Sunteți pe pagina 1din 4

DISTRIBUCIN GEOMTRICA O DE PASCAL La distribucin geomtrica es un modelo adecuado para aquellos procesos en los que se repiten pruebas hasta

la consecucin del xito a resultado deseado y tiene interesantes aplicaciones en los muestreos realizados de esta manera. Tambin implica la existencia de una dicotoma de posibles resultados y la independencia de las pruebas entre s. En teora de probabilidad y estadstica, la distribucin geomtrica es cualquiera de las dos distribuciones de probabilidad discretas siguientes:

la

distribucin

de

probabilidad

del

nmero X del ensayo

de

Bernoulli necesaria para obtener un xito, contenido en el conjunto { 1, 2, 3,...} o

la distribucin de probabilidad del nmero Y = X 1 de fallos antes del

primer xito, contenido en el conjunto {0, 1, 2, 3,...}. Cual de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de convencin y conveniencia. QUE ES UN PROCESO DE BERNOULLI? Un Proceso de Bernoulli no es otra cosa que la repeticin de un Ensayo de Bernoulli. Si nos fijamos en el ejemplo de la moneda, en este caso estaremos estudiando cuntas veces sale "cara" o cuntas sale "cruz", o las probabilidades de que salga "cara", al menos una vez, de un nmero n de intentos. Es importante que se cumpla que: 1. 2. La probabilidad de xito permanece constante ensayo tras Los ensayos deben de ser independientes entre s.

ensayo.

Para esto hay una distribucin conocida como Distribucin Binomial que permite calcular la probabilidad de que ocurra r veces un suceso en n intentos, si la probabilidad de que suceda en un intento es p:

CARACTERISTICAS: El proceso consta de un nmero no definido de pruebas o experimentos separados o separables. El proceso concluir cuando se obtenga por primera vez el resultado deseado (xito). Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un resultado no A es q siendo (p + q = 1). Las probabilidades p y q son constantes en todas las pruebas, por tanto, las pruebas, son independientes (si se trata de un proceso de "extraccin" ste se llevar a, cabo con devolucin del individuo extrado). (Derivacin de la distribucin). Si en estas circunstancias aleatorizamos de forma que tomemos como variable aleatoria X = el nmero de pruebas necesarias para obtener por primera vez un xito o resultado A, esta variable se distribuir con una distribucin geomtrica de parmetro p.

PROPIEDADES. Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que x ensayos sean necesarios para obtener un xito es

Para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer xito es

Para x = 0, 1, 2, 3,.... En ambos casos, la secuencia de probabilidades es una progresin geomtrica.

El valor esperado de una variable aleatoria X distribuida geomtricamente es

Y dado que Y = X-1,

En ambos casos, la varianza es

Las funciones generatrices de probabilidad de X y la de Y son, respectivamente,

Como su anloga continua, la distribucin exponencial, la distribucin geomtrica carece de memoria. Esto significa que si intentamos repetir el experimento hasta el primer xito, entonces, dado que el primer xito todava no ha ocurrido, la distribucin de probabilidad condicional del nmero de ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la moneda que uno lanza no tiene "memoria" de estos fallos. La distribucin geomtrica es de hecho la nica distribucin discreta sin memoria. De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor esperado dado , la distribucin geomtrica X con parmetro p = 1/ es la de mayor entropa. La distribucin geomtrica del nmero y de fallos antes del primer xito es infinitamente divisible, esto es, para cualquier entero positivo n, existen variables aleatorias independientes Y 1,..., Yn distribuidas idnticamente la suma de las cuales tiene la misma distribucin que tiene Y. Estas no sern geomtricamente distribuidas a menos que n = 1.

Obtencin de la funcin de cuanta Tenderemos que la variable X es el nmero de pruebas necesarias para la consecucin del primer xito. De esta forma la variables aleatoria toma valores enteros a partir del uno; (1,2,) La funcin de cuanta P(x) har corresponder a cada valor de X la probabilidad de obtener el primer xito precisamente en la X-sima prueba. Esto es, P(X) ser la probabilidad del suceso obtener X-1 resultados "no A" y un xito o resultado A en la prueba nmero X teniendo en cuenta que todas las pruebas son independientes y que conocemos sus probabilidades tendremos:

Dado que se trata de sucesos independientes y conocemos las probabilidades

Luego la funcin de cuanta quedara

S-ar putea să vă placă și