Compreender a Distribuição Geométrica com Exemplos de Vida Real

A distribuição geométrica é uma distribuição de probabilidade discreta fundamental que modela o número de tentativas necessárias para alcançar o primeiro sucesso numa sequência de ensaios Bernoulli independentes e distribuídos de forma idêntica. A sua simplicidade e interpretação intuitiva tornam-na uma ferramenta de referência para analisar problemas de espera entre a indústria, saúde, jogos, desportos e ciência de dados. Neste artigo, vamos além do básico para explorar a distribuição geométrica em profundidade, derivar as suas propriedades-chave, ilustrar com cenários vívidos do mundo real e conectá-la a modelos relacionados como as distribuições binomiais negativas e exponenciais. Você também aprenderá as falhas comuns e como aplicar a distribuição em fluxos de análise modernos.

O que é a distribuição geométrica?

A distribuição geométrica descreve o número de ensaios de Bernoulli necessários para obter o primeiro sucesso. Cada ensaio tem dois resultados: sucesso com probabilidade p (em que 0 < p ≤ 1) e falha com probabilidade 1 − p. Crucialmente, as tentativas são independentes; o resultado de uma tentativa não influencia as tentativas posteriores, e a probabilidade de sucesso p A distribuição é um modelo natural para qualquer evento de primeira ocorrência numa experiência repetida, o primeiro item defeituoso, a primeira reclamação do cliente, o primeiro lançamento livre bem sucedido.

Existem duas parametrizações comuns, e é essencial identificar qual delas o seu problema usa:

  • Versão 1 (perigos até o primeiro sucesso): A variável aleatória \( X \) conta o número total de tentativas, incluindo a tentativa bem- sucedida. O seu suporte é \( k = 1, 2, 3, \ pontos \). A função de massa de probabilidade (PMF) é \( P( X = k) = (1- p)^{ k- 1} p \).
  • Versão 2 (falhas antes do primeiro sucesso): A variável aleatória \( Y \) conta apenas o número de falhas que precedem o primeiro sucesso. O seu suporte é \( k = 0, 1, 2, \ pontos \). O PMF é \( P( Y = k) = (1- p)^k p \).

Ao longo deste artigo, usaremos principalmente a versão 1 (contando o total de ensaios), salvo indicação em contrário. As duas versões são matematicamente equivalentes e diferem apenas por uma mudança de 1: \( X = Y + 1 \).

Propriedades Chaves da Distribuição Geométrica

Propriedade Sem Memória

A distribuição geométrica é a única distribuição discreta com a propriedade sem memória. Formalmente, para uma variável aleatória distribuída geometricamente \( X \),

\( P( X > n + m \ m / m X > n) = P( X > m) \) para todos os inteiros não negativos \( n, m \).

Interpretação: Se você já esperou por \( n \) tentativas sem sucesso, a probabilidade de que você precisará esperar pelo menos \( m \) mais tentativas é exatamente a mesma que a probabilidade de precisar de pelo menos \( m \) tentativas desde o início. Falhas passadas não mudam as probabilidades futuras. Esta propriedade só possui as distribuições geométricas (discretas) e exponenciais (contínua). Na prática, significa que processos como o flipping de moedas ou o decaimento radioativo -- onde cada tentativa é independente -- são bem modelados pela distribuição geométrica. Processos onde ocorre o aprendizado ou fadiga (por exemplo, um jogador de basquete que melhora com a prática) violam esta propriedade.

Fórmulas para Média, Variância e CDF

Para a versão 1 (X = número de ensaios), os momentos e funções principais são:

  • Valor esperado (média): \( \mu = \frac{1}{p} \)
  • Variância: \( \sigma^2 = \frac{1 - p}{p^2} \)
  • Desvio- padrão: \( \sigma = \sqrt{\frac{1 - p}{p^2}} \)
  • Função de distribuição cumulativa (CDF): \( F( k) = P( X \le k) = 1 - (1 - p)^k \)
  • Função de geração de momentos (MFF): \( M X( t) = \frac{ p e^t}{1 - (1- p)e^t} \) para \( t < -\ln(1-p) \)

Estas fórmulas são fáceis de calcular e interpretar. Por exemplo, se \( p = 0,1 \), então o número esperado de tentativas para um sucesso é 10, a variância é 90, e o desvio padrão é de cerca de 9.49. O grande spread reflete a alta variabilidade inerente à espera de um evento raro. O CDF permite-nos calcular a probabilidade de sucesso por uma determinada tentativa, que é especialmente útil para o planejamento.

Forma e inclinação

A distribuição geométrica é sempre correcta. p é pequeno (por exemplo 0,05), a inclinação é extrema: a maioria da massa de probabilidade se senta em valores pequenos, mas a cauda se estende para a direita porque falhas podem acumular-se. p aumenta acima de 0,5, a inclinação diminui e a distribuição fica mais elevada na primeira tentativa. k = 1, porque o resultado mais provável é que o resultado seja imediatamente sucedido (probabilidade \( p \)). A forma é frequentemente descrita como uma deterioração exponencial discreta.

Exemplos de vida real da distribuição geométrica

As fórmulas abstratas ganham significado através de aplicações de concreto. Expandimos em vários domínios onde a distribuição geométrica é tanto natural quanto informativa.

Controle de Qualidade na Manufatura

Uma fábrica produz placas de circuito. Devido à variabilidade do processo, cada placa tem uma probabilidade fixa p = 0,02 de defeito. Um inspetor testa placas uma a uma até que a primeira placa com defeito seja encontrada. O número de placas testadas (incluindo a defeituosa) segue uma distribuição geométrica com \( p = 0,02 \). O número esperado de testes é 1 / 0,02 = 50 placas.

A probabilidade de que o primeiro defeito apareça exatamente no 30o teste é \( P( X = 30) = (0,98)^{29} \ times 0,02 \aprox 0,011 \). A probabilidade de que o inspetor precise de 100 ou menos testes para encontrar o primeiro defeito é \( P( X \le 100) = 1 - (0,98)^{100} \aprox 0.867 \). Os engenheiros de fabricação usam esses cálculos para definir intervalos de inspeção, alocar recursos e determinar se o processo está operando em uma taxa de defeito aceitável. Se o número observado de placas boas antes de um defeito for consistentemente inferior ao previsto pelo modelo geométrico, ele pode sinalizar uma mudança na qualidade do processo.

Triagem Médica e Epidemiologia

Durante um surto de doença, unidades de testes móveis amostram indivíduos de uma população. Suponha que a verdadeira prevalência da doença é p = 0,005 (0,5 %). O número de testes realizados até ao primeiro resultado positivo segue uma distribuição geométrica. O número esperado é de 1 / 0,005 = 200 testes. As autoridades de saúde podem estimar a probabilidade de que irão precisar testar 500 pessoas antes de detectar o primeiro caso: \( P( X > 500) = (0,995)^{500} \aprox 0,082 \), o que significa cerca de 8% do tempo que irá levar mais de 500 testes. Este modelo ajuda na previsão das necessidades de recursos, especialmente quando a prevalência é baixa e a capacidade de teste é limitada.

No entanto, a suposição de independência pode ser violada se os indivíduos infectados agruparem geograficamente - uma abordagem de amostragem de clusters pode ser mais realista. Nesses casos, a distribuição geométrica ainda fornece uma base de base útil.

Shows de Jogos e Concursos

Um concorrente num programa de televisão pressiona um botão que acende um indicador verde (win) ou vermelho (lose). A probabilidade de ganhar cada imprensa é p = 0,15. O concorrente pode pressionar repetidamente até que uma vitória ocorra. O número de prensas (incluindo a imprensa vencedora) é geometricamente distribuído. Os produtores do show podem calcular o número esperado de rodadas por concorrente: 1 / 0,15 □ 6,67 rodadas.

Eles também sabem que 15% dos concorrentes ganham na primeira imprensa, 12,75% na segunda imprensa, 10,84% na terceira, etc Esta distribuição guia o tempo para quebras comerciais e orçamentos de prêmios. Curiosamente, o “tempo de espera” para um sucesso em um show de jogos é muitas vezes mais curto do que os espectadores intuitivamente esperam porque subestimam a alta probabilidade de sucesso precoce devido à redução da cauda geométrica.

Análise de Esportes

Um jogador de beisebol tem uma média de rebatendo de 0,300 carreira, o que significa que a probabilidade de obter um hit em um dado at-bat é p = 0,30. Se observarmos os seus at-bats num jogo até terem o seu primeiro sucesso, o número de at-bats segue uma distribuição geométrica. O número esperado de at-bats é de 1 / 0,30 .33. A probabilidade de ficarem sem sucesso em três at-bats (ou seja, precisarem de mais de três) é \( P(X > 3) = (0,70)^3 = 0,343 \). Na prática, os analistas desportivos usam este modelo para avaliar a raquidez: se os tempos de espera observados pelo jogador se desviarem da distribuição geométrica, pode indicar que a hipótese de probabilidade constante por at-bat é inválida devido a combinações de jarrotas, fadiga ou outros factores.

A distribuição geométrica serve como um modelo nulo contra o qual as estrias podem ser testadas.

Atendimento ao Cliente e Centros de Chamadas

Um call center recebe centenas de chamadas por hora. p = 0,03. O número de chamadas tratadas até que a primeira chamada técnica seja geometricamente distribuída com média 1 / 0,03 .3 Um supervisor pode calcular a probabilidade de que a primeira chamada técnica apareça dentro das primeiras 50 chamadas: \( P(X \le 50) = 1 - (0,97)^{50} \aprox 0,782 \). Esta informação ajuda na formação de pessoal de agentes técnicos especializados de suporte e na definição de benchmarks de desempenho. Se o tempo de espera observado for consistentemente mais curto do que o modelo geométrico prevê, pode indicar um aumento em questões técnicas (por exemplo, após uma atualização de software).

Distribuição Geométrica vs. Distribuição Relacionada

Distribuição Binomial Negativa

A distribuição binomial negativa generaliza a distribuição geométrica modelando o número de ensaios necessários para alcançar um número fixo de sucessos r (em que r ≥ 1 é um inteiro). O seu PMF é \( P( X = k) = \binom{ k- 1}{ r- 1} p^r (1- p)^{ k- r} \) para \( k = r, r+1, r+2, \ pontos \). r = 1, o coeficiente binomial é igual a 1 e o FPM reduz-se à geométrica. Assim, a distribuição geométrica é um caso especial do binomial negativo. No seguro, o binômio negativo modela o número de reivindicações até um determinado limiar; na ecologia, modela o número de indivíduos encontrados até que uma espécie rara seja vista uma segunda vez. Compreender a distribuição geométrica ajuda a construir intuição para o binomial negativo mais complexo.

Distribuição Exponencial

A distribuição exponencial é o análogo contínuo da distribuição geométrica. Enquanto as contagens geométricas são discretas, os modelos exponenciais que esperam por um processo de Poisson contínuo (por exemplo, tempo até à próxima decaimento radioactivo). Ambas as distribuições partilham a propriedade sem memória. A ligação é feita com precisão, tomando o tempo entre as tentativas como uma constante Δt e deixando Δt → 0 enquanto ajusta a probabilidade de sucesso por ensaio para manter a constante taxa. Esta relação é usada na análise de sobrevivência e engenharia de fiabilidade para aproximar tempos de espera discretos com modelos contínuos.

Por exemplo, o tempo até que a primeira falha do equipamento numa fábrica possa ser modelada com uma distribuição, dependendo se as falhas são observadas continuamente ou em intervalos de inspecção discretos.

Distribuição de Poisson

A distribuição de Poisson modela o número de eventos num intervalo fixo de tempo ou espaço. A distribuição geométrica, por contraste, modela o número de tentativas até um evento. Ambos estão ligados através do conceito de tempos de espera: num processo de Poisson, o tempo de espera entre eventos consecutivos é distribuído exponencialmente (contínuo) ou, se os eventos forem observados em épocas discretas, geometricamente distribuídos. Esta ligação é essencial para a teoria de filas e gestão de inventários.

Como calcular probabilidades de distribuição geométrica

Vamos dar um exemplo completo. Você está fazendo um teste de múltipla escolha com quatro opções por pergunta. Você adivinhou aleatoriamente em cada pergunta, então a probabilidade de uma resposta correta é p = 0,25. Você quer a probabilidade de que a primeira resposta correta ocorra na quarta pergunta.

  1. Identificar a distribuição: Esta é uma distribuição geométrica (Versão 1) porque estamos contando testes até o primeiro sucesso.
  2. Indicar o FMP: \( P( X = k) = (1- p)^{ k- 1} p \).
  3. Valores de ligação: \( k = 4 \), \( p = 0,25 \). Em seguida, \( P( X = 4) = (0,75)^{3} \times 0,25 = 0,421875 \times 0,25 = 0,10546875 \aprox 0,1055 \).

Assim, há cerca de 10,55% de chance de que o primeiro palpite correto ocorra na quarta pergunta. Você também pode calcular a probabilidade de que você terá respondido corretamente pela quarta pergunta: \( P(X \le 4) = 1 - (0,75)^4 = 1 - 0,31640625 = 0,68359375 \aprox 68,36\% \). Esta probabilidade cumulativa é muitas vezes mais útil na tomada de decisões do mundo real, como decidir quantas perguntas responder antes de abandonar uma estratégia de adivinhação.

Em Python, você pode computar estes diretamente usando para o PMF e para o CDF. Em R, use (porque R usa a versão de falhas) ou para a abordagem binomial negativa.

Aplicações em Ciência de Dados e Aprendizagem de Máquinas

A distribuição geométrica aparece mais frequentemente nos fluxos de trabalho de dados modernos do que muitos analistas percebem:

  • A/B Teste e Modelação de Conversão: Ao medir as taxas de conversão em experiências online, o número de visitas de usuário até um evento de conversão é frequentemente distribuído geometricamente. Isto permite aos analistas calcularem os tamanhos de amostra esperados e definirem as regras de parada. Por exemplo, se a probabilidade de conversão de base for 0.02, você espera que 50 visitas vejam a primeira conversão. Esta informação ajuda no desenho de experiências e na análise de energia.
  • Aprendizagem de Reforço e Problemas de Bandidos: Em algoritmos de banditismo multi-armados, a distribuição geométrica modela o tempo entre tentativas de exploração quando um agente explora repetidamente um braço subótimo. A decisão do agente de explorar após uma série de falhas pode ser enquadrada como um tempo de espera geométrico, o que ajuda a ajustar os trade-offs de exploração-exploração.
  • Detecção de Anomalias: Os sistemas de segurança da rede monitoram eventos como tentativas de autenticação ou pacotes de dados. O número de eventos normais antes do primeiro evento malicioso pode ser modelado geometricamente. Se o tempo de espera observado for muito mais curto do que o esperado, é disparado um alarme. A distribuição geométrica fornece uma base teórica para definir os limiares com base no CDF.
  • Processamento de Linguagem Natural: A distribuição geométrica aparece em modelos de ocorrência de palavras, particularmente quando se modela a distância entre tokens raros em um corpus de texto. Alguns modelos de linguagem estatística usam tempos de espera geométricos para gerar sequências de palavras com padrões de esparsidade específicos. Também, na recuperação de informações, o número de vezes que um usuário precisa refinar uma consulta antes de encontrar um resultado relevante pode seguir uma distribuição geométrica.
  • Teoria da fila: Nos sistemas de serviços, o número de clientes que chegam antes de um cliente prioritário (por exemplo, um VIP) é geométrico. Isso ajuda a projetar disciplinas de fila e prever tempos de espera para diferentes classes de clientes.

Concepção e armadilhas comuns

  1. Confundindo as duas versões da distribuição geométrica. Sempre esclareça se o seu problema conta com o total de testes (incluindo o sucesso) ou falhas antes do sucesso. Um problema que diz que “o primeiro sucesso ocorre na 5a tentativa” usa a Versão 1; um problema que diz que “3 falhas ocorrem antes do primeiro sucesso” usa a Versão 2. A misidentificação leva a probabilidades incorretas.
  2. Assumir a independência quando não se mantém. A distribuição geométrica só é válida quando os ensaios são independentes e p é constante. Na triagem médica, pacientes sucessivos do mesmo domicílio podem compartilhar o status de infecção, violando a independência. Na fabricação, defeitos podem ser agrupados devido ao desgaste da máquina. Verifique sempre os pressupostos antes de aplicar o modelo geométrico.
  3. Ignorando as implicações da propriedade sem memória. Como a distribuição geométrica pressupõe que falhas passadas não têm efeito na probabilidade de sucesso futura, pode não ser apropriado para processos com aprendizagem ou fadiga. Por exemplo, um vendedor que ganha confiança após muitas chamadas não se encaixa no modelo sem memória. Nesses casos, considere distribuições alternativas como a Beta-geométrica ou uma cadeia Markov.
  4. A interpretação errada da média como o resultado mais provável. O valor esperado de uma distribuição geométrica é 1/p, mas isto não é necessariamente um inteiro. O modo (o mais provável valor único) é sempre 1. Assim, enquanto o número médio de tentativas pode ser 10, o resultado mais comum é o sucesso no primeiro ensaio. Esta distinção é importante para comunicar resultados.

Conclusão

A distribuição geométrica é simples, mas poderosaA sua elegância reside nas fórmulas de forma fechada para o PMF, CDF, média e variância, bem como na sua propriedade sem memória única. Ao explorar exemplos da vida real — desde o controlo da qualidade da fábrica e a triagem de doenças até aos programas de jogos e análises desportivas — vemos como a distribuição proporciona insights accionáveis para o planeamento de recursos, avaliação de riscos e tomada de decisões. As suas ligações com as distribuições binomiais negativas e exponenciais colocam-na numa família mais ampla de modelos de espera utilizados nas estatísticas e na aprendizagem de máquinas. Com a prática, aprenderá a reconhecer quando a distribuição geométrica é apropriada e a aplicá-la eficazmente no seu próprio trabalho.

Para mais estudos, consultar o artigo completo da Wikipédia e a Notas de SticiGui da UC Berkeley. A Khan série de vídeo da Academia oferece explicações visuais acessíveis. Para aplicações mais avançadas, consulte Preprint recente sobre distribuição geométrica em testes A/BDominar esta distribuição vai aguçar a sua intuição probabilística e prepará-lo para modelos mais complexos.