Função de probabilidade da distribuição de Poisson para vários valores de λ.

Na teoria da probabilidade e na estatística, a distribuição de Poisson é uma distribuição de probabilidade discreta que expressa a probabilidade de um determinado número de eventos ocorrer em um intervalo fixo de tempo ou espaço se esses eventos ocorrerem com uma taxa média constante conhecida e independentemente do tempo desde o último evento.[1]

A distribuição foi descoberta por Siméon Denis Poisson (1781–1840) e publicada, conjuntamente com a sua teoria da probabilidade, em 1838 no seu trabalho Recherches sur la probabilité des jugements en matières criminelles et matière civile ("Pesquisa sobre a probabilidade em julgamentos sobre matérias criminais e civis"). O trabalho focava-se em certas variáveis aleatórias N que contavam, entre outras coisas, o número de ocorrências discretas de um certo fenômeno durante um intervalo de tempo de determinada duração. A probabilidade de que existam exactamente k ocorrências (k sendo um inteiro não negativo, k = 0, 1, 2, ...) é

onde

  • e é base do logaritmo natural (e = 2.71828...),
  • k! é o fatorial de k,
  • λ é um número real, igual ao número esperado de ocorrências que ocorrem num dado intervalo de tempo. Por exemplo, se o evento ocorre a uma média de 4 minutos, e estamos interessados no número de eventos que ocorrem num intervalo de 10 minutos, usaríamos como modelo a distribuição de Poisson com λ=10/4= 2.5.

Como função de k, esta é a função de probabilidade. A distribuição de Poisson pode ser derivada como um caso limite da distribuição binomial.

Processo de Poisson

editar

A distribuição de Poisson aparece em vários problemas físicos, com a seguinte formulação: considerando uma data inicial (t = 0), seja N(t) o número de eventos que ocorrem até uma certa data t. Por exemplo, N(t) pode ser um modelo para o número de impactos de asteroides maiores que um certo tamanho desde uma certa data de referência.

Uma aproximação que pode ser considerada é que a probabilidade de acontecer um evento em qualquer intervalo não depende (no sentido de independência estatística) da probabilidade de acontecer em qualquer outro intervalo disjunto.

Neste caso, a solução para o problema é o processo estocástico chamado de Processo de Poisson, para o qual vale:

em que λ é uma constante (de unidade inversa da unidade do tempo)[carece de fontes?].

Ou seja, o número de eventos até uma época qualquer t é uma distribuição de Poisson com parâmetro λ t.

Propriedades

editar

Média

editar

O valor esperado de uma distribuição de Poisson é igual a λ. Esta propriedade pode ser derivada facilmente[2]:


Em linguagem matemática Em Português
Por definição, a esperança de uma variável aleatória X é igual à soma de cada uma das suas possíveis ocorrências ponderadas pela probabilidade de que estas ocorrências aconteçam.
No caso de variáveis com distribuição, a probabilidade de que determinado evento ocorra é calculado por :. Portanto, este valor foi substituído na fórmula.
Esta expressão equivale à expressão da linha imediatamente superior; apenas se substituiu a expressão de somatório pela soma infinita para melhor compreensão. Note que como o primeiro termo é sempre igual a zero, podemos reescrever
Como Fazemos uma substituição para facilitar o cálculo.
Tomamos a substituição acima e tiramos a constante para fora do somatório (pois o primeiro termo da expressão imediatamente superior é igual à .
Nova transformação para facilitar os cálculos...
Abrindo o somatório, verifica-se que a série converge para
Obtemos
Como queríamos demonstrar

Variância (, ou )

editar

A variância de uma distribuição de Poisson é igual a , como podemos demonstrar.

Sabendo que e

Calculamos o segundo momento , para uma variável aleatória discreta:

Expandindo o somatório

Simplificando os termos ao quadrado com os fatoriais

Colocando e em evidência

fazendo e

Série de Taylor Função Exponencial converge para

Expandindo o somatório

Simplificando os termos ao quadrado com os fatoriais

Colocando em evidência

fazendo

Série de Taylor Função Exponencial converge para

Substituindo e em

Soma de variáveis

editar

A soma de duas variáveis de Poisson independentes é ainda uma variável de Poisson com parâmetro igual à soma dos respectivos parâmetros. Ou seja, se segue uma distribuição de Poisson com parâmetro e as variáveis aleatórias são estatisticamente independentes, então

também segue uma distribuição de Poisson cujo parâmetro é igual à soma dos .

Por exemplo, é uma variável aleatória que representa o número de óbitos por mil nascimentos na cidade "A" (distribuição de Poisson com média 1,2, digamos) e é uma variável aleatória que representa o número de óbitos por mil nascimentos na cidade "B" (variável de Poisson com média 3). Ao todo, o número de óbitos por mil nascimentos nas cidades "A" e "B" têm distribuição de Poisson com média .


Exemplos

editar

A distribuição de Poisson representa um modelo probabilístico adequado para o estudo de um grande número de fenômenos observáveis. Eis alguns exemplos:

  • Chamadas telefônicas por unidade de tempo;
  • Defeitos por unidade de área;
  • Acidentes por unidade de tempo;
  • Chegada de clientes a um supermercado por unidade de tempo;
  • Número de glóbulos visíveis ao microscópio por unidade de área;
  • Número de partículas emitidas por uma fonte de material radioativo por unidade de tempo.

Ver também

editar

Ligações externas

editar

Referências

editar
  1. Haight, Frank A. (1967). Handbook of the Poisson Distribution. [S.l.]: John Wiley & Sons. ISBN 978-0-471-33932-8 
  2. Sayan Mukherjee. Lecture 6.5.- Poisson processes. In: PROBABILITY AND STATISTICS IN ENGINEERING. http://www.isds.duke.edu/courses/Fall06/sta113/poisson.pdf


Ícone de esboço Este artigo sobre matemática é um esboço. Você pode ajudar a Wikipédia expandindo-o.

📚 Artikel Terkait di Wikipedia

Distribuição de Weibull

< 0. {\displaystyle f(x;\lambda ,k)={\begin{cases}{\frac {k}{\lambda }}\left({\frac {x}{\lambda }}\right)^{k-1}e^{-(x/\lambda )^{k}}&x\geq 0,\\0&x<0.\end{cases}}}

Distribuição de probabilidade

\lambda } (às vezes chamado de intensidade), em que a densidade é definida como f ( x ) = λ e − λ x {\displaystyle f(x)=\lambda \mathrm {e} ^{-\lambda

Lei de Planck

1 ( e h c λ k T − 1 ) {\displaystyle u(\lambda ,T)={8\pi hc \over \lambda ^{5}}{1 \over (e^{\frac {hc}{\lambda kT}}-1)}} Max Planck produziu esta lei em

Hipótese de Riemann

+ 1 − 1 + 1 − 1 − ⋯ {\displaystyle \lambda (1)+\lambda (2)+\lambda (3)+\lambda (4)+\lambda (5)+\lambda (6)+\lambda (7)+\cdots =1-1-1+1-1+1-1-\cdots } é

Distribuição das gotas de chuva

{\displaystyle N(D)=N_{0}D^{\mu }e^{-\Lambda D}} com N 0 {\displaystyle N_{0}} , μ {\displaystyle \mu } e λ {\displaystyle \lambda } como constantes. O estudo mais

Processo de Poisson

_{k=0}^{n}{\frac {e^{-\lambda _{1}}\lambda _{1}^{k}}{k!}}{\frac {e^{-\lambda _{2}}\lambda _{2}^{n-k}}{(n-k)!}}=e^{-(\lambda _{1}+\lambda _{2})}{\frac {1}{n

Limite de Chernoff

Chernoff, H. (1981). «A Note on an Inequality Involving the Normal Distribution». Annals of Probability. 9 (3): 533–535. JSTOR 2243541. MR 614640. Zbl 0457

Pandemia de COVID-19

Preventing Chronic Disease. 18: E66. doi:10.5888/pcd18.210123  «China: age distribution of novel coronavirus patients 2020». Statista. Consultado em 11 de abril