PIT - Estadistica inferencial con Python

Transcript

1. Silabo del curso PIT - Estadística Inferencial con Python 2025 ​ ​ Profesor Abraham Zamudio
2. 1.​ Datos generales del curso Asignatura​ : Estadística Inferencial con Python Horas​ : 16 2.​ Presentación ​ ¿Te has preguntado cómo Netflix sabe qué serie recomendarte? o ¿Cómo los científicos pueden predecir el cambio climático con modelos? o ¿O cómo una startup puede validar si una nueva funcionalidad realmente incrementa sus ventas? La respuesta yace en un campo poderoso: la Estadística Inferencial. Este curso no es solo otra asignatura matemática. Es una llave maestra para interpretar el mundo moderno desde una perspectiva técnica. En un mar de datos, la capacidad de extraer señales claras del ruido, de tomar decisiones informadas bajo incertidumbre y de predecir tendencias, es lo que separa a los profesionales del futuro de los del pasado. ¿Por qué este Curso es un punto de Inflexión en Tu Carrera? 1.​ De la Teoría al Poder Real: Python como Tu Motor de Análisis ​ Movemos la estadística de los libros de texto a la terminal de tu computadora. No solo aprenderás qué es un intervalo de confianza; lo calcularás, visualizarás e interpretarás usando las mismas bibliotecas que emplean empresas como Spotify, Amazon o instituciones de investigación de primer nivel. Transformarás conceptos abstractos en código ejecutable, en resultados tangibles y en gráficos elocuentes.​ 2.​ Un Marco de Pensamiento Científico Universal​ Ya seas un ingeniero probando la resistencia de un nuevo material, un psicólogo analizando resultados de encuestas, un biólogo comparando tratamientos o un marketero midiendo el ROI de una campaña, el flujo de trabajo es el mismo: formular una hipótesis, diseñar la recolección de datos, aplicar pruebas estadísticas rigurosas y comunicar hallazgos. Este curso te entrena en ese flujo, proporcionándote un mindset invaluable para cualquier disciplina.​ 3.​ Conocimiento Aplicado Desde el Día Uno​ Cada hora de clase está diseñada para la acción: a.​ Sesión 1: Simularán el Teorema del Límite Central, la columna vertebral de la inferencia, y verás con tus ojos cómo emerge el orden del caos. b.​ Sesión 2: Construirás intervalos de confianza para estimar parámetros de salud pública, entendiendo no solo el "cómo" sino el "por qué" de su interpretación. c.​ Sesiones 3 ,4 y 5: Resolverás problemas reales de prueba de hipótesis: i.​ ¿Es efectivo un nuevo fármaco? ii.​ ¿Mejora un nuevo método de enseñanza los rendimientos académicos? iii.​ Aprenderás a usar la herramienta correcta (pruebas t, ANOVA, métodos no paramétricos) para cada pregunta. d.​ Sesión 6: Irás más allá de la correlación simple para sentar las bases del machine learning con modelos de regresión. La Combinación de Habilidades Más Demandada del Mercado​ "Estadística" + "Programación en Python" no es una suma, es una multiplicación de tu valor profesional. Este curso te posiciona en la intersección más crítica de la economía del conocimiento. ​ Abraham Zamudio
3. Perfiles como Data Analyst, Research Scientist, Business Intelligence Specialist y Consultor requieren de estas competencias de manera fundamental. No solo estarás aprendiendo estadística; estarás invirtiendo en tu empleabilidad. Este curso está meticulosamente diseñado para romper la barrera del miedo. Partimos de tu conocimiento en estadística descriptiva y te guiamos, paso a paso, a través de una jornada de descubrimiento. No se trata de memorizar fórmulas, sino de desarrollar una intuición estadística potenciada por la capacidad computacional de Python. Al final de estas 18 horas, no solo tendrás un certificado. Tendrás un portafolio de proyectos aplicados, la confianza para abordar problemas complejos con un método científico y una habilidad que te distinguirá en cualquier campo al que decidas dedicarte. 3.​ Objetivo general del curso Introducir a los estudiantes a los conceptos fundamentales de la estadística inferencial, combinando bases teóricas con aplicaciones prácticas utilizando Python. El curso busca desarrollar habilidades para diseñar y analizar experimentos, interpretar datos y tomar decisiones informadas en contextos académicos y profesionales. 4.​ Objetivos específicos del curso •​ Comprender los conceptos básicos de los componentes teóricos de la estadística inferencial •​ Aprender a utilizar los principales conceptos de la estadística inferencial •​ Conocer y aplicar técnicas inferenciales a datos reales •​ Realizar proyectos prácticos con datos reales para aplicar los conocimientos adquiridos. 5.​ Resultados de aprendizaje Al finalizar el curso el alumno: •​ Aplica de manera útil las características que tiene el lenguaje de programación python a problemas reales que requieren un análisis inferencial •​ Sabe cómo explotar las características inherentes a las pruebas inferenciales •​ Conoce y es capaz de implementar algoritmos para resolver problemas prácticos. •​ Identifica, selecciona y combina los algoritmos enseñados en el curso, y los aplica en casos de interés para su carrera. 6.​ Metodología El desarrollo de las sesiones se efectuará mediante exposiciones del profesor, las mismas que se manejan en forma dinámica e interactiva con los alumnos, relacionando cada uno de los conceptos teóricos con casos prácticos. Abraham Zamudio
4. Asimismo, se aplicarán casos de estudio durante el desarrollo del curso con la finalidad de que los participantes resuelvan y presenten soluciones de acuerdo al esquema metodológico asignado por el profesor del curso. 7.​ Contenido por Sesiones: # DE HORAS CONTENIDO 3hrs Sesión 1 : Fundamentos de Inferencia Estadística •​ Introducción a la estadística inferencial ◦​ Población vs. muestra, parámetros vs. estimadores. ◦​ Repaso de distribuciones de probabilidad (normal, t de Student, chi-cuadrado). •​ Muestreo y teorema del límite central ◦​ Simulación de muestreo en Python. ◦​ Visualización de la convergencia a la distribución normal. •​ Ejercicio práctico: Generar muestras y calcular medias muestrales para verificar el Teorema del límite central. 3hrs Sesión 2 : Estimación de Parámetros •​ Estimación puntual ◦​ Métodos de estimación (máxima verosimilitud, MCO). ◦​ Implementación en scipy.optimize. •​ Estimación por intervalos ◦​ Intervalos de confianza para medias y proporciones. ◦​ Los módulos scipy y statsmodels. •​ Ejercicio práctico: Construir ICs para datos de salud o sociales. 3hrs Sesión 3 : Pruebas de Hipótesis I​ •​ Fundamentos de pruebas de hipótesis ◦​ Hipótesis nula y alternativa, errores tipo I/II, valor-p. •​ Pruebas para una muestra ◦​ Pruebas t para medias y chi-cuadrado para varianzas. 3hrs Sesión 4 : Pruebas de Hipótesis II​ •​ Pruebas para dos muestras ◦​ t-test independiente/pareado, prueba de proporciones. •​ Tema 3.4: Pruebas no paramétricas ◦​ Wilcoxon, U de Mann-Whitney 3hrs Sesión 5 : Introducción al ANOVA •​ ANOVA unidireccional ◦​ Comparación de múltiples grupos con ◦​ Post-hoc con Tukey HSD 3hrs Sesión 6 : Correlación •​ Correlación y regresión lineal simple ◦​ Coeficiente de Pearson y Spearman. Abraham Zamudio
5. ◦​ Ajuste de modelo con Mínimos cuadrados ordinarios ​ •​ Prerrequisitos: •​ Estadística Descriptiva •​ Curso Basico e Intermedio de Python (PIT) 8.​ Bibliografía •​ Janczyk, M., & Pfister, R. (2023). Understanding Inferential Statistics. From A for Significance Test to Z for Confidence Interval •​ Oh, D. M., & Pyrczak, F. (2023). Making sense of statistics: A conceptual overview. Routledge. •​ Frost, J. (2020). Hypothesis testing: An intuitive guide for making data driven decisions. Abraham Zamudio