< Return to Video

Intro to Linear Regression

  • 0:00 - 0:04
    ♪ [música] ♪
  • 0:21 - 0:22
    [Thomas Stratmann] Hola.
  • 0:22 - 0:24
    En las próximas series de videos
  • 0:24 - 0:27
    les vamos a dar una herramienta
    nueva muy útil
  • 0:27 - 0:30
    para ponerla en su caja de herramientas
    de Understanding Data
  • 0:30 - 0:32
    regresión lineal.
  • 0:33 - 0:35
    Imaginemos que tiene esta teoría.
  • 0:35 - 0:37
    Ha visto que personas atractivas
    parecen tener ventajas especiales.
  • 0:37 - 0:39
  • 0:40 - 0:41
    Y se pregunta
  • 0:41 - 0:44
    "¿Dónde más se podría ver este fenómeno?".
  • 0:44 - 0:46
    ¿Qué tal el caso de los profesores?
  • 0:46 - 0:48
    ¿Es posible que los profesores atractivos
    obtengan ventajas especiales también?
  • 0:48 - 0:50
  • 0:50 - 0:54
    ¿Es posible que los estudiantes
    los traten mejor
  • 0:54 - 0:57
    llenándolos de evaluaciones
    mejores de los estudiantes?
  • 0:58 - 1:00
    Si es así, ¿el efecto de la apariencia
  • 1:00 - 1:04
    en las evaluaciones
    es grande o muy pequeño?
  • 1:04 - 1:08
    Supongamos que un profesor nuevo
    está comenzando en una universidad.
  • 1:08 - 1:09
    Buenos días, amigos.
  • 1:09 - 1:12
    ¿Qué podemos predecir sobre su evaluación
  • 1:12 - 1:13
    con solo mirar su apariencia?
  • 1:14 - 1:17
    Dado que estas evaluaciones
    pueden determinar los aumentos salariales
  • 1:18 - 1:22
    si esta teoría fuera cierta,
    veríamos a profesores recurrir
  • 1:22 - 1:25
    a tácticas sorprendentes
    para mejorar sus puntajes.
  • 1:25 - 1:26
  • 1:26 - 1:27
    Supongamos que quería saber
  • 1:27 - 1:31
    si las evaluaciones mejoran
    con una mejor apariencia.
  • 1:31 - 1:34
    ¿Cómo haría para probar esta hipótesis?
  • 1:35 - 1:37
    Podría recolectar datos.
  • 1:37 - 1:40
    Primero, le pediría a los estudiantes
    que califiquen en una escala del 1 al 10
  • 1:40 - 1:42
    qué tan apuesto les parece un profesor
  • 1:42 - 1:45
    lo que les da un puntaje
    de atractivo promedio.
  • 1:45 - 1:49
    Luego, puede extraer las evaluaciones
    de enseñanza del profesor
  • 1:49 - 1:50
    de 25 estudiantes.
  • 1:50 - 1:53
    Veamos estas dos variables al mismo tiempo
  • 1:53 - 1:55
    usando una dispersión.
  • 1:55 - 1:57
    Pondremos el atractivo
    en el eje horizontal
  • 1:58 - 2:01
    y las evaluaciones del profesor
    en el eje vertical.
  • 2:01 - 2:05
    Por ejemplo, este punto
    representa al profesor Peate
  • 2:05 - 2:06
  • 2:06 - 2:09
    que recibió un puntaje de atractivo de 3
  • 2:09 - 2:12
    y una evaluación de 8.425.
  • 2:12 - 2:15
    Este de aquí es el profesor Helmchen
  • 2:15 - 2:17
    que es muy atractivo.
  • 2:17 - 2:19
    Y obtuvo un puntaje de atractivo alto
  • 2:19 - 2:21
    pero una evaluación no muy buena.
  • 2:21 - 2:22
    ¿Pueden ver una tendencia?
  • 2:22 - 2:26
    Mientras nos movemos
    de izquierda a derecha
  • 2:26 - 2:28
    en el eje horizontal,
    de lo feo a lo atractivo
  • 2:28 - 2:31
    vemos una tendencia ascendente
    en los puntajes de evaluación.
  • 2:32 - 2:35
    Por cierto, los datos
    que revisamos en estas series
  • 2:35 - 2:39
    no son inventados
  • 2:39 - 2:41
    vienen de un estudio real,
    realizado en la Universidad de Texas.
  • 2:41 - 2:46
    Si se preguntan, "pulcritud" es una manera
    elegante y académica
  • 2:46 - 2:48
    de referirse a lo atractivo.
  • 2:48 - 2:51
    Con las dispersiones, puede ser difícil
  • 2:51 - 2:56
    distinguir la relación exacta
    entre dos variables
  • 2:56 - 2:59
    sobre todo, cuando los valores
    fluctúan un poco
  • 2:59 - 3:01
    si nos desplazamos de izquierda a derecha.
  • 3:02 - 3:05
    Una manera de suprimir esta fluctuación
  • 3:05 - 3:08
    es dibujando una línea recta
    a través de la nube de datos
  • 3:08 - 3:11
    de manera que esta línea resuma los datos
  • 3:11 - 3:13
  • 3:13 - 3:17
  • 3:18 - 3:21
  • 3:21 - 3:24
  • 3:24 - 3:26
  • 3:27 - 3:30
  • 3:30 - 3:33
  • 3:33 - 3:35
  • 3:36 - 3:40
  • 3:41 - 3:44
  • 3:44 - 3:46
  • 3:46 - 3:50
  • 3:50 - 3:53
  • 3:54 - 3:56
  • 3:56 - 3:59
  • 4:00 - 4:04
  • 4:04 - 4:07
  • 4:08 - 4:11
  • 4:11 - 4:14
  • 4:14 - 4:17
  • 4:18 - 4:21
  • 4:22 - 4:26
  • 4:26 - 4:28
  • 4:28 - 4:30
  • 4:30 - 4:31
  • 4:31 - 4:34
  • 4:35 - 4:37
  • 4:37 - 4:39
  • 4:39 - 4:42
  • 4:42 - 4:44
  • 4:45 - 4:48
  • 4:48 - 4:50
  • 4:50 - 4:52
  • 4:53 - 4:55
  • 4:55 - 4:58
  • 4:59 - 5:00
  • 5:00 - 5:04
  • 5:04 - 5:07
  • 5:07 - 5:10
  • 5:10 - 5:12
  • 5:12 - 5:16
  • 5:16 - 5:19
  • 5:19 - 5:23
  • 5:24 - 5:28
  • 5:28 - 5:32
  • 5:32 - 5:34
  • 5:34 - 5:37
  • 5:38 - 5:40
  • 5:40 - 5:44
  • 5:44 - 5:46
  • 5:46 - 5:50
  • 5:50 - 5:54
  • 5:54 - 5:55
  • 5:55 - 5:58
  • 5:59 - 6:02
  • 6:02 - 6:06
  • 6:07 - 6:10
  • 6:10 - 6:15
  • 6:15 - 6:19
  • 6:19 - 6:22
  • 6:22 - 6:24
  • 6:24 - 6:26
  • 6:26 - 6:28
  • 6:28 - 6:31
  • 6:32 - 6:36
  • 6:36 - 6:39
  • 6:41 - 6:42
  • 6:42 - 6:45
  • 6:46 - 6:47
  • 6:47 - 6:49
  • 6:49 - 6:50
  • 6:51 - 6:54
  • 6:54 - 6:55
  • 6:56 - 6:58
  • 6:58 - 7:02
  • 7:02 - 7:04
Title:
Intro to Linear Regression
Description:
more » « less
Video Language:
English
Team:
Marginal Revolution University
Project:
Understanding Data
Duration:
07:05
Stephanie Rendón de la Torre approved Spanish subtitles for Intro to Linear Regression
Stephanie Rendón de la Torre accepted Spanish subtitles for Intro to Linear Regression
Stephanie Rendón de la Torre edited Spanish subtitles for Intro to Linear Regression
Moises Gonzalez edited Spanish subtitles for Intro to Linear Regression
Moises Gonzalez edited Spanish subtitles for Intro to Linear Regression
Moises Gonzalez edited Spanish subtitles for Intro to Linear Regression
Moises Gonzalez edited Spanish subtitles for Intro to Linear Regression
Moises Gonzalez edited Spanish subtitles for Intro to Linear Regression
Show all

Spanish subtitles

Revisions Compare revisions

Our website uses cookies for analysis purposes.