Sesión 4. Análisis exploratorio e interpretación con IA — Transcript

Sesión sobre análisis exploratorio e interpretación de datos con IA y SPSS, enfocada en estadística descriptiva y buenas prácticas.

Key Takeaways

  • El análisis exploratorio es fundamental para entender y preparar los datos antes de análisis inferenciales.
  • Identificar correctamente el tipo de variable es clave para elegir técnicas y gráficos adecuados.
  • Las medidas de resumen y gráficos ayudan a visualizar y comprender la distribución y características de los datos.
  • Detectar y manejar valores atípicos es crucial para evitar sesgos en los análisis.
  • La documentación y redacción clara de resultados es esencial para comunicar hallazgos y avanzar en el proceso analítico.

Summary

  • Introducción al análisis exploratorio como extensión de la estadística descriptiva.
  • Uso de SPSS y herramientas de IA como ChatGPT para facilitar resúmenes e infografías.
  • Definición y explicación de estadística descriptiva: recopilación, organización y presentación de datos.
  • Tipos de variables y su importancia para elegir técnicas estadísticas adecuadas.
  • Medidas de resumen: centralización, dispersión, posición y forma.
  • Identificación y manejo de valores atípicos (outliers) y su impacto en el análisis.
  • Interpretación de gráficos: barras, circulares, histogramas, boxplots y gráficos de dispersión.
  • Conceptos de simetría y curtosis para evaluar la forma de la distribución de datos.
  • Buenas prácticas en análisis exploratorio: identificación de variables, selección de gráficos, detección de outliers y evaluación de distribución.
  • Importancia de documentar hallazgos y redactar resultados claros para fases posteriores del análisis.

Chapters

  1. 00:00Introducción al análisis exploratorio y repaso de estadística descriptiva
  2. 03:55Descarga y revisión del resumen generado con IA
  3. 08:01Explicación de la curtosis y su interpretación
  4. 12:15Buenas prácticas en la creación y uso de gráficos estadísticos
  5. 16:45Análisis de datos de colegios en Perú y su representación gráfica
  6. 21:38Interpretación de histogramas y distribución de datos
  7. 30:51Uso de gráficos de dispersión para análisis bivariado
  8. 35:09Automatización de gráficos con sintaxis en SPSS
  9. 44:14Errores comunes y solución con ayuda de IA
  10. 49:04Generación avanzada de gráficos y limitaciones del 3D

Full Transcript — Download SRT & Markdown

00:00
Speaker A
Abran su SPSS, por favor. Recuerden que en la sesión anterior habíamos hablado de estadística descriptiva. Ahora vamos a hablar de análisis exploratorio, que es prácticamente lo mismo, solamente que es un nombre muy comercial que le han puesto, ¿no?
00:15
Speaker A
Eh, a ver, ya está. Acá está nuestro SPSS, ¿no? Y en la sesión anterior, muchachos, lo que hemos visto es estadística descriptiva, ¿no? ¿Qué era estadística descriptiva?
00:28
Speaker A
Miren, vamos a abrirla ahí ya para recordar. Claro, nosotros tenemos nuestro PPT, ¿no? Pero como en este curso vamos a usar ya, eh, yo recomiendo ChatGPT y los que ya tienen más experiencia, Cloud, ¿no? Que es una herramienta muy
00:49
Speaker A
muy potente, ¿no? Es terriblemente potente, muchachos, pero es más orientado a lo que es programación, más lado de la informática, ¿no?
00:59
Speaker A
Miren, en la sesión anterior hemos visto estadística descriptiva. Quiero un, no sé, un flyer de resumen, eh, de estadística descriptiva, ¿no?
01:14
Speaker A
Y que sea muy completo. La idea de hacer un promo es ser lo más claro posible, ¿no? A ver, vamos a ver qué tal es. Vamos a ver qué es lo que va a hacer.
01:29
Speaker A
Bien, ¿qué es lo que hizo, muchacho? Bueno, acá me dice un resumen, ¿no?
01:34
Speaker A
Pero quizás no les gusta este resumen y le voy a pedir, eh, una infografía.
01:45
Speaker A
Dame la infografía. Yo quiero un, como quien dice, el resultado pues que sea más digerible posible, ¿no? Yo no quiero leer, resumir, no, yo quiero ver y entender efectivamente qué es la estadística descriptiva, ¿no?
02:05
Speaker A
Muy bien. Eh, ahí esperemos unos segundos, pero por mientras, ¿qué nos dice, no, la estadística descriptiva?
02:12
Speaker A
Nos dice: "Muchachos, miren, es la rama de la estadística que recopila, organiza, resume y presenta datos mediante tablas, gráficos y medidas numéricas." Esas medidas numéricas, muchachos, son las medidas de resumen, ¿no? ¿Qué cosas son las medidas de resumen?
02:32
Speaker A
Medidas de centralización, posición, dispersión y forma, ¿no? En medidas de centralización, media, mediana y moda. En dispersión tenemos varianza, desviación estándar, coeficiente de variación.
02:47
Speaker A
En las medidas de posición tenemos los percentiles, pero también casos específicos como los cuartiles, los decisilios y los quintiles, ¿no?
02:56
Speaker A
En las medidas de forma tenemos asimetría y curtosis. Pero también hemos hablado de la variable. Esto es muy importante. ¿Por qué es importante identificar el tipo de variables?
03:09
Speaker A
Porque de eso va a depender la herramienta o la técnica estadística que tienes que usar.
03:14
Speaker A
Si tengo dos variables numéricas, por ejemplo, cuantitativas, una de las técnicas más comunes que vamos a ver más adelante es la correlación, ¿no?
03:24
Speaker A
Si tengo una nominal versus una continua discreta, puedo aplicar ANOVA, ¿no? Y así puedes encontrar muchas técnicas, ¿no?
03:36
Speaker A
Tales las herramientas gráficas que existen, gráfica de barras, gráfico circular, cuándo usar cada uno de ellos.
03:42
Speaker A
Por ejemplo, si la variable es nominal, gráfico de barras, gráfico circular, ¿no? Si son variables continuas, tenemos histogramas, boxplot, gráfico de dispersión y todo ello, ¿no?
03:55
Speaker A
Ahora vamos a ver si nuestro resumen ya está hecho, muchachos. Efectivamente, miren muchachos, lo voy a descargar esto.
04:06
Speaker A
Lo voy a descargar esto, no se preocupen. Y miren esta herramienta que de resumen, muchachos.
04:15
Speaker A
¿Qué opinan? Estadística descriptiva. Guía rápida, todo lo esencial en una sola hoja, dice. Vamos a repasar, muchachos. Ya. La estadística descriptiva dice que es la rama de la estadística que recopila, organiza, resume y presenta datos mediante tablas, gráficos y mediante
04:35
Speaker A
medidas numéricas. Pero para hablar de estadística descriptiva, primero lo que debemos conocer son los tipos de variables, ¿no?
04:43
Speaker A
Recordemos que tenemos variables cualitativas, nominales y ordinales, cuantitativas, discretas y continuas, ¿no? Todo eso ustedes ya lo conocen.
04:54
Speaker A
Luego tenemos que hablar de las famosas tablas de frecuencia. Las tablas de frecuencia no son más que una tabla que te va a permitir resumir tu conjunto de datos por categorías específicas o categorías de interés. No, luego están los gráficos. Vamos a ver
05:09
Speaker A
hoy día gráficos, muchachos. Luego están las medidas de tendencia central, muchachos. Media, mediana y moda. Son las tres medidas centrales más conocidas. No son las únicas, muchachos. Ah, son las más usadas, ¿no?
05:26
Speaker A
Otra medida de centralización es la media geométrica, la media armónica, la trimedia, pero eso no se usa, muchachos.
05:31
Speaker A
No es muy común, pero existe en la literatura especializada, ¿no? Las medidas de dispersión, muchachos.
05:40
Speaker A
Antes, cuando no existía varianza, una medida de dispersión muy artesanal, se podría decir, era el rango, que era la diferencia entre el valor máximo menos el valor mínimo, ¿no? Ahora tenemos varianza, desviación estándar, tenemos el coeficiente de variación,
05:59
Speaker A
un montón, ¿no? También tenemos las medidas de posición, cuartiles. Cuando divido a toda mi base de datos, a todo mi data, en otras palabras, mi variable, por ejemplo, nota o ingresos, peso, talla, lo divido en cuatro partes, se llaman cuartiles, ¿no?
06:17
Speaker A
Si divido en 10 partes, se llaman deciles. En general se conocen como percentiles, muchachos.
06:27
Speaker A
¿Qué más tenemos? Las medidas de forma, muchachos. Acá no, los boxplots, muchachos. El gráfico de caja sirve para qué?
06:36
Speaker A
Primero para ver dispersión y también valores atípicos. Los famosos outliers, muchachos. Los outliers son aquellos valores que escapan del común de los datos. Son valores con un comportamiento totalmente diferente, ¿no?
06:53
Speaker A
Por ejemplo, si yo en un aula de los primeros ciclos de la universidad, yo le pregunto sus edades a los estudiantes, ellos me van a decir 17, 18, 19, 17, 18, hasta ahí son datos casi homogéneos, ¿no?
07:09
Speaker A
Pero si ahí yo incorporo la edad del docente, por ejemplo, 52 años, ese valor es un valor atípico para el conjunto de datos, ¿no? ¿Por qué? Porque no es un valor común, es un valor totalmente diferente.
07:24
Speaker A
Y eso, ¿qué influye? Sesga los análisis, ¿no? Sesga los cálculos, ¿no? Entonces, hay que tener mucho cuidado para ello. Ya. Luego vienen las medidas de forma, muchachos, simetría y curtosis, ¿no?
07:39
Speaker A
Recuerden que la simetría era, pues, ¿qué tan parecido es a la distribución normal? Esta es simétrica, ¿no? La famosa distribución normal.
07:48
Speaker A
Cualquier otra distribución diferente a la normal es asimétrica. Tenemos asimetría positiva, cola a la derecha, asimetría negativa, cola a la izquierda, ¿no?
08:01
Speaker A
Luego vamos a hablar de la curtosis, muchachos. La curtosis no es más que el grado de apuntamiento o achatamiento de la curva, ¿no? O de la distribución.
08:12
Speaker A
Entonces, también son útiles, ¿no? Y ahí hay más herramientas, ¿no? Eso es estadística descriptiva.
08:20
Speaker A
Ya cuando hablamos de correlación o covarianza, la correlación ya es parte de la estadística inferencial, muchachos, aunque algunos textos dicen que no, la correlación también se puede hablar descriptivamente, ¿correcto? Solo o siempre y cuando yo tenga datos poblacionales,
08:40
Speaker A
hay correlación poblacional, así como hay correlación muestral, ¿no? Entonces, por eso algunos autores la correlación también la incorporan como parte de la estadística descriptiva, ¿no?
08:54
Speaker A
Notaciones importantes y las buenas prácticas, ¿no? Las buenas prácticas que nos recomiendan, muchachos, miren, identificar el tipo de variable antes de analizar. Eso es vital, muchachos, vital.
09:11
Speaker A
Si ustedes no saben identificar las variables, van a elegir una herramienta adecuada, inadecuada. En otras palabras, en función al tipo de variable elegido, hay que elegir el gráfico adecuado para poder comunicar los datos.
09:28
Speaker A
Hay que usar medidas resumen, hay que detectar valores atípicos. ¿Por qué? Porque si hay valores atípicos, hay que tener mucho cuidado con los análisis.
09:41
Speaker A
Evalúa la forma de distribución antes de aplicar métodos estadísticos. Sí, obviamente, ¿no? Es decir, son las buenas prácticas que hay que tener en cuenta.
09:51
Speaker A
Bien, entonces, muchachos, esto es un resumen de la estadística descriptiva y ustedes pueden usar la IA para armar su, como quien dice, ¿no?, su guía de resúmenes, ¿no?
10:04
Speaker A
Y puedan tener pues toda la clase, cosa que acá ya pues directo repasan los puntos más interesantes.
10:14
Speaker A
Para eso sirve la IA. Entonces no hay excusa cuando algo no se qu...
10:23
Speaker A
Muy bien, muy bien, muchachos. Entonces, ya que tenemos acá nuestros gráficos, perdón, nuestra base de datos, vamos a aprender a hacer gráficos estadísticos, muchachos.
10:42
Speaker A
Primero, si yo quiero hacer gráficos, hay que identificar el tipo de variable. Miren, de todas mis variables, las únicos numéricas que tengo son estas de acá.
11:02
Speaker A
Estas de acá, ¿no? Las únicas numéricas que tengo es esta acá miren. Total de alumno, total de docente y total de excepciones, ¿no? Los demás también son numéricas, pero ya construidas anteriormente, ¿no?
11:16
Speaker A
Pero tengo tres variables numéricas y todas las demás, a excepción de estas, son variables categóricas o cualitativas.
11:26
Speaker A
Por ejemplo, yo ya tengo mi variable nivel que he agregado, ¿no? En tres en dos tres grupos. Gestión en dos grupos.
11:36
Speaker A
Nivel, por ejemplo, yo lo agrupé en inicial primaria secundaria gestión pública y privada. No voy a hacer gráficos, por ejemplo, para estas variables categóricas o cualitativas.
11:47
Speaker A
¿Qué dice la teoría? Bueno, no tanto la teoría, ¿no? La recomendación generalmente es que cuando yo tengo variables cualitativas, el gráfico apropiado es un gráfico de tortas y o un gráfico de barras, ¿no?
12:05
Speaker A
Muy bien. Me voy a analizar, ¿no? Acá me voy. Gráficos, cuadros, diálogos antiguos y gráfico de barras muchachos.
12:15
Speaker A
en 2D, ¿no? También hay en 3D, ¿no? En 2D más que suficiente, muchachos. No hay que abusar de excentricidades en los gráficos. A veces los gráficos están muy sobrecargados, ¿no? Y la idea de un gráfico es que sea
12:31
Speaker A
muy informativo, ¿no? Ya nos sale esta ventanita, muchachos. Y acá tenemos que elegir la variable. Quiero nivel.
12:40
Speaker A
selecciono la variable interés y con la flechita jalo la variable nivel. Ahí está. Y en esta sección, muchachos, me pregunta, ¿quieres conteo de casos o porcentaje?
12:56
Speaker A
¿Cuál me interesa más? En un gráfico siempre va a interesar lo porcentual, muchachos. Siempre va a interesar lo porcentual.
13:08
Speaker A
¿Quieres agregar títulos? También podemos agregar títulos, ¿no? Por ejemplo, ¿qué podríamos llamarlo acá? distribución porcentual de los colegios según nivel según nivel educativo.
13:34
Speaker A
Eso ya es un parafraseo, pues depende de la investigación. Y simplemente le doy aceptar.
13:45
Speaker A
¿Qué es lo que me va a dar, muchachos? Profesor, estamos haciendo los gráficos con SPC o con Excel.
13:56
Speaker A
SPCS. Okay. Sí, también se puede hacer en Excel, no hay ningún problema, ¿no? Pero estamos en el curso SPCS y vamos a orientar un poco más.
14:09
Speaker A
Hay que esperar nuestro gráfico que cargue ¿no? Acá está en la parte inferior dice que gráfico en ejecución. Hay que esperar, eh, yo no sé por qué, Nebua, pero vamos a esperar a que se de que también tenemos muchos datos, ¿no? A ver,
14:22
Speaker A
¿cuántos datos tenemos? Tenemos 89,041 registros. No debería demorar, ¿no? Pero bueno, vamos a ver.
14:36
Speaker A
Acá está ejecutándose y ahí está, ¿no? Acá está mi gráfico de barras con mi título, muchachos. ¿Y qué es lo que falta, muchachos? Ahora, ¿qué es lo que falta? Agregarle el valor porcentual, ¿no? Eso se puede editar, ¿no? Todos llegaron hasta este punto,
14:57
Speaker A
muchachos. A ver, me avisan. Todos llegaron a ese gráfico. Sí ¿no? A ver, ¿quién más llegó?
15:13
Speaker A
Ya, muy bien. Vamos. Yo confío, muchachos que sí llegaron, ¿no? Bien, si le damos doble clic al gráfico, aparece una ventana de de edición, ¿no?
15:28
Speaker A
Y si se van a esta ventanita de acá, muchachos, acá miren este como un punto de de tiro, por ejemplo, le dan clic y le dan clic a cada barrita, ¿no?
15:41
Speaker A
Y con eso ya tienen sus cantidades porcentuales. Cierran su menú de edición y ahí tienen.
15:52
Speaker A
Si es que no le gusta el color de barras, doble clic de edición, seleccionan la barra, se van a esta parte y cambian de color, ¿no?
16:04
Speaker A
Y así pueden ustedes mejorar su gráfico pues a un nivel mucho más didáctico, ¿no? Quizás eso es hacer gráficos, muchachos, descriptivos ¿no?
16:20
Speaker A
Gráficos descriptivos. Muy bien. Pregunta del millón, muchachos. ¿Cómo? ¿Cómo se cómo se interpreta esto?
16:35
Speaker A
No, recuerden que para interpretar ustedes tienen que entender primero que su base de datos es una base de datos de colegio.
16:45
Speaker A
Cada fila es un colegio. Muy bien. ¿Qué quiere decir esto? Que el del total de colegios que existe en el Perú, el 43.4% 4% de ellos son del nivel primario, mientras que los colegios inicial son el 40% y solo el 16.7% de ellos es de nivel
17:13
Speaker A
secundaria ¿no? Eso es eso es la interpretación. Lo mismo podemos hacer para la variable. Mira, nos vamos acá a esta opción de acá y simplemente nos vamos acá.
17:34
Speaker A
Si hacemos eso, automáticamente nos manda la tarea anterior, inmediato anterior ¿no? Ya no quiero nivel, quiero gestión.
17:47
Speaker A
También quiero porcentajes, el título también, pero acá no voy a poner según nivel, sino según gestión, ¿no?
17:57
Speaker A
Simplemente le doy continuar y le doy aceptar, ¿no? Ahí está, muchachos. Distribución porcentual de los colegios según según gestión, ¿no? Según nivel de gestión.
18:10
Speaker A
Eso lo corregimos en la edición. Mira, doble clic acá. Le damos también doble clic al título y acá lo corregimos.
18:20
Speaker A
También es válido. Quiero agregar los valores porcentuales también, ¿no? Ahí está. Distribución porcentual de los colegios según gestión.
18:33
Speaker A
¿Qué quiere decir? que el 72% de todos los colegios en el Perú son de gestión pública, es decir, bueno, financiados por el gobierno, ¿no? Y solo un 28% de gestión privada, pero es bastante. 28% es bastante ¿no?
18:51
Speaker A
Es más, si no fuera por la empresa privada o la gestión privada, el sector público no podría atender a la totalidad de la población, muchachos, de estudiantes ¿no?
19:02
Speaker A
Entonces este porcentaje del 28% es muy importante para la cobertura educativa, ¿no? Entonces no solamente depende del sector público, ¿no? También la empresa privada aporta bastante en cobertura, ¿no?
19:18
Speaker A
Muy bien. Entonces son resultados e interesantes ¿no? Ya. Entonces, pero así como hice gráfico de barras para estas variables, también puedo hacer gráfico de pasteles.
19:32
Speaker A
Claro que sí, muchachos. Simplemente me voy a gráficos, cuadros de algos antiguos y gráfico circular, ¿no?
19:44
Speaker A
Le doy la primera opción, resumir. Simplemente acá busco la variable, por ejemplo gestiono. Definir porciones por por gestión.
19:56
Speaker A
Porcentaje de casos, ¿sí? agregué título también, ¿no? A ver, ¿qué título? Distribución porcentual. Distribución porcentual, por ejemplo, de los colegios.
20:16
Speaker A
Claro, ustedes tienen que parafrasear mejor, ¿no? Los colegios en Perú tal, 2000 tanto 2026 y así según gestión 2026 por ahora sí un poco más más ejecutivo, tipo de líne con sus publicaciones, ¿no?
20:38
Speaker A
Así super interesante. Y bueno, simplemente le voy a hacer. Ahí está, ¿no? Ya si le doy doble clic, muchachos, claro, no se ve tan estético como el gráfico de barras, ¿no? Hay que ser sincero, ¿no? Pero vamos a ver qué pasa
20:56
Speaker A
si le damos doble clic, le agregamos sus valores porcentuales y ¿qué más haríamos acá?
21:10
Speaker A
Bueno, ahí está sus valores porcentuales. Agregó dos decimales, ¿no? Esta variable, esta leyenda ustedes lo pueden mover muchachos.
21:31
Speaker A
lo pueden mover a la posición que quieran ¿no? Y su gráfico también lo pueden reducir.
21:38
Speaker A
Bueno, hay un montón de cosas que se puede hacer, ¿no? Por ejemplo, si le dan clic al a la figura, pueden reducirlo, ¿no? Ahí algo así, ¿no?
21:53
Speaker A
La idea es que pues esté lo más estético posible, ¿no? Esa es la idea, ¿no?
21:59
Speaker A
Esto, por ejemplo, lo llamo por acá y así, ¿no? Ya. Muy bien. Algo así se podría hacer, pero particularmente no me gusta mucho el gráfico de sectores, pero también hayos gráfico de bar, no hay ningún problema, ¿no?
22:27
Speaker A
¿Cuándo se recomienda usar, muchachos, gráfico de sectores? Cuando tienes a lo más tres categorías, lo ideal dos categorías, pero algunos abusan, hay cinco categorías o seis, hacen un gráfico de pastel, ya no se ve tan didáctico, tan informativo, no está muy
22:48
Speaker A
sobrecargado, no hay que abusar mucho de los de las categorías. Bien, creo que también se puede hacer gráficos en 3D. Vamos a ver.
23:02
Speaker A
No me acuerdo en qué parte era eso, pero por acá creo era. Ya ves, 3D, ¿no?
23:12
Speaker A
Ahí está. No. Y le pueden agregar profundidad ¿no? Ah, vamos a poner profundidad. No, voy a poner 35.
23:26
Speaker A
Bueno, no tan no tanto, no hay que abusar. algo así, ¿no? Ahí ya está, ¿no?
23:38
Speaker A
Y ahí ya tienen que explorar, muchachos, ¿no? es simplemente explorar, simplemente explorar, muchachos, y les va a salir pues gráficos interesantes, ¿no?
23:59
Speaker A
Bien, eso es los gráficos de para variables categóricas, ¿no? ¿Qué más se puede hacer, muchachos, para variables categóricas?
24:11
Speaker A
Para varias categóricas, lo que más se recomienda es gráfico de barras, gráfico de sectores.
24:16
Speaker A
Es lo único, ¿no? Para variables numéricas, veamos. Nos vamos a gráficos, cuadros diálogos antiguos y tenemos pues por ejemplo histograma, por ejemplo, histograma solamente sirve para variables numéricas, específicamente o lo más recomendable son para variables continuas, ¿no? Por ejemplo, total de
24:45
Speaker A
alumno. Y simplemente le doy aceptar. Ahí está mi histograma, ¿no? Los histogramas para qué sirven, muchachos. Claro, ustedes lo pueden agrandar, no hay ningún problema, ¿no?
25:08
Speaker A
¿Para qué sirven los histogramas? Para ver la distribución de la variable, muchachos. La distribución de la variable.
25:19
Speaker A
Solo que acá no se ve tan interesante, ¿no? Claro, como hay muchos datos que son pequeñitos, todo el todo está concentrado acá de manera bien pequeñita, pero sin embargo hay valores grandes.
25:35
Speaker A
A ver, otra variable. Vamos a ver. Gráficos, cuadros antiguos, histogramas, muchachos. Ahora no de total de alumnos, sino voy a usar del ratio eh docente, ya docente alumno.
25:51
Speaker A
Acá sí se ve mucho más interesante. La vez miren, muchachos, el histograma no te muestra la distribución pues de tu variable.
26:06
Speaker A
A esto se le puede agregar también su curva normal, muchachos. Para, miren, nos vamos nuevamente acá y acá hay una opción, mostrar curva normal ¿no?
26:18
Speaker A
Le dan aceptar y ya se ve mucho más interesante, ¿no? Eso sería su distribución.
26:27
Speaker A
Ahí está, miren, ahí está su curva, su distribución, como se dice. ¿Qué quiere decir ese o para qué sirve el histograma muy aparte de decirte su distribución para ver que no es una distribución simétrica, no es una distribución
26:46
Speaker A
asimétrica? Es una distribución asimétrica de tipo positiva. Cola a la derecha, muchachos. ¿Se dan cuenta?
26:58
Speaker A
Cola a la derecha, ¿no? Muy bien. ¿Qué más o qué otros gráficos se puede hacer con las variables numéricas, muchachos?
27:10
Speaker A
Acá igualito, muchachos, ustedes pueden editar. Ah, no les gusta el gráfico de barra, simplemente lo cambia. No, no hay ningún problema muchachos.
27:22
Speaker A
Ah, ya está. No, ya mucho más más simpático ¿no? Eso es un histograma, muchachos.
27:32
Speaker A
A ver, nuevamente exploremos más gráficos, muchachos. Gráficos, cuadros deos antiguos. ¿Qué más tenemos? Gráfico de cajas muchachos.
27:43
Speaker A
gráfico de caja te permite graficar una sola variable, por ejemplo, ratio doc, por ejemplo, pero también te permite pues eh combinar, por ejemplo, una variable numérica con una variable categórica. No funciona eso, ¿no?
28:15
Speaker A
Por ejemplo, acá le voy a dar ratio docente, pero que me diferencie por nivel.
28:22
Speaker A
Es decir, una variable numérica, ¿cómo se comporta una variable numérica por nivel? No, eso es un gráfico de K. ¿Qué te va a salir?
28:33
Speaker A
un gráfico. Bueno, hay que esperar unos segundos de este tipo, ¿no? Un gráfico de este tipo, ¿no?
28:44
Speaker A
Un gráfico de caja, ¿no? Estoy estirando el tamaño para que se vea ¿no? Ahí está. Es un gráfico de cas.
28:54
Speaker A
Estos valores que salen a la línea son los valores atípicos. son los valores atípicos, ¿no?
29:03
Speaker A
Es decir, hay muchas muchos valores que son muy altos, de tal manera que escapan pues de los límites máximos superiores, ¿no? Esos son valores atípicos ¿no?
29:18
Speaker A
Acá sobre todo hay un valor atípico recontraalto, ¿no? Esto ya es demasiado extremo. Eso es, muchachos. Eso es un gráfico de cajas ¿no?
29:31
Speaker A
Entonces, tenemos el histograma, gráfico de cajas. Veamos qué otros gráficos más existen. Much, vamos a gráficos. Eh, a ver, vamos a ver si hay una pregunta en el chat. Vamos a ver un ejemplo de percentiles. Ya, ahorita, José, terminamos con los gráficos y
29:52
Speaker A
regresamos a las medidas descriptivas. No se preocupe. Bien, un ejemplo de los percentiles. Ya un poquito, un par de gráficos más.
30:06
Speaker A
También hay gráficos de pirámide, ¿no? Los que tienen, eh, por ejemplo, data de población por edades, pueden hacer su gráfico de pirámides, ¿no?
30:18
Speaker A
Eh, ¿qué más? Esta acá. Gráfico inspiración de puntos, muchachos. Cuando ustedes quieren ver la relación, si existe relación entre dos variables numéricas, existe el diagrama de dispersión simple, ¿no?
30:35
Speaker A
Que te permite qué cosa ver la relación entre dos variables numéricas. Por ejemplo, quiero ver si existe relación entre total de alumnos y total de docentes de un colegio.
30:51
Speaker A
Fácil, ¿no? Gráfico de dispersión, total de alumnos versus total de docentes. ¿Para qué sirve esto?
31:01
Speaker A
Para lo siguiente, muchachos. para esto, ¿no? Miren, para saber si existe relación pues entre el total de alumnos y total de docentes, ¿no?
31:24
Speaker A
Ahí está cargando unos segundos como lo he extendido. Ahí está. Interesante ¿no? Muy bien.
31:40
Speaker A
¿Qué quiere decir esto, muchachos? Dos variables numéricas que están relacionándose, ¿no? Total de docentes y total de alumnos.
31:51
Speaker A
A mayor cantidad de docentes, mayor cantidad de alumnos, ¿no? Quiere decir, a mayor cantidad de docentes el colegio es mucho más grande, por ende atiende a más a más estudiantes. No hay una relación lineal entre las variables numéricas, total de alumnos y total de
32:08
Speaker A
docentes. Efectivamente debe haber una correlación entre las dos, ¿no? Pero todavía no es el objetivo encontrar la correlación, ¿no?
32:18
Speaker A
Pero gráficamente estamos observando que si hay relación entre esas dos variables, entre esas dos variables numéricas, ¿no?
32:29
Speaker A
Muy bien. Muy bien, muchachos. A ver, vamos a ver la pregunta en el chat.
32:46
Speaker A
A ver, Senaida pregunta, "Quisiera saber si abordó cómo utilizar cada gráfico y cómo se selecciona la variable graficada.
32:55
Speaker A
Bueno, creo que no ha entrado temprano. Está muy bien. Para nosotros optar por un gráfico, muchachos, primero tenemos que identificar las variables que tenemos ¿no?
33:08
Speaker A
Por ejemplo, en esta base A datos, estas son nuestras variables, ¿no? Tenemos variables categóricas y variables numéricas, ¿no?
33:19
Speaker A
Para las variables numéricas tenemos gráficos como los histogramas, gráfico de cajas, gráfico de expión y muchos más, ¿no? Para las variables categóricas, las dos únicas opciones son el gráfico de barras y el gráfico de sectores.
33:41
Speaker A
No hay más, no hay muchas, no hay más posibilidades, no son pocos. Luego pues combinar pues una numérica con una categórica o dos numéricas.
33:51
Speaker A
Cuando yo combino dos variables numéricas sale pues esto, ¿no? Uy, perdón. Sale un gráfico como esto, un gráfico de dispersión.
34:07
Speaker A
Sin embargo, si yo grafico una variable numérica versus una variable categórica, puedo obtener resultados como esto, ¿no?
34:15
Speaker A
Es decir, ¿cómo se comporta la variable ratio docente según nivel educativo, no? O en su defecto, si quiero calcular la distribución de una variable, puedo usar el histograma.
34:30
Speaker A
El histograma me va a permitir pues la ver saber la distribución de mi variable.
34:36
Speaker A
y por ende saber si es simétrica o asimétrica ¿no? Eso no. Y si estoy en el caso de variables cualitativas o categóricas, gráfico de sectores o gráfico de barras, ¿no? Entonces, no es complicado, muchachos, no es complicado, ¿no? Simplemente hay
34:56
Speaker A
que identificar las variables y usar la herramienta o los gráficos apropiados. Sencillo. Bien muchachos.
35:09
Speaker A
Ahora los gráficos lo hemos hecho manualmente, muchachos. Si se han dado cuenta. Pregunta de millón. ¿Cómo hago esto en sintaxis? Profe, no lo quiero hacer manualmente. Quiero hacerlo con sintaxis.
35:25
Speaker A
Muy bien. Les voy a enseñar un truco, muchachos. Ustedes cada vez que ejecutan le sale la sintaxis líneas atrás.
35:34
Speaker A
Ahí está la sintaxis. ¿Qué es lo que tienen que hacer? Si quieren almacenarle una sintaxis, simplemente doble clic y copiarlo, muchachos.
35:46
Speaker A
Listo. ¿Qué hago copiándolo? Abro una hoja, abrir. Archivo nuevo sintaxis. Me voy a archivo, me voy a nuevo. Me voy a sintaxis.
35:58
Speaker A
Le doy clic y acá se abre mi código de sintaxis. ¿Qué es lo que voy a hacer?
36:03
Speaker A
Voy a pegar eso que cogiendo. Muy bien. Si vuelvo a ejecutar saldrá. Voy a borrar esto para que me crean. Ya.
36:17
Speaker A
Voy a borrar esto para que me crean. Listo, ya está. Lo borré, ¿no? Ahí está borrado.
36:25
Speaker A
¿Para qué me crean? Lo voy a borrar. Sombreo. Ah, voy a voy a retirar esto.
36:35
Speaker A
¿Qué tengo que hacer? Sombreo y ejecuto. Me voy a mi vista de gráfico y está cargando, muchachos.
36:42
Speaker A
Miren, ahí está. ¿Se dan cuenta? Ahí está, muchachos. Ahí está tu gráfico de dispersión hecho con sintaxis, ¿no?
36:55
Speaker A
Profesor, ¿eso es suficiente? Sí, la función scatter blood. Le das las dos variables y se acaba.
37:03
Speaker A
La función es scatter. Scatter es gráfico expresión, pero la sintaxis que genera ese gráfico es esta, nada más, muchacho.
37:13
Speaker A
A ver, le voy a decir algo al GPT, a la muchach. Si quieren generar espacio, pueden hacer de esa manera, ¿no? Asterisco es que hace comentarios, ¿no? Supongamos que voy a copiar esto a la IA y le voy a
37:32
Speaker A
decir lo siguiente. Miren, quiero que mejores mi gráfico. Quiero que sea top. Voy a exagerar un poco ya.
37:55
Speaker A
Y bueno, me hace toda esta cosa acá, muchacho. Dice, "Dispersión con línea de regresión." Wow.
38:06
Speaker A
Opción dos, mucho más elegante. Y el para tesis, línea de regresión, banda de confianza, puntos semitransparentes, título profesional, ejes personalizados. Wow, funcionará.
38:22
Speaker A
No, me da unas unas soluciones muy extremas, ¿no? Pero vamos a probar, muchachos. Copiamos esto y lo pegamos por acá. Pues vamos a ver si funciona. De repente está que nos estafan. No, no lo sé.
38:36
Speaker A
Sombreamos y ejecutamos. Muy bien. Vamos a ver qué sale. Está cargando, muchachos. Miren. Wow.
38:52
Speaker A
Eso es lo bonito de la muchachos. No tenemos que ser expertos memorizando códigos, nada de esas cosas.
39:00
Speaker A
Sí, pero sí hay que saber la teoría. Miren muchachos me está cargando porque lo esto es el dispersión que nos sale usando pues comando básico, ¿no? Pero cuando yo le digo que lo mejore, me lleva a este nivel, muchachos.
39:26
Speaker A
me da un edita los las etiquetas, filas y columnas, me da un título interesante y me da la recta de regresión, muchachos.
39:40
Speaker A
Ya, mucho más interesante, mucho más. Eh, los colores están muy bien combinados y todo eso, ¿no? Esos, muchachos, hacen la no tenemos que memorizarnos o o complicarnos tanto, ¿no? Simplemente tenemos una sintaxis base y le decimos, "Oye, ¿sabes qué? Quiero que me lo
40:04
Speaker A
mejores, ¿no?" Y ahí está, ahí está. No, también puedes usar esto, ¿no? Pero es lo mismo, ¿no? Solo que acá hay más completo porque acá le dan título y todo eso.
40:22
Speaker A
Entonces, muchachos, la IA va a ser un aliado potente para ustedes, pero ustedes ya saben dónde abrir un código, dónde pegar, sombrear, ejecutarlo. Eso es parte del aprendizaje.
40:36
Speaker A
Yo no les pido que se memoricen pues la sintaxis, no, eso no tiene sentido. Le soy sincero que yo no yo sé solamente hasta acá la no sé, pero gracias a la IA se puede hacer muchas más cosas
40:51
Speaker A
y ahí pues en la práctica, en el día a día, se aprende ya pues todo lo que hace cada uno de estos que no es más que el corazón es esto, muchach, esto simplemente es estética nada más.
41:06
Speaker A
Es para que tu gráfico se vea más bonito, nada más. El corazón es esto. Eso es el corazón.
41:17
Speaker A
Bien, voy a guardar esto ya en gráficos para compartirles. Ya. Gráficos con sintaxis. Eh, muy bien. ¿Se dan cuenta, muchachos?
41:35
Speaker A
Ahora voy a voy a abrir mi espacio por acá y vamos a hacer, vamos a analizar otro gráfico. Por ejemplo, esta de acá, su sintaxis, ¿cuál es? Miren, muchachos, su sintaxis de este gráfico es esto, muchachos. Miren, es esto. Nada más
42:01
Speaker A
lo voy a copiar. y lo voy a pegar en mi sintaxis, ¿no? Miren, acá lo pego y listo. Para hacer un histograma, histograma la función, le das la variable y que tenga una curva normal, sombreo y ejecuto, ¿no?
42:23
Speaker A
Ahí está mi histor directo, ¿no? Esto es el corazón, la sintaxis, ¿no? Ahora voy a exagerar un poquito, ¿no? Nuevamente, nuevamente muchachos.
42:42
Speaker A
Mejora mi gráfico. Quiero que sea tipo revista. Tipo revista la BBC de Londres. Ah, vamos a vamos a exagerar un poco, ¿no?
42:59
Speaker A
Vamos a ver hasta dónde nos lleva. Ah, sí sabes lo que estoy hablando, ¿no?
43:07
Speaker A
Ya. Y al final me da pues más cosas, ¿no? Aunque me dice, "Oye, te recomiendo trabajar en R." No, no, pues R ya es otra cosa, pues no.
43:28
Speaker A
Ah, no, no quiero en SP. Vamos a hacer trabajar un poco. Algo me tiene que dar alguna mejora, ¿no? Ya, acá está, ¿no?
43:43
Speaker A
Acá está la mejora. Profesional con curva normal. Bien. Estilo científica. Wow. ¿Cuál me conviene? M.
43:53
Speaker A
Ya la primera ya no no hay que pelearnos. Ya. Entonces voy a mi hoja de sintaxis, muchachos, y simplemente lo pego ahí.
44:04
Speaker A
Lo pego ahí, muchachos. Miren. Claro. Acá creo una línea de separación para ver la diferencia, ¿no?
44:14
Speaker A
Sombreo, muchachos. Ejecuto. Ah, sale error. Este error lo voy a copiar y le voy a pegar a la guía para que me entienda y me ayude. Ya. El error no es tuyo, dice. No.
44:39
Speaker A
Ah ya. Al parecer es un un juego de versiones, ¿no? El problema es que ese PC cada año saca sus versiones y algunos funciona y algunos no.
44:54
Speaker A
Igual sale error. Vamos a ver dónde está el error. Vamos a copiar esta cosa. Acá tiene que solucionar el problema el SPCS, ¿no?
45:07
Speaker A
Y acá me da la propuesta. Vamos a ver. Así cuando entrenas a tu día, muchachos, ya con el tiempo te da pues una mejora, ¿no? Aprende tanto que ya te da cosas muy potentes, ¿no?
45:26
Speaker A
Mira, me dan solamente una línea, ¿no? No, acá tengo que decir, ¿sabes qué? Quiero que revises eso, ¿no?
45:48
Speaker A
Vamos a acá me recomiendo uno más compatible ¿no? Vamos a ver qué es lo que sale ahora.
45:56
Speaker A
Corramos esto y le damos lo que nos recomiendan. Bueno, nada del otro mundo. No ha hecho mucho.
46:13
Speaker A
No ha hecho mucho. A ver, le voy a decir agrega la curva normal. Vamos a ver, ¿no?
46:38
Speaker A
Me da una recomendación de posible gráfico y acá tengo un histograma profesional. Vamos a ver qué tan profesionales, ¿no?
46:46
Speaker A
Porque a veces también nos florea, así que o nos engaña, como se dice acá en Perú ¿no?
46:56
Speaker A
Ya ves, me da códigos que no funcionan, ¿no? Bien, parece para este caso no vamos a encontrar mejoras algunas.
47:09
Speaker A
Ah, muy bien. Claro, efectivamente no se puede pedir un montón de cosas al IPT, ¿no? No hay ningún problema. No, tu compañero Elfer no dice, no estilos SPCs.
47:33
Speaker A
Acá nos da uno interesante. Vamos a ver. La idea es que existe esta herramienta, muchachos, en el cual ustedes pueden pueden sacarle provecho, ¿no?
47:47
Speaker A
Lo otro sería, muchachos, que simplemente, ¿qué cosa? Editen pues acá, ¿no? Hagan la edición acá, ¿no?
47:57
Speaker A
Y acá pues juegan con el formato que ustedes deseen. Pueden cambiar lo lo que sea, ¿no?
48:09
Speaker A
Muy bien. Ah, también no. También de frente le puedes pedir que te genere gráficos y que te bote la imagen, ¿no? A la no.
48:24
Speaker A
También también es verdad. Ya de frente te tú le das, oye, sabes que quiero un gráfico para esta variable y te lo hace, no hay niún problema.
48:36
Speaker A
Y a eso, muchachos, es la sintaxis. Entonces, esto sería tu sintaxis. Acá sale bonito porque le parece que tiene más información sobre esto.
48:54
Speaker A
Bien, ¿qué más se puede hacer, muchachos? Ahora vamos a ver. Esto me gusta. Super interesante.
49:04
Speaker A
Ahora vamos a ver gráficos. ¿Qué otros gráficos existe? Eh, hay otra manera también de hacer gráficos con el SPSS, muchachos. Por ejemplo, si me voy a gráficos y generador de gráficos, también es otra opción interesante, ¿no?
49:23
Speaker A
¿Para qué es interesante el generador de gráficos? Por ejemplo, si ustedes le dan click, le dan aceptar, les va a salir una interfaz como esta, ¿no?
49:35
Speaker A
Y acá ustedes pueden elegir, ¿no? Gráfico de línea, barras es lo mismo, ¿no? Solo que es mucho más intuitivo.
49:45
Speaker A
Por ejemplo, voy a usar gráfico eh dispersión de puntos, supongamos. Y acá ustedes eligen pues qué presentación desean, ¿no? En 3D o lo que quieran, ¿no? Lo común es el primero, le das doble clic y te aparece estas cosas de
50:01
Speaker A
acá ¿no? Y tienes que recordar, muchachos, que lo gráfico expresión es pues para variables numéricas. Entonces, por ejemplo, total de alumnos, total de docentes, ¿no?
50:14
Speaker A
Y acá ustedes le pueden inclusive incorporar filtros, ¿no? Tamaños, colores, es decir, pueden, como quién dice, agregarle más cositas, ¿no? En otras palabras, el generador de gráficos ya tú puedes personalizar tu gráfico ¿no?
50:34
Speaker A
Tú puedes personalizar en filtro, por ejemplo, pueden agregar una variable de desagregación, no hay ningún problema, ¿no?
50:47
Speaker A
Pueden agregar una variable, por ejemplo, a ver, le voy a agregar nivel. ¿Qué me va a dar si hago eso? Vamos a ver.
50:58
Speaker A
Vamos a ver, muchachos. Miren la sintaxis. Miren la sintaxis que te está dejando. Miren la sintaxis que nos deja, muchachos. generador de gráficos.
51:14
Speaker A
Y esto es la edición, ¿no? Acá debería cumplir una función, la variable en nivel, ¿no?
51:30
Speaker A
Se colgó. van a tener mucha paciencia porque al tener muchos datos se cuelga las ediciones, ¿no? Hay que esperar n más ahí unos segundos.
51:44
Speaker A
Ya ver, ya se coloque. Vamos a ver. Ya. Muy bien. Quiero eh ya si genera esta variable de nivel no me está ayudando mucho. Vamos a regresar nuevamente.
52:00
Speaker A
Acá la variable de nivel no está haciendo su trabajo. Mm. La idea sería que esto lo divida pues por grupo, pero parece que no hace eso ¿no?
52:21
Speaker A
Bien, también se puede hacer en tres dimensiones, ¿no? Miren, vamos a sacar esta variable y vamos a poner 3D simple.
52:36
Speaker A
Y acá podemos elegir una variable, ¿no? Eh, no sé, sección, por ejemplo, un gráfico de dispersión en tres dimensiones muchachos.
52:48
Speaker A
Vamos a ver ahí que cargue. Este es un gráfico más pesado porque son tres variables.
52:54
Speaker A
La recomendación, muchachos, es que cuando generen gráficos se lo más didácticos posibles. Esto, por ejemplo, es un gráfico didáctico, pero esto de acá ya no es nada didáctico, ¿no?
53:11
Speaker A
¿Por qué? Porque la interpretación no es tan sencilla, muchachos. Pero cuando son de dos, tú puedes observar relaciones lineales, pero de tres poco más complicado, ¿no?
53:27
Speaker A
Claro, se ve s eh superinesante este tipo de gráficos, ¿no? Yo recomiendo que este gráfico lo pongan en el anexo, ¿no? Ahí para que para que tenga pues como evidencia, ¿no?
53:43
Speaker A
Pero para fines de mostrarle resultados, la verdad que no es tan recomendable porque en tres dimensiones no puedes observar las relaciones tan fácil.
53:54
Speaker A
Por ejemplo, acá la relación entre total de alumnos y total de docentes no es tan sencillo de interpretarlo, ¿no? Sin embargo, esta sí es ser sencilla, ¿no?
54:05
Speaker A
Es la misma información, solo que acá está en tres dimensiones y acá está en dos dimensiones.
54:10
Speaker A
Acá es mucho más entendible, ¿no? Bien, muchachos, esos son los gráficos, ¿no? Y así ustedes pueden hacer mucho más, inclusive preguntar a la IA y les puede dar algunas propuestas.
54:28
Speaker A
¿Por qué la IA no es tan potente aún en SPCS? Porque muchachos, ese PCS actualmente no está masivamente usando, ¿no? O no es masivamente usado, se podría decir.
54:43
Speaker A
En lo que son lenguajes de programación como R, Python, está inclusive, bueno, Stata no es un lenguaje de programación, hay bastante información y las sas se comportan de una manera excelente, es terriblemente potente.
55:00
Speaker A
En SPCS, por ejemplo, eh aún falta que se retroalimente un poco más, ¿no? Pero igual da cosas muy interesantes.
55:10
Speaker A
Poco a poco se se va a alimentar con todo lo que le damos, ¿no? Por ejemplo, con lo que le dimos el día de hoy, ya para las siguientes sesiones va a ser mucho más eficiente, ¿no?
55:22
Speaker A
Eso es lo interesante, ¿no? Es es autosuficiente estas estas tecnologías. Bien, muchachos, su compañero eh preguntaba si podemos ver algunos medidas o los percentiles, ¿no?
55:38
Speaker A
Los percentiles, muchachos, son medidas de medidas de posición, muchachos, ¿no? Por ejemplo, vamos a recordar un poquito acá ¿ya?
55:58
Speaker A
Si esto es toda mi base de datos y yo lo quiero dividir en cinco partes, cada pedacito valdría un 20%, ¿no?
56:11
Speaker A
Cada pedacito vale un 20%. Estos puntitos de acá, muchachos, son los puntos de corte.
56:25
Speaker A
o los famosos medillas de posición. Este es el percentil siempre lo que deja por debajo, percentil 20.
56:34
Speaker A
Este sería el percentil 40 ¿no? Esto sería el percentil 60 y esto sería el percentil 80 ¿no?
56:48
Speaker A
En otras palabras, los percentiles son puntos de corte que distribuyen los los datos en proporciones diferentes. No son medidas de posición, muchachos.
57:01
Speaker A
son medidas de posición, ¿no? ¿Para qué sirve esto? para saber pues cuántos, por ejemplo, estudiantes pertenecen al quinto superior, ¿no?
57:15
Speaker A
El quinto superior pues sería todo esto, ¿no? Acá las notas en el Perú van de 0 a 20, ¿no? Si yo demuestro que los estudiantes que el presidir 80 es 18, entonces diría que todos aquellos estudiantes cuyo promedio ponderados el 18 a más
57:34
Speaker A
pertenece al quinto superior. Es una medida de posición que me indica distribución de mis elementos según lo que yo deseo, ¿no?
57:46
Speaker A
En otras palabras, las medidas de posición pues son posiciones relativas que quisiéramos conocer de nuestro conjunto de datos.
57:56
Speaker A
Si yo divido entre cuatro partes, en cuatro partes se llaman cuartiles. Si divido en cinco partes, se llama quintiles.
58:04
Speaker A
Si divido en 10 partes, se llaman deciles. En general se conoce como percentiles. Muy bien. ¿Cómo se calculan los percentiles?
58:19
Speaker A
Eso es sencillo, muchachos. SS. Lo único que tenemos que hacer es irnos a irnos a analizar descriptivos frecuencias y acá elegimos las variables numéricas porque las medidas resumen son para las variables numéricas, ¿no? Ahí está.
58:45
Speaker A
Quito la opción de tabla de frecuencia porque no me interesa. Me voy a estadísticos.
58:51
Speaker A
y activo todo. Por ejemplo, cuartiles, percentiles, pero ¿qué percentil quieres? Quiero el percentil 80, que es el quinto% quinto superior, ¿no?
59:05
Speaker A
Muy bien. Añadir quiero media, mediana y moda. División estándar varianza máximo mínimo asimetría, culturos, todas las medidas descriptivas que me permitan pues describir mi conjunto de datos, ¿no?
59:24
Speaker A
Activé cuartiles, pero también el percentil 80 para ver qué valor asumen. Pero ustedes pueden agregar los percentiles que desean, ¿no? Por ejemplo quiero 60, quiero el present, quiero el presentil y así. Simplemente aceptamos, aceptamos.
59:46
Speaker A
Y este resultado lo voy a copiar al Excel ¿ya? para poder discutirlo mucho mejor.
59:58
Speaker A
Ahí está. Ahí está, muchachos. Acá está mi total de alumnos, total de docente ¿no?
60:10
Speaker A
Muy bien. Acá está la mediana. media, mediana y moda, ¿no? Medida de centralización, medida de dispersión, medida de forma ¿no?
60:34
Speaker A
Y las medidas de posición ¿no? Estos son extras, no lo pueden quitar porque no es de interés todavía, ¿no?
60:45
Speaker A
Eso se ve en inferencia. Bien, ¿qué podemos interpretar de esas cosas ahí, de esos de esas métricas obtenidas?
60:54
Speaker A
No, primero, ¿qué hemos descubierto con las medidas, con los histogramas, muchachos? ¿Qué hemos descubierto con los histogramas?
61:07
Speaker A
La variable alumno alumno es una variable asimétrica, ¿no? Ustedes usarían la media como una medida de centralización, ¿no?
61:27
Speaker A
La media se recomienda cuando los datos son homogéneos, muchachos, o simétricos o lo más parecidos posibles ¿no?
61:36
Speaker A
Cuando hay valores extremos ahí la medida de descentralización más adecuada es la mediana porque es más realista.
61:46
Speaker A
La mediana no se deja influenciar pues por los valores extremos. Y si me preguntan un valor promedio central, serían 36 estudiantes en promedio.
61:58
Speaker A
Cada institución educativa en el Perú en promedio tienen 36 estudiantes y tres docentes en Eso es lo más real. La mediana no se no se sesga frente a los valores extremos.
62:20
Speaker A
¿Qué más observamos? que es ambas variables son asimétricas positivas porque su coeficiente es mayor a cero.
62:31
Speaker A
Ambas son leptocúrticas, es decir, tiene una cortosis mayor a tres, tiene un grado de apuntamiento muy alto, ¿no? Y eso, muchachos, lo pueden observar acá, ¿no? Se dan cuenta tremendo grado de apuntamiento. Miren, si ustedes por acá graficaran sería algo
62:52
Speaker A
así. Miren, el grado de apuntamiento es alto, por eso se llama leptúrtica, muchaches, ¿no?
63:05
Speaker A
Muy bien. Eso es. Muy bien, a lo que vamos, muchachos. ¿Cómo se interpreta esto?
63:24
Speaker A
solamente uno. Eso sería, muchachos, esto ¿no? Recuerden lo siguiente. Ustedes están interpretando, la data es a nivel de colegio, pero la variable de intereses alumnos y el alumno varía de un mínimo de uno hasta un máximo de 3363.
63:50
Speaker A
Es decir, hay colegios con un estudiante y hay un colegio con 3,363 estudiantes. Si yo quiero saber cuántos colegios es son los el 20 o el quinto superior con mayor cantidad de colegios, mejor dicho, quiero saber el 20% de aquellos colegios
64:18
Speaker A
con mayor población. Esto sería el percentil 80 y ese valor según el SPCSCS sale 109.
64:37
Speaker A
Es decir, cualquier colegio cuyo alumnado es de 109 a más pertenece al 20% superior.
64:50
Speaker A
Ese es el percentil 80. Es decir, en el Perú la mayoría de los colegios muchachos acá está el 80%.
65:01
Speaker A
El 80% de los colegios del Perú tiene estudiantes menores a 109, ¿no? Es decir, en el Perú la mayoría de los colegios son colegios pequeños, ¿no?
65:15
Speaker A
Claro, un 20% son colegios muy grandes, ¿no? Es decir, que tienen mucha población estudiantil, pero la gran mayoría son colegios pequeños que tienen menos de 109 estudiantes.
65:28
Speaker A
Eso es el percentil 80. Así es como se interpreta un percentil. Ahora interpretemos el percentil 20.
65:42
Speaker A
Este acá, ¿qué es lo que tiene que hacer? Igualito no valor mínimo es 1 y el valor máximo es 3363.
65:54
Speaker A
Muy bien. Lo que ustedes desean es estimar el 20% inferior ¿no? Esto es el 20% inferior y por ende esto es el 80%.
66:08
Speaker A
Esto es el percentil 20. Siempre es lo que deja por debajo y eso es igual según el SPCS a 12.
66:20
Speaker A
¿Qué quiere decir esto? que el 20% de los colegios en el Perú tienen menos de dos estudiantes.
66:34
Speaker A
Esto es un dato interesante. Interesante ¿no? Sirve bastante, muchachos. Las medidas de posición son muy útiles, pero nunca le han dado la debida importancia.
66:50
Speaker A
Pero te sirve para qué? Para priorizar, muchach, para priorizar. Quizás quieres hacer una intervención educativa y te interesa más los colegios pequeños, pues definir una media de posición y quedarte con solo aquellos que cumplen con ese valor, ¿no?
67:14
Speaker A
Entonces para eso y así es como se interpretan las medidas de posición e en general los percentiles.
67:23
Speaker A
¿Quedó claro con esa explicación, muchachos? ¿Alguna duda? Muy bien, eso era lo que estaba pendiente, muchachos. Ya el tema de hoy día es prácticamente lo que hemos visto, pero hay que darle una mejor interpretación. Ya vamos a Uy, voy a tener que borrar esto, ¿no?
67:52
Speaker A
Bien muchachos. Este PPT ha sido creado con IA, muchachos. ¿Ustedes han escuchado del gama app alguna vez?
68:11
Speaker A
Y al gama app, muchachos, es una que te permite hacer PPTs. Le das un buen prom o le compartes una información.
68:24
Speaker A
y te lo hace super rápido, muchachos. Este PPT fue hecho con muchachos, aunque no lo crean.
68:35
Speaker A
Después les voy a enseñar cómo se hace, no se preocupen. El tema de la sesión cuatro es el análisis probatorio y la interpretación con ella.
68:47
Speaker A
Es más eh de orientación y recomendación para análisis. e interpretación de los resultados, ¿no?
68:56
Speaker A
El anális exploratorio, muchachos, es aquel análisis o aquel proceso que tú tienes que realizar a tu base ATES para poder conocerlo, para conocer tus datos, ¿no?
69:13
Speaker A
¿Qué quiere decir conocer tus datos? Quiere decir, por ejemplo, con qué variable cuento, qué tipo de variables son los que tengo, cuántas variables tengo y cuántos registros tengo.
69:33
Speaker A
Esos son los primeros cosas que yo debo conocer. Luego hacer algunos análisis previos, estadísticos descriptivos, tablas, gráficos.
69:46
Speaker A
toda herramienta estadística de tal manera que yo pueda conocer mi base de datos, encontrar las cosas buenas, las cosas malas, como los valores atípicos, los valores faltantes, variables redundantes, registros duplicados, todo eso.
70:07
Speaker A
No quiere decir que voy a comprender mis datos y a eso se conoce como el análisis exploratorio ¿no?
70:15
Speaker A
En otras palabras, muchachos, el exploratorio no es más que hacer lo que hemos hecho, gráficos, reportes, tablas, de tal manera que pueda conocer mi data, familiarizarme con mi dato.
70:27
Speaker A
Eso es estadística o perdón, eso es análisis exploratorio. Por eso se dice, muchachos, que el análisis exploratorio de datos, el famoso AED, no solamente es mirar los datos, no es comprender la estructura de los datos, sus relaciones, algunos resultados previos, algunas
70:48
Speaker A
hipótesis interesantes, ¿no? Por ejemplo, cuando hicimos los gráficos de correlación entre alumno y docente, ¿qué descubrimos?
70:57
Speaker A
que sí existe relación entre la variable total de alumnos y total de docentes, no existe una relación. Eso somos gráficamente hemos corroborado.
71:07
Speaker A
Eso, por ejemplo, puede ser una hipótesis, puede ser planteado como una hipótesis porque eso es lo que yo observé.
71:17
Speaker A
En otras palabras, la el análisis probatorio, muchachos, va a ser un proceso iterativo, ¿no? Hacer gráficos, tablas, medidas descriptivas y todo pues hacer todos los análisis necesarios para poder conocer, ¿no?
71:38
Speaker A
Una vez que explores tu base de datos, ¿qué vas a saber? vas a encontrar pues ideas interesantes, vas a conocer comportamientos relaciones patrones es decir, vas a poder tomar decisiones ya informadas porque ya conoces tu data.
71:54
Speaker A
Al conocer tu data, pues tú ya puedes saber qué técnica estadística usar, ¿no? Quizás hay variables que no merecen estar, lo elimino, ¿no? Todo ello es parte del análisis exploratorio de datos.
72:08
Speaker A
Como les digo, simplemente es un nombre que le han acuñado para hacer una revisión completa de su data, ¿no? Sobre todo para familiarizarse con los datos.
72:21
Speaker A
Y eso implica ¿qué cosa? También puedes identificar el tipo de variable, eh usar el gráfico apropiado.
72:31
Speaker A
Todo eso, muchachos, es parte del análisis exploratorio de datos. Como quién dice, el exporatorio es aquella disciplina que te permite conocer tu data, pero para conocer necesitas qué cosa? Herramientas estadísticas. Hasta el momento, estadística descriptiva.
72:51
Speaker A
La estadística descriptiva es la mejor arma para la parte exploratoria. Obviamente, cuando tú haces análisis descriptivo, ¿qué vas a hacer?
73:06
Speaker A
Lo que vas a hacer pues es gráficos, por ejemplo, tablas y medidas descriptivas, ¿no? Puedes hacer histogramas, por ejemplo, si quieres ver la distribución de las variables numéricas, diagrama de cajas, si quieres ver la distribución de las variables versus una
73:24
Speaker A
variable categórica, una numérica versus una categórica, ¿no? O puedes calcular medidas, resumen, media mediana deción varianza percentiles y muchas cosas. más, ¿no?
73:36
Speaker A
Eso es el famoso univariado. Es decir, cuando yo analizo variable por variable, es el análisis univariado muchachos.
73:47
Speaker A
es el análisis univariado, ¿no? Pero, ¿qué pasa si yo combino, muchachos, ya dos variables, ¿no?
73:59
Speaker A
Ya el análisis es bivariado, ¿no? Por ejemplo, el gráfico de dispersión que hemos hecho es un gráfico bivariado, ya entran dos variables. También hicimos un gráfico de dispersión de tres variables, ya eso es multivariado. ¿Por qué? porque ya son más de dos variables.
74:17
Speaker A
Eso hay que tener en cuenta siempre. Otra tarea importante de del análisis probatorio, muchachos, es verificar la calidad de nuestro dato, ¿no?
74:35
Speaker A
Muchas veces vamos a trabajar con base de datos que tienen valores faltantes, muchachos, es decir, variables incompletas, ¿no?
74:46
Speaker A
Y esas barras incompletas es un dolor de cabeza. ¿Por qué? Porque generalmente se originan debido a las omisiones de respuestas, ¿no? A veces tiene un comportamiento aleatorio, pero hay que dar solución a ello, ¿no?
75:03
Speaker A
Hay que dar solución. La solución más sencilla que se hace en la actualidad, no es recomendable, pero lo hacen mucho, es eliminar esos registros que me molestan, ¿no?
75:18
Speaker A
Pero lo más formal, muchachos, es hacer una imputación de datos, ¿no? una imputación de datos no es más que reemplazar por nuevos valores en el lugar de los valores flctantes, ¿no?
75:35
Speaker A
Eso, por ejemplo, es un indicio de calidad de los datos, ¿no? Si tu base de datos no tiene valores faltantes o valores atípicos, son datos de calidad que ya están listos para hacer los análisis posteriores.
75:54
Speaker A
Pero si yo encuentro los valores faltantes, ausentes o missing y también los outliers, eso quiere decir que tengo que hacer una limpieza de los datos previamente antes de hacer mis análisis, ¿no? Eso es calidad de los datos y lo descubres con
76:13
Speaker A
el análisis exploratorio. Por ahí en los gráficos de caja vas a observar que hay valores que sobresalen atípicos.
76:22
Speaker A
Entonces, la parte de exploratoria es muy importante. Y también hay otros supuestos, ¿no? Por ejemplo, más adelante vamos a ver regresión lineal, por ejemplo, simple y múltiple, ¿no? Vamos a ver pruebas de hipótesis, todo ello, ¿no?
76:42
Speaker A
Para esas nuevas técnicas que más adelante vamos a ver, a veces es necesario cumplir con algunos supuestos.
76:52
Speaker A
Por ejemplo, un supuesto muy importante que lo vamos a usar muy muy a menudo es la prueba de normalidad.
77:02
Speaker A
La prueba de normalidad quiere decir si una variable es o tiene distribución normal o proviene de una distribución normal o una población normal, ¿no?
77:13
Speaker A
¿Por qué es importante la normalidad? Que se cumpla la normalidad en ciertas variables, muchachos. Porque muchas de las pruebas estadísticas trabajan o funcionan bajo el supuesto de normalidad.
77:25
Speaker A
Por eso es muy importante el análisis exploratorio. También te permite ver normalidad gráficamente, al menos ya más adelante con algunas pruebas estadísticas se puede testear de manera formal.
77:40
Speaker A
Entonces es muy importante también la normalidad. Dos supuestos. Por ejemplo, cuando hablamos de variables o relación de variables, sobre todo eh algunas pruebas estadísticas bivariadas, por ejemplo, la correlación es una prueba estadística vivariada, porque la correlación que vamos a ver es
78:08
Speaker A
a nivel de dos variables, ¿no? Una correlación bivariada, ¿no? Pero también cuando tengo dos variables puedo aplicar otras pruebas, ¿no? Por ejemplo, un gráfico dispersión más su gráfico más su coeficiente de correlación.
78:24
Speaker A
Puede hacer un ANOVA, puede hacer un Cruz Caligwalis, puedo hacer un fisher, una tabla contingencia, una prueba chicado, una prueba de manney, un montón de cosas muchachos.
78:37
Speaker A
Entonces, así como hay herramientas univariadas, también existe herramientas bivariadas y también herramientas multivariadas muchachos que en conjunto su objetivos es que te permitan comprender tus datos, sacar ideas interesantes, sacar buena, sacar lo malo. Lo malo es muy importante
78:58
Speaker A
porque quiere decir que hay cosas que tienes que corregir, cosas por corregir, ¿no? Eso es la parte de análisis bivarible.
79:11
Speaker A
Por ejemplo, más adelante vamos a tener que probar más supuestos. Por ejemplo, para la correlación necesitas el supuesto de linealidad.
79:20
Speaker A
Por eso la correlación se llama correlación lineal. Cuando veamos regresión, tenemos que ver heteroseasticidad, quiere decir que la varianza de los residuos es constante.
79:33
Speaker A
Supuestos que se tienen que cumplir para que un modelo sea confiable ¿no? Autocorrelación también es un supuesto que se ha que se ve en temas de serie de tiempo.
79:49
Speaker A
A lo que voy, muchachos, es que la parte exploratoria es muy importante porque puedes hacer pruebas que te van a dar indicio de que puedes usar ciertas técnicas de manera apropiada ¿no?
80:03
Speaker A
Una cosa es elegir la herramienta para el gráfico y todo ello, pero elegir un modelo estadístico ya implica el cumplimiento de muchos más supuestos, ¿no? Entonces, por eso la parte exploratoria es muy importante, porque tú exploras todas esas relaciones
80:19
Speaker A
posibles, te permite comprender por completo tu base, esa es la idea, ¿no? Algunas recomendaciones que que nos indican acá en este caso la IA.
80:35
Speaker A
Ahorita les voy a enseñar cómo se hace este PPT en usando la muchachos, le va a servir un montón. Vamos a aplicar para la parte de estadística descriptiva, ya que nos haga un PPT.
80:48
Speaker A
Bien, la conclusión que hay que llevarnos, muchachos, es que el análisis exploratorio, muy aparte de permitirte comprender tus datos, qué bares tengo, qué es lo que quiero, es ver si mis datos son de calidad.
81:06
Speaker A
Si yo no observo ninguna anomalía mi base de datos, quiere decir que es la calidad de los datos. Está garantizado la calidad de los datos.
81:13
Speaker A
Si tus datos son de calidad, tus resultados van a ser confiables, ¿no? Por eso siempre es bueno hacer la parte exploratoria gráfico de tal manera pues que te permitan observar pues algunas anomalías, ¿no?
81:31
Speaker A
Valores atípicos, sobre todo. También identificar relaciones y supuestos. Esto es muy importante para las pruebas y o los métodos estadísticos que más adelante vas a usar, ¿no?
81:43
Speaker A
Documentación. Esto es muy importante. Luego de haber terminado la parte exploratoria, tienes que documentar los principales hallazgos, ¿no?
81:53
Speaker A
Esto es muy importante para las propuestas siguientes, ¿no? Para los pasos siguientes. Esa es la conclusión que debemos llevarnos del análisis exploratorio.
82:04
Speaker A
Sí o sí en todo análisis de datos, muchachos. Hay análisis peoratorio, nadie se salva de ello. Es más, siempre lo hemos hecho, solo que no nos damos no nos hemos dado cuenta que se llama así, ¿no? ¿Quién no ha hecho pues eh
82:18
Speaker A
gráficos, tablas o med descriptivas? No, esas esas esas herramientas, ¿qué te permiten? Describir tus datos, tomar decisiones.
82:31
Speaker A
Todo eso en conjunto es la estadística descriptiva. Y otra herramienta que está de moda, muchachos, por ejemplo, este es Carl Pearon, ¿no? El creador de la prueba independencia chicuadrado y también la prueba de correlación de Pearson, ¿no?
82:53
Speaker A
Actualmente, muchachos, ya existen pues tecnologías muy potentes, ¿no? Lo que es la inteligencia artificial y todo ello, ¿no?
83:02
Speaker A
Antes pues tú hacías de manera manual ciertas cosas, ¿no? Ahora ya hay muchas cosas que están automatizadas, ¿no?
83:09
Speaker A
Se puede hacer pues hasta limpieza de datos y modelado usando IA. Entonces ya el contexto es otro, ¿no?
83:19
Speaker A
Ahora tenemos bastante bastante tecnología que puede potenciar nuestros análisis, ¿no? Imagínense Pearson en esta época, ¿no?
83:29
Speaker A
Hubiera hecho cosas mucho más grandiosas que en la época de 1857, 1936. Aquella época creó la prueba de independencia Chicuadrá, muchachos.
83:42
Speaker A
Imagínense ¿no? Por ejemplo, esa prueba de que creó Carl Pson, la prueba independencia cuadrado, surgió de la idea pues de que si yo tengo dos tablas, mejor dicho, una tabla cruzada, una tabla y contingencia, eh cómo podría saber la asociación entre
84:03
Speaker A
esas dos variables categóricas. Y ahí pues Pearson pues hace su prueba de independencia chicuadrado, en el cual construye sus sus valores observados, sus valores esperados. Y acá está el estadístico de chicuadrado.
84:19
Speaker A
¿Para qué es útil estas prueba de independencia chicrado? Para ver si dos variables son independientes o no.
84:25
Speaker A
Pero solo para variables categóricas. Si para las numéricas hay la correlación que te cuantifica la relación.
84:36
Speaker A
Para las categóricas tenemos la prueba de independencia chicador, si bien no te lo cuantifica, pero te da o te dice si están asociadas o no están asociadas.
84:47
Speaker A
Eso ya es una ganancia muy importante. Muy bien. Entonces, para hacer una prueba de independencia cuadrado, esto lo vamos a ver más adelante a profundidad. Ahora simplemente lo estoy mencionando.
85:04
Speaker A
Para hacer una prueba de independencia y cuadrados, todo se parte a partir de una tabla de contingencia o una tabla cruzada.
85:12
Speaker A
Ahí se construye, ¿no? Una vez tengas tu tablet contingencia, aplicas tu prueba de chi cuadrado y listo, ¿no? Podrás saber pues si las variables están asociadas o bien.
85:28
Speaker A
Otra tarea interesante del an exploratorio, muchachos, es que te permite pues hacer muchas más cosas muy aparte de explorar, conocer, encontrar las anomalías y todo ello, ¿no?
85:45
Speaker A
es el punto medular, muchachos, para las etapas siguientes, como el modelamiento, mejor dicho, tú terminas con tu anális exploratorio y viene el procesamiento de los datos, como quien dice, afinar los afinamientos últimos la base de datos para ya entrar en la etapa de
86:07
Speaker A
modelamiento. En la etapa de modelamiento tú vas a poder construir tus modelos de regresión, por ejemplo, ¿no? Que te van a permitir predecir y todo, ya, ¿no?
86:19
Speaker A
Luego tienes que validar tu modelo. Una vez valiado, ya lo puedes usar para hacer predicciones, ¿no?
86:26
Speaker A
Eso es la importancia del análisis probatorio. Es una etapa muy importante dentro del modelamiento de datos, muchachos.
86:35
Speaker A
Es clave. Si nosotros respetamos ese proceso, entonces vamos a tener muy buenos resultados. ¿Se imaginan pasar de frente al modelado sin análisis probatorio?
86:48
Speaker A
No, no sería lo peor que uno puede hacer. ¿Por qué? Porque yo no conozco los datos.
86:53
Speaker A
Al no conocer los datos, yo no puedo hacer un modelo. ¿Por qué? Porque no sé qué variables tengo. No sé qué significa cada variable.
87:01
Speaker A
Eso sería un dolor de cabeza, ¿no? Entonces, la parte exploratoria, muchachos, es muy importante, ¿no?
87:11
Speaker A
Eh, muy bien. Nosotros ya hemos aprendido, muchachos, a hacer reportes y todo ello. ¿Cómo podemos usar la para poder eh potenciar más nuestras interpretaciones?
87:24
Speaker A
No, claro, nosotros podemos interpretar de manera interesante, ¿no? Pero la IA siempre está un paso más adelante que nosotros, ¿no? Sobre todo en temas de interpretaciones y todo nosotros podemos escribir un megaprom.
87:43
Speaker A
un prom es como que algunas acciones que nosotros le indicamos a la IA para que nos haga la tarea, ¿no?
87:51
Speaker A
Entonces siempre recomiendan definir el rol, ¿no? Actúa como un estadístico, por ejemplo, senior y analista de negocios. puedo decir, ¿no?
88:01
Speaker A
Incluir periodo, población, variable, ese es contexto, ¿no? Y que y los entregables que yo quiero que me dea, por ejemplo, tendencias, anomalías, t ta tal, ¿no?
88:11
Speaker A
Entonces, al darle todas estas herramientas, el PROM sabe que tiene que comportarse como un experto, sabe el contexto y lo que yo quiero y me lo va a trabajar, ¿no?
88:26
Speaker A
Eso es algunas recomendaciones básicas que uno tiene que seguir, ¿no?, para escribir un pro si quieres obtener buenos resultados, obviamente.
88:37
Speaker A
Bueno, actualmente existen as también que ya hacen análisis exploratorio, muchachos, inclusive análisis de datos, ¿no?
88:45
Speaker A
Tú leas la data y se encarga del procesamiento, de modelamiento, visualización y la revisión o la toma de decisiones ¿no?
88:56
Speaker A
Con el tiempo pues ya no no nos van a necesitar, ¿no? Pero nosotros tenemos un plus que no tiene la no que nosotros entendemos el contexto del negocio, nosotros entendemos el problema, la nunca lo va a entender.
89:15
Speaker A
Si tú le das unos datos a la IA, para la IA simplemente son conjunto de números, variables y números, pero nosotros sabemos todo lo que impacta.
89:27
Speaker A
Entonces es un plus que tenemos aún tenemos. Eh, y la recomendación final es de nada sirve que tú hagas tu tabla o tu gráfico, muchachos, si es que no redactas muy bien tu resultado.
89:45
Speaker A
Debe tener impacto tu interpretación. Debe haber un resumen, una evidencia y una recomendación. Así debe basarse una redacción de resultados ¿no?
90:02
Speaker A
Por ejemplo, decir que no sé que la pobreza en el Perú es, no sé, el 43 40.3%. Entonces, eso es un valor, ¿no?
90:13
Speaker A
Pero un economista le puede dar mucho más interpretación, mucho más valor a ese a ese a esa estimación, ¿no?
90:20
Speaker A
Entonces, hay que ver la manera de cómo mostrar nuestros resultados de manera más ejectiva, ¿no? Más top, como se dice. Entonces también vamos a usar la para eso, ¿no?
90:33
Speaker A
Las buenas prácticas. Eh, a veces vas a trabajar con base de datos que tienen datos sensibles, ¿no?
90:40
Speaker A
DNI de niños, por ejemplo. Entonces, en ese caso se recomienda bueno, en otras palabras, quitar los identificadores de las personas y tener una data anónima.
90:54
Speaker A
hay que verificar los resultados, ¿no? Eh, muchas veces obtenemos resultados específicos, pero quizás sería bueno buscar trabajos eh similares y comparar los resultados si son coherentes o no.
91:07
Speaker A
No sesgos, se puede cometer sesgos. Sí, los sesgos es inevitable, ¿no? A veces el recojo es pues quizás haces tu muestra y es una muestra intencionada y no es aleatoria, ahí hay un sesgo, ¿no?
91:22
Speaker A
Entonces, hay que tener mucho cuidado con todo ello. Ya. Entonces, ¿cuál es la conclusión final del análisis oratorio, no?
91:37
Speaker A
A partir de las herramientas que hemos visto, tú vas a poder conocer tu data, entender relaciones, comportamientos y patrones que te van a dar mucha información para los pasos siguientes, que es el modelamiento.
91:56
Speaker A
Eso es. y apoyarnos obviamente de la IA, ¿no? La IA, muchachos, es nuestro aliado perfecto en la actualidad, muchachos.
92:07
Speaker A
Es inevitable que no usemos. Hay que usarlo muchachos pero hay que documentarnos también porque la IA también te va a engañar.
92:18
Speaker A
La sufre un problema llamado la alucinación ¿no? Te va a dar cualquier cosa. Yo le he dado sintaxis para los gráficos, me ha dado sintaxis que no funciona.
92:29
Speaker A
Entonces, no piensan que todo lo que te hace está bien, ¿no? Pero te da ideas, ¿no?
92:34
Speaker A
Tú puedes mejorarlo, ¿no? En función a tu expertiz, a tu conocimiento del negocio. Eso es muy importante.
92:45
Speaker A
Bien. ¿Alguien sabe usar la gama I gama la perdón la I a gama? A ver, alguien me para enseñarles para que hagan su PPT para sus para sus resúmenes.
93:00
Speaker A
Ya. Muy bien. Les voy a enseñar una que hace PPT, muchachos. Se llama gama.
93:13
Speaker A
La primera, ¿no? Yo les voy a copiar. Ya ahí le voy a pasar por el chat y simplemente inician sesión pues con un correo Gmail y no se hagan problemas, ¿no?
93:29
Speaker A
A ver, a ver, acá ya tengo un correo, voy a seguir con esto. Ya tiene su versión libre que te deja hacer 10 PPT, ¿no? Es decir, 10 láminas de una PPT.
93:45
Speaker A
Ya si pagas la licencia les puede salir cosas más grandes. Voy a ir a la opción que dice crear nueva crear nuevo, ¿no? Acá la primera opción y acá pone generar.
94:02
Speaker A
La versión libre te deja 10 diapositivas, 10 láminas, ¿no? Y para más puedes pagar, ¿no? Creo que está $8 mensual, algo así.
94:11
Speaker A
Y acá le voy a decir, genérame una PPT sobre la estadística descriptiva. Quiero que seas muy detallado.
94:35
Speaker A
Acá ya va a depender usted, ¿no? Muy detallado. Ya le voy a dar generar esquema y esperemos ahí nos va a dar ya la teoría.
94:54
Speaker A
Muy bien. Quiero que sea eh detallado. ¿Quieres mínimo, conciso, detallado, extenso? Detallado. Quiero, ¿qué temas quieres usar? ¿Qué formato de presentación? ¿No? Y ustedes acá pueden buscar pues según les guste, ¿no? A ver, voy a buscar uno que me
95:10
Speaker A
llame la atención. Esta. Ya voy a darle acá. Seleccionar tema y generar. Ya, ahí les va a generar su PPT. Ya, simplemente esperemos unos unos segundos, muchachos. Ahí va a trabajar su P.
95:35
Speaker A
Muy bien. Esto les va a ayudar bastante. Ojo, no hay que abusar también, ¿no?
95:44
Speaker A
La I hay que usarlo sabiamente, muchachos. No hay que volvernos vagos o ya dejarlo toda la no hay que leer, no hay que hay que usarlo como un aliado.
95:57
Speaker A
Ahí todos mis estudiantes de la universidad hacen su tarea con concha GPT, yo le pongo cero, ¿no? Porque ellos me copian tal como está en la IA.
96:06
Speaker A
O sea, que cuál es el trabajo que han hecho ellos. Copiar. No, eso no es trabajo.
96:14
Speaker A
Muy bien. Y ahí vean cómo trabaja la guía ¿no? Ahí ya tiene un resumen interesante, ¿no?
96:27
Speaker A
Entonces, muchachos, ya tiene una herramienta también para hacer ya, ¿no? Para hacer PPT, perdón.
96:40
Speaker A
Ya. Entonces esta ahí ya sáquenlo provecho también, muchachos. Por ejemplo, ¿cuál es lo correcto acá? En chat GPT ustedes pueden generar los 10 PPTs con el contenido, ¿no? Y ese contenido pegarle acá y ese mismo llevarlo a PPT, ¿no? Y con eso ya es un
96:57
Speaker A
plus interesante, ¿no? Mucho más potente. ¿Se dan cuenta? Entonces tú puedes combinar ellas, muchachos. Igual con Canva, ¿no? También.
97:09
Speaker A
Muy bien. Y le voy a poner modo presentación, muchachos. Eh, ahí está mi PPT, muchachos.
97:19
Speaker A
Estadística descriptiva. El arte de dar sentido a los datos. Acá me da una presentación, mi lámina.
97:29
Speaker A
¿Y qué me dice? La estadística descriptiva en la rama que recolecta, organiza, resume y presenta datos para facilitar la interpretación.
97:38
Speaker A
Su objetivo no es inferir, sino ofrecer una foto fiel y ordenada del fenómeno observado.
97:46
Speaker A
¿Correcto? Es describir los datos, no vas a hacer inferencias. Fundamentos de población, individuo y muestra. población, ¿no? Conjunto total, individuos, la unidad de observación, la muestra es una parte de la población, una muestra, un subconjunto aleatorio, en otras palabras, ¿no? Y acá hay un
98:08
Speaker A
muchachito estudiando, ¿no? Variables, ¿no? Cuitativas, cuantitativas y acá te da ejemplos, ¿no? Y lo bueno que tú puedes descargarlo en PPT y editarlo también, ¿no? Puedes mejorar más cosas.
98:24
Speaker A
organización de los datos en tabla frecuencia, ¿no? Ahí tienes, ahí están las algunos gráficos estadísticos que tú puedes mostrar, las medidas de tendencia central, media, mediana y moda.
98:38
Speaker A
Y acá ejemplos manuales inclusive medida de dispersión, ¿no? Rango, desviación típica, posición son los percentiles, ¿no?
98:52
Speaker A
Curtosis esa simetría, muchachos. Análisis de forma o medidas de forma, también te lo menciono, ¿no?
98:58
Speaker A
Y una conclusión pequeña, ¿no? Entonces, ya tienen para hacer PPT, lo descargan en formato PPT y pueden ustedes usarlo para sus presentaciones, ¿no?
99:13
Speaker A
Bien, muchachos, eso es una que les va a ayudar bastante. Profesor, una consulta. Eh eh se tiene que crear mediante un correo el un Gmail este programa.
99:26
Speaker A
Sí, un Gmail nada más. Ah, ya ya. Gracias, profesor. Sí, igual que la no gama seama y te hace las presenta ya. Gracias, profesor.
99:39
Speaker A
Okay. Otra cosa que quiero ya para para fines esta parte es cómo usar la IA para interpretar un resultado, ¿no?
99:50
Speaker A
Para eso CH GPT va a ser el mejor aliado. Por ejemplo, le voy a dar este gráfico, ya a ver qué me interprete.
100:00
Speaker A
Obviamente nosotros sí lo interpretamos, ¿no? Por ejemplo, esta variable de acá, total de alumnos y total de docentes, observamos que existe una relación lineal positiva entre el total de alumnos y total de docentes de los colegios, ¿no?
100:16
Speaker A
Hay una relación lineal positiva que quiere decir que es una relación directa, ¿no? A mayor cantidad de docentes, mayor cantidad de alumnos, pero nosotros queremos que sea mucho más ejecutivo, ¿no? que tenga más contexto, mejor parafraseo y todo ello, ¿no? Para
100:33
Speaker A
ello la nos puede ayudar bastante, ¿no? Copiamos la imagen, por ejemplo. Espero que aguante la vamos a ver.
100:44
Speaker A
Uy, ya me sobrecargaron. A ver, voy a cambiar de cuenta. Ya. Lo que pasa cuando cargas muchas imágenes también se se terminan tus cupos, ¿no? Pero yo te creas otra cuenta y ya pues con eso sigues trabajando.
101:03
Speaker A
A menos que puedan pagar pues la membresía mensual, ¿no? No hay ningún problema. Creo que está $8, creo o $10 o 20, no me acuerdo, no me acuerdo.
101:13
Speaker A
Entonces, yo voy a usar otra cuenta. Pueden crear dos así para que puedan trabajarlo.
101:19
Speaker A
Voy a parar esa imagen. Le voy a decir, "Ayúdame a interpretar." interpretar de manera eh interpretar de manera ejecutiva.
101:38
Speaker A
Ejecutiva. Sería interesante que también le digas, ¿no? Las variables que están en uso. Las variables en uso son el total de alumnos y el total y el total de docentes de los colegios del Perú, ¿no?
102:13
Speaker A
Perú del año 2026. la fuente, ¿no? Según el mineu. Ya. Ahí le voy a dar. Ahí le voy a dar a ver qué me dice, ¿no?
102:32
Speaker A
Y acá pues se luce la, ¿no? Miren, muchachos, claro, acá te da bastantes ideas, pero acá me pone el resumen ejecutivo, ¿no?
102:44
Speaker A
Miren muchachos. Dice, "El análisis evidencia una asociación positiva entre el número de docentes y el número de alumnos de las instituciones educativas de Perú.
102:56
Speaker A
La mayoría de los colegios son de tamaño pequeño y mediano. Sin embargo, conforme aumenta el tamaño de la institución, también aumenta la heterogenidad, observándose diferentes importantes en la cantidad de estudiantes atendidos por colegio con un número similar de
103:11
Speaker A
docentes. Asimismo, se identifican algunas instituciones de gran escala que constituyen valores atípicos dentro del sistema educativo y que podrían requerir un análisis más diferenciado.
103:26
Speaker A
Entonces, hay estilos muy interesantes, ¿no? Esto es muy ejecutivo, ¿no? Te habla que existe una relación positiva, ¿no? A mayor cantidad de docentes, mayor cantidad de colegios, lo que también refleja en una desigualdad.
103:40
Speaker A
Hay colegios con poca población y hay colegios con mucha población. Hay una desigualdad en cuanto a población atendida, ¿no?
103:51
Speaker A
Eso es normal, muchachos, porque los colegios pequeños generalmente están en las áreas rurales, ¿no? Claro, en un en un centro poblado pequeño que hay, no sé, 20 niños, tú no vas a poner pues muchos colegios, ¿no? Pondrás uno y
104:08
Speaker A
suficiente, ¿no? Pero en las capitales sí necesitas bastante colegios porque hay bastante población, hay más demanda, ¿no?
104:16
Speaker A
Es un tema bastante político, ¿no? Y entonces es una herramienta muy potente, muchachos. Entonces yo soy de la idea que saquen provecho al máximo la y bueno, eso no.
104:32
Speaker A
A ver, otra otro gráfico. Me interesa, eh, a ver, un gráfico que hemos generado por acá, este acá.
104:45
Speaker A
Creo que lo interprete, ¿no? A ver, ayúdame a interpretarlo manera eh muy formal. Ya ustedes buscan pues qué estilo desean, ¿no?
105:11
Speaker A
Ahí está, miren. Wow. Acá sí se lució. Vamos a ver esta este resumen ejecutivo.
105:20
Speaker A
Dice, "La estructura de instituciones educativas del Perú muestra un predominio en los niveles inicial y primaria, ¿no? 40% y 43.4%.
105:30
Speaker A
¿Qué en conjunto representan más de 45/5 partes del total de colegios? En contraste las instituciones de educación secundaria constituyen el 16.7%.
105:42
Speaker A
lo que evidencia una menor participación relativa dentro de la fuerte educativa nacional. Esta distribución es consistente con la organización del sistema educativo y proporciona información relevante para la planificación y gestión del curso del sector educación.
106:01
Speaker A
Eso es una interpretación interesante, ¿no? Si quieres mucho más detallado también tienes acá, ¿no?
106:09
Speaker A
Entonces la I es muy potente para eso, ¿no? Muy potente, ¿no? No conforme con eso también le puede decir algo interesante, ¿no?
106:24
Speaker A
A ver, quiero puedes pasar, por ejemplo, puedes este gráfico a un estilo BBC. A, vamos a ver, vamos a ver si nos hace.
106:45
Speaker A
A ver, vamos a ver si nos modifica nuestra imagen a un formato mucho más más bonito ¿no?
106:54
Speaker A
Vamos a ver, vamos a ya con esto finalizáamos. En conclusión, muchachos, tiene que sacar provecho ustedes a la al máximo.
107:05
Speaker A
Solo que cuando cargas archivos sí se acaba los los tokens, ¿no? Dice que no quiere trabajar porque infringe nuestras normas.
107:18
Speaker A
Pues procedes, solo es un ejemplo didáctico. Le voy a dar mi consentimiento. Ya otro no quiere hacer porque dice que es un sinónimo de plástico, pero le hizo que me recomienda otro estilo, ¿no? que es muy parecido, que es
107:46
Speaker A
el Banco Mundial, ¿no? Que también tiene gráficos interesantes. Ah, entonces eh pueden también aprovechar eso.
107:59
Speaker A
Ya. A ver, vamos a esperar que termine. Está creando la imagen. Y muchachos, miren, ¿qué opinan?
108:08
Speaker A
Esto está pues top ¿no? Este es un gráfico pues de revista, de periódico, de un paper, ¿no?
108:19
Speaker A
Se dan cuenta, muchachos, este gráfico pues ya está listo para un paper. Potente, ¿no? Buena presentación, buen estilo, colores suaves, cumple con todos los requisitos para un una buena visualización de datos, ¿no?
108:39
Speaker A
Pero todo eso lo hace la muchachas, pero con el insumo que tú le das, ¿no?
108:45
Speaker A
Obviamente no te lo va a inventar tampoco ¿no? Inclusive le puedes pedir pues en formato APA, Vancouver, todo lo que ustedes desean.
108:57
Speaker A
Entonces, la idea es eso, ¿no? Usar como aliado la IA y potenciar nuestros análisis ¿no?
109:07
Speaker A
Bien, bien, muchachos. Entonces, nos quedamos acá. Ya continuamos la siguiente sesión. La siguiente sesión ya vamos a ver, muchachos, lo que es eh correlación y regresión. Ya, ya vamos a entrar a la lo que es inferencia estadística.
109:26
Speaker A
Así que bueno, nos quedamos acá, muchachos, y continuamos la siguiente sesión. ¿Alguna consulta? Que alguien tuviera alguna consulta, quizás alguna duda la grabación, profesor, no se olvide de poder enviarnos, por favor.
109:43
Speaker A
Ya. Entonces, eh mañana primera hora más tarde el coordinador del curso va a estar subiendo al Claro. Ya.
109:51
Speaker A
Gracias profesor. Muchachos, excelente fin de semana para todos. Lunes habrá su fe.
Topics:análisis exploratorioestadística descriptivaSPSSinteligencia artificialChatGPTvariables estadísticasmedidas de resumengráficos estadísticosvalores atípicosbuenas prácticas estadísticas

Frequently Asked Questions

¿Qué es el análisis exploratorio y cómo se relaciona con la estadística descriptiva?

El análisis exploratorio es una extensión de la estadística descriptiva que implica recopilar, organizar y presentar datos para entender su estructura y características. Aunque el término es más comercial, ambos conceptos comparten técnicas similares para resumir y visualizar datos.

¿Por qué es importante identificar el tipo de variable antes de analizar los datos?

Identificar el tipo de variable es vital porque determina qué técnicas estadísticas y gráficos son adecuados para el análisis. Por ejemplo, variables nominales se representan con gráficos de barras o circulares, mientras que variables continuas usan histogramas o boxplots.

¿Cómo se pueden detectar y manejar los valores atípicos en un conjunto de datos?

Los valores atípicos son datos que se comportan de forma diferente al resto y pueden sesgar los análisis. Se detectan mediante gráficos como boxplots y deben ser evaluados cuidadosamente para decidir si se excluyen o se tratan de otra manera en el análisis.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play
Or transcribe another YouTube video here →

Free tools: TXT to SRT · SRT Validator · Merge SRT · Subtitle to Text · All tools

More from Mundo Tesis (Oficial)

View All
Sesión 3. Estadística descriptiva con SPSS — Transcript

Sesión 3. Estadística descriptiva con SPSS — Transcript

11,766 words · 115 min · Spanish
🎥𝗦𝗲𝘀𝗶𝗼́𝗻 𝟮: 𝗣𝗹𝗮𝗻𝘁𝗲𝗮𝗺𝗶𝗲𝗻𝘁𝗼 𝗱𝗲𝗹 𝗣𝗿𝗼𝗯𝗹𝗲𝗺𝗮 𝘆 𝗢𝗯𝗷𝗲𝘁𝗶𝘃𝗼𝘀 𝗱𝗲 𝗜… — Transcript

🎥𝗦𝗲𝘀𝗶𝗼́𝗻 𝟮: 𝗣𝗹𝗮𝗻𝘁𝗲𝗮𝗺𝗶𝗲𝗻𝘁𝗼 𝗱𝗲𝗹 𝗣𝗿𝗼𝗯𝗹𝗲𝗺𝗮 𝘆 𝗢𝗯𝗷𝗲𝘁𝗶𝘃𝗼𝘀 𝗱𝗲 𝗜… — Transcript

11,349 words · 110 min · Spanish
Clase 0. Introducción al curso de Publicación de Artícu… — Transcript

Clase 0. Introducción al curso de Publicación de Artícu… — Transcript

5,843 words · 46 min · Spanish
Sesión 11: Redacción de la Introducción — Transcript

Sesión 11: Redacción de la Introducción — Transcript

15,729 words · 141 min · Spanish
🎥𝗦𝗲𝘀𝗶𝗼́𝗻 𝟭: 𝗙𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗼𝘀 𝗱𝗲𝗹 𝗔𝗻𝗮́𝗹𝗶𝘀𝗶𝘀 𝗖𝘂𝗮𝗻𝘁𝗶𝘁𝗮𝘁𝗶𝘃𝗼 𝘆 𝗘𝗻… — Transcript

🎥𝗦𝗲𝘀𝗶𝗼́𝗻 𝟭: 𝗙𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗼𝘀 𝗱𝗲𝗹 𝗔𝗻𝗮́𝗹𝗶𝘀𝗶𝘀 𝗖𝘂𝗮𝗻𝘁𝗶𝘁𝗮𝘁𝗶𝘃𝗼 𝘆 𝗘𝗻… — Transcript

11,670 words · 106 min · Spanish
Sesión 7. Visualización, interpretación y reporte de re… — Transcript

Sesión 7. Visualización, interpretación y reporte de re… — Transcript

14,121 words · 115 min · Spanish
Sesión 5. Análisis exploratorio con Atlas ti e IA — Transcript

Sesión 5. Análisis exploratorio con Atlas ti e IA — Transcript

12,721 words · 112 min · Spanish
Sesión 6. Análisis relacional e inferencia cualitativa … — Transcript

Sesión 6. Análisis relacional e inferencia cualitativa … — Transcript

13,181 words · 112 min · Spanish
Sesión 4. Codificación avanzada, memos y categorización — Transcript

Sesión 4. Codificación avanzada, memos y categorización — Transcript

12,405 words · 114 min · Spanish
Sesión 3. Segmentación y codificación inicial de datos … — Transcript

Sesión 3. Segmentación y codificación inicial de datos … — Transcript

12,536 words · 120 min · Spanish
Sesión 2. Creación del proyecto y organización de datos… — Transcript

Sesión 2. Creación del proyecto y organización de datos… — Transcript

15,643 words · 123 min · Spanish
Sesión 1. Fundamentos del análisis cualitativo y primer… — Transcript

Sesión 1. Fundamentos del análisis cualitativo y primer… — Transcript

14,114 words · 117 min · Spanish