Dados
Dados
Dados
23 de abr. de 2025
23 de abr. de 2025

Por
Blog DNC
Distribuição de Poisson: o que é e como calcular?
Distribuição de Poisson: o que é e como calcular?


A Distribuição de Poisson é uma das ferramentas estatísticas mais importantes quando se trata de modelar eventos que ocorrem de forma esporádica, mas mensurável. Ela é amplamente utilizada em áreas como atendimento ao cliente, logística, saúde, tráfego e qualidade industrial.
Neste artigo, você vai entender o conceito da distribuição, quando utilizá-la, como calcular probabilidades e como aplicar no mundo real.
O que é a Distribuição de Poisson?
A distribuição de Poisson, nomeada em homenagem ao matemático francês Siméon Denis Poisson, é um modelo de probabilidade utilizado para descrever a ocorrência de eventos discretos dentro de um intervalo fixo de tempo ou espaço, quando esses eventos:
São raros (não ocorrem com muita frequência),
São independentes entre si,
Acontecem com uma taxa média constante (λ),
E o número de ocorrências pode ser expresso como contagens inteiras não negativas (0, 1, 2, ...).
Esse modelo é ideal para quantificar eventos aleatórios, como o número de chamadas recebidas por um call center por hora ou o número de acessos simultâneos a um site.
Quais são os parâmetros da Distribuição de Poisson?
A distribuição depende de apenas um parâmetro:
λ (lambda): representa a média de ocorrências do evento por unidade de tempo ou espaço.
O segundo valor a ser definido é o número de eventos (X) para o qual desejamos calcular a probabilidade. A fórmula de Poisson é:

Onde:
e é a constante de Euler (~2,718),
x é o número de ocorrências desejadas,
x! é o fatorial de x.
Quando utilizar a Distribuição de Poisson?
A Poisson é apropriada quando você precisa responder perguntas como:
Qual a chance de acontecerem 3 acidentes em uma semana?
Qual a probabilidade de recebermos mais de 10 ligações numa hora?
Qual a frequência esperada de defeitos em 100 peças?
Ela é especialmente útil quando:
Os eventos são relativamente raros.
Os eventos ocorrem de forma aleatória, mas com média constante.
Estamos lidando com contagem de ocorrências, e não com medições contínuas (como tempo ou peso).
Condições para aplicação da Poisson
A aplicação correta da distribuição depende do cumprimento de alguns critérios importantes:
Independência dos eventos: a ocorrência de um evento não afeta outro.
Taxa constante: λ não muda durante o intervalo observado.
Eventos únicos: dois eventos não podem ocorrer exatamente ao mesmo tempo (o que se chama de “eventos mutuamente exclusivos”).
Eventos raros: a frequência de ocorrência é baixa comparada ao tamanho do intervalo analisado.
Propriedades importantes da Poisson
A média é igual à variância: ambas são iguais a λ.
Distribuição discreta: modela apenas contagens (valores inteiros).
Assimétrica: especialmente para valores baixos de λ.
Convergência para Normal: para valores altos de λ (geralmente λ > 30), a Poisson se aproxima da distribuição normal, facilitando o uso de métodos aproximados.
Exemplos práticos de aplicação
A Distribuição de Poisson é extremamente versátil e aparece em diferentes setores. Veja alguns exemplos reais:
Indústria: número de defeitos por lote de produção.
Call Center: chamadas recebidas por hora.
Trânsito: número de acidentes em um cruzamento por mês.
TI: número de falhas de um servidor por dia.
Saúde Pública: número de novos casos de uma doença rara por região.
Exemplo prático:
Imagine que um hospital recebe, em média, 4 chamadas de emergência por hora. Qual a probabilidade de receber exatamente 6 chamadas em uma hora?
Aplicamos a fórmula:

Ou seja, há cerca de 10,4% de chance de o hospital receber exatamente 6 chamadas em uma hora.
Como calcular probabilidades com a Distribuição de Poisson?
Você pode calcular probabilidades individuais (exatamente x ocorrências) ou acumuladas (até x, ou mais que x). Exemplos:
P(X = 0): chance de não acontecer nenhum evento.
P(X ≤ 2): somatório das probabilidades de 0, 1 e 2 ocorrências.
P(X > 4): 1 − P(X ≤ 4)
Esses cálculos podem ser feitos manualmente ou com apoio de ferramentas como:
Planilhas Excel/Google Sheets (
=POISSON.DIST(x, lambda, cumulativo)
)Linguagens como Python (
scipy.stats.poisson
)Calculadoras online estatísticas
Variações e limitações da Poisson
Embora bastante útil, a Poisson tem limitações. Ela não deve ser usada se:
A taxa λ não for constante (ex: sazonalidade);
Os eventos não forem independentes;
A frequência for muito alta e os dados já se comportam como distribuição normal.
Para situações mais complexas, pode-se considerar modelos alternativos como a Binomial, Exponencial ou até modelos de Poisson Generalizada, utilizados em regressões.
Aplicação prática em análise de dados
A Distribuição de Poisson é amplamente aplicada em ciência de dados, principalmente na construção de modelos preditivos e no entendimento de processos operacionais.
Em análise de dados empresariais, ela permite prever gargalos, planejar escalas de atendimento e identificar padrões anômalos de comportamento.
No curso de Cientista de Dados da DNC, por exemplo, os alunos aprendem como usar distribuições como a de Poisson para tomar decisões baseadas em dados reais, por meio de ferramentas como Python, SQL e Power BI.
Conclusão
A Distribuição de Poisson é uma ferramenta estatística poderosa para lidar com eventos contáveis, raros e independentes, permitindo cálculos precisos e rápidos para apoiar decisões em diversas áreas.
Se você trabalha (ou quer trabalhar) com análise de dados, entender e aplicar esse tipo de distribuição é um diferencial importante para análises precisas e estratégicas.
A Distribuição de Poisson é uma das ferramentas estatísticas mais importantes quando se trata de modelar eventos que ocorrem de forma esporádica, mas mensurável. Ela é amplamente utilizada em áreas como atendimento ao cliente, logística, saúde, tráfego e qualidade industrial.
Neste artigo, você vai entender o conceito da distribuição, quando utilizá-la, como calcular probabilidades e como aplicar no mundo real.
O que é a Distribuição de Poisson?
A distribuição de Poisson, nomeada em homenagem ao matemático francês Siméon Denis Poisson, é um modelo de probabilidade utilizado para descrever a ocorrência de eventos discretos dentro de um intervalo fixo de tempo ou espaço, quando esses eventos:
São raros (não ocorrem com muita frequência),
São independentes entre si,
Acontecem com uma taxa média constante (λ),
E o número de ocorrências pode ser expresso como contagens inteiras não negativas (0, 1, 2, ...).
Esse modelo é ideal para quantificar eventos aleatórios, como o número de chamadas recebidas por um call center por hora ou o número de acessos simultâneos a um site.
Quais são os parâmetros da Distribuição de Poisson?
A distribuição depende de apenas um parâmetro:
λ (lambda): representa a média de ocorrências do evento por unidade de tempo ou espaço.
O segundo valor a ser definido é o número de eventos (X) para o qual desejamos calcular a probabilidade. A fórmula de Poisson é:

Onde:
e é a constante de Euler (~2,718),
x é o número de ocorrências desejadas,
x! é o fatorial de x.
Quando utilizar a Distribuição de Poisson?
A Poisson é apropriada quando você precisa responder perguntas como:
Qual a chance de acontecerem 3 acidentes em uma semana?
Qual a probabilidade de recebermos mais de 10 ligações numa hora?
Qual a frequência esperada de defeitos em 100 peças?
Ela é especialmente útil quando:
Os eventos são relativamente raros.
Os eventos ocorrem de forma aleatória, mas com média constante.
Estamos lidando com contagem de ocorrências, e não com medições contínuas (como tempo ou peso).
Condições para aplicação da Poisson
A aplicação correta da distribuição depende do cumprimento de alguns critérios importantes:
Independência dos eventos: a ocorrência de um evento não afeta outro.
Taxa constante: λ não muda durante o intervalo observado.
Eventos únicos: dois eventos não podem ocorrer exatamente ao mesmo tempo (o que se chama de “eventos mutuamente exclusivos”).
Eventos raros: a frequência de ocorrência é baixa comparada ao tamanho do intervalo analisado.
Propriedades importantes da Poisson
A média é igual à variância: ambas são iguais a λ.
Distribuição discreta: modela apenas contagens (valores inteiros).
Assimétrica: especialmente para valores baixos de λ.
Convergência para Normal: para valores altos de λ (geralmente λ > 30), a Poisson se aproxima da distribuição normal, facilitando o uso de métodos aproximados.
Exemplos práticos de aplicação
A Distribuição de Poisson é extremamente versátil e aparece em diferentes setores. Veja alguns exemplos reais:
Indústria: número de defeitos por lote de produção.
Call Center: chamadas recebidas por hora.
Trânsito: número de acidentes em um cruzamento por mês.
TI: número de falhas de um servidor por dia.
Saúde Pública: número de novos casos de uma doença rara por região.
Exemplo prático:
Imagine que um hospital recebe, em média, 4 chamadas de emergência por hora. Qual a probabilidade de receber exatamente 6 chamadas em uma hora?
Aplicamos a fórmula:

Ou seja, há cerca de 10,4% de chance de o hospital receber exatamente 6 chamadas em uma hora.
Como calcular probabilidades com a Distribuição de Poisson?
Você pode calcular probabilidades individuais (exatamente x ocorrências) ou acumuladas (até x, ou mais que x). Exemplos:
P(X = 0): chance de não acontecer nenhum evento.
P(X ≤ 2): somatório das probabilidades de 0, 1 e 2 ocorrências.
P(X > 4): 1 − P(X ≤ 4)
Esses cálculos podem ser feitos manualmente ou com apoio de ferramentas como:
Planilhas Excel/Google Sheets (
=POISSON.DIST(x, lambda, cumulativo)
)Linguagens como Python (
scipy.stats.poisson
)Calculadoras online estatísticas
Variações e limitações da Poisson
Embora bastante útil, a Poisson tem limitações. Ela não deve ser usada se:
A taxa λ não for constante (ex: sazonalidade);
Os eventos não forem independentes;
A frequência for muito alta e os dados já se comportam como distribuição normal.
Para situações mais complexas, pode-se considerar modelos alternativos como a Binomial, Exponencial ou até modelos de Poisson Generalizada, utilizados em regressões.
Aplicação prática em análise de dados
A Distribuição de Poisson é amplamente aplicada em ciência de dados, principalmente na construção de modelos preditivos e no entendimento de processos operacionais.
Em análise de dados empresariais, ela permite prever gargalos, planejar escalas de atendimento e identificar padrões anômalos de comportamento.
No curso de Cientista de Dados da DNC, por exemplo, os alunos aprendem como usar distribuições como a de Poisson para tomar decisões baseadas em dados reais, por meio de ferramentas como Python, SQL e Power BI.
Conclusão
A Distribuição de Poisson é uma ferramenta estatística poderosa para lidar com eventos contáveis, raros e independentes, permitindo cálculos precisos e rápidos para apoiar decisões em diversas áreas.
Se você trabalha (ou quer trabalhar) com análise de dados, entender e aplicar esse tipo de distribuição é um diferencial importante para análises precisas e estratégicas.
20
% OFF
ATÉ
Oferta exclusiva! Comece a construir seu futuro na área.
Início da turma:
01/05
Vagas limitadas!
Projetos práticos
Mentoria de Carreira
Encontros ao vivo
20
% OFF
ATÉ
Oferta exclusiva! Comece a construir seu futuro na área.
Início da turma:
01/05
Vagas limitadas!
Projetos práticos
Mentoria de Carreira
Encontros ao vivo
20
% OFF
ATÉ
Oferta exclusiva! Comece a construir seu futuro na área.
Início da turma:
01/05
Vagas limitadas!
Projetos práticos
Mentoria de Carreira
Encontros ao vivo
Falar gratuitamente com um consultor de carreira.
Falar gratuitamente com um consultor de carreira.
Falar gratuitamente com um consultor de carreira.

DNC News
Inscreva-se na nossa newsletter exclusiva e receba dicas para acelerar seu crescimento profissional toda semana!
Inscreva-se agora!
DNC News
Inscreva-se na nossa newsletter exclusiva e receba dicas para acelerar seu crescimento profissional toda semana!
Inscreva-se agora!
DNC News
Inscreva-se na nossa newsletter exclusiva e receba dicas para acelerar seu crescimento profissional toda semana!