Análisis de Correlación y Estadística

<p>r = 1,0 (C)</p> Signup and view all the answers

<p>Desviación típica y covarianza (B)</p> Signup and view all the answers

<p>Para mostrar la línea de tendencia (A)</p> Signup and view all the answers

<p>Mejorar la visualización de datos. (A)</p> Signup and view all the answers

<p>Desactiva la visualización de la diagonal (A)</p> Signup and view all the answers

<p>Coeficiente de correlación (C)</p> Signup and view all the answers

<p>Coeficiente de correlación. (C)</p> Signup and view all the answers

<p>Ser una relación exacta entre dos variables. (C)</p> Signup and view all the answers

<p>Cambiar los colores de las categorías (B)</p> Signup and view all the answers

<p>Visualizar gráficos de dispersión. (D)</p> Signup and view all the answers

<p>variable_categórica (C)</p> Signup and view all the answers

<p>Evaluar la bondad de ajuste del modelo. (B)</p> Signup and view all the answers

<p>Relaciones entre múltiples variables (C)</p> Signup and view all the answers

<p>La proporción de variabilidad explicada por el modelo (A)</p> Signup and view all the answers

<p>Establecer una relación matemática precisa entre variables. (C)</p> Signup and view all the answers

<p>Graficar la regresión sin datos. (A)</p> Signup and view all the answers

<p>Ajustar un modelo (C)</p> Signup and view all the answers

<p>Interpretar y tomar decisiones basadas en ellos. (D)</p> Signup and view all the answers

<p>Menor que $191.8 (D)</p> Signup and view all the answers

<p>0.03 (B)</p> Signup and view all the answers

<p>Una variable categórica y una variable continua (C)</p> Signup and view all the answers

<p>model.fit() (B)</p> Signup and view all the answers

<p>La diferencia salarial entre combinaciones de géneros y niveles de estudios (B)</p> Signup and view all the answers

<p>Se multiplican por la variable continua (B)</p> Signup and view all the answers

<p>int_X1_table (B)</p> Signup and view all the answers

<p>pd.get_dummies() (D)</p> Signup and view all the answers

<p>4.5 (C)</p> Signup and view all the answers

<p>A mayor experiencia, mayor sueldo. (B)</p> Signup and view all the answers

<p>10 (B)</p> Signup and view all the answers

<p>1860.7 (A)</p> Signup and view all the answers

<p>Suma de (x - media_x) * (y - media_y) (B)</p> Signup and view all the answers

<p>26494 (D)</p> Signup and view all the answers

<p>Hay una relación lineal positiva. (D)</p> Signup and view all the answers

<p>Gráfico de dispersión. (C)</p> Signup and view all the answers

<p>Años de experiencia. (D)</p> Signup and view all the answers

<p>Aumenta 69,9 puntos en su salario. (C)</p> Signup and view all the answers

<p>Reduce el salario en 761,3 €. (A)</p> Signup and view all the answers

<p>El género y el nivel de estudios influyen en el salario. (B)</p> Signup and view all the answers

<p>Usar variables Dummy con drop_first=True. (A)</p> Signup and view all the answers

<p>Es un cambio no significativo. (A)</p> Signup and view all the answers

<p>69,9 € (B)</p> Signup and view all the answers

<p>Calcular un modelo lineal para predecir valores. (B)</p> Signup and view all the answers

<p>Se aumenta la complejidad del modelo. (C)</p> Signup and view all the answers

<p>El p-valor. (A)</p> Signup and view all the answers

<p>El cambio es significativo. (D)</p> Signup and view all the answers

Un gráfico que representa la relación entre dos variables, donde cada punto representa un valor para cada variable.

La covarianza mide la relación lineal entre dos variables. Si la covarianza es positiva, las variables tienden a moverse en la misma dirección. Si es negativa, tienden a moverse en direcciones opuestas.

El coeficiente de correlación mide la fuerza y la dirección de la relación lineal entre dos variables. Se encuentra entre -1 y 1. 1 significa una correlación positiva perfecta, -1 significa una correlatión negativa perfecta, y 0 indica no correlación.

Un modelo matemático que describe la relación entre dos variables. El modelo se ajusta a los datos para predecir el valor de una variable basándose en el valor de la otra.

El coeficiente de determinación (R²) mide la proporción de la variación en la variable dependiente que es explicada por la variable independiente. Un valor de R² cercano a 1 indica que el modelo ajusta bien los datos.

El coeficiente de determinación ajustado se utiliza cuando se tiene múltiples variables. El R² ajustado penaliza la inclusión de variables que no son significativas.

La relación entre dos variables puede ser funcional (determinista) o estadística. En una relación funcional, el valor de una variable determina exactamente el valor de la otra. En una relación estadística, la relación entre las variables es menos precisa.

Es una relación exacta entre dos variables. Si se conoce el valor de una variable, se puede calcular exactamente el valor de la otra.

En estadística, la media es el valor promedio de un conjunto de datos. Se calcula sumando todos los valores y dividiendo por el número total de valores.

El número de elementos en un conjunto de datos se denomina tamaño de muestra o tamaño de la población.

La suma de las desviaciones de cada observación respecto a la media de las variables, multiplicadas por la desviación de cada observación respecto a la media de las variables.

La covarianza positiva indica que las variables tienden a moverse en la misma dirección: si una variable aumenta, la otra tiende a aumentar también.

La covarianza negativa indica que las variables tienden a moverse en direcciones opuestas: si una variable aumenta, la otra tiende a disminuir.

Cuando la covarianza es cero, no hay relación lineal entre las variables.

La covarianza en una relación lineal proporciona información acerca de la dirección de la relación, pero no ofrece información sobre la fuerza de dicha relación.

La covarianza se utiliza para evaluar la relación lineal entre dos variables. Si la covarianza es positiva, las variables tienden a moverse en la misma dirección. Si la covarianza es negativa, las variables tienden a moverse en direcciones opuestas. Si la covarianza es cero, no hay relación lineal entre las variables.

Mide la dispersión de los datos alrededor de la media de la variable.

La correlación es positiva si las dos variables tienden a aumentar juntas.

La correlación es negativa si las dos variables tienden a moverse en direcciones opuestas.

Es una medida que indica la fuerza y dirección de la relación lineal entre dos variables (X e Y). Un valor de 1 indica una correlación lineal positiva perfecta, -1 indica una correlación lineal negativa perfecta, y 0 indica que no hay correlación lineal.

Representa la proporción de la variación de la variable dependiente que es explicada por la variable independiente, o sea, cuánto de la variación de la variable dependiente se explica por la variable independiente..

Es un método gráfico para analizar la relación entre varias variables en un conjunto de datos. Muestra la distribución de los datos en cada variable y la relación entre ellas.

Visualiza la relación entre una variable independiente y una variable dependiente. Se utilizan para identificar tendencias y patrones en datos.

El ajuste del modelo se refiere al proceso de encontrar la ecuación matemática que mejor se ajusta a los datos.

Un modelo de regresión lineal que incluye términos de interacción entre variables independientes. Esto permite capturar efectos conjuntos entre las variables que no se pueden capturar al analizarlas individualmente.

Variables categóricas que se transforman en variables numéricas (0 o 1) para su uso en el modelo de regresión.

Términos que representan la interacción entre dos o más variables independientes. Estas interacciones se crean multiplicando las variables Dummy.

Valor p que indica la probabilidad de obtener un resultado tan extremo como el observado si no existiera una relación real entre las variables.

Significativo en el contexto de las pruebas de hipótesis, implica que el resultado es poco probable que haya ocurrido por casualidad.

Si el valor p es mayor que 0.05, la hipótesis nula no se rechaza y se concluye que no hay suficiente evidencia para apoyar una relación entre las variables.

Si el valor p es menor que 0.05, la hipótesis nula se rechaza y se concluye que hay evidencia suficiente para apoyar una relación entre las variables.

El impacto individual de una variable sobre la variable dependiente se puede ver afectado por el valor de otra variable.

Crear variables dummy para cada categoría de las variables categóricas, excepto la primera. Se elimina la primera categoría para evitar la multicolinealidad.

Utiliza el paquete pandas para crear el modelo de regresión lineal múltiple. La función statsmodels.formula.api.ols se usa para encontrar el modelo con las variables categóricas como predictoras.

Al agregar una variable categórica (género) a un modelo de regresión que ya incluye una variable continua (experiencia), la interacción de estas variables puede afectar significativamente el resultado. El coeficiente de interacción indica el efecto diferencial de la experiencia en el salario para diferentes grupos de género.

El p-valor indica la probabilidad de obtener los resultados observados si no existe una relación real entre las variables. Un valor de p menor que 0,05 generalmente indica que la interacción es estadísticamente significativa, es decir, que es poco probable que la relación observada se deba al azar.

Una variable dummy es una variable categórica que se representa numéricamente con 0 o 1 para indicar la presencia o ausencia de una característica. En el contexto de las interacciones, se utilizan variables dummy para representar las categorías de la variable categórica. Por ejemplo, se crea una variable dummy para el género "Mujer" (1 si la persona es mujer, 0 si no).

En el contexto de las interacciones, es necesario crear variables de interacción multiplicando la variable continua por las variables dummy correspondientes a cada categoría. Por ejemplo, si se tiene una variable continua "Experiencia" y una variable dummy para el género "Mujer", se crea una variable de interacción llamada "Experiencia_Mujer" multiplicando "Experiencia" por "Mujer".

El modelo lineal múltiple con interacciones se utiliza para analizar cómo diferentes variables, tanto continuas como categóricas, así como sus interacciones, afectan a una variable de respuesta. El modelo se ajusta utilizando un software estadístico como Python.

Una variable categórica es de tipo cualitativo, representando diferentes categorías sin una escala numérica ordenada. En ejemplos de salario, variables categóricas como el género o el nivel de estudios se usan para analizar cómo influyen en el salario.

Una variable continua es de tipo cuantitativo, representada por números con un orden y una diferencia significativa entre valores adyacentes, por ejemplo, la experiencia laboral, los años de educación, etc.

El objetivo del análisis de interacciones es determinar si la relación entre una variable continua y una variable de respuesta es diferente para diferentes grupos definidos por una variable categórica.