Documente Academic
Documente Profesional
Documente Cultură
Prof.univ.dr.Alexei LEAHU
Introducere
Pentru a delimita aria de preocupari in cadrul cursului nostru vom trece in
revist
a denitiile notiunilor care stau la baza denumirii lui. Conform lucrarii
[I. V
aduva] vom trata simularea, pornind de la urm
atoarea
Deni
tie. Simularea este o tehnica de realizare a experimentelor cu
calculatorul, care implica utilizarea unor modele matematice si logice care
descriu comportamentul unui sistem real (sau a unor componente ale sale)
de-alungul unor perioade mari de timp n scopul cercetarii acestui sistem.
In particular, atunci cnd simularea implica utilizarea unor modele probabiliste si se bazeaza pe producerea (generarea) de evenimente/numere aleatoare
(ntmpl
atoare) noi vom spune c
a avem de a face cu simulare statistica.
Or, simularea statistic
a vizeaz
a imitarea fenomenelor (experimentelor, sistemelor) cu specic indeterminist (aleator). Spunem, de exemplu, ca un
fenomen observabil este indeterminist daca derularea acestuia nu poate
anticipata cu certitudine.
n literatura de specialitate Simularea Statistica mai este numita si
Modelare Statistica sau Metoda Monte Carlo [Vaduva, Ermacov].
Tehnicile de simulare statistic
a vizeaz
a mai multe aspecte, cum ar :
metodele (procedeele) de generare a numerelor (pseudo)aleatoare, de determinare a volumului sucient de simulari pentru a obtine estimatii ct mai
exacte ai parametrilor studiati, de validare a modelului implicat, etc.
Vorbind despre simularea statistica a unui sistem vom avea in vedere,
asa cum o sugereaza si denitia , utilizarea modelului matematic corespunz
ator acestui sistem. Deoarece modelele matematice reprezinta ni
ste descrieri
aproximative ale unor parti din lumea reala cu ajutorul notiunilor si formulelor matematice, rezult
a, c
a si concluziile bazate pe simularea statistic
a redau realitatea cu o anumita doz
a de exactitate. Aceasta exactitate
poate mbun
at
atit
a, utiliznd noi metode si modele matematice, dar si
perfectionnd tehnicile corespunz
atoare de simulare.
Utilizarea simularii statistice a sistemelor are drept efect:
1. Economisirea considerabil
a a resurselor umane si materiale, inlocuind
cercetarea sistemului real cu simularea acestuia pe calculator;
2. Obtinerea unor r
aspunsuri (e ele aproximative) chiar si atunci cnd
cercetarea modelului matematic corespunzator nu poate abordat prin metode
analitice existente;
3. Reducerea considerabila a timpului de testare a sistemului corespunzator gratie vitezelor de procesare ale calculatoarelor moderne.
3
Not
a. ntelegerea acestui curs presupune cunoasterea notiunilor si rezultatelor toretice de baza din Teoria Probabilit
atilor si Statistic
a Matematic
a la
nivel de licentiat in Domeniile Matematic
a, Informatic
a, Inginerie, Economie,
etc., domenii care au n Planurile lor de nv
atamnt disciplina mentionat
a.
Capitolul 1
GENERATORI DE NUMERE
ALEATOARE UNIFORME
1.1
fX (x) =
1
b
I[a;b] (x),
atunci spunem c
a X este repartizata uniform pe segmentul [a; b] si se noteaz
a
X U ([a; b]), a < b, a; b 2 R .
Functia de repartitie a v.a. X, adic
a
FX (x) = P(X x) =
Zx
fX (u)du;
FX (x) =
daca X
8
<
:
0; daca x < a;
daca x 2 [a; b] ;
1; daca x > b;
x a
;
b a
(A)
(A)
=
; 8A 2 F;
( )
b a
unde
: F !R este m
asura Lebesgue, adic
a m
asura ce pune in corespondenta intervalului (nchis, deschis, la stnga, la dreapta) determinat de
punctele a; b 2 R lungimea acestui interval. Or, sintagma "alegerea la ntamplare" exprim
a, si n acest caz, faptul c
a ecare num
ar ales are aceeasi
sans
a (probabilitate) de a ales, chiar dac
a, aceasta probabilitate este egala
cu P(A) = 0, 8A = fxg ; x 2 [a; b] , a < b, a; b 2 R.
Leg
atura dintre v.a. uniform repartizate pe [0; 1] si v.a. uniform repartizate pe [a; b] este exprimata n
Propozi
tia 1. Daca avem doua v.a. X
U ([0; 1]) si Y
U ([a; b]),
a < b, a; b 2 R, atunci v.a. (b a)X +a U ([a; b]), iar v.a. Yb aa U ([0; 1]) :
Demonstra
tie. Vom demonstra prima parte a propozitiei, deoarece
partea a doua poate demonstrat
a n mod similar. Or, e X U ([0; 1]) :Atunci
f.r.a v.a:(b a)X + a pentru a < b, a; b 2 R este dat
a de
F(b
a)X+a (x)
= P((b
a)X+a x) = P(X
x
b
a
)=
a
x
b
8
0; daca xb aa < 0;
<
x a
a
; daca b a 2 [0; 1] ; =
a
:
1; daca xb aa > 0; :
0; daca x < a;
daca x 2 [a; b] ;
1; daca x > b:
x a
;
b a
Aceasta nsemn
a c
a X U ([0; 1]) implic
a (b a)X + a U ([a; b]).
Problema 2. Ar
atati ca dac
aX
U ([a; b]), a < b, a; b 2 R, atunci
valoarea ei medie EX = (a+b)=2 iar dispersia (varianta) ei DX = (b a)=12.
Concluzia 1. Daca x este o realizare a v.a. X
U ([0; 1]), atunci
(b a)x + a este o realizare a v.a. Y
U ([a; b]), a < b, a; b 2 R si
viceversa, daca y este o realizare a v.a. Y
U ([a; b]), a < b, a; b 2 R,
x a
atunci b a este o realizare a v.a. X
U ([0; 1]). Aceasta nseamna ca
pentru simularea numerelor aleatoare uniforme de tip (absolut) continuu este
sucient sa putem genera doar valori ale v.a. X U [0; 1].
Urmatoarea Propozitie arata ca un generator de valori a v.a. X U ([0; 1])
este sucient si pentru generarea numerelor aleatoare uniforme de tip discret.
Propozi
tia 2. Daca v.a. X U ([0; 1]), atunci v.a.
Y =
N
X
k=0
U f0; 1; : : : ; N g;
Demonstra
tie. Observ
am ca Y este o v.a. care ia, cu probabilitatea 1,
valori din multimea f0; 1; : : : ; N g si c
a
PfY = kg = P(X 2
k
k+1
;
) = 1=(N + 1); k = 0; N .
N +1 N +1
Prin urmare Y
U f0; 1; : : : ; N g.
Propozi
tia 3. Daca (Xn )n>1 este un sir de variabile aleatoare digitale
independente identic repartizate (i.i.r.) uniform, adica Xn U f0,1g, 8n >
1, atinci v.a.
1
X
Xn
U ([0; 1]) :
Y =
n
2
n=1
Demonstra
tie. Consider
am v.a.X
1
P
Xn =2n ,
n=1
unde (Xi )i2N este un sir de v.a.digitale i.i.r. uniform repartizate, adica
P(Xi = 0) = P(Xi = 1) = 1=2; i 2 N :
fY
xg =
1
[
k= 0
"k+1 g;
x) =
1
X
"k+1 ) =
k= 0
1
X
k= 0
2 P(Xk
"k+1 ) =
1
X
(k+1)
"k+1 = x:
i= 0
Aceasta nseamn
a c
a v.a. Y este uniform repartizat
a pe [0; 1]; adic
a
din punct de vedere probabilistic v.a. X si Y au aceeasi repartitie. Drept
consecinta, v.a. X uniform repartizat
a pe [0; 1] poate reprezentat
a n forma
1
P
n
X=
Xn =2 , unde (Xi )i2N este un sir de v.a.digitale independente, idenic
n=1
1.2
fn (A) =
n(A)
numarul de probe ^{n care s a produs A
=
numarul total de probe
n
oscileaza n jurul unui numar notat cu P(A); P(A) 2 [0; 1], fn (A) devenind,
odata cu cre
sterea lui n, tot mai aproape si mai aproape de P(A)";
3) pentru doua serii diferite, respectiv de n si m probe, atunci cnd n si
m sunt foarte mari, avem ca fn (A) fm (A) .
ns
a vericarea acestor propriet
ati (pe ct de simple pe att de discutabile) nu este sucient
a. ntr-adevar, putem verica, suplimentar, dac
a
frecventia relativ
a fn (k) a numarului k oscileaz
a, odat
a cu cresterea lui n,
n jurul probabilit
atii teoretice P fX = kg = 1=10, k = 0; 9 . Putem verica
chiar si faptul ca media aritmetica a primelor n numere oscileaz
a, odat
a cu
cresterea lui n; n jurul mediei teoretice EX = 4:5. Ultima ar n deplin
a
conformitate cu Legea Numerelor Mari. n mod analog, putem verica dac
a
si dispersia de selectie a primelor n numere "tinde", odat
a cu cresterea lui
n, catre dispersia teoretic
a DX = 99=12. Toate acestea nu vor garanta, totusi, valabiltatea ipotezei c
a numerele generate reprezinta valori ale unei v.a
X
U f0; 1; : : : ; 9g. Pentru siguranta este nevoie sa apel
am la metode mai
avansate ale Statisticii Matematice.
Astfel, n cazul nostru, dac
a presupunem ca (x1 ,x2 ,...,xn ) reprezinta primele
n numere produse de GNPA, atunci din punct de vedere al Statisticii putem
considera ca acesta este un esantion de volum n extras dintr-o populatie
statistica a unei v.a. X guvernate de repartitia FX ( ) necunoscut
a. Atunci
vom putea spune ca numerele generate reprezint
a valori a unei v.a X
U f0; 1; : : : ; 9g daca in baza unui criteriu corespunz
ator de vericare a ipotezelori,
sa zicem criteriul Hi-p
atrat, este acceptata ipoteza nula H0 : FX ( ) = F0 ( )
U f0; 1; : : : ; 9g mpotriva alternativei H1 : FX ( ) 6= F0 ( ): Vericarea independentei numerelor x1 ,x2 ,...,xn , ... face parte, deasemenea, din validarea GNA.
n plus, nu putem ignora faptul ca orict de performant ar calculatorul,
putem g
asi urm
atoarea list
a cu generatoare de numere pseudoaleatoare recomandate spre aplicare n simularea statistic
a. Asa
cum se arm
a n aceast
a pagin
a "ele au perioade extrem de lungi, grad scazut
de corelare si au trecut majoritatea testelor statistice". Rutinele descrise n
aceast
a list
a fac parte din GNU Scientic Library. GNU Scientic Library
este o biblotec
a de programe scrise n limbajul de programare C pentru calcule numerice n matematica aplicat
a si stiinta.
1. Generators
1.1. gsl_rng_mt19937
The MT19937 generator of Makoto Matsumoto and Takuji Nishimura is
a variant of the twisted generalized feedback shift-register algorithm, and is
known as the "Mersenne Twister" generator. It has a Mersenne prime period
of 2^19937 - 1 (about 106000) and is equidistributed in 623 dimensions. It has
passed the Diehard statistical tests. It uses 624 words of state per generator
and is comparable in speed to other generators. The original generator used
a default seed of 4357 and choosing s equal to zero in gsl_rng_set reproduces
this.
4.Performance
The following table shows the relative performance of some of the random
number generators. The fastest simulation quality generators are taus, gfsr4
and mt19937.
1754 k ints/sec, 870 k doubles/sec, taus
1613 k ints/sec, 855 k doubles/sec, gfsr4
1370 k ints/sec, 769 k doubles/sec, mt19937
565 k ints/sec, 571 k doubles/sec, ranlxs0
Capitolul 2
MODELE (REPARTI
TII)
PROBABILISTE UZUALE
2.1
Modele (reparti
tii) probabiliste uzuale n
caz discret
n sensul c
a, stiind functia de repartitie putem restabili repartitia v.a. X si
viceversa, deoarece au loc urm
atoarele relatii:
X
FX (x) =
pi ; 8x 2 R;
(1)
xi :xi x
23
FX (xi
0); 8i > 1;
(2)
unde
FX (xi
0) = lim FX (a).
a%xi
1, t 2 R
este o form
a alternativ
a echivalenta denirii prin intermediul functiei ei de
repartitie FX .
Conform Concluziei 2 din p.1.1., cel mai important model probabilist
n caz discret este repartitia uniform
a, adic
a X
U f0,1,: : : ,N g, N 2 N,
un rol aparte la construirea algoritmilor de simulare a numerelor aleatoare
neuniforme jucndu-l repartitia digital
a uniform
a X U f0,1g.
Urm
atoarele repartitii modeleaz
a si ele clase ntregi de experimente (fenomene)
aleatoare.
2.1.1
Reparti
tia Bernoulli cu parametrul p, p 2 [0,1]
Deni
tia 1. Vom spune c
a variabila aleatoare X este repartizata Bernoulli
cu parametrul p 2 [0,1] (se noteaz
a X Bernoulli(p)), dac
a
X:
0
1
1
p
p):
Deni
tia 2. Experimentul E se numeste experiment (prob
a) Bernoulli
dac
a acesta posed
a urm
atoarele propriet
ati:
1. multimea de rezultate posibile
2.1.2
Reparti
tia binomial
a cu parametrii n
si p, n =
1,2,: : : ; p 2 [0,1]
Deni
tia 3. Vom spune c
a variabila aleatoare X este repartizata binomial
cu parametrii n 2 f1,2,: : : g si p 2 [0,1] ( se noteaz
a X Bi(n,p)); p 2 [0,1])
dac
a repartitia ei este dat
a de formula
P(X = k) = Ckn pk (1
p)n k ; k = 0; n:
P(X = k) =
n
X
Ckn pk (1
p)n
k=0
= (p + (1
p))n = 1n = 1:
Din punct de vedere teoretic, acest model descrie comportamentul probabilistic al num
arului de succese n n probe Bernoulli cu probabilitatea succesului p n ecare prob
a. Aceasta se vede din
a1
(1
1 a1
p)
a2
1 a2
(1
p)
an
Dar fX = kg = f(a1 ; a2 ; : : : ; an ) 2
n
P
j
ai = kg = Ckn . Prin urmare,
1 an
(1
p)
n
P
= pi=1
ai
(1
p)
nP
ai
i=1
n
P
ai = kg cu card f(a1 ; a2 ; : : : ; an ) 2
i=1
i=1
P(X = k) =
1
X
n
P
pi=1
ai
(1
p)
n
P
ai
i=1
a1 ;:::;an =0
a1 + +an =k
pk (1
p)n
= pk (1
p)n
1=
cardf(a1 ; a2 ; : : : ; an ) 2
Ckn pk (1
j a1 +
+ an = kgpk (1
p)n
p)n k ; k = 0; n:
; in ) 2
j card(fa 2 fi1 ; i2 ;
; in g j a 2 f1; 2;
; M gg) = kg .
M )n k .
Ck M k (N
card(A)
= n
card( )
Nn
k n.
M )n
= Ckn
M
N
n k
Exemplul 3. Consider
am aruncarea unui zar perfect de n ori, iar evenimentul faparitia fetei 6 g drept succes , probabilitatea succesului n ecare
p)n k ; k = 0; n.
p)n
5
6
Problema 2. Ar
atati c
a valoarea medie si dispersia unei v.a. X
Bi(n; p)), p 2 [0,1] sunt egale respectiv cu
EX = np; DX = np(1
p):
Indica
tie. Folositi Teorema 1, adic
a faptul ca
X=
n
X
Xk , unde Xk
k=1
Bernoulli(p)); p 2 [0;1];
si propriet
atile valorii medii si dispersiei [Leahu].
2.1.3
Reparti
tia geometric
a cu parametrul p, p 2 [0,1]
Deni
tia 4. Vom spune c
a variabila aleatoare X este repartizata geometric
cu parametrul p 2 [0,1] ( se noteaz
aX
Geom(p)) dac
a repartitia ei este
dat
a de formula
P(X = k) = p(1
p)k 1 ; k = 1; 2; : : :
p)2 + : : : )
k>1
= p
1
(1
p)
=1
Propozi
tia 1. Dac
a X este num
arul de probe Bernoulli, cu probabilitatea succesului p 2 [0,1] n ecare prob
a, efectuate pn
a la nregistrarea
primului succes,inclusiv proba n care s-a nregistrat primul succes, atunci
X~Geom(p).
p)n 1 , n = 1; : : : si m = 1; : : : :
Demonstra
tie.
P(X = n + m = x > m) =
p(1 p)m+n 1
P(X = n + m)
=
P(X = m + 1) + P(X = m + 2) + : : :
p(1 p)m + p(1 p)m+1 + : : :
p(1 p)m+n 1
p(1 p)m+n 1
=
=
=
p(1 p)m [1 + (1 p) + (1 p)2 + : : : ]
(1 p)m
p(1
p)n 1 ; 8 n; m = 1; 2; : : : .
Problem
a 3. Demonstrati c
a are loc si reciproca acestei armaitii: Daca
v.a X 2 f1; 2; : : : g si repartitia ei are proprietatea ca exista un numar p 2
[0,1] astfel nct P (X = m + n = X > m) = p(1 p)n 1 ,8 n; m = 1; 2; : : : ,
atunci X
Geom(p).
Problema 4. Ar
atati c
a valoarea medie si dispersia unei v.a. X
Geom(p), p 2 [0,1] sunt egale respectiv cu
EX = 1=p; DX = (1
p) =p2 :
Indica
tie. Sa se aplice Metoda Functiilor caracteristice sau generatoare
[Leahu]
2.1.4
Reparti
tia binomial
a cu exponent negativ
si cu
parametrii k
si p
Deni
tia 5. Vom spune c
a variabila aleatoare X este repartizata binomial
cu exponent negativ si cu parametrii k si p, k 2 N, p 2 [0,1] (se noteaz
a
X Bineg(k; p)) dac
a repartitia sa este dat
a de formula
P(X = i) = Cik+i 1 pk (1
p)i ; i = 0; 1; 2; : : :
p)i ; i = 0; 1; 2; : : :
k
X
Xk
Geom(p); p 2 [0;1]:
i=1
p) =p; DX = k (1
p) =p2 :
Indica
tie. Sa se aplice Remarca 3, propriet
atile valorii medii si dispersiei,
dar si solutia Problemei 4.
2.1.5
Reparti
tia Pascal cu parametrii k
si p
Deni
tia 6. Vom spune c
a variabila aleatoare X este repartizata Pascal
cu parametrii k si p, k 2 N, p 2 [0,1] (se noteaz
aX
P ascal(k; p)) dac
a
repartitia sa este dat
a de formula
P(X = i) = Cii k1 pk (1
p)i k ; i = 1; 2; : : :
Propozi
tia 3. Daca X este numarul de probe Bernoulli cu probabilitatea
"succesului" p 2 [0,1] n ecare proba ; pna la nregistrarea primelor k succese, inclusiv proba n care s-a produs succesul nr. k, atunci X~P ascal(k; p).
Remarca 5. Observ
am c
a pentru k = 1 repartitia P ascal(1; p) coincide
cu repartitia Geom(p), ceea ce este in cconcordanta cu Propozitiile 1 si 3.
Din Propozitia 3 rezult
a c
a
X=
k
X
i=1
Xk
Geom(p); p 2 [0;1]:
EX = k=p; DX = k (1
Problema 5. Demonstrati Propozitia 3.
2.1.6
Reparti
tia Poisson cu parametrul ,
>0
Deni
tia 7. Vom spune c
a variabila aleatoare X este repartizata Poisson
cu parametrul > 0 (se noteaz
aX
P oisson( )) dac
a repartitia sa este
dat
a de formula
k
e ; k = 0; 1; : : :
k!
Remarca 6. Denitia este corect
a deoarece
P(X = k) =
X
k>0
P(X = k) =
X
k>0
k!
=e
X
k>0
k!
=e
e = 1:
P(X = K) = Ckn pk (1
p)n
n!1
k!
; k = 1; 2; : : : :
n!
k!(n k)!
n(n
1) : : : (n
k!
p)n
(1
(1 + o(1)) 1
k
+ o( n1 )
1
o( ))n
n
1
o( )
n
k + 1)
1
(1
o( n1 ))k
e , k = 0; 1; : : : .
k!
Problema 7. Ar
atati c
a valoarea medie si dispersia unei v.a. X
P oisson( ), > 0 sunt egale respectiv cu
!
n!1
EX = DX = :
2.1.7
Reparti
tia hipergeometric
a cu parametrii N , M
si n
Deni
tia 8. Vom spune c
a variabila aleatoare X este repartizata hipergeometric cu parametrii N , M , n (se noteaz
a X~Hypergeom(N ,M ,n)) ,
M; n N dac
a repartitia ei este dat
a de formula
P(X = k) =
CkM CnN
CnN
k
M
; k = 0; min(n; M ):
CkM CnN
CnN
k
M
; k = 0; min(n; M ):
Aceasta rezult
a din
Exemplul 4 (Schema bilei nentoarse). Dintr-o urn
a ce contine M
bile rosii si N M bile albe extragem la ntmplare n bile. Ne intereseaz
a
probabilitatea c
a printre cele n bile extrase exact k bile vor rosii.
; in g j i1 6= i2 6=
6= in ; ij = 1; n ; j = 1; n
si card( ) = CnN .
Not
am prin Ak evenimentul c
a printre n bile extrase exact k bile vor
rosii:
Ak = ffi1 ; i2 ;
; in g 2
k = 0; min(n; M ):
j card (fi1 ; i2 ;
; in g \ f1; 2;
; M g) = kg ,
Conform principiului nmultirii n limbajul actiunilor, a forma o combinare din n bile astfel nct k bile s
a e de culoare rosie este echivalent cu
a realiza o actiune n 2 etape:
1. alegem k bile rosii dintre cele M bile rosii existente: aceast
a actiune se
poate realiza n CkM modalit
ati;
2. alegem n k bile albe pentru a completa pozitiile r
amase, actiune ce
n k
se poate realiza n CN M modalit
ati.
Deci probabilitatea evenimentului Ak
P(Ak ) =
C k Cn
card(Ak )
= M nN
card( )
CN
k
M
Problema 8.
Ar
atati c
a valoarea medie si dispersia unei v.a. X
Hypergeom(N ,M ,n)) , M; n N sunt egale respectiv cu
EX = n
M
M
, DX = n
N
N
M
N
N
N
n
:
1
2.2
Modele (reparti
tii) probabiliste uzuale n
caz (absolut)continuu
Modelele probabiliste n caz (absolut)continuu sunt reprezentate de variabilele aleatoare de tip (absolut)continuu si densitatea lor de repartir (d.r.).
Astfel, spunem ca X este o v.a. de tip (absolut)continuu daca exista o o
funtie fX : R ! [0; +1g si integrabila Riemann pe R, astfel nct f.r. FX a
v.a. X se exprima ca
FX (x) =
Zx
fX (u)du; 8x 2 R;
1
Zx
fX (u)du ;
dFX (x)
dx
dFX (x)
;
dx
dFX (x)
nu exista
dx
= 0:
2.2.1
Reparti
tia Simpson cu n grade de libertate
Deni
tia 1.Vom spune c
a variabila aleatoare X este repartizata Simpson cu
n grade de libertate, n 2 N (se noteaz
a X Simpson(n)) dac
a aceasta are
d.r. corespunz
atoare v.a.
n
X
X=
Xj ;
j=1
Zx
x1 )dx1 ;
atunci pentru n = 2 g
asim ca d.r. a v.a.X
x 1
fX (x) = fX1 +X2 (x) = ( + )I[
4 2
Simpson(2) este
2;0] (x)
+(
x 1
+ )I(0;2] (x):
4 2
2.2.2
Reparti
tia exponen
tial
a cu parametrul ,
> 0.
Deni
tia 2. Vom spune c
a variabila aleatoare X este repartizata exponential
cu parametrul > 0 (se noteaz
a X Exp( )) dac
a aceasta are d.r.
x
fX (x) = e
I[0;+1) (x)
sau f,r,
FX (x) = (1
)I[0;+1) (x):
Aceast
a repartitie serveste n calitate de model matematic pentru durata
vietii n unele modele matematice din Teoria Fiabilit
atii, pentru descrierea
uxului de sosire sau timpului de servre n unele modele matematice ale sistemelor de servire (asteptare) din Teoria Astept
ariii, etc. Este preferat
a n
tipurile de modele descrise mai sus nu numai pentru ca acestea sunt adecvate fenomenelor descrise , dar si pentru c
a repartitia expoential
a poseda
remarcabila proprietate redat
a n
x + t = X > t) = FX (x) = (1
)I[0;+1) (x):
Demonstra
tie. Folossind denitia probabilit
atii conditionate, avem
P(X
x + t = X > t) =
(1
P( t<X x + t )
=
P( X > t)
(t+x)
e
1
(1
(1
t)
(1 e x )
= (1 e x ); 8x > 0:
e t
Functia caracteristic
a (f.c) a v.a.X
Exp( ), > 0 , care prin denitie
p
itX
este egal
a cu 'X (t) = Ee , i =
1, coincide cu
=
'X (t) =
+1
Z
itx
e fX (x)dx =
+1
Z
eitx e
dx =
it
2.2.3
(EX)2 =
1 00
' (0)
i2 X
1
2
2.
Reparti
tii nrudite cu reparti
tia exponen
tial
a
Reparti
tia Laplace cu parametrul
Deni
tia 3.Vom spune c
a variabila aleatoare X este repartizata Laplace cu
parametrul , > 0 (se noteaz
a X Laplace( )) dac
a aceasta are d.r.
fX (x) =
jxj
; 8x 2 R.
Problema 1. Demonstrati c
a functia caracteristic
a a v.a. X
este egal
a cu
+1
Z
2
itx
'X (t) =
e fX (x)dx = 2
:
+ t2
1
Laplace( )
'X1
it + it
+ t2
>0
si k grade de libertate,
Deni
tia 4. Vom spune c
a variabila aleatoare X este repartizata Erlang
cu parametrul
> 0 si k grade de libertate, k 2 N (se noteaz
a X
Erlang(k; )) dac
a aceasta are d.r.
fX (x) = I[0;+1) (x)
( x)k 1
e
(k 1)!
sau f,r,
FX (x) = I[0;+1) (x) (1
k 1
X
( x)j
e
j!
j=0
):
Observ
am c
a pentru k = 1 repartitia Erlang(1; ) Exp( ), > 0. Mai
mult, are loc
Propozi
tia 3. Daca (Xj )j=1;k sunt v.a.i.i.r. Exp( ), > 0, atinci v.a.
X=
k
X
Xj
Erlang(k; ):
j=1
Demonstra
tie. Folosind faptul c
a v.a. repartizat
a Erlang(k; ) are f.c.
egal
a cu
+1
Z
k
k 1
itx ( x)
x
e
e I[0;+1) (x)dx =
;
(k 1)!
it
1
k
X
Xj
j=1
coincide cu
'X (t) =
it
, 8t 2 R.
j=1
'Xj (t) =
it
Xj
; 8t 2 R:
j=1
; DX =
k
2
X=
n
X
I(Z=i) Xi ;
i=1
unde (Xi )i=1;n sunt v.a.i., Xi Exp( i ), i > 0; iar v.a. Z f(i; pi )gi=1;n ,
pi = P(Z = i) > 0, I(Z=i) ind indicatorul evenimentuluifZ = ig, i = 1; n:
n
X
n
X
pi fXi (x) =
i=1
ix
pi i e
I[0;+1) (x),
i=1
sau cu f.r.
FX (x) =
n
X
pi FXi (x) =
i=1
n
X
pi (1
ie
ix
)I[0;+1) (x).
i=1
Hyperexp( 1 ,
n
n
X
X
EX = pi 1= i , DX = pi 1= 2i :
i=1
2.2.4
i=1
Reparti
tia Gamma cu parametrii ( ; ), ; > 0
Deni
tia 6. Vom spune c
a variabila aleatoare X este repartizata Gamma
cu parametrii ( ; ), ; > 0 (se noteaz
a X Gamma( ; )) dac
a aceasta
are d.r.
x 1
e x I[0;+1) (x);
fX (x) =
( )
unde
( )=
+1
Z
e x dx.
2.2.5
Reparti
tia Weibull cu parametrii ;
Deni
tia 7. Vom spune c
a variabila aleatoare X este repartizata Weibull cu
parametrii ( ; ), ; > 0 (se noteaz
a X W eibull( ; ; )) dac
a aceasta
are d.r.
1
x
x
fX (x) =
e ( ) I[0;+1) (x)
sau f.r.
x
e ( )
FX (x) = (1
)I[0;+1) (x)
Observ
am c
a, dac
aX
EX =
W eibull( ; ), atunci
"
2
1
2
1
( ); DX =
2 ( )
2 ( )
2.2.6
Reparti
tia Beta cu parametrii a
si b
Deni
tia 8. Vom spune c
a variabila aleatoare X este repartizata Beta cu
parametrii a si b, a; b > 0 (se noteaz
aX
Beta(a; b)) dac
a aceasta are
d.r.
xa 1 (1 x)b 1
fX (x) =
I[0;1] (x) ,
B(a; b)
unde B(a; b) este functia Beta ce depinde de parametrii a; b si denit
a de
formula
Z1
B(a; b) = xa 1 (1 x)b 1 dx:
0
Observ
am c
a, dac
aX
EX =
2.2.7
Reparti
tia Normal
a cu parametrii m
si
Deni
tia 9. Vom spune c
a variabila aleatoare X este repartizata Normal
2
cu parametrii m si , m 2 R,
> 0 (se noteaz
aX
N (m; 2 )) dac
a
aceasta are d.r.
(x m)2
1
fX (x) = p e 2 2
2
sau f.r.
Zx
(u m)2
1
e 2 2 du
FX (x) = p
2
1
Pe lng
a faptul c
a repartitia normala modeleaza din punct de vedere
matematic comportamentul probabilist al erorii de m
asurare, ocupnd un
loc central n prelucrarea matematic
a a datelor masur
arilor. Deasemenea,
repartizat
a normal este, de exemplu, statura unui individ dintr-o populatie
de oameni. n plus, asa cum arat
a Teorema Limit
a Central
a, in anumite
conditii, sume de v.a. au la limit
a repartitia normal
a standart, indiferent de
repartitia ecarei variabile din sum
a.
Legatura dintre repartitia normal
a standart si celelalte repartitii normale
este exprimat
a n
Propozi
tia 5. Dac
a v.a. X N (0; 1), atunci v.a.
Y = X +m
iar dac
a v.a. Y
N (m;
X=
N (m;
); 8m 2 R;
> 0;
), atunci v.a.
m
N (0; 1); 8m 2 R;
> 0:
Demonstra
tie. Fie v.a. X
N (0; 1) si m 2 R; > 0; atunci f.r. a
v.a.Y
FY (y) = P(Y
y) = P( X + m y) =
P(X
1
= p
2
La fel, e v.a. Y
N (m;
Zy
du
u= v
(v m)2
2 2
dv:
x) = P(
1
=p
2
Zx
x+m
Z
(v m)2
2 2
x) =
dv
t2
2
v= u+m
u2
2
du.
Propozi
tia 6. Functiile caracteristice ale v.a.X
), m 2 R, > 0 sunt egale, respectiv, cu
'X (t) = e
1
x + m) = p
2
P(Y
u2
2
FX (x) = P(X
1
)= p
2
N (0; 1 si Y
N (m;
2 t2
.
2
Demonstra
tie. Pentru a aa f.c. 'X (t) a v.a. X
N (0; 1) lu
am,
formal, derivata ei n raport cu t si integr
am prin p
arti:
0
10
Z+1
2
u
1
0
'0X (t) = EeitX = @ p
eitx e 2 duA =
2
1
ix
p
2
Z+1
eitx e
1
u2
2
t
du = p
2
Z+1
eitx e
u2
2
t'X (t):
t2
2
du =
t'X (t).
N (m;
X+m (t)
2
N (m;
N (m;
), m 2 R,
2 t2
.
2
), atunci
1
EX = '0Y (0) = m
i
iar
1 00
' (0) m2 = 2 + m2 m2 = 2 .
i2 Y
Un algoritm simplu de simularea v.a.X N (0; 1) rezult
a din
Exemplul 1. Fie (X1 ; X2 ) un vector cu componentele c
aruia X1 si X2
sunt v.a. independente identic normal repartizate cu parametrii 0 si 1: Interpretnd (X1 ; X2 ) ca pe un punct aleator n planul cartezian de coordonate,
ne intereseaz
a repartitia coordonatelor lui polare (R; ) ; adic
a
p
2
2
R = g1 (X1 ; X2 ) = X1 + X2 ; = g2 (X1 ; X2 ) = arctg (X2 =X1 ) :
DX =
Asadar, lund
r = g1 (x1 ; x2 ) =
obtinem
x21 + x22 ;
@r
@r
x1
x2
=p 2
;
=p 2
;
@x1
x1 + x2 @x2
x1 + x2
@
x2
@
x1
= 2
;
= 2
:
2
@x1
x1 + x2 @x2
x1 + x22
Cum
J=
=
@x1
@r
@x2
@r
x21
(x21 +
3=2
x22 )
@x1
@
@x2
@
@r
@x1
@
@x1
x22
(x21 +
3=2
x22 )
@r
@x2
@
@x2
1
=
;
r
x21 + x22
=p
rezult
a c
a densitatea de repartitie a v.a. (R; ) ;
q
1
x21 + x22 e
fR; (r; ) = fX1 ;X2 (x1 ; x2 ) jJj =
2
1
= p re
2
r2
2
2 =2
2
x2
1 +x2
2
<2 :
1
; 0 < < 2 (repartitia uniform
a pe (0; 2 )).
2
Aceasta nseamn
a c
a fR; (r; ) = fR (r)f ( ); adic
a v.a. R si sunt independente, ceea ce este surprinz
ator. Este surprinz
ator si faptul c
a unghiul
format din vectorul (X1 ; X2 ) cu axa OX1 nu depinde de distanta R a acestui
punct pn
a la origine.
Dac
a ne intereseaz
a repartitia v.a. (Z1 ; Z2 ) ; unde Z1 = R2 ; Z2 = ;
atunci aplicnd la transform
arile z1 = g1 (r; ) = r2 ; z2 = g2 (r; ) = acelasi
algoritm de calculare a d.r. a v.a. (Z1 ; Z2 ) g
asim c
a
f ( )=
1
fZ1 ;Z2 (z1 ; z2 ) = e
2
z1
2
1
; 0 < z1 < +1; 0 < z2 < 2 :
2
2 log U1 cos (2 U2 ) ; X2 =
2 log U1 sin (2 U2 )
2.2.8
Reparti
tii nrudite cu reparti
tia normal
a
Reparti
tia
(n) (Hi-p
atrat cu n grade de libertate)
Deni
tia 10. Vom spune c
a variabila aleatoare
tizata cu n grade de libertate daca
2
(n) =
n
X
Xi2 ;
i=1
2 (n)
(x) =
x2
2
n
2
( n2 )
x=2
I[0;+1) (x):
n
X
(n) = E( Xi2 ) = n;
i=1
n
X
(n) = D( Xi2 ) = 2n:
i=1
1
n
X
n
X
;
Xi2
i=1
n+1
2
, 8x 2 R,
F (n1 ; n2 ) =
n1
2 (n )
2
n2
n1 +n2
)
2
n1
n2
(2) (2)
n1
n2
n1
2
x
(1 +
n1
2
n +n
n1
x) 1 2 2
n2
n1
,
n2 2
I[0;+1) (x),
n2 > 2 .
fR (x) = xe
I[0;+1g (x);
N (0; 1),
(n),
(1) = X 2 ; R =
2 (2):
Reparti
tia Lognormal
a cu parametrii m
si 2 Deni
tia 14. Vom
spune c
a variabila aleatoare pozitiva Y este o v.a. lognormal repartizata cu
parametrii m si 2 , m 2 R,
> 0 (se noteaz
aY
LN (m; 2 )) dac
av
2
.a. X = ln Y
N (m; ):
Din denitie rezult
a ca f.r. a v.a. Y
FY (y) = P(Y
y) = 0; dac
ay
0,
iar
FY (y) = P(Y
y) = P(ln Y
N (m;
ln y) = P(X
2
ln y) = FX (ln y),
1
FY (y) = FX (ln y) = p
2
ln
Zy
(u m)2
2 2
du:
LN (m;
2.2.9
2 =2
1):
Reparti
tia de putere cu parametrii a
si b
Deni
tia 15. Vom spune c
a variabila aleatoare X este o v.a. cu repartitiia
de putere cu parametrii a si b, a,b > 0 (se noteaz
a X P ow(a; b)) dac
a
X are d.r.
fX (x) = aba xa 1 I[0;1=b]
sau f.r.:
FX (x) = (bx)a I[0;1=b] + I[1=b;+1) :
Din denitia v.a. X
P ow(a; b) rezult
a c
a valoarea medie si dispersia
ei sunt egale, respectiv, cu
a
a2
si DX = 2
.
EX =
b(a + 1)
b (a + 1)2 (a + 2)
Capitolul 3
SIMULAREA
VARIABILELOR
ALEATOARE NEUNIFORME
n acest capitol vom arata ca metodele generale de simulare a v.a.neuniforme,
dar si cele adaptate la specicul unor repartitiii (modele) aparte, au la
baz
a valori ale unei v.a. uniform repartizate, adica generatori de numere
(pseudo)aleatoare uniforme. Cu alte cuvinte, transformand/combinnd valori ale unei variabile aleatoare uniform repartizate putem obtine valori ale
unei variabile aleatoare de repartitie dat
a..
3.1
Metoda invers
arii
Aceast
a metod
a are la baza generatori de numere aleatoare uniform repartizate pe [0; 1] ;adic
a valori ale v.a. X U ([0; 1]) :
n cazul v.a. Y de tip discret metoda se bazeaza pe
Teorema 1 (Metoda invers
arii pentru generarea de v.a. n caz
discret). Daca Y este o v.a.cu repartitia f(yi ; pi )gi>1 , unde y1 < y2 < ::: <
P
yn < :::, pi = P (Y = yi ) > 0, i > 1, pi , atunci v.a.
i>1
j
X
pk > X
k=1
(i 1
X
pk < X
k=1
( i
X
k=1
i
X
k=1
unde
P1
pk > X
pk
i 1
X
)!
=P
i 1
X
k=1
pk < X 6
i
X
k=1
pk
pk = pi , i > 1,
k=1
pk = 0.
k=1
putem descrie
Algoritmul de simulare a unei v.a.de tip discret cu o mul
time
nit
a de valori posibile.
Pas 1. Intrare tabela P [1; :::; n] : P [1] ::= p1 ; :::; P [n] ::= pn .Intrare tabela
A[1; :::; n] : A[1] ::= y1 ; :::; A[n] ::= yn :
Pas 2. i := 1, S := 0
Pas 3. Gen
aram o valoare x a v.a. X U ([0; 1])
Pas 4.S = S + P [i],
Pas 5. Dac
a S < x, atunci i := i + 1 si trecem la Pas 4, n caz contrar
lu
am Y := A[i]. STOP:
Exemplul 1. Drept consecinta din Teorema 1, v.a.
Y =
0, dac
aX 1
1, dac
aX>1
p;
p;
3.1. METODA INVERSARII
51
Pas 2. Veric
am dac
a este ndeplinit
a conditia x
1 p: daca DA,
atunci Y = 0, n caz contrar Y = 1:STOP
.
Remarca 1. Teorema 1 furnizeaza, de fapt, un algoritm universal
pentru simularea v.a. de tip discret, dar aceasta nu inseamn
a c
a acesta fa
si un algoritm ecient. Drept argument aducem cateva exemple.
Exemplul 2. Fie Y
Bi(n; p); p 2 [0; 1]. Din Teorema 1, desprindem ca
esential pentru simularea unei valori a v.a.Y; esential este vericarea conditiei
i 1
X
pk < x 6
k=1
i
X
pk ;
k=1
pk = Ckn pk (1
p)n k ; k = 0; n.
n
X
k=1
Xk
Atunci obtinem
Algoritmul de simulare a unei v.a. Y
Bi(n; p); p 2 [0; 1] :
Pas1. Simul
am, succesiv, n valori a x1 ,x2 ,...,xn a v.a.X Bernoulli(p)); p 2
[0;1] (vezi Algoritmul anterior).
n
X
Pas 2. Lu
am Y =
xk . STOP.
k=1
Exemplul 5. Tinnd
Exemplul 6. Tinnd
3.1. METODA INVERSARII
53
Pas 0. R := 0, A = 0, m := 0.
Pas1. Luam probabilitatea p = NMA RR .
Pas 2. Simul
am o valoare x a v.a. X Bernoulli(p)):
Pas 3 Dac
a x = 0, atunci (bila extras
a este alb
a), A := A + 1, n caz
contrar, dac
a x = 1, R := R + 1.
Pas 4 m := m + 1 ; Dac
a m < n, atunci trecem la Pasul 1, n caz contrar
PRINT(A; R):STOP.
Teorema 1 poate aplicat
a si n cazul v.a.. de tip discret cu o multime
innit
a num
arabil
a de valori posibile atunci cnd repartitia este data de o
formul
a general
a cum ar
Exemplul 7..Fie v.a Y
P oisson( ), > 0 , adic
a
k
P(Y = k) =
k!
; k = 0; 1; : : : ;
y!+1
n plus, propriet
atile 1o 3o sunt propriet
ati caracteristice functiilor de
repartitie n sensul ca orice functie F cu aceste propriet
ati este functie de
repartitie a unei v.a. Or, prin f.r. vom intelege orice functie F ce posed
a
o
o
propriet
atile 1 3 [Leahu].
Fie, asa dar, o v.a.denit
a de f.r.F : R7!R.
Deni
tia 1. Vom numi inversa f.r. F functia F 1 denit
a conform
regulei
F 1 (t) = min fx j F (x) > tg ; 8 0 < t < 1.
Teorema 2. (Metoda invers
arii pentru generarea de v.a. n caz
general).
P(Z
y) = P(F
(X)
y) =
)I[0;+1) (y):
. Atunci
FY 1 (t) = min fy j FY (y) > tg = min y
min fy j y >
ln(1
t)g =
1
1
ln(1
>t =
t).
ln(1
X
1
X)
Exp( );
> 0,
ln X
Exp( );
> 0;
fapt ce justic
a
Algoritmul de simulare a unei v.a. Y
Exp( ); > 0 :
Pas 1. Genaram o valoare x a v.a. X U ([0; 1]).
Pas 2. Lu
am Y := 1 ln x. STOP.
La fel, ne putem baza pe Teorema 2 si n cazul v.a. Y
W eibull(1; ),
1
> 0, cunoscnd faptul ca inversa FY a f.r. FY este dat
a de formula
FY 1 (u) = ( ln u)1= , u 2 (0; 1).
Or, putem descrie
Algoritmul de simulare a unei v.a. Y
W eibull(1; ),
Pas 1. Genaram o valoare x a v.a. X U ([0; 1]).
>0
3.1. METODA INVERSARII
55
Pas 2. Lu
am Y := ( ln x)1= . STOP.
Remarca 3. n baza Algoritmului de simulare a unei v.a. Y Exp( ); >
0; putem, cu usurinta, construi Algoritmi de simulare a repartitiilor nrudite
cu repartitia exponential
a.
Exemplul 9. Fie v.a. Y
Laplace( ), , > 0. Tinnd
cont de faptul
ca v.a. Y = X1 X2
Laplace( ), , > 0, dac
a X1 , X2 sunt v.a.i.i.r.
Exp( ) (vezi Propozitia 2 din Capitolul 2.2) putem descrie
Algoritmul de simulare a unei v.a. Y
Laplace( );
>0
Exp( ).
x2 . STOP.
cont de
faptul ca v.a. Y = X1 + ::: + Xk Erlang(k; ), > 0, dac
a X1 ,..., Xn sunt
v.a.i.i.r. Exp( ) (vezi Propozitia 3 din Capitolul 2.2) putem descrie
Algoritmul de simulare a unei v.a. Y
Laplace( );
Pas 1. Genar
am 2 valori succesive x1 ,x a v.a. X
>0
U ([0; 1]).
Pas 2. Lu
am Y := x1 + x2 . STOP.
Exemplul 11. Fie Z o v.a. repartizat
a hiperexponential cu parametrii
n
P
si p1 , p2 , ....pn , i ; pi > 0, 8i = 1; n ,
pi = 1, adic
a Z
1,
2 , .... n
i=1
Hyperexp( 1 ,
2,
....
n ; p1 ,
Pas 0. Intrare tabele P [1; :::; n] : P [1] ::= p1 ; :::; P [n] ::= pn ; I[1; :::; n] :
I[1] ::= 1; :::; I[n] ::= n; L[1; :::; n] : L[1] ::= 1 ; :::; L[n] ::= n
Pas 1. Genaram o valoare i a uneiri v.a. X
Pas 2. Gener
am o valoare y a v.a. Yi
STOP.
f(i; pi )gi=1;n .
P oisson(L[i]) si lu
am Z := y.
3.2
Aceast
a metod
a se aplic
a variabilelor aleatoare X a c
aror repartitie satisface
urm
atoarea
Deni
tie [V
aduva]. F.r. F (x) este o amestecare (compunere sau mixtura) discreta a multimii de f.r. fFi (x)gi>1 cu repartitia discreta
J:
X
1; 2; :::; j; :::
, pj > 0;
pi = 1;
p1 ; p2 ; :::; pj ; :::
i>1
dac
a
F (x) =
pi Fi (x)
i>1
F.r. F (x) este o amestecare continua a familiei de f.r. fG(x; Y )gY 2R cu f.r.
continua H(y) a lui Y dac
a
Z
F (x) = G(x; y)dH(y);
R
jxj
Se observ
a c
a
f (x) = p1 f1 (x) + p2 f2 (x), p1 = p2 =
1
= 0:5:
2
3.2. METODA COMPUNERII SAU AMESTECARII
57
F (x) =
g(x; y)h(y)dy:
ba y a 1
e
(a)
by
I[0;+1) (y)
ye
yx b
a a 1
y
e
(a)
by
ba
dy = I[0;+1) (x)
(a)
+1
Z
yae
y( x+b)
dy =
ba (a + 1)
aba+1
a
I
(x)
=
I[0;+1) (x) =
, unde
[0;+1)
a+1
a+1
(a)( x + b)
b( x + b)
( x + b)a+1
+1
Z
ax
dx.
a
, unde
( x + b)a+1
Repartitia cu aceast
a d.r. se numeste repartitie Lomax si daca stim parametrii pozitivi , b, a, atunci simularea ei se realizeaz
a cu Algoritmul Compunerii continue cu conditia s
a cunoastem un algoritm de simulare a repartitiei Gamma(b; a).
Exemplele de mai sus ilustreaz
a cteva cazuri particulare cnd se poate
aplica metoda compunerii.
Teorema urm
atoare ne asigur
a, totusi, metoda compunerii discrete se
poate aplica n general.
Teorem
a [V
aduv
a]. Fie X o v.a. cu d.r. fX (x) concentrata pe
R,
m
iar ( i )i=1;m o partitie a lui , adica
= [ i , i \ j = ;, 8i 6= j,
i=1
m
X
pi fi (x).
i=1
Demonstra
tie. Este sucient s
a lu
am
fi (x) =
fX (x)
I i .(x); 8i = 1; m.
pi
59
m
X
m
X
fX (x)
fX (x) =
pi fi (x). =
pi
I i .(x) =
pi
i=1
i=1
m
X
fX (x) I i .(x) = fX (x)I .(x) = fX (x),
i=1
deoarece fX (x) = 0; 8 x 2
=
3.3
Metoda respingerii
xg jf0
P(AB)
.
P(B)
Dar
P(B) =
Z1
0f (v)=
Z
@
h(v)
duA h(v)dv =
Z1
f (v)
1
h(v)dv = , 1 <
h(v)
< 1.
Deci
P(A = B) =
Zx
0f (v)=
Z
@
h(v)
duA h(v)dv =
Zx
f (v)
h(v)dv =
h(v)
Zx
f (v)dv.
( )
n vederea determin
arii constantei
r(x) =
f (x
=
h(x)
I[0;+1) (x).
a nf
asur
atoarei anliz
am raportul
1
e
( )
x+x
61
e (1 )
,
( + 1)
1=(1
=(1
de unde rezult
a
Capitolul 4
METODA MONTE CARLO
Metoda Monte Carlo poate denita ca ind metoda de simulare a variabilelor aleatoare n scopul calcularii caracteristicilor si repartitiilor lor. Evident, simularea este realizat
a, de regul
a, cu ajutorul calculatorului, chiar
daca in unele cazuri sunt suciente dispozitive de tip rulet
a sau un creion si
hrtie.
Ideia imit
arii fenomenelor aleatoare n scopul realiz
arii unor calcule aproximative este consemnat
a pentru prima dat
a n anul 1873 in lucrarea lui A.
Hall "On an experimental determination of
", Messeng. Math. Vol. 2,
pp.113-114, care viza determinarea num
arului cu ajutorul arunc
arii unui
ac pe o suprafata plana marcat
a cu linii paralele. Esenta acestei idei rezid
a
n reproducerea experimental
a a unui eveniment, probabilitatea c
aruia se exprima prin si care poate aproximata prin intermediul frecventei relative a
acestui eveniment intr-un num
ar sucient de mare de astfel de probe. Ideea
ind att de veche, ea a putut aplicat
a la rezolvarea unor probleme cu
caracter practic doar odata cu paritia calculatoarelor electronice. Creatori
ai Metodei Monte Carlo sunt considerati matematicienii americani J. von
Neuman si S. Ulam, aceasta ind descris
a explicit prima dat
a n lucrarea
lui Metropolis N. si Ulam S., The Monte Carlo method, J. Amer. statistical
assoc., Vol.44, nr. 247, pp.335-341. Bazndu-se pe valabalitatea Principiului regularit
atii statistice, metoda foloseste, in general, rezultate din Teoria
Probabilit
atilor si Statistica Matematic
a, iar n mod special Legea Numerelor
Mari si Teorema Limit
a Central
a.
.
63
64
4.1
lim
n
P
Xk
= 0;
k=1
k=1
c < 1; 8n
un sir de
1;
Consecin
ta 3. (Legea slab
a a numerelor mari n forma Poisson).
Fie Sn numarul de aparitii ale unui eveniment A n n experimente independente si pk este probabilitatea acestui eveniment n proba de rang k 1;
atunci
n
P
lim P Snn n1
pk 6 " = 1, 8 " > 0.
n!1
k=1
CENTRALA65
n!1
Sn
n
n!1
Sn
n
2
k =
n
P
si Fk (x)
f.r. a v.a. Xk :
k=1
atunci
P
Sn ESn
p
<x
DSn
1
! (x) = p
2
Zx
1
u2
e 2 du; 8x 2 R.
66
n
X
k=1
E jXk
mk j2+ ! 0; n ! 1; 8 > 0;
atunci
P
Sn ESn
p
<x
DSn
n!1
(x):
Consecin
ta 2. (Teorema Limita Centrala pentru v.a.i.i.r.)
Daca (Xn )n 1 sunt v.a. independente identic repartizate cu m = EX1 si
dispersia 0 < 2 DX1 < 1; atunci
P
Sn
ES
p n <x
n
n!1
(x):
Consecin
ta 3. (Teorema Limita Centrala pentru v.a. independente si
uniform marginite).
Daca (X1 )n 1 sunt v.a. independente si astfel nct pentru orice n
1
jXn j
K < 1;
Sn ESn
p
<x
DSn
n!1
(x):
Consecin
ta 4. (Teorema Moivre-Laplace).
Daca (Xn )n 1 sunt v.a. independente identic Bernoulli repartizate cu
P (Xn = 0) = q = 1 p; P (Xn = 1) = p; n 1; atunci
P
Sn np
<x
p
npq
n!1
(x):
4.2. METODA MONTE CARLO: SCHEMA GENERALA
4.2
67
GENERALA
Problema de baz
a la care se refer
a Metoda Monte Carlo este, de regul
a, o
problem
a de estimare a valorii medii unei variabile aleatoare, adic
a a Integralei Lebesgue in raport cu o m
asur
a probabilist
a indus
a de aceast
a variabil
a. Problema apare in mod resc atunci cnd aceast repartitie, ind
destul de complicat
a, nu poate exprimat
a analitic, dar in schimb avem la
dispozitie suciente date statistice sau realiz
ari ale v.a. n cauz
a. n literatura de specialitate este cel mai bine studiat cazul cnd aceast
a variabila
posed
a si dispersie.
Or, schema cea mai simpla rezid
a n urm
atoarele. Avem o v.a. X despre
care se stie c
a exist
a valoarea medie EX = m si dispersia DX = 2 . Presupunem ca X este o functie cunoscut
a de k v.a. ale c
aror repartitii sunt
cunoscute. Prin urmare, genernd valori ale v.a. ce compun v.a. X, putem
benecia de N realiz
ari independente x1 ,x2 ,....,xN , ale lui X. In conformitate
cu Legea Numerelor Mari, este resc sa estim
am valoarea lui m cu ajutorul
mediei de selectie
N
1X
xi .
x=
N i=1
Din Statistica Matematica este cunoscut faptul ca x este un estimator nedeplasat, consistent si chiar de dispersie minimala n multe cazuri.
In plus, bazndu-ne pe Teorema Limit
a Central
a, pentru N sucient de
N
P
mare, putem spune ca suma SN =
xi va , aproximativ, normal repari=1
tizat
a cu media N m si dispersia N 2 . Aceasta nseamn
a ca pentru orice
2 (0; 1)
!
N
x1 =2
1 X
'1
,
P
xi m 6 p
N i=1
N
x1
p
=2
,x +
x1
p
=2
68
x1
In aceast
a situatie apare, totusi, o problem
a: in expresia intervalului de
ncredere gureaz
a o m
arime necunoscut
a . Pentru a sc
apa de aceast
a dicultate observ
am c
a
N
1 X
2
s =
(xi x)2
N 1 i=1
4.2. METODA MONTE CARLO: SCHEMA GENERALA
69
BIBLIOGRAFIE
1. A. Leahu, Probabilitati, Edit. "Ovidius" University Press, Constanta,
2000, pp. 171
2. A. Leahu, Statistica descriptiva si probabilitati discrete, Curs pe suport
electronic
3. I. V
aduva, Modele si simulare, Edit. Univ. Bucuresti, 2004, pp.190
4. F.Gorunescu, A. Prodan, Modelare stochastica si simulare, Edit. Albastra, Cluj, 2001,
pp.372
5. Hand-book on STATISTICAL DISTRIBUTIONS for experimentalists,
http://www.physto.se/~walck/suf9601.pdf
6. Computer Generation of Statistical Distributions,
http://ftp.arl.mil/random/random.pdf
7. http://www.xycoon.com/continuousdistributions.htm