Clase modelo - "Análisis exploratorio de datos y toma de decisiones"

Webinar eh yo no los eh No ver los rostros de ustedes pero tengo el tengo la ventana del chat del q&a y de participantes somos ya un grupo más de 100 lo cual este me llena de Orgullo y agradecimiento Así que eh esta Va a ser una clase singular Espero que estén preparados porque preparé algo eh creo que bastante extenso pero pero a la vez bastante bonito Eh sobre uno de los temas más Importantes en términos de análisis de datos una clase con algunas adaptaciones que doy en el máster de en el exec master marketing

eh Y una versión de esta de esta clase también la doy en en el executive master de business analytic del cual yo soy egresado y en el cual he dado clases fui profesor de predictive analytics 1 así que eh lo primero que tengo que decirles Bienvenidos a clase hoy vamos a hablar análisis exploratorio de datos Y toma de Decisiones Okay no sé si ellos pueden desmutear su micrófono eh Ale y Daniela algunos de ellos podrían Solo para saber si puedo hacer preguntas y esperar que me respondan de voz o solo responderme por chat eh sería

responder por chat Okay solo responder por chat entonces voy a empezar haciendo un pequeño experimento a ver qué tal eh se sienten ustedes eh vamos a ver cómo nos sale esto entonces imagínense lo siguiente imagínense que Ustedes son eh el decano de la Universidad de berkley en California una universidad importante y acaba de llegar el eh jefe de admisiones que ustedes tienen y le presenta una tabla con datos sobre el último proceso de eh de admisiones y les muestra eh la siguiente tabla y dice vea Sr decano o señora decana Aquí tenemos este es nuestro

resultado del proceso de admisión hemos eh logrado recibir 12763 aplicaciones eh este 8442 F hombres 4321 para mujeres y esto que está aquí es el eh Cómo fue el proceso de admisión Qué le parece y la pregunta que yo les hago a ustedes es si ustedes fuesen el decano se preocuparían verían algo preocupante en estos datos respóndame en el chat por favor díganme no me digan solo Sí verdad díganme Sí la verdad me preocuparía esto específicamente menos mujeres que Hombres dice Mari Martínez este muy bien Carlos dice que no eh María Fernanda sí por la

desigualdad la diferencia de género no sumas 100% dice persy eh A ver me preguntaría Por qué menos mujeres que hombres dónde te preguntarías eso elvin Por qué menos mujeres aquí a ver a mí me preocuparía la desproporción de género no se lograron las metas de admisiones no sabemos Cuáles son las Metas Eduardo el porcentaje bajo de admitido menos del 50% solo alrededor del 50% mujeres en el número de admis de aplicaciones sí vean varios de ustedes han dicho algo muy muy importante no les respondo a los que dicen esto no suma 100 están sumando así

Y eso es un error porque este porcentaje no está calculado así está calculado así está calculado por filas no por columnas entonces varios de ustedes señalan y lo voy a poner en rojo que hay Una diferencia aquí importante es una diferencia concretamente del 99% Sí y eso puede significar eso puede significar este que ahí dice Fabricio por ejemplo el porcentaje de admisiones de hombres es mayor al de mujeres me preocuparía que hay menos mujeres pero en proporción a la mitad a las admitidas es más alto las mujeres admitidas no es más alto es más bajo

si usted es mujer si se notan tiene 35 por de probabilidad de que la admitan si usted es hombre es 44 de probabilidad entonces hay un G Y ustedes como decanos deberían decir bueno Alarma alarma con esto si les muestro la tabla con más datos si les muestro las tablas con más datos pueden ver esto claramente Cómo suma 100% por fila se dan cuenta si escuchan gritos de hijos de niños son mis dos hijos que están aquí en la casa haciendo Eh bullas así que de una vez me disculpo estamos en pandemia verdad Entonces vean

aquí está Esta es una es La misma tabla con información redundante verdad Porque si yo tengo los admitidos pues para calcular los rechazados Es simplemente los este este que está aquí Este esta cifra que está aquí menos esta cifra que está aquí no es información prante no la tengo que poner pero la pongo para que vean eh que que en efecto suma bien Ahora la pregunta que les hago a ustedes es hay discriminación de género en ber debería el decano Llamar a su Departamento de PR y y decir vayamos preparando un statement porque aquí nos

va a caer la prensa como un saco de ladrillos y nos vamos a meter en un verdadero problema Creen ustedes que discriminan si ustedes fueran los analistas de datos este Cuántos estudiantes admitir vamos a decir que admitimos eh eh que llegamos al top de los que podíamos admitir que sería la suma de esos 5227 tengo el chat deshabilitado dice Jaqueline eh pero pueden A ver sixto dice no lo creo Supongo que fue por competencias Y capacidad eh eh aún cuando hay practicando la Prácticamente la mitad de aplicaciones de mujeres las aplicaciones son muchas y las

misiones pocas el hecho de que las admisiones sean pocas lo que habla es de la dificultad que hay para entrar a esa universidad El problema es que la Dificultad Debería ser equivalente en hombres y mujeres cierto es decir deberían haber más o menos la misma proporción de hombres que de mujeres admitidas y no hay así no creo que discrimin dice Isabel ya que desde Ay Se me movió la admisión el número de mujeres es menor pero es que el número de mujeres es menor es algo que no controlamos Isabel yo no puedo controlar o controlamos

menos uno podría decir que lo controla con Target en marketing Etcétera no Este pero se controla menos eso lo que yo sí puedo controlar es que del total de los que vienen Cuántos Admito eso sí lo controlo yo okay Entonces no creo que hay discriminación diría que el número de aplicaciones es lo preocupante puede ser Andrea eh Jaime dice si hay Jaime puso un asterisco creo que es una corrección algo que dijo más arriba pero no veo tu comentario tu primer comentario eh Isabel dice no creo que quei número dice lo leímos Corrección aplicación entonces

vean les voy a mostrar esto vemos Ya más abierta no tan webinar con tanta gente la discusión es un poquito más bonita más amplia eh pero hagámosla rápidamente así si yo les muestro esto que están viendo ahorita es eh Estas son las seis estas que están aquí las voy a poner amarillo son las seis escuelas más populares de berkley eh si ustedes suman este total acá no les llega los 12000 y pico no es no es Es distinto los 12000 y pico que habíamos visto de admisiones verdad Pero ahora qué tengo tengo hombres tengo mujeres

Sí y tengo ahora Cuántos aplicaron por escuela y cuántos aplicaron Eh cuántos hombres por escuela cuántos hombres Cuántas mujeres por escuela y cuál es el porcentaje de admitidos qué les llama la atención ahora de esto a ver quién puede decir algo Dani ellos no pueden escribir en el chat Nada les puedo habilitar el chat pero en realidad por esta sección se puede también escribir to a ver qué les parece ven ahí es mayor el número de aplicaciones de los En dónde abrah muy pocas mujeres aplicaron al departamento B correcto poner aquí y Qué característica tiene

el departamento B Eduardo el departamento B Es un departamento difícil o fácil de entrar es relativamente fácil verdad dejan pasar al 63 de los hombres y dejaron pasar al 68 por de las mujeres de hecho vean el a el a dejó pasar al 6% de los hombres y al 8% de las mujeres la cantidad de admisiones de la c a la f Qué pasa de la c a la f Leonel a ver Es que yo preguntas y tengo que ver el interés difiere de acuerdo a la carrera Algunas a ver a ver a ver algunas

son preferidas por varones y otras por mujeres muy bien ex probablemente ingenieras vean el comentario de Isabel voy a ir rápido aquí porque quiero que nos dé chance de ver todo toda la clase pero vean que qué interesante la la observación de Isabel vean esto si nosotros podemos at tabular los eh el número de aplicaciones por género nos damos cuenta que los hombres vamos a poner vamos a ser estereotipados Chicos y me perdonan esto pero simplemente con fines pedagógicos voy a poner Azul los Caballeros y vamos a poner Rosa las mujeres Okay eh Dónde están

los hombres dónde aplican los hombres más el hombre aplica más eh en a aplica más en B Ahí está en D cierto y cuarto en C vamos a poner eso así quinto es el F y sexto es este y las mujeres dónde aplican de Primero aquí después Aquí lo están viendo verdad está ahí la tablita Después aquí después aquí después aquí y después aquí y noten esto que está acá ves qué es lo que qué es lo que ocurre ahí lo que ocurre ahí es qué es A ver quién me puede decir a ver si

realmente hay discriminación o no el interés difiere de acuerdo a la carrera algunas son preferidas por h otras por mujeres había dicho Isabel se discrimina o No A ver no hay nadie escribiendo No hay discriminación dice Johana A ver pues lo que está ocurriendo aquí a ver Natalia Ortiz r hand pero creo que no les puedo dar la les puedo cuando levanten la mano les puedo dar la palabra tengo tres manos levantadas No les podemos activar el micrófono dan gente Juan Carlos y bueno ahorita Juan Carlos Y no se puede porque estamos chicos nos manejamos

por chat qué es lo que ocurre aquí que ocurre aquí si lo vemos bien Es que las mujeres parecen aplicar losos entes sí los hombres como somos muy cómodos aplicamos a los departamentos donde es más fácil entrar y por eso sí que es estos dos por eso no es más fácil en cambio las mujeres ya habíamos visto dónde estaban las mujeres más frecuentemente aquí que aceptan el 34 por más o menos una tercera parte de Los aplicantes y la segunda más popular entre las mujeres es esta vean Ay perdón me salió choro Este es un

ejercicio eh Incluso el porcentaje de admisión es mayor en la mayoría de los casos muy bien Isabel exactamente Entonces no hay discriminación lo que ocurre es que las mujeres aplican a departamentos más exigentes Este es un ejercicio que a mí me gusta mucho poner en clase porque me permite hacer la pregunta de qué es lo Que nos pasa Por qué a veces saltamos a conclusiones tan rápidamente no eh Y lo que nos pasa eh claramente Es que a veces nos dejamos llevar mucho por la intuición y la intuición en un contexto en un mundo Cada

vez más complejo es una mala consejera sí mucho de la gerencia se suele soportar en termas de intuición verdad antes ser el gerente experto como decíamos como decía una jefa que yo quiero mucho decía este está corrido en Siete plazas decía ella y refiriéndose que ha visto todas las películas Entonces él nada nada no lo sorprende y muchos de esos gerentes a veces toman decisiones eh sobre la base de la intuición y está bien la intuición es importante nadie está desacreditando la intuición pero como podemos ver una orientación analítica nos permite romper algunos sesgos a

los que caemos rápidamente si cuando uno hace este ejercicio y se permite una discusión un Poco más abierta algunos van a ser Pro Mira sí estamos discriminando otros con una orientación un poquito más analítica no pero ya vamos a párteme un poquito la la la la Data veamos lo más desagregado ponémela por departamento etcétera no de eso se trata un poco el tema de análisis exploratorio de datos y de toma de decisiones desarrollar una forma de aproximarse a la información que complemente la intuición porque la intuición hoy en día no es suficiente no Lo es

yo soy como vieron en la introducción psicólogo y yo soy un psicólogo con una una visión un tanto pesimista o negativa de los seres humanos yo creo que nosotros somos muy limitados nuestro sistema de cognitivo desafortunadamente nosotros no somos como el iPhone que cada año nos dan un upgrade del sistema operativo eh Tenemos el mismo sistema operativo que teníamos hace 2000 años y el mundo se nos ha Hecho increíblemente más complejo entonces muy fácilmente caemos en errores de juicio y tomamos malas decisiones y nos dejamos llevar solamente por lo que procesamos con nuestro cerebrito no

un chiste que a mí me gusta poner este de dilber por supuesto dice un estudio dice que el 74 de los managers piensan que están por encima del promedio eso significa que 36 de los managers no se dan cuenta que ellos también están Por encima del promedio dice no eh Entonces dilbert se burla del jefe y le dice de la forma en la que yo lo veo eso significa que ustedes todos están en el top 110 por y el otro dice exacto no ese es el problema de no tener una orientación este eh analítica de

no saber hacer De no ser Data alfabetizado Si se quiere no y eh eso por eso es que les pongo este tipo de experimentos pero la buena noticia Es que yo soy bastante optimista dentro de Eso y esta introducción que les quería hacer a la clase pasa por eso no por demostrar Cómo podemos empezar a ver los datos Y con haciendo un par de preguntas y entendiendo Cómo se construyen las variables etcétera podemos nosotros empezar a tomar decisiones distintas y llegar a conclusiones mucho más válidas entonces esa es la intro ahora vamos a hablar un

poquito de análisis exploratorio de datos concretamente Yo Soy argentino de nacimiento venezolano de crianza tico de ad opción la parte Argentina negativa es que sufro con el fútbol Entonces les voy a poner un ejemplo tomado el fútbol y vamos a usar a la selección argentina Bueno en realidad Este es un dataset que yo Conseguí con los datos de los 736 jugadores que fueron al Mundial de Rusia del 2018 con los 32 equipos los ocho grupos no es un dataset que cuando trabajamos en clases más pequeñas yo les Comparto para que puedan jugar con ell no

lo que les quiero mostrar un poquito este análisis exploratorio de datos Cómo es De qué trata esto análisis exploratorio de datos y por qué es importante eh análisis exploratorio de datos es algo que este eh impulsó este genio de la estadística Este señor se llama John W tuy escribió este libro que se llama exploratory Data analysis por allí en los 70 tuki es uno de los padres de los métodos de exploración de datos Más importantes que hay el papá de uno de los gráficos más bonitos que se Us En estadística que es el el famoso

gráfico de caja y bigotes eh Y el él era un un obsesionado en el tema de saber hacer análisis exploratorio de datos el análisis exploratorio de datos es el que hacemos nosotros antes de decidir eh Qué tipo de algoritmo vamos a aplicar Qué tipo de método analítico etcétera déjame entender la déjame entender los datos que con qué estoy trabajando eh es es Quizá uno de los primeros pasos que toda persona eh que quiere hacer algún tipo de análisis debe hacer Okay Eh Qué es lo primero que tiene que saber una persona para para hacer análisis

exploratorio de datos la distinción entre variables y casos e aquí hay infinidad de confusiones Okay Eh y además eh la distinción entre variables dependientes e independientes Okay Cuál es esa distinción bueno las variables independientes son aquellas variables Cuyos efectos sobre la variable dependiente queremos estudiar o determinar en contextos experimental ustedes difícilmente hagan experimentos pero aunque ahora se está haciendo mucho en web los niveles de la variable independiente se pueden manipular Entonces yo puedo asignar a la gente distintas condiciones y veo cóm afecta la variable pendiente en las nuas experimentales que son las correlacionales por ejemplo

lo que puedo Hacer es medirlas nada más la variable dependiente es la variable que se quiere estudiar y sobre la cual se evalúan los efectos de las distintas variables independientes en rapid miner que es el Software que nosotros solemos usar para explicar Data análisis cae esa variable se conoce como lb en otros contextos se le llama también Target Cuál es la distinción entre variables y casos bueno eh El caso es la observación el sujeto y la variable es Lo que queremos estudiar del sujeto Entonces en este caso eh tenemos un jugador de fútbol Messi Lionel

Messi y tenemos las variables que están ahí que son cuatro que es el equipo en los equipos en los que ha jugado que es una variable categórica ahora vamos a explicar qué es el número de partidos que ha jugado el número de goles que ha convertido el número de asistencias que ha hecho si yo introduzco aquí a Cristiano Entonces ahora tengo dos casos sí con las mismas cuatro variables a la gente se le confunde mucho esto de variable y caso sí Y es importante hacer una distinción parece una extinción obvia pero es muy importante no

noten que si yo Esta última columna en lugar de asistenci fuese una columna por ejemplo de este disciplina ya eso deja de ser una variable pasa a ser una constante porque los dos son futbolistas si yo pusiera ahí a Lebron James entonces Es una variable categórica en donde con Lebron James tenemos tres observaciones o tres casos y tenemos para dos casos la variable disciplina de fútbol y para la otra es basquetbol o baloncesto entonces aquí tenemos ahorita dos casos tres variables y una constante muy importante los casos es la unidad sujeto u observación que queremos

comprender por ejemplo empleados clientes compras tiendas campañas etcétera eh Y la variable es la Característica del caso que analizaremos el atributo también se le llama attributes se les conoce acuérdense que me pueden hacer preguntas por el chat verdad yo me encadena y hablo mucho sin pena porfa eh No podemos levantar la mano eh Por la condición de webinar Pero podemos hacer preguntas eh por el chat Okay fíjense aquí eh cóm lo que traté de hacer es un poco un paralelismo no entonces aquí tenemos eh empleados es una variable ausentismo es Un caso ausentismo la variable

del empleo hacemos con cada una no clientes cuántos clientes estoy midiendo que mido de los clientes las visitas y así voy con cada unao de ellos Okay Eh eso es lo que hacemos lo otro que es importante en el análisis exploratorio de datos Y esto es capital capital capital y la gente no le Presta atención casi nunca a esto este eh que es me están diciendo que pueden levantar la mano y le dan acceso al Micrófono Ah bueno entonces Juan Carlos Navarrete tiene la mano levantada y así que si quieres por qué no le das

acceso al micrófono Juan Carlos tienes tienes acceso al micrófono no sé si querías hablar o ya creo que la tenías hace tiempo levantada la mano no no era sobre la la el tema de las variables y los casos ahí una pequeña duda pregunte aproveche no O sea en el Tema de los casos son por ejemplo eh podría ser una industria en la que estamos analizando no según entendí o alguna y la variable sería qué es lo que queremos saber de esa industria o es lo que estamos tratando de encontrar de esa industria Así es así

es entonces tú puedes ver por ejemplo industria eh una de las cosas que se m en industria que enseñamos en Inc un profesor maravilloso que tenemos que se llama nils K tenía Una cosa que se llama el índice eh ahora se me F el nombre pero medio impronunciable pero lo que mide es el índice es mide el número el grado de concentración de empresas en esa industria entonces tú puedes decir la industria por ejemplo del azúcar Cuántos Players hay ahí y esa la industria tú puedes analizar por industria serían los casos y el heran se

llama el índice es la variable sí tambén puedes poner revenue este eh lo puedo escribir eso Que menciona Mari lo voy a escribir pero necesito googlearlo o sea se llama herf Index ya casi te lo busco en mis notas lo tengo ahí está ahí está herf hman Index Muchas gracias Fabricio Ese es elice ven que es medio complicado de pronunciar buenísimo que podemos levantar la mano ya saben levánter y yo Se las doy le doy la mano en la Med lo que pueda entonces no espero haberte respondido Juan Carlos Lo otro lo otro importante es

lo de los niveles de medida que les estaba comentando Qué son los niveles de medida los niveles de medida es el grado de información que trae la variable Qué tipo de variable es eso yo lo tengo que entender porque lo que yo puedo hacer con las variables valga la redundancia varía en función de su nivel de medida entonces para que me entiendan un poquito imaginemos la variable tiempo de cuántas maneras puedo medir yo el Tiempo bueno el tiempo entendido por ejemplo en el lapso de un día okay para no ponernos aquí demasiado filosófico entonces ahí

tenemos un día desde que amanece hasta que anochece ahí está el día de cuántas maneras podemos registrar el tiempo como variable Bueno yo lo puedo registrar como una categoría en este caso una categoría dicotómica y tengo am pm punto si el evento ocurrió en la mañana o en la noche chao eh yo me puedo poner un Poquito más fino y decir no Bueno podemos hacer mañana mediodía anochecer noche amanecer en cuyo caso esa variable se conoce como ordinal es una categoría que tiene orden sí lo es importante aquí Resaltar que la distancia entre las categorías

no es homogénea sí la diferencia que hay entre esta distancia y esta distancia no es la misma que la que hay de aquí aquí y no es la misma que la hay de aquí lo único que sabemos en este caso es que una va primero que La otra eso se conoce como ordinal también lo puedo hacer con una cosa que se llama escala de intervalo entonces la escala de horarios de de que tiene eh amp es decir puedo decir las 2 de la de la madrugada eh aquí o las dos Perdón las 2 de la

tarde o las 2 de la de la de la madrugada eh es una escala de intervalo aquí la diferencia entre cada una de estas cajitas sí se mantiene fija Okay y finalmente tenemos una escala que se Llama razón donde yo tengo el valor de cero absoluto y aquí es lo mismo pero esta es la escala de 24 horas okay eh Son cuatro maneras distintas de medir el mismo fenómeno dependiendo de nuestra capacidad de registrar la variable yo puedo decidir medirla de una forma u otra ahora lo importante de eso es que cambia la forma el

tipo de variable cambia eh lo que podemos hacer con ella verad cuando son nominales eh yo puedo son variables que no tienen ningún peso Numérico por ejemplo en el fútbol costarricense sería aprista liguista herediano etcétera Eh Así es como las conoce rapid miner y así es como las conoce r que es un software que usamos mucho también le llama Factor aquí están las ordinales que tienen peso pero no tienen valor numérico se pueden ordenar Okay Eh alto medio bajo primero segundo tercero etcétera y después tenemos intervalo eh Y razón Okay Esas son las Eh Esto

le llaman integers aquí me falta Ponerla bueno eh Ah bueno Ahí está integers qué es importante de esto cuando tengamos que registrar algo o nos presenten un dato eh veamos En qué tipo de nivel de medida viene porque Entonces yo puedo saber qu puedo hacer con ellas las denominales por ejemplo solo puedo contarlas solo puedo sacar porcentajes de ellas con las otras puedo hacer operaciones Matemáticas un poco más sofisticadas ahorita vamos a ha ver un poquito de eso lo otro Importante lo otro importante es cómo cómo manejo los datos Cómo cómo los ordeno Cuando tenemos

datos estructurados hay datas No estructurados aquí solo Vamos a hablar de datos estructurados la tradición en en analytics es la siguiente s yo todo lo que sean casos en las filas siempre en las filas siempre en las filas y los que son variables Okay por ejemplo este es esa fila que ven ahí es el sujeto número siete o o la observación número siete eh La variable a es cuadrado la variable B es 47 y la variable c es desacuerdo Okay y lo que va en las columnas son las variables Entonces por ejemplo en este caso

esa columna que está ahí la variable a es nominal Y tiene tres niveles cuadrado círculo y triángulo y usualmente ponemos aunque no siempre es necesario una columna de ID porque a mí me interesa identificar como el ID es un valor único para cada caso porque a mí me interesa Poder parear ese caso después en análisis posteriores Perdón disculpen okay Que es una columna como les digo con un valor único para cada caso de acuerdo errores comunes Al momento de almacenar datos errores comunes uno se colocan variables en filas y casos en columnas clásico error lo

ven ahí lo tien por ejemplo fíjense Aquí tengo examen y pongo puntaje de Carmen puntaje de Edgar y puntaje de David Puntaje promedio típico error cuando cuando se usa Excel por ejemplo y te pasan los datos y te los pasan Así cuando Así es así no puedes trabajar Cuál es la manera correcta de hacerlo así cada sujeto va en las filas cada variable en las columnas Ok error número dos múltiples variables se almacenan en una sola columna clásico error también aquí tenemos por ejemplo exámenes pusimos los tres exámenes porque como son tres números los pongo

En la misma celda y después pongo dos variables categóricas en la siguiente celda que es Ah mira psicología sección a psicología sección B etcétera Cómo es la manera correcta de hacer esto cada variable es una columna Ahí está son cinco variables y este cada observación es un es una fila Patricia levantó la mano adelante patri y ya no te veo con la mano levantada la levantaste y la Bajaste Necesito que la vuelvas a levantar Patricia porque somos mucho para verte a ver patri a la 1 a las 2 y a las 3 Bueno si después

quieres intervenir Patricia este vuelves a levantar la mano Okay no sé si fue de repente por error que se te marcó Okay este es el segundo error el tercer error ponen variables tanto en filas como en columnas este es que es de Los más difíciles de ver fíjense que ahí pareciera que está bien hecho pero en realidad Está mal hecho noten que este tiempo máximo esto que está aquí son variables Entonces cómo se corrige esto así fíjense que ahí en esa en esta matriz que había antes hay un solo sujeto vean un solo sujeto es

el sujeto 1 2 3 4 con distintas fechas con distintas Fechas y ahí están tiempo máximo y tiempo mínimo preguntas hasta ahorita hemos visto que son variables que son casos que son niveles de medida y cómo se almacenan los datos preguntas a la una preguntas a las dos pregunta Julio Enrique y rova levant la mano adelante Julio buenas noches mira en el dato que aparece como correctamente tabulado me parece puede mejorar Porque si uno mete Por decir algo lo mete el dato a Excel eh tengo dos variables acá eh las dos numéricas Las dos últimas

columnas por lo menos eh si lo si lo por ejemplo yide no no no puedo ver esto porque me tapa Ah ya t máximo t mínimo si lo pongo por ejemplo ID t máximo en una línea yid t mínimo en otra línea abajo como un registro un probablemente Al momento de que lo meta a Excel o a cualquier analizador de Datos pueda explotar mejor la si lo metes aquí abajo abajo de esto o sea esto lo pondrías así aquí abajo o seaas ocho filas simplemente una una columna que diga valor y en una este id1

2 3 de Máximo y el valor y en la otra sería 1 2 3 4 también t mínimo valor pero es que t mínimo es una variable y t máximo es una variable no lo puedes poner en las filas no la puedes poner cuando quieres hacer análisis ya después sofisticados Lo quieres meter en r en rapid miner en hobi en el en python en lo que sea tú necesitas que las variables estén en las columnas siempre sí no es una observación t máximo es una variable eh Entonces eso que dices no no sirve de repente

en Excel te puede servir para hacer algún tipo de plot específico pero no es no está bien entendí el pun este sí te expliqué Julio verdad Okay voy voy Óscar me pide que ponga otra vez el error número uno con Mucho gusto Óscar Aquí está se colocan las variables en las filas y el el ves eh Perdón este es el incorrecto las variables que son los exámenes los puntajes se ponen en las filas y los Las observaciones En las columnas eso está mal okay eh es al revés ahí si te pasa eso tienes que pivotear

la tabla y me pregunta sixto y cómo sería la forma correcta el último caso pero con distintos ids con distintos ids eh buena pregunta sixto lo Que tenemos que hacer Okay aquí si yo tuviera un sujeto adicional por ejemplo eh viene el sujeto 1 2 3 cco sí le registro su fecha aquí le registro su tiempo máximo y su tiempo mínimo y yo puedo poner de tantos sujetos todas las var O sea si el sujeto tiene varias mediciones yo puedo ponerlas O sea si yo medí el tiempo máximo varias veces en un día por ejemplo

en este día que es el 15 de marzo yo puedo poner es esta columna se ese valor en esa en esa fila se Repite y después yo puedo ahora les voy a enseñar los cinco verbos yo puedo agrupar y desagrupar en función de eso pero siempre se tiene que ser así por eso es que aquí tienes eh pareciera que estuvieras repitiendo pero no estás repitiendo Porque estos valores son distintos estás desagregando okay para el tratamiento de las fechas qué errores comunes recomendaciones tienes Fabricio esa es una pregunta para casi una clase completa una de las

cosas más complejas De manejar en Data son los los formatos de fechas son complejísimo porque no todos los software lo toman igual entonces tú puedes tener la fechas solo un mes mes y Día mes día hora mes día hora minuto mes día hora minuto y segundo entonces dependiendo de cómo registra la fecha eh el software lo toma como como idénticos y muchas veces eso es un problema Entonces hay que hay que hacer un un trabajo de de limpieza de datos en donde tú homologas el esquema o El formato de fechas es un dolor de cabeza

y si lo usas en el sistema americano Entonces los meses van primero y los días en el medio es es un dolor de cabeza es un verdadero dolor de cabeza el tema de las fechas hay horas de de de curso sobre cómo homologar y mejor trabajar las fechas Lo importante es tratar de poner las variables cuantitativas en el interior de la tabla No necesariamente cuantitativas yo puedo tener ahorita Tengo cuantitativas pero yo podría poner ahí qué s yo alto alto no es una variable quantitativa es una variable nominal por eso les explicaba eh los niveles

de medida si yo pongo alto alto es una categoría es un nombre yo qué después puedo hacer con alto con arlos por ejemplo una variable categórica clásica es nacionalidad argentino costarricense hondureño venezolano Qué hago con esas variables simplemente puedo contar Cuántos argentinos hay Cuántos hondureños hay Cuántos panameños etcétera Y eso va en la celda eso es una variable Okay no sé cómo vamos de tiempo vamos bien Vamos bien Dani por favor me dices hasta qué hora tenemos Eh sí tenemos todavía eh un poco más de 25 minutos Voy a tratar de ir un poquito rápido

aquí lo otro importante que se tiene que saber cuando se hace análisis de exploratorio de datos es el concepto De distribución Ya sé que es una variable que es un caso ya S como se almacenan dónde va cada una ahora lo que tengo que entender es bueno cómo se agrupan cómo se distribuyen una distribución una distribución de frecuencias permite agrupar los datos en categorías que son mutuamente entes que indican el número de observaciones dentro de cada categoría En otras palabras permite saber cuántos casos hay en cada nivel de La variable por eso es que la

distinción entre caso y variable es tan importante entonces si yo les digo por ejemplo a ustedes les voy a mostrar presten atención muchachos concentración les voy a mostrar Las edades de todos los jugadores que asistieron al Mundial de Rusia 2018 y quiero que me digan Qué características tiene es distribución están listos voy eh presten atención ahí Están por si quieren verla mejor ahí está eso son las 736 edades eso es una distribución de datos pueden sacar alguna conclusión de eso que les estoy mostrando sí por lo menos deberían poder sacar una conclusión Qué edad tiene

eh Abraham dice no están ordenadas dice Fabricio correcto Y como están ordenadas yo puedo saber cuánto Cuál es el más viejo y cuál es el más joven sí la media es 27 y 28 No sé 45 el mayor 19 el más joven No sé la media podría ser no el mayor tiene 45 años y solo hay uno Ajá muy bien Hay solo hay uno solo hay uno solo hay uno Okay entonces lo que hacemos máximo y mínimo y promedio ahí no lo puedes ver six lo puedes intuir más o menos Y si te las diera

desordenadas ni de casualidad tendrías que ponerte el ch muchoo entonces las distribuciones lo que yo trato de hacer Es resumirlas y las resumo eh las ordeno y las resumen la mayoría tiene 25 padr predomina la la idea 25 Rango de 26 Ah bueno porque restaste 45 men 19 Bueno muy bien Eso está muy bien Abraham una distribución de frecuencia resume y ordena la información contenida en los datos sí qué debemos saber de una distribución Necesitamos saber tres cosas fundamentales de una distribución Yo necesito saber cuál es el dato que Resume la distribución eso le llamamos

tendencia central tendencia central es la media el modo y la mediana Necesitamos saber qué tan cercanos entre sí están los datos Y eso es la dispersión nadie le Presta atención a la dispersión yo he trabajado en varias empresas y cuando te presentan datos y no sé cuántos siempre te presentan el promedio los más sofisticados te presentan promedios casi nadie te habla de medianas y esas cosas Y ni se les ocurre hablarte de desviación estándar o de o de varianza o de coeficiente de variación nada de eso y lo otro que nos interesa es lo que

se conocen como medidas de posición no central que son los famosos percentiles que por cierto los percentiles donde la gente más enreda entre casos y variables cuando y te digo usted es el percentil 95 que te estoy diciendo no todo el mundo lo entiende eso ahorita vamos a ver no entonces Esas Son las eh Rubén levantó la mano adelante Rubén te escuchamos buen buen bueno mientras hablen de me Tom mi no sé si me escuchan No te oigo ahora sí no Ah sí sí que el 95 que el 95 de los datos se encuentra dentro

de un Rango y que tiene un Alfa de 0.05 que esa es la probabilidad de que de que haya un Err Okay ya te metiste con con nivel de significancia pero cuando decimos percentil 95 como tú dices muy bien lo que estás diciendo es que el 95 por de Las observaciones no de la del de la del del valor de la variable el 9% de la gente que se midió en esa distribución está por debajo de ese valor o el 5% está por encima entonces la gente se confunde y cree que el percentil 95 muchas

veces es el 95 del valor de la variable y eso no es es el 9% de la Gente está por detrás si ustedes te dicen Su edad es la mediana de la distribución quiere decir que tu edad parte la distribución en dos partes iguales partes iguales de qué de gente de datos de observaciones el 50 si hay 20 personas en el salón y tu edad es la mediana 10% 10% 10 10 personas están por debajo de la distribución del se valor y bueno 10 9,5 Debería ser está por el por por encima Okay Eh eso

es el tema de Posición no central no hay que hacer una distribución de frecuencias correcto de hecho esto que ves aquí es una es un gráfico eh Abraham que es es un histograma ahorita lo vamos a ver suavizado no obviamente que es una manera de representar gráficamente una distribución de frecuencia lo otro que tiene que saber una persona para hacer análisis exploratorio de datos Y est una de las Cosas que a mí más me gusta eh Cuando yo lo estudié haciendo cursos de de Data Science en r la manera como ellos lo explicaran me explic

era algo que yo ya sabía de cuando daba clases de estadística pero esta es la manera más intuitiva para mí de entender que son verbos Okay los cinco verbos de análisis de datos nótense noten que son verbos porque son acciones que te permiten reordenar los datos para analizarlos con mayor Facilidad entonces vean Esta es la distribución es un pedazo de la tabla eh con las variables que tiene el dataset de Fifa que les mostré Okay es una curva gusana Dice Julio César sí eh No es exactamente la curva de Gus Porque esa es la se

le dice gusana por la forma pero no es una distribución normal necesariamente es vean esto Qué interesante aquí están fíjense Para los que me preguntaban el caso de la variable equipo una variable categórica Noten Que aquí hay 23 filas que dicen Egipto Por qué Porque Egipto tiene 23 jugadores de acuerdo ti 23 jugadores eh Y bueno aquí no salen los 23 me parece Pero bueno no no sale porque salen los 15 los primeros 15 Este es el número de camiseta que es una variable nominal el grupo al que pertenecen F todos está el grupo a

y después tenemos las variables esto la que no es una variable eh el nombre del jugador pero después tenemos fecha de nacimiento Tenemos edad tenemos partidos goles y el club al que pertenece Entonces les voy a enseñar En qué consisten los cinco verbos son cinco acciones para resumir para manejar la Data es muy importante que las cono Okay el primero de ellos se conoce como seleccionar En qué consiste seleccionar seleccionar es agarrar variables columnas Okay cuando yo selecciono lo que estoy haciendo es elijo elijo Con qué variables Con qué Columnas variables trabajar en set de

datos que son muy amplios esto facilita muchísimo el trabajo esta cajita que ven aquí es el operador en rapid miner que se usa para eso Si algunos días usan rapid miner este eh Ese es el ese es el la variable ahí me está preguntando melida eh Cuál es el top tres de libros en español que me recomienda para iniciar mi aprendizaje análisis de datos de preferencia que me invite a aplicación de algún software Uy En castellano tengo que buscarlos eh pero ahorita después les voy a dejar una lista e en el chat les voy a

dar una lista con referencias bibliográficas están casi todas en inglés eh Pero puede que tengan versiones en castellano pueden que tengan versiones en castellano después hago la la la revisión y sobre todo con Software que es lo que lo que estás pidiendo Entonces eso es seleccionar Okay el primer verbo es Select seleccionar el segundo verbo Se llama filtrar filtrar es lo mismo pero en lugar de trabajar con las filas con las columnas trabajo con las filas entonces lo que hago es que selecciono qué seleccioné Ahí seleccioné todos los jugadores que tengan goles mayores que cero

se dan cuenta que los que tienen cero Los dejé afuera cuá uno hace una selección cuando estás trabajando por ejemplo en en mercadeo o en ventas Y dices Mira selección todos los eh todos los puntos de venta que vendan no sé eh De este volumen para arriba o facturen de esto para arriba o para abajo etcétera quiero concentrar en ese en ese set de datos cuando yo filtro Okay este cuando yo filtro lo que lo lo que logro al filtrar obviamente es elegir hacer más más bajita más más chatita la la la distribución no y

me puedo concentrar en en Casos específicos no en variables Aquí tengo el mismo set de variables obviamente yo puedo combinar yo puedo filtrar y seleccionar puedo hacer las Dos cosas no otra forma que hacemos para seleccionar casos a veces es muestrear no eh El muestreo ustedes todos seguramente han hablado han oído a hablar del muestreo Cuando tenemos datasets muy grandes a veces necesitamos hacer una muestra y hay varios tipos de muestra el muestreo absoluto eh es cuando digo Sácame 1000 casos muestreo relativo es cuando el ya digo la muestra es creada por una fracción del

total de Los casos y el tamaño definido por un ratio Dame el 10% de los casos y ese 10% eh se coge al azar y hay uno que se llama de probabilidad en donde Dame una muestra donde cada observación tenga una probabilidad del 10% de ser parte de la muestra que es ligeramente distinto al relativo eso se hace con operadores como este que se llama sampo cuando estás haciendo datasets muy de muchas observaciones a veces te conviene hacer este tipo de Filtr la ot otro verbo que es una combinación de en realidad son dos verbos

que suelen ir juntos es agrupar y resumir agrupar y resumir funciona de la siguiente manera yo tengo una variable ceg en este caso por ejemplo es la posición posición gk quiere decir goalkeeper defender midfielder y Forward sí es decir Arquero defensor mediocampista y atacante yo puedo agrupar en función de esas variables es decir las a chato hago el dataset y lo Comprimo a esos cuatro niveles y resumo el valor de estas variables que están aquí en función de algún indicador Como por ejemplo la media aritmética s Entonces yo puedo agarrar y decir decir vean que

ahora el dataset en lugar de tener 736 filas tiene cuatro filas porque son lo que hizo fue agarró a todos los defensores a todos los eh delanteros a todos los arqueros y a todos los midfielders y lo que pone aquí es un resumen Cuál es el resumen la Media aritmética sí media de Edad Media de partidos y media de golpes Okay eso se usa con operadores como este que se llama aggregate hay otros operadores que se llaman por ejemplo en r se le dice Group by y en sql creo que también se llama Group grou

entonces permite combinar variables nominales y numéricas de intervalo razón para extraer información valiosa de los datos y se puede resumir con casi cualquier estadística puedo poner ahí la Media la desviación la mediana puedo poner la suma puedo ponerla eh poda estar contando etcétera ahí me pregunta Abraham se estaría segmentando no ahí no estás segmentando nada ahí simplemente estás resumiendo un un segmentas es cuando clasificas cuando clasificas bueno a ver tú podrías dec que Defensores es un segmento podrías decir esto un segmento pero segmentación se hace con otras cosas un poco más sofisticadas Como cler anisis

enseñamos mucho es un algoritmo que te permite hacer grupos Es muy muy interesante y el último que tengo seama mutar m lo que consiste es Yo quiero crear una variable nueva var nueva en función de las variables que ya tengo en el dataset Entonces yo por ejemplo tengo los jugadores esto es como un ID yo tengo los partidos y tengo goles si yo divido esto entre esto que tengo tengo número De goles por partido Entonces yo puedo crear una nueva columna una nueva una nueva columna de es una nueva variable que es promedio de goles

por partido y eso es lo que significa mutar No en rapid miner eso se hace con con un operador que se llama generate attribut en el en r es mate y creo que también es en sql yo no estoy tan familiarizado con sql estoy más familiarizado con r no Entonces como les digo crea nuevas columnas y con esto Puedo hacer nuevas variables yo puedo hacer cualquier cosa Yo puedo crear Yo quiero ver si a mí me interesa sacar no sé el logaritmo de esa variable para para hacer para hacer la lineal cuando son variables muy

este que varían de forma muy importante no yo puedo sacar el logaritmo de esa variable y hacer crear una nueva variable ahora noten que estos cinco verbos jóvenes es lo mismo que hacemos con una tabla pivote cuando usted usan una tabla pivote en Excel que Es una de las cosas que intimida mucho a los que no saben usar Excel en realidad lo que estás haciendo es pidiendo el Excel que te diga que que seleccione que filtre que agrupe y que este resuma o que mute fíjense que aquí Exactamente eso Y eso me da esta tabla

Ven y ahora como ustedes saben qué es lo que va en una columna y saben que es lo que va en una fila Y saben que pueden filtrar es decir pueden sacar solo ciertos casos y pueden resumir ya Saben usar una tabla pivote con esto que les estoy dando eh comentarios o preguntas rápido vamos muy rápido No sí a la una a las dos las tres eh También con poder query este todo bien dice Pablo levantó la mano Pablo la levantaste y la bajaste te arrepentiste Abraham tiene la palabra y Pablo saravia Pablo porfa démosle

la palabra a Pablo y después a Juan Carlos Navarr Pablo te escuchamos todavía me queda clase [Música] termin Buenas noches quería hacer una consulta sobre el quinto punto mutar Son las variables ficticias no cuando di por eemplo no es más o menos como el quinto punto que señalaba de mutuar crear esa Variable nueva Sí pero no es ficticia creo que F te refieres a domis que es cuando yo transformo las variables en ceros y unos es ese caso Ah ya Perfecto es ese verdad Eh no estás referido a las variables sintéticas si es lo mismo

que el concepto de mutar es que no sea que te refieres con variable sintética te confieso cuando mutas estás creando una nueva columna en función de las Variables este eh que tienes y puede ser cualquier cosa puede ser por ejemplo puedo sacar si si me interesa la diferencia entre dos variables puedo sacarla eh si yo tengo qué s yo si yo tengo reven y Tengo este y tengo costos entonces puedo sacar profit qué s yo algo así es agarrar variables que tengo y las las las aplico alguna operación y creo una nueva eh Abraham está

preguntando que e ahorita creo que voy a decir algo de repente es eso Pablo Déjame ver si te respondo adelantándome un poquito eh Abraham pregunta con qué software estadístico es mejor trabajar eso se responde de dos maneras la primera la primera es con el que puedas sentirte más a gusto eh y segundo es con el que tengas acceso e por ejemplo lo ideal si quieres ser un verdadero Data scientist e yo trabajaría con r o con python lo que pasa es que r tiene la característica de que la curva de Aprendizaje es muy chata Eso

quiere decir que pasa mucho tiempo hasta que lo dominas eh Porque tienes que aprender a codificar es un lenguaje de programación pero la ventaja de es que es gratuito como es gratuito no tiene ningún tipo de eh de limitación no pero hay otras nosotros usamos rapid miner rapid miner es paga una licencia costosa pero muy poderoso y es muy intuitivo de usar Pero hay muchas hay yobi hay Orange ahorita están Saliendo montones de paquetes de software inclusive algunos con interfaz gráfica que son bien potentes Le damos la palabra a dagoberto y nos movemos para adelante

Ah bueno Juan Carlos Navarrete Perdón Juan Carlos adelante Aló buenas noches básicamente lo que entendí de lo que explicaba de los cinco verbos viene a ser como la normalización de la de la tabla o de los datos No no no normalización es una palabra de hecho aquí la voy a mostrar ahorita V normalizar normalizar En estadística es una cosa muy específica no estos verbos que yo digo es cómo manipulo De qué manera puedo manipular un dataset un Data frame si queres yo puedo seleccionar ciertas columnas puedo seleccionar ciertas filas eh puedo agrupar y resumir en

función de algunos estadísticos porque me interesa o puedo mutar puedo crear una nueva variable Porque me y puedo hacer las cinco cosas juntas verdad eh eso es lo que hacemos en el ejemplo que hicimos al principio de berkley eh lo que nosotros estaba todo agrupado por eh género pero a mí me interesaba cruzar género con eh con departamento entonces ahí lo que hice más bien fue desagrupar un poquito No eso es lo que estamos haciendo no normalizar para Para aprovechar el que me das pie eh Juan Carlos es normalizar es llevar todo a una misma

Escala en este caso una escala de desviaciones estándar poner todo en función de la desviación estándar entonces normalizar significa restarle cada dato a la media y dividirlo entre la desviación estándar Esa es la fórmula eso te sirve cuando necesitas comparar variables que vienen expresadas en escalas distintas eh Y eso es muy importante Por ejemplo cuando usas algoritmos por ejemplo los algoritmos que se basan en distancias euclidianas Como kmins o como knn eh kmins es un algoritmo de clustering knn es un algoritmo se pu usar para predicción y clasificación yo necesito poder comparar variables que vienen

expresadas en una cosa es por ejemplo salario en bolívares que es una una escala que por la hiperinflación está totalmente desproporcionada eh con qu s yo temperatura en Celsius Entonces yo tengo que llevar todo eso una misma escala y eso lo hago Normalizando distribución Z es famosa distribu los puntajes Z eso es normalizar técnicamente se refería a normalizar bases de datos eso es muy diferente En estadística s ahí no se que se refieren con normalizar bases de datos desconozco ese concepto y aquí me pregunta se utilizó la herramienta de filtro para las columnas en lugar

de las filas este buo no sea Ah ahí vemos en ese caso Puede ser puede ser No sé Ahorita lo revisamos si quieren y aquí aquí adquirí recientemente una licencia en evus es amigable como r no conozco ius Carla eh lo voy a buscar r no es amigable M es r es potente pero no es amigable tienes que aprender a usarlo este y toma tiempo dagoberto Sí buenas noches me escuchan Sí sí mutar básicamente en ese caso en ese ejemplo Que nos diste básicamente lo que se hace Es tener una una variable Pues básicamente sería

la Efectividad Cuántos goles por partido eh tiene el jugador en ese caso básicamente sería otra variable segú es otra variable exactamente correcto una nueva variable una nueva columna en el dataset entonces pero nace de la de una combinación una operación que hago columnas que que ya traigo por eso se llama mate porque mutas el valor de las que tienes no es incorporar una variable que no habías medido es de las que tenés De las que tenés en el dataset construyes una nueva esa distinción es importante es enriquecer el modelo Es enriquecerlo tien información adicional que

tendría Si no si no combinas como por ejemplo el caso que está diciendo agoberto de eficiencia esa variable le puedes poner efectividad este tipo tiene una efectividad de tantos goles por partido y puedo comparar los jugadores en función de la efectividad Exactamente lo otro alguien hablaba de variables ficticias se le conoce como variables domis eh Porque variables domis lo que hacen es que transforman una variable que es categórica que es num que es nominal que es una es un es una palabra en números porque porque no los acep si yo quiero hacer una regresión por

ejemplo la regresión lineal necesita números adentro no no te acepta eh categorías entonces si yo quiero Poner género como una de las variables independientes para predecir por ejemplo salario eh A mí me interesa entender el efecto de género en salario yo tengo que transformar género en una variable numérica Y eso se hace haciendo variables eh domis okay Lo que hace eso es que transforma las variables en ceros y unos entonces un ejemplo eh Cómo cómo transformarían este dataset en una variable en una tabla de variables con Variables domis bueno tienen que ver fíjense que aquí

tenemos siete observaciones Okay y las variables tenemos Costa Rica tenemos Guatemala y El Salvador verdad Esos son los tres niveles de esa variable eh aquí dice Andrea está llevando un curso introductorio de r excelente Andrea Te felicito r Es una belleza se pueden hacer cosas absolutamente ras Entonces cómo llevo esto a abdis así lo que hago es que cada nivel de la Variable lo transformo en una variable en donde eh cer0 En donde uno es la presencia de esa variable sí Y cer0 es la ausencia como yo tengo aquí solo tres niveles noten que hay

una columna que sobra sí que redunda okay Porque si yo sé que este sujeto es cero aquí y cero aquí a juro va a ser uno aquí Entonces esta columna Yo no yo podría prescindir de esta columna y yo ya sé que el sujeto que es Cer y cer es salvadoreño Entonces yo puedo poner ceros y unos en una regresión lineal Obviamente el problema de las variables domis es que cada nivel de la variable es una nueva columna Entonces se te puede hacer muchísimo más ancho el dataset si tienes 150 nacionalidades vaas a tener 149

columnas okay Y eso puede hacer el el asunto un poco más engorroso pero eso es lo que se conoce se le llaman también variables ficticias No otra cosa que se suele hacer mucho es discretizar si que yo agarro una variable que es continua y la transformo en categorías Entonces por ejemplo yo tengo esta variable que es numérica eh que puede ser esto es horsepowers caballos de fuerza y yo pasé esta variable aquí está un histograma Sí yo puedo pasar esta variable a categorías que van de Rango de de menos infinito 195 95 127 y así

voy haciendo no Y que cuando es una Categoría que puedo hacer con ellas solo contarlas está yo no puedo cuando la tengo así no puedo sacar media aritmética cuando la tengo así sí puedo sacar media aritmética Okay y ya para cerrar la clase no sé cómo vamos Dani este lo otro muy importante eh eh del análisis exploratorio de datos es la visualización muchachos entonces aquí les voy a dejar una tabla de visualización que es muy intuitiva para que vean Cómo se hacen los gráficos no Todos los gráficos se pueden usar de la misma manera Entonces

por ejemplo si tienes una sola variable Y esa variable es numérica los dos gráficos que puedes usar son los histogramas o los Box pls Qué es un histograma un histograma muestra el número de valores de una variable que caen en intervalos consecutivos no permite visualizar Cuáles son los valores o rangos de valores más comunes en una muestra nos permite no no no no nos también no nos Permite identificar los valores medios Entonces esto que está aquí por ejemplo es la edad de a la que se casan la primera vez las mujeres en los Estados Unidos

Cuál es la edad más frecuente ahí vean que aquí lo que tenemos en el eje de las y es frecuencia es contar es número de casos entonces Mientras más alta es la columna más gente hay y uno podría decir que más o menos entre 19 y 20 y pico de años es la frecuencia más común si la mayoría de las mujeres se Casa a esa edad sí Cuántas 10000 más o menos eso es un histograma el otro Aquí tienen dos histogramas sí de una distribución que no sabemos Qué es pero ahí tienen el promedio de

a y el promedio de B Ven y ahí ven Esta es la formita de la esa es una distribución y la otra podría ser me imagino que es así ahí las ven vean esto Qué interesante cuando uno Por qué es importante de graficar porque nos permite entender la relación entre Las variables eh Por ejemplo estas dos distribuciones tienen la misma tendencia central tres sí la media de esas dos distribuciones es exactamente la misma lo que varía es la la dispersión la la desviación estándar sí la desviación estándar de una es muy grande de otra es

muy chiquita aquí tenemos dos distribuciones que tienen la misma eh desviación estándar pero tienen distintas medias entonces tengan cuidado cuando Alguien les muestra no Estos son dos cosas que tienen la misma media y la dispersión Muéstrame la dispersión para ver si estamos hablando de lo mismo el otro gráfico que es buenísimo es el de boxplot esto es herencia de nuestro amigo tuki se le llaman también diagramas de caja y bigotes se les conoce también no O se le conoce como el diagrama de los cinco números porque representan gráficamente el mínimo el máximo la mediana y

los percentiles Entonces vean Qué interesante este gráfico es hiper poente para análisis exploratorio de datos Yo no he visto una sola empresa que use eh boxplot Y son facilísimos de de analizar aquí tenemos esto que está aquí es gdp per capita es decir el pib Per capita el producto interno bruto per capita Okay producto interno bruto per entonces ahí podemos ver de un solo golpe Cuáles son los países los continentes aquí tenemos las variables que tenemos acá son Continentes Cuáles son los continentes eh más ricos más pobres más homogéneos y más heterogéneos pero antes de

hacer la comparación Ah bueno vean que aquí tenemos las medianas aquí tenemos el rango el el largo de los de los bigotes de esa caja habla el rango y lo que tenemos en la cajita es lo que se conoce en En estadística como el rango intercuartil porque esto cada el borde Inferior de la caja es el percentil 25 y el borde superior es el percentil 75 y lo que tenemos en la mit es el percentil 50 por qué la distancia entre el percentil 25 y el 75 es más grande que la que hay entre el

percentil entre el 50 y el 75 es más grande que la que hay entre el 50 y el 25 Por qué Porque aquí vean aquí está el 50 por de los datos y Aquí está el otro 50% de los datos Porque lo que está en esta escala es la variable no los casos Exacto skes es skes fabricios es la asimetría pero ahí es donde está la diferencia entre casos y variables por eso se los muestro Okay entonces vean si quiero analizar Europa el máximo es $7,000 el mínimo 973 el q1 es decir el cuartil el

primer cuartil eh es 71 190 el percentil 25 el percentil 75 20477 y la mediana el perente 50 es 12000 Entonces en un solo gráfico puedo ver cinco datos muy buenos y puedo entender una distribución cuando voy a hacer una sola variable que es categórica se deben usar gráficos de barra sí los gráficos de barra son los famosos aquí por ejemplo tienen del dataset del fútbol Cuáles son los clubes con mayor número de jugadores en rus el club que más jugadores llevó a Rusia Fue Manchester City seguido el Real Madrid sego del Barcelona el pastel

no los usen son horribles los gráficos de pastel están prohibidos en los cursos que nosotros damos prohibidos Por qué están prohibidos me pueden ordenar ese esos tres Pais de mayor a menor no pueden verdad son distintos sí son distintos el ojo humano es muy malo registrando diferencias en ángulos un p lo que hace Es que toma en cuenta las diferencias en los ángulos para demostrar cantidades y nuestro ojo cuando sobre todo cuando son muchas categorías le cuesta mucho trabajo ver diferencias en ángulos fíjense que cuando son estaturas si las podemos ver claritas no ven entonces

prohibidos los pie charts a la gente le encanta y un un pie Chart 3D es todavía peor no lo usen y cuando tengo dos variables numéricas lo que tengo que usar es un sc cl Sí el scar Clot O dispers sigrama sí eh lo que permite es ver la relación entre dos variables de tipo numérica entonces aquí tienen consumo e ingreso es una relación positiva ven si hubiese una línea de regresión aquí la vemos así okay esto que está aquí es precio y la edad de un carro cada puntito en esto que está aquí es

un es un es un dato que tiene un valor de X Y tiene un valor de y Okay cuando tenemos dos variables categóricas podemos usar barras cuando Tengo pocas categorías el p ayuda cuando son datos en dos opciones hombre y mujer por ejemplo Sí y solo en ese caso Julio nada más y con to eso yo usaría una un gráfico de barras mejor cuando tengo dos categóricas puedo usar barras Por ejemplo si quiero poner Lo bueno es que las barras los gráficos de barras nos permiten esto se conoce como tablas de contingencia esto que ven

aquí que aquí tenemos género eh en las filas Y tenemos eh si sobrevivió o no sobrevivió esta Data que está aquí es eh los pasajeros del Titanic la Data de supervivencia por género de los pasajeros del Titanic Data real Por cierto es un dataset muy famoso yo lo puedo ver así ven relación entre género de pasajeros y supervivencia Ahí está Yo los puedo ver totalizados que es mejor todavía perdón eh esto no está totalizado esto es Eh Esto se llama stack Bars sí eh Entonces yo puedo ver la relación pero si los pongo en función

de 100% Entonces yo Puedo ver ahí que si usted era de género masculino en el Titanic casi seguro se iba a morir si un 10a es o cosa de hecho el 84 por de todos los de todos los que se murieron de los que no sobrevivieron eran hombres solo el 15% de los que no sobrevivieron eran mujeres y vean que la relación ahí se ve una relación Clarita no eh si tengo una variable que es numérica y otra categórica ahí usamos los boxplots podemos usar histogramas o barras si son pocos múltiples otra vez Verdad Entonces

eh Por ejemplo los gramas de aquí otra vez Esta esta este que ya les mostré No por qué porque tengo una variable continua que es esta y tengo una variable categórica que es esta entonces vean Qué interesante yo puedo hacer eh análisis fantástico Como por ejemplo el percentil 75 de Asia es equivalente a un poquito más del percentil 25 este eh de de Europa Eso habla de la de la desigualdad de hecho el dato la gente el país más rico de Asia es tan rico como el país que está en el percentil 75 en Europa

y vean los pobres países en África el más rico de los países africanos no es O sea tú agarras de los países más pobres de Europa y son equivalentes en riqueza al más rico de África y eso todo lo ver en un solo gráfico por eso es que Box plot es interesantísimo imagínense si ustedes estuvieran aquí en lugar de gdp y países tuvieras canales de venta por ejemplo canal tradicional y canal moderno eh Y Tuvieras eh revenue o profit o volumen o lo que fues Y ves las distribuciones pones a ver y puedes eso desagregar

lo todavía más no estos gráficos insisto son muy potentes Vean este consumo de cerveza por género Cuál de los dos es eh de estos dos es masculino o femenino Quién quiere decir izquierda es masculino o femenino masculino izquierda correcto el masculino es el izquierda hay mujeres que toman cerveza de hecho vean estas Damas aquí aquí hay unas damas bastante birreras esa es otra cosa que te permite el gráfico de caja bigote Por cierto te permite ver outliers los outliers se pueden definir de muchas maneras una manera de definir es un dato que está una vez

y media eh el rango intercuartil más arriba o más abajo del q3 o del q entonces Esta es una mujer que toma muchísima cerveza Cuánta cerveza toma toma Más cerveza que el 75 por de los hombres es una mujer Que les gusta la cerveza verdaderamente ahora el la mujer que toma el 75 por de que toma más más cerveza que el 75 por de las mujeres no es ni siquiera equivalente en esta muestra al hombre que toma Más eh que el 25% de los hombres es decir el consumo de cerveza es un consumo predominantemente masculino

Okay esto que está aquí son las notas de profesores eh de estadística En cuál grupo le gustaría estar usted en el Salón del profesor a en el salón del profesor b o en el salón c o el salón del profesor B Cuál les gustaría a ver en el c correcto muy bien mar Por qué Porque el c es el más justo en el c hay gente que si no estudia sale muy mal los que estudian salen muy bien y la mayoría sale en el profesor a esos profesores malandros que nadie le pasa No importa lo

que estudies todos le salen raspados y el profesor c es el profesor que nosotros en Venezuela Llamamos una manguangua este que todo el mundo le pasa la materia Yo quiero un profesor justo que tenga variedad que tenga dispersión datos eh aquí tenemos la edad de los pasajeros en Titanic yo puedo tener combinar una numérica con una categórica si son pocos los niveles de la categórica Entonces yo puedo poner edad de pasajeros del Titanic por género Ven y entonces ahí tengo los dos histogramas los masculinos son Eh los naranjas y las mujeres son o puedo verlo

por eh la clase Sí aquí tienen clase primera clase segunda clase y tercera clase y esto es frecuencia de la gente que Eh Esto Qué es la edad la edad de los la mayoría de la gente joven iba en clase en la clase este en esta cas Okay y después tenemos Cuando tenemos más de dos variables ya la cosa se hace un poquito más compleja no se pueden graficar muchas cosas más porque tenemos solo tres dimensiones Pero Podemos hacer cosas como mapas este estilo de cosas en donde cada elemento Esto fue la elección presidencial de

los Estados Unidos la anterior el presidente saliente Donald Trump sacó 290 y aquí ven el color la densidad del color en este caso te habla de del volumen que tenían cada uno deos cada elemento en el mapa o el gráfico es una variable validación de datos creo que no no la voy a no la voy a conversar Porque ya se nos está acabando el tiempo y voy a hacer un cierre mu sencillito y preguntas a m me gusta Dj ver si les puedo poner esto Gabriela adelante Gabriel por favor Hola Hola Hola cuéntame Gabriela te

oigo te oigo Buenas noches Qué gusto que me pueda Escuchar Eh bueno la consulta que le quiero hacer No sé si va un poquito fuera de lo que nos está contando pero Quiero realmente aprovechar esta oportunidad porque para mí realmente es una es un gran aprendizaje y hay pues una consulta muy específica que le quiero hacer yo pienso que las grandes compañías con bases de datos como por ejemplo los supermercados o todos estos lugares como Walmart o todas estas casas grandes almacenan toda esta información de preferencias de compra de los consumidores y toda esta gama

pues mi Tesis en en mi carrera la hice sobre la psicología de compra del consumidor es una de las cosas que siempre me ha fascinado estudiar y siempre he pensado que en las bases de datos debería haber alguna manera de filtrar las preferencias de los gustos de los clientes para la hora de la hora poder venir y estar siempre adelante de lo que el cliente quiere Así mismo también como en la postventa para poder venir y ofrecerle al cliente siempre algo más Entonces me imagino una especie de base de datos muy grande donde uno pueda

venir y dividir los gustos por ejemplo en un supermercado de los clientes ya de manera adelantada lo que yo siempre como eh Como mamá consumo desde hace muchos años de ciertas marcas o de ciertos productos en particular para ofrecer ciertos descuentos o simplemente cier eh Como oportunidad de compra a los clientes y estarles dando como una satisfacción por ser un cliente Frecuente o simplemente estar creando estrategias adelantadas para los clientes por un lado y por otra también se me ocurre de una manera en en el mantenimiento de la postventa del cliente poder venir y ofrecerle

a las empresas a través de una estrategia una manera de que el cliente pueda no sé si sería a través de una app o a través de una base de datos eh que el cliente pueda venir y expresarse como un libro electrónico de queja de quejas o de Satisfacción de cliente en el tema del servicio que ha recibido en algún comercio y luego filtrar el nombre del comercio y entregarle al dueño del del del comercio qué fue lo que dijo el cliente cuándo lo dijo cómo lo dijo Cómo se sintió para que pueda tener como

un episodio real de cómo se encuentra en ese momento en el mercado en el sentimiento del cliente pero a través de un clic no sé si me doy a entender porque como el tiempo que tengo es bien Poco pero sí creo que el futuro está en las bases de datos Porque porque ahí es donde almacenamos como la información que queremos de todos los clientes y siempre me he preguntado con toda la información que que obtienen de nosotros todos estos comercios qué es lo que están planificando hacer o qué hacen sin que nos demos de cuenta

de manera como adelantada cuando nos ofrecen tantos productos y servicios y de repente no nos damos cuenta y la mercadotecnia de Por sí ya lo trabaja pero yo por ejemplo en mi empresa estoy tratando ahorita de contratar eh No sé si bbdo se conoce o se maneja a nivel de de donde usted ha trabajado pero sí una agencia de publicidad que me ayude aar una estrategia para poder vender la idea una base de datos que pueda eh mostrarle a las empresas cómo está su postventa su mantenimiento de marketing de servicio del cliente más allá después

de que realizó el cliente la compra a Través de una base de datos que muestre segmentados Cuál fue el resultado después de la compra del cliente en el tiempo y qué más le podemos ofrecer después de que ya fon las preferencias que elente tuvo es que ahí estás mezclando un montón de cosas pero te voy a contar algo que enseñ todo eso Que dices son distintos tipos de análisis que se hacen no sé si están viendo en mi pantalla ahorita algo que dice reglas de asociación lo leen Este si lo ven eso es un Para

que veas el tipo de cosas que enseñamos en nuestras maestrías una de las cosas que enseñamos es reglas de asociación Pero tú estás hablando ahí de modelos de clasificación estás hablando de clustering estás hablando un montón de cosas todas en una no y no tiene que ver sol solente con la base de datos tiene que ver con el tipo de análisis o de algoritmo que haces una de las cosas que enseñamos nosotros en nuestras maestrías Es esto las reglas de asociación lo que les enseñamos es y el ejercicio que les ponemos es bien divertido no

eh El objetivo es encontrar un conjunto de ems que tienden a comprarse juntos y establecer reglas entre ellos no entonces son reglas del tipo si el cliente compró a entonces comprará B Okay así se se plantean reglas de es entonces son tienen una premisa y tienen una conclusión no Entonces ve lo Qué haces Te voy a mostrar solo esto porque No tengo mucho tiempo esto es un Este es un outcome de esa de Esas reglas de asociación Si el cliente compró zapatos entonces probablemente compre jeans Sí de hecho el 35 de Los tiquetes de esa

tienda tenían zapatos y jeans y si usted compra zapatos existe una probabilidad del 70 por de que compre jeans ese ese tipo de análisis lo que hace es que te permite hacer lo que hace Amazon contigo que te dice ey el que compró este producto sabes qué también compró este y Te hacen listas de recomendación y te hacen no listas de recomendación azarosas Las hacen en función de los patrones de compra de todos los que están en el supermercado Eh entonces es un tipo de algoritmo extremadamente potente eh Porque permite definir Cómo se usan verdad

aquí se usan por ejemplo para este segmentar clientes basados en patrones de compra podemos hacer por ejemplo ubicación de productos en Estantes si yo sé que estos dos productos van juntos O que cuando la gente compra este existe una alta probabilidad de que compre Este Entonces lo pongo cerca en el anaquel entonces todo el tema de planimetrías sirve para hacer Cross selling o off selling Sí yo quiero recomendarte un producto que es más caro que aumenta tu etiqueta de compra y que tiene alta probabilidad de comprar dado que compraste antes o sea dado que metiste

en tu carrito esto te Muestro esto otro verdad qué es lo que hace Amazon ves esto justo lo que tú pones esto en tu carrito de Amazon y te dice frequently B Together esto y esto y la mayoría de la gente Qué hace p los mete todos en el carrito eso es lo que hace Entonces si ahorita se están haciendo montones de cosas con con con esto que comentas y son son análisis extremadamente potentes que nosotros enseñamos en nuestras maestrías enseñamos para que la gente salga a Aplicarlos directamente entonces no sé si te respondí hay

otras cosas porque insisto en tu pregunta mencionaste un montón de cosas predicción también yo quiero saber probabilidad de que una persona esté embarazada en función de un minuto que mis hijos Perdón este entonces Bueno sí hay un montón de cosas que se pueden hacer Gabriela y que nosotros enseñamos ahorita en nuestras Maestrías en otro hoy una clase muy sencilla de análisis exploratorio pero hacemos montones de cosas como esta que te acabo de eh de hacer entonces eh Ya para para terminar eh voy a mostrar una cosita de de Steve Jobs que me gusta mucho Steve

Jobs tenía una frase muy buena él decía que la computadora es como una bicicleta Para nuestras Mentes eh Y a mí me encanta esa expresión porque él hace un análisis en donde habla de el ser humano no es muy Eficiente desplazándose con su cuerpo o sea y otros seres vivos que se desplazan mucho desplazan la masa que tienen mucho más rápido o más eficientemente No necesariamente más rápido más eficientemente pero dice pero si tú montas un hombre en una bicicleta es el ser más rápido sobre la Tierra el más eficiente Eh entonces él dice la

computadora es como una bicicleta para la mente eh lo bonito de esto y por eso les hacía el ejercicio al principio de La clase eh del las limitaciones que tenemos cuando usamos análisis de datos impulsados por tecnologías digitales superamos nuestras propias limitaciones cognitivas y eso en un mundo que está lleno de datos era una enorme oportunidad pero enorme oportunidad sí tengan en cuenta que las oportunidades de negocio que nos abre el uso y manejo de los datos son inmensas y que apenas estamos empezando a sacarle provecho apenas entonces que queremos nosotros Enseñar en una escuela

como incae que la gente puede tomar los datos de los datos sacar insights es decir información muy valiosa y después pasar esos insights a ganancias Y eso es lo que nos gustaría que ustedes Di de hecho en nuestras materias cuantitativas los profes que damos esa materia usualmente los los resultados de los problemas que pedimos No es que me calculen una media o una desviación es que me calculen el beneficio monetario que tendría un banco Si utiliza un modelo para predecir quién va a construir Quién va a cometer fraude versus el modelo tradicional del banco Cuánta

plata se ahorra para tomar esa decisión así hacemos la evaluación de nuestros ejercicios porque somos una escuela de negocios obviamente porque en el fondo lo que queremos que la gente tenga más profit así que esa es la clase que les preparé para hoy Espero les haya gustado eh y vamos a pasar una este una pequeña encuesta les pido porfa que la Respondan eh Y por supuesto yo meedo conectar un ratito más para eh eh Para respuestas la lista de recomendaciones Pero por supuesto con muchísimo gusto ya se las voy a pasar Denme un segundito se

las voy a poner en el chat creo que las pueden Ver todos eh A ver a ver a [Música] ver mi hijos hablando de Spiderman copy link Ok les voy a poner en el chat eso que lo puedan ver [Música] todos ahí tienen una lista de referencias bibliográficas que yo he preparado la pueden chequear la pueden compartir tien los links directamente a están en inglés casi todos los libros que les pongo ahí pero pero son buenos recomiendo más es uno que se llama si Les interesa de verdad todo este tema Bueno si quieren entender el

valor gerencial el primero que se llama competing on analytics de davenport es muy bueno pero si quieren empezar a aplicar esto appli predictive modeling este que está aquí es uno muy bueno y uno que usamos en nuestro curso se llama an introduction to statistical learning usamos este y tiene usan r como como base Eh entonces ahí lo tienen se pueden Dejar ese ese link eh yo por actualice voy actualizando esa ese ese Google doc Entonces lo pueden tener Así que Eh bueno con esto creo que podemos dar por concluida la la clase eh les agradezco

a todos infinitamente el tiempo espero que la hayan conseguido interesante y y y bonita eh la hemos preparado con muchísimo gusto Esto es lo más cercano que van a ver a la experiencia en cae eh es prácticamente una clase obviamente cuando estamos en una clase un grupo más Pequeño hacemos más este más dinámicas y más eh más interacción más bonita eh Pero bueno Hicimos lo que pudimos ustedes habían 150 de ustedes lo cual para mí es un verdadero privilegio Les deseo a todos una feliz navidad y un feliz año sigan cuidándose mucho en sus distintos

países tengan mucha salud pásenla con su familia que es muy importante yo ciertamente voy a hacer eso eh Y no sé si hay un espacio más para preguntas o Este consultas Patricia adelante Patricia Hola me escucha Sí señora Bueno antes que nada pues agradecerle a Me encantó la clase Pues esta parte del análisis de datos a mí me me me llama muchísimo la atención especialmente por la aplicación en la parte de inventarios eh esos ces de datos que uno tiene entre la venta la compra y el inventario en estos análisis son super importantes Porque uno

puede ver dónde se está perdiendo eh producto y Y dónde se está desperdiciando producto eh estos análisis eh Son son s super especiales por lo menos a mí en este caso pues eh Me encantó eh ver otros otras formas de poderlo ver y pues no agradecerles la invitación a la a la a la clase y pues Eh sí que en una clase pues uno pod observar muchas oportunidades y agradecerles pues que nos tomen en Cuenta nada Muchas gracias Patricia encantado te cuento que en en Inc en educación ejecutiva dan clases dos de nuestros Yo soy

fan número uno de todos nuestros profes fy su alumno en las dos maestrías pero tenemos dos que son particularmente geniales en operaciones en el manejo de supply Chain mi queridísimo profesor Roy este Zúñiga y Luis López ellos dos son Magos en este tema de de de manejo de cadena de aprovisionamiento y Roy además Es el director académico de la maestría en business analytics y una de las materias que vemos es es Es operaciones analytics en operaciones y se hacen unas cosas por ejemplo como pedir la orden óptima para para tener el mejor manejo de inventario

que no tengas No rompas inventario ni tengas exceso bueno el tema medición de las capacidades por las etapas el trup bueno se pueden hacer millones de cosas verad Entonces si ese tema te gusta y te Interesa tenemos verdaderos cracks en ese en ese tema mi jefe mi jefe de investigadores es experto en eso también bien un doctorado en Harvard en operaciones él no da clases en en educación ejecutiva solo da clases en en Ah bueno creo que da clases en algunos cursos abiertos eh Santiago Cris se llama es otro crack absoluto es un tema muy

bonito Bueno si ya no hay ninguna cosa más este de nuevo En nombre del equipo Muchas gracias y Eh bueno quedamos a la orden ahí ojalá se se unan y sean estudiantes de incae eh Próximamente nos encantará tenerlos en nuestras aulas Sí muchísimas gracias rami por tu tiempo Muchas gracias a todos los asistentes Cualquier duda o inquietud nos pueden estar escribiendo a nuestros correos para brindarles mayor información Igual que tengan unas muy lindas fiestas y Nuevamente muchas gracias