Estadística para la ciencia
de datos
Lección 2: Conceptos básicos
Contexto
Cada día, uno se enfrenta a la toma de decisiones, ya sea en la
determinación del momento adecuado para lanzar una promoción
empresarial o en el lanzamiento de un nuevo producto. Durante este
proceso, es fundamental tener en cuenta las variables más relevantes para
reducir el riesgo de tomar una decisión inadecuada. Imagina lanzar un
nuevo producto al mercado sin considerar estas variables y descubrir que
no tiene el impacto esperado, lo que resulta en ventas bajas. En el pasado,
era común que los tomadores de decisiones se basaran en su experiencia
para tomar decisiones, pero en la actualidad, la cantidad de información
disponible hace que esta práctica ya no sea efectiva. Por lo tanto, es
importante aprender a utilizar las herramientas estadísticas para tomar
decisiones informadas y efectivas.
En este primer tema, se pueden definir los conceptos básicos de
estadística para aplicarlos adecuadamente en la exploración de datos,
clasificar las variables según su tipo para determinar la herramienta
estadística a utilizar, así como resumir la información y detectar valores
atípicos para decidir si se incluyen en el análisis.
¿Ha utilizado herramientas estadísticas anteriormente? ¿De qué manera
han facilitado su toma de decisiones?
Conceptos básicos de estadística
Cada día te enfrentas a datos numéricos que describen actividades o
procesos de tu entorno. Por ejemplo:
• El último año el euro ha perdido casi el 30% de su valor frente al dólar
estadounidense.
• Una encuesta realizada por la revista Business Week en abril de 2019
con 1320 reclutadores corporativos reveló que 68% clasifica las
habilidades de comunicación como una de las cinco más
importantes en los empleados recién contratados.
• En abril de 2021 el Secretario de Finanzas y Tesorero General del
Estado informó que el gobierno de Nuevo León había erogado, hasta
ese momento, $979.8 millones de pesos en la pandemia por el
COVID-19. “En lo que va de esta administración, hemos crecido el
gasto en salud en más del 260% y la inversión en hospitales y
equipamiento en más de 40 veces a lo que recibimos el último año de
la administración anterior”, especificó.
A estos datos numéricos los conocemos como estadísticas.
Con regularidad podríamos confundir los términos asociados con las
Estadísticas, una confusión que es conveniente que aclaremos debido a
que esta palabra tiene tres significados:
• La palabra estadística, en primer término, la usamos para
referirnos a la información estadística.
• Estadística la utilizamos para referirnos al conjunto de técnicas y
métodos que se utilizan para analizar la información estadística.
• El término estadístico, en singular y en masculino, se refiere a una
medida derivada de una muestra.
Es probable que a través de tu experiencia hayas adquirido muchos
conceptos de estadística que ahora te dedicarás a repasar y a cuestionar.
Estudiarás sobre sus fortalezas y debilidades para que te asegures de
aplicarlos correctamente y puedas tomar las mejores decisiones en el día a
día cuando te encuentras resolviendo problemas.
Se ha estudiado el complejo proceso del pensamiento que envuelve la
solución de un problema usando la estadística. El pensamiento estadístico
es de beneficio en las actividades diarias, en la interpretación de
información en los reportes ya que el ciclo de pensamiento tiene una
estructura coherente y liga fragmentos de ideas.
En el actual entorno global de negocios y economía tienes acceso a una
vasta cantidad de datos. Puedes utilizar estos datos (hechos y cifras
recabadas sobre una característica o variable de tu interés) para darles un
significado y responder a preguntas, convirtiéndolos en información que
puede o no serte útil.
Veamos la necesidad de aplicar el pensamiento estadístico mediante un
ejemplo: Tal vez te interese saber la actividad en redes de influencers en
referencia a tu negocio:
• ¿Cuál es la cantidad de veces que mencionan a tu negocio en sus
publicaciones?
• ¿Qué dicen de tu negocio?
• ¿En qué momentos del día lo publican?
• ¿En cuáles redes sociales te mencionan?
• ¿Cuál es la respuesta de sus seguidores?
Entender las herramientas estadísticas permitirá tener conocimiento de
esta actividad a partir de información contextualizada y así, aprender
cómo se comporta o cómo describir esa actividad bajo análisis.
Finalmente alcanzando la sabiduría propia de los seres humanos y así,
explicar el porqué de las decisiones que tomas, o bien, tener fundamentos
sólidos de las decisiones que has tomado.
Toffler, H. y Toffler, A. (2006). Estadística en la construcción del conocimiento [Gráfico]. Adaptado de “La
revolución de la riqueza”, Editorial Knopf.
La mayor parte de la información estadística que encuentras en periódicos,
revistas, informes de tu empresa y otras fuentes consiste en datos que se
resumen y presentan en una forma fácil de comprender para quien la
analiza.
Estos resúmenes de datos, que pueden ser tablas, gráficas o números, se
conocen como estadística descriptiva. Estos recursos hablan de algo que
ya pasó y se desea comprender el comportamiento de cada actividad o
variable involucrada en el problema o situación que se está analizando.
Otra perspectiva o propósito es difundir actividades ya realizadas por la
empresa.
A partir de una muestra de datos (recogida según una técnica concreta), se
describen las características más importantes—entendiendo como
características, aquellas cantidades que te proporcionen información sobre
el tema de interés del cual haces el estudio.
Scruton, P. (s/f). United Nations Population Fund.
Cuando por razones de tiempo, costo y otras consideraciones no te es
posible trabajar con la población o conjunto de todos los elementos de
interés en un problema específico, puedes utilizar un subconjunto de la
población conocido como muestra.
La estadística usa datos de una muestra para realizar estimaciones y
probar hipótesis sobre las características de una población mediante un
proceso conocido como inferencia estadística.
Por ejemplo, las firmas de contabilidad pública utiliza procedimientos de
muestreo estadístico cuando realizan auditorías para sus clientes:
Supón que una firma quiere determinar si el estado de cuenta de un cliente
representa de manera precisa el monto real de las cuentas por cobrar. La
gran cantidad de cuentas por cobrar hace que la revisión y la validación de
cada cuenta consuma demasiado tiempo y dinero.
Como práctica común en este tipo de situaciones, el personal de
auditoría selecciona un subconjunto de las cuentas llamado muestra.
Después de revisar la precisión de la selección que tomó como muestra,
los auditores llegan a una conclusión con respecto a si el monto de las
cuentas por cobrar que aparece en el estado de cuenta del cliente es
aceptable.
En otro espacio de ejemplificación, Las agencias de publicidad utilizan un
software que graba las interacciones de las personas que entran al sitio
Web de una campaña publicitaria. Por ejemplo:
• En qué secciones los visitantes estuvieron más tiempo.
• Cuáles fotos les llamaron más la atención.
• Qué botones reciben más clic.
La gran cantidad de grabaciones hacen que sea muy complicado que la
agencia vea una por una, por lo que seleccionan un grupo de ellas
llamadas muestra. Después de revisar con detenimiento las grabaciones
muestra, la agencia llega a la conclusión de qué secciones de la página
están funcionando mejor y qué ajustes hay que realizar, con la confianza de
que se presentó un comportamiento similar en el resto de las grabaciones
que no analizaron.
Tipos de variables
El análisis estadístico apropiado para una variable depende de la
naturaleza de los datos que la conforman. ¿Qué pasa cuando tienes
variables cuyo contenido es texto como la ocupación o nacionalidad de
tus clientes? Estas variables, donde el contenido es texto y se agrupan en
categorías, se conocen como datos cualitativos o categóricos.
Generalmente describen un atributo del sujeto u objeto bajo estudio, por
ejemplo: género, color preferido, estado civil, entre otros.
Si la variable es categórica el análisis estadístico es muy limitado. Puedes
resumir los datos categóricos mediante el conteo del número de
observaciones en cada categoría o por medio del cálculo de la proporción
de las observaciones en cada categoría.
Recordando el ejemplo del apartado “Conceptos básicos de estadística”
sobre las publicaciones de influencers acerca de tu negocio, ¿cómo
podrías medir los datos? En este diagrama se resumen los tipos de
variables y escalas de medición de los cuáles podrías elegir.
Las escalas de medición asociadas a las variables cualitativas son
nominales y ordinales.
Escala de medición Nominales Ordinales
Los valores van de un
No existe un orden
Descripción sentido de menos a
entre las variables.
más.
Ejemplo de valores Nivel máximo de
Sexo, lugar de origen y
sobre influencers y sus estudios y rango de
color preferido.
seguidores edad
Una característica que podemos medir se conoce como variable
cuantitativa y en ellas las operaciones aritméticas sí proporcionan sentido
en variables cuantitativas. Las escalas de medición de las variables
cuantitativas son de intervalo y razón.
Escala de
Intervalo Razón
medición
El cero significa un punto
Descripción El cero significa ausencia
en la escala
Un influencer y sus menciones
de tu negocio en redes, si un
Temperatura en grados grupo de seguidores del
Celsius o Fahrenheit, influencer tiene 0 ingresos,
Ejemplo donde 0 es un punto en significa que los ingresos de
la escala y es posible esos seguidores son nulos, por
tener números más bajos lo que su capacidad de compra
podría ser nula, por lo que su
escala es de razón
Otra clasificación importante dentro de las variables es si son discretas o
continuas.
Las primeras tienen una lista finita de valores posibles. Es común
asociarlas a números enteros cuando las variables son cuantitativas, ya
que se asocian a fenómenos donde se cuentan elementos que solo pueden
tomar números enteros. Todas las variables categóricas son consideradas
discretas. Por ejemplo: Imagina que quieres saber la cantidad de veces
que un influencer menciona a tu negocio los fines de semana.
Mientras que las segundas se caracterizan porque su valor puede estar
dentro de un intervalo de valores, esto en variables como en ingresos,
distancias, o tiempos.
Por ejemplo: Imagina que quieres conocer los ingresos de seguidores que
compartieron la publicación donde se menciona tu negocio.
Ten en cuenta que en ciertas ocasiones no será tan fácil reconocer el nivel
de medición, por ello te dejamos las siguientes preguntas, resolverlas
podría ayudarte en el proceso.
Nivel de medición
Nominal Ordinal Intervalo Razón
¿El orden de los datos es Sí Sí
No Sí
significativo?
¿Las diferencias entre los datos Sí Sí
No No
son significativas?
¿El cero es significativo y No Sí
No No
representa ausencia?
Otra pregunta que puede interesarte en la clasificación de los datos es:
¿Las mediciones se hicieron una sola vez?–Resultando en datos
transversales. ¿O se han hecho continuamente ya sea de manera diaria,
semanal, mensual o anual?, ¿el mismo concepto se ha estado midiendo a
través del tiempo?–Resultando en datos longitudinales. Retomando el
ejemplo sobre influencers:
Mides una sola vez la Resulta Datos
cantidad de veces que se en transversales
mencionó tu negocio en una
publicación
Mides diaria, semanal o Resulta Datos
mensualmente el número de en longitudinales
menciones
De esta forma puedes diferenciar datos transversales de los datos
longitudinales. Al tener una serie de tiempo o longitudinal, el análisis
estadístico a realizar es equivalente a un análisis bivariado y difiere del
análisis de datos transversales; pues se considera al tiempo también como
variable y se quiere resaltar el comportamiento de la variable mediante su
tendencia durante el período de observación. Esto te permitirá saber en
qué días se menciona más tu empresa en redes sociales.
Medidas tabulares y gráficas
Imagina que has enfrentado algunos problemas en tu negocio y quieres
analizarlos y resolverlos. Es común que cuando intentes analizar una base
de datos que representa las variables relevantes de algún problema, te
preguntes por dónde comenzar. La mejor metodología de análisis es
empezar a conocer cada una de las variables involucradas, es decir,
realizar un análisis univariado.
Existen una serie de métodos tabulares y gráficos adecuados al tipo de
variable que vayas a analizar, ya sea categórica o cuantitativa. Por ahora,
nos enfocaremos en aquellos que puedan ser de mayor uso en tus
negocios.
Anderson, D., Sweeney, D., Cochran, J., Williams, T., Camm, J., & Williams, T.A. (2019). Estadística para
negocios y economía. CENGAGE.
Tal vez te preguntes cómo comenzar a analizar las variables para resolver
los problemas que enfrenta tu negocio. A continuación, podrás leer sobre
distintos métodos, tabulares y gráficos, para analizar los datos que
registres, para así poder interpretarlos y presentarlos de manera ordenada
y apropiada.
Métodos tabulares
En el proceso de analizar una variable el primer paso que te sugerimos es
que procures resumirla para poder entender su comportamiento. Para ello,
construir una distribución de frecuencias es adecuado.
Las clases que conforman una distribución de frecuencia no se
superponen y se observa el número de observaciones del conjunto de
datos que pertenecen a cada clase o categoría; teniendo datos de una
muestra aleatoria, se recomienda organizarlos en una tabla de frecuencias,
agrupando los datos en intervalos de clase. La cantidad de datos en cada
categoría es conocida como frecuencia absoluta. También puede ser
representada como porcentaje del total, a lo cual se le conoce como
frecuencia relativa. Además, puede ser expresada en términos
porcentuales al multiplicar la frecuencia relativa por 100. Es importante
que las clases tengan la misma amplitud para que puedas representarlas
gráficamente y sean comparables a través de sus frecuencias. Observa los
siguientes ejemplos:
Ejemplo 1:
Intervalo 𝑓𝑖+1
𝑓𝑖 𝑀𝑜 = 𝐿𝑖−1 + .𝑎
de clase 𝑓𝑖−1 + 𝑓𝑖+1 𝑖
10-15 10
16-21 18 𝐿𝑖−1 = 16 𝑓𝑖+1 = 10 𝑓𝑖−1 = 10
22-27 10
28-33 8
34-39 9
40-45 7 𝑎𝑖 = 21 − 16 = 5
46-51 3
52-57 1
10
𝑀𝑜 = 16 + . 5 = 16 + 2,5 = 18,5
10 + 10
Ejemplo 2:
Considera la siguiente muestra aleatoria del tiempo (min) para hacer un
trabajo:
19.77 47.91 33.06 20.24 38.27 65.68 13.98 12.52 29.78 36.96
6.83 32.68 29.07 6.93 6.75 13.40 30.76 42.62 7.57 62.01
38.82 36.39 12.67 6.84 13.52 10.87 11.48 7.64 26.82 10.45
20.08 53.60 24.22 27.73 69.04 54.74 79.78 72.44 17.57 5.75
6.97 17.23 34.54 24.90 25.21 45.53 16.16 7.87 68.44 56.95
a) Primero hay que determinar el número de clases. Como n = 50,
entonces el número de clases es √50 = 7.071 ≈ 7 𝑐𝑙𝑎𝑠𝑒𝑠.
b) También hay que determinar la amplitud de clase. Como 𝑀𝐴𝑋 =
79.78, 𝑀𝐼𝑁 = 5.75 y número de clases = 7, se tiene que: Amplitud de
79.78−5.75
clase = = 10.5757 ≈ 10.6
7
c) Por lo que los límites de cada intervalo de clase son:
LI LS
5.75 16.35
16.35 26.95
26.95 37.55
37.55 48.15
48.15 58.75
58.75 69.35
69.35 79.95
d) La frecuencia absoluta se obtiene fácilmente con la función
FREQUENCY en Excel. Finalmente, la tabla de frecuencias queda así:
LI LS Frec Abs Conteo
5.75 16.35 18 !!!!!!!!!!!!!!!!!!
16.35 26.95 9 !!!!!!!!!
26.95 37.55 9 !!!!!!!!!
37.55 48.15 5 !!!!!
48.15 58.75 3 !!!
58.75 69.35 4 !!!!
69.35 79.95 2
50
¿Qué puedes observar en la tabla de distribución de frecuencias?, ¿cómo
pudieras describir la duración que toma la elaboración del trabajo?
De los 50 trabajos analizados, la duración de 18 de ellos (36% del total), se
encuentran dentro del rango de 5.75 a 16.35 minutos. Nos puede resultar
de
utilidad el dato de que el 82% (41 de las 50 observaciones) caen dentro del
rango de 5.75 a 48.15 minutos. Podemos también observar que conforme
el rango de duración es mayor, disminuye la cantidad de observaciones.
Métodos gráficos
El siguiente paso en el proceso de resumen de información es representar
gráficamente
las variables para visualizar fácilmente su comportamiento. Pero: ¿cómo
representar
gráficamente una variable? – A continuación, te presentamos algunas
opciones de
gráficas utilizadas en el análisis estadístico.
Histogramas, ojivas y polígonos de frecuencia
Los histogramas son gráficas donde se despliega la información de una
tabla de frecuencias. Consisten en barras rectangulares cuya base tiene el
mismo ancho y son contiguas. Se colocan sobre el intervalo de clase, su
altura representa la frecuencia correspondiente de esa clase. Su altura
también puede representar la frecuencia relativa (%) de cada clase.
Cuando la frecuencia representa el acumulado de varias clases, se
denomina ojiva. Se caracteriza principalmente por su forma ascendente, o
como la llaman en matemáticas “monótona creciente”, es decir que
siempre crece. Particularmente, la última clase siempre tendrá el total de
datos.
Una forma alternativa de representar gráficamente el comportamiento es a
través de un polígono de frecuencia. Son trazos de segmentos de recta que
unen los puntos situados sobre la marca de clase a una altura
correspondiente a la frecuencia de clase.
La marca de clase es el valor central o punto medio entre los límites de
clase.
Gráficas de barras y de pastel
Cuando la variable es cualitativa las gráficas utilizadas son gráficas de
barras o gráficas de pastel. Las gráficas circulares o de pastel deben
evitarse cuando se tienen muchas clases, ya que no son claras al explicar
el comportamiento de la variable. En la siguiente imagen puedes contrastar
el uso de ambas.
Diagrama de barras horizontales. Imagen tomada del INEGI. (2010) con fines educativos.
Diagrama de pastel. Imagen tomada de Wikipedia (2008) con fines educativos.
Box plot (Diagrama de caja)
Una representación gráfica de mucha utilidad para resaltar características
importantes en un grupo de datos cuantitativos es el box plot o diagrama
de caja. Este gráfico no refiere la frecuencia para cada valor o categoría.
Utiliza los estadísticos de orden como los cuartiles y permite identificar
valores atípicos y comparar distribuciones.
Los estadísticos de orden consisten en organizar los datos en forma
ascendente de acuerdo con su magnitud, para identificar valores tales
como el máximo, el mínimo, la mediana o percentil 50, entre otros. Una vez
ordenados los datos, se divide el total de datos en 4 partes iguales:
cuartiles. De esa manera, del total de datos o n, 25% de ellos serán
incluidos en el primer cuartil. Por ejemplo, si tenemos 100 datos, cada una
de las
partes, llamadas cuartiles tendrá 25. Observa la siguiente imagen: A la
izquierda se muestra la división de los datos en cuartiles. Del lado derecho,
se muestra un ejemplo de box plot con esos datos.
Los cuartiles son calculados con referencia en la cantidad de datos, no del
valor de estos. Cuando la cantidad de datos es par, es necesario promediar
dos observaciones para calcular un cuartil con exactitud. Utilizando
cuartiles puedes evaluar rápidamente qué tan dispersos o diferentes entre
sí, son los datos y cuál es su punto central. De esta forma, obtienes los
primeros pasos del proceso de comprensión del comportamiento de tus
datos.
1er cuartil 25% de los datos es menor que o igual a este valor.
(Q1)
2do cuartil La mediana. 50% de los datos es menor que o igual a
(Q2) este valor.
3er cuartil 75% de los datos es menor que o igual a este valor.
(Q3)
Rango La distancia entre el primer 1er cuartil y el 3er cuartil (Q3-
intercuartil Q1); de esta manera, abarca el 50% central de los datos.
Los bigotes merecen una descripción más detallada. En principio, cada uno
debe tener un largo “máximo” equivalente a 1.5 veces el largo de la caja.
Para determinar el bigote inferior, se compara el valor mínimo de los datos
con el resultado de la fórmula q1 – 1.5 (q3 – q1) y la cantidad más cercana
a q1 es la que marca el tamaño del bigote.
De la misma forma, para determinar el bigote superior, se compara el valor
máximo de los datos con el resultado de la fórmula q3 + 1.5 (q3 – q1) y la
cantidad más cercana a q3 es la que marca el tamaño del bigote.
Por lo tanto, si tenemos bigotes cortos, eso muestra que los datos son muy
similares entre sí. Cuando el bigote es muy largo, significa que los datos
están más distantes o separados unos de otros.
Los asteriscos que se muestran fuera de los bigotes representan valores
atípicos. Es decir, cantidades que son inusuales que pudieran, o no, ser
incluidas en el análisis de los datos de acuerdo con el objetivo que deseas
alcanzar. En algunas ocasiones los datos atípicos muestran errores de
captura; en otras, son situaciones muy extraordinarias que es preferible no
incluir en el análisis ya que alteran mucho los resultados, y no reflejan la
realidad cotidiana o más común.
Ejemplo
Ahora que ya conoces los diferentes tipos de gráficas para representar tus
variables, veamos, a través de un ejemplo, cómo podrías usarlas para
analizar y resolver un problema.
Imagina que en tu negocio quieres comparar el nivel de ventas de 5
sucursales durante un mes. Para lograr esto, puedes representar en la
gráfica los resultados.
Puedes observar, en el gráfico, que las sucursales no comparten niveles de
venta iguales. Esto lo podemos notar en el hecho de que donde termina
cada box plot, se encuentra el punto de inicio del siguiente, es decir, no se
traslapan.
También podemos interpretar que la forma ascendente que presentan los
box plot indica un nivel de ventas distinto entre sucursales.
En la sucursal 5 se destaca la presencia de un valor atípico, es decir, un
cliente que compra mucho más que el resto de los clientes en la sucursal.
El bigote inferior de tamaño corto refleja que el 25% de tus clientes que
compran menos en esa sucursal, compran cantidades muy similares entre
sí; lo cual contrasta con el largo del bigote superior, donde el 25% de tus
clientes que más compran, las cantidades difieren más unas de otras.
El diagrama de caja que representa a la sucursal 4, al estar muy
comprimido o ser muy corto, refleja que la totalidad de tus clientes
compran cantidades muy similares entre sí.
En cuanto a la sucursal 3, el diagrama de caja muestra simetría o equilibrio,
ya que la línea central en la caja, la cual representa a la mediana o percentil
50% (también es el segundo cuartil), divide en dos partes iguales a la
gráfica, mostrando un comportamiento similar entre los clientes superiores
a la mediana, que los inferiores a ella.
En la sucursal 2, la mediana se acerca más al primer cuartil, lo que indica
que el 50% de tus clientes que menos compran, las cantidades de compra
son muy similares, muestran que el 50% de los que más compran las
cantidades son más diferentes entre sí.
En la sucursal 1, el 25% de los clientes que menos compran, las cantidades
de compra difieren más unas de otras, al tener un bigote más largo. La
mediana se aleja un poco del centro y se acerca más al 3er cuartil lo que
hace que el 25% de los clientes referentes entre el 50% y el 75% las
cantidades de compra son más similares. Por último, el bigote superior
muestra cantidades muy similares de compra, al ser corto o no muy largo.
Ideas para llevar
En este tema se desarrollaron los conceptos básicos de estadística, los
diferentes tipos de variables, los métodos tabulares y gráficos para resumir
información, así como las distintas medidas resumen que se deben de
utilizar para elaborar un reporte ejecutivo.
Ahora, eres capaz de:
• Diferenciar la estadística descriptiva de la estadística inferencial.
• Clasificar las variables de acuerdo con su nivel de medición.
• Interpretar tablas y gráficos que resuman información.
Ya para finalizar este tema, ¿podrías elaborar y analizar adecuadamente
los gráficos en un reporte ejecutivo para proponer mejoras en tu
organización con base en los comportamientos de las variables críticas en
el negocio?
Material de apoyo
Bibliografía:
Anderson, D.R. (2015). Estadística para administración y economía (13ª
ed.). Cincinnati: Cengage Learning. Cincinnati: Cengage Learning
