Seminarul 5. Metoda respingerii. Simulare prin transformări

Statistică · Seminarul 5 (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 (a)–(c) și (e), fără minimul lui \(c(b)\) — constanta optimă, acceptarea, costul;
  2. Exercițiul 4 — respingerea ca repartiție condiționată, coordonate polare, resp_conditionat;
  3. Exercițiul 6 (a)–(c) și (e) — schimbarea de variabilă, marginale, factorizare;
  4. Exercițiul 9 (a), (b) și (d), fără metoda polară — Box–Muller; generatoare din uniforme.

Dacă timpul permite:

  • Exercițiile 3 (Gamma cu propunere exponențială), 8 (minimul și maximul) și 10 (raportul a două normale).

Pentru acasă:

  • subpunctele rămase; Exercițiile 2, 5, 7; suplimentarele 11–13; tema.

Rezolvările complete vor fi publicate ulterior. Scheletele de cod R: în fișa de lucru.

Breviar: respingerea și repartițiile condiționate

Rezultate din curs folosite azi

\(U,U_1,U_2,\dots\) i.i.d. \(\Unif(0,1)\); \(\phi,\Phi\): densitatea și funcția de repartiție \(\Norm(0,1)\); \(\lambda_d\): măsura Lebesgue pe \(\R^d\); \(\GammaD(\alpha,\lambda)\): densitatea \(\lambda^\alpha x^{\alpha-1}e^{-\lambda x}/\Gamma(\alpha)\), \(x>0\).

  • Geometrica (Exemplul 23 din Cursul 1): \(\PP(T=k)=(1-p)^{k-1}p\), \(\E[T]=\frac1p\), \(\Var(T)=\frac{1-p}{p^2}\), \(\PP(T>k)=(1-p)^k\).
  • Condiționare (Teorema 5 din Cursul 4 și observația următoare): \(M_n\) i.i.d. \(\sim\mu\), \(\mu(B)>0\), \(T=\inf\{n:M_n\in B\}\) \(\Rightarrow\) \(T\sim\Geom(\mu(B))\), \(M_T\sim\mu(\cdot\mid B)\), independent de \(T\). Uniform în \(\prod_k[a_k,b_k]\): \(a_k+(b_k-a_k)U_k\) (Propoziția 4 din Cursul 4); \(B\subseteq C\), \(M_n\sim\Unif(C)\) \(\Rightarrow\) \(M_T\sim\Unif(B)\), acceptare \(\frac{\lambda_d(B)}{\lambda_d(C)}\) (Corolarul 6 din Cursul 4).
  • Respingerea (Teorema 9 din Cursul 4): \(f\le cg\) (\(c\ge1\)); \(X\sim g\), \(U\) independente, până când \(U\le\frac{f(X)}{c\,g(X)}\): valoarea acceptată are densitatea \(f\); numărul de propuneri: \(\Geom(1/c)\); optim \(c^*=\sup\frac{f}{g}\); geometric: Propozițiile 8 din Cursul 4, 7 din Cursul 4. \(f=\tilde f/K\), \(\tilde f\le Mg\): \(U\le\frac{\tilde f(X)}{Mg(X)}\), acceptare \(\frac KM\). Dacă \(f\le cg\) nu are loc, se obține densitatea \(\propto\min(f,cg)\) (Secțiunea 4.2 din Cursul 4).

Breviar: schimbarea de variabilă și transformări uzuale

Rezultate din curs folosite azi (continuare)
  • Schimbarea de variabilă (Teorema 52 din Cursul 1): \(X\) cu densitatea \(f_X\), \(S\) deschisă, \(\PP(X\in S)=1\), \(h:S\to\R^d\) injectivă, de clasă \(C^1\), cu \(J_h\ne0\) pe \(S\): \(\ f_Y(y)=f_X\big(h^{-1}(y)\big)\,\big|J_{h^{-1}}(y)\big|\,\Ind_{h(S)}(y)\), cu \(J_{h^{-1}}(y)=1/J_h\big(h^{-1}(y)\big)\). Pe bucăți: se adună contribuțiile (Teorema 54 din Cursul 1); o singură funcție: variabilă auxiliară, apoi marginala (Propoziția 36 din Cursul 1). \(AX+b\): \(\frac{1}{|\det A|}f_X(A^{-1}(y-b))\) (Corolarul 53 din Cursul 1); polare: \(r\,f(r\cos\theta,r\sin\theta)\) pe \((0,\infty)\times(0,2\pi)\) (Exemplul 41 din Cursul 1); \(f_{X+Y}(z)=\int f(x,z-x)\dd x\), \(f_{X/Y}(z)=\int|y|f(zy,y)\dd y\) (Propoziția 50 din Cursul 1).
  • Factorizarea (Lema 10 din Cursul 4): \(f_{(U,V)}(u,v)=a(u)b(v)\) pentru orice \((u,v)\) \(\Rightarrow\) \(U\indep V\), cu densități proporționale cu \(a\), \(b\).
  • Transformări uzuale (Secțiunea 5 din Cursul 4): Box–Muller (Teorema 11 din Cursul 4): \(\sqrt{-2\ln U_2}\,(\cos2\pi U_1,\sin2\pi U_1)\) are componentele independente, \(\Norm(0,1)\); \(-\frac1\lambda\ln(U_1\cdots U_n)\sim\GammaD(n,\lambda)\), \(Z_1^2+\dots+Z_k^2\sim\chi^2_k=\GammaD(\frac k2,\frac12)\) (Propoziția 12 din Cursul 4); \(\tan(\pi(U-\frac12))\sim\Cauchy(0,1)\) (Exemplul 8 din Cursul 4), ca și raportul a două normale standard independente (Exemplul 38 din Cursul 1).

Breviar: instrumentele R ale ședinței

Instrumente R folosite azi
  • x[acc], cu acc logic — valorile acceptate (respingere vectorizată, pe un lot de propuneri); mean(acc) — rata de acceptare observată.
  • repeat { ... }, while (cond) { ... } — bucle; return(...) iese din funcție.
  • which(v) — pozițiile valorilor TRUE; diff(c(0, poz)) — diferențele dintre poziții consecutive; rbind, t(replicate(n, expr)) — rezultate pe linii.
  • optimize(f, interval) — minimul unei funcții de o variabilă ($minimum, $objective).
  • pmin, pmax — minim/maxim componentă cu componentă; rowSums(M); tabulate(x, k) — frecvențele valorilor \(1,\dots,k\); rbinom(n, size, p) acceptă un vector size.
  • cor(x, y) — corelația empirică (un indiciu, nu o dovadă, de independență); quantile(x, p); structure(x, rata = r) și attr(x, "rata") — un atribut.
  • Funcții scrise azi: resp_conditionat (Exercițiul 4); respingere, dist_ks (Exercițiul 3; dist_ks din Exercițiul 5 din Seminarul 4); box_muller (Secțiunea 5.2 din Cursul 4), marsaglia, r_chisq, r_t, r_f, r_cauchy (Exercițiul 9).

Alegerea propunerii și a constantei

Respingerea pentru densitatea \(6x(1-x)\)

Exemplul 1 (Respingerea pentru densitatea \(6x(1-x)\))

Fie \(f(x)=6x(1-x)\), \(0<x<1\) (densitatea \(\BetaD(2,2)\)), și propunerea \(g=\Ind_{(0,1)}\). \(F(x)=3x^2-2x^3\) nu se inversează simplu (ecuație de gradul trei), deci folosim respingerea.

Seminar Pasul 1: raportul. \(\frac{f}{g}=6x(1-x)\) este continuă pe \([0,1]\), deci mărginită. Pasul 2: constanta. \(\big(6x(1-x)\big)'=6(1-2x)\): maximul în \(x=\frac12\), \(c^*=\frac32\) (dreptunghiul \([0,1]\times[0,\frac32]\), de arie \(\frac32\), față de aria \(1\) sub \(f\)).

Pasul 3: condiția de acceptare. \(U\le\frac{f(X)}{c^*g(X)}=4X(1-X)\). Perechea \((0.10,\,0.50)\) este respinsă (\(0.36<0.5\)), perechea \((0.62,\,0.71)\) este acceptată (\(4\cdot0.62\cdot0.38\approx0.942\ge0.71\)): \(Z=0.62\) după \(T=2\) încercări.

Pasul 4: costul. Acceptare \(\frac1{c^*}=\frac23\), \(T\sim\Geom(\frac23)\), \(\E[T]=\frac32\): în medie \(3\) uniforme pe observație. Media este \(\frac12\) (simetrie), varianța \(\int_0^1x^2\cdot6x(1-x)\dd x-\frac14=\frac3{10}-\frac14=\frac1{20}\).

Densitatea \(6x(1-x)\) — în R

Soluție

Laborator Generăm dinainte \(m=10^5\) perechi \((X,U)\), păstrăm valorile \(X\) pentru care \(U\le4X(1-X)\) și comparăm proporția acceptată cu \(\frac23\), apoi media și varianța valorilor acceptate cu \(\frac12\) și \(\frac1{20}\).

set.seed(500)
m <- 1e5
x <- runif(m); u <- runif(m)                 # m propuneri (X, U)
z <- x[u <= 4 * x * (1 - x)]                 # valorile acceptate
c(acceptare = length(z) / m, teoretic = 2 / 3,
  media = mean(z), varianta = var(z), var_teor = 1 / 20)
#> acceptare  teoretic     media  varianta  var_teor 
#>   0.66867   0.66667   0.49938   0.05002   0.05000

Au fost acceptate \(66.9\%\) dintre propuneri (față de \(66.7\%\)); media \(0.4994\) și varianța \(0.0500\) sunt cele ale repartiției \(\BetaD(2,2)\). Volumul obținut este aleator (\(\approx\frac23m\)); pentru un volum fix generăm loturi până îl atingem (Exercițiul 3).

Repartiția Beta(2,4): două propuneri

Exercițiul 1 (Repartiția Beta(2,4): două propuneri)

La seminar Fie \(f(x)=20x(1-x)^3\), \(0<x<1\), densitatea repartiției \(\BetaD(2,4)\).

  1. Verificați că \(f\) este o densitate. Folosind propunerea \(\Unif(0,1)\), determinați constanta optimă \(c_1\), condiția de acceptare și probabilitatea de acceptare.

  2. Refaceți (a) pentru propunerea \(g(x)=2(1-x)\), \(0<x<1\) (repartiția \(\BetaD(1,2)\)), după ce ați arătat că ea se simulează prin \(X=1-\sqrt U\).

  3. Pentru fiecare variantă, dați repartiția numărului \(T\) de propuneri necesare pentru o observație, \(\E[T]\), \(\Var(T)\), \(\PP(T>3)\) și numărul mediu de uniforme consumate.

  4. Pentru întreaga familie de propuneri \(\BetaD(1,b)\), \(b>0\), cu densitatea \(g_b(x)=b(1-x)^{b-1}\), determinați pentru ce \(b\) raportul \(f/g_b\) este mărginit și calculați constanta optimă \(c(b)\). Este \(b=2\) o alegere bună?

  5. În R: simulați ambele variante și verificați (a)–(c); determinați numeric minimul lui \(c(b)\). Ce se întâmplă dacă, din greșeală, folosim propunerea uniformă cu constanta \(c=1.5<c_1\)?

Repartiția triunghiulară și repartiția semicirculară

Exercițiul 2 (Repartiția triunghiulară și repartiția semicirculară)

Pentru acasă Fie \(f_1(x)=(1-|x|)^+\) (densitatea triunghiulară) și \(f_2(x)=\frac2\pi\sqrt{1-x^2}\,\Ind_{[-1,1]}(x)\) (densitatea semicirculară a lui Wigner).

  1. Verificați că \(f_1\) și \(f_2\) sunt densități. Pentru propunerea \(\Unif(-1,1)\), determinați constantele optime, condițiile de acceptare, probabilitățile de acceptare și numărul mediu de uniforme consumate pentru o observație.

  2. Arătați că, pentru \(f_2\), condiția de acceptare spune că punctul \((X,U)\) cade în semidiscul unitate superior. Deduceți că \(f_2\) este densitatea abscisei unui punct uniform pe discul unitate și găsiți o metodă de simulare fără respingere.

  3. Dați o metodă exactă, cu exact două uniforme pe observație, pentru \(f_1\). Calculați varianțele și \(\PP(|X|>\frac12)\) pentru cele două repartiții și verificați în R.

Repartiția Gamma cu propunere exponențială

Exercițiul 3 (Repartiția Gamma cu propunere exponențială)

Dacă timpul permite Fie \(a>1\) și \(f(x)=x^{a-1}e^{-x}/\Gamma(a)\), \(x>0\), densitatea \(\GammaD(a,1)\). Folosim propunerea \(g_\lambda(x)=\lambda e^{-\lambda x}\), \(x>0\).

  1. Arătați că pentru \(\lambda\ge1\) raportul \(f/g_\lambda\) este nemărginit. De ce nu funcționează această propunere nici pentru \(a<1\)?

  2. Pentru \(0<\lambda<1\), calculați \(c(\lambda)=\sup_xf(x)/g_\lambda(x)\), arătați că \(c(\lambda)\) este minimă pentru \(\lambda^*=\frac1a\) și simplificați condiția de acceptare.

  3. Aplicație numerică: \(a=2.5\). Calculați \(c^*\) și probabilitatea de acceptare și comparați cu \(\lambda=0.2\) și \(\lambda=0.6\).

  4. Folosind formula lui Stirling, \(\Gamma(a)\sim\sqrt{2\pi}\,a^{a-1/2}e^{-a}\) (\(a\to\infty\)), studiați comportarea lui \(c^*\) pentru \(a\to\infty\).

  5. În R: verificați (c) și (d) prin simulare. Scrieți apoi o funcție generală pentru metoda respingerii, care întoarce un eșantion de volum dat, și verificați-o, cu distanța Kolmogorov, pe țintele din Exercițiile 1, 2 și din acest exercițiu și pe repartiția normală cu propunere Laplace.

Uniforma pe o mulțime și repartiții condiționate

Uniforma pe o coroană circulară

Exercițiul 4 (Uniforma pe o coroană circulară)

La seminar Fie coroana circulară \(B=\{(x,y):1\le x^2+y^2\le4\}\) și pătratul \(C=[-2,2]^2\).

  1. Descrieți algoritmul de respingere pentru \(\Unif(B)\) pornind de la \(\Unif(C)\) și calculați probabilitatea de acceptare, \(\E[T]\), \(\Var(T)\), \(\PP(T\ge3)\) și numărul mediu de uniforme pe punct.

  2. Fie \((X,Y)\sim\Unif(B)\) și \((R,\Theta)\) coordonatele sale polare. Determinați densitatea lui \((R,\Theta)\), arătați că \(R\) și \(\Theta\) sunt independente și deduceți o metodă de simulare fără respingere.

  3. Calculați \(\E[X^2+Y^2]\) și \(\PP(X^2+Y^2\le2.25)\) și comparați cu valorile date de metoda greșită „\(R\sim\Unif(1,2)\), \(\Theta\sim\Unif(0,2\pi)\) independente”.

  4. În R: implementați algoritmul de la (a), întâi secvențial, apoi printr-o funcție vectorizată care simulează repartiția condiționată pentru o mulțime oarecare; verificați (a)–(c) și independența dintre punctul acceptat și numărul de încercări.

Poisson trunchiată și subeșantionare

Exercițiul 5 (Poisson trunchiată și subeșantionare)

Pentru acasă Numărul \(N\) de mașini care trec printr-o intersecție într-o oră are repartiția Poisson trunchiată în zero, \(\PP(N=n)=\frac{e^{-\lambda}\lambda^n}{n!\,(1-e^{-\lambda})}\), \(n\ge1\); condiționat de \(N=n\), numărul \(X\) de șoferi care poartă centura de siguranță are repartiția \(\Bin(n,\pi)\). Fie \(\lambda=1.5\) și \(\pi=0.7\).

  1. Arătați că algoritmul „generăm variabile \(\Pois(\lambda)\) până la prima valoare nenulă” produce o observație din repartiția lui \(N\). Câte încercări sunt necesare în medie? Scrieți și o metodă inversă, fără respingere.

  2. Arătați că \(\PP(X=0)=\frac{e^{-\lambda\pi}-e^{-\lambda}}{1-e^{-\lambda}}\), \(\PP(X=x)=\frac{e^{-\lambda\pi}(\lambda\pi)^x}{x!\,(1-e^{-\lambda})}\) pentru \(x\ge1\), și \(\E[X]=\frac{\lambda\pi}{1-e^{-\lambda}}\).

  3. Simulați \(10^5\) perechi \((N,X)\) și comparați frecvențele valorilor lui \(X\) și media lui \(X\) cu (b).

Transformări de vectori aleatori

Schema de lucru: trei pași

Teorema schimbării de variabilă în trei pași

Teorema 52 din Cursul 1 se aplică în trei pași, urmați în toate exercițiile de mai jos:

  1. domeniul și inversa: alegem o mulțime deschisă \(S\) cu \(\PP(X\in S)=1\) pe care \(h\) este injectivă și rezolvăm sistemul \(y=h(x)\) în raport cu \(x\); rezolvarea dă simultan injectivitatea, inversa \(h^{-1}\) și imaginea \(T=h(S)\);
  2. iacobianul: calculăm \(J_{h^{-1}}(y)=\det\big(\partial x_i/\partial y_j\big)\) (sau \(1/J_h\) în punctul \(h^{-1}(y)\));
  3. densitatea: \(f_Y(y)=f_X(h^{-1}(y))\,|J_{h^{-1}}(y)|\) pe \(T\) și \(0\) în rest; apoi marginalele (prin integrare, Propoziția 36 din Cursul 1) și, eventual, independența (prin factorizare, Lema 10 din Cursul 4).

Pentru simulare, rezultatul se citește și invers: dacă densitatea noilor coordonate se factorizează, le putem genera independent, apoi întoarcem transformarea.

Suma și proporția a două exponențiale

Exemplul 2 (Suma și proporția a două exponențiale)

Fie \(X,Y\) independente, repartizate \(\Exp(1)\), \(S=X+Y\) și \(W=\frac{X}{X+Y}\). Determinați densitatea lui \((S,W)\), arătați că \(S\) și \(W\) sunt independente și identificați repartițiile lor.

Seminar Pasul 0. Din independență (Propoziția 38 din Cursul 1), \((X,Y)\) are densitatea \(e^{-(x+y)}\) pe \(S_0=(0,\infty)^2\), deschisă, de probabilitate \(1\).

Pasul 1: inversa și imaginea. Din \(s=x+y\), \(w=\frac{x}{x+y}\): \(x=ws\), \(y=s(1-w)\). Pentru \((x,y)\in S_0\), \(s>0\) și \(w\in(0,1)\); reciproc, orice \((s,w)\in T=(0,\infty)\times(0,1)\) dă \(x,y>0\). Deci \(h\) este o bijecție de clasă \(C^1\) de la \(S_0\) pe \(T\), cu \(h^{-1}(s,w)=\big(ws,\ s(1-w)\big)\).

Pasul 2: iacobianul. \[ J_{h^{-1}}(s,w)=\det\begin{pmatrix}w&s\\ 1-w&-s\end{pmatrix}=-ws-s(1-w)=-s\ne0 . \]

Suma și proporția — rezolvare (continuare)

Soluție (continuare)

Seminar Pasul 3: densitatea. Cum \(x+y=s\), Teorema 52 din Cursul 1 dă, pentru orice \((s,w)\in\R^2\), \[ f_{S,W}(s,w)=e^{-s}\cdot|-s|\cdot\Ind_T(s,w)=\underbrace{s\,e^{-s}\,\Ind_{(0,\infty)}(s)}_{a(s)}\cdot\underbrace{\Ind_{(0,1)}(w)}_{b(w)} . \] Pasul 4: concluzia. Densitatea este un produs \(a(s)b(w)\) pentru orice \((s,w)\) (indicatorul dreptunghiului \(T\) este produsul indicatorilor); din Lema 10 din Cursul 4, cu \(\int_0^\infty se^{-s}\dd s=\Gamma(2)=1\): \(S\sim\GammaD(2,1)\) și \(W\sim\Unif(0,1)\) sunt independente.

Știind suma a două durate exponențiale, proporția primei durate este uniformă, indiferent de valoarea sumei — caz particular al Propoziției 14 din Cursul 5 din Cursul 5. Citit invers, rezultatul este o rețetă de simulare: \(S=-\ln(U_1U_2)\) (Propoziția 12(a) din Cursul 4), \(W=U_3\), \(X=SW\), \(Y=S(1-W)\).

Suma și proporția — în R

Soluție

Laborator Verificăm \(\E[S]=\Var(S)=2\), \(\PP(W\le0.3)=0.3\) și independența, comparând \(\PP(S\le1,\,W\le0.3)\) cu produsul \(\PP(S\le1)\,\PP(W\le0.3)=(1-2e^{-1})\cdot0.3\approx0.0793\) (\(\PP(S\le1)=\int_0^1se^{-s}\dd s=1-2e^{-1}\), prin părți).

set.seed(504)
x <- rexp(1e5); y <- rexp(1e5)
s <- x + y; w <- x / s
c(E_S = mean(s), V_S = var(s), P_W03 = mean(w <= 0.3),
  P_comun = mean(s <= 1 & w <= 0.3), produs = (1 - 2 * exp(-1)) * 0.3,
  cor_SW = cor(s, w))
#>       E_S       V_S     P_W03   P_comun    produs    cor_SW 
#> 1.9974449 1.9943061 0.2961500 0.0785900 0.0792723 0.0006266

Media și varianța lui \(S\) sunt \(\approx2\), frecvența lui \(\{W\le0.3\}\) este \(0.296\), iar frecvența evenimentului comun, \(0.0786\), este apropiată de produsul \(0.0793\); corelația lui \(S\) cu \(W\) este practic nulă.

Timpii petrecuți într-o clinică

Exercițiul 6 (Timpii petrecuți într-o clinică)

La seminar Fie \(X_1\) timpul total (într-o unitate de timp fixată) dintre sosirea și plecarea unui pacient dintr-o clinică și \(X_2\) timpul petrecut în sala de așteptare înainte de consultație. Presupunem că \((X_1,X_2)\) are densitatea \(f(x_1,x_2)=\frac{1}{2\theta^3}\,x_1e^{-x_1/\theta}\), \(0<x_2<x_1\), \(\theta>0\). Ne interesează \(P=X_2/X_1\) (proporția din timpul total petrecută în așteptare) și \(S=X_1-X_2\) (timpul petrecut în consultație).

  1. Verificați că \(f\) este o densitate și determinați densitatea comună a lui \((P,S)\).

  2. Determinați repartițiile marginale ale lui \(P\) și \(S\), mediile și varianțele lor. Sunt \(P\) și \(S\) independente?

  3. Arătați că \(X_1\) și \(P\) sunt independente și identificați repartițiile lor; deduceți un algoritm de simulare pentru \((X_1,X_2)\) și calculați \(\Cov(P,S)\) și coeficientul de corelație.

  4. Pentru \(\theta=10\), calculați probabilitatea ca o consultație să se prelungească peste \(30\) de unități de timp.

  5. În R: simulați \((P,S)\) cu algoritmul de la (c) și verificați (b)–(d).

Rădăcina unui raport și a unui produs

Exercițiul 7 (Rădăcina unui raport și a unui produs)

Pentru acasă Fie \((X,Y)\) cu densitatea \(f(x,y)=e^{-(\theta x+y/\theta)}\), \(x>0\), \(y>0\), unde \(\theta>0\), și \[ U=\sqrt{Y/X},\qquad V=\sqrt{XY} . \]

  1. Arătați că \(X\) și \(Y\) sunt independente și identificați repartițiile lor.

  2. Determinați densitatea comună a lui \((U,V)\), densitatea și funcția de repartiție ale lui \(U\) și mediana lui \(U\).

  3. Calculați \(\E[U]\) și găsiți o funcție \(h\) astfel încât, pentru un eșantion \(U_1,\dots,U_n\) din repartiția lui \(U\), \(\E[h(\bar U_n)]=\theta\). Are \(U\) varianță finită?

  4. Arătați că repartiția lui \(V\) nu depinde de \(\theta\) și calculați \(\E[V]\).

  5. Comparați prin simulare, pentru \(\theta=2\) și \(n=50\), estimatorii \(h(\bar U_n)\) și mediana eșantionului \(U_1,\dots,U_n\).

Minimul și maximul a două uniforme

Exercițiul 8 (Minimul și maximul a două uniforme)

Dacă timpul permite Fie \(U_1,U_2\) independente, \(\Unif(0,1)\), \(Y=\min(U_1,U_2)\) și \(Z=\max(U_1,U_2)\).

  1. Arătați că \((Y,Z)\) are densitatea \(2\) pe triunghiul \(T=\{0<y<z<1\}\). Determinați repartițiile marginale, mediile, varianțele, covarianța și coeficientul de corelație.

  2. Determinați repartiția amplitudinii \(D=Z-Y\).

  3. Arătați că \(W=Y/Z\) și \(Z\) sunt independente și identificați repartițiile lor. Deduceți un algoritm de simulare a perechii \((Y,Z)\) care generează întâi maximul.

  4. Arătați că \((1-Z,1-Y)\) are aceeași repartiție ca \((Y,Z)\) și deduceți că \(\frac{1-Z}{1-Y}\) este independentă de \(Y\).

  5. În R: verificați prin simulare (a)–(d).

Metoda Box–Muller și raportul a două normale

Metoda Box–Muller și metoda polară

Exercițiul 9 (Metoda Box–Muller și metoda polară)

La seminar Fie \(U_1,U_2\) independente, \(\Unif(0,1)\), și \(h(u_1,u_2)=\big(\sqrt{-2\ln u_2}\cos(2\pi u_1),\ \sqrt{-2\ln u_2}\sin(2\pi u_1)\big)\).

  1. Arătați că \(h\) este o bijecție de clasă \(C^1\) de la \((0,1)^2\) pe \(\R^2\setminus\{(x,0):x\ge0\}\), calculați \(J_h\) și deduceți că \((X_1,X_2)=h(U_1,U_2)\) are componentele independente, \(\Norm(0,1)\).

  2. Deduceți că \(R^2=X_1^2+X_2^2\) are repartiția \(\Exp(\frac12)=\chi^2_2\), că \(R^2\) și \(X_1/X_2\) sunt independente și calculați \(\PP(X_1^2+X_2^2\le1)\) și \(\PP(|X_1|\le1,|X_2|\le1)\).

  3. (Metoda polară.) Fie \((V_1,V_2)\) uniform pe discul unitate și \(S=V_1^2+V_2^2\). Arătați că \(S\sim\Unif(0,1)\), independentă de unghiul polar \(\Phi\) al lui \((V_1,V_2)\), și deduceți că \(V_i\sqrt{-2\ln S/S}\), \(i=1,2\), sunt normale standard independente. Comparați costul cu metoda Box–Muller.

  4. În R: scrieți generatoarele Box–Muller și polar și verificați-le; construiți apoi, numai din uniforme, generatoare pentru repartițiile \(\chi^2_k\), Student, Fisher–Snedecor și \(\Cauchy(0,1)\) și verificați-le cu cuantilele empirice și distanța Kolmogorov.

Raportul a două normale. Ținta de tir

Exercițiul 10 (Raportul a două normale. Ținta de tir)

Dacă timpul permite Fie \(X,Y\) independente, repartizate \(\Norm(0,1)\), și \(C=X/Y\).

  1. Folosind transformarea \((x,y)\mapsto(c,v)=(x/y,\,y)\), arătați că \(C\sim\Cauchy(0,1)\), cu densitatea \(\frac1{\pi(1+c^2)}\). Calculați \(F_C\) și \(\PP(-\sqrt3<C<1)\).

  2. Arătați că, pentru perechea \((X_1,X_2)\) din Exercițiul 9, \(X_1/X_2=\cot(2\pi U_1)\) și deduceți că \(\tan\big(\pi(U-\frac12)\big)\sim\Cauchy(0,1)\). Arătați că \(R=|C|\) are densitatea \(\frac{2}{\pi(1+r^2)}\), \(r>0\), și simulați-o prin metoda inversă.

  3. Distanța de la centrul țintei la punctul de impact din Exercițiul 8 din Seminarul 4 are densitatea de la (b). În R: simulați \(C\) în două moduri (ca raport de normale și prin metoda inversă), verificați (a) și estimați media și varianța scorului unei săgeți, calculate în acel exercițiu: \(\frac{13}6\) și \(\frac{101}{36}\).

Exerciții suplimentare

Exerciții suplimentare: enunțurile

Pentru acasă (răspunsurile finale și scheletele de cod R: în fișa de lucru).

  • Pentru acasă Exercițiul 11 (Simularea din densitatea maximă). Fie \(f=\phi\), \(g=\phi(\cdot-2)\) și \(h=\frac{\max(f,g)}{K}\), \(K=\int_{\R}\max(f,g)\). (a) Arătați că \(\max(f,g)\le2\cdot\frac{f+g}{2}\) și scrieți algoritmul de respingere cu propunerea amestec \(m=\frac{f+g}{2}\); cum se simulează din \(m\)? (b) Calculați \(K\), probabilitatea de acceptare, media și varianța repartiției \(h\). (c) Verificați prin simulare \(K\), media, varianța și forma densității.
  • Pentru acasă Exercițiul 12 (Trei generatoare pentru repartiția Cauchy). (a) Arătați că, dacă \((V_1,V_2)\) este uniform pe discul unitate, atunci \(V_2/V_1\sim\Cauchy(0,1)\); obțineți un generator Cauchy fără funcții trigonometrice. (b) Comparați, prin distanța Kolmogorov, generatoarele: metoda inversă \(\tan(\pi(U-\frac12))\), raportul de normale și cel de la (a). (c) Reprezentați media și mediana eșantionului în funcție de volumul \(n\le10^4\) și explicați comportarea lor.
  • Pentru acasă Exercițiul 13 (Suma a douăsprezece uniforme). Fie \(S=U_1+\dots+U_{12}-6\). (a) Calculați \(\E[S]\), \(\Var(S)\) și f.g.m. lui \(S\); comparați dezvoltarea lui \(\ln M_S(t)\) lângă \(0\) cu cea a f.g.m. normale și deduceți \(\E[S^4]\). (b) De ce este \(S\) doar aproximativ normală? Comparați \(\PP(S>2)\) și \(\PP(S>3)\) cu probabilitățile normale, folosind formula Irwin–Hall \(\PP(U_1+\dots+U_n\le x)=\frac1{n!}\sum_{k=0}^{\lfloor x\rfloor}(-1)^k\binom nk(x-k)^n\), \(0\le x\le n\). (c) Verificați prin simulare și comparați distanța Kolmogorov cu cea a generatorului box_muller.

Temă

  1. (Geometrica din exponențială, R.) \(X=\lfloor-\frac1\lambda\ln U\rfloor+1\sim\Geom(1-e^{-\lambda})\); generator \(\Geom(p)\) cu o uniformă.
  2. (Laplace ca amestec de normale, R.) \(\sqrt{2E}\,Z\), \(E\sim\Exp(1)\indep Z\sim\Norm(0,1)\), are densitatea \(\frac12e^{-|x|}\) (prin f.g.m.).
  3. (Gamma cu parametru de formă subunitar.) \(0<a<1\): \(S\,U^{1/a}\sim\GammaD(a,1)\), \(S\sim\GammaD(a+1,1)\indep U\).
  4. (Minimul și maximul a \(n\) uniforme.) Densitatea \(n(n-1)(z-y)^{n-2}\); \(W=Y/Z\indep Z\); \((Y,Z)\) din două uniforme.
  5. (Uniforma pe un triunghi, R.) \(\{0<y_1<2,\ 0<y_2<1,\ 2y_2<y_1\}\): repartiția lui \(Y_1-Y_2\); respingere din \([0,2]\times[0,1]\).
  6. (Repartiția Maxwell, R.) Densitatea lui \(\|V\|\), \(V_i\sim\Norm(0,\sigma^2)\) independente, și \(\E\|V\|\); verificare cu box_muller.
  7. (Densitate cunoscută până la o constantă, R.) \(\tilde f(x)=e^{-x^4/4}\), propunere \(\Norm(0,1)\): \(M\), condiția de acceptare, \(K\).
  8. (Beta din Gamma, R.) r_beta(n, a, b) prin Propoziția 14 din Cursul 5, comparată cu Exercițiul 1.

Enunțurile complete, cu răspunsuri și indicații: fișa de lucru, Secțiunea 7.

Bibliografie

Pentru lecturi suplimentare: (Casella and Berger 2002, sec. 5.6), (Robert and Casella 2004, cap. 2), (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.
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.