IA para analizar datos estadísticos: ejemplo y controles
Usa IA para analizar datos estadísticos con un ejemplo ficticio: elige pruebas, comprueba supuestos y revisa resultados antes de decidir.
- Autor: humAIns
- 8 min de lectura
índice · 6 apartados
La IA puede ayudarte a plantear y revisar un análisis estadístico: ordenar variables, proponer métodos, generar código y explicar resultados. No sustituye el diseño del estudio ni verifica por sí sola que tus datos sean adecuados. En este ejemplo ficticio veremos cómo pasar de una pregunta profesional a un análisis descriptivo y a una prueba posible, dejando claro qué debe comprobarse antes de decidir.
Empieza por la pregunta y los tipos de variables
Antes de pedir una prueba, concreta qué quieres estimar. “¿Ha mejorado el servicio?” es demasiado amplio. Una pregunta operativa sería: “¿Cambió el tiempo mediano de resolución de incidencias tras implantar un nuevo protocolo, comparando las mismas oficinas durante ocho semanas antes y ocho después?”. La formulación identifica resultado, periodo, intervención y unidad de análisis.
Clasifica después las variables:
- Cuantitativa: tiempo en horas, importe o número de incidencias.
- Categórica nominal: oficina, canal o tipo de incidencia, sin orden natural.
- Categórica ordinal: valoración de satisfacción de 1 a 5.
- Identificador o fecha: sirve para agrupar o enlazar registros, pero no suele ser un resultado que promediar.
Aclara si las observaciones son independientes o repetidas. Medir las mismas oficinas antes y después crea emparejamiento; tratar cada fila como independiente puede subestimar la incertidumbre. Documenta también cómo se definió cada métrica, cómo se seleccionaron las unidades y qué exclusiones se aplicaron.
Puedes pedir a la IA que señale información faltante, no que rellene los huecos con suposiciones. Si la pregunta es confirmatoria, decide el resultado principal y el método antes de revisar muchas comparaciones: elegir solo el resultado favorable después de mirar los datos aumenta el riesgo de falsos positivos.
Datos ficticios y descriptivos reproducibles
La tabla siguiente es inventada para ilustrar el formato. No representa resultados observados y no permite inferir el efecto de un programa real.
| Oficina | Semana relativa | Incidencias resueltas | Tiempo mediano (horas) | Satisfacción mediana (1–5) |
|---|---|---|---|---|
| Norte | Antes | 18 | 26 | 3 |
| Norte | Después | 20 | 23 | 4 |
| Centro | Antes | 15 | 30 | 3 |
| Centro | Después | 17 | 27 | 3 |
| Sur | Antes | 22 | 24 | 4 |
| Sur | Después | 19 | 25 | 4 |
Con tres oficinas no se debe presentar una conclusión inferencial como si hubiera evidencia suficiente; la tabla solo permite practicar el flujo. Un resumen descriptivo adecuado mostraría los valores por oficina y periodo, el número de observaciones y los datos ausentes. No mezcles la mediana con la media: la mediana es menos sensible a valores extremos, mientras que la media responde a otra pregunta y puede ser más útil bajo otros supuestos.
Para reproducir esos descriptivos en Python, introduce exactamente la tabla y calcula, por ejemplo, mediana, media, desviación estándar y conteos. Guarda el código junto a la versión de los datos. La cifra resultante debe derivarse del fichero real al ejecutar el código; no copies valores calculados por una IA sin comprobarlos. Revisa además duplicados, unidades, rangos imposibles, valores ausentes y cambios de definición entre periodos.
Para una hoja de cálculo, consulta también la guía para analizar Excel con IA. Si necesitas consultar registros relacionales, el enfoque de IA para analizar bases de datos se centra en SQL, no en elegir una prueba estadística.
Elegir una prueba: criterios, supuestos y prompt
La prueba no se elige por ser la primera que propone el asistente. La selección depende de la pregunta, del diseño y de las propiedades de los datos:
| Pregunta y diseño | Método que se podría evaluar | Qué revisar antes |
|---|---|---|
| Cambio en una medida cuantitativa en las mismas unidades antes y después | Prueba t pareada; alternativa basada en rangos si resulta adecuada | Diferencias emparejadas, independencia entre pares y distribución de las diferencias para la prueba paramétrica |
| Comparación de dos grupos independientes en una medida cuantitativa | Prueba t de Welch como opción frecuente | Independencia, forma de las distribuciones, observaciones influyentes y tamaño de muestra |
| Asociación entre dos variables categóricas | Chi-cuadrado; prueba exacta en ciertas tablas pequeñas | Conteos esperados, independencia y definición de categorías |
| Asociación entre dos medidas cuantitativas | Correlación de Pearson o Spearman según pregunta y datos | Relación lineal o monótona, atípicos, escala y posible confusión |
La tabla orienta, no prescribe. Por ejemplo, las oficinas de la tabla son pocas y el número de incidencias puede variar por volumen. No es válido tratar automáticamente cada incidencia como una observación independiente ni escoger una prueba solo porque el tamaño de la tabla permite ejecutarla. Un especialista puede recomendar un modelo que represente mejor la estructura, como medidas repetidas o agrupación por oficina, según el diseño y el volumen de datos.
Prueba un prompt que fuerce a explicitar límites:
Tengo datos ficticios/anonimizados con una fila por [unidad]. Mi pregunta es [pregunta]. El resultado principal es [variable y unidad]; comparo [grupos o periodos] y las observaciones son [independientes/emparejadas, si se sabe]. Propón métodos posibles, explica qué supuestos y datos faltan, y no inventes resultados. Incluye código reproducible en Python y una lista de comprobaciones. Si el diseño no permite responder la pregunta, indícalo.
La respuesta útil puede ser “no hay información suficiente”. Si la IA no pregunta por el emparejamiento, las unidades o la selección de muestra, añádelos tú antes de interpretar una recomendación.
Intervalos, correlación y causalidad
Un intervalo de confianza expresa incertidumbre bajo un método y unos supuestos determinados; no es un rango que contenga necesariamente el valor verdadero con una probabilidad posterior del 95 % en cada estudio. Comunica el estimador, el intervalo, el método y el tamaño de muestra. No presentes solo un valor p ni conviertas “no significativo” en “no hay efecto”: puede haber poca precisión o un diseño incapaz de detectar diferencias relevantes.
Contrasta la salida con un cálculo independiente. Pide a la herramienta el código exacto, las librerías y sus versiones, el tratamiento de datos ausentes, la prueba usada y cómo calculó el intervalo. Ejecuta ese código sobre una copia controlada; compara con una segunda implementación cuando la decisión sea importante. Un gráfico de puntos o de distribuciones ayuda a detectar valores extremos que un resumen puede ocultar.
Una correlación, aunque sea alta, no demuestra que una variable cause otra. Puede haber una tercera variable —por ejemplo, estacionalidad o carga de trabajo— que explique ambas, o puede ser que el cambio de una preceda al de la otra sin causarlo. La inferencia causal exige un diseño apropiado, como un experimento aleatorizado cuando sea viable, o una estrategia observacional con supuestos explícitos y análisis de sensibilidad. Una explicación convincente de la IA no reemplaza ese diseño.
Contrasta los cálculos y comunica la incertidumbre
Para cada cifra que vaya a apoyar una decisión, conserva una traza mínima: archivo de entrada versionado, definición de variables, código, método, salida y fecha. Revisa que los filtros y denominadores coincidan con la pregunta, que no haya filas duplicadas y que los resultados se reproduzcan al ejecutar el análisis de nuevo. Si los resultados cambian al tomar decisiones razonables sobre datos ausentes o valores extremos, esa sensibilidad forma parte de la conclusión.
En Python puedes usar bibliotecas estadísticas conocidas para volver a ejecutar los cálculos; también puedes emplear un programa estadístico que tu equipo ya valide. La documentación de OpenAI indica que el análisis de datos en ChatGPT puede ejecutar cálculos basados en Python en algunos casos, y recomienda revisar código, salidas y supuestos. Esa capacidad no certifica que el análisis esté bien planteado ni garantiza que todas las cuentas tengan las mismas funciones. Julius describe un flujo de exploración que ayuda a orientar qué análisis considerar; la exploración tampoco sustituye la validación inferencial.
Separa en el informe los hechos descriptivos, la estimación y sus límites. Escribe “en esta muestra observamos…” en vez de generalizar a toda la población si el muestreo no lo respalda. Explica qué información no tienes y qué decisión no puede sostener el análisis. Para aprender a usar IA aplicada a tareas financieras, puedes explorar la formación de IA para finanzas; el curso no reemplaza asesoría estadística especializada.
Privacidad y cuándo acudir a un especialista
No subas datos identificables, de clientes, empleados o financieros a una cuenta personal sin autorización. Revisa las reglas de tu organización, la configuración y condiciones del servicio y quién puede acceder a los archivos. Elimina nombres, correos, identificadores directos y combinaciones que permitan reidentificar; anonimizar no es simplemente borrar una columna si quedan datos singulares. Cuando no puedas confirmar las condiciones, usa datos sintéticos o un entorno corporativo aprobado.
Pide ayuda a una persona especialista en estadística o investigación cuando el análisis afecte decisiones importantes, haya muestreo complejo o medidas repetidas, falten datos de forma relevante, se hagan muchas pruebas, el diseño pretenda demostrar causalidad o los resultados puedan perjudicar a personas. También conviene consultar antes de fijar el diseño, no solo después de obtener un resultado inesperado.