T´ ecnicas computacionais em probabilidade e estat´ıstica II
M´arcia D’Elia Branco
Universidade de S˜ao Paulo Instituto de Matem´atica e Estat´ıstica
http:www.ime.usp.br/ mbranco
AULA 3: M´etodos de simula¸c˜ao estoc´asticos 1.
Introdu¸c˜ ao
Vamos admitir que temos um bom gerador de n´umeros aleat´orios no intervalo (0,1).
Denotamos poru a quantidade obtida pelo gerador e assumimos ser uma observa¸c˜ao de uma v.a. U(0,1).
Simular valores dos principais modelos probabil´ısticos discretos a partir de u´e relativamente simples.
Ver exemplos de simula¸c˜ao de: Bernoulli, binomial, binomial negativa e Poisson.
Vamos trabalhar a seguir com t´ecnicas de simula¸c˜ao de vari´aveis ou vetores aleat´orios cont´ınuos.
1. M´ etodos de transforma¸c˜ ao de vari´ aveis.
1.1. Unidimensionais
Proposi¸c˜ao: Seja U uma v.a. Uniforme em (0,1). Para qualquer fun¸c˜ao de distribui¸c˜ao de probabilidade cont´ınuaF a vari´avel aleat´oria definida por
X=F−1(U) tem distribui¸c˜ao F.
Exemplo 1: X ´e Weibull com parˆametros λ >0 eα >0.
F(x) = 1−e−λxα ent˜aox= [−λ1ln(1−u)]1/α = [−1λlnu∗]1/α Quandoα = 1temos a distribui¸c˜ao exponencial.
[Mostre que se U ∼U(0,1) ent˜aoU∗ = 1−U ∼U(0,1).]
Exemplo 2: X tem distribui¸c˜ao Gama com parˆametrosn >0e β >0, sua f.d.p. ´e
f(x|n, β) = βn
Γ(n)xn−1e−βx , x >0.
N˜ao existe forma anal´ıtica para a distribui¸c˜aoF(x). Paraninteiro podemos mostrar que seYi ∼Exp(β) , i= 1, . . . , n indep., ent˜ao
X =
n
X
i=1
Yi ∼ Gama(n, β).
Logo, para simular de uma Gama com parˆametro inteiro basta simularnexponencias e somar.
A distribui¸c˜aoχ2a (qui-quadrado) ´e uma caso particular da Gama comn=a/2 eβ = 1/2. Tamb´em pode ser obtida pela soma de exponenciais quandon´e par.
Exemplo 3: X tem distribui¸c˜ao Beta com parˆametrosα >0e β >0, sua f.d.p. ´e
f(x|α, β) = Γ(α+β)
Γ(α)Γ(β)xα−1(1−x)β−1 , 0< x <1.
Se α e β s˜ao inteiros pode se usando o seguinte resultado. Se U1, . . . , Un s˜ao i.i.d. U(0,1) ent˜ao U(i)∼Beta(i, n−i+ 1), em que U(i) representa ai-´esima estat´ıstica de ordem. Isto ´e, U(1) ≤U(2) ≤ · · · ≤U(n).
Um algoritmo alternativo, sem restri¸c˜ao para os parˆametros, considera
Y = U11/α U11/α+U21/β
E poss´ıvel mostrar que´ Y condicional aU11/α+U21/β ≤1 tem distribui¸c˜ao Beta(α, β).
1. M´ etodos de transforma¸c˜ ao de vari´ aveis
1.2. Bidimensionais
Note que no exemplo 3 ´e necess´ario a simula¸c˜ao de duas v.a.
uniformesU1 eU2 para simula¸c˜ao de um valor da v.a. X.
Uma situa¸c˜ao similar ocorre na gera¸c˜ao de uma v.a. Normal, quando utilizado o algor´ıtmo de Box-Muller.
Em ambos os casos ´e necess´ario recorrer a t´ecnicas de transforma¸c˜ao bivariadas.
Lembrando o m´etodo Jacobiano. Se(X1, X2) tem densidade conjunta fX e g(X1, X2) = (Y1, Y2) ´e uma transforma¸c˜ao bijetora com fun¸c˜ao inversa g−1(Y1, Y2) = (X1, X2) ent˜ao
fY(y1, y2) =fX(g−1(y2, y2))J em que J ´e o jacobiano da transforma¸c˜ao.
Exemplo 4: Z tem distribui¸c˜ao normal padr˜ao, sua f.d.p ´e f(z) = 1
√2πez2/2 , −∞< x <∞. Box e Muller mostraram que deU1 eU2 s˜ao uniformes independentes ent˜ao
Z1=p
−2logU1Cos(2πU2) eZ2 =p
−2logU1Sen(2πU2) s˜ao independentes com distribui¸c˜ao normal padr˜ao.
Al´em disso, sabemos queX=µ+σZ tem distribui¸c˜ao N(µ, σ2), comσ >0.
Exemplo 5: M´etodo de Raz˜ao de Uniformes
Sejamu1 e u2 quantidades geradas uniformemente na regi˜ao Cf{(u1, u2) : 0≤u1≤p
f∗(u2/u1)}, ent˜aox=u2/u1 tem distribui¸c˜ao com densidade
f(x) = f∗(x) R f∗(t)dt
Por exemplo, considere a distribui¸c˜ao de Cauchy com f(x) = 1
π 1 1 +x2
Neste caso,Cf{(u1, u2) :u21+u22 ≤1 e u1 >0}. Simular uniformemente num semi-c´ırculo de raio um.
Exemplo 6: Distribui¸c˜ao logar´ıtmica
f(x) =−logx 0< x <1.
N˜ao existe solu¸c˜ao anal´ıtica para a fun¸c˜ao acumuladaF(x).
´E poss´ıvel mostrar que seU1 e U2 s˜ao uniformes independentes ent˜aoX=U1U2 tem distribui¸c˜ao logar´ıtmica.
Os exemplos a seguir utilizam o m´etodo da composi¸c˜ao ou m´etodo baseado em misturas.
Este m´etodo baseia-se nas conhecida rela¸c˜ao:
f(x1) = Z
f(x1, x2)dx2 = Z
f(x1 |x2)f(x2)dx2.
Exemplo 7: Simulando da Gama com n <1.
SeY tem distribui¸c˜aoBeta(n,1−n) e Z distribui¸c˜ao Exp(1), independentes, ent˜aoX=Y Z ∼Gama(n,1).
Note que
f(x|n) = Γ(1) Γ(n)Γ(1−n)
Z∞
x
x w
n−1 1− x
w −n 1
we−wdw
Ent˜ao
f(x|n) = 1
Γ(n)xn−1e−x.
Exemplo 8: Distribui¸c˜aot-Student.
SejaX|Y =y∼N(0, ν/y) e Y ∼χ2ν. A densidade marginal de X´e obtida por
f(x|ν) = Z∞
0
f(x|y)f(y)dy
Resultando em
f(x|ν) = Γ[(ν+ 1)/2]
Γ(ν/2)√ πν
1 +x2
ν
−(ν+1)/2
Conhecida como densidadet-Student padr˜ao. ´E poss´ıvel adicionar parˆametros de posi¸c˜aoµe escala σ fazendo W =µ+σX. Simulando um valory da χ2ν e depois um valorx daN(0, ν/y) obtemos um valor da densidadet-Student padr˜ao.
Exemplo 9: X tem distribui¸c˜ao normal-assim´etrica padr˜ao se sua f.d.p ´e dada por
f(x|λ) = 2φ(x)Φ(λx) em queφ(x) = √1
2πe−x2/2,Φ´e a fun¸c˜ao de distribui¸c˜ao da normal padr˜ao eλ´e um parˆametro que controla a assimetria da
distribui¸c˜ao. Quandoλ= 0obtemos o caso sim´etrico normal.
λ >0(λ <0)assimetria positiva (assimetria negativa).
Se Y e W tem distribui¸c˜ao normal padr˜ao ent˜aoY |λY > W tem distribui¸c˜aoN A(λ).
Algoritmo de simula¸c˜ao:
X =
Y seλY > W
−Y seλY ≤W
Exerc´ıcios
1. Mostre que seX ∼U(0,1) ent˜aoU∗ = 1−U ∼U(0,1).
2. Mostre que seU1 e U2 s˜ao U(0,1) independentes eY ´e definida como no exemplo 3, ent˜aoY |U11/α+U21/β ≤1 tem distribui¸c˜ao Beta(α, β).
3. O algoritmo de coordenadas Polar ´e uma alternativa ao algortimo de Box-Muller para simular da Normal padr˜ao. Este algoritmo segue os seguintes passos:
(i)gerar v1 e v2 indep. Uniformes em[−1,1]e faz r2 =v12+v22. (ii) ser2≥1, volta a(i). Caso contr´ario, faz
x1 =v1[−2log(r2)/r2]1/2 e x2 =v2[−2log(r2)/r2]1/2. Mostre quex1 e x2 s˜aoN(0,1)independentes. Escreva um programa noRpara o algoritmo Polar. Com este algoritmo, obtenha uma amostra de tamanho 1000 e desenhe o histograma desses valores num gr´afico junto com a fun¸c˜ao densidade da N(0,1).
Exerc´ıcios
4. Verifique que a fun¸c˜ao densidade dat-Student, conforme descrita no exemplo 2, pode ser obtida como uma mistura no parˆametro de escala da densidade normal usando como medida de mistura a densidade qui-quadrado.
5. Considere(X, Y)com distribui¸c˜ao bivariada normal de m´edias zero, variˆancias um e correla¸c˜aoδ,−1< δ <1. Mostre que X|Y >0 tem distribui¸c˜ao normal assim´etrica padr˜ao, conforme descrita no exemplo 9.
6. Para cada uma das fun¸c˜oes densidadesf(x)descritas a seguir, fa¸ca gr´aficos noRcomparando a forma das densidades variando os parˆametros. Sef(x) tem apenas um parˆametro considere 3 ou 4 valores desse parˆametro e desenhe as densidades num ´unico gr´afico.
Sef(x) tem dois parˆametros, fixe um deles e fa¸ca o gr´afico como anteriormente para o outro parˆametro e depois inverta.
Considere as seguintes densidades: Gama, Beta,t-Student e normal assim´etrica.