mucha teoria 😦
-Podrian hacer un curso de Esatadistica Descriptiva y Estadistica Iferencial en RStudio, con supuestos por favor, gracias
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
Julián Cruz
Aportes 9
Preguntas 0
mucha teoria 😦
-Podrian hacer un curso de Esatadistica Descriptiva y Estadistica Iferencial en RStudio, con supuestos por favor, gracias
# Distribucion normal
tamano_muestral <- 35
iteraciones <- 100
medias <- vector()
desv_est <- vector()
media_poblacional <- 3
desv_est_poblacional <- 5
for(i in seq_len(iteraciones)){
muestra <- rnorm(tamano_muestral, media_poblacional, desv_est_poblacional)
medias[i] <- mean(muestra)
desv_est[i] <- sd(muestra)
}
plot(medias, desv_est)
points(media_poblacional, desv_est_poblacional, col = 2, cex = 3, pch = 20)
#regresion lineal
tamano_muestral <- 35
iteraciones <- 100
beta_0 <- 1
beta_1 <- 0.3
beta_0_estimado <- vector()
beta_1_estimado <- vector()
genera_y <- function(x, beta0, beta_1){
beta_1 * x + beta_0 + rnorm(length(x), 0, 0.5)
}
for (i in seq_len(iteraciones)){
X <- seq(-3, 3, length.out = tamano_muestral)
Y <- genera_y(X, beta_0, beta_1)
betas_estimados <- coef(lm(Y ~ X))
beta_0_estimado[i] <- betas_estimados[1]
beta_1_estimado[i] <- betas_estimados[2]
}
plot(beta_0_estimado, beta_1_estimado)
points(beta_0, beta_1, col = 2, cex = 3, pch = 20)
Buenas Compañeros dejo mi notebook de la clase: https://colab.research.google.com/drive/1s6HYGiIo1X8dVTJmEsxmhliGXYn46Oej?usp=sharing
😀👍🏼
R es completamente nuevo para mi y me ha gustado bastante como hemos podido llevarlo en el curso. 😁
Les comparto mis variaciones de los estimadores puntuales.
Distribución Normal
tamano_muestral <- 3500
iteraciones <- 500
media_poblacional <- 10
desv_est_poblacional <- 2
Regresión Lineal
tamano_muestral <- 3500
iteraciones <- 300
beta_0 <- 1
beta_1 <- 0.4
es increbile que alguien se preocupe tan poco para ser entendido, no es el tema, es que no tiene metodología para atender a personas que no tenemos educación formal
Para los que no conocen mucho de regresión lineal, comparto este link:
Modelo de Regresión Lineal
Tamaño de Muestra = 35
Tamaño de Muestra = 350
Tamaño de Muestra = 3500
Tamaño de Muestra = 35000
Tamaño de Muestra = 350000
No he podido descargar R…
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?