Inferencia Estadística: Conceptos y Aplicaciones Prácticas

Curso de Estadística Computacional con Python

Contenido del curso

Introducción

1
Programación Dinámica y Estocástica: Optimización y Modelado de Datos
01:56 min

Programación Dinámica

Caminos Aleatorios

Programas Estocásticos

Simulaciones de Montecarlo

Muestreo e Intervalos de Confianza

Datos Experimentales

Conclusiones

24
Optimización de Programas con Programación Dinámica y Simulaciones
02:54 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:009:43

Inferencia Estadística: Conceptos y Aplicaciones Prácticas

Curso de Estadística Computacional con Python

Clase 12 de 24

Clase 12 / 24

Recursos

¿Qué es la inferencia estadística?

La inferencia estadística es una herramienta poderosa que nos permite derivar propiedades de una población a partir de una muestra. Imagine tener que averiguar la altura promedio de los hombres adultos en América Latina pero sin acceso a toda la población. Realizar un censo total no solo es inviable en la práctica, sino también innecesario cuando podemos usar técnicas de inferencia estadística. Al extraer una muestra representativa y aleatoria, podemos hacer inferencias válidas sobre la población general. Pero, ¿cómo se logra esto?

¿Cómo se obtiene una muestra representativa?

Para que la inferencia estadística funcione, la muestra debe ser aleatoria y representativa. Si existe sesgo en la selección de la muestra, las inferencias estarán sesgadas también. Por ello, es crucial que la muestra abarque una diversidad que refleje a la población. La inferencia estadística se fundamenta en que a medida que obtenemos más muestras, la probabilidad de que los resultados se acerquen a la realidad aumenta.

¿Qué es la Ley de los Grandes Números?

La Ley de los Grandes Números es un concepto clave en estadística que refuerza la validez de las inferencias estadísticas. Este teorema establece que, tras repetir experimentos independientes con la misma probabilidad de un resultado, la diferencia entre el valor observado y el valor esperado se aproximará a cero conforme aumenta el número de pruebas. En otras palabras, mientras más pruebas realicemos, más cercanas serán nuestras conclusiones a la realidad.

¿Cómo se aplica este concepto en computación?

En un contexto computacional, al enfrentar grandes datos, dividir el problema en muestras más pequeñas y manejables es práctico y efectivo. Este enfoque no solo ahorra recursos de cómputo, sino que también limita la necesidad de procesar conjuntos de datos completos cada vez.

¿Qué es la falacia del apostador?

La falacia del apostador es un error común que surge al suponer que después de una serie de eventos extremos, deberían ocurrir eventos opuestos para equilibrar el promedio. Sin embargo, esto es incorrecto ya que cada evento es independiente. Un ejemplo clásico es la historia de la ruleta de Montecarlo, donde los jugadores, erróneamente, apostaron por el negro después de 32 rojos consecutivos, creyendo que debía equilibrarse.

¿Qué es la regresión a la media?

La regresión a la media, a diferencia de la falacia del apostador, es un fenómeno estadístico válido. Estipula que tras un evento aleatorio extremo, el próximo evento tenderá a acercarse más a la media. Esto no implica que los eventos deben equilibrar, sino que es menos probable que continúe la desviación extrema.

Aplicaciones prácticas de la inferencia estadística

La inferencia estadística se puede aplicar en múltiples contextos, desde computación y ciencia de datos hasta ciencias sociales. En situaciones donde no es posible manejar toda la población, el uso estratégico de muestras permite generar predicciones y conclusiones precisas.

En las próximas lecciones, se profundizará en conceptos que hacen de la inferencia estadística una herramienta poderosa y cómo aplicar estos conceptos para obtener intervalos de confianza y calcular medias de poblaciones. Este conocimiento te proporcionará una base sólida para trabajar con datos de manera eficiente y precisa.

Karl Behrens Gil

Hace 6 años

https://github.com/karlbehrensg/programacion-dinamica-y-estocastica Inferencia Estadística

Con las simulaciones podemos calcular las probabilidades de eventos complejos sabiendo las probabilidades de eventos simples.

¿Que pasa cuando no sabemos las probabilidades de los eventos simples? Las técnicas de la inferencia estadística nos permiten inferir/concluir las propiedades de una población a partir de una muestra aleatoria.

"El principio guía de la inferencia estadística es que una muestra aleatoria tiende a exhibir las mismas propiedades que la población de la cual fue extraída." - John Guttag

Ley de los grandes números

Con la ley de los grandes números podemos ver que en pruebas independientes repetidas con la misma probabilidad p de un resultado, la fracción de desviaciones de p converge a cero conforme la cantidad de pruebas se acerca al infinito.

Falacia del apostador

La falacia del apostador señala que después de un evento extremo, ocurrirán eventos menos extremos para nivelar la media.

La regresion a la media señala que después de un evento aleatorio extremo, el siguiente evento probablemente será menos extremo.

Luis Fernando Pedroza Taborda

Hace 6 años

Excelente aporte Karl.

Arturo Escobar Fernandez

Hace 6 años

Muchas gracias, soy un fan de tus apuntes!!

Comentarios (121)121 comentarios

Virginia Graciano Martinez

Hace 7 años

Angel Armando Martínez Blanco

Ricardo Oriel Cuan Sánchez

Mauricio Gomez

Deyvi Jhonny Bustamante Perez

Daniel Andrés Giraldo Benites

Wilson Delgado

Erick Herrera

Alejandro Millán Jiménez

Raymundo Soto Soto

Andrés David Solarte Vidal

Arturo Baduna

Pedro Manuel Salas Galindo

Andrés Alberto García Ardila

Luis Arellano Velasco

Alejandro Cuello Maure

René David Hernández Baca

Diego Salazar

Carli Code

Profesor

Pedro Alejandro Rodríguez García

Axel Yaguana

Team Platzi

Javier M

Natalia Caro Barrios

David Campos

Luis Fernando Úbeda Camacho

Introducción

Programación Dinámica y Estocástica: Optimización y Modelado de Datos

Programación Dinámica

Programación Dinámica: Optimización de Problemas con Memorización

Optimización de Algoritmos con Programación Dinámica en Python

Caminos Aleatorios

Simulaciones con Caminos Aleatorios en Programación

Camino Aleatorio en Programación Orientada a Objetos

Algoritmo de Caminata Aleatoria en Python: Clase Borracho

Simulación de Caminata Aleatoria con Python

Visualización de Caminatas Aleatorias con Python y Bokeh

Programas Estocásticos

Programación Estocástica: Aplicaciones y Ejemplos Prácticos

Cálculo de Probabilidades y Simulación de Montecarlo

Simulaciones de Probabilidades con Dados en Python

Inferencia Estadística: Conceptos y Aplicaciones Prácticas

Cálculo de la Media Aritmética en Python paso a paso

Media, Varianza y Desviación Estándar en Estadística

Distribución Normal: Propiedades y Aplicaciones Estadísticas

Simulaciones de Montecarlo

Simulaciones de Montecarlo: Historia y Aplicaciones Prácticas

Simulación de Montecarlo para Probabilidades en Juegos de Cartas

Simulaciones de Montecarlo para Aproximar Pi

Estimación de Pi mediante Monte Carlo y Simulación Estadística

Muestreo e Intervalos de Confianza

Muestreo Estadístico: Aleatorio y Estratificado

Teorema del Límite Central: Transformación de Distribuciones

Datos Experimentales

Validación de teorías científicas con datos experimentales

Regresión Lineal con NumPy y Matplotlib en Google Colab

Conclusiones

Optimización de Programas con Programación Dinámica y Simulaciones

Inferencia Estadística: Conceptos y Aplicaciones Prácticas