Simulação Probabilística PDF

Prof. Lorí Viali, Dr.
viali@pucrs.br
http://www.pucrs.br/famat/viali/
Beta Logística
Cauchy Lognormal
Erlang Normal
Exponencial Pareto
F (Snedekor) Qui-quadrado - χ 2
Gama Student - t
Gumbel Uniforme
Laplace Weibull
Prof. Lorí Viali, Dr. – Faculdade de Matemática - Departamento de Estatística - PUCRS Prof. Lorí Viali, Dr. – Faculdade de Matemática - Departamento de Estatística - PUCRS
A distribuição Beta apresenta

normalmente duas expressões. Uma
denominada de fórmula geral e outra de
forma padrão. A forma padrão definida
no em [0; 1] é mais utilizada.
1
Leonhard
Euler
A expressão geral da fdp Beta é dada A função Beta foi (1707 - 1783)
por: introduzida pela primeira

 (x -a)α −1 (b- x)β -1 vez por Euler.
 se a ≤ x ≤ b e α, β > 0
f ( x ) =  B(α, β) (b − a )α +β +1 1

B(α, β) = ∫ x α −1 (1- x) β -1 dx
0 c.c. 0
B(α, β) = B(β, α) B(α,1) = 1/ α
Onde:
1 Γ(α)Γ(β)
B(α, β) = ∫ x α −1 (1- x) β -1 dx B(α, β) =
0 Γ(α + β)
A função densidade de probabilidade

Os parâmetros de α > 0 e β > 0 são
da Beta padrão é dada por:
os de forma. Os valores a e b
 x α −1(1-x) β -1
 se 0 ≤ x ≤ 1 e α, β > 0 representam os extremos da
f (x ) =  B(α, β)
0 c.c.
 distribuição. No formato padrão a = 0
1 Γ( α).Γ (β)
B( α, β) = ∫ x α −1 (1- x) β -1 dx = e b = 1.
0 Γ(α + β)
2,70 B(0; 0)
2,40 B(1; 1)
B(2;2)
Para a descrição de tempos para 2,10
B(1; 2)
1,80
B(2: 1)
completar tarefas no planejamento e 1,50
B(5; 2)
1,20
projeto de sistemas. Usada extensivamente 0,90
0,60
em PERT/CPM. 0,30
0,00
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
2
2,70 B(0; 1)
2,40 B(1; 0)
2,10 B(0; 2)
B(2; 0)
Determinar a representação gráfica da
1,80
1,50
B(3; 1)
B(1; 3)
B(0,5; 0,5).
1,20
0,90
0,60
0,30
0,00
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
A expectância ou valor esperado da

Não existe uma expressão
Distribuição Beta é dada por:
analítica para F(x) genérica. Se a e b
são inteiros, uma expansão Binomial α
µ = E (X ) =
pode ser utilizada para obter F(x). α +β
Considerando uma B(α; β),

A Variância da Distribuição da Beta
determinar:
é dada por:
(1) A moda;
(2) A mediana;
αβ
σ 2 = V(X) = (3) A assimetria;
(α + β + 1) (α +β)2
(4) A curtose;
(5) O coeficiente de variação.
3
α −1
µo = se α > 1 e β > 1 2(β − α ) α + β + 1
α+β−2 µ3 =
( α + β + 2) αβ
µo = 0 e 1 se α < 1 e β < 1
 α <1e β ≥ 1
µo = 0  3(α + β + 1)[αβ(α + β − 6) + 2 (α + β) 2]
α = 1 e β > 1 µ4 =
αβ (α + β + 2)(α + β + 3)
 α ≥1e β <1
µo = 1 
α > 1 e β = 1 γ=
β
A modal se α = β = 1 α(α + β + 1)
A geração de uma distribuição Beta

Gerar 10000 valores de uma de parâmetros α = a e β = b, inteiros é
B(0,5; 0,5). Apresentar os resultados dada por: G (1, a ) ~ ln(
a
) ∏ Ui
i =1
de forma tabular e gráfica, calculando
b
todas as principais medidas. G (1, b) ~ ln( ∏ U j)
j=1 G (1, a )
B(a, b) ~
G (1, a ) + G (1, b)
A distribuição de Cauchy
apresenta normalmente duas
expressões. Uma denominada de
fórmula geral e outra de forma padrão.
4
Baron
Augustin
Louis
Cauchy
A distribuição de Cauchy (1789 - Entre os físicos ela é conhecida
1857)
também denominada de como distribuição de Lorentz ou de
Lorentziana é a distribuição do Breit-Wigner. Ela é importante por que
quociente de variáveis normais
é a solução de uma equação diferencial
padrão independentes.
que descreve a ressonância forçada.
A expressão geral da distribuição de

Cauchy é:
1 Os parâmetros são α que é de
f (x ) = , β>0
  x − α 2 
βπ 1 +    localização e β que é o de escala.
  β  
ou  
Se α = 0 e β = 1, então tem-se a
β
f (x ) = , β>0 distribuição de Cauchy Padrão.
π[β 2+
( x −α ) 2]
0,7 C(-1; 0,5)

A função densidade de C(0; 1)
C(1,5; 1)
probabilidade da Cauchy Padrão é 0,5 C(2; 2)
dada por:
0,3
1
f (x) = para x ∈ R 0,1
2
π(1+ ex)
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
-0,1
5
1,0
A FD da Cauchy é:
0,5
1 1 x - α 
F( x ) = + arctg   para x ∈ R, β > 0
2 π  β 
0,0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
A distribuição de Cauchy não

A distribuição de Cauchy não tem apresenta variância.
valor esperado, i.e. média.
Considerando uma C(α; β),

µo = µo = α
determinar:
(1) A moda; Essa distribuição não apresenta
(2) A mediana; momentos finitos. A média e o desvio
(3) A assimetria;
padrão podem ser assumidos como
(4) A curtose;
sendo α e β respectivamente.
(5) O coeficiente de variação
6
Gerar 10000 valores de uma
C(1; 2). Representar os resultados
C(α; β) ≈ β{tg[π(u − 0,5)]} + α
graficamente e calcular todas as
principais medidas.
Uma variável aleatória T tem uma

distribuição exponencial se sua fdp for
do tipo:
λ. e λt se t ≥0
f (t ) = 
0 se t <0
Considere um servidor da WWW com

uma taxa de acesso de λ = 0,1 requisições por ∞
segundo. Assuma que o número de chegadas P ( X ≥ 10 ) = ∫ 0 ,1 e − 0 ,1 t dt =
por unidade de tempo é Poisson e que a taxa 10
interchegadas, X, é uma Exponencial de = lim [− e − 0 ,1 t ]− ( e − 1 ) =

t→ ∞
parâmetro λ. Determine a probabilidade de
= e −1 = 0 , 3679 = 36 , 79 %
não se tenha acessos durante um intervalo de
10 segundos.
7
Fdps - E(2,0) - E(1,0) - E(0,5)
2,0
A função F(t) é dada por:
1,5
1,0

0 se t < 0
F( t ) = 
 -λt
0,5 1 - e se t ≥ 0
0,0
1 11 21 31 41 51 61 71 81 91 101
FDs - E(2,0) - E(1,0) - E(0,5)

1,00
+∞ ∞
E (T) = ∫−∞ t.f (t )dt = ∫0 t .λ e−λt dt =
0,90
0,80
0,70
∞ ∞ − λt
0,60 = [− t e−λt]0 + ∫0 e dt =
0,50
0,40 ∞
0,30  −λt e
− λt 
1
0,20 − t e − λ  = λ
0,10  0
0,00
0 1 2 3 4 5 6 7 8 9 10
σ2 = V(T) = E(T2) – E(T)2 A variância será então:
+∞ ∞
E(T 2) = ∫− ∞ t 2 .f (t )dt = ∫0 t 2 .λ e− λt dt = 2 2 2
σ = V (T ) = E (T ) − E(T) =
∞ ∞ −λ t
= [− t 2 e− λt ]0 + ∫0 2te dt = 2
1
2 2 1 1
2   = 2− 2 = 2
= −
2 ∞ − λt 2 1 2 λ λ λ λ λ
= ∫0 t λ e dt = . = 2
λ λ λ λ
8
Gerador
Para gerar uma VAC Exponencial
basta fazer:
Seja T uma VAC com distribuição
F( x ) = 1 − e− λx
exponencial de parâmetro λ.
u = 1 − e − λx
Determinar o valor mediano da − λx = ln(1 − u )
distribuição. ln(1 − u )
x=− = −µ ln(1 − u )
λ
ou x = - µln(u)
Uma variável aleatória X tem uma

distribuição “F” ou de Snedecor se sua
fdp for do tipo:
 m n m
−1 m+n
 Γ m + n  m 2 n 2 x 2 ( n + mx )− 2
  2 
 se x > 0
f (x ) =  m n
 Γ    
Γ
  2   2
0 se x ≤ 0
F(1, 3) - F(2, 5) - F(5, 10) - F(20, 20)

Expectância ou Valor esperado 1,0
0,8
n m é o grau de
E( X) = , n >2
n−2 liberdade do 0,6
numerador e n do 0,4
Variância denominador
0,2
2n 2 (m + n - 2)
Var(X) = 0,0
m(n - 2)(n - 4) 0 3 6 9 12 15
9
O que é tabelado é a percentil 95%
ou 99% - área à direita de cada curva
F(3; 2). Apresentar os resultados de
(uma para cada par de valores –
numerador, denominador) igual a 5% e forma tabular e gráfica, calculando
1%, isto é, “x” tal que P[F(m, n) ≥ x] = 5% todas as principais medidas.

ou P[F(m, n) ≥ x] = 1%.
A geração de uma F(m, n) é feita

através da relação com a distribuição
Qui-Quadrado.
1 m 2 χ 2m
∑Z
m i =1 i m n χ2m
F( m, n) ~ = =
1 n 2 χ 2
m χ 2n
∑ Zi n
n i =1 n
Para se definir a Distribuição A função Gama é recursiva, isto é:

Gama é necessário definir inicialmente
Γ(n) = (n - 1)Γ(n - 1)
a Função Gama.
Se n é um inteiro positivo, então:

Γ (n ) = ∫0∞ x n −1 e − x dx para n > 0
G(n) = (n – 1)!
10
E uma vez que : Verificar, ainda, que:
Γ(1) = ∫0∞ e − xdx = 1 1

Γ  = π
2
A função gama é uma
generalização do Fatorial.
Uma vez definida a Função Gama, Onde os parâmetros r > 0 e Agner

pode-se definir, então, a Distribuição λ > 0 são denominados de Krarup
Erlang
Gama: parâmetro de forma (r) e (1878 –
1929)
parâmetro de escala (λ).
λ Se r for inteiro então a
f (x ) = ( λx) r −1 e − λx se x > 0
Γ (r ) distribuição Gama é denominada
=0 c.c. de distribuição de Erlang.
Existe uma relação bastante Se uma variável aleatória X é a soma

próxima entre a Gama e a de r variáveis independentes e
Exponencial. Se r = 1, a exponencialmente distribuídas cada uma
distribuição gama se reduz a uma com parâmetro λ , então X tem uma
exponencial. densidade Gama com parâmetros r e λ .
11
1,00 G(1; 1)
0,50 G(2; 1)
G(1; 2) G(3; 1)
G(1; 3) G(5; 1)
0,80
0,40
0,60
0,30
0,40
0,20
0,20 0,10
0,00 0,00
0,0 2, 0 4,0 6,0 8,0 10,0 12,0
0,0 2,0 4,0 6,0 8,0 10,0 12,0
Se r é um inteiro positivo a FDA pode

A função F(x) é dada por: ser integrada por partes fornecendo:
r −1
F(x ) = 1 − ∑ e − λx (λx) k /k! se x > 0
 ∞ λ k =0
1 - ∫ (λu) r -1 e -λu du se x > 0
F( x ) =  x Γ(r) que é a soma dos termos de uma Poisson
0 se x ≤ 0 com média λx. Assim a FDA da Poisson

pode ser usada para avaliar a Gama.
A vida de equipamento eletrônico é dada Como r = 4, então a FDA da Gama é

por Y = X1 + X2 + X3 + X4, a soma das vidas dada por:
de seus componentes. Os componentes são 3
independentes, cada um tendo tempo de falha F( x ) = 1 − ∑ e − x / 4 (x/4) k /k! se x > 0
k=0
exponencial com média entre falhas de 4
horas. Qual é a probabilidade de que o que é a soma dos termos de uma Poisson
sistema opere pelo menos 24 horas sem com média λx = 24/4 = 6.
falhas?
12
1,00
0,80
P( Y > 24 ) = 1 − F( 24) = G(2; 1)
G(3; 1)
G(5; 1)
3
= ∑ (e − 6 6 k )/k! =
0,60
k =0 0,40
= 15,12%
0,20
0,00
0,0 2, 0 4,0 6,0 8,0 10,0 12,0
A expectância ou valor esperado de A Variância da Distribuição Gama

uma Distribuição Gama é dada por: é dada por:
r
µ = E( X ) = +∞ r σ 2 = V(X) = 2
∫− ∞ x.f ( x )dx = λ
λ
Gerador
Para gerar valores de uma VAC (iii) Somar todos os Li, isto é, fazer S
Gama, uma possibilidade é utilizar o = Soma dos Li;
seguinte algoritmo: (iv) Determinar S/λ como um valor da
(i) Gerar “r” números aleatórios: distribuição G(r, λ).
u1, u2, ..., ur. Esse algoritmo vale para valores
(ii) Calcular Li = -ln(1- ui) para i = 1, de r inteiros e não é muito eficiente
2, ..., r. para r grande, mas é o mais simples.
13
Resumindo: uma maneira de gerar
valores de uma G(λ, r) é dado por:
1 r
E (λ , r ) ≈ − ln(∏U i )
λ i =1
Emil Julius
Gumbel
A distribuição de Gumbel (1891 - 1966)
é também conhecida como A distribuição tem duas formas.

distribuição de Valores Uma é baseada no menor extremo e a
Extremos, log-Weibull ou outra no maior. Elas são denominadas
Fisher-Tippet. Seu nome é Leonard
Henry
de casos mínimo e máximo
uma homenagem a Emil J. Caleb
Tippett respectivamente.
(1902 -
Gumbel. 1985)
A distribuição é utilizada na A expressão da distribuição de

Gumbel (caso mínimo) é:
Indústria em aplicações de Controle de
1  x - α   x -α 
f (x ) = exp  exp  - e β  β>0
Qualidade. Nas ciências ambientais é β  β   
utilizada para modelar valores extremos A expressão da distribuição de
associados com enchentes e Gumbel (caso mínimo) é:
1  x - α   − x -α 
precipitações pluviométricas. f ( x) = exp  − exp - e β  β >0
β  β   
14
Se α = 0 e β = 1 então a distribuição
Os parâmetros são α que é de
de Gumbel assume a forma:
localização e β que é o de escala.
y x-α
f ( y) = e y e -e para y ∈ R onde y =
β
0,8 G(-0,5; 0,5) 0,8 G(-0,5; 0,5)

G(0; 1) 0,7 G(0; 1)
G(0,5; 1,5) 0,6 G(0,5; 1,5)
0,6
G(1: 2) G(1: 2)
0,5
0,4
0,4
0,3
0,2
0,2
0,1
0,0
0,0
-0,1 -10 -8 -6 -4 -2 0 2 4 6 8 10
-10 -8 -6 -4 -2 0 2 4 6 8 10
A FD da Distribuição de Gumbel é: 1,0

0,9
G(-1; 01,)
0,8
G(-0,5; 0,5)
  x −α   0,7
F( x ) = 1 − exp − e β   para β > 0 0,6
G(0; 1)
  0,5 G(0,5; 1,5)
0,4 G(1; 2)
ou 0,3
0,2
y x -α 0,1
F( x ) = 1 − e− e onde y = 0,0
β -10 -8 -6 -4 -2 0 2 4 6 8 10
15
1,0 A expectância ou valor esperado da
0,9
G(-1; 01,)
0,8
G(-0,5; 0,5) distribuição de Gumbel é dado por:
0,7
G(0; 1)
0,6
0,5 G(0,5; 1,5) µ = E(X) = α + β Γ ' (1) = α − γβ
0,4 G(1; 2)
0,3
0,2 onde Γ’(1) é a derivada de Γ(n) quando
0,1
0,0 n = 1, isto é, Γ(1) = -0,577216 = γ =
-10 -8 -6 -4 -2 0 2 4 6 8 10
constante de Euler.
Considerando uma G(α; β),

A Variância da Distribuição de
determinar:
Gumbel é dada por:
(1) A moda;
( πβ )2
(2) A mediana;
2
σ = V(X) = (3) A assimetria;
6
(4) A curtose;
µ e = α + β[ln(ln( 2 ))] = α − 0 ,3665 β

µo = α Gerar 10000 valores de uma
µ3 − 2,404114 β3
γ1 = = = −1,1395 G(-2; 2). Representar os resultados
µ32 ( πβ)2 πβ
.
6 6 πβ graficamente e calcular todas as
γ=
3( πβ)4 6α − 3,4632β
µ 20
principais medidas.
γ2 = 44 = = 5,4
µ2  ( πβ)2  2
 
 6 
16
Valores da distribuição de Gumbel
podem ser gerados através do método
da inversão:
  1 
G (α; β ) ≈ α + β ln ln  
  1 − u 
Pierre
Simon
Marquis
A distribuição de Laplace de Laplace
A distribuição é conhecida também
(1749 -
se origina da diferença entre 1827)
pelo nome de Exponencial Dupla,
duas VA exponenciais IID. É embora esse nome também seja
um movimento Browniano aplicado a distribuição de valores
avaliado em um tempo extremos. É conhecida ainda por
aleatório exponencialmente Exponencial de Dupla Cauda e
distribuído. Exponencial Bilateral.
A expressão da distribuição de
Laplace é:
x−α
localização e β que é o de escala.
1  x - α  e− β
f ( x) = exp − = β >0
2β  β  2β
17
1,0 La(-1; 0,5)
Se α = 0 e β = 1 então a distribuição La(0; 1)
La(1,5; 1)
de Laplace assume a forma 0,8
La(2; 2)
−x 0,6
f (x ) = e para x ∈ R
2 0,4
Essa distribuição é, às vezes, 0,2
denominada de primeira lei do Erro de 0,0

Poisson. -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
1,0
A FD da Distribuição de Laplace é: La(-1; 0,5)
La(0; 1)
0,8
La(1,5; 1)
La(2; 2)
1  x -α  0,6
 exp −  se x ≤ α
2  β  0,4
F( x ) = 
 1  x -α  0,2
1 − 2 exp − β  se x > α
   0,0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
A Expectância da distribuição de A variância da distribuição de

Laplace é dada por: Laplace é dada por:
2
µ = E(X) = α σ 2 = V(X) = 2β
18
Considerando uma Lp(α; β), µ = µe = µo = α
determinar:
µ3 = 0
(1) A moda;
(2) A mediana; µ4 = 6
(3) A assimetria;
(4) A curtose; 2 β2 β
γ= = 2
(5) O coeficiente de variação α α

L(α; β) ≈ α − β sgn(U) ln(1 − 2 | u |)
La(-2; 2). Representar os resultados
principais medidas. Onde U é uma uniforme no
intervalo [-0,5; 0,5]
A expressão da fdp da Log-

Normal é dada por:
1  (ln x − µ )2 
f ( x) = exp −  se x ≥ 0, σ > 0
σx 2π  2 σ 2 

Ou
1  1  ln x −µ 2
f ( x) = exp −    se x ≥ 0, σ > 0
2π x 2 σ2  2 σ  
 
19
2,0 LN(0; 1/8)
1,8 LN(0, 1/4)
1,6 LN(0; 1/2)
1,4 LN(0; 1)
O modelo apresenta um parâmetro 1,2 LN(0; 3/2)
1,0 LN(0; 10)
de localização µ e um de escala σ. 0,8

0,6
0,4
0,2
0,0
-0,2 0,0 0,4 0,8 1,2 1,6 2,0 2,4 2,8
1,0
A FD de Distribuição Log-Normal é: 0,9

0,8
0,7
0,6
 ln(x ) − µ  0,5
F( x ) = G   se x ≥ 0, σ > 0 0,4 R(0,5)
 σ  0,3 R(1)
0,2
R(1,5)
0,1
Onde G é a FD da N(µ; σ) 0,0
R(2)
x 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0
A expectância ou valor esperada da A variância da distribuição Log-

Distribuição da Log-Normal é dada Normal é dada por:
por:
µ = E(X) = exp(µ + σ2 / 2) σ2 = V(X) = exp(2µ + 2 σ2) − exp(2µ + σ2)
20
Considerando uma LN(µ, σ), µe = exp(µ)
determinar:
µo = exp(µ − σ2)
(1) A moda;
(2) A mediana;
γ1 = exp(σ2 + 2) exp(σ 2 ) − 1)
(3) A assimetria;
γ2 = exp( 4 σ 2) + 2 exp( 3 σ2 ) = 3 exp( 2 σ2 ) − 3
(4) A curtose;
γ = exp(σ 2) − 1
A geração de valores dessa

distribuição é feito através do método
LN(0, 1). Representar os resultados
da convolução:
  12 
principais medidas. LN (µ, σ2) ≈ exp( µ ) exp σ ∑ U i − 6 
  i =1 
A distribuição Logística apresenta

normalmente duas expressões. Uma
denominada de fórmula geral e outra de
forma padrão.
21
Pierre
François
Verhulst
A distribuição Logística é (1804 - 1849) A expressão geral da fdp Logística é
dada por:
derivada do trabalho de Verhulst,
−1
Professor de Análise na β e ( x −α ) / β
f (x ) = 2
para x ∈ R, β > 0
Faculdade Militar Belga. Ele a [1+ e ( x −α) / β ]
ou
utilizou para modelar o
crescimento da população na (1 / β ) e y x−α
f ( y) = para x ∈ R, y =
2 β
Bélgica no início de 1800. [1+ e y ]

da Logística padrão é dada por:
f ( x) = ex para x ∈ R
localização e β que é o de escala. 2
[1+ ex ]
Ou
1
f ( x) = para x ∈ R
−x 2
[1+ e ]
1,0 L(0;1)
L(-1; 2)
0,8 L(-1; 0,5) Suponha que X tem uma
L(2; 2)
distribuição de Pareto com
0,6
α = 1. Mostre que
0,4
Y = ln(X - 1) tem uma distribuição
0,2
Logística Padrão.
0,0
-8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8
22
A FD da Logística é: 1,0
(x -α)/ β
e
F(x ) = para x ∈ R, β > 0
1 + e(x -α )/β
ou
1
0,5
F(x ) = para x ∈ R, β > 0

1 + e- (x - α)/β
ou ainda:
1 x -α 0,0
F( y) = para y ∈ R, y = -5 -4 -3 -2 -1 0 1 2 3 4 5
1 + e- y β
A expectância ou valor esperado da A Variância da Distribuição

Distribuição Logística é dada por: Logística é dada por:
2
2π
µ = E (X ) = α σ 2 = V(X) = β
3
Considerando uma L(α; β), µ = µe = µo = α

determinar:
(1) A moda; µ3 = 0
(2) A mediana; µ 4 = 6 / 5 = 4,2
(3) A assimetria; 2
π2 β
(4) A curtose; 3 = βπ
γ=
(5) O coeficiente de variação α 3α
23
L(-2; 5). Representar os resultados
 u 
graficamente e calcular todas as L(α; β) ≈ α + β ln  
1 − u 
principais medidas.
Abraham DE
MOIVRE
(1667 - 1754)
A distribuição foi
introduzida por De Moivre em
um artigo em 1733. O seu
resultado foi estendido por
Laplace no seu livro “Teoria
Analítica das Probabilidades” de
1812.
Pierre-Simon,
Carl Friedrich
Marquis de
GAUSS
LAPLACE
(1777 - 1855)
(1749 - 1827) Ele foi justificado por
Laplace utilizou a Gauss, supondo uma
distribuição normal dos
normal na análise de erros erros, em 1809 que alegou
de experimentos. O que já utilizava o método
“método dos mínimos desde 1794. Hoje ela é
também conhecida como
quadrados” foi introduzido Adrien Marie
LEGENDRE
(1752 - 1833)
distribuição de Gauss-
por Legendre em 1805. Moivre-Laplace.
24
A distribuição Normal apresenta
distribuição normal se sua fdp for do
tipo: dois parâmetros. Uma de localização µ
2
  1 x −µ e outro de forma σ > 0. Neste caso os
1 − . 
f (x ) = .e 2  σ  , x ∈ ℜ
2π .σ parâmetros representam a média e a
variabilidade do modelo.
com - ∞ < µ < ∞ e σ > 0
N(0; 1)
0,8
2
N(0; 0,5) 1  u −µ 
− . 
N(0; 2) x 1
0,6
N(2; 1) P(X ≤ x ) = ∫−∞ .e 2  σ  du = ?
2π .σ
0,4
A normal não é integrável

0,2
através do TFC, isto é, não existe
0,0 F(x) tal que F’(x) = f(x).
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
Utilizar integração numérica. A curva escolhida é a

N(0, 1), isto é, com µ = 0 e σ = 1.
Como não é possível fazer isto com
Se X é uma N(µ, σ), então:
todas as curvas, escolheu-se uma
para ser tabelada (integrada X −µ
Z=
numericamente). σ
Será uma N(0; 1)
25
A fdp da variável Z é dada por: 0,4
0,3
2
1 −z .
ϕ( z) = .e 2 , z ∈ℜ 0,2
2π 0,1
uma vez que µ = 0 e σ = 1. -4,0 -3,0 -2,0 -1,0

0,0
0,0 1,0 2 ,0 3 ,0 4 ,0
O que é tabelado é a FDA da 1,0

0,9
variável Z, isto é: 0,8
0,7
z 0,6
P( Z ≤ z ) = ∫-∞ ϕ(u)du = Φ ( z) 0,5
0,4
2 0,3
z 1 −u . 0,2 z
= ∫-∞ .e 2 du = Φ ( z) 0,1
0,0
2π -4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0
A expectância ou valor esperado da A Variância da Distribuição Normal

Distribuição Beta é dada por: é dada por:
µ = E (X ) = µ V(X) = σ 2
26
Considerando uma N(µ; σ), µo = µ = µe
determinar:
(1) A moda; γ1 = 0
(2) A mediana;
γ 2 = 3 ou 0
(3) A assimetria;
µ
(4) A curtose; γ=
σ
Um dos possíveis métodos de

Gerar 10000 valores de uma geração de valores da normal é pela
N(10, 2). Representar os resultados convolução:
graficamente e calcular todas as k
∑ Ui −
k Fazendo 12
i =1 2 N( 0,1) ≈ ∑ U i − 6
principais medidas. N(0,1) ≈ k = 12, i =1
k
12 tem-se:
Vilfredo
Federigo
Samaso
A Distribuição de PARETO
(1848 - 1923)
Pareto é também conhecida
como Exponencial Dupla,
Hiperbólica ou Lei do Poder.
É usada para modelar tempo
de CPU e tamanho de
arquivos na Internet.
27
Distribuições sócio-econômicas de Pareto é dada por:
com grandes caudas à direita. Tamanho
de populações, ocorrência de fenômenos α βα x -(α +1) se x ≥ β, α, β > 0

f (x ) = 
naturais, preços de ações, renda pessoal, 0 c.c.
etc.
1,0
Os parâmetros de locação, β > 0 0,8
representa o menor valor possível da 0,6
variável. O parâmetro α > 0 0,4
representa a forma da distribuição.

0,2
0,0
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0 11,0 12,0 13,0 14,0
  1000 3
Suponha que a renda de uma 1 - se x ≥ 1000
F(x) =   x 
determinada população tenha uma 
0 se x < 1000
distribuição de Pareto com parâmetro de
P (2000 < X < 4000) = F( 4000) − F( 2000) =
forma igual a 3 e parâmetro de escala igual a 3 3 3 3
 1000    1000    1   1 
1000. Determine o percentual da população = 1−   − 1 −    =   −  =
 4000    2000    2   4 
que tem renda entre 2000 e 4000. 1 1 7
= − = = 10,94%
8 64 64
28
A função F(x) é dada pela seguinte 1,0
expressão relativamente simples: 0,8
0,6
  β α 0,4
1 - se x ≥ β
F( x ) =   x  0,2

0 se x < β 0,0
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0 11,0 12,0 13,0 14,0
A expectância ou valor esperado de A variância da distribuição de

uma distribuição de Pareto é dada por: Pareto é dada por:
αβ α β2
µ = E (X ) = se α > 1 σ 2= V(X) = se α > 2
α −1 (α − 2) (α −1) 2
Considerando uma P(α; β),

determinar:
P(2; 0,1). Fazer um diagrama dos
(1) A moda;
resultados e calcular as seguintes
(2) A mediana;
medidas: média, desvio padrão, moda,
(3) A assimetria;
mediana, assimetria e curtose. (4) A curtose.
29
mo = β Um gerador para obter valores de
me = uma variável de Pareto é dado por:
2(α + 1) α − 2 α α
µ3 = se α > 3
F(x) = 1 − 
 β  ⇒  β  = 1− u
α−3 α   
x x
3(3 α 2 + α + 2)(α − 2) β 1/α
µ4 = se α > 4 = (1− u) ⇒ x = β u −1/ α
α (α − 3)(α − 4) x

distribuição Qui-Quadrado se sua fdp
for do tipo:
 υ −1 − x
x 2 e 2
 υ se x > 0

f ( x) =  2  υ 
2 Γ 
  2


0 se x ≤ 0
0,60 Q(1)
Q(2)
Q(3)
Determinar a representação gráfica, em Q(4)
0,40 Q(5)
um mesmo diagrama, das seguintes

distribuições: 0,20
χ 12 , χ 22 , χ 32 , χ 24 e χ 52
0,00
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0
30
O que é tabelado é a função inversa
(percentis), em relação a área à direita
Não existe uma expressão
(unilateral) de cada curva (uma para cada
analítica para F(x) genérica. Ela é
linha), ou a soma das caudas (bilateral),
isto é, a tabela retorna um valor “t” tal que avaliada numericamente.
P(Τ ≥ t) = α ( unilateral) ou P(|T| ≥ t) = α .

A expectância ou valor esperado da A Variância da Distribuição da Qui-

Distribuição Qui-Quadrado é dado por: Quadrado é dada por:
E( X) = υ Var(X) = 2υ
O que é tabelado é a função Considerando uma χ2(ν),

determinar:
inversa, em relação a área à direita de
(1) A moda;
cada curva (uma para cada linha), (2) A mediana;
isto é, dado um valor de área na cauda (3) A assimetria;
direita (α
α ), a tabela retorna um valor “x” tal (4) A curtose;
que P(χ 2 ≥ x) = α
31
µ o = ν − 2 se ν > 2
µe = ν − 2 / 3
χ32 . Apresentar os resultados de forma
8 12 tabular e gráfica, calculando todas as
γ1 = γ2 =
ν ν
principais medidas.
2
γ=
ν
A geração de valores de uma Qui-

Quadrado com ν gl é divido em dois
casos: ν par (primeiro algoritmo) e ν
ímpar (segundo algoritmo)
r
χ2ν ~ −2 ln( ∏ U i), r = ν/2
i =1
r
χ2ν ~ −2 ln( ∏ U i) + Z 2 , r = (ν − 1) /2
i =1
John William
Strutt (Lord)
RAYLEIGH
A distribuição de (1842 - 1919)
Rayleigh pode ser obtida Se for tomado um número complexo

através de duas componentes ao acaso com as componentes real e
ortogonais normalmente IID. imaginária normalmente IID o valor
O valor absoluto (p. e. absoluto terá uma distribuição de
velocidade do vento) terá uma Rayleigh.
distribuição de Rayleigh.
32
2 A expressão da distribuição de
Se β = 1, então R(1)2 ~ χ2 ;
Rayleigh é:
A χ2 é uma generalização da
Rayleigh;
 1  x 2 
A Weibull é, também, uma f ( x) =
x
exp −    se x ≥ 0, β > 0
β2  2 b 
 
generalização da Rayleigh.
1 ,4 R(0,5)
R(1)
1 ,2
R(1,5)
1 ,0
R(2)
O modelo apresenta um parâmetro 0 ,8
0 ,6
de escala β.
0 ,4
0 ,2
0 ,0
0,0 1,0 2,0 3 ,0 4 ,0 5 ,0 6 ,0 7 ,0 8,0 9,0 1 0,0
1,0
A FD da Distribuição de Rayleigh é: 0,9

0,8
0,7
R(0,5)
0,6
R(1)
0,5
R(1,5)
 1  x 2 
0,4
R(2)
F( x ) = 1 − exp −    se x ≥ 0, β > 0
0,3
 2 β  0,2
  0,1
0,0
0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0
33
A expectância ou valor esperada da A Variância da Distribuição de
Distribuição de Gumbel é dado por: Rayleigh é dada por:
µ = E(X) = β
π 2 2 π  ( 4 − π) β2
2 σ = V(X) = β  2 − =
 2 2
Considerando uma R(β), µo = β µe = β − 2 ln(0,5) = 1,3863β

determinar:
π
(π − 3) 6 π2 − 24π + 16
(1) A moda; γ1 =
µ3
= 2 = 0,6311 γ2 = −
(4 − π)2
=
µ32  π
3/ 2
(2) A mediana;  2−  = 0,2451
 2
(3) A assimetria;  π
β2  2 − 
2
(4) A curtose; γ=

=
4−π
= 0,5227
π π
β
(5) O coeficiente de variação 2

A geração de valores dessa
R(2). Representar os resultados
distribuição é feita através de uma qui-
quadrado.
principais medidas. U = β[ − 2 ln(u ) ]
34
William
Sealey
Gosset
(1876 - 1937)
A origem da distribuição t
foi um artigo publicado em
1908 por Gosset, químico da
cervejaria Guinness de Dublin.
Ele não pode publicar o artigo com o

seu verdadeiro nome daí o pseudônimo.
Sir Ronald A distribuição t, e Uma variável aleatória X tem uma

Aylmer
principalmente o teste t, se
Fisher distribuição “t” ou de Student se sua
(1890 - tornaram bem conhecidos através
1962)
do trabalho de Fisher, que foi fdp for do tipo:
quem a batizou de distribuição de  υ +1
Γ 
Student. Ela surge em quase todo f (x) =  2  ν>0
trabalho estatístico sempre que se υ +1
tenha que estimar o desvio padrão  υ 

πυ.Γ   1 +  x2  2
 2  υ 
a partir de dados amostrais.
0,4 t(1)
t(3)
t(10)
Determinar a representação gráfica, em 0,3 t(25)

N(0: 1)
um mesmo diagrama, das seguintes 0,2
distribuições: t(1), t(3), t(10), t(25) e Z.

0,1
0,0
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
35
O que é tabelado é a função inversa
(percentis ), em relação a área à direita
(unilateral ) de cada curva (uma para Não existe uma expressão
cada linha), ou a soma das caudas analítica para F(x) genérica. Ela é
(bilateral), isto é, a tabela retorna um valor
avaliada numericamente.
“t” tal que P(Τ ≥ t) = α (unilateral) ou
P(|T| ≥ t) = α.
A expectância ou valor esperado da A Variância da Distribuição da t é

Distribuição t é dado por: dada por:
υ
µ = E (X) = 0 Var(X) =
υ-2
Considerando uma t(ν), determinar:

(1) A moda; µo = 0 = µ e
(2) A mediana;
(3) A assimetria; γ1 = 0
(4) A curtose;
3ν − 6
(5) O coeficiente de variação. γ2 =
ν−4
ν>4
36
A geração dos valores de uma
Gerar 10000 valores de uma distribuição t é feito através do
t(3). Apresentar os resultados de forma quociente de uma normal e uma Qui-
tabular e gráfica, calculando todas as Quadrado.
Z
tn ~ Onde Z é a
principais medidas. χ2n
n normal padrão.
Uma VAC X é uniforme no intervalo

[a; b] se assume todos os valores com
igual probabilidade. Isto é, se f(x) for:
 1
 se a ≤ x ≤ b
f ( x) =  b − a

0 c.c.
Fdp da U(2; 6)
Seja X uma VAC com distribuição 0,3
uniforme no intervalo [2; 6], isto é, 0,25
0,2
X ~ U(2; 6). Então a fdp é dada por:
0,15
0,1
 1 1
 6 - 2 = 4 se 2 ≤ x ≤ 6 0,05
f (x ) =  0
0 c. c.
0 2 4 6 8 10

37
Seja X uma uniforme no intervalo
A função F(x) é dada por:
[2; 6], então a FDA de X é dada por:
0 se x < a
x −a 0 se x < 2
 
F(x ) =  sea ≤ x ≤ b x − 2
b−a F( x ) =  se 2 ≤ x ≤ 6

1 se x > b  4
1 se x > 6

FDA da U(2; 6)
1
+∞ b x
0,9 E( X) = ∫−∞ x.f ( x )dx = ∫a dx =
0,8 b−a
0,7
0,6 b
0,5 1  x2  2
b −a
2
0,4 =   = =
0,3
b − a  2  a 2(b − a )
0,2
0,1
( b − a ).( b + a ) a + b
0 = =
0 1 2 3 4 5 6 7 8 2(b − a ) 2
A variância será então:

2
σ 2 = V (X ) = E (X 2) − E( X ) =
σ2 = V(X) = E(X2) – E(X)2
3 3 2
b −a  a+b 
2 = −  =
E (X 2) = ∫−+∞∞ x 2 .f ( x ) dx = ∫ab x dx = 3( b − a )  2 
b −a 3 3 2 2
b −a a + b − 2ab
b = − =
1  x3  3 3 3( b − a ) 4
= = b −a =
 
b − a  3 a 3( b − a ) ( b− a )
2
=
12
38
Gerador
Para gerar uma VAC Uniforme em
um intervalo [a, b], basta fazer:
x −a
F( x ) =
b−a
x −a
u=
b−a
x = a + (b − a )u
Ernest A função densidade de

A Distribuição de Weibull Hjalmar
Waloddi probabilidade de Weibull é dada por:
(1951) é aplicável a uma série de WEIBULL
(1887 - 1979)
fenômenos, sendo uma das β  x − γ  β −1   x − γ β 

   exp −    se x ≥ γ
principais áreas os tempos de f ( x) =  δ  δ    δ  

0 c.c.
falha de componentes elétricos e
mecânicos.
Os parâmetros são γ (-∞ < γ < ∞) o de

1,60 W(0,1,1)
1,40
W(0,2,1)
W(0,3,1)
locação, δ > 0 o de escala e β > 0 o de 1,20
W(0,4,1)
1,00
forma. 0,80
Quando γ = 0 e β = 1, a Weibull se 0,60
0,40
reduz a uma exponencial de parâmetro 0,20
λ = 1/δ.
0,00
0,0 0,4 0,8 1,2 1,6 2,0 2,4 2,8 3,2 3,6 4,0
39
A vida de equipamento eletrônico é dada
por Y = X1 + X2 + X3 + X4, a soma das vidas
de seus componentes. Os componentes são P ( Y > 24) = 1 − F( 24) =
3
independentes, cada um tendo tempo de falha = ∑ (e −6 6k )/k! =
exponencial com média entre falhas de 4 k =0
horas. Qual é a probabilidade de que o = 15,12%
sistema opere pelo menos 24 horas sem
falhas?
A função F(x) é dada pela seguinte 1,00
0,90
expressão relativamente simples: 0,80
0,70
0,60
0,50
   x-γ β 0,40

1 - exp -    se x ≥ γ 0,30
W(0,1,1)
F( x ) =    δ   0,20
W(0,2,1)
W(0,3,1)
 0,10 W(0,4,1)

0 se x < γ 0,00
0,0 0,4 0,8 1,2 1,6 2,0 2,4 2,8 3,2 3,6 4,0
A distribuição do tempo de falha

para um equipamento eletrônico é uma P(X > 400) = 1 − F( 400) =
Weibull com parâmetros γ = 0, β = ½ e δ
= exp( − 400 / 100 ) =
= 100. Determine a fração de
= e - 2 = 13,53%
equipamentos que espera resistam mais
de 400 horas
40
A expectância ou valor esperado de A Variância da Distribuição de Weibull
uma Distribuição de Weibull é dada por: é dada por:
 2
 1 2 = V(X) = 2 Γ 2    1  
µ = E( X ) = γ + δΓ1 +  σ δ  1 +  − Γ 1+   
β  
 β   β  
 
Gerador
Para gerar valores de uma VAC
Weibull, uma possibilidade é utilizar o  x -γ β β

exp - 
  = 1 − u ⇒ − ln(1 − u ) =  x - γ 
  
seguinte algoritmo:   δ  
   δ 
1/ β x- γ 1/ β
 β [− ln( 1− u )] = ⇒ x - γ = δ [ − ln( 1− u )]
 x-γ  δ
1 - exp -   = u 1/ β 1/ β
  δ   x = δ [− ln( 1− u )] + γ ⇒ x = δ [− ln( u )] +γ
 
41

Simulação Probabilística PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Simulação Probabilística PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Prof. Lorí Viali, Dr.

A distribuição Beta apresenta

por: introduzida pela primeira

A função densidade de probabilidade

projeto de sistemas. Usada extensivamente 0,90

A expectância ou valor esperado da

Considerando uma B(α; β),

A geração de uma distribuição Beta

A expressão geral da distribuição de

0,7 C(-1; 0,5)

A distribuição de Cauchy não

Considerando uma C(α; β),

Uma variável aleatória T tem uma

Considere um servidor da WWW com

interchegadas, X, é uma Exponencial de = lim [− e − 0 ,1 t ]− ( e − 1 ) =

FDs - E(2,0) - E(1,0) - E(0,5)

σ2 = V(T) = E(T2) – E(T)2 A variância será então:

Uma variável aleatória X tem uma

F(1, 3) - F(2, 5) - F(5, 10) - F(20, 20)

1%, isto é, “x” tal que P[F(m, n) ≥ x] = 5% todas as principais medidas.

A geração de uma F(m, n) é feita

Para se definir a Distribuição A função Gama é recursiva, isto é:

Se n é um inteiro positivo, então:

Γ(1) = ∫0∞ e − xdx = 1 1

Uma vez definida a Função Gama, Onde os parâmetros r > 0 e Agner

Existe uma relação bastante Se uma variável aleatória X é a soma

Se r é um inteiro positivo a FDA pode

A vida de equipamento eletrônico é dada Como r = 4, então a FDA da Gama é

A expectância ou valor esperado de A Variância da Distribuição Gama

é também conhecida como A distribuição tem duas formas.

A distribuição é utilizada na A expressão da distribuição de

0,8 G(-0,5; 0,5) 0,8 G(-0,5; 0,5)

A FD da Distribuição de Gumbel é: 1,0

Considerando uma G(α; β),

µ e = α + β[ln(ln( 2 ))] = α − 0 ,3665 β

Essa distribuição é, às vezes, 0,2

denominada de primeira lei do Erro de 0,0

A Expectância da distribuição de A variância da distribuição de

Gerar 10000 valores de uma

A expressão da fdp da Log-

de localização µ e um de escala σ. 0,8

A FD de Distribuição Log-Normal é: 0,9

A expectância ou valor esperada da A variância da distribuição Log-

µ = E(X) = exp(µ + σ2 / 2) σ2 = V(X) = exp(2µ + 2 σ2) − exp(2µ + σ2)

A geração de valores dessa

A distribuição Logística apresenta

A função densidade de probabilidade

F(x ) = para x ∈ R, β > 0

A expectância ou valor esperado da A Variância da Distribuição

Considerando uma L(α; β), µ = µe = µo = α

(2) A mediana; µ 4 = 6 / 5 = 4,2

A normal não é integrável

Utilizar integração numérica. A curva escolhida é a

uma vez que µ = 0 e σ = 1. -4,0 -3,0 -2,0 -1,0

O que é tabelado é a FDA da 1,0

A expectância ou valor esperado da A Variância da Distribuição Normal

Um dos possíveis métodos de

de populações, ocorrência de fenômenos α βα x -(α +1) se x ≥ β, α, β > 0

Os parâmetros de locação, β > 0 0,8

representa o menor valor possível da 0,6

variável. O parâmetro α > 0 0,4

representa a forma da distribuição.

expressão relativamente simples: 0,8