fix: standardize math block syntax for correct rendering

Author: TFariasMath

docs/matematica/algebra-lineal.html

@@ -2,38 +2,38 @@
 <urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
 <url>
 <loc>https://elixircl.github.io/elixir-ml/agentic/instalar-elixir-vscode.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/agentic/introduction.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/example.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/index.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/matematica/algebra-lineal.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/matematica/estadistica-descriptiva.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/matematica/inferencia-estadistica.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/matematica/logica-proposicional.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 <url>
 <loc>https://elixircl.github.io/elixir-ml/matematica/modelos-probabilisticos.html</loc>
-<lastmod>2026-04-19T02:28:06.367Z</lastmod>
+<lastmod>2026-04-19T02:42:58.201Z</lastmod>
 </url>
 </urlset>

docs/matematica/estadistica-descriptiva.html

@@ -59,21 +59,21 @@ Cuando trabajamos con funciones que toman vectores como entrada o salida, las re
 Si tenemos una función escalar $f(\vec{x})$ que depende de un vector $\vec{x}$, el gradiente es el vector de todas sus derivadas parciales:
 
 [stem]
-++++
+--
 \nabla f(\vec{x}) = \begin{pmatrix} \frac{\partial f}{\partial x_1} \\ \frac{\partial f}{\partial x_2} \\ \vdots \\ \frac{\partial f}{\partial x_n} \end{pmatrix}
-++++
+--
 
 === El Jacobiano ($\mathbf{J}$)
 Si tenemos una función vectorial $\vec{f}(\vec{x})$ (una función que toma un vector y devuelve otro), el Jacobiano es la matriz que contiene todas las derivadas parciales posibles:
 
 [stem]
-++++
+--
 \mathbf{J} = \frac{\partial \vec{f}}{\partial \vec{x}} = \begin{pmatrix}
 \frac{\partial f_1}{\partial x_1} & \dots & \frac{\partial f_1}{\partial x_n} \\
 \vdots & \ddots & \vdots \\
 \frac{\partial f_m}{\partial x_1} & \dots & \frac{\partial f_m}{\partial x_n}
 \end{pmatrix}
-++++
+--
 
 [IMPORTANT]
 ====

docs/matematica/inferencia-estadistica.html

@@ -10,17 +10,17 @@ Estas medidas buscan identificar el "centro" de la distribución de los datos.
 
 1. **Media Aritmética ($\bar{x}$)**: Es el promedio de los valores. Es sensible a valores atípicos (*outliers*).
 [stem]
-++++
+--
 \bar{x} = \frac{1}{n} \sum_{i=1}^n x_i
-++++
+--
 
 2. **Mediana**: El valor que divide el conjunto de datos exactamente a la mitad cuando están ordenados. Es una medida robusta frente a valores atípicos.
 
 3. **Media Ponderada**: Útil cuando algunos datos tienen más importancia o "peso" que otros.
 [stem]
-++++
+--
 \bar{x}_w = \frac{\sum w_i x_i}{\sum w_i}
-++++
+--
 
 == Medidas de Dispersión
 
@@ -30,16 +30,16 @@ Indican qué tan alejados están los datos respecto al centro.
 La varianza mide la media de los cuadrados de las desviaciones respecto a la media. La desviación estándar es su raíz cuadrada y mantiene las mismas unidades que los datos originales.
 
 [stem]
-++++
+--
 \sigma^2 = \frac{1}{n} \sum_{i=1}^n (x_i - \bar{x})^2
-++++
+--
 
 === Rango Intercuartílico (IQR)
 Mide la dispersión del 50% central de los datos. Se calcula como la diferencia entre el tercer cuartil ($Q_3$) y el primer cuartil ($Q_1$).
 [stem]
-++++
+--
 IQR = Q_3 - Q_1
-++++
+--
 
 [TIP]
 ====
@@ -53,9 +53,9 @@ Más allá del centro y la dispersión, la **asimetría** nos indica si los dato
 === Coeficiente de Asimetría de Fisher ($G_1$)
 Es la medida más utilizada en software estadístico. Se basa en el tercer momento central estandarizado.
 [stem]
-++++
+--
 G_1 = \frac{\frac{1}{n} \sum_{i=1}^n (x_i - \bar{x})^3}{\sigma^3}
-++++
+--
 *   **$G_1 = 0$**: Distribución simétrica (como la Normal).
 *   **$G_1 > 0$**: Asimetría positiva (cola a la derecha).
 *   **$G_1 < 0$**: Asimetría negativa (cola a la izquierda).
@@ -84,15 +84,15 @@ Cuando analizamos dos variables ($X$ e $Y$) simultáneamente, buscamos entender
 
 1. **Covarianza**: Indica la dirección de la relación lineal.
 [stem]
-++++
+--
 cov(X, Y) = \frac{1}{n} \sum (x_i - \bar{x})(y_i - \bar{y})
-++++
+--
 
 2. **Coeficiente de Correlación de Pearson ($r$)**: Escala la covarianza entre $-1$ y $1$.
 [stem]
-++++
+--
 r = \frac{cov(X, Y)}{\sigma_X \sigma_Y}
-++++
+--
 
 [IMPORTANT]
 ====

docs/search-index.js

@@ -11,9 +11,9 @@ Cuando trabajamos con una población que sigue una distribución $\mathcal{N}(\m
 === Caso 1: Varianza ($\sigma$) Conocida
 En este escenario usamos la **Distribución Normal Estándar ($Z$)**. El intervalo de confianza se define como:
 [stem]
-++++
+--
 I = \left[ \bar{x} \mp z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \right]
-++++
+--
 
 [source, elixir]
 ----
@@ -33,9 +33,9 @@ end
 === Caso 2: Varianza ($\sigma$) Desconocida
 Aquí debemos usar la cuasivarianza muestral ($S^2$) y la **Distribución t de Student** con $n-1$ grados de libertad.
 [stem]
-++++
+--
 I = \left[ \bar{x} \mp t_{n-1:\alpha/2} \frac{S}{\sqrt{n}} \right]
-++++
+--
 
 [source, elixir]
 ----
@@ -57,25 +57,25 @@ Gracias al **Teorema Central del Límite**, si el tamaño de la muestra $n$ es s
 
 *   **Población Binomial ($B(1, p)$)**:
 [stem]
-++++
+--
 I = \left[ \hat{p} \mp z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \right]
-++++
+--
 
 *   **Población Poisson ($\mathcal{P}(\lambda)$)**:
 [stem]
-++++
+--
 I = \left[ \bar{x} \mp z_{\alpha/2} \sqrt{\frac{\bar{x}}{n}} \right]
-++++
+--
 
 == Inferencia sobre la Varianza ($\sigma^2$)
 
 Para inferir sobre la dispersión de una población normal, recurrimos a la distribución **Ji-cuadrado ($\chi^2$)**.
 
 *   **Varianza con $\mu$ desconocida**:
 [stem]
-++++
+--
 I = \left[ \frac{(n-1)S^2}{\chi^2_{n-1:\alpha/2}} , \frac{(n-1)S^2}{\chi^2_{n-1:1-\alpha/2}} \right]
-++++
+--
 
 [source, elixir]
 ----
@@ -97,9 +97,9 @@ end
 Para decidir si dos poblaciones tienen la misma varianza, comparamos el ratio de sus cuasivarianzas usando la **Distribución F de Snedecor**.
 
 [stem]
-++++
+--
 \frac{S_1^2 / \sigma_1^2}{S_2^2 / \sigma_2^2} \to F_{n_1-1, n_2-1}
-++++
+--
 
 [TIP]
 ====