Processos Estocásticos

Processo de Poisson

Poisson Distribution - Business Uses of the Poisson Distribution

A tool that predicts the amount of variation from a known average rate of occurrence within a given time frame.
Companies can utilize the Poisson Distribution to examine how they may be able to take steps to improve their
operational efficiency. For instance, an analysis done with the Poisson Distribution might reveal how a company
can arrange staffing in order to be able to better handle peak periods for customer service calls.
https://corporatefinanceinstitute.com/resources/knowledge/other/poisson-distribution/

Prof. Marcos Cardoso

 Processos Estocásticos
Um processo estocástico é uma família de variáveis aleatórias
que descreve a evolução de algum processo no tempo.
Definição 1.
Um processo estocástico {X(t), t ∈ T} é uma coleção de variáveis aleatórias onde t representa, na maioria
das vezes, o tempo. X(t) são variáveis aleatórias que representam o estado do processo no tempo t.
Se T é um conjunto enumerável, então {X(t), t ∈ T} é um processo estocástico discreto no tempo.
Se T é um conjunto não enumerável, então {X(t), t ∈ T} é um processo estocástico contínuo no tempo.
Exemplos:
a) {Xn, n = 0, 1, 2, ....} é um processo estocástico discreto no tempo indicado por inteiros positivos.
b) {Xt, t ≥ 0 } é um processo estocástico contínuo no tempo indicado por números reais positivos.

O Espaço de Estados de um processo estocástico representa o conjunto de todos possíveis valores das
variáveis aleatórias X(t). Cada um desses possíveis valores é denominado estado do processo

Definição 2.
Um processo estocástico contínuo {X(t), t ∈ T} possui incrementos independentes se para todos os inteiros
t0 ≤ t1 ≤ t2 ≤ .... ≤ tn, as variávies aleatórias X(t1 )-X(t0), X(t2 )-X(t1 ), X(t3 )-X(t2), X(tn )- X(tn-1) são independentes.

X(t)

t0 t1 t2 t3 tn-1 tn t

Definição 3.
Um processo estocástico contínuo {X(t), t ∈ T} possui incrementos estacionários se X(t1+s)-X(t1) tem a
mesma distribuição de X(t2+s)-X(t2), para todo t ∈ T.

X(t)

t1 t1+s t2 t2+s t
 Processo de Poisson

”Incerteza é a marca indelével do universo.

Assim um evento terá, pela sua própria natureza, uma chance, maior ou menor,
conhecida ou desconhecida, e sua probabilidade será relativa aos nossos
conhecimentos naquilo que lhe diz respeito.” Poisson, 1837. (Sceaux, França)

Siméon Denis Poisson (21/06/1781—25/04/1840) foi um matemático e físico

francês.
Siméon Denis Poisson

Um Processo de Poisson com parâmetro (ou taxa de chegada λ) é um processo estocástico contínuo no
tempo {X(t), t ≥ 0 }, satisfazendo as seguintes condições:
a) t = 0, X(0) = 0.
b) Para todo t0 ≤ t1 ≤ t2 ≤ .... ≤ tn, os incrementos em intervalos não sobrepostos X(t1 )-X(t0), X(t2 )-X(t1 ),
X(t3 )-X(t2), X(tn )- X(tn-1) são variáveis aleatórias independentes.
c) Para t ≥ 0, s > 0 e k > 0, os incrementos apresentam Distribuição de Poisson:

P [ X (t + s ) − X (s ) = k ] =
(λ t )k ⋅ e −λ t
k!

t – intervalo de tempo.
k – número de eventos que ocorrem no intervalo de tempo t.
(número de bits; pacotes; chamadas; requisições)

O Processo de Poisson X(t), é um processo de contagem onde a probabilidade de ocorrência de um

determinado número de eventos k em qualquer intervalo de tempo t é definido pela equação de Poisson.

Exemplo 1:
O número de requisições que chegam a um servidor é em média 30 requisições/min. Qual a probabilidade
de chegarem 4 requisições no intervalo [t1, t1+ 10s]?

X(t) t= 10s
λ = 30req / min ≡ 0,5req / s k = 4 req t = 10 s

k = 4 req
P [ X (t1 +10 ) − X (t1 ) = 4 ]=
(0,5 ⋅10) −0,5 ⋅10
4
⋅e =0,1755
4!
t1 t1+10 t
Propriedades do Processo de Poisson

Propriedade 1.
Na condição c, os incrementos são estacionários, pois a equação de Poisson não depende de s.
Os incrementos dependem somente do comprimento do intervalo t.
O valor esperado de uma variável aleatória de Poisson é dado por:
E [ X (t + s ) − X (s ) ] = λ t
Considerando que os incrementos são estacionários a equação acima é válida para qualquer valor de s.
Se s = 0:
E [ X (t ) − X (0 ) ] = λ t

Propriedade 2.
A probabilidade que exatamente um evento ocorre em um intervalo de tempo arbitrariamente pequeno de
comprimento h, dada pela equação de Poisson:

Pr = P [ X (h + s ) − X (s ) = 1 ] = λ h ⋅ e − λ h
Expandindo em série de Taylor:
 (− λ h )1 (− λ h )2 (− λ h )3 (− λ h )n 
Pr = λ h ⋅ 1 + + + + .... + 
 1! 2! 3! n! 
Pr = λ h + O (h )

O(h) representa qualquer função de h tal que:

O (h )
lim =0
h→0 h
A probabilidade que nenhum evento ocorra no intervalo h:

Pr = P [ X (h + s ) − X (s ) = 0 ] = e − λ h = 1 − λ h + O(h)
A probabilidade de ocorre mais de um evento no intervalo h:
Pr = P [ X (h + s ) − X (s ) > 1 ] = −2O (h) ≅ O(h)
Exemplo 2:
Uma conversação em uma rede ad-hoc sem fio é severamente perturbada por sinais interferentes de
acordo com o Processo de Poisson de taxa λ = 0,1 interferência/min.
a) Qual a probabilidade que nenhum sinal interferente ocorra nos 2 primeiros minutos de
conversação?

(λ ⋅ t )k (0,1 ⋅ 2 )0
P [ X (2 ) − X (0 ) = 0 ] = ⋅ e − λ ⋅t = ⋅ e − 0 ,1 ⋅2 = 0,8187
k! 0!
 b) Dado que os 2 primeiros minutos não sofrem interferências qual é a probabilidade que no próximo
minuto, precisamente um sinal interferente ocorrerá?

X(t) k=0 k=1

Eventos Independentes:
Para todo t, os incrementos em intervalos não
sobrepostos são variáveis aleatórias independentes.
0 1 2 3 t

(0,1 ⋅1)1
P [ X (3) − X (2 ) = 1 / X (2 ) − X (0 ) = 0 ] ≡ P [ X (3) − X (2 ) = 1 ] = ⋅ e − 0 ,1 ⋅1 = 0,0905
1!

Exemplo 3:
Durante um certo intervalo de tempo [t1, t1+10s] chegam ao roteador em média 40 pacotes/s. Um
provedor de serviço de Internet (ISP) quer determinar a probabilidade de chegarem 20 pacotes no intervalo
[t1, t1+ 1s] e 30 pacotes no intervalo [t1, t1+3s]. Considere o processo de chegada Possoniano.

X(t) k=20 k=10

Eventos Independentes:
Para todo t, os incrementos em intervalos não
sobrepostos são variáveis aleatórias independentes.
t1 t1+1 t1+3 t

P [ X (t 1 + 1) − X (t 1 ) = 20, X (t 1 + 3) − X (t 1 ) = 30] = P [ X (t 1 + 1) − X (t 1 ) = 20, X (t 1 + 3) − X ( t 1 + 1) = 10]

Eventos independentes – a probabilidade conjunta será dada pelo produto das duas:

(40 ⋅ 1) − 40⋅1 (40 ⋅ 2 )

20 10
P [ X (t 1 + 1) − X (t 1 ) = 20] ⋅ P [ X (t 1 + 3) − X (t 1 + 1) = 10] = ⋅e ⋅ ⋅ e − 40 ⋅2 = 10 − 26
20! 10!

Teoremas do Processo de Poisson

Teorema 1
Um processo de contagem N(t) que satisfaz às condições:
a) N(0) = 0.
b) N(t) tem incrementos estacionários e independentes.
c) P[N(h)=1]= λh + O(h)
d) P[N(h)>1]= O(h)
Então o processo N(t) é Poisson com taxa λ.
Prova.
Temos que demonstrar que as condições c) e d) são equivalentes às condições c) do processo de Poisson.
Pn (t ) = P [ N (t ) = n ]
Demonstrando para n=0:
P0 (t + h) = P [ N (t + h ) = 0 ] = P [ N (t + h ) − N (t ) = 0, N (t ) = 0] Intervalos não sobrepostos

P0 (t + h ) = P [ N (t + h ) − N (t ) = 0 ] ⋅ P [ N (t ) = 0 ]

P0 (t + h ) = P [ N (h ) = 0 ] ⋅ P [ N (t ) = 0 ]
Temos:
∞ ∞

∑ P [ N (h ) = k ] = 1
k =0
→ P [ N (h ) = 0 ] + ∑ P [ N (h ) = k ]
k =1
=1

∞
P [ N (h ) = 0 ] = 1 − P [ N (h ) = 1 ] − ∑ P [ N (h ) = k ]
k >1

P[ N (h ) = 0 ] = 1 − (λ h + O ( h ) ) + O ( h ) = 1 − λ h
P0 (t + h ) − P0 (t )
P0 (t + h ) = P0 (t ) ⋅ (1 − λh ) ⇒ = − λ ⋅ P0 (t ) Observe a derivada Po´(t)
h
− λ ⋅t
Seja: P0 ( t ) = c ⋅ e . Para determinar o valor de c:
P0 (t ) = P [ N (0 ) = 0 ] = e − λ ⋅t → c = 1.

Por analogia:

P [ X (t + s ) − X (s ) = k ] =
(λ t )k
⋅ e −λ t
k!
Teorema 2
Seja {X(t), t ≥ 0} um processo de Poisson com taxa λ>0 e sejam t0 ≤ t1 ≤ t2 ≤ .... ≤ tn, os tempos de ocorrência
de eventos sucessivos.
Então os intervalos de tempo que separam dois eventos sucessivos (interarrival times) ℑn = tn – tn-1 são
variáveis aleatórias independentes e identicamente distribuídas exponencialmente com média 1/λ.

Pacotes espaçados de forma aleatória

ℑn possui distribuição exponencial com média 1/λ

Prova: Para qualquer s ≥ 0 e qualquer n ≥ 1 o evento {ℑn > s} é equivalente ao evento { X(tn-1+s)– X(tn-1 )= 0},
ou seja, não ocorreram chegadas no intervalo s.

P {ℑ n > s} = P[ X (t n −1 + s ) − X (t n −1 ) = 0] = e − λ ⋅ S
O que implica que qualquer intervalo de chegada tem uma distribuição exponencial:

F X ( x) = P {ℑ n ≤ x} = 1 − e − λ ⋅ X
F ( x)
f X ( x) = X = λ ⋅ e −λ ⋅ X
dx
Teorema 3
Dado que exatamente um evento de um processo de Poisson {X(t), t ≥ 0} tem ocorrido no intervalo [0, t] o
instante de ocorrência deste evento é uniformemente distribuído no intervalo [0, t].
Prova: Representando por s o instante de ocorrência do evento, 0 ≤ s ≤ t, devemos calcular a probabilidade

P [{ℑ1 ≤ s}I {X (t ) = 1}]

P [ℑ1 ≤ s / X (t ) = 1] =
P [{X (t ) = 1}]
Usando a equivalência de eventos:
{ℑ1 ≤ s} ↔ {X (t 0 + s) − X (t 0 ) = 1}
Devido à estacionaridade do Processo de Poisson:

[{ℑ1 ≤ s}I{X (t) = 1}] = [{X (s) = 1}I{X (t) = 1}] = [{X (s) = 1}I{X (t) − X (s) = 0}]
Aplicando a independência de incrementos sobre intervalos não sobrepostos, resulta:
P [ X ( s ) = 1]⋅ P [ X (t ) − X ( s ) = 0 ]
P [ℑ 1 ≤ s / X (t ) = 1] =
P [ X (t ) = 1]

Por meio da equação de Poisson:

λ s ⋅ e − λ S ⋅ ⋅e − λ ( t − S ) s
P [ℑ 1 ≤ s / X ( t ) = 1] = =
λ t ⋅ e −λ t t

Teorema 4
Se X(t) e Y(t) são dois processos de Poisson independentes com taxas λx e λy, então Z(t) = X(t) + Y(t)
também é Poisson com taxa λz = λx + λy.
Prova.

{ℑZ > s} ↔{ℑX > s}I{ℑY > s}

P[ℑZ > s] = P[ℑX > s, ℑY > s] = P[ℑX > s]⋅ P[ℑY > s] = e−λX S ⋅ e−λYS = e−(λX +λY )S = e−λZS
A soma de dois processos de Poisson independentes também é Poisson com taxa igual à soma das taxas
individuais.

Exemplo 4:
Seja X(t) = X1(t) + X2(t) a soma de dois processos de Poisson independentes com taxas λ1 e λ2. Se o processo
X(t) tiver uma chegada qual a probabilidade que esta chegada venha do processo X1(t)?
P [{X 1 (t) = 1} ∩ {X(t) = 1}] P [{X 1 (t) = 1} ∩ {X 2 (t) = 0}]
P [ X 1 (t) = 1 / X(t) = 1] = ≡
P [X(t) = 1] P [ X(t) = 1]

P [ X 1 (t) = 1] ⋅ P [X 2 (t) = 0] (λ1 ⋅ t ) ⋅ e − λ1 ⋅t ⋅ e − λ 2 ⋅t λ1

= = =
P [ X(t) = 1] (λ1 + λ2 )t ⋅ e − (λ1 + λ2 )⋅t λ1 + λ2
Exemplo 5:
A chegada de pacotes de voz (VoIP) na entrada de um roteador é um processo de Poisson com taxa λ = 0,1
pacotes/minuto. Devido a um upgrade para instalar um WFQ com regra de prioridade, o roteador é
desligado durante 10 minutos.
a) Qual a probabilidade de não receber pacotes VoIP enquanto desligado?

P [ X (10) − X (0 ) = 0 ] = e − λ⋅t = e −0,1 ⋅10 = e −1

b) Qual a probabilidade de chegarem mais que 10 pacotes VoIP durante o período de upgrade?

P [ X (10 ) − X (0 ) > 10] = 1 − P [X (10) − X (0 ) ≤ 10] = 1 − ∑

10
(λ ⋅ t )k ⋅e − λ⋅t
10
=1− ∑
(1)k 10
⋅ e −1 = 1 − e −1 ∑
1
k=0 k! k=0 k! k =0 k!
2 3 4 ∞ k ∞
x x x x 1 10 1
Série de Taylor: e x = 1 + x + + + + ... = ∑ e1 = ∑ ≅∑
2! 3! 4! k = 0 k! k =0 k! k =0 k!

P [ X (10 ) − X (0 ) > 10 ]= 1 − P [ X (10 ) − X (0 ) ≤ 10 ] ≅ 1 − e −1 ⋅ e1 = 0

c) Se durante o upgrade chegar 1 pacote qual é o minuto mais provável em que o pacote chegou?
A distribuição é uniforme, qualquer intervalo possui a mesma probabilidade.

Exemplo 6:
Uma série de seqüências de teste com um número variável de N bits todos iguais a 1 são transmitidos em
um canal de comunicação. Devido aos erros de transmissão, cada bit 1 pode ser corrompido
independentemente dos outros e chegar corretamente com probabilidade p. O comprimento N das
seqüências é uma variável aleatória de Poisson com comprimento médio de λ bits. Neste teste, a soma Y
dos bits na seqüência é analisada para determinar a qualidade do canal. Calcule a fdp de Y.
Y – variável aleatória binomial de parâmetros (N, p)
∞ p – probabilidade de não ocorrer erros
P [Y = k ] = ∑ P [Y = k / N = n ] ⋅ P [N = n ] q = 1- p – probabilidade de ocorrer erros
n=0
k – quantidade de bits com erro
∞
n λn −λ n – seqüência de bits
P[Y = k ] = ∑   ⋅ p k ⋅ q (n − k ) ⋅ ⋅e Binomial – quantas combinações poderão existir para
n =0  k  n!
representar bits errados.

p k ⋅ e − λ ∞ q ( n − k ) ⋅ λ n p k ⋅ e − λ ∞ q (n − k ) ⋅ λ n λ − k p k ⋅ e − λ ∞ q ( n − k ) ⋅ λ ( n − k )
P[Y = k ] = ⋅∑ = ⋅ ∑⋅ ⋅ = ⋅ ∑⋅
k! n = 0 ( n − k )! k! n=0 ( n − k )! λ − k k!⋅λ− k n =0 ( n − k )!

Mudança de variáveis:
n=k →m=0
m=n−k 
n = ∞ → m = ∞

p k ⋅ λk ⋅ e −λ ∞ q m ⋅ λm p k ⋅ λk ⋅ e −λ qλ ( p ⋅ λ )
k
P[Y = k ] = ⋅ ∑⋅ = e = ⋅ e −λp
k! m =0 m! k! k!
Exemplo 7:
Num roteador são suportadas quatro classes de QoS. Cada classe possui pacotes chegando de acordo com
um processo de Poisson com taxas λj (j = 1, 2, 3, 4). Suponha que o roteador falhe no instante t1 e
permaneça durante um intervalo de tempo T.
Qual é a função densidade de probabilidade do número total de pacotes das quatro classes que chegam no
intervalo T?
4

Seja a taxa total: λT = ∑ λ j

j =1

O número médio de pacotes das 4 classes no buffer do roteador durante o intervalo T:

4
E[N ] = n = T ⋅ λT = T ⋅ ∑ λj
j =1

A função densidade de probabilidade do número total de chegadas:

λn
P [N = n ] = ⋅ e −λ
n!

Exemplo 8:
Pacientes chegam a um consultório de acordo com um Processo de Poisson de taxa = 0,1 pacientes/min. O
doutor não irá atender um paciente até que pelo menos três pacientes estejam na sala de espera.
a) Encontre o tempo médio de espera até que o primeiro paciente seja admitido pelo doutor.
E [N ] = λT ⋅ T → 3 = 0,1 ⋅ T → T = 30 min
b) Qual é a probabilidade de que ninguém seja atendido na primeira hora?
Não haverá atendimento se houver menos de 3 pessoas na sala de espera na primeira hora:
2
P [ NaoAtend .] = ∑ P [ X (60 ) = k ] =
(0,1 ⋅ 60)0 ⋅ e −0,1⋅60 + (0,1 ⋅ 60)1 ⋅ e −0,1⋅60 + (0,1 ⋅ 60)2 ⋅ e −0,1⋅60 =25e −0,6
k =0 0! 1! 2!

Exemplo 9:
Pacotes de dados transmitidos por um modem sobre uma linha telefônica formam um processo de Poisson
de taxa 15 pacotes/segundo. Usando Mk para denotar o número de pacotes transmitidos na k-ésima hora,
encontre a fmp conjunta de M1e M2: p m1,m 2 (m1 , m2 ) .

Teorema 8.2 (apostila): Para um processo de Poisson N(t) de taxa λ, a fmp conjunta é dada por:

α1n1 ⋅ e − α1 α n22 − n1 ⋅ e − α 2 α nkk − nk −1 ⋅ e − α 2

p N ( t1 ),..., N ( tk ) (n1 ,..., nk ) = ⋅ ⋅⋅⋅ , 0 ≤ n1 ≤ ... ≤ nk , α i = λ(t i − t i −1 )
n1! (n2 − n1 )! (nk − nk −1 )!
m1+ m2
α1m1 ⋅ e − α1 α m2 2 ⋅ e − α 2 α ⋅ e −2α
p M1 ,M 2 (m1 , m2 ) = ⋅ = α = α1 = α 2 = λt
m1! m2 ! m1!m2 !
 Exemplo 10:
Um help desk para ADSL atende somente 3 tipos de pedidos por parte dos usuários. Os pedidos chegam ao
help desk de acordo com um processo de Poisson com diferentes taxas:
λ1 = 8 pedidos / hora - problemas de login
λ2 = 6 pedidos / hora - problemas de hardware
λ3 = 6 pedidos / hora - problemas de software
Os processos de chegada são independentes. O período de atendimento é das 8:00 às 18:00. Responda:

a) Qual é o numero esperado de pedidos em um dia?

λ T = λ1 + λ 2 + λ 3 = 20 pedidos/ho ra

E [N ] = λT ⋅ T = 160 pedidos/dia
b) Qual a probabilidade que em 20 minutos exatamente três pedidos cheguem relativos a problemas
de hardware?
P [ X 1 ( 13 ) = 0, X 2 ( 13 ) = 3, X 3 ( 13 ) = 0 ] = P [ X 1 ( 13 ) = 0 ] ⋅ P [ X 2 ( 13 ) = 3] ⋅ P [ X 3 ( 13 ) = 0 ]
3
1  1 1 1
6 ⋅ 
=e
⋅t
− λ1
⋅
(λ2 t )3 − λ ⋅t − λ ⋅t
⋅e 2 ⋅e 3 = e 3
−8⋅

⋅
3
− 6⋅ − 6⋅

⋅ e 3 ⋅ e 3 = 1,7 × 10 −8
3! 3!
c) Qual a probabilidade que nenhum pedido chegue nos últimos 15 minutos de funcionamento?
1
− 20⋅
⋅t
P [ X T ( 14 ) = 0 ] = e
− λT 4 = 6,7 × 10 −3
⋅e
d) Qual a probabilidade que exatamente um pedido chegue entre 10:00 e 10:12 e dois pedidos
cheguem entre 10:06 e 10:30?

X(t) k=1 X(t) K 1-K 1+K

k=2

0 6 12 30 60 t 0 6 12 30 60 t
0 0,1 0,2 0,5 1 0 0,1 0,2 0,5 1

P [{X( 0,2 ) = 1} ∩ {X( 0,5 ) − X( 0,1 ) = 2}] =

1
= ∑ P [{X( 0,1 ) = k } ∩ {X( 0,2 ) − X( 0,1 ) = 1 − k } ∩ {X( 0,5 ) − X( 0,2 ) = 1 + k }]
k =0

1
2 k −2 21−k −6 61+k
= ∑ e −2 ⋅ ⋅e ⋅ e ⋅ = 2,18 × 10 −3
k =0 k! ( 1 − k)! ( 1+ k)!
 e) Se no instante t+s existem k+m pedidos, qual é a probabilidade que k pedidos foram recebidos até o
instante t?

X(t) K+m k m
X(t)
k

0 t t+s t 0 t t+s t

P [{X(t) = k } ∩ {X(t + s) = k + m}] P [X(t) = k ] ⋅ P[ X(t + s) − X(t) = m]

P [ X(t) = k / X(t + s) = k + m] = =
P [X(t + s) = k + m] P [ X(t + s) = k + m]
(λt )k ⋅ e −λt ⋅ (λs )m ⋅ e −λs (t )k ⋅ (s )m
= k! m! = k! km+m! =
(k + m)! ⋅  t  ⋅  s  k m

   
(λ(t + s )) ⋅ e −λ (t + s ) (t + s )
k +m
k! m!  t + s   t + s 
(k + m)! (k + m )!
k + m  t   s 
k m

P [ X (t ) = k / X (t + s ) = k + m ] =   ⋅   ⋅ 
 m  t + s t + s

Exemplo 11:
Em uma linha de produção de resistores de 1000, a resistência real de cada resistor é uma variável aleatória
R com distribuição uniforme entre 950 e 1050. Assuma que os valores das resistências dos diferentes
resistores são independentes. A companhia tem uma encomenda de resistores de 1% de tolerância
(resistências entre 990 e 1010). Um testador automático toma um resistor por segundo e mede sua
resistência exata (este teste demora 1 segundo). O processo estocástico N(t) denota o número de resistores
com tolerância de 1% encontrados em t segundos. A variável aleatória Tr segundos é o tempo decorrido até
encontrarmos r resistores com tolerância de 1%.
(a) Calcule p, a probabilidade de um resistor ter tolerância de 1%.

P [RTol = 1% ] =
20
950 990 1010 1050 = 0,20
100
(b) Qual é a fmp de N(t)?

t
p N ( t ) (n) =  p n ⋅ (1 − p ) t −n , n = 0,1,..., t
n
(c) Calcule E[T1], o tempo esperado para encontrar o primeiro resistor com tolerância de 1%.
V.A. com Distribuição Binomial: E[N (t )] = t ⋅ p E [T1 ] =
1 1
= = 5 seg
p 0,20
 (d) Qual a probabilidade do primeiro resistor com tolerância 1% ser encontrado em exatamente 5 segundos.

t  5
p N ( t ) (n) =  ⋅ p n ⋅ (1 − p ) t −n ⇒ p N ( t ) (1) =  ⋅ 0,21 ⋅ (1 − 0,2) 5−1 = 5 ⋅ 0,08192
n 1
(e) E[T2|T1 = 10], a esperança condicional do tempo necessário para encontrar o segundo resistor com
tolerância de 1%, dado que o primeiro foi encontrado em 10 segundos.

E[T2 ] = E [T1 ] +
1
= 10 + 5 = 15seg
p

Exemplo 12:
A chegada de ataques de vírus em um PC pode ser modelada por um processo de Poisson com taxa λ=6
ataques/h.
a) Qual a probabilidade que exatamente um ataque irá ocorrer entre 1 PM e 2 PM?

P [ X ( 2) − X (1) = 1 ] =
(λ ⋅ t )k ⋅ e − λ ⋅t =
(6 ⋅ 1)1 ⋅ e − 6 = 6 ⋅ e − 6
k! 1!
b) Suponha que no momento em que o PC é ligado não houve ataque, mas ao desligá-lo 60 ataques
ocorreram. Qual o valor médio do tempo em que o PC ficou ligado?
E [ X (t ) ]
E [ X (t ) ] = λ ⋅ t → t =
60
= = 10 h
λ 6
c) Dado que ocorreram 6 ataques entre 1 PM e 2 PM qual é a probabilidade de que o quinto ataque
chegou entre 1:30 PM e 2 PM?
Vamos representar o instante de chegada do quinto ataque por T.
P [ X (T ) < t / X (1) = 6 ] = FT (t )

FT (t ) =
P [ {X (t ) = 5} I {X (1) = 6} ] + P [ {X (t ) = 6} I {X (1) = 0} ]
P [ X (1) = 6 ]
P [ X (t ) = 5] ⋅ P [ X (1) − X (t ) = 1] + P [ X (t ) = 6 ] ⋅ P [ X (1) − X (t ) = 0 ]
FT (t ) = = 6 t 5 − 5t 6
P [ X (1) = 6 ]

FT ( 1 ) − FT ( 1 / 2 ) = 57 / 64 = 0,890625
d) Qual é o valor esperado do instante em que o quinto ataque ocorra?
Dado uma variável aleatória T o seu valor esperado:
E [T ] = T =
0 5 ataque 1h
∫xf T ( x ) dx

f T (t) = 30 ⋅ (t 4 − t 5 )
dF T (t )
Def. f T (t ) =
dt

( )
1
E [T ] = T = ∫ t ⋅ fT (t)dt = ∫ 30 ⋅ t 5 − t 6 = 0,714286 h ⇒ 42,85714 min
0
 Exercícios

1. Um processo de produção produz 10 itens defeituosos por hora. Encontre a probabilidade

que 4 ou menos itens sejam defeituosos numa retirada aleatória por hora.

Resp. 0,029253

2. Seja Xt, o nº de partículas emitidas em t horas por uma fonte radioativa, dado por uma distribuição
de Poisson com parâmetro 20t. Qual será a probabilidade de que exatamente 5 partículas sejam
emitidas durante um período de 15 min?

Resp. 0,175467

3. A chegada de ônibus em um terminal acontece a razão de 3 por minuto. Supondo que tenha uma
distribuição de Poisson, determine a probabilidade de:

a. chegarem exatamente 8 ônibus em 2 minutos. Resp. 0,103257734

b. chegarem exatamente 4 ônibus em 5 minutos. Resp. 0,000645263
c. Não ocorrer chegadas durante 3 minutos. Resp. 0,00012341

4. Em um posto de combustível param em média 6 clientes por hora para abastecer.

a. Qual é a probabilidade de 3 clientes pararem em qualquer hora? Resp. 0,089235078
b. Qual é a probabilidade de 3 clientes ou menos pararem em qualquer hora? Resp. 0,151203883
c. Qual é o valor esperado, e o desvio padrão para esta distribuição?
Resp. E[X]=6 clientes; σ = 2,45 clientes

5. Um departamento de polícia recebe em média 5 solicitações por hora.

a. Qual a probabilidade de receber mais de 2 solicitações numa hora selecionada aleatoriamente?

Resp. 0,875347981
b. No horário do almoço, o departamento fica impossibilitado de atender a mais de dois pedidos
por hora. Você acha que deveria aumentar o nº de atendentes nesse período?
c. Em um dia de trabalho (8 horas) qual seria a probabilidade de haver 10 solicitações? Deveria
aumentar o nº de atendentes para receber mais de 10 solicitações por dia?
Resp. 0,018132789
6. Uma empresa de comunicação oferece três tipos de serviço: Dados, Voz e Vídeo. Os pedidos dos
clientes chegam de acordo com um processo de Poisson com diferentes taxas:

λ1 = 10 requisições / minuto - Dados

λ2 = 6 requisições/ minuto - Voz
λ3 = 4 requisições/ minuto - Vídeo
a. Qual a probabilidade que em 30 segundos não cheguem requisições de Voz?
b. Qual a probabilidade que em 30 segundos cheguem três requisições de Dados?
c. Caso ocorra uma requisição, qual a probabilidade que seja para Vídeo?
d. Qual a probabilidade que exatamente um pedido chegue entre 10:00 e 10:15 e dois pedidos
cheguem entre 10:10 e 10:30?