¿Muestra o población?
Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 4 de 64.
Un apicultor pesó la miel de 5 colmenas, en kg. NumPy y pandas no coinciden en la desviación estándar:
values = [18, 22, 25, 19, 26]
print(np.round(np.std(values), 2))
print(np.round(pd.Series(values).std(), 2))Esto imprime:
3.16
3.54Ambos suman las mismas desviaciones al cuadrado y después dividen:
Dividir entre n es adecuado para una población: incluye todos los valores. Una muestra se concentra alrededor de su propia media, así que su dispersión parece pequeña; n - 1 lo compensa.
ddof=1 le da a NumPy la fórmula muestral: np.std(a, ddof=1) coincide con pandas. Los datos del modelo son una muestra: una discrepancia en la desviación estándar entre herramientas se debe a ddof, no a un error.
Desafío
FácilUna bióloga obtuvo dos desviaciones estándar distintas para las envergaduras de unos murciélagos, en cm. El código inicial las lee en el array spans y la Serie column; su comprobación imprime False.
- Los murciélagos son una muestra: corrige la línea de NumPy para que ambas herramientas den la desviación estándar muestral.
- Debajo, imprime cuánto queda por debajo la opción predeterminada de NumPy
np.std(spans)respecto acolumn.std(), con 2 decimales.
Para las envergaduras 33, 27, 30, 35 y 29:
Sample std: 3.19 cm, tools agree: True
Dividing by n underestimated it by 0.34 cmPruébalo tú mismo
import numpy as np
import pandas as pd
n = int(input())
values = []
for i in range(n):
values.append(int(input()))
spans = np.array(values)
column = pd.Series(values)
# Esta comprobación imprime False: corrige la línea de NumPy para que ambas herramientas den la desviación estándar muestral
numpy_std = np.round(np.std(spans), 2)
pandas_std = np.round(column.std(), 2)
print(f"Sample std: {numpy_std} cm, tools agree: {numpy_std == pandas_std}")
# Escribe tu código a continuación
Ponte a pruebaEsta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.
Todas las lecciones de Estadística para ML
1Centro y dispersión
Media y medianaPercentiles y cuartilesVarianza y desviación estándar¿Muestra o población?El valor más frecuenteRepaso: tiempos de entrega4Muestras y poblaciones
Población y muestraLas medias muestrales varíanLa distribución muestralMuestras más grandes, menos ruidoRepaso: Encuestar a un pueblo7Líneas de tendencia
ResiduosAjuste por mínimos cuadradosTrazar el ajustePredecir con una línea¿Qué tan bueno es el ajuste?Repaso: horas de práctica10Codificación de categorías
Categorías como númerosCodificación one-hotAgrupación de números en intervalosRepaso: anuncios de autos2Distribuciones
Histogramas de densidadFormas de los datosCurva normalRegla del 68-95-99,7Puntuaciones zRepaso: duración de la batería5Valores atípicos
Diagramas de cajaLa regla del RICLa regla del valor ZTratamiento de valores atípicosRepaso: fallos de los sensores3Probabilidad mediante simulación
La probabilidad como frecuenciaLa ley de los grandes númerosSuma de dadosValor esperadoProbabilidad condicionalRepaso: probabilidades del puesto de dados6Relaciones
Lectura de diagramas de dispersiónCorrelaciónMatriz de correlaciónMapas de calor de correlaciónCorrelación no es causalidadRepaso: helado y sol9Escalado de características
Por qué escalar las característicasEscalado mín-máxEstandarizaciónStandardScalerRepaso: compañeros de escaladaPractica por tu cuenta: Compilador de Python online