<\/p>\n
A distribui\u00e7\u00e3o de Poisson<\/a> \u00e9 uma distribui\u00e7\u00e3o de probabilidade usada para modelar a probabilidade de um certo n\u00famero de eventos ocorrerem durante um intervalo de tempo fixo.<\/span><\/p>\n \u00c9 apropriado usar a distribui\u00e7\u00e3o de Poisson se as quatro premissas a seguir forem atendidas:<\/span><\/p>\n Suposi\u00e7\u00e3o 1: O n\u00famero de eventos pode ser contado.<\/strong><\/span><\/p>\n Assumimos que o n\u00famero de \u201ceventos\u201d que podem ocorrer durante um determinado intervalo de tempo pode ser contado e pode assumir os valores de 0, 1, 2, 3,\u2026etc.<\/span><\/p>\n Hip\u00f3tese 2: A ocorr\u00eancia dos eventos \u00e9 independente.<\/strong><\/span><\/p>\n Assumimos que a ocorr\u00eancia de um evento n\u00e3o afeta a probabilidade de ocorr\u00eancia de outro evento.<\/span><\/p>\n Suposi\u00e7\u00e3o 3: A velocidade m\u00e9dia na qual os eventos ocorrem pode ser calculada.<\/strong><\/span><\/p>\n Assumimos que a taxa m\u00e9dia na qual os eventos ocorrem durante um determinado intervalo de tempo pode ser calculada e \u00e9 constante em cada subintervalo.<\/span><\/p>\n Suposi\u00e7\u00e3o 4: Dois eventos n\u00e3o podem ocorrer exatamente ao mesmo tempo.<\/strong><\/span><\/p>\n Assumimos que em cada subintervalo extremamente pequeno, exatamente um evento ocorre ou n\u00e3o ocorre.<\/span><\/p>\n Os exemplos a seguir mostram v\u00e1rios cen\u00e1rios que atendem \u00e0s premissas de uma distribui\u00e7\u00e3o de Poisson.<\/span><\/p>\n O n\u00famero de clientes que chegam diariamente a um restaurante pode ser modelado usando uma distribui\u00e7\u00e3o de Poisson.<\/span><\/p>\n Este cen\u00e1rio atende a cada uma das premissas de uma distribui\u00e7\u00e3o de Poisson:<\/span><\/p>\n Suposi\u00e7\u00e3o 1: O n\u00famero de eventos pode ser contado.<\/strong><\/span><\/p>\n Pode-se contar o n\u00famero de clientes que chegam diariamente a um restaurante (por exemplo, 200 clientes).<\/span><\/p>\n Hip\u00f3tese 2: A ocorr\u00eancia dos eventos \u00e9 independente.<\/strong><\/span><\/p>\n A chegada de um cliente n\u00e3o afeta a chegada de outro cliente.<\/span><\/p>\n Suposi\u00e7\u00e3o 3: A velocidade m\u00e9dia na qual os eventos ocorrem pode ser calculada.<\/strong><\/span><\/p>\n Podemos facilmente coletar dados sobre o n\u00famero m\u00e9dio de clientes que entram no restaurante todos os dias.<\/span><\/p>\n Suposi\u00e7\u00e3o 4: Dois eventos n\u00e3o podem ocorrer exatamente ao mesmo tempo.<\/strong><\/span><\/p>\n Tecnicamente, dois clientes n\u00e3o podem entrar num restaurante exatamente<\/em> ao mesmo tempo.<\/span><\/p>\n O n\u00famero de interrup\u00e7\u00f5es de rede que uma empresa de tecnologia enfrenta a cada semana pode ser modelado usando uma distribui\u00e7\u00e3o de Poisson.<\/span><\/p>\n Este cen\u00e1rio atende a cada uma das premissas de uma distribui\u00e7\u00e3o de Poisson:<\/span><\/p>\n Suposi\u00e7\u00e3o 1: O n\u00famero de eventos pode ser contado.<\/strong><\/span><\/p>\n O n\u00famero de interrup\u00e7\u00f5es de rede por semana pode ser contado (por exemplo, 3 interrup\u00e7\u00f5es de rede).<\/span><\/p>\n Hip\u00f3tese 2: A ocorr\u00eancia dos eventos \u00e9 independente.<\/strong><\/span><\/p>\n Sup\u00f5e-se que a ocorr\u00eancia de uma interrup\u00e7\u00e3o na rede n\u00e3o afeta a probabilidade de ocorr\u00eancia de outra interrup\u00e7\u00e3o na rede.<\/span><\/p>\n Suposi\u00e7\u00e3o 3: A velocidade m\u00e9dia na qual os eventos ocorrem pode ser calculada.<\/strong><\/span><\/p>\n Podemos coletar facilmente dados sobre o n\u00famero m\u00e9dio de interrup\u00e7\u00f5es de rede que ocorrem a cada semana.<\/span><\/p>\n Suposi\u00e7\u00e3o 4: Dois eventos n\u00e3o podem ocorrer exatamente ao mesmo tempo.<\/strong><\/span><\/p>\n Duas interrup\u00e7\u00f5es de rede n\u00e3o podem ocorrer exatamente ao mesmo tempo: apenas uma interrup\u00e7\u00e3o de rede pode ocorrer por vez.<\/span><\/p>\n Uma introdu\u00e7\u00e3o \u00e0 distribui\u00e7\u00e3o de Poisson<\/a> A distribui\u00e7\u00e3o de Poisson \u00e9 uma distribui\u00e7\u00e3o de probabilidade usada para modelar a probabilidade de um certo n\u00famero de eventos ocorrerem durante um intervalo de tempo fixo. \u00c9 apropriado usar a distribui\u00e7\u00e3o de Poisson se as quatro premissas a seguir forem atendidas: Suposi\u00e7\u00e3o 1: O n\u00famero de eventos pode ser contado. Assumimos que o n\u00famero […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1502","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo 1: N\u00famero de chegadas a um restaurante<\/strong><\/span><\/h3>\n
Exemplo 2: N\u00famero<\/strong> de interrup\u00e7\u00f5es de rede por semana<\/strong><\/span><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Calculadora de distribui\u00e7\u00e3o de peixes<\/a>
5 exemplos concretos da distribui\u00e7\u00e3o de Poisson<\/a>
Como calcular um intervalo de confian\u00e7a de Poisson<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"