Geometrische-Verteilung

Die geometrische Verteilung ist eine diskrete Wahrscheinlichkeitsverteilung für unabhängige Bernoulli-Experimente. Es werden zwei Varianten definiert:

Variante A

die Wahrscheinlichkeitsverteilung der Anzahl X der Bernoulli-Versuche, die notwendig sind, um einen Erfolg zu haben. Diese Verteilung ist auf der Menge $\{ 1, 2, 3, \dots\}$ definiert.

Variante B

die Wahrscheinlichkeitsverteilung der Anzahl Y der Fehlversuche vor dem ersten Erfolg. Diese Verteilung ist auf der Menge $\{0, 1, 2, \dots \}$ definiert.

Die beiden Varianten stehen in der Beziehung X = Y + 1. Welche davon man „geometrische Verteilung“ nennt, wird entweder vorher festgelegt oder man wählt diejenige, die gerade zweckmäßiger ist.

Die geometrische Verteilung wird verwendet:

• bei der Analyse der Wartezeiten bis zum Eintreffen eines bestimmten Ereignisses.

• bei der Lebensdauerbestimmung von Geräten und Bauteilen, d.h. dem Warten bis zum ersten Ausfall

• bei der Bestimmung der Anzahl häufiger Ereignisse zwischen unmittelbar aufeinanderfolgenden seltenen Ereignissen wie z.B Fehlern:

• Bestimmung der Zuverlässigkeit von Geräten (MTBF)
• Bestimmung des Risikos in der Versicherungsmathematik
• Bestimmung der Fehlerrate in der Datenübertragung, z.B. Anzahl der erfolgreich übertragenen TCP Pakete zwischen zwei Paketen mit Retransmission

Definition der geometrischen Verteilung

Eine diskrete Zufallsgröße X oder Y mit dem Parameter p (Wahrscheinlichkeit für einen Erfolg), q = 1 − p (Wahrscheinlichkeit für einen Misserfolg) genügt der geometrischen Verteilung G(p), wenn:

Variante A

- sie die Wahrscheinlichkeit besitzt, dass man genau n Versuche benötigt, um zum ersten Erfolg zu kommen, zu

$\operatorname{P}(X=n)= p(1-p)^{n-1}= pq^{n-1} \quad (n=1,2, \dots)$

Variante B

- sie die Wahrscheinlichkeit besitzt, n Fehlversuche vor dem ersten Erfolg zu haben, zu

$\operatorname{P}(Y=n)= p(1-p)^{n}= pq^{n} \quad (n=0,1,2, \dots)$

In beiden Fällen bilden die Werte für die Wahrscheinlichkeiten eine geometrische Folge.

Damit besitzt die geometrische Verteilung die folgenden Verteilungsfunktionen

Variante A

$F(k)=\operatorname{P}(X \le k) = p\sum_{i=1}^{k}q^{i-1} = p\sum_{i=0}^{k-1}q^{i} = p\frac{q^{k}-1}{q-1} = 1 - q^{k} = 1 - (1-p)^{k}$

Variante B

$F(n)=\operatorname{P}(Y \le n) = p\sum_{i=0}^{n}q^{i} = p\frac{q^{n+1}-1}{q-1} = 1 - q^{n+1} = 1 - (1-p)^{n+1}$

Eigenschaften

Erwartungswert

Die Erwartungswerte der beiden geometrischen Verteilungen sind

Variante A

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

Variante B

$\operatorname{E}(Y) = \operatorname{E}(X) - 1 = \frac{1-p}{p}$.

Der Erwartungswert kann auf verschiedene Weisen hergeleitet werden:

• $\operatorname{E}(X)=p\sum_{k=1}^{\infty}k\,(1-p)^{k-1} = p\frac{\operatorname{d}}{\operatorname{d}(1-p)}\sum_{k=1}^{\infty}\,(1-p)^{k} = - p\frac{\operatorname{d}}{\operatorname{d}p}\left(\sum_{k=0}^{\infty}\,(1-p)^{k} - 1 \right) = - p\frac{\operatorname{d}}{\operatorname{d}p}\left(\frac{1}{p}-1\right) = \frac{1}{p}$.

• $\operatorname{E}(X)=\sum_{k=1}^{\infty}k p (1-p)^{k-1} = \sum_{k=0}^{\infty}(k+1) p (1-p)^{k} = \sum_{k=0}^{\infty}k p (1-p)^{k} + \sum_{k=1}^{\infty} p (1-p)^{k-1} = (1-p) \operatorname{E}(X) +1 \Rightarrow \operatorname{E}(X) = \frac{1}{p}$

Dabei ist $\sum_{k=1}^{\infty} p (1-p)^{k-1} =1$, da p(1 − p)^{k − 1} die Zähldichte ist.

• Der Erwartungswert $\operatorname{E}(X)$ lässt sich per Fallunterscheidung zerlegen. Mit Wahrscheinlichkeit p geht das erste Experiment erfolgreich aus, das heißt, X wird mit 1 realisiert. Mit Wahrscheinlichkeit 1 − p ist das erste Experiment erfolglos, aber der Erwartungswert für die Anzahl der dann noch folgenden Experimente ist wegen der Gedächtnislosigkeit wiederum E(X). Also gilt

$\operatorname{E}(X) = p\cdot 1 + (1-p)\cdot(1+\operatorname{E}(X)) = 1 + (1-p)\cdot \operatorname{E}(X)$, also $\operatorname{E}(X) = \frac{1}{p}$

• Führt man n Experimente durch so ist der Erwartungswert für die Anzahl der erfolgreichen Experimente $n\cdot p$. Daher ist der zu erwartende Abstand zwischen zwei erfolgreichen Experimenten (einschließlich eines erfolgreichen Experimentes) $\frac{n}{n\cdot p}$, also $\operatorname{E}(X) = \frac{1}{p}$.

Varianz

Die Varianzen der beiden geometrischen Verteilungen sind

$\operatorname{Var}(X) = \operatorname{Var}(Y)=\frac{1-p}{p^2}=\frac{1}{p^{2}} - \frac{1}{p}$

Die Herleitung kann erfolgen über

$\operatorname{Var}(X)$	$= E(X^2) - E(X)^2 = p\sum_{k=1}^{\infty}k^{2}(1-p)^{k-1} - \frac{1}{p^2}$
	$= p\sum_{k=1}^{\infty}k(k+1)(1-p)^{k-1} - p\sum_{k=1}^{\infty}k(1-p)^{k-1} - \frac{1}{p^2}$
	$= p\frac{\operatorname{d}^{2}}{\operatorname{d}p^{2}}\sum_{k=1}^{\infty}(1-p)^{k+1} + p\frac{\operatorname{d}}{\operatorname{d}p}\sum_{k=1}^{\infty}(1-p)^{k} - \frac{1}{p^2}$
	$= p\frac{\operatorname{d}^{2}}{\operatorname{d}p^{2}}\left(\sum_{k=0}^{\infty}(1-p)^{k} - (1-p) - 1\right) - \frac{1}{p} - \frac{1}{p^2}$
	$= p\frac{\operatorname{d}^{2}}{\operatorname{d}p^{2}}\left(\frac{1}{1-(1-p)} + p - 2\right) - \frac{1}{p} - \frac{1}{p^2} = \frac{2}{p^{2}} - \frac{1}{p} - \frac{1}{p^2} = \frac{1}{p^{2}} - \frac{1}{p}$.

Gedächtnislosigkeit

Die geometrische Verteilung ist eine gedächtnislose Verteilung, d.h. es gilt für

Variante A

$\operatorname{P}(X = n+k \, | \, X > n) = \operatorname{P}(X = k) \quad n,k=1,2, \dots$

Variante B

$\operatorname{P}(Y = n+k \, | \, Y \ge n) = \operatorname{P}(Y = k) \quad n,k=0,1,2, \dots$

Ist also von einer geometrisch verteilten Zufallsvariablen bekannt, dass sie größer als der Wert n ist (Variante A) bzw. mindestens den Wert n hat (Variante B), so ist die Wahrscheinlichkeit, dass sie diesen Wert um k übertrifft genau so groß wie die, dass eine identische Zufallsvariable überhaupt den Wert k annimmt.

Die Gedächtnislosigkeit ist eine definierende Eigenschaft; die geometrische Verteilung ist also die einzig mögliche gedächtnislose diskrete Verteilung. Ihr stetiges Pendant hierbei ist die Exponentialverteilung.

Bezug zur Reproduktivität

Die Summe $X=\sum_{i=1}^{k} X_{i}$ unabhängiger geometrisch verteilter Zufallsgrößen $X_1, \dots, X_k$ mit demselben Parameter p ist nicht geometrisch verteilt sondern negativ binomialverteilt. Somit ist die Familie der geometrischen Wahrscheinlichkeitsverteilungen nicht reproduktiv.

Schiefe

Die Schiefe ergibt sich zu:

$\operatorname{v}(X) = \operatorname{v}(Y) = \frac{2-p}{\sqrt{1-p}}$.

Wölbung

Die Wölbung lässt sich ebenfalls geschlossen darstellen als

$\beta_2 = \frac{p^2 -6p +6}{1-p}$.

Charakteristische Funktion

Die charakteristische Funktion hat die Form

Variante A

$\phi_{X}(s) = \frac{p e^{is}}{1-(1-p)e^{is}}$.

Variante B

$\phi_{Y}(s) = \frac{p}{1-(1-p)e^{is}}$.

Momenterzeugende Funktion

Die momenterzeugende Funktion der Geometrischen Verteilung ist

Variante A

$m_{X}(s) = \frac{p e^s}{1-(1-p)e^{s}}$

Variante B

$m_{Y}(s) = \frac{p}{1-(1-p)e^{s}}$.

Beziehungen zu anderen Verteilungen

Beziehung zur negativen Binomialverteilung

Verallgemeinerung auf mehrere Erfolge

Eine Verallgemeinerung der geometrischen Verteilung stellt die negative Binomialverteilung dar, die die Wahrscheinlichkeit angibt, dass für r Erfolge n Versuche notwendig sind bzw. (in einer alternativen Darstellung) dass der r-te Erfolg eintritt, nachdem bereits k = n − r Misserfolge eingetreten sind.

Umgekehrt ist die Geometrische Verteilung eine negative Binomialverteilung bei r = 1.

Beziehung zur Exponentialverteilung

Konvergenz der geometrischen Verteilung

Für eine Folge $X_1, X_2, X_3 \ldots$ geometrisch verteilter Zufallsvariablen mit Parametern $p_1, p_2, p_3 \ldots$ gelte $\lim_{n \to \infty} np_n=\lambda$ mit einer positiven Konstante λ. Dann konvergiert die Folge $\frac{X_n}{n}$ für große n gegen eine exponentialverteilte Zufallsvariable mit Parameter λ.

In Analogie zur diskreten geometrischen Verteilung bestimmt die stetige Exponentialverteilung die Wartezeit bis zum ersten Eintreffen eines seltenen Poisson-verteilten Ereignisses. Die Exponentialverteilung ist also das kontinuierliche Analogon zur diskreten geometrischen Verteilung.

Zufallszahlen

Zufallszahlen zur geometrischen Verteilung werden üblicherweise mit Hilfe der Inversionsmethode erzeugt. Diese Methode bietet sich bei der geometrischen Verteilung besonders an, da die Einzelwahrscheinlichkeiten der einfachen Rekursion $\operatorname{P}(X=k+1)=(1-p)\operatorname{P}(X=k)$ genügen. Die Inversionsmethode ist hier also nur mit rationalen Operationen (Addition, Multiplikation) und ohne die Verteilungsfunktion vorher zu berechnen und abzuspeichern durchführbar, was einen schnellen Algorithmus zur Simulation garantiert.

Weblinks

• Universität Konstanz - Interaktive Animation
• Interaktive Arbeitsblätter zur geometrischen Verteilung auf MathePrisma
• StatWiki Detaillierte Herleitung der momenterzeugenden Funktion

Diskrete univariate Verteilungen

Diskrete univariate Verteilungen für endliche Mengen:
Benford | Bernoulli-Verteilung | Binomialverteilung | Kategoriale | Hypergeometrische Verteilung | Rademacher | Zipfsche | Zipf-Mandelbrot

Diskrete univariate Verteilungen für unendliche Mengen:
Boltzmann | Conway-Maxwell-Poisson | Negative Binomialverteilung | Erweiterte negative Binomial | Compound Poisson | Diskret uniform | Discrete phase-type | Gauss-Kuzmin | Geometrische | Logarithmische | Parabolisch-fraktale | Poisson | Skellam | Yule-Simon | Zeta

 

Kontinuierliche univariate Verteilungen

Kontinuierliche univariate Verteilungen mit kompaktem Intervall:
Beta | Kumaraswamy | Raised Cosine | Dreiecks | U-quadratisch | Stetige Gleichverteilung | Wigner-Halbkreis

Kontinuierliche univariate Verteilungen mit halboffenem Intervall:
Beta prime | Bose-Einstein | Burr | Chi-Quadrat | Coxian | Erlang | Exponential | F | Fermi-Dirac | Folded Normal | Fréchet | Gamma | Extremwert | Verallgemeinerte inverse Gausssche | Halblogistische | Halbnormale | Hotellings T-Quadrat | hyper-exponentiale | hypoexponential | Inverse Chi-Quadrat | Scale Inverse Chi-Quadrat | Inverse Normal | Inverse Gamma | Lévy | Log-normal | Log-logistische | Maxwell-Boltzmann | Maxwell speed | Nakagami | nichtzentrierte Chi-Quadrat | Pareto | Phase-type | Rayleigh | relativistische Breit-Wigner | Rice | Rosin-Rammler | Shifted Gompertz | Truncated Normal | Type-2-Gumbel | Weibull | Wilks’ lambda

Kontinuierliche univariate Verteilungen mit unbeschränktem Intervall:
Cauchy | Extremwert | Exponential Power | Fisher’s z | Fisher-Tippett (Gumbel) | Generalized Hyperbolic | Hyperbolic Secant | Landau | Laplace | Alpha stabile | logistisch | Normal (Gauss) | Normal-inverse Gausssche | Skew normal | Studentsche t | Type-1 Gumbel | Variance-Gamma | Voigt

 

Multivariate Verteilungen

Diskrete multivariate Verteilungen:
Ewen's | Multinomial | Dirichlet Multinomial

Kontinuierliche multivariate Verteilungen:
Dirichlet | Generalized Dirichlet | Multivariate Normal | Multivariate Student | Normalskalierte inverse Gamma | Normal-Gamma

Multivariate Matrixverteilungen:
Inverse-Wishart | Matrix Normal | Wishart