Markdown Estadística descriptiva
Variable cuantitativa continua: Primer valor máximo de CO
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

Variable cuantitativa continua: Primer valor máximo de CO (columna CO.1st.Max.Value), medida en ppm.

El primer valor máximo de CO es el mayor valor medido en cada registro y puede tomar cualquier valor dentro de un rango, por lo que se trata de una variable cuantitativa continua. Al tener tantos valores distintos, es demasiado detallada para resumirla dato por dato. Por eso se agrupa en intervalos (clases) de igual amplitud, y cada intervalo cuenta cuántos registros caen dentro de él.

x <- datos$CO.1st.Max.Value

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 -0.4000
Valor máximo 15.5000

3.- Tabla de distribución de frecuencias

Los datos se agrupan en 8 intervalos de igual amplitud, número elegido con la regla del investigador. La amplitud resulta de dividir el rango (valor máximo menos valor mínimo) para el número de intervalos. 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 del investigador: número de intervalos elegido
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 primer valor máximo de CO") %>%
  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 = "Autor: Andrew Steven Borja Hernández",
           general_title = "", footnote_as_chunk = TRUE)
Tabla 1. Distribución de frecuencias del primer valor máximo de CO
i Intervalo (ppm) xi ni hi %hi Ni %Hi
1 [-0.4000 ; 1.5875) 0.5938 647,269 0.9727 97.27% 647,269 97.27%
2 [1.5875 ; 3.5750) 2.5812 17,081 0.0257 2.57% 664,350 99.84%
3 [3.5750 ; 5.5625) 4.5687 935 0.0014 0.14% 665,285 99.98%
4 [5.5625 ; 7.5500) 6.5563 92 0.0001 0.01% 665,377 99.99%
5 [7.5500 ; 9.5375) 8.5437 21 0.0000 0.00% 665,398 100.00%
6 [9.5375 ; 11.5250) 10.5312 9 0.0000 0.00% 665,407 100.00%
7 [11.5250 ; 13.5125) 12.5188 4 0.0000 0.00% 665,411 100.00%
8 [13.5125 ; 15.5000] 14.5062 3 0.0000 0.00% 665,414 100.00%
TOTAL 665,414 1.0000 100.00%
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$ni,
            "Gráfico 1. Frecuencia absoluta (ni)\ndel primer valor máximo de CO en EE. UU., 2000-2023",
            "Frecuencia absoluta (ni)", "steelblue",
            fmt(tdf_final$ni))

Gráfico 2. Frecuencia relativa (hi)

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

Gráfico 3. Frecuencia acumulada (Ni)

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

Gráfico 4. Porcentaje acumulado (%Hi)

graf_barras(tdf_final$pct_Hi_ac,
            "Gráfico 4. Porcentaje acumulado (%Hi)\ndel primer valor máximo de CO en EE. UU., 2000-2023",
            "Porcentaje acumulado (%Hi)", "orchid",
            paste0(sprintf("%.1f", tdf_final$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 primer valor máximo de CO\npor intervalos de clase en EE. UU., 2000-2023")
legend("right",
       legend = paste0(intervalo, "  (", sprintf("%.2f", pct), "%)"),
       fill = colores, cex = 0.7, bty = "n", title = "Intervalo (ppm)")

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 primer valor máximo de CO") %>%
  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 primer valor máximo de CO
Medida Valor (ppm)
Media 0.4656
Mediana 0.3000
Moda 0.6070
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 primer valor máximo de CO") %>%
  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 primer valor máximo de CO
Medida Valor (ppm)
Primer cuartil (Q1) 0.2000
Segundo cuartil (Q2) 0.3000
Tercer cuartil (Q3) 0.6000
Percentil 90 (P90) 0.9000
Autor: Andrew Steven Borja Hernández

6.- Conclusiones

  1. Descripción de los datos. Se analizaron 665,414 registros del primer valor máximo de CO en EE. UU. (2000-2023), con valores entre -0.4000 y 15.5000 ppm, agrupados en 8 intervalos de amplitud 1.9875. El mínimo es negativo, lo cual no es posible físicamente, y probablemente se debe al ruido de medición del instrumento (solo el 0.14 % de los registros es negativo).

  2. Tendencia central. La media (0.4656) es mayor que la mediana (0.3000), por lo que la distribución es asimétrica hacia la derecha: la mayoría de los registros tiene niveles bajos de CO, y unos pocos valores altos elevan la media. La moda (0.6070) cae en el primer intervalo, que concentra casi todos los datos.

  3. Posición. El 97.27 % de los registros está en el primer intervalo (hasta 1.5875 ppm), el 50 % central está entre 0.2000 y 0.6000 ppm, y solo el 10 % supera 0.9000 ppm, por lo que los valores altos de CO son poco frecuentes.