Certificado de analítica de datos de IBM SkillsBuild: glosario
Glosario
Este glosario contiene las definiciones de los términos clave que aprenderás en cada módulo.
Los términos dentro de un módulo se enumeran alfabéticamente. Cada sección contiene
también un espacio para que registres las preguntas y notas que puedas tener a medida que
avanzas en las lecciones.
Módulo 1: Clasificación y obtención de datos ............................................................................... 3
Preguntas que tengo ................................................................................................................... 4
Mis notas ..................................................................................................................................... 4
Módulo 2: Tipos de datos empleados en las organizaciones ........................................................ 5
Preguntas que tengo ................................................................................................................... 6
Mis notas ..................................................................................................................................... 6
Módulo 3: Datos de origen externo ................................................................................................ 7
Preguntas que tengo ................................................................................................................... 7
Mis notas ..................................................................................................................................... 8
Módulo 4: Usabilidad de datos ....................................................................................................... 9
Preguntas que tengo ................................................................................................................. 10
Mis notas ................................................................................................................................... 10
Módulo 5: Manipulación de datos ................................................................................................ 11
Preguntas que tengo ................................................................................................................. 11
Mis notas ................................................................................................................................... 11
Módulo 6: Introducción a la Estadística....................................................................................... 12
Preguntas que tengo ................................................................................................................. 13
Mis notas ................................................................................................................................... 14
Módulo 7: Muestras estadísticas para describir un gran conjunto de datos .............................. 15
Preguntas que tengo ................................................................................................................. 17
Mis notas ................................................................................................................................... 17
Módulo 8: Estadísticas en la toma de decisiones y evaluaciones de riesgos ............................. 18
Preguntas que tengo ................................................................................................................. 19
Mis notas ................................................................................................................................... 20
Módulo 9: El proceso de análisis de datos ................................................................................... 21
Preguntas que tengo ................................................................................................................. 21
Página 1 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas ................................................................................................................................... 22
Módulo 10: Datos en profundidad................................................................................................ 23
Preguntas que tengo ................................................................................................................. 24
Mis notas ................................................................................................................................... 25
Módulo 11: Cómo comunicar la historia de los datos ................................................................. 26
Preguntas que tengo ................................................................................................................. 26
Mis notas ................................................................................................................................... 27
Módulo 12: La importancia de la visualización de datos ............................................................. 28
Preguntas que tengo ................................................................................................................. 28
Mis notas ................................................................................................................................... 28
Módulo 13: Tecnologías emergentes y futuro de la analítica de datos ...................................... 29
Preguntas que tengo ................................................................................................................. 29
Mis notas ................................................................................................................................... 30
Página 2 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 1: Clasificación y obtención de datos
Término
Definición
Datos continuos
Datos numéricos, también denominados datos cuantitativos, que
representan mediciones de cualquier valor dentro de un rango o
intervalo específico. Los datos continuos pueden incluir ángulos,
altura u otras medidas similares.
Cualquier dato que puedas recopilar, analizar e interpretar para tomar
decisiones. Los datos son un conjunto de información.
El proceso de examinar, limpiar, transformar y modelar datos para
ayudar a encontrar información útil, llegar a conclusiones y respaldar
la toma de decisiones.
La aplicación de técnicas y procesos para recopilar, analizar e
interpretar datos para identificar tendencias, hacer predicciones y
mejorar la toma de decisiones.
Datos cuantitativos que incluyen números enteros o naturales, como
1, 2, 3, sus contrapartes negativas -1, -2, -3 o incluso 0. Los valores
son separados y distintos; no puede haber decimales ni fracciones.
Categorías de datos que no tienen valor numérico natural, orden ni
clasificación. Los datos nominales pueden tener valores, como ojos
marrones, ojos azules, ojos color avellana u ojos verdes. Los analistas
pueden agrupar los datos nominales en categorías, pero los datos
nominales no tienen un orden o jerarquía significativos.
Datos agrupados en categorías que tienen un orden natural o basado
en escalas. Los datos ordinales contienen valores que incluyen
términos, como muy probable y poco probable. Aunque los elementos
de texto no son numéricos, estos términos tienen valor y un orden de
valor, también conocido como orden de magnitud.
Datos que el investigador o alguien con quien trabaja directamente
recopila para sus propios fines, como responder una pregunta
relacionada con el negocio. Los investigadores generalmente
recopilan datos primarios a través de métodos, como encuestas,
experimentos, observaciones o entrevistas.
También llamados datos categóricos, son datos descriptivos que
representan características no numéricas como apariencias,
experiencias, opiniones, comportamientos, actitudes o creencias.
También llamados datos numéricos, son datos directamente medibles
que son numéricos. Los datos cuantitativos son numéricos, precisos y
objetivos.
Datos
Análisis de datos
Analítica de datos
Datos discretos
Datos nominales
Datos ordinales
Datos primarios
Datos cualitativos
Datos
cuantitativos
Página 3 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Datos secundarios
Datos que otra persona, departamento, empresa u organización
recopila para sus propios fines, no para los del investigador. El
investigador puede utilizar los datos secundarios para ayudarle a
alcanzar sus objetivos. Las fuentes de datos secundarias utilizadas
con frecuencia incluyen informes gubernamentales, bases de datos en
línea y empresas privadas.
Datos, normalmente caracterizados como cuantitativos, que están
bien organizados y son fáciles de leer por las computadoras.
Datos, generalmente caracterizados como cualitativos (no numéricos),
que no siguen un formato predefinido y carecen de una organización o
estructura incorporada. Por lo tanto, no puede ser procesado y
analizado por herramientas de datos y métodos que analizan datos
estructurados.
Datos
estructurados
Datos no
estructurados
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 4 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 2: Tipos de datos empleados en las organizaciones
Término
Definición
Big data
Se refiere a grandes cantidades de datos estructurados y no
estructurados que crecen rápidamente. Estos datos son
demasiado grandes y complejos para que las herramientas
convencionales de procesamiento de datos los gestionen y
analicen de manera efectiva.
Datos que se recopilan y adaptan a las necesidades y objetivos
específicos de una empresa o un particular. Con los datos
personalizados, las empresas obtienen una comprensión profunda
de una industria, segmento de mercado o grupo de consumidores
en específico.
Información que una organización obtiene de fuentes externas a
ella misma. Los datos externos son intercambiables con los datos
secundarios, con diferencias sutiles. El término “datos externos”
se centra en la fuente, mientras que “datos secundarios” se centra
en el papel que desempeñan los datos en el análisis. Los datos
externos incluyen datos públicos, datos de terceros, datos
sindicados y datos de asociaciones.
Información que una organización genera y recopila en su seno con
fines decisorios, analíticos y operativos. Los datos internos a veces
se denominan datos primarios. Cuando se califica a los datos de
“internos”, generalmente se hace referencia únicamente a la
fuente de los datos en relación con la organización que los
recopiló. Al calificar los datos de “primarios”, nos centramos en el
papel que estos desempeñan en la investigación. Los datos
internos incluyen datos de empleados, datos operativos, datos
financieros, datos de ventas, datos de comunicación interna, datos
de marketing y datos de clientes.
Recopila datos solo a intervalos regulares. El monitoreo de
intervalos puede ser un método eficaz para recopilar datos que
ocurren según un cronograma regular o para recopilar datos de
muestra que un analista puede usar para extrapolar.
Recopila datos sobre la actividad en línea de los clientes o
usuarios. Por ejemplo, el seguimiento en línea ayuda a las
empresas a determinar los puntos en línea en los que el cliente
pierde interés en comprar un producto. El seguimiento en línea
ayuda a las empresas a identificar estos momentos, aprender de
ellos y luego ajustar el sitio web para abordarlos.
Implica la captura de información basada en acciones o sucesos
específicos, conocidos como desencadenantes o eventos. Por
ejemplo, podrías tener una aplicación en tu dispositivo móvil que
Datos
personalizados
Datos externos
Datos internos
Monitoreo de
intervalos
Seguimiento en
línea
Recopilación de
datos basada en
activadores
Página 5 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
cuente cada notificación que llega. Cuando se envía una
notificación, la aplicación detecta el evento e incrementa su
recuento interno en uno.
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 6 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 3: Datos de origen externo
Término
Agregadores de
datos
Atribución de
datos
Declaración de
atribución de
datos
Panel de datos
Datos financieros
Paneles de datos
de redes sociales
Conjuntos de
datos de redes
sociales
Definición
Grupos o empresas que empaquetan y venden estos grandes
conjuntos de datos a otras empresas. Por ejemplo, un minorista
podría emplear datos meteorológicos de un agregador de datos, como
un servicio meteorológico, para ajustar el inventario y las estrategias
de marketing según los patrones estacionales.
El proceso de rastrear el origen de los datos y verificar su exactitud y
confiabilidad. Implica identificar de dónde proceden los datos, los
métodos de recopilación y si son confiables y relevantes para el
análisis.
Declaración incluida en un informe o publicación que reconoce y da
crédito a la fuente de los datos empleados en un estudio o análisis. La
finalidad de una declaración de atribución de datos es dar el debido
crédito a la fuente de datos, establecer la transparencia y permitir que
otros investigadores verifiquen y accedan a los mismos datos para sus
propios estudios.
Representación visual de datos empleada para seguir y controlar el
rendimiento de una empresa u organización. Suele incluir tablas,
gráficos y otros elementos visuales para comunicar métricas y
tendencias clave.
Información que representa la situación financiera de una entidad.
Por ejemplo, una organización puede emplear datos financieros para
analizar la salud económica y financiera de la empresa.
Herramientas interactivas que muestran activamente y proporcionan
acceso en tiempo real a los datos de las plataformas de redes
sociales. Estos paneles permiten a los usuarios monitorear, analizar y
visualizar diversas métricas e información relacionada con las
actividades y el rendimiento de las redes sociales.
Datos recopilados y organizados desde plataformas de redes sociales.
Estos conjuntos de datos contienen activamente una amplia gama de
información, incluido contenido generado por el usuario, perfiles de
usuario, métricas de participación y otros puntos de datos relevantes.
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 7 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 8 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 4: Usabilidad de datos
Término
Definición
Matrices
Una lista de elementos de datos u objetos asociados con una longitud
fija, como una lista numérica de puntajes finales de una prueba o los
nombres de los participantes en una carrera.
El espacio en la nube se refiere al almacenamiento de datos en
dispositivos de almacenamiento remotos a los que se accede a través
de Internet.
La limpieza de datos es el proceso de identificar y corregir datos
incorrectos, inexactos o incompletos dentro de un conjunto de datos.
Almacenamiento
en la nube
Limpieza de datos
Formato de
archivo de datos
Normalización de
datos
Estandarización
de datos
La usabilidad de
los datos
Almacenamiento
de datos
Almacenamiento
de conexión
directa (DAS)
Gráficos
Listas enlazadas
Almacenamiento
conectado a la red
(NAS)
Se refiere a la estructura y organización específicas de los datos
dentro de un archivo. Define cómo los programas de software
almacenan, cambian, muestran o analizan los datos en un archivo.
La normalización de datos es el proceso de segmentar datos y crear
relaciones entre los segmentos. La normalización ayuda a evitar
duplicaciones y errores, y facilita el acceso y la lectura de datos.
La estandarización de datos es el proceso de establecer reglas y
formatos congruentes para recopilar y almacenar datos para
garantizar que estén organizados, estructurados y almacenados de
manera uniforme. La estandarización de datos puede ocurrir en varios
niveles, incluida la estandarización de puntos de datos individuales,
estructuras de datos y formatos de archivos de datos.
La usabilidad de los datos se refiere a la facilidad con la que los
usuarios y los sistemas pueden acceder a los datos y usarlos para
generar información significativa.
El almacenamiento de datos se refiere al proceso de capturar,
almacenar y preservar información digital de manera estructurada y
organizada para su uso futuro.
DAS es un tipo de almacenamiento de datos en el que los usuarios
conectan directamente un dispositivo de almacenamiento a una sola
computadora o servidor.
Estructura de datos formada por un conjunto de elementos de datos y
un conjunto de aristas, o relaciones, que los conectan.
Una cadena de nodos, donde cada nodo tiene un dato y una conexión
con el nodo siguiente.
El almacenamiento conectado a la red (NAS) es un tipo de
almacenamiento de datos al que se puede acceder a través de una red
local conectada a un dispositivo de almacenamiento dedicado, que
actúa como un servidor de archivos centralizado. Los usuarios de la
red pueden almacenar y compartir archivos, así como acceder a ellos
fácilmente, lo que hace que el NAS sea ideal para el almacenamiento
de archivos, la colaboración y la copia de seguridad.
Página 9 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Colas
Una estructura de datos lineal que sigue el principio de primero en
entrar, primero en salir (FIFO). Esto significa que primero debes
eliminar el primer elemento agregado a la cola.
Una base de datos relacional ahora es muy común y usa tablas, filas y
columnas como una hoja de cálculo, como Microsoft Excel o Google
Sheets.
Una estructura de datos lineal que sigue el principio de "último en
entrar, primero en salir" (LIFO). Esto significa que primero se elimina
el último elemento agregado a la pila.
Una red de área de almacenamiento (SAN) es una red dedicada de
alta velocidad que conecta servidores a almacenamiento consolidado
a nivel de bloque, lo que hace que parezca un almacenamiento de
dispositivo local.
Una estructura de datos en la que el sistema estructura los datos,
llamados nodos, en un formato jerárquico. Un nodo puede ser un
registro entero o un solo elemento, según el diseño de los datos.
Base de datos
relacional
Pilas
Red de área de
almacenamiento
(SAN)
Árboles
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 10 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 5: Manipulación de datos
Término
Definición
Automatización
de datos
Analizar y transformar datos automáticamente mediante
herramientas informáticas y algoritmos. La automatización incluye la
limpieza, el filtrado, la fusión y la transformación de datos en varios
formatos, como CSV, Excel o SQL.
Modificar, transformar o gestionar activamente los datos para cumplir
con requisitos específicos, como limpiar, filtrar, fusionar, agregar o
reestructurar datos para obtener información significativa o realizar
las operaciones deseadas en los datos.
Manipulación de datos y tareas de procesamiento programadas para
ejecutarse automáticamente en momentos e intervalos específicos.
Muchas herramientas de manipulación de datos, como Talend y
Alteryx, pueden automatizar las tareas de manipulación de datos.
Manipulación de
datos
Tareas
programadas
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 11 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 6: Introducción a la Estadística
Término
Definición
Atributo
Un atributo es una característica medible o descriptiva de un objeto,
evento o persona en un conjunto de datos. Los atributos pueden ser
cuantitativos, que representan valores numéricos, o cualitativos, que
categorizan los datos en grupos o tipos.
Una distribución de probabilidad en la que solo son posibles dos
resultados (éxito o fracaso, verdadero o falso, etc.) y la probabilidad
de ocurrencia de cualquiera de los resultados permanece igual en
múltiples ensayos independientes.
La distribución de datos muestra cómo se distribuyen los valores de
un conjunto de datos. Ayuda a los analistas a ver patrones, como qué
valores son comunes y cuáles son raros, y el rango general de los
datos.
Las estadísticas descriptivas son estadísticas informativas que
resumen y simplifican las características importantes de un conjunto
de datos y explican la distribución de datos.
La media es una medida de tendencia central que se calcula sumando
todos los valores de un conjunto de datos y dividiendo el total por el
número de elementos del conjunto.
Las medidas de tendencia central describen las diferentes formas en
que puedes usar las estadísticas para encontrar el centro de un
conjunto de datos. Las medidas comunes de tendencia central
incluyen la media, la mediana y la moda.
La mediana se refiere al valor intermedio en un conjunto de datos
ordenados. Para un número impar de observaciones, es el número del
medio. Para un número par, es el promedio de los dos números del
medio.
La moda se refiere al número que aparece con más frecuencia en un
conjunto de datos. Un conjunto de datos puede tener una moda, más
de una moda o ninguna moda.
Una distribución normal, también conocida como curva de campana,
es una distribución en la que coinciden tres medidas clave: la media
(promedio), la mediana (valor medio) y la moda (valor más frecuente).
Esta alineación de la media, la mediana y la moda en el centro es lo
que le da a la distribución normal su característica forma simétrica de
campana.
Los valores atípicos son valores muy altos o muy bajos a ambos lados
de la mitad del conjunto de datos.
Distribución de probabilidad que mide la probabilidad de que se
produzca un suceso con una tasa promedio constante dentro de un
periodo determinado.
Distribución
binomial
Distribución de
datos
Estadísticas
descriptivas
Media
Medidas de
tendencia central
Mediana
Moda
Distribución
normal
Valores atípicos
Distribución de
Poisson
Página 12 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Rango
El rango es la diferencia entre los valores más altos y más bajos de un
conjunto de datos.
En una distribución sesgada, la distribución no es simétrica alrededor
del pico de la curva. La cola de un lado de la distribución es más larga
que la cola del otro, lo que la hace sesgada negativa o positivamente.
La desviación estándar mide la variación de cada valor de un conjunto
de datos con respecto a la media.
Una distribución t es un tipo de distribución de probabilidad similar a
una distribución normal. La distribución t suele utilizarse cuando el
tamaño de la muestra es pequeño o cuando se desconoce la
desviación típica de la población.
Una distribución uniforme, también conocida como distribución
rectangular, tiene el mismo valor para cada resultado. Los valores
iguales crean una distribución simétrica, donde cada valor de la
distribución tiene la misma probabilidad de ocurrir y el número de
resultados para cada valor es el mismo.
La variabilidad se refiere a cuánto difieren entre sí los puntos de datos
de un conjunto de datos y también puede incluir cómo difieren de la
media (promedio) de los datos.
Distribución
sesgada
Desviación
estándar
Distribución t
Distribución
uniforme
Variabilidad
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 13 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 14 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 7: Muestras estadísticas para describir un gran conjunto de
datos
Término
Definición
Prueba de ANOVA
Una prueba ANOVA determina si existen diferencias significativas
entre las medias (promedio) de dos o más grupos o poblaciones. Al
analizar las variaciones entre grupos con respecto a las variaciones en
los grupos, la prueba ANOVA determina si hay diferencias
significativas en las medias (promedios) entre los grupos que el
investigador está comparando.
El teorema del límite central (TLC) establece que si tomas muchas
muestras de cualquier grupo de datos y cada muestra es lo
suficientemente grande, los promedios de esas muestras
generalmente se verán como una curva en forma de campana o una
distribución normal.
Una prueba de chi-cuadrado es una prueba estadística empleada para
evaluar si existe una asociación significativa entre las variables
categóricas o si las frecuencias observadas difieren de las frecuencias
esperadas en las tablas de contingencia.
Un intervalo de confianza es un rango de valores entre los que una
estimación debe caer cada vez que se realiza una prueba dentro de un
cierto nivel de confianza.
El nivel de confianza es una medida de cuán confiables son las
estimaciones de una muestra si los investigadores repitieran el
estudio varias veces.
Una hipótesis es una proposición o predicción específica y
comprobable sobre una población o la relación entre dos o más
variables. Se formula sobre la base de observaciones, conocimientos
existentes o teoría, y se utiliza como base para futuras investigaciones
o experimentaciones.
La prueba de hipótesis es un proceso estadístico sistemático que se
emplea para evaluar las relaciones entre variables o comparar
características entre diferentes poblaciones. Implica la formulación
de dos hipótesis opuestas: la hipótesis nula, que supone que no hay
efecto o diferencia entre los grupos o variables que se estudian, y la
hipótesis alternativa, que propone que hay un efecto o diferencia
significativa.
La estadística inferencial es una rama de la estadística que se ocupa
de hacer predicciones o sacar conclusiones sobre una población
basada en una muestra.
El margen de error es la cantidad máxima, en porcentaje, en la que la
estimación podría variar de la población real.
Teorema del
límite central
(TLC)
Prueba de Chicuadrado
Intervalo de
confianza
Nivel de confianza
Hipótesis
Prueba de
hipótesis
Estadísticas
inferenciales
Margen de error
Página 15 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Prueba no
paramétrica
Una prueba no paramétrica es un tipo de prueba estadística que no
asume una distribución específica para los datos, por lo que es útil
para analizar datos que no se ajustan a las suposiciones de
distribución normales.
Los parámetros son medidas de resumen que describen a toda la
población y suelen estimarse empleando estadísticas de muestras.
Los parámetros sirven para inferir características sobre toda la
población. Por ejemplo, si la estatura promedio de varias muestras de
clase se emplea para estimar la estatura media (promedio) de todos
los alumnos de un centro, esa estimación es un parámetro.
Una prueba paramétrica se centra en parámetros, como la media o la
distribución estándar de los datos de población. Las pruebas
paramétricas pretenden determinar si existen diferencias o relaciones
significativas entre grupos o variables.
Una población se refiere a todo el conjunto de sujetos o elementos de
interés de los que los investigadores y analistas desean recopilar
datos. Este conjunto puede incluir personas, animales, plantas,
productos manufacturados u otras entidades, dependiendo de la
pregunta de investigación. Una población representa el grupo total
sobre el cual los analistas quieren sacar conclusiones.
La media de muestra se refiere al valor promedio calculado a partir de
una muestra.
Un marco de muestreo es una lista de todos los miembros de un
conjunto de datos del que el analista extrae una muestra. Un marco
de muestreo puede ser tan grande como un conjunto de datos
completo o un subconjunto de un conjunto de datos. El marco de
ejemplificación es cualquier conjunto de datos (el marco) del cual el
analista extrae la muestra.
El error estándar (SE) es una cantidad promedio que una estadística
diferirá del valor verdadero que los investigadores quieren estimar.
El error estándar de la media (SEM) es la desviación estándar de la
distribución de las medias de muestra tomadas de una población.
Ayuda a los analistas a entender cuánto varía la medida de la muestra.
Las estadísticas son medidas de resumen calculadas a partir de las
características de una muestra. Las estadísticas ayudan a los
investigadores a comprender la muestra.
Una prueba t es una prueba estadística empleada para comparar las
medias de dos grupos, determinando si son significativamente
diferentes entre sí, especialmente cuando el tamaño de la muestra es
pequeño y los datos siguen una distribución normal.
Parámetros
Prueba
paramétrica
Población
Media de muestra
Marco de
muestreo
Error estándar
(SE)
Error estándar de
la media (SEM)
Estadísticas
Prueba T
Página 16 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Prueba Z
Una prueba z es una prueba estadística empleada para determinar si
hay una diferencia significativa entre las medias de la muestra y la
población o entre dos medias de la muestra, suponiendo que los datos
siguen una distribución normal y el tamaño de la muestra es grande.
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 17 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 8: Estadísticas en la toma de decisiones y evaluaciones de
riesgos
Término
Definición
Nivel de confianza
El nivel de confianza es una medida que indica a los investigadores
qué tan confiables serán las estimaciones de una muestra si tuvieran
que repetir un estudio varias veces. Representa la probabilidad de que
el método de estimación de valores, al igual que un promedio, dé un
resultado cercano al promedio de toda la población.
El modelado descriptivo es una forma de utilizar datos para mostrar y
explicar lo que ha sucedido. Este método ayuda a los investigadores a
ver pautas, tendencias y conexiones en los datos.
La agrupación en clústeres identifica y emplea las similitudes
inherentes a los puntos de datos para formar grupos. La agrupación en
clústeres dura asigna cada punto de datos a un clúster específico, de
modo que los datos resultantes tengan grupos claros sin
ambigüedades.
El machine learning es un tipo automatizado de modelado predictivo,
un proceso de uso de datos históricos y actuales para anticipar lo que
pueden mostrar los datos futuros, que emplea datos y algoritmos para
imitar cómo aprenden los humanos, mejorando gradualmente su
precisión.
En estadística, todas las pruebas incluyen el supuesto de que no hay
cambios respecto del umbral. Esta suposición se llama hipótesis nula
(a menudo, denominada H0).
Una prueba de una cola es una prueba de hipótesis que comprueba
una diferencia en una sola dirección.
El valor p determina la probabilidad de que los resultados de un
experimento o estudio se produjeron por casualidad. El valor p
cuantifica la probabilidad de obtener los datos observados o
resultados más extremos, suponiendo que la hipótesis nula sea cierta.
Una población es el grupo que el analista quiere estudiar, como todas
las personas de una ciudad o todas las computadoras en una red.
El modelado predictivo es un proceso de uso de datos históricos y
actuales para anticipar lo que pueden mostrar los datos futuros.
Los científicos y estadísticos miden las probabilidades como valores
decimales entre 0 y 1, y la medida se llama cociente de probabilidad.
Una muestra es una pequeña porción de la población que puede o no
representar a la población.
El nivel de significancia, también conocido como nivel alfa o nivel α, es
un umbral establecido por los investigadores para determinar la
fuerza de la evidencia requerida para rechazar la hipótesis nula.
Modelado
descriptivo
Agrupación dura
Aprendizaje
automático
Hipótesis nula
Prueba de una
cola
Valor p
Población
Modelado
predictivo
Cociente de
probabilidad
Muestra
Nivel de
significancia
Página 18 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Agrupamiento
suave
El agrupamiento suave asigna una probabilidad a cada punto de datos
de pertenecer a varios clústeres, lo que permite una mayor flexibilidad
en la forma en que el investigador elige interpretar los datos.
Un umbral es aquello con lo que se comparan otras cosas para
encontrar diferencias. Al realizar muchas pruebas, los analistas
comparan el resultado con un umbral (también llamado punto de
referencia). Ese umbral proporciona los criterios que el analista
emplea para decidir si el resultado pasa o no la prueba o no indica
ningún cambio.
Una prueba de dos colas es una prueba de hipótesis que comprueba
una diferencia en dos direcciones.
Un error de tipo I, también conocido como falso positivo, ocurre
cuando un investigador, basado en datos de una prueba o modelo,
rechaza incorrectamente una hipótesis nula verdadera.
Un error de tipo II, también conocido como falso negativo, ocurre
cuando un investigador, basado en una prueba o modelo, interpreta
incorrectamente que los datos de un estudio indican un resultado
negativo o una clasificación, aunque la verdadera condición sea
positiva.
La significación estadística es una forma de determinar si es probable
que los resultados de un experimento o estudio se produjeron por
casualidad o si son significativos.
Umbral
Prueba de dos
colas
Error de tipo I
Error de tipo II
Significación
estadística
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 19 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 20 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 9: El proceso de análisis de datos
Término
Definición
Análisis de datos
El análisis de datos es el proceso de examinar hechos recopilados a
partir de datos para descubrir información y tomar decisiones
informadas. El proceso de análisis de datos implica identificar,
manipular, transformar y modelar datos para descubrir información
significativa.
El modelado descriptivo consiste en resumir y visualizar las
características principales de un conjunto de datos. Las estadísticas
de resumen (media, mediana, moda), la visualización de datos
(histogramas, gráficos de dispersión) y el análisis exploratorio de
datos (EDA) son ejemplos de este tipo de modelado.
La estadística inferencial implica realizar inferencias sobre una
población con base en una muestra de datos para sacar conclusiones
y generalizar sobre una población más grande a partir de una muestra
más pequeña. Algunos ejemplos son las pruebas de hipótesis, los
intervalos de confianza y los valores p.
El modelado predictivo utiliza datos históricos para hacer
predicciones informadas sobre eventos futuros o comportamientos
basados en patrones que los analistas identifican en los datos.
Algunos ejemplos de este tipo de modelado son el análisis de
regresión, la previsión de series temporales y los algoritmos de
machine learning.
Modelado
descriptivo
Estadística
inferencial
Modelado
predictivo
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 21 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 22 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 10: Datos en profundidad
Término
Definición
Análisis aplicable
en la práctica
El análisis aplicable en la práctica se refiere al proceso de utilizar
insights de datos para crear tareas y planes específicos que puedan
impulsar el cambio para una organización.
La agregación de datos es una técnica que emplean los analistas para
agrupar datos por una o más variables. Por ejemplo, puedes agregar
datos de ventas por región para calcular el promedio de ventas diarias
(AVG) para cada región. Esto puede ayudarte a identificar tendencias y
patrones en tus datos.
El filtrado de datos es una técnica para mostrar de forma selectiva
filas, columnas o campos específicos de un conjunto de datos según
criterios específicos. Por ejemplo, puedes filtrar datos para
seleccionar solo los clientes que realizaron un pedido en enero y su
fecha de pedido.
La manipulación de datos es el proceso de modificar la estructura y
organización de los datos, como combinar diferentes conjuntos de
datos y alterar la forma en que se agregan o resumen los datos para
que sean más útiles o fáciles de analizar. Las dos formas más
comunes de manipular datos son mediante una combinación o unión.
El resumen de datos implica crear nuevos valores calculando los
totales de valores. Por ejemplo, podrías calcular los ingresos totales
generados por los vendedores individuales en tu personal y crear
métricas de ventas que muestren las ventas totales para diferentes
períodos.
Una unión es una operación que combina filas de dos o más tablas en
función de una columna relacionada entre ellas. El propósito de una
combinación es recuperar y consolidar datos de varias tablas en un
único conjunto de resultados.
Las hipótesis clave son expectativas o predicciones bien definidas que
creas basadas en conocimientos previos, observaciones o tendencias
dentro de tus datos. Estas hipótesis establecen resultados o
relaciones específicas que esperas observar.
El sobreajuste ocurre cuando un analista diseña un análisis
demasiado cercano a un subconjunto específico de datos. Esto puede
llevarle a conclusiones que podrían no ser ciertas en toda la
población. Esto a menudo da como resultado modelos o conclusiones
que son demasiado complejos y que no se pueden aplicar a otros
datos.
Agregación de
datos
Filtrado de datos
Manipulación de
datos
Resumen de datos
Únase
Hipótesis clave
Sobreajuste
Página 23 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Término
Definición
Sesgo de
muestreo
El sesgo de muestreo ocurre cuando el subconjunto de datos que un
analista eligió no representa con precisión las características
generales de la población de la que obtuvo los datos. Esto puede
llevar inadvertidamente a resultados sesgados y conclusiones
erróneas.
El alcance de un proyecto de análisis de datos establece los límites y
parámetros dentro de los cuales se llevará a cabo el análisis. Define
qué fuentes de datos, variables y periodos se incluyen en el análisis.
El análisis de subconjuntos puede ser vulnerable al sesgo de
selección, que ocurre si un analista selecciona el subconjunto con
base en suposiciones que podrían no estar respaldadas por los datos,
lo que genera resultados sesgados.
SQL es un lenguaje de programación estandarizado que se emplea
para gestionar y manipular bases de datos relacionales. Permite a los
usuarios consultar, actualizar y gestionar datos, así como definir y
controlar el acceso a esos datos.
El análisis de subconjuntos es el proceso de tomar un gran conjunto
de datos y dividirlo en partes más pequeñas en función de ciertas
reglas. Esto ayuda a los investigadores a concentrarse en la
información importante para su pregunta o idea específica.
Una unión es una técnica empleada para combinar dos o más tablas o
conjuntos de datos que tienen la misma estructura en una sola tabla o
conjunto de datos. Las uniones son ideales para agrupar datos
similares de varias tablas con la misma estructura, como combinar
datos de ventas mensuales en un único conjunto de datos anuales.
Alcance
Sesgo de
selección
Structured Query
Language (SQL)
Análisis de
subconjuntos
Unión
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 24 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 25 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 11: Cómo comunicar la historia de los datos
Término
Definición
Gráficos de barras
Los gráficos de barras muestran los datos de una manera que es fácil
de comparar. Funcionan bien para enumerar categorías en orden de
mayor a menor, mostrar cómo se relacionan las cosas entre sí o
mostrar cambios a lo largo del tiempo. Los gráficos de barras
verticales sirven para comparar cosas, como cantidades o números.
Los gráficos de barras horizontales sirven para nombres largos de
categorías o para muchos elementos mostrados.
Los gráficos de puntos y de dispersión muestran la correlación dentro
de un conjunto de datos. En un gráfico de dispersión, cada punto
representa un par de valores, con un valor trazado a lo largo del eje X
y el otro a lo largo del eje Y. Esto puede ayudar a los espectadores a
comprender si existe una correlación entre los ejes.
Usa gráficos de líneas para mostrar el tiempo y la frecuencia en un
continuo. Por ejemplo, un gráfico de líneas puede mostrar tendencias,
como las tendencias de ventas a lo largo del tiempo.
Un gráfico circular muestra las proporciones de diferentes elementos
en “porciones”, como una pizza o un pastel, para ayudar a visualizar
cómo encaja cada elemento en el conjunto. Para un número pequeño
de artículos, los gráficos circulares ilustran cómo cada porción
representa una parte de la categoría completa.
Los gráficos de barras apiladas son útiles para mostrar proporciones
relativas entre elementos, tiempo o frecuencia.
Los gráficos de cascada muestran proporciones relativas o
clasificaciones. Los gráficos de cascada se emplean para mostrar
cómo cambia un valor inicial debido a que se agregan o quitan otras
cantidades. Estos gráficos son útiles para ver paso a paso cómo algo
llega a un número final.
Gráficos de
puntos y de
dispersión
Gráficos de líneas
Gráficos
circulares
Gráficos de barras
apiladas
Gráficos de
cascada
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 26 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 27 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 12: La importancia de la visualización de datos
Término
Definición
Nivel de acceso
El tipo de licencia que tiene un usuario para acceder y modificar un
recurso o sistema en particular. Es una forma de controlar y
administrar quién puede acceder a ciertos recursos y manipularlos en
un sistema o red.
Una herramienta que presenta información mediante cuadros,
gráficos y tablas que ayuda a los usuarios a ver tendencias, comprobar
el rendimiento y tomar decisiones.
La representación gráfica de la información. Las visualizaciones de
datos tienen etiquetas y descripciones para guiar a la audiencia a
comprender lo que está viendo y en qué enfocarse.
Herramientas avanzadas que permiten a los usuarios interactuar con
datos en tiempo real a través de interfaces flexibles y fáciles de usar.
Un primer modelo o muestra de un producto o idea que se hace para
probar qué tan bien funciona y si realmente se puede hacer. Las
visualizaciones de datos a menudo pasan por versiones de prototipo
antes de que se cree la versión final.
Panel de datos
Visualización de
datos
Paneles
dinámicos
Prototipo
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 28 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Módulo 13: Tecnologías emergentes y futuro de la analítica de datos
Término
Definición
Inteligencia
Artificial (IA)
La inteligencia artificial (IA) es la ciencia y la ingeniería de la
construcción de máquinas y programas informáticos que realizan
operaciones y acciones que implican un razonamiento complejo. La IA
emplea la informática y grandes conjuntos de datos complejos para
ayudar a las personas a resolver problemas de forma parecida al
razonamiento humano.
La realidad aumentada (RA) es una tecnología que superpone
información generada por computadora en la visión que tiene una
persona del mundo real. La RA funciona mediante el uso de hardware
y software específicos para mostrar contenido digital sobre el mundo
físico. Los dispositivos, como gafas de RA o incluso un teléfono
inteligente con software especial, capturan una visión en vivo del
mundo físico.
El blockchain es un tipo de base de datos compartida (llamada libro
mayor) que registra transacciones y rastrea activos en una red. Un
activo puede ser cualquier cosa de valor, como dinero, propiedad o
datos. El blockchain funciona uniendo bloques de datos como una
cadena. Cada bloque contiene un código especial que hace que se
conecte perfectamente con el bloque anterior, una marca de tiempo
que muestra cuándo se agregó y detalles sobre las transacciones.
La tecnología emergente se refiere a productos o servicios nuevos e
innovadores que están actualmente en desarrollo o en las primeras
etapas de implementación. Estas tecnologías tienen el potencial de
afectar significativamente tanto a las personas como a las empresas, y
a menudo implican avances en la ciencia o la ingeniería.
La IA generativa es un subconjunto de la IA que se centra en modelos
informáticos que generan contenido único, como texto, audio,
imágenes y datos basados en datos existentes. La IA generativa
implica entrenar algoritmos para producir resultados originales y
significativos que se asemejan al contenido creado por humanos.
Otros subconjuntos de la IA son el machine learning y el aprendizaje
profundo.
Realidad
aumentada (RA)
Blockchain
Tecnología
emergente
IA generativa
Preguntas que tengo
Ejemplo: ¿Cuál es la diferencia entre datos confidenciales y datos privados?
Página 29 de 30
Certificado de analítica de datos de IBM SkillsBuild: glosario
Mis notas
Ejemplo: Los datos confidenciales son datos que una organización protege del acceso no
autorizado, como la información propietaria, el código fuente, los registros de empleados, la
información personal identificable (PII) y la información de salud protegida (PHI).
Los datos privados son un tipo de datos confidenciales. En concreto, se trata de datos
confidenciales sobre una persona, como credenciales de inicio de sesión, números de tarjetas
de crédito y resultados de pruebas médicas.
Página 30 de 30