Proyecto N° 1
KEL
2026-08-10
Análisis Exploratorio de las Caracteristicas del Vino
A continuación, se presenta un análisis exploratorio para evaluar el comportamiento de cada una de las variables organolépticas y físico-químicas que compone el vino, las cuales inciden de manera directa en su calidad final
##Importamos la base de datos en la variable BD
BD <- read.csv("C:/Users/KEVIN/OneDrive/Desktop/KEVIN/CURSOS/PUCP/Diplomado de Busines Analytics/Ciclo 1/Martes - Analytics and Data Science for Business/Clase 4/winequality-red.csv")
#Vemos la estructura de la base de datos:Se observa que los tados son numericos y la variable calidad es entero.
str(BD)## 'data.frame': 1599 obs. of 12 variables:
## $ fixed.acidity : num 7.4 7.8 7.8 11.2 7.4 7.4 7.9 7.3 7.8 7.5 ...
## $ volatile.acidity : num 0.7 0.88 0.76 0.28 0.7 0.66 0.6 0.65 0.58 0.5 ...
## $ citric.acid : num 0 0 0.04 0.56 0 0 0.06 0 0.02 0.36 ...
## $ residual.sugar : num 1.9 2.6 2.3 1.9 1.9 1.8 1.6 1.2 2 6.1 ...
## $ chlorides : num 0.076 0.098 0.092 0.075 0.076 0.075 0.069 0.065 0.073 0.071 ...
## $ free.sulfur.dioxide : num 11 25 15 17 11 13 15 15 9 17 ...
## $ total.sulfur.dioxide: num 34 67 54 60 34 40 59 21 18 102 ...
## $ density : num 0.998 0.997 0.997 0.998 0.998 ...
## $ pH : num 3.51 3.2 3.26 3.16 3.51 3.51 3.3 3.39 3.36 3.35 ...
## $ sulphates : num 0.56 0.68 0.65 0.58 0.56 0.56 0.46 0.47 0.57 0.8 ...
## $ alcohol : num 9.4 9.8 9.8 9.8 9.4 9.4 9.4 10 9.5 10.5 ...
## $ quality : int 5 5 5 6 5 5 5 7 7 5 ...#Posteriormente analizaremos cada uno de los atributos
summary(BD)## fixed.acidity volatile.acidity citric.acid residual.sugar
## Min. : 4.60 Min. :0.1200 Min. :0.000 Min. : 0.900
## 1st Qu.: 7.10 1st Qu.:0.3900 1st Qu.:0.090 1st Qu.: 1.900
## Median : 7.90 Median :0.5200 Median :0.260 Median : 2.200
## Mean : 8.32 Mean :0.5278 Mean :0.271 Mean : 2.539
## 3rd Qu.: 9.20 3rd Qu.:0.6400 3rd Qu.:0.420 3rd Qu.: 2.600
## Max. :15.90 Max. :1.5800 Max. :1.000 Max. :15.500
## chlorides free.sulfur.dioxide total.sulfur.dioxide density
## Min. :0.01200 Min. : 1.00 Min. : 6.00 Min. :0.9901
## 1st Qu.:0.07000 1st Qu.: 7.00 1st Qu.: 22.00 1st Qu.:0.9956
## Median :0.07900 Median :14.00 Median : 38.00 Median :0.9968
## Mean :0.08747 Mean :15.87 Mean : 46.47 Mean :0.9967
## 3rd Qu.:0.09000 3rd Qu.:21.00 3rd Qu.: 62.00 3rd Qu.:0.9978
## Max. :0.61100 Max. :72.00 Max. :289.00 Max. :1.0037
## pH sulphates alcohol quality
## Min. :2.740 Min. :0.3300 Min. : 8.40 Min. :3.000
## 1st Qu.:3.210 1st Qu.:0.5500 1st Qu.: 9.50 1st Qu.:5.000
## Median :3.310 Median :0.6200 Median :10.20 Median :6.000
## Mean :3.311 Mean :0.6581 Mean :10.42 Mean :5.636
## 3rd Qu.:3.400 3rd Qu.:0.7300 3rd Qu.:11.10 3rd Qu.:6.000
## Max. :4.010 Max. :2.0000 Max. :14.90 Max. :8.000Análisis visual del comportamiento de cada atributo
Se uso el FOR como bucle operativo para leer cada columna -atributo de la base datos y poder asi automatizar su lectura y graficas, se realizo graficas de histogramas y boxplot.
BDN <- NULL
BDC <- NULL
columnas <- dim(BD)[2]
par(mfrow = c(2,columnas/2))
for (i in 1:columnas) {
if(is.numeric(BD[ ,i])== TRUE)
{
texto = paste(" ",colnames(BD)[i])
hist(BD[ ,i],
main=texto,
xlab = colnames(BD)[i],
col=i)
boxplot(BD[[i]],
horizontal = TRUE,
col = i,
xlab = colnames(BD)[i])
BDN <- c(BDN,i)
}else {
texto = paste(" ",colnames(BD)[i])
pie(table(BD[ ,i]),
main=texto)
BDC <- c(BDC,i)
}
}
Creación de funciones para analizar variables numéricas
analizar_variable <- function(x, nombre_var) {
Q1 <- quantile(x, 0.25, na.rm = TRUE)
Q3 <- quantile(x, 0.75, na.rm = TRUE)
RIC <- Q3 - Q1
LI <- Q1 - 1.5 * RIC # Límite de Control Inferior
LS <- Q3 + 1.5 * RIC # Límite de Control Superior
outliers <- x[x < LI | x > LS]
n_outliers <- length(outliers)
if (n_outliers > 0) {
cat("Valores de los outliers:\n")
print(round(sort(outliers), 2))
}
cat("========================================\n\n")
par(mfrow = c(1, 2))
boxplot(x,
horizontal = TRUE,
col = "lightblue",
main = paste("Boxplot -", nombre_var),
xlab = nombre_var)
abline(v = LI, col = "red", lty = 2, lwd = 2) # línea límite inferior
abline(v = LS, col = "red", lty = 2, lwd = 2) # línea límite superior
hist(x,
col = "lightblue",
main = paste("Histograma -", nombre_var),
xlab = nombre_var)
abline(v = LI, col = "red", lty = 2, lwd = 2)
abline(v = LS, col = "red", lty = 2, lwd = 2)
par(mfrow = c(1, 1))
resultado <- list(
variable = nombre_var,
Q1 = Q1,
Q3 = Q3,
RIC = RIC,
LI = LI,
LS = LS,
n_outliers = n_outliers,
valores_outliers = outliers
)
return(invisible(resultado))
}Creación de funciones para generar comentarios para cada grafico generado con la funcion analizar_variable
generar_comentario <- function(resultado, media, mediana) {
sesgo <- ifelse(media > mediana, "sesgo positivo (hacia la derecha)",
ifelse(media < mediana, "sesgo negativo (hacia la izquierda)",
"distribución aproximadamente simétrica"))
cat("### Análisis del atributo `", resultado$variable, "`\n\n", sep = "")
cat("La variable presenta una ", sesgo,
", con una media de ", round(media, 2),
" y una mediana de ", round(mediana, 2), ".\n\n", sep = "")
cat("Según los límites de control (LI = ", round(resultado$LI, 2),
", LS = ", round(resultado$LS, 2),
"), se identificaron **", resultado$n_outliers, " outliers**.\n\n", sep = "")
}Creación de funciones para generar comentarios para cada grafico generado con la funcion analizar_variable
resultados_lista <- list() # aquí guardamos el resultado de cada variable
for (i in 1:columnas) {
if (is.numeric(BD[, i]) == TRUE) {
nombre_col <- colnames(BD)[i]
# Analiza la variable y guarda el resultado
resultados_lista[[nombre_col]] <- analizar_variable(BD[, i], nombre_col)
# Calcula media y mediana de esta variable
media_var <- mean(BD[, i], na.rm = TRUE)
mediana_var <- median(BD[, i], na.rm = TRUE)
# Genera el comentario para esta variable
generar_comentario(resultados_lista[[nombre_col]], media_var, mediana_var)
}
}## Valores de los outliers:
## [1] 12.4 12.4 12.4 12.4 12.5 12.5 12.5 12.5 12.5 12.5 12.5 12.6 12.6 12.6 12.6
## [16] 12.7 12.7 12.7 12.7 12.8 12.8 12.8 12.8 12.8 12.9 12.9 13.0 13.0 13.0 13.2
## [31] 13.2 13.2 13.3 13.3 13.3 13.4 13.5 13.7 13.7 13.8 14.0 14.3 15.0 15.0 15.5
## [46] 15.5 15.6 15.6 15.9
## ========================================
## ### Análisis del atributo `fixed.acidity`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 8.32 y una mediana de 7.9.
##
## Según los límites de control (LI = 3.95, LS = 12.35), se identificaron **49 outliers**.
##
## Valores de los outliers:
## [1] 1.02 1.02 1.02 1.02 1.02 1.03 1.04 1.04 1.04 1.07 1.09 1.11 1.13 1.18 1.19
## [16] 1.24 1.33 1.33 1.58
## ========================================
## ### Análisis del atributo `volatile.acidity`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 0.53 y una mediana de 0.52.
##
## Según los límites de control (LI = 0.02, LS = 1.02), se identificaron **19 outliers**.
##
## Valores de los outliers:
## [1] 1
## ========================================
## ### Análisis del atributo `citric.acid`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 0.27 y una mediana de 0.26.
##
## Según los límites de control (LI = -0.4, LS = 0.91), se identificaron **1 outliers**.
##
## Valores de los outliers:
## [1] 3.70 3.70 3.70 3.70 3.75 3.80 3.80 3.80 3.80 3.80 3.80 3.80
## [13] 3.80 3.90 3.90 3.90 3.90 3.90 3.90 4.00 4.00 4.00 4.00 4.00
## [25] 4.00 4.00 4.00 4.00 4.00 4.00 4.10 4.10 4.10 4.10 4.10 4.10
## [37] 4.20 4.20 4.20 4.20 4.20 4.25 4.30 4.30 4.30 4.30 4.30 4.30
## [49] 4.30 4.30 4.40 4.40 4.40 4.40 4.50 4.50 4.50 4.50 4.60 4.60
## [61] 4.60 4.60 4.60 4.60 4.65 4.65 4.70 4.80 4.80 4.80 5.00 5.10
## [73] 5.10 5.10 5.10 5.10 5.15 5.20 5.20 5.20 5.40 5.50 5.50 5.50
## [85] 5.50 5.50 5.50 5.50 5.50 5.60 5.60 5.60 5.60 5.60 5.60 5.70
## [97] 5.80 5.80 5.80 5.80 5.90 5.90 5.90 6.00 6.00 6.00 6.00 6.10
## [109] 6.10 6.10 6.10 6.20 6.20 6.20 6.30 6.30 6.40 6.40 6.40 6.55
## [121] 6.55 6.60 6.60 6.70 6.70 7.00 7.20 7.30 7.50 7.80 7.80 7.90
## [133] 7.90 7.90 8.10 8.10 8.30 8.30 8.30 8.60 8.80 8.80 8.90 9.00
## [145] 10.70 11.00 11.00 12.90 13.40 13.80 13.80 13.90 15.40 15.40 15.50
## ========================================
## ### Análisis del atributo `residual.sugar`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 2.54 y una mediana de 2.2.
##
## Según los límites de control (LI = 0.85, LS = 3.65), se identificaron **155 outliers**.
##
## Valores de los outliers:
## [1] 0.01 0.01 0.03 0.04 0.04 0.04 0.04 0.04 0.04 0.12 0.12 0.12 0.12 0.12 0.12
## [16] 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12 0.12
## [31] 0.12 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.14 0.14 0.14 0.14 0.15 0.15 0.15
## [46] 0.15 0.15 0.15 0.16 0.16 0.16 0.16 0.16 0.16 0.17 0.17 0.17 0.17 0.17 0.17
## [61] 0.17 0.17 0.17 0.17 0.18 0.18 0.18 0.19 0.19 0.19 0.20 0.20 0.20 0.21 0.21
## [76] 0.21 0.21 0.22 0.22 0.23 0.23 0.23 0.23 0.24 0.24 0.24 0.25 0.26 0.27 0.27
## [91] 0.33 0.34 0.34 0.34 0.36 0.36 0.37 0.37 0.39 0.40 0.40 0.41 0.41 0.41 0.42
## [106] 0.42 0.42 0.42 0.46 0.47 0.61 0.61
## ========================================
## ### Análisis del atributo `chlorides`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 0.09 y una mediana de 0.08.
##
## Según los límites de control (LI = 0.04, LS = 0.12), se identificaron **112 outliers**.
##
## Valores de los outliers:
## [1] 43 43 43 45 45 45 46 47 48 48 48 48 50 50 51 51 51 51 52 52 52 53 54 55 55
## [26] 57 66 68 68 72
## ========================================
## ### Análisis del atributo `free.sulfur.dioxide`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 15.87 y una mediana de 14.
##
## Según los límites de control (LI = -14, LS = 42), se identificaron **30 outliers**.
##
## Valores de los outliers:
## [1] 124 124 124 125 125 126 127 127 128 128 129 129 129 130 131 131 131 133 133
## [20] 133 134 134 135 135 136 136 139 140 141 141 141 142 143 143 144 144 144 145
## [39] 145 145 147 147 147 148 148 149 151 151 152 153 155 160 165 278 289
## ========================================
## ### Análisis del atributo `total.sulfur.dioxide`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 46.47 y una mediana de 38.
##
## Según los límites de control (LI = -38, LS = 122), se identificaron **55 outliers**.
##
## Valores de los outliers:
## [1] 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99
## [16] 0.99 0.99 0.99 0.99 0.99 0.99 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## [31] 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
## ========================================
## ### Análisis del atributo `density`
##
## La variable presenta una sesgo negativo (hacia la izquierda), con una media de 1 y una mediana de 1.
##
## Según los límites de control (LI = 0.99, LS = 1), se identificaron **45 outliers**.
##
## Valores de los outliers:
## [1] 2.74 2.86 2.87 2.88 2.88 2.89 2.89 2.89 2.89 2.90 2.92 2.92 2.92 2.92 3.69
## [16] 3.69 3.69 3.69 3.70 3.71 3.71 3.71 3.71 3.72 3.72 3.72 3.74 3.75 3.78 3.78
## [31] 3.85 3.90 3.90 4.01 4.01
## ========================================
## ### Análisis del atributo `pH`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 3.31 y una mediana de 3.31.
##
## Según los límites de control (LI = 2.92, LS = 3.68), se identificaron **35 outliers**.
##
## Valores de los outliers:
## [1] 1.00 1.01 1.02 1.02 1.02 1.03 1.03 1.04 1.04 1.05 1.05 1.05 1.06 1.06 1.06
## [16] 1.06 1.07 1.07 1.08 1.08 1.08 1.09 1.10 1.10 1.11 1.12 1.13 1.13 1.14 1.14
## [31] 1.15 1.16 1.17 1.17 1.17 1.17 1.17 1.18 1.18 1.18 1.20 1.22 1.26 1.28 1.28
## [46] 1.31 1.33 1.34 1.36 1.36 1.36 1.56 1.59 1.61 1.62 1.95 1.95 1.98 2.00
## ========================================
## ### Análisis del atributo `sulphates`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 0.66 y una mediana de 0.62.
##
## Según los límites de control (LI = 0.28, LS = 1), se identificaron **59 outliers**.
##
## Valores de los outliers:
## [1] 13.57 13.60 13.60 13.60 13.60 14.00 14.00 14.00 14.00 14.00 14.00 14.00
## [13] 14.90
## ========================================
## ### Análisis del atributo `alcohol`
##
## La variable presenta una sesgo positivo (hacia la derecha), con una media de 10.42 y una mediana de 10.2.
##
## Según los límites de control (LI = 7.1, LS = 13.5), se identificaron **13 outliers**.
##
## Valores de los outliers:
## [1] 3 3 3 3 3 3 3 3 3 3 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
## ========================================
## ### Análisis del atributo `quality`
##
## La variable presenta una sesgo negativo (hacia la izquierda), con una media de 5.64 y una mediana de 6.
##
## Según los límites de control (LI = 3.5, LS = 7.5), se identificaron **28 outliers**.