Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Después de completar Pensamiento estadístico en Python (Parte 1), ya tienes la mentalidad probabilística y las bases de hacker stats necesarias para sumergirte en conjuntos de datos y extraer información útil. En este curso harás precisamente eso, ampliando y afinando tu caja de herramientas de hacker stats para realizar las dos tareas clave de la inferencia estadística: la estimación de parámetros y las pruebas de hipótesis. Trabajarás con conjuntos de datos reales mientras aprendes, culminando con el análisis de medidas de los picos de los famosos pinzones de Darwin. Saldrás de este curso con nuevos conocimientos y mucha práctica a tus espaldas, listo para abordar tus propios problemas de inferencia en el mundo real.
Requisitos previos
Programa de formación
Esquema del curso
1
Estimación de parámetros por optimización
Cuando hacemos inferencia estadística, hablamos el lenguaje de la probabilidad. Una distribución de probabilidad que describe tus datos tiene parámetros. Por tanto, uno de los grandes objetivos de la inferencia estadística es estimar los valores de esos parámetros, lo que nos permite describir nuestros datos de forma concisa y sin ambigüedades y extraer conclusiones. En este capítulo aprenderás a encontrar los parámetros óptimos, aquellos que mejor describen tus datos.
- Parámetros óptimos50 XP
- ¿Con qué frecuencia hay no-hitters?100 XP
- ¿Los datos siguen nuestra historia?100 XP
- ¿Por qué es óptimo este parámetro?100 XP
- Regresión lineal por mínimos cuadrados50 XP
- EDA de alfabetización/fertilidad100 XP
- Regresión lineal100 XP
- ¿Por qué es óptimo?100 XP
- La importancia del EDA: el cuarteto de Anscombe50 XP
- La importancia del EDA50 XP
- Regresión lineal en los datos adecuados de Anscombe100 XP
- Regresión lineal en todos los datos de Anscombe100 XP
2
Intervalos de confianza con bootstrap
“Levantarme tirando de mis propias botas” es un modismo clásico que significa lograr una tarea difícil por ti mismo y sin ayuda. En inferencia estadística, quieres saber qué pasaría si pudieras repetir la adquisición de datos un número infinito de veces. Esta tarea es imposible, pero ¿podemos usar solo los datos que realmente tenemos para acercarnos al resultado de una infinidad de experimentos? ¡La respuesta es sí! La técnica para conseguirlo se llama, muy apropiadamente, bootstrap. Este capítulo te presentará esta herramienta extraordinariamente potente.
3
Introducción a las pruebas de hipótesis
Ahora ya sabes cómo definir y estimar parámetros dado un modelo. Pero queda la pregunta: ¿qué tan razonable es observar tus datos si un modelo es cierto? Esta pregunta se aborda con pruebas de hipótesis. Son la guinda del pastel de la inferencia. Al completar este capítulo, serás capaz de construir y poner a prueba hipótesis con cuidado usando hacker statistics.
4
Ejemplos de pruebas de hipótesis
Como viste en el capítulo anterior, las pruebas de hipótesis pueden ser algo delicadas. Tienes que definir la hipótesis nula, averiguar cómo simularla y dejar claro qué significa “más extremo” para poder calcular el valor p. Como cualquier habilidad, la práctica hace al maestro, y este capítulo te dará una buena práctica con pruebas de hipótesis.
5
Integrarlo todo: un estudio de caso
Cada año, desde hace más de 40 años, Peter y Rosemary Grant han ido a la isla Daphne Mayor, en las Galápagos, y han recopilado datos sobre los pinzones de Darwin. Aplicando tus habilidades de inferencia estadística, en este capítulo trabajarás con sus datos y presenciarás de primera mano, a través de los datos, la evolución en acción. ¡Es una forma emocionante de cerrar el curso!
Pensamiento estadístico en Python (Parte 2)
Curso
completado
