Estadística descriptiva y distribuciones
Media, mediana, varianza, std, asimetría, curtosis y distribuciones normal, binomial y de Poisson.
Estadística descriptiva y distribuciones es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
Resumir datos
Los estadísticos descriptivos condensan un conjunto de datos en unas pocas cifras que describen su centro, dispersión y forma. Son lo primero que debe calcular sobre cualquier conjunto de datos nuevo.
import numpy as np
data = np.array([4, 8, 6, 5, 3, 7, 9, 6])Media y mediana
La media es el promedio aritmético; la mediana es el valor central. La mediana es resistente a los valores atípicos, por lo que una gran diferencia entre ambas indica asimetría.
print(np.mean(data)) # 6.0
print(np.median(data)) # 6.0Varianza y desviación estándar
La varianza es la desviación cuadrática media respecto de la media; la desviación estándar es su raíz cuadrada y se expresa en las mismas unidades que los datos.
print(np.var(data)) # population variance
print(np.std(data)) # standard deviationMuestra frente a población (ddof)
NumPy divide por N de forma predeterminada (población). Para obtener una estimación de una MUESTRA, divida por N-1 mediante ddof=1, lo que corrige el sesgo.
print(np.std(data, ddof=0)) # population
print(np.std(data, ddof=1)) # sample (unbiased)Percentiles y RIC
Los percentiles dividen los datos ordenados. Los percentiles 25 y 75 (cuartiles) delimitan el 50 por ciento central; su diferencia es el RIC.
q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
print(q1, q3, q3 - q1) # IQRAsimetría
La asimetría mide la falta de simetría. Una asimetría positiva tiene una cola derecha larga (datos de ingresos); una asimetría negativa, una cola izquierda larga. scipy.stats.skew la calcula.
from scipy import stats
print(stats.skew(data)) # near 0 -> symmetricCurtosis
La curtosis mide el peso de las colas. Una curtosis alta significa que hay más valores atípicos extremos que en una curva normal. scipy informa de la curtosis excedente (normal = 0).
print(stats.kurtosis(data)) # 0 means normal-like tailsLa distribución normal
La distribución normal, con forma de campana, está definida por su media y desviación estándar. Aproximadamente el 68 por ciento de los valores se encuentra a una desviación estándar y el 95 por ciento, a dos.
sample = stats.norm.rvs(loc=0, scale=1, size=1000, random_state=0)
print(np.mean(sample), np.std(sample)) # near 0 and 1La distribución binomial
La distribución binomial cuenta los éxitos en n ensayos independientes de sí/no con probabilidad de éxito p, como obtener cara al lanzar monedas.
print(stats.binom.pmf(k=3, n=10, p=0.5)) # P(exactly 3 heads in 10)La distribución de Poisson
La distribución de Poisson modela el número de eventos poco frecuentes en un intervalo fijo, dada una tasa media lambda, como las llegadas por minuto.
print(stats.poisson.pmf(k=2, mu=3)) # P(2 events when avg is 3)Histogramas
Un histograma agrupa los valores en intervalos para revelar la forma de una distribución. np.histogram devuelve los recuentos y los límites de los intervalos; matplotlib lo dibuja.
counts, edges = np.histogram(sample, bins=10)
print(counts)
# import matplotlib.pyplot as plt; plt.hist(sample, bins=30)Comprobación rápida
Ponga a prueba sus conocimientos sobre estadística descriptiva.
Resumen
Herramientas de estadística descriptiva:
- Centro:
np.mean,np.median - Dispersión:
np.var,np.std(utiliceddof=1para muestras), RIC mediante percentiles - Forma:
scipy.stats.skew,scipy.stats.kurtosis - Distribuciones: normal, binomial y Poisson en
scipy.stats - Histogramas para visualizar la forma
Preguntas frecuentes
¿La lección «Estadística descriptiva y distribuciones» es gratis?
Sí — el texto completo de «Estadística descriptiva y distribuciones» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «Estadística descriptiva y distribuciones»?
Media, mediana, varianza, std, asimetría, curtosis y distribuciones normal, binomial y de Poisson. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Estadística descriptiva y distribuciones»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Estadística descriptiva y distribuciones
- Probabilidad y teorema de Bayes
- Contraste de hipótesis
- Correlación y covarianza