Los datos no hablan solos¶

Ejercicio data-dont-speak-alone-annex.pdf · PDF

Cuatro jugadores terminan una partida. La pantalla de estadísticas dice lo mismo de los cuatro: misma media, misma dispersión, misma tendencia. ¿Son el mismo tipo de jugador?

Dirías que sí. Todo el mundo lo diría. Y todo el mundo se equivocaría, porque la pantalla de estadísticas es un resumen, y un resumen esconde cosas. Uno jugó con regularidad, otro llegó muy alto y se hundió, otro tuvo una única ronda descomunal, y otro hizo diez veces lo mismo y una vez algo completamente distinto. Solo lo descubres cuando miras.

Ese es todo el módulo en una frase: los números no se explican solos. Alguien tiene que ir a buscarlos, limpiarlos y dibujarlos para que una persona pueda ver qué pasa. Este año, ese alguien eres tú.

Los datos no son información¶

Los datos son hechos registrados en bruto: un número, una palabra, una fecha. La información es lo que obtienes cuando alguien organiza esos hechos para responder a una pregunta.

Toma un solo hecho: hoy hay 31 °C en Calvià. Eso es un dato (una pieza de datos). Por sí solo dice muy poco. ¿Hace calor? ¿Es normal? ¿Comparado con qué?

Ahora mira cómo sube de nivel:

Los datos nunca dijeron "adelanta la revisión". Lo dijeron las personas, después de organizar los datos y mirarlos. Eso es lo que significa el título de esta página: los datos no hablan solos. Siempre hay alguien que habla por ellos, y este curso te enseña a hacerlo con honestidad.

Cuatro números que describen una tabla¶

Una tabla con miles de filas no cabe en tu cabeza. Así que la comprimimos.

Un estadístico resumen es un número que describe toda una columna de datos.

Ya conoces el más famoso. Estos son los cuatro que necesita esta página, sin fórmulas:

Estos cuatro son la "pantalla de estadísticas" de un conjunto de datos. Se calculan rápido y se comparan con facilidad. Pero también son una compresión: entran muchas filas y sale un número. Y cuando comprimes, pierdes cosas.

¿Cuánto puedes perder? En 1973 un estadístico decidió demostrarlo.

El cuarteto de Anscombe¶

Francis "Frank" Anscombe fue un estadístico inglés que, en 1963, se convirtió en el primer director del departamento de estadística de la Universidad de Yale. Los ordenadores empezaban a hacer los cálculos por las personas y a él le preocupaba que los analistas imprimieran los números y nunca dibujaran el gráfico. Mucha gente creía que los cálculos son exactos y los gráficos, toscos.

Así que en 1973 publicó un artículo breve, Graphs in Statistical Analysis, en la revista The American Statistician. En él construyó a mano cuatro conjuntos de datos diminutos, de 11 puntos cada uno. Hoy se llaman el cuarteto de Anscombe.

Esta es su pantalla de estadísticas:

Siete filas, y los cuatro conjuntos coinciden en todas. Si solo tuvieras esta tabla, ¿qué concluirías? Que son cuatro copias de lo mismo.

Ahora dibújalos.

Un diagrama de dispersión es un gráfico en el que cada fila de la tabla se convierte en un punto: su valor x dice cuánto se desplaza a la derecha y su valor y dice cuánto sube.

La misma pantalla de estadísticas. Cuatro historias distintas:

El ciclo de vida de los datos: un juego de crafteo¶

Anscombe entregó los números a sus lectores: limpios, en una tabla, listos para dibujar. La vida real es menos generosa. Antes de poder dibujar nada, tienes que encontrar los datos, llevártelos a casa y arreglarlos.

El ciclo de vida de los datos es el camino que siguen los datos desde el lugar donde viven hasta la pantalla donde alguien los lee.

Tiene cuatro etapas, y ya las conoces si alguna vez has jugado a un juego de crafteo como Minecraft o Stardew Valley. Nadie fabrica una espada de diamante con un bloque de piedra que acaba de mirar. Mantendremos esta única analogía durante todo el curso.

flowchart LR
    O["<b>1 · Obtener</b><br>(cultivar y saquear)"] -- "datos en bruto" --> P["<b>2 · Preparar</b><br>(fundir, ordenar,<br>tirar la basura)"]
    P -- "datos limpios" --> A["<b>3 · Analizar</b><br>(craftear,<br>comparar estadísticas)"]
    A -- "resultados" --> R["<b>4 · Representar</b><br>(el HUD y<br>el minimapa)"]

UT significa unidad de trabajo: un bloque de clases. La página Resultados de aprendizaje muestra cómo se corresponden las cuatro unidades con los tres resultados por los que se te evalúa. Esta página abre UT1 y enmarca todas.

¿Dónde encaja el cuarteto de Anscombe? En la etapa 4. La tabla resumen era la pantalla de estadísticas; los diagramas de dispersión eran el minimapa. El minimapa mostró lo que la pantalla de estadísticas ocultaba.

Cada gráfico es un argumento¶

Los cuatro gráficos de Anscombe eran honestos. No todos los gráficos lo son.

Los mismos números se pueden dibujar para susurrar o para gritar. Empieza el eje vertical de un gráfico de barras en 95 en lugar de en 0 y una subida del 4 % parecerá una explosión. Nada cambió en los datos. Solo cambió el dibujo.

Así que quédate con tres hábitos desde el primer día:

• Mira antes de resumir. Dibuja los datos antes de fiarte de una media.
• Trata cada gráfico como un argumento. Alguien eligió qué mostrar y cómo. Pregúntate qué quiere que creas.
• Que la pregunta elija el gráfico. Una comparación, un cambio en el tiempo y una relación necesitan cada uno una imagen distinta. No decide la herramienta; decide la pregunta.

Entrenarás los tres hábitos en UT3: leer los tipos de gráfico principales, elegir el adecuado y cazar los trucos en Gráficos engañosos.

Pruébalo: reconstruye el cuarteto¶

Necesitas un programa de hojas de cálculo (LibreOffice Calc, Excel o Google Sheets) y el archivo anscombe.xlsx de la página de Recursos.

Después responde en una frase cada una: ¿qué creías después del paso 5 y qué crees después del paso 6?

Ideas clave¶

• Los datos son hechos en bruto; la información aparece cuando alguien los organiza para responder a una pregunta. Los datos no hablan solos.
• Un estadístico resumen (media, varianza, correlación, recta de regresión) comprime muchas filas en un número. Es una compresión, y comprimir pierde detalle.
• El cuarteto de Anscombe (Frank Anscombe, 1973): cuatro conjuntos de datos de 11 puntos con estadísticos resumen casi iguales y cuatro diagramas de dispersión completamente distintos.
• Los dibujos revelaron una curva, un valor atípico y una tendencia inventada por un único punto. Calcula y dibuja siempre.
• El ciclo de vida de los datos tiene cuatro etapas: obtener, preparar, analizar, representar. En el juego de crafteo: cultivar y saquear, fundir y ordenar, craftear, HUD y minimapa.
• Los gráficos son la última etapa, no todo el trabajo. Si las etapas anteriores fallan, el gráfico miente.

Comprobación rápida¶

Ya sabes por qué importa el dibujo y qué cuatro etapas llevan hasta él. La etapa 1 empieza con una pregunta sencilla: ¿dónde viven realmente los datos? A continuación: Fuentes de datos.