Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Comprende de verdad las pruebas de hipótesis
¿Qué pasa después de calcular los promedios y hacer los gráficos? ¿Cómo pasas de la estadística descriptiva a tomar decisiones con seguridad? ¿Cómo puedes aplicar las pruebas de hipótesis para resolver problemas del mundo real? En este curso de cuatro horas sobre los fundamentos de la inferencia en Python, adquirirás experiencia práctica a la hora de sacar conclusiones sólidas a partir de los datos. Aprenderás todo lo que hay que saber sobre el muestreo y descubrirás cómo un muestreo inadecuado puede desviar la inferencia estadística.Analiza una amplia variedad de situaciones
Empezarás trabajando con pruebas de hipótesis de normalidad y correlación, así como con pruebas paramétricas y no paramétricas. Realizarás estas pruebas con SciPy e interpretarás los resultados para utilizarlos en la toma de decisiones.A continuación, medirás la intensidad de un resultado utilizando el tamaño del efecto y la potencia estadística, todo ello mientras evitas correlaciones espurias mediante la aplicación de correcciones.Por último, utilizarás la simulación, la aleatorización y el metaanálisis para trabajar con una amplia variedad de datos, lo que incluye volver a analizar los resultados de otros investigadores.Saca conclusiones sólidas a partir del big data
Al terminar el curso, serás capaz de manejar con soltura el big data y utilizarlo para tomar decisiones bien fundamentadas en las que los líderes puedan confiar. Irás mucho más allá de los gráficos y las estadísticas resumidas para obtener resultados fiables, reproducibles y explicables.Requisitos previos
Programa de formación
Esquema del curso
1
Estadística inferencial y muestreo
En este capítulo, exploraremos la relación entre las muestras y las conclusiones justificadas estadísticamente. Elegir una muestra es la base para tomar decisiones estadísticas sólidas, y veremos cómo la elección de la muestra afecta al resultado de tu inferencia.
- Inferencia estadística y muestreo aleatorio50 XP
- Muestreo y estimaciones puntuales100 XP
- Muestreo repetido, estimaciones puntuales e inferencia100 XP
- Muestreo y sesgo50 XP
- Visualizar muestras100 XP
- Inferencia y sesgo100 XP
- Intervalos de confianza y muestreo50 XP
- Distribuciones muestrales normales100 XP
- Cálculo de intervalos de confianza100 XP
- Sacar conclusiones a partir de muestras100 XP
2
Caja de herramientas para contrastes de hipótesis
Aprende a aplicar pruebas de normalidad, pruebas de correlación y tests paramétricos y no paramétricos para una inferencia sólida. Los contrastes de hipótesis son herramientas, y elegir la adecuada para cada tarea es crucial para tomar decisiones estadísticas. Aunque quizá ya conozcas algunas de estas pruebas de cursos introductorios, aquí irás más allá para ampliar tu caja de herramientas inferencial.
3
Tamaño del efecto
En este capítulo, medirás e interpretarás el tamaño del efecto en distintas situaciones, te enfrentarás al problema de las comparaciones múltiples y explorarás en profundidad la potencia de una prueba. Aunque los valores p te dicen si hay un efecto significativo, no te indican la intensidad de ese efecto. El tamaño del efecto mide cuán fuerte es el efecto de un tratamiento. Domina los factores que sustentan el tamaño del efecto en este capítulo.
4
Simulación, aleatorización y meta-análisis
Ampliarás aún más tu caja de herramientas de estadística inferencial con un repaso al bootstrapping, las pruebas de permutación y los métodos para combinar evidencia a partir de valores p. El bootstrapping te brindará una primera aproximación a la simulación estadística. En la lección de meta-análisis, aprenderás a combinar resultados de múltiples estudios. Terminarás con un vistazo a las pruebas de permutación, una herramienta estadística no paramétrica potente y flexible.
Fundamentos de la inferencia en Python
Curso
completado
