Post on 26-Sep-2020
SIMULAÇÃO
Anibal Vilcapoma
AULA 4
Programa
• Variáveis aleatórias
• Distribuições discretas
• Distribuições contínuas
Variáveis aleatórias
Variáveis aleatórias
• Variável aleatória: função real definida sobre o espaço amostral
– soma dos valores obtidos após o lançamento de dois dados
– número de caras após um certo número de lançamentos de uma moeda
– tempo entre duas chegadas sucessivas a uma fila
– tempo de processamento de uma tarefa
Variáveis aleatórias
• Valor de uma variável aleatória (v.a.) é determinado pela saída de um experimento é possível associar probabilidades aos valores que podem ser assumidos por uma V.A
• X: v.a. definida pela soma dos valores obtidos após o lançamento de dois dados
P{X=1} = P{} = 0
P{X=2} = P{(1,1)} = 1/36
P{X=3} = P{(1,2),(2,1)} = 2/36 = 1/18 ...
Variáveis aleatórias
• Y: v.a. definida pelo número de caras observadas após dois lançamentos de uma moeda
P{Y=0} = P{(B,B)} = 1/4 Acara Bcoroa
P{Y=1} = P{(A,B),(B,A)} = 1/2
P{Y=2} = P{(B,B)} = 1/4
P{Y=0} + P{Y=1} + P{Y=2} = 1
Variáveis aleatórias
• N: v.a. definida pelo número de lançamentos de uma moeda até aparecer a primeira cara, sendo p a probabilidade de observar-se cara em cada lançamento
• P{N=1} = P{A} = p
P{N=2} = P{(B,A)} = (1-p)p
P{N=3} = P{(B,B,A)} = (1-p)2p
…
P{N=n} = P{(B,B,…,B,A)} = (1-p)n-1p
Variáveis aleatórias
• Função de distribuição acumulada (fda) ou função de distribuição F(.) da v.a. X: F(b) = P{X b} - < b < +
• F(b): probabilidade de que a v.a. X assuma um valor menor ou igual a b
• Propriedades:
– F(b) é uma função não-decrescente de b
– limbF(b) = F() =1, limb-F(b) = F(-) = 0
– p{a<Xb} = P{Xb} - P{Xa} = F(b) - F(a)
Variáveis aleatórias
• Variáveis aleatórias discretas: a v.a. assume um número finito ou contável de valores possíveis.
• Variáveis aleatórias contínuas: a v.a. assume valores dentro de um contínuo de valores possíveis.
Variáveis aleatórias discretas
• Variáveis aleatórias discretas: a v.a. assume um número finito ou contável de valores possíveis.
• Função de massa de probabilidade: p(a) = P{X=a}
• Se X pode assumir os valores x1, x2,… então p(xi) > 0, i=1,2,… p(x) = 0, outros valores de x
• Função de distribuição acumulada: F(a) = p(xi)
• Exemplo: p(1) = 1/2, p(2) = 1/3, p(3) = 1/6 0, a < 1, F(a) = 1/2, 1 a < 2 5/6, 2 a < 3 1, 3 a
i=1,2,…: xi a
Variáveis aleatórias discretas
Variáveis aleatórias discretas
1 2 3
a
F(a)
1/2
1
5/6
Variáveis aleatórias discretas
• Seja X uma v.a. discreta. Então, seu valor esperado é dado por:
0)(:
)(.][Expx
xpxX
Distribuições discretas
0 1 X
1-p
p
1
p(X)
p
Distribuição de Bernoulli
• Um experimento de Bernoulli tem somente dois resultados aleatórios possíveis:
• sucesso • fracasso
• A variável aleatória que corresponde ao experimento anterior é uma variável aleatória de Bernoulli.
• A notação de uma distribuição de Bernoulli é Be(p), onde 0 p 1 é a probabilidade de obter-se sucesso.
Distribuição de Bernoulli
• Lançamento de uma moeda
– Caso obtenha-se uma cara: sucesso
– Caso obtenha-se uma coroa: fracasso
• A direção que segue um veículo em uma bifurcação (caminho A ou B)
– Se segue o caminho A: sucesso
– Se segue o caminho B: fracasso
(o resultado deste experimento é uma v.a. somente para um observador externo, mas não para o condutor)
Distribuição de Bernoulli - Exemplos
• X v.a. Be(p) (X é uma variável aleatória discreta do experimento de Bernoulli de parâmetro p).
• Domínio de X:
X {0, 1}
• Função de massa de probabilidade:
P{X = 0} = P(0) = 1 - p
P{X = 1} = P(1) = p
Distribuição de Bernoulli
Os resultados possíveis deste experimento podem
ser “mapeados” nos números reais, logo:
• Função de distribuição acumulada:
Distribuição de Bernoulli
) X ( ) ( 0
x P h x F lim h
< - +
< -
1
1 , 1 ) (
x 1,
x p x F
0
Valor esperado: pppXE -+ 0).1(1.}[
Distribuições discretas: Binomial
x
f ( x )
Distribuição binomial
• Considere n experimentos independentes identicamente distribuídos (iid), cada um com distribuição Bernoulli de parâmetro p.
• Se a variável de interesse Y corresponde ao número de sucessos obtidos nestes n experimentos, então Y é conhecida como uma variável aleatória binomial de parâmetros n e p.
• Sejam X1, X2, …, Xn, onde as variáveis {Xi}, i=1,2,…,n são v.a.’s iid Be(p). Seja a v.a. Y definida por sua soma:
Distribuição binomial
n
i
iXY1
Y Bi(n, p)
Distribuição binomial
• Uma distribuição binomial de parâmetros n e p se denota Bi(n,p), onde:
– n é o número de experimentos de Bernoulli independentes realizados.
– p é a probabilidade de obter um sucesso em cada um dos n experimentos, 0 p 1.
• Uma moeda é lançada n vezes. Se em cada lançamento se obtém cara (sucesso) com probabilidade p, qual é a probabilidade de que em 0 i n experimentos se obtenha sucesso?
• Observam-se n veículos em uma bifurcação. Cada veículo segue o caminho A (sucesso) com probabilidade p. Qual é a probabilidade de que 0 i n veículos sigam o caminho A (sucesso)?
Distribuição binomial Exemplos
• Seja Y v.a. Bi(n,p) (Y é v.a. binomial de
parâmetros n e p), onde n N+ e 0 p 1
• Domínio de X: Y {0, 1, 2, …, n}
• Função de massa de probabilidade:
Distribuição binomial
Função de distribuição acumulada:
n i p p i
n i P i Y P
i n i -
-
0 , ) 1 ( ) ( } {
( ) n i p i p j
n i Y P
j n j i
j
-
-
0 , } { 0
Distribuição geométrica
• Considere n experimentos de Bernoulli independentes, cada um com probabilidade de êxito p
• X v.a. Ge(p) representando o número de tentativas até conseguir o primeiro êxito
• Função de massa de probabilidade:
• Função de distribuição: ( ) ( ) ,2,...1 n pp1npnXP
1n
--
pp)-(1 F(n)1-k
n
1k
Distribuição geométrica
• Exemplo: lançar a moeda até o primeiro êxito
– Êxito = cara Fracasso = coroa
• Exemplo: número de automóveis não específicos até que um siga o caminho A da bifurcação
– Êxito = A
Fracasso = B
Experimentos independentes
Distribuição geométrica
0 5 10 15 20
2
5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1 F(n)
n
Função de distribuição
Função de massa de probabilidade
p=0.6
n 0 5 10 15 20 25
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1 F(n)
Função de distribuição
Função de massa de probabilidade
p=0.2
Distribuições contínuas: Beta
0 0,5 1 x
f ( x )
α =2
β =1 α =3
β =2
α =4
β =4
α =2
β =3
α =1,5 β =5 α =6 β =2
α =2
β =1
Aplicações mais comuns :Modelagem de tempo de conclusão de atividades
em redes de planejamento
Distribuições contínuas: Erlang
x
f ( x )
λ =0,5 k= 3
λ =0,5
λ =0,2 k= 10
Aplicações mais comuns : Modelam processos compostos por fases
sucessivas nas quais cada fase tem uma distribuição exponencial. Teoria
das filas
Distribuições contínuas: Exponencial
x
f ( x )
1/ λ
Aplicações mais comuns :Modelam tempo entre ocorrencias sucessivas de
eventos ao duração do evento
Distribuições contínuas: Gama
x
f ( x )
α =0,
α =1
α =2
Aplicações mais comuns :Devido a sua flexibilidade, modelam tempos entre
ocorrências sucessivas de eventos, duração do evento, tempo entre falhas
sucessivas, etc.
Distribuições contínuas: Lognormal
x
f ( x )
µ =1 σ =1
µ =1 σ =0,5
Aplicações mais comuns :Modelam situações em que a distribuição do
processo envolvido pode ser considerada como multiplicação de um
conjunto de processos componentes.
Distribuições contínuas: Normal
f ( x )
µ Aplicações mais comuns : Modelam situações em que a distribuição do
processo envolvido pode ser considerada como a soma de processos
componentes, por exemplo, o tempo de execução que é a soma dos tempos
de execução de etapas de operação.
Distribuições contínuas: Uniforme
b a
1 / ( b-a )
x
f ( x )
Aplicações mais comuns : Modelam processos em que todos os valores em
um intervalo são igualmente prováveis de ocorrer.
Distribuições contínuas: Triangular
x
f ( x )
a b m
Aplicações mais comuns. Modelam situações em que não se conhece a
forma exata da distribuição mas têm-se estimativas para o menor valor, o
valor mais provável de ocorrer, e o maior valor.
Distribuições contínuas: Weibull
x
f ( x )
α =0,5 β =1
α =1 β =1 α =2 β =1
α =3 β =1
α =3 β =2
Aplicações mais comuns. Modelam os tempos de vida ou falha d
equipamentos. A distribuição exponencial é um caso particulas da
distribuição de Weibull
Modelagem de dados... Sem dados!
Dicas para a simulação no Excel
• Opção de recálculo manual (Tecla recálculo: <F9>)
• Geração de valores aleatórios uniformes:
• Função Aleatório() ou Rand() [Valores Reais entre 0 e 1]
• Geração de valores aleatórios normais:
• Função Inv.Norm(aleatório(),média,dp) [Valores normais]
• Geração de valores para diferentes distribuições:
• Usar suplemento Rng.xla
Rng: Distribuições Discretas
0,00
0,10
0,20
0,30
0,40
0 1 2 3 4 5 6 7 8 9 10
RNGBinomial(10,0.2)
0,00
0,10
0,20
0,30
0,40
0 1 2 3 4 5 6 7 8 9 10
RNGBinomial(10,0.5)
0,00
0,10
0,20
0,30
0,40
0 1 2 3 4 5 6 7 8 9 10
RNGBinomial(10,0.8)
0,00
0,10
0,20
0,30
0,40
0,50
20 21 22 23
RNGDiscrete({20,21,22,23},{.15,.35,.45,.05}
)
0,00
0,10
0,20
0,30
0,40
0,50
20 21 22 23
RNGDuniform(20,23)
0,00
0,10
0,20
0,30
0,40
0 1 2 3 4 5 6 7 8 9 10
RNGPoisson(0.9)
0,00
0,10
0,20
0,30
0,40
0 1 2 3 4 5 6 7 8 9 10
RNGPoisson(2)
0,00
0,10
0,20
0,30
0,40
0 2 4 6 8 10 12 14 16 18 20
RNGPoisson(8)
Rng: Distribuições Contínuas
RNGNormal(20,1.5)
0,00
0,10
0,20
0,30
12 14 16 18 20 22 24 26 28
RNGNormal(20,3)
0,00
0,10
0,20
0,30
12 14 16 18 20 22 24 26 28
RNGTnormal(20,3,15,23)
0,00
0,10
0,20
0,30
11 13 15 17 19 21 23 25 27 29
RNGChisq(2)
0,00
0,10
0,20
0,30
0,40
0,50
0 2 4 6 8 10 12
RNGChisq(5)
0,00
0,10
0,200,30
0,40
0,50
0 2 4 6 8 10 12 14 16 18
RNGExponential(5)
0,00
0,10
0,20
0,30
0,40
0,50
0 2 4 6 8 10
RNGTriang(3,4,8)
0,00
0,10
0,20
0,30
0,40
0,50
2,5 3,5 4,5 5,5 6,5 7,5 8,5
RNGTriang(3,7,8)
0,00
0,10
0,20
0,30
0,40
0,50
2,5 3,5 4,5 5,5 6,5 7,5 8,5
RNGUniform(40,60)
0,00
0,05
0,10
0,15
30,0 40,0 50,0 60,0 70,0
Rng: Distribuições disponíveis
Distribuição Função RNG
Binomial RNGBinomial(n,p)
Discreta Uniforme RNGDuniform(min,max)
Discreta Genérica RNGDiscrete({x1,x2,...xn},{p1,p2,...pn})
Poisson RNGPoisson(média)
Uniforme (Contínua) RNGUniform(min,max)
Chi-quadrado RNGChisq(média)
Exponencial RNGExponential(média)
Normal RNGNormal(média,desvpad)
Normal Truncada RNGTnormal(média,desvpad,min,max)
Triangular RNGTriang(min,mais provável,max)