#################################################################################################### 01. Analise Bivariada: Nesta aula, vamos aprender sobre análise bivariada, uma técnica estatística que nos permite entender a relação entre duas variáveis em um conjunto de dados. Utilizaremos gráficos, tabelas cruzadas e cálculos de correlação para identificar padrões, associações e dependências entre essas variáveis. Isso nos ajudará a obter insights valiosos sobre como elas interagem, o que é fundamental para a análise de dados e tomada de decisões informadas. No módulo, exploraremos dois conceitos: análise de correlação e tabelas cruzadas. Vamos começar com o código. #################################################################################################### 02. Hands-On - Tabela De Contingencia: Nesta aula, aprendemos a construir uma tabela de contingência para analisar a relação entre duas variáveis. Utilizamos o método `pd.crosstab` para criar a tabela cruzada e contar a quantidade de clientes em cada combinação de categorias. Em seguida, interpretamos os resultados da tabela, observando se há alguma discrepância nas distribuições das categorias. Essa discrepância pode indicar uma correlação entre as variáveis. Também discutimos a importância de realizar testes estatísticos para validar essas correlações. No próximo vídeo, iremos explorar como realizar esses testes estatísticos. #################################################################################################### 01. Analise Bivariada: Nesta aula, vamos aprender sobre análise bivariada, uma técnica estatística que nos permite entender a relação entre duas variáveis em um conjunto de dados. Utilizaremos gráficos, tabelas cruzadas e cálculos de correlação para identificar padrões, associações e dependências entre essas variáveis. Isso nos ajudará a obter insights valiosos sobre como elas interagem, o que é fundamental para a análise de dados e tomada de decisões informadas. No módulo, exploraremos dois conceitos: análise de correlação e tabelas cruzadas. Vamos começar com o código. #################################################################################################### 02. Hands-On - Tabela De Contingencia: Nesta aula, aprendemos a construir uma tabela de contingência para analisar a relação entre duas variáveis. Utilizamos o método `pd.crosstab` para criar a tabela cruzada e contar a quantidade de clientes em cada combinação de categorias. Em seguida, interpretamos os resultados da tabela, observando se há alguma discrepância nas distribuições das categorias. Essa discrepância pode indicar uma correlação entre as variáveis. Também discutimos a importância de realizar testes estatísticos para validar essas correlações. No próximo vídeo, iremos explorar como realizar esses testes estatísticos. #################################################################################################### 04. Hands-On - Correlacao de variavel qualitativa e quantitativa: Nesta aula, vamos abordar a análise de correlação entre uma variável qualitativa e uma variável quantitativa. Vamos utilizar o teste de Qsquare, mas primeiro precisamos transformar a variável quantitativa em uma variável qualitativa. Faremos isso criando uma nova coluna no DataFrame, onde os valores serão "yes" para clientes com menos de 6 meses de contrato e "no" para clientes com 6 meses ou mais. Em seguida, faremos a análise de correlação usando o teste de Qsquare e verificaremos se há uma correlação significativa entre churn e tempo de contrato inferior a 6 meses. Concluímos que a correlação entre churn e tempo de contrato é menor do que a correlação entre churn e tipo de contrato. #################################################################################################### 05. Hands-On - Correlacao de variaveis quantitativas: Nesta aula, discutimos sobre a análise bivariada e como podemos analisar a correlação entre duas variáveis numéricas. Utilizamos o exemplo das variáveis "TENURE" (tempo de contrato) e "TOTAL CHARGES" (total pago durante o contrato) para ilustrar a intuição de que quanto maior o tempo de contrato, maior o valor pago. Calculamos a correlação utilizando o coeficiente de correlação de Pearson e também o método SPIRMA, que captura correlações não lineares. Ambos os métodos mostraram uma forte correlação positiva entre as variáveis. Além disso, apresentamos um gráfico de dispersão para visualizar essa tendência. Propus dois desafios para validar hipóteses relacionadas à faixa etária do cliente e ao contrato mensal. Esses desafios podem ser trabalhados utilizando as técnicas aprendidas nesta aula. #################################################################################################### 01. Analise Bivariada: Nesta aula, vamos aprender sobre análise bivariada, uma técnica estatística que nos permite entender a relação entre duas variáveis em um conjunto de dados. Utilizaremos gráficos, tabelas cruzadas e cálculos de correlação para identificar padrões, associações e dependências entre essas variáveis. Isso nos ajudará a obter insights valiosos sobre como elas interagem, o que é fundamental para a análise de dados e tomada de decisões informadas. No módulo, exploraremos dois conceitos: análise de correlação e tabelas cruzadas. Vamos começar com o código. #################################################################################################### 02. Hands-On - Tabela De Contingencia: Nesta aula, aprendemos a construir uma tabela de contingência para analisar a relação entre duas variáveis. Utilizamos o método `pd.crosstab` para criar a tabela cruzada e contar a quantidade de clientes em cada combinação de categorias. Em seguida, interpretamos os resultados da tabela, observando se há alguma discrepância nas distribuições das categorias. Essa discrepância pode indicar uma correlação entre as variáveis. Também discutimos a importância de realizar testes estatísticos para validar essas correlações. No próximo vídeo, iremos explorar como realizar esses testes estatísticos. #################################################################################################### 04. Hands-On - Correlacao de variavel qualitativa e quantitativa: Nesta aula, vamos abordar a análise de correlação entre uma variável qualitativa e uma variável quantitativa. Vamos utilizar o teste de Qsquare, mas primeiro precisamos transformar a variável quantitativa em uma variável qualitativa. Faremos isso criando uma nova coluna no DataFrame, onde os valores serão "yes" para clientes com menos de 6 meses de contrato e "no" para clientes com 6 meses ou mais. Em seguida, faremos a análise de correlação usando o teste de Qsquare e verificaremos se há uma correlação significativa entre churn e tempo de contrato inferior a 6 meses. Concluímos que a correlação entre churn e tempo de contrato é menor do que a correlação entre churn e tipo de contrato. #################################################################################################### 05. Hands-On - Correlacao de variaveis quantitativas: Nesta aula, discutimos sobre a análise bivariada e como podemos analisar a correlação entre duas variáveis numéricas. Utilizamos o exemplo das variáveis "TENURE" (tempo de contrato) e "TOTAL CHARGES" (total pago durante o contrato) para ilustrar a intuição de que quanto maior o tempo de contrato, maior o valor pago. Calculamos a correlação utilizando o coeficiente de correlação de Pearson e também o método SPIRMA, que captura correlações não lineares. Ambos os métodos mostraram uma forte correlação positiva entre as variáveis. Além disso, apresentamos um gráfico de dispersão para visualizar essa tendência. Propus dois desafios para validar hipóteses relacionadas à faixa etária do cliente e ao contrato mensal. Esses desafios podem ser trabalhados utilizando as técnicas aprendidas nesta aula. #################################################################################################### 01. Analise Bivariada: Nesta aula, vamos aprender sobre análise bivariada, uma técnica estatística que nos permite entender a relação entre duas variáveis em um conjunto de dados. Utilizaremos gráficos, tabelas cruzadas e cálculos de correlação para identificar padrões, associações e dependências entre essas variáveis. Isso nos ajudará a obter insights valiosos sobre como elas interagem, o que é fundamental para a análise de dados e tomada de decisões informadas. No módulo, exploraremos dois conceitos: análise de correlação e tabelas cruzadas. Vamos começar com o código. #################################################################################################### 02. Hands-On - Tabela De Contingencia: Nesta aula, aprendemos a construir uma tabela de contingência para analisar a relação entre duas variáveis. Utilizamos o método `pd.crosstab` para criar a tabela cruzada e contar a quantidade de clientes em cada combinação de categorias. Em seguida, interpretamos os resultados da tabela, observando se há alguma discrepância nas distribuições das categorias. Essa discrepância pode indicar uma correlação entre as variáveis. Também discutimos a importância de realizar testes estatísticos para validar essas correlações. No próximo vídeo, iremos explorar como realizar esses testes estatísticos. #################################################################################################### 04. Hands-On - Correlacao de variavel qualitativa e quantitativa: Nesta aula, vamos abordar a análise de correlação entre uma variável qualitativa e uma variável quantitativa. Vamos utilizar o teste de Qsquare, mas primeiro precisamos transformar a variável quantitativa em uma variável qualitativa. Faremos isso criando uma nova coluna no DataFrame, onde os valores serão "yes" para clientes com menos de 6 meses de contrato e "no" para clientes com 6 meses ou mais. Em seguida, faremos a análise de correlação usando o teste de Qsquare e verificaremos se há uma correlação significativa entre churn e tempo de contrato inferior a 6 meses. Concluímos que a correlação entre churn e tempo de contrato é menor do que a correlação entre churn e tipo de contrato. #################################################################################################### 05. Hands-On - Correlacao de variaveis quantitativas: Nesta aula, discutimos sobre a análise bivariada e como podemos analisar a correlação entre duas variáveis numéricas. Utilizamos o exemplo das variáveis "TENURE" (tempo de contrato) e "TOTAL CHARGES" (total pago durante o contrato) para ilustrar a intuição de que quanto maior o tempo de contrato, maior o valor pago. Calculamos a correlação utilizando o coeficiente de correlação de Pearson e também o método SPIRMA, que captura correlações não lineares. Ambos os métodos mostraram uma forte correlação positiva entre as variáveis. Além disso, apresentamos um gráfico de dispersão para visualizar essa tendência. Propus dois desafios para validar hipóteses relacionadas à faixa etária do cliente e ao contrato mensal. Esses desafios podem ser trabalhados utilizando as técnicas aprendidas nesta aula. #################################################################################################### 01. Analise Bivariada: Nesta aula, vamos aprender sobre análise bivariada, uma técnica estatística que nos permite entender a relação entre duas variáveis em um conjunto de dados. Utilizaremos gráficos, tabelas cruzadas e cálculos de correlação para identificar padrões, associações e dependências entre essas variáveis. Isso nos ajudará a obter insights valiosos sobre como elas interagem, o que é fundamental para a análise de dados e tomada de decisões informadas. No módulo, exploraremos dois conceitos: análise de correlação e tabelas cruzadas. Vamos começar com o código. #################################################################################################### 02. Hands-On - Tabela De Contingencia: Nesta aula, aprendemos a construir uma tabela de contingência para analisar a relação entre duas variáveis. Utilizamos o método `pd.crosstab` para criar a tabela cruzada e contar a quantidade de clientes em cada combinação de categorias. Em seguida, interpretamos os resultados da tabela, observando se há alguma discrepância nas distribuições das categorias. Essa discrepância pode indicar uma correlação entre as variáveis. Também discutimos a importância de realizar testes estatísticos para validar essas correlações. No próximo vídeo, iremos explorar como realizar esses testes estatísticos. #################################################################################################### 04. Hands-On - Correlacao de variavel qualitativa e quantitativa: Nesta aula, vamos abordar a análise de correlação entre uma variável qualitativa e uma variável quantitativa. Vamos utilizar o teste de Qsquare, mas primeiro precisamos transformar a variável quantitativa em uma variável qualitativa. Faremos isso criando uma nova coluna no DataFrame, onde os valores serão "yes" para clientes com menos de 6 meses de contrato e "no" para clientes com 6 meses ou mais. Em seguida, faremos a análise de correlação usando o teste de Qsquare e verificaremos se há uma correlação significativa entre churn e tempo de contrato inferior a 6 meses. Concluímos que a correlação entre churn e tempo de contrato é menor do que a correlação entre churn e tipo de contrato. #################################################################################################### 05. Hands-On - Correlacao de variaveis quantitativas: Nesta aula, discutimos sobre a análise bivariada e como podemos analisar a correlação entre duas variáveis numéricas. Utilizamos o exemplo das variáveis "TENURE" (tempo de contrato) e "TOTAL CHARGES" (total pago durante o contrato) para ilustrar a intuição de que quanto maior o tempo de contrato, maior o valor pago. Calculamos a correlação utilizando o coeficiente de correlação de Pearson e também o método SPIRMA, que captura correlações não lineares. Ambos os métodos mostraram uma forte correlação positiva entre as variáveis. Além disso, apresentamos um gráfico de dispersão para visualizar essa tendência. Propus dois desafios para validar hipóteses relacionadas à faixa etária do cliente e ao contrato mensal. Esses desafios podem ser trabalhados utilizando as técnicas aprendidas nesta aula. #################################################################################################### 01. Analise Bivariada: Nesta aula, vamos aprender sobre análise bivariada, uma técnica estatística que nos permite entender a relação entre duas variáveis em um conjunto de dados. Utilizaremos gráficos, tabelas cruzadas e cálculos de correlação para identificar padrões, associações e dependências entre essas variáveis. Isso nos ajudará a obter insights valiosos sobre como elas interagem, o que é fundamental para a análise de dados e tomada de decisões informadas. No módulo, exploraremos dois conceitos: análise de correlação e tabelas cruzadas. Vamos começar com o código. #################################################################################################### 02. Hands-On - Tabela De Contingencia: Nesta aula, aprendemos a construir uma tabela de contingência para analisar a relação entre duas variáveis. Utilizamos o método `pd.crosstab` para criar a tabela cruzada e contar a quantidade de clientes em cada combinação de categorias. Em seguida, interpretamos os resultados da tabela, observando se há alguma discrepância nas distribuições das categorias. Essa discrepância pode indicar uma correlação entre as variáveis. Também discutimos a importância de realizar testes estatísticos para validar essas correlações. No próximo vídeo, iremos explorar como realizar esses testes estatísticos. #################################################################################################### 04. Hands-On - Correlacao de variavel qualitativa e quantitativa: Nesta aula, vamos abordar a análise de correlação entre uma variável qualitativa e uma variável quantitativa. Vamos utilizar o teste de Qsquare, mas primeiro precisamos transformar a variável quantitativa em uma variável qualitativa. Faremos isso criando uma nova coluna no DataFrame, onde os valores serão "yes" para clientes com menos de 6 meses de contrato e "no" para clientes com 6 meses ou mais. Em seguida, faremos a análise de correlação usando o teste de Qsquare e verificaremos se há uma correlação significativa entre churn e tempo de contrato inferior a 6 meses. Concluímos que a correlação entre churn e tempo de contrato é menor do que a correlação entre churn e tipo de contrato. #################################################################################################### 05. Hands-On - Correlacao de variaveis quantitativas: Nesta aula, discutimos sobre a análise bivariada e como podemos analisar a correlação entre duas variáveis numéricas. Utilizamos o exemplo das variáveis "TENURE" (tempo de contrato) e "TOTAL CHARGES" (total pago durante o contrato) para ilustrar a intuição de que quanto maior o tempo de contrato, maior o valor pago. Calculamos a correlação utilizando o coeficiente de correlação de Pearson e também o método SPIRMA, que captura correlações não lineares. Ambos os métodos mostraram uma forte correlação positiva entre as variáveis. Além disso, apresentamos um gráfico de dispersão para visualizar essa tendência. Propus dois desafios para validar hipóteses relacionadas à faixa etária do cliente e ao contrato mensal. Esses desafios podem ser trabalhados utilizando as técnicas aprendidas nesta aula.