Caso 5. Cuartiles y Percentiles
Karely Duran
11/3/2021
1 Objetivo
Determinar medidas de localización basadas en estadísticos cuartiles y percentiles utilizando de un conjunto de datos así como determinar su significado, visualización e interpretación.
2 Descripción
El caso pretende dar a conocer como determinar cuartiles y percentiles de un conjunto de datos.
Los datos será simulados, primero un conjunto de valores numéricos y la segunda parte se hace uso de los datos descargados del promedio de alumnos.
Este caso inicia con la declaración con cargar las librerías, posteriormente, se simulan los datos y se descargan los datos de alumnos, finalmente se aplican los cuartiles y percentiles así como su visualización , se identifica también su significado e interpretación.
3 Marco teórico
Pendiente
4 Desarrollo
El desarrollo del caso utiliza primero datos simulados.
Luego, se utilizan y se descargan los datos de alumnos que existen en la dirección “alumnos.”
Con ambos datos se encuentran cuartiles y percentiles; finalmente se visualizan con diagramas de cajas utilizando la librería ggplot.
Al final del caso se busca la interpretación del mismo.
4.1 Cargar libreías
Se cargan las librerías readr y ggplot2 cuya utilidad es disponer de funciones para importar datos de archivos separados por coma o csv y visualizar diversos tipos de gráficos respectivamente.
library(readr)## Warning: package 'readr' was built under R version 4.0.4library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.0.44.2 Datos simulados
4.2.1 Crear datos con sample
Se crean datos con la función sample de tal vez 100 valores de edades de personas entre 18 y 65. La variable datos es un vector que almacena dichos valores
set.seed(2021)
datos <- sample(18:65, 100, replace = TRUE)
datos## [1] 24 55 63 56 29 23 55 55 63 22 64 56 58 40 29 35 20 63 57 43 53 54 39 48 65
## [26] 51 36 21 39 22 26 55 35 60 23 39 23 32 51 39 33 32 41 34 55 54 37 21 47 25
## [51] 36 20 19 34 57 58 48 26 46 44 28 53 55 63 32 35 26 36 33 61 51 54 59 61 39
## [76] 55 44 61 30 50 63 38 42 48 62 28 26 40 60 39 53 47 63 65 24 46 18 36 62 53n <- length(datos)
n## [1] 1004.2.2 Agregando datos atípicos a los datos
datos <- c(datos, c(-13,9,96,150))
datos## [1] 24 55 63 56 29 23 55 55 63 22 64 56 58 40 29 35 20 63
## [19] 57 43 53 54 39 48 65 51 36 21 39 22 26 55 35 60 23 39
## [37] 23 32 51 39 33 32 41 34 55 54 37 21 47 25 36 20 19 34
## [55] 57 58 48 26 46 44 28 53 55 63 32 35 26 36 33 61 51 54
## [73] 59 61 39 55 44 61 30 50 63 38 42 48 62 28 26 40 60 39
## [91] 53 47 63 65 24 46 18 36 62 53 -13 9 96 1504.2.3 Ordenando los dados con order
Ordenando y mostrando los datos para luego determinar medidas de localización cuartiles y percentiles
datos.ordenados <- datos[order(datos)]
datos.ordenados## [1] -13 9 18 19 20 20 21 21 22 22 23 23 23 24 24 25 26 26
## [19] 26 26 28 28 29 29 30 32 32 32 33 33 34 34 35 35 35 36
## [37] 36 36 36 37 38 39 39 39 39 39 39 40 40 41 42 43 44 44
## [55] 46 46 47 47 48 48 48 50 51 51 51 53 53 53 53 54 54 54
## [73] 55 55 55 55 55 55 55 56 56 57 57 58 58 59 60 60 61 61
## [91] 61 62 62 63 63 63 63 63 63 64 65 65 96 1504.2.4 Cuartiles conforme a fórmula
\[Lp=(n+1)⋅\frac{p}{100}\]
Estos valores deberán ser aproximados a utilizar la función quantile() en R
q1 <- datos.ordenados[(n+1) * 25/100]; q1## [1] 30q2 <- datos.ordenados[(n+1) * 50/100]; q2## [1] 41q3 <- datos.ordenados[(n+1) * 75/100]; q3## [1] 55Para el resto del caso se le hará caso a los valores generados por la función quantile().
4.2.5 Cuartiles por medio de la función quantile()
Q1 <- quantile(datos, c(0.25), type = 6); Q1## 25%
## 32Q2 <- quantile(datos, c(0.50), type = 6); Q2## 50%
## 43.5Q3 <- quantile(datos, c(0.75), type = 6); Q3## 75%
## 55La mediana siempre será igual al cuartil del 50% o al segundo cuartil ### Percentiles Los percentiles es dividir los datos en un procentaje a decisión del analista, ñpuede ser al 10%, al 20%, al 30%… al 90%
P10 <- quantile(datos, c(0.10)); P10## 10%
## 23percentiles <- quantile(datos, c(0.2, 0.40, 0.50, 0.60, 0.80), type = 6)
percentiles## 20% 40% 50% 60% 80%
## 28.0 39.0 43.5 51.0 58.04.2.6 Máximos y mínimos
Se determinan los valores mínimos y máximos y se muestran.
La función summary() describe los mismos datos
minimo <- min(datos)
maximo <- max(datos)
minimo; Q1; Q2; Q3; maximo## [1] -13## 25%
## 32## 50%
## 43.5## 75%
## 55## [1] 150summary(datos)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -13.00 32.00 43.50 43.93 55.00 150.004.2.7 Convertir a data.frame
El vector de los datos se transforma a estructura data.frame para poderlo tratar con la libería ggplot2.
datos <- data.frame(datos)
datos## datos
## 1 24
## 2 55
## 3 63
## 4 56
## 5 29
## 6 23
## 7 55
## 8 55
## 9 63
## 10 22
## 11 64
## 12 56
## 13 58
## 14 40
## 15 29
## 16 35
## 17 20
## 18 63
## 19 57
## 20 43
## 21 53
## 22 54
## 23 39
## 24 48
## 25 65
## 26 51
## 27 36
## 28 21
## 29 39
## 30 22
## 31 26
## 32 55
## 33 35
## 34 60
## 35 23
## 36 39
## 37 23
## 38 32
## 39 51
## 40 39
## 41 33
## 42 32
## 43 41
## 44 34
## 45 55
## 46 54
## 47 37
## 48 21
## 49 47
## 50 25
## 51 36
## 52 20
## 53 19
## 54 34
## 55 57
## 56 58
## 57 48
## 58 26
## 59 46
## 60 44
## 61 28
## 62 53
## 63 55
## 64 63
## 65 32
## 66 35
## 67 26
## 68 36
## 69 33
## 70 61
## 71 51
## 72 54
## 73 59
## 74 61
## 75 39
## 76 55
## 77 44
## 78 61
## 79 30
## 80 50
## 81 63
## 82 38
## 83 42
## 84 48
## 85 62
## 86 28
## 87 26
## 88 40
## 89 60
## 90 39
## 91 53
## 92 47
## 93 63
## 94 65
## 95 24
## 96 46
## 97 18
## 98 36
## 99 62
## 100 53
## 101 -13
## 102 9
## 103 96
## 104 1504.2.8 Diagrama de caja de los datos
4.2.8.1 Diagrama de caja en función del eje de las x.
ggplot(data = datos, mapping = aes(x=datos)) + geom_boxplot(outlier.colour="red")
4.2.8.2 Diagrama de caja en función del eje de las y.
ggplot(data = datos, mapping = aes(y=datos)) + geom_boxplot(outlier.colour="red")
4.3 Datos de alumnos
4.3.1 Importar datos
Se importan los datos de alumnos.
Cabe hacer notar que en este conjunto de datos existen datos en la variable Promedio que son igual a cero, esto se interpreta como datos atípicos o que tal vez no debieran ser considerados en análisis estadísticos.
datos.alumnos <- read.csv("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/datos/promedios%20alumnos/ALUMNOS%20EJ2021.csv")
head(datos.alumnos)## NoControl Alumno Semestre Cr.Aprobados Cr.Cursando Promedio Carrera
## 1 1 1 12 207 19 79.84 SISTEMAS
## 2 2 2 13 226 9 82.55 SISTEMAS
## 3 3 3 10 235 10 95.16 SISTEMAS
## 4 4 4 13 231 14 79.32 SISTEMAS
## 5 5 5 10 235 10 92.67 SISTEMAS
## 6 6 6 10 235 10 91.25 SISTEMAStail(datos.alumnos)## NoControl Alumno Semestre Cr.Aprobados Cr.Cursando Promedio Carrera
## 6037 750 750 9 170 20 81.16 ARQUITECTURA
## 6038 751 751 7 103 19 84.43 ARQUITECTURA
## 6039 752 752 4 76 34 92.47 ARQUITECTURA
## 6040 753 753 4 84 26 89.74 ARQUITECTURA
## 6041 754 754 3 52 28 87.75 ARQUITECTURA
## 6042 755 755 2 18 22 86.50 ARQUITECTURAn <- nrow(datos.alumnos)
n## [1] 60424.3.2 Summary de datos.alumnos
Se factoriza la variable Carrera para que en summary se obtenga la frecuencia de la columna Carrera.
datos.alumnos$Carrera <- factor(datos.alumnos$Carrera)
summary(datos.alumnos)## NoControl Alumno Semestre Cr.Aprobados
## Min. : 1.0 Min. : 1.0 Min. : 1.000 Min. : 0.0
## 1st Qu.:112.0 1st Qu.:112.0 1st Qu.: 3.000 1st Qu.: 53.0
## Median :245.0 Median :245.0 Median : 5.000 Median :109.0
## Mean :268.1 Mean :268.1 Mean : 5.428 Mean :114.8
## 3rd Qu.:394.0 3rd Qu.:394.0 3rd Qu.: 8.000 3rd Qu.:172.0
## Max. :755.0 Max. :755.0 Max. :17.000 Max. :264.0
## NA's :499
## Cr.Cursando Promedio Carrera
## Min. : 3.00 Min. : 0.00 ARQUITECTURA : 755
## 1st Qu.:23.00 1st Qu.: 82.20 INDUSTRIAL : 721
## Median :27.00 Median : 85.83 CIVIL : 674
## Mean :26.09 Mean : 79.33 QUIMICA : 564
## 3rd Qu.:30.00 3rd Qu.: 89.50 GESTION : 557
## Max. :42.00 Max. :100.00 ADMINISTRACION: 492
## (Other) :22794.3.3 Cuartiles
Se determinan los cuartiles de la variable Promedio de los datos de alumnos con la función quantile().
cuartiles <- quantile(x = datos.alumnos$Promedio, probs = c(0.25, 0.50, 0.75), type = 6)
cuartiles## 25% 50% 75%
## 82.20 85.83 89.50Q1 <- cuartiles[1]; Q1## 25%
## 82.2Q2 <- cuartiles[2]; Q2## 50%
## 85.83Q3 <- cuartiles[3]; Q3## 75%
## 89.5El 50% de los datos está entre 82.2 y 89.5. El RI rango intercuartil es Q3−Q1 o sea 7.3.
Los valores atípicos mayores a Q3 serán los que estén por encima de 100.45 y los valores atípicos menores a Q1 serán los que estén por debajo de 71.25
4.3.4 Atípicos mayores. Rango intercuartil
atipicos.mayores <- Q3 + 1.5 * (Q3-Q1)
atipicos.mayores## 75%
## 100.454.3.5 Atípicos menores. Rango intercuartil
atipicos.menores <- Q1 - 1.5 * (Q3-Q1)
atipicos.menores## 25%
## 71.254.3.6 Diagramas de cajas con datos atípicos
ggplot(data = datos.alumnos, mapping = aes(y=Promedio)) + geom_boxplot(outlier.colour="red")
En este diagrama de caja se detecta que hay valores atípicos principalemente los que tienen 0 en la variable promedio.
Aquí es en donde se hace prudente tomar decisiones de que ¿hacer con esos valores?, por lo pronto la decisión es simple, son alumnos que no tienen promedio en su historia académica, es decir que no han cursado semestre alguno y no han cerrado al menos un periodo escolar.
4.3.7 Limpiando valores atípicos
Por medio de la función subset() vista anteriormente, se eliminan o filtran esos registros.
datos <- subset(datos, Promedio > 0) significa quitar los alumnos que no tienen promedio aún.
datos.alumnos <- subset(datos.alumnos, Promedio > 0)
head(datos.alumnos)## NoControl Alumno Semestre Cr.Aprobados Cr.Cursando Promedio Carrera
## 1 1 1 12 207 19 79.84 SISTEMAS
## 2 2 2 13 226 9 82.55 SISTEMAS
## 3 3 3 10 235 10 95.16 SISTEMAS
## 4 4 4 13 231 14 79.32 SISTEMAS
## 5 5 5 10 235 10 92.67 SISTEMAS
## 6 6 6 10 235 10 91.25 SISTEMAStail(datos.alumnos)## NoControl Alumno Semestre Cr.Aprobados Cr.Cursando Promedio Carrera
## 6037 750 750 9 170 20 81.16 ARQUITECTURA
## 6038 751 751 7 103 19 84.43 ARQUITECTURA
## 6039 752 752 4 76 34 92.47 ARQUITECTURA
## 6040 753 753 4 84 26 89.74 ARQUITECTURA
## 6041 754 754 3 52 28 87.75 ARQUITECTURA
## 6042 755 755 2 18 22 86.50 ARQUITECTURAn<-nrow(datos.alumnos)
n## [1] 55354.3.8 Nuevos cuartiles con datos limpios
summary(datos.alumnos)## NoControl Alumno Semestre Cr.Aprobados Cr.Cursando
## Min. : 1.0 Min. : 1.0 Min. : 2.000 Min. : 4 Min. : 3.0
## 1st Qu.:106.0 1st Qu.:106.0 1st Qu.: 3.000 1st Qu.: 53 1st Qu.:23.0
## Median :239.0 Median :239.0 Median : 6.000 Median :109 Median :28.0
## Mean :262.2 Mean :262.2 Mean : 5.826 Mean :115 Mean :26.1
## 3rd Qu.:388.0 3rd Qu.:388.0 3rd Qu.: 8.000 3rd Qu.:172 3rd Qu.:30.0
## Max. :755.0 Max. :755.0 Max. :17.000 Max. :264 Max. :42.0
##
## Promedio Carrera
## Min. : 70.00 INDUSTRIAL : 653
## 1st Qu.: 83.25 ARQUITECTURA : 633
## Median : 86.36 CIVIL : 594
## Mean : 86.60 GESTION : 518
## 3rd Qu.: 89.83 QUIMICA : 515
## Max. :100.00 ADMINISTRACION: 458
## (Other) :2164ggplot(data = datos.alumnos, mapping = aes(y=Promedio)) + geom_boxplot(outlier.colour="red") +
labs(title = "Promedio de Alumnos",subtitle = paste("Q1 = ",Q1, ", Q2 = ",Q2, ", Q3 = ",Q3))
Se siguen visualizando datos atípicos, sin embargo estos si son datos extraños pero reales, que significa que hay alumnos con promedio de 100 y alumnos con promedio de 70 aproximadamente.
4.4 Histograma con cuartiles
ggplot(data = datos.alumnos, aes(x=Promedio)) +
geom_histogram(bins = 30) +
geom_vline(aes(xintercept = Q1,
color = "Q1"),
linetype = "dashed",
size = 1) +
geom_vline(aes(xintercept = Q2,
color = "Q2"),
linetype = "dashed",
size = 1) +
geom_vline(aes(xintercept = Q3,
color = "Q3"),
linetype = "dashed",
size = 1) +
labs(title = "Histograma de Promedio de Alumnos",subtitle = paste("Cuartil 1 al 25% = ",Q1, ", Cuartil 2 al 50% = ",Q2, ", Cuartil 3 al 75% = ",Q3))
4.5 Interpretación
¿Qué significan los cuartiles en un conjunto de datos?
¿Qué significa el rango intercuartil y para qué sirve?
En el conjunto de datos de alumnos si un alumno tiene promedio de 80 ¿está por encima o por debajo del segundo cuartil?
¿Cómo se interpreta el diagrama de caja?
¿Qué describe la función summary() y como se interpreta?
¿Qué les deja el caso?
Describir con sus palabras …80 a 100 palabras ….
4.5.1 Respuestas
Los cuartiles son valores que dividen una muestra de datos en cuatro partes iguales. Utilizando cuartiles puede evaluar rápidamente la dispersión y la tendencia central de un conjunto de datos, que son los pasos iniciales importantes para comprender sus datos.
El rango intercuartil significa la diferencia entre el penúltimo y el primer cuartil de una distribución. Sirve para expresar la diferencia o la distancia entre el primer y el tercer cuartil.
Se encontraria por debajo del segundo cuartil.
El diagrama de caja se interpreta de la siguiente manera:
La función summary() es una función para dar resultados de la sumas de varias funciones
En este caso aprendí nuevos conceptos que me ayudaran a una mejor interpretación de los conjuntos de datos, como son los cuartiles, percentiles, rango intercuartil, diagramas de cajas, entre otros. Todos estos conceptos los logré aplicar en R Studio con la ayuda de distintas funciones que nos facilitan el trabajo de calculo, además de también ayudarnos a tener una mejor visualización de los datos. Gracias a este tipo de casos puedo además reforzas conocimientos previos como son el de ubicar los cuartiles y percentiles en nuestros conjuntos de datos. Para finalizar, al igual que en todos los casos pasados me llevo el conocimiento de una nueva función la cual es summary, la cual me será muy útil en casos posteriores.
5 Referencias bibliográficas
Lind, Douglas, William Marchal, and Samuel Wathen. 2015. Estadística Aplicada a Los Negocios y La Economía. Decimo Sexta. México, D.F.: McGraw-Hill.