Desafío de Distribucion Normal

Froggy Jumps

Played 3

Create copy

About this activity

Casos prácticos con distribución normal

Created by

Zoila López Cadena

Mexico

Download the paper version to play

Top 10 results

There are still no results for this game. Be the first to stay in the ranking! Log in to identify yourself.

Make your own free game from our game creator

Compete against your friends to see who gets the best score in this game

Make challenge

Ethos, Pathos, and Logos Quiz

Kristine Vester

United States

(135)

Test your knowledge of ethos, pathos, and logos with these 10 questions on examples of persuasive techniques.
The Integumentary System

Breanna Nesbitt

United States

(59)

Functions and Structures of the skin
Bill of Rights Game - The Constitutionalist

Doni The Don

United States

(92)

Test your knowledge on the Bill of Rights. A fun way to test your knowledge and focus on where you need to improve.
pizza

Lorelay Tyana

Romania

(274)

joc despre pizza
Phlebotomy Order of Draw Quiz

Pamela Chapman

United States

(61)

Test your knowledge of the order of draw in Phlebotomy with these 10 questions!

		%
	Anonymous	%
		%
		%

Print your game

Desafío de Distribucion Normal


Froggy Jumps Desafío de Distribucion NormalOnline version Casos prácticos con distribución normal by Zoila López Cadena 1 En un restaurante de Puebla, la porción de salmón tiene μ=200 g y σ=10 g. ¿Qué porcentaje de filetes pesarán menos de 185 g? a 6.68% b 1.34% c 12.5% 2 Una sopa caliente se mantiene a μ=68 °C y σ=2 °C. ¿Qué probabilidad hay de que esté entre 65 °C y 70 °C? a 77.45% b 66.06% c 88.9% 3 El tiempo de entrega de una hamburguesa en Fast Casual tiene μ=8 minutos y σ=1.2. ¿Qué probabilidad de esperar más de 10 minutos? a ~15% b ~5% c aprox. 2.28% 4 En un buffet, la temperatura óptima está entre 65 °C y 70 °C con μ=68 °C y σ=2 °C. ¿Qué porcentaje cae en ese rango? a 50% b 84.13% c 77.45% 5 La molienda para un espresso debe ser μ=18 g y σ=0.4 g. Si un espresso es subextraído a 17.2 g, ¿qué porcentaje queda en rango perfecto (entre 17.2 y 18.8 g)? a aprox. 68.3% b 50% c 81.6% 6 Si un filete pesa menos de 185 g, ¿qué fracción de la producción diaria debe ser descartada? a 13.4% b 0.68% c aprox. 6.68% 7 Con μ=150 g y σ=5 g para una mousse, ¿qué porcentaje cae entre 145 g y 155 g? a aprox. 68.3% b 95% c 50% 8 Para X < 185 g, Z = (X-μ)/σ. ¿Qué valor Z corresponde a X=185 g con μ=200 g y σ=10 g? a 1.5 b -1.5 c 0.0 9 Si X1=65 y X2=70 en una distribución con μ=68 y σ=2, ¿la probabilidad P(65 ≤ X ≤ 70) es aproximadamente? a 0.7745 b 0.8413 c 0.5000 10 En una clase, el rango seguro para la sopa es entre 65 °C y 70 °C. ¿Qué Z se obtiene para 65 °C con μ=68 °C y σ=2 °C? a 0.0 b 1.5 c -1.5 11 la distribución noremal me ayuda a a medir la calidad de servicio de mi platillo b evitar errores c no tengo idea 12 ¿Qué es IA? a Conjunto de datos para entrenamiento b Capacidad de máquinas para realizar tareas inteligentes c Programa que simula humano 13 ¿Qué es ML? a Computación sin datos b Memoria de corto plazo c Aprendizaje automático para mejorar con datos 14 Red neuronal imita... a La memoria RAM de un PC b El aprendizaje y la interconexión de neuronas c La velocidad de la red eléctrica 15 Tipo de IA que parece pensar a IA general universal b IA fuerte c IA débil o estrecha 16 ¿Qué es un algoritmo de ML supervisado? a Algoritmo sin etiquetas b Datos no etiquetados c Aprendizaje con datos etiquetados 17 Redes profundas se basan en a Modelos lineales simples b Capas de neuronas artificiales c Unidades de disco 18 Qué es overfitting a Cuando pérdidas graduales b Cuando el modelo memoriza datos de entrenamiento c Cuando se subentrena 19 Aplicaciones comunes de IA a Solo juegos b Sin presencia en la vida real c Reconocimiento de voz, visión, recomendación 20 Ética en IA, principal preocupación a Costo de hardware b Tamaño de la pantalla c Transparencia y sesgos 21 Qué es IA generativa a Modelos que solo clasifican b Modelos que crean contenido nuevo c Modelos sin entrenamiento 22 Ejemplo de uso de NLP a Procesamiento de imágenes b Detección de fallos de hardware c Procesamiento de lenguaje natural 23 Qué mide la precisión en ML a Tasa de CPU b Número de datos c Proporción de aciertos en predicciones 24 Qué es un dataset a Conjunto de instrucciones b Conjunto de redes c Conjunto de datos para entrenar modelos 25 ¿Qué es el sesgo en IA? a Color de la interfaz b Toma de decisiones sesgada por datos c Capacidad de copiar datos

Desafío de Distribucion Normal

Froggy Jumps

About this activity

Created by

Download the paper version to play

Top Games

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

The Integumentary System

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

pizza

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

Desafío de Distribucion NormalOnline version

by Zoila López Cadena

En un restaurante de Puebla, la porción de salmón tiene μ=200 g y σ=10 g. ¿Qué porcentaje de filetes pesarán menos de 185 g?

Una sopa caliente se mantiene a μ=68 °C y σ=2 °C. ¿Qué probabilidad hay de que esté entre 65 °C y 70 °C?

El tiempo de entrega de una hamburguesa en Fast Casual tiene μ=8 minutos y σ=1.2. ¿Qué probabilidad de esperar más de 10 minutos?

En un buffet, la temperatura óptima está entre 65 °C y 70 °C con μ=68 °C y σ=2 °C. ¿Qué porcentaje cae en ese rango?

La molienda para un espresso debe ser μ=18 g y σ=0.4 g. Si un espresso es subextraído a 17.2 g, ¿qué porcentaje queda en rango perfecto (entre 17.2 y 18.8 g)?

Si un filete pesa menos de 185 g, ¿qué fracción de la producción diaria debe ser descartada?

Con μ=150 g y σ=5 g para una mousse, ¿qué porcentaje cae entre 145 g y 155 g?

Para X < 185 g, Z = (X-μ)/σ. ¿Qué valor Z corresponde a X=185 g con μ=200 g y σ=10 g?

Si X1=65 y X2=70 en una distribución con μ=68 y σ=2, ¿la probabilidad P(65 ≤ X ≤ 70) es aproximadamente?

En una clase, el rango seguro para la sopa es entre 65 °C y 70 °C. ¿Qué Z se obtiene para 65 °C con μ=68 °C y σ=2 °C?

la distribución noremal me ayuda a

¿Qué es IA?

¿Qué es ML?

Red neuronal imita...

Tipo de IA que parece pensar

¿Qué es un algoritmo de ML supervisado?

Redes profundas se basan en

Qué es overfitting

Aplicaciones comunes de IA

Ética en IA, principal preocupación

Qué es IA generativa

Ejemplo de uso de NLP

Qué mide la precisión en ML

Qué es un dataset

¿Qué es el sesgo en IA?