几何分布 Geometric Distribution

已于 2023-06-29 16:41:50 修改
阅读量314 收藏
点赞数
文章标签： 概率论
于 2023-06-25 21:14:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DreamABCDEF/article/details/131386025
版权

目录

Bernouilli 随机变量

几何分布 Geometric Distribution

无记忆性 Memoryless Property

  • Bernouilli 随机变量

    • 定义：
      • An individual trial has only two possible outcomes.
      • 一个实验只有两个可能的结果，可以分为成功和失败。

  • 几何分布 Geometric Distribution

    • 定义：进行独立的Bernouilli实验，直到第k次才成功的概率，且每次实验成功概率均为p（失败的概率为q=1-p）。
    • 表达式：p(y)=q^{y-1}p, y = 1, 2, 3..., 0\leq p\leq1
    • 期望：\mu = E[Y]= \frac{1}{p}
    • 方差：\sigma^2 = V(Y) = \frac{1-p}{p^2}

  • 无记忆性 Memoryless Property

    • 引入：一支笔使用a小时后还能使用b小时的概率=一支新笔能使用b小时的概率。
    • 如果一个概率分布具有无记忆性的特征，那么它满足：P(Y>a+b|Y>a)=P(Y>b)
    • 证明：

P(Y>a+b)=\sum_{a+b+1}^{\infty}pq^{y-1}=p\sum_{a+b+1}^{\infty}q^{y-1}=p(q^{a+b}+...q^\infty)=pq^{a+b}\frac{1-q^\infty}{1-q}\\ \because 0<q<1, \therefore \lim_{t \rightarrow \infty}q^t=0, \therefore P(Y>a+b)=pq^{a+b}\frac{1}{p}=q^{a+b}\\ \rightarrow P(Y>a)=q^a, P(Y>b)=q^b\\ P(Y>a+b|Y>a)=\frac{P(Y>a+b\cap Y>a)}{P(Y>a)}=\frac{P(Y>a+b)}{P(Y>a)}=q^b=P(Y>b)

DreamABCDEF
关注
R语言几何分布函数Geometric Distribution（dgeom, pgeom, qgeom & rgeom）实战
data+scenario+science+insight
09-04 1440
R语言几何分布函数Geometric Distribution（dgeom, pgeom, qgeom & rgeom）实战 目录 R语言几何分布函数Geometric Distribution（dgeom, pgeom, qgeom & rgeom）实战 #生成几何分布计算及可视化 # 几何分布累积分布函数计算及可视化 #几何分布分位函数计算及可视化 # 生成符合几何分布的随机数 #生成几何分布计算及可视化 x_dgeom <- seq(0, 20, by
R语言使用pgeom函数生成几何分布累积分布函数数据、使用plot函数可视化几何分布累积分布函数数据(Geometric Distribution)
statistics+insight+vista+power
02-28 543
R语言使用pgeom函数生成几何分布累积分布函数数据、使用plot函数可视化几何分布累积分布函数数据(Geometric Distribution)
几何分布GeometricDistribution
yingfly的专栏
02-26 1万+
几何分布 几何分布用于描述这种分布：独立事件的结果只有2个：”1和0“ 或”成功和失败“等，成功的概率为ppp, 失败的概率为q=1−pq=1-pq=1−p; 第r次成功的概率为 P(X=r)=p⋅qr−1P(X=r)=p\cdot q^{r-1}P(X=r)=p⋅qr−1 即用来描述进行多次伯努利事件，第1次成功次数的概率；换句话说每一次事件都有成功和失败的可能，所关心的是第一次成功的概率或取得第一次成功需要试验的次数。 期望 ：E(X)=1p\displaystyle E(X)=\frac {1}{p}
概率统计21——指数分布和无记忆性
imherer的博客
02-01 5276
　　指数分布（Exponential distribution）是一种连续型概率分布，可以用来表示独立随机事件发生的时间间隔的概率，比如婴儿出生的时间间隔、旅客进入机场的时间间隔、打进客服中心电话的时间间隔、系统出现bug的时间间隔等等。 指数分布的由来 　　指数分布与泊松分布存在着联系，它实际上可以由泊松分布推导而来。 　　 　　泊松分布（概率统计15）中已经介绍过泊松分布，除了作为二项分布的近似外，当独立事件发生的频率固定时，泊松分布还可以刻画算单位时间内事件发生次数的概率分布。 　　假设某个...
R语言指数分布
qq_27390023的博客
06-11 6941
指数函数的一个重要特征是无记忆性（Memoryless Property，又称遗失记忆性）。这表示如果一个随机变量呈指数分布，当s,t>0时有P(T>t+s|T>t)=P(T>s)。即，如果T是某一元件的寿命，已知元件使用了t小时，它总共使用至少s+t小时的条件概率，与从开始使用时算起它使用至少s小时的概率相等。 Density, distribution function, quantile function and random generation for the exponential distri
伽玛分布 Gamma Distribution
DreamABCDEF的博客
06-29 3112
Gamma Distribution
数学加强 第一节 第十九课
我是小白呀的博客
11-19 1673
[toc] 指数分布的无记忆性 指数函数的一个重要特征是无记忆性 ( 遗失记忆性, Memoryless Property ). 如果一个随机变量呈指数分布, 当 s,t >=0 时有: 即, 如果 x 是某电器元件的寿命, 已知元件使用了 s 小时, 则共使用至少 s+t 小时的条件概率, 与从未使用用开水至少使用 t 小时的概率相等. 二元正态分布 总结 ...
几何分布 (Geometric Distribution)
赵宗义的专栏
05-20 6229
本文内容参考了此处. 若随机变量XXX服从参数为ppp的几何分布, 则有 Pr⁡(X=k)=(1−p)kp\Pr(X=k) = (1 - p)^kpPr(X=k)=(1−p)kp 其中k=0,1,⋯k=0, 1, \cdotsk=0,1,⋯ E(X)=1−ppE(X) = \frac{1-p}{p}E(X)=p1−p​ 证明: E(X)=∑k=0+∞kPr⁡(X=k)=∑k=0+∞k(1−p)kpE(X) = \sum_{k=0}^{+\infty}k\Pr(X=k) = \sum_{k=0}^{+\i
几何分布（一种离散分布）
一个搬运知识的笨小孩
02-16 1万+
几何分布 几何分布是伯努利分布的推广，不断重复伯努利试验，直到首次成功为止，随机变量XXX表示首次成功时已经完成的试验次数，我们称 XXX 是一个服从几何分布的随机变量 截图来源：Geometric distribution 我们这里介绍的是第一种几何分布 均值和方差 我们用 μX\mu_XμX​ 表示均值 第一次试验成功，成功概率为 ppp，已经完成的试验次数 X=1X=1X=1，此轮试验的期望 1⋅p1\cdot p1⋅p 第一次试验失败，已经完成试验次数 X=1X=1X=1，期望为 1⋅(1
R语言使用dgeom函数生成几何分布密度函数数据、使用plot函数可视化几何分布密度函数数据(Geometric Distribution)
statistics+insight+vista+power
04-01 480
R语言使用dgeom函数生成几何分布密度函数数据、使用plot函数可视化几何分布密度函数数据(Geometric Distribution)
Laplace distribution (拉普拉斯分布)
热门推荐
Hansry的博客
12-26 2万+
在概率论和统计学中，拉普拉斯是一种连续概率分布。由于它可以看做是俩个不同位置的指数分布背靠背拼在一起，所以它也叫做双指数分布。如果随机变量的概率密度函数分布为：那么他就是拉普拉斯分布。u为位置参数，b>0是尺度参数。与正态分布相比，正态分布是用相对于u平均值的差的平方来表示，而拉普拉斯概率密度用相对于差的绝对值来表示。因此，拉普拉斯的尾部比正态分布更加平坦。用matlab给出拉普拉斯分布的绘图：
【概率论】指数分布 Exponential Distribution
北境の守望者
09-02 1万+
要先理解 泊松分布, 再过来看指数分布. 泊松分布是单位时间内独立事件发生次数的概率分布，指数分布是独立事件的时间间隔的概率分布。二者共享同一个参数 λλ\lambda, 因为指数分布描述的是两个独立事件之间发生的事件间隔, 是个连续分布, 而且依经验 λλ\lambda 越大, 这个时间间隔就越小, 而且应该就近似等于 1λ1λ\frac 1 \lambda. PDF 记做 p(x;λ)=λ1...
指数分布与幂律分布定义及不同（泊松分布、伽马分布）
上下求索
07-18 1万+
1、定义 (1)幂律分布（pow law distribution），其概率密度函数形式如下，这种分布的共性是绝大多数事件的规模很小，而只有少数事件的规模相当大。 y=cx-r 其中x，y是正的随机变量，c，r均为大于零的常数。 对上式两边取对数，可知lny与lnx满足线性关系lny=lnc-rlnx，也即在双对数坐标下，幂律分布表现为一条斜率为幂指数的负数的直线，这一线性关系是判断给
概率分布
weixin_43975220的博客
11-24 297
1.1基本概念 随机变量：在同一组条件下，每一次实验都会出现不同的结果，并且所有的结果都能列举出来，即X1，X2……Xn。具有概率P(X1)，P(X2)……P(Xn),其中P(Xi) = P(X=Xi)，称为概率函数（probability function），则X称为P(X)的随机变量，反之称为概率函数 可以说，随机变量是用随机事件描述随机现象的数量关系的推广，且随机变量在概率论和数据统计研...
初等数论--欧拉函数积性的证明
bdn_nbd的博客
05-09 354
初等数论--欧拉函数积性的证明
概统期末复习--速成
2302_79340870的博客
05-06 480
两种分析 两个解法解题方法求未知参数已知f(x,y)，反求参数，用规范性——区域内的不定积分=1注意函数区域D画对，这样积分上下限才是对的二重积分：一个积分积完，结果直接代入到下一重积分内，化简即得求区域密度区域要写成该题要求和题目的区域的交集y的上下限，穿y——从下至上求边缘密度函数给对方定积分，就会把对方消掉求概率值不能代0，但是函数可以为0，所以别漏掉积分上下限：y从下到上。x从左到右边缘密度的每一个区域都要重新求条件密度=联合密度/边缘密度独立与否。
实训商业源码-橙色购物中心应用程序移动个人中心页面-毕业设计.zip
05-09
实训商业源码-橙色购物中心应用程序移动个人中心页面-毕业设计.zip
mamba 讲解说明ppt
最新发布
05-09
关于mamba的一些内容，起源创新点等等
全国大学生电子设计竞赛介绍(20190716151135).pdf
05-09
电子设计竞赛相关资源
二项分布和几何分布的区别
06-14
二项分布和几何分布是概率论中两种常见的离散随机变量的分布，它们在实际应用中有各自的特性和用途。 **1. 二项分布（Binomial Distribution）**： - 它描述的是在一系列独立的伯努利试验中，成功事件发生的次数的随机变量。比如，抛硬币n次，正面朝上k次的概率就符合二项分布。 - 参数有两个：试验次数n（固定）和每次试验成功的概率p（也可能是未知的），记作X~B(n, p)。 - 总体结果可以总结为：P(X=k) = C(n, k) * p^k * (1-p)^(n-k)，其中C(n, k)是组合数，表示从n次中取k次的方法数。 **2. 几何分布（Geometric Distribution）**： - 几何分布更关注单次试验成功的累积概率，即直到第一次成功的次数，比如抛硬币直到出现正面。 - 这里的随机变量Y表示第一次成功的试验次数，而试验总是独立且有相同的失败概率p。 - 参数只有一个：每次试验成功的概率p（不考虑试验次数）。 - 几何分布的概率质量函数是：P(Y=k) = p * (1-p)^(k-1)，对于k=1,2,3,... **区别**： - **试验次数**：二项分布涉及固定次数的试验，而几何分布关注的是首次成功的次数，次数可变。 - **成功定义**：二项分布是固定数量的成功事件，如硬币正面次数；几何分布关注的是首次成功事件发生前的尝试次数。 - **概率计算**：二项分布在每个可能的结果上都有一个独立的概率；几何分布则是在每次试验的失败累积后获得成功概率。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值