slides-curso-estadistica-descriptiva_37835d06-4bad-4922-87ec-8a0eb99f124b.pdf

Curso de Matemáticas
para Data Science:
Estadística
Descriptiva
Francisco Camacho
@el_pachocamacho

Introducción
[C1] Estadística
descriptiva vs.
inferencial

➔ Descriptiva: resumir
historial deportivo.
➔ Inferencial: predecir
desempeño futuro
del jugador.
Estadísticas
de un jugador

Estadísticas
Estadísticos
descriptivos

➔ Dependerá de la deﬁnición de quién
es el mejor jugador de fútbol.
➔ No hay una deﬁnición objetiva.
➔ Los diferentes estadísticos descriptivos dan
nociones diferentes sobre los mismos datos.
¿Puedes mentir
con estadística?

El gran problema de la estadística descriptiva
(Naked Statistics, Charles Wheelan).
“Con frecuencia construimos un caso
estadístico con datos imperfectos,
como resultado hay numerosas
razones por las cuales individuos
intelectuales respetables pueden
no estar de acuerdo sobre los
resultados estadísticos.
”

slides-curso-estadistica-descriptiva_37835d06-4bad-4922-87ec-8a0eb99f124b.pdf

➔ Resumir grandes cantidades de información.
➔ Tomar mejores decisiones (¿o peores?).
➔ Responder preguntas con relevancia social.
➔ Reconocer patrones en los datos.
➔ Descubrir a quienes usan estas herramientas
con ﬁnes nefastos.
¿Porque aprender
estadística?

Introducción
[C2] Flujo de
trabajo en Data
Science

Pasos y roles en el flujo de trabajo de Data Science
(Design Patterns in Machine Learning).
Business
Engineering
Data
analysis
Research
scientist
Data
engineer
Data
scientist
ML
engineer
Developer
Data
ingestion
Data
visualization
Data
preparation
Model
training
Model
evaluation
Model
validation
Model
serving
End user
interface

Tipos de datos,
pipeline de
procesamiento
Ingesta
de datos
Validación
Análisis exploratorio,
estadística descriptiva,
correlaciones,
reducciones de datos
Preparación Entrenamiento
modelo
Probabilidad e
inferencia
Evaluación
modelo
Test de hipótesis
Modelo en
producción
Interacción
usuario
final

Introducción
[C3] Plan
del curso

➔ Estadísticos para ingesta y
procesamiento.
➔ Estadísticos para analítica y
exploración.
Tipos de datos,
pipeline de procesamiento
Ingesta
de datos
Validación
Análisis exploratorio,estadística
descriptiva,correlaciones,
reducciones de datos
Preparación Entrenamiento
modelo
Probabilidad e
inferencia
Evaluación
modelo Test de hipótesis
Modelo en
producción
Interacción
usuario
final

Estadística en la
ingesta de datos
[C4] Tipos
de datos

Categóricos
(género, categoría de
película, método de pago)
➔ ordinal
➔ nominal
Numéricos
(edad, altura, temperatura)
➔ discretos
➔ continuos
Tipos de datos

Estadística en la
ingesta de datos
[C5] Medidas
de tendencia
central

➔ Media (promedio)
➔ Mediana (dato central)
➔ Moda (dato que más se repite)
¿Tendencia central?

Diagrama de frecuencias
16
17
16
18
.
.
.
15
20
estudiantes
Edad Frecuencia
15 3
16 4
17 5
18 6
19 2
15 16 17 18 19
6
5
4
3
2
Diagrama de frecuencias

➔ La media es susceptible a
valores atípicos.
➔ La moda no aplica para datos
numéricos continuos.
¿Cuándo usar cuál?

Estadística en la
ingesta de datos
[C6] Metáfora de
Bill Gates en un
bar

Estadística en la
ingesta de datos
[C7] Medidas de
tendencia
central en
Python

Estadística en la
ingesta de datos
[C8] Medidas
de dispersión

➔ Rango
➔ Rango intercuartil
➔ Desviación estándar
Dispersión en
una distribución

Histograma
Rango
IQR
Mínimo
Máximo
Diagrama
de caja
Q1 Q3
Q2

Estadística en la
ingesta de datos
[C9] Desviación
estándar

Estadística en la
ingesta de datos
[C10] Medidas de
dispersión en
Python

Estadística en la ingesta
de datos
[C11]
Exploración
visual
de los datos

“Una imagen vale más que mil
palabras.
Pero una buena imagen...
”

Explicación de algunas visualizaciones en el
tablero ...

Estadística en la ingesta
de datos
[C12] Diagramas
de dispersión en
el análisis de
datos

Estadística en la ingesta de datos
[C13] Pipelines
de procesamiento
de datos
numéricos

¿Por qué usarlos?
➔ Modelos de machine learning eﬁcientes en el
rango [-1, 1].
¿Hay diferentes tipos?
➔ max-min, Clipping, Z-score, Winsorizing, etc.
¿Cuándo usarlos?
➔ Data simétrica o uniformemente distribuida.
Escalamiento lineal

[C14]
Transformación no
lineal

¿Por qué usarlos?
➔ Datos fuertemente sesgados, no simétricos.
¿Hay diferentes tipos?
➔ Logaritmos, sigmoides, polinomiales, etc.
¿Cuándo usarlos?
➔ ¡Antes de escalamientos lineales!
Transformación
no lineal

Ilustración de métodos de escalamiento en el
tablero ...

[C15]
Procesamiento de
datos numéricos
en Python

[C16] Pipelines de
procesamiento de
datos categóricos

Dummy
➔ Representación compacta.
➔ Mejor para inputs linealmente independientes.
One-hot
➔ Permite describir categorías no incluidas
inicialmente
Mapeos numéricos

[C17]
Procesamiento de
datos categóricos
en python

¿Tratar variables
numéricas como
categóricas?

[C18]
Correlaciones

Scatterplot o gráfico
de dispersión

Covarianza y coeficiente
de correlación

Detalle matemático de los conceptos de
covarianza y coeﬁciente de correlación en el
tablero ….

[C19] Matriz
de covarianza

Proyecto de aplicación
[C21] PCA:
Análisis de
componentes
principales

Proyecto de aplicación
[C22] Reducción de
dimensionalidad
con PCA

slides-curso-estadistica-descriptiva_37835d06-4bad-4922-87ec-8a0eb99f124b.pdf

Más contenido relacionado

Similar a slides-curso-estadistica-descriptiva_37835d06-4bad-4922-87ec-8a0eb99f124b.pdf (20)

Último (20)

slides-curso-estadistica-descriptiva_37835d06-4bad-4922-87ec-8a0eb99f124b.pdf