Del dato a la pregunta
Lo que vamos a construir hoy
Bienvenida
Tener muchos datos no es lo mismo que saber qué dicen.
El curso recorre cuatro etapas, del diagnóstico al tablero
Reconocimiento
Etapa 0 · diagnóstico sin nota: hoy
Contextualización
Etapa 1 · análisis exploratorio y muestreo
Profundización
Etapa 2 · regresión lineal simple y múltiple
Transferencia
Etapa 3 · visualización de datos e inteligencia de negocios
24 horas con el docente y 72 de trabajo independiente: por cada hora de clase, tres por tu cuenta.
Tres criterios valoran tu desempeño, y hoy empezamos por el primero
| Criterio | Qué pide |
|---|---|
| CR1 | Clasificar los datos y su fuente para tomar decisiones |
| CR2 | Comparar técnicas de minería de datos y elegir un modelo adecuado |
| CR3 | Interpretar los resultados en distintos contextos |
Tres miradas en la evaluación: autoevaluación, coevaluación y heteroevaluación.
Dos horas en seis momentos
Los conceptos de hoy: estadística, población y muestra, tipos de variable y fuentes de datos.
Diagnóstico
Sin nota: sirve para saber desde dónde arrancamos, no para calificar.
¿Qué tipo de variable es el estrato socioeconómico (1 a 6)?
- A. Cuantitativa continua
- B. Cuantitativa discreta
- C. Cualitativa ordinal
- D. Cualitativa nominal
20, 22, 25, 27 y 150 minutos: ¿qué describe mejor el tiempo típico?
Son los tiempos de entrega de cinco pedidos.
- A. La media: 48,8 min
- B. La mediana: 25 min
- C. El rango: 130 min
- D. La desviación estándar
Misma media, distinta desviación estándar: ¿qué cambia?
En la ciudad A los pedidos tardan en promedio 35 min, con desviación estándar de 4 min. En la ciudad B, también 35 min, pero con desviación de 15 min.
- A. En B se entrega más rápido
- B. B tiene más pedidos
- C. Nada: con la misma media, el servicio es igual
- D. En B los tiempos son menos predecibles
Juzgar la satisfacción solo con las reseñas: ¿cuál es el problema?
Para saber qué tan satisfecha está toda su clientela, una empresa analiza solo las reseñas que algunas personas dejan en la app.
- A. Quienes escriben reseñas pueden no parecerse al resto
- B. La muestra es muy pequeña
- C. Ninguno, si las reseñas son muchas
- D. Habría que usar la mediana
Una regresión estima tiempo = 12 + 3 × distancia. ¿Qué dice el 3?
El tiempo está en minutos y la distancia en kilómetros.
- A. Que un pedido tarda 3 minutos
- B. Que la distancia explica el 3 % del tiempo
- C. Que cada kilómetro adicional suma, en promedio, 3 minutos
- D. Que la distancia promedio es de 3 km
En pandas, ¿qué hace pedidos["ciudad"].value_counts()?
- A. Cuenta las columnas de la tabla
- B. Cuenta cuántos pedidos hay de cada ciudad
- C. Ordena la tabla por ciudad
- D. Borra las ciudades repetidas
Respuestas del diagnóstico: cuenta tus aciertos
| Pregunta | Respuesta | Lo trabajamos en |
|---|---|---|
| 1 · Estrato | C · cualitativa ordinal | Hoy |
| 2 · Cinco tiempos | B · la mediana: el 150 arrastra la media | Tendencia central y atípicos |
| 3 · Misma media | D · menos predecibles | Medidas de dispersión |
| 4 · Solo reseñas | A · quien opina puede no parecerse al resto | Muestreo |
| 5 · El 3 | C · 3 min más por kilómetro | Regresión |
6 · value_counts() | B · pedidos por ciudad | Hoy, en Python |
Estadística para decidir
Tingua Domicilios tiene 12 000 pedidos del semestre y una gerencia con preguntas.
Tingua Domicilios: el caso que nos acompaña todo el curso
12 000 pedidos
Todos los domicilios entregados entre enero y junio de 2026.
5 ciudades
Bogotá, Medellín, Cali, Barranquilla y Bucaramanga.
15 columnas
De la ciudad y el estrato a la distancia, la lluvia y la calificación.
Tingua es una empresa ficticia: sus datos se generan con una semilla fija y no corresponden a personas ni a empresas reales.
Cuatro preguntas de la gerencia ordenan el curso
- ¿Cuánto tarda un pedido típico, y qué tan variable es? → análisis exploratorio
- ¿Qué tan satisfecha está la clientela, si no todos los pedidos se califican? → muestreo e inferencia
- ¿Cuántos minutos más tardan los pedidos por cada kilómetro, o con lluvia? → regresión
- ¿Cómo se lo mostramos a la gerencia cada semana? → visualización e inteligencia de negocios
Describir lo que hay; inferir lo que no vemos
La ciencia de recolectar, explorar y presentar datos para descubrir patrones y tendencias, y de medir cuánta incertidumbre tienen las conclusiones, para decidir con más fundamento.
- Descriptiva — resume lo observado: «el 24,1 % de los pedidos del semestre se entregó con lluvia»
- Inferencial — generaliza más allá: «con 400 encuestas estimamos la satisfacción de toda la clientela»
Un estudio estadístico empieza por la pregunta, aunque los datos lleguen primero
Es el ciclo PPDAC, que difundieron Wild y Pfannkuch (1999). En la empresa los datos suelen llegar primero: hoy vamos del dato a la pregunta, para saber qué preguntas pueden responder y cuáles no.
¿Descriptiva o inferencial?
- «El tiempo medio de los 12 000 pedidos del semestre fue 35,1 min».
- «Con una muestra de 400 clientes, estimamos que el 80 % recomendaría Tingua».
- «En julio, los pedidos con lluvia tardarán unos 8 minutos más».
1, descriptiva: resume todos los pedidos. 2 y 3, inferenciales: la 2 va de una muestra a toda la clientela; la 3, del semestre observado a un mes que todavía no ha pasado.
Población y muestra
¿Cuánto tarda un pedido de Tingua? Depende de si miras los 12 000 o solo 100.
La población es el todo; la muestra, la parte que observas
El parámetro describe la población; el estadístico, la muestra
| Población · parámetro | Muestra · estadístico | |
|---|---|---|
| Tamaño | \(N\) | \(n\) |
| Media | \(\mu\) | \(\bar{x}\) («x barra») |
| Desviación estándar | \(\sigma\) | \(s\) |
| Proporción | \(p\) | \(\hat{p}\) («p gorro») |
Letras griegas para los parámetros, salvo \(N\) y \(p\); latinas para los estadísticos.
La misma fórmula, sobre conjuntos distintos
$$ \begin{aligned} \mu &= \frac{1}{N}\sum_{i=1}^{N} x_i && \text{población: los } N \text{ pedidos} \\[6pt] \bar{x} &= \frac{1}{n}\sum_{i=1}^{n} x_i && \text{muestra: solo } n \text{ pedidos} \end{aligned} $$
\(x_i\) es el tiempo del pedido número \(i\), y \(\sum\) los suma todos, del primero (\(i = 1\)) al último. Misma cuenta: \(\mu\) recorre la población; \(\bar{x}\), solo la muestra.
Cada fila es una unidad de observación; cada columna, una variable
| id_pedido | ciudad | estrato | n_productos | distancia_km | tiempo_entrega_min |
|---|---|---|---|---|---|
| P00001 | Medellín | 4 | 2 | 4.4 | 30.6 |
| P00002 | Bogotá | 4 | 5 | 5.6 | 36.9 |
| P00003 | Bucaramanga | 5 | 2 | 1.9 | 16.0 |
En Tingua, la unidad de observación es el pedido, no el cliente.
¿Parámetro o estadístico?
- El 24,1 % de los 12 000 pedidos del semestre se entregó con lluvia.
- En 100 pedidos auditados al azar, el tiempo medio fue de 34,4 min.
- El tiempo medio de todos los pedidos de Cali en el semestre fue de 32,5 min.
1, parámetro: es \(p = 0{,}241\) (el 24,1 %), sobre toda la población. 2, estadístico: es \(\bar{x}\), de una muestra. 3, parámetro: es la media de una población completa, la de los pedidos de Cali.
Un parámetro es fijo y casi nunca se conoce; un estadístico se conoce, pero cambia
La inferencia estadística consiste en medir cuánto se puede confiar en el segundo para hablar del primero.
Tipos de variable y escalas
Antes de calcular, clasifica: el tipo de variable decide qué operaciones tienen sentido.
Toda variable es cualitativa o cuantitativa, y cada una tiene dos clases
Cualitativas: las nominales solo nombran; las ordinales, además, ordenan
Nominal
- Grupo sanguíneo: A, B, AB, O
- Medio de transporte: bus, carro, bicicleta
- ¿Fuma?: sí / no (dicotómica)
Ordinal
- Estrato: 1 < 2 < … < 6
- Nivel educativo: primaria < bachillerato < pregrado < posgrado
- Satisfacción: de «muy insatisfecho» a «muy satisfecho»
Cuantitativas: las discretas se cuentan; las continuas se miden
Discreta
Número de hijos, quejas recibidas en un día: 0, 1, 2… Entre 2 y 3 hijos no hay nada.
Continua
Estatura, peso corporal, tiempo de espera: entre dos valores siempre cabe otro.
El dinero se cuenta en pesos, pero, como admite tantísimos valores, se suele tratar como continuo.
Cuatro escalas de medición: cada una permite una operación más
| Escala | Qué permite | Ejemplos |
|---|---|---|
| Nominal | igual o distinto | grupo sanguíneo, medio de transporte |
| Ordinal | + mayor o menor | estrato, nivel educativo |
| Intervalo | + restar: las diferencias tienen sentido; el cero es arbitrario | temperatura en °C, fecha y hora de un evento |
| Razón | + cocientes: «el doble», «la mitad»; el cero es «nada» | estatura, ingreso, tiempo de espera |
Es la clasificación de Stevens (1946).
¿Hace el doble de calor en Barranquilla que en Bogotá?
La temperatura media de los pedidos del semestre fue de 28,8 °C en Barranquilla y de 13,9 °C en Bogotá, y 28,8 / 13,9 ≈ 2,07.
No. Los grados Celsius son una escala de intervalo: su cero es convencional (marca dónde se congela el agua), no la ausencia de temperatura. En kelvin (se suma 273,15), cuyo cero es el cero absoluto, la razón es 301,95 / 287,05 ≈ 1,05: la temperatura absoluta es apenas un 5 % mayor.
Un número no siempre es una cantidad
El estrato se escribe con números del 1 al 6, pero promediarlo (3,3 en Tingua) supone que del estrato 1 al 2 hay la misma distancia que del 5 al 6, y nada lo garantiza: los números son etiquetas con orden.
Clasifica estas cinco variables
- Clics en una visita a la app
- Prioridad de un ticket de soporte: baja, media, alta, crítica
- Código DIVIPOLA del municipio: 05001, 11001, 76001
- Latencia de una consulta a la base de datos, en milisegundos
- Año de nacimiento
1 cuantitativa discreta, de razón · 2 cualitativa ordinal · 3 cualitativa nominal: es un código, no una cantidad · 4 cuantitativa continua, de razón · 5 cuantitativa continua (aunque se registre en años enteros), de intervalo: el origen del calendario es una convención.
El tipo de variable decide el resumen y el gráfico
| Tipo | Resumen | Gráfico |
|---|---|---|
| Nominal | frecuencias, moda | barras |
| Ordinal | frecuencias acumuladas, mediana | barras en su orden |
| Discreta | media, mediana, frecuencias | barras o histograma |
| Continua | media, desviación estándar, cuartiles | histograma, caja |
Es el mapa de las próximas sesiones.
Fuentes de datos
El mismo número vale distinto según de dónde viene y para qué se recogió.
Primaria o secundaria: ¿se recogió para tu pregunta?
Primaria
La recoges tú, para tu pregunta: una encuesta de satisfacción que diseña Tingua, una prueba de una nueva app de rutas.
Secundaria
Ya existía, recogida por otros o para otro fin: los registros de la app, los datos del clima del IDEAM, las encuestas del DANE.
En otro eje: interna, si la produce la organización, o externa, si viene de fuera.
Observar o experimentar: solo el experimento permite hablar de causa
Estudio observacional
Se registra lo que pasa, sin intervenir. Con lluvia, los pedidos de Tingua tardaron 7,8 min más; pero llueve más en Bogotá, donde los pedidos ya tardan más: parte de esa diferencia es de la ciudad, no de la lluvia.
Experimento
Se asigna al azar quién recibe qué. Si Tingua prueba una nueva app de rutas en la mitad de los pedidos, elegidos al azar, la diferencia sí se puede atribuir a la app.
Seis criterios para decidir si una fuente sirve
| Criterio | Pregunta | En Tingua |
|---|---|---|
| Pertinencia | ¿Responde mi pregunta? | Sin identificador de cliente, no se pueden contar clientes |
| Exactitud | ¿Los valores son correctos? | Un pedido de 201 minutos: ¿demora real o error? |
| Completitud | ¿Qué falta, y por qué? | El 40,8 % de los pedidos no tiene calificación |
| Oportunidad | ¿Está al día? | Llega hasta el 30 de junio de 2026 |
| Consistencia | ¿Coincide con otras fuentes? | Los totales deberían cuadrar con contabilidad |
| Legitimidad | ¿Puedo usarla para esto? | Dirección y estrato son datos personales (Ley 1581 de 2012) |
Primer contacto en Python
Lo que acabamos de clasificar a mano, ahora con pandas.
Colab: un cuaderno de Python en el navegador, sin instalar nada
Abrir el cuaderno (notebook) de la sesión 1 en Colab. Cada celda lleva entre corchetes el mismo identificador que el código de estas diapositivas.
Tres líneas para cargar los 12 000 pedidos
import pandas as pd
pedidos = pd.read_csv("datos/pedidos.csv")
pedidos.shape # (filas, columnas)
#> (12000, 15)read_csvlee el archivo y devuelve un DataFrame: una tabla con columnas con nombre.shape: 12 000 filas, una por pedido, y 15 columnas: un identificador y 14 variables- Python escribe el decimal con punto y no separa los miles:
35.1es 35,1 y12000es 12 000
pandas adivina el tipo de dato, no el tipo de variable
pedidos.dtypes
#> id_pedido object
#> fecha object
#> franja object
#> ciudad object
#> categoria object
#> n_productos int64
#> valor_pedido int64
#> medio_pago object
#> estrato int64
#> suscriptor object
#> distancia_km float64
#> lluvia object
#> temperatura_c float64
#> tiempo_entrega_min float64
#> calificacion float64
#> dtype: objectobjectes texto;int64, entero;float64, decimalestratoesint64, pero es ordinalcalificacionesfloat64, pero son estrellas de 1 a 5fechaesobject: llegó como texto
¿Por qué la calificación es float64, si son estrellas de 1 a 5?
Pista: mira la última columna de pedidos.head().
Porque le faltan valores: pandas marca un faltante con NaN, que es un número decimal, y, para que quepa, vuelve decimal toda la columna.
faltan = pedidos["calificacion"].isna()
print("Pedidos sin calificación:", faltan.sum())
print("Proporción:", round(faltan.mean(), 3))
#> Pedidos sin calificación: 4901
#> Proporción: 0.408Declarar la escala evita cálculos sin sentido
# El estrato es una categoría con orden, no una cantidad
pedidos["estrato"] = pd.Categorical(
pedidos["estrato"], categories=[1, 2, 3, 4, 5, 6], ordered=True
)
print("Estrato máximo:", pedidos["estrato"].max())
try:
pedidos["estrato"].mean()
except TypeError as error:
print("TypeError:", error)
#> Estrato máximo: 6
#> TypeError: 'Categorical' with dtype category
#> does not support reduction 'mean'ordered=Truele dice a pandas que hay un ordenmax()funciona;mean()se niega- Un error a tiempo es mejor que un promedio sin sentido
Tres muestras, tres x̄ distintos y un solo μ
# Parámetro: se calcula con TODA la población
mu = pedidos["tiempo_entrega_min"].mean()
print(f"μ = {mu:.1f} min (N = {len(pedidos)})")
# Estadísticos: cada muestra aleatoria da un valor distinto
for semilla in [1, 2, 3]:
muestra = pedidos.sample(n=100, random_state=semilla)
x_barra = muestra["tiempo_entrega_min"].mean()
print(f"x̄ = {x_barra:.1f} min (n = 100, semilla {semilla})")
#> μ = 35.1 min (N = 12000)
#> x̄ = 34.4 min (n = 100, semilla 1)
#> x̄ = 35.2 min (n = 100, semilla 2)
#> x̄ = 35.9 min (n = 100, semilla 3)- \(\mu\) no cambia: es uno solo
- \(\bar{x}\) cambia con cada muestra, pero queda cerca de \(\mu\)
- ¿Qué tan cerca? Esa es la pregunta del muestreo
Contar categorías: el primer paso de una tabla de frecuencias
ciudad = pedidos["ciudad"]
conteo = ciudad.value_counts()
porcentaje = (ciudad.value_counts(normalize=True) * 100).round(1)
pd.DataFrame({"pedidos": conteo, "%": porcentaje})
#> pedidos %
#> ciudad
#> Bogotá 4707 39.2
#> Medellín 2663 22.2
#> Cali 1966 16.4
#> Barranquilla 1474 12.3
#> Bucaramanga 1190 9.9value_counts(): frecuencia absolutanormalize=True: frecuencia relativa- Es la respuesta a la pregunta 6 del diagnóstico
Práctica y cierre
Treinta minutos con el notebook: clasificar, declarar escalas y sacar tu propia muestra.
Práctica guiada: cuatro ejercicios en el notebook
revisar_tipos da pistas · 10 min¿Por qué cada uno obtuvo una proporción muestral distinta?
Mira los \(\hat{p}\) del chat: todos con \(n = 200\), cada uno con su propia semilla. El parámetro es \(p = 0{,}241\).
Porque cada semilla elige 200 pedidos distintos de los 12 000. El estadístico varía de muestra en muestra alrededor del parámetro; esa variación tiene forma y tamaño, y medirla es el trabajo de la inferencia.
Lo que te llevas hoy
- La estadística describe lo que hay e infiere lo que no vemos
- Un parámetro es fijo y casi nunca se conoce; un estadístico se conoce, pero cambia con la muestra
- Toda variable es nominal, ordinal, discreta o continua, y su escala decide qué cálculos valen
- La fuente importa: primaria o secundaria, observacional o experimental
- pandas adivina el tipo de dato; el tipo de variable se lo dices tú
La sesión 2 abre con tus dos preguntas
- Termina la práctica: los ejercicios 1 y 2 se revisan solos
- Lee OpenIntro Statistics (4.ª edición, de acceso abierto), capítulo 1, secciones 1.2 a 1.4
- Trae tus dos preguntas del ejercicio 4: otra persona del curso las revisará con los criterios de hoy (coevaluación)
Próxima sesión: tablas y distribuciones de frecuencias.