Motores de Fórmula 1

Supón que dos fabricantes, A y B, suministran los motores para los coches de Fórmula 1, con las siguientes características:

El 99% de los motores de la fábrica A duran más de 5.000 km.
La fábrica B fabrica motores que duran más de 5.000 km con una probabilidad del 95%.
El 70% de los motores son del fabricante A y el resto los produce el fabricante B.

¿Cuál es la probabilidad de que un motor dure más de 5.000 km?

Este ejercicio forma parte del curso

Fundamentos de probabilidad en Python

Instrucciones del ejercicio

Calcula las siguientes probabilidades:
- El fabricante es A (P_A).
- El motor dura más de 5.000 km dado que el fabricante es A (P_last5000_g_A).
- El fabricante es B (P_B).
- El motor dura más de 5.000 km dado que el fabricante es B (P_last5000_g_B).
Usa la ley de la probabilidad total para calcular la probabilidad de que el motor dure más de 5.000 km y guarda el resultado en P_last_5000.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Needed probabilities
P_A = ____
P_last5000_g_A = ____
P_B = ____
P_last5000_g_B = ____

# Total probability calculation
P_last_5000 = ____

print(P_last_5000)

Editar y ejecutar código

Este ejercicio forma parte del curso

Fundamentos de probabilidad en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Lanzar una moneda es el ejemplo clásico de experimento aleatorio. Los posibles resultados son cara o cruz. Este tipo de experimento, conocido como prueba de Bernoulli o binomial, nos permite estudiar problemas con dos posibles resultados, como «sí» o «no» y «votar» o «no votar». En este capítulo se presentan los experimentos de Bernoulli, las distribuciones binomiales para modelar múltiples pruebas de Bernoulli y simulaciones de probabilidad con la biblioteca scipy.

Exercise 1: Vamos a lanzar una moneda en Python Exercise 2: Lanzando monedas Exercise 3: Usar binom para lanzar aún más monedas Exercise 4: Funciones de masa de probabilidad y de distribución Exercise 5: Predecir la probabilidad de defectos Exercise 6: Predecir la situación laboral Exercise 7: Predecir la tasa de condenas por robo en vivienda Exercise 8: Valor esperado, media y varianza Exercise 9: Calcular el valor esperado y la varianza Exercise 10: Calcular la media muestral Exercise 11: Comprobando el resultado Exercise 12: Calcular la media y la varianza de una muestra

En este capítulo aprenderás a calcular varios tipos de probabilidades, como la probabilidad de la intersección de dos eventos y la suma de probabilidades de dos eventos, y a simular esas situaciones. También conocerás la probabilidad condicional y cómo aplicar la regla de Bayes.

Exercise 1: Calcular probabilidades de dos sucesos Exercise 2: ¿Alguna superposición?Exercise 3: Medir una muestra Exercise 4: Probabilidades conjuntas Exercise 5: Baraja de cartas Exercise 6: Probabilidades condicionales Exercise 7: Vuelos con retraso Exercise 8: Tabla de contingencia Exercise 9: Más cartas Exercise 10: Ley de la probabilidad total Exercise 11: Motores de Fórmula 1

Ejercicio actual

Exercise 12: Votantes Exercise 13: Regla de Bayes Exercise 14: Condicionamiento Exercise 15: Fábricas y piezas Exercise 16: Análisis de sangre para la gripe porcina

Hasta ahora hemos trabajado con distribuciones binomiales, pero hay muchas distribuciones de probabilidad que puede tomar una variable aleatoria. En este capítulo presentaremos otras tres relacionadas con la binomial: las distribuciones normal, de Poisson y geométrica.

Exercise 1: Distribuciones normales Exercise 2: Rango de valores Exercise 3: Representación de distribuciones normales Exercise 4: Dentro de tres desviaciones estándar Exercise 5: Probabilidades normales Exercise 6: Ejemplo de gasto en un restaurante Exercise 7: Ejemplo de batería de smartphone Exercise 8: Ejemplo de alturas de adultos Exercise 9: Distribuciones de Poisson Exercise 10: Ejemplo de cajero automático (ATM)Exercise 11: Ejemplo de accidentes en autopista Exercise 12: Generar y graficar distribuciones de Poisson Exercise 13: Distribuciones geométricas Exercise 14: Ejemplo de captura de salmones Exercise 15: Ejemplo de tiros libres Exercise 16: Generar y representar distribuciones geométricas

Ahora que ya sabes calcular probabilidades y propiedades importantes de las distribuciones de probabilidad, presentaremos dos resultados clave: la ley de los grandes números y el teorema central del límite. Esto ampliará tu comprensión sobre cómo la media muestral converge a la media poblacional a medida que hay más datos disponibles y cómo se comporta la suma de variables aleatorias bajo ciertas condiciones. También exploraremos conexiones entre las regresiones lineal y logística como aplicaciones de la probabilidad y la estadística en ciencia de datos.

Exercise 1: De la media muestral a la media poblacional Exercise 2: Generar una muestra Exercise 3: Calcular la media muestral Exercise 4: Representar la media muestral Exercise 5: Sumar variables aleatorias Exercise 6: Medias muestrales Exercise 7: Las medias muestrales siguen una distribución normal Exercise 8: Sumar tiradas de dados Exercise 9: Regresión lineal Exercise 10: Ajustar un modelo Exercise 11: Predicción de notas en el examen Exercise 12: Estudiar los residuos Exercise 13: Regresión logística Exercise 14: Ajustar un modelo logístico Exercise 15: Predecir si el alumnado aprobará Exercise 16: Aprobar dos exámenes Exercise 17: Para terminar