Bienvenida e introducci贸n

1

Todo lo que aprender谩s sobre el lenguaje R

2

Programaci贸n y Data Science

3

R y proyecto econom铆a naranja.

4

Instalando nuestras herramientas

Variables, tipos de datos y estructuras

5

Los primeros c谩lculos con R y variables

6

Tipos de datos

7

Estructura del dataset del proyecto

8

Vectores

9

Matrices

10

Ejercicios con matrices

11

Operadores para comparar y ubicar datos

12

Factores, listas y echar un vistazo al dataset

EDA: Exploratory data analysis

13

Qu茅 es EDA: Exploratory Data Analysis

14

Gr谩ficas de dispersi贸n e histogramas.

15

Box Plot y su interpretaci贸n

16

EDA con dataset proyecto - Gr谩ficas de dispersi贸n.

17

EDA con histogramas.

18

EDA con dataset proyecto - histogramas - ggplot2

19

EDA con box plot- ggplot2

20

EDA con dataset proyecto - box plot- ggplot2 - dplyr

21

EDA con gr谩ficas de dispersi贸n con m谩s de dos variables - ggplot2

22

EDA con dataset proyecto usando gr谩ficas de dispersi贸n con m谩s de dos variables - ggplot2 - plotly

La estad铆stica de los datos

23

Buscando correlaciones con pairs

24

Confirmando correlaciones con la funci贸n cor

25

Buscando correlaciones con pairs en dataset proyecto

26

Confirmando correlaciones con la funci贸n cor en dataset proyecto.

27

Protegi茅ndonos de los peligros del promedio.

28

Eliminando los NA's para hacer los c谩lculos.

29

Estad铆stica y visualizaci贸n aplicada a an谩lisis de datos de mercadeo.

Ajustando los datos

30

Generando tablas, filtrando y seleccionando datos - dplyr-Parte 1

31

Generando tablas, filtrando y seleccionando datos - dplyr-Parte 2

Mejorando la visualizaci贸n

32

Viendo m谩s informaci贸n con facet wrap - Parte 1

33

Viendo m谩s informaci贸n con facet wrap - Parte 2

Organizar visualizaciones y c贸digo con R Markdown

34

Conociendo R Markdown y organizando los hallazgos del an谩lisis en un documento PDF.

Conclusiones Finales

35

Invitaci贸n a continuar recorriendo el mundo del data science.

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Adquiere por un a帽o todos los cursos, escuelas y certificados por un precio especial.

Antes: $249

Currency
$219/a帽o

Paga en 4 cuotas sin intereses

Paga en 4 cuotas sin intereses
Comprar ahora

Termina en:

2D
1H
49M
35S

Confirmando correlaciones con la funci贸n cor en dataset proyecto.

26/35
Recursos

Aportes 20

Preguntas 4

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

Cada clase me gusta mas, gracias profe

Tomar en cuenta que en el video, al decir que 鈥渘o es negativa鈥 (el valor de -0.4412) se refiere a que no se considera que haya correlacion, ya que se descartan las correlaciones que estan mas cercanas al cero que al 1 o -1.
Por lo tanto, se considera que hay correlacion cuando el valor es menor que -0.5 o mayor que 0.5

Clase 26 馃檪
Confirmando correlaciones con la funci贸n cor en dataset proyecto

.
.
Con cor confirmo si la aparente correlacion vista en la grafica de dispersion
existe o no existe
.
cor(dataset[,])
.
.
Los NA no sirven
Se necesitan numeros frente a numeros para tener la correlacion
Para eliminar los NA
.
cor(dataset[,], use=鈥渃omplete.obs鈥)

Es muy interesante la facilidad que tiene R, para tratar con los datos, por ejemplo el c谩lculo de de la correlaci贸n ignorando los NA, solo con un comando

pairs(orangeec[,5:10])

cor(orangeec[,2:6],use = "complete.obs")

Pienso que igual si la correlaci贸n pasa de 0.2鈥 se entiende que hay valores que influyen en que sea positiva, mientras que los resultados que si aparecieran en negativo directamente est谩n siento descartables

Pues me quedo la duda cuando menciono que el crecimiento era del 0.3 pudiese descartarse pero aun as铆 muestra rasgos significativos resaltables

Para que haya correlaci贸n de variables los datos deben estar comprendidos entre 1 y -1 cuando hay un valor como por ejemplo el -04412121 como esta mas cerca del 0 entonces no existe correlaci贸n.

al principio fue un poco avanzado, pero cada clase esta mejor que la anterior

En mi opini贸n lo que se explica en el v铆deo puede que este en parte mal explicado, ya que ella afirma que si la correlaci贸n es menor a 0.5 o a -0.5 no existe, siendo esta una afirmaci贸n falsa, ya que la correlaci贸n si existe, ya que de 0 a 0.33 o en su defecto a -0.33, es una correlaci贸n baja, de 0.33 a 0.66, es una correlaci贸n media, y de 0.66 a 1 es alta.
Algo a tomar en cuenta para pr贸ximas revisiones de v铆deos.

a partir de que valor se puede decir que una correlacion es negativa, positiva o neutro (si existe)?

Me sale el siguiente erro, alguna idea de qu茅 falla?

cor(orangeec[,2:6],use="complete.obs")
Error in cor(orangeec[, 2:6], use = "complete.obs") : 'x' must be numeric

Por que la relacion de desempleo y aporte de la economia naranja ( -0.41885405) se dice que no es negativo??? si tiene un menos ( - ) y no este por encima de 0.5鈥 al igual que 0.025鈥

## Confirmando correlaciones con la funci贸n cor en dataset proyecto.

cor(orangeec[,2:6])
#solucionando n/a

cor(orangeec[,2:6],use="complete.obs")

cor(orangeec[,5:10],use="complete.obs")

cor(newdata,use="complete.obs")```

Quitar NA

.
.
隆Interpreta correctamente la informaci貌n que ves en r para que puedas comunicar lo observado. el objetivo es que logremos usar el programa con agilidad y asi hacer un analisis mas rapido!

Cuando la cor() es inferior a 0.5 es negativa; esta mas cerca del 0 no hay correlacion entre las variables analizadas

La relacion entre el Aporte de los Servicios al PIB del pais (Service...GDP) y el PIB per capita en cada pais (GDP.PC) es positiva con un 0.64 de correlacion. Es decir los paises que han tenido MAS aporte al PIB desde sus Servicios tienen un PIB per capita MAYOR

cor(orangeec[,2:6],use="complete.obs")

cor(orangeec[,5:10],use="complete.obs")

cor(newdata,use="complete.obs")
#Confirmando correlaciones con la funcion COR
cor(orangeec[,2:6]) #Si salen NA no nos sirven esos datos

#en esta linea ponemos solo las obsevaciones que esten completas
cor(orangeec[,2:6], use = "complete.obs")

cor(orangeec[,5:10], use = "complete.obs")

cor(newdata, use="complete.obs")
cor(orangeec[,2:6])
#solucionar NA
cor(orangeec[,2:6], use="complete.obs")
cor(orangeec[,5:10], use="complete.obs")
cor(newdata, use="complete.obs")