Cálculo de la Media Aritmética en Python paso a paso

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

0:006:38

Cálculo de la Media Aritmética en Python paso a paso

Curso de Estadística Computacional con Python

Clase 13 de 24

Clase 13 / 24

Comentarios (87)87 comentarios

Christian Daniel Ayala Arias

Harvi Calle

DANIEL DIAZ

Italo Quevedo

Daniel Andrés Giraldo Benites

Hace 6 años

Fredy Rodriguez

Hace 6 años

Aaron Joel Limachi Quispe

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

Felipe Andres Torres Haro

Hace 6 años

Santiago Herrera Velásquez

Hace 6 años

Bautista Coronado

Hace 6 años

Emmanuel Guerra Sánchez

Hace 6 años

Renzo Flores Ugarte

Hace 6 años

Emmanuel Guerra Sánchez

Hace 6 años

Beatriz Pérez Santana

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

Clayton Jhordan Iliquin Zavaleta

Hace 6 años

Wilson Delgado

Hace 7 años

José Raúl Gómez Hinojosa

Hace 6 años

Andres López

Hace 6 años

HERNAN DARIO VELASQUEZ ORTIZ

Hace 6 años

Luis Fernando Pedroza Taborda

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

Anderson Steven Mendez Chipatecua

Hace 6 años

Andrés Felipe Rubiano Moreno

Hace 6 años

Anderson Steven Mendez Chipatecua

Hace 6 años

Karl Behrens Gil

Hace 6 años

Daniel Andrés Giraldo Benites

Raymundo Soto Soto

Maslov Viloria

Helard Flores

Daniel Andrés Giraldo Benites

Hace 6 años

Pablo Rosa

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

Arturo Baduna

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

GUADALUPE GARCÍA VÁZQUEZ

Hace 6 años

EDWIN CAN

Hace 6 años

CRISTIAN BARBERO PÉREZ

Hace 6 años

EDWIN CAN

Hace 6 años

Juan Fernando Moyano Ramírez

Hace 6 años

Andrés Fernández

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

Gianmarco Linares Becerra

Hace 6 años

Daniel Andrés Giraldo Benites

Hace 6 años

Recursos

¿Cómo se calcula la media en estadística?

Calcular la media es un paso fundamental en la inferencia estadística, ya que es una medida de tendencia central que ayuda a comprender dónde se encuentra la mayoría de los valores en una muestra o población. La media de la población se conoce comúnmente como $\mu$ (muy), mientras que la media de la muestra se representa con $\bar{x}$ (x barra).

Para calcular la media:

Suma todos los valores en un conjunto.
Divide esa suma por el número total de valores.

Por ejemplo, si tienes tres calificaciones: 10, 9 y 8, la suma es 27. Dividimos esta suma por 3 (el número total de calificaciones), lo que resulta en una media de 9. En términos matemáticos, la fórmula se representa como:

[ \bar{x} = \frac{\sum x_i}{n} ]

Donde:

(\sum x_i) es la suma de todos los valores.
(n) es el número total de valores.

¿Cómo implementar la media en Python?

La implementación del cálculo de la media en Python es sencilla y se puede realizar con pocas líneas de código. Aquí te mostramos cómo se puede hacer:

def calcular_media(X):
    return sum(X) / len(X)

¿Cómo utilizar esta función?

Para comprender mejor cómo usar esta función, veamos un ejemplo en el que se utiliza una lista de valores generada aleatoriamente.

import random

if __name__ == "__main__":
    # Generamos una lista aleatoria de 20 números entre 1 y 20
    X = [random.randint(1, 20) for _ in range(20)]
    
    # Calculamos la media
    media = calcular_media(X)
    
    # Mostramos la lista y su media
    print("Lista:", X)
    print("Media:", media)

Al ejecutar este fragmento de código, obtendrás una lista aleatoria de números junto con su media. Cada ejecución puede generar diferentes resultados debido al uso de números aleatorios.

¿Qué ventajas ofrece comprender el cálculo de la media?

Conocer cómo calcular la media con funciones en Python no solo es una habilidad crucial para la programación y análisis de datos, sino que también te proporciona las herramientas para comprender y aplicar conocimientos matemáticos directamente en el código. Este enfoque te ayudará a:

Mejorar la habilidad analítica al realizar análisis de datos más comprensivos.
Facilitar la ejecución de técnicas estadísticas que requieren cálculos de tendencia central.
Aplicar matemática en programación de manera efectiva, superando el miedo a la notación matemática y aprendiendo a usarla de forma práctica.

Nunca dudes en explorar más allá, profundizar en el análisis estadístico y seguir mejorando tus habilidades en programación para sacar el máximo provecho de los datos que manejas. ¡Continúa aprendiendo y no temas a los números!

También se puede hacer importando "statistics" para utilizar la función "mean"

import random
import statistics

if __name__ == '__main__':

    edades = [random.randint(1,35) for i in range (20)]
    print(edades)
    print(statistics.mean(edades))

Vi la librería statistics en otro curso de data science que hice, muy buena para simplificar este proceso, aunque no cae nada mal la práctica con el nivel 0 jejeje

Lo bueno es aprender el concepto y donde usarlo.

Matemáticas + Programación = Felicidad!!! =)

definitivamente es lo mejor para tener un controll absoluto de los datos

Using Numpy

import numpy as np 

if __name__ == "__main__":
    X = np.random.randint(1 , 21 , size=20)
    mu = np.mean(X)
    print(X)
    print(mu)

Me encantó esta implementación

numpy y stadistitc son los paquetes mas utiles

sin ver la clase, intenté hacerlo con lo que sabía como reto personal, acá lo comparto, si tienen sugerencias, por favor haganmelas saber.

import random

def media(cajon):
    return sum(cajon) / len(cajon)

def X(lista):
    cajon = []

    for i in range(lista):
        cajon.append(random.randint(0,100))
        print(cajon)
    return cajon


if __name__ == '__main__':
    lista = int(input('cuantos numeros?'))
    cajon = X(lista)
    media = media(cajon)
    print(f' esta es la media {media}')

excelente!! esta perfecto realmente, la diferencia con el del profe es que el genera la lista con un método de list comprehencion pero esta perfecto

Muy buena. El print de cajon lo pondria afuera del for asi no queda un choclazo de prints muy similares

Descubrí que se pueden crear variables en Python con caracteres especiales:

import random

def media(X):
    return sum(X) / len(X)

if __name__ == '__main__':
    X = [ random.randint(1, 21) for i in range(20) ]
    µ = media(X) #Aqui
    print(X)
    print(f'Media: {µ}')

como escribiste el µ ?

En las últimas actualizaciones de Windows 10, al presionar Windows + . sale un menú con emojis, kaomojis y símbolos especiales como el mu µ

Vídeo del canal de YouTube Derivando que habla sobre:

la media
la varianza
la desviación estándar
y el coeficiente de Gini ➡️👌 https://www.youtube.com/watch?v=QditfY6P8uc

muchas gracias por el video, ayudo mucho

Derivando tiene muchos buenos videos, y veo que en muchos cursos que ya pasé como POO recurriamos a el para entender mejor el bigO notation y más cosas XD

Me fascina la aplicación y gran utilidad de las matemáticas en este campo, es simplemente increíble!

No sé si al momento de grabar el vídeo, los rangos de random.randint() no incluían el último valor, pero en la versión actual de python sí están incluidos ambos extremos.

Esto lo pueden validar en cuadro de sugerencias que muestra VSC:

Tienes razón en el vídeo el genero el rango entre 1 y 21 porque se supone que no se tiene el cuenta el último número, peor aun así en la lista que creo se genero también el número 21, cuando se supone que el rango sólo llegaba hasta el 20

Sorprendente el poder de Python, con unas cuantas lineas se hace lo que en otros lenguajes serian muchas mas lineas.

import random

def media(X):
    return sum(X) / len(X)

if __name__ == "__main__":
    X = [random.randint(1, 21) for i in range(20)]
    print(f'El promedio es {media(X)}.')

Si Hernan tambien pienso lo mismo.

exacto compañero es sorprendente

Hola, una pregunta, que seria mas eficiente, usar la función sum y len para calcular la media o uno diseñar el codigo con un for?

Siempre es mejor usar las funciones ++built in++ python es decir, sum y len, ya que es código ya diseñado para cumplir ese objetivo y probablemente tengan una mejor base en código de bajo nivel como C, por lo que serán mejores que construir el código uno mismo, además de que ahorran tiempo.

Oh muchas gracias andres

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

La media es una medida de tendencia central, comúnmente conocido como promedio. La media de una población se denota con el símbolo μ y la media de una muestra se define con X̄.

Una forma de calcular la media con Python seria la siguiente.

import random

def media(X):
    return sum(X) / len(X)

if __name__ == '__main__':
    X = [random.randint(9, 12) for i in range(20)]
    mu = media(X)

    print(f'Arreglo X: {X}')
    print(f'Media = {mu}')

gracias hermano por compartir tu resumen

Se entienden mejor los conceptos cuando se entiende la notación y se han realizado las operaciones, no desdeñen las matemáticas. Es preferible entenderlas de fondo y forma y no por 'encimita', es verdad que no se convertiran en matemáticos pero en nada estorba saber las cosas a profundidad. A veces noto en los cursos que le indican a la gente que no es importante saber los símbolos y las operaciones, pero ese es un error. Creo que hay que darle la importancia que merecen e indicarle a la gente que vaya a buscar información. No es queja, simplemente que creo que todas las áreas son importantes y no desdeñar el conocimiento que libremente la gente puede poseer.

Comparto tu comentario, ese por 'encimita' es un verdadero comienzo de los problemas a futuro para los que estamos empezando.

Es como la afirmación: "no tiene que declarar el tipo de datos en python" y te inscribiste a estudiar "Ciencia de Datos" donde los data set son de diversos tipos y estructuras.

Pero los tipos fuertes y las definiciones de variables están ahí para facilitar el desarrollo. Si no ha pensado en estas cosas de antemano, no está diseñando y desarrollando código sino simplemente copiando y pegando.

Los tipos sueltos simplemente cambian la complejidad del tiempo de "diseño/pirateo" al tiempo de ejecución.

import random


def media(numbers):
    sum_numbers = 0
    for number in numbers:
        sum_numbers += number

    return sum_numbers / len(numbers)


if __name__ == '__main__':
    numbers = [random.randint(0, 100) for _ in range(100)]
    print(numbers)
    print(media(numbers))```

gracias por compartir tu código con la comunidad

yo soy de las personas que hubieran hecho un loop for para calcular la media jajjaa

jajaja yo también ...

es una boludes yo no lo hice xd

me parece que si tomas en cuenta los aportes, te darás cuenta que puedes sacar algo de aprendizaje, nunca dejes de aprender

La media es el promedio de un conjunto de números

Código:

Ejecución

desde el curso anterior no entiendo para que sirve lo de if name == 'main'

osea, sé que dentro de eso podemos hacer que se ejecute el código que querramos pero fuera de eso no comprendo. recuerdo que el profe menciona mucho que es sirve si se ejecuta desde el terminal, pero yo no sé cual terminal, si la de python o el cmd o quizá estoy confundido. la verdad no sé para que sirve. en terminos sencillos alguien podría explicarlo?

Es lo que se conoce como entry point, sirve para diferenciar archivos que se ejecutan directamente o son importados.

print ("Always executed")
 
if __name__ == "__main__": 
    print ("Executed when invoked directly")
else: 
    print ("Executed when imported")

ok, I got it. gracias, con eso ya quedó.

Hola a todos, este programa que calcula la media lo hice antes de ver el video, lo comparto por si a alguien le sirve:

<def media(valores, cantida_elementos):
    suma = sum(valores)
    media = suma / cantida_elementos
    return media

if __name__ == '__main__':
    valores = [ ]

    print('Por favor introduce los elementos cuya media quieres calcular, pero si deseas salir escribe 1989')

    while True:
        numeros = int(input('introduce digito: '))
        valores.append(numeros)
        if numeros == 1989:
            valores.remove(1989)
            break
        
    
    
    cantidad_elementos = len(valores)
    print(f'la media de los valores introducidos es {media(valores, cantidad_elementos)}')>

Es muy importante además de la media, conocer la mediana que en ciertas ocasiones puede ser más acertado. Concretamente, se dice que cuando tenemos outliers en la muestra se puede usar la mediana y no desechar estos valores extremos, ya que, a diferencia de la media la mediana no se ve afectada por éstos.

asi es, se necesitar conocer dichos parámetros para un correcta inferencia

Good Class"!

opino lo mismo compañero, excelente profesor

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

Cálculo de la Media Aritmética en Python paso a paso