Fundamentos Matemáticos en Python: Estadística
La estadística es la rama de las matemáticas que estudia la recolección.
Organización, análisis e interpretación de datos.
En Python podemos trabajar con estadísticas.
Bibliotecas como NumPy, Pandas, SciPy y Seaborn.
Tipos de Estadística
Estadística Descriptiva
Resume y organiza datos (media, mediana, moda, desviación estándar).
Estadística Inferencial
Hace inferencias sobre una población.
A partir de una muestra.
Intervalos de confianza, pruebas de hipótesis.
Medidas de Tendencia Central
Media Aritmética
La media es el promedio de los valores.
En un conjunto de datos.
import numpy as np
datos = [10, 20, 30, 40, 50]
media = np.mean(datos)
print(f»Media: {media}»)
Mediana
La mediana es el valor central.
De un conjunto ordenado de datos.
mediana = np.median(datos)
print(f»Mediana: {mediana}»)
Salida: Mediana: 30.0
Moda
La moda es el valor que más se repite.
En un conjunto de datos.
Ejemplo en Python con scipy.stats
from scipy import stats
datos_moda = [1, 2, 2, 3, 3, 3, 4, 4, 5]
moda = stats.mode(datos_moda)
print(f»Moda: {moda.mode[0]}»)
Salida: Moda: 3
Medidas de Dispersión
Rango
El rango es la diferencia entre el valor máximo y mínimo.
rango = np.ptp(datos)
print(f»Rango: {rango}»)
Salida: Rango: 40
Varianza
La varianza mide la dispersión.
De los datos respecto a la media.
varianza = np.var(datos)
print(f»Varianza: {varianza}»)
Salida: Varianza: 200.0
Desviación Estándar
Es la raíz cuadrada de la varianza.
Mide cuánto se desvían los datos de la media.
desviacion = np.std(datos)
print(f»Desviación Estándar: {desviacion}»)
Salida: Desviación Estándar: 14.14
Medidas de Forma
Coeficiente de Asimetría (Skewness)
Mide si la distribución es simétrica o está inclinada hacia un lado.
asimetria = stats.skew(datos_moda)
print(f»Asimetría: {asimetria}»)
Curtosis
Mide si los datos tienen colas más largas.
Más cortas que una distribución normal.
curtosis = stats.kurtosis(datos_moda)
print(f»Curtosis: {curtosis}»)
Visualización de Datos con Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
sns.histplot(datos_moda, bins=5, kde=True)
plt.title(«Distribución de Datos»)
plt.show()
Python facilita el análisis estadístico con NumPy, SciPy y Seaborn.
La estadística descriptiva permite entender la distribución de los datos.
La visualización ayuda a interpretar los resultados de forma clara.
