Para cada situação-problema abaixo, escolha um modelo probabilístico para tratar do problema da variável/fenômeno de interesse. Justifique.
Uma subestação de energia elétrica em uma área remota é monitorada por um sistema automatizado. O sistema registra micro-interrupções na rede. A natureza dessas ocorrências é tal que elas acontecem em pontos aleatórios no tempo, e a ocorrência de uma não torna a próxima mais ou menos provável. Historicamente, a taxa média com que esses eventos ocorrem é de 4,8 eventos por período de 24 horas. O engenheiro de operação precisa de um modelo para descrever o número de eventos que podem ocorrer em um futuro período de 24 horas.
Uma subestação de energia elétrica em uma área remota é monitorada por um sistema automatizado. O sistema registra micro-interrupções na rede. A natureza dessas ocorrências é tal que elas acontecem em pontos aleatórios no tempo, e a ocorrência de uma não torna a próxima mais ou menos provável. Historicamente, a taxa média com que esses eventos ocorrem é de 4,8 eventos por período de 24 horas. O engenheiro de operação precisa de um modelo para descrever o número de eventos que podem ocorrer em um futuro período de 24 horas.
Passo 1
Enunciado e dados importantes que o problema fornece:\n
- O sistema registra micro-interrupções que ocorrem em pontos aleatórios no tempo.\n
- A ocorrência de um evento não torna a próxima mais ou menos provável (independência / falta de memória entre eventos).\n
- Historicamente, a taxa média é de
eventos por período de horas.\n - O que se pede: um modelo probabilístico para descrever o número de eventos que podem ocorrer num futuro período de
horas (ou seja, a distribuição do número de eventos nesse intervalo).
Passo 2
Proposta do modelo e por que ele é adequado (intuição):\n
- Vou propor o modelo de Poisson para a variável “número de eventos em
horas”.\n - Intuição: o modelo de Poisson descreve bem contagens de eventos que ocorrem aleatoriamente no tempo quando (i) os eventos são raros em pequenos intervalos, (ii) a taxa média é constante no tempo (homogeneidade), (iii) ocorrências em intervalos disjuntos são independentes, e (iv) dois eventos simultâneos em um intervalo infinitesimal têm probabilidade desprezível. Esses pontos correspondem exatamente às informações do enunciado: eventos em pontos aleatórios, ocorrência de uma não altera a probabilidade da próxima (independência/memória), e temos uma taxa média conhecida
por horas. Portanto as hipóteses do modelo de Poisson são satisfeitas.
Passo 3
Definição matemática do modelo (fórmula e explicação das letras):\n
- Seja
a variável aleatória “número de micro-interrupções em horas”. Proponho\n
onde
é a taxa média de eventos no intervalo considerado (aqui, no intervalo de
horas). A função massa de probabilidade (PMF) é\n
- Explicando cada termo:
= média esperada de eventos no período; = número específico de eventos; é a fator exponencial que aparece na distribuição; é o fatorial de . Essa fórmula dá a probabilidade de observar exatamente eventos no período.
Passo 4
Valor do parâmetro e propriedades úteis do modelo:\n
- Pelo enunciado, a taxa média é
eventos por horas. Logo o modelo fica\n
- Propriedades importantes que servem na prova:\n
- Esperança:
. Isso significa que em média espera-se eventos por dia.\n - Variância:
. Ou seja, o desvio padrão é .\n - Essas propriedades são úteis para estimar dispersão e para checar consistência com dados observados.
- Esperança:
Passo 5
Como usar o modelo na prática — exemplos de cálculos passo a passo (sem pular etapas):\n
- Probabilidade de não ocorrer nenhum evento no dia (caso que muitas vezes interessa):\n
- Probabilidade de ocorrer exatamente
eventos:\n
Cálculo numérico detalhado:\n
- Probabilidade de ocorrer no máximo
eventos ( ):\n
Calculando cada termo:\n
Somando:\n
- Probabilidade de ocorrer pelo menos um evento:\n
Passo 6
Relacionamento com processo de Poisson e limitações (quando revisar hipótese):\n
- Se a contagem no intervalo segue Poisson, então no nível temporal mais fino o processo correspondente é um processo de Poisson homogêneo: os tempos entre eventos (interarrivals) são independentes e exponenciais (propriedade de falta de memória). Isso é coerente com a frase do enunciado de que uma ocorrência não altera a probabilidade da próxima.\n
- Quando o modelo pode não ser adequado: se a taxa média variar com a hora do dia (por ex., mais interrupções durante tempestades ou picos), se houver dependência entre eventos (aglomeração/clusters) ou se houver uma probabilidade não desprezível de múltiplos eventos ocorrerem exatamente ao mesmo instante. Nesses casos consideraríamos modelos alternativos, por exemplo um processo de Poisson não homogêneo (taxa
variável), modelos de cluster (Cox, Hawkes) ou renewal processes.
Passo 7
Recomendação final e como entregar para o engenheiro:\n
- Recomende ao engenheiro usar
para modelar o número de micro-interrupções em um período futuro de horas. Com este modelo ele pode calcular qualquer probabilidade do tipo , ou usando a fórmula do Poisson mostrada e os exemplos numéricos que mostrei. Se houver indícios de variação da taxa ao longo do dia ou de dependência entre eventos, então revisar as hipóteses e considerar um modelo mais sofisticado.
Resposta
Poisson