El ciclo del análisis de datos
- Pregunta algo claro ("¿Duermen menos los estudiantes que usan el móvil de noche?").
- Recopila datos: encuestas, mediciones, sensores, experimentos o conjuntos de datos que ya existen.
- Limpia los datos.
- Organiza / transforma: ordena, agrupa, haz tablas, cambia unidades.
- Analiza: resúmenes, patrones, comparaciones.
- Visualiza y concluye: haz un gráfico, responde la pregunta y di qué tan seguro estás.
Muchas veces la respuesta trae una pregunta nueva, y el ciclo empieza otra vez. Las herramientas van desde el papel y la calculadora hasta las hojas de cálculo y lenguajes de programación como Python.
Recopilar y limpiar datos
Los datos cuantitativos son números (estatura 152 cm). Los datos cualitativos son palabras o categorías (deporte favorito). Los datos primarios los recoges tú mismo; los secundarios los recogió otra persona.
Una muestra es el grupo al que de verdad preguntas. Una muestra más grande y elegida al azar da resultados más justos; si solo preguntas a tus amigos, aparece el sesgo.
Lista para limpiar
- Quita los duplicados (el mismo registro dos veces).
- Corrige o quita los valores imposibles (25 horas de sueño en un día).
- Decide qué hacer con los valores que faltan (vacíos).
- Usa las mismas unidades y la misma ortografía (cm y m; "India" e "india").
Cuidar los datos
Los datos personales necesitan permiso, deben guardarse con seguridad y se pueden quitar los nombres (anonimizar) antes de compartirlos.
Analizar datos: promedios, dispersión y valores atípicos
Media = suma de los valores ÷ cantidad de valores. Mediana = valor del medio después de ordenar (si la cantidad es par, la media de los dos del medio). Moda = valor que más se repite. Rango = mayor − menor; muestra la dispersión.
Un valor atípico es un valor muy lejos del resto. Puede ser un error o un caso raro pero real. Los valores atípicos arrastran la media, pero no la mediana; por eso la mediana es mejor para datos desiguales, como los ingresos.
El análisis exploratorio de datos consiste en mirar los datos desde muchos lados (tablas, gráficos, resúmenes) antes de probar una idea. Agrupar (por ejemplo por curso o ciudad) y combinar varios conjuntos de datos puede mostrar patrones nuevos.
Visualizar, concluir y evaluar
Elige el gráfico según el trabajo: gráfico de barras para comparar grupos, gráfico de líneas para el cambio en el tiempo, diagrama de dispersión para dos variables numéricas, gráfico circular para las partes de un todo, histograma para ver cómo se reparten los valores.
En un diagrama de dispersión, si los puntos suben juntos hay una correlación positiva; si uno sube mientras el otro baja, hay una correlación negativa. Correlación no es causalidad: las ventas de helados y los ahogamientos suben en verano por el calor, no porque uno cause el otro.
Evalúa tu conclusión
¿La muestra era grande y justa? ¿Se limpiaron los errores? ¿Otro análisis de los mismos datos podría dar otra respuesta? Di los límites con honestidad. Con big data (millones de filas, por ejemplo sensores de contaminación del aire de una ciudad), las computadoras hacen los mismos pasos más rápido, pero hace falta el mismo cuidado.
Fórmulas y definiciones clave
- Media = suma de los valores ÷ cantidad de valores
- Mediana = valor del medio de los datos ordenados (cantidad par: media de los dos valores centrales)
- Moda = valor más frecuente
- Rango = máximo − mínimo
- Correlación ≠ causalidad
Ejemplos resueltos
1. Limpia estos datos de sueño: 7, 8, 8 (el mismo estudiante dos veces), 25, vacío, 6.
Quita el 8 repetido, el 25 imposible y el vacío. Datos limpios: 7, 8, 6.
2. Halla la media y la mediana de 6, 7, 7, 8, 8, 8, 9, 10.
Suma = 63, cantidad = 8, media = 63 ÷ 8 = 7.875 ≈ 7.9. Los dos valores del medio son 8 y 8, así que la mediana = 8.
3. Añade un valor atípico 24 a los datos anteriores. ¿Qué pasa con la media y la mediana?
Nueva suma = 87, cantidad = 9, media = 87 ÷ 9 ≈ 9.67 (un salto grande). Ordenados, el 5.º valor es 8, así que la mediana = 8 (no cambia). La mediana resiste a los valores atípicos.
Errores comunes
- Saltarse la limpieza. Un solo valor imposible puede arruinar una media.
- Olvidar ordenar los datos antes de hallar la mediana.
- Decir que una cosa causa otra solo porque están correlacionadas.
- Usar un gráfico circular con datos que no forman un todo, o un gráfico de líneas para categorías.