JHU MOOC SI W1

JHU Data Science Specialization logoLa semana pasada inició el curso de “Statistical Inference” (impartido por Brian Caffo) dentro de la serie de cursos que vengo siguiendo y he venido relatando que son parte de la línea de especialización en ciencia de datos que la Johns Hopkins University ofrece a través de Coursera. Este curso es el sexto de esta serie. Apenas he conseguido poder cubrir el material correspondiente.DSS roadmap

Antes de este curso… de hecho, antes de iniciar el doctorado, veía a la probabilidad y estadística con otros ojos. Como algo que era un recurso alternativo a algo más analítico y complejo pero más preciso. Algo así como ese “quick and dirty” al que muchos recurren cuando desconocen o les da flojera hacerlo de otro modo, de un modo mejor. Sin embargo, los últimos dos años me ha dejado ver que mientras que hay muchas cosas para las que no tenemos aún explicación, sí tenemos un conocimiento que nos permite con un excelente grado de aproximación poder tratar lo intratable: la probabilidad y la estadística. Y, de hecho, es con un comentario similar con el que inicia el curso Brian Caffo, recalcando que son la probabilidad y estadística el único sistema formal con el que contamos para poder hacer inferencias. A este respecto señala que la inferencia estadística es “la generación de conclusiones acerca de una población a partir de una muestra con ruido.Statistical Inference logo

La primera semana se han cubierto los temas:

  • Introducción a la noción de inferencia estadística.
    • Muestras y representatividad de éstas de la población.
    • Metas que se buscan alcanzar por inferencia.
    • Aleatoriedad, muestreo, modelos probabilísticos, validación de hipótesis, parametrización, intervalos de confianza.
  • Probabilidad.
    • Reglas básicas.
    • La variable aleatoria.
    • Las funciones de probabilidad (probability mass functions).
    • Funciones de densidad de probabilidad.
    • Funciones de distribución acumulada.
    • Cuantiles.
  • Probabilidad condicional.
  • Definición
  • Regla de Bayes.
  • Pruebas de diagnóstico.
  • Razones de probabilidad (likelihood ratios).
  • Independencia.
  • Modelos iid (independent and identically distributed).
  • Valores esperados.
    • Media y medianas poblacionales.
    • Muestreo.
    • Media.
    • Variable aleatoria continua.
Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s