Marque Verdadeiro ou Falso:
( ) A distribuição de Poisson é utilizada para modelar o número de ocorrências de eventos em um intervalo de tempo ou espaço, desde que esses eventos sejam independentes e ocorram com taxa média constante.
( ) Na distribuição de Poisson, o parâmetro \lambda representa a probabilidade de ocorrência de um evento em um intervalo fixo.
( ) Se um processo segue uma distribuição de Poisson com parâmetro \lambda, então a média e a variância desse processo são iguais a \lambda.
( ) A distribuição de Poisson é adequada mesmo quando os eventos ocorrem em “rajadas”, ou seja, quando há dependência entre ocorrências próximas no tempo.
( ) Se a variância observada em dados experimentais for significativamente maior que a média, isso pode indicar que o modelo de Poisson não é adequado.
( ) Ao reduzir pela metade o intervalo de tempo de observação, o parâmetro \lambda da distribuição de Poisson também deve ser reduzido pela metade, assumindo taxa constante.
( ) A distribuição de Poisson pode ser utilizada como aproximação da distribuição binomial quando o número de ensaios é grande e a probabilidade de sucesso é pequena.
( ) A distribuição de Poisson é apropriada para modelar diretamente variáveis contínuas, como temperatura ou volume de gás produzido.

Passo 1

O enunciado pede para marcar Verdadeiro ou Falso em cada uma das oito afirmações sobre a distribuição de Poisson. Vou listar claramente o que é pedido e as informações que já estão implícitas em cada afirmação para não me perder:
  • Pedido: Para cada afirmação abaixo, indicar se é Verdadeira ou Falsa.
    1. ( ) A distribuição de Poisson é utilizada para modelar o número de ocorrências de eventos em um intervalo de tempo ou espaço, desde que esses eventos sejam independentes e ocorram com taxa média constante.
    2. ( ) Na distribuição de Poisson, o parâmetro \lambda representa a probabilidade de ocorrência de um evento em um intervalo fixo.
    3. ( ) Se um processo segue uma distribuição de Poisson com parâmetro \lambda, então a média e a variância desse processo são iguais a \lambda.
    4. ( ) A distribuição de Poisson é adequada mesmo quando os eventos ocorrem em “rajadas”, ou seja, quando há dependência entre ocorrências próximas no tempo.
    5. ( ) Se a variância observada em dados experimentais for significativamente maior que a média, isso pode indicar que o modelo de Poisson não é adequado.
    6. ( ) Ao reduzir pela metade o intervalo de tempo de observação, o parâmetro \lambda da distribuição de Poisson também deve ser reduzido pela metade, assumindo taxa constante.
    7. ( ) A distribuição de Poisson pode ser utilizada como aproximação da distribuição binomial quando o número de ensaios é grande e a probabilidade de sucesso é pequena.
    8. ( ) A distribuição de Poisson é apropriada para modelar diretamente variáveis contínuas, como temperatura ou volume de gás produzido.
  • Informação que usarei: regras básicas da distribuição de Poisson, significado de \lambda, propriedades (média e variância), hipótese de independência/constância de taxa, comportamento com mudança de intervalo temporal, relação com binomial e tipo de variável (discreta vs contínua).

Passo 2

O que é a distribuição de Poisson — fórmula e significado dos símbolos.
  • Definição (forma canônica): a probabilidade de observar exatamente k eventos em um intervalo fixo é dada por
P(X=k)=\frac{e^{-\lambda}\,\lambda^{k}}{k!},\qquad k=0,1,2,\dots
  • Aqui:
    • X é a variável aleatória que conta o número de eventos no intervalo.
    • \lambda>0 é o parâmetro da distribuição, que representa o número médio esperado de eventos no intervalo considerado (às vezes chamado de taxa multiplicada pelo comprimento do intervalo).
    • e é a base dos logaritmos naturais.
    • k! é o fatorial de k.
Explicação didática: pense em \lambda como “quantos eventos espero ver, em média, naquele intervalo”. Não é uma probabilidade (que varia entre 0 e 1); é uma média (pode ser maior que 1).

Passo 3

Assunções essenciais para usar Poisson (quando o modelo é apropriado).
  • Eventos ocorrem isoladamente (sem ocorrências simultâneas relevantes) e de forma independente entre si.
  • Taxa média constante: a taxa de ocorrência por unidade de tempo ou espaço é constante no intervalo analisado.
  • Não há “memória” — saber que ocorreu algo agora não muda a probabilidade de ocorrência imediatamente depois (independência local).
Essas suposições são importantes: se houver dependência temporal (rajadas, clumping), a Poisson tende a falhar.

Passo 4

Propriedades de média e variância.
  • Para X\sim\text{Poisson}(\lambda) valem: \mathbb{E}[X]=\lambda,\qquad \operatorname{Var}(X)=\lambda.
  • Ou seja, média e variância são iguais e ambas iguais a \lambda.
Interpretação prática: se nos dados observados a variância for muito maior que a média (overdispersion), então a Poisson provavelmente não é uma boa descrição dos dados.

Passo 5

Escalonamento com o tamanho do intervalo (taxa constante).
  • Se houver uma taxa constante de eventos por unidade de tempo \rho (evento por unidade), então para um intervalo de duração t espera-se \lambda=\rho\,t.
  • Assim, se reduzir o intervalo pela metade ( t\mapsto t/2), o novo parâmetro será \lambda'=\rho\,(t/2)=\lambda/2.
Conclusão prática: com taxa constante, \lambda escala linearmente com o comprimento do intervalo.

Passo 6

Relação com a binomial e quando a Poisson é aproximação.
  • A distribuição binomial com parâmetros n (número de ensaios) e p (probabilidade de sucesso) tem média \mathbb{E}=np.
  • Quando n é grande e p é pequeno (mantendo np=\lambda fixo), a binomial \mathrm{Bin}(n,p) pode ser aproximada por \mathrm{Poisson}(\lambda).
  • Essa é útil porque simplifica cálculos quando n grande e p pequeno.

Passo 7

Tipo de variável: discreta vs contínua.
  • A distribuição de Poisson é uma distribuição de contagem discreta: modela 0,1,2,\dots eventos.
  • Variáveis contínuas (como temperatura, volume de gás) não são contagens inteiras; portanto, Poisson não é apropriada para modelar diretamente essas variáveis contínuas.

Passo 8

Agora avalio cada afirmação com base nos passos anteriores, explicando o porquê de Verdadeiro ou Falso.
  1. Afirmativa: A distribuição de Poisson é utilizada para modelar o número de ocorrências de eventos em um intervalo de tempo ou espaço, desde que esses eventos sejam independentes e ocorram com taxa média constante.
  • Avaliação: Verdadeira. Isso é exatamente a condição clássica (veja Passo 2 e Passo 3).
  1. Afirmativa: Na distribuição de Poisson, o parâmetro \lambda representa a probabilidade de ocorrência de um evento em um intervalo fixo.
  • Avaliação: Falsa. \lambda representa a média (número esperado) de eventos no intervalo, não uma probabilidade. (Ver Passo 2.)
  1. Afirmativa: Se um processo segue uma distribuição de Poisson com parâmetro \lambda, então a média e a variância desse processo são iguais a \lambda.
  • Avaliação: Verdadeira. Propriedade padrão: \mathbb{E}[X]=\operatorname{Var}(X)=\lambda. (Ver Passo 4.)
  1. Afirmativa: A distribuição de Poisson é adequada mesmo quando os eventos ocorrem em “rajadas”, ou seja, quando há dependência entre ocorrências próximas no tempo.
  • Avaliação: Falsa. Rajadas indicam dependência/aglomerado, violando a hipótese de independência; Poisson não é adequada nesses casos (ver Passo 3).
  1. Afirmativa: Se a variância observada em dados experimentais for significativamente maior que a média, isso pode indicar que o modelo de Poisson não é adequado.
  • Avaliação: Verdadeira. Overdispersion (variância > média) é sinal comum de inadequação do modelo de Poisson (ver Passo 4).
  1. Afirmativa: Ao reduzir pela metade o intervalo de tempo de observação, o parâmetro \lambda da distribuição de Poisson também deve ser reduzido pela metade, assumindo taxa constante.
  • Avaliação: Verdadeira. Com taxa constante \lambda é proporcional ao comprimento do intervalo, então metade do tempo → \lambda/2 (ver Passo 5).
  1. Afirmativa: A distribuição de Poisson pode ser utilizada como aproximação da distribuição binomial quando o número de ensaios é grande e a probabilidade de sucesso é pequena.
  • Avaliação: Verdadeira. Condição clássica n grande, p pequeno, np=\lambda fixo (ver Passo 6).
  1. Afirmativa: A distribuição de Poisson é apropriada para modelar diretamente variáveis contínuas, como temperatura ou volume de gás produzido.
  • Avaliação: Falsa. Poisson é para contagens discretas; não serve para variáveis contínuas (ver Passo 7).

Resposta

Verdadeiro
Falso
Verdadeiro
Falso
Verdadeiro
Verdadeiro
Verdadeiro
Falso

Exercícios relacionados