Caso 2. Datos agrupados
Manuel Antonio
08/08/2022
Objetivo
Agrupar datos y describir datos visualmente de variables de edades y generos usando función fdt y fdt_cat de la librería fdth.
Descripción
Se cargan librerías adecuadas de caso
Se construyen y simulan datos con dos variables de interés edades y géneros de personas.
Se determina las clase para construir tablas de frecuencias de los datos a partir de las variables de interés edades y géneros.
Se visualizan frecuencias con histograma y gráfico de tallo y hoja para datos numéricos (edades) y gráfico de barra para datos categórico o tipo character (géneros).
Se interpreta el caso
Fundamento teórico
Datos agrupados
Los datos agrupados y no agrupados se les llaman en estadística a la manera de representar y analizar la información que has reunido o que dispones.
La idea de datos agrupados tiene que ver con definir un conjunto de clases que identifican de manera organizada un conjunto de datos.
Los datos no agrupados es el conjunto de observaciones que se presentan en su forma original tal y como fueron recolectados, para obtener información directamente de ellos.
Los datos no agrupados es un conjunto de información si ningún orden que no nos establece relación clara con lo que se pretende desarrollar a lo largo de un problema, esto se soluciona mediante una tabulación que conduce a una tabla de frecuencias.
Los valores agrupados son datos que se dan en intervalos de clase, en un rango, como cuando se resumen para una distribución de frecuencias.
Frecuencia
La frecuencia o la frecuencia absoluta es el número de veces que aparece un determinado valor en un estudio estadístico El número de repeticiones de un valor dentro de una muestra o población. Se cuenta el número de veces que aparece. La suma de las frecuencias absolutas es igual al número total de datos o sea n.
Frecuencia relativa
La relación de la frecuencia con respeto al número de elementos n. Es el cociente entre la frecuencia absoluta de un determinado valor y el número total de datos. La suma de la frecuencia relativa es 1.
Frecuencia porcentual
Es la representación porcentual de la frecuencia relativa con respecto al 100%, es decir multiplicar la frecuencia relativa por 100. La suma de la frecuencia porcentual (%) debe ser el 100%.
Frecuecia acumulada
Define la sumatoria parcial y total de la frecuencia, puede ser la frecuencia absoluta, relativa o la porcentual.
Clases
Las clases definen los valores únicos del conjunto de datos o un intervalo que define y agrupa cierto conjunto de datos. Las clases clasifican y agrupan el total de los datos.
Puntos medios y límites
Los límites de clase son los valores mínimos y máximos de una clase, los intervalos de clase es la diferencia entre límite superior y límite inferior y los pintos medios es el valor medio entre cada rango de cada clase.
Desarrollo
Cargar librerías
library(fdth)##
## Attaching package: 'fdth'## The following objects are masked from 'package:stats':
##
## sd, varlibrary(ggplot2)Crear datos
###Sembrar semilla
set.seed(12345)Datos
n = 300
edades <- sample(x = 18:28, size = n, replace = TRUE)
generos <- sample(x = c('FEMENINO', 'MASCULINO'), size = n, replace = TRUE)
datos <- data.frame(edades, generos)Mostrar los primeros diez
La función head() y describe o muestra la cantidad de observaciones de los que se especifica, los primeros registros.
head(datos, 10)## edades generos
## 1 20 FEMENINO
## 2 27 FEMENINO
## 3 25 FEMENINO
## 4 27 FEMENINO
## 5 28 FEMENINO
## 6 25 FEMENINO
## 7 19 FEMENINO
## 8 23 FEMENINO
## 9 28 FEMENINO
## 10 23 MASCULINOhead## function (x, ...)
## UseMethod("head")
## <bytecode: 0x0000026843e37920>
## <environment: namespace:utils>Mostrar los últimos diez
La función tail() muestra los últimos registros que se especifican.
tail(datos, 10)## edades generos
## 291 27 FEMENINO
## 292 27 FEMENINO
## 293 18 MASCULINO
## 294 27 FEMENINO
## 295 26 MASCULINO
## 296 24 FEMENINO
## 297 20 FEMENINO
## 298 20 FEMENINO
## 299 20 MASCULINO
## 300 23 FEMENINOtail## function (x, ...)
## UseMethod("tail")
## <bytecode: 0x0000026843e879d8>
## <environment: namespace:utils>Crear tabla de frecuencias y visualizar datos
Variable edades
Se utiliza la variable de interés edades del conjunto de datos
tabla.frec.edades1 <- fdt(x = datos$edades, breaks = "Sturges")
tabla.frec.edades1## Class limits f rf rf(%) cf cf(%)
## [17.82,18.866) 21 0.07 7.00 21 7.00
## [18.866,19.912) 26 0.09 8.67 47 15.67
## [19.912,20.958) 26 0.09 8.67 73 24.33
## [20.958,22.004) 54 0.18 18.00 127 42.33
## [22.004,23.05) 20 0.07 6.67 147 49.00
## [23.05,24.096) 29 0.10 9.67 176 58.67
## [24.096,25.142) 35 0.12 11.67 211 70.33
## [25.142,26.188) 23 0.08 7.67 234 78.00
## [26.188,27.234) 40 0.13 13.33 274 91.33
## [27.234,28.28) 26 0.09 8.67 300 100.00tabla.frec.edades2 <- fdt(x = datos$edades, start = min(datos$edades)-1, end = max(datos$edades)+1, h = 1)
tabla.frec.edades2## Class limits f rf rf(%) cf cf(%)
## [17,18) 0 0.00 0.00 0 0.00
## [18,19) 21 0.07 7.00 21 7.00
## [19,20) 26 0.09 8.67 47 15.67
## [20,21) 26 0.09 8.67 73 24.33
## [21,22) 26 0.09 8.67 99 33.00
## [22,23) 28 0.09 9.33 127 42.33
## [23,24) 20 0.07 6.67 147 49.00
## [24,25) 29 0.10 9.67 176 58.67
## [25,26) 35 0.12 11.67 211 70.33
## [26,27) 23 0.08 7.67 234 78.00
## [27,28) 40 0.13 13.33 274 91.33
## [28,29) 26 0.09 8.67 300 100.00Histograma
Un histograma es un representación gráfica organizada que describe frecuencias de clases de datos numéricos en forma de barra.
ggplot(data = datos) +
geom_histogram(aes(x = edades), fill = "blue", binwidth = 0.5)
Histograma usando hist()
La función hist() no requiere librería y se puede utilizar directamente para representar un histograma y determina frecuencia. En este ejemplo con valores similares a la tabla.frec.edades2.
hist(datos$edades, breaks = (min(edades)-1):(max(edades)+1), main = "Histograma edades de 18 a 28", xlab = "Edades", ylab = "Frecuencia")
Diagrama de tallo y hoja
La función stem() representa un digrama de tallo y hoja. El diagrama de tallo y hoja identifica frecuencias de clases en formato textual.
stem(datos$edades)##
## The decimal point is at the |
##
## 18 | 000000000000000000000
## 19 | 00000000000000000000000000
## 20 | 00000000000000000000000000
## 21 | 00000000000000000000000000
## 22 | 0000000000000000000000000000
## 23 | 00000000000000000000
## 24 | 00000000000000000000000000000
## 25 | 00000000000000000000000000000000000
## 26 | 00000000000000000000000
## 27 | 0000000000000000000000000000000000000000
## 28 | 00000000000000000000000000Grafíca de frecuencia acumulada
Acumulado con tabla2
ggplot() +
geom_line(aes(x = tabla.frec.edades2$table$`Class limits`, y = tabla.frec.edades2$table$cf))+
geom_point(aes(x = tabla.frec.edades2$table$`Class limits`, y = tabla.frec.edades2$table$cf)) ## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
Variable generos
Se utiliza la variable de interés generos del conjunto de datos
tabla.frec.generos <- fdt_cat(datos$generos)
tabla.frec.generos## Category f rf rf(%) cf cf(%)
## FEMENINO 161 0.54 53.67 161 53.67
## MASCULINO 139 0.46 46.33 300 100.00Diagrama o gráfica de barra
ggplot(data = datos) +
geom_bar(aes(x = generos))
Interpretación
Los datos agrupados son datos formados agregando observaciones individuales de una variable en grupos, de modo que una distribución de frecuencia de estos grupos sirve como un medio conveniente para resumir o analizar los datos.
La distribución de frecuencias agrupadas o tabla con datos agrupados se emplea si las variables toman un número grande de valores o la variable es continua. Se agrupan los valores en intervalos que tengan la misma amplitud denominados clases. A cada clase se le asigna su frecuencia correspondiente.
Agrupación de datos significa almacenar los datos de forma consecutiva, casi de la misma manera de la que se quiere acceder a ellos; así el acceso necesitará menos operaciones I/O (entrada/salida, en inglés, input/output). Las agrupaciones de datos son muy importantes para la optimización de las bases de datos.