Comparar tres fórmulas para estimar el número de intervalos de una distribución de frecuencias y analizar, como ejercicio complementario, el efecto de utilizar 8 frente a 10 intervalos. Se emplea la misma muestra y el mismo rango para que la comparación sea consistente.
Nota: Los datos de este documento son simulados. Sustituye
datospor tus observaciones reales cuando tengas identificada la variable de tu dataset.
set.seed(123)
datos <- rnorm(100, mean = 70, sd = 3)
n <- length(datos)
k_raiz <- round(sqrt(n))
k_doble <- round(2 * sqrt(n))
k_sturges <- round(1 + 3.3 * log10(n))
resultados <- data.frame(
Formula = c("Raíz cuadrada", "Doble raíz", "Sturges"),
Intervalos = c(k_raiz, k_doble, k_sturges)
)
resultados
## Formula Intervalos
## 1 Raíz cuadrada 10
## 2 Doble raíz 20
## 3 Sturges 8
La fórmula que entrega el menor número de intervalos se identifica comparando los valores de la tabla:
menor <- which.min(resultados$Intervalos)
cat("La fórmula con menos intervalos es:", resultados$Formula[menor],
"con", resultados$Intervalos[menor], "intervalos.\n")
## La fórmula con menos intervalos es: Sturges con 8 intervalos.
{r grafico-formulas}arras <- barplot( resultados$Intervalos, names.arg = resultados$Formula, col = c("skyblue", "orange", "lightgreen"), main = "Comparación del número de intervalos", xlab = "Fórmula utilizada", ylab = "Número de intervalos", ylim = c(0, max(resultados$Intervalos) + 5 ) ) text(barras, resultados$Intervalos, labels = resultados$Intervalos, pos = 3)
Se mantiene el mismo mínimo y máximo de los datos. Los cortes se construyen con el número de clases calculado para cada método.
limite_min <- min(datos)
limite_max <- max(datos)
cortes_raiz <- seq(limite_min, limite_max, length.out = k_raiz + 1)
cortes_doble <- seq(limite_min, limite_max, length.out = k_doble + 1)
cortes_sturges <- seq(limite_min, limite_max, length.out = k_sturges + 1)
par(mfrow = c(2, 2))
hist(datos, breaks = cortes_raiz, include.lowest = TRUE,
main = paste("Raíz cuadrada: k =", k_raiz),
xlab = "Valores", ylab = "Frecuencia", col = "skyblue", border = "white")
hist(datos, breaks = cortes_doble, include.lowest = TRUE,
main = paste("Doble raíz: k =", k_doble),
xlab = "Valores", ylab = "Frecuencia", col = "orange", border = "white")
hist(datos, breaks = cortes_sturges, include.lowest = TRUE,
main = paste("Sturges: k =", k_sturges),
xlab = "Valores", ylab = "Frecuencia", col = "lightgreen", border = "white")
par(mfrow = c(1, 1))
En este ejemplo se fija la comparación en 8 y 10 intervalos. El número 8 corresponde a Sturges si el tamaño de la muestra es 100; si se reemplazan los datos, verifica que Sturges siga redondeando a 8. Los 10 intervalos son una alternativa para observar si una subdivisión más fina aporta detalle visual.
# Tamaño de muestra, extremos y rango
n <- length(datos)
xmin <- min(datos)
xmax <- max(datos)
rango <- xmax - xmin
# Sturges y alternativa para este ejemplo
k_sturges_calculado <- 1 + 3.3 * log10(n)
k1 <- 8
k2 <- 10
cat("n =", n, "\nSturges sin redondear =", k_sturges_calculado, "\n")
## n = 100
## Sturges sin redondear = 7.6
# Cortes equidistantes dentro del mismo rango
cortes8 <- seq(xmin, xmax, length.out = k1 + 1)
cortes10 <- seq(xmin, xmax, length.out = k2 + 1)
La función siguiente calcula intervalos, marca de clase (xi), frecuencia absoluta (fi), frecuencia relativa (hi), frecuencia acumulada (Fi) y frecuencia relativa acumulada (Hi).
crear_tabla <- function(datos, cortes) {
clases <- cut(datos, breaks = cortes, include.lowest = TRUE, right = TRUE)
fi <- as.numeric(table(clases))
xi <- (head(cortes, -1) + tail(cortes, -1)) / 2
hi <- fi / length(datos)
Fi <- cumsum(fi)
Hi <- cumsum(hi)
data.frame(
Intervalo = levels(clases),
Marca_clase = round(xi, 3),
fi = fi,
hi = round(hi, 4),
Fi = Fi,
Hi = round(Hi, 4)
)
}
tabla8 <- crear_tabla(datos, cortes8)
tabla10 <- crear_tabla(datos, cortes10)
cat("Tabla con 8 intervalos\n")
## Tabla con 8 intervalos
tabla8
## Intervalo Marca_clase fi hi Fi Hi
## 1 [63.1,64.8] 63.916 2 0.02 2 0.02
## 2 (64.8,66.4] 65.602 5 0.05 7 0.07
## 3 (66.4,68.1] 67.288 14 0.14 21 0.21
## 4 (68.1,69.8] 68.974 25 0.25 46 0.46
## 5 (69.8,71.5] 70.660 24 0.24 70 0.70
## 6 (71.5,73.2] 72.347 15 0.15 85 0.85
## 7 (73.2,74.9] 74.033 10 0.10 95 0.95
## 8 (74.9,76.6] 75.719 5 0.05 100 1.00
cat("Tabla con 10 intervalos\n")
## Tabla con 10 intervalos
tabla10
## Intervalo Marca_clase fi hi Fi Hi
## 1 [63.1,64.4] 63.747 2 0.02 2 0.02
## 2 (64.4,65.8] 65.096 2 0.02 4 0.04
## 3 (65.8,67.1] 66.445 10 0.10 14 0.14
## 4 (67.1,68.5] 67.794 10 0.10 24 0.24
## 5 (68.5,69.8] 69.143 22 0.22 46 0.46
## 6 (69.8,71.2] 70.492 18 0.18 64 0.64
## 7 (71.2,72.5] 71.841 15 0.15 79 0.79
## 8 (72.5,73.9] 73.190 11 0.11 90 0.90
## 9 (73.9,75.2] 74.539 6 0.06 96 0.96
## 10 (75.2,76.6] 75.888 4 0.04 100 1.00
# Comprobación: las frecuencias absolutas deben sumar n
cat("Suma fi para 8 intervalos:", sum(tabla8$fi), "\n")
## Suma fi para 8 intervalos: 100
cat("Suma fi para 10 intervalos:", sum(tabla10$fi), "\n")
## Suma fi para 10 intervalos: 100
amplitud8 <- rango / k1
amplitud10 <- rango / k2
comparacion <- data.frame(
Metodo = c("Sturges (8)", "Alternativa (10)"),
Intervalos = c(k1, k2),
Rango = round(c(rango, rango), 4),
Amplitud = round(c(amplitud8, amplitud10), 4)
)
comparacion
## Metodo Intervalos Rango Amplitud
## 1 Sturges (8) 8 13.4895 1.6862
## 2 Alternativa (10) 10 13.4895 1.3490
{r histogramas-8-10}\npar(mfrow = c(1, 2)) hist(datos, breaks = cortes8, include.lowest = TRUE, right = TRUE, main = "Sturges: 8 intervalos", xlab = "Valores de la variable", ylab = "Frecuencia", col = "skyblue", border = "white") hist(datos, breaks = cortes10, include.lowest = TRUE, right = TRUE, main = "Alternativa: 10 intervalos", xlab = "Valores de la variable", ylab = "Frecuencia", col = "orange", border = "white") par(mfrow = c(1, 1))
barplot(comparacion$Amplitud,
names.arg = comparacion$Metodo,
col = c("skyblue", "orange"),
main = "Comparación de amplitudes",
ylab = "Amplitud del intervalo")
La comparación se realiza manteniendo constante la muestra y el rango, y modificando únicamente el número de intervalos. Con 8 clases, la amplitud es mayor y la distribución queda más resumida. Con 10 clases, la amplitud disminuye y se puede visualizar la distribución con mayor detalle. La alternativa de 10 intervalos no reemplaza el cálculo de Sturges: es una comparación adicional que permite evaluar cómo cambia la representación gráfica al subdividir más los datos.
El menor número de intervalos no implica automáticamente que sea el mejor para todo análisis. La elección debe considerar el propósito, el tamaño de la muestra y la forma de la distribución, además de la comparación numérica.