Pn a cărei soluĠie este:
R(t ) exp  t ˜ B  (3.5.26)
Figura 3.5.6: Structura generală a reĠelei de faze cu Ri , j (t ) probabilitatea ca servirea să se afle în faza j la momentul t , dacă
În dorinĠa de a folosi în cele ce urmează calculul matriceal, mărimile s-a început cu faza i .
precizate anterior se vor regăsi în: ğinând cont de vectorul probabilităĠilor corespunzătoare fazelor iniĠiale úi
- p vectorul intrării în reĠea, considerând fiabilitatea *X ( x ) P > X ! x @ 1  Fx ( x ) se obĠine următoarea
- q vectorul de părăsire a reĠelei, formulă de calcul:
- P matricea probabilităĠii de tranziĠie. *X ( x ) p ˜ exp( x ˜ B) ˜ et (3.5.27)
La acestea se adaugă úi :
- M matricea diagonală a ratelor de ieúire din faze, inversul mediilor ce de la care se ajunge la:
caracterizează fazele conĠinute în structură: d*X ( x )
fX ( x)  p ˜ B ˜ exp( x ˜ B) ˜ e t (3.5.28)
§ P1 0 ! 0 · dx
¨ ¸
0 P2 ! 0 ¸
M ¨ úi la: E ª¬ X n º¼ n! p ˜ V n ˜ et (3.5.29)
¨# # % # ¸
¨ ¸ AplicaĠia 3.5.2
© 0 0 ! Pn ¹
Se consideră reĠeaua de faze din figura 3.5.7.
- ȉ vectorul mediilor corespunzătoare "tranzitării" (traversării) reĠelei
până la părăsirea acesteia, începând dintr-o fază anume: ȉ  W1, W2 , ! Wn  P1
Primele relaĠii matriceale care leagă între ele mărimile prezentate mai 1/ 3 3/4
sus, sunt următoarele:
1/ 4 4/5 ieúire
P ˜ et  qt e t , cu e 1,!,1 (3.5.22)
2/3
T t M1 ˜ et  P ˜ T t (3.5.23) 1/ 5
t P2
unde () este operatorul de transpunere.
RelaĠia (3.5.22) arată că la expirarea unei faze ori se trece într-o alta, ori
Figura 3.5.7: Exemplu de reĠea în două faze
se "părăseúte" reĠeaua, iar relaĠia (3.5.23) precizează că media de tranzitare a
reĠelei, începând din fază i ,este egală cu media fazei i la care se adaugă DeterminaĠi funcĠia de densitate de probabilitate, media úi varianĠa variabilei
media de tranzitare a reĠelei începând din faza următoare. aleatorie corespunzătoare, útiind că P1 P 2 4sec 1 . Ce valori au componentele
Rezolvarea ecuaĠiei (3.5.23) are soluĠia:
vectorului T?
Tt >M ˜ (I  P)@1 ˜ et (3.5.24) ***
Ca urmare, Ġinând cont că instrumentul matematic în discuĠie s-a dezvoltat în Expresiile (3.5.27) úi (3.5.28) corespund aúa numitelor distribuĠii
not
exponenĠial-matriceale (matrix exponential distribution). Acestea distribuĠii
1
vederea modelării timpului de servire, matricea >M ˜ (I  P)@ = V se numeúte au transformata Laplace sub formă raĠională, ceea ce permite ca prin intermediul
matricea timpilor de servire, fazelor fiindu-le asociate durate, ca variabile lor să fie descrisă exact orice distribuĠie care prezintă această proprietate. În caz
contrar, distribuĠiile exponenĠial-matriceale pot fi folosite doar drept aproximaĠii, al
aleatorii. Elementele Vi , j reprezintă durata medie totală petrecută în faza j de
căror grad de precizie dictează complexitatea reĠelei de faze considerate.
 100 EVALUĂRI DE PERFORMANğĂ

x precizia úi domeniul de reprezentare a numerelor, care permite doar

mulĠimi finite pentru spaĠiul realizărilor, S X (de exemplu pentru un
calculator ce reprezintă un întreg fără semn pe m biĠi,

capitolul 4
S X ^1,2,..., M ` , unde M 2m  1 ; împărĠind aceste numere la M se
obĠine un nou spaĠiu de eúantionare care "acoperă", mai mult sau mai
puĠin, intervalul >0,1@).
x eficienĠa calculului per realizare: este asigurată doar de utilizarea
formulelor recursive. Acestea însă produc secvenĠe pseudoaleatorii
(periodice).
Ca exemplu de metodă nerecursivă se poate considera repetarea de m
ori a unui experiment de tip Bernoulli, fiecare încercare corespunzând unui bit
dintr-un număr binar de m biĠi. Cu toate aspectele pozitive privind proprietăĠile
statistice ce le oferă, astfel de procedee nu sunt utilizate în cadrul programelor de
simulare, datorită timpului excesiv consumat de operaĠiile implicate.

Generarea numerelor Pentru generarea de numere distribuite uniform între 1 úi M se utilizează

frecvent metoda puterii reziduului (congruenĠială) ce utilizează relaĠia:
X k  >D ˜ X k  1@mod M , k 1,2,3,... (4.1.1)

aleatorii unde: - D este un număr între 1 úi M de a cărui alegere depinde lungimea

secvenĠei generate;
- M este un număr prim, mare sau o putere a unui număr prim.
Acest generator de numere aleatorii are ca punct de plecare (seed)
realizarea X (0) care este oferită de utilizator ( X (0) 0 nu este permisă
Pentru a genera numere aleatorii se pot utiliza diverse procedee. Dintre deoarece acest lucru conduce la generarea continuă de zerouri!). SecvenĠa
acestea, în practică, s-au impus: generată fiind periodică, valoarea punctului de plecare precizează din ce poziĠie
a acesteia începe să funcĠioneze generatorul.
x folosirea tabelelor de numere aleatorii întocmite pe baza unor
observaĠii îndelungate ale unui fenomen aleatoriu, AplicaĠia 4.1.1
x utilizarea directă a unui fenomen fizic aleatoriu, DeterminaĠi secvenĠa generată de formula (4.1.1) dacă:
x aplicarea metodelor matematice. i) M 11 , D 7 , X (0) 1 ;
În simularea cu ajutorul calculatorului, cele mai utilizate sunt procedeele ii) M 11 , D 3 , X (0) 3 ;
aritmetice implementate cu coduri numite generatoare de numere aleatorii (sau
iii) M 4 , D 2 , X (0) 1 ;
secvenĠe) GNA. Tehnicile de simulare ce folosesc GNA se mai numesc "Tehnici
Monte Carlo". Pentru a acoperi o plajă largă de aplicaĠii, un program de simulare Rezolvare:
trebuie să fie înzestrat cu un ansamblu de astfel de generatoare "specializate" pe i) X (1) (7 ˜ 1) mod 11 7 ; X (2) (7˜) mod 11 5 ú.a.m.d..
diferite repartiĠii. Dintre acestea, cel ce generează numere distribuite uniform în
intervalul >0,1@ ocupă o poziĠie privilegiată, deoarece este implicat în funcĠionarea ,
" 1,7
,5,
2,3
,10
,4
,6
,9
,8
,1,
7,5
,2
,3,
1,0
,4,
6,9
,8
,1,7
,5
,

"
SecvenĠa generată este: p
tuturor celorlalte generatoare. X (0 )
De remarcat că periodicitatea secvenĠei este maximă, cuprinzând toate
4.1. Metode de generare a numerelor aleatorii valorile între 1 úi 10.
ii) X (1) (3 ˜ 3) mod 11 9 ; X (2) (3 ˜ 9) mod 11 5 ú.a.m.d..
distribuite uniform
...
1 ,3,
9,5
,4
,1
,3,
9,5
,4
,1,3
,...

AcurateĠea, cu care un calculator poate modela comportamentul unei SecvenĠa generată este: p
variabile aleatorii continue, este limitată de: X (0 )
 101 102 EVALUĂRI DE PERFORMANğĂ

Din punct de vedere statistic, acest generator este nesatisfăcător X (k ) 171 ˜ >X (k  1)@mod 177  2 ˜ >X (k  1) 177 @
deoarece perioada sa omite o bună parte din valorile admise ( 2,6,7,8,10 ! ). Y (k ) 172 ˜ >Y (k  1)@mod 176  2 ˜ >Y (k  1) 176@
iii) X (1) (2 ˜ 1) mod 4 2 ; X (2) (2 ˜ 2) mod 4 4 0; X (3) (2 ˜ 0) mod 4 0 Z (k ) 170 ˜ >Z (k  1)@mod 178  2 ˜ >Z (k  1) 178 @
etc. SecvenĠa generată este: 1,2,0,0,0,... (4.1.6)
Dacă X(k )  0 : X (k ) X (k )  30269
*** Dacă Y(k )  0 : Y (k ) Y (k )  30307
Analiza proprietăĠilor statistice ale acestei formule recursive, formula Dacă Z(k )  0 : Z (k ) Z (k )  30323
(4.1.1), pentru diferite valori ale parametrilor D úi M , a arătat că există un număr
restrâns de cazuri care generează secvenĠe satisfăcătoare. Pentru a obĠine Corectitudinea înlocuirii este demonstrată în continuare pentru variabila
secvenĠe de perioadă maximă este necesar ca D să fie rădăcină primitivă X (k ) (raĠionamentul este identic úi pentru celelalte două variabile).
a lui M . Fie eúantionul X (k  1) obĠinut cu un pas în urmă. El poate fi pus sub
Analiza proprietăĠilor statistice ale secvenĠelor generate de formula forma:
(4.1.1), pentru diferite valori ale parametrilor D úi M au reĠinut un număr restrâns X (k  1) 177 ˜ q  r , unde: q X (k  1) 177 - împărĠire de întregi;
de cazuri satisfăcătoare. Pentru calculatoarele care memorează numerele întregi r X (k  1) mod 177 .
pe 32 de biĠi (31 pentru valoarea absolută úi unul pentru semn) studii extensive
au identificat următoarea soluĠie: Pentru a obĠine eúantionul următor, relaĠia (2.1.4) cere o înmulĠire,
X (k ) >16807 ˜ X (k  1)@mod( 2 31
 1)
Această formulă generează o secvenĠă de numere independente
distribuite uniform între 1 úi 231  1 , de perioadă maximă 231  1 # 10 9 .
Pentru a genera valori în intervalul >0,1@ se utilizează expresia:
X (k )
U (k ) (4.1.3)
M Deoarece diferenĠa nu depăúeúte în valoare absolută numărul 30269
Compilatoarele utilizate pe calculatoare sunt înzestrate cu astfel de GNA
optimizate în funcĠie de numărul de biĠi (lungimea cuvântului) utilizaĠi pentru a
memora un întreg úi de modul de realizare a operaĠiilor aritmetice. Pe lângă
aceste GNA-uri, dependente de maúină, există úi soluĠii independente de maúină
("portabile") care oferă perioade lungi úi proprietăĠi statistice foarte bune. Din
această categorie face parte úi algoritmul Witchmann-Hill. Principial, el
utilizează simultan 3 formule de recurenĠă de tipul expresiei (4.1.2):
X (k ) >171 ˜ X (k  1)@mod 30269
Y (k ) >172 ˜ Y (k  1)@mod 30307
Z (k ) >170 ˜ Z(k  1)@mod 30323
Aplicarea directă a acestor formule cere ca tipul de variabilă întreg (int),
oferit de compilator să cuprindă valoarea 5212632. Numărul generat la pasul k
este obĠinut prin mediere, conform expresiei următoare:
X ( k ) 30269  Y (k ) 30307  Z (k ) 30323
U (k ) (4.1.5)
3 uniform distribuite pe (0,1) úi încarcă tabloul: T >i @ X >i @ , 1 d i d k ;
Se recomandă ca în această expresie operaĠiile să se efectueze în virgulă
(4.1.2) 171 ˜ X (k  1) 171 ˜ 177 ˜ q  r  171 ˜ 177 ˜ q  2 ˜ q  2 ˜ q  171 ˜ r
30269 ˜ q  2 ˜ q  171 ˜ r .
urmată de o operaĠie modulo:
>171 ˜ X (k  1)@mod 30269 >171 ˜ r  2 ˜ q @mod 30269
^171 ˜ >X (k  1)@mod 177  2 ˜ >X (k  1) 177@`mod 30269.
rezultă că algoritmul descris de ecuaĠia (4.1.6) este corect.
Desigur că implementarea unui GNA pe baza ecuaĠiei (4.1.6) va consuma
mai mult timp de calcul decât în cazul utilizării ecuaĠiei (4.1.4).
Supus unor teste extensive, s-a dovedit că algoritmul oferă proprietăĠi
statistice satisfăcătoare, perioada sa fiind de aproximativ 7 ˜ 1012 .
Dacă dispunem de calculatoare cu viteze de calcul înalte se poate opta
pentru folosirea algoritmului Super, Mc Laren-Marsaglia, ce oferă proprietăĠi
statistice superioare. Ideea este de a combina funcĠionarea a două generatoare
de numere pseudoaleatorii, G1 úi G2, în următorul mod: un tablou T alcătuit din
(4.1.4) k elemente memorează primele k valori generate de G1; G2 generează un
întreg j uniform distribuit pe mulĠimea ^1,2,!, k `; se încarcă variabila de ieúire a
generatorului compus, U , cu numărul aflat în locaĠia T > j @ care apoi este
modificată cu o nouă valoare generată de G1. Algoritmul rezultat se poate
sistematiza astfel:
1. IniĠializări: folosind G1, generează k numere X >i @ pseudoaleatorii
2. Generează cu G2 următorul număr pseudoaleatoriu Y uniform
mobilă, dublă precizie. distribuit pe 0,1 ;
În cazul în care compilatorul permite înmagazinarea de numere întregi 3. Calculează noul indice: j m ªk ˜ Y º , unde ª"º este operaĠia de
până la 32767, relaĠiile (4.1.4) sunt înlocuite cu:
rotunjire la întreg;
 103 104 EVALUĂRI DE PERFORMANğĂ

4. U m T > j @ Rezolvare: FuncĠia de distribuĠie a unei variabile aleatorii Bernoulli, ce are

5. Generează cu G1 un nou X ; probabilitatea succesului p , este reprezentată în figura 4.2.1.2. Deci:
6. T > j @ X ; ­0 " U d p
Z ®
7. Oferă valoarea U . ¯1 " U ! p
Perioada secvenĠei generate este O O1 ˜ O 2 , unde O1 úi O 2 reprezintă u
perioadele generatoarelor G1 úi G2.
1 fZ (z )
4.2. Metode de generare a numerelor aleatorii
distribuite arbitrar 1 p
z
4.2.1. Metoda transformării analitice 0 1

Se bazează pe funcĠia de distribuĠie, FZ (x ) , cdf (cumulative distribution Figura 4.2.1.2: FuncĠia de distribuĠie a unei variabile aleatoare Bernoulli
function), a variabilei aleatorii Z ce se doreúte a fi generată. În acest caz, Conform acestei relaĠii algoritmul de generare a unei variabile aleatorii
variabila aleatorie Z se obĠine utilizând relaĠia: Bernoulli de parametru p este următorul:
Z FZ 1(U ) (4.2.1.1) 1. Generează U uniform distribuită în 0,1 ;
unde U este o variabilă aleatorie uniform distribuită pe (0,1). 2. Dacă U d 1  p : Z 0 ;
3. Dacă U ! 1  p : Z 1 ;
domeniul variabilei aleatorii U
4. Oferă Z .
1 FZ (z ) ***
AplicaĠia 4.2.1.2 (distribuĠia exponenĠială)
u DeterminaĠi un algoritm care, pentru a genera variabile aleatorii distribuite
exponenĠial, utilizează metoda transformării analitice.
Rezolvare: Întrucât: FZ ( z ) 1  e  Oz avem:
domeniul variabilei aleatorii Z
z U 1  e  OZ sau Z  1 O  ˜ ln(1  U ) (4.2.1.2)
Figura 4.2.1.1: Generarea numerelor aleatorii prin metoda transformării analitice
Deoarece atât U cât úi 1  U sunt uniform distribuite în intervalul (0,1)
Procedeul este prezentat sugestiv în figura 4.2.1.1, conform căreia, putem evita o scădere scriind:
1 Z  1 O  ˜ ln(U ) (4.2.1.3)
funcĠia de distribuĠie a variabilei aleatorii Z FZ (U ) este:
Desigur că, secvenĠele generate de cele două formule nu vor fi identice,
> 1
@
P >Z d z @ P FZ U  d z P >U d FZ ( z )@ dar vor fi echivalente din punct de vedere statistic.
Deoarece P >U d u @ u , când U este uniform distribuit pe 0,1 úi Conform relaĠiei (4.2.1.3), algoritmul de generare a unei variabile aleatorii
0 d u d 1, rezultă: P >Z d z @ FZ (z ) , ceea ce era de dorit. exponenĠiale de parametru O urmează secvenĠa descrisă în continuare:
Algoritmul care implementează această metodă este: 1. Generează U uniform distribuită în 0,1 ;
1. Generează U uniform distribuită în 0,1 ; 2. Calculează Z  1 O  ˜ ln(U ) ;
1 3. Oferă valoarea Z .
2. Calculează Z FZ (U ) ;
***
3. Oferă valoarea Z .
AplicaĠia 4.2.1.3 (distribuĠia geometrică)
AplicaĠia 4.2.1.1
DeterminaĠi un algoritm care, pentru a genera variabile aleatorii distribuite
DeterminaĠi un algoritm care, pentru a genera variabile aleatorii Bernoulli,
geometric, utilizează metoda transformării analitice.
utilizează metoda transformării analitice.
 105 106 EVALUĂRI DE PERFORMANğĂ

Rezolvare: AplicaĠia 4.2.1.5 (distribuĠii discrete)

Fie X o variabilă aleatorie geometrică descrisă de probabilităĠile
elementare: P >X k @ p ˜ (1  p )k 1 , unde:
k numărul de repetări până apare primul succes;
p probabilitatea succesului unei încercări.
Fie Z o variabilă aleatorie exponenĠială pentru care avem:
DeterminaĠi un algoritm care să utilizeze metoda transformării analitice
pentru a genera variabile aleatorii discrete, cu spaĠii de eúantionare:
i) finite;
ii) infinit numărabile.
Rezolvare:
i) Variabila aleatorie Z ia valorile z1, z2 ,! cu probabilitatea P >Z zk @ pk .
P >k  Z d k  1@ 1  e  O k 1  1  e  Ok e  Ok ˜ (1  e  O ) . k
FuncĠia sa de distribuĠie este: Fk ¦j 1
p j . Deci, algoritmul pentru generarea
O
Dacă se consideră p 1 e , rezultă că:
variabilelor aleatorii discrete cu spaĠiu de eúantionare finit este:
P >k  Z d k  1@ p(1  p )k P >X k  1@ . 1. k 1 ;
Deci, obĠinem o variabilă aleatorie geometrică, X , de parametru p prin
generarea unei variabile aleatorii, Z , exponenĠiale, de parametru O  ln(1  p )
úi majorarea sa la întreg. Rezultă următorul algoritm de generare de variabile
aleatorii distribuite geometric de parametru p :
1. Generează U ;
2. Calculează Z ln U ln(1  p) ;
3. Calculează X ªZ º , unde ª* º reprezintă operaĠia de majorare la
întreg;
4. Oferă X .
***
AplicaĠia 4.2.1.4 (distribuĠii descrise prin histograme)
DeterminaĠi un algoritm care aplică metoda transformării analitice în cazul
în care funcĠia de distribuĠie úi/sau inversa ei nu au expresii explicite de calcul.
Rezolvare:
În acest caz, pe baza funcĠiei densitate de probabilitate, se construieúte
histograma repartiĠiei (vezi cap. 5.3 Histograma), cu ajutorul căreia se determină
funcĠia de distribuĠie aproximativă, în trepte:
i
Fi ¦ j 1
2. Generează U uniform distribuită pe 0,1 ;
3. Dacă U d Fk : Z zk , sări la 5;
4. k k  1 , sări la 3;
5. Oferă Z .
ii) În acest caz nu se pot calcula aprioric valorile Fk pentru toate realizările
zk ale variabilei aleatorii Z , pentru a fi numerotate úi ulterior utilizate. De aceea,
calculul valorilor Fk se reia complet de la un apel la altul al generatorului sau
parĠial, valorile funcĠiei de distribuĠie ce corespund realizărilor frecvente
memorându-se aprioric într-un tablou. În ambele situaĠii este necesar ca
procedeul de calcul al probabilităĠilor să fie cât mai eficient. De exemplu, pentru
distribuĠia Poisson se utilizează relaĠia de recurenĠă:
pk 1 D
.
pk k 1
Pe baza acestor observaĠii se poate schiĠa următorul algoritm cu reluare
completă a calculului valorilor Fk pentru generarea variabilelor aleatorii discrete,
cu spaĠiu de eúantionare infinit numărabil:
1. C p0 , B C , k 0 ;
p j , cu i 0,1,", N , 2. Generează U uniform distribuită pe 0,1 ;
unde p1,", pN sunt probabilităĠile celor N intervale din figura 4.2.1.3. 3. Dacă U d B : Z zk , treci la 5;
Se obĠine astfel următorul algoritm: 4. C C ˜ pk 1 pk  , B B  C úi k k  1 , treci la 3;
1. Generează U uniform distribuită pe 0,1 ; 5. Oferă Z .
***
2. Găseúte i 1, N pentru care Fi 1  U d Fi ;
AplicaĠia 4.2.1.6
U  Fi 1
3. Calculează Z Z i 1  ; DeterminaĠi numărul mediu de paúi necesari algoritmilor de generare a
ci variabilelor aleatorii discrete atunci când căutarea începe de la începutul spaĠiului
4. Oferă Z . de eúantionare. Cazuri particulare:
ObservaĠie: La pasul 3, variabila aleatorie Z se obĠine printr-o interpolare i) distribuĠie binomială cu n 5 úi p 1 2
pe intervalul >zi 1, zi @ . ii) distribuĠie Poisson; ú.a.m.d..
Rezolvare: Fie N o variabilă aleatorie ce reprezintă numărul de paúi. În acest
*** caz, media sa este dată de relaĠia:
 107 108 EVALUĂRI DE PERFORMANğĂ

E >N @ 1 ˜ P >U d p0 @  2 ˜ P >p0  U d p0  p1@  " Conform acestei figuri, media numărului de căutări, N , este:

 (n  1) ˜ P >p0  "  pn 1  U d p0  "  pn @ ª k º k ªk  j 1 º ª k º nk ª k  j 1 º

E>N @ P «U d ¦ pj » ˜¦ j ˜ P« ¦
ps  U »  P « p j  U » ˜ ¦
j ˜ P «U d ¦ ps »¦
¬« l 0 ¼» j 2 ¬« s 0 »¼ «¬ j 0 »¼ j 2 ¬« s 0 ¼»
1 ˜ p0  2 ˜ p1  "  (n  1) ˜ pn
k  2 j k  j 3
Adică: E >N @ E >Z @  1, unde Z este variabila aleatorie ce se doreúte a se k nk

genera. ¦ ¦ j˜ ps  ¦ ¦ ps j˜
j 2 s k j 2 s k 1
Pentru cazul particular: i) E >N @ 2,5  1 3,5 .
Pentru cazul particular avem:
*** E >N @ " 3 ˜ p1  5 ˜ p2  5 ˜ p3  3 ˜ p4
AplicaĠia 4.2.1.7 5 5
DeterminaĠi numărul mediu de paúi necesari algoritmilor de generare a § 5 · § 1· § 5 · § 1·
unde: p1 p4 ¨ ¸ ˜ ¨ ¸ úi p p3 ¨ ¸˜¨ ¸
2
variabilelor aleatorii discrete atunci când căutarea începe din interiorul spaĠiului ¨ 1¸ ¨ 2 ¸ ¨ 2¸ ¨ 2¸
© ¹ © ¹ © ¹ © ¹
de eúantionare. Caz particular: distribuĠie binomială cu n 5 , p 1 2 .
úi în final se obĠine că: E >N @ 3,11 .
Rezolvare: În general, acest procedeu se aplică pentru variabile aleatorii
discrete cu spaĠiu de eúantionare finit. În acest caz, procesul de căutare poate După cum era de aúteptat valoarea obĠinută este mai mică decât în cazul
urma diagrama din figura 4.2.1.4 în ale cărei noduri este trecut numărul căutărilor exemplului anterior, diferenĠa accentuându-se cu cât spaĠiul de eúantionare
până în acel punct. conĠine mai multe realizări.
IEùIRE 4.2.2. Metoda respingerii
P >U d p0 @ Se bazează pe funcĠia densitate de probabilitate fZ (z ) , pdf (probability
P >p0  U @ density function), a variabilei aleatorie Z ce se doreúte a se genera. Pentru a o
k IEùIRE
explica, vom presupune iniĠial că:
P >U d p0  p1 @ x fZ (z ) este nulă în afara intervalului >0, a@ ;
P >U d p0  ...  p k @ x fZ (z ) ia valori în intervalul >0, b @ .
P >p0  ...  p k 1  U @ În această situaĠie, metoda funcĠionează astfel:
1 IEùIRE
1 - Generează X distribuit uniform în 0, a  ;
2 - Generează Y distribuit uniform în 0, b  ;
P >U d p0  ...  p k @
3 - Dacă Y d fZ ( X ) : acceptă X , deci Z X , sări la pasul 5;
INTRARE 2
4 - Respinge X úi revine la pasul 1;
5 - Oferă Z .
P >p0  ...  p k  U @
P >U d p0  ...  pk 1 @ y dz
k IEùIRE
P >p0  ...  pk 1  U @ b
fZ (z )

respingere
P >p0  ...  p n 2  U @
P >U d p0  ...  p n 1 @
n-k IEùIRE acceptare

P >p0  ...  p n 1  U @
z
IEùIRE 0 z a
Figura 4.2.1.4: Diagrama numărului de căutări ce pornesc Figura 4.2.2.1: Metoda respingerii când funcĠia fZ (z ) este mărginită
din interiorul spaĠiului de eúantionare
úi are domeniul finit
 109 110 EVALUĂRI DE PERFORMANğĂ

Conform figurii 4.2.2.1, primii trei paúi împart careul de arie a ˜ b în două
regiuni despărĠite de curba funcĠiei densitate de probabilitate.
Probabilitatea acceptării este raportul dintre aria de sub curba funcĠiei
> @
densitate de probabilitate úi aria careului, deci: P X acceptat 1 (ab ) .
În acest caz:
5. X este respins, sari la pasul 1;
6. Oferă Z .
Faptul că variabila aleatorie, Z , urmează distribuĠia impusă se
demonstrează ca în cazul precedent, diferenĠa constând în noua suprafaĠă ce
cuprinde cele două regiuni úi care este de arie K . EficienĠa de calcul pentru

>
P z  X d z  dz X acceptat @ > ^
P ^ z  X d z  dz` & X acceptat `@ acest algoritm depinde de cât de "aproape" este curba K ˜ fW (z ) de
P >X acceptat @ curba fZ (z ) .
aria hasurata (ab ) AplicaĠia 4.2.2.1 (distribuĠia gama)
fZ ( z )
1 (ab ) Să se aplice metoda respingerii pentru a genera o variabilă aleatorie, Z ,
Deci, când X este acceptat, atât el, cât úi variabila aleatorie de ieúire, Z, ce urmează o distribuĠie gama de parametri 0  D  1 úi O 1 .
respectă distribuĠia dorită. Metoda aúa cum a fost descrisă mai sus, prezintă
două inconveniente. Primul este generat de faptul că în multe situaĠii, zona de Y
respingere este atât de mare încât numărul de repetări până la apariĠia unei
acceptări poate să devină excesiv de mare. Al doilea este datorat restricĠiilor
impuse funcĠiei densitate de probabilitate ce nu permit utilizarea sa în cazul în respingere
care fZ (z ) este nemărginită úi/sau de domeniu infinit. Efectul primului neajuns
este diminuat, iar a doua deficienĠă este eliminată de versiunea generală a
metodei respingerii, prezentată în continuare. fZ (x )
K ˜ fW ( x )
Metoda generală de respingere presupune stabilirea unei variabile
aleatorii, W , descrisă prin fW (z ) care este uúor de generat úi care pentru o acceptare x
constantă K ! 1 îndeplineúte următoarea relaĠie:
K ˜ fW ( z ) t fZ ( z ) pentru orice z Figura 4.2.2.3: Metoda respingerii în cazul variabilei aleatorii J cu 0  D  1 úi O 1
X
1 Rezolvare: Conform figurii 4.2.2.3, funcĠia K ˜ fW (x ) ce "acoperă" f Z (x ) este:
FW (z )
U1
x D 1 ˜ e  x ­ X D 1 *(D) pentru 0 d x d 1
B( x ) fZ ( x ) d K ˜ fW ( x ) ® x
*(D) ¯e *( x ) pentru x ! 1
K ˜ fW (z )
respins FuncĠia densitate de probabilitate, fW (x ) , ce corespunde termenului drept este:
fZ ( x )
­D ˜ e ˜ x D 1 (D  e) pentru 0 d x d 1
acceptat fZ (z ) fW ( x ) ® x
z ¯D ˜ e ˜ e (D  e) pentru x ! 1
x
Integrând, se obĠine:
Figura 4.2.2.2: Metoda generală a respingerii ­e ˜ x D (D  e) pentru 0 d x d 1
FW ( x )
® 1 x
În acest fel, conform figurii 4.2.2.2, regiunea de sub K ˜ fW (z ) conĠine ¯ 1  D ˜ e (D  e) pentru x ! 1
curba fZ (z ) , iar metoda respingerii se desfăúoară după cum urmează: Această funcĠie se inversează, pentru a putea aplica metoda transformării
1. Generează X cu distribuĠie fW (x ) (se utilizează metoda analitice, în cadrul primului pas al metodei de respingere:
­ 1D
transformării analitice); e ª (D  e) ˜ u º
°pentru u d : « »
2. Stabileúte intervalul pe care se desfăúoară testul metodei: 1 ° De ¬ e ¼
FW (u ) ®
B K ˜ fW (x ) ; °pentru u ! e ª 1  uº
:  ln«(D  e) ˜
3. Generează Y uniform distribuit în (0, B); °¯ De ¬ D ˜ e »¼
4. Dacă Y d fZ ( X ) : acceptă X , deci Z X , sări la pasul 6; Valoarea constantei K necesară pasului următor este:
 111 112 EVALUĂRI DE PERFORMANğĂ

De succesive sunt variabile aleatorii independente identic distribuite exponenĠial de

K
D ˜ e ˜ *(D ) parametru O D 'T . De aceea o variabilă aleatorie Poisson reprezintă numărul
ObservaĠie: Dacă valoarea acceptată o amplificăm cu O obĠinem o de variabile aleatorii Zi care însumate nu depăúesc intervalul 'T . Cum variabila
variabilă aleatorie gama de parametri 0  D  1 úi O . aleatorie exponenĠială se obĠine prin intermediul variabilei aleatorii uniforme se
*** poate scrie relaĠia:
§ 1·
AplicaĠia 4.2.2.2 Z0  Z1  ! ¨  ¸ ˜ ln U0  ln U1  ln U2  ! ,
© O¹
O D O x O 1
ùtiind că fW ( x ) úi K 2D  1 oferă o funcĠie K ˜ fW (x ) ce care, la fiecare adăugare de termen, trebuie comparată cu 'T pentru a sesiza
( D O  x O )2 pasul la care această relaĠie este depăúită:
mărgineúte funcĠia densitate de probabilitate a unei variabile aleatorii gama cu ln (U0 ˜ U1 ˜ !)
D ! 1, să se determine FW (x ) .  ! 'T .
O
xO Cum O D 'T rezultă că trebuie verificată inegalitatea:
Rezolvare: FW x  , pentru x ! 0 .
DO  x O U0 ˜ U1 ˜ U2 ˜ !  e  D (4.2.3.1)
***
Algoritmul corespunzător, de generare a unei variabile aleatorii Poisson
4.2.3. Generarea funcĠiilor de variabile aleatorii de parametru D , are următoarea structură:
1. A 1 úi k 0 ; ( k numărul de apariĠii);
Având la dispoziĠie metode simple de generare a variabilei aleatorii X se
2. Generează Uk distribuit uniform pe (0,1);
poate obĠine variabila aleatorie definită prin Y g ( X ) . Desigur, afirmaĠia se
3. A A ˜ Uk ;
poate extinde úi în cazul Z h( X1, X 2 ,..., X n ) unde X1, X 2 ,..., X n sunt ieúirile
unor GNA. 4. Dacă A  e  D : X k , sări la 6;
5. k k  1 , sări la 2;
AplicaĠia 4.2.3.1 (distribuĠia m-Erlang) 6. Oferă X .
DeterminaĠi un algoritm care nu utilizează metoda transformării analitice
pentru a genera variabile aleatorii ce urmează o distribuĠie m-Erlang. AplicaĠia 4.2.3.3 (distribuĠia Gauss)
Rezolvare: Deoarece o variabilă aleatorie m-Erlang se obĠine prin Să se determine o metodă de generare a unei variabile aleatorii Gauss de
adunarea a m variabile aleatorii distribuite exponenĠial identice úi independente medie 0 úi varianĠă 1.
se deduce următorul algoritm: Rezolvare:
1. X 0 ; C m ; SoluĠia 1: Teorema limită centrală arată că o sumă de variabile aleatorii
2. Generează o variabilă aleatorie exponenĠială, Z , de parametru O ; independente identic distribuite de medie finită P úi varianĠă finită V2 tinde să
3. X X  Z ; aibă o distribuĠie Gauss de medie n ˜ P úi varianĠă n ˜ V2 . Din acest motiv, soluĠia
4. Dacă C 1 : sari la pasul 6; cea mai simplă de generare a unei variabile aleatorii Gauss de medie Pr 0 úi
5. C C  1 ; revino la pasul 2; varianĠă Vr
2
1 este dată de formula:
6. Oferă X . n
n
ObservaĠie: Pentru valori ale lui m mari este de preferat utilizarea metodei Y ¦ U (k )  2 (4.2.3.2)
k 1
respingeri aplicată pentru o variabilă aleatorie gama, de parametri D m (ce
devine o variabilă aleatorie m-Erlang). în care U (k ) , cu k 1, n , este un set de variabile aleatorii independente, identic
AplicaĠia 4.2.3.2 (distribuĠia Poisson)
DeterminaĠi un algoritm care generează o variabilă aleatorie Poisson de
parametru D .
Rezolvare: O variabilă aleatorie Poisson, X , reprezintă numărul de
evenimente ce au loc într-un anumit interval, 'T . Dar timpii Zi dintre două sosiri
distribuite pe 0,1 după o lege uniformă.
Este de remarcat că această formulă limitează domeniul (  f,f ) al unei
variabile aleatorii Gauss la intervalul > n 2 , n 2@ . Pentru a realiza un compromis
între acurateĠe úi viteza de calcul, în practică se utilizează formula (4.2.3.2) în
cazul n 12 (dar, bineînĠeles, se poate merge úi mai sus).
 113 114 EVALUĂRI DE PERFORMANğĂ

y ObservaĠii:
x Teoretic, această metodă produce numere pe întreg intervalul:  f,f  .
y1 r1 Luând în considerare însă precizia oferită de calculator, algoritmul va
T1 x  
genera numere în intervalul  2 ˜ ln M ,  2 ˜ ln M , unde M reprezintă
x1 cel mai mare întreg ce poate fi reprezentat în memoria calculatorului
(numărul minim produs de un GNA distribuite uniform pe 0,1 este 1 M ,
Figura 4.2.3.1: Transformarea în coordonate polare
úi acesta calculat cu o anumită precizie).
SoluĠia 2: Fie variabila aleatorie vectorială ( X ,Y ) ale cărui componente x De asemenea, viteza de calcul este mult scăzută faĠă de prima soluĠie.
sunt variabile aleatorii Gauss independente, de medie 0 úi varianĠă 1. Aceasta se datorează complexităĠii sporite a operaĠiilor matematice ce le
FuncĠia densitate de probabilitate a variabilei aleatorii ( X ,Y ) este: implică ( ln , cos , sin , , ).
1 2 2
f XY ( x, y ) ˜ e- ( x  y ) AplicaĠia 4.2.3.4 (distribuĠia hiperexponenĠială; metoda amestecării)
2S
Să se determine un algoritm de generare a unei variabila aleatorii
Considerăm transformarea (vezi figura 4.2.3.1):
hiperexponenĠiale în două trepte. Să se generalizeze rezultatul.
R2 X 2  Y 2 úi 4 arctan (Y / X ) (4.2.3.3) Rezolvare: FuncĠia densitate de probabilitate a unei astfel de variabile aleatorii
Transformarea inversă este: este:
X R ˜ cos T úi Y sin T (4.2.3.4) f X ( x ) p ˜ a ˜ e ax  (1  p ) ˜ b ˜ e  bx (4.2.3.5)
Jacobianul acestei transformări este egal cu 1 2 , deci funcĠia densitate de Expresia (4.2.3.5) arată că variabila aleatorie X este un "amestec" (o
compunere) a două variabile aleatorii, X 1 úi X 2 , exponenĠiale, de parametru a,
probabilitate a variabilelor aleatorii R 2 úi T este:
1 respectiv b, controlat de o variabila aleatorie discretă, N , de tip Bernoulli. Pentru
fR 2 ,T (r , t ) ˜ e- r , r t 0 úi 0 d t d 2S a genera X este necesar ca iniĠial să se realizeze un experiment Bernoulli úi, în
4S
funcĠie de rezultatul acestuia, să se genereze ori X 1 , ori X 2 .
Această expresie se poate pune sub o formă care arată independenĠa
În cazul general:
celor două variabile aleatorii, R 2 úi T : n
1 1 f X (x) ¦ pi ˜ f X ( x )
fR 2 ,T (r , t ) ˜ ˜ e  r fT (t ) ˜ fR 2 (t ) i 1
i

2S 2
în care ^pi ` reprezintă probabilităĠi de repartiĠie ale unei variabile aleatorii N ,
unde: - fR 2 (t ) corespunde distribuĠiei exponenĠiale de parametru 1 2 ;
adică P >N i @ pi .
- fT (t ) corespunde distribuĠiei uniforme pe 0,2S . Conform relaĠiei anterioare, rezultă următorul algoritm de amestecare
ObservaĠie: Variabila aleatorie R (fără putere) urmează o distribuĠie Rayleigh. discretă:
Pe baza rezultatelor anterioare se poate implementa următorul algoritm 1. Se generează N (utilizând, de exemplu, algoritmul descris în
de generare a două variabile aleatorii Gauss independente de medie 0 úi aplicaĠia 4.2.1.5);
varianĠă 1 (Metoda Box-Muller): 2. i N ;
1. Generează U1 úi U 2 variabile aleatorii independente úi uniform 3. Generează X i ; Z X i ;
distribuite în (0,1); 4. Oferă Z .

2. R 2 2 ˜ ln U1 (generarea unei variabile aleatorii exponenĠiale de

parametru 0,5);
3. T 2S ˜ U 2 ;
4. X R ˜ cos T úi Y R ˜ sin T , conform relaĠiei (4.2.3.4);
5. Oferă X úi Y .
 116 EVALUĂRI DE PERFORMANğĂ

E > X ( j ) ˜ X ( j  k )@  P 2x not C XX (k )
U XX (5.2.1)
E ª¬ X 2 ( j )º¼  P 2X C XX (0)

capitolul 5 În cazul ideal:

U XX (k )
­°1 pentru k 0
® (5.2.2)
°̄0 pentru k z 0
Atunci când, pentru diverse valori ale lui k , se obĠine U XX (k ) t H ,
înseamnă că secvenĠa generată este corelată, iar dacă U XX (k ) are "vârfuri" la
k m ˜ n0 úi m 1,2," , ea este úi periodică, de perioadă n0 .

Teste statistice Deoarece verificarea practică a corelaĠiei úi a periodicităĠii utilizează

estimatorul funcĠia de autocovarianĠă normalizată, Uˆ XX (k ) , este necesar ca
interpretarea rezultatelor oferite de test să Ġină cont de variabilitatea statistică a
acestui estimator.
În practică se poate utiliza următoarea procedură de testare a corelaĠiei úi
a periodicităĠii:
Aprecieri relative la proprietăĠile statistice ale unui fenomen aleatoriu pot fi x Se generează o secvenĠă foarte lungă, de lungime L;
obĠinute prin supunerea acestuia la diverse teste. Cu ajutorul lor se stabilesc atât x Se împarte secvenĠa în segmente de n realizări ce se suprapun în
proprietăĠile temporare (staĠionaritatea, autocorelaĠia etc.) cât úi proprietăĠi pe n / 2 poziĠii (vezi figura 5.2.1 în care deplasarea s este egală cu n / 2 ). Se obĠin
ansamblu (media, varianĠa, funcĠia de repartiĠie etc.) ale fenomenului studiat.
astfel vectorii X 1, X 2 ,", X k ," ;
În cazul generatoare de numere aleatorii GNA aceste teste se aplică în
special generatoarelor de numere uniform distribuite în 0,1 , ele fiind cele care x Se calculează autocorelaĠia normată, între X 0 úi X 0 , X 1,"
dictează, în principal, buna funcĠionare a celorlalte. (reducerea numărului de operaĠii se face luând în considerare o deplasare
relativă între cei doi vectori de maximum n 2 (ca în figura 5.2.1) úi utilizând
tehnica transformatei Fourier rapide (Fast Fourier Transform) sau programele
5.1. Testul de staĠionaritate specializate din mediul de calcul MatLab);
Pentru verificarea staĠionarităĠii se poate adopta următoarea procedură: seed X1 X3 X k 2 Xk L
x Se generează o secvenĠă lungă de n realizări.
x Se împarte secvenĠa în m segmente disjuncte úi se calculează media 1
úi varianĠa pe fiecare segment. X2 X k 1 X k 1 L – "sample_size"
n – "batch_size"
x Se verifică dacă mediile úi varianĠele se găsesc în vecinătăĠi 1 U X1, X k (k  s ) s – "step_size"
acceptabile din punct de vedere statistic.

5.2. Testul de autocorelaĠie

zona de maxim
Evaluarea autocorelaĠiei ce caracterizează o secvenĠă de numere s
aleatorii este extrem de utilă în cazul GNA care trebuie să ofere secvenĠe
necorelate úi de perioadă suficient de mare pentru a nu se relua pe durata unei
simulări. Dacă staĠionaritatea este îndeplinită, atunci funcĠia de autocovarianĠă
normalizată (coeficientul de corelaĠie) este dată de expresia:
n0

Figura 5.2.1: Principiul testului de autocorelaĠie

 117 118 EVALUĂRI DE PERFORMANğĂ

x Se trasează Uˆ X1X k (k ˜ s ) pentru fiecare k , mărimea s reprezentând 200

pasul de deplasare, úi se caută vârfuri (vezi figura 5.2.1).
180
Precizia cu care se determină perioada, n0 , a generatorului se
controlează prin mărimea valorii s care, iniĠial, se alege s n 2 , iar apoi, pentru 160

zona de maxim, căutarea se face cu paúi mai mici, de exemplu s n 10 . 140

În general, testarea GNA pentru periodicitate cere un volum de calcul
120
substanĠial. Aceasta se datorează evaluării repetate a expresiei Uˆ XX (k ) pe
segmente de dimensiuni mari atunci când perioada căutată este foarte mare úi 100 Numărul apariĠiilor observate
reluării testului pentru diverse valori ale punctului din care este reprodusă Numărul apariĠiilor aúteptate
80
secvenĠa. Acele valori ce conduc la perioade mari trebuie reĠinute pentru a fi
utilizate ulterior la simulările de lucru, în care GNA controlează diverse fenomene 60
(precum generări de pachete, timpi de servire etc.).
40

5.3. Histograma 20
minute
0
Histograma (coloanele albe din figurile 5.3.1 úi 5.3.2) este reprezentarea 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 >19
grafică a frecvenĠelor absolute, adică a numărului de apariĠie pe parcursul unui
- Figura 5.3.2: Histogramă pentru compararea datelor experimentale cu
număr de repetări, ale unor evenimente legate de un anumit experiment. cele teoretice - cazul distribuĠiei exponenĠiale
Astfel, luând drept exemple fenomene aleatorii, care implică sistemele de
comutaĠie, putem considera că histograma din figura 5.3.1 s-a trasat în urma Histograma reprezintă o metodă uzuală de interpretare grafică a datelor
recepĠionării din liniile de abonaĠi a 114 cifre, iar histograma din figura 5.3.2 s-a experimentale, care constituie deseori o etapă intermediară pe parcursul
obĠinut în urma contorizării a 720 de convorbiri telefonice, evenimentele urmărite desfăúurării unei analize statistice, în vederea identificării distribuĠiei teoretice
fiind: care descrie cât mai precis fenomenul studiat. În acest caz, pasul următor constă
- în primul caz, de genul: ^din linie s-a recepĠionat cifra i ` , în alegerea unei anumite distribuĠii úi trasarea, alături de coloanele histogramei, a
- în al doilea caz: ^durata convorbirii se încadrează în intervalul >a, b @ ` . coloanelor (negre) corespunzătoare numărului de apariĠii de aúteptat în condiĠiile
în care experimentul s-ar desfăúura conform acestor distribuĠii. Astfel, prin
alăturarea celor două seturi de coloane, este posibilă compararea vizuală pe
18 17 Numărul apariĠiilor observate baza căreia se poate decide dacă ipoteza (distribuĠia) considerată este
16
16 Numărul apariĠiilor aúteptate acceptabilă.
13 Dat fiind natura subiectivă a comparaĠiei vizuale, aceasta este, în general,
14 12 12 12 urmată, atunci când diferenĠele nu mai sunt atât de evidente pentru a permite
12 respingerea ipotezei, de teste de natură calitativă, în care decizia se ia în urma
10 11,4
10 8 efectuării unor calcule matematice. Astfel de teste sunt: testul F 2 úi testul
7 7 Kolmogorov - Smirnov, ale căror principii úi mod de utilizare sunt descrise în cele
8
ce urmează.
6
4 5.4. Testul F
2
0
cifră Testul F 2 este o metodă cantitativă, pe baza căreia, în urma efectuării
{0} {1} {2} {3} {4} {5} {6} {7} {8} {9} unor calcule, se decide acceptarea sau respingerea ipotezei presupuse a
Figura 5.3.1: Histogramă pentru compararea datelor experimentale cu cele caracteriza fenomenul aleatoriu studiat. Pentru înĠelegerea lui, considerăm un
teoretice - cazul distribuĠiei uniforme caz simplu: recepĠionarea unui simbol binar dintr-o linie numerică (sau, mai puĠin
academic, aruncarea cu banul).
 119 120 EVALUĂRI DE PERFORMANğĂ

Facem următoarea ipoteză, pe care o notăm H0 : "valoarea simbolului
recepĠionat urmează o lege de tip Bernoulli, cu p 1 2 " . Pentru a o verifica,
repetăm experimentul de mai multe ori. Astfel, considerând elementele:
x n este numărul total de simboluri recepĠionate,
x N este numărul de simboluri "1" recepĠionate (observate),
x m este numărul aúteptat de simboluri "1", conform ipotezei H 0
se scrie următoarea egalitate:
>
p N  m t t D H0 D ,@
în care: - N  m este diferenĠa dintre ce se observă úi ce se aúteaptă,
- t D este deviaĠia critică;
- D este nivelul (pragul) probabilistic semnificativ, ce reprezintă o valoare
impusă, de obicei 1% sau 5%, a probabilităĠii ca, în ipoteza H0 , diferenĠa N  m
să depăúească valoarea t D .
Decizia se ia astfel:
x H0 este adevărată dacă, la nivelul probabilistic semnificativ impus,
deviaĠia critică nu este depăúită;
x H0 este falsă în caz contrar, adică atunci când ceea ce s-a observat
s-a abătut nejustificat de mult din punct de vedere probabilistic de
ceea ce era de aúteptat.
AplicaĠia 5.4.1
Considerând un nivel probabilistic semnificativ D de 1%, să se verifice
dacă ipoteza " H 0 ^biti generaĠi de o sursă sunt echiprobabili `" este adevărată
útiind că din 100 de biĠi observaĠi doar 64 au avut valoarea "1".
Rezolvare: Pe baza ipotezei, numărul aúteptat este m 100 ˜ p 50 . DeviaĠia
observaĠiei faĠă de ce se aúteaptă are valoarea 64  50 14 . DeviaĠiile ce sunt
egale sau depăúesc valoarea 14 pot apare în ipoteza H 0 cu probabilitatea:
100
63
§ 100 · § 1 ·
P ª¬ N  50 t 14 H0 º¼ 1  ¦ ¨ ¸ ¨ ¸ # 0.0093
k 37 © k ¹ © 2 ¹
care, fiind sub nivelul probabilistic semnificativ, D 1% conduce la respingerea
ipotezei H0 .
***
2 - dacă D 2 t t D , atunci ipoteza H0 este respinsă.
În cazul general, testul F presupune următorii paúi:
x Se împarte spaĠiul de eúantionare , S X , în k mulĠimi disjuncte;
x Se calculează, luând în considerare ipoteza H0 , asumată,
probabilitatea aúteptată p j ca rezultatul unui experiment să fie în
submulĠimea j , cu j 1, k ;
x Se fixează numărul de repetări ale experimentului n ;
x Se determină numărul aúteptat de încercări ce cad în submulĠimea
j , notat úi dat de expresia:
mj n ˜ pj (5.4.1)
x Se efectuează experimentul de n ori, determinând numărul
repetărilor ce cad în submulĠimile alese, N j cu j 1, k ;
x Se calculează suma ponderată a pătratelor diferenĠelor dintre ceea
ce se observă úi ceea ce se aúteaptă:
k (N j  m j ) 2
D2 ¦ (5.4.2)
j 1 mj
Pentru un număr de repetări suficient de mare, variabila aleatorie D 2
are o funcĠie densitate de probabilitate ce se poate aproxima cu cea a
variabilei aleatorii F 2 cu k  1 grade de libertate. În acest caz,
deviaĠia critică, la un nivel probabilistic semnificativ dat, rezultă din
ecuaĠia:
P ª¬D 2 t tD H0 º¼ D (5.4.3)
unde D corespunde ariei haúurată din figura 5.4.1.
f D 2 (x )
D
0 tD x
ideal acceptabil inacceptabil
Figura 5.4.1: Determinarea deviaĠiei critice, t D
x Pentru numărul de submulĠimi k, fixat anterior, úi cu un nivel
probabilistic semnificativ ales, se extrage t D din tabelul 5.4.1.
Mărimea sa se compară cu această valoare:
- dacă D 2  t D , atunci ipoteza H0 este acceptată;
Pentru a mări acurateĠea cu care legea probabilistică F 2 aproximează
comportamentul variabilei D 2 , se recomandă ca, în limita posibilităĠilor,
submulĠimile alese să fie echiprobabile, numărul lor să fie suficient de mare (cel
puĠin 3), dar sub 50, iar pentru fiecare submulĠimi numărul de observaĠii
contorizate (cumulate) să depăúească valoarea 5 (la limită 3).
 121 122 EVALUĂRI DE PERFORMANğĂ

Tabelul 5.4.1: DeviaĠii critice, t D , funcĠie de nivelul probabilistic semnificativ, D , úi observa, cele mai mici abateri apar când funcĠia empirică, de distribuĠie, este
de numărul de intervale, k comparată cu curba centrală. Considerând suficientă comparaĠia vizuală, putem
concluziona că variabila aleatorie urmărită, X, úi variabila aleatorie Y2 aparĠin
D 5% 1% D 5% 1%
aceleiaúi familii de variabile aleatorii úi, deci, că funcĠiile lor, analitice, de
k 1 tD k 1 tD
distribuĠie sunt identice:
1 3,84 6,63 12 21,03 26,22
FX ( x ) { FY2 ( x ) (5.5.2)
2 5,99 9,21 13 22,36 27,69
3 7,81 11,35 14 23,69 29,14
4 9,49 13,28 15 25,00 30,58
1
5 11,07 15,09 16 26,30 32,00 FY3 (x )
6 12,59 16,81 17 27,59 33,41
7 14,07 18,48 18 28,87 34,81
8 15,51 20,09 19 30,14 36,19 FY2 (x )
9 16,92 21,67 20 31,41 37,57 FˆX (x )
10 18,31 23,21 25 37,65 44,31
11 19,68 24,76 30 43,77 50,89
ObservaĠii:
- DeviaĠia critică poate fi obĠinută úi printr-o aproximare Gauss a variabilei FY1 (x )
aleatoriii D 2 care reprezintă o sumă de variabile aleatorii (vezi teorema x
limită centrală).
- Atunci când un număr, r , de parametri ai distribuĠiei presupuse sunt Figura 5.5.1: Exemplu de funcĠie empirică de distribuĠie úi compararea acesteia cu
estimaĠi pe baza rezultatelor observate (de exemplu: media, varianĠa etc.), 3 funcĠii analitice de distribuĠie
este recomandat ca variabila aleatorie D 2 să se considere o variabilă
Deseori, datorită subiectivităĠii sale, compararea vizuală a curbelor ne
aleatorie F 2 cu k  r  1 grade de libertate. poate înúela. Testul K-S vine să elimine acest neajuns, diferenĠele dintre FˆX ( x )
úi FY (x ) fiind evaluate cantitativ, pe baza următoarelor mărimi statistice (variabile
5.5. Testul Kolmogorov-Smirnov aleatorii la rândul lor):

Spre deosebire de testul F 2 care compară probabilităĠile empirice ale

unor intervale de genul x i , x i 1  , cu probabilitatea corespunzătoare, generate de
Kn ^ 
n max FˆX ( x )  FY ( x )
f x f
`
(5.5.3)
funcĠia densitate de probabilitate propusă, testul Kolmogorov-Smirnov, notat Kn 
prin K-S, operează asupra diferenĠelor ce apar între funcĠia empirică, de
distribuĠie, obĠinută pe baza unui eúantion de realizări úi funcĠia analitică luată în
considerare. Din acest motiv, testul K-S se pretează doar situaĠiilor în care
funcĠia analitică de distribuĠie este continuă.
FuncĠia empirică de distribuĠie a unei variabilei aleatorii, X, reprezintă,
la rândul ei, o variabilă aleatorie úi este dată de relaĠia:
numarul rezultatelor ce sunt d x
FˆX ( x ) (5.5.1)
n
unde rezultatele aparĠin unui eúantion de n observaĠii independente,
x1, x2 ,!, xn , ale variabilei aleatorii, în cauză.
Figura 5.5.1 prezintă o funcĠie empirică de distribuĠie (linia în zigzag, ale
cărui verticale de fapt nu există) úi mai multe funcĠii analitice de distribuĠie,
propuse spre a caracteriza variabila aleatorie urmărită. După cum se poate
n ^ max  F ( x )  Fˆ ( x ) `
Y X
f x f
Mărimea K n  reprezintă cea mai mare deviaĠie când FˆX ( x ) ! FY ( x ) , iar
corespunde celei mai mari deviaĠii când FˆX ( x )  FY ( x ) . ApariĠia

valoarea K n
factorului n este motivată de faptul că deviaĠia standard a variabilei aleatorii
FˆX ( x ) faĠă de FY (x ) este proporĠională cu 1 n úi deci că, prin această
 
operaĠie, variabilele aleatorii K n úi K n devin independente faĠă de n .
Decizia, dacă acceptăm sau nu ipoteza că variabila aleatorie urmărită,
X , se poate identifica cu variabilă aleatorie propusă, Y , se ia comparând
 
mărimile calculate, K n úi K n cu valorile deviaĠiilor critice oferite în tabelul 5.5.1
pentru diferite nivele probabilistice semnificative, D , úi diverse dimensiuni, n , ale
eúantionului.

De remarcat este faptul că, spre deosebire de testul F 2 în care valorile
tabelate sunt calculate pe baza unei aproximaĠii permise pentru un n mare, în
cazul testului K-S valorile din tabelul 5.5.1 sunt obĠinute prin calcule exacte
(exceptând, desigur, erorile de rotunjire).
Din punct de vedere practic, relaĠiile (5.5.3) sunt inutilizabile, obligându-ne
să căutăm extreme pe un domeniu infinit (  fx f ). ğinând cont, însă, că
F (x ) este monoton crescătoare úi că Fˆ ( x ) este crescătoare în trepte, putem
Y X
folosi următorul procedeu de evaluare a mărimilor K n úi K n :
 
x Se obĠin rezultatele x1, x 2 ,!, x n ;
x Rezultatele sunt ordonate crescător, obĠinându-se
x1' , x 2 ' ,!, x n ' ;
x
 
Mărimile K n úi K n se obĠin aplicând formulele:
­ §j ·½
Kn  n ® max ¨  FY ( x j *) ¸ ¾
¯1d j d n © n ¹¿
123 124 EVALUĂRI DE PERFORMANğĂ
AplicaĠia 5.5.1
Observarea unei variabilă aleatorii X a permis obĠinerea următorului
eúantion de rezultate: 0,869; 0,189; 0,678; 0,259; 0,718; 0,098; 0,318; 0,733;
0,442; 0,141; 0,236; 0,017; 0,434; 0,162; 0,414; 0,354; 0,772; 0,442; 0,302;
0,693.
i) Să se traseze pe acelaúi sistem de axe graficele funcĠiei empirice de
distribuĠie úi funcĠiei analitice, de distribuĠie, considerată la punctul următor,
ii) Să se verifice, prin testul K-S, dacă ipoteza: "variabilă aleatorie X
urmează o lege de distribuĠie uniformă în intervalul >0,1@ " poate fi acceptată la un
nivel semnificativ de 95%.
IndicaĠie: se aplică procedeul prezentat anterior.
secvenĠa:
***
Numărul de observaĠii, n , se alege în general suficient de mare pentru a
obĠine funcĠii empirice cât mai "fine", cu cât mai multe trepte. Totuúi, valori mari
ale lui n pot împiedica evaluarea corectă a abaterii globale de la distribuĠia
presupusă, prin mediere a comportări locale ale variabilă aleatorii urmărite,
(5.5.4) deosebite de majoritatea cazurilor. Din acest motiv, în cazul testării
­ § j  1· ½ generatoarelor de numere aleatorii uniform distribuite în intervalul 0,1 , n se
Kn 
n ® max ¨ FY ( x j *)  ¸¾
¯1d j d n © n ¹¿  
alege de valoare moderată (de exemplu 1000) úi mărimile K n úi K n se
Tabelul 5.5.1: DeviaĠii critice pentru distribuĠia mărimilor K n  úi K n  , calculează pe un număr mare de sub-secvenĠe distincte ale secvenĠei generate.
Valorile obĠinute:
D
n K n (1), K n (2),! ,K n (r )
1% 5% 25% 50% 75% 95% 99% (5.5.5)
1 0,01000 0,05000 0,2500 0,5000 0,7500 0,9500 0,9900 K n (1), K n (2),! ,K n (r )
2 0,01400 0,067449 0,2929 0,5176 0,7071 1,0980 1,2728 unde r este numărul de sub-secvenĠe distincte, pot fi considerate realizări ale
3 0,01699 0,07919 0,3112 0,5147 0,7539 1,1017 1,3589 unei variabile aleatorii. Deci pot genera o funcĠie empirică de distribuĠie,
4 0,01943 0,08789 0,3202 0,5110 0,7642 1,1304 1,3777
FK r ( x ) .
5 0,02152 0,09471 0,3249 0,5245 0,7674 1,1392 1,4024 n r
6 0,02336 0,1002 0,3272 0,5319 0,7703 1,1463 1,4144 Cunoscând că pentru o variabilă aleatorie, Y , uniform distribuită în
7 0,02501 0,1048 0,3280 0,5364 0,7755 1,1537 1,4246 intervalul 0,1 se verifică relaĠia (conform demonstraĠiei lui Smirnov):
8 0,02650 0,1086 0,3280 0,5392 0,7797 1,1586 1,4327 2
9 0,02786 0,1119 0,3274 0,5411 0,7825 1,1624 1,4388 lim FK r ( x ) 1  e  2 x , cu x t 0 (5.5.6)
n of n
10 0,02912 0,1147 0,3297 0,5426 0,7845 1,1658 1,4440
atunci, verificarea generatoarelor de numere aleatorii constă în aplicarea testului
11 0,03028 0,1172 0,3330 0,5439 0,7863 1,1688 1,4484
12 0,03137 0,1193 0,3357 0,5453 0,7880 1,1714 1,4521 K-S asupra mărimilor FˆK r ( x ) úi FK r ( x ) , unde n 100 poate fi considerat
n n
15 0,03424 0,1244 0,3412 0,5500 0,7926 1,1773 1,4606 suficient de mare pentru a verifica relaĠia 5.5.6. În acest mod, testul K-S tinde să
20 0,03807 0,1298 0,3461 0,5547 0,7975 1,1839 1,4698 detecteze abaterile, atât locale, cât úi globale, de la distribuĠia presupusă a fi
30 0,04354 0,1351 0,3509 0,5605 0,8036 1,1916 1,4801 urmată de variabila aleatorie observată (în cazul discuĠiei de mai sus, ieúirea
1 § 1· 1 1 generatorului de numere aleatorii),
>30 yD   O¨ ¸ , unde y D 2 ˜ ln
6˜ n ©n¹ 2 1 D
yD 0,07089 0,1601 0,3793 0,5887 0,8326 1,2239 1,5174
 125 126 EVALUĂRI DE PERFORMANğĂ

5.6. AplicaĠii suplimentare Tabelul 5.6.2: Testul F 2 pentru o presupusă variabilă aleatorie exponenĠială
- cazul intervalelor echiprobabile -
AplicaĠia 5.6.1 (testul F 2 )
k Nk mk (N j  m j ) 2 m j k Nk mk (N j  m j ) 2 m j
Fie histograma din figura 5.3.1 obĠinută pe baza a 114 realizări ale unei
variabile aleatorii X cu spaĠiu de eúantionare S X ^0,1, !,9` . Se poate 0 49 10 50
1 61 11 51
presupune că variabila aleatorie X urmează o distribuĠie uniformă? 2 50 12 55
IndicaĠie: Se aplică testul F 2 . 3 50 13 49
4 40 14 54
AplicaĠia 5.6.2 5 52 15 52
Un program realizat pentru a genera o variabilă aleatorie distribuită 6 48 16 62
7 40 17 46
exponenĠial de parametru O 1 este supus testului F 2 . Pentru aceasta, axa 8 45 18 49
numerelor reale s-a împărĠit în k 20 de intervale de lungime 0,2 cu excepĠia 9 46 19 51
ultimului care se "întinde" până la infinit. Numerele rezultatelor observate în
fiecare interval sunt înscrise în tabelul 5.6.1. Considerând un nivel semnificativ Rezolvare:
de 5%, verificaĠi dacă generatorul funcĠionează corect. i) Intervalele fiind echiprobabile au aceeaúi probabilitate: p 1 k 0,05 .
2
Tabelul 5.6.1: Testul F pentru o presupusă variabilă aleatorie exponenĠială Pentru a determina capetele intervalelor ( x1, x 2 , x 3 ," ) trebuie rezolvat sistemul
- cazul intervalelor de lungime egală - format din următoarele ecuaĠii, pentru 1 d i d 18 :
x1 xi 1 f
i Nj mj (N j  m j ) 2 m j i Nj mj (N j  m j ) 2 m j ³ f X ( x )dx p, ³ f X ( x )dx p úi ³ f X ( x )dx p
0 xi x19
0 190 10 28
1 144 11 19 în care, conform ipotezei, f X ( x ) O ˜ e  Ox ex .
2 102 12 15 ii) Se aplică testul cerut.
3 96 13 12
4 86 14 11 AplicaĠia 5.6.4 (testul F 2 )
5 67 15 7
6 59 16 9 Într-un nod de comunicaĠii sunt numărate apelurile ce sosesc într-o
7 43 17 5 anumită perioadă de timp. Experimentul este repetat de 2600 de ori, rezultatele
8 51 18 8 fiind trecute în tabelul 5.6.3, în care:
9 28 19 20 i) j este numărul de apeluri,
IndicaĠie: Se completează restul coloanelor din tabelul 5.6.1 pentru a putea ii) N j este numărul perioadelor observate,
determina valoarea D 2 , care se compară cu valoarea lui t D din tabelul 5.4.1. iii) m j este numărul perioadelor aúteptate.
VerificaĠi dacă numărul apelurilor sosite poate fi modelat de o variabilă aleatorie
AplicaĠia 5.6.3 (testul F 2 ) de tip Poisson. Se va considera D 1% .
Un program realizat pentru a genera o variabilă aleatorie distribuită IndicaĠii:
exponenĠial de parametru O 1 este supus testului F 2 . Pentru aceasta axa Deoarece parametrul distribuĠiei Poisson, media P , nu se cunoaúte, el
numerelor reale este împărĠită în k 20 intervale echiprobabile. este evaluat pe baza observaĠiilor. Odată determinat, el este folosit pentru a
i) DeterminaĠi aceste intervale. completa coloana m j din tabelul 5.6.3.
ii) AplicaĠi testul F 2 pentru un nivel semnificativ D 5% útiind că numerele Fixarea parametrului P al distribuĠiei presupuse face ca gradele de
realizărilor observate în fiecare interval corespund valorilor înscrise în libertate ale variabilei aleatorii, D 2 , ce intră în test să scadă cu o unitate. Deci,
tabelul 5.6.2. ComparaĠi rezultatul cu cel obĠinut în problema precedentă. din tabelul 5.4.1 se va alege linia pentru care k  1 10 .
 127

Tabelul 5.6.3: Testul F 2 pentru o presupusă variabilă aleatorie de tip Poisson

j Nj mj (N j  m j ) 2 m j
0 57
1 203
2 383
3 525
4 531
5 407
6 272
7 138
8 44
9 26
10 9
>11 5

AplicaĠia 5.6.5 (testele F 2 úi K-S)

ScrieĠi un program care să implementeze testele F 2 úi K-S. Se consideră

că intervalele histogramei, probabilităĠile ipotetice ale acestora, precum úi cele n
realizări ale procesului aleator observat sunt sub formă de tabel în fiúiere
distincte. DeviaĠia critică este precizată ulterior.
AplicaĠia 5.6.6 (corelaĠia)
ScrieĠi un program care să calculeze corelaĠia între doi vectori
n-dimensionali X úi Y . Rezultatul se va înscrie într-un fiúier sub formă de tablou
de coeficienĠi de corelaĠie normalizaĠi, U XY (k ) , definiĠi astfel:
1 n k
U XY (k ) ˜ ¦ X (m ) ˜ Y (m  k ) , k 0,!, n  1
nk m 1
AplicaĠia 5.6.7
ScrieĠi un program care să verifice staĠionaritatea unui fenomen observat,
al cărui eúantionul de rezultate se găseúte înscris într-un fiúier de tip text.
AplicaĠia 5.6.8
ScrieĠi un program care să implementeze testul de corelaĠie úi
periodicitate.
AplicaĠia 5.6.9
Fie X (k ) úi Y (k ) două secvenĠe aleatorii cu: Y (k ) a ˜ X (k  m ) . GăsiĠi o
metodă pentru a estima mărimile a úi m úi scrieĠi un program care să o
implementeze. Se consideră a ! 0 úi m  N .