Integra las herramientas vistas a lo largo del módulo Python: implementación manual de estimadores, simulaciones Monte Carlo, bootstrap y visualización de datos.
Laboratorio de Programación en Python y R — Docente: Ian Evangelos Bounos
El trabajo se divide en tres partes:
-
Parte 1 — Robustez ante contaminación de muestras
- 1.1: Comparación de sesgo y ECM empírico de la media y la mediana bajo distintos niveles de contaminación por outliers.
- 1.2: Estimación de una regresión lineal contaminada usando OLS (implementado a mano, con la fórmula matricial) y LAD (Least Absolute Deviations, minimizado con scipy.optimize.minimize).
-
Parte 2 — Paradoja de Simpson y variables omitidas Simulación de un modelo causal donde una variable X no tiene efecto directo sobre Y, pero el sesgo por variables omitidas hace que su coeficiente estimado cambie de signo según qué controles se incluyan en la regresión.
-
Parte 3 — Análisis empírico con Gapminder Análisis de convergencia hacia el promedio mundial y de atipicidad respecto al continente, para el país Honduras, usando el dataset Gapminder (1952-2007).
- Abrir el notebook TP_Python.ipynb en Google Colab (subiéndolo directamente o con el botón "Abrir en Colab" de arriba).
- Ejecutar Entorno de ejecución → Reiniciar y ejecutar todo.
- El notebook corre de principio a fin sin modificaciones ni dependencias externas más allá de las librerías estándar de ciencia de datos en Python (numpy, pandas, matplotlib, seaborn, statsmodels, scipy), todas preinstaladas en Colab.
- Aarón David Reyes Rubio