Aprende cuándo usar la correlación de Pearson, Spearman o Kendall en Python — y por qué un puntaje bajo puede significar que simplemente elegiste la herramienta incorrecta para tus datos.
Una guía de referencia sobre las distribuciones de probabilidad fundamentales —desde Bernoulli hasta Beta— que cubre fórmulas, historias generativas, código de muestreo en Python y errores comunes.
Una referencia completa sobre la prueba de hipótesis: valores p, tipos de error, potencia, correcciones para comparaciones múltiples y cómo elegir la prueba adecuada con ejemplos en Python.
Aprende cómo los a priori bayesianos, los a posteriori y las tasas base producen conclusiones más claras y accionables que los métodos frecuentistas — con ejemplos intuitivos en Python.
Aprende por qué realizar demasiadas pruebas estadísticas genera falsos descubrimientos y cómo las correcciones de Bonferroni y Benjamini-Hochberg te ayudan a dejar de perseguir ruido.
Descubre cómo el teorema del límite central convierte tus datos asimétricos y desordenados en curvas de campana confiables para que puedas aplicar intervalos de confianza y pruebas A/B en cualquier conjunto de datos.
Aprende cómo el método de remuestreo bootstrap te permite calcular intervalos de confianza para datos asimétricos sin depender de fórmulas de la distribución normal.
Aprende a distinguir si tu modelo reentrenado es genuinamente mejor o solo tuvo suerte usando la prueba de McNemar, la prueba de Diebold-Mariano y el tamaño del efecto antes de enviarlo a producción.
Aprende a gestionar los datos faltantes identificando los patrones MCAR, MAR y MNAR, y eligiendo entre la eliminación, la imputación y los indicadores para evitar modelos sesgados.
Aprende qué significa realmente el 95% de confianza —describe el proceso, no tu intervalo específico— con código en Python, ejemplos de pruebas A/B y una intuición clara.