Universitatea din Bucuresti

Facultatea de Matematica si Informatica

CURSURILE nr. 4 5 TEHNICI DE SIMULARE

Validarea generatorilor

Metoda amestecarii compunerii

Lect. dr. Bianca Mogos

Continut
Validarea generatorilor/algoritmilor de simulare a unor
variabile aleatoare
1. Histograma o validare empirica a algoritmului de simulare
2. Test bazat pe momentele de selectie
3. Testul X 2
Metoda amestecarii compunerii
1. Definitii: amestecare discreta si amestecare continua
2. Descrierea metodei
3. Algoritm general de amestecare compunere
4. Fundamentarea matematica a metodei
5. Exemple: Simularea v.a. Laplace si Lomax
Validarea generatorilor/algoritmilor de simulare a unor
variabile aleatoare (1)

I Algoritm de simulare: definirea unei v.a. X avand o functie

de repartitie data F (x) = P(X x), x R si observarea
variabilei X
I Validarea algoritmilor de simulare nseamna:
I verificarea corectitudinii formale a algoritmilor: se arata

ca v.a. X construitan algoritm are functia de repartitie

F (x)
I analiza valorilor de selectie asupra v.a. X returnate de
algoritm: pe baza unei multimi de selectie X1 , X2 , . . . , Xn ,
se verifica ipoteza statistica H0 : X , F (x).
Validarea generatorilor (2): Histograma o validare
empirica a algoritmului de simulare (1)
I Se verifica intuitiv daca repartitia empirica (de selectie) este
asemanatoare cu cea teoretica
I Histograma asociata multimii de valori de selectie x1 , . . . , xn
asupra variabilei aleatoare X avand functia de repartitie F (x)
si densitatea f (x):
I se determina m = min {x1 , x2 , . . . , xn } si M = max {x1 , x2 , . . . , xn }
I se alege k numarul de intervale/dreptunghiuri ale histogramei
I semparte intervalul [m, M]n k intervale egale Ii = (ai1 , ai ] , 2
i k, I1 = [a0 , a1 ], a0 = m, ak = M
fi
I se determina frecventele relative ri = , unde fi : numarul de
n
valori de selectie ce cad n intervalul Ii , 1 i k
I se reprezinta grafic: se iau pe abscisa intervalele Ii si se constru-
iesc dreptunghiurile avand ca baza aceste intervale si ca naltimi
hi = ri .
I Inaltimile hi ale dreptunghiurilor se scaleaza a.. hi f (x), x
fi
Ii . Definim hi = f (x), l = ai ai1 .
nl
Validarea generatorilor (3): Histograma o validare
empirica a algoritmului de simulare (2)
I Din Teorema lui Bernoulli forma slaba rezulta ca pentru orice
 > 0 avem
  
 fi 
lim P  pi   = 1, (1)
n n
unde pi = P (X Ii ) , Ii = (ai1 , ai ]
I Numarul k de dreptunghiuri ale histogramei se considera a.. sa
se minimizeze media patratelor erorilor (MSE) estimatorului
f(x) (definit n orice punct x) al densitatii de repartitie f (x),
definita prin
 2 

MSE (f (x)) = E f (x) f (x) . (2)

Astfel, avem Regula Sturges

k = [1 + log2 n] . (3)
Validarea generatorilor (4): Test bazat pe momentele de
selectie

I Se determina momentele teoretice ale v.a. X :

= E [X ] si 2 = Var (X ) (4)
I Pe baza multimii de valori de selectie {x1 , x2 , . . . , xn } se cal-
culeaza momentele de selectie:
n n
1X 1X 2 2
X = xi si s 2 = xi X (5)
n n
i=1 i=1
I Ca o consecinta a Legii numerelor mari, putem considera ca
generatorul este bun daca pentru n suficient de mare (n >
1000)
X si s 2 2 (6)
Validarea generatorilor (5): Testul X 2 (1)

I Consideram testul de concordanta X 2 pentru verificarea ipotezei

H0 : X , F (x).
I Definim variabila aleatoare X 2 :
k
X (fi npi )2
X2 = (7)
npi
i=1

unde p1 = F (a1 ), pi = F (ai ) F (ai1 ), 2 i k 1, pk =

1 F (ak1 ).
I Observatii:
I fi : {0, 1, . . . , n} este o v.a. Bin (n, pi )
I Multimea tuturor valorilor posibile ale lui X 2 se obtine Pfacand ca
k
f1 , f2 , . . . , fk sa parcurga toti ntregii nenegativi a.. i=1 fi = n
I Pentru n , X 2 este repartizata 2k1 (hi patrat cu k 1
grade de libertate).
Validarea generatorilor (6): Testul X 2 (2)

I Fie eroarea de tip I: probabilitatea de a respinge ipoteza nula

H0 cand este adevarata. Valorile clasice pentru sunt 0.01,
0.05, 0.1.
I Se determina cuantila superioara, notata 2k1, astfel ncat

P X 2 2k1, = 1


(8)

I Ipoteza H0 se accepta daca n urma experimentului aleator s-a

obtinut evenimentul a..:
X 2 () 2k1, , (9)
n caz contrar se respinge.
Metoda compunerii (1): Definitii amestecare discreta si
amestecare continua

I Spunem ca functia de repartitie F (x) este o amestecare (com-

punere sau mixtura) discreta a multimii de functii de repartitie
{Fj (x)}1jm cu repartitia discreta J daca

m   Xm
X 1 2 ... m
F (x) = pj Fj (x) si J : , pj = 1 (10)
p1 p2 . . . pm
j=1 j=1

I Spunem ca functia de repartitie F (x) este o amestecare con-

tinua a familiei de functii de repartitie {G (x, Y )}Y R , cu functia
de repartitie continua H(y ) a lui Y daca este de forma
Z
F (x) = G (x, y )dH(y ). (11)
R
Metoda compunerii (2): Descrierea metodei

I Fie X o v.a. cu functia de repartitie F (x) definita n (10) si

Xj , 1 j m v.a. avand functiile de repartitie Fj (x). Atunci
X = Xj cu probabilitatea pj (12)
I Fie X o v.a. cu functia de repartitie F (x) definita n (11) si
ZY , Y R v.a. avand functiile de repartitie G (x, Y ), unde Y
are functia de repartitie H(y ). Atunci
X = Zy unde y este generat cu functia de repartitie h(y )
(13)
I In definitia amestecarii se pot considera n loc de functii de
repartitie, densitati de repartitie si formulele devin
X m Z
f (x) = pi fi (x), respectiv f (x) = g (x, y )h(y )dy (14)
i=1 R
Metoda compunerii (3): Algoritm pentru simularea unei
variabile aleatoare bazat pe notiunea de amestecare
discreta
Intrare Se cunosc algoritmi pentru simularea v.a. Xj
avand functiile de repartitie Fj (x)
m
X
Repartitia v.a. discrete J: P(J = j) = pj , pj = 1
j=1

Pas 1 Se genereaza un indice j avand repartitia J

Pas 2 Se genereaza xj cu functia de repartitie Fj (x)

Pas 3 Se defineste x = xj

Iesire Valoarea de selectie, x, a v.a. X

avand functia de repartitie F (x)
Metoda compunerii (4): Algoritm pentru simularea unei
variabile aleatoare bazat pe notiunea de amestecare
continua
Intrare Se cunosc algoritmi pentru simularea v.a ZY avand
functiile de repartitie n familia {G (x, Y )}Y R
Se cunoaste un algoritm pentru simularea v.a. Y
cu functia de repartitie H(y )

Pas 1 Se genereaza y cu functia de repartitie H(y )

Pas 2 Se genereaza zy cu functia de repartitie G (x, y )

Pas 3 Se defineste x = zy

Iesire Valoarea de selectie, x, a v.a. X

avand functia de repartitie F (x)
Metoda compunerii (5): Exemplu amestecare discreta

I Fie X variabila avand repartitia Laplace a carei densitate de

repartitie este
|x|
f (x) = e , x R, > 0 (15)
2
I Observam ca
1
f (x) = p1 f1 (x) + p2 f2 (x), p1 = p2 =
2
unde
e x
 
0 daca x 0 daca x 0
f1 (x) = , f (x) =
e x daca x > 0 2 0 daca x > 0
Metoda compunerii (6): Algoritmul pentru simularea v.a.
X avand repartitia Laplace

Intrare V.a. X1 Exp() cu densitatea de repartitie f1 (x) si

V.a. X2 = X1 cu densitatea de repartitie f2 (x)
Pas 1 Se genereaza val. de selectie u a v.a. U U(0, 1)

Pas 2 Daca u 0.5 atunci mergi la Pas 3; altfel mergi la Pas 4

Pas 3 s = 1; mergi la Pas 5

Pas 4 s = -1

Pas 5 Se genereaza val. de selectie x1 a v.a. X1 Exp()

Pas 6 Se defineste x = sx1

Iesire Valoarea de selectie, x, a v.a. X .
Metoda compunerii (7): Exemplu amestecare continua
I Fie variabila X , X > 0, durata de functionare a unui aparat,
repartizata Exponential(), unde
I este un parametru determinat de producator, iar
I este un parametru aleator care indica influenta mediului n
care este studiat aparatul.
I Repartitia de probabilitate a lui este de tip Gamma(0, b, a):

0, daca x < 0
h() = b a a1 b (16)
e , altfel
(a)

I Densitatea de repartitie a lui X , pentru x 0 va fi de forma

Z
b a a1 b
f (x) = e x e d =
0 (a)
(17)
a
= , unde =
(x + 1)a+1 b
I Repartitia avand densitatea (17) se numeste repartitie Lomax.
Bibliografie I

M. Craiu (1998), Statistica matematica: teorie si probleme,

Editura Matrix Rom, Bucuresti
W. L. Martinez, A. R. Martinez (2002), Computational
Statistics Handbook with MATLAB, Chapman & Hall/CRC,
Boca Raton London New York Washington, D.C.
I. Vaduva (2004), Modele de simulare: note de curs, Editura
Universitatii din Bucuresti, Bucuresti