- Inicio
- All Courses
- Estadística con Python
Currículum
- 4 Sections
- 172 Lessons
- 10 semanas
Expand all sectionsCollapse all sections
- Estadística65
- 0.1Estadística descriptiva
- 0.2Análisis exploratorio de datos
- 0.3Un ejemplo de análisis
- 0.4Variables estadísticas
- 0.5Ejercicio 1: Identificación de tipos de variables
- 0.6Soluciones: Identificación de tipos de variables
- 0.7Métodos estadísticos descriptivos
- 0.8Ejemplo de cálculo en python
- 0.9Ejercicios resueltos
- 0.10Desviación típica en distribuciones no normales
- 0.11Comparación entre distribuciones
- 0.12Diferentes tipos de medias
- 0.13Medidas de dispersión
- 0.14Tablas de frecuencia y posición
- 0.15Ejemplos de histogramas con Python
- 0.16Asimetría y kurtosis
- 0.17Ejemplo con iris.arff
- 0.18Ejercicio 2: comparar series
- 0.19Solución
- 0.20Covarianza y correlación
- 0.21Coeficiente p
- 0.22Ejemplos cálculo p
- 0.23Cálculo p para muestras
- 0.24Ejemplo con iris
- 0.25Ejercicio resuelto correlación
- 0.26Ejercicio 3: Cálculo de correlación
- 0.27Solución ejercicio
- 0.28Distancias entre dos puntos
- 0.29Ejemplos distancias entre dos puntos
- 0.30Ejercicio 4: distancias
- 0.31Solución distancias 1
- 0.32Solución ejercicio distancias
- 0.33Agrupaciones por distancias
- 0.34Tipos de errores
- 0.35Ejemplos
- 0.36Ejercicio 5: Errores mediciones
- 0.37Solución
- 0.38Métricas de error con sklearn
- 0.39Ejemplo con metrics
- 0.40Ejercicio 6: Cálculo de errores
- 0.41Solución ejercicio 6
- 0.42Métricas para evaluar modelos de regresión
- 0.43Calculo en Python
- 0.44Cálculo con datos reales
- 0.45Comando train_test_split
- 0.46LinearRegression
- 0.47Ejercicio 7: Análisis diabetes
- 0.48Solución ejercicio diabetes
- 0.49Ejercicio 8: Interpretación de una distribución
- 0.50Solución 8
- 0.51Ejercicio 9: Análisis global de los datos
- 0.52Numpy
- 0.53Métodos numpy
- 0.54Ejemplo uso numpy
- 0.55Pandas
- 0.56Series y Dataframes
- 0.57Importar y exportar datos
- 0.58Información de dataframes
- 0.59Trocear datos
- 0.60Visualización
- 0.61Ejemplo pandas
- 0.62Otras librerías
- 0.63Saber si una distribución es normal
- 0.64Pyplot
- 0.65Pyplot bar
- Ciencia de datos12
- 1.0Introducción
- 1.1Técnicas utilizadas
- 1.2Actores principales
- 1.3Etapas de la ciencia de datos
- 1.4Tipos de datos
- 1.5Minería de datos
- 1.6Aprendizaje supervisado y no supervisado
- 1.7Ejemplo aprendizaje supervisado
- 1.8Ejemplo aprendizaje no supervisado
- 1.9Estrategias dependiendo de los tipos de datos
- 1.10Overfitting y underfitting
- 1.11Ejercicio 10: Tipos de aprendizaje
- Weka59
- 2.0Introducción
- 2.1Instalación
- 2.2ARFF
- 2.3Explorer
- 2.4Preprocess
- 2.5Ejercicio 11: Preparación de datos
- 2.6Filtros Weka
- 2.7Pasos de preproceso
- 2.8Ejercicio 12: preproceso
- 2.9Classify
- 2.10Ejemplo Clasificador
- 2.11Análisis clasificador
- 2.12Estadística Kappa
- 2.13TP y FP
- 2.14Precision y TP
- 2.15F-Measure
- 2.16Coeficiente de Correlación de Matthews (MCC)
- 2.17Área de ROC (AUC)
- 2.18PRC Área
- 2.19Matriz de confusión
- 2.20Ejercicio 13: Comparación modelos
- 2.21Algoritmos de clasificación
- 2.22J48
- 2.23Análisis resultados
- 2.24Ejercicio 14: j48
- 2.25NaiveBayes
- 2.26Análisis resultados
- 2.27Ejercicio 15: NaiveBayes
- 2.28RandomForest
- 2.29Análisis resultados
- 2.30Ejercicio Random Forest
- 2.31Ejercicio resuelto de clasificación
- 2.32Ejercicio 16: Testar clasificadores
- 2.33Regresión lineal y ejemplo
- 2.34Implementación Clasificadores Python
- 2.35Ejercicio 17: Clasificador python
- 2.36Cluster
- 2.37Algoritmos de cluster
- 2.38K-Means
- 2.39Análisis resultados
- 2.40EM
- 2.41Ejercicios clustering
- 2.42Implementaciones en python
- 2.43Opciones KMeans Python
- 2.44Implementación EM
- 2.45Ejemplo de KMeans complejo
- 2.46Resolución ejercicio Clusterización
- 2.47Associate
- 2.48Algoritmos de asociate
- 2.49Apriori
- 2.50Ejemplo: Análisis de Clics en Páginas Web
- 2.51Implementación Python Apriori
- 2.52Ejercicio asociate
- 2.53Select Attributes
- 2.54Ejemplo Select attributes
- 2.55Ejercicio Select
- 2.56Visualize
- 2.57Uso visualizer
- 2.58Métricas Associate
- Redes neuronales36
- 3.0Neurona artificial
- 3.1Funciones de activación
- 3.2Perceptrón
- 3.3Redes neuronales de capa única
- 3.4Redes multicapas
- 3.5Redes Completamente convolucionales (FCN)
- 3.6Retropropagación
- 3.7Gradientes
- 3.8Tipos de gradiente
- 3.9Tensorflow
- 3.10Ejemplos Tensorflow
- 3.11Keras
- 3.12Ejemplos Keras
- 3.13Una red neuronal simple en dos pasos
- 3.14Capas y nodos
- 3.15Funciones de activación
- 3.16Código mostrar funciones de activación
- 3.17Compilación del modelo
- 3.18Ejemplos de redes con keras
- 3.19Red neuronal para Iris
- 3.20Red neuronal para regresión
- 3.21Ejercicio red de regresión
- 3.22Ejercicio clasificación de caras
- 3.23Solución clasificación
- 3.24Loss y accuracy
- 3.25Flatten, Dropout y MaxPooling2D
- 3.26Análisis de imágenes
- 3.27Análisis imágenes ropa
- 3.28Redes convolucionales
- 3.29Filtros (kernels)
- 3.30Ejemplo red de clasificación
- 3.31Otro ejemplo imágenes
- 3.32Entrenamiento gatos y perros
- 3.33Transferencia aprendizaje
- 3.34Transferencia de aprendizaje
- 3.35Tensorflow hub
Ejercicio 8: Interpretación de una distribución
En la siguiente página:
https://www.eldiario.es/economia/calculadora-salarios-espana-2024_1_11696038.html
Nos permite comparar nuestro sueldo con el del total de la población española, indicando en qué posición estamos y desglosando por nivel de formación o edad.
Vamos a interpretar los datos que nos muestran
¿Qué medidas de posición central se están utilizando? ¿Por qué creéis que se usan esas y no otras? ¿Que otras unidades que hemos visto en el curso se utilizan?
Analicemos la distribución ¿Es simétrica o asimétrica? ¿Os atrevéis a calcular la asimetría?