Unimos muchos conceptos en un flujo de trabajo real:
import statsmodels.api as sm # Datos de ejemplo X = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] y = [2, 4, 5, 4, 5, 7, 8, 9, 9, 11] # Añadir constante para el intercepto X = sm.add_constant(X) # Ajustar el modelo modelo = sm.OLS(y, X).fit() # Ver el resumen estadístico de alta calidad print(modelo.summary()) Use code with caution. Conclusión: El Enfoque Práctico
PCA es útil para visualizar clusters, eliminar ruido y preparar datos para otros modelos.
Asegurar representación de cada grupo (estrato) en la muestra. Distribuciones de Probabilidad Entender la distribución de los datos es clave.
np.random.seed(42) datos_multi = np.random.multivariate_normal(mean=[0,0,0,0], cov=np.eye(4), size=500) df_pca = pd.DataFrame(datos_multi, columns=['A','B','C','D']) Unimos muchos conceptos en un flujo de trabajo
Un repositorio excepcional en español que acompaña al libro de Bruce, Bruce y Gedeck. Contiene notebooks de Jupyter con ejemplos prácticos de estadística aplicada a ciencia de datos, divididos por capítulos: análisis exploratorio de datos, distribuciones de muestreo, experimentos estadísticos y pruebas de significancia, regresión y predicción, clasificación, aprendizaje estadístico de máquinas, y aprendizaje no supervisado.
But overall (ignoring device), the error seemed irrelevant. Why? Because and already had lower baseline conversion.
La estadística proporciona el marco analítico necesario para evaluar la calidad de los datos, descubrir patrones ocultos y validar si los hallazgos son consistentes o simplemente fruto del azar. Mientras que la programación en Python es la herramienta de ejecución, la estadística es el motor de pensamiento crítico. Se divide principalmente en dos grandes ramas:
# Normal normal_data = np.random.normal(loc=0, scale=1, size=1000) But overall (ignoring device), the error seemed irrelevant
import numpy as np import pandas as pd import scipy.stats as stats # Crear un conjunto de datos simulado con un outlier data = [10, 12, 14, 15, 16, 18, 19, 22, 100] df = pd.DataFrame(data, columns=['Valores']) # Cálculo de métricas media = df['Valores'].mean() mediana = df['Valores'].median() desviacion_estandar = df['Valores'].std() # Detección de Outliers mediante IQR q1 = df['Valores'].quantile(0.25) q3 = df['Valores'].quantile(0.75) iqr = q3 - q1 limite_inferior = q1 - 1.5 * iqr limite_superior = q3 + 1.5 * iqr outliers = df[(df['Valores'] < limite_inferior) | (df['Valores'] > limite_superior)] print(f"Media: media:.2f | Mediana: mediana") print(f"Límites para Outliers: [limite_inferior, limite_superior]") print(f"Valores atípicos detectados:\noutliers") Use code with caution. 2. Distribuciones de Probabilidad Fundamentales
es el lenguaje preferido en esta área debido a su simplicidad y a un ecosistema de librerías robusto: Pandas: Para manipulación y estructuración de datos. NumPy: Para cálculos numéricos eficientes. SciPy: Para estadística inferencial y distribuciones. Statsmodels: Para modelos estadísticos más detallados.
pip install numpy pandas matplotlib seaborn scipy statsmodels scikit-learn
La estadística descriptiva es el primer paso indispensable en cualquier análisis de datos. Su objetivo es resumir y describir las características principales de un conjunto de datos. que se asume cierta
Hemos recorrido un camino completo desde la estadística descriptiva básica hasta la regresión múltiple y el análisis multivariante, todo ello implementado en Python de forma práctica y de alta calidad. La no es un lujo, sino una necesidad: te permite tomar decisiones informadas, evitar falacias y construir modelos que realmente generalizan.
Supongamos que tenemos ingresos de hombres y mujeres (simulado):
Continuos (ej. peso) o discretos (ej. cantidad de personas).
Las pruebas de hipótesis ofrecen un marco formal para tomar decisiones basadas en datos. Se parte de una hipótesis nula (H0), que se asume cierta, y una hipótesis alternativa (H1). El mide la probabilidad de obtener los resultados observados si H0 fuera cierta. Un p-valor bajo indica evidencia en contra de H0.