Post on 07-Feb-2018
transcript
¿Qué son los Datos?
Una variable es una propiedad o
característica de un Individuo
Ejemplos: color de ojos
de un persona,
temperatura, estado civil
Una colección de variables
describen a un Individuo
Un individuo también se conoce
como registro, punto, caso,
objeto, entidad, ejemplo de
observación
Id Dev. Estado Civil
Impuestos Fraude
1 Si Soltero 125Mil No
2 No Casado 100Mil No
3 No Soltero 70Mil No
4 Si Casado 120Mil No
5 No Divorciado 95Mil Si
6 No Casado 60Mil No
7 Si Divorciado 220Mil No
8 No Soltero 85Mil Si
9 No Casado 75Mil No
10 No Soltero 90Mil Si 10
Variables
Individuos
Tipos de Variables
Cualitativos vs. Cuantitativos
Cualitativo (o categórico) las variables
representan distintas categorías en lugar de
números. Las operaciones matemáticas como la
suma y la resta no tienen sentido.
Ejemplos: color de los ojos, grado académico, dirección IP,
código postal.
Cuantitativos (o numéricos) las variables son los
números y pueden ser tratados como tales.
Ejemplos: peso, fallos por hora, el número de televisores, la
temperatura
Variables Cuantitativas
• Los valores de la variable son “números” = cada valor posible es menor o mayor que otro valor
• Ejemplos: edad, ingresos, nota en un examen, número de años de educación, kilómetros de distancia entre trabajo y residencia…
• OJO: hay “números” que son “etiquetas”; por ejemplo: el código postal; el número de teléfono; el código de una asignatura
Variable Discreta vs Variable Continua
• Una Variable Discreta es aquella en la cuál se puede contar el número posible de valores (son números enteros)
• Una Variable Continua puede tomar cualquier valor en un intervalo dado (son números reales)
Variables Cualitativas
• Variables cualitativas son aquellas que clasifican las unidades en categorías. Las categorías pueden tener un orden natural (ordinales) o no (nominales).
• Cuando las variables son ordinales podemos contar número de casos, comparar entre categorías, pero no podemos realizar operaciones numéricas.
Variables Ordinales
• Categorías, no números, que tienen un orden, pero no existe una distancia o intervalo definido entre los valores
– Ejemplo: profesión Bachiller, Licenciado, Máster, Doctor
• Tratamiento estadístico:
– A veces, como variables cualitativas
– A veces, como variables cuantitativas
Variables Nominales
• Los valores son “categorías”
• Las categorías son valores diferentes por una cualidad, no por una cantidad
• Ningún “valor” se puede decir que sea mayor o menor que otro
• Ejemplos: partido político al que votó; región en que vive; sexo; estado civil.
¿cómo transformar variables cuantitativas en cualitativas?
• La conversión de una variable cuantitativa en cualitativa se denomina categorización. 1. Se ordena la variable
2. Se decide el número k de categorías
3. Se buscan los límites e intervalos para cada categoría [min, min+(max-min)/k[, [min, min+2*(max-min)/k[ …
4. Se asigna una etiqueta para cada categoría
5. En la variable original (sin ordenar) se cambia cada valor por una etiqueta según el intervalo al que corresponda
Ejemplo
Matemáticas Ciencias Español Historia EdFísica
Lucía 7.0 6.5 9.2 8.6 8.0
Pedro 7.5 9.4 7.3 7.0 7.0
Inés 7.6 9.2 8.0 8.0 7.5
Luis 5.0 6.5 6.5 7.0 9.0
Andrés 6.0 6.0 7.8 8.9 7.3
Ana 7.8 9.6 7.7 8.0 6.5
Carlos 6.3 6.4 8.2 9.0 7.2
José 7.9 9.7 7.5 8.0 6.0
Sonia 6.0 6.0 6.5 5.5 8.7
María 6.8 7.2 8.7 9.0 7.0
Los Datos en Métodos Predictivos
|Id Reembolso Estado Civil
Ingresos Anuales Fraude
1 Sí Soltero 125K No
2 No Casado 100K No
3 No Soltero 70K No
4 Sí Casado 120K No
5 No Divorciado
95K Sí
6 No Casado 60K No 10
Tabla de Aprendizaje
Id Reembolso Estado Civil
Ingresos Anuales Fraude
7 No Soltero 80K No
8 Si Casado 100K No
9 No Soltero 70K No 10
Tabla de Testing
Variable Discriminante
Ejemplo 1: IRIS.CSV
Ejemplo con la tabla de datos IRIS IRIS Información de variables: 1.sepal largo en cm 2.sepal ancho en cm 3.petal largo en cm 4.petal ancho en cm 5.clase:
• Iris Setosa • Iris Versicolor • Iris Virginica
Tarea 1C
• Calcule en Rattle para todas las variables cuantitativas presentes en el archivo SAheartv2.csv
– El mínimo, el máximo, la media, la mediana y para la variables chd calcule la cantidad de Si y de No
– Las distribuciones, la matriz de correlaciones y el biplot para el Análisis en Componentes Principales.
Explorando datos en RStudio # Leyendo Datos -> Laboratorio Exploratorio setwd("C:/Users/Oldemar/Desktop/MDCursoVE/Datos") datos=read.csv("iris.csv",sep = ";",dec='.',header=T) datos head(datos) summary(datos) dim(datos) str(datos) datos$s.largo datos$s.ancho boxplot(datos$s.largo,col='blue',xlab="Largo del Sepalo") boxplot(datos$p.largo,col='red',xlab="Largo del Petalo") hist(datos$s.largo,col=4) plot(density(datos$p.largo),col=2) plot(datos$p.largo,datos$s.largo) install.packages('ggplot2', dependencies = TRUE) library(ggplot2) qplot(s.largo, p.largo, data = datos,colour=c(1:150))
Tarea 1D
• En RStudio con el archivo SAheartv2.csv – Calcule la dimensión de la Tabla de Datos – Despliegue las primeras columnas de la tabla de datos. – Ejecute un “summary” y un “str” de los datos. – Usando el comando “cor” de R calcule la correlación
entre las variables tobacco y alcohol. – Despliegue boxplot’s para las variables tobacco y alcohol – Despligue un histograma para las variables tobacco y
alcohol – Grafique la función de densidad de la variable tobacco – Grafique un plano con las variables tobacco y alcohol – Instale el paquete'ggplot2’ y usando este paquete
grafique un plano con las variables tobacco y alcohol