Markdown Estadística descriptiva
Variable cuantitativa continua: Promedio de O₃
Autor: Andrew Steven Borja Hernández
Fecha: 22/11/2026

0.- Carga de librerías

library(dplyr)
library(knitr)
library(kableExtra)

1.- Leer Datos

datos <- read.csv("pollution_2000_2023.csv")

n_filas <- nrow(datos)
n_filas
## [1] 665414

2.- Selección de la variable

El promedio de O₃ de cada registro es una medición que puede tomar cualquier valor dentro de un rango, incluidos los decimales, por lo que se trata de una variable cuantitativa continua. Al tener tantos valores distintos, es demasiado detallada para resumirla en una tabla dato por dato. Por eso se agrupa en intervalos (clases) de igual amplitud, cuyo número se calcula con la regla de Sturges, y cada intervalo cuenta cuántos registros caen dentro de él.

x <- datos$O3.Mean

resumen <- data.frame(
  Característica = c("Número de datos (n)", "Datos vacíos (NA)",
                     "Valor mínimo", "Valor máximo"),
  Valor = c(as.character(length(x)),
            as.character(sum(is.na(x))),
            formatC(min(x, na.rm = TRUE), format = "f", digits = 4),
            formatC(max(x, na.rm = TRUE), format = "f", digits = 4))
)

kable(resumen, align = "lc") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Característica Valor
Número de datos (n) 665414
Datos vacíos (NA) 0
Valor mínimo -0.0007
Valor máximo 0.1074

3.- Tabla de distribución de frecuencias

Como el promedio de O₃ es una variable continua, se agrupa en intervalos de igual amplitud. El número de intervalos se calcula con la regla de Sturges, y la amplitud resulta de dividir el rango (valor máximo menos valor mínimo) para ese número. En cada intervalo se cuenta cuántos registros caen dentro (frecuencia absoluta, ni), y de ahí se obtienen la frecuencia relativa (hi), el porcentaje (%hi) y las frecuencias acumuladas.

n <- length(x)

# Regla de Sturges
k <- 8

# Rango y amplitud
x_min <- min(x)
x_max <- max(x)
R <- x_max - x_min
A <- R / k

# Límites de los intervalos [Li ; Ls)
breaks <- seq(x_min, x_max, length.out = k + 1)
Li <- breaks[-(k + 1)]
Ls <- breaks[-1]
intervalo <- paste0("[", sprintf("%.4f", Li), " ; ", sprintf("%.4f", Ls),
                    c(rep(")", k - 1), "]"))

# Conteo por intervalo
conteo <- as.vector(table(cut(x, breaks = breaks, right = FALSE,
                              include.lowest = TRUE)))
# Tabla con todos los decimales (con esta se construyen los gráficos)
tdf_final <- data.frame(Intervalo = intervalo, xi = (Li + Ls) / 2, ni = conteo)
tdf_final$hi     <- tdf_final$ni / n
tdf_final$pct_hi <- 100 * tdf_final$hi

# Frecuencias acumuladas
tdf_final$Ni_ac     <- cumsum(tdf_final$ni)
tdf_final$Hi_ac     <- cumsum(tdf_final$hi)
tdf_final$pct_Hi_ac <- cumsum(tdf_final$pct_hi)

# Verificación de totales
stopifnot(sum(tdf_final$ni) == n,
          isTRUE(all.equal(sum(tdf_final$hi), 1)),
          isTRUE(all.equal(sum(tdf_final$pct_hi), 100)))

# Presentación (redondeo solo aquí)
fmt <- function(v) format(v, big.mark = ",", scientific = FALSE, trim = TRUE)

salida <- data.frame(
  i         = c(seq_len(k), ""),
  Intervalo = c(tdf_final$Intervalo, "TOTAL"),
  xi        = c(sprintf("%.4f", tdf_final$xi), ""),
  ni        = c(fmt(tdf_final$ni), fmt(sum(tdf_final$ni))),
  hi        = sprintf("%.4f", c(tdf_final$hi, sum(tdf_final$hi))),
  pct       = paste0(sprintf("%.2f", c(tdf_final$pct_hi,
                                       sum(tdf_final$pct_hi))), "%"),
  Ni        = c(fmt(tdf_final$Ni_ac), ""),
  pctHi     = c(paste0(sprintf("%.2f", tdf_final$pct_Hi_ac), "%"), ""),
  stringsAsFactors = FALSE
)
names(salida) <- c("i", "Intervalo (ppm)", "xi", "ni", "hi", "%hi", "Ni", "%Hi")

kable(salida, align = "clcrrrrr", row.names = FALSE,
      caption = "Tabla 1. Distribución de frecuencias del promedio de O₃") %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = FALSE) %>%
  row_spec(0, background = "#404040", color = "white") %>%
  row_spec(nrow(salida), bold = TRUE, background = "#D9D9D9") %>%
  footnote(general = c("Fuente: pollution_2000_2023.csv", "Autor: Andrew Steven Borja Hernández"),
         general_title = "", footnote_as_chunk = FALSE)
Tabla 1. Distribución de frecuencias del promedio de O₃
i Intervalo (ppm) xi ni hi %hi Ni %Hi
1 [-0.0007 ; 0.0128) 0.0060 66,362 0.0997 9.97% 66,362 9.97%
2 [0.0128 ; 0.0263) 0.0196 224,133 0.3368 33.68% 290,495 43.66%
3 [0.0263 ; 0.0398) 0.0331 254,692 0.3828 38.28% 545,187 81.93%
4 [0.0398 ; 0.0533) 0.0466 104,298 0.1567 15.67% 649,485 97.61%
5 [0.0533 ; 0.0668) 0.0601 14,658 0.0220 2.20% 664,143 99.81%
6 [0.0668 ; 0.0803) 0.0736 1,172 0.0018 0.18% 665,315 99.99%
7 [0.0803 ; 0.0938) 0.0871 91 0.0001 0.01% 665,406 100.00%
8 [0.0938 ; 0.1074] 0.1006 8 0.0000 0.00% 665,414 100.00%
TOTAL 665,414 1.0000 100.00%
Fuente: pollution_2000_2023.csv
Autor: Andrew Steven Borja Hernández

4.- Gráficos de distribución de frecuencias

Los diagramas de barras muestran, para cada intervalo (identificado por su marca de clase, xi), la frecuencia absoluta, la frecuencia relativa, la frecuencia acumulada y el porcentaje acumulado. El diagrama circular muestra qué porcentaje del total ocupa cada intervalo.

options(scipen = 999)

xi_lab <- sprintf("%.4f", tdf_final$xi)

graf_barras <- function(y, titulo, ylab, color, etiqueta) {
  par(mar = c(5, 6.5, 4, 2) + 0.1)
  bp <- barplot(y, names.arg = xi_lab, space = 0.1, col = color,
                border = "white", main = titulo,
                xlab = "Marca de clase xi (ppm)", ylab = "",
                cex.names = 0.8, las = 1, ylim = c(0, max(y) * 1.25))
  mtext(ylab, side = 2, line = 4.5)
  text(bp, y, labels = etiqueta, pos = 3, cex = 0.7)
}

Gráfico 1. Frecuencia absoluta (ni)

graf_barras(tdf_final$ni,
            "Gráfico 1. Frecuencia absoluta (ni)\ndel promedio de O₃ en EE. UU., 2000-2023",
            "Frecuencia absoluta (ni)", "steelblue",
            fmt(tdf_final$ni))

Gráfico 2. Frecuencia relativa (hi)

graf_barras(tdf_final$hi,
            "Gráfico 2. Frecuencia relativa (hi)\ndel promedio de O₃ en EE. UU., 2000-2023",
            "Frecuencia relativa (hi)", "seagreen",
            sprintf("%.4f", tdf_final$hi))

Gráfico 3. Frecuencia acumulada (Ni)

graf_barras(tdf_final$Ni_ac,
            "Gráfico 3. Frecuencia acumulada (Ni)\ndel promedio de O₃ en EE. UU., 2000-2023",
            "Frecuencia acumulada (Ni)", "tomato",
            fmt(tdf_final$Ni_ac))

Gráfico 4. Porcentaje acumulado (%Hi)

graf_barras(tdf_final$pct_Hi_ac,
            "Gráfico 4. Porcentaje acumulado (%Hi)\ndel promedio de O₃ en EE. UU., 2000-2023",
            "Porcentaje acumulado (%Hi)", "orchid",
            paste0(sprintf("%.1f", tdf_final$pct_Hi_ac), "%"))

Gráfico 5. Diagrama circular

colores <- colorRampPalette(c("#DCEBFA", "#08306B"))(k)
pct <- tdf_final$pct_hi
etiquetas <- ifelse(pct >= 2, paste0(sprintf("%.1f", pct), "%"), "")

pie(tdf_final$ni, labels = etiquetas, col = colores, radius = 0.85,
    border = "white",
    main = "Gráfico 5. Distribución porcentual del promedio de O₃\npor intervalos de clase en EE. UU., 2000-2023")

5.- Medidas de tendencia central y de posición

Las medidas de tendencia central (media, mediana y moda) indican alrededor de qué valor se concentran los datos. Las medidas de posición (cuartiles y percentil 90) indican por debajo de qué valor queda cierto porcentaje de los registros. La media, la mediana y los cuartiles se calculan con los datos originales, y la moda se calcula con los datos agrupados en intervalos, usando la fórmula Mo = Li + A · d1 / (d1 + d2).

# Tendencia central
media   <- mean(x)
mediana <- median(x)

# Moda (datos agrupados): se toma el intervalo con mayor frecuencia
m  <- which.max(tdf_final$ni)
d1 <- tdf_final$ni[m] - ifelse(m > 1, tdf_final$ni[m - 1], 0)
d2 <- tdf_final$ni[m] - ifelse(m < k, tdf_final$ni[m + 1], 0)
moda <- breaks[m] + A * d1 / (d1 + d2)

# Posición
cuartiles <- unname(quantile(x, probs = c(0.25, 0.50, 0.75)))
p90       <- unname(quantile(x, probs = 0.90))

Medidas de tendencia central

central <- data.frame(
  Medida = c("Media", "Mediana", "Moda"),
  Valor  = sprintf("%.4f", c(media, mediana, moda))
)
names(central) <- c("Medida", "Valor (ppm)")

kable(central, align = "lr", row.names = FALSE,
      caption = "Tabla 2. Medidas de tendencia central del promedio de O₃") %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = FALSE) %>%
  row_spec(0, background = "#404040", color = "white") %>%
  footnote(general = "Autor: Andrew Steven Borja Hernández",
           general_title = "", footnote_as_chunk = TRUE)
Tabla 2. Medidas de tendencia central del promedio de O₃
Medida Valor (ppm)
Media 0.0286
Mediana 0.0284
Moda 0.0286
Autor: Andrew Steven Borja Hernández

Medidas de posición

posicion <- data.frame(
  Medida = c("Primer cuartil (Q1)", "Segundo cuartil (Q2)",
             "Tercer cuartil (Q3)", "Percentil 90 (P90)"),
  Valor  = sprintf("%.4f", c(cuartiles[1], cuartiles[2], cuartiles[3], p90))
)
names(posicion) <- c("Medida", "Valor (ppm)")

kable(posicion, align = "lr", row.names = FALSE,
      caption = "Tabla 3. Medidas de posición del promedio de O₃") %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = FALSE) %>%
  row_spec(0, background = "#404040", color = "white") %>%
  footnote(general = "Autor: Andrew Steven Borja Hernández",
           general_title = "", footnote_as_chunk = TRUE)
Tabla 3. Medidas de posición del promedio de O₃
Medida Valor (ppm)
Primer cuartil (Q1) 0.0198
Segundo cuartil (Q2) 0.0284
Tercer cuartil (Q3) 0.0369
Percentil 90 (P90) 0.0444
Autor: Andrew Steven Borja Hernández

6.- Conclusiones

  1. Descripción de los datos. Se analizaron 665,414 registros del promedio de O₃ en EE. UU. (2000-2023), con valores entre -0.0007 y 0.1074 ppm. El mínimo es ligeramente negativo, probablemente por ruido de medición del instrumento, y no altera los resultados.

  2. Tendencia central. La media (0.0286), la mediana (0.0284) y la moda (0.0286) son casi iguales, por lo que la distribución es prácticamente simétrica y los promedios de O₃ se mantienen en niveles moderados.

  3. Posición. El 50 % central de los datos está entre 0.0198 y 0.0369 ppm, y solo el 10 % supera 0.0444 ppm, por lo que los valores altos de O₃ son poco frecuentes.