Una tesis de Ciencia de Datos vive o muere según la calidad y la trazabilidad de su dataset. Usar un conjunto de datos sin poder documentar de dónde salió, cuándo se extrajo y bajo qué licencia se puede usar es un motivo frecuente por el que un jurado cuestiona la reproducibilidad de un proyecto. Aquí tienes repositorios útiles —con presencia mexicana o de alcance internacional bien establecido— y el formato para citar un dataset en APA 7.
A diferencia de una tesis de corte cualitativo, donde la fuente de información suele ser un texto o una entrevista, en Ciencia de Datos la fuente es un archivo estructurado que tu modelo consume directamente. Eso significa que cualquier problema de procedencia, actualización o sesgo en el dataset se traslada automáticamente a tus resultados: la sección de fuentes de datos de tu tesis no es un trámite bibliográfico, es una pieza central de tu validez metodológica.
Antes de comprometerte con un dataset, verifica también su tamaño real frente al alcance de tu tesis: un dataset de varios millones de registros puede exigir capacidad de cómputo que tu equipo personal no tiene, mientras que uno demasiado pequeño puede no sostener un modelo de aprendizaje profundo. Esta verificación de factibilidad técnica, antes de comprometerte con una fuente, evita descubrir el problema a mitad del semestre. Como regla general, revisa también si el dataset viene acompañado de un diccionario de variables (data dictionary): su ausencia es una señal de alerta sobre qué tan bien documentada está la fuente, más allá de su popularidad en la plataforma donde la encontraste.
datos.gob.mx: el portal nacional de datos abiertos
datos.gob.mx es el catálogo del Gobierno de México que agrega conjuntos de datos abiertos publicados por distintas dependencias —salud, educación, movilidad, seguridad, medio ambiente—, con la licencia de uso declarada en la ficha de cada conjunto de datos. Es un buen primer lugar donde buscar si tu tesis analiza un fenómeno mexicano con datos gubernamentales ya estructurados, antes de tener que solicitar la información por transparencia.
Cómo citarlo en APA 7:
Nombre de la dependencia responsable. (Año). Nombre exacto del conjunto de datos [Conjunto de datos]. datos.gob.mx. URL
INEGI: microdatos de sus encuestas y censos
Más allá de sus tabulados públicos, el INEGI pone a disposición los microdatos (bases de datos a nivel de registro, no solo agregados) de encuestas como la ENIGH (Encuesta Nacional de Ingresos y Gastos de los Hogares) y la ENOE (Encuesta Nacional de Ocupación y Empleo), así como del Censo de Población y Vivienda. Estos microdatos son muy útiles en tesis de Ciencia de Datos que trabajan con modelos predictivos o de clasificación sobre variables socioeconómicas mexicanas, porque permiten construir tu propio conjunto de entrenamiento en lugar de depender de un agregado ya calculado por otros. Ten presente que son datos de encuesta con diseño muestral: si vas a estimar algo para la población, usa los factores de expansión que acompañan a cada base.
Cómo citarlo en APA 7:
Instituto Nacional de Estadística y Geografía. (Año). [Nombre exacto de la encuesta o censo], microdatos [Conjunto de datos]. INEGI.
SNIEG: el marco que ordena la estadística oficial mexicana
El Sistema Nacional de Información Estadística y Geográfica (SNIEG), coordinado por el INEGI junto con otras unidades del Estado, es el marco normativo e institucional bajo el cual se produce la información estadística y geográfica de interés nacional. Para una tesis de Ciencia de Datos, el SNIEG es útil sobre todo como referencia de contexto en tu marco teórico —para explicar por qué las fuentes oficiales mexicanas que citas forman parte de un sistema coordinado y no son fuentes aisladas—, más que como un repositorio del que descargas datasets directamente.
Banxico (SIE): series económicas y financieras
El Sistema de Información Económica (SIE) del Banco de México publica series de tiempo históricas de tipo de cambio, inflación, tasas de interés y otros indicadores macroeconómicos, descargables en formatos estructurados listos para análisis. Si tu tesis aplica modelos de series de tiempo o de pronóstico financiero, el SIE es la fuente oficial que debes citar en lugar de un agregado de segunda mano tomado de un sitio de noticias financieras.
Cómo citarlo en APA 7:
Banco de México. (Año). [Nombre exacto de la serie, ej. Tipo de cambio pesos por dólar] [Conjunto de datos]. Sistema de Información Económica.
Kaggle: datasets con comunidad activa
Kaggle aloja una enorme cantidad de conjuntos de datos subidos tanto por instituciones como por usuarios individuales, junto con cuadernos de análisis ya publicados sobre cada uno, útiles para entender cómo otros abordaron un dataset similar. La advertencia aquí es que la calidad y la procedencia de un dataset en Kaggle varían enormemente: verifica siempre quién lo subió, si cita su fuente original, y su licencia de uso antes de construir toda tu metodología sobre un dataset sin procedencia clara. Cuando un dataset de Kaggle es copia de una fuente oficial, cita y descarga la fuente original.
Cómo citarlo en APA 7:
Apellido, A. A. (Año). Nombre exacto del dataset [Conjunto de datos]. Kaggle. URL
UCI Machine Learning Repository: el clásico académico
El UCI Machine Learning Repository es uno de los repositorios más antiguos y citados en la literatura académica de aprendizaje automático, con conjuntos de datos ya preparados y documentados para tareas de clasificación, regresión y clustering. Es una fuente sólida cuando tu tesis busca comparar el desempeño de un algoritmo propio contra resultados ya publicados sobre el mismo dataset estándar, un diseño común en tesis de Ciencia de Datos orientadas al desarrollo de modelos más que al análisis de un fenómeno mexicano específico. Revisa en la ficha de cada dataset cómo piden los creadores que se cite.
Cómo citarlo en APA 7:
Apellido, A. A. (Año). Nombre exacto del dataset [Conjunto de datos]. UCI Machine Learning Repository. URL
Zenodo y repositorios académicos de datos
Zenodo, operado por el CERN, y otros repositorios de datos vinculados a publicaciones científicas alojan conjuntos de datos que acompañaron una investigación ya publicada, generalmente con un DOI propio que facilita la cita exacta. Si tu tesis replica o extiende un estudio publicado, buscar primero si sus datos están depositados en Zenodo te ahorra tener que reconstruir el dataset desde cero a partir de las tablas del artículo.
Cómo citarlo en APA 7 (con DOI):
Apellido, A. A. (Año). Nombre exacto del dataset [Conjunto de datos]. Zenodo. https://doi.org/xxxxx
Las variantes de este formato —con versión, sin autor personal, con fecha de consulta para datos que cambian— están explicadas con ejemplos en cómo citar un conjunto de datos y un software en APA 7, que también cubre cómo citar las librerías de Python o R que uses.
Google Dataset Search: el buscador, no la fuente
Google Dataset Search no aloja datasets propios; es un motor de búsqueda que indexa conjuntos de datos publicados en muchos repositorios distintos, incluyendo los ya mencionados. Úsalo para descubrir un dataset que no conocías, pero cita siempre la fuente original donde el dataset está alojado —el repositorio institucional, Kaggle, INEGI—, nunca “Google Dataset Search” como si fuera la fuente en sí.
CONAPO y otras fuentes demográficas complementarias
Si tu proyecto necesita proyecciones de población, migración interna o indicadores demográficos que no están en el Censo más reciente, el Consejo Nacional de Población (CONAPO) publica sus propias proyecciones y bases de datos, útiles como variable de contexto o como denominador en modelos que combinan datos de distintas fuentes gubernamentales.
Errores frecuentes al usar y citar datasets en una tesis
El primero es citar la plataforma genérica (Kaggle, Google Dataset Search) en lugar del dataset y su autor u organización específica. El segundo es no registrar la fecha exacta de descarga del dataset: muchos conjuntos de datos se actualizan periódicamente, y sin esa fecha nadie —ni tú mismo, meses después— puede reproducir exactamente el análisis con la misma versión de los datos. El tercero es mezclar datos de fuentes con distinta metodología de recolección (por ejemplo, una encuesta de hogares del INEGI con un dataset de Kaggle de origen desconocido) sin discutir explícitamente si son comparables. El cuarto es ignorar la licencia de uso declarada en la ficha del conjunto de datos, que en algunos casos impone condiciones (atribución, uso no comercial) aunque permita el uso académico. Un quinto error, cada vez más común, es usar un dataset generado o “aumentado” por una herramienta de IA generativa sin declararlo explícitamente como sintético: presentar datos sintéticos como si fueran observaciones reales, incluso sin mala intención, compromete la validez de cualquier hallazgo que dependa de ellos.
Cómo documentar tu dataset en el capítulo de metodología
Más allá de la cita bibliográfica, tu capítulo de metodología debe incluir una ficha técnica del dataset: número de observaciones y variables, periodo que cubre, unidad de observación (persona, hogar, municipio, transacción), proporción de valores faltantes por variable relevante, y los pasos de limpieza que aplicaste antes del análisis. Esta ficha es lo que le permite a un lector —o a ti mismo, si retomas el proyecto meses después— entender exactamente qué llegó a tu modelo final, más allá de la simple referencia de dónde se descargó el archivo original. Si tu proyecto usa varias versiones del mismo dataset a lo largo del tiempo (por ejemplo, porque la fuente publica actualizaciones mensuales), documenta también con qué versión exacta trabajaste en cada etapa del análisis.
Checklist de reproducibilidad antes de entregar
- Guarda una copia del archivo original tal como lo descargaste, separada de la versión limpia, y anota la fecha y la URL exacta de descarga.
- Copia en un archivo de texto la licencia o los términos de uso vigentes el día de la descarga; las fichas pueden cambiar después.
- Deja tu código de limpieza y modelado en un repositorio (o en un anexo) con una nota de versión de las librerías que usaste.
- Fija la semilla aleatoria de tus particiones de entrenamiento y prueba, y repórtala, para que otra persona obtenga las mismas métricas.
- Si trabajas con datos de personas, confirma que el archivo no permite reidentificar a nadie antes de compartirlo con tu comité.
Preguntas frecuentes
¿Necesito permiso para usar un dataset de datos.gob.mx en mi tesis?
En general no, porque los conjuntos de datos publicados ahí se ofrecen como datos abiertos para su reutilización, incluidos fines académicos; aun así, revisa la licencia específica de cada ficha y cumple lo que pida (por ejemplo, la atribución a la dependencia), porque no todas usan exactamente los mismos términos.
¿Puedo combinar un dataset de Kaggle con uno del INEGI en el mismo modelo?
Sí, siempre que documentes claramente el proceso de integración —cómo hiciste coincidir las unidades de observación, qué variables se cruzaron y con qué llave— y discutas cualquier diferencia metodológica entre ambas fuentes que pueda afectar la validez de tu análisis combinado.
¿Qué hago si el dataset que necesito no existe en ninguna fuente abierta?
Considera si tu proyecto puede generar sus propios datos mediante web scraping (verificando los términos de servicio del sitio del que extraes información) o mediante una encuesta propia; en ambos casos, documenta el proceso de recolección con el mismo rigor metodológico que exigirías a una fuente secundaria. Si citas páginas web como fuente de esos datos, el formato está en cómo citar una página web en APA 7.
¿Debo citar el software o notebook de Kaggle que usé como referencia, además del dataset?
Si tomaste ideas de preprocesamiento o de arquitectura de modelo de un cuaderno público de Kaggle, sí debes citarlo por separado como una fuente distinta del dataset mismo —con su propio autor y título—, igual que citarías cualquier otro trabajo del que tomaste una idea metodológica.
¿Cómo cito un dataset que yo mismo construí combinando varias fuentes?
Descríbelo en tu metodología como un dataset propio derivado de fuentes específicas, citando cada fuente original por separado en tu bibliografía; no necesitas —ni debes— inventar una cita única para “tu” dataset combinado, ya que las fuentes originales de las que partiste siguen siendo lo que un lector necesita para evaluar la calidad de tus datos.
Para el resto de tus referencias bibliográficas, complementa tu formato de citas con la guía completa de normas APA séptima edición.