Libro Estadística

Los estadísticos son insuficientes para conocer una variable; la siguiente figura es muy conocida y presenta una serie de pares de datos $X$ e $Y$ con los mismos estadísticos que son completamente diferentes: Disponer de los estadísticos es insuficiente para conocer cómo son los valores que toma una variable, cómo se distribuye. Se torna necesario describir mejor ese comportamiento mediante análisis gráficos. En capítulos anteriores se trabajó con las posibilidades que ofrece ggplot2 para visualizar datos. A continuación, se desarrollan esas posibilidades y se estudia cómo describen nuestros datos esos gráficos. ...

Descripción numérica de variables Se comienza con la recopilación de datos, la tabulación de los mismos y el establecimiento de la tipología y el rol que juegan estos en el conjunto de datos. Establecido ese marco, es necesario describir los datos; recordemos que, por sí mismos, los datos no dicen nada, no resuelven nada. Esa información la suministra un análisis. Transformar datos in información Recordando lo tratado en el capítulo 2, el álgebra lineal define el análisis estadístico; la estructura más sencilla es el vector, donde aplicaría el análisis univariable: el inicio de todo. Si se dispone de más de una variable, ya podemos disponer esa serie de datos in forma matricial; buscar estructuras dentro de esas matrices nos produce el análisis multivariable. Conforme ha mejorado la capacidad de computación, se han podido crear sistemas estadísticos capaces de aprender de los propios datos; al conjunto de análisis basados en estos sistemas se le denomina machine learning. Actualmente se está avanzando más: hay entornos más sofisticados capaces de trabajar con tensores matemáticos, estructuras algebraicas multidimensionales que permiten implementar algoritmos que imitan los procesos de aprendizaje humano; este conjunto de técnicas y algoritmos se recogen dentro del ámbito de la inteligencia artificial. ...

Además del manejo de datos, es necesario tener conocimientos de representación de datos. En este trabajo se va a emplear la librería de R ggplot2 y se trabajarán las representaciones gráficas básicas que ha de manejar un científico de datos. Se pueden explorar las múltiples posibilidades que ofrece esta librería en la web Statistical tools for high-throughput data analysis, que dispone de un gran número de recursos para R entre los que destaca el uso del paquete ggplot2. ...

Además de manejar los datos de un data.frame, en ocasiones es necesario realizar uniones entre conjuntos de datos para crear o añadir nuevas variables a un data.frame que es una base de observaciones inicial. Se pueden establecer dos tipos de uniones fundamentales: uniones verticales de tablas y uniones horizontales. Las uniones verticales serán las concatenaciones de data.frames (poner una estructura de datos encima de otra) y las uniones horizontales serán las que se denominarán join. ...

Universo tidyverse En el capítulo anterior se iniciaba el método dialéctico a utilizar en el resto del ensayo, fundamentado en la idea de transformar datos in información mediante análisis estadístico con el software R. Los datos a explotar tienen una estructura tabular que llamamos data.frame. Esta estructura contiene observaciones y variables sobre las que se fundamenta la labor del científico de datos, ya que son ellas las que plantean y resuelven problemas. Para trabajar con data.frames in R, disponemos de un entorno conocido como tidyverse que engloba un gran número de librerías. ...

Qué son los datos Los datos están in boca de todos, «la nueva revolución industrial», «el nuevo petróleo», «el nuevo plutonio»… pero ¿qué son los datos? Si nos dirigimos al diccionario de la Real Academia, tenemos: m. Información sobre algo concreto que permite su conocimiento exacto o sirve para deducir las consecuencias derivadas de un hecho. A este problema le faltan datos numéricos. m. Documento, testimonio, fundamento. m. Inform. Información dispuesta de manera adecuada para el tratamiento por una computadora. Base de datos: Conjunto de datos organizado de tal modo que permita obtener con rapidez diversos tipos de información. Parece que la tercera acepción es la correcta, pero los datos no son información: nos van a permitir obtener información; esta se obtiene mediante un análisis estadístico. Disponer datos de forma organizada no es información. Es la estadística, a través de un análisis descriptivo, a través de un modelo o a través de un algoritmo, la que obtiene la información. Un científico de datos es un gestor: coge datos y los transforma in información a través de análisis estadísticos más o menos complejos. ...

En Twitter ya hice mención a la creación de un libro/ensayo de introducción a la Estadística para científicos de datos con R. Me preocupaba cómo compartir el libro y cómo podría ser útil a alguien que se está introduciendo en la ciencia de datos. Estoy escribiendo un libro: Estadística para científicos de datos con R. ¿Lo subo a Git? ¿Lo acabo y hago la web? ¿Lo pongo en el blog por entregas? ...