Análisis de datos con python

Question 1

Números discretos

Answer 1

Datos con números enteros (edades, conteos, etc).

Question 2

Números contínuos

Answer 2

Que pueden tomar cualquier valor, pueden tener decimales (temperatura, precios).

Question 3

Datos numéricos

Answer 3

Valores que son representados con números.

Question 4

Datos categóricos

Answer 4

Solo pueden tomar unos valores específicos dentro de una categoría.

Question 5

Datos categóricos binarios

Answer 5

Solo hay dos opciones.

Question 6

Datos categóricos ordinales

Answer 6

Tienen un orden explícito (ranking del 1-10).

Question 7

Estimados de locación

Answer 7

Nos ayudan a ubicar un valor típico que sea representativo del conjunto de datos.

Question 8

Estimados de variabilidad (o dispersión)

Answer 8

Miden qué tan dispersos están los demás datos respecto al valor típico.

Question 9

Población

Answer 9

Totalidad de elementos sobre los que se está haciendo el análisis.

Question 10

Muestra de población

Answer 10

Subconjunto o parte de la población en la que se estará llevando a cabo el análisis.

Question 11

Ejemplos de estimados de locación

Answer 11

Media, mediana, moda, media truncada, media ponderada, percentiles.

Question 12

Promedio (mean)

Answer 12

Se obtiene sumando todos los datos y luego dividiéndolos entre la cantidad de datos que tenemos.

Question 13

Mediana

Answer 13

Se obtiene ordenando de menor a mayor nuestros valores y luego obteniendo el valor que está justo a la mitad de la secuencia.

Question 14

Valores atípicos

Answer 14

Valores que se encuentran tan alejados del valor típico que pueden pensarse como anomalías en nuestro conjunto de datos.

Question 15

Estimado estadístico robusto

Answer 15

Estimado estadístico que no es tan sensible a la presencia de valores atípicos.

Question 16

¿Cuándo tenemos valores atípicos qué estimado de locación es preferible?

Answer 16

La mediana

Question 17

¿Cuándo no tenemos valores atípicos qué estimado de locación podemos utilizar?

Answer 17

Promedio o media.

Question 18

Media truncada

Answer 18

Los valores que caen por encima o por debajo de ciertos límites predefinidos se “truncan” o eliminan antes de calcular la media.

1) ordenamos nuestros datos de menor a mayor.
2) truncamos un porcentaje de nuestros datos al inicio y al final. Por ejemplo, si elegimos eliminar el 5% de los datos, eliminaríamos 2.5% de los datos al inicio de la secuencia y 2.5% al final.
3) Con los datos restantes, obtenemos el promedio.

Question 19

Media ponderada

Answer 19

Es similar a la media aritmética, pero se asignan pesos a cada valor antes de calcularla.

Question 20

Desviación estándar

Answer 20

Es una medida que nos dice cuánto se separan los datos del promedio.
(Recordar ejemplo de la caja de juguetes)

Es sensible a los valores atípicos.

Question 21

Ejemplos de estimados de variabilidad

Answer 21

Desviación estándar, varianza, rango, rango intercuartílico (RIC), coeficiente de variación, coeficiente de asimetría.

Question 22

¿Cómo se calcula la desviación estándar?

Answer 22

1) se obtienen todas las diferencias entre cada valor y nuestro valor típico. 2) Después se eleva cada valor al cuadrado para convertir todos los números en positivos.
3) Se suman todos estos valores.
4) Se dividen entre la cantidad de valores
5) - 1 (ajuste de la formula al trabajar con muestras)
6) y finalmente se saca la raíz cuadrada del valor resultante.

Question 23

Desviación absoluta de la mediana

Answer 23

Estimado de variabilidad más robusto que no se afecta por los valores atípicos.

Question 24

Estadísticos de Orden

Answer 24

Estimar la dispersión de nuestros datos ordenándolos de forma ascendente (de menor a mayor).

Question 25

Rango

Answer 25

El rango es la diferencia entre el valor mínimo y el valor máximo de nuestro datos.

No es robusto, ya que dentro de ese rango los valores pueden estar distribuidos de muchas maneras distintas.

Question 26

Percentiles

Answer 26

Nos ayuda identificar la posición de un valor específico en relación con otros valores en un conjunto de datos ordenados.

En un conjunto de datos, el percentil P es un valor que indica que por lo menos P% de los valores en el conjunto tienen este valor o un valor menor; mientras que (100-P)% de los valores tienen este valor o un valor mayor.

Question 27

Rango intercuartílico

Answer 27

Diferencia entre el percentil 75 y el percentil 50.

Question 28

Seaborn

Answer 28

Biblioteca de visualización de datos que está construida sobre Matplotlib.

Question 29

Matplotlib

Answer 29

Biblioteca de visualización de datos, muy flexible, permite personalizar los gráficos.

Question 30

Boxplots

Answer 30

Representación gráfica de cómo se distribuyen los datos, resaltando los valores atípicos.
– Componentes:
1) El rango intercuartílico (RIC): Es la caja. Muestra dónde están el 50% de los datos, desde el primer cuartil (el borde inferior de la caja) hasta el tercer cuartil (el borde superior de la caja).
2) La mediana: Es la línea dentro de la caja y representa el valor que está justo en el medio de todos los datos.
3) Los bigotes: Son líneas que se extienden desde la caja y muestran el rango de la mayoría de los datos. Longitud máxima de 1.5 * Rango Intercuartílico
4) Los valores atípicos: Son puntos que están más allá de los bigotes y pueden indicar datos poco comunes o extremos.

Question 31

¿Qué hacen los percentiles?

Answer 31

segmentan nuestros datos en grupos de diferente tamaño de rango pero con la misma cantidad de muestras.

Question 32

tablas de frecuencias

Answer 32

segmentan nuestros datos en segmentos que miden lo mismo pero que contienen una cantidad distinta de muestras.

Question 33

Histogramas

Answer 33

una tabla de frecuencias hecha gráfica.
X = rangos de datos
Y = rango de conteos

Question 34

Distribución Simétrica

Answer 34

Es la que, al ser dividida a la mitad por una línea, tiene un lado izquierdo prácticamente idéntico pero en espejo al lado derecho.

Question 35

Distribución normal

Answer 35

La distribución normal tiene un promedio de 0 y una desviación estándar de 1. Se utiliza como estándar para comparar todas las demás distribuciones.

Question 36

Distribución asimétrica

Answer 36

Una distribución tiene asimetría positiva (o a la derecha) cuando la “cola” a la derecha de la media es más larga que a la izquierda.

Una distribución tiene asimetría negativa (o a la izquierda) cuando la “cola” a la izquierda de la media es más larga que a la derecha.

Question 37

Distribuciones de cola larga y corta

Answer 37

Larga: aquellas cuyas colas (o cola) se extienden mucho más allá de la mayoría de los datos.
Corta: que rápidamente se aproximan a un conteo de 0 alrededor de la media.

Question 38

Distribución Uniforme o Aproximadamente Uniforme

Answer 38

Aquella donde la probabilidad de obtener alguno de los valores dentro del rango total es prácticamente la misma.

Question 39

Distribución bimodal

Answer 39

Que tiene dos aglomeraciones de datos.

Question 40

Asimetría

Answer 40

medida de simetría o asimetría de la distribución de datos

Question 41

Curtosis

Answer 41

mide si los datos tienen cola pesada o cola ligera en una distribución .

Question 42

Gráficas de densidad

Answer 42

una versión “suavizada” de los histogramas.

visualiza la distribución de datos cuantitativos en un intervalo o período de tiempo continuo.

usa suavizado de kernel para trazar valores, lo que permite distribuciones más suaves suavizando el ruido.

nos puede servir para comparar múltiples distribuciones en la misma gráfica.

Question 43

Gráficas anotadas

Answer 43

Con elementos que permiten que sea más comprensible para las usuarias y usuarios.
- titulo
- Nombres de ejes
- Leyendas
- Tamaño de la gráfica
- Dirección de los tics

Question 44

Gráficas de barras

Answer 44

Para variables categóricas, no hay rangos sino categorías ya definidas, no hay un orden específico, barras espaciadas.

Question 45

Gráficas de pie

Answer 45

Muy poco informativas, no suele utilizarse en análisis más profesionales.

Question 46

Moda

Answer 46

La moda es el valor (o los valores) categórico que más se repite en un conjunto de datos.

Question 47

Tablas de contingencia

Answer 47

Una tabla de contingencia toma una de las variables categóricas como índice y otra (o más de una) de estas variables para crear columnas. Una tabla de contingencia es básicamente una tabla de conteos dividida por categorías.

Question 48

Correlación entre variables

Answer 48

Implica que existe un cierto nivel de dependencia directa o indirecta entre ellas. Si una de las variables cambia de valor, la otra cambia también de una forma parcialmente predecible.

Question 49

Correlación positiva

Answer 49

Cuando el aumento de valores en una de ellas está relacionado con el aumento de valores en la otra. También están correlacionadas positivamente si la disminución de valores en una de ellas está relacionado con la disminución de valores en la otra.

Question 50

Correlación negativa

Answer 50

Cuando el aumento en los valores de una está relacionado a la disminución de los valores en la otra, y viceversa.

Question 51

Coeficiente de Correlación de Pearson

Answer 51

nos sirve para calcular la correlación entre dos variables numéricas, y que depende de la desviación estándar de nuestras variables. Nos indica si la correlación es negativa o positiva, y también la fuerza de esa correlación.

Question 52

Fuerzas de correlación

Answer 52

Es un valor entre -1 (correlación negativa perfecta) y 1 (correlación positiva perfecta). 0 indica que no hay ninguna correlación entre las variables (es decir, son totalmente independientes).

Un coeficiente de 0.7, por ejemplo, significa que tienes una correlación bastante fuerte pero no perfecta. Un coeficiente de -0.2 significa que tu correlación es negativa y bastante débil, lo cual podría incluso indicar que es una relación debida al azar.

Question 53

Matriz de correlaciones

Answer 53

Cada celda representa la intersección entre la columna y la fila correspondiente. El valor que contiene es el coeficiente de correlación de Pearson. Observa que hay una línea diagonal justo a la mitad de la matriz que contiene puros 1s. Esta diagonal es la intersección de cada variable consigo misma, por lo que obviamente la correlación es perfecta. También observa la redundancia en los datos arriba y debajo de la diagonal.

Question 54

Heatmaps o Mapas de Calor

Answer 54

Para representar visualmente nuestra matriz de correlaciones.

Question 55

Scatterplots o Gráficas de Dispersión

Answer 55

Grafican una de las variables en el eje x y la otra variable en el eje y de un plano cartesiano. Cada muestra es un punto en el plano que tiene su respectivo valor para x y para y.

Question 56

Pairplots o Gráficas de Pares

Answer 56

Los pairplots usan gráficas de dispersión (scatterplots) para graficar todas las posibles combinaciones de relaciones entre las variables de un dataset.

Question 57

Regresión Linear Simple

Answer 57

Proceso a través del cual intentamos crear una ecuación que pueda predecir una variable utilizando la otra como punto de partida. Lo interesante es que dicha ecuación representa, (lo adivinaste) una línea en un plano.
Y= mx + b

El objetivo de la regresión linear es encontrar los valores para m y b.

Entre más fuerte sea la relación entre dos variables, más precisa será la predicción.

El proceso a través del cual encontramos los valores para el coeficiente m y el intercepto b se llama ‘entrenamiento’. El algoritmo y los parámetros que estamos utilizando (en este caso los que definen cómo llevar a cabo la regresión linear) los llamamos el modelo.

Question 58

Coeficiente de determinación o R2 (R squared)

Answer 58

Una de las medidas que utilizamos para medir la efectividad de nuestro modelo de regresión lineal (valor entre el rango 0 y 1)