Coursera Learner working on a presentation with Coursera logo and
GeometricDistribution La distribución geométrica es una distribución discreta para n=0, 1, 2, … que tiene una función de densidad de probabilidad
donde 0<p<1, q=1-p, y la función de distribución es
La apropiación geométrica es el principal transporte irregular sin memoria. Es una muestra discreta de la dispersión exponencial. Nótese que algunos creadores (por ejemplo, Beyer 1987, pág. 531; Zwillinger 2003, págs. 630-631) quieren caracterizar la difusión más bien para n=1, 2, …, mientras que el tipo de la circulación dada anteriormente se ejecuta en el Lenguaje Wolfram como Distribución Geométrica[p].P(n) se normaliza, ya que sum_(n=0)^inftyP(n)=sum_(n=0)^inftyq^np=psum_(n=0)^inftyq^n=p/(1-q)=p/p=1. Los momentos crudos se dan analíticamente en términos de la función de poligaritmo,
Así que los primeros explícitamente como
Los momentos centrales se dan analíticamente en términos de la trascendencia de Lerch y:
la media, la varianza, la asimetría y el exceso de curtosis son
Para el caso p=1/2 (correspondiente a la distribución del número de lanzamientos de monedas necesarias para ganar en la paradoja de San Petersburgo) la fórmula (23) da mu_k^'|_(p=1/2)=1/2Li_(-k)(1/2). Los minutos iniciales apenas crudos están en esta línea 1, 3, 13, 75, 541, … Múltiples veces estos números son OEIS A000629, que tienen capacidades de creación exponencial f(x)=-ln(2-e^x) y g(x)=e^x/(2-e^x). La media, diferencia, asimetría y abundancia de curtosis del caso p=q=1/2 vienen dadas por
La función característica viene dada por
El primer acumulador de la distribución geométrica es
y los acumulados posteriores vienen dados por la relación de recurrencia
La desviación media de la distribución geométrica es
|_x_|
¿Dónde está la función del suelo

Languages

Weekly newsletter

No spam. Just the latest releases and tips, interesting articles, and exclusive interviews in your inbox every week.

You may also like

Matemática y Estadística

Falso negativo

A la hora de entender la hipótesis, hay dos errores que pueden resultar bastante confusos. Estos dos errores son el falso negativo y el falso positivo. También puedes referirte al error falso negativo como error de tipo II y al falso positivo como error de tipo I. Mientras aprendes, puedes pensar que estos errores no […]

Data Science Team 06 May 2022
Matemática y Estadística

Revisión del gráfico de caja

Un gráfico de caja o un gráfico de caja y bigotes le ayudan a mostrar la distribución de la base de datos en un resumen de cinco números. El primer cuartil Q1 será el mínimo, el tercer cuartil Q3 será la mediana y el quinto cuartil Q5 será el máximo. Puede encontrar los valores atípicos […]

Data Science Team 01 March 2021
Matemática y Estadística

Redes Bayesianas

Crear un modelo probabilístico puede ser un reto, pero resulta útil en el aprendizaje automático. Para crear un modelo gráfico de este tipo, es necesario encontrar las relaciones probabilísticas entre las variables. Supongamos que está creando una representación gráfica de las variables. Hay que representar las variables como nodos y la independencia condicional como la […]

Data Science Team 02 January 2021