Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 ECO 1721 – Introdução à Estatística Econômica Professor: Juarez da Silveira Figueiredo O Processo de Poisson 1. O Processo de Poisson Considere-se um fenômeno aleatório que consiste na série de ocorrências, ao longo do tempo, de um evento raro A (isto é, um evento de probabilidade muito reduzida). Seja [0, t) o intervalo de tempo decorrido entre o instante inicial e um certo instante t, genérico. Para cada instante t, define-se a variável aleatória tX que representa o número de ocorrências de A no intervalo de tempo considerado. Desse modo, tem-se uma família de variáveis aleatórias indexadas pelo parâmetro tempo, o que constitui um processo estocástico. O modelo probabilístico usualmente empregado nesse caso é denominado processo estocástico de Poisson. Com relação a esse fenômeno, há interesse em estudar duas variáveis aleatórias: (i) o número de ocorrências do evento A em um intervalo de tempo fixado; e (ii) o tempo transcorrido até registrar-se a ocorrência de certo número de vezes, n, do evento A. 1.1. A Distribuição de Poisson Admitindo-se que a taxa média de ocorrências do evento A, por unidade de tempo, é prova-se que para cada instante do tempo fixado, t, a variável aleatória Xt tem distribuição de Poisson, com parâmetro t . Então a sua função de probabilidade é x p(x) = para x 0,1,2,3, .... x! e Portanto, a probabilidade de não ocorrer nenhuma vez o evento considerado é 0 p(0) = 0! e e e a probabilidade de ocorrer n vezes o referido evento é n p(n) = n! e 2 1.2. A Distribuição de Erlang Seja agora a variável aleatória T que representa o tempo transcorrido até a n-ésima ocorrência do evento A. Prova-se que essa variável aleatória tem distribuição gama de parâmetros e p, onde p é um inteiro positivo, isto é p = n = 1, 2, ..... Ou seja, T possui distribuição de Erlang (caso particular da distribuição gama quando o parâmetro p é inteiro). A função de densidade de probabilidade da distribuição de Erlang de parâmetros e n é n n n -1 t n -1 tf(t) = t t para t 0 (n) ( 1)! e e n Fazendo n = 1 na expressão da distribuição de Erlang ( , n ) acima indicada obtém-se a expressão da distribuição exponencial de parâmetro , a qual é consequentemente um caso particular daquela. Prova-se que: i) a variável aleatória que representa o tempo transcorrido até a primeira ocorrência do evento A tem distribuição exponencial de parâmetro ; ii) a variável aleatória que representa o tempo transcorrido entre duas ocorrências consecutivas, quaisquer, do evento A tem distribuição exponencial de parâmetro ; iii) a distribuição de Erlang de parâmetros e n equivale à distribuição de uma soma de n variáveis aleatórias independentes com distribuição exponencial de parâmetro , no caso T (como acima definida) correspondente à soma das variáveis aleatórias iT que representam os tempos transcorridos entre a (i-1)-ésima e a i-ésima ocorrências do evento A, para i = 1,2,3,...,n. n i i = 0 T = T Portanto, a variável aleatória que representa o tempo transcorrido até a n-ésima ocorrência do evento A tem distribuição de Erlang, de parâmetros n e . 1.3. A Relação entre as Distribuições de Poisson e Gama (Erlang) Considere-se T uma variável aleatória com distribuição de Erlang de parâmetros e n. A sua função de distribuição acumulada, F(t), é expressa por n n -1 u t F(t) = P(T t) = 1 P(T > t) = 1 u du (n) e que pode ser escrita alternativamente como 3 n 1 u t F(t) = P(T t) = 1 P(T > t) = 1 u du (n -1)! e Na expressão da integral acima, fazendo agora a mudança de variável s= u tem-se n -1 s t s F(t) = P(T t) = 1 P(T > t) = 1 ds (n -1)! e Essa integral é do mesmo tipo da integral abaixo indicada n x a x dx n! e I , com a = u , n substituído por n-1 e x por s que foi examinada no estudo da função gama. Portanto, considerando uma das propriedades da função gama (ver a 5ª propriedade da função gama, na nota didática correspondente), tem-se n x a kn-1 k = 0a x a dx (n -1)! k! e e com a = t Consequentemente t kn-1 n 1 u k = 0t ( t) F(t) = P(T t) = 1 P(T > t) = 1 u du 1 (n -1)! k! e e Observando agora que se X tem distribuição de Poisson de parâmetro a = t então a kn-1 k = 0 a P(X n-1) com a t k! e a percebe-se que existe uma relação entre as funções de distribuição de probabilidade acumulada das distribuições de Poisson e de Erlang. Uma análise das expressões acima apresentadas mostra que: i) o tempo eventualmente transcorrido até registrar-se n ocorrências do evento A é maior que t se, e somente se, até esse instante não ocorrer mais de n-1 vezes o evento A (ou seja, o evento A ocorrer, no máximo, n-1 vezes); ou, equivalentemente, ii) o tempo eventualmente transcorrido até registrar-se n ocorrências do evento A é menor que t se, e somente se, até esse instante ocorrer n vezes ou mais o evento A (ou seja, o evento A ocorrer, no mínimo, n vezes); 4 Bibliografia: Meyer, Paul L.: Probabilidade – Aplicações à Estatística Livros Técnicos e Científicos Editora S. A., Rio de Janeiro, 1978
Compartilhar