Análisis Descriptivo

Esta práctica tiene la finalida de realizar operaciones relacionadas con estadística descriptiva.

Las librerías

library(readr) # Para utilizar read, importar datos
library(dplyr) # Para opearciones con datos, select, filter, pipes ...

library(knitr) # Para ver conjunto de datos más amigable

#install.packages("modeest") 
library(modeest)

Los datos

# getwd()
datos <- read.csv("../Datos/covid19-mx/covid-19_general_MX.csv")

kable(head(datos, 10))

X	SECTOR	ENTIDAD_UM	SEXO	ENTIDAD_RES	TIPO_PACIENTE	FECHA_INGRESO	FECHA_SINTOMAS	FECHA_DEF	INTUBADO	NEUMONIA	EDAD	NACIONALIDAD	DIABETES	EPOC	ASMA	INMUSUPR	HIPERTENSION	OTRA_CON	CARDIOVASCULAR	OBESIDAD	RENAL_CRONICA	TABAQUISMO	OTRO_CASO	RESULTADO	UCI
0	9	15	1	15	2	2020-04-09	2020-03-28	9999-99-99	2	1	75	1	1	2	2	2	2	2	2	2	2	2	2	1	1
1	12	9	1	9	1	2020-04-16	2020-04-02	9999-99-99	97	2	31	1	2	2	2	2	2	2	2	1	2	2	2	2	97
2	12	14	2	14	1	2020-04-28	2020-04-23	9999-99-99	97	1	64	1	2	2	2	2	2	2	2	2	2	2	1	3	97
3	9	28	2	28	1	2020-04-06	2020-04-04	9999-99-99	97	2	22	1	2	2	2	2	2	2	2	2	2	2	1	1	97
4	3	15	2	15	1	2020-04-16	2020-04-14	9999-99-99	97	2	26	1	2	2	2	2	2	2	2	1	2	2	1	3	97
5	12	15	2	15	2	2020-04-06	2020-04-04	9999-99-99	2	1	50	1	2	2	2	2	2	2	2	2	2	2	2	2	2
6	12	9	1	9	1	2020-04-20	2020-04-20	9999-99-99	97	2	55	1	2	2	2	2	2	2	2	2	2	2	1	2	97
7	4	15	1	15	1	2020-04-23	2020-04-23	9999-99-99	97	2	58	1	1	2	2	2	2	2	2	2	2	2	99	2	97
8	12	14	1	14	1	2020-04-23	2020-04-22	9999-99-99	97	2	31	1	2	2	2	2	2	2	2	1	2	2	2	2	97
9	4	9	1	9	2	2020-04-14	2020-04-14	9999-99-99	2	1	54	1	2	2	2	2	1	2	2	2	2	2	99	2	2

kable(tail(datos, 10))

	X	SECTOR	ENTIDAD_UM	SEXO	ENTIDAD_RES	TIPO_PACIENTE	FECHA_INGRESO	FECHA_SINTOMAS	FECHA_DEF	INTUBADO	NEUMONIA	EDAD	NACIONALIDAD	DIABETES	EPOC	ASMA	INMUSUPR	HIPERTENSION	OTRA_CON	CARDIOVASCULAR	OBESIDAD	RENAL_CRONICA	TABAQUISMO	OTRO_CASO	RESULTADO	UCI
87363	87362	12	9	1	9	1	2020-04-08	2020-04-01	9999-99-99	97	2	38	1	2	2	2	2	2	2	2	1	2	2	2	2	97
87364	87363	12	28	2	28	1	2020-04-14	2020-04-12	9999-99-99	97	2	28	1	2	2	2	2	2	2	2	2	2	2	99	2	97
87365	87364	8	30	2	30	2	2020-04-29	2020-04-28	9999-99-99	2	1	48	1	2	2	2	2	1	2	2	1	2	1	1	3	2
87366	87365	4	9	1	15	2	2020-04-07	2020-04-07	9999-99-99	2	1	62	1	2	2	2	2	2	2	2	2	2	2	99	1	2
87367	87366	4	21	1	21	2	2020-03-25	2020-03-25	9999-99-99	2	2	36	1	2	2	2	2	2	2	2	2	2	2	99	2	2
87368	87367	12	5	2	5	1	2020-04-21	2020-04-18	9999-99-99	97	2	40	1	2	2	2	2	1	2	2	2	2	2	1	2	97
87369	87368	12	9	1	9	1	2020-04-13	2020-04-13	9999-99-99	97	2	42	1	2	2	2	2	2	2	2	1	2	2	1	2	97
87370	87369	12	9	2	15	1	2020-04-21	2020-04-19	9999-99-99	97	2	67	1	2	2	2	2	2	2	2	2	2	2	1	2	97
87371	87370	12	9	2	9	1	2020-04-25	2020-04-25	9999-99-99	97	2	31	1	2	2	2	2	2	2	2	2	2	2	1	3	97
87372	87371	12	1	2	1	1	2020-04-28	2020-04-25	9999-99-99	97	2	27	1	2	2	2	2	2	2	2	2	2	2	1	3	97

Estructrua de los datos

str(datos)

## 'data.frame':    87372 obs. of  26 variables:
##  $ X             : int  0 1 2 3 4 5 6 7 8 9 ...
##  $ SECTOR        : int  9 12 12 9 3 12 12 4 12 4 ...
##  $ ENTIDAD_UM    : int  15 9 14 28 15 15 9 15 14 9 ...
##  $ SEXO          : int  1 1 2 2 2 2 1 1 1 1 ...
##  $ ENTIDAD_RES   : int  15 9 14 28 15 15 9 15 14 9 ...
##  $ TIPO_PACIENTE : int  2 1 1 1 1 2 1 1 1 2 ...
##  $ FECHA_INGRESO : Factor w/ 121 levels "2020-01-01","2020-01-02",..: 100 107 119 97 107 97 111 114 114 105 ...
##  $ FECHA_SINTOMAS: Factor w/ 121 levels "2020-01-01","2020-01-02",..: 88 93 114 95 105 95 111 114 113 105 ...
##  $ FECHA_DEF     : Factor w/ 52 levels "2020-01-15","2020-01-29",..: 52 52 52 52 52 52 52 52 52 52 ...
##  $ INTUBADO      : int  2 97 97 97 97 2 97 97 97 2 ...
##  $ NEUMONIA      : int  1 2 1 2 2 1 2 2 2 1 ...
##  $ EDAD          : int  75 31 64 22 26 50 55 58 31 54 ...
##  $ NACIONALIDAD  : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ DIABETES      : int  1 2 2 2 2 2 2 1 2 2 ...
##  $ EPOC          : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ ASMA          : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ INMUSUPR      : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ HIPERTENSION  : int  2 2 2 2 2 2 2 2 2 1 ...
##  $ OTRA_CON      : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ CARDIOVASCULAR: int  2 2 2 2 2 2 2 2 2 2 ...
##  $ OBESIDAD      : int  2 1 2 2 1 2 2 2 1 2 ...
##  $ RENAL_CRONICA : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ TABAQUISMO    : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ OTRO_CASO     : int  2 2 1 1 1 2 1 99 2 99 ...
##  $ RESULTADO     : int  1 2 3 1 3 2 2 2 2 2 ...
##  $ UCI           : int  1 97 97 97 97 2 97 97 97 2 ...

Resumen de los datos

summary(datos)

##        X             SECTOR         ENTIDAD_UM         SEXO      
##  Min.   :    0   Min.   : 1.000   Min.   : 1.00   Min.   :1.000  
##  1st Qu.:21843   1st Qu.: 4.000   1st Qu.: 9.00   1st Qu.:1.000  
##  Median :43686   Median :12.000   Median :14.00   Median :2.000  
##  Mean   :43686   Mean   : 9.338   Mean   :14.65   Mean   :1.505  
##  3rd Qu.:65528   3rd Qu.:12.000   3rd Qu.:20.00   3rd Qu.:2.000  
##  Max.   :87371   Max.   :99.000   Max.   :32.00   Max.   :2.000  
##                                                                  
##   ENTIDAD_RES    TIPO_PACIENTE      FECHA_INGRESO      FECHA_SINTOMAS 
##  Min.   : 1.00   Min.   :1.000   2020-04-28: 4120   2020-04-20: 4098  
##  1st Qu.: 9.00   1st Qu.:1.000   2020-04-27: 4108   2020-04-24: 2841  
##  Median :14.00   Median :1.000   2020-04-29: 3995   2020-04-15: 2744  
##  Mean   :14.89   Mean   :1.265   2020-04-24: 3836   2020-04-19: 2727  
##  3rd Qu.:20.00   3rd Qu.:2.000   2020-04-20: 3514   2020-04-18: 2724  
##  Max.   :32.00   Max.   :2.000   2020-04-23: 3360   2020-04-22: 2722  
##                                  (Other)   :64439   (Other)   :69516  
##       FECHA_DEF        INTUBADO        NEUMONIA           EDAD       
##  9999-99-99:84295   Min.   : 1.00   Min.   : 1.000   Min.   :  0.00  
##  2020-04-25:  148   1st Qu.: 2.00   1st Qu.: 2.000   1st Qu.: 30.00  
##  2020-04-21:  147   Median :97.00   Median : 2.000   Median : 40.00  
##  2020-04-23:  140   Mean   :71.81   Mean   : 1.826   Mean   : 41.88  
##  2020-04-24:  140   3rd Qu.:97.00   3rd Qu.: 2.000   3rd Qu.: 53.00  
##  2020-04-22:  134   Max.   :99.00   Max.   :99.000   Max.   :113.00  
##  (Other)   : 2368                                                    
##   NACIONALIDAD      DIABETES           EPOC             ASMA       
##  Min.   :1.000   Min.   : 1.000   Min.   : 1.000   Min.   : 1.000  
##  1st Qu.:1.000   1st Qu.: 2.000   1st Qu.: 2.000   1st Qu.: 2.000  
##  Median :1.000   Median : 2.000   Median : 2.000   Median : 2.000  
##  Mean   :1.013   Mean   : 2.302   Mean   : 2.392   Mean   : 2.379  
##  3rd Qu.:1.000   3rd Qu.: 2.000   3rd Qu.: 2.000   3rd Qu.: 2.000  
##  Max.   :2.000   Max.   :98.000   Max.   :98.000   Max.   :98.000  
##                                                                    
##     INMUSUPR       HIPERTENSION       OTRA_CON      CARDIOVASCULAR  
##  Min.   : 1.000   Min.   : 1.000   Min.   : 1.000   Min.   : 1.000  
##  1st Qu.: 2.000   1st Qu.: 2.000   1st Qu.: 2.000   1st Qu.: 2.000  
##  Median : 2.000   Median : 2.000   Median : 2.000   Median : 2.000  
##  Mean   : 2.416   Mean   : 2.245   Mean   : 2.505   Mean   : 2.399  
##  3rd Qu.: 2.000   3rd Qu.: 2.000   3rd Qu.: 2.000   3rd Qu.: 2.000  
##  Max.   :98.000   Max.   :98.000   Max.   :98.000   Max.   :98.000  
##                                                                     
##     OBESIDAD      RENAL_CRONICA    TABAQUISMO       OTRO_CASO    
##  Min.   : 1.000   Min.   : 1.0   Min.   : 1.000   Min.   : 1.00  
##  1st Qu.: 2.000   1st Qu.: 2.0   1st Qu.: 2.000   1st Qu.: 1.00  
##  Median : 2.000   Median : 2.0   Median : 2.000   Median : 2.00  
##  Mean   : 2.237   Mean   : 2.4   Mean   : 2.322   Mean   :38.12  
##  3rd Qu.: 2.000   3rd Qu.: 2.0   3rd Qu.: 2.000   3rd Qu.:99.00  
##  Max.   :98.000   Max.   :98.0   Max.   :98.000   Max.   :99.00  
##                                                                  
##    RESULTADO          UCI       
##  Min.   :1.000   Min.   : 1.00  
##  1st Qu.:2.000   1st Qu.: 2.00  
##  Median :2.000   Median :97.00  
##  Mean   :1.958   Mean   :71.81  
##  3rd Qu.:2.000   3rd Qu.:97.00  
##  Max.   :3.000   Max.   :99.00  
## 

La media

La medida de localización más importante es la media, o valor promedio, de una variable. La media proporciona una medida de localización central de los datos. Si los datos son datos de una muestra, la media se denota como \(\bar{x}\)

\[\bar{x} = \sum_{x=}^N{/N} \] Ejemplo de media con datos aleatorios * Genera datos aleatorios con sample() * crear vector edades

set.seed(2020)

edades <- sample(x = 20:100, size = 100, replace = TRUE )
edades

##   [1]  47  41  84  36  55  61  89  68  75  91  61  99  48  22  85  23  97  97
##  [19]  95  67  66  97  26  37  71  67  63  29  89  62  96  51  32  85  99  96
##  [37]  20  57  22  48  44  64  62  88  77  85  44  54  43  69  52  26  27  75
##  [55]  32  88  87  38  42  87  61  20  66  50  79  35  89  74  45  29  47  84
##  [73]  36  59  34  63  69  96  24  67  39  71  33  32  47 100  60  79  59  46
##  [91]  78  54  21  96  27  80  51  87  58  65

sum(edades) / 100

## [1] 60.48

mean(edades)

## [1] 60.48

La media de los datos de COVID

mean(datos$EDAD)

## [1] 41.88436

Mediana

La mediana es otra medida de localización central. Es el valor de enmedio en los datos ordenados de menor a mayor (en forma ascendente).

Si el número de observaciones es impar, la mediana es el valor de enmedio.

Si el número de observaciones es par, la mediana es el promedio de las dos observaciones de enmedio.

Ejemplo de mediana con edades

edades

##   [1]  47  41  84  36  55  61  89  68  75  91  61  99  48  22  85  23  97  97
##  [19]  95  67  66  97  26  37  71  67  63  29  89  62  96  51  32  85  99  96
##  [37]  20  57  22  48  44  64  62  88  77  85  44  54  43  69  52  26  27  75
##  [55]  32  88  87  38  42  87  61  20  66  50  79  35  89  74  45  29  47  84
##  [73]  36  59  34  63  69  96  24  67  39  71  33  32  47 100  60  79  59  46
##  [91]  78  54  21  96  27  80  51  87  58  65

sort(edades)

##   [1]  20  20  21  22  22  23  24  26  26  27  27  29  29  32  32  32  33  34
##  [19]  35  36  36  37  38  39  41  42  43  44  44  45  46  47  47  47  48  48
##  [37]  50  51  51  52  54  54  55  57  58  59  59  60  61  61  61  62  62  63
##  [55]  63  64  65  66  66  67  67  67  68  69  69  71  71  74  75  75  77  78
##  [73]  79  79  80  84  84  85  85  85  87  87  87  88  88  89  89  89  91  95
##  [91]  96  96  96  96  97  97  97  99  99 100

median(edades)

## [1] 61

mediana de la edad de os datos COVID19

median(datos$EDAD)

## [1] 40

La moda

La moda es el valor que se presenta con mayor frecuencia.

Ejemplo de edades, La moda

Generar una tabla de frecuencias

sort(edades)

##   [1]  20  20  21  22  22  23  24  26  26  27  27  29  29  32  32  32  33  34
##  [19]  35  36  36  37  38  39  41  42  43  44  44  45  46  47  47  47  48  48
##  [37]  50  51  51  52  54  54  55  57  58  59  59  60  61  61  61  62  62  63
##  [55]  63  64  65  66  66  67  67  67  68  69  69  71  71  74  75  75  77  78
##  [73]  79  79  80  84  84  85  85  85  87  87  87  88  88  89  89  89  91  95
##  [91]  96  96  96  96  97  97  97  99  99 100

table(edades) # Genera una tabla de frecuencias

## edades
##  20  21  22  23  24  26  27  29  32  33  34  35  36  37  38  39  41  42  43  44 
##   2   1   2   1   1   2   2   2   3   1   1   1   2   1   1   1   1   1   1   2 
##  45  46  47  48  50  51  52  54  55  57  58  59  60  61  62  63  64  65  66  67 
##   1   1   3   2   1   2   1   2   1   1   1   2   1   3   2   2   1   1   2   3 
##  68  69  71  74  75  77  78  79  80  84  85  87  88  89  91  95  96  97  99 100 
##   1   2   2   1   2   1   1   2   1   2   3   3   2   3   1   1   4   3   2   1

frecuencias <- sort(table(edades), decreasing = TRUE)

frecuencias

## edades
##  96  32  47  61  67  85  87  89  97  20  22  26  27  29  36  44  48  51  54  59 
##   4   3   3   3   3   3   3   3   3   2   2   2   2   2   2   2   2   2   2   2 
##  62  63  66  69  71  75  79  84  88  99  21  23  24  33  34  35  37  38  39  41 
##   2   2   2   2   2   2   2   2   2   2   1   1   1   1   1   1   1   1   1   1 
##  42  43  45  46  50  52  55  57  58  60  64  65  68  74  77  78  80  91  95 100 
##   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1

moda <- frecuencias[1]

moda

## 96 
##  4

moda2 <- mlv(edades)
moda2

## [1] 96

Generanando la moda de EDAD de COVID19

moda <- mlv(datos$EDAD)
moda

## [1] 30

Graficar

edades

##   [1]  47  41  84  36  55  61  89  68  75  91  61  99  48  22  85  23  97  97
##  [19]  95  67  66  97  26  37  71  67  63  29  89  62  96  51  32  85  99  96
##  [37]  20  57  22  48  44  64  62  88  77  85  44  54  43  69  52  26  27  75
##  [55]  32  88  87  38  42  87  61  20  66  50  79  35  89  74  45  29  47  84
##  [73]  36  59  34  63  69  96  24  67  39  71  33  32  47 100  60  79  59  46
##  [91]  78  54  21  96  27  80  51  87  58  65

min(edades)

## [1] 20

max(edades)

## [1] 100

median(edades)

## [1] 61

boxplot(edades)

Graficar boxplot de EDAD de COVID19

boxplot(datos$EDAD)

min(datos$EDAD)

## [1] 0

max(datos$EDAD)

## [1] 113

Cuartiles

• Valores aue están en un porcentaje de los datos
• 25%
• 50% = mediana
• 75%

sort(edades)

##   [1]  20  20  21  22  22  23  24  26  26  27  27  29  29  32  32  32  33  34
##  [19]  35  36  36  37  38  39  41  42  43  44  44  45  46  47  47  47  48  48
##  [37]  50  51  51  52  54  54  55  57  58  59  59  60  61  61  61  62  62  63
##  [55]  63  64  65  66  66  67  67  67  68  69  69  71  71  74  75  75  77  78
##  [73]  79  79  80  84  84  85  85  85  87  87  87  88  88  89  89  89  91  95
##  [91]  96  96  96  96  97  97  97  99  99 100

cuartile50 <- quantile(edades, 0.50)
cuartile50

## 50% 
##  61

cuartile25 <- quantile(edades, 0.25)
cuartile25

##   25% 
## 41.75

cuartile75 <- quantile(edades, 0.75)
cuartile75

## 75% 
##  81

boxplot(edades)

Cuartiles de EDAD de COVID19

cuartile25 <- quantile(datos$EDAD, 0.25)
cuartile25

## 25% 
##  30

cuartile75 <- quantile(datos$EDAD, 0.75)
cuartile75

## 75% 
##  53

boxplot(datos$EDAD)

Medidas de dispersión

• var()
• sd()

Es como se comportan los datos en términos de dispersión. Significa que tanto se alejan del valor medio La varianza La desviación

Ejemplo edades

varianza <- var(edades)
desvstd <- sd(edades)

mean(edades)

## [1] 60.48

varianza

## [1] 559.1208

desvstd

## [1] 23.64574

Rango

Amplitud de los datos

range(edades)

## [1]  20 100

var(), sd() y rango de la EDAD de COVID19

var(datos$EDAD)

## [1] 301.4186

sd(datos$EDAD)

## [1] 17.36141

range(datos$EDAD)

## [1]   0 113