Build your ultimate AI agent
Descripción del curso
En este curso aprenderás a aplicar técnicas estadísticas para realizar inferencias y estimaciones con datos numéricos. Usaremos dos enfoques para estas tareas habituales. El primero recurre al bootstrapping y a permutaciones para crear pruebas y intervalos de confianza basados en remuestreo. El segundo utiliza resultados teóricos y la distribución t para lograr el mismo objetivo. Verás cómo (y cuándo) realizar una prueba t, construir un intervalo de confianza y hacer un ANOVA.
Requisitos previos
Programa de formación
Contenido del curso
1
Bootstrapping para estimar un parámetro
En este capítulo usarás técnicas de bootstrapping para estimar un único parámetro de una distribución numérica.
- ¡Bienvenido al curso!50 XP
- Genera una distribución bootstrap para la mediana100 XP
- Repaso de los métodos del percentil y del error estándar50 XP
- Calcula el intervalo bootstrap usando ambos métodos100 XP
- ¿Qué método es más apropiado: percentil o EE?50 XP
- Visitas al médico durante el embarazo50 XP
- Número medio de visitas al médico100 XP
- DE de número de visitas al médico100 XP
- Recentrar una distribución bootstrap50 XP
- Prueba para la mediana del precio de apartamentos de 1 dormitorio en Manhattan100 XP
- Concluye la prueba de hipótesis sobre la mediana50 XP
- Prueba para el peso medio de bebés100 XP
2
Introducción a la distribución t
En este capítulo usarás técnicas basadas en el Teorema Central del Límite para estimar un único parámetro de una distribución numérica. Para ello emplearás la distribución t.
3
Inferencia para la diferencia entre dos parámetros
En este capítulo ampliarás lo que has aprendido para usar tanto técnicas de simulación como métodos basados en el TCL para inferir la diferencia entre dos parámetros de dos distribuciones numéricas independientes.
4
Comparación de varias medias
En este capítulo usarás ANOVA (análisis de varianza) para comprobar si hay diferencia de medias entre muchos grupos.
R
Inferencia con datos numéricos en R
Curso
completado
