Distribución Geométrica

La distribución geométrica es un modelo adecuado para aquellos procesos en los que se

repiten pruebas hasta la consecución del éxito a resultado deseado y tiene interesantes
aplicaciones en los muestreos realizados de esta manera. También implica la existencia de
una dicotomía de posibles resultados y la independencia de las pruebas entre sí. Esta
distribución se puede hacer derivar de un proceso experimental puro o de Bernouilli en el
que tengamos las siguientes características:
· El proceso consta de un número no definido de pruebas o experimentos separados o
separables. El proceso concluirá cuando se obtenga por primera vez el resultado deseado
(éxito).
· 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 "extracción" éste se llevará a, cabo con
devolución del individuo extraído) .
· (Derivación de la distribución). Si en estas circunstancias aleatorizamos de forma que
tomemos como variable aleatoria X = el número de pruebas necesarias para obtener por
primera vez un éxito o resultado A, esta variable se distribuirá con una distribución
geométrica de parámetro p.

La distribución geométrica es cualquiera de las dos distribuciones de probabilidad discretas

siguientes:
 Si X ={ 1,2 ,… } es el número necesario para obtener un éxito.
 Si X ={ 0,1,2 , … } es el número de fracasos antes del primer éxito.

Notación:
Si una variable discreta aleatoria X sigue una distribución geométrica con parámetro
0< p<1 entonces se escribirá X Geométrica ( p ) o simplemente X Geo ( p ).
Función de probabilidad: Si la variable discreta aleatoria X se usa para modelar el
número total de intentos hasta obtener el primer éxito en una sucesión de ensayos
independientes Bernoulli en donde en cada uno de ellos la probabilidad de éxito es p
entonces la función de probabilidad de X Geométrica ( p ) es:
x−1
p ( 1− p ) para X =1,2,3 , …

Función de distribución acumulativa: Si X Geométrica ( p ) entonces la función de

distribución está dada por:
1−( 1−p )x−1 para X =1,2,3 , …

Esperanza: Si X es una variable aleatoria discreta con distribución geométrica:

1
E ( X )=
p

Varianza: Si X es una variable aleatoria discreta con distribución geométrica:

1− p
V ( X )=
p2

Desviación estándar: Si X es una variable aleatoria discreta con distribución geométrica:

σ x=
√ 1− p
p

Ejemplo: Suponga que cada una de sus llamadas a una estación de radio popular tiene una
probabilidad de 0.02 de ser respondida. Asumiendo que las llamadas son independientes, a)
¿cuál es la probabilidad de que le respondan a la décima llamada? b) ¿Cuál es el número
medio de llamadas para conectar?
Éxito: llamada respondida
Fracaso: llamada no respondida
Y la variable aleatoria X: número de llamadas a la radio antes de ser atendido.

p=0.02
1− p=0.98
a) Probabilidad de que respondan a la décima llamada.
x−1
f ( X )=( 1− p ) p
10−1
f ( X )=( 0.98 ) ( 0.02 )
9
f ( X )=( 0.98 ) ( 0.02 )
f ( X )=0.0167

b) Número medio de llamadas para conectar.

1
E ( X )=
p
1
E ( X )= =50
0.02
 Distribución multinomial
La distribución multinomial o distribución multinómica es una generalización de la
distribución binomial cuando el experimento aleatorio considerado no tiene sólo dos
resultados posibles, éxito o fracaso, sino tres o más.
La distibución multinomial M ( n , p1 , … , p n ) proporciona proabilidades de obtener, en m
repeticiones independientes de un experimento, x 1 veces el suceso A1, x 2 veces el suceso A2
, x n veces el suceso An , donde dichos sucesos forman una partición del espacio muestral, es
decir: Ω=A 1 ∪ A 2 ∪ … ∪ A n tal que Ai ∩ A j=∅ para i≠ j y donde pi= p [ Ai ] , por tanto, se
n n
cumple ∑ pi =∑ p [ A i ] =1
i=1 i=1

Función de probabilidad: La función de probabilidad de la distribución multinomial es:

k
n!
p1 … p k cuando ∑ x i=n
x1 x k

n1 ! … nk ! i=1

Esperanza: La esperanza matemática del suceso i observado en n pruebas es:

E ( X i ) =n pi

Varianza: La varianza es: V ( X i ) =n p i (1− pi )

Ejemplo: Un dado de seis caras se lanza 12 veces. Determina la probabilidad de obtener

cada cara dos veces.
n!
P= p 1x … pk x
1 k

n1 ! … nk !
P1=1/6, n1=2
P2=1/6, n2=2
P3=1/6, n3=2
P4=1/6, n4=2
P5=1/6, n5=2
P6=1/6, n6=2
n=12
Sustituyendo:
n! x x
P= p 1 … pk
1 k

n1 !… nk !

()()()()()()
2 2 2 2 2 2
12! 1 1 1 1 1 1
P= ∙ ∙ ∙ ∙ ∙ ∙
2 ! ∙2 ! ∙ 2!∙ 2!∙ 2 ! ∙2 ! 6 6 6 6 6 6
P=0.003438