⭐ A. PROPIEDADES ESTRUCTURALES

(ADN del dato — su esencia antes de interactuar)

1. Consistencia

Definición: Ausencia de contradicciones internas.
Naturaleza: Ontológica.
Función: Mantener integridad lógica.
Consecuencia: Reduce ruido y errores críticos.
Interacciones: Coherencia, Congruencia, Estabilidad.

Métodos de Evaluación:

  1. Validación de reglas y constraints.

  2. Comparación cruzada entre columnas dependientes.

  3. Pruebas de coherencia semántica.

Modelos Aplicables:

  1. Normalización relacional (1FN–5FN).

  2. SAT Solvers (satisfacibilidad).

  3. Grafos de consistencia.

2. Calidad

Definición: Precisión, pureza y exactitud del dato.
Naturaleza: Estructural.
Función: Aumentar confiabilidad del análisis.
Consecuencia: Mejores inferencias y predicciones.
Interacciones: Fiabilidad, Densidad Informacional.

Métodos de Evaluación:

  1. Data profiling.

  2. Tasa de error (error rate).

  3. Evaluación de completitud.

Modelos Aplicables:

  1. ISO 8000 Data Quality.

  2. Modelos probabilísticos de veracidad (Bayes).

  3. Métricas RMSE y MAE.

3. Equivalencia

Definición: Representaciones distintas de la misma realidad.
Naturaleza: Semántica.
Función: Integración sin pérdida informacional.
Consecuencia: Fusión eficiente de datasets.
Interacciones: Alineamiento Semántico, Integrabilidad.

Métodos:

  1. Matching semántico.

  2. Mapeo de entidades (entity resolution).

  3. Detección de duplicados conceptuales.

Modelos:

  1. Ontologías (OWL).

  2. Knowledge Graphs.

  3. Lógica descriptiva.

4. Elasticidad Semántica

Definición: Poder expandirse o comprimirse sin perder esencia.
Naturaleza: Estructural.
Función: Adaptarse a distintos niveles de granularidad.
Consecuencia: Versatilidad analítica.
Interacciones: Plasticidad, Fluidez.

Métodos:

  1. Pruebas de agregación/desagregación.

  2. Evaluación de pérdida semántica.

  3. Sensibilidad a cambios de granularidad.

Modelos:

  1. OLAP multidimensional.

  2. Jerarquías semánticas.

  3. Árboles de expansión semántica.

5. Integrabilidad

Definición: Capacidad de fusionarse con otros sistemas sin conflicto.
Naturaleza: Sistémica.
Función: Garantizar interoperabilidad.
Consecuencia: Reducir fricción entre sistemas.
Interacciones: Equivalencia, Conectividad.

Métodos:

  1. Prueba de schemas cross-sistemas.

  2. Validación de ETL.

  3. Detección de conflictos semánticos.

Modelos:

  1. APIs semánticas.

  2. ETL/ELT pipelines.

  3. Ontologías de integración.

6. Escasez Informacional

Definición: Valor derivado de rareza o dificultad de obtención.
Naturaleza: Económica.
Función: Priorizar información clave.
Consecuencia: Aumenta impacto y peso.
Interacciones: Peso, Impacto.

Métodos:

  1. Análisis de frecuencia.

  2. Medición de unicidad.

  3. Scoring de rareza.

Modelos:

  1. TF–IDF.

  2. Distribuciones Zipf.

  3. Modelos de entropía inversa.

7. Abstracción

Definición: Nivel de generalidad del dato.
Naturaleza: Epistemológica.
Función: Permitir generalización.
Consecuencia: Menos detalle, más universalidad.
Interacciones: Compatibilidad Contextual, Tendencialidad.

Métodos:

  1. Pruebas de generalización.

  2. Mapeo conceptual.

  3. Evaluación de pérdida contextual.

Modelos:

  1. Taxonomías.

  2. Concept Lattices.

  3. Modelos de clasificación jerárquica.

8. Persistencia

Definición: Tiempo que un dato se mantiene válido o útil.
Naturaleza: Temporal.
Función: Definir ventana de uso.
Consecuencia: Impacta predicciones.
Interacciones: Fiabilidad, Estabilidad.

Métodos:

  1. Pruebas de obsolescencia.

  2. Time-to-live (TTL).

  3. Análisis de retención semántica.

Modelos:

  1. Decay Models.

  2. Time Series Estationarity.

  3. Survival Analysis.

9. Coherencia

Definición: Armonía global entre significados del sistema.
Naturaleza: Supraestructural.
Función: Mantener lógica general.
Consecuencia: Facilita inferencias profundas.
Interacciones: Consistencia, Congruencia, Resonancia.

Métodos:

  1. Coherence Scoring (NLP).

  2. Validación narrativa del dataset.

  3. Pruebas de alineamiento sistémico.

Modelos:

  1. Topic Coherence Models.

  2. Modelos lógicos globales.

  3. Knowledge Graph Coherence Metrics.

10. Congruencia

Definición: Armonía entre el dato y su contexto total.
Naturaleza: Estructural/relacional.
Función: Asegurar correcto encaje.
Consecuencia: Evita anomalías semánticas.
Interacciones: Coherencia, Alineamiento.

Métodos:

  1. Validación contextual.

  2. Pruebas de compatibilidad semántica.

  3. Cross-level consistency.

Modelos:

  1. Modelos jerárquicos.

  2. Ontologías contextualizadas.

  3. Graph Embeddings.

🔄 B. PROPIEDADES DINÁMICAS

(La data cuando fluye y cambia)

11. Frecuencia

Definición: Ritmo de aparición o actualización.
Naturaleza: Temporal/dinámica.
Función: Detectar ritmo del sistema.
Consecuencia: Impacta monitoreo.
Interacciones: Oportunidad, Tendencialidad.

Métodos:

  1. Time-series frequency count.

  2. Change rate.

  3. Event logging.

Modelos:

  1. Fourier Transform.

  2. ARIMA.

  3. Gaussian Processes.

12. Oportunidad

Definición: Valor por llegar en el momento justo.
Naturaleza: Temporal estratégica.
Función: Maximizar impacto.
Consecuencia: Aumenta valor decisional.
Interacciones: Frecuencia, Impacto.

Métodos:

  1. Latencia de disponibilidad.

  2. Timestamp alignment.

  3. Time-to-insight.

Modelos:

  1. Real-Time Analytics.

  2. Stream Processing.

  3. Predictive triggers.

13. Fluidez

Definición: Facilidad de trasladarse entre formatos/estructuras.
Naturaleza: Operacional.
Función: Facilitar interoperabilidad.
Consecuencia: Reduce costos y fricción.
Interacciones: Elasticidad, Integrabilidad.

Métodos:

  1. Evaluación multi-formato.

  2. Pruebas de conversión.

  3. Compatibilidad sintáctica.

Modelos:

  1. ETL flexible.

  2. APIs / JSON / XML.

  3. Data Lakes.

14. Plasticidad

Definición: Adaptación estructural sin perder esencia.
Naturaleza: Evolutiva.
Función: Ajustarse a nuevos esquemas.
Consecuencia: Resiliencia.
Interacciones: Elasticidad.

Métodos:

  1. Prueba de mutación estructural.

  2. Evaluación de schema evolution.

  3. Tolerancia a transformaciones.

Modelos:

  1. NoSQL flexible schemas.

  2. Self-describing data models.

  3. Evolutionary data modeling.

15. Latencia Semántica

Definición: Tiempo requerido para entender un dato.
Naturaleza: Cognitiva.
Función: Medir complejidad interpretativa.
Consecuencia: Afecta velocidad analítica.
Interacciones: Abstracción.

Métodos:

  1. Semantic load tests.

  2. Human interpretation time.

  3. NLP complexity metrics.

Modelos:

  1. Embeddings semánticos.

  2. Graph-based meaning propagation.

  3. Topic modeling.

16. Transmisibilidad

Definición: Facilidad de propagación del dato.
Naturidad: Comunicacional.
Función: Difusión.
Consecuencia: Escalabilidad informacional.
Interacciones: Resonancia, Conectividad.

Métodos:

  1. Degree centrality.

  2. Information spread tests.

  3. Redundancy scoring.

Modelos:

  1. Graph diffusion models.

  2. Epidemiological spread models.

  3. Network propagation algorithms.

17. Entropía

Definición: Desorden o pérdida de estructura útil.
Naturaleza: Termodinámica informacional.
Función: Medir degradación del sistema.
Consecuencia: Aumenta incertidumbre.
Interacciones: Volatilidad, Sensibilidad.

Métodos:

  1. Shannon Entropy.

  2. Kolmogorov complexity.

  3. Noise-to-signal ratio.

Modelos:

  1. Entropy-based anomaly detection.

  2. Information theory models.

  3. Chaos models.

🌐 C. PROPIEDADES RELACIONALES

(Interacción, sinergia y campo compartido)

18. Resonancia

Definición: Amplificación mutua entre datasets.
Naturaleza: Sistémica.
Función: Detectar patrones profundos.
Consecuencia: Mayor insight.
Interacciones: Conectividad, Coherencia.

Métodos:

  1. Correlation matrices.

  2. Mutual information.

  3. Cross-spectral analysis.

Modelos:

  1. Network resonance models.

  2. Autoencoders.

  3. Canonical Correlation Analysis.

19. Conectividad

Definición: Capacidad de formar relaciones.
Naturaleza: Topológica.
Función: Construir redes.
Consecuencia: Aumenta complejidad.
Interacciones: Resonancia, Integrabilidad.

Métodos:

  1. Degree & betweenness centrality.

  2. Graph density.

  3. Clustering coefficient.

Modelos:

  1. Graph theory models.

  2. Social network analysis.

  3. Knowledge graphs.

20. Alineamiento Semántico

Definición: Cohesión entre significados.
Naturaleza: Semántica.
Función: Evitar interpretaciones erróneas.
Consecuencia: Integración perfecta.
Interacciones: Congruencia, Equivalencia.

Métodos:

  1. Semantic similarity scoring.

  2. Embedding alignment.

  3. Concept matching.

Modelos:

  1. Word Embeddings.

  2. Ontologies.

  3. Mapping algorithms.

21. Compatibilidad Contextual

Definición: Funcionar correctamente en múltiples contextos.
Naturaleza: Adaptativa.
Función: Reutilización.
Consecuencia: Escalabilidad.
Interacciones: Abstracción.

Métodos:

  1. Context-switch evaluation.

  2. Semantic transfer tests.

  3. Robustness scoring.

Modelos:

  1. Transfer Learning.

  2. Multi-context graphs.

  3. Contextual embeddings.

22. Densidad Informacional

Definición: Cantidad de significado por unidad de dato.
Naturaleza: Epistemológica.
Función: Maximizar valor.
Consecuencia: Menos volumen, más insight.
Interacciones: Calidad, Resonancia.

Métodos:

  1. Compression ratio.

  2. Information content scoring.

  3. Redundancy measurement.

Modelos:

  1. Information theory metrics.

  2. PCA (dimensionality reduction).

  3. Signal compression models.

23. Polaridad

Definición: Dirección del efecto de un dato.
Naturaleza: Causal-relacional.
Función: Determinar comportamiento.
Consecuencia: Define escenarios.
Interacciones: Impacto, Implicancia.

Métodos:

  1. Sentiment analysis.

  2. Correlation sign.

  3. Feature contribution.

Modelos:

  1. SHAP values.

  2. Regression models.

  3. NLP polarity models.

24. Congruencia

(ya descrita en Estructurales)

⚡ D. PROPIEDADES CAUSALES

(Lo que la data genera en el sistema)

25. Impacto

Definición: Fuerza con la que afecta un resultado.
Naturaleza: Causal.
Función: Medir importancia.
Consecuencia: Prioriza variables.
Interacciones: Peso, Sensibilidad.

Métodos:

  1. Feature importance.

  2. Sensitivity analysis.

  3. Partial dependency.

Modelos:

  1. SHAP.

  2. Random Forest.

  3. Bayesian causality.

26. Implicancia

Definición: Cantidad de efectos derivados.
Naturaleza: Causal expansiva.
Función: Mapear consecuencias.
Consecuencia: Identificar cascadas.
Interacciones: Consecuencia, Impacto.

Métodos:

  1. Causal chains.

  2. Graph impact analysis.

  3. Path tracing.

Modelos:

  1. Bayesian Networks.

  2. Causal diagrams.

  3. DAGs.

27. Consecuencia

Definición: Efecto inmediato.
Función: Simular acciones.
Interacciones: Impacto.

Métodos:

  1. Scenario simulation.

  2. What-if analysis.

  3. Regression outcome analysis.

Modelos:

  1. Predictive modeling.

  2. Simulation engines.

  3. Decision trees.

28. Sensibilidad

Definición: Cambio en resultados ante cambios mínimos.
Naturaleza: Estabilidad.
Interacciones: Volatilidad.

Métodos:

  1. Local sensitivity analysis.

  2. Gradient-based tests.

  3. Perturbation tests.

Modelos:

  1. Sensitivity matrices.

  2. Differential models.

  3. Elasticity models.

29. Peso

Definición: Importancia estadística.
Interacciones: Impacto.

Métodos:

  1. Regression coefficients.

  2. Feature ranking.

  3. Statistical significance tests.

Modelos:

  1. Regression.

  2. Gradient Boosting.

  3. Feature weighting algorithms.

🔮 E. PROPIEDADES PROYECTIVAS

(Anticipación, proyección, futuros)

30. Inferencia

Definición: Deducir lo no explícito.
Naturaleza: Cognitiva.
Interacciones: Extrapolación.

Métodos:

  1. Bayesian inference.

  2. Logical inference engines.

  3. Missing value imputation.

Modelos:

  1. Bayesian models.

  2. Graph inference.

  3. LLMs.

31. Extrapolación

Definición: Extender patrones.
Métodos:

  1. Trend projection.

  2. Regression projection.

  3. Extreme forecasting.

Modelos:

  1. ARIMA FORECAST.

  2. Prophet.

  3. Polynomial regression.

32. Predicción

Definición: Anticipar estados futuros.

Métodos:

  1. Train-test evaluation.

  2. Error metrics.

  3. Temporal validation.

Modelos:

  1. Machine Learning.

  2. LSTM / RNN.

  3. Time-series models.

33. Tendencialidad

Definición: Dirección natural del dato.

Métodos:

  1. Trend analysis.

  2. Slope detection.

  3. Phase analysis.

Modelos:

  1. Linear regression.

  2. Fourier decomposition.

  3. Dynamic trend models.

34. Volatilidad

Definición: Variación impredecible.

Métodos:

  1. Variance.

  2. Standard deviation.

  3. GARCH metrics.

Modelos:

  1. GARCH.

  2. Stochastic models.

  3. Chaos models.

🛡 F. PROPIEDADES DE VALIDACIÓN

(Verdad, confiabilidad, ciencia)

35. Replicancia

Definición: Reproducibilidad de resultados.

Métodos:

  1. Repeated experiments.

  2. Cross-validation.

  3. Stability tests.

Modelos:

  1. Bootstrap.

  2. Monte Carlo.

  3. A/B testing.

36. Estabilidad

Definición: Variación tolerable.

Métodos:

  1. Drift detection.

  2. Stability metrics.

  3. Robustness tests.

Modelos:

  1. Control charts.

  2. Drift models.

  3. Statistical process control.

37. Falsabilidad

Definición: Capacidad de ser probado o refutado.

Métodos:

  1. Hypothesis testing.

  2. Null checks.

  3. Contradiction search.

Modelos:

  1. Popperian frameworks.

  2. Statistical hypothesis models.

  3. Logic consistency models.

38. Fiabilidad

Definición: Estabilidad + precisión + repetibilidad.

Métodos:

  1. Reliability scoring.

  2. Repeat-measure tests.

  3. Longitudinal validation.

Modelos:

  1. Reliability engineering.

  2. Time-series consistency.

  3. Bayesian stability models.

🧬 G. PROPIEDADES CUÁNTICAS

(Field, significado profundo, no-linealidad)

39. Campo Áurico de la Data

Definición: Significado implícito latente.

Métodos:

  1. Latent semantic analysis.

  2. Embedding clustering.

  3. Topic discovery.

Modelos:

  1. LSA.

  2. Transformer embeddings.

  3. Latent space models.

40. Superposición Informacional

Definición: Un dato puede representar múltiples significados hasta ser observado.

Métodos:

  1. Ambiguity analysis.

  2. Multi-label interpretation tests.

  3. Contextual resolution scoring.

Modelos:

  1. Probabilistic models.

  2. Mixture models.

  3. Context-dependent NLP.

41. Entanglement Semántico

Definición: Dos datos quedan correlacionados incluso sin interacción directa.

Métodos:

  1. Mutual embedding correlation.

  2. Co-dependence metrics.

  3. Semantic linkage detection.

Modelos:

  1. Graph embeddings.

  2. Siamese networks.

  3. Attention mechanisms.