Media o mediana

Como científicos de datos, solemos intentar describir los datos de la forma más concisa posible. Esto nos lleva a las dos medidas de centralidad más comunes: la media y la mediana. En este ejercicio, analizarás un par de escenarios y decidirás qué métrica es la óptima para describir los datos de forma eficaz.

Más concretamente, explorarás datos meteorológicos de Australia con variables relacionadas con la temperatura y la velocidad del viento. Este conjunto de datos ya se ha importado como weather, y los paquetes matplotlib y pandas se han importado como plt y pd para que los uses durante el resto del capítulo.

Este ejercicio forma parte del curso

Practicando preguntas de entrevistas de estadística en Python

Ver curso

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Visualize the distribution 
plt.hist(____)
plt.show()

Editar y ejecutar código

Este ejercicio forma parte del curso

Practicando preguntas de entrevistas de estadística en Python

AvanzadoNivel de habilidad

4.7+

59 reviews

Comienza el curso gratis

Este capítulo da comienzo al curso repasando probabilidades condicionales, el teorema de Bayes y el teorema central del límite. Por el camino, aprenderás a abordar preguntas que trabajan con distribuciones de probabilidad mencionadas con frecuencia.

Exercise 1: Probabilidades condicionales Exercise 2: Plantear problemas Exercise 3: Aplicación del teorema de Bayes Exercise 4: Teorema central del límite Exercise 5: Muestras de un dado lanzado Exercise 6: Simulando el teorema central del límite Exercise 7: Distribuciones de probabilidad Exercise 8: Distribución de Bernoulli Exercise 9: Distribución binomial Exercise 10: Distribución normal

En este capítulo, te prepararás para conceptos estadísticos relacionados con el análisis exploratorio de datos. Los temas incluyen estadística descriptiva, tratamiento de variables categóricas y relaciones entre variables. Los ejercicios te prepararán para una evaluación analítica o una pregunta de programación basada en estadística.

Exercise 1: Estadística descriptiva Exercise 2: Media o mediana

Ejercicio actual

Exercise 3: Desviación estándar a mano Exercise 4: Datos categóricos Exercise 5: Técnicas de codificación Exercise 6: Explorando los precios de portátiles Exercise 7: Dos o más variables Exercise 8: Tipos de relaciones Exercise 9: Correlación de Pearson Exercise 10: Sensibilidad a los valores atípicos

Prepárate para profundizar en conceptos clave sobre experimentos y pruebas repasando intervalos de confianza, contrastes de hipótesis, pruebas múltiples y el papel que juegan la potencia y el tamaño de la muestra. También hablaremos de los tipos de errores y de lo que significan en la práctica.

Exercise 1: Intervalos de confianza Exercise 2: Intervalo de confianza a mano Exercise 3: Aplicar intervalos de confianza Exercise 4: Pruebas de hipótesis Exercise 5: Prueba z de una cola Exercise 6: t-test de dos colas Exercise 7: Potencia y tamaño de muestra Exercise 8: Efecto sobre el error de tipo II Exercise 9: Calcular el tamaño de la muestra Exercise 10: Visualizar la relación Exercise 11: Pruebas múltiples Exercise 12: Calculating error rates Exercise 13: Corrección de Bonferroni

Para cerrar, abordaremos conceptos estrechamente relacionados con los modelos de regresión y clasificación. El capítulo comienza repasando algoritmos fundamentales de Machine Learning y avanza rápidamente hacia la evaluación de modelos, el manejo de casos especiales y el compromiso sesgo-varianza.

Exercise 1: Modelos de regresión Exercise 2: Regresión lineal Exercise 3: Regresión logística Exercise 4: Evaluar modelos Exercise 5: Evaluación de regresión Exercise 6: Evaluación de clasificación Exercise 7: Datos faltantes y valores atípicos Exercise 8: Cómo manejar valores nulos Exercise 9: Identificar valores atípicos Exercise 10: Equilibrio sesgo-varianza Exercise 11: Error de test y de entrenamiento Exercise 12: Visualizing the tradeoff Exercise 13: Para terminar