Tehnici Simulare Statistica Curs

1
Prof.univ.dr.Alexei LEAHU
TEHNICI DE SIMULARE STATISTICA
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
Variabile aleatoare (v.a.) uniforme
Simularea (generarea) numerelor intmpl

atoare (uniform repartizate),
cu alte cuvinte simularea realiz
arilor de valori ale unei variabile aleatoare
uniform repartizate cu ajutorul calculatorului este echivalent
a cu simularea
unuia din urmatoarele doua experimente aleatoare:
a) Alegerea unui numar la ntmplare din multimea de numere f0; 1; :::; N g,
N ind numar ntreg mai mare sau egal ca 1;
b) Alegerea unui numar la ntmplare din multimea de numere
fx j x 2 [0; 1]g sau fx j x 2 [a; b] ; a < b, a; b 2 Rg :
Efectuarea experimentului a) este echivalent
a, de exemplu, cu efectuarea urmatorului experiment zic: alegerea la ntamplare a unei bile dintr-o
urna cu N + 1 bile numerotate de la 0 pn
a la N . Numarul X ales, astfel,
spunem ca este o variabila aleatoare discreta uniform repartizata. Mai exact,
putem formula
Deni
tia 1. Vom spune c
a variabila aleatoare X este repartizata uniform
pe f0,1,: : : N g, N 2 N si se noteaza X
U f0,1,: : : ,N g daca X 2 X =
f0,1,: : : N g si probabilitatile PfX = kg = 1=(N +1); k = 0; N . n particular,
dac
a numarul de valori posibile a v.a. X este egal cu N + 1 = 2, atunci
5
6CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

spunem c
a X este o v.a. digitala uniform repartizata, iar daca.N + 1 = 1,
adica N = 0, atunci spunem c
a X este o v.a. degenerata, deoarece in acest
caz PfX = 0g = 1:
Or, n experimenrul de mai sus sintagma "alegerea la ntamplare" exprim
a faptul c
a ecare num
ar are aceeasi sans
a (probabilitate) de a ales,
denumirea de "uniform
a" atasata repartitiei corespunz
atoare indicnd asupra
echiprobabilit
atii valorilor posibile ale v.a. X. Mai mult, avnd un generator
de valori a v.a. X
U f0,1,: : : ,N g putem simula orice v.a. Y cu valori
echiprobabile din multima Y = fa0 ; a1 ::::; aN g, adic
a PfY = kg = 1=(N + 1),
k = 0; N , N 2 N. ntr-adevar, este sucient sa stabilim o bijectie de forma,
s
a zicem k ! ak , k = 0; N , N 2 N. Aceast
a procedur
a este folosita pe
larg in Statistica la esantionare, daca dorim ca valoarea inclus
a n esantion
sa e cu adev
arat ntmpl
atoare.
Problema 1. Ar
atati ca dac
a X
U f0,1,: : : ,N g, atunci valoarea ei
medie EX = N=2 iar dispersia (varianta) ei DX = [(N + 1)2 1]=12:
Efectuarea experimentului b) este echivalent
a, de exemplu, cu efectuarea urmatorului experiment imaginar: alegerea (sau aruncarea) la ntamplare a unui punct pe segmentul [0; 1] sau segmentul [a; b] , a < b, a; b 2 R.
Numarul X ind coordonata punctului astfel ales, spunem ca X este o variabila aleatoare de tip (absolut) continuu, uniform repartizata. Mai exact,
putem formula
Deni
tia 2. Vom spune c
a variabila aleatoare X este repartizata uniform
pe segmentul [0; 1] si se noteaz
a X
U ([0; 1]), dac
a X are densitatea de
repartitie (d.r) fX (x) = I[0;1] (x), unde I[0;1] (x) este indicatorul segmentului
[0; 1], adica
0; daca x 2
= [0; 1] ;
I[0;1] (x) =
1; daca x 2 [0; 1] :
Dac
a v.a. X are d.r.
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;
1.1. VARIABILE ALEATOARE (V.A.) UNIFORME
cazul ind (absolut) continuu, coincide cu

8
< 0; daca x < 0;
x; daca x 2 [0; 1] ;
FX (x) =
:
1; daca x > 0;
dac
aX
U ([0; 1]) sau cu
FX (x) =
daca X
8
<
:
0; daca x < a;
daca x 2 [a; b] ;
1; daca x > b;
x a
;
b a
U ([a; b]), a < b, a; b 2 R.
Experimentul cu alegerea la ntmplare a unui punct pe segmentul [a; b],

a < b, a, b 2 R, se ncadreaz
a perfect n Denitia probabilitatii geometrice
[Leahu, Probabilit
ati]. Acesta este modelat din punct de vedere matematic
de cmpul de probabilitate ( ; F; P), unde spatiul de evenimente elementare
= [a; b], cmpul de evenimente ( algebra) F coincide cu familia submultimilor boreliene din [a; b], adic
a F = B([a; b]), iar m
asura probabilist
a
P este dat
a de formula
P(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

8
<
:
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
kI[ k ; k+1 ) (X)

N +1 N +1
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
U ([0; 1]) si v.a Y =
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 :
1.1. VARIABILE ALEATOARE (V.A.) UNIFORME
Evident, Y 2 [0; 1]: n plus, deoarece P

pentru orice x 2 [0; 1]; exist
a
i
("i )i2N ; "i 2 f0; 1g; i 2 N astfel nct x =
"i =2 ; rezult
a c
a
i2N
fY
xg =
1
[
fX1 = "1 ; :::; Xk = "k ; Xk+1
k= 0
"k+1 g;
unde evenimentele ce fac parte din reuniune sunt incompatibile dou

a cte
dou
a. Deci,
P(Y
x) =
1
X
P(X1 = "1 ; :::; Xk = "k ; Xk+1
"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
uniform repartizate, independente chiar dac

a, dat
a ind originea lor, ele sunt
legate ntre ele.
Dealtfel, Propozitia 3 arata ca independenta n sens probabilist este mai
larga dect independenta n sens intuitiv.
Concluzia 2. Propozitia 3, coroborat
a cu Concluzia 1, arat
a, de fapt,
ca pentru simularea oricarui tip de v.a. uniform repartizate este sucient sa
avem un Generator de numere digitale uniforme cu proprietatea ca acestea
sa e independente in sens probabilist. Cu alte cuvinte, ea arata ca numerele aleatoare uniform repartizate pe [0; 1] pot simulate prin intermediul
arunc
arii repetate a unei monede "perfecte", considernd ca rezultatul unei
aruncari este num
arul 0, daca apare "stema" sau 1, daca apare "banul".
Probleme
1. Fie X
U f0,1,: : : ,N g, N 2 N. Demonstrati c
a v.a. Y = N
U f0,1,: : : ,N g, adic
a v.a. X si Y sunt echivalente.

2. Fie X; Y doua v.a.i., X; Y
U f0,1,: : : ,N g. Aati repartitia v.a.
X +Y.
3. Fie X U ([0; 1]). Demonstrati c
a v.a. Y = 1 X U ([0; 1]), adic
a
v.a. X si Y sunt echivalente.
1.2
Generatori de numere (pseudo) aleatoare

uniforme.
Prin Generator de numere aleatoare (GNA) vom ntelege un mecanizm

zic (experiment aleator real) sau un algoritm realizat cu ajutorul calculatorului care produce (simuleaza) valori independente (sau slab dependente)
ale unei variabile aleatoare uniform repartizate. n calitate de exemplu de
Generator bazat pe un experiment aleator real putem considera generarea de
numere aleatoare cu ajutorul aruncarii unei monde "perfecte"sau zar "perfect", unei rulete folosite la jocurile de noroc, contorului Gheigher care inregistreaza particulele emise aleator de o substanta radioactiva, bruiajul unui
aparat de radio, etc. Acestia ind cunoscuti sub denumirea de Generatori
veritabili de numere aleatoare (Real Random Number Generators) sunt, totusi costisitori si greoi din punct de vedere al aplicatiilor.
n cursul nostru vom aborda numai GNA pe baza de soft. Cum orice
algoritm realizat in mod programatic cu ajutorul calculatorului este predictibil, adic
a determinist, rezulta ca nu putem spune c
a numerele produse
astfel sunt cu adev
arat aleatoare. Aici se potriveste urm
atorul citat: "Oricine
crede n metode aritmetice de producere a numerelor aleatoare comite un
pacat"[J. von Neumann, 1951]. Totusi exista, dup
a cum vom vedea, algoritmi, pentru care sirul de numere produse cu ajutorul sofului corespunz
ator
poseda, cu o anumit
a exactitate, propriet
atile unui sir de numere aleatoare.
n aceste cazuri spunem ca avem de a face cu un Generatori de numere
pseudo-aleatoare (GNPA).
Chiar dac
a stim c
a stim ca un GNPA produce numere dup
a un algoritm
prestabilit, apare ntrebarea reasca: ce propriet
ati trebuie sa satisfac
a aceste
numere ca s
a putem spune, de exemplu, ca acestea reprezint
a valori a unei v.a
X U f0; 1; : : : ; 9g? n primul este necesar ca procesul producerii de numere
s
a aib
a, din punct de vedere al observatorului (altul dect programatorul
1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.11

algoritmului) propriet
atile regularit
atii statistice.
Amintim ca E este un experiment aleator ce posed
a proprietatea regularitatii (stabilitatii) statistice daca::
0) rezultatul acestui experiment nu poate anticipat cu certitudine;
1) E poate reprodus ori de cte ori dorim practic n acelea
si conditii;
2) pentru orice eveniment A asociat lui E frecventa lui relativa n n
probe
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,

faptul ca lungimea cuvntului de calculator este, totus nit
a, implica, spre exemplu, imposibilitatea construirii unui algoritm ideal care sa genereze numere
uniform repartizate pe [0; 1], deoarece nu se vor regasi nici unul din numerele
acestui interval care se descriu ca fractii zecimale innite. Din acelea-si motive, GNPA vor avea defectul de a produce o secventa de numere care se va
repeta ciclic, prin urmare, periodicitatea ind inerenta oric
arui GNPA, este
de dorit ca aceasta secventa sa e cat mai lunga. Drept conrmare a faptului
ca lansarea unui nou GNPA trebuie sa e anticipat
a de o analiza matematic
a
grijulie a caracterului "sucient de aleator" a numerelor generate serveste si
avertismentul cunoscutului specialist in programarea calculatoarelor Donald
E. Knuth care n cartea sa "The Art of Computer Programming, Volume
2: Seminumerical Algorithms, 3rd edition (Addison-Wesley, Boston, 1998)"
scrie : "Numerele aleatoare nu trebuie generate printr-o metoda aleasa la
ntmplare". Considerentele aduse arat
a nu numai ct de dicil
a este problematica GNA uniforme, dar arata si care sunt aspectele principale de care
trebuie sa tinem cont la validarea oric
arui GPNA, inclusiv validarea generatorilor prezentati n continuare.
Pe Internet, la adresa:
http://en.wikipedia.org/wiki/
List_of_pseudorandom_number_generators#gsl_rng_mt19937
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.

For more information see:
Makoto Matsumoto and Takuji Nishimura, "Mersenne Twister: A 623dimensionally equidistributed uniform pseudorandom number generator".
ACM Transactions on Modeling and Computer Simulation, Vol. 8, No. 1
(Jan. 1998), Pages 3-30
The generator gsl_rng_19937 uses the second revision of the seeding
procedure published by the two authors above in 2002. The original seeding
procedures could cause spurious artifacts for some seed values. They are
still available through the alternate generators gsl_rng_mt19937_1999 and
gsl_rng_mt19937_1998.
1.2. gsl_rng_ranlxs0, gsl_rng_ranlxs1, gsl_rng_ranlxs2
The generator ranlxs0 is a second-generation version of the RANLUX
algorithm of Lscher, which produces "luxury random numbers". This generator provides single precision output (24 bits) at three luxury levels ranlxs0, ranlxs1 and ranlxs2. It uses double-precision oating point arithmetic
internally and can be signicantly faster than the integer version of ranlux,
particularly on 64-bit architectures. The period of the generator is about
10^171. The algorithm has mathematically proven properties and can provide truly decorrelated numbers at a known level of randomness. The higher
luxury levels provide additional decorrelation between samples as an additional safety margin.
1.3. gsl_rng_ranlxd1, gsl_rng_ranlxd2
These generators produce double precision output (48 bits) from the
RANLXS generator. The library provides two luxury levels ranlxd1 and
ranlxd2.
1.4. gsl_rng_ranlux, gsl_rng_ranlux389
The ranlux generator is an implementation of the original algorithm developed by Lscher. It uses a lagged-bonacci-with-skipping algorithm to
produce "luxury random numbers". It is a 24-bit generator, originally designed for single-precision IEEE oating point numbers. This implementation is based on integer arithmetic, while the second-generation versions
RANLXS and RANLXD described above provide oating-point implementations which will be faster on many platforms. The period of the generator
is about 10^171. The algorithm has mathematically proven properties and
it can provide truly decorrelated numbers at a known level of randomness.
The default level of decorrelation recommended by Lscher is provided by
gsl_rng_ranlux, while gsl_rng_ranlux389 gives the highest level of randomness, with all 24 bits decorrelated. Both types of generator use 24 words of

state per generator.
M. Lscher, "A portable high-quality random number generator for lattice
eld theory calculations", Computer Physics Communications, 79 (1994) 100110.
F. James, "RANLUX: A Fortran implementation of the high-quality
pseudo-random number generator of Lscher", Computer Physics Communications, 79 (1994) 111-114
1.5. gsl_rng_cmrg
This is a combined multiple recursive generator by LEcuyer. Its sequence
is:
zn = (xn - yn)(mod m1)
where the two underlying generators xn and yn are:
xn = (a1xn - 1 + a2xn - 2 + a3xn - 3)(mod m1)
yn = (b1yn - 1 + b2yn - 2 + b3yn - 3)(mod m2)
with coe cients a1 = 0, a2 = 63308, a3 = -183326, b1 = 86098, b2 = 0,
b3 = -539608, and moduli m1 = 231 - 1 = 2147483647 and m2 = 2145483479.
The period of this generator is 2205 (about 1061). It uses 6 words of state
per generator. For more information see:
P. LEcuyer, "Combined Multiple Recursive Random Number Generators," Operations Research, 44, 5 (1996), 816822.
1.6. gsl_rng_mrg
This is a fth-order multiple recursive generator by LEcuyer, Blouin and
Coutre. Its sequence is:
xn = (a1xn - 1 + a5xn - 5)(mod m)
with a1 = 107374182, a2 = a3 = a4 = 0, a5 = 104480 and m = 231 - 1.
The period of this generator is about 1046. It uses 5 words of state per
generator. More information can be found in the following paper:
P. LEcuyer, F. Blouin, and R. Coutre, "A search for good multiple recursive random number generators", ACM Transactions on Modeling and
Computer Simulation 3, 87-98 (1993).
1.7. gsl_rng_taus, gsl_rng_taus2
This is a maximally equidistributed combined Tausworthe generator by
LEcuyer. The sequence is:
xn = (s1n ^^s2n ^^s3n)
where:
s1{n+1} = (((s1n&4294967294)<<12)^^(((s1n<<13)^^s1n)>>19))
s2{n+1} = (((s2n&4294967288)<< 4)^^(((s2n<< 2)^^s2n)>>25))

s3{n+1} = (((s3n&4294967280)<<17)^^(((s3n<< 3)^^s3n)>>11))
computed modulo 232. In the formulas above ^^denotes "exclusive-or".
Note that the algorithm relies on the properties of 32-bit unsigned integers
and has been implemented using a bitmask of 0xFFFFFFFF to make it work
on 64 bit machines.
The period of this generator is 2^88 (about 10^26). It uses 3 words of
state per generator. The generator gsl_rng_taus2 uses the same algorithm as
gsl_rng_taus but with an improved seeding procedure; because of this, the
generator gsl_rng_taus2 should now be used in preference to gsl_rng_taus.
P. LEcuyer, "Maximally Equidistributed Combined Tausworthe Generators", Mathematics of Computation, 65, 213 (1996), 203213.
P. LEcuyer, "Tables of Maximally Equidistributed Combined LFSR Generators", Mathematics of Computation, 68, 225 (1999), 261269
1.8. gsl_rng_gfsr4
The gfsr4 generator is like a lagged-bonacci generator, and produces
each number as an xord sum of four previous values.
rn = r{n-A} ^^r{n-B} ^^r{n-C} ^^r{n-D}
Zi (ref below) notes that "it is now widely known" that two-tap registers
(such as R250, which is described below) have serious aws, the most obvious
one being the three-point correlation that comes from the denition of the
generator. Nice mathematical properties can be derived for GFSRs, and
numerics bears out the claim that 4-tap GFSRs with appropriately chosen
osets are as random as can be measured, using the authors test.
This implementation uses the values suggested the example on p392 of
Zis article: A=471, B=1586, C=6988, D=9689.
If the osets are appropriately chosen (such as the one ones in this implementation), then the sequence is said to be maximal; that means that the
period is 2D - 1, where D is the longest lag. (It is one less than 2D because it
is not permitted to have all zeros in the ra[] array.) For this implementation
with D=9689 that works out to about 102917.
Note that the implementation of this generator using a 32-bit integer
amounts to 32 parallel implementations of one-bit generators. One consequence of this is that the period of this 32-bit generator is the same as for
the one-bit generator. Moreover, this independence means that all 32-bit
patterns are equally likely, and in particular that 0 is an allowed random
value. (We are grateful to Heiko Bauke for clarifying for us these properties
of GFSR random number generators.)

Robert M. Zi, "Four-tap shift-register-sequence random-number generators", Computers in Physics, 12(4), Jul/Aug 1998, pp 385-392.
2.Unix random number generators

The standard Unix random number generators rand, random, and rand48,
are provided as part of GSL. Although these generators are widely available
individually, often they are not all available on the same platform. This
makes it di cult to write portable code using them. Note that the generators
below do not produce high-quality randomness and are not suitable for work
requiring accurate statistics. However, if statistical quantities are not being
measured and simple variation is all that is needed, these generators are
considered quite acceptable.
2.1. gsl_rng_rand
This is the BSD rand() generator. Its sequence is
with a = 1103515245,c = 12345 and m = 231. The seed species the
initial value, x1. The period of this generator is 231, and it uses 1 word of
storage per generator.
2.2. gsl_rng_random_bsd, gsl_rng_random_libc5, gsl_rng_random_glibc2
These generators implement the random() family of functions, a set of
linear feedback shift register generators originally used in BSD Unix. There
are several versions of random() in use today: the original BSD version (e.g.
on SunOS4), a libc5 version (found on older GNU/Linux systems) and a
glibc2 version. Each version uses a dierent seeding procedure, and thus
produces dierent sequences.
The original BSD routines accepted a variable length buer for the generator state, with longer buers providing higher-quality randomness. The
random() function implemented algorithms for buer lengths of 8, 32, 64, 128
and 256 bytes, and the algorithm with the largest length that would t into
the user-supplied buer was used. To support these algorithms additional
generators are available with the following names,
gsl_rng_random8_bsd
gsl_rng_random32_bsd
where the numeric su x indicates the buer length. The original BSD
random function used a 128-byte default buer and so gsl_rng_random_bsd

has been made equivalent to gsl_rng_random128_bsd. Corresponding versions of the libc5 and glibc2 generators are also available, with the names
gsl_rng_random8_libc5, gsl_rng_random8_glibc2, etc.
2.3. gsl_rng_rand48
This is the Unix rand48 generator. Its sequence is:
x_{n+1} = (a x_n + c) mod m
dened on 48-bit unsigned integers with a = 25214903917, c = 11 and
m = 2^48. The seed species the upper 32 bits of the initial value, x_1,
with the lower 16 bits set to 0x330E. The function gsl_rng_get returns the
upper 32 bits from each term of the sequence. This does not have a direct
parallel in the original rand48 functions, but forcing the result to type long int
reproduces the output of mrand48. The function gsl_rng_uniform uses the
full 48 bits of internal state to return the double precision number x_n/m,
which is equivalent to the function drand48. Note that some versions of the
GNU C Library contained a bug in mrand48 function which caused it to
produce dierent results (only the lower 16-bits of the return value were set).
3. Other random number generators

The generators in this section are provided for compatibility with existing
libraries. If you are converting an existing program to use GSL then you
can select these generators to check your new implementation against the
original one, using the same random number generator. After verifying that
your new program reproduces the original results you can then switch to a
higher-quality generator.
Note that most of the generators in this section are based on single linear
congruence relations, which are the least sophisticated type of generator. In
particular, linear congruences have poor properties when used with a nonprime modulus, as several of these routines do (e.g. with a power of two
modulus, 2^31 or 2^32). This leads to periodicity in the least signicant bits
of each number, with only the higher bits having any randomness. Thus, to
produce a random bitstream, it is best to avoid using the least signicant
bits.
3.1. gsl_rng_ranf
This is the CRAY random number generator RANF. Its sequence is
x_{n+1} = (a x_n) mod m
dened on 48-bit unsigned integers with a = 44485709377909 and m =
2^48. The seed species the lower 32 bits of the initial value, x_1, with the
lowest bit set to prevent the seed taking an even value. The upper 16 bits of

x_1 are set to 0. A consequence of this procedure is that the pairs of seeds
2 and 3, 4 and 5, etc produce the same sequences.
The generator compatible with the CRAY MATHLIB routine RANF. It
produces double precision oating point numbers which should be identical
to those from the original RANF.
There is a subtlety in the implementation of the seeding. The initial state
is reversed through one step, by multiplying by the modular inverse of a mod
m. This is done for compatibility with the original CRAY implementation.
Note that you can only seed the generator with integers up to 2^32, while
the original CRAY implementation uses non-portable wide integers which can
cover all 2^48 states of the generator.
The function gsl_rng_get returns the upper 32 bits from each term of
the sequence. The function gsl_rng_uniform uses the full 48 bits to return
the double precision number x_n/m.
The period of this generator is 2^46.
3.2. gsl_rng_ranmar
This is the RANMAR lagged-bonacci generator of Marsaglia, Zaman
and Tsang. It is a 24-bit generator, originally designed for single-precision
IEEE oating point numbers. It was included in the CERNLIB high-energy
physics library.
3.3. gsl_rng_r250
This is the shift-register generator of Kirkpatrick and Stoll. The sequence
is
x_n = x_{n-103} ^^x_{n-250}
where ^^denote "exclusive-or", dened on 32-bit words. The period of
this generator is about 2^250 and it uses 250 words of state per generator.
S. Kirkpatrick and E. Stoll, "A very fast shift-register sequence random
number generator", Journal of Computational Physics, 40, 517-526 (1981)
3.4. gsl_rng_tt800
This is an earlier version of the twisted generalized feedback shift-register
generator, and has been superseded by the development of MT19937. However, it is still an acceptable generator in its own right. It has a period of
2^800 and uses 33 words of storage per generator.
Makoto Matsumoto and Yoshiharu Kurita, "Twisted GFSR Generators
II", ACM Transactions on Modelling and Computer Simulation, Vol. 4, No.
3, 1994, pages 254-266.

3.5. gsl_rng_vax
This is the VAX generator MTH$RANDOM. Its sequence is:
x_{n+1} = (a x_n + c) mod m
with a = 69069, c = 1 and m = 2^32. The seed species the initial value,
x_1. The period of this generator is 2^32 and it uses 1 word of storage per
generator.
3.6. gsl_rng_transputer
This is the random number generator from the INMOS Transputer Development system. Its sequence is:
x_{n+1} = (a x_n) mod m
with a = 1664525 and m = 2^32. The seed species the initial value,
x_1.
3.7. gsl_rng_randu
This is the IBM RANDU generator. Its sequence is:
x_{n+1} = (a x_n) mod m
x_1. The period of this generator was only 2^29. It has become a textbook
example of a poor generator.
3.8. gsl_rng_minstd
This is Park and Millers "minimal standard" MINSTD generator, a simple linear congruence which takes care to avoid the major pitfalls of such
algorithms. Its sequence is:
x_{n+1} = (a x_n) mod m
with a = 16807 and m = 2^31 - 1 = 2147483647. The seed species the
initial value, x_1. The period of this generator is about 2^31.
This generator is used in the IMSL Library (subroutine RNUN) and in
MATLAB (the RAND function). It is also sometimes known by the acronym
"GGL" (Im not sure what that stands for).
Park and Miller, "Random Number Generators: Good ones are hard to
nd", Communications of the ACM, October 1988, Volume 31, No 10, pages
1192-1201.
3.9. gsl_rng_uni, gsl_rng_uni32
This is a reimplementation of the 16-bit SLATEC random number generator RUNIF. A generalization of the generator to 32 bits is provided by
gsl_rng_uni32. The original source code is available from NETLIB.
3.10. gsl_rng_slatec

This is the SLATEC random number generator RAND. It is ancient. The
original source code is available froim NETLIB.
3.11. gsl_rng_zuf
This is the ZUFALL lagged Fibonacci series generator of Peterson. Its
sequence is:
t = u_{n-273} + u_{n-607} u_n = t - oor(t)
The original source code is available from NETLIB. For more information
see:
W. Petersen, "Lagged Fibonacci Random Number Generators for the
NEC SX-3", International Journal of High Speed Computing (1994).
3.12. gsl_rng_borosh13
This is the Borosh, Niederreiter random number generator. It is taken
from Knuths Seminumerical Algorithms, 3rd Ed., pages 106-108. Its sequence is:
x_{n+1} = (a x_n) mod m
x_1.
3.13. gsl_rng_coveyou
This is the Coveyou random number generator. It is taken from Knuths
Seminumerical Algorithms, 3rd Ed., Section 3.2.2. Its sequence is:
x_{n+1} = (x_n (x_n + 1)) mod m
with m = 2^32. The seed species the initial value, x_1.
3.14. gsl_rng_shman18
This is the Fishman, Moore III random number generator. It is taken
from Knuths Seminumerical Algorithms, 3rd Ed., pages 106-108. Its sequence is:
x_{n+1} = (a x_n) mod m
with a = 62089911 and m = 2^31 - 1. The seed species the initial value,
x_1.
3.15. gsl_rng_shman20
This is the Fishman random number generator. It is taken from Knuths
Seminumerical Algorithms, 3rd Ed., page 108. Its sequence is:
x_{n+1} = (a x_n) mod m
x_1.
3.16. gsl_rng_shman2x
This is the LEcuyerFishman random number generator. It is taken from
Knuths Seminumerical Algorithms, 3rd Ed., page 108. Its sequence is:

z_{n+1} = (x_n - y_n) mod m
with m = 2^31 - 1. x_n and y_n are given by the shman20 and
lecuyer21 algorithms. The seed species the initial value, x_1.
3.17. gsl_rng_knuthran2
This is a second-order multiple recursive generator described by Knuth
in Seminumerical Algorithms, 3rd Ed., page 108. Its sequence is:
x_n = (a_1 x_{n-1} + a_2 x_{n-2}) mod m
with a_1 = 271828183, a_2 = 314159269, and m = 2^31 - 1.
3.18. gsl_rng_knuthran
This is a second-order multiple recursive generator described by Knuth in
Seminumerical Algorithms, 3rd Ed., Section 3.6. Knuth provides its C code.
3.19. gsl_rng_lecuyer21
This is the LEcuyer random number generator. It is taken from Knuths
Seminumerical Algorithms, 3rd Ed., page 106-108. Its sequence is,
x_{n+1} = (a x_n) mod m
x_1.
3.20. gsl_rng_waterman14
This is the Waterman random number generator. It is taken from Knuths
Seminumerical Algorithms, 3rd Ed., page 106-108. Its sequence is:
x_{n+1} = (a x_n) mod m
x_1.
3.21. msvc_net_2003
Microsoft Visual C++ (.net, version 2003) uses the following function for
rand():
seed = seed * 214013L + 2531011L;
x_{n+1} = (seed >> 16) & 0x7f;
seed is a 32-bit number and is initialized to 1.
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

490 k ints/sec, 389 k doubles/sec, mrg
407 k ints/sec, 297 k doubles/sec, ranlux
243 k ints/sec, 254 k doubles/sec, ranlxd1
238 k ints/sec, 215 k doubles/sec, cmrg
247 k ints/sec, 198 k doubles/sec, ranlux389
141 k ints/sec, 140 k doubles/sec, ranlxd2
1852 k ints/sec, 935 k doubles/sec, ran3
Capitolul 2
MODELE (REPARTI
TII)
PROBABILISTE UZUALE
2.1
Modele (reparti
tii) probabiliste uzuale n
caz discret
Modelele probabiliste discrete sunt reprezentate de variabilele aleatoare de

tip discret si repartia lor. Astfel, spunem ca X este o v.a. de tip discret
daca exista o multime nita sau innita cel mult numarabila X
R astfel
nct X ia valori din X cu probabilitatea 1, adica. P (X 2 X) = 1. Or,
putem considera ca X = fx1 ; x2 ; :::; xn ; :::g, unde x1 < x2 < ::: < xn < :::. n
genere comportamentul probabilist al unei v.a. X poate modelat din punct
def
de vedere matematic cu ajutorul functiei ei de repartitie (f.r.) FX (x) =
P(X x), 8x 2 R. n caz discret, ns
a, aceast
a form
a de modelare poate
nlocuit
a cu repartitia v.a. care prin denitie este sirul de perechi f(xi ; pi )gi>1
sau tabloul
x1 ; x2 ; :::; xn ; :::
X:
;
p1 ; p2 ; :::; pn ; :::
P
unde pi = P(X = xi ) >0 si
pi = 1. Aceste dou
a forme sunt echivalente
i>1
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
24 CAPITOLUL 2. MODELE (REPARTITII)

PROBABILISTE UZUALE
pi = P(X = xi ) = FX (xi )
FX (xi
0); 8i > 1;
(2)
unde
FX (xi
0) = lim FX (a).
a%xi
Remarca 1. Din Formula de inversiune [Leahu], rezulta c

a, att n cazul
discret ct n cazul (absolut) continuu, denirea v.a. X prin intermediul
functiei ei caracteristice
def
'X (t) = EeitX ; i =
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
Acest model descrie,din punct de vedere matematic, experimentul Bernoulli.

Problema 1. Ar
atati c
a valoarea medie si dispersia unei v.a. X
Bernoulli(p)), p 2 [0,1] sunt egale respectiv cu
EX = p; DX = p(1
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
= fsucces, insuccesg = f1,0g;
2. probabilitatea succesului p este aceeasi n ecare prob

a, p 2 [0; 1];
2.1. MODELE (REPARTITII)

PROBABILISTE UZUALE N CAZ DISCRET25
3. rezultatele unei probe nu inuenteaz
a rezultatele celorlalte probe.
Exemplul 1. n calitate de exemple de probe Bernoulli putem lua aruncarea monedei o singur
a dat
a, unde "succes" putem considera, de pild
a,
aparitia stemei, deasemenea, aruncarea zarului o singur
a data, unde "succes"
putem considera, de pild
a, aparitia unui num
ar par de puncte. n genere,
orice experiment aleator E poate considerat experiment Bernoulli dac
a ne
intereseaz
a doar producerea sau nu a evenimentului A asociat experimentului E, adic
a producerea evenimentului A o consider
am succes iar producerea evenimentului A -insucces, cu conditia ca acest experiment s
a poat
a
repetat independendent unul de altul. ntr-adevar, lund
= fA,Ag,
p = P (A) 2 [0,1], probele ind independente, vom aveea un experiment
Bernoull.
Dac
a not
am cu X num
arul de succese ntr-o prob
a Bernoulli, obtinem
repartitia
0
1
X:
1 p p
n concluzie, repartitia digital
a uniform
a este un caz particular al repartitiei Bernoulli(p) atunci cnd p = 1=2.
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:
Remarca 2. Denitia este corect

a deoarece
n
X
k=0
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

PROBABILISTE UZUALE
Teorema 1. Daca X este num
arul de succese n n probe Bernoulli cu
probabilitatea succesului p 2 [0,1] n ecare prob
a, atunci X Bi(n,p).
Demonstra
tie. Spatiul de evenimente elementare corespunz
ator repet
arii
unui experiment Bernoulli de n ori este
= f(a1 ,a2 ,: : : ,an ) j ai = 0,1,
i = 1; ng. Asa dar, notnd cu 1 succesul si 0 insuccesul, orice rezultat poate
reprezentat ca o secventa de zerouri si unit
ati de forma a1 , a2 , : : : , an ,
evenimentele Ai = fproba i se va solda cu rezultatul ai g ind independente,
iar P(Ai ) = pai (1 p)1 ai , i = 1; n. Prin urmare
Pf(a1 ; a2 ; : : : ; an )g = P(A1 A2 : : : An ) =
p
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
a1 ;:::;an =0;1:a1 + +an =k
1=
a1 ;:::;an =0;1:a1 + +an =k
cardf(a1 ; a2 ; : : : ; an ) 2
Ckn pk (1
j a1 +
+ an = kgpk (1
p)n
p)n k ; k = 0; n:
Notnd prin Xi numarul de succese in proba Bernoulli nr. 1, deducem

urm
atoarea
Consecin
ta
. Daca (Xi )i=1;n sunt v.a.i.i.r. Bernoulli(p)), p 2 [0,1],
atunci v.a. X = X1 + X2 + ::: + Xn Bi(n,p).
Exemplul 2 (Schema bilei ntoarse). Dintr-o urn
a ce contine N bile,
dintre care M bile rosii si N M bile albe extragem la ntmplar una cte una
n bile, cu ntoarcerea bilei n cutie dup
a ce not
am culoarea ei. S
a se calculeze
probabilitatea c
a printre n bile extrase, exact k sunt rosii, 0 k n.
Folosirea expresiei "la ntmplare" ne permite calculul acestei probabilit
ati folosind denitia clasic
a. Numerot
am bilele rosii de la 1 la M si bilele

albe de la M + 1 la N . Atunci spatiul evenimentelor elementare posibile se
scrie astfel:
= (i1 ; i2 ;
; in ) j ij = 1; N; j = 1; n
ntruct extragerea bilelor se face cu ntoarcere, este posibil ca la o realizare
a experimentului o bil
a s
a e extras
a de mai multe ori. Construirea unui
element din poate privit
a ca realizarea unei actiuni n n etape, la etapa
k completndu-se pozitia k, k = 1; n. ntruct pentru ecare pozitie exist
a
exact N posibilit
ati de a alege o bil
a, cardinalul acestei multimi
card( ) = N n :
Evenimentul A = fprintre n bile extrase exact k vor rosiig se poate scrie
ca
A = f(i1 ; i2 ;
; in ) 2
j card(fa 2 fi1 ; i2 ;
; in g j a 2 f1; 2;
; M gg) = kg .
Dar un sir ordonat (i1 ; i2 ;

; in ) 2 A se poate construi n trei etape succesive:
1.din n locuri posibile se aleg k pozitii pe care vom aseza bilele rosii, etap
a
k
care poate realizat
a n Cn modalit
ati;
2.complet
am cele k pozitii alese la pasul anterior cu bile rosii, adic
a cu
numere din multimea f1; 2;
; M g, numere care se pot repeta. Aceast
a
k
etap
a se poate realiza n M modalit
ati;
3.complet
am pozitiile r
amase, n num
ar de n k, cu numere din multimea
fM + 1; M + 2;
; N g. Aceast
a etap
a se realizeaz
a n (N M )n k modalit
ati.
Conform principiului nmultirii rezult
a c
a valoarea
card(A) = Ckn M k (N
M )n k .
Prin urmare probabilitatea evenimentului A:

P(A) =
0
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

PROBABILISTE UZUALE
prob
a ind egal
a cu p = Pf6g = 61 . Dac
a X este num
arul de arunc
ari n care
apare fata 6, atunci
p)n k ; k = 0; n.
Probabilitatea, spre exemplu, c

a fata 6 nu apare niciodat
a
P(X = 0) = Cn0 p0 (1
p)n
5
6
Problema 2. Ar
atati c
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; : : :

a deoarece
X
p(1 p)k 1 = p(1 + (1 p) + (1
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).

Demonstra
tie. Evenimentele Ai = fproba i se va solda cu succesg ind independente, iar P(Ai ) = p, i 1, avem ca P(X = k) = P(A1 A2 : : : Ak 1 Ak ) =
P(A1 )P(A2 ) : : : P(Ak 1 )P(Ak ) = p(1 p)k 1 ; dac
a n num
arul X este inclus
a si proba n care s-a produs succesul, k > 1.
Teorema 2 (Proprietatea lipsei memoriei pentru reparti
tia geometric
a). Dac
a X~Geom(p), p 2 [0,1], adic
a P(X = k) = p(1 p)k 1 ,
k = 1; 2; : : : , atunci
P(X = n + m = x > m) = p(1
p)n 1 , n = 1; : : : si m = 1; : : : :
Demonstra
tie.
P(X = n + m = x > m) =
P(fX = n + mg \ fX > mg)

=
P(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
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; : : :

PROBABILISTE UZUALE
Propozi
tia 2. Daca X este numarul de insuccese n probe Bernoulli
cu probabilitatea "succesului" p 2 [0,1] n ecare proba ; pna la nregistrarea
primelor k succese, atunci X~Bineg(k; p).
Remarca 4. Observ
am c
a
P(X = i) = Cik+i 1 pk (1
p)i ; i = 0; 1; 2; : : :
este termenul general al dezvolt

arii n serie a expresiei pk (1 p) k , fapt care
explic
a si denumirea de repartitie binomiala cu exponent negativ. n plus,
din Propozitia 2 rezult
a c
a
X=
k
X
Xk
Bineg(k; p), unde Xk
Geom(p); p 2 [0;1]:
i=1
Problema 5. Demonstrati Propozitia 2.

Problema 6. Ar
atati c
a valoarea medie si dispersia unei v.a. X~Bineg(k; p),
k 2 N, p 2 [0,1] sunt egale respectiv cu
EX = k (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
P ascal(k; p), unde Xk
Geom(p); p 2 [0;1]:

Or, folosind propriet
atile valorii medii si dispersiei, deducem c
a
p) =p2 :
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!
a deoarece
P(X = k) =
X
k>0
P(X = k) =
X
k>0
k!
=e
X
k>0
k!
=e
e = 1:
Din punct de vedere teoretic, acest model descrie:

num
arul de bacterii descoperite ntr-o pic
atur
a de ap
a;
num
arul de particule radioactive emise ntr-o unitate de timp de o
substanta radioactiv
a;
num
arul de erori comise de un programator ntr-un program de lungime
dat
a;
num
arul de erori de tipar descoperite ntr-o pagin
a de carte;
num
arul de bombe pe km2 cazute n orasul Londra n timpul celui de
al doilea R
azboi Mondial, s.a.
Repartitia Poisson poate folosit
a, n anumite conditii, la aproximarea
repartitiei binomiale. ntr-adev
ar are loc
Teorema 3 (Teorema limit
a Poisson). Dac
a X Bi(n; p), n ! 1,
p ! 0, astfel nct np ! , > 0, atunci
k
P(X = K) = Ckn pk (1
p)n
n!1
k!
; k = 1; 2; : : : :

PROBABILISTE UZUALE
Demonstra
tie. Din ipoteza rezult
a c
a p poate scris p =
pentru n sucient de mare. Deci
1
+ o( )
n
n
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
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 ):
Din punct de vedere teoretic, acest model modeleaz

a experimentul n care
dispunem de o urn
a n care se aa N bile, dintre care M bile rosii si N M
bile albe si din care extragem la ntmplare far
a repetare n bile. Dac
a X este
num
arul de bile rosii printre n bile extrase;atunci variabila X are distributia
P(X = k) =
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.

Sintagma "la ntmplare" este esential
a ntruct aceasta indic
a asupra
echiprobabilit
atii evenimentelor elementare. Drept consecinta putem aplica
denitia clasic
a a probabilit
atii.
Vom considera bilele rosii numerotate de la 1 la M si bilele albe numerotate de la M + 1 la N . Atunci spatiul de evenimente elementare asociat
acestui experiment se poate scrie ca:
= fi1 ; i2 ;
; 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
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

PROBABILISTE UZUALE
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
functia fX numindu-se densitate de repartitie a v.a. X. S

i n acest caz
comportamentul probabilist al unei v.a. X poate modelat din punct de
vedere matematic cu ajutorul functiei ei de repartitie (f.r.) FX (x), 8x 2 R.
n caz (absolut)continuu, ns
a, aceast
a form
a de modelare poate nlocuit
a
cu densitatea de repartitie fX a v.a. Aceste dou
a forme sunt echivalente
n sensul c
a, stiind functia de repartitie putem restabili repartitia v.a. X si
viceversa. ntr-adev
ar, prin denitie
FX (x) =
Zx
fX (u)du ;
dar tot din denitie rezult

a ca
fX (x) =
derivata
adic
a
dFX (x)
dx
dFX (x)
;
dx
existand cu exceptia unei multim de masur

a Lebesgue nul
a,
x2R
dFX (x)
nu exista
dx
= 0:
Ca si in caz discret, prima pe lista este repartitia uniform

a pe [a; b];
a; b 2 R, a < b, adic
a v.a. X
U ([a; b]); un rol aparte la construirea
algoritmilor de simulare a numerelor aleatoare neuniforme jucnd modelul
X U ([0; 1]).

PROBABILISTE UZUALE N CAZ (ABSOLUT)CONTINUU35
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
unde Xj , j = 1; n, sunt v.a.i.i.r.U ([0; 1]):

Folosind formula convolutiei pentru aarea d.r. fX1 +X2 (x) a doua v.a.i.Xj ,
j = 1; 2, si anume formula
fX1 +X2 (x) =
Zx
fX1 (x1 )fX2 (x
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
Cum valoarea medie si dispersia unei v.a. uniform repartizate pe [0; 1]

sunt egale respectiv cu 1=2 si 1=12, rezult
a c
a daca v.a.X Simpson(n),
atunci EX = n=2, DX = n=12.
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

PROBABILISTE UZUALE
Propozi
tia 1 (Proprietatea lipsei memoriei sau postac
tiunii).
Dac
a v.a. X Exp( ), > 0, atunci
P(X
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
Prin urmare valoarea medie si dispersia v.a. X sunt egale, respectiv cu

1
1
EX = '0X (0) = ;
i
DX = EX 2
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( )

Pentru simularea unei v.a. X Laplace( ) putem folosi
Propozi
tia 2. Daca X1 ; X2 sunt v.a.i.i.r.Exp( ), > 0, atunci v.a.
X = X1 X2 Laplace( ).
Demonstra
tie. Folosind metoda functiilor caracteristice, este sucient
s
a ar
at
am ca f.c. a v.a. X1 X2 coincide cu f.c. a v.a. X Laplace( ):
Dar,
2
'X1
X2 (t) = 'X1 (t)'
X2 (t) = 'X1 (t)'X2 ( t) =
it + it
+ t2
Din acasta Propozitie rezult

a c
a aloarea medie si dispersia v.a. X
Laplace( ) sunt egale, respectiv, cu E(X1 X2 ) = 0 si D(X1 X2 ) = D(X1
X2 ) = 22 .
Reparti
tia Erlang cu parametrul
k2N
>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

PROBABILISTE UZUALE
este sucient sa ar
at
am ca f.c. 'X (t) a v.a.
X=
k
X
Xj
j=1
coincide cu
'X (t) =
it
, 8t 2 R.
Dar f.c. a v.a. Xj

, j = 1; k:
it
Prin urmare, folosind proprietatea f.c. pentru sume nite de v.a.i., avem
'Xj (t) =
'X (t) = 'X

(t) =
k
j=1
'Xj (t) =
it
Xj
; 8t 2 R:
j=1
Evident, din Propozitia 2 si propriet

atile valorii medii si dispersiei rezulta
ca, daca v.a. X Erlang(k; ), > 0 , k 2 N , atunci
EX =
; DX =
k
2
Repartitia Erlang, ca si repartitia exponential

a reprezint
a un caz particular a unei repartitii mai generale si anume.
Reparti
tia Hiperexponen
tial
a
Deni
tia 5. Vom spune c
a variabila aleatoare X este repartizata hiperexponential cu parametrii 1 , 2 , .... n si p1 , p2 , ....pn , i ; pi > 0, 8i = 1; n ,
n
P
pi = 1 (se noteaz
a X Hyperexp( 1 , 2 , .... n ; p1 , p2 , ....pn )) dac
a
i=1
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:

Cu alte cuvinte, X
Hyperexp( 1 , 2 , .... n ; p1 , p2 , ....pn ) dac
a X =
Xi
Exp( i ) cu probabilitatea pi , i = 1; n:Aceasta inseamn
a c
a X este o
v.a. cu d.r.
fX (x) =
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
Drept consecinta, deducem c

a valoarea medie si dispersia v.a. X
2 , .... n ; p1 , p2 , ....pn ) sunt egale, respectiv, cu
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.
Astfel, Gamma( ; 1) Exp( ); Gamma( ; k) Erlang(k; ).

Repartitia Gamma( ; ) poate ntlnit
a, ndeosebi, n modelele matematice din Teoria Fiabilit
atii att ca repartitie a duratelor de functionare, ct si
ca repartitie a duratelor de reparatie. Observ
am c
a, dac
a X Gamma( ; ),
atunci
EX = ; DX = 2 :
O alt
a repartitie cu multiple aplicatii practice este

PROBABILISTE UZUALE
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 ( )
Repartitia Weibull poate utilizat

a n abilitate att ca repartitie a duratei de functionare, mai ales ca repartitie a duratei de mbatrnire.
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 =
Beta(a; b), atunci

a
ab
; DX =
:
2
a+b
(a + b) (a + b + 1)
Pentru simularea unei v.a. Beta repartizate este importanta

Propozi
tia 4 [?]. Daca X1 ; X2 sunt v.a.i. repartizate, respectiv, Gamma(1; a)
1
si Gamma(1; b), atunci v.a. X1X+X
Beta(a; b):
2

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
n cazul X N (0; 1) spunem c

a v.a. X are repartitia gaussian
a sau normala
standart, adica are d.r.
x2
1
'(x) = p e 2
2
sau f.r.
Zx
u2
1
(x) = p
e 2 du
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) =

PROBABILISTE UZUALE
y m
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
), atunci f.r. a v.a X
FX (x) = P(X
1
)= p
2
si 'Y (t) = eitm
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
Or, 'X (t) este solutie a ecuatiei diferentiale

'0X (t) =
Cum 'X (0) = 1, rezult
a ca 'X (t) = e
t'X (t):
t2
2
du =
t'X (t).

Consecin
ta
. Valoarea medie si dispersia v.a.Y
> 0 sunt egale, respectiv, cu
EX = m, DX =
Demonstra
tie. Daca Y
propriet
atile f.c., deducem c
a
'Y (t) = '
n concluzie, dac
aY
N (m;
X+m (t)
2
N (m;
N (m;
), m 2 R,
), atunci folosind Propozitia 3 si
= eitm 'X ( t) = eitm
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 ;
= g2 (x1 ; x2 ) = arctg(x2 =x1 );
@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

PROBABILISTE UZUALE
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
; 0 < r < +1; 0 <
Prin urmare repartitiile marginale ale v.a. R si

fR (r) = r er
2 =2
2
x2
1 +x2
2
<2 :
sunt egale respectiv cu
; 0 < r < +1 (repartitia lui Rayleigh),
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
Asadar, Z1 = R2 si Z2 = ; ind independente, sunt repartizate respectiv

exponential cu parametrul 1=2 si uniform pe (0; 2 ) :
Remarca 1. Acest rezultat poate servi la argumentarea unui algoritm
de similare (generare) a v.a. normal (standard) repartizate, dar si a v.a..
repartizate Rayleigh , avnd la baz
a valori a unei v.a. uniform repartizate.
ntr-adev
ar, e U1 si U2 v.a. independente identic uniform repartizate pe
(0; 1) : Atunci R2 = 2 log U1 si
= 2 U2 ; ind v.a. independente, vor
repartizate respectiv, exponential cu parametrul 1=2 (ceea ce se veric
a calculnd P ( 2 log U1 x)) si uniform pe (0; 2 ) : Asadar, dac
a R2 = 2 log U1
va interpretat
a ca p
atratul distantei vectorului aleator (X1 ; X2 ) iar ca
unghiul format din acest vector cu axa Ox1 atunci
X1 =
2 log U1 cos (2 U2 ) ; X2 =
2 log U1 sin (2 U2 )

vor v.a. independente identic normal (standard) repartizate, deoarece

X1 = R cos ; X2 = R sin
si sunt valabile rezultatele stabilite anterior.
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
(n) este Hi-patrat repar-
Xi2 ;
i=1
unde X1 ; X2 ; :::; Xn sun v.a.i.i.r. N (0; 1):

Densitatea de repartitie a v.a. 2 (n) este egal
a cu
n
2 (n)
(x) =
x2
2
n
2
( n2 )
x=2
I[0;+1) (x):
Or, comparnd d.r. ce corespund repartitiilor Gamma( ; ) si Hi-p

atrat cu n
grade de libertate, deducem c
a ultima coincide cu repartitia Gamma(1=2; n=2).
n plus, stiind c
a pentru X
N (0; 1) avem EX 2 = 1, EX 4 = 3, DX 2 =
4
2 2
EX
(EX ) , din Denitia 4 deducem c
a
E
n
X
(n) = E( Xi2 ) = n;
i=1
n
X
(n) = D( Xi2 ) = 2n:
i=1

PROBABILISTE UZUALE
Reparti
tia Student cu n grade de libertate
Deni
tia 11. Vom spune c
a variabila aleatoare T (n) este Student repartizata cu n grade de libertate daca
T (n) = s
1
n
X
n
X
;
Xi2
i=1
unde X si X1 ; X2 ; :::; Xn sun v.a.i.i.r. N (0; 1).

D.r. a.v.a. T (n) este
( n+1
)
2
fT (n) (x) = n p
(1 + x)
(2) n
n+1
2
, 8x 2 R,
iar valoarea medie si dispersia sunt egale, respectiv, cu ET (n) = 0 si DT (n) =

n=(n 2):
Reparti
tia Fisher-Snedecor cu n1
si n2 grade de libertate
Deni
tia 12. Vom spune c
a variabila aleatoare F (n1 ; n2 ) are repartitia
Fisher-Snedecor cu n1 si n2 grade de libertate daca
2 (n )
1
F (n1 ; n2 ) =
n1
2 (n )
2
n2
unde 2 (n1 ) si 2 (n2 ) sun v.a.i.Hi-p

atrat repartizate, respectiv cu n1 si n2
grade de libertate
.
D.r. a.v.a. F (n1 ; n2 ) este
fF (n1 ;n2 ) (x) =
n1 +n2
)
2
n1
n2
(2) (2)
n1
n2
n1
2
x
(1 +
iar valoarea medie este egal

a cu EF (n1 ; n2 ) =
n1
2
n +n
n1
x) 1 2 2
n2
n1
,
n2 2
I[0;+1) (x),
n2 > 2 .

Reparti
tia Rayleigh
Deni
tia 13. Vom spune c
a variabila aleatoare
p R este o v.a.2 Rayleigh
2 (2), unde
repartizata (se noteaz
a R Rayleigh) dac
aR=
(2) este o
v.a. Hi-P
atrat repartizat
a cu 2 grade de libertate.
Din analiza exemplului
a
p 1, rezult
2 log X , unde X U [0; 1], are repartitia Rayleigh.
Propozi
tia 6. V.a..
Or, de aici rezult
a c
a v.a. R Rayleigh are d.r.
x2
2
fR (x) = xe
I[0;+1g (x);
iar valoarea medie si dispersia sunt egale, respectiv, cu

r
ER =
si DR = (2
):
2
2
Observ
am c
a ntre v.a. X
urm
atoarele relatii
N (0; 1),
T 2 (n) = F (1; n); F (n; 1) =
(n),
(n) , T (n); F (n1 ; n2 ) si R exist

a
2
(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
unde FX (x) este f.r. a v.a.X
N (m;
ln y) = P(X
2
ln y) = FX (ln y),
). Deci, pentru y > 0;
1
FY (y) = FX (ln y) = p
2
ln
Zy
(u m)2
2 2
du:
De unde, derivnd FY (y) n raport cu y, aam ca d.r. a v.a. Y

2
) este
(ln y m)2
1
2 2
fY (y) = p e
:
y 2
LN (m;

PROBABILISTE UZUALE
Calculnd integralelele corespunz
atoare, n care se fac schimb
ari de variabile
potrivite, deducem c
a valoarea medie si dispersia sunt egale, respectiv, cu
EY = em+
2.2.9
2 =2
siDY = e2m+ =(e
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
Z = min yj 2 fy1 ; y2 ; :::g

unde X
j
X
pk > X
k=1
U ([0; 1]), are aceea

si repartitie ca si v.a. Y .
49
50CAPITOLUL 3. SIMULAREA VARIABILELOR ALEATOARE NEUNIFORME

Demonstra
tie. Evident P(Z 2 fy1 ; y2 ; :::g) = 1, prin urmare putem
deni probabilit
atile
(
)
!
j
X
P(Z = yi ) = P min yj 2 fy1 ; y2 ; :::g
pk > X = yi =
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
Drept consecinta din aceast

a Teorem
a, atunci cnd v.a. Y este dat
a de
repartitia
n
X
pi = 1;
f(yi ; pi )gi=1;n ; pi > 0;
i=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;
are repartitia Bernoulli(p), p 2 [0; 1]:dac

a X
U ([0; 1]), Astfel, putem
descrie
Algoritmul de simulare a unei v.a. Y
Bernoulli(p), p 2 [0; 1].
Pas 1. Genaram o valoare x a v.a. X U ([0; 1]).

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
unde x este o realizare a v.a. X
i
X
pk ;
k=1
U ([0; 1]), iar
pk = Ckn pk (1
p)n k ; k = 0; n.
Evident, mult mai simplu este sa ne baz

am pe faptul ca v.a.
Y =
n
X
k=1
Xk
Bi(n; p), dac

a Xk sunt v.a.i.i.r.Bernoulli(p)); p 2 [0;1].
Atunci obtinem
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
Remarca 2. Implicit, se subntelege c

a valorile v.a. uniform repartizate
generate succesiv pot considerate valori ale unui sir de v.a.i.i.repartizate
uniform. Aceasta este o conditie impusa Generatorilor de numere (pseudo)aleatoare
uniforme. Prin urmare si Algoritmul de simulare a v.a. neuniforme va avea
aceeasi proprietate.
Exemplul 3. n mod analog, tinnd cont de faptul ca repartitia geometric
a modeleaza din punct de vedere matematic numarul Y de probe
Bernoulli (cu probabilitatea "succesului" p in ecare prob
a , p 2 [0; 1]),
pn
a la nregistrarea primului "succes", putem descrie
Geom(p); p 2 [0; 1] :
Pas 0. Consider
am Y = 0.
Pas1. Simul
am o valoare x a v.a. X Bernoulli(p)); p 2 [0;1]:

Pas 2. Daca x = 0 ("insucces"), atunci luam Y = Y + 1 si trecem la
Pasul 1, n caz contrar luam Y = Y + 1. STOP
Exemplul 4. Tinnd
cont de faptul ca repartitia Bineg(k; p), k 2 N,

p 2 [0,1] , modeleaza din punct de vedere matematic numarul Y de insuccese
n probe Bernoulli (cu probabilitatea "succesului" p in ecare prob
a,p2
[0; 1]), pn
a la nregistrarea primelor k "succese" (n care este inclus
a si proba
n care s-a produs "succesul" k), n concordanta cu Remarca 4, referitoare la
v.a. repartizate Binomial cu exponent negativ, putem descrie
Bineg(k; p), k 2 N, p 2
[0,1] :
Pas1. Simul
am, succesiv, k valori a x1 ,x2 ,...,xk a v.a.X Geom(p)); p 2
k
X
Pas 2. Lu
am Y =
xi k. STOP.
i=1
Exemplul 5. Tinnd
cont de faptul ca repartitia P ascal(k; p), k 2 N,

p 2 [0,1] , modeleaza din punct de vedere matematic numarul Y de probe
Bernoulli (cu probabilitatea "succesului" p in ecare prob
a , p 2 [0; 1]), pn
a
la nregistrarea primelor k "succese" (n care este inclus
a si proba n care s-a
produs "succesul" k), n concordanta cu Remarca 5, referitoare la v.a. Pascal
repartizate, putem descrie
P ascal(k; p), k 2 N,
p 2 [0,1] :
Pas1. Simul
am, succesiv, k valori a x1 ,x2 ,...,xk a v.a.X Geom(p)); p 2
k
X
Pas 2. Lu
am Y =
xi . STOP.
i=1
Exemplul 6. Tinnd
cont de faptul ca repartitia Hypergeom(N ,M ,n),

M; n
N , modeleaza din punct de vedere matematic numarul Y de bile
rosii din n bile extrase la ntmplare f
ar
a repetare dintr-o citie cu M bile
rosii si N M bile albe putem descrie
Hypergeom(N ,M ,n),
M; n N .
Considernd c
a bilele sunt extrase la ntmplare succesiv una cte una,
far
a repetare si ntroducnd variabilele R si A ce contorizeaza, respectiv numarul de bile rosii si albe dup
a ecare extragere, avem:

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; : : : ;
atunci putem descrie

P oisson( ), > 0:
Pas 0. i := 0, S := 0
Pas 1. Gen
aram o valoare x a v.a. X U ([0; 1])
i
Pas 2.S := S + i! e
Pas 3. Dac
a S < x, atunci i := i + 1 si trecem la Pas 2, n caz contrar
lu
am Y := i. STOP:
nainte de a aborda simularea v.a. n caz general, mention
am c
a din
Teoria Probabilit
atilor cunoastem faptul c
a functia de repartitie FY a unei
v.a. posed
a proprit
atile:
o
1 FY este monoton cresc
atoare;
2o FY este continu
a la dreapta;
3o FY ( 1) = lim FY (y) = 0; FY (+1) = lim FY (y) = 1.
y! 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).

Daca Y este o v.a. denita de f.r.F si X
F (X) are aceea
si f.r. ca si v.a. Y .
Demonstra
tie. Observ
am c
a
U ([0; 1]), atunci v.a. Z =
P(Z
y) = P(F
y) = P( min fx j F (x) > X g
(X)
y) =
P(F (y) > X) = P(X 6 F (y)) = F (y),

deoarece fF 1 (X) yg = fF (y) > Xg si putem considera 0 < F (y) < 1.
Exemplul 8. Fie Y
Exp( ), > 0; adic
a
FY (y) = (1
)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).
Prin urmare putem considera c

a
Y =
unde X U ([0; 1]). Dar 1
putem lua
Y =
ln(1
X
1
X)
Exp( );
> 0,
U ([0; 1]) dac

aX
ln X
Exp( );
U ([0; 1]). Prin urmare
> 0;
fapt ce justic
a
Exp( ); > 0 :
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
W eibull(1; ),
>0

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
Laplace( );
Pas 1. Genaram dou

a valori succesive x1 si x2 a v.a. X
Pas 2. Lu
am Y := x1
>0
Exp( ).
x2 . STOP.
Exemplul 10. Fie Y o v.a. repartizat

a Erlang cu parametrul > 0
si k grade de libertate, k 2 N , adic
aY
Erlang(k; ). Tinnd
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
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 , p2 , ....pn ) Tinnd
cont de faptul ca v.a. Z =

Yi
Exp( i ), i > 0, cu probabilitatea pi > 0, i = 1; n (vezi Denitia 5,
Capitolul 2.2) putem descrie
Algoritmul de simulare a unei v.a. Z
p2 , ....pn ), i ; pi > 0, 8i = 1; n .
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.
Remarca 4. Algoritmul de simulare a unei v.a. Z

Hyperexp( 1 , 2 ,
.... n ; p1 , p2 , ....pn ), i ; pi > 0, 8i = 1; n este, de fapt, un exemplu ce ilustreaz
a o metod
a mai generala expus
a n paragraful urm
ator.
3.2
Metoda compunerii sau amestec

arii
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
ultima ind integrala Stieltjes.

Dac
a not
am cu X v.a. care are f.r. F (x) si cu Xi v.a. care are f.r.
Fi (x), atunci amestecarea discret
a poate interpretat
a astfel: X = Xi cu
probabilitatea pi ; i > 1, de unde rezulta
Algoritmul Compunerii discrete de simulare a unei v.a. X
Pas 1. Gener
am o valoare j a indicelui aleator J f(j; pj )gj>1 .
Pas 2.Gener
am o valoare x a v.a. Xj cu f.r. Fj (x).
Pas.3.Lu
am X := x.STOP.
Observ
am, astfel, c
a Algoritmul de simulare a unei v.a. Z Hyperexp( 1 ,
2 , .... n ; p1 , p2 , ....pn ),
i ; pi > 0, 8i = 1; n , este un caz particular al
Algoritmului Compunerii discrete de simulare.I
Interesant este faptul c
a prin aceeasi metod
a se poate simula si v.a. Y
Laplace( ), > 0:
Exemplul 12. Fie Y
Laplace( ), > 0, adic
a Y are d.r.
1
f (x) = e
2
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
Or, drept alternativ

a la Algoritmul de simulare a unei v.a. Y
Laplace( ); > 0, avem
Algoritmul Compunerii discrete de simulare a v.a. Y Laplace( ); >
0
Pas 1. Gener
am o valoare x a v.a. X U ([0; 1])
Pas 2.Dac
a x 6 0:5, atunci lu
am s := 1, n caz contrar lu
am s := 1
Pas.3.Gener
am o valoare z a v.a. Z Exp(l) si lu
am Y := s z:STOP.
O interpretare similar
a poate dat
a si n cazul amestecarii continue pentru simularea unei v.a. X cu f.r.F (x):care este o amestecare continu
a a
familiei de f.r. fG(x; Y )gY 2R cu f.r. continu
a H(y) a lui Y Putem, asa dar,
descrie
Algoritmul Compunerii continue de simulare a unei v.a. X
Pas 1. Gener
am o valoare y a v.a. Y
H(y)
Pas 2.Gener
am o valoare z a v.a. ZY
G(x; y)
Pas.3.Lu
am X := z:STOP.
Remarca 5. Evident, n algoritmii precedenti se presupun cunoscute
metode de simulare a v.a. J, Xi , Y , ZY .Dac
a n denitia compunerii se
consider
a d.r.f (x) n loc de f.r.F (x), atunci formulele corespunz
atoare d.r.
se scriu, respectiv,
X
pi fi (x);
f (x) =
i>1
F (x) =
g(x; y)h(y)dy:
Pentru a ilustra Algoritmul Compunerii continue consider

am
Exemplul 13 [V
aduva]. Consider
am c
a durata n functionare a unui
aparat (de exemplu, computer) este o v.a. X, X > 0; exponential repartizat
a cu parametrul Y , unde
> 0 este un parametru determinat de
produc
ator (n laborator!) iar Y este un parametru aleator care indic
a inuienta mediului n care este exploatat calculatorul. Presupunnd c
a v.a.
Y
Gamma(b; a), adic
a Y are d.r.
fY (y) =
ba y a 1
e
(a)
by
I[0;+1) (y)

Observ
am c
a d.r.fX (x) a v.a. X este o amestecare continu
a, mai exact
+1
Z
fX (x) = I[0;+1) (x)
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
n calculele de mai sus am folosit formula

( )
=
a
+1
Z
ax
dx.
Or, d.r. a v.a. X este

fX (x) =
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
i; j = 1; m. Daca pi = P (X 2 i ) > 0, 8i = 1; m, atunci exista densitatile

fi (x), nule pentru x 2
= i , astfel nct
fX (x) =
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
3.3. METODA RESPINGERII

ntr-adev
ar
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
Mai exact aceast

a metod
a poate numit
a metoda acceptarii-respingerii.
Avnd drept scop simularea unei v.a. X, aceast
a metod
a presupune cunoasterea
urm
atoarelor elemente [Vaduva]:
1. Se cunoaste un procedeu de simulare a unei valori n a v.a. N cu valori
din multimea f1; 2; :::g;
2. Pentru orice i > 1 este cunoscut algoritmul pentru simularea v.a.
Si 2 S, unde S este o familie de v.a. dat
a.
3. Se cunoaste un predicat P(S1 ; S2 ; :::; Sn ) care se poate calcula pentru
orice Si , i = 1; n si orice n (Acest predicat sau conditie trebuie s
a poat
a e
evaluat f
ar
a calcule de mare complexitate!);
4. Se cunoaste functia astfel nct X = (S1 ; S2 ; :::; Sn ) dac
a P(S1 ; S2 ; :::; Sn ) =
true.
Or, putem descrie n forma general
a
Algoritmul General de Respingere
Pas 1. Simul
am o valoare n a v.a. N
Pas 2.Simul
am valoarile s1 ; s2 ; :::; sn ce corespund v.a. S1 ; S2 ; :::; Sn
Pas.3.Dac
a P(s1 ; s2 ; :::; sn ) = f alse, atunci trecem la Pasul 1, n caz
contrar lu
am x = (s1 ; s2 ; :::; sn ):STOP.
Remarca 6. Observ
am c
a dac
a P(s1 ; s2 ; :::; sn ) = f alse, atunci multimea
de v.a. fS1 ; S2 ; :::; Sn g se respinge, de unde provine si denumirea de metoda
respingerii. n plus, dac
a pa = P fP(S1 ; S2 ; :::; Sn ) = trueg, numit
a probabilitate de acceptare, este aproape de 1, atunci algoritmul este rapid, n caz
contrar algoritmul este lent.
n cele ce urmeaz
a prezent
am dou
a Teoreme [Ermacov, Vaduva] care fundamenteaz
a Algoritmul e de respingere pentru simularea unor v.a.
Teorema nf
a
sur
atoarei. Fie X; Y doua v.a., respectiv, cu d.r. f si h
ce au acela
si suport , adica f si h sunt nenule pe aceea
si multime S
R,

v.a.X ind v.a. care trebuie simulata iar Y v.a. ce stim sa o simulam. Daca
exista o constanta , 1 <
< 1, astfel nct f (x)
h(x), 8x 2 S si
Z este o v.a. independenta de Y , unde Z
U [0; 1], atunci d.r. a v.a. Y
conditionata de evenimentul f0 Z f (Y )= h(Y )g coincide cu f:
Demonstra
tie. Consider
am evenimentele A = fY
xg si B = f0 Z f (Y )= h(Y )g.
Atunci f.r. conditionat
a
P( fY
xg jf0
f (Y )= h(Y )g) = P(A = B) =
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.
Remmarca 7. Din Teorema nf

asur
atoarei desprindem procedura de
respingere format
a din urm
atoarele elemente: N = 2 (v.a. constant
a); S =
fY; Zg ; P(Y; Z) = true dac
a 0
Z
f (Y )= h(Y ); X = (Y; Z) = Y
(adic
a proiectia lui Y n raport cu evenimentul f0 Z f (Y )= h(Y )g).
Exemplul 14. Consider
am v.a. X Gamma(1; ), 0 < < 1, numit
a
repartitia gamma-standard cu subunitar. S
a aplic
am metoda nf
asur
atoarei pentru simularea v.a. X, folosind ca nf
asur
atoare d.r. a v.a. Y
W eibull(1; ), > 0.
ntr-adev
ar, densit
atile de repartitie sunt
f (x) =
( )
I[0;+1) (x); h(x) = x
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
3.3. METODA RESPINGERII
61
Punctul de maxim al functiei r(x) este x0 =

=
e (1 )
,
( + 1)
1=(1
=(1
de unde rezult
a
Prin urmare putem descrie

Algoritmul de respingere pentru simularea unei v.a. X Gamma(1; ),
0 < < 1 (reparti
tia gamma-standard cu subunitar)
Pas 1. Intrare ; Calcul
am c := 1= , = =(1 ) , a := e ( 1)
Pas 2. Gener
am o valoare z1 a v.a. Z U [0; 1]
Pas 3. Calcul
am y := ( ln z)c (adic
a gener
am o valoare a v.a. Y
W eibull(1; ), > 0)
Pas 4. Gener
am o alt
a valoare z2 a v.a. Z U [0; 1]
y+y
Pas.5. Dac
a z2 > ae
, atunci trecem la Pasul 2, n caz contrar lu
am
x = y:STOP.
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
CAPITOLUL 4. METODA MONTE CARLO
4.1
Legea Numerelor Mari si Teorema Limit

a
Central
a
Cum Legea Numerelor Mari reprezint

a fundamentul matematic al Principiului regularit
atii statistice vom trece in revista variantele uzuale ale acestei
legi in forma ei slab
a.
Fie ( ; F; P) un cmp de probabilitate si (Xn )n 1 un sir de v.a. denite
pe el.
Deni
tia 1. Vom spune c
a sirul de v.a (Xn )n 1 este supus legii slabe a
numerelor mari dac
a
!
n
n
1X
1X
lim P
Xi
EXi 6 " = 1, 8" > 0:
n!1
n i=1
n i=1
Teorema 1. (Legea slaba a numerelor mari n forma Markov)
Fie (Xn )n 1 un sir de v.a. care verica conditia
1
2D
n!1 n
lim
n
P
Xk
= 0;
k=1
atunci sirul considerat este supus legii slabe a numerelor mari.

Consecin
ta 1. Daca (Xn )n 1 este un sir de v.a independente doua cte
doua, care verica conditia:
n
P
lim n12
DXk = 0;
n!1
k=1
atunci sirul considerat este supus legii slabe a numerelor mari.

Consecin
ta 2. (Legea slaba n forma Ceb
sev). Fie (Xn )n
v.a. independente doua cte doua, care verica conditia:
DXn
c < 1; 8n
atunci sirul de v.a. (Xn )n
un sir de
1;
este supus legii slabe a numerelor mari.
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
4.1. LEGEA NUMERELOR MARI SI TEOREMA LIMITA

Consecin
ta 4. (Legea slaba a numerelor mari n forma Bernoulli).
Daca Sn este numarul de aparitii ale unui eveniment A n n experimente independente si p probabilitatea acestui eveniment n ecare experiment, atunci
lim P
n!1
p 6 " = 1, 8 " > 0.
Sn
n
Teorema 2. (Legea slaba a numerelor mari n forma Hincin).

Fie (Xn ) n
1 un sir de v.a. independente identic repartizate pentru
care exista valoarea medie EXn = a; si Sn = X1 + ::: + Xn : Atunci
lim P
n!1
A 6 " = 1, 8 " > 0.
Sn
n
Remarca 1. Legea slab

a a numerelor mari justic
a, n particular, Principiului regularit
atii statistice. Pentru aceasta este sucient s
a observ
am
c
a Snn din Legea slaba a numerelor mari n forma Bernoulli este, de fapt,
frecventa relativ
a evenimentului A n n experimente. ns
a niciuna din variante ale Legii Numerelor Mari nu r
aspunde la ntrebarea ct de rapid converge
spre 1 probabilitatea
!
n
n
1X
1X
P
Xi
EXi 6 " ?
n i=1
n i=1
R
aspunsul poate gasit, de regula, folosind una din variante ale Teoremei
Limit
a Central
a.
Teorema Limit
a Central
a n forma Lindeberg. Fie (Xn )n 1 un sir
de v.a. cu momentele de ordinul doi nite si e
mk = EXk ;
Dn2 = DSn =
2
k =
n
P
DXk > 0; Sn = X1 + ::: + Xn ;

2
k
si Fk (x)
f.r. a v.a. Xk :
k=1
Daca are loc conditia Lindeberg:

n Z
1 X
(x mk )2 dFk (x) ! 0; n ! 1; 8" > 0;
(L)
2
Dn k=1
fxjjx mj "Dn g
atunci
P
Sn ESn
p
<x
DSn
1
! (x) = p
2
Zx
1
u2
e 2 du; 8x 2 R.
66

Consecin
ta 1. (Teorema Limita Centrala n forma Leapunov).
Daca are loc conditia Leapunov:
1
Dn2+
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;
si Dn ! 1; n ! 1; unde K este constanta, atunci

P
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
METODA MONTE CARLO: SCHEMA
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
unde x1 =2 este acea valoare pentru care (x1 =2 ) = 1

=2.
De aici rezult
a, c
a pentru valoarea necunoscut
a a parametrului m putem
construi, cu probabilitatea de ncredere 1
, intervalul de ncredere
x
x1
p
=2
,x +
x1
p
=2
68
x1

=2
reprezentnd eroarea de aproximare a lui m prin intermediul mediei

de selectie
N
1X
x=
xi .
N i=1
p
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
este un estimator nedeplasat si consitent pentru 2 .

Asa dar, folosind schema de mai sus, numit
a Metoda Monte Carlo, in
baza valorilor generate x1 ,x2 ,....,xN , il putem aproxima pe m prin intermediul
de aproximare, cu probabilitatea de incredere
mediei de selectie x, eroarea p
1
, ind egal
a cu x1 =2 s= N .

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

Tehnici Simulare Statistica Curs

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tehnici Simulare Statistica Curs

Încărcat de

Drepturi de autor:

Formate disponibile

1

TEHNICI DE SIMULARE STATISTICA

Variabile aleatoare (v.a.) uniforme

Simularea (generarea) numerelor intmpl

6CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

1.1. VARIABILE ALEATOARE (V.A.) UNIFORME

cazul ind (absolut) continuu, coincide cu

U ([0; 1]) sau cu

U ([a; b]), a < b, a; b 2 R.

Experimentul cu alegerea la ntmplare a unui punct pe segmentul [a; b],

8CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

kI[ k ; k+1 ) (X)

U ([0; 1]) si v.a Y =

1.1. VARIABILE ALEATOARE (V.A.) UNIFORME

Evident, Y 2 [0; 1]: n plus, deoarece P

fX1 = "1 ; :::; Xk = "k ; Xk+1

unde evenimentele ce fac parte din reuniune sunt incompatibile dou

P(X1 = "1 ; :::; Xk = "k ; Xk+1

uniform repartizate, independente chiar dac

10CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

Generatori de numere (pseudo) aleatoare

Prin Generator de numere aleatoare (GNA) vom ntelege un mecanizm

1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.11

12CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.13

14CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.15

16CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

2.Unix random number generators

1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.17

3. Other random number generators

18CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.19

20CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.21

22CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME

Modelele probabiliste discrete sunt reprezentate de variabilele aleatoare de

24 CAPITOLUL 2. MODELE (REPARTITII)

Remarca 1. Din Formula de inversiune [Leahu], rezulta c

'X (t) = EeitX ; i =

Acest model descrie,din punct de vedere matematic, experimentul Bernoulli.

= fsucces, insuccesg = f1,0g;

2. probabilitatea succesului p este aceeasi n ecare prob

2.1. MODELE (REPARTITII)

Remarca 2. Denitia este corect

26 CAPITOLUL 2. MODELE (REPARTITII)

a1 ;:::;an =0;1:a1 + +an =k

a1 ;:::;an =0;1:a1 + +an =k

Notnd prin Xi numarul de succese in proba Bernoulli nr. 1, deducem

2.1. MODELE (REPARTITII)

Dar un sir ordonat (i1 ; i2 ;

Prin urmare probabilitatea evenimentului A:

28 CAPITOLUL 2. MODELE (REPARTITII)

Probabilitatea, spre exemplu, c

Remarca 3. Denitia este corect

2.1. MODELE (REPARTITII)

P(fX = n + mg \ fX > mg)

30 CAPITOLUL 2. MODELE (REPARTITII)

este termenul general al dezvolt

Bineg(k; p), unde Xk

Problema 5. Demonstrati Propozitia 2.

P ascal(k; p), unde Xk

2.1. MODELE (REPARTITII)

Din punct de vedere teoretic, acest model descrie: