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.

data("AirPassengers")
data("ChickWeight")

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().

# Ejemplo de cálculo de la media en la base de datos AirPassengers
media_airpassengers <- mean(AirPassengers)
media_airpassengers
[1] 280.2986

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().

# Ejemplo de cálculo de la mediana en la base de datos ChickWeight
mediana_chickweight <- median(ChickWeight$weight)
mediana_chickweight
[1] 103

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().

# Ejemplo de cálculo de la desviación estándar en la base de datos AirPassengers
desviacion_airpassengers <- sd(AirPassengers)
desviacion_airpassengers
[1] 119.9663

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_chickweight
25% 
 63 
q3_chickweight
   75% 
163.75 
iqr_chickweight
   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().

# Ejemplo de cálculo de percentiles en la base de datos mtcars
p25_mtcars <- quantile(mtcars$hp, probs = 0.25)
p75_mtcars <- quantile(mtcars$hp, probs = 0.75)
p25_mtcars
 25% 
96.5 
p75_mtcars
75% 
180 

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 media y la mediana de los valores de longitud de pétalo (Petal.Length) en la base de datos iris.

data("iris")
media_petallength <- mean(iris$Petal.Length)
mediana_petallength <- median(iris$Petal.Length)
media_petallength
[1] 3.758
mediana_petallength
[1] 4.35

Calcula la moda de los valores de caballos de fuerza (hp) en la base de datos mtcars.

data("mtcars")
calculate_mode <- function(x) {
  uniq_x <- unique(x)
  uniq_counts <- table(x)
  mode_value <- uniq_x[which.max(uniq_counts)]
  return(mode_value)
}

moda_hp_mtcars <- calculate_mode(mtcars$hp)
moda_hp_mtcars
[1] 215

Calcula la desviación estándar de los valores de número de pasajeros (AirPassengers) en la base de datos AirPassengers.

data("AirPassengers")
desviacion_airpassengers <- sd(AirPassengers)
desviacion_airpassengers
[1] 119.9663

Calcula el rango interquartil de los valores de peso (weight) en la base de datos ChickWeight.

data("ChickWeight")
q1_chickweight <- quantile(ChickWeight$weight, probs = 0.25)
q3_chickweight <- quantile(ChickWeight$weight, probs = 0.75)
iqr_chickweight <- q3_chickweight - q1_chickweight
iqr_chickweight
   75% 
100.75 

Calcula el percentil 10 y el percentil 90 de los valores de peso (weight) en la base de datos ChickWeight.

p10_chickweight <- quantile(ChickWeight$weight, probs = 0.10)
p90_chickweight <- quantile(ChickWeight$weight, probs = 0.90)
p10_chickweight
 10% 
47.7 
p90_chickweight
  90% 
223.6