Build your ultimate AI agent
Descripción del curso
Uno de los aspectos fundamentales del análisis estadístico es la inferencia, es decir, el proceso de extraer conclusiones sobre una población más amplia a partir de una muestra de datos. Aunque pueda parecer contraintuitivo, la práctica habitual consiste en intentar refutar una afirmación de investigación que no es la que nos interesa. Por ejemplo, para mostrar que un tratamiento médico es mejor que otro, podemos asumir que ambos tratamientos producen tasas de supervivencia iguales y después usar los datos para refutar esa suposición. Además, introducimos la idea del valor p, o el grado de desacuerdo entre los datos y la hipótesis. También profundizamos en los intervalos de confianza, que miden la magnitud del efecto de interés (por ejemplo, cuánto mejor es un tratamiento frente a otro).
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a las ideas de inferencia
En este capítulo, investigarás cómo pueden variar las muestras repetidas extraídas de una población. Es la variabilidad de las muestras lo que te permite hacer afirmaciones sobre la población de interés. Recuerda que las afirmaciones de investigación se centran en la población, mientras que la información disponible proviene únicamente de los datos muestrales.
- ¡Bienvenido al curso!50 XP
- Hipótesis (1)50 XP
- Hipótesis (2)50 XP
- Distribuciones aleatorizadas50 XP
- Trabajar con los datos de NHANES100 XP
- Calcular la estadística de interés100 XP
- Datos aleatorizados bajo el modelo nulo de independencia100 XP
- Estadísticos aleatorizados y diagrama de puntos100 XP
- Densidad de aleatorización100 XP
- Usar la distribución de aleatorización50 XP
- ¿Proceden los datos de la población?100 XP
- ¿Qué puedes concluir?50 XP
- Conclusiones del estudio50 XP
2
Completar una prueba de aleatorización: discriminación de género
En este capítulo, adquirirás las herramientas y conocimientos para completar una prueba de hipótesis completa. Es decir, dado un conjunto de datos, sabrás si es apropiado rechazar o no la hipótesis nula en favor de la afirmación de investigación de interés.
3
Errores en pruebas de hipótesis: coste de oportunidad
Seguirás aprendiendo sobre las pruebas de hipótesis con un nuevo ejemplo y la misma estructura de pruebas de aleatorización. En este capítulo, sin embargo, el foco estará en distintos errores (tipo I y tipo II), cómo se cometen, cuándo uno es peor que otro y cómo aspectos como el tamaño de muestra y el tamaño del efecto influyen en las tasas de error.
4
Intervalos de confianza
Como complemento a las pruebas de hipótesis, los intervalos de confianza te permiten estimar un parámetro poblacional. Recuerda que tu interés siempre recae en alguna característica de la población, pero solo dispones de información incompleta para estimar el parámetro usando datos muestrales. Aquí, el parámetro es la proporción verdadera de éxitos en una población. Se utiliza bootstrapping para estimar la variabilidad necesaria para construir el intervalo de confianza.
R
Fundamentos de la inferencia en R
Curso
completado
