Tarea_semana_3_modelado_datos_continuos.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Modelado de datos continuos\n",
    "\n",
    "- Se ha hablado mucho durante los últimos años sobre la necesidad de que el departamento de RRHH sea más estratégico. \n",
    "\n",
    "- Aparte de cualquier debate filosófico sobre la verdadera naturaleza de la \"estrategia\" y el pensamiento estratégico, lo que esto normalmente significa es que los líderes empresariales quieren que los departamentos de RRHH sean más como sus departamentos de marketing: analíticos, orientados a los resultados y capaces de vincular directamente sus actividades con los resultados deseados por la empresa. \n",
    "\n",
    "- Las empresas de marketing de hoy dependen bastante del análisis predictivo y la minería de datos/ciencia de datos. \n",
    "  - Es probable que el futuro de los recursos humanos se encuentre en este mismo camino. \n",
    "\n",
    "- Este ejercicio explora un problema potencial con el que un profesional de RRHH estratégico-analítico podría razonablemente esperar enfrentarse.\n",
    "\n",
    "### Problema: Creative HR\n",
    "\n",
    "- La empresa Creative HR está analizando los factores de pérdida de personal (**Attrition**). \n",
    "- El departamento de recursos humanos a recopilado información demográfica y de educación de sus actuales y antiguos empleados.\n",
    "- El departamento de recursos humanos pretende modelar la edad de sus empleados siguiendo una distribución normal. \n",
    "\n",
    "**Archivo de datos:**  \n",
    "\n",
    "- [CS_data.csv](https://raw.githubusercontent.com/marsgr6/EN-online/8a1cee296279c274d8f05f3905fce97c1f7636a2/data/CHR_data.csv)\n",
    "\n",
    "- Lea el archivo csv. \n",
    "  \n",
    "```Python\n",
    "import pandas as pd\n",
    "import seaborn as sns\n",
    "\n",
    "data = pd.read_csv(\"../data/CHR_data.csv\")  # si la estructura es la del repositorio de GitHub\n",
    "\n",
    "# si está trabajando en local y el archivo de datos y el notebook están en el mismo directorio\n",
    "# data = pd.read_csv(\"CHR_data.csv\") \n",
    "\n",
    "# También puede leer el archivo desde el repositorio de GitHub.\n",
    "#data = pd.read_csv(\"https://raw.githubusercontent.com/marsgr6/EN-online/8a1cee296279c274d8f05f3905fce97c1f7636a2/data/CHR_data.csv\")\n",
    "```\n",
    "\n",
    "1.**(2 pt)** Cuál es la distribución de la edad (**Age**). \n",
    "\n",
    "  - Escriba el código Python para replicar el gráfico a continuación. \n",
    "    - El diagrama de densidad para la variable **Age**.\n",
    "    - Una distribución normal $X \\sim N(\\mu, \\sigma)$, donde $\\mu$ es la media y $\\sigma$ \n",
    "    la desviación estándar de los datos (**Age**).\n",
    "    \n",
    " ![](https://raw.githubusercontent.com/marsgr6/r-scripts/master/imgs/age_norm.png)\n",
    " \n",
    "2.**(2 pt)** Cuál es la probabilidad de que un trabajador de Creative HR tenga 30 años o menos. \n",
    "  - Responda usando los datos observados y el modelo asumido.\n",
    "  \n",
    "3.**(2 pt)** Analice la edad de los trabajadores (**Age**) con respecto a si el trabajador se encuentra o no en la empresa (**Attrition**). \n",
    "  - Escriba el código Python para replicar el gráfico a continuación. \n",
    "    - El diagrama de densidad para la variable **Age**.\n",
    "    - Una distribución normal $X \\sim N(\\mu, \\sigma)$, donde $\\mu$ es la media y $\\sigma$ \n",
    "    la desviación estándar de la edad (**Age**) de acuerdo a si se encuentra aún en la empresa (**Attrition**).\n",
    "    \n",
    " ![](https://raw.githubusercontent.com/marsgr6/r-scripts/master/imgs/age_attrition.png)\n",
    "\n",
    "4.**(2 pt)** Cuál es la probabilidad de que un trabajador que ya no se encuentra en Creative HR tenga 30 años o menos. \n",
    "  - Responda usando los datos observados y el modelo asumido.\n",
    "\n",
    "5.**(2 pt)** Discuta qué tan adecuada considera la distribución usada para modelar nuestros datos observados.\n",
    "\n",
    "6. **Opcional**\n",
    "\n",
    "  - Grafique los datos en un mismo panel.\n",
    "  \n",
    "![](https://raw.githubusercontent.com/marsgr6/r-scripts/master/imgs/age_hue.png)\n",
    "\n",
    "\n",
    "### Fuentes y recursos:\n",
    "\n",
    "- https://www.kaggle.com/jamestollefson/modeling-the-business-cost-of-retention/notebook"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.3"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}