Análisis Exploratorio

de Datos

¿Qué son los Datos?

Una variable es una propiedad o

característica de un Individuo

Ejemplos: color de ojos

de un persona,

temperatura, estado civil

Una colección de variables

describen a un Individuo

Un individuo también se conoce

como registro, punto, caso,

objeto, entidad, ejemplo de

observación

Id Dev. Estado Civil

Impuestos Fraude

1 Si Soltero 125Mil No

2 No Casado 100Mil No

3 No Soltero 70Mil No

4 Si Casado 120Mil No

5 No Divorciado 95Mil Si

6 No Casado 60Mil No

7 Si Divorciado 220Mil No

8 No Soltero 85Mil Si

9 No Casado 75Mil No

10 No Soltero 90Mil Si 10

Variables

Individuos

Tipos de Variables

Cualitativos vs. Cuantitativos

Cualitativo (o categórico) las variables

representan distintas categorías en lugar de

números. Las operaciones matemáticas como la

suma y la resta no tienen sentido.

Ejemplos: color de los ojos, grado académico, dirección IP,

código postal.

Cuantitativos (o numéricos) las variables son los

números y pueden ser tratados como tales.

Ejemplos: peso, fallos por hora, el número de televisores, la

temperatura

Variables Cualitativas

Tipos de Variables

Variables Cuantitativas

• Los valores de la variable son “números” = cada valor posible es menor o mayor que otro valor

• Ejemplos: edad, ingresos, nota en un examen, número de años de educación, kilómetros de distancia entre trabajo y residencia…

• OJO: hay “números” que son “etiquetas”; por ejemplo: el código postal; el número de teléfono; el código de una asignatura

Variable Discreta vs Variable Continua

• Una Variable Discreta es aquella en la cuál se puede contar el número posible de valores (son números enteros)

• Una Variable Continua puede tomar cualquier valor en un intervalo dado (son números reales)

Variables Cualitativas

• Variables cualitativas son aquellas que clasifican las unidades en categorías. Las categorías pueden tener un orden natural (ordinales) o no (nominales).

• Cuando las variables son ordinales podemos contar número de casos, comparar entre categorías, pero no podemos realizar operaciones numéricas.

Variables Ordinales

• Categorías, no números, que tienen un orden, pero no existe una distancia o intervalo definido entre los valores

– Ejemplo: profesión Bachiller, Licenciado, Máster, Doctor

• Tratamiento estadístico:

– A veces, como variables cualitativas

– A veces, como variables cuantitativas

Variables Nominales

• Los valores son “categorías”

• Las categorías son valores diferentes por una cualidad, no por una cantidad

• Ningún “valor” se puede decir que sea mayor o menor que otro

• Ejemplos: partido político al que votó; región en que vive; sexo; estado civil.

¿cómo transformar variables cuantitativas en cualitativas?

• La conversión de una variable cuantitativa en cualitativa se denomina categorización. 1. Se ordena la variable

2. Se decide el número k de categorías

3. Se buscan los límites e intervalos para cada categoría [min, min+(max-min)/k[, [min, min+2*(max-min)/k[ …

4. Se asigna una etiqueta para cada categoría

5. En la variable original (sin ordenar) se cambia cada valor por una etiqueta según el intervalo al que corresponda

Ejemplo: Ejemplo Transforma Variable.xlsx

Los Datos en Métodos Descriptivos

Variable j

Ejemplo

Matemáticas Ciencias Español Historia EdFísica

Lucía 7.0 6.5 9.2 8.6 8.0

Pedro 7.5 9.4 7.3 7.0 7.0

Inés 7.6 9.2 8.0 8.0 7.5

Luis 5.0 6.5 6.5 7.0 9.0

Andrés 6.0 6.0 7.8 8.9 7.3

Ana 7.8 9.6 7.7 8.0 6.5

Carlos 6.3 6.4 8.2 9.0 7.2

José 7.9 9.7 7.5 8.0 6.0

Sonia 6.0 6.0 6.5 5.5 8.7

María 6.8 7.2 8.7 9.0 7.0

Los Datos en Métodos Predictivos

|Id Reembolso Estado Civil

Ingresos Anuales Fraude

1 Sí Soltero 125K No

2 No Casado 100K No

3 No Soltero 70K No

4 Sí Casado 120K No

5 No Divorciado

95K Sí

6 No Casado 60K No 10

Tabla de Aprendizaje

Id Reembolso Estado Civil

Ingresos Anuales Fraude

7 No Soltero 80K No

8 Si Casado 100K No

9 No Soltero 70K No 10

Tabla de Testing

Variable Discriminante

Ejemplo

Variable Discriminante

Desde Excel

Guardar como *.CSV separado por ;

Visto como archivo de texto

Ejemplo 1: IRIS.CSV

Ejemplo con la tabla de datos IRIS IRIS Información de variables: 1.sepal largo en cm 2.sepal ancho en cm 3.petal largo en cm 4.petal ancho en cm 5.clase:

• Iris Setosa • Iris Versicolor • Iris Virginica

Cargando datos en Rattle

Explorando datos en Rattle

Explorando datos en Rattle

Explorando datos en Rattle

Explorando datos en Rattle

Tarea 1C

• Calcule en Rattle para todas las variables cuantitativas presentes en el archivo SAheartv2.csv

– El mínimo, el máximo, la media, la mediana y para la variables chd calcule la cantidad de Si y de No

– Las distribuciones, la matriz de correlaciones y el biplot para el Análisis en Componentes Principales.

Explorando datos en RStudio

Script

Salidas

Consola

Explorando datos en RStudio # Leyendo Datos -> Laboratorio Exploratorio setwd("C:/Users/Oldemar/Desktop/MDCursoVE/Datos") datos=read.csv("iris.csv",sep = ";",dec='.',header=T) datos head(datos) summary(datos) dim(datos) str(datos) datos$s.largo datos$s.ancho boxplot(datos$s.largo,col='blue',xlab="Largo del Sepalo") boxplot(datos$p.largo,col='red',xlab="Largo del Petalo") hist(datos$s.largo,col=4) plot(density(datos$p.largo),col=2) plot(datos$p.largo,datos$s.largo) install.packages('ggplot2', dependencies = TRUE) library(ggplot2) qplot(s.largo, p.largo, data = datos,colour=c(1:150))

Tarea 1D

• En RStudio con el archivo SAheartv2.csv – Calcule la dimensión de la Tabla de Datos – Despliegue las primeras columnas de la tabla de datos. – Ejecute un “summary” y un “str” de los datos. – Usando el comando “cor” de R calcule la correlación

entre las variables tobacco y alcohol. – Despliegue boxplot’s para las variables tobacco y alcohol – Despligue un histograma para las variables tobacco y

alcohol – Grafique la función de densidad de la variable tobacco – Grafique un plano con las variables tobacco y alcohol – Instale el paquete'ggplot2’ y usando este paquete

grafique un plano con las variables tobacco y alcohol

Gracias….