ماشین حساب توزیع هندسی

نویسنده: Henrick Yau
- July 21, 2026
| |

ماشین حساب توزیع هندسی

محاسبه تابع جرم احتمال (PMF)، تابع توزیع تجمعی (CDF)، میانگین، واریانس و سایر آمارها برای توزیع هندسی با احتمال موفقیت p.

ورودی پارامتر

گزینه‌های محاسبه

گزینه‌های نمایش

درباره توزیع هندسی

توزیع هندسی تعداد آزمایش‌های لازم برای دستیابی به اولین موفقیت در دنباله‌ای از آزمایش‌های مستقل برنولی را مدل می‌کند که هر یک دارای احتمال موفقیت یکسان p هستند.

دو تغییر رایج
  • تعداد آزمایش‌ها: تعداد کل آزمایش‌ها را تا (و شامل) اولین موفقیت شمارش می‌کند. دامنه: x ∈ {1, 2, 3, ...}
  • تعداد شکست‌ها: فقط شکست‌های قبل از اولین موفقیت را شمارش می‌کند. دامنه: x ∈ {0, 1, 2, ...}

هر دو تغییر در عمل استفاده می‌شوند، بنابراین مهم است که مشخص کنید با کدام یک کار می‌کنید.

ویژگی‌های کلیدی
  • خاصیت بدون حافظه: P(X > s + t | X > s) = P(X > t)
  • میانگین (مقدار مورد انتظار): E[X] = 1/p (آزمایش‌ها) یا (1-p)/p (شکست‌ها)
  • واریانس: Var(X) = (1-p)/p² (هر دو نسخه)
  • مد: همیشه 1 (آزمایش‌ها) یا 0 (شکست‌ها)
  • چولگی: (2-p)/√(1-p) > 0، نشان‌دهنده چولگی به راست
کاربردها

توزیع هندسی معمولاً برای مدل‌سازی موارد زیر استفاده می‌شود:

  • تعداد تلاش‌های لازم برای دستیابی به موفقیت
  • زمان انتظار تا اولین وقوع یک رویداد
  • کنترل کیفیت (تعداد اقلام بازرسی شده تا یافتن یک نقص)
  • آزمون قابلیت اطمینان (تعداد آزمایش‌ها تا خرابی تجهیزات)
  • بازی‌های شانسی (تعداد پرتاب‌ها تا یک نتیجه خاص)
  • مدل‌سازی فرآیندهای جذب مشتری یا تبدیل
رابطه با سایر توزیع‌ها
  • توزیع هندسی یک حالت خاص از توزیع دوجمله‌ای منفی است که در آن r = 1 (یک موفقیت).
  • این توزیع مشابه گسسته توزیع نمایی پیوسته است.
  • مانند توزیع نمایی، تنها توزیع گسسته بدون حافظه است.

فرمول‌های کلیدی توزیع هندسی

تابع جرم احتمال (PMF) برای تعداد آزمایش‌ها:
\( P(X = x) = (1-p)^{x-1} \times p \quad \text{برای} \quad x = 1,2,3,... \)

تابع جرم احتمال (PMF) برای تعداد شکست‌ها:
\( P(X = x) = (1-p)^x \times p \quad \text{برای} \quad x = 0,1,2,... \)

تابع توزیع تجمعی (CDF):
\( P(X \leq x) = 1 - (1-p)^x \)

میانگین:
آزمایش‌ها: \( \mu = \frac{1}{p} \quad \) شکست‌ها: \( \mu = \frac{1-p}{p} \)

واریانس:
\( \sigma^2 = \frac{1-p}{p^2} \)

انحراف معیار:
\( \sigma = \sqrt{ \frac{1-p}{p^2} } \)

ماشین حساب توزیع هندسی چیست؟

ماشین حساب توزیع هندسی یک ابزار آماری قدرتمند است که به شما کمک می‌کند تا به راحتی احتمالات و آمار توصیفی مربوط به توزیع هندسی را محاسبه کنید. این ابزار با ارائه نتایجی مانند تابع جرم احتمال (PMF)، تابع توزیع تجمعی (CDF)، مقدار مورد انتظار، واریانس و انحراف معیار، تحلیل احتمال و آمار را ساده می‌کند. چه نیاز به حل مسائل مربوط به آزمایش‌ها داشته باشید و چه شکست‌ها، این حل‌کننده توزیع احتمال پاسخگوی شماست.

این ماشین حساب چگونه می‌تواند به شما کمک کند

استفاده از این ابزار تحلیل آماری به شما امکان می‌دهد:

  • به سرعت احتمال موفقیت پس از تعداد مشخصی آزمایش یا شکست را محاسبه کنید.
  • تعداد مورد انتظار آزمایش‌ها یا شکست‌ها برای رسیدن به اولین موفقیت را بیابید.
  • توزیع احتمالات را با نمودارهای بصری و شهودی مشاهده کنید.
  • معیارهای آماری ضروری مانند میانگین، واریانس و انحراف معیار را برای تحلیل داده بهتر بررسی کنید.

این ابزار به عنوان یک یاری‌دهنده تحلیل داده قابل اعتماد هنگام کار با رویدادهای تصادفی، آزمایش‌ها یا نتایج دودویی عمل می‌کند. همچنین برای کاربردهای یاری‌دهنده احتمال و آمار مانند کنترل کیفیت، مطالعات قابلیت اطمینان و تحلیل رفتار مشتری مفید است.

نحوه استفاده از ماشین حساب توزیع هندسی

شروع کار آسان است. مراحل ساده زیر را دنبال کنید:

  • مرحله ۱: احتمال موفقیت (p) را بین ۰ و ۱ وارد کنید.
  • مرحله ۲: نوع توزیع را انتخاب کنید:
    • تعداد آزمایش‌ها: آزمایش‌ها را شامل موفقیت شمارش می‌کند.
    • تعداد شکست‌ها: شکست‌ها را قبل از اولین موفقیت شمارش می‌کند.
  • مرحله ۳: نوع محاسبه را انتخاب کنید (PMF، CDF، بزرگتر از، حداقل، یا مقدار مورد انتظار).
  • مرحله ۴: مقدار x را که می‌خواهید احتمال آن را محاسبه کنید وارد کنید، یا اگر میانگین را محاسبه می‌کنید، آن را خالی بگذارید.
  • مرحله ۵: در صورت تمایل، تنظیمات اختیاری مانند تعداد اعشار یا گزینه‌های نمودار را تنظیم کنید.
  • مرحله ۶: روی محاسبه کلیک کنید تا نتایج، نمودارها و مراحل حل دقیق را مشاهده کنید.

این ویژگی‌ها، آن را به یک منبع محاسبات آماری کاربرپسند برای هر کسی که با مسائل توزیع احتمال سروکار دارد، تبدیل می‌کند.

چرا درک توزیع هندسی مهم است

توزیع هندسی در تحلیل آماری کلیدی است زیرا "زمان انتظار" تا اولین موفقیت را مدل‌سازی می‌کند. کاربردهای رایج عبارتند از:

  • بازرسی‌های کنترل کیفیت (یافتن اولین محصول معیوب).
  • پیش‌بینی تعداد آزمایش‌های لازم برای برنده شدن در بازی‌های شانسی.
  • تحلیل نرخ جذب مشتری یا نرخ خرابی در سیستم‌ها.

تسلط بر این مفهوم توانایی شما را در تحلیل مجموعه داده‌ها به طور دقیق و تفسیر رویدادهای دنیای واقعی از طریق محاسبات آماری بهبود می‌بخشد.

سوالات متداول (FAQ)

توزیع هندسی چیست؟

توزیع هندسی تعداد آزمایش‌های مستقل مورد نیاز برای رسیدن به اولین موفقیت را مدل‌سازی می‌کند، به طوری که هر آزمایش احتمال موفقیت یکسانی دارد. این یک نوع توزیع احتمال گسسته است.

چه زمانی باید از این ماشین حساب استفاده کنم؟

هر زمان که می‌خواهید احتمالات، مقادیر مورد انتظار یا واریانس‌های مرتبط با یک سری تلاش‌های مستقل که به اولین موفقیت ختم می‌شوند را محاسبه کنید، از این ابزار احتمال هندسی استفاده کنید.

تفاوت بین آزمایش‌ها و شکست‌ها چیست؟

  • نسخه آزمایش‌ها: تمام آزمایش‌ها از جمله آزمایش موفق را شمارش می‌کند. x = 1, 2, 3, …
  • نسخه شکست‌ها: فقط شکست‌های قبل از اولین موفقیت را شمارش می‌کند. x = 0, 1, 2, …

اگر احتمال موفقیت من بسیار کم باشد چه؟

ماشین حساب همچنان کار می‌کند! احتمالات کم در آزمایش‌های قابلیت اطمینان و مدل‌سازی رویدادهای نادر رایج هستند. نتایج با دقت بالا و با استفاده از تنظیمات تعداد اعشار نمایش داده می‌شوند.

آیا می‌توانم از آن برای اهداف آموزشی استفاده کنم؟

قطعاً! این یک ابزار تحلیل آماری عالی برای دانش‌آموزان، معلمان و محققانی است که روی احتمال، میانگین و میانه، انحراف معیار و موارد دیگر کار می‌کنند.

ابزارهای مرتبط که ممکن است مفید باشند