Tehnici Simulare Statistica

1
Prof.univ.,dr., Alexei LEAHU
¼
TEHNICI DE SIMULARE STATISTICA
A SISTEMELOR
¼
c CHIŞINAU
2018
2
Introducere
Pentru a delimita aria de preocupari in cadrul cursului nostru vom trece in
revist¼a de…niţiile noţiunilor care stau la baza denumirii lui. Conform lucrarii
[I. V¼aduva] vom trata simularea, pornind de la urm¼ atoarea
De…niţie. Simularea este o tehnica de realizare a experimentelor cu
calculatorul, care implic¼a utilizarea unor modele matematice şi logice care
descriu comportamentul unui sistem real (sau a unor componente ale sale)
de-alungul unor perioade mari de timp în scopul cercet¼arii acestui sistem.
In particular, atunci când simularea implica utilizarea unor modele proba-
biliste şi se bazeaza pe producerea (generarea) de evenimente/numere aleatoare
(întâmpl¼ atoare) noi vom spune c¼ a avem de a face cu simulare statistic¼a.
Or, simularea statistic¼ a vizeaz¼ a imitarea fenomenelor (experimentelor, sis-
temelor) cu speci…c indeterminist (aleator). Spunem, de exemplu, ca un
fenomen observabil este indeterminist daca derularea acestuia nu poate …
anticipata cu certitudine.
În literatura de specialitate Simularea Statistic¼a mai este numita şi
Modelare Statistic¼a sau Metoda Monte Carlo [Vaduva, Ermakov].
Tehnicile de simulare statistic¼ a vizeaz¼a mai multe aspecte, cum ar …:
metodele (procedeele) de generare a numerelor (pseudo)aleatoare, de deter-
minare a volumului su…cient de simulari pentru a obţine estimaţii cât mai
exacte ai parametrilor studiaţi, de validare a modelului implicat, etc.
Vorbind despre simularea statistica a unui sistem vom avea in vedere,
asa cum o sugereaza si de…niţia , utilizarea modelului matematic corespunz¼ a-
tor acestui sistem. Deoarece modelele matematice reprezinta nişte descrieri
aproximative ale unor parţi din lumea real¼a cu ajutorul noţiunilor şi for-
mulelor matematice, rezult¼ a, c¼
a şi concluziile bazate pe simularea statis-
tic¼a redau realitatea cu o anumita doz¼ a de exactitate. Aceasta exactitate
poate … îmbun¼ at¼
aţit¼
a, utilizând noi metode şi modele matematice, dar si
perfecţionând tehnicile corespunz¼ atoare de simulare.
Utilizarea simularii statistice a sistemelor are drept efect:
1. Economisirea considerabil¼ a a resurselor umane şi materiale, inlocuind
cercetarea sistemului real cu simularea acestuia pe calculator;
2. Obţinerea unor r¼ aspunsuri (…e ele aproximative) chiar şi atunci când
cercetarea modelului matematic corespunzator nu poate …abordat prin metode
analitice existente;
3. Reducerea considerabila a timpului de testare a sistemului corespun-
zator gratie vitezelor de procesare ale calculatoarelor moderne.
3
Not¼ a. Înţelegerea acestui curs presupune cunoaşterea noţiunilor şi rezul-

tatelor toretice de baza din Teoria Probabilit¼ aţilor predate in Domeniile
Matematic¼ a, Informatic¼a, Inginerie, Economie, etc., domenii care au în Pla-
nurile lor de înv¼aţ¼
amânt disciplina menţionat¼
a.
4
Capitolul 1
GENERATORI DE NUMERE
ALEATOARE UNIFORME
1.1 Variabile aleatoare (v.a.) uniforme
Simularea (generarea) numerelor intâmpl¼ atoare (uniform repartizate),

cu alte cuvinte simularea realiz¼
arilor de valori ale unei variabile aleatoare
uniform repartizate cu ajutorul calculatorului este echivalent¼
a cu simularea
unuia din urmatoarele doua experimente aleatoare:
a) Alegerea unui numar la întâmplare din multimea de numere f0; 1; :::; N g,
N …ind numar întreg mai mare sau egal ca 1;
b) Alegerea unui numar la întâmplare din multimea de numere
fx j x 2 [0; 1]g sau fx j x 2 [a; b] ; a < b, a; b 2 Rg :
Menţion¼am ca în Teoria probabilit¼ aţilor sintagma "la întâmplare" pre-

supune ca …ecare eveniment elementar (rezultat posibil) are aceeaşi şans¼ a
(probabilitate) de realizare.
Efectuarea experimentului a) este echivalent¼ a, de exemplu, cu efec-
tuarea urmatorului experiment …zic: alegerea la întamplare a unei bile dintr-o
urna cu N + 1 bile numerotate de la 0 pân¼ a la N . Numarul X ales, astfel,
spunem ca este o variabil¼a aleatoare discreta uniform repartizata. Mai exact,
putem formula
5
6CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME
De…niţia 1 Vom spune c¼a variabila aleatoare X este repartizat¼a (distribuit¼a)

uniform pe f0,1,: : : N g, N 2 N şi se noteaz¼a X U f0,1,: : : ,N g dac¼a
X 2 X = f0,1,: : : N g şi probabilit¼aţile PfX = kg = 1=(N + 1); k = 0; N
. În particular, dac¼a numarul de valori posibile al v.a. X este egal cu
N + 1 = 2, atunci spunem c¼a X este o v.a. digital¼a uniform repartizat¼a,
iar daca.N + 1 = 1, adica N = 0, atunci spunem c¼a X este o v.a. degener-
at¼a, deoarece in acest caz PfX = 0g = 1:
Or, în experimenrul de mai sus sintagma "alegerea la întamplare" într-

adev¼ar exprim¼ a faptul c¼a …ecare num¼ ar are aceeaşi şans¼
a (probabilitate) de a
… ales, denumirea de "uniform¼ a" ataşata repartiţiei corespunz¼atoare indicând
asupra echiprobabilit¼ aţii valorilor posibile ale v.a. X. Mai mult, având un
generator de valori ale v.a. X U f0,1,: : : ,N g putem simula orice v.a. Y
cu valori echiprobabile din mulţima Y = fa0 ; a1 ::::; aN g, adic¼ a PfY = kg =
1=(N + 1), k = 0; N , N 2 N. Într-adevar, este su…cient sa stabilim o bijecţie
de forma, s¼ a zicem k ! ak , k = 0; N , N 2 N. Aceast¼ a procedur¼ a este
folosita pe larg in Statistica la eşantionare, daca dorim ca valoarea inclus¼ a în
esantion sa …e cu adev¼ arat întâmpl¼ atoare.
Problema 1 Ar¼ataţi ca dac¼a 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 echivalent¼ a, de exemplu, cu efec-

tuarea urmatorului experiment imaginar: alegerea (sau aruncarea) la întam-
plare 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 vari-
abil¼a aleatoare de tip (absolut) continuu, uniform repartizata. Mai exact,
putem formula
De…niţia 2 Vom spune c¼a variabila aleatoare X este repartizat¼a uniform

pe segmentul [0; 1] şi se noteaz¼a X U ([0; 1]), dac¼a X are densitatea de
repartiţie (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] :
Dac¼
a v.a. X are d.r.
1
fX (x) = I[a;b] (x),
b a
1.1. VARIABILE ALEATOARE (V.A.) UNIFORME 7
atunci spunem c¼a X este repartizat¼a uniform pe segmentul [a; b] şi se noteaz¼
a
X U ([a; b]), a < b, a; b 2 R .
Funcţia de repartiţie (f.r.) a v.a. X, adic¼
a
Zx
FX (x) = P(X x) = fX (u)du;
1
cazul …ind (absolut) continuu, coincide cu

8
< 0; daca x < 0;
FX (x) = x; daca x 2 [0; 1] ;
:
1; daca x > 0;
dac¼
aX U ([0; 1]) sau cu
8
< 0; daca x < a;
x a
FX (x) = b a
; daca x 2 [a; b] ;
:
1; daca x > b;
daca X U ([a; b]), a < b, a; b 2 R.
Experimentul cu alegerea la întâmplare a unui punct pe segmentul [a; b],

a < b, a, b 2 R, se íncadreaz¼ a perfect în De…niţia probabilitatii geometrice
[Leahu, Probabilit¼ aţi]. Acesta este modelat din punct de vedere matematic
de câmpul de probabilitate ( ; F; P), unde spaţiul de evenimente elementare
= [a; b], câmpul de evenimente ( algebra) F coincide cu familia sub-
mulţimilor boreliene din [a; b], adic¼a F = B([a; b]), iar m¼
asura probabilist¼a
P este dat¼ a de formula
(A) (A)
P(A) = = ; 8A 2 F;
( ) b a
unde : F !R este m¼ asura Lebesgue, adic¼ a m¼asura ce pune in core-
spondenţa intervalului (închis, deschis, la stânga, la dreapta) determinat de
punctele a; b 2 R lungimea acestui interval. Or, sintagma "alegerea la în-
tamplare" exprim¼ a, şi în acest caz, faptul c¼
a …ecare num¼ar ales are aceeaşi
şans¼
a (probabilitate) de a … ales, chiar dac¼ a, aceasta probabilitate este egala
cu P(A) = 0, 8A = fxg ; x 2 [a; b] , a < b, a; b 2 R.
Leg¼atura dintre v.a. uniform repartizate pe [0; 1] si v.a. uniform reparti-
zate pe [a; b] este exprimata ín
Propoziţia 3 Daca avem doua v.a. X U ([0; 1]) şi Y U ([a; b]), a < b,
a; b 2 R, atunci v.a. (b a)X + a U ([a; b]), iar v.a. Yb a
a
U ([0; 1]) :
Demonstraţie 1 Vom demonstra prima parte a propozitiei, deoarece partea

a doua poate … demonstrat¼a în 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 dat¼a de
x a
F(b a)X+a (x) = P((b a)X+a x) = P(X )=
b a
8 8
< 0; daca xb aa < 0; < 0; daca x < a;
x a x a x a
b a
; daca b a
2 [0; 1] ; = b a
; daca x 2 [a; b] ;
: :
1; daca xb aa > 0; : 1; daca x > b:
Aceasta însemn¼a c¼a X U ([0; 1]) implic¼a (b a)X + a U ([a; b]).
Problema 2 Ar¼ataţi ca dac¼a X 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.
Concluzie 1 Dac¼a 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 şi viceversa, dac¼a y este
o realizare a v.a. Y U ([a; b]), a < b, a; b 2 R, atunci xb aa este o realizare
a v.a. X U ([0; 1]). Aceasta ínseamn¼a ca pentru simularea numerelor
aleatoare uniforme de tip (absolut) continuu este su…cient sa putem genera
doar valori ale v.a. X U [0; 1].
Urm¼atoarea Propozitie arat¼a ca un generator de valori a v.a. X U ([0; 1])

este su…cient şi pentru generarea numerelor aleatoare uniforme de tip discret.
Propoziţia 4 Daca v.a. X U ([0; 1]), atunci v.a.
X
N
Y = kI[ k ; k+1 ) (X) U f0; 1; : : : ; N g;
N +1 N +1
k=0
Demonstraţie 2 Observ¼am ca Y este o v.a. care ia, cu probabilitatea 1,

valori din mulţimea f0; 1; : : : ; N g şi c¼a
k k+1
PfY = kg = P(X 2 ; ) = 1=(N + 1); k = 0; N .
N +1 N +1
Prin urmare Y U f0; 1; : : : ; N g.
1.1. VARIABILE ALEATOARE (V.A.) UNIFORME 9
Propoziţia 5 Dac¼a (Xn )n>1 este un şir de variabile aleatoare digitale in-
dependente identic repartizate (i.i.r.) uniform, adic¼a Xn U f0,1g, 8n > 1,
atinci v.a.
X1
Xn
Y = U ([0; 1]) :
n=1
2n
P
1
Demonstraţie 3 Consider¼am v.a. X U ([0; 1]) şi v.a Y = Xn =2n ,
n=1
unde (Xi )i2N este un şir de v.a.digitale i.i.r. uniform repartizate, adica
P(Xi = 0) = P(Xi = 1) = 1=2; i 2 N :
Evident, Y 2 [0; 1]: În plus, deoarece P pentru orice x 2 [0; 1]; exist¼
a
i
("i )i2N ; "i 2 f0; 1g; i 2 N astfel încât x = "i =2 ; rezult¼
a c¼
a
i2N
[
1
fY xg = fX1 = "1 ; :::; Xk = "k ; Xk+1 "k+1 g;
k= 0
unde evenimentele ce fac parte din reuniune sunt incompatibile dou¼

a câte
dou¼
a. Deci,
X
1
P(Y x) = P(X1 = "1 ; :::; Xk = "k ; Xk+1 "k+1 ) =
k= 0
X
1 X
1
k (k+1)
= 2 P(Xk "k+1 ) = 2 "k+1 = x:
k= 0 i= 0
Aceasta înseamn¼ a c¼a v.a. Y este uniform repartizat¼ a pe [0; 1]; adic¼
a
din punct de vedere probabilistic v.a. X şi Y au aceeaşi repartiţie. Drept
consecinţ¼
a, v.a. X uniform repartizat¼
a pe [0; 1] poate … reprezentat¼ a în forma
P1
X= Xn =2n , unde (Xi )i2N este un şir de v.a.digitale independente, idenic
n=1
uniform repartizate, independente chiar dac¼ a, dat¼
a …ind originea lor, ele sunt
legate între ele.
Dealtfel, Propoziţia 3 arata ca independenţa în sens probabilist este mai
larga decât independenţa în sens intuitiv.
Concluzie 2 Propoziţia 3, coroborat¼a cu Concluzia 1, arat¼a, de fapt, ca

pentru simularea oricarui tip de v.a. uniform repartizate este su…cient sa
avem un Generator de numere digitale uniforme cu proprietatea ca acestea
sa …e independente in sens probabilist. Cu alte cuvinte, ea arata ca nu-
merele aleatoare uniform repartizate pe [0; 1] pot … simulate prin intermediul
arunc¼arii repetate a unei monede "perfecte", considerând ca rezultatul unei
aruncari este num¼arul 0, daca apare "stema" sau 1, daca apare "banul".
Probleme
1. Fie X U f0,1,: : : ,N g, N 2 N. Demonstraţi c¼ a v.a. Y = N X

U f0,1,: : : ,N g, adic¼
a v.a. X şi Y sunt echivalente.
2. Fie X; Y doua v.a.i., X; Y U f0,1,: : : ,N g. A‡aţi repartiţia v.a.
X +Y.
3. Fie X U ([0; 1]). Demonstraţi c¼ a v.a. Y = 1 X U ([0; 1]), adic¼ a
v.a. X şi Y sunt echivalente.
1.2 Generatori de numere (pseudo) aleatoare

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

…zic (experiment aleator real) sau un algoritm realizat cu ajutorul calcula-
torului care produce (simuleaza) valori independente (sau slab dependente)
ale unei variabile aleatoare uniform repartizate. În 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 "per-
fect", unei rulete folosite la jocurile de noroc, contorului Gheigher care inreg-
istreaza particulele emise aleator de o substanta radioactiva, bruiajul unui
aparat de radio, etc. Aceştia …ind cunoscuţi sub denumirea de Generatori
veritabili de numere aleatoare (Real Random Number Generators) sunt, to-
tuşi costisitori şi greoi din punct de vedere al aplicatiilor.
În cursul nostru vom aborda numai GNA pe baza de soft. Cum orice
algoritm realizat in mod programatic cu ajutorul calculatorului este pre-
dictibil, adic¼a determinist, rezulta ca nu putem spune c¼ a numerele produse
1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.11
astfel sunt cu adev¼ arat aleatoare. Aici se potriveşte urm¼ atorul citat: "Oricine
crede în metode aritmetice de producere a numerelor aleatoare comite un
p¼acat"[J. von Neumann, 1951]. Totuşi exista, dup¼ a cum vom vedea, algo-
ritmi, pentru care şirul de numere produse cu ajutorul softului corespunz¼ ator
poseda, cu o anumit¼ a exactitate, propriet¼ aţile unui şir de numere aleatoare.
În aceste cazuri spunem ca avem de a face cu un Generatori de numere
pseudo-aleatoare (GNPA).
Chiar dac¼ a ştim c¼a ştim ca un GNPA produce numere dup¼ a un algoritm
prestabilit, apare întrebarea …reasca: ce propriet¼ aţi trebuie sa satisfac¼
a aceste
numere ca s¼ a putem spune, de exemplu, ca acestea reprezint¼ a valori a unei v.a
X U f0; 1; : : : ; 9g? În primul este necesar ca procesul producerii de numere
s¼
a aib¼ a, din punct de vedere al observatorului (altul decât programatorul
algoritmului) propriet¼ aţile regularit¼
aţii statistice.
Amintim ca E este un experiment aleator ce posed¼ a proprietatea regular-
it¼aţii (stabilit¼aţii) statistice daca::
0) rezultatul acestui experiment nu poate … anticipat cu certitudine;
1) E poate … reprodus ori de câte ori dorim practic în aceleaşi condiţii;
2) pentru orice eveniment A asociat lui E frecvenţa lui relativ¼a în n
probe
numarul de probe ^{n care s a produs A n(A)

fn (A) = =
numarul total de probe n
oscileaz¼a în jurul unui num¼ar notat cu P(A); P(A) 2 [0; 1], fn (A) devenind,
odat¼a cu creşterea lui n, ”tot mai aproape şi mai aproape de P(A)";
3) pentru dou¼a serii diferite, respectiv de n şi m probe, atunci când n şi
m sunt foarte mari, avem c¼a fn (A) fm (A) .
Îns¼
a veri…carea acestor propriet¼ ati (pe cât de simple pe atât de dis-
cutabile) nu este su…cient¼ a. Într-adevar, putem veri…ca, suplimentar, dac¼ a
frecvenţia relativ¼
a fn (k) a numarului k oscileaz¼ a, odat¼
a cu creşterea lui n,
în jurul probabilit¼ aţii teoretice P fX = kg = 1=10, k = 0; 9 . Putem veri…ca
chiar şi faptul ca media aritmetica a primelor n numere oscileaz¼ a, odat¼
a cu
creşterea lui n; în jurul mediei teoretice EX = 4:5. Ultima ar … în deplin¼ a
conformitate cu Legea Numerelor Mari. În mod analog, putem veri…ca dac¼ a
şi dispersia de selecţie a primelor n numere "tinde", odat¼ a cu creşterea lui
n, catre dispersia teoretic¼ a DX = 99=12. Toate acestea nu vor garanta, to-
tuşi, valabiltatea ipotezei c¼ a numerele generate reprezinta valori ale unei v.a
X U f0; 1; : : : ; 9g. Pentru siguranţa este nevoie sa apel¼ am la metode mai

avansate ale Statisticii Matematice.
Astfel, în cazul nostru, dac¼ 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 eşantion de volum n extras dintr-o populaţie
statistica a unei v.a. X guvernate de repartiţia FX ( ) necunoscut¼ a. Atunci
vom putea spune ca numerele generate reprezint¼ a valori a unei v.a X
U f0; 1; : : : ; 9g daca in baza unui criteriu corespunz¼ator de veri…care a ipotezelori,
sa zicem criteriul Hi-p¼ atrat, este acceptata ipoteza nula H0 : FX ( ) = F0 ( )
U f0; 1; : : : ; 9g împotriva alternativei H1 : FX ( ) 6= F0 ( ): Veri…carea indepen-
denţei numerelor x1 ,x2 ,...,xn , ... face parte, deasemenea, din validarea GNA.
În plus, nu putem ignora faptul ca oricât de performant ar … calculatorul,
faptul ca lungimea cuvãntului de calculator este, totuş …nit¼ a, implica, spre ex-
emplu, 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 in…nite. Din acelea-si mo-
tive, GNPA vor avea defectul de a produce o secvenţa de numere care se va
repeta ciclic, prin urmare, periodicitatea …ind inerenta oric¼ arui GNPA, este
de dorit ca aceasta secventa sa …e cat mai lunga. Drept con…rmare a faptului
ca lansarea unui nou GNPA trebuie sa …e anticipat¼ a de o analiza matematic¼ a
grijulie a caracterului "su…cient de aleator" a numerelor generate serveste si
avertismentul cunoscutului specialist in programarea calculatoarelor Donald
E. Knuth care în 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 metod¼a aleas¼a la
întâmplare". Considerentele aduse arat¼ a nu numai cât de di…cil¼ a este prob-
lematica GNA uniforme, dar arata şi care sunt aspectele principale de care
trebuie sa ţinem cont la validarea oric¼ arui GPNA, inclusiv validarea genera-
torilor prezentaţi în continuare.
Pe Internet, la adresa:
http://en.wikipedia.org/wiki/
List_of_pseudorandom_number_generators#gsl_rng_mt19937
putem g¼ asi urm¼ atoarea list¼
a cu generatoare de numere pseudo-
aleatoare recomandate spre aplicare în simularea statistic¼ a. Aşa
cum se a…rm¼ a în aceast¼
a pagin¼
a "ele au perioade extrem de lungi, grad sc¼azut
de corelare şi au trecut majoritatea testelor statistice". Rutinele descrise în
aceast¼
a list¼
a fac parte din GNU Scienti…c Library. GNU Scienti…c Library
este o biblotec¼a de programe scrise în limbajul de programare C pentru cal-
cule numerice în matematica aplicat¼

a şi ştiinţ¼
a.
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 623-
dimensionally 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 Lüscher, which produces "luxury random numbers". This gen-
erator provides single precision output (24 bits) at three luxury levels ran-
lxs0, ranlxs1 and ranlxs2. It uses double-precision ‡oating point arithmetic
internally and can be signi…cantly 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 pro-
vide truly decorrelated numbers at a known level of randomness. The higher
luxury levels provide additional decorrelation between samples as an addi-
tional 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 de-

veloped by Lüscher. It uses a lagged-…bonacci-with-skipping algorithm to
produce "luxury random numbers". It is a 24-bit generator, originally de-
signed for single-precision IEEE ‡oating point numbers. This implemen-
tation is based on integer arithmetic, while the second-generation versions
RANLXS and RANLXD described above provide ‡oating-point implemen-
tations 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 Lüscher is provided by
gsl_rng_ranlux, while gsl_rng_ranlux389 gives the highest level of random-
ness, with all 24 bits decorrelated. Both types of generator use 24 words of
state per generator.
M. Lüscher, "A portable high-quality random number generator for lattice
…eld theory calculations", Computer Physics Communications, 79 (1994) 100-
110.
F. James, "RANLUX: A Fortran implementation of the high-quality
pseudo-random number generator of Lüscher", Computer Physics Commu-
nications, 79 (1994) 111-114
1.5. gsl_rng_cmrg
This is a combined multiple recursive generator by L’Ecuyer. 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. L’Ecuyer, "Combined Multiple Recursive Random Number Genera-
tors," Operations Research, 44, 5 (1996), 816–822.
1.6. gsl_rng_mrg
This is a …fth-order multiple recursive generator by L’Ecuyer, 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. L’Ecuyer, F. Blouin, and R. Coutre, "A search for good multiple re-
cursive 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
L’Ecuyer. 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. L’Ecuyer, "Maximally Equidistributed Combined Tausworthe Gener-
ators", Mathematics of Computation, 65, 213 (1996), 203–213.
P. L’Ecuyer, "Tables of Maximally Equidistributed Combined LFSR Gen-
erators", Mathematics of Computation, 68, 225 (1999), 261–269
1.8. gsl_rng_gfsr4
The gfsr4 generator is like a lagged-…bonacci generator, and produces
each number as an xor’d 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 de…nition of the
generator. Nice mathematical properties can be derived for GFSR’s, and
numerics bears out the claim that 4-tap GFSR’s with appropriately chosen
o¤sets are as random as can be measured, using the author’s test.
This implementation uses the values suggested the example on p392 of
Zi¤’s article: A=471, B=1586, C=6988, D=9689.
If the o¤sets are appropriately chosen (such as the one ones in this im-
plementation), 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 conse-
quence 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 gener-
ators", 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 speci…es 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 di¤erent seeding procedure, and thus
produces di¤erent sequences.
The original BSD routines accepted a variable length bu¤er for the gen-
erator state, with longer bu¤ers providing higher-quality randomness. The

random() function implemented algorithms for bu¤er lengths of 8, 32, 64, 128
and 256 bytes, and the algorithm with the largest length that would …t into
the user-supplied bu¤er 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 bu¤er length. The original BSD
random function used a 128-byte default bu¤er and so gsl_rng_random_bsd
has been made equivalent to gsl_rng_random128_bsd. Corresponding ver-
sions 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
de…ned on 48-bit unsigned integers with a = 25214903917, c = 11 and
m = 2^48. The seed speci…es 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 di¤erent 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 non-
prime 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 signi…cant 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 signi…cant
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
de…ned on 48-bit unsigned integers with a = 44485709377909 and m =
2^48. The seed speci…es 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", de…ned 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. How-
ever, 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 speci…es 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 De-
velopment system. Its sequence is:
x_{n+1} = (a x_n) mod m
with a = 1664525 and m = 2^32. The seed speci…es 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 Miller’s "minimal standard" MINSTD generator, a sim-
ple 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 speci…es 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" (I’m 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 gen-
erator 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 Knuth’s Seminumerical Algorithms, 3rd Ed., pages 106-108. Its se-
quence 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 Knuth’s
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 speci…es the initial value, x_1.
3.14. gsl_rng_…shman18
This is the Fishman, Moore III random number generator. It is taken
from Knuth’s Seminumerical Algorithms, 3rd Ed., pages 106-108. Its se-
quence is:
x_{n+1} = (a x_n) mod m

with a = 62089911 and m = 2^31 - 1. The seed speci…es the initial value,
x_1.
3.15. gsl_rng_…shman20
This is the Fishman random number generator. It is taken from Knuth’s
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 L’Ecuyer–Fishman random number generator. It is taken from
Knuth’s 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 speci…es 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 L’Ecuyer random number generator. It is taken from Knuth’s
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 Knuth’s
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) & 0x7¤f;
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 (REPARTIŢII)
PROBABILISTE UZUALE
2.1 Modele (repartiţii) probabiliste uzuale în

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
dac¼a exist¼a o mulţime …nita sau in…nit¼a cel mult num¼arabila X R astfel
încât X ia valori din X cu probabilitatea 1, adic¼a. P (X 2 X) = 1. Or,
putem considera ca X = fx1 ; x2 ; :::; xn ; :::g, unde x1 < x2 < ::: < xn < :::. În
genere comportamentul probabilist al unei v.a. X poate … modelat din punct
def
de vedere matematic cu ajutorul funcţiei ei de repartiţie (f.r.) FX (x) =
P(X x), 8x 2 R. În caz discret, îns¼ a, aceast¼ a form¼a de modelare poate …
înlocuit¼
a cu repartiţia v.a. care prin de…niţie este şirul de perechi f(xi ; pi )gi>1
sau tabloul
x1 ; x2 ; :::; xn ; :::
X: ;
p1 ; p2 ; :::; pn ; :::
P
unde pi = P(X = xi ) >0 şi pi = 1. Aceste dou¼ a forme sunt echivalente
i>1
în sensul c¼
a, ştiind functia de repartiţie putem restabili repartiţia v.a. X şi
viceversa, deoarece au loc urm¼ atoarele relaţii:
X
FX (x) = pi ; 8x 2 R; (1)
xi :xi x
23
24 CAPITOLUL 2. MODELE (REPARTIŢII) PROBABILISTE UZUALE
pi = P(X = xi ) = FX (xi ) FX (xi 0); 8i > 1; (2)

unde
FX (xi 0) = lim FX (a).
a%xi
Observaţia 1 Din Formula de inversiune [Leahu, Probabilit¼aţi], rezulta c¼a,

atât în cazul discret cât în cazul (absolut) continuu, de…nirea v.a. X prin
intermediul funcţiei ei caracteristice
def p
'X (t) = EeitX ; i = 1, t 2 R
este o form¼a alternativ¼a echivalenta de…nirii prin intermediul funcţiei ei de

repartiţie FX .
Conform Concluziei 2 din p.1.1., cel mai important model probabilist

în caz discret este repartiţia uniform¼ a, adic¼ a X U f0,1,: : : ,N g, N 2 N,
un rol aparte la construirea algoritmilor de simulare a numerelor aleatoare
neuniforme jucãndu-l repartiţia digital¼ a uniform¼ a X U f0,1g.
Urm¼atoarele repartiţii modeleaz¼
a şi ele clase întregi de experimente (fenomene)
aleatoare.
2.1.1 Repartiţia Bernoulli cu parametrul p, p 2 [0,1]

De…niţia 1. Vom spune c¼ a variabila aleatoare X este repartizat¼a Bernoulli
cu parametrul p 2 [0,1] (se noteaz¼
a X Bernoulli(p)), dac¼ a
0 1
X: :
1 p p
Acest model descrie,din punct de vedere matematic, experimentul Bernoulli.

Problema 1. Ar¼ ataţi c¼
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):
De…niţia 2. Experimentul E se numeşte experiment (prob¼

a) Bernoulli
dac¼
a acesta posed¼
a urm¼
atoarele propriet¼
aţi:
1. mulţimea de rezultate posibile = fsucces, insuccesg = f1,0g;

2.1. MODELE (REPARTIŢII) PROBABILISTE UZUALE ÎN CAZ DISCRET25
2. probabilitatea succesului p este aceeaşi în …ecare prob¼

a, p 2 [0; 1];
3. rezultatele unei probe nu in‡uenţeaz¼

a rezultatele celorlalte probe.
Exemplul 1. În calitate de exemple de probe Bernoulli putem lua arun-

carea monedei o singur¼ a dat¼
a, unde "succes" putem considera, de pild¼ a,
apariţia stemei, deasemenea, aruncarea zarului o singur¼
a data, unde "succes"
putem considera, de pild¼ a, apariţia unui num¼
ar par de puncte. În genere,
orice experiment aleator E poate … considerat experiment Bernoulli dac¼ a ne
intereseaz¼ a doar producerea sau nu a evenimentului A asociat experimen-
tului E, adic¼ a producerea evenimentului A o consider¼am succes iar produc-
erea evenimentului A -insucces, cu condiţia ca acest experiment s¼ a poat¼ a
… repetat independendent unul de altul. Într-adevar, luând = fA,Ag,
p = P (A) 2 [0,1], probele …ind independente, vom aveea un experiment
Bernoull.
Dac¼ a not¼am cu X num¼ arul de succese într-o prob¼
a Bernoulli, obţinem
repartiţia
0 1
X:
1 p p
În concluzie, repartiţia digital¼
a uniform¼
a este un caz particular al repar-
tiţiei Bernoulli(p) atunci când p = 1=2.
2.1.2 Repartiţia binomial¼ a cu parametrii n şi p, n =

1,2,: : : ; p 2 [0,1]
De…niţia 3. Vom spune c¼ a variabila aleatoare X este repartizat¼a binomial
cu parametrii n 2 f1,2,: : : g şi p 2 [0,1] ( se noteaz¼
a X Bi(n,p)); p 2 [0,1])
dac¼
a repartiţia ei este dat¼
a de formula
P(X = k) = Ckn pk (1 p)n k ; k = 0; n:
Remarca 2. De…niţia este corect¼

a deoarece
X
n X
n
P(X = k) = Ckn pk (1 p)n k
k=0 k=0
= (p + (1 p))n = 1n = 1:
Din punct de vedere teoretic, acest model descrie comportamentul prob-

abilistic al num¼arului de succese în n probe Bernoulli cu probabilitatea suc-
cesului p în …ecare prob¼a. Aceasta se vede din
Teorema 1. Daca X este num¼ arul de succese în n probe Bernoulli cu
probabilitatea succesului p 2 [0,1] în …ecare prob¼ a, atunci X Bi(n,p).
Demonstraţie. Spaţiul de evenimente elementare corespunz¼ ator repet¼
arii
unui experiment Bernoulli de n ori este = f(a1 ,a2 ,: : : ,an ) j ai = 0,1,
i = 1; ng. Aşa dar, notând cu 1 succesul şi 0 insuccesul, orice rezultat poate
… reprezentat ca o secvenţ¼ a de zerouri şi unit¼
aţi 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
n nP
ai n ai
a1 1 a1 a2 1 a2 an 1 an
p (1 p) p (1 p) p (1 p) = pi=1 (1 p) i=1 :
P
n
Dar fX = kg = f(a1 ; a2 ; : : : ; an ) 2 j ai = kg cu card f(a1 ; a2 ; : : : ; an ) 2
i=1
P
n
j ai = kg = Ckn . Prin urmare,
i=1
P
n P
n
X
1
ai n ai
P(X = k) = p i=1 (1 p) i=1 =
a1 ;:::;an =0
a1 + +an =k
X X
pk (1 p)n k
= pk (1 p)n k
= 1=
a1 ;:::;an =0;1:a1 + +an =k a1 ;:::;an =0;1:a1 + +an =k
cardf(a1 ; a2 ; : : : ; an ) 2 j a1 + + an = kgpk (1 p)n k

=
Ckn pk (1 p)n k ; k = 0; n:
Notând prin Xi numarul de succese in proba Bernoulli nr. 1, deducem
urm¼atoarea
Consecinţ¼a. 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 întoarse). Dintr-o urn¼ a ce conţine N bile,
dintre care M bile roşii şi N M bile albe extragem la întâmplar una câte una
n bile, cu întoarcerea bilei în cutie dup¼ a ce not¼am culoarea ei. S¼ a se calculeze

probabilitatea c¼ a printre n bile extrase, exact k sunt roşii, 0 k n.
Folosirea expresiei "la întâmplare" ne permite calculul acestei probabil-
it¼
aţi folosind de…niţia clasic¼
a. Numerot¼ am bilele roşii de la 1 la M şi bilele
albe de la M + 1 la N . Atunci spaţiul evenimentelor elementare posibile se
scrie astfel:
= (i1 ; i2 ; ; in ) j ij = 1; N; j = 1; n
Întrucât extragerea bilelor se face cu întoarcere, este posibil ca la o realizare

a experimentului o bil¼ a s¼
a …e extras¼ a de mai multe ori. Construirea unui
element din poate … privit¼ a ca realizarea unei acţiuni în n etape, la etapa
k completându-se poziţia k, k = 1; n. Întrucât pentru …ecare poziţie exist¼ a
exact N posibilit¼
aţi de a alege o bil¼
a, cardinalul acestei mulţimi
card( ) = N n :
Evenimentul A = fprintre n bile extrase exact k vor … roşiig 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 şir ordonat (i1 ; i2 ; ; in ) 2 A se poate construi în trei etape succe-
sive:
1.din n locuri posibile se aleg k poziţii pe care vom aşeza bilele roşii, etap¼
a
care poate … realizat¼ a în Ckn modalit¼ aţi;
2.complet¼am cele k poziţii alese la pasul anterior cu bile roşii, adic¼ a cu
numere din mulţimea f1; 2; ; M g, numere care se pot repeta. Aceast¼ a
etap¼ a se poate realiza în M k modalit¼ aţi;
3.complet¼am poziţiile r¼amase, în num¼ ar de n k, cu numere din mulţimea
fM + 1; M + 2; ; N g. Aceast¼ a etap¼ a se realizeaz¼ a în (N M )n k modal-
it¼
aţi.
Conform principiului înmulţirii rezult¼ a c¼a valoarea
card(A) = Ckn M k (N M )n k .
Prin urmare probabilitatea evenimentului A:
k n k
card(A) Ck M k (N M )n k
M N M
P(A) = = n = Ckn ,
card( ) Nn N N
0 k n.
Exemplul 3. Consider¼ am aruncarea unui zar perfect de n ori, iar eveni-

mentul faparitia feţei 6 g drept succes , probabilitatea succesului în …ecare
prob¼
a …ind egal¼ a cu p = Pf6g = 61 . Dac¼
a X este num¼ arul de arunc¼
ari în care
apare faţa 6, atunci
P(X = k) = Ckn pk (1 p)n k ; k = 0; n.
Probabilitatea, spre exemplu, c¼

a faţa 6 nu apare niciodat¼
a
n
5
P(X = 0) = Cn0 0
p (1 p)n 0
= .
6
Bi(n; p)), p 2 [0,1] sunt egale respectiv cu
EX = np; DX = np(1 p):
Indicaţie. Folosiţi Teorema 1, adic¼

a faptul ca
X
n
X= Xk , unde Xk Bernoulli(p)); p 2 [0;1];
k=1
şi propriet¼
aţile valorii medii si dispersiei [Leahu].
2.1.3 a cu parametrul p, p 2 [0,1]

Repartiţia geometric¼
De…niţia 4. Vom spune c¼ a variabila aleatoare X este repartizat¼a geometric
cu parametrul p 2 [0,1] ( se noteaz¼
aX Geom(p)) dac¼a repartiţia ei este
dat¼
a de formula
P(X = k) = p(1 p)k 1 ; k = 1; 2; : : :
Remarca 3. De…niţia este corect¼

a deoarece
X
p(1 p)k 1 = p(1 + (1 p) + (1 p)2 + : : : )
k>1
1
= p =1
1 (1 p)
Propoziţia 1. Dac¼ a X este num¼ arul de probe Bernoulli, cu probabil-
itatea succesului p 2 [0,1] în …ecare prob¼a, efectuate pân¼
a la înregistrarea
primului succes,inclusiv proba în care s-a înregistrat primul succes, atunci

X~Geom(p).
Demonstraţie. 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 ; dac¼a în num¼arul X este in-
a şi proba în care s-a produs succesul, k > 1.
clus¼
Teorema 2 (Proprietatea lipsei memoriei pentru repartiţia geo-
metric¼ a). Dac¼ a P(X = k) = p(1 p)k 1 ,
a X~Geom(p), p 2 [0,1], adic¼
k = 1; 2; : : : , atunci
P(X = n + m = x > m) = p(1 p)n 1 , n = 1; : : : şi m = 1; : : : :
Demonstraţie.
P(fX = n + mg \ fX > mg)

P(X = n + m = x > m) = =
P(X > m)
P(X = n + m) p(1 p)m+n 1

=
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; : : : .
Problem¼ a 3. Demonstraţi c¼ a are loc şi reciproca acestei a…rmaiţii: Dac¼a

v.a X 2 f1; 2; : : : g şi repartiţia ei are proprietatea c¼a exist¼a un num¼ar p 2
[0,1] astfel încât P (X = m + n = X > m) = p(1 p)n 1 ,8 n; m = 1; 2; : : : ,
atunci X Geom(p).
Geom(p), p 2 [0,1] sunt egale respectiv cu
EX = 1=p; DX = (1 p) =p2 :
Indicaţie. Sa se aplice Metoda Funcţiilor caracteristice sau generatoare

[Leahu]
2.1.4 Repartiţia binomial¼

a cu exponent negativ şi cu
parametrii k şi p
De…niţia 5. Vom spune c¼ a variabila aleatoare X este repartizat¼a binomial
cu exponent negativ şi cu parametrii k şi p, k 2 N, p 2 [0,1] (se noteaz¼ a
X Bineg(k; p)) dac¼ a repartiţia sa este dat¼
a de formula
P(X = i) = Cik+i 1 pk (1 p)i ; i = 0; 1; 2; : : :
Propoziţia 2. Dac¼a X este num¼arul de insuccese în probe Bernoulli

cu probabilitatea "succesului" p 2 [0,1] în …ecare prob¼a ; pân¼a la ínregistrarea
primelor k succese, atunci X~Bineg(k; p).
Remarca 4. Observ¼ am c¼
a
P(X = i) = Cik+i 1 pk (1 p)i ; i = 0; 1; 2; : : :
arii în serie a expresiei pk (1 p) k , fapt care

este termenul general al dezvolt¼
explic¼
a şi denumirea de repartiţie binomial¼a cu exponent negativ. În plus,
din Propoziţia 2 rezult¼
a c¼
a
X
k
X= Xk k Bineg(k; p), unde Xk Geom(p); p 2 [0;1]:
i=1
Problema 5. Demonstraţi Propoziţia 2.

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 :
Indicaţie. Sa se aplice Remarca 3, propriet¼

aţile valorii medii şi dispersiei,
dar si soluţia Problemei 4.
2.1.5 Repartiţia Pascal cu parametrii k şi p

De…niţia 6. Vom spune c¼ a variabila aleatoare X este repartizat¼a Pascal
cu parametrii k şi p, k 2 N, p 2 [0,1] (se noteaz¼ aX P ascal(k; p)) dac¼
a
repartiţia sa este dat¼
a de formula
P(X = i) = Cii k1 pk (1 p)i k ; i = 1; 2; : : :

Propoziţia 3. Dac¼a X este num¼arul de probe Bernoulli cu probabilitatea

"succesului" p 2 [0,1] în …ecare prob¼a ; pân¼a la ínregistrarea primelor k suc-
cese, inclusiv proba în care s-a produs succesul nr. k, atunci X~P ascal(k; p).
Remarca 5. Observ¼ am c¼a pentru k = 1 repartiţia P ascal(1; p) coincide
cu repartiţia Geom(p), ceea ce este in cconcordanţ¼ a cu Propoziţiile 1 şi 3.
Din Propoziţia 3 rezult¼a c¼
a
X
k
X= Xk P ascal(k; p), unde Xk Geom(p); p 2 [0;1]:
i=1
Or, folosind propriet¼

aţile valorii medii şi dispersiei, deducem c¼
a
EX = k=p; DX = k (1 p) =p2 :
Problema 5. Demonstraţi Propoziţia 3.
2.1.6 Repartiţia Poisson cu parametrul , >0

De…niţia 7. Vom spune c¼
a variabila aleatoare X este repartizat¼a Poisson
cu parametrul > 0 (se noteaz¼aX P oisson( )) dac¼
a repartiţia sa este
dat¼
a de formula
k
P(X = k) =e ; k = 0; 1; : : :
k!
Remarca 6. De…niţia este corect¼a deoarece
X X k X k
P(X = k) = e =e =e e = 1:
k>0 k>0
k! k>0
k!
Din punct de vedere teoretic, acest model descrie:
num¼
arul de bacterii descoperite într-o pic¼
atur¼
a de ap¼
a;
num¼arul de particule radioactive emise într-o unitate de timp de o

substanţa radioactiv¼
a;
num¼arul de erori comise de un programator într-un program de lungime

dat¼
a;
num¼
arul de erori de tipar descoperite într-o pagin¼
a de carte;
num¼arul de bombe pe km2 cazute în oraşul Londra în timpul celui de

al doilea R¼
azboi Mondial, ş.a.
Repartiţia Poisson poate … folosit¼ a, în anumite condiţii, la aproximarea

repartiţiei binomiale. Într-adev¼
ar are loc
Teorema 3 (Teorema limit¼ a Poisson). Dac¼ a X Bi(n; p), n ! 1,
p ! 0, astfel încât np ! , > 0, atunci
k
P(X = K) = Ckn pk (1 p)n k
! e ; k = 1; 2; : : : :
n!1 k!
Demonstraţie. Din ipoteza rezult¼
a c¼
a p poate … scris p = n
+ o( n1 )
pentru n su…cient de mare. Deci
P(X = k) = Ckn pk (1 p)n k

=
k
n! 1 1
+ o( ) (1 o( ))n k
=
k!(n k)! n n n n
k n
n(n 1) : : : (n k + 1) 1 1
(1 + o(1)) 1 o( )
k! nk n n (1 n
o( n1 ))k
k
! e , k = 0; 1; : : : .
k!
n!1

P oisson( ), > 0 sunt egale respectiv cu
EX = DX = :
2.1.7 a cu parametrii N , M
Repartiţia hipergeometric¼
şi n
De…niţia 8. Vom spune c¼ a variabila aleatoare X este repartizat¼a hiper-
geometric cu parametrii N , M , n (se noteaz¼ a X~Hypergeom(N ,M ,n)) ,
M; n N dac¼ a repartiţia ei este dat¼
a de formula
CkM CnN k
M
P(X = k) = ; k = 0; min(n; M ):
CnN
Din punct de vedere teoretic, acest model modeleaz¼ a experimentul în care
dispunem de o urn¼a în care se a‡a¼ N bile, dintre care M bile roşii şi N M
bile albe şi din care extragem la întâmplare far¼ a repetare n bile. Dac¼
a X este
num¼ arul de bile roşii printre n bile extrase;atunci variabila X are distribuţia
CkM CnN k
M
P(X = k) = ; k = 0; min(n; M ):
CnN
Aceasta rezult¼ a din
Exemplul 4 (Schema bilei neîntoarse). Dintr-o urn¼ a ce conţine M
bile roşii şi N M bile albe extragem la întâmplare n bile. Ne intereseaz¼ a
probabilitatea c¼ a printre cele n bile extrase exact k bile vor … roşii.
Sintagma "la întâmplare" este esenţial¼ a întrucât aceasta indic¼ a asupra
echiprobabilit¼ aţii evenimentelor elementare. Drept consecinţ¼ a putem aplica
de…niţia clasic¼ a a probabilit¼aţii.
Vom considera bilele roşii numerotate de la 1 la M şi bilele albe numero-
tate de la M + 1 la N . Atunci spaţiul 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
şi card( ) = CnN .

Not¼
am prin Ak evenimentul c¼
a printre n bile extrase exact k bile vor …
roşii:
Ak = ffi1 ; i2 ; ; in g 2 j card (fi1 ; i2 ; ; in g \ f1; 2; ; M g) = kg ,

k = 0; min(n; M ):
Conform principiului înmulţirii în limbajul acţiunilor, a forma o com-

binare din n bile astfel încât k bile s¼
a …e de culoare roşie este echivalent cu
a realiza o acţiune în 2 etape:
1. alegem k bile roşii dintre cele M bile roşii existente: aceast¼

a acţiune se
k
poate realiza în CM modalit¼ aţi;
2. alegem n k bile albe pentru a completa poziţiile r¼

amase, acţiune ce
n k
se poate realiza în CN M modalit¼
aţi.
Deci probabilitatea evenimentului Ak
card(Ak ) CkM CnN k

M
P(Ak ) = = .
card( ) CnN
Problema 8. Ar¼
ataţi c¼
Hypergeom(N ,M ,n)) , M; n N sunt egale respectiv cu
M M M N n
EX = n , DX = n 1 :
N N N N 1
2.2 Modele (repartiţii) probabiliste uzuale în

caz (absolut)continuu
Modelele probabiliste în caz (absolut)continuu sunt reprezentate de vari-
abilele aleatoare de tip (absolut)continuu şi densitatea lor de reparţir (d.r.).
Astfel, spunem ca X este o v.a. de tip (absolut)continuu dac¼a exist¼a o o
funţie fX : R ! [0; +1g şi integrabila Riemann pe R, astfel încât f.r. FX a
v.a. X se exprim¼a ca
Zx
FX (x) = fX (u)du; 8x 2 R;
1
funcţia fX numindu-se densitate de repartiţie a v.a. X. Şi în acest caz

comportamentul probabilist al unei v.a. X poate … modelat din punct de
vedere matematic cu ajutorul funcţiei ei de repartiţie (f.r.) FX (x), 8x 2 R.
În caz (absolut)continuu, îns¼ a, aceast¼
a form¼a de modelare poate … înlocuit¼ a
cu densitatea de repartiţie fX a v.a. Aceste dou¼ a forme sunt echivalente
în sensul c¼
a, ştiind functia de repartiţie putem restabili repartiţia v.a. X şi
viceversa. Într-adev¼ ar, prin de…niţie
Zx
FX (x) = fX (u)du ;
1
dar tot din de…niţie rezult¼

a ca
dFX (x)
fX (x) = ;
dx
2.2. MODELE (REPARTIŢII) PROBABILISTE UZUALE ÎN CAZ (ABSOLUT)CONTINUU35
dFX (x)
derivata dx
existand cu excepţia unei mulţim de masur¼
a Lebesgue nul¼
a,
adic¼
a
dFX (x)
x2R nu exista = 0:
dx
Ca şi in caz discret, prima pe lista este repartiţia uniform¼
a pe [a; b];
a; b 2 R, a < b, adic¼ a v.a. X U ([a; b]); un rol aparte la construirea
algoritmilor de simulare a numerelor aleatoare neuniforme jucând modelul
X U ([0; 1]).
2.2.1 Repartiţia Simpson cu n grade de libertate

De…niţia 1.Vom spune c¼ a variabila aleatoare X este repartizat¼a Simpson cu
n grade de libertate, n 2 N (se noteaz¼ a X Simpson(n)) dac¼ a aceasta are
d.r. corespunz¼atoare v.a.
Xn
X= Xj ;
j=1
unde Xj , j = 1; n, sunt v.a.i.i.r.U ([0; 1]):

Folosind formula convoluţiei pentru a‡area d.r. fX1 +X2 (x) a doua v.a.i.Xj ,
j = 1; 2, şi anume formula
Zx
fX1 +X2 (x) = fX1 (x1 )fX2 (x x1 )dx1 ;
1
atunci pentru n = 2 g¼
asim ca d.r. a v.a.X Simpson(2) este
x 1 x 1
fX (x) = fX1 +X2 (x) = ( + )I[ 2;0] (x) +( + )I(0;2] (x):
4 2 4 2
Cum valoarea medie si dispersia unei v.a. uniform repartizate pe [0; 1]
sunt egale respectiv cu 1=2 şi 1=12, rezult¼
a c¼
a daca v.a.X Simpson(n),
atunci EX = n=2, DX = n=12.
2.2.2 Repartiţia exponenţial¼

a cu parametrul , > 0.
De…niţia 2. Vom spune c¼
a variabila aleatoare X este repartizat¼a exponenţial
cu parametrul > 0 (se noteaz¼a X Exp( )) dac¼ a aceasta are d.r.
x
fX (x) = e I[0;+1) (x)
sau f,r,
x
FX (x) = (1 e )I[0;+1) (x):
Repartiţia exponential¼ a modeleaz¼ a din punct de vedere matematic durata
vieţii unei lampi sau dispozitiv electronic, durata dintre doua apeluri tele-
fonice succesive, inregistrate la un post telefonic anume, durata dintre dintre
dou¼ a sosiri succesive a unui autobus de ruta dat¼ a la o staţie de autobuse, etc.
Aceast¼ a repartiţie mai serveşte în calitate de model matematic pentru
durata vieţii în unele modele matematice din Teoria Fiabilit¼ aţii, pentru de-
scrierea ‡uxului de sosire sau timpului de servre în unele modele matematice
ale sistemelor de servire (aşteptare) din Teoria Aştept¼ ariii, etc. Este prefer-
at¼
a în tipurile de modele descrise mai sus nu numai pentru ca acestea sunt
adecvate fenomenelor descrise , dar si pentru c¼ a repartiţia expoenţial¼ a poseda
remarcabila proprietate redat¼ a în
Propoziţia 1 (Proprietatea lipsei memoriei sau postacţiunii).
Dac¼ a v.a. X Exp( ), > 0, atunci
x
P(X x + t = X > t) = FX (x) = (1 e )I[0;+1) (x):
Demonstraţie. Folossind de…niţia probabilit¼

aţii condiţionate, avem
(t+x) t
P( t<X x + t ) (1 e ) (1 e )
P(X x + t = X > t) = = t)
P( X > t) 1 (1 e
t
e (1 e x )
= t
= (1 e x ); 8x > 0:
e
Funcţia caracteristic¼
a (f.c) a v.a.X
p Exp( ), > 0 , care prin de…niţie
a cu 'X (t) = EeitX , i =
este egal¼ 1, coincide cu
Z
+1 Z
+1
itx
'X (t) = e fX (x)dx = eitx e x
dx = :
it
1 0
Prin urmare valoarea medie şi dispersia v.a. X sunt egale, respectiv cu
1 1
EX = '0X (0) = ;
i
1 00 1 2 1 1
DX = EX 2 (EX)2 = ' (0) = = 2.
i2 X 2 2 2
2.2.3 Repartiţii înrudite cu repartiţia exponenţial¼

a
Repartiţia Laplace cu parametrul
De…niţia 3.Vom spune c¼
a variabila aleatoare X este repartizat¼a Laplace cu
parametrul , > 0 (se noteaz¼a X Laplace( )) dac¼ a aceasta are d.r.
e jxj ; 8x 2 R.
fX (x) =
2
Problema 1. Demonstraţi c¼
a funcţia caracteristic¼
a a v.a. X Laplace( )
este egal¼
a cu
Z
+1
2
'X (t) = eitx fX (x)dx = 2 :
+ t2
1
Pentru simularea unei v.a. X Laplace( ) putem folosi

Propoziţia 2. Dac¼a X1 ; X2 sunt v.a.i.i.r.Exp( ), > 0, atunci v.a.
X = X1 X2 Laplace( ).
Demonstraţie. Folosind metoda funcţiilor caracteristice, este su…cient
s¼
a ar¼
at¼
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) = . = 2
it + it+ t2
Din acasta Propoziţie rezult¼
a c¼
a aloarea medie şi dispersia v.a. X
Laplace( ) sunt egale, respectiv, cu E(X1 X2 ) = 0 şi D(X1 X2 ) = D(X1
X2 ) = 22 .
Repartiţia Erlang cu parametrul , > 0 şi k grade de libertate,

k2N
De…niţia 4. Vom spune c¼ a variabila aleatoare X este repartizat¼a Erlang
cu parametrul > 0 şi k grade de libertate, k 2 N (se noteaz¼ a X
Erlang(k; )) dac¼
a aceasta are d.r.
( x)k 1 x
fX (x) = I[0;+1) (x) e
(k 1)!
sau f,r,
X
k 1
( x)j x
FX (x) = I[0;+1) (x) (1 e ):
j=0
j!
Observ¼ am c¼
a pentru k = 1 repartiţia Erlang(1; ) Exp( ), > 0. Mai
mult, are loc
Propoziţia 3. Dac¼a (Xj )j=1;k sunt v.a.i.i.r. Exp( ), > 0, atinci v.a.
X
k
X= Xj Erlang(k; ):
j=1
Demonstraţie. Folosind faptul c¼

a v.a. repartizat¼
a Erlang(k; ) are f.c.
egal¼
a cu
Z
+1
k 1 k
itx ( x) x
e e I[0;+1) (x)dx = ;
(k 1)! it
1
este su…cient sa ar¼

at¼
am ca f.c. 'X (t) a v.a.
X
k
X= Xj
j=1
coincide cu
k
'X (t) = , 8t 2 R.
it
Dar f.c. a v.a. Xj
'Xj (t) = , j = 1; k:
it
Prin urmare, folosind proprietatea f.c. pentru sume …nite de v.a.i., avem
k k
'X (t) = 'X
k (t) = 'Xj (t) = ; 8t 2 R:
j=1 it
Xj
j=1
Evident, din Propoziţia 2 si propriet¼

aţile valorii medii şi dispersiei rezulta
ca, daca v.a. X Erlang(k; ), > 0 , k 2 N , atunci
k k
EX = ; DX = 2
Repartiţia Erlang, ca şi repartiţia exponential¼

a reprezint¼
a un caz partic-
ular a unei repartiţii mai generale şi anume.
Repartiţia Hiperexponenţial¼
a
De…niţia 5. Vom spune c¼ a variabila aleatoare X este repartizat¼a hiperex-
ponenţial cu parametrii 1 , 2 , .... n şi p1 , p2 , ....pn , i ; pi > 0, 8i = 1; n ,
Pn
pi = 1 (se noteaz¼
a X Hyperexp( 1 , 2 , .... n ; p1 , p2 , ....pn )) dac¼ 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 ) dac¼
a X =
Xi Exp( i ) cu probabilitatea pi , i = 1; n:Aceasta inseamn¼ a c¼a X este o
v.a. cu d.r.
X n X
n
fX (x) = pi fXi (x) = pi i e i x I[0;+1) (x),
i=1 i=1
sau cu f.r.
X
n X
n
ix
FX (x) = pi FXi (x) = pi (1 ie )I[0;+1) (x).
i=1 i=1
Drept consecinţ¼ a, deducem c¼ a valoarea medie şi dispersia v.a. X Hyperexp( 1 ,

2 , .... n ; p1 , p2 , ....pn ) sunt egale, respectiv, cu
X
n X
n
EX = pi 1= i , DX = pi 1= 2i :
i=1 i=1
2.2.4 Repartiţia Gamma cu parametrii ( ; ), ; > 0

De…niţia 6. Vom spune c¼ a variabila aleatoare X este repartizat¼a Gamma
cu parametrii ( ; ), ; > 0 (se noteaz¼ a X Gamma( ; )) dac¼ a aceasta
are d.r.
x 1
fX (x) = e x I[0;+1) (x);
( )
unde
Z
+1
( )= x 1 e x dx.
0
Astfel, Gamma( ; 1) Exp( ); Gamma( ; k) Erlang(k; ).

Repartiţia Gamma( ; ) poate … întâlnit¼ a, îndeosebi, în modelele matem-
atice din Teoria Fiabilit¼aţii atât ca repartiţie a duratelor de funcţionare, cât şi
ca repartiţie a duratelor de reparaţie. Observ¼ am c¼a, dac¼
a X Gamma( ; ),
atunci
EX = ; DX = 2 :
O alt¼
a repartiţie cu multiple aplicaţii practice este
2.2.5 Repartiţia Weibull cu parametrii ;

De…niţia 7. Vom spune c¼a variabila aleatoare X este repartizat¼a Weibull cu
parametrii ( ; ), ; > 0 (se noteaz¼ a X W eibull( ; ; )) dac¼ a aceasta
are d.r.
x 1 x
fX (x) = e ( ) I[0;+1) (x)
sau f.r. 1
x
FX (x) = (1 e ( ) )I[0;+1) (x)
Observ¼
am c¼
a, dac¼
aX W eibull( ; ), atunci
" #
2 2
1 2 1 2
EX = ( ); DX = 2 ( ) 2 ( ) :
Repartiţia Weibull poate … utilizat¼

a în …abilitate atât ca repartiţie a du-
ratei de funcţionare, mai ales ca repartiţie a duratei de îmb¼atrânire.
2.2.6 Repartiţia Beta cu parametrii a şi b

De…niţia 8. Vom spune c¼ a variabila aleatoare X este repartizat¼a Beta cu
parametrii a şi b, a; b > 0 (se noteaz¼ aX Beta(a; b)) dac¼
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 funcţia Beta ce depinde de parametrii a; b şi de…nit¼
a de
formula
Z1
B(a; b) = xa 1 (1 x)b 1 dx:
0
Observ¼
am c¼
a, dac¼
aX Beta(a; b), atunci
a ab
EX = ; DX = 2
:
a+b (a + b) (a + b + 1)
Pentru simularea unei v.a. Beta repartizate este importanta

Propoziţia 4 [?]. Daca X1 ; X2 sunt v.a.i. repartizate, respectiv, Gamma(1; a)
şi Gamma(1; b), atunci v.a. X1X+X1
2
Beta(a; b):
2
2.2.7 a cu parametrii m şi
Repartiţia Normal¼
De…niţia 9. Vom spune c¼ a variabila aleatoare X este repartizat¼a Normal
cu parametrii m şi 2 , m 2 R, > 0 (se noteaz¼ aX N (m; 2 )) dac¼a
aceasta are d.r.
1 (x m)2
fX (x) = p e 2 2
2
sau f.r.
Zx
1 (u m)2
FX (x) = p e 2 2 du
2
1
În cazul X N (0; 1) spunem c¼

a v.a. X are repartiţia gaussian¼
a sau normala
standart, adica are d.r.
1 x2
'(x) = p e 2
2
sau f.r.
Zx
1 u2
(x) = p e 2 du
2
1
Pe lâng¼ a faptul c¼a repartiţia normala modeleaza din punct de vedere

matematic comportamentul probabilist al erorii de m¼ asurare, ocupând un
loc central în prelucrarea matematic¼ a a datelor masur¼ arilor. Deasemenea,
repartizat¼ a normal este, de exemplu, statura unui individ dintr-o populatie
de oameni. În plus, aşa cum arat¼ a Teorema Limit¼ a Central¼ a, in anumite
condiţii, sume de v.a. au la limit¼ a repartiţia normal¼ a standart, indiferent de
repartiţia …ecarei variabile din sum¼ a.
Legatura dintre repartiţia normal¼ a standart şi celelalte repartiţii normale
este exprimat¼ a în
Propoziţia 5. Dac¼
a v.a. X N (0; 1), atunci v.a.
2
Y = X +m N (m; ); 8m 2 R; > 0;
2
iar dac¼
a v.a. Y N (m; ), atunci v.a.
Y m
X= N (0; 1); 8m 2 R; > 0:
Demonstraţie. Fie v.a. X N (0; 1) şi m 2 R; > 0; atunci f.r. a

v.a.Y
FY (y) = P(Y y) = P( X + m y) =
y m
Z
y m 1 u2 u= v m
P(X )= p e 2 du =
2
1
Zy
1 (v m)2
= p e 2 2 dv:
2
1
2
La fel, …e v.a. Y N (m; ), atunci f.r. a v.a X
Y m
FX (x) = P(X x) = P( x) =
Z
x+m
1 (v m)2 v= u+m
P(Y x + m) = p e 2 2 dv =
2
1
Zx
1 u2
=p e 2 du.
2
1
Propoziţia 6. Funcţiile caracteristice ale v.a.X N (0; 1 şi Y N (m;

2
), m 2 R, > 0 sunt egale, respectiv, cu
t2 2 t2
'X (t) = e 2 şi 'Y (t) = eitm 2
.
Demonstraţie. Pentru a a‡a f.c. 'X (t) a v.a. X N (0; 1) lu¼

am,
formal, derivata ei în raport cu t şi integr¼
am prin p¼arţi:
0 10
Z+1
0 1 u 2
'0X (t) = EeitX = @ p eitx e 2 duA =
2
1
Z+1 Z+1
ix u2 t u2
p eitx e 2 du = p eitx e 2 du = t'X (t).
2 2
1 1
Or, 'X (t) este soluţie a ecuaţiei diferenţiale
'0X (t) = t'X (t):

t2
a ca 'X (t) = e 2 .
Cum 'X (0) = 1, rezult¼
2
Consecinţ¼a. Valoarea medie şi dispersia v.a.Y N (m; ), m 2 R,
> 0 sunt egale, respectiv, cu
2
EX = m, DX = .
2
Demonstraţie. Daca Y N (m; ), atunci folosind Propozitia 3 şi
propriet¼
aţile f.c., deducem c¼
a
2 t2
'Y (t) = ' X+m (t) = eitm 'X ( t) = eitm 2
.
2
În concluzie, dac¼
aY N (m; ), atunci
1
EX = '0Y (0) = m
i
iar
1 00
DX = ' (0) m2 = 2 + m2 m2 = 2 .
i2 Y
Un algoritm simplu de simularea v.a.X N (0; 1) rezult¼ a din
Exemplul 1. Fie (X1 ; X2 ) un vector cu componentele c¼ aruia X1 şi X2
sunt v.a. independente identic normal repartizate cu parametrii 0 şi 1: Inter-
pretând (X1 ; X2 ) ca pe un punct aleator în planul cartezian de coordonate,
ne intereseaz¼
a repartiţia coordonatelor lui polare (R; ) ; adic¼
a
p
R = g1 (X1 ; X2 ) = X12 + X22 ; = g2 (X1 ; X2 ) = arctg (X2 =X1 ) :
Aşadar, luând
p
r = g1 (x1 ; x2 ) = x21 + x22 ; = g2 (x1 ; x2 ) = arctg(x2 =x1 );
obţinem
@r x1 @r x2
=p 2 ; =p 2 ;
@x1 x1 + x2 @x2 x1 + x2
@ x2 @ x1
= 2 ; = :
@x1 x1 + x22 @x2 x21 + x22
Cum
@x1 @x1 @r @r 1
@r @ @x1 @x2
J= @x2 @x2 = @ @ =
@r @ @x1 @x2
x21 x22 1 1
= 3=2
+ 3=2
=p = ;
(x21 + x22 ) (x21 + x22 ) x21 + x22 r
rezult¼
a c¼
a densitatea de repartiţie a v.a. (R; ) ;
q x2 2
1 1 +x2
fR; (r; ) = fX1 ;X2 (x1 ; x2 ) jJj = x21 + x22 e 2 =
2
1 r2
= p re 2 ; 0 < r < +1; 0 < <2 :
2
Prin urmare repartiţiile marginale ale v.a. R şi sunt egale respectiv cu
2 =2
fR (r) = r er ; 0 < r < +1 (repartiţia lui Rayleigh),
1
f ( )= ; 0 < < 2 (repartiţia uniform¼ a pe (0; 2 )).
2
Aceasta înseamn¼ a c¼
a fR; (r; ) = fR (r)f ( ); adic¼ a v.a. R şi sunt inde-
pendente, ceea ce este surprinz¼ator. Este surprinz¼ ator şi faptul c¼
a unghiul
format din vectorul (X1 ; X2 ) cu axa OX1 nu depinde de distanţa R a acestui
punct pân¼a la origine.
Dac¼a ne intereseaz¼ a repartiţia v.a. (Z1 ; Z2 ) ; unde Z1 = R2 ; Z2 = ;
atunci aplicând la transform¼ arile z1 = g1 (r; ) = r2 ; z2 = g2 (r; ) = acelaşi
algoritm de calculare a d.r. a v.a. (Z1 ; Z2 ) g¼
asim c¼ a
1 z1 1
fZ1 ;Z2 (z1 ; z2 ) = e 2 ; 0 < z1 < +1; 0 < z2 < 2 :
2 2
Aşadar, Z1 = R2 şi Z2 = ; …ind independente, sunt repartizate respectiv

exponenţial cu parametrul 1=2 şi uniform pe (0; 2 ) :
Remarca 1. Acest rezultat poate servi la argumentarea unui algoritm
de similare (generare) a v.a. normal (standard) repartizate, dar şi a v.a..
repartizate Rayleigh , având la baz¼a valori a unei v.a. uniform repartizate.
Într-adev¼ar, …e U1 şi U2 v.a. independente identic uniform repartizate pe

(0; 1) : Atunci R2 = 2 log U1 şi = 2 U2 ; …ind v.a. independente, vor …
repartizate respectiv, exponenţial cu parametrul 1=2 (ceea ce se veri…c¼ a cal-
culând P ( 2 log U1 x)) şi uniform pe (0; 2 ) : Aşadar, dac¼ a R2 = 2 log U1
va … interpretat¼ a ca p¼
atratul distanţei vectorului aleator (X1 ; X2 ) iar ca
unghiul format din acest vector cu axa Ox1 atunci
p p
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
şi sunt valabile rezultatele stabilite anterior.
2.2.8 Repartiţii înrudite cu repartiţia normal¼

a
2
Repartiţia (n) (Hi-p¼
atrat cu n grade de libertate)
2
De…niţia 10. Vom spune c¼ a variabila aleatoare (n) este Hi-p¼atrat repar-
tizat¼a cu n grade de libertate dac¼a
X
n
2
(n) = Xi2 ;
i=1
unde X1 ; X2 ; :::; Xn sun v.a.i.i.r. N (0; 1):

Densitatea de repartiţie a v.a. 2 (n) este egal¼
a cu
n
1
x2 x=2
f 2 (n) (x) = n e I[0;+1) (x):
2 2 ( n2 )
Or, comparând d.r. ce corespund repartiţiilor Gamma( ; ) şi Hi-p¼
atrat cu n
grade de libertate, deducem c¼
a ultima coincide cu repartiţia Gamma(1=2; n=2).
În plus, ştiind c¼
a pentru X N (0; 1) avem EX 2 = 1, EX 4 = 3, DX 2 =
EX 4 (EX 2 )2 , din De…niţia 4 deducem c¼ a
X
n
2
E (n) = E( Xi2 ) = n;
i=1
X
n
2
D (n) = D( Xi2 ) = 2n:
i=1
Repartiţia Student cu n grade de libertate

De…niţia 11. Vom spune c¼ a variabila aleatoare T (n) este Student reparti-
zat¼a cu n grade de libertate dac¼a
X
T (n) = s ;
X
n
1
n
Xi2
i=1
unde X şi X1 ; X2 ; :::; Xn sun v.a.i.i.r. N (0; 1).

D.r. a.v.a. T (n) este
( n+1
2
) n+1
fT (n) (x) = n p (1 + x) , 8x 2 R,
2
(2) n
iar valoarea medie şi dispersia sunt egale, respectiv, cu ET (n) = 0 şi DT (n) =
n=(n 2):
Repartiţia Fisher-Snedecor cu n1 şi n2 grade de libertate

De…niţia 12. Vom spune c¼ a variabila aleatoare F (n1 ; n2 ) are repartiţia
Fisher-Snedecor cu n1 şi n2 grade de libertate dac¼a
2 (n )
1
n1
F (n1 ; n2 ) = 2 (n )
2
n2
unde 2 (n1 ) şi 2 (n2 ) sun v.a.i.Hi-p¼

atrat repartizate, respectiv cu n1 şi n2
grade de libertate
.
D.r. a.v.a. F (n1 ; n2 ) este
n1 n1
n1 +n2 1
( 2
) n1 2 x 2
fF (n1 ;n2 ) (x) = n1 n2 n1 n +n I[0;+1) (x),
(2) (2) n2 (1 + n2
x) 1 2 2
n1
iar valoarea medie este egal¼
a cu EF (n1 ; n2 ) = n2 2
, n2 > 2 .
Repartiţia Rayleigh
De…niţia 13. Vom spune c¼ a variabila aleatoare
p R este o v.a.2 Rayleigh
repartizat¼a (se noteaz¼a R Rayleigh) dac¼ aR= 2 (2), unde (2) este o
v.a. Hi-P¼ atrat repartizat¼
a cu 2 grade de libertate.
Din analiza exemplului p 1, rezult¼a
Propoziţia 6. V.a.. 2 log X , unde X U [0; 1], are repartiţia Rayleigh.
Or, de aici rezult¼
a c¼a v.a. R Rayleigh are d.r.
x2
fR (x) = xe 2 I[0;+1g (x);
iar valoarea medie si dispersia sunt egale, respectiv, cu
r
ER = şi DR = (2 ):
2 2
2
Observ¼
am c¼ a între v.a. X N (0; 1), (n) , T (n); F (n1 ; n2 ) şi R exist¼
a
urm¼
atoarele relaţii
p
T 2 (n) = F (1; n); F (n; 1) = 2
(n), 2
(1) = X 2 ; R = 2 (2):
Repartiţia Lognormal¼ a cu parametrii m şi 2 De…niţia 14. Vom

spune c¼a variabila aleatoare pozitiv¼a Y este o v.a. lognormal repartizat¼a cu
parametrii m şi 2 , m 2 R, > 0 (se noteaz¼aY LN (m; 2 )) dac¼ av
2
.a. X = ln Y N (m; ):
Din de…niţie rezult¼
a ca f.r. a v.a. Y
FY (y) = P(Y y) = 0; dac¼
ay 0,
iar
FY (y) = P(Y y) = P(ln Y ln y) = P(X ln y) = FX (ln y),
2
unde FX (x) este f.r. a v.a.X N (m; ). Deci, pentru y > 0;
Zy
ln
1 (u m)2
FY (y) = FX (ln y) = p e 2 2 du:
2
1
De unde, derivând FY (y) în raport cu y, a‡a¼m ca d.r. a v.a. Y LN (m;

2
) este
1 (ln y m)2
fY (y) = p e 2 2 :
y 2
Calculând integralelele corespunz¼

atoare, în care se fac schimb¼ ari de variabile
potrivite, deducem c¼a valoarea medie şi dispersia sunt egale, respectiv, cu
2 =2 2 2
EY = em+ şiDY = e2m+ =(e 1):
2.2.9 Repartiţia de putere cu parametrii a şi b

De…niţia 15. Vom spune c¼ a variabila aleatoare X este o v.a. cu repartiţiia
de putere cu parametrii a şi b, a,b > 0 (se noteaz¼ a X P ow(a; b)) dac¼ 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 de…niţia v.a. X P ow(a; b) rezult¼
a c¼
a valoarea medie si dispersia
ei sunt egale, respectiv, cu
a a2
EX = şi DX = 2 .
b(a + 1) b (a + 1)2 (a + 2)
Capitolul 3
SIMULAREA
VARIABILELOR
ALEATOARE NEUNIFORME
În acest capitol vom arata ca tehnicile (metodele) generale de simulare a

v.a.neuniforme, dar şi cele adaptate la speci…cul unor repartitiii (modele)
aparte, au la baz¼a valori ale unei v.a. uniform repartizate, adica generatori de
numere (pseudo)aleatoare uniforme. Cu alte cuvinte, transformand/combinând
valori ale unei variabile aleatoare uniform repartizate putem obţine valori ale
unei variabile aleatoare de repartiţie dat¼a..
3.1 Tehnica (metoda) invers¼

arii
Aceast¼a metod¼ a are la baza generatorul de numere (pseudo)aleatoare uniform
repartizate pe [0; 1] ;adic¼
a valori ale v.a. X U ([0; 1]) :
Ín cazul v.a. Y de tip discret tehnica se bazeaza pe
Teorema 1 (Metoda invers¼ arii pentru generarea de v.a. în caz
discret). Dac¼a Y este o v.a.cu repartiţia f(yi ; pi )gi>1 , unde y1 < y2 < ::: <
P
yn < :::, pi = P (Y = yi ) > 0, i > 1, pi , atunci v.a.
i>1
( j
)
X
Z = min yj 2 fy1 ; y2 ; :::g pk > X ;
k=1
unde X U ([0; 1]), are aceeaşi repartiţie ca şi v.a. Y .
49
50CAPITOLUL 3. SIMULAREA VARIABILELOR ALEATOARE NEUNIFORME
Demonstraţie. Evident P(Z 2 fy1 ; y2 ; :::g) = 1, prin urmare putem

de…ni probabilit¼
aţile
( j
) !
X
P(Z = yi ) = P min yj 2 fy1 ; y2 ; :::g pk > X = yi =
k=1
(i 1 ) ( i )! !
X X X
i 1 X
i
P pk < X \ pk > X =P pk < X 6 pk =
k=1 k=1 k=1 k=1
X
i X
i 1
pk pk = pi , i > 1,
k=1 k=1
P1
unde pk = 0.
k=1
Drept consecinţa din aceast¼ a Teorem¼ a, atunci când v.a. Y este dat¼
a de
repartiţia
X
n
f(yi ; pi )gi=1;n ; pi > 0; pi = 1;
i=1
putem descrie
Algoritmul de simulare a unei v.a.de tip discret cu o mulţime
…nit¼a 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. Gen¼ aram o valoare x a v.a. X U ([0; 1])
Pas 4.S = S + P [i],
Pas 5. Dac¼ a S < x, atunci i := i + 1 şi trecem la Pas 4, în caz contrar
lu¼
am Y := A[i]. STOP:
Exemplul 1. Drept consecinţ¼ a din Teorema 1, v.a.
0, dac¼
aX 1 p;
Y =
1, dac¼
aX>1 p;
are repartiţia Bernoulli(p), p 2 [0; 1]:dac¼

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]).
¼
3.1. TEHNICA (METODA) INVERSARII 51
Pas 2. Veri…c¼ am dac¼a este îndeplinit¼ a condiţia x 1 p: daca DA,

atunci Y = 0, în 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 inseamn¼ a c¼
a acesta
fa … şi algoritmul cel mai simplu. În acest caz se impun şi alte tehnici de
simulare, tehnici descrise in paragraful urmator. 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 veri…carea conditiei
X
i 1 X
i
pk < x 6 pk ;
k=1 k=1
unde x este o realizare a v.a. X U ([0; 1]), iar
pk = Ckn pk (1 p)n k ; k = 0; n.
am pe faptul ca v.a.
Evident, mult mai simplu este sa ne baz¼
X
n
Y = Xk Bi(n; p), dac¼
a Xk sunt v.a.i.i.r.Bernoulli(p)); p 2 [0;1].
k=1
Atunci obţinem
Algoritmul de simulare a unei v.a. Y Bi(n; p); p 2 [0; 1] :
Pas1. Simul¼ am, succesiv, n valori a x1 ,x2 ,...,xn a v.a.X Bernoulli(p)); p 2
[0;1] (vezi Algoritmul anterior).
Xn
Pas 2. Lu¼ am Y = xk . STOP.
k=1
Remarca 2. Implicit, se subânţelege c¼ 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 şi Algoritmul de simulare a v.a. neuniforme va avea
aceeaşi proprietate.
Exemplul 3. În mod analog, ţinând cont de faptul ca repartiţia geo-
metric¼a modeleaza din punct de vedere matematic numarul Y de probe
Bernoulli (cu probabilitatea "succesului" p in …ecare prob¼ a , p 2 [0; 1]),
pân¼a la ínregistrarea primului "succes", putem descrie
Algoritmul de simulare a unei v.a. Y Geom(p); p 2 [0; 1] :
Pas 0. Consider¼ am Y = 0.
Pas1. Simul¼ 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 şi trecem la
Pasul 1, în caz contrar luam Y = Y + 1. STOP
Exemplul 4. Ţinând cont de faptul ca repartiţia Bineg(k; p), k 2 N,
p 2 [0,1] , modeleaza din punct de vedere matematic numarul Y de insuccese
în probe Bernoulli (cu probabilitatea "succesului" p in …ecare prob¼ a,p2
[0; 1]), pân¼
a la ínregistrarea primelor k "succese" (în care este inclus¼a şi proba
în care s-a produs "succesul" k), în concordanţa cu Remarca 4, referitoare la
v.a. repartizate Binomial cu exponent negativ, putem descrie
Algoritmul de simulare a unei v.a. Y Bineg(k; p), k 2 N, p 2
[0,1] :
Pas1. Simul¼ am, succesiv, k valori a x1 ,x2 ,...,xk a v.a.X Geom(p)); p 2
X k
Pas 2. Lu¼ am Y = xi k. STOP.
i=1
Exemplul 5. Ţinând cont de faptul ca repartiţia 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 prob¼ a , p 2 [0; 1]), pân¼
a
la ínregistrarea primelor k "succese" (în care este inclus¼ a şi proba în care s-a
produs "succesul" k), în concordanţa cu Remarca 5, referitoare la v.a. Pascal
repartizate, putem descrie
Algoritmul de simulare a unei v.a. Y P ascal(k; p), k 2 N,
p 2 [0,1] :
Pas1. Simul¼ am, succesiv, k valori a x1 ,x2 ,...,xk a v.a.X Geom(p)); p 2
Xk
Pas 2. Lu¼ am Y = xi . STOP.
i=1
Exemplul 6. Ţinând cont de faptul ca repartiţia Hypergeom(N ,M ,n),
M; n N , modeleaza din punct de vedere matematic numarul Y de bile
roşii din n bile extrase la întâmplare f¼ ar¼
a repetare dintr-o citie cu M bile
roşii şi N M bile albe putem descrie
Algoritmul de simulare a unei v.a. Y Hypergeom(N ,M ,n),
M; n N .
Considerând c¼ a bilele sunt extrase la întâmplare succesiv una câte una,
far¼a repetare si întroducând variabilele R şi A ce contorizeaza, respectiv nu-
¼
marul de bile roşii şi albe dup¼

a …ecare extragere, avem:
Pas 0. R := 0, A = 0, m := 0.
Pas1. Luam probabilitatea p = NMA RR .
Pas 2. Simul¼am o valoare x a v.a. X Bernoulli(p)):
Pas 3 Dac¼ a x = 0, atunci (bila extras¼ a este alb¼
a), A := A + 1, în caz
contrar, dac¼
a x = 1, R := R + 1.
Pas 4 m := m + 1 ; Dac¼ a m < n, atunci trecem la Pasul 1, în caz contrar
PRINT(A; R):STOP.
Teorema 1 poate … aplicat¼ a şi în cazul v.a.. de tip discret cu o mulţime
in…nit¼
a num¼arabil¼
a de valori posibile atunci când repartiţia este data de o
formul¼
a general¼
a cum ar …
Exemplul 7..Fie v.a Y P oisson( ), > 0 , adic¼ a
k
P(Y = k) = e ; k = 0; 1; : : : ;
k!
atunci putem descrie
Algoritmul de simulare a unei v.a. Y P oisson( ), > 0:
Pas 0. i := 0, S := 0
Pas 1. Gen¼ aram o valoare x a v.a. X U ([0; 1])
i
Pas 2.S := S + i! e
Pas 3. Dac¼ a S < x, atunci i := i + 1 şi trecem la Pas 2, în caz contrar
lu¼
am Y := i. STOP:
Un algoritm mai simplu de simulare a unei v.a. Poisson repartizate cu
parametrul , > 0 se desprinde din urmatoarea
Propozitie [Feller, vol. 2]. Dac¼a (Yn )n>1 reprezint¼a un şir de v.a.i.i.r.
exponential cu parametrul , > 0, atunci pentru orice t > 0 v.a.
( )
Xn
Y (t) = max n : Yi 6 t P oisson( t); > 0:
i=0
In particular, v.a. Y = Y (1) P oisson( ), > 0.

Înainte de a aborda simularea v.a. în caz general, menţion¼ am c¼
a din
Teoria Probabilit¼aţilor cunoaştem faptul c¼
a funcţia de repartiţie FY a unei
v.a. posed¼a proprit¼aţile:
1o FY este monoton cresc¼ atoare;
o
2 FY este continu¼ a la dreapta;
3o FY ( 1) = lim FY (y) = 0; FY (+1) = lim FY (y) = 1.

y! 1 y!+1
o o
În plus, propriet¼ aţile 1 3 sunt propriet¼ aţi caracteristice funcţiilor de
repartiţie ín sensul ca orice funcţie F cu aceste propriet¼ aţi este funcţie de
repartiţie a unei v.a. Or, prin f.r. vom intelege orice funcţie F ce posed¼ a
o o
propriet¼ aţile 1 3 [Leahu].
Fie, aşa dar, o v.a.de…nit¼ a de f.r.F : R7!R.
De…niţia 1. Vom numi inversa f.r. F funcţia F 1 de…nit¼ a conform
regulei
F 1 (t) = min fx j F (x) > tg ; 8 0 < t < 1.
Teorema 2. (Metoda invers¼ arii pentru generarea de v.a. în caz
general).
Dac¼a Y este o v.a. de…nit¼a de f.r.F şi X U ([0; 1]), atunci v.a. Z =
F 1 (X) are aceeaşi f.r. ca şi v.a. Y .
Demonstraţie. Observ¼ am c¼a
P(Z y) = P(F 1
(X) y) = P( min fx j F (x) > X g y) =
P(F (y) > X) = P(X 6 F (y)) = F (y),

deoarece fF 1 (X) yg = fF (y) > Xg şi putem considera 0 < F (y) < 1.
Exemplul 8. Fie Y Exp( ), > 0; adic¼ a
x
FY (y) = (1 e )I[0;+1) (y):
. Atunci
FY 1 (t) = min fy j FY (y) > tg = min y 1 e y

>t =
1
min fy j y > ln(1 t)g = ln(1 t).
Prin urmare putem considera c¼
a
1
Y = ln(1 X) Exp( ); > 0,
unde X U ([0; 1]). Dar 1 X U ([0; 1]) dac¼

aX U ([0; 1]). Prin urmare
putem lua
1
Y = ln X Exp( ); > 0;
¼
fapt ce justi…c¼
a
Algoritmul de simulare a unei v.a. Y Exp( ); > 0 :
Pas 2. Lu¼ am Y := 1 ln x. STOP.
La fel, ne putem baza pe Teorema 2 şi în cazul v.a. Y W eibull(1; ),
> 0, cunoscând faptul ca inversa FY 1 a f.r. FY este dat¼
a de formula
FY 1 (u) = ( ln u)1= , u 2 (0; 1).
Or, putem descrie
Algoritmul de simulare a unei v.a. Y W eibull(1; ), > 0
Pas 2. Lu¼ am Y := ( ln x)1= . STOP.
Remarca 3. Ín baza Algoritmului de simulare a unei v.a. Y Exp( ); >
0; putem, cu uşurinţa, construi Algoritmi de simulare a repartiţiilor înrudite
cu repartiţia exponenţial¼ a.
Exemplul 9. Fie v.a. Y Laplace( ), > 0. Ţinând cont de faptul
ca v.a. Y = X1 X2 Laplace( ), , > 0, dac¼ a X1 , X2 sunt v.a.i.i.r.
Exp( ) (vezi Propoziţia 2 din Capitolul 2.2) putem descrie
Algoritmul de simulare a unei v.a. Y Laplace( ); > 0
Pas 1. Genaram dou¼ a valori succesive x1 şi x2 a v.a. X Exp( ).
Pas 2. Lu¼ am Y := x1 x2 . STOP.
Exemplul 10. Fie Y o v.a. repartizat¼ a Erlang cu parametrul > 0
şi k grade de libertate, k 2 N , adic¼ aY Erlang(k; ). Ţinând cont de
faptul ca v.a. Y = X1 + ::: + Xk Erlang(k; ), > 0, dac¼ a X1 ,..., Xn sunt
v.a.i.i.r. Exp( ) (vezi Propoziţia 3 din Capitolul 2.2) putem descrie
Algoritmul de simulare a unei v.a. Y Laplace( ); > 0
Pas 1. Genar¼ am 2 valori succesive x1 ,x a v.a. X U ([0; 1]).
Pas 2. Lu¼ am Y := x1 + x2 . STOP.
Exemplul 11. Fie Z o v.a. repartizat¼ a hiperexponenţial cu parametrii
Pn
1, 2 , .... n şi p1 , p2 , ....pn , i ; pi > 0, 8i = 1; n , pi = 1, adic¼ a Z
i=1
Hyperexp( 1 , 2 , .... n ; p1 , p2 , ....pn ) Ţinând cont de faptul ca v.a. Z =
Yi Exp( i ), i > 0, cu probabilitatea pi > 0, i = 1; n (vezi De…niţia 5,
Capitolul 2.2) putem descrie
Algoritmul de simulare a unei v.a. Z Hyperexp( 1 , 2 , .... n ; p1 ,
p2 , ....pn ), i ; pi > 0, 8i = 1; n .
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 f(i; pi )gi=1;n .

Pas 2. Gener¼ am o valoare y a v.a. Yi P oisson(L[i]) şi lu¼
am Z := y.
STOP.
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 ilus-
treaz¼ a o metod¼ a mai generala expus¼ a în paragraful urm¼ator.
3.2 Tehnica (metoda) compunerii (mix¼

arii sau
amestec¼
arii)
Aceast¼ a metod¼ a se aplic¼
a variabilelor aleatoare X a c¼aror repartiţie satisface
urm¼ atoarea
De…niţie [V¼ aduva]. F.r. F (x) este o amestecare (compunere sau mix-
tur¼a) discret¼a a mulţimii de f.r. fFi (x)gi>1 cu repartiţia discret¼a
1; 2; :::; j; ::: X
J: , pj > 0; pi = 1;
p1 ; p2 ; :::; pj ; ::: i>1
dac¼a X
F (x) = pi Fi (x)
i>1
F.r. F (x) este o amestecare continu¼a a familiei de f.r. fG(x; Y )gY 2R cu f.r.
continu¼a H(y) a lui Y dac¼a
Z
F (x) = G(x; y)dH(y);
R
ultima …ind integrala Stieltjes.

Dac¼a not¼am cu X v.a. care are f.r. F (x) şi cu Xi v.a. care are f.r.
Fi (x), atunci amestecarea discret¼ a poate … interpretat¼
a astfel: X = Xi cu
probabilitatea pi ; i > 1, de unde rezulta
Algoritmul Compunerii discrete de simulare a unei v.a. X
Pas 1. Gener¼ am o valoare j a indicelui aleator J f(j; pj )gj>1 .
Pas 2.Gener¼am o valoare x a v.a. Xj cu f.r. Fj (x).
Pas.3.Lu¼am X := x.STOP.
¼
3.2. TEHNICA (METODA) COMPUNERII (MIXARII ¼
SAU AMESTECARII)57
Observ¼ am, astfel, c¼ 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 c¼ a prin aceeaşi metod¼
a se poate simula şi v.a. Y
Laplace( ), > 0:
Exemplul 12. Fie Y Laplace( ), > 0, adic¼a Y are d.r.
1 jxj
f (x) = e
2
Se observ¼
a c¼
a
1
f (x) = p1 f1 (x) + p2 f2 (x), p1 = p2 = = 0:5;
2
unde
f1 (x) = e x I( 1;0] (x), f2 (x) = e x

I(0;+1] (x)
Or, drept alternativ¼ 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. Gener¼ am o valoare x a v.a. X U ([0; 1])
Pas 2.Dac¼ a x 6 0:5, atunci lu¼am s := 1, în caz contrar lu¼ am s := 1
Pas.3.Gener¼ am o valoare z a v.a. Z Exp( ) şi lu¼ am Y := s z:STOP.
Simularea v.a. Y Laplace( ); > 0 se poate face uşor si prin inter-
mediul tehnicii de inversare.
O interpretare similar¼a poate … dat¼ a şi în cazul amestecarii continue pen-
tru simularea unei v.a. X cu f.r.F (x):care este o amestecare continu¼ a a
familiei de f.r. fG(x; Y )gY 2R cu f.r. continu¼ a H(y) a lui Y Putem, asa dar,
descrie
Algoritmul Compunerii continue de simulare a unei v.a. X
Pas 1. Gener¼ am o valoare y a v.a. Y H(y)
Pas 2.Gener¼ am o valoare z a v.a. ZY G(x; y)
Pas.3.Lu¼ am X := z:STOP.
Remarca 5. Evident, în algoritmii precedenţi se presupun cunoscute
metode de simulare a v.a. J, Xi , Y , ZY .Dac¼ a în de…niţia compunerii se
consider¼a d.r.f (x) în loc de f.r.F (x), atunci formulele corespunz¼ atoare d.r.
se scriu, respectiv, X
f (x) = pi fi (x);
i>1
Z
F (x) = g(x; y)h(y)dy:
R
Pentru a ilustra Algoritmul Compunerii continue consider¼ am

Exemplul 13 [V¼ aduva]. Consider¼ am c¼
a durata în funcţionare a unui
aparat (de exemplu, computer) este o v.a. X, X > 0; exponenţial repar-
tizat¼
a cu parametrul Y , unde > 0 este un parametru determinat de
produc¼ator (în laborator!) iar Y este un parametru aleator care indic¼a in-
‡uienţa mediului în care este exploatat calculatorul. Presupunând c¼ a v.a.
Y Gamma(b; a), adic¼ a Y are d.r.
ba y a 1 by
fY (y) = e I[0;+1) (y)
(a)
Observ¼
am c¼
a d.r.fX (x) a v.a. X este o amestecare continu¼
a, mai exact
Z
+1
a a 1 Z
+1
yx b y by ba
fX (x) = I[0;+1) (x) ye e dy = I[0;+1) (x) yae y( x+b)
dy =
(a) (a)
0 0
ba (a + 1) aba+1 a
a+1
I[0;+1) (x) = a+1
I[0;+1) (x) = , unde = .
(a)( x + b) b( x + b) ( x + b)a+1 b
Ín calculele de mai sus am folosit formula
Z
+1
( ) 1 ax
= x e dx.
a
0
Or, d.r. a v.a. X este
a
fX (x) = , unde = .
( x + b)a+1 b
Repartiţia cu aceast¼a d.r. se numeste repartiţie Lomax şi daca ştim para-
metrii pozitivi , b, a, atunci simularea ei se realizeaz¼
a cu Algoritmul Com-
punerii continue cu condiţia s¼ a cunoaştem un algoritm de simulare a repar-
tiţiei Gamma(b; a).
Exemplele de mai sus ilustreaz¼ a câteva cazuri particulare când se poate
aplica metoda compunerii.
3.3. TEHNICA (METODA) RESPINGERII 59
Teorema urm¼ atoare ne asigur¼ a, totuşi, metoda compunerii discrete se

poate aplica în general.
Teorem¼ a [V¼
aduv¼ a]. Fie X o v.a. cu d.r. fX (x) concentrat¼a pe R,
m
iar ( i )i=1;m o partiţie a lui , adic¼a = [ i , i \ j = ;, 8i 6= j,
i=1
i; j = 1; m. Dac¼a pi = P (X 2 i ) > 0, 8i = 1; m, atunci exist¼a densit¼aţile
fi (x), nule pentru x 2
= i , astfel încât
X
m
fX (x) = pi fi (x).
i=1
Demonstraţie. Este su…cient s¼

a lu¼
am
fX (x)
fi (x) = I i .(x); 8i = 1; m.
pi
Íntr-adev¼
ar
X
m Xm
fX (x)
fX (x) = pi fi (x). = pi I i .(x) =
i=1 i=1
pi
X
m
fX (x) I i .(x) = fX (x)I .(x) = fX (x),
i=1
deoarece fX (x) = 0; 8 x 2
= .
3.3 Tehnica (metoda) respingerii

Mai exact aceast¼ a metod¼ a poate … numit¼ a metoda accept¼arii-respingerii.
Având drept scop simularea unei v.a. X, aceast¼ a metod¼a presupune cunoaşterea
urm¼ atoarelor elemente [Vaduva]:
1. Se cunoaşte un procedeu de simulare a unei valori n a v.a. N cu valori
din mulţimea 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. dat¼ a.
3. Se cunoaşte un predicat P(S1 ; S2 ; :::; Sn ) care se poate calcula pentru
orice Si , i = 1; n şi orice n (Acest predicat sau condiţie trebuie s¼a poat¼a …e
evaluat f¼ar¼
a calcule de mare complexitate!);
4. Se cunoaşte funcţia astfel încât X = (S1 ; S2 ; :::; Sn ) dac¼
a P(S1 ; S2 ; :::; Sn ) =
true.
Or, putem descrie în forma general¼ a

Algoritmul General de Respingere
Pas 1. Simul¼ am o valoare n a v.a. N
Pas 2.Simul¼ am valoarile s1 ; s2 ; :::; sn ce corespund v.a. S1 ; S2 ; :::; Sn
Pas.3.Dac¼ a P(s1 ; s2 ; :::; sn ) = f alse, atunci trecem la Pasul 1, în caz
contrar lu¼am x = (s1 ; s2 ; :::; sn ):STOP.
Remarca 6. Observ¼ am c¼
a dac¼
a P(s1 ; s2 ; :::; sn ) = f alse, atunci mulţimea
de v.a. fS1 ; S2 ; :::; Sn g se respinge, de unde provine şi denumirea de metoda
respingerii. În plus, dac¼ a pa = P fP(S1 ; S2 ; :::; Sn ) = trueg, numit¼ a proba-
bilitate de acceptare, este aproape de 1, atunci algoritmul este rapid, în caz
contrar algoritmul este lent.
În cele ce urmeaz¼ a prezent¼ am dou¼ a Teoreme [Ermacov, Vaduva] care fun-
damenteaz¼ a Algoritmul e de respingere pentru simularea unor v.a.
Teorema înf¼ aşur¼ atoarei. Fie X; Y dou¼a v.a., respectiv, cu d.r. f şi h
ce au acelaşi suport , adic¼a f şi h sunt nenule pe aceeaşi mulţime S R,
v.a.X …ind v.a. care trebuie simulat¼a iar Y v.a. ce ştim s¼a o simul¼am. Dac¼a
exist¼a o constant¼a , 1 < < 1, astfel încât f (x) h(x), 8x 2 S şi
Z este o v.a. independent¼a de Y , unde Z U [0; 1], atunci d.r. a v.a. Y
condiţionat¼a de evenimentul f0 Z f (Y )= h(Y )g coincide cu f:
Demonstraţie. Consider¼ am evenimentele A = fY xg şi B = f0 Z f (Y )= h(Y )g.
Atunci f.r. condiţionat¼ a
P(AB)
P( fY xg jf0 Z f (Y )= h(Y )g) = P(A = B) = .
P(B)
Dar
0f (v)= 1
Z1 Z h(v) Z1
@ f (v) 1
P(B) = duA h(v)dv = h(v)dv = , 1 < < 1.
h(v)
1 0 1
Deci
0f (v)= 1
Zx Z h(v) Zx Zx
@ f (v)
P(A = B) = duA h(v)dv = h(v)dv = f (v)dv.
h(v)
1 0 1 1
Remmarca 7. Din Teorema înf¼ aşur¼

atoarei desprindem procedura de
respingere format¼
a din urm¼
atoarele elemente: N = 2 (v.a. constant¼a); S =
3.4. ALTE TEHNICI (METODE) DE SIMULARE 61
fY; Zg ; P(Y; Z) = true dac¼ a 0 Z f (Y )= h(Y ); X = (Y; Z) = Y

(adic¼
a proiecţia lui Y în raport cu evenimentul f0 Z f (Y )= h(Y )g).
Exemplul 14. Consider¼ am v.a. X Gamma(1; ), 0 < < 1, numit¼ a
repartiţia gamma-standard cu subunitar. S¼ a aplic¼
am metoda înf¼ aşur¼
a-
toarei pentru simularea v.a. X, folosind ca înf¼ aşur¼
atoare d.r. a v.a. Y
W eibull(1; ), > 0.
Într-adev¼ ar, densit¼
aţile de repartiţie sunt
1
x x 1 x
f (x) = e I[0;+1) (x); h(x) = x e I[0;+1) (x).
( )
În vederea determin¼
arii constantei a înf¼
aşur¼
atoarei anliz¼
am raportul
f (x 1 x+x
r(x) = = e .
h(x) ( )
1=(1 )
Punctul de maxim al funcţiei r(x) este x0 = de unde rezult¼
a
e (1 ) =(1 )
= , = .
( + 1)
Prin urmare putem descrie
Algoritmul de respingere pentru simularea unei v.a. X Gamma(1; ),
0 < < 1 (repartiţia gamma-standard cu subunitar)
am c := 1= , = =(1 ) , a := e ( 1)
Pas 1. Intrare ; Calcul¼
Pas 2. Gener¼am o valoare z1 a v.a. Z U [0; 1]
Pas 3. Calcul¼ am y := ( ln z)c (adic¼ a gener¼
am o valoare a v.a. Y
W eibull(1; ), > 0)
Pas 4. Gener¼am o alt¼
a valoare z2 a v.a. Z U [0; 1]
Pas.5. Dac¼a z2 > ae y+y , atunci trecem la Pasul 2, în caz contrar lu¼
am
x = y:STOP.
3.4 Alte tehnici (metode) de simulare

Pentru a scoate în evidenţ¼
a alte tehnici de simulare statistic¼
a vom apela la
unele exemple invocate pân¼ a acum. Astfel, majoritatea rutinelor legate de
generarea numerelor (pseudo)aleatoare, adic¼ a (pseudo)uniform repartizate,
rutine incluse in GNU Scienti…c Library (vezi capitolul 1), folosesc asa nu-
mitele Tehnici bazate pe Teoria Numerelor.
Metoda Convoluţiei (superpoziţiei) din Teoria Probabilit¼ aţilor, metod¼

a
bazat¼
a pe formula cu ajutorul c¼ areia, ştiind repartiţia v.a. X; Y , putem
a‡a repartiţia v.a. Z = X + Y (vezi, spre exemplu, [Iosifescu, Mihoc, etc.]),
ne conduce la Tehnica Convoluţiei. Cu alte cuvinte, daca ştim ca avem de
simulat o v.a. Z, unde Z = X + Y , este su…cient s¼ a apel¼am la algoritmii
P n
de simulare a v.a. X; Y . De exemplu, ştiind ca o v.a. Z = Xi (unde
i=1
(Xi )i=1;n sunt v.a.i.i.r. Bernoulli(p), 0 < p < 0) are repartiţia Bi(n; p),
venim la un algoritm bazat pe utilizarea succesiva a Tehnicii de Convoluţie.
La fel stau lucrurile si ín cazurile v.a. repartizate Laplace( ), Erlang(k; ),
> 0, k 2 N .
Deseori algoritmul de simulare statistica a unei v.a. Z devine mai simplu,
ştiind ca repartiţia ei coincide, s¼
a zicem, cu repartiţia v.a. f (X1 ; X2 ; :::; Xn ).
Aceasta ne conduce la Tehnica de Simulare bazat¼a pe legaturi existente dintre
v.a. În acest caz Algoritmul de simulare a v.a. Z se reduce la simularea v.a.
X1 ; X2 ; :::; Xn si calcularea valorii f (X1 ; X2 ; :::; Xn ). Astfel stau lucrurile
in cazul v.a. repartizate X (n) (Hi-p¼ atrat cu n grade de libertate), T (n)
(Student cu n grade de libertate), F isher(m; n),etc. De exemlu, X (n) are
aceaşi repartiţie ca şi v.a.
X
n
f (X1 ; X2 ; :::; Xn ) = Xi2 ,
i=1
unde (Xi )i=1;n sunt v.a.i.i.r. N (0; 1).

Capitolul 4
METODA MONTE CARLO
Metoda Monte Carlo poate … de…nita ca …ind metoda de simulare a vari-

abilelor aleatoare în scopul calcularii caracteristicilor si repartitiilor lor. Ev-
ident, simularea este realizat¼ a, de regul¼a, cu ajutorul calculatorului, chiar
daca in unele cazuri sunt su…ciente dispozitive de tip rulet¼ a sau un creion şi
hârtie.
Ideia imit¼arii fenomenelor aleatoare în scopul realiz¼ arii unor calcule aprox-
imative este consemnat¼ a pentru prima dat¼ a în anul 1873 in lucrarea lui A.
Hall "On an experimental determination of ", Messeng. Math. Vol. 2,
pp.113-114, care viza determinarea num¼ arului cu ajutorul arunc¼ arii unui
ac pe o suprafaţ¼ a plana marcat¼ a cu linii paralele. Esenţa acestei idei rezid¼a
în reproducerea experimental¼ a a unui eveniment, probabilitatea c¼ aruia se ex-
prima prin şi care poate … aproximata prin intermediul frecventei relative a
acestui eveniment intr-un num¼ ar su…cient de mare de astfel de probe. Ideea
…ind atît de veche, ea a putut … aplicat¼ a la rezolvarea unor probleme cu
caracter practic doar odata cu pariţia calculatoarelor electronice. Creatori
ai Metodei Monte Carlo sunt consideraţi matematicienii americani J. von
Neuman şi S. Ulam, aceasta …ind descris¼ a explicit prima dat¼ a în lucrarea
lui Metropolis N. şi Ulam S., The Monte Carlo method, J. Amer. statistical
assoc., Vol.44, nr. 247, pp.335-341. Bazându-se pe valabalitatea Principiu-
lui regularit¼aţii statistice, metoda foloseşte, in general, rezultate din Teoria
Probabilit¼aţilor şi Statistica Matematic¼ a, iar în mod special Legea Numerelor
Mari si Teorema Limit¼ a Central¼a.
.
63
64 CAPITOLUL 4. METODA MONTE CARLO
4.1 Legea Numerelor Mari (LNM) si Teorema

Limit¼
a Central¼
a (TLC)
Cum Legea Numerelor Mari reprezint¼ a fundamentul matematic al Principi-
ului regularit¼
aţii statistice vom trece in revista variantele uzuale ale acestei
legi in forma ei slab¼ a.
Fie ( ; F; P) un câmp de probabilitate şi (Xn )n 1 un şir de v.a. de…nite
pe el.
De…niţia 1. Vom spune c¼ a şirul de v.a (Xn )n 1 este supus legii slabe a
numerelor mari dac¼
a
!
1X 1X
n n
lim P Xi EXi 6 " = 1, 8" > 0:
n!1 n i=1 n i=1
Teorema 1. (Legea slab¼a a numerelor mari în forma Markov)

Fie (Xn )n 1 un şir de v.a. care veri…c¼a condiţia
1
P
n
lim 2D Xk = 0;
n!1 n k=1
atunci şirul considerat este supus legii slabe a numerelor mari.
Consecinţa 1. Dac¼a (Xn )n 1 este un şir de v.a independente dou¼a câte
dou¼a, care veri…c¼a condiţia:
P
n
lim n12 DXk = 0;
n!1 k=1
atunci şirul considerat este supus legii slabe a numerelor mari.
Consecinţa 2. (Legea slab¼a în forma Cebâşev). Fie (Xn )n 1 un şir de
v.a. independente dou¼a câte dou¼a, care veri…c¼a condiţia:
DXn c < 1; 8n 1;
atunci şirul de v.a. (Xn )n 1 este supus legii slabe a numerelor mari.
Consecinţa 3. (Legea slab¼ a a numerelor mari în forma Poisson).
Fie Sn num¼arul de apariţii ale unui eveniment A în n experimente inde-
pendente şi pk este probabilitatea acestui eveniment în proba de rang k 1;
atunci
P
n
lim P Snn n1 pk 6 " = 1, 8 " > 0.
n!1 k=1
¼ CENTRALA
4.1. LEGEA NUMERELOR MARI (LNM) SI TEOREMA LIMITA ¼ (TLC)65
Consecinţa 4. (Legea slab¼a a numerelor mari în forma Bernoulli).

Dac¼a Sn este num¼arul de apariţii ale unui eveniment A în n experi-
mente independente şi p probabilitatea acestui eveniment în …ecare experi-
ment, atunci
lim P Sn
n
p 6 " = 1, 8 " > 0.
n!1
Teorema 2. (Legea slab¼a a numerelor mari în forma Hincin).

Fie (Xn ) n 1 un şir de v.a. independente identic repartizate pentru
care exist¼a valoarea medie EXn = a; şi Sn = X1 + ::: + Xn : Atunci
lim P Sn
n
a 6 " = 1, 8 " > 0.
n!1
Remarca 1. Legea slab¼ a a numerelor mari justi…c¼a, în particular, Prin-
cipiului regularit¼aţii statistice. Pentru aceasta este su…cient s¼ a observ¼am
a Snn din Legea slab¼a a numerelor mari în forma Bernoulli este, de fapt,
c¼
frecvenţa relativ¼
a evenimentului A în n experimente. Îns¼ a niciuna din vari-
ante ale Legii Numerelor Mari nu r¼ aspunde la întrebarea cât de rapid converge
spre 1 probabilitatea
!
1X 1X
n n
P Xi EXi 6 " ?
n i=1 n i=1
R¼aspunsul poate … gasit, de regula, folosind una din variante ale Teoremei
Limit¼a Central¼
a.
Teorema Limit¼ a Central¼ a în forma Lindeberg. Fie (Xn )n 1 un şir
de v.a. cu momentele de ordinul doi …nite şi …e
2
mk = EXk ; k = DXk > 0; Sn = X1 + ::: + Xn ;
Pn
Dn2 = DSn = 2
k şi Fk (x) f.r. a v.a. Xk :
k=1
Dac¼a are loc „condiţia Lindeberg”:
n Z
1 X
(L) 2
(x mk )2 dFk (x) ! 0; n ! 1; 8" > 0;
Dn k=1
fxjjx mj "Dn g
atunci
Zx
Sn ESn 1 u2
P p x ! (x) = p e 2 du; 8x 2 R.
DSn 2
1
Consecinţa 1. (Teorema Limit¼a Central¼a în forma Leapunov).

Dac¼a are loc condiţia Leapunov:
1 X
n
E jXk mk j2+ ! 0; n ! 1; 8 > 0;
Dn2+ k=1
atunci
Sn ESn
P p x ! (x):
DSn n!1
Consecinţa 2. (TLC pentru v.a.i.i.r.)

Dac¼a (Xn )n 1 sunt v.a. independente identic repartizate cu m = EX1 şi
dispersia 0 < 2 DX1 < 1; atunci
Sn ES
P p n x ! (x):
n n!1
Consecinţa 3. (TLC pentru v.a. independente şi uniform m¼arginite).

Dac¼a (X1 )n 1 sunt v.a. independente şi astfel încât pentru orice n
1
jXn j K < 1;
şi Dn ! 1; n ! 1; unde K este constant¼a, atunci
Sn ESn
P p x ! (x):
DSn n!1
Consecinţa 4. (Teorema Moivre-Laplace).

Dac¼a (Xn )n 1 sunt v.a. independente identic Bernoulli repartizate cu
P (Xn = 0) = q = 1 p; P (Xn = 1) = p; n 1; atunci
Sn np
P p x ! (x):
npq n!1
¼
4.2. METODA MONTE CARLO: SCHEMA GENERALA 67
4.2 METODA MONTE CARLO: SCHEMA

¼
GENERALA
Problema de baz¼ a la care se refer¼
a Metoda Monte Carlo este, de regul¼ a, o
problem¼ a de estimare a valorii medii unei variabile aleatoare, adic¼ a a Inte-
gralei Lebesgue in raport cu o m¼ asur¼a probabilist¼ a indus¼a de aceast¼ a vari-
abil¼
a. Problema apare in mod …resc atunci când aceastâ repartiţie, …ind
destul de complicat¼ a, nu poate … exprimat¼ a analitic, dar in schimb avem la
dispozitie su…ciente date statistice sau realiz¼ ari ale v.a. în cauz¼ a. În liter-
atura de specialitate este cel mai bine studiat cazul când aceast¼ a variabila
posed¼a si dispersie.
Or, schema cea mai simpla rezid¼ a în urm¼ atoarele. Avem o v.a. X despre
care se ştie c¼ a valoarea medie EX = m şi dispersia DX = 2 . Pre-
a exist¼
supunem ca X este o funcţie cunoscut¼ a de k v.a. ale c¼ aror repartiţii sunt
cunoscute. Prin urmare, generând valori ale v.a. ce compun v.a. X, putem
bene…cia de n realiz¼ ari independente x1 ,x2 ,....,xn , ale lui X. In conformitate
cu Legea Numerelor Mari, este …resc sa estim¼ am valoarea lui m cu ajutorul
mediei de selecţie
1X
n
x= xi .
n i=1
Din Statistica Matematica este cunoscut faptul ca x este un estimator nede-

plasat, consistent şi chiar de dispersie minimala în multe cazuri. Problema
care se pune aici ţine de evaluarea gradului de aproximare a valorii EX = m
prin intermediul mediei de selecţie x.
Cazul 1. Dispersia DX = 2 este cunoscut¼ a, chiar dac¼a media teoretic¼a
EX = m este necunoscut¼ a. În acest caz putem rezolva dou¼ a probleme.
Problema 1. Cunoscând num¼ arul de realiz¼
ari n şi probabilitatea (de
încredere) 1 , 2 (0; 1), s¼ a se a‡e valoarea erorii ", pentru care
!
1X
n
P xi m 6" '1 :
n i=1
Soluţie. Bazându-ne pe Teorema Limit¼ a Central¼

a, pentru n su…cient de
P
n
mare, putem spune ca suma Sn = xi va …, aproximativ, normal repartizat¼
a
i=1
cu media nm şi dispersia n 2 . Aceasta înseamn¼

a ca pentru orice 2 (0; 1)
!
1X
n
x1 =2
P xi m 6 p '1 ,
n i=1 n
unde x1 =2 este acea valoare pentru care (x1 =2 ) = 1 =2.

De aici rezult¼
a, c¼
a pentru valoarea necunoscut¼a a parametrului m putem
construi, cu probabilitatea de încredere 1 , intervalul de încredere
x1 =2 x1 =2
x p ,x + p , (1)
n n
x
" = 1 pn=2 reprezentând eroarea de aproximare a lui m prin intermediul
mediei de selectie
1X
n
x= xi .
n i=1
Problema 2. Cunoscând valoarea erorii " şi probabilitatea (de încredere)
1 , 2 (0; 1) s¼
a se a‡e num¼
arul minim n0 de realiz¼
ari, pentru care
!
1X
n
P xi m 6 " 1 ; 8n n0 :
n i=1
Soluţie. Evident, este su…cient s¼

a g¼
asim acel n0 pentru care
n0
!
1 X
P xi m 6 " ' 1 :
n0 i=1
Dar
0 1
! P
n0
n0 x n m p
1 X B i=1 i 0
" n0 C
P xi m 6" = PB
@ p 6 C=
A
n0 i=1 n0
0 1
P
n0
p xi n0 m p p p
B " n0 " n0 C " n0 " n0
B
= P@ 6 i=1
p 6 C' =
n0 A
¼
4.2. METODA MONTE CARLO: SCHEMA GENERALA 69
p p p
" n0 " n0 " n0
1 =2 1:
Aceasta înseamn¼
a c¼
a relaţia
n0
!
1 X
P xi m 6" '1
n0 i=1
este echivalent¼
a cu egalitatea
p
" n0
2 1=1 :
De unde g¼
asim c¼
a p
" n0
=1 =2;
adic¼
a p
" n0
= x1 =2 ;
unde x1 =2 este acea valoare pentru care (x1 =2 ) = 1 =2.

In aceast¼a situatie apare, totuşi, o problem¼
a: in expresia intervalului
de încredere …gureaz¼a o m¼arime necunoscut¼ a . Pentru a sc¼
apa de aceast¼ a
di…cultate observ¼am c¼a
1 X
N
s2 = (xi x)2
n 1 i=1
este un estimator nedeplasat şi consitent pentru 2 . Prin urmare

Aşa dar, folosind schema de mai sus, numit¼ a Metoda Monte Carlo, in
baza valorilor generate x1 ,x2 ,....,xn , il putem aproxima pe m prin intermediul
mediei de selectie x, eroarea p de aproximare, cu probabilitatea de incredere
1 , …ind egal¼
a cu x1 =2 s= n.
x1 =2 2
n0 ' :
"
Or, dac¼
a vom lua
x1 =2 2
n0 = + 1;
"
unde [c] este partea întreag¼

a a num¼
arului c, garant¼
am c¼
a
!
1X
n
P xi m 6" 1 ; 8n n0 :
n i=1
Cazul 2. Dispersia DX = 2 cât şi media teoretic¼ a EX = m sunt necunos-

cute. În aceast¼
a situaţie, pentru a rezolva Problema 1, similar¼
a Cazului 1,
observ¼
am c¼a în expresia intervalului de încredere (1) …gureaz¼ a o m¼arime
necunoscut¼a . Pentru a evita aceast¼ a di…cultate observ¼
am c¼
a
1 X
N
s2 = (xi x)2
n 1 i=1
este un estimator nedeplasat şi consitent pentru 2 . Prin urmare eroarea

de aproximare " a valorii lui m prin intermediul mediei de selecţie x; cu
probabilitatea de încredere 1 , poate … calculata dupa formula
x1 =2 s
"= p :
n
4.3 Calculul Integralelor

Pentru calculul aproximativ al integralelor se folosesc, în mod curent, for-
mulele de cuadratur¼ a studiate în Analiza Numeric¼ a. Acestea sunt e…ciente,
mai ales în cazul integralelor unidimensionale, dar în cazul integralelor mul-
tiple metodele respective sunt greu de realizat. Aceasta în po…da perfor-
manţelor deosebite ale calculatoarelor moderne. Drept alternativ¼ a la metodele
numerice intervin metodele Monte Carlo, care în cazul calculului aproxima-
tiv ale integralelor multiple acestea devin, practic, de neînlocuit. La fel stau
lucrurile chiar şi in cazul multor integrale unidimensionale improprii.
Pentru simpli…carea expunerii vom analiza metodele Monte Carlo de cal-
cul al integralelor pe cazul unidimensional, menţionând c¼ a pentru integralele
multiple aceste metode se aplic¼ a, practic, far¼
a schimbare.
4.3. CALCULUL INTEGRALELOR 71
4.3.1 Descrierea metodelor

Presupunem c¼ a pentru funcţia g : (a; b) ! R se pune problema calculului
aproximativ al integralei
Zb
I= g(x)dx.
a
Pentru aceasta consider¼ am o funcţie arbitrar¼

a f : (a; b) ! R, dar cu propri-
et¼
aţile
10 : f (x) > 0, 8x 2 (a; b);
Rb
20 : f (x)dx = 1:
a
Conform rezultatelor cunoscute din Teoria probabilit¼
aţilor, funcţia
f (x); dac¼
a x 2 (a; b),
f (x) =
0; dac¼
ax2 = (a; b)
are toate propriet¼

aţile caracteristice densit¼
atii de repartiţie a unei v.a. X;
deoarece
Z
+1 Zb
f (x)dx = f (x)dx = 1:
1 a
Or, X este o v.a. pentru care
Zb
P(X 2 (a; b)) = f (x)dx = 1,
a
adic¼
a o v.a. cu valori din X =(a; b) R. Evident,
Zb Zb
g(x)
I= g(x)dx = f (x)dx; (2)
f (x)
a a
dar conform formulei de transport integrala
Zb
g(x)
f (x)dx = EY;
f (x)
a
cu alte cuvinte, coincide cu valoarea medie a v.a.
g(X)
Y = .
f (X)
În concluzie,
Zb Zb
g(x)
I= g(x)dx = f (x)dx = EY .
f (x)
a a
Dar valoarea medie a v.a. Y poate … aproximata, simulând n realiz¼ ari y1 , y2 ,

..., yn independente a acestei variabile, prin intermediul mediei corespunz¼ a-
toare de selecţie
1X
n
y= yi .
n i=1
Cum
g(X)
Y = ;
f (X)
rezult¼
a ca
g(xi )
yi = ; i = 1; n;
f (xi )
şi
1 X g(xi )
n
y= ;
n i=1 f (xi )
(xi )i=1;n …ind n realizari independente ale v.a.X.

Ceea ce înseamn¼ a c¼
a pentru n su…cient de mare I ' y. Mai mult, în
presupunerea suplimentar¼ a c¼
a DY < +1, ceea ce este, dealtfel, echivalent
cu faptul c¼ a
Zb 2 Zb
2 g(x) (g(x))2
EY = f (x)dx = dx < +1,
f (x) f (x)
a a
din TLC rezult¼

a c¼
a pentru orice n su…cient de mare şi probabilitatea de
încredere 1 , 2 (0; 1) avem c¼a
P (jI yj 6 ") ' 1 ;

deîndat¼
a ce y1 =2 s
"= p ;
n
unde y1 =2 este acea valoare pentru care (y1 =2 ) =1 =2; iar
1 X
N
2
s = (yi y)2 .
n 1 i=1
Cu alte cuvinte, intervalul

y1 =2 s y1 =2 s
y p ,y + p
n n
este, pentru integrala I, un interval de încredere cu probabilitatea de în-
credere 1 .
4.3.2 Alegerea schemei de calcul

Din descrierea metodelor Monte Carlo de calcul aproximativ al integralelor
rezult¼
a c¼ aţile 10 20 , respectiv, in-
a, indiferent ce funcţie f (x) cu propriet¼
diferent de v.a. X pe care o asociem metodei de calcul a integralei
Zb
I= g(x)dx;
a
întotdeauna vom avea c¼

a I = EY , unde
g(X)
Y = .
f (X)
Dimpotriv¼a, dispersia v.a. Y , prin urmare şi dispersia estimatorului y, vari-
az¼
a în dependenţ¼
a de funcţia f (x) aleas¼
a. Într-adev¼ar
Zb
2 2 (g(x))2
DY = EY (EY ) = dx I 2 : (3)
f (x)
a
!
1X 1 X
n n
Dy = D yi = 2 Dyi =
n i=1 n i=1
0b 1
Xn Z
1 1 1 @ (g(x))2
DY = DY = dx I 2 A . (4)
n2 i=1 n n f (x)
a
Deoarece exist¼ a o in…nitate de funcţii f (x) cu propriet¼aţile 10 20 , respectiv,

o in…nitate de v.a. X care pot … puse la baza estimatorului y pentru integrala
I, rezult¼
a c¼
a:
1. Pentru calculul aproximativ al integralei I exist¼ a o in…nitate de metode
Monte Carlo şi
2. Este justi…cat¼a formularea problemei de identi…care a celei mai bune
metode Monte Carlo în sensul minimiz¼ arii dispersiei estimatorului nedeplasat
si consistent y.
Din (3)-(4) observ¼am c¼a y are dispersia cea mai mica daca şi numai dac¼ a
v.a. are dispersia cea mai mic¼ a. Are loc urm¼ atoarea
Teorem¼ a [SobolI:M:] Oricare ar … funcţia f (x) cu propriet¼aţile 10 20 ,
respectiv, v.a. X pus¼a la baza metodei Monte Carlo de calcul aproximativ a
integralei I, dispersia DY a unei realiz¼ari a v.a.
g(X)
Y =
f (X)
satisface inegalitatea
0 12
Zb
DY @ jg(x)j dxA I 2;
a
în plus
0b 12
Z
DY = @ jg(x)j dxA I 2;
a
dac¼a
jg(x)j
f (x) = . (5)
Rb
jg(x)j dx
a
Demonstraţie. Din inegalitatea Cauchy-Buniakovski în forma ei integral¼
a
0b 12
Z Zb Zb
@ u(x)v(x)dxA u2 (x)dx v 2 (x)dx;
a a a
p p
luând u(x) = jg(x)j = f (x), v(x) = f (x), obţinem c¼
a
0 12
Zb Zb Zb Zb
@ g 2 (x) g 2 (x)
jg(x)j dxA dx f (x)dx = dx.
f (x) f (x)
a a a a
De aici şi din (3) rezult¼

a c¼
a
0 12
Zb
DY @ jg(x)j dxA I 2.
a
Mai mult, pentru

jg(x)j
f (x) = ,
Rb
jg(x)j dx
a
avem c¼
a 0 12
Zb Zb
@ g 2 (x)
jg(x)j dxA = dx:
f (x)
a a
Prin urmare pentru acest caz

0b 12
Z
DY = @ jg(x)j dxA I 2:
a
Cu alte cuvinte, aceast¼

a Teorem¼ a arat¼
a, c¼
a estimatorul y devine un estimator
(nedeplasat si consistent) de dispersie minimal¼ a daca funcţia f (x)aleas¼
a este
proporţional¼
a cu jg(x)j. Îns¼
a alegerea estimatorului cel mai bun (in sensul
descris mai sus) presupune, conform formulei (5), cunoaşterea valorii
Zb
jg(x)j dx;
a
aceasta …ind o problema, cel puţin, la fel de di…cil¼

a ca şi problema calcularii
integralei I. De aceea vom prezenta, în continuare, metode de diminuare a
dispersiei estimatorului y, adic¼
a a dispersiei DY a unei realizari aparte a v.a.
Y.
4.3.3 Metoda Monte Carlo brut¼

a
Pentru a purcede la c¼ autarea unei metode Monte Carlo de calcul aproxima-
tiv a integralei, astfel încât aceasta metoda s¼a …e cât mai buna, în sensul
menţionat anterior, se impune s¼ a avem o metoda de referinţa, aceasta …ind
metoda descrisa mai jos.
De…niţie. Vom numi metod¼ a Monte Carlo brut¼
a metoda de calcul aprox-
imativ a integralei I bazat¼ a pe estimatorul
1 X g(xi )
n
y= ,
n i=1 f (xi )
(xi )i=1;n …ind n realizari independente ale v.a.X U ((a; b)), adic¼
a d.r. a v.a.
X este dat¼ a de funcţia
1
f (x) = I(a;b) (x).
b a
iar funcţia f : (a; b) ! R, f (x) = 1=(b a), 8x 2 (a; b).

Observaţie. Denumirea deriv¼ a din faptul c¼
a la baza metodei se a‡a¼ v.a.
X uniform repartizat¼ a.
Exemplu. (Calculul aproximativ al num¼arului ). Problema este, de
fapt, o problem¼ a de calcul aproximativ al integralei duble
Z Z
= dxdy :
f(x;y) jx2 +y 2 1 g
Îns¼
a calculul aproximativ al num¼arului poate … simpli…cat, observând c¼
a
discul
D = f(x; y) x2 + y 2 1g [ 1; 1] [ 1; 1].
Putem imagina un experiment aleator ce const¼ a în aruncarea la întâmplare
a unui punct X = (U1 ; U2 ) în patratul [ 1; 1] [ 1; 1]. Prin urmare vectorul
aleator X este uniform repartizat în patratul [ 1; 1] [ 1; 1]. Conform
de…niţiei probabilit¼
aţii geometrice, probabilitatea
aria D
p = P(X 2 D) = = :
aria([ 1; 1] [ 1; 1]) 4
Daca (x1 ,x2 ,....,xn ) reprezint¼

a un eşantion de realiz¼
ari independente ale v.a.
X, atunci probabilitatea p poate … aproximat¼ a de
1X
n
p= ID (xi ),
n i=1
unde (ID (xi ))i=1;n pot … interpretate ca …ind n realiz¼

ari independente ale v.a.
0; dac¼
a X 2 D;
ID (X) =
1; dac¼
a X 2 D:
ID (X) Bernoulli(p), p 2 (0; 1), EID (X) = p, DID (X)=p(1 p). Cu alte
cuvinte
num¼arul de puncte x 2 fx1 ; x2 ; ::::; xn g nimerite în discul D
' .
4 num¼arul total de puncte aruncate în patratul [ 1; 1] [ 1; 1]
Prin urmare ' 4p, iar dispersia estimatorului p este egal¼
a cu
!
1X 1X 1X
n n n
p(1 p)
Dp = D ID (xi ) = 2 D ID (xi ) = 2 D ID (X) = :
n i=1 n i=1 n i=1 n
Dar p(1 p) 1=4; 8p 2 (0; 1), prin urmare Dp 1=4n.

În concluzie, dac¼
a ne propunem s¼ a estim¼
am (aproxim¼ a) valoarea lui
cu o eroare ce nu întrece valoarea " şi cu probabilitatea de încredere 1 ,
2 (0; 1), atunci volumul minim necesar de puncte aruncate la întâmplare
în patratul [ 1; 1] [ 1; 1] este egal cu
" 2 #
x1 =2 2 x1 =2 2 x1 =2
n0 = D ID (X) + 1 = p(1 p) + 1 + 1:
" " 4"2
Or, indiferent de valoarea necunoascut¼

a a lui p, de exemplu, pentru " =
0:001 şi 1 = 0:9, num¼arul
" 2 # " #
x1 =2 x20:95 (1:96)2
n= +1= +1= + 1 ' 106
4"2 4 (10 3 )2 4 (10 3 )2
de puncte aruncate la întâmplare în patratul [ 1; 1] [ 1; 1] este acoperitor

pentru a spune ca 4p aproximeaza valoarea lui cu ezactitatea " = 10 3 şi
probabilitatea de încredere 0:9.
Dac¼
a în acest exemplu am putut dep¼
aşi faptul c¼
a dispersia unei realiz¼
ari
aparte a v.a. Y = ID (X) depinde de o valoare necunoscut¼ a, apoi în caz
general, ştiind c¼
a
1
Dy = DY;
n
se impun metode speciale de diminuare a dispersiei DY .
4.4 Metode de reducere a dispersiei

Vom începe cu
4.4.1 Metoda Monte Carlo dup¼

a importanţā
Pentru calculul aproximativ al integralei
Zb
I= g(x)dx
a
putem, din o…ciu, aplica metoda Monte Carlo brut¼a, adic¼a metoda bazat¼a pe
v.a. X U ((0; 1)). În acest caz estimatorul integralei este dat de formula
1 X
n
y = (b a) g(xi ),
n i=1
unde (xi )i=1;n sunt realiz¼

ari independente ale v.a. X, iar ((b a)g(xi ))i=1;n
sunt realiz¼
ari independente ale v.a. Y = (b a)g(X), dispersia unei realiz¼ ari
a v.a. Y …ind dat¼ a de formula
Zb
DY = (b a) g 2 (x)dx I 2 :
a
Din formula (2) rezult¼ a c¼

a pentru reducerea dispersiei estimatorului y,
adic¼a pentru reducerea dispersiei v.a. Y , este su…cient sa lu¼
am o alt¼
a …nctie
0 0
f (x) cu propriet¼aţile 1 2 , astfel încât v.a. X corespunz¼ atoare s¼a …e,
eventual, diferit¼
a de cea uniform repartizat¼ a pe (a; b) şi
Zb Zb 2
g (x)
g 2 (x)dx (b a) dx:
f (x)
a a
4.4. METODE DE REDUCERE A DISPERSIEI 79
Funcţia f (x) poate … aleas¼

a, de exemplu, ţinând cont de recomand¼ arile, con-
form c¼arora gra…cele funcţiilor jg(x)j, f (x) s¼
a aproape paralele, "ideal" …ind
cazul când
jg(x)j
f (x) = b :
R
jg(x)j dx
a
Funcţia f (x) aleas¼

a, astfel, se numeşte funcţie de importanţ¼a, de aici si den-
umirea de metoda Monte Carlo dup¼a importanţa.
Exemplul 1. Consider¼ am integrala
Z1
g(x)
I= p dx;
x
0
unde g : (0; 1) ! R este o funcţie continu¼

a. Dac¼a vom aplica metoda Monte
Carlo brut¼a, atunci dispersia v.a.Y este egal¼
a cu
Z1
g 2 (x)
DY = dx I 2.
x
0
Dar
Z1 Z1
g 2 (x) 1
dx ( min g(x))2 dx = +1:
x 0<x<1 x
0 0
Prin urmare metoda Monte Carlo brut¼ a poate … înlocuit¼
a cu una mai bun¼
a
daca lu¼
am, de exemplu, în calitate de funcţie de importanţ¼a funcţia
1
f (x) = p I(0;1) (x).
2 x
Într-adev¼
ar, în acest caz dispersia estimatorului dup¼a importanţ¼a este …nit¼
a,
prin urmare aceasta este mai mic¼ a decât aceeaşi dispersie în cazul metodei
Monte Carlo brute.
Exemplul 2. Consider¼ am problema calculului aproximativ al integralei
duble improprii
Z +1
+1 Z n oq
5=2 3=2
I= exp x1 x2 x21 + x22 + 1dx1 dx2 :
0 0
Or, funcţia de sub integral¼ a este o funcţie g : (0; +1) ! R, unde

n oq
5=2 3=2
g(x1 ; x2 ) = exp x1 x2 x21 + x22 + 1:
Aceasta înseamn¼ a c¼
a putem lua, de exemplu, în calitate de funcţie f :
(0; +1) (0; +1) ! R, d.r. a v.a. X = (X1 ; X2 ), unde X1 ; X2 sunt
v.a.i.i.r. Exp f1g, adic¼
a
f (x1 ; x2 ) = exp f x1 x2 g I(0;+1) (0;+1) (x1 ; x2 ):
Avantajul e c¼
a aceasta v.a. bidimensional¼a este uşor de simulat.
În acest caz dispersia v.a. Y este egal¼
a cu
Z +1
+1 Z
DY = exp fx1 + x2 g g 2 (x1 ; x2 )dx1 dx2 I2
0 0
Z +1
+1 Z
exp f (x1 + x2 )g g 2 (x1 ; x2 )dx1 dx2 I 2 ; 8 2 (0; 1) :
0 0
Prin urmare, dac¼ a vom lua X = (X1 ; X2 ), unde X1 ; X2 sunt v.a.i.i.r. Exp f g,
2 (0; 1), obţinem o metod¼ a Monte Carlo pentru care
Z +1
+1 Z
DY = exp f (x1 + x2 )g g 2 (x1 ; x2 )dx1 dx2 I 2,
0 0
adic¼
a o metoda Monte Carlo având o dispersie mai mic¼
a a estimatorului
1 X g(xi ; xi )
n 0 00
y= 0 00 ;
n i=1 f (xi ; xi )
0 00
(xi ; xi )i=1;n …ind realiz¼
ari independente ale v.a. (X1 ; X2 ), X1 ; X2 v.a.i.i.r.
Exp f g, 2 (0; 1).
4.4.2 Metoda variabilei de control

Preupunem c¼
a pentru calculul aproximativ al integralei
Zb
I= g(x)dx
a
4.4. METODE DE REDUCERE A DISPERSIEI 81
opt¼
am pentru metoda Monte Carlo brut¼ a şi c¼
a luam o funcţie ' : (a; b) ! R
pentru care valoarea exact¼
a a integralei
Zb
M= '(x)dx
a
este cunoscut¼a. Consider¼

am, în plus, c¼
a metoda Monte Carlo brut¼
a aplicat¼
a
în calculul aproximativ al integralei
Zb Zb
(x)dx = [g(x) '(x)] dx
a a
are dispersia DY2 unei realiz¼

ari a v.a. Y2 = (b a) (X) = (b a) [g(X) '(X)]
este mai mic¼ a decât dispersia DY1 unei realiz¼ ari a v.a. Y1 = (b a)g(X);
unde v.a. X U ((a; b)).
Deoarece
Zb Zb
I=M+ [g(x) '(x)] dx = M + (x)dx;
a a
rezult¼
a c¼
a integrala I poate … aproximat¼
a de estimatorul M + y2 , unde
1 X
n
y2 = (b a) (xi )
n i=1
este estimatorul integralei

Zb
[g(x) '(x)] dx
a
(xi )i=1;n …ind realiz¼

ari independente ale v.a. X U ((a; b)). Cum DY2 DY1 ,
rezult¼a c¼a estimatorul M + y2 este mai bun pentru aproximarea integralei I
decât estimatorul
1 X n
y1 = (b a) g(xi ):
n i=1
Funcţia ' descris¼
a mai sus se numeşte funcţie sau variabil¼a de control, de
aici şi denumirea metodei.
BIBLIOGRAFIE
1. A. Leahu, Probabilit¼aţi, Edit. "Ovidius" University Press, Constanta,

2000, pp. 171
2. A. Leahu, Statistica descriptiv¼a şi probabilit¼aţi discrete, Curs pe suport
electronic
3. I. V¼
aduva, Modele şi simulare, Edit. Univ. Bucureşti, 2004, pp.190
4. F.Gorunescu, A. Prodan, Modelare stochastic¼a şi simulare, Edit. Al-
bastra, 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
8. S. M. Ermakov , Metoda Monte Carlo si probleme inrudite, Ed.
Thnica, Bucuresti, 1976, 336 pp

Tehnici Simulare Statistica

Încărcat de

Informații document

Titlu original

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

Încărcat de

Drepturi de autor:

Formate disponibile

1

Prof.univ.,dr., Alexei LEAHU

Not¼ a. Înţelegerea acestui curs presupune cunoaşterea noţiunilor şi rezul-

1.1 Variabile aleatoare (v.a.) uniforme

Simularea (generarea) numerelor intâmpl¼ atoare (uniform repartizate),

fx j x 2 [0; 1]g sau fx j x 2 [a; b] ; a < b, a; b 2 Rg :

Menţion¼am ca în Teoria probabilit¼ aţilor sintagma "la întâmplare" pre-

De…niţia 1 Vom spune c¼a variabila aleatoare X este repartizat¼a (distribuit¼a)

Or, în experimenrul de mai sus sintagma "alegerea la întamplare" într-

Problema 1 Ar¼ataţi ca dac¼a X U f0,1,: : : ,N g, atunci valoarea ei medie

Efectuarea experimentului b) este echivalent¼ a, de exemplu, cu efec-

De…niţia 2 Vom spune c¼a variabila aleatoare X este repartizat¼a uniform

cazul …ind (absolut) continuu, coincide cu

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

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

Demonstraţie 1 Vom demonstra prima parte a propozitiei, deoarece partea

Problema 2 Ar¼ataţi ca dac¼a X U ([a; b]), a < b, a; b 2 R, atunci valoarea

Concluzie 1 Dac¼a x este o realizare a v.a. X U ([0; 1]), atunci (b a)x+a

Urm¼atoarea Propozitie arat¼a ca un generator de valori a v.a. X U ([0; 1])

Propoziţia 4 Daca v.a. X U ([0; 1]), atunci v.a.

Demonstraţie 2 Observ¼am ca Y este o v.a. care ia, cu probabilitatea 1,

unde evenimentele ce fac parte din reuniune sunt incompatibile dou¼

Concluzie 2 Propoziţia 3, coroborat¼a cu Concluzia 1, arat¼a, de fapt, ca

1. Fie X U f0,1,: : : ,N g, N 2 N. Demonstraţi c¼ a v.a. Y = N X

1.2 Generatori de numere (pseudo) aleatoare

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

numarul de probe ^{n care s a produs A n(A)

X U f0; 1; : : : ; 9g. Pentru siguranţa este nevoie sa apel¼ am la metode mai

cule numerice în matematica aplicat¼

The ranlux generator is an implementation of the original algorithm de-

erator state, with longer bu¤ers providing higher-quality randomness. The

For more information see:

This generator is used in the IMSL Library (subroutine RNUN) and in

x_{n+1} = (a x_n) mod m

seed = seed * 214013L + 2531011L;

2.1 Modele (repartiţii) probabiliste uzuale în

Modelele probabiliste discrete sunt reprezentate de variabilele aleatoare de

pi = P(X = xi ) = FX (xi ) FX (xi 0); 8i > 1; (2)

Observaţia 1 Din Formula de inversiune [Leahu, Probabilit¼aţi], rezulta c¼a,

este o form¼a alternativ¼a echivalenta de…nirii prin intermediul funcţiei ei de

Conform Concluziei 2 din p.1.1., cel mai important model probabilist

2.1.1 Repartiţia Bernoulli cu parametrul p, p 2 [0,1]

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

De…niţia 2. Experimentul E se numeşte experiment (prob¼

1. mulţimea de rezultate posibile = fsucces, insuccesg = f1,0g;

2. probabilitatea succesului p este aceeaşi în …ecare prob¼

3. rezultatele unei probe nu in‡uenţeaz¼

Exemplul 1. În calitate de exemple de probe Bernoulli putem lua arun-

2.1.2 Repartiţia binomial¼ a cu parametrii n şi p, n =

P(X = k) = Ckn pk (1 p)n k ; k = 0; n:

Remarca 2. De…niţia este corect¼

Din punct de vedere teoretic, acest model descrie comportamentul prob-

cardf(a1 ; a2 ; : : : ; an ) 2 j a1 + + an = kgpk (1 p)n k

n bile, cu întoarcerea bilei în cutie dup¼ a ce not¼am culoarea ei. S¼ a se calculeze

Întrucât extragerea bilelor se face cu întoarcere, este posibil ca la o realizare

Evenimentul A = fprintre n bile extrase exact k vor … roşiig se poate scrie

Exemplul 3. Consider¼ am aruncarea unui zar perfect de n ori, iar eveni-

P(X = k) = Ckn pk (1 p)n k ; k = 0; n.

Probabilitatea, spre exemplu, c¼

EX = np; DX = np(1 p):

Indicaţie. Folosiţi Teorema 1, adic¼

2.1.3 a cu parametrul p, p 2 [0,1]

P(X = k) = p(1 p)k 1 ; k = 1; 2; : : :