Una hoja de cálculo puede verse ordenada, producir gráficos impecables y contener datos incapaces de responder correctamente una pregunta de investigación.
Antes de calcular hay que saber qué representa cada fila, cada columna, cada código y cada ausencia. El software procesa la estructura que recibe; no reconstruye automáticamente el significado que se perdió durante la captura.
🔎 Antes de obtener el promedio
Una matriz contiene la variable «horas de estudio». En algunos registros el valor 0 significa que la persona estudió cero horas; en otros, el equipo utilizó 0 cuando la persona no respondió. ¿Cuál es el problema principal?
Objetivo didáctico
🎯 Al concluir esta lección podrás
Distinguir problemas de estructura, codificación, valores faltantes, identificación y trazabilidad en matrices de investigación educativa, reconociendo qué condiciones deben resolverse antes de aplicar cálculos, gráficos o análisis estadísticos.
Introducción
La hoja de cálculo ocupa una posición intermedia en muchos proyectos de investigación. Puede funcionar como instrumento de captura, espacio de organización, herramienta de inspección, superficie de cálculo y punto de intercambio con programas estadísticos. Esa flexibilidad explica su popularidad, pero también facilita que decisiones de naturaleza distinta terminen mezcladas en un mismo archivo.
Broman y Woo (2018) proponen una serie de principios para organizar datos en hojas de cálculo con el fin de reducir errores y facilitar análisis posteriores. Entre ellos destacan mantener consistencia, utilizar una sola cosa por celda, organizar los datos como un rectángulo, mantener sujetos u observaciones en filas y variables en columnas, crear un diccionario de datos, evitar utilizar color como información y separar cálculos de los datos originales.
El planteamiento coincide con la estructura de tidy data de Wickham (2014): cada variable ocupa una columna, cada observación una fila y cada tipo de unidad observacional una tabla. No se trata de una regla estética. Una estructura consistente permite que otros sistemas interpreten con menor ambigüedad qué es una variable, qué es un caso y qué relaciones pueden calcularse.
En investigación educativa esto resulta particularmente importante porque los datos suelen combinar escalas, respuestas categóricas, fechas, puntuaciones, observaciones, identificadores y valores ausentes. Una matriz que confunde esos elementos puede producir resultados numéricamente válidos y conceptualmente equivocados.
🧭 Cinco preguntas antes del análisis
Abre cada dimensión para reconocer qué debe estar claro antes de calcular.
Desarrollo del tema
La matriz representa una estructura de investigación
Una tabla de datos no debería diseñarse pensando primero en cómo se verá al imprimirla. Su prioridad es representar sistemáticamente unidades y variables. Esto explica por qué prácticas visualmente cómodas, como combinar celdas para crear encabezados jerárquicos o escribir dos atributos en una misma columna, suelen convertirse después en obstáculos para el procesamiento.
Supongamos que un estudio registra edad y semestre. Una celda con el texto «21 años, segundo semestre» es comprensible para una persona, pero combina dos variables. Si se desea comparar edad con desempeño o agrupar por semestre, primero habrá que descomponer el texto. La estructura adecuada separa edad y semestre desde la captura.
El mismo principio se aplica longitudinalmente. Si el mismo estudiante aparece varias veces porque se realizaron mediciones en tres momentos, la repetición del identificador no constituye necesariamente un duplicado. La estructura debe incluir una variable adicional —por ejemplo, momento de medición— que permita interpretar qué representa cada fila.
Wickham (2014) sintetiza esta lógica mediante una estructura simple: variables en columnas, observaciones en filas y diferentes tipos de unidad observacional en tablas diferenciadas. Esa regla facilita que la matriz pueda pasar después a un programa estadístico sin depender de convenciones visuales propias de una hoja.
Figura 1: Estructura de una matriz analizable.
Nota: elaboración didáctica a partir de Wickham (2014) y Broman y Woo (2018).
🧩 ¿Estructura o apariencia?
Aplicación práctica. Antes de analizar una matriz, explica en palabras una fila completa: «cada fila representa...». Después haz lo mismo con tres columnas: «esta columna representa...». Si la explicación necesita describir dos variables dentro de una celda, la estructura probablemente requiere revisión.
Codificación y valores faltantes: un número necesita significado
Una hoja de cálculo procesa valores, pero la investigación trabaja con significados. Esta diferencia aparece con claridad cuando una variable utiliza códigos numéricos. Registrar 1, 2 y 3 puede ser completamente apropiado para una variable categórica siempre que exista documentación que indique qué categoría representa cada código. Sin esa documentación, el archivo conserva los números y pierde su significado.
El diccionario de datos sirve para evitar esta ruptura. Como mínimo puede documentar nombre de variable, definición, tipo, unidad o categorías, códigos, valores faltantes y notas relevantes. El principio es suficientemente general para que repositorios como ICPSR y UK Data Service utilicen documentación de variables, etiquetas y definiciones de valores faltantes para permitir que terceros interpreten conjuntos de datos después de su producción.
Los datos faltantes merecen un tratamiento especial porque ausencia no es siempre sinónimo de lo mismo. Una persona puede no responder, una pregunta puede no aplicarle, un investigador puede haber perdido el dato o un valor puede haberse excluido después de una validación. Diferenciar esas condiciones puede ser metodológicamente relevante.
Un error particularmente grave aparece cuando se utiliza un valor sustantivo como código de ausencia. Si una escala admite el valor 0, utilizar también 0 para «sin respuesta» destruye una distinción conceptual. El programa estadístico no puede reconstruir posteriormente qué ceros eran respuestas y cuáles ausencias.
💭 No toda ausencia significa lo mismo
Selecciona cada situación y observa qué información metodológica debería conservarse.
Aplicación práctica. Identifica cómo representa actualmente tu proyecto los valores faltantes. Si utiliza varios códigos, verifica que exista un documento donde se explique exactamente qué significa cada uno.
Datos originales y transformaciones: conservar la procedencia
Una hoja de cálculo invita a escribir fórmulas junto a los datos que las alimentan. Esta comodidad puede resultar útil en exploraciones rápidas, pero crea un problema cuando el mismo archivo funciona simultáneamente como registro original y como espacio de transformación. ¿Qué valor fue capturado y cuál fue calculado después?
Broman y Woo (2018) recomiendan mantener los cálculos fuera de los archivos de datos originales. El propósito es preservar una referencia inalterada que permita reconstruir el proceso. Una variable derivada —por ejemplo, un promedio de puntuaciones— no es equivalente a las respuestas originales utilizadas para calcularla.
La distinción también protege frente a decisiones posteriores. Supongamos que el equipo decide cambiar la forma de calcular una puntuación. Si los valores originales permanecen intactos y la transformación está documentada, puede regenerarse la variable derivada. Si el investigador reemplazó directamente los datos originales, la posibilidad de auditar el cambio desaparece.
La exportación entre formatos añade otra capa. UK Data Service advierte que al convertir datos pueden cambiar definiciones de valores faltantes y perderse características específicas del software, como fórmulas o macros. Por ello, la preservación de datos no consiste solamente en mantener un archivo; también requiere conservar documentación suficiente para interpretar lo que podría no viajar entre formatos.
💡 Procedencia
Un conjunto de datos reproducible permite distinguir qué se capturó, qué se corrigió, qué se recodificó y qué se calculó. El resultado final no debería borrar la historia de cómo se produjo.
🔀 ¿Qué archivo debería permanecer intacto?
El equipo recibe respuestas de un formulario, detecta errores ortográficos en categorías y necesita crear una puntuación total. ¿Qué estrategia conserva mejor la trazabilidad?
Aplicación práctica. Localiza una variable derivada de tu proyecto —una suma, promedio, categoría agrupada o puntuación— y comprueba si podrías reconstruirla desde los datos originales y una regla documentada.
Limpieza asistida por inteligencia artificial en 2026: automatizar superficie, conservar criterio
Las hojas de cálculo actuales incorporan cada vez más asistencia automatizada. Microsoft documenta que Copilot en Excel puede identificar problemas de espaciado, mayúsculas, formatos numéricos y texto inconsistente. Google Sheets ofrece funciones de limpieza capaces de señalar duplicados, anomalías, espacios y formatos inconsistentes; además, Gemini puede realizar acciones más amplias sobre tablas, generar fórmulas, resumir información y proponer análisis.
Estas capacidades son útiles porque una parte considerable de la preparación de datos consiste precisamente en detectar inconsistencias mecánicas. Variantes como «Maestría», «MAESTRIA» y «maestria» pueden generar categorías artificialmente separadas. Automatizar su detección ahorra trabajo y reduce errores manuales.
Sin embargo, la herramienta no conoce automáticamente el significado metodológico de todos los valores. Puede identificar que 99 aparece pocas veces, pero no sabe si 99 significa «no respondió», una puntuación válida o un error. Puede señalar un valor atípico, pero no decidir si se trata de un caso real que debe conservarse. Puede detectar un duplicado de identificador, pero no saber si corresponde a una segunda medición legítima.
La automatización tampoco sustituye el diccionario de datos. Incluso si un asistente puede inferir que una columna contiene fechas o categorías, el investigador sigue necesitando documentar qué representa la variable, de dónde procede y qué reglas se aplicaron. La asistencia automatizada es especialmente útil para encontrar candidatos a revisión; la decisión metodológica sigue requiriendo contexto.
🤖 ¿Automatizable o requiere criterio?
⚠ Una anomalía no es automáticamente un error
Los sistemas pueden señalar valores poco frecuentes, inconsistencias o posibles duplicados. El investigador debe comprobar procedencia y significado antes de corregir, reemplazar o eliminar información.
Aplicación práctica. Separa dos tareas de tu próxima limpieza: una que pueda automatizarse porque consiste en detectar un patrón mecánico y otra que necesite revisar instrumento, protocolo o contexto antes de tomar una decisión.
Conclusión
La hoja de cálculo no es el punto donde comienza el análisis estadístico; es uno de los lugares donde se decide si el análisis podrá tener significado. Una matriz consistente conserva la diferencia entre variables, observaciones, categorías, valores faltantes, datos originales y resultados derivados. Cuando esas distinciones desaparecen, el software posterior recibe números sin suficiente contexto.
La disponibilidad de asistentes de limpieza e inteligencia artificial en 2026 hace más rápida la detección de varias inconsistencias, pero no elimina la necesidad de gobernar el significado de los datos. Una sugerencia automática puede localizar un espacio adicional o una categoría escrita de tres formas; no puede reconstruir silenciosamente una decisión metodológica que nunca fue documentada.
La siguiente lección se situará un paso antes de esta matriz: L6 · Encuestas electrónicas: calidad del dato desde el diseño. Allí se estudiará cómo una pregunta mal construida produce información problemática incluso cuando la captura digital funciona perfectamente.
🔭 Para seguir aprendiendo
- Abre una matriz de un proyecto académico propio e identifica qué representa cada fila y qué cinco columnas considerarías variables fundamentales.
- Comprueba si alguien que no participó en la captura podría interpretar tus códigos utilizando solamente la matriz y su documentación.
Actividad de aprendizaje autónoma
Antes de calcular, mire los datos
Una investigación educativa sobre hábitos de estudio recibió su primera matriz de datos. Antes de producir promedios, tablas o gráficos, el equipo necesita identificar problemas que podrían alterar el significado de los resultados. Tu función será realizar una auditoría conceptual de la matriz.
Categorías de diagnóstico:
- E · Estructura: filas, columnas o celdas no representan claramente unidades y variables.
- C · Codificación: formatos o categorías se utilizan de manera inconsistente.
- F · Faltantes: la ausencia de información está representada de forma ambigua.
- T · Trazabilidad: se mezclan datos originales, transformaciones o información expresada solo mediante formato visual.
- D · Documentación: falta información necesaria para interpretar una variable o sus códigos.
- I · Identidad: no puede determinarse correctamente qué caso representa un registro o por qué aparece repetido.
Tabla 1: Incidentes encontrados en la matriz.
| Caso | Hallazgo |
|---|---|
| 1 | Una columna se titula «Edad / semestre» y contiene valores como «21 años, segundo semestre». |
| 2 | La variable fecha contiene «02/03/26», «3-2-2026» y «Mar 2». |
| 3 | Los valores faltantes aparecen como celda vacía, NA, N/A, 99 y «sin respuesta» sin explicación adicional. |
| 4 | Las filas marcadas en amarillo significan «caso que requiere revisión», pero no existe una variable que registre esa condición. |
| 5 | La columna promedio_final contiene fórmulas y se encuentra dentro del único archivo que el equipo llama «datos crudos». |
| 6 | La variable modalidad utiliza los códigos 1, 2 y 3, pero no existe documento que explique qué categoría representa cada número. |
| 7 | El identificador E023 aparece en dos filas y no se sabe si es un duplicado o una segunda medición. |
| 8 | La variable horas_estudio utiliza 0 tanto para «cero horas» como para «no respondió». |
| 9 | La misma categoría aparece escrita como «Maestría», «maestria», «MAESTRIA» y «Mtría». |
Instrucciones:
- Clasifica cada incidente como E, C, F, T, D o I.
- Explica qué significado podría perderse si el problema no se corrige.
- Indica cuál sería la decisión de organización necesaria antes del análisis. No escribas fórmulas ni procedimientos de software.
- Señala cuáles de los incidentes podrían ser detectados inicialmente mediante una función automatizada de limpieza.
- Distingue cuáles requieren necesariamente revisar documentación, instrumento o diseño de investigación.
- Elige posteriormente una matriz real o propuesta de tu propio trabajo académico.
- Identifica la unidad de observación y al menos cinco variables.
- Explica cómo representa la matriz los valores faltantes y qué campo funciona como identificador.
- Propón un diccionario mínimo para una variable incluyendo nombre, definición, tipo, categorías o unidades y codificación de faltantes.
📋 Auditoría previa al análisis
Registra los nueve diagnósticos y documenta la estructura de una matriz propia. El planificador no corrige automáticamente los datos.
📌 Evidencia de logro
Entrega la clasificación razonada de los nueve incidentes y la auditoría de una matriz propia o propuesta. Debe ser posible reconocer la unidad de observación, las variables, el identificador, la política de valores faltantes, una entrada de diccionario y la diferencia entre una limpieza que puede automatizarse y una decisión que requiere criterio metodológico.
Si otra persona recibiera hoy tu matriz sin preguntarte nada, ¿podría saber qué significa cada número o descubriría que una parte del conocimiento solo existe en tu memoria?
Referencias bibliográficas
- Broman, K. W., & Woo, K. H. (2018). Data organization in spreadsheets. The American Statistician, 72(1), 2–10. doi:10.1080/00031305.2017.1375989
- Google. (2026a). Use Sheets Smart Cleanup to prepare your data for analysis. Google Docs Editors Help.
- Google. (2026b). Collaborate with Gemini in Google Sheets. Google Docs Editors Help.
- Inter-university Consortium for Political and Social Research. (2026). Guide to social science data preparation and archiving: Best practices throughout the data life cycle. University of Michigan.
- Microsoft. (2026a). Limpiar los datos con Copilot en Excel. Microsoft Support.
- Microsoft. (2026b). Get data insights with Copilot in Excel. Microsoft Support.
- UK Data Service. (2026). Data conversion and possible loss or change of information.
- Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1–23. doi:10.18637/jss.v059.i10