Distribuição de Poisson
Na teoria da probabilidade e na estatística, a distribuição de Poisson é uma distribuição de probabilidade discreta que expressa a probabilidade de um determinado número de eventos ocorrer em um intervalo fixo de tempo ou espaço se esses eventos ocorrerem com uma taxa média constante conhecida e independentemente do tempo desde o último evento.
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 asteroides 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 ] = e − λ t ( λ t ) k k ! , {\displaystyle 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)[carece de fontes]?. Ou seja, o número de eventos até uma época qualquer t é uma distribuição de Poisson com parâmetro λ t.
Média
O valor esperado de uma distribuição de Poisson é igual a λ. Esta propriedade pode ser derivada facilmente:
Variância ( var ( X ) {\displaystyle \operatorname {var} (X)} , σ X 2 {\displaystyle \sigma _{X}^{2}} ou σ 2 {\displaystyle \sigma ^{2}} )
A variância de uma distribuição de Poisson é igual a λ {\displaystyle \lambda } , como podemos demonstrar. Sabendo que var ( X ) = E ( X 2 ) − ( E ( X ) ) 2 {\displaystyle \operatorname {var} (X)=\operatorname {E} (X^{2})-(\operatorname {E} (X))^{2}} e E ( X ) = λ {\displaystyle {E}(X)=\lambda } Calculamos o segundo momento E ( X 2 ) {\displaystyle {E}(X^{2})} , para uma variável aleatória discreta: E [ X 2 ] = ∑ k = 0 ∞ k 2 [ e − λ λ k k ! ] {\displaystyle E\left[X^{2}\right]=\sum _{k=0}^{\infty }k^{2}\left[{\frac {e^{-\lambda }\lambda ^{k}}{k!}}\,\!\right]} Expandindo o somatório E [ X 2 ] = 1 2 [ e − λ λ 1 1 ! ] + 2 2 [ e − λ λ 2 2 ! ] + 3 2 [ e − λ λ 3 3 ! ] + . . . + n 2 [ e − λ λ n n ! ] + . . . {\displaystyle E\left[X^{2}\right]=1^{2}\left[{\frac {e^{-\lambda }\lambda ^{1}}{1!}}\,\!\right]+2^{2}\left[{\frac {e^{-\lambda }\lambda ^{2}}{2!}}\,\!\right]+3^{2}\left[{\frac {e^{-\lambda }\lambda ^{3}}{3!}}\,\!\right]+...+n^{2}\left[{\frac {e^{-\lambda }\lambda ^{n}}{n!}}\,\right]+...\!} Simplificando os termos ao quadrado com os fatoriais
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 ∼ P o i s s o n ( λ i ) {\displaystyle X_{i}\sim \mathrm {Poisson} (\lambda _{i})\,} segue uma distribuição de Poisson com parâmetro λ i {\displaystyle \lambda _{i}\,} e as variáveis aleatórias X i {\displaystyle X_{i}} são estatisticamente independentes, então Por exemplo, X 1 {\displaystyle 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 {\displaystyle 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 ∑ i = 1 2 λ i = 1 , 2 + 3 = 4 , 2 {\displaystyle \sum _{i=1}^{2}\lambda _{i}=1,2+3=4,2} .
A distribuição de Poisson representa um modelo probabilístico adequado para o estudo de um grande número de fenômenos observáveis. Eis alguns exemplos:


