Distribuição de Poisson

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 de variável aleatória discreta que expressa a probabilidade de uma série de eventos ocorrer num certo período de tempo se estes eventos ocorrem independentemente de quando ocorreu o último evento.

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 ("Inquérito 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

$f(k;\lambda )={\frac {e^{-\lambda }\lambda ^{k}}{k!}},\,\!$$f(k;\lambda )={\frac {e^{-\lambda }\lambda ^{k}}{k!}},\,\!$

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, usariámos 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

Ver artigo principal: Processo de Poisson

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 asteróides 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:

$P[N(t)=K]={\frac {e^{-\lambda t}(\lambda t)^{k}}{k!}},\,\!$$P[N(t)=K]={\frac {e^{-\lambda t}(\lambda t)^{k}}{k!}},\,\!$

em que λ é uma constante (de unidade inversa da unidade do tempo).

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

Propriedades

Média

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

	Em linguagem matemática	Em Português
	$E\left[X\right]=\sum _{k=0}^{\infty }k\mathbb {P} \left[X=k\right]$$E\left[X\right]=\sum _{k=0}^{\infty }k\mathbb {P} \left[X=k\right]$	Por definição, a esperança de uma variável aleatória X é igual à soma de cada uma das suas possíveis ocorrências ponderadas pela probabilidade de que estas ocorrências aconteçam.
	$E\left[X\right]=\sum _{k=0}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}},\,\!\right]$$E\left[X\right]=\sum _{k=0}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}},\,\!\right]$	No caso de variáveis com distribuição, a probabilidade de que determinado evento ocorre é calculado por :$f(k;\lambda )={\frac {e^{-\lambda }\lambda ^{k}}{k!}}$$f(k;\lambda )={\frac {e^{-\lambda }\lambda ^{k}}{k!}}$. Portanto, este valor foi substituído na fórmula.
	$E\left[X\right]={\begin{matrix}\underbrace {0\left[{\frac {e^{-\lambda }\lambda ^{0}}{0!}},\,\!\right]} \\k=0\end{matrix}}+{\begin{matrix}\underbrace {1\left[{\frac {e^{-\lambda }\lambda ^{1}}{1!}},\,\!\right]} \\k=1\end{matrix}}+{\begin{matrix}\underbrace {2\left[{\frac {e^{-\lambda }\lambda ^{2}}{2!}},\,\!\right]} \\k=2\end{matrix}}+...$$E\left[X\right]={\begin{matrix}\underbrace {0\left[{\frac {e^{-\lambda }\lambda ^{0}}{0!}},\,\!\right]} \\k=0\end{matrix}}+{\begin{matrix}\underbrace {1\left[{\frac {e^{-\lambda }\lambda ^{1}}{1!}},\,\!\right]} \\k=1\end{matrix}}+{\begin{matrix}\underbrace {2\left[{\frac {e^{-\lambda }\lambda ^{2}}{2!}},\,\!\right]} \\k=2\end{matrix}}+...$	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 $E\left[X\right]=\sum _{k=0}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\right]=\sum _{k=1}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\right]$$E\left[X\right]=\sum _{k=0}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\right]=\sum _{k=1}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\right]$
	Como $\sum _{k=1}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\right]=\sum _{k=1}^{\infty }\lambda \left[{\frac {e^{-\lambda }\lambda ^{k-1}}{(k-1)!}}\right]$$\sum _{k=1}^{\infty }k\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\right]=\sum _{k=1}^{\infty }\lambda \left[{\frac {e^{-\lambda }\lambda ^{k-1}}{(k-1)!}}\right]$	Fazemos uma substituição para facilitar o cálculo.
	$E\left[X\right]=\lambda \sum _{k=1}^{\infty }\left[{\frac {e^{-\lambda }\lambda ^{k-1}}{(k-1)!}}\right]$$E\left[X\right]=\lambda \sum _{k=1}^{\infty }\left[{\frac {e^{-\lambda }\lambda ^{k-1}}{(k-1)!}}\right]$	Tomamos a substituição acima e tiramos a constante $\lambda$$\lambda$ para fora do somatório (pois o primeiro termo da expressão imediatamente superior é igual à $\lambda *1$$\lambda *1$.
	$E\left[X\right]=\lambda e^{-\lambda }\sum _{k=0}^{\infty }\left[{\frac {\lambda ^{k}}{(k)!}}\right]$$E\left[X\right]=\lambda e^{-\lambda }\sum _{k=0}^{\infty }\left[{\frac {\lambda ^{k}}{(k)!}}\right]$	Nova transformação para facilitar os cálculos...
	$E\left[X\right]=\lambda e^{-\lambda }$$E\left[X\right]=\lambda e^{-\lambda }$ $\left[{\frac {\lambda ^{0}}{(0)!}}+{\frac {\lambda ^{1}}{(1)!}}+{\frac {\lambda ^{2}}{(2)!}}+{\frac {\lambda ^{3}}{(3)!}}+...\right]$$\left[{\frac {\lambda ^{0}}{(0)!}}+{\frac {\lambda ^{1}}{(1)!}}+{\frac {\lambda ^{2}}{(2)!}}+{\frac {\lambda ^{3}}{(3)!}}+...\right]$	Abrindo o somatório, verifica-se que a série converge para $e^{\lambda }$$e^{\lambda }$
	$E\left[X\right]=\lambda e^{-\lambda }e^{\lambda }$$E\left[X\right]=\lambda e^{-\lambda }e^{\lambda }$	Obtemos $e^{-\lambda }e^{\lambda }=e^{0}=1$$e^{-\lambda }e^{\lambda }=e^{0}=1$
	$E\left[X\right]=\lambda$$E\left[X\right]=\lambda$	Como queríamos demonstrar

Variância

A variância de uma distribuição de Poisson é igual a λ.

Soma de variáveis

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 $X_{i}\sim \mathrm {Poisson} (\lambda _{i})\,$$X_{i}\sim \mathrm {Poisson} (\lambda _{i})\,$ segue uma distribuição de Poisson com parâmetro $\lambda _{i}\,$$\lambda _{i}\,$ e as variáveis aleatórias $X_{i}$$X_{i}$ são estatisticamente independentes, então

$Y=\sum _{i=1}^{N}X_{i}\sim \mathrm {Poisson} \left(\sum _{i=1}^{N}\lambda _{i}\right)\,$$Y=\sum _{i=1}^{N}X_{i}\sim \mathrm {Poisson} \left(\sum _{i=1}^{N}\lambda _{i}\right)\,$ também segue uma distribuição de Poisson cujo parâmetro é igual à soma dos $\lambda _{i}\,$$\lambda _{i}\,$.

Por exemplo, $X_{1}$$X_1$ é uma variável aleatória que representa o número de óbitos por mil nascimentos na cidade "A" (distribuição de Poisson com média 1,2, digamos) e $X_{2}$$X_2$ 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 $\sum _{i=1}^{2}\lambda _{i}=1,2+3=4,2$$\sum _{i=1}^{2}\lambda _{i}=1,2+3=4,2$.

Intervalo de confiança

Um método rápido e fácil para calcular um intervalo de confiança de aproximada de λ, é proposto na Guerriero (2012). Dado um conjunto de eventos k (pelo menos 15 - 20) ao longo de um período de tempo T, os limites do intervalo confiança para a frequência são dadas por:

$F_{low}=(1-{\frac {1.96}{\sqrt {k-1}}}){\frac {k}{T}}$$F_{low}=(1-{\frac {1.96}{\sqrt {k-1}}}){\frac {k}{T}}$

$F_{upp}=(1+{\frac {1.96}{\sqrt {k-1}}}){\frac {k}{T}}$$F_{upp}=(1+{\frac {1.96}{\sqrt {k-1}}}){\frac {k}{T}}$

em seguida, os limites do parâmetro $\lambda$$\lambda$ são dadas por: $\lambda _{low}=F_{low}T;\lambda _{upp}=F_{upp}T$$\lambda _{low}=F_{low}T;\lambda _{upp}=F_{upp}T$.

Exemplos

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 sangüíneos visíveis ao microscópio por unidade de área;
• Número de partículas emitidas por uma fonte de material radioativo por unidade de

tempo.

Ligações externas

• Calculadora - Distribuição de Poisson