Baixe o app para aproveitar ainda mais
Prévia do material em texto
i i i i i i i i A U L A 13 2 M O´ D U L O 2DISTRIBUIC¸A˜O DE POISSON A distribuic¸a˜o Poisson de probabilidade (ou distribuic¸a˜o de Poisson) pode ser caracterizada por represenatar uma distribuic¸a˜o binomial a` medida que o tamanho da amostra se torna infini- tamente grande e o seu paraˆmetro p de probabilidade de “su- cessos” tende a zero. Outra forma de se definir a distribuc¸a˜o Poisson se baseia nos chamados “processos de Poisson” que sa˜o experimentos cuja varia´vel aleato´ria contabiliza o nu´mero de re- sultados em um dado intervalo de tempo. Os exemplos a seguir servira˜o de guia para a introduc¸a˜o da distribuic¸a˜o de Poisson. �� ��Exemplo 13.1. blablabl Considere a trnasmissa˜o de n bits atrave´s de um canal digital de comunicac¸a˜o. Considere a varia´vel aleato´ria X o nu´mero de bits com erro. Quando a probabilidade com que um bit estiver com erro for constante e as trnasmisso˜es forem independentes, X tera´ distribuic¸a˜o binomial. Seja p a probabilidade de que um bit tenha erro. Assim, E(X) = np. Agora suponha que o nu´mero de bits transmitidos cresc¸a e que a probabilidade de um erro di- minua exatamente o bastante para que np permanec¸a uma cons- tante, que podemos chamar de λ . Deste modo, n aumenta e p diminui proporcionalmente tal que E(X) permnaec¸a constante. Enta˜o, P(X = x) = ( n x ) px(1− p)n−x = ( n x )( λ n )x( 1− λ n )n−x . Apo´s alguns ca´lculos, e´ possı´vel chegar a lim n→∞P(X = x) = e−λλ x x! , x= 1,2, ... O seguinte exemplo ilustra uma aplicac¸a˜o mais ampla. �� ��Exemplo 13.2. blablabl Falhas ocorrem ao acaso ao longo do comprimento de um C E D E R J 1 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson fio delgado de cobre. Seja X a varia´vel aleato´ria que conta o nu´mero de falhas em um comprimento de L milı´metros de fio e suponha que o nu´mero me´dio de falhas em L milı´metros seja λ . A distribuic¸a˜o de probabilidades de X pode ser encontrada raci- ocinando de maenira similar a`quela do exemplo anterior. Partir o comprimento do fio em n subintervalos de pequeno compri- mento como 1 microˆmetro cada. Se o subintervalo escolhido for pequeno o suficiente, a probabilidade de que mais de uma fa- lha ocorra no subintervalo e´ desprezı´vel. Ale´m disso, podemos interpretar a suposic¸a˜o de que falhas ocorram ao acaso como implicando que cada subintervalo tenha a mesma probabilidade de conter uma falha, isto e´, p. Finalmente, se supusermos que a probabilidade de um subintervalo conter uma falha seja in- dependente de outros subintervalos, enta˜o poderemos modelar a distribuic¸a˜o de X como aproximadamente uma varia´vel aleato´ria binomial. Pelo fato de E(X) = λ = np, obtemos p= λ/n. Ou seja, a probabilidade de que um subintervalo contenha uma falha e´ λ/n. Com subintervalos pequenos o suficente, n e´ muito grande e p e´ muito pequeno. Por conseguinte, a distribuic¸a˜o de X e´ obtida como no exemplo anterior. O exemplo 13.2 pode se generalizado para incluir uma ampla se´rie de experimentos aleato´rios. O intervalo que foi dividido foi o comprimento do fio. Etretanto, o mesmo raciocı´nio pode ser aplicado para qualquer intervalo, incluindo um intervalo de tempo, uma a´rea ou volume. Sa˜o exemplos de contagens atrave´s de intervalos: • Contagem de partı´culas de contaminac¸a˜o na fabricac¸a˜o de semicondutores; • Contagem de falhas em rolos de tecido; • Contagem de chamadas para uma trocsa de telefone; • Contagem de interrupc¸a˜o de energia; • Contagem de partı´culas atoˆmicas emitidas a partir de um espe´cime. Experimentos que geram valores nume´ricos da varia´vel aleato´ria X , o nu´mero de resultados que ocorrem durante um dado inter- valo de tempo ou em uma regia˜o especı´fca, sa˜o chamados de 2 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2 experimentos de Poisson. Um experiento de Poisson deriva de um processo de Poisson que tem as seguintes propriedades: • O nm´ero de resultados que ocorrem em um intervalo de tempo ou em uma regia˜o especı´fica e´ independente do nu´mero de resultados que ocorre em outro intervalo de tempo disjunto ou regia˜o do espac¸o disjunta. Neste caso, dizemos que o processo de Poisson na˜o tem memo´ria. • A probabilidade de que um n´ico resultado ocorrera´ du- rante um breve intervalo de tempo ou em uma regia˜o pe- quena e´ proporcional a` extensa˜o do intervalo de tempo ou ao tamanho da regia˜o, e na˜o depende do nu´mero de resul- tados que ocorrem fora desse intervalo de tempo ou dessa regia˜o. • A probabilidade de que mais de um resultado ocorrera´ em um intervalo de tempo muito breve ou em uma regia˜o muito pequena e´ desprezı´vel. O nu´mero X de resultados que ocorrem durante um pro- cesso de Poisson e´ chamdo de varia´vel aleato´ria de Poisson e sua distribuic¸a˜o de probabilidades e´ chamada de distribuic¸a˜o de Poisson. Definic¸a˜o 13.1. blablabla A distribuic¸a˜o de Poisson e´ a distribuic¸a˜o de probabilidades da varia´vel aleato´ria de Poisson X que representa o nu´mero de resultados que ocorrem em um certo intervalo de tempo ou uma regia˜o especı´fica. Enta˜o X tem distribuic¸a˜o Poisson de probabilidades com paraˆmetro λ e a func¸a˜o de distribuic¸a˜o de probabilidade de X e´ dada por: fX(x) = Pr(X = x) = e−λλ x x! x= 0,1,2, . . . , (13.1) onde λ e´ o nu´mero me´dio de resultados por unidade de tempo, a´rea ou volume, e e= 2,71828... C E D E R J 3 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson ESPERANC¸A E VARIAˆNCIA Pode-se mostrar que se X ∼ Poisson(λ ), enta˜o E(X) = λ Var(X) = λ �� ��Exemplo 13.3. blablabl Em certa instalac¸a˜o industrial, acidentes ocorrem com uma baixa frequeˆncia. Sabe-se que a probabilidade de um acidente em certo dia e´ de 0,005, e os acidentes sa˜o independentes uns dos outros. a. Qual e´ a probabilidade de que, em qualquer perı´odo de 400 dias, haja um acidente em um dia? b. Qual e´ a probabilidade de que haja o ma´ximo treˆs dias com um acidente? Soluc¸a˜o: Pode-se observar que a varia´vel aleato´ria X que conta o nu´mero de dias com acidente segue uma distribuic¸a˜o Poisson de proba- bilidade visto que p e´ pequena e n e´ grande. Assim: λ = np = 400×0,005 = 2. a. P(X = 1) = e−221 1! = 2e−2 = 2 (2,718)2 = 2 7,3875 = 0,271. b. P(X ≤ 3) = e −220 0! + e−221 1! + e−222 2! + e−223 3! = 0,135+0,271+0,271+0,180 = 0,857. 4 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2�� ��Exemplo 13.4. blablabl Numa central telefoˆnica chegam 300 telefonemas por hora. Qual a probabilidade de que: a. em 1 minuto na˜o haja chamadas; b. em 2 minutos haja duas chamadas; c. em t minutos na˜o haja chamadas. Soluc¸a˜o: Considere a varia´vel aleato´ria X : nu´mero de chamadas por minuto. a. Se a cada 60 minutos chegam 300 ligac¸o˜es, quantas sa˜o as ligac¸o˜es por minuto? 60min−→ 300 1min−→ λ 60λ = 300⇒ λ = 300/60 = 5. Deseja-se saber a probabilidade de o nu´mero de ligac¸o˜es ser igual a` zero. Ou seja, P(X = 0) = e−550 0! = 1 2,7185 = 1 148,34 = 0,00674. b. A mesma ana´lise levando em considerac¸a˜o que se avalia em dois minutos. 60min−→ 300 2min−→ λ C E D E R J 5 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson 60λ = 600⇒ λ = 600/60 = 10. Deseja-se saber a probabilidade de o nu´mero de ligac¸o˜es ser igual a` 2. P(X = 2)= e−10102 2! = 100 (2,718)10×2 = 50 22.003,64 = 0,000227. c. Para t minutos, temos: 60min−→ 300 t min−→ λ 60λ = 300t⇒ λ = 300t 60 = 5t. Deseja-se saber a probabilidade de na˜o haver chamadas em t minutos, ou seja: P(X = 0)= e−5tt0 0! = 1 e5t = e−5t . Resumo • Distribuic¸a˜o de Poisson: X tem distribuic¸a˜o de Pois- son se representa fluxo ao longo de um intervalo de tempo e representa um experimento binomial quando n e´ muito grande e p tende a zero, de modo que E(X) = np= λ se mante´m constante. P(X = x) = e−λλ x x! , x= 0,1,2, . . . E(X) = λ Var(X) = λ 6 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2 Exercı´cio 13.1. Sabe-se que 1 em cada 300 oˆnibus sofre um acidente ao ano. A empresa J possui 1.200 oˆnibus. Qual a probabilidade de no pro´ximo ano ocorrer na empresa J acidentes em: 1. Nenhum oˆnibus; 2. Exatamente dois oˆnibus; 3. No ma´ximo 3 oˆnibus. Exercı´cio 13.2. Em uma linha de produc¸a˜o, a cada 200 pec¸as fabricadas, uma e´ defeituosa. Qual a probabilidade de que: 1. em 500 pec¸as fabricadas, nenhuma seja defeituosa? 2. em 800 pec¸as fabricadas, pelo menos 3 sejam defeituosas? Exercı´cio 13.3. Em uma estrada ha´ 2 acidentes a cada 100 km. Qual a probabi- lidade que em: 1. 250 km ocorram pelo menos 3 acidentes? 2. 300 km ocorram exatamente 5 acidentes? Exercı´cio 13.4. Suponha que o nu´mero de consumidores que entrem em um banco em uma hora seja uma varia´vel aleato´ria de Poisson. Su- ponha tambe´m que P(X = 0) = 0,05. Determine a me´dia e a variaˆncia de X . Exercı´cio 13.5. O nu´mero de chamadas telefoˆnicas que chegam a uma central e´ frequentemente modelado como uma varia´vel aleato´ria de Pois- son. Considere que, em me´dia, ha´ 10 chamadas por hora. De- termine a probabilidade que haja: C E D E R J 7 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson 1. exatamente 5 chamadas em uma hora; 2. 3 ou menos chamadas em uma hora; 3. exatamente 15 chamadas em duas horas; 4. exatamente 5 chamadas em 30 minutos. Exercı´cio 13.6. O nu´mero de erros em um livro-texto segue uma distribuic¸a˜o de Poisson, com me´dia de 0,01 erro por pa´gina. Qual e´ a probabi- lidade de que haja treˆs ou menos erros em 100 pa´ginas. Exercı´cio 13.7. O nu´mero de falhas em parafusos de ma´quinas da indu´stria teˆxtil segue a distribuic¸a˜o de Poisson com uma me´dia de 0,1 falha por metro quadrado. Determine a probabilidade de que: 1. haja duas falhas em um metro quadrado de tecido; 2. haja uma falha em dez metros quadrados de tecido; 3. na˜o haja falhas em vinte metros quadrados de tecido; 4. haja no mı´nimo duas falhas em dez metros quadrados de tecido. Exercı´cio 13.8. (IBGE / 99) Suponha que pessoas se dirijam ao caixa de um mer- cado de acordo com um processo de Poisson com taxa me´dia de dois clientes por minuto. A probabilidade de que, num intervalo de treˆs minutos, no ma´ximo dois clientes se dirijam ao caixa e´ dada por (assinale a alternativa correta): a) 18e−2 b) 24e−2 c) 7e−3 d) 18e−6 e) 25e−6 8 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2SOLUC¸A˜O DOS EXERCI´CIOS Exercı´cio 13.1 Temos inicialmente p= 1300 e n= 1.200. Tambe´m podemos considerar que os acidentes ocorrem de forma independente. Assim, trata-se de um processo de Poisson. Se X representa o nu´mero de acidentes neste processo, enta˜o X ∼ Poisson(λ ) λ = np= 1 300 ×1.200 = 4. 1. Probabilidade de nenhum oˆnibus sofrer acidente. P(X = 0) = e−440 0! = 1 e4 = 1 (2,718)4 = 1 54,5755 = 0,018323. 2. Probabilidade de exatamente dois oˆnibus sofrerem aciden- tes. P(X = 2) = e−442 2! = 16 2e4 = 16 2× (2,718)4 = 8 2,7184 = 8 54,5755 = 0,146586. 3. Probabilidade de no ma´ximo treˆs oˆnibus sofrerem aciden- tes. P(X ≤ 3) = P(X = 0)+P(X = 1)+P(X = 2)+P(X = 3) = 0,018323+ e−441 1! +0,146586+ e−443 3! = 0,018323+ 4 e4 +0,146586+ 64 6e4 = 0,018323+ 4 54,5755 +0,146586+ 64 6×54,575 = 0,018323+0,073293+0,146586+0,195448 = 0,43365. C E D E R J 9 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson Exercı´cio 13.2 A cada 200 pec¸as, uma e´ defeituosa. Ou seja: p= 1200 . Onde p e´ a probabilidade de uma pec¸a escolhida aleatoriamente ser defeituosa. Note que p e´ pequeno. Se X conta o nu´mero de pec¸as defeituosas, enta˜o X ∼ Poisson(λ ). Neste exercı´cio, o valor de λ varia em cada item. 1. Probabilidade de nenhuma pec¸a ser defeituosa em um lote de 500 pec¸as. λ = np= 500× 1200 = 500200 = 2,5. P(X = 0) = e−2,52,50 0! = 1 e2,5 = 1 (2,718)2,5 = 1 12,17934 = 0,082106. 2. Probabilidade de pelo menos 3 pec¸as defeituosas em um lote de 800 pec¸as. λ = np= 800× 1200 = 800200 = 4. P(X ≥ 3) = 1−P(X < 3) = 1− [P(X = 0)+P(X = 1)+P(X = 2)] = 1− [ e−440 0! + e−441 1! + e−442 2! ] = 1− [ 1 e4 + 4 e4 + 16 2e4 ] = 1− [ 1 54,5755 + 4 54,5755 + 8 54,5755 ] = 1− [0,018323+0,073293+0,146586] = 1−0,301985 = 0,698015. Exercı´cio 13.3 Ocorrem 2 acidentes a cada 100 km. Assumimos que a pro- babilidade de ocorreˆncia de acidentes e´ p= 2100 = 1 50 . Tal proba- bilidade e´ pequena. Desta forma, a v.a. X : nu´mero de acidentes segue uma distribuic¸a˜o de Poisson. 1. A probabilidade de ocorrerem pelo menos 3 acidentes em um espac¸o de 250 km. 10 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2 λ = np= 250× 1 50 = 250 50 = 5. P(X ≥ 3) = 1−P(X < 3) = 1− [P(X = 0)+P(X = 1)+P(X = 2)] = 1− [ e−550 0! + e−551 1! + e−552 2! ] = 1− [ 1 e5 + 5 e5 + 25 2e5 ] = 1− [ 1 148,3362 + 5 148,3362 + 25 296,6725 ] = 1− [0,006741+0,033707+0,084268] = 1−0,124717 = 0,875283. 2. A probabilidade de ocorrerem pelo exatamente 5 aciden- tes em um espac¸o de 300 km. λ = np= 300× 1 50 = 300 50 = 6. P(X = 5) = e−665 5! = 7.776 120e6 = 7.776 120× (2,718)6 = 7.776 120×403,1779 = 7.776 48.381,35 = 0,160723. Exercı´cio 13.4 O objetivo deste problema e´ determinar a me´dia E(X) e a variaˆnciaVAR(X). Como e´ sabido, ambas as medidas sa˜o iguais ao paraˆmetro λ . A informac¸a˜o dada de que P(X = 0) = 0,05 implica em: C E D E R J 11 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson P(X = 0) = 0,05 ⇒ e −λλ 0 0! = 0,05 ⇒ 1 eλ = 0,05 ⇒ eλ = 1 0,05 ⇒ eλ = 20 ⇒ λ = ln(20) = 2,99. Exercı´cio 13.5 Como neste caso ja´ e´ mencionada a me´dia de 10 chamadas por hora, enta˜o λ = 10. 1. A probabilidade de haver exatamente 5 chamadas em uma hora. P(X = 5) = e−10105 5! = 100.000 120e10 = 100.000 120×22.003,64 = 100.000 2.640.436,76 = 0,037873. 2. Ainda analisando no intervalo de tempo de uma hora, o valor de λ permanece o mesmo. P(X ≤ 3) = P(X = 0)+P(X = 1)+P(X = 2)+P(X = 3) = e−10100 0! + e−10101 1! + e−10102 2! + e−10103 3! = 1 22.003,64 + 10 22.003,64 + 100 2×22.003,64 + 1.000 6×22.003,64 = 0,000045447+0,00045447+0,00227235+0,0075745 = 0,01035. 3. Notemos que agora o intervalo de tempo e´ de duas horas. Neste caso, se me´dia e´ de 10 chamadas por hora, enta˜o a me´dia de chamadas em duas horas e´ de 20 chamadas. 12 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2 P(X = 15) = e−202015 15! = 3,2768×1019 [1,30767×1012]× (2,718)20 = 0,051756. 4. Para este item, o intervalo e´ de 30 minutos. Como sa˜o 10 chamadas por hora, espera-se que haja 5 chamadas em meia hora. Neste caso, λ = 5. P(X = 5) = e−555 5! = 55 120e5 = 3.125 120× (2,718)5 = 3.125 120×148,34 = 3.125 17.800,35 = 0,175558. Exercı´cio 13.6 Para 1 pa´gina, temos 0,01 erro. Para 100 pa´ginas, teremos 100×0,01 = 1 erroem me´dia. Desta forma, usamos λ = 1. P(X ≤ 3) = P(X = 0)+P(X = 1)+P(X = 2)+P(X = 3) = e−110 0! + e−111 1! + e−112 2! + e−113 3! = 1 e + 1 e + 1 2e + 1 6e = 1 2,718 + 1 2,718 + 1 5,436 + 1 16,308 = 0,367918+0,367918+0,183959+0,061319 = 0,9811136. Exercı´cio 13.7 Para cada item, um valor diferente para λ . C E D E R J 13 i i i i i i i i Probabilidade e Estatı´stica | Distribuic¸a˜o de Poisson 1. Com uma me´dia de 0,1 falha por metro quadrado, temos: λ = 0,1. P(X = 2) = e−0,1(0,1)2 2! = 0,01 2e0,1 = 0,01 2× (2,718)0,1 = 0,01 2,210319 = 0,004524. 2. Considerando 10 metros quadrados, como espera-se que haja 0,1 falha por metro quadrado, enta˜o espera-se 10× 0,1 = 1 falha em 10 metros quadrados. Ou seja, λ = 1. P(X = 1) = e−111 1! = 1 e = 0,367918. 3. Considerando 20 metros quadrados e usando o mesmo argumento e raciocı´nio do item anterior, enta˜o teremos λ = 2. P(X = 0) = e−220 0! = 1 e2 = 1 (2,718)2 = 1 7,3875 = 0,135364. 4. Ja´ vimos no item (2) que considerando 10 metros quadra- dos, λ = 1. P(X ≥ 2) = 1−P(X < 2) = 1− [P(X = 0)+P(X = 1)] = 1− [ e−110 0! + e−111 1! ] = 1− [ 1 e + 1 e ] = 1−0,367918+0,367918 = 0,735836. 14 C E D E R J i i i i i i i i A U L A 13 2 M O´ D U L O 2 Exercı´cio 13.8 Se a taxa me´dia e´ de dois clientes por minuto,enta˜o a taxa me´dia em treˆs minutos e´ de seis clientes. Logo: λ = 6. P(X ≤ 2) = P(X = 0)+P(X = 1)+P(X = 2) = e−660 0! + e−661 1! + e−662 2! = e−6+6e−6+ 36e−6 2 = e−6+6e−6+18e−6 = 25e−6. O item correto a ser assinalado nesta questa˜o deste concurso seria o item (e). C E D E R J 15
Compartilhar