Actividad 121 - Caso 1

Análisis descriptivo general de la base de datos beer2.csv

Paquetes utilizados

paquetes <- c("readr", "dplyr", "ggplot2", "knitr")

for (p in paquetes) {
  if (!requireNamespace(p, quietly = TRUE)) {
    install.packages(p)
  }
}

library(readr)
library(dplyr)
library(ggplot2)
library(knitr)

1. Introducción

Este documento corresponde al Trabajo individual de la Actividad 121 (Caso 1) de la unidad de Análisis Descriptivo. En el enunciado disponible para esta actividad no se incluyeron preguntas puntuales adicionales al Caso 1, más allá de indicar que se debe desarrollar el análisis a partir de la base de datos y publicarlo mediante RStudio Publish. Por esta razón, este trabajo se desarrolla como un análisis descriptivo general de la base beer2.csv, cubriendo los puntos centrales de la unidad: reconocimiento del tipo de cada variable, construcción de tablas de frecuencia para las variables cualitativas y cálculo de indicadores descriptivos para las variables cuantitativas.

A diferencia de la Actividad 122, que profundiza en dos variables cualitativas y dos cuantitativas, este trabajo hace un recorrido más general por la base de datos, mostrando cómo se clasifican todas sus variables y presentando un primer acercamiento descriptivo a varias de ellas.

2. Carga y descripción general de la base de datos

datos <- read_csv("beer2.csv")

dim(datos)

## [1] 1586614      15

str(datos)

## spc_tbl_ [1,586,614 × 15] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ id            : num [1:1586614] 47986 48213 48215 47969 64883 ...
##  $ marca         : chr [1:1586614] "Vecchio Birraio" "Vecchio Birraio" "Vecchio Birraio" "Vecchio Birraio" ...
##  $ precio        : num [1:1586614] 4.99 4.45 4.95 5.58 3.9 5.07 5.07 5.07 5.07 5.07 ...
##  $ alcohol       : num [1:1586614] 13.8 16.9 17.7 13.8 20.7 ...
##  $ carbohidratos : num [1:1586614] 11.5 14.2 15 10.5 15.2 12.1 12.1 12.1 12.1 12.1 ...
##  $ calorias      : num [1:1586614] 148 181 190 144 212 145 145 145 145 145 ...
##  $ nacionalidad  : chr [1:1586614] "Canadá" "Canadá" "Canadá" "Canadá" ...
##  $ calificacion  : num [1:1586614] 1.5 3 3 3 4 3 3.5 3 4 4.5 ...
##  $ aroma         : num [1:1586614] 2 2.5 2.5 3 4.5 3.5 3.5 2.5 3 3.5 ...
##  $ apariencia    : num [1:1586614] 2.5 3 3 3.5 4 3.5 3.5 3.5 3.5 5 ...
##  $ paladar       : num [1:1586614] 1.5 3 3 2.5 4 3 4 2 3.5 4 ...
##  $ sabor         : num [1:1586614] 1.5 3 3 3 4.5 3.5 4 3.5 4 4 ...
##  $ nombre_cerveza: chr [1:1586614] "Sausa Weizen" "Red Moon" "Black Horse Black Beer" "Sausa Pils" ...
##  $ tipo          : chr [1:1586614] "clara artesanal" "cerveza normal y helada" "cerveza normal y helada" "lager importada" ...
##  $ origen        : chr [1:1586614] "importada" "importada" "importada" "importada" ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   id = col_double(),
##   ..   marca = col_character(),
##   ..   precio = col_double(),
##   ..   alcohol = col_double(),
##   ..   carbohidratos = col_double(),
##   ..   calorias = col_double(),
##   ..   nacionalidad = col_character(),
##   ..   calificacion = col_double(),
##   ..   aroma = col_double(),
##   ..   apariencia = col_double(),
##   ..   paladar = col_double(),
##   ..   sabor = col_double(),
##   ..   nombre_cerveza = col_character(),
##   ..   tipo = col_character(),
##   ..   origen = col_character()
##   .. )
##  - attr(*, "problems")=<pointer: 0x000001aea3c22b80>

colSums(is.na(datos))

##             id          marca         precio        alcohol  carbohidratos 
##              0              0              0              0              0 
##       calorias   nacionalidad   calificacion          aroma     apariencia 
##              0              0              0              0              0 
##        paladar          sabor nombre_cerveza           tipo         origen 
##              0              0              0              0              0

La base de datos contiene 1586614 observaciones y 15 variables, y no presenta valores faltantes en ninguna de sus columnas. Cada fila representa una cerveza distinta, con información sobre su precio, composición, calificación y características generales como el tipo y el origen.

3. Clasificación de las variables

Antes de analizar los datos es necesario reconocer qué tipo de variable es cada columna, ya que de eso depende la forma correcta de resumirla (tabla de frecuencia o indicadores descriptivos).

clasificacion <- data.frame(
  Variable = c("id", "marca", "precio", "alcohol", "carbohidratos", "calorias",
               "nacionalidad", "calificacion", "aroma", "apariencia", "paladar",
               "sabor", "nombre_cerveza", "tipo", "origen"),
  Tipo = c("Identificador (no se analiza)", "Cualitativa nominal (muchas categorías)",
           "Cuantitativa continua", "Cuantitativa continua", "Cuantitativa continua",
           "Cuantitativa continua", "Cualitativa nominal", "Cuantitativa discreta (escala)",
           "Cuantitativa discreta (escala)", "Cuantitativa discreta (escala)",
           "Cuantitativa discreta (escala)", "Cuantitativa discreta (escala)",
           "Identificador (no se analiza)", "Cualitativa nominal", "Cualitativa nominal")
)

kable(clasificacion, col.names = c("Variable", "Clasificación"))

Variable	Clasificación
id	Identificador (no se analiza)
marca	Cualitativa nominal (muchas categorías)
precio	Cuantitativa continua
alcohol	Cuantitativa continua
carbohidratos	Cuantitativa continua
calorias	Cuantitativa continua
nacionalidad	Cualitativa nominal
calificacion	Cuantitativa discreta (escala)
aroma	Cuantitativa discreta (escala)
apariencia	Cuantitativa discreta (escala)
paladar	Cuantitativa discreta (escala)
sabor	Cuantitativa discreta (escala)
nombre_cerveza	Identificador (no se analiza)
tipo	Cualitativa nominal
origen	Cualitativa nominal

Las variables id y nombre_cerveza funcionan como identificadores de cada observación (la segunda con una gran cantidad de valores distintos), por lo que no se analizan como variables descriptivas. De igual forma, marca tiene miles de categorías diferentes, lo cual la hace poco práctica para una tabla de frecuencia. Las variables calificacion, aroma, apariencia, paladar y sabor corresponden a puntuaciones numéricas en una escala definida, por lo que se tratan como cuantitativas discretas.

4. Análisis de variables cualitativas

Se seleccionan tres variables cualitativas con un número razonable de categorías: origen, tipo y nacionalidad.

4.1 Origen

tabla_origen <- datos %>%
  count(origen) %>%
  mutate(
    frecuencia_relativa = round(n / sum(n), 4),
    porcentaje = round(frecuencia_relativa * 100, 2)
  ) %>%
  rename(frecuencia_absoluta = n)

kable(tabla_origen, col.names = c("Origen", "Frecuencia absoluta", "Frecuencia relativa", "Porcentaje (%)"))

Origen	Frecuencia absoluta	Frecuencia relativa	Porcentaje (%)
importada	1412449	0.8902	89.02
nacional	174165	0.1098	10.98

ggplot(datos, aes(x = origen)) +
  geom_bar(fill = "gray40") +
  labs(title = "Distribución de cervezas según origen", x = "Origen", y = "Número de cervezas") +
  theme_minimal()

La mayoría de las cervezas de la base son importadas, mientras que las nacionales representan una proporción bastante menor. No se incluye frecuencia acumulada porque origen es una variable nominal y sus dos categorías no tienen un orden entre sí.

4.2 Tipo

tabla_tipo <- datos %>%
  count(tipo) %>%
  arrange(desc(n)) %>%
  mutate(
    frecuencia_relativa = round(n / sum(n), 4),
    porcentaje = round(frecuencia_relativa * 100, 2)
  ) %>%
  rename(frecuencia_absoluta = n)

kable(tabla_tipo, col.names = c("Tipo de cerveza", "Frecuencia absoluta", "Frecuencia relativa", "Porcentaje (%)"))

Tipo de cerveza	Frecuencia absoluta	Frecuencia relativa	Porcentaje (%)
cerveza normal y helada	839088	0.5289	52.89
clara artesanal	483464	0.3047	30.47
lager importada	219194	0.1382	13.82
lager artesanal	22725	0.0143	1.43
baja en calorías / sin alcohol	22143	0.0140	1.40

ggplot(datos, aes(x = reorder(tipo, tipo, function(x) -length(x)))) +
  geom_bar(fill = "gray40") +
  labs(title = "Distribución de cervezas según tipo", x = "Tipo de cerveza", y = "Número de cervezas") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 25, hjust = 1))

La categoría “cerveza normal y helada” concentra la mayor parte de las observaciones. Las categorías “lager artesanal” y “baja en calorías / sin alcohol” son mucho menos frecuentes, lo que muestra que el catálogo está dominado por unos pocos tipos de cerveza.

4.3 Nacionalidad

tabla_nac <- datos %>%
  count(nacionalidad) %>%
  arrange(desc(n)) %>%
  mutate(
    frecuencia_relativa = round(n / sum(n), 4),
    porcentaje = round(frecuencia_relativa * 100, 2)
  ) %>%
  rename(frecuencia_absoluta = n)

kable(tabla_nac, col.names = c("Nacionalidad", "Frecuencia absoluta", "Frecuencia relativa", "Porcentaje (%)"))

Nacionalidad	Frecuencia absoluta	Frecuencia relativa	Porcentaje (%)
Austria	201941	0.1273	12.73
Bélgica	188677	0.1189	11.89
Francia	181574	0.1144	11.44
Estados Unidos	174165	0.1098	10.98
Inglaterra	162644	0.1025	10.25
Canadá	159508	0.1005	10.05
Japón	155273	0.0979	9.79
Alemania	121684	0.0767	7.67
Irlanda	120742	0.0761	7.61
República Checa	120406	0.0759	7.59

ggplot(datos, aes(x = reorder(nacionalidad, nacionalidad, function(x) -length(x)))) +
  geom_bar(fill = "gray40") +
  labs(title = "Distribución de cervezas según nacionalidad", x = "Nacionalidad", y = "Número de cervezas") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 40, hjust = 1))

La base incluye diez nacionalidades distintas. Ninguna concentra una mayoría absoluta de los datos, lo que indica una distribución más repartida que en el caso de tipo u origen, aunque sí se observan algunas nacionalidades con más presencia que otras.

5. Análisis de variables cuantitativas

Para las variables cuantitativas continuas (precio, alcohol, carbohidratos, calorias) se calculan los principales indicadores de posición, tendencia central y dispersión.

skewness <- function(x) {
  n <- length(x)
  m3 <- sum((x - mean(x))^3) / n
  m3 / (sd(x)^3)
}

vars_cuant <- c("precio", "alcohol", "carbohidratos", "calorias")

resumen_cuant <- data.frame(
  Variable = vars_cuant,
  Media = sapply(datos[vars_cuant], mean),
  Mediana = sapply(datos[vars_cuant], median),
  Desv_estandar = sapply(datos[vars_cuant], sd),
  Minimo = sapply(datos[vars_cuant], min),
  Maximo = sapply(datos[vars_cuant], max),
  Asimetria = sapply(datos[vars_cuant], skewness)
)

resumen_cuant[,-1] <- round(resumen_cuant[,-1], 2)

kable(resumen_cuant)

	Variable	Media	Mediana	Desv_estandar	Minimo	Maximo	Asimetria
precio	precio	5.00	5.00	0.89	2.37	7.72	0.00
alcohol	alcohol	18.71	17.67	5.46	0.03	59.45	0.96
carbohidratos	carbohidratos	14.05	13.80	2.38	3.50	30.20	0.46
calorias	calorias	193.17	182.00	46.57	21.00	541.00	0.92

ggplot(datos, aes(x = precio)) +
  geom_histogram(bins = 30, fill = "gray40", color = "white") +
  labs(title = "Distribución del precio", x = "Precio", y = "Frecuencia") +
  theme_minimal()

ggplot(datos, aes(x = calorias)) +
  geom_histogram(bins = 30, fill = "gray40", color = "white") +
  labs(title = "Distribución de las calorías", x = "Calorías", y = "Frecuencia") +
  theme_minimal()

El precio es la variable con la distribución más simétrica del grupo, ya que su media y su mediana son muy cercanas y su coeficiente de asimetría es prácticamente cero. En cambio, alcohol y calorias muestran una asimetría positiva más marcada, es decir, su media es mayor que su mediana debido a la presencia de valores altos que estiran la distribución hacia la derecha. Esto se puede ver en el histograma de calorías, donde la mayoría de los datos se concentra en la parte baja del rango, pero existe una cola de valores más altos y menos frecuentes.

6. Conclusiones

Este primer análisis descriptivo de beer2.csv permitió reconocer el tipo de cada variable, construir tablas de frecuencia para las variables cualitativas con un número manejable de categorías y calcular los principales indicadores descriptivos para las variables cuantitativas continuas.

En general, la base está dominada por cervezas importadas y por el tipo “cerveza normal y helada”, mientras que las nacionalidades están más repartidas entre las diez categorías registradas. En cuanto a las variables numéricas, el precio se comporta de manera simétrica y con poca dispersión, mientras que el alcohol y las calorías presentan mayor variabilidad y una distribución sesgada hacia la derecha. Este panorama general sirve como base para el análisis más profundo que se desarrolla en la Actividad 122, donde se estudian con mayor detalle dos variables cualitativas y dos cuantitativas.