Departamento de Informática

Modelagem Analítica
Disciplina: Modelagem Analítica do
Desempenho de Sistemas
de Computação
Algumas Distribuições Discretas
Algumas Distribuições

Prof. Sérgio Colcher

colcher@inf.puc-rio.br

Copyright  1999-
1999-2008
2008 by TeleMídia Lab. 1 2

Distribuição de Bernoulli Distribuição de Bernoulli: Exemplos

Modelagem Analítica Modelagem Analítica

Um experimento de Bernoulli tem somente dois
Lançamento de uma moeda

resultados aleatórios possíveis: • Caso obtenha-
obtenha-se uma cara: sucesso
• sucesso • Caso obtenha-
obtenha-se uma coroa: fracasso
• fracasso

A direção que segue um veículo em

A variável aleatória que corresponde ao uma bifurcação (caminho A ou B)
experimento anterior é uma variável aleatória de • Se segue o caminho A: sucesso
Bernoulli..
Bernoulli
• Se segue o caminho B: fracasso

A notação de uma distribuição de Bernoulli é
Be(p), onde 0 ≤ p ≤ 1 é a probabilidade de obter
obter--
se sucesso.

3 4
 Distribuição de Bernoulli Distribuição de Bernoulli
Modelagem Analítica Modelagem Analítica

X v.a. ∼ Be(p)
Função Distribuição Cumulativa:

• X é uma variável aleatória discreta do experimento
1 − p , 0 ≤ X <1
de Bernoulli de parâmetro p. 
• Os resultados possíveis deste experimento podem ser
Fx ( X ) = 
“mapeados” nos números reais, logo:  1 , X ≥1

– Domínio de X:
• X ∈ {0, 1}
Valor esperado:
– P{X = 0} = P(0) = 1 – p
– P{X = 1} = P(1) = p E[ X ] = p.1 + (1 − p).0 = p

5 6

Distribuição de Bernoulli: Gráficos Distribuição de Bernoulli: Exemplo

Modelagem Analítica Modelagem Analítica
f(X)

Função Densidade de 1
info
Probabilidade p
T R
1-p
p

0 1 X

Um pacote de informações é enviado pelo
E[X]
transmissor ao receptor através de uma conexão,
sendo p a probabilidade de que o pacote chegue
F(X)
corretamente ao receptor.
receptor.

Função Distribuição 1
Cumulativa • info chega corretamente a R: x = 1
p
• info não chega corretamente a R: x = 0
1-p

0 1 X

7 8
 Distribuição geométrica Distribuição Binomial
Modelagem Analítica Modelagem Analítica

Considere N experimentos de Bernoulli
Considere n experimentos independentes identicamente

distribuídos (iid), cada um com distribuição Bernoulli de
independentes, cada um com probabilidade de parâmetro p.
êxito p

Se a variável de interesse y corresponde ao número de

A v.a x ∼ Ge(
Ge(pp) representa o número de sucessos obtidos nestes n experimentos, então y é
conhecida como uma variável aleatória binomial de
experimentos (ou
(ou tentativas) até conseguir o parâmetros n e p.
primeiro êxito • Uma distribuição binomial de parâmetros n e p se denota

Função de massa de probabilidade: Bi(n,p), onde:
– n é o número de experimentos de Bernoulli independentes
P{x = n} = (1 − p) p n = 1,2,...
n−1
realizados.

Função Distribuição Cumulativa
Cumulativa:: – p é a probabilidade de obter um sucesso em cada um dos n
n experimentos, 0 ≤ p ≤ 1.
Fx (n) = ∑ p (1 − p )
k −1

k =1
9 10

Distribuição Binomial: Exemplos Distribuição Binomial: Exemplo

Modelagem Analítica Modelagem Analítica

Uma moeda é lançada n vezes. Se em cada

infon ... info2 info1
lançamento se obtém cara (sucesso) com
T R
probabilidade p, qual é a probabilidade de que se
(0 ≤ i ≤ n)
obtenha i sucessos (0 n)??

n pacotes de informação são enviados pelo
transmissor ao receptor através de uma

Observam-
Observam-se n veículos em uma bifurcação. conexão.
Cada veículo segue o caminho A (sucesso) com • A probabilidade de cada um dos pacotes chegar
probabilidade p. Qual é a probabilidade de que i corretamente a R é igual a p.
veículos (0 ≤ i ≤ n) sigam o caminho A (sucesso)?
– Qual é a probabilidade de que i pacotes (0 ≤ i ≤ n)
de informação cheguem corretamente ao
receptor?
11 12
 Distribuição Binomial Distribuição Binomial
Modelagem Analítica Modelagem Analítica

O evento
Sejam x1, x2, …, xn, onde as variáveis {x
{xi},
• “n tentativas produzem k sucessos e n - k fracassos”
i=1,2,…,
=1,2,…,n
n são v.a.’s iid Be(p). Seja a v.a. y
– acontece de tantas maneiras quantas forem as amostras contendo k
algarismos “1” e n - k algarismos “0” definida por sua soma:
• Ou seja: de quantas maneiras diferentes podemos distribuir k “uns” pelas
n posições n
• Ou Ainda: de quantas maneiras diferentes podemos escolher k posições
para conter “uns” y= ∑x
i =1
i
– o evento tem tantos elementos quanto o número de subpopulações
(combinações) de tamanho k da população de n elementos
então:
– cada elemento tem probabilidade pk(1 −p)n-k
(1−
y ∼ Bi(n, p)

Logo
 n
P ( y = k ) =   p k (1 − p ) n − k , (0 ≤ k ≤ n)
k 
k
 n
P( y ≤ k ) = ∑   p j (1 − p) n − j , (0 ≤ k ≤ n)
j =0  j 
13 14

Distribuição Binomial Distribuição binomial: Gráficos

Modelagem Analítica Modelagem Analítica
n Função de massa de probabilidade
E[ x] = ∑ i ⋅ P( x = i ) Seja k = i − 1 0,3
Bi(10,0.5)
i =0
E[ x] = np∑
n −1
(n − 1)! p k (1 − p) n −1−k
n 0,2

P(X=x)
n
= ∑ i ⋅   p i (1 − p) n −i k = 0 (n − 1 − k )! k!
0,1
i =1 i  n − 1 k
n −1
n
n! = np∑   p (1 − p ) n −1− k 0

= ∑i ⋅ ⋅p i (1 − p) n −i k =0  k  0 2 4 6 8 10 12
i =1 ( n − i )!⋅ i ! x
n
n! P(y ≤ n-1) para uma variável
=∑ ⋅p i (1 − p) n −i aleatória binomial formada de n-1
Função de distribuição acumulada
i =1 ( n − i )!(i − 1)! experimentos de Bernoulli
Bi(10,0.5)
n 1.5
(n − 1)!
= np ∑
P(X<=x)
⋅ p ( i −1) (1 − p) n −i Logo:
1
i =1 ( n − i )!(i − 1)! 0.5
E[ x ] = np 0
0 2 4 6 8 10 12
x
15 16
Distribuição binomial: Gráficos Distribuição binomial: Gráficos
Modelagem Analítica Modelagem Analítica
Função de massa de probabilidade Função de massa de probabilidade
Bi(10,0.7) Bi(10,0.5)
0.3
0.3

P(X=x)
0.2

P(X=x)
0.2
0.1
0.1
0
0
0 2 4 6 8 10 12
0 2 4 6 8 10 12
x
x
Função de distribuição acumulada Função de distribuição acumulada
Bi(10,0.7) Bi(10,0.5)
1.5 1.5

P(X<=x)
P(X<=x)

1 1
0.5 0.5
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12
x x

17 18

Distribuição binomial: Gráficos Bi (10,p)

Modelagem Analítica Modelagem Analítica
Função de massa de probabilidade
Bi(15,0.5)

Com relação à fdp de uma
0.25
0,4
binomial tem-
tem-se que:
0.2 0,35
• valor máximo se encontra em
P(X=x)

0.15
0.1 0,3 x = E[x] = np
0.05 0,25 • estritamente decrescente para
0 x > E[x]
Bi (10,p) 0,2
0 5 10 15 20
x • simétrica em relação a p
0,15

Função de distribuição acumulada 0,1

– Exemplo: p = 0.1 e p = 0.9
Bi(15,0.5) 0,05
1.5
0
P(X<=x)

1 0
1
0.5 2 p=0.9
3
4 p=0.6
0 5
i 6 p=0.3
0 5 10 15 20 7
8 p=0.1
x 9
10
19 20
 Aproximação de Poisson Aproximação de Poisson
Modelagem Analítica Modelagem Analítica

Em várias aplicações temos de tratar de Relembrando: Distribuição Binomial

experimentos de Bernoulli nos quais,
comparativamente, n é muito grande e p é muito  n
P ( y = k ) =   p k (1 − p )n − k , (0 ≤ k ≤ n)
pequeno k
n
• o que faz com que o produto λ = np seja um valor de  λ
P ( y = 0) = (1 − p ) n = 1 − 
“magnitude moderada”  n
– obs: λ é o valor esperado da Binomial
lim P( y = 0) = e − λ

Nesses casos, é conveniente usar uma m
n →∞

aproximação obtida por Siméon D. Poisson  λ

lim 1 −  = e− λ
(1781--1840) para a probabilidade de obtermos k
(1781 m →∞
 m
sucessos.

21 22

Aproximação de Poisson Aproximação de Poisson

Modelagem Analítica Modelagem Analítica

n lim P( y = 0) = e − λ P( y = k) λ
P ( y = k ) =   p k (1 − p) n− k n →∞
lim =
k p →0 P ( y = k − 1) k

n!
p k (1 − p )
n−k P ( y = 1) ≈ λ P( y = 0) ≈ λ e − λ
P( y = k) ( n − k )!k !
= 1 1
P ( y = k − 1) n! n − k +1 P ( y = 2) ≈ λ P( y = 1) ≈ λ 2e − λ
p k −1 (1 − p ) 2 2
( n − k + 1 )( )
! k − 1 !
1 1 1
( n − k + 1) p P ( y = 3) ≈ λ P( y = 2) ≈ × λ 3e − λ
= 3 3 2
k (1 − p )

Aproximação para Bi(n,p) quando
P( y = k) λ − ( k − 1) p P( y = k) λ k n é muito grande e p é pequeno.
= Se p é muito pequeno: lim = λ
P ( y = k − 1) k (1 − p ) p →0 P ( y = k − 1) k P( y = k ) ≈ e−λ
k! Definindo um parâmetro λ tal que λ=np
então:
Aproximação para Bi(n, λ/n) quando
n é muito grande e p é pequeno

23 24
 Distribuição de Poisson Distribuição de Poisson Massa de Probabilidade
Modelagem Analítica Modelagem Analítica

λk
P( y = k ) ≈ e−λ 0,1
k! 0,08 λ = 20

P{X=i}
0,06
Fx ( X ) = P ( x ≤ X ) 0,04
X
λi 0,02
Fx ( X ) = ∑ e−λ 0
i =0 i!
0 5 10 15 20 25 30 35 40
i

25 26

Distribuição de Poisson: Cumulativa

Modelagem Analítica Modelagem Analítica

P{X ≤ n}
1,2
1 Algumas Distribuições Contínuas
0,8 λ = 20
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35 40

27
n 28
 Distribuição Uniforme Distribuição Exponencial
Modelagem Analítica Modelagem Analítica

Uma v.a. x é dita uniformemente distribuída no

λ e − λ X , X ≥0
intervalo [a,b] quando sua f.d.p é dada por 
f x ( X ) = λ e− λ X u ( X ) = 
 1 fx(X)
 0
 b − a a≤ X ≤b , X <0

fx ( X ) = 
1
 b−a
X

 0 caso contrário Fx ( X ) = ∫
−∞
f y (Y )dY
Fx(X) X X
a b
= ∫ λ e− λY dY
0

1
 1 − e− λ X , X ≥0
Fx ( X ) = (1 − e −λ X
) u(x) = 0
X  , X <0
a b

29 30

Distribuição Exponencial Distribuição exponencial

Modelagem Analítica Modelagem Analítica

fx(X) f x ( X ) = λ ⋅ e - λ ⋅X
9
8 λ=8 6
7 5 λ =6
6
f x ( X ) = λ ⋅ e - λ ⋅x 4
5 λ =2
4 3
3 2 λ =4
2
1 1
2σx = 0.25 x
x
0 0.2 0.4 0.6 0.8 1.0
0.125 0 0.5 1.0 1.5 2.0
E[x]

31 32
 Distribuição Exponencial Distribuição Exponencial
Modelagem Analítica Modelagem Analítica

Fx ( X ) =1− e−λX
1.0 Fx (X ) =1− e−λX
0.9 1
0.8 0.9
0.7 0.8
0.6 0.7
0.5 λ=8 0.6 λ = 10
0.4 0.5

0.3 0.4 λ=1

0.2 0.3

0.1 2σx = 0.25 0.2 λ = 0.1

0 0.2 0.4 0.6 0.8 1.0
x 0.1
0
0.125 0 5 10 15 20 25 30
E[x] x

33

Distribuição Normal (Gaussiana)

Modelagem Analítica

− ( X − µ )2
1 2σ 2
px (X)
fx (X ) = e
σ 2π
µ = 0
σ = 0,5

X
Fx ( X ) = ∫
−∞
f y (Y )dY
µ = 0
1  x−µ  σ = 1
= + erf  
µ = 3
2  σ  σ = 2

35