Descripción y Visualización de Datos · UAI 2026 · Clase 3
Dominios, preguntas y fuentes — material del taller e insumo del Sprint 1.
Para qué sirve este documento. Cada grupo va a elegir un dominio y formular una pregunta descriptiva. Una pregunta sólo es investigable si existen datos que puedan responderla. Acá están las fuentes que revisamos una por una: qué traen, a quiénes dejan fuera y cómo se cargan.
Todas fueron verificadas. Se comprobó que el enlace responde y que el archivo existe. Cuando una fuente promete algo que no cumple, está dicho.
Nunca se elige una fuente porque exista, ni porque sea oficial. Se elige después de responder estas cuatro preguntas, que son las mismas para cualquier base de datos del mundo:
| Pregunta | Qué estás averiguando | Ejemplo de respuesta que importa |
|---|---|---|
| Cobertura | ¿A quiénes incluye y a quiénes deja fuera? | La CEP sólo entrevista a personas de 18 años o más: los adolescentes no existen ahí. |
| Granularidad | ¿Cuál es la unidad de observación: persona, comuna, región, país, año? | Si tu pregunta es por comuna y la base sólo llega a región, tu pregunta no se puede responder. |
| Periodicidad | ¿Cada cuánto se levanta, y falta algún período? | La CEP dice ser periódica y aun así no existe 2020. |
| Sesgos y límites | ¿Quién la produce, para qué, y qué decidió no medir? | Lo que la fuente no mide, no aparece; y lo que no aparece, tiende a no discutirse. |
La idea central de la clase
Toda base de datos es el resultado de que alguien decidió qué valía la pena contar. Cuando tu tema no está en una fuente, eso no es una falla tuya: es un dato sobre la fuente, y merece decirse en voz alta en tu plataforma.
En la encuesta de la clase 2, las 33 respuestas del curso se repartieron en estos dominios. El número ordena este catálogo:
| Dominio | Alumnos | ¿Cómo está la disponibilidad de datos? |
|---|---|---|
| Deporte | 7 | Difícil en Chile. Buenas fuentes internacionales. |
| Salud | 7 | Muy buena. |
| Inteligencia artificial | 6 | Sin datos chilenos. Buenas fuentes internacionales. |
| Educación | 4 | Excelente, la mejor del catálogo. |
| Cultura | 4 | Buena, con una encuesta nacional dedicada. |
| Vivienda | 2 | Buena. |
| Medio ambiente | 1 | Buena para calidad del aire. |
| Política | 1 | Muy buena. |
| Transporte | 1 | Aceptable. |
Aviso honesto, hoy y no en octubre
Deporte e inteligencia artificial son los dos dominios peor cubiertos por la estadística pública chilena, y entre los dos suman 13 de ustedes. El Ministerio del Deporte publica su encuesta nacional sólo como informe en PDF, sin base de datos descargable. Y en la principal base mundial de modelos de IA, los modelos atribuidos a Chile son cero.
Esto no los deja fuera del curso: los obliga a trabajar con fuentes internacionales o a construir su propio dato, y a explicar esa decisión. Es un proyecto perfectamente válido y, bien hecho, más interesante que uno con la base servida.
Centro de Estudios Públicos. La encuesta de opinión pública más antigua y citada de Chile.
cep <- read.csv("https://raw.githubusercontent.com/naimbro/naimbro.github.io/main/materiales/2026_descripcion_visualizacion_datos/datos/cep_consolidada_1994_2026.csv")
# Versión chica y ya resumida, si sólo quieres los problemas del país por año:
problemas <- read.csv("https://raw.githubusercontent.com/naimbro/naimbro.github.io/main/materiales/2026_descripcion_visualizacion_datos/datos/cep_problemas_por_anio.csv")Límites: es una encuesta de opiniones, no de hechos. Dice cuánta gente cree que la delincuencia es el principal problema, no cuántos delitos hubo. Son dos preguntas distintas y se responden con fuentes distintas. Tampoco llega a nivel de comuna, ni incluye a menores de edad.
Lo que la CEP no pregunta
La variable de problemas del país tiene 27 alternativas: pensiones, corrupción, delincuencia, derechos humanos, educación, empleo, pobreza, medio ambiente, narcotráfico, salud, sueldos, transporte público, vivienda, inmigración, desigualdad, inflación, energía, la Constitución y varias más.
No están el deporte, ni la cultura, ni la inteligencia artificial. En 32 años, nunca fueron una alternativa. Alguien decidió alrededor de 1994 qué contaba como "problema del país", y esa decisión sigue mandando en 2026. Eso deja fuera de esta fuente a 17 de los 33 alumnos del curso — y es, en sí mismo, un hallazgo publicable.
Deporte 7 alumnos
Proyecto de datos abiertos en GitHub, licencia de dominio público.
Date, Team 1, Score, Team 2,
Tournament, City.partidos <- read.csv("https://raw.githubusercontent.com/footballcsv/cache.internationals/master/2000s/2015.csv")
head(partidos)Límites: es sólo fútbol y sólo selecciones nacionales. No tiene ligas chilenas, ni otros deportes, ni asistencia de público, ni datos económicos.
Ministerio del Deporte de Chile.
Límite grave, y por eso está acá: el Ministerio no publica la base de datos. Sólo los resultados ya procesados, en PDF. Se pueden citar sus cifras como contexto, pero no se puede analizar nada por cuenta propia. Es el ejemplo perfecto de que "el dato existe" y "el dato está disponible" son dos cosas distintas.
Si su proyecto necesita actividad física con microdatos, la alternativa es la Encuesta Nacional de Salud (ENS) de Minsal, que sí publica base — pero el último microdato disponible es de 2016-2017. Ver la sección de Salud.
Salud 7 alumnos
Ministerio de Salud de Chile.
Límites: los archivos son grandes y las causas vienen codificadas en CIE-10, un catálogo de miles de códigos. Hay que traducirlos antes de poder decir nada. Cuidado especial: son datos sobre muertes de personas reales. La ética de datos del curso aplica con fuerza acá.
Departamento de Epidemiología, Ministerio de Salud.
Límites: el dato tiene casi diez años. Si su pregunta es sobre el presente, hay que decirlo explícitamente. Es también el puente entre deporte y salud: si su tema es actividad física, ésta es la fuente con microdato.
Observatorio Social, Ministerio de Desarrollo Social y Familia.
.dta), R (.RData) y SPSS
(.sav). No publica CSV.Límites: es grande y compleja, con cientos de variables y un manual que
hay que leer. Sirve para vivienda, salud, educación y pobreza a la vez. Al no haber CSV, la
versión de R se carga con load(url(...)).
Inteligencia artificial 6 alumnos
Epoch AI, instituto de investigación sobre tendencias en IA.
notable_ai_models.csv trae 1.046 modelos y 47
columnas; all_ai_models.csv, 3.574 modelos y 57 columnas. Ambos van de
1950 a 2026.modelos <- read.csv("https://epoch.ai/data/notable_ai_models.csv")
table(modelos$Domain)Dos límites que son, además, hallazgos:
1. Chile no aparece. De los 1.046 modelos, los atribuidos a Chile son cero (Estados Unidos tiene 442, China 113, Reino Unido 55). Un grupo que quiera hablar de IA en Chile va a tener que explicar por qué su país no está en el mapa — y eso es un resultado, no un fracaso.
2. La base viene sucia. 78 de los 1.046 registros tienen el país
escrito dos veces en la misma celda
("United States of America,United States of America"). Si cuentan modelos por país
sin mirar la columna, les van a salir dos Estados Unidos distintos en la misma tabla.
CENIA (Centro Nacional de Inteligencia Artificial, Chile) y CEPAL.
Límite: no publica los datos crudos. Sirve como contexto y para citar cifras sobre Chile y la región — que es justamente lo que Epoch AI no tiene —, pero no se puede analizar por cuenta propia.
Educación 4 alumnos
Centro de Estudios, Ministerio de Educación.
Límites: los archivos son grandes y traen muchas variables codificadas con números que hay que traducir con el diccionario. Es la mejor fuente del catálogo si están dispuestos a leer documentación.
Cultura 4 alumnos
Observatorio Cultural, Ministerio de las Culturas, las Artes y el Patrimonio.
.RData), Stata (.dta) y SPSS
(.sav). No publica CSV, pero la versión de R se carga en una línea.load(url("https://www.cultura.gob.cl/wp-content/uploads/2025/08/enpccl_puf.RData"))
ls() # muestra el nombre del objeto que quedó cargadoLímites: sólo zonas urbanas — el Chile rural no está en esta fuente, y eso hay que decirlo si se habla de "los chilenos". Tampoco incluye a menores de 15 años. Además hay ediciones anteriores (2017, 2012) con preguntas parecidas pero no idénticas: compararlas exige revisar si la pregunta cambió.
Vivienda, medio ambiente, política y transporte 2 y 1 alumnos
Ver la ficha completa en la sección de Salud.
Trae materialidad de la vivienda, hacinamiento, allegamiento, tenencia y acceso a servicios básicos, con desagregación comunal en una base aparte. Es la fuente estándar para vivienda en Chile. Complementable con el Censo del INE.
Ministerio del Medio Ambiente.
Límites: los datos recientes se publican como preliminares, sin validación operacional. Y la descarga se hace estación por estación desde el portal: no confirmamos una URL única de CSV, así que presupuesten tiempo para armar la base.
Servicio Electoral de Chile.
Límites: cada elección viene en su propio archivo y con su propio formato. Juntar varias elecciones en una sola tabla es trabajo real, y es exactamente el tipo de trabajo que este curso enseña.
Varias fuentes, según la pregunta.
La CEP permite ver la evolución de cuánta gente considera el transporte público un problema del país (1994–2026). Para uso efectivo del sistema, la CASEN trae tiempos de traslado, y el Directorio de Transporte Público Metropolitano publica estadísticas de la Red de Santiago. Ojo con la cobertura: casi todo el dato bueno de transporte en Chile es de Santiago; si la pregunta es nacional, hay que decir que no lo es.
1. CHI.csv es China, no Chile. En el sitio football-data.co.uk existe un
archivo llamado CHI.csv. Al abrirlo, la primera columna dice
China. Chile no está en ese sitio. Nunca usen un archivo por su nombre sin abrirlo
y mirar qué trae adentro.
2. "Oficial" no significa "usable". El Ministerio del Deporte y CENIA publican resultados sólo en PDF. La información existe y es pública, pero no se puede analizar. Verifiquen que hay una base de datos, no sólo un informe, antes de comprometerse con una fuente.
3. Formato no es disponibilidad. CASEN y ENPCCL publican sólo en
.dta, .sav y .RData. El dato es público, pero para leerlo
hay que saber cómo. En R, load(url(...)) resuelve el caso de
.RData.
Un grupo, una fuente, una hoja. Esto es lo que se entrega al final de la clase y lo que alimenta el Sprint 1.
| Campo | Qué escribir |
|---|---|
| Dominio | El tema del grupo. |
| Fuente elegida | Nombre, institución que la produce y enlace. |
| Cobertura | A quiénes incluye. Y a quiénes deja fuera, explícitamente. |
| Granularidad | Unidad de observación: ¿persona, hogar, comuna, región, país, partido, modelo? |
| Periodicidad | Desde cuándo, hasta cuándo, cada cuánto. ¿Falta algún período? |
| Sesgos y límites | Quién la produce y para qué. Qué decidió no medir. |
| 3 preguntas candidatas | Descriptivas, respondibles con esta fuente. |
| La pregunta elegida | Una sola, con unidad, período y territorio explícitos. |
| Audiencia | Quién específicamente necesita esta respuesta, y para qué la usaría. |
Una pregunta descriptiva de este curso se responde con datos que existen, nombra la unidad, el período y el territorio, no pregunta por causas, y se puede contestar con una tabla o un gráfico.
| No sirve | Sirve |
|---|---|
| ¿Por qué aumentó la delincuencia en Chile? | ¿Cómo cambió entre 1994 y 2026 la proporción de personas que menciona la delincuencia como principal problema del país? |
| ¿La educación en Chile es mala? | ¿Cómo se distribuyó la matrícula escolar por tipo de dependencia en cada región entre 2015 y 2025? |
| ¿La IA va a quitar empleos? | ¿Cuántos modelos relevantes de IA se publicaron por año y por país entre 2010 y 2026? |
| ¿A los chilenos les gusta el deporte? | ¿Contra qué selecciones y en qué ciudades ha jugado Chile sus partidos internacionales desde 1990? |
La columna de la izquierda no está mal por ser ambiciosa: está mal porque ninguna base de datos de este catálogo puede responderla. La de la derecha se puede contestar hoy, y de ahí sale una plataforma.