- 1 Objetivo
- 2 Descripción
- 3 Marco teórico
- 4 Desarrollo
- 4.1 Cargar librerías
- 4.2 Datos simulados
- 4.2.1 Crear datos con sample
- 4.2.2 Agregando datos atípicos a los datos
- 4.2.3 Ordenando los dados con order
- 4.2.4 Cuartiles conforme a fórmula
- 4.2.5 Cuartiles por medio de la función quantile()
- 4.2.6 Percentiles
- 4.2.7 Convertir a data.frame
- 4.2.8 Diagrama de caja de los datos
- 4.3 Datos de alumnos
- 4.3.1 Importar datos
- 4.3.2 Summary de datos.alumnos
- 4.3.3 Cuartiles
- 4.3.4 Atípicos mayores. Rango intercuartil
- 4.3.5 Atípicos menores. Rango intercuartil
- 4.3.6 Diagramas de cajas con datos atípicos
- 4.3.7 Limpiando valores atípicos
- 4.3.8 Nuevos cuartiles con datos limpios
- 4.3.9 Diagramas de cajas con datos limpios
- 4.4 Histograma con cuartiles
- 4.5 Interpretación
- 5 Referencias bibliográficas
Caso 5. Cuartiles y Percentiles
Kevin Mark Garcia
12/3/2021
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 librerías
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)
library(ggplot2)4.2 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)⋅p100
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
mediana <- median(datos)
mediana## [1] 43.5Q2## 50%
## 43.54.2.6 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 58.0Máximos 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
Diagrama de caja en función del eje de las x.
ggplot(data = datos, mapping = aes(x=datos)) + geom_boxplot(outlier.colour="red")
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 00 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
cuartiles <- quantile(x = datos.alumnos$Promedio, probs = c(0.25, 0.50, 0.75), type = 6)
cuartiles## 25% 50% 75%
## 83.24 86.36 89.83Q1 <- cuartiles[1]; Q1## 25%
## 83.24Q2 <- cuartiles[2]; Q2## 50%
## 86.36Q3 <- cuartiles[3]; Q3## 75%
## 89.834.3.9 Diagramas de cajas 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? R: Los cuartiles dividen un conjunto de datos u observaciones en cuatro partes iguales después de que estos han sido ordenados, el primer cuartil representa al 25% de los datos, el segundo al 50%, el tercer cuartil representa al 75% y finalmente, con estos tres cuartiles ya se tendría dividido el conjunto de datos en 4 partes iguales.
¿Qué significa el rango intercuartil y para qué sirve? R: El rango intercuartil es la cantidad de elementos que hay entre el cuartil número 1 y el número 3, técnicamente en este espacio o intervalo se encuentra el 50% del total de observaciones, también, generalmente en este rango se encuentra la media, la mediana y posiblemente la moda también, de esta forma el rango intercuartil nos sirve para delimitar las posiciones en las que se encuentran los valores más comunes dentro de un grupo de datos, dejando fuera de este rango los valores más cercanos y/o lejanos, a estos también se les llama datos atípicos ya que cuentan con valores o frecuencias muy bajos o muy altos, según sea el caso.
En el conjunto de datos de alumnos si un alumno tiene promedio de 80 ¿está por encima o por debajo del segundo cuartil? R: En este caso, un alumno con promedio de 80 se encontraría por debajo del segundo cuartil ya que al este equivale a 86.36, es fácil concluir que 80 es un valor menor.
¿Cómo se interpreta el diagrama de caja? R: Primero que nada hay que entender que el diagrama de caja abarca desde el primer hasta el tercer cuartil, dentro de este intervalo, cuyos limites son ambos cuartiles, es el espacio llamado caja, ahí existe una linea que atraviesa vertical u horizontalmente, esta es la mediana. La idea de este diagrama es localizar los valores centrales de un conjunto de datos, los que tienen un valor “promedio” o son más comunes, estos se encontrarán en el interior de la caja y los valores extraños llamados atípicos se podrán observar fuera de esta y el hecho de que se encuentre ahí puede deberse a distintas razones, en este caso puede significar que algún alumno no cuenta aun con historial academico, por lo tanto el valor de su promedio es 0, que es un valor que no está dentro de lo común, por lo tanto se considera extraño o atípico.
¿Qué describe la función summary() y como se interpreta? R: La función summary es mismamente una suerte de resumen en el cual podemos encontrar una serie de datos clasificados y ordenados, extraídos de un conjunto de datos. Dicha función nos ayuda a comprender los datos de una manera más organizada.
¿Qué les deja el caso? R: Este caso deja como aprendizaje más importante es el concepto de los cuantiles, como lo son los cuartiles y los percentiles, también existen los deciles pero en esta ocasión no nos enfocamos más en los primeros dos, también aprendí lo que es un diagrama de caja y para qué puede ser util, además de la identificación de los datos típicos y atípicos y su significado y valor. Por otro lado también está la utilización de funciones como summary y las correspondientes para el cálculo de los cuartiles, sin duda, RStudio cuenta con una gran cantidad de posibilidades que facilitan en gran medida el manejo de datos
Describir con sus palabras …80 a 100 palabras ….
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.