Lección 3 del curso Probabilidad Nivel Intermedio.
En la lección anterior entendimos qué es una distribución de probabilidad, un sencillo concepto que resulta fundamental en Ciencia de Datos y Machine Learning.
En esta lección veremos de forma práctica este concepto. Y para ello tomaremos diferentes sets de datos y, haciendo uso de herramientas de Python y librerías como Pandas y Seaborn, obtendremos e interpretaremos las gráficas correspondientes a las diferentes distribuciones de probabilidad:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Bien, acabamos de ver lo sencillo que resulta obtener la gráfica de una distribución de probabilidad a partir de los datos.
En esencia lo que debemos hacer es calcular y dibujar el histograma de los datos de interés y ajustar la escala vertical para garantizar que la misma corresponda a las diferentes probabilidades de ocurrencia de los diferentes eventos presentes en nuestras variables aleatorias.
Con los sencillos ejemplos que vimos en esta lección ya tenemos claro el concepto de variables discretas y continuas y hemos visto la forma de obtener sus respectivas distribuciones de probabilidad usando herramientas de programación en Python.
Y con esto cerramos este primer módulo del curso, donde hemos visto una introducción a este concepto de las distribuciones de probabilidad.
En el segundo módulo del curso nos enfocaremos en analizar las distribuciones de probabilidad para variables aleatorias discretas más usadas en Ciencia de Datos y Machine Learning.
Y específicamente en la próxima lección vamos a comenzar entendiendo dos conceptos básicos: qué son la función de probabilidad de masa y la función de distribución acumulada.
Todas las lecciones del curso Probabilidad Nivel Intermedio