Introducción a los
datos
PID_00272095
Blas Torregrosa García
Tiempo mínimo de dedicación recomendado: 1 hora
© FUOC • PID_00272095 Introducción a los datos
Blas Torregrosa García
Ingeniero en Informática y máster
universitario en Seguridad de las
Tecnologías de la Información y de
las Comunicaciones (MISTIC) por
la Universitat Oberta de Catalunya
(UOC). Especializado en cibersegu-
ridad. Profesor colaborador en el
máster de Ciencia de Datos de la
UOC y profesor asociado en la Uni-
versidad de Valladolid (UVA).
El encargo y la creación de este recurso de aprendizaje UOC han sido coordinados
por el profesor: Ferran Prados Carrasco (2020)
Primera edición: febrero 2020
© Blas Torregrosa García
Todos los derechos reservados
© de esta edición, FUOC, 2020
Av. Tibidabo, 39-43, 08035 Barcelona
Realización editorial: FUOC
Ninguna parte de esta publicación, incluido el diseño general y la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma, ni por ningún medio, sea este eléctrico,
químico, mecánico, óptico, grabación, fotocopia, o cualquier otro, sin la previa autorización escrita
de los titulares de los derechos.
© FUOC • PID_00272095 Introducción a los datos
Índice
Introducción............................................................................................... 5
1. Concepto de datos.............................................................................. 7
1.1. ¿Qué es un dato? ........................................................................ 7
1.2. Datos, información y conocimiento ........................................... 8
1.3. Tipos de datos ............................................................................. 9
1.3.1. Datos cuantitativos ........................................................ 9
1.3.2. Datos cualitativos .......................................................... 10
1.4. Estructuras de datos .................................................................... 11
2. Ciclo de vida de los datos................................................................ 12
2.1. Generación .................................................................................. 12
2.2. Captura ........................................................................................ 12
2.3. Almacenamiento ......................................................................... 14
2.4. Preprocesado ................................................................................ 14
2.5. Análisis ........................................................................................ 15
2.6. Visualización ................................................................................ 15
2.7. Interpretación .............................................................................. 16
Bibliografía................................................................................................. 17
© FUOC • PID_00272095 5 Introducción a los datos
Introducción
El objetivo de este módulo es definir qué son los datos y la relación existente
entre datos, información y conocimiento. También se introducen los diferen-
tes tipos de datos.
En este módulo se utilizará el ciclo de vida de los datos para describir las di-
ferentes fases por las que pueden pasar estos antes de convertirse en informa-
ción y luego en conocimiento.
© FUOC • PID_00272095 7 Introducción a los datos
1. Concepto de datos
En primer lugar vamos a hablar un poco de lo que significa el concepto dato.
«Del latín datum (‘lo que se da’).
Información sobre algo concreto que permite su conocimiento exacto o sirve para deducir
las consecuencias derivadas de un hecho.
Documento, testimonio, fundamento.
Información dispuesta de manera adecuada para su tratamiento por una computadora.»
Diccionario RAE
Un dato es, en principio, una cantidad o cualidad que describe un atri-
buto de una entidad dentro de un rango de valores posibles. Es un valor
«dado» con respecto de algo observado, de acuerdo con la raíz latina
que da origen al término (datum).
1.1. ¿Qué es un dato?
Supongamos que alguien nos transmite el siguiente dato:
42
Inmediatamente nos aparece la pregunta «¿42 qué?». Con este sencillo ejem-
plo pretendemos mostrar, de momento, dos cosas:
1) Un dato, sin su contexto, carece de significado.
2) El formato de representación del dato es importante.
Supongamos que ahora nos dicen «la temperatura del paciente es de 42 gra-
dos». Hemos dotado de significado al 42, cuando el dato (42) es la respuesta a
una pregunta («¿Cuál es la temperatura del paciente?»). Hemos avanzado un
nivel y ya podemos hablar de información. Pero aún no somos lo suficiente-
mente precisos. ¿Qué quiere decir que «la temperatura del paciente es de 42
grados»? Pues cosas bien distintas:
• Si son grados Celsius, el paciente tiene fiebre (42 °C).
• Si son grados Fahrenheit, el paciente es un cadáver frío (5 °C).
• Si son grados Kelvin, el paciente es un cadáver congelado a –231 °C.
Así pues, para poder hablar de información con propiedad necesitamos un
tercer elemento:
© FUOC • PID_00272095 8 Introducción a los datos
3) Los datos tienen unidades y un rango asociado.
El 23 de septiembre de 1999 la NASA perdió el contacto con la sonda espacial Mars Cli-
mate Orbiter, un satélite diseñado para estudiar la superficie, atmósfera y clima del pla-
neta Marte. La razón fue que el satélite entró en órbita a una altitud insuficiente, lo que
causó su destrucción. El motivo de dicho error fue que una parte del software utilizado
para el cálculo de las trayectorias orbitales usaba el sistema métrico decimal, mientras
que otros módulos del software usaban el sistema anglosajón de unidades (pies, pulga-
das, etc.). Este error costó a la NASA un total de 327,6 millones de dólares, el importe de
construir el satélite, lanzarlo al espacio y controlarlo hasta su puesta en órbita, sin tener
en cuenta los problemas de imagen y el retraso en la misión original.
1.2. Datos, información y conocimiento
Datos e información son dos palabras usadas indistintamente; de hecho, una
participa en la definición de la otra, aunque no son sinónimos.
Información
Los datos son los hechos o detalles de los que se deriva la información.
Del latín, informatio: ‘concep-
to’ o ‘explicación de una pala-
bra’. Acción y efecto de infor-
Como hemos visto, los datos individuales en contadas ocasiones son útiles mar (dar forma o describir).
por sí mismos: necesitan tener un contexto para que puedan convertirse en
información.
Conocimiento
Acción y efecto de conocer
(del latín, cognoscĕre: ‘averi-
El conocimiento es la capacidad de saber, la capacidad de actuar y la guar por el ejercicio de las fa-
capacidad de entender que reside en el cerebro. cultades intelectuales la natu-
raleza, cualidades y relaciones
de las cosas’).
Tabla 1. Comparación datos-información-conocimiento
Definición Respuestas
Datos Símbolos que representan propieda-
des de objetos y eventos. Propiedades
básicas sin refinar ni filtrar que deben
procesarse.
Información Cuando los datos se han procesado, Da respuesta a las preguntas «quién»,
organizado, estructurado y puesto en «qué», «dónde» y «cuándo».
contexto, resultando entonces útiles.
Conoci- Reside en las personas y resulta de la Da respuesta a la pregunta «cómo».
miento aplicación de los datos y la informa-
ción.
Sabiduría Reside en las personas y es la aplica- Da respuesta a la pregunta «por qué».
ción del conocimiento.
La información y el conocimiento son dos conceptos muy diferentes, aunque
ambos se basan en un elemento primordial: los datos. Es lo que se conoce
como la pirámide�DIKW (Data, Information, Knowledge y Wisdom).
© FUOC • PID_00272095 9 Introducción a los datos
Sabiduría
En la pirámide DIKW los datos son el nivel más básico, la información
añade el contexto, el conocimiento añade cómo usar la información, De sabidor: grado más alto del
conocimiento adquirido a tra-
y la sabiduría incorpora el porqué (aplicar dicho conocimiento en be- vés del estudio o de la expe-
riencia.
neficio propio o común).
Figura 1. Pirámide o jerarquía DIKW
1.3. Tipos de datos
Un detalle fundamental cuando se trata con datos es que su tratamiento de-
pende de su naturaleza o tipo de dato. Los datos pueden ser cuantitativos o
cualitativos.
1.3.1. Datos cuantitativos
Los datos�cuantitativos (también denominados datos�numéricos) son
aquellos que pueden medirse o cuantificarse (que pueden ser contados).
Pueden ser de dos clases:
1)�Datos�cuantitativos�continuos. Existe un continuo de valores posibles del
dato, que no se restringe a valores discretos. Los valores se miden en vez de
contarse. Las operaciones disponibles incluyen igual (=), distinto (≠), menor
(<), mayor (>), suma (+), resta (−), multiplicación (×), división (÷), etc.
Ejemplos de datos cuantitativos continuos
Altura: 181,3 cm, 194,1 cm, 167,44 cm, etc.
Dinero: 23,53 €, 11,18 $, 1.053,99 ¥, etc.
© FUOC • PID_00272095 10 Introducción a los datos
2)�Datos�cuantitativos�discretos. No admiten valores intermedios. Se enume-
ran (cuentan) más que se miden. Suelen tomar solamente valores enteros. Las
operaciones disponibles incluyen igual (=), distinto (≠), menor (<), mayor (>),
suma (+), resta (−), multiplicación (×), división (÷), etc.
Ejemplos de datos cuantitativos discretos
Número de quejas de los clientes: 1, 2, 5, etc.
Número de personas en el curso: 10, 15, 25, etc.
1.3.2. Datos cualitativos
Los datos�cualitativos (también llamados datos�categóricos) son aque-
llos que no se pueden expresar numéricamente y representan una cua-
lidad o atributo que clasifica o describe a cada sujeto en una de entre
varias categorías. Existe un número acotado de posibles categorías.
1)�Nominales. Representan categorías sin un orden intrínseco. Las únicas ope-
raciones disponibles son igual (=) y distinto (≠).
Ejemplos de datos cualitativos nominales
Color de pelo: rubio, moreno, castaño, pelirrojo, etc.
Género: hombre, mujer, etc.
Estado civil: casado/a, soltero/a, viudo/a, divorciado/a, etc.
2)�Ordinales. Representan categorías en las que existe un orden lógico, pre-
cedencia o jerarquía (ya sea natural o asignada según alguna preferencia). La
distancia entre las categorías no es, en general, conocida. Las operaciones dis-
ponibles son igual (=), distinto (≠), menor (<) y mayor (>). Los datos ordinales
pueden ser:
a)�Secuenciales: existe un valor inicial (o cero) y todos los valores parten de él.
b)�Divergentes: es posible identificar un punto central (o cero) y los datos se
encuentran por encima y por debajo del mismo.
c)�Cíclicos: los valores se repiten formando ciclos.
Ejemplos de datos cualitativos ordinales
Nivel: bajo, medio, alto
Educación: básica, secundaria, universitaria
Meses del año: enero, febrero, marzo, etc.
© FUOC • PID_00272095 11 Introducción a los datos
1.4. Estructuras de datos
Los datos pueden presentarse de muchas formas diferentes. En el ejemplo de
«42», se trataba de un número decimal entero, pero los datos son de naturaleza
muy diversa y se pueden clasificar de acuerdo con diferentes criterios, entre
otros según su estructura; así, tenemos:
• Simples: datos atómicos o indivisibles, con un significado propio, de
acuerdo con la definición (un valor de un atributo).
• Compuestos: datos que son una combinación de otros datos simples y/o
compuestos, de acuerdo con una estructura conocida a priori.
Un conjunto�de�datos (Dataset) es una colección de datos relacionados
entre sí a los que se puede acceder individualmente o en combinación
y que se gestionan conjuntamente.
Los conjuntos de datos han sido capturados y organizados para un propósito
concreto. Los conjuntos de datos pueden estar segmentados en varias partes
formando subconjuntos de datos separados.
© FUOC • PID_00272095 12 Introducción a los datos
2. Ciclo de vida de los datos
Existe una gestión de los datos, desde que se generan los datos hasta que se
interpretan, denominada ciclo�de�vida�de�los�datos, que consta de una serie
de fases, cada una de las cuales tiene como objetivo generar valor a partir de
los datos. No todas las fases son estrictamente necesarias y, además, pueden
solaparse o realizarse simultáneamente en algunos casos (figura 2).
Figura 2. Ciclo de vida de los datos
2.1. Generación
El ciclo comienza con la generación de los datos. Supongamos que hay un
fenómeno (físico, social, cultural, de comportamiento, etc.) que queremos co-
nocer con más detalle. Este fenómeno va a ser el origen de los datos.
En el mundo actual se generan continuamente datos: cada búsqueda en un IoT
motor de búsqueda, cada clic en la web, cada vídeo que se reproduce, mensaje
Internet of Things es un con-
que se envía o lugar que se visita, contribuye a la masiva huella digital que cepto de interconexión de ob-
diariamente se genera. Además, existen datos de sensores que monitorizan jetos a Internet.
infraestructuras, cámaras de vigilancia para el control del tráfico y seguridad,
así como internet de las cosas (IoT), con más sensores que generan más datos.
2.2. Captura
Una vez generados los datos, la siguiente fase es la captura. Esta fase tiene
como objetivo recopilar los datos generados. Por motivos de relevancia, cues-
tiones de consideración de importancia o de capacidad de procesamiento, no
siempre se recopilan necesariamente todos los datos generados. La recopila-
ción se realiza mediante dos mecanismos básicos complementarios:
• Creación: se trata de integrar en el propio proceso de generación de los
datos un mecanismo que almacene los que se consideren relevantes cada
vez que se generen. Por ejemplo, cada vez que un usuario paga con tarje-
ta de crédito en un establecimiento se genera un nuevo registro que defi-
© FUOC • PID_00272095 13 Introducción a los datos
ne perfectamente qué cantidad de dinero se ha gastado, en qué estableci-
miento, en qué fecha y hora y con qué tarjeta.
• Extracción: se utiliza cuando no es posible intervenir en el proceso de
generación de los datos, sino que es necesario ir capturándolos a medida
que se van encontrando, idealmente inmediatamente después de su gene-
ración. Por ejemplo, es posible capturar los tuits que contienen una cierta
palabra clave o hashtag tal y como van apareciendo en el flujo (Timeline)
de tuits de un usuario o en el flujo público, ya que Twitter es un servicio
que genera datos en abierto.
Por desgracia, no siempre se tiene acceso al nivel necesario para poder recoger
los datos en el momento exacto de su creación, por lo que son más frecuentes
las estrategias de captura de datos basadas en la extracción de datos ya exis-
tentes o en su generación mediante mecanismos alternativos. Entre ellos:
1)�Acceso�a�los�datos�mediante�un�repositorio: como resultado de su publi-
cación en abierto, los datos pueden estar disponibles en un repositorio digital,
o simplemente en una web que permita su acceso.
2)�Acceso�mediante�una�API�(Application�Programming�Interface): en algu-
nos casos sí que es posible utilizar un mecanismo que permite realizar con-
sultas específicas sobre un conjunto de datos, obteniendo solamente aquellos
que han sido solicitados de acuerdo con los parámetros de la consulta.
3)�Captura�de�datos�mediante�scraping: cuando no se dispone de una API
para acceder a los datos, en ocasiones es posible utilizar herramientas (también
llamadas Bots) que simulen la navegación de un usuario por páginas web y
que extraigan el contenido de las páginas visitadas, analizando su estructura
y datos.
4)�Extracción�de�datos�de�documentos�de�texto: en ciertos casos se publican
datos en diversos formatos, no siempre pensados para su reutilización, que
contienen tablas, listas, etc.
5)�Formularios: en ocasiones lo más sencillo y eficaz es preguntar directamen-
te a los usuarios de un servicio, recurso o sistema, con el objetivo de recabar
datos, tanto del servicio en cuestión como de los propios usuarios. A veces es
necesario obtener datos directamente proporcionados por los usuarios porque
interesa conocer de primera mano algunos aspectos que no pueden recogerse
mediante una encuesta, especialmente el «¿por qué?» y el «¿cómo?», y aspec-
tos difícilmente cuantificables, como emociones o sentimientos.
© FUOC • PID_00272095 14 Introducción a los datos
2.3. Almacenamiento
Los datos capturados tienen que almacenarse en un formato que permita su
posterior manipulación, conforme a la representación más adecuada, teniendo
en cuenta tanto su tipología como el uso que se vaya a querer efectuar de ellos.
En función de su objetivo, frecuencia de acceso y complejidad se puede hablar
de:
• Archivos�simples: los datos se almacenan en archivos (o colecciones de Ejemplo de archivos
archivos) según ciertos criterios; por ejemplo, el origen de los datos o la simples
fecha de captura. Un ejemplo de archivo simple
pueden ser los ficheros del re-
gistro de actividad de los ser-
• Bases�de�datos: se trata de una distribución más o menos compleja que vidores (log) que contienen to-
das las peticiones que se reali-
permite representar los datos de acuerdo con su estructura, teniendo tam- zan cuando los usuarios nave-
gan por las páginas web de un
bién en cuenta las relaciones entre todos los elementos que los compo-
servicio en línea.
nen. Se suele hablar de bases de datos relacionales o SQL, y también de
las denominadas no tradicionales o NoSQL, que pretenden dar solución
a problemas que tienen que ver con la escalabilidad de las relacionales,
especialmente para grandes volúmenes de datos o para bases de datos de
grafos.
2.4. Preprocesado
El objetivo de esta etapa es preparar los datos para su análisis posterior, de
forma que puedan usarse en procesos de ciencia de datos o de aprendizaje au-
tomático, sin tener que preocuparse por aspectos relacionados con su calidad,
procedencia, etc. Entre otras operaciones típicas de esta etapa se pueden des-
tacar las siguientes:
1)�Fusión: los datos se obtienen de diferentes fuentes, por lo que es necesario
combinarlos en una única estructura.
2)�Selección/filtrado: consiste en obtener algunos datos que son de interés,
según ciertos criterios de búsqueda.
3)� Conversión: frecuentemente los datos están en formatos que dificultan
su análisis posterior, por lo que es necesario convertirlos a un formato más
manejable.
4)�Limpieza: también conocida como Data Cleaning, consiste en eliminar to-
das las inconsistencias en los datos que puedan ser detectadas, con el propó-
sito de garantizar la validez de los datos.
© FUOC • PID_00272095 15 Introducción a los datos
5)�Agregación: en algunos casos puede resultar interesante agrupar un sub-
conjunto de datos de forma que se simplifique el conjunto de datos original
y se genere una nueva variable que tenga un mayor poder predictivo.
6)�Creación�de�nuevas�variables/indicadores�(variables�derivadas): en oca-
siones es necesario realizar cálculos con las variables para, por ejemplo, calcu-
lar la relación entre dos variables, generando nuevas variables o indicadores.
Es importante destacar la importancia de esta fase, puesto que la calidad
de los resultados obtenidos dependerá, directamente, de la calidad de
los datos a partir de los cuales hayan sido obtenidos los resultados.
Es lo que se conoce como Garbage in, Garbage out, es decir, si se usan datos ba-
sura para crear modelos, estos serán, probablemente, también basura. Además,
resulta conveniente almacenar los datos limpios para futuras reutilizaciones.
2.5. Análisis
Una vez que los datos ya se consideran válidos, se puede proceder a su análisis.
Aquí se incluyen todas las técnicas computacionales y estadísticas de análisis
de datos con el propósito de: obtener conocimiento, construir clasificadores,
construir predictores o inferir causalidad mediante la utilización de algoritmos
y métodos de inteligencia artificial, de la minería de datos, del aprendizaje
automático y de la teoría de la inferencia estadística.
El objetivo de esta etapa es obtener modelos que expliquen cómo son los datos
y sus características principales, y poder responder a las preguntas planteadas
sobre el fenómeno que ha originado los datos.
El análisis no se limita a la construcción de modelos, sino que debe también
explicar el resultado obtenido, mediante una interpretación del modelo y su
puesta en contexto con respecto al fenómeno original. Esto incluye también la
evaluación del propio modelo, identificando qué variables o características son
las más relevantes, la capacidad de generalización ante datos nunca utilizados
anteriormente en la creación del modelo, o su capacidad de adaptación a los
cambios en los datos.
2.6. Visualización
Los humanos disponemos de un sistema visual muy complejo y avanzado,
que incluye desde el ojo hasta el córtex visual, el encargado de procesar toda
la información recogida por el primero. Los humanos somos, principalmente,
© FUOC • PID_00272095 16 Introducción a los datos
máquinas de procesado visual, con diversos subsistemas que se encargan de
procesar eficientemente diferentes aspectos de dicha tipología de información
de manera separada: forma, movimiento, color, etc.
La visualización de datos ayuda a presentar los resultados del análisis de una
forma clara y sencilla que un ser humano pueda comprender visualizándola.
En esta fase, para transmitir mejor los resultados del análisis, es necesario con-
siderar, además de la funcionalidad, la estética y la capacidad de percepción
visual humana.
Un aspecto interesante de la visualización de datos es que puede convertirse
en una interfaz de navegación de los propios datos, permitiendo ciertas ope-
raciones básicas (selección, agregación, etc.), de manera que sea posible añadir
interactividad a la visualización.
De esta forma, es posible basar el análisis de los datos a partir de su visualiza-
ción, de modo que se combinen la capacidad visual humana para la detección
de patrones, tendencias, etc., con la potencia de un sistema informático que
permita seleccionar, filtrar o comparar datos.
2.7. Interpretación
Mediante la interpretación proporcionamos una explicación de lo que signi-
fica la visualización, y generamos un relato que explique el contexto, las im-
plicaciones y las posibles opciones que se extraen de la visualización.
Esta interpretación puede ser publicada en forma de nuevos datos, de manera
que sea posible que terceros puedan reutilizarlos con otros propósitos, espe-
cialmente los datos ya procesados listos para su análisis, en forma de una o
más tablas.
En todo el ciclo de vida de los datos se han obviado las posibles realimenta-
ciones existentes. Inevitablemente, después de presentar algunas observacio-
nes y descubrimientos sobre los datos, se pueden generar nuevos interrogan-
tes y cuestiones que podrían exigir recopilar más datos o realizar otros tipos
de análisis.
© FUOC • PID_00272095 17 Introducción a los datos
Bibliografía
Ackoff, R. (1989). «From data to wisdom». Journal of Applied Systems Analysis (vol. 16, n.º
1, págs. 3-9).
Chen, M. y otros (2009). «Data, Information, and Knowledge in Visualization». IEEE Com-
puter Graphics and Applications (vol. 29, n.º 1, págs. 12-19).
Murray, S. (2013). Interactive data visualization for the Web. O’Reilly Media.
Stanton, J. M. (2013). Introduction to Data Science. Nueva York: Syracuse University.
Witten, I. H.; Frank, E. (2005). Data Mining: Practical machine learning tools and techniques.
Morgan Kaufmann.
