Herramientas de usuario
ai:data_analysis
Diferencias
Muestra las diferencias entre dos versiones de la página.
| Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa | ||
|
ai:data_analysis [2011/10/25 19:36] alfred |
ai:data_analysis [2020/05/09 09:25] (actual) |
||
|---|---|---|---|
| Línea 27: | Línea 27: | ||
| * **Categóricas**: No tienen un orden concreto y corresponden a categorías concretas y limitadas (color, actividad en gimnasio, signo del zodiaco...). Una subcategoría de estas serían las **binarias** que sólo pueden tomar dos valores. | * **Categóricas**: No tienen un orden concreto y corresponden a categorías concretas y limitadas (color, actividad en gimnasio, signo del zodiaco...). Una subcategoría de estas serían las **binarias** que sólo pueden tomar dos valores. | ||
| * **Intervalos**: Son agrupaciones de valores numéricos (edad que podria ir de 0 a 12 años, de 13 a 18 años...). También podríamos llamarlas **cuantitativas continuas**. | * **Intervalos**: Son agrupaciones de valores numéricos (edad que podria ir de 0 a 12 años, de 13 a 18 años...). También podríamos llamarlas **cuantitativas continuas**. | ||
| + | |||
| Línea 35: | Línea 36: | ||
| ==== Relación entre variables ==== | ==== Relación entre variables ==== | ||
| Si dos variables están muy relacionadas podríamos decir, poniendo por ejemplo el estado civil y los compañeros de vivienda, cuantos solteros viven con los padres, cuantos casados... | Si dos variables están muy relacionadas podríamos decir, poniendo por ejemplo el estado civil y los compañeros de vivienda, cuantos solteros viven con los padres, cuantos casados... | ||
| + | |||
| + | === Covarianza === | ||
| + | Indica qué relación hay entre dos variables: | ||
| + | * Si ''Sxy > 0'' hay dependencia directa (positiva), es decir, a grandes valores de x corresponden grandes valores de y. | ||
| + | * Si ''Sxy = 0'' se interpreta como la no existencia de una relación lineal entre las dos variables estudiadas. | ||
| + | * Si ''Sxy < 0'' hay dependencia inversa o negativa, es decir, a grandes valores de x corresponden pequeños valores de y. | ||
| === Relación lineal entre variables cuantitativas === | === Relación lineal entre variables cuantitativas === | ||
| Línea 69: | Línea 76: | ||
| - | ==== Comparación con la estadística clásica ==== | + | |
| + | |||
| + | ==== Estadística clásica ==== | ||
| La estadística clásica también es llamada **frecuentista** debido a que necesita de un gran número de experimentos. En cambio la estadística bayesiana permite interpretar la probabilidad de un hecho a partir de unos grados de ignorancia; formando reglas sin tener que realizar un gran número de pruebas y con un grado de confianza. Además la estadística clásica no es útil en situaciones donde la prueba no puede ser repetida (p.ej. el cálculo de la probabilidad del tiempo mañana...), se expresa en términos del estilo "en 8 de 10 casos donde hemos observado X condiciones esperamos Y". \\ \\ | La estadística clásica también es llamada **frecuentista** debido a que necesita de un gran número de experimentos. En cambio la estadística bayesiana permite interpretar la probabilidad de un hecho a partir de unos grados de ignorancia; formando reglas sin tener que realizar un gran número de pruebas y con un grado de confianza. Además la estadística clásica no es útil en situaciones donde la prueba no puede ser repetida (p.ej. el cálculo de la probabilidad del tiempo mañana...), se expresa en términos del estilo "en 8 de 10 casos donde hemos observado X condiciones esperamos Y". \\ \\ | ||
| ''P(A|B)'' nos dice la probabilidad de A asumiendo que B es cierta y se calcula: \\ | ''P(A|B)'' nos dice la probabilidad de A asumiendo que B es cierta y se calcula: \\ | ||
| Línea 78: | Línea 87: | ||
| * ''P(daltónico|mujer) = 0.01'' | * ''P(daltónico|mujer) = 0.01'' | ||
| Si aleatóriamente escogemos una persona en la calle, cual es la probabilidad de que dicha persona sea daltónica y hombre? (ya necesitamos la probabilidad conjunta) Tenemos que la probabilidad de que sea hombre es el 50%, de que sea daltónico y hombre el 10% si dicha persona es realmente hombre por lo que la probabilidad sería del 5% (0.5 * 0.1 = 0.05). | Si aleatóriamente escogemos una persona en la calle, cual es la probabilidad de que dicha persona sea daltónica y hombre? (ya necesitamos la probabilidad conjunta) Tenemos que la probabilidad de que sea hombre es el 50%, de que sea daltónico y hombre el 10% si dicha persona es realmente hombre por lo que la probabilidad sería del 5% (0.5 * 0.1 = 0.05). | ||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | ==== Bayes ==== | ||
| + | Partiendo del teorema de Bayes que es: \\ | ||
| + | <m>P(A|B) = {P(B|A)P(A)} / {P(B)}</m> \\ | ||
| + | Si queremos determinar un parámetro a través de un experimento con Bayes miraríamos: | ||
| + | - B: Ocurrencia del experimento en las observaciones. | ||
| + | - A: El parámetro cogiendo el valor ''x''. | ||
| + | Podríamos mirarlo sin denominador, este, al fin y al cabo, es una constante y no depende del parámetro que deseamos determinar: \\ \\ | ||
| + | <m>P(param|data) = P(data|param)P(param)</m> \\ | ||
| + | * ''P(data|param)'' es denominada la función ''likelyhood''. Esta enlaza el parámetro con la probabilidad de obtener un dato específico. Representaría el modelo ya que dice qué dato podemos esperar tras observar un valor específico para el parámetro. | ||
| + | * ''P(param|data)'' es la probabilidad ''posterior'', la de encontrar un valor concreto para el parámetro dando los datos. Es una medida de nuestra creencia\certeza con respecto a la salida. | ||
| + | * ''P(param)'' es la probabilidad ''previa'' o ''prior'', es la creencia previa al experimento de encontrar ese valor concreto para el parámetro. Es subjetiva y mientras mayor sea la cantidad de datos su influencia será más pequeña. | ||
| + | |||
| + | === Un ejemplo... === | ||
| + | Un experimento sería lanzar una moneda 10 veces. Imaginemos que obtenemos 7 caras (H) y 3 cruces (T): THHHHTTHHH \\ | ||
| + | Queremos saber si la moneda es fiable o no. Para ello debemos calcular la probabilidad (//p//) de H (por ejemplo) el cual sería el parámetro. Si la moneda es fiable //p// sería 1/2. Neceistamos una likelyhood que podría ser: | ||
| + | * ''P(H|p) = p'' -> Probabilidad de sacar una H. | ||
| + | * ''P(T|p) = 1-p'' -> Probabilidad de sacar una T. | ||
| + | Escogeremos nuestra probabilidad preivia como ''P(p) = 1'' para toda //p//. \\ | ||
| + | En este problema el número de T y de H es lo importante, no el orden de estas por lo que no necesitamos calcular combinaciones ni permutaciones. \\ | ||
| + | Tenemos pues que... ''P(p|{7H3T}) = p⁷·(1-3)³ = P(H)·P(H)·P(H)·P(H)·P(H)·P(H)·P(H)·P(1-p(T))·P(1-p(T))·P(1-p(T))''. Ahora podemos ver que el valor más probable está cerca del 0.7 y que, a medida que el número de intentos aumenta este valor es más "seguro": \\ | ||
| + | {{ai:data_analysis:example_bayesian.png|}} \\ | ||
| + | Si hay pocos valores el likelyhood hace que la distribución sea más plana y probabilidad posterior es influida por la anterior. En cambio, si hay muchos valores el likelyhood coge fuerza y cada vez se acorta más el rango de //p//. | ||
| + | |||
| + | === Estadística bayesiana como modelo === | ||
| + | El resultado de realizar el test con Bayes es una distribución de por sí, es decir, una hipótesis. Como tal podemos construir un [[numbers:statistics#intervalos_de_confianza|intervalo de confianza]] para //p//. | ||
| + | La estadística bayesiana trata fácilmente con datos inexistentes (missing data), tatos en el tiempo, data sets hetereogeneos... Porque es una distribución, y como tal puede ser utilizada como input para un nuevo modelo jerárquico. \\ | ||
ai/data_analysis.1319571385.txt.gz · Última modificación: 2020/05/09 09:24 (editor externo)
Herramientas de la página
Excepto donde se indique lo contrario, el contenido de este wiki esta bajo la siguiente licencia: CC Attribution-Noncommercial-Share Alike 4.0 International
