GERADORES DE NÚMEROS ALEATÓRIOS

E DISTRIBUIÇÕES DE PROBABILIDADE

William R. dos Santos: rsantos.w@gmail.com

 GNA e distribuições de probabilidade

• Conteúdo da aula:
– Conceitos sobre GNA
– Métodos geração números aleatórios
– Distribuições de probabilidade teóricas
– GNA na simulação de sistemas discretos

William dos Santos rsantos.w@gmail.com

 Introdução

• Por que a utilização de números aleatórios?

– Exemplo de sistema: chegada de clientes em um banco
• Existe aleatoriedade?

– Modelo deve ser capaz de representar esse fenômeno

William dos Santos rsantos.w@gmail.com

 Conceitos sobre GNA

• O objetivo é gerar um número aleatório [0,1] de uma

distribuição uniforme

f(x)

0 1 x

William dos Santos rsantos.w@gmail.com

 Conceitos sobre GNA

• São calculados a partir de algoritmos:

– Função de recorrência , onde
• S0 é chamado de semente

• São chamados de pseudo-aleatórios

– Pela possibilidade de repetição

William dos Santos rsantos.w@gmail.com

 Papel dos números (pseudo) aleatórios na
simulação
• Buscar um valor na distribuição de probabilidade
T1

T2
G F T3

...
...
Tn

Gerador de Função de repartição: Tempos

número aleatório Exponencial, Normal, segundo as
etc distribuições

Chwif & Medina (2010)

William dos Santos rsantos.w@gmail.com

 Métodos para geração de números
aleatórios
• Método Congruente Linear
xi 1  (axi  c) mod M
– Gera números aleatórios inteiros entre [0, M-1]
– a, c, e M números inteiros (a < M e c < M)
– X0 é a semente, tal que 1 ≤ X0 ≥ M
– mod função resto inteiro da divisão
• Ex: 5 mod 2 = 1

William dos Santos rsantos.w@gmail.com

 Métodos para geração de números
aleatórios
• Exemplo
• M = 99, X0=7, a = 9 e c = 3
n Xn y=a*xn+ c y mod M Xn+1/M
0 7 66 66 0,66667
1 66 597 3 0,0303
2 3 30 30 0,30303
3 30 273 75 0,75758
4 75 678 84 0,84848
5 84 759 66 0,66667
6 66 597 3 0,0303
7 3 30 30 0,30303
8 30 273 75 0,75758

William dos Santos rsantos.w@gmail.com

 Métodos para geração de números
aleatórios
• Variações do Método Congruente Linear:
– Multiplicativo (quando c = 0)

– Aditivo (quando a =1, c = é um número que precede Xn na

sequência);

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias (VA)

• Conceitos básicos de VA
– Variável aleatória é discreta se o número de
resultados possíveis é finito ou pode ser contado
• Ex: o número de peças rejeitadas por lote numa linha de produção
é uma VA discreta.

– Variável aleatória é contínua se pode assumir

qualquer valor dentro de determinado intervalo
– São determinadas por uma medição
• Ex: o lucro líquido mensal de uma empresa é uma VA contínua

Número de resultados infinitos

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias (VA)

• Conceitos básicos de VA
– Tem duas propriedades
• VAD f(x)

– 𝑝 𝑥𝑖 ≥ 0
– σ∞
𝑖=1 𝑝 𝑥𝑖 = 1
• VAC x

– 𝑓 𝑥 ≥0 f(x)
∞
– ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias (VA)

• Método da transformada inversa

– Distribuições de probabilidade (discretas e contínuas)

• Seja X a variável aleatória e a sua função de

distribuição acumulada F(X) = P{X ≤ x}
– Gerar um número uniforme u entre [0,1]
– F-1 (r) = x

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias (VA)

• Método da transformada inversa

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias contínuas
(VAC)
• Método da transformada inversa (VAC)
– Ex: F(x) = 1 – e-λx, λ= 0,25
– Considerando r um número aleatório [0,1]
– Igualando F(x) = r
– Gerador números aleatórios:
1
𝑥 = − ln(1 − 𝑟)
λ
Distribuição exponencial

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias contínuas
(VAC)
• Método da transformada inversa (VAC)
−1
1 𝑋−𝜇 2
– Distribuição normal: 𝐹 𝑥 = 𝑒 2𝜎2
2𝜋𝜎 2
– Gerar dois números aleatório r1 e r2:

𝑥 = −2𝑙𝑛𝑟1 1/2 ∙ cos 2𝜋 ∙ 𝑟2

𝑥 − 𝜇
𝑦=
𝜎

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias discretas
(VAD)
• Método da transformada inversa (VAD)
– Distribuição de probabilidade acumulada:
• 𝐹 𝑥 = σ𝑥𝑘 ≤𝑋 𝑃(𝑋 = 𝑥𝑘 )

– Gerar r um número aleatório [0,1]

– Escolher menor inteiro i, tal que 𝑟 ≤ 𝐹 𝑥𝑖
– Faça variável aleatória x = xi

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias discretas
(VAD)
• Método da transformada inversa (VAD)
– Ex:
F(x) xk
0,1 10
0,25 20
0,5 30
0,85 40
0,95 50
1 60

William dos Santos rsantos.w@gmail.com

 Geração de variáveis aleatórias discretas
(VAD)
• Método da transformada inversa (VAD)
– Ex:

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade

• Discretas: Modelagem de fenômenos discretos

– Ex: quantidade de peças refugadas em um lote, número de falhas em
uma máquina a cada lote de peças
• Geométrica
• Binomial
• Poisson

• Contínuas: Modelagem de fenômenos contínuos (tempo, temperatura,

variação do diâmetro)
– Ex: Tempo entre chegadas de peças no sistema, tempo de
processamento em uma máquina, tempo entre falhas de uma
máquina
• Uniforme
• Exponencial
• Triangular
• Normal

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAD

• Distribuição Geométrica
– p(x) = P(X=x) = (1-p)x – 1p, para x= 1,2,3…
• p – probabilidade de sucesso
• (1-p) – probabilidade de fracasso
1
–𝐸 𝑋 =
𝑝
𝑞
–𝑉 𝑋 =
𝑝2
– Característica do fenômeno observado
• Ex: Um processo de qualidade de peças usinadas do tipo “passa ou
não-passa”

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAD

• Distribuição Binomial: o número de sucessos em um

conjunto de n tentativas
𝑛
–𝑓 𝑥 = 𝑝𝑥 1 − 𝑝 𝑥−1
𝑥
– Parâmetros: p – probabilidade de sucesso
n – número de tentativas
– Característica do fenômeno a ser modelado
• Ex: número de peças refugadas em um processo de rebarbação

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAD

• Distribuição Binomial: o número de sucessos em um

conjunto de n tentativas
– Média: 𝐸 𝑥 = 𝑛𝑝
– Variância: 𝑉 𝑥 = 𝑛𝑝(1 − 𝑝)

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAD

• Distribuição de Poisson
𝑒 −𝜇 𝜇 𝑥
–𝑓 𝑥 =
𝑥!
– Parâmetro: µ – média de eventos discretos em
uma unidade de medida
– Característica do fenômeno a ser modelado
• Ex: quantidade de caminhões que chegam com laranja em 1 turno

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAD

• Distribuição de Poisson
– Média: 𝐸 𝑥 = 𝜇
– Variância: 𝑉 𝑥 = 𝜇
f (x )

x
Chwif & Medina (2010)

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Uniforme:
1
–𝑓 𝑥 =
𝑏−𝑎
– Parâmetros : a=menor valor, b=maior valor, tal que a < b;

– Característica do fenômeno a ser modelado

• Modelagem de processos que todos os valores tem igual
probabilidade entre [a,b]

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Distribuição Uniforme
𝑎+𝑏
• Média: 𝐸 𝑥 = ;
2
𝑏−𝑎 2
• Variância: 𝑉 𝑥 =
12

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Exponencial:
– 𝑓 𝑥 = 𝑒 −λ𝑥
– Parâmetro: λ – taxa de ocorrência

– Característica do processo a ser modelado

• Ex: Chegadas de peças sucessivas para pintura

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Distribuição Exponencial
1
– Média: 𝐸 𝑥 =
λ
1
– Variância: 𝑉 𝑥 =
λ2
f(x)
1/λ

x
Chwif & Medina (2010)

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Distribuição Triangular:
2(𝑥−𝑎) Para a ≤ x ≤ m
(𝑚−𝑎)(𝑏−𝑎)
– 𝑓(𝑥) ൞ 2(𝑏−𝑥)
Para m ≤ x ≤ b
(𝑏−𝑚)(𝑏−𝑎)

– Parâmetros: a=menor valor, b=maior valor e m=valor que

mais ocorre (moda) tal que a < m < b;
– Característica do processo a ser modelado
• Útil quando se possui dados suficiente para se conhecer a
distribuição de probabilidade exata estimativas com o
menor valor, valor mais provável e para o maior valor

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Distribuição Triangular:
𝑎+𝑚+𝑏
–𝐸 𝑥 =
3
𝑎2 +𝑚2 +𝑏 2 −𝑚𝑎−𝑎𝑏−𝑚𝑏
–𝑉 𝑥 =
18
f (x )

a m b x
Chwif & Medina (2010)
William dos Santos rsantos.w@gmail.com
 Distribuições de probabilidade VAC

• Distribuição Normal:
−1
1 𝑋−𝜇 2
– 𝑓 𝑥 = 𝑒 2𝜎2
2𝜋𝜎 2
– Parâmetros: σ2=variância e µ =média

– Característica do fenômeno a ser modelado

• Modela situações em que a distribuição do processo pode ser
considerado como soma das distribuições de micro processos
• Ex: Operação de dobrar=op. pegar perfil no carrinho+op.
posicionar perfil+op. dobrar perfil+op. retirar perfil da dobradeira

William dos Santos rsantos.w@gmail.com

 Distribuições de probabilidade VAC

• Distribuição Normal
– 𝐸 𝑋 =𝜇
– 𝑉 𝑋 = 𝜎2
f (x )

σ µ σ
Chwif & Medina (2010)
William dos Santos rsantos.w@gmail.com
 Distribuições de probabilidade

• Discretas: variáveis aleatórias discretas (MORABITO, 2002):

– Binomial
– Poisson
– Geométrica
– Hipergeométrica
– Multinomial
• Contínuas: variáveis aleatórias contínuas (CHWIF & MEDINA, 2010):
– Beta
– Erlang
– Exponencial
– Gama
– Lognormal
– Normal
– Uniforme
– Triangular
– Weibull

William dos Santos rsantos.w@gmail.com

 GNA em simulação de eventos discretos

• Ex: Características do sistema

– Chegada de peças distribuição Exponencial com média
igual a 12
– Processo de torneamento: a operação total = N(10,3)
– Inspeção de qualidade (“passa ou não-passa”), o processo
de inspeção tem valor mínimo de 0,5min, valor esperado
de 1min e máximo de 2min. Foram constatadas 25 peças
rejeitas em um lote de 100.
– Simulação por 1 mês (9600 minutos)

William dos Santos rsantos.w@gmail.com

GERADORES DE NÚMEROS ALEATÓRIOS
E DISTRIBUIÇÕES DE PROBABILIDADE

William R. dos Santos: rsantos.w@gmail.com