Semana 4: Análisis Cuantitativo y Visualización

Explorador de Datos Simulado

Filtrar datos (horas de trabajo remoto / semana)

Horas/semana	Satisfacción (1-10)	Límites trabajo-vida	Aislamiento (1-10)
2.5	7.2	Alto	3.1
12.3	5.8	Bajo	6.2
35.1	4.1	Muy bajo	7.8

¿Por qué la visualización importa en investigación?

Edward Tufte, autoridad en visualización de datos, escribió que los gráficos comunican. No son decoración. Son argumentos.

Una visualización puede:

Revelar patrones. Lo que parece aleatorio en una tabla se vuelve obvio en un gráfico.
Mentir. Una escala manipulada, omitir datos incómodos, elegir el tipo de gráfico equivocado —todo eso distorsiona la verdad.
Amplificar o silenciar voces. Si tu gráfico muestra solo promedios, invisibiliza a los que quedan fuera del promedio.

Como investigador, tienes responsabilidad ética sobre cada gráfico que publicas.

«Los gráficos deben mostrar la verdad sobre los datos. Si necesitas embellecer tus datos para que se vean bien, probablemente tus datos no son tan buenos como crees.»

Edward Tufte, The Visual Display of Quantitative Information

Herramientas para análisis cuantitativo con IA

JASP (jasp-stats.org)

Software de estadística bayesiana open-source. Interfaz visual (arrastra variables, obtén análisis). Ventaja: Bayesiana (menos «p-hacking»). Desventaja: Menos integración IA.

jamovi (jamovi.org)

Interfaz visual para estadística frecuentista. Más intuitivo que JASP para principiantes. Módulos adicionales para análisis especializados.

Python + Claude (para análisis avanzado)

Si sabes Python: pandas, numpy, matplotlib. Pides a Claude: «Escribe código Python para [análisis]. Aquí están mis datos: [CSV]. Explícame qué significa cada línea.» Ventaja: Completamente personalizable. Desventaja: Requiere alfabetización técnica.

Principios de Tufte para visualización ética

Principio 1: Data-ink ratio maximizado

Cada píxel debe representar un dato. Elimina decoraciones innecesarias. No a gráficos 3D para datos 2D. No a fondos de colores brillantes que distraen.

Principio 2: Escala honesta

Si tu eje Y no empieza en 0 (porque tus datos van de 50 a 55), acláralo. Manipular escalas es mentir.

Principio 3: Muestra la variabilidad

No muestres solo promedios. Incluye barras de error, desviaciones estándar, percentiles. Un promedio sin variabilidad es un engaño.

Principio 4: Compara con contexto

Un número sin comparación es huérfano. «Aumentó 15%» —¿respecto a qué? ¿Al año anterior? ¿A otros países? ¿A la media histórica?

Principio 5: Causalidad vs correlación

Si muestras una correlación, no digas que es causa. Un gráfico de dispersión muestra relación, no por qué existe esa relación.

Detectar (y no crear) gráficos engañosos

❌ Gráfico Engañoso 1: Escala manipulada

Lo que ves: El grupo B tiene el triple de valor que el grupo A. La verdad: El grupo B tiene un 10% más. El eje Y empieza en 95, no en 0.

❌ Gráfico Engañoso 2: Omisión selectiva

Lo que ves: Correlación perfecta entre A y B. La verdad: Hay 50 observaciones que no se muestran porque se salen del rango que elegiste.

❌ Gráfico Engañoso 3: Solo promedios

Lo que ves: Los dos grupos tienen el mismo promedio (5). La verdad: Un grupo va de 1 a 9, el otro de 4.9 a 5.1. Omitir variabilidad es engañar.

Ejercicio práctico: Visualización crítica

Paso 1: Encuentra un gráfico en una publicación científica o noticia (cualquier disciplina).

Paso 2: Aplica el checklist:

¿La escala es honesta? ¿Empieza en 0 o hay una razón legítima para que no?
¿Se muestra la variabilidad? ¿Hay barras de error?
¿Qué está ausente? ¿Qué no se muestra?
¿Qué tipo de gráfico se usó? ¿Es el más apropiado o hay uno mejor?
¿El título y leyenda dicen la verdad o exageran?

Paso 3: Rediseña ese gráfico de una forma más honesta. Usa JASP o jamovi o dibuja a mano.

Paso 4: Documenta: ¿Qué cambió? ¿Cambia la interpretación?

Referencias clave

• Tufte, E. (2001). The Visual Display of Quantitative Information (2nd ed.). Graphics Press.
• Healy, K. (2018). Data Visualization: A Practical Introduction. Princeton University Press.
• Cairo, A. (2019). How Charts Lie: Getting Smarter about Visual Information. W.W. Norton.

← Semana anterior Siguiente semana →