Guía de ejercicios: fundamentos de minería de datos

Material: Guía Unidad 01pdf

Guía de práctica de la Unidad 1: estadística descriptiva, distribución, distancias, entropía y selección de variables. Los casos son similares a los que pueden ser evaluados en la unidad. No requiere R ni programación: se resuelve con cálculo básico, interpretación y razonamiento.

Criterios de evaluación de la Unidad 1

Tabla 1: Criterios de evaluación
CódigoCriterio
1.1.1Considera las principales características de la minería de datos y el aprendizaje automático
1.1.2Considera el proceso de descubrimiento de conocimiento en las bases de datos
1.1.3Considera las características de los modelos y técnicas asociadas con la minería de datos y las áreas de aplicación
1.1.4Considera las técnicas de minería de textos y webmining aplicables a distintos ámbitos dentro de las empresas
1.1.5Identifica la información necesaria y las diversas variables involucradas

Qué se espera en cada ejercicio

  • Identificar correctamente el problema de negocio y las variables involucradas.
  • Seleccionar la medida o técnica apropiada, no solo realizar operaciones matemáticas.
  • Mostrar el desarrollo de los cálculos cuando corresponda.
  • Interpretar el resultado en lenguaje de negocio.
  • Justificar por qué una medida o técnica es adecuada y reconocer sus limitaciones.

Fórmulas de apoyo

Tabla 2: Fórmulas de apoyo
MedidaFórmula
Frecuencia relativafr (%)=frecuencian×100f_r\,(\%) = \dfrac{\text{frecuencia}}{n} \times 100
Mediaxˉ=∑xin\bar{x} = \dfrac{\sum x_i}{n}
Varianza poblacionalσ2=∑(xi−μ)2N\sigma^2 = \dfrac{\sum (x_i - \mu)^2}{N}
Desviación estándarσ=σ2\sigma = \sqrt{\sigma^2}
Puntaje ZZ=X−μσZ = \dfrac{X - \mu}{\sigma}
Distancia euclidianad(A,B)=∑(aj−bj)2d(A,B) = \sqrt{\sum (a_j - b_j)^2}
Distancia estadística o de GaussdG=∣x−μ∣σd_G = \dfrac{\lvert x - \mu \rvert}{\sigma}
Distancia de HammingdHd_{H} = número de posiciones diferentes
EntropíaH(S)=−∑pilog⁡2(pi)H(S) = -\sum p_i \log_2(p_i)
Ganancia de informaciónIG(S,A)=H(S)−IG(S,A) = H(S) - entropía ponderada después de dividir por AA

Ejercicio 01. Identificar problema, información y variables

Caso. Una empresa de telecomunicaciones quiere anticipar qué clientes podrían cancelar su contrato durante los próximos 30 días. Dispone de información histórica de sus clientes.

VariableEjemplo
Edad42 años
Antigüedad como cliente36 meses
Plan contratadoPremium
Pago mensual$45.000
Número de reclamos4
Consumo mensual de datos35 GB
Canal de contrataciónWeb
Abandonó la empresaSí
  1. ¿Cuál es el problema de negocio que se intenta resolver?
  2. ¿Cuál sería la variable objetivo?
  3. Clasificar las variables en numéricas y categóricas.
  4. ¿El problema se aproxima más a clasificación, regresión o agrupamiento? Justificar.
  5. ¿Qué variables parecen inicialmente más útiles y por qué?
  6. ¿Qué información adicional podría ser útil para mejorar el análisis?

Criterios asociados: 1.1.1, 1.1.3 y 1.1.5.

Solución Ejercicio 01
  1. Problema: anticipar qué clientes podrían cancelar su contrato.
  2. Variable objetivo: «Abandonó la empresa» (Sí/No).
  3. Numéricas: edad, antigüedad, pago mensual, número de reclamos y consumo mensual. Categóricas: plan, canal de contratación y abandono.
  4. Es un problema de clasificación, porque la variable objetivo contiene clases discretas.
  5. Variables potencialmente útiles: reclamos, antigüedad, pago, consumo y plan. La utilidad real debe comprobarse con datos.
  6. Información adicional posible: atrasos de pago, contactos con soporte, cambios de plan, satisfacción y promociones recibidas.

Ejercicio 02. Distribución de una muestra

Caso. Una tienda analiza las edades de 20 clientes que realizaron una compra durante una campaña.

Intervalo de edadCantidad de clientes
20-294
30-397
40-494
50-593
60-692
  1. Calcular la frecuencia relativa (%) de cada intervalo.
  2. ¿Qué intervalo concentra la mayor proporción de clientes?
  3. ¿Qué información aporta la distribución que no aporta un único promedio?
  4. ¿Podemos afirmar que esta muestra representa necesariamente a todos los clientes de la empresa? Explicar.

Criterios asociados: 1.1.2 y 1.1.5.

Solución Ejercicio 02
  1. Frecuencias relativas:
Intervalo de edadCálculoFrecuencia relativa
20-294/20×1004/20 \times 10020%
30-397/20×1007/20 \times 10035%
40-494/20×1004/20 \times 10020%
50-593/20×1003/20 \times 10015%
60-692/20×1002/20 \times 10010%
  1. El intervalo 30-39 concentra la mayor proporción: 35%.
  2. La distribución permite observar la forma y la concentración de los datos; un único promedio puede ocultar subgrupos.
  3. No se puede asegurar que represente a toda la población sin evaluar cómo fue obtenida la muestra.

Ejercicio 03. Media, mediana, moda y valores extremos

Caso. Una empresa compara las ventas diarias de siete vendedores. Los valores son:

10, 11, 11, 12, 13, 14, 4010,\ 11,\ 11,\ 12,\ 13,\ 14,\ 40
  1. Calcular la media.
  2. Calcular la mediana.
  3. Determinar la moda.
  4. ¿Cuál de las tres medidas representa mejor al vendedor típico? Justificar.
  5. ¿Qué efecto produce el valor 40 sobre la media?

Criterios asociados: 1.1.2, 1.1.3 y 1.1.5.

Solución Ejercicio 03
  1. Media:
xˉ=10+11+11+12+13+14+407=1117≈15,86\bar{x} = \frac{10+11+11+12+13+14+40}{7} = \frac{111}{7} \approx 15{,}86
  1. Mediana =12= 12 (el valor central de los siete datos ordenados).
  2. Moda =11= 11 (el valor que más se repite).
  3. La mediana representa mejor el centro típico, porque el valor 40 es extremo y eleva la media.
  4. El valor 40 arrastra la media hacia arriba, lo que demuestra que la media es sensible a valores extremos.

Ejercicio 04. Misma media, distinta dispersión

Caso. Dos sucursales presentan los siguientes niveles de ventas diarias:

Sucursal ASucursal B
185
1910
2020
2130
2235
  1. Calcular la media de cada sucursal.
  2. ¿Tienen ambas sucursales el mismo comportamiento solo porque poseen la misma media?
  3. ¿Cuál presenta mayor dispersión visualmente?
  4. ¿Qué medida estadística sirve para cuantificar esa diferencia?
  5. Desde una perspectiva de gestión, ¿cuál sucursal parece más estable?

Criterios asociados: 1.1.2 y 1.1.3.

Solución Ejercicio 04
  1. Medias:
xˉA=18+19+20+21+225=20xˉB=5+10+20+30+355=20\bar{x}_A = \frac{18+19+20+21+22}{5} = 20 \qquad \bar{x}_B = \frac{5+10+20+30+35}{5} = 20
  1. No. Las medias son iguales, pero la dispersión es muy distinta.
  2. La sucursal B presenta mayor dispersión.
  3. Para cuantificarla se puede usar la varianza o la desviación estándar.
  4. La sucursal A parece más estable, porque sus ventas se concentran cerca de 20.

Ejercicio 05. Varianza y desviación estándar

Caso. Un centro de soporte registra los tiempos de atención de cinco solicitudes:

4, 6, 8, 10, 12 minutos4,\ 6,\ 8,\ 10,\ 12 \text{ minutos}
  1. Calcular la media.
  2. Calcular la diferencia de cada observación respecto de la media.
  3. Eleva cada diferencia al cuadrado.
  4. Calcular la varianza poblacional.
  5. Calcular la desviación estándar.
  6. Interpretar el resultado en lenguaje de negocio.

Criterios asociados: 1.1.2, 1.1.3 y 1.1.5.

Solución Ejercicio 05
  1. Media:
μ=4+6+8+10+125=8\mu = \frac{4+6+8+10+12}{5} = 8
  1. y 3. Diferencias y cuadrados:
XXX−μX - \mu(X−μ)2(X - \mu)^2
4−416
6−24
800
1024
12416
Total040
  1. Varianza poblacional:
σ2=405=8\sigma^2 = \frac{40}{5} = 8
  1. Desviación estándar:
σ=8≈2,83 minutos\sigma = \sqrt{8} \approx 2{,}83 \text{ minutos}
  1. Los tiempos se alejan típicamente alrededor de 2,83 minutos de la media de 8 minutos.

Ejercicio 06. Distribución normal y puntaje Z

Caso. En un centro de distribución, el tiempo de preparación de pedidos se comporta aproximadamente como una distribución normal, con media μ=40\mu = 40 minutos y desviación estándar σ=5\sigma = 5 minutos.

  1. ¿Entre qué tiempos se ubica aproximadamente el 68,3% de los pedidos?
  2. ¿Entre qué tiempos se ubica aproximadamente el 95,4%?
  3. Un pedido demoró 50 minutos. Calcular su puntaje Z.
  4. Interpretar el valor Z obtenido.
  5. ¿El pedido de 50 minutos es un caso habitual o está relativamente alejado del promedio? Justificar.

Criterios asociados: 1.1.2 y 1.1.3.

Solución Ejercicio 06
  1. El 68,3% se ubica en μ±1σ=40±5\mu \pm 1\sigma = 40 \pm 5: entre 35 y 45 minutos.
  2. El 95,4% se ubica en μ±2σ=40±10\mu \pm 2\sigma = 40 \pm 10: entre 30 y 50 minutos.
  3. Puntaje Z:
Z=50−405=2Z = \frac{50 - 40}{5} = 2
  1. El pedido se encuentra 2 desviaciones estándar sobre la media.
  2. Es relativamente alejado del promedio: en una distribución normal está justo en el límite del intervalo aproximado que contiene el 95,4%.

Ejercicio 07. Distancia euclidiana y similitud entre clientes

Caso. Una empresa representa a sus clientes usando dos variables ya estandarizadas. Se dispone de tres perfiles:

ClienteVariable 1Variable 2
A11
B54
C22
  1. Calcular la distancia euclidiana entre A y B.
  2. Calcular la distancia euclidiana entre A y C.
  3. ¿Qué cliente es más parecido a A: B o C?
  4. Explicar por qué el escalado de variables es importante antes de calcular distancias.
  5. Mencionar una técnica de minería de datos donde resulte útil medir cercanía entre observaciones.

Criterios asociados: 1.1.1, 1.1.3 y 1.1.5.

Solución Ejercicio 07
  1. Distancia entre A y B:
d(A,B)=(5−1)2+(4−1)2=16+9=25=5d(A,B) = \sqrt{(5-1)^2 + (4-1)^2} = \sqrt{16 + 9} = \sqrt{25} = 5
  1. Distancia entre A y C:
d(A,C)=(2−1)2+(2−1)2=2≈1,41d(A,C) = \sqrt{(2-1)^2 + (2-1)^2} = \sqrt{2} \approx 1{,}41
  1. C es más parecido a A, porque su distancia es menor.
  2. El escalado es importante porque una variable con valores de gran magnitud puede dominar artificialmente la distancia.
  3. Técnicas que usan cercanía: KNN y clustering (agrupamiento).

Ejercicio 08. Distancia estadística o de Gauss

Caso. El gasto promedio mensual de los clientes de una empresa es $70.000 y la desviación estándar es $10.000. Un cliente gasta $85.000.

  1. Calcular la distancia estadística del cliente respecto de la media.
  2. ¿Cuántas desviaciones estándar por sobre el promedio se encuentra?
  3. Explicar por qué esta distancia permite comparar variables con escalas diferentes mejor que una diferencia absoluta.

Criterios asociados: 1.1.2, 1.1.3 y 1.1.5.

Solución Ejercicio 08
  1. Distancia estadística:
dG=∣85.000−70.000∣10.000=1,5d_G = \frac{\lvert 85.000 - 70.000 \rvert}{10.000} = 1{,}5
  1. El cliente se encuentra 1,5 desviaciones estándar sobre la media.
  2. La estandarización expresa la diferencia en unidades comparables de desviación estándar: $10.000, 10 años o 10 puntos no tienen el mismo significado si sus dispersiones son distintas.

Ejercicio 09. Distancia de Hamming aplicada a perfiles binarios

Caso. Dos clientes son descritos mediante siete respuestas binarias, donde 1 significa «sí» y 0 significa «no».

Cliente ACliente B
1 0 1 1 1 0 11 0 0 1 0 0 1
  1. Identificar las posiciones en que ambos perfiles difieren.
  2. Calcular la distancia de Hamming.
  3. Calcular la distancia de Hamming normalizada.
  4. ¿Qué significa una distancia de Hamming baja?
  5. ¿Por qué la distancia euclidiana no es la opción más natural para datos simbólicos o binarios?

Criterios asociados: 1.1.3 y 1.1.5.

Solución Ejercicio 09
  1. 1011101 frente a 1001001 difiere en las posiciones 3 y 5.
  2. Distancia de Hamming: dH=2d_H = 2.
  3. Distancia normalizada:
dHn=27≈0,2857=28,6%\frac{d_H}{n} = \frac{2}{7} \approx 0{,}2857 = 28{,}6\%
  1. Una distancia baja indica perfiles más parecidos.
  2. Hamming es natural para símbolos o datos binarios porque cuenta diferencias de posición; la geometría euclidiana no expresa directamente esa lógica.

Ejercicio 10. Entropía: medir incertidumbre

Caso. Un conjunto de 10 clientes contiene 5 que compraron un producto y 5 que no compraron.

  1. Calcular las proporciones de ambas clases.
  2. Calcular la entropía del conjunto.
  3. ¿Existe alta o baja incertidumbre sobre la clase?
  4. ¿Qué ocurriría con la entropía si los 10 clientes pertenecieran a la misma clase?

Criterios asociados: 1.1.2 y 1.1.3.

Solución Ejercicio 10
  1. Proporciones:
p(Sıˊ)=510=0,5p(No)=510=0,5p(\text{Sí}) = \frac{5}{10} = 0{,}5 \qquad p(\text{No}) = \frac{5}{10} = 0{,}5
  1. Entropía:
H=−0,5log⁡2(0,5)−0,5log⁡2(0,5)=1 bitH = -0{,}5 \log_2(0{,}5) - 0{,}5 \log_2(0{,}5) = 1 \text{ bit}
  1. La incertidumbre es máxima para un problema binario, porque ambas clases tienen igual proporción.
  2. Si los 10 casos fueran de una sola clase, H=0H = 0 bits, porque no existiría incertidumbre.

Ejercicio 11. Ganancia de información y selección de variables

Caso. Antes de separar un conjunto de clientes, la entropía de la variable objetivo es 0,971 bits. Al dividir los clientes usando la variable «Número de reclamos», la entropía ponderada queda en 0,420 bits.

  1. Calcular la ganancia de información.
  2. Interpretar el resultado.
  3. ¿Qué significa que una variable produzca mayor ganancia de información?
  4. ¿Por qué este criterio puede ser útil para construir reglas o árboles de decisión?

Criterios asociados: 1.1.1, 1.1.3 y 1.1.5.

Solución Ejercicio 11
  1. Ganancia de información:
IG=0,971−0,420=0,551 bitsIG = 0{,}971 - 0{,}420 = 0{,}551 \text{ bits}
  1. La variable reduce la incertidumbre en 0,551 bits.
  2. Una mayor ganancia indica que la variable produce subconjuntos más puros y ayuda mejor a separar las clases.
  3. Por eso es útil en árboles de decisión: permite escoger las divisiones que más reducen la incertidumbre.

Ejercicio 12. Minería de textos y webmining

Caso. Una cadena de restaurantes recibe miles de comentarios desde encuestas, redes sociales y reseñas web. La gerencia quiere conocer los principales motivos de insatisfacción y detectar qué temas aparecen con mayor frecuencia.

  1. ¿Qué tipo de datos predominan en este caso: estructurados o no estructurados?
  2. ¿Qué técnica general sería apropiada: minería de textos, webmining o ambas? Justificar.
  3. Proponer tres variables o características que podrían obtenerse desde los textos.
  4. ¿Qué información de la web podría complementar los comentarios?
  5. Explicar cómo los resultados podrían convertirse en una decisión empresarial.

Criterios asociados: 1.1.4 y 1.1.5.

Solución Ejercicio 12
  1. Predominan datos no estructurados: comentarios y reseñas en lenguaje natural.
  2. La minería de textos sirve para analizar el contenido textual; el webmining es útil cuando además se exploran datos provenientes del comportamiento o del contenido de la web.
  3. Variables posibles: sentimiento, tema principal, frecuencia de palabras o términos, y presencia de conceptos como «demora», «precio» o «atención».
  4. Información web complementaria: puntuación de las reseñas, fecha, canal, página visitada, ubicación general de la sucursal o interacción con el contenido.
  5. El análisis puede traducirse en decisiones: mejorar tiempos de atención, capacitar al personal, corregir productos o priorizar las sucursales con mayor insatisfacción.
BUSCARCtrl K