Speaker A
Muy bien, entonces el día de hoy tenemos que ver estadística descriptiva, pero aún nos falta el laboratorio de visualización de datos, ¿no? Entonces, vamos a ver. Nos había ayer habíamos revisado pues todos estos puntos, ¿no?
Sesión sobre estadística descriptiva y visualización de datos en R usando ggplot2 y librerías complementarias.
Key Takeaways
- ggplot2 utiliza una gramática de gráficos basada en capas para construir visualizaciones complejas.
- R ofrece herramientas superiores a Excel para gráficos personalizados y análisis estadístico.
- Las librerías adicionales amplían las capacidades de ggplot2, incluyendo animaciones y gráficos faceteados.
- La calidad y estética del gráfico dependen de la creatividad y habilidad del usuario.
- Material complementario y libros recomendados facilitan el aprendizaje avanzado en visualización de datos.
Summary
- Introducción a la estadística descriptiva y visualización de datos con R.
- Revisión de funciones base de R para gráficos en 2D y 3D.
- Explicación detallada de la gramática de gráficos en ggplot2 y construcción por capas.
- Uso de geom_point para gráficos de dispersión y diferenciación por grupos con facet_wrap.
- Personalización de gráficos agregando capas como títulos, leyendas y temas.
- Presentación de librerías complementarias como GG Animate para gráficos animados y Gali para gráficos simultáneos.
- Recomendación de libros del creador de ggplot2 para profundizar en técnicas de visualización.
- Importancia de la imaginación y creatividad para mejorar la estética de los gráficos.
- Demostración práctica de construcción y modificación de gráficos en R.
- Discusión sobre técnicas multivariantes y análisis estadístico complementario.
Chapters
- 00:00Introducción a estadística descriptiva y visualización en R
- 04:57Gramática de gráficos en ggplot2 y capas principales
- 10:04Uso de la función GGPS y carga de librerías complementarias
- 14:59Personalización y agrupación de gráficos con facet_wrap
- 26:15Recomendaciones de libros y recursos para ggplot2
- 31:31Demostración práctica y modificaciones de gráficos
- 41:54Aplicaciones avanzadas y técnicas multivariantes
- 46:46Resumen y conclusiones sobre visualización y análisis en R
Full Transcript — Download SRT & Markdown
Speaker A
Vamos a hacer una una revisión rápida. Ya habíamos visto que R tiene funciones base para crear gráficos y eh también son gráficos interesantes, ¿no?
Speaker A
Vamos a hacer una revisión rápida. Ya habíamos visto que R tiene funciones base para crear gráficos y también son gráficos interesantes, ¿no?
Speaker A
Entonces, podemos hacer este tipo de gráficos, gráfico dispersión, también podemos graficar funciones matemáticas y r sencillo, ¿no?
Speaker A
Son mucho mejores que Excel, obviamente, ¿no? Que el SPCSAT, ¿no? Pero cuando queremos personalizar mucho más ya muestra limitaciones, ¿no?
Speaker A
Pero también R permite hacer gráficos en tres dimensiones, por más compleja que sea la función.
Speaker A
Entonces, podemos hacer este tipo de gráficos, gráfico de dispersión, también podemos graficar funciones matemáticas y es sencillo, ¿no?
Speaker A
Y lo interesante es que su personalización ya dependía de la imaginación de uno y no tenía límites, muchachos.
Speaker A
Por más complicado que sea la función, nosotros podemos graficarlo, no hay problema. Estos son gráficos en dos dimensiones, ¿no?
Speaker A
Eh, ahí te lo vamos a revisar ya. Y Plot es como un artista, ¿no? Tú eres el artista y va a depender de ti que tan eh estético sea tu gráfico, ¿no?
Speaker A
Pero también R permite hacer gráficos en tres dimensiones, por más compleja que sea la función.
Speaker A
¿Y en qué consiste esa gramática? Que cada vez que yo construyo un gráfico, voy a tener que sumar capas donde cada capa pues tiene alguna funcionalidad específica, ¿no? Por ejemplo, puede sumar data, puedo sumar geometría, agrupaciones, temas, un montón de cosas.
Speaker A
R lo puede graficar, ¿no? Y luego vimos GG Plot, ¿no? GG Plot se presentaba pues como una librería potente para hacer gráficos de visualización de todo tipo, por cierto.
Speaker A
Luego vimos un poquito Gplot, cómo se construía. Primero se usa la función Gplot, se da la se da la data, por ejemplo, y en este caso se da la eh la declaras la función Gplot, le das la data y las
Speaker A
Y lo interesante es que su personalización ya dependía de la imaginación de uno y no tenía límites, muchachos.
Speaker A
Si yo le sumo un elemento más, en este caso la geometría geon point es gráfico de puntos, ¿no? Ya observo efectivamente los puntos, ¿no?
Speaker A
Quizás no pensemos muchas cosas sobre eso, pero podemos hacer gráficos muy interesantes, ¿no? Y acá vamos, acá aprovecho a la no [Música] les he compartido un libro del mismo autor de GG Plot.
Speaker A
automáticamente ya me proporciona el título al gráfico. También puedo agregar un capa de leyenda. En este caso la leyenda ya desaparece ¿no?
Speaker A
Ahí te lo vamos a revisar ya. GG Plot es como un artista, ¿no? Tú eres el artista y va a depender de ti qué tan estético sea tu gráfico, ¿no?
Speaker A
Luego le lo agrupo, mejor dicho, esos puntos, lo diferencio por grupos, en este caso por especies y eso se hace con la función face frap, ¿no? Le das la variable de agrupación o de clasificación y automáticamente lo separa tus puntos,
Speaker A
Entonces, de ti va a depender la calidad del gráfico, en otras palabras, ¿no? Por eso se llama que GG Plot es una gramática de gráficos, ¿no?
Speaker A
Eso es, ¿no? Eso es o es así como se construye un gráfico en GG Plot.
Speaker A
¿Y en qué consiste esa gramática? Que cada vez que yo construyo un gráfico, voy a tener que sumar capas donde cada capa pues tiene alguna funcionalidad específica, ¿no? Por ejemplo, puedo sumar data, puedo sumar geometría, agrupaciones, temas, un montón de cosas.
Speaker A
Suondría se podría decir algunas extensiones. G Animate que te permite hacer gráficos animados. Y Rich para gráficos de densidad faceteados.
Speaker A
Son siete capas las más conocidas, ¿no? Pero hay otras capas también que aportan para que el gráfico sea mucho más interesante.
Speaker A
Esto lo vimos ayer rápidamente, ¿no? Por ejemplo, si quiero usar este complemento de Gigali, en este caso, lo único que tengo que hacer es lo siguiente, ¿no? Primero, cargar la librería.
Speaker A
Luego vimos un poquito GG Plot, cómo se construía. Primero se usa la función GG Plot, se da la data, por ejemplo, y en este caso se declara la función GG Plot, le das la data y las variables que van a entrar en el uso, ¿no? Y automáticamente con esta primera función ya se habilita el espacio donde va a ir el gráfico, ¿no?
Speaker A
y agregas este argumento que le dice, "Oye, diferenciame por color según especies." Si tú no pones esta cosita, este argumento, lo que te va a generar son gráficos todos del mismo color y no se va a diferenciar las especies, ¿no?
Speaker A
Si yo le sumo un elemento más, en este caso la geometría geom_point es gráfico de puntos, ¿no? Ya observo efectivamente los puntos, ¿no?
Speaker A
Eso es lo interesante. Para las numéricas hace los gráficos apropiados y las para las categóricas pues haces un diagrama de barras, ¿no?
Speaker A
Entonces con dos capas ya tengo un gráfico interesante. Si quiero agregar más cosas, lo único que tengo que hacer es sumar más capas, ¿no? Por ejemplo, le voy a agregar la capa de título, ¿no?
Speaker A
Por ejemplo, ayer ustedes me han pedido algunos libros. Luis, disculpa, una pregunta ahí respecto a la gráfica.
Speaker A
Automáticamente ya me proporciona el título al gráfico. También puedo agregar una capa de leyenda. En este caso la leyenda ya desaparece, ¿no?
Speaker A
Claro, acá vendría a ser el cambio, ¿no? Por ejemplo, crearías un objeto Iris dos con las variables que tú quieres, ¿no?
Speaker A
¿Por qué? Porque como estos puntos están diferenciados por especie, entonces la leyenda ya vendría a ser muy redundante, ¿no?
Speaker A
Sí. O si no acá también, ¿no? Corchete, por ejemplo, coma de la variable uno al variable 3, ¿no? Algo así. Ya va a depender de tu habilidad, ¿no?
Speaker A
Luego los agrupo, mejor dicho, esos puntos, los diferencio por grupos, en este caso por especies y eso se hace con la función facet_wrap, ¿no? Le das la variable de agrupación o de clasificación y automáticamente separa tus puntos, ¿no? Es decir, acá hemos usado cinco capas y tu gráfico está mucho más interesante, ¿no?
Speaker A
También válido, ¿no? Perfecto, perfecto. Gracias. Claro, tú puedes elegir solo las variables que quieres, ¿no? Si no dices nada, te lo va a hacer para todas las variables.
Speaker A
Eso es, ¿no? Eso es o es así como se construye un gráfico en GG Plot.
Speaker A
Acá en este libro se explica todas las técnicas de imputación de datos que existen.
Speaker A
Esto vimos ayer, ¿no? Y también lo interesante es que GG Plot en este caso tiene algunas librerías aliadas, ¿no?
Speaker A
Muy bien. Y el otro libro que les he compartido es el autor de Gig Plot, el creador de Gig Plot también sacó su libro Gig Plot dice Gráficos elegantes para análisis de datos. No, este libro es la Biblia de G Plot Has.
Speaker A
Se podría decir algunas extensiones. GG Animate que te permite hacer gráficos animados. Y Rich para gráficos de densidad faceteados.
Speaker A
Entonces ustedes pueden hacer gráficos de todo nivel, ¿no? Muy bien. Entonces también les dejo ahí para que tengan como material complementario ¿ya?
Speaker A
Y Gali, Gali para hacer gráficos simultáneos, ¿no? Es con una sola función. Tú puedes hacer muchos gráficos, ¿no?
Speaker A
Muy bien. Entonces ahí le dejo para que ustedes revisen. Eh, es el mismo autor, del mismo creador de la librería. Ya es su mismo libro también.
Speaker A
Esto lo vimos ayer rápidamente, ¿no? Por ejemplo, si quiero usar este complemento de Gali, en este caso, lo único que tengo que hacer es lo siguiente, ¿no? Primero, cargar la librería.
Speaker A
Este libro me parece el más completo que existe, es un libro muy didáctico, también tiene su nivel, pero tiene todo relacionado estadísticas.
Speaker A
Segundo, usar su función. La función se llama GGPS, ¿no? ¿Qué te pide? Una data.
Speaker A
Sí buenazo y más por la por la por quienes los publican. O sea, es una firma muy respetada. es un libro que lo he lo he tomado eh como consulta, pero también es importante que mencionar que para que así mismo como te
Speaker A
Y agregas este argumento que le dice, "Oye, diferenciame por color según especies." Si tú no pones esta cosita, este argumento, lo que te va a generar son gráficos todos del mismo color y no se va a diferenciar las especies, ¿no?
Speaker A
libro de matemáticas para poder entender algunos ejemplos que que ahí presentan, pero al final se saca se saca camino.
Speaker A
Y mira, para esa data Iris automáticamente te genera ese gráfico, un reporte de los gráficos más importantes de tu data.
Speaker A
a veces uno a uno y se convierte un poquito tedioso, ya que a veces uno está en, ya saben, en trabajo y se complica un poco y uno pierde a veces la secuencia de lo que uno está descargando, si no pueden colar
Speaker A
Eso es lo interesante. Para las numéricas hace los gráficos apropiados y para las categóricas pues hace un diagrama de barras, ¿no?
Speaker A
Ya ahí lo lo vamos a coordinar con con el encargado de de Mundo Tesis. Sí, muy buena observación.
Speaker A
Eso es lo interesante. Muy bien, eso vimos ayer y ahora vamos a ver lo que es el laboratorio, ¿no? Pero antes de ver el laboratorio, quiero comentarles que les he compartido también los libros, ¿no?
Speaker A
¿no? Reputación es una editora que se una reputación y la de Gig Plot es una editora que también tiene una alta reputación.
Speaker A
Por ejemplo, ayer ustedes me han pedido algunos libros. Luis, disculpa, una pregunta ahí respecto a la gráfica.
Speaker A
Es verdad. Son costosos, pero se puede hacer harto. Sí, comprarlo físicamente. No, no, no.
Speaker A
Adelante. El dashbar ese que se presenta ahí con todas las variables. ¿Yo puedo especificar cuáles variables me interesa que salgan ahí?
Speaker A
Eh, sería bueno que a veces se registren, se suscriban al al servicio de ellos, que ellos tienen una que cualquier usuario puede suscribirse y le llegan las notificaciones si uno desea descargar, por ejemplo, un libro.
Speaker A
Claro, acá vendría a ser el cambio, ¿no? Por ejemplo, crearías un objeto Iris dos con las variables que tú quieres, ¿no?
Speaker A
Inmediatamente yo terminando de cargarlo a internet me salió la notificación que ya estaba disponible para descargarlo. O sea, que es bueno a veces suscribirse a esas páginas.
Speaker A
Ah, okay. Okay. O sea, yo no la saco directamente de ahí, sino que creo mi objeto y entonces hago el GG Plot con ese objeto nuevo.
Speaker A
Está en español y no hay problema, no tiene lo básico hasta lo avanzado. Entonces, con estos conceptos ya se puede entrar cosas más interesantes, ¿no? Entonces, es un libro de cabecera, así que ténganlo como una referencia.
Speaker A
Sí. O si no acá también, ¿no? Corchete, por ejemplo, coma de la variable uno a la variable tres, ¿no? Algo así. Ya va a depender de tu habilidad, ¿no?
Speaker A
Eh, el libro se le compartió al grupo Harold, al grupo de WhatsApp y también ya debe se debe subir ya al Classroom para que todos lo tengan, no hay problema.
Speaker A
Ya, ya, ya, ya. Sería como un vector ahí, un vector de selección de variables. O creas un objeto con Diverse con el filter o el select para seleccionar ciertas variables y lo introduces acá.
Speaker A
Creo que sí, ¿no? Maestro, adelante. Puede hacer el ejercicio ahora. Por ejemplo, usted le da un paso hacia atrás a su carpeta.
Speaker A
También válido, ¿no? Perfecto, perfecto. Gracias. Claro, tú puedes elegir solo las variables que quieres, ¿no? Si no dices nada, te lo va a hacer para todas las variables.
Speaker A
punto z para que no haya pérdida de datos, este va a generar un nuevo archivo que ese sí archivo ustedes lo pueden compartir igual.
Speaker A
Muy bien, muy buena pregunta, ¿no? A ver, les había comentado, bueno, ustedes me comentaron que si le podía compartir un libro de imputación de datos, ¿no? Y hay un libro interesante, esto acá, ¿no? Ya ustedes lo tienen.
Speaker A
Sí, creo que sí, ¿no? A ver, no, no se va a trasladar porque está Okay, ahora sí. Exacto. Entonces, le puede dar un poquito hacia atrás, un paso hacia atrás y puede enviar eso al grupo de acá de de
Speaker A
Acá en este libro se explican todas las técnicas de imputación de datos que existen.
Speaker A
Sí, es verdad. Ya. Muy bien. Ahora sí. Entonces, vamos a ver nuestro laboratorio de Gplot. Ya.
Speaker A
Entonces es una editorial muy, muy conocida. Y acá si ustedes quieren pues investigar un poco más, ya están en ustedes, ¿no? Ahí están todas las técnicas que existen. Y lo bueno que tiene aplicaciones usando R. Eso es lo bueno.
Speaker A
A ver, eh, la Iris vamos a usar. Esa es la data, ya lo conocen ustedes. Después vamos a ver una con data real, ¿ya?
Speaker A
Muy bien. Y el otro libro que les he compartido es del autor de GG Plot, el creador de GG Plot también sacó su libro GG Plot dice "Gráficos elegantes para análisis de datos". No, este libro es la Biblia de GG Plot Has.
Speaker A
más interesante, ¿no? Para que veas cómo se comporta esta variable diferenciada por especie, ¿no? Y todo lo demás ya es estética, ¿no? Un título, nombre al eje X, nombre eje Y, los colores diferenciados para cada gráfico, ¿no?
Speaker A
Entonces acá van a encontrar todos los detalles. Si quieren hacer un mapa o algo así, todo está acá, muchachos.
Speaker A
Igual, ¿no? Si quiero un gráfico de dispersión, necesito dos variables numéricas. Aquí está la primera variable numérica, la segunda y las demás son títulos y colores, ¿no?
Speaker A
Entonces ustedes pueden hacer gráficos de todo nivel, ¿no? Muy bien. Entonces también les dejo ahí para que tengan como material complementario, ¿ya?
Speaker A
Todo variable aleatoria tiene un gráfico continua, tiene un gráfico de densidad, ¿no? La normal, por ejemplo, la distribución normal tiene su gráfico de densidad, ¿no? Algo así, ¿no?
Speaker A
Y lo interesante es que parte de lo más básico hasta las cosas más interesantes.
Speaker A
Leas la variable y estima una densidad aproximada, ¿no? Obviamente no va a ser igual a la teórica, ¿no? Pero al menos es un estimado.
Speaker A
Muy bien. Entonces ahí les dejo para que ustedes revisen. Es el mismo autor, del mismo creador de la librería. Ya es su mismo libro también.
Speaker A
Interesante ¿no? Por eso si tú calculas la densidades, le haces plot a las densidades, tienes una gráfico, un gráfico de densidad, ¿no?
Speaker A
Muy bien, ahora sí, dicho eso. Ah, ¿qué más les he compartido? Un libro de los que quieren reforzar algunos conceptos de estadística, ya sea probabilidades, más inferencias estadísticas, pruebas de hipótesis y todo ello.
Speaker A
También vimos las funciones matemáticas, ¿no? Por ejemplo, cómo hacer un gráfico la función seno, por ejemplo, también una función un poco más complicada, ¿no? X por el seno de X²AD.
Speaker A
Este libro me parece el más completo que existe, es un libro muy didáctico, también tiene su nivel, pero tiene todo relacionado con estadísticas.
Speaker A
más grueso la la curva, ¿no? Entonces, todo eso ya es mejorar la parte estética ¿no?
Speaker A
No, no se dejen asustar por el nombre ya. Estadística matemática. No es que adelante, disculpe que le interrumpa y mencionar que es un excelente libro.
Speaker A
Justo su compañero me preguntaba, "Profesor, ¿de dónde sale este tipo de color?" No, acá ustedes le pueden poner cualquier color, ¿no?
Speaker A
Sí, buenazo y más por la por quienes los publican. O sea, es una firma muy respetada. Es un libro que lo he tomado como consulta, pero también es importante mencionar que para que así mismo como te mencionaba no se asuste, sí se requiere tener como un conocimiento de matemáticas porque independientemente de la estadística, él va muy enfocado a un criterio matemático. O sea, en mi caso he tenido yo hasta que consultar el libro de matemáticas para poder entender algunos ejemplos que ahí pre...
Speaker A
Para eso ya puedes entrar a ese paleta de colores que tiene el R, ¿no? Claro, no me lo voy a memorizar, pero de ahí les de ahí de por ahí lo saqué un verde limón, ¿no? Ahí que se ve también
Speaker A
interesante, pero pueden usar cualquier color, muchachos. Eso ya depende de los gustos ¿no? Muy bien, hasta ahí hemos visto la sesión anterior. Ahora vamos a ver específicamente cómo se crea un gráfico usando ygplot y lo vamos a explicar pasito a pasito,
Speaker A
¿ya? Primero vamos a tener que cargar la librería GG Plot 2, ¿no? Los que no tienen GG Plus 2 pueden instalarlo, ¿no? Ustedes ya saben, ¿no?
Speaker A
Puede decir tapa cash install y acá escribes GG Plot 2, ¿no? Y le das instalar, ¿no? Los que han instalado previamente Tidvers, la librería que engloba varias librerías, ya no necesitan instalar, ¿no? Porque ya tienen gig plot internamente.
Speaker A
Muy bien, ejecutamos. Ya está. Vamos a seguir trabajando con la data Iris, no hay problema.
Speaker A
Paso uno, uso la función GG plot y le doy como argumento la data a ver qué sucede si es que hago clic o si es que ejecuto esto.
Speaker A
Se dan cuenta que me separa un espacio, un espacio de color gris. la función G plot y le doy la data ya me separa un espacio supuestamente acá dear mi gráfico, ¿no?
Speaker A
Muy bien. Pero yo cuando le doy la data también tengo que darle pues las variables que voy a usar ¿no?
Speaker A
Claro, si yo voy a hacer un gráfico, voy a hacer un gráfico respecto a una variable o dos variables, ¿no? Entonces, ¿qué pasa si le doy la data y dos variables?
Speaker A
¿Qué sucede? Ah, muy bien, ya me aparece las variables en cada posición, ¿no? Si yo acá hago mi gráfico de dispersión entre esas dos variables, posiblemente los el gráfico quede algo así.
Speaker A
Eso es el paso número uno para construir un gráfico en GG Plot, jóvenes. Declarar la data y las variables que voy a usar, ¿no? Y listo.
Speaker A
Profesor, ¿se puede agregar más cositas? Sí, puedes agregar esto de acá. Miren, esto acá es lo mismo, lo mismo que los anteriores, ¿no? Eh, le he dado la data, le he dado las variables que voy a usar, pero le ha
Speaker A
agregado este argumento color especies. Lo que pasa como tengo varios puntos y cada punto se diferencia por especies, si es que yo no le especifico color especies, todos los puntitos van a ser el color gris.
Speaker A
Pero si yo lo digo o yo lo agrego color especies, cada puntito se va a diferenciar por especie, ¿no?
Speaker A
Eso es lo interesante. Entonces con eso ya tendría mi paso uno completo ¿no? Ahora, ¿qué me falta?
Speaker A
Me falta a esta capa uno agregarle la geometría. Como yo quiero un gráfico de dispersión, la geometría es un gráfico de puntos. Es decir, le voy a sumar, miren, a esta capa uno le voy a sumar, miren, la suma
Speaker A
la geometría. ejecuto los dos y automáticamente tengo mi gráfico de puntos. Les comentaba que este argumento de color, miren, lo voy a borrar. Ah, lo voy a borrar, lo voy a ejecutar. ¿Qué sucede, profesor? hago eso a sales
Speaker A
también es válido, ¿no? Pero más interesante es pues que le agregue color y me sale eso, ¿no? Se dan cuenta, los puntos se diferencian por especies, ¿no? Lo lo rojito, miren la leyenda automática que se forma es la acetosa.
Speaker A
Los puntitos de verdes son vericolor y los azulitos es virgínica. Es decir, el gráfico se se ve más interesante.
Speaker A
Con dos capas ya tienes el gráfico listo. ¿Qué viene en adelante? Mejorar la estética, personalizarlo ¿no?
Speaker A
Por ejemplo, ya tengo mi capa uno, ya saben lo que hace, ¿no? Data más variables, declara el espacio y los ejes ¿no?
Speaker A
La geometría. es el tipo de gráfico, en este caso puntos, ¿no? Si yo le sumo laps, que hace referencia al título, entonces le voy a agregar un título, ¿no? Ahí está. Miren, muchachos, se agregó esto, ¿no?
Speaker A
Tres capas. Con tres sumas ya tengo el título, ¿no? ¿Qué más se podría agregar, profesor?
Speaker A
Capa un data, capa dos, geometría, capa tres, título. Y le voy a decir, oye, estos puntitos quiero que se diferencien por especie, es decir, lo voy a diferenciar. Para eso face frap, la función que te permite eh clasificarlos, ¿no? Es decir,
Speaker A
diferenciarlos. Pero, ¿por qué lo quieres diferenciar? según especie, ¿no? Entonces, simplemente sombreo y ejecuto. Miren el gráfico muchachos.
Speaker A
Ahí está. No es el mismo gráfico, pero ahora ya diferenciado por cada especie. Acá se ha trabajado con cuatro capas.
Speaker A
Muy bien. ¿Qué más podemos agregar? Por ejemplo, capa uno, la data, geometría, título. Hasta acá ya lo tenemos, muchachos.
Speaker A
Ya lo tenemos. ¿Qué más lo puedo agregar? Para que no esté saliendo esta cosa de acá, le podemos cambiar de nombre, ¿no? A los ejes.
Speaker A
Para el eje X, X la. Para el eje Y, Y la Lab. Y el nombre que quisieras que vaya.
Speaker A
No, solo es eso, muchachos. Entonces, sombreo y ejecuto. Ahí está el gráfico cada vez más más interesante ¿no?
Speaker A
Solo es sumar capas. Le vas a sumar lo que quieres modificar, lo que quieres mejorar ¿no?
Speaker A
Y bueno, si se fijan, por default, el GG Plot me ha generado una leyenda, muchachos. Yo no le he dicho para nada que me saque una leyenda.
Speaker A
Pero yo veo mi gráfico y no necesito leyenda porque cada gráfico es independiente. Entonces, la leyenda ya vendría a ser algo eh redundante, ¿no? No tiene sentido. Estoy sobrecargando el gráfico innecesariamente.
Speaker A
Entonces, lo voy a quitar porque no me suma ¿no? ¿Cómo se hace ese proceso?
Speaker A
A todo lo que ya tenías, le agregas una capa llamado tema, le dices posición de la leyenda. Ninguna, es decir, que no quieres leyenda. Lo único que tienes que hacer es sombrear y ejecutar, muchachos. Y ahí está nuestro
Speaker A
gráfico ¿no? Ustedes se preguntarán, "Profesor, ¿por qué me sale los puntitos un poco opacos?" No, eso se debe a a dentro de la geometría, jóvenes, hay un argumento llamado alfa.
Speaker A
Ese es el culpable de que salga un poco borrosito o chiquito, ¿no? Pueden agregarlo, ¿no? Por ejemplo, 075, ¿no?
Speaker A
Y le sale más clarito, ¿no? Entonces, todo eso es personalizar, muchachos. Entonces, si haces un gráfico de este tipo, tú puedes comparar, pues el comportamiento de una variable diferenciado por grupo, ¿no?
Speaker A
Eso es GG Plot, muchachos. Eso es. Muy bien. Entonces, hemos explicado cómo se construye un gráfico paso a paso, muchachos. Eso lo que hemos hecho, sumar capas es la filosofía del G plot, la filosofía denominada gramática de gráficos.
Speaker A
En el libro que les compartí, muchachos, está mucho más la historia del Gig Plot.
Speaker A
Se van a enamorar de ese libro, muchachos. Muy bien. ¿Qué otros gráficos tiene Gplot? Se puede hacer todo tipo de gráfico y si no hay se puede construir, ¿no?
Speaker A
Por ejemplo, los más conocidos, gráfico de cajas, ¿no? La geometría se llama box plot.
Speaker A
¿Qué necesitas? Data, variables y simplemente le sumas geometría, ¿no? Tu gráfico de cajas, profesor, pero está muy triste eso. Ya sabes, le puedes agregar tip. título y un montón de cosas más. Esa parte ya lo sabes.
Speaker A
Yo quiero mostrarte que también hay otros gráficos posibles, gráfico de cajas, maestro. Adelante. Eh, una preguntita ahí.
Speaker A
cuando se va a hacer el gráfico de caja usando GG Plus 2 en la en la geometría, eh en la en la data cuando uno asigna los datos, tenemos necesariamente que ponerle nombre a las variables. Por ejemplo, es x igual a especie, y es
Speaker A
igual a a longitud de cépalo. Eso hay que no como en el otro caso cuando se hace sin gop.
Speaker A
Ah ya. Se pone se pone se habla de la base de datos, no de una variable, no se le asigna una variable. Eh, ¿qué pasa ahí?
Speaker A
En sí es así, miren. Ah, miren. Ah, base de datos y variable, ¿no? Base de datos y variable. Ajá.
Speaker A
Solo que es diferente, ¿no? Pero siempre se va a hacer referencia a la base de datos. Si no, no vas a ver de dónde jalar esa variable.
Speaker A
Solo que es diferente, ¿no? En el plot ya basta que tú le des la data. Uy, ¿dónde está eso? Basta que tú le das la data. Se sobreentiende que esta variable está en esta data, ¿no?
Speaker A
Así lo entiende. Ya. Ya. Okay, perfecto. Muy bien. También se puede hacer gráficos densidad. Claro que sí. He density.
Speaker A
Le puedes agregar un título, un color. Ya, eso es estética. Hasta acá se acaba el problema. Lo demás es estética, muchachos.
Speaker A
Ahí está, ¿no? Claro. Acá también generamos por acá, si no me equivoco, este gráfico, ¿no?
Speaker A
Miren, es esto, ¿no? Sin plot, con plot. Muy bien. ¿Qué más se puede hacer? A ver, vamos a ver.
Speaker A
Gráfico densidad diferenciado por especie. A ver, vamos a miren muchachos también se puede hacer este tipo de gráfico ¿no?
Speaker A
Para ver diferencias entre grupos, ¿no? Interesante. Diplot histogramas, que es un gráfico muy interesante para ver la distribución de las variables continuas. Generalmente la función se llama histogramo o histograma en otras palabras.
Speaker A
Entonces son funciones que se asocian mucho a las variables, ¿no? Al nombre de las herramientas. En este caso no se ve nada interesante porque son 150 valores, ¿no? Quizás si tuviera más se podría ver la distribución, ¿no?
Speaker A
Por ejemplo, hasta acá rectas de regresión. Nosotros hace poquito vimos gráfico de puntos, ¿no? Muchos se preguntan, "Profesor, ¿y yo puedo saber por acá se puede ajustar una recta de regresión?
Speaker A
Se puede, no existe llamado el G smooth, como que hace la el ajuste de la mejor curva ¿no?
Speaker A
¿Qué método quieres que hago? modelos lineales, ¿no? En otras palabras, una reacción lineal, ¿no?
Speaker A
Entonces, si le sumo un ajuste, me va a permitir obtener esto, ¿no? La mejor recta de regresión para ese conjunto de puntos.
Speaker A
Aún no hemos visto regresión, pero más o menos esa es la idea, ¿no? Encontrar la mejor recta que modele el comportamiento de tus datos.
Speaker A
Profesor, una pregunta, por favor. Sí adelante. En ese caso de los ajustes de regresión, vamos a suponer que el revisor del trabajo eh pregunte, ¿cómo llegaste hasta aquí?
Speaker A
Eh, ¿qué respuesta le podemos decir con respecto? Mira, lo hice a través de R.
Speaker A
¿Qué recomendaría usted? Eh, usé esta usé este mecanismo en R con estos comandos y llegué a esto. Eh, ¿cómo cómo haríamos allí, por favor?
Speaker A
Ya. Muy bien, muy buena pregunta. En primer lugar, más adelante vamos a ver el tema regresión, toda la teoría de las aplicaciones.
Speaker A
La regresión pues es un modelo estadístico que tiene bastante sustento matemático y todo, ¿no?
Speaker A
Sí, sí, es exacto. Esta función smooth. Detrás de de esta función tan simple que ustedes ven está toda esa teoría que se va a ver en el curso de regresión, en el tema de regresión.
Speaker A
Es decir, usa las mismas técnicas de estimación de los parámetros y todo ello para encontrar esta mejor recta. Por este conjunto de puntos van a pasar millones de rectas, ¿okay?
Speaker A
Pero solo una de ellas va a ser el mejor. Y esta que está de azul es la mejor curva, ¿no?
Speaker A
Entonces esta función está basada en toda la teoría de regresión que existe, ¿no? Entonces es una recta, es la mejor recta que vas a encontrar, ¿no?
Speaker A
Y está bajo el modelo de bajo el método de modelos lineales, ¿no? Claro, porque el comportamiento es lineal, lo más correcto es que se ajuste una regresión lineal ¿no?
Speaker A
Si el comportamiento fuera otra forma, es decir, no lineal, entonces tendría que usar otro método, ¿no?
Speaker A
Muy bien, pero en regresión vamos a ver más detalles esas cosas. Ya quizás no lo quieras ver así.
Speaker A
Muchas gracias, profesor, por el adelanto. Okay, no hay problema. No hay problema. en regresión. Vamos a ver a más detalle, no se preocupen.
Speaker A
Miren, acá también ustedes tendrían un poco de crítica, ¿no? Por ejemplo, les pueden observar por qué ajustas una recta regresión para todos los puntos si cada grupo de puntos pertenecen a grupos diferentes es válido, ¿no? Entonces, yo lo puedo diferenciar, pues entonces para
Speaker A
ello puede usar el siguiente código, ¿no? [Música] Acá no he diferenciado nada, simplemente los puntitos los estoy diferenciando por especie, ¿no? Al inicio tenía esto y estos mismos puntitos lo estoy diferenciando por especies. No puedo hacer una una un comentario,
Speaker A
maestro. adelante. Sí, hay que tener un poquito de cuidado al momento de utilizar la regresión, porque la regresión, si bien es cierto, en el aspecto estadístico y el libro que compartió el maestro de eh estadística matemática, eh se debe
Speaker A
utilizar la regresión cuando son valores prácticamente cuantitativos. Ya en los valores cualitativos, como son estas que se está utilizando las especies como valor eh como parte de las variables de clara, sería ya método de clasificación.
Speaker A
Ya. Ah, ya. Porque aquí ya evidentemente los datos eh sería un poquito cuesta arriba, aunque la línea se ve muy buena, pero vemos que son muchos puntos que se desagregan y el error y el error, o sea, el error sería mayor, el error cuadrado,
Speaker A
porque hay muchos puntos muy dispersos con respecto a la recta y predecir estos valores sería un poquito cuesta arriba por lo que la mejor opción sería entonces un método de clasificación.
Speaker A
Bueno, eh, maestro, disculpe, estoy de acuerdo con el compañero, pero ya ahí sí adelante adelante.
Speaker A
Lo primero es que las especies son simplemente puntos para decir cuáles valores son los que están que corresponden a cada especie, pero lo que se está estimando es la longitud del pétalo y la y la anchura del pétalo.
Speaker A
Entonces, eh lo que estamos hablando ahí es simplemente una recta de regresión lo que hace es utilizar algo que se llama mínimos cuadrades ordinales.
Speaker A
Sí, serían los los las rectas que que aproxima mejor e el la cantidad de valores. Y y hay un error que al final, maestro, a esa ecuación agréguele másilon, qué s yo, para manejar el error que es exacto, que
Speaker A
sería eh es margen, esa esa distancia euclida desde el punto hasta la recta matemática ideal, que es la que la recta que se estimó.
Speaker A
Exacto. Y la tendencia como grupo es hacia arriba. O sea, si se buscara una correlación entre esas dos variables, debería ser positiva y fuerte. De hech no, en eso estoy de acuerdo porque fíjate que son eh además lo que se
Speaker A
representa estos valores son valores eh prácticamente cuantitativos y evidentemente la característica de estas variables corresponden a su naturaleza.
Speaker A
En eso está bien, pero si yo si me tocara, por ejemplo, clasificar otro tipo de variables que no tengan esa fuerte correlación, porque al menos las espiecies tienen características similares, pero si yo si me tocara clasificar un una unos datos de perros y
Speaker A
gatos, ya sería un poquito diferente porque los valores son tendrían una vasta diferencia y tendría que utilizar esta regresión para cada especie, en este caso para perro y para gatos.
Speaker A
Pero eh estás completamente, o sea, estoy muy de acuerdo con lo con lo que mencionas, pero eh solamente lo hice como un modo de comentario para que también se pueda entender que no siempre este es el método adecuado para un tema
Speaker A
de de aproximación, pero en este caso solamente estamos haciendo un gráfico para mirar las tendencias, un ejemplo, heterogenidad de varianzas, para hacer un solamente un descriptivo y un gráfico, un visual Y ya entraremos con métodos.
Speaker A
De acuerdo con Alejandro 100%. Excelente. Muy bien. Sí, esto simplemente las especies no entran en la regresión en sí, ¿no? Simplemente es X y los puntitos diferenciados es por especie nada más, ¿correcto? no entra en el en la regresión, como se dice.
Speaker A
Claro, existe otras regresiones, eh, por ejemplo, para variables categóricas, ¿no? Ya eso más adelante lo vamos a ver, no se preocupen. Muy bien. Igual, excelente aporte, profe.
Speaker A
Muy bien. Entonces, pero también podemos diferenciar las rectas de regresión por especies. Por ejemplo, miren, quizás alguien les observa, ¿no? Oye, ¿por qué una misma recta para las tres diferentes especies y cada especie puede que internamente tengan un
Speaker A
comportamiento diferente? No, exactamente. Sí, y es verdad, ¿no? Entonces, para eso también tenemos alternativas, ¿no?
Speaker A
Podemos hacer una ajuste de regresión lineal por especie, ¿no? Y eso lo hace mucho más interesante, ¿no? Mucho más preciso, se podría decir.
Speaker A
Eso es. Entonces se dan cuenta que Gigi Plot es muy muy versátil, ¿no? Profesor, disculpe que le corte.
Speaker A
Adelante, esa parte que está sombreado con un poquito este oscuro. Ajá. ¿Qué representa? Esse es el rango permisible de confianza.
Speaker A
¿Cuál? Sí. A ver, es un tema interesante esa pregunta, ¿no? A esto se le conoce como las famosas bandas de confianza.
Speaker A
supuestamente al ser una recta de regresión, un ajuste, una estimación, estas bandas es como sus límites de tolerancia que puede tener tu predicción, ¿no? Esto ya con fines de predicción ¿no?
Speaker A
Generalmente los modelos de regresión se usan para predicir, jóvenes. Generalmente. Actualmente se vive un boom, por ejemplo, del machine learning y todo ello lo usan con fines predictivos, ¿no?
Speaker A
Entonces esperaría pues que estas bandas de confianza sean mucho más pequeñas, ¿no? Por ejemplo, al parecer adelante, profe, pero esas bandas esas bandas de confianza también están asociadas con heterogenía de varianza dentro de cada grupo.
Speaker A
Una clusterización. Sí. Por ejemplo, esta recta de regresión de acá tiene una banda mucho más amplia, ¿no? Al parecer hay mucha más variabilidad interna, cosa que esta de acá es más pequeñita, ¿no?
Speaker A
O sea, que si calculara si calculara la regresión general tendría que pues por tendencia tendría que hacerlo con un modelo no no lineal, pues por la misma tendencia que da la gráfica.
Speaker A
Excelente. Excelente. Posiblemente al haber mayor variabilidad la recta lineal no es la más apropiada. posiblemente eh en los datos, maestro, se visualiza porque el valor está muy disperso.
Speaker A
Excelente. Mira, mayor grado de diversión y por eso eh utilizar la regresión no garantiza hacer una buena predicción. En este caso se utilizaría entonces el método ya euclidiano, distancia y etcétera para hacer una clasificación.
Speaker A
En el caso de la segunda, que sí vemos que tiene una variable menor porque los datos se ven más agrupados y más y están más correlacionados en función de de la regresión. Y tambo, e en en en el de abajo vemos que su eh
Speaker A
que también ocurre lo mismo que el tercero, que el último, que los gras los datos están muy dispersos y la correlación por no decir que es casi cero, ¿verdad? para no pecar, porque no tengo el dato, no tengo, no hemos hecho
Speaker A
ese tipo de análisis, pero sí vemos que su variabilidad y su dispersión es muy alta. O sea, que si si usted puede poner el gráfico anterior, el que se anteriormente para que veamos algo.
Speaker A
Fíjense que aquí eh nos nos muestra su regresión es por la por el ancho y por el alto de del pétalo, pero no está en función de su estructura como tal dentro de los valores, porque los valores tienen
Speaker A
cierta dispersión. Por esa razón eh le decía que a veces, aunque esto es un ejemplo, claro está, eh el mejor método y eso sé que lo vamos a ver es que no siempre cuando tenemos diferentes en una variable diferentes tipos de de
Speaker A
categorías, eh el modelo de regresión no es lo más adecuado. Aunque sé que esto es un ejemplo que el maestro está explicando, eso está buenísimo. A veces no, para que uno no llegue a confundirse, a veces no es bueno
Speaker A
utilizar este método por el segundo gráfico que el maestro. Sí, es es un ejemplo de construcción de gráfico ¿no?
Speaker A
Es verdad. Sí, pero pero de igual forma también hay que analizar que el problema con con valores biológicos es ese que uno le toca estimar en función del tiempo en un mismo conjunto de una misma población. Entonces, hacer eh
Speaker A
clerizaciones separadas también sería no sería coherente, porque si estoy haciendo niveles de productividad en función de cada una de las especies en el mismo tiempo y espacio, pues lo ideal sería hacer un test de comparación y esa comparación tendría que ser en tiempo
Speaker A
real, entonces la movilización sería mucho más complicada. Claro, efectivamente, ¿no? Justo este tema salió a debate porque hemos hecho la recta de regresión, ¿no? Pero al final pues que en la vida real quizás existen otras herramientas más especializadas para lo que queremos
Speaker A
hacer, ¿no? Eso es verdad. Muy bien. Buen muy buen aporte de todos. Ah, acá estamos aprendiendo todos. Hay una hay un gráfico, maestro, perdón, que se llama un dendograma.
Speaker A
Eh, el dendograma, si lo pueden buscar por ahí, eh, ayudaré. Claro, es para clasificación.
Speaker A
Dendograma. Sí, sí, es para clasterización, ¿no? Camins, todo ese punto. Exactamente. Ese si son si son esos tipos de análisis biológicos y y lo digo con porque he leído bastante artículos con relación en tema de medicina y cosas así, este es el mejor
Speaker A
el mejor gráfico para hacer la clasificación. Ya. Y exacto, se puede visualizar en R, etcétera, porque son categóricos.
Speaker A
Sí, sí, ¿verdad? Esto ya son técnicas multivariantes para clasificación, ¿no? El famoso clusterring, ¿no?
Speaker A
El enor una herramienta especializada para los métodos jerárquicos, entonces es muy usada, ¿no? Sí. Muy bien.
Speaker A
A ver, seguimos. Entonces, gráficos de P, ¿no? El famoso gráfico de torta, ¿no? O sectores también, como se dice, ¿no?
Speaker A
Entonces el gráfico Pie ya necesitamos construir jóvenes estas estas gráficos tú le das las variables completas y te lo hace, ¿no?
Speaker A
En cambio, un gráfico de PE generalmente es un resumen de variables, ¿no? decir, por ejemplo, no sé, número de estudiantes por sexo, entonces hay una agrupación, ¿no?
Speaker A
Entonces podemos, por ejemplo, usar esta data y la única variable categórica es especies ¿no?
Speaker A
Para saber el conteo de casos podemos hacer lo siguiente, ¿no? Una tabla pequeñita, ¿no? La función table, le das la base datos y especies, ¿no?
Speaker A
Entonces, de esa manera sabemos que efectivamente hay 50 especies de plantas de cada uno, ¿no?
Speaker A
Entonces podemos hacer un gráfico de tortas de eso, ¿no? O un gráfico de Pie, ¿no?
Speaker A
Pero primero tenemos que hacer una variable agrupación. Para eso hemos visto, pues eh manipulación de datos, ¿no?
Speaker A
Profesor, ¿alguna consulta? Adelante. Eh, ¿por qué toda vez hacemos el llamado de de la librería Tebers?
Speaker A
Ah, lo que pasa es una plataforma eh lo que estoy entendiendo es como una plataforma en el cual eh así como GPL y otras funciones eh hacen llamado al Tiverse. Es un no sé si más podría me podría ampliarme esa
Speaker A
parte, por favor. Ah, ya. Tibra es una librería que agrupa muchas librerías, dentro de las cuales la librería que agrupa está Gplot, D Player y un montón, ¿no? Entonces para no estar instalando uno por uno, entonces instalas Tiders y
Speaker A
ya tienes todas las funcionalidades, ¿no? Al menos para manipulación y visualización de datos los vas a tener por completo.
Speaker A
Entonces es eso, ¿no? Pero basta que quizás lo llamas al inicio, ya no tienes que estar llamándolo cada rato, ¿no? Una sola vez se llama.
Speaker A
Si eso era mi pregunta, porque todas veces todas veces estoy llamando a te, ¿no?
Speaker A
No, simplemente yo lo hago para que tengan en cuenta que efectivamente necesitamos esa librería, ¿no? Pero solo una vez al inicio y se acabó.
Speaker A
Muy bien, vamos a crear acá una data llamado Pie de la data original y voy a crear un conteo de casos por especie y su porcentaje.
Speaker A
Ustedes dirán, ¿para qué sirve esto, profesor? A ver, todavía no he usado. Voy a instalarlo. Ya, miren, he hecho un resumen, ¿no?
Speaker A
He hecho un resumen. Ustedes pueden hacer de de muchas maneras. group by y un samarí, ¿sí o no?
Speaker A
Y tienen este mismo cuadrito, pero también lo pueden hacer con la función cons. Hace un conteo por especies y luego lo calculas tu porcentaje, ¿no?
Speaker A
Se dan cuenta puede ser también un grubá y un Samarí. Cualquiera de los dos es válido. Más bien acá le voy a agregar una función.
Speaker A
Lo que pasa que estoy viendo acá tiene muchos decimales, ¿no? Vamos a hacer un redondeo.
Speaker A
Para ello existe una función interesante llamado rong. Jóvenes. R. No le ha dices, "Oye, solamente quiero un decimal." Entonces sombreas y miren lo que tienes acá.
Speaker A
Uy, ¿qué pasó? A ver. No, acá tiene que ir adentro. Tiene que ir, ¿no? Dentro de la función el número de S.
Speaker A
A ver, vamos a analizar un poco más. R. Es esto, ¿no? A, ¿por qué sale error?
Speaker A
A ver, a ver, a ver, a ver, pa. Vamos a Qué raro, maestro, porque tiene que cerrar el paréntesis dentro después del 100.
Speaker A
Ah, muy bien. No, no creo. Ah, eh, es lo mismo que sacar el coma un afuera de ese paréntesis.
Speaker A
A ver, a ver, a ver, a ver. 100. Exacto. Cierre. Cierre. Entonces, aquí tien un paréntesis al final.
Speaker A
Qué el otro paréntesis. Ese. Exacto. Ah, muy bien. Buen ojo. Buen ojo, muchachos. No, a ver, sigue el error.
Speaker A
Vamos a ver. A ver, a ver. Este es el cálculo. Exacto. Y se redondea esa operación a un decimal.
Speaker A
Redondía. Y todo esto no. La coma debe ir acá. Ahora vamos a ver, maestro. Bueno, inténtalo ahí primero y luego vamos a ver algo.
Speaker A
No quiere funcionar. A ver, vamos a regresar inicio. Póngale, póngale. Sucede, sucede, perdón, sucede como la propiedad es mutable, no se puede modificar.
Speaker A
Por lo tanto, se tiene que hacer la operación primero y después realizar la la transformación, lo que significa que el R tiene que estar de fuera.
Speaker A
Excelente. O sea, el R tiene que estar fuera, tiene que estar en en la capa superior, o sea, dentro del paréntesis tiene que estar los eh los mut y demás.
Speaker A
Exacto exactamente. A ver, vamos a ver si funciona. Sí, tiene sentido porque mi no puede no puede alterar el valor. Eso es lo que está diciendo el error que muestra aquí en pantalla.
Speaker A
Bien, vamos a ver. Vamos a veran. Mm. Eh suma. No ya me rindo. Sí, vamos a hacer algo interesante.
Speaker A
Uy, ¿qué pasó? A ver, ya nos retorcemos. Vamos a buscar nuestro. Ya estaba así, ¿no? Vamos a ver.
Speaker A
Ahí no hay problema. Acá está el cálculo. Acá es el problema, muchachos. Lo que pasa acá debería estar el cálculo, ¿no?
Speaker A
Nosotros estamos metiendo muchos cosas ahí. Ah, ahí era. Pues, muchachos, en el cálculo era lo que pasa. El redondeo es en el cálculo, no en toda la variable creada.
Speaker A
Ya decía. Qué raro, se entiende ahora, ¿no? Ah, esa parte no la estaba viendo donde hay por Ah, okay, okay. Ya nos hemos enfocado en todo. Claro. El rende, ¿no? El rond donde encuentra el número, pues. Y efectivamente el número
Speaker A
está acá, ¿no? Muy bien. Entonces, esa, ¿no? Ahí está. Ya está. Ahora, ¿qué nos piden? Gráfico de pastel. Leas la data. Para hacer el gráfico de pastel es acá, n más, muchachos. Miren, pero el problema es que no me muestra
Speaker A
los valores, ¿no? Gráfico P es un gráfico un poco molestoso de de construirlo, muchachos, porque no es tan sencillo como el como el box plot, ¿no? ¿Por qué? porque le tienes que dar un valor y todo ello, ¿no? Pero al menos ya no sale
Speaker A
las especies diferenciadas, ¿no? Y lo que viene en adelante es todo lo que implica muchachos.
Speaker A
Miren, todo para eso, todo ese código solamente para eso. Claro, salen las mismas distribuciones porcentuales porque justamente son 50 de cada uno, ¿no? Por eso algunos lo hacen, por ejemplo, miren, acá vamos a ver la potencialidad del G
Speaker A
Plus. Muchachos, hay un gráfico que se ha vuelto muy común. Es el mismo gráfico de de P, pero algo así miren algo así, ¿no?
Speaker A
Como una dona. Y acá están los casos, ¿no? Acá está el primer conjunto de casos y acá está el conjunto de casos. Y así esto mismo también se puede transformar en esto, ¿no?
Speaker A
Ya va a depender de gustos, ¿no? Pero para no estar pensando todo esa esas cosas, vamos a hacer algo interesante. Todo esto lo voy a pasar al al chat GPT.
Speaker A
Miren, voy a modificar mi gráfico, pero modificar implica muchas cosas. es un chambón, un trabajón, mucho trabajo, como se dice, ¿no? Y le voy a decir, quiero que, a ver, quiero que, a ver, vamos a ver, quiero que mi gráfico de P
Speaker A
lo conviertas, a ver, a un gráfico gráficos donuts, algo así se escribe, ¿no? A ver, le doy mi código. A ver.
Speaker A
le voy a decir que me lo trabaje. Entonces, cuando tú ya le das un código avanzado, muchachos, lo que te va a permitir trabajar es, mejor dicho, te va a dar ya solamente me interesa hasta acá, ¿no?
Speaker A
Todo esto ya lo hemos construido. Entonces, hasta acá, ¿no? Entonces, y acá le voy a voy a crear ya se llama mi gráfico de don es lo mismo, ¿no? Solamente que en otra forma de presentación sigue siendo un gráfico de P.
Speaker A
O sea, acá ya tenía el título interesante. Lo único que tengo que hacer es ejecutarme.
Speaker A
Ahí está. ¿Se dan cuenta, muchachos? puede entender así o así. Ya el chat GPT se encara de eso, ¿no?
Speaker A
Nosotros, pero siempre es bueno ver qué es lo que ha hecho, ¿no? Lo único que le agregó fue dos Gon Bar, por ejemplo. A ver, ¿qué es lo que agregó? Corteta. Vamos a ver.
Speaker A
Ah. le agregó un parámetro star, ¿no? Literal le agregó un parámetro de ampliación literal.
Speaker A
Entonces hizo todo ese truco con el código que tú le has dado, ¿no? Ahora le voy a decir algo más interesante. Miren. Ah, excelente gráfico. Le voy a felicitar un poco, pero ahora deseo es un gráfico de alto nivel.
Speaker A
De alto nivel. Super top. Voy a exagerar un poco, eh, a ver qué me va a trabajar.
Speaker A
Entonces, está pensando y miren la ASU. Wow. Entonces, nosotros vamos a copiar solamente hasta acá, muchachos.
Speaker A
El chat GPT lo llamó gráfico donut nivel top imagínate. Lo voy a copiar por acá.
Speaker A
Y lo que voy a hacer, muchachos, es ejecutarlo. ¿Con qué me vendrá, muchachos? A ver, hay un error, ¿no?
Speaker A
Rich test. A ver, algo agregó que no está tomando en cuenta. A ver, nuevamente, como yo soy más astuto, le voy a dar este mismo error al GPT.
Speaker A
[Música] A ver qué me da, qué solución me da la Ya, vamos a No existe por defecto en G Plot.
Speaker A
Ah, ya. Hay que usar otra versión. Muy bien, se ha dado cuenta de su error y este error cuando tú le das al GPT, muchachos, para la próxima vez ya no comete el mismo error.
Speaker A
Es decir, esta IA es como está basado en un modelo NLP, que es lenguaje procesamiento natural, aprende cada vez. Ellos mismos también aprenden.
Speaker A
Es interesante eso, ¿no? Uy, ahora hay más errores. A ver, vamos a ver. Ya que estamos acá, vamos a ir insistiendo ya. De esa manera vamos a aprender a construir gráficos más top.
Speaker A
Ya. Ah, ya me dice que tengo que instalar esta famosa librería, muchachos. Como se va a usar anotaciones, al parecer están pidiendo un gráfico, una función especial, ¿no?
Speaker A
Ahí está. Bueno, ¿qué le hizo? Le agregó dibujitos, ¿no? A ver qué hizo, muchachos. Vamos a ver.
Speaker A
¿Qué de bueno hizo? No, uso una paleta un poco más interesante, le agregó dibujos al título y bueno, ahí está, ¿no?
Speaker A
De esa manera se le puede sacar provecho al ¿Cómo? Adelante. La anterior, póngala. Creo que en la anterior le gustaba más, ¿no?
Speaker A
No, para mirar lo que tenía diferente. A ver, vamos a ver. Eh, bueno, prácticamente la posición de la parte de la primera propuesta, la segunda propuesta, tercera propuesta sin IA, ¿no? Este ya es con IA y luego le hemos dicho que
Speaker A
mejore nuestra presentación y le agregó la posición de la leyenda cambio, ¿no? Sí. Ya. Y el color de los porcentajes.
Speaker A
Sí, le da, mira, le da más vida, ¿no? Ahí está, ¿no? Y le colores también lo altera un poco.
Speaker A
Y le agrega una flor al título. Asumiendo que es una una Sí. Una florcita, ¿no?
Speaker A
Ya. Entonces, ¿cuál es la idea de esto, muchachos? que ustedes pueden seguir mejorando, mejorando, mejorando tu gráfico, pero también hay que saber que ese es un gráfico que no que no soporta mucha mucha mucho comodine, muchas cosas que
Speaker A
lo haban visto. Claro, claro. Por ejemplo, este logo de acá, el de dibujito ya no tiene nada que ver, ¿no? Pero el GPT se luce en esa parte, es decir, te da más cositas, ¿no?
Speaker A
Entonces, de esa manera hay que sacarle una, perdón, profesor, una sugerencia. Sí. Eh, tienes instalado Cloud también, ¿no?
Speaker A
Sí, sí, porque eh para algunas cosas de programación Cloud tiene más efectivo, ¿no? Sí, es verdad, es verdad. Totalmente acuerdo.
Speaker A
De pronto, eh, pues se pudiera, digamos, esa eso expresión de top se pudiera leer mejor en C, probablemente. No, no la no la no la no la no la tengo aquí abierta ahora en este momento, pero Ah, buenazo, buenazo. Sí, hay varias,
Speaker A
¿no? Yina, un montón. Yo lo que tengo a la mano les he mostrado, pero la idea es esa, muchachos. Usamos, usemos la Sí, pero excelente idea. No, no, no, no la tenía en el radar de esa manera.
Speaker A
Ah, claro, esa es la idea. Pero eso sí, tienes que darle un avance, una idea, ¿no? Nosotros ya tenemos nuestros nuestro gráfico base, ¿no?
Speaker A
Exactamente. Hay que darle un avance. Exactamente. Entonces, si tú le das tu avance y le pides que mejore, es decir, va a hacer mucho más cosas.
Speaker A
Sin embargo, si tú le dices de la nada, no entiende tu data, no sabe qué variables tienes, te va a dar un código donde los insumos son totalmente diferentes a lo que tú deseas, pero si ya le das una data, ya lo
Speaker A
entiende, ¿no? Ah, esto es esto, esto y da la forma adecuada, ¿no? Y maestro, y si le das y si le das tu data, mejor aún, maestro, hay algo, espérate que quizás eh es muy poco conocido y es
Speaker A
la estructura de las inteligencia artificial y es que si se le da las peticiones en el lenguaje que ellos entienden, que es el lenguaje ma se potencializa mucho más.
Speaker A
Es algo que a veces la persona no lo sabe. Eh, yo generalmente cuando a veces la utilizo eh y más para arreglar informe, yo se lo se lo escribo en formato más down y así potencializa eh los resultados mucho más. Es es
Speaker A
diferente, o sea, una es completamente diferente a cuando se le pide hazme esto sin una estructura como tal, pero si se le pasa en down notará la diferencia.
Speaker A
Wow, excelente recomendación. Ah, muy bien. Esa no me la sabía tampoco. Muy bien. Excelente. Excelente. Entonces, yo siempre he dicho que la IA es ahorita un muy buen aleado, muchachos. No, lo único malo es por parte de los
Speaker A
estudiantes, ¿no? Eh, yo enseño también en la universidad y todos sus exámenes lo quieren hacer con ella, ¿no?
Speaker A
Eh, de hecho, es el único malo, ¿no? La de hecho la documentación oficial eh por ejemplo Titsi, que es la que tiene una una documentación muy muy viable, eh y también la de Google que subió en su momento, eh, nos ayuda a entender cómo
Speaker A
cómo a interactuar realmente, no a nivel comercial, sino a nivel científico de cómo inclusive esos ingenieros de de esas grandes compañías consultan estos modelos donde ellos en en un modelo básico extraen y potencializan sus resultado eh un millón de veces a
Speaker A
diferencia de lo de la estructura comercial de como hazme esto, elabórame esto, o sea, como si uno estuviera hablando con una persona cuando no es así, porque se está hablando con un modelo que tiene una estructura y por
Speaker A
como estructura me refiere que también lo entiende de una manera semmática utilizando un lenguaje Y ese lengcuaje es maldad.
Speaker A
Wow, excelente. Muy bien. Gran aporte. Ah, un aprendizaje para todos. Ah, gracias. Buen dato. Buen dato.
Speaker A
Sí, es verdad. Ya. Muy bien. Entonces, sigamos con nuestros gráficos. Les había comentado que GPL también tienen algunas extensiones, ¿no? Por ejemplo, Gigali, una librería que te permite hacer gráficos o crear gráficos de manera simultánea, ¿no? La función es GPS, le das la data y le
Speaker A
agregas este pequeño comandito, ¿no? Que lo que va a hacer simplemente es diferenciar los gráficos por especie. Es decir, un color apropiado por especie, ¿no? Miren lo que va a suceder.
Speaker A
Ahí va a correr unos segundos y automáticamente ya me genera esto, ¿no? Un resumen de toda mi de toda mi data, ¿no?
Speaker A
Entonces ahí inclusive hay correlaciones, gráficos de densidad, gráfico de cajas. Maestro, yo quiero ver que usted me genere eso mismo, pero eliminando la variable especies. Solamente la otra.
Speaker A
Muy bien. Entonces, si te das cuenta, Charlie especies es la variable, a ver, número cinco, ¿no?
Speaker A
Entonces yo voy a ser un poco más astuto y simplemente le elimino pues la variable CCO, ¿no?
Speaker A
Y listo. A ver, claro, acá ya no habría especies, ¿no? Entonces también le quitaría esto.
Speaker A
Sería así. Ahí está la importancia de que haya una varele categórica, ¿no? Para diferenciar por color. Ahí está. Pero eso sería de las vareles numéricas.
Speaker A
O sea, sí se puede, ¿no? Sí, sí se ve más fácil la correlación y aunque está todo gris, pero eso es una se puede interpretar. Claro, solo que una variable categórica eh ayuda mucho para diferenciar, ¿no? Eso es lo único las
Speaker A
ventajas que podría tener. Muy bien. Entonces, eso es, ¿no? Es la utilidad. Si quieren generar gráficos de manera rápida y para hacer alguna revisión, pueden usar la función GGP, ¿no?
Speaker A
Si quieren hacer gráfico de densidad con una presentación diferente a lo que hemos visto, pueden usar GR, que nos permite generar gráficos de densidad un poco especiales. Miren, así una presentación diferente, ¿no?
Speaker A
Pero es una forma de mostrar los gráficos de anciano. Si se dan cuenta, por acá hemos hecho algo diferente. A ver, vamos a ver.
Speaker A
Maestro, tengo una duda que me surge ahora. Ya que usted menciona, presenta ese ejemplo con el anterior que tenía todas eh esas informaciones.
Speaker A
A ver, a ver si puede un poquito para atrás al anterior. Esta, esta sí, esta, esta, esta.
Speaker A
Sí. Ya. Dale. A ver. No desearía por algún informe que se tenga que elaborar solamente la información de la columna uno la podría tomar todo de la columna uno.
Speaker A
Sí. O sea, en este caso eh sepa eh el el el alto eh Exacto. toda esa columna.
Speaker A
Ajá. Ya. El problema es que esta variable se interpreta en de manera matricial, ¿no?
Speaker A
Por ejemplo, este gráfico, dispersión de acá es efectivamente entre el cep e y y la variable c, ¿no?
Speaker A
Exactamente. Entonces, si tú borras las demás columnas, no se va a entender. No es que la borre, si no no es que la borre, porque obviamente si la borro entonces no estoy haciendo la correlación.
Speaker A
Exacto. Es solamente como extraer únicamente esos eh esa esos gráficos de esas columnas. Sería entonces sería entonces, maestro, lo que el compañero plantea. Es como solamente hacer eh esta parte de la de la primera columna con las dos
Speaker A
variables, pero solamente esa columna. Exacto, eso es posible. Con esta función no tendrías que crear los gráficos de manera independiente.
Speaker A
Independiente exactamente. Y juntarlo en una sola vista. Yo lo que haría elegir la herramienta de corte de de Windows. La corto y la pongo. Sería más rápido paraerme rápido a tiempo.
Speaker A
Sí, sí, sí. Pero la otra manera es generar uno por uno el gráfico y mostrarlo en una sola salida, ¿no?
Speaker A
Eso también se puede hacer. Sí, trabajándola por variable. Sí, efectivamente, ¿no? Que pero con esta función no creo que nos permita hacer eso. En en de hecho ni en Python se puede hacer porque hay que hacerlo justamente eh
Speaker A
separado independiente. Sí, en Python hay una función en pandas que es eh pivot que no hace lo prácticamente lo mismo, pero justamente a veces uno por haracán prefiere hacerlo como si existiese, ¿sabes? Pero veo que también es igual acá. Gracias.
Speaker A
Sí, claro. Se puede construir, pero uno por uno y juntarle una sola vista. Eso sí se puede ¿no?
Speaker A
Muy bien. A ver, profesor, una consulta. Fre adelante. Eh, la función mapping es la que te genera esta regresión triple.
Speaker A
A ver, no te escuché. ¿Podría repetir, Frey? Disculpa. Hay una función que está adicionándole a la base de datos que es viene a ser mapping.
Speaker A
A ver, vamos a ver, vamos a esta función es la que te genera la regresación triple.
Speaker A
A ver, el A ver, vamos a ver. ¿Te refieres a esto? Esta función. Okay. Sí.
Speaker A
Ya. Este mapping simplemente es para agregar color a los puntos, nada más. Es decir, si uno lo agregara, mira lo que pasa. Voy a borrar. Mira, voy a borrarlo.
Speaker A
Funciona la función. El problema es que me muestra color negro. Miren, me muestra así y sí es informativo hasta cierto punto, pero si es que yo le agrego mapping y le especifico especies, que el color sea diferenciado por especies, me genera ese
Speaker A
mismo gráfico, pero ya mucho más vistoso, ¿no? Es decir, ya es más interesante. Eso es la función de mapping. Es lo que hace este argumento mapping.
Speaker A
Solo eso. Okay. Okay. Gracias. Sí, literalmente con ese gráfico se puede escribir el informe, o sea, es un resumen completo, ¿no?
Speaker A
Sí, resumen general. de tu data correlograma, ¿no? Exacto. Ya es una herramienta interesante. Muy buen muy bien. Así como GS, también existe GR que te permite hacer los gráficos de eso ya va a depender de los gustos, ¿no?
Speaker A
Quizás otros lo quieren como hemos visto anteriormente o algunos lo pueden desear de esta manera, ¿no? Particularmente a mí me gusta más lo que hemos visto anteriormente, por ejemplo, de acá. A ver, esto no, esto me gusta más,
Speaker A
pero a algunos le gusta más esto, entonces no hay problema, ¿no? Muy bien. A ver, ¿qué más tenemos?
Speaker A
Ya, ¿cómo se crea gráficos usando una data real? No, ya ahí vamos a entrar un poco al detalle.
Speaker A
Yo les he compartido una data de colegios Perú, se llama en Excel. Esta data es de acá del Perú, de todos los colegios que que existen.
Speaker A
Acá en Perú hay para educación básica regular hay tres niveles, ¿no? Nosotros le llamamos inicial, que es de 3 a 5 años, primaria que es de 6 hasta los 11 años más o menos y la secundaria que es de
Speaker A
los son 12 años hasta los 16, 17 años aproximadamente, ya de ahí ya van a la universidad ¿no?
Speaker A
Entonces, evidentemente hay colegios públicos, es decir, administrados por el gobierno y colegios privados, ¿no? Son las empresas privadas.
Speaker A
O sea, esta data reúne todo eso. Ya, a ver, voy a limpiar esta parte.
Speaker A
es a nivel nacional, es decir, de todo el Perú, ¿no? Son 82,079 colegios ¿no?
Speaker A
Y vamos a sacar provecho a esto, ¿eh? A ver, tiene variables, por ejemplo, el nivel siempre hay que explorar, ¿no? Por ejemplo, yo siempre hago un table de la data, por ejemplo, ¿no? Bd y quiero explorar la variable nivel.
Speaker A
Entonces, acá está la cantidad de colegios por nivel, muchachos. Inicial primaria secundaria. En Chile creo que se llama Palburia. Es un nombre, cada país tiene su denominación, ¿no? Pero acá lo llamamos así.
Speaker A
¿Qué otras variables me interesa? Por ejemplo, ¿cuántos colegios públicos hay? No, eso también me parece interesante.
Speaker A
Vamos a de gestión, ¿no? Entonces, vamos a ver cuántos colegios. Hay más colegios públicos que privados, ¿sí? No, 18,000 a 64,000.
Speaker A
Muy bien. Y así, ¿no? Entonces, podemos hacer gráficos relacionados a esto, ¿no? Claro, una tabla simple te muestra el número de casos, ¿no? Pero también se puede hacer muchas más cosas.
Speaker A
Vamos a hacer un gráfico de experión. Gráfico de expresión se aplica para dos variables numéricas. Por ejemplo, acá tengo el total de alumnos y el total de docentes, ¿no? Ambas son variables numéricas.
Speaker A
Se preguntarán, ¿por qué hay un colegio con un solo alumno? No, es una pregunta interesante.
Speaker A
Lo que pasa como muchos de nuestros países tienen geografías un poco complicadas, hay colegios que están ubicados muy muy lejanos, muchachos, que solamente hay un estudiante en el colegio y además son pueblos pequeños, ¿no?
Speaker A
Eso es normal, muchachos. No se sorprendan que haya un docente, un colega, un docente y un alumno, ¿no?
Speaker A
Imagínense, parecen clases particulares, pero es debido a la geografía, ¿no? Entonces, vamos a hacer un gráfico de dispersión.
Speaker A
Nuevamente llamo a Gplot, no es necesario, muchachos, pero para que siempre recuerden, ¿no? Y plot, la data y las variables que voy a usar. ¿Qué tipo de punto? Geometría.
Speaker A
Point. Gon point, gráfico de puntos. Le voy a agregar una recta de regresión y le agrego un título, ¿no? Todo eso ya lo sabemos.
Speaker A
Todos debemos llegar a construir gráficos en Gplot hasta ese nivel porque es el nivel más eh básico que uno puede necesitar, ¿no?
Speaker A
A ver, hay un error nuevamente voy a ejecutar. A veces cuando tu ventanita de visualización es muy pequeña, no se muestra tu gráfico. Siempre hay que ampliar un poquito.
Speaker A
Profe, una consulta. Eh, ¿podría compartir el R file de ese archivo? Porque lo tenemos, yo lo tengo en Excel básicamente, pero no está el R file para hacer seguir la secuencia que está haciendo.
Speaker A
Ah, qué raro. Todo ese material ya deben tenerlo todos. Ah, en el classroom. Igual por el chat les comparto, descárgal, lo pones en la misma carpeta y él lo reconoce.
Speaker A
Ajá. Yo recomiendo que la data y el laboratorio esté en la misma carpeta, muchachos. Ya.
Speaker A
A ver, voy a cipear esto como su compañero Charlie me enseñó. A ver. Oh maestro adelante si se puede, porque yo tuve una situación con la LTO.
Speaker A
Problema. los recursos, o sea, en donde están la sesión uno, sesión dos, sesión tres, eh hacer un zip, un solo y enviarlo porque yo tengo una una tuve una dificultad.
Speaker A
Ya, no hay problema, no hay problema. Igual yo les voy a compartir cada vez que me pidan, muchachos, no se preocupen. Miren, ahí está. Se demoró un poquito porque son 8279 registros, muchachos. Ha, que tenemos ya paciencia.
Speaker A
de antes con 150 datos no no se sentía, pero con 82,000 ya como que se demora un poquito ¿no?
Speaker A
Ahí está, ¿ves? Gráfico dispersión. Entonces sí existe relación lineal entre el total de docentes y total de alumnos, ¿no? Los colegios más pequeños tienen menos docentes, por ende menos alumnos. Sin embargo, aquellos colegios grandes tienen más docentes, por ende más
Speaker A
alumnos. No, hay una relación lineal directa, ¿no? Eso me indica el gráfico. Muy bien. ¿Qué más se puede hacer? Un gráfico de barras, pero para hacer un gráfico de barras, lo que pasa el gráfico de barras es una un
Speaker A
gráfico de valores agrupados, ¿no? Por nivel educativo, por ejemplo, quiero saber esto, esto plasmarlo a un gráfico de barras.
Speaker A
Entonces, la data está a nivel de colegio. Yo tengo que agregarlo a nivel de nivel.
Speaker A
¿Cómo se hace ese proceso, muchachos? Group by y un Samarís, ¿no? Y calculo el porcentaje, justo lo que antes estábamos viendo.
Speaker A
Por ejemplo, el group por nivel me va a hacer la agregación por nivel. el Samarí. Voy a crear una variable número de es. Nosotros le llamamos instituciones educativas o colegios.
Speaker A
Y este argumento acá, n, quiere decir que me va a sumar el número de colegios por nivel, ¿no?
Speaker A
Y luego voy a calcular el porcentaje. No es más que el total de colegios, el número de colegios por nivel entra el total de colegios por un 100% y lo redondeo a un decimal.
Speaker A
Aquí le quedó bien. Quedó. Acá quedó bien. Antes nos hemos complicado un poco, suele pasar. Ahí está, miren.
Speaker A
Cuenta inicial, tantos colegios y su representación porcentual, ¿no? Y así sencillo. Una vez que ya tengo una tabla agrupada, ya puedo hacer su gráfico de, por ejemplo, valores absolutos, barras, las variables y la geometría para el gráfico de barras se llama geom
Speaker A
barra. ¿Qué pasa si es que ejecuto los dos primeros capas? Tengo mi gráfico de barras y ustedes seguramente van a preguntar, "Profesor, ¿y dónde está la cantidades?" Y ahí se agrega la otra capa text. Ahí le agrego las etiquetas, ¿no? De tal
Speaker A
manera que me queda un gráfico de barras de este tipo, ¿no? Naturalmente se puede mejorar. Sí, ahí es donde debemos apoyarnos de la guía, pero hasta este nivel debemos ser capaces de hacer nuestros gráficos, ¿no?
Speaker A
Claro, podemos cambiar también el eje y todo agregarle el título, todo eso es sencillo.
Speaker A
Lo importante para mí es que ustedes entiendan cómo es la concepción o la creación del gráfico, ¿no?
Speaker A
Muy bien. Quizás algunos están interesados no mostrar valores absolutos, sino porcentajes. En vez de llamar a cantidad de ahora voy a hacer lo mismo, pero voy a llamar ya al porcentaje justo que he creado en la data BD bar, ¿no? Algo así.
Speaker A
Ahí está, ¿no? Términos eh porcentuales, ¿no? Y seguramente alguien no va a estar conforme, "Profesor, yo quiero mostrar cantidades absolutas y a la vez cantidades porcentuales." ¿Se puede eso? Se puede. ¿Por qué? Porque el gráfico agrupado o agregado que tú has
Speaker A
creado tiene cantidades y porcentajes. Entonces, este es el gráfico mejorado. Voy a ejecutar y ya tengo mi gráfico.
Speaker A
Este gráfico ustedes lo pueden mejorar con la obviamente que sí, muchachos, se puede, pero ya se entiende que sí se puede hacer.
Speaker A
un gráfico de barras mostrando cantidades absolutas y a la vez sus cantidades o su representación porcentual ¿no?
Speaker A
Entonces, podemos decir que en el sistema educativo peruano, muchachos, el nivel inicial de 3 a 5 años representa el 43.3% 3% del total de instituciones en el Perú, ¿no? Es decir, es el nivel más fuerte, es la primera infancia, como se dice,
Speaker A
¿no? Muy bien. Entonces, esos gráficos también, es decir, todos los gráficos que hemos visto, muchachos, se pueden generar con GPL.
Speaker A
Y esto es una data real, muchachos. Hemos importado 82,000 registros para hacer estos gráficos, ¿no? Lo mismo para un gráfico de P. En este caso voy a crear un gráfico de P para saber el número de colegios por gestión pública o
Speaker A
privada ¿no? Acá está privadas y públicas. Las públicas representan el 78.1% del total de colegios, muchachos.
Speaker A
Pero las privadas representan casi el 22%. No, hay una buena cantidad de colegios que son de eh administración privada, ¿no?
Speaker A
Muy bien. Entonces, podemos hacer también un gráfico de de P de los valores absolutos. Ahí está. Valores absolutos, número de colegios por nivel, ¿no?
Speaker A
También puedo agregarlo, pues puedo hacer el mismo gráfico por porcentaje, ¿no? Ahí está. Y también puedo hacer un gráfico combinado ¿no?
Speaker A
Ahí está, ¿no? Y puedo seguir mejorando más los gráficos, de eso no hay problema.
Speaker A
Entonces, todo lo que hemos visto, muchachos, es se puede aplicar a data real porque basta que importe tu data, ya se puede hacer los gráficos, ¿no?
Speaker A
Eso sería todo sobre Glot, muchachos. Evidentemente hay muchos más gráficos por explorar, ¿no? A ver, no sé, mapas de calor, esos mapas de calor lo vamos a ver cuando veamos correlaciones para ver un mapa de calor de las
Speaker A
correlaciones, pero se puede hacer muchos más gráficos. El libro podemos también trabajar con con georreferencia ¿verdad?
Speaker A
También se puede. Por ejemplo, yo les muestro algo acá que hice con Gplot. A ver, un trabajo que hice para una pequeña consultoría, ¿no?
Speaker A
Me pidieron hacer algo así y esto lo hicimos con R. Imagínense, ellos querían mapear sus servicios eh en todo el Perú. Este es el territorio peruano, este es el Perú, ¿no? Y acá hay tres tipos de intervenciones que está aplicando el el
Speaker A
gobierno ¿no? Entonces yo le digo, "¿Se puede hacer un mapa?" Claro que sí. Luego donde puedes tú ver todos los servicios que tú tienes. Por ejemplo, me voy a la selva de Perú, al Amazonas, por ejemplo, y acá
Speaker A
obser un montón de de servicios, ¿no? Entonces, inclusive le puedes saber algunos datos de ellos, ¿no?
Speaker A
Imagínense. Entonces, puedo cambiar inclusive de capas para saber en qué situaciones están, ¿no? Entonces se puede hacer un montón de cosas con el R, muchachos.
Speaker A
Imagínase una herramienta potente, ¿no? Y lo bueno es que es gratis, muchachos. Es gratis.
Speaker A
Maestro, ¿cómo se logra estos resultados? Eh, así subiéndolo a un repositorio eh eh utilizando R.
Speaker A
Ah. Ya, una vez que ustedes tienen su mapita RPS, por ejemplo, es una es una un hosting del R para que tú publiques tus trabajos y es gratuito.
Speaker A
Te registras, mira, te registras y subes tu trabajo. Y acá están todos los trabajos que se publican. Miren, de todos los que han subido su trabajo. Es como una revista.
Speaker A
Yo siempre leo esto para informarme de las novedades, ¿no? Por ejemplo, hace 15 minutos Yanal Canop de todos los países está ha publicado su trabajo. Por ejemplo, acá hace una hora esta persona publicó su trabajo. Miren, su trabajo es un mapa
Speaker A
de este tipo, ¿no? Al parecer es los pavos diferenciados por rangos, ¿no? Cantidad de pavos.
Speaker A
Ahí está, mire. Debe ser de Rusia este compañero. Miren, ahí están todos los datos de no miren.
Speaker A
Interesante ¿no? Entonces, RPS es plataforma para crear, muchachos. Bastante interesante. Sí. Y es gratis. Tú puedes publicar tus tus investigaciones gratis.
Speaker A
Algo así, ¿no, maestro? Yo lo digo porque yo estoy desarrollando un proyecto en el cual eh estas informaciones que usted está presentando pues sería muy valorada dado que me permitiría hacer un proceso de automatización.
Speaker A
Eh, no sé si si le puedo compartir brevemente para que al menos si ustedes tienen una sugerencia pues sea bien recibida. Eh, la estaré bien recibiendo.
Speaker A
Sí. Eh, perdón, Jean Charlie, ¿de dónde tú eres? Eh, República Dominicana. Ah, el acento dije ese dominicano.
Speaker A
Entonces, no sé si me podría ayudar. Eh, ¿puedo presentar breve? No sé. Ahorita. A ver, vamos. Adelante, compárdanos.
Speaker A
Listo. Me dices si se ve. Eh, todavía está creando. A ver. Claro. R Pups es. Wow. Interesante. Eso podemos hacer en R.
Speaker A
Sí, justamente yo lo estoy haciendo ya eh con Python y otros servicios y otras propiedades que he utilizado y resulta que quiero hacer un proceso de análisis para identificar zona de riesgo y a la misma vez poder estimar si en algún lugar, por ejemplo,
Speaker A
si en esta zona pues hubo un deslizamiento de tierra, una inundación, poder crearas alternativas ¿verdad? Pero a la misma vez tener como un marco, un tablero de gráfico que también pueda proporcionar información acerca del ries del evento, ya sea una
Speaker A
tormenta, como estamos en temporada ciclónica, al menos en el Caribe, eh poder estimar la población que vive ahí, sexo, niño, mujeres embarazadas y esos datos estarían públicos y disponibles para entonces tener una mejor gestión de de al menos eh la asistencia, ¿verdad?
Speaker A
Eh a y y los albergues en caso de que haya algún evento y me parece que con lo que usted ha presentado pues me ayudaría bastante. Eh aunque está hecho en Python y tienen otras integraciones con otras tecnologías eh para el tema de la ruta,
Speaker A
servicios eh online, ¿verdad? Eh, y como programa un poquito en Linux, o sea, eh utilizo el servicio, el sistema operativo de Linux, gestiono algunos procesos que se manejan interno para un tema de tareas y y de lanzamiento de
Speaker A
funciones. Entonces, eh por lo que usted me ha mostrado y lo por lo que estoy viendo en R, potencializaría mucho esta esto y que puede aplicarse inclusive para cualquier país, no solamente para la República Dominicana. Sí, correcto.
Speaker A
Muy bien. Eh, a ver, para tu tablero en RA existe los famosos. A ver, primero vamos a tu tablero que quieres hacer.
Speaker A
Con R también se puede crear dashboard, muchachos. Claro, este curso naturalmente no se no vamos a ver dashboard, pero se puede hacer dashboard de este tipo, por ejemplo. Miren, con R.
Speaker A
Este tipo no se puede hacer en R estilo Power B o no necesitas Power BI, eso ya es obsoleto muchachos.
Speaker A
R puede hacer dashboard tipo Power BI, tipo tabló, todo, todos tus análisis tú lo puedes plasmar en un tablero y es gratis. ¿Te dan cuenta?
Speaker A
Si usted fuera vendedor de R lo compráramos. Sí, sí. Es por esto de acá. Vamos a ver. Alguien hizo esto, un flash dashboard, así se llama la librería. Flex Dashboard es la librería que hace Dashboard.
Speaker A
Miren, sencillo. Y es más, acá está el eh te comparte la plantilla, ¿no? Y un montón de ejemplos, ¿no? Puedes agregar mapas y todo.
Speaker A
Maestro, lo interesante DR, sí, soporta láes. Eso, eso. yir documento en látex es bellísimo porque potencializa la forma, la estructura, eh, y que uno puede crear fórmulas eh, para de manera explicativa para para que otros entiendan que uno
Speaker A
está haciendo, eh, potencializaría, o sea, potencializa mucho el análisis. Sí, sí, sí. Es verdad.
Speaker A
Lenguaje para texto matemático. Por cierto, R también sirve para crear informes. Exacto. Cuarto, Rard down, PPTs, libros. ¡Uf!
Speaker A
Por ejemplo, ¿cómo publicas a RPS tu tus trabajos? Acá hay un botón, ¿no? Simplemente es publicar y automáticamente te va a redireccionar pues a la al Rpus, ¿no?
Speaker A
Claro, necesitas un usuario, vinculas y se publica, ¿no? Y gratis. Es así, ¿no? Acá se está instalando la los complementos para la conexión. Ya.
Speaker A
Acá el truco está en este botón, muchachos. Acá no más publicar, ¿no? Ahí está. Y ahí te dice, ¿dónde quieres publicar?
Speaker A
Quiero publicar en RPS. Listo, se acabó. Eso sería todo y tendrían ya pues su yo tengo aparte mi RP, esto es de de un trabajo que que he hecho, ¿no? Hemos hecho un montón de cosas, mapas de calor
Speaker A
también inclusive, ¿no? Miren esto, recuerdo que hicimos para saber si aquellos colegios estaban ubicados en zonas de pobreza, ¿no?
Speaker A
Interesante ¿no? Muy bien. Eso es. Entonces R muchachos es el presente y el futuro, muchachos. Eso no se olvide.
Speaker A
Python también, ¿no? Solo que Python ahorita se ha direccionado más a lo que es el la inteligencia artificial, ¿no?
Speaker A
Adelante. Eh, ya que hablas de de Python y R, muchas empresas utilizan Power BI.
Speaker A
¿Tenemos una forma de conectar R Power BI o o es complicado? Sí se puede, sí se puede, sí se puede. Es más, algunos algunos gráficos no se puede hacer en Power BI. Entonces, ¿qué es lo que haces tú? Creas un código
Speaker A
en R y ese código lo insertas en Power BI y el Power BI lo ejecuta. Sí se puede. Python también.
Speaker A
Perfecto. Gracias, profe. Sí, sí se puede, maestro. tan es tan fuerte el R, tan potente, potente que yo, por ejemplo, yo estoy usando un software que se llama Iramutec para manejo de texto.
Speaker A
Ah, ese asunto, eso es genial para eso manejo de texto, estilo Atlas T. Sí.
Speaker A
Y eso es eso me ha sorprendido a mí cuando yo me puse a a manejar y ven acá y esto. De hecho, eso fue lo que me motivó a a ponerme en este curso.
Speaker A
Sí. R le gana a Atlas T y a ese programa que menciono. ¿Por qué? Porque R también tiene su módulo de minería de texto o text mining, ¿no?
Speaker A
Ajá. Es el el módulo que utiliza Iramc. Sí. Minería de tex semántica y todas esas cosas, ¿no? R también hace, muchacho.
Speaker A
Y lo hace. Lo bueno que el R es que tienes un script ya automatizado, es decir, lo puedes mejorar y mejorar. Y con la IA ahora muchachos, ustedes crear yo utilizo much los códigos potentes.
Speaker A
Yo utilizo mucho PEC y Usinec, Net Drive, ese ese tipo de software para manejo de redes, construcción de teoría de grafos aplicada.
Speaker A
Exacto exacto. Y con R yo puedo hacer todo eso sin problema. Sí, en un solo script pues puedes eh ya yo estoy desinstalando programas de mi computadora.
Speaker A
Excelente. Eso, eso, eso. Y y es gratis. Muchach, es gratis. No, esto no. Redes semánticas ¿no?
Speaker A
Exactamente. Esas son las redes semánticas. Exactamente. ¿Y esto cómo se construye? Usando R. Mira player.
Speaker A
Perfectamente se puede hacer en R. Imagínense, eso me simplifica mucho trabajo. O sea, usar R me está simplificando mucho trabajo porque estoy haciendo esto de redes semánticas sin necesidad de usar de usar Atlas T, que es un programa por paga, por cierto.
Speaker A
Excelente. ¿Te das cuenta todo lo que los beneficios que tiene usar R y eso que estamos viendo por el lado solamente del análisis de datos, no?
Speaker A
Pero también lo puede usar un matemático para resolver ecuaciones diferenciales, para resolver integrales, derivadas, un contador para hacer su flujo de caja.
Speaker A
Todo se puede hacer, muchachos. Es muy potente. Entonces, sáquenle provecho muchachos. Lo que nosotros estamos viendo es el mundo del análisis de datos, pero tiene mucho más amplio.
Speaker A
Muy bien, ya terminamos entonces nuestro laboratorio de visualización de datos y ustedes, bueno, yo les recomiendo que revisen ese libro que le pasé, ¿no?, de Gplot para que uf conozcan muchas más herramientas.
Speaker A
de esa manera pues vamos a eh aprender más, ¿no? Este curso es tan pequeñito que no se puede ver todas esas cosas, pero vamos a ver lo más importante que es en primer lugar entender cómo funciona el GPLot.
Speaker A
Lo además con la ayuda de la se potencia mucho más, ¿no? Muy bien. Ahora vamos a ver nuestro tema llamado estadística descriptiva, ¿no?
Speaker A
Seguramente todos en nuestro día a día usamos estadísticas descriptivas, pero no lo sabemos. ¿Quién no ha calculado un promedio?
Speaker A
¿Quién no ha hecho una tabla de frecuencias? ¿Quién no ha hecho un gráfico? Eso es estadística descriptiva, muchachos. ¿no? Entonces vamos a ver, por ejemplo, la definición formal de estadística descriptiva, los tipos de variable, hablaremos de las medidas de tendencia
Speaker A
central, las medidas de posición, las medidas de dispersión. Acá entra el concepto de varianza, ¿no?
Speaker A
Ahí se crea por primera o se habla por primera vez, ¿no? Las medidas de forma, las tablas de frecuencia y los gráficos, ¿no? Todo eso es la estadística descriptiva, solo que nadie lo llama de esa manera.
Speaker A
La estadística, muchachos, se divide en dos, la descriptiva y la inferencial. Más adelante vamos a ver todo lo que es inferencial.
Speaker A
Si nos preguntan qué es la estadística descriptiva, nosotros vamos a decir que efectivamente es la rama de la estadística que se encarga de recolectar, analizar y caracterizar un conjunto de datos con el objetivo de describir sus características, ¿no?
Speaker A
Entonces, la estadística descrip un conjunto de datos. ¿Qué tipo de herramientas te va a dar?
Speaker A
medidas de resumen, tablas de frecuencia o gráfico. Estas herramientas son las que la estadística descriptiva usa para ello, ¿no?
Speaker A
Muy bien. Entonces, eso es estadística descriptiva y acá hay un dolor de cabeza muy fuerte, muchachos.
Speaker A
Una cosa es tener la población de datos, el total de mis datos y una cosa es tener una muestra de de datos.
Speaker A
La muestra obviamente es un subconjunto aleatorio que se extrajo de la población, ¿no? Muy bien, hasta ahí todos lo entendemos.
Speaker A
La estadística descriptiva, muchachos, se aplica acá. Acá se aplica la estadística descriptiva. Muchos dicen que la estadística descriptiva se aplica en todo conjunto de datos y eso es falso. ¿Ya?
Speaker A
¿Por qué? Porque en la muestra lo que se aplica es la estadística inferencial. Justamente, ¿por qué se aplica la estadística descriptiva en los datos poblacionales o datos totales? Porque solo si yo tengo todos los datos puedo describir mis datos
Speaker A
con un conjunto pequeñito como la muestra. Yo no puedo describir un conjunto de datos total, no lo no puedo hacer eso, pero con una muestra lo que yo sí puedo hacer es inferir a partir de la muestra cómo es el
Speaker A
comportamiento en la población. Es un debate y eso es un concepto que hay que tener en claro. ¿Qué son datas totales? un censo, registros administrativos de nuestro trabajo, por ejemplo, datos totales. Eso es ahí es donde entra la estadística
Speaker A
descriptiva ¿no? Hay que tener mucho cuidado en esa parte. Profe, qué pena. vuelves y me repites, por favor, que que el concepto es básico, pero bastante complicado.
Speaker A
Sí, muy bien. Entonces, hay dos conceptos interesantes, población y muestra, ¿no? Eso todo el mundo lo escuchamos.
Speaker A
La población es la totalidad de información obviamente y la muestra es un subconjunto que se extrajo de la población, ¿no?
Speaker A
¿Dónde entra la estadística descriptiva? a datos totales, a datos poblacionales, por ejemplo, censos, registros administrativos de una empresa, ahí entra, ¿no? Muestra, por ejemplo, las encuestas de hogares, las encuestas de opinión pública, las encuestas de satisfacción, son muestras. Ahí entra la
Speaker A
estadística inferencial. Eso es la diferencia, ¿no? Yo no puedo aplicar estadística descriptiva a una muestra porque la estadística descriptiva describe las características. Muchach, maestro, una pregunta ahí. Entonces, adelante, porque como dijo el compañero, es un concepto en teoría elemental, pero realmente es
Speaker A
complejo. Cosas que uno tiene que interiorizar. Si yo tengo una muestra que no es aleatoria, bueno, no que no sea aleatoria, si yo tengo una muestra que no es probabilística, se seleccionó por conveniencia y yo hice un trabajo en función de esa
Speaker A
muestra, pero no es representativa de la población, por ende, no la puedo no puedo inferir sobre la población a partir de ella. ¿Cómo se llama el análisis que le hago a esa muestra?
Speaker A
Estoy trabajando con la población, estoy trabajando parte de ella. Ya existen dos muestras en estadística. La muestra probabilística o aleatoria, ¿sí?
Speaker A
Que hace que te permite hacer inferencias y el muestreo no probabilística o no aleatorio ¿no?
Speaker A
Esas muestras no probablísticas solo te sirven para obtener valores referenciales nada más, nada más.
Speaker A
solo para eso. Es más, no se puede decir, o sea, yo lo que hago, yo lo que hago de ahí es, ¿qué sé yo, estimar estimar estadístico para poder hablar de parámetros posteriormente cuando tenga una muestra representativa y que sea?
Speaker A
Exacto. Por ejemplo, sí, esas muestras no probalísticas o de por conveniencia, bola de nieve y todas esas cosas, todo te sirven para saber pues tu estado situacional de algo, ¿no? Quisiera quisieras saber, ¿no? Por ejemplo, cuando lanzan un nuevo producto al
Speaker A
mercado, una gaseosa, por ejemplo, hace un sondeo, pues en una zona X y ah, bueno, a tantas personas le gustó, ¿no?
Speaker A
Más le gustó a las mujeres, más a los hombres. te da datos referenciales para poder mapear un poco el comportamiento, ¿no? Pero nada más no hay inferencia.
Speaker A
O sea, que nosotros casi nunca hacemos estadística descritiva realmente no depende quiénes trabaja acá, por ejemplo, con datos administrativos de una empresa.
Speaker A
Ah bueno eso es data total. Tienes razón. las series de las series de tiempo de Senami, por ejemplo, ¿no?
Speaker A
Ahí es donde viene el el complique, porque es que eh es eh terminaría siendo relativo. Si a ver, vamos si tomo los datos de esa empresa, sería la totalidad, sería la población.
Speaker A
Claro, si esa empresa es de, no sé, de bebidas gaseosas, yo estaría trabajando con un muestreo de esa empresa, de todas las gaseosas, porque a nivel nacional o a nivel mundial o sudamericano, entonces sería un muestreo de esas. Entonces es
Speaker A
relativo y quien define si es un muestreo eh probalístico o no probalístico va a ser el investigador.
Speaker A
Exacto. Sí, exacto. No, eh por qué se opta por un muestreo no probabilístico generalmente porque es menos costoso, es más rápido. Tú puedes vas a la calle y recoges las cantidades que quieras, ¿no? Pero el muestreo aleatorio implica que debe ser una muestra
Speaker A
representativa, es decir, una muestra que sea una copia exacta del comportamiento de la población.
Speaker A
Imagínense, ¿no? Imagínense qué sucede esto sea su población. Imagínense todos los elementos, supongamos que sean personas supongamos si tú haces un muestreo intencional, ¿qué es lo que vas a hacer el muestreo intencional? sales a la calle y ya
Speaker A
muestreas esta cosa, ya se acabó, ¿no? Sin embargo, el muestro aleatorio lo que hace es mucho más interesante. Hace un barrido de toda la población seleccionando todos los posibles, de tal manera que la muestra es pues representativa de la población, ¿no?
Speaker A
Efectivamente esta muestra te va a dar muchos mejores resultados por porque es mucho más formal, ¿no?
Speaker A
Por eso las muestras no probalísticas o las intencionadas simplemente es para ver cómo es el comportamiento pues de ese grupo de personas nada más. Pero no puedes inferir más cosas, no se puede hacer inferencias ni siquiera entonces. Qué pena, profe.
Speaker A
Yo ahí vuelvo a ser insistido porque entonces es bastante complicado. Supongamos eh hay una raza, hay una raza de ganado, ¿cierto? X a nivel mundial.
Speaker A
De esas razas tenemos una en nuestros países y en mi finca, en mi hacienda, mi granja, yo tengo algunos animales. Si yo voy a trabajar con los animales que sean 20, 100 o 200, terminaría siendo una muestra intencional, pero a la vez
Speaker A
también sería aleatoria porque no puedo a todos los animales de esa raza tod a nivel mundial, pero también tengo que trabajar con los que tenga en ese momento.
Speaker A
Muy bien, excelente pregunta. Lo que pasa cuando tú haces, en primer lugar, uno, ¿por qué toma una muestra aleatoria?
Speaker A
Porque quiere corroborar algo de la población, ¿no? Como yo no puedo abarcar toda la población, necesito una muestra para obviamente corroborar una hipótesis que yo tenga, una hipótesis de investigación.
Speaker A
Pero usted me dice, "Pero si yo tomo mis ganados que está en mi zona y que no representa la total, ahí tienes que acotar tu investigación.
Speaker A
No puedes generalizar a todo el universo, no se puede eso. Hay que acotar nuestra investigación. Toda investigación tiene espacio y tiempo.
Speaker A
Entonces sería inferencial al mismo tiempo. Por eso hay que tener cuidado en esa parte. Ah, si tuvieras 100 lo que lo que Alejandro, lo que pasa es que si vas a elegir, en el caso de de los animales que tú planteas, si vas a
Speaker A
elegir los animales de una raza en particular, entonces tendrías que irte a otros países y elegir los animales de eso.
Speaker A
Ahora, si tú vas a estudiar, eso va a depender también del contexto de problemas. Si tú vas a estudiar las haciendas del Perú, por ejemplo, o de República Dominicana o de Ecuador, entonces tú vas a pensar en elegir
Speaker A
hacienda y analizar los animales que están en esa hacienda. Pero tú no puedes hacer inferencia respecto a una raza de animales porque tú tengas dos ejemplares de eso y a nivel mundial hay muchísimo.
Speaker A
Tú no analizaste todo lo del mundo, analizaste los que están en tu región. Sí, claro. La diferencia sería puntual para ese para ese muestrero.
Speaker A
Exacto, exacto, exacto. Hay que acostar la investigación. Pero, pero, pero, pero pero es como tú dices, es una pregunta complicadísima y la cosa no es tan simple como se ve.
Speaker A
Sí complicada, pero va a depender de qué es lo que quieres probar y sobre todo acotar tu investigación.
Speaker A
Pero hay que saber también, maestro, que el muestreo es una un área amplísima y hay hasta doctorados de muestreo.
Speaker A
Sí, sí, sí. Efectivamente, es verdad. El muestreo es sí es en la universidad es un año completo, dos ciclos en la universidad del muestre uno y muestre dos.
Speaker A
Es complicado. Y por eso por eso lo planteo, porque es que al fin y al cabo si más adelante tenemos esa hipótesis que tenemos que hacer una comparación de medias y si vamos a hacer una comparación de medias de nuestro pues de
Speaker A
nuestro de nuestra de nuestra hipótesis, lo que estamos lanzando, si estamos trabajando con ese muestreo, entonces tenemos que tener mucho cuidado. O sea, y el muestreo termina definiendo eh el norte, pero si yo quiero hacer la comparación al interior de esos grupos o de de ese
Speaker A
muestreo, solamente lo podría hacer para ese para ese muestreo, no podría ser para otras razas, en otros países, en otros lugares. Entonces, sería muy puntual.
Speaker A
Entonces, ¿hasta qué punto ese muestreo puede representar a mi muestra a mi población? Bien, ahí has mencionado algo interesante. Ah, ahí creo que hay que tener en cuenta algo interesante.
Speaker A
Generalmente cuando tú tomas una muestra se hace para estimaciones de de algunos estimadores, ¿no? Por ejemplo, hablando el ganado, ¿no? Peso promedio, eh, no sé, y muchas variables que quisieras medir, ¿no?
Speaker A
Sí. Anza, etcétera. Sí, claro. Exacto. Entonces, pero eso es en base a tu muestra eh de tu población de ganados, de tu localidad, supongamos.
Speaker A
Ya, pero si tú quieres comparar ya especies de diferentes zonas, implica que vas a tener que tomar muestras en esas diferentes zonas y esto puede ser tu zona, ¿no? Entonces, son muestras muy diferentes, son muestras independientes, muchachas. Entonces, si
Speaker A
tú tienes muestras independientes del mismo tipo de ganado en zonas diferentes y quieres ver si el promedio son iguales o diferentes, ahí es otra cosa. No es un solo, no es una sola muestra, son diferentes muestras en cada zona con fines
Speaker A
comparativos ¿no? Entonces sería estratificación de muestras. No podría ser estratificación porque no estás estratificando a una misma población, estás has obtenido muestras en diferentes zonas, ¿no?
Speaker A
Serían entonces conglomerados. Imagínese peor si son en diferentes países, imagínase, es complicado, ¿no? Sí, seríanlomerados. Entonces serían en este caso, sin contar de que, por ejemplo, en N1, la muestra uno podría tener factores que le afectan diferente a lo de N2, porque quizás son de
Speaker A
regiones diferentes o de países diferentes. Exacto. Entonces, hay que considerar los factores. Implica muchas cosas las comparaciones en diferentes zonas. Entonces, lo mejor es comparar pues en la misma que están ahí, o sea, N1 dividirla en tres partes,
Speaker A
por ejemplo, y ahí sí sería un extracto, ¿sí? Con más se complica más inclusive.
Speaker A
Entonces, cuando se opta o se piensa en muestras, hay que acotar muy bien qué es lo que queremos hacer.
Speaker A
Sí. y construir una muestra para eso, para lo que yo quiero, ¿no? Porque muchos piensan que una muestra sirve para todo y eso no es así. Ah, hay que tener cuidado esa parte.
Speaker A
Peora, un maestro, ni siquiera una muestra. Claro efectivamente. O sio un número de individuos calculado por una fórmula, ellos piensan que sí, que ya eso me resuelve el problema y no es así. Ese es el número mínimo que
Speaker A
ellos se permite, pero no es si no se distribuye adecuadamente a través de un proceso de muestreo adecuado, entonces no hay representatividad de la población.
Speaker A
Excelente. Entonces hay muchas más cosas. Maestro, maestro y compañeros, lo que pasa es que entonces me viene la duda. Si tengo que la esperanza matemática de diferentes muestreos o diferentes muestras es el es la esperanza matemática o el promedio
Speaker A
como el valor esperado de todos mis muestreos, entonces en teoría yo tendría que hacer mucho más muestreos para poder aproximarme en teoría a a ese a ese comportamiento poblacional que desconozco.
Speaker A
Teorema central de límite. Claro. A medida que tu tamaño de muestra crece, tu estimación va a ser mucho más precisa ¿no?
Speaker A
Exacto. Eso es. Y la delimitación del problema ayudaría a tú restringir al contexto donde está tu situación problemática y el muestrero lo aplica en esa zona.
Speaker A
Exacto. Eso es. Toda investigación está acotada espacio tiempo, muchachos. Entonces, ahorita hablamos en general, por eso hay muchos temas de discusión, pero cuando especificas o acotas tu investigación ya es un poco más más accesible, más sensa a entender, ¿no?
Speaker A
Muy bien, muchachos, ya nos hemos excedido en el tiempo, así que nos quedamos acá entonces por el día de hoy y estaríamos continuando la siguiente sesión. vayan leyendo, por favor, las presentaciones y la siguiente sesión finalizamos esta esta parte. Ya.
Speaker A
Muy bien, muchachos. Excelente fin de semana para todos. Muchas gracias. Gracias, Excelente fin de semana para todos.
Speaker A
Buenas noches. Gracias. Gracias. Buenas noches. Buenas noches para todos. Descansen. Gracias. Gracias.
Topics:estadística descriptivavisualización de datosRggplot2gráficos en Rgeom_pointfacet_wraplibrerías RGG AnimateGali
