Distribuição geométrica
Se cada tentativa dá certo com probabilidade 0,25, o primeiro sucesso vem exatamente na terceira com probabilidade 0,140625, e em média são necessárias 4 tentativas. Informe a chance de sucesso e o número da tentativa e receba os dois valores. Grátis no seu navegador.
- Grátis
- Funciona no seu navegador
- Sem cadastro
- Seus dados não saem do seu aparelho
Executar grátis
Exemplo resolvido
- Potência (W)
- 0,25
- K
- 3
- Q
- 0,75
- Probabilidade
- 0.140625
- Número da probabilidade
- 0,140625
- Porcentagem da probabilidade
- 14.0625
A distribuição geométrica responde a uma pergunta simples de tentativas repetidas: se cada tentativa tem a mesma probabilidade de sucesso p, qual a chance de o primeiro sucesso cair exatamente na tentativa k? Estudantes encontram esse modelo nos livros; analistas, em laços de retentativa, funis de vendas e checagens de qualidade. Esta capacidade avalia a forma clássica de tentativas até o primeiro sucesso da lei geométrica: P(X igual a k) é (1 menos p) elevado a (k menos 1), vezes p, para inteiros positivos k. Também devolve a esperança E[X] igual a um sobre p, a variância e a probabilidade acumulada de que o primeiro sucesso já tenha ocorrido até a tentativa k. As entradas são validadas de forma estrita: p deve estar no intervalo semiaberto (0, 1], e k deve ser um inteiro positivo dentro dos limites publicados.
O que o modelo geométrico cobre e como a probabilidade é definida
Imagine ensaios de Bernoulli independentes que têm sucesso com probabilidade fixa p e falham com probabilidade q igual a um menos p. Continue até o primeiro sucesso aparecer. A variável aleatória X é o número da tentativa desse primeiro sucesso, de modo que o suporte são os inteiros positivos um, dois, três e assim por diante.
Exatamente um caminho produz um primeiro sucesso na tentativa k: falhar nas primeiras k menos um tentativas e depois ter sucesso na tentativa k. Como as tentativas são independentes, esse caminho tem probabilidade q elevado a (k menos um) vezes p. Essa expressão é a função massa de probabilidade devolvida por esta calculadora.
A esperança segue da série padrão da lei geométrica: em média você precisa de um sobre p tentativas antes do primeiro sucesso, então um processo com p igual a um quarto espera quatro tentativas. A variância é q sobre p ao quadrado, que cresce quando sucessos são raros.
A função de distribuição acumulada F de k é um menos q elevado a k, a probabilidade de que o primeiro sucesso já tenha ocorrido na ou antes da tentativa k—útil quando uma política diz «desista após dez tentativas» e você quer a chance de já ter tido sucesso até então. Esta página usa deliberadamente a convenção de tentativas até o sucesso (suporte começa em um), não a de falhas antes do sucesso (suporte começa em zero).
Ambas aparecem na literatura; deslocam k em um e mudam a esperança de um sobre p para q sobre p. Demos no estilo cara ou coroa com p igual a um meio e k pequeno são fáceis de checar à mão: para k igual a três você obtém (um meio) ao quadrado vezes um meio igual a um oitavo.
Casos-limite são tratados de forma explícita: quando p é um, o primeiro sucesso é certo na tentativa um e impossível depois; quando p se aproxima de zero a massa se espalha sobre k grandes e a esperança cresce sem limite—por isso p igual a zero é rejeitado em vez de devolver um infinito silencioso.
Dicas práticas, limites e diferenças em relação a ferramentas relacionadas
Não confunda esta página com ferramentas binomiais ou contadores de combinações em outras partes do kit: a lei binomial conta quantos sucessos ocorrem em um número fixo de tentativas, enquanto a geométrica para no primeiro sucesso e trata o índice da tentativa como aleatório. Páginas de probabilidade de soma de dados respondem a outra intenção de busca—somas de faces poliedrais—, não esperas de Bernoulli repetidas.
Se precisar da parametrização de falhas antes do sucesso, converta: o número de falhas antes do primeiro sucesso é X menos um, com esperança q sobre p; esta calculadora mantém a forma de número da tentativa porque combina com a frase «primeiro sucesso na tentativa k» nas consultas de busca. Validação falha nunca gasta saldo pré-pago, então scripts exploratórios podem sondar bordas barato.
Casos de uso
Design de retentativa e polling
Dada uma taxa de sucesso estimada por tentativa, calcule a chance de o primeiro sucesso cair na tentativa k e o número médio de tentativas antes de um serviço responder.
Controle de qualidade e amostragem de inspeção
Modele inspeções independentes de itens até o primeiro defeito (ou a primeira aprovação) e reporte tanto a probabilidade da tentativa k quanto a contagem esperada de inspeções.
Perguntas frequentes
Qual convenção geométrica isto usa?
Tentativas até o primeiro sucesso: X é o número da tentativa do primeiro sucesso, então k começa em 1 e P(X=k)=(1-p)^(k-1)*p com E[X]=1/p.
Quais valores de p são permitidos?
p deve estar em (0, 1]: maior que zero e no máximo um.
O resultado é aproximado ou exato?
As fórmulas são exatas; a avaliação em ponto flutuante usa espaço logarítmico para k grandes para a FMP permanecer estável. Não se usa amostragem aleatória.
A calculadora de distribuição geométrica é grátis?
A ferramenta do navegador é grátis e roda localmente.
Qual a chance de já ter tido sucesso até a tentativa k?
É o valor acumulado: um menos a chance de falha elevada a k. Com chance de sucesso 0,25 e a terceira tentativa, dá 0,578125, útil quando uma regra manda desistir depois de certo número de tentativas.
Ferramentas relacionadas
Para desenvolvedores — acesso via API
Tudo nesta página está disponível via API. Esta seção é para equipes que querem integrar a ferramenta aos próprios sistemas; quem não precisa disso pode simplesmente usar a ferramenta acima.
Endpoint
Autenticação por token Bearer. Um único POST coloca a tarefa na fila; o resultado chega por webhook ou link assinado.
Chame do seu código
curl -X POST https://api.kit.forhosting.com/prob/geometric-distribution \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"p":0.25,"k":3}'const res = await fetch("https://api.kit.forhosting.com/prob/geometric-distribution", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"p": 0.25,
"k": 3
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/prob/geometric-distribution",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"p": 0.25,
"k": 3
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/prob/geometric-distribution", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"p":0.25,"k":3}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"p":0.25,"k":3}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/prob/geometric-distribution", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)Exemplo de requisição
{
"p": 0.25,
"k": 3
}Exemplo de resposta
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "prob.geometric_distribution",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}A API é assíncrona: cada chamada devolve um task_id na hora. Se preferir polling, consulte o status a até 1 requisição por segundo.
Preço
Preço publicado, sem tokens nem créditos escondidos. Tarefa que falha não é cobrada.
Limites
max_k | 1000000 |
Erros
| HTTP | Código | O que significa |
|---|---|---|
401 | unauthorized | Token ausente ou inválido. Confira o header Authorization. |
402 | insufficient_balance | Saldo insuficiente para esta tarefa. Faça uma recarga e tente de novo. |
404 | unknown_type | Esse tipo de tarefa não existe. Confira o campo type no catálogo. |
429 | rate_limited | Muitas requisições em pouco tempo. Espere um instante e tente de novo. |
Notas técnicas
Valores de p fora de zero a um são rejeitados com invalid_input para que respostas de dever de casa e retentativas de produção permaneçam honestas.
O que o modelo geométrico cobre e como a probabilidade é definida
Se o seu livro escreve P de Y igual a k como q à k vezes p com k a partir de zero, traduza definindo o k desta ferramenta como Y mais um, ou compare só o p compartilhado e a fórmula da FMP impressa no JSON.
Como chamar a API e ler a resposta JSON
Deve ser um número finito estritamente maior que zero e no máximo um. Duas strings de fórmula documentam a convenção para que UIs posteriores mostrem a mesma definição que as pessoas buscaram. Checagem clássica: p igual a zero ponto dois cinco e k igual a três produz probabilidade zero ponto um quatro zero seis dois cinco, tentativas esperadas quatro e variância doze. Outra: p igual a um e k igual a um produz probabilidade um e tentativas esperadas um; o mesmo p com k igual a dois produz probabilidade zero. Envie um corpo JSON com dois campos obrigatórios. O campo p é a probabilidade de sucesso em cada tentativa; os aliases probability, success_p e prob são aceitos. O campo k é o índice da tentativa do primeiro sucesso que importa; os aliases trial, n e trials mapeiam para o mesmo significado. k deve ser um inteiro de um a um milhão. Uma resposta bem-sucedida ecoa p e k normalizados, a probabilidade de falha q, e a FMP como string decimal aparada (probability) e como double IEEE (probability_number) mais uma string percentual. Também devolve expected_trials como um sobre p, variance como q sobre p ao quadrado, e a FDA em k como cdf e cdf_number. O preço é um valor fixo de US$ 0,002 por requisição bem-sucedida com unidade item e preço unitário marginal zero. Prefira probability (string) quando precisar de dígitos estáveis de exibição; use probability_number quando for encadear mais matemática de ponto flutuante em um script cliente.
Dicas práticas, limites e diferenças em relação a ferramentas relacionadas
Fique com k no máximo um milhão para que a avaliação em espaço logarítmico da FMP fique barata no Worker e no navegador. Em demos de sala de aula, prefira pares de livro pequenos—p igual a um meio com k de um a cinco, ou p igual a um décimo com k igual a dez—para que os alunos expandam (um menos p) à potência (k menos um) à mão e confrontem a API linha a linha. Ao modelar retentativas de software, mapeie o «número da tentativa» para k e a taxa de sucesso observada para p; expected_trials então indica o número médio de tentativas antes de um endpoint saudável responder, e a FDA indica com que frequência você termina dentro de um limite de tentativas orçado. Prefira os campos de fórmula impressos ao documentar soluções de dever, e prefira expected_trials a inversas ad hoc de p em planilha para que toda a equipe compartilhe a mesma definição da espera média.
Casos de integração
Deveres e laboratórios de ensino de probabilidade
Atribua exercícios de FMP e esperança geométricas e deixe os alunos checar P(X=k) e E[X]=1/p contra um resultado determinístico de API ou do navegador gratuito.
Perguntas técnicas
O que significa expected_trials?
É E[X] = 1/p, o número médio de tentativas independentes necessárias até o primeiro sucesso sob este modelo geométrico.