Introduccion

En cualquier analisis estadistico siempre debemos realizar un descriptivo de la muestra con un doble objetivo:

-Comprobar la calidad de los datos.

-Conocer detalladamente los datos. Esto nos ayudara a decidir la estrategia de analisis mas adecuada.

¿Como leemos los datos en R?

Existen varias funciones de lectura de datos en R segun el formato del archivo. Cuando tenemos un fichero en excel, es aconsejable guardarlo previamente en formato csv y posteriormente lo leemos desde R con la funcion read.csv:

datos <- read.csv("ejemplo-1-RStudio.csv", sep=";")

head(datos)

##   Peso Altura Edad Sexo Nombres Estudios
## 1   77   1.63   23    1    Pepe        1
## 2   58   1.63   23    2     Ana        2
## 3   89   1.85   26    1  Manolo        0
## 4   55   1.62   23    1    Rafa        1
## 5   47   1.60   26    2   María        3
## 6   60   1.63   26    2    Auxi        2

# View(datos)
datos

##    Peso Altura Edad Sexo Nombres Estudios
## 1    77   1.63   23    1    Pepe        1
## 2    58   1.63   23    2     Ana        2
## 3    89   1.85   26    1  Manolo        0
## 4    55   1.62   23    1    Rafa        1
## 5    47   1.60   26    2   María        3
## 6    60   1.63   26    2    Auxi        2
## 7    54   1.70   22    1  Germán        3
## 8    58   1.65   23    2   Celia        1
## 9    75   1.78   26    2  Carmen        2
## 10   65   1.70   24    2    Juan        3
## 11   82   1.77   28    1    Dani        0
## 12   85   1.83   42    1 Antonio        1
## 13   75   1.74   25    2 Belinda        1
## 14   65   1.65   26    2    Sara        3

Manejo de datos

class(datos) #Muestra el tipo de objeto.

## [1] "data.frame"

dim(datos) #Muestra las dimensiones del objeto.

## [1] 14  6

ncol(datos);nrow(datos) #Muestra el número de columnas/filas del objeto.

## [1] 6

## [1] 14

str(datos)

## 'data.frame':    14 obs. of  6 variables:
##  $ Peso    : int  77 58 89 55 47 60 54 58 75 65 ...
##  $ Altura  : num  1.63 1.63 1.85 1.62 1.6 1.63 1.7 1.65 1.78 1.7 ...
##  $ Edad    : int  23 23 26 23 26 26 22 23 26 24 ...
##  $ Sexo    : int  1 2 1 1 2 2 1 2 2 2 ...
##  $ Nombres : Factor w/ 14 levels "Ana","Antonio",..: 12 1 10 13 11 3 8 6 5 9 ...
##  $ Estudios: int  1 2 0 1 3 2 3 1 2 3 ...

# datos <- edit(datos)

names(datos)# Muestra los nombres de las columnas.

## [1] "Peso"     "Altura"   "Edad"     "Sexo"     "Nombres"  "Estudios"

ls() #Visualiza las variables cargadas en memoria.

## [1] "datos"

rm() #Elimina las variables indicadas.

Visualizacion de Datos estilo SPSS

library(sjPlot)

## Install package "strengejacke" from GitHub (`devtools::install_github("strengejacke/strengejacke")`) to load all sj-packages at once!

sjmisc::descr(datos[,1:3])

##
## ## Basic descriptive statistics
##
##  variable    type  label  n NA.prc  mean    sd   se    md trimmed  min
##      Peso integer   Peso 14      0 67.50 12.98 3.47 65.00   67.42 47.0
##    Altura numeric Altura 14      0  1.70  0.08 0.02  1.67    1.69  1.6
##      Edad integer   Edad 14      0 25.93  4.94 1.32 25.50   24.92 22.0
##    max range skew kurtosis
##  89.00 42.00 0.16    -1.44
##   1.85  0.25 0.52    -1.29
##  42.00 20.00 2.37     5.09

tab_df(datos)

sjt.frq(datos)

## `sjt.frq()` will become deprecated in the future. Please use `sjmisc::frq(out = "v")` instead.

attach(datos) #Acceder a las varibles en la base de datos solo dando sus nombres
sjt.xtab(Sexo,Estudios)

Comandos para el analisis numerico de datos:

summary(datos) #Resumen Estadistico datos

##       Peso          Altura           Edad            Sexo
##  Min.   :47.0   Min.   :1.600   Min.   :22.00   Min.   :1.000
##  1st Qu.:58.0   1st Qu.:1.630   1st Qu.:23.00   1st Qu.:1.000
##  Median :65.0   Median :1.675   Median :25.50   Median :2.000
##  Mean   :67.5   Mean   :1.699   Mean   :25.93   Mean   :1.571
##  3rd Qu.:76.5   3rd Qu.:1.762   3rd Qu.:26.00   3rd Qu.:2.000
##  Max.   :89.0   Max.   :1.850   Max.   :42.00   Max.   :2.000
##
##     Nombres     Estudios
##  Ana    :1   Min.   :0.000
##  Antonio:1   1st Qu.:1.000
##  Auxi   :1   Median :1.500
##  Belinda:1   Mean   :1.643
##  Carmen :1   3rd Qu.:2.750
##  Celia  :1   Max.   :3.000
##  (Other):8

summary(datos$Altura) 

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##   1.600   1.630   1.675   1.699   1.762   1.850

summary(datos$Sexo)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##   1.000   1.000   2.000   1.571   2.000   2.000

min(Peso)

## [1] 47

max(Peso)

## [1] 89

range(Peso)

## [1] 47 89

mean(Altura) #media Aritmetica

## [1] 1.698571

median(Altura)

## [1] 1.675

length(Altura)

## [1] 14

sd(Altura)

## [1] 0.08244879

var(Altura)

## [1] 0.006797802

cov(Peso,Altura)

## [1] 0.8915385

quantile(Peso, 0.25) #Cuantil Q1

## 25%
##  58

quantile(Peso, 0.75) #Cuantil Q3

##  75%
## 76.5

quantile(Peso, c(0.35, 0.60, 0.98))  #Muestra los percentiles al 35, 60 y 96% de la variable Peso

##   35%   60%   98%
## 59.10 73.00 87.96

sort(Peso)

##  [1] 47 54 55 58 58 60 65 65 75 75 77 82 85 89

Tablas…

table(Sexo) # Tabla de frecuencias absolutas

## Sexo
## 1 2
## 6 8

table(Edad,Sexo)

##     Sexo
## Edad 1 2
##   22 1 0
##   23 2 2
##   24 0 1
##   25 0 1
##   26 1 4
##   28 1 0
##   42 1 0

tablaA <- as.data.frame(table(Altura = factor(cut(Altura, breaks = 5)))) # Agrupa los valores de la variable Altura en 5  y calcula su frecuencia absoluta
tablaA

##       Altura Freq
## 1 (1.6,1.65]    7
## 2 (1.65,1.7]    2
## 3 (1.7,1.75]    1
## 4 (1.75,1.8]    2
## 5 (1.8,1.85]    2

transform(tablaA,  #Muestra y reagrupa la tabla de frecuencias completas
   FreqAc = cumsum(Freq),
   Rel = round(prop.table(Freq), 3),
   RelAc = round(cumsum(prop.table(Freq)), 3))

##       Altura Freq FreqAc   Rel RelAc
## 1 (1.6,1.65]    7      7 0.500 0.500
## 2 (1.65,1.7]    2      9 0.143 0.643
## 3 (1.7,1.75]    1     10 0.071 0.714
## 4 (1.75,1.8]    2     12 0.143 0.857
## 5 (1.8,1.85]    2     14 0.143 1.000

Recodificamos valores

• Nota: Para no tener inconvenientes al momento de recodificar desactivamos la funcion attach() con detach()

detach(datos)
library(sjPlot)

datos$Sexo<-factor(datos$Sexo, levels=c(1,2), labels=c("Hombre","Mujer"))
datos$Estudios<-factor(datos$Estudios, levels=c(0,1,2,3), labels=c("Sin estudios","Estudios Primarios",
   "Estudios Secundarios","Estudios Superiores"))

tab_df(datos)

Graficos

library(ggplot2)
library(plotly)
attach(datos)
a<-barplot(table(Sexo),main="Distribucion de Frecuencias de la Variable Sexo\n",col=c("cyan4","pink3"), xlab = "Sexo", horiz = T)
text(a,table(datos$Sexo)+0.5 ,labels=table(Sexo), xpd = TRUE)

a <- ggplot(datos, aes(Estudios))
a + geom_bar()

pie(table(Estudios), main = "Distribucion de Porcentaje de la Variable Niv. Estudio")

hist(Peso,main="Peso",col="blue3", breaks = "Sturges", labels = T)
grid(NULL,NULL,"blue3")

k <- round(1 + 3.322*log10(length(Peso)))#para saber el bins optimo xD
k

## [1] 5

ggplot(datos, aes(x = Peso)) + geom_histogram(bins = 5 , color="cyan3",fill="cyan4") + theme_bw() + labs(title="Histograma de Peso",y="Frecuencia")

plot_ly(x = Peso) %>% add_histogram()

boxplot(Edad); grid(0,NULL,"grey")#datoa atipicos

>Continuara =)