Envíos gratis en compras superiores a $6500

Estadística práctica para ciencia de datos con R y Python

Estadística práctica para ciencia de datos con R y Python

$7,235

  • Envío gratis en compras superiores a $6500
  • Autor: 

    • Peter Bruce
    • Andrew Bruce
    • Peter Gedeck

    Páginas: 362

    Editorial: Alfaomega – Marcombo

     

    SKU: 9788426734433 Categorías: , ,

    Descripción

    Los métodos estadísticos son una parte fundamental de la ciencia de datos, pero pocos científicos de datos tienen una formación avanzada en estadística. Los cursos y libros sobre estadística básica rara vez tratan el tema desde la perspectiva de la ciencia de datos. La segunda edición de este libro incluye ejemplos detallados de Python, ofrece una orientación práctica sobre la aplicación de los métodos estadísticos a la ciencia de datos, te indica cómo evitar su uso incorrecto y te aconseja sobre lo que es y lo que no es importante.

    Muchos recursos de la ciencia de datos incorporan métodos estadísticos, pero carecen de una perspectiva estadística más profunda. Si estás familiarizado con los lenguajes de programación R o Python y tienes algún conocimiento de estadística, este libro suple esas carencias de una forma práctica, accesible y clara.

    Con este libro aprenderás:

    Por qué el análisis exploratorio de datos es un paso preliminar clave en la ciencia de datos
    Cómo el muestreo aleatorio puede reducir el sesgo y ofrecer un conjunto de datos de mayor calidad, incluso con Big Data
    Cómo los principios del diseño experimental ofrecen respuestas definitivas a preguntas
    Cómo utilizar la regresión para estimar resultados y detectar anomalías
    Técnicas de clasificación esenciales para predecir a qué categorías pertenece un registro
    Métodos estadísticos de aprendizaje automático que «aprenden» a partir de los datos
    Métodos de aprendizaje no supervisados para extraer significado de datos sin etiquetar
    Peter Bruce es el fundador del Institute for Statistics Education en Statistics.com.

    Andrew Bruce es científico investigador jefe en Amazon y tiene más de 30 años de experiencia en estadística y ciencia de datos.

    Peter Gedeck es científico de datos senior en Collaborative Drug Discovery, desarrolla algoritmos de aprendizaje automático para pronosticar propiedades de posibles futuros fármacos.

    Contenidos

    Prefacio ………………………………………………………………………………………. xi

    1. Análisis exploratorio de datos…………………………………………………….. 1
    Elementos de datos estructurados ………………………………………………………… 2
    Lecturas complementarias ………………………………………………………………. 4
    Datos rectangulares …………………………………………………………………………….. 4
    Marcos de datos e índices ……………………………………………………………….. 6
    Estructuras de datos no rectangulares ……………………………………………… 6
    Lecturas complementarias ………………………………………………………………. 7
    Estimación de la localización ………………………………………………………………… 7
    Media ……………………………………………………………………………………………9
    Estimación de medianas robustas …………………………………………………… 10
    Ejemplo: estimaciones de localización de la población y tasas de homicidios . 12
    Lecturas complementarias …………………………………………………………….. 13
    Estimación de la variabilidad ………………………………………………………………. 13
    Desviación estándar y estimaciones relacionadas …………………………….. 15
    Estimación basada en percentiles …………………………………………………… 17
    Ejemplo: estimaciones de variabilidad de la población estatal …………… 18
    Lecturas complementarias …………………………………………………………….. 19
    Exploración de la distribución de datos………………………………………………… 19
    Percentiles y diagramas de caja ……………………………………………………… 20
    Tablas de frecuencias e histogramas ………………………………………………. 22
    Diagrama y estimación de la curva de densidad ……………………………….. 24
    Lecturas complementarias …………………………………………………………….. 26
    Exploración de datos binarios y categóricos …………………………………………. 27
    Moda ………………………………………………………………………………………….. 29
    Valor esperado …………………………………………………………………………….. 29
    Probabilidad ………………………………………………………………………………… 30
    Lecturas complementarias …………………………………………………………….. 30
    Correlación ………………………………………………………………………………………. 30
    Diagramas de dispersión ……………………………………………………………….. 34
    Lecturas complementarias …………………………………………………………….. 36
    Exploración de dos o más variables ……………………………………………………… 36
    Agrupación hexagonal y contornos (representación numérica
    frente a datos numéricos) ……………………………………………………………… 36
    Dos variables categóricas ………………………………………………………………. 39
    Datos categóricos y numéricos ………………………………………………………. 41
    Visualización de varias variables …………………………………………………….. 43
    Lecturas complementarias …………………………………………………………….. 45
    Resumen ………………………………………………………………………………………….. 45

    2. Distribuciones de datos y muestreo …………………………………………… 47
    Muestreo aleatorio y sesgo de la muestra ……………………………………………. 48
    Sesgo ………………………………………………………………………………………….. 50
    Selección aleatoria ……………………………………………………………………….. 51
    Tamaño frente a calidad: ¿cuándo importa el tamaño? …………………….. 52
    Media muestral frente a media poblacional …………………………………….. 53
    Lecturas complementarias …………………………………………………………….. 53
    Sesgo de selección …………………………………………………………………………….. 54
    Regresión a la media …………………………………………………………………….. 55
    Lecturas complementarias …………………………………………………………….. 57
    Distribución muestral del estadístico …………………………………………………… 57
    Teorema del límite central …………………………………………………………….. 60
    Error estándar ……………………………………………………………………………… 60
    Lecturas complementarias …………………………………………………………….. 61
    Bootstrap …………………………………………………………………………………………. 61
    Remuestreo frente a bootstrapping ……………………………………………….. 65
    Lecturas complementarias …………………………………………………………….. 65
    Intervalos de confianza ………………………………………………………………………. 65
    Lecturas complementarias …………………………………………………………….. 68
    Distribución normal …………………………………………………………………………… 69
    Normal estándar y diagramas QQ …………………………………………………… 70
    Distribuciones de cola larga ………………………………………………………………… 72
    Lecturas complementarias …………………………………………………………….. 74
    Distribución t deStudent ……………………………………………………………………. 74
    Lecturas complementarias …………………………………………………………….. 77
    Distribución binomial ………………………………………………………………………… 77
    Lecturas complementarias …………………………………………………………….. 79
    Distribución chi cuadrado …………………………………………………………………… 79
    Lecturas complementarias …………………………………………………………….. 80
    Distribución F ……………………………………………………………………………………. 81
    Lecturas complementarias …………………………………………………………….. 81
    La distribución de Poisson y distribuciones relacionadas ………………………… 81
    Distribución de Poisson …………………………………………………………………. 82
    Distribución exponencial ……………………………………………………………….. 83
    Estimación de la tasa de fallos ……………………………………………………….. 83
    Distribución de Weibull …………………………………………………………………. 84
    Lecturas complementarias …………………………………………………………….. 85
    Resumen ………………………………………………………………………………………….. 85

    3. Experimentos estadísticos y pruebas significativas ………………………. 87
    Prueba A/B……………………………………………………………………………………….. 88
    ¿Por qué tener un grupo de control? ………………………………………………. 90
    ¿Por qué solo A/B? ¿Por qué no C, D, …? …………………………………………. 91
    Lecturas complementarias …………………………………………………………….. 92
    Pruebas de hipótesis …………………………………………………………………………. 93
    La hipótesis nula …………………………………………………………………………… 94
    Hipótesis alternativa …………………………………………………………………….. 95
    Pruebas de hipótesis unidireccionales o bidireccionales ……………………. 95
    Lecturas complementarias …………………………………………………………….. 96
    Remuestreo ……………………………………………………………………………………… 96
    Prueba de permutación ………………………………………………………………… 97
    Ejemplo: adherencia de la web ………………………………………………………. 98
    Pruebas de permutación exhaustiva y de bootstrap ………………………. 102
    Pruebas de permutación: el resultado final de la ciencia de datos ……. 102
    Lecturas complementarias …………………………………………………………… 103
    Significación estadística y valores p ……………………………………………………. 103
    Valor p ………………………………………………………………………………………. 106
    Alfa …………………………………………………………………………………………… 107
    Errores de tipo 1 y 2 ……………………………………………………………………. 108
    Ciencia de datos y valores p …………………………………………………………. 109
    Lecturas complementarias …………………………………………………………… 109
    Pruebas t ………………………………………………………………………………………… 109
    Lecturas complementarias …………………………………………………………… 111
    Pruebas múltiples ……………………………………………………………………………. 111
    Lecturas complementarias …………………………………………………………… 115
    Grados de libertad …………………………………………………………………………… 115
    Lecturas complementarias …………………………………………………………… 117
    ANOVA …………………………………………………………………………………………… 117
    Estadístico F……………………………………………………………………………….. 120
    ANOVA bidireccional …………………………………………………………………… 122
    Lecturas complementarias …………………………………………………………… 123
    Prueba de chi cuadrado ……………………………………………………………………. 123
    Prueba de chi cuadrado: enfoque de remuestreo ……………………………. 124
    Prueba de chi cuadrado: teoría estadística …………………………………….. 126
    Prueba exacta de Fisher ………………………………………………………………. 127
    Relevancia para la ciencia de datos ………………………………………………. 129
    Lecturas complementarias …………………………………………………………… 130
    Algoritmo Multi-Arm Bandit ……………………………………………………………… 130
    Lecturas complementarias …………………………………………………………… 134
    Potencia y tamaño de la muestra ………………………………………………………. 134
    Tamaño de la muestra ………………………………………………………………… 135
    Lecturas complementarias …………………………………………………………… 138
    Resumen ………………………………………………………………………………………… 138

    4. Regresión y pronóstico ………………………………………………………….. 139
    Regresión lineal simple …………………………………………………………………….. 139
    La ecuación de regresión……………………………………………………………… 141
    Valores ajustados y residuos ………………………………………………………… 143
    Mínimos cuadrados …………………………………………………………………….. 145
    Pronóstico frente a explicación (elaboración de perfiles) ………………… 146
    Lecturas complementarias …………………………………………………………… 147
    Regresión lineal múltiple ………………………………………………………………….. 147
    Ejemplo: datos de las viviendas del condado de King ………………………. 148
    Evaluación del modelo ………………………………………………………………… 149
    Validación cruzada ……………………………………………………………………… 151
    Selección del modelo y regresión escalonada ………………………………… 152
    Regresión ponderada ………………………………………………………………….. 156
    Lecturas complementarias …………………………………………………………… 157
    Pronóstico mediante la regresión ……………………………………………………… 157
    Los peligros de la extrapolación ……………………………………………………. 158
    Intervalos de confianza y de pronóstico ………………………………………… 158
    Variables de tipo factor en la regresión ……………………………………………… 160
    Representación de variables ficticias …………………………………………….. 161
    Variables de tipo factor con muchos niveles ………………………………….. 163
    Variables de tipo factor ordenadas ……………………………………………….. 165
    Interpretación de la ecuación de regresión ………………………………………… 166
    Predictoras correlacionadas …………………………………………………………. 166
    Multicolinealidad ……………………………………………………………………….. 168
    Variables de confusión ………………………………………………………………… 168
    Interacciones y efectos principales ……………………………………………….. 170
    Diagnósticos de regresión ………………………………………………………………… 172
    Valores atípicos ………………………………………………………………………….. 173
    Valores influyentes ……………………………………………………………………… 175
    Heterocedasticidad, anormalidad y errores correlacionados …………….. 177
    Diagramas de residuos parciales y falta de linealidad ……………………… 180
    Regresión polinomial y por spline ……………………………………………………… 183
    Polinomial …………………………………………………………………………………. 183
    Splines ………………………………………………………………………………………. 185
    Modelos aditivos generalizados ……………………………………………………. 187
    Lecturas complementarias …………………………………………………………… 189
    Resumen ………………………………………………………………………………………… 189

    5. Clasificación …………………………………………………………………………. 191
    Bayes ingenuo ………………………………………………………………………………… 192
    Por qué la clasificación bayesiana exacta no es práctica ………………….. 193
    La solución ingenua …………………………………………………………………….. 194
    Variables predictoras numéricas …………………………………………………… 196
    Lecturas complementarias …………………………………………………………… 197
    Análisis discriminante ………………………………………………………………………. 197
    Matriz de covarianza …………………………………………………………………… 198
    Discriminante lineal de Fisher………………………………………………………. 199
    Un ejemplo sencillo …………………………………………………………………….. 200
    Lecturas complementarias …………………………………………………………… 203
    Regresión logística …………………………………………………………………………… 203
    Función de respuesta logística y logit ……………………………………………. 204
    Regresión logística y GLM ……………………………………………………………. 206
    Modelos lineales generalizados ……………………………………………………. 207
    Valores pronosticados de regresión logística …………………………………. 208
    Interpretación de los coeficientes y de la razón de oportunidades ……. 208
    Regresión lineal y logística: similitudes y diferencias ………………………. 210
    Evaluación del modelo ………………………………………………………………… 211
    Lecturas complementarias …………………………………………………………… 214
    Evaluación de modelos de clasificación ……………………………………………… 215
    Matriz de confusión ……………………………………………………………………. 216
    El problema de las clases raras …………………………………………………….. 218
    Precisión, exhaustividad y especificidad ………………………………………… 218
    Curva ROC …………………………………………………………………………………. 219
    AUC …………………………………………………………………………………………… 221
    Sustentación ………………………………………………………………………………. 222
    Lecturas complementarias …………………………………………………………… 224
    Estrategias para datos que no están equilibrados ………………………………… 224
    Submuestreo ……………………………………………………………………………… 225
    Sobremuestreo y aumento/disminución de la ponderación …………….. 226
    Generación de datos …………………………………………………………………… 228
    Clasificación basada en los costes …………………………………………………. 228
    Exploración de pronósticos ………………………………………………………….. 229
    Lecturas complementarias …………………………………………………………… 230
    Resumen ………………………………………………………………………………………… 230

    6. Aprendizaje automático estadístico …………………………………………. 231
    K-vecinos más cercanos ……………………………………………………………………. 232
    Un pequeño ejemplo: pronóstico del incumplimiento de préstamos … 233
    Métricas de distancia ………………………………………………………………….. 235
    Codificador One-Hot …………………………………………………………………… 236
    Estandarización (normalización, puntuación z) ………………………………. 237
    Elección de K ……………………………………………………………………………… 240
    KNN como motor de características ………………………………………………. 241
    Modelos de árbol …………………………………………………………………………….. 243
    Un ejemplo sencillo …………………………………………………………………….. 244
    Algoritmo de partición recursiva …………………………………………………… 246
    Medición de la homogeneidad o la impureza …………………………………. 248
    Detención del crecimiento del árbol ……………………………………………… 249
    Pronóstico de un valor continuo …………………………………………………… 251
    Cómo se utilizan los árboles …………………………………………………………. 252
    Lecturas complementarias …………………………………………………………… 253
    Métodos de bagging y bosque aleatorio …………………………………………….. 253
    Bagging ……………………………………………………………………………………… 254
    Bosque aleatorio ………………………………………………………………………… 255
    Importancia de la variable……………………………………………………………. 259
    Hiperparámetros ………………………………………………………………………… 262
    Boosting …………………………………………………………………………………………. 263
    El algoritmo boosting ………………………………………………………………….. 264
    XGBoost …………………………………………………………………………………….. 265
    Regularización: evitación del sobreajuste ………………………………………. 268
    Hiperparámetros y validación cruzada ………………………………………….. 272
    Resumen ………………………………………………………………………………………… 275

    7. Aprendizaje no supervisado ……………………………………………………. 277
    Análisis de componentes principales …………………………………………………. 278
    Un ejemplo sencillo ……………………………………………………………………… 279
    Cálculo de los componentes principales …………………………………………. 282
    Interpretación de componentes principales ……………………………………. 282
    Análisis de correspondencias ………………………………………………………… 285
    Lecturas complementarias ……………………………………………………………. 287
    Agrupación K-means ……………………………………………………………………….. 287
    Un ejemplo sencillo ……………………………………………………………………… 288
    Algoritmo K-means ………………………………………………………………………. 290
    Interpretación de los grupos …………………………………………………………. 291
    Selección del número de grupos ……………………………………………………. 293
    Agrupación jerárquica ……………………………………………………………………… 296
    Un ejemplo sencillo ……………………………………………………………………… 296
    El dendrograma …………………………………………………………………………… 297
    El algoritmo de aglomeración ………………………………………………………… 299
    Medidas de disimilitud …………………………………………………………………. 299
    Agrupación basada en el modelo ………………………………………………………. 301
    Distribución normal multivariante …………………………………………………. 301
    Mezclas de distribuciones normales ……………………………………………….. 303
    Selección del número de grupos ……………………………………………………. 305
    Lecturas complementarias ……………………………………………………………. 308
    Variables categóricas y escalado……………………………………………………….. 308
    Escalado de variables ……………………………………………………………………. 309
    Variables dominantes …………………………………………………………………… 310
    Datos categóricos y distancia de Gower ………………………………………….. 311
    Problemas con la agrupación de datos mixtos ………………………………….. 314
    Resumen ……………………………………………………………………………………….. 316

    Bibliografía ……………………………………………………………………………… 317

    Ir a Arriba