Para el desarrollo de este análisis de datos, se trabajará con el dataset Insurance el cual contiene información sobre la póliza medica y datos personales de un grupo de personas detallado a continuación:

age/edad: Edad del beneficiario principal del seguro.

sex/sexo: Género del contratista del seguro - Masculino – femenino.

bmi/indice de masa corporal: Proporciona una comprensión del cuerpo pesos relativamente altos o bajos en relación con la altura, índice objetivo de peso corporal (kg / m ^ 2) utilizando la relación entre altura y peso, idealmente 18,5 a 24,9.

children/niño-niñas: Número de hijos cubiertos por el seguro médico.

smoker/fumador: si fumador - no fumador.

región: Zona residencial del beneficiario en estados unidos.

charge/cargos: Costos médicos individuales facturados por el seguro médico.

1 Varias funciones para familiarizarse con el conjunto de datos.

seguro=insurance # Es opcional renombrar el conjunto de datos.

head(seguro) # Esta función presenta las primeras filas del conjunto de datos.
## # A tibble: 6 × 7
##     age sex      bmi children smoker region    charges
##   <dbl> <chr>  <dbl>    <dbl> <chr>  <chr>       <dbl>
## 1    19 female  27.9        0 yes    southwest  16885.
## 2    18 male    33.8        1 no     southeast   1726.
## 3    28 male    33          3 no     southeast   4449.
## 4    33 male    22.7        0 no     northwest  21984.
## 5    32 male    28.9        0 no     northwest   3867.
## 6    31 female  25.7        0 no     southeast   3757.
str(seguro) # Muestra en pantalla el número de filas (observaciones) y columnas (variables),adicionalmente el tipo de variable de cada uno de los datos.
## spc_tbl_ [1,338 × 7] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ age     : num [1:1338] 19 18 28 33 32 31 46 37 37 60 ...
##  $ sex     : chr [1:1338] "female" "male" "male" "male" ...
##  $ bmi     : num [1:1338] 27.9 33.8 33 22.7 28.9 ...
##  $ children: num [1:1338] 0 1 3 0 0 0 1 3 2 0 ...
##  $ smoker  : chr [1:1338] "yes" "no" "no" "no" ...
##  $ region  : chr [1:1338] "southwest" "southeast" "southeast" "northwest" ...
##  $ charges : num [1:1338] 16885 1726 4449 21984 3867 ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   age = col_double(),
##   ..   sex = col_character(),
##   ..   bmi = col_double(),
##   ..   children = col_double(),
##   ..   smoker = col_character(),
##   ..   region = col_character(),
##   ..   charges = col_double()
##   .. )
##  - attr(*, "problems")=<externalptr>

2 Tidyverse

Es un conjunto de librerías desarrolladas para la ciencia de datos en R,la cual incluye un conjunto de librerías importante para manipulación de datos y graficarlos.

library(tidyverse)
glimpse(seguro) #Esta función muestra lo mismo de str, pero de una manera más estética.
## Rows: 1,338
## Columns: 7
## $ age      <dbl> 19, 18, 28, 33, 32, 31, 46, 37, 37, 60, 25, 62, 23, 56, 27, 1…
## $ sex      <chr> "female", "male", "male", "male", "male", "female", "female",…
## $ bmi      <dbl> 27.900, 33.770, 33.000, 22.705, 28.880, 25.740, 33.440, 27.74…
## $ children <dbl> 0, 1, 3, 0, 0, 0, 1, 3, 2, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0…
## $ smoker   <chr> "yes", "no", "no", "no", "no", "no", "no", "no", "no", "no", …
## $ region   <chr> "southwest", "southeast", "southeast", "northwest", "northwes…
## $ charges  <dbl> 16884.924, 1725.552, 4449.462, 21984.471, 3866.855, 3756.622,…
summary(seguro) # Ofrece un primer resumen descriptivo de cada una de las variables del conjunto de datos.
##       age            sex                 bmi           children    
##  Min.   :18.00   Length:1338        Min.   :15.96   Min.   :0.000  
##  1st Qu.:27.00   Class :character   1st Qu.:26.30   1st Qu.:0.000  
##  Median :39.00   Mode  :character   Median :30.40   Median :1.000  
##  Mean   :39.21                      Mean   :30.66   Mean   :1.095  
##  3rd Qu.:51.00                      3rd Qu.:34.69   3rd Qu.:2.000  
##  Max.   :64.00                      Max.   :53.13   Max.   :5.000  
##     smoker             region             charges     
##  Length:1338        Length:1338        Min.   : 1122  
##  Class :character   Class :character   1st Qu.: 4740  
##  Mode  :character   Mode  :character   Median : 9382  
##                                        Mean   :13270  
##                                        3rd Qu.:16640  
##                                        Max.   :63770

2.1 CREAR SUBCONJUNTO DE DATOS

Es posible que en ocasiones no queramos analizar todo el conjunto de datos, si no una parte de este el cual sea de nuestro interés.

2.1.1 Subconjunto de variables

Este se puede realizar mediante la función select

variablesdemograficas <- seguro%>%select(age,sex,region)
head(variablesdemograficas)
## # A tibble: 6 × 3
##     age sex    region   
##   <dbl> <chr>  <chr>    
## 1    19 female southwest
## 2    18 male   southeast
## 3    28 male   southeast
## 4    33 male   northwest
## 5    32 male   northwest
## 6    31 female southeast

2.1.2 Subconjunto de registros.

Este se puede realizar mediante la función filter por ejemplo, tomemos todos los registros que coinciden son mujeres.

seguromujeres<-seguro%>%filter(sex=="female")
head(seguromujeres)
## # A tibble: 6 × 7
##     age sex      bmi children smoker region    charges
##   <dbl> <chr>  <dbl>    <dbl> <chr>  <chr>       <dbl>
## 1    19 female  27.9        0 yes    southwest  16885.
## 2    31 female  25.7        0 no     southeast   3757.
## 3    46 female  33.4        1 no     southeast   8241.
## 4    37 female  27.7        3 no     northwest   7282.
## 5    60 female  25.8        0 no     northwest  28923.
## 6    62 female  26.3        0 yes    southeast  27809.

Tomemos todos los registros excepto el que indiquemos.

nosuroeste<-seguro%>%filter(region != "southwest") 
head(nosuroeste)
## # A tibble: 6 × 7
##     age sex      bmi children smoker region    charges
##   <dbl> <chr>  <dbl>    <dbl> <chr>  <chr>       <dbl>
## 1    18 male    33.8        1 no     southeast   1726.
## 2    28 male    33          3 no     southeast   4449.
## 3    33 male    22.7        0 no     northwest  21984.
## 4    32 male    28.9        0 no     northwest   3867.
## 5    31 female  25.7        0 no     southeast   3757.
## 6    46 female  33.4        1 no     southeast   8241.

Tomemos todos los registros de las personas que tienen entre 30 y 60 años.

entre30y60<-seguro%>%filter(age >= 30 & age <=60)
head(entre30y60)
## # A tibble: 6 × 7
##     age sex      bmi children smoker region    charges
##   <dbl> <chr>  <dbl>    <dbl> <chr>  <chr>       <dbl>
## 1    33 male    22.7        0 no     northwest  21984.
## 2    32 male    28.9        0 no     northwest   3867.
## 3    31 female  25.7        0 no     southeast   3757.
## 4    46 female  33.4        1 no     southeast   8241.
## 5    37 female  27.7        3 no     northwest   7282.
## 6    37 male    29.8        2 no     northeast   6406.

Tomemos los registros de todas las personas que viven en el sur, es decir sureste y suroeste.

sur <- seguro %>% filter(region == "southwest" | region == "southheast")
head(sur)
## # A tibble: 6 × 7
##     age sex      bmi children smoker region    charges
##   <dbl> <chr>  <dbl>    <dbl> <chr>  <chr>       <dbl>
## 1    19 female  27.9        0 yes    southwest  16885.
## 2    23 male    34.4        0 no     southwest   1827.
## 3    19 male    24.6        1 no     southwest   1837.
## 4    56 male    40.3        0 no     southwest  10602.
## 5    30 male    35.3        0 yes    southwest  36837.
## 6    30 female  32.4        1 no     southwest   4150.

También podemos filtrar utilizando varias columnas, por ejemplo, tomemos los registros que corresponden a mujeres entre 30 y 45 años, con 2 o 4 hijos.

mujeres30y40con2o4hijos <- seguro %>%filter(sex=="female", age >=30 & age <=45, children ==2 | children ==4) 
head(mujeres30y40con2o4hijos)
## # A tibble: 6 × 7
##     age sex      bmi children smoker region    charges
##   <dbl> <chr>  <dbl>    <dbl> <chr>  <chr>       <dbl>
## 1    31 female  36.6        2 no     southeast   4950.
## 2    37 female  30.8        2 no     southeast   6314.
## 3    34 female  37.3        2 no     northwest   5990.
## 4    37 female  34.8        2 yes    southwest  39837.
## 5    37 female  23.4        2 no     northwest   6686.
## 6    32 female  17.8        2 yes    northwest  32734.

2.2 TABLAS DE FRECUENCIA

Las tablas de frecuencia permiten conocer la distribución de las variables categóricas, indicando su frecuencia absoluta. La forma más sencilla de realizarla es mediante la función table, y se vincula la columna donde están los datos que se quieren conocer.

table(insurance$region)
## 
## northeast northwest southeast southwest 
##       324       325       364       325

Como se puede observar se tiene la frecuencia absoluta de cada uno de los registros o personas que viven en cada región, en ocasiones es más sencillo analizar las frecuencias relativas en vez de la absoluta para extraer conclusiones. una forma de conseguir rápido las frecuencias relativas y acumuladas es mediante la función tab1 de la librería epidisplay.

library(epiDisplay)
tab1(seguro$region,graph = F) # A menos que le digamos que no, la funcion realiza por defecto un histograma.
## seguro$region : 
##           Frequency Percent Cum. percent
## northeast       324    24.2         24.2
## northwest       325    24.3         48.5
## southeast       364    27.2         75.7
## southwest       325    24.3        100.0
##   Total        1338   100.0        100.0

Otra forma no tan directa de obtener estas frecuencias, es mediante las funciones tidyvers_group, summarize y mutate.

seguro%>%group_by(region)%>%summarize(Frec.Absoluta=n())%>%mutate(Frec.Relativa=Frec.Absoluta/nrow(seguro))
## # A tibble: 4 × 3
##   region    Frec.Absoluta Frec.Relativa
##   <chr>             <int>         <dbl>
## 1 northeast           324         0.242
## 2 northwest           325         0.243
## 3 southeast           364         0.272
## 4 southwest           325         0.243

Sí se quisiera ordenar los resultados por su frecuencia basta con agregar la función arrange al final y adentro la variable, la cual se ordenara de mayor a menor

seguro%>%group_by(region)%>%summarize(Frec.Absoluta=n())%>%mutate(Frec.Relativa=Frec.Absoluta/nrow(seguro))%>%arrange(desc(Frec.Relativa))
## # A tibble: 4 × 3
##   region    Frec.Absoluta Frec.Relativa
##   <chr>             <int>         <dbl>
## 1 southeast           364         0.272
## 2 northwest           325         0.243
## 3 southwest           325         0.243
## 4 northeast           324         0.242

2.3 HISTOGRAMAS

Teniendo en cuenta que su utilidad principal es para las variables cuantitativas continuas.

library(ggpubr)

gghistogram(seguro,x="bmi",bins = 10) # variable cuantitativa continua.

gghistogram(seguro,x="children") # variable cuantitativa discreta.

2.4 FUNCIONES DE DENSIDAD

A pesar que los histogramas son herramientas útiles para analizar cómo se distribuye una variable, son altamente dependientes del número de grupos o intervalos definidos. Ante esta situación existen las funciones de densidad, que no son más que las curvas que obtendríamos si tuviéramos infinitas barras en el histograma.

ggdensity(seguro,x="bmi")

ggdensity(seguro,x="charges")

Las funciones de densidad pueden tomar diferentes formas. entenderlas y caracterizarlas nos ayudara a comprender como se distribuyen nuestros datos, lo que nos será muy útil para obtener conclusiones.

2.5 MEDIDAS DE POSICIÓN

Las medidas de posición son el primer indicador a la hora de describir una distribución y en particular se utilizan las medidas de tendencia central, dado que normalmente los valores se concentran en torno a un valor central. Las principales medidas de tendencia central son media, moda y mediana, pero existen otras medidas de posición como los percentiles y cuartiles.

2.5.1 Media

La media se define como la suma de todos los valores divido entre el numero de ellos, se considera la mejor medida para caracterizar la tendencia central, de distribuciones normales en datos cuantitativos, dado que estos siguen una distribución de campana de gauss simétrica.

#La podemos calcular mediante la función mean

mean(insurance$bmi)
## [1] 30.6634
mean(insurance$charges)
## [1] 13270.42

2.5.2 Mediana

La mediana representa el valor central de un listado de los valores ordenados de menor a mayor. Por lo tanto, difiere sustancialmente de la media a la hora de calcularla, ya que en este caso se ordenan todos los registros de una variable y se toma el que queda justo en el medio si el numero de valores es impar y la media de los centrales si el numero de los valores es par. La mediana es más apropiada que la media cuando tenemos una variable que no sigue una distribución normal, ya que se ve menos afectada por los valores extremos.

median(insurance$bmi)
## [1] 30.4
median(insurance$charges)
## [1] 9382.033

2.5.3 Moda

La moda es el valor mas frecuente de la variable. Es utilizada sobre todo en variables cualitativas, ya que caracteriza la categoría más común. Sin embargo, también se puede calcular en las variables cuantitativa. Es curioso que un paquete de R no tenga una función para calcularla, sin embargo, es fácil construir la función para hacerlo.

getmode=function(v){
  uniqv=unique(v)
  uniqv[which.max(tabulate(match(v,uniqv)))]
}
getmode(insurance$region)
## [1] "southeast"
getmode(insurance$children)
## [1] 0

2.5.4 Percentiles y Cuartiles

Son una medida de posición dentro de una distribución que no necesariamente describen la tendencia central. Un percentil es el valor que, si ordenamos todos los registros de menor a mayor, deja un determinado porcentaje de registros por debajo.

quantile(insurance$age)
##   0%  25%  50%  75% 100% 
##   18   27   39   51   64
quantile(insurance$age,c(0.15,0.85))
## 15% 85% 
##  22  56

2.6 MEDIDAS DE VARIABILIDAD

Una vez caracterizada la tendencia central de una variable, el siguiente paso es entender la variabilidad de los datos que existe en torno a esa media central. Este indicado complementa a la tendencia central y es clave para comprender la distribución. Para analizar la variabilidad de los datos existen diferentes medidas.

2.6.1 Rango

Es la medida de variabilidad mas sencilla y mide la distancia entre los registros con menor y mayor valor.

max(insurance$age)-min(insurance$age)
## [1] 46

2.6.2 Varianza y desviación típica

La varianza es el sumatorio del cuadrado de la diferencia entre cada valor y la media, dividido en el número de valores. La desviación típica es la raíz cuadrada de la varianza.

# desviación típica
sd(insurance$bmi)
## [1] 6.098187
#Varianza
sd(insurance$bmi)^2
## [1] 37.18788

2.6.3 Intervalo intercuartílico o intervalos intercuartil IQR

IQR(insurance$bmi)
## [1] 8.3975

2.7 MEDIDAS DE FORMA

2.7.1 Modalidad

2.7.2 Asimetría

2.7.3 Kurtosis

2.8 VISUALIZACIÓN DE DATOS

2.8.1 Grafico de barras

insurance%>%group_by(smoker)%>%summarize(frec.absoluta=n())%>%
  ggbarplot(x="smoker",y="frec.absoluta")

insurance%>%ggbarplot(x="smoker",y="charges",color="smoker",add="mean")

insurance%>%ggbarplot(x="smoker",y="charges",color="smoker",add="mean_sd")

2.8.2 Boxplot

ggboxplot(insurance,y="charges",color = "#00AFBB",title = "charges",xlab = "")

ggviolin(insurance,y="charges",color = "black",fill = "#00AFBB",title = "charges",add="boxplot",add.params = list(fill="white"),xlab = "")

ggboxplot(insurance,y="charges",x="smoker",color="smoker",add="violin",add.params = list(alpha=0.4))

2.8.3 Scatterplot

ggplot(insurance,aes(x=age,y=charges)) + geom_point()

ggplot(insurance,aes(x=age,y=bmi)) + geom_point()

2.8.4 Pie chart

insurance%>%group_by(region)%>%summarize(N=n())%>%
  ggplot(aes(x="",y=N,fill=region)) + geom_bar(stat="identity",
                                               width=1) + 
  coord_polar("y",start=0) + theme_void()