SESIÓN 1 - CREANDO Y EXPLORANDO DATA FRAMES / EXPLORACIÓN UNIVARIADA
1. Columnas del Data Frame
nombre=c("Jessica", "Raquel", "Carlos", "Manuel",
"Alvaro", "Paula", "Gustavo", "Edgar", "Carla")
edad=c(23,20,21,19,
18,22,23,25,28)
carrera=c("Gestion", "Ciencia Politica", "Economia", "Sociologia",
"Antropologia", "Ciencia Politica","Gestion", "Economia", "Sociologia")
ciudad=c("Lima", "Lima", "Tacna", "Huancayo",
"Trujillo", "Cusco", "Lima", "Cusco", "Cajamarca")
nota_spss=c(18,9,15,12,
14,13,19,10,13)2. Armando el Data Frame
alumnosSpss=data.frame(nombre,
edad,
carrera,
ciudad,
nota_spss,
stringsAsFactors = F)3. Viendo Data Frame
alumnosSpss## nombre edad carrera ciudad nota_spss
## 1 Jessica 23 Gestion Lima 18
## 2 Raquel 20 Ciencia Politica Lima 9
## 3 Carlos 21 Economia Tacna 15
## 4 Manuel 19 Sociologia Huancayo 12
## 5 Alvaro 18 Antropologia Trujillo 14
## 6 Paula 22 Ciencia Politica Cusco 13
## 7 Gustavo 23 Gestion Lima 19
## 8 Edgar 25 Economia Cusco 10
## 9 Carla 28 Sociologia Cajamarca 134. Consultas al Data Frame
La data contiene contiene información de alumnos que llevaron un curso de SPSS. Genere el código para responder a las siguientes preguntas:
- ¿Cuál fue la nota en SPSS de Manuel?
alumnosSpss[alumnosSpss$nombre=='Manuel',"nota_spss"]## [1] 12- ¿Cuál es el nombre del alumno con mayor edad?
alumnosSpss[alumnosSpss$edad==max(alumnosSpss$edad),"nombre"]## [1] "Carla"- ¿De qué carrera es la maxima nota en Spss?
alumnosSpss[alumnosSpss$edad==max(alumnosSpss$edad),"carrera"]## [1] "Sociologia"- ¿Cuál es la carrera del alumno con menor nota en SPSS de Lima?
alumnosSpss[alumnosSpss$ciudad=='Lima' & alumnosSpss$nota_spss==min(alumnosSpss$nota_spss),"carrera"]## [1] "Ciencia Politica"Cree otro data frame:
nombre=c("Maria Fernanda", "Antonella", "Carlos", "Manuel",
"Alvaro","Paula","Gustavo", "Edgar","Daniela")
edad=c(23,20,21,19,
18,22,23,25,28)
carrera=c("Ciencia Politica", "Ciencia Politica", "Economia", "Sociologia",
"Antropologia","Ciencia Politica", "Gestion", "Economia", "Sociologia")
ciudad=c("Lima", "Lima", "Tacna", "Huancayo",
"Trujillo", "Cusco", "Lima", "Cusco","Cajamarca")
nota_r= c(20,19,15,12,
13,16,15,11,14)
masculino=c(F,F,T,T,
T,F,T,T,F)1. Creando:
alumnosR=data.frame(nombre, edad, carrera, ciudad,nota_r, masculino,
stringsAsFactors = F)La data contiene contiene información de alumnos que llevaron un curso de R. Muchos de los alumnos que llevaron el curso de SPSS también llevaron el curso de R.
Genere el código para lo siguiente:
- Ordene alumnosR en base a las notas (mayor a menor)
alumnosR[order(-nota_r),]## nombre edad carrera ciudad nota_r masculino
## 1 Maria Fernanda 23 Ciencia Politica Lima 20 FALSE
## 2 Antonella 20 Ciencia Politica Lima 19 FALSE
## 6 Paula 22 Ciencia Politica Cusco 16 FALSE
## 3 Carlos 21 Economia Tacna 15 TRUE
## 7 Gustavo 23 Gestion Lima 15 TRUE
## 9 Daniela 28 Sociologia Cajamarca 14 FALSE
## 5 Alvaro 18 Antropologia Trujillo 13 TRUE
## 4 Manuel 19 Sociologia Huancayo 12 TRUE
## 8 Edgar 25 Economia Cusco 11 TRUE*Ordene alumnos R en base a las carreras (ascendente) y las notas (descendente). Cree un objeto para guardar la data ordenada.
alumnosR_2=alumnosR[order(carrera,-nota_r),]
alumnosR_2## nombre edad carrera ciudad nota_r masculino
## 5 Alvaro 18 Antropologia Trujillo 13 TRUE
## 1 Maria Fernanda 23 Ciencia Politica Lima 20 FALSE
## 2 Antonella 20 Ciencia Politica Lima 19 FALSE
## 6 Paula 22 Ciencia Politica Cusco 16 FALSE
## 3 Carlos 21 Economia Tacna 15 TRUE
## 8 Edgar 25 Economia Cusco 11 TRUE
## 7 Gustavo 23 Gestion Lima 15 TRUE
## 9 Daniela 28 Sociologia Cajamarca 14 FALSE
## 4 Manuel 19 Sociologia Huancayo 12 TRUE- Muestre los nombres de los alumnos de Ciencia Política que llevaron el curso de R
alumnosR[alumnosR$carrera=='Ciencia Politica','nombre']## [1] "Maria Fernanda" "Antonella" "Paula"El comando merge nos permite juntar data frames, añadiendo toda la información (variables) que tenemos disponible sobre los mismos casos. La información completa de nuestros casos puede ser guardada en un nuevo objeto:
alumnos_total = merge(alumnosSpss,alumnosR)
alumnos_total## nombre edad carrera ciudad nota_spss nota_r masculino
## 1 Alvaro 18 Antropologia Trujillo 14 13 TRUE
## 2 Carlos 21 Economia Tacna 15 15 TRUE
## 3 Edgar 25 Economia Cusco 10 11 TRUE
## 4 Gustavo 23 Gestion Lima 19 15 TRUE
## 5 Manuel 19 Sociologia Huancayo 12 12 TRUE
## 6 Paula 22 Ciencia Politica Cusco 13 16 FALSEGenere el código para responder a las siguientes preguntas usando “alumnos_total”:
- ¿Cuál es la nota en SPSS del alumno con mejor nota en R?
alumnos_total[alumnos_total$nota_r==max(alumnos_total$nota_r),'nota_spss']## [1] 13- ¿Qué alumno obtuvo más de 15 en R y más de 15 en SPSS?
alumnos_total[(alumnos_total$nota_spss>15) & alumnos_total$nota_r>15,]## [1] nombre edad carrera ciudad nota_spss nota_r masculino
## <0 rows> (or 0-length row.names)Esto quiere decir que ningun alumno supero la nota de 15 en ambos cursos.
- ¿De qué carrera es el alumno que obtuvo 15 en R y 15 en SPSS?
alumnos_total[(alumnos_total$nota_spss==15) & alumnos_total$nota_r==15,'carrera']## [1] "Economia"
SESIÓN 1 - PRÁCTICA DIRIGIDA
- Datos:
## Nombre Partido Edad TAfiliacion Sexo NivelEdu
## 1 Juan Mundo Colorado 45 11 M secundaria
## 2 Rocio Los Verdes 42 3 F bachiller
## 3 Manuel Los Tibios 34 2 M bachiller
## 4 Pedro Mundo Colorado 41 9 M bachiller
## 5 Carla Los Tibios 25 3 F bachiller
## 6 Fresia Los Verdes 24 2 F bachiller
## 7 Alfredo Los Verdes 30 2 M magister
## 8 Teresa Los Verdes 35 12 F bachiller
## 9 Maria Los Tibios 37 7 F bachiller- Preguntas:
- El mayor del grupo es:
## Nombre Partido Edad TAfiliacion Sexo NivelEdu
## 1 Juan Mundo Colorado 45 11 M secundaria- El sexo del menor del grupo es:
## [1] "F"- El partido de Fresia es:
## [1] "Los Verdes"- El nivel educativo y nombre de la persona con mas años de afiliacion es:
## Nombre NivelEdu
## 8 Teresa bachiller- El nombre de las mujeres del partido Los Verdes:
## [1] "Rocio" "Fresia" "Teresa"- La edad y nombre de la persona con mayor tiempo de afiliacion en el partido Los Verdes:
## Nombre Edad
## 8 Teresa 35SESIÓN 2 - EXPLORACIÓN CATEGÓRICA Y RECODIFICACIÓN
- Datos/TABLAS DESDE EXCEL
linkCSV="https://docs.google.com/spreadsheets/d/e/2PACX-1vQjaIOfcqt963uYbmuShDtt5bBcXTUdL33NA1cItQfH2vZICi5S6QtfJjILY1uxYSJf2GUSzduA0iZZ/pub?gid=1795242876&single=true&output=csv"
Alumnos=read.csv(linkCSV, stringsAsFactors = F, na.strings = '')- Variables
names(Alumnos)## [1] "ID" "SEX" "RACE" "SES" "SCTYP" "LOCUS" "CONCPT"
## [8] "MOT" "RDG" "WRTG" "MATH" "SCI" "CIV"- Tipos de variables
Sirve para identificar variables ordinales y variables nominales
str(Alumnos)## 'data.frame': 600 obs. of 13 variables:
## $ ID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ SEX : chr "HOMBRE" "MUJER" "HOMBRE" "HOMBRE" ...
## $ RACE : chr "ASIATICO" "ASIATICO" "ASIATICO" "ASIATICO" ...
## $ SES : chr "ALTO" "ALTO" "ALTO" "MEDIO" ...
## $ SCTYP : chr "PUBLICA" "PUBLICA" "PUBLICA" "PUBLICA" ...
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0.44 0.68 0.06 0.05 ...
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -0.47 0.25 0.56 0.15 ...
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33 1 ...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62.7 44.2 46.9 44.2 ...
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64.5 51.5 41.1 49.5 ...
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48 36.9 45.3 40.5 ...
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4 49.8 47.1 39 ...
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55.6 55.6 55.6 50.6 ...Explorar la categorica, sobre todo como variable dependiente, significa querer saber:
- Las modalidades de la variable se distribuyen uniformemente?
- Hay valores que resaltan? Los que resaltan, acaparan los conteos u ocurrencias?
Que problema vemos? que nos podemos preguntar? Y si además la variable fuese ordinal, podriamos querer saber:
- Hasta que valor llega el 50% de la poblacion? y el 25% de los valores mas bajo?
Desde que valor comienza el 25% de la poblacion?
Resumen de datos
summary(Alumnos)## ID SEX RACE SES
## Min. : 1.0 Length:600 Length:600 Length:600
## 1st Qu.:150.8 Class :character Class :character Class :character
## Median :300.5 Mode :character Mode :character Mode :character
## Mean :300.5
## 3rd Qu.:450.2
## Max. :600.0
## SCTYP LOCUS CONCPT
## Length:600 Min. :-2.23000 Min. :-2.620000
## Class :character 1st Qu.:-0.37250 1st Qu.:-0.300000
## Mode :character Median : 0.21000 Median : 0.030000
## Mean : 0.09653 Mean : 0.004917
## 3rd Qu.: 0.51000 3rd Qu.: 0.440000
## Max. : 1.36000 Max. : 1.190000
## MOT RDG WRTG MATH
## Min. :0.0000 Min. :28.3 Min. :25.50 Min. :31.80
## 1st Qu.:0.3300 1st Qu.:44.2 1st Qu.:44.30 1st Qu.:44.50
## Median :0.6700 Median :52.1 Median :54.10 Median :51.30
## Mean :0.6608 Mean :51.9 Mean :52.38 Mean :51.85
## 3rd Qu.:1.0000 3rd Qu.:60.1 3rd Qu.:59.90 3rd Qu.:58.38
## Max. :1.0000 Max. :76.0 Max. :67.10 Max. :75.50
## SCI CIV
## Min. :26.00 Min. :25.70
## 1st Qu.:44.40 1st Qu.:45.60
## Median :52.60 Median :50.60
## Mean :51.76 Mean :52.05
## 3rd Qu.:58.65 3rd Qu.:60.50
## Max. :74.20 Max. :70.50EXPLORANDO VARIABLES NOMINALES
- Exploración de tablas
table(Alumnos$SES)##
## ALTO BAJO MEDIO
## 139 162 299TABLA DE FRECUENCIAS AVANZADA
library(questionr)
library(magrittr)
DataSES=freq(Alumnos$SES,total = F,sort = 'dec',exclude = c(NA)) %>% data.frame()
DataSES=data.frame(variable=row.names(DataSES),DataSES,row.names = NULL)
DataSES## variable n X.
## 1 MEDIO 299 49.8
## 2 BAJO 162 27.0
## 3 ALTO 139 23.2- Gráficos
library(ggplot2)
# en base solo se pone: en data como se llama la tabla de frecuencias
# y en aes la variable 'x' para los nombres y la 'y' para los conteos.
base = ggplot(data = DataSES,aes(x=variable,y=n))
barSES = base + geom_bar(stat = 'identity')
# luego a la base se le pide añadir la 'geometria' deseada:
barSES
* Gráfico según orden de la tabla
barSES = barSES + scale_x_discrete(limits = DataSES$variable)
barSES
- Barras personalizadas
text1="¿Qué SES es más común entre los estudiantes?"
text2="Condición económico-social (SES)"
text3="Estudiantes"
text4="Fuente:National Center for Education Statistcs"
barSES2 = barSES + labs(title = text1,
x = text2,
y = text3,
caption = text4)
barSES2
- Modificar leyenda de barras
barSES2 + theme_classic() +
theme(plot.title = element_text(hjust = 0.5,size=15), # centrar y agrandar
plot.caption = element_text(hjust = 0), # a la derecha
axis.text.x = element_text(angle=45,hjust = 1)) # angulo
- Diagrama de Pareto
Se realiza en función del 80% de consecuencias causadas por el 20% de los problemas. Muestra dos medidas, los conteos y los porcentajes acumulados.El gráfico de Pareto muestra dos medidas, los conteos y los porcentajes acumulados. Por tradición se trata de detectar que valores representan el 80%.
library(qcc)## Package 'qcc' version 2.7## Type 'citation("qcc")' for citing this R package in publications.pareto.chart(table(Alumnos$SES),cumperc = c(0,50,80,100))
##
## Pareto chart analysis for table(Alumnos$SES)
## Frequency Cum.Freq. Percentage Cum.Percent.
## MEDIO 299.00000 299.00000 49.83333 49.83333
## BAJO 162.00000 461.00000 27.00000 76.83333
## ALTO 139.00000 600.00000 23.16667 100.00000Las acciones de conminar y de patrullaje son casi el 80% de las actividades de serenazgo de San Isidro.
- Moda
library(DescTools)
Mode(Alumnos$SES)## [1] "MEDIO"- Índice de Herfindahl- Hirschman
dataTable=table(Alumnos$SES)
Herfindahl(dataTable)## [1] 0.3749056# * < 0.01 : indica que la moda no es significativa, las categorias tienen pesos similares.
# * < 0.15 : indica que la moda no es significativa, varias categorias tienen pesos similares.
# * entre 0.15 - 0.3: hay una moda.
# * > 0.3: La moda se diferencia de los demas- Representatividad Efectiva : Laakso - Taagepera
1/sum(prop.table(dataTable)**2)## [1] 2.667338Variables ORDINALES
table(Alumnos$LOCUS)##
## -2.23 -1.99 -1.81 -1.78 -1.76 -1.74 -1.58 -1.57 -1.56 -1.55 -1.5 -1.34
## 2 1 1 2 1 1 2 1 1 1 1 1
## -1.33 -1.3 -1.28 -1.15 -1.14 -1.13 -1.1 -1.09 -1.06 -1.05 -1.02 -0.93
## 9 2 3 2 1 1 3 3 1 3 1 3
## -0.91 -0.9 -0.89 -0.88 -0.86 -0.84 -0.83 -0.82 -0.8 -0.71 -0.69 -0.68
## 1 2 4 1 2 7 3 2 1 1 1 3
## -0.67 -0.66 -0.65 -0.64 -0.63 -0.61 -0.6 -0.59 -0.54 -0.51 -0.49 -0.47
## 1 3 2 2 1 3 9 3 1 1 2 2
## -0.45 -0.44 -0.43 -0.42 -0.41 -0.4 -0.39 -0.38 -0.37 -0.36 -0.35 -0.34
## 3 10 3 2 3 14 2 8 2 1 1 1
## -0.33 -0.27 -0.24 -0.23 -0.22 -0.21 -0.2 -0.19 -0.18 -0.17 -0.16 -0.14
## 1 2 2 2 3 3 1 7 4 3 7 7
## -0.11 -0.04 -0.03 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
## 1 2 3 15 1 9 4 2 3 41 1 5
## 0.09 0.1 0.11 0.2 0.21 0.22 0.23 0.24 0.25 0.26 0.27 0.28
## 1 7 1 6 2 9 9 2 5 12 6 7
## 0.29 0.3 0.31 0.32 0.33 0.42 0.43 0.44 0.45 0.46 0.47 0.48
## 3 5 4 7 2 2 3 5 7 41 5 7
## 0.49 0.5 0.51 0.52 0.53 0.55 0.57 0.65 0.66 0.67 0.68 0.69
## 4 2 3 8 1 5 1 1 9 2 18 3
## 0.7 0.71 0.73 0.75 0.87 0.89 0.91 0.93 0.94 0.96 1.11 1.12
## 3 17 3 6 1 6 12 4 2 4 6 1
## 1.13 1.14 1.16 1.36
## 10 2 11 13DataLocus=freq(Alumnos$LOCUS,total = F,exclude = c(NA)) %>% data.frame()
DataLocus=data.frame(variable=row.names(DataLocus),DataLocus,row.names = NULL)
DataLocus## variable n X.
## 1 -2.23 2 0.3
## 2 -1.99 1 0.2
## 3 -1.81 1 0.2
## 4 -1.78 2 0.3
## 5 -1.76 1 0.2
## 6 -1.74 1 0.2
## 7 -1.58 2 0.3
## 8 -1.57 1 0.2
## 9 -1.56 1 0.2
## 10 -1.55 1 0.2
## 11 -1.5 1 0.2
## 12 -1.34 1 0.2
## 13 -1.33 9 1.5
## 14 -1.3 2 0.3
## 15 -1.28 3 0.5
## 16 -1.15 2 0.3
## 17 -1.14 1 0.2
## 18 -1.13 1 0.2
## 19 -1.1 3 0.5
## 20 -1.09 3 0.5
## 21 -1.06 1 0.2
## 22 -1.05 3 0.5
## 23 -1.02 1 0.2
## 24 -0.93 3 0.5
## 25 -0.91 1 0.2
## 26 -0.9 2 0.3
## 27 -0.89 4 0.7
## 28 -0.88 1 0.2
## 29 -0.86 2 0.3
## 30 -0.84 7 1.2
## 31 -0.83 3 0.5
## 32 -0.82 2 0.3
## 33 -0.8 1 0.2
## 34 -0.71 1 0.2
## 35 -0.69 1 0.2
## 36 -0.68 3 0.5
## 37 -0.67 1 0.2
## 38 -0.66 3 0.5
## 39 -0.65 2 0.3
## 40 -0.64 2 0.3
## 41 -0.63 1 0.2
## 42 -0.61 3 0.5
## 43 -0.6 9 1.5
## 44 -0.59 3 0.5
## 45 -0.54 1 0.2
## 46 -0.51 1 0.2
## 47 -0.49 2 0.3
## 48 -0.47 2 0.3
## 49 -0.45 3 0.5
## 50 -0.44 10 1.7
## 51 -0.43 3 0.5
## 52 -0.42 2 0.3
## 53 -0.41 3 0.5
## 54 -0.4 14 2.3
## 55 -0.39 2 0.3
## 56 -0.38 8 1.3
## 57 -0.37 2 0.3
## 58 -0.36 1 0.2
## 59 -0.35 1 0.2
## 60 -0.34 1 0.2
## 61 -0.33 1 0.2
## 62 -0.27 2 0.3
## 63 -0.24 2 0.3
## 64 -0.23 2 0.3
## 65 -0.22 3 0.5
## 66 -0.21 3 0.5
## 67 -0.2 1 0.2
## 68 -0.19 7 1.2
## 69 -0.18 4 0.7
## 70 -0.17 3 0.5
## 71 -0.16 7 1.2
## 72 -0.14 7 1.2
## 73 -0.11 1 0.2
## 74 -0.04 2 0.3
## 75 -0.03 3 0.5
## 76 0 15 2.5
## 77 0.01 1 0.2
## 78 0.02 9 1.5
## 79 0.03 4 0.7
## 80 0.04 2 0.3
## 81 0.05 3 0.5
## 82 0.06 41 6.8
## 83 0.07 1 0.2
## 84 0.08 5 0.8
## 85 0.09 1 0.2
## 86 0.1 7 1.2
## 87 0.11 1 0.2
## 88 0.2 6 1.0
## 89 0.21 2 0.3
## 90 0.22 9 1.5
## 91 0.23 9 1.5
## 92 0.24 2 0.3
## 93 0.25 5 0.8
## 94 0.26 12 2.0
## 95 0.27 6 1.0
## 96 0.28 7 1.2
## 97 0.29 3 0.5
## 98 0.3 5 0.8
## 99 0.31 4 0.7
## 100 0.32 7 1.2
## 101 0.33 2 0.3
## 102 0.42 2 0.3
## 103 0.43 3 0.5
## 104 0.44 5 0.8
## 105 0.45 7 1.2
## 106 0.46 41 6.8
## 107 0.47 5 0.8
## 108 0.48 7 1.2
## 109 0.49 4 0.7
## 110 0.5 2 0.3
## 111 0.51 3 0.5
## 112 0.52 8 1.3
## 113 0.53 1 0.2
## 114 0.55 5 0.8
## 115 0.57 1 0.2
## 116 0.65 1 0.2
## 117 0.66 9 1.5
## 118 0.67 2 0.3
## 119 0.68 18 3.0
## 120 0.69 3 0.5
## 121 0.7 3 0.5
## 122 0.71 17 2.8
## 123 0.73 3 0.5
## 124 0.75 6 1.0
## 125 0.87 1 0.2
## 126 0.89 6 1.0
## 127 0.91 12 2.0
## 128 0.93 4 0.7
## 129 0.94 2 0.3
## 130 0.96 4 0.7
## 131 1.11 6 1.0
## 132 1.12 1 0.2
## 133 1.13 10 1.7
## 134 1.14 2 0.3
## 135 1.16 11 1.8
## 136 1.36 13 2.2base=ggplot(data = DataLocus, aes(x=variable, y=n))
barLOCUS= base + geom_bar(stat = 'identity')
barLOCUS
pareto.chart(table(Alumnos$LOCUS),cumperc = c(0,50,80,100))
##
## Pareto chart analysis for table(Alumnos$LOCUS)
## Frequency Cum.Freq. Percentage Cum.Percent.
## 0.06 41.0000000 41.0000000 6.8333333 6.8333333
## 0.46 41.0000000 82.0000000 6.8333333 13.6666667
## 0.68 18.0000000 100.0000000 3.0000000 16.6666667
## 0.71 17.0000000 117.0000000 2.8333333 19.5000000
## 0 15.0000000 132.0000000 2.5000000 22.0000000
## -0.4 14.0000000 146.0000000 2.3333333 24.3333333
## 1.36 13.0000000 159.0000000 2.1666667 26.5000000
## 0.26 12.0000000 171.0000000 2.0000000 28.5000000
## 0.91 12.0000000 183.0000000 2.0000000 30.5000000
## 1.16 11.0000000 194.0000000 1.8333333 32.3333333
## -0.44 10.0000000 204.0000000 1.6666667 34.0000000
## 1.13 10.0000000 214.0000000 1.6666667 35.6666667
## -1.33 9.0000000 223.0000000 1.5000000 37.1666667
## -0.6 9.0000000 232.0000000 1.5000000 38.6666667
## 0.02 9.0000000 241.0000000 1.5000000 40.1666667
## 0.22 9.0000000 250.0000000 1.5000000 41.6666667
## 0.23 9.0000000 259.0000000 1.5000000 43.1666667
## 0.66 9.0000000 268.0000000 1.5000000 44.6666667
## -0.38 8.0000000 276.0000000 1.3333333 46.0000000
## 0.52 8.0000000 284.0000000 1.3333333 47.3333333
## -0.84 7.0000000 291.0000000 1.1666667 48.5000000
## -0.19 7.0000000 298.0000000 1.1666667 49.6666667
## -0.16 7.0000000 305.0000000 1.1666667 50.8333333
## -0.14 7.0000000 312.0000000 1.1666667 52.0000000
## 0.1 7.0000000 319.0000000 1.1666667 53.1666667
## 0.28 7.0000000 326.0000000 1.1666667 54.3333333
## 0.32 7.0000000 333.0000000 1.1666667 55.5000000
## 0.45 7.0000000 340.0000000 1.1666667 56.6666667
## 0.48 7.0000000 347.0000000 1.1666667 57.8333333
## 0.2 6.0000000 353.0000000 1.0000000 58.8333333
## 0.27 6.0000000 359.0000000 1.0000000 59.8333333
## 0.75 6.0000000 365.0000000 1.0000000 60.8333333
## 0.89 6.0000000 371.0000000 1.0000000 61.8333333
## 1.11 6.0000000 377.0000000 1.0000000 62.8333333
## 0.08 5.0000000 382.0000000 0.8333333 63.6666667
## 0.25 5.0000000 387.0000000 0.8333333 64.5000000
## 0.3 5.0000000 392.0000000 0.8333333 65.3333333
## 0.44 5.0000000 397.0000000 0.8333333 66.1666667
## 0.47 5.0000000 402.0000000 0.8333333 67.0000000
## 0.55 5.0000000 407.0000000 0.8333333 67.8333333
## -0.89 4.0000000 411.0000000 0.6666667 68.5000000
## -0.18 4.0000000 415.0000000 0.6666667 69.1666667
## 0.03 4.0000000 419.0000000 0.6666667 69.8333333
## 0.31 4.0000000 423.0000000 0.6666667 70.5000000
## 0.49 4.0000000 427.0000000 0.6666667 71.1666667
## 0.93 4.0000000 431.0000000 0.6666667 71.8333333
## 0.96 4.0000000 435.0000000 0.6666667 72.5000000
## -1.28 3.0000000 438.0000000 0.5000000 73.0000000
## -1.1 3.0000000 441.0000000 0.5000000 73.5000000
## -1.09 3.0000000 444.0000000 0.5000000 74.0000000
## -1.05 3.0000000 447.0000000 0.5000000 74.5000000
## -0.93 3.0000000 450.0000000 0.5000000 75.0000000
## -0.83 3.0000000 453.0000000 0.5000000 75.5000000
## -0.68 3.0000000 456.0000000 0.5000000 76.0000000
## -0.66 3.0000000 459.0000000 0.5000000 76.5000000
## -0.61 3.0000000 462.0000000 0.5000000 77.0000000
## -0.59 3.0000000 465.0000000 0.5000000 77.5000000
## -0.45 3.0000000 468.0000000 0.5000000 78.0000000
## -0.43 3.0000000 471.0000000 0.5000000 78.5000000
## -0.41 3.0000000 474.0000000 0.5000000 79.0000000
## -0.22 3.0000000 477.0000000 0.5000000 79.5000000
## -0.21 3.0000000 480.0000000 0.5000000 80.0000000
## -0.17 3.0000000 483.0000000 0.5000000 80.5000000
## -0.03 3.0000000 486.0000000 0.5000000 81.0000000
## 0.05 3.0000000 489.0000000 0.5000000 81.5000000
## 0.29 3.0000000 492.0000000 0.5000000 82.0000000
## 0.43 3.0000000 495.0000000 0.5000000 82.5000000
## 0.51 3.0000000 498.0000000 0.5000000 83.0000000
## 0.69 3.0000000 501.0000000 0.5000000 83.5000000
## 0.7 3.0000000 504.0000000 0.5000000 84.0000000
## 0.73 3.0000000 507.0000000 0.5000000 84.5000000
## -2.23 2.0000000 509.0000000 0.3333333 84.8333333
## -1.78 2.0000000 511.0000000 0.3333333 85.1666667
## -1.58 2.0000000 513.0000000 0.3333333 85.5000000
## -1.3 2.0000000 515.0000000 0.3333333 85.8333333
## -1.15 2.0000000 517.0000000 0.3333333 86.1666667
## -0.9 2.0000000 519.0000000 0.3333333 86.5000000
## -0.86 2.0000000 521.0000000 0.3333333 86.8333333
## -0.82 2.0000000 523.0000000 0.3333333 87.1666667
## -0.65 2.0000000 525.0000000 0.3333333 87.5000000
## -0.64 2.0000000 527.0000000 0.3333333 87.8333333
## -0.49 2.0000000 529.0000000 0.3333333 88.1666667
## -0.47 2.0000000 531.0000000 0.3333333 88.5000000
## -0.42 2.0000000 533.0000000 0.3333333 88.8333333
## -0.39 2.0000000 535.0000000 0.3333333 89.1666667
## -0.37 2.0000000 537.0000000 0.3333333 89.5000000
## -0.27 2.0000000 539.0000000 0.3333333 89.8333333
## -0.24 2.0000000 541.0000000 0.3333333 90.1666667
## -0.23 2.0000000 543.0000000 0.3333333 90.5000000
## -0.04 2.0000000 545.0000000 0.3333333 90.8333333
## 0.04 2.0000000 547.0000000 0.3333333 91.1666667
## 0.21 2.0000000 549.0000000 0.3333333 91.5000000
## 0.24 2.0000000 551.0000000 0.3333333 91.8333333
## 0.33 2.0000000 553.0000000 0.3333333 92.1666667
## 0.42 2.0000000 555.0000000 0.3333333 92.5000000
## 0.5 2.0000000 557.0000000 0.3333333 92.8333333
## 0.67 2.0000000 559.0000000 0.3333333 93.1666667
## 0.94 2.0000000 561.0000000 0.3333333 93.5000000
## 1.14 2.0000000 563.0000000 0.3333333 93.8333333
## -1.99 1.0000000 564.0000000 0.1666667 94.0000000
## -1.81 1.0000000 565.0000000 0.1666667 94.1666667
## -1.76 1.0000000 566.0000000 0.1666667 94.3333333
## -1.74 1.0000000 567.0000000 0.1666667 94.5000000
## -1.57 1.0000000 568.0000000 0.1666667 94.6666667
## -1.56 1.0000000 569.0000000 0.1666667 94.8333333
## -1.55 1.0000000 570.0000000 0.1666667 95.0000000
## -1.5 1.0000000 571.0000000 0.1666667 95.1666667
## -1.34 1.0000000 572.0000000 0.1666667 95.3333333
## -1.14 1.0000000 573.0000000 0.1666667 95.5000000
## -1.13 1.0000000 574.0000000 0.1666667 95.6666667
## -1.06 1.0000000 575.0000000 0.1666667 95.8333333
## -1.02 1.0000000 576.0000000 0.1666667 96.0000000
## -0.91 1.0000000 577.0000000 0.1666667 96.1666667
## -0.88 1.0000000 578.0000000 0.1666667 96.3333333
## -0.8 1.0000000 579.0000000 0.1666667 96.5000000
## -0.71 1.0000000 580.0000000 0.1666667 96.6666667
## -0.69 1.0000000 581.0000000 0.1666667 96.8333333
## -0.67 1.0000000 582.0000000 0.1666667 97.0000000
## -0.63 1.0000000 583.0000000 0.1666667 97.1666667
## -0.54 1.0000000 584.0000000 0.1666667 97.3333333
## -0.51 1.0000000 585.0000000 0.1666667 97.5000000
## -0.36 1.0000000 586.0000000 0.1666667 97.6666667
## -0.35 1.0000000 587.0000000 0.1666667 97.8333333
## -0.34 1.0000000 588.0000000 0.1666667 98.0000000
## -0.33 1.0000000 589.0000000 0.1666667 98.1666667
## -0.2 1.0000000 590.0000000 0.1666667 98.3333333
## -0.11 1.0000000 591.0000000 0.1666667 98.5000000
## 0.01 1.0000000 592.0000000 0.1666667 98.6666667
## 0.07 1.0000000 593.0000000 0.1666667 98.8333333
## 0.09 1.0000000 594.0000000 0.1666667 99.0000000
## 0.11 1.0000000 595.0000000 0.1666667 99.1666667
## 0.53 1.0000000 596.0000000 0.1666667 99.3333333
## 0.57 1.0000000 597.0000000 0.1666667 99.5000000
## 0.65 1.0000000 598.0000000 0.1666667 99.6666667
## 0.87 1.0000000 599.0000000 0.1666667 99.8333333
## 1.12 1.0000000 600.0000000 0.1666667 100.0000000library(DescTools)
Mode(Alumnos$LOCUS)## [1] 0.06 0.46dataTable=table(Alumnos$LOCUS)
Herfindahl(dataTable)## [1] 0.019544441/sum(prop.table(dataTable)**2)## [1] 51.16543- Mediana
Median(Alumnos$LOCUS)## [1] 0.21En la ordinal ya se puede pedir mediana. La mediana indica hasta qué valor llega el 50% de los valores que han tomado los datos.
ggplot(Alumnos,aes(y=LOCUS)) + geom_boxplot() + scale_y_discrete(limits=DataLocus$variable) 
Note los valores 3, 4 y 6.
El 3 es el primer cuartil: 25% de las acciones de los serenos se dan de domingo a miercoles. El 4 es la mediana o cuartil 2. El 6 es el cuartil 3: Otro 25% de las acciones de los serenos se dan de viernes a sábado.
SESIÓN 3 - TABLAS DESDE LA WEB
- Leer datos.
library(htmltab)
# PARA TRABAJAR CON VARIAS TABLAS DE UN MISMO LINK
LINKGUERRAS = "https://en.wikipedia.org/wiki/List_of_wars_by_death_toll"
ancient = htmltab(doc = LINKGUERRAS,
which ='//*[@id="mw-content-text"]/div/table[4]') # aqui va XPATH
medieval = htmltab(doc = LINKGUERRAS,
which ='//*[@id="mw-content-text"]/div/table[6]') # aqui va XPATH## Warning: Columns [Notes] seem to have no data and are removed. Use
## rm_nodata_cols = F to suppress this behaviormodern = htmltab(doc = LINKGUERRAS,
which ='//*[@id="mw-content-text"]/div/table[7]') # aqui va XPATH## Warning: Columns [Notes] seem to have no data and are removed. Use
## rm_nodata_cols = F to suppress this behavior- Identificando nombres de variables
names(ancient)## [1] "War" "Deathrange" "Geometricmean(Note 1)"
## [4] "Date" "Combatants" "Location"
## [7] "Notes"names(medieval)## [1] "War" "Deathrange" "Geometricmean" "Date"
## [5] "Combatants" "Location"names(modern)## [1] "War" "Deathrange" "Geometricmean" "Date"
## [5] "Combatants" "Location"- Creando subconjuntos
Quieres combinar los tres en uno solo. Eso se puede hacer si todas las columnas tienen nombres identicos. Quedate con estas columnas:
guerras1=ancient[,c("War","Location")]
guerras2=medieval[,c("War","Location")]
guerras3=modern[,c("War","Location")]
guerras=rbind(guerras1,guerras2,guerras3) #Usa la funcion rbind para poner las tablas una debajo de la otra
str(guerras)## 'data.frame': 162 obs. of 2 variables:
## $ War : chr "Conquests of Cyrus the Great" "Greco–Persian Wars" "Samnite Wars" "Wars of Alexander the Great" ...
## $ Location: chr "Middle East" "Greece" "Italy" "Middle East / North Africa / Central Asia / India" ...Cada data frame tiene ahora 2 columnas cada uno.
- Análisis estadístico - Location
table(guerras$Location)##
## Afghanistan
## 3
## Algeria
## 3
## Americas
## 1
## Angola
## 2
## Balkan Peninsula
## 1
## Bangladesh
## 1
## Bosnia
## 1
## British Isles
## 1
## Burundi
## 1
## Caucasus region
## 1
## Central Africa
## 2
## China
## 9
## China / Vietnam
## 1
## Colombia
## 3
## Congo
## 4
## Crimean Peninsula
## 1
## Cuba
## 2
## East Asia
## 1
## Eastern Europe
## 4
## Eastern Europe / Middle East / North Africa
## 1
## England
## 2
## England / Wales
## 1
## Ethiopia
## 2
## Eurasia
## 2
## Europe
## 4
## Europe / Americas
## 2
## Europe / Middle East ("Holy Land")
## 1
## Finland
## 1
## France
## 3
## Germany
## 1
## Greece
## 2
## Haiti
## 1
## Iberian Peninsula
## 1
## India
## 4
## India-Bangladesh
## 1
## Indonesia
## 1
## Iraq
## 5
## Italy
## 1
## Korea
## 3
## Laos
## 1
## Lebanon
## 1
## Libya
## 1
## Madagascar
## 1
## Manchuria
## 1
## Mexico
## 4
## Middle East
## 7
## Middle East / North Africa
## 1
## Middle East / North Africa / Central Asia / India
## 1
## Middle East / North Africa / Southern Europe
## 1
## Middle East/North Africa
## 1
## Mozambique
## 1
## Myanmar
## 1
## New Guinea
## 1
## Nigeria
## 2
## North Africa
## 1
## North America
## 1
## North India / Pakistan
## 1
## Northeast India
## 2
## Northern China
## 1
## Northern Europe
## 1
## Pakistan
## 1
## Patagonia
## 1
## Peru
## 2
## Philippines
## 3
## Russia
## 2
## Rwanda
## 1
## Scotland / England
## 1
## Sierra Leone
## 1
## Somalia
## 1
## South Africa
## 1
## South America
## 1
## Southeast Asia
## 2
## Southeast Europe
## 1
## Southern Africa
## 1
## Southern Europe
## 1
## Southern Europe / North Africa
## 2
## Spain
## 2
## Sri Lanka
## 1
## Sudan
## 3
## Syria
## 1
## Tunisia
## 1
## Uganda
## 1
## USA
## 1
## Venezuela
## 1
## Vietnam
## 1
## Western Europe
## 4
## Western Europe / North Africa
## 2
## Worldwide
## 7
## Yemen
## 2también
library(knitr)
dataTable=table(guerras$Location) #ASÍ LUCE MEJOR
kable(dataTable)| Var1 | Freq |
|---|---|
| Afghanistan | 3 |
| Algeria | 3 |
| Americas | 1 |
| Angola | 2 |
| Balkan Peninsula | 1 |
| Bangladesh | 1 |
| Bosnia | 1 |
| British Isles | 1 |
| Burundi | 1 |
| Caucasus region | 1 |
| Central Africa | 2 |
| China | 9 |
| China / Vietnam | 1 |
| Colombia | 3 |
| Congo | 4 |
| Crimean Peninsula | 1 |
| Cuba | 2 |
| East Asia | 1 |
| Eastern Europe | 4 |
| Eastern Europe / Middle East / North Africa | 1 |
| England | 2 |
| England / Wales | 1 |
| Ethiopia | 2 |
| Eurasia | 2 |
| Europe | 4 |
| Europe / Americas | 2 |
| Europe / Middle East (“Holy Land”) | 1 |
| Finland | 1 |
| France | 3 |
| Germany | 1 |
| Greece | 2 |
| Haiti | 1 |
| Iberian Peninsula | 1 |
| India | 4 |
| India-Bangladesh | 1 |
| Indonesia | 1 |
| Iraq | 5 |
| Italy | 1 |
| Korea | 3 |
| Laos | 1 |
| Lebanon | 1 |
| Libya | 1 |
| Madagascar | 1 |
| Manchuria | 1 |
| Mexico | 4 |
| Middle East | 7 |
| Middle East / North Africa | 1 |
| Middle East / North Africa / Central Asia / India | 1 |
| Middle East / North Africa / Southern Europe | 1 |
| Middle East/North Africa | 1 |
| Mozambique | 1 |
| Myanmar | 1 |
| New Guinea | 1 |
| Nigeria | 2 |
| North Africa | 1 |
| North America | 1 |
| North India / Pakistan | 1 |
| Northeast India | 2 |
| Northern China | 1 |
| Northern Europe | 1 |
| Pakistan | 1 |
| Patagonia | 1 |
| Peru | 2 |
| Philippines | 3 |
| Russia | 2 |
| Rwanda | 1 |
| Scotland / England | 1 |
| Sierra Leone | 1 |
| Somalia | 1 |
| South Africa | 1 |
| South America | 1 |
| Southeast Asia | 2 |
| Southeast Europe | 1 |
| Southern Africa | 1 |
| Southern Europe | 1 |
| Southern Europe / North Africa | 2 |
| Spain | 2 |
| Sri Lanka | 1 |
| Sudan | 3 |
| Syria | 1 |
| Tunisia | 1 |
| Uganda | 1 |
| USA | 1 |
| Venezuela | 1 |
| Vietnam | 1 |
| Western Europe | 4 |
| Western Europe / North Africa | 2 |
| Worldwide | 7 |
| Yemen | 2 |
- Gráficos
library(ggplot2)
base = ggplot(data=guerras,aes(x=Location)) #básico
bar1 = base + geom_bar()
bar1 
Con títulos
bar1 = bar1 + labs(x="Pais/zona",
y="Cantidad",
title="Ubicacion de las Guerras en la historia",
subtitle = "Solo con mas 25000 muertos",
caption = "Fuente: Wikipedia")
bar1
Datos en ángulo
bar1 + theme(axis.text.x = element_text(angle = 90,size=6,hjust = 1))
- Estadísticos
CENTRALES
Moda
library(DescTools)
Mode(guerras$Location)## [1] "China"- DISPERSIÓN
- Concentracion: Herfindahl- Hirschman
library(DescTools)
Herfindahl(dataTable)## [1] 0.01851852< 0.01 : indica que la moda no es significativa, las categorias tienen pesos similares.
< 0.15 : indica que la moda no es significativa, varias categorias tienen pesos similares.
entre 0.15 - 0.25: hay una moda.
0.25: La moda se diferencia de los demas
Representatividad Efectiva : Laakso - Taagepera
1/Herfindahl(dataTable)## [1] 54Hay 54 locaciones importantes de 89.
PRÁCTICA CALIFICADA - TABLAS WEB
TABLAS:
En los dos casos planteados, se está trabajando con variables nominales.
TABLA MASCULINO
- TABLA DE DATOS
library(htmltab)
linkPage='https://en.wikipedia.org/wiki/List_of_Wimbledon_gentlemen%27s_singles_champions'
linkTabla='//*[@id="mw-content-text"]/div/table[4]/tbody'
OpenEra=htmltab(doc = linkPage, which = linkTabla)
OpenEra=OpenEra[c(2)]
names(OpenEra)## [1] "Country"str(OpenEra)## 'data.frame': 52 obs. of 1 variable:
## $ Country: chr " AUS" " AUS" " AUS" " AUS" ...head(OpenEra)## Country
## 2 AUS
## 3 AUS
## 4 AUS
## 5 AUS
## 6 USA
## 7 TCH2.GRÁFICOS
library(questionr)
library(magrittr)
freqCountry=freq(OpenEra$Country,cum = T)%>%data.frame()
freqCountry=data.frame(Country=row.names(freqCountry),freqCountry,row.names = NULL)
freqCountry## Country n X. val. X.cum val.cum
## 1 SUI 8 15.4 15.4 15.4 15.4
## 2 AUS 6 11.5 11.5 26.9 26.9
## 3 CRO 1 1.9 1.9 28.8 28.8
## 4 ESP 2 3.8 3.8 32.7 32.7
## 5 FRG 3 5.8 5.8 38.5 38.5
## 6 GBR 2 3.8 3.8 42.3 42.3
## 7 GER 1 1.9 1.9 44.2 44.2
## 8 NED 1 1.9 1.9 46.2 46.2
## 9 SRB 5 9.6 9.6 55.8 55.8
## 10 SWE 7 13.5 13.5 69.2 69.2
## 11 TCH 1 1.9 1.9 71.2 71.2
## 12 USA 15 28.8 28.8 100.0 100.0library(ggplot2)
base = ggplot(data=freqCountry,aes(x=Country,y=n))
bar1 = base + geom_bar(stat='identity')
text1="Country in Gentlemen's Open Era"
text2="Countries"
text3="Victory Count"
text4="Traken from: Wikipedia"
bar2= bar1 + labs(title = text1,
x=text2,
y=text3,
caption=text4)
bar2
library(qcc)
pareto.chart(table(OpenEra$Country),cumperc = c(0,50,80,100))
##
## Pareto chart analysis for table(OpenEra$Country)
## Frequency Cum.Freq. Percentage Cum.Percent.
## USA 15.000000 15.000000 28.846154 28.846154
## SUI 8.000000 23.000000 15.384615 44.230769
## SWE 7.000000 30.000000 13.461538 57.692308
## AUS 6.000000 36.000000 11.538462 69.230769
## SRB 5.000000 41.000000 9.615385 78.846154
## FRG 3.000000 44.000000 5.769231 84.615385
## ESP 2.000000 46.000000 3.846154 88.461538
## GBR 2.000000 48.000000 3.846154 92.307692
## CRO 1.000000 49.000000 1.923077 94.230769
## GER 1.000000 50.000000 1.923077 96.153846
## NED 1.000000 51.000000 1.923077 98.076923
## TCH 1.000000 52.000000 1.923077 100.000000El 80% se concentra entre FRG y ESP
ESTADÍSTICAS
Moda
library(DescTools)
Mode(OpenEra$Country)## [1] " USA"El mayor número de medallas ganadas lo ha obtenido USA.
Representatividad Efectiva : Laakso - Taagepera
dataTable=table(OpenEra$Country)
1/Herfindahl(dataTable)## [1] 6.438095Hay 6 paises que concentran la mayoría de las medallas ganadas.
Índice de Herfindahl- Hirschman
dataTable=table(OpenEra$Country)
Herfindahl(dataTable)## [1] 0.1553254- La moda no es significativa
TABLA FEMENINA
- TABLA DE DATOS
library(htmltab)
linkPage='https://en.wikipedia.org/wiki/List_of_Wimbledon_ladies%27_singles_champions'
linkTabla='//*[@id="mw-content-text"]/div/table[4]/tbody'
OpenEraF=htmltab(doc = linkPage, which = linkTabla)
OpenEraF=OpenEraF[c(2)]
names(OpenEraF)## [1] "Country"str(OpenEraF)## 'data.frame': 52 obs. of 1 variable:
## $ Country: chr " USA" " GBR" " AUS" " AUS" ...head(OpenEraF)## Country
## 2 USA
## 3 GBR
## 4 AUS
## 5 AUS
## 6 USA
## 7 USA2.GRÁFICOS
library(questionr)
library(magrittr)
freqCountryF=freq(OpenEraF$Country,cum = T)%>%data.frame()
freqCountryF=data.frame(Country=row.names(freqCountryF),freqCountryF,row.names = NULL)
freqCountryF## Country n X. val. X.cum val.cum
## 1 SUI 1 1.9 1.9 1.9 1.9
## 2 AUS 3 5.8 5.8 7.7 7.7
## 3 CZE 3 5.8 5.8 13.5 13.5
## 4 ESP 2 3.8 3.8 17.3 17.3
## 5 FRA 2 3.8 3.8 21.2 21.2
## 6 FRG 2 3.8 3.8 25.0 25.0
## 7 GBR 2 3.8 3.8 28.8 28.8
## 8 GER 6 11.5 11.5 40.4 40.4
## 9 ROU 1 1.9 1.9 42.3 42.3
## 10 RUS 1 1.9 1.9 44.2 44.2
## 11 USA 29 55.8 55.8 100.0 100.0library(ggplot2)
base1 = ggplot(data=freqCountryF,aes(x=Country,y=n))
bar3 = base1 + geom_bar(stat='identity')
text1="Country in Ladies' Open Era"
text2="Countries"
text3="Victory Count"
text4="Traken from: Wikipedia"
bar4= bar3 + labs(title = text1,
x=text2,
y=text3,
caption=text4)
bar4
library(qcc)
pareto.chart(table(OpenEraF$Country),cumperc = c(0,50,80,100))
##
## Pareto chart analysis for table(OpenEraF$Country)
## Frequency Cum.Freq. Percentage Cum.Percent.
## USA 29.000000 29.000000 55.769231 55.769231
## GER 6.000000 35.000000 11.538462 67.307692
## AUS 3.000000 38.000000 5.769231 73.076923
## CZE 3.000000 41.000000 5.769231 78.846154
## ESP 2.000000 43.000000 3.846154 82.692308
## FRA 2.000000 45.000000 3.846154 86.538462
## FRG 2.000000 47.000000 3.846154 90.384615
## GBR 2.000000 49.000000 3.846154 94.230769
## SUI 1.000000 50.000000 1.923077 96.153846
## ROU 1.000000 51.000000 1.923077 98.076923
## RUS 1.000000 52.000000 1.923077 100.000000El 80% se concentra entre FRG y ESP
ESTADÍSTICAS
Moda
library(DescTools)
Mode(OpenEraF$Country)## [1] " USA"El mayor número de medallas ganadas lo ha obtenido USA.
Representatividad Efectiva : Laakso - Taagepera
dataTable=table(OpenEraF$Country)
1/Herfindahl(dataTable)## [1] 2.958425Hay 3 paises que concentran la mayoría de las medallas ganadas.
Índice de Herfindahl- Hirschman
dataTable=table(OpenEraF$Country)
Herfindahl(dataTable)## [1] 0.3380178- La moda se diferencia de los demas
SESIÓN 4 - ORDINALES
library(htmltab)
linkPage='https://www.nationsonline.org/oneworld/corruption.htm'
linkTabla='/html/body/table[3]/tbody'
corruption=htmltab(doc = linkPage,
which = linkTabla)## Neither <thead> nor <th> information found. Taking first table row for the header. If incorrect, specifiy header argument.## Warning: Columns [ ] seem to have no data and are removed. Use
## rm_nodata_cols = F to suppress this behavior- VIENDO LOS CAMPOS DE LA TABLA
names(corruption)## [1] "Rank" "Country" "2016 Score" "2015 Score" "2014 Score"
## [6] "2013 Score" "2012 Score" "Region"- SELECCIONANDO CAMPOS
corruption=corruption[,c(2,3,8)]
names(corruption)## [1] "Country" "2016 Score" "Region"- CAMBIO DE NOMBRE DE LOS CAMPOS
names(corruption)[2]='Score2016'- IDENTIFICANDO EL TIPO DE VARIABLE
str(corruption)## 'data.frame': 177 obs. of 3 variables:
## $ Country : chr "Denmark" "New Zealand" "Finland" "Sweden" ...
## $ Score2016: chr "90" "90" "89" "88" ...
## $ Region : chr "Europe" "Asia Pacific" "Europe" "Europe" ...corruption$Score2016=as.numeric(corruption$Score2016) #SE DEBE CAMBIAR SCORE A NUMÉRICO## Warning: NAs introduced by coercion- IDENTIFICANDO ERRORES
corruption[!complete.cases(corruption$Score2016),] #identificar## Country Score2016
## 178 To get in-depth information visit:Transparency International NA
## Region
## 178 To get in-depth information visit:Transparency Internationalcorruption=corruption[complete.cases(corruption$Score2016),] #quedandonos con las filas con datos completos
head(corruption) #para ver las 6 primeras filas## Country Score2016 Region
## 2 Denmark 90 Europe
## 3 New Zealand 90 Asia Pacific
## 4 Finland 89 Europe
## 5 Sweden 88 Europe
## 6 Switzerland 86 Europe
## 7 Norway 85 Europe- DE NUMÉRICA A ORDINAL
# Para hacerlo, se organiza en 10 grupos
corruption$nivel=cut(corruption$Score2016,
breaks = 10, # cuantos grupos
labels = c(1:10),# nombre de los grupos
ordered_result = T) # resultado es ordinal
head(corruption) #ahora aparece nivel, a mayor grupo, menos corrupción## Country Score2016 Region nivel
## 2 Denmark 90 Europe 10
## 3 New Zealand 90 Asia Pacific 10
## 4 Finland 89 Europe 10
## 5 Sweden 88 Europe 10
## 6 Switzerland 86 Europe 10
## 7 Norway 85 Europe 10EXPLORACIÓN DE VARIABLES ORDINALES
- CREANDO TABLA DE EXPLORACIÓN
library(questionr)
library(magrittr)
freqCorrup=freq(corruption$nivel,cum = T)%>%data.frame() #aqui se inserta la variable ordinal
freqCorrup=data.frame(nivel=row.names(freqCorrup),freqCorrup,row.names = NULL) #crea un dataframe que se llama freqCrrupcion
freqCorrup## nivel n X. val. X.cum val.cum
## 1 1 13 7.4 7.4 7.4 7.4
## 2 2 19 10.8 10.8 18.2 18.2
## 3 3 37 21.0 21.0 39.2 39.2
## 4 4 36 20.5 20.5 59.7 59.7
## 5 5 17 9.7 9.7 69.3 69.3
## 6 6 14 8.0 8.0 77.3 77.3
## 7 7 17 9.7 9.7 86.9 86.9
## 8 8 6 3.4 3.4 90.3 90.3
## 9 9 9 5.1 5.1 95.5 95.5
## 10 10 8 4.5 4.5 100.0 100.0#RENOMBRANDO CAMPOS DE LA TABLA CREADA
names(freqCorrup)[2:6] =c("absoluta","relativa","relativaVAl","relativaCum",
"relativaCumVAL")
freqCorrup## nivel absoluta relativa relativaVAl relativaCum relativaCumVAL
## 1 1 13 7.4 7.4 7.4 7.4
## 2 2 19 10.8 10.8 18.2 18.2
## 3 3 37 21.0 21.0 39.2 39.2
## 4 4 36 20.5 20.5 59.7 59.7
## 5 5 17 9.7 9.7 69.3 69.3
## 6 6 14 8.0 8.0 77.3 77.3
## 7 7 17 9.7 9.7 86.9 86.9
## 8 8 6 3.4 3.4 90.3 90.3
## 9 9 9 5.1 5.1 95.5 95.5
## 10 10 8 4.5 4.5 100.0 100.0- GRÁFICOS
library(ggplot2) #descargar la libreria
base = ggplot(data=freqCorrup,aes(x=nivel,y=absoluta)) #hacemos un grafico de barras al data frame que acabamos de crear, es decir "freqCorrup"
base1= base + scale_x_discrete(limits=freqCorrup$nivel)
bar1 = base1 + geom_bar(stat='identity')
bar1
- DECORACIONES XD
bar1 + labs(x="Nivel",
y="Cantidad",
title="¿La mayoria de paises están libres de corrupcion?",
subtitle = "(por arriba de nivel 8)",
caption = "Fuente: Transparency International")
- GRÁFICO DE PARETO
library(qcc)
pareto.chart(table(corruption$nivel),cumperc = c(0,50,80,100))
##
## Pareto chart analysis for table(corruption$nivel)
## Frequency Cum.Freq. Percentage Cum.Percent.
## 3 37.000000 37.000000 21.022727 21.022727
## 4 36.000000 73.000000 20.454545 41.477273
## 2 19.000000 92.000000 10.795455 52.272727
## 5 17.000000 109.000000 9.659091 61.931818
## 7 17.000000 126.000000 9.659091 71.590909
## 6 14.000000 140.000000 7.954545 79.545455
## 1 13.000000 153.000000 7.386364 86.931818
## 9 9.000000 162.000000 5.113636 92.045455
## 10 8.000000 170.000000 4.545455 96.590909
## 8 6.000000 176.000000 3.409091 100.000000- BOXPLOT
# no se usa la tabla de frecuencia
# se usa en tipo numerico a la ordinal
box=ggplot(corruption,aes(y=as.numeric(nivel)))+ geom_boxplot() #volvemos numerico la ordinal, para poder hacerle un boxplot
box
box + scale_y_discrete(limits = freqCorrup$nivel) #Al convertir el ordinal en numerico, aparece en la vertical numeros decimales. Podemos ver las etiquetas así:
ESTADÍSTICOS
MEDIANA
Median(corruption$nivel)## [1] 4
## Levels: 1 < 2 < 3 < 4 < 5 < 6 < 7 < 8 < 9 < 1050% de los paises no pasan del nivel 4.
Dispersión Variación Modal
# mientras mayor, la moda representa menos
dataTable=table(corruption$nivel)
1-max(prop.table(dataTable))## [1] 0.7897727La moda NO representa al 79% de los paises.
Concentracion: Herfindahl- Hirschman
# * < 0.01 : indica que la moda no es significativa, las categorias tienen pesos similares.
# * < 0.15 : indica que la moda no es significativa, varias categorias tienen pesos similares.
# * entre 0.15 - 0.25: hay una moda.
# * > 0.25: La moda se diferencia de los demas
Herfindahl(dataTable)## [1] 0.1339747La moda no es significativa.
Representatividad Efectiva : Laakso - Taagepera
1/sum(prop.table(dataTable)**2)## [1] 7.464096Hay 7 niveles representativos.
Distancia Interquartil:
IQR(corruption$nivel)## [1] 3Si miras el boxplot, te das cuenta que el 50% de los valores centrales esta del nivel 3 al 6.
Desviación absoluta de la mediana:
# Mientras más se aleje de cero y sea positiva hay posible atipicos en los valores
# grandes. Mientras más se aleje de cero y sea negativa
# hay posible atipicos en los valores pequeños.
mad(as.numeric(corruption$nivel))## [1] 1.4826El valor positivo indica que hay posibles valores extremos hacia los valores mayores. Así, los mejores niveles de percepcion de corrupcion (los menos corruptos) son los menos comunes en el planeta.
Sesión 5 - EXPLORACIÓN DE VALIABLES NUMÉRICAS
###PARTE 1: EXTRAYENDO LOS DATOS
link2='https://docs.google.com/spreadsheets/d/e/2PACX-1vTgDnZeJUe5Qdn-Il3Ob1u630GIYyxf5nomPu3oqrb5L31vUYCHsrtA0_tl2gEQ82mOI7-l1B9TtyZo/pub?gid=753961441&single=true&output=csv'
mineria=read.csv(link2, stringsAsFactors = F)
# que tenemos
str(mineria)## 'data.frame': 33 obs. of 4 variables:
## $ EMPRESA : chr "Ananea" "Antamina" "Ares" "Argentum" ...
## $ Responsable: chr "Contrata" "Empresa" "Empresa" "Contrata" ...
## $ Tama : chr "Pequeña" "Grande" "Mediana" "Mediana" ...
## $ accidentes : int 20 5 10 6 5 19 5 23 6 16 ...###*PARTE 2 : EXPLORACIÓN GRÁFICA
NOTA: Las variables numéricas no requieren tablas de frecuencia para ser exploradas.
El grafico inicial a usar es el histograma:
library(ggplot2)
base1=ggplot(mineria,aes(x=accidentes))
histNum= base1 + geom_histogram(bins=7)
histNum 
La exploración numérica nos debe sugerir:
- Si la media es representativo o no.
- Si hay asimetría, y hacia donde se concentran los datos.
- Si hay valores atípicos.
Del gráfico podemos decir que, como no es simétrico, informar la media de accidentes no será muy representativa (la mediana será la mejor opción); por otro lado, como la asimetría nos muestra que los accidentes son en su mayoría pocos. Hay un numero de accidentes que se aleja hacia valores altos, pero no estamos seguros si está tan lejos del ‘centro’ para ser atípico.
Los atípicos se ven claramente en un boxplot:
base2=ggplot(mineria,aes(y=accidentes))
box=base2 + geom_boxplot() + coord_flip()
box 
El punto a la derecha confirma que hay atípicos.
Para ser más preciso en nuestra exploración, debemos calcular diversos indicadores estadísticos.
###PARTE 3: EXPLORACIÓN CON ESTADÍGRAFOS
Los estadigrafos aparecen rapidamente así:
summary(mineria$accidentes)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 5.00 8.00 10.76 13.00 42.00Podriamos graficarlos en el boxplot:
library(ggplot2)
estadigrafos=round(as.vector(summary(mineria$accidentes)),2)
box + scale_y_continuous(breaks = estadigrafos) 
¿Te das cuenta por que hay asimetría?
Si la media es mayor que la mediana la asimetría tiende a ser positiva (cola a la derecha). Hay tendencia a la asimetría negativa (cola a la izquierda) cuando la mediana es mayor que la media. Aquí se nota claramente que hay asimetría, pero podemos confirmarla calculando el coeficiente respectivo:
library(DescTools)
Skew(mineria$accidentes,conf.level = 0.05)## skew lwr.ci upr.ci
## 2.251112 2.570154 2.661200La distancia intercuartilica es importante saberla:
IQR(mineria$accidentes)## [1] 8Es decir, entre el primer y tercer cuartil hay sólo 8 valores; asi, el 50% de los valores centrales varian en 8 valores. Así, podemos proponer que un atípico es aquel que está a una distancia lejana de estos valores centrales. Este umbral, tradicionalmente se calcula así:
# cuartil tres
q3=as.numeric(summary(mineria$accidentes)[5])
# calculando umbral (distancia del q3)
umbral= q3+1.5*IQR(mineria$accidentes)
umbral## [1] 25Osea, en teoria, todo valor mayor que 25 será considerado un atípico:
mineria[mineria$accidentes>umbral,]## EMPRESA Responsable Tama accidentes
## 31 Volcan Contrata Grande 42Los accidentes pueden ser representados en el Gini:
Gini(mineria$accidentes,conf.level=0.95)## Warning in norm.inter(t, adj.alpha): extreme order statistics used as
## endpoints## gini lwr.ci upr.ci
## 0.3362676 0.2721479 0.4639009Si el Gini es 0, todas las empresas causan la misma cantidad de accidentes; si fuera 1, una sola empresa causa todos los accidentes.
Normalmente al Gini le acompaña la curva de Lorenz:
library(gglorenz) # instalar ## Registered S3 methods overwritten by 'ineq':
## method from
## plot.Lc DescTools
## lines.Lc DescTools## Registered S3 methods overwritten by 'ineq':
## method from
## plot.Lc DescTools
## lines.Lc DescTools
base1 + gglorenz::stat_lorenz(color='red') +
geom_abline(linetype = "dashed") + coord_fixed() +
labs(x = "% Empresas ordenadas por accidentes causados",
y = "% Acumulado de Accidentes",
title = "Relación empresa / accidente",
caption = "Fuente: MINEM")
Si la curva se acerca a la diagonal, hay igualdad de distribución: cada empresa contribuye con la misma cantidad de accidentes (Gini = 0).
SESIÓN 4 - PRÁCTICA EN CLASE
COMPLETAR XD
LINK: https://es.wikipedia.org/wiki/%C3%8Dndice_de_democracia
SESIÓN 6 - EXPLORACIÓN BIVARIADA
EXPLORACIÓN BIVARIADA
Combina todas las categorías posibles.
VARIABLE CATEGÓRICA - NUMÉRICA
- CARGA DE DATA
library(rio)
linkGIT="https://github.com/JoseManuelMagallanes/Estadistica_Para_AnalisisPolitico/raw/master/hsb.sav"
data=import(linkGIT)
str(data,strict.width = 'cut',witch=50)## 'data.frame': 600 obs. of 15 variables:
## $ ID : num 1 2 3 4 5 6 7 8 9 10 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ SEX : num 2 1 2 2 2 1 1 2 1 2 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ RACE : num 2 2 2 2 2 2 2 2 2 2 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ SES : num 1 1 1 2 2 2 1 1 2 1 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ SCTYP : num 1 1 1 1 1 1 1 1 1 1 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ HSP : num 3 2 2 3 3 2 1 1 1 1 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0.44 0.68 0.06 0.05 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -0.47 0.25 0.56 0.15 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33 1 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CAR : num 10 2 9 15 1 11 10 9 9 11 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62.7 44.2 46.9 44.2 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64.5 51.5 41.1 49.5 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48 36.9 45.3 40.5 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4 49.8 47.1 39 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55.6 55.6 55.6 50.6 ...
## ..- attr(*, "format.spss")= chr "F5.2"- FORMATEAR
Lea la metadata,y de formato:
data$ID=as.character(data$ID) #queremos cambiar a chr esos números
data[,c(2,3,5,6,10)]=lapply(data[,c(2,3,5,6,10)],as.factor) #queremos cambiar a texto esos números
data$SES=as.ordered(data$SES) #queremos volver ordinal la categoría socioeconómicaAhora:
str(data,strict.width="cut",width=50)## 'data.frame': 600 obs. of 15 variables:
## $ ID : chr "1" "2" "3" "4" ...
## $ SEX : Factor w/ 2 levels "1","2": 2 1 2 2 2..
## $ RACE : Factor w/ 4 levels "1","2","3","4": 2..
## $ SES : Ord.factor w/ 3 levels "1"<"2"<"3": 1..
## $ SCTYP : Factor w/ 2 levels "1","2": 1 1 1 1 1..
## $ HSP : Factor w/ 3 levels "1","2","3": 3 2 2..
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CAR : Factor w/ 17 levels "1","2","3","4",...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55..
## ..- attr(*, "format.spss")= chr "F5.2"Tarea: Analizar READING y SCIENCE, por sexo y nivel socioeconómico. Escribir conclusiones.
I. READING
significativa cuando la prob. es menor que 0.5.
I.1 RDG y SEX
f1=formula(RDG ~ SEX)
aggregate(f1, data,mean) ## SEX RDG
## 1 1 52.36300
## 2 2 51.51682library(knitr)
tablag= aggregate(f1, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
library(knitr)
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SEX | W | Prob |
|---|---|---|
| 1 | 0.9784886 | 0.0003866 |
| 2 | 0.9824176 | 0.0004953 |
library(ggpubr)
ggqqplot(data=data,x="RDG") + facet_grid(. ~ SEX)
Como no hay normalidad, vamos por camino NO parametrico:
PRUEBA NO PARAMÉTRICA:
wilcox sirve SOLO para variables de dos valores (ejm: hombre mujer) notch es la apertura son los dientes ( >< >< ><), si se separan la diferencia es significativo, si se juntan no.
wilcox.test(f1,data)##
## Wilcoxon rank sum test with continuity correction
##
## data: RDG by SEX
## W = 46426, p-value = 0.3962
## alternative hypothesis: true location shift is not equal to 0ggplot(data=data, aes(x=SEX, y=RDG)) + geom_boxplot(notch = T)
Concluyendo que NO hay diferencia de medias.
I.2 RDG y SES
PRUEBA PARAMÉTRICA:
kruskal.test cuando hay DOS O MÁS VARIABLES
f2=formula(RDG ~ SES)
aggregate(f2, data,mean) ## SES RDG
## 1 1 47.33597
## 2 2 51.92542
## 3 3 55.77593library(knitr)
tablag=aggregate(f2, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SES | W | Prob |
|---|---|---|
| 1 | 0.9533579 | 0.0001203 |
| 2 | 0.9841816 | 0.0022243 |
| 3 | 0.9814021 | 0.0282263 |
Aqui lo puedes graficar:
library(ggpubr)
ggqqplot(data=data,x="RDG") + facet_grid(. ~ SES)
Opcion No Paramétrica para politomica:
kruskal.test(f2,data)##
## Kruskal-Wallis rank sum test
##
## data: RDG by SES
## Kruskal-Wallis chi-squared = 52.583, df = 2, p-value = 3.818e-12e-12 = 10 a la menos doce
Mismo resultado.
Visualmente:
ggplot(data=data, aes(x=SES, y=RDG)) + geom_boxplot(notch = T)
El valor medio que se alejaria seria el SES=1 de todos los demas.
I. SCIENCE
I.1 SCI y SEX
f1=formula(SCI ~ SEX)
aggregate(f1, data,mean) ## SEX SCI
## 1 1 53.23004
## 2 2 50.53884library(knitr)
tablag=aggregate(f1, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SEX | W | Prob |
|---|---|---|
| 1 | 0.9787394 | 0.0004268 |
| 2 | 0.9798800 | 0.0001525 |
Aqui lo puedes graficar:
library(ggpubr)
ggqqplot(data=data,x="SCI") + facet_grid(. ~ SEX)
Como no hay normalidad, vamos por camino NO parametrico:
wilcox.test(f1,data)##
## Wilcoxon rank sum test with continuity correction
##
## data: SCI by SEX
## W = 51631, p-value = 0.0009173
## alternative hypothesis: true location shift is not equal to 0Visualmente:
ggplot(data=data, aes(x=SEX, y=SCI)) + geom_boxplot(notch = T)
Concluyendo que SI hay diferencia de medias.
I.2 SCI y SES
f2=formula(SCI ~ SES)
aggregate(f2, data,mean) ## SES SCI
## 1 1 47.30576
## 2 2 51.93010
## 3 3 55.28025library(knitr)
tablag=aggregate(f2, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SES | W | Prob |
|---|---|---|
| 1 | 0.9773277 | 0.0205115 |
| 2 | 0.9833695 | 0.0015284 |
| 3 | 0.9574177 | 0.0000744 |
Aqui lo puedes graficar:
library(ggpubr)
ggqqplot(data=data,x="SCI") + facet_grid(. ~ SES)
Ningun grupo es normal. Vamos por no parametrico:
- Opcion No Paramétrica para politomica:
kruskal.test(f2,data)##
## Kruskal-Wallis rank sum test
##
## data: SCI by SES
## Kruskal-Wallis chi-squared = 52.806, df = 2, p-value = 3.415e-12Hay diferencias!
Visualmente:
ggplot(data=data, aes(x=SES, y=SCI)) + geom_boxplot(notch = T)
Los tres grupos se diferencian.
EXPLORACION BIVARIADA DESDE TABLAS WEB
1. Carga de data:
Para esta sesión usaremos estos datos:
Traigamosla desde Google:
link="https://docs.google.com/spreadsheets/d/e/2PACX-1vQ_VNceU6ncsQs-_KFvkQsv2XqYKRCMyRYCDYQFosH5bo6Yt-l1gE8ZRdP44m4Rh8lQB2nOY-Y-p0ZP/pub?gid=0&single=true&output=csv"
hsb=read.csv(link, stringsAsFactors = F)2. EXPLOREMOS
¿Qué tenemos?
Esto es lo R ha traido:
str(hsb)## 'data.frame': 600 obs. of 15 variables:
## $ ID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ SEX : int 2 1 2 2 2 1 1 2 1 2 ...
## $ RACE : int 2 2 2 2 2 2 2 2 2 2 ...
## $ SES : int 1 1 1 2 2 2 1 1 2 1 ...
## $ SCTYP : int 1 1 1 1 1 1 1 1 1 1 ...
## $ HSP : int 3 2 2 3 3 2 1 1 1 1 ...
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0.44 0.68 0.06 0.05 ...
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -0.47 0.25 0.56 0.15 ...
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33 1 ...
## $ CAR : int 10 2 9 15 1 11 10 9 9 11 ...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62.7 44.2 46.9 44.2 ...
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64.5 51.5 41.1 49.5 ...
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48 36.9 45.3 40.5 ...
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4 49.8 47.1 39 ...
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55.6 55.6 55.6 50.6 ...3. PRE PROCESAMIENTO:
No se puede empezar el análisis sin adecuar la data a la metadata
La data tiene que reformatearse segun lo que indica la metadata:
Los cambios que se necesitan son:
# id como texto (pues no es variable, sino "identificador")
hsb$ID=as.character(hsb$ID)
# estas variables como CATEGORICAS NOMINALES
hsb[,c(2,3,5,6,10)]=lapply(hsb[,c(2,3,5,6,10)],as.factor)
# estas variables como CATEGORICAS ORDINALES
hsb$HSP=as.ordered(hsb$HSP)Note que el formateo NO INCLUYO RECODIFICACIÓN. La recodificación es necesaria cuando la variable categórica presenta etiquetas como categorías (vera ese caso cuando trabaje el Indice de Democracia, para las variables tipo de regimen y continente).
Note además que NO todas las columnas serán variables, otras sera identificadores o claves o keys. Los identificadores deben permanecer como texto (char).
Ahora veamos nueva estructura:
str(hsb,strict.width="cut",width=50)## 'data.frame': 600 obs. of 15 variables:
## $ ID : chr "1" "2" "3" "4" ...
## $ SEX : Factor w/ 2 levels "1","2": 2 1 2 2 2..
## $ RACE : Factor w/ 4 levels "1","2","3","4": 2..
## $ SES : int 1 1 1 2 2 2 1 1 2 1 ...
## $ SCTYP : Factor w/ 2 levels "1","2": 1 1 1 1 1..
## $ HSP : Ord.factor w/ 3 levels "1"<"2"<"3": 3..
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0..
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -..
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33..
## $ CAR : Factor w/ 17 levels "1","2","3","4",...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62..
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64..
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48..
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4..
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55..4. Probando HIPOTESIS a nivel bivariado
Lo clave para probar hipotesis es saber la hipótesis nula de la prueba estadística que le toque hacer.
la prueba estadística depende de saber si la variable numérica a analizar se distribuye normalmente:
Por ejemplo, para todos nuestros ejemplos, usaremos a MATH como nuestra variable numérica de interés. Veamos la distribuición de esta variable:
library(ggplot2)
base=ggplot(data=hsb, aes(x=MATH))
base + geom_histogram(bins = 20)
Usaremos tests y graficas para comprobar si MATH se distribuye (u otra variabe numerica) tiene una distribución sufientemente cercana a la normal. El test de normalidad a utilizar será el de Shapiro Wilk, cuya hipotesis nula es que la variable se distribuye normalmente. Recuerda que si hay normalidad se usarán técnicas paramétricas, si no la hay, las NO paramétricas.
IMPORTANTE: Todas las hipotesis nulas serán rechazadas si el test aplicado nos devuelve un p-valor (p-value / prob) menor a 0.05. Cuando un test de hipotesis tiene ese valor, se dice que significativo.
a. Tipo 1: NUM-DICO
Aqui plantearemos hipótesis entre una variable numerica y una variable categorica dicotómica (solo dos niveles).
- HIPOTESIS NULA o H0: Los promedios de las variable numerica en cada grupo de la dicotómica no se diferencian.
Si tenemos que estos son los promedios de matematicas para hombres y mujeres:
f1=formula(MATH ~ SEX)
aggregate(f1, hsb,mean) ## SEX MATH
## 1 1 52.34542
## 2 2 51.43456Podemos inferir que a los hombres les va mejor en MATH?
- Paso 1: Decidiendo si es no no paramétrico
Usemos el método gráfico:
library(ggpubr)
ggqqplot(data=hsb,x="MATH") + facet_grid(. ~ SEX)
Si los puntos se alejan mucho de la diagonal, se aleja de la normalidad.
Como es dificil hacerlo visualmente siempre, podemos usar el test de Shapiro-Wilk, que nos reporta la probabilidad que los datos tengan esa distribución.
# funcion ad-hoc
normalidadTest=function(x) {y =shapiro.test(x);
c(y$statistic, y$p.value)}
# calculando
resultado= aggregate(f1, hsb,
FUN = normalidadTest)
# mostrando resultado
library(knitr)
shapiroTest=as.data.frame(resultado[,2])
names(shapiroTest)=c("SW_Statistic","Probabilidad")
kable(cbind(resultado[1],shapiroTest))| SEX | SW_Statistic | Probabilidad |
|---|---|---|
| 1 | 0.9837903 | 0.0034565 |
| 2 | 0.9790040 | 0.0001031 |
El test nos dice que la probabilidad que la variable MATH se comporte como la curva normal es muy baja (considera bajo si es menor a 0.05). Se rechaza la hipótesis que MATH tiene distribución normal en cada nivel de SEXO.
2. Aplicando TEST para aceptar o rechazar la H0:
Ya sabemos que lo que corresponde utilizar, si ya sabemos que no es NORMAL, es alguna prueba no paramétrica que me informe si los promedios difieren segun grupo. Pero veamos ambos tipos de pruebas:
- Opcion Paramétrica para dicotómica:
Si hay normalidad usa la prueba t:
t.test(f1,hsb)##
## Welch Two Sample t-test
##
## data: MATH by SEX
## t = 1.1722, df = 560.59, p-value = 0.2416
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.6154067 2.4371360
## sample estimates:
## mean in group 1 mean in group 2
## 52.34542 51.43456Esta prueba informa la probabilidad que la media de MATH sea la misma en ambos grupos de SEX. Como ves, el p-value es mayor a 0.05, por lo que aceptamos la H0 de la prueba t.
- Opcion No Paramétrica para dicotómica:
Si no hay normalidad usa la prueba Mann-Whitney:
# el test de wilcoxon devuelve Mann-Whitney
# al recibir "f1"
wilcox.test(f1,hsb)##
## Wilcoxon rank sum test with continuity correction
##
## data: MATH by SEX
## W = 46789, p-value = 0.3086
## alternative hypothesis: true location shift is not equal to 0Igualmente, el p-value sale NO signficativo. SE acepta la H0 del Mann-Whitney.
b. Tipo 2: NUM-POLI
Aqui plantearemos hipótesis entre una variable numerica y una variable categorica politómica (más de dos niveles).
- HIPOTESIS NULA o H0: Los promedios de las variable numerica en cada grupo de la politómica no se diferencian. Si tenemos que estos son los promedios de matematicas según programa escolar:
f2=formula(MATH ~ HSP)
aggregate(f2, hsb,mean) ## HSP MATH
## 1 1 55.81071
## 2 2 49.09172
## 3 3 46.26803Podemos inferir que a los alumnos del programa general les va mejor en MATH?
1. Paso 1: Decidiendo si es no no paramétrico
Usemos el método gráfico:
library(ggpubr)
ggqqplot(data=hsb,x="MATH") + facet_grid(. ~ HSP)
Ahora hagamos el test de Shapiro Wilk
# calculando
resultado= aggregate(f2, hsb,
FUN = normalidadTest)
# mostrando resultado
library(knitr)
shapiroTest=as.data.frame(resultado[,2])
names(shapiroTest)=c("SW_Statistic","Probabilidad")
kable(cbind(resultado[1],shapiroTest))| HSP | SW_Statistic | Probabilidad |
|---|---|---|
| 1 | 0.9888836 | 0.0187048 |
| 2 | 0.9810514 | 0.0423975 |
| 3 | 0.9512192 | 0.0000496 |
Como al menos una tiene probabilidad menor a 0.05, debemos ir por el camino no paramétrico.
2. Aplicando TEST para aceptar o rechazar la H0:
- Opcion Paramétrica para politomica:
Aquí corresponde la pruea F de Schnedecor, conocida tambien como one-way ANOVA:
summary(aov(f2, data=hsb))## Df Sum Sq Mean Sq F value Pr(>F)
## HSP 2 10515 5258 73.72 <2e-16 ***
## Residuals 597 42579 71
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Los astericos indican si el H0 es significativo. Podemos rechazarlo, de ahi que al menos un promedio difiere de los demás. Tratemos de detectar las diferencias:
library(ggpubr)
ggerrorplot(hsb, x = "HSP",
y = "MATH",
desc_stat = "mean_ci"
)
El nivel 1 se diferenciaría de los demás.
- Opcion No Paramétrica para politomica:
Aquí puedes usar la prueba de Kruskal-Wallis:
kruskal.test(f2,hsb)##
## Kruskal-Wallis rank sum test
##
## data: MATH by HSP
## Kruskal-Wallis chi-squared = 121.26, df = 2, p-value < 2.2e-16Aqui no muestra asteriscos, pero la probabilidad (p-value) es también menor a 0.05.
Visualmente:
ggplot(data=hsb, aes(x=HSP, y=MATH)) + geom_boxplot(notch = T)
En este caso, se ha puesto un ‘notch’ al boxplot. Si los notches se intersectan, se asume igualdad de medianas, de ahí que la opcion 1 es diferente a las demás.