几何分布计算器

几何分布计算器

几何分布计算器用于计算实现第一次成功所需的独立伯努利试验次数的精确概率。输入每次试验的成功概率和试验次数（或失败次数），即可立即获得点概率和累积概率、逐步解题步骤、动画演示的试验序列、PMF/CDF 图表以及完整的分布表。本工具全面支持两种参数化方式：试验次数和成功前的失败次数。

什么是几何分布？

几何分布是一种离散概率分布，它模拟了在一系列伯努利试验中获得第一次成功所需的独立试验次数。每次试验具有相同的成功概率 p 和失败概率 q = 1 − p。它是指数分布的离散模拟，也是唯一具有无记忆性的离散分布。

两种常见的参数化方式

几何分布有两种标准形式，这经常引起混淆。本计算器同时支持这两种形式：

• 试验次数参数化 (X)： X 计数第一次成功发生的试验序号。X 取值为 1, 2, 3, …，且 P(X = k) = (1 − p)^k−1 × p。均值为 1/p。
• 失败次数参数化 (Y)： Y 计数第一次成功前的失败次数。Y 取值为 0, 1, 2, …，且 P(Y = k) = (1 − p)^k × p。均值为 (1 − p)/p。注意 Y = X − 1。

几何分布 PMF 公式

对于试验次数参数化（本计算器中的默认设置）：

P(X = k) = (1 − p)^k−1 × p，对于 k = 1, 2, 3, …

直观理解很简单：前 (k − 1) 次试验必须全部失败（每次概率为 1 − p），而第 k 次试验必须成功（概率为 p）。由于各次试验是独立的，我们将这些概率相乘。

CDF（累积分布函数）

CDF 有一个简洁的闭合形式表达式：

P(X ≤ k) = 1 − (1 − p)^k

这给出了第一次成功在第 k 次试验（含）之内发生的概率。它相当于 1 减去所有 k 次试验全部失败的概率。

均值、方差和其他统计量

• 均值（期望值）： E[X] = 1/p — 平均而言，你需要 1/p 次试验才能获得第一次成功。
• 方差： Var(X) = (1 − p) / p² — 当 p 较小时（成功较罕见），方差较大。
• 标准差： σ = √((1 − p) / p²)
• 中位数： ⌈−1 / log₂(1 − p)⌉ — 使得 P(X ≤ k) ≥ 0.5 的最小 k 值。
• 众数： 始终为 1 — 最可能的结果是在第一次试验中就获得成功。
• 偏度： (2 − p) / √(1 − p) — 始终为正（右偏）。

无记忆性

几何分布是唯一具有无记忆性的离散分布：

P(X > s + t | X > s) = P(X > t)

这意味着如果你已经失败了 s 次，那么至少还需要 t 次试验才能成功的概率，与你从头开始尝试的概率是一样的。过去的失败不会改变未来的概率——这在逻辑上是合理的，因为每次试验都是独立的。

常见应用

• 抛硬币 — 直到第一次出现正面需要抛多少次？当 p = 0.5 时，期望次数为 2 次。
• 销售与市场营销 — 直到达成第一笔交易需要打多少个冷启动电话？如果转化率为 5%，平均预计需要打 20 个电话。
• 质量控制 — 在发现第一个缺陷产品之前必须检验多少个产品？模拟罕见事件的等待时间。
• 赌博和游戏 — 直到掷出 6 点需要掷多少次骰子？当 p = 1/6 时，期望次数为 6 次。
• 网络可靠性 — 直到一次成功传输需要进行多少次数据包传输？模拟计算机网络中的重传协议。
• 遗传学 — 直到出现具有特定性状的后代需要产生多少个后代？适用于性状遗传遵循孟德尔比例的情况。

与其他分布的关系

• 负二项分布： 几何分布是负二项分布在 r = 1（等待正好 1 次成功）时的特例。
• 指数分布： 几何分布是连续指数分布的离散模拟。两者都具有无记忆性。
• 伯努利分布： 每次试验都遵循伯努利分布。几何分布计算直到第一次成功为止的伯努利试验次数。

如何使用此计算器

1. 输入每次试验的成功概率 (p)。该值必须介于 0（不含）和 1（含）之间。
2. 选择参数化方式：试验次数 (k = 1, 2, 3, …) 或成功前的失败次数 (k = 0, 1, 2, …)。
3. 输入 k 的值。
4. 点击“计算概率”以查看精确概率和累积概率、逐步解题步骤、动画试验序列、PMF/CDF 图表以及完整的分布表。
5. 使用快捷场景按钮立即探索常见的现实案例。

常见问题解答

几何分布用于什么？

几何分布模拟获得第一次成功所需的独立试验次数。每当你想回答“在我成功之前我需要尝试多少次？”这个问题，且假设每次尝试的成功概率相同时，就可以使用它。常见应用包括销售电话分析、质量检验、赌博、网络重传和遗传学。

两种参数化方式有什么区别？

试验次数参数化计数第一次成功的试验序号（从 1 开始），而失败次数参数化计数第一次成功前的失败次数（从 0 开始）。它们之间恰好相差 1：如果 X 是试验次数，那么 Y = X − 1 就是失败次数。两者对于对应的 k 都会给出相同的概率值。

什么是无记忆性？

无记忆性意味着过去的失败不影响未来成功的概率。如果你已经抛了 10 次公正硬币都没有得到正面，那么还需要抛正好 1 次才能得到正面的概率仍然是 0.5——硬币不会“记得”过去的抛掷。几何分布是唯一具有此性质的离散分布。

几何分布与负二项分布有什么关系？

几何分布是负二项分布的一个特例，即你等待 r = 1 次成功。负二项分布将其推广为等待 r 次成功，其中 r 可以是任何正整数。

为什么众数始终是 1？

众数始终是 1（在失败次数参数化中为 0），因为最可能的单个结果是在第一次试验中就获得成功——其概率为 p，这是 PMF 的最高可能值。随后的每次试验概率都会严格降低，因为它首先需要额外的一次失败。