Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Desafío 1: Probabilidades y Distribuciones | Estadísticas
Desafío de Entrevista en Ciencia de Datos
course content

Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

Desafío de Entrevista en Ciencia de Datos

1. Python
2. NumPy
3. Pandas
4. Matplotlib
5. Seaborn
6. Estadísticas
7. Scikit-learn

bookDesafío 1: Probabilidades y Distribuciones

En la vasta extensión de la estadística, reinan dos conceptos fundamentales: las probabilidades y las distribuciones. Estos dos pilares constituyen la base sobre la que se asientan gran parte de la teoría y las aplicaciones estadísticas.

La probabilidad es una medida de la incertidumbre. Cuantifica la probabilidad de que se produzca un suceso o resultado, siempre dentro del intervalo de 0 a 1.

**Por otra parte, las distribuciones ofrecen una visión holística de todos los resultados posibles de una variable aleatoria y las probabilidades asociadas de cada resultado. Trazan el comportamiento de los datos, ya sea en forma de una serie de lanzamientos de monedas, las alturas de los individuos de una población o el tiempo que tarda en llegar un autobús. Existen dos categorías principales de distribuciones:

  1. Distribuciones discretas: Representan situaciones en las que el conjunto de resultados posibles es distinto y finito. Un ejemplo es la distribución binomial, que podría representar el número de caras obtenidas en un número determinado de lanzamientos de una moneda.

  2. Distribuciones continuas: En este caso, los resultados pueden tomar cualquier valor dentro de un rango determinado. La distribución Normal o Gaussiana es un ejemplo clásico, que representa datos que se agrupan en torno a una media o valor central.

Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte en él y explorarlo antes de abordar la tarea.

12345678910111213
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Visualize the distribution of 'total_bill' sns.displot(data['total_bill']) plt.title('Distribution of Total Bill') plt.show()
copy
Tarea
test

Swipe to show code editor

Utilizando el conjunto de datos tips de Seaborn, lo harás:

    1. Extraer métricas estadísticas clave de la columna "total_bill" para comprender sus tendencias centrales y su dispersión.
    1. Utilizar un gráfico Q-Q para visualizar cómo los datos de total_bill se ajustan a una distribución normal.
    1. Utilice la prueba de Shapiro-Wilk para evaluar estadísticamente la normalidad de la distribución de la factura total.
  1. 4. Determine la probabilidad de que un billete seleccionado al azar del conjunto de datos sea mayor de 20$.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 6. Capítulo 1
toggle bottom row

bookDesafío 1: Probabilidades y Distribuciones

En la vasta extensión de la estadística, reinan dos conceptos fundamentales: las probabilidades y las distribuciones. Estos dos pilares constituyen la base sobre la que se asientan gran parte de la teoría y las aplicaciones estadísticas.

La probabilidad es una medida de la incertidumbre. Cuantifica la probabilidad de que se produzca un suceso o resultado, siempre dentro del intervalo de 0 a 1.

**Por otra parte, las distribuciones ofrecen una visión holística de todos los resultados posibles de una variable aleatoria y las probabilidades asociadas de cada resultado. Trazan el comportamiento de los datos, ya sea en forma de una serie de lanzamientos de monedas, las alturas de los individuos de una población o el tiempo que tarda en llegar un autobús. Existen dos categorías principales de distribuciones:

  1. Distribuciones discretas: Representan situaciones en las que el conjunto de resultados posibles es distinto y finito. Un ejemplo es la distribución binomial, que podría representar el número de caras obtenidas en un número determinado de lanzamientos de una moneda.

  2. Distribuciones continuas: En este caso, los resultados pueden tomar cualquier valor dentro de un rango determinado. La distribución Normal o Gaussiana es un ejemplo clásico, que representa datos que se agrupan en torno a una media o valor central.

Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte en él y explorarlo antes de abordar la tarea.

12345678910111213
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Visualize the distribution of 'total_bill' sns.displot(data['total_bill']) plt.title('Distribution of Total Bill') plt.show()
copy
Tarea
test

Swipe to show code editor

Utilizando el conjunto de datos tips de Seaborn, lo harás:

    1. Extraer métricas estadísticas clave de la columna "total_bill" para comprender sus tendencias centrales y su dispersión.
    1. Utilizar un gráfico Q-Q para visualizar cómo los datos de total_bill se ajustan a una distribución normal.
    1. Utilice la prueba de Shapiro-Wilk para evaluar estadísticamente la normalidad de la distribución de la factura total.
  1. 4. Determine la probabilidad de que un billete seleccionado al azar del conjunto de datos sea mayor de 20$.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 6. Capítulo 1
toggle bottom row

bookDesafío 1: Probabilidades y Distribuciones

En la vasta extensión de la estadística, reinan dos conceptos fundamentales: las probabilidades y las distribuciones. Estos dos pilares constituyen la base sobre la que se asientan gran parte de la teoría y las aplicaciones estadísticas.

La probabilidad es una medida de la incertidumbre. Cuantifica la probabilidad de que se produzca un suceso o resultado, siempre dentro del intervalo de 0 a 1.

**Por otra parte, las distribuciones ofrecen una visión holística de todos los resultados posibles de una variable aleatoria y las probabilidades asociadas de cada resultado. Trazan el comportamiento de los datos, ya sea en forma de una serie de lanzamientos de monedas, las alturas de los individuos de una población o el tiempo que tarda en llegar un autobús. Existen dos categorías principales de distribuciones:

  1. Distribuciones discretas: Representan situaciones en las que el conjunto de resultados posibles es distinto y finito. Un ejemplo es la distribución binomial, que podría representar el número de caras obtenidas en un número determinado de lanzamientos de una moneda.

  2. Distribuciones continuas: En este caso, los resultados pueden tomar cualquier valor dentro de un rango determinado. La distribución Normal o Gaussiana es un ejemplo clásico, que representa datos que se agrupan en torno a una media o valor central.

Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte en él y explorarlo antes de abordar la tarea.

12345678910111213
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Visualize the distribution of 'total_bill' sns.displot(data['total_bill']) plt.title('Distribution of Total Bill') plt.show()
copy
Tarea
test

Swipe to show code editor

Utilizando el conjunto de datos tips de Seaborn, lo harás:

    1. Extraer métricas estadísticas clave de la columna "total_bill" para comprender sus tendencias centrales y su dispersión.
    1. Utilizar un gráfico Q-Q para visualizar cómo los datos de total_bill se ajustan a una distribución normal.
    1. Utilice la prueba de Shapiro-Wilk para evaluar estadísticamente la normalidad de la distribución de la factura total.
  1. 4. Determine la probabilidad de que un billete seleccionado al azar del conjunto de datos sea mayor de 20$.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

En la vasta extensión de la estadística, reinan dos conceptos fundamentales: las probabilidades y las distribuciones. Estos dos pilares constituyen la base sobre la que se asientan gran parte de la teoría y las aplicaciones estadísticas.

La probabilidad es una medida de la incertidumbre. Cuantifica la probabilidad de que se produzca un suceso o resultado, siempre dentro del intervalo de 0 a 1.

**Por otra parte, las distribuciones ofrecen una visión holística de todos los resultados posibles de una variable aleatoria y las probabilidades asociadas de cada resultado. Trazan el comportamiento de los datos, ya sea en forma de una serie de lanzamientos de monedas, las alturas de los individuos de una población o el tiempo que tarda en llegar un autobús. Existen dos categorías principales de distribuciones:

  1. Distribuciones discretas: Representan situaciones en las que el conjunto de resultados posibles es distinto y finito. Un ejemplo es la distribución binomial, que podría representar el número de caras obtenidas en un número determinado de lanzamientos de una moneda.

  2. Distribuciones continuas: En este caso, los resultados pueden tomar cualquier valor dentro de un rango determinado. La distribución Normal o Gaussiana es un ejemplo clásico, que representa datos que se agrupan en torno a una media o valor central.

Este es el conjunto de datos que utilizaremos en este capítulo. Siéntete libre de sumergirte en él y explorarlo antes de abordar la tarea.

12345678910111213
import matplotlib.pyplot as plt import seaborn as sns # Load the dataset data = sns.load_dataset('tips') # Sample of data display(data.head()) # Visualize the distribution of 'total_bill' sns.displot(data['total_bill']) plt.title('Distribution of Total Bill') plt.show()
copy
Tarea
test

Swipe to show code editor

Utilizando el conjunto de datos tips de Seaborn, lo harás:

    1. Extraer métricas estadísticas clave de la columna "total_bill" para comprender sus tendencias centrales y su dispersión.
    1. Utilizar un gráfico Q-Q para visualizar cómo los datos de total_bill se ajustan a una distribución normal.
    1. Utilice la prueba de Shapiro-Wilk para evaluar estadísticamente la normalidad de la distribución de la factura total.
  1. 4. Determine la probabilidad de que un billete seleccionado al azar del conjunto de datos sea mayor de 20$.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
Sección 6. Capítulo 1
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
We're sorry to hear that something went wrong. What happened?
some-alt