Libro · Segunda edición
Data Analytics
Un libro abierto para aprender análisis de datos: de los conceptos básicos a la inferencia y los modelos, y una parte nueva sobre cómo trabajar con datos cuando la IA es una herramienta más.
Data Analytics es un libro abierto de Ervin Wilneder sobre conceptos, herramientas y técnicas, de la estadística a la era de la IA. Segunda edición, 2026, bajo licencia CC BY 4.0.
Read it in EnglishÍndice
5 partes y 2 anexos
La primera edición, de 2023, recorre los fundamentos, el análisis exploratorio, el inferencial y los modelos. La segunda suma 10 capítulos sobre el análisis de datos en la era de la IA.
Para empezar
Prefacio
Parte I
Fundamentos
Capítulos 1 a 4
- 1Conceptos y definicionesQué es el análisis de datos, cómo se relaciona con la ingeniería y la ciencia de datos, y qué conocimientos y herramientas requiere el rol.
- 2Entorno de trabajoActualizado 2026Planillas, herramientas de visualización, notebooks y entornos en la nube: cómo elegir dónde trabajar y qué propiedades debe tener un análisis.
- 3Lenguajes de programaciónPython, R, Julia, JavaScript y SQL en el análisis de datos: para qué se usa cada lenguaje y por qué resultan esenciales para crecer en el rol.
- 4Datos, unidades y variables de análisisQué es un dato, cómo surge del cruce entre unidades de análisis y variables, y qué tipos de variables y escalas de medición existen.
Parte II
Análisis exploratorio
Capítulos 5 a 7
- 5Tablas de frecuenciasLa forma más básica de resumir datos: frecuencias absolutas, relativas y acumuladas, y cómo agrupar variables cuantitativas en intervalos.
- 6Descripción de variablesMedidas de posición, dispersión y relación: las tres cuestiones fundamentales para caracterizar y resumir variables en el análisis exploratorio.
- 7Visualización de datosCómo elegir un gráfico según la cantidad y el tipo de variables y la pregunta a responder, y por qué la forma depende de quién recibe la información.
Parte III
Análisis inferencial
Capítulos 8 a 15
- 8Origen y recolección de datosCensos y muestras: por qué el origen y la recolección de los datos determinan las conclusiones posibles, y el rol que juega la aleatoriedad.
- 9Manipulación de datosActualizado 2026Unir, transformar, agregar y filtrar: el data wrangling que ocupa buena parte del trabajo de un analista, y cómo encararlo con orden.
- 10Probabilidad aplicadaLos conceptos básicos de probabilidad y las distribuciones binomial, normal y chi cuadrado, el sustento matemático de la inferencia.
- 11Estimación puntual y por intervalos de confianzaParámetros, estimadores e intervalos de confianza: cómo aproximar características desconocidas de una población a partir de una muestra.
- 12Tests de hipótesisAmpliadoCómo contrastar un estimador contra una suposición sobre el valor real, por qué es la herramienta por excelencia de la ciencia y cómo elegir la prueba.
- 13Estadística NO paramétricaPruebas de bondad de ajuste, independencia y aleatoriedad que no dependen de parámetros, y el bootstrap como método de remuestreo.
- 14Técnicas de muestreoMuestreo aleatorio simple, sistemático, estratificado y por conglomerados: cómo obtener muestras representativas cuando hay restricciones reales.
- 15ANOVA: Análisis de la varianzaCómo comparar promedios de más de dos grupos o tratamientos analizando la variación dentro y entre grupos, con factores de bloqueo y análisis post hoc.
Parte IV
Modelos
Capítulos 16 a 18
- 16Regresión linealEl modelo más difundido para estimar una variable continua: parámetros, residuos, problemas frecuentes en los datos y límites de la regresión lineal.
- 17Regresión logísticaAmpliadoUn modelo de clasificación binaria interpretable: probabilidades, punto de corte y matriz de confusión para evaluar sus predicciones.
- 18KNN y CARTAmpliadoVecinos más cercanos y árboles de decisión: modelos flexibles para regresión y clasificación, útiles para explorar y como modelos de base.
Parte V
Análisis de datos en la era de la IA
Capítulos 19 a 28
Nuevo en la segunda edición- 19De copiloto a colegaLas herramientas de IA pasaron de sugerir código a encadenar análisis completos. Qué cambia en el trabajo del analista y qué sigue siendo suyo.
- 20Preguntarle a los datos en lenguaje naturalConsultar datos en palabras en lugar de SQL: cómo funciona, por qué la ambigüedad es el problema de fondo y cómo verificar cada consulta.
- 21Verificar lo que dice la máquinaAlucinaciones, variabilidad y conjuntos de evaluación: cómo medir cuánto confiar en una herramienta de IA con las herramientas de la estadística.
- 22Agentes que analizanUn almacén local por agente y uno central para el equipo: cambios con autor, una clave y un dueño por tabla, y conflictos apartados, nunca pisados.
- 23Cada número con su fuenteUn informe hecho por agentes declara la versión de los datos y cita la tabla, la fila o la consulta detrás de cada cifra, sin afirmaciones sin respaldo.
- 24Validar antes de creerQué mide la investigación sobre validar el trabajo de agentes, cómo leer esas cifras con intervalos y por qué una validación es un test de hipótesis.
- 25Texto, imágenes y audio como variablesCómo convertir comentarios, fotos y grabaciones en variables analizables con IA, validando la medición y reportando su margen de error.
- 26Datos sintéticos y simulaciónPara qué sirven los datos generados por modelos, qué no pueden reemplazar, el riesgo del colapso del modelo y cómo evaluar un conjunto sintético.
- 27Privacidad, sesgo y responsabilidadDatos personales, envío de datos a herramientas externas, sesgos que nacen en la muestra y por qué la responsabilidad de un análisis no se delega.
- 28Del insight a la acciónDe la conclusión a la decisión automatizada: incertidumbre, puntos de corte, experimentos controlados, monitoreo y personas en el circuito.
Anexos
Anexos
Anexos A y B
- AFundamentos de programaciónTipos y estructuras de datos, operadores, estructuras de control y funciones: los conceptos comunes a cualquier lenguaje de programación.
- BCopilotos y bots conversacionalesEscrito en febrero de 2023: cómo cambiaban el aprendizaje y la práctica del análisis de datos con los primeros copilotos y ChatGPT.
Sobre esta edición
Dos ediciones, un mismo libro
La primera edición se escribió en 2023 como material de cursada de la Diplomatura Universitaria en Programación de la UTN Haedo. Cada capítulo abre con un resumen de las ideas a destacar y sigue con lecturas para profundizar, revisadas para esta edición.
La segunda edición conserva ese material y suma 10 capítulos sobre cómo cambia el trabajo con datos cuando la IA es una herramienta más: encargar tareas, consultar en lenguaje natural, verificar resultados, medir lo que no está en una tabla, simular, cuidar la privacidad y pasar a la acción. Siempre conectados con los fundamentos de la primera.
Licencia. Data Analytics, de Ervin Wilneder, se publica bajo licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0): se puede copiar, compartir y adaptar, incluso con fines comerciales, siempre que se cite la fuente.
Preguntas frecuentes
Sobre Data Analytics
- ¿Qué es Data Analytics?
- Data Analytics es un libro abierto de Ervin Wilneder sobre conceptos, herramientas y técnicas, de la estadística a la era de la IA. Segunda edición, 2026, bajo licencia CC BY 4.0. Libro abierto de análisis de datos: estadística descriptiva e inferencial, modelos y una segunda edición sobre cómo trabajar con datos en la era de la IA.
- ¿Quién escribió Data Analytics?
- Ervin Wilneder. La primera edición es de 2023 y la segunda, de 2026.
- ¿Se puede leer gratis?
- Sí. El libro entero se lee en ervinwilneder.ai, gratis y sin registrarse.
- ¿Se puede compartir o reutilizar?
- Sí. Se publica bajo licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0): se puede copiar, compartir y adaptar, incluso con fines comerciales, siempre que se cite la fuente: Data Analytics, de Ervin Wilneder.
- ¿Cómo está organizado?
- En 5 partes (Fundamentos, Análisis exploratorio, Análisis inferencial, Modelos y Análisis de datos en la era de la IA), con 28 capítulos y 2 anexos.