Universitatea din Bucuresti

Facultatea de Matematica si Informatica

CURS nr. 7 TEHNICI DE SIMULARE

Simularea unor variabile aleatoare continue

Lect. dr. Bianca Mogos

Continut

1. Simularea variabilelor aleatoare:

1.1 Exponentiala(), > 0
1.2 Gamma(, , ), , , R+
1.3 Beta(a, b), a, b > 0

2. Repartitii simulate pornind de la v.a. uniforme pe (0,1)

3. Simularea unor variabile aleatoare nrudite cu repartitia normala
1.1 Simularea variabilei aleatoare Exponentiale ()

I Densitatea de repartitie a v.a. X Exp(), > 0 este


0, daca x 0
f (x) = (1)
e x daca x > 0
Z
I Daca Z Exp(1) atunci X = Exp()

I V.a. Z Exp(1) se poate simula folosind o varianta a Teoremei
sirului descendent:

Se considera n Teorema sirului descendent Z0 = U0 , Zi =

Ui , i 1, unde U0 , Ui , i 1 sunt v.a. uniforme pe [0,1]. Daca
notam cu N numarul aleator de subsiruri descendente respinse
pana se accepta un subsir, atunci X = N + Z0 Exp(1), unde
Z0 este cel acceptat (din ultimul subsir descendent).
1.1 Demonstratia teoremei care fundamenteaza algoritmul
de simulare a v.a. Exponentiale (2)

I Pentru x [0, 1] avem

1 x x
Z
P(Z0 x | K = nr. impar) = e dx =
pa 0
(2)
1 e x
= , pa = 1 e 1
pa
I Cum pa = P(K = nr. impar, Z0 R), rezulta ca probabilitatea
de a respinge un sir descendent de forma Z0 Z1 . . .
ZK 1 < ZK este pr = 1 pa = e 1 .
I Deducem P(N = n) = e n (1 e 1 ).
1.1 Demonstratia teoremei care fundamenteaza algoritmul
de simulare a v.a. Exponentiale (3)

I Vrem sa aratam ca

0, daca x < 0
P(N + Z0 x) = . (3)
1 e x , daca x 0
I Pentru un x > 0 dat, notam x = k + z, k = [x] , z [0, 1), si
avem
P(N + Z0 x) = P(N + Z0 k + z)
= P(N < k) + P(N = k, Z0 z) =
k1
e k z
X Z
1 j 1
= (1 e )e + (1 e ) e u du =
1 e 1 0
j=0

= 1 e k + e k (1 e z ) = 1 e (k+z) = 1 e x .
(4)
1.1 Algoritm de simulare a unei v.a. Exponentiale(1) (4)
Intrare Pp. ca stim sa generam v.a. Zi , G (x), i 1
si Z0 , G0 (x)
Pas 1 Se initializeaza N = 0

Pas 2 Se genereaza val. de selectie z0 a v.a. Z0 , G0 (x)

si z1 a v.a. Z1 , G (x). Se ia z = z0 , K = 1;

Pas 3 Repeta Pas 4 - Pas 5 cat timp z0 z1

Pas 4 K = K + 1; z0 = z1

Pas 5 Se genereaza o val. de selectie z1 a v.a. Z1 , G (x)

Pas 6 Daca K = nr. par atunci N = N + 1 si mergi la Pas 2

Pas 7 Se considera x = N + z
Iesire Valoarea de selectie, x, a v.a. X Exp(1)
1.2 Simularea variabilei aleatoare Gamma(, , ) (1)
I Densitatea de repartitie a v.a. X Gamma(, , ), , ,
R+ este

0, daca x
f (x) = 1 (x) (5)
(x ) e , daca x >
()

Z
unde () = x 1 e x dx si ( + 1) = ().
0
Z
I Daca Z Gamma(0, 1, ) atunci X = + Gamma(, , ).

I Metode de simulare a v.a. Gamma(0, 1, ), 0 < < 1
I o metoda de respingere bazata pe nfasurarea cu densitatea
Weibull(0, 1, )
I o metoda de compunere - respingere
I Metode de simulare a v.a. Gamma(0, 1, ), > 1
I doua metode de respingere bazate pe nfasurarea cu densitatile
Exp( 1 ) si Cauchy nonstandard trunchiata pe [0, ).
1.2 Simularea v.a. Gamma(0, 1, ), 0 < < 1 folosind o
metoda de respingere bazata pe nfasurarea cu densitatea
Weibull(0, 1, ) (2)
I Densitatile de repartitie ale v.a. Gamma(0, 1, ) si Weibull(0, 1, ):

0, x 0 
0, x 0

f (x) = 1 1 x , h(x) =
x e , x >0 x 1 e x , x > 0
()

(6)
I Pentru determinarea constantei a nfasuratoarei calculam ra-
portul:
f (x) 1
r (x) = = e x+x . (7)
h(x) ()
I Punctul de maxim al functiei r (x) este x0 = 1/(1) , de unde
rezulta
e (1)
= , = 1 . (8)
( + 1)
1.2 Simularea v.a. Gamma(0, 1, ), 0 < < 1 folosind o
metoda de compunere respingere (3)
I Descompunem densitatea de repartitie a v.a. Gamma(0, 1, ), 0 <
< 1 sub forma:
f (x) = p1 f1 (x) + p2 f2 (x), (9)
( (
f (x) f (x)
p1 , x (0, 1] p2 , x (1, ]
f1 (x) = , f2 (x) =
0, altfel 0, altfel
(10)
(1; ) () (1; )
p1 = , p2 = 1 p1 = (11)
() ()
Z Z 1
() = x 1 e x dx, (1; ) = x 1 e x dx (12)
0 0
Z 1 Z
I p1 si p2 sunt alesi a.. f1 (x)dx = 1 si f2 (x)dx = 1.
0 1
1.2 Simularea v.a. Gamma(0, 1, ), 0 < < 1 folosind o
metoda de compunere respingere (4)

I Definim X1 , f1 (x) si X2 , f2 (x)

I Variabila X1 se simuleaza folosind Teorema sirului descendent
1/
pentru Z0 = U0 , Zi = Ui , i 1, cu {Ui }i0 v.a. uniforme
pe (0,1).
I Variabila X2 se simuleaza folosind forma duala a celei de a doua
teoreme de respingere, scriind f2 (x) de forma
1
f2 (x) = c (1 Q(x)) r (x), x > 0, c= ,
e (() (1; ))
(13)
 
0, x 1 0, x 1
r (x) = x+1 , Q(x) = 1 .
e , x >1 1x , x >1
(14)
1.2 Simularea v.a. Gamma(0, 1, ), 0 < < 1 folosind o
metoda de compunere respingere (5)
1/
I Aratam ca X1 = Z0 | K = nr. impar, unde Z0 = U0 Z1
. . . ZK 1 < ZK , Zi = Ui , i 1, {Ui }i0 v.a. uniforme pe
(0,1), are densitatea de repartitie f1 (x).
I Determinam, mai ntai, G0 (x):
1/
G0 (x) = P(U0 x) = P(U0 x ) = x . (15)
I Functia de repartitie a v.a. X1 , notata F1 (x) devine
1 x t
Z
F1 (x) = P(Z0 x | K = nr. impar) = e dG0 (t) =
pa 0
1 x t 1
Z Z 1
= e t dt, pa = e t t 1 dt = (1; )
pa 0 0

e x x 1
I Derivand F1 (x) obtinem F10 (x) = = f1 (x), x (0, 1].
(1; )
1.2 Simularea v.a. Gamma(0, 1, ), 0 < < 1 folosind o
metoda de compunere respingere (6)
I Variabila X2 = Y | {Z Y } are densitatea de repartitie f2 (x).
Rezulta din Teorema a doua de respingere si relatia
f2 (x) = c(1 Q(x))r (x), x > 0. (16)
I Definim Y = Y1 + 1, Y1 Exp(1), atunci Y , r (x). Intr-
adevar,
P(Y x) = P(Y1 + 1 x) = P(Y1 x 1) = r (x). (17)

0, x 0
deoarece FY1 (x) = x .
1e , x >0

1
I Definim Z = U1 1 , U U(0, 1), atunci Z , Q(x). Intr-
adevar,
  1
1 1
P(Z x) = P( x) = 1 P(U x 1 ) = Q(x).
U
(18)
1.2 Simularea v.a. Gamma(0, 1, ), > 1 folosind o
metoda de respingere bazata pe nfasurarea cu densitatea
Exp( 1 ) (7)

I Fie X , f (x) , Gamma(0, 1, ) si Y , h(x) , Exp( 1 )

I Se calculeaza raportul
f (x) x 1 e x
r (x) = = x , > 1 (19)
h(x) ()e
I Punctul de maxim al functiei r (x) este x0 = , de unde se
obtine
e 1
= r () = . (20)
()
1.2 Simularea v.a. Gamma(0, 1, ), > 1 folosind o
metoda de respingere bazata pe nfasurarea cu o densitate
Cauchy nonstandard trunchiata pe [0, ) (8)
I Densitatea Cauchy nonstandard trunchiata pe [0, ):
  1
k 1
h(x) = 2 , x > 0, k = + arctg
1 + (x(1))
c
2 2 1
(21)
I Daca nfasuram densitatea f (x) , Gamma(0, 1, ) cu densi-
tatea h(x) atunci pentru c 2 1avem
f (x) 1
r (x) = = ( 1)1 e (1) . (22)
h(x) k()
I Pentru generarea unei v.a. Y , h(x) se defineste

Y = Z | Z > 0, unde Z = 1 + 2 1tg [(U 0.5)].
(23)
1.3 Simularea variabilei aleatoare Beta (1)

I Densitatea de repartitie a v.a. Beta(a, b), a, b > 0 este

1
x a1 (1 x)b1 , daca x [0, 1]
f (x) = B(a, b) (24)
0, altfel
unde
Z 1
(a)(b)
B(a, b) = x a1 (1 x)b1 dx, B(a, b) = (25)
0 (a + b)
I Metodele de simulare a v.a. Beta(a, b) sunt bazate pe urmatoarele
propozitii.
1.3 Simularea variabilei aleatoare Beta (2)

I Daca X1 Gamma(0, 1, a), X2 Gamma(0, 1, b), X1 si X2

independente atunci variabila
X1
X = (26)
X1 + X2
este o variabila Beta(a, b).
I Daca 0 < a < 1, 0 < b < 1 si U1 , U2 U([0, 1]) independente
1 1
V
si daca V = U1a , T = U2b atunci repartitia variabilei X = V +T
conditionata de V + T < 1 este Beta(a, b).
I Daca 0 < a < 1, b > 1 si U1 , U2 U([0, 1]) independente si
1 1
consideram V = U1a , T = U2b1 , atunci repartitia variabilei V
conditionata de V + T < 1 este Beta(a, b).
2 Repartitii simulate pornind de la v.a. uniforme pe (0,1)

Repartitia Densitatea de repartitie Variabila simulata

12
2
X
Normala f (x) = 1 e x /2 , x R X = Ui 6
2
i=1

1 |x| , x [1, 1]
Modul f (x) = X = U1 U2
0, altfel

nx n1 , x [0, 1]

Maximului f (x) = X = maxi=1,n {Ui }
0, altfel

n(1 x)n1 , x [0, 1]


Minimului f (x) = X = mini=1,n {Ui }
0, altfel
( k )
1
x 0, k N

(k) ,
Y
Erlang(k) f (x) = X = ln Ui
0, altfel
i=1
3 Simularea unor variabile aleatoare nrudite cu repartitia
normala: Repartitia 2 (1)
I Daca Zi , 1 i f sunt variabile normale N(0,1) independente
atunci
f
X
2 = Zi2 (27)
i=1

se numeste variabila hi patrat centrata cu f grade de libertate,

notata 2f .
I Daca Zi N(mi , 1) atunci variabila 2 se numeste variabila hi
patrat necentrata cu f grade de libertatePsi cu parametrul de
excentricitate , notata 2f , , unde 2 = fi=1 mi2 .
I Variabila 2f centrata este o variabila de tip Gamma(0, 21 , f2 ).
I Formula (27) permite simularea directa, pornind de la definitie,
a variabilelor 2f si 2f , .
3 Simularea unor variabile aleatoare nrudite cu repartitia
normala: Repartitia t a lui Student (2)

I Daca Z N(0, 1) este independenta de variabila hi patrat 2f

atunci variabila
Z
tf = q 2 (28)
f
f

se numeste variabila t a lui Student cu f grade de libertate.

I Daca n (28) se introduce 2f , atunci se obtine variabila notata
tf , care se numeste variabila t Student necentrata cu f grade
de libertate si parametrul de excentricitate .
I Variabilele t Student se simuleaza cu formula (28).
3 Simularea unor variabile aleatoare nrudite cu repartitia
normala: Repartitia F a lui Snedecor (3)

I Daca variabilele 2f1 , 2f2 sunt independente atunci variabila

f2 2f1
Ff1 ,f2 = (29)
f1 2f2
se numeste variabila F a lui Snedecor centrata cu f1 , f2 grade
de libertate.
I Daca n (29) se foloseste cate una dintre 2f1 ,1 , 2f2 ,2 sau am-
bele atunci se obtin variabilele F Snedecor simplu necentrate
Ff1 ,f2 ,1 ,0 , Ff1 ,f2 ,0,2 cu parametrii corespunzatori de excentrici-
tate, sau variabila F Snedecor dublu necentrata Ff1 ,f2 ,1 ,2 .
I Variabilele F Snedecor se simuleaza cu formula (29).
Bibliografie I

I. Vaduva (2004), Modele de simulare: note de curs, Editura

Universitatii din Bucuresti, Bucuresti