Ejercicios: Calidad de datos y valores ausentes

Una tabla de tiempos de reacción debe estar en milisegundos: 412; 450; $0,485$; 398; 430; 405. La hoja original confirma que el tercer dato está en segundos y los demás en milisegundos. Convierte ese dato y calcula la media de la serie corregida. Explica por qué la corrección se apoya en la hoja original y no solo en que el número parezca extraño.

Una encuesta guarda diez respuestas de consumo semanal de fruta: 3; 0; 5; 0; 2; 0; 4; 0; 1; 0. La hoja original confirma que dos ceros significan consumo nulo y tres provienen de casillas vacías que el software convirtió en cero. Calcula la media de los casos con respuesta válida y compárala con la obtenida usando las diez filas. ¿Conoces con ello la media real de las diez personas?

En una base de datos de enfermería hospitalaria se audita la variable frecuencia cardíaca en reposo (latidos por minuto) de ocho pacientes adultos ingresados: 72; 68; 1850; 75; 80; 64; 70; 76. El personal supervisor establece un rango admisible de plausibilidad biológica de 35 a 220 latidos por minuto para reposo. Identifique el registro fuera de rango, clasifíquelo y calcule la mediana con los datos válidos ordenados.

Un centro de rehabilitación registra las fechas de ingreso y de alta motora en días transcurridos desde el 1 de enero. Para cuatro usuarios se registraron los pares de días (ingreso; alta): Usuario A (12; 45), Usuario B (30; 25), Usuario C (15; 60) y Usuario D (40; 40). Determine cuál usuario presenta una incoherencia temporal lógica insostenible, justifique la respuesta y calcule la estancia media en días considerando únicamente los casos temporalmente coherentes donde el alta es posterior al ingreso.

Al fusionar dos listas de una encuesta telefónica sobre hábitos de sueño, se detecta que dos participantes aparecen dos veces con idénticos valores en todas las variables. El archivo consolidado contiene 12 registros en total, de los cuales 2 son duplicados redundantes exactos. Calcule la tasa porcentual de duplicación respecto al tamaño bruto inicial y señale el tamaño de muestra limpio final tras eliminar los duplicados.

En 100 participantes se registran tres ítems: Físico, Emocional y Social. Faltan respectivamente 5; 12 y 20 respuestas, como muestra el gráfico. Respondieron los tres ítems 70 personas; 25 omitieron exactamente uno, tres omitieron dos y dos omitieron los tres. Calcula el porcentaje de casos completos y el número total de celdas ausentes por dos vías. Comprueba que ambos recuentos concuerdan.

El gráfico muestra los datos del ejercicio.

Un equipo de enfermería investiga niveles de glucemia en ayunas ($X$, en mg/dL) en cinco pacientes. Dos pacientes fueron registrados con glucómetros calibrados en mmol/L (valores: 5,0 y 6,0), mientras que tres se registraron en mg/dL (valores: 90; 110; 130). Sabiendo que el factor de conversión estandarizado es $1\text{ mmol/L} = 18,0\text{ mg/dL}$, homogeneice todos los valores a mg/dL y calcule la media y la desviación típica muestral corregida ($s$) de la serie unificada.

En un cuestionario sobre somnolencia diurna de 8 preguntas aplicado a 50 conductores, se compara el análisis por casos completos (listwise) frente al análisis por casos disponibles (pairwise). En la correlación entre las preguntas 1 y 2; 42 conductores tienen datos en ambas. En cambio, sólo 35 conductores respondieron la totalidad de las 8 preguntas. Calcule los tamaños muestrales efectivos ($n$) para ambos enfoques y la diferencia porcentual de datos aprovechados respecto a la muestra total.

En una prueba de laboratorio se registran concentraciones en nmol/L: 14; 16; 15; 999; 18; 12; 999; 17; 13; 16. El código 999 significa muestra insuficiente. Calcula la media errónea al incluir esos códigos, la media entre las ocho mediciones válidas y la diferencia absoluta. Explica si la segunda media representa necesariamente a los diez participantes.

Defina brevemente la diferencia conceptual entre pérdidas completamente al azar (MCAR) y pérdidas al azar (MAR). A continuación, evalúe la siguiente afirmación formulada en una investigación de psicología de la salud: «Dado que no hallamos diferencias estadísticamente significativas entre quienes respondieron y quienes abandonaron, queda demostrado de manera incontrovertible que el mecanismo es MCAR». Razone su veredicto sin atribuir diagnósticos clínicos.

Una auditoría compara edad declarada y año de nacimiento a 1 de julio de 2024. Se sabe que las cuatro personas ya habían cumplido años ese año. Los pares (año; edad) son (1994;30), (2004;40), (1984;40) y (1974;25). Los años fueron verificados documentalmente. Identifica las edades incoherentes, corrígelas y calcula la media. Explica qué información faltaría si no se supiera si ya cumplieron años.

Una tabla docente de ángulos contiene: $110^\circ$; un registro «1,150» sin unidad fiable; $95^\circ$; $1,57$ rad; $105^\circ$. La hoja original confirma que el segundo valor era $115^\circ$. Para este ejercicio se convierte $1,57$ rad usando el valor aproximado $90^\circ$. Homogeneiza la serie y calcula su rango a grados enteros. Explica por qué no bastaba reinterpretar automáticamente «1,150» como un separador extranjero.

Ocho de diez participantes responden una escala de 0 a 100: 60; 65; 70; 72; 68; 75; 80; 90. Se comparan dos escenarios de sensibilidad para los dos ausentes: asignarles 90 a ambos o 60 a ambos. Calcula las medias y su diferencia. ¿Son estos los límites absolutos posibles con el rango de la escala? Calcula también esos límites.

Un registro de limpieza comienza con 200 filas. Primero se eliminan 10 duplicados; después se excluye el $10\%$ de las filas restantes por superar un umbral predefinido de ausencias; finalmente se excluyen nueve registros con errores no resolubles. Calcula las filas finales y el porcentaje global de reducción. Explica por qué conviene documentar el denominador de cada etapa.

En un estudio observacional de adhesión a la rehabilitación, la variable $Y$ representa sesiones completadas (escala 0 a 20). De 12 pacientes, 4 tienen valor ausente en $Y$. Se sospecha que el mecanismo es MNAR (la falta de registro se debe a abandono por baja asistencia). Los 8 casos observados son: 14; 16; 18; 15; 17; 19; 13; 16. Si el analista calcula la media de casos completos, obtendrá un valor. Si aplica imputación por peor escenario asignando $0$ sesiones a los ausentes, obtendrá otro. Calcule ambas medias y comente la discrepancia.

Una batería psicológica consta de dos subescalas, Ansiedad ($A$, rango 0–50) y Depresión ($D$, rango 0–50), más una Puntuación Global ($G = A + D$). Al auditar seis registros se observa: P1 (20; 30; 50), P2 (15; 25; 45), P3 (40; 10; 50), P4 (55; 20; 75), P5 (10; 15; 25), P6 (30; 35; 65). Aplique dos reglas de coherencia: 1) las subescalas deben estar en $[0; 50]$; 2) $G$ debe ser exactamente $A + D$. Identifique los registros que violan cada regla y calcule la media de $G$ en los registros plenamente válidos.

Se miden las variables $X$ (horas de sueño) e $Y$ (alerta subjetiva de 1 a 10) en seis sujetos: S1 (7; 8), S2 (6; 6), S3 (8; ausente), S4 (ausente; 5), S5 (5; 4), S6 (7; 7). Compare el cálculo de las medias univariadas de $X$ e $Y$ usando el método de casos completos (listwise) frente al de casos disponibles (pairwise). Calcule la diferencia entre las medias obtenidas por ambos métodos para cada variable.

Los días de baja de siete personas se registraron como 0; 12; 15; 18; 20; 25; 140. La fuente confirma que 0 significaba «no contesta» y que 140 era un error por 14. Calcula el rango intercuartílico antes y después de corregir. Para ambos casos, ordena los datos y sitúa el cuantil de proporción $p$ en $h=(n+1)p$; si $h=j+f$, interpola como $x_j+f(x_{j+1}-x_j)$. Usa $p=0,25$ y $0,75$.