Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelos Probabilisticos Modelos de distribuições Discretas (cont.) Profª Adriana Maria Balena Tostes Aula 9 A variável aleatória de Poisson é definida como o número de sucessos em certo intervalo contínuo (tempo, comprimento, área, volume, massa) fixo considerado. Exemplo: 1. Número de carros que passam em um pedágio em uma hora. 2. Número de vezes em que o corpo de bombeiros é chamado por dia para combater incêndios numa cidade. 3. Número de acidentes de trabalho por semana em uma empresa industrial. 4. Numero de reparos em uma rodovia em um trecho de 100 km. 5. Número de automóveis que chegam ao Campus entre 7:00 a.m. a 10:00 a.m. 6. Número de microorganismos por cm3 de água contaminada. 7. Número de vazamentos em 100 Km de tubulação. Modelo de Poisson • Acertos individuais ocorrerão aleatoriamente e independentemente dentro um intervalo fixo de observação; • O número de ocorrências de certo evento de interesse neste intervalo é uma variável discreta com valores possíveis 0, 1, 2, 3... . Note que x não possui limite máximo. • Uma distribuição de Poisson modela bem eventos “raros”. Fenômenos raros são aqueles que não ocorrem com grande frequência para qualquer intervalo de observação. • PRINCIPAL ASPECTO: nº de sucessos num intervalo determinado. Algumas condições para construção do modelo: Parâmetros de uma distribuição de Poisson µ= λ . t média de eventos discretos em “t” unidades de medida λ = coeficiente de proporcionalidade, ou taxa de frequência por unidade de medida t = unidade de medida Notação: X~P(µ) indica que v.a. X tem distribuição de Poisson com parâmetro µ. Onde: X: número de eventos discretos em t unidades de medida; λ: coeficiente de proporcionalidade, ou taxa de frequência por unidade de medida; t: unidade de medida; µ= λ t: media de eventos discretos em t unidades de medida f (x) = e−µµ x x! x = 0,1, 2,! 0; c.c. " # $ % $ Fórmula: µ= λ t σ2= λ t Exemplos Uma concessionária de rodovias está interessado em modelar o número de carros que chegam em um determinado ponto de pedágio em um período de 5 minutos. Para isso, assume que a chegada dos carros seguirá as seguintes hipóteses: - A probabilidade de um carro chegar ao pedágio é a mesma para dois períodos quaisquer de igual duração; - O fato de carros chegarem ou não em qualquer período é independentemente da chegada ou não chegada de outro carro em qualquer período. - Segundo dados históricos o número médio de carros que passam por este trecho da estrada é de 3 carros no período de 5 minutos. Determine a probabilidade de passar 0, 1, 2, 3, 4 ou mais de 4 carros em 5’. X: número de pedidos de empréstimos que um banco recebe por dia X~P(7,5) !,2,1,0, ! 5,7)( 5,7 == − x x exf x (a) P(X = 2) = e −7,5(7, 5)2 2 = 0,015555 (b) P(X ≤ 2) = P(X = 0)+P(X =1)+P(X = 2) = = 0,000553+ 0,004148+ 0,015555= 0,0202567 (c) P(X ≥ 8) =1−P(X < 8) =1− P(X = x) = x=0 7 ∑ =1− 0,52463853= 0, 47536147 Exemplo 2: O número de pedidos de empréstimos que um banco recebe por dia é uma variável aleatória com distribuição de Poisson com µ=7,5. Determine as probabilidades de que, em um dia qualquer, o banco receba (a) Exatamente 2 pedidos de empréstimo; (b) No máximo 2 pedidos de empréstimo; (c) No mínimo oito pedidos de empréstimo. Exemplo 3. Contaminação é um problema de fabricação de discos ópticos de armazenagem. O número de partículas de contaminação que ocorrem em um disco óptico tem uma distribuição de Poisson e o número médio de partículas por centímetro quadrado da superfície é 0,1. A área do disco em estudo é 100 centímetros quadrados. Encontre a probabilidade de que 12 partículas ocorram na área de um disco sob estudo. Se X: número de partículas na área de um disco sob estudo, então, X ~P(µ). Aqui t=100 e λ=0,1, então µ=(100)(0,1)=10. Ou seja X~P(10) !,2,1,0, ! 10)( 10 == − x x exf x 0,095 12 )10()12( 1210 === −eXP Exemplo 4. O pessoal do controle de qualidade afirma que os rolos de fita isolante apresentam, em média, uma emenda a cada 50 metros. Admitindo-se que a distribuição do número de emendas é dada pela Poisson, calcule as probabilidades de: a) Ocorrer nenhuma emenda em um rolo de 125m. b) Ocorrerem no máximo duas emendas em um rolo de 125 m c) Ocorrer pelo menos uma emenda em um rolo de 100 m. a) 8,21% b) 54,4% c) 86,47% Aproximação das probabilidades Binomiais com as probabilidades da Distribuição de Poisson A distribuição de Poisson é muito útil como uma aproximação da distribuição binomial, porque é mais fácil de ser tratada. Regra prática: pode-se aproximar uma distribuição binomial pela de Poisson quando n>50 e np<5. A distribuição Binomial para x sucessos em n ensaios de Bernoulli ´e dada por: .,,0,)1()( nxpp x n xXP xnx !=−⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ == − Se µ=np,⇒ p=µ/n, substituindo p na função probabilidade temos x n xxnx n n xn x nnnnx n xXP ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ −−⎟ ⎠ ⎞ ⎜ ⎝ ⎛ −⎟ ⎠ ⎞ ⎜ ⎝ ⎛ −=⎟ ⎠ ⎞ ⎜ ⎝ ⎛ −⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ == − µ µ µµµ 1 1 ! 1121111)( ! ! )(, x exXPtemosnFazendo x µµ − ==∞→ Exemplo 1: Em um cruzamento de duas avenidas de tráfego intenso, a probabilidade de um carro sofrer acidente é de 0,0001. Se entre 17 h e 19 h passam 1000 veículos nesse cruzamento, qual é a probabilidade de que dois ou mais acidentes ocorram durante esse período? X~B(1000; 0,00001) Como n> 50 e n.p=0,1 < 5 então: Como μ= n . p = 1000 . 0,0001= 0,1 Então: X~P(0,1) P(X≥2) = 1 – [P(X=0) + P(X=1)] = 0,045%
Compartilhar