métodos quantitativos para ciência da computação...
TRANSCRIPT
Métodos Quantitativos para Ciência da Computação Experimental
-Aula #4c-
Virgílio A. F. Almeida
Março 2008
Departamento de Ciência da ComputaçãoUniversidade Federal de Minas Gerais
Exercício Usando a Regra de Bayes
• Um canal de comunicação transporta dois tipos de sinais, denotados por 0 e 1. Devido ao ruido, um 0 transmitido é recebido como 1 e 1 como 0. Para um dado canal, assuma a probabilidade de 0.94 que um 0 transmitido é corretament recebido como 0 e a probabilidade de 0.91 que um 1 é recebido como 1. Assuma também a probabilidade 0.45 de transmitir um 0. Determine:
– Probabilidade que um 1 é recebido
– Probabilidade que um 0 é recebido
– Probabilidade que um 1 foi transmitido dado que um 1 foi recebido
– Probabilidade que um 0 foi transmitido dado que um 0 foi recebido
– Probabilidade de um erro.
Solução
• Definição de eventos:
– T0 = um 0 é transmitido
– R0 = um 0 é recebido
– um 1 é transmitido
– um 1 é recebido01 TT =
01 RR =
P(T1)
P(T0)P(R0)
P(R1)
P(R0|T0)
P(R1|T1)
P(R1|T0)
P(R0|T1)
Perguntas
1. Probabilidade que um 1 é recebido
2. Probabilidade que um 0 é recebido
3. Probabilidade que um 1 foi transmitido dado que um 1 foi recebido
4. Probabilidade que um 0 foi transmitido dado que um 0 foi recebido
5. Probabilidade de um erro.
Solução
0765.0)10()01()(
8952.0)0(
)0()0|0()0|0(
9488.0)1(
)1()1|1()1|1(
4725.01)0()1(
4725.0)1|0()0|0()0(
=∩+∩=
==
==
−==
=+=
RTPRTPerroP
RP
TPTRPRTP
RP
TPTRPRTP
RPRP
TRPTRPRP
Distribuições Comuns de Variáveis Aleatórias Discretas
PoissonExponencialTaxa
Contínua
BinomialGeométricaExperimentos
Discretos
Número de Sucessos em Tempo Fixo ou em
Número de Tentativas
Tentativas ou
Tempo até
Sucesso
Distribuições Comuns de Variáveis Aleatórias Discretas
1. Constante
2. Uniforme
3. Bernoulli
4. Binomial
5. Geometrica
6. Poisson
Variável Aleatória Constante
• pmf
• CDF
c
1.0
1.0
c
Distribuição Discreta Uniforme
• A v.a. discreta X que assume n valores discretos com probabilidade pX(i) = 1/n, 1 ≤ i ≤ n
• pmf
• CDF:
∈
=contráriocaso
Xxsenxp
i
iX,0
,/1)(
n
tiptF
t
i
X ==∑=1
)()(
Variável de Bernoulli
– V.A gerada por um experimento único de Bernoulli tem um resultado binário {0,1}
– A v.a. binária X é chamada variável de Bernoulli tal que:
–Função de massa de probabilidade:
)0(1
)1(
==−=
==
XPpq
XPp
Distribuição de Bernoulli
• CDF
x0.0 1.0
q
p+q=1
Binomial
Numa distribuição binomial, tem-se:
1. Todos experimentos são independentes.
2. Número de sucessos x numa sequência de experimentos de Bernoulli.
2. Cada resultado é um “successo” ou “falha”.
3. A probabilidade de sucesso de um experimento é dado porp. A probabilidade de uma falha é 1- p.
4. Uso do modelo: número de processadores “down” num cluster; número de pacotes que chegam ao destino sem erro.
Binomial
Distribuição Binomial
A distribuição binomial com parâmetros
n 0 and 0 < p < 1, is
Qual a média e variância????
p xn
xp px n x( ) ( )=
− −1
≥≥≥≥
Distribuição Binomial
A distribuição binomial com parametros
n 0 and 0 < p < 1, is
A média e variância da binomial são:
p xn
xp px n x( ) ( )=
− −1
µ σ= = −np np p2 1( )
≥≥≥≥
V.A. Binomial: pmf
pk
0
0.2
0.4
0.6
0.8
1
1.2
0 1 2 3 4 5 6 7 8 9 10
x
CD
F
V.A. Binomial: CDF
Distribuição Geométrica
• Número de experimentos até incluir o 1o sucesso.
• Em geral , S pode ter um tamanho infinitamente contável
• Definir a v.a Z (∈ S): amostra: 0 i-1 1 = i
• Por causa da independência:
Geométrica
Geométrica
• A distribuição geometrica é a única distribuição discreta que exibe a propriedade MEMORYLESS.
• Resultados futuros são independentes de eventos passados.
• n experimentos completaram todos com falhas. Y experimentos adicionais são executados antes de um sucesso, i.e. Z = n+Y or Y=Z-n
Geométrica: ausência de memória
• Y=Z-n
)()1(1
)(1
)(
)(1
)(
)(
)(
)(
)(
)|(
)|(
)|(
11
ippqq
pq
nF
inp
nF
inZP
nZP
inZP
nZP
nZandinZP
nZinZP
nZinZP
nZiYP
Z
i
n
in
Z
Z
Z
==−−
=
−
+=
−
+==
>
+==
>
>+==
>+==
>=−=
>==
−−+
V.A. Geometrica
• Exercício: Mostre que
1
1( ) 1 and ( )X
x
P x E xp
∞
=
= =∑
Poisson: propriedades
• Considere que um servidor espera receber 100 transações em um minuto:
• Espera-se que:
– O início de cada transação é independente dos outros;
– Para cada pequeno intervalo de tempo ∆t, a probabilidade de uma nova transação chegar éλ∆t
– A probabilidade de chegar duas transações ao mesmo tempo é zero!
• O processo de Poisson tem as propriedades acima.
• Função de massa de probabilidade (pmf):
• CDF:
{ } k!
)( )(
ktektNPp
t
k
λλ−===
(((( ))))
k!
)(
0
k
∑∑∑∑====
−−−−====x
k
t texF
λλλλλλλλ
Distribuição de Poisson
Poisson
pk
λλλλt=1.0
Poisson pmf
t1 2 3 4 5 6 7 8 9 10
0.5
0.1
CDF
1
λλλλt=1.0
Poisson CDF
λt=4.0
pk
λλλλt=4.0
Poisson pmf
t
CDF
1 2 3 4 5 6 7 8 9 10
0.5
0.1
1
λλλλt=4.0
Poisson CDF
Poisson
• Uma v.a. de Poisson X tem sua pmf::
Onde λλλλ > 0 é uma constante
• Exercicio: mostre que:
E(X) = λλλλ0
( ) 1 Xx
P x∞
=Σ =
( ) 0,1, 2,...!
x
P X x e xx
λλ −= = =
λ
Poisson: aplicações
• A v.a. de Poisson é boa para modelar vários fenômenos, como o número de transações que chega num servidor em uma hora, ou o número de queries que chega numa máquina de busca em 1 minuto ou número de pacotes que chega num roteador em 1 segundo.
Exponencial
Search Algorithms: Is the Web-Graph a Random graph? No!
• Random graph Gn,p:– n nodes– Every directed edge occurs with probability p
• Is the Web-graph a random graph Gn,p?
• The probability of high degrees decrease exponentially • In a random graph degrees are distributed according to a Poisson
distribution
• Therefore: The degree of a random graph does not obey a power law
Distributed In-Network Task Allocation
• Suppose sensor network monitors the environment;
• If an event is detected by node n it sends out a packet (n_id, weight, hop_count)
• Compute Navigation Field;
• This computation results in a direction which maximizes the net utility of the robot;
• If there are several events detected at the same time, a node computes direction towards the goal node with largest:
counthop
weight
_
Experimental results
• Player/Stage simulations;
• Sensor Network of 25 motes;
• Groups of 1-4 robots, 10 trials/group
• 10 Alarms are drawn from the Poisson distribution with λ=1/60;
• Empty environment, A = 576 m2
Exercícios
1. Considere que o número de mails que chegam a um servidor de mails no intervalo t segundos é distribuído como Poisson com parâmetro 0.3t Calcule a seguintes probabilidades:
– Exatamente tres mensagens chegarão num intervalo de 10 seg.
– No máximo 20 msgs chegarão num período de 20 seg.
– O número de msgs num intervalo de 5 seg está entre 3 e 7 mails.
2. A probabilidade de um query falhar (não ser bem sucedido) é 10(-4). Qual a probabilidade de falharem mais de 3 queries numa sequência de 1000 queries?