幾何分佈

幾何分佈

概率質量函數
累積分佈函數
參數	$0<p\leq 1$成功概率（實）	$0<p\leq 1$成功概率（實）
支撐集	$k\in \{1,2,3,\dots \}\!$	$k\in \{0,1,2,3,\dots \}\!$
概率質量函數（pmf）	$(1-p)^{k-1}\,p\!$	$(1-p)^{k}\,p\!$
累積分佈函數 (cdf)	$1-(1-p)^{k}\!$	$1-(1-p)^{k+1}\!$
期望值	${\frac {1}{p}}\!$	${\frac {1-p}{p}}\!$
中位數	$\left\lceil {\frac {-1}{\log _{2}(1-p)}}\right\rceil \!$（如果$-1/\log _{2}(1-p)$是整數，則中位數不唯一）	$\left\lceil {\frac {-1}{\log _{2}(1-p)}}\right\rceil \!-1$（如果$-1/\log _{2}(1-p)$是整數，則中位數不唯一）
眾數	$1$	$0$
方差	${\frac {1-p}{p^{2}}}\!$	${\frac {1-p}{p^{2}}}\!$
偏度	${\frac {2-p}{\sqrt {1-p}}}\!$	${\frac {2-p}{\sqrt {1-p}}}\!$
超值峰度	$6+{\frac {p^{2}}{1-p}}\!$	$6+{\frac {p^{2}}{1-p}}\!$
熵	${\tfrac {-(1-p)\log _{2}(1-p)-p\log _{2}p}{p}}\!$	${\tfrac {-(1-p)\log _{2}(1-p)-p\log _{2}p}{p}}\!$
矩生成函數 (mgf)	${\frac {pe^{t}}{1-(1-p)e^{t}}}\!$, for $t<-\ln(1-p)\!$	${\frac {p}{1-(1-p)e^{t}}}\!$
特徵函數	${\frac {pe^{it}}{1-(1-p)\,e^{it}}}\!$	${\frac {p}{1-(1-p)\,e^{it}}}\!$

在概率論和統計學中，幾何分佈（英語：Geometric distribution）指的是以下兩種離散型機率分布中的一種：

• 在伯努利試驗中，得到一次成功所需要的試驗次數$X$。$X$的值域是{ 1, 2, 3, ... }

• 在得到第一次成功之前所經歷的失敗次數$Y=X-1$。Y的值域是{ 0, 1, 2, 3, ... }

實際使用中指的是哪一個取決於慣例和使用方便。

這兩種分佈不應該混淆。前一種形式（$X$的分佈）經常被稱作shifted geometric distribution；但是，為了避免歧義，最好明確地說明取值範圍。

如果每次試驗的成功概率是$p$，那麼$k$次試驗中，第$k$次才得到成功的概率是，

$\Pr(X=k)=(1-p)^{k-1}\,p\,$

其中$k=1,2,3,\ldots$.

上式描述的是取得一次成功所需要的試驗次數。而另一種形式，也就是第一次成功之前所失敗的次數，可以寫為，

$\Pr(Y=k)=(1-p)^{k}\,p\,$

其中$k=0,1,2,3,\ldots$

兩種情況產生的序列都是幾何數列。這是幾何分佈的名字來源。

比如，假設不停地擲骰子，直到得到1。投擲次數是隨機分佈的，取值範圍是無窮集合{ 1, 2, 3, ... }，並且是一個$p={\frac {1}{6}}$的幾何分佈。

性質

呈幾何分佈的隨機變量X的期望值是1/p，方差是 （1-p)/p²:

$\mathrm {E} (X)={\frac {1}{p}},\qquad \mathrm {var} (X)={\frac {1-p}{p^{2}}}.$

幾何分佈具有非記憶性的性質（Memoryless Property，又稱遺失記憶性）

這表示如果一個隨機變量呈幾何分佈，它的條件概率遵循：

$P(T>s+t\;|\;T>t)=P(T>s)\;\;{\hbox{for all}}\$s, t ∈ℕ.

記號

若隨機變量${\mathit {X}}$服從參數為${\mathit {p}}$的幾何分佈，則記為$X\sim G(p)$.

用途

在重複多次的伯努利試驗中，試驗進行到某種結果出現第一次為止，此時的試驗總次數服從幾何分佈，如：射擊，首次擊中目標時的次數。

參見

• 機率分布
• 超幾何分佈
• 負二項分佈
• 指數分佈