Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelagem Analítica
Disciplina: Modelagem Analítica do
Desempenho de Sistemas
de Computação
Algumas Distribuições Discretas
Algumas Distribuições
Copyright 1999-
1999-2008
2008 by TeleMídia Lab. 1 2
3 4
Distribuição de Bernoulli Distribuição de Bernoulli
Modelagem Analítica Modelagem Analítica
5 6
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
k =1
9 10
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
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
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
21 22
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
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
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
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
33
− ( 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