Você está na página 1de 30

PROBABILIDADE, VARIVEIS ALEATRIAS, DISTRIBUIO DE PROBABILIDADES E GERAO ALEATRIA

Conceitos sob a tica de Avaliao de Desempenho de Sistemas

Marcos Portnoi

Edio 26.6.2010

Universidade Salvador UNIFACS 2005

2/30

Lista de Figuras

Figura 1: Viso Sistmica da Estatstica. .................................................................................. 5 Figura 2: Probabilidade combinada de eventos. Para a probabilidade de E ou F, os eventos ambos simultaneamente tm de ser subtrados. .......................................................................... 7 Figura 3: Mapeamento de eventos em nmeros reais................................................................ 9 Figura 4: Espao amostral do lanamento de duas moedas. ................................................... 10 Figura 5: Grficos da pmf e CDF. ........................................................................................... 12 Figura 6: Espao amostral nmero de chamadas que chegaram a uma central telefnica num tempo t. ................................................................................................................................... 16 Figura 7: Grficos para as Distribuies de Poisson, com vrias mdias diferentes............... 17 Figura 8: Relao entre chegadas e tempos de interchegada................................................... 19 Figura 9: Grficos da pdf e CDF para distribuio exponencial. ............................................ 20 Figura 10: Tamanho do ciclo, tamanho da cauda e perodo de um gerador de nmeros aleatrios................................................................................................................................... 24 Figura 11: Transformao inversa da CDF. ............................................................................ 25 Figura 12: Grfico representativo da simulao. ..................................................................... 28

3/30

Lista de Tabelas

Tabela 1: Resultados do experimento "lanamento de duas moedas"..................................... 10 Tabela 2: Probabilidade de ocorrncia dos resultados do lanamento de duas moedas. ......... 10 Tabela 3: Varivel aleatria "nmero de caras" no lanamento de duas moedas. .................. 11 Tabela 4: Probabilidade relacionada varivel aleatria "nmero de caras".......................... 11 Tabela 5: Resumo das caractersticas da Distribuio de Poisson. ......................................... 17 Tabela 6: Resumo das caractersticas da Distribuio Exponencial com parmetro UT/evento. .................................................................................................................................................. 20 Tabela 7: Resumo das caractersticas da Distribuio Exponencial com parmetro evento/UT. .................................................................................................................................................. 20 Tabela 8: Clculo de valores para as variveis aleatrias, usando Transformao Inversa. ... 28

4/30

Sumrio
Introduo ............................................................................................................................... 5 Estatstica e Probabilidade ...................................................................................................... 5 Viso Sistmica da Estatstica ............................................................................................ 5 Definies Bsicas.............................................................................................................. 6 Axiomas da Probabilidade .................................................................................................. 6 Combinao de Eventos ..................................................................................................... 6 Regras ............................................................................................................................. 7 Probabilidade Condicional ............................................................................................. 7 Regras da Multiplicao ................................................................................................. 8 Varivel Aleatria............................................................................................................... 8 Definio ........................................................................................................................ 8 Expressando em Nmeros os Resultados do Experimento ............................................ 9 A Funo Varivel Aleatria ...................................................................................... 9 Exemplo de V.A.: Lanamento de duas moedas ......................................................... 10 Formalizao ................................................................................................................ 12 Questes ....................................................................................................................... 12 Tipos de Variveis Aleatrias ...................................................................................... 13 Exerccio ........................................................................................................................... 14 Soluo ......................................................................................................................... 14 Classificao das Distribuies de Probabilidades............................................................... 15 Modelos Matemticos que Representam Distribuies de Probabilidades .......................... 15 Conceito introdutrio.................................................................................................... 15 O Modelo de Poisson............................................................................................................ 16 Exerccio ........................................................................................................................... 18 Soluo ......................................................................................................................... 18 O Modelo Exponencial ......................................................................................................... 19 Exerccio ........................................................................................................................... 21 Soluo ......................................................................................................................... 21 Gerao de Nmeros Aleatrios ........................................................................................... 22 Gerador de Nmeros Aleatrios ....................................................................................... 22 Semente ........................................................................................................................ 23 Nmeros Pseudo-Aleatrios ......................................................................................... 23 Tamanho do Ciclo, Cauda (Tail) e Perodo .................................................................. 23 Propriedades Desejadas de uma Funo Geradora de Nmeros Aleatrios ................. 24 Gerao de Variveis Aleatrias Randomicamente ............................................................. 25 Transformao Inversa ..................................................................................................... 25 Gerao de Valores Exponencialmente Distribudos ................................................... 25 Uso da Tcnica em Simulao ..................................................................................... 26 Exerccio ........................................................................................................................... 27 Soluo ......................................................................................................................... 27 Referncias ........................................................................................................................... 30

5/30 0

Intr roduo
Este documento o apresenta a uma rev viso de co onceitos de e probabilidade, distr ribuio de e abilidades (especificam ( mente para as distribu uies de Po oisson e Ex xponencial) ) e tambm m proba gera o randm mica de vari veis aleatrias, basead das nos inve ersos das dis stribuies. O foco do o estud do a Avali iao de De esempenho de d Sistemas s.

Esta tatstica e Probab bilidade


Vis o Sistm mica da Estatstica a
A Fig gura 1 traz uma u sntese e de conceit tos relaciona ados Estat tstica.

Figura 1: Viso Sistm mica da Estat stica.

1 1. Objetivo o: a partir de valores obtidos em m uma amo ostra, descre eve-se esta e deseja-se e caracteri izar a popul lao como um todo ge eneralizando o observa es da amos stra. 2 2. Estatsti ica Descrit tiva: parte da estatsti ica que descreve os as spectos imp portantes de e um conju unto de cara actersticas observadas. 3 3. Infernc cia Estats stica: par rte da esta atstica que e usa uma a amostra para fazer r generaliz zaes a res speito de asp pectos impo ortantes de uma u popula ao. 4 4. Probabi ilidade: n mero que indica i a cha ance (possib bilidade) de e determina ada situao o acontece er.

6/30

Definies Bsicas
Um experimento aleatrio () o processo de se observar o resultado de um evento no determinstico. Ex.: jogada de um dado ou uma moeda. Resultados elementares so todos os possveis resultados de um experimento aleatrio. Ex.: para jogada de um dado, os resultados possveis so 1, 2, 3, 4, 5, 6. Para a jogada de uma moeda, os resultados possveis so CARA e COROA. Para duas moedas, os resultados possveis so CARA-CARA, CARA-COROA, COROA-CARA, COROACOROA. O espao amostral {S} o conjunto de todos os resultados elementares. Ex.: para a jogada de um dado, o espao amostral S = {1, 2, 3, 4, 5, 6}. Para a jogada de uma moeda, o espao amostral S = {CARA, COROA}. Um evento A (relativo a um espao amostral S particular, associado a um experimento ) simplesmente um conjunto de resultados possveis, ou um conjunto de um grupo de resultados. Ex.: Para o experimento jogada de dois dados, o espao amostral S ser igual a todos os resultados possveis. S = {(1,1), (1,2), (1,3), (1,4), ..., (6,6)}. Se estivermos interessados no resultado 7 a partir da jogada de dois dados, teremos como possibilidades A = {(1,6), (2,5), (3, 4), (4,3), (5,2), (6,1)}. O conjunto A chamado de evento obter 7 da jogada de dois dados. A S

Axiomas da Probabilidade
Seja: um experimento S o espao amostral deste experimento

A cada evento A, associa-se um nmero real representado por P(A). Denomina-se P(A) a probabilidade de A, e satisfazem-se as seguintes propriedades:
0 P ( A) 1 P( S ) = 1

(1)

Combinao de Eventos
Dado dois eventos E e F, pode-se obter novos eventos: E e F: ocorrncia de ambos eventos; E ou F: ocorrncia de pelo menos um dos eventos; no E: o evento E no ocorre.

7/30 0

Regr ras Adi o: P(E ou F) F = P(E) + P(F) P(E e F)

pr reciso elimi inar as oco orrncias de d ambos os o eventos simultaneam s mente, caso o contrrio o conta ar-se- este es eventos duas d vezes (uma (u vez par ra a contag gem do conj junto E, out tra vez para a a con ntagem do conjunto c F) (Figura 2).

Fi igura 2: Probabilidade co ombinada de eventos. Par ra a probabil lidade de E ou F, os evento os ambos d ser subtra ados. simultaneamente tm de

Se E e F forem m eventos in ndependente es, ento P( (E ou F) = P(E) + P(F F) (pois P(E E e F) = 0). . Exem mplo: Prob babilidade de d se obter o total 5 ou o o total 7 na jogada a de dois dados. d A= {(1,4 4), (1,6), (2, ,3), (2,5), ... .}. O event to obter 5 independen nte do even nto obter 7, pois ambos s no podem oc correr ao mesmo m tem mpo em u uma nica jogada de e dados (m mutuamente e udentes). exclu Subtr rao: P(E) = 1 P(no E) )

Prob babilidade Condiciona C al A pr robabilidad de condicio onal de um m evento E, E dado qu ue ocorreu um evento F, ou a proba abilidade co ondicional de d E dado F, F represen ntada simbo olicamente por: p P( E | F ) = P( E F ) P( F ) (2) )

Ex.: Calcular P(E|F) E: event to obter o total t 8 com um par de dados F: event to obter 5 na n jogada do d primeiro dado

8/30

Soluo: Nmero de elementos do espao amostral = 6 x 6 = 36. P(F) = 1/6.


E F = evento obter 5 na primeira jogada e o total 8. S pode ocorrer se se obtiver o par (5,3). Logo, P(E e F) = 1/36.

P( E | F ) =

1 36 = 6 / 36 = 1 / 6 16

Regras da Multiplicao P(E e F) = P(E|F) . P(F) P(E e F) = P(F|E) . P(E)

Se E e F forem eventos independentes, ento P(E e F) = P(E).P(F). Exemplo: Probabilidade de se obter 5 na primeira jogada de um dado e um 3 na segunda jogada. O evento obter 5 independente do evento obter 3, pois a ocorrncia de um evento nada garante ou informa para a ocorrncia do outro evento. Ento: P(E|F) = 1/6 (no importa que F aconteceu) = P(E) (definio formal para eventos independentes) Donde vem que, se E e F so independentes, ento P(E|F) = P(E) (definio formal) e P(E e F) = P(E|F) . P(F) = P(E) . P(F)

Varivel Aleatria
Definio Regra que atribui um valor numrico a cada possvel resultado de um experimento. A Figura 3 ilustra o processo.

9/30

Figura 3: Mapeamento de eventos em nmeros reais.

Expressando em Nmeros os Resultados do Experimento Em alguns experimentos, os resultados elementares podem ter uma representao simblica, no numrica. Ex.: para a jogada de uma moeda, os resultados podem ser CARA (H) ou COROA (T). Gera-se uma dificuldade em se tratar aspectos relacionados aos eventos, como por exemplo as probabilidades em forma de grficos e eventos do tipo nmero de caras em 3 jogadas de uma moeda, j que os experimentos so representados por smbolos.

A Funo Varivel Aleatria Seja X um valor numrico, cujo valor depende do resultado do experimento. Se X associa um resultado a um nmero, ento X uma funo cujo domnio o conjunto de resultados e cuja imagem o conjunto dos nmeros reais. Essa funo X conhecida pelo nome de Varivel Aleatria. Desta forma, pode-se escrever os resultados de um experimento aleatrio atravs de nmeros, ao invs de palavras ou smbolos, possibilitando um tratamento matemtico facilitado. Em outras palavras, a varivel aleatria traduz o resultado do experimento em nmeros reais. No clculo de probabilidades, estudam-se as V.A.s (Variveis Aleatrias) e calculamse as probabilidades associadas a elas. Uma medida de probabilidade associada ao espao amostral por meio de uma varivel aleatria X. A medida pode ser um nmero, uma rea, um volume. Na Estatstica Descritiva, constri-se uma Tabela de Freqncia, na qual uma freqncia absoluta (e tambm uma freqncia relativa) associada a cada valor (ver exemplo das duas moedas, adiante). Pode-se fazer o mesmo com o clculo de probabilidades, originando uma tabela que associa a cada valor, sua probabilidade de ocorrncia. Esta tabela denominada Distribuio de Probabilidade.

10/30

Exemplo de V.A.: Lanamento de duas moedas Seja o lanamento de duas moedas simultaneamente. Os resultados elementares deste experimento podem ser listados na Tabela 1 adiante (toma-se cara como H e coroa como T, de head e tail, respectivamente).
Tabela 1: Resultados do experimento "lanamento de duas moedas".

Resultado cara-cara cara-coroa coroa-cara coroa-coroa

Smbolo HH HT TH TT

O espao amostral representado conforme a Figura 4.

HT HH TT TH

Figura 4: Espao amostral do lanamento de duas moedas.

Pode-se estabelecer a probabilidade de ocorrncia dos eventos, conforme a Tabela 2.

Tabela 2: Probabilidade de ocorrncia dos resultados do lanamento de duas moedas.

Resultado cara-cara cara-coroa coroa-cara coroa-coroa

Smbolo HH HT TH TT

Probabilidade de Ocorrncia 0,25 0,25 0,25 0,25

Questo: Como transformar a representao simblica destes eventos em nmeros reais? Defina-se a varivel aletoria X que representa o nmero de caras do experimento. A Tabela 3 mostra os valores tomados por X, de acordo com os resultados.

11/30

Tabela 3: Varivel aleatria "nmero de caras" no lanamento de duas moedas.

Resultado HH HT TH TT

X = nmero de caras 2 1 1 0

A varivel aleatria X pode, portanto, assumir os valores 0, 1 e 2. A probabilidade associada ao valor de X=0 0,25, de X=1 0,25 + 0,25 (pois concentra as possibilidades CARACOROA ou COROA-CARA), e de X=2 0,25. Agora, constri-se a tabela de probabilidades para X (Tabela 4).

Tabela 4: Probabilidade relacionada varivel aleatria "nmero de caras".

x 0 1 2

P(X = x) =0,25 +==0,5 =0,25 =1

Pode-se construir um grfico (Figura 5) relacionando a probabilidade acumulada com os valores de X. A funo correspondente, F(x), conhecida como Funo Distribuio de Probabilidade, ou PDF (Probability Distribution Function), ou ainda, Funo Distribuiao Acumulada, ou CDF (Cumulative Distribution Function). A funo que associa as probabilidades a cada valor individual de X, f(x), conhecida como Funo Massa de Probabilidade, ou pmf (Probability Mass Function), que s definida para valores discretos. Para valores contnuos, f(x) conhecida como Funo Densidade de Probabilidade, ou pdf (Probability Density Function). Notar que est funo escrita pdf em letras minsculas, em contraste com a PDF definida anteriormente. Neste documento, prefere-se o uso da CDF para se referir funo distribuio acumulada, de modo a evitar ambiguidades com a funo densidade de probabilidade.

12/30

x P(X=x) F(x) 0 0.25 0.25 1 0.5 0.75 2 0.25 1

Histograma: Funo Massa de Probabilidade (pmf)


0.5

Funo Distribuio Acumulada (CDF)

1 1

0.4

0.8

0.75

P(X=x)

0.2

F(x)

0.25

0.25

0.6

0.4 0.25 0.2

0 0 1
valores x

1 valores x

Figura 5: Grficos da pmf e CDF.

Formalizao Levantados os resultados possveis da V.A., os valores numricos da V.A. so denotados por letras minsculas: x1, x2, x3, ..., xn. Desse modo, para uma varivel aleatria X, que assume os valores x1, x2, x3, ..., xn, define-se uma funo de probabilidade p(xi) que tem as seguintes propriedades: o
p ( xi ) 0 , para todo i, onde p(xi) a probabilidade associada a X=xi, ou seja, a probabilidade de ocorrncia de um determinado resultado da V.A..

p( x ) = 1
i i

Se a distribuio de probabilidades de uma V.A. explicitamente conhecida, ento todo o resumo estatstico (mdia, desvio padro, etc.) tambm ser conhecido.

Questes

1. possvel que o prprio resultado do experimento j possa ser expresso como uma V.A.? Sim. Exemplo, V.A. resultado da jogada de um dado. 2. Pode-se a um experimento associar-se mais de uma V.A.? Sim. Por exemplo, no caso das moedas, seja Y uma V.A. que representa o nmero de coroas.

13/30

Tipos de Variveis Aleatrias

Diz-se que uma varivel aleatria discreta se todos os seus valores podem ser listados, e estes valores pertencem a um conjunto finito ou infinito, numervel. Exemplo: nmero de chegadas a uma fila, nmero de caras em uma jogada de duas moedas, resultado da jogada de um dado. Uma V.A. contnua se os seus valores no podem ser listados, mas podem assumir um nmero infinito de valores em um intervalo finito ou infinito. Exemplo: intervalo de tempo entre chegadas, altura de pessoas em uma sala. O exerccio com teste de celulares a seguir exemplifica o levantamento de resultados elementares, definio de uma varivel aleatria e a construo das funes pmf e CDF. Formalizao da CDF:
F (t ) = P( X t ) F (t ) = P( X t ) F (t ) = p ( xi )
i t i

(3)

14/30

Exerccio
Seja um sistema de teste de celulares. Cada celular tem 80% de chance de ser reprovado em um teste. Em um experimento, trs equipamentos so testados. Supondo que cada equipamento independente do outro, estabelea a distribuio de probabilidade do nmero X de equipamentos que so reprovados, e tambm a funo distribuio de probabilidade acumulada (CDF).
Soluo Resultado Elementar 000 001 010 100 110 101 011 111 Resultado Elementar 000 001 010 100 110 101 011 111 t 0 1 2 3 Total P(X=t) 0,008 0,096 0,384 0,512 1 X 0 1 1 1 2 2 2 3 X 0 1 1 1 2 2 2 3

0 passar no teste 1 reprovar no teste

Probabilidade 0,2 x 0,2 x 0,2 = 0,008 0,2 x 0,2 x 0,8 = 0,032 0,2 x 0,8 x 0,2 = 0,032 0,8 x 0,2 x 0,2 = 0,032 0,8 x 0,8 x 0,2 = 0,128 0,8 x 0,2 x 0,8 = 0,128 0,2 x 0,8 x 0,8 = 0,128 0,8 x 0,8 x 0,8 = 0,512 F(t) 0,008 0,104 0,488 1

15/30

Classificao das Distribuies de Probabilidades


A Funo Distribuio Acumulada ou Funo Distribuio de Probabilidade (CDF Cumulative Distribution Function ou PDF Probability Distribution Function), tambm chamada funo de distribuio, a probabilidade da V.A. X assumir valores menores ou iguais a t, onde t um nmero real. representada por F(t), de modo que:
F (t ) = P ( X t )

(4)

Para uma varivel aleatria discreta, a funo distribuio de probabilidade F(t) :


F (t ) = P ( X t ) F (t ) = p (ti ) = p (t1 ) + p (t 2 ) + p (t3 ) + + p (t )
ti t i

(5)

Para uma varivel aleatria contnua, a funo distribuio acumulada F(t) :

F (t ) = P( X t ) F (t ) = f (t )dx
t

(6)

onde f(t) chamada funo densidade de probabilidade ou pdf. A funo densidade de probabilidade associa os valores de X com a probabilidade de cada um deles ocorrer. A funo massa de probabilidade, ou pmf, a mesma funo, porm definida para variveis aleatrias discretas, somente. A F(t) tem as seguintes propriedades: a) F(t) uma funo no-decrescente. b) lim F (t ) = 1
t +

c) lim F (t ) = 0
t

Modelos Matemticos Probabilidades

que

Representam

Distribuies

de

Conhecidos os principais conceitos referentes ao clculo das probabilidades, pode-se agora estudar distribuies e funes densidade de probabilidade que, pela sua importncia, merecem um estudo especial. Tais distribuies partem do pressuposto da existncia de certas hipteses bem definidas. Como diversas situaes na vida real se aproximam destas premissas, os modelos descritos a seguir so teis para o estudo destas situaes.
Conceito introdutrio

Existem experimentos aleatrios cujos resultados, refletidos em uma V.A., seguem um comportamento previsvel em relao s suas probabilidades de ocorrncia, e portanto podem ser modelados por uma equao especfica. Seja por exemplo o nmero de chamadas telefnicas que chegaram a uma central telefnica, em um determinado tempo t (Figura 6).

16/30

1 9

2 8 ...

5 6 4

3 7

Espao Amostral nmero de chamadas que chegaram a uma central num tempo t.

Figura 6: Espao amostral nmero de chamadas que chegaram a uma central telefnica num tempo t.

J que a representao dos resultados j numrica, uma varivel aleatria X, nmero de chamadas telefnicas chegadas, pode associar diretamente os resultados com sua probabilidade de ocorrncia. O estudo das observaes histricas deste experimento concluiu que a expresso de probabilidade de Poisson pode ser usada para model-lo matematicamente.

O Modelo de Poisson
Basicamente, este modelo representa a probabilidade de ocorrncia de um certo nmero de chegadas em um determinado tempo. Modela, por exemplo: Nmero de requisies para um servidor em um intervalo de tempo t Nmero de falhas em componentes por unidade de tempo Nmero de requisies para um sistema de banco de dados em t segundos Nmero de erros de datilografia por formulrio Nmero de chegadas telefnicas em uma central em um intervalo de tempo t

As seguintes condies permitem o uso do modelo de Poisson para modelar um experimento: a) O nmero de chegadas durante qualquer intervalo de tempo depende somente da durao do intervalo de tempo; quanto maior o intervalo, maior tende a ser o nmero de chegadas. b) As chegadas ocorrem independentemente, isto , um excesso ou falta de chegadas em algum intervalo de tempo no exerce efeito sobre o nmero de chegadas ocorridas durante qualquer outro intervalo. Por exemplo: se num experimento, observou-se que a mdia de chegadas 5 (por intervalo de tempo), e observou-se que num determinado intervalo houve nenhuma chegada, isso no significa que, no prximo intervalo, haver um excesso de chegadas. c) A possibilidade de duas ou mais chegadas ocorrerem durante um pequeno intervalo de tempo t muito pequena comparada de uma nica chegada.

17/30

A distribuio de probabilidades de Poisson definida como: seja uma varivel aleatria X que pode assumir os valores x=0, 1, 2, ..., n, ... A probabilidade de X assumir um determinado valor x dada pela seguinte expresso: f ( x) = P( X = x) = e x , para x = 0, 1, 2, 3, 4, ..., n, ... x! (7)

Ou seja, P(X=x) representa a probabilidade de ocorrerem x chegadas na unidade de tempo trabalhada, sendo que a mdia de chegadas na unidade de tempo. A distribuio de Poisson discreta, definida apenas para valores inteiros de x. O resumo das caractersticas principais da distribuio de Poisson est na Tabela 5, e a Figura 7 traz a aparncia da distribuio, para diversos valores de mdia (observar que as linhas dos grficos servem apenas como indicao visual da distribuio; sendo a distribuio de Poisson uma funo discreta, estas linhas de fato no existem).
Tabela 5: Resumo das caractersticas da Distribuio de Poisson.

Distribuio de Poisson (taxa):

Parmetro: (evento/UT) e x! CDF: F ( x) = p i , para f ( x) = P ( X = x) = p i pmf: f ( x) = P( X = x) = x


i

Mdia: Varincia:

Distribuio de Probabilidades de Poisson


0,4 1 0,35

0,3

0,25 P(X=x)

3 4

0,2

5 6 7 8

0,15

10

0,1

0,05

0 0 2 4 6 x 8 10 12

Figura 7: Grficos para as Distribuies de Poisson, com vrias mdias diferentes.

18/30

Exerccio
1. Um escritrio de advocacia recebe, em mdia, cinco telefonemas por hora. Determine a probabilidade de que em determinada hora, selecionada aleatoriamente, sejam recebidas exatamente trs chamadas. 2. Segundo dados histricos em determinada empresa, 3 o nmero mdio de chamadas em 20 minutos: a. determine a distribuio de probabilidade para esse exemplo. b. determine a probabilidade de haver, no mximo, 2 chamadas em 40 minutos, em um intervalo escolhido aleatoriamente.
Soluo

1. = 5 tel/h P ( X = 3) = x

e e 5 = 53 = 0,14 3! x!

2. a. No preciso trabalhar com uma unidade de tempo unitria. A unidade de tempo pode ser 20 minutos. Isso facilita o clculo para a letra (b). Portanto, = 3 cha/20 min b. Mudar a mdia. Se chegam 3 a cada 20 minutos, ento, em 40 minutos, a mdia ser 6 chamadas. Fazer ento a distribuio e calcular a Probabilidade Acumudada (CDF).

Questo 2: Distribuio de Poisson mdia= P(X=x) 0,049787 0,149361 0,224042 0,224042 0,168031 0,100819 0,050409 0,021604 0,008102 0,996197 3

Questo 2: Distribuio de Poisson mdia= P(X=x) 0,002479 0,014873 0,044618 6

Chamadas 0 1 2 3 4 5 6 7 8 Total

Chamadas 0 1 2

Total

0,061969

19/30

O Modelo Exponencial
Conforme visto anteriormente, a Distribuio de Poisson est relacionada com ritmo ou taxa de chegadas. A Distribuio Exponencial (tambm chamada em algumas literaturas como Distribuio Exponencial Negativa) a correspondente da Distribuio de Poisson para a intervalos entre chegadas, ou tempos de interchegada. Quando um fenmeno, portanto, segue Poisson em sua taxa de chegada, ele tambm comporta-se segundo a Distribuio Exponencial em termos de tempo entre chegadas (Figura 8). Assim, seja um fenmeno qualquer. Seu processo de chegadas baseado em Poisson, de modo o nmero de chegadas em um intervalo de tempo t uma V.A. discreta, e a mdia de chegadas no intervalo t (chegadas/unidade de tempo-UT). O tempo entre as ocorrncias destas chegadas definido segundo a Distribuio Exponencial.

Chegadas

t1 Tempos de interchegada

t2

t3

Figura 8: Relao entre chegadas e tempos de interchegada.

O perodo de tempo T entre contagens sucessivas de um processo de Poisson, com mdia >0, uma Varivel Aleatria contnua, cuja funo densidade de probabilidade (pdf) dada por:

f ( x) = P ( X = x) = e x , para x 0

(8)

Nesta equao, x representa o tempo e a taxa de chegada ou taxa de ocorrncia de eventos por unidade de tempo, a mesma utilizada como parmetro em Poisson. Novamente, x uma V.A. contnua. A distribuio cumulativa de probabilidade (CDF) da expresso de probabilidade do modelo exponencial calculada a seguir:
F ( x) = f ( x) dx = e x dx
0 0 x x

(9)

F ( x) = P ( X x) = 1 e x

O resumo das caractersticas principais da distribuio exponencial segue na Tabela 6.

20/30 0

Tabela 6: Resumo R das ca aractersticas s da Distribuio Exponen ncial com par rmetro UT/e evento.

Distr ribuio Ex xponencial (perodo ou u intervalo): Parm metro: a (U UT/evento) 1 x pdf: f ( x) = e a a : F ( x) = 1 e CDF: Mdia: a ncia: a2 Vari
x a

Obse ervar que, no n resumo acima, a o pa armetro uti ilizado no a taxa mdia m de oco orrncia do o even nto por unid dade de tem mpo, mas sim seu inv verso, o tem mpo mdio de interoco orrncia do o even nto (unidade e de tempo por p evento) ). A relao o entre o pa armetro a e a taxa m dia , para a fins p prticos, :

1 a

(10) )

E o resumo da as caracters sticas da di istribuio exponencia al pode ser reescrito conforme c a ela 7. A Fi igura 9 ilus stra os grf ficos da pdf f e CDF da a distribuio exponen ncial, que Tabe cont nua.
Tabela 7: Resumo R das ca aractersticas s da Distribuio Exponen ncial com par rmetro even nto/UT.

Distr ribuio Ex xponencial (perodo ou u intervalo): Parm metro: (ev vento/UT) x pdf: f ( x) = e CDF: : F ( x ) = 1 e x Mdia: 1/ ncia: (1/ )2 Vari

F Funo Den nsidade de Probabilidad P de (pdf)

Funo Cumulativa C d Probabili de idade (CDF) )

Figura 9: Grficos da a pdf e CDF para p distribui io exponen ncial.

21/30

Exerccio
1. Ao observar-se a durao das baterias de videogames do tipo Gameboy, conclui-se que esta vida nada mais do que o intervalo entre falhas sucessivas das baterias; para essas falhas, pode-se aplicar o processo de Poisson. Desse modo, o tempo mdio entre falhas vem a ser a vida mdia da bateria. Considere que inmeras baterias foram usadas e anotou-se (algo raro de ocorrer no dia-adia, somente as fbricas o fazem) que a cada sete dias havia necessidade de troc-las (ou seja, a vida mdia da bateria de uma semana). As falhas das baterias so aleatrias e independentes e atendem s condies da distribuio de Poisson; ento, para o tempo de vida da bateria, pode-se utilizar a distribuio exponencial. a. b. c. d.
Soluo

determine a probabilidade de a bateria durar pelo menos 2 semanas; determine a probabilidade de uma bateria falhar dentro de 3 dias; determine a probabilidade de uma bateria durar de 3 a 4 semanas; determine o desvio padro do tempo de vida de uma bateria.

a = 7 dias/ocorrncia ou a = 1 semana/ocorrncia a) em semanas:


x 2 P ( X x) = 1 P( X x) = 1 1 e 1 = 1 0,864 = 0,135 P( X 2) = 1 1 e a
3

b) em dias: P ( X 3) = 1 e c) em semanas:

= 0,349

P (3 X 4) = P ( X 4) P ( X 3) = 1 e d) =

1 e

3 1

= 0,981 0,95 = 0,0314

(a ) = a = 1 semana
2

22/30

Gerao de Nmeros Aleatrios


Um dos passos-chave no desenvolvimento de uma simulao a gerao de nmeros aleatrios ou randmicos, que nortearo os valores assumidos pelas variveis aleatrias do modelo simulado. Por exemplo, num modelo de fila com um servidor e uma fila, os tempos de interchegada, bem como os tempos de servio, devero ser gerados aleatoriamente, dentro de uma mdia estipulada pelo modelo. A rotina de gerao de nmeros aleatrios para simulao envolve duas etapas. Primeiro, obtida uma seqncia de nmeros aleatrios distribuda uniformemente entre 0 e 1 (ou seja, a probabilidade de se obter cada nmero na seqncia exatamente igual para todos os nmeros na seqncia). Ento, esta seqncia transformada de modo a produzir nmeros aleatrios que satisfaam a distribuio correta desejada (por exemplo, exponencial ou normal). O primeiro processo chamado gerao aleatria de nmeros, e o segundo, gerao aleatria de variveis aleatrias.

Gerador de Nmeros Aleatrios


O mtodo mais comum para a gerao de nmeros aleatrios o uso de uma relao recursiva, onde o prximo nmero na seqncia funo do ltimo ou dois ltimos nmeros. x n = f ( x n 1 , x n 2 ,) Uma destas funes pode ser vista a seguir. x n = (5 x n 1 + 1) mod 16 Comeando com x0=5, obtm-se x1: (12) (11)

x1 = (5(5) + 1) mod16 = 26 mod16 = 10


Os primeiros 32 nmeros obtidos atravs deste gerador so:

(13)

10, 3, 0, 1, 6, 15, 12, 13, 2, 11, 8, 9, 14, 7, 4, 5, 10, 3, 0, 1, 6, 15, 12, 13, 2, 11, 8, 9, 14, 7, 4, 5.

Os nmeros so inteiros entre 0 e 15. A fim de se obter uma seqncia aleatria entre 0 e 1, basta dividir os nmeros por 16, ou seja: 0,6250; 0,1875; 0,0000; 0,0625; 0,3750; 0,9375; 0,7500; 0,8125; 0,1250; 0,6875; 0,5000; 0,5625; 0,8750; 0,4375; 0,2500; 0,3125; 0,6250; 0,1875; 0,0000; 0,0625; 0,3750; 0,9375; 0,7500; 0,8125; 0,1250; 0,6875; 0,5000; 0,5625; 0,8750; 0,4375; 0,2500; 0,3125.

23/30

Semente

Se a funo f geradora conhecida, pode-se obter a mesma seqncia de nmeros a qualquer tempo, desde que o valor inicial x0 seja conhecido. Este valor x0, usado para iniciar a seqncia, chamado de semente ou seed. Mudando-se a semente, outra seqncia pode ser gerada.
Nmeros Pseudo-Aleatrios

Uma observao importante que se pode fazer acerca do exemplo anterior que a funo f determinstica. Ou seja, dada uma semente, a seqncia de nmeros gerada pode ser prevista com certeza absoluta. Os nmeros so considerados aleatrios, entretanto, porque satisfazem os testes estatsticos para aleatoriedade. Estes nmeros so portanto chamados de pseudoaleatrios, pois so apenas parcialmente aleatrios. Os geradores de nmeros aleatrios includos na maioria dos compiladores ou interpretadores de linguagem de programao so geradores pseudo-aleatrios, que usam algoritmos matemticos conhecidos, como por exemplo: Geradores lineares-congruentes Geradores Tausworthe Geradores Fibonacci Extendidos Geradores Combinados

Uma seqncia pseudo-aleatria de nmeros so geralmente preferveis no lugar de nmeros totalmente aleatrios em se tratando de aplicaes de simulao, pois freqentemente, na depurao e teste de modelos, desejvel repetir-se o mesmo experimento de simulao, exatamente como feito anteriormente (usando, pois, a mesma seqncia de nmeros aleatrios). Quando resultados diferentes forem requeridos, basta alterar o valor da semente, culminando assim num maior controle sobre a simulao e a obteno de resultados.
Tamanho do Ciclo, Cauda (Tail) e Perodo

Novamente, observando o exemplo anterior, somente os primeiros 16 nmeros so nicos. O 17o igual ao primeiro nmero e, subseqentemente, a seqncia se repete ciclicamente com os primeiros 16 valores. Em outras palavras, este gerador de nmeros aleatrios tem um tamanho de ciclo de 16. Alguns geradores no repetem uma certa parte inicial da seqncia. Esta parte inicial chamada de cauda ou tail. Nestes casos, o perodo do gerador a soma do tamanho da cauda e o tamanho do ciclo. A Figura 10 ilustra estes conceitos.

24/30

Figura 10: Tamanho do ciclo, tamanho da cauda e perodo de um gerador de nmeros aleatrios.

Propriedades Desejadas de uma Funo Geradora de Nmeros Aleatrios

Uma funo geradora de nmeros aleatrios, para fins de simulao, deve ter as seguintes caractersticas: 1. Deve ser computacionalmente eficiente. Como as simulaes tipicamente requerem a gerao de milhares ou milhes de nmeros aleatrios a cada execuo, o tempo de processamento requerido para a gerao dos nmeros deve ser pequeno. 2. O perodo deve ser grande. Um perodo pequeno pode resultar numa seqncia que reinicia muito cedo, causando uma seqncia de eventos repetida. Os tempos de simulao podero ento ficar limitados. 3. Os valores sucessivos devem ser independentes e distribudos uniformemente (IID Independent and Identically Distributed). A correlao entre nmeros sucessivos deve ser pequena. A correlao, se for significante, indica que h dependncia entre os nmeros sucessivos.

25/30

Gerao de Variveis Aleatrias Randomicamente


H uma srie de mtodos usados para gerar valores para variveis aleatrias no-uniformes. Cada mtodo aplicvel somente para uma parte da distribuio em questo. Ainda, para uma distribuio particular, um determinado mtodo pode ser mais eficiente do que outros. Descrever-se- aqui apenas um mtodo, usado para gerar valores para uma varivel aleatria que segue uma distribuio exponencial.

Transformao Inversa
Este mtodo baseia-se na observao de que, para uma dada uma varivel aleatria x, com uma CDF F(x), a varivel u = F(x) uniformemente distribuda entre 0 e 1. Assim, os valores de x podem ser obtidos gerando-se nmeros aleatrios uniformemente distribudos e computando-se x = F-1(u), conforme pode ser visto na Figura 11. A prova desta observao est demonstrada em (JAIN, 1991).

Figura 11: Transformao inversa da CDF.

Gerao de Valores Exponencialmente Distribudos

A funo de probabilidade exponencialmente distribuda j foi vista. Dado um determinado valor x, e uma taxa mdia de chegada , calcula-se a probabilidade de ocorrncia de x ou ainda a probabilidade acumulada P(Xx). Agora, dada a probabilidade P(Xx)=F(x), pode-se calcular o valor correspondente de x usando a transformao inversa. pdf: f ( x) = e x CDF: F ( x ) = 1 e x = u x =
1

(14)

ln(1 u )

Assim, valores para a varivel aleatria xi podem ser produzidos atravs da gerao de uma varivel ui, uniforme, e usando a equao anterior para determinar xi. Como u uniformemente distribuda entre 0 e 1, a expresso 1 u tambm distribuda uniformemente entre 0 e 1. Desta forma, o algoritmo de gerao pode ser simplificado para:

26/30

x=

ln(u )

(15)

Usando, ao invs da taxa mdia de chegada , a mdia de tempo de interchegada a, a expresso torna-se:
x = a ln(u )

(16)

Uso da Tcnica em Simulao

Um simulador de eventos discretos necessita gerar uma srie de eventos aleatoriamente. Por exemplo, preciso gerar uma chegada de um cliente numa rede de filas que vai acontecer num determinado tempo aleatrio t1. Este cliente ser atendido por um servidor, que demorar um tempo aleatrio t2 para servir o cliente. Finalmente, o prximo cliente a chegar no sistema ser gerado pelo simulador aps um intervalo de tempo aleatrio t3 depois da chegada do cliente anterior. Cada um destes tempos segue uma distribuio de probabilidades caracterstica, inerente ao modelo simulado. Por conseguinte, a fim de gerar estes tempos aleatrios, usa-se um gerador de nmeros aleatrios de distribuio uniforme, que produzir um nmero uniforme entre 0 e 1. Este nmero vem a ser a probabilidade u, que, conforme visto anteriormente, distribuda uniformemente. Usando-se a transformao inversa da CDF, calcula-se portanto o valor do tempo correspondente quela probabilidade u. Verifique-se que o valor de u corresponde probabilidade de que o tempo seja menor ou igual ao valor calculado pela transformao inversa, j que a funo transformada a CDF. Em outras palavras, gerando-se um nmero aleatrio u, este nmero ser a probabilidade de que o tempo de interchegada esteja compreendido entre 0 e t, onde este t calculado pela transformao inversa. Assume-se, para fins de simulao, o pior caso, ou seja, o tempo de interchegada obtido pelo clculo da transformao inversa ser t.

27/30

Exerccio
Seja uma simulao de um sistema de redes de filas M/M/1. O tempo de servio de cada cliente e os tempos de interchegada de clientes so modelados atravs de uma distribuio exponencial. Considere que o taxa de chegada de 0,5 cliente/hora e o tempo mdio de servio de 1,25 hora/cliente. A tabela abaixo mostra os resultados de uma gerao aleatria para as probabilidades P(X x), para obteno dos tempos de interchegada e tempo de servio de uma simulao.

Cliente 1 2 3 4 5 6 7 8

Tempo de Interchegada P(X x) Tempo 0,10 0,13 0,06 0,22 0,39 0,18 0,15 0,12

Tempo de Servio P(X x) 0,15 0,28 0,33 0,08 0,14 0,43 0,27 0,33 Tempo

a) Calcule os tempos baseados na distribuio exponencial e na gerao aleatria e elabore um grfico de simulao b) Calcule o tempo mdio em fila desta simulao. c) Calcule a utilizao do servidor nesta simulao.
Soluo (a) Usando-se a equao 14, calcula-se os tempos de interchegada e de servio. Monta-se a tabela de incio e fim de servio e ento se preenche a grade de simulao.

28/30

CLIENTES QUE ESTO SENDO ATENDIDOS


0,5 0 1 2 3 4 5 6 7 8 1,0 1,5 2,0 2,5 3,0 3,5 4,0

7 8

0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0

CLIENTES QUE ESTO EM ESPERA EM FILA

Figura 12: Grfico representativo da simulao. Tabela 8: Clculo de valores para as variveis aleatrias, usando Transformao Inversa. Random-Variate Generation lambda Mi Interchegada Incio Servio (maior entre Final Servio e Chegada) 0,21 0,49 0,90 1,40 2,10 2,50 3,20 3,59 Final Servio (incio servio + tempo servio) 0,41 0,90 1,40 1,50 2,29 3,20 3,59 4,09 0,5 0,8 job/ut job/ut tau s ut/job ut/job 2 1,25 Tempo de Servio

P(X<=x) 0,10 0,13 0,06 0,22 0,39 0,18 0,15 0,12

Tempo 0,21 0,28 0,12 0,50 0,99 0,40 0,33 0,26

Chegada (atual + anterior) 0,21 0,49 0,61 1,11 2,10 2,50 2,82 3,08

Tempo Servio (randomvariate) 0,20 0,41 0,50 0,10 0,19 0,70 0,39 0,50

Tempo Espera Fila 0,00 0 0,286879 0,290554 0 0 0,377611 0,515332

P(X<=x) 0,15 0,28 0,33 0,08 0,14 0,43 0,27 0,33

Tempo 0,20 0,41 0,50 0,10 0,19 0,70 0,39 0,50

29/30

(b): Tempo mdio em fila = integral, no tempo, dos tamanhos de fila tomados periodicamente / nmero de clientes que passaram pela fila (todos, sejam os que ficaram em fila ou no).

Qt =

Q
i =1

(t i t i 1 ) T

(17)

T TotCli

Mtodo 1: somar cada tamanho de fila tomado em cada bloquinho (0,1 hora) e dividir pelo total de clientes. Resultado: 1,5/8 = 0,1875 h. (0*0,1 + 0*0,1 + ... + 1*0,1 + 1*0,1 + ... + 2*0,1 + 1*0,1 + 2*0,1 + ... = 1,5/8) Mtodo 2: somar todos os tempos totais em fila de cada clientes que ficou em fila e dividir pelo total de clientes. Obs.: Ambos os mtodos j consideram os clientes que apenas passaram pela fila e nela no ficaram, ou seja, tiveram um tempo de fila igual a zero. (c): somar todos os tempos ocupados do servidor e dividir pelo tempo total de simulao. Resultado: 30*0,1/4=0,75. (Ateno: o resultado vindo da teoria de filas, onde utilizao lambda/mi no se aplica aqui, pois foi pedido a utilizao com os dados da questo.) Para esta questo, nem preciso montar o grfico, basta calcular os tempos a partir da gerao exponencial, som-los e dividir pelo tempo total da simulao.

30/30

Referncias

BRITO, Srgio de Figueiredo. Material de aulas da disciplina Avaliao de Desempenho de Sistemas do curso de Engenharia Eltrica, Departamento de Engenharia e Arquitetura, Universidade Salvador UNIFACS, 2001. JAIN, Raj. The art of computer systems performance analysis. John Wiley & Sons, Inc., 1991. PRADO, Darci. Teoria das filas e da simulao. vol. 2. Nova Lima: INDG Tecnologia e Servios Ltda, 2004.