16 Estadísticas descriptivas básicas
En este módulo, exploraremos las estadísticas descriptivas básicas, que son herramientas fundamentales para resumir y comprender conjuntos de datos. Estas estadísticas nos permiten obtener una visión general de las características clave de nuestros datos, como su tendencia central, dispersión y distribución.
Introducción a las Bases de Datos Utilizadas
Para ejemplificar las estadísticas descriptivas, utilizaremos dos bases de datos del paquete datasets de R: iris y mtcars. Sin embargo, en esta clase, exploraremos otras bases de datos: AirPassengers y ChickWeight.
AirPassengers: Esta base de datos contiene información mensual sobre el número de pasajeros de aerolíneas desde 1949 hasta 1960.
ChickWeight: Esta base de datos contiene información sobre el peso de pollos en un estudio.
Media
La media aritmética, o simplemente la media, es la suma de todos los valores dividida por el número total de valores. Se calcula mediante la fórmula:
\[ \text{Media} = \frac{\text{Suma de todos los valores}}{\text{Número total de valores}} \]
En R, podemos calcular la media utilizando la función mean().
Mediana
La mediana es el valor que divide un conjunto de datos en dos mitades, de manera que la mitad de los valores estén por encima de la mediana y la otra mitad estén por debajo. Si el conjunto de datos tiene un número impar de valores, la mediana es el valor central. Si el conjunto de datos tiene un número par de valores, la mediana es el promedio de los dos valores centrales.
En R, podemos calcular la mediana utilizando la función median().
Moda
La moda es el valor que más se repite en un conjunto de datos. En R, no existe una función directa para calcular la moda, pero podemos crear nuestra propia función para encontrarla.
# Función para calcular la moda
calculate_mode <- function(x) {
uniq_x <- unique(x)
uniq_counts <- table(x)
mode_value <- uniq_x[which.max(uniq_counts)]
return(mode_value)
}
# Ejemplo de cálculo de la moda en la base de datos AirPassengers
moda_airpassengers <- calculate_mode(AirPassengers)
moda_airpassengers[1] 264
Desviación Estándar
La desviación estándar mide la dispersión de los valores con respecto a la media. Una desviación estándar alta indica que los valores están más dispersos alrededor de la media, mientras que una desviación estándar baja indica que los valores están más agrupados alrededor de la media.
En R, podemos calcular la desviación estándar utilizando la función sd().
Cuartiles y Rango Interquartil
Los cuartiles dividen un conjunto de datos en cuatro partes iguales. El primer cuartil (Q1) es el valor que deja un 25% de los datos por debajo, el segundo cuartil (Q2) es la mediana y el tercer cuartil (Q3) deja un 75% de los datos por debajo. El rango interquartil (IQR) es la diferencia entre el tercer y el primer cuartil.
En R, podemos calcular los cuartiles y el rango interquartil utilizando la función quantile().
# Ejemplo de cálculo de cuartiles y rango interquartil en la base de datos ChickWeight
q1_chickweight <- quantile(ChickWeight$weight, probs = 0.25)
q3_chickweight <- quantile(ChickWeight$weight, probs = 0.75)
iqr_chickweight <- q3_chickweight - q1_chickweight
q1_chickweight25%
63
75%
163.75
75%
100.75
Percentiles
Los percentiles son valores que dividen un conjunto de datos en partes específicas. Por ejemplo, el percentil 25 (P25) deja un 25% de los datos por debajo. En R, podemos calcular los percentiles utilizando la función quantile().
Más Métricas Descriptivas
Hasta ahora, hemos explorado algunas métricas descriptivas clave. Sin embargo, hay muchas más métricas y técnicas disponibles para analizar datos en R. Para una comprensión más completa, te animamos a explorar recursos adicionales y documentación, como el libro “R for Data Science” de Hadley Wickham y Garrett Grolemund, que proporciona una amplia gama de herramientas para el análisis de datos en R.
Ejercicios
Calcula la moda de los valores de caballos de fuerza (hp) en la base de datos mtcars.
Calcula el rango interquartil de los valores de peso (weight) en la base de datos ChickWeight.