Loading
Apuntes
Study Reminders
Support
Text Version

Gestión de datos de atributos y exploración de datos

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Bienvenido a mis queridos estudiantes. Ahora estamos en el módulo 3 y hablaremos sobre el atributoData Management and Data Exploration en esta conferencia en particular.
Por lo tanto, los conceptos que vamos a cubrir hoy son acerca de las estadísticas descriptivas y vamos a hablarlas Estadísticas Univariadas, también vamos a hablar sobre las Estadísticas Multivariables de, veremos qué es la Estadística inferencial, también examinaremos los tiposde atributos de datos y cómo se gestionan los datos en GIS.
Por lo tanto, cómo hacemos la entrada de datos de atributos, cómo hacemos el diseño de la base de datos, qué es una base de datos Relationaly la me refiero a diferentes tipos de operaciones de datos con respecto a la unión de las tablas. Por lo tanto,examinaremos estos conceptos siguientes.
 
Por lo tanto, hablando de estadísticas descriptivas o Univariadas, se utiliza para las variables ordinalesy las variables de proporción y no se puede utilizar para variables nominales o categóricas. Veremoscuáles son estas variables nominales y categóricas. Algunos de ustedes podrían estar sabiendo de estosque están en I mean data management y me refiero al diseño de bases de datos y todas estas cosas.
Por lo tanto, básicamente resume la observación con estadísticas descriptivas, da un resumen delas observaciones y es con referencia a la distribución de una variable. Por lo tanto, siempre quetenemos variables y tenemos datos distribuidos o datos discretos, se agrupan o agrupan en
diferentes clases o valores agrupados y tenemos frecuencias de aparición para cada uno de estos gruposque se pueden mostrar como histograma de las diferentes clases.
Ahora, quiero decir que el número de clases que clasificaríamos nuestros datos se determina como una funcióndel número de observación y el rango de los valores. Ahora, hablando de las medidasde las tendencias centrales, tenemos tres medidas que ustedes ya conocen. El primeroes conocido como Mean, que es el promedio de todos los conjuntos de observación.
Por lo tanto, si tenemos n número de observaciones, resumimos las observaciones que quiero decir todas las observaciones de “ n ”y lo dividimos por el número de observación para darnos la media que se denotacomo mu. Ahora la siguiente medida de tendencia central es la Mediana, que es el valor medio decuando se ordenan todos los valores si me refiero a apilar los valores de los más pequeños a losmás grandes.
Por lo tanto, puede averiguar el valor medio y, en caso de que tenga incluso número de conjuntos de datos, en ese casolo que hacemos es que tomamos los dos valores medios y me refiero a los de esos. Ahora,tiene diferentes tipos de algoritmos en el sistema que me refiero al análisis de software. Por lo tanto, podemos decir quecategorías los datos o me refiero a guardar los datos en un me refiero a la más pequeña a la más grande me refiero a la orden. Por lo tanto,esos algoritmos diferentes están disponibles donde, si tenemos un conjunto de datos muy grande, se puede ordenary luego podemos averiguar la mediana.
Ahora, la modalidad es el valor que se produce con más frecuencia en un conjunto de datos. Por lo tanto, cualquiera que sea el valor de datos es eldatos que se produce con más frecuencia, quiero decir que lo tomamos como un modo. Ahora, si tenemos valores atípicos deen los datos, si tenemos algunos valores de datos que son valores de datos extremos, quiero decir queestá más allá de lo que quiero decir central cualquiera de las tendencias centrales y que tiene valores muy altos, por lo queen esos casos lo que sucede estos valores atípicos se sumarán significativamente a la media. Por lo tanto, de alguna manera elsignifica que me refiero a afectados por este tipo de valores atípicos. Por lo tanto, el valor medio o mediano reduceel impacto de los valores atípicos.
 
Por lo tanto, quiero decir que hablamos de las estadísticas descriptivas. Por lo tanto, tenemos tres medidas básicamentehablamos de la desviación estándar donde en nosotros tenemos el grado de dispersión alrededor de la mediay está representado como sigma que es la diferencia de la cuadratura que quiero decir de tus valores observadosa la media se dividen por el número total de observaciones y se toma comouna raíz cuadrada.
También tenemos un término que se conoce como Varianza, que es decir, ampliamente utilizado en SIG ode otro modo en estadísticas descriptivas. Por lo tanto, quiero decir que es la expectativa de desviación cuadrada cuando la variablees aleatoria con respecto a su media, ahora me refiero a que nos da una propagación de esos números aleatorios decon respecto al valor promedio con respecto a los valores medios. Hablandosobre el coeficiente de sesgo cuando estamos teniendo una distribución a, cuando estamos teniendo un histograma depodemos ver que podría estar en la forma de una curva de campana inversa.
Por lo tanto, esta curva podría ser de naturaleza simétrica o podría ser de naturaleza asimétrica. Por lo tanto, el coeficiente de desviación de, mide la falta de simetría o la presencia de simetría en la distribución de datos dey se mide utilizando el coeficiente de desfase del momento de Pearson que esdado por esta ecuación en particular que se muestra aquí.
 
Ahora, yendo a Estadísticas multivariantes, generalmente quiero decir que estamos tratando con datos que no sonunivariantes, pero es multivariado donde en nosotros tenemos una variable dependiente y es posible que tengamosmúltiple variable independiente.
Por lo tanto, me refiero a que sus estadísticas univariantes no pueden utilizarse para analizar dicha situación. Por lo tanto, quiero decir de nuevocuando nos gusta que estuviéramos hablando de datos univariados en caso de análisis multivariado, así comosignifica que no es posible para nosotros analizar las variables nominales o categóricas, por lo que podemos como yo
estaba diciendo que podemos explorar si hay una relación entre dos o incluso más de dos variables de.
Por lo tanto, si tiene dos variables, entonces vendría como un gráfico de dispersión que puede tener abscisa yordinate x-axis y el eje y y los gráficos de datos los valores de datos se dispersarán en papelpot, me refiero al diagrama como me refiero a los puntos en la x y el eje y. Por lo tanto, quiero decir que si tiene un conjunto de datos dimensionales de tresen el que puede tener una variable independiente y dependiente y dos variables independientes de, en ese caso sería como una nube de puntos y de forma similar, si tienemás número de variables, se convierte en una figura complicada.
Por lo tanto, quiero decir que podemos incluir más de una variable y, pero la ventaja de esta estadística descriptiva de datosmultivariada es que podemos evaluar simultáneamente la interrelación entrenúmero múltiple de variables. Ahora, para hacer esta evaluación lo que hacemos es, hay dos métodos. Hablamos de la correlación y hablamos de regresión.
Por lo tanto, en la correlación y la regresión que naturaleza quiero decir que exploramos la naturaleza de las relacionesentre las diferentes variables y tratamos de evaluar un qué es la fuerza de las relacionesentre estas variables. Por lo tanto, cuando tenemos estas variables, lo que podemos hacer es que podamos ajustar una líneaa estos puntos de datos y esta línea es la línea del mejor ajuste, que es la línea que pasa a través deesta trama de dispersión se ha elaborado. Por lo tanto, es lo más cercano posible a todos los puntos y representa Idecir esta línea en particular o la mejor línea de ajuste que representa la tendencia en los datos.
Por lo tanto, supongamos que tenemos estos puntos de datos y me refiero a intentar crear estos puntos de datos gráficos de dispersiónen este x, y y z valores de dos variables que son y y z. Así que quiero decir que si tratamos de hacer una trama de mejor ajuste de, entonces lo que sucede es que puedes averiguar las distancias y estas distancias seríanminimizadas, estas distancias de estos puntos serían minimizadas, de modo que la siguiente es la mejor línea de ajuste de.
 
Ahora, si vemos la ecuación de la mejor línea de ajuste, es en la forma de y es igual a mx más c donde entenemos la pendiente y tenemos el me refiero a intersección. Por lo tanto, esto en esta ecuación en particular que es zi es igual a la beta subíndice 0 más beta subscripto 1 y i en esta beta 0 representa la pendientey la beta 1 representa los coeficientes de intercepción. Por lo tanto, vemos esta ecuación en particular en estesu z i es igual a beta 0 beta subíndice 0 más beta subscript 1 yi.
Esta es la ecuación de esta línea en particular que es la línea de mejor ajuste en la que está tan cerca comoposible al a todos los puntos. Por lo tanto, veremos cómo minimizamos esta distancia de todos estos puntos. Por lo tanto, en este caso este es de la forma de y es igual a mx más c. Por lo tanto, vemos el subíndice de beta0 y el subíndice beta 1 son la intersección y los coeficientes de pendiente.
 
Ahora, habíamos hablado de lo que me refiero a la mejor línea de ajuste. Por lo tanto, esta es la ecuación de regresión. Esta ecuación dede la que habíamos hablado es la ecuación de regresión. Ahora hablando de la pendiente deesta línea en particular que es la beta 1 es decir, calculado usando esta ecuación en particular me refiero ate da la proporción del aumento a lo largo de la x a la relación de subida a lo largo del eje y. Por lo tanto, en este casose da por esta ecuación en particular. Por lo tanto, de manera similar podemos calcular la intersecciónpor esta ecuación. Una vez más, me refiero a restar su media de z menos beta 1 a la media y.
 
Hablar del coeficiente de correlación que nos da la fuerza y la naturaleza de la relaciónentre las variables, por lo que nos da el grado en que los puntos de dispersión sonalrededor de la línea de regresión. Por lo tanto, es una proporción de nuevo y se trabaja utilizando esta ecuaciónen particular y podemos ver que el r que es el coeficiente de correlación, va de menos 1 apositivo 1 valor.
Ahora, cuando tenemos valores positivos de r, indica una correlación positiva y cuando tenemosr negativos de r como negativos, indica que tenemos correlación negativa. Ahora, el coeficiente de determinación deque también se conoce como r cuadrado o en algunos casos verá que hay valores de la plaza r ajustada de, daría la indicación de la bondad del ajuste. Ahora, es el cuadradodel coeficiente de correlación que habíamos visto antes y me refiero a que nos da el porcentaje de variaciónen los datos que se explica por la línea del mejor ajuste.
 
Ahora, hablando de estadísticas inferenciales cuando tenemos una población enorme de población, nosotrosno podemos hacer un muestreo de toda la población. Así que lo que podemos hacer es tomar una muestra dela población y esa muestra tiene que ser significativa. Así que lo que hacemos en estadísticas inferenciales, nosotrostratamos de ver o hacer las pruebas de importancia. Por lo tanto, esta prueba de importancia es entre los diferentes gruposque es el que tratamos de medir el grado de diferencia entre las diferentes muestras deen la población. Ahora, esta estadística inferencial nos ayuda a considerar la probabilidadde la declaración sobre un determinado parámetro.
Por lo tanto, cuando estamos hablando de una hipótesis antes de hacer una investigación, por lo que banco en estaestadísticas inferenciales para ver si la hipótesis es correcta o es incorrecto. Por lo tanto, hablamosde dos casos en términos de hipótesis 1 es la hipótesis nula y una es la hipótesis alternativa de. Así que cuando hacemos esta estadística inferencial, podemos concluir que si haydiferencia significativa entre los dos grupos que quiero decir entre los parámetros estadísticos de la
dos grupos que son la media o la desviación estándar si los dos grupos eran significativamentediferentes para la población.
Así que nos da la hipótesis nula y la otra es su hipótesis alternativa que es cuandolo significativo hay una diferencia significativa en la población, da la hipótesis alternativa dey también tenemos el nivel de significación que se denota como alfa y se definecomo la probabilidad de que la hipótesis nula sea correcta y si es estadísticamente significativa me refieroque es poco probable que la observación o la muestra se hubiera producido por casualidad.
 
Por lo tanto, así es como utilizamos la media o podemos utilizar las estadísticas univariantes, las estadísticas demultivariadas o las estadísticas inferenciales. Por lo tanto, tenemos varias otras matrices en estadísticas inferenciales. El primeres el error estándar, donde en nosotros tratamos de medir el intervalo de confianza que es lo que quiero decirque nos da la media de la muestra y la diferencia de la media de la población. Por lo tanto, si este error es pequeño
eso significa que hay una mayor confianza de que los dos medios están más cerca uno del otro. Ahora,el error estándar es la proporción de desviación estándar con la raíz cuadrada del número de observaciones deen el ejemplo.
También tenemos una medida que se conoce como t-statistic que evalúa la diferencia entrelos dos medios de muestra. Se calcula usando esta ecuación en particular que es r en la raíz sobre nmenos 2 dividido por 1 menos r cuadrado. Ahora, también analizamos que también podemos analizar la variacióndentro de las columnas de datos y entre las columnas de datos. Por lo tanto, se puede realizar utilizando este métodoconcreto que se conoce como ANOVA, que es el análisis de la varianza.
(Consulte la hora de la diapositiva: 18:07)
Por lo tanto, aparte de esto también podemos decir cómo sus datos espaciales y datos espaciales sondiferentes entre sí. Por lo tanto, si ejecutamos las inferencias estadísticas sobre datos espaciales, podemos verque hay una diferencia entre los conjuntos de datos espaciales y los conjuntos de datos aspatiales. Debe
ser tratado de manera diferente, de una manera que su premisa cuando estamos tratando con datos aspatiales,cualquier tipo de análisis estadístico que habíamos hablado sobre si es univariante, las estadísticas multivariadas deen ese caso la suposición es que hay independencia en la observación de las muestras deque es el valor de una observación no se ve afectada por las otras observaciones en el conjunto de datos dado por.
Pero cuando hablamos de análisis de datos espaciales en el mundo real, veríamos que las observaciones deen las variables espaciales en el dominio espacial, a menudo son similares a los valores vecinos de. Así que de una manera en la que vamos a analizar los datos espaciales, deberíamos tener un enfoque diferente de, un enfoque claramente diferente al enfoque que utilizamos para un análisis espacial de datos de.
 
Ahora, hablando de Gestión de datos podemos definir cada campo en la tabla de datos donde endamos el nombre de campo, podemos especificar la longitud de campo que es el número de dígitos que se debepara un campo. También podemos dar el tipo de datos si esos datos son enteros, es flotante oes una información de texto, si es una fecha o una información de moneda y también podemos dar el númerode dígitos decimales en caso de que los datos sean un tipo de datos flotante.
Por lo tanto, quiero decir que cuando estamos haciendo este análisis, inicialmente podemos empezar con archivos planos. Así que quiero decir quecuando tengamos más cantidad de datos, entonces podremos entrar en una base de datos relacional. Si tenemos un conjunto de datosenorme, podemos crear una base de datos relacional y podemos ser más fáciles de manejar ental caso cuando estamos utilizando la gestión de bases de datos relacionales para manejar una cantidad enormede datos.
 
Así que hablando de los distintos tipos de datos de atributos, tenemos el número de texto binario de fecha de texto o el objeto grande binario grande deque también se conoce como datos BLOB. cuando estamos hablando de números de, estaríamos tratando con números reales, números enteros. Por lo tanto, podemostener valores enteros o podemos tener valores flotantes. Por lo tanto, cuando estamos codificando los datos especialmente parael tipo de datos de barrido, tenemos que tener mucho cuidado con el tipo de conjunto de datos que estamos creandoporque supongamos que si tiene una operación flotante y el tipo de datos que está definiendocomo entero, descartaría todos los valores flotantes.
Por lo tanto, tenemos que tener mucho cuidado con el tipo de datos que estamos manejando. Por lo tanto,específicamente en caso de raster. Por lo tanto, de forma similar podemos tener datos flotantes. Por lo tanto, la resolución de datos tambiénentrará en escena cuando estemos tratando con el conjunto de datos de barrido. Podría ser un dato de 2 bits,podría ser un dato de 4 bits o de 8 bits, datos de 12 bits dependiendo de la media del tamaño de ladiferencia devalores más altos y los valores más bajos.
Ahora, los datos de atributos se miden por diferentes escalas. Por lo tanto, tenemos diferentes tipos de datos de atributos. El primero en el que nos encontramos son los datos nominales que describen los diferentes tiposo categorías de datos. Por lo tanto, ejemplos de este tipo de datos podrían ser sus datos de uso de la tierra o datos sontales datos del suelo, por lo que en usted da las categorías de uso de la tierra o las categorías de suelo. Los próximos datos decon los que nos ocupamos son los datos ordinales. Por lo tanto, me refiero a diferenciar los datos por una relación de clasificación de.
Por lo tanto, podemos decir que supongamos que tenemos un conjunto de datos, por lo que podemos cuantificar la intensidad como en este casoen particular estamos hablando de la erosión del suelo. Por lo tanto, si la erosión es grave omoderada, también podemos hablar de matriz de proximidad como es muy cerca o lejos o quiero decir que podemostener diferentes tipos de medidas y clasificar las relaciones. Ahora, los datos de intervalo son los intervalos deentre diferentes valores que tienen intervalos conocidos, como supongamos que podemos categorizar los datos de temperatura deen diferentes grupos y podemos tener un grupo en el que podamos tener una temperatura de datosfría que sea normal o cómoda y que las temperaturas sean más cálidas.
Por lo tanto, podemos categorizar los datos y estos se conocen como datos de intervalo. El último quea menudo utilizamos para la modelización de datos en GIS es la relación de datos y esta es la herramienta más poderosa que
tenemos. Por lo tanto, podemos utilizar el tipo de entero de sus datos numéricos o datos de tipo flotante cuandotrabajamos con conjuntos de datos de proporción. Entonces, tu quiero decir que es la proporción básicamente. Por lo tanto, quiero decir, por ejemplo,podemos hablar de la densidad de población en diferentes palabras, que es un ejemplo de datos de proporción.
 
Ahora, hay cuatro tipos de diseño de base de datos cada vez que tomamos las tareas de GIS, podemos creardiferentes tipos de base de datos dependiendo del tamaño de la base de datos. Por lo tanto, si la base de datos es pequeñapodemos crear una nomenclatura de archivos sin formato donde en nosotros tenemos un solo archivo y los datos se disponen enuna matriz de dos dimensiones de elementos de datos. El siguiente es los datos jerárquicos en los que los datos dese pueden organizar en una estructura similar a un árbol e implica que hay un solo padre para cada registro de.
El siguiente tipo de datos es el tipo de datos de red. Por lo tanto, es una modificación, una modificación adicional deel conjunto de datos jerárquico y que incorpora muchas a muchas relaciones en un árbol como la estructura en un
estructura jerárquica. Por lo tanto, esta estructura de datos o este tipo de diseño de base de datos permite avarios padres. Por lo tanto, si tiene nodos hoja, puede tener varios padres en esos nodos finales.
El último tipo para el diseño de la base de datos es la base de datos relacional que es el dato más potenteme refiero al diseño de base de datos cuando tiene conjuntos de datos muy grandes. Por lo tanto, generalmente utilizamos o relacionamos el sistema de gestión de bases de datospara modelar todos los datos para realizar el diseño de todos los conjuntos de datos. Por lo tanto, me refiero a que se basa en la lógica de predicado y se basa en la teoría de conjuntos. Por lo tanto, tenemos nombrescolumnas de relación que se llaman atributos y dominio y este dominio es el conjunto de valoresde los atributos.
 
Por lo tanto, podemos tener sistemas de gestión de bases de datos que funcionan en el fondo cuando manejalos datos de GIS establecen los datos de atributos. Por lo tanto, crea y maneja la base de datos GIS. Por lo tanto, estas herramientas deDBMS proporcionan soluciones medias para la entrada de datos para la búsqueda y recuperación de datos
El manejo y la generación de salida de sus consultas, su GIS puede interactuar desde que me refiero a datosde fuentes múltiples.
Por lo tanto, quiero decir que podemos conectarnos a bases de datos remotas y este GIS tiene la capacidad de acceder a tales bases de datosme refiero a múltiples bases de datos. Así que quiero decir conectar estas múltiples bases de datos, tendríamos quetener un campo único que se conoce como claves. Por lo tanto, tenemos una base de datos relacional en la que entenemos una colección de tablas y se conectarían entre sí mediante un ID de característica quese conoce como claves y las relaciones se crean en él.
Hay diferentes tipos de claves. En primer lugar, hablamos de las claves primarias que quiero decir son los atributos decuyos valores son exclusivos y se pueden identificar como un registro en una tabla. También tenemosuna clave foránea que es uno o más atributos que hacen referencia a la clave primaria en otra tabla,otra tabla de referencia en la que están disponibles algunos otros conjuntos de datos.
También hemos hablado sobre el BLOB, que es el objeto binario grande que almacena el enorme bloquede datos que quiero decir, por ejemplo, podría ser las coordenadas de los puntos o las líneasque quiero decir, porque generalmente almacenamos las geometrías de las características como archivos de bloques. Por lo tanto, podría sertambién imágenes o podría ser datos multimedia y estos archivos me refiero a que generalmente almacenan estas coordenadascomo números binarios.
 
Ahora, los tipos de relaciones que tenemos en el sistema de gestión de bases de datos podrían ser delos cuatro tipos. La primera es la relación de uno a uno. Por lo tanto, cada registro de la tabla esrelacionado con un solo registro, uno y sólo registro en otra tabla. Por lo tanto, si tenemos dos tablases una relación de uno a uno que quiero decir que no ve varias conexiones en este tipo de relaciones.
(Consulte la hora de la diapositiva: 29:27)
La siguiente es la relación de uno a muchos. En este registro de la tabla está relacionado conmuchos registros de otra tabla. Por lo tanto, puede ver para cada uno de estos registros concretos que sonrelacionados con varios registros de otra tabla.
 
Ahora, podría haber una relación de muchos a uno. En este número de registros de la tabla, quiero decir que la tabla de atributos depuede estar relacionada con un registro de otra tabla. Por lo tanto, en este caso tiene la tabla atribuible de, la tabla GIS y puede tener otra base de datos donde, en su caso, vea que hayvarias conexiones de la base de datos de entrada a la de otra base de datos otra tabla de datos.
 
La siguiente es muchas relaciones en las que muchos registros de una tabla estarían relacionadoscon muchos registros de otra tabla. Así que, así es como están estas dos tablas. Tendrían sus identificadoreso las claves de las que hemos hablado. Por lo tanto, quiero decir que estarían relacionados con cada uno de los otrosen una relación de muchos a muchos.
(Consulte la hora de la diapositiva: 30:34)
.
Ahora, hablando del sistema de gestión de bases de datos podemos unir los datos de atributos que quiero decir que podemoshacer una unión no espacial de la tabla de atributos. Así que si tenemos una tabla de atributos múltiples, en este casose puede ver que tenemos las tablas de población para diferentes estados de la India en la que tenemos población, tenemos la población masculina y femenina, tenemos la diferencia entre elmasculino y el femenino y la relación sexual en la primera tabla que tiene una clave primaria y en la siguiente tabla, tenemos la población total que es urbana y la población total que es rural nosotrostenemos la zona, así como la densidad y tiene una clave foránea.
Por lo tanto, en la diapositiva anterior habíamos hablado de la clave primaria y la clave foránea. Por lo tanto,puede ver cómo se encuentran y se relacionarían o en cualquier operación de consulta o búsqueda o el proceso deel proceso adicional de estas dos claves se relacionaría en una unión no espacial. Por lo tanto, nosotrospodemos ver cómo podemos hacer una unión no espacial.
 
Por lo tanto, para fusionar los datos de atributos hay pocas opciones que están disponibles en el software GIS.Por lo tanto, la mayoría de estos paquetes han obtenido estas operaciones. Por lo tanto, primero es la operación de unión en la queen las dos tablas utilizando las claves, las claves comunes se unen y las columnas se añadende una tabla a otra. Por lo tanto, para el en la tabla de entrada, quiero decir que se convertiría enuna tabla ampliada, donde en todos los campos se agregaría.
La siguiente, la siguiente forma de fusionar los datos de atributos es el operador relate, dondeconecta temporalmente dos tablas utilizando las claves comunes o los campos que hemos visto son la herramienta común de, ambas tablas. Ahora, el tercero es la unión espacial que utiliza una relaciónespacial para unir los dos conjuntos de datos de las características espaciales, así como sus datos de atributos. Por lo tanto,podemos ver un ejemplo de datos espaciales, una unión espacial.
Por lo tanto, en nuestra diapositiva anterior habíamos visto los datos relativos a las estadísticas de población para diferentes estados de Por lo tanto, puede ver aquí una operación de unión espacial se ha hecho en el gráfico de pi azul,pi se puede ver que es la población y la naranja le da la fracción de la población urbanaen los diferentes estados. Por lo tanto, puede identificar los estados en los que tiene la cantidad más alta de población urbana deaquellas dos tablas donde se unen utilizando una unión espacialy podemos ver la salida aquí.
 
Así que, recapitulando lo que hemos cubierto hoy, hemos hablado de Estadísticas descriptivas de Univariante, donde en nosotros habíamos hablado de las tendencias centrales de la media, la medianay el modo para un dato univariado que tiene una sola columna de atributo. Entonces habíamos hablado del análisis de datos multivariantes de, habíamos hablado de estadísticas inferenciales, habíamos hablado sobre los diferentes tipos de datos de atributos dey luego hemos hablado finalmente de la gestión de datos.
Hemos hablado de cómo podemos hacer la entrada de datos y cuáles son los diferentes tipos de datos. Enque habíamos hablado del diseño de la base de datos, habíamos hablado de la base de datos relacional, las operaciones de datos de. Así que, gracias por la audición de su paciente hasta que nos volvamos a encontrar en la siguiente conferencia.
Muchas gracias.