teoria das filas aplicadas a sistemas computacionais aula 09magnos/ad/ad_files/aula09.pdf · teoria...
TRANSCRIPT
Teoria das Filas aplicadas a Sistemas Computacionais
Aula 09
Magnos Martinello
Universidade Federal do Espírito Santo - UFESDepartamento de Informática - DI
Laboratório de Pesquisas em Redes Multimidia - LPRM
– Magnos Martinello UFES 2
Teoria das Filas
■Aula passada
■ Variáveis aleatórias
discretas e contínuas
■ PMF, CDF e função
densidade
■Aula hoje
■ Exemplos de Variáveis
aleatórias discretas e
contínuas
■ Esperança, Variância
– Magnos Martinello UFES
Binomial
■ Contagem de eventos de Bernoulli
independentes
■ Número de sucessos k dado N repetições de
experimentos independentes
■ Dois parâmetros
● p: prob. de ocorrência do evento (sucesso)
● N: número de experimentos
– Magnos Martinello UFES
Características da Distribuição
Binomial
n = 5 p = 0.1
n = 5 p = 0.5
Média
Desvio Padrão
µ
σ
x
x
E X np
np p
= =
= −
( )
( )1
.0
.2
.4
.6
0 1 2 3 4 5X
P(X)
.0
.2
.4
.6
0 1 2 3 4 5X
P(X)
– Magnos Martinello UFES
Exemplo 1
■ Experimento: Escolhe-se aleatoriamente 5 clientes de
um supermercado. Qual a probabilidade de um deles
aceitar ser entrevistado, supondo-se que a
probabilidade de um cliente aceitar é 10%.
– Magnos Martinello UFES
Exemplo 1■ Experimento: Escolhe-se aleatoriamente 5 clientes de
um supermercado. Qual a probabilidade de um deles
aceitar ser entrevistado, supondo-se que a
probabilidade de um cliente aceitar é 10%.
P X k n pn
k n kp p
P X
k n k( | , )
!
! ( )!)
( | ,. )!
!( )!. ( . )
= =
= =
=
1
1 5 15
1 5 11 1 1
1 5 1
.328
– Magnos Martinello UFES
Exemplo 2
■ Você realiza um trabalho de telemarketing para uma certa empresa. Nas suas últimas 100 chamadas você realizou 20 vendas (p = .20).
■Se você ligar para 12 pessoas esta noite qual a probabilidade de você:
● A. Não realizar nenhuma venda?● B. Realizar exatamente 2 vendas?● C. Realizar, até, 2 vendas? ● D. Realizar, no mínimo, 2 vendas?
– Magnos Martinello UFES
Poisson
■ Número de eventos que ocorrem em um
determinado intervalo de tempo
■ Parâmetros
● t: intervalo de tempo
● λ : taxa média de ocorrência de eventos por unidade de
tempo
P X =k = e− tλ tλ k
k !
– Magnos Martinello UFES
Exemplo Poisson
■ Chegada de chamadas a um call center 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?
– Magnos Martinello UFES
Poisson
■ Qual a probabilidade de termos mais de 100
chamadas em 1 hora?
■ 3 chamadas /minuto
– Magnos Martinello UFES
Propriedade da Distribuição de
Poisson■ A Distribuição de Poisson aproxima a distribuição
binomial para n grande e p pequeno
– Magnos Martinello UFES
V.A Uniforme
■ Valores podem ocorrer com a mesma probabilidade
■ Exemplo: V.A. uniformemente distribuída entre [0,1]
■ Parâmetros: [a, b] : intervalo onde v.a. pode ocorrer
■ De maneira geral, x – a: Onde ocorre o evento
(em relação ao começo do intervalo)
– Magnos Martinello UFES
V.A Uniforme
– Magnos Martinello UFES
Uniforme
■ Se X é uniformemente distribuída entre (0,10) ,
calcule a probabilidade de
■ a) X < 3
■ b) X > 7
■ c) 1 < X < 6
– Magnos Martinello UFES
Uniforme
■ Se X é uniformemente distribuída entre
(0,10) , calcule a probabilidade de
■ a) X < 3
■ b) X > 7
■ c) 1 < X < 6
– Magnos Martinello UFES
Exponencial
■ Tempo até que um evento ocorra
■ Relacionada com Poisson (tempo entre eventos)
■ Parâmetros
● λ : taxa média de ocorrência de eventos
■ CDF ->
■ PDF ->
– Magnos Martinello UFES
Exponencial para diferentes valores
de λ
– Magnos Martinello UFES
Valor Esperado de VA Exponencial
– Magnos Martinello UFES
Normal ou Gaussiana
■ Distribuição fundamental em estatística
● resultado do teorema do limite central
■ Aplicada a muitos fenômenos físicos
■ Parâmetros
● u: média
● s: desvio padrão
■ Normal padrão (média 0, desvio padrão 1)
■ Não possui forma fechada (consultar tabela)
– Magnos Martinello UFES
Média
Mediana
Moda
X
f(X)
σ σ
Densidade Normal
■ Possui forma de
‘sino’ e é simétrica
■ Média, mediana e
moda são iguais
■ Variável aleatória
que pode assumir
qualquer valor na
reta (R).
– Magnos Martinello UFES
Valor Esperado, Média, Esperança
■ Valor Esperado de uma Variável Aleatória
Discreta
■ Valor Esperado de uma Variável Aleatória
contínua
– Magnos Martinello UFES
Variância
■ Variável aleatória discreta ou contínua
■ Segundo momento v.a. contínua
– Magnos Martinello UFES
Propriedades da Média
■ Lineariedade
■ Produto se X e Y são independentes
– Magnos Martinello UFES
Propriedades da Variância
■ Soma da variância de duas VA independentes
■ Se X e Y não são independentes