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].

sumber: http://en.wikipedia.org/wiki/Geometric_distribution