Transcripciones
1. Introducción: Esta clase muestra cómo estadísticas enfermedad para ocultar
la verdad con el fin manipular nuestras
decisiones y cómo
podemos detectar estos trucos
para tomar mejores decisiones. Hola. Soy experta en
ciencias cognitivas con más de 25 años de experiencia en Estados Unidos, India, Oriente Medio
y Sudáfrica. Vivimos en una era de la información. Necesitamos usar datos para
tomar todas las decisiones. Pero para los vendedores,
políticos de medios , a todos los
empresarios, todos esconden verdad real detrás estadísticas
cuidadosamente construidas para que los datos que
presentan jarabes, su propio propósito o orden del día. ¿ Qué podemos hacer? Bueno, es bastante simple. Necesitamos aprender los trucos
estadísticos que la gente usa para engañar a otros para que podamos atraparlos en el acto y tomar
mejores decisiones. En esta clase,
aprenderás sobre los diez trucos
estadísticos más comunes es por parte de los marketers, medios de comunicación, médicos de spin,
políticos, negocios y otras personas para
ocultar datos a plena vista. Para que al final
de esta clase, puedas
tomar decisiones mucho mejores impulsadas por datos en situaciones
tanto personales como empresariales con confianza. Quién puede tomar esta clase
12, casi todo el mundo, desde principiantes hasta profesionales, los líderes empresariales
hasta los estudiantes. Todo el mundo se
beneficiará de esta clase. Al término de esta
clase, por supuesto, hay un proyecto
que implica investigar
situaciones prácticas delgadas cuando la gente generalmente
toma decisiones equivocadas debido a los trucos estadísticos
discutidos en la clase. El objetivo de los
alumnos es detectar primero el truco aplicable
y luego
averiguar la forma correcta de
tomar decisiones. Supongo que eso es más o menos. ganas de
verte en la clase y todo, sí, no olvides poner tus comentarios y
retroalimentación al final.
2. 1 Bias a hacer un muestreo: El sesgo de muestreo, ya que las estadísticas pueden ser
a veces un poco pesadas Así que empecemos con un estado de ánimo
más ligero con una caricatura. Entonces el tipo ha creado un alimento para
aves, que es vehículo. Y dice, después de degustar cada ave que frecuencia la acera fuera de
este edificio, hemos concluido que lo que las aves realmente les encantaba sus vehículos. Eso significa para
decidir qué les gusta a las aves, todo lo que ha hecho es
mirar a Bard. Las aceras estaban comiendo bagels
porque los bagels están siendo
arrojados de sus edificios. Esa es una forma divertida de mirar. Fue el muestreo puede llevar
a una conclusión sesgada. Las estadísticas se trata de
recolectar un pequeño número de candidatos de una
gran población es pequeño número de
candidatos se llama muestra. Y decidir sobre
la gran población en
base a verificar
con la muestra. El muestra es representativo
de la población, son divertidas inclusiones son correctas. Si la muestra está sesgada como está en la imagen que son más puntos verdes entonces
los rojos en la muestra en
comparación con la población. Entonces nuestra conclusión basada en
muestra tampoco es válida. Mucho tiempo en encuestas de la vida
real que las conclusiones no son válidas
porque las muestras son sesgadas. Por ejemplo, yo realmente, graduados
universitarios siempre
muestran un salario más alto que el salario
real que obtienen esos
egresados porque la gente retira
salario en la respuesta. A veces antes del otoño. Los estadísticos
predicen en base a encuestas, alguien va a ganar, alguien más gana
con un gran deslizamiento de tierra, como sucedió
en la elección de 1932. Porque el muestreo fue sesgado. En las encuestas electorales de 2012, se llevó a cabo por teléfono fijo, lo que predijo que
Obama perdería. Pero Obama ganó porque
muchos oficiales, simpatizantes estaban realmente usando teléfono
celular y por lo tanto
serán denotados por eso. Fomenta una encuesta. Se guarda que al 80% de los británicos les gusta el vehículo
eléctrico. La primera pregunta
que debes hacer es el 80% de qué pieza, los
británicos. Porque si la muestra es sesgada y pasa a ser
de una sección del pueblo británico, entonces es representativa
de esa sección en lugar de población
británica muerta. Ahora, echemos un vistazo a
cómo sucede el sesgo de muestreo. Empecemos con el caso
de los alumnos de Ivy League. Sábados promedio. Declaración publicada por una revista dice que el salario promedio
de Ivy League MBA's después de cinco años de
graduación es de $300 mil. La pregunta es, ¿qué tan precisa
es una declaración como esa? Ahora la declaración puede ser
muy equivocada y engañosa. ¿ Por qué? Porque no mencionan
cuál era el tamaño de la muestra. No mencionan que si
tuvieran un contacto de todos los
egresados para seleccionar. Tampoco
mencionan si la lista de candidatos que respondieron donde
se selecciona aleatoriamente, o simplemente tomaron las respuestas de
personas que se preocupan por contestar. Tampoco
habla de cuántos de ellos realmente responden a
esas preguntas. Si se les hace
esta pregunta a 50 personas y cinco respondieron. Si promedian estos cinco y dicen que es género
mil dólares, ese es un caso muy sesgado porque que cinco mujeres
no sean representativas. Esta siguiente pregunta es, solo respondieron las personas con
hi cordura, lo cual es muy probable que ese caso. ¿ Fue muestras representativas? Como se puede ver, tienen
tantas preguntas y la mayoría de las encuestas evitan cuidadosamente responder a cualquiera
de esta pregunta. Por lo que no puedes confiar en ninguna conclusión de encuesta
salarial. gente pueda manipular
muestra o simplemente ser descuidada, no
son metódicamente correctas
al recolectar muestra. Y como resultado, desafortunadamente, significado de este semillero
resultados no son confiables. 60% de los indios urbanos prefirió
la educación en ingeniería, que 60%, 80 por ciento de los indios
preferían un cierto 13, 80% de los cuales indios. El resultado de un estudio para ser warp cualquier muestra debe ser
representativo y aleatorio. Es decir, mientras
recogen la muestra, todos los candidatos deben tener las mismas posibilidades
de ser seleccionados. Muchas veces. Ese no es el caso. Existe una
batalla constante para reducir el sesgo de
muestreo haciendo que
el muestreo sea aleatorio. El sesgo de muestreo siempre está ahí. Si vemos declaraciones como
esta que 60% de los
indios urbanos preferían a la educación de
ingeniería uno debería como 60%
de los cuales las personas. No sería el 60% de
las personas a las que les importa preguntar. No 60% de en nuestro
paquete, indios. Cuando el muestreo aleatorio no es posible o consume mucho tiempo
o es costoso, lo que significa muestreo aleatorio, cada candidato tendrá la misma posibilidad de ser seleccionado si eso no
es posible . Lo siguiente mejor es el muestreo aleatorio
estratificado, donde se divide
la población en varios grupos con base en la
prevalencia de ese grupo. Entonces si una población de 50% blanca, 30% negra, 20% asiática, se recoge un cierto número de
muestras de la comunidad asiática, un cierto número de muestras
de la comunidad negra, y cierto número
de muestras de comunidad
blanca en proporción
a su dígito Parson. Y eso puede implicar violación. Y eso es un estratificado. Los grupos pueden
basarse en el ingreso, la educación, la etnia,
o cualquier otra cosa. Pero si tu conocimiento de
la proporción es incorrecto, el muestreo,
también estaríamos sesgados. Por ejemplo, si una clase de
posgrado 30% de las mujeres es 70% hombres, si sus tamaños de muestra
calculan ser diez, puede
seleccionar al azar tres de las alumnas y
siete de las alumnas. Eso no sería un caso de muestreo aleatorio
estratificado. Eso sería algo utilizable. Recuerda, sondeos propios e iniciados los resultados
son algo sesgados. El sesgo proviene de
dos fuentes diferentes. En primer lugar, son los pasos
que estamos haciendo la entrevista. Ellos la edad, la educación, la etnia y la experiencia del personal
entrevistador influyeron fuertemente en
el resultado de la encuesta. En un caso, se encontró
que a partir de si personal
blanco o negro haciendo la entrevista de comunidades
negras, los resultados fueron
bastante diferentes. La segunda fuente de sesgo
son las personas que tienen una mayor tendencia a ser seleccionadas ya que las muestras
son candidatos. Generalmente personas
con más dinero, mejor educación, apariencia
beta, más información y alerta. comportamiento más convencional
y los hábitos aceptables se seleccionan
más como
candidatos a entrevista o muestra. Y como resultado,
dessesga el obstáculo. **** y resultados de la encuesta.
3. Tamaño de 2 muestras: Tamaño de la muestra. En muchos casos, las personas no usan un
tamaño de muestra lo suficientemente grande como para llegar a una conclusión. Por ejemplo, escucho mientras que estudios de reclamos
publicitarios muestran que aquí voy X reduce aquí la
falla para el 80% de los usuarios. Pero, ¿qué tan creíbles son
estas declaraciones? Algunos anunciantes
proporcionan una letra que mencionó un tamaño de muestra
pequeño, pero algunos ni siquiera lo hacen. Desafortunadamente, para la publicidad
comercial, no
existe una regulación
que establezca que se cierto
tamaño muestral y ciertamente deba utilizar
cierto
tamaño muestral y ciertamente
metodologías. Al igual que es el caso de los productos
farmacéuticos. Y como resultado, gente sí reclama todo tipo de cosas basadas en todo
tipo de muestreo. Esos resultados se
basan principalmente en el tamaño de muestra pequeño. Y de ahí que el falso pueda
deberse a menos posibilidades. O las imágenes muestran algunos
casos de su muestreado para mostrar buen resultado para
que puedan hacer un reclamo
en un anuncio. Sin embargo, se muestran todo el tiempo. Si arrojas una moneda diez
veces y obtienes ocho cabezas, no
puedes afirmar que el estudio muestra la posibilidad de conseguir
cabezas en el lanzamiento de monedas es del 80%. Es necesario tener gran
cantidad de tarea de monedas para establecer cuáles son las posibilidades de conseguir cabezas
y cuáles serán el 50%. De igual manera, para
establecer cualquier reclamo, es
necesario tener un tamaño de muestra
lo suficientemente grande. El tamaño de la muestra
dependería de cuán variables son los resultados y confianza que necesita
para estar en su reclamo. Digamos que la probabilidad
de casos graves de fiebre vital es de
solo 10% entre los niños. Has seleccionado a
1 mil niños con el escritorio vital de la fiebre. La efectividad de un medicamento. ¿ Es esto un tamaño de muestra
lo suficientemente grande? Has seleccionado
ciento diez cientos. Estabas feliz de que el tamaño
de la muestra sea 100000. Pero en realidad, el 90% de
esos niños mejorará. Incluso sin la medicina. En realidad estás
probando el medicamento en solo 10% o 100 niños que necesitan este medicamento porque serían la inductancia de
los casos graves. Eso es en realidad un tamaño de
muestra más pequeño de lo que pensabas. El tamaño real de la muestra
es dominio digital por el intervalo de confianza y la desviación
estándar sobre
una base de caso a caso. Entre población. Pocos factores son importantes estimar el tamaño
muestral necesario. Su nivel de confianza, intervalo de
confianza, puntuación Z, que depende del nivel de
confianza, la desviación
estándar y el tamaño de la muestra se
calcula en base a eso. Y no me
meteré en muchos detalles, pero es importante
que seamos conscientes. Existen ciertas formas de
calcular el tamaño de la muestra. Nivel de confianza es la medida de que repetirás el
experimento un 100 veces, cuántas veces
obtendrás resultado similar. Generalmente se usa como noventa y cinco por ciento
son la mayoría de los casos. intervalo de confianza
es el grado de ADR. Se usa generalmente
como más menos 5%. La puntuación Z es una medida de cuántos área de
desviación estándar de la media basada en el
nivel de confianza que hayas seleccionado, hay una puntuación z para la desviación estándar es
el grado de variabilidad. Si no sabes
nada, puedes usar 0.5. Poniendo todos estos, hay un cálculo estándar que es raíz
cuadrada de puntuación z multiplicado
por desviación estándar, multiplicado por una desviación
estándar menos dividida por
intervalo de confianza al cuadrado. Con un
nivel de confianza del 95% y el intervalo del 5%, se obtiene un
tamaño de muestra de sello de género en 85. Por lo tanto 4.5 desviaciones estándar. Por lo que un tamaño de muestra de 400 a 500 generalmente es un tamaño de
muestra lo suficientemente bueno para la mayoría de los casos. Determinar el tamaño muestral
es un paso crítico de cualquier encuesta estadística
o estudios estadísticos. Porque si esto ha hecho mal, ingresan a estudio
o encuestas mal. Hubo algunos
casos colosales de ps. En la década de 1950. Estudio de la vacuna contra la poliomielitis en 450
niños fueron vacunados y 680 se mantuvieron sin
vacuna como parte de estable durante un brote de poliomielitis, ninguno de los niños
contrajo poliomielitis porque la tasa de contracción
fue apenas menos del 1%. En realidad el tamaño de muestra necesario entre 38 por 1040
mil niños. Por lo que podrían esperar
tener de 300 a 400 casos de poliomielitis sería el tamaño de muestra
efectivo para probar la vacuna. Había camino, muy equivocado. Esto seleccionó cuatrocientos cincuenta
y seiscientos, alrededor de 1100 niños donde se necesitan de 30 mil
a 40 mil niños. Por lo tanto, la estimación del tamaño muestral
y el uso del tamaño muestral valor
correcto es de extrema importancia para
todo estudio estadístico. Pero desgraciadamente, en la mayoría de afirmaciones que vemos
para los anunciantes, para diferentes
productos o incluso para políticos, medios de comunicación y demás. Todos estos chicos, casi todos estos
chicos no se internan, usan un tamaño de
muestra lo suficientemente adecuado y el resultado. Ninguna de esas
reclamaciones se gestiona.
4. 3 números pequeños: Pequeños números. Empecemos con los acuerdos. Un pueblo tiene dos hospitales, uno pequeño y otro grande. Uno de los dos
hospitales en un mes, 60% de los bebés nacidos por el cual. tanto que típicamente es del 50%. ¿ Cuál es? El pequeño o el hospital grande? La respuesta es el pequeño hospital. Porque al igual que un
pequeño tamaño de muestra, casos
extremos o inusuales. En este caso, 60%. Los niños son inusuales, 50%, Los casos habituales inusuales se
observan en tamaños de muestra pequeños, son, en este caso, hospital
pequeño. Mientras investigaba casos de cánceres
renales en más de
3 mil condados estadounidenses, se encontró que el juego
de
mayor incidencia de condados pequeños. Curiosamente, también
se encontró que la incidencia más baja también
ganó de condados pequeños. Eso significa que los condados pequeños y
menos poblados tuvieron tanto la incidencia más alta como
la más baja. Ese es el caso
de los números pequeños. Y por qué sucede. Echemos un vistazo a un condado
realmente pequeño con solo estancia en adultos. Como es solo en adultos, es muy probable que el
nano tenga cáncer. Mostrará 0. Pero si solo una persona se
cancela por casualidad, también mostrará un 10% de
incidencia, que es muy alta. Eso significa que si la cuenta es pequeña, lo
más probable es que
se salve de muchos casos. Y justo si tiene unos pocos, mostrará unos altos
casos de incidencia. Por lo que los condados pequeños mostrarán incidencia
tanto alta como baja. Los distritos pequeños
con baja población siempre
mostrarán resultados
extremos. Donde en distritos más grandes, los casos de población
enteros vivimos fuera para mostrar resultados más
promedio. Una cadena de supermercados
descubrió que las tiendas más pequeñas mostraron tanto la huella más baja como la más alta por unidad de área y
ventas por unidad de área. El tamaño de muestra más pequeño es más probable que muestre resultados extremos
debido a la aleatoriedad. Y una muestra más grande
representa mejor a una población. Por eso escuchamos
algo llamado ley de gran número
en estadística. Para poder llegar a cualquier conclusión, solo
se
puede depender de grandes números y cuando grandes cantidades de cosas
muertas para promediar. Ahora, ¿cómo en caso de números
pequeños las cosas
obtienen resultados extremos? Tomemos otro ejemplo. Digamos como estudiantes
que siguen siendo como 100 habitación con cinco
alumnos en cada uno. De 500 estudiantes totales, 25 obtuvieron un plus en su examen. Eso significa que muchas
de las habitaciones tienen 0% estudiantes con un
plus porque
solo hay 25 alumnos a plus
y 100 habitaciones. Pero si una habitación acaba de
ganar un estudiante plus, mostrará 20% casos de un estudiante más uno dividido
por cinco, es decir 20. Habitación tiene a los estudiantes
por casualidad
mostrará 40% casos de un plus. Se puede ver debido a
que las habitaciones son pequeñas, cualquier figura quedará exagerada. Es así como
existían pequeños números en los resultados. Y esa es nuestra ley
de gran número necesita mayor número para
llegar a una conclusión.
5. 4.: Problema promedio. Una de las
formas más comunes en que las estadísticas
es, es, es como alguien
de muchos datos. El promedio es probablemente la estadística de
resumen más utilizada. Nos gusta resumir muchos
datos en una sola figura. Y esa es la
popularidad de la media. Escuchamos declaraciones como economía creará 20 mil
empleos mensuales. Esa es una cifra promedio. País vamos a conseguir 20 pulgadas de lluvia y otro promedio aquí, alrededor de aumento salarial promedio de 10% por año y así sucesivamente. Pero todas estas
cifras promedio pueden ser realmente engañosas y pueden ocultar
más información que el show. Por ejemplo, algunos meses
pueden sumar 50 mil empleos, mientras que algunos otros meses pueden
sumar a Justin mil empleos. Entonces alguien de 20 mil
no significa mucho. De igual manera, algunas partes del
país pueden quedar inundadas. ¿ De dónde podría haber
sequía en algunas otras partes. Por lo que la precipitación promedio de 20 pulgadas en un país
no significa nada. De igual manera, algunas personas el
salario puede duplicarse, donde hay algunos quizá no lo
vean aumentar en absoluto. Por lo que un
aumento salarial promedio del 10% es información
absolutamente inútil
en cuanto a entender el aumento real entender el aumento realde la preocupación de los salarios de las personas. Se dice que no cruces un río si es en
promedio cuatro pies de profundidad. Debido a que el río
puede tener 20 pies de profundidad, agrega algunas caras que solo uno o dos pies de profundidad en
algunos otros lugares. Entonces un promedio de profundidad libre, es
decir, si estás tratando cruzar el río pensando que
será para imprimir en
promedio, un borracho. Uno de los casos dramáticos del problema
del uso de la media fue lo que los científicos descubrieron durante los primeros años de
rastrear el calentamiento global. En ese punto, los científicos estaban mirando principalmente el aumento
promedio temperatura y tratando de
correlacionar que con los campos filtrantes
o de hielo polares, se
sorprendieron
al encontrar que incluso si la temperatura promedio
sigue siendo la misma, más que más casquillos de hielo polares, nos estamos derretiendo
año tras año. Posteriormente, descubrieron incluso si el promedio sigue siendo el mismo, años con los altos picos temperatura causaron
más demanda de ojos. El promedio no fue mucho de uso. De igual manera, solo
intenta mirar dos
casos en los que una persona bebe una
cerveza todos los días durante 30 días. Entonces eso es promedio
de una cerveza al día. tanto que otra persona
no bebe ninguna cerveza durante 29 días y en fecha 30, bebe 30 años. En ambos casos, el promedio
es de una cerveza por día, pero el impacto de beber
cerveza será mucho más severo, sería fatal en el segundo caso de
beber 30 cervezas al día. Del mismo modo, el promedio puede
ser realmente engañoso. Otro caso famoso de
problema con promedios donde en 1997 inundación
de Grand Forks, la ciudad tuvo un dique de 51 pies. Mayor a 49 pies
pronosticado nivel de agua del río, que fue un promedio. Pero en algunos lugares
durante una inundación, el agua alcanzó los 53 pies aunque el promedio
permanezca para la cena. Pero en esos casos o desplazamientos, el agua violó el
dique, causando sangre a la ciudad. El uso de promedios
depende de los promedios porque las inundaciones en los promedios de la ciudad pueden ser
engañosas de muchas otras maneras. Tomemos el caso de la esperanza de vida
promedio. Por ejemplo, en 19 cientos, la esperanza
media de vida
al nacer fue de 30 años. Pero estos 32 años
realmente no significa nada. No significa que
todo el mundo muriera a los 32. Muchos dieta en bart, muchas dietas menores de cinco años
mueren durante librar la guerra. Pero los que
sobrevivieron a todos los vivieron hasta ser sesenta
y setenta, igual que hoy, el
promedio salió a ser 32, pero esta cifra
realmente no significa nada. Por eso
no hay empresa promedio. No hay fluctuación media
del mercado bursátil. No hay guerra promedio, promedio
ni epidemia, ni campaña de mercadotecnia promedio, ni venta promedio de libros. En la mayoría de los casos, la distribución
puede ser muy sesgada. Un monarca promedio
significa cualquier cosa. Por ejemplo, el lado izquierdo, ve
que es sesgo negativo de la distribución
donde la evidencia se mueve hacia la izquierda
y el lado derecho, se
puede ver un sesgo positivo donde está el promedio se trasladó
a la luz porque es. En detalle hacia la derecha, sólo en el caso de los
promedios centrales de distribución normal en el centro. Y así es
algo significativo, pero en todos los casos reales, la
distribución de valores siempre
está sesgada. Y como resultado, promedio no transmite
ningún significado mucho útil. En el contexto del resumen
estadístico, se utilizan
tres tipos de
promedios. Se les llama media,
mediana y modo. media es la media
aritmética simple. Tomemos el ejemplo que se muestra
en la tabla a su izquierda. Digamos que en una habitación, hay 20 personas. Sus salarios se
muestran en las columnas. Sus salarios varían
entre $20 mil al año y 3 millones de dólares anuales. Entonces el salario medio
es que mitiga el promedio, que sale a
ser 248,750 Donner. Ahora, la mediana es el
salario en el medio cuando todos están dispuestos en orden
ascendente o descendente. En este caso, está
saliendo a ser 56,500 dólares. modo es la cifra salarial
que más ocurre en esto, si ves 60 mil vendedores ambulantes dos veces frente a todo lo
demás operando una vez. Entonces $60 mil es el modo. Como se puede ver, cuando pocos valores atípicos pueden cambiar la media o mediana
es un mejor resumen. En este caso, entre 20 personas, sólo dos personas tienen un salario
muy alto, 1 millón en 3 millones de dólares. El resto de ellos están
entre 20000.95000. Así a valores altos
o sesgar los medios. ver si alguien dice que el salario
promedio de las personas en la habitación es de 248 mil dólares, eso no refleja la verdadera naturaleza de los salarios
que las personas en la habitación. Entonces en comparación con esa mediana, que es de 56 mil dólares, es una representación mucho mejor. En todos los casos donde unos pocos valores atípicos pueden promedios
fuertemente sesgados. La mediana es una mejor estimación
de las estadísticas promedio. Modo en este caso también
en algo útil, pero en muchos casos
puede que algo no suceda más de una vez. Por lo que más hombres son capaces de ser utilizados. La mediana es una mejor estimación
en muchos casos que están fuertemente influenciados por valores atípicos
altos o bajos. Pero en todos los casos prácticos donde la distribución está fuertemente
sesgada a un lado u otro, no se puede utilizar la media media, la
mediana o el modo. Tomemos el
ejemplo del cáncer. Mucho tiempo el dr
le dirá a una base de cáncer y que acaba de hacer una licencia de monstruo o
18 meses de vida. El paciente
no debe perder el corazón. Porque esos 12 meses o 18 meses podrían ser un valor
medio y medio. Y eso puede estar
muy sesgado porque podría
haber mucha gente muriendo inmediatamente
o después de filmar. Es mi diff el paciente
sobrevive los primeros meses. Él o ella puede esperar
vivir una vida mucho más larga. Porque incluso el modo puede
ser muy moverse hacia el lado derecho o hacia el mayor número
de meses o años. Mira el caso
de la distribución C, donde tanto la media como la
mediana está hacia la izquierda, pero el número real
de personas que viven mucho más alto que la media y
mediana es hacia la derecha. Por lo que se puede incluso dejar
6070 años incluso después de detectarse con cáncer
y eso ha sucedido. Tomemos otro ejemplo. Digamos que el 80% de las empresas, es tiene 90
millones de dólares de ventas y apenas el 20% de las empresas
tenían 60 millones de celdas. Si calcula el promedio, verá que el promedio
sale a ser de 84 millones de dólares. Pero en este caso, 80% de las empresas
que están por encima de la media, lo cual es algo
difícil de comprender. Es contra-intuitivo. Pero una gran cantidad de casos, los promedios proporcionan un contador,
contra-intuitivo y, a veces intencionalmente, barra de
flexión resultado. Y personas que terminan tomando decisiones
equivocadas
usando amperaje. Por lo que siempre mira la distribución y toma
una decisión con base en eso. Nunca decidas en base
a cifras promedio. Los cálculos promedio
a veces conducen a información
muy confusa y
engañosa. Por ejemplo, la
China promedio no proviene de familias
promedio
porque el cálculo del hijo
promedio y el cálculo de la familia promedio no
son lo mismo. Ilustrado esto,
digamos que
hay un pueblo con
100 familias. Un número de niños
por familia es como Inserta una mesa a tu siguiente. 100 familias se dividen en cinco grupos de 20
familias, cada una. Primer grupo como 0 niños. Segundo grupo tiene un hijo. Grupo duro tiene dos hijos para
el grupo tiene tres hijos. Y quinto grupo ha formado niños. Si la pregunta es, ¿cuál es el número de niños
para una familia promedio? Tienes que calcular
el número total de niños multiplicando
columna izquierda a columna derecha, eso conducirá a 200 niños y lo divides 200 familias. Dará el
número promedio de niños o familia, que es de 200 dividido
por un 100 también. Pero si hay una pregunta, niño
promedio vive con
familias con cuántos niños? La respuesta no es diente. Eso significa, aunque la familia
promedio tiene dos hijos, pero los niños promedio no
viven en una familia de herramientas. Es confuso. Pero echemos un
vistazo a los niños. Niños. No hay niños en el primer grupo
porque hay 0 niños. Ahora en el segundo grupo, eso es un total de 20 niños. Y vivían en una
familia de un niño. En el tercer grupo
que son 40 niños. Y luego viven
en una familia de niños. El cuarto grupo
que son 60 niños, 20 multiplicados por tres. Y todos estos 60 niños viven
en una familia de tres niños. En el grupo final
que son 80 niños, porque 20 familia multiplicado
por cuatro niños AT niños. Y todos estos 80 niños
viven en una familia de niños pobres. Entonces para calcular
el número promedio de niños con los que vive un
niño promedio, hay
que multiplicar
20 con uno. Porque 20 niños viven
en familias de un solo niño, 40 niños viven en una familia de
kits de herramientas, 60 niños viven en una familia complicada y 80 niños viven en una familia
pobre de bolsillo infantil. Y hay que
dividirlo por Kids totales, que es de 200. Y
él conseguía tres. Eso significa que el niño promedio vive
en una familia desencadenada, mientras que las familias promedio
ajustan los kits de herramientas. Del mismo modo,
los empleados promedio no trabajan en una empresa promedio. Estará sesgada
hacia una empresa más grande. Por ejemplo, aquí
ves que los niños promedio están sesgados hacia
familias más grandes con más hijos. Del mismo modo, el
ciudadano promedio no vive en un país promedio. El ciudadano promedio estará sesgado hacia esos países
de alta población como India, China, EU. Así es como los promedios pueden
ser realmente confusos. Vamos a ver otro
ejemplo para mostrar cómo estudiante
promedio no
va a la universidad promedio. Porque el
estudiante promedio y los
colegios promedio no se calculan
de la misma manera. Cts para colegios con
alumnos hasta la mesa. colegio uno es pequeño, cuenta con 1 mil estudiantes. colegio dos cuenta con 3
mil estudiantes. cartílago cuenta con 10
mil estudiantes, y la universidad para cuenta con
30 mil estudiantes. Hay un total de 44
mil estudiantes. La primera pregunta es, ¿cuál es el promedio
de estudiantes por colegio? Para la universidad suman 44
mil estudiantes. Por lo que el número promedio
de estudiantes por colegio es de 44 mil
dividido por cuatro, es
decir, 11 mil. La segunda pregunta es, promedio de los estudiantes metas a la
universidad con cuántos estudiantes? Este cálculo es muy
diferente porque en la universidad, 11000 estudiante acude a la universidad con otros
1 mil estudiantes. En la universidad a 3
mil estudiantes va a la universidad con 3 mil
estudiantes en la universidad, 310 mil estudiantes acuden a la
universidad dentro de 1000 estudiantes. En la universidad para 30
mil estudiantes Va a Colegio de 30
mil estudiantes. Por lo que el estudiante promedio
va a la
web universitaria 10 mil al cuadrado, 30 mil cuadrados,
3 mil cuadrados, 1 mil cuadrados divididos
por 44 mil estudiantes. Por lo que se trata de 22 mil 954. Entonces a pesar de que el colegio
promedio tiene apenas 11 mil estudiantes, pero el estudiante promedio
va a
la universidad de 23 mil estudiantes. De igual manera, la población promedio por país es de 39 millones porque hay alrededor de 7.8
personas booleanas y alrededor de 200 despensas. Divides esos 7.8
mil millones con 200, llegas a alrededor de 39
millones de personas por país. Pero ciudadano promedio
vive en un país que es labios con muchas más personas, casi como diez
veces más personas. Así es como país promedio y ciudadano promedio
no son lo mismo. Estudiante
promedio y colegios promedio no
son lo mismo. A menudo estas cifras son utilizadas
intencionalmente por
diferentes vehículos. Y representan
esa cifra promedio que sirve a sus parejas.
6. Paradoja de 5 Simpson: La paradoja de Simpson. Entre 196319, ochenta, el puntaje promedio del SAT verbal
y matemático de todos los estudiantes estadounidenses bajó
5040 puntos respectivamente. Estas son grandes gotas. Esto condujo a una indignación
a nivel nacional. Y se formó
panel presidencial. Investigaron
los resultados y publicaron un infame reporte
llamado Nation at Risk. Estas conducen a medidas
drásticas posteriores, una revisión completa
del sistema educativo, luchando contra muchos
maestros y así sucesivamente. No obstante, una investigación posterior descubrió que curiosamente, cuando todos los
estudiantes fueron
desglosados en grupos de
ingresos individuales, todos los grupos vieron un aumento en la
puntuación del SAT entre 19631980, aunque grupo de todos los
estudiantes armó. Entonces en grados. Este es un ejemplo de la
simple paradoja de Simpson. Y esto se ve en grandes
casos diferentes. Para ilustrar el punto, para mostrar cómo sucede, digamos en el año 19631980, todos los estudiantes
podrían dividirse en tres grupos principales o grupos de
ingresos para clase media y rica. En 1963, abrumadoramente el 70% de los estudiantes provenían de familias
ricas y apenas el 20, 10% provenían de familias de clase media
y pobres. Y sus
puntuaciones promedio en Matemáticas, respectivamente con 554 alcanzan 500 para clase media
y 404 tablero, el promedio general fue de 525. Esta mezcla cambió por completo
en 1980 debido a que entre 6380, el número total de estudiantes
aumentó muchos pliegues. Y todo lo que aumentan el juego de estudiantes pobres y
de clase media. Ahora están constituidos
40% cada uno de todos los estudiantes que reducen la proporción de
estudiantes ricos a tan solo 20%. Ahora, todos estos tres grupos, puntuación
Matt SAT fue mayor. Para los alumnos el puntaje fue de 420, que fue contratado por 20. puntaje de estudiantes de clase media fue de 520, lo que fue mayor en 20 puntos. Enriquecer el puntaje de estudiantes fue de 560, que también fue contratado
por diez puntos. No obstante, el
promedio general en 1980, fue solo para 88 porque
la mezcla total es ahora diferente y más
estudiante extranjero y menos
proporcional alcanzan estudiantes. El promedio general
bajó de 525 en 1967 en tres a 488 en 1980. No obstante, todos los grupos
individuales vieron un aumento en promedio. Met es una Discordia. Eso es lo que se llama paradoja de
Simpson. La paradoja de Simpson lleva el
nombre de un matemático
Edward Simpson. Lo descubrió en 1951. Dice a veces un
resultado o el entrenado visto cuando los datos se segregan
en diferentes grupos. Pero cuando se juntan todos estos
grupos, ese resultado se capacita, estos se invierten.
Desaparece. Echemos un vistazo a los dos
gráficos a su izquierda. En el gráfico anterior, se ven todos los datos
juntos en puntos grises. Aquí. Si lo miras,
verías que es una tendencia creciente
de izquierda a derecha. Cuando divides estos puntos grises en cuatro
colores diferentes de verde, amarillo, azul y rojo. Se ve por el verde, es una tendencia decreciente. Para el amarillo, es una tendencia decreciente
de izquierda a derecha. Del azul, vuelve a ser
una tendencia decreciente. Para el rojo, es tendencia
ligeramente creciente pero no tan dramática
como los puntos grises. Básicamente, todos los grupos
individuales tenían mostrando diferentes
trenes en comparación con todos los puntos cuando se
juntan en un formato de cuadrícula, es
decir, todos los puntos
que iban juntos. Eso es lo que se llama paradoja de
Simpson. La paradoja de Simpson está presente en muchas áreas y
confundió la toma de decisiones. Echemos un vistazo a
algunos otros ejemplos. Nuevamente, este es un ejemplo de la vida
real. En cualquier programa de doctorado universitario. Fue encontrado. Que 50%
aspirantes varones estaban recibiendo aceptados o simplemente ordenado 8% mujeres aspirantes
estaban siendo aceptadas. Eso lleva a mucho
debate y discusión sobre tener un sesgo
contra las mujeres. Pero una mayor investigación
mostró una tendencia diferente donde todos los programas de doctorado
donde se dividieron en doctorados en ciencias
naturales y doctorados en ciencias
sociales. Fue encontrado para
ambos tipos diferentes programas
de doctorado. aceptaban más mujeres que hombres, aspirante
de empleo de día de parson. Pero las mujeres predominantemente
solicitaron el programa de doctorado en ciencias sociales, que había comparado con el programa de doctorado en
ciencias naturales a una tasa de aceptación mucho menor tanto
para estudiantes varones como
femeninos. Y ese tipo de sesgo, ese nivel agregado de aceptación para las mujeres, ¿cómo sucede eso? Echemos un vistazo a la punta. Por lo que 80% de los estudiantes varones estaban solicitando Ciencias Naturales, 20% para ciencias sociales, mientras que para las mujeres, 30% estaba
solicitando ciencias naturales, y abrumadoramente
70%
solicitaba Programa de Doctorado en Ciencias Sociales. Ahora para los hombres, el
nivel de aceptación para las ciencias naturales, somos 60% y para
las mujeres fue del 80%. Las mujeres tuvieron mayor nivel de
aceptación para los programas de doctorado en ciencias
naturales. De igual manera para el programa de doctorado en
ciencias sociales, los hombres tuvieron un nivel de aceptación del 10% y las mujeres tuvieron 20% de
nivel de aceptación doble Pero a medida que cada vez más mujeres solicitaron el programa de doctorado en
ciencias sociales, cual tuvo un programa de doctorado en
ciencias naturales
competidor de aceptación mucho
menor . El aceptación general para el hombre
fue del 50% y las mujeres fue del 38%. Nuevamente, cuando se
mira individualmente, es una marca de tendencia única. Cuando se mira en agregado, es una tendencia diferente y
parece y gasto. Entonces cada vez que veas una tendencia de datos mientras
miras muchos datos juntos, solo recuerda que
si hay una manera dividir todos los datos
en grupos significativos, los grupos
individuales pueden mostrar un drenado completamente diferente, una tendencia opuesta en comparación con todos
los datos de cuadrículas
que hay que tener cuidado. Se ve en los negocios. Investigación. Todo el tiempo. Empresa vendió split
asean ventana AC. Ahí revisa los comentarios de 1000 clientes de cada producto. Por lo que 1 mil clientes que
compran split AC, el comprobado. Y como se muestra en
la tabla a su izquierda, 800 y decir la luz split AC, eso es 80% a la gente
le gustó split ac. De igual manera, 1 mil clientes que compraron Windows ISE, revisaron y
setenta y cinco por ciento de las personas dijeron que
les gustó ventana AC. Por lo que concluyeron que MAC
dividido le gusta más. El asunto se revirtió cuando los clientes se
dividieron en hombres y mujeres. Por lo que de 1 mil
split AC, 900, donde los principales clientes, 100
donde las mujeres cliente. De 900, clientes masculinos, 750 dijeron que les gustó split AC, por lo que hacen el 3%. Y entre 100 mujeres clientes, 50 Dijo que la división de luz
es que es del 50%. Pero para ventana AC, de un total de 1800
millones de clientes, de ochocientos
setecientos cincuenta
dijeron que les gustó ventana
AC, por lo que eso es 88%. Dos 100 fueron mujeres clientes
que compraron ventana y ventana luz
C
y 150 y ven que es 75%. Como puedes ver, a ese 83% de los hombres le gustaba split AAC comparado 88% de hombres que les gustaba
window y ven, cuando miras solo
a los clientes masculinos, más clientes les gustó. Ventana es similar cuando estás mirando solo a las clientes
femeninas, 50% como split SE y setenta y cinco por ciento de
luz ventana SE. Por lo que de nuevo,
más clientes, más clientes femeninos, Mike ,
window AC, pero más clientes
femeninos como window veo en ambos clientes masculinos
como window y ver. Pero cuando no estabas
juntando tanto a clientes
masculinos como femeninos, a nivel agregado, estás viendo una tendencia
diferente de más gente que le gusta,
gustaba dividir. Entonces ese es otro ejemplo
de ciudadanos, Benedicto. Ahora veremos un par de casos prácticos en los
negocios para ver cómo se puede
identificar la paradoja de
Simpson como un problema
potencial y qué hacer al respecto. En una investigación de mercado, los datos mostraron que entre el año
dos mil dos mil quince, el gasto promedio
por hogar en cierta
categoría de producto disminuye de $120 en 2 de mil
a $95 en 2015. Ahora la pregunta es, ¿es
esta una tendencia a la baja? O debe descontinuar esa línea de productos
basada en la calle? La respuesta es,
con solo mirar esta tendencia general
de todos los datos, no se
puede tomar esa decisión. La representación
de este problema es el problema de la paradoja de
Simpson
que hemos descubierto. Y para evaluar si algún
grupo puede ser descontinuado, hay que tomar una decisión
basada en subgrupos potenciales. Por lo que hay que
investigar dividiendo el crecimiento total en algún subgrupo significativo
que puede comportarse de manera diferente. Y comprobar si el mismo tren estos siendo vistos
para cada subgrupo. manera individual, el
subgrupo podría
basarse en grupos de ingresos, familias
de ingresos altos, de ingresos medios, de
bajos ingresos. ¿ Es la misma tendencia
en todos estos grupos? Podría basarse en clientes masculinos
y femeninos o ubicación sabia o cualquier
otra cosa que pudiera ser
significativa para sus datos. Todos estos
grupos individuales y
mostrando además una disminución en el gasto, entonces se puede tomar una decisión. Pero lo más probable es que
pueda haber algunos otros factores contribuyan a
este grupo general frente a grupos individuales
que muestren una tendencia diferente. Si ese es el caso, entonces debe continuar con, debe seguir
con esta línea de productos. Echemos un vistazo a
otro estudio de caso, que nuevamente es un problema común. Cómo los datos de venta entre
20142019 mostraron que la barra de precios
metro cuadrado de bienes raíces
bajó un 10% en un CTE. ¿ Es esta la tendencia
inmobiliaria a la baja? Nuevamente, se trata de un problema de
paradoja de Simpson porque cómo el mercado inmobiliario se
puede dividir y segmentar
y agrupar en, en residuos. Para decidir si se trata de
una tendencia a la baja, hay
que mirar a algunos grupos. que investigar
dividiendo a todo el grupo en diferentes subgrupos que podrían
estar basados en ubicaciones para ver donde ahí se está viendo la misma tendencia en todas las ubicaciones, por los tipos de casas, por los tamaños de las casas. Lo más probable es, verías que los grupos individuales están
mostrando tendencia diferente. A lo mejor algunos están mostrando
aumento en el precio. Pero mientras que algún otro factor, tal vez abrumadoramente un tipo de vivienda se está vendiendo en
una cantidad muy grande. Y como resultado, es decir, estoy cambiando la tendencia
para todo el grupo. tanto que los grupos individuales podrían estar mostrando una tendencia diferente, como la forma en que resolvemos para los pobres ingresos medios y llegar a
las habilidades de los estudiantes en la puntuación del SAT. Sólo después de investigar
la tendencia en el subgrupo, se
puede concluir
si se gestionó esta tendencia de disminución de los precios
inmobiliarios. De igual manera, hay
muchos casos cada vez que se ve un grupo
de puntos de datos, intenta dividirlo en
diferentes grupos y ver si esos grupos están
mostrando la misma tendencia. Porque hay que tener cuidado con el problema de la paradoja de
Simpson.
7. Correlación con con efecto de 6: Causa, efecto y correlación. Cuando dos eventos suceden
juntos y en cambio
positivo o negativo en un evento se asocia con un
cambio similar en el otro evento. Se dice que están correlacionados
positivamente. Cuando esta relación
es opuesta, se dice que
están correlacionadas
negativamente. Hay muchos casos que las cosas están positivamente
correlacionadas. Por ejemplo, hay
una correlación 0.3. calcula un coeficiente de correlación y cierta manera no nos
meteremos en esos. Pero hay un cierto nivel
de correlación positiva entre el GPA universitario
y los ingresos posteriores. Existe un mayor nivel
de correlación entre el coeficiente intelectual y el rendimiento laboral promedio. Hay un nivel mucho
más alto de 0,7 correlación entre
estatura y peso. Las personas más altas son más pesadas. Correlación aún mayor entre matemáticas puntuación SAT de dos años
consecutivos. Por lo que estos son en los casos en que las cosas se
correlacionan positivamente. Ahora, duales problemas comunes y falacias en la toma de
decisiones. Relacionado con la correlación r, uno se llama falacia post-hoc. Cuando el evento
paralizado ocurrió después de un evento, se dice
que están
formulados y se
dice que es un evento está causando otro Richmond
e hizo un caso. Otro es *** hoc, ergo propter hoc, que es cuando dos eventos
suceden juntos. Uno debe ser por otro evento que
puede no ser el invitado, porque la correlación
no significa causalidad, dos eventos están correlacionados
no significa que uno esté causando la falsa causalidad o pensando que un evento está
causando otro falsamente. Su madre de toda la logística
estadística cuando ocurren dos eventos
al mismo tiempo. Por lo tanto relacionado, pero la correlación
no significa causalidad. Si dos eventos sucedieron
al mismo tiempo no significa que uno esté causando otro. Todas las mañanas. Gallo, cuervos. Y amaneceres no significa que
este gallo cause amanecer, solo sucede al mismo tiempo. Gallos anticipa en Sunrise y crece y los elementos
del amanecer, se
correlacionan, pero uno no
está causando al otro. Hay algo que se llama correlación
espuria porque por casualidad podrían correlacionarse dos
eventos, pero no hay
relación alguna. Tomemos algunos ejemplos. Si trazas las ventas de iPhone en EU y te sumerges causado por los
pliegues por las escaleras, verías un nivel
muy alto de correlación
positiva
porque ambos aumentaron con el paso
de los
años. Pero hay
absolutamente, como sabemos, no para ello ninguna causalidad real entre ninguna relación entre. De igual manera, si trazas bar consumo
cápita de
cómo fructosa jarabe de maíz, que ha bajado y el gasto en espectaculares deportes de espectador verías que uno está aumentando, mientras que otro es decreciente. Sólo dos eventos, hay
una correlación espuriosa. De igual manera, si nos
fijamos en los visitantes que Universal Studio de Orlando y ventas de
autos nuevos, verías ambos. Están bajando, pero de nuevo, sólo
se están volviendo abajo. Y cualquier relación
entre ellos y asociación
espuria puede ser completamente coincidental
o espíritu. Ha sido mucho
tiempo y esto se examina de manera
extrema que si esos dos eventos están
algo relacionados, uno puede concluir falsamente, o uno puede manipular para
mostrar a otros que
están relacionados manos, una está causando la otra. Tienes que estar atento a eso. Mesa de dos por dos son cuádruple. La tabla es una tabla estadística que puede ayudar a tomar decisiones. Es una forma robusta de ver cuán fuerte es la correlación
y la causalidad. Entonces si algo está causando
algo, es por ejemplo, muchas veces verás
gente diciéndote que 20 personas con
gripe tomaron medicamentos y se pusieron bien después de
cinco días en comparación con solo diez personas que se pusieron bien
sin tomar medicamentos. Por lo tanto, la
medicina está infectada. Pero para comprobar si medicina es efectiva o no, hay
que completar
la tabla completa del formulario. Por un lado, hay que mirar a las personas que tomaron Madison contra
quienes no tomaron medicamentos. Y luego al otro lado, hay
que mirar a las personas que
mejoraron después de cinco días frente a que no
mejoraron después de cinco días. Si el total de 30 personas a
la medicina mejoró. Y Dan no mejoró. Y si el total de 15 personas
tomaron medicina y diez de Dios amargo y no se pusieron
mejor de lo que no se puede
concluir nada. Porque la relación entre
201010 a cinco es la misma. Pero si tuviéramos nuestro perjurio
Gente que no tomó Madison y luego
mejoró y 20 no
mejoraron de lo que se puede decir, vale, la medicina está ayudando. De manera similar, se puede
crear diferente
para, para tabla para buscar información
adicional que
pueda enchufarlos
con el fin de tomar decisiones. En ocasiones la causalidad
podría estar a la inversa. Si papá da un reporte que
dice que las empresas con más mujeres en su
junta directiva o más rentables o más grandes que el tamaño. Puede significar que las empresas con más mujeres son
más rentables, o también puede significar que las empresas
más rentables
están contratando más mujeres, que es lo que realmente
no está claro. De igual manera, los mejores colegios afirman que sus alumnos se
desempeñan mejor. Ahora no está muy claro si los estudiantes desempeñan mejor por
los colegios o estudiantes mayores van a se
desempeñan mejor por
los colegios
o estudiantes mayores van a
los mejores colegios
. Éstas son la causalidad
podría ser revertida. En dos eventos back-to-back, menudo se ve
al agricultor causar la carta, pero que puede no ser así, que a menudo no son décadas. Pero a esta falacia se
le llama falacia post-hoc. Es como falacia
relacionada con la correlación. Esta broma, según los hombres org, su médico le pidió que dejara fumar y otro anciano
dijo: Oh, no hagas eso. Un par de mis amigos sólo
con fumar y mueren. Esta es una forma divertida de
poner a los moribundos
no tiene nada que ver con
dejar de fumar, pero sucedieron después
del quiz fumando. Muchos casos reales,
un evento ocurre completamente
desfosforilado, no impulsado por nada. Pero la gente adivinó que eso fue por algún otro
evento que sucede con el famoso caso de nuestro brazalete de holograma
equilibrado se convirtió en una cresta global
entre 200712, gastaron
millones de dólares en ella como personas, incluidos los deportistas,
hacia el producto estaba mejorando su capacidad
atlética. Posteriormente, los ensayos aleatorizados de
doble ciego descubrieron que no había
relación alguna entre usar esas pulseras y habilidades atléticas en
todos los atletas estaban entrenando, gente intentaba bajar de
peso y mejorar, más atlético, y
había cada vez mejor. Eso no tuvo nada que ver con
usar esta lucha libre. Pero sucedió porque la gente pensó el premio esos
plomo de mama y que Dios mejor. Entonces fue la
causalidad, la correlación de Pablo. Otro caso de dos
eventos sucediendo
al mismo tiempo siendo parte
como uno causando otro. En 1990 a 30 adolescentes estadounidenses que frecuentemente jugaban cierto videojuego
se suicidaron. Esto creó una alarma a nivel nacional, pensando que sí los videojuegos
estaban causando el suicidio. Pero
una investigación adicional encontró que tasa de suicidio
adolescente
en ese momento era 12 por cada 100 mil ya recorte millón jugaba
el juego regularmente. Por lo que 360 personas donde estadísticamente propensas
a
suicidarse entre las personas
que jugaron el juego. redimensionamiento de Tertius
no fue un gran número. Ese tipo de lleva a
alguien a pensar que el suicidio se
debió a la puerta. Nuevamente, una falsa causalidad porque ambos eventos
ocurren al mismo tiempo. Todo tipo de empresas
reclaman todo tipo de correlación entre su
amplia mejora de accidentes, pero que esas no son décadas. La compañía dice que es
champú lleva a tomar la cabeza. No obstante, la realidad podría ser que la gente
recogería su cabello usando el champú en primero sugiere mostrar la causalidad
inversa. Producto de dieta afirma cómo
se usa Lauren the wet, pero la gente que usa el
producto estaría haciendo otras
diez cosas como
hacer ejercicio, comer menos. Esos están causando la
pérdida de peso y no mal producto. Empresa de cerveza afirma tener
cerveza mejorar su enfermedad. Pero
no podría haber relación alguna porque cada vez más
personas sanas podrían estar bebiendo cerveza, por lo que ya están
teniendo amargo duro. Pero esa causalidad que
están reclamando
porque podría ser sólo una locura
espuria. Otro
factor importante relacionado con correlación es que la
afinidad se
asume erróneamente que los farmacéuticos de
correlación más allá de los datos con los que
se ha establecido. Por ejemplo, con el
aumento de la lluvia, maíz crece más alto, pero más allá de cierto punto,
se hace más corto. Nuevamente. Guardar los datos es de hasta
unos centímetros de lluvia, entonces eso debería terminar. Pero eso, porque si se inunda, todo puede quedar destruido. De igual manera, la educación es una correlación positiva
con el ingreso, pero hasta cierto punto, tal vez hasta
maestrías porque los doctorados, menos que esta correlación no
sea Judy de 5 bits. De igual manera, la
felicidad de la gente lo echa de menos para aumentar con el aumento del dinero. Pero hasta cierto punto. Y después de eso puede no cambiar mucho o puede
haber sido disminuido. Ese es el caso entonces
la gente más rica que habría sido la
gente más feliz de este mundo. Pero ese no es el
caso al mismo tiempo, si es
el informe de alguien, lo malo, estaría muy feliz. Así que inicialmente con
el aumento del dinero, la felicidad se volvió loca de hecho, gente se enteró de eso. Pero después de cierto nivel que cambió en 19,
bastante significativo. Nuevamente, la relación
o correlación o causalidad puede existir hasta cierto punto que
se comprueban más allá de
eso, no debería aumentarse
a cinco madurez.
8. 7 Statisculation: Correlación de estatus. Las cifras estadísticas son
utilizadas por periodistas, anunciantes, llamados
expertos, vendedores y otros. A menudo el mensaje forma y
manipular a las personas. A este proceso se le llama correlación de
estatus. Aquí hay un exento. Verías anunciantes
en tiendas de locos 50%, 20 rebajas en nubes. Muchos pueden pensar que es un descuento
total del 70%. Pero en realidad es el primer
50% de deuda sobre el saldo, 50% y otro 20%
del total de ventas es 50% más 20% del
50%, es decir 10%. Por lo que el total 60% cree que
dicen total 60% venta. Eso creará menos impacto. Por eso dicen 50% más 2%. Él verá esto todo el tiempo. Estos son dos
manipular las personas. De igual manera periodistas
informarán que en un día se cierra en
una ciudad o en un estado, una pérdida económica
tan enorme. Siempre estas cifras lo son, las cifras se calculan a partir todas
las actividades económicas posibles que puedan ocurrir
potencialmente en un
día, lo que nunca ocurre. Más importante aún, cuando
un día se cierre, la
mayoría de esas actividades
económicas se
acabarán de transferir
al día siguiente. En realidad impactan
es mucho menor. Pero a los periodistas les
gustaría obtener su interés en sus noticias. Por eso le dan
un dedo tan alto para que más gente lea noticias, noticias como grandes negocios, no
tienen intención de
darte información. La gente a menudo
suman nuestra edad Cindy, sí altamente existió, cambia. Por ejemplo, dicen que el costo del
material ha subido un 5%, nunca un 7%, la utilidad en
13%, el transporte en un 15%. Por lo que el costo total
es de 40% en bits. Bizarre,
solo se puede pensar en ello. Dirías que tal vez
mucha gente no hace eso, pero la gente hace esto. Este no es un caso de correlación de
status. Si rompes el costo, lo verás. Por ejemplo, digamos que el pasado 60% del
costo fue material, 30% mano de obra y
utilidad para cinco personas, y 5% de transporte. Esos 5713, 15% de aumento en costo básicamente incrementa
los costos globales 6.5% una cantidad insignificante. Pero muy pocas personas
verán a través de él. Y veremos que el impacto total en aumento
en el costo explica 5%. Las empresas, especialmente las empresas de
consultoría o empresas de servicios, muchas veces ven que cuentan más de 200 años de experiencia
combinada
de su gestión. Extrañamente hay
papel con negadores, cada experiencia se convierte en 200
años de experiencia combinada. Eso no significa nada. Es solo correlación de status
mostrando una
figura artificialmente, completamente arbitraria para dar una impresión de que una empresa
tiene mucha experiencia. Si una empresa reduce el salario de los
empleados un 25% 1 año y
lo incrementa un 25% el próximo año. Se puede afirmar que
ha dado a la gente allá
atrás y el salario, el estudiante bajó un 6.25%. Otra vez, esa es otra forma de
permanecer discriminado. El beneficio neto de una
empresa se incrementa desde 2% el año pasado, 4% este año. Se puede afirmar que el beneficio ha
aumentado en dos puntos porcentuales, pero eso no sonaría bien. El mejor modo de reclamar es
que la tasa de caldo ha aumentado un 102% por ciento hasta 4%. Eso dará un impacto mucho
mayor. Pero la gente sí, hazlos. Otra forma de estatus
para dejar que la enfermedad llegue a
un tipo diferente de
cálculo. Un dedo. Por ejemplo,
los ingresos de los hogares se pueden calcular dividiendo
el ingreso total por número de hogares. Esa es una forma de
calcular o multiplicar el
ingreso promedio per cápita por número promedio
de personas en un hogar. La segunda figura
siempre dará una gran ventaja. Algunas personas sí lo usan. Entonces si quieres mostrar
bajos ingresos familiares, usa el primer cálculo
si lo deseas. Por lo que el ingreso
familiar de alta gama es el segundo cálculo.
¿ Qué son legítimos? En 2021? Ingresos familiares medios
en US$168 mil. En ese mismo año, la renta media
per cápita fue de 37 mil dólares. Un
tamaño promedio de los hogares fue de 2.6. Si multiplicas 37 por 2.6, obtendrás 96 mil dólares, que es mucho
mayor que los 68 mil. Si promedio se usa en
un ingreso medio. ingreso promedio de los hogares
subirá aún más alto. Cómo calcule
determinará el ingreso de los hogares. Personas que tienen
diferentes en la agenda. Haremos diferentes cálculos. Tomemos este ejemplo de cómo se puede
calcular de manera diferente el índice de precios al
consumidor para
dar diferentes cifras, costos de
leche y pan,
1.20.5 el año pasado. Este año ambos causan $1.10. Diferentes cálculos pueden mostrar diferentes
índices de precios y depende tu agenda y
calcularás de esta manera. Cuando se
utiliza el último año como año base, la leche se ha convertido en el 50%
del costo del año pasado. Y la marca se convierte en
100% del costo del año pasado. Por lo que el promedio es un 125%, es
decir, de aumento de veinticinco
por ciento. Nuevamente, si se utiliza el
año en curso como año base, que también se mide en él. El año de clase media fue de
200% y el pan fue del 50%. Entonces el
precio promedio del año pasado fue de un 125%. Este año es el año base. Este es un 100%. Por lo que éste mostrará que el premio del año pasado fue veinticinco por ciento más alto. Éste no mostraría que bajaran
los precios. Si usas media geométrica, entonces no mostrará ningún cambio. En base a cómo se calcula el
índice de precios 1 de mayo mostrar un
aumento en el precio. Ahora eso puede mostrar una
disminución en el precio. Y algún cálculo puede no
mostrar ningún cambio en las aves, aunque los precios son exactamente los mismos en
los tres casos. Figura percentil es
otra cosas interesantes al examinar
figura percentil, por ejemplo, rangos de estudiantes en una clase de 399 percentil es los tres
primeros estudiantes. Eso hizo esto. 1% de 300 estudiantes, 98% dynes son los próximos
tres estudiantes y así sucesivamente. Existe una gran diferencia
entre el percentil 99, el percentil 90, como se puede ver en esta
distribución normal, que generalmente es el caso
de un grande en la figura. Pero a medida que las filas consiguen
cierre en el medio, apenas
hay
diferencia entre el 14, 60%. Sentencia. Dice que se puede
ver en los lados extremos, los percentiles se estiran. Hay una gran
diferencia entre 9919, donde está, la diferencia
entre 4060 es mucho menor. El proveedor dijo
que ha aumentado precio en un 20% debido a que
este costo ha aumentado un 20% en el proceso en amablemente
incrementó su dólar absoluto. Estas son todas
formas diferentes de ver qué tan diferentes en formas
de estadísticamente. Sentencia de subpar. 1 de mayo decir, bueno, Google cambia a tu persona
muriendo por 40 a 60, mientras que
cambiarán de 1999, mientras que el 90 al
99 es mucho más grande. De igual manera, al aumentar
proporcionalmente precio basado en el costo, uno puede aumentar muy bien
sus dólares reales. Estas son todas
formas diferentes a Stanford.
9. 8 datos relevantes: Contar con datos relevantes. Cuando la gente no puede probar
algo directamente, usan la mitad de datos relevantes
como proxy para probarlo. Cuidado. Es difícil demostrar la
efectividad de la pasta de dientes. Empresas muestran cómo
sus productos destruyen gérmenes en condiciones
de laboratorio. Estas dos condiciones no
son las mismas. Lo que funciona en el laboratorio puede
no funcionar dentro de nuestra boca. Además, muchas veces no está claro qué tipo de bacterias
están matando en el laboratorio. ¿ Son estos el mismo tipo de bacterias que
hay en nuestra boca? Te sorprenderías. Tampoco está claro qué tipo
de dosificación la tierra que usa. ¿ Es un equipo completo para
escalar unas pocas bacterias? Ninguna de estas informaciones
es muy clara. Pero incluso entonces están reclamando
su anuncio para avanzar son muy efectivos
en la matanza de bacterias en LRMR. Ese es el uso de la
mitad de datos relevantes. Una empresa de frigoríficos puede
anunciar que mantiene, producir 50% más fresco. Lo dices todo el tiempo, pero
más fresco en comparación con qué? Otro refrigerador. Almacenar alimentos en un refrigerante ¿verdad? Sombra, o simplemente vivir alimentos bajo el
calor y la humedad del verano. Te sorprenderá en qué se calcula este
50% con base. Sindicato laboral dice que el 85% de los empleados están descontentos
con la dirección. Están usando datos irrelevantes. Para hacer una entrega fuerte
caso Unión a menudo recoge todos los complejos
posibles, incluidos los muy triviales
como para la red, las
luces necesitan ser reemplazadas. Entonces y así y sumarlos para decir ochenta y cinco por ciento
de los empleados
se están quejando contra la
dirección, lo cual no es cierto. 100% de los ciudadanos de un país se quejan de algo
durante un periodo de tiempo. Pero es injustificable
concluir que una persona 100 ciudadanos están
descontentos con su gobierno. Nuevamente, estará utilizando detalles
relevantes. En ocasiones tienen datos relevantes
se vuelve extremadamente prominente. La gripe española es un ejemplo. En 1918, el brote de H1N1
se llama gripe española. Curiosamente, la gripe
ni se originó en España ni fue más
prevalente en España. Sólo porque fue cubierto
más por los periódicos españoles. Porque no estaban directamente
comprometidos en la Primera Guerra Mundial. Y todos los demás
países de Europa aprenden librando una guerra
nacida connatural. Por el hecho de que estaba
en los periódicos españoles. A la gripe se le llama española. Los gobiernos de todos los países son usuarios
notorios de
medio detalle relevante. Aquí hay un ejemplo. Durante 1898, guerra
española estadounidense, la tasa de mortalidad en la Marina
fue de 94 mil centros. El índice de mortalidad en Nueva
York en ese momento fue de 16 mil personas. Reclutadores de Marina
utilizan esta cifra para comparar y reclamar que se
sufrió estar en la Marina. Dan para estar de 82
personas engañadas para unirse a la Marina. Obviamente, la tasa de mortalidad de ancianos y enfermos en Nueva York se comparó con los jóvenes y los fuertes ya
estaban muriendo. Estos no son comparables, estos no son relevantes en absoluto. A menudo han
influido datos relevantes en la toma de decisiones Por ejemplo, en 1950
al año se ve más como el año de la peor epidemia de
poliomielitis en nosotros. Investigación encontró que
deber más concientización, más casos donde se presentó un
diagnosticado y reportado y más personas debido a la ayuda financiera federal. Además, el año tuvo más niños susceptibles
para ese grupo de edad. Todas estas cifras contribuyeron a un mayor número de casos, pero la cifra muerta, que es una mejor medida
donde no fuera de lo común. 1952, fue en famoso como el año de la
epidemia de poliomielitis en Estados Unidos. Pero todos estos se basaban
en medio aleatorio y datos. En realidad, fue igual cualquier otro distrito
que registra y reporta más delitos se
ven como más
propensos a la delincuencia solo porque
están reportando más en comparación con algunos otros distritos
que no lo son informes. Políticos en todos los países de
los usuarios más prolíficos
de datos medio relevantes. Rummage a través de todos los datos para encontrar estadísticas que indirectamente se
adapten a sus inanidades. Antes de llegar al poder, algunos distritos dijeron que los bajos ingresos
y algunos tenían altos ingresos. Después de Bauer, algunos distritos también suman altos ingresos y
algunos tenían bajos ingresos. Los políticos elegirán un distrito con bajos ingresos antes del poder, y el distrito
con altos ingresos tras poder para demostrar que su gobierno
incrementó los ingresos. tanto que la oposición
hará lo contrario. Lo harán en un distrito
con ingresos altos,
bajos ingresos después de mostrar que el gobierno causó que
los ingresos bajaran. Así es como la gente usa la mitad datos
relevantes para
hacer todos los puntos. Pero no siempre es posible mirar a
través de todos los datos. Solo ten en cuenta, sin embargo, que todos los datos que se
presentan en entidades de medios, hombres, en todas partes donde la gente está tratando de influir en
nuestra decisión. Lo más probable es que estén utilizando la mitad de datos
relevantes para hacer eso. Todos estamos familiarizados con las fotos
de antes y después. Antes y después de
las fotos muestran cómo algunas pastillas sostenidas
alguien pierde peso. Pero los anunciantes no mencionan toda la otra fuerza que está haciendo la persona
para perder el peso. No son sólo las
píldoras las que está causando esta pérdida de peso y que se utiliza de datos
medio relevantes. Por lo tanto, perder peso
no es completamente irrelevante
para su uso de un producto. Podría ser incluso perder
peso sin usar este producto si
están haciendo ejercicio, comiendo menos y teniendo
un estilo de vida saludable. Mi papá sembrar la mitad de
datos relevantes se utiliza en amputados significó mejora para tomar un punto para influir en
nuestras decisiones.
10. 9 Consulta la escala: Consulta la báscula. Siempre revise cuidadosamente la
escala al mirar los datos presentados en un gráfico o algún
tipo de diagrama de líneas. Una de las formas más comunes
que utilizó lo existimos o disminuimos el cambio de valores es
manipulando la escala. Apenas permanecer en
aumento por ciento en el salario
se puede exacerbar En dramáticamente
al mostrarlo en Lake. Y es el gráfico inferior se
muestra como un estancamiento como
está en la carga superior. Los datos de Sam presentados en diferente
escala se ven diferentes. Y con solo
mirar este gráfico de líneas, 1 de
mayo llega a conclusiones muy
diferentes sin entrar en
cuánto cambio está sucediendo. Tantos anunciantes sí
disuelven los tiempos, está jugando con la escala
para acentuar los resultados. Porque saben que la
mitad de la gente
estaría en un duro es esta escala. Y la otra mitad estaría tan influenciada por la representación
visual dramática. Porque
la representación visual es tan poderosa que
ignorarán esta escala. el propósito de
los anunciantes serviríael propósito de
los anunciantesde
acentuar la diferencia. Las barras se rompen en un gráfico de barras para exhibir
cambio tanto hacia arriba como hacia abajo. Tomemos este ejemplo. En 1995, los
accidentes viales donde 7 mil 800. En 2005, los accidentes viales
donde 7 mil 728 de exceso. Pero al trazarse en un gráfico de barras roto que
se rompe en el nivel 7680, este pequeño cambio de 80 ni
accidentes se acentúa. Entonces la gente lo mira y dice, Oh Dios mío, 2005 encabeza
tantos ácidos inferiores. Pero es solo ser
así es como se utilizan los
gráficos rotos en escalas
para manipular decisiones.
11. 10 comparación por imagen: Comparación por imágenes. Comparando por imagen. Mucho tiempo, las personas exageran
o disminuyen datos
intencionadamente e involuntariamente. Registros de Grime en
EU en 199098 donde comparados por imagen y
reducción parecían dramáticos. Esto se debe a que aunque la
altura de los delincuentes en este cuadro sea proporcional
al volumen o no. Entonces en realidad, esa
rima bajó entre 15 millones
en 9 millones. Pero parece mucho más bajo
porque el volumen
del criminal menor
es mucho menor. Parece que la
reducción delictiva fue justa. De igual manera, la
producción india de mango. En comparación con China. Por la altura del mango, Se ve mucho
más alto de lo que realmente. China fue de 4.5 millones de toneladas. India es de dieciocho millones diez, pero el volumen
del mango más grande es mucho
mayor que cuatro décimas, es más como 1015 toneladas. Ese es nuestro puede
dar una impresión de una figura es mucho más alta
al mostrar dos fotos. De igual manera, las ventas de
vehículos automotores de la India aumentan de 3.2 millones en 2014 a
4.4 millones en 2019, apenas treinta y siete
por ciento de aumento. Pero cuando esto lo
muestran dos autos, el segundo es 37%
tolerante que el primero. solo mirar esto, gente tendría la
impresión de que las
ventas de automóviles aumentan mucho
más en 2018. Este truco es comúnmente
utilizado por anunciantes y propagandistas cuyo objetivo
es engañar a los espectadores. Porque una vez que esta impresión
es la mente de
la gente, las dos impresiones de
mangos en la diapositiva anterior son dos fotos de delincuentes
en la primera diapositiva. Y aquí hay dos
fotos de autos. un tipo de decide que aumentan es mucho mayor aunque sea muy pequeño.
Saptarshi Bhattacharyya, Make Better Decisions
