Escolar Documentos
Profissional Documentos
Cultura Documentos
Distribuição de Poisson
Esta é uma distribuição associada a “eventos raros”. As razões para isso se tornarão mais claras a
medida que a aplicação desse modelo for descrita. Os eventos podem ser:
acidentes automotivos
erros de digitação
E[X]=λ=npp=λnV(X)=λE[X]=λ=npp=λnV(X)=λ
A distribuição de Poisson é aplicável quando o número de possíveis ocorrências discretas é muito
maior do que o número médio de ocorrências em um determinado intervalo de tempo ou espaço. O
número de possíveis ocorrências, muitas vezes não se sabe exatamente. Os resultados devem ocorrer
de forma aleatória, ou seja, totalmente por acaso e da probabilidade de ocorrência não deve ser
afectado por se ou não os resultados ocorrido anteriormente, de modo que as ocorrências são
independentes. Em muitos casos, embora possamos contar as ocorrências, como a de uma
tempestade, não podemos contar as não ocorrências correspondentes. (Nós não podemos contar “não-
tempestades”!).
Pressupostos
A probabilidade de um evento ocorrendo em um determinado subintervalo é
aproximadamente λ/nλ/n.
A probabilidade de dois ou mais eventos ocorrerem em qualquer subintervalo tende a
zero (0)(0).
As ocorrências em subintervalos mutuamente exclusivos são indepedentes.
Dedução
A dedução do modelo de Poisson é dada a partir do modelo binomial para o caso onde temos
infinitas tentativas. Ou seja a distribuição de Poisson é um caso limite da binomial, que se
desenvolve quando o número de tentativas nn aumenta indefinidamente, enquanto o
produto λ=npλ=np, que é o valor esperado do número de sucessos das tentativas, permanece
constante. Dessa forma considere a PMF binomial:
p(x)=P(X=x)=(nx)px(1−p)n−x.p(x)=P(X=x)=(nx)px(1−p)n−x.
p(x)=P(X=x)=n!x!(n−x)!px(1−p)n−x.p(x)=P(X=x)=n!x!(n−x)!px(1−p)n−x.
que pode ser reescrita como,
P(X=x)=n!x!(n−x)!pxnxnx(1−npn)n−x=n!x!(n−x)!(np)xnx(1−npn)n−xP(X=x)=n!x!
(n−x)!pxnxnx(1−npn)n−x=n!x!(n−x)!(np)xnx(1−npn)n−x
P(X=x)=(np)xx!n!nx(n−x)!(1−npn)n−xP(X=x)=(np)xx!n!nx(n−x)!(1−npn)n−x
P(X=x)=(np)xx!n!nx(n−x)!(1−npn)n(1−npn)−xP(X=x)=(np)xx!n!nx(n−x)!
(1−npn)n(1−npn)−x
sendo λ=npλ=np,
P(X=x)=λxx!n!nx(n−x)!(1−λn)n(1−λn)−xP(X=x)=λxx!n!nx(n−x)!(1−λn)n(1−λn)−x
lim(n→∞)(1−λn)−x=1lim(n→∞)(1−λn)−x=1
Reconstruindo a expressão vemos que a PMF binomial tem a seguinte forma limite,
limn→∞P(X=x)=e−λλxx!.limn→∞P(X=x)=e−λλxx!.
que é a PMF de Poisson.
Observações quanto à dedução
No que se refere as condições matemáticas do parâmetro λ=npλ=np, de um número infinito de
tentativas (n→∞n→∞) e uma probabilidade infinitesimal (p→0p→0) nunca são obtidos em
problemas práticos. Assim para o propósito prático a distribuição de Poisson pode ser aplicada
quando,
n≥50n≥50 e se o múmero de vezes que um evento em particular for pequeno
p≤0.1p≤0.1 e se o número médio de vezes que os eventos ocorrem tem um valor
finito λ=npλ=np.
A função de Poisson pode ser derivada considerando uma especificação para o que chamamos
de processo de emissão ou processo de chegada. Imagine um contador Geiger, que registra
sucessivos impactos de uma particula radioativa (alpha) sobre uma fino filme metálico. A PMF
descreve a probabilidade de xx impactos ou chegadas em um intervalo de tempo (0,t](0,t]. Algumas
condições são impostas, como:
A probabilidade de uma única chegada em um pequeno intervalo de tempo tende a λtλt.
A probabilidade de mais de uma chegada naquele intervalo de tempo é insignificante.
Exemplo Poisson 1
Um vendendor de seguro de vida vende em média 3 seguros de vida por semana. Utilize a
distribuição de Poisson para calcular em que uma dada semana ele irá vender,
a. Alguns seguros.
b. Dois ou mais seguros, porém menos que 5.
c. Assumindo que existam 5 dias úteis por semana, qual é a probabilidade de que um dado
dia ele venda um seguro?
Solução
De acordo com o enunciado temos λ=3λ=3
a. Alguns seguros.
Alguns seguros significa “1 ou mais seguros”. Para resolvermos esse problema devemos utilizar o
complemento.
P(X>0)=1−P(X=0)P(X>0)=1−e−λλxx!P(X>0)=1−e−3300!
=0.9502129P(X>0)=1−P(X=0)P(X>0)=1−e−λλxx!P(X>0)=1−e−3300!=0.9502129
Code
[1] 0.9502129
Exemplo Poisson 2
Um problema mais recente que o anterior envolvendo a distribuição de Poisson era dentro da
área de telefonia (1926). O problema era baseado nos seguintes dados.
Code
Conexoes.erradas Frequencia.observada
0 0
1 0
2 1
3 5
4 11
5 14
6 22
Conexoes.erradas Frequencia.observada
7 43
8 31
9 40
10 35
11 20
12 18
13 12
14 7
15 6
16 2
Code
x = numero de conexoes erradas por periodo Frequencia Observada Total de conex
0 0 0
1 0 0
2 1 2
3 5 15
4 11 44
x = numero de conexoes erradas por periodo Frequencia Observada Total de conex
5 14 70
6 22 132
7 43 301
8 31 248
9 40 360
10 35 350
11 20 220
12 18 216
13 12 156
14 7 98
15 6 90
16 2 32
17 0 0
A partir desse ponto podemos calcular as frequências teóricas de conexões erradas fazendo uso do
modelo de Poisson.
Code
Code
x p_x
1 0 0.0002
2 1 0.0014
3 2 0.0061
4 3 0.0178
5 4 0.0389
6 5 0.0680
7 6 0.0990
8 7 0.1237
9 8 0.1351
10 9 0.1313
11 10 0.1147
12 11 0.0912
13 12 0.0664
14 13 0.0447
15 14 0.0279
16 15 0.0163
17 16 0.0089
18 17 0.0046
19 18 0.0022
20 19 0.0010
21 20 0.0004
22 21 0.0002
23 22 0.0001
24 23 0.0000
25 24 0.0000
26 25 0.0000
27 26 0.0000
28 27 0.0000
29 28 0.0000
30 29 0.0000
31 30 0.0000
0 0 0.0
1 0 0.4
2 1 1.6
3 5 4.8
x Frequencia Observada Frequencia Teorica
4 11 10.4
5 14 18.1
6 22 26.4
7 43 33.0
8 31 36.1
9 40 35.0
10 35 30.6
11 20 24.3
12 18 17.7
13 12 11.9
14 7 7.4
15 6 4.3
16 2 2.4
Note que a frequencia teórica apresenta valores quebrados, o correto são número inteiros, dessa foi
arredondado para 1 dígito significativo, como critério de comparação.
Plotando as frequências teóricas vs as frequências observadas.
Code
Code
Podemos observar que o número de conxões erradas segue uma distribuição de Poisson com
parâmetro λλ, onde as frequências observadas quando comparadas pelas frequências teóricas
concordam em valores e escala.
As probabilidade calculadas a partir da distribuição de Poisson podem ser utilizadas para predizer a
ocorrência de conexões erradas e assim servirem como uma base para o melhoramento do sistema. O
melhoramento desse sistema poderá compensar tais falhas evitando a ocorrência de conexoes erradas.
A efetividade das mudanças de engenharia pode ser avaliada em termos da mudança do
parâmetro λλ, por exemplo.
Exemplo Poisson 3
Outra abordagem no cálculo da probabilidade de Poisson, onde xx é o número de ocorrências
de um evento em um intervalo de tempo ou espaço sob determinadas condições é dado por:
pX(x)=P(X=x)=e−(λt)(λt)xx!pX(x)=P(X=x)=e−(λt)(λt)xx!
onde tt (em unidades de tempo, comprimento, área ou volume) é um intervalo de tempo ou espaço no
qual os eventos ocorrem, e λλ é a taxa média de ocorrência por unidade de tempo ou espaço.
Dessa forma, suponha, o número de meteoros encontrados por um sistem de radar em
qualquer intervalo de 30-segundos sob determinadas condições é em média 1.81. Assuma que
os meteoros apareçam aleatóriamente e independentemente.
b. Qual é a probabilidade de que sejam observados no mínimo cinco porém não mais que
oito meteoros em dois minutos (120-segundos) de observação?
Solução
pX(x)=P(X=0)=e−3.623.6200!=0.02678268pX(x)=P(X=0)=e−3.623.6200!=0.02678268
Code
[1] 0.02678268
b. Qual é a probabilidade de que sejam observados no mínimo cinco porém não mais que
oito meteoros em dois minutos (120-segundos) de observação?
Para um intervalo de dois minutos temos:
λt=1.81[meteoros]30[seg]120[seg]2[min]=7.24[meteoros]
[2min]λt=1.81[meteoros]30[seg]120[seg]2[min]=7.24[meteoros][2min]
Para calcular a probabilidade:
pX(x)=P(5≤X≤8)=P(X=5)+P(X=6)+P(X=7)+P(X=8)=0.5451062pX(x)=P(5≤X≤8)
=P(X=5)+P(X=6)+P(X=7)+P(X=8)=0.5451062
Code
[1] 0.1189103 0.1434851 0.1484046 0.1343062
Code
[1] 0.5451062
Exemplo Poisson 4
O número médio de colisões ocorrendo em uma semana durante os meses de verão em uma
intersecção é de 2.00. Assuma que os pressupostos para a distribuição de Poisson são satisfeitas.
d. Qual é a probabilidade de encontrar não mais do que duas colisões em uma semana?
d. Qual é a probabilidade de encontrar não mais do que duas colisões em uma semana?
pX(x)=P(X≤2)=P(X=0)+P(X=1)+P(X=2)=0.6766764pX(x)=P(X≤2)=P(X=0)+P(X=1)
+P(X=2)=0.6766764
Code
[1] 0.1353353 0.2706706 0.2706706
Code
[1] 0.6766764
Exemplo Poisson 5
A procura de um tipo particular de bomba para uma mina isolado é aleatória e independente
de ocorrências anteriores, mas a procura média em uma semana (7 dias) é de 2,8 bombas.
Outros suprimentos são ordenados todas as manhãs terça-feira e chegam semanalmente na
sexta-feira de manhã. Na última terça-feira pela manhã apenas uma bomba estava em estoque,
de modo que o almoxarifado pediu mais seis para receber na Sexta de manhã
Solução
a.Qual a probabilidade de não haver qualquer defeito na superfície do painel de um automóvel
desse modelo?
b.Qual é o número médio e o desvio padrão de defeitos num conjunto de 10 automóveis desse
modelo?
c.Num conjunto de 10 automóveis vendidos a uma companhia de aluguel, qual será a
probabilidade de que no mínimo dois automóveis tenham pelo menos um defeito na superfície?
a. Calcule a probabilidade de, numa placa de 1.5 x 3.0 m2, haver pelo menos uma bolha.
b. Calcule a probabilidade de, num conjunto de 6 placas de 1.5 x 3.0 m2, haver pelo menos
quatro sem bolhas.
Exemplo Poisson 9 - finalizar
Um entreposto, com capacidade para armazenar 80 toneladas de cimento, é abastecido por um
trem, que o enche durante a noite. Ao entreposto dirigem-se diariamente caminhões com
capacidade para transportar 20 toneladas, de acordo com uma distribuição de Poisson com
parâmetro λ = 3/dia. Admita que, se houver cimento, cada caminhão será carregado até o
limite da sua capacidade.