El documento provee una definición y explicación de la distribución binomial. Describe que se trata de una variable aleatoria discreta que cuenta el número de éxitos al repetir un experimento con dos posibles resultados (éxito y fracaso) con probabilidades constantes. Explica las características, propiedades y ecuación de la distribución binomial, así como su utilidad y provee ejemplos para ilustrar conceptos. Finalmente, presenta ejercicios resueltos que aplican la distribución binomial para calcular probabilidades.
Universidad Técnica Particular de Loja
Ciclo Académico Abril Agosto 2011
Carrera: Economía
Docente: Ing. Angela Salazar
Ciclo: Tercero
Bimestre: Primero
2017 Distribuciones de Probabilidad- Guía de estudio- Zoraida Pérez S.
Introducción a las distribuciones de probabilidad.
Modelos de probabilidad de variable discreta: Binomial, Poisson.
Modelos de probabilidad de variable continua: Distribución Normal
On the development and distribution of R packagesTom Mens
In this presentation at IWSECO-WEA 2015 (Dubrovnik, Croatia, 8 September 2015) we present the ecosystem of software packages for R, one of the most popular environments for statistical computing today. We empirically study how R packages are developed and distributed on different repositories: CRAN, BioConductor, R-Forge and GitHub. We also explore the role and size of each repository, the inter-repository dependencies, and how these repositories grow over time. With this analysis, we provide a deeper insight into the extent and the evolution of the R package ecosystem.
Universidad Técnica Particular de Loja
Ciclo Académico Abril Agosto 2011
Carrera: Economía
Docente: Ing. Angela Salazar
Ciclo: Tercero
Bimestre: Primero
2017 Distribuciones de Probabilidad- Guía de estudio- Zoraida Pérez S.
Introducción a las distribuciones de probabilidad.
Modelos de probabilidad de variable discreta: Binomial, Poisson.
Modelos de probabilidad de variable continua: Distribución Normal
On the development and distribution of R packagesTom Mens
In this presentation at IWSECO-WEA 2015 (Dubrovnik, Croatia, 8 September 2015) we present the ecosystem of software packages for R, one of the most popular environments for statistical computing today. We empirically study how R packages are developed and distributed on different repositories: CRAN, BioConductor, R-Forge and GitHub. We also explore the role and size of each repository, the inter-repository dependencies, and how these repositories grow over time. With this analysis, we provide a deeper insight into the extent and the evolution of the R package ecosystem.
It is a talk given by Vivian Zhang, CTO of SupStat Inc which is a leading Data Analytic consulting firm based in New York City, Shanghai and Beijing. NYC Open Data meetup are honored to host this event on Mar 24th,2014. You can find more information at www.meetup.com/nyc-open-data and www.nycopendata.com
This is an introduction by Ram of Dawn Analytics. This was presented in a Meetup group at meetup.com/
File can be found at
Free Intro to R statistic programming with complete download of Microsoft Powerpoint and accompanying R script files #rstats #free
Files can be downloaded at
http://quantlabs.net/blog/2012/11/free-intro-to-r-statistic-programming-with-complete-download-of-microsoft-powerpoint-and-accompanying-r-script-files-rstats-free/
ROMPECABEZAS DE ECUACIONES DE PRIMER GRADO OLIMPIADA DE PARÍS 2024. Por JAVIE...JAVIER SOLIS NOYOLA
El Mtro. JAVIER SOLIS NOYOLA crea y desarrolla el “ROMPECABEZAS DE ECUACIONES DE 1ER. GRADO OLIMPIADA DE PARÍS 2024”. Esta actividad de aprendizaje propone retos de cálculo algebraico mediante ecuaciones de 1er. grado, y viso-espacialidad, lo cual dará la oportunidad de formar un rompecabezas. La intención didáctica de esta actividad de aprendizaje es, promover los pensamientos lógicos (convergente) y creativo (divergente o lateral), mediante modelos mentales de: atención, memoria, imaginación, percepción (Geométrica y conceptual), perspicacia, inferencia, viso-espacialidad. Esta actividad de aprendizaje es de enfoques lúdico y transversal, ya que integra diversas áreas del conocimiento, entre ellas: matemático, artístico, lenguaje, historia, y las neurociencias.
Asistencia Tecnica Cartilla Pedagogica DUA Ccesa007.pdf
Distribución binomial
1. Distribución
binomial.
POR: JULIO LEAL
C.I.: 23.846.049
REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD FERMÍN TORO
FACULTAD DE CIENCIAS ECONÓMICAS Y
SOCIALES
ESCUELA DE RELACIONES INDUSTRIALES
2. Definición
es una distribución de
probabilidades de una variable
aleatoria discreta que puede
tomar valores X = {0,1, 2, …,n}.
este tipo de distribución resulta
de contar el número de éxitos al
repetir una determinada
cantidad de veces un
experimento que tiene dos
resultados posibles (éxito y
fracaso) con probabilidades p y
q respectivamente
3. Características de la
distribución binomial
Realizamos n veces cierto
experimento en el que consideramos
solo la posibilidad de éxito o fracaso.
La obtención de éxito o fracaso en
cada ocasión es independiente de la
obtención de éxito o fracaso de las
demás ocasiones.
La probabilidad de obtener éxito o
fracaso siempre es la misma en cada
ocasión.
4. Propiedades
La muestra se compone de un número fijo de
observaciones n
Cada observación se clasifica en una de dos categorías,
mutuamente excluyentes (los eventos no pueden ocurrir
de manera simultánea. Ejemplo: Una persona no puede
ser de ambos sexos) y colectivamente exhaustivos (uno
de los eventos debe ocurrir. Ejemplo: Al lanzar una
moneda, si no ocurre cruz, entonces ocurre cara). A
estas categorías se las denomina éxito y fracaso (p y q).
La probabilidad de que una observación se clasifique
como éxito, p, es constante de una observación u otra.
De la misma forma, la probabilidad de que una
observación se clasifique como fracaso, 1-p, es
constante en todas las observaciones.
La variable aleatoria binomial tiene un rango de 0 a n
5. Ecuación de la distribución
binomial
n: es el número de pruebas.
K: es el número de éxitos.
P: es la probabilidad de éxito.
Q: es la probabilidad de
fracaso.
Siendo:
6. Utilidad
La distribución binomiales utiliza en situaciones cuya solución tiene dos posibles
resultados.
Por ejemplo:
Al nacer un/a bebé puede ser varón o hembra.
En el deporte un equipo puede ganar o perder.
En pruebas de cierto o falso sólo hay dos alternativas.
También se utiliza cuando el resultado se puede reducir a dos opciones.
Por ejemplo:
Un tratamiento médico puede ser efectivo o inefectivo.
La meta de producción o ventas del mes se pueden o no lograr.
En pruebas de selección múltiple, aunque hay cuatro o cinco alternativas, se pueden
clasificar como correcta o incorrecta.
7. Ejercicios
En una oficina de servicio al cliente se atienden 100 personas diarias.
Por lo general 10 personas se van sin recibir bien el servicio.
Determine la probabilidad de que en una encuesta a 15 clientes
A)3 no hayan recibido un buen servicio
B)Ninguno haya recibido un buen servicio
C)A lo más 4 personas recibieron un buen servicio
D)Entre 2 y cinco personas
8. Ejercicios
A. Datos: sea X=3 el numero de personas que no haya recibido buen servicio.
P: 10/100=0,10, Q: 0,90 y n=15
P(x=3)=(
𝑛
𝑥
) 𝑃 𝑥(𝑄) 𝑛−𝑥=(
15
3
) (0,10)3(0,90)15−3= 0,1285
la probabilidad de que 3 personas no hayan recibido un buen servicio es de
12,85%
B. Sea x=0 el numero de personas que no haya recibido un buen servicio
P(x=0)=(
𝑛
𝑥
) 𝑃 𝑥(1 − 𝑃) 𝑛−𝑥=(
15
0
) (0,10)0(0,90)15−0
P(x=0)=0,2058
la probabilidad de que ninguno haya recibido un buen servicio es de 20,58%
9. Ejercicios
C. Sea x≤ 4 𝑒𝑙 𝑛𝑢𝑚𝑒𝑟𝑜 de personas que recibieron un buen servicio
P(x ≤4)=P(4)+P(3)+P(2)+P(1)+P(0)
P(4)=(
15
4
)(0,10)4
(0,90)11
=0,0428
P(3)=(
15
3
)(0,10)3
(0,90)12
=0,1285
P(2)=(
15
2
)(0,10)2(0,90)13=0,2668
P(1)=(
15
1
)(0,10)1
(0,90)14
=0,3431
P(0)=(
15
0
)(0,10)0
(0,90)15
=0,2058
la probabilidad de que a lo mas 4 personas reciban un buen servicio es de
𝟗𝟖,𝟕𝟎%
10. D)Sea x= de personas que recibieron y buen servicio
P(2≤ 𝑥 ≤ 5) = 𝑥=∞
5 𝑃 𝑋 − 5
2
𝑃 𝑋
Resolvemos por separado
P(0)=(
15
0
) (0,10)0 (0,90)15= 0,2058
P(1)=(
15
1
) (0,10)1
(0,90)14
= 0,3432
P(2)=(
15
2
) (0,10)2
(0,90)13
= 0,2668
P(3)=(
15
3
) (0,10)3 (0,90)12= 0,1285
P(4)=(
15
4
) (0,10)4
(0,90)11
= 0,0428
P(5)=(
15
5
) (0,10)5 (0,90)10= 0,0052
Luego:
P(2≤ 𝑥 ≤ 5) = 𝑥=∞
5 𝑃 𝑋 − 5
2
𝑃 𝑋 =(p(5)+p(4)+p(3)+p(2)+p(1)+p(0))-(p(1)+p(0))
=(0,0523+0,0428+0,1285+0,2668+0,3432+0,2058)-(0,3431+0,2058)
=0,4503
la probabilidad de que" entre 2" y 5 personas reciban un buen servicio es de 45,03%
Ejercicios
11. Ejercicios
Muchos jefes se dan cuenta de que algunas de las personas que contrataron no son lo que
pretenden ser. Detectar personas que solicitan un trabajo y que falsifican la información en
su solicitud ha generado un nuevo negocio. Una revista nacional notificó sobre este
problema mencionando que una agencia, en un periodo de dos meses, encontró que el 35%
de los antecedentes examinados habían sido alterados. Suponga que usted ha contratado la
semana pasada 5 nuevos empleados y que la probabilidad de que un empleado haya
falsificado la información en su solicitud es 0.35.
a) ¿Cuál es la probabilidad de que al menos una de las cinco solicitudes haya sido
falsificada?
b) ¿Ninguna de las solicitudes haya sido falsificada?
c) ¿Las cinco solicitudes hayan sido falsificadas?
12. Ejercicios
Sea x=numero de solicitudes
P=0,35 n=5
A. P(1≤ 𝑋 ≤ 5)
P(5)=(
5
5
) (0,35)5 (1 − 0,35)0=0,00525
P(4)=(
5
4
) (0,35)4
(1 − 0,35)1
=0,0487
P(3)=(
5
3
) (0,35)3
(1 − 0,35)2
=0,18083
P(2)=(
5
2
) (0,35)2
(1 − 0,35)3
=0,3364
P(1)=(
5
1
) (0,35)1
(1 − 0,35)4
=0,3123
Luego:
P(1≤ 𝑋 ≤ 5) = 0,00525 + 0,0487 + 0,18083 + 0,3364 + 0,3123 = 0,5804
∴la probabilidad de que al menos una de las 5 solicitudes hay sido falsificada es de 58,04%
13. Ejercicios
B. Sea x=solicitudes no falcificadas
P(x=0)=(
5
0
) (0,35)0
(1 − 0,35)5
=0,1260
Escriba aquí la ecuación. la probabilidad que las solicitudes no hayan sido falsificadas es de 12,60%
C. Sea x=solicitudes falcificadas
P(x=5)=(
5
5
) (0,35)5
(1 − 0,35)0
=0,00525
Escriba aquí la ecuación.la probabilidad que las solicitudes hayan sido falsificadas es de 0,52%