Un dato es un valor registrado, como una categoría, una fecha o una lectura. Se convierte en información útil cuando sabemos qué representa y para qué pregunta lo utilizamos. «¿Cambian las lecturas entre zonas de una maqueta?» exige identificar zona, lectura y condiciones. No exige nombres de quienes participan. La pregunta orienta qué recoger y qué dejar fuera. Reunir muchos números sin procedencia puede impedir una comparación, aunque la tabla parezca extensa. Por eso conviene definir antes la observación y las características que vamos a registrar.

Una muestra es el conjunto de observaciones que utilizamos. Sus resultados describen esos casos y no automáticamente todo el centro. Debemos distinguir datos didácticos proporcionados de datos obtenidos mediante una medición real. En la tarea podemos usar la muestra del aula o recoger veinte lecturas, cinco en cada zona ficticia A, B, C y D, anotando su origen. Si usamos micro:bit, la luz mantiene su escala 0–255 y no se convierte en lux. Mantener orientación y procedimiento comparables ayuda a investigar zonas sin confundir su efecto con otros cambios simultáneos.

Una tabla organiza observaciones en filas y características en columnas. Cada columna necesita un nombre y un significado estable. Zona es una categoría que permite agrupar; lectura es una cantidad comparable dentro de su escala; id identifica un registro. Un código escrito con cifras no es necesariamente una magnitud: sumar identificadores no describe luz. Un pequeño diccionario explica qué significa cada columna, qué valores admite y qué escala o unidad corresponde. Así otra persona puede entender la tabla sin depender de una explicación oral.

Revisar calidad significa buscar incoherencias, duplicados y ausencias sin modificar datos para conseguir el resultado deseado. Si falta una lectura, no la sustituyas automáticamente por cero: cero sería un valor que podría alterar la media. Tampoco elimines un dato extraño solo porque no encaja. Comprueba si hubo error de escritura o una condición distinta y anota la decisión. En Sheets verifica que las lecturas se reconocen como números y que no se mezclan escalas. Conserva la muestra original y documenta cambios. Una tabla limpia facilita analizar, pero su aspecto ordenado no garantiza que las observaciones respondan a la pregunta.

La media aritmética resume una serie mediante un valor obtenido al sumar sus cantidades y dividir entre el número de observaciones utilizadas. Permite comparar grupos, pero no describe por sí sola cómo varían sus datos. Dos series pueden tener la misma media y contener valores individuales muy distintos. Conservar la tabla permite examinar mínimos, máximos y distribución para interpretar ese resumen. La media resulta útil cuando sabemos de qué observaciones procede y qué pregunta queremos responder con la comparación.

En Google Sheets, PROMEDIO o AVERAGE calcula ese valor según la configuración de idioma. La fórmula trabaja con las celdas del intervalo seleccionado, por lo que necesitamos comprobar cuáles incluye y si sus lecturas están reconocidas como números. El texto puede quedar fuera del cálculo. En la tarea están previstos cinco valores por zona; revisar el intervalo y contrastar un grupo mediante suma y división manual permite comprobar que el resultado corresponde a los datos que pretendíamos resumir.

El gráfico de barras o columnas presenta visualmente la comparación entre categorías. Si cada barra representa una media por zona, el título debe explicarlo y los ejes deben identificar categorías y escala numérica. Para luz de micro:bit mantenemos lectura 0–255. Como comparamos mediante longitudes, comenzar en cero ayuda a no exagerar diferencias. La procedencia didáctica o medida y una explicación escrita completan la representación. El gráfico permite comparar la muestra estudiada; no demuestra causas que no hayamos investigado ni convierte esos casos en una descripción de todo el centro.

En el aviso de luz escribimos una comparación y sus respuestas. Un clasificador por aprendizaje automático ajusta un modelo utilizando ejemplos relacionados con clases. En una primera aproximación, entrenar significa ajustar esa relación; predecir significa producir una respuesta para una entrada. No escribimos a mano todas las características visuales que debe usar. Eso permite explorar tareas difíciles de expresar con una sola comparación, pero también hace importante investigar qué ejemplos proporcionamos y qué pistas podrían estar asociándose con las etiquetas.

Una clase es una categoría definida para la tarea, como un tipo de objeto. Su significado debe ser claro antes de recoger imágenes. Si un objeto mezcla características de las dos clases, necesitamos acordar si pertenece a una o queda fuera del experimento. El modelo no adquiere comprensión humana por mostrar una etiqueta. Puede apoyarse en forma, fondo, orientación u otras regularidades presentes. En Teachable Machine elegimos dos clases de objetos y utilizamos cámara o archivos autorizados sin personas. El objetivo es comprender el proceso y sus límites, no fabricar una herramienta capaz de reconocer cualquier cosa.

Entrenar y probar responden a preguntas distintas. Los ejemplos de entrenamiento sirven para ajustar el modelo; los de prueba permiten observar cómo responde después ante imágenes que no utilizó para ese ajuste. Reservarlos antes de entrenar mantiene esa separación. Generalizar significa responder a casos nuevos dentro de la tarea definida. Repetir una fotografía conocida puede ocultar dificultades para hacerlo, aunque obtengamos la etiqueta esperada. La prueba necesita aportar información distinta de la que ya sirvió para construir el modelo.

En el proyecto preparamos veinte imágenes diferentes de entrenamiento por clase y diez pruebas nuevas, cinco por clase. La variedad importa además de la cantidad: fotografías casi idénticas de una ráfaga repiten una situación y aportan poca independencia. Cambiar tomas, orientación y fondo para ambas clases evita asociar una pista solo a una categoría. Los archivos se identifican por objeto y finalidad, sin nombres de personas. La clase real se establece mediante la definición acordada antes de consultar la predicción.

Los errores de una prueba pueden orientar una mejora, pero esa revisión cambia el papel de la información utilizada. Si incorporamos una imagen de prueba al entrenamiento, deja de ser nueva y no demuestra por sí sola que la reparación funcione con otros casos. Necesitamos otra serie reservada, con cinco pruebas por clase y condiciones comparables. Registrar los conjuntos utilizados en cada versión permite aprender del fallo y distinguir ese aprendizaje de la comprobación posterior. La separación depende del contenido real de las imágenes, no solo del nombre de sus carpetas.

Para evaluar una prueba necesitamos clase real, predicción y comparación entre ambas. Un acierto ocurre cuando coinciden según la definición acordada. El porcentaje de aciertos se obtiene dividiendo aciertos entre total de pruebas y multiplicando por cien. El denominador importa: siete aciertos de diez no expresa lo mismo que siete de veinte. Escribe también las condiciones y cuántas pruebas corresponden a cada clase. Un resultado global puede ocultar que una categoría funciona peor. Conservar errores permite orientar una mejora en vez de mostrar solo los casos favorables.

El resultado describe la muestra ensayada; no garantiza un porcentaje fijo para cualquier cámara, aula u objeto. Las barras de confianza o puntuaciones del modelo tampoco son certificados de verdad. Puede equivocarse mostrando una puntuación alta y asignar una clase a un objeto que queda fuera de las categorías previstas. No está obligado a decir «no lo sé» si no se ha diseñado esa respuesta. La comprobación necesita una referencia revisada por personas. Si no aparecen errores en la primera serie, investiga una condición difícil sin inventar fallos ni descartar pruebas que contradigan una conclusión deseada.

Un conjunto de ejemplos puede contener desequilibrios o pistas poco representativas de la tarea. En este contexto hablamos de sesgo cuando un patrón de los datos favorece unas situaciones y deja otras mal representadas. Cantidades semejantes por clase ayudan a comparar, pero no garantizan variedad. Veinte fotos casi iguales pueden enseñar menos situaciones que una colección pensada con cambios de orientación y fondo. Para investigar una pista proponemos una hipótesis: quizá el fondo influye. La hipótesis no es una causa demostrada; necesita una prueba que cambie esa condición manteniendo otras.

La mejora se relaciona con el problema observado. Si una orientación de una clase falla, revisamos sus ejemplos y añadimos variedad pertinente sin eliminar del examen los casos difíciles. Después entrenamos la versión revisada y utilizamos otra serie nueva con condiciones comparables. Cambiar cámara, objetos, fondo y luz a la vez daría varias explicaciones posibles para la diferencia. Registra qué cambió en datos y modelo, qué se mantuvo y qué resultados obtuviste. Una mejora puede ser parcial o no aparecer; explicarlo con evidencia enseña más que asegurar éxito solo porque añadimos imágenes.

La adecuación de un modelo depende de su finalidad y de las consecuencias del error. Una sugerencia para ordenar objetos puede revisarse mirando el material; una decisión importante sobre personas necesitaría garantías que esta experiencia no ofrece. Antes de recomendar un uso, explica quién se beneficia, quién podría verse perjudicado y cómo se revisa la respuesta. No utilices nombres, caras o voces para hacer más llamativa la demostración. Los objetos autorizados permiten investigar las mismas ideas de entrenamiento, prueba y límite sin recopilar información personal innecesaria.

La documentación reúne pregunta, tabla, gráfico, clases, conjuntos separados, resultados y dos limitaciones. Distingue lo realizado, lo observado y lo propuesto. La ejecución del entrenamiento en navegador no equivale a que toda la herramienta funcione sin Internet ni a que cualquier exportación sea privada. Guardar un proyecto o compartirlo puede cambiar dónde quedan ejemplos y archivos; utiliza la configuración preparada por el centro. Conserva únicamente lo necesario según sus indicaciones. El producto final debe permitir revisar el procedimiento con sus datos y registros, aunque no publique un modelo abierto ni afirme una certificación de fiabilidad.