Análisis Exploratorio de Datos

El Análisis Exploratorio de Datos – EDA se considera la etapa crítica de la investigación cuantitativa ya que el investigador debe “escuchar” lo que los datos le dicen antes de realizar pruebas de hipótesis formales. A diferencia del Análisis Confirmatorio, el EDA se encarga de buscar patrones, detectar anomalías y verificar supuestos subyacentes..

En el desarrollo de una tesis, el EDA cumple con los siguientes objetivos:

• Depurar la base de datos identificando valores atípicos o datos faltantes que pueden generar sesgo en los resultados.
• Maximizar el conocimiento descubriendo estructuras ocultas y relaciones entre variables que no se previeron en la hipótesis inicial.
• Validar supuesto comprobando si los datos siguen una distribución normal, requisitos indispensable para emplear estadística paramétrica.

Técnicas Esenciales para el EDA en la Tesis

Para llevar a cabo un análisis exploratorio riguroso, el tesista o investigador debe emplear diversas herramientas visuales y descriptivas que faciliten la comprensión del fenómeno en estudio, tales como:

• Histogramas y Gráficos de Densidad: Permiten observar la forma de la distribución y la concentración de las respuestas.
• Diagramas de Caja o Boxplots: Esta es la herramienta por excelencia que permite detectar valores atípicos y comparar la dispersión entre grupos.
• Gráficos de Dispersión o Scatter Plots: Elementales para identificar de manera visual la existencia de una relación lineal o curvilínea entre dos variables antes de realizar el cálculo de Pearson o Spearman.
• Estadística Descriptiva: Es el cálculo de la media, mediana, desviación estándar y curtosis para resumir de forma numérica el comportamiento de la muestra.

Beneficios del análisis exploratorio de datos

• Mejora la comprensión de los datos: El EDA permite a los analistas comprender mejor la estructura, los patrones y las relaciones dentro de los datos, proporcionando una base sólida para análisis posteriores.
• Identifica problemas de calidad de datos: El EDA ayuda a detectar valores perdidos, inconsistencias, errores de entrada y otras anomalías que podrían afectar la confiabilidad de los análisis.
• Guía la selección de técnicas de modelado: La información obtenida del EDA puede guiar la elección de técnicas de modelado estadístico o aprendizaje automático adecuadas para el problema en cuestión.
• Optimización en proyectos de Big Data: Esta selección previa se vuelve aún más crucial cuando el investigador se enfrenta a entornos masivos de información. Por lo tanto, realizar un escrutinio visual y descriptivo inicial es el paso obligatorio antes de entrenar modelos automatizados complejos. Si deseas profundizar en cómo se aplican estas fases en entornos de Big Data, te invitamos a revisar nuestra guía sobre el análisis de grandes volúmenes de datos y el papel de la inteligencia artificial en la gestión de bases de datos complejas.
• Genera hipótesis y nuevas preguntas: El EDA puede generar nuevas hipótesis y preguntas de investigación que no se habían considerado inicialmente.
• Facilita la comunicación de resultados: Los gráficos y visualizaciones creados durante el EDA facilitan la comunicación de los hallazgos a audiencias técnicas y no técnicas.

 Ejemplo de análisis exploratorio de datos

Caso Práctico: Aplicación del EDA en una Investigativa Socioeducativa

 Para comprender el uso del EDA en una investigación, considera un estudio cuyo objetivo es analizar el impacto del uso de plataformas virtuales en el rendimiento académico de estudiantes universitarios. Antes de comenzar a aplicar la regresión lineal para probar la hipótesis, el investigador debe realizar un análisis exploratorio siguiendo estos pasos:

1. Identificación de Anomalías – Outliers

Al generar un diagrama de caja, el investigador observa que dos estudiantes cuentan con un registro promedio de 98 horas semanales de uso de la plataforma. Al ser esto un dato físicamente imposible, tomando en cuenta las horas de sueño y de clases, el EDA permite identificar estos valores como errores de registro o inconsistencias del sistema, lo que lleva a proceder a una depuración para no sesgar la media general. Detectar este tipo de anomalías es un paso crítico en la auditoría científica, especialmente si consideramos la alarmante cantidad de estudios con datos falsos o manipulados que lamentablemente se han publicado a lo largo de la historia de la ciencia.

2. Verificación de la Normalidad

Antes de procesar cualquier métrica de ajuste, el investigador debe clasificar la naturaleza de sus variables, ya que los tratamientos matemáticos varían por completo según el origen de la muestra. Comprender a fondo la diferencia entre datos discretos y continuos en estadística es el paso previo que determinará si es factible buscar una distribución de frecuencias suave o si se trabajará con conteos de valores enteros. Una vez definida la naturaleza cuantitativa de la variable, se puede avanzar con seguridad en la Verificación de la Normalidad; por ejemplo, a través del uso de un Histograma y la prueba de Kolmogorov-Smirnov se analiza la distribución de las calificaciones.

• Hallazgo: si los datos evidencian una asimetría negativa pronunciada, el investigador descubre que gran parte de los estudiantes cuenta con calificaciones altas, lo que sugiere que las pruebas aplicadas fueron muy sencillas o que existe un sesgo de selección.
• Decisión Metodológica: esta exploración determina si es lícito usar estadística paramétrica o si deben usarse pruebas no paramétricas como la U de Mann-Whitney si se comparan dos grupos. Del mismo modo, si el diseño de la investigación implica contrastar tres o más grupos independientes bajo estas mismas condiciones de no normalidad, el EDA nos redirigirá hacia la aplicación de la prueba de Kruskal-Wallis en la tesis, garantizando un análisis robusto y libre de los supuestos tradicionales de la varianza.

3. Correlación Visual Inicial

Antes de comenzar los cálculos del coeficiente de correlación de Pearson, se genera un Gráfico de Dispersión entre las variables Horas de Conexión y Promedio de Notas.

• Resultados: si los puntos en el gráfico no muestran una tendencia lineal, el investigador ahorra tiempo al no forzar una relación matemática inexistente, permitiéndole reformular su enfoque hacia otras variables que sí mostraron patrones visuales durante el EDA.\

EDA en el Software Estadístico: De la teoría a la práctica

Antes de poder ejecutar cualquier menú exploratorio o tratamiento estadístico en un programa especializado, es imperativo que la información repose en una estructura limpia, segura y correctamente normalizada. Por lo tanto, la consistencia de los análisis posteriores depende directamente de la solidez del repositorio inicial. Si deseas aprender cómo estructurar tablas eficientes, aplicar reglas de normalización y elegir el sistema de gestión idóneo para salvaguardar tu proyecto, te invitamos a consultar nuestra guía sobre el diseño de bases de datos digitales en el ámbito científico. Actualmente, el Análisis Exploratorio se apoya en el uso de software potentes. Ahora bien, si se emplea SPSS, la función de explorar en el menú de estadísticas descriptivas es la mejor aliada. Si empleas Excel, el uso de tablas dinámica y el complemento de análisis de datos permite una visión rápida de las tendencias. Es importante recordad que un buen EDA no solo limpia los datos, sino que fortalece los resultados de la tesis, dándole al jurado la seguridad de que las conclusiones no son producto del azar, sino de un tratamiento estadístico meticuloso.

En conclusión, el análisis exploratorio de datos es una herramienta esencial para cualquier analista que trabaje con conjuntos de datos. Al dedicar tiempo a explorar los datos de manera cuidadosa y sistemática, los analistas pueden descubrir información valiosa que los ayudará a comprender mejor los datos, identificar problemas potenciales, preparar los datos para análisis posteriores y obtener resultados más confiables y significativos. El EDA es un proceso iterativo que puede repetirse a medida que se avanza en el análisis, proporcionando información continua y valiosa para guiar la investigación.

Análisis Exploratorio de Datos