[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.09,0:00:06.94,Default,,0000,0000,0000,,♪ [música] ♪
Dialogue: 0,0:00:20.83,0:00:22.03,Default,,0000,0000,0000,,[Thomas Stratmann] Hola.
Dialogue: 0,0:00:22.03,0:00:24.13,Default,,0000,0000,0000,,En las próximas series de videos
Dialogue: 0,0:00:24.13,0:00:26.81,Default,,0000,0000,0000,,les vamos a dar una herramienta\Nnueva muy útil
Dialogue: 0,0:00:26.81,0:00:30.33,Default,,0000,0000,0000,,para ponerla en su caja de herramientas\Nde {\i1}Understanding Data{\i0}
Dialogue: 0,0:00:30.33,0:00:31.98,Default,,0000,0000,0000,,regresión lineal.
Dialogue: 0,0:00:32.68,0:00:34.61,Default,,0000,0000,0000,,Imaginemos que tiene esta teoría.
Dialogue: 0,0:00:34.61,0:00:39.19,Default,,0000,0000,0000,,Ha visto que las personas atractivas\Nparecen tener ventajas especiales.
Dialogue: 0,0:00:39.46,0:00:40.73,Default,,0000,0000,0000,,Y se pregunta
Dialogue: 0,0:00:40.73,0:00:43.75,Default,,0000,0000,0000,,"¿Dónde más se podría ver este fenómeno?".
Dialogue: 0,0:00:43.75,0:00:45.57,Default,,0000,0000,0000,,¿Qué tal el caso de los profesores?
Dialogue: 0,0:00:45.57,0:00:49.93,Default,,0000,0000,0000,,¿Es posible que los profesores atractivos\Nobtengan ventajas especiales también?
Dialogue: 0,0:00:49.93,0:00:53.78,Default,,0000,0000,0000,,¿Es posible que los estudiantes\Nlos traten mejor
Dialogue: 0,0:00:53.78,0:00:57.35,Default,,0000,0000,0000,,con evaluaciones\Nmejores de los estudiantes?
Dialogue: 0,0:00:57.76,0:01:00.43,Default,,0000,0000,0000,,Si es así, ¿el efecto de la apariencia
Dialogue: 0,0:01:00.43,0:01:03.62,Default,,0000,0000,0000,,en las evaluaciones\Nes grande o muy pequeño?
Dialogue: 0,0:01:04.06,0:01:08.20,Default,,0000,0000,0000,,Supongamos que un profesor nuevo\Nestá comenzando en una universidad.
Dialogue: 0,0:01:08.20,0:01:13.48,Default,,0000,0000,0000,,¿Qué podemos predecir sobre su evaluación\Ncon solo mirar su apariencia?
Dialogue: 0,0:01:13.83,0:01:17.26,Default,,0000,0000,0000,,Dado que estas evaluaciones\Npueden determinar los aumentos salariales
Dialogue: 0,0:01:17.26,0:01:21.62,Default,,0000,0000,0000,,si esta teoría fuera cierta,\Nveríamos a profesores recurrir
Dialogue: 0,0:01:21.62,0:01:24.100,Default,,0000,0000,0000,,a tácticas sorprendentes\Npara mejorar sus puntajes.
Dialogue: 0,0:01:25.33,0:01:27.29,Default,,0000,0000,0000,,Supongamos que quería saber
Dialogue: 0,0:01:27.29,0:01:30.81,Default,,0000,0000,0000,,si las evaluaciones mejoran\Ncon una mejor apariencia.
Dialogue: 0,0:01:31.26,0:01:34.48,Default,,0000,0000,0000,,¿Cómo haría para probar esta hipótesis?
Dialogue: 0,0:01:34.86,0:01:36.33,Default,,0000,0000,0000,,Podría recolectar datos.
Dialogue: 0,0:01:36.33,0:01:40.02,Default,,0000,0000,0000,,Primero, le pediría a los estudiantes\Nque califiquen en una escala del 1 al 10
Dialogue: 0,0:01:40.02,0:01:42.03,Default,,0000,0000,0000,,qué tan apuesto les parece un profesor
Dialogue: 0,0:01:42.03,0:01:44.95,Default,,0000,0000,0000,,lo que les da un puntaje\Nde atractivo promedio.
Dialogue: 0,0:01:44.95,0:01:48.55,Default,,0000,0000,0000,,Luego, puede extraer las evaluaciones\Nde enseñanza del profesor
Dialogue: 0,0:01:48.55,0:01:50.36,Default,,0000,0000,0000,,de 25 estudiantes.
Dialogue: 0,0:01:50.36,0:01:53.20,Default,,0000,0000,0000,,Veamos estas dos variables al mismo tiempo
Dialogue: 0,0:01:53.20,0:01:54.77,Default,,0000,0000,0000,,usando una dispersión.
Dialogue: 0,0:01:54.77,0:01:57.51,Default,,0000,0000,0000,,Pondremos el atractivo\Nen el eje horizontal
Dialogue: 0,0:01:57.51,0:02:00.72,Default,,0000,0000,0000,,y las evaluaciones del profesor\Nen el eje vertical.
Dialogue: 0,0:02:01.09,0:02:05.44,Default,,0000,0000,0000,,Por ejemplo, este punto\Nrepresenta al profesor Peate
Dialogue: 0,0:02:06.08,0:02:08.81,Default,,0000,0000,0000,,que recibió un puntaje de atractivo de 3
Dialogue: 0,0:02:08.81,0:02:11.85,Default,,0000,0000,0000,,y una evaluación de 8.425.
Dialogue: 0,0:02:11.85,0:02:14.92,Default,,0000,0000,0000,,Este de aquí es el profesor Helmchen
Dialogue: 0,0:02:14.92,0:02:16.63,Default,,0000,0000,0000,,que es muy atractivo.
Dialogue: 0,0:02:16.63,0:02:20.72,Default,,0000,0000,0000,,Y obtuvo un puntaje de atractivo alto,\Npero una evaluación no muy buena.
Dialogue: 0,0:02:20.72,0:02:22.18,Default,,0000,0000,0000,,¿Pueden ver una tendencia?
Dialogue: 0,0:02:22.18,0:02:24.48,Default,,0000,0000,0000,,Mientras nos movemos\Nde izquierda a derecha
Dialogue: 0,0:02:24.48,0:02:27.75,Default,,0000,0000,0000,,en el eje horizontal,\Nde lo feo a lo atractivo
Dialogue: 0,0:02:27.75,0:02:31.37,Default,,0000,0000,0000,,vemos una tendencia ascendente\Nen los puntajes de evaluación.
Dialogue: 0,0:02:31.68,0:02:35.13,Default,,0000,0000,0000,,Por cierto, los datos\Nque revisamos en estas series
Dialogue: 0,0:02:35.13,0:02:36.62,Default,,0000,0000,0000,,no son inventados
Dialogue: 0,0:02:36.62,0:02:40.91,Default,,0000,0000,0000,,pertenecen a un estudio real,\Nrealizado en la Universidad de Texas.
Dialogue: 0,0:02:41.22,0:02:46.02,Default,,0000,0000,0000,,Si se preguntan, "pulcritud" es\Nuna manera elegante y académica
Dialogue: 0,0:02:46.02,0:02:47.97,Default,,0000,0000,0000,,de referirse a lo atractivo.
Dialogue: 0,0:02:48.30,0:02:51.41,Default,,0000,0000,0000,,Con las dispersiones, puede ser difícil
Dialogue: 0,0:02:51.41,0:02:55.40,Default,,0000,0000,0000,,distinguir la relación exacta\Nentre dos variables
Dialogue: 0,0:02:55.40,0:02:59.01,Default,,0000,0000,0000,,sobre todo, cuando los valores\Nfluctúan un poco
Dialogue: 0,0:02:59.01,0:03:01.45,Default,,0000,0000,0000,,si nos desplazamos de izquierda a derecha.
Dialogue: 0,0:03:01.91,0:03:04.72,Default,,0000,0000,0000,,Una manera de suprimir esta fluctuación
Dialogue: 0,0:03:04.72,0:03:08.08,Default,,0000,0000,0000,,es dibujando una línea recta\Na través de la nube de datos
Dialogue: 0,0:03:08.08,0:03:10.64,Default,,0000,0000,0000,,de manera que esta línea resuma los datos
Dialogue: 0,0:03:10.64,0:03:12.65,Default,,0000,0000,0000,,lo más aproximado posible.
Dialogue: 0,0:03:13.14,0:03:17.27,Default,,0000,0000,0000,,El término técnico para esto\Nes "regresión lineal".
Dialogue: 0,0:03:17.64,0:03:20.81,Default,,0000,0000,0000,,Más adelante, hablaremos\Nsobre cómo se crea esta línea
Dialogue: 0,0:03:20.81,0:03:24.18,Default,,0000,0000,0000,,pero por ahora supongamos\Nque la línea encaja con los datos
Dialogue: 0,0:03:24.18,0:03:26.48,Default,,0000,0000,0000,,lo más aproximado posible.
Dialogue: 0,0:03:26.99,0:03:29.70,Default,,0000,0000,0000,,¿Qué nos puede decir esta línea?
Dialogue: 0,0:03:29.70,0:03:32.36,Default,,0000,0000,0000,,Primero, vemos rápidamente
Dialogue: 0,0:03:32.36,0:03:35.43,Default,,0000,0000,0000,,si la línea se inclina\Nhacia arriba o hacia abajo.
Dialogue: 0,0:03:35.91,0:03:39.97,Default,,0000,0000,0000,,En nuestro conjunto de datos, vemos\Nque la línea se inclina hacia arriba.
Dialogue: 0,0:03:40.62,0:03:43.67,Default,,0000,0000,0000,,Esto confirma lo que especulamos antes
Dialogue: 0,0:03:43.67,0:03:45.60,Default,,0000,0000,0000,,con solo observar la dispersión.
Dialogue: 0,0:03:46.00,0:03:49.99,Default,,0000,0000,0000,,La pendiente ascendente significa\Nque existe una asociación positiva
Dialogue: 0,0:03:49.99,0:03:53.16,Default,,0000,0000,0000,,entre los puntajes\Nde atractivo y de evaluación.
Dialogue: 0,0:03:53.16,0:03:55.73,Default,,0000,0000,0000,,En otras palabras, en promedio
Dialogue: 0,0:03:55.73,0:03:59.50,Default,,0000,0000,0000,,los profesores más atractivos\Nobtienen mejores evaluaciones.
Dialogue: 0,0:03:59.50,0:04:04.02,Default,,0000,0000,0000,,Para otros conjuntos de datos,\Npodríamos ver una asociación más fuerte
Dialogue: 0,0:04:04.02,0:04:07.52,Default,,0000,0000,0000,,o podría haber una asociación negativa.
Dialogue: 0,0:04:07.82,0:04:10.78,Default,,0000,0000,0000,,O quizás no obtendría ninguna asociación.
Dialogue: 0,0:04:10.78,0:04:13.98,Default,,0000,0000,0000,,Y nuestras líneas\Nno tienen que ser rectas.
Dialogue: 0,0:04:14.36,0:04:17.30,Default,,0000,0000,0000,,Pueden ser una curva para encajar\Nlos datos cuando sea necesario.
Dialogue: 0,0:04:17.77,0:04:21.26,Default,,0000,0000,0000,,Esta línea también nos brinda\Nuna manera de predecir los resultados.
Dialogue: 0,0:04:21.58,0:04:25.57,Default,,0000,0000,0000,,Podemos tomar un puntaje de atractivo\Ny medir la línea
Dialogue: 0,0:04:25.57,0:04:28.43,Default,,0000,0000,0000,,de lo que sería el puntaje\Nde evaluación predicho.
Dialogue: 0,0:04:28.43,0:04:30.23,Default,,0000,0000,0000,,Ahora volvamos al profesor nuevo.
Dialogue: 0,0:04:30.23,0:04:31.30,Default,,0000,0000,0000,,
Dialogue: 0,0:04:31.30,0:04:34.11,Default,,0000,0000,0000,,Podemos medir con precisión\Nsu puntaje de evaluación.
Dialogue: 0,0:04:34.68,0:04:36.75,Default,,0000,0000,0000,,Pero esperen un momento
Dialogue: 0,0:04:37.02,0:04:38.75,Default,,0000,0000,0000,,¿podemos confiar en esta predicción?
Dialogue: 0,0:04:39.23,0:04:41.66,Default,,0000,0000,0000,,¿Qué tan bien esta variable de atractivo
Dialogue: 0,0:04:41.66,0:04:43.52,Default,,0000,0000,0000,,predice las evaluaciones?
Dialogue: 0,0:04:44.84,0:04:47.89,Default,,0000,0000,0000,,La regresión lineal nos brinda\Nalgunas medidas útiles
Dialogue: 0,0:04:47.89,0:04:49.77,Default,,0000,0000,0000,,para responder esas preguntas
Dialogue: 0,0:04:49.77,0:04:52.04,Default,,0000,0000,0000,,de las cuales hablaremos\Nen un próximo video.
Dialogue: 0,0:04:52.84,0:04:55.44,Default,,0000,0000,0000,,Además, debemos tener cuidado\Nde otros inconvenientes
Dialogue: 0,0:04:55.44,0:04:58.34,Default,,0000,0000,0000,,antes de llegar\Na conclusiones definitivas.
Dialogue: 0,0:04:58.83,0:05:00.43,Default,,0000,0000,0000,,Imaginemos un escenario
Dialogue: 0,0:05:00.43,0:05:03.64,Default,,0000,0000,0000,,donde lo que está impulsando\Nla asociación que vemos
Dialogue: 0,0:05:03.64,0:05:06.90,Default,,0000,0000,0000,,es una tercera variable\Nque dejamos de lado.
Dialogue: 0,0:05:07.34,0:05:09.96,Default,,0000,0000,0000,,Por ejemplo, la dificultad del curso
Dialogue: 0,0:05:09.96,0:05:12.46,Default,,0000,0000,0000,,podría estar\Ndetrás de la asociación positiva
Dialogue: 0,0:05:12.46,0:05:15.64,Default,,0000,0000,0000,,entre las tasas de atractivo\Ny los puntajes de evaluación.
Dialogue: 0,0:05:16.05,0:05:18.96,Default,,0000,0000,0000,,Los cursos introductorios fáciles\Nobtienen evaluaciones buenas
Dialogue: 0,0:05:19.23,0:05:22.97,Default,,0000,0000,0000,,y los cursos más difíciles y avanzados\Nobtienen evaluaciones malas.
Dialogue: 0,0:05:23.66,0:05:27.67,Default,,0000,0000,0000,,Los profesores jóvenes pueden ser\Nasignados a los cursos introductorios.
Dialogue: 0,0:05:28.08,0:05:32.10,Default,,0000,0000,0000,,Entonces, si los estudiantes piensan\Nque los profesores más jóvenes...
Dialogue: 0,0:05:32.10,0:05:34.34,Default,,0000,0000,0000,,encontrarán una asociación positiva
Dialogue: 0,0:05:34.34,0:05:37.38,Default,,0000,0000,0000,,entre las tasas de atractivo\Ny los puntajes de evaluación.
Dialogue: 0,0:05:37.86,0:05:40.39,Default,,0000,0000,0000,,Pero la dificultad del curso
Dialogue: 0,0:05:40.39,0:05:43.54,Default,,0000,0000,0000,,la variable que dejamos de lado,\Ny no la parte del atractivo
Dialogue: 0,0:05:43.54,0:05:45.85,Default,,0000,0000,0000,,lo que está impulsando\Nlos puntajes de evaluaciones.
Dialogue: 0,0:05:46.35,0:05:49.81,Default,,0000,0000,0000,,En ese caso, las horas en el espejo\Nno servirían de nada
Dialogue: 0,0:05:50.29,0:05:53.62,Default,,0000,0000,0000,,un caso de correlación erróneo\Npor causalidad.
Dialogue: 0,0:05:53.62,0:05:54.90,Default,,0000,0000,0000,,
Dialogue: 0,0:05:54.90,0:05:58.17,Default,,0000,0000,0000,,Hablaremos sobre esto en otro video.
Dialogue: 0,0:05:58.92,0:06:02.07,Default,,0000,0000,0000,,¿Y qué sucedería si hubiera\Notras variables importantes
Dialogue: 0,0:06:02.07,0:06:05.78,Default,,0000,0000,0000,,que afecten tanto las tasas de atractivo\Ncomo los puntajes de evaluación?
Dialogue: 0,0:06:06.63,0:06:09.58,Default,,0000,0000,0000,,Podría querer agregar consideraciones\Ncomo la habilidad, la raza, el sexo
Dialogue: 0,0:06:09.85,0:06:14.58,Default,,0000,0000,0000,,y si el idioma inglés es\Nla lengua nativa del profesor
Dialogue: 0,0:06:14.58,0:06:18.99,Default,,0000,0000,0000,,para aislar más el efecto\Ndel atractivo en las evaluaciones.
Dialogue: 0,0:06:19.41,0:06:21.76,Default,,0000,0000,0000,,Cuando tenemos una regresión múltiple
Dialogue: 0,0:06:21.76,0:06:24.48,Default,,0000,0000,0000,,podremos medir el impacto del atractivo
Dialogue: 0,0:06:24.48,0:06:26.22,Default,,0000,0000,0000,,en las evaluaciones del profesor
Dialogue: 0,0:06:26.22,0:06:28.37,Default,,0000,0000,0000,,mientras consideramos otras variables
Dialogue: 0,0:06:28.37,0:06:30.74,Default,,0000,0000,0000,,que podrían confundir esta asociación.
Dialogue: 0,0:06:31.76,0:06:35.51,Default,,0000,0000,0000,,En el próximo episodio,\Njugaremos un poco con estos datos
Dialogue: 0,0:06:35.51,0:06:39.07,Default,,0000,0000,0000,,para obtener un mejor entendimiento\Nde lo que esta línea puede decirnos.
Dialogue: 0,0:06:41.17,0:06:42.44,Default,,0000,0000,0000,,[Narrador] ¡Felicitaciones!
Dialogue: 0,0:06:42.44,0:06:45.25,Default,,0000,0000,0000,,Está un paso más cerca\Nde ser un ninja de los datos.
Dialogue: 0,0:06:45.57,0:06:47.14,Default,,0000,0000,0000,,Pero para mejorar,\Nnecesita fortalecer sus habilidades
Dialogue: 0,0:06:47.14,0:06:48.70,Default,,0000,0000,0000,,
Dialogue: 0,0:06:48.70,0:06:50.40,Default,,0000,0000,0000,,con algunas preguntas de práctica.
Dialogue: 0,0:06:50.86,0:06:53.98,Default,,0000,0000,0000,,¿Listo para su próxima misión?\NHaga clic en {\i1}"Next Video"{\i0}.
Dialogue: 0,0:06:54.31,0:06:55.36,Default,,0000,0000,0000,,¿Sigue aquí?
Dialogue: 0,0:06:55.60,0:06:58.32,Default,,0000,0000,0000,,Pase de entender los datos\Na entender su mundo
Dialogue: 0,0:06:58.32,0:07:01.64,Default,,0000,0000,0000,,revisando nuestros otros videos\Npopulares de economía de MRU.
Dialogue: 0,0:07:01.89,0:07:04.41,Default,,0000,0000,0000,,♪ [música] ♪