fig, axes = plt.subplots(1, 3, figsize=(15, 4))
Número de eventos en un intervalo de tiempo (ej. cantidad de visitas que recibe un servidor web en una hora).
Visualizing distributions and correlations. Statsmodels: In-depth statistical modeling and tests. Scikit-learn: Applying stats to predictive modeling. Example: Checking Correlation fig, axes = plt
La estadística práctica te proporciona los lentes necesarios para interpretar los datos con rigor científico, evitando patrones falsos y sesgos costosos. Python simplifica la parte operativa, permitiéndote concentrarte en la interpretación de los resultados.
La regresión lineal simple y múltiple permite predecir una variable continua a partir de una o más predictoras. Statsmodels: In-depth statistical modeling and tests
import statsmodels.api as sm
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) Python simplifica la parte operativa
def bootstrap_ic(data, n_iteraciones=1000, confianza=0.95): medias = [np.mean(np.random.choice(data, size=len(data), replace=True)) for _ in range(n_iteraciones)] alpha = 1 - confianza return np.percentile(medias, [100 alpha/2, 100 (1-alpha/2)])
print(f"Prueba t: p=p_t:.5f") print(f"Mann-Whitney: p=p_mw:.5f")
import seaborn as sns sns.histplot(df['time_on_checkout'], bins=50, log_scale=True) plt.title("Time on Checkout: Log-normal distribution")