Documente Academic
Documente Profesional
Documente Cultură
So Paulo, Setembro/2009
DISTRIBUIO DE POISSON
A distribuio de Poisson pode ser usada para determinar a probabilidade de um dado nmero de sucessos quando os
eventos ocorrem em um continuum de tempo ou espao. Tal processo, chamado de processo de Poisson, similar ao
processo de Bernoulli, exceto que os eventos ocorrem em um continuum ao invs de ocorrerem em tentativas ou
observaes fixadas. Um exemplo de tal processo a chegada de chamadas em uma central telefnica. Tal como no caso
de Bernoulli, supe-se que os so independentes e que o processo estacionrio.
A probabilidade da ocorrncia de um sucesso no intervalo proporcional ao intervalo. A probabilidade de mais de um
sucesso nesse intervalo bastante pequeno com a relao probabilidade de sucesso.
Seja X o nmero de sucessos no intervalo, ento:
P(X k)
e k
k!
P(X k)
300
5
60
k!
e 5 50
2,7182818 5 1
0,0067379 1
P(X 0)
P(X 0)
P(X 0)
0!
1
1
P(X 0) 0,0067379
II) Em dois minutos = 2 x 5 = 10 [ = 10]
k!
e 10 10 2
2,7182818 10 100
0,0000454 100
P(X 2)
P(X 2)
2!
2x1
2
0,00454
P(X 2)
P(X 2) 0,002270
2
P(X 2)
1ge
P(X k)
P(X 3)
k!
e
53
P(X 3)
2,7182818 5 125
0,00673795 125
P(X 3)
3x2x1
6
3!
0,84224338
P(X 3)
P(X 3) 0,140374 P(X 3) 0,1404
6
Distribuio de Poisson
Na Distribuio Binomial, a varivel definida era o nmero de sucessos em um certo intervalo discreto (repetio do
experimento). Entretanto, em muitas situaes, poderemos estar interessados no nmero de sucessos em um certo
intervalo contnuo, intervalo este que pode ser: comprimento, tempo, superfcie etc.
Como exemplo podemos citar:
a) Nmero de defeitos por metro em determinado tecido;
b) Nmero de defeitos na impresso de certo livro;
c) Nmero de partculas emitidas por fonte radioativa em certo intervalo de tempo;
d) Nmero de pessoas que chegam ao caixa de um supermercado no intervalo de tempo de 3 minutos
e) Nmero de carros que passam por um pedgio no intervalo de
tempo de 30 minutos etc.
Assim como os exemplos acima, podemos enumerar "n" exemplos. Mas se observamos, em todos os exemplos
citados foi introduzida a varivel "t", que o comprimento do intervalo de observao.
O que buscamos construir a distribuio de probabilidade da varivel; nmero de sucessos em um intervalo = t = de
observao, o que ser possvel sob certas condies expressas a seguir.
Primeiramente, vamos dividir nosso intervalo de tempo "t" de observaes em "n" pequenos intervalos, sendo que
estes tero comprimentos ( t/n).
Diante dessas condies- vamos admitir as seguintes hipteses para a construo do modele
a) Em intervalos muito pequenos, a probabilidade da ocorrncia de um sucesso deve ser proporcional ao tamanho do
intervalo. H -,,-,,
b) Ainda em intervalos muito pequenos, temos que admitir que a probabilidade da ocorrncia de mais de um sucesso
deve ser desprezada.
c) A probabilidade da ocorrncia de um sucesso igual em intervalos de mesmo comprimento.
d) As ocorrncias de sucesso em intervalos mutuamente exclusivos devem ser independentes.
Diante dessas hipteses, podemos descrever uma expresso analtica para a funo: P [(X = x)], e, para melhor
entendimento, vamos definir os parmetros da funo por meio de um exemplo prtico.
Vamos admitir que, em determinado processo de impresso, aparea, em mdia, um erro em cada 400 pginas
impressas, ou seja, 0,0025 falhas por pgina. Podemos dizer que esta a freqncia mdia do fenmeno e vamos denotar
por , ( = t).
Agora vamos supor que desejamos analisar a distribuio do nmero de falhas possveis que aparecero a cada
1.000 pginas impressas. Sob estas condies citadas, vamos escrever a funo de probabilidade dessa [ VA ] varivel
aleatria, cuja mdia ser 0,0025 falhas por pgina impressa. Logo, temos 0,0025 falhas por pgina impressa. Logo, temos
0,0025 x 1.000 2,5 falhas, ou seja, 2,5 falhas para cada 1.000 pginas impressa.
Logo,
= t
[, lmbda]
Sendo a mdia da varivel j conhecida, vamos calcular a probabilidade de obtermos x sucessos em um intervalo t,
podendo agora ser considerada como probabilidade de ocorrer 1 (um) sucesso em x intervalo de tamanho (t/n), sendo
que este pode ser obtido por meio da distribuio binomial, ou seja,
x
n!
n x [1]
P [( X x )]
p X p
x
!(
n
x
)!
ou como conhecemos
n
P(X k ) p k qn k
k
Fazendo assim, vamos associar a cada pequeno intervalo de tamanho (t/n), uma varivel do tipo Bernoulli, na qual
o sucesso ser a ocorrncia de um sucesso nesse intervalo (t/n).
Logo, a mdia dessa varivel ser expressa por
cada intervalo, ou seja:
t
n
t
, que igual probabilidade p de ocorrncia de sucesso para
n
A expresso [1] s ser vlida quando o nmero de intervalos n tender a infinito ( ) . Logo, temos:
x
n t
n x n
desenvolvendo esse limite, chega-se a:
P [( X x )]
lim
PX x
e- x
x!
nx
e-
2. p(X k )
k!
3. E(x)
[Mdia, esperana de x]
4.
2 (x)
Uma aplicao imediata deste modelo ocorre quando uma varivel aleatria x admite distribuio binomial com o
nmero n de repeties do experimento muito grande (n > 30) e com probabilidade p de sucesso muito pequena (p
< 0,05).
Nesta situao, o clculo numrico da expresso:
n k n k
p q ,
k
e-
n k n k
p q
k!
k
onde n . p, isto , selecionamos
8
192
200
p[x 8]
0,009 0,009 0,00042
8
p (X 8)
e -1,8 1,8
0,00045
8!
p (X 8)
Soluo utilizando o
EXCEL:
40,320
0,00045
X = 8, Mdia = 1,8
8 X: o nmero de eventos
1,8 Mdia: o valor numrico esperado, um nmero positivo
Cumulativo: um valor lgico: para a probabilidade Poisson, use VERDADEIRO;
FALSO
para a funo de probabilidade de massa Poisson, use FALSO.
0,000451783
P( X = 8 ) =
Resultado 0,00045178
1 [2ndF] [ln] [Y ] 1,8 [+/-] [ =] [X] 1,8 [Y ] 8 [=] [ ] 8 [2ndF] [CE] [=]
Resultado 0,00045178
8
192
200
p[x 8]
0,009 0,009 0,00042 e
8
p (X 8)
e -1,8 1,8
0,00045
8!
p (X k)
e -
e - 4,5 4,5
p[x 0]
0,0111
k!
0!
0
BIBLIOGRAFIA UTILIZADA
FERREIRA, Wilson & TANAKA, Osvaldo K. Elementos de Estatstica. So Paulo : McGraw-Hill, s/d.
KAZMIER, Leonard J. Estatstica aplicada Economia e Administrao. So Paulo : Makron Books, 1982.
MEDEIROS DA SILVA, Ermes et alli. Estatstica para os cursos de Economia, Administrao e Cincias Contbeis. v. 2,
So Paulo : Atlas, 1995. 4 v.
LAPPONI, Juan Carlos. Estatstica usando o Excel. So Paulo : Lapponi Treinamento, 2000.
LARSON, Ron e FARBER, Betsy. Estatstica aplicada. So Paulo : Pearson Prentice Hall, 2004.
LEVIN, Jack e FOX, James Alan. Estatstica para cincias humanas. So Paulo : Pearson , 2004.
MARTINS, Gilberto de Andrade. Estatstica Geral e Aplicada. So Paulo : Atlas, 2001.
SPIEGEL, Murray Ralph. Estatstica. 2. ed. So Paulo: McGraw-Hill, 1995.
DISTRIBUIO HIPERGEOMTRICA
Quando a amostragem se faz SEM REPOSIO de cada tem amostrado de uma populao finita, no se pode aplicar o
processo de Bernoulli, uma vez que existe uma mudana sistemtica na probabilidade de sucesso, medida que os itens
so retirados da populao. A distribuio GEOMTRICA a distribuio DISCRETA de probabilidade apropriada quando
existir AMOSTRAGEM SEM REPOSIO em uma situao que se, no fosse por isso, seria um processo de Bernoulli.
Sendo X o nmero dado de sucessos, N o nmero total de itens da populao, XT o nmero total de "sucessos" na
populao, e n o nmero de itens na amostra, a frmula para se determinar as probabilidades hipergeomtricas :
N X T X T
n X X
P( X | N, X T , n )
N
n
EXEMPLO: De seis empregados, trs esto na companhia h cinco anos ou mais. Se quatro empregados so aleatoriamente
escolhidos deste grupo de seis, a probabilidade de que exatamente dois estejam na companhia h cinco ou mais anos :
P( X 2 | N 6 XT
6 3 3
3 3
3! 3 !
4 2 2
2 2
2
!1 !2!1 !
3 , n 4)
6!
6
6
4! 2!
4
4
3 3
15
0 ,6 0
N - r
n - k
Assim,
r N - r
k
n
k
P( X k )
N
n
k
n
k
P( X k )
N
n
P ( X 3)
10
40
13
50
16
0 , 293273
Adaptado por Paulo Vieira Neto,. Uma urna tem 6 bolas brancas e 14 pretas. Qual a probabilidade de que 16 bolas
retiradas sem reposio ocorram 3 brancas?
N = 20 Total de bolas na urna: 20
n = 16 Total de bolas retiradas: 16
r = 6 Total de bolas, clculo prob.: 6 [6 bolas brancas]
k = 3 Para o Clculo Probabilidade de sair [3] bolas brancas.
N r r
n k k
P(X K)
N
n
20 6 6
16 3 3
20
16
P(X 3)
14
13
6
3
20
16
14!
13!1!
6!
20!
16!4!
14x20
4845
280
4845
P(X 3) 0,0578
14
13! x1
6x5x4x3!
3!3!
14x13!
14 6
13 3
20
16
20
3! x(3x2x1)
20x19x18x17x16!
4845
16! x(4x3x2x1)
DISTRIBUIO HIPERGEOMTRICA
No caso da Distribuio Hipergeomtrica, a idia da amostragem sem reposio, isto , para eventos dependentes.
Supondo-se um conjunto de N elementos, b dos quais apresentam uma certa caracterstica (b < N). Sero extrados n
elementos (n < N) sem reposio. Caso isto ocorra, temos uma distribuio hipergeomtrica:
b N - b
x
n
x
P( X x )
N
n
k
n
k
P( X k )
N
n
r!
= ---------------k!(r k)!
PMega-sena =
Dupla-sena =
Quina =
Lotomania =