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.
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, ....
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:
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
Dalam kasus alternatif, mari k 1, ..., k n menjadi sampel di mana k i ≥ 0 untuk i = 1, ..., n.
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,
sumber: http://en.wikipedia.org/wiki/Geometric_distribution