About Us

Why Choose StudyPug

How it works

Pricing

Testimonials

Contact Us

Blog

Basic Math

Algebra

Geometry

Trigonometry

Calculus

Linear Algebra

Differential Equations

Statistics

Chemistry

Organic Chemistry

Physics

Microeconomics

For Students

For Parents

For Home Schoolers

For Teachers

Australia

Canada

Ireland

New Zealand

Singapore

United Kingdom

United States

Sitemap

Terms of Service

Privacy Policy

Regla de la multiplicación de probabilidades

Estadística: Domina Análisis de Datos y Probabilidad

ES - Graphing Data

Ventajas y desventajas de distintas gráficas

Gráficas engañosas

Presentación crítica de datos

Gráficas circulares

Distribución de frecuencias e histogramas

Organizando datos

Dibujando y leyendo gráficas de barra

Dibujando y leyendo histogramas

Dibujando y leyendo gráficas lineales

Reading Line Graphs

Diagrama de cajas y bigotes

Dibujando y leyendo diagramas de Venn

Diagrama de tallos y hojas

Polígonos de frequencias

Formas de las distribuciones

Tablas de frecuencias y gráficas de puntos

ES - Designing Studies

Clasificación de datos

Tipos de muestreo estadístico

Censo y sesgo

ES - Measures of Central Tendency

Mediana y moda

Median of an even length list

Median of an odd length list

Media (promedio)

Find the Mean

Rango y valores más extremos

Find the Range

Aplicación de promedios

Find the Means — Data Tables

Find Mean and Mode — Data Table

Identify Outliers — Data Table

Medidas de tendencia central: media, mediana y moda

ES - Measures of Dispersion

Dispersión de un conjunto de datos: Desviación estándar y varianza

Medidas de posición: Variable normalizada, cuartiles y percentiles

ES - Discrete Probabilities

Distribución de probabilidad: Histograma, media, varianza y desviación estándar

Distribución binomial

Media y desviación estándar de la distribución binomial

Distribución de Poisson

Distribución geométrica

Distribución binomial negativa

Distribución hipergeométrica

Propiedades de la esperanza matemática

ES - Normal Distribution and Z-Scores

Introducción a las distribución normal

Distribución normal y variable aleatoria continua

Variables normalizadas y variables aleatorias continuas

Regla del evento raro

Distribución muestral

Teorema del límite central

ES - Confidence Intervals

Estimación puntual

Niveles de confianza y valores críticos

Margen de error

Creando un intervalo de confianza

ES - Permutations and Combinations

Principio fundamental de conteo

Notación factorial

Contando y encontrando posibles caminos

Permutaciones

Combinaciones

Problemas acerca de permutaciones y combinaciones

Permutaciones y combinaciones

Probabilidad con permutaciones y combinaciones

ES - Probability

Introducción a probabilidad

Reading Probability Models

Probability

Organizando resultados

Probabilidad de eventos independientes

Comparando probabilidad experimental y teórica

Introducción a la probabilidad

Reglas de la suma de probabilidades

Probabilidad condicional

Probabilidad con diagramas de Venn

ES - Hypothesis Testing

Hipótesis nula e hipótesis alternativa

Verificando afirmaciones

Niveles de confianza, niveles de significancia y valores críticos

Estadístico de prueba

Prueba de hipótesis

Prueba de hipótesis con valores "p"

Prueba de hipótesis con Ji cuadrado de Pearson

Prueba de hipótesis para la media con distribución "t"

Errores de tipo 1 y 2

ES - Bivariate Data

Datos bivariados, diagramas de dispersión y correlación

Análisis de la regresión

Recta de mejor ajuste (mínimos cuadrados)

ES - Statistics

math

https://dmn92m25mtw4z.cloudfront.net/img/textbook/textbook-statistics.png

Ex.1

Ex.3

<ul type = "disc">
<li>\(P\)(\(A\) y \(B\)) = \(P\)(\(A \cup B\)): probabilidad de ocurrir del evento \(A\) y después el evento \(B\) en intentos sucesivos. En este caso, los eventos \(A\), \(B\) son dependientes ya que la probabilidad del segundo es afectada por la ocurrencia del primero.</li> 

<li>\(P\)(\(B\mid A\)) = probabilidad del evento \(B\) de ocurrir cuando el evento \(A\) ya ha ocurrido.
</li> 

<li>\(P\)(\(A\) y \(B\)) = \(P\)(\(A\)) \( \cdot\)\(P\)(\(B\mid A\)) \( \, \rightarrow \, \)\(P\)(\(B \cap A\)) = \(P\)(\(A\)) \( \cdot\) \(P\)(\(B\mid A\))
</li> 

<li>Eventos independientes:</li>
</ul>

Si los eventos \(A\), \(B\) son independientes, entonces el hecho y/o conocimiento de que el evento \(A\) haya sucedido no tiene efecto alguno en la probabilidad del evento \(B\) de ocurrir, por lo tanto: 
\(P\)(\(B\mid A\)) = \(P\)(\(B\)). 
Como resultado, para eventos independientes: 
\(P\)(\(A\) y \(B\) ) = \(P\)(\(A\)) \( \cdot\) \(P\)(\(B\mid A\)) = \(P\)(\(A\)) \( \cdot\) \(P\)(\(B\)) \( \, \rightarrow \, \) \(P\)(\(A \cap B\)) = \(P\)(\(A\)) \( \cdot\) \(P\)(\(B\mid A\)) = \(P\)(\(A\)) \( \cdot\) \(P\)(\(B\))