Kristina Vekovi

MONTE KARLO METODE

Uvod
Poxto se mnoge statistiqke metode oslaaju na sluqajne uzorke, statistiqarima je qesto potreban izvor sluqajnih brojeva. Starije statistiqke kige su sadrale tablice sluqajnih cifara, koje su predviene da se koriste pri izboru uzoraka ili dizajnu eksperimenta. Sada
statistiqari vrlo retko koriste odxtampane tablice sluqajnih cifara, ali ponekad se koriste takve tablice saquvane u memoriji raqunara. Meutim, najqexe se koriste raqunarski algoritmi za direktno generisae sluqajnih brojeva.
Danas se upotreba sluqajnih brojeva u statistici proxirila van
sluqajnog uzorkovaa ili sluqajne dodele terapija (tretmana) eksperimentalnim jedinicama. Sluqajni brojevi se sada qexe koriste prilikom simulacijskih studija stohastiqkih procesa, analitiqki neizraqunivih matematiqkih izraza ili populacije na osnovu ponovnog
uzorkovaa 1 iz dobijenog uzorka te populacije. Ove tri opxte oblasti
primene sluqajnih brojeva se ponekad nazivaju, redom, simulacija, Monte Karlo i ponovno uzorkovae, ali mi nieemo praviti razlike izmeu
tih termina.

Resampling

Metode Monte Karlo

Prouqavae mnogih prirodnih pojava mogue je ostvariti putem modeliraa (simulacije) tih pojava. Modelirae pojava u ciu ihovog
prouqavaa se koristi kad god je direktno ispitivae same pojave
povezano sa potexkoama (realno vreme u kome se pojava odvija moe
biti predugaqko ili prekratko da bi se svi elementi mogli uoqiti,
ispitivaa same pojave mogu biti povezana sa velikim troxkovima,
kao i sa rizicima po zdrave udi, po udsku okolinu ili dovesti do
unixtea nekih objekata,itd.). U ovom radu emo govoriti o primenama metoda Monte-Karlo koje se mogu okarakterisati kao numeriqke
metode za rexavae matematiqkih problema pomou modeliraa sluqajnih veliqina i statistiqkog oceivaa karakteristika tih veliqina.
Naziv metode potiqe od qlanka The Monte Carlo method koji su 1949.
godine objavili matematiqari Stanislav Ulam i Nikolas Metropolis. Smatra se da je metoda Monte Karlo korixena i ranije (npr.
poznato je da je Hol 1873.godine raqunao priblinu vrednost broja
po tom principu). Razvoj raqunara je omoguio xiroku primenu
metode Monte Karlo jer je znatno ubrzao proces modeliraa vrednosti sluqajnih veliqina.
Neke od oblasti primene metode Monte Karlo su: biologija, genetika, ekologija, hidrologija, atomska fizika, statistiqka fizika, statistika, sistemi masovnog opsluivaa, itd. Metode Monte-Karlo se
primeuju posebno u sluqajevima kada bi eksperimenti sa sistemom
koji prouqavamo bili dugotrajni ili dovodili do oxteea sistema.
Problemi koji se sreu u raznim oblastima se mogu prevesti ili
svesti na matematiqke probleme: rexavae sistema linearnih jednaqina ili nejednaqina, raqunae integrala(jednostrukih ili vixestrukih), rexavae diferencijalnih jednaqina, rexavae parcijalnih diferencijalnih jednaqina, itd. Svaki od navedenih matematiqkih
zadataka se moe rexiti i metodom Monte Karlo, xto se naroqito koristi kad je teorijsko rexee suvixe komplikovano ili ne moe da se
odredi, iako se zna da postoji. Metodama Monte-Karlo se mogu rexiti

i neki zadaci u kojima se klasiqne metode numeriqke matematike ne

mogu primeniti. Takoe je znaqajno da su algoritmi Monte Karlo
obiqno jednostavni i laki za programirae.

Sluqajni brojevi
Nezavisne vrednosti (realizacije) sluqajne veliqine X sa uniformnom raspodelom U(0, 1) se nazivaju sluqajni brojevi.
Realizacija sluqajne veliqine sa diskretnom uniformnom raspodelom

2 ... 9

0.1 0.1 0.1 . . . 0.1

se naziva sluqajna cifra.
Veza izmeu sluqajnih brojeva i sluqajnih cifara je data u sledeoj
teoremi:
Teorema 1 Dekadne cifre 1 , 2 , . . . , n sluqajnog broja x = 0.1 2 . . . n . . .
predstavaju nezavisne realizacije sluqajne veliqine sa diskretnom
uniformnom raspodelom i obratno.
Sluqajni brojevi se mogu dobiti korixeem nekog fiziqkog
aparata (kockice, simetriqni novqi, rulet, itd.) koji se naziva generator sluqajnih brojeva. Eksperimentalno se dobija neki niz cifara
(0 ili 1 pri bacau novqia; 1,2,...,6 pri bacau kockice itd.) i
onda se na odgovarajui naqin dobijeni niz cifara prevodi u broj iz
dekadnog brojnog sistema. Procedura dobijaa sluqajnih brojeva na
ovaj naqin je sloena i ne moe se dvaput dobiti isti niz brojeva
(xto je qesto potrebno u primenama).
Prva tablica sluqajnih cifara je objavena 1927. godine i sadrala je 41600 cifara. Rand korporacija je 1955. godine objavila tablicu
od 1 000 000 sluqajnih cifara. Evo jednog dela te tablice:
22989 64262 12716 32910
54147 01638 95954 66666
07529 10668 23743 02743
Cifre su grupisane radi lakxeg qitaa, a mogu se qitati sleva nadesno ili odozgo prema dole ili po nekom drugom pravilu, poqevxi od
bilo kojeg mesta u tablici. U tablici, po potrebi se mogu qitati

sluqajni brojevi sa izvesnim brojem decimala (npr. uzimajui redom

iz prve vrste po dve cifre dobijaju se 0.22, 0.98, 0.96,...).
Prednost tablice sluqajnih cifara je xto se moe reprodukovati
isti niz brojeva, a mane su maak brzine pretraivaa, rizik od
iscrpivaa tabele i to xto zauzima mnogo raqunarske memorije.
Navodimo sada nekoliko primera za dobijae sluqajnih cifara.
Primer 1 Bacaem homogenog novqia qije su strane oznaqene sa 0
(grb) i 1 (pismo) moemo dobiti dobru tablicu sluqajnih cifara. Kao
rezultat eksperimenta dobijamo niz nula i jedinica. Odgovarajue
grupe cifara iz binarnog brojnog sistema prevodimo u dekadne cifre
0,1,2,...,9 (znaqi 0000 je 0, 0010 je 2, ..., 1001 je 9, dok se ostale qetvorke
binarnih cifara odbacuju).
Primer 2 Za generisae sluqajnih brojeva se koristi i rulet - okrugla ploqa koja se vrti sa podeocima za brojeve. Sluqajna cifra je
podeok na koji pokae strelica posle zaustavaa ruleta ili podeok
u koji padne kuglica, ako se ona koristi. Na ruletu se moe napraviti
vixe podeoka, npr. 50 a numerixu se periodiqno 0,1,2,...,9, 0,1,2,...,9,
qime se smauje odstupae od idealne konstrukcije.
Primer 3 Kao generator sluqajnih brojeva moe posluiti i kiga:
poqevxi od bilo koje strane, brojimo reqi u redu i ako je broj reqi
paran, pixemo 0, a ako je neparan, pixemo 1.
Primer 4 Generator sluqajnih brojeva je i kocka za igru koja generixe brojeve 1, 2, 3, 4, 5, 6. Verovatnoa dobijaa svakog od brojeva 1 6
je ista i iznosi

1
6

i poxto su bacaa kockice meusobno nezavisna, na

ovaj naqin dobijamo niz nezavisnih i jednako raspodeenih sluqajnih

cifara. Razmotrimo bacae 4 kockice odjednom:
Kocka

Strane su numerisane sa

12

18

24

30

36

72

108

144

180

216

432

648

864

1080

Sabiraem rezultata na 4 kocke dobijaju se sledei brojevi:

Zbir na kockama Dobijeni brojevi
1

0, 1, 2, 3, 4, 5

1, 2

0, 1, 2, ..., 35

1, 2, 3

0, 1, 2, ..., 215

1, 2, 3, 4

0, 1, 2, ..., 1295

Koristei zbirove na kockama moemo generisati sluqajne cifre

0,1,2,...,9. Sa kockama 1 i 2, sluqajna cifra se dobija kao ostatak pri
deeu zbira za 10, pri qemu se zbirovi 30-35 propuxtaju.

Zbir na dve kocke 0, 10, 20 1, 11, 21

Pixe se

...
...

9, 19, 29 30, 31, 32, 33, 34, 35

9

Svaka cifra 0-9 se tada java sa jednakom verovatnoom.

Koristei 4 kocke moemo generisati odjednom tri sluqajne cifre,

pridruivaem na sledei naqin:

Zbir na qetiri kocke 0

Pixe se

1 ... 99 100 ... 999 1000, 1001, ..., 1295

000 001 ... 099 100 ... 999

Prvi metod propuxta oko 17% bacaa i potrebno je mae posla

oko sabiraa, a drugi metod propuxta 23% bacaa za vixe posla oko
sabiraa, ali daje vixe cifara.

Pseudosluqajni brojevi
Brojevi iz intervala (0,1) koji se raqunaju po nekim formulama se
nazivaju pseudosluqajni brojevi. Algoritam na osnovu kojega se dobija
niz pseudosluqajnih brojeva se zove generator pseudosluqajnih brojeva.
Dobijeni niz brojeva nije zaista sluqajan jer je u potpunosti odreen
skupom poqetnih vrednosti, ali zadovoava uslove sluqajnosti.
Prednost pseudosluqajnih brojeva u odnosu na sluqajne brojeve je
xto se mogu dobiti na bri i jednostavniji naqin, a imaju (skoro)
sve osobine koji sluqajni brojevi treba da imaju. Takoe se za ihovu
prednost smatra to xto se moe generisati isti niz brojeva vixe od
jedanput, xto znaqi da se eksperiment moe ponoviti pod identiqnim
uslovima.
Niz 1 , 2 , . . . , k pseudosluqajnih brojeva se obiqno dobija nekom
rekurentnom formulom. Jedna od prvih primeivanih formula je tzv.
metod sredine kvadrata koju je predloio on von Nojman 1946. go2
dine. Neka je m oblika 0.1 2 . . . 2k . Kvadriramo m , m
= 0.1 2 . . . 4k

i uzimamo sredih 2k cifara k+1 = 0.k+1 k+2 . . . 3k ili formalno

zapisano 2 :

(
)
2
m+1 = D 102k C(103k m
) ,

gde D oznaqava decimalni, a C ceo deo broja.

Problem nizova pseudosluqajnih brojeva dobijenih metodom sredine kvadrata je xto obiqno imaju mali period (duina niza dok ne
poqne da se ponava). Neki izbori za 1 nisu povoni jer se prebrzo
ponove iste vrednosti u nizu ili se dobije degenerisani niz (niz qiji
su svi qlanovi jednaki nuli).
Postoje i razne druge matematiqke formule za dobijae pseudosluqajnih brojeva. Jedna od ih se zasniva na sledeoj teoremi.
Teorema 2 Neka je g proizvoan prirodan broj i X sluqajna veliqina
sa uniformnom U(0, 1) raspodelom. Tada sluqajna veliqina Y = D(gX)
ima U(0, 1) raspodelu.
2

2
Alternativni zapis: m+1 = 102k C 102k D(10k m
)

Tako npr. za g = 79 i x = 0.2374, y = D(790.2374) = 0.7546 predstava

realizovanu vrednost sluqajne veliqine Y : U(0, 1).

Linearni kongruentni generator

Derik Henri Lehmer je 1948. godine osmislio linearni kongruentni generator. Ovaj generator proizvodi niz pseudosluqajnih brojeva (Xn ) koji je odreen poqetnim qlanom

X0 , X0 > 0 i rekurentnom

formulom
Xn = (aXn1 + b) mod m
gde su a, m i b dati prirodni brojevi, pri qemu je m > max{a, b, X0 }.
Koristi se oznaka LKG(m, a, b, X0 ). Poxto je Xn odreen sa Xn1 i
poxto postoji samo m moguih vrednosti za Xi - ove, maksimalni period linearnog kongruentnog generatora je m.
Da bismo dobili pseudosluqajni broj (tj. broj iz intervala (0, 1))
potrebno je da svaki dobijeni broj Xn podelimo sa m, tj.
Un =

Xn
.
m

Maksimalan period m niza pseudosluqajnih brojeva dobijenog linearnim kongruentnim generatorom se moe dobiti pri pogodnom izboru
konstanti a, b i m. Vai sledea teorema:
Teorema 3 Niz pseudosluqajnih brojeva koji se dobija linearnim kongruentnim generatorom ima maksimalan period m ako su ispueni
sledei uslovi:
1. Brojevi m i b su uzajamno prosti.
2. Svaki prost delilac p broja m je i delilac broja a 1.
3. Ako je broj m deiv sa 4, onda je i broj a 1 deiv sa 4.

Poxto raqunari koriste binarni ili dekadni brojni sistem, razmotriemo sluqajeve kada je m = 2 ili m = 10 , gde oznaqava
duinu reqi odreenog raqunara.
3

initial value, seed

1. Ukoliko je m = 2 , na osnovu prethodne teoreme, maksimalan period niza pseudosluqajnih brojeva se dobija ako vai:
b je neparan broj (m i b su uzajamno prosti).
a 1 je deivo sa 4, tj. a = 2r + 1, r 2.
Smatra se da se dobri statistiqki rezultati mogu postii za
m = 235 , a = 27 + 1, b = 1.
2. Ukoliko je m = 10 , na osnovu prethodne teoreme, maksimalan period niza pseudosluqajnih brojeva se dobija ako vai:
b nije deivo sa 2 ili 5.
a1 je deivo sa 2, 4, 5, tj. a1 je deivo sa 20, a = 10r +1, r 2.
Zadovoavajui statistiqki rezultati se postiu pri izboru a =
101, b = 1, r 4.

U sluqaju kada je b = 0, generator odreen rekurentnom formulom

Xn = aXn1 (mod m)
se naziva multiplikativni linearni kongruentni generator.
Poxto Xi ne moe biti jednako nuli (dobio bi se degenerisani niz),
maksimalni period multiplikativnog linearnog kongruentnog generatora je m 1.
Da bismo dobili pseudosluqajni broj potrebno je da svaki dobijeni
broj Xn podelimo sa m 1, tj.
Un =

Xn
.
m1

U primenama se dobro pokazao multiplikativni linearni kongruentni generator sa m = 231 1 ili m = 261 1 (Mersen prosti brojevi).
Povoni izbori za a su:
Za m = 231 1: a = 215 210 ili a = 221 216 .
Za m = 261 1: a = 230 219 ili a = 242 231 .

Drugi linearni kongruentni generatori

Naredni qlan niza se dobija rekurentnom formulom pomou prethodnih k, k 2 qlanova. Neki od primera ovakvih generatora su:
1. Multiplikativni rekurzivni generator odreen rekurentnom formulom
Xn = (a1 Xn1 + a2 Xn2 + . . . ak Xnk ) mod m.
Broj prethodnih qlanova niza pomou kojih se dobija naredni qlan,
k, naziva se red generatora. Maksimalan period niza je mk 1, za
m prost broj.
2. Fibonaqijev kongruentni generator sa korakom

Fibonaqijev niz Xn+2 = Xn+1 + Xn nema zadovoavajua svojstva

sluqajnosti, pa se koristi Fibonaqijev kongruentni generator sa
korakom
Xn = (Xnj + Xnk ) mod m.
Ako je m prost broj i k > j, tada je maksimalan period niza mk 1.

Nelinearni kongruentni generatori

Knutov generator

2
+ aXn1 + c) mod m.
Xn = (dXn1

Blum, Blum & Xabov generator6

2
Xn = Xn1
mod m.

4
5
6

Lagged Fibonacci congruential generator

Knuth, 1998
Blum, Blum & Shub, 1986

10

Kombinovani generatori pseudosluqajnih brojeva

Viqman - Hilov generator predstava kombinaciju tri multiplikativna linearna generatora
Xn = 171Xn1 mod 30269
Yn = 172Yn1 mod 30307
(
Un =

Zn = 170Zn1 mod 30323

)
Xn
Yn
Zn
+
+
mod 1.
30269 30307 30323

Poqetna vrednost ovog generatora je vektor (X0 , Y0 , Z0 ). Ovaj generator direktno vraa brojeve Un iz intervala (0, 1). Period generatora je reda 1012 .
Lekijerov generator:
Xn = 4001Xn1 mod 2147483563
Yn = 40692Yn1 mod 2147483399
Zn = (Xn Yn ) mod 2147483563
Un = 4.656613Zn 1010 .
Period ovog generatora je reda 1018 .
Pseudosluqajni brojevi dobijeni pomou kombinovanih generatora
imaju boe osobine sluqajnosti u odnosu na linearne kongruentne generatore.

11

Preliminarna analiza kvaliteta

generatora pseudosluqajnih
brojeva
Oqekuje se pseudosluqajni brojevi imaju zadovoavajua svojstva sluqajnosti. Pre nego xto formalnim testiraem ispitamo da li je pretpostavka o ihovoj sluqajnosti ispuena, izvrxiemo preliminarnu
analizu kvaliteta generatora pseudosluqajnih brojeva. Ova analiza
nam moe u kazati na potencijalne slabe taqke generatora.
n = 1 n Xi i uzoraqku
Prvo, uporeujemo uzoraqku sredinu X
i=1
n
n
n )2 sa matematiqkim oqekivaem i
disperziju Sen2 = 1
(Xi X
n1

i=1

disperzijom sluqajne veliqine X : U(0, 1), EX = 12 , DX =

1
12 .

Drugo, ispitujemo nezavisnost qlanova niza pseudosluqajnih brojeva preko serijskih koeficijenata korelacije. Serijski koeficijent
korelacije sa korakom k se raquna na osnovu formule
nk
1
i=1 (Xi Ak )(Xi+k Bk )
nk
,
rk =

nk
nk
1
2 1
2
(X

A
)
(X

B
)
i
k
i+k
k
i=1
i=1
nk
nk
gde je Ak =

1
nk

nk
i=1

Xi i Bk =

1
nk

nk
i=1

Xi+k .

Za dobijeni niz brojeva, raqunamo serijske koeficijente korelacije

sa korakom 1-5 (koeficijente korelacije izmeu qlanova udaenih
k = 1, 2, . . . 5 mesta) i oqekujemo, u skladu sa pretpostavkom nezavisnosti, da su ihove vrednosti male.
Tree, predstavamo uzastopne parove taqaka (Xi , Xi+1 ), i = 1, 2, . . . , n
na grafiku. Ravan grafika bi trebalo da je ravnomerno pokrivena
taqkama.
Primer 5 Razmotrimo multiplikativni kongruentni generator pseudosluqajnih brojeva
Xn = 12Xn1 mod 31,
sa poqetnom vrednoxu x0 = 9. Period ovog generatora je 30. Uzoraqka sredina je jednaka 0.517, a uzoraqka disperzija 0.086. Serijski

koeficijenti korelacije su r1 = 0.008, r2 = 0.074, r3 = 0.251, r4 =

0.236, r5 = 0.236. Koeficijenti korelacije sa koracima 3 i 4 su malo
vei za uzorak ovog obima, ali i dae u okviru granica.

0.6
0.0

0.2

0.4

drugi[2:30]

0.8

1.0

Na sledeoj slici je prikazan grafik uzastopnih parova taqaka.

0.0

0.2

0.4

0.6

0.8

1.0

drugi[1:29]

Slika 1. Grafik uzastopnih parova taqaka generatora Xn = 12Xn1 mod 31

Uoqavamo da ravan grafika nije ravnomerno pokrivena taqkama,

ve se taqke nalaze na 7 pravih sa k =

5
3

i 6 pravih sa k = 52 .

Primer 6 Razmotrimo jedan od poznatijih multiplikativnih kongruentnih generatora, RAN DU odreen formulom
Xn = (216 + 3)Xn1 (mod m),
sa poqetnom vrednoxu x0 = 1.
Generisano je 1000 pseudosluqajnih brojeva. Uzoraqka sredina je
jednaka 0.511, a uzoraqka disperzija 0.082.

13

1.0
0.8
0.6
0.4

serijski koef. korelacije

0.2
0.0
0

korak

0.6
0.4
0.0

0.2

niz[2:1000]

0.8

1.0

Slika 2. Grafik serijskih koeficijenata korelacije sa koracima 1-5

0.0

0.2

0.4

0.6

0.8

1.0

niz[1:999]

Slika 3. Grafik uzastopnih parova taqaka RAN DU generatora

Serijski koeficijenti korelacije su jednaki r1 = 0.028, r2 = 0.001, r3 =

0.010, r4 = 0.069, r5 = 0.040. Koeficijent korelacije sa korakom 4
je veliki za uzorak ovog obima, van kontrolnih granica za dovono
male koeficijente korelacije, xto je i prikazano na Slici 2.
14

Na Slici 3 je prikazan grafik uzastopnih parova taqaka. Uoqavamo

da ravan grafika priliqno ravnomerno pokrivena taqkama.

15

Testirae kvaliteta generatora

pseudosluqajnih brojeva
elimo da testiramo da li niz pseudosluqajnih brojeva predstava
prost sluqajan uzorak iz uniformne U(0, 1) raspodele. Kao xto je
ranije reqeno, niz pseudosluqajnih brojeva je potpuno deterministiqki, ali ako proe bateriju statistiqkih testova (testovi sluqajnosti, testovi slagaa sa uniformnom raspodelom, testovi nezavisnosti), moemo ga tretirati kao niz zaista sluqajnih brojeva.

Test frekvencija
Neka 1 , 2 , . . . , n predstava uzorak cifara niza pseudosluqajnih
brojeva (npr. uzima se prva decimala svakog generisanog pseudosluqajnog broja). elimo da testiramo nultu hipotezu da se cifre 0 9 javaju sluqajno, tj. da cifre pseudosluqajnih brojeva imaju uniformnu
diskretnu raspodelu

2 ... 9

0.1 0.1 0.1 . . . 0.1

Neka Mj oznaqava broj pojavivaa (frekvenciju) cifre j, j =
0, 1, 2, . . . , 9 u uzorku. Test statistika je:
)
9 (
n 2

Mj 10
S=
,
n
j=0

10

koja, za veliko n, ima 29 raspodelu. Kritiqne vrednosti za test-statistiku su i jako velike i jako male vrednosti. Velika vrednost test
statistike znaqi da postoje velike razlike u broju pojavivaa pojedinih cifara. Vrlo mala vrednost test-statistike je takoe neprihvativa jer svaki stvarni niz koji ima konaqno mnogo cifara skoro
sigurno ima razliqit broj pojedinih cifara. Prema tome, kritiqna
oblast je oblika
W = [0, c1 ] [c2 , +),

gde su c1 i c2 kritiqne vrednosti. Za dati prag znaqajnosti , kritiqne

vrednosti su tada jednake
c1 = 29; 2 ,

c2 = 29;1 2

Ukoliko realizovana vrednost test-statistike upada u kritiqnu oblast,

odbacujemo nultu hipotezu.

Test parova
Uzmimo uzorak 2n cifara niza pseudosluqajnih brojeva (npr. uzimamo prve dve decimale svakog generisanog pseudosluqajnog broja).
Oznaqimo ih redom sa 1 , 2 , . . . , 2n . Formiramo parove 1 2 , 3 4 , . . . ,
2n1 2n i testiramo hipotezu da je raspodela parova diskretna uniformna raspodela
(

00
0.01

01

02

. . . 99

0.01

0.01 . . . 0.01

Neka Mij oznaqava broj pojavivaa para ij u nizu cifara. Teststatistika je

S=

9 (

Mij
n
100

i,j=0

)
n 2
100

koja, za veliko n, ima 299 raspodelu. Kritiqne vrednosti za teststatistiku su i jako velike i jako male vrednosti, kao u sluqaju testa
frekvencija. Dakle, kritiqna oblast je oblika
W = [0, c1 ] [c2 , +),
gde su c1 i c2 kritiqne vrednosti. Za dati prag znaqajnosti , kritiqne
vrednosti su tada jednake
c1 = 299; 2 ,

c2 = 299;1 2

17

Serijski test
Serijski test se koristi za testirae nulte hipoteze sluqajnosti
uzastopnih brojeva u generisanom nizu pseudosluqajnih brojeva.
Neka je U1 = (X1 , X2 ), U2 = (X3 , X4 ), . . . , Un = (X2n1 , X2n ) niz uzastopnih parova. elimo da testiramo hipotezu da su sluqajne veliqine Ui nezavisne i da imaju uniformnu raspodelu na jediniqnom
kvadratu.
Podelimo jediniqni kvadrat na r2 kvadrata, svaki povrxine

1
r2

oznaqimo sa Vkj broj parova koji upadaju u kvadrat (element matrice)

j1 j
,
r
r

k1 k
,
r
r

)
,

j = 1, 2, . . . , r, k = 1, 2, . . . , r.

Test-statistika je
V =

r
r2 (
n )2
Vk,j 2
n
r
k,j=1

i, za veliko r ima 2r2 1 raspodelu. Kritiqna oblast je oblika

W = [c, +)
Za prag znaqajnosti , nalazimo kritiqnu vrednost c = 2r2 1;1 .

Test razmaka

Neka 1 , 2 , . . . , n predstava uzorak cifara niza pseudosluqajnih

brojeva. elimo da testiramo hipotezu o sluqajnosti dobijenih cifara.
U dobijenom nizu cifara brojimo duine razmaka izmeu pojavivaa dve iste cifre.
Neka sluqajna veliqina X predstava duinu razmaka dok se ne
pojavi ista cifra. Sluqajna veliqina X ima geometrijsku raspodelu
G(0.1) sa zakonom raspodele
pk = P {X = k} = 0.9k 0.1.
7

Gap test

18

Pomou Pirsonovog 2 testa testiramo da li raspodela G(0.1) odgovara duini razmaka izmeu pojavivaa istih cifara u generisanom
nizu pseudosluqajnih brojeva.
Duine razmaka podelimo na k intervala (klasa) duine l, l > 1.
Imaemo intervale [0, l), [l, 2l), . . . , [(k 1)l, kl]. Oznaqimo sa Mj , broj
pojavivaa uzoraqkih duina razmaka u j - tom intervalu. Teststatistika je

(Mj npj )2
, j = 1, 2, . . . , k
npj
j=1

gde su verovatnoe pj jednake

jl1

pj = P {X [(j 1)l, jl)} =

0.9k 0.1 = 0.9(j1)l (1 0.9l ).

k=(j1)l

Za veliko n, test-statistika ima 2k1 raspodelu. Kritiqna oblast

je oblika
W = [c, +) = [2k1;1 , +)
gde je unapred odabrani prag znaqajnosti.

Poker test
Neka 1 , 2 , . . . , n predstava uzorak cifara niza pseudosluqajnih
brojeva. elimo da testiramo hipotezu o sluqajnosti dobijenih cifara.
Formiraju se grupe po k cifara (k-torke cifara, k = 3, 4) i posmatra se broj istih cifara u svakoj grupi. Razmotriemo triling
varijantu testa kada uzimamo m = 3n cifara i formiramo trojke
1 2 3 , 4 5 6 , . . . , 3n2 3n1 3n . Brojimo iste cifre u formiranim trojkama cifara.
Neka je X sluqajna veliqina koja predstava broj istih cifara u
trocifrenim brojevima. Tada je
p0 = P {X = 0} = P {sve cifre su razliqite} = 0.9 0.8 = 0.72
p3 = P {X = 3} = P {sve cifre su iste} = 0.1 0.1 = 0.01
p2 = P {X = 2} = P {jedan par istih cifara} = 1 0.72 0.01 = 0.27.
19

Funkcija raspodele sluqajne veliqine je tada jednaka

F (x) =

0,
x<0

0.72, 0 x < 2

0.99, 2 x < 3

1,
x3

Pomou Pirsonovog 2 testa testiramo da li raspodela F odgovara

broju istih cifara u trojkama cifara niza pseudosluqajnih brojeva.
Oznaqimo sa Mj , j = 0, 2, 3 broj pojavivaa j-istih cifara u dobijenom nizu cifara. Test-statistika je tada jednaka
3

(Mj npj )2
,
npj
j=1

koja ima, za veliko n, 22 raspodelu.

Kritiqna oblast je oblika
W = [c, +) = [22;1 , +)
gde je unapred odabrani prag znaqajnosti.

Test Kolmogorova
Neka je X1 , X2 , . . . , Xn uzorak pseudosluqajnih brojeva. elimo da
testiramo hipotezu da niz pseudosluqajnih brojeva ima uniformnu
U(0, 1) raspodelu. Formiramo varijacioni niz X(1) X(2) . . . X(n) .
Oznaqimo sa F funkciju uniformne U(0, 1) raspodele i sa Fn empirijsku funkciju raspodelu,

ako je x < X(1)

0,

Fn (x) = nk ,
ako je X(k1) x < X(k) , k = 1, 2, . . . , n

1,
ako je x X(n)
. Test-statistika je jednaka
Dn = sup |Fn (x) F (x)|.
xR

20

Kolmogorov je pokazao da za neprekidne funkcije raspodele vai

+

2 2

lim P { n Dn } = lim P {Dn } = K() =

(1)k e2k ,
n
n
n
k=

za svako > 0. Konvergencija je brza i aproksimacija zadovoavajua

ve za n 20.
Naravno, K() = 0 za svako 0. Sa K() odreena je tzv. raspodela
Kolmogorova.
Neka je dn realizovana vrednost test statistike. Velike vrednosti
dn govore u prilog nesaglasnosti empirijske (uzoraqke) raspodele sa
raspodelom F . Prema tome, kritiqna oblast je oblika
W = [c, +) = [dn; , +).
Kritiqnu vrednost c nalazimo iz tablica Kolmogoroveve raspodele.

Test koraka

Neka je X1 , X2 , . . . , Xn uzorak pseudosluqajnih brojeva. elimo da

testiramo hipotezu o sluqajnosti.
Formiramo novi niz pluseva i minuseva: ukoliko je Xj > Xi , j > i
upisujemo znak + a ukoliko je Xj < Xi , j > i, znak . Neka je n1 ukupan
broj pluseva i n2 ukupan broj minuseva. Imamo da je obim uzorka n =
n1 + n2 . Ukoliko je uzorak brojeva sluqajan, + i e se javiti sa
istom verovatnoom.
Korakom smatramo svaki podniz istih elemenata, tj. seriju pluseva ili minuseva. Test-statistika R predstava ukupan broj koraka
u nizu pseudosluqajnih brojeva.
Matematiqko oqekivae i disperzija test-statistike R su, redom,
jednaki
2n1 n2
+1
n1 + n2
2n1 n2 (2n1 n2 n1 n2 )
D(R) =
.
(n1 + n2 )2 (n1 + n2 1)
E(R) =

Runs test

21

Statistika

R E(R)
R =
D(R)

ima priblino normalnu N (0, 1) raspodelu, ako je n1 ili n2 vee od

20.
Kritiqna oblast je oblika
W = (, c] [c, +),
, gde je c = F 1 (1 2 ), za dati prag znaqajnosti .

Test autokorelacija
Neka je X1 , X2 , . . . , Xn uzorak pseudosluqajnih brojeva. elimo da
testiramo hipotezu da su sluqajne veliqine Xi , i = 1, 2, . . . , n nezavisne.
Raqunamo autokorelacije izmeu svakih m qlanova niza Xi , Xi+m ,
Xi+2m , . . . , Xi+(M +1)m , gde je M najvei prirodan broj tako da vai
i + (M + 1)m n. Testiramo nultu hipotezu
protiv

H0 : im = 0

H1 : im = 0,

gde im predstava autokorelaciju izmeu svakih m qlanova niza,

poqevxi od i-tog qlana.
Test statistika je
Z0 =
gde je

im
,

im

1
Xi+km Xi+(k+1)m 0.25
M +1
M

im =

k=0

ocena autokorelacije im , a

im

13M + 7
=
12(M + 1)

ocena ene disperzije.

Ukoliko je taqna nulta hipoteza, raspodela test-statistike se moe
aproksimirati normalnom raspodelom N (0, 1).
22

Kritiqna oblast je oblika

W = (, c] [c, +)
Kritiqna vrednost c se nalazi, za dati prag znaqajnosti na osnovu c = F 1 (1 2 ), gde je F funkcija N (0, 1) raspodele.

Treba naglasiti da nijedan test za proveru kvaliteta generatora

pseudosluqajnih brojeva nije ni sveobuhvatan ni svemoan. Ako niz
pseudosluqajnih cifara proe jedan test, ne znaqi da e proi neki
drugi test.
Preporuquje se i konstruisae prigodnih testova u zavisnosti od
prirode problema za koji koristimo generisane pseudosluqajne brojeve. Na primer, ako je od posebnog znaqaja da se ne pojavi zavisnost
meu generisanim ciframa, treba niz pseudosluqajnih brojeva proveriti nekim testom vezanim za proveru nezavisnosti.

23

Modelirae sluqajnih dogaaja

i diskretnih sluqajnih veliqina
Modelirae (ili simulacija ) sluqajne veliqine je odreivae nezavisnih realizacija izabrane sluqajne veliqine pomou dobijenog niza
(pseudo)sluqajnih brojeva.

Modelirae diskretnih sluqajnih veliqina sa

konaqno mnogo vrednosti
Neka je X diskretna sluqajna veliqina sa konaqno mnogo vrednosti
i neka je poznat zakon raspodele:P {X = xk } = pk , k = 1, 2, . . . , n, tj.
sluqajna veliqina X uzima vrednost xk sa verovatnoom pk . Zakon
raspodele se moe zapisati i u obliku:
(
X:

x1 x2 . . . xn
p1 p2 . . . pn

)
,

pk = 1.

k=1

Neka je jedan (pseudo)sluqajni broj. Ako je p1 , smatra se

da se realizovala vrednost x1 sluqajne veliqine X. Ako je p1 <
p1 + p2 , smatra se da se realizovala vrednost x2 sluqajne veliqine
X,.., ako je p1 + p2 + . . . + pn1 < realizovala se vrednost xn . Znaqi
da se za dobijae jedne realizacije sluqajne veliqine koristi jedan
(pseudo)sluqajni broj.

Modelirae sluqajnih dogaaja

Na osnovu postupka za modelirae diskretnih sluqajnih veliqina
se mogu modelirati i realizacije sluqajnih dogaaja. Ako je verovatnoa dogaaja A jednaka p, tada je indikator dogaaja A sluqajna veliqina
(
)
1
0
IA :
p 1p

Ukoliko je p, realizovala se vrednost 1 indikatora, a ako je p < ,

realizovala se vrednost 0. Modeliraem te sluqajne veliqine dobija
se da se dogaaj A realizovao ako je dobijena modelirana vrednost 1,
a da se dogaaj A nije realizovao ako je dobijena modelirana vrednost
0.
Neka su A1 , A2 , . . . , An disjunktni dogaaji (Ai Aj = 0, i = j) i P (Ai ) =
pi , i = 1, 2, . . . , n. Oznaqimo sa indeks dogaaja koji se realizovao.
Sluqajna veliqina ima tada zakon raspodele
(
)
1 2 ... n
:
p1 p2 . . . pn
Modeliramo vrednosti diskretne sluqajne veliqine . Ukoliko je dobijena vrednost = i, realizovao se dogaaj Ai , i = 1, 2, . . . , n.
Primer 7 Neka su A i B dva nezavisna dogaaja, P (A) = pA , P (B) =
pB . Dogaaje A i B moemo modelirati na dva naqina.
1. Neka su 1 i 2 dva nezavisna (pseudo)sluqajna broja. Ako je 1 pA
realizovao se dogaaj A i ako je 2 pB , realizovao se dogaaj B.
2. Razmotrimo sledee disjunktne dogaaje
A1 = AB, A2 = AB , A3 = AB, A4 = A B,
sa odgovarajuim verovatnoama, redom,
p1 = pA pB , p2 = pA (1 pB ), p3 = (1 pA )pB , p4 = (1 pA )(1 pB ).
Pomou (pseudo)sluqajnog broja modeliramo sluqajnu veliqinu
(
)
1 2 3 4
:
p1 p2 p3 p4
Ukoliko je dobijena vrednost = i, realizovao se dogaaj Ai , i =
1, 2, 3, 4.
Primer 8 Neka su A i B zavisni dogaaji, P (A) = pA , P (B) = pB , P (AB) =
pAB . Dogaaje A i B moemo modelirati na dva naqina.
1. Koristimo dva (pseudo)sluqajna broja 1 i 2 za modelirae dogaaja A i B. Pomou broja 1 modeliramo dogaaj A. Ukoliko se
25

realizovao dogaaj A, verovatnoa da se realizovao dogaaj B je

jednaka P (B|A) =

pAB
pA .

Ako je 2 P (B|A), realizovao se dogaaj B.

Ako se nije realizovao dogaaj A, verovatnoa da se realizovao

dogaaj B je P (B|A) =

pB pAB
1pA .

Ako je 2 P (B|A), realizovao se

dogaaj B.
2. Neka su dogaaji A1 , A2 , A3 i A4 definisani kao u prethodnom primeru sa verovatnoama jednakim, redom,
p1 = pAB , p2 = pB pAB , p3 = pA pAB , p4 = 1 pA pB + pAB .
Pomou (pseudo)sluqajnog broja modeliramo sluqajnu veliqinu
(
)
1 2 3 4
:
p1 p2 p3 p4
Ukoliko je dobijena vrednost = i, realizovao se dogaaj Ai , i =
1, 2, 3, 4.

Modelirae binomne raspodele

Neka je verovatnoa realizacije nekog dogaaja A u svakom eksperimentu jednaka p. Sluqajna veliqina Sn koja je jednaka broju realizacija dogaaja A u n nezavisnih eksperimenata ima binomnu raspodelu B(n, p). en zakon raspodele je:
( )
n k
pk = P {Sn = k} =
p (1 p)nk , k = 0, 1, . . . , n.
k
Na osnovu definicije, Sn se moe predstaviti kao zbir nezavisnih
sluqajnih veliqina Ik koje sve imaju istu raspodelu i predstavaju
indikator dogaaja A u k-tom eksperimentu:
Sn =

Ik .

k=1

Modeliraju se vrednosti za Ik , k = 1, 2, . . . , n i saberu se. Dobijeni broj je realizovana vrednost sluqajne veliqine Sn . Prednost
ovog postupka je xto se ne moraju raqunati verovatnoe pk iz zakona
26

raspodele za Sn , a nedostatak je xto je potrebno n (pseudo)sluqajnih

brojeva za dobijae jedne realizacije sluqajne veliqine.

Modelirae diskretnih sluqajnih veliqina sa

prebrojivo mnogo vrednosti
Neka je X diskretna sluqajna veliqina sa prebrojivo mnogo vrednosti i neka je poznat en zakon raspodele:
(
X:

x1 x2 . . . xn . . .
p1 p2 . . . pn . . .

)
,

pk = 1.

k=1

Neka je n prirodni broj takav da je pn+1 + pn+2 + . . . < , gde je

proizvono mali (unapred izabrani) pozitivan realni broj. Umesto
sluqajne veliqine X posmatra se zaseqena sluqajna veliqina
(

X :

x1 x2 . . . xn
p1 p2 . . . pn

)
,

gde je pn = 1 p1 . . . pn1 . Vrednost ove sluqajne veliqine se modelira na naqin koji je ve opisan za modelirae vrednosti diskretne
sluqajne veliqine sa konaqno mnogo vrednosti. Na taj naqin se nee
dobiti ni jedna od vrednosti sluqajne veliqine X koja je vea od
xn . Meutim, verovatnoa dobijaa bilo koje vrednosti vee od xn
je maa od , a kako je unapred izabrani vrlo mali pozitivan broj,
to su i verovatnoe dobijaa vrednosti sluqajne veliqine X koje su
vee od xn zanemarivo male. U zavisnosti od zadatka koji se rexava
i broja vrednosti koje je potrebno modelirati bira se .

Modelirae geometrijske raspodele

Neka je verovatnoa realizacije nekog dogaaja A u svakom eksperimentu jednaka p i neka se eksperimenti ponavaju (pri istim uslovima)
27

dok se prvi put ne ostvari dogaaj A. Sluqajna veliqina X koja je jednaka broju izvedenih eksperimenata ima geometrijsku raspodelu. en
zakon raspodele je:
(
X:

...

...

p (1 p)p . . . (1 p)n1 p . . .

odnosno pk = P {X = k} = (1 p)k1 p, k = 0, 1, 2, . . ..
Ova sluqajna veliqina se modelira tako xto, za izabrani pozitivni broj i poznatu verovatnou p, se odredi najmai prirodni
broj koji zadovoava nejednakost
n0 >

ln
.
ln (1 p)

Formira se zaseqena sluqajna veliqina:

(
)
1
2
. . . n0

X :
,
p (1 p)p . . . pn0
(
)
gde je pn0 = 1 p + (1 p)p + . . . (1 p)n0 2 p , a zatim se modelira korixeem postupka za modelirae diskretnih sluqajnih veliqina sa
konaqno mnogo vrednosti.

Primer 9 Modelirajmo vrednost sluqajne veliqine X koja predstava

broj gaaa u metu, gde je verovatnoa pogotka pri svakom gaau
p = 0.6. Uzmimo da je = 0.001. Nalazimo da je n0 = 8 i formiramo
zaseqenu sluqajnu veliqinu
(

X :

2 ... 8

0.6 0.24 . . . pn0

)
,

(
)
gde je pn0 = 1 0.6 + 0.24 + . . . 0.46 0.6 = 0.0016. Korixeem MersenTvister generatora u statistiqkom softveru R, dobijamo pseudosluqajni broj = 0.4813. Kako je p, realizovala se vrednost x = 1 sluqajne veliqine X.

28

Modelirae Puasonove raspodele

Sluqajna veliqina X ima Puasonovu raspodelu sa parametrom ,
> 0, ako je en zakon raspodele oblika:
pk = P {X = k} = e

k
, k = 0, 1, 2, . . . .
k!

Ova sluqajna veliqina se modelira tako xto se, za izabrani pozitivni broj n0 i poznati parametar , odredi najmai prirodni broj
koji zadovoava nejednakost
e

n0 + 2
n0 +1
< .
(n0 + 1)! n0 + 2

Formira se zaseqena sluqajna veliqina

(
)
0 1 . . . n0

X :
,
p0 p1 . . . pn0
k

gde je pk = e k! , k = 0, 1, . . . , n0 1, pn0 = 1

n0 1
k=0

pk i zatim se

modelira korixeem postupka za modelirae diskretnih sluqajnih

veliqina sa konaqno mnogo vrednosti.

29

Modelirae neprekidnih
sluqajnih veliqina
Metoda inverzne funkcije
Neka je X neprekidna sluqajna veliqina sa funkcijom rapodele F ,
za koju se moe odrediti inverzna funkcija. Modelirae vrednosti
sluqajne veliqine X se moe ostvariti na osnovu sledee teoreme.
Teorema 4 Neka je data sluqajna veliqina X qija je funkcija raspodele F strogo monotona i neprekidna i neka je F 1 ena inverzna funkcija. Neka je Y sluqajna veliqina sa uniformnom raspodelom U(0, 1).
Tada sluqajna veliqina F 1 (Y ) ima funkciju raspodele F .
Dakle, realizovana vrednost x sluqajne veliqine X se dobija pomou
jednog (pseudo)sluqajnog broja , po formuli x = F 1 ().

Modelirae eksponencijalne raspodele

Sluqajna veliqina X ima eksponencijalnu raspodelu sa parametrom
> 0, u oznaci X : E(), ako je ena funkcija raspodele oblika:
F (x) = 1 ex , x 0.
Primeuje se metoda inverzne funkcije. Ako je (pseudo)sluqajni
broj, tada je modelirana vrednost sluqajne veliqine X jednaka x =
1 ln (1 ). Ovaj izraz se moe pojednostaviti korixeem sledee
osobine uniformne raspodele.
Tvree 1 Ako sluqajna veliqina Y ima uniformnu raspodelu U(0, 1),
tada i sluqajna veliqina 1 Y ima uniformnu raspodelu U(0, 1).
Na taj naqin se dobija jednostavna formula za modelirae vrednosti eksponencijalne raspodele x = 1 ln .

Nojmanova metoda
Za sluqajne veliqine qija je gustina raspodele f razliqita od nule
i ograniqena na konaqnom intervalu, modelirae se moe ostvariti
na osnovu sledee teoreme.
Teorema 5 Neka je gustina raspodele f sluqajne veliqine X definisana na konaqnom intervalu (a, b) i neka je f (x) M, x (a, b).
Neka su xT i yT modelirane vrednosti nezavisnih sluqajnih veliqina
sa raspodelama, redom, U(a, b) i U(0, M ). Ako je yT < f (xT ) , tada je
realizovana vrednost sluqajne veliqine X jednaka xT .
Da bi se Nojmanovom metodom dobila jedna realizacija sluqajne
veliqine koja se modelira, potrebna su bar dva (pseudo)sluqajna broja.
Ako nejednakost yT < f (xT ) nije zadovoena, treba modelirati sledei
par vrednosti xT i yT , itd. dok se ne dobije par vrednosti xT i yT
koji zadovoava uslove teoreme.
Nojmanova metoda se moe primeniti i na sluqajne veliqine qija je
gustina raspodele razliqita od nule na beskonaqnom intervalu, ali
prvo je potrebno formirati odgovarajuu zaseqenu sluqajnu veliqinu.
Neka sluqajna veliqina X ima gustinu raspodele f (x), a < x < b ,
b
tj. neka je a f (x)dx = 1 . Za sluqajnu veliqinu XZ se kae da ima
zaseqenu gustinu raspodele f ako su vrednosti sluqajne veliqine XZ
iz intervala (a, b) (a , b ), a ena gustina raspodele proporcionalna
gustini raspodele f . Ako se sa fZ oznaqi gustina raspodele sluqajne
veliqine XZ , tada je
fZ (x) = b
a

f (x)
f (x)dx

, x (a, b).

Primeuje se da vai fZ (x) > f (x), x (a, b) Interval (a, b) se bira

tako da vai

f (x)dx < ,
a

gde je unapred odabrani mali pozitivan broj.

Primer 10 Neka je X sluqajna veliqina sa gustinom raspodele fX (x) =

1
x,

x (1, e). Gustina raspodele f je ograniqena, f (x) 1, x (1, e).

31

Za dva pseudosluqajna broja 1 = 0.292 i 2 = 0.382, dobijaju se modelirane vrednosti xT = 1 + (e 1) 1 = 1.502 sluqajne veliqine iz
U(1, e) raspodele i yT = 0.382 sluqajne veliqine iz U(0, 1) raspodele.
Kako je yT < f (xT ) = 0.666, realizovala se vrednost x = 1.502 sluqajne
veliqine X.

Modelirae vixedimenzionih sluqajnih veliqina

Modelirae n-dimenzione sluqajne taqke sa nezavisnim
koordinatama
Ukoliko su koordinate n-dimenzione sluqajne veliqine Q = (X1 , X2 ,
. . . , Xn ) nezavisne, tada je funkcija raspodele sluqajne veliqine Q jednaka
FQ (x1 , x2 , . . . , xn ) = F1 (x1 )F2 (x2 ) Fn (xn ),
gde je Fi (xi ), i = 1, 2, . . . , n funkcija raspodele sluqajne veliqine Xi . U
tom sluqaju, moemo modelirati nezavisno svaku sluqajnu veliqinu
Xi .
Primer 11 Neka je Q sluqajna taqka sa Dekartovim koordinatama
(X1 , X2 , . . . , Xn ) ravnomerno raspodeenim na n-dimenzionom paralelepipedu = {ai < xi < bi , i = 1, 2, . . . , n}. Gustina raspodele sluqajne taqke
Q je jednaka
{
fQ (x1 , x2 , . . . , xn ) =

i=1 (bi ai )

0,

, (x1 , x2 , . . . , xn )
(x1 , x2 , . . . , xn )
/

Gustina sluqajne veliqine Xi je jednaka

{
1
, xi (ai , bi )
fi (xi ) = bi ai
0, xi
/ (ai , bi )
a funkcija raspodele
Fi (xi ) =

xi ai
, xi (ai , bi ).
bi ai
32

Na osnovu metode inverzne funkcije Fi (xi ) = i dobijamo

xi = ai + i (bi ai ), i = 1, 2, . . . , n.

Modelirae n-dimenzione sluqajne taqke sa zavisnim

koordinatama
U opxtem sluqaju, kada su koordinate (X1 , X2 , . . . , Xn ) sluqajne taqke
Q zavisne, zajedniqku gustinu raspodele moemo predstaviti kao
fQ (x1 , x2 , . . . , xn ) = f1 (x1 ) f2 (x2 |x1 ) f3 (x3 |x1 , x2 ) fn (xn |x1 , x2 , . . . , xn1 ).
Tada imamo

f1 (x1 ) =

...

fQ (x1 , x2 , . . . , xn )dx2 . . . dxn

+
+
. . . fQ (x1 , x2 , . . . , xn )dx3 . . . dxn

f2 (x2 |x1 ) =

+
f3 (x3 |x1 , x2 ) =

...

f1 (x1 )
fQ (x1 , x2 , . . . , xn )dx4 . . . dxn

f1 (x1 ) f2 (x2 |x1 )

..
.

fn1 (xn1 |x1 , . . . , xn2 ) =

fQ (x1 , x2 , . . . , xn )dxn

f1 (x1 ) fn2 (xn2 |x1 , . . . xn3 )

fQ (x1 , x2 , . . . , xn )
fn (xn |x1 , . . . , xn1 ) =
f1 (x1 ) fn1 (xn1 |x1 , . . . xn2 )

Definiximo uslovnu funkciju raspodele

xi
Fi (xi |x1 , . . . , xi1 ) =
fi (x|x1 , . . . , xi1 )dx.

Teorema 6 Neka su U1 , U2 , . . . , Un nezavisni (pseudo)sluqajni brojevi.

Sluqajne veliqine X1 , X2 , . . . , Xn koje se dobijaju kao rexea sistema
F1 (X1 ) = U1
F2 (X2 |X1 ) = U2
..
.
Fn (Xn |X1 , . . . Xn1 ) = Un .
imaju zajedniqku gustinu raspodele fQ (x1 , x2 , . . . , xn ).
33

Primer 12 Razmotrimo sluqajnu taqku (, ) koja uzima vrednosti u

trouglu = {(x, y) : x + y < 1, x > 0, y > 0} s gustinom raspodele
f (x, y) = 6x.
a) Napiximo zajedniqku funkciju raspodele kao
fQ (x, y) = fX (x)fY (y|x).
Marginalne gustine raspodele su jednake
1x
fX (x) =
6xdy = 6x(1 x), 0 < x < 1,
0

1
f (x, y)
=
, 0 < y < 1 x.
fY (y|x) =
fX (x)
1x
Odgovarajue funkcije raspodele su jednake
x
FX (x) =
6u(1 u)du = 3x2 2x3 , 0 < x < 1,
0
y
y
1
dy =
, 0 < y < 1 x.
FY (y|x) =
1

x
1

x
0
Dobijamo sistem jednaqina
3x2 2x3 = 1
y = 2 (1 x).
koji je malo nezgodniji za rexavae.
b) Napiximo gustinu raspodele kao
fQ (x, y) = fY (y) fX (x|y).
Marginalne gustine raspodele su jednake
1y
fY (y) =
6xdx = 3(1 y)2 , 0 < y < 1
0

fX (x|y) =

2x
, 0 < x < 1 y,
(1 y)2

a odgovarajue funkcije raspodele su jednake

y
FY (y) =
3(1 u)2 du = 1 (1 y)3 , 0 < y < 1,
0
x
x2
2u
du =
, 0 < x < 1 y.
FX (x|y) =
2
(1 y)2
0 (1 y)
34

Dobijamo (koristimo 1 umesto 1 1 )

(1 y)3 = 1
x2 = 2 (1 y)2 ,
odnosno

y = 1 3 1

x = 2 3 1 ,

Modelirae vixedimenzione sluqajne veliqine korixeem

smene promenivih
Primer 13 Sluqajna taqka Q = (X, Y, Z) je ravnomerno raspodeena
na lopti x2 + y 2 + z 2 < R2 . Gustina raspodele sluqajne veliqine Q je
jednaka
fQ (x, y, z) =

3 1
.
4 R3

Prelazimo na sferne koordinate

x = r sin cos
y = r sin sin
z = r cos
U novim koordinatama sfera se preslikava u paralelepiped 0 r <
R, 0 < , 0 < 2. Jakobijan preslikavaa je jednak J = r2 sin
i zajedniqka gustina novih koordinata je
fQ (r, , ) =

3 r2 sin
.
4 R3

Ova gustina predstava proizvod tri gustine sfernih koordinata

RQ , Q , Q ,redom,
fQ (r, , ) =

3r2 sin 1
R3 2 2

35

i prema tome, sferne koordinate RQ , Q , Q taqke Q su nezavisne.

Imamo

rQ
0

3
rQ
3r2 dr
=
= 1
R3
R3

sin
1
d = (1 cos Q ) = 1 2
2
2
0 Q
Q
1
d =
= 3 ,
2
2
0

odakle se dobija

rQ = R 3 1
cos Q = 22 1
Q = 23
Dekartove koordinate taqke Q su
x = rQ sin Q cos Q
y = rQ sin Q sin Q
z = rQ cos Q

Metoda superpozicije
Neka sluqajna veliqina X ima funkciju raspodele F koja se moe
napisati u obliku
F (x) =

ck Fk (x),

k=1

gde su Fk (x) funkcije raspodele, koeficijenti ck > 0,

(1)
m

k=1 ck

= 1.

Dae, neka je Y diskretna sluqajna veliqina sa zakonom raspodele

(
Y :

1 2 ... m
c1 c2 . . . cm
36

Teorema 7 Neka su 1 i 2 nezavisni (pseudo)sluqajni brojevi. Ako na

osnovu 1 modeliramo vrednost sluqajne veliqine Y , a zatim na osnovu
Fk (x) = 2 modeliramo X, tada sluqajna veliqina X ima funkciju
raspodele F .

Primer 14 Sluqajna veliqina X ima gustinu raspodele

f (x) =

)
5 (
1 + (x 1)4 , x (0, 2).
12

Funkcija raspodele sluqajne veliqine X je

F (x) =

5
(x 1)5
1
x+
+ .
12
12
12

Ukoliko koristimo metod inverzne funkcije, dobijamo

(x 1)5 + 5x = 12 1,
pa bi bilo potrebno rexiti jednaqinu petog stepena za nalaee vrednosti sluqajne veliqine X.
Razloimo metodom superpozicije funkciju raspodele na
F (x) =
gde je F1 (x) =

x
2

5
1
F1 (x) + F2 (x),
6
6

i F2 (x) = 12 (x 1)5 + 21 . Sluqajna veliqina Y ima tada

zakon raspodele

(
Y :

1 2

5 1
6 6

Na osnovu prethodne teoreme dobijamo

{
22 ,
ako je 1
x=

5
1 + 22 1, ako je 1 >

37

5
6
5
6

Modifikovani metod superpozicije

Modifikovani metod superpozicije nam omoguava da za modelirae vrednosti sluqajne veliqine X koristimo samo jedan (pseudo)sluqajni broj.
Teorema 8 Neka su 1 i 2 nezavisni (pseudo)sluqajni brojevi. Ako
na osnovu 1 modeliramo vrednost sluqajne veliqine Y , a zatim modeliramo
vrednost sluqajne veliqine X na osnovu Fk (x) = , gde je

k1
j=1

cj )

ck

tada X ima funkciju raspodele F , gde je F oblika (1).

Primer 15 Neka je X sluqajna veliqina sa gustinom raspodele datom

u Primeru 12. Imamo da je = 56 za y = 1 i = 65 za y = 2. Dobijamo
{
12
ako je 56
5 ,
x=

1 + 5 12 11, ako je > 56

Modelirae normalne raspodele

Metoda inverzne funkcije nije primeniva za modelirae normalne
raspodele jer je, kao xto je poznato, gustina raspodele sluqajne veliqine X sa normalnom raspodelom N (m, 2 ), qiji su parametri m i
> 0, oblika

(xm)2
1
e 22 , x R
2
pa se ena inverzna funkcija ne moe izraziti preko elementarnih

f (x) =

funkcija.
Modelirau vrednosti normalne raspodele se posveuje posebna
paa zbog znaqaja i qeste primene normalne raspodele. S obzirom
na tvree
Tvree 2 Ako sluqajna veliqina X ima normalnu raspodelu N (m, 2 ),
tada sluqajna veliqina Y =

Xm

ima normalnu normiranu raspodelu

N (0, 1).
38

dovono je navesti postupke modeliraa sluqajne veliqine koja ima

normalnu normiranu raspodelu N (0, 1).

Modelirae normalne raspodele na osnovu centralne

graniqne teoreme
Neka su date nezavisne sluqajne veliqine Y1 , Y2 , . . . koje imaju unin
formnu raspodelu U(0, 1). Tada sluqajna veliqina Sn = j=1 Yj ima
matematiqko oqekivae i disperziju, redom, E(Sn ) =

n
2 , D(Sn )

n
12 ,

pa

prema centralnoj graniqnoj teoremi za sluqajnu veliqinu

n
Sn E(Sn )
3
(n)
=
=
(Yj 1)
n j=1
D(Sn )
vai
P {

(n)

x} n

t2

e 2 .

Konvergencija je brza i ve se za n = 12 dobijaju vrlo mala odstupaa , pa ako su 1 , . . . , 12 (pseudo)sluqajni brojevi, moe se smatrati
1
da je (12) = j=1 2j 6 realizovana vrednost sluqajne veliqine sa
normalnom normiranom paspodelom N (0, 1). Na ovaj naqin za modelirae jedne vrednosti sluqajne veliqine sa normalnom normiranom
raspodelom N (0, 1) je potrebno 12 (pseudo)sluqajnih brojeva.

Modelirae normalne raspodele korixeem polarnih

koordinata
Normalna normirana raspodela se moe modelirati i prelaskom
na polarne koordinate. Vai sledee tvree.
Tvree 3 Ako su Y1 i Y2 nezavisne sluqajne veliqine sa uniformnom
raspodelom U(0, 1), tada su sluqajne veliqine
Z1 =

2 ln Y1 cos(2Y2 ) i

Z2 =

2 ln Y1 sin(2Y2 )

nezavisne sa normalnim normiranim raspodelama.

39

Dakle, ako su 1 i 2 dva (pseudo)sluqajna broja, pomou ih se

dobijaju realizacije x1 i x2 dve nezavisne sluqajne veliqine sa normalnom normiranom raspodelom, po formulama
x1 =

2 ln 1 cos(22 ) i

x2 =

2 ln 1 sin(22 ).

Modelirae normalne raspodele korixeem jedne

eksponencijalne raspodele
Neka su sluqajne veliqine Y : U(0, 1) i V : E(1) nezavisne. Ako je
Y e

(V 1)2
2

, tada se za realizaciju sluqajne veliqine X sa normalnom

normiranom raspodelom uzima vrednost sluqajne veliqine V .

Ovaj postupak za modelirae jedne vrednosti normalne normirane
raspodele zahteva korixee bar dva (pseudo)sluqajna broja 1 i 2 .
Pomou 2 se modelira vrednost v = ln 2 sluqajne veliqine V . Ako
je 1 e

(v1)2
2

, tada se smatra da je v realizovana vrednost sluqa-

jne veliqine sa normalnom normiranom raspodelom. Ako nejednakost

ne vai, postupak se ponava sa narednim parom (pseudo)sluqajnih
brojeva.

Modelirae normalne raspodele korixeem dve

eksponencijalne raspodele
Neka su sluqajne veliqine Y1 i Y2 nezavisne sa istom eksponencijalnom raspodelom E(1). Ako je Y2

(Y1 1)2
2

, tada se za realizaciju

sluqajne veliqine X sa normalnom normiranom raspodelom uzima vrednost sluqajne veliqine Y1 .

Ovaj postupak za modelirae jedne vrednosti normalne normirane
raspodele zahteva korixee bar dva (pseudo)sluqajna broja 1 i
2 . Pomou i , i = 1, 2 se modelira vrednost yi = ln i sluqajne
veliqine Yi . Ako je y2

(y1 1)2
,
2

tada se smatra da je y1 realizo-

vana vrednost sluqajne veliqine X sa normalnom normiranom raspode40

lom. Ako nejednakost ne vai, postupak se ponava sa narednim parom

(pseudo)sluqajnih brojeva.

Modelirae 2n raspodele
Prilikom modelirae 2n raspodele koristi se sledea definicija.
Definicija 1 Ako su sluqajne veliqine X1 , X2 , . . . Xn nezavisne i imaju normalnu normiranu raspodelu N (0, 1), tada sluqajna veliqina X12 +
X22 + . . . + Xn2 ima 2n raspodelu.
Modelira se n nezavisnih sluqajnih veliqina sa normalnom normiranom raspodelom i saberu kvadrati dobijenih modeliranih vrednosti.

41

Monte Karlo integracija

Razmotriemo dve Monte Karlo metode za priblino izraqunavae
integrala

g(x)dx

I=
a

Prva metoda se naziva Monte Karlo metoda pogodaka i promaxaja

9

i zasnovana je na geometrijskoj interpretaciji integrala kao po-

vrxine, a druga metoda se naziva Monte karlo metoda uzorqke sredine

10

i zasnovana je na interpretaciji integrala kao srede vrednosti.

Monte Karlo metoda pogodaka i promaxaja

Neka je funkcija g(x) ograniqena
0 g(x) c, a x b,
i oznaqimo sa pravougaonik
= {(x, y) : a x b, 0 y c}.
Neka je (X, Y ) sluqajni vektor sa uniformnom raspodelom na pravougaoniku
sa gustinom raspodele
{
f(X,Y ) (x, y) =

1
c(ba) ,

(x, y)

0,

(x, y)
/

(2)

Oznaqimo sa S povrx ispod krive g(x), S = {(x, y) : y g(x)}. Verovatnoa

da se sluqajni vektor nae ispod krive g(x) je tada jednaka
b
p=

9
10

g(x)dx
I
=
c(b a)
c(b a)
a

The Hit and Miss Monte Carlo Method

The Sample Mean Monte Carlo method

(3)

Slika 4. Monte Karlo metoda pogotka i promaxaja

Pretpostavimo da je generisano N nezavisnih sluqajnih vektora
(X1 , Y1 ), (X2 , Y2 ), . . . , (XN , YN ). Na osnovu zakona velikih brojeva, verovatnoa p se moe oceniti sa
NH
,
(4)
N
broj sluqajeva kada je Yi g(Xi ), i = 1, 2, . . . , N , tj. broj
p =

gde je NH

pogodaka i N NH je broj promaxaja (ako je Yi > g(Xi ), i = 1, 2, . . . , N

promaxujemo).
Na osnovu (3) i (4) dobijamo
NH
I

,
N
c(b a)
odnosno,

NH
.
(5)
N
Drugim reqima, da bismo priblino izraqunali (ocenili) inteI 1 = c(b a)

gral I, uzimamo uzorak obima N iz uniformne raspodele (2), prebrojimo broj pogodaka NH ispod krive g(x) i primenimo formulu (5).
Poxto svaki od N pokuxaja ima Bernulijevu raspodelu sa verovatnoom pogotka p, imamo NH : B(N, p). Matematiqko oqekivae i disperzija ocene 1 su, redom, jednaki
c(b a)
E(NH ) = c(b a)p = I
N
c2 (b a)2
p(1 p)
D(1 ) =
D(NH ) = c2 (b a)2
.
N2
N
E(1 ) =

43

Prema tome, ocena 1 je nepristrasna. Kako D(1 ) 0, kada N ,

ocena 1 je postojana.
Standardna devijacija ocene je tada jednaka

1
1 = N 2 c(b a) p(1 p).
Ukoliko ubacimo (3) u izraz za standardnu devijaciju dobijamo
1 = N 2
1

I (c(b a) I).

Standardna devijacija prua meru preciznosti ocene. Dakle, preciznost ocene integrala dobijene na osnovu metode pogodaka i promaxaja je reda N 2 , tj. O(N 2 ).
1

Moemo odrediti broj potrebnih eksperimenata N tako da je

P {|1 I| } = ,
gde je grexka aproksimacije a nivo poverea (obiqno se uzima =
95% ili = 99%). Za dovono veliko N , moemo primeniti centralnu
graniqnu teoremu, tj.
1 =

1 I
: N (0, 1).
1

Tada imamo
P {|1 | z } = ,
gde je z =
tako da je

N
.
c(ba) p(1p)
1+
(z ) = 2 ,

Iz tablice normalne raspodele nalazimo z

gde je funkcija normalne raspodele. Ko-

ristei aproksimaciju p(1 p) 14 , dobijamo

N

c2 (b a)2 z2
42

Algoritam za Monte Karlo metodu pogodaka i promaxaja

1. Generisati niz (Uj )2N
j=1 od 2N pseudosluqajnih brojeva.

2. Poreati brojeve u N parova (U1 , U1 ), (U2 , U2 ), . . . , (UN , UN

) na bilo

koji naqin tako da se svaki broj Ui pojavi taqno jedanput.

44

3. Izraqunati Xi = a + (b a)Ui , g(Xi ), i Yi = cUi , i = 1, 2, . . . N .

4. Prebrojati broj pogodaka NH za koje vai Yi g(Xi ).
5. Oceniti integral I sa
1 = c(b a)

NH
.
N

2
2
Primer 16 Ocenimo integral I = 0 ex dx. Direktnim izraqunava

(
)
em se dobija I = () (2 2) 0.5 = 0.8820814
Podintegralna funkcija g(x) = ex je ograniqena, g(x) 1. Odred2

imo prvo obim uzorka N , tako da je grexka aproksimacije = 0.001

sa nivoom poverea = 0.95. Na osnovu N
1

z0.99 =

2
c2 (ba)2 z
2
4

= 3841459,gde je

(0.975) = 1.96, uzeemo N = 4000000.

Korixeem programa za priblino raqunae integrala pomou

metode pogodaka i promaxaja u statistiqkom softveru R, dobija se
vrednost ocene 1 = 0.8830045.

Monte Karlo metoda uzoraqke sredine

Integral I =

b
a

g(x)dx moemo predstaviti kao oqekivanu vrednost

neke sluqajne veliqine. Prvo napiximo integral na sledei naqin

b
g(x)
I=
fX (x)dx.
f
X (x)
a
Pretpostavimo da je fX (x) proizvona gustina raspodele takva da
je fX (x) > 0 kada g(x) = 0. Tada je
(
)
g(X)
I=E
,
fX (X)
gde je X sluqajna veliqina sa gustinom raspodele fX (x). Uzmimo, jednostavnosti radi, da je
fX (x) =

1
ba ,

a<x<b

0,

inaqe

45

Tada imamo da je
E (g(X)) =

I
,
ba

odnosno
I = (b a)E (g(X)) .
Nepristrasna ocena za integral I je uzoraqka sredina
2 = (b a)

N
1
g(Xi ).
N i=1

Disperzija ocene je jednaka

(

)2
N
1
D(2 ) = E (b a)
g(Xi ) I 2 =
N i=1

1
= (b a)2 2
Eg 2 (Xi ) + 2
Eg(Xi )Eg(Xj ) I 2 =
N
i=1
i=j
(
)
( )
b
1
1
N
2
2
2
= (b a) 2 N
g (x)
dx + 2
(Eg(X)) I 2 =
N
b

a
2
a
(
)
b
1
2
2
(b a)
g (x)dx I .
=
N
a

Algoritam za Monte Karlo metodu uzoraqke sredine

1. Generisati niz (Uj )N
j=1 od N pseudosluqajnih brojeva.
2. Izraqunati Xi = a + (b a)Ui , i = 1, 2, . . . N .
3. Izraqunati g(Xi ) i = 1, 2, . . . N .
5. Oceniti integral I uzoraqkom sredinom
2 = (b a)

Primer 17 Ocenimo integral I =

N
1
g(Xi ).
N i=1

2
0

ex dx iz prethodnog primera
2

pomou metode uzoraqke sredine. Dobili smo da je I = 0.8820814 i

1 = 0.8830045.
46

Korixeem programa za priblino raqunae integrala pomou

metode uzoraqke sredine u statistiqkom softveru R, dobija se vrednost ocene (za N = 4000000) 2 = 0.8819665.

Efikasnost Monte Karlo metoda

Pretpostavimo da postoje dve Monte Karlo metode za oceivae integrala I. Neka su 1 i 2 dve ocene dobijene na osnovu ovih metoda
takve da je
E1 = E2 = I.
Oznaqimo sa t1 i t2 broj jedinica raqunarskog vremena potrebnog
za izraqunavae vrednosti sluqajnih veliqina 1 i 2 , redom. Kaemo
da je prva metoda efikasnija od druge metode ako je
=

t1 D(1 )
< 1.
t2 D(2 )

Uporedimo sada efikasnost metode pogodaka i promaxaja sa efikasnoxu metode uzoraqke sredine.
Stav 1 D(2 ) D(1 ).
Dokaz: Imamo da je
(
)
b
1
2
g (x)dx .
D(1 ) D(2 ) = (b a) cI
N
a
Kako je g(x) c, c

b
a

g(x)dx

b
a

g 2 (x)dx 0, pa je D(1 ) D(2 ) 0. 

Pod pretpostavkom da su vremena izraqunavaa ocena t1 i t2 priblino jednaka, zakuqujemo da je metoda uzoraqke sredine efikasnija
od metode pogodaka i promaxaja.

47

Monte Karlo metode za smaee disperzije

Redukcija disperzije nam prua mogunost da smaimo disperziju
ocene integrala, dobijajui statistiqki efikasne ocene. Razmotriemo
tri Monte Karlo metode za smaee disperzije:metodu analitiqke redukcije, metodu uzorkovaa na osnovu relevantnosti

11

i metodu stra-

tifikovanog uzorkovaa.
Ilustrovaemo sledeim primerom znaqaj redukcije disperzije.

Primer 18 Neka sluqajna veliqina X ima Koxijevu raspodelu C(0, 1)

sa gustinom raspodele
fX (x) =

1
, x (0, +).
(1 + x2 )

elimo da ocenimo verovatnou

+
p = P {X > 2} =
2

1
dx
(1 + x2 )

Direktnim izraqunavaem se dobija p = 0.15.

Ako ocenimo p preko uzoraqke sredine
p1 =

N
1
I{Xi > 2},
N i=1

gde je (X1 , X2 , . . . , XN ) uzorak iz Koxijeve raspodele, disperzija ove

ocene je

p(1p)
N

0.127
N .

Ova disperzija se moe redukovati ako se uzme

u obzir simetriqnost Koxijeve raspodele C(0, 1). Ocena

p2 =
ima disperziju jednaku

N
1
I{|Xi | > 2}
2N i=1

p(12p)
N

0.052
N .

Relativna neefikasnost ovih metoda je povezana sa time xto se

generixu vrednosti van oblasti od interesa (u ovom sluqaju van intervala (2, +)), koje nisu bitne za aproksimaciju. Ako napixemo p
kao

11

1
p=
2

Importance sampling

48

dy
,
(1 + y 2 )

gori integral se moe smatrati za matematiqko oqekivae od h(Y ) =

2
(1+U 2 ) ,

gde Y : U[0, 2]. Tada imamo da je ocena p

N
1
1

h(Yi ).
2 N i=1

p3 =

Disperzija ocene p3 je jednaka

0.0285
N .

Dae, p se moe napisati i kao

21
z 2
p=
dz.
2 )
0 (1 + z
Ovaj integral se moe smatrati za matematiqko oqekivae od 41 h(Z) =
1
2(1+Z 2 ) ,

gde je Z : U[0, 12 ]. Tada imamo da je ocena p

p4 =

Disperzija ocene p4 je jednaka

N
1
h(Zi ).
4N i=1
0.000095
.
N

Poredei sa p1 , smaee disperzije korixeem ocene p4 je reda

1000 32 puta mae simulacija od p1

103 , xto znaqi da p4 zahteva

da bi postigla istu preciznost.

Metoda analitiqke redukcije

Razmotrimo problem oceivaa integrala

I=
g(x)dx, D Rn .
D

Razbijamo oblast D na dve podoblasti, D = D1 D2 i predstavimo

integral I kao

I=

g(x)dx +
D1

g(x)dx.
D2

Pretpostavimo da se integral

I1 =

g(x)dx

D1

moe izraqunati analitiqki i definiximo zaseqenu gustinu raspodele

{
fX (x)
1P , ako je x D2
h(x) =
0,
inaqe
49

gde je P =

D1

fX (x)dx i fX (x) je gustina sluqajne veliqine X.

Integral I tada moemo napisati kao

g(x)
h(x)dx =
I = I1 +
g(x)dx = I1 +
h(x)
D2
D2
(
)
(
)
g(X)
g(X)
= I1 + E
= I1 + (1 P )E
.
h(X)
fX (X)
Nepristrasna ocena integrala I je tada jednaka
N
1 g(Xi )
3 = I1 + (1 P )
.
N i=1 fX (Xi )

Stav 2 D(3 ) (1 P )D(2 ).

Dokaz: Imamo da je

g 2 (x)
dx I 2 =
f
(x)
X
D

g 2 (x)
g 2 (x)
dx +
dx I 2
=
f
(x)
f
(x)
X
X
D2
D1

N D(2 ) =

(
)2

2
g 2 (x) fX
(x)
g(x) fX (x)
dx (1 P )
dx =
D2 fX (x) (1 P )
D2 fX (x) (1 P )
(
)2

2
g (x)
= (1 P )
dx
g(x)dx .
D2 fX (x)
D2

N D(3 ) = (1 P )2

Dae, dobijamo

D1

g 2 (x)
dx (1 P )2 + (I I1 )2 .
fX (x)

= (1 P )

D1

I1
g 2 (x)
dx
=
fX (x)
P

)2

D1

N ((1 P ) D(2 ) D(5 )) = (1 P )

Oznaqimo sa

C2 =

g 2 (x)
dx (1 P )2 +
fX (x)

D1

50

g(x)
I1

fX (x)
P

)2
fX (x)dx.

g(x)dx
D2

Tada imamo da je
N ((1 P ) D(2 ) D(5 )) = (1 P )C 2 +

I1
PI
P

)2
0.


Dakle, na osnovu ovog stava zakuqujemo da je metoda analitiqke
redukcije barem (1P )1 puta efikasnija od metode uzoraqke sredine.

Uzorkovae na osnovu relevantnosti

Osnovna ideja ove metode se sastoji u uzimau vixe elemenata
uzorka u delovima oblasti D koje su znaqajnije za aproksimaciju.
Kao xto smo videli kod metode uzoraqke sredine, integral I moemo
predstaviti kao

I=
D

g(x)
fX (x)dx = E
fX (x)

g(X)
fX (X)

)
,

gde je X sluqajna veliqina sa gustinom raspodele fX (x) > 0, x D.

Funkcija fX (x) se naziva funkcija relevantnosti.
Da bismo ocenili integral I, uzimamo uzorak X1 , X2 , . . . , XN iz gustine raspodele fX (x) i raqunamo ocenu
4 =

N
1 g(Xi )
.
N i=1 fX (Xi )

Ocena 4 je nepristrasna i ena disperzija je jednaka

(
)
1
g 2 (x)
D(4 ) =
dx I 2 .
N
D fX (x)
Sledea teorema prua naqin kako da se odabere optimalna gustina
raspodela fX da bi se minimizovala disperzija ocene 4 .

Teorema 9 Minimalna disperzija ocene 4 je jednaka

(
)2
D(4 ) =
|g(x)|dx I 2
D

51

i dobija se kada je gustina raspodele sluqajne veliqine X jednaka

|g(x)|
.
|g(x)|dx
D

fX (x) =

Dokaz: Formula za minimalnu disperziju se dobija ukoliko zamenimo

izraz za optimalnu gustinu u izraz za disperziju ocene 4 . Da bismo
dokazali da je D(4 ) D(4 ), dovono je dokazati da je
(

)2
|g(x)|dx

g 2 (x)
dx,
fX (x)

xto se dobija primenom Koxi-Xvarcove nejednakosti

)2
(
)2 (
|g(x)|

|g(x)|dx =
fX (x)dx

fX (x)
D
D

g 2 (x)

dx
fX (x)dx =
D fX (x)
D

g 2 (x)
=
dx
D fX (x)

Meutim, ova teorema nema direktnu praktiqnu primenu poxto

optimalna gustina zavisi od integrala D |g(x)|dx. U praksi biramo

gustinu raspodele fX koja je proporcionalna |g|, tj. tako da je

|g(x)|
fX (x)

c.

Razmotrimo sada drugi naqin za formirae ocene po metodi uzorkovaa na osnovu relevantnosti. Neka je h(x) =

g(x)
fX (x) ,

gde je fX (x) > 0.

Generiximo sluqajne veliqine Y1 , Y2 , . . . , YN iz gustine fY (y) sa nosaqem

D. Izraqunajmo teinske koeficijente
wi =

fX (yi )
fY (yi )

i formirajmo ocenu integrala kao

4 =

1
N

i=1 wi h(Yi )
.
N
i=1 wi

Primer 19 Neka sluqajna veliqina X ima normalnu normiranu raspodelu. elimo da ocenimo verovatnou p = P {X > 4.5} za koju znamo
52

da je vrlo mala (p = 0.000003398). Moemo simulirati N sluqajnih

veliqina Xi : N (0, 1), i = 1, 2, . . . , N i izraqunati
=

N
1
I{Xi > 4.5}.
N i=1

Za N = 10000 se obiqno dobija = 0. Sa uzorkovaem na osnovu

relevantnosti moemo znatno poboxati taqnost ocene.
Neka sluqajna veliqina Y ima eksponencijalnu raspodelu E(1) zaseqenu s leve strane u 4.5, tj. Y : T E(4.5, 1) sa gustinom raspodele
fY (y) = e(y4.5) , y (4.5, +).
Generixemo uzorak obima N iz gustine fY i dobijamo ocenu
p =

N
1 (Yi )
I{Yi > 4.5} = 0.000003377.
N i=1 fY (Yi )

Stratifikovano uzorkovae
elimo da ocenimo integral

I = E (g(X)) =

g(x)fX (x)dx,
D

gde je fX gustina raspodele sluqajne veliqine X.

Razbijamo oblast D u m disjunktnih podoblasti Di , i = 1, 2, . . . , m,
tj. D = m
i=1 Di , Di Dj = , i = j. Definiximo integrale

Ii =
g(x)fX (x)dx,
Di

koji se mogu posebno oceniti nekom Monte Karlo metodom.

Ideja ove metode je sliqna metodi uzorkovaa na osnovu relevantnosti: takoe uzimamo vixe opservacija (uzoraka) u delovima oblasti
koje su znaqajnije, ali se efekat redukovaa disperzije postie koncentrisaem vixe uzoraka u bitnijim podoblastima Di , a ne izborom
optimalne gustine raspodele.
53

Definiximo

Pi =

Imamo da je

fX (x)dx.
Di

m
i=1

Pi = 1 i

I=

g(x)fX (x)dx =

Di

i=1

Uvodimo
gi (x) =

Ii .

i=1

g(x), ako je x Di
inaqe

0,

Moemo napisati integral Ii kao

fX (x)
fX (x)
Ii =
Pi g(x)
dx = Pi
gi (x)
dx = Pi E (gi (X)) ,
Pi
Pi
Di
Di
gde je

Di

fX (x)
dx = 1.
Pi

Integral Ii se moe oceniti na osnovu metode uzoraqke sredine sa

i =

Ni
Pi
g(Xki ), i = 1, 2, . . . , m,
Ni
ki =1

gde sluqajna veliqina Xi ima gustinu raspodele

fX (x)
Pi

na Di i

m
i=1

Ni =

N.
Tada je ocena integrala I jednaka
5 =

i =

i=1

Ni
m

Pi
g(Xki ).
Ni
i=1
ki =1

Disperzija ocene 5 je jednaka

D(5 ) =

P2
i

i=1

Ni

gde je
i2 = D (g(Xi )) =

1
Pi

D (g(Xi ))

P 2 2
i

i=1

Ni

g 2 (x)fX (x)dx
Di

Ii2
.
Pi2

Kada se odaberu podskupovi D1 , D2 , . . . , Dm , treba odabrati obim

m
uzorka Ni koji se uzima u svakoj podoblasti Di , tako da je i=1 Ni = N .
Sledea teorema nam prua optimalan naqin stratifikacije.
54

Teorema 10 Za datu podelu oblasti D, D = m

i=1 Di , minimalna dism
perzija ocene 5 pod uslovom da i=1 Ni = N se java kad je
Pi i
N i = N m
j=1 Pj j
i jednaka je

(m

1
N

)2
Pi i

i=1

Dakle, u ovoj metodi minimalna disperzija ocene se dobija kada su

obimi uzoraka Ni proporcionalni Pi i .
Ova teorema nema direktnu primenu, poxto su obiqno vrednosti i
nepoznate. Uzmimo Ni = Pi N (pod pretpostavkom da se integrali Pi
mogu analitiqki izraqunati).
Stav 3 D(5 ) D(2 ), tj. ako je obim uzorka Ni = N Pi tada je disperzija ocene po metodi stratifikovanog uzorkovaa maa ili jednaka
od disperzije ocene po metodi uzoraqke sredine.

Dokaz: Zamenom Ni = N Pi u izraz za disperziju ocene 5 dobijamo

D(5 ) =

m
1
Pi D (g(Xi )) .
N i=1

Na osnovu Koxi-Xvarcove nejednakosti imamo

(
2

I =

Ii

i=1
m

Ii2
i=1

Dae,

)2

Pi

(
=

I
i
Pi
Pi
i=1

Pi =

i=1

)2

I2
i

i=1

g 2 (x)fX (x)dx
D

i=1

(6)

Pi

Pi D (g(Xi )) =

I2
i

i=1

Pi

xto zajedno sa (6) daje

m

i=1

Pi D (g(Xi ))

g 2 (x)fX (x)dx I 2 = N D(2 ),

D

55

odakle sledi da je D(5 ) D(2 ). .

Specijalno, ako je Pi =

1
m

i Ni =

N
m

dobijamo tzv. sistematsko

uzorkovae.

Algoritam za sistematsko uzorkovae

1. Podeliti interval (0, 1) na m podintervala duine

1
m.

N
2. Generisati {Uki , ki = 1, 2, . . . m
, i = 1, 2, . . . , m} iz U(0, 1).
i1+Uki
, ki
m
1
Xki = F (Yki ).

3. Izraqunati Yki =
4. Izraqunati

N
= 1, 2, . . . m
, i = 1, 2, . . . , m}.

5. Oceniti integral I sa
N

m
m
1
5 =
g(Xki ).
N i=1
ki =1

56

Literatura
1. Gentle, James E.(2005), Random Number Generation and Monte Carlo Methods,
Springer - Verlag, New York, 2005.
2. Jevremovi, Vesna i Jovan Malixi, (2002), Statistiqke metode

u meteorologiji i ineerstvu, Savezni hidrometeoroloxki zavod,

Beograd.
3. Mladenovi, Pavle (1998), Elementaran uvod u verovatnou i
statistiku, Druxtvo matematiqara Srbije, Beograd.
4. Rubinstein, Reuven Y. (1981), Simulation and the Monte Carlo Method, John Wiley
& Sons, New York.
5. Sobol~, I.M. (1973), Qislenn~e metod~ Monte-Karlo, Nauka,

Moskva.

57