Inferencia Estadística y Estimación

Esta página se centra en conceptos de inferencia estadística, incluyendo intervalos de confianza, estimación puntual, y fórmulas relacionadas con la media, proporción, y varianza.

Intervalos de Confianza

Se presentan fórmulas para intervalos de confianza (IC) para la media y la proporción:

Formula: IC para la media: $x̄ - zα/2 · σ/√n, x̄ + zα/2 · σ/√n$ Formula: IC para la proporción: $p - zα/2 · √(p(1-p)/n), p + zα/2 · √(p(1-p)/n)$

Donde:

• x̄ es la media muestral
• p es la proporción muestral
• zα/2 es el valor crítico de la distribución normal estándar
• σ es la desviación estándar poblacional
• n es el tamaño de la muestra

Estimación Puntual

Se mencionan fórmulas para la estimación puntual de parámetros poblacionales:

Definition: La estimación puntual es un método para calcular un valor único que sirve como mejor estimación de un parámetro poblacional desconocido.

Fórmulas presentadas:

1. Media muestral: x̄ = Σ(xi · ni) / N
2. Varianza muestral: s² = Σ$(xi - x̄)² · ni$ / $N-1$

Highlight: La amplitud del intervalo de confianza se define como 2 · Error, donde Error = zα/2 · σ/√n

Muestreo

Se incluye información sobre muestreo, relacionando el tamaño de la muestra (n) con la desviación típica (σ) y el error de estimación (E):

Formula: n = $zα/2 · σ / E$²

Esta fórmula es crucial para determinar el tamaño de muestra necesario para lograr un nivel de precisión deseado en la estimación.

Vocabulary: Nivel de confianza: Es la probabilidad de que el intervalo de confianza contenga el verdadero valor del parámetro poblacional.

Esta página proporciona una visión general de los conceptos clave en inferencia estadística, incluyendo estimación puntual, intervalos de confianza, y consideraciones de muestreo. Estas herramientas son fundamentales para hacer inferencias sobre poblaciones basadas en datos muestrales.

Fórmulas de Probabilidad y Programación Lineal

Este documento presenta conceptos fundamentales de probabilidad y programación lineal, centrándose en la Regla de Laplace y otras fórmulas importantes.

Programación Lineal

El documento comienza con una breve mención a la programación lineal, incluyendo términos como "al menos", "gustos mínimos", "mayor" y "menor". Estos conceptos son relevantes para problemas de optimización.

Probabilidad

La sección de probabilidad es el foco principal de esta página. Se introduce la Regla de Laplace, una fórmula fundamental en probabilidad.

Definition: La Regla de Laplace establece que la probabilidad de un evento A es igual al número de casos favorables dividido por el número total de casos posibles.

Formula: P(A) = número de casos favorables / número de casos posibles

Se presentan varias propiedades y fórmulas importantes de probabilidad:

1. P(A') = 1 - P(A)
2. P(A∪B) = P(A) + P(B) - P(A∩B)
3. P(A∩B) = P(A) · P(B|A)
4. P(B|A) = P(A∩B) / P(A)

Highlight: Se mencionan conceptos clave como eventos independientes e incompatibles.

Leyes de Morgan

Las Leyes de Morgan son presentadas con sus fórmulas correspondientes:

1. P((A∪B)') = P(A'∩B')
2. P((A∩B)') = P(A'∪B')
3. P(A∩B') = P(A) - P(A∩B)

Example: La fórmula P$A-B$ = P(A) - P(A∩B) ilustra cómo calcular la probabilidad de que ocurra A pero no B.

Probabilidad Total

Se incluye la fórmula de la probabilidad total, que es útil cuando se tienen eventos mutuamente excluyentes y exhaustivos.

Formula: P(B) = P(B|A₁)·P(A₁) + P(B|A₂)·P(A₂) + ...

Esta página proporciona una base sólida para comprender los conceptos fundamentales de probabilidad, incluyendo la Regla de Laplace, propiedades básicas, y fórmulas más avanzadas como las Leyes de Morgan y la probabilidad total.