Con frecuencia nos preguntamos por qué necesitamos conocimientos estadísticos para trabajar con datos. La respuesta es sencilla:
- La estadística nos va a dar la base para decidir cómo manipular nuestros datos.
- La estadística nos ayuda a interpretar los resultados y a tomar decisiones.
En particular, la estadística, al igual que la ciencia de datos, busca extraer conocimiento e ideas de la información.
El objetivo principal del machine learning es crear modelos predictivos a partir de un histórico y, para ello, se apoya de la inferencia. A su vez, el objetivo principal de la estadística como tal es inferir y, con ello, también llegar a predicciones.
¿Necesito conocimientos de estadística para la ciencia de datos?
Puedes indagar y profundizar tanto como gustes en los diferentes campos de la estadística. Sin embargo, en la mayoría de los trabajos no vas a requerir la teoría más avanzada sobre esta.
También es importante que en el momento de elegir el sector en el que quieres trabajar pienses en el rigor o el tipo de análisis que se va a esperar del equipo técnico.
Por lo general, más que modelos matemáticamente complejos que demoren tiempo en desarrollarse, las empresas buscan análisis que se resuelvan de manera pragmática, es decir, relativamente rápido y de manera aplicada.
Para hacer un buen análisis se requiere de fundamentos en estadística, de conocimiento de varias herramientas o modelos y, finalmente, de un razonamiento lógico que permita interpretar y explicar los resultados. Puedes conocerlo mejor a continuación.
Fundamentos
Son aquellos conceptos de la estadística que nos ayudarán a entender y analizar mejor la información. Por ejemplo, las distribuciones (i.e. desviaciones), estimaciones (i.e. intervalos de confianza), probabilidad (i.e. teorema central del límite) e inferencia (i.e. valor p).
Modelos
Son las herramientas que nos ayudarán a enfrentar los problemas que queramos resolver como, por ejemplo, modelos lineales, regresiones, correlaciones, modelos de machine learning, entre otros.
Razonamiento lógico
Después de usar los fundamentos y los modelos para llegar a un fin, el razonamiento es el que nos hará las preguntas críticas para cuestionarnos si el resultado obtenido tiene sentido, para poder validar que el proceso no tenga sesgos a partir de las condiciones y suposiciones correctas.
Aprender estadística descriptiva e inferencial
La estadística se divide en dos grandes partes: descriptiva e inferencial. Para comenzar con la parte descriptiva te invito a tomar el Curso de Matemáticas para Data Science: Estadística Descriptiva.
Una vez que hayas dominado esta parte es momento de aprender el lado inferencial. Para ello toma el Curso de Estadística Inferencial para Data Science e Inteligencia Artificial, en el que tengo el gusto de ser tu profesora y con el cual puedes certificarte como Data Scientist.
En ambos cursos utilizarás Python como lenguaje de programación y aprenderás los fundamentos y el razonamiento lógico que necesitas para data science. 🐍🌟
Curso de Estadística Inferencial para Data Science e Inteligencia Artificial
