Tema Laborator 2

In acest laborator s-a urmarit explicarea a 2 concepte noi: TLC – Teorema Limita Centrala si LNM – Legea
Numerelor Mari.

I. TLC : Suma unor variabile aleatoare independente si identic distribuite(i.i.d.) este o gaussiana. Pentru ca
suma sa se apropie de o gaussiana, numarul de variabile adunate trebuie sa fie cat mai mare, rezultand o eroare
mai mica.

In prima parte a temei se va studia o insumare de variabile aleatoare i.i.d., folosind functia densitate de
probabilitate. Vor fi prezentate doua abordari pentru urmarirea experimentala a TLC in cazurile mai sus
mentionate:

- convolutii ale functiilor densitate de probabilitate

- prin histograme ale variabilei de suma.

a. Convolutii ale functiilor de densitate de probabilitate:

1. Variabile aleatoare uniforme.

Daca adunam doar 2 uniforme, rezultatul va aproxima o gaussiana doar la nivel macro, aducand mai
mult cu un triunghi.
De la 3 uniforme, suma aproximeaza o gaussiana, insa eroarea este inca vizibila.

Pentru a putea obtine o aproximare cat mai exacta marim numarul de variabile aleatoare ce se insumeaza,
astfel eroarea se micsoreaza.
 Putem observa ca dupa 20 de asemenea pasi, diferenta dintre gaussiana si suma celor 20 de uniforme este
aproape inexistenta, eroarea scazand la mai putin de 0.3%

2. Variabile aleatoare exponentiale

Vom urmari aceleasi considerente la o suma de exponentiale.

Dupa 5 exponentiale adunate inca nu putem spune ca aproximarea intre suma si gaussiana este foarte buna.
Dupa 20 de pasi inca putem observa eroarea:
Dupa 30 de pasi eroarea aproape a disparut, exista insa o mica eroare de shiftare care persista.

In concluzie, suma de exponentiale converge si ea la o gaussiana, insa mult mai greu. Este nevoie de un numar
semnificativ mai mare de variabile aleatoare exponentiale adunate pentru a aproxima la fel de bine ca o suma de
uniforme o gaussiana.
Chiar si dupa 60 de exponentiale adunate, eroarea este inca de 2 ori mai mare decat cea de dupa 20 de uniforme
adunate.

b. Histograme ale variabilei de suma.

Aici vom compara densitatile de probabilitate /functiile de repartitie ale gaussianei asteptate cu
histogramele normate ale valorilor experimentale – valori numerice.

Acest mod de vizualizare respecta cele spuse mai sus: suma de v.a. uniforme converge mult mai repede si
mai acurat catre o gaussiana, erorile diminuandu-se semnificativ de la un pas de adunare la altul, ajungandu-
se dupa 20 de pasi la o eroare de sub 0.2%. In schimb, suma de v.a. exponentiale va avea erori mult mai
mari, fiind chiar si shiftata pe grafic, dupa 60 de pasi ajungandu-se la o eroare de 0.4 %.
Acum, la suma de 20 de v.a. uniforme vom aduna o a 21a uniforma, dar cu medie/varianta mult diferita fata
de primele 20.

1. Media este mult diferita, dar dispersia este aceeasi.

Putem observa ca desi media sumei se schimba(ceea ce e si normal intrucat acestea se aduna), suma
aproximeaza foarte bine o gaussiana.
2. Media este aceeasi dar dispersia difera

Deci daca insumam un numar de N-1 v.a. i.i.d cu o v.a. cu o dispersie diferita, rezultatul nu va mai
aproxima o gaussiana.
II. LNM :

1. V.a. de lege normala de medie 0 si dispersie 1.

p = 0.5 εr =0.1
N 100 200 500 1000 10000 50000
P1 0.696 0.839 0.983 1 1 1

p = 0.5 εr =0.05
N 100 200 500 1000 10000 50000
P1 0.378 0.463 0.745 0.864 1 1

2. V.a de lege normala de medie 1 si dispersie 1.

p = 0.1587 εr =0.1
N 100 200 500 1000 10000 50000
P1 0.312 0.458 0.705 0.85 1 1

p = 0.1587 εr =0.05
N 100 200 500 1000 10000 50000
P1 0.107 0.247 0.388 0.52 0.969 1