Estadística Descriptiva y Análisis Exploratorio de Datos

Descripción del curso

El curso desarrolla competencias para explorar, limpiar, describir y comunicar hallazgos en datos reales. Se enfatiza el análisis exploratorio (EDA) como un proceso iterativo basado en visualización, transformación y modelos ligeros para comprensión (no inferencia formal). Se trabaja con reportes reproducibles.

Objetivo general:

Manejar los principios básicos de la estadística descriptiva y desarrollar habilidades en el análisis exploratorio de datos.

Objetivos específicos:

• Desarrollar habilidades para depurar, desplegar y analizar datos con un objetivo científico.
• Usar la estadística descriptiva como herramienta de análisis estadístico inicial.
• Desarrollar habilidades para desplegar datos con el fin de obtener un panorama global del comportamiento de los mismos.
• Adquirir habilidades investigativas para planear, ejecutar y analizar una investigación estadísticamente válida.

El estudiante tendrá al final de curso la capacidad de:

• Importar datos y diagnosticar calidad (tipos, faltantes, duplicados, rangos, consistencia).
• Estructurar datos en formato “tidy” y documentar un diccionario de datos.
• Construir resúmenes descriptivos apropiados (tendencia central, dispersión, percentiles, frecuencias, proporciones).
• Diseñar visualizaciones EDA con intención (distribuciones, comparaciones, relaciones).
• Analizar covariación (num–num, cat–num, cat–cat) sin confundir asociación con causalidad.
• Tomar y justificar decisiones de limpieza (NA, outliers, reglas de coherencia).
• Usar “modelos ligeros” como herramienta exploratoria para revelar patrones.
• Comunicar hallazgos de forma clara y reproducible en un reporte Quarto.
• Demostrar comprensión operativa de R: lectura, modificación, depuración y explicación de código.

Contenido del curso:

El proceso investigativo y el uso de los datos

• La pregunta de investigación como eje rector: cómo definir objetivos claros y comprobables.
• Datos primarios vs. datos secundarios: ventajas, limitaciones y fuentes confiables (bases de datos oficiales, repositorios académicos).
• Sesgos comunes en la investigación (sesgo de selección, sesgo de memoria, sesgo de publicación) y cómo identificarlos antes de tocar los datos.
• Ética y privacidad en el manejo de datos (anonimización, consentimiento informado).

Planeación de toma de datos con fines investigativos

• Diseños muestrales básico: muestreo probabilístico (aleatorio simple)
• Determinación del tamaño de muestra de manera intuitiva (introducción a fórmulas básicas y factores que influyen: margen de error, nivel de confianza, variabilidad esperada).
• Instrumentos de recolección: encuestas, cuestionarios, mediciones experimentales, scraping web. Criterios para diseñar preguntas no sesgadas.
• Prueba piloto: importancia de validar el instrumento antes de la recolección masiva.

Conceptos básicos del análisis exploratorio de datos (EDA)

• Filosofía del EDA (John Tukey): explorar sin hipótesis rígidas predefinidas, dejar que los datos “hablen”.
• Estructura de los datos: identificar filas (registros/individuos) y columnas (variables).
• Detección y manejo de valores atípicos (outliers): métodos gráficos (boxplots) y numéricos (rango intercuartílico). Decidir si eliminarlos, imputarlos o mantenerlos según el contexto.

Visualización e interpretación de datos

• Gramática de los gráficos (capas, escalas, estética),
• Gráficos univariados: histograma, diagrama de caja (boxplot), diagrama de violín y gráfico de densidad.
• Gráficos bivariados/multivariados: diagrama de dispersión (scatter plot), matriz de correlación, gráficos de barras agrupadas y mapas de calor (heatmaps).
• Principios de percepción visual: evitar gráficos engañosos (escalas truncadas, mal uso de 3D, colores inapropiados) y aplicar la relación “dato-tinta” (Tufte).

Entendimiento de la naturaleza de los datos

• Niveles o escalas de medición: Nominal (categorías sin orden), Ordinal (categorías con orden), Intervalo (diferencias significativas, sin cero absoluto) y Razón (cero absoluto). Esto es clave porque determina qué estadísticos y gráficos son válidos.
• Clasificación de variables: Cualitativas (nominales/ordinales) vs. Cuantitativas (discretas/continuas).
• Estructura temporal y espacial de los datos: series de tiempo (tendencias, estacionalidad) vs. datos transversales (cross-section) vs. datos de panel.

Estadística descriptiva (medidas, tablas de frecuencia, etc.)

• Tablas de frecuencia: absolutas, relativas, porcentuales, acumuladas. Agrupación en intervalos de clase (regla de Sturges, etc.).
• Medidas de tendencia central: media, mediana y moda. ¿Cuándo es más robusta la mediana? (distribuciones asimétricas).
• Medidas de posición: cuartiles, deciles, percentiles (fundamentales para entender la dispersión y construir boxplots).
• Medidas de dispersión: rango, varianza, desviación estándar, rango intercuartílico (IQR) y coeficiente de variación.
• Forma de la distribución: asimetría (sesgo positivo/negativo) y curtosis (apuntalamiento o colas pesadas). Introducción al análisis bivariado con covarianza y correlación de Pearson (y su versión no paramétrica, Spearman).

Limpieza y transformación de datos (Data Wrangling)

• En la práctica, el 70-80% del tiempo se va en preparar datos.
• Enseñar a filtrar, ordenar, fusionar tablas, crear variables derivadas (por ejemplo, Índice de Masa Corporal a partir de peso y talla) y estandarizar/normalizar escalas.

Introducción a la probabilidad y distribuciones teóricas

• Sirve como puente hacia la estadística inferencial.
• Cubrir conceptos básicos de probabilidad, variable aleatoria y las distribuciones normal, t-Student y chi-cuadrado. Esto da sustento para entender por qué ciertas medidas descriptivas son útiles.

Análisis exploratorio multivariado (introductorio) No limitarse a lo univariado/bivariado.

• Incluir conceptos como análisis de conglomerados jerárquicos (clustering básico) o análisis de componentes principales (ACP) de forma intuitiva y gráfica, para que los estudiantes vean patrones en múltiples dimensiones.

Comunicación de resultados y “Storytelling con datos”

• Elaborar informes ejecutivos o dashboards (Tabla de frecuencias + gráfico + interpretación en lenguaje coloquial). Enseñar a redactar hallazgos sin tecnicismos excesivos, enfocándose en el público objetivo (investigador, cliente o tomador de decisiones).

Metodología

• Clase: conceptos, ejemplos guiados y discusión de decisiones analíticas.
• Laboratorio: práctica en R con datasets reales, actividades en vivo (LC) y depuración.
• Aprendizaje basado en proyectos: un proyecto de grupo con hitos, más entregas individuales.
• Énfasis transversal: reproducibilidad, trazabilidad y comunicación.

Bibliografía

Se utilizará en la mayor parte del curso las indicaciones del libro digital R para ciencia de datos

Se puede utilizar otra bibliografía auxiliar de acuerdo al desarrollo del curso.

Evaluación:

Item	Porcentaje
Talleres individuales y en grupo (seguimiento)	20%
Trabajos en grupo	25%
Trabajos individuales	25%
Final	30%

Software

• Lenguaje estadístico R.
• Interfaz de usuario Positron.
• Sistema de publicación técnica y científica Quarto.
• Interfaz tradicional de R - RStudio.

Política de uso de IA (permitida con transparencia)

La IA puede utilizarse como herramienta de aprendizaje (sugerir ideas, depurar, explicar errores, refactorizar), pero no reemplaza el aprendizaje esperado. El curso evalúa la comprensión mediante coherencia con los datos, defensa oral y tareas en vivo.

Anexo IA obligatorio (en cada entrega)

Máximo 10 líneas, al final del reporte:

1. ¿Usó IA? (Sí/No)
2. ¿En qué la usó? (depuración, ideas, gráficos, explicación)
3. ¿qué cambió usted? y ¿qué aprendió?
4. 1–2 prompts clave (máx 6 líneas)

Qué se penaliza

• Entregas no reproducibles (no corren / rutas rotas / objetos no creados).
• Contradicciones entre narrativa y evidencia (gráficos/tablas).
• Incapacidad de explicar o modificar el análisis en defensa o actividades en vivo.

Enlaces importantes

• Libro electrónico Manual de R.

• Libro electrónico Gráficos con R.

• Canal de YouTube del profesor Freddy Hernández Barajas. Tutoriales cortos de R, RStudio, estadística y modelación en estadística.

• Página de semillero de R por el profesor Edimer David Jaramillo

Reproducibilidad y formato de entrega

Todas las entregas deben incluir:

• Proyecto con estructura mínima: /datos, /reporte, /R
• Reporte Quarto (.qmd) y salida (HTML/PDF si aplica)
• sessionInfo() al final del reporte
• Semilla (set.seed()) cuando aplique

Políticas del curso

• Se utilizará la plataforma UN virtual de la Universidad Nacional de Colombia.
• Los grupos de trabajo serán de máximo cinco (5) personas.
• Todo correo que se envíe a krcabrer\@unal.edu.co{.email} debe llevar en asunto: [EDAED] (No olvide incluir los chorchetes)
• Las sesiones virtuales que se programen se utilizará solo el correo electrónico de la Universidad (.unal.edu.co).

Reglas de colaboración e integridad académica

• Se permite discusión conceptual entre estudiantes.
• En entregas individuales, el trabajo debe reflejar decisiones y comprensión propias.
• Copiar reportes completos o resultados sin atribución se considera falta grave.
• El Anexo IA hace transparente el uso de herramientas y evita ambigüedad.

Código QR para incluirse en la lista de discusión

{width=30%}