1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Transkrypt
1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
1 Wyk÷ ad 3 Generatory liczb losowych o dowolnych rozk÷ adach. 1.1 Metoda odwracania Niech X oznacza zmienna losowa¾ o dystrybuancie F . Oznaczmy F 1 (t) = inf (x : t Uwaga 1 Zauwa·zmy, ·ze 8t 2 [0; 1] : F F F (x)) : 1 (t) = t . Mamy nastepuj ¾ ace ¾ proste Twierdzenie Twierdzenie 2 Niech F bedzie ¾ dystrybuanta¾pewnego rozk÷adu prawdopodobie´nstwa. Je´sli U U (0; 1) ; to zmienna losowa X=F 1 (U ) = inf (x : U F (x)) ma rozk÷ad o dystrybuancie F: Dowód. Rozwaz·my zdarzenie fU F (t)g : Zatem t 2 fx : U F (x)g czyli t inf fx : U F (x)g = X zatem fU F (t)g fX tg : Weźmy teraz pod uwage¾ zdarzeniefX tg. Dla ! 2 fX tg mamy X (!) t czyli F (X (!)) F (t) : Ale F (inf fx : U (!) F (t)g) = U (!) : Czyli fX tg fU F (t)g : Przyk÷ ad: 1. Rozk÷ ad wyk÷ adniczy, F (x) = 1 exp ( 2. Rozk÷ ad arcusinus: F (x) = 21 (1 + 2 arcsin(x) 3. Rozk÷ ad Weibula: F (x) = 1 4. Rozk÷ ad Pareto F (x) = 1 exp ( b x :x x) : x 0 ) dla jxj < 1 x ):x 0; ; 0 b; a; b > 0: 5. Rozk÷ ad dyskretny o nośniku f0; 1; : : :g z pk = P (X = k) moz·na ngenerować np. generujac ¾ ciag ¾ zmiennych Ui U (0; 1) i k÷adac ¾ Xn = min k : Un Pk n i n i Np. dla rozk÷ adu Bin (n; p) wyliczamy pk = i=0 i p (1 p) ,k= 0; : : : ; n i mamy generator: Generuj liczbe¾ u z rozk÷adu U (0; 1) ; po÷ óz· X := 0 While u > pX do X = X + 1 Return X Podobnie dla rozk÷ adu Poissona P oiss ( ) : Generacje¾ moz·na uprościć zauwaz·ajac, ¾ z·e U 1 1 U gdy U U (0; 1) : o p : k i=0 Pk 2 1.2 Metoda eliminacji Najpierw nastepuj ¾ aca ¾ de…nicja De…nicja 3 Mówimy, ·ze punkt losowy X 2Rd ma rozk÷ad równomierny na zbiorze mierzalnym D Rd ; je´sli dla dowolnego zbioru mierzalnego C D (C) ; gdzie ld oznacza d wymiarowa¾miare¾Lebesgue’a. mamy równo´s´c P (X 2C) = lldd(D) Metode¾ eliminacji opiera sie¾ na nastepuj ¾ acych ¾ 2 twierdzeniach. Twierdzenie 4 Przypu´s´cmy, ·ze X1 ; X2 : : : jest ciagiem ¾ i.i.d. o warto´sciach z Rd . Niech A Rd bedzie ¾ takim mierzalnym podzbiorem, ·ze P (X1 2 A) > 0: Niech = min fk : Xk 2 Ag i Y = X : Wówczas dla dowolnego mierzalnego B 2 Rd mamy 1 P (Y 2B) = P (X1 2 A \ B) ; p gdzie p = P (X1 2 A) : W szczególno´sci gdy X1 ; X2 : : : rozk÷ad równomierny na D A; Y ma rozk÷ad równomierny na A: Dowód. Dla dowolnego zbioru mierzalnego mamy: P (Y 2B) = = 1 X i=1 1 X P X1 2 = A; : : : ; Xi (1 p) i 1 i=1 1 2 = A; Xi 2 A \ B P (Xi 2 A \ B) = 1 P (X1 2 A \ B) : p Gdy X1 ma rozk÷ ad jednostajny na D to mamy P (Y 2B) = ld (A \ B) ld (D) ld (D) ld (A) = 1 P (X1 2 A \ B) = p ld (A \ B) : ld (A) Twierdzenie 5 Niech X bedzie ¾ d wymiarowym wektorem losowym o gesto ¾ ´sci f (x) a U niech bedzie ¾ niezale·zna¾ od X zmienna losowa o rozk÷adzie U (0; 1) : Wówczas zmienna losowa (X;cU f (X)) ma rozk÷ad jednostajny na zbiorze A = (x; y) : x 2Rd ; 0 y cf (x) dla ka·zdego c > 0: Na odwrót, je´sli zmienna losowa (X; Y ) 2 Rd+1 ma rozk÷ad jednostajny na zbiorze A; to wektor X ma gesto ¾ ´s´c f (x) ; x 2Rd : Dowód. Najpierw udowodnimy pierwsze stwierdzenie. Weźmy B A: Niech Bx = fu : (x;u) 2 Bg : Na podstawie tw. Tonelliego mamy: Z Z Z 1 1 duf (x) dx = dudx: P ((X;cU f (X) 2 B)) = c B Bx cf (x) 3 Zauwaz·my jednak, z·e ze wzgledu ¾ na to, ze f jest gestości ¾ a¾ kończy dowód cześci ¾ pierwszej. Dla drugiej cześci ¾ mamy oznaczajac ¾ B1 = f(x; y) : x 2B;0 P (X 2B) = = R A dxdu = c: To y cf (x)g P ((X; Y ) 2 B1 ) R R cf (x) Z dudx B 0 = f (x) dx: R R cf (x) B dudx Rd 0 Algorytm metody eliminacji oparty na tych twierdzeniach jest nastepuj ¾ acy. ¾ Przez f oznaczmy gestość ¾ z której chcemy symulować. Przypuśćmy, ze znaleźliśmy inna gestość ¾ g taka, ¾ z·e 1. jest z niej ÷ atwo symulować ciagi ¾ i.i.d. 2. moz·na znaleźć sta÷a¾ c taka, ¾ z·e sup x f (x) g(x) c: (1) Algorytm eliminacji polega na Repeat Generuj obserwacje¾ X zgodnie z rozk÷adem g i obserwacje¾ U z rozk÷adu jednostajnego U (0; 1) ; T < cg(X) f (X) Until T U 1 Return X Sa¾ 3 rzeczy które trzeba znać aby stosować ten algorytm: (i) gestość ¾ g spe÷ niajac ¾ a¾ nierówność (1), (ii) prosty sposób na generacje¾ z tej gestości, ¾ (iii) znajomość sta÷ ej c: Czesto ¾ (i) i (iii) moz·na znaleźć po prostu analizujac ¾ postać analityczna¾ gestość ¾ f . Zwykle g winna mieć grubsze ogony i ostrzejsze ’czubki w nieskończoności’. Dominujace ¾ krzywe cg(x) musza¾ być dobierane starannie, nie tylko ze wzgledu ¾ na ÷ atwość generacji z gestości ¾ g ale takz·e ze wzgledu ¾ na (x) ÷ atwość obliczania fg(x) : Niech N bedzie ¾ ilościa¾ par (X;U ) wygenerowanych zanim algorytm stanie tzn. zostanie wygenerowana obserwacja z gestości ¾ f: Mamy: P (N = i) = (1 p)i 1 p; P (N i) = (1 i 1 p) R R f (x) 1 f (x) dx = 1c : dla i 1; gdzie p = P (f (X) U g (X)) = P U cg(x) g (x) dx = c A wiec ¾ 1 1 p E (N ) = = c; var (N ) = = c2 c: p p2 Jednym s÷owem E (N ) jest odwrotnościa¾ prawdopodobieństwa zaakceptowania X; czyli c winno być jak najmniejsze. 4 Przyk÷ ad 6 Rozk÷ad normalny N (0; 1): Za g (x) we´zmy gesto ¾ ´s´c rozk÷ady Laplace’a. Mamy exp x2 =2 2 max p x 2 exp ( x) r 2 = max exp (x x r 2e = = 1: 315 5: 5 2 1) =2 + 1=2