@s.sagakis: P

S Sagakis
S Sagakis
Open In TikTok:
Region: GB
Thursday 29 October 2026 14:16:46 GMT
0
0
0
0

Music

Download

Comments

There are no more comments for this video.
To see more videos from user @s.sagakis, please go to the Tikwm homepage.

Other Videos

El bootstrap no te da más datos. Te enseña cuánto puedes fiarte de los que ya tienes. Imagina que tu jefe te da los datos de 100 clientes y te pide el gasto mediano. Lo calculas, y te pregunta cuánto puede fiarse de ese número. No puedes pedir otros 100 clientes: solo tienes esta muestra. Así que escribes cada cliente en una bola, las metes en una bolsa, sacas una, apuntas su gasto y la vuelves a meter. Con reemplazamiento, así que algunos clientes salen varias veces y otros ninguna. Repites hasta tener otra muestra de 100, calculas la mediana y empiezas de nuevo, miles de veces. El resultado no es un número, es una distribución completa del estadístico. Si casi todas las medianas caen en un rango estrecho, tu resultado es estable. Si se dispersan mucho, dependía de la suerte de qué clientes te tocaron. De ahí sacas el error estándar o un intervalo de confianza con los percentiles 2,5 y 97,5. Es tan útil porque para muchos estadísticos no existe una fórmula cerrada del error: medianas, cocientes, correlaciones o la métrica de un modelo de Machine Learning. Con bootstrap no deduces, simulas. Tu muestra es la mejor aproximación que tienes de la población, y remuestrearla imita lo que pasaría al muestrear la población real. Tiene límites: si la muestra es pequeña o sesgada, el bootstrap hereda el problema, porque no inventa información que tus datos no contienen. Y funciona mal con estadísticos extremos, como el máximo. Comenta COMUNIDAD y te envío el enlace a Outliers In Data. #Bootstrap #Estadistica #DataScience #CienciaDeDatos #machinelearning
El bootstrap no te da más datos. Te enseña cuánto puedes fiarte de los que ya tienes. Imagina que tu jefe te da los datos de 100 clientes y te pide el gasto mediano. Lo calculas, y te pregunta cuánto puede fiarse de ese número. No puedes pedir otros 100 clientes: solo tienes esta muestra. Así que escribes cada cliente en una bola, las metes en una bolsa, sacas una, apuntas su gasto y la vuelves a meter. Con reemplazamiento, así que algunos clientes salen varias veces y otros ninguna. Repites hasta tener otra muestra de 100, calculas la mediana y empiezas de nuevo, miles de veces. El resultado no es un número, es una distribución completa del estadístico. Si casi todas las medianas caen en un rango estrecho, tu resultado es estable. Si se dispersan mucho, dependía de la suerte de qué clientes te tocaron. De ahí sacas el error estándar o un intervalo de confianza con los percentiles 2,5 y 97,5. Es tan útil porque para muchos estadísticos no existe una fórmula cerrada del error: medianas, cocientes, correlaciones o la métrica de un modelo de Machine Learning. Con bootstrap no deduces, simulas. Tu muestra es la mejor aproximación que tienes de la población, y remuestrearla imita lo que pasaría al muestrear la población real. Tiene límites: si la muestra es pequeña o sesgada, el bootstrap hereda el problema, porque no inventa información que tus datos no contienen. Y funciona mal con estadísticos extremos, como el máximo. Comenta COMUNIDAD y te envío el enlace a Outliers In Data. #Bootstrap #Estadistica #DataScience #CienciaDeDatos #machinelearning

About