Calculadora de Distribuição de Poisson
Calcule probabilidades de eventos raros e visualize os resultados selecionados da distribuição de Poisson.
Os resultados são calculados automaticamente conforme você informa os dados.
Probabilidade
▼ Veja explicações e dicas abaixo ▼
Calculadoras relacionadas
O que é a distribuição de Poisson?
A distribuição de Poisson é um modelo de probabilidade para contar quantas vezes um evento acontece em um intervalo fixo. O intervalo pode ser um período de tempo, uma área, uma página, um lote, um trecho de estrada ou qualquer outro espaço claramente definido onde seja possível contar eventos.
Use um modelo de Poisson quando o resultado for uma contagem inteira, como \(0\), \(1\), \(2\) e assim por diante. Exemplos comuns incluem defeitos em um lote, chamadas que chegam durante uma hora, erros de digitação em uma página, solicitações que chegam a um servidor durante um minuto ou incidentes registrados em uma área fixa.
A entrada principal é \(\lambda\), pronunciado “lambda”. Esse valor representa o número esperado de eventos no intervalo que está sendo estudado. Por exemplo, se um processo tem em média \(1.8\) defeitos por lote, então \(\lambda = 1.8\) para um lote.
Uma probabilidade de Poisson responde a perguntas como:
- Qual é a probabilidade de ocorrerem exatamente \(k\) eventos?
- Qual é a probabilidade de ocorrerem no máximo \(k\) eventos?
- Qual é a probabilidade de ocorrerem pelo menos \(k\) eventos?
- Qual é a probabilidade de a contagem ficar entre dois valores?
Por que a distribuição de Poisson é importante
A distribuição de Poisson é útil porque muitos problemas reais envolvem contagens de eventos, e não medições em uma escala contínua. Uma fábrica pode contar defeitos, uma central de atendimento pode contar chamados, um hospital pode contar chegadas e um site pode contar solicitações.
Em vez de dizer apenas “a média é de 4 eventos”, a distribuição de Poisson ajuda a estimar a probabilidade de diferentes contagens. Isso a torna útil para planejamento, controle de qualidade, dimensionamento de equipes, análise de confiabilidade e estudos introdutórios de probabilidade.
Por exemplo, saber que um processo tem em média \(2\) eventos por intervalo não significa que todo intervalo terá exatamente \(2\) eventos. Alguns intervalos terão \(0\), \(1\), \(3\) ou mais. A distribuição de Poisson descreve essa dispersão em torno da média.
Termos importantes
- Variável aleatória \(X\): a contagem de eventos no intervalo fixo.
- Lambda \(\lambda\): o número esperado de eventos nesse intervalo. Em um modelo de Poisson, ele também é a variância.
- Contagem de eventos \(k\): um número inteiro não negativo, como \(0\), \(1\), \(2\) ou \(3\).
- Função de massa de probabilidade: uma fórmula que fornece a probabilidade de uma única contagem, como \(P(X = k)\).
- Probabilidade acumulada: uma probabilidade que soma várias contagens exatas, como \(P(X \le k)\).
- Probabilidade de cauda: uma probabilidade na extremidade superior da distribuição, como \(P(X \ge k)\).
- Complemento: a probabilidade de o evento selecionado não acontecer. Se a probabilidade selecionada for \(p\), o complemento será \(1 - p\).
Como funciona a distribuição de Poisson
A distribuição de Poisson atribui uma probabilidade a cada contagem inteira possível. Se \(X\) seguir uma distribuição de Poisson com média \(\lambda\), a probabilidade de observar exatamente \(k\) eventos é:
$$
P(X = k) = \frac{e^{-\lambda}\lambda^k}{k!}
$$
Onde:
- \(X\) é a contagem aleatória de eventos.
- \(k\) é a contagem sendo testada, como \(0\), \(1\), \(2\) e assim por diante.
- \(\lambda\) é o número esperado de eventos no intervalo fixo.
- \(e\) é o número de Euler, aproximadamente \(2.71828\).
- \(k!\) significa \(k\) fatorial.
A fórmula fornece probabilidades de contagens exatas. As probabilidades acumulada, de cauda e de intervalo são obtidas combinando probabilidades exatas.
Para uma probabilidade de no máximo:
$$
P(X \le k) = \sum_{i=0}^{k} \frac{e^{-\lambda}\lambda^i}{i!}
$$
Para uma probabilidade de pelo menos:
$$
P(X \ge k) = 1 - P(X \le k - 1)
$$
Para uma probabilidade entre dois valores, usando um intervalo inclusivo de \(a\) a \(b\):
$$
P(a \le X \le b) = P(X \le b) - P(X \le a - 1)
$$
Uma propriedade especial da distribuição de Poisson é que seu valor esperado e sua variância são ambos iguais a \(\lambda\):
$$
E(X) = \lambda
$$
$$
\operatorname{Var}(X) = \lambda
$$
O desvio padrão é a raiz quadrada de lambda:
$$
\sigma = \sqrt{\lambda}
$$
Isso significa que valores maiores de \(\lambda\) normalmente produzem distribuições centralizadas mais à direita e espalhadas por um intervalo mais amplo de contagens.
Exemplos de probabilidades de Poisson na prática
Exemplo 1: probabilidade de exatamente 6 eventos
Suponha que uma central de atendimento receba em média \(4.2\) solicitações por intervalo. Seja \(X\) o número de solicitações em um intervalo comparável, de modo que \(\lambda = 4.2\).
Para encontrar a probabilidade de exatamente \(6\) solicitações:
$$
P(X = 6) = \frac{e^{-4.2}4.2^6}{6!}
$$
Isso resulta aproximadamente em:
$$
P(X = 6) \approx 0.114321
$$
Em porcentagem, isso corresponde a aproximadamente:
$$
0.114321 \times 100\% \approx 11.4321\%
$$
Portanto, segundo esse modelo de Poisson, seria esperado que cerca de \(11.43\%\) dos intervalos comparáveis tivessem exatamente \(6\) solicitações.
Exemplo 2: probabilidade de no máximo 2 defeitos
Suponha que um processo de produção tenha em média \(1.8\) defeitos por lote. Seja \(X\) o número de defeitos em um lote, de modo que \(\lambda = 1.8\).
“No máximo \(2\)” significa \(0\), \(1\) ou \(2\) defeitos:
$$
P(X \le 2) = P(X = 0) + P(X = 1) + P(X = 2)
$$
Usando a fórmula de Poisson:
$$
P(X \le 2) \approx 0.730621
$$
Em porcentagem:
$$
0.730621 \times 100\% \approx 73.0621\%
$$
Portanto, se o modelo de Poisson for adequado, seria esperado que cerca de \(73.06\%\) de lotes semelhantes tivessem no máximo \(2\) defeitos.
Exemplo 3: probabilidade entre 2 e 5 eventos
Suponha que um sistema tenha em média \(3\) eventos por intervalo. Para encontrar a probabilidade de observar entre \(2\) e \(5\) eventos, incluindo os dois extremos, use:
$$
P(2 \le X \le 5) = P(X \le 5) - P(X \le 1)
$$
Isso resulta aproximadamente em:
$$
P(2 \le X \le 5) \approx 0.716934
$$
Em porcentagem:
$$
0.716934 \times 100\% \approx 71.6934\%
$$
A palavra “entre” é importante aqui: nesta calculadora, as contagens inicial e final são incluídas no evento.
Como interpretar o resultado
Uma probabilidade de Poisson é uma probabilidade de longo prazo baseada em um modelo. Se o resultado selecionado for \(0.730621\), isso significa que o evento tem uma probabilidade estimada de aproximadamente \(73.0621\%\) sob as hipóteses de Poisson.
As formas decimal e percentual significam a mesma coisa:
$$
0.730621 = 73.0621\%
$$
O complemento é a probabilidade de o evento selecionado não ocorrer. Por exemplo, se:
$$
P(X \le 2) = 0.730621
$$
Então:
$$
P(X > 2) = 1 - 0.730621 = 0.269379
$$
Uma probabilidade baixa não significa que o evento seja impossível. Significa apenas que o evento seria incomum se o modelo e o \(\lambda\) escolhido fossem razoáveis. Uma probabilidade alta não garante que o evento ocorrerá no próximo intervalo; significa apenas que ele é comum no longo prazo.
O valor esperado é a contagem média de longo prazo por intervalo comparável. A variância descreve a dispersão da distribuição das contagens e, em um modelo de Poisson, é numericamente igual a \(\lambda\). O desvio padrão, \(\sqrt{\lambda}\), fornece uma medida mais intuitiva da dispersão típica em torno da média.
Ao analisar uma tabela ou um gráfico de probabilidades, lembre-se de que os valores destacados representam as contagens incluídas no evento selecionado. Podem existir valores de contagem maiores mesmo que uma tabela ou um gráfico compacto não mostre todas as contagens possíveis.
Erros e equívocos comuns
Um erro comum é usar um lambda que não corresponde ao intervalo. Se a média for de \(12\) chegadas por hora e a pergunta for sobre um intervalo de \(15\) minutos, o lambda correto para esse intervalo mais curto será \(3\), supondo que a taxa seja constante:
$$
12 \times \frac{15}{60} = 3
$$
Outro erro é informar uma contagem decimal. Lambda pode ser decimal, como \(1.8\), porque representa uma média. Porém, a contagem de eventos \(k\) deve ser um número inteiro, pois contagens como \(2.5\) defeitos ou \(3.7\) chamadas não são contagens observadas válidas em uma distribuição de Poisson.
Os usuários também costumam confundir “no máximo” com “pelo menos”. A probabilidade \(P(X \le k)\) inclui as contagens de \(0\) até \(k\). A probabilidade \(P(X \ge k)\) inclui \(k\) e todas as contagens maiores.
Para uma probabilidade de intervalo, o valor inicial deve ser menor ou igual ao valor final. O evento \(P(2 \le X \le 5)\) faz sentido, mas \(P(5 \le X \le 2)\) não.
Um último equívoco é supor que todos os dados de contagem seguem automaticamente uma distribuição de Poisson. O modelo de Poisson é mais adequado quando a taxa média é razoavelmente estável e a ocorrência dos eventos não é fortemente dependente nem agrupada de uma forma que o modelo não consiga representar. Se os dados reais mostrarem muito mais variação do que a média, muito menos variação do que a média, taxas variáveis ou forte dependência entre eventos, pode ser necessário usar outro modelo.
Quando usar a distribuição de Poisson
Use a distribuição de Poisson quando:
- Você estiver contando eventos em um intervalo fixo de tempo, espaço, área, volume, extensão de página ou produção.
- A contagem puder ser \(0\), \(1\), \(2\) e assim por diante.
- Você tiver um número esperado de eventos para o mesmo intervalo que está sendo analisado.
- A taxa de eventos for razoavelmente estável em intervalos comparáveis.
- A ocorrência de um evento não alterar fortemente a chance de outro evento no mesmo intervalo.
Os usos típicos incluem contagens de defeitos, contagens de chegadas, exemplos de filas, chamadas ou mensagens por período, erros por página e aproximações de eventos raros para problemas binomiais quando o número de tentativas é grande e a probabilidade individual do evento é pequena.
Limitações e pontos importantes
A distribuição de Poisson é um modelo, não uma garantia. Ela pode ser muito útil, mas seus resultados dependem de as hipóteses serem razoáveis para a situação.
Tenha estes pontos em mente:
- Lambda deve descrever o mesmo intervalo da pergunta.
- As contagens devem ser números inteiros não negativos.
- Um modelo de Poisson tem média igual à variância; dados com variabilidade muito maior ou menor podem não se ajustar bem.
- Taxas variáveis podem tornar um único lambda enganoso.
- Dependência, agrupamento, sazonalidade ou limites de capacidade podem tornar o modelo de Poisson menos adequado.
- O arredondamento pode fazer com que probabilidades muito pequenas apareçam em notação científica.
- Uma tabela ou um gráfico exibido pode ser truncado para facilitar a leitura e, por isso, não mostrar todas as contagens possíveis.
Esta calculadora exige \(\lambda > 0\) e não aceita valores de lambda maiores que \(1000\). Ela não aceita contagens negativas, contagens de eventos não inteiras, valores iniciais maiores que os valores finais nem modos de probabilidade além de exata, no máximo, pelo menos e entre.
Para decisões importantes envolvendo dinheiro, saúde, segurança, engenharia, obrigações legais, registros oficiais ou planejamento operacional de alto impacto, trate os resultados da calculadora como um ponto de partida e verifique o modelo com dados apropriados ou com um profissional qualificado.
Como usar esta calculadora
- Informe \(\lambda\), o número esperado de eventos no intervalo fixo.
- Escolha o tipo de probabilidade: exata, no máximo, pelo menos ou entre.
- Para probabilidades exata, no máximo ou pelo menos, informe a contagem inteira \(k\).
- Para uma probabilidade entre dois valores, informe as contagens inteiras inicial e final.
- Confira a probabilidade selecionada na forma decimal e percentual.
- Verifique o valor esperado, a variância, o desvio padrão e o complemento para obter mais contexto.
- Use o gráfico e a tabela de probabilidades para comparar valores individuais de \(P(X = k)\).
- Baixe o gráfico gerado somente depois que um gráfico válido for exibido.
Perguntas frequentes
O que lambda significa em uma distribuição de Poisson?
Lambda, escrito como \(\lambda\), é o número esperado de eventos no intervalo fixo. Se um processo tiver em média \(4\) eventos por hora e a pergunta for sobre uma hora, então \(\lambda = 4\). Se a pergunta mudar para meia hora e a taxa for constante, lambda deverá ser ajustado para \(2\).
Lambda pode ser decimal?
Sim. Lambda é uma média, portanto pode ser decimal, como \(0.5\), \(1.8\) ou \(4.2\). A contagem de eventos \(k\), porém, deve ser um número inteiro não negativo.
Qual é a diferença entre probabilidades exata, no máximo, pelo menos e entre?
Probabilidade exata significa \(P(X = k)\). Probabilidade de no máximo significa \(P(X \le k)\). Probabilidade de pelo menos significa \(P(X \ge k)\). Probabilidade entre dois valores significa \(P(\text{Start} \le X \le \text{End})\), incluindo as contagens inicial e final.
Por que o valor esperado e a variância são ambos iguais a lambda?
Essa igualdade é uma propriedade definidora da distribuição de Poisson. O valor esperado fornece a contagem média de longo prazo, e a variância descreve a dispersão das contagens em torno dessa média. Em um modelo de Poisson, ambos são \(\lambda\), enquanto o desvio padrão é \(\sqrt{\lambda}\).
Quando devo evitar usar um modelo de Poisson?
Evite depender de um modelo de Poisson quando a taxa de eventos variar muito entre os intervalos, os eventos forem altamente dependentes, as contagens forem limitadas por um máximo fixo ou a variabilidade observada for muito diferente da média. Nesses casos, outro modelo de contagem ou uma análise mais detalhada pode ser mais adequado.
Fontes e referências
Livros
- Barbara Illowsky and Susan Dean. Introductory Statistics 2e. OpenStax, 2023. Chapter 4.6, “Poisson Distribution,” and Chapter 4 Formula Review. https://openstax.org/books/introductory-statistics-2e/pages/4-6-poisson-distribution
- Hossein Pishro-Nik. Introduction to Probability, Statistics, and Random Processes. Kappa Research LLC, 2014. Sections 3.1.5 and 11.1.2. https://www.probabilitycourse.com
Fontes on-line e oficiais
- NIST/SEMATECH. “Poisson Distribution.” e-Handbook of Statistical Methods, consultado em 4 de julho de 2026. https://www.itl.nist.gov/div898/handbook/eda/section3/eda366j.htm
- Penn State Department of Statistics. “Lesson 12: The Poisson Distribution.” STAT 414: Introduction to Probability Theory, consultado em 4 de julho de 2026. https://online.stat.psu.edu/stat414/Lesson12