Documente Academic
Documente Profesional
Documente Cultură
Observatii:
1. Se verifica ca X este v.a. si ca P este functie de probabilitate
binedefinita, folosind proprietatile din ipoteza ale functiei F (x).
2. F (x) = FX (x), adica este functia de repartitie a variabilei X .
3. Daca F (x) este o functie derivabila si f (x) este densitatea de
repartitie a variabilei X si este o functie integrabila atunci putem
defini functia de probabilitate prin
Z x2
P(x1 < X x2 ) = f (x)dx, pentru x1 < x2 .
x1
Functii de o variabila aleatoare (1)
Propozitie
Daca X N(m, 2 ) atunci Y = e X are densitatea de repartitie:
1 (ln y m)2
fY (y ) = e 2 2 ,y > 0 (3)
y 2
Demonstratie
FY (y ) = P({ |Y () y }) = P(e X y ) = P(X ln y ) =
= FX (ln y ) =
Z ln y
1 (tm)2
= e 22 dt.
2
Definitie
Variabila aleatoare Y avand densitatea de probabilitate (3) se numeste
lognormala.
Functii de o variabila aleatoare (3): Exemplu 2
Propozitie
Daca X U(0, 1) atunci variabila aleatoare
1/b
1
Y = ln(1 X )
a
cu a, b > 0 are densitatea de probabilitate
b
f (y ) = aby b1 e ay , 0 < y < . (4)
Definitie
O variabila aleatoare cu densitatea de probabilitate (0.4) se numeste
Weibull cu parametrii a si b si este notata W (a, b).
Structura generala a unui algoritm de generare/simulare a
unei variabile aleatoare
fU (x) = ba (5)
0, altfel
80
70
60
Frecventa absoluta
50
40
30
20
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1 1
Cauchy f (x) = ,x R x = tan (u 1/2)
1 + x2
1 1
Arcsin f (x) = , x [1, 1] x = sin (u 1/2)
1 x2
Metoda inversa (5): Exemplu simularea unei variabile
aleatoare avand repartitia Exp(), > 0
I Se determina functia de repartitie a unei v.a. X Exp():
Z x
F : R [0, 1], F (x) = f (t)dt =
(10)
1 e x , x > 0
=
0, x 0
I Se determina functia inversa a functiei de repartitie F (0,) :
pentru u (0, 1), determinam x > 0 a.. F (x) = u. Obtinem
inversa functiei F (0,) definita prin
ln(1 u)
F 1 : (0, 1) (0, ), F 1 (u) = (11)
I Din Teorema lui Hincin rezulta ca
X = ln(U)/, U U(0, 1) (12)
este o v.a. repartizata Exp().
Metoda inversa (6): Histograma asociata variabilei
aleatoare exponentiale
Metoda inversa (7): Simularea unei variabile aleatoare
discrete (1)
I Fie v.a. discreta X definita prin repartitia
X m
x1 x2 . . . xm
X : , pi = 1, x1 < x2 < . . . < xm .
p1 p2 . . . pm
i=1
(13)
I Functia de repartitie a v.a. X este data de
0 daca x < x1
p1 daca x1 x < x2
p1 + p2 daca x2 x < x3
F (x) = ... ... ...
p1 + p2 + . . . + pk daca xk x < xk+1
. .. ... ...
x xm
1 daca
(14)
Metoda inversa (8): Simularea unei variabile aleatoare
discrete (2)
I Fie (, B, P) un camp de probabilitate si
X , U : R, U U(0, 1).
I Definim v.a. X = Y U, X () = Y (U()), , unde
functia Y : [0, 1] {x1 , x2 , . . . , xm } este definita prin
x1 , 0 < u F (x1 )
x2 , F (x1 ) < u F (x2 )
Y (u) = (15)
... ...
xm , F (xm1 ) < u 1
def
I Functia de probabilitate a v.a. X , f (xi ) = P(X = xi ), devine
P(X = xi ) = P({ | Y (U()) = xi }) =
= P({ | F (xi1 ) < U() F (xi ) }) =
= F (xi ) F (xi1 ) = pi .
(16)
Metoda inversa (9): Algoritm pentru simularea unor
variabile aleatoare discrete
I Regula de generare a unei valori de selectie asupra v.a. X ,
pornind de la valoarea de selectie u a v.a. U U(0, 1):
X = xi daca F (xi1 ) < u F (xi ) si x0 < x1 (17)
I Algoritmul pentru simularea v.a. X :