R: Modelado Analítico
De los datos a los grupos:
análisis
exploratorio y clustering
Act. Casandra Sofía Pejcovich
22 de julio de 2026
5. Carga de la base de datos (Excel)
El dataset: Life Expectancy
(WHO)
- Fuente: Organización Mundial de la Salud (WHO), recopilado en
Kaggle.
- Contiene indicadores de salud y desarrollo por país y
año (2000-2015): esperanza de vida, mortalidad infantil, gasto
en salud, escolaridad, PIB, entre otros.
- Es la base sobre la que, más adelante, aplicaremos limpieza,
visualización y K-means.
¿Qué es
Kaggle y por qué es válido tomar datos de ahí?
- Kaggle es una plataforma (propiedad de Google) de
ciencia de datos donde se publican datasets, competencias de
modelado y notebooks de análisis, usada tanto por estudiantes
como por profesionales e investigadores.
- Es una fuente válida para fines educativos y de práctica porque:
- Los datasets suelen indicar su fuente original (en
este caso, la OMS/WHO, un organismo oficial).
- La comunidad puede comentar, versionar y señalar errores o
inconsistencias en cada dataset, lo que agrega una capa de
revisión.
- Es ampliamente usada en cursos universitarios y en la industria para
prototipar y practicar antes de trabajar con datos
productivos/confidenciales.
- Una buena práctica —que aplicamos en la próxima sección— es
no asumir que los datos de Kaggle llegan limpios:
siempre conviene auditar la calidad antes de modelar, como haremos con
este dataset.
Cargando el archivo Excel
# readxl es el paquete estándar para leer archivos .xlsx / .xls en R
library(readxl)
library(dplyr)
# read_excel() lee la hoja de cálculo y la convierte en un data frame de R
# path: ubicación del archivo | sheet: nombre u orden de la hoja (opcional)
life_exp <- read_excel("Life_Expectancy_Data.xlsx", sheet = 1)
Primer vistazo a la
estructura
# dim(): dimensiones (filas x columnas)
dim(life_exp)
## [1] 2938 22
# glimpse(): vista compacta y legible de cada columna, su tipo y primeros valores
glimpse(life_exp)
## Rows: 2,938
## Columns: 22
## $ Country <chr> "Afghanistan", "Afghanistan", "Afgha…
## $ Year <dbl> 2015, 2014, 2013, 2012, 2011, 2010, …
## $ Status <chr> "Developing", "Developing", "Develop…
## $ `Life expectancy` <dbl> 65.0, 59.9, 59.9, 59.5, 59.2, 58.8, …
## $ `Adult Mortality` <dbl> 263, 271, 268, 272, 275, 279, 281, 2…
## $ `infant deaths` <dbl> 62, 64, 66, 69, 71, 74, 77, 80, 82, …
## $ Alcohol <dbl> 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, …
## $ `percentage expenditure` <dbl> 71.279624, 73.523582, 73.219243, 78.…
## $ `Hepatitis B` <dbl> 65, 62, 64, 67, 68, 66, 63, 64, 63, …
## $ Measles <dbl> 1154, 492, 430, 2787, 3013, 1989, 28…
## $ BMI <dbl> 19.1, 18.6, 18.1, 17.6, 17.2, 16.7, …
## $ `under-five deaths` <dbl> 83, 86, 89, 93, 97, 102, 106, 110, 1…
## $ Polio <dbl> 6, 58, 62, 67, 68, 66, 63, 64, 63, 5…
## $ `Total expenditure` <dbl> 8.16, 8.18, 8.13, 8.52, 7.87, 9.20, …
## $ Diphtheria <dbl> 65, 62, 64, 67, 68, 66, 63, 64, 63, …
## $ `HIV/AIDS` <dbl> 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0…
## $ GDP <dbl> 584.25921, 612.69651, 631.74498, 669…
## $ Population <dbl> 33736494, 327582, 31731688, 3696958,…
## $ `thinness 1-19 years` <dbl> 17.2, 17.5, 17.7, 17.9, 18.2, 18.4, …
## $ `thinness 5-9 years` <dbl> 17.3, 17.5, 17.7, 18.0, 18.2, 18.4, …
## $ `Income composition of resources` <dbl> 0.479, 0.476, 0.470, 0.463, 0.454, 0…
## $ Schooling <dbl> 10.1, 10.0, 9.9, 9.8, 9.5, 9.2, 8.9,…
Primeras filas
# head(): muestra las primeras n filas, útil para "ver" los datos reales
head(life_exp, 5)
6. Análisis exploratorio y limpieza con dplyr
¿Por qué limpiar
antes de graficar o modelar?
kmeans() solo acepta variables
numéricas y es sensible a valores faltantes (NA) y
a la escala de cada variable.- Un dataset real casi nunca llega listo, puede tener nombres de
columna con espacios, NA’s por países sin reportar cierto dato, escalas
muy distintas entre variables (ej. población vs. esperanza de
vida).
Diagnóstico inicial:
nombres de columna
# Muchos datasets de Kaggle traen espacios al inicio/final de los nombres
# (ej. " BMI ", "Diphtheria ") impidiendo que hagamos referencias precisas por nombre
names(life_exp)
## [1] "Country" "Year"
## [3] "Status" "Life expectancy"
## [5] "Adult Mortality" "infant deaths"
## [7] "Alcohol" "percentage expenditure"
## [9] "Hepatitis B" "Measles"
## [11] "BMI" "under-five deaths"
## [13] "Polio" "Total expenditure"
## [15] "Diphtheria" "HIV/AIDS"
## [17] "GDP" "Population"
## [19] "thinness 1-19 years" "thinness 5-9 years"
## [21] "Income composition of resources" "Schooling"
janitor::clean_names() estandariza automáticamente:
minúsculas, sin espacios, separador _.
library(janitor)
life_exp <- life_exp %>%
clean_names()
names(life_exp)
## [1] "country" "year"
## [3] "status" "life_expectancy"
## [5] "adult_mortality" "infant_deaths"
## [7] "alcohol" "percentage_expenditure"
## [9] "hepatitis_b" "measles"
## [11] "bmi" "under_five_deaths"
## [13] "polio" "total_expenditure"
## [15] "diphtheria" "hiv_aids"
## [17] "gdp" "population"
## [19] "thinness_1_19_years" "thinness_5_9_years"
## [21] "income_composition_of_resources" "schooling"
Diagnóstico de valores
faltantes — ANTES
# colSums(is.na(df)): cuenta NA's por columna
# is.na() marca TRUE/FALSE por celda, colSums() suma esos TRUE (=1) por columna
colSums(is.na(life_exp))
## country year
## 0 0
## status life_expectancy
## 0 10
## adult_mortality infant_deaths
## 10 0
## alcohol percentage_expenditure
## 194 0
## hepatitis_b measles
## 553 0
## bmi under_five_deaths
## 34 0
## polio total_expenditure
## 19 226
## diphtheria hiv_aids
## 19 0
## gdp population
## 448 652
## thinness_1_19_years thinness_5_9_years
## 34 34
## income_composition_of_resources schooling
## 167 163
# summary(): además de los NA, muestra rango, media, cuartiles por variable
summary(life_exp)
## country year status life_expectancy
## Length:2938 Min. :2000 Length:2938 Min. :36.30
## Class :character 1st Qu.:2004 Class :character 1st Qu.:63.10
## Mode :character Median :2008 Mode :character Median :72.10
## Mean :2008 Mean :69.22
## 3rd Qu.:2012 3rd Qu.:75.70
## Max. :2015 Max. :89.00
## NA's :10
## adult_mortality infant_deaths alcohol percentage_expenditure
## Min. : 1.0 Min. : 0.0 Min. : 0.0100 Min. : 0.000
## 1st Qu.: 74.0 1st Qu.: 0.0 1st Qu.: 0.8775 1st Qu.: 4.685
## Median :144.0 Median : 3.0 Median : 3.7550 Median : 64.913
## Mean :164.8 Mean : 30.3 Mean : 4.6029 Mean : 738.251
## 3rd Qu.:228.0 3rd Qu.: 22.0 3rd Qu.: 7.7025 3rd Qu.: 441.534
## Max. :723.0 Max. :1800.0 Max. :17.8700 Max. :19479.912
## NA's :10 NA's :194
## hepatitis_b measles bmi under_five_deaths
## Min. : 1.00 Min. : 0.0 Min. : 1.00 Min. : 0.00
## 1st Qu.:77.00 1st Qu.: 0.0 1st Qu.:19.30 1st Qu.: 0.00
## Median :92.00 Median : 17.0 Median :43.50 Median : 4.00
## Mean :80.94 Mean : 2419.6 Mean :38.32 Mean : 42.04
## 3rd Qu.:97.00 3rd Qu.: 360.2 3rd Qu.:56.20 3rd Qu.: 28.00
## Max. :99.00 Max. :212183.0 Max. :87.30 Max. :2500.00
## NA's :553 NA's :34
## polio total_expenditure diphtheria hiv_aids
## Min. : 3.00 Min. : 0.370 Min. : 2.00 Min. : 0.100
## 1st Qu.:78.00 1st Qu.: 4.260 1st Qu.:78.00 1st Qu.: 0.100
## Median :93.00 Median : 5.755 Median :93.00 Median : 0.100
## Mean :82.55 Mean : 5.938 Mean :82.32 Mean : 1.742
## 3rd Qu.:97.00 3rd Qu.: 7.492 3rd Qu.:97.00 3rd Qu.: 0.800
## Max. :99.00 Max. :17.600 Max. :99.00 Max. :50.600
## NA's :19 NA's :226 NA's :19
## gdp population thinness_1_19_years thinness_5_9_years
## Min. :1.681e+00 Min. :3.400e+01 Min. : 0.10 Min. : 0.10
## 1st Qu.:4.639e+02 1st Qu.:1.958e+05 1st Qu.: 1.60 1st Qu.: 1.50
## Median :1.767e+03 Median :1.387e+06 Median : 3.30 Median : 3.30
## Mean :7.483e+03 Mean :1.275e+07 Mean : 4.84 Mean : 4.87
## 3rd Qu.:5.911e+03 3rd Qu.:7.420e+06 3rd Qu.: 7.20 3rd Qu.: 7.20
## Max. :1.192e+05 Max. :1.294e+09 Max. :27.70 Max. :28.60
## NA's :448 NA's :652 NA's :34 NA's :34
## income_composition_of_resources schooling
## Min. :0.0000 Min. : 0.00
## 1st Qu.:0.4930 1st Qu.:10.10
## Median :0.6770 Median :12.30
## Mean :0.6276 Mean :11.99
## 3rd Qu.:0.7790 3rd Qu.:14.30
## Max. :0.9480 Max. :20.70
## NA's :167 NA's :163
Limpieza con dplyr
life_exp_limpio <- life_exp %>%
# filter(): nos quedamos solo con filas donde la variable objetivo existe
filter(!is.na(life_expectancy)) %>%
# select(): elegimos las variables numéricas relevantes para el clustering
select(country, year, status, life_expectancy, adult_mortality,
alcohol, percentage_expenditure, bmi, gdp,
schooling, income_composition_of_resources) %>%
# mutate(): imputamos NA's restantes con la mediana de cada columna numérica
# (la mediana es más robusta a outliers que la media, por eso se prefiere aquí)
mutate(across(where(is.numeric), ~ ifelse(is.na(.x), median(.x, na.rm = TRUE), .x)))
filter() — quita filas según una condición lógica
(aquí, sin dato en la variable objetivo).select() — nos quedamos solo con las columnas que vamos
a usar (justificación: evitar variables redundantes o irrelevantes para
el perfil de salud/desarrollo).mutate(across(...)) — aplica una transformación a
varias columnas a la vez (todas las numéricas),
evitando repetir el mismo código columna por columna.- El operador
%>% (pipe) encadena pasos de
forma legible: “toma esto, y luego haz esto, y luego esto otro”.
Diagnóstico de valores
faltantes — DESPUÉS
colSums(is.na(life_exp_limpio))
## country year
## 0 0
## status life_expectancy
## 0 0
## adult_mortality alcohol
## 0 0
## percentage_expenditure bmi
## 0 0
## gdp schooling
## 0 0
## income_composition_of_resources
## 0
## country year status life_expectancy
## Length:2928 Min. :2000 Length:2928 Min. :36.30
## Class :character 1st Qu.:2004 Class :character 1st Qu.:63.10
## Mode :character Median :2008 Mode :character Median :72.10
## Mean :2008 Mean :69.22
## 3rd Qu.:2011 3rd Qu.:75.70
## Max. :2015 Max. :89.00
## adult_mortality alcohol percentage_expenditure bmi
## Min. : 1.0 Min. : 0.010 Min. : 0.000 Min. : 1.00
## 1st Qu.: 74.0 1st Qu.: 1.107 1st Qu.: 4.854 1st Qu.:19.40
## Median :144.0 Median : 3.770 Median : 65.612 Median :43.35
## Mean :164.8 Mean : 4.559 Mean : 740.321 Mean :38.29
## 3rd Qu.:228.0 3rd Qu.: 7.400 3rd Qu.: 442.614 3rd Qu.:56.10
## Max. :723.0 Max. :17.870 Max. :19479.912 Max. :77.60
## gdp schooling income_composition_of_resources
## Min. :1.681e+00 Min. : 0.00 Min. :0.0000
## 1st Qu.:5.788e+02 1st Qu.:10.30 1st Qu.:0.5040
## Median :1.765e+03 Median :12.30 Median :0.6770
## Mean :6.627e+03 Mean :12.02 Mean :0.6301
## 3rd Qu.:4.794e+03 3rd Qu.:14.10 3rd Qu.:0.7730
## Max. :1.192e+05 Max. :20.70 Max. :0.9480
7. Gráficos multivariable básicos en ggplot2
Con la base ya limpia, el siguiente paso natural es encontrar qué
patrones insinúan los gráficos para así anticipar qué esperar del modelo
de clustering.
La filosofía de
ggplot2: gramática de gráficos
ggplot2 piensa en capas que se
combinan:
- Datos: qué data frame se usa.
- Estética (
aes): qué variables van en
qué eje, color, tamaño, forma.
- Geometría (
geom_*): cómo se
representan los datos (puntos, barras, cajas…).
- Facetas (
facet_*): paneles separados
por una variable categórica.
- Tema (
theme): aspecto visual
general.
- Ventaja frente a
plot() base: cada capa es
independiente y se agrega con +, lo que hace el código más
legible, modular y fácil de modificar sin reescribir todo el
gráfico.
Construyendo un gráfico,
capa por capa
library(ggplot2)
# Capa 1: solo datos + estética -> lienzo vacío, define ejes
ggplot(life_exp_limpio, aes(x = percentage_expenditure, y = life_expectancy))
# Capa 2: agregamos geometría -> ahora sí vemos los puntos
ggplot(life_exp_limpio, aes(x = percentage_expenditure, y = life_expectancy)) +
geom_point()
# Capa 3: coloreamos por una variable categórica (status: desarrollado/en desarrollo)
ggplot(life_exp_limpio, aes(x = percentage_expenditure, y = life_expectancy,
color = status)) +
geom_point(alpha = 0.5)
# Capa 4: tema, para una presentación más limpia y legible
ggplot(life_exp_limpio, aes(x = percentage_expenditure, y = life_expectancy,
color = status)) +
geom_point(alpha = 0.5) +
labs(title = "Esperanza de vida vs. gasto en salud",
x = "Gasto en salud (% del PIB, escala relativa)",
y = "Esperanza de vida (años)",
color = "Status") +
theme_minimal()
Segundo gráfico:
distribución por status
ggplot(life_exp_limpio, aes(x = status, y = life_expectancy, fill = status)) +
geom_boxplot() +
labs(title = "Distribución de esperanza de vida según status del país",
x = NULL, y = "Esperanza de vida (años)") +
theme_minimal() +
theme(legend.position = "none")
geom_boxplot() resume mediana, rango intercuartílico y
outliers en una sola geometría.
Tercer
gráfico: relación entre escolaridad y desarrollo
ggplot(life_exp_limpio, aes(x = schooling, y = income_composition_of_resources,
color = life_expectancy)) +
geom_point(size = 2, alpha = 0.7) +
scale_color_viridis_c() +
labs(title = "Escolaridad, desarrollo y esperanza de vida",
x = "Años de escolaridad", y = "Índice de composición del ingreso",
color = "Esperanza\nde vida") +
theme_minimal()
- Aquí usamos color como tercera variable continua
(
scale_color_viridis_c()), mostrando que ggplot2 permite
representar más de dos dimensiones en un solo gráfico 2D.
9. Introducción al modelado estadístico
¿Qué significa “modelar”?
- Un modelo es una simplificación matemática de la
realidad que nos permite describir patrones, predecir valores o agrupar
observaciones similares.
- Todo modelo implica un supuesto: renunciamos a explicar el 100% de
la variabilidad de los datos, a cambio de una estructura simple y
útil.
- La mayoría de los problemas de aprendizaje estadístico se clasifican
en dos grandes categorías: aprendizaje supervisado y
aprendizaje no supervisado.
Aprendizaje supervisado: la
idea
- En el aprendizaje supervisado contamos con un conjunto de datos en
el que, para cada observación, disponemos de variables
predictoras y una variable respuesta
asociada:
\[
i \in \{1, 2, \dots, n\}, \quad
(x_i, y_i), \quad
x_i \in \mathbb{R}^p, \quad
y_i \in \mathbb{R} \;\text{o}\; y_i \in \{0,1\}
\]
Aprendizaje supervisado: el
objetivo
- El objetivo es construir una función que relacione las variables
predictoras con la respuesta:
\[
f: \mathbb{R}^p \rightarrow \mathbb{R}, \quad y_i \approx f(x_i)
\]
- Este modelo puede tener dos fines principales:
- Predicción: estimar el valor de la respuesta para
nuevas observaciones.
- Inferencia: entender cómo las variables predictoras
afectan a la respuesta.
- Métodos clásicos: regresión lineal, regresión logística, árboles de
decisión, y enfoques más flexibles como GAM, boosting o SVM.
Aprendizaje no supervisado:
la idea
- En contraste, el aprendizaje no supervisado se presenta en
situaciones donde no existe una variable respuesta.
Para cada observación solo contamos con un vector de variables:
\[
i \in \{1, 2, \dots, n\}, \quad
x_i \in \mathbb{R}^p, \quad
\{x_1, x_2, \dots, x_n\} \subset \mathbb{R}^p
\]
Aprendizaje no
supervisado: clustering
- Uno de los enfoques más importantes en este contexto es el
análisis de clusters (clustering):
\[
\mathcal{C} = \{C_1, C_2, \dots, C_K\}, \quad
\bigcup_{k=1}^{K} C_k = \{1,2,\dots,n\}, \quad
C_k \cap C_j = \emptyset \quad \text{si } k \neq j
\]
Los dos enfoques, en resumen
| ¿Hay variable objetivo (\(y\))? |
Sí, conocida de antemano |
No existe una etiqueta previa |
| Objetivo |
Predecir o clasificar |
Descubrir estructura/grupos ocultos |
| Ejemplos |
Regresión, árboles de decisión, regresión logística |
K-means, clustering jerárquico, PCA |
| Ejemplo actuarial |
Predecir el monto de un siniestro |
Segmentar asegurados por perfil de riesgo |
¿Dónde está K-means?
K-means es un modelo no supervisado que busca,
únicamente a partir de las variables numéricas, la forma de agrupar
observaciones similares entre sí y distintas de
otros grupos.
10. Análisis de K-means
Algoritmo K-means
- Inicialización aleatoria: se asigna, al azar, un
número del 1 al K a cada una de las observaciones. Esto define una
primera partición en K grupos.
- Iterar hasta que las asignaciones dejen de cambiar:
- Para cada uno de los K clusters, calcular su
centroide: el vector formado por el promedio de cada
una de las \(p\) variables, tomado solo
sobre las observaciones que pertenecen a ese cluster en el paso
actual.
- Reasignar cada observación al cluster cuyo centroide esté
más cerca, usando distancia euclidiana.
- El proceso converge cuando, tras recalcular los centroides y
reasignar observaciones, ningún punto cambia de grupo y
el algoritmo se detiene.
- Nótese que el punto de partida es una asignación aleatoria de grupos
(no de centroides): los centroides recién se calculan en la primera
iteración, a partir de esa partición inicial al azar.
Paso previo
obligatorio: escalar las variables
# Seleccionamos solo las variables numéricas relevantes (sin id/categóricas)
datos_kmeans <- life_exp_limpio %>%
select(life_expectancy, adult_mortality, alcohol,
percentage_expenditure, bmi, gdp,
schooling, income_composition_of_resources)
# scale(): centra (resta la media) y estandariza (divide entre desv. estándar)
# cada variable queda con media 0 y varianza 1 -> todas "pesan" lo mismo
datos_escalados <- scale(datos_kmeans)
- La distancia euclidiana del paso 2(b) del algoritmo debe calcularse
sobre las variables escaladas, evitando que el clustering termine
dominado por las variables de mayor magnitud numérica (como
gdp), sin que eso refleje mayor importancia real.
Eligiendo k: método del codo
library(factoextra)
# fviz_nbclust calcula, para distintos valores de k, la suma de cuadrados
# dentro de cada cluster (WSS) — buscamos el "codo" donde agregar más
# grupos deja de reducir sustancialmente esa suma
fviz_nbclust(datos_escalados, kmeans, method = "wss", k.max = 10) +
labs(title = "Método del codo para elegir k",
subtitle = "Buscamos el punto donde la curva se \"aplana\"")
- El WSS siempre decrece a medida que aumenta k (más
grupos, menos variación dentro de cada uno) — por eso no buscamos el
mínimo, sino el punto donde la curva deja de bajar de forma pronunciada
y empieza a aplanarse.
Un segundo
criterio: el método de la silueta
- El coeficiente de silueta mide, para cada
observación, qué tan bien encaja en su propio cluster comparado con el
cluster más cercano al que no pertenece.
- Toma valores entre -1 y 1:
- Cercano a 1: la observación está bien ubicada
dentro de su grupo.
- Cercano a 0: está en el límite entre dos
clusters.
- Negativo: probablemente está mal asignada.
- Se promedia ese coeficiente sobre todas las observaciones para cada
valor de k, y se elige el k que maximiza ese
promedio.
- A diferencia del codo (que se lee visualmente), la silueta da un
número concreto a comparar entre distintos valores de k — un buen
complemento, no un reemplazo.
fviz_nbclust(datos_escalados, kmeans, method = "silhouette", k.max = 10) +
labs(title = "Método de la silueta para elegir k",
subtitle = "Buscamos el k que maximiza el ancho de silueta promedio")
Ejecutando K-means
set.seed(123) # semilla fija para que el resultado sea reproducible
# k_elegido: valor observado en el codo/silueta de ESTA corrida de ejemplo.
k_elegido <- 3
# nstart = 25 -> corre el algoritmo completo 25 veces, cada una empezando
# desde una asignación aleatoria inicial distinta (paso 1 del algoritmo)
modelo_kmeans <- kmeans(datos_escalados, centers = k_elegido, nstart = 25)
# tamaño de cada cluster
modelo_kmeans$size
## [1] 1083 238 1607
Visualizando los clusters
fviz_cluster(modelo_kmeans, data = datos_escalados,
geom = "point", ellipse.type = "norm",
palette = "jco", ggtheme = theme_minimal()) +
labs(title = "Clusters de países según perfil de salud y desarrollo")
fviz_cluster() (de factoextra) está
construido sobre ggplot2, por eso el resultado se ve y se
personaliza igual que los gráficos ya vistos (mismas capas: tema,
título, paleta de color).- Internamente reduce las variables a 2 dimensiones (componentes
principales) solo para poder graficarlas, aunque el modelo original usó
todas las variables seleccionadas.
Interpretando los
clusters en contexto
# Agregamos la etiqueta de cluster a la base y resumimos por grupo
life_exp_limpio %>%
mutate(cluster = modelo_kmeans$cluster) %>%
group_by(cluster) %>%
summarise(
filas = n(),
paises_distintos = n_distinct(country),
esperanza_vida_prom = mean(life_expectancy),
gdp_prom = mean(gdp),
escolaridad_prom = mean(schooling)
)