23.07 几何分布

几何分布知识点全面梳理

几何分布（Geometric Distribution）是概率论中研究一系列独立重复试验时最常用的离散型概率分布之一。

---

一、 几何分布的核心概念

1. 试验背景：伯努利试验

几何分布建立在伯努利试验的基础上。试验具有以下特征：

• 每次试验只有两种可能的结果：成功（记为 $A$）或失败（记为 $\bar{A}$）。
• 每次试验中成功的概率恒为 $p$（$0<p<1$），则失败的概率为 $q=1-p$。
• 各次试验之间是相互独立的。

2. 实际模型与定义

在上述试验条件下，记首次成功时已经进行的试验次数为随机变量 $X$。则 $X$ 服从参数为 $p$ 的几何分布，记作： $X\sim Ge(p)\text{或}X\sim G(p)$

• 直观理解：前 $k-1$ 次试验全部失败，第 $k$ 次试验终于成功了。
• 自变量取值：$X$ 的可能取值为 $1,2,3,\dots ,n,\dots$（理论上可以无限大）。

---

二、 几何分布的概率分布律 (PMF)

由于前 $k-1$ 次全失败（概率为 $(1-p{)}^{k-1}$），第 $k$ 次成功（概率为 $p$），且各次试验独立，根据事件独立性的乘法公式，其**概率质量函数（Distribution Law）**为：

$P(X=k)=(1-p{)}^{k-1}p,k=1,2,3,\dots$

概率和的完备性检验（为什么叫几何分布？）

所有可能概率之和必须为 1。我们利用等比数列（几何级数）求和公式进行验证： ${\sum }_{k=1}^{\infty }P(X=k)={\sum }_{k=1}^{\infty }(1-p{)}^{k-1}p=p\cdot \frac{1}{1-(1-p)}=p\cdot \frac{1}{p}=1$ 因为其概率各项构成了一个以 $p$ 为首项、$1-p$ 为公比的无穷几何级数（等比数列），故而得名“几何分布”。

---

三、 几何分布的数字特征

对于 $X\sim Ge(p)$，其核心数字特征如下（常考公式，务必熟记）：

1. 数学期望（均值）

$E(X)=\frac{1}{p}$

• 含义：如果成功的概率是 $p$，那么平均需要试验 $\frac{1}{p}$ 次才能第一次成功。例如，射击命中率为 $0.2$，则平均需要打 $\frac{1}{0.2}=5$ 发子弹才能第一次中靶。

2. 方差

$D(X)=\frac{1-p}{p^2}$

---

四、 几何分布的重要性质

1. 无记忆性 (Memoryless Property) —— 核心独特性质

几何分布是唯一具有无记忆性的离散型概率分布。

• 数学表达：对任意的正整数 $m,n$，有： $P(X>m+n\mid X>m)=P(X>n)$
• 直观理解：假设你已经连续失败了 $m$ 次（即 $X>m$），在这个条件下，你还需要再试验至少 $n$ 次才能成功的条件概率，与你一开始就宣布需要试验至少 $n$ 次才能成功的概率是完全一样的。
• 人话解释：硬币没有记忆。即便你前面连续倒霉地抛了 10 次反面，第 11 次抛出正面的概率仍然是 $p$，过去的失败不会对未来的成功率有任何“攒人品”的加成。

2. 累积概率公式 (CDF 相关)

几何分布的某些区间概率非常有规律，做题时经常作为大招使用：

• 试验超过 $n$ 次才成功的概率（前 $n$ 次全失败）： $P(X>n)=(1-p{)}^n$
• 前 $n$ 次之内就成功的概率： $P(X\le n)=1-P(X>n)=1-(1-p{)}^n$

---

💡 易混淆点辨析：几何分布 vs 二项分布 vs 超几何分布

分布类型	核心关注点	抽样方式	独立性
二项分布 $B(n,p)$	固定试验 $n$ 次，关注成功了多少次	有放回抽样 / 独立重复	独立
几何分布 $Ge(p)$	试验次数不固定，关注第几次首次成功	有放回抽样 / 独立重复	独立
超几何分布 $H(N,M,n)$	固定抽 $n$ 个，关注抽到多少个特定产品	无放回抽样	不独立

---

🛠️ 常见应用场景模型

1. 中靶/通关模型：某个射手不断射击直到中靶为止，求开枪次数。
2. 产品检验：质检员对流水线产品进行逐个检验，直到发现第一个次品为止。
3. 游戏抽卡：在不考虑保底机制的情况下，连续单抽直到出货所需的抽卡次数。