cum huc ergo propter hoc (“Después de esto, eso; entonces a consecuencia de esto eso” ) Es una falacia que se da en estadística al encontrar correlaciones entre eventos que parecieran tener relación causal. Por ejemplo la venta de vuelos aumentaron a principios de noviembre , y a principios de diciembre los incendios en casa aumentan, por lo tanto viajar provoca mas incendios en casa. Otro ejemplo, la venta de helados tiene una correlación positiva con los accidentes de trafico, por lo tanto las ventas de helados provocan mas accidentes. Y así con eventos que están correlacionados estadísticamente pero no necesariamente tienen una relación causal (pues correlación no implica causalidad). Este tipo de errores se dan por la manera en que pensamos de echo es el tercer nivel de bugs para llegar a conclusiones, primero están los errores de sintaxis, luego de lógica y estos son los de estructuras de pensamientos. Excelente clase profe!
Introducción al curso
Lo que aprenderás sobre álgebra lineal: vectores
Vectores
Algunos objetos matemáticos: vectores y escalares
Convención en notación
Comienza a utilizar vectores en Python
Adición entre vectores
Suma de vectores en Python
Producto escalar-vector
Producto escalar-vector en Python
Producto interno
Producto interno en Python
Proyecto: análisis de sentimientos
Funciones lineales
Funciones lineales
Algunas funciones lineales
Un teorema en funciones lineales
Funciones afines
Aproximaciones de Taylor
Ejemplo en aproximaciones de Taylor
Un modelo de regresión
Norma y distancia
Cómo calcular distancias de vectores
Distancia entre vectores
Distancia entre vectores y búsqueda de departamento
Desviación estándar
Cálculo de riesgo en inversiones
Ángulo entre vectores y correlación
Clustering
¿Qué es y por qué clustering?
Una aproximación: K-Means
K-Means en Python
Cierre
Cierre y despedida
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Ángulo entre vectores y correlación
24/28Aportes 11
Preguntas 1
Les comparto una página que recopila correlaciones curiosas
Recuerden siempre: Correlación no implica causalidad 👾
¡Es muy importante para recordar!
Entender la correlación es fundamental para poder entender los fenómenos con series de tiempo.
Sin embargo, hay que recordar que correlación no significa causalidad.
Puede que tengamos falsos positivos en las correlaciones aunque sí las comprobemos.
En el código cuando el profesor usar la notacion
ax.set_xlabel(r'$a_{i}$')
la r significa que lo que se va a pasar luego es raw text o texto crudo.
Hola, acá una explicación de los tipos de correlaciones.
correlación no necesariamente implica causalidad!
El mejor ejemplo de correlación que se me ocurre es: Entre más tiempo de estudio se dedique, mejores puntajes se obtendrá-
Una pequeña corrección, en el minuto 6:30 dice que la correlación es muy cercana a 0 y negativa, en realidad es muy cercana a 1 pero negativa.
Un sitio web con varias recopilaciones de correlaciones extrañas:
tylergiven.com
import numpy as np
# Vectores de accidentes de patines
accidents1 = np.array([10, 15, 12, 8, 6])
accidents2 = np.array([8, 10, 14, 9, 5])
# Cálculo del ángulo entre los vectores
angle = np.arccos(np.dot(accidents1, accidents2) / (np.linalg.norm(accidents1) * np.linalg.norm(accidents2)))
angle_degrees = np.degrees(angle)
print("Ángulo entre los vectores (en radianes):", angle)
print("Ángulo entre los vectores (en grados):", angle_degrees)
import numpy as np
# Vectores de accidentes de patines
accidents1 = np.array([10, 15, 12, 8, 6])
accidents2 = np.array([8, 10, 14, 9, 5])
# Cálculo de la correlación entre los vectores
correlation = np.corrcoef(accidents1, accidents2)[0, 1]
print("Correlación entre los vectores:", correlation)
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?