Filas 1

Teoria das Filas e Aplicações
Celso C. Ribeiro
Reinaldo Vallejos
PETROBRAS
Novembro 1998
Programa
 Teoria da probabilidade
 Variáveis aleatórias
 Distribuições discretas
 Distribuições contínuas
 Variáveis aleatórias conjuntas e probabilidade
condicional
 Teoria das filas
 Cadeias de Markov discretas
...
Programa
…
 Cadeias de Markov de tempo contínuo
 Lei de Little
 Aplicações da Lei de Little
 Processos de nascimento e morte
 Filas M/M/1
 Filas M/M/C
 Aplicações
Teoria da probabilidade
 Modelagem de fenômenos aleatórios

 quantidades não previsíveis antecipadamente
 variação inerente que deve ser considerada
 Permitir que o modelo tenha natureza

probabilística  modelo probabilístico
 Experimento cujo resultado não seja previsível

antecipadamente
 Espaço amostral: S = {resultados possíveis}
 Lançamento de uma moeda: S = {cara,coroa}
 Lançamento de um dado: S = {1,2,3,4,5,6}
 Lançamento de duas moedas: Acara, Bcoroa
S = {(A,A),(A,B),(B,A),(B,B)}
 Vida útil de um carro: S = [0,)
 Evento: subconjunto E do espaço amostral S

 E = {cara}, E = {coroa}
 E = {2,4,6}: resultado do lançamento é par
 E = {(A,A),(A,B)}: primeira moeda é cara
 E = [1,2): carro dura pelo menos um ano sem
completar o segundo
 Eventos E e F
 Evento união: EF
 Evento interseção: EF
 Evento vazio: 
 E e F mutuamente exclusivos: EF = 
E ={cara}, F ={coroa}: ou dá cara, ou dá coroa
 Evento complementar: Ec = S\E
 Espaço S, evento E
 Probabilidade P(E) do evento E:
0  P(E)  1
 P(S) = 1
 E1E2 =   P(E1E2) = P(E1) + P(E2)
 P({cara}) = P({coroa}) = 1/2

 Moeda viciada, com chance duas vezes maior de
dar cara: P({cara}) = 2/3, P({coroa}) = 1/3
 P({2,4,6}) = P({2}) + P({4}) + P({6}) =

= 1/6 + 1/6 + 1/6 = 1/2
 P(Ec) = 1 - P(E)
1 = P(S) = P(EEc) = P(E) + P(Ec) EF
E F
 P(E) + P(F) = P(EF) + P(EF)
P(EF) = P(E) + P(F) - P(EF)
EF =   P(EF) = P(E) + P(F) EF
 P(EFG) = P(E) + P(F) + P(G) - P(EF) - -
P(EG) - P(FG) + P(EFG)
 Probabilidade condicional: probabilidade de que um

determinado evento ocorra, conhecendo-se a
ocorrência de outro
 Dois dados são lançados e todas os 36 pares de

resultados são equiprováveis. Qual é a probabilidade
da soma dos dois valores ser igual a 10?
P({4,6}) + P({5,5}) + P({6,4}) = 31/36 =1/12
 Sabendo-se que a primeira observação é um 4, qual é

a probabilidade da soma dos dois valores ser igual a
10?
Resultados possíveis, sendo 4 o primeiro valor: (4,1),
(4,2), (4,3), (4,4), (4,5), (4,6)
Se o primeiro valor é 4, a probabilidade
(condicional) de cada um destes pares é 1/6
Probabilidade dos 30 pares restantes: zero
Probabilidade da soma ser igual a 10: 1/6
 Probabilidade condicional do evento E dado

que o evento F ocorre:
E F
P(E|F) = P(EF)/P(F)
EF
 Uma moeda é lançada 2 vezes. Qual é a

probabilidade condicional de que sejam observadas
duas caras, dado que pelo menos uma cara é
observada?
E = {(cara,cara)} = {(A,A)} cara  A

F = {(A,B),(B,A),(A,A)}
P(E|F) = P(EF)/P(F) = P({(A,A)})/ P({(A,B),
(B,A),(A,A)}) = (1/4)/(3/4) = 1/3
 Uma urna contém sete bolas pretas e cinco

bolas brancas. Duas bolas são retiradas. Qual a
probabilidade de que ambas sejam pretas,
considerando-se que a primeira bola não é
devolvida para a urna após ser retirada?
F = primeira é preta E = segunda é preta

P(EF) = P(E|F) P(F) = 6/117/12 = 7/22
 Uma urna contém sete bolas pretas e cinco

bolas brancas. Duas bolas são retiradas. Qual a
probabilidade de que ambas sejam pretas,
considerando-se que, neste caso, a primeira
bola é devolvida para a urna após ser retirada?
F = primeira é preta E = segunda é preta

P(EF) = P(E|F) P(F) = 7/127/12 = 49/144
 Cada uma de três pessoas possui uma ficha de cor

diferente que é lançada em uma urna. Em seguida,
cada pessoa retira aleatoriamente uma ficha da
urna. Qual é a probabilidade de que ninguém
recupere sua ficha original?
Idéia: calcular a probabilidade do evento

complementar, isto é, de que pelo menos uma
pessoa recupere sua ficha original.
Ei: i-ésima pessoa recupera sua ficha; i=1,2,3

P(Ei) = 1/3, i=1,2,3
P(EiEj) = P(Ej|Ei) P(Ei) = 1/21/3 = 1/6 ij
P(E1E2E3) = P(E3|E1E2) P(E1E2) = 1/6
P(E1E2E3) = P(E1) + P(E2) + P(E3) - -
P(E1E2) - P(E1E3) - P(E2E3) + +
P(E1E2E3) = 3  1/3 - 3  1/6 + 1/6 = 2/3
P(ninguém recuperar) = 1 - 2/3 = 1/3
 E e F independentes: P(EF) = P(E) P(F)

 P(E|F) = P(E)
 P(F|E) = P(F)
 Espaço amostral S, eventos E e F

E = ES = E(FFc) = (EF)  (EFc)
EF e EFc mutuamente exclusivos
P(E) = P((EF)(EFc)) =
= P(EF) + P(EFc) =
= P(E|F) P(F) + P(E|Fc) P(Fc) =
= P(E|F) P(F) + P(E|Fc) (1-P(Fc))
 A primeira de duas urnas contém 2 bolas

brancas e 7 bolas pretas, enquanto a segunda
contém 5 brancas e 6 pretas. Uma moeda é
lançada e uma bola é retirada da primeira ou da
segunda urna, dependendo do resultado ter sido
cara ou coroa, respectivamente. Qual é a
probabilidade (condicional) de ter ocorrido
uma cara, dado que a bola retirada foi branca?
Deseja-se calcular P(cara|branca)

P(cara|branca) = P(cara e branca) / P(branca) =
= P(branca|cara)  P(cara) / P(branca)
P(branca) = P(branca|cara)  P(cara) + +
P(branca|coroa)  P(coroa)
P(cara|branca) =
= 2/91/2/(2/91/2+5/111/2) = 22/67
 Um teste detecta com 95% de certeza uma

determinada doença, quando ela está presente.
Entretanto, este teste aponta “falsos positivos”
em 1% das pessoas que não contraíram a
doença. Sabendo-se que 0.5% da população
estão contaminados por esta doença, qual é a
probabilidade de que determinada pessoa tenha
a doença dado que o resultado de seu teste foi
positivo?
Deseja-se calcular P(doente|positivo)

P(doente|positivo) = P(doente e positivo) / /
P(positivo) =
= P(positivo|doente)  P(doente) / P(positivo)
P(positivo) = P(positivo|doente)  P(doente) + +
P(positivo|sadia)  P(sadia)
P(doente|positivo) =
0.950.05/(0.950.005+0.010.995) = 95/294
 Fórmula de Bayes:
eventos F1, F2, …, Fn mutuamente exclusivos
F1  F 2  …  F n = S
P(E) = P(ES) = P(EF1) + … + P(EFn) =
= P(E|F1) P(F1) + … + P(E|Fn) P(Fn)
P(Fj|E) = P(EFj) / P(E) = P(E|Fj) P(Fj) / P(E)
P(Fj|E) = P(E|Fj) P(Fj) / / [P(E|
F1) P(F1) + … + P(E|Fn) P(Fn)]
 Sabe-se que determinada carta está em uma de

três pilhas diferentes, com a mesma
probabilidade. A probabilidade da carta ser
encontrada examinando-se rapidamente a pilha
em que ela realmente está é 20%. Suponha que
a pilha 1 foi verificada, mas a carta não foi
encontrada. Qual a probabilidade da carta
efetivamente estar na pilha 1?
Fi: carta está na i-ésima pilha; i=1,2,3

E: carta não encontrada na pilha 1
Deseja-se calcular P(F1|E)
P(F1|E) = P(E|F1) P(F1) /
/ [P(E|F1)P(F1)+P(E|F2)P(F2)+P(E|F3)P(F3)]
P(F1|E) = 0.81/3 / (0.81/3 + 11/3 + 11/3)=
= 0.8/2.8 = 2/7
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

 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
 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 ...
 Y: v.a. definida pelo número de caras

observadas após dois lançamentos de uma
moeda
P{Y=0} = P{(B,B)} = 1/4 Acara Bcoroa
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
 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
 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
 limbF(b) = F() =1, limb-F(b) = F(-) = 0
 p{a<Xb} = P{Xb} - P{Xa} = F(b) - F(a)

 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)
i=1,2,…: xi  a
 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
F(a)
1
5/6
1/2
a
1 2 3
 Seja X uma v.a. discreta. Então, seu valor

esperado é dado por:
E[ X ]   x. p ( x)
x: p ( x ) 0
Funções de variáveis aleatórias
 g(X) função da v.a. X
 Caso discreto: E[ g ( X )]   g ( x) p( x)
x: p ( x ) 0

 Caso contínuo: E[ g ( X )]   g ( x) f ( x)dx

 Exemplo: a,b  R
E[a.X+b] = a.E[X] + b
 Variância da v.a. X:
2
VAR [ X ]  E[( X  E[ X ]) ]
 Pelo resultado anterior:
VAR [ X ]  E[ X 2  2 X .E[ X ]  E[ X ]2 ]
2 2
VAR [ X ]  E[ X ]  2E[ X ].E[ X ]  E[ X ]
 Logo,
VAR [ X ]  E[ X 2 ]  E[ X ]2
 Variância da v.a. X:
VAR [X ]  E[(X ) 2 ]  E[X ]2

VAR [X ]  E[ 2 X 2 ]  E[X ]E[X ]
2 2 2 2
VAR [X ]   E[ X ]   E[ X ]
2 2 2
VAR [X ]   (E[ X ]  E[ X ] )
2
VAR [X ]   VAR [ X ]
 X e Y variáveis aleatórias independentes:
E[ g ( X )h(Y )]  E[ g ( X )].E[h(Y )]
VAR [ X  Y ]  VAR [ X ]  VAR [Y ]
Distribuições discretas
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.
Exemplos
 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)
Os resultados possíveis deste experimento podem ser
“mapeados” nos números reais, logo:
 X v.a.  Be(p) (X é uma variável aleatória discreta
do experimento de Bernoulli de parâmetro p).
 Domínio de X:
X  {0, 1}
P{X = 0} = P(0) = 1 - p
P{X = 1} = P(1) = p
lim F ( x  h)  P(X  x)
h 0
1  p, 0  x 1
F ( x)  
1, x 1
 Valor esperado: E[ X }  p.1  (1  p ).0  p

Gráficos
 Função de massa de probabilidade
p(X)
1
1-p
p
0 1 X
E[X]
2 X
 Função de distribuição acumulada
F(X)
1
Graficos
p
1-p
3D
0 1 X
Parâmetros
 Considerando as funções anteriores tem-se

para Be(p):
Valor esperado E X  p
Variância VAR X  p 1  p 
Desvio padrão  p 1  p 
X
Função geradora de momento   z p  z  1  1

n-ésimo momento
E X   n
p
Exemplo em comunicações
info
T R
 Um pacote de informações é enviado pelo transmissor ao

receptor através de uma conexão, sendo p a probabilidade
de que o pacote chegue corretamente ao receptor.
 info chega corretamente a R: X = 1
 info não chega corretamente a R: X = 0
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:
n
Y   Xi
i 1
Y  Bi(n, p)
 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.
Exemplos
 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)?
 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}
n  i n i
     
P{ Y i} P (i )   p (1 p) , 0 i n
i 
i n  j
P { Y  i }     p i  p  n  j , 0 i  n
j 0  j 
 Valor esperado:
n n n
E[X]=  ip (i )   i  p i (1  p ) ni
i 0 i 0  i 
n n! i n i
=  p (1  p )
i 1 ( n  i )!(i  1)!
n (n  1)!
np  p ( i 1) (1  p) ni
= i 1 ( n  i )!(i  1)!
 n  1 k n 1
n 1 k
Seja k=i-1, então E[X]= np    p (1  p )
k 0  k 
n 1  n  1 k n 1 k
Como  k 0   p (1  p) 1 então, E[X]=np
 k 
Parâmetros
 Considerando-se as funções anteriores tem-se

para Bi(n, p):
Valor esperado E Y  np
Variância VAR Y  np  1  p 
Desvio padrão Y np  1  p 
Função geradora de momento   z  p z  1 1
  n
n-ésimo momento
E Yk   (k)  1
 Observando-se a esperança e a variância da

distribuição binomial se verifica que correspondem
à soma de v.a.’s iid com distribuição de Bernoulli.
 A transformada Z de uma fmp corresponde à sua

função geradora de momento:
 
dP(z)
P( z )   Pn z n ;   nPn  E[ X ]
n 0 dz z 1 n 0
Gráficos
Função de massa de probabilidade

Bi(10,0.7)
Y = 1.449
0.3
P(Y = y)
0.2
E[Y]=7
0.1
0
0 5 10
E[Y]
y
2Y
Graficos
3D
Gráficos
Bi(10,0.5)
0.3
0.2
P(X=x)
0.1
0
0 2 4 6 8 10 12
x
Função de distribuição acumulada

Bi(10,0.5)
1.5
P(X<=x)
1
0.5
0
0 2 4 6 8 10 12
x
Gráficos
Bi(10,0.7)
0.3
0.2
P(X=x)
0.1
0
0 2 4 6 8 10 12
x

Bi(10,0.7)
1.5
P(X<=x)
1
0.5
0
0 2 4 6 8 10 12
x
Gráficos
Bi(10,0.5)
0.3
0.2
P(X=x)
0.1
0
0 2 4 6 8 10 12
x

Bi(10,0.5)
1.5
P(X<=x)
1
0.5
0
0 2 4 6 8 10 12
x
Gráficos
Bi(15,0.5)
0.25
0.2
P(X=x)
0.15
0.1
0.05
0
0 5 10 15 20
x

Bi(15,0.5)
1.5
P(X<=x)
1
0.5
0
0 5 10 15 20
x
Bi (10,p)
0,4
0,35
0,3
0,25
Bi (10,p) 0,2
0,15
0,1
0,05
0
0
1
2 p=0.9
3
4 p=0.6
5
i 6 p=0.3
7
8 p=0.1
9
10
Graficos
3D
 Com relação à fmp de uma binomial tem-se que:

 valor máximo se encontra em X = E[X] = np
 estritamente decrescente para X > E[X]
 simétrica em relação a p (e.g., p = 0.1 e p = 0.9)
 Pelo teorema do limite central:

a v.a. da soma infinita de experimentos independentes
(com qualquer distribuição) tende à distribuição gaussiana
infon ... info2 info1
T R
 n pacotes de informação são enviados pelo

transmissor ao receptor através de uma
conexão. A probabilidade de cada um dos
pacotes chegar corretamente a R é igual a p.
Qual é a probabilidade de que 0  i  n pacotes
de informação enviados cheguem corretamente
ao receptor?
infon ... info2 info1
T R
n: número de pacotes enviados

p: probabilidade de cada pacote chegar
corretamente
Y = i: número de pacotes enviados que
chegarão corretamente, 0  i  n
Y v.a. ~ Bi(n,p), n {0,1,2,3, ...}
n  i 
P{ Y  i}  P (i )    p (1  p ) n i , 0 i  n
i 
Exemplo em tolerância a falhas
 Vários computadores executam um mesmo
algoritmo. O resultado final do algoritmo se
determina por votação dos computadores, por
maioria simples. Por exemplo, se o resultado
de dois ou mais computadores coincide, então
esse é o resultado final. Cada computador tem
probabilidade de falha igual a 1-p. Para que
valores de p convém escolher 1, 3 ou 5
computadores?
n: número total de computadores
X: número de computadores funcionando
corretamente (fornecem o resultado correto)
X v.a. ~ Bi(n,p), n {1,3,5}
Por exemplo: probabilidade de sucesso do
sistema com n computadores (maioria
proporciona o resultado correto)
m = ((n-1)/2)+1: número mínimo de
computadores (n ímpar) que devem dar o
resultado correto para o sistema ter sucesso
Para n {1,3,5}:
n i
n
P ( X  m)     p (1  p) n i
i m  i 
Caso n = 1
Pe1= p
Caso n = 3
Caso n = 5
Pe3= ()3 2
2 ()
p (1-p) +
3 3
3
p
Pe5= ()5 3
3
2
()
p (1-p) +
5 4
4 ()
p (1-p) + 5 p5
5
Probabilidade de sucesso
1.2
Probabilidade de sucesso
1
do sistema
0.8
Pe1
0.6
Pe3
0.4 Pe5
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Probabilidade de sucesso de cada
computador
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
P X  n  p n    1  p  p n  1,2,...
n 1
 Função de distribuição: n
k -1
F(n)   (1-p) p
k 1
 Valor esperado:

E[X]=  n(1  p) n1 p
n 1
Fazendo q = 1 - p:
E[X] =  d= d  n
p  (q n ) p q
n 1 dq dq n1
= =
d  k d  q 
p qq p  
dq k 0 dq  1  q 
=
Logo, E[X]= p
1 (1  q ) 2
p
 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
1
F(n)
0.9
0.8 Função de distribuição
0.7
0.6
0.5
p=0.2
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25
n
1
F(n)
0.9
0.8 Função de distribuição
0.7
0.6
0.5 p=0.6
0.4
0.3
0.2 Função de massa de probabilidade
0.1
0
0 5 10 15 20 25
n
p(n)
0,3
0,25 0,3
0,25
0,2 p = 0.3
E[X]=3,33
0,2 p = 0.3
x=2.79
0,15
0,15
0,1 0,1
0,05
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
E[X] n
Função de massa para distintos valores de p

0,9
p(n)
0,8 0.1
0.5
0,7
0.9
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10
n
0,9
0,8
0,7
0,6
0,5
P{X=n}
0,4
0,3
0,2 0.9
0,1 0.7
0.5
0 p
1 0.3
3 5 7 9 0.1
11 13 15 17
n 19
0,25
P{X=n} 0,2
0,15
0,1
0,05
1
0 0,8
0,6
2 3
4 5 0,4
6
7
p
8 0,2
9
10
11 0
12
n 13
14
15
 P{X=n} decai mais rápidamente com n quando p aumenta
 Distribuição em função de p varia com n:
 para n = 1 é una reta crescente
 para n < 7 é crescente e logo decresce
 para n 7 é decrescente
 Função de massa tem dois pontos degenerados:

p = 0: necessárias infinitas tentativas (nunca se consegue
êxito)
 p = 1: êxito sempre é conseguido na primeira tentativa.
Parâmetros
1
E X
p
VAR X
 1  p
p2
1
X  1  p
p
pe t
 t
1   1  p e t
Propriedade: falta de memória
 Elevador em um prédio de três andares
 Estado #n : elevador no andar n

Sem memória: estados #1 e #3
Com memória: estado #2
 Exemplo relacionado com a distribuição

geométrica, duas situações equivalentes:
 Distribuição geométrica caracterizada pela

seguinte propriedade:
P x  s  t | x > t   P x  s 
 A informação de nenhum sucesso até a

tentativa t é “esquecida” nos cálculos
subseqüentes.
P x  s  t  x  t 
 Demonstração:
P x  s  t | x  t  
P x  t 
Logo,
 P x  s  t 
P x  s  t | x  t  
P x  t 
 i 1
P x  s  t     1  p p   1  p
s+t 1
Substituindo-se
i  s t
 i 1
P x  t     1  p p   1  p
t
i  t 1
 1  p  s  t 1 s 1
Logo, P  x  s  t| x  t     1  p 
1  p  t
 i 1
P x  s    1  p p   1  p
s1
com
is
portanto P x  s  t | x > t   P x  s propriedade de

falta de memória
Protocolo Stop & Wait
 Protocolo de retransmissão mais simples

 Idéia básica: ter certeza de que cada pacote
transmitido é recebido corretamente antes de
transmitir o seguinte
 Protocolo half-duplex
 Retransmissão devido a:
 erro na recepção do pacote
 time-out
Protocolo Stop & Wait
 Numeração de pacotes:
 Se ocorre time-out no transmissor, retransmite
pacote i
 Receptor não sabe distinguir se é uma
retransmissão do pacote i ou uma primeira
transmissão do pacote i+1
 Logo, necessidade de numerar os pacotes, assim
como os acks/nacks
 Numeração módulo 2 é suficiente
Esquema físico
t I
tP
Tx Rx
t Ack
 Definições:
ti = tempo de transmissão de um pacote
tp = tempo de propagação
tout = tempo máximo de espera de um reconhecimento (ack/nack)
tproc= tempo de processamento do pacote
Caso 1
Diagrama temporal
Retransmissão por time-out
t t out t proc Tx
i
Tx
t
F1 F1 F2
A1
Rx
t
tp t proc Rx
Caso 2
Retransmissão por erro
t
ti proc Tx
Tx
t
F1 F1 F2
N1 A1
Rx
t
tp t proc Rx
Fi = transmissão do frame i
Ni = mensagem de frame i recebida com problemas
Ai = reconhecimento do frame i
Diagrama de transição de estados
Transmissor Receptor
+ : Entradas
Q2
- : Saídas
+M1 -Error
+Ack 1
Q0 Q2 +M0 Q0 -Ack
+Error
-M0 Q1 Q4
-M1
+Error -Ack Q3 +M1
+M0 -Error
Q1 Q3 Q5
+Ack 0
Q0: Espera Mensagem 0

Q0: Transmite Mensagem 0 Q1: Transmite Ack 0
Q1: Espera Ack 0 Q2: Transmite Erro
Q2: Transmite Mensagem 1 Q3: Espera Mensagem 1
Q3: Espera Ack 1 Q4: Transmite Ack 1
Q5: Transmite Erro
Tabelas de transição de estados
Transmisor Receptor
Estado Entrada Saída Prox. Estado Estado Entrada Saída Prox. Estado
Q0 - Mensagem 0 Q1 Q0 Mensagem 0 Q1
Q1 Ack 0 - Q2 Q0 Mensage m1 Q2
Q1 Erro - Q0 Q1 Ack 0 Q3
Q2 - Mensagem 1 Q3 Q2 Erro Q0
Q3 Ack 1 - Q0 Q3 Mensagem 0 Q5
Q3 Erro - Q2 Q3 Mensagem 1 Q4
Q4 Ack 1 Q0
Error: Devido a erro de bits no frame,
Q5 Erro Q3
ou erro devido a Timeout
Q0: Espera Mensagem 0

Q0: Transmite Mensagem 0 Q1: Transmite Ack 0
Q1: Espera Ack 0 Q2: Transmite Erro
Q2: Transmite Mensagem 1 Q3: Espera Mensagem 1
Q3: Espera Ack 1 Q4: Transmite Ack 1
Q5: Transmite Erro
Medidas de desempenho
 Desempenho pode ser avaliado sob dois pontos

de vista:
 do usuário:
 menor tempo de resposta
 menor buffer
 do sistema:
 máximo throughput Espaço Tempo
 menor memória Usuário Buffer tempo de
resposta
Sistema Memória Throughput
Máximo throughput
 Transmissor sempre dispõe de pacotes para

transmitir
 Time-out é o menor possível
 Tout = 2Tp + Tack
 Existem erros
 Pe > 0  existem retransmissões
I1 I2 I3 In
tT tT tT tT t
0
p p p (1-p)
Definições:
Ii = i-ésima tentativa de transmitir o pacote
tT = ti + tout = ciclo de operação
p = probabilidade de receber o pacote com erro
n = número de tentativas até transmitir um pacote
pa= probabilidade de transmissão correta na n-ésima
tentativa
tu = tempo utilizado nas n tentativas
E[t] = tempo médio de recepção com sucesso (1)
Diagrama de lógica temporal
F1 F1 F1 F1
t
p p p
Errado Errado Errado Errado
1-p 1-p 1-p

Correto Correto Correto
p: probabilidade de erro no pacote

Máximo throughput
1
Certamente,  max 
E[t ]

Por definição de valor médio (2) E[ t ]   t n p n
n1
Da figura anterior: (3) t(n)  n  t T
Como n é uma v.a. com distribuição Ge(1-p):

(4) p(n)  p n 1
(1  p)
Máximo throughput
Substituindo-se (2), (3) e (4) em (1), obtém-se:
E [ t ]   n  t  p   1  p

n 1
T
n 1
tT
Simplificando (4): E[t] 
1  p 
Por definição:
1 (1  p) (1  p) tT
max    com a  1
E[t ] tr a  ti ti
Throughput normalizado
Transmissão
p p 1-p p p 1-p T
0
Transmissão
efetiva
T
0
 1  p
    ti  1
a
lim Tempo em transmissoes efetivas
  ti 
T T
Máximo throughput
 O throughput normalizado pode ser

interpretado como a percentagem do tempo
ocupado na transmissão efetiva de pacotes
 Se o tempo para receber um ack ou um nack é

desprezível, também o é o time-out:
 a = 1   = (1- p)
max=F(p,a)
p a
a=1 : Rede da área local
a=3 : Rede com enlaces menores a 500 Km
a=10 : Rede de enlace satelital
max=F(p,a)
a=1
a=1,4
a=1,8
a=2,1
max=F(p,a)
p=0
p=0.2
p=0.4
p=0.6
Distribuição de Poisson
 X v.a. discreta com domínio  e com a

seguinte função de massa de probabilidade:
i
P  X = i  = e  ,i  0
i!
 X: distribuição de Poisson com parâmetro 
 Função de distribuição de probabilidade:

i
 
n
P  X  n  = e ,n  0
i 0 i!
0,1
0,08 
P{X=i}
0,06
0,04
0,02
0
0 5 10 15 20 25 30 35 40
i
Função de distribuição de probabilidade
P  X  n
1,2
1
0,8 
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35 40
n
1,2
 = 20
1
0,8 Fn. de distribuição
0,6
Fn. de massa
0,4
0,2
0
0 5 10 15 20 25 30 35 40
0,4
0,35 
0,3
0,25

P{X=i}
0,2
0,15 
0,1
0,05
0
0 5 10 15 20 25 30 35 40
i
 Valor esperado:
E[X] =  i
 ie  
i 0 i!
=
i 1
Fazendo k = i - 1:   
e 
E[X] = i 1 (i  1)!
 k
 
Como
e 
E[X] =
k  0 k!
k
  
 k 0 e
k!

Parâmetros
E[X  
Var[X  
x 
 (t) e
(e t  1 )
Processo de contagem
 Processo estocástico {N(t), t  0} é de contagem se N(t)

representa o número total de eventos que ocorrem entre
(0,t]
 Por definição, N(t) satisfaz:

 N(t) 0
 N(t) assume valores inteiros
 s < t  N(s)  N(t)
 s < t  N(t) - N(s) = número de eventos durante o intervalo

(s,t]
 Número de pessoas que entraram

em um supermercado no intervalo de
tempo (0,t]
Número de veículos que entraram em

um túnel num intervalo dado
 Número de gols que um

determinado jogador fez num
determinado intervalo (0,t]
 Incrementos independentes: processo de

contagem no qual o número de eventos
ocorridos em intervalos de tempos disjuntos
são independentes
 Exemplo: o processo de contagem no intervalo

(5,10] não depende do processo de contagem
em (0,5]
Incrementos independentes
Número de pessoas que entraram em

um supermercado num intervalo de tempo
Incrementos não-independentes
 Número de nascimentos num intervalo de

tempo, quando existe controle da natalidade
 Incrementos estacionários: número de eventos

em (t1+s,t2+s] depende somente da amplitude
do intervalo (t2-t1)
 Ou seja, N(t2+s)-N(t1+s) tem a mesma

distribuição que N(t2)-N(t1), onde t2 > t1 e
s>0
0 t1 t2 s+t1 s+t2
Incrementos não-estacionários
A quantidade de ligações telefônicas é

maior em determinadas horas do dia
Incrementos estacionários
 Número de veículos que entram

em um túnel num ano
Processo de Poisson
 N(t) é um processo de Poisson se:

 N(t)é um processo de contagem
 N(0) = 0 (reset)
 Tem incrementos independentes e estacionários
 Número de eventos em qualquer intervalo

de amplitude t é distribuído como uma
variável de Poisson com média t, ou seja:
-t i
e (t )
P{N(t  s) - N(s) = i } = , i = 0,1, ; s, t  0
i!
Processo de Poisson
 A última condição implica em incrementos

estacionários
 N(t) não se refere apenas a uma variável aleatória
com uma distribuição de Poisson, mas sim que
para cada t > 0 se tem uma v.a. com uma
distribuição de Poisson de parâmetro t
(dependente de t)
 Esta coleção (infinita) de variáveis aleatórias é
conhecida como um processo de Poisson
Processo de Poisson
Tempo entre chegadas
Seqüência {Tn, n=1,2,...}, onde Tn representa
o tempo entre o evento (chegada) n e o evento n-1
Eventos (contagem do P.P.)
0 t1 t2 t3 · · · tn-1 tn
T1 T2 T3 · · · Tn
Conjunto de v.a.s com distribuição Exp()

Processo de Poisson
Tempo entre chegadas
 Evento {T1 > t } significa que não aconteceu chegada alguma do processo
de Poisson no intervalo (0,t]
P{T1 > t} = P{N(t) = 0} = e-t
 Além disso,
P{T2>t | T1=s} = P{0 eventos em (s,s+t]} = e-t
 Repetindo-se o experimento, conclui-se que Tn, n=1,2,... são v.a.

exponenciais independentes e identicamente distribuídas

Filas 1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Filas 1

Hochgeladen von

Copyright:

Verfügbare Formate

Teoria das Filas e Aplicações

 Modelagem de fenômenos aleatórios

 Permitir que o modelo tenha natureza

 Experimento cujo resultado não seja previsível

 Evento: subconjunto E do espaço amostral S

 E1E2 =   P(E1E2) = P(E1) + P(E2)

 P({cara}) = P({coroa}) = 1/2

 P({2,4,6}) = P({2}) + P({4}) + P({6}) =

 Probabilidade condicional: probabilidade de que um

 Dois dados são lançados e todas os 36 pares de

 Sabendo-se que a primeira observação é um 4, qual é

 Probabilidade condicional do evento E dado

 Uma moeda é lançada 2 vezes. Qual é a

E = {(cara,cara)} = {(A,A)} cara  A

 Uma urna contém sete bolas pretas e cinco

F = primeira é preta E = segunda é preta

 Uma urna contém sete bolas pretas e cinco

F = primeira é preta E = segunda é preta

 Cada uma de três pessoas possui uma ficha de cor

Idéia: calcular a probabilidade do evento

Ei: i-ésima pessoa recupera sua ficha; i=1,2,3

 E e F independentes: P(EF) = P(E) P(F)

 Espaço amostral S, eventos E e F

 A primeira de duas urnas contém 2 bolas

Deseja-se calcular P(cara|branca)

 Um teste detecta com 95% de certeza uma

Deseja-se calcular P(doente|positivo)

 Sabe-se que determinada carta está em uma de

Fi: carta está na i-ésima pilha; i=1,2,3

 Variável aleatória: função real definida sobre o

 tempo de processamento de uma tarefa

 Valor de uma variável aleatória (v.a.) é determinado

 Y: v.a. definida pelo número de caras

 N: v.a. definida pelo número de lançamentos de uma

 Função de distribuição acumulada (fda) ou função de

 p{a<Xb} = P{Xb} - P{Xa} = F(b) - F(a)

 Variáveis aleatórias discretas: a v.a. assume um

 Variáveis aleatórias contínuas: a v.a. assume

 Variáveis aleatórias discretas: a v.a. assume um

 Função de distribuição acumulada:

 Exemplo: p(1) = 1/2, p(2) = 1/3, p(3) = 1/6

 Seja X uma v.a. discreta. Então, seu valor

 g(X) função da v.a. X

 Variância da v.a. X:

VAR [X ]  E[(X ) 2 ]  E[X ]2

 X e Y variáveis aleatórias independentes:

 A variável aleatória que corresponde ao

 Lançamento de uma moeda

(o resultado deste experimento é uma v.a. somente para um observador

 Função de distribuição acumulada:

 Valor esperado: E[ X }  p.1  (1  p ).0  p

 Considerando as funções anteriores tem-se

Função geradora de momento   z p  z  1  1

 Um pacote de informações é enviado pelo transmissor ao

 Considere n experimentos independentes

 Se a variável de interesse Y corresponde ao

 Sejam X1, X2, …, Xn, onde as variáveis {Xi},

 Uma distribuição binomial de parâmetros n e p se

 Uma moeda é lançada n vezes. Se em cada

 Observam-se n veículos em uma bifurcação. Cada

 Considerando-se as funções anteriores tem-se

 Observando-se a esperança e a variância da

 A transformada Z de uma fmp corresponde à sua