PIT - Estadística 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 ​ En un mundo cada vez más data-driven, donde la capacidad de tomar decisiones informadas basadas en datos es esencial en cualquier campo científico o profesional, este curso de Estadística Inferencial con Python emerge como una herramienta fundamental para estudiantes de Ciencias Básicas, ingenierías y ciencias sociales. La estadística inferencial no es solo una rama de las matemáticas; es el lenguaje que permite a las ciencias hablar con certeza en medio de la incertidumbre. En física, modela fenómenos con datos experimentales. En ingeniería, optimizamos procesos y materiales. En ciencias sociales, interpretamos encuestas y patrones humanos. La estadística inferencial es el puente entre los datos crudos y la comprensión profunda de la realidad. Este curso combina la rigurosidad teórica con la practicidad computacional. En lugar de abordar la estadística como un conjunto de fórmulas aisladas, la presentamos como un sistema coherente de razonamiento. Aprenderán no solo a calcular intervalos de confianza o realizar pruebas de hipótesis, sino a interpretarlos y a comunicar sus resultados de manera científica. El componente práctico con Python eleva este curso a otro nivel. En lugar de limitarnos a hojas de cálculo o calculadoras, trabajaremos con uno de los lenguajes más poderosos y versátiles para el análisis de datos. Python no es solo una herramienta; es un ecosistema completo que les permitirá escalar sus habilidades desde proyectos académicos hasta soluciones industriales. Al finalizar el curso, ustedes habrán construido un portafolio de proyectos prácticos que demuestran su capacidad para aplicar la estadística en contextos reales. Este curso está diseñado para romper barreras. Muchos estudiantes se sienten intimidados por la estadística debido a su aparente complejidad matemática. Nuestro enfoque práctico y progresivo transforma esa complejidad en entendimiento intuitivo. Al mismo tiempo, para aquellos con base matemática sólida, ofrecemos la oportunidad de profundizar en la teoría subyacente y conectarla con la implementación computacional. Además, este curso les prepara para el futuro. La combinación de estadística y programación es una de las habilidades más demandadas en el mercado laboral actual. Ya sea que aspiren a carreras en investigación científica, desarrollo tecnológico, análisis de datos o cualquier profesión que requiera toma de decisiones basada en evidencia, este curso les proporciona una ventaja competitiva inestimable. Más allá de las habilidades técnicas, este curso fomenta un cambio en la mentalidad. Les enseña a pensar como científicos de datos: a cuestionar suposiciones, a validar conclusiones, a manejar incertidumbre de manera sistemática. En un mundo donde la información a menudo es ambigua y parcial, la capacidad de inferir patrones válidos y tomar decisiones informadas es una ventaja intelectual valiosa. En resumen, este curso no es simplemente una introducción a la estadística inferencial. Es una inversión en su capacidad de resolver problemas complejos, de contribuir al conocimiento científico y de prosperar en un mundo cada vez más definido por datos. Al Abraham Zamudio
3. finalizar, no solo habrán adquirido herramientas matemáticas y computacionales, sino una nueva forma de entender e interactuar con la realidad a través de los datos. Por todo esto, consideramos que este curso es no solo relevante, sino esencial para cualquier estudiante universitario en ciencias y tecnologías que busque equiparse con las herramientas del siglo XXI. 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. 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: Abraham Zamudio
4. # DE HORAS CONTENIDO 4hrs •​ Definición y propósito de la estadística inferencial. •​ Teoría de la Probabilidad : Una introducción aplicada y moderna 4hrs •​ Estimadores (media, proporción, varianza). •​ Intervalos de confianza para medias y proporciones. 4hrs •​ Hipótesis nula/alternativa •​ Errores Tipo I/II •​ Nivel de significancia. 4hrs •​ Pruebas paramétricas: •​ Prueba z (muestras grandes). •​ Prueba t (Student): una y dos muestras, pareadas. •​ Prueba χ² ( bondad de ajuste, independencia). •​ ANOVA (comparación de múltiples grupos). ​ •​ Prerrequisitos:​ Curso Basico e Intermedio de Python (PIT) Estadística Descriptiva 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