Alterado 9/4/11

Aula 1
Objetivo: Mostrar o papel fundamental da distribuio de Poisson no
comportamento de grandes populaes.
Modelo

Populao de n pessoas, n>>1;

Comportamento individual independente num intervalo de tempo fixo T;
P{ir ao banco} = p;
P{no ir ao banco} = 1 - p

Discusso:
Simplificao da realidade, aplicando o mesmo fator p (constante) a todos os
indivduos da populao.
Certamente, numa famlia, sendo todos correntistas do banco, um nico
membro pode executar tarefas para os outros.
Considere que o modelo vlido, apesar de ser uma simplificao da
realidade.
Telefonia: Este mesmo modelo pode ser aplicado aos usurios de um PBX
(central telefnica). Imagine que cada usurio disque durante o intervalo T com
probabilidade p ou no disque com probabilidade 1-p. Tambm temos uma
simplificao da realidade, pois possivelmente o mesmo fator p no deveria se
aplicar a todos os usurios.
Banco de Dados: Acesso a um banco de dados como, por exemplo, o SIGA.
Usurios tentam acesso com probabilidade p ou no tentam com probabilidade
1-p. Usar uma mesma probabilidade para todos uma simplificao da
realidade.
Questo:
Quantas pessoas em mdia vo ao banco no intervalo T fixo?
Resposta:
Vamos utilizar o conceito de varivel indicadora para o i-simo usurio.
Ii
varivel indicadora que representa o comportamento do i-simo
usurio no intervalo T fixo.
Ii =
Ii =

1, se i-sima pessoa vai ao banco em T

0, se i-sima pessoa no vai.

Somente dois valores possveis. Ii uma varivel aleatria discreta.

1

Alterado 9/4/11
Funo de Massa de Probabilidade ou PMF (Probability Mass Function)
P{ Ii = 1} = p, P{ Ii = 0} = 1 p.
pmf
p
1-p
valores possveis
0

Valor mdio de Ii = = E[Ii]

, -

, -

Observao:
Se uma pessoa vai ao banco com a probabilidade de 80% , ento
ela contribui com 0.80 para o nmero mdio de pessoas que vo ao
banco.

Formulao Matemtica:
N: v.a. que representa o nmero de pessoas que vo ao banco
em T da populao total de n clientes.

, -

, -

***

Vamos rever neste ponto as propriedades da esperana.

Assuma N=N1 + N2
E[N] = E[N1 + N2] = E[N1] + E[N2] sempre !

Alterado 9/4/11

Observao:
A esperana da soma a soma das esperanas mesmo que
N1 e N2 sejam variveis dependentes. O conceito de independncia
de variveis aleatrias ser revisto mais adiante.

N = N1 * N2
E[N]=E[N 1*N2] = E[N1]*E[N2], apenas se N1 e N 2 forem independentes!

Ler Apostila:
Captulo 13 pginas 44 e 45, onde se prova esta propriedade.

, -

) *

+]
+

[ *

[ *
+

+]
,

Alterado 9/4/11

Bnus:
Como posso simplificar as expresses entre colchetes?

Lembrar:

, -

Recordando condicional:

(
( )

) ( )

Se A e B so eventos independentes, ento devo ter:

P(A|B) = P(A), ou seja, a existncia de B no afeta a ocorrncia de A.
Consequncia:

( )
( )

( )

( ) ( )

Alterado 9/4/11
Retornando ao nosso problema:
, -

[ ]

, -

Se durante o intervalo de tempo T, np pessoas vo ao banco em mdia, a taxa

mdia de chegadas de pessoas do banco (pessoas/s) dada por
(

Vamos mais longe...

Bnus:
P{N=i} = probabilidade de i pessoas irem ao banco no intervalo
de tempo T, considerando o modelo de comportamento?

Resposta:

. /

Distribuio binomial. Estamos corretos?

Bnus
Mostre que:

Resposta: pgina 25 da apostila.

Alterado 9/4/11
Binmio de Newton

( )

( )

( )

( )

Observao:

( )=

. / *

. /

***
Assuma que a taxa mdia de pessoas indo ao banco fixa, ou seja,
para n >> 1 e

moderado.

Para que isto seja verdadeiro necessrio que p com n. Razovel?

Banco tem espao finito. Se muita gente vai ao banco, filas se
formam e p tende a diminuir. medida que a populao de clientes
cresce numa determinada agncia esperado que estes clientes usem
mais a internet e menos a agncia para manter estabilidade. Banco
pode aumentar o nmero de clientes se investir em acesso remoto.

Assumindo ento np = T (moderado e finito, mesmo com n )

. /
(

)
)(

)(

(
(

)
)

( ) (

)
)

) (

)( )

)
)

Alterado 9/4/11

+
(

)(

)(

,i0

Distribuio de Poisson

Lembrar
.

Fluxo Poisson:
chegadas com taxa constante tal que o nmero de
chegadas em T dado pela distribuio de Poisson.
Grandes populaes geram fluxos de Poisson!
Distribuio de Poisson uma distribuio discreta!

, -

mdia

ou

primeiro

momento ou valor mdio ou esperana

, -

(
(

)
)

(
(

)
)

, -

Alterado 9/4/11

ERRO GRAVE
(

Momentos de uma v.a. discreta

k-simo momento

Teorema fundamental da esperana

, ( )-

() *

+ (z parmetro)

Pensando em esperana condicional:

, -

,
,( )

+, B um evento qualquer
*

() *

+
+

()
8

Alterado 9/4/11
Ento:

, ( )- , ( )
- *
+ () *
+
(S uma forma interessante de se pensar em condicional)
Varincia

2o momento central
( )

) -

,(
,

,
, -

, -

Observao:
um nmero e no uma v.a!
Momentos so sempre nmeros!

( )
,

,
-

()

Pode V(N) ser negativo?

V(N) sempre positivo e mede o espalhamento em
torno da mdia.

Alterado 9/4/11
Varincia maior

Varincia menor

Valor a fixo

10

Alterado 9/4/11
N Poisson

E[N 2] =

Complicado!

Como obter momentos de uma forma mais simples?

Resposta:
Usando uma funo geradora de momentos.

,
,

( )

N(z) chamada de Transformada Z da pmf da v.a N.

Z um parmetro qualquer. Para ns, N(z) uma ESPERANA!

Teoria:
1)

Y = aX ( a nmero; X,Y v.as)

E[Y] = E[aX] = a E[X]

2)

Y = aX1 + bX2
E[Y] = E[aX1 + bX2] = aE[X1] + bE[X2]

1 + b 2

A ESPERANA pode ser tratada como um operador linear,

intercambivel com outros operadores, como: somatrio, derivada e
integral.

Exemplos:
1)

, -

, -

2)

3)

, -

( )

, -

, ( )11

Alterado 9/4/11
N(z) para a Distribuio de Poisson

( )

)
(

( )

Memorizar:

( )

( )

( )

( )

, (

( )
( )

, , (

)-

, -

Pode-se derivando e fazendo z = 1 obter todos os momentos

da v.a N.
Para Poisson:
(

( )

( )

( )

(Como previsto)

Resultado bvio: se chegadas ocorrem a uma taxa , durante T

ocorrero T chegadas em mdia!
( )

( )

( )

)
(

)
(

)
12

Alterado 9/4/11

Propriedade importante:
A relao entre a pmf e sua Transformada Z biunvoca.

Plano Real

Plano Complexo

( )

Como caracterizar uma v.a N ?

1)

2) Funo Distribuio ou PDF (Probability Distribution Function) ou

CDF (Cumulative Distribution Function):

3) Calculando todos os momentos da varivel aleatria N (pode-se

mostrar que a pmf pode ser escrita como uma Srie de Taylor
envolvendo todos os momentos). Tarefa inglria.
4) Calculando N(z), que permite obter a pmf
todos os momentos, se quiser.

+ e tambm

Trabalhar no plano real envolve trabalhar com pmf e/ou pdf.

Trabalhar no plano complexo envolve trabalhar com N(z).

13