• Ver Tabla de Contenidos

📚 Módulo 1. ¿Para qué sirve la estadística descriptiva?

Fecha: June 23, 2021

Clase: 1. Estadística descriptiva vs. inferencial

Para recordar

¿Qué hace la estadística descriptiva?

¿Qué hace la estadística inferencial?

Ejemplos de las diferencias entre la estadística descriptiva e inferencial.

¿Cómo se miente con estadística?

¿Por qué aprender estadística?

Notas

• Estadística descriptiva: permite resumir información con base en ciertas métricas que describan a los datos.

• Estadística inferencial: hace inferencias o predicciones a partir de los datos.

• Ejemplos de estadística descriptiva e inferencial.

  • Descriptiva: los datos del desempeño de un futbolista a lo largo de su carrera se pueden resumir en métricas que describan de forma rápida, sencilla y corta el historial deportivo de dicho jugador.
  • Inferencial: predecir el desempeño futuro de un jugador.

• Mentir con estadística

  • Acotando la información a conveniencia.

  Con frecuencia construimos un caso estadístico con datos imperfectos, como resultado hay numerosas razones por las cuales individuos intelectuales respetables pueden no estar de acuerdo sobre los resultados estadísticos. - Naked Statistics, Charles Wheelan.

• Razones para aprender estadística

  • Resumir grandes cantidades de información
  • Mejora la toma de decisiones.
  • Responder preguntas de relevancia social.
  • Reconocer patrones en los datos.
  • Desenmascarar a los que mienten con estadística.

<aside> 📌 Resumen: la estadística descriptiva permite resumir grandes cantidades de información en una serie de métricas que describan a los datos.

</aside>

Fecha: June 23, 2021

Clase: 2. Flujo de trabajo en data science

Para recordar

¿Cuáles son los roles y el flujo de trabajo en Data Science?

¿En qué casos se usa la estadística?

Notas

• Roles y flujo de trabajo:

  

• Casos en los que se usan estadística:

  • Ingesta de datos, validación:
    • Identificar a los tipos de datos.
    • El flujo de procesamiento que define cuáles van a ser las transformaciones que se deben hacer sobre los datos para que estos queden "limpios" y en el formato adecuado para entrenar al modelo.
  • Preparación, entrenamiento del modelo:
    • Análisis exploratorio, en este se ocupa estadística descriptiva.
    • Entender si hay correlaciones entre los datos.
    • Reducciones de datos.
  • Evaluación del modelo, Modelo en producción e Interacción con el usuario final:
    • Probabilidad.
    • Inferencia.
    • Test de hipótesis (se usa mucho para probar modelos).

<aside> 📌 Resumen: la estadística se usa en varias etapas del flujo de trabajo en Data Science, así como en cada uno de los roles que componen esta disciplina.

</aside>

Fecha: June 23, 2021

Clase: 3. Plan del curso

<aside> 📌 Resumen: en este curso se mostrará como aplicar estadística descriptiva por un lado en la ingesta y el procesamiento de datos, y por otro lado en la analítica y la exploración de los datos

</aside>