Ejercicio escrito: Varianza y desviación estándar

Clase 9 de 28 • Curso de Introducción a Machine Learning 2017

Ahora vamos a poner en práctica los conceptos avanzados de Probabilidad y Estadística que aprendimos en el material anterior.

Tenemos un grupo de estudiantes de Inglés con las siguientes edades: 13, 14, 15, 15, 15, 16, 17, 18, 20

Calcula la varianza y la desviación estándar de las edades del grupo de estudiantes.

No olvides compartir tus resultados debajo, en el sistema de discusiones.

Matias Varela

student•

Desviación

>>> edades = [13, 14, 15, 15, 15, 16, 17, 18, 20]
>>> suma = sum(edades)
>>> media = suma / len(edades)
>>> edades = [x - media for x in edades]
>>> edades = [x**2 for x in edades]
>>> desviacion = sum(edades) / len(edades)
>>> desviacion
4.098765432098765
>>> import math
>>> desviacion_estandar = math.sqrt(desviacion)
>>> desviacion_estandar
2.0245407953653998```

Julio Quinteros P.

student•

Para complementar esta versión

>> edades = [13, 14, 15, 15, 15, 16, 17, 18, 20]
>> len(edades)
9
>> suma = sum(edades)
>> suma
143
>> media = 1.0*(suma / len(edades))
>> media
15.0
>> media = (1.0*suma / len(edades))
>> media
15.88888888888889
>> residuos = [x-media for x in edades]
>> residuos2 = [x**2 for x in residuos]
>> desviacion = sum(residuos2) / len(edades)
>> desviacion
4.098765432098765
>> import math
>> desv_std = math.sqrt(desviacion)
>> desv_std
2.0245407953653998

Notar el fix necesario al momento de calcular la media, pues python hace conversión de tipos y se pierde precisión.

Blanca Segura Garcia

student•

Gracias matuu … me ayudó bastante!!!

Cristian Fabricio Rodriguez Romero

student•

Desarrollo del ejercicio:

Comprobación en Código Ruby:

def media(lista)
  suma = 0
  lista.each do |termino|
    suma += termino
  end
  Float(suma) / lista.length
end

def resta(lista, med)
  lista_resta = []
  lista.each do |termino|
    lista_resta << (termino - med)
  end
  lista_resta
end

def terminos_cuadrado(lista)
  lista_cuadrado = []
  lista.each do |termino|
    lista_cuadrado << termino**2
  end
  lista_cuadrado
end

def varianza
  lista = [13,14,15,15,15,16,17,18,20]
  lista_resta = resta(lista, media(lista))
  lista_cuadrado = terminos_cuadrado(lista_resta)
  valor_varianza = media(lista_cuadrado)
  puts "--"*20
  puts "Varianza: #{valor_varianza}"
  puts "--"*20
  valor_varianza
end

def desviacion_estandar(valor)
  valor_desviacion_estandar = valor**0.5
  puts "Desviación estandrar: #{valor_desviacion_estandar}"
  puts "--"*20
end

desviacion_estandar(varianza)

Salida:

----------------------------------------
Varianza: 4.098765432098765
----------------------------------------
Desviación estandrar: 2.0245407953653998
----------------------------------------

Hebert lughi villafuerte ccacala

student•

me salio esto solo use dos decimales:

José Luis Lopez Torres

student•

No veo tu respuesta compañero. Como que algo salio mal 😮

Roman Cedillo Angeles

student•

preferí tomar nuevamente las funciones de Python, les dejo el código:

import statistics as stats
items_stdev=[13, 14, 15, 15, 15, 16, 17, 18, 20]

print('Varianza: {}' .format(stats.pvariance(items_stdev)))
print('Descviación Estandar: {}' .format(stats.pstdev(items_stdev)))

Fernando González García

student•

Por cierto .format() ¿Cómo funciona en Python?

Carlos Jacob Carrasco Rodriguez

student•

Aquí adjunto mi respuesta con el paso a paso y los resultados de cada uno. Todo en python.

Hay librerías como la “statistics” que resuelve este problema matemático con una función pero nunca esta de mas saber que sucede de fondo.

# -*- coding: utf-8 -*-

import math

numbersVarianza = [13, 14, 15, 15, 15, 16, 17, 18, 20]
resultadoResta = []
resultadoCuadrado = []


def run():
    print('****Varianza y desviación estandard')
    print('Valores = {}'.format(numbersVarianza))
    suma = sum(numbersVarianza)
    print('1.- Calcular la suma de los datos SUMA = {}'.format(suma))
    media = suma / len(numbersVarianza)
    print('2.- Calcular la MEDIA = {}'.format(media))
    resultado = float()
    for i in range(len(numbersVarianza)):
        resultadoResta.append(numbersVarianza[i] - media)
        resultadoCuadrado.append((numbersVarianza[i] - media) ** 2)
        resultado += ((numbersVarianza[i] - media) ** 2)
    print('3.- Restar la MEDIA a cada dato = {}'.format(resultadoResta))
    print('4.- Elevar al CUADRADO cada resultado = {}'.format(resultadoCuadrado))
    print('5.- SUMAR todos los resultado = {}'.format(resultado))
    print('6.- Sacamos la MEDIA de la sumatoria anterior, nos daria la VARIANZA= {}'.format(resultado / len(numbersVarianza)))
    print('7.- Sacamos la raiz cuadrada que sería DESVIACION ESTANDARD = {}'.format(math.sqrt((resultado / len(numbersVarianza)))))


if __name__ == '__main__':
    run()

Silvia Colmenares

student•

My codigo

import math

arr = [13, 14, 15, 15, 15, 16, 17, 18, 20]

suma = sum(arr)
n = len(arr)

media = suma/n
for i in range(n):
	arr[i] = (arr[i] - media)**2

suma = sum(arr)
media = suma/n

print("Varianza = " + str(media) + "\n") 

media = math.sqrt(media)

print("Desviacion = " + str(media) + "\n")

Resultados

Varianza = 4.098765432098765

Desviacion = 2.0245407953653998

Jose Angel

student•

Varianza 36,88 Desvio gen 6,0736

Matías Daniel Cravero

student•

Bryan David Rosas Rojas

student•

Varianza: 4.09 Desviación estándar: 2.02

Juan Camilo Gaviria Holguín

student•

Varianza=4.098765
Desviación estándar=2.02454

Diego Marquina

student•

Varianza = 4.097
Desviación = 2.024

Jose Manuel Montaño Saenz

student•

Media es: 15.88888888888889
Varianza es: 4.098765432098765
Desviación Estándar es: 2.0245407953653998

Cesar Octavio de Jesus Meza Carrillo

student•

Varianza = 4.098765432

Desviacion Estandar = 2.024540795

En lo personal Estos dos datos fueron mi coco en Ingenieria en sistemas, Muchas gracias Hayde por explicarme en unos minutos lo que se tardadon dos meses en medio explicarme en la carrera

Jesus Hernandez

student•

xD No sé dónde estudiaste pero en la mía eso se explicó en una sola clase jaja

Jose Rojas Acevedo

student•

Lo mismo digo, con todo respeto eso lo aprendí en 10 minutos 😃

Luis E. Gama Ramirez

student•

Media = 6.1111

Varianza = 4.134444

Desviación Estándar = 2.0333

🙌🏻🤔😄😜

José P. Carrillo E.

student•

Así lo realice yo:

#-*- coding: utf-8 -*-
import math

unidades = [13, 14, 15, 15, 15, 16, 17, 18, 20]
suma = sum(unidades)
media = suma / len(unidades)
unidades = [unidad - media for unidad in unidades]
unidades = [unidad**2 for unidad in unidades]
varianza = sum(unidades) / len(unidades)

desviacion = math.sqrt(varianza)
print(("La media es de: {}\nLa varianza es de: {}\nLa desviación estándar es de: {}\n").format(media, varianza, desviación))```

Leonardo Nava

student•

# -*- coding: utf-8 -*-


# Datos usados en algun momento:
# 13, 14, 15, 15, 15, 16, 17, 18, 20
# 0, 2, 4, 5, 8, 10, 10, 15, 38


import statistics as stats
if __name__ == '__main__':
    data = [13, 14, 15, 15, 15, 16, 17, 18, 20]
    Varianza = round(stats.pvariance(data), 2)
    Desv = round(stats.pstdev(data), 2)
    print('Varianza: {}, Desviación: {}'.format(Varianza, Desv))

Resultado del ejercicio:
Varianza: 4.1, Desviación: 2.02

Emanuel Alaniz Arredondo

student•

Varianza = 4.098765432
Desviación estándar = 2.024540795

Celso Espinoza

student•

# Algoritmo para resolver los problemas (Python)
import math

def main():
    lista = []
    print("Escribir '-999' para salir")
    input_numbers(lista)
    media_resultado = media(lista)
    print("La media es {}".format(media_resultado))
    moda_resultado = moda(lista)
    print("La moda es {}".format(moda_resultado))
    # falta la mediana
    varianza_resultado = varianza(lista, media_resultado)
    print("La varianza es {}".format(varianza_resultado))
    desviacion_resultado = desviacion_estandar(varianza_resultado)
    print("La desviación estandar es {}".format(desviacion_resultado))
    input("")

def input_numbers(lista):
    i = 0
    num = 0
    while num != -999:
        num = float(input("Escribe un número: "))
        lista.insert(i, num)
        i += 1
    lista.remove(-999)
    return lista

def media(lista):
    sum_num = 0
    for i in lista:
        sum_num += i
    med = float(sum_num / len(lista))
    return med

def mediana(lista):
    print("Por hacer")

def moda(lista):
    lista_cantidad = []
    for number in lista:
        cont = 0
        for num in lista:
            if num == number:
                cont += 1
        lista_cantidad.append(cont)

    maximo = max(lista_cantidad)
    posicion = lista_cantidad.index(maximo)
    moda_lista = lista[posicion]
    return moda_lista

def varianza(lista, media):
    sum_cuadrados = 0
    for number in lista:
        sum_cuadrados += (number - media)**2
    var = float(sum_cuadrados/len(lista))
    return var

def desviacion_estandar(var):
    desvi = float(math.sqrt(var))
    return desvi


if __name__ == "__main__":
    main()

Elkyn Pertuz

student•

Muy humildemente adjunto mi ejercicio.

Cristian Miño Verdezoto

student•

edades = [13,14,15,15,16,17,18,20]
suma = sum(edades)
media = suma / len(edades)
edades = [x - media for x in edades]
edades = [x**2 for x in edades]
varianza = sum(edades) / len(edades)
varianza

4.5

desviacion = math.sqrt(varianza)
desviacion

2.1213203435596424

Ejercicio escrito: Varianza y desviación estándar

¡Espera pronto la actualización de este curso!

¡Espera pronto la actualización de este curso!

Introducción a Inteligencia Artificial

Conoce a tu profesora y la estructura del curso

¿Qué es Inteligencia Artificial?

Anatomía de la Inteligencia Artificial

Machine Learning

¿Qué es Machine Learning?

Probablidiad y Estadítica

Revisando Probabilidad y Estadística

Ejercicio escrito: Media, moda y mediana

Varianza y Desviación Estándar

Ejercicio escrito: Varianza y desviación estándar

Algoritmos

¿Qué son algoritmos?

Ejercicio escrito: Secuencia de Fibonacci

Regresión Lineal

Ejercicio escrito: Regresión Lineal

Regresión Logística

Regresión Logística Multinomial

Redes Neuronales

Ejercicio escrito: Compuerta Logica OR

Algoritmo K-Means

Deep Learning (Aprendizaje Profundo)

Problemas Frecuentes en Machine Learning

Ejercicio escrito: Underfitting y Overfitting

Construyendo un Modelo

Introducción a la construcción de un modelo en Machine Learning

Construyendo un modelo con Python y Tensor Flow

Sesión interactiva con Tensor Flow

Ejemplo gráfico con Microsoft Azure Machine Learning Studio

Cierre del curso

Consejos para aplicar Machine Learning

Contenido Bonus

¿Qué es Machine Learning e Inteligencia Artificial?

¿Qué es Deep Learning?