几何分布是离散还是连续

几何分布是离散型概率分布。几何分布其中一种定义为：在n次伯努利试验中，试验k次才得到第一次成功的机率。详细地说，是：前k-1次皆失败，第k次成功的概率。几何分布是帕斯卡分布当r=1时的特例。在伯努利试验中，成功的概率为p，若ξ表示出现首次成功时的试验次数，则ξ是离散型随机变量，它只取正整数，且有P（ξ=k）=（1-p）的（k-1）次方乘以p （k=1，2，…，0<p<1），此时称随机变量ξ服从几何分布。它的期望为1/p，方差为（1-p）/（p的平方）。

小编还为您整理了以下内容，可能对您也有帮助：

什么是几何分布

几何分布

（

Geometric

distribution

）是

离散型

概率分布

。其中一种定义为：在第n次

伯努利试验

中，试验k次才得到第一次成功的机率。详细的说，是：前k-1次皆失败，第k次成功的概率。

编辑本段公式

公式：

它分两种情况：

1.得到1次成功而进行，n次伯努利实验，n的概率分布，

取值范围

为『1，2，3，...』;

2.m

=

n-1次失败，第n次成功，m的概率分布，取值范围为『0，1，2，3，...』.

由两种不同情况而得出的期望和方差如下：

E(n)

=

1/p,

var(n)

=

(1-p)/p^2;

E(m)

=

(1-p)/p,

var(m)

=

(1-p)/p^2。

概率为p的事件A，以X记A首次发生所进行的试验次数，则X的

分布列

：

P(X=k)=p*(1-p)^(k-1)，k=1,2,3,……

具有这种分布列的

随机变量

，称为服从参数p的几何分布。

几何分布的期望EX=1/p，方差DX=（1-p）/p^2。

超几何分布

是统计学上一种离散概率分布。它描述了由有限个物件中抽出n个物件，成功抽出指定种类的物件的次数（不归还）。

在产品质量的不放回抽检中，若N件产品中有M件

次品

，抽检n件时所得次品数X=k

则P(X=k)=C(M

k）·C(N-M

n-k)/C(N

n），

C（a

b）为

古典概型

的组合形式，a为下限，b为上限

此时我们称随机变量X服从超几何分布（hypergeometric

distribution）

1）超几何分布的模型是

不放回抽样

2）超几何分布中的参数是M,N,n

上述超几何分布记作X~H(n，M，N）。

几何分布是什么？

几何分布（Geometric distribution）是离散型概率分布。其中一种定义为：在第n次伯努利试验，才得到第一次成功的机率。详细的说，是：n次伯努利试验，前n-1次皆失败，第n次才成功的概率。

参考资料：http://ke.baidu.com/view/615028.htm

【几何分布】 和 【超几何分布】 它们【名称】的来源是什么？

几何分布是离散型概率分布的一种。所描述的是n重伯努利试验成功的概率率。

（所谓的伯努利实验指的是指在一次试验中只考虑两种结果:A发生和A不发生.在相同条件下将伯努利实验重复n次，每次实验A发生的概率都相同，称这样的一系列实验为n重伯努利实验。）

在 n次重伯努利试验中，前n-1次皆失败，第n次才成功的概率就叫做几何分布。

重复试验中，试验首次成功所需的试验次数就是服从几何分布。

如果用一个事件描述，它就像你向靶子上无规则地乱投，正中耙心的概率。

这个当时的概率抽样事件是不同的。比如，从五个小球中拿一个出来，就像面前挖五个小洞，扔出去看它掉在哪个里面，不管中不中，都能掉一个洞里。而这种，是只有一个目标，但能掉的位置很多，而且不固定。正因为这样，它有当时的那种选号码的分布是不同的。那些类似于点，和线上来选择，而这种类似于面上。

超几何分布是产品抽样检查中用的，其实，它是二项分布的变体。

三项分面是，前面五个洞，扔一次之后，拿出来再扔，还是那样。你所投递的目标，也就耙的面积没有变。但超几何分布是，当你投过一个小球时，如果不对，你所投递那个位置就不会再投中了。这好比投一次，就把那个耙重新换一个，各个相。而且，前面那个结果也会带到这个新耙上来。这就像原来投一个平面，现在的新平面既和原来的无关，不又不包含已经投过的那个点，就相当于在面中，每个面依次选择一次。你无法像二项分面那样，回到原来那个平面上去投中目标了，因为你试验一次，它就变一次。

这也是，明明二项分布和超几何分布极其相似却迥异的原因。二项分布就像一件事在平面上重复多次。而超几何分布就像，一件事在每个维度上都只做一次。

什么是几何分布?

问题一：二项分布与几何分布的区别是什么？ 二项分布：进行一系列试验,如果

1.在每次试验中只有两种可能的结果,而且是互相对立的;

2.每次实验是的,与其它各次试验结果无关;

3.结果事件发生的概率在整个系列试验中保持不变,则这一系列试验称为伯努力试验.在这试验中,事件发生的次数为一随机事件,它服从二次分布.二项分布可以用于可靠性试验.可靠性试验常常是投入n个相同的式样进行试验T小时,而只允许k个式样失败,应用二项分布可以得到通过试验的概率.

二项分布：

若某事件概率为p，现重复试验n次，该事件发生k次的概率为:P=C(k,n)×p^k×(1-p)^(n-k).C(k,n)表示组合数，即从n个事物中拿出k个的方法数.

几何分布(Geometric distribution)是离散型机率分布。描述第n次伯努利试验成功的机率。详细的说，是： n次伯努利试验，前n-1次皆失败，第n次才成功的机率。

问题二：什么是几何分布 几何分布是离散型概率分布。其中一种定义为：在第n次伯努利试验中，试验k次才得到第一次成功的机率。详细的说，是：前k-1次皆失败，第k次成功的概率。

问题三：什么是几何分布 几何分布的公式 就一句话,一个是有放回抽取（二项分布）,另一个是无放回抽取（超几何分布）.具一个例子,20个小球里面有5个黑的,15个白的.从中抽取3次,有X个黑球.如果每次抽出都放回去,第二次再抽,就每次抽到黑球概率都是1/4,这一次与其他次都互相,这明显是重复试验,对应的概率模型是二项分布.如果每次抽取不放回去,就是拿3个,那么这3个里面出现的黑球X就是超几何分布.特征还是非常明显的.比如还是上面那个例子,我取6次,如果不放回,里面也最多有5个黑球；但是有放回抽取,可以6次都抽到黑球.它们之间还有联系,就是总体个数比起抽取次数来说非常大的时候,就相互很接近了.比如1000个球,里面200黑800白,抽取3次.如果每次放回去抽黑球的概率每次都是1/5,不放回去第一次抽到的概率是1/5,第二次如果第一次抽到白的就是200/999还是约等于1/5,第一次抽到黑的则是199/999约等于1/5,第三次抽取同理,每次概率约等于1/5,就可以近似按照二项分布的重复试验来计算.

问题四：二项分布与几何分布的区别是什么？ 二项分布：进行一系列试验,如果

1.在每次试验中只有两种可能的结果,而且是互相对立的;

2.每次实验是的,与其它各次试验结果无关;

3.结果事件发生的概率在整个系列试验中保持不变,则这一系列试验称为伯努力试验.在这试验中,事件发生的次数为一随机事件,它服从二次分布.二项分布可以用于可靠性试验.可靠性试验常常是投入n个相同的式样进行试验T小时,而只允许k个式样失败,应用二项分布可以得到通过试验的概率.

二项分布：

若某事件概率为p，现重复试验n次，该事件发生k次的概率为:P=C(k,n)×p^k×(1-p)^(n-k).C(k,n)表示组合数，即从n个事物中拿出k个的方法数.

几何分布(Geometric distribution)是离散型机率分布。描述第n次伯努利试验成功的机率。详细的说，是： n次伯努利试验，前n-1次皆失败，第n次才成功的机率。

问题五：什么是几何分布 几何分布是离散型概率分布。其中一种定义为：在第n次伯努利试验中，试验k次才得到第一次成功的机率。详细的说，是：前k-1次皆失败，第k次成功的概率。

问题六：什么是几何分布 几何分布（Geometric distribution）是离散型概率分布。其中一种定义为：在第n次伯努利试验，才得到第一次成功的机率。详细的说，是：n次伯努利试验，前n-1次皆失败，第n次才成功的概率。

问题七：什么是几何分布 几何分布的公式 就一句话,一个是有放回抽取（二项分布）,另一个是无放回抽取（超几何分布）.具一个例子,20个小球里面有5个黑的,15个白的.从中抽取3次,有X个黑球.如果每次抽出都放回去,第二次再抽,就每次抽到黑球概率都是1/4,这一次与其他次都互相,这明显是重复试验,对应的概率模型是二项分布.如果每次抽取不放回去,就是拿3个,那么这3个里面出现的黑球X就是超几何分布.特征还是非常明显的.比如还是上面那个例子,我取6次,如果不放回,里面也最多有5个黑球；但是有放回抽取,可以6次都抽到黑球.它们之间还有联系,就是总体个数比起抽取次数来说非常大的时候,就相互很接近了.比如1000个球,里面200黑800白,抽取3次.如果每次放回去抽黑球的概率每次都是1/5,不放回去第一次抽到的概率是1/5,第二次如果第一次抽到白的就是200/999还是约等于1/5,第一次抽到黑的则是199/999约等于1/5,第三次抽取同理,每次概率约等于1/5,就可以近似按照二项分布的重复试验来计算.

问题八：什么是几何分布 几何分布是离散型概率分布。其中一种定义为：在第n次伯努利试验中，试验k次才得到第一次成功的机率。详细的说，是：前k-1次皆失败，第k次成功的概率。

对于高中数学怎样区别二次分布和几何分布啊？

几何分布(Geometric

distribution)是离散型机率分布。描述第n次伯努利试验成功的机率。详细的说，是：

n次伯努利试验，前n-1次皆失败，第n次才成功的机率。

期望值：

1/p

方差：

（1-p）/p*p

高中数学教科书新版第三册（选修Ⅱ）比原来的修订本新增加随机变量的几何分布，但书中只给出了结论：（1）

，（2）

，而未加以证明。本文给出证明，并用于解题。

（1）由

，知

下面用倍差法（也称为错位相减法）求上式括号内的值。记

两式相减，得

由

，知

，则

，故

从而

也可用无穷等比数列各项和公式

（见教科书91页阅读材料），推导如下：

记

相减，

则

还可用导数公式

，推导如下：

上式中令

，则得

（2）为简化运算，利用性质

来推导（该性质的证明，可见本刊6页）。可见关键是求

。

对于上式括号中的式子，利用导数，关于q求导：

，并用倍差法求和，有

则

，因此

利用上述两个结论，可以简化几何分布一类的计算问题。

数学分布有哪几种

数学分布的分类如下：

1、离散分布：伯努利分布（零一分布，两点分布），二项分布，几何分布，泊松分布（Poisson分布）。

2、连续分布：指数分布，正态分布（高斯分布），均匀分布。

3、抽样分布：卡方分布（X 2 分布），F分布，T分布。

4、其它分布：多项分布，Beta分布，Dirichlet分布。

数学[英语：mathematics，源自古希腊语μάθημα（máthēma）；经常被缩写为math或maths]，是研究数量、结构、变化、空间以及信息等概念的一门学科。

数学是人类对事物的抽象结构与模式进行严格描述、推导的一种通用手段，可以应用于现实世界的任何问题，所有的数学对象本质上都是人为定义的。从这个意义上，数学属于形式科学，而不是自然科学。不同的数学家和哲学家对数学的确切范围和定义有一系列的看法。

在人类历史发展和社会生活中，数学发挥着不可替代的作用，同时也是学习和研究现代科学技术必不可少的基本工具。

怎样区别几何分布和二项分布

一、适用于二项分布的条件，一共有三个。 

1、某个事件发生的次数（或者实验次数）有限且固定，用n表示。比如抛十次硬币。

2、事件每次发生（或者实验）的结果有且只有两种（成功或失败），其中一种结果的概率为p，另一种则是1-p。比如硬币正面朝上的概率是p，翻面朝上则是1-p。

3、事件每次发生（或者实验），出现相同结果的概率相等。比如每次抛硬币相同面朝上的概率是一样的。 

抛硬币实验是最经典的二项分布实验，一般是求n次抛硬币实验中有k（k ≤ n）次正面朝上的概率。而几何分布和二项分布很像，所适用的条件和二项分布也一样，不过其计算更为简单。

二、与二项分布关心的“n次实验k次成功的概率”不同，几何分布关心的是，事件发生（或者实验）n次中，在第x次取得成功的概率。其发生的概率P为： P=(1−p)x−1×p。

P=(1−p)x−1×p这个便是几何分布公式，几何分布公式的数学期望 μ = 1/p。和二项分布一样，几何分布也是一种离散概率分布。

扩展资料：

分布函数的性质

F(x)为随机变量X的分布函数，其充分必要条件为：

1、非降性

F(x)是一个不减函数，对于任意实数 。

2、有界性

从几何上说明，将区间端点x沿数轴无限向左移动（即  )，则“随机点X落在点x左边”这一事件趋于不可能事件，从而其概率趋于0

3、右连续性

因为是单调有界非减函数，所以其任一点x0的右极限F（x0+0）必存在。

参考资料：百度百科-分布函数

如何分析数据之间的分布类型

分析数据之间的分布类型的方法：

首先根据样本点特征判断是离散型还是连续型。

离散型分布常用的有二项分布，泊松分布，离散均匀分布，几何分布，超几何分布等等。可以根据直方图判断大概的分布类型，然后估计相应的分布参数，最后用goodness of fit检验。

连续型分布常用的有正态分布，t-分布，F-分布，卡方分布，指数分布，Gamma-分布，Beta-分布等等。同样根据直方图判断大概的分布类型，然后估计相应的分布参数。检验部分可用KS检验（Kolmogorov-Smirnov检验）。

扩展资料：

统计学常用方法：

一、描述统计

描述统计是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中趋势分析和离中趋势分析和相关分析三大部分。

集中趋势分析：集中趋势分析主要靠平均数、中数、众数等统计指标来表示数据的集中趋势。例如被试的平均成绩多少？是正偏分布还是负偏分布？

离中趋势分析：离中趋势分析主要靠全距、四分差、平均差、方差（协方差：用来度量两个随机变量关系的统计量）、标准差等统计指标来研究数据的离中趋势。

相关分析：相关分析探讨数据之间是否具有统计学上的关联性。

推论统计：

推论统计是统计学乃至于心理统计学中较为年轻的一部分内容。它以统计结果为依据，来证明或推翻某个命题。

正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。

二、假设检验

1、参数检验

参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。

1）U验 ：使用条件：当样本含量n较大时，样本值符合正态分布。

2）T检验 使用条件：当样本含量n较小时，样本值符合正态分布。

2、非参数检验

非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。

适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。

A、虽然是连续数据，但总体分布形态未知或者非正态；

B、体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；

主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。

三、信度分析

介绍：信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度指标多以相关系数表示，大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。信度分析的方法主要有以下四种：重测信度法、复本信度法、折半信度法、α信度系数法。

四、相关分析

研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。

1、单相关： 两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；

2、复相关 ：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；

3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。

五、方差分析

使用条件：各样本须是相互的随机样本；各样本来自正态分布总体；各总体方差相等。

六、回归分析

1、一元线性回归分析：只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布。

2、多元线性回归分析

使用条件：分析多个自变量与因变量Y的关系，X与Y都必须是连续型变量，因变量y或其残差必须服从正态分布 。

什么是几何分布？

超几何分布的期望和方差公式：E(X)=(n*M)/N[其中x是样本数，n为样本容量，M为样本总数，N为总体中的个体总数]，求出均值，这就是超几何分布的数学期望值。

方差公式是V(X)=X1^2*P1+X2^2*P2+...Xn^2*Pn-a^2[这里设a为期望值]。

离散型随机变量与连续型随机变量都是由随机变量取值范围（取值）确定。

变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数，因而k是离散型随机变量。

如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量。例如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量，x的取值范围是［0,15），它是一个区间，从理论上说在这个区间内可取任一实数3.5、无理数等，因而称这随机变量是连续型随机变量。

判断统计资料分布特征和分布类型的方法有哪些?

首先根据样本点特征判断是离散型还是连续型.

离散型分布常用的有二项分布,泊松分布,离散均匀分布,几何分布,超几何分布等等.可以根据直方图判断大概的分布类型,然后估计相应的分布参数.最后用goodness of fit检验.

连续型分布常用的有正态分布,t-分布,F-分布,卡方分布,指数分布,Gamma-分布,Beta-分布等等.同样根据直方图判断大概的分布类型,然后估计相应的分布参数.检验部分可用KS检验（Kolmogorov-Smirnov检验）.

希望对你有帮助,望采纳,谢谢~