Datos sin misterio: visualizaciones que capturan distribuciones

Bienvenido a la décima entrega de nuestra serie mensual Datos sin misterio. Como parte del mes de la competencia en datos, esta serie aclara conceptos clave del mundo de los datos, responde a esas preguntas que quizá no te atreves a hacer y, de paso, nos divertimos. Si quieres empezar por el principio, lee la primera entrega: ¿Qué es un conjunto de datos?

Esta semana veremos visualizaciones de datos habituales y cómo interpretarlas. A menudo se dice que la visualización de datos es la puerta de entrada a la ciencia de datos; en esta entrada veremos visualizaciones que capturan distribuciones y cómo interpretarlas.

Visualizaciones que capturan la distribución

Uno de los usos clave de la visualización de datos es mostrar la distribución de una variable. Capturar distribuciones te permite comprender propiedades estadísticas críticas de los datos que visualizas y ayuda a tu audiencia a tomar decisiones informadas basadas en datos sobre resultados clave. Antes de empezar, aquí tienes algunos puntos a tener en cuenta al visualizar distribuciones:

1. ¿Cuál es la forma de la distribución? ¿Es simétrica o no?
2. ¿Cuál es la dispersión de la distribución? Es decir, la diferencia entre el valor más pequeño y el más grande del conjunto de datos.
3. ¿Hay valores atípicos en la distribución?
4. ¿Se aprecia algún patrón en la distribución? ¿Es aleatoria o presenta una forma evidente?
5. ¿Cuál es el valor medio (media, moda, mediana)?

Las cuatro visualizaciones de abajo nos ayudan a responder a estos puntos. 

Histogramas

Un histograma es un gráfico que muestra la distribución de una variable numérica mediante barras. Es una forma práctica de ilustrar los rasgos principales de la distribución, especialmente cuando el conjunto de datos es grande. Casos típicos donde brillan los histogramas son, por ejemplo, mostrar la distribución salarial de los empleados de una empresa o los niveles de azúcar en sangre de una cohorte de pacientes. 

Histograma que representa la edad de fallecimiento de hombres en Australia en 2022 (Fuente: Oosterbaan)

Para construir un histograma, primero se divide la variable numérica en varios rangos o "bins" y se cuenta la frecuencia de ocurrencia en cada rango. El eje horizontal muestra los rangos, mientras que el vertical representa la frecuencia o el porcentaje de apariciones de cada rango. Los histogramas muestran de inmediato si la distribución de una variable está sesgada o dónde tiene sus picos. Aquí tienes ejemplos de nuestro curso Data Visualization for Everyone. 

Un histograma puede ser simétrico, sesgado a la izquierda o sesgado a la derecha. (Fuente: DataCamp)

Un histograma puede tener múltiples modas (Fuente: DataCamp)

Aunque histogramas y gráficos de barras se parecen, cumplen funciones distintas, así que no deben confundirse. Estas son las diferencias clave.

Gráficos de densidad

Al igual que un histograma, un gráfico de densidad representa la distribución de una variable numérica. A diferencia del histograma, un gráfico de densidad utiliza una línea suave en lugar de barras. El eje horizontal es la variable numérica, mientras que el vertical es la función de densidad de probabilidad. La probabilidad de que la variable se sitúe entre un rango es el área bajo la curva. 

La probabilidad de que un ratón tenga un peso al nacer entre 1,0 y 1,2 gramos es el área bajo el gráfico de densidad (Fuente: SPSS)

Un gráfico de densidad puede mostrar la forma de la distribución de forma más efectiva que un histograma. Un histograma con un número de "bins" demasiado pequeño o grande puede ocultar la forma real de la distribución subyacente. En cambio, un gráfico de densidad no requiere agrupación y muestra curvas de distribución suaves.

La elección del número de "bins" en un histograma es crucial. (Fuente: Laerd Statistics)

Un gráfico de densidad también es mejor que un histograma para comparar múltiples distribuciones.

Comparación de distribuciones con gráficos de densidad frente a histogramas (Fuente: Koehrsen Will)

Diagramas de caja

Los histogramas son ideales para mostrar la distribución global de los datos, pero los diagramas de caja (box plots) son excelentes para resumirla. 

La anatomía de un diagrama de caja (Fuente: Galarnyk)

Visualizar datos con un diagrama de caja revela lo siguiente:

1. La mediana: El valor central de un conjunto de datos, donde el 50% de los datos es menor que la mediana y el 50% es mayor. 
2. El cuartil superior: El percentil 75 de un conjunto de datos, donde el 75% de los datos es menor y el 25% es mayor. 
3. El cuartil inferior: El percentil 25 de un conjunto de datos, donde el 25% de los datos es menor y el 75% es mayor. 
4. El rango intercuartílico: El cuartil superior menos el cuartil inferior.
5. El valor adyacente superior: O coloquialmente el "máximo". Representa el cuartil superior más 1,5 veces el rango intercuartílico.
6. El valor adyacente inferior: O coloquialmente el "mínimo". Representa el cuartil inferior menos 1,5 veces el rango intercuartílico.
7. Valores atípicos: Cualquier valor por encima del "máximo" o por debajo del "mínimo".

Diagrama de violín

Un diagrama de violín es un híbrido entre un diagrama de caja y un gráfico de densidad. 

Diagrama de violín que muestra la distribución del total de la factura (Fuente: DataCamp)

Como en un gráfico de densidad, un diagrama de violín muestra una distribución de densidad. Como en un diagrama de caja, también muestra estadísticas resumen. Los diagramas de violín son una herramienta eficaz para mostrar y resumir simultáneamente la distribución de una variable numérica. 

La anatomía de un diagrama de violín (Fuente: Hintze y Nelson)

Empieza hoy con la visualización de datos

Esperamos que te haya gustado esta breve introducción a la visualización de datos. En la próxima entrega, veremos cómo se cubre la IA en los medios y cómo desarrollar un sano escepticismo ante los últimos avances del sector. Para iniciar hoy tu aprendizaje en datos, echa un vistazo a estos recursos. 

• Descubre lo que tenemos preparado para el mes de la competencia en datos
• Empieza con nuestro itinerario de aprendizaje Understanding Data Topics
• Suscríbete al pódcast DataFramed
• Consulta nuestros próximos eventos
• Lee la siguiente entrega de la serie Datos sin misterio sobre cómo evitar la burbuja de la IA