Estos detalles de los memes son muy bonitos
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?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
No se trata de lo que quieres comprar, sino de quién quieres ser. Aprovecha el precio especial.
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
13 Días
8 Hrs
54 Min
24 Seg
Pruebas de hipótesis
18/37Recursos
Aportes 7
Preguntas 1
Ordenar por:
El p-valor es una variable aleatoria.
● Esta variable aleatoria se distribuye
uniforme cuando se cumple la
hipótesis nula.
● Con un umbral alfa de 0.05 podemos
saber si la hipótesis alterna es cierta
en la población, o solo en la muestra.
Las pruebas de hipótesis
están estandarizadas.
### Conceptos Clave
1. **Hipótesis nula (H0)**: Suposición inicial que indica que no hay un efecto o diferencia significativa.
2. **Hipótesis alternativa (Ha)**: Plantea que existe un efecto o diferencia significativa.
3. **p-valor**: Probabilidad de obtener un resultado al menos tan extremo como el observado, bajo la hipótesis nula.
4. **Nivel de significancia (α)**: Umbral para decidir si se rechaza la hipótesis nula (comúnmente 0.05).
5. **Error tipo I y tipo II**: Rechazo de una H0 verdadera y no rechazo de una H0 falsa, respectivamente.
No es posible afirmar nada
sobre la población cuando
los resultados no son
estadísticamente
significativos
Es interesante tener en cuenta que Fisher describió que el p value de 0.05 era un valor “bueno” para estimar la el rechazo de la hipótesis nula, pero no es más que una estimación algo arbitraria.
Hay varios blogs y estudios estadísticos que critican fuertemente que se usen p values de 0.05 para evaluar todas las pruebas estadísticas, puesto que ni el mismo Fisher lo estableció como norma.
💚 “estadísticamente significativo” implica que p-value<alpha entonces Ho es rechazada
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?