La distribución binomial negativa describe el número de fracasos necesarios para obtener un número determinado de éxitos. Tiene como características que la probabilidad de no ocurrencia es cero, depende del número de éxitos considerados, y concluye cuando se obtengan dichos éxitos. Existen tres formas típicas de trabajar con ella: valores fijos, función de distribución acumulada fija, y función de distribución acumulada que tiende al infinito. Se provee un ejemplo para ilustrar su aplicación.
Ejercicios de distribución binomial, hipergeométrica y de poisson pablo peraz...Stalin Jose Gdz
Este documento presenta varios ejercicios resueltos sobre distribuciones de probabilidad como binomial, hipergeométrica, Poisson y sus aplicaciones. Los ejercicios incluyen calcular probabilidades para eventos como obtener cierto número de éxitos en muestras aleatorias, número de defectos en lotes, y ocurrencia de errores o imperfecciones siguiendo estas distribuciones.
Este documento presenta varios ejercicios sobre distribuciones de probabilidad como la binomial, hipergeométrica y de Poisson. En el primer ejercicio se calcula la probabilidad de obtener cuatro pernos en buen estado de una muestra de 20 pernos. En el segundo ejercicio se calculan probabilidades relacionadas a infracciones de tránsito. El tercer ejercicio calcula probabilidades para un examen de opción múltiple.
Este documento presenta cuatro ejercicios de probabilidad discreta relacionados con situaciones aleatorias. En el primer ejercicio se calcula la probabilidad de que 4 de 13 estudiantes estén casados. En el segundo, la probabilidad de que 2 de 3 proyectiles sean defectuosos. En el tercero, la probabilidad de que una mesera niegue bebidas alcohólicas a solo 2 menores de entre 5 verificaciones. Y en el cuarto, la probabilidad de que al menos 6 de 8 lechosas estén maduras y la probabilidad de que como má
La distribución normal es la más importante en estadística debido a su frecuencia de aparición y sus aplicaciones teóricas. Fue descubierta de forma independiente por De Moivre, Laplace y Gauss en relación con la teoría de los errores de observación. Sus características principales son que tiene forma de campana, es simétrica respecto a su media y depende de dos parámetros: la media y la desviación típica.
El documento contiene la solución a 5 ejercicios de probabilidad y estadística. El primer ejercicio calcula la probabilidad de que entre 9 clientes, exactamente 5, al menos 6 o a lo sumo 3 elijan un producto por su marca. El segundo calcula la probabilidad de que en una hora de baja demanda en un parqueadero ingresen 5, 9 o menos de 8 vehículos. El tercero calcula la probabilidad de que al disparar 4 proyectiles de un lote de 10, todos exploten, al menos 2 no exploten o al menos
Este documento presenta información sobre la distribución de Poisson. Explica que se utiliza para aproximar la distribución binomial cuando n es grande y p es pequeña. Proporciona la fórmula de Poisson y resuelve ejemplos numéricos como calcular la probabilidad de que ocurran x eventos.
El documento describe la distribución exponencial, una distribución de probabilidad continua utilizada para modelar el tiempo entre eventos. Explica que sigue una función de densidad de probabilidad exponencial y analiza propiedades como la media y función de distribución. Luego presenta ejemplos como el tiempo entre desintegraciones de partículas radiactivas y el tiempo de espera en una línea telefónica.
Este documento explica las distribuciones discretas de probabilidad, incluyendo la distribución binomial y la distribución de Poisson. Proporciona ejemplos y ejercicios para ilustrar cómo calcular probabilidades usando estas distribuciones.
Ejercicios de distribución binomial, hipergeométrica y de poisson pablo peraz...Stalin Jose Gdz
Este documento presenta varios ejercicios resueltos sobre distribuciones de probabilidad como binomial, hipergeométrica, Poisson y sus aplicaciones. Los ejercicios incluyen calcular probabilidades para eventos como obtener cierto número de éxitos en muestras aleatorias, número de defectos en lotes, y ocurrencia de errores o imperfecciones siguiendo estas distribuciones.
Este documento presenta varios ejercicios sobre distribuciones de probabilidad como la binomial, hipergeométrica y de Poisson. En el primer ejercicio se calcula la probabilidad de obtener cuatro pernos en buen estado de una muestra de 20 pernos. En el segundo ejercicio se calculan probabilidades relacionadas a infracciones de tránsito. El tercer ejercicio calcula probabilidades para un examen de opción múltiple.
Este documento presenta cuatro ejercicios de probabilidad discreta relacionados con situaciones aleatorias. En el primer ejercicio se calcula la probabilidad de que 4 de 13 estudiantes estén casados. En el segundo, la probabilidad de que 2 de 3 proyectiles sean defectuosos. En el tercero, la probabilidad de que una mesera niegue bebidas alcohólicas a solo 2 menores de entre 5 verificaciones. Y en el cuarto, la probabilidad de que al menos 6 de 8 lechosas estén maduras y la probabilidad de que como má
La distribución normal es la más importante en estadística debido a su frecuencia de aparición y sus aplicaciones teóricas. Fue descubierta de forma independiente por De Moivre, Laplace y Gauss en relación con la teoría de los errores de observación. Sus características principales son que tiene forma de campana, es simétrica respecto a su media y depende de dos parámetros: la media y la desviación típica.
El documento contiene la solución a 5 ejercicios de probabilidad y estadística. El primer ejercicio calcula la probabilidad de que entre 9 clientes, exactamente 5, al menos 6 o a lo sumo 3 elijan un producto por su marca. El segundo calcula la probabilidad de que en una hora de baja demanda en un parqueadero ingresen 5, 9 o menos de 8 vehículos. El tercero calcula la probabilidad de que al disparar 4 proyectiles de un lote de 10, todos exploten, al menos 2 no exploten o al menos
Este documento presenta información sobre la distribución de Poisson. Explica que se utiliza para aproximar la distribución binomial cuando n es grande y p es pequeña. Proporciona la fórmula de Poisson y resuelve ejemplos numéricos como calcular la probabilidad de que ocurran x eventos.
El documento describe la distribución exponencial, una distribución de probabilidad continua utilizada para modelar el tiempo entre eventos. Explica que sigue una función de densidad de probabilidad exponencial y analiza propiedades como la media y función de distribución. Luego presenta ejemplos como el tiempo entre desintegraciones de partículas radiactivas y el tiempo de espera en una línea telefónica.
Este documento explica las distribuciones discretas de probabilidad, incluyendo la distribución binomial y la distribución de Poisson. Proporciona ejemplos y ejercicios para ilustrar cómo calcular probabilidades usando estas distribuciones.
Este documento describe la distribución binomial, incluyendo sus propiedades, la función de probabilidad binomial, ejemplos y cómo calcular la media y desviación estándar. También cubre la aproximación a la distribución normal y proporciona ejercicios de práctica.
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.
Continuando con el tema de las distribuciones discretas, adjunto esta presentación de la distribución binomial negativa y de la distribución geométrica
Ecuaciones Diferenciales - Ecuaciones de Segundo ordenKike Prieto
El documento presenta los objetivos y contenidos del capítulo 2 sobre ecuaciones diferenciales de segundo orden. Se explica cómo encontrar soluciones generales y particulares de este tipo de ecuaciones, así como su análisis cualitativo y estabilidad dinámica. Se detalla el tratamiento de ecuaciones homogéneas y no homogéneas con coeficientes constantes, incluyendo métodos para hallar las raíces de la ecuación auxiliar y las soluciones complementarias y particulares. Finalmente, se proponen algunos ejercicios resuelt
Este documento presenta tres resúmenes breves sobre la teoría de la probabilidad:
1. La teoría de la probabilidad surgió del análisis de los juegos de azar y se ha convertido en un concepto importante para comprender muchos fenómenos de la vida cotidiana y científicos.
2. El azar es un factor inherente a la naturaleza y afecta resultados impredecibles como el número de unidades producidas diariamente o la posición detectada por GPS.
3. La probabilidad cuantifica el grado de
Este documento presenta conceptos básicos sobre cadenas de Markov, incluyendo su definición, propiedad de Markov, probabilidades y matrices de transición, diagramas de transición de estados, clasificación de estados como recurrentes, transitorios y absorbentes, y tipos de cadenas como periódicas, aperiódicas, recurrentes y ergódicas. Se proveen varios ejemplos ilustrativos como una línea telefónica, buffer de E/S y lanzamiento de un dado.
Variables aleatorias discretas y continuascolcaxsiempre
Este documento describe las variables aleatorias discretas y continuas. Explica que una variable aleatoria es una función cuyos valores son los resultados numéricos posibles de un experimento estadístico. Las variables discretas toman valores en conjuntos numerables, mientras que las continuas toman valores en intervalos de números reales. También define las funciones de probabilidad, densidad y distribución para ambos tipos de variables, las cuales describen la asignación de probabilidades a los valores de la variable.
Este documento describe la distribución geométrica y proporciona ejemplos de su aplicación. La distribución geométrica modela procesos de prueba repetitiva donde se busca el primer éxito. Se define mediante la probabilidad p de éxito y q de fracaso, siendo la probabilidad de x ensayos para el primer éxito q^(x-1)p. Se resuelven seis ejemplos calculando estas probabilidades para procesos como lanzar una moneda o inspeccionar productos.
El documento presenta los conceptos básicos de las variables aleatorias y los modelos probabilísticos. Explica las funciones de probabilidad, densidad y distribución para variables discretas y continuas. Describe las distribuciones de Bernoulli, binomial, normal y Poisson, así como sus propiedades y usos. Finalmente, introduce las distribuciones asociadas a la normal como la chi cuadrada, t de Student y F de Snedecor.
Este documento explica la distribución geométrica y proporciona ejemplos de su aplicación para calcular la probabilidad de obtener el primer éxito o fracaso en una serie de experimentos de Bernoulli. Explica cómo calcular la probabilidad de que ocurra el primer éxito o fracaso en la x-ésima repetición del experimento usando la fórmula de la función de densidad de probabilidad de la distribución geométrica.
Tarea 12 de probabilidad y estadística con respuestasIPN
Este documento presenta 12 problemas que involucran el uso de distribuciones de probabilidad normales para aproximar situaciones binomiales. Los problemas cubren una variedad de escenarios como lanzar monedas y dados múltiples veces, probar medicamentos en pacientes, y medir niveles de colesterol en adolescentes. Se pide calcular probabilidades como el número de resultados dentro de un rango, igual a un valor exacto, o mayor/menor que un umbral.
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.
El documento resume conceptos básicos de la distribución normal, incluyendo su forma de campana y simetría. Presenta ejercicios numéricos sobre probabilidades y percentiles asociados con variables aleatorias que siguen distribuciones normales, como puntuaciones de exámenes, resistencia de materiales y concentración de azúcar. Los ejercicios involucran cálculos como funciones z, medias, desviaciones estándares y probabilidades.
Este documento presenta una introducción a varias distribuciones discretas de probabilidad, incluyendo la distribución uniforme discreta, la distribución binomial y multinomial, la distribución hipergeométrica y la distribución binomial negativa y geométrica. Explica las propiedades y aplicaciones clave de cada distribución en 1-3 oraciones.
Este documento presenta conceptos básicos sobre variables aleatorias discretas. Explica que una variable aleatoria discreta es aquella cuyo soporte es un conjunto contable. Define la función de distribución de probabilidades y el histograma de probabilidades. También introduce conceptos como la media, la varianza y el sesgo de una variable aleatoria, y cómo estos valores cambian cuando se aplican transformaciones lineales a la variable.
Este documento presenta varios ejercicios resueltos relacionados con la aplicación del Teorema del Límite Central. En los ejercicios se calculan probabilidades para variables aleatorias con distribuciones normales dados diferentes tamaños de muestra. Por ejemplo, se calcula la probabilidad de que el diámetro promedio de una muestra de anillos esté dentro de un rango específico y cómo esta probabilidad cambia con un tamaño de muestra mayor.
Este documento resume la distribución normal estándar, incluyendo su historia, definición, propiedades y ejemplos. Explica que la distribución normal surge al considerar un modelo binomial con un número muy grande de ensayos, y fue desarrollada de forma independiente por De Moivre y Gauss. Define una variable aleatoria normal estándar Z como aquella con media 0 y varianza 1, y explica cómo transformar cualquier variable normal a esta forma estándar. Además, presenta ejemplos numéricos para calcular probabilidades usando la distribución normal.
El documento explica conceptos sobre distribuciones de probabilidad continua como la función de densidad, la distribución normal y la distribución normal estándar. Resuelve un ejemplo numérico sobre la distribución del volumen de latas producidas por una máquina y ofrece referencias bibliográficas y páginas web sobre el tema.
Este documento presenta ejemplos de distribuciones de probabilidad discretas como la distribución de Bernoulli, binomial y Poisson. Incluye cálculos de probabilidades, medias y varianzas para variables aleatorias con estas distribuciones.
Este documento describe el algoritmo de criba cuadrática, un método para factorizar números enteros compuestos. Explica que intenta encontrar dos números x e y tales que x2 ≡ y2 (mod n), lo que implicaría que n divide a (x - y)(x + y). También presenta un ejemplo paso a paso de cómo aplicar el algoritmo para factorizar el número 24961 en sus factores primos 109 y 229.
Este documento describe dos tipos de métodos numéricos: métodos iterativos y métodos directos. Los métodos iterativos producen aproximaciones sucesivas a la solución mediante el uso de fórmulas iterativas. Se discuten conceptos como la convergencia, el error de truncamiento y criterios para finalizar el proceso iterativo. Los métodos iterativos son auto-correctivos y convergen hacia la solución de forma gradual a través de múltiples iteraciones.
Este documento describe la distribución binomial, incluyendo sus propiedades, la función de probabilidad binomial, ejemplos y cómo calcular la media y desviación estándar. También cubre la aproximación a la distribución normal y proporciona ejercicios de práctica.
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.
Continuando con el tema de las distribuciones discretas, adjunto esta presentación de la distribución binomial negativa y de la distribución geométrica
Ecuaciones Diferenciales - Ecuaciones de Segundo ordenKike Prieto
El documento presenta los objetivos y contenidos del capítulo 2 sobre ecuaciones diferenciales de segundo orden. Se explica cómo encontrar soluciones generales y particulares de este tipo de ecuaciones, así como su análisis cualitativo y estabilidad dinámica. Se detalla el tratamiento de ecuaciones homogéneas y no homogéneas con coeficientes constantes, incluyendo métodos para hallar las raíces de la ecuación auxiliar y las soluciones complementarias y particulares. Finalmente, se proponen algunos ejercicios resuelt
Este documento presenta tres resúmenes breves sobre la teoría de la probabilidad:
1. La teoría de la probabilidad surgió del análisis de los juegos de azar y se ha convertido en un concepto importante para comprender muchos fenómenos de la vida cotidiana y científicos.
2. El azar es un factor inherente a la naturaleza y afecta resultados impredecibles como el número de unidades producidas diariamente o la posición detectada por GPS.
3. La probabilidad cuantifica el grado de
Este documento presenta conceptos básicos sobre cadenas de Markov, incluyendo su definición, propiedad de Markov, probabilidades y matrices de transición, diagramas de transición de estados, clasificación de estados como recurrentes, transitorios y absorbentes, y tipos de cadenas como periódicas, aperiódicas, recurrentes y ergódicas. Se proveen varios ejemplos ilustrativos como una línea telefónica, buffer de E/S y lanzamiento de un dado.
Variables aleatorias discretas y continuascolcaxsiempre
Este documento describe las variables aleatorias discretas y continuas. Explica que una variable aleatoria es una función cuyos valores son los resultados numéricos posibles de un experimento estadístico. Las variables discretas toman valores en conjuntos numerables, mientras que las continuas toman valores en intervalos de números reales. También define las funciones de probabilidad, densidad y distribución para ambos tipos de variables, las cuales describen la asignación de probabilidades a los valores de la variable.
Este documento describe la distribución geométrica y proporciona ejemplos de su aplicación. La distribución geométrica modela procesos de prueba repetitiva donde se busca el primer éxito. Se define mediante la probabilidad p de éxito y q de fracaso, siendo la probabilidad de x ensayos para el primer éxito q^(x-1)p. Se resuelven seis ejemplos calculando estas probabilidades para procesos como lanzar una moneda o inspeccionar productos.
El documento presenta los conceptos básicos de las variables aleatorias y los modelos probabilísticos. Explica las funciones de probabilidad, densidad y distribución para variables discretas y continuas. Describe las distribuciones de Bernoulli, binomial, normal y Poisson, así como sus propiedades y usos. Finalmente, introduce las distribuciones asociadas a la normal como la chi cuadrada, t de Student y F de Snedecor.
Este documento explica la distribución geométrica y proporciona ejemplos de su aplicación para calcular la probabilidad de obtener el primer éxito o fracaso en una serie de experimentos de Bernoulli. Explica cómo calcular la probabilidad de que ocurra el primer éxito o fracaso en la x-ésima repetición del experimento usando la fórmula de la función de densidad de probabilidad de la distribución geométrica.
Tarea 12 de probabilidad y estadística con respuestasIPN
Este documento presenta 12 problemas que involucran el uso de distribuciones de probabilidad normales para aproximar situaciones binomiales. Los problemas cubren una variedad de escenarios como lanzar monedas y dados múltiples veces, probar medicamentos en pacientes, y medir niveles de colesterol en adolescentes. Se pide calcular probabilidades como el número de resultados dentro de un rango, igual a un valor exacto, o mayor/menor que un umbral.
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.
El documento resume conceptos básicos de la distribución normal, incluyendo su forma de campana y simetría. Presenta ejercicios numéricos sobre probabilidades y percentiles asociados con variables aleatorias que siguen distribuciones normales, como puntuaciones de exámenes, resistencia de materiales y concentración de azúcar. Los ejercicios involucran cálculos como funciones z, medias, desviaciones estándares y probabilidades.
Este documento presenta una introducción a varias distribuciones discretas de probabilidad, incluyendo la distribución uniforme discreta, la distribución binomial y multinomial, la distribución hipergeométrica y la distribución binomial negativa y geométrica. Explica las propiedades y aplicaciones clave de cada distribución en 1-3 oraciones.
Este documento presenta conceptos básicos sobre variables aleatorias discretas. Explica que una variable aleatoria discreta es aquella cuyo soporte es un conjunto contable. Define la función de distribución de probabilidades y el histograma de probabilidades. También introduce conceptos como la media, la varianza y el sesgo de una variable aleatoria, y cómo estos valores cambian cuando se aplican transformaciones lineales a la variable.
Este documento presenta varios ejercicios resueltos relacionados con la aplicación del Teorema del Límite Central. En los ejercicios se calculan probabilidades para variables aleatorias con distribuciones normales dados diferentes tamaños de muestra. Por ejemplo, se calcula la probabilidad de que el diámetro promedio de una muestra de anillos esté dentro de un rango específico y cómo esta probabilidad cambia con un tamaño de muestra mayor.
Este documento resume la distribución normal estándar, incluyendo su historia, definición, propiedades y ejemplos. Explica que la distribución normal surge al considerar un modelo binomial con un número muy grande de ensayos, y fue desarrollada de forma independiente por De Moivre y Gauss. Define una variable aleatoria normal estándar Z como aquella con media 0 y varianza 1, y explica cómo transformar cualquier variable normal a esta forma estándar. Además, presenta ejemplos numéricos para calcular probabilidades usando la distribución normal.
El documento explica conceptos sobre distribuciones de probabilidad continua como la función de densidad, la distribución normal y la distribución normal estándar. Resuelve un ejemplo numérico sobre la distribución del volumen de latas producidas por una máquina y ofrece referencias bibliográficas y páginas web sobre el tema.
Este documento presenta ejemplos de distribuciones de probabilidad discretas como la distribución de Bernoulli, binomial y Poisson. Incluye cálculos de probabilidades, medias y varianzas para variables aleatorias con estas distribuciones.
Este documento describe el algoritmo de criba cuadrática, un método para factorizar números enteros compuestos. Explica que intenta encontrar dos números x e y tales que x2 ≡ y2 (mod n), lo que implicaría que n divide a (x - y)(x + y). También presenta un ejemplo paso a paso de cómo aplicar el algoritmo para factorizar el número 24961 en sus factores primos 109 y 229.
Este documento describe dos tipos de métodos numéricos: métodos iterativos y métodos directos. Los métodos iterativos producen aproximaciones sucesivas a la solución mediante el uso de fórmulas iterativas. Se discuten conceptos como la convergencia, el error de truncamiento y criterios para finalizar el proceso iterativo. Los métodos iterativos son auto-correctivos y convergen hacia la solución de forma gradual a través de múltiples iteraciones.
Criterios de la primera y segunda derivadaYoverOlivares
Criterios de la primera derivada.
Criterios de la segunda derivada.
Función creciente y decreciente.
Puntos máximos y mínimos.
Puntos de inflexión.
3 Ejemplos para graficar funciones utilizando los criterios de la primera y segunda derivada.
1) El documento trata sobre conceptos estadísticos como variables aleatorias, distribuciones de probabilidad y medidas de tendencia central y dispersión. 2) Explica que una variable aleatoria puede ser discreta o continua y define distribuciones como la binomial, geométrica, hipergeométrica y sus propiedades. 3) El objetivo es obtener un modelo matemático capaz de estimar la fiabilidad de sistemas a través del análisis de distribuciones de probabilidad.
Este documento describe diferentes métodos para resolver sistemas de ecuaciones lineales 2x2, incluyendo el método gráfico, determinantes, reducción, igualación y sustitución. Cada método se explica con un ejemplo paso a paso que muestra cómo encontrar los valores de las incógnitas.
Conjunto de reglas que permiten
asignar un error a z, conocidas las incertidumbres de x e y, ...
• Permiten asignar un error al resultado final.
• Indica la importancia relativa de las diferentes medidas
directas.
• Planificación del experimento.
Este documento trata sobre técnicas para la propagación de errores en física experimental. Explica cómo calcular el error en sumas, diferencias, productos, cocientes y funciones de una o más variables a partir de los errores de las medidas originales. También presenta una fórmula general para estimar el error cuando las medidas son independientes y aleatorias.
Este documento presenta las distribuciones discretas de probabilidad más comunes. Define variables aleatorias discretas y sus funciones de probabilidad. Explica las distribuciones binomial, geométrica, binomial negativa, hipergeométrica y de Poisson, incluyendo sus fórmulas para el valor esperado y la varianza. Proporciona ejemplos para ilustrar el cálculo de probabilidades usando cada distribución.
1) El documento habla sobre diferentes métodos de estimación para parámetros poblacionales a partir de muestras, incluyendo estimación puntual y por intervalo de confianza.
2) Explica los métodos de los momentos, máxima verosimilitud y mínimos cuadrados para estimar parámetros.
3) Señala que un buen estimador debe ser insesgado, consistente y eficiente, teniendo la varianza mínima posible.
El documento describe el método de Jacobi para resolver sistemas de ecuaciones lineales. Explica que el método implica despejar cada incógnita en términos de las demás y realizar iteraciones para aproximar la solución. También presenta un ejemplo numérico para ilustrar los cálculos iterativos necesarios para aplicar el método.
El documento describe el método de Jacobi para resolver sistemas de ecuaciones lineales. Explica que el método implica despejar cada incógnita en términos de las demás y calcular iterativamente una solución aproximada. También presenta un ejemplo numérico para ilustrar los cálculos iterativos requeridos para aplicar el método de Jacobi y resolver el sistema.
El documento describe el método de Jacobi para resolver sistemas de ecuaciones lineales. Explica que el método involucra despejar cada incógnita en términos de las otras y luego iterar el proceso hasta converger a una solución. También presenta un ejemplo numérico para ilustrar los cálculos iterativos requeridos para aplicar el método.
mat 260 unidjjjjjjad 3 parte 1 2020.pptxpotaca7533
Este documento trata sobre distribuciones de probabilidad continuas y la distribución normal. Los objetivos son describir las características de las distribuciones normal y exponencial, calcular medidas de tendencia central y dispersión, y determinar probabilidades utilizando la distribución normal estándar. Explica conceptos como función de densidad de probabilidad y aproximación de la binomial a la normal.
El documento explica cómo calcular el dominio de definición de una función analizando las restricciones impuestas por las operaciones involucradas. Describe cuatro tipos de restricciones: 1) no se puede dividir por cero, 2) el radicando de una raíz de índice par no puede ser negativo, 3) el argumento de un logaritmo debe ser positivo, 4) ninguna operación puede dar como resultado un número no real. A continuación, calcula el dominio de varias funciones como ejemplos.
El documento explica las restricciones al dominio de definición de una función, como no dividir por cero, no calcular raíces de números negativos o logaritmos de números negativos. Luego, presenta ejemplos de cálculo del dominio de funciones particulares, resolviendo las desigualdades que surgen de estas restricciones.
El documento explica cómo calcular el dominio de definición de una función analizando las restricciones impuestas por las operaciones involucradas. Describe cuatro tipos de restricciones: 1) no se puede dividir por cero, 2) el radicando de una raíz de índice par no puede ser negativo, 3) el argumento de un logaritmo debe ser positivo, 4) ninguna operación puede dar como resultado un número no real. A continuación, calcula el dominio de varias funciones como ejemplos.
El documento explica cómo calcular el dominio de definición de una función analizando las restricciones impuestas por las operaciones involucradas. Describe cuatro tipos de restricciones: 1) no se puede dividir por cero, 2) el radicando de una raíz de índice par no puede ser negativo, 3) el argumento de un logaritmo debe ser positivo, 4) ninguna operación puede dar como resultado un número no real. A continuación, calcula el dominio de varias funciones como ejemplos.
El documento explica la distribución binomial, la cual modela experimentos con dos posibles resultados (éxito o fracaso) y probabilidad constante de éxito. La fórmula binomial calcula la probabilidad de x éxitos en n intentos como una combinación de x objetos tomados de n, multiplicada por la probabilidad de éxito elevada a x y de fracaso elevada a n-x. La media es la suma de cada resultado multiplicado por su probabilidad, y la varianza es la suma de los cuadrados de las desviaciones de cada resultado respecto a la media, multiplicadas por
Este documento describe los conceptos de cadenas de Markov de tiempo continuo. Explica que estas cadenas tienen un número finito de estados y probabilidades de transición estacionarias. Las variables de tiempo entre transiciones tienen distribución exponencial. También presenta las ecuaciones que describen las probabilidades de estado estable de la cadena. Como ejemplo, analiza un modelo de dos máquinas que se descomponen con distribución exponencial y se reparan.
Este documento presenta diferentes métodos de optimización como extremos no restringidos con dos variables, el método de Lagrange, la matriz jacobiana y las condiciones de Kuhn Tucker. Incluye ejemplos de cómo aplicar cada método para resolver problemas de optimización con diferentes tipos de restricciones.
Enganchados nº1_Fanzine de verano de junio de 2024Miguel Ventayol
Número 1 del fanzine de creación Enganchados.
Escrito e ideado por Miguel G. Ventayol.
Poemas, textos breves, narrativa y crítica literaria.
He escrito el primer fanzine para este verano de 2024, con la intención de que tenga continuidad en el tiempo.
Con una serie de poemas surgidos de diversas plantillas de CANVA, porque me pareció divertido trabajar sobre esas imágenes; así como poemas y algunos textos.
Algunos de ellos de experiencias personales, otros inventados.
Recuerdos de discos como el de Supersubmarina, Eels o Los Planetas
ÍNDICE
copiar. página 4
una cala frente al mar. página 5
una plaza en verano. página 6
tierra. página 7
échate unas risas, primo. página 8
palabras son solo palabras, a fin de cuentas. página 9
gírate. página 10
enganchados. páginas 11-13
luis, celine y la chica de ojos Bowie. páginas 14-15
crítica literaria. páginas 16-18
párate y mira. página 19
aniversario de super 8. página 20-22
échate unas risas, primo 2. página 23
FIN. página 24
Texto del catálogo de la exposición de esculturas exentas “Es-cultura. Espacio construido de reflexión”, en la que me planteo la interrelación entre escultura y cultura y el hecho de que la escultura, como yo la creo, sea un espacio construido de reflexión. Ver los documentos: vídeo de presentación, imágenes de las obras, fichas técnicas y títulos en inglés, alemán y español en:
Consultar página web: http://luisjferreira.es/
1. Distribución Binomial Negativa
Se llama así debido a que se invierte una faceta de la distribución binomial: en un experimento binomial,
se cuenta el número de éxitos en un número fijo de ensayos; por ejemplo, estarías contando cuántos ases
puedes sacar de n cantidad de cartas. En un experimento binomial negativo, contarías las fallas necesarias
para alcanzar el éxito n cantidad de veces, es decir, cuántas cartas te lleva elegir dos ases de los n ases.
Tiene las siguientes características:
• La probabilidad de no ocurrencia es inexistente, debido a que debe contemplarse al menos 1a vez
el éxito.
• Esto también implica que la función de distribución depende de los éxitos que se consideren.
• El proceso concluirá cuando se obtenga un determinado número de resultados favorables r
• Cada prueba puede dar dos resultados posibles mutuamente excluyentes (p éxito o q fracaso)
• La probabilidad de obtener éxito o fracaso en cada prueba es fija por lo que p+q = 1
• Para esta distribución se asume independencia entre cada ensayo.
La función de probabilidad de x está dada por:
𝑓(𝑥) = (
𝑥 − 1
𝑟 − 1
) ∗ 𝑝𝑟
∗ (1 − 𝑝)𝑥−𝑟
Cuando r ≤ x ; r > 0
Esta parte de la fórmula es un principio de orden combinatorio, del tipo nCr
(
𝑥 − 1
𝑟 − 1
) … (𝑥 − 1)𝐶(𝑟 − 1)
Donde n sería (x-1) en Combinación con… mientras que r sería (r-1); En la calculadora puede efectuarse la
resta manualmente antes de generar los coeficientes nCr para evitar problemas.
2. Formas de trabajar con la distribución Binomial Negativa:
Casos típicos
1. Función de probabilidad – Valores fijos
Es la aplicación directa de la fórmula, tiene como criterios:
x = Una observación cualquiera (evento independiente que toma un solo valor)
r = El r-ésimo éxito, una observación deliberada (evento dependiente que toma un solo valor > 1)
p = La probabilidad generalizada (constante)
𝑓(𝑥) = (
𝑥 − 1
𝑟 − 1
) ∗ 𝑝𝑟
∗ (1 − 𝑝)𝑥−𝑟
Cuando r ≤ x ; r > 0
2. Función de distribución acumulada fija ( 𝑋 ≤ 𝑥 ) – Cuando x varia
Es la aplicación repetida de la fórmula en un rango, que tiene como criterios:
x = Observaciones cualesquiera dentro del rango (varía desde r hasta el límite definido)
r = El r-ésimo éxito, una observación deliberada (constante)
p = probabilidad generalizada (constante)
∑ (Se contempla un escenario de sumatoria de probabilidades)
Ej. 𝒓 = 𝟑; 𝑃 (𝑥 ≤ 𝟔) = 𝑃(𝒙 = 𝟑) + 𝑃 (𝑥 = 4) + 𝑃 (𝑥 = 5) + 𝑃 (𝒙 = 𝟔)
3. 𝑓(𝑥) = (
𝑥 − 1
𝑟 − 1
) ∗ 𝑝𝑟
∗ (1 − 𝑝)𝑥−𝑟
Cuando r ≤ x ; r > 0
Caso atípico
3. Función de distribución acumulada que tiende al infinito ( 𝑋 ≥ 𝑥 ) – Cuando x varia
Es la aplicación repetida de la fórmula cuyo rango tiende al infinito, tiene como criterios:
x = Observaciones cualesquiera dentro del rango (varía, no se puede calcular directo y debe ser ≥ que r)
r = El r-ésimo éxito, una observación deliberada (constante)
p = probabilidad generalizada (constante)
1 – x = Debe de aplicarse el recurso del 1 (cuya suma de probabilidades es el 100%)
∑ (Se contempla un escenario de sumatoria de probabilidades)
Nota: Los valores para x los cuales restaremos del 1, se determinan a partir de r
Ej. 𝑃 (𝑥 > )
5 , donde r = 3
1 – 𝑃 (𝒙 = 𝟑) + 𝑃 (𝑥 = 4) + 𝑃 (𝑥 = )
5
Me cercioro de obtener los valores por encima de x…
¡Ojo! No se toman en cuenta los valores por debajo de r para x…
4. Ejemplo de aplicación:
Supóngase que al viajar al trabajo cada mañana, un conductor se topa con un semáforo el cual está en
verde el 20% de las veces que pasa por ahí.
Cuál será la probabilidad de que la luz esté en verde:
a) Una mañana de como máximo 5 días
b) Dos mañanas en más de 3 días
c) La segunda mañana del cuarto día que pasa por ahí
d) ¿Cuál es el número esperado de días que tienen que pasar para que el conductor vea el semáforo en
verde por cuarta vez?
Tip para resolver problemas con distribución binomial negativa
¿ Cómo saber quién es xy quién r ?
xrepresenta siempre el evento independiente que abarca tanto los éxitos como los no éxitos.
r representa siempre el evento dependiente de x que solamente contempla los éxitos (lo que buscamos
demostrar).
Ejemplos:
Si en medicina se quiere inocular ratas, para verificar un tratamiento haga efecto, todas las ratas
representan x, mientras que aquellas en las que el tratamiento haya surtido efecto serán r
Si en una báscula electrónica se pesan paquetes en un centro de distribución de mensajería y quisiera
determinarse si existen paquetes que exceden el peso permitido, todos los paquetes serían x mientras
que aquellos que excedan el peso permitido serían r
5. a. Una mañana de como máximo 5 días
Para poder resolver:
Paso 1. Identificar x y r
x es el evento independiente: los días
r es el evento dependiente: las mañanas
Paso 2. Se determina el caso y se plantea matemáticamente:
1 mañana de como máximo 5 días (𝑥 ≤ 5)
X varia y sería el 2do caso.
Paso 3. Se extraen los valores para el caso 2
Función de distribución acumulada fija
De acuerdo al ejercicio: Supóngase que al viajar al trabajo cada mañana, una persona se topa con un
semáforo el cual está en verde el 20% de las veces que pasa por ahí. Calcular probabilidad de:
1 mañana de como máximo 5 días (𝑥 ≤ 5)
Se contemplan los elementos para la fórmula:
x = Varia, puede tomar valores del 1 (porque r es 1) al 5 (días)
r = Constante, toma el valor del 1 (mañana)
p = Constante, 20% (0.2)
∑ (Se contempla un escenario de sumatoria de probabilidades)
6. Paso 4. Realizar operaciones
Sustituyendo:
𝑓(𝑥 = 1) = (
1 − 1
1 − 1
) ∗ 0.21
∗ (1 − 0.2)1−1
= 0.2
Esto aplicaría para 1 día y a 1 mañana…
Y se vería en calculadora como: 0nCr0 * 0.21
* 0.80
Si queremos calcular entre a lo más cinco días debiéramos de describir la función de distribución
acumulada de las probabilidades hasta 5.
Como la probabilidad acumulada de 1 día a como máximo 5 días:
P (x = 1) + P (x = 2) + P (x = 3) + P (x = 4) + P (x = 5)
𝑓(𝑥 = 2) = (
2 − 1
1 − 1
) ∗ 0.21
∗ (1 − 0.2)2−1
= 0.16
𝑓(𝑥 = 3) = (
3 − 1
1 − 1
) ∗ 0.21
∗ (1 − 0.2)3−1
= 0.128
𝑓(𝑥 = 4) = (
4 − 1
1 − 1
) ∗ 0.21
∗ (1 − 0.2)4−1
= 0.1024
𝑓(𝑥 = 5) = (
5 − 1
1 − 1
) ∗ 0.21
∗ (1 − 0.2)5−1
= 0.08192
Luego sumamos P (x ≤ 5):
0.2 + 0.16 + 0.128 + 0.1024 + 0.08192 = 0.67232
a) Existe una probabilidad del 67% de que el conductor se tope con luz verde una mañana de entre a lo
más cinco días.
7. b. Dos mañanas en más de 3 días
Paso 1. Identificar x y r. x > 3 ; r = 2
Paso 2. Definir el caso. 1 – (x ≤ 3), Caso 3.
Paso 3. Extraer valores para el caso.
2 mañanas en más de 3 días 1 – (x ≤ 3)
x = Varia, puede tomar valores de 4 en adelante. (varía y debe ser ≥ que r)
r = Constante, toma en valor de 2 (mañana)
p = Constante, 0.2
1 – x = Debe de aplicarse el recurso del 1 (cuya suma de probabilidades es el 100%)
∑ (Se contempla un escenario de sumatoria de probabilidades)
Paso 4. Realizar operaciones
1 – (x ≤ 3) = 1 – ( P (x = 2) + P (x = 3) )
Recordar que x debe de ser mayor o igual que r
Esto es porque si consideramos 2 mañanas en 1 día carece de sentido…
𝑓 (𝑥 = 1) = (
1 − 1
2 − 1
) ∗ 0.22
∗ (1 − 0.2)1−2
= Error,
parámetros fuera del rango
8. Continuación del paso 4
1 – (x ≤ 3) = 1 – ( P (x = 2) + P (x = 3) )
𝑓 (𝑥 = 2) = (
2 − 1
2 − 1
) ∗ 0.22
∗ (1 − 0.2)2−2
= 0.04
𝑓 (𝑥 = 3) = (
3 − 1
2 − 1
) ∗ 0.22
∗ (1 − 0.2)3−2
= 0.064
1 – (0.04 + 0.64) = 0.896
Existe una probabilidad del 89% de que el conductor encuentre la luz en verde dos mañanas en más de
tres días.
c. La segunda mañana del cuarto día que pasa por ahí
Caso 1, valores fijos.
x = 4
r = 2
p = 0.2
𝑓 (𝑥 = 4) = (
4 − 1
2 − 1
) ∗ 0.22
∗ (1 − 0.2)4−2
= 0.0768
La probabilidad de que la segunda mañana en que la luz esté en verde sea el cuarto día en que el conductor
se aproxima al semáforo es del 8% aproximadamente.
9. d. ¿Cuál es el número esperado de días que tienen que pasar para que el
conductor vea el semáforo en verde por cuarta vez?
Para calcular esto lo único que debe hacerse es calcular el valor esperado.
𝐸(𝑋) =
𝑟
𝑝
=
4 (𝑚𝑎ñ𝑎𝑛𝑎𝑠 𝑑𝑒 é𝑥𝑖𝑡𝑜)
0.2 (20% 𝑑𝑒 𝑖𝑛𝑐𝑒𝑟𝑡𝑖𝑑𝑢𝑚𝑏𝑟𝑒)
= 20 𝑑í𝑎𝑠
Donde r para este caso sería 4 (el r-esimo éxito deseado) y p la probabilidad fija del evento 0.2
Nota: Ver el semáforo en verde por cuarta vez es el equivalente a plantear 4 mañanas en las que ocurre
el éxito.
Téngase en cuenta que:
é𝑥𝑖𝑡𝑜
𝑖𝑛𝑐𝑒𝑟𝑡𝑖𝑑𝑢𝑚𝑏𝑟𝑒
= 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 (éxitos + no éxitos)
10. Ejercicio:
Suponga que hay una probabilidad del 80% de que una determinada persona creerá una historia sobre
las aventuras de una famosa actriz.
¿Cuál es la probabilidad de que?:
a. la sexta persona que escucha esta historia sea la cuarta en creerla
b. la tercera persona que conozca esta historia sea la primera a creerla
c. Número esperado de personas que se espera se requieren para creer la historia por onceava vez.
Resultados
a) Resp.: 0.1638
b) Resp.: 0.032
c) 13.75 = alrededor de 14 personas