Los datos tal y como llegan

pedidos_bruto |> glimpse()

• Ninguno de estos problemas da un error al importar: el fichero se lee “bien” y todo parece correcto

Problema 1: cada variable, con el tipo de lo que mide

• El tipo lo decide lo que mide la variable, no cómo se ha leído:

  • Cantidades → número. importe llega como texto con formato español ("1.234,56"): no da error, pero no se puede sumar

  • Códigos e identificadores → texto. cp_envio llega como número y pierde el cero (3003 por “03003”); su media no tiene sentido

  • Categorías → factor, vengan como texto (canal, sector) o como números (en la EPA, SEXO1 vale 1 o 6). Se convierten después de corregir sus erratas (Problema 3)

  • Fechas → fecha (Problema 2)

pedidos <- pedidos_bruto |>
  mutate(importe  = parse_number(importe, locale = locale(decimal_mark = ",")),
         cp_envio = str_pad(cp_envio, 5, pad = "0"))     # 3003 -> "03003"

Problema 2: fechas

• Una fecha en texto se ordena alfabéticamente: "04/03/2025" va antes que "12/01/2024"

• El riesgo real es la ambigüedad: 03/04/2025 es 3 de abril en España y 4 de marzo en EE.UU.

pedidos_bruto |> count(str_detect(fecha, "/"))   # ¿cuántos de cada formato?

• Con dos formatos mezclados, parse_date_time() (del paquete lubridate, que viene con el tidyverse) prueba los órdenes que le digamos: día-mes-año y año-mes-día

pedidos <- pedidos |>
  mutate(fecha = as_date(parse_date_time(fecha, orders = c("dmy", "ymd"))))

sum(is.na(pedidos$fecha))     # comprobación: ninguna fecha sin convertir

• Comprobar siempre el rango: fechas anteriores al inicio del negocio o posteriores a hoy son errores

range(pedidos$fecha)

Problema 3: categorías con erratas

• Las mismas categorías escritas de formas distintas se cuentan como distintas: el group_by() del Tema 03 obedece al texto, no a la intención

pedidos |> count(canal)              # "web", "WEB", " web ", ...
vendedores |> count(provincia)       # "Valencia" y "València"

• Homogeneizar es una decisión: estamos afirmando que dos etiquetas son la misma cosa

pedidos <- pedidos |>
  mutate(canal = str_trim(str_to_lower(canal)),
         canal = parse_factor(canal, levels = c("web", "app", "tienda")))

vendedores <- vendedores |>
  mutate(provincia = str_trim(str_to_title(provincia)),
         provincia = fct_recode(provincia, "Valencia" = "València"))

• Después, volver a contar: si aparece un nivel NA, es que había una categoría que no estaba en nuestra lista. Ya limpias, las demás categorías pasan a factor, varias a la vez con across() (Tema 03)

pedidos |> count(canal)
vendedores <- vendedores |> mutate(across(c(provincia, sector), as.factor))

Problema 4: unidades mezcladas

• Los vendedores rellenan su facturación anual en un formulario libre: unos ponen euros y otros miles de euros. Cada fila está medida en una escala distinta

summary(vendedores$facturacion_anual)

ggplot(vendedores, aes(x = facturacion_anual)) +
  geom_histogram(bins = 30) + scale_x_log10()

vendedores |> mutate(fact_por_empleado = facturacion_anual / empleados) |>
  arrange(fact_por_empleado) |> head(5)

vendedores <- vendedores |>
  mutate(
    # regla: una facturación por empleado por debajo de 5.000 euros al año
    # es imposible en este sector; esa fila estaba declarada en miles
    fact_empleado = facturacion_anual / empleados,
    facturacion_eur = if_else(fact_empleado < 5000,       # if_else(condición,
                              facturacion_anual * 1000,   #   si se cumple,
                              facturacion_anual)          #   si no)
  )

vendedores |> summarize(min = min(facturacion_eur / empleados),
                        max = max(facturacion_eur / empleados))

Problema 6: dónde falta información

• summary() dice cuántos ausentes hay en cada variable numérica (NA's)

summary(pedidos)
# todas las columnas, también las de texto
pedidos |> summarize(across(everything(), ~ sum(is.na(.x))))

• Y deja ver los ausentes disfrazados: códigos centinela que R lee como números válidos. El mínimo de valoracion es -99, en una escala de 1 a 10

• Un -99 no declarado contamina toda la descriptiva: entra en la media, en la desviación típica y en el gráfico

pedidos <- pedidos |> mutate(valoracion = na_if(valoracion, -99))

Ausentes: ¿y qué hacemos?

pedidos <- pedidos |> mutate(descuento = replace_na(descuento, 0))

pedidos <- pedidos |> mutate(sin_valoracion = is.na(valoracion))

pedidos |> group_by(sin_valoracion) |>
  summarize(n = n(), importe_medio = mean(importe),
            tasa_devol = mean(devuelto))

Atípicos: detectar

• Un valor atípico es el que queda lejos del resto. Atípico no significa malo ni erróneo

• No hay una regla aceptada para detectarlos. El diagrama de caja aplica una convención: más de 1,5 veces el rango intercuartílico por debajo de Q₁ o por encima de Q₃

ggplot(pedidos, aes(y = importe)) + geom_boxplot()

• Otras convenciones son igual de defendibles: el 5% (o el 1%) de cada cola, o más de tres desviaciones típicas de la media

• Aquí la del diagrama de caja marca 77 pedidos, más del 6% de la muestra. Con asimetría (renta, ventas, tamaño de empresa) esa convención señala como atípica una cola derecha normal

Un flujo de limpieza reproducible (puesta en común)

pedidos_limpio <- pedidos_bruto |>
  # 1. tipos
  mutate(importe  = parse_number(importe, locale = locale(decimal_mark = ",")),
         cp_envio = str_pad(cp_envio, 5, pad = "0"),
         fecha    = as_date(parse_date_time(fecha, c("dmy", "ymd")))) |>
  # 2. categorías
  mutate(canal = parse_factor(str_trim(str_to_lower(canal)),
                              levels = c("web", "app", "tienda"))) |>
  # 3. ausentes: centinela y estructural
  mutate(valoracion = na_if(valoracion, -99),
         descuento  = replace_na(descuento, 0)) |>
  # 4. duplicados exactos
  distinct()

nrow(pedidos_bruto); nrow(pedidos_limpio)

No describir por describir

• El orden es siempre el mismo:

  pregunta económica → magnitud que la responde → estadístico o gráfico → lectura

• Ejemplos con nuestro caso:

• El estadístico o el gráfico dependen del tipo de variables: es lo que viene ahora. Y si no sabéis qué decisión cambia con el resultado, sobra

Análisis de variación: qué mirar

• La variación de una variable es su distribución. Lo que aparezca aquí puede obligar a volver a limpiar. Qué buscar:

  • Inconsistencias: categorías imposibles (“desconocido”, “otros” que lo son todo), valores fuera de rango

  • Valores frecuentes: ceros, números redondos, repeticiones. ¿Por qué? Muchas empresas con 49 empleados: el umbral de pequeña empresa es 50

  • Categorías: ¿tienen sentido? ¿Conviene agrupar las que tienen pocas observaciones o se comportan igual?

  • Variables continuas: asimetría (logaritmos) y si conviene discretizarlas en tramos (grupos de edad, tramos de renta)

pedidos |> mutate(tramo = cut(importe, breaks = c(0, 20, 50, 100, Inf))) |>
  count(tramo)

Análisis de variación: según el tipo de variable

• El tipo de variable decide la tabla, el gráfico y el resumen

pedidos |> count(canal) |> mutate(prop = n / sum(n))
# agrupar categorías pequeñas
vendedores |>
  mutate(provincia = fct_lump_min(provincia, min = 10,
                                  other_level = "Otras")) |>
  count(provincia)

pedidos |> summarize(media = mean(importe), mediana = median(importe),
                     de = sd(importe), p25 = quantile(importe, 0.25),
                     p75 = quantile(importe, 0.75))

• Con distribuciones asimétricas, media y mediana responden a preguntas distintas: la media, cuánto se factura por pedido (media × n = total); la mediana, cuánto gasta un cliente típico

Análisis de covariación: ¿están relacionadas?

• Ahora la pregunta es si hay evidencia en los datos de que dos variables están relacionadas: si saber el valor de una cambia lo que esperamos de la otra

• La herramienta es la distribución condicional de \(Y\) dado \(X\), \(\Pr(Y \mid X = x)\):

  • si es la misma para cualquier valor \(x\), no hay relación

  • si cambia con \(x\), la hay

• ¿Se devuelve igual en todos los canales?

• La proporción de devoluciones cambia con el canal: es evidencia de relación

  • Se comparan proporciones dentro de cada canal: cada canal tiene un número distinto de pedidos

  • Si la distribución de \(Y\) cambia con \(X\), conocer \(X\) ayuda a predecir \(Y\): su media condicional \(E[Y \mid X]\)

Análisis de covariación: según el tipo de variables

• Lo que se compara es siempre la distribución de \(Y\) en cada valor de \(X\). La herramienta depende de los tipos:

• La regresión sirve en los tres casos: estima la media condicional \(E[Y \mid X]\), sea \(X\) cualitativa o cuantitativa (Tema 05). La correlación solo existe entre dos cuantitativas

• Antes de comparar grupos: cuántas observaciones hay en cada uno. Una media sobre 7 pedidos no se compara con una sobre 700

Dos cuantitativas: la correlación

m <- pedidos |>
  select(unidades, importe,
         precio_unit, descuento) |>
  cor()
corrplot::corrplot(m, "number")

Covariación: el código

pedidos |> count(canal, devuelto) |>
  group_by(canal) |> mutate(prop = n / sum(n))

pedidos |> count(canal, devuelto) |>
  ggplot(aes(x = canal, y = n, fill = devuelto)) +
  geom_col(position = "fill")

lm(devuelto ~ canal, data = pedidos)   # las mismas proporciones

pedidos |> group_by(canal) |>
  summarize(n = n(), media = mean(importe), mediana = median(importe))

ggplot(pedidos, aes(x = canal, y = importe)) +
  geom_boxplot() + scale_y_log10()
ggplot(pedidos, aes(x = importe, colour = canal)) +
  geom_density() + scale_x_log10()

lm(importe ~ canal, data = pedidos)    # las mismas medias por canal

pedidos |> select(unidades, importe, descuento) |> cor()

ggplot(pedidos, aes(x = unidades, y = importe)) +
  geom_point(alpha = 0.3) + geom_smooth()

lm(importe ~ unidades, data = pedidos)  # la recta

Trampa 1: niveles y tasas

• El nivel y la tasa responden a preguntas distintas y con frecuencia se contradicen

ventas_prov |>
  mutate(variacion_abs = ventas_2025 - ventas_2024,
         variacion_pct = (ventas_2025 / ventas_2024 - 1) * 100) |>
  arrange(desc(variacion_pct))

• Teruel encabeza el crecimiento porcentual y aporta el 6% del aumento total. Madrid es el último en porcentaje y el primero en euros

• Un porcentaje sobre una base pequeña es ruido: mostrad siempre el nivel al lado

Trampa 2: promedios de promedios

• La media de unas medias solo coincide con la media global si todos los grupos tienen el mismo tamaño

por_vendedor <- pedidos |> group_by(id_vendedor) |>
  summarize(ticket_medio = mean(importe), n = n())

por_vendedor |> summarize(media_de_medias = mean(ticket_medio))
pedidos |> summarize(media_global = mean(importe))

• La media de medias da a un vendedor con 3 pedidos el mismo peso que a otro con 90

• Para agregar tasas hay que ponderar por el denominador, o mejor: sumar numeradores y denominadores

pedidos |> summarize(tasa_correcta = sum(devuelto) / n())

pedidos |> group_by(canal) |> summarize(tasa = mean(devuelto)) |>
  summarize(tasa_incorrecta = mean(tasa))

• Lo mismo ocurre con la tasa de paro nacional: no es la media de las tasas de las comunidades, sino el cociente de la suma de parados entre la suma de activos

Trampa 3: la agregación puede invertir el resultado

• Tasa de devolución por canal, dentro de cada categoría de producto y en el total:

devoluciones |> group_by(canal) |>
  summarize(tasa_total = sum(devueltos) / sum(pedidos))

• Paradoja de Simpson: la app devuelve más en cada categoría y menos en el total. La causa es la composición: la app vende sobre todo electrónica, que se devuelve poco

• Qué hacer: comparar dentro de grupos homogéneos. Es lo que hace una regresión que incluye la categoría (Tema 05)

Trampa 4: estacionalidad y elección del periodo

• Muchas series económicas tienen un patrón que se repite cada año: comercio en diciembre, hostelería en verano, empleo agrario por campañas

ggplot(serie_ventas, aes(x = mes, y = ventas)) + geom_line()

• Comparar diciembre con noviembre mide la Navidad, y poco del negocio

serie_ventas |>
  # lag(x, k): el valor de k meses antes
  mutate(var_mensual   = ventas / lag(ventas, 1)  - 1,
         var_interanual = ventas / lag(ventas, 12) - 1) |>
  filter(!is.na(var_interanual))

• Formas correctas: la variación interanual (mismo mes del año anterior, la más habitual), la media móvil de 12 meses o la serie desestacionalizada que publican INE y Eurostat

• Elección del periodo: “las ventas han crecido un 65% en 2025” mide de enero a diciembre, del mes más flojo a la Navidad. Casi cualquier tendencia se fabrica eligiendo el punto de partida: mostrad la serie completa. Cálculo y efecto base en el anexo

Datos oficiales: la pregunta y la fuente

• Muchas preguntas solo se responden con estadística oficial: INE, Eurostat, Banco de España, OCDE, Banco Mundial… Todas publican sus tablas para descargar en CSV

• La nuestra: ¿ha subido la cesta de la compra más que el resto de los precios? Hace falta la variación anual del IPC general y la de alimentos, en un periodo largo

• Cada tabla de INEbase se descarga en CSV desde su página, y esa dirección se lee directamente desde R:

ipc <- read_csv2("https://www.ine.es/jaxiT3/files/t/es/csv_bdsc/50902.csv")

ipc |> count(`Tipo de dato`)
ipc |> distinct(Periodo) |> head(3)    # "2025M12": año, M y mes

• read_csv2() es read_csv() para el formato español: separador ; y coma decimal. Los nombres con espacios van entre comillas invertidas: `Tipo de dato`

• 50902 identifica la tabla (IPC nacional, general y grupos): comprobad en la web qué contiene. Viene ordenada, una fila por grupo, tipo de dato y periodo. La API del INE, en el anexo

Del CSV al gráfico

• Variación anual del índice general y de alimentos, con el periodo convertido en fecha

ipc <- ipc |>
  filter(`Tipo de dato` == "Variación anual",
         `Grupos ECOICOP` %in% c("Índice general",
                                 "01 Alimentos y bebidas no alcohólicas")) |>
  mutate(fecha = ym(Periodo))       # "2025M12" -> fecha (lubridate)

ggplot(ipc, aes(x = fecha, y = Total, color = `Grupos ECOICOP`)) +
  geom_line() + geom_hline(yintercept = 0)

• Enero de 2023: índice general 5,9%, alimentos 15,4%

Bajároslo vosotros es parte del trabajo

epa/
├── analisis-epa.qmd
└── datos/      (datos_2t26.zip, dr_EPA_2026.xlsx, CSV/EPA_2026T2.tab)

url <- "https://www.ine.es/ftp/microdatos/epa/datos_2t26.zip"
download.file(url, "datos/datos_2t26.zip")   # basta una vez
unzip("datos/datos_2t26.zip", files = "CSV/EPA_2026T2.tab", exdir = "datos")

epa <- read_delim("datos/CSV/EPA_2026T2.tab", delim = "\t",
                  col_types = cols(.default = col_character()))

Qué es una fila

Primera trampa: un vacío que significa “no aplica”

epa |> count(AOI)          # "03" ... "09" y 15.850 NA

Segunda: las categorías no son las que parecen

epa <- epa |> mutate(
                     situacion = case_when(AOI %in% c("03", "04") ~ "ocupado",
                                           AOI %in% c("05", "06") ~ "parado",
                                           AOI %in% c("07", "08", "09") ~ "inactivo",
                                           TRUE ~ "menor de 16"))

Tercera: replicar una cifra publicada

epa <- epa |> mutate(FACTOREL = as.numeric(FACTOREL))
activos <- epa |> filter(situacion %in% c("ocupado", "parado"))

activos |> summarise(
  paro_mal  = 100 * mean(situacion == "parado"),
  paro_bien = 100 * sum(FACTOREL[situacion == "parado"]) / sum(FACTOREL))

La tabla que nadie publica

parejas <- epa |>
  filter(NCONY != "00") |>                  # "00": sin cónyuge en el hogar
  left_join(epa |> select(NVIVI, NPERS, situacion_pareja = situacion),
            by = c("NVIVI", "NCONY" = "NPERS"))

Y lo que ninguna tabla puede dar: un modelo

lm(parado ~ pareja_parada, data = activos_con_pareja, weights = FACTOREL)

lm(parado ~ pareja_parada + mujer + superior + factor(edad_g),
   data = activos_con_pareja, weights = FACTOREL)