Forecasting ATM

revealjs presentation for W09 assignment for IBM 6800.

En el análisis de datos, es común explorar la relación entre dos variables utilizando medidas de asociación como la correlación de Pearson. Esta medida es adecuada cuando ambas variables son cuantitativas continuas y aproximadamente normales. Sin embargo, en la práctica, es frecuente encontrar situaciones donde una de las variables es categórica binaria, como en el caso de variables tipo "dummy" codificadas como 0 y 1. Por ejemplo, al analizar el efecto del tipo de transmisión de un vehículo (manual o automática) sobre su precio, podríamos intentar calcular la correlación entre el precio (variable cuantitativa) y una variable dummy que represente la transmisión. Aunque es técnicamente posible obtener un coeficiente de correlación de Pearson en estos casos, su interpretación es problemática. Esto se debe a que la codificación de una variable categórica como 0 y 1 es arbitraria y no refleja una escala continua o natural. La correlación calculada refleja simplemente una diferencia de medias entre los dos grupos definidos por la dummy, pero no representa una relación lineal en el sentido estricto. Por lo tanto, utilizar la correlación de Pearson en este contexto puede llevar a interpretaciones erróneas o engañosas.

Aggregate different sources like total population, health facilities, food stores, and Covid-19 data within a zip code level.

Modelos Estadísticos para la toma de decisiones Actividad 3 Módulo 1 Unidad 1