Descriptivos

ULTIMA ACTUALIZACIÓN:

La última actualización de este artículo se realizó el 3 de noviembre del 2019.

1 Descriptivos básicos

Reutilizamos la base de datos s2018, con la que hemos venido trabajando en la sección anterior

Existen funciones que nos pueden dar un vistazo a toda la base de datos. La más útil es summary(). Esta función nos dará el resumen más propicio según el tipo de objeto que usemos como argumento. Por ejemplo, cuando pasamos un data.frame nos da un resumen de cada una de las variables contenidas, pero cuando pasamos una sola variable el resumen es más conciso.

# data.frame con 5 columnas
summary(s2018[,1:5])

##      aÑo                mes             nconglome        
##  Length:1000        Length:1000        Length:1000       
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##    conglome           vivienda        
##  Length:1000        Length:1000       
##  Class :character   Class :character  
##  Mode  :character   Mode  :character

# Una sola variable
summary(s2018$ingreso_bruto)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       0    7238   17207   26065   33768  200178

Dentro del paquete Hmisc tenemos la función describe() que también nos brinda un resumen bastante útil de nuestra variable.

install.packages("Hmisc") #Si no lo tienes instalado ya. 

Hmisc::describe(s2018$ingreso_bruto)

## s2018$ingreso_bruto : ingreso monetario (bruto)  Format:%10.0g 
##        n  missing distinct     Info     Mean      Gmd      .05      .10 
##     1000        0      992        1    26065    26954     1894     3266 
##      .25      .50      .75      .90      .95 
##     7238    17207    33768    56070    83433 
## 
## lowest :      0     60    194    203    241, highest: 179165 186308 193650 198447 200178

Podemos pedir medidas de centralidad especifícas. Es bueno agregar na.rm = TRUE ya que si tenemos valores perdidos generaría error en el cálculo.

# Media aritmética
mean(s2018$ingreso_bruto, na.rm = TRUE)

## [1] 26064.51

# Mediana
median(s2018$ingreso_bruto) 

## [1] 17207

# Desviación estándar
sd(s2018$ingreso_bruto) 

## [1] 29193.19

# Varianza
var(s2018$ingreso_bruto) 

## [1] 852242579

Podemos pedir medidas de posición:

quantile(s2018$ingreso_bruto, 0.9) #percentil 90

##     90% 
## 56070.2

Podemos pedir varios a la vez, combinando funciones. Por ejemplo la función seq(inicio, final, salto)

quantile(s2018$ingreso_bruto, seq(0.1,0.9,0.1))

##       10%       20%       30%       40%       50%       60%       70% 
##  3265.643  5728.800  9028.194 13116.955 17207.000 22319.400 29505.700 
##       80%       90% 
## 38018.600 56070.200

1.1 Tablas:

Frequencias.

table(s2018$estrsocial)

## 
##   1   2   3   4   5   6 
##  17  34  81 226 259 383

Proportion table.

prop.table(table(s2018$estrsocial))

## 
##     1     2     3     4     5     6 
## 0.017 0.034 0.081 0.226 0.259 0.383

Tablas con Dplyr:

s2018 %>% 
  group_by(estrsocial) %>%
  summarise(Frequency=n()) %>%
  mutate(Porcentaje=Frequency/sum(Frequency)*100) %>%
  mutate(Estratos=names(attributes(s2018$estrsocial)$labels)) %>%
  select(Estratos,Frequency,Porcentaje)

## # A tibble: 6 x 3
##   Estratos Frequency Porcentaje
##   <chr>        <int>      <dbl>
## 1 a               17        1.7
## 2 b               34        3.4
## 3 c               81        8.1
## 4 d              226       22.6
## 5 e              259       25.9
## 6 rural          383       38.3

2 Gráficos Descriptivos:

Existen funciones básicas para gráficos en R, pero la versatilidad de R para gráficos va más allá de estas funciones básicas. Paquetes como ggplot2 han llevado a otro nivel el análisis gráfico de R.

Aquí trataremos de mostrar ambos.

2.1 Graficos de Barra simples en R base

barplot(table(s2018$estrsocial))

Podemos modificar algunos argumentos: - col para especificar el color de las barras - names.arg para las etiquetas de las barras - main para especificar el texto del título

barplot(table(s2018$estrsocial), col="red",
        names.arg = names(attributes(s2018$estrsocial)$labels), 
        main="Este es un título")

2.2 Graficos de Barra simples en ggplot2 y dplyr

• ggplot: es el paso inicial para crear un “ambiente” ggplot.
• + vas agregando capas (detalles) al objecto
• geom_bar es que crearemos un gráficos de barras

library(ggplot2) # Recuerda que tienes haberlo instalado antes.
library(dplyr)
s2018%>%ggplot(aes(x=estrsocial))+
    geom_bar(stat="bin", bins=20)

Al mismo gráfico le cambiamos el nombre de los ejes con labs, incluso le podemos agregar una “nota”

s2018%>%ggplot(aes(x=estrsocial))+
    geom_bar(stat="bin", bins=20)+
    labs(y="Frecuencia", x="Estrato Social",
         caption="(Tomado de....)")

Ahora le cambiamos la etiqueta al eje x!.

s2018%>%ggplot(aes(x=estrsocial))+
    geom_bar(stat="bin", bins=20)+
    labs(y="Frecuencia", x="Estrato Social",
         caption="(Tomado de....)")+
    scale_x_discrete(limit= c("A","B","C","D",
                               "E","Rural"))

Gráficos con porcentajes

• En este caso manipulamos la data con dplyr para obtener los porcentajes por cada grupo.

s2018%>%group_by(estrsocial)%>%
  summarise(Frequencia=n())%>% ## Tabla de frecuencias 
  mutate(Porcentaje=Frequencia/sum(Frequencia)*100)%>% ##Agregando porcentajes
  ggplot(aes(x=estrsocial, y=Porcentaje))+
  geom_bar(stat="identity", fill="red")+
  scale_x_discrete(limit= c("A","B","C","D",
                               "E","Rural"))

2.3 Box plot o diagramas de cajas

boxplot(s2018$estrsocial, col="red")

boxplot(s2018$ingreso_bruto~s2018$estrsocial, col="red")
## Boxplot by groups 

2.4 Box plot o diagramas de cajas con dyplr y ggplot2

s2018%>%ggplot(aes(y=estrsocial))+
  geom_boxplot(col="red", fill="blue")

2.5 Histogramas

• Hagamos una histograma de la variable ingreso

hist(s2018$ingreso_bruto, main="Histograma de Ingreso",
     ylab="TITULO EJE Y", xlab="FRECUENCIA",
     col="blue")

Podemos agregar una línea que represente la media.

hist(s2018$ingreso_bruto, main="Histograma de Ingreso",
     ylab="TITULO EJE Y", xlab="FRECUENCIA",
     col="blue")
abline(v=mean(s2018$ingreso_bruto), col="red")

Podemos agregar una línea que represente la mediana también y otros detalles.

hist(s2018$ingreso_bruto, main="Histograma de Ingreso",
     ylab="TITULO EJE Y", xlab="FRECUENCIA",
     col="grey") ## Histograma básico 
abline(v=mean(s2018$ingreso_bruto), col="red") ## Agregando media
abline(v=median(s2018$ingreso_bruto), col="purple") ## Agregando Mediana
text(median(s2018$ingreso_bruto),300, "Medana",pch = 3)

2.6 Histogramas con dplyr y ggplot2

s2018%>%ggplot(aes(x=ingreso_bruto))+
  geom_histogram(bins=20)+
  geom_vline(aes(xintercept=mean(ingreso_bruto)),
             linetype="dashed" , col="blue")+
  geom_vline(aes(xintercept=median(ingreso_bruto)),
             linetype="dashed" , col="red")