Processos de Poisson - USP · Processos de Poisson s˜ao em geral bons modelos para ocorrˆencias...
Transcript of Processos de Poisson - USP · Processos de Poisson s˜ao em geral bons modelos para ocorrˆencias...
Processos de Poisson
Ricardo [email protected]
Departamento de Matematica Aplicada e EstatısticaUniversidade de Sao Paulo
Capitulo 5 Sheldon Ross
1 / 63
Distribuicao de Poisson
Definicao
Seja a variavel aleatoria X o numero de ocorrencias por intervalofixo (de tempo ou espaco). Dizemos que X tem distribuicao dePoisson com parametro λ,
X ∼ Poisson(λ), λ > 0,
com funcao de probabilidade,
P(X = k) =λke−λ
k!, λ > 0, k = 0, 1, . . . .
2 / 63
E (X ) =∞∑
k=0
kλke−λ
k!= λ
Var(X ) =∞∑
k=0
(k − E (X ))2λke−λ
k!= λ
3 / 63
Probabilidades Poisson com λ ∈ {1, 2, 5, 15}.
x
0.0
0.1
0.2
0.3
0 5 10 15 20 25 30
lambda = 1 lambda = 15
lambda = 2
0 5 10 15 20 25 30
0.0
0.1
0.2
0.3
lambda = 5
4 / 63
Teorema
Sejam X e Y variaveis aleatorias independentes tais queX ∼ Poisson(λ) e X ∼ Poisson(ν). Entao
X + Y ∼ Poisson(λ+ ν).
Portanto,
P(X + Y = n) =(λ+ ν)n e−(λ+ν)
n!, n = 0, 1, . . .
5 / 63
Teorema
Sejam as variaveis aleatorias N ∼ Poisson(λ) eM|N ∼ Binomial(N, p). Entao
M ∼ Poisson(λp).
Portanto,
P(M = k) =(λp)k e−λp
k!, k = 0, 1, . . .
6 / 63
Distribuicao Exponencial
Frequentemente usada para modelar o tempo entre eventos queocorrem a uma taxa media constante.
Definicao
Se X e uma variavel aleatoria com distribuicao exponencial suafuncao de densidade de probabilidade tem a forma,
f (x) = λe−λx , x > 0, λ > 0.
Notacao: X ∼ Exponencial(λ) ou X ∼ Exp(λ).
7 / 63
Probabilidades sao facilmente calculadas,
P(a < X < b) =
∫ b
a
λe−λxdx = e−λa − e−λb
E (X ) =
∫
∞
0x λe−λxdx =
1
λ
Var(X ) =
∫
∞
0(x − 1/λ)2 λe−λxdx =
1
λ2=
E (X )
λ
8 / 63
Densidades exponenciais
0 2 4 6 8
0.0
0.5
1.0
1.5
2.0
x
f(x)
λ = 2
λ = 1
λ = 0.5
9 / 63
Funcoes de distribuicao exponenciais
0 2 4 6 8
0.0
0.2
0.4
0.6
0.8
1.0
x
F(x
) λ = 2
λ = 1
λ = 0.5
10 / 63
Falta de Memoria
Seja X ∼ Exponencial(λ). Entao,
P(X > t + s|X > t) =P(X > t + s,X > t)
P(X > t)=
P(X > t + s)
P(X > t)
=e−λ(t+s)
e−λt= e−λs = P(X > s).
Esta e a unica distribuicao continua com tal propriedade.
11 / 63
Exemplo. Seja X uma variavel aleatoria que representa o intervalode tempo (em minutos) entre emissoes consecutivas de uma fonteradioativa. Assume-se que X ∼ Exponencial(λ) sendo λ = 0.2.Calcule a probabilidade de haver 1 emissao em um intervalo maiordo que 7 minutos sabendo que ele e maior do que 5 minutos.
Pela propriedade de falta de memoria,
P(X > 7|X > 5) = P(X > 5 + 2|X > 5) = P(X > 2)
= 1− P(X < 2) = e−2λ.
12 / 63
Sejam X1, . . . ,Xn variaveis aleatorias independentes. Entao,
◮ Se Xi ∼ Gama(αi , λ),
Y =n∑
i=1
Xi ∼ Gama
(
n∑
i=1
αi , λ
)
.
◮ Se Xi ∼ Exponencial(λ),
Y =n∑
i=1
Xi ∼ Gama(n, λ).
Prova por inducao no livro texto.
13 / 63
Proposicao
Sejam X1, . . . ,Xn variaveis aleatorias independentes tais queXi ∼ Exponencial(λi ), i = 1, . . . , n. Entao,
min{Xi} ∼ Exponencial
(
n∑
i=1
λi
)
.
14 / 63
Processos de Poisson
Processo de contagem
Um processo estocastico {N(t), t ≥ 0} e um processo de contagemse N(t) representa o total de ocorrencias de um evento ate otempo t.
◮ N(t) ≥ 0.
◮ N(t) assume valores inteiros positivos.
◮ Se s < t entao N(s) ≤ N(t).
◮ Para s < t, N(t)− N(s) e o numero de ocorrencias do eventono intervalo (s, t].
15 / 63
Um processo de contagem tem incrementos independentes se osnumeros de ocorrencias em intervalos disjuntos sao independentes.
Ou seja,
N(t1)− N(t0),N(t2)− N(t1), . . . ,N(tn)− N(tn−1)
sao variaveis aleatorias independentes para quaisquert0 = 0 < t1 < · · · < tn,
16 / 63
Um processo de contagem tem incrementos estacionarios se onumero de ocorrencias do evento em qualquer intervalo de tempodepende somente do seu comprimento.
Ou seja, N(s + t)− N(s) tem a mesma distribuicao ∀s.
17 / 63
Definicao
Um Processo de Poisson com taxa λ > 0 e um processo decontagem {N(t), t ≥ 0} tal que,
◮ os incrementos
N(t1)− N(t0),N(t2)− N(t1), . . . ,N(tn)− N(tn−1)
sao variaveis aleatorias independentes para quaisquert0 = 0 < t1 < · · · < tn,
◮ N(0) = 0.
◮ P(N(t + h)− N(t) = 1) = λh + o(h)
◮ P(N(t + h)− N(t) ≥ 2) = o(h)
18 / 63
Definicao
Uma funcao f (·) e dita ser o(h) se,
limh→0
f (h)
h= 0.
◮ Se f (·) e o(h) e g(·) e o(h), entao f (·) + g(·) e o(h).
◮ Se f (·) e o(h), entaao g(·) = cf (·) e o(h).
Qualquer combinacao linear finita de funcoes o(h) e o(h).
19 / 63
Teorema
Seja {N(t), t ≥ 0} com taxa λ. Entao,
N(s + t)− N(s) ∼ Poisson(λt), s ≥ 0, t > 0,
20 / 63
Propriedades
◮ Em particular, N(t) ∼ Poisson(λt).
◮ E [N(t)] = Var [N(t)] = λt.
◮ Os incrementos sao estacionarios, i.e. a distribuicao deN(s + t)− N(s) so depende da amplitude t.
21 / 63
Processos de Poisson com taxas 2 e 0.5
Co
nta
ge
ns
0
10
20
30
5 10 15 20
2
5 10 15 20
0.5
22 / 63
◮ Processos de Poisson sao em geral bons modelos paraocorrencias aleatorias de um evento em tempo continuo.
◮ Alguns exemplos: chegadas de clientes em uma fila, emissaode particulas radiotivas, ocorrencia de uma doenca rara.
23 / 63
Exemplo. Clientes chegam a uma loja segundo um processo dePoisson com taxa λ = 4 clientes por hora. Sabendo que a loja abreas 9h,
◮ Qual a probabilidade de exatamente 1 cliente ter chegado ateas 9:30?
◮ Qual a probabilidade de chegarem 5 clientes ate as 11:30?
24 / 63
Exemplo. Defeitos ocorrem em um cabo submarino segundo umprocesso de Poisson com taxa λ = 0.1 por milha.
◮ Qual a probabilidade de nenhum defeito ocorrer nas primeiras2 milhas?
Seja N(t) o numero de defeitos no tempo t.
N(t) ∼ Poisson(λt)
N(2) ∼ Poisson(0.2)
P(N(2) = 0) = e−0.2
25 / 63
◮ Qual a probabilidade de nenhum defeito ocorrer entre 2 e 3milhas dado que nao ocorreu defeito nas primeiras 2 milhas?
Pede-se P(N(3)− N(2) = 0|N(2) = 0).
Como N(3)− N(2) e N(2)− N(0) sao independentes eN(3)− N(2) ∼ Poisson(0.1),
P(N(3)− N(2) = 0|N(2) = 0) = P(N(3)− N(2) = 0) = e−0.1
26 / 63
Tempos entre ocorrencias
Seja {N(t), t ≥ 0} um processo de Poisson com taxa λ.
◮ Denota-se por Tn o tempo entre a (n − 1) e n-esimaocorrencia de eventos, sendo T1 o tempo ate a primeiraocorrencia.
◮ A sequencia {Tn, n = 1, 2, . . . } e chamada de sequencia de
tempos entre ocorrencias ou entre chegadas.
Proposicao
T1,T2, . . . sao variaveis aleatorias indenpendentes com distribuicaoExponencial(λ).
27 / 63
Tempos de Espera
Seja Sn o tempo ate a n-esima ocorrencia (tempo de espera).
Entao,
Sn =n∑
i=1
Ti , n = 1, 2, . . .
e Sn ∼ Gama(n, λ) com funcao de densidade,
f (t) =λn
Γ(n)tn−1e−λt =
(λt)n−1
(n − 1)!λe−λt , t ≥ 0.
28 / 63
Definicao alternativa
Seja uma sequencia {Tn, n ≥ 1} de variaveis aleatoriasindependentes tais que Tn ∼ Exp(λ), n = 1, 2, . . . . Defina umprocesso de contagem tal que o n-esimo evento deste processoocorre no tempo,
Sn =n∑
i=1
Ti .
Entao {N(t), t ≥ 0} tal que N(t) = max{n : Sn ≤ t} sendo S0 = 0e um processo de Poisson com taxa λ.
29 / 63
Exemplo. Pessoas imigram para um territorio segundo umprocesso de Poisson com taxa λ = 1 por dia.
◮ Qual o tempo esperado ate que o 10o migrante chegue?
◮ Qual a probabilidade de que o tempo entre as chegadas do10o e do 11o imigrante exceda 2 dias?
Na nossa notacao calcular E (S10) e P(T11 > 2).
30 / 63
Teorema. Seja {N(t), t ≥ 0} um processo de Poisson com taxa λ.Para 0 < u < t e k = 0, 1, . . . , n,
P(N(u) = k|N(t) = n) =
(
n
k
)
(u
t
)k (
1−u
t
)n−k
,
ou seja N(u)|N(t) = n ∼ Binomial(
n,u
t
)
.
31 / 63
Seja {N(t), t ≥ 0} um processo de Poisson com taxa λ.
◮ Cada vez que um evento ocorre ele e classificado como tipo Iou tipo II com probabilidades p e 1− p independente dosdemais.
◮ Sejam {N1(t), t ≥ 0} e {N2(t), t ≥ 0} os numeros de eventosdo tipo I e tipo II que ocorrem no intervalo (0, t].
◮ Portanto,N(t) = N1(t) + N2(t).
Proposicao
{N1(t), t ≥ 0} e {N2(t), t ≥ 0} sao processos de Poisson comtaxas λp e λ(1− p). Alem disso, os 2 processos sao independentes.
32 / 63
Sejam,
Yi =
{
1, ocorre evento tipo I,0, ocorre evento tipo II
sendo P(Yi = 1) = p.
Considere separadamente os processos marcados por 1’s e 0’s,
N1(t) =
N(t)∑
k=1
Yk
N2(t) = N(t)− N1(t)
Note que,
◮ N1(t) tem incrementos independentes,
◮ N1(0) = 0,
◮ N1(t) ∼ Poisson(λpt), pois E (Yk) = p.
33 / 63
Em resumo,
◮ N1(t) e um processo de Poisson com taxa λp e,
◮ por um argumento analogo N2(t) e um processo de Poissoncom taxa λ(1− p).
34 / 63
Exemplo. Clientes entram em uma loja de acordo com umprocesso de Poisson com taxa λ = 10 por hora. De formaindependente cada cliente compra alguma coisa com probabilidade0.3 ou sai da loja sem comprar nada com probabilidade 0.7.
Sejam,
◮ N0(t): o numero de pessoas que nao compram nada ate otempo t e,
◮ N1(t): o numero de pessoas que compram algo ate o tempo t,
Entao, N0(t) e N1(t) sao processos de Poisson independentes comtaxas (1− p)λ e pλ.
35 / 63
A probabilidade de que durante a primeira hora 9 pessoas entremna loja, das quais 3 compram alguma coisa e 6 vao embora semcomprar e
P(N0(1) = 6,N1(1) = 3) = P(N0(1) = 6) P(N1(1) = 3),
sendo que N0(1) ∼ Poisson(7) e N1(1) ∼ Poisson(3).
Portanto,
P(N0(1) = 6,N1(1) = 3) =76e−7
6!
33e−3
3!= 0.0334
36 / 63
Considere agora variaveis aleatorias discretas Y1,Y2, . . .independentes e cada Yn pode assumir valores 0, 1, 2, . . . comprobabilidades,
P(Yn = k) = pk , k = 0, 1, . . . , sendo
∞∑
k=0
pk = 1.
◮ Cada um dos processos resultantes Nk(t), k = 0, 1, 2, . . . eum processo de Poisson com taxa λpk , e
◮ N0(t),N1(t), . . . , sao processos independentes.
37 / 63
Exemplo. Considere um sistema no qual equipamentos podem serclassificados em estados {0, 1, . . . , r}. Assume-se que,
◮ Cada equipamento muda de estado segundo uma cadeia deMarkov com probabilidades de transicao Pij , i , j = 0, 1, . . . , r .
◮ Os equipamentos mudam de estado independentemente unsdos outros.
◮ Os numeros de equipamentos inicialmente nos estados{0, 1, . . . , r} sao independentes com distribuicao de Poisson eparametros {λ0, λ1, . . . , λr}.
Qual a distribuicao conjunta dos numeros de equipamentos nosestados {0, 1, . . . , r} em um tempo n.
38 / 63
Seja Nj(i): o numero de equipamentos inicialmente em i que estaoem j no tempo n.
◮ Cada equipamento inicialmente no estado i estara em j notempo n com probabilidade Pn
ij , o elemento (i , j) da matrizPn.
◮ Portanto, Nj(i) ∼ Poisson(λiPnij ) independentes,
j = 0, 1, . . . , r .
◮ Distribuicao do numero total de equipamentos no estado j notempo n,
r∑
i=0
Nj(i) ∼ Poisson
(
r∑
i=0
λiPnij
)
, j = 0, . . . , r .
39 / 63
Distribuicao condicional dos tempos de chegada
Seja {N(t), t ≥ 0} com taxa λ.
◮ Sabe-se que exatamente 1 evento ocorreu no intervalo (0, t].
◮ Qual a distribuicao do tempo ate a ocorrencia do evento?
◮ Equivalentemente, deseja-se obter
P(T1 < s|N(t) = 1), s ≤ t.
Pela hipotese de incrementos independentes e estacionarios erazoavel assumir que a distribuicao e uniforme em (0, t].
Pode-se verficar que,
P(T1 < s|N(t) = 1) =s
t, s ≤ t.
40 / 63
Estatisticas de ordem
Sejam n variaveis aleatorias Y1, . . . ,Yn. Entao Y(1), . . . ,Y(n) saoas estatisticas de ordem se Y(k) e o k-esimo menor valor dentreY1, . . . ,Yn, k = 1, . . . , n.
Se os Yi forem continuas, independentes e identicamentedistribuidas,
f (y1, . . . , yn) = n!n∏
i=1
f (yi ), y1 < y2 < · · · < yn
e a densidade conjunta das estatisticas de ordem.
41 / 63
Teorema
Dado que N(t) = n, os n tempos de chegada S1, . . . , Sn tem amesma distribuicao que as estatisticas de ordem de n variaveisaleatorias com distribuicao uniforme em (0, t].
Portanto,
f (s1, . . . , sn|N(t) = n) =n!
tn, 0 < s1 < · · · < sn < t.
42 / 63
Processos de Poisson nao homogeneos
Em situacoes praticas pode ser mais razoavel assumir que a taxade ocorrencia nao e constante e depende do tempo (ou espaco).
Definicao
Um processo de Poisson e nao homogeneo ou nao estacionario comλ = λ(t) (funcao de intensidade), se
◮ os incrementos sao independentes,
◮ N(0) = 0.
◮ P(N(t + h)− N(t) = 1) = λ(t)h + o(h)
◮ P(N(t + h)− N(t) ≥ 2) = o(h)
43 / 63
Definicao
Funcao valor medio do processo de Poisson nao homogeneo,
m(t) =
∫ t
0λ(u)du.
44 / 63
Teorema
Seja {N(t), t ≥ 0} um processo de Poisson nao estacionario comintensidade λ(t). Entao,
N(t + s)− N(s) ∼ Poisson(m(t + s)−m(s))
sendo,
m(t + s)−m(s) =
∫ t+s
s
λ(u)du.
Note que os incrementos nao sao mais estacionarios. Ou seja,eventos podem ser mais provaveis de ocorrer em certos periodos detempo.
45 / 63
Exemplo. A demanda por atendimento em um posto de saudeoccorre segundo um processo de Poisson com taxa,
λ(t) =
2t, 0 ≤ t < 12, 1 ≤ t < 2
4− t, 2 ≤ t < 4
sendo t medido em horas.
46 / 63
◮ Qual a probabilidade de que 2 atendimentos ocorram nasprimeiras 2 horas?
Seja N(t) o numero de atendimentos no tempo t. Pede-seP(N(2) = 2) sendo N(2) ∼ Poisson(µ),
µ =
∫ 1
02tdt +
∫ 2
12dt.
◮ Qual a probabilidade de que mais 2 atendimentos ocorram nas2 horas seguintes?
Pede-se P(N(4)− N(2) = 2) sendoN(4)− N(2) ∼ Poisson(µ),
µ =
∫ 4
2(4− t)dt.
47 / 63
Gerando um processos de Poisson nao homogeneos
Seja {N(t), t ≥ 0} um processo de Poisson com taxa λ.
◮ Um evento que ocorre no tempo t e contado comprobabilidade p(t) independente do que ocorreu antes de t.
◮ Seja Nc(t) o numero de eventos contados ate o tempo t.
Entao, o processo de contagem {Nc(t), t ≥ 0} e um processo dePoisson nao homogeneo com funcao de intensidade
λ(t) = λp(t).
48 / 63
Fazendo uma mudanca deterministica na escala temporal edefinindo um novo processo Y (s) = N(t) com,
s = Λ(t) =
∫ t
0λ(u)du
pode-se mostrar que Y (s) e um processo de Poisson homogeneocom taxa igual a 1.
49 / 63
Processos de Poisson compostos
Suponha que {N(t), t ≥ 0} e um processo de Poisson com taxa λe cada evento esta associado a uma variavel aleatoria.
Definicao
Um processo estocastico {Z (t), t ≥ 0} e dito ser um processo de
Poisson composto se puder ser representado como,
Z (t) =
N(t)∑
i=1
Yi , t ≥ 0,
sendo Y1,Y2, . . . variaveis aleatorias independentes eindependentes de N(t).
Note que se Yi = 1, i = 1, 2, . . . ,N(t) entao Z (t) = N(t).
50 / 63
Exemplo. Suponha que onibus chegam a um evento de acordocom um processo de Poisson com taxa λ. Os numeros de pessoasem cada onibus sao independentes e identicamente distribuidos.
Se Z (t) representa o numero total de pessoas que chegam deonibus ao evento e Yi representa o numero de pessoas no onibus i ,entao {Z (t), t ≥ 0} e um processo de Poisson composto,
Z (t) =
N(t)∑
i=1
Yi , t ≥ 0,
51 / 63
Exemplo. Suponha que clientes saiam de um supermercado deacordo com um processo de Poisson com taxa λ. Sejam{N(t), t ≥ 0} o numero de clientes que saem no tempo t e Yi aquantia gasta pelo cliente i , independentes e independentes deN(t). Entao,
Z (t) =
N(t)∑
i=1
Yi , t ≥ 0,
e um processo de Poisson composto que representa o total gastono tempo t.
52 / 63
Denotando E (Yi ) = µ e Var(Yi) = σ2, i = 1, 2, . . . ,
E [Z (t)] = E
N(t)∑
i=1
Yi
= E
E
N(t)∑
i=1
Yi
∣
∣
∣
∣
N(t) = n
=∞∑
n=1
E
N(t)∑
i=1
Yi
∣
∣
∣
∣
N(t) = n
P(N(t) = n)
=∞∑
n=1
E (Y1 + · · ·+ Yn)P(N(t) = n)
= µ∞∑
n=1
nP(N(t) = n) = µE [N(t)] = µλt
53 / 63
Analogamente,
Var [Z (t)] = (µ2 + σ2)λt.
54 / 63
Exemplo. Suponha que famılias migram para uma certa regiaosegundo um processo de Poisson com taxa igual a 2 famılias porsemana. Cada famılia pode ter 1, 2, 3 ou 4 pessoas comprobabilidades 1/6,1/3,1/3,1/6. Obtenha o valor esperado e avariancia do numero de pessoas que migram para esta regiao numperıodo de 4 semanas e meia.
Sejam Yi o numero de pessoas na familia i e N(t) o numero defamilias que migram para esta regiao ate o tempo t. Entao,
Z (t) =
N(t)∑
i=1
Yi , t ≥ 0,
e um processo de Poisson composto que representa o numero demigrantes no tempo t.
55 / 63
Temos entao que,
E (Yi ) =4∑
i=1
yP(Y = y) = 5/2 = 2.5
E (Y 2i ) =
4∑
i=1
y2P(Y = y) = 43/6
Var(Yi) = 43/6− (5/2)2 = 11/12
Portanto, como N(t) tem taxa λ = 2,
E [Z (t)] = µλt = 2(5/2)t = 5t
Var [Z (t)] = (µ2 + σ2)λt = 2[(5/2)2 + 11/12]t
Para t = 4.5 semanas o numero medio de migrantes eE [Z (t)] = 22.5 com variancia Var [Z (t)] = 64.5.
56 / 63
Processos de Cox
Definicao
Um processo de Cox e um processo de Poisson nao homogeneocuja taxa e tambem um processo estocastico {λ(t), t ≥ 0}.
Sejam {N ′(t), t ≥ 0} um processo de Poisson com taxa constanteλ = 1 e o processo N(t) = N ′(Θt) sendo Θ uma variavel aleatoria.
◮ N(t) e um processo de Cox chamado processo de Poissonmisto.
◮ N(t)|Θ e um processo de Poisson com taxa constante λ = Θ.
57 / 63
Em particular, se Θ for continua com densidade f (θ) a distribuicaomarginal de N(t) e,
P(N(t) = k) =
∫
∞
0P(N(t) = k|θ) f (θ)dθ
=
∫
∞
0
(θt)ke−θt
k!f (θ)dθ.
Equivalentemente,
P(N(t + s)− N(s) = k) =
∫
∞
0
(θt)ke−θt
k!f (θ)dθ.
58 / 63
◮ Um processo de Poisson misto tem incrementos estacionarios.
◮ Um processo de Poisson misto em geral nao tem incrementosindependentes.
◮ Portanto, um processo de Poisson misto em geral nao e umprocesso de Poisson.
59 / 63
Exemplo. Considere um processo de Poisson misto com parametroΘ ∼ Exponencial(1). Obtenha a distribuicao marginal de N(t).
P(N(t) = k) =
∫
∞
0
(θt)ke−θt
k!e−θdθ
=tk
k!
∫
∞
0θke−(t+1)θdθ
=tk
k!
Γ(k + 1)
(t + 1)k+1=
(
t
t + 1
)k ( 1
t + 1
)
.
60 / 63
Portanto,
N(t) ∼ Geometrica(p), p =1
t + 1, t ≥ 0.
Repita o exemplo para Θ ∼ Gama(r , λ).
61 / 63
Como N(t)|Θ e um processo de Poisson com taxa Θ entao,
E [N(t)|Θ] = Var [N(t)|Θ] = Θt.
Portanto,
Var [N(t)] = E (Θt) + Var(Θt) = tE (Θ) + t2Var(Θ).
62 / 63
Finalmente obtem-se que,
P(Θ < x |N(t) = k) =P(Θ < x ,N(t) = k)
P(N(t) = k)
sendo,
P(Θ < x ,N(t) = k) =
∫
∞
0P(Θ < x ,N(t) = k|θ)g(θ)dθ
=
∫ x
0P(N(t) = k|Θ = θ)g(θ)dθ.
A funcao de densidade condicional fica,
f (θ|n) = C e−θt θn g(θ),
e a constante C nao depende de θ.
63 / 63