PCA y geometría de la varianza
Rotación de componentes, escalado, reconstrucción, biplots y observaciones atípicas.
Abrir primera simulación PCA →Módulo 10 · Unidad III
Descubrir estructuras no supervisadas con escala, distancia, estabilidad e interpretación orientada a acciones.
Centro del módulo
Abrí cada recurso y marcá el avance. El estado se conserva en tu navegador.
| Recurso | Acceso |
|---|---|
| Guía de estudio · PCA, K-Means y jerárquico (91 diapositivas) | Abrir guía de estudio |
| Simulaciones interactivas · 14 laboratorios (PCA, K-Means y jerárquico) | Abrir 14 simulaciones |
| Videos complementarios · 14 recursos vinculados a las 91 diapositivas | Ver videos completos |
| Cuestionario razonado · 128 preguntas y respuestas desarrolladas | Estudiar preguntas |
| Glosario razonado · 132 conceptos completos | Estudiar conceptos |
| Colab integral Python · 76 celdas, 27 experimentos, caso RFM y validaciones | Abrir laboratorio completo |
Guía de estudio del Módulo 10: las tres presentaciones se reúnen en un único recurso de lectura, con PDF integrado, visor por clase y descargas PowerPoint. Empezá por PCA, seguí con K-Means y terminá con clustering jerárquico.
Laboratorio avanzado · Módulo 10
Como en el Módulo 09, cada laboratorio se abre en una página independiente, con gráficos dinámicos, navegación anterior/siguiente y tema claro u oscuro. La guía de estudio y las presentaciones siguen disponibles.
Rotación de componentes, escalado, reconstrucción, biplots y observaciones atípicas.
Abrir primera simulación PCA →Arrastrar centroides, iteraciones de Lloyd, k-means++, silhouette y sensibilidad a la escala.
Abrir primera simulación K-Means →Matrices de distancia, fusiones, reglas de linkage, altura de corte y estabilidad.
Abrir primera simulación jerárquica →Las simulaciones son interactivas: permiten variar parámetros, ejecutar y pausar, comparar escenarios y exportar evidencias. No requieren Colab ni instalaciones.
Guías de estudio completas · Teoría, práctica y evaluación
Dos materiales complementarios de estudio universitario, desarrollados para comprender los fundamentos, interpretar las ecuaciones y justificar decisiones. Como en el Módulo 09, se abren directamente en el navegador; esta edición incorpora más contenido, vínculos cruzados y respuestas extensas.
Definiciones desarrolladas, mecanismos matemáticos, ejemplos económicos, limitaciones, preguntas para repasar y referencias a simulaciones. Búsqueda, filtros, progreso y cambio de tema.
Abrir glosario completo · 132 conceptos →Preguntas abiertas de nivel universitario; cada solución incluye argumento conceptual, desarrollo técnico, aplicación, errores comunes y criterio de corrección. Modo examen y seguimiento del aprendizaje.
Abrir cuestionario · 128 respuestas →Videoteca docente · Recurso complementario
Una selección contrastada con las 91 diapositivas, igual que en el Módulo 9: el catálogo permite reproducir el material en esta misma web, mirar las clases completas sin corte, abrir su fuente original en YouTube y pasar directamente al laboratorio correspondiente.
Varianza, autovectores, SVD, estandarización, interpretación y Python. Vínculos a las diapositivas y a S01–S04.
Ver la ruta de PCA →Algoritmo de Lloyd, K-Means++, método del codo, silhouette y límites de las agrupaciones por centroides.
Ver la ruta de K-Means →Dendrogramas, linkages, interpretación del corte y heatmaps de perfiles de clientes.
Ver la ruta jerárquica →La reproducción integrada se inicia al seleccionar cada video, ofrece subtítulos cuando YouTube los suministra y nunca fija un tiempo de finalización. Si YouTube bloquea la incrustación, el enlace original permite continuar.
Al completar el módulo
Marco conceptual
Clustering aprende de la representación. Escala, variables redundantes y codificación alteran distancias; por eso la preparación es parte del modelo.
Alterna asignación al centroide más cercano y actualización de centroides. Favorece grupos compactos, aproximadamente esféricos y de escala comparable.
El clustering jerárquico construye un dendrograma según distancia y linkage. DBSCAN identifica regiones densas y ruido sin fijar de antemano la cantidad de grupos.
Silhouette, inercia, estabilidad por remuestreo, perfiles y utilidad operacional aportan evidencia complementaria. PCA ayuda a visualizar y reducir redundancia, no certifica segmentos.
Nivel profesional
Estos temas conectan el fundamento con decisiones modernas, evaluación rigurosa y operación real.
Estabilidad por remuestreo y consenso entre soluciones.
UMAP/HDBSCAN como profundización, con control de parámetros y ruido.
Validación operativa: tamaño, alcanzabilidad, diferenciación y respuesta al tratamiento.
Control de calidad
Caso de negocio
Marketing busca segmentos de clientes para diseñar propuestas distintas. Un grupo estadístico solo es útil si puede describirse, alcanzarse y tratarse.
Explorar en la simulaciónPráctica guiada
Nuevo laboratorio Python en Google Colab: 76 celdas y 27 experimentos que recorren las tres presentaciones: PCA y reconstrucción, K-Means y selección de K, clustering jerárquico y dendrogramas, DBSCAN, estabilidad y aplicación RFM con 660 clientes sintéticos. Incluye gráficos, 10 pruebas matemáticas, panel opcional interactivo y exportación de modelos y reportes; se ejecuta de principio a fin sin datos externos.
Defendé una segmentación que pueda ser encontrada en producción y reciba acciones distintas.
Segmentación comparada con K-Means y jerárquico, diagnóstico de escala, estabilidad, perfiles y acciones propuestas.