Contenido del Curso
Desafío de Entrevista en Ciencia de Datos
Desafío de Entrevista en Ciencia de Datos
Desafío 3: Pruebas de Hipótesis
El fascinante ámbito de la estadística alberga el intrincado proceso de comprobación de hipótesis. En esencia, la comprobación de hipótesis consiste en hacer inferencias sobre poblaciones a partir de datos de muestra. Formulamos hipótesis y las probamos, extrayendo conclusiones sobre conjuntos de datos más amplios mediante el análisis de un subconjunto.
Por ejemplo, si estamos estudiando el impacto de un nuevo método de enseñanza en un aula y observamos una mejora significativa en las notas de los alumnos, ¿podemos afirmar de forma concluyente que el método es eficaz? La respuesta está en las pruebas de hipótesis.
Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte y explorarlo antes de abordar la tarea.
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Total bill amounts grouped by smoking status sns.boxplot(x='smoker', y='total_bill', data=data) plt.title('Total Bill Amounts Grouped by Smoking Status') plt.show() # Number of smokers vs. non-smokers by gender sns.countplot(x='sex', hue='smoker', data=data) plt.title('Number of Smokers vs. Non-Smokers by Gender') plt.show()
Swipe to show code editor
En este ejercicio, aprovechando el conjunto de datos tips
de Seaborn, lo harás:
- Comprobar si existe una diferencia significativa en las cantidades de
total_bill
entre fumadores y no fumadores. Utilice la prueba U de Mann-Whitney. - Examine la relación entre las columnas
sexo
yfumador
, determinando si estas dos variables categóricas son independientes entre sí.
Nota
En esta tarea, el nivel de significación (alfa) para el valor p se establece en "0,1", en lugar del "0,05" convencional. La elección de alfa puede variar en función del contexto, el nivel de rigor requerido o las prácticas específicas del sector; entre los valores adoptados habitualmente se incluyen "0,01", "0,05" y "0,1".
¡Gracias por tus comentarios!
Desafío 3: Pruebas de Hipótesis
El fascinante ámbito de la estadística alberga el intrincado proceso de comprobación de hipótesis. En esencia, la comprobación de hipótesis consiste en hacer inferencias sobre poblaciones a partir de datos de muestra. Formulamos hipótesis y las probamos, extrayendo conclusiones sobre conjuntos de datos más amplios mediante el análisis de un subconjunto.
Por ejemplo, si estamos estudiando el impacto de un nuevo método de enseñanza en un aula y observamos una mejora significativa en las notas de los alumnos, ¿podemos afirmar de forma concluyente que el método es eficaz? La respuesta está en las pruebas de hipótesis.
Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte y explorarlo antes de abordar la tarea.
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Total bill amounts grouped by smoking status sns.boxplot(x='smoker', y='total_bill', data=data) plt.title('Total Bill Amounts Grouped by Smoking Status') plt.show() # Number of smokers vs. non-smokers by gender sns.countplot(x='sex', hue='smoker', data=data) plt.title('Number of Smokers vs. Non-Smokers by Gender') plt.show()
Swipe to show code editor
En este ejercicio, aprovechando el conjunto de datos tips
de Seaborn, lo harás:
- Comprobar si existe una diferencia significativa en las cantidades de
total_bill
entre fumadores y no fumadores. Utilice la prueba U de Mann-Whitney. - Examine la relación entre las columnas
sexo
yfumador
, determinando si estas dos variables categóricas son independientes entre sí.
Nota
En esta tarea, el nivel de significación (alfa) para el valor p se establece en "0,1", en lugar del "0,05" convencional. La elección de alfa puede variar en función del contexto, el nivel de rigor requerido o las prácticas específicas del sector; entre los valores adoptados habitualmente se incluyen "0,01", "0,05" y "0,1".
¡Gracias por tus comentarios!
Desafío 3: Pruebas de Hipótesis
El fascinante ámbito de la estadística alberga el intrincado proceso de comprobación de hipótesis. En esencia, la comprobación de hipótesis consiste en hacer inferencias sobre poblaciones a partir de datos de muestra. Formulamos hipótesis y las probamos, extrayendo conclusiones sobre conjuntos de datos más amplios mediante el análisis de un subconjunto.
Por ejemplo, si estamos estudiando el impacto de un nuevo método de enseñanza en un aula y observamos una mejora significativa en las notas de los alumnos, ¿podemos afirmar de forma concluyente que el método es eficaz? La respuesta está en las pruebas de hipótesis.
Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte y explorarlo antes de abordar la tarea.
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Total bill amounts grouped by smoking status sns.boxplot(x='smoker', y='total_bill', data=data) plt.title('Total Bill Amounts Grouped by Smoking Status') plt.show() # Number of smokers vs. non-smokers by gender sns.countplot(x='sex', hue='smoker', data=data) plt.title('Number of Smokers vs. Non-Smokers by Gender') plt.show()
Swipe to show code editor
En este ejercicio, aprovechando el conjunto de datos tips
de Seaborn, lo harás:
- Comprobar si existe una diferencia significativa en las cantidades de
total_bill
entre fumadores y no fumadores. Utilice la prueba U de Mann-Whitney. - Examine la relación entre las columnas
sexo
yfumador
, determinando si estas dos variables categóricas son independientes entre sí.
Nota
En esta tarea, el nivel de significación (alfa) para el valor p se establece en "0,1", en lugar del "0,05" convencional. La elección de alfa puede variar en función del contexto, el nivel de rigor requerido o las prácticas específicas del sector; entre los valores adoptados habitualmente se incluyen "0,01", "0,05" y "0,1".
¡Gracias por tus comentarios!
El fascinante ámbito de la estadística alberga el intrincado proceso de comprobación de hipótesis. En esencia, la comprobación de hipótesis consiste en hacer inferencias sobre poblaciones a partir de datos de muestra. Formulamos hipótesis y las probamos, extrayendo conclusiones sobre conjuntos de datos más amplios mediante el análisis de un subconjunto.
Por ejemplo, si estamos estudiando el impacto de un nuevo método de enseñanza en un aula y observamos una mejora significativa en las notas de los alumnos, ¿podemos afirmar de forma concluyente que el método es eficaz? La respuesta está en las pruebas de hipótesis.
Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte y explorarlo antes de abordar la tarea.
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Total bill amounts grouped by smoking status sns.boxplot(x='smoker', y='total_bill', data=data) plt.title('Total Bill Amounts Grouped by Smoking Status') plt.show() # Number of smokers vs. non-smokers by gender sns.countplot(x='sex', hue='smoker', data=data) plt.title('Number of Smokers vs. Non-Smokers by Gender') plt.show()
Swipe to show code editor
En este ejercicio, aprovechando el conjunto de datos tips
de Seaborn, lo harás:
- Comprobar si existe una diferencia significativa en las cantidades de
total_bill
entre fumadores y no fumadores. Utilice la prueba U de Mann-Whitney. - Examine la relación entre las columnas
sexo
yfumador
, determinando si estas dos variables categóricas son independientes entre sí.
Nota
En esta tarea, el nivel de significación (alfa) para el valor p se establece en "0,1", en lugar del "0,05" convencional. La elección de alfa puede variar en función del contexto, el nivel de rigor requerido o las prácticas específicas del sector; entre los valores adoptados habitualmente se incluyen "0,01", "0,05" y "0,1".