Beruflich Dokumente
Kultur Dokumente
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
Teoria da probabilidade
Eventos E e F
Evento união: EF
Evento interseção: EF
Evento vazio:
E e F mutuamente exclusivos: EF =
E ={cara}, F ={coroa}: ou dá cara, ou dá coroa
Evento complementar: Ec = S\E
Teoria da probabilidade
Espaço S, evento E
Probabilidade P(E) do evento E:
0 P(E) 1
P(S) = 1
P(Ec) = 1 - P(E)
1 = P(S) = P(EEc) = P(E) + P(Ec) EF
E F
P(E) + P(F) = P(EF) + P(EF)
P(EF) = P(E) + P(F) - P(EF)
EF = P(EF) = P(E) + P(F) EF
P(EFG) = P(E) + P(F) + P(G) - P(EF) - -
P(EG) - P(FG) + P(EFG)
Teoria da probabilidade
EF
Teoria da probabilidade
Fórmula de Bayes:
eventos F1, F2, …, Fn mutuamente exclusivos
F1 F 2 … F n = S
P(E) = P(ES) = P(EF1) + … + P(EFn) =
= P(E|F1) P(F1) + … + P(E|Fn) P(Fn)
P(Fj|E) = P(EFj) / 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)]
Teoria da probabilidade
F(a)
1
5/6
1/2
a
1 2 3
Variáveis aleatórias discretas
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
Funções de variáveis aleatórias
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
Funções de variáveis aleatórias
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
lim F ( x h) P(X x)
h 0
1 p, 0 x 1
F ( x)
1, 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
Distribuição de Bernoulli
Parâmetros
info
T R
Y Bi(n, p)
Distribuição binomial
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
Distribuição binomial
Parâmetros
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
Distribuição binomial
0.2
E[Y]=7
0.1
0
0 5 10
E[Y]
y
2Y
Graficos
3D
Distribuição binomial
Gráficos
Função de massa de probabilidade
Bi(10,0.5)
0.3
0.2
P(X=x)
0.1
0
0 2 4 6 8 10 12
x
1
0.5
0
0 2 4 6 8 10 12
x
Distribuição binomial
Gráficos
Função de massa de probabilidade
Bi(10,0.7)
0.3
0.2
P(X=x)
0.1
0
0 2 4 6 8 10 12
x
1
0.5
0
0 2 4 6 8 10 12
x
Distribuição binomial
Gráficos
Função de massa de probabilidade
Bi(10,0.5)
0.3
0.2
P(X=x)
0.1
0
0 2 4 6 8 10 12
x
1
0.5
0
0 2 4 6 8 10 12
x
Distribuição binomial
Gráficos
Função de massa de probabilidade
Bi(15,0.5)
0.25
0.2
P(X=x)
0.15
0.1
0.05
0
0 5 10 15 20
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
Distribuição binomial
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
Distribuição binomial
Exemplo em tolerância a falhas
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
Função de distribuição: n
k -1
F(n) (1-p) p
k 1
Distribuição geométrica
Valor esperado:
E[X]= n(1 p) n1 p
n 1
Fazendo q = 1 - p:
E[X] = d= d n
p (q n ) p q
n 1 dq dq n1
= =
d k d q
p qq p
dq k 0 dq 1 q
=
Logo, E[X]= p
1 (1 q ) 2
p
Distribuição geométrica
Experimentos independentes
Distribuição geométrica
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
Função de massa de probabilidade
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
Distribuição geométrica
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
Distribuição geométrica
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
Distribuição geométrica
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
Distribuição geométrica
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
Distribuição geométrica
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
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
Logo,
P x s t
P x s t | x t
P x t
Propriedade: falta de memória
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
s1
com
is
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
do sistema:
máximo throughput Espaço Tempo
menor memória Usuário Buffer tempo de
resposta
Sistema Memória Throughput
Máximo throughput
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
Certamente, max
E[t ]
Por definição de valor médio (2) E[ t ] t n p n
n1
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
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
P X = i = e ,i 0
i!
X: distribuição de Poisson com parâmetro
0,1
0,08
P{X=i}
0,06
0,04
0,02
0
0 5 10 15 20 25 30 35 40
i
Distribuição de Poisson
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
Distribuição de Poisson
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
Distribuição de Poisson
Função de massa de probabilidade
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
Distribuição de Poisson
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!
Distribuição de Poisson
Parâmetros
E[X
Var[X
x
(t) e
(e t 1 )
Processo de contagem
Incrementos independentes
Incrementos não-independentes
0 t1 t2 s+t1 s+t2
Processo de contagem
Incrementos não-estacionários
Incrementos estacionários
0 t1 t2 t3 · · · tn-1 tn
T1 T2 T3 · · · Tn
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