MAB-515

Aula 1
Objetivo: Mostrar o papel fundamental da distribuio de Poisson
no comportamento de grandes populaes.
Modelo
Populao de n pessoas, n >> 1;
Comportamento individual independente num intervalo de
tempo fixo T;
P{ir ao banco} = p;
P{no ir ao banco} = 1 - p
Discusso:
Simplificao da realidade, aplicando o mesmo fator p (constante) a
todos os indivduos da populao.
Certamente, numa famlia, sendo todos correntistas do banco, um
nico membro pode executar tarefas para os outros.
Considere que o modelo vlido, apesar de ser uma simplificao
da realidade.
Telefonia: Este mesmo modelo pode ser aplicado aos usurios de um PBX
(central telefnica). Imagine que cada usurio disque durante o intervalo T com
probabilidade p ou no disque com probabilidade 1-p. Tambm temos uma
simplificao da realidade, pois possivelmente o mesmo fator p no deveria se
aplicar a todos os usurios.
Banco de Dados: Acesso a um banco de dados como, por exemplo, o SIGA.
Usurios tentam acesso com probabilidade p ou no tentam com probabilidade
1-p. Usar uma mesma probabilidade para todos uma simplificao da
realidade.

MAB-515

Questo:
Quantas pessoas em mdia vo ao banco no intervalo T fixo?
Resposta:
Vamos utilizar o conceito de varivel indicadora para o i-simo usurio.
Ii
varivel indicadora que representa o comportamento do i-simo
usurio no intervalo T fixo.
Ii =
Ii =

1, se i-sima pessoa vai ao banco em T

0, se i-sima pessoa no vai.

Somente dois valores possveis. Ii uma varivel aleatria discreta.

Funo de Massa de Probabilidade ou PMF (Probability Mass Function)
P{ Ii = 1} = p, P{ Ii = 0} = 1 p.
pmf
p
1-p
valores possveis
0

Valor mdio de Ii = = E[Ii]

[ ]

{
(

}
)

}
[ ]

Observao:
Se uma pessoa vai ao banco com a probabilidade de 80%, ento
ela contribui com 0.80 para o nmero mdio de pessoas que vo ao
banco.

MAB-515

Formulao Matemtica:
N: v.a. que representa o nmero de pessoas que vo ao
banco em T da populao total de n clientes.

[ ]

[ ]

***

Vamos rever neste ponto as propriedades da esperana.

Assuma N=N1 + N2
E[N] = E[N1 + N2] = E[N1] + E[N2] sempre !

Observao:
A esperana da soma a soma das esperanas mesmo que
N1 e N2 sejam variveis dependentes. O conceito de independncia
de variveis aleatrias ser revisto mais adiante.

N = N1 * N2
E[N]=E[N1*N2] = E[N1]*E[N2], apenas se N1 e N2 forem independentes!

Ler Apostila:
Captulo 13 seo ?, onde se prova esta propriedade.

MAB-515

[ ]

) {

}]

}]

Bnus:
Como posso simplificar as expresses entre colchetes?

MAB-515

RESPOSTA:

}]

}]

MAB-515

Lembrar:

[ ]

Recordando condicional:

(
( )

) ( )

Se A e B so eventos independentes, ento devo ter:

P(A|B) = P(A), ou seja, a existncia de B no afeta a ocorrncia de A.
Consequncia:

( )
( )

( )

( ) ( )

MAB-515

Retornando ao nosso problema:

[ ]

[ ]

[ ]

Se durante o intervalo de tempo T, np pessoas vo ao banco em

mdia, a taxa mdia de chegadas de pessoas do banco (pessoas/s)
dada por
)

Vamos mais longe...

P{N=i} = probabilidade de i pessoas irem ao banco no intervalo

de tempo T, considerando o modelo de comportamento?

Resposta:

( )

Distribuio binomial. Estamos corretos?

Bnus
Mostre que:

Resposta: seo ? da apostila.

MAB-515
Binmio de Newton

( )

( )

( )

( )

Observao:

( )=

( )

***

Assuma que a taxa mdia de pessoas indo ao banco fixa,

ou seja,
= para n >> 1 e
moderado.

Para que isto seja verdadeiro necessrio que

p com n. Razovel?
Banco tem espao finito. Se muita gente vai ao
banco, filas se formam e p tende a diminuir.
medida que a populao de clientes cresce
numa determinada agncia esperado que estes
clientes usem mais a internet e menos a agncia
para manter estabilidade.
Banco pode aumentar o nmero de clientes se
investir em acesso remoto.

MAB-515

Assumindo ento np = T (moderado e finito, mesmo com n )

( )
(

)(
(

)
(

( ) (

)(

) (

)( )

)
(

}
(
(

)(
(

)(

,i0

Distribuio de
Poisson

Relembrar:
(

)
(

MAB-515

Fluxo Poisson:
chegadas com taxa constante tal que o nmero de chegadas em
T dado pela distribuio de Poisson. Grandes populaes geram
fluxos de Poisson!

Distribuio de Poisson uma distribuio discreta!

{

[ ]

{
{
{

}
}

mdia

ou

primeiro momento ou valor mdio ou esperana

[ ]

(
(

)
)

[ ]
ERRO GRAVE

(
(

)
)

10

MAB-515

Momentos de uma v.a. discreta

k-simo momento

Teorema fundamental da esperana

[ ( )]

() {

} (z parmetro)

Pensando em termos de esperana condicional:

[ ]

[( )

}, B um evento qualquer.
{

() {

()

Ento:

[ ( )]

[( )

] {

() {

(forma interessante de se pensar em termos de condicional)

11

MAB-515

Varincia

2o momento central
( )

) ]

[(
[
[
[

[ ]

[ ]

]
]

[ ]

( )

Ateno!
[ ] um nmero e no uma v.a!
Momentos so sempre nmeros!

Pode a varincia ser negativa?

A varincia um nmero sempre positivo,
pois a esperana de uma funo ao quadrado, e
mede o espalhamento em torno da mdia.

12

MAB-515
Varincia maior

Varincia menor

Valor a fixo

13

MAB-515

N = v.a. com distribuio Poisson

E[N2] =

Complicado!

Como obter momentos de uma forma mais simples?

Resposta: Usando uma funo geradora de momentos.

[ ]
[ ]

( )

N(z) a transformada z da pmf de N.

z um parmetro qualquer, em geral um nmero complexo.

Para variveis aleatrias, N(z) uma ESPERANA!

Teoria:
1) Y = aX ( a nmero; X,Y v.as)
E[Y] = E[aX] = a E[X]
2) Y = aX1 + bX2
E[Y] = E[aX1 + bX2] = aE[X1] + bE[X2]

1 + b 2

A ESPERANA pode ser tratada como um operador

linear, intercambivel com outros operadores
lineares, como: somatrio, derivada e integral.

14

MAB-515

Esperana com operador linear:

, =>

1)

[ ]

[ ]

]
[

2)

[ ]

[
( )

3)

]
]

[ ]

[ ( )]

N(z) para a Distribuio de Poisson

( )

]
(

)
(

( )
( )
( )

( )

Memorizar:

]
( )
[ (

[
)

]
]
( )

( )

[ (

)]

[ ]
[

[ ]

Pode-se derivando N(z) e fazendo z = 1, obter todos

os momentos da v.a N.
15

MAB-515

Para Poisson:
(

( )

( )

( )

(Como previsto)

Resultado bvio: se chegadas ocorrem a uma taxa , durante T

ocorrero T chegadas em mdia!

( )

( )

( )

)
(

)
(

Propriedade importante:
A relao entre a pmf e sua Transformada Z biunvoca.
Plano Real

Plano Complexo

( )

16

MAB-515

Como caracterizar uma v.a N discreta?

1)

2) Funo Distribuio ou

PDF (Probability Distribution

Function) ou CDF (Cumulative Distribution Function):

3) Calculando todos

os momentos da varivel aleatria N

(pode-se mostrar que a pmf pode ser escrita como uma

Srie de Taylor envolvendo todos os momentos). Tarefa
inglria.
4) Calculando

N(z),

que permite obter a pmf

tambm todos os momentos, se quiser.

No plano real, trabalha-se com pmf

} e

e/ou cdf

No plano complexo, trabalha-se com N(z)

Em qual plano seria mais

fcil trabalhar?
17