{"id":1960,"date":"2021-05-11T09:24:59","date_gmt":"2021-05-11T09:24:59","guid":{"rendered":"https:\/\/keepler.io\/2021\/05\/11\/visualizacion-de-series-temporales\/"},"modified":"2023-11-23T12:21:44","modified_gmt":"2023-11-23T12:21:44","slug":"visualizacion-de-series-temporales","status":"publish","type":"post","link":"https:\/\/keepler.io\/es\/2021\/05\/11\/visualizacion-de-series-temporales\/","title":{"rendered":"Visualizaci\u00f3n de series temporales"},"content":{"rendered":"

En 2017, <\/span>Ed Hawkins<\/span><\/a>, climat\u00f3logo del Centro Nacional de Ciencia Atmosf\u00e9rica, cre\u00f3 una de las visualizaciones de series temporales m\u00e1s populares del momento al representar de una forma minimalista los cambios que ha sufrido la temperatura media global anual para todo el hist\u00f3rico disponible (1850 – actualidad), tal y como se puede ver en la figura que encabeza este art\u00edculo. La idea era ver de una forma clara y concisa informaci\u00f3n procedente de cientos de datos y sacar la conclusi\u00f3n, m\u00e1s que evidente, de que <\/span>la temperatura media global se ha ido incrementando progresivamente<\/b>.\u00a0<\/span><\/p>\n

El 21 de junio de 2019 se populariz\u00f3 esta representaci\u00f3n mediante el lanzamiento de la web <\/span>showyourstripes.info<\/span><\/a>, en donde mediante un sencillo buscador se puede consultar y descargar dichas representaciones hasta un nivel de definici\u00f3n de pa\u00eds. Por ejemplo, en la Figura 1 se muestra los cambios de la temperatura media de Espa\u00f1a desde principios del siglo XX hasta el a\u00f1o 2020. La industria del <\/span>merchandising <\/span><\/i>aprovech\u00f3 el boom y cre\u00f3 <\/span>todo tipo de productos<\/span><\/a> empleando como imagen las barras de temperaturas de diferentes pa\u00edses o ciudades.<\/span><\/p>\n

\"\"

Figura 1. #ShowYourStripes Espa\u00f1a. Fuente: showyourstripes.info<\/p><\/div>\n

Series temporales<\/span><\/h3>\n

Una serie temporal no es m\u00e1s que un conjunto de datos ordenados cronol\u00f3gicamente cuya representaci\u00f3n permite observar tendencias, estacionalidad y anomal\u00edas<\/b>, como se puede ver en la Figura 2, en donde est\u00e1 representada la evoluci\u00f3n a lo largo del tiempo del cambio de d\u00f3lares a euros.<\/span><\/p>\n

\"\"

Figura 2. Evoluci\u00f3n del cambio de d\u00f3lares a euros. Fuente: https:\/\/www.highcharts.com<\/a><\/p><\/div>\n

Las series temporales est\u00e1n presentes en pr\u00e1cticamente todas las \u00e1reas de investigaci\u00f3n y todos los \u00e1mbitos de la sociedad. Es muy com\u00fan monitorizar datos asociados a un paso de tiempo para su posterior an\u00e1lisis y previsi\u00f3n. Sin ir m\u00e1s lejos, desde hace un a\u00f1o estamos muy acostumbrados, por desgracia, a ver a diario las series temporales de datos relacionados con la COVID-19. De hecho, desde el inicio de la pandemia, el p\u00fablico no acostumbrado a extraer conclusiones a partir de gr\u00e1ficos se ha ido familiarizando con ellos. <\/span><\/p>\n

Visualizando una pandemia<\/span><\/h3>\n

E<\/span>l 19 de marzo de 2020 se viraliz\u00f3 el art\u00edculo <\/span>Coronavirus: The Hammer and the Dance<\/span><\/i><\/a> (continuaci\u00f3n de una primera parte llamada <\/span>Why You Must Act Now<\/span><\/i><\/a>). Con m\u00e1s de 100K likes en Medium y medio millar de comentarios, Tom\u00e1s Pueyo expuso en unos cuantos gr\u00e1ficos algunos escenarios posibles a los que nos ver\u00edamos abocados si no tom\u00e1bamos medidas (o s\u00ed) de cara a frenar la expansi\u00f3n de la pandemia. Consigui\u00f3 sintetizar<\/span> las distintas series temporales de una forma muy clara para el gran p\u00fablico, ejemplo que posteriormente tomaron grandes medios de comunicaci\u00f3n para ir monitorizando la evoluci\u00f3n de la pandemia.\u00a0<\/span><\/p>\n

El primer gr\u00e1fico que emple\u00f3 para lanzar los dos mensajes principales del art\u00edculo lo hemos recogido en la Figura 3. Rompiendo varias \u201creglas\u201d de la representaci\u00f3n de datos, elimin\u00f3 valores del eje <\/span>y<\/span><\/i>, hizo lo que quiso con el eje temporal<\/span> x<\/span><\/i>, y de paso pint\u00f3 ambos ejes con un color gris claro para que la relevancia que normalmente tienen pasara a un segundo plano. As\u00ed las curvas son las que captan la atenci\u00f3n del lector sin importar demasiado los valores exactos que toman en un determinado instante de tiempo (\u00bfacaso alguien sab\u00eda en aquellas fechas cu\u00e1ntos casos iba a haber dentro de 3 o 4 semanas?). Adem\u00e1s, al evitar el uso de valores en el eje <\/span>y<\/span><\/i> consigui\u00f3 generalizar el gr\u00e1fico para cualquier pa\u00eds.<\/span><\/p>\n

\"\"

Figura 3. El martillo y la danza. Fuente: Tom\u00e1s Pueyo. Medium.<\/p><\/div>\n

Los dos mensajes que se extraen de la representaci\u00f3n son:\u00a0<\/span><\/p>\n

    \n
  1. \u00bfQu\u00e9 pasar\u00eda si no tomamos medidas o las tomamos de forma superficial?<\/b> Color negro y rojo, asociados a error o peligro. No nos gustar\u00eda estar en esa situaci\u00f3n.<\/span><\/li>\n
  2. \u00bfY si tomamos medidas fuertes y golpeamos al virus<\/b>? Esa es la curva verde (color asociado a lo correcto, la situaci\u00f3n a la que nos gustar\u00eda llegar). Vemos en una primera parte de la serie que el n\u00famero de casos de coronavirus alcanza el m\u00e1ximo durante el \u201cmartillazo\u201d \u2013 que corresponde a un confinamiento duro \u2013 para posteriormente ir disminuyendo hasta una situaci\u00f3n denominada \u201cThe Dance<\/i>\u201d \u2013 la danza \u2013, en donde tendremos que ir bailando con el virus para evitar que se dispare y venga una segunda ola, y luego una tercera, y despu\u00e9s\u2026<\/li>\n<\/ol>\n

    El ejemplo visto es un caso t\u00edpico de representaci\u00f3n de series temporales con l\u00edneas<\/strong>, aunque en esa figura en cuesti\u00f3n el autor ha sido bastante avispado como para ofrecer al lector exactamente el mensaje que quiere transmitir sin que \u00e9ste tenga que dar demasiadas vueltas a los datos. Sin embargo, durante la primera parte de la pandemia, sobre todo durante el confinamiento estricto, los grandes medios de comunicaci\u00f3n empezaron a mover la maquinaria para sacar cada vez m\u00e1s gr\u00e1ficos sobre la evoluci\u00f3n de la pandemia. Algunos generaban ruido porque no hab\u00eda quien entendiera nada a partir de ellos, pero otros, como el <\/span>The New York Times<\/span><\/i> o <\/span>El Pa\u00eds<\/span><\/i>, monitorizaron la pandemia <\/strong><\/span>\u2013<\/span> y contin\u00faan\u00a0 haci\u00e9ndolo <\/span>\u2013<\/span> explorando nuevas formas de hacer f\u00e1cil lo dif\u00edcil mediante visualizaciones claras. Un ejemplo es el mostrado en la Figura 4. Se trata de una gr\u00e1fica recortada del <\/span>The New York Times<\/span><\/i> (la original muestra los datos para todos los estados de EEUU) en la que podemos distinguir tres partes de izquierda a derecha:\u00a0 <\/span><\/p>\n

      \n
    1. Regi\u00f3n y rango temporal.\u00a0<\/span><\/li>\n
    2. Datos agregados de muertes por COVID-19 y n\u00ba total de exceso de muertes para todo el rango temporal. Es decir, en el caso de EEUU entre el 15 de marzo de 2020 y el 30 de enero de 2021 se reportaron 439375 muertes por COVID-19, mientras que para ese mismo periodo hubo un exceso de muertes frente a una situaci\u00f3n \u201cnormal\u201d (dato calculado a partir de un hist\u00f3rico que se puede consultar en la fuente original) de 512900. Adem\u00e1s se indica el porcentaje que supone ese exceso de muertes sobre lo normal de otros a\u00f1os.\u00a0\u00a0<\/span><\/li>\n
    3. Serie temporal del exceso de muertes usando un gr\u00e1fico de \u00e1rea que nos permite observar tendencias y comparar los excesos de muertes a lo largo del periodo de an\u00e1lisis. As\u00ed conclu\u00edmos que en marzo se encuentra el m\u00e1ximo global, mientras que se dieron un par de m\u00e1ximos locales en agosto y finales de diciembre, coincidiendo con la segunda y tercera ola.\u00a0<\/span><\/li>\n<\/ol>\n
      \"\"

      Figura 4. Muertes semanales sobre\/bajo la normal. Fuente: The New York Times. Gr\u00e1fico completo.<\/p><\/div>\n

      La Figura 4 es s\u00f3lo un ejemplo de c\u00f3mo sintetizar grandes cantidades de datos que evolucionan con el tiempo procedentes de diversas fuentes con el objetivo de que el lector saque sus propias conclusiones. La idea, en este caso, es facilitar la comprensi\u00f3n de los datos. En cambio, en otras ocasiones, tal y como comentamos en el gr\u00e1fico de la Figura 3, el autor quiere guiar al lector a una conclusi\u00f3n.\u00a0<\/span><\/p>\n

      Logaritmos en prime time\u00a0<\/span><\/h3>\n

      A las pocas semanas del inicio de la pandemia en Europa, comenzamos a ver que algunos medios de comunicaci\u00f3n mostraban la <\/span>evoluci\u00f3n de los nuevos casos de coronavirus en escala logar\u00edtmica<\/b>. Me llam\u00f3 la atenci\u00f3n porque fueron varias las personas que me preguntaron qu\u00e9 era un logaritmo y por qu\u00e9 hab\u00eda que usar la escala logar\u00edtmica para representar la evoluci\u00f3n de una pandemia. No obstante, se hab\u00edan quedado con la copla de que lo importante era que en escala logar\u00edtmica se pod\u00eda ver mejor si el ritmo de crecimiento de los nuevos casos se ralentizaba, se estancaba y progresivamente iba disminuyendo. <\/span><\/p>\n

      \"\"

      Figura 5. Positivos, muertes y recuperados por la COVID-19. Fuente: Elaboraci\u00f3n propia<\/a><\/p><\/div>\n

      En la Figura 5 se muestra un ejemplo de gr\u00e1fico de la <\/span>evoluci\u00f3n de los casos, muertes y recuperados durante los primeros dos meses desde que se detectaron los 100 primeros casos de coronavirus en Espa\u00f1a<\/b>. Es la famosa curva que tantas veces vimos durante los meses m\u00e1s duros de la pandemia y con la que aprendimos que lo importante era\u00a0 \u201caplanar la curva\u201d. En la gr\u00e1fica de la izquierda est\u00e1n representados los datos en escala lineal y en la de la derecha en escala logar\u00edtmica (eje <\/span>y<\/span><\/i>) y lineal (eje <\/span>x<\/span><\/i>). Si nos fijamos bien, los datos del eje <\/span>y<\/span><\/i> en escala lineal est\u00e1n equiespaciados, mientras que los de la gr\u00e1fica en escala logar\u00edtmica no. Como el ritmo de crecimiento de nuevos casos en todas las pandemias es muy r\u00e1pido durante las primeras fases, la mejor manera de visualizar los datos es mediante este tipo de escala. Se suelen emplear cuando el<\/span> rango de valores que toman los datos es muy amplio<\/b>. Este ejemplo, adem\u00e1s, nos sirve para se\u00f1alar que si la curva de la gr\u00e1fica de la derecha se va aplanando, significa que el ritmo de crecimiento de contagios (l\u00ednea roja) se est\u00e1 ralentizando; si es plana (paralela al eje <\/span>x<\/span><\/i>), nos indica que d\u00eda tras d\u00eda el n\u00famero de contagios es el mismo. Y si empieza a decrecer es que cada registro diario de nuevos casos es inferior al del d\u00eda anterior.\u00a0<\/span><\/p>\n

      Estas conclusiones no son tan evidentes si empleamos el gr\u00e1fico de la izquierda. De hecho, es complicado sacar una conclusi\u00f3n acerca del ritmo de crecimiento de la pandemia observando \u00fanicamente la curva roja de la gr\u00e1fica de la izquierda, mientras que si empleamos la escala logar\u00edtmica se ve claramente que se est\u00e1 estabilizando. <\/span><\/p>\n

      M\u00e1s all\u00e1 de las l\u00edneas<\/span><\/h3>\n

      Las series temporales se suelen representar en gr\u00e1ficos de dos dimensiones, en donde el eje horizontal, tal y como hemos visto anteriormente, representa la escala temporal y el eje vertical el valor asociado a cada paso de tiempo. Sin embargo, dependiendo del problema al que nos enfrentemos, la forma de visualizaci\u00f3n no tiene por qu\u00e9 ser la id\u00f3nea para el objetivo que se persigue.\u00a0<\/span><\/p>\n

      Con la idea en mente de que una serie temporal es un conjunto de valores asociados a momentos en el tiempo, <\/span>hay representaciones que van m\u00e1s all\u00e1 de las l\u00edneas porque el mensaje que se quiere transmitir est\u00e1 mejor dirigido evitando el uso de l\u00edneas<\/b>. Por ejemplo, continuando con el caso que se expuso al inicio, en la Figura 6 est\u00e1 representada la serie temporal de la desviaci\u00f3n de la temperatura media global con respecto a la media 1850-1900. Los datos son pr\u00e1cticamente los mismos que los empleados para crear la figura que encabeza este art\u00edculo, pero llegan a un nivel temporal mensual. Se podr\u00eda haber optado por representar los datos con una \u00fanica l\u00ednea (eje <\/span>x<\/span><\/i> tiempo, eje <\/span>y<\/span><\/i> anomal\u00eda de la temperatura), pero esta representaci\u00f3n es m\u00e1s llamativa, capta mejor la informaci\u00f3n y, lo que es m\u00e1s importante, facilita al lector la extracci\u00f3n de conclusiones.\u00a0<\/span><\/p>\n

      \"\"

      Figura 6. Anomal\u00eda de la temperatura media global. Fuente: @neilkaye<\/p><\/div>\n

      M\u00e1s sofisticada a\u00fan, aunque menos \u00fatil ya que no puede ser impresa, es la visualizaci\u00f3n de esta misma serie representada de dos formas distintas en la Figura 7. Este tipo de figuras, al igual que sucede con la Figura 6, parten de un mensaje basado en una conclusi\u00f3n previa que ya se ha mencionado anteriormente: el cambio en la temperatura media global se ha ido incrementando durante los \u00faltimos 100 a\u00f1os. As\u00ed pues, <\/span>estas representaciones buscan lanzar un mensaje claro que el autor ya ha obtenido mediante un an\u00e1lisis previo en el que\u00a0 otro tipo de visualizaciones basadas en l\u00edneas son m\u00e1s adecuadas<\/b>.\u00a0<\/span><\/p>\n

      Figura 7. Anomal\u00eda de la temperatura media global. Fuente: https:\/\/www.climate-lab-book.ac.uk\/<\/a><\/span><\/p>\n

      Por \u00faltimo, volviendo a la serie temporal que nos lleva persiguiendo un a\u00f1o, el pasado febrero, el peri\u00f3dico <\/span>The New York Times sac\u00f3 en portada<\/span><\/a> una representaci\u00f3n de una serie temporal que rompe con los est\u00e1ndares habituales. En la Figura 8 vemos c\u00f3mo en vez de representar el n\u00famero de fallecidos por la COVID-19 a lo largo del tiempo empleando una l\u00ednea (eje <\/span>x<\/span><\/i> tiempo, eje <\/span>y<\/span><\/i> n\u00famero de fallecidos), decidieron jugar con la visualizaci\u00f3n y pintar cada fallecido con un punto. En este gr\u00e1fico cada regi\u00f3n comprendida entre dos l\u00edneas rojas contiene 50000 puntos. Adem\u00e1s, estas l\u00edneas est\u00e1n separadas en funci\u00f3n del n\u00famero de d\u00edas que transcurrieron hasta alcanzar el siguiente grupo de 50000 fallecidos. De esta manera podemos ver zonas de mayor y menor densidad, intuir cu\u00e1ndo el ritmo de fallecimientos se ha incrementando y, al usar puntos, tratar de transmitir lo que muchos gr\u00e1ficos no pueden: un punto es un fallecido.<\/span><\/p>\n

      \"\"

      Figura 8. Portada del The New York Times. Fuente: The New York Times.<\/p><\/div>\n

      Este \u00faltimo caso de visualizaci\u00f3n de series temporales es quiz\u00e1 uno de los m\u00e1s originales a la hora de escoger qu\u00e9 representaci\u00f3n transmite mejor el mensaje que el autor desea trasladar a la audiencia<\/strong>. Adem\u00e1s, se trata de un buen ejemplo de hacia d\u00f3nde deber\u00eda enfocarse el periodismo centrado en datos. Explorar nuevas formas de comunicar un mensaje mediante gr\u00e1ficos no es una tarea sencilla ni mucho menos banal, sobre todo teniendo en cuenta que vivimos en tiempos en los que la informaci\u00f3n se consume de forma muy visual. Buscar la mejor representaci\u00f3n, no solo en el \u00e1mbito de la informaci\u00f3n sino en cualquier \u00e1rea, debe pasar por una fase previa en la que el autor se pregunte qu\u00e9 quiere decir para posteriormente decidir cu\u00e1l es la mejor manera de transmitirlo.\u00a0<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

      En 2017, Ed Hawkins, climat\u00f3logo del Centro Nacional de Ciencia Atmosf\u00e9rica, cre\u00f3 una de las visualizaciones de series temporales m\u00e1s populares del momento al representar de una forma minimalista los cambios que ha sufrido la temperatura media global anual para todo el hist\u00f3rico disponible (1850 – actualidad), tal y como se puede ver en la […]<\/p>\n","protected":false},"author":134360170,"featured_media":1685,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[226],"tags":[296,293,242,283],"class_list":["post-1960","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data","tag-data-es","tag-data-science-es","tag-dataviz-es","tag-tecnologia"],"jetpack_publicize_connections":[],"jetpack_shortlink":"https:\/\/wp.me\/p9CeZw-vC","jetpack_sharing_enabled":true,"jetpack_featured_media_url":"https:\/\/i0.wp.com\/keepler.io\/wp-content\/uploads\/2021\/05\/visualizacion-series-temporales.jpg?fit=1280%2C452&ssl=1","_links":{"self":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/1960","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/users\/134360170"}],"replies":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/comments?post=1960"}],"version-history":[{"count":3,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/1960\/revisions"}],"predecessor-version":[{"id":39373,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/posts\/1960\/revisions\/39373"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/media\/1685"}],"wp:attachment":[{"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/media?parent=1960"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/categories?post=1960"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/keepler.io\/es\/wp-json\/wp\/v2\/tags?post=1960"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}