Aunque hay docenas de tipos de variables estadísticas, como regla general podemos encontrar dos tipos de variables:
- Variable cuantitativa: son variables que se expresan numéricamente.
- Variable continua: toman un valor infinito de valores entre un intervalo de datos. El tiempo que le tomó un corredor para completar el sprint de 100 metros.
- Variable discreta: toman un valor finito de valores entre un intervalo de datos. Número de helado vendido.
- Variable cualitativa: son variables que se expresan, como regla, en palabras.
- Variable nominal: expresa un nombre claramente diferenciado. Por ejemplo, el color de los ojos puede ser azul, negro, marrón, verde, etc.
Además, cada una de estas variables podría tener más subtipos, ya que tenemos variables económicas, categóricas, dicotómicas, de empleados y independientes. Es decir, como ya hemos dicho, muchos tipos de variables estadísticas. Por ejemplo, podríamos tener una variable de variable cuantitativa, discreta y dependiente.
Además, también debe aclararse que el hecho de que las variables cualitativas se expresen con nombres no significa que no puedan ser parte de un modelo matemático. Entonces podríamos crear una variable cuantitativa a partir de una variable cualitativa. Por ejemplo, para el color de los ojos podríamos asignar un 1 si tienes ojos azules, un 2 si tienes ojos verdes y un 3 si tienes ojos marrones. O, en otros casos, también podríamos convertir variables dicotómicas que indicen sí o no, en 1 o 0.
¿Qué es una variable estadística conoces?
El análisis de regresión es un método estadístico que muestra la relación entre dos o más variables. Generalmente expresado en un gráfico, el método prueba la relación entre una variable variable e independientes variables. Normalmente, la variable independiente (o variables independientes) cambia (cambio) con la variable dependiente (o las variables dependientes) y el análisis de regresión intenta descubrir qué factores son más importantes para este cambio.
Sabemos que tenemos que tomar decisiones basadas en datos, pero cuando hay literalmente millones o miles de millones de puntos de datos, ¿dónde comienza? Afortunadamente, la inteligencia artificial (IA) y el aprendizaje automático (ML) pueden tomar enormes cantidades de datos y analizarlos en unas pocas horas para que sean más asimilables. Entonces depende del analista examinar el informe más cercano.
En el mundo real, un escenario en el que se usa el análisis de regresión podría ser algo así.
Una empresa minorista necesita predecir los datos de ventas para el mes siguiente (o la variable de empleado). Es difícil saberlo, ya que hay muchas variables que rodean ese número (variables independientes): tiempo, la salida de un nuevo modelo, la que compite con los trabajos de mantenimiento en progreso en la acera exterior.
Muchos pueden tener una opinión, como la contabilidad o Rachel Bob, que ha trabajado en el departamento de ventas durante diez años. Pero el análisis de regresión revisa todas las variables medibles y puede indicar lógicamente qué tendrán un impacto. El análisis indica qué factores influirán en las ventas y cómo interactúan las variables entre sí. Esto ayuda a la empresa a tomar mejores decisiones, según los datos.
Artículos Relacionados:
