- El libro de texto de estadística del proyecto OpenIntro, Introduction to Modern Statistics, 2nd Edition, está disponible gratis en la web
- El contenido del libro siempre puede consultarse gratis en línea, y el PDF puede obtenerse en Leanpub gratis o por el monto de contribución que elijas
- La versión paperback en blanco y negro se vende por 25 dólares; la nota de copyright indica 2024 y la fecha de versión es el 31 de marzo de 2026
- Los materiales complementarios, incluidos diapositivas, prácticas y tutoriales interactivos, también pueden descargarse gratis en openintro.org/book/ims
- Este libro es una obra derivada de textos estadísticos previos de OpenIntro y se ofrece bajo la licencia CC BY-SA 3.0 Unported United States License
Libro gratuito de estadística de OpenIntro
- Introduction to Modern Statistics, Second Edition es un libro de texto de estadística de Mine Çetinkaya-Rundel y Johanna Hardin
- El libro se abrevia como IMS y forma parte del proyecto OpenIntro
- El sitio web está alojado en Netlify
Formatos de acceso y precio
- El contenido del libro está disponible siempre gratis en la web
- Puedes obtener el PDF en Leanpub mediante Download PDF
- El PDF se ofrece gratis o por el monto de contribución que el usuario elija
- La edición paperback en blanco y negro puede comprarse por 25 dólares
- La nota de copyright es de 2024 y la fecha de versión es 31 de marzo de 2026
Materiales complementarios y licencia
- El libro y los materiales complementarios pueden descargarse gratis en openintro.org/book/ims
- Los materiales complementarios incluyen diapositivas, prácticas y tutoriales interactivos
- Este libro es una obra derivada de OpenIntro Statistics 4th Edition y Introduction to Statistics with Randomization and Simulation 1st Edition
- La licencia es Creative Commons Attribution-ShareAlike 3.0 Unported United States License
- Los detalles de la licencia pueden consultarse en creativecommons.org
- Los archivos fuente están en GitHub: github.com/openintrostat/ims
1 comentarios
Opiniones de Hacker News
Creo que la educación en estadística se está transformando bastante gracias a la accesibilidad de las computadoras
Por ejemplo, se introduce la prueba de hipótesis mediante aleatorización[1] y se usan pruebas de permutación aleatoria[2]
Cuando aprendí estadística de la manera tradicional, solo aprendí una lista tipo recetario: “en esta situación va una prueba t, en aquella va una prueba chi-cuadrado”, y no entendía por qué había que usar esas pruebas ni de dónde salían
Para ver un enfoque parecido en un contexto algo distinto, también está [3]
[1]: https://openintro-ims2.netlify.app/11-foundations-randomizat...
[2]: https://en.wikipedia.org/wiki/Permutation_test
[3]: https://inferentialthinking.com/chapters/11/1/Assessing_a_Mo...
Gosset creó la prueba t y demostró su validez, pero a menudo a los estudiantes se les enseña a aplicarla como una caja negra, sin una comprensión fundamental de por qué funciona, lo cual no es bueno pedagógicamente
En este punto, creo que la estadística bayesiana es mucho mejor. Tiene una conexión muy profunda con la lógica y el isomorfismo de Curry-Howard, y también puede introducirse mediante distribuciones conjugadas con soluciones analíticas de forma cerrada
Lo más complejo es trabajo para la computadora, y con herramientas como STAN se pueden manejar distribuciones complejas mucho más sofisticadas que con métodos frecuentistas
Las pruebas de permutación me resultaron satisfactorias porque ordenaban cosas que ya conocía de la teoría de distribuciones, pero no sé si habrían tenido el mismo efecto si no hubiera sabido nada de teoría de distribuciones
Si estudias estadística matemática, no la aprendes como un recetario. En la etapa básica aprendes teoría de probabilidad y de distribuciones, varias distribuciones, y de ahí se desprenden la prueba de hipótesis, la regresión, el análisis de varianza, etc.
En cambio, los científicos de investigación suelen tomar cursos breves orientados a un área específica, por ejemplo estadística para biólogos, así que parece que se encuentran con la estadística como un conjunto de recetas
La distribución binomial es bastante concreta, así que ayuda a los estudiantes a captar el concepto de valor p, pero después, al pasar a la distribución normal, la distribución t, etc., todo se vuelve cada vez más abstracto y termina derivando en un recetario de “cuándo usar qué”
Valoro y me gustan los intentos pedagógicos en esta área, sobre todo en forma de materiales abiertos, pero realmente no me gusta que la estadística introductoria se enseñe de esta manera general
Espero que con el tiempo nos alejemos de las pruebas de significancia de hipótesis nula improvisadas y pasemos a un enfoque centrado en modelos lineales, y que el enfoque bayesiano se use como opción predeterminada
Creo que es posible incluso en cursos introductorios desde el principio, y el siguiente enlace sirve de referencia: https://lindeloev.github.io/tests-as-linear/#:~:text=Most%20...
Dicho eso, el enfoque de “bayesiano por defecto” me parece avanzar hacia un terreno un poco más incierto
Los ingenieros de software suelen tener esta capacidad, pero la mayoría de los usuarios de estadística no
Si intentas explicarles a científicos sociales a quienes no les gustan mucho los números ni las fórmulas la similitud entre estos métodos lineales y algo como “todo es uno”, es muy probable que se confundan más
Aun así, si hacen un experimento aleatorizado para estimar el efecto de ambos métodos con un modelo lineal adecuado, por favor avisen. Sería un experimento de 10/10
[1]: https://lindeloev.github.io/tests-as-linear/#41_one_sample_t...
Me alegra ver que Mine Çetinkaya-Rundel figura entre los autores
Mucha gente la conocerá por “R for Data Science”(https://r4ds.had.co.nz/), en el que contribuyó, pero también ha publicado muchos artículos excelentes sobre educación en ciencia de datos
Está, sin duda, entre los mejores docentes que he visto hasta ahora
Uno de mis libros favoritos sobre estadística y probabilidad es Regression and Other Stories, de Andrew Gelman, Jennifer Hill y Aki Vehtari
Se puede ver gratis aquí: https://users.aalto.fi/~ave/ROS.pdf
Me pregunto si existe un libro de etapa previa a la estadística que enseñe la mentalidad y los conceptos necesarios para entender la estadística
Si se entienden sólidamente las herramientas básicas de la probabilidad, la estadística se puede aprender con bastante facilidad
Sin esa comprensión, es muy probable que la estadística parezca un conjunto de recetas
En cambio, si uno está familiarizado con la probabilidad, puede formular matemáticamente el problema que realmente tiene y, con un poco de búsqueda, encontrar las herramientas estadísticas que necesita
No se necesita mucho más que cálculo básico
Mucha gente termina con barreras mentales del tipo “no soy bueno para las matemáticas” por malos profesores cuando era joven
Si simplemente te lanzas, no te vas a arrepentir
Quizá Ronald Fisher no haya usado bootstrap para calcular intervalos de confianza, pero la mayor parte del resto del programa parece haber sido creada prácticamente por él a principios del siglo XX :-)
Armé una chuleta integral para estudiar estadística: https://github.com/mavam/stat-cookbook
Me gusta que incluya aleatorización y bootstrapping
Pero me decepciona que el marco de hipótesis siga siendo NHST. En ningún sentido se lo puede considerar “moderno”
Para irse por Bayes habría que reescribir el curso por completo
He visto que se proponen intervalos de confianza como alternativa, pero también hay objeciones a eso
También he visto argumentos de que no debería usarse ninguna prueba de hipótesis
Dado que NHST sigue usándose ampliamente y no hay una alternativa clara, creo que no presentárselo a los estudiantes sería más perjudicial
Me pregunto cuáles son buenos libros de estadística para autoestudio
El libro enlazado es una introducción de primer año y cumple bien ese papel
Si quieres ir más allá, hay muchas opciones
Statistical Inference, de Casella y Berger, tiene muy buena reputación como libro que construye la estadística desde primeros principios. No voy a poner el enlace, pero con una búsqueda simple se puede encontrar un escaneo completo en PDF. Reseñas en Amazon: https://www.amazon.com/Statistical-Inference-Roger-Berger/dp...
Statistics, de Freedman, Pisani y Purves, también tiene muy buenas reseñas y se encuentra fácilmente en línea. Reseñas en Amazon: https://www.amazon.com/Statistics-Fourth-David-Freedman-eboo...
La mayoría de los libros del currículo central de ciencia de datos de Berkeley también están en línea. No son estadística pura, pero enseñan de una forma moderna que aprovecha la computación y la aleatorización, y cubren herramientas que vale la pena aprender
Data 8: https://inferentialthinking.com/chapters/intro.html, Data 100: https://learningds.org/intro.html, Data 140: http://prob140.org/textbook/content/README.html, Data 102: https://data102.org/fa23/resources/#textbooks-from-previous-...
No es que solo exista el currículo de Berkeley; hay decenas, quizá cientos, de cursos en línea. Pero el alcance es bastante amplio y, cuando investigué educación reciente en ciencia de datos, lo que más leí fue lo de Berkeley
Está dirigido a estudiantes de doctorado en áreas científicas, así que se enfoca en “cómo se puede usar la estadística para probar hipótesis científicas y discernir causalidad”
No entra en mucha profundidad matemática, pero espera que el lector tenga cierta intuición matemática y esté acostumbrado a analizar datos incluso sin estadística
En la práctica trata casi solo modelos bayesianos y cómo ajustarlos con computadora, por lo que cubre muy poco el enfoque frecuentista
También hay una serie de videos que lo acompaña: https://www.statlearning.com/
También vale la pena ver Introduction to Probability, de Joseph K. Blitzstein y Jessica Hwang. Está disponible gratis: http://probabilitybook.net (redirige a Drive)
Si te gusta, también vale la pena ver el similar Think Bayes
También está https://nostarch.com/learnbayes
Si ya tienes bases de estadística y quieres reaprenderla desde una perspectiva muy distinta, más causal y bayesiana, también puedo recomendar Statistical Rethinking