Objetivo

Determinar medidas de localización basadas en estadísticos cuartiles y percentiles utilizando de un conjunto de datos así como determinar su significado e interpretación.

Descripción

El caso pretende dar a conocer como determinar cuartiles y percentiles de un conjunto de datos.

Los datos será simulados igual que en caso 4, 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 visualziación y se identifica su significa e interpretación.

Marco teórico

Pendiente.

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.

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)

Datos simulados

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 variale 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 53
n <- length(datos)
n
## [1] 100

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  96 150

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  96 150

Cuartiles conforme a fórmula

\[L_p = (n+1) \cdot \frac{p}{100}\]

Estos valores deberán ser aproximados a utilizar la función quantile() en R

q1 <- datos.ordenados[(n+1) * 25/100]; q1
## [1] 30
q2 <- datos.ordenados[(n+1) * 50/100]; q2
## [1] 41
q3 <- datos.ordenados[(n+1) * 75/100]; q3
## [1] 55

Para el resto del caso se le hará caso a los valores generados por la función quantile().

Cuartiles por medio de la función quantile()

Q1 <- quantile(datos, c(0.25), type = 6); Q1
## 25% 
##  32
Q2 <- quantile(datos, c(0.50), type = 6); Q2
##  50% 
## 43.5
Q3 <- quantile(datos, c(0.75), type = 6); Q3
## 75% 
##  55

La mediana siempre será igual al cuartil del 50% o al segundo cuartil

mediana <- median(datos)
mediana
## [1] 43.5
Q2
##  50% 
## 43.5

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% 
##  23
percentiles <- 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 58.0

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] 150
summary(datos)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  -13.00   32.00   43.50   43.93   55.00  150.00

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   150

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")

### Datos de alumnos

Importar datos de alumnos

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 SISTEMAS
tail(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 ARQUITECTURA
n <- nrow(datos.alumnos)
n
## [1] 6042

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)       :2279

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 89.50
Q1 <- cuartiles[1]; Q1
##  25% 
## 82.2
Q2 <- cuartiles[2]; Q2
##   50% 
## 85.83
Q3 <- cuartiles[3]; Q3
##  75% 
## 89.5

El 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

Atípicos mayores. Rango intercuartil

atipicos.mayores <- Q3 + 1.5 * (Q3-Q1)
atipicos.mayores
##    75% 
## 100.45

Atípicos menores. Rango intercuartil

atipicos.menores <- Q1 - 1.5 * (Q3-Q1)
atipicos.menores
##   25% 
## 71.25

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.

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 SISTEMAS
tail(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 ARQUITECTURA
n<-nrow(datos.alumnos)
n
## [1] 5535

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 89.83
Q1 <- cuartiles[1]; Q1
##   25% 
## 83.24
Q2 <- cuartiles[2]; Q2
##   50% 
## 86.36
Q3 <- cuartiles[3]; Q3
##   75% 
## 89.83

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)       :2164
ggplot(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.

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))

Interpretación

¿QuLodjdjfnfé significan los cuartiles en un conjunto de datos? Los - Los cuartiles en un conjunto de datos se obtienen ordenandolos de menor a mayor y dividir el conjunto entre cuatro partes iguales.

¿Qué significa el rango intercuartil y para qué sirve?

  • El rango intercuartil es la cantidad de elementos que existe entre el primer cuartil (Q1) y el tercer cuartil (Q3). Sirve para eliminar los valores más alejados del rango y se suele utilizar cuando la medida de tendencia central es la mediana.

En el conjunto de datos de alumnos si un alumno tiene promedio de 80 ¿está por encima o por debajo del segundo cuartil?

  • El promedio de 80 se encontraría por debajo del segundo cuartil, pero dentro del rango intercuartil, ya que si el promedio fuera menor a 71.25 no entraría ni siquera en el primer cuartil.

¿Cómo se interpreta e diagrama de caja?

  • El diagrama de caja va a representar en fórma de gráfica los cuartiles de un conjunto de datos. Para construirse se va a necesitar un valor mínimo, un valor máximo y tres cuartiles (Q1, Q2, Q3). La media coincide con la mediana, se puede observar el rango intercuartil, valores atípicos (datos que no concuerdan con el resto), valores extraños, muy altos, muy bajos.

¿Qué describe la función summary() y como se interpreta?

  • La función summary() va a describir y mostrar los datos que se le indiquen en forma de tabla. Se interpreta como una tabla, siendo la primera fila el nombre del tipo de dato que mostrará en cada columna.

¿Qué les deja el caso?

  • El caso me enseño a saber que es un cuartil, para que sirve y cómo se interpreta en el diagrama de caja, también a utilizar funciones en el programa para organizar datos y tener una mejor presentación y resumen de un conjunto de datos extenso de forma rápida.

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.