Calcolatore Distribuzione Geometrica

Calcolatore Distribuzione Geometrica

Il Calcolatore di Distribuzione Geometrica calcola le probabilità esatte per il numero di prove di Bernoulli indipendenti necessarie per ottenere il primo successo. Inserisci la probabilità di successo per prova e il numero della prova (o il numero di fallimenti) per ottenere istantaneamente le probabilità puntuali e cumulative, soluzioni passo-passo, visualizzazioni animate della sequenza di prove, grafici PMF/CDF e una tabella di distribuzione completa. Entrambe le parametrizzazioni — numero della prova e fallimenti prima del successo — sono completamente supportate.

Cos'è la Distribuzione Geometrica?

La distribuzione geometrica è una distribuzione di probabilità discreta che modella il numero di prove indipendenti necessarie per ottenere il primo successo in una sequenza di prove di Bernoulli. Ogni prova ha la stessa probabilità p di successo e probabilità q = 1 − p di fallimento. È l'analogo discreto della distribuzione esponenziale ed è l'unica distribuzione discreta con la proprietà di assenza di memoria.

Due Parametrizzazioni Comuni

La distribuzione geometrica ha due forme standard, il che spesso causa confusione. Questo calcolatore supporta entrambe:

• Parametrizzazione delle prove (X): X conta il numero della prova in cui si verifica il primo successo. X assume valori 1, 2, 3, … e P(X = k) = (1 − p)^k−1 × p. La media è 1/p.
• Parametrizzazione dei fallimenti (Y): Y conta il numero di fallimenti prima del primo successo. Y assume valori 0, 1, 2, … e P(Y = k) = (1 − p)^k × p. La media è (1 − p)/p. Nota che Y = X − 1.

La Formula della PMF Geometrica

Per la parametrizzazione delle prove (quella predefinita in questo calcolatore):

P(X = k) = (1 − p)^k−1 × p, per k = 1, 2, 3, …

L'intuizione è semplice: le prime (k − 1) prove devono essere tutti fallimenti (ciascuna con probabilità 1 − p), e la k-esima prova deve essere un successo (probabilità p). Poiché le prove sono indipendenti, moltiplichiamo queste probabilità insieme.

CDF (Funzione di Distribuzione Cumulativa)

La CDF ha un'espressione pulita in forma chiusa:

P(X ≤ k) = 1 − (1 − p)^k

Questo fornisce la probabilità che il primo successo avvenga entro le prime k prove. È equivalente a 1 meno la probabilità che tutte le k prove siano fallimenti.

Media, Varianza e Altre Statistiche

• Media (Valore Atteso): E[X] = 1/p — In media, sono necessarie 1/p prove per ottenere il primo successo.
• Varianza: Var(X) = (1 − p) / p² — Varianza più elevata quando p è piccolo (il successo è raro).
• Deviazione Standard: σ = √((1 − p) / p²)
• Mediana: ⌈−1 / log₂(1 − p)⌉ — Il k più piccolo tale che P(X ≤ k) ≥ 0.5.
• Moda: Sempre 1 — L'esito più probabile è il successo alla prima prova.
• Asimmetria (Skewness): (2 − p) / √(1 − p) — Sempre positiva (asimmetria a destra).

La Proprietà di Assenza di Memoria

La distribuzione geometrica è l'unica distribuzione discreta con la proprietà di assenza di memoria:

P(X > s + t | X > s) = P(X > t)

Ciò significa che se hai già fallito s volte, la probabilità di aver bisogno di almeno t prove in più è la stessa come se stessi ricominciando da capo. I fallimenti passati non cambiano le probabilità future — il che ha senso perché ogni prova è indipendente.

Applicazioni Comuni

• Lancio della Moneta — Quanti lanci fino alla prima testa? Con p = 0.5, il numero atteso è 2 lanci.
• Vendite e Marketing — Quante chiamate a freddo fino alla prima vendita? Se il tasso di conversione è del 5%, aspettati circa 20 chiamate in media.
• Controllo Qualità — Quanti articoli devono essere ispezionati prima di trovare il primo difetto? Modella il tempo di attesa per eventi rari.
• Gioco d'Azzardo e Giochi — Quanti lanci di un dado fino a ottenere un 6? Con p = 1/6, il numero atteso è 6 lanci.
• Affidabilità di Rete — Quante trasmissioni di pacchetti fino a quando una ha successo? Modella i protocolli di ritrasmissione nelle reti di computer.
• Genetica — Quanti discendenti fino a quando non ne appare uno con un tratto specifico? Si applica quando l'ereditarietà dei tratti segue i rapporti mendeliani.

Relazione con Altre Distribuzioni

• Binomiale Negativa: La distribuzione geometrica è un caso speciale della binomiale negativa con r = 1 (attesa di esattamente 1 successo).
• Esponenziale: La distribuzione geometrica è l'analogo discreto della distribuzione esponenziale continua. Entrambe hanno la proprietà di assenza di memoria.
• Bernoulli: Ogni prova segue una distribuzione di Bernoulli. La distribuzione geometrica conta quante prove di Bernoulli sono necessarie fino al primo successo.

Come Usare Questo Calcolatore

1. Inserisci la probabilità di successo (p) per prova. Deve essere compresa tra 0 (escluso) e 1 (incluso).
2. Scegli la parametrizzazione: numero della prova (k = 1, 2, 3, …) o fallimenti prima del successo (k = 0, 1, 2, …).
3. Inserisci il valore di k.
4. Clicca su "Calcola Probabilità" per vedere le probabilità esatte e cumulative, le soluzioni passo-passo, una sequenza di prove animata, i grafici PMF/CDF e la tabella di distribuzione completa.
5. Usa i pulsanti degli scenari rapidi per esplorare istantaneamente esempi comuni del mondo reale.

Domande Frequenti

A cosa serve la distribuzione geometrica?

La distribuzione geometrica modella il numero di prove indipendenti necessarie per ottenere il primo successo. Viene utilizzata ogni volta che si desidera rispondere alla domanda "Quante volte devo provare prima di riuscire?" assumendo che ogni tentativo abbia la stessa probabilità di successo. Le applicazioni comuni includono l'analisi delle chiamate di vendita, l'ispezione della qualità, il gioco d'azzardo, la ritrasmissione di rete e la genetica.

Qual è la differenza tra le due parametrizzazioni?

La parametrizzazione delle prove conta il numero della prova del primo successo (a partire da 1), mentre la parametrizzazione dei fallimenti conta il numero di fallimenti prima del primo successo (a partire da 0). Differiscono esattamente di 1: se X è il numero della prova, allora Y = X − 1 è il conteggio dei fallimenti. Entrambe forniscono lo stesso valore di probabilità per il k corrispondente.

Cos'è la proprietà di assenza di memoria?

La proprietà di assenza di memoria significa che i fallimenti passati non influenzano la probabilità di successo futuro. Se hai già lanciato una moneta equa 10 volte senza ottenere testa, la probabilità di aver bisogno di esattamente 1 altro lancio è ancora 0.5 — la moneta non "ricorda" i lanci passati. La distribuzione geometrica è l'unica distribuzione discreta con questa proprietà.

In che modo la distribuzione geometrica è correlata alla binomiale negativa?

La distribuzione geometrica è un caso speciale della distribuzione binomiale negativa in cui si attende esattamente r = 1 successo. La binomiale negativa generalizza questo all'attesa di r successi, dove r può essere qualsiasi intero positivo.

Perché la moda è sempre 1?

La moda è sempre 1 (o 0 nella parametrizzazione dei fallimenti) perché l'unico esito più probabile è il successo alla primissima prova — questo ha probabilità p, che è il valore più alto possibile della PMF. Ogni prova successiva ha una probabilità strettamente inferiore perché richiede prima un fallimento aggiuntivo.