Seminarul 4. Funcția cuantilă, metoda inversă și metoda Monte Carlo

Statistică · Seminarul 4 (seminar și laborator) · Fișă de lucru (fără rezolvări)

Alexandru Amărioarei

Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027

Planul ședinței

De rezolvat la seminar, în această ordine:

  1. Exercițiul 1 — o densitate pe ramuri: funcția cuantilă, metoda inversă;
  2. Exercițiul 2 — hipergeometrica: metoda inversă discretă, ordinea și costul;
  3. Exercițiul 3 (a)–(c) — funcția cuantilă a unei repartiții mixte;
  4. Exercițiul 8 — tir cu arcul: Monte Carlo, eroarea standard, volumul.

Dacă timpul permite:

  • Exercițiile 4 (transformări și extreme), 5 (Pareto, dist_ks) și 10 (probabilități mici).

Pentru acasă:

  • Exercițiul 3 (d), (e); Exercițiile 6, 7, 9; exercițiile suplimentare 11–13; tema.

Scheletele de cod R: în fișa de lucru.

Breviar: funcția cuantilă

Rezultate din curs folosite azi

\(U,U_1,U_2,\dots\) sunt variabile aleatoare independente, repartizate \(\Unif(0,1)\); \(F^{-1}\) este funcția cuantilă a lui \(F\).

  • Funcția cuantilă (Definiția 7 din Cursul 3): \(F^{-1}(u)=\inf\{x\in\R:\ F(x)\ge u\}\), \(u\in(0,1)\); \(q_p=F^{-1}(p)\) este cuantila de ordin \(p\) (mediana \(q_{1/2}\), cuartilele \(q_{1/4}\), \(q_{3/4}\)). Lema fundamentală (Lema 8 din Cursul 3): pentru orice \(u\in(0,1)\) și \(x\in\R\), \[F^{-1}(u)\le x\iff u\le F(x),\qquad\text{echivalent}\qquad x<F^{-1}(u)\iff F(x)<u .\]
  • Proprietăți (Propoziția 9 din Cursul 3): (1) \(F^{-1}\) este finită, crescătoare și boreliană; (2) \(F(F^{-1}(u))\ge u\) și \(F(F^{-1}(u)-)\le u\), cu \(F(F^{-1}(u))=u\) dacă \(F\) este continuă; (3) \(F^{-1}(F(x))\le x\) dacă \(0<F(x)<1\), cu egalitate dacă și numai dacă \(F(x')<F(x)\) pentru orice \(x'<x\); (4) \(F^{-1}\) este continuă la stânga; (6) dacă \(F\) este continuă și strict crescătoare unde \(0<F<1\), \(F^{-1}\) este inversa obișnuită.
  • Salturi și paliere (Corolarul 10 din Cursul 3): un salt al lui \(F\) în \(x_0\) devine un palier al lui \(F^{-1}\), \(F^{-1}\equiv x_0\) pe \((F(x_0-),F(x_0)]\); un palier al lui \(F\) la nivelul \(u_0\) devine un salt al lui \(F^{-1}\) în \(u_0\) (capătul stâng).

Breviar: universalitatea uniformei și metoda inversă

Rezultate din curs folosite azi (continuare)
  • Cazul discret (Exemplul 10 din Cursul 3): pentru valorile \(x_1<x_2<\cdots\) cu probabilitățile \(p_k\) și \(s_k=p_1+\dots+p_k\), \(s_0=0\), avem \(F^{-1}(u)=x_k\) dacă \(s_{k-1}<u\le s_k\).
  • Universalitatea uniformei (Teorema 12 din Cursul 3): dacă \(U\sim\Unif(0,1)\), atunci \(F^{-1}(U)\) are funcția de repartiție \(F\) pentru orice \(F\); dacă \(X\sim F\) și \(F\) este continuă, atunci \(F(X)\sim\Unif(0,1)\) (dacă \(F\) are un salt, \(F(X)\) nu este uniformă). Cum \(1-U\sim\Unif(0,1)\) (Exemplul 11 din Cursul 3), putem înlocui \(1-U\) cu \(U\).
  • Existența eșantioanelor (Teorema 14 din Cursul 3): cifrele binare \(D_k=\lfloor2^kU\rfloor\bmod2\) ale unei uniforme sunt i.i.d. \(\Bern(\frac12)\) (Lema 16 din Cursul 3); din ele se construiește un șir de uniforme independente (Propoziția 17 din Cursul 3).
  • Metoda inversă (Secțiunea 3 din Cursul 4): \(X=F^{-1}(U)\). Discret (Propoziția 2 din Cursul 4): \(X=x_k\) dacă \(s_{k-1}<U\le s_k\), corect pentru orice ordine de parcurgere a valorilor; căutarea secvențială costă în medie \(\sum_kk\,p_k\) comparații; probabilitățile se pot calcula prin recurență (Exemplul 6 din Cursul 4). Continuu (Exemplele 7 din Cursul 4, 8 din Cursul 4, 10 din Cursul 4): \(\Exp(\lambda)\): \(-\frac1\lambda\ln U\); Weibull \((k,s)\): \(s(-\ln U)^{1/k}\); \(\Cauchy(\alpha,\beta)\): \(\alpha+\beta\tan(\pi(U-\frac12))\); Pareto \((\alpha,\beta)\): \(\alpha U^{-1/\beta}\).

Breviar: metoda Monte Carlo și media prin funcția cuantilă

Rezultate din curs folosite azi (continuare)
  • Metoda Monte Carlo (Propoziția 1 din Cursul 4): dacă \(I=\E[h(X)]\), cu \(\E|h(X)|<\infty\), și \(X_1,\dots,X_N\) sunt i.i.d. ca \(X\), atunci \(\hat I_N=\frac1N\sum_{i=1}^Nh(X_i)\) este nedeplasat și \(\hat I_N\asto I\); dacă \(\sigma^2=\Var(h(X))\in(0,\infty)\), atunci \(\Var(\hat I_N)=\sigma^2/N\), iar intervalul \(\hat I_N\pm z_{1-\alpha/2}\,\hat\sigma_N/\sqrt N\) are nivelul asimptotic \(1-\alpha\) (\(\hat\sigma_N/\sqrt N\) este eroarea standard).
  • Volumul simulării: pentru o eroare cel mult \(\varepsilon\) cu probabilitatea aproximativă \(1-\alpha\) este suficient \(N\ge(z_{1-\alpha/2}\,\sigma/\varepsilon)^2\).
  • Media prin funcția cuantilă (consecință a Teoremei 12 din Cursul 3, punctul 1, și a formulei de transport, Teorema 22 din Cursul 1). Dacă \(X\sim F\) și \(g\) este boreliană cu \(\E|g(X)|<\infty\), atunci \(g(X)\) și \(g(F^{-1}(U))\) au aceeași repartiție și \[ \E\big[g(X)\big]=\E\big[g(F^{-1}(U))\big]=\int_0^1g\big(F^{-1}(u)\big)\dd u .\tag{1} \] Pentru \(g\ge0\), relația are loc fără condiții de integrabilitate. Justificarea: Exercițiul 12(a).

Breviar: instrumentele R ale ședinței

Instrumente R folosite azi
  • runif(n) — \(n\) numere pseudo-aleatoare uniforme pe \((0,1)\); set.seed(s) — reproductibilitate.
  • ifelse(cond, a, b) — funcții definite pe ramuri, aplicate unui vector.
  • cumsum(p) — sumele parțiale \(s_k\); findInterval(u, s, left.open = TRUE) — numărul pragurilor \(s_k\) strict mai mici decât \(u\) (metoda inversă discretă, vectorizată).
  • qexp, qbinom, qpois, qhyper, … — funcțiile cuantilă; dhyper(x, m, n, k): m bile albe, n negre, k extrageri.
  • integrate(f, a, b)$value — integrala numerică \(\int_a^bf\); f primește și întoarce vectori.
  • hist(x, freq = FALSE), apoi curve(f(x), add = TRUE) — histograma normalizată și densitatea; ecdf(x) — funcția de repartiție empirică \(F_n\); quantile(x, p) — cuantilele empirice.
  • apply(M, 1, max), rowSums(M) — calcule pe linii; outer(a, b, f), M %*% v, expand.grid.
  • Funcții scrise azi: dist_ks(x, F) — distanța Kolmogorov \(\sup_t|F_n(t)-F(t)|\) (Exercițiul 5); mc_rezumat(y) — estimația Monte Carlo, eroarea standard și intervalul (Exercițiul 8).

Funcția cuantilă: calcul și proprietăți

O densitate definită pe ramuri

Exercițiul 1 (O densitate definită pe ramuri)

La seminar Concentrația \(X\) de dioxid de sulf (în ppm) din aerul de lângă o rafinărie este modelată prin densitatea \[ f(x)=\begin{cases}\frac45x^3, & 0\le x<1,\\[2pt] \frac45e^{1-x}, & x\ge1,\end{cases}\qquad f(x)=0\ \text{pentru}\ x<0 . \]

  1. Verificați că \(f\) este o densitate și determinați funcția de repartiție \(F\).

  2. Determinați funcția cuantilă, mediana și un algoritm de simulare prin metoda inversă; interpretați algoritmul ca un amestec de două repartiții.

  3. Calculați \(\E[X]\) direct și ca \(\int_0^1F^{-1}(u)\dd u\), apoi \(\Var(X)\) și \(\PP\big(\frac12<X<2\mid X\ge\frac13\big)\).

  4. În R: scrieți \(f\) și \(F^{-1}\) și verificați numeric (a) și (b); simulați apoi \(10^5\) valori prin metoda inversă, comparați histograma lor cu densitatea și verificați rezultatele de la (c).

Repartiția hipergeometrică, de mână

Exercițiul 2 (Repartiția hipergeometrică, de mână)

La seminar Dintr-o urnă cu \(N=10\) bile, dintre care \(K=4\) albe, se extrag fără întoarcere \(n=3\) bile; \(X\) este numărul de bile albe extrase, \(X\sim\HGeom(10,4,3)\).

  1. Scrieți funcția de masă și arătați că \(p_{k+1}=\frac{(K-k)(n-k)}{(k+1)(N-K-n+k+1)}\,p_k\). Calculați \(p_0,\dots,p_3\) cu această recurență.

  2. Determinați funcția cuantilă, mediana și cuartilele. Folosind metoda inversă cu valorile în ordinea naturală \(0,1,2,3\), transformați uniformele \(0.08,\ 0.35,\ 0.71,\ 0.97,\ 0.66\) în observații din repartiția lui \(X\).

  3. Refaceți transformarea parcurgând valorile în ordinea descrescătoare a probabilităților. De ce obținem alte valori, deși ambele eșantioane sunt corecte? Comparați numărul mediu de comparații al celor două variante.

  4. În R: verificați (a)–(c) cu dhyper, qhyper și findInterval; apoi, doar cu recurența de la (a), simulați \(10^4\) valori din \(\HGeom(50,20,15)\) și comparați media și varianța lor cu valorile teoretice.

Funcția cuantilă a unei repartiții mixte

Exercițiul 3 (Funcția cuantilă a unei repartiții mixte)

La seminar Fie funcția \(\quad F(x)=\begin{cases}0, & x<0,\\ \frac x2, & 0\le x<1,\\ \frac34, & 1\le x<2,\\ 1-\frac14e^{-(x-2)}, & x\ge2 .\end{cases}\)

  1. Arătați că \(F\) este o funcție de repartiție. Fie \(X\sim F\). Calculați \(\PP(X=1)\), \(\PP(1<X\le2)\), \(\PP(X>3)\) și descrieți repartiția lui \(X\) ca amestec de repartiții cunoscute.

  2. Determinați funcția cuantilă \(F^{-1}\); ce se întâmplă în dreptul saltului și al palierului?

  3. Verificați că inegalitățile \(F(F^{-1}(u))\ge u\) și \(F^{-1}(F(x))\le x\) pot fi stricte; unde sunt egalități?

  4. Scrieți un algoritm de simulare pentru \(X\); calculați \(\E[X]\) direct și ca \(\int_0^1F^{-1}(u)\dd u\), apoi \(\Var(X)\).

  5. În R: verificați (c) și (d), simulați \(10^5\) observații și comparați funcția de repartiție empirică cu \(F\).

Universalitatea uniformei și metoda inversă

Cuantilele unor transformări. Simularea extremelor

Exercițiul 4 (Cuantilele unor transformări. Simularea extremelor)

Dacă timpul permite Fie \(X\) o variabilă aleatoare cu funcția de repartiție \(F\) și funcția cuantilă \(F^{-1}\).

  1. Fie \(a\in\R\), \(b>0\) și \(Y=a+bX\). Arătați că \(F_Y^{-1}(u)=a+bF^{-1}(u)\) pentru orice \(u\in(0,1)\).

  2. Mai general, fie \(h:\R\to\R\) continuă și strict crescătoare, cu \(h(\R)=\R\). Arătați că funcția cuantilă a lui \(h(X)\) este \(h\circ F^{-1}\).

  3. Fie \(X_1,\dots,X_n\) i.i.d. cu funcția de repartiție \(F\). Arătați că funcțiile cuantilă ale lui \(M_n=\max_iX_i\) și \(m_n=\min_iX_i\) sunt \(F_{M_n}^{-1}(u)=F^{-1}\big(u^{1/n}\big)\) și \(F_{m_n}^{-1}(u)=F^{-1}\big(1-(1-u)^{1/n}\big)\) și deduceți o metodă de simulare a lui \(M_n\) și a lui \(m_n\) cu o singură uniformă.

  4. Aplicație: \(X_i\sim\Exp(1)\), \(n=5\). Scrieți formulele de simulare, recunoașteți repartiția minimului și calculați mediana și media lui \(M_5\).

  5. În R: simulați \(M_5\) cu o singură uniformă și direct, din cinci exponențiale, și comparați.

Repartiția Pareto: momente, logaritm, simulare

Exercițiul 5 (Repartiția Pareto: momente, logaritm, simulare)

Dacă timpul permite Concentrația \(X\) de monoxid de carbon (în ppm) peste un prag cunoscut \(k>0\) este modelată prin densitatea Pareto \[ f(x)=\frac{\theta k^\theta}{x^{\theta+1}},\qquad x>k,\qquad \theta>3 . \]

  1. Determinați \(F\), \(F^{-1}\) și un algoritm de simulare. Pentru \(k=1\) și \(\theta=4\), calculați \(\PP(k+1<X<k+3\mid X>k+1)\).

  2. Folosind relația (1), calculați \(\E[X^r]\) pentru \(r>0\) și deduceți \(\E[X]\), \(\Var(X)\) și \(\E[X^3]\).

  3. Arătați că \(\ln(X/k)\sim\Exp(\theta)\) și calculați \(\E[\ln X]\). Ce legătură are rezultatul cu algoritmul de la (a)?

  4. În R, pentru \(k=1\) și \(\theta=4\): simulați \(10^5\) valori, calculați distanța Kolmogorov dintre funcția de repartiție empirică și \(F\) și verificați (a)–(c). Estimați apoi \(\E[X^3]\) cu patru semințe diferite; ce observați?

Transformarea integrală de probabilitate randomizată

Exercițiul 6 (Transformarea integrală de probabilitate randomizată)

Pentru acasă Fie \(X\) o variabilă aleatoare discretă cu valorile \(x_1<x_2<\cdots\), probabilitățile \(p_k>0\), sumele parțiale \(s_k=p_1+\dots+p_k\) (\(s_0=0\)) și funcția de repartiție \(F\); fie \(U\sim\Unif(0,1)\) independentă de \(X\).

  1. Arătați că \(V=F(X-)+U\big(F(X)-F(X-)\big)\) are repartiția \(\Unif(0,1)\).

  2. Deduceți că \(\PP(F(X)\le u)\le u\) pentru orice \(u\in[0,1]\).

  3. Pentru \(X\sim\Pois(2)\), calculați \(\PP(F(X)\le\frac12)\) și comparați cu \(\frac12\).

  4. În R, pentru \(X\sim\Pois(2)\): simulați \(10^5\) valori ale lui \(F(X)\) și ale lui \(V\), comparați histogramele lor și distanțele Kolmogorov față de repartiția \(\Unif(0,1)\).

Punctul 2 al Teoremei 12 din Cursul 3 cere ca \(F\) să fie continuă; aici îl „reparăm” pentru repartiții discrete, adăugând o uniformă independentă.

Repartiția Weibull și repartiția Gumbel

Exercițiul 7 (Repartiția Weibull și repartiția Gumbel)

Pentru acasă Fie \(\alpha,\beta>0\) și \(F(x)=\big(1-\exp(-\alpha x^\beta)\big)\Ind_{[0,\infty)}(x)\).

  1. Arătați că \(F\) este o funcție de repartiție continuă, determinați densitatea, funcția cuantilă, mediana și o metodă de simulare.

  2. Calculați \(\E[X^r]\), \(r>0\), cu relația (1) și deduceți media și varianța; dați valorile numerice pentru \(\alpha=2\), \(\beta=1.5\).

  3. Arătați că \(E=\alpha X^\beta\sim\Exp(1)\) și că \(G=-\ln(\alpha X^\beta)\) are funcția de repartiție Gumbel \(F_G(x)=\exp(-e^{-x})\), \(x\in\R\). Scrieți \(G\) ca funcție de uniforma \(U\) folosită la (a) și comparați cu funcția cuantilă a lui \(G\).

  4. Fie \(X_1,\dots,X_n\) i.i.d. cu funcția de repartiție \(F\). Arătați că \(m_n=\min_iX_i\) are o repartiție Weibull și deduceți o simulare a lui \(m_n\) cu o singură uniformă.

  5. În R: verificați rezultatele prin simulare, pentru \(\alpha=2\), \(\beta=1.5\) și \(n=5\).

Metoda Monte Carlo: eroarea și volumul simulării

Scorul la tir cu arcul

Exercițiul 8 (Scorul la tir cu arcul)

La seminar O țintă are trei cercuri concentrice, de raze \(\frac1{\sqrt3}\), \(1\) și \(\sqrt3\). O săgeată primește \(4\) puncte în interiorul primului cerc, \(3\) puncte între primul și al doilea, \(2\) puncte între al doilea și al treilea și \(0\) puncte în afara celui de-al treilea. Distanța \(R\) de la centru la impact are densitatea \(f_R(r)=\frac{2}{\pi(1+r^2)}\), \(r>0\); \(S\) este scorul.

  1. Determinați \(F_R\), \(F_R^{-1}\) și un algoritm de simulare a lui \(R\) prin metoda inversă.

  2. Determinați repartiția lui \(S\), \(\E[S]\) și \(\Var(S)\). Arătați că \(S\) se poate simula direct dintr-o uniformă.

  3. Fie \(S_1,\dots,S_N\) scorurile a \(N\) săgeți independente. Scrieți estimatorii Monte Carlo ai lui \(m=\E[S]\) și \(p_0=\PP(S=0)\) și erorile lor standard. Ce volum \(N\) asigură, pentru fiecare, o eroare de cel mult \(0.01\) cu probabilitatea aproximativă \(0.95\)?

  4. În R: simulați \(N=10^5\) săgeți și verificați repartiția de la (b); scrieți o funcție care întoarce estimația Monte Carlo, eroarea standard și intervalul aproximativ de nivel \(0.95\) și verificați prin simulare nivelul intervalului.

Două reprezentări Monte Carlo ale unei integrale

Exercițiul 9 (Două reprezentări Monte Carlo ale unei integrale)

Pentru acasă Fie \[ I=\int_0^\infty\sin\big(x^4\big)\,e^{-2x}\,e^{-x^2/2}\dd x . \]

  1. Scrieți \(I\) ca medie în două moduri: \(I=\E[h_1(Z)]\) cu \(Z\sim\Norm(0,1)\) și \(I=\E[h_2(Y)]\) cu \(Y\sim\Exp(2)\). Descrieți estimatorii Monte Carlo corespunzători și justificați convergența lor.

  2. Arătați că ambii estimatori au varianță finită și scrieți varianțele \(\sigma_1^2=\Var(h_1(Z))\), \(\sigma_2^2=\Var(h_2(Y))\) ca integrale simple.

  3. Știind că, numeric, \(\sigma_1^2\approx0.00734\) și \(\sigma_2^2\approx0.00616\), determinați volumul simulării pentru care eroarea este cel mult \(10^{-3}\) cu probabilitatea aproximativă \(0.95\). Ce reprezentare este de preferat și de ce?

  4. În R: calculați \(I\), \(\sigma_1^2\) și \(\sigma_2^2\) prin integrare numerică și comparați cei doi estimatori pe o simulare.

Probabilități mici: eroarea absolută și eroarea relativă

Exercițiul 10 (Probabilități mici: eroarea absolută și eroarea relativă)

Dacă timpul permite Fie \(Z\sim\Norm(0,1)\) și \(p=\PP(Z>3)=\Phi(-3)\approx0.00135\).

  1. Fie \(\hat p_N\) frecvența relativă a evenimentului \(\{Z_i>3\}\) în \(N\) simulări independente. Determinați \(\E[\hat p_N]\) și \(\Var(\hat p_N)\).

  2. Ce volum \(N\) garantează (aproximativ, prin TLC; apoi exact, prin inegalitatea lui Cebîșev) o eroare absolută de cel mult \(0.01\) cu probabilitatea \(0.95\), oricare ar fi \(p\)? Este această precizie utilă aici?

  3. Ce volum \(N\) este necesar pentru o eroare relativă de cel mult \(10\%\) cu probabilitatea aproximativă \(0.95\)?

  4. În R: calculați exact, cu repartiția binomială, probabilitatea ca eroarea relativă să fie cel mult \(10\%\) pentru volumul \(N=9\,604\) de la (b) și pentru volumul de la (c) și simulați estimatorul pentru \(N=10^3\), \(10^4\) și \(284\,190\).

Exerciții suplimentare

Uniforme independente din cifrele binare

Exercițiul 11 (Uniforme independente din cifrele binare)

Pentru acasă Fie \((X_m)_{m\ge1}\) un șir de variabile aleatoare independente cu \(\PP(X_m=0)=\PP(X_m=1)=\frac12\) (aruncări ale unei monede echilibrate) și \(\phi(n,k)=\frac{(n+k-1)(n+k-2)}{2}+k\) numerotarea pe diagonale a perechilor \((n,k)\in\N^*\times\N^*\). Ca la Pasul 2 al demonstrației Teoremei 14 din Cursul 3, fie \(\ U_n=\sum_{k\ge1}\frac{X_{\phi(n,k)}}{2^k}\) și \(S_{n,K}=\sum_{k=1}^K\frac{X_{\phi(n,k)}}{2^k}\), \(\ n\ge1\), \(K\ge1\).

  1. Scrieți indicii primelor cinci aruncări folosite de \(U_1\), \(U_2\) și \(U_3\). Câte aruncări trebuie generate pentru a calcula \(S_{1,20}\), \(S_{2,20}\) și \(S_{3,20}\)?

  2. Arătați că \(S_{n,K}\) este uniformă pe grila \(\{j/2^K:\ 0\le j<2^K\}\), calculați media și varianța ei și arătați că \(0\le U_n-S_{n,K}\le2^{-K}\). De ce sunt independente \(S_{1,K}\), \(S_{2,K}\) și \(S_{3,K}\)?

  3. În R: verificați că cifrele binare ale numerelor produse de runif se comportă ca aruncări echilibrate independente; construiți din ele \(10^4\) triplete \((S_{1,20},S_{2,20},S_{3,20})\) și verificați uniformitatea și independența componentelor; transformați-le apoi în variabile \(\Exp(1)\), \(\Pois(3)\) și \(\Norm(0,1)\).

Media ca integrală a funcției cuantilă. Ordonarea stocastică

Exercițiul 12 (Media ca integrală a funcției cuantilă. Ordonarea stocastică)

Pentru acasă Fie \(X\) și \(Y\) variabile aleatoare cu funcțiile de repartiție \(F_X\), \(F_Y\) și funcțiile cuantilă \(F_X^{-1}\), \(F_Y^{-1}\).

  1. Arătați că, pentru orice \(g\) boreliană cu \(\E|g(X)|<\infty\), are loc relația (1); în particular \(\E[X]=\int_0^1F_X^{-1}(u)\dd u\) dacă \(\E|X|<\infty\). Aplicați pentru \(X\sim\Exp(\lambda)\) (media și varianța).

  2. Spunem că \(X\) este stocastic mai mare decât \(Y\) dacă \(\PP(X>x)\ge\PP(Y>x)\) pentru orice \(x\in\R\). Arătați că, în acest caz, \(F_X^{-1}(u)\ge F_Y^{-1}(u)\) pentru orice \(u\in(0,1)\).

  3. Deduceți că, dacă \(X\) este stocastic mai mare decât \(Y\), există pe același câmp de probabilitate \(X'\sim F_X\) și \(Y'\sim F_Y\) cu \(X'(\omega)\ge Y'(\omega)\) pentru orice \(\omega\) și că \(\E[g(X)]\ge\E[g(Y)]\) pentru orice \(g\) crescătoare cu mediile finite; în particular \(\E[X]\ge\E[Y]\).

  4. Arătați că \(\Bin(n,p)\) este stocastic mai mare decât \(\Bin(n,p')\) pentru \(p\ge p'\) și verificați în R concluziile de la (a)–(c).

Integrare Monte Carlo în dimensiune mare

Exercițiul 13 (Integrare Monte Carlo în dimensiune mare)

Pentru acasă Pentru \(d\ge1\) fie \(\ I_d=\int_{[0,1]^d}\exp\big(-\frac{x_1^2+\dots+x_d^2}{d}\big)\dd x\).

  1. Arătați că \(I_d=\Big(\sqrt{\pi d}\,\big(\Phi(\sqrt{2/d})-\tfrac12\big)\Big)^d\).

  2. Scrieți estimatorul Monte Carlo al lui \(I_d\) cu \(N\) puncte uniforme în \([0,1]^d\) și arătați că eroarea lui standard este cel mult \(0.32/\sqrt N\), oricare ar fi \(d\).

  3. Regula punctului de mijloc pe o grilă cu \(m\) puncte pe fiecare axă folosește \(N=m^d\) evaluări ale funcției. Arătați că, pentru \(\psi:[0,1]^d\to\R\) de clasă \(C^2\), cu toate derivatele parțiale de ordinul doi mărginite în modul de o constantă \(M\), eroarea ei este cel mult \(\frac{Md^2}{8}\,N^{-2/d}\).

  4. În R: comparați cele două metode pentru \(d\in\{1,2,4,6,8,10\}\), cu un buget de cel mult \(10^4\) evaluări.

Temă

  1. (Legea lui Benford, R.) \(\PP(D=d)=\log_{10}\big(1+\frac1d\big)\), \(d=1,\dots,9\): arătați că \(F(d)=\log_{10}(d+1)\) și că \(D=\lfloor10^U\rfloor\).
  2. (Transformare descrescătoare.) \(F\) continuă, strict crescătoare, \(X\sim F\): \(F_{-X}^{-1}(u)=-F^{-1}(1-u)\); cazul \(\Norm(0,1)\).
  3. (Beta, Kumaraswamy, R.) \(U^{1/a}\sim\BetaD(a,1)\), \(1-U^{1/b}\sim\BetaD(1,b)\); \(f(x)=ab\,x^{a-1}(1-x^a)^{b-1}\) pe \((0,1)\): \(F\), \(F^{-1}\), media.
  4. (O densitate nemărginită, R.) \(f(x)=\frac16|x|^{-2/3}\), \(0<|x|\le1\): \(F\), \(F^{-1}\), mediana, cuartilele și \(\E[X^2]\) cu relația (1).
  5. (Repartiția logaritmică.) \(\PP(X=k)=\frac{-p^k}{k\ln(1-p)}\), \(k\ge1\): recurența \(p_{k+1}=\frac{kp}{k+1}p_k\), algoritmul, costul mediu.
  6. (Două reprezentări, calcul exact, R.) \(I=\int_0^\infty\frac{e^{-x}}{1+x}\dd x=\E\big[\frac1{1+X}\big]=\E\big[\frac{e^{1-1/U}}{U}\big]\), \(X\sim\Exp(1)\): cele două varianțe și volumul pentru o eroare de cel mult \(10^{-2}\) cu probabilitatea aproximativă \(0.95\).
  7. (Un joc câștigat prin simulare, R.) Vi se arată, la întâmplare, unul dintre două numere \(0\le x<y\); răspundeți „cel mai mic” dacă el este mai mic decât \(Z\sim\Exp(1)\) simulat: câștigați cu probabilitatea \(\frac12+\frac12\big(\PP(Z>x)-\PP(Z>y)\big)>\frac12\).
  8. (Explorare: variabile antitetice, R.) Pentru \(I=\int_0^1e^x\dd x=\E[e^U]\), comparați \(\frac1{2n}\sum_{i=1}^{2n}e^{U_i}\) cu \(\frac1n\sum_{i=1}^n\frac12\big(e^{U_i}+e^{1-U_i}\big)\), la același număr de evaluări ale funcției (\(2n\)).

Enunțurile complete, cu răspunsuri și indicații: fișa de lucru, Secțiunea 6.

Bibliografie

Pentru lecturi suplimentare: (Casella and Berger 2002, sec. 5.6), (Robert and Casella 2004, cap. 2–3), (Devroye 1986, cap. II).

Casella, George, and Roger L. Berger. 2002. Statistical Inference. 2nd ed. Duxbury.
Delmas, Jean-François. 2010. Introduction Au Calcul Des Probabilités Et à La Statistique. Exercices, Problèmes Et Corrections. Les Presses de l’ENSTA.
Devroye, Luc. 1986. Non-Uniform Random Variate Generation. Springer.
Knight, Keith. 2000. Mathematical Statistics. Texts in Statistical Science. Chapman & Hall/CRC.
Kupper, Lawrence L., Brian H. Neelon, and Sean M. O’Brien. 2013. Exercises and Solutions in Statistical Theory. Chapman & Hall/CRC.
Robert, Christian P., and George Casella. 2004. Monte Carlo Statistical Methods. 2nd ed. Springer.