All language subtitles for gis-capstone - 16 - Data Quality (Review from Data Formats, Design, & Quality).es

[MÚSICA]

Hola de nuevo y bienvenido de nuevo.

En esta conferencia, continuaremos donde lo dejamos en la última conferencia discutiendo los

tipos de incertidumbre que afectan nuestro análisis, y

cómo podemos considerarlos cuando diseñamos nuestros estudios espaciales.

En esta conferencia, cubriremos la incertidumbre de nuestros dispositivos de medición, la

incertidumbre de cómo representamos y almacenamos nuestros datos, y

luego la incertidumbre de cómo analizamos nuestros datos.

El primer tipo de incertidumbre, la incertidumbre de la medición,

es probablemente el tipo más fácil de entender intuitivamente.

Esta es la área que se introduce debido a los límites de nuestros dispositivos de detección,

o debido a las condiciones en las que estábamos recopilando nuestros datos.

Por ejemplo, algunos GPS sólo tienen una precisión de unos ocho metros aproximadamente.

Dentro de esa área, no podemos decir con certeza que las coordenadas que tenemos

son las coordenadas exactas, si están aquí o si están aquí.

Pero sabemos que estamos cerca.

Para una colección de mediciones que están más separadas del margen de error,

esto suele estar bien.

Pero al tratar de analizar las distancias entre puntos que están dentro

del margen de error del dispositivo de detección,

entonces necesitamos entender las limitaciones que esto impone a nuestro análisis.

También podemos poner límites de error en nuestro análisis y decir cosas como el Monte Everest

mide 8.850 metros de altura, más o menos unos cinco metros.

En realidad no sabemos la altura exacta, podría ser 8.855, o

podría ser 8.845, o en cualquier lugar intermedio.

Una vez más, puede que no importe porque nuestro análisis podría no

depender de ese alto nivel de precisión, pero

hay muchas situaciones que podría necesitar tenerlo en cuenta.

Además, es importante recordar que la tierra está cambiando y

es un sistema dinámico, y esto puede afectar las mediciones que hemos tomado previamente

y cómo trabajamos con ellas con mediciones que tomaremos en el futuro.

De vuelta en la oficina, si estuviéramos creando datos a través del proceso de digitalización,

como lo hicimos en este curso,

necesitamos entender cómo podemos introducir errores en nuestros datos en el proceso.

Lo discutimos un poco cuando aprendimos acerca de la digitalización, pero sabemos que a veces

es posible que no se alinee correctamente con los datos originales que está digitalizando.

Estarás fuera un poco a un lado, o puedes terminarlo demasiado pronto, o

un poco demasiado tarde.

Así que estamos insertando pequeños fragmentos de error en nuestros datos.

Aquí es donde es importante saber en qué escala se digitalizaron los datos para que

pueda conocer los límites del análisis.

A una escala más refinada, verás que esos errores empiezan a entrar.

Esta incertidumbre también se extiende a diferentes linajes de datos.

Durante un tiempo en California hubo múltiples conjuntos de datos competitivos para la

información fluvial.

Si quisiera analizar datos construidos para uno de aquellos con datos construidos en el otro

conjunto de datos, necesitaría tomar algún tipo de medida correctiva que tenga en cuenta

que estos datos se generaron a partir de diferentes fuentes.

La siguiente fuente importante de incertidumbre es la incertidumbre en cómo representamos nuestros datos.

El ejemplo clásico de esto es, un píxel ráster mixto donde las entidades subyacentes

no necesariamente se alinean perfectamente con los límites del píxel ráster.

Esto es similar a los problemas de regionalización que discutimos en la

conferencia anterior, pero ligeramente diferente.

Nuestra elección del tipo de datos y parámetros, necesariamente generaliza nuestros datos aquí.

Donde el mundo real es muy detallado, un ráster contiene solo el único valor.

Nuestro método para elegir el valor en el ráster contiene basado en el mundo real

puede afectar significativamente nuestro análisis de datos porque las clasificaciones completas de la

información pueden desaparecer según la elección.

¿ Clasificamos nuestros datos en función de cuál es el más dominante dentro

de la celda ráster?

¿ O elegimos cuál está en el centro de la celda ráster?

¿ O usamos otros criterios?

Un problema similar ocurre si tratamos de agregar información en los datos de puntos

en los datos del polígono.

Algunos polígonos sólo pueden contener un puñado de puntos,

mientras que otros tienen información detallada en muchos puntos.

Estos polígonos con pocas muestras de datos tal vez sesgados en relación con los otros polígonos.

Si estamos agregando polígonos que no fueron dibujados en base a algún tema compartido

en los puntos, entonces tal vez los límites de polígonos estén sesgando nuestra agregación.

Es decir, la forma de las entidades poligonales se eligió en función de

otros criterios distintos a los que elegimos agregar.

Del mismo modo, tal vez algunos polígonos solo tengan puntos en una esquina,

lo que significa que el polígono está sesgado por la falta de información

del resto de las ubicaciones dentro del polígono.

Imagina que tenemos puntos que representan incidentes criminales en una ciudad.

Podríamos agregar estadísticas de estos incidentes a

distritos policiales de la ciudad.

Pero podríamos ver patrones diferentes haciendo eso que si nos

agregáramos a distritos electorales o distritos de servicios públicos, etc.

Cada uno de estos podría ser informativo, pero

cuando los límites no significan nada para los datos originales, y a

veces incluso cuando lo hacen, es posible que obtengas artefactos en su resultado.

Tendrá que evaluar si las tendencias que ve son reales, o

el resultado de una agregación mal elegida y mal alineada.

Un caso más general de esto es el problema de la unidad de área modificable, o

el MAUP, que básicamente dice que cuando estamos creando zonas de análisis o polígonos,

el número, tamaño y forma de estas zonas pueden afectar drásticamente el análisis.

Si duplicara el tamaño de las zonas de análisis para el

análisis de salud pública, por ejemplo,

podría obtener resultados muy diferentes a los de las zonas más pequeñas originales.

Elegir entre ellos no es simple, y puede que no haya un conjunto objetivo de

criterios para tomar la decisión de qué tamaño y forma debe ser su zona.

Una consideración final es algo que llamamos la falacia ecológica.

La falacia ecológica es una falacia lógica que trata de

si una característica de una zona o polígono es en realidad una característica

de las ubicaciones o individuos dentro de esa zona. Si

bien tratamos los datos como si fuera así,

sabemos por experiencia que a menudo no lo son.

Si nuestros datos tienen un nivel de ingreso medio para

un polígono, no es que todos dentro de esa zona ganen esa cantidad de dinero.

Podría haber gente ganando sustancialmente menos o sustancialmente más.

Del mismo modo, si hacemos inferencias basadas en estos datos, necesitamos entender que

tal vez no se aplique, y probablemente no lo hará, precisamente a los individuos del grupo.

Cuando estamos construyendo nuestros datos,

es importante que comprendamos la variabilidad como esta que descartamos

en la búsqueda de datos que satisfagan nuestras necesidades.

Vale, eso es todo para esta conferencia.

En esta conferencia, discutimos las fuentes de error de

nuestras herramientas de medición, así como de cómo representamos los datos.

También discutimos el problema de la unidad de área modificable y

cómo puede distorsionar nuestros resultados, y la falacia ecológica y

cómo podemos aplicar incorrectamente resultados válidos a una situación inválida

aplicando inferencias de un grupo o área a un individuo.

A continuación, vamos a hablar de topología.

Nos vemos la próxima vez.