1. i dati sono usati direttamente nella simulazione ( trace driver simulation ).

Transcript

1 144 SIMULAZIONE 3.3 SCELTA DELLE DISTRIBUZIONI DI INPUT Per condurre una simulazione di un sistema che presenta elementi stocastici è necessario specificare le distribuzioni di probabilità che regolano i processi che caratterizzano il sistema. Ad esempio nei sistemi di code devono essere note le distribuzioni di probabilità degi tempi di interarrivo e dei tempi di servizio. Una volta stabilite tali distribuzioni la simulazione procede generando valori casuali da queste distribuzioni. Se è possibile raccogliere dati reali sulle variabili aleatorie di interesse, essi possono essere utilizzati per determinare una distribuzione secondo tre metodi: 1. i dati sono usati direttamente nella simulazione ( trace driver simulation ). 2. i dati sono raccolti per generare una distribuzione empirica, ovvero per definire una funzione di distribuzione empirica che verrà usata per produrre l input della simulazione; 3. i dati raccolti sono utilizzati per definire una distribuzione teorica. Vengono utilizzate tecniche statistiche per analizzare se una distribuzione teorica tra quelle note sia adatta a rappresentare i dati, effettuando i test di ipotesi per verificare la rappresentatività della distribuzione ipotizzata (problema del fitting ). Il primo approccio ha senso solamente quando si possono raccogliere grandi quantità di dati rappresentativi del funzionamento del sistema; ha l ovvio difetto di rappresentare il passato ed è usato raramente; può essere utile per effettuare una validazione del modello, ovvero per confrontare il modello con il sistema reale, ma non permette un analisi previsionale. Il secondo approccio elimina questo inconveniente poiché, almeno per distribuzioni continue, può essere ottenuto ogni valore compreso tra il minimo e il massimo osservati. Se si può determinare una distribuzione teorica che si adatta bene ai dati, il terzo approccio è quello preferibile. I motivi per cui una distribuzione teorica in genere è preferibile a una empirica sono i seguenti: le distribuzioni empiriche possono avere irregolarità (specialmente se i dati sono scarsi) mentre le distribuzioni teoriche sono più smooth, nel senso che tendono a regolarizzare i dati e rappresentano un comportamento generale; le distribuzioni empiriche non permettono di generare valori al di fuori del range di valori osservati, mentre le misure di prestazione possono, a volte, dipendere anche da eventi eccezionali che corrispondono a valori fuori da tale range;

2 SCELTA DELLE DISTRIBUZIONI DI INPUT 145 le distribuzioni teoriche sono un modo compatto di rappresentare un insieme di valori, mentre in una distribuzione empirica, se ci sono n dati disponibili, si ha bisogno di 2n valori per rappresentarla: il dato e le corrispondenti probabilità cumulative (si hanno quindi grandi quantità di dati da memorizzare); le distribuzioni teoriche si possono variare più facilmente. Ad esempio se la distribuzione esponenziale degli arrivi di un sistema di code ha media pari a 1/λ = 5, per effettuare una diminuzione del 20% sarà sufficiente considerare 1/λ = 4.9. Tuttavia esistono situazioni in cui nessuna distribuzione teorica si adatta ai dati osservati e allora in questo caso si deve usare una distribuzione empirica. Un difetto dell uso di distribuzioni teoriche sta nel fatto che esse possono generare anche valori molto grandi (anche se con probabilità molto piccole), quando nella pratica questi non vengono mai assunti realmente Distribuzioni empiriche Supponiamo di disporre di n osservazioni X 1,...,X n di una variabile aleatoria e di voler costruire, a partire da esse, una distribuzione continua. Supponiamo di aver ordinato le X i per valori crescenti e sia X (i) l i-esima osservazione in ordine crescente, ovvero risulti X (1) X (2)... X (n). Si può costruire la distribuzione empirica come una distribuzione continua lineare a tratti, così definita: 0 se x < X (1) F(x) = i 1 n 1 + x X (i) (n 1)(X (i+1) X (i) ) se X (i) x < X (i+1), i = 1,...,n 1 1 se X (n) x Si osservi che per ogni i vale F(X (i) ) = i 1 che è approssimativamente (per n n 1 grande) la proporzione delle X i che sono minori di X (i). Esempio Disponendo dei seguenti valori osservati: 1, 0.4, 4, 2, 2.5, 3.6, 3 costruire il grafico della distribuzione empirica. Dopo aver ordinato le osservazioni si ottiene il grafico della F(x) riportato nella Figura Come abbiamo già osservato, uno svantaggio nell utilizzare una distribuzione empirica è che le variabili aleatorie generate da essa durante un esecuzione di una simulazione non possono essere mai più piccole di X (1) o più grandi di X (n).

3 146 SIMULAZIONE Fig Grafico della distribuzione empirica dell Esempio Analogamente si possono costruire distribuzioni empiriche per distribuzioni discrete; infatti, è sufficiente per ogni x definire p(x) come proporzione delle X i che sono uguali ad x Distribuzioni teoriche Distribuzioni Continue Le distribuzioni teoriche continue alle quali si può fare riferimento nella costruzione di un modello di simulazione sono molte. Quelle più comunemente utilizzate sono la distribuzione uniforme, la distribuzione esponenziale, la distribuzione gamma, la distribuzione normale, la distribuzione lognormale, la distribuzione di Weibull, la distribuzione beta, la distribuzione triangolare. In realtà spesso si tratta di famiglie di distribuzioni in quanto sono presenti uno o più parametri che possono essere classificati in: parametro di posizione: specifica un punto del range della distribuzione e una sua variazione provoca solamente una traslazione; parametro di scala: specifica l unità di misura dei valori,

4 SCELTA DELLE DISTRIBUZIONI DI INPUT 147 parametro di forma: specifica l andamento della distribuzione. Distribuzioni Discrete Le distribuzioni teoriche discrete che vengono di solito utilizzate come input di una simulazione sono: la distribuzione uniforme, la distribuzione di Bernoulli, la distribuzione binomiale, la distribuzione geometrica, la distribuzione di Poisson, la distribuzione binomiale negativa. Per una descrizione dettagliata di ogni singola distribuzione di probabilità e delle caratteristiche specifiche, si rimanda ad un qualsiasi testo di Calcolo delle Probabilità Scelta di una distribuzione teorica Determinare quale distribuzione teorica è adatta a rappresentare dei dati è un problema complesso. Un modo efficiente per effettuare questa scelta può essere così schematizzato: Dopo una preliminare verifica dell indipendenza delle osservazioni, si cerca di individuare una o più famiglie di distribuzioni candidate, stimando poi nella fase successiva i parametri di queste distribuzioni. A questo punto è necessario effettuare una verifica della rappresentatività dei dati reali da parte della distribuzioni

5 148 SIMULAZIONE scelta. Se tale verifica non ha successo, è necessario individuare una differente famiglia di distribuzioni ed eventualmente iterare il processo fino a che la verifica è soddisfatta. Indipendenza delle osservazioni Preliminarmente è necessario verificare l indipendenza delle osservazioni in quanto questa è un assunzione essenziale per l utilizzo di tecniche statistiche quali la stima della massima verosimiglianza o il test chi quadro. Un primo strumento di analisi è basato su una tecnica grafica. Siano X 1,...,X n le osservazioni elencate così come sono state osservate nel tempo; un modo possibile per avere un idea informale sull indipendenza consiste nel valutare la correlazione fra diverse osservazioni. Sia n j i=1 (X i X n )(X i+j X n ) ρ j = (n j)s 2 n la stima del coefficiente di correlazione ρ j di X i e X i+j, ovvero di due osservazioni distanti j. Se le osservazioni sono indipendenti allora il coefficiente di correlazione è nullo, cioè ρ j = 0 per ogni j = 1,...,n 1. Tuttavia poiché ρ j è una stima di ρ j, anche nel caso di osservazioni indipendenti ρ j potrebbe essere non nullo. Ci si aspetta, comunque che esso sia prossimo a zero, e quindi possiamo dire che se ρ j è diverso da zero in maniera significativa, allora le X i non sono indipendenti. Ci sono due modi grafici per verificare informalmente se le X i sono indipendenti: il grafico di ρ j al variare di j e il diagramma di dispersione delle osservazioni X 1,...,X n, ovvero le coppie (X i, X i+1 ) con i = 1, 2,...,n 1. In caso di osservazioni indipendenti i punti dovrebbero risultare distribuiti casualmente sul piano, altrimenti, in presenza di correlazioni, essi saranno concentrati intorno a rette. Individuazione di una famiglia di distribuzioni Una volta verificata l indipendenza delle osservazioni, il passo successivo è quello di individuare una distribuzione da scegliere come input della simulazione che sia rappresentativa della variabile aleatoria in ingresso alla simulazione. In una prima fase vorremmo individuare una famiglia generale senza occuparci, per ora, dei suoi parametri. In alcuni casi, quando esiste una conoscenza a priori del fenomeno che la variabile aleatoria rappresenta, essa può essere utilizzata per ottenere la distribuzione. Ciò è fatto su base teorica e non richiede osservazioni. Ad esempio, se supponiamo che dei clienti arrivano ad un sistema di servizio uno alla volta e che il numero dei clienti che arrivano in intervalli disgiunti è indipendente, allora ci sono motivi teorici per assumere che i tempi di interarrivo siano variabili aleatorie indipendenti identicamente distribuite secondo la distribuzione

6 SCELTA DELLE DISTRIBUZIONI DI INPUT 149 esponenziale. Oppure, può anche accadere che la conoscenza a priori permetta solo di escludere alcune distribuzioni. Tuttavia, nella pratica spesso queste informazioni a priori non sono disponibili, o comunque non sufficienti. Quello che si fa più frequentemente è ricorrere a due strumenti di analisi statistica: le statistiche riassuntive delle osservazioni e i grafici dell andamento delle osservazioni. Statistiche riassuntive Dalle osservazioni è possibile ricavare stime di parametri dalle quali cercare di individuare una famiglia di distribuzioni che meglio realizza il fitting dei dati. I parametri che di solito vengono presi in considerazione sono i seguenti: l intervallo [X (1), X (n) ] che ha per estremi il più piccolo e il più grande valore osservati e che approssima il range della distribuzione; la stima della media µ data X n = 1 n X i ; n la stima della mediana data da { X(n+1)/2 se n è dispari [X (n/2) + X ((n/2)+1) ]/2 se n è pari; la stima della varianza σ 2 data da i=1 s 2 n = n (X i X n ) 2 i=1 ; n 1 stime di misure di variabilità: nel caso continuo, la stima del rapporto cv = σ 2 /µ (coefficiente di variazione) data da ĉv = s 2 n/ X n nel caso discreto, la stima del rapporto τ = σ 2 /µ data da τ = s 2 n/ X n la stima del grado di asimmetria ν = E[(X µ)3 ] (σ 2 ) 3/2 n [(X i X n ) 3 ]/n data da ν = i=1 (s 2 n) 3/2. Un confronto tra media e mediana può farci capire se considerare la distribuzione simmetrica o no; questo perché nel caso di distribuzioni continue simmetriche, media e mediana coincidono, come ad esempio nel caso della distribuzione normale (nel caso di distribuzioni discrete questo è vero solo se il numero dei valori distinti che possono essere assunti è pari, altrimenti

7 150 SIMULAZIONE sono solo approssimativamente uguali). È importante tener presente che si hanno solo le stime dei parametri, pertanto anche nel caso di distribuzioni continue simmetriche, stima di media e mediana possono non essere esattamente uguali. Per quanto riguarda la misura di variabilità data nel caso continuo dal rapporto cv, si ha che cv = 1 per la distribuzione esponenziale indipendentemente dal parametro; nel caso discreto si considera invece il rapporto τ e si ha che τ = 1 per la distribuzione di Poisson e τ < 1 per la distribuzione binomiale. Il grado di asimmetria ν vale zero per distribuzioni simmetriche mentre se ν > 0 la distribuzione ha asimmetria verso destra (ν = 2 per la distribuzione esponenziale); se ν < 0 la distribuzione ha asimmetria verso sinistra. Uso di grafici (tecnica dell istogramma) Per distribuzioni continue è molto utile costruire un istogramma di valori assunti dalla variabile aleatoria sulla base delle osservazioni che si hanno a disposizione. Un istogramma può essere considerato una stima grafica del grafico della densità di probabilità corrispondente alla distribuzione dei dati X 1,...,X n. Le funzioni densità di probabilità tipiche hanno forme che in molti casi sono ben riconoscibili e quindi un istogramma può fornire utili indicazioni. Ricordiamo che per costruire un istogramma si suddivide l intervallo formato dal minimo e dal massimo dei valori assunti dai dati, in k intervalli disgiunti adiacenti [b 0, b 1 ), [b 1, b 2 ),...,[b k 1, b k ) di uguale ampiezza b = b i b i 1. Per j = 1, 2,...,k si definisce h j il numero delle osservazioni che cadono nel j-esimo intervallo diviso il numero totale delle osservazioni, ovvero la proporzione delle X i contenute nel j- esimo intervallo [b j 1, b j ). Si definisce la funzione 0 se x < b 0 h(x) = h j se b j 1 x < b j, j = 1, 2,...,k 0 se x b k. Il grafico di h(x) è costante a tratti e può fornire una buona indicazione sul tipo di distribuzione che ha la variabile aleatoria in questione, confrontandolo con i grafici delle densità di probabilità ignorando, per il momento, posizione e scala, ma considerando solo la forma. Mostriamo ora le motivazioni che sono alla base del fatto che la forma di h(x) dovrebbe somigliare alla densità di probabilità f dei dati. A questo

8 SCELTA DELLE DISTRIBUZIONI DI INPUT 151 scopo, sia X una variabile aleatoria con densità di probabilità data da f. Allora per ogni j fissato (j = 1, 2,...,k), applicando il teorema della media si ha P(b j 1 X b j ) = bj b j 1 f(x)dx = b f(y) per qualche y (b j 1, b j ). D altra parte h j approssima P(b j 1 X b j ) che è il valore di h(y) perché h(x) = h j per ogni x [b j i, b j ); si ha dunque: h(y) = h j bf(y). Quindi, h(y) è approssimativamente proporzionale a f(y), ovvero h e f hanno approssimativamente forma simile. Una difficoltà è data dall assenza di criteri generali per scegliere k. C è una regola detta regola di Sturges che suggerisce di scegliere k = 1 + log 2 n. Regola di Tale regola non è però utile in generale e si raccomanda piuttosto di provare Sturges differenti valori di b e scegliere il più piccolo che fornisce un istogramma smooth. La scelta di b è problematica in genere; infatti se si sceglie troppo piccolo, l istogramma sarà molto poco uniforme (frastagliato); se si sceglie troppo grande l istogramma può avere una forma a blocchi e il vero andamento della densità che stiamo cercando sarà mascherata in quanto i dati sono sovraggregati. Nel caso di variabili discrete si può ugualmente rappresentare la distribuzione di probabilità usando un istogramma; per ogni valore x j che può essere assunto dai dati, sia h j = n j /n dove n j è il numero delle occorrenze di tali valori, ovvero h j è la proporzione delle X i che sono uguali a x j. Si tracciano poi le barre verticali di altezza h j in corrispondenza di x j. Stima dei parametri Dopo aver individuato una o più famiglie di distribuzioni candidate a rappresentare i dati osservati, è necessario determinare i parametri di queste distribuzioni in modo che siano completamente definite e utilizzabili in ingresso ad una simulazione. Gli stessi dati utilizzati per individuare le famiglie di distribuzioni sono utilizzati per stimare i loro parametri. La stima dei parametri è stata trattata nel paragrafo dove, tra tutti i possibili metodi per la stima, è stato considerato lo stimatore di massima verosimiglianza (Maximum Likelihood Estimator) che è molto utilizzato in pratica.

9 152 SIMULAZIONE Verifica della rappresentatività della distribuzione di probabilità Dopo aver individuato una o più distribuzioni di probabilità candidate e i relativi parametri, si devono esaminare queste distribuzioni di probabilità per verificare se esse rappresentano bene i dati osservati. A tale scopo, si utilizzano di solito procedure euristiche basate su confronti grafici e test statistici. Procedure grafiche Per distribuzioni continue, si confronta l istogramma dei dati con il grafico della densità di probabilità della distribuzione di probabilità ipotizzata, oppure, per distribuzioni discrete, si confronta l istogramma con la funzione p(x) della distribuzione ipotizzata. Un altro possibile confronto è tra il grafico della distribuzione empirica e il grafico della funzione di distribuzione della distribuzione ipotizzata. Test statistici Come ampiamente discusso nel paragrafo 3.2.3, possono essere utilizzati i test delle ipotesi per verificare se le osservazioni X 1,...,X n sono un campione indipendente di una particolare distribuzione di probabilità con funzione di distribuzione F. I due test trattati (Chi quadro e Kolmogorov Smirnov) sono adatti al caso che stiamo esaminando anche se, come già visto, essi presentano le loro limitazioni intrinseche Scelta delle distribuzioni di input in assenza di dati In alcuni casi, nella pratica, può accadere che non sia possibile raccogliere dati sul funzionamente del sistema che si vuole studiare perchè esso è ancora in fase di progettazione e quindi non ancora esistente. In questi casi non sono quindi disponibili dati da utilizzare per selezionare una distribuzione di input ad una simulazione e quindi non sono applicabili le tecniche viste fino ad ora. Senza entra nei dettagli, osserviamo solamente che sarà necessario far ricorso a procedure euristiche che si basano sulla natura del sistema, sul ricorso a persone esperte di sistemi della tipologia di interesse, sulle limitazioni fisiche o convenzionali del processo in esame.

10 GENERAZIONE DI OSSERVAZIONI CASUALI GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali di variabili aleatorie distribuite secondo particolari distribuzioni di probabilità. Ad esempio, nel simulare un sistema di code M/M/1 si avrà bisogno di generare i tempi di interarrivo in accordo alla distribuzione esponenziale e così anche per i tempi di servizio. Un esempio banale di ciò è stato mostrato alla pagina 119, dove nell effettuare una semplice esemplificazione di una simulazione abbiamo avuto bisogno delle due liste di valori generati casualmente dalle distribuzioni corrispondenti. Ogni metodo per generare osservazioni casuali da distribuzioni fissate utilizza variabili indipendenti identicamente distribuite secondo la distribuzione uniforme in [0, 1) (che indichiamo con U(0, 1)), nel senso che costruisce le osservazioni casuali desiderate a partire da numeri casuali generati uniformemente in [0, 1) attraverso opportune trasformazioni. Quindi preliminarmente analizziamo brevemente nel prossimo paragrafo la generazione di numeri casuali con distribuzione uniforme e nel paragrafo successivo studieremo come generare osservazioni casuali secondo distribuzioni fissate a partire dalla distribuzione U(0, 1) Generazione di numeri pseudocasuali con distribuzione uniforme In generale, per generare successioni di numeri casuali si potrebbero utilizzare metodi quali il lancio dei dadi, l estrazione da urne, ma ovviamente questi metodi non sono utilizzabili nella simulazione dove è necessario generare lunghe successioni di numeri casuali in tempi molto brevi. Attualmente per generare successioni di numeri casuali si ricorre all uso del calcolatore e in realtà quello che si fa è la generazione deterministica di successioni di numeri aventi proprietà statistiche che approssimano molto bene quelle di successioni veramente casuali e che ad un analisi statistica risultano indistinguibili da successioni di numeri casuali. I Numeri numeri determinati con questa procedura si chiamano numeri pseudocasuali. pseudocasuali Per generare numeri pseudocasuali con distribuzione uniforme esistono diversi metodi; i più utilizzati sono i generatori congruenziali lineari. In questi metodi Generatori una successione di numeri interi Z i viene definita dalla seguente formula ricorsiva congruenziali lineari Z i+1 = az i + c ( mod m ) dove a si chiama moltiplicatore e c viene detto incremento 4. Il termine Z 0 si chiama seme. Il generatore si dice moltiplicativo se c = 0. Quindi vengono generati al più m numeri interi Z i distinti con 0 Z i m 1. Per ottenere numeri casuali U i in [0, 1) è sufficiente definire U i = Z i /m. 4 La notazione mod m indica la congruenza modulo m, ovvero il resto della divisione per m

11 154 SIMULAZIONE Esempio Vediamo un esempio di generatore moltiplicativo (c = 0). Prendiamo a = 3, Z 0 = 3 e m = 7. Si ottiene Z 1 = 9 ( mod 7 ) = 2 Z 2 = 6 ( mod 7 ) = 6 Z 3 = 18 ( mod 7 ) = 4 Z 4 = 12 ( mod 7 ) = 5 Z 5 = 15 ( mod 7 ) = 1 Z 6 = 3 ( mod 7 ) = 3 Z 7 = 9 ( mod 7 ) = 2 Periodo pieno Naturalmente la successione è periodica di periodo al più pari ad m. Se un generatore ha periodo pari ad m, ovvero il periodo massimo, si dice che il generatore ha periodo pieno e, in questo caso, ogni scelta del seme Z 0 porterà alla generazione dell intero ciclo di valori da 0 a m 1. Se invece un generatore non ha periodo pieno allora la lunghezza del ciclo può dipendere dal particolare valore del seme Z 0. È importante avere periodo lungo o, ancora meglio, periodo pieno in modo che vengono generati tutti gli interi tra 0 e m 1 ed inoltre essi appariranno esattamente una volta ogni ciclo e questo contribuisce all uniformità delle U i. Il teorema che segue riporta le condizioni che devono essere soddisfatte dai parametri m, a e c affinché il generatore abbia periodo pieno. Teorema Un generatore congruenziale lineare ha periodo pieno se e solo se sono soddisfatte le seguenti condizioni: i) m e c sono primi tra loro; ii) se q è un numero primo che divide m, allora q divide a 1; iii) se 4 divide m, allora 4 divide a 1. È obiezione comune a tutti i generatori pseudo random il fatto che le Z i non sono realmente casuali, ma ogni Z i è completamente determinata dai quattro parametri m, a, c e Z 0. Tuttavia, un attenta scelta di questi parametri induce le Z i ad assumere valori tali che le U i corrispondenti siano indipendenti identicamente distribuite secondo la distribuzione uniforme in [0, 1). Un altra obiezione riguarda il fatto che, ovviamente ogni numero reale nell intervallo [0, 1) dovrà avere la stessa probabilità di essere generato, mentre le U i assumono solamente valori razionali. A questo inconveniente si può ovviare scegliendo m molto grande (m 10 9 ) in modo che i numeri generati U i costituiscono un sottoinsieme denso dell intervallo [0, 1). Nei linguaggi di programmazione sono di solito disponibili generatori di numeri pseudocasuali ed esistono metodi statistici per valutarne la qualità.

12 GENERAZIONE DI OSSERVAZIONI CASUALI 155 Tra tutti i generatori di numeri pseudocasuali basati su metodi congruenziali moltiplicativi, nel caso di computer a 32 bit, il più utilizzato è il generatore di Learmouth Lewis dato da c = 0, a = 7 5 e m = Generazione di osservazioni casuali da una distribuzione di probabilità Esaminiamo ora come, a partire da numeri casuali uniformemente distribuiti in [0, 1) sia possibile generare osservazioni da una fissata distribuzione di probabilità. Per questo scopo sono state introdotte molte tecniche. Ci limitiamo nel seguito a considerarne due tra le più utilizzate: il metodo della trasformazione inversa e il metodo dell accettazione reiezione. Metodo della trasformazione inversa È un metodo per generare osservazioni da una distribuzione di probabilità. Il metodo si basa sul seguente risultato teorico [Ross, 2003a] valido nel caso di distribuzioni continue: Proposizione Sia U una variabile aleatoria uniforme in [0, 1). Allora per ogni funzione di distribuzione continua F, la variabile aleatoria ha funzione di distribuzione F. X = F 1 (U) Dimostrazione: Sia F X la funzione di distribuzione della variabile aleatoria X. Quindi, per ogni y risulta ( ) F X (y) = P (X y) = P F 1 (U) y. Poiché F(x) è una funzione di distribuzione, essa è monotona crescente e quindi si ha che F 1 (U) y se e solo se U F(y). Quindi, poichè U ha distribuzione uniforme, si ha F X (y) = P (U F(y)) = F(y), ovvero F è la funzione di distribuzione della X. Quindi, sulla base di questo risultato, data una distribuzione di probabilità con funzione di distribuzione F, a partire dalla distribuzione uniforme in [0, 1) possiamo costruire una variabile aleatoria la cui funzione di distribuzione è F. Osservazione Nel caso in cui la funzione F non è strettamente monotona, non è possibile definire la sua invera; in questi casi, si può utilizzare la funzione

13 156 SIMULAZIONE pseudoinversa data da F 1 (x) = inf {y IR x F(y)}. Esempio Supponiamo di voler costruire una successione di numeri pseudocasuali come osservazioni dalla distribuzione esponenziale, ovvero con funzione di distribuzione F(x) = 1 e λx. Innanzitutto determiniamo F 1 : da u = F(x) = 1 e λx si ricava x = 1/λln(1 u), ovvero F 1 (u) = 1 ln(1 u). λ Quindi se U è una variabile aleatoria uniformemente distribuita in [0, 1), X = F 1 (U) = 1 ln(1 U) (3.4.1) λ è una variabile aleatoria con distribuzione esponenziale con media 1/λ. Quindi, data una successione di numeri pseudocasuali con distribuzione uniforme in [0, 1), dalla (3.4.1) possiamo ottenere una successione di numeri pseudocasuali con distribuzione esponenziale. Osservazione È importante osservare che se una variabile aleatoria U ha distribuzione uniforme in [0, 1), anche 1 U ha distribuzione uniforme in [0, 1) e quindi nella (3.4.1) si può sostituire nell argomento del logaritmo (1 U) con U. Tuttavia, come vedremo nel seguito nel paragrafo sulle tecniche per la riduzione della varianza, questo cambiamento potrebbe indurre un cambiamento nella correlazione delle variabili X generate. Esempio Utilizzando quanto ricavato nel precedente Esempio si può ottenere la generazione di osservazioni casuali dalla distribuzione di Erlang. Infatti sappiamo che la somma di k variabili aleatorie indipendenti identicamente distribuite secondo la distribuzione esponenziale, ciascuna con media 1/(kµ) ha distribuzione di Erlang di parametro k e media 1/µ. Quindi avendo una successione di numeri uniformemente distribuiti in [0, 1), u 1,..., u k, le osservazioni dalla distribuzione di Erlang possono essere ottenute da x = k i=1 ln(1 u i) kµ che è equivalente a [ k ] x = 1 kµ ln (1 u i). i=1 Il metodo della trasformazione inversa può essere esteso ed utilizzato anche nel caso di distribuzioni discrete, ovvero quando si assume che la variabile X sia una variabile aleatoria discreta. In questo caso, naturalmente si ha F(x) = P (X x) = p(x i ), x i x

14 GENERAZIONE DI OSSERVAZIONI CASUALI 157 dove p(x i ) = P (X = x i ). Supponiamo quindi che X assuma i valori x 1, x 2,... e supponiamo che essi siano ordinati, ovvero x 1 < x 2 <. Data una variabile U uniformemente distribuita in [0, 1) si definisce la variabile X nel seguente modo: si determina il più piccolo intero positivo k tale che U F(x k) e si pone X = x k. Dobbiamo ora dimostrare che effettivamente la X così generata è quella desiderata, ovvero che risulta P (X = x i ) = p(x i ) per ogni i. Infatti si ha: per i = 1 risulta X = x 1 se e solo se U F(x 1 ), ma F(x 1 ) = p(x 1 ) perché le x i sono ordinate. Ora, poiché la U è uniformemente distribuita in [0, 1), si ha P (X = x 1 ) = P (U F(x 1 )) = F(x 1 ) = p(x 1 ) per i 2 risulta X = x i se e solo se F(x i 1 ) < U F(x i ) per come è scelto i. Inoltre, poché la U è uniformemente distribuita in [0, 1) si ha P (X = x i ) = P (F(x i 1 ) < U F(x i )) = F(x i ) F(x i 1 ) = p(x i ) Il metodo della trasformazione inversa nel caso discreto ha una giustificazione molto intuitiva: si divide l intervallo [0, 1) in sottointervalli contigui di ampiezza p(x 1 ), p(x 2 ),... e si assegna X a seconda del fatto che questi intervalli contengano la U che è stata generata. Metodo dell accettazione reiezione Il metodo della trasformazione inversa è basato sul cacolo della trasformazione inversa F 1 che non sempre può essere calcolata o comunque non in maniera efficiente. Per questa ragione sono stati sviluppati altri metodi fra i quali il metodo che esaminiamo in questo paragrafo detto acceptance rejection o anche metodo del rigetto. Consideriamo il caso continuo e supponiamo di voler generare osservazioni casuali da una distribuzione di probabilità avente funzione di distribuzione F e densità di probabilità f (il caso discreto si tratta in maniera del tutto analoga). Supponiamo di disporre di un metodo per generare osservazioni casuali da una variabile aleatoria Y avente per densità di probabilità una funzione g(x). Il metodo accettazione reiezione utilizza queste osservazioni per generare osservazioni casuali dalla distribuzione di probabilità avente per densità di probabilità la funzione f(x). In particolare, si generano osservazioni casuali della variabile aleatoria Y e poi si accettano o si rifiutano queste osservazioni come osservazioni casuali delle distribuzione con densità data dalla f con una probabilità proporzionale al rapporto f(y )/g(y ). Più in dettaglio, sia c una costante tale che f(y) g(y) c, per ogni y. Il metodo si può schematizzare nel seguente modo:

15 158 SIMULAZIONE Passo 1: si genera un osservazione casuale della variabile aleatoria Y e si genera un numero casuale U dalla distribuzione uniforme in [0, 1); Passo 2: se U f(y ) allora si pone X = Y e STOP cg(y ) altrimenti si torna al Passo 1. Le generazione viene quindi effettuata mediante un algoritmo iterativo che ad ogni passo genera un coppia di osservazioni casuali (Y, U) e si arresta quando è soddisfatta la diseguaglianza U f(y ), accettando il valore di Y come osservazione casuale della cg(y ) X. Si può dimostrare [Ross, 2003a] che la variabile aleatoria X le cui osservazioni casuali sono generate con il metodo accettazione reiezione ha la densità di probabilità voluta, ovvero vale la seguente proposizione. Proposizione La variabile aleatoria X generata con il metodo accettazione reiezione ha densità di probabilità f. Esempio Applichiamo il metodo dell accettazione reiezione per generare osservazioni casuali da una variabile aleatoria avente densità di probabilità f(x) = 20x(1 x) 3, 0 < x < 1 (si tratta della distribuzione beta con parametri 2 e 4). Innanzitutto dobbiamo scegliere la funzione g(x): in questo una scelta di una funzione molto semplice è g(x) = 1, 0 < x < 1, ovvero si sceglie la distribuzione uniforme. Ora si deve determinare una costante c tale che risultif(x)/g(x) c per ogni x. Naturalmente, in questo caso si può determinare facilmente c massimizzando la funzione f(x)/g(x); poiché la derivata prima di f(x)/g(x) si annulla in x = 1/4 e la derivata seconda in questo punto è negativa, il punto x è un punto di massimo per la funzione f(x)/g(x) e risulta f(x) g(x) = c, e quindi il test diventa U 256/27x(1 x) 3. Quindi il metodo in questo caso può essere così realizzato: Passo 1: si generano osservazioni casuali U 1 e U 2 dalla distribuzione uniforme in [0, 1); Passo 2: se U U1(1 U1)3 allora si pone X = U 1 e STOP, altrimenti si torna al Passo 1.