1. Valor mínimo

2. Primer cuartil (Q1) — 25% de los datos están por debajo

3. Mediana (Q2) — 50% de los datos están por debajo

4. Tercer cuartil (Q3) — 75% de los datos están por debajo

5. Valor máximo

Algunas ventajas que ofrece el five-number summary sobre la media y la desviación estándar son:

1.      Mayor resistencia a valores atípicos (outliers; dato muy alejado).

·         El five-number summary se basa en cuartiles y mediana, que no tan afectados por los valores extremos. En cambio, la media y la desviación estándar pueden distorsionarse significativamente por pocos valores (grandes o pequeños).

2.      Muestra mejor la dispersión y la forma de la distribución.

·         El five-number summary permite ver si los datos están sesgados, si hay simetría o si hay acumulación en ciertos rangos. Lo que no es posible directamente con la media y la desviación estándar.

3.      Más útil con distribuciones no normales.

·         Si los datos no siguen una distribución normal, la media y la desviación estándar pierden interpretabilidad. El five-number summary sigue siendo válido y útil en cualquier distribución, incluso si es asimétrica o multimodal.

4.      Información localizada del conjunto de datos.

·         En el five-number summary se puede ver:

- Dónde están concentrados los datos (entre Q1 y Q3)

- Si hay simetría (Q2 más cerca de Q1 o de Q3)

- Cuál es el rango total y el rango intercuartílico (IQR = Q1 – Q3)

El five-number summary ofrece una visión más clara de la distribución de los datos, especialmente cuando hay valores atípicos, asimetría o la distribución no es normal. La media y la desviación estándar son útiles, pero más sensibles y menos informativas por sí solas.

Tukey interpretaría un puntaje muy alto como un valor atípico (outlier). Esto significa que está significativamente alejado del resto de los datos y podría indicar algo inusual o importante.

Como investigador en educación, deberías considerar lo siguiente:

1. Investigar la causa:

* Errores de medición: ¿Hubo algún error al registrar el puntaje? ¿Se aplicó la prueba correctamente?

* Factores externos inusuales: ¿El estudiante tuvo alguna preparación especial o una experiencia única que no se compartió con el resto del grupo?

* Habilidad excepcional: ¿Podría ser un caso de talento sobresaliente que necesita ser estudiado más a fondo?

2. Impacto en el análisis:

* Influencia estadística: Un valor atípico puede distorsionar las estadísticas descriptivas (como la media) y los resultados de las pruebas inferenciales.

* Robustez del modelo: Evalúa si tus conclusiones cambiarían significativamente si excluyeras o ajustaras el tratamiento de este dato.

3. Decisiones metodológicas:

* Mantener el dato: Si no hay evidencia de error, el dato es válido y representa una realidad. Podrías usar métodos estadísticos robustos que son menos sensibles a los valores atípicos.

* Excluir el dato: Solo si tienes una razón justificable (ej. error de registro claro) para hacerlo. Siempre debes reportar esta exclusión y justificarla.

* Analizar por separado: Podrías estudiar este caso de forma cualitativa o como un subgrupo para entender las condiciones que llevaron a ese puntaje excepcional.

4. Implicaciones pedagógicas:

* Identificación de talento: Si es un caso de habilidad excepcional, ¿qué se puede aprender de este estudiante para replicar o fomentar ese éxito en otros?

* Necesidades educativas: ¿Este estudiante necesita un programa de enriquecimiento o un desafío mayor?

En resumen, un valor atípico no debe ser ignorado; es una señal para profundizar en la comprensión de tus datos y del fenómeno educativo que estás estudiando.

Una de sus mayores contribuciones al análisis de datos fue el Análisos Exploratorio de Datos (EDA) , este enfoque, que él popularizó, se basa en la idea de utilizar visualizaciones y técnicas estadísticas simples para "explorar" los datos y descubrir patrones, tendencias o anomalías.

Diferencias entre el Enfoque Confirmatorio Tradicional y el Análisis Exploratorio de Datos

CDA

·        Objetivo: Probar o refutar una hipótesis o teoría preexistente.

·        Proceso: El investigador formula una hipótesis (por ejemplo, "el medicamento X reduce la presión arterial") y luego diseña un experimento o un estudio para recopilar datos y aplicar pruebas estadísticas (como pruebas t o ANOVA) para ver si los datos confirman la hipótesis.

·        Métodos: Se centra en la inferencia estadística, la significación y los valores p.

·        Limitaciones: Si la hipótesis inicial es incorrecta o el modelo estadístico no es el adecuado, el análisis puede no revelar información valiosa. Puede imponer un modelo a los datos en lugar de permitir que los datos "hablen por sí mismos".

EDA

·        Objetivo: Descubrir patrones, relaciones, y obtener una comprensión inicial de los datos sin una hipótesis previa.

·        Proceso: El investigador utiliza gráficos (como los diagramas de caja y bigotes o los diagramas de tallo y hojas, ambos popularizados por Tukey) y resúmenes numéricos para visualizar y explorar los datos desde múltiples perspectivas. El EDA es un proceso iterativo y flexible.

·        Métodos: Se centra en la visualización de datos, la identificación de valores atípicos, y la búsqueda de estructuras subyacentes.

·        Beneficios: Es un paso inicial crucial en cualquier análisis, ya que puede revelar problemas en los datos (como errores de medición o valores faltantes), sugerir posibles hipótesis para un análisis posterior, o llevar a descubrimientos inesperados que no se habrían encontrado con un enfoque puramente confirmatorio.

Inspección visual y estadística: se utilizan gráficos como histogramas y gráficos de barra para visualizar la distribución de variables como calificaciones o edades. Por ejemplo, un histograma de calificaciones puede mostrará valores fuera del rango esperado (e.g., una calificación de 110en una escala de 0 a 100), indicando un error de entrada.

Análisis de valores perdidos: se calcula el porcentaje de valores perdidos en cada columna. Si un alto porcentaje de datos falta en una variable como la asistencia, puede haber un problema sistemático en la forma en que se están registrando los datos.

Validación de tipos de datos: se verifica que las variables tengan el formato correcto. Por ejemplo, si una columna de fechas contiene texto, se debe corregir para analizar datos temporales.

Los casos atípicos (outliers), son los valores que se desvían significativamente de la mayoría de los datos. Pueden ser errores o datos inusuales pero válidos. El AED ayuda a detectarlos mediante:

Diagramas de caja (box plots): estos gráficos muestran la distribución de los datos y marcan explícitamente los valores que caen fuera de los "bigotes" del diagrama, que representa el rango intercuartílico.

Gráficos de dispersión: se utiliza para visualizar la relación entre dos variables. Un punto muy alejado del patrón general en el gráfico podría ser un caso atípico.

Los sesgos en los datos se refieren a la representación desproporcionada de ciertos grupos. El AED ayuda a identificar sesgos mediante:

Análisis de distribución de datos categóricos: se utilizan gráficos de barra para visualizar la distribución de variable como género, etnia o nivel socioeconómico. Si un grupo está subrepresentado, podría indicar un sesgo en la forma en que se recopilaron los datos.

Análisis de subgrupos: se comparan las distribuciones de variables clave (e.g., calificaciones de tasas de deserción) entre diferentes subgrupos. Si las tasas de deserción son significativamente más altas para un grupo demográfico específico, podría haber un sesgo que afecta a ese grupo, lo que requeriría una investigación más profunda para entender las causas subyacentes.

Mediana: la línea que divide la caja. Representa el valor central de los datos.

Cuartiles: los bordes de la caja representan el primer cuartil (Q1) y el rango tercer cuartil (Q3). Esto muestra el rango donde se encuentra el 50% central de los datos.

Rango intercuartílico: la longitud de la caja, que indica la dispersión del 50% central de los datos. Un RIC grande significa que los datos están más dispersos.

Valores mínimos y máximos: los "bigotes" del gráfico se extienden hasta los valores mínimo y máximo dentro de un rango aceptable, lo que da una idea de la dispersión total de los datos.

Valores atípicos (outliers): los puntos individuales más allá de los bigotes son valores atípicos, que se desvían significativamente del resto de los datos. Una tabla de frecuencia no los resalta lo que los hace difíciles de identificar.

En la investigación doctoral, la frase de Tukey nos invita a ver la visualización de datos no solo como una herramienta para confirmar hipótesis, sino como un método de exploración y descubrimiento.

Aplicaría esta idea de la siguiente manera:

1. Exploración Activa: En lugar de solo crear gráficos para mostrar los resultados finales, comenzaría mi análisis con la visualización exploratoria de datos (EDA). Esto implicaría generar una variedad de gráficos (diagramas de dispersión, histogramas, boxplots, etc.) desde el inicio de la investigación. El objetivo no sería probar algo, sino simplemente "conversar" con los datos para ver qué patrones, relaciones o anomalías surgen.

2. Hallazgos Inesperados: La frase de Tukey es clave para encontrar lo inesperado. Por ejemplo, al graficar la relación entre dos variables, podría notar un comportamiento atípico que no había anticipado en mi marco teórico. Esta sorpresa podría llevarme a formular una nueva pregunta de investigación o a reevaluar mi enfoque inicial.

3. Comunicación Clara: Una vez que el gráfico me ha revelado algo inesperado, el siguiente paso es usar esa misma visualización para comunicarlo de manera efectiva. Un gráfico bien diseñado puede mostrar de forma inmediata un patrón complejo que un texto o una tabla de números tardaría páginas en explicar. Por ejemplo, si descubro una correlación sorprendente entre dos variables, un diagrama de dispersión claro puede ser la forma más convincente de presentar este hallazgo a mi comité de tesis.

La idea de Tukey transformaría mi enfoque de la visualización de datos de una simple "ilustración" a una "herramienta de descubrimiento" fundamental, que me permite no solo validar mis hipótesis, sino también encontrar las ideas más valiosas y originales de mi investigación.

https://imstat.org/2023/09/30/hand-writing-john-tukey-the-first-data-scientist/