El documento discute distribuciones de probabilidad discretas y continuas. Explica las distribuciones binomial y Poisson, así como sus funciones de probabilidad y propiedades. También cubre la distribución exponencial, cómo describir el tiempo entre eventos, y su relación con la distribución de Poisson.
El documento presenta una sesión sobre distribuciones de probabilidad discretas y continuas. Se discuten las distribuciones binomial, Poisson y exponencial, incluyendo sus funciones de probabilidad, propiedades y ejemplos. También se explica la relación entre las distribuciones de Poisson y exponencial.
Este documento presenta ejemplos de distribuciones de probabilidad como la Bernoulli, Binomial, y Poisson. Calcula la media, varianza y desviación estándar para cada distribución basada en escenarios dados como lanzar una moneda o extraer partículas de una suspensión.
Este documento presenta un curso práctico de bioestadística con herramientas de Excel. Incluye información sobre el instructor Fabrizio Marcillo Morla y sus antecedentes académicos y laborales. Luego, cubre conceptos clave como distribuciones de probabilidad, incluyendo distribuciones binomiales y normales. Explica cómo calcular la media, varianza y desviación estándar para una distribución binomial, y cómo usar tablas y funciones de Excel para trabajar con distribuciones normales.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
Este documento presenta ejemplos de las principales distribuciones de probabilidad: Bernoulli, binomial, Poisson y normal. Incluye 5 ejemplos para cada distribución ilustrando cómo calcular la probabilidad de diferentes eventos. Por ejemplo, calcula la probabilidad de obtener determinados resultados al lanzar una moneda o sacar boletos de una urna usando la distribución de Bernoulli o binomial.
El documento explica el sistema de valor posicional, donde cada dígito en un número tiene un valor determinado por su posición. La posición de las unidades es 0, la de las decenas es 1, y así sucesivamente hasta las centenas de millón en la posición 8. Cada tres dígitos se separan con una coma para facilitar la lectura. El sistema se basa en la numeración decimal de 10 dígitos y el valor de cada posición se obtiene al elevar 10 a la potencia de su posición.
Este documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal, gamma y t de Student. Incluye ejercicios y problemas resueltos sobre cada distribución para ilustrar sus características y cómo calcular probabilidades asociadas a cada una. Las distribuciones cubiertas son comúnmente usadas en estadística para modelar diferentes tipos de fenómenos aleatorios.
1) El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye ejemplos numéricos para calcular probabilidades usando cada distribución.
2) Se explican conceptos básicos de cada distribución como la probabilidad de éxito, el número de ensayos, la media y desviación estándar.
3) Los ejemplos cubren temas como lanzar monedas, dados, tiros al blanco, solicitudes de préstamo y tiempos de viaje, entre otros. Se calculan probabilidades para
Este documento resume la distribución de Poisson. Explica que se utiliza para eventos aleatorios donde no se conoce el número total de resultados posibles. Presenta las propiedades de un experimento de Poisson, como que la probabilidad de ocurrencia es la misma para cualquier intervalo de la misma magnitud y que la ocurrencia en un intervalo es independiente de otros. También define la función de probabilidad de Poisson y explica que la media y la varianza son iguales. Finalmente, presenta ejemplos numéricos para calcular probabilidades usando esta distribución.
El documento presenta una sesión sobre distribuciones de probabilidad discretas y continuas. Se discuten las distribuciones binomial, Poisson y exponencial, incluyendo sus funciones de probabilidad, propiedades y ejemplos. También se explica la relación entre las distribuciones de Poisson y exponencial.
Este documento presenta ejemplos de distribuciones de probabilidad como la Bernoulli, Binomial, y Poisson. Calcula la media, varianza y desviación estándar para cada distribución basada en escenarios dados como lanzar una moneda o extraer partículas de una suspensión.
Este documento presenta un curso práctico de bioestadística con herramientas de Excel. Incluye información sobre el instructor Fabrizio Marcillo Morla y sus antecedentes académicos y laborales. Luego, cubre conceptos clave como distribuciones de probabilidad, incluyendo distribuciones binomiales y normales. Explica cómo calcular la media, varianza y desviación estándar para una distribución binomial, y cómo usar tablas y funciones de Excel para trabajar con distribuciones normales.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
Este documento presenta ejemplos de las principales distribuciones de probabilidad: Bernoulli, binomial, Poisson y normal. Incluye 5 ejemplos para cada distribución ilustrando cómo calcular la probabilidad de diferentes eventos. Por ejemplo, calcula la probabilidad de obtener determinados resultados al lanzar una moneda o sacar boletos de una urna usando la distribución de Bernoulli o binomial.
El documento explica el sistema de valor posicional, donde cada dígito en un número tiene un valor determinado por su posición. La posición de las unidades es 0, la de las decenas es 1, y así sucesivamente hasta las centenas de millón en la posición 8. Cada tres dígitos se separan con una coma para facilitar la lectura. El sistema se basa en la numeración decimal de 10 dígitos y el valor de cada posición se obtiene al elevar 10 a la potencia de su posición.
Este documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal, gamma y t de Student. Incluye ejercicios y problemas resueltos sobre cada distribución para ilustrar sus características y cómo calcular probabilidades asociadas a cada una. Las distribuciones cubiertas son comúnmente usadas en estadística para modelar diferentes tipos de fenómenos aleatorios.
1) El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye ejemplos numéricos para calcular probabilidades usando cada distribución.
2) Se explican conceptos básicos de cada distribución como la probabilidad de éxito, el número de ensayos, la media y desviación estándar.
3) Los ejemplos cubren temas como lanzar monedas, dados, tiros al blanco, solicitudes de préstamo y tiempos de viaje, entre otros. Se calculan probabilidades para
Este documento resume la distribución de Poisson. Explica que se utiliza para eventos aleatorios donde no se conoce el número total de resultados posibles. Presenta las propiedades de un experimento de Poisson, como que la probabilidad de ocurrencia es la misma para cualquier intervalo de la misma magnitud y que la ocurrencia en un intervalo es independiente de otros. También define la función de probabilidad de Poisson y explica que la media y la varianza son iguales. Finalmente, presenta ejemplos numéricos para calcular probabilidades usando esta distribución.
El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye un ejemplo de una variable aleatoria normal donde se analiza si la duración promedio de 25 focos cumple con las afirmaciones del fabricante.
Este documento explica cómo construir distribuciones muestrales de medias para una población, incluyendo los pasos para: 1) determinar el número de muestras posibles, 2) listar todas las muestras, 3) calcular la media de cada muestra, 4) agrupar las medias y calcular la media de medias, 5) calcular el error típico de la muestra y la población. Proporciona ejemplos para muestras con y sin reposición de tamaños 2 y 3 elementos seleccionados de poblaciones dadas.
Este documento presenta ejercicios sobre diferentes distribuciones de probabilidad incluyendo Bernoulli, binomial, Poisson y normal. Se proporcionan ejemplos y problemas para calcular probabilidades utilizando estas distribuciones. Los ejercicios cubren conceptos como media, varianza, funciones de probabilidad y cálculos estadísticos para diferentes escenarios.
El resumen analiza la probabilidad de que cinco personas vivan 30 años o más, al menos tres personas vivan 30 años o más, y exactamente dos personas vivan 30 años o más, basado en tablas de probabilidad de longevidad. También calcula la probabilidad de obtener más caras que cruces al lanzar una moneda cuatro veces y la probabilidad de que conductores cometan infracciones de tránsito o no usen cinturón de seguridad. Finalmente, resume ejemplos de distribución de Poisson y normal.
Un ejemplo explicado de las distribuciones de probabilidad.leonardo19940511
Este documento presenta varios ejemplos de distribuciones de probabilidad, incluyendo la distribución de Bernoulli, binomial, Poisson y normal. Explica cómo calcular la probabilidad de diferentes resultados posibles para cada distribución usando las fórmulas apropiadas. También proporciona un ejemplo numérico para ilustrar cómo aplicar estas fórmulas para resolver problemas estadísticos.
Este documento presenta 5 ejemplos para ilustrar la aplicación de las distribuciones de Bernoulli, binomial, Poisson y normal. Explica conceptos como probabilidad de éxito, probabilidad de fracaso, variables aleatorias y parámetros asociados a cada distribución. Los ejemplos incluyen lanzar monedas, dados y otros experimentos aleatorios para calcular probabilidades bajo cada distribución.
Este documento presenta varios ejemplos y problemas resueltos sobre distribuciones de probabilidad discretas y continuas como la binomial, Poisson y normal. Explica conceptos como media, desviación estándar y probabilidades para estas distribuciones y aplica aproximaciones normales a la binomial. Resuelve 10 problemas ilustrando cálculos y gráficas de las diferentes distribuciones.
Este documento presenta varios ejemplos ilustrativos de las principales distribuciones de probabilidad como Bernoulli, Poisson, binomial, gamma y t-student. Cada ejemplo incluye los parámetros de la distribución y el cálculo de probabilidades relevantes para la situación planteada como la probabilidad de éxito, media, varianza u otros valores estadísticos. Los ejemplos cubren aplicaciones comunes de estas distribuciones en diferentes campos como estadística, contabilidad, ingeniería y medicina.
Este documento explica la distribución de Poisson. Presenta 5 ejercicios numéricos que ilustran cómo calcular probabilidades para variables aleatorias con distribución de Poisson. Los ejercicios cubren cálculos como la probabilidad de que ocurran cierto número de eventos, la media y varianza esperadas, y comparaciones entre distribuciones de Poisson y binomial.
Este documento presenta seis distribuciones de probabilidad comunes: distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma, distribución normal y distribución t de Student. Explica brevemente cada distribución y proporciona ejemplos numéricos para ilustrar sus propiedades. También incluye ejercicios de práctica relacionados con cada distribución.
Este documento presenta 5 ejemplos de distribuciones de probabilidad, incluyendo distribución de Bernoulli, binomial, Poisson y normal. Explica cada distribución con un ejemplo numérico y calcula las probabilidades relevantes usando la herramienta Epidat 3.1. También incluye ejemplos de distribución gamma y cómo calcular probabilidades, tiempos medios y otros valores estadísticos para esta distribución.
Este documento presenta varios ejemplos de aplicaciones de distribuciones de probabilidad como la binomial, Poisson y normal. Explica cómo calcular la probabilidad de eventos usando estas distribuciones y las fórmulas asociadas. También muestra cómo aproximar la binomial con la normal para calcular probabilidades.
Este documento presenta un resumen de conceptos estadísticos como la distribución de Bernoulli, binomial, Poisson y normal. Incluye ejemplos y problemas resueltos sobre cada una de estas distribuciones.
Problemas resueltos de distribución muestralasrodriguez75
Este documento presenta la resolución de 5 preguntas sobre distribución muestral. La primera pregunta calcula la probabilidad de que la media de un muestra de 100 recién nacidos sea mayor a 3030 gramos. La segunda pregunta encuentra la probabilidad de que la vida promedio de una muestra de 16 focos sea menor a 775 horas. La tercera pregunta determina el número de medias muestrales que caen dentro de dos rangos dados para 200 muestras de 25 estudiantes.
Este documento presenta seis distribuciones de probabilidad comunes: la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución gamma, la distribución normal y la distribución t de Student. Incluye ejemplos y ejercicios para cada distribución, así como definiciones breves de cada una. El autor es Víctor Hugo Franco García y el documento forma parte de un curso de procesos industriales en la Universidad Tecnológica de Torreón.
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODELlucysan
Este documento presenta 4 ejercicios que involucran distribuciones binomiales y de Poisson. El primer ejercicio calcula la probabilidad de que 10 acciones aumenten de valor dado que el 70% generalmente lo hacen. El segundo calcula la probabilidad de que más de 10 personas realicen transacciones en una hora dada una tasa promedio de 5 personas por hora. El tercer ejercicio calcula la probabilidad de obtener 2 caras en 6 tiradas de una moneda. Y el cuarto calcula la probabilidad de que 2 de 10 herramientas sean defectuosas dado un 10% de
El documento presenta varios problemas estadísticos relacionados con distribuciones de probabilidad. En el primer problema, se calculan la media y varianza de una variable aleatoria con distribución de Bernoulli. En el segundo problema, se calculan la media y varianza de una variable aleatoria con distribución binomial. En el tercer problema, se calculan probabilidades para una variable aleatoria con distribución de Poisson.
Este documento proporciona ejemplos de diferentes distribuciones de probabilidad, incluyendo: Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica cada distribución a través de un ejemplo numérico, detallando los parámetros involucrados y cómo calcular la probabilidad de diferentes resultados.
El Colegio Andino experimentó una fuerte lluvia que duró varias horas hace unos días. Los estudiantes de fotografía del colegio documentaron la tarde lluviosa a través de fotografías.
El documento trata sobre dispositivos de almacenamiento secundario. Explica que la unidad base de medición para almacenamiento de datos es el byte y que los prefijos como kilo, mega y giga se usan como factores multiplicadores de 1024. También describe diferentes tipos de dispositivos magnéticos y ópticos, como discos duros, disquetes, CDs y DVDs, y cómo se organizan y almacenan los datos en ellos.
El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye un ejemplo de una variable aleatoria normal donde se analiza si la duración promedio de 25 focos cumple con las afirmaciones del fabricante.
Este documento explica cómo construir distribuciones muestrales de medias para una población, incluyendo los pasos para: 1) determinar el número de muestras posibles, 2) listar todas las muestras, 3) calcular la media de cada muestra, 4) agrupar las medias y calcular la media de medias, 5) calcular el error típico de la muestra y la población. Proporciona ejemplos para muestras con y sin reposición de tamaños 2 y 3 elementos seleccionados de poblaciones dadas.
Este documento presenta ejercicios sobre diferentes distribuciones de probabilidad incluyendo Bernoulli, binomial, Poisson y normal. Se proporcionan ejemplos y problemas para calcular probabilidades utilizando estas distribuciones. Los ejercicios cubren conceptos como media, varianza, funciones de probabilidad y cálculos estadísticos para diferentes escenarios.
El resumen analiza la probabilidad de que cinco personas vivan 30 años o más, al menos tres personas vivan 30 años o más, y exactamente dos personas vivan 30 años o más, basado en tablas de probabilidad de longevidad. También calcula la probabilidad de obtener más caras que cruces al lanzar una moneda cuatro veces y la probabilidad de que conductores cometan infracciones de tránsito o no usen cinturón de seguridad. Finalmente, resume ejemplos de distribución de Poisson y normal.
Un ejemplo explicado de las distribuciones de probabilidad.leonardo19940511
Este documento presenta varios ejemplos de distribuciones de probabilidad, incluyendo la distribución de Bernoulli, binomial, Poisson y normal. Explica cómo calcular la probabilidad de diferentes resultados posibles para cada distribución usando las fórmulas apropiadas. También proporciona un ejemplo numérico para ilustrar cómo aplicar estas fórmulas para resolver problemas estadísticos.
Este documento presenta 5 ejemplos para ilustrar la aplicación de las distribuciones de Bernoulli, binomial, Poisson y normal. Explica conceptos como probabilidad de éxito, probabilidad de fracaso, variables aleatorias y parámetros asociados a cada distribución. Los ejemplos incluyen lanzar monedas, dados y otros experimentos aleatorios para calcular probabilidades bajo cada distribución.
Este documento presenta varios ejemplos y problemas resueltos sobre distribuciones de probabilidad discretas y continuas como la binomial, Poisson y normal. Explica conceptos como media, desviación estándar y probabilidades para estas distribuciones y aplica aproximaciones normales a la binomial. Resuelve 10 problemas ilustrando cálculos y gráficas de las diferentes distribuciones.
Este documento presenta varios ejemplos ilustrativos de las principales distribuciones de probabilidad como Bernoulli, Poisson, binomial, gamma y t-student. Cada ejemplo incluye los parámetros de la distribución y el cálculo de probabilidades relevantes para la situación planteada como la probabilidad de éxito, media, varianza u otros valores estadísticos. Los ejemplos cubren aplicaciones comunes de estas distribuciones en diferentes campos como estadística, contabilidad, ingeniería y medicina.
Este documento explica la distribución de Poisson. Presenta 5 ejercicios numéricos que ilustran cómo calcular probabilidades para variables aleatorias con distribución de Poisson. Los ejercicios cubren cálculos como la probabilidad de que ocurran cierto número de eventos, la media y varianza esperadas, y comparaciones entre distribuciones de Poisson y binomial.
Este documento presenta seis distribuciones de probabilidad comunes: distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma, distribución normal y distribución t de Student. Explica brevemente cada distribución y proporciona ejemplos numéricos para ilustrar sus propiedades. También incluye ejercicios de práctica relacionados con cada distribución.
Este documento presenta 5 ejemplos de distribuciones de probabilidad, incluyendo distribución de Bernoulli, binomial, Poisson y normal. Explica cada distribución con un ejemplo numérico y calcula las probabilidades relevantes usando la herramienta Epidat 3.1. También incluye ejemplos de distribución gamma y cómo calcular probabilidades, tiempos medios y otros valores estadísticos para esta distribución.
Este documento presenta varios ejemplos de aplicaciones de distribuciones de probabilidad como la binomial, Poisson y normal. Explica cómo calcular la probabilidad de eventos usando estas distribuciones y las fórmulas asociadas. También muestra cómo aproximar la binomial con la normal para calcular probabilidades.
Este documento presenta un resumen de conceptos estadísticos como la distribución de Bernoulli, binomial, Poisson y normal. Incluye ejemplos y problemas resueltos sobre cada una de estas distribuciones.
Problemas resueltos de distribución muestralasrodriguez75
Este documento presenta la resolución de 5 preguntas sobre distribución muestral. La primera pregunta calcula la probabilidad de que la media de un muestra de 100 recién nacidos sea mayor a 3030 gramos. La segunda pregunta encuentra la probabilidad de que la vida promedio de una muestra de 16 focos sea menor a 775 horas. La tercera pregunta determina el número de medias muestrales que caen dentro de dos rangos dados para 200 muestras de 25 estudiantes.
Este documento presenta seis distribuciones de probabilidad comunes: la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución gamma, la distribución normal y la distribución t de Student. Incluye ejemplos y ejercicios para cada distribución, así como definiciones breves de cada una. El autor es Víctor Hugo Franco García y el documento forma parte de un curso de procesos industriales en la Universidad Tecnológica de Torreón.
Ejercicios de distribucion binomial y de poison: STAT FIT DE PROMODELlucysan
Este documento presenta 4 ejercicios que involucran distribuciones binomiales y de Poisson. El primer ejercicio calcula la probabilidad de que 10 acciones aumenten de valor dado que el 70% generalmente lo hacen. El segundo calcula la probabilidad de que más de 10 personas realicen transacciones en una hora dada una tasa promedio de 5 personas por hora. El tercer ejercicio calcula la probabilidad de obtener 2 caras en 6 tiradas de una moneda. Y el cuarto calcula la probabilidad de que 2 de 10 herramientas sean defectuosas dado un 10% de
El documento presenta varios problemas estadísticos relacionados con distribuciones de probabilidad. En el primer problema, se calculan la media y varianza de una variable aleatoria con distribución de Bernoulli. En el segundo problema, se calculan la media y varianza de una variable aleatoria con distribución binomial. En el tercer problema, se calculan probabilidades para una variable aleatoria con distribución de Poisson.
Este documento proporciona ejemplos de diferentes distribuciones de probabilidad, incluyendo: Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica cada distribución a través de un ejemplo numérico, detallando los parámetros involucrados y cómo calcular la probabilidad de diferentes resultados.
El Colegio Andino experimentó una fuerte lluvia que duró varias horas hace unos días. Los estudiantes de fotografía del colegio documentaron la tarde lluviosa a través de fotografías.
El documento trata sobre dispositivos de almacenamiento secundario. Explica que la unidad base de medición para almacenamiento de datos es el byte y que los prefijos como kilo, mega y giga se usan como factores multiplicadores de 1024. También describe diferentes tipos de dispositivos magnéticos y ópticos, como discos duros, disquetes, CDs y DVDs, y cómo se organizan y almacenan los datos en ellos.
El documento presenta un estudio realizado por el INEGI sobre los sueldos de hombres y mujeres en México en diferentes ocupaciones. Se pide analizar si existen diferencias salariales entre géneros y si la profesión influye en la retribución. También se presenta un caso de supuesta copia y se pide aplicar análisis estadístico para evaluar evidencia del "efecto sonrisa". Finalmente, se describen ejercicios prácticos de regresión lineal simple y múltiple para predecir resultados.
Este documento presenta una introducción a los conceptos básicos de estadística. Define la estadística como la ciencia que trata de la recolección, organización, presentación y análisis de conjuntos de datos con el fin de obtener conclusiones e inferencias. Explica que la estadística se relaciona con la toma de decisiones y que todo el proceso gira en torno a los datos. Finalmente, introduce algunos modelos estadísticos simples como medidas de tendencia central y dispersión.
Este documento presenta información sobre distribuciones de probabilidad discretas y continuas. Explica las distribuciones binomial, Poisson y exponencial, incluyendo sus funciones de probabilidad, propiedades y ejemplos. También muestra cómo calcular probabilidades usando estas distribuciones y aplicarlas a situaciones del mundo real.
Este documento presenta conceptos clave sobre distribuciones de probabilidad. Explica que una variable aleatoria puede ser discreta o continua, dependiendo de si puede asumir valores finitos o infinitos. También define la función de probabilidad y cómo esta describe la distribución de probabilidad de una variable aleatoria. Por último, introduce las medidas de valor esperado y varianza para resumir las características de una distribución.
Este documento presenta los pasos para realizar pruebas de hipótesis para una y dos poblaciones, incluyendo desarrollar hipótesis nula y alternativa, especificar el nivel de significancia, calcular estadísticos de prueba como z y t, calcular valores p y tomar decisiones sobre el rechazo de la hipótesis nula. Se proporcionan ejemplos numéricos para ilustrar cada paso del proceso.
Este documento describe los métodos para estimar intervalos de confianza y realizar pruebas de hipótesis sobre parámetros poblacionales como la media. Explica cómo calcular el margen de error e intervalos de confianza para la media cuando la desviación estándar es conocida o desconocida, utilizando distribuciones normales o t de Student. También cubre los pasos para realizar pruebas de hipótesis, incluyendo la formulación de hipótesis nulas y alternativas, y el cálculo de valores críticos y valores p para
El documento lista los requisitos de documentación necesarios para conducir vehículos particulares y de carga en el país, incluyendo licencia de conducir, documentos de identidad, seguro obligatorio, y documentación adicional para vehículos de carga como habilitación municipal y libreta sanitaria. También enumera requisitos indispensables para conducir como respetar límites de velocidad, señales, no zigzaguear, ceder el paso, y no consumir alcohol.
Early Chinese enjoyed recreational activities such as card games, kite flying, dominoes, and shadow plays, some of which are still played today. It is believed that cards were introduced to China by Arabs and exchanged as gifts. Kite flying, in particular, originated in China and was later adopted as a popular pastime in other countries, being not just recreational but also competitive in China.
Este documento presenta fotos y análisis sobre el desarrollo urbano en la región de Ipiales, Colombia. Se incluyen fotos de varios aspectos como vías, vivienda, educación, recreación y servicios básicos, describiendo cómo cada uno contribuye al desarrollo. El autor concluye que aunque la región ha progresado, todavía quedan desafíos sociales por resolver y que el desarrollo urbano continuo es necesario para brindar más oportunidades a los ciudadanos.
El documento habla sobre conceptos básicos de electricidad y electrónica. Explica la invención del diodo de vacío por Fleming en 1904 y cómo este dispositivo funciona basado en el efecto Edison. También describe cómo De Forest inventó el triodo en 1906, permitiendo la amplificación de señales y el desarrollo de la radio, televisión y otros equipos electrónicos. Finalmente, resume que la ingeniería automotriz moderna incorpora elementos de mecánica, electricidad, electrónica y otras ramas, aplicadas al diseño y operación de veh
Loft City Church is a Christian church located in an urban area. The website provides information about their services and events to help people experience God and community. Visitors can find details on worship times, learning opportunities, and serving projects through the church's online presence.
CSR w Polsce - Norma ISO 26000 i omówienie na przykładach, (case studies)Agnieszka Ciesielska
CSR i wydarzenia na zielono - czyli dobre praktyki w obszarze Odpowiedzialnego Biznesu w Polsce. Case study praktyk, które sprawdziły się w różnych przedsiębiorstwach w Polsce i korporacjach na świecie. Część wydarzeń to czyste eventy z branży CSR. Zachęcam do powielania pomysłów. :-)
Jaime Camil nació en la Ciudad de México en julio de 1973. Comenzó su carrera como locutor de radio en 1993 y luego se desempeñó como actor y conductor de televisión, protagonizando varias telenovelas exitosas como La fea más bella. También lanzó un álbum musical en 1999 y ha tenido una prolífica carrera como actor de cine y televisión en México y Estados Unidos.
The document discusses the benefits of exercise for mental health. Regular physical activity can help reduce anxiety and depression and improve mood and cognitive function. Exercise causes chemical changes in the brain that may help protect against mental illness and improve symptoms for those who already suffer from conditions like anxiety and depression.
Este documento presenta información sobre distribuciones de probabilidad como la binomial, Poisson y exponencial. Explica cómo calcular la probabilidad de resultados específicos usando estas distribuciones y proporciona ejemplos numéricos. También introduce conceptos como valores-z y la distribución normal estandarizada para comparar y normalizar datos.
Este documento presenta información sobre distribuciones de probabilidad discretas y continuas, incluyendo la distribución binomial, la distribución de Poisson y la distribución exponencial. Explica las funciones de probabilidad y propiedades de cada distribución, así como ejemplos para ilustrar su aplicación. También discute la relación entre las distribuciones de Poisson y exponencial.
Este documento presenta una sesión sobre distribuciones de probabilidad discretas y continuas. Se discuten las distribuciones binomial, Poisson y exponencial, incluyendo sus funciones de probabilidad, propiedades y ejemplos. También se explica la relación entre las distribuciones de Poisson y exponencial.
El documento presenta una sesión sobre distribuciones de probabilidad discretas y continuas. Se discuten las distribuciones binomial, Poisson y exponencial, incluyendo sus funciones de probabilidad, propiedades y ejemplos. También se explica la relación entre las distribuciones de Poisson y exponencial.
Este documento presenta una agenda para una sesión sobre distribuciones discretas, continuas y muestreo. La sesión incluye una introducción al curso, una discusión sobre contar datos, la distribución normal, estandarización, dos teoremas importantes y muestreo. También presenta ejemplos de distribuciones binomiales, Poisson y normal y cómo calcular probabilidades usando estas distribuciones.
Este documento proporciona una introducción a las distribuciones de probabilidad. Explica que una distribución de probabilidad lista los valores posibles de una variable aleatoria y sus probabilidades asociadas. Describe dos tipos principales de distribuciones: discretas, donde la variable toma valores separados, y continuas. Luego, ofrece ejemplos detallados de las distribuciones binomial, de Poisson y hipergeométrica, incluidos cálculos de probabilidades.
Este documento describe las distribuciones de probabilidad discreta binomial y de Poisson. La distribución binomial modela experimentos con dos resultados posibles (éxito/fracaso) y probabilidades constantes. La distribución de Poisson modela el número de eventos que ocurren en intervalos de tiempo o espacio, donde la probabilidad de un evento es proporcional al intervalo y los eventos son independientes. Ambas distribuciones tienen propiedades como la media y varianza que pueden usarse para calcular probabilidades.
La distribución de Poisson describe eventos aleatorios donde la probabilidad de que ocurra un evento es pequeña pero el número total de intentos es grande. Se usa para modelar procesos como llamadas telefónicas, llegada de pacientes a hospitales, accidentes viales, y defectos en productos. La distribución depende de un parámetro λ que representa el número promedio de eventos. La probabilidad de x eventos es P(x|λ) = λx e-λ/x!.
Este documento describe diferentes distribuciones de probabilidad discretas, incluyendo la distribución uniforme, de Bernoulli, binomial, binomial negativa, geométrica, hipergeométrica, de Poisson y multinomial. Para cada distribución se especifican sus características, parámetros, función de probabilidad y otros conceptos relevantes. El documento también cubre aproximaciones como la de la distribución hipergeométrica a la binomial y viceversa.
El documento describe diferentes distribuciones de probabilidad como la binomial, hipergeométrica y de Poisson. La distribución binomial se aplica cuando se realizan múltiples experimentos de Bernoulli independientes. La distribución hipergeométrica modela la probabilidad de eventos en una muestra aleatoria sin reemplazo. La distribución de Poisson describe la probabilidad de eventos que ocurren a una tasa promedio conocida e independientemente del tiempo.
El documento describe diferentes distribuciones de probabilidad discretas y continuas como la binomial, Poisson, normal y exponencial. Define conceptos como variable aleatoria, función de probabilidad y valor esperado, y presenta ejemplos para ilustrar el cálculo de probabilidades usando estas distribuciones.
El documento presenta una sesión sobre estadística descriptiva. Explica conceptos como distribuciones de frecuencia, histogramas, escalas de medición, tablas de frecuencia y modelos estadísticos simples como la media, moda y mediana. También introduce la estadística inferencial y conceptos de variable aleatoria, distribuciones de probabilidad y los modelos binomial y de Poisson.
Este documento describe diferentes tipos de distribuciones de probabilidad discreta, incluyendo distribuciones binomiales, de Poisson y normales. Explica que una distribución discreta asigna probabilidades a valores discretos o contables de una variable aleatoria. También proporciona ejemplos numéricos para ilustrar cómo calcular probabilidades usando estas distribuciones.
La distribución de Poisson describe procesos aleatorios donde los eventos ocurren con baja probabilidad en intervalos de tiempo, área o volumen. Se utiliza para calcular la probabilidad de que ocurran k eventos dados los parámetros λ y n. La media y varianza de una distribución de Poisson son iguales a λ.
Este documento presenta información sobre distribuciones discretas como la hipergeométrica, binomial y Poisson. Explica las definiciones y propiedades de cada distribución, incluyendo sus funciones de probabilidad masiva y parámetros. También incluye ejemplos numéricos para ilustrar el cálculo de probabilidades usando estas distribuciones.
Este documento presenta conceptos básicos de estadística descriptiva como distribuciones de frecuencia, histogramas y diagramas de caja. Explica cómo modelar datos usando distribuciones de probabilidad discretas y calcula el valor esperado y la varianza para una variable aleatoria discreta.
La distribución de Poisson es una distribución de probabilidad discreta que modela el número de eventos que ocurren en un intervalo de tiempo o espacio cuando dichos eventos son aleatorios e independientes. Se aplica a fenómenos como el número de autos que pasan por un punto, errores ortográficos en una página, o llamadas telefónicas por minuto. La distribución depende de un parámetro λ que representa la tasa promedio de ocurrencia de eventos.
Este documento describe diferentes distribuciones de probabilidad como la binomial, Poisson y exponencial. También incluye ejemplos y problemas de cada distribución. La distribución binomial se usa para modelar experimentos con varios ensayos de Bernoulli, la Poisson se aplica a eventos aleatorios que ocurren continuamente en el tiempo o espacio, y la exponencial modela el tiempo entre eventos.
This lecture discusses modeling business decisions and processes. It introduces the concepts of prototyping strategies, disrupting businesses, digitizing core processes, creating value from data, and building ecosystems. The lecture also discusses using tools like Power BI and BPMN modeling to diagram business processes and decisions. Key steps in BPMN modeling are deciding the process to diagram, recording each step, and accounting for decisions and relationships between steps.
This document discusses intelligence sources and the elements of intelligence. It describes intelligence as a process of collecting, analyzing, and disseminating information, as well as conducting covert actions. The four main elements of intelligence are identified as collection, analysis, dissemination, and covert action. The key intelligence collection disciplines discussed are human intelligence, signals intelligence, open-source intelligence, and geospatial intelligence.
This document summarizes key points from a lecture on decision making. It discusses technology life cycles, including the S-curve model and challenges of adoption. The Gartner Hype Cycle is presented as a useful tool for assessing emerging technologies. Game theory concepts are covered, including the prisoner's dilemma framework and Nash equilibrium. The importance of data-driven decision making for organizations is highlighted. Examples are provided on analyzing business intelligence data in Power BI to inform strategic choices.
This document provides an overview of business intelligence and related concepts. It discusses how new technologies can enable new industries and competitive waves. It defines data, information, and knowledge and describes transactional and analytical processing. The five stages of BI are outlined as data, ETL, data warehousing, analytic engine, and presentation layer. Finally, it discusses the evolution of BI, different levels of BI, examples of BI tools, and frameworks for analyzing technology adoption cycles.
Este documento presenta la agenda para la sesión 5 sobre pruebas de hipótesis de dos poblaciones. Incluye temas como pruebas de normalidad, diferencias entre dos poblaciones, ejemplos de pruebas de hipótesis con dos poblaciones y selección de pruebas estadísticas. También presenta tres casos prácticos para aplicar los conceptos vistos.
Este documento presenta la agenda para la sesión 4 sobre estimación de intervalos y pruebas de hipótesis. La sesión cubrirá los temas de estimación de intervalos, muestreo, estadístico t, planteamiento y uso de pruebas de hipótesis en Mathematica, con ejemplos sobre estimación de intervalos, selección del tamaño de la muestra, errores tipo I y II, y pasos para realizar pruebas de hipótesis.
La sesión revisó conceptos básicos de estadística como tablas de frecuencia, medidas de tendencia central y dispersión, y modelos estadísticos simples. Se discutieron datos cuantitativos y cualitativos, y sus escalas de medición. También se explicaron conceptos como variable aleatoria, distribución de probabilidad, valor esperado y varianza usando ejemplos prácticos.
Este documento presenta la agenda de la sesión uno de un curso de estadística. Incluye una introducción a conceptos básicos de estadística, el manejo de datos con Mathematica, datos financieros de empresas mexicanas y gráficos. También cubre la instalación de Mathematica, tipos de cambio, importación y análisis de datos propios, y define estadística.
Este documento presenta una agenda para un día de capacitación sobre fundamentos estadísticos para finanzas. La agenda incluye introducciones a conceptos como el manejo de datos con Mathematica, empresas listadas en la Bolsa Mexicana de Valores, gráficos financieros y conceptos básicos de estadística descriptiva e inferencial.
This document contains notes and slides from a lecture on various topics related to business modeling, disruptive technologies, and simulations. Some key points include:
1. A simulation assessed the top skills needed for model building as knowledge of the business, data, and critical thinking, while statistical knowledge and tool knowledge ranked lower.
2. Notes discuss Uber's regulatory challenges as a disruptive technology and how incumbent taxi operators responded. The document also contains slides on simulations assessing battery technology investments.
3. The slides show examples of R&D investment strategies over time for nickel metal hydride and ultracapacitor battery technologies, as well as the profit contributions of each.
4. Disruptive innovation frameworks are discussed
The document discusses strategic planning for corporate and process innovation. It discusses the role of the Chief Innovation Officer and the democratization and consumability of technology, meaning making technology accessible and easy to use for more users. It also discusses skills needed for predictive analytics model building, including knowledge of the business and data being more important than statistical or tool knowledge. Finally, it discusses a simulation about managing innovation at a battery company facing disruptive technology challenges.
esp@cenet es una base de datos con más de 60 millones de documentos de patentes de cobertura mundial. Ha sido diseñada para científicos e ingenieros como fuente de información técnica y es utilizada por expertos en patentes. Los usuarios pueden realizar búsquedas por palabra clave o por clase tecnológica de la Clasificación Internacional de Patentes.
Este documento presenta los aspectos clave de la gestión de la innovación tecnológica en el Campus Estado de México del Tecnológico de Monterrey. Aborda temas como el sistema de gestión de la innovación, la vigilancia tecnológica, la gestión del conocimiento y la integración del portafolio de proyectos. El documento analiza también el entorno de la innovación y las competencias necesarias en las empresas innovadoras.
This document summarizes key points from a lecture on disruptive technologies and innovation strategies. It discusses how companies should focus on transformation, personalization at scale, and intention-driven approaches. The document also outlines factors that influence an innovator's technology strategy, such as performance evolution and market development. Finally, it discusses concepts like force multipliers in innovation, S-curves, and the innovator's dilemma around cooperation versus competition with complementary assets.
El documento presenta tres casos de estudio sobre inferencia estadística de dos poblaciones y el uso de análisis de varianza (ANOVA) y regresión lineal simple. Luego proporciona información sobre cómo resolver los casos de estudio, incluidos ejemplos y ejercicios prácticos sobre ANOVA de uno y dos factores y regresión lineal simple.
Este documento presenta la sesión 7 de un curso de Estadística en las Organizaciones impartido por el Dr. Jorge Ramírez. La sesión cubre temas como pruebas de hipótesis, ejercicios prácticos de problemas relacionados con hospitales y máquinas expendedoras, y la solución de dichos problemas paso a paso. Los estudiantes también realizan un experimento por equipos y deben subir los resultados a la plataforma de manera individual.
This document appears to be notes from a lecture that covered several topics:
1) Developing strategies under uncertain environments, international remittances, and homework on Nash equilibrium and Gans and Stern matrix analyses.
2) Key concepts discussed include technology strategies, disruptive technologies, and the stages in a technology's evolution and a market's development.
3) Digital disruption and future technologies like ubiquitous sensing, connectivity, and the internet of everything were also covered.
This lecture discusses strategies for firms operating under uncertainty. It explores whether firms should be first or fast followers in introducing new technologies. While being first offers advantages, following allows learning from others' mistakes. The lecture also presents game theory scenarios involving toothpaste and pizza companies to analyze strategic interactions and outcomes like Nash equilibriums. Disruptive technologies and dominant/dominated strategies are discussed. Overall, the lecture examines strategic decision making for firms in uncertain environments using concepts from readings and examples.
Este documento presenta información sobre pruebas de hipótesis para una población. Explica cómo estimar intervalos de confianza para la media de una población cuando la desviación estándar es conocida o desconocida, utilizando distribuciones normales o t de Student. También cubre la selección del tamaño de muestra, errores tipo I y II, y los pasos para realizar pruebas de hipótesis, incluidos ejemplos numéricos.
Este documento presenta la sesión 4 sobre la distribución muestral de la media. Explica que cuando la muestra es grande (n>30), la distribución de la media muestral puede aproximarse a una distribución normal según el teorema del límite central. También aborda cómo calcular valores z y usar tablas de distribución normal para resolver problemas estadísticos como determinar la probabilidad de faltantes en el ejemplo de "El Tuercas". Finalmente, asigna una tarea para la siguiente sesión.
1. Sesión DosSesión Dos
Distribuciones de probabilidadDistribuciones de probabilidad
discretas y contínuasdiscretas y contínuas
Dr. Jorge Ramírez Medina
EGADE Business School
2. Dr Jorge Ramírez Medina
EGADE Business School
Nuestro interés es el número de éxitosNuestro interés es el número de éxitos
que ocurren en los n intentos.que ocurren en los n intentos.
Tomamos x como el número de éxitosTomamos x como el número de éxitos
que ocurren en los n intentos.que ocurren en los n intentos.
Distribución Binomial
3. Dr Jorge Ramírez Medina
EGADE Business School
donde:
f(x) = La probabilidad de x éxitos en n intentos
n = el número de intentos
p = la probabilidad de éxito de cualquier intento
Función de probabilidad binomial
Distribución Binomial
)(
)1(
)!(!
!
)( xnx
pp
xnx
n
xf −
−
−
=
4. Dr Jorge Ramírez Medina
EGADE Business School
Función de probabilidad binomial
Distribución Binomial
Probabilidad de unaProbabilidad de una
secuencia particular de resultadossecuencia particular de resultados
con x éxitos en n intentoscon x éxitos en n intentos
Número de resultadosNúmero de resultados
experimentales que danexperimentales que dan
x éxitos en intentosx éxitos en intentos
)(
)1(
)!(!
!
)( xnx
pp
xnx
n
xf −
−
−
=
5. Dr Jorge Ramírez Medina
EGADE Business School
Ejemplo
La empresa está preocupada por la alta rotación
de sus empleados. Para un empleado seleccionado
al azar, se estima una probabilidad de 0.1 de que la
persona no esté el próximo semestre trabajando. Si
se seleccionan 3 empleados al azar ¿cuál es la
probabilidad de que uno de ellos no esté trabajando
el próximo semestre en el CITEC?
Distribución Binomial
6. Dr Jorge Ramírez Medina
EGADE Business School
Diagrama de árbol
1st
Worker 2nd
Worker 3rd
Worker x Prob.
Leaves
(.1)
Stays
(.9)
3
2
0
2
2
Leaves (.1)
Leaves (.1)
S (.9)
Stays (.9)
Stays (.9)
S (.9)
S (.9)
S (.9)
L (.1)
L (.1)
L (.1)
L (.1) .0010
.0090
.0090
.7290
.0090
1
1
.0810
.0810
.0810
11
Distribución Binomial
7. Dr Jorge Ramírez Medina
EGADE Business School
Utilizando la función de probabilidad Binomial
tome: p = .10, n = 3, x = 1
Distribución Binomial
)(
)1(
)!(!
!
)( xnx
pp
xnx
n
xf −
−
−
=
243.0)81)(.1(.3)1.01(1.0
)!13(!1
!3
)1( )13(1
==−
−
= −
f
9. Dr Jorge Ramírez Medina
EGADE Business School
El valorEl valor esperadoesperado;;
La varianza;La varianza;
La desviación estándar,La desviación estándar, σσ ==
Var(Var(xx) =) = σσ 22
== np(1-pnp(1-p)
EE((xx) =) = µµ == npnp
Distribución Binomial
)1( pnp −
10. Dr Jorge Ramírez Medina
EGADE Business School
E(x) =E(x) = npnp = 3(.1) = .3= 3(.1) = .3 empleadosempleados de 3de 3
Var(Var(xx) =) = σσ 22
== 3(.1)(.9) = .273(.1)(.9) = .27
Distribución Binomial
empleados52.)9)(.1(.3 ==σ
11. Dr Jorge Ramírez Medina
EGADE Business School
Una variable aleatoria con una distribución PoissonUna variable aleatoria con una distribución Poisson
es útil para estimar el número de ocurrencias sobrees útil para estimar el número de ocurrencias sobre
un intervalo especificado de tiempo o espacio.un intervalo especificado de tiempo o espacio.
Es una variable aleatoria discreta que puede tomarEs una variable aleatoria discreta que puede tomar
una secuencia de valores infinita (x = 0, 1, 2, . . . ).una secuencia de valores infinita (x = 0, 1, 2, . . . ).
Distribución Poisson
12. Dr Jorge Ramírez Medina
EGADE Business School
Ejemplo de variables aleatorias conEjemplo de variables aleatorias con
distribución Poissondistribución Poisson
La cantidad de fugas en 10 km. de unLa cantidad de fugas en 10 km. de un
gaseoductogaseoducto
Los automóviles que pasan porLos automóviles que pasan por
una caseta en una horauna caseta en una hora
Distribución Poisson
13. Dr Jorge Ramírez Medina
EGADE Business School
Propiedades de los experimentos Poisson
La ocurrencia o no-ocurrencia en cualquierLa ocurrencia o no-ocurrencia en cualquier
intervalo es independiente de la ocurrencia ointervalo es independiente de la ocurrencia o
no-occurrencia en cualquier otro intervalo.no-occurrencia en cualquier otro intervalo.
La probabilidad de una ocurrencia es la mismaLa probabilidad de una ocurrencia es la misma
para dos intervalos cualesquiera de igual longitudpara dos intervalos cualesquiera de igual longitud
Distribución Poisson
14. Dr Jorge Ramírez Medina
EGADE Business School
Distribución Poisson
Función de probabilidad
Poisson
en donde:en donde:
f(x) = probabilidad de x ocurrencias en un intervalof(x) = probabilidad de x ocurrencias en un intervalo
µ= media de ocurrencias en un intervaloµ= media de ocurrencias en un intervalo
e = 2.71828e = 2.71828
!
)(
x
e
xf
x µ
µ −
=
15. Dr Jorge Ramírez Medina
EGADE Business School
MERCYMERCY
• Ejemplo: Hospital López Mateos
Los fines de semana en la tarde
a la sala de emergencias del
Hospital LM llegan en promedio
6 pacientes por hora .
Cuál es la probabilidad de que
lleguen 4 pacientes en 30 minutos
en la tarde de un fin de semana?
Distribución Poisson
16. Dr Jorge Ramírez Medina
EGADE Business School
Utilizando la Función de Probabilidad Poisson
MERCYMERCY
µ = 6/hora = 3/media-hora, x = 4
Distribución Poisson
1680.0
!4
)71828.2(3
)4(
34
==
−
f
17. Dr Jorge Ramírez Medina
EGADE Business School
Utilizando las tablas de probabilidad Poisson
MERCYMERCY
Distribución Poisson
Utilizando excel; =POISSON(4,3,FALSO)
18. Dr Jorge Ramírez Medina
ITESM EGADE Zona Centro
MERCYMERCY
Poisson Distribution of Arrivals
Poisson Probabilities
0.00
0.05
0.10
0.15
0.20
0.25
0 1 2 3 4 5 6 7 8 9 10
Número de llegadas en 30 Minutos
Probabilidad
La secuenciaLa secuencia
continua:continua:
11, 12, …11, 12, …
Distribución Poisson
19. Dr Jorge Ramírez Medina
EGADE Business School
Una propiedad de la distribución Poisson es queUna propiedad de la distribución Poisson es que
La media y la varianza son iguales.La media y la varianza son iguales.
µ = σ 2
Distribución Poisson
20. Dr Jorge Ramírez Medina
EGADE Business School
MERCYMERCY
Varianza de las llegadas durante el periodo de 30
minutos.
µ = σ 2
= 3
Distribución Poisson
21. Dr Jorge Ramírez Medina
EGADE Business School
SLOW
Distribución de probabilidad
exponencial
• Útil para describir el tiempo que toma el completar una
tarea.
• Las variables aleatorias exponenciales pueden ser
utilizadas para describir:
Tiempo de llegada
Entre vehículos
a una caseta.
Tiempo requerido
para llenar un
cuestionario
Distancia entre
baches en una
autopista
22. Dr Jorge Ramírez Medina
EGADE Business School
• Función de densidad
donde: µ = media
e = 2.71828
Para xPara x ≥0,≥0, μ≥μ≥00
Distribución de probabilidad
exponencial
µ
µ
x
exf
−
=
1
)(
23. Dr Jorge Ramírez Medina
EGADE Business School
• Probabilidades
acumulativas
donde:
x0 = algún valor específico de x
Distribución de probabilidad
exponencial
−
−=≤ µ
ox
exxP 1)( 0
24. Dr Jorge Ramírez Medina
EGADE Business School
• Ejemplo; gasolinera las Torres
El tiempo entre carros que llegan a
la gasolinera las Torres sigue una
distribución de probabilidad
exponencial con una media entre
llegadas de 3 minutos. Se
quiere saber cuál es la probabilidad
de que el tiempo entre 2 llegadas
sea menor o igual de 2 minutos.
Distribución de probabilidad
exponencial
25. Dr Jorge Ramírez Medina
EGADE Business School
x
f(x)
.1
.3
.4
.2
1 2 3 4 5 6 7 8 9 10
Tiempo entre llegadas (mins.)
P(x < 2) = 1 - 2.71828-2/3
= 1 - .5134 = .4866P(x < 2) = 1 - 2.71828-2/3
= 1 - .5134 = .4866
Distribución de probabilidad
exponencial
26. Dr Jorge Ramírez Medina
EGADE Business School
Una propiedad de la distribución exponencial esUna propiedad de la distribución exponencial es
que la media,que la media, µµ, y la desviación estándar,, y la desviación estándar, σσ, son iguales, son iguales
La desviación estándar,La desviación estándar, σσ, y la varianza,, y la varianza, σσ 22
, para el, para el
tiempo entre llegadas en la gasolinera las Torres:tiempo entre llegadas en la gasolinera las Torres:
σ = µ = 3 minutes
σ 2
= (3)2
= 9
Distribución de probabilidad
exponencial
27. Dr Jorge Ramírez Medina
EGADE Business School
La distribución exponencial está sesgada positivamente.La distribución exponencial está sesgada positivamente.
La medición del sesgo para la distribuciónLa medición del sesgo para la distribución
exponencial es 2.exponencial es 2.
Distribución de probabilidad
exponencial
28. Dr Jorge Ramírez Medina
EGADE Business School
La distribución PoissonLa distribución Poisson
da una descripción apropiadada una descripción apropiada
del número de ocurrenciasdel número de ocurrencias
por intervalopor intervalo
La distribución exponencialLa distribución exponencial
da una descripción apropiadada una descripción apropiada
de la longitud del intervalode la longitud del intervalo
entre las ocurrenciasentre las ocurrencias
Relación entre las
distribuciones exponencial y
Poisson
Aclarar que función Binomial será vista rápidamente
Guía; Pon 3 personas para ejemplificar combinaciones. Combinar 3 personas = 1. Combinar de dos maneras 3 personas = 3. C (3, 2). Anota en el pizarrón. Enfatizar que es como si tuviera 2 opciones c/persona --- ojo, importa y no importa el orden, ejemplificar sobre el diagrama de árbol-- Haz el ejercicio con la compra de tres clientes, no importa el orden .p=0.3 (probabilidad de que compre). Hacer diagrama de árbol. Compra no compra. Ojo x=compra. Escribe valores de x 3,2,2,1,2,1,1,0 Checar x=2 éxitos en n=3 intentos C(3, 2) = 3!/2!(3-2)! =3 x=3 éxitos en n=3 intentos C(3,3) = 1 La probabilidad de que los primeros dos clientes compren y que le tercero no compre; pp(1-p) Compra, compra, no compra pp(1-p) = p 2 (1-p) = 0.63 Compra, no compra, compra p(1-p)p = p 2 (1-p) No compra, compra, compra (1-p)pp = p 2 (1-p) => p x (1-p) (n-x) Para 2 éxitos, en 3 intentos = 0.63 F(x) = (n x) p x (1-p) (n-x)