Proyectos de Análisis Estadístico con Python 📊🐍

¡Bienvenido al repositorio de proyectos de análisis estadístico con Python! Este repositorio contiene una serie de proyectos prácticos que cubren diversos aspectos del análisis estadístico utilizando el lenguaje de programación Python.

Contenido del Repositorio 📁

Frecuencia y Medias 📈

• Análisis Descriptivo: Exploración inicial de los datos utilizando medidas estadísticas como la media, mediana y moda.
• Distribución de Frecuencias: Visualización de la distribución de los datos utilizando histogramas y gráficos de barras.
• Medidas de Tendencia Central: Cálculo e interpretación de medidas como la media, mediana y moda para entender el centro de los datos.
• Medidas de Localización: Identificación de los valores que se encuentran en diferentes posiciones dentro de un conjunto de datos, como los percentiles.
• Medidas de Dispersión: Evaluación de la variabilidad o dispersión de los datos mediante medidas como la desviación estándar y el rango intercuartílico.

Probabilidad y Muestreo 🎲

• Distribución Binomial: Aplicación y comprensión de la distribución binomial en eventos con dos resultados posibles.
• Muestreo: Métodos y técnicas para seleccionar una muestra representativa de una población más grande.
• Estimación: Cálculo de estimaciones puntuales y por intervalos para parámetros de interés en una población.
• Cálculo de la Muestra: Determinación del tamaño necesario de la muestra para obtener resultados significativos.

Test de Hipótesis 📝

• Prueba de Hipótesis: Métodos para evaluar afirmaciones sobre los parámetros poblacionales utilizando datos muestrales.
• Prueba de Hipótesis para una Media: Pruebas estadísticas para determinar si la media poblacional es igual a un valor específico.
• Prueba de Hipótesis para Diferencia de Medias: Evaluación de diferencias entre dos medias poblacionales utilizando pruebas paramétricas y no paramétricas.
• Prueba Chi-Cuadrado: Aplicación de la prueba chi-cuadrado para comparar la distribución observada de datos con una distribución esperada.
• Prueba No Paramétrica: Utilización de pruebas estadísticas que no requieren supuestos sobre la distribución subyacente de los datos.

Test Estadístico 📊

• Explorando la Distribución de las Muestras: Visualización y análisis de la distribución de los datos muestrales.
• Test de una Muestra: Pruebas para evaluar si la media de una muestra es igual a una determinada población.
• Otros Test Estadísticos: Utilización de pruebas Z para muestras grandes y pequeñas, así como otras pruebas para comparar distribuciones o muestras.

Regresión Lineal I 📈

• Comportamiento de la Variable Dependiente Y: Análisis de la variable objetivo y su distribución en relación con las variables explicativas.
• Variable Dependiente vs Variable Explicativa: Exploración de la relación entre la variable dependiente y las variables explicativas mediante gráficos de dispersión y pairplots.
• Datasets de Entrenamiento y Prueba: División de los datos en conjuntos de entrenamiento y prueba para evaluar el rendimiento del modelo.
• Comparando Modelos: Evaluación de diferentes modelos de regresión lineal y selección del mejor ajuste.
• Guardando y Cargando el Modelo Estimado: Almacenamiento del modelo entrenado para su posterior uso y reutilización.

Regresión Lineal II 📉

• Análisis Preliminar: Evaluación inicial de la relación entre las variables y la idoneidad de la regresión lineal.
• Análisis Gráfico: Visualización de los datos y la relación entre las variables mediante gráficos.
• Transformación de Variables: Aplicación de transformaciones a las variables para mejorar el ajuste del modelo.
• Regresión Lineal con StatsModels: Implementación de modelos de regresión lineal utilizando la biblioteca StatsModels.
• Regresión Lineal con Scikit-Learn: Construcción de modelos de regresión lineal utilizando la biblioteca Scikit-Learn.

Requisitos de Instalación 🛠️

Para ejecutar estos proyectos, necesitarás tener instalado Python en tu sistema. Además, se recomienda el uso de un entorno virtual para mantener las dependencias del proyecto separadas de otras instalaciones de Python en tu máquina. Puedes crear un entorno virtual utilizando el siguiente comando:

python -m venv venv

Luego, activa el entorno virtual con el siguiente comando:

• En Windows: venv\Scripts\activate
• En macOS y Linux: source venv/bin/activate

Finalmente, instala las dependencias del proyecto utilizando el archivo requirements.txt con el siguiente comando:

pip install -r requirements.txt

Ejecución de los Proyectos ▶️

Cada proyecto se encuentra en su carpeta correspondiente dentro de este repositorio. Para ejecutar un proyecto específico, navega a su carpeta y sigue las instrucciones detalladas en su propio README.md.

Contribuciones 🚀

¡Las contribuciones son bienvenidas! Si deseas mejorar alguno de los proyectos existentes o agregar uno nuevo, no dudes en hacer un fork de este repositorio, realizar tus cambios y enviar un pull request.

Esperamos que estos proyectos te ayuden a mejorar tus habilidades en análisis estadístico con Python. ¡Disfruta explorando el mundo de los datos! 🎉