Documente Academic
Documente Profesional
Documente Cultură
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
GENERATORI DE NUMERE
ALEATOARE UNIFORME
5
6CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME
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
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;
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]) :
X
N
Y = kI[ k ; k+1 ) (X) U f0; 1; : : : ; N g;
N +1 N +1
k=0
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
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.
10CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME
Probleme
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
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
12CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME
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.
For more information see:
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.
16CAPITOLUL 1. GENERATORI DE NUMERE ALEATOARE UNIFORME
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.)
For more information see:
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-
1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.17
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.
1.2. GENERATORI DE NUMERE (PSEUDO) ALEATOARE UNIFORME.19
MODELE (REPARTIŢII)
PROBABILISTE UZUALE
23
24 CAPITOLUL 2. MODELE (REPARTIŢII) PROBABILISTE UZUALE
0 1
X: :
1 p p
EX = p; DX = p(1 p):
X
n X
n
P(X = k) = Ckn pk (1 p)n k
k=0 k=0
= (p + (1 p))n = 1n = 1:
26 CAPITOLUL 2. MODELE (REPARTIŢII) PROBABILISTE UZUALE
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
şi propriet¼
aţile valorii medii si dispersiei [Leahu].
Demonstraţie.
p(1 p)n 1 ; 8 n; m = 1; 2; : : : .
EX = 1=p; DX = (1 p) =p2 :
X
k
X= Xk k Bineg(k; p), unde Xk Geom(p); p 2 [0;1]:
i=1
EX = k (1 p) =p; DX = k (1 p) =p2 :
X
k
X= Xk P ascal(k; p), unde Xk Geom(p); p 2 [0;1]:
i=1
EX = k=p; DX = k (1 p) =p2 :
num¼
arul de bacterii descoperite într-o pic¼
atur¼
a de ap¼
a;
num¼
arul de erori de tipar descoperite într-o pagin¼
a de carte;
32 CAPITOLUL 2. MODELE (REPARTIŢII) PROBABILISTE UZUALE
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
2.1. MODELE (REPARTIŢII) PROBABILISTE UZUALE ÎN CAZ DISCRET33
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
Problema 8. Ar¼
ataţi c¼
a valoarea medie si dispersia unei v.a. X
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
Zx
FX (x) = fX (u)du; 8x 2 R;
1
Zx
FX (x) = fX (u)du ;
1
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]).
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.
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):
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. MODELE (REPARTIŢII) PROBABILISTE UZUALE ÎN CAZ (ABSOLUT)CONTINUU37
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
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
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
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
X
n X
n
EX = pi 1= i , DX = pi 1= 2i :
i=1 i=1
( )= x 1 e x dx.
0
40 CAPITOLUL 2. MODELE (REPARTIŢII) PROBABILISTE UZUALE
O alt¼
a repartiţie cu multiple aplicaţii practice este
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 ( ) :
Observ¼
am c¼
a, dac¼
aX Beta(a; b), atunci
a ab
EX = ; DX = 2
:
a+b (a + b) (a + b + 1)
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
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:
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
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
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
44 CAPITOLUL 2. MODELE (REPARTIŢII) PROBABILISTE UZUALE
@ 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
X1 = R cos ; X2 = R sin
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
X
n
2
D (n) = D( Xi2 ) = 2n:
i=1
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):
a a2
EX = şi DX = 2 .
b(a + 1) b (a + 1)2 (a + 2)
Capitolul 3
SIMULAREA
VARIABILELOR
ALEATOARE NEUNIFORME
49
50CAPITOLUL 3. SIMULAREA VARIABILELOR ALEATOARE NEUNIFORME
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;
X
i 1 X
i
pk < x 6 pk ;
k=1 k=1
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] :
52CAPITOLUL 3. SIMULAREA VARIABILELOR ALEATOARE NEUNIFORME
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
[0;1] (vezi Algoritmul anterior).
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
[0;1] (vezi Algoritmul anterior).
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
3.1. TEHNICA (METODA) INVERSARII 53
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
P(Z y) = P(F 1
(X) y) = P( min fx j F (x) > X g y) =
. Atunci
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,
fapt ce justi…c¼
a
Algoritmul de simulare a unei v.a. Y Exp( ); > 0 :
Pas 1. Genaram o valoare x a v.a. X U ([0; 1]).
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 1. Genaram o valoare x a v.a. X U ([0; 1]).
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
56CAPITOLUL 3. SIMULAREA VARIABILELOR ALEATOARE NEUNIFORME
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
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
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
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
= .
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
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.
63
64 CAPITOLUL 4. METODA MONTE CARLO
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
66 CAPITOLUL 4. METODA MONTE CARLO
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
Sn ES
P p n x ! (x):
n n!1
jXn j K < 1;
Sn ESn
P p x ! (x):
DSn n!1
Sn np
P p x ! (x):
npq n!1
¼
4.2. METODA MONTE CARLO: SCHEMA GENERALA 67
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
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 ;
1 X
N
s2 = (xi x)2
n 1 i=1
x1 =2 2
n0 ' :
"
Or, dac¼
a vom lua
x1 =2 2
n0 = + 1;
"
70 CAPITOLUL 4. METODA MONTE CARLO
!
1X
n
P xi m 6" 1 ; 8n n0 :
n i=1
1 X
N
s2 = (xi x)2
n 1 i=1
x1 =2 s
"= p :
n
f (x); dac¼
a x 2 (a; b),
f (x) =
0; dac¼
ax2 = (a; b)
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
Zb
g(x)
f (x)dx = EY;
f (x)
a
72 CAPITOLUL 4. METODA MONTE CARLO
g(X)
Y = .
f (X)
În concluzie,
Zb Zb
g(x)
I= g(x)dx = f (x)dx = EY .
f (x)
a a
Zb 2 Zb
2 g(x) (g(x))2
EY = f (x)dx = dx < +1,
f (x) f (x)
a a
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
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
74 CAPITOLUL 4. METODA MONTE CARLO
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
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
4.3. CALCULUL INTEGRALELOR 75
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
avem c¼
a 0 12
Zb Zb
@ g 2 (x)
jg(x)j dxA = dx:
f (x)
a a
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
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
4.3. CALCULUL INTEGRALELOR 77
1X
n
p= ID (xi ),
n i=1
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
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 .
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
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
80 CAPITOLUL 4. METODA MONTE CARLO
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).
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
rezult¼
a c¼
a integrala I poate … aproximat¼
a de estimatorul M + y2 , unde
1 X
n
y2 = (b a) (xi )
n i=1
BIBLIOGRAFIE