MAKALAH

DISTRIBUSI GEOMETRIK

Nama Kelompok :
1. M. Arifiranda P. (170601016)
2. M. Rifki Imansyah (170601017)
3. A. Sukma Amrul M. (170601018)
4. M. Rafli Rafsanjani (170601021)

FAKULTAS TEKNIK INDUSTRI

UNIVERSITAS MUHAMMADIYAH
GRESIK
2018
Distribusi geometrik

Dalam teori probabilitas dan statistik , distribusi geometrik adalah salah satu dari dua distribusi
probabilitas diskrit :
Distribusi probabilitas dari X jumlah percobaan Bernoulli yang diperlukan untuk mendapatkan
satu kesuksesan, didukung pada himpunan {1, 2, 3, ...}
Distribusi probabilitas dari jumlah Y = X - 1 dari kegagalan sebelum keberhasilan pertama,
didukung pada himpunan {0, 1, 2, 3, ... }

Yang satu ini sebut sebagai "" distribusi geometrik adalah masalah konvensi dan kenyamanan.

Kedua distribusi geometris yang berbeda tidak harus bingung dengan satu sama lain. Seringkali,
namabergeser distribusi geometrik diadopsi untuk mantan satu (distribusi jumlah X), namun,
untuk menghindari ambiguitas, itu dianggap bijaksana untuk menunjukkan yang dimaksudkan,
dengan menyebutkan dukungan secara eksplisit.

Ini adalah probabilitas bahwa kejadian pertama keberhasilan memerlukan k jumlah percobaan
independen, masing-masing dengan probabilitas keberhasilan p. Jika probabilitas keberhasilan
pada setiap percobaan adalah p, maka probabilitas bahwa k th trial (uji coba dari k) adalah
keberhasilan pertama adalah

untuk k = 1, 2, 3, ....

Bentuk atas distribusi geometrik yang digunakan untuk memodelkan jumlah percobaan sampai
keberhasilan pertama. Sebaliknya, bentuk berikut distribusi geometrik digunakan untuk
memodelkan jumlah kegagalan sampai keberhasilan pertama:

untuk k = 0, 1, 2, 3, ....

Dalam kedua kasus, urutan probabilitas adalah barisan geometri .

Misalnya, seorang biasa die dilemparkan berulang kali sampai pertama kalinya "1" muncul.
Distribusi probabilitas dari jumlah kali itu dilemparkan didukung pada himpunan tak terhingga
{1, 2, 3, ... } Dan distribusi geometris dengan p = 1/6.
Moments dan cumulants [ sunting ]

The nilai yang diharapkan dari geometris didistribusikan variabel acak X adalah 1 / p dan varians

adalah (1 - p) /p 2:

Demikian pula, nilai yang diharapkan dari geometris didistribusikan random variabel Y (Y di
mana sesuai dengan PMF tercantum di kolom kanan) adalah (1 - p) / p, dan varians adalah (1 - p)

/ p 2:

Biarkan μ = (1 - p) / p menjadi nilai yang diharapkan dari Y. Kemudian cumulants dari

distribusi probabilitas dari Y memenuhi rekursi

Garis bukti: Itu nilai yang diharapkan adalah (1 - p) / p dapat ditunjukkan dengan cara berikut.

Mari Y menjadi seperti di atas. Kemudian

(The interchange dari penjumlahan dan diferensiasi dibenarkan oleh fakta bahwa konvergen
deret pangkat konvergen seragam pada kompak himpunan bagian dari himpunan titik-titik di
mana mereka berkumpul.)
Estimasi Parameter [ sunting ]

Untuk kedua varian dari distribusi geometrik, parameter p dapat diperkirakan dengan
menyamakan nilai yang diharapkan dengan rata-rata sampel . Ini adalah metode momen , yang
dalam hal ini terjadi untuk menghasilkan kemungkinan maksimum estimasi p. [ rujukan? ]

Secara khusus, untuk varian pertama membiarkan k = k 1, ..., k n menjadi sampel di mana k i ≥ 1

untuk i = 1, ..., n. Kemudian p dapat diperkirakan sebagai

Dalam inferensi Bayesian , yang distribusi Beta adalah konjugat sebelum distribusi untuk
parameter p. Jika parameter ini diberikan Beta (α, β) sebelumnya , maka distribusi posterior

adalah[ rujukan? ]

Posterior berarti E [p] pendekatan estimasi maksimum likelihood sebagai α dan β mendekati
nol.

Dalam kasus alternatif, mari k 1, ..., k n menjadi sampel di mana k i ≥ 0 untuk i = 1, ..., n.

Kemudian p dapat diperkirakan sebagai

Distribusi posterior p diberi Beta (α, β) sebelumnya adalah [ rujukan? ]

Sekali lagi posterior mean E [p] pendekatan estimasi maksimum likelihood sebagai α dan β
mendekati nol.
Properti Lainnya [ sunting ]
Para fungsi probabilitas menghasilkan X dan Y masing-masing adalah,

Seperti analog terus-menerus (pada distribusi eksponensial ), distribusi geometrik adalah

memoryless . Itu berarti bahwa jika Anda berniat untuk mengulangi percobaan sampai
keberhasilan pertama, kemudian, mengingat bahwa keberhasilan pertama belum terjadi,
distribusi probabilitas bersyarat dari jumlah percobaan tambahan tidak tergantung pada berapa
banyak kegagalan telah diamati. Yang mati melempar koin atau satu lemparan tidak memiliki
"memori" dari kegagalan ini. Distribusi geometrik adalah satu-satunya distribusi diskrit
memoryless.
Di antara semua distribusi probabilitas diskrit didukung pada {1, 2, 3, ... } Dengan yang
diberikan diharapkan nilai μ, distribusi X geometrik dengan parameter p = 1 / μ adalah satu
denganentropi terbesar . [ rujukan? ]
Distribusi geometrik dari jumlah Y kegagalan sebelum keberhasilan pertama adalah tak
terhingga dibagi , yaitu, untuk setiap bilangan bulat positif n, terdapat variabel acak independen
terdistribusi secara identik Y 1, ..., Y n yang jumlahnya memiliki distribusi yang sama bahwa Y
memiliki . Ini tidak akan geometris didistribusikan kecuali n = 1, mereka mengikuti distribusi
binomial negatif .
Angka desimal yang didistribusikan secara geometris random variabel Y adalah urutan
independen variabel acak (dan tidak terdistribusi secara identik) [. rujukan? ] Sebagai contoh,
ratusan digit D memiliki distribusi probabilitas ini:

di mana q = 1 - p, dan juga untuk lainnya

digit, dan, lebih umum, juga untuk sistem angka dengan basis selain 10. Ketika dasar adalah 2,
hal ini menunjukkan bahwa variabel acak yang terdistribusi secara geometris dapat ditulis
sebagai jumlah variabel acak independen yang probabilitas distribusi adalah yg tak dpt dibagi .
Golomb coding adalah optimal kode awalan [ klarifikasi diperlukan ] untuk distribusi diskrit
geometris. [ rujukan? ]
Distribusi terkait [ sunting ]
The geometris distribusi Y adalah kasus khusus dari distribusi binomial negatif , dengan r = 1.
Secara umum, jika Y 1, ..., Y r adalah independen variabel terdistribusi secara geometris dengan

parameter p, maka jumlah tersebut mengikuti distribusi binomial negatif dengan

parameter r dan p. [1]
Jika Y 1, ..., Y r adalah variabel geometris didistribusikan independen (dengan sukses mungkin
berbeda parameter p m), maka mereka minimum juga geometris

didistribusikan, dengan parameter [ rujukan? ]

Misalkan 0 <r <1, dan untuk k = 1, 2, 3, ... variabel acak X k memiliki distribusi Poisson dengan

yang diharapkan nilai r k / k. Kemudian memiliki distribusi geometrik mengambil nilai

dalam himpunan {0, 1, 2, ...}, dengan nilai yang diharapkan r / (1 - r). [ rujukan? ]
The distribusi eksponensial adalah analog kontinu dari distribusi geometrik. Jika X adalah
variabel random eksponensial dengan parameter λ, maka dimana adalah lantai
(atau bilangan bulat terbesar) fungsi, adalah variabel acak yang terdistribusi secara geometris
dengan parameter p = 1 - e - λ (sehingga λ =-ln (1 - p) [2] ) dan mengambil nilai dalam
himpunan {0, 1 , 2, ...}. Hal ini dapat digunakan untuk menghasilkan angka pseudorandom
didistribusikan secara geometris dengan terlebih dahulu menghasilkan didistribusikan secara
eksponensial nomor pseudorandom dari seragam nomor pseudorandom generator yang :
kemudian secara geometris didistribusikan dengan parameter , Jika
terdistribusi secara seragam dalam [0,1].
Contoh soal :

• Pada seleksi karyawan baru sebuah perusahaan terdapat 3 dari 10 pelamar sarjana komputer
sudah mempunyai keahlian komputer tingkat advance dalam pembuatan program. Para
pelamar diinterview secara intensive dan diseleksi secara random.

Pertanyaan :

• Hitunglah prosentase yang diterima dari jumlah pelamar yang ada.

• Berapa probabilitas pertama kali pelamar diterima pada 5 interview yang dilakukan?

• Berapakah rata-rata pelamar yang membutuhkan interview guna mendapatkan satu calon yang
punya advance training

Jawaban:

• 3 sarjana komputer yang diterima dari sejumlah 10 calon

Prosentase yang diterima = 3/10*100%= 30%

• f(x)= p. qx-1 , x=1,2,3,4,5

f(5)=(0,3)(0,7)4=0.072

• E(x)=1/p=1/0,3=3,333