DISTRIBUCIN GEOMTRICA

INTRODUCCION Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento. Para qu sirve una distribucin de probabilidad?

Para describir la probabilidad de que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Sirve para inferir, predecir y tomar decisiones estratgicas.

FUNDAMENTOS

DE

PROBABILIDAD

Qu es

la

distribucin

de

probabilidad

Geomtrica?

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. Tambin implica la existencia de una dicotoma de posibles resultados y la independencia de las pruebas entre s. sta distribucin es un caso especial de la distribucin Binomial, ya que se desea que ocurra un xito por primera y nica vez en el ltimo ensayo que se realizadel experimento. La distribucin de probabilidad Geomtrica tiene las siguientes caractersticas. 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. (es decir xitos (V, de Verdadero), y fracasos (F, de Falso). La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un resultado no A es q, es decir siendo (p + q = 1), donde se cumple la

regla

unitaria

de

la

suma

del

nmero

1.

Qu

es

un

proceso

de

Bernoulli?

Cuando cada prueba puede dar tan slo uno de dos resultados posibles (xito o fracaso) suele hablarse de que se trata de una experiencia de Bernoulli. En honor a este autor podemos llamar a todos estos procesos (tengan o no sus pruebas dos nicos resultados posibles) procesos de Bernoulli. De los procesos de Bernoulli podemos hacer derivar distribuciones de variable discreta muy importantes como la dicotmica, binomial, la geomtrica, binomial negativa, hipergeomtrica , la hipergeomtrica negativa, la polinomial o la hipergeomtrica de varias variables. Cada una de ellas podr deducirse dependiendo de las caractersticas de las pruebas (dos o ms resultados) de la naturaleza de las probabilidades (constantes o no) y del nmero de pruebas; y por supuesto de la aleatorizacin considerada que depender de nuestros intereses prcticos.

Definicin formal de la distribucin Geomtrica

George C. Runger y Doauglas C. Montgomery, la definen formalmente como: En una serie de ensayos Bernoulli independientes, con una probabilidad constante p de xito, sea la variable aleatoria X el nmero de ensayos realizados hasta la obtencin del primer xito. Entonces X tiene una distribucin geomtrica con parmetros p: Donde: fx(x;p)= Es la distribucin de probabilidad Geomtrica. 1p = Es el nmero de fracasos, que otros autores manejan como q. p= Es el nmero de xitos descrita como probabilidad. x= Es la variable aleatoria el nmero de experimentos realizados. x siempre debe estar dentro del intervalo: (m-2s, m+2s). Todas las distribuciones de probabilidad tienen comportamiento caracterstico en la forma de sus grficas, dado que la mayora de distribuciones son reas bajo la curva estn dadas por integracin de funciones probabilsticas

Notaciones

para la distribucin geomtrica

Hay muchas notaciones para manejar la distribucin geomtrica, pero lo importante es entenderla de verdad. Alguna de las notaciones ser posible entender la mayora en un 95% a excepcin de algunas notaciones donde describen el origen de la frmula. Una de las notaciones ms extendidas en es la siguiente:

Que nos dice que si una variable aleatoria discreta X definida en un espacio de probabilidad representa el numero de repeticiones necesarias de un experimento de Bernoulli para obtener el primer xito, entonces tiene por funcin de densidad: X-1

Donde: P(x=x)= funcin de densidad, de la variable aleatoria con distribucin geomtrica.

X= p= q=

Numero de experimentos probabilidad de xito probabilidad de fracaso

hasta (1-p)

que

aparece

el

1er

xito.

Por ejemplo: William Mendenhall y Terry Sincinch usan sta notacin para la distribucin de probabilidad geomtrica:

Utilizando a y como la variable aleatoria el nmero de experimentos en la medicin estadstica, el nmero de pruebas hasta que se observa el primer xito. Para la media, varianza, y desviacin estndar usan la siguiente notacin: George C. Runger y Douglas C. Montgomery usan stas notaciones para la distribucin de probabilidad geomtrica:

Para x=

la E(X)=

media, 1/p 2X

variancia =V(X) =

y (1 -

desviacin p) / p

estndar = Raiz

usan: de 2

Por ltimo tenemos la notacin para representar la distribucin de probabilidad

geomtrica que us Ron Kenett en su libro Estadstica Industrial Moderna:

Aqu primero consideramos una sucesin de pruebas ensayos independientes, donde cada uno tiene la misma p (probabilidad) de xito. Y adems donde dice que si N es una variable aleatoria que cuenta la cantidad de pruebas hasta llegar al primer xito, incluyendo la prueba con xito. Entonces N puede asumir valores enteros no negativos. Y para obtener la media, la varianza y la desviacin estndar Ron utiliza las siguientes frmulas:

Como Ronald E. Walpole en su libro Probabilidad y Estadstica para Ingenieros dice que los trminos sucesivos forman una serie geomtrica, entonces se acostumbra nombrar ste caso especial de distribucin como distribucin geomtrica y tambin se suele denotar con g(x ; p). Y dice que si las pruebas independientes repetidas pueden tener como resultado un xito con probabilidad p y un fracaso con probabilidad q=1-p, entonces la distribucin de probabilidad de la variable aleatoria X, y el nmero de la prueba en el que ocurre el primer xito est denotado por: g ( x; p) = pqx-1, para x=1,2,3,.

Y esto se comprobar con un ejemplo pequeo: Se sabe que en cierto proceso de fabricacin, en promedio uno de cada 100 artculos est defectuoso. Cul es la probabilidad de que el quinto artculo sea el primer defectuoso que se encuentra?

SOLUCIN
Primero se sabe que la probabilidad es 1 en 100, es decir 1/100 p= 0.01, y el nmero de pruebas muestras que se van hacer son 5, porque el problema pide calcular la probabilidad en el quinto artculo, entonces x=5. Al usar la distribucin geomtrica con x=5 y p=0.01 se tiene:

p=0.01 x=5 q = x-1= 4

1-p

es

decir

0.01

por

lo

tanto

q=0.99

Segn la distribucin la solucin usando la nomenclatura segn Ronald E. Walpole:

g(x;p)=pqx-1,parax=1,2,3,. La solucin quedara as: 0.0096 Negativa

g (5;0.01) = (0.01) (0.99) 4 = Relacin con la

distribucin Binomial

Por ejemplo se tiene que en clculo diferencial la regla de derivacin para derivar una funcin elevada a una cierta potencia es:

Que no es ms que un caso particular de la regla de la cadena:

La distribucin binomial habla de encontrar la probabilidad de x xitos en n pruebas, donde n es fija, la distribucin binomial negativa habla de encontrar la probabilidad de que ocurra el r-simo xito en la x-sima prueba, siendo una distribucin de dos parmetros: p y r. Y la distribucin geomtrica es el caso especial de la distribucin binomial negativa para cuando r=1 Pero tambin se puede decir que la distribucin Binomial Negativa es una generalizacin de la distribucin geomtrica donde la variable aleatoria es el nmero de ensayos de Bernoulli necesarios para obtener r xitos. Notacin en forma de sumatoria

Si se considera una sucesin de pruebas de Bernoulli con probabilidad p de xito. La probabilidad de que el primer fracaso est precedido de x xitos estar dada por:

El

sistema

de

valores:

constituye

una

distribucin

de

probabilidad.

La v.a. x tiene distribucin geomtrica si su distribucin de probabilidad: Dicho de otro modo, se puede expresar la funcin de distribucin de la siguiente manera: Si se desarrolla la expresin se tendra:

EJEMPLOS PROBLEMA
1

1.- La probabilidad de que una muestra de aire contenga una molcula rara es 0.01 Si se supone que las muestras son independientes con respecto a la presencia de la molcula rara, Cul es la probabilidad de que sea necesario analizar exactamente 125 muestras antes de detectar una molcula rara?

SOLUCIN
Si X es el nmero de muestras analizadas hasta que se detecta la presencia de la molcula rara. Entonces X es una variable aleatoria geomtrica con p=0.01. Entonces la probabilidad pedida es: X= 125; X=125 numero de muestras entonces siguiendo la formula X -1 125-1=124 Se aplica la frmula de la sumatoria sucesiva: P (X = 125) = (0.99) 1240.01 = 0.0029

PROBLEMA 2
2.- Un fabricante utiliza fisibles elctricos en un sistema electrnico. Los fusibles se compran en lotes grandes y se prueban secuencialmente hasta que se observa el primer fusible defectuoso. Suponga que el lote contiene 10% de fusibles defectuosos.

a) Qu probabilidad hay de que el primer fusible defectuoso sea uno de los primeros 5 fusibles probados? b) Calcule la media, la varianza, y la desviacin estndar de y, el nmero de fusibles probados hasta observarse el primero fusible defectuoso.

SOLUCIN
a) El nmero de fusibles probados hasta observarse el primer fusible defectuoso es una variable aleatoria geomtrica con: p=0.1 (probabilidad de que un solo fusible sea defectuoso) q= 1 p = 0.9 La probabilidad de que el primer fusible defectuoso sea uno de los primeros cinco fusibles probados es: b) La media la varianza y la desviacin estndar de esta variable aleatoria geomtrica son:

PROBLEMA 3
3.-Suponga que el hecho de encontrar petrleo en un sitio de perforacin es independiente de encontrarlo en otro y que, en una regin determinada, 3 de cada 10 excavaciones que se hacen son exitosas. a) Qu probabilidad hay de que un perforador encuentre petrleo en su tercera perforacin antes? b) Si y es el nmero de perforaciones hasta que ocurre el primer xito, calcule la media y la desviacin estndar de y. c) Es probable que y sea mayor que 10?. Explicar el razonamiento.

SOLUCIN
a)X=Tercera perforacin

q=(1-p) por lo tanto 1-0.3 = 0.7 f(x;p) = pqx-1, para x= 1,2,3