Entradas

Prueba de Chi cuadrada para independencia y bondad de ajuste| Chi square Test in R

-
Imagen
Hola! Bienvenidos nuevamente. En este nuevo encuentro estadístico hablaremos sobre la prueba Chi cuadrada utilizando para ello, cómo no, la distribución Chi cuadrada donde se aplicará como criterio de decisión para rechazar o no rechazar la hipótesis nula en nuestro problema establecido.Al final de cada ejemplo presentado se mostrará el código en R para ejecutarse y los resultados. Primeramente, debemos hablar sobre la distribución Chi cuadrada y cómo varía dependiendo de los grados de libertad.   Chi square distribution varying degree of freedom Podemos observar la variación de la curvatura al variar los grados de libertad, con ello el área balo la curva variará igualmente. Esto nos servirá para comparar nuestro χ2 calculado para la prueba con el χ2 de tabla, con grados de libertad establecidos. Dicho esto, debemos formular la prueba estadística a utilizar en nuestra problemática: En el caso de bondad de ajuste o goodness of fit , se deberán calcular los valores esp...
Publicar un comentario
Leer más

Diagrama de caja - Construction of BoxPlot and Basic Stats with Python - Pandas

-
Imagen
# # Construction of BoxPlot and Basic Stats with Python Bienvenidos nuevamente! Adjunto a ustedes el código de explicación de funciones básicas en Python (Pandas, Numpy) utilizando el Jupyter Notebook. Aquí encontrarán uso de media, moda, mediana y rango intercuartílico así como gráficos importantes en la exploración de los datos como ser Diagrama de cajas (BoxPlot) e histogramas. Igualmente, les adjunto de manera insertada el vídeo de dicha explicación. --------------------------------------------------------------------------------------- import pandas as pd from pandas import read_csv from scipy import stats datosNB = pd.read_csv('Documents/Canal Yout/Stats with Python/birth2011.csv',sep=',') datosNB = datosNB.sample(n=500) datosNB.head() DOB_MM DOB_WK OCNTY MAGER MRCNTY FAGECOMB DWGT DMETH_REC APGAR5 SEX COMBGEST DBWT 0 1 7 127 24 999 25.0 160 1 9 M 38 3090 1 1 7 25 19 25 21.0 143 1 9 F 39 3062 2 1 1 999 25 999 45.0 172 1 10 F 39 3062 3 1 ...
Publicar un comentario
Leer más

Random Forest in R - Bosque Aleatorio en R / Rstudio - Ejemplo con Data Iris

-
Imagen
# -------  Bienvenido------- # Raul Valerio - Statistics Hola Nuevamente!! Quiero agradecerles el placer de su lectura.  En este documento encontrarán el código utilizado para correr un programa con Random Forest y una explicación en vídeo con la completa explicación de que significa y cuando ulitizar el algoritmo. --------------------------------------------------------------------------------------- # Carga el paquete específico del método Random Forest library(randomForest) # Porque random forest? # ----->>> bootstrap aggregation ( Bagging )        N,  m samples # ----->>> random subset of the features. 10 features --> #For classification, the default value for m is sqrt(p) and the minimum #node size is one. #For regression, the default value for m is p/3 and the minimum #node size is five. # cuando usar random forest?   clasificacion supervisada solamente?   # -> majority vote ...
Publicar un comentario
Leer más

Modelos lineales en R - Regresion lineal multiple

-
Imagen
Hola y Bienvenido!! Les comparto a ustedes el código escrito en R / Rstudio para el ejemplo del vídeo que adjunto. Estos ejemplos tratan sobre la regresión lineal múltiple, donde se crea un modelo lineal y haremos uso de pruebas de normalidad, igualdad de varianza, stepAIC  y ANOVA para obtener el mejor modelo posible. Sigue aquí  el código utilizado: #  mtcars is dataset ready to use in R         # mpg: miles per gallon    # disp: displacement    # hp: horse power    # wt: weight of the car   input <- mtcars[,c("mpg","disp","hp","wt")] print(head(input))             # Create the relationship model.   #  mpg = a + b1*disp + b2*hp + b3*wt + e   #  e ~ N(0,s^2)      , test these assumptions mymodel <- lm(mpg~disp+hp+wt, data = input)  # Show the model. summary(mymodel) confint(mymodel) coef(mymodel)   ...
Publicar un comentario
Leer más

Modelos lineales - Regresion lineal simple

-
Imagen
# En esta publicacion quiero compartir con ustedes el codigo de mi video que abajo comparto #sobre modelos lineales para regresion lineal simple. ####  ------------   problem 1--------------------# # Values of height   ---- predictor # 151, 174, 138, 186, 128, 136, 179, 163, 152, 131 # Values of weight.  ---- response # 63, 81, 56, 91, 47, 57, 76, 72, 62, 48 ## ---- using  lm function --- x <- c(151, 174, 138, 186, 128, 136, 179, 163, 152, 131) y <- c(63, 81, 56, 91, 47, 57, 76, 72, 62, 48) plot(y,x) # En este capitulo una explicacion sobre regresion lineal simple. #Igualmente, la introduccion a este capitulo lo encuentra aqui: # Apply the lm() function. ## model:     height = a + b*weight ## Proposed model is:  height=  a +  b*weight  + e ## e ~  N(0, s^2) ## ## Ho: b=0 ## HA:  b not equal to 0 #  model = lm( formula= var1~ var2 ,data= mydata) relation ...
Publicar un comentario
Leer más

Ciclo While en python

-
Imagen
#Creamos una archivo llamado  rolldices.py #Primero debemos importar la funcion random para generar de manera aletoria los numeros de dos #dados que usaremos import random # Establecemos los maximos y minimos valores para los numeros aleatorios max=6 min=1 #Esta variable sirve como bandera para entrar y terminar el ciclo while roll_again="yes" #Todo  codigo a la izquierda del while se encuentra dentro del while while roll_again=="yes" or roll_again=="y":        # Si la variable bandera es igual a yes o y      print("Rolling the dices...")                               # El ciclo while continua      print("The values are...")      print( random.randint(min,max))      """ print entre parentesis"""      print(random.randint(min, max))      roll_again=input("Roll the dices ...
Publicar un comentario
Leer más

Declarando funciones en Python

-
Imagen
# Creamos un archivo llamado funciones.py para luego ejecutarlo ##funcionR def funcionR(valor):     x = valor*4     #  el valor ingresado multiplicado por 4     return x             # imprime el valor de x # Todo a la izquierda de def significa esta dentro de la funcion #Esta funcion regresa el valor de x ##funcionB def funcionB(valor):     x = valor**4     #  el valor ingresado elevado a la 4     return x             # imprime el valor de x ## Programa principal x=5 print( funcionR(x) )         # imprimimos la salida de la funcionR print( funcionB(x) )         # imprimimos la salida de la funcionB ## La salida se muestra a continuacion
Publicar un comentario
Leer más