A煤n no tienes acceso a esta clase

Crea una cuenta y contin煤a viendo este curso

Falacia de regresi贸n

13/24
Recursos

Aportes 109

Preguntas 5

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.

Garbage in, garbage out (GIGO)
Nuestros programas nos devuelven resultados basura, si lo que les mandamos son datos basura. Esto incluso cuando su computo y su logica son correctos.
La calidad de los datos son igual de importantes y fundamentales que la manera en la cual van a ser tratados(programa/computo)
ejemplo censo de 1840 de EEUU que se realizo a mano, los datos obtenidos tenian tantos errores que de ellos se podia extrapolar que los negros liberados tenian 10 veces mas probabilidades de volverse locos que los que aun eran esclavos

Imagenes enga帽osas
Cuando se juega con escalas que no tienen sentido, los graficos suelen ser tendensiosos y buscan transmitir una informacion erronea

Cum Hoc Ergo Proper Hoc
Despues de esto, entonces esto otro
Correlacion no implica causalidad

Prejuicio en el muestreo

  • esto elimina la representatividad de la muestra
  • para que la muestra sirva para inferir algo de la poblacion debe ser aleatoria y representativa

Falacia del Francotirador de Texas

  • consiste en no tomar la aleatoriedad en consideracion
  • tambien cuando uno se enfoca en las similitudes e ignora las diferencias
  • cuando formamos la hip贸tesis a partir de los datos obtenidos, amoldando la mismo como si se tratara de una diana que se pinta luego de que el disparo haya sido realizado

Porcentajes confusos

  • Cuando no sabemos la cuenta total del cual se obtiene un porcentaje tenemos el riesgo de concluir falsos resultados
  • siempre es importante ver el contexto
  • los porcentajes, en vacio, no significan mucho

Falacia de regresion

  • Muchos eventos fluctuan naturalmente, por ejemplo, la temperatura promedio de una ciudad, el rendimiento de un atleta, etc.
  • Si ocurre una situacion extrema no significa que vaya a ocurrir un rebote hacia la situacion extrema contraria, sino que se tiende a volver a la media
  • Cuando algo fluctua y se aplican medidas correctivas se puede creer que existe un vinculo de causalidad en lugar de una regresion a la media

Un caso de esto era la 鈥渕aldici贸n鈥 de una revista de futbol que premiaba al mejor jugador de la temporada. Y la maldici贸n dec铆a que si un jugador era premiado por esta revista al siguiente a帽o su desempe帽o bajar铆a.
l
Y es l贸gico que disminuya, el hecho que haya tenido un rendimiento muuy alto es algo at铆pico y que es influido por muchos factores.
l
Entonces ocurr铆a que simplemente los jugadores volv铆an a la media, pero no, para algunos hab铆a una maldici贸n.
l
Sobre sesgos cognitivos no puedo dejar de recomendar el libro Pensar r谩pido pensar despacio, es pr谩cticamente la biblia de los sesgos cognitivos e incluye muchos errores de este tipo, ademas pese a ser de psicolog铆a no es para nada dif铆cil de leer.

Hace muchos a帽os descubr铆 por las malas la falacia de regresi贸n con la ruleta. Esperaba a que saliera mucho un color para despu茅s empezar apostar al otro color, funcion贸 durante unos d铆as hasta que se lo llev贸 todo la ruleta XD, que inocente era entonces. My secuencia fue de 15 rojas

Hay un libro que recomiendo en el que hablan a profundidad de todo esto se llama 鈥淟ibro The Art Of Statistics: How To Learn From Data鈥 de David Spiegelhalter

Les comparto mis apuntes de este m贸dulo 馃槃

Por ejemplo Tenemos 1000 nuevos casos de coronavirus en Per煤 en cierto d铆a. Se aplica la medida de la cuarentena al d铆a siguiente de ese d铆a y este baja a 500 . Estar铆a mal pensar que es debido a la cuarentena y es f谩cil verlo por que eventualmente despu茅s de la cuarentena se tiene 2000 casos nuevos de coronavirus por d铆a en Per煤 馃槮 .

Creo que empezar茅 a pelear con mi familia cuando est茅n viendo y creyendo gr谩ficas que no son correctas 馃槃

Falacia de Regresi贸n a la Media
En los eventos que fluct煤an naturalmente es err贸neo pensar que despu茅s de un evento extremo pasar谩 el evento extremo opuesto para compensar. Lo que sucede es una regresi贸n a la normalidad.
Muchas veces cuando aplicamos medidas correctivas podemos ver una falsa causalidad cuando en realidad lo que sucede es una regresi贸n a la media. Sin embargo debemos discernir cuando esta medida correctiva en realidad tuvo efecto.
Ejemplos:

  • La instalaci贸n de de c谩maras de velocidad en los puntos donde se generaron accidentes, estos suelen generarse de manera aleatoria y cuando se regresa a la media podemos relacionar este suceso con la instalaci贸n de las c谩maras.
  • La ataque de Normand铆a es una medida correctiva que s铆 est谩 relacionada con el repliegue de los ej茅rcitos (no el hecho que los ej茅rcitos fluct煤en)

En los juegos online que tienen un 鈥渕odo competitivo鈥 se les asigna a los jugadores un n煤mero llamado MMR (Matchmaking Ratio) que determina su nivel. Podemos tener rachas buenas o malas pero si no mejoramos como jugadores siempre tendremos una regresi贸n a la media que nos devuelva a nuestro nivel (MMR) real.

En la empresa hay un coach que se aprovecha del tema. A la empresa le fue mal por el tema de elecciones 2018, y el man vende que crecimos 2019 por que el estuvo en ese a帽o.

me encanto
explica mejor esto q programacion

Cuando se juega a la loter铆a y han salido todos los n煤mero, menos el 7, se suele creer que el pr贸ximo n煤mero ganador es el 7, como si el n煤mero 7 tuviera conciencia y ganas por salir ganador como sus dem谩s amigos.
Un profesor de la uni nos dec铆a que los n煤meros no tienen memoria.

Notas 馃槃
Falacia de regresi贸n.

  • Este es 煤ltimo que veremos, pero hay muchos mas errores de pensamiento y falacias 馃槦.
  • Muchos eventos fluct煤an naturalmente, por ejemplo, la temperatura promedio de una ciudad, el rendimiento de un atleta, los rendimientos de un portafolio de inversi贸n 馃捀.
  • Cuando algo fluct煤a y se aplican medidas correctivas se puede creer que exista un v铆nculo de causalidad en lugar de una regresi贸n a la media 馃げ馃徏.
  • Normalmente luego de un evento extremo, es m谩s probable que sigan valores que regresen a la media, sin embargo, eso no implica otro evento extremo contrario para comenzar 馃槀.
  • Es importante entender cuando aplicar los principios, en el caso de este, aplica en eventos que fluct煤an naturalmente, en caso contrario, seguramente las medidas correctivas si afectaron el cambio 鉀擄笍.

Este m贸dulo si me llamo la atenci贸n, eso quiere decir que tengo que fomentar el pensamiento l贸gico y probabil铆stico, para cada uno de los temas que se tocaron.
Gracias profe.

buenos videos sobre teor铆a, te ayudan a ver el mundo de na forma distinta

interesante la diferencia en los casos donde se vuelve a la media y las acciones correctivas

excelente modulo, de verdad .

Garbage in, Garbage out: (GIGO) Si ingreso basura, escupo basura.
La Calidad de nuestros datos es igual de fundamental que la precisi贸n de nuestros c贸mputos.
Cuando los datos son errados, aunque tengamos un c贸mputo pr铆stino nuestros resultados ser谩n err贸neos.
En pocas palabras: Con datos errados las conclusiones ser谩n erradas.
Las im谩genes son enga帽osas
Las visualizaciones son muy importantes para entender un conjunto de datos.
Sin embargo, cuando se juega con la escala se puede llegar a conclusiones incorrecta.
Cum Hoc Ergo Propter Hoc: Despu茅s de esto, eso; entonces a consecuencia de esto, eso.
Dos variables est谩n positivamente correlacionadas cuando se mueven en la misma direcci贸n y negativamente correlacionadas cuando se mueven en direcciones opuestas.
Correlaci贸n no implica causalidad.
Pueden existir variables escondidas que generen la correlaci贸n.
Prejuicio en el muestreo:
Para que un muestreo pueda servir como base para la inferencia estad铆stica tiene que ser aleatorio y representativo.
El prejuicio en el muestreo elimina la representatividad de las muestras
A veces conseguir muestras es dif铆cil, por lo que se utiliza a la poblaci贸n de m谩s f谩cil acceso (caso estudios universitarios)
Para generar una inferencia estad铆stica v谩lida necesitas aleatoriedad pero no es suficiente, tambi茅n que la muestra sea representativa.
La falacia del francotirador de Texas:
Esta falacia se da cuando no se toma la aleatoriedad en consideraci贸n.
Tambi茅n sucede cuando uno se enfoca en la similitudes e ignora las diferencias.
Cuando fallamos al tener una hip贸tesis antes de recolectar datos, estamos en alto riesgo de caer en esta falacia (muy com煤n en Data Science)
No se debe recolectar Datos como loco para luego hacer la hip贸tesis. Debemos generar la hip贸tesis antes de recolectar Datos.
Mentir con n煤meros
Mentira con porcentajes.
Cuando no sabemos la cuenta total del cual se obtiene un porcentaje, tenemos el riesgo de concluir falsos resultados.
Siempre es importante ver el contexto.
Los porcentajes, en vacio, no significan mucho.
Falacia de regresi贸n:
Muchos eventos fluct煤an naturalmente, por ejemplo, la temperatura promedio de una ciudad, el rendimiento de un atleta, los rendimientos de un portafolio de inversi贸n etc.
Cuando algo fluct煤a y se aplican medidas correctivas se puede creer que existe un v铆nculo de causalidad en lugar de una regresi贸n a la media.
Caemos normalmente en la falacia de regresi贸n cuando creemos por que algo fluctu茅 esto va a empeorar o mejorar depende el caso. Cuando la verdad es que en la mayor铆a todo regresa a la media .

Notas:
Caemos normalmente en la falacia de regresi贸n cuando creemos por que algo fluctu茅 esto va a empeorar o mejorar depende el caso. Cuando la verdad es que en la mayor铆a todo regresa a la media .

Evento estudiantes de Platzi
Un evento que es muy com煤n y que les podr铆a ocurrir a los estudiantes de Platzi, si llevan un seguimiento de estudio, es decir cuantas clases al d铆a se hace, probablemente si estas en este curso har谩s 4 clases(v铆deos) o mas, sin embargo si despu茅s comparas con otro cursos mas dif铆ciles donde solo har谩s 2 clases o 1 clases, entonces podr铆as llegar a la conclusi贸n que en el curso de introducci贸n al pensamiento probabilistico, tal vez estabas mas motivado o mas juicioso e hiciste mas clases sin embargo, la verdad es que esas clases de pronto eran mas f谩ciles que las de cursos mas complejos.

C贸mo no voy a olvidar este m贸dulo: 鈥渄ebo ser Jedi y no un Sith鈥.

Wao abrio un mundo de dudas esto!

![](
Vamos a lo siguiente

Cuando una criptomoneda baja demasiado, y creen que esa misma cripto va valorizarse a la misma velocidad que decreci贸 en un fututo muy pr贸ximo

Tienes que pr谩cticar en todo momento, el pensamiento probabil铆stico.

Es una habilidad, el reconocer las conclusiones estad铆sticamente v谩lidas y cu谩ndo no. Cuando tienes basura en datos o cu谩ndo tienes c谩lculo malos.

Ninguno de los principios vistos, se aplican siempre, directamente, se tienen que deducir con criterio propio.

Hay que tambi茅n tener en cuenta, que la regresi贸n a la media, se aplica para eventos que fluct煤an por naturaleza y no por eventos que puede ser alterados arbitrariamente. En caso de los eventos que pueden ser alterados, las medidas correctivas, pueden ser de alto 茅xito.

Tenemos que adelantarnos a los Trends o tendencias, para entender, que medida ser谩 煤til y no hacer cosas tan ciegamente.

Podemos tomar las acciones "correctivas" como las causantes del mejoramiento de un rendimiento o situaci贸n, sin embargo, llegar a esta conclusci贸n es llegar a un error muy grave, que es la regresi贸n a la media.

Otro fallo l贸gico, es llegar a la conclusion de que cuando algo fluct煤a y se aplican medidas correctivas se puede creer que existe un v铆nculo de causalidad en lugar de una regresi贸n a la media.

Ejemplos de regresi贸n a la media: La temperatura, el rendimiento de los atletas, los rendimientos de un portafolio de inversi贸n, etc.

Existen muchos eventos que fluct煤an naturalmente y estas fluctuaciones sufren un efecto llamado: Regresi贸n a la media. En la que se devuelven los eventos a la media de toda la vida.

Wow, sin duda que es un gran reto poder interpretar bien los datos y hacer buen uso de ellos. Pero 谩nimo, que s铆 se puede!

Mi madre con la zapatilla hacia una media correctiva y evitaba que le pisara el suelo(piso) m谩s de la cuenta, sin embargo cuando no estaba, hab铆a una regresi贸n a la media en el desorden de la casa.

si un equipo gana un mundial de futbol ,esperar que gane el proximo es un error, ya que en ese mundial tuvo un rendimiento extraordinario.

Basandome en esta secci贸n, redact茅 un art铆culo en Medium. Agradecer茅 cualquier comentario o sugerencia. Saludos!

https://roberto-terceros.medium.com/7-statistical-mistakes-you-should-avoid-at-all-costs-in-data-analysis-3a3ce5810cbe

<h4>Respondiendo del Platzi Doro</h4>

Me gustar铆a este tipo de cuestionarios peque帽os despu茅s de cada m贸dulo, en todos los cursos. 馃槂

En el trabajo como Ingeniero de Desarrollo lo aplico constantemente hago un seguimiento del rendimiento que he tenido durante el mes y basado en los resultados trato de corregir en lo que haya fallado. ya que cada caso que me asignan tiene un tiempo estimado de terminacion del caso.

Comparto mis NOTAS:
Muchos eventos fluct煤an naturalmente.
Cuando algo fluct煤a y se aplican medidas correctivas se puede creer que existe un vinculo de causalidad en lugar de una regresi贸n a la media.
Se debe tener en cuanta que solo se puede caer en esta falacia cuando los evento fluct煤an ,si no es as铆 ,pues si se puede atribuir el cambio a la medida correctiva.
Es muy importante entender cuando aplicar este principio y cuando no.
Como dato adicional: Se debe ejercitar el criterio y la intuici贸n para poder detectar estos tipos de errores.

馃槃

馃槃

los datos atipicos da帽an el modelo, toca darles tratamiento para prevenir modelos sesgados

![](

![](

Fundamental: primero entender el trend para despu茅s hacer propuestas de mejora.
De caso contrario, esas propuestas de mejor puede que sean in煤tiles y nuestra mirada sobre ella este sesgada

Me gust贸 mucho esta secci贸n, es muy importante entender estos problemas y desarrollar la intuici贸n para que no sucedan en nuestros modelos y en general no caer en ellos en nuestra vida cotidiana.

Excelente modulo del curso. El pensamiento cr铆tico es una habilidad muy 煤til en estos tiempos y en esta profesi贸n. Les comparto los titulos de libros que ayudan a desarrollar un pensamiento m谩s cr铆tico y esceptico:

  • El mundo y sus demonios, Carl Sagan
  • Thinking, fast and slow, Daniel Kahneman

algo parecido a lo de la tele de anteriores clases ahorita pasa mucho con que los videojuegos causan violencia y que ocasionan tiroteos, obviamente de los tiroteos que existen, alguna de esas personas juega videojuegos porque hay una cantidad enorme a nivel mundial, pero estad铆sticamente en EEUU hay m谩s o menos la misma cantidad de personas que juegan videojuegos que en Europa y en esta 煤ltima no hay tantos tiroteos escolares, por lo que el problema est谩 en otro lado

En l贸gica, la falacia de la regresi贸n o falacia del retroceso es una falacia en la que se asume una causa donde no existe. 鈥 Esta falacia se denomina 芦de retroceso禄 porque se produce cuando se asocia una causa simple a la desaparici贸n o retroceso de un factor. Conduce a las supersticiones y al pensamiento m谩gico.

Incre铆blemente util para obtener datos fiables y comprender mejor el mundo. Muchas gracias

Es la media noche, tengo mucho hype por la siguiente clase!!! Ya sera ma帽ana

muy interesante la verdad me ha abierto los ojos

Una falacia que ocurre com煤nmente sobre la coyuntura actual (COVID-19) ser铆a decir por ejemplo que que un lugar 鈥淴鈥 con 100 habitantes y 20 contagiados tiene menor impacto cr铆tico que un lugar 鈥淵鈥 con 10000 habitantes y 500 contagiados. Es un error ya que solo se compara la cantidad de contagiados m谩s no se analiza con el n煤mero de habitantes. En el lugar 鈥淵鈥 tiene un 5% de contagio y en el lugar 鈥淴鈥 tiene un mayor porcentaje del 20% de su poblaci贸n. Adem谩s que existen otras variables importantes a considerar, como el n煤mero de test que se realiza. Para esto un aspecto importante de visualizar la data es la NORMALIZACI脫N.

Este art铆culo explica de forma muy interesante esto: https://medium.com/@rburhum/un-sem谩foro-para-el-huayno-33588eb4db4b

![](

https://psicologiaymente.com/inteligencia/tipos-falacias-logicas-argumentativas
https://www.bitbrain.com/es/blog/sesgos-cognitivos
Aqu铆 les dejo dos art铆culos donde mencionan muchas m谩s. No est谩n enfocadas a estad铆stica, pero la mayor铆a llegan a ocurrir dentro de este campo.

iba a hacer lo de la tabla hasta que me di cuenta de que ya ven铆an las respuestas, mejor decid铆 evitar la fatiga.

![](

Les Recomiendo el Libro 鈥淧ensar R谩pido, Pensar Despacio鈥 de Daniel Kahnemann que entra en detalle con 52 de estos errores de l贸gica o Sesgos Cognitivos. Ah铆 nos menciona ejemplos s煤per pr谩cticos y sobretodo como superarlos.
.
Estoy seguro que s铆 debe existir el libro en PDF ah铆 por internet =)

Un peque帽o resumen de mentiras estad铆sticas y el ejercicio

MENTIRAS ESTAD脥STICAS

GARBAGE IN - GARBAGE OUT (GIGO)

Si metes basura, sacar谩s basura.

  • La calidad de datos es igual o m谩s importante que la precisi贸n de los c贸mputos.
  • Con datos errados, las conclusiones ser谩n erradas.

IM脕GENES ENGA脩OSAS

Error com煤n > extrapolar conclusiones anticipadamente despu茅s de ver una imagen.

  • Las visualizaciones son importantes para entender el conjunto de datos.
  • Nunca confiar en una gr谩fica sin escalas o etiquetas.

CUM HOC ERGO PROPTER HOC

  • La correlaci贸n entre dos variables no significa causalidad.
  • Dos variables est谩n positivamente correlacionadas cuando se mueven en la misma direcci贸n y negativamente cuando correlacionadas cuando se mueven en direcciones opuestas.
  • Se debe salir de esto imaginando que otras causas o variables pueden estar detr谩s de la hip贸tesis para sacar el resultado acertado.

PREJUICIO EN EL MUESTREO

  • Para que un muestreo pueda servir como base para la inferencia estad铆stica tiene que ser aleatorio y representativo.
  • El prejuicio en el muestreo elimina la representatividad de las muestras.

FALACIA DEL FRANCOTIRADOR DE TEXAS (SHARPSHOOTER FALLACY)

  • Se da cuando no se toma la aleatoriedad en consideraci贸n
  • Cuando se enfoca en similitudes e ignora las diferencias
  • Cuando fallamos al tener una hip贸tesis antes de recolectar datos estamos en riesgo de esta falacia.
  • La hip贸tesis va primero y luego la recolecci贸n de datos.

PORCENTAJES CONFUSOS

  • Cuando no sabemos la cuenta total del cual se obtiene un porcentaje.
  • Siempre necesitamos contexto. Sin contexto la informaci贸n no sirve para nada.
  • Importante ser esc茅ptico con porcentajes que no llevan contextos.

FALACIA DE REGRESI脫N

  • Cuando algo fluct煤a y se aplican medidas correctivas se puede creer que existe un v铆nculo de causalidad en lugar de una regresi贸n a la media.
  • Normalmente despu茅s de un evento negativo existe la regresi贸n a la media.
  • Se necesita evaluar cada situaci贸n para determinar si algo sucede por fluctuaci贸n 鈥渘atural鈥 o no.

El ejercicio:

Segun entiendo Solo podemos aplicar este razonamiento cuando tenemos eventos que fluctuan naturalmente.

Pero no me quedo claro que significa 鈥渇luctuan naturalmente鈥. No entiendo. Soy evento que pasa sin la intervencion de nosotros? o son naturales por que vuelven a la media solos?

Pero como sabemos que vuelven a la media solos? hay que experimentar y dejar que el tiempo pase para confirmarlo??

Estoy confudido con eso

Otro ejemplo es en las finanzas, Con una estrategia de inversi贸n se puede tener una racha mala, y el error es considerar que tu estrategia de inversi贸n ya no funciona y decidir cambiarla. Ya que luego de esa racha lo mas probable es que exista una regresi贸n a la media y contin煤e con los rendimientos normales.

mis respuestas respecto a la actividad

El libro 鈥淭hinking, fast & slow鈥 de Kahneman trata muchas de estas falacias y los procesos que sigue nuestra mente para incurrir en ellos. Es muy 煤til para aprender como evitarlos. 鈥淢ind what you have learnt, save you it can鈥: Master Yoda.

Listo!

![](

Falacia de regresi贸n


  • Muchos eventos que fluct煤an naturalmente, por ejemplo, la temperatura promedio de una ciudad, el rendimiento de un atleta, los rendimientos de un portafolio de inversi贸n, etc.
  • Cuando algo fluct煤a y se aplican medidas correctivas se puede creer que existe un v铆nculo de causalidad en lugar de una regresi贸n a la media. Pj. Si tienes un estudiante que est谩 teniendo una racha de malas calificaciones, lo castigas y vuelve a ser el estudiante que era antes, puedes caer en el error de pensar que las medidas correctivas fueron las que lo hicieron mejorar.
  • Es muy com煤n en las personas que piensan que castigar es mejor que premiar (no hagan eso banda).
  • Es importante entender cuando aplicar los principios y cuando no. Pj. Cuando no existen eventos que fluct煤an naturalmente y se ejecuta una medida correctiva como lo fue el 鈥楧 Day鈥 o invasi贸n a Normand铆a, hay veces que esta medida si tiene efectos, como fue el caso de esta.

Consejos:
- Ninguno de estos principios se aplican directamente, tienes que ejercitar tu criterio personal, desarrollar tu intuici贸n para as铆 poder detectar cuando estas frente algo v谩lido y cu谩ndo no. Esto va a ayudarnos en muchas instancias de la vida. 馃

**NOTA: Estos no son los 煤nicos errores en los cuales puedas caer, son algunos de los m谩s importantes. **

puede ser una falacia que castigando se aprenda, en mi caso le cojo pereza a la materia por la cual me castigan

Falacia de Regresi贸n

  • Cuando un evento, que normalmente fluct煤a, y que se cree que una acci贸n correctiva tuvo un impacto directo en el cambio. Lo m谩s probable es que haya sucedo una regresi贸n a la media.

Les dejo mi resultado del reto!