Podcast sobre Estadística: Conceptos Fundamentales para el Análisis

Kapitoly

El caos de los datos crudos

Tablas de frecuencia: El primer orden

El dilema de los datos perdidos

Visualizando variables numéricas

El poder de un buen gráfico

El Centro de Todo: Tendencia Central

¿Cuán Separados Están los Datos?

La Útil Desviación Estándar

Tipos de Variables

Introducción a la Probabilidad

La Prueba de Hipótesis

Errores, Confianza y Potencia

Aplicaciones Prácticas

La Magia de las Tablas 2x2

La Prueba del Chi-Cuadrado

Riesgo y Protección

Interpretando los Números

Resumen y Despedida

Přepis

Valeria: Imagina a una estudiante, Sofía. Tiene frente a ella una hoja de cálculo con miles de filas de la Encuesta Nacional de Salud. Es solo una pared de números... edad, sexo, IMC, región. Se siente totalmente perdida.

Carlos: Es una imagen muy común. Un mar de datos crudos puede ser intimidante. Crees que tienes muchísima información, pero en realidad, no tienes nada claro hasta que empiezas a ordenarla.

Valeria: Exacto. ¿Por dónde empieza Sofía a darle sentido a todo ese caos? ¿Cómo convierte esa lista interminable en algo que se pueda entender y presentar?

Carlos: Esa es la pregunta clave. Y la respuesta es la base de la estadística descriptiva: organizar y resumir. Estás escuchando Studyfi Podcast.

Valeria: Entonces, ¿cuál es ese primer paso para organizar los datos?

Carlos: El primer y más poderoso paso, especialmente para variables categóricas, es la tabla de frecuencias. Es simplemente contar cuántas veces aparece cada categoría.

Valeria: ¿Cómo qué categorías? En la encuesta que mencionas, ¿qué serían variables categóricas?

Carlos: Buena pregunta. Serían, por ejemplo, el sexo, la región, o si una persona tiene o no hipertensión. También la edad, si la agrupamos en rangos como '15-24 años', '25-44 años', etc.

Valeria: Ah, claro. En la tabla de 'Edad Codificada' veo exactamente eso. Dice que 837 personas tienen entre 15 y 24 años, lo que es un 13.43 por ciento del total.

Carlos: Exacto. La tabla te da la frecuencia, o el conteo, y el porcentaje. ¡Mucho más útil que mirar 6,000 filas de edades individuales!

Valeria: Definitivamente. Y veo una columna que dice 'Cum.', de acumulado. ¿Para qué sirve?

Carlos: Muy buena observación. El porcentaje acumulado es súper útil para variables ordinales, o sea, categorías que tienen un orden lógico.

Valeria: ¿Un orden lógico? Como en la pregunta sobre revisar las etiquetas de los alimentos: 'Siempre', 'Casi siempre', 'Nunca'...

Carlos: ¡Justo eso! Ahí el acumulado te dice, por ejemplo, que el 31.7% de las personas revisa las etiquetas 'casi siempre' o más seguido. Te ayuda a ver tendencias rápidamente.

Valeria: Entiendo. Pero, Carlos, he visto tablas, como una sobre Riesgo Cardiovascular o RCV, donde hay un montón de valores perdidos, gente que no respondió. ¿Qué se hace ahí?

Carlos: El eterno problema de los datos perdidos. Tienes dos caminos principales. Puedes calcular el porcentaje sobre el total de personas, incluyendo a los que no respondieron, o calcularlo solo sobre los que sí dieron una respuesta válida.

Valeria: ¿Y cuál es el correcto?

Carlos: Generalmente, la mejor práctica es ser transparente. En tu descripción, dices: 'Un 44% de los encuestados no tiene este dato'. Y luego, para analizar la prevalencia, trabajas con el total que sí respondió, aclarando que ese es tu nuevo universo.

Valeria: Suena honesto. No esconder la basura debajo de la alfombra.

Carlos: ¡Exactamente! En la ciencia, la transparencia es todo.

Valeria: Ok, ya dominamos las categorías. Pero, ¿qué pasa con las variables numéricas, como el IMC o el nivel de colesterol? No puedo hacer una tabla de frecuencias con cada posible valor decimal.

Carlos: Sería una tabla infinita. Para variables numéricas, usamos medidas de tendencia central y de dispersión. Si la distribución de los datos es simétrica, como una campana, usas la media, o el promedio, y la desviación estándar.

Valeria: ¿Y si no es simétrica? Vi una tabla de triglicéridos donde el valor máximo era altísimo, 1216. Eso debe mover mucho el promedio, ¿no?

Carlos: ¡Totalmente! Es como si Bill Gates entrara a un bar. De repente, el 'ingreso promedio' de todos los que están adentro se dispara a millones. El promedio se vuelve engañoso.

Valeria: Ok, entiendo el punto. Entonces, ¿qué usamos cuando un millonario entra a nuestro bar de datos?

Carlos: Usamos la mediana. La mediana es el valor que está justo en el medio, sin importar los extremos. Para la dispersión, en vez de la desviación estándar, reportas el valor mínimo y el máximo. Visualmente, en vez de un gráfico de barras, un 'boxplot' o diagrama de caja es perfecto para esto.

Valeria: Perfecto. Entonces, para resumir lo numérico: si los datos son 'normales', media y desviación estándar. Si son asimétricos o 'con problemas', mediana y rango min-max.

Carlos: Has dado en el clavo. Y para las variables categóricas, como ya dijimos, la tabla de frecuencias es la reina. Se presenta el número de casos (n) y el porcentaje (%).

Valeria: Y para mostrarlas visualmente, me imagino que gráficos de barras o de torta, ¿cierto?

Carlos: Sí, son los más comunes. Personalmente, prefiero los gráficos de barras. Son más claros para comparar categorías. Los gráficos de torta se pueden volver confusos si tienes más de 3 o 4 'rebanadas'.

Valeria: Entendido, adiós a mis gráficos de torta de arcoíris. Fue un placer conocerlos.

Carlos: ¡Úsalos con sabiduría! Lo importante es que la visualización aclare la información, no que la complique. Ya sea una tabla bien hecha o un gráfico simple, el objetivo es contar la historia que esconden los datos.

Valeria: Contar la historia de los datos... me encanta esa idea. Todo esto nos ayuda a ver la foto general de una sola variable. Pero me pregunto, ¿cómo empezamos a comparar variables entre sí? Por ejemplo, ¿la hipertensión se relaciona con el estado nutricional?

Valeria: ...y una vez que tenemos los datos en una tabla, ¿qué hacemos? ¿Simplemente los miramos?

Carlos: ¡Buena pregunta! Ahí es donde entra la magia del análisis. Necesitamos resumir esa montaña de números en unas pocas cifras clave. Son los estadígrafos o índices descriptivos.

Valeria: Suena importante. ¿Cuál es el primer paso?

Carlos: Siempre empezamos buscando el centro de los datos. Para eso usamos las medidas de tendencia central. La más famosa es la media aritmética, o como todos la conocemos, el promedio.

Valeria: Ah, el promedio. Sumo todo y lo divido. ¡Fácil!

Carlos: ¡Exacto! Pero tiene un pequeño problema... es muy sensible a los valores extremos. Si en un examen casi todos sacan un 7, pero alguien saca un 0, ese 0 va a bajar el promedio de todos.

Valeria: Claro. ¿Y qué hacemos para evitar a ese aguafiestas?

Carlos: Usamos la mediana. Si ordenas todos los datos de menor a mayor, la mediana es el valor que queda justo en el medio. No le importan los extremos. Y también está la moda, que es simplemente el valor que más se repite.

Valeria: Entendido. Tenemos el centro. Pero... ¿eso es todo? Me imagino que dos grupos pueden tener el mismo promedio pero ser súper diferentes.

Carlos: ¡Totalmente! Déjame darte un ejemplo. Grupo A: tres personas de 49, 50 y 51 años. El promedio es 50. Grupo B: personas de 10, 50 y 90 años. El promedio también es 50.

Valeria: ¡Wow! Pero son grupos radicalmente distintos. Uno es súper homogéneo y el otro tiene una dispersión enorme.

Carlos: Ahí lo tienes. No basta con el centro, necesitamos medir la dispersión. La medida más simple es el rango, que es solo la diferencia entre el valor máximo y el mínimo.

Valeria: Fácil, pero supongo que hay algo más sofisticado.

Carlos: Por supuesto. La medida estrella es la varianza. Piénsalo así: calculamos la distancia de cada dato al promedio, la elevamos al cuadrado para que todo sea positivo, y hacemos un promedio de esas distancias al cuadrado.

Valeria: Uf, suena un poco abstracto. ¿Elevar al cuadrado?

Carlos: Lo sé, su interpretación no es muy intuitiva porque sus unidades están al cuadrado. ¡No medimos la edad en "años al cuadrado"! Pero es la base para la medida más útil de todas...

Valeria: ¡La desviación estándar! Siempre oigo hablar de ella.

Carlos: Exacto. Es simplemente la raíz cuadrada de la varianza. Y esto nos devuelve a las unidades originales. Nos dice, en promedio, qué tan lejos están los datos de la media. Una desviación pequeña significa que los datos están muy juntitos. Una grande... que están muy desparramados.

Valeria: ¡Eso tiene mucho más sentido! Así que si la media es 50 y la desviación estándar es 2, casi todos tienen entre 48 y 52.

Carlos: ¡Has dado en el clavo! Para distribuciones con forma de campana, hay una regla genial: aproximadamente el 68% de los datos está a una desviación estándar de la media, y el 95% está a dos.

Valeria: ¡Qué útil! Es como tener un mapa de los datos. Ya tenemos el centro y sabemos cómo de ancho es el territorio.

Carlos: Exacto. Y con esas herramientas ya podemos describir casi cualquier conjunto de datos numéricos. Pero, ¿cómo visualizamos todo esto? De eso hablaremos a continuación, con los gráficos que dan vida a los números.

Valeria: ...y justo eso conecta con lo que queríamos hablar hoy. Porque para analizar toda esa información, primero tenemos que entender con qué estamos trabajando. ¿Verdad, Carlos?

Carlos: Exactamente, Valeria. Y todo empieza con algo que suena súper técnico pero que en realidad es muy simple... las variables.

Valeria: ¡Uf, variables! Suena a clase de matemáticas de la que intentaba escapar. ¿Podemos hacerlo fácil?

Carlos: Prometido. Piénsalo así: las variables son como las etiquetas o las características de lo que estudiamos. Hay dos grandes familias: las cualitativas y las cuantitativas.

Valeria: Ok, cualitativas... ¿de cualidad? ¿Como ser simpático o no?

Carlos: ¡Casi! Se refieren a características que no se miden con números. Por ejemplo, el color de ojos. No puedes decir que "azul" es mayor que "verde". Simplemente son diferentes.

Valeria: Ah, entiendo. A estas las llamas nominales, ¿cierto? Como nombrar algo.

Carlos: ¡Exacto! Y dentro de las cualitativas, también están las ordinales. Aquí sí hay un orden. Por ejemplo, tu nivel de interés en un tema: bajo, medio o alto. Hay una jerarquía clara.

Valeria: Vale, eso tiene sentido. Nominal es solo el nombre, ordinal implica un orden. Y las cuantitativas, supongo que esas sí son de números.

Carlos: Bingo. Son las que se pueden medir numéricamente. Y aquí también hay dos tipos. Las discretas y las continuas.

Valeria: A ver, a ver... ¿cuál es la diferencia?

Carlos: Las discretas son números enteros, contables. Como el número de hermanos que tienes. No puedes tener 2.5 hermanos. Bueno, espero que no.

Valeria: Definitivamente no. Entonces, ¿las continuas son las que sí pueden tener decimales?

Carlos: Precisamente. Piensa en tu altura o tu peso. Puedes medir 1.75 metros, o pesar 65.3 kilos. Teóricamente, los decimales podrían ser infinitos. Aunque en la práctica, claro, nuestros instrumentos de medida tienen un límite.

Valeria: Ok, creo que tengo claros los tipos de variables. Pero, ¿cómo pasamos de clasificar datos a... predecir cosas? Ahí entra la probabilidad, ¿no?

Carlos: Justo ahí. La probabilidad es la herramienta que nos permite medir la incertidumbre. Es el corazón de la estadística aplicada.

Valeria: Suena a juegos de azar. ¿Lanzar una moneda, tirar un dado?

Carlos: Ese es el ejemplo clásico, sí. La equiprobabilidad. Cada cara del dado tiene la misma probabilidad de salir: una entre seis. Pero la vida real rara vez es tan perfecta.

Valeria: ¿A qué te refieres?

Carlos: Nos basamos mucho en el concepto frecuentista. Si repites un experimento muchísimas veces, la frecuencia con la que ocurre un evento se acerca a su probabilidad real.

Valeria: A ver si entiendo... si lanzo una moneda 1000 veces, ¿más o menos 500 veces saldrá cara?

Carlos: ¡Exacto! La frecuencia relativa de "cara" se acercará a 0.5, o al 50%. Esa es la idea. Y esto lo podemos aplicar a datos reales y mucho más complejos que una moneda.

Valeria: Dame un ejemplo del mundo real, por favor.

Carlos: Claro. Imagina que tenemos datos de un hospital. De 6435 pacientes de urgencia, 973 son mujeres de menos de 15 años. Podemos estimar la probabilidad de que el próximo paciente sea una mujer menor de 15 años.

Valeria: Sería 973 dividido entre 6435. ¿Así de simple?

Carlos: En esencia, sí. Es una estimación basada en la frecuencia que hemos observado. Así es como las compañías de seguros calculan riesgos o los médicos estiman la probabilidad de éxito de un tratamiento.

Valeria: Vale, esto es poderoso. Usamos datos pasados para estimar probabilidades futuras. Pero he oído hablar mucho del "test de hipótesis". ¿Qué es eso exactamente?

Carlos: Ah, el test de hipótesis es como ser un detective científico. Tienes una corazonada, una sospecha... y usas los datos para ver si tienes razón.

Valeria: ¿Una corazonada? ¿La estadística se basa en corazonadas?

Carlos: Bueno, las llamamos "hipótesis". Tienes la hipótesis nula, que es como el "status quo", la idea de que no pasa nada interesante. Y la hipótesis alternativa, que es tu idea, tu corazonada.

Valeria: Ok, detective Valeria al caso. Digamos que mi corazonada es que los estudiantes que usan nuestra app "Studyfi" sacan mejores notas.

Carlos: Perfecto. Tu hipótesis alternativa (H1) es que las notas de los usuarios de Studyfi son más altas. La hipótesis nula (H0) sería que no hay ninguna diferencia, que las notas son iguales a las del resto.

Valeria: Y entonces... ¿cómo lo pruebo? ¿No puedo simplemente comparar los promedios y ya?

Carlos: Podrías, pero la diferencia que veas podría ser por pura casualidad. El test de hipótesis te dice cuál es la probabilidad de obtener esos resultados si la hipótesis nula fuera cierta.

Valeria: ¿Cómo? O sea, ¿qué tan probable es que esa diferencia de notas sea solo por azar?

Carlos: Exactamente. A esa probabilidad la llamamos "valor p". Si el valor p es muy, muy bajo... significa que es muy improbable que tus resultados sean una casualidad.

Valeria: Y si es muy improbable... entonces mi corazonada, mi hipótesis alternativa, ¡probablemente sea cierta!

Carlos: ¡Le diste en el clavo! Rechazas la hipótesis nula y aceptas que hay evidencia a favor de tu idea. Has encontrado algo estadísticamente significativo.

Valeria: Pero... ¿y si me equivoco? ¿Y si rechazo la idea de que no pasa nada... y en realidad no pasaba nada?

Carlos: Esa es una pregunta clave, Valeria. Y sí, puedes cometer errores. De hecho, hay dos tipos principales de errores en este juego de detectives.

Valeria: Ay no... ¿cuáles son?

Carlos: Piénsalo como un juicio. La hipótesis nula es que el acusado es inocente. Un error de Tipo I es condenar a un inocente. En estadística, es rechazar la hipótesis nula cuando en realidad era verdadera.

Valeria: O sea, decir que mi app funciona cuando en realidad la diferencia de notas fue pura suerte. Eso suena grave.

Carlos: Lo es. Por eso los científicos son muy cuidadosos. Fijan un umbral bajo para ese error, llamado nivel de significancia o alfa. Normalmente un 5% o incluso un 1%.

Valeria: ¿Y el otro error?

Carlos: El error de Tipo II es dejar libre a un culpable. En nuestro caso, es no rechazar la hipótesis nula cuando era falsa. Es decir, tu app sí funciona, ¡pero tus datos no fueron suficientes para demostrarlo!

Valeria: ¡Qué frustrante sería eso!

Carlos: Totalmente. Y la probabilidad de evitar ese error, o sea, de detectar un efecto que realmente existe, se llama "potencia" del estudio. Quieres que tus estudios tengan mucha potencia.

Valeria: Entonces, resumiendo: la significancia es la probabilidad de no condenar a un inocente, y la potencia es la probabilidad de atrapar al culpable.

Carlos: ¡Qué buena analogía! Me la voy a robar para mis clases. Es exactamente eso. Buscamos un equilibrio. Queremos ser lo suficientemente estrictos para no afirmar cosas que no son ciertas, pero con la suficiente potencia para no perdernos descubrimientos reales.

Valeria: Todo esto es fascinante, pero suena muy teórico. ¿Cómo se ve esto en la práctica? ¿Qué tipo de "tests" existen?

Carlos: Hay muchísimos, cada uno para un tipo de pregunta y de datos. Por ejemplo, si quieres comparar proporciones entre dos grupos, como el porcentaje de fumadores que dejan el hábito con dos tratamientos diferentes, usarías un test llamado Chi-cuadrado.

Valeria: ¿Chi-cuadrado? Suena a superhéroe griego.

Carlos: Podría ser. Lo que hace es comparar las frecuencias que observas en tus datos con las que esperarías si no hubiera ninguna diferencia entre los tratamientos. Si la diferencia es muy grande, ¡zas! Resultado significativo.

Valeria: ¿Y si en lugar de porcentajes quiero comparar promedios? Como la edad promedio de pacientes con diabetes y sin diabetes.

Carlos: Para eso, una de las herramientas más famosas es el test t de Student. Compara las medias de dos grupos y, teniendo en cuenta la variabilidad de los datos, te dice si la diferencia entre ellas es lo suficientemente grande como para no ser una simple casualidad.

Valeria: Entiendo. Así que dependiendo de si mis variables son categóricas o numéricas, y de la pregunta que me haga, elijo un test u otro.

Carlos: Exacto. No usas un martillo para atornillar un tornillo. Cada herramienta estadística tiene su propósito. Y aquí es donde la teoría se vuelve súper práctica.

Valeria: Es como tener una caja de herramientas para interrogar a los datos y hacer que confiesen la verdad. ¡Me encanta!

Carlos: Esa es la actitud. La estadística no son solo números aburridos; es una forma de hacer que los datos nos cuenten historias y nos ayuden a tomar mejores decisiones.

Valeria: Pues me has convencido. Ya no le tengo tanto miedo a las variables ni a las hipótesis. De hecho, ahora estoy pensando en todas las cosas que podríamos analizar con los datos de Studyfi.

Carlos: ¡Genial! Y eso nos lleva directamente a nuestro próximo tema: cómo diseñar un buen experimento desde el principio para que esos datos que recojas sean realmente útiles y potentes. Porque un buen análisis empieza mucho antes de abrir la hoja de cálculo.

Valeria: Y con eso cerramos el Teorema Central del Límite. ¡Qué buen tema! Pero ahora, para terminar, nos queda un último gran desafío, Carlos.

Carlos: Así es, Valeria. Vamos a cerrar con algo súper práctico: cómo saber si dos características o variables están realmente conectadas. Por ejemplo, ¿fumar realmente se asocia con tener cierta enfermedad?

Valeria: Exacto. Dejamos las medias y promedios para meternos en el mundo de las categorías. ¿Cómo empezamos?

Carlos: Empezamos con una herramienta visual muy simple: la tabla de contingencia.

Valeria: Suena a algo que usaría un mago. ¿Qué es exactamente?

Carlos: Casi. Imagina una simple tabla de dos filas por dos columnas. Una tabla 2x2. En las filas pones una variable, como "Fuma" y "No Fuma". Y en las columnas pones otra, como "Tiene la enfermedad" y "No la tiene".

Valeria: Ah, claro. Y en las celdas pones la cantidad de gente que cumple ambas condiciones. ¡Sencillo!

Carlos: ¡Exacto! Es la forma más básica de organizar los datos. A partir de ahí, podemos calcular porcentajes y empezar a ver si los números sugieren algo interesante.

Valeria: Ok, veo la tabla y un porcentaje parece más alto que otro. Pero... ¿cómo sé si esa diferencia es real o solo producto del azar? ¿una casualidad?

Carlos: ¡Esa es la pregunta del millón! Para eso, los estadísticos inventaron una prueba genial: el test Chi-cuadrado de Pearson. Suena complicado, pero la idea es simple.

Valeria: A ver, sorpréndeme.

Carlos: El test Chi-cuadrado compara los datos que tú *observaste* en tu tabla con los datos que *esperarías* ver si no hubiera ninguna asociación entre las variables. Si la diferencia es muy grande, ¡probablemente la asociación es real!

Valeria: Entiendo. Es como comparar la realidad con una fantasía donde nada está conectado. Y si no se parecen... ¡hay algo ahí!

Carlos: ¡Precisamente! Por ejemplo, en un estudio se vio si el sexo estaba asociado a tener diabetes. El test Chi-cuadrado dio un valor-p de 0.8. ¡Altísimo!

Valeria: ¿Y eso qué significa en español?

Carlos: Significa que no hay evidencia para decir que están asociados. La proporción de diabetes era prácticamente la misma en hombres y en mujeres. No se rechaza la hipótesis nula.

Valeria: Ok, entonces el Chi-cuadrado nos dice SÍ o NO hay asociación. Pero si la hay, no nos dice qué tan fuerte es, ¿verdad? Es como saber que dos personas son novios, pero no si están a punto de casarse o de romper.

Carlos: ¡Qué buena analogía! Exactamente. Para medir la fuerza de esa relación, usamos otras dos métricas estrella: el Riesgo Relativo, o RR, y la Razón de Chances, más conocida como Odds Ratio u OR.

Valeria: RR y OR. ¿Son como los superhéroes de la estadística?

Carlos: ¡Totalmente! El RR se usa más en estudios que siguen a la gente a lo largo del tiempo, y el OR en estudios que miran una foto del momento. Ambos nos dicen cuántas veces es más probable que ocurra algo en un grupo comparado con otro.

Valeria: A ver, dame un ejemplo para que quede claro.

Carlos: Claro. Piensa en el OR. Si es mayor que 1, la exposición es un factor de riesgo. Si es menor que 1, es un factor protector. Y si es igual a 1... no hay asociación.

Valeria: Me gusta eso de factor de riesgo o de protección. Es muy intuitivo.

Carlos: ¡Lo es! Por ejemplo, un estudio investigó si la contaminación acústica se asociaba con la sordera después de los 65 años. El OR fue de 1.87.

Valeria: O sea, ¡mayor que 1! Es un factor de riesgo.

Carlos: Exacto. La chance de tener sordera es un 87% mayor si estuviste expuesto. Y lo más importante es el intervalo de confianza. En este caso fue de 1.23 a 2.86.

Valeria: ¿Por qué es tan importante ese intervalo?

Carlos: Porque si el intervalo de confianza NO incluye el número 1, podemos decir que el resultado es estadísticamente significativo. Como aquí no lo incluye, la asociación es real.

Valeria: ¡Wow! Eso es clave. Y con el Riesgo Relativo, ¿es parecido?

Carlos: Muy parecido. Mira este ejemplo, es bastante fuerte. Se estudió el riesgo de morir por neumonía según si el paciente llegaba con compromiso de conciencia o no.

Valeria: Uf, suena serio.

Carlos: Lo es. El intervalo de confianza para el Riesgo Relativo fue de 2.6 a 7.8. Esto significa que, con un 95% de confianza, el riesgo de morir es entre 2.6 y 7.8 veces mayor si llegas con compromiso de conciencia. Es una diferencia brutal.

Valeria: ¡Es una locura! Entender ese número puede cambiar por completo la forma en que un médico trata a un paciente. Impresionante.

Carlos: Y ahí lo tienes. Pasamos de una simple tabla a entender la probabilidad de que dos cosas estén conectadas y, más aún, a medir la fuerza de esa conexión.

Valeria: Así es. Hoy hemos visto cómo las tablas de contingencia nos ayudan a organizar datos. Luego, el test Chi-cuadrado nos dice si una asociación es real o producto del azar.

Carlos: Y para rematar, el Odds Ratio y el Riesgo Relativo nos dan la magnitud de esa asociación, convirtiendo los datos en información súper valiosa, como factores de riesgo o de protección.

Valeria: Ha sido un viaje increíble por el mundo de la estadística inferencial. Carlos, como siempre, un placer tenerte aquí y que nos expliques todo de una forma tan clara. ¡Mil gracias!

Carlos: El placer ha sido mío, Valeria. Y a todos los que nos escuchan, ¡sigan haciendo preguntas! La estadística está ahí para responderlas.

Valeria: Y con esa gran reflexión, cerramos este episodio y esta temporada de Studyfi Podcast. Gracias por acompañarnos en este viaje de aprendizaje. ¡Hasta la próxima!