Analiza Distribuciones de Datos con Python usando Cuantiles ➤ Cuartiles, Quintiles y Percentiles

Los cuantiles son valores que nos permiten particionar una distribución de datos en intervalos idénticos y con esto nos brindan información sobre la distribución de los datos. Los cuantiles más comunes son: los terciles, los cuartiles, los quintiles, los deciles y los percentiles. Este video explica qué es un cuantil y sus diferentes tipos. Además, se provee código para calcularlos utilizando la librería Numpy de Python.
Para citar este recurso educativo utiliza la siguiente referencia:
Gutiérrez-García, J.O. [Código Máquina]. (2022, 3 de Septiembre). Analiza Distribuciones de Datos con Python usando Cuantiles: Cuartiles, Quintiles y Percentiles [Video]. TH-cam. [Incluye aquí la URL del video]
********************************************
Para guiar tu aprendizaje, en este vínculo ( • Curso de Inteligencia ... ) se encuentra una guía secuencial para aprender:
1. Programación Básica con Python;
2. Manejo de Datos;
3. Visualización de Datos;
4. Análisis de Datos; y
5. Aprendizaje de Máquina y Ciencia de Datos.
********************************************
Índice del Video:
0:00 Introducción a los cuantiles
0:45 Tipos de cuantiles
7:31 Ejemplo de cálculo de los cuartiles
10:50 Cálculo de los cuantiles con Numpy
Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en:
/ shop
El código del video está disponible en GitHub github.com/CodigoMaquina/code
#estadística #datascience #python #cienciadedatos

[@CodigoMaquina]

Apoya a Código Máquina dando un Like, con un Super Gracias o visitando nuestra tienda en:
facebook.com/C0d1g0Maqu1na/shop

[@moises_z_torres]

Siento que se me hace mas facil aprender matematicas cuando de programacion se trata, y la forma en la que explicas es simplemente magnifico, muchas gracias !

[@CodigoMaquina]

Muchas gracias por tus comentarios Moisés, me alegra mucho saber que los videos te están ayudando. Saludos!!

[@gianfrancopalatto9373]

Gracias tus videos me han ayudado a entender y mejorar.

[@CodigoMaquina]

Gracias por compartir tus comentarios. El objetivo es justo brindar contenido educativo y me motiva leer que los videos son de utilidad.

[@andressaravia5289]

Hola Octavio, muchas gracias por los videos me han ayudado mucho a poder avanzar con mis códigos. Yo recién estoy aprendiendo todo esto de machine learning, de hecho mi formación profesional es del área de las humanidades. Por lo que me ha costado asimilar este conocimiento, pero de a poco he ido logrando dar pequeños pasos. Quería preguntarte si sabes algo de Sensitive Cost Learning o Sensitive Cost Classification. Necesito hacer unos modelos que sean capaces de hacer frente a una data desbalanceada. Y esa técnica me parece la adecuada para mi problema (ya he probado otras de submuestreo y sobremuestreo). Por favor cualquiera ayuda de algún código disponible de como aplicar esa técnica o pagina web etc. sería de mucha ayuda. Saludos y muchas gracias.

[@CodigoMaquina]

Te felicito por complementar tu perfil con conocimientos de otras áreas. Es un esfuerzo admirable. Afortunadamente tenemos un video tratando el tema de clases desbalanceadas usando precisamente costos. Échale un ojo al siguiente video: th-cam.com/video/2FbugqoBz94/w-d-xo.html

[@andrum15]

estaria bueno que compartas el codigo, no?

[@CodigoMaquina]

Tenemos el código disponible en nuestro repositorio de GitHub github.com/CodigoMaquina/code. En particular, el código de este video se encuentra en:
github.com/CodigoMaquina/code/blob/main/estadistica_ciencia_de_datos/cuantiles.ipynb