Teoria de Filas – Aula 3 Aula Anterior Independência Condicionamento Probabilidade Total Variável aleatória discreta Funções de distribuição. Aula de Hoje Variáveis aleatórias discretas Bernoulli Binominal Uniform Poisson Geométrica Definição de V.A. Uma variável aleatória X é uma função sobre um espaço amostral S que associa um número real a cada elemento de S X : S ℜ v.a. é uma função (e não uma variável) imagem de X é o espaço amostral (discreto ou contínuo) função não precisa ser bijetora (um-para-um) Definição de V.A. Função de probabilidade de massa (pmf) Associar probabilidade a valores de uma v.a. Seja X uma v.a. (discreta) Qual a probabilidade de X = x? {s∣X s= x } Conjunto de eventos elementares que são mapeados no valor x p X x= P[ X =x ]=P [{ s∣X s = x }]= ∑ P [s ] X s= x notação de pmf (probability mass function) 4 Exemplo: 2 dados Seja X uma v.a. que representa a soma de dois dados Defina a pmf de X p X x= P[ X =x ] Qual é o domínio de X (valores que X pode assumir)? p X 2 = P [ X =2 ] = 1/36 X=2 : {(1,1)} p X 3 = P [ X =3 ] = 2/36 X=3 : {(1,2), (2,1)} p X 4 = P [ X =4 ] = 3/36 X=4 : {(1,3), (2,2), (3,1)} ... 5 Exemplo: 2 dados P [X = x] pmf, graficamente x (valor que X pode assumir) 6 Função de distribuição cumulativa (cdf) Probabilidade cumulativa (ao invés de pontual) Dada v.a. X, temos F X x=P [ X x ]= P[{s∣X s x }]= ∑ P [s ] X s x notação da cdf (cumulative distribution function) FX(x) é não decrescente Limite quando x tende a infinito é 1 7 Exemplo: 2 dados P [X <= x] cdf, graficamente x (valor que X pode assumir) 8 Uniforme A pmf mais simples é da v.a uniforme, onde TODOS os elementos do conjunto imagem, de cardinalidade n, terão a mesma probabilidade de ocorrência pmf p X xi =1/n para todo x i no conjunto imagem cdf F X x= x i=1 p X i =x /n 9 Bernoulli Somente dois eventos podem ocorrer cara ou coroa, sucesso ou falha, par ou ímpar, etc. v.a. binária (evento 0 ou evento 1) Parâmetro p, ocorrência de um dos eventos) pmf: p X 0=1− p p X 1= p 10 Bernoulli CDF F(x) = 0 F(x) = q F(x) = 1 x<0 0 <= x <1 x >= 1 p+q = 1 q 0 1 11 Binomial Contagem de eventos de Bernoulli eventos indepenentes Número de sucessos dado N experimentos Dois parâmetros p: prob. de ocorrência do evento (sucesso) N: número de experimentos pmf: k N −k N p X k = p 1− p k Número de vezes que exatamente k eventos podem ocorrer Prob. que exatamente k eventos ocorram 12 Binomial cdf ¿ ki NN− k k −i N Bt ; n , p =i=0 p 1− p B k ; n , p= i=0 N k i p 1− p 13 Binomial pmf 14 Binomial cdf 15 Binomial Quando usar a distribuição binomial? Cada tentativa (evento de Bernoulli) tem exatamente dois resultados, usualmente definidos como sucesso e falha A probabilidade de sucesso em cada tentativa é constante e denotada por p. A probabilidade de falha é dada por q = 1-p Os resultados de duas tentativas sucessivas são independentes 16 Aplicando a v.a. Binomial Em Redes de Computadores Probabilidade de conexões simultâneas na comutação de pacotes 17 Aplicação da v.a Binomial Comutação de pacotes permite mais usuários compartilhando a rede! 1 Mb/s enlace Cada usuário: 100 kb/s quando “ativo” ativos 10% do tempo Comutação de circuitos: 10 usuários N users 1 Mbps link Comutação de pacotes: com 35 usuários, probabilidade > 10 ativos ao Q: como calcular a probabilidade 0.0004? mesmo tempo é de .0004 Aplicando a v.a. Binomial Podemos considerar cada usuário como um evento de Bernoulli: X: v.a. Total de usuários ativos Sucesso → ativo → p = 0.1 P[X > 10] = ? Devemos considerar TODAS as combinações onde temos mais de 10 usuários ativos Aplicando a v.a. Binomial Ao se transmitir dígitos binários através de um canal de comunicação, o número de dígitos recebidos corretamente, Cn , entre n dígitos tem uma distribuição binomial, onde p é a probabilidade de sucesso de transmissão de um dígito. Qual a probabilidade de ter exatamente i erros? Qual a probabilidade de se ter uma transmissão livre de erros? Aplicando a v.a. Binomial Número de pessoas com Rh positivo em um conjunto de 10 indivíduos Número de meninas numa família com 5 filhos Geométrica Sequência de eventos de Bernoulli até que ocorra um sucesso (incluindo o sucesso) Parâmetros p: prob. de ocorrência do evento (sucesso) pmf: p X k = p1− p Prob. de um evento de sucesso k −1 Prob. de exatamente k-1 eventos de falha Geométrica cdf: F X k = k i=1 p 1− p i−1 Geométrica Aplicações v.a. Geométrica Uma série de componentes é produzida por um determinado fabricante. A probabilidade que um dado componente esteja com defeito é dada por uma constante p, que não depende da qualidade dos componentes produzidos anteriormente. A probabilidade de que o i-ésimo componente é o primeiro com defeito é dada pela pmf da v.a. geométrica pX(i) = (1-p)i-1p Aplicações v.a. Geométrica Considere o seguinte sistema de computação: q CPU Fila de processos “prontos” p Aplicações v.a. Geométrica Se assumimos independência, a pmf da v.a. que denota o número total de time slices necessários para a execução do programa é dada pela pmf da v.a. geométrica: pX(i) = (1-p)i-1p Geométrica Modificada Sequência de eventos de Bernoulli anterior ao primeiro sucesso pmf p X k = p1− p cdf F X k = k i=1 k p 1− p i Aplicações v.a. Geométrica Modificada Se considerarmos que um determinado loop de um programa é executado com probabilidade q = 1-p, o total i de vezes que o loop é executado antes da saída é dada por uma v.a geométrica modificada pX(i) = (1-p)ip Propriedade de Falta de Memória Geométrica Uma propriedade importante da v.a geométrica é a propriedade de memoryless. Consideremos uma sequência de eventos de Bernoulli Z – v.a que representa o número total de eventos até o primeiro sucesso n – total de eventos já observados com resultado de falha Y – v.a que representa o número total de eventos até o sucesso → Y = Z - n Propriedade de Falta de Memória Geométrica Pela propriedade de falta de memória, não necessitamos “lembrar” quantos eventos de Bernoulli aconteceram para determinar a probabilidade das tentativas adicionais até alcançar o sucesso! Assim, o número de tentativas restantes até o primeiro sucesso, dada pela v.a Y, tem a mesma pmf de Z! Poisson Número de eventos que ocorrem em um determinado intervalo de tempo Parâmetros t: intervalo de tempo l: taxa média de ocorrência de eventos por unidade de tempo pmf: −l t k p X k = e Siméon-Denis Poisson (1781-1840) l t k! 32 Poisson 33 Exemplo com Poisson Chegada de chamadas a uma central de atendimento segue a distribuição de Poisson Taxa média de chegada é de 3 chamadas por minuto Qual a probabilidade de não haver nenhuma chamada em 1 minuto? Qual a probabilidade de termos mais de 100 chamadas em 1 hora? 34 Poisson Em sistemas com congestionamento (ou seja com filas), o número total de jobs que chegam, o número total de jobs que completam o serviço, o número total de mensagens transmitidas em um canal de comunicação, em um intervalo fixo de tempo, é aproximado por uma v.a de Poisson 35