TP 547- Princı́pios de Simulação de Sistemas de

Comunicação

Prof. Samuel Baraldi Mafra

Prof. Samuel Baraldi Mafra www.inatel.br

Statistics (scipy.stats):
https://docs.scipy.org/doc/scipy/reference/tutorial/stats.html
numpy: https://numpy.org/doc/stable/
matplotlib: https://matplotlib.org/stable/tutorials/index.html
Comparação numpy Matlab:
http://mathesaurus.sourceforge.net/matlab-numpy.html

Prof. Samuel Baraldi Mafra www.inatel.br

Geração de variáveis aleatórias contı́nuas

Prof. Samuel Baraldi Mafra www.inatel.br

Método da transformada inversa

Seja X uma variável aleatória com função de distribuição

acumulada F ;
Definindo FX−1 (z) como a função X = FX−1 (z) com
0 ≤ z ≤ 1;
Seja U ∼ U (0,1), a cdf da transformada inversa F −1 (U ) é

P (F −1 (U ) ≤ x) = P (U ≤ F (x)) = F (x)

Este método pode ser utilizado em distribuições que sejam

inversı́veis.
Algoritmo de geração
Gerar um vetor U de valores com distribuição uniforme entre 0 e 1;
Calcular X = F −1 (U );

Prof. Samuel Baraldi Mafra www.inatel.br

Método da transformada inversa

Prof. Samuel Baraldi Mafra www.inatel.br

Geradores de Variáveis Aleatórias
com Distribuição Uniforme em um intervalo [a,b]

Considerando uma variável aleatória com distribuição uniforme no

intervalo [a,b], a sua função densidade de probabilidade será:
1
f (x) = , a≤x≤b
b−a
x−a
F (x) = P (X ≤ x) =
b−a

Algoritmo de geração
Gerar um vetor U de valores com distribuição uniforme entre 0 e 1;
Calcular x=a+(b-a)*U;

Prof. Samuel Baraldi Mafra www.inatel.br

i m p o r t numpy a s np
import m a t p l o t l i b . pyplot as p l t

A=0
B=40
N=100000
x=np . random . u n i f o r m ( 0 , 1 ,N)

Xab=A+(B=A) * x
p r i n t ( Xab )

X=np . a r a n g e (A , B , 0 . 1 )
f x =(1/(B=A) ) * np . o n e s ( np . s i z e (X ) )
p l t . p l o t (X , f x )
p l t . h i s t ( Xab , b i n s =100 , d e n s i t y=True )
p l t . show ( )

u n i a b g e n . py
Prof. Samuel Baraldi Mafra www.inatel.br
Geradores de Variáveis Aleatórias
com Distribuição Uniforme em um intervalo [a,b]:Exemplo

Uma pessoa chega a um prédio e vai até o elevador. Depois de

acionado, o elevador demora entre 0 e 40 segundos para chegar.
Considerando que o intervalo entre 0 e 40 segundos é
uniformemente distribuı́do. Qual é a probabilidade de o elevador
demorar menos de 15 segundos?
código: uniabgenex.py

Prof. Samuel Baraldi Mafra www.inatel.br

Geradores de Variáveis Aleatórias
com Distribuição Exponencial

Considerando uma variável aleatória com distribuição exponencial,

a sua função densidade de probabilidade será:

f (x) = λe−λx , a≤x≤b

F (x) = P (X ≤ x) = 1 − e−λx

Algoritmo de geração
Gerar um vetor U de valores com distribuição uniforme entre 0 e 1;
Calcular x = − ln(U )/λ;

No python: random.exponential(β, N). β representa a média da

distribuição (β = 1/λ)

Prof. Samuel Baraldi Mafra www.inatel.br

i m p o r t numpy a s np
import m a t p l o t l i b . pyplot as p l t

N=10000
lambda1=1
x=np . random . u n i f o r m ( 0 , 1 ,N)

Xexp==np . l o g ( x ) / lambda1

p r i n t ( Xexp )
X=np . a r a n g e ( 0 , 1 0 , 0 . 1 )
f x=lambda1 * np . exp (= lambda1 *X)
p l t . p l o t (X , f x )
p l t . h i s t ( Xexp , b i n s =100 , d e n s i t y=True )
p l t . show ( )

e x p g e n . py
Prof. Samuel Baraldi Mafra www.inatel.br
Geradores de Variáveis Aleatórias
com Distribuição Exponencial:Exemplo

Um componente eletrônico, de marca ”A”, tem duração de vida

que segue uma distribuição exponencial com vida média de 100
horas. Qual é a probabilidade do componente parar de funcionar
em menos de 40 horas de uso?
Código: expgenex.py

Prof. Samuel Baraldi Mafra www.inatel.br

Método da Aceitação-Rejeição

O método de aceitação rejeição (ou método de rejeição) é

usado para simular valores de uma variável aleatória,
geralmente quando o método da inversa não pode ser
aplicado;
Considere uma v.a. com densidade f (x) da qual é necessário
gerar valores e g(x) a densidade de outra v.a., da qual é
possı́vel gerar valores;
No método, é gerado um valor y da v.a. com densidade g(x)
dado que f (y)/g(y) ≤ c para todo y.
O valor c é dado por:

f (x)
c = max .
g(x)

Baseado na geração de uma variável com distribuição

uniforme, a amostra é aceita ou rejeitada.
Prof. Samuel Baraldi Mafra www.inatel.br
Método da Aceitação-Rejeição

Algoritmo de Geração
1 Gerar uma variável aleatória Y de uma distribuição conhecida
g(x);
2 Gerar U independente de Y ;
f (Y )
3 Se U ≤ cg(Y ) . Então aceita-se a amostra (X = Y ), senão
rejeita e volta ao passo 1;

Prof. Samuel Baraldi Mafra www.inatel.br

Prof. Samuel Baraldi Mafra www.inatel.br
Método da Aceitação-Rejeição:Exemplo

Aplicar o método da aceitação-rejeição para gerar valores de uma

v.a. com densidade:

f (x) = 20x(1 − x)3 , 0<x<1

Prof. Samuel Baraldi Mafra www.inatel.br

Método da Aceitação-Rejeição:Exemplo

Usa-se como função conhecida g(x) = 1 0 < x < 1,

portanto:
f (x)
= 20x(1 − x)3 .
g(x)

Prof. Samuel Baraldi Mafra www.inatel.br

Método da Aceitação-Rejeição:Exemplo

f (x)
O valor de c é calculado pelo máximo valor de g(x) , que
acontece em x = 14 :

f (x) 135
c = max = max 20x(1−x)3 = 20∗0.25(1−0.25)3 =
g(x) 64

Então:
f (x) 256
= x(1 − x)3
cg(x) 27

Prof. Samuel Baraldi Mafra www.inatel.br

Método da Aceitação-Rejeição

Algoritmo de Geração
1 Gerar uma variável aleatória Y de uma distribuição uniforme
U1 ;
2 Gerar U2 independente de U1 ;
3 Se U2 ≤ 256 3
27 Y (1 − Y ) . Então aceita-se a amostra (X = Y ),
senão rejeita e volta ao passo 1;

Prof. Samuel Baraldi Mafra www.inatel.br

i m p o r t numpy a s np
import m a t p l o t l i b . pyplot as p l t
n=100000
x f u n c t i o n=np . a r r a y ( [ ] )
f o r i in range (n ) :
x1=np . random . u n i f o r m ( 0 , 1 )
x2=np . random . u n i f o r m ( 0 , 1 )
w h i l e ( x2 >=(256/27) * x1 * pow((1 = x1 ) , 3 ) ) :
x1=np . random . u n i f o r m ( 0 , 1 )
x2=np . random . u n i f o r m ( 0 , 1 )
x f u n c t i o n = np . append ( x f u n c t i o n , x1 )
print ( xfunction )
X=np . a r a n g e ( 0 , 1 , 0 . 1 )
f x =20*X* pow((1 =X ) , 3 )
p l t . p l o t (X , f x )
p l t . h i s t ( x f u n c t i o n , b i n s =100 , d e n s i t y=True )
p l t . show ( )
c ó d i g o : a c c e p t 1 . py
Prof. Samuel Baraldi Mafra www.inatel.br
Método da Aceitação-Rejeição

Aplicar o método da aceitação-rejeição para gerar valores de uma

v.a. com densidade:

f (x) = (1 + sin(x))/2π, 0 < x < 2π

Prof. Samuel Baraldi Mafra www.inatel.br

Método da Aceitação-Rejeição:Exemplo

Usa-se como função conhecida g(x) = 1/2π 0 < x < 2π,

portanto:
f (x)
= (1 + sin(x)).
g(x)

Prof. Samuel Baraldi Mafra www.inatel.br

Método da Aceitação-Rejeição:Exemplo

f (x)
O valor de c é calculado pelo máximo valor de g(x) , que
acontece em x = π2 :

f (x)
c = max = (1 + sin(π/2)) = 2
g(x)

Então:
f (x)
= (1 + sin(x))/2
cg(x)

Prof. Samuel Baraldi Mafra www.inatel.br

i m p o r t numpy a s np
import m a t p l o t l i b . pyplot as p l t
n=100000
x f u n c t i o n=np . a r r a y ( [ ] )
f o r i in range (n ) :
x1=np . random . u n i f o r m ( 0 , 2 * np . p i )
x2=np . random . u n i f o r m ( 0 , 1 )
w h i l e ( x2 >=(1+np . s i n ( x1 ) ) / 2 ) :
x1=np . random . u n i f o r m ( 0 , 2 * np . p i )
x2=np . random . u n i f o r m ( 0 , 1 )
x f u n c t i o n = np . append ( x f u n c t i o n , x1 )
print ( xfunction )
X=np . a r a n g e ( 0 , 2 * np . p i , 0 . 1 )
f x =(1+np . s i n (X ) ) / ( 2 * np . p i )
p l t . p l o t (X , f x )
p l t . h i s t ( x f u n c t i o n , b i n s =100 , d e n s i t y=True )
p l t . show ( )
c ó d i g o : a c c e p t 2 . py
Prof. Samuel Baraldi Mafra www.inatel.br
Distribuição Normal: N (µ,σ 2 )

A distribuição Normal é uma das mais importantes

distribuições contı́nuas de probabilidade pois descreve muitos
fenômenos aleatórios nas áreas da economia, biologia,
telecomunicações, etc.

Prof. Samuel Baraldi Mafra www.inatel.br

Distribuições Normal: N (µ,σ 2 )

Parâmetros
µ,σ 2 .
1 x−µ 2
f (x) = √1 e− 2 ( σ ) − ∞ ≤ x ≤ ∞;
σ 2π
Média: µ;
Variância: σ 2 .

Prof. Samuel Baraldi Mafra www.inatel.br

Distribuições Normal N (µ,σ 2 ): Propriedades

x = µ é o ponto máximo de f (x);

µ − σ e µ + σ são os pontos de inflexão da curva;
A curva normal é simétrica em torno da média µ.

Prof. Samuel Baraldi Mafra www.inatel.br

Distribuições Normal N (µ,σ 2 ): Propriedades

A área para certos desvios de σ apresenta alguns valores

importantes:

Prof. Samuel Baraldi Mafra www.inatel.br

Distribuições Normal N (µ,σ 2 ): Propriedades

Se X apresenta uma distribuição normal com média µ e

variância σ 2 , então para qualquer constantes a e b, aX + b é
normalmente distribuı́do com média aµ + b e variância a2 σ 2 ;
Portanto uma uma variável Z = X−µ σ apresenta uma
distribuição normal com média zero e variância unitária.
Esta distribuição é conhecida como normal padrão. A CDF é
dada por: Z x
1 x2
Φ(x) = √ e− 2 dx.
2π −∞

Prof. Samuel Baraldi Mafra www.inatel.br

Distribuições Normal N (µ,σ 2 ): Propriedades

A distribuição normal padrão é importante pois através dela

pode-se calcular as probabilidades em função de X em termos
de Φ.

F (x) = Pr{X ≤ x}
X −µ x−µ
= Pr{ ≤ }
σ σ
x−µ
= Pr{Z ≤ }
 σ
x−µ
=Φ
σ

O valor de Φ(x) pode ser determinado através de tabelas ou

pelo uso de integração numérica. Em python usar norm.cdf da
biblioteca scipy.stats.

Prof. Samuel Baraldi Mafra www.inatel.br

Distribuições Normal N (0,1): Geração
Método da aceitação-rejeição;
O módulo da pdf da distribuição normal padrão é dado por:
2 x2
f (x) = √ e− 2 x ≥ 0.
2π
Usa-se como função conhecida g(x) = e−x , portanto:

f (x) p 2
= 2/(π)ex−x /2 .
g(x)
f (x)
O valor de c é calculado pelo máximo valor de g(x) :
s 
f (x) p 2 2e
c = max = max 2/(π)ex−x /2 =
g(x) π
Então:
f (x) (x−1)2
= e− 2 .
cg(x)
Prof. Samuel Baraldi Mafra www.inatel.br
Geradores de Variáveis Aleatórias
com Distribuições Normal N (0,1)

Algoritmo de Geração
1 Gerar uma variável aleatória,Y com uma distribuição
exponencial de média λ = 1, isto é gera se U1 e calcula
Y = −ln(U1 );
2 Gerar U2 ;
(Y −1)2
3 Se U2 ≤ e− 2 . Faz |Z| = Y , senão volta ao passo 1;
4 Gerar U3 . Faz Z = |Z| se U3 ≤ 0.5, senão faz Z = −|Z| se
U3 > 0.5.
Para gerar uma distribuição N (µ,σ 2 ), basta fazer
N (µ,σ 2 ) = Z ∗ σ + µ.

Prof. Samuel Baraldi Mafra www.inatel.br

i m p o r t numpy a s np
import m a t p l o t l i b . pyplot as p l t
n=100000
x f u n c t i o n=np . a r r a y ( [ ] )
mu=8;
s i g m a=np . s q r t ( 4 ) ;
f o r i in range (n ) :
x1=np . random . u n i f o r m ( 0 , 1 )
x e x p==np . l o g ( x1 ) ;
x2=np . random . u n i f o r m ( 0 , 1 )
w h i l e ( x2 >=(np . exp (= pow ( ( xexp = 1 ) , 2 ) / 2 ) ) ) :
x1=np . random . u n i f o r m ( 0 , 1 )
x e x p==np . l o g ( x1 ) ;
x2=np . random . u n i f o r m ( 0 , 1 )
x3=np . random . u n i f o r m ( 0 , 1 )
i f x3 <=0.5:
x f u n c t i o n = np . append ( x f u n c t i o n , x e x p )
else :
x f u n c t i o n = np . append ( x f u n c t i o n , = x e x p )
n o r m v a l u e=s i g m a * x f u n c t i o n+mu ;
c ó d i g o : a c c e p t n o r m . py

Prof. Samuel Baraldi Mafra www.inatel.br

Geradores de Variáveis Aleatórias
com Distribuições Normal N (µ,σ 2 ):Exemplo

As notas de bioestatı́stica em um determinado curso ocorrem

segundo uma distribuição N (8,22 ). Calcule a probabilidade de um
aluno:
a) Tirar menos que 6;
b) Tirar acima de 8.
código: acceptnormex1.py

Prof. Samuel Baraldi Mafra www.inatel.br

Geradores de Variáveis Aleatórias
com Distribuições Normal N (µ,σ 2 ):Exemplo

Suponha que a espessura média de arruelas produzidas em uma

fábrica tenha distribuição normal com média 11,15mm e desvio
padrão 2,238mm. Qual a porcentagem de arruelas que tem
espessura entre 8,70mm e 14,70mm?
código: acceptnormex2.py

Prof. Samuel Baraldi Mafra www.inatel.br