Estadística

Probabilidad, inferencia y Bayes

De la variable aleatoria al intervalo de confianza, siempre con el código al lado de la fórmula.

Probabilidad e inferencia — Fase 1

01L2Población, muestra y variable aleatoriaTS 3e §1–2

02L2Función de masa, densidad y acumuladaTS 3e §3–4

03L2Distribuciones analíticasTS 3e §5

04L2Esperanza, varianza y momentosTS §1.6 · MML §6.4

05L2Covarianza y correlaciónTS 3e §7

06L2Teorema central del límiteTS 3e §14

07L2Estimación: sesgo, varianza y consistenciaTS 3e §8

08L3Máxima verosimilitud: construir estimadoresMML §8.3

09L2Intervalos de confianza: lo que prometen y cuándo fallanTS 3e §8.6

10L2Pruebas de hipótesis: qué responde un valor pTS 3e §9

11L3Bootstrap: el error estándar sin fórmulaTS 3e §8.4

12L3La normal multivariante, y la deuda de la lección 9MML §6.5

13L3Regresión: de dónde salen los coeficientesTS 3e §10

14L3Inferencia sobre los coeficientesTS 3e §10

15L3Datos faltantes: MCAR, MAR y MNARMcKinney §7.1

16L4Calibración de probabilidades y curvas de lift—

17L4P-hacking y errores frecuentesISLP cap. 13

Bayes — Fase 5

18L2Teorema de Bayes y actualizaciónTB 2e §1–3

19L3Priors conjugadosTB 2e §18 · §4

20L2Distribuciones predictivasTB 2e §7 · §8

21L2Comparación de modelosTB 2e §10 · §6

22L3Metropolis-Hastings desde ceroTB 2e §19

23L3Gibbs sampling desde ceroTB 2e §19

24L4Diagnóstico de cadenas—

25L4PyMC en producción—

Note

Las lecciones en gris todavía no están publicadas. Se escriben a medida que avanzas: los viernes pides los temas de la semana siguiente y el lunes están online.