Combinar evidencia a partir de valores p

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este ejercicio forma parte del curso

Fundamentos de la inferencia en Python

AvanzadoNivel de habilidad

4.9+

228 reviews

Empieza el curso gratis

En este capítulo, exploraremos la relación entre las muestras y las conclusiones justificadas estadísticamente. Elegir una muestra es la base para tomar decisiones estadísticas sólidas, y veremos cómo la elección de la muestra afecta al resultado de tu inferencia.

Exercise 1: Inferencia estadística y muestreo aleatorio Exercise 2: Muestreo y estimaciones puntuales Exercise 3: Muestreo repetido, estimaciones puntuales e inferencia Exercise 4: Muestreo y sesgo Exercise 5: Visualizar muestras Exercise 6: Inferencia y sesgo Exercise 7: Intervalos de confianza y muestreo Exercise 8: Distribuciones muestrales normales Exercise 9: Cálculo de intervalos de confianza Exercise 10: Sacar conclusiones a partir de muestras

Aprende a aplicar pruebas de normalidad, pruebas de correlación y tests paramétricos y no paramétricos para una inferencia sólida. Los contrastes de hipótesis son herramientas, y elegir la adecuada para cada tarea es crucial para tomar decisiones estadísticas. Aunque quizá ya conozcas algunas de estas pruebas de cursos introductorios, aquí irás más allá para ampliar tu caja de herramientas inferencial.

Exercise 1: Pruebas de normalidad Exercise 2: Comprobación de normalidad Exercise 3: Distribución de los errores Exercise 4: Ajustar una distribución normal Exercise 5: Pruebas de correlación Exercise 6: Prueba de correlación Exercise 7: Autocorrelación Exercise 8: Varianza explicada Exercise 9: Pruebas paramétricas Exercise 10: Varianza igual Exercise 11: Normalidad de los grupos Exercise 12: ANOVA Exercise 13: Pruebas no paramétricas Exercise 14: Comparar clasificaciones Exercise 15: Comparar medianas

En este capítulo, medirás e interpretarás el tamaño del efecto en distintas situaciones, te enfrentarás al problema de las comparaciones múltiples y explorarás en profundidad la potencia de una prueba. Aunque los valores p te dicen si hay un efecto significativo, no te indican la intensidad de ese efecto. El tamaño del efecto mide cuán fuerte es el efecto de un tratamiento. Domina los factores que sustentan el tamaño del efecto en este capítulo.

Exercise 1: Tamaño del efecto Exercise 2: Tamaño del efecto para medias Exercise 3: Tamaño del efecto para correlaciones Exercise 4: Tamaño del efecto para variables categóricas Exercise 5: Comparaciones múltiples y correcciones Exercise 6: Problema de comparaciones múltiples Exercise 7: Corrección de Bonferroni-Holm Exercise 8: Potencia de una prueba Exercise 9: ¿Qué es la potencia, realmente?Exercise 10: Potencia para el diseño experimental Exercise 11: Calcular potencia y tamaños de muestra

Ampliarás aún más tu caja de herramientas de estadística inferencial con un repaso al bootstrapping, las pruebas de permutación y los métodos para combinar evidencia a partir de valores p. El bootstrapping te brindará una primera aproximación a la simulación estadística. En la lección de meta-análisis, aprenderás a combinar resultados de múltiples estudios. Terminarás con un vistazo a las pruebas de permutación, una herramienta estadística no paramétrica potente y flexible.

Exercise 1: Bootstrapping Exercise 2: Intervalos de confianza por bootstrapping Exercise 3: Bootstrapping vs. normalidad Exercise 4: Combinar evidencia a partir de valores p

Ejercicio actual

Exercise 5: Método de Fisher en SciPy Exercise 6: Inferencia con el método de Fisher Exercise 7: Resumiendo el método de Fisher Exercise 8: Pruebas de permutación Exercise 9: Pruebas de permutación para correlaciones Exercise 10: Pruebas de permutación y bootstrapping Exercise 11: Analizar datos sesgados con una prueba de permutación Exercise 12: Vídeo de cierre del curso