La Ciencia de Datos se encarga de conocer el modelo probabilistico a partir de los datos.
Teoría
Qué aprenderás y qué es Estadística Inferencial
Valor esperado condicional
Muestras y poblaciones
Muestreo
Estimadores y parámetros
Casos paramétricos y no paramétricos
El espacio de parámetros
Estimación puntual
Estimación por intervalo
Tamaño muestral
Sesgo y varianza
Teoría no paramétrica
Estimación funcional: una sola variable
Estimación funcional: valor esperado condicional
Bootstrapping
Validación cruzada
Introducción a las pruebas de hipótesis
Pruebas de hipótesis
Simulación
Teorías formales
Instalación de R
Explorando datos simulados
Simulando estimadores puntuales
Simulando intervalos de confianza
Observando el comportamiento del tamaño muestral
Estimando distribuciones simuladas
Red neuronal vs. regresión lineal
Examinando el sesgo y la varianza
Haciendo un bootstrapping a un modelo
Hagamos la validación cruzada
Revisemos la potencia de una prueba
Proyecto
Estimación de parámetros con datos reales
Estimación por intervalo de parámetros con datos reales
Red neuronal de pronóstico con datos reales
Validación cruzada de nuestra red neuronal
Calculando el tamaño óptimo de la muestra
Contextualización de la red neuronal
Conclusiones
¿Qué más sigue?
Estimadores y parámetros
5/37Recursos
Aportes 4
Preguntas 1
Ordenar por:
Excelente clases .
¿Qué es un Parámetro?
Medida numérica que describe las características de la población, tenemos como parámetros, el promedio poblacional, miu, la varianza poblacional, sigma cuadrado, entre otros.
¿Qué es un Estimador?
Estadístico de la muestra utilizado para estimar el parámetro que nos interesa en la población. los cuales tenemos, promedio muestral, la varianza muestral, entre otros.
Modelo: Conjunto de supuestos matemáticos sobre la distribución de los datos poblaciones .
En este articulo hablan de los modelos en las ciencias:
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.