# Por qué siempre visualizar los datos: el cuarteto de Anscombe > Uno de los primeros pasos al trabajar con datos es explorarlos, y si bien hay formas de resumir los datos y obtener medidas que los describan, no olvidemos que visualizar los datos es igual de importante que obtener sus estadísticas descriptivas. Ejemplifiquemos esto con un caso clásico! - URL: https://bastianolea.rbind.io/blog/2026-01-27/ - Fecha: 2026-01-27 - Autor: Bastián Olea Herrera - Etiquetas: curiosidades, básico, estadísticas, visualización de datos --- Uno de los primeros pasos al trabajar con datos es explorarlos, y si bien existen [herramientas estadísticas para resumir datos y obtener medidas que los describan](https://bastianolea.rbind.io/blog/estadisticos_descriptivos/), debemos recordar que **visualizar los datos es igual de importante que obtener sus estadísticas descriptivas** 🤯 Veamos un ejemplo clásico de ésto: el [cuarteto de Anscombe](https://es.wikipedia.org/wiki/Cuarteto_de_Anscombe). Este conjunto de datos, creado por Francis John Anscombe en 1973, está compuesto por cuatro grupos distintos, con **las mismas estadísticas descriptivas** (media, varianza, correlación y regresión lineal), pero que **al visualizarlos revelan distribuciones muy diferentes**! El cuarteto de Anscombe viene por defecto en R: ``` r datasets::anscombe ``` x1 x2 x3 x4 y1 y2 y3 y4 1 10 10 10 8 8.04 9.14 7.46 6.58 2 8 8 8 8 6.95 8.14 6.77 5.76 3 13 13 13 8 7.58 8.74 12.74 7.71 4 9 9 9 8 8.81 8.77 7.11 8.84 5 11 11 11 8 8.33 9.26 7.81 8.47 6 14 14 14 8 9.96 8.10 8.84 7.04 7 6 6 6 8 7.24 6.13 6.08 5.25 8 4 4 4 19 4.26 3.10 5.39 12.50 9 12 12 12 8 10.84 9.13 8.15 5.56 10 7 7 7 8 4.82 7.26 6.42 7.91 11 5 5 5 8 5.68 4.74 5.73 6.89 Vemos que hay 8 columnas, aparentemente en dos pares de 4 columnas: las que corresponden al *eje x* de cada grupo, y las del *eje y*. Si encuentras que los datos están **desordenados**, es porque sí, vienen desordenados 😒 ## Limpiar datos Los datos tienen un problema común: las columnas contienen en sus nombres información que deberían ser datos (la variable y el grupo al que pertenece). Esto se ven en que, por ejemplo, la columna `x1` te dice dos cosas a la vez: que la variable se llama `x`, y que pertenece al grupo `1` 🙄 Ordenemos un poco estos datos [llevándolos al **formato largo,**](https://bastianolea.rbind.io/blog/r_introduccion/tidyr_pivotar/) para hacer que cada fila represente una observación individual, y que cada columna presente una sola cosa a la vez: ``` r library(dplyr) library(tidyr) anscombe_largo <- anscombe |> pivot_longer(cols = everything(), names_to = "grupo", values_to = "valor") |> separate(grupo, sep = 1, into = c("variable", "grupo")) anscombe_largo ``` # A tibble: 88 × 3 variable grupo valor 1 x 1 10 2 x 2 10 3 x 3 10 4 x 4 8 5 y 1 8.04 6 y 2 9.14 7 y 3 7.46 8 y 4 6.58 9 x 1 8 10 x 2 8 # ℹ 78 more rows Usamos `pivot_longer()` para *pivotar* los datos y hacer que todas las cifras estén en una sola columna, y los nombres de todas las columnas en otra. Luego usamos `separate()` para separar la columna `grupo` en dos: una con la `variable`, y otra con el `grupo`. Mucho mejor! ☺️ > **Nota:** Si quieres aprender en detalle cómo **transformar datos** para cambiarlos dal formato largo o anch, revisa este tutorial sobre [pivotar datos con `{tidyr}`](https://bastianolea.rbind.io/blog/r_introduccion/tidyr_pivotar/). ## Calcular estadísticos descriptivos Con los datos ordenados, tenemos todas las cifras en una sola columna. Ahora podemos calcular sus **estadísticos descriptivos**. > **Nota:** Para aprender a calcular **estadísticos descriptivos**, [revisa este post](https://bastianolea.rbind.io/blog/estadisticos_descriptivos/). Para [calcular resúmenes de datos](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_summarize/) usamos la función `summarize()`. Ella nos permite calcular, por ejemplo, un promedio de todas las observaciones. Pero como los datos vienen en grupos, agrupamos primero con `group_by()`: ``` r estadisticos <- anscombe_largo |> group_by(grupo) |> summarize(promedio = mean(valor), mediana = median(valor), varianza = var(valor)) ``` | grupo | promedio | mediana | varianza | |:------|---------:|--------:|---------:| | 1 | 8.250455 | 8.020 | 7.792033 | | 2 | 8.250455 | 8.440 | 7.792205 | | 3 | 8.250000 | 7.635 | 7.790533 | | 4 | 8.250455 | 8.000 | 7.790119 | Al calcular algunos estadísticos descriptivos (**promedio**, **mediana** y **varianza**) confirmamos que los cuatro grupos del cuarteto tienen cifras casi idénticas! > **Nota:** Si quieres aprender a usar `summarize()`, revisa este tutorial sobre [resúmenes de datos con `{dplyr}`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_summarize/). ## Visualizar los datos Para comparar los grupos del cuarteto de Anscombe, queremos graficar un [gráfico de dispersión](https://bastianolea.rbind.io/blog/r_introduccion/tutorial_visualizacion_ggplot/#dispersión-1), y para eso necesitamos tener los valores del *eje x* e *y* en columnas distintas. Actualmente están en una sola columna (`valor`), y se distinguen por el valor de la columna `variable`, así que podemos [usar `pivot_wider()` para volver a pivotar los datos hacia el **formato ancho**](https://bastianolea.rbind.io/blog/r_introduccion/tidyr_pivotar/#desde-largo-hacia-ancho), y pasar de una columna descrita por otra, a dos columnas con nombres distintos: ``` r # crear identificación única de cada valor del conjunto anscombe_ids <- anscombe_largo |> group_by(grupo, variable) |> mutate(id = row_number()) |> ungroup() # pivotar los valores hacia el ancho, creando dos columnas según `variable` anscombe_ancho <- anscombe_ids |> pivot_wider(names_from = variable, values_from = valor) |> arrange(grupo, id) |> # ordenar select(-id) # sacar variable id anscombe_ancho ``` # A tibble: 44 × 3 grupo x y 1 1 10 8.04 2 1 8 6.95 3 1 13 7.58 4 1 9 8.81 5 1 11 8.33 6 1 14 9.96 7 1 6 7.24 8 1 4 4.26 9 1 12 10.8 10 1 7 4.82 # ℹ 34 more rows Ahora los datos están en un formato mucho más simple e intuitivo: cada fila es una observación, separadas por la variable `grupo`, cuyos valores están en las columnas `x` e `y`. Para visualizar los datos cargamos `{ggplot2}`: ``` r library(ggplot2) ``` Antes definimos algunas cositas para que el gráfico se vea bonito: ****Ver código de temas y tipografías**** Vamos a [configurar una tipografía para el gráfico](https://bastianolea.rbind.io/blog/ggplot_tipografias/), y vamos a [cambiar los colores del gráfico](https://bastianolea.rbind.io/blog/ggplot_temas/). ``` r library(showtext) # descargar una tipografía desde google fonts font_add_google(name = "Atkinson Hyperlegible") showtext_auto() showtext_opts(dpi = 200) # aplicar tema de colores theme_set( theme_grey(paper = "#EAD2FA", ink = "#6E3A98", accent = "#9069C0", base_family = "Atkinson Hyperlegible") ) ``` > **Nota:** Para aprender a crear gráficos con `{ggplot2}`, revisa este tutorial introductorio a la [visualización de datos](https://bastianolea.rbind.io/blog/r_introduccion/tutorial_visualizacion_ggplot/). Al graficar los datos de cada grupo, podemos ver que las distribuciones son muy diferentes entre sí, a pesar de tener estadísticas descriptivas similares. ``` r anscombe_ancho |> ggplot() + aes(x, y) + # línea de regresión geom_smooth(method = "lm", se = FALSE, fullrange = T, color = alpha("#9069C0", 0.6)) + # puntitos geom_point(size = 2.5, alpha = 0.8) + # separar grupos en gráficos distintos facet_wrap(~grupo, labeller = as_labeller(~glue::glue("Grupo {.x}"))) + # textos labs(title = "Cuarteto de Anscombe", subtitle = "Conjuntos de datos con mismas estadísticas pero distintas distribuciones") + # título en negrita theme(plot.title = element_text(size = 14, face = "bold")) ``` ![](https://bastianolea.rbind.io/blog/2026-01-27/index.markdown_strict_files/figure-markdown_strict/anscombe-1.png) Si nos hubiéramos quedado con las estadísticas descriptivas, habríamos pasado por alto las diferencias entre los grupos! *Moraleja:* siempre hacer gráficos exploratorios para comprender con qué estamos trabajando 🤓☝🏼 ------------------------------------------------------------------------ ## Bonus: *¿datasaurio?* El *datasaurio* aparece en [el paquete `{datasauRus}`](https://jumpingrivers.github.io/datasauRus/articles/Datasaurus.html)\_ y es un conjunto de datos que demuestra el mismo principio, pero de forma más extrema: cada uno de los 13 conjuntos tiene las mismas estadísticas descriptivas, pero visualmente son todas distintas, y uno de ellos **tiene forma de dinosaurio!** 🦖 ``` r install.packages("datasauRus") ``` ``` r library(dplyr) library(datasauRus) datasaurus_dozen |> group_by(dataset) |> summarize( mean_x = mean(x), mean_y = mean(y), std_dev_x = sd(x), std_dev_y = sd(y), corr_x_y = cor(x, y) ) ``` # A tibble: 13 × 6 dataset mean_x mean_y std_dev_x std_dev_y corr_x_y 1 away 54.3 47.8 16.8 26.9 -0.0641 2 bullseye 54.3 47.8 16.8 26.9 -0.0686 3 circle 54.3 47.8 16.8 26.9 -0.0683 4 dino 54.3 47.8 16.8 26.9 -0.0645 5 dots 54.3 47.8 16.8 26.9 -0.0603 6 h_lines 54.3 47.8 16.8 26.9 -0.0617 7 high_lines 54.3 47.8 16.8 26.9 -0.0685 8 slant_down 54.3 47.8 16.8 26.9 -0.0690 9 slant_up 54.3 47.8 16.8 26.9 -0.0686 10 star 54.3 47.8 16.8 26.9 -0.0630 11 v_lines 54.3 47.8 16.8 26.9 -0.0694 12 wide_lines 54.3 47.8 16.8 26.9 -0.0666 13 x_shape 54.3 47.8 16.8 26.9 -0.0656 ``` r datasaurus_dozen |> ggplot() + aes(x = x, y = y, colour = dataset) + geom_point() + # theme_void() + theme(legend.position = "none") + facet_wrap(~dataset, ncol = 3) + theme(axis.title = element_blank()) ``` ![](https://bastianolea.rbind.io/blog/2026-01-27/index.markdown_strict_files/figure-markdown_strict/datasaurus-1.png) *¡Plop!*