R Studio Basics

Básicos de R

Todo lo de las ayudantías parte de vectores, factores y data frames; con esta tabla se resuelve casi cualquier ítem de la Ayudantía 1.

R como calculadora, objetos y ayuda

Ojo con -8^(1/3): R calcula primero la potencia y luego el signo, por eso da -2. (-8)^(1/3) da NaN. R distingue mayúsculas: Edad y edad son objetos distintos.

Vectores e indexación

Condiciones y filtros

• Comparadores: >, >=, <, <=, ==, !=; devuelven TRUE/FALSE por elemento.
• Combinar: & (y), | (o). Se repite la variable: notas[notas >= 4 & notas <= 6].
• Filtrar otro vector con la condición: nombres[notas >= 5].
• Contar cuántos cumplen: sum(notas >= 4) (cada TRUE vale 1).
• Valores únicos: unique(x); cuántos distintos: length(unique(x)); repetidos: duplicated(x).

Estadísticos básicos

Con datos faltantes se agrega na.rm = TRUE: mean(x, na.rm = TRUE).

Moda: library(modeest); mfv(x) (datos sin agrupar o cualitativos; puede devolver varias modas). Sin paquete: names(which.max(table(x))). Con datos agrupados se informa la clase modal, el intervalo con mayor fᵢ: names(which.max(table(intervalos))). Se dice "el intervalo [32, 39) concentra más observaciones", nunca "la moda es 35".

Coeficiente de variación: 100 * sd(x) / mean(x) (no hay función propia). Varianza en unidades al cuadrado; la DE en la unidad de la variable.

Fórmulas: centro y dispersión

• La media usa todas las observaciones, por eso un dato extremo la mueve: agregar un paciente con IMC 50 kg/m² la sube. La mediana es más robusta.
• Mismo centro no es mismo comportamiento: A = {9, 10, 10, 10, 11} y B = {1, 5, 10, 15, 19} tienen x̄ = 10, pero B es mucho más disperso.
• Se eleva al cuadrado porque las desviaciones se cancelan: (−2) + (−1) + 0 + 1 + 2 = 0, en cambio 4 + 1 + 0 + 1 + 4 = 10. var() divide por n − 1 (varianza muestral).
• La DE no significa que todos los datos estén exactamente a ±s de la media: es una distancia promedio.
• Moda: un conjunto puede ser unimodal, bimodal, multimodal o no tener moda. 5, 6, 7, 8, 8, 9, 10, 10, 11 tiene dos modas (8 y 10).
• Clase modal: con intervalos de igual amplitud es la barra más alta del histograma. Si las amplitudes son distintas se compara la densidad de frecuencia (fᵢ / amplitud), no la altura.

Factores, matrices, data frames y listas

• Factor nominal: factor(x, levels = c("Soltero", "Casado", "Viudo")).
• Factor ordinal: factor(x, levels = c("basica", "media", "superior"), ordered = TRUE).
• Categorías del factor: levels(f); cuántas: nlevels(f). c("Mujer", "Hombre") es texto (character); factor(c("Mujer", "Hombre")) es factor y tiene levels.
• Matriz desde cero: matrix(1:6, nrow = 2) (se llena por columnas; byrow = TRUE para llenar por filas).
• Matriz pegando vectores: cbind(edad, notas) (como columnas) o rbind(edad, notas) (como filas).
• Dimensiones: dim(m), nrow(m), ncol(m); nombres: colnames(m) <- c("Edad", "Nota"), rownames(m) <- nombres.
• Acceder: m[fila, columna], m[, "Edad"] (columna entera), m[c("Pedro", "Luis"), "Nota"].
• Data frame: datos <- data.frame(ID, Edad, Sexo, Peso); columna con datos$Edad; fila (un sujeto) con datos[2, ]; celda con datos[3, 4]; variables con names(datos); estructura y tipo de cada columna con str(datos).
• Filtrar filas: iris[iris$Species == "setosa", 1:4].
• Lista: persona <- list(nombre = "Ana", edad = 25, notas = c(5.5, 6.0)); acceder con persona$notas o persona[["nombre"]].

Importar datos

library(readxl)
getwd()                                  # ¿en qué carpeta está trabajando R?
data <- read_excel("colesterol.xlsx")    # Excel (.xls o .xlsx)
data <- read.csv("Libro5.csv")           # CSV
View(data); head(data); str(data)        # ver la base y el tipo de cada variable
dim(data); nrow(data); ncol(data)        # sujetos y variables
names(data); summary(data)               # nombres y resumen inicial de cada variable
data("iris")                             # base que viene con R
data$Unit_price <- as.numeric(data$Unit_price)  # si quedó como texto
data$sexo <- factor(data$sexo)                  # texto -> factor

Tabular: frecuencias y tablas de contingencia

table() sobre una variable cuantitativa con muchos valores da una tabla inútil: hay que agruparla en intervalos con cut() (ver Histogramas). Para que una ordinal salga en su orden, convertirla antes: factor(data$actividad, levels = c("Baja", "Moderada", "Alta"), ordered = TRUE).

Medidas por variable y por grupo (sapply y familia)

Para sacar medidas de muchas variables o de muchos grupos sin repetir código: sapply recorre columnas, tapply/aggregate recorren grupos, y una función propia medidas() junta todo en una tabla.

La función medidas(): todas las medidas de una vez

Se define una vez y se usa con cualquier variable, base o grupo.

library(moments)
medidas <- function(x) c(
  Media = mean(x), Mediana = median(x), Min = min(x), Max = max(x),
  DE = sd(x), CV = 100 * sd(x) / mean(x),
  Asimetria = skewness(x), Curtosis = kurtosis(x))

medidas(iris$Petal.Length)                       # una variable

Caso 1 — varias variables (como la A6): cada fila es una variable.

setosa <- iris[iris$Species == "setosa", 1:4]
res <- round(t(sapply(setosa, medidas)), 2)   # t() pone variables en filas
res
#              Media Mediana Min Max   DE    CV Asimetria Curtosis
# Sepal.Length  5.01     5.0 4.3 5.8 0.35  7.04      0.12     2.65
# Petal.Length  1.46     1.5 1.0 1.9 0.17 11.88      0.10     3.80 ...

Caso 2 — una variable según grupo (como la Tarea 1: cuantitativa vs cualitativa): cada fila es un grupo.

res <- round(t(sapply(split(iris$Petal.Length, iris$Species), medidas)), 2)
res
#            Media Mediana Min Max   DE    CV Asimetria Curtosis
# setosa      1.46    1.50 1.0 1.9 0.17 11.88      0.10     3.80
# versicolor  4.26    4.35 3.0 5.1 0.47 11.03     -0.59     2.93
# virginica   5.55    5.55 4.5 6.9 0.55  9.94      0.53     2.74

# Tarea 1
t(sapply(split(BASE_TAREA_1$horas_estudio, BASE_TAREA_1$carrera), medidas))

Caso 3 — una sola medida por grupo: tapply(x, grupo, sd) o aggregate(x ~ grupo, data, FUN = sd).

Para llevar cualquiera de estas tablas al informe: xtable::xtable(res) (LaTeX) o knitr::kable(res) (R Markdown).

Cómo leer las medidas

• CV < 15 % datos homogéneos; > 30 % muy dispersos (Tarea 1: horas de estudio CV = 31.4 %).
• Asimetría ≈ 0 simétrica; > 0 cola a la derecha (media > mediana); < 0 cola a la izquierda.
• Curtosis (moments) ≈ 3 mesocúrtica; > 3 leptocúrtica (colas más pesadas que la normal); < 3 platicúrtica (colas menos pesadas). No se interpreta como "qué tan puntiaguda".

Soluciones

Cada ayudantía agrega una pieza: vectores (A1), barras (A2–A3), tabla de frecuencias + histograma (A4), interpretación de medidas con airquality (A5) y boxplot + medidas + reporte en LaTeX (A6).

A1 — Vectores y matrices (19 ago)

Ejercicio 1 — edades <- c(21, 19, 23, 20, 22, 18, 25, 21)

length(edades)                     # a) 8 estudiantes
class(edades)                      # b) "numeric"
edades[1]                          # c) primera edad: 21
edades[c(1, 3, 5)]                 #    posiciones 1, 3, 5: 21 23 22
edades[2:5]                        #    de la 2 a la 5: 19 23 20 22
edades[-2]                         # d) todas menos la segunda
edades[-c(1, 4)]                   #    todas menos la primera y la cuarta
sort(edades)                       # e) creciente: 18 19 20 21 21 22 23 25
sort(edades, decreasing = TRUE)    #    decreciente: 25 23 22 21 21 20 19 18

Ejercicio 2 — notas <- c(Ana = 5.2, Pedro = 6.1, Camila = 4.8, Diego = 5.7)

names(notas)                       # a) "Ana" "Pedro" "Camila" "Diego"
class(notas)                       # b) "numeric" (los nombres no cambian la clase)
notas[2]                           # c) por posición: Pedro 6.1
notas["Camila"]                    #    por nombre: 4.8
notas[c("Ana", "Diego")]           #    dos a la vez: 5.2 5.7
sort(notas)                        # d) menor a mayor: Camila 4.8, Ana 5.2, Diego 5.7, Pedro 6.1
order(notas)                       # e) 3 1 4 2
notas[order(notas, decreasing = TRUE)]   # f) mayor a menor: Pedro, Diego, Ana, Camila

e) order() no devuelve notas, devuelve posiciones: "la menor está en la posición 3 (Camila), luego la 1 (Ana), la 4 (Diego) y la 2 (Pedro)".

Ejercicio 3

nombres <- c("Ana", "Pedro", "Camila", "Diego", "Sofía", "Esteban", "Luis")
edad  <- c(23, 19, 25, 21, 22, 24, 17)
notas <- c(5.5, 4.2, 6.1, 3.8, 5.9, 6.5, 4.2)

length(nombres)                    # a) 7 estudiantes
nombres[order(edad)]               # b) por edad, menor a mayor:
                                   #    Luis Pedro Diego Sofía Ana Esteban Camila
sort(edad)                         # c) 17 19 21 22 23 24 25
notas > 4                          # d) TRUE/FALSE por cada nota
notas >= 5
notas == 6.1
notas != 4.2
notas[notas >= 5]                  # e) 5.5 6.1 5.9 6.5
notas[notas < 4]                   #    3.8
notas[notas >= 4 & notas <= 6]     #    entre 4 y 6 incluidos: 5.5 4.2 5.9 4.2
sum(notas >= 4)                    # f) 6 estudiantes con nota >= 4
sum(notas < 4)                     #    1 estudiante con nota < 4
nombres[notas >= 5]                # g) Ana Camila Sofía Esteban
nombres[notas < 4]                 # h) Diego
summary(notas); sd(notas)          # i) ver abajo
unique(notas)                      # j) 5.5 4.2 6.1 3.8 5.9 6.5
length(unique(notas))              # k) 6 notas distintas
duplicated(notas)                  # l) TRUE solo en la posición 7 (el segundo 4.2)
nombres[order(notas, decreasing = TRUE)]  # m) Esteban Camila Sofía Ana Pedro Luis Diego

i) Respuesta modelo: "Las 7 notas van de 3,8 a 6,5. El promedio es 5,17 y la mediana 5,5: la mitad del grupo tiene 5,5 o más. La desviación estándar es 1,08 puntos (CV ≈ 21 %, variabilidad moderada). Solo Diego reprueba (3,8)."

Ejercicio 4

Informacion <- cbind(edad, notas)            # a) columnas = variables
dim(Informacion); nrow(Informacion); ncol(Informacion)   # b) 7 filas, 2 columnas
colnames(Informacion) <- c("Edad", "Nota")   # c)
rownames(Informacion) <- nombres             # d)
Informacion["Sofía", "Edad"]                 # e) 22
Informacion["Sofía", "Nota"]                 #    5.9
Informacion["Diego", ]                       #    toda la fila: Edad 21, Nota 3.8
Informacion[, "Edad"]                        #    todas las edades
Informacion[, "Nota"]                        #    todas las notas
Informacion[c("Pedro", "Camila", "Luis"), "Edad"]   # 19 25 17
Informacion[c("Pedro", "Camila", "Luis"), "Nota"]   # 4.2 6.1 4.2

Regla de la matriz: [fila, columna]; dejar un lado vacío significa "todas". rbind() pondría las variables como filas.

A2 — Pingüinos: frecuencias y barras (26 ago)

1. Importar

library(readxl); library(ggplot2)
penguins <- read_excel("penguins.xlsx")   # 333 filas, 4 columnas
str(penguins); head(penguins)

2. Clasificar variables

penguins$Crias_num <- as.numeric(ifelse(penguins$Crias == "No_aplica", NA, penguins$Crias))
summary(penguins$Crias_num)      # solo hembras: media 1,35 crías

3a. Pingüinos por especie

table(penguins$Especies)                       # Adelie 146, Chinstrap 68, Gentoo 119
round(100 * prop.table(table(penguins$Especies)), 1)   # 43.8 % 20.4 % 35.7 %
barplot(table(penguins$Especies), main = "Pingüinos por especie",
        xlab = "Especie", ylab = "Frecuencia", col = c("orange", "purple", "cyan4"))

Respuesta: Adelie es la especie con más observaciones (146, 43,8 %); Chinstrap la con menos (68). Gráfico adecuado: barras, porque es cualitativa.

3b. Pingüinos por isla

table(penguins$Isla)                    # Biscoe 163, Dream 123, Torgersen 47
names(which.max(table(penguins$Isla)))  # "Biscoe"
names(which.min(table(penguins$Isla)))  # "Torgersen"

Respuesta: la mayor cantidad se registró en Biscoe (163) y la menor en Torgersen (47).

3c. Sexo

table(penguins$Sexo)                    # female 165, male 168
prop.table(table(penguins$Sexo))        # 49.5 % y 50.5 %
barplot(table(penguins$Sexo), col = c("pink", "skyblue"), main = "Sexo")

Respuesta: sí, es prácticamente igual (165 hembras y 168 machos, ≈ 50 % cada uno).

3d. ggplot2 paso a paso

ggplot(penguins, aes(x = Especies))              # 1) base + eje X (lienzo vacío)
ggplot(penguins, aes(x = Especies)) +
  geom_bar()                                     # 2) barras
ggplot(penguins, aes(x = Especies)) +
  geom_bar(fill = "steelblue") +                 # 5) relleno de un color
  labs(title = "Cantidad de pingüinos por especie",   # 3) título
       x = "Especie", y = "N° de pingüinos")    # 4) ejes

# relleno distinto por especie
ggplot(penguins, aes(x = Especies, fill = Especies)) + geom_bar() +
  scale_fill_manual(values = c("darkorange", "purple", "cyan4"))

La altura de cada barra es la frecuencia absoluta: el número de pingüinos de esa especie.

Extra (barras con dos variables): ggplot(penguins, aes(x = Isla, fill = Especies)) + geom_bar() muestra que Gentoo solo vive en Biscoe y Chinstrap solo en Dream.

A3 — SuperMarket: variables cualitativas (2 sep)

library(readxl); library(ggplot2); library(paletteer)
SuperMarket <- read_excel("SuperMarket.xlsx")    # 1000 transacciones
paleta <- paletteer_d("dichromat::Categorical_12")

Regla para dos variables: la de x es el grupo; la de fill es la que se distribuye dentro de cada grupo.

1. Transacciones por tipo de cliente

table(SuperMarket$Customer_type)              # Member 565, Normal 435
ggplot(SuperMarket, aes(x = Customer_type, fill = Customer_type)) +
  geom_bar() + scale_fill_manual(values = paleta) +
  geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5) +
  labs(x = "Tipo de cliente", y = "N° de transacciones",
       title = "Transacciones por tipo de cliente") +
  theme(legend.position = "none")

Respuesta: 565 transacciones de clientes Member y 435 de Normal.

2. Porcentaje por tipo de cliente

round(100 * prop.table(table(SuperMarket$Customer_type)), 1)   # 56.5 % y 43.5 %
ggplot(SuperMarket, aes(x = Customer_type, fill = Customer_type)) +
  geom_bar(aes(y = after_stat(count / sum(count)))) +
  geom_text(stat = "count",
            aes(y = after_stat(count / sum(count)),
                label = scales::percent(after_stat(count / sum(count)), accuracy = 0.1)),
            vjust = -0.5) +
  scale_fill_manual(values = paleta) +
  scale_y_continuous(labels = scales::percent, expand = expansion(mult = c(0, 0.1))) +
  labs(x = "Tipo de cliente", y = "Porcentaje de transacciones")

Respuesta: el 56,5 % de las transacciones son de clientes Member y el 43,5 % de Normal.

3. Medios de pago (torta)

table(SuperMarket$Payment)       # Cash 344, Credit card 311, Ewallet 345
tabla1 <- as.data.frame(table(SuperMarket$Payment))
tabla1$porcentaje <- tabla1$Freq / sum(tabla1$Freq)
ggplot(tabla1, aes(x = "", y = Freq, fill = Var1)) +
  geom_bar(stat = "identity") + coord_polar(theta = "y") +
  geom_text(aes(label = scales::percent(porcentaje, accuracy = 0.1)),
            position = position_stack(vjust = 0.5)) +
  scale_fill_manual(values = paleta) +
  labs(title = "Transacciones por medio de pago", fill = "Medio de pago") +
  theme_void()

Respuesta: se usan 3 medios. Distribución pareja: Ewallet 34,5 %, Cash 34,4 %, Credit card 31,1 %.

4. Combinación género × medio de pago

tabla2 <- table(SuperMarket$Gender, SuperMarket$Payment)
addmargins(tabla2)
#         Cash Credit card Ewallet  Sum
# Female   205         183     183  571
# Male     139         128     162  429

5. Comparar directamente hombres y mujeres: barras lado a lado

ggplot(SuperMarket, aes(x = Payment, fill = Gender)) +
  geom_bar(position = "dodge") +
  geom_text(stat = "count", aes(label = after_stat(count)),
            position = position_dodge(width = 0.9), vjust = -0.5) +
  labs(x = "Medio de pago", y = "N° de transacciones", fill = "Género")

6. Barras apiladas (medio de pago dentro de cada género)

ggplot(SuperMarket, aes(x = Gender, fill = Payment)) +
  geom_bar() + scale_fill_manual(values = paleta) +
  geom_text(stat = "count", aes(label = after_stat(count)),
            position = position_stack(vjust = 0.5)) +
  labs(x = "Género", y = "N° de transacciones", fill = "Medio de pago")

7. % de cada medio de pago dentro de cada género (filas suman 100)

round(100 * prop.table(tabla2, margin = 1), 1)
#         Cash Credit card Ewallet
# Female  35.9        32.0    32.0
# Male    32.4        29.8    37.8
ggplot(SuperMarket, aes(x = Gender, fill = Payment)) +
  geom_bar(position = "fill") + scale_y_continuous(labels = scales::percent) +
  labs(x = "Género", y = "Porcentaje", fill = "Medio de pago")

Respuesta: las mujeres usan más efectivo (35,9 %); los hombres más Ewallet (37,8 %).

8. Distribución del género dentro de cada medio de pago (columnas suman 100)

round(100 * prop.table(tabla2, margin = 2), 1)
#         Cash Credit card Ewallet
# Female  59.6        58.8    53.0
# Male    40.4        41.2    47.0
ggplot(SuperMarket, aes(x = Payment, fill = Gender)) +
  geom_bar(position = "fill") + scale_y_continuous(labels = scales::percent)

Respuesta: en los 3 medios predominan las mujeres; Ewallet es el más equilibrado (53 % vs 47 %).

9. (Tarea) Categoría de producto según tipo de cliente

round(100 * prop.table(table(SuperMarket$Customer_type, SuperMarket$Product_line), 1), 1)
ggplot(SuperMarket, aes(x = Customer_type, fill = Product_line)) +
  geom_bar(position = "fill") + scale_y_continuous(labels = scales::percent) +
  scale_fill_manual(values = paleta) +
  labs(x = "Tipo de cliente", y = "Porcentaje", fill = "Categoría de producto")

Respuesta: se distribuye Product_line respecto del grupo Customer_type. Las 6 categorías están entre 15 % y 19 % en ambos tipos; la distribución es similar. Diferencia mayor: Food and beverages (Member 18,4 % vs Normal 16,1 %).

A4 — Tabla de frecuencias e histograma (9 sep)

Ojo: en el Excel Unit_price viene como texto (chr). Hay que convertirla antes de cualquier cálculo.

library(readxl); library(ggplot2)
SuperMarket <- read_excel("SuperMarket.xlsx")
SuperMarket$Unit_price <- as.numeric(SuperMarket$Unit_price)
x <- SuperMarket$Unit_price

1. Descripción inicial del precio unitario

n <- length(x)                     # 1000 observaciones
sort(x)                            # ordenar
minimo <- min(x); maximo <- max(x) # 10.08 y 99.96
rango <- maximo - minimo           # 89.88
mean(x)                            # 55.67
median(x)                          # 55.23
names(which.max(table(x)))         # moda: "83.77" (aparece 3 veces)

Respuesta: media 55,67 ≈ mediana 55,23 → distribución aproximadamente simétrica. La moda (83,77) aparece solo 3 veces en 1000 datos: en una variable continua la moda casi no informa.

2. Número de intervalos (k)

k <- round(1 + 3.22 * log10(n))    # Sturges: 1 + 3.22·3 = 10.66 → k = 11
sqrt(n)                            # alternativa raíz: 31.6 → 32 (demasiados)

k es la cantidad de intervalos (clases) en que se agrupan los datos para la tabla y el histograma.

3. Amplitud

A <- round(rango / k, 2) + 0.01    # 89.88 / 11 = 8.17 → A = 8.18

Se suma 0.01 para que el último intervalo alcance a cubrir el máximo.

4. Límites de los intervalos

limites <- round(minimo + (0:k) * A, 2)
# 10.08 18.26 26.44 34.62 42.80 50.98 59.16 67.34 75.52 83.70 91.88 100.06

A mano: el primer límite es el mínimo y se suma A cada vez: 10,08 → 18,26 → 26,44 → …

5. Etiquetas

etiquetas <- paste0(format(limites[-length(limites)], nsmall = 2), " - ",
                    format(limites[-1], nsmall = 2))
# "10.08 - 18.26" "18.26 - 26.44" ...

limites[-length(limites)] = todos menos el último (límites inferiores); limites[-1] = todos menos el primero (superiores).

6. Clasificar y tabla de frecuencias

intervalos <- cut(x, breaks = limites, labels = etiquetas,
                  right = FALSE, include.lowest = TRUE)
f  <- table(intervalos); fi <- as.vector(f)
ri <- fi / n; Fi <- cumsum(fi); Ri <- cumsum(ri)
tabla_frecuencia <- data.frame(intervalo = names(f), fi, ri = round(ri, 3),
                               Fi, Ri = round(Ri, 3))
sum(fi)                            # 1000 = n ✓

7. Histograma con hist() y con ggplot2

hist(x, breaks = limites, right = FALSE,
     main = "Distribución del precio unitario",
     xlab = "Precio unitario", ylab = "Frecuencia", col = "gray")

ggplot(SuperMarket, aes(x = Unit_price)) +
  geom_histogram(breaks = limites, closed = "left", fill = "gray", color = "black") +
  labs(title = "Distribución del precio unitario", x = "Precio unitario", y = "Frecuencia") +
  theme_minimal()

Respuesta: todas las barras tienen alturas parecidas (entre 79 y 110): la distribución es aproximadamente uniforme, los precios están repartidos de forma pareja entre 10 y 100, sin una zona que concentre los datos.

8. Repetir con Quantity

x <- SuperMarket$Quantity          # ya es numérica
# mismo código: n = 1000, min 1, max 10, rango 9, k = 11, A = 0.83
mean(x); median(x)                 # 5.51 y 5
names(which.max(table(x)))         # moda: 10 (119 veces)

Cuidado: Quantity es discreta (solo enteros 1 a 10). Con A = 0,83 queda un intervalo vacío ([5.15, 5.98) no contiene ningún entero) y el histograma muestra un hueco falso. Mejor usar un intervalo por valor:

table(x)                                   # frecuencia de cada cantidad
ggplot(SuperMarket, aes(x = Quantity)) +
  geom_histogram(breaks = seq(0.5, 10.5, 1), fill = "gray", color = "black") +
  scale_x_continuous(breaks = 1:10)

Respuesta: cada cantidad de 1 a 10 aparece entre 85 y 119 veces; también es aproximadamente uniforme. Media 5,51 ≈ mediana 5.

A5 — airquality: interpretar medidas y gráficos (23 sep)

Nueva York, mayo a septiembre de 1973. Los cuadros del PDF salen de na.omit(airquality): 111 días sin datos faltantes. Con la base completa los números no coinciden. Las respuestas siguen el orden del Word de preguntas.

library(ggplot2); library(moments)
data("airquality")
aq <- na.omit(airquality)                 # n = 111
aq$Mes <- factor(aq$Month, levels = 5:9,
                 labels = c("Mayo", "Junio", "Julio", "Agosto", "Septiembre"))

# Cuadros 2, 3 y 5: cambiar x por aq$Temp, aq$Wind o aq$Ozone
x <- aq$Temp
round(c(Media = mean(x), Mediana = median(x),
        Moda = as.numeric(names(which.max(table(x)))),
        Min = min(x), Max = max(x), Rango = max(x) - min(x),
        Varianza = var(x), DE = sd(x), CV = 100 * sd(x) / mean(x),
        Q1 = quantile(x, 0.25, names = FALSE), Q3 = quantile(x, 0.75, names = FALSE),
        RIC = IQR(x), Asimetria = skewness(x), Curtosis = kurtosis(x)), 2)

# Cuadro 4: medidas por mes
t(sapply(split(aq$Wind, aq$Mes), function(x) round(c(
  n = length(x), Media = mean(x), Mediana = median(x), DE = sd(x), Var = var(x),
  Min = min(x), Q1 = quantile(x, 0.25, names = FALSE),
  Q3 = quantile(x, 0.75, names = FALSE), Max = max(x)), 2)))

# Figuras
ggplot(aq, aes(x = Temp)) + geom_histogram(binwidth = 5, fill = "gray", color = "black")
ggplot(aq, aes(x = Mes, y = Temp, fill = Mes)) + geom_boxplot() +
  theme(legend.position = "none")
ggplot(aq, aes(x = Ozone, y = "")) + geom_boxplot() +
  stat_summary(fun = mean, geom = "point", shape = 8)
boxplot.stats(aq$Ozone)$out              # atípicos

Situación 1 — Temperatura máxima diaria (°F)

Datos: media 77,79 · mediana 79 · moda 81 · mín 57 · máx 97 · rango 40 · varianza 90,82 · DE 9,53 · CV 12,3 % · Q1 71 · Q3 84,5 · asimetría −0,23.

1. Promedio: la temperatura máxima diaria promedio fue 77,79 °F.
2. Posición central: la mediana es 79 °F; la mitad de los días tuvo máximas de 79 °F o menos y la otra mitad de 79 °F o más.
3. Media, mediana y moda: media 77,79 < mediana 79 < moda 81. Son cercanas, así que la distribución es casi simétrica, con leve asimetría negativa (asimetría −0,23): algunos días fríos, sobre todo en mayo, bajan la media.
4. Dispersión: DE 9,53 °F; en promedio las máximas se alejan unos 9,5 °F de la media. CV 12,3 % < 15 %: temperaturas homogéneas, la media es representativa.
5. Rango: 97 − 57 = 40 °F. Es la diferencia entre el día más caluroso y el más frío del período. Solo depende de dos días extremos.
6. 50 % central: entre Q1 = 71 °F y Q3 = 84,5 °F (RIC 13,5 °F).
7. Histograma: unimodal, con la mayor concentración entre 80 y 85 °F y la mayoría de los días entre 70 y 90 °F. La cola izquierda (días fríos de 57–65 °F) es algo más larga, lo que confirma la leve asimetría negativa. No hay atípicos.
8. Entre meses: mayo es el más frío (media 66,5 °F); julio (83,9) y agosto (83,7) son los más calurosos; junio (78,2) y septiembre (76,9) son intermedios. La temperatura sube de mayo a julio–agosto y baja en septiembre. Julio es el mes menos variable (DE 4,4) y septiembre el más variable (DE 8,5). Julio tiene un atípico bajo (73 °F).

Situación 2 — Velocidad promedio del viento (mph)

Datos: media 9,94 · mediana 9,70 · mín 2,3 · máx 20,7 · rango 18,4 · varianza 12,66 · DE 3,56 · CV 35,79 % · Q1 7,4 · Q3 11,5.

1. Promedio: la velocidad promedio del viento fue 9,94 mph.
2. Media y mediana: 9,94 vs 9,70, casi iguales. La distribución es aproximadamente simétrica, con leve asimetría positiva: algunos días de viento fuerte suben un poco la media.
3. DE = 3,56 mph: en promedio, la velocidad diaria del viento se aleja unas 3,56 mph de la media de 9,94 mph.
4. CV = 35,79 %: la DE equivale a casi el 36 % de la media. Es una variabilidad relativa alta (> 30 %): las velocidades son heterogéneas y la media no representa bien a todos los días.
5. 50 % central: entre 7,4 y 11,5 mph (RIC 4,1 mph).
6. Mes con mayor promedio: junio (12,20 mph), seguido de mayo (11,50). Junio tiene solo 9 días, así que su resultado es menos confiable.
7. Mes más variable según DE: junio (3,87 mph). El menos variable es julio (3,00).
8. Boxplots: mayo y junio tienen las cajas más altas (más viento); julio y agosto las más bajas (meses de verano con menos viento); septiembre es intermedio. Las cajas tienen alturas parecidas, así que la dispersión es similar entre meses. Hay atípicos altos en mayo (18,4 y 20,1 mph) y junio (20,7 mph).

Situación 3 — Concentración de ozono (ppb)

Datos: media 42,10 · mediana 31 · mín 1 · máx 168 · rango 167 · varianza 1107,29 ppb² · DE 33,28 · CV 79,04 % · Q1 18 · Q3 62 · asimetría 1,25.

1. Promedio: la concentración promedio de ozono fue 42,10 ppb.
2. Posición central: la mediana es 31 ppb; la mitad de los días tuvo 31 ppb o menos.
3. Media y mediana: la media (42,10) supera claramente a la mediana (31). Hay asimetría positiva: pocos días con ozono muy alto inflan la media. La mediana representa mejor el día típico.
4. 50 % central: entre 18 y 62 ppb (RIC 44 ppb).
5. Dispersión: muy alta. La DE es 33,28 ppb (varianza 1107,29 ppb²) y el rango 167 ppb, de 1 a 168.
6. Coeficiente de variación: 79,04 %, muy superior al 30 %. Los datos son muy heterogéneos y la media es poco representativa.
7. Histograma: sesgado a la derecha. La mayoría de los días se concentra bajo 40 ppb (68 de 111) y las barras bajan a medida que sube el ozono, con una cola larga hasta 168 ppb.
8. Valores extremos: sí. LS = Q3 + 1,5·RIC = 62 + 1,5·44 = 128 ppb, y los días con 135 y 168 ppb lo superan. Aparecen como puntos sobre el bigote superior.
9. Descripción general: distribución asimétrica positiva, muy dispersa (CV 79 %) y con atípicos altos. El día típico tiene alrededor de 31 ppb, pero hay episodios puntuales de contaminación elevada. Conviene resumirla con mediana y RIC, no con media y DE.

Comparar dispersión entre variables con distinta unidad: por CV. Temperatura (12,3 %) < viento (35,8 %) < ozono (79,0 %).

A6 — iris: descriptivo, boxplot y medidas de Setosa (30 sep)

1. Cargar la base (viene con R, no se importa)

data("iris")
head(iris); str(iris)        # 150 flores × 5 variables, 50 por especie

2. Análisis descriptivo

summary(iris)
round(sapply(iris[, 1:4], sd), 2)                        # DE de cada variable
round(sapply(iris[, 1:4], function(x) 100 * sd(x) / mean(x)), 1)   # CV

Respuesta: hay 4 variables cuantitativas continuas (cm) y una cualitativa nominal (Species, 50 flores por especie). Las medidas del sépalo son homogéneas (CV ≈ 14 %). Las del pétalo son muy heterogéneas (CV 47 % y 64 %) y su media es menor que la mediana. El salto entre Q1 (1,6) y la mediana (4,35) en Petal.Length sugiere grupos de flores muy distintos: las especies.

3. Boxplot de la longitud del pétalo según especie

library(ggplot2)
ggplot(iris, aes(x = Species, y = Petal.Length, fill = Species)) +
  geom_boxplot() +
  labs(title = "Longitud del pétalo según especie", x = "Especie", y = "Longitud (cm)") +
  theme(legend.position = "none")
ggsave("boxplot_petalo.png", width = 7, height = 5)
aggregate(Petal.Length ~ Species, data = iris, FUN = median)

Respuesta: las tres cajas no se solapan, así que la longitud del pétalo separa claramente las especies. Setosa tiene los pétalos más cortos (mediana 1,5 cm) y menos variables (DE 0,17). Versicolor es intermedia (mediana 4,35 cm) y Virginica tiene los más largos (mediana 5,55 cm) y es la más dispersa (DE 0,55). Hay atípicos en Setosa (1,0; 1,1; 1,9 cm) y en Versicolor (3,0 cm).

4. Medidas para Setosa

library(moments)
setosa <- iris[iris$Species == "setosa", 1:4]
resultados <- data.frame(
  Media = sapply(setosa, mean),     Mediana = sapply(setosa, median),
  Minimo = sapply(setosa, min),     Maximo = sapply(setosa, max),
  DE = sapply(setosa, sd),
  Asimetria = sapply(setosa, skewness), Curtosis = sapply(setosa, kurtosis))
round(resultados, 2)
xtable::xtable(resultados, digits = 2)   # misma tabla en formato LaTeX

Respuesta: en Setosa media ≈ mediana en las 4 variables. Sepal.Length, Sepal.Width y Petal.Length son casi simétricas (asimetría cercana a 0). Petal.Width tiene asimetría positiva (1,22): la mayoría de los pétalos mide 0,2 cm y unos pocos llegan a 0,6 cm. Sepal.Length es platicúrtica (2,65 < 3). Las otras tres son leptocúrticas (> 3): datos concentrados cerca del centro con colas más pesadas; Petal.Width es la más marcada (4,43).

Tarea 1 — Cuantitativa vs cualitativa

# Clasificar y convertir a factor
BASE_TAREA_1$carrera <- factor(BASE_TAREA_1$carrera,
  levels = c("Ciencias", "Ciencias Sociales", "Ingeniería", "Salud"))
BASE_TAREA_1$carga_academica <- factor(BASE_TAREA_1$carga_academica,
  levels = c("Baja", "Moderada", "Alta"), ordered = TRUE)
summary(BASE_TAREA_1[, c("carrera", "carga_academica", "horas_estudio")])

round(100 * prop.table(table(BASE_TAREA_1$carrera)), 1)   # % por carrera

# Boxplot horizontal por grupo con la media marcada
ggplot(BASE_TAREA_1, aes(x = horas_estudio, y = carrera, fill = carrera)) +
  geom_boxplot() +
  stat_summary(fun = mean, geom = "point", shape = 16, size = 2) +
  theme(legend.position = "none")

# Medidas por carrera: ver "Medidas por variable y por grupo", caso 2

Ojo: en tu script se creó carga_academic (sin la "a" final), así que quedó una columna nueva en vez de convertir la original.

Gráficos: R base y ggplot2

Antes de graficar, pregúntate qué variable se distribuye y respecto de qué grupo. R base sirve para mirar rápido; ggplot2 queda mejor para el informe.

R base

t <- table(data$sexo)
barplot(t, main = "Pacientes según sexo", xlab = "Sexo", ylab = "N° de pacientes",
        col = c("pink", "skyblue"), ylim = c(0, 150))   # ylim cambia la escala del eje Y
barplot(t, horiz = TRUE, xlim = c(0, 150))              # barras horizontales
barplot(table(data$sexo, data$actividad), beside = TRUE, legend.text = TRUE)  # agrupadas
pie(t)                                                  # torta
pie(t, labels = paste0(names(t), " ", round(100 * prop.table(t), 1), " %"))
hist(data$imc, breaks = limites, right = FALSE)         # ver Histogramas
boxplot(data$edad, horizontal = TRUE)                   # boxplot
boxplot(edad ~ actividad, data = data)                  # boxplot por grupo

ggplot2: la estructura

Todo gráfico es ggplot(datos, aes(...)) + geom_...() + labs() + scale_...() + theme_...(). El + va al final de cada línea.

Recetario ggplot2

Con position = "fill", la variable en x es el grupo. x = sexo, fill = actividad muestra la actividad según sexo; al revés, el sexo según actividad.

Torta con porcentajes

tabla <- as.data.frame(table(data$sexo))            # columnas Var1 y Freq
tabla$porcentaje <- tabla$Freq / sum(tabla$Freq) * 100
g <- ggplot(tabla, aes(x = "", y = Freq, fill = Var1)) +
  geom_bar(stat = "identity") +                     # la altura es Freq, no un conteo
  coord_polar(theta = "y") +
  geom_text(aes(label = paste0(round(porcentaje, 1), " %")),
            position = position_stack(vjust = 0.5)) +  # etiqueta al centro del sector
  scale_fill_manual(values = c("Mujer" = "#E78AC3", "Hombre" = "#66C2A5")) +
  labs(x = NULL, y = NULL, fill = "Sexo", title = "Distribución por sexo") +
  theme_void()
ggsave("grafico_sexo.png", plot = g, width = 10, height = 6, units = "in", dpi = 300)

Usa la torta con pocas categorías y proporciones claramente distintas. Para comparar categorías con precisión son mejores las barras.

• Evitar la torta cuando hay muchas categorías, cuando las proporciones son muy parecidas o cuando hay que comparar con precisión.
• Las categorías deben ser mutuamente excluyentes y sumar el total.
• coord_polar(theta = "y") transforma la altura de cada barra en un ángulo; el total de las frecuencias es el círculo completo.
• scale_y_continuous(labels = scales::percent) solo cambia cómo se muestra el eje; la proporción la calcula after_stat(). Con library(scales) se puede escribir percent sin el prefijo.

Boxplot

ggplot(data, aes(x = edad, y = "")) +
  geom_boxplot() +
  stat_summary(fun = mean, geom = "point", shape = 16, size = 3) +   # media
  labs(title = "Distribución de la edad", x = "Edad (años)", y = NULL) +
  theme_classic() +
  theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())  # sin eje Y

ggplot(data, aes(x = actividad, y = edad, fill = actividad)) +        # por grupo
  geom_boxplot() + theme(legend.position = "none")

boxplot.stats(data$edad)$out                                          # atípicos

Cómo leerlo: ver "Leer un boxplot" en Interpretación de resultados.

Histogramas

Un histograma se arma en 6 pasos: n, rango, k (Sturges), amplitud, límites e intervalos con cut(); después se grafica con hist() o geom_histogram() usando esos mismos límites.

Fórmulas

Pasos en R

x <- colesterol$imc          # o SuperMarket$Unit_price
n <- length(x)
minimo <- min(x); maximo <- max(x)
R <- maximo - minimo

k <- round(1 + 3.22 * log10(n))    # Sturges
# k <- ceiling(sqrt(n))            # alternativa raíz de n

A <- round(R / k, 2) + 0.01
limites <- round(minimo + (0:k) * A, 2)

etiquetas <- paste0(format(limites[-length(limites)], nsmall = 2), " - ",
                    format(limites[-1], nsmall = 2))

intervalos <- cut(x, breaks = limites, labels = etiquetas,
                  right = FALSE, include.lowest = TRUE)   # [a, b)

Al redondear A, revisar que el último límite supere el máximo y que el primer y el último intervalo tengan fᵢ ≠ 0. Si no, sumar una unidad del último decimal (0.01 con dos decimales). Ejemplo IMC (n = 250, k = 9): con A = 2.48 el último límite es 36.79 y deja fuera el máximo 36.83; con A = 2.49 llega a 36.88. Sturges y √n no coinciden: para n = 250 dan k ≈ 9 y k ≈ 16.

Tabla de frecuencias

f  <- table(intervalos)
fi <- as.vector(f)
ri <- fi / n
Fi <- cumsum(fi)
Ri <- cumsum(ri)
tabla_frecuencia <- data.frame(intervalo = names(f), fi = fi,
                               ri = round(ri, 3), Fi = Fi, Ri = round(Ri, 3))
sum(fi) == n            # chequeo: debe dar TRUE
xtable::xtable(tabla_frecuencia)   # versión LaTeX

Atajos: prop.table(tabla) * 100 da porcentajes; cumsum(tabla) da la acumulada.

Chequeos de la tabla: Σfᵢ = n, Σrᵢ = 1 y la última acumulada Fₖ = n (sum(fi), sum(ri), Fi[k]).

Graficar

# R base
hist(x, breaks = limites, right = FALSE,
     main = "Distribución del IMC", xlab = "IMC (kg/m^2)", ylab = "N° de pacientes")

# ggplot2
ggplot(colesterol, aes(x = imc)) +
  geom_histogram(breaks = limites, closed = "left",
                 fill = "steelblue", color = "black") +
  labs(title = "Distribución del IMC", x = "IMC (kg/m^2)", y = "N° de pacientes") +
  theme_minimal()

# Desde la tabla, con colores por intervalo
ggplot(tabla_frecuencia, aes(x = intervalo, y = fi, fill = intervalo)) +
  geom_col(width = 1, color = "black") +
  theme_minimal() + theme(legend.position = "none")

hist(x) sin breaks deja que R elija los intervalos; para usar los de Sturges hay que pasarle breaks = limites. En el gráfico desde la tabla se ajustan los ejes con scale_x_discrete(labels = etiquetas) y scale_y_continuous(breaks = seq(0, 50, by = 5)).

Si el histograma tiene cola larga a la derecha, la media queda sobre la mediana (asimetría positiva); compararlas con mean() y median().

Histograma vs gráfico de barras

La tabla de frecuencias y el histograma muestran la misma información; el número de clases cambia la forma que se ve.

Interpretación de resultados

Una buena respuesta tiene 3 partes: el valor con su unidad, qué significa en el contexto de la variable, y qué se concluye (comparando con otra medida o con el gráfico). Nunca solo el número.

Checklist para describir una variable cuantitativa

1. Explorar los datos: str(), head(), length(), NA.
2. Mirar un gráfico: histograma y boxplot.
3. Centro: mean(), median(), moda o clase modal.
4. Dispersión: rango, var(), sd(), CV.
5. Posición: quantile(x, probs = c(.10, .25, .50, .75, .90)), IQR().
6. Valores extremos: regla 1,5·RIC, boxplot.stats(x)$out.
7. Forma: media vs mediana, skewness(), kurtosis().
8. Interpretar todo en el contexto de la variable, con su unidad.

Percentil en palabras: "P90 = 20 min: aproximadamente el 90 % de los tiempos es menor o igual a 20 minutos y el 10 % restante lo supera". El sesgo depende del estimador y de n: se informa junto con el gráfico y la comparación media vs mediana, nunca solo el número.

Qué dice cada medida

Cuartiles y percentiles: Q1 = P25, Q2 = P50 = mediana, Q3 = P75. quantile(x) sin probs entrega mín, Q1, Q2, Q3 y máx; summary(x) agrega la media.

Mapa: centro, dispersión, posición y forma

CV: cómo clasificar

Forma: media vs mediana vs moda

Con asimetría o atípicos se describe con mediana y RIC; si es simétrica, con media y DE.

Ejemplos típicos de sesgo positivo: ingresos, tiempos de espera, precios de viviendas.

Valores atípicos (regla 1,5·RIC)

Un dato fuera de [LI, LS] es atípico y aparece como punto en el boxplot. En R: boxplot.stats(x)$out.

Ejemplo ozono: RIC = 62 − 18 = 44; LS = 62 + 66 = 128 → 135 y 168 ppb son atípicos.

Leer un boxplot

1. Línea dentro de la caja = mediana.
2. Bordes de la caja = Q1 y Q3; altura de la caja = RIC (50 % central).
3. Bigotes = hasta el dato más extremo que no es atípico.
4. Puntos sueltos = atípicos.
5. Caja larga = más dispersión; mediana descentrada = asimetría.

Comparar grupos (boxplots o tabla por grupo)

• Centro: ¿qué grupo tiene mayor mediana/media? ("Julio y agosto son los meses más calurosos").
• Dispersión: ¿qué caja es más larga o qué DE es mayor? ("Septiembre es el más variable").
• Forma y atípicos: ¿algún grupo asimétrico o con puntos extremos?
• Tamaño: mencionar si un grupo tiene n chico ("junio con solo 9 días, resultado menos confiable").
• Superposición: si las cajas se solapan mucho, la diferencia entre grupos es débil.

Leer un histograma

• Centro: dónde está la barra más alta (clase modal).
• Forma: simétrico, sesgado a la derecha o a la izquierda; unimodal o bimodal.
• Dispersión: qué tan ancho es el rango de barras.
• Atípicos: barras aisladas lejos del resto.

Qué NO concluir

• Descriptivo ≠ causal: "en julio hay menos viento" no dice que el calor cause menos viento.
• Los resultados valen para esta muestra (NY, mayo–sep 1973), no para cualquier lugar o año.
• Si se eliminaron NA (na.omit), mencionarlo: cambia n y puede sesgar.

R Markdown

Un .Rmd tiene tres partes: encabezado YAML, texto en Markdown y chunks de código; el botón Knit (Ctrl+Shift+K) lo convierte en HTML, PDF o Word.

Plantilla base

---
title: "Análisis Descriptivo"
author: "Nombre Autor"
date: "29 de septiembre de 2026"
output: html_document      # pdf_document, word_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, message = FALSE, warning = FALSE)
library(readxl)
library(ggplot2)
```

# Introducción
En este informe se analiza la variable ...

# Datos
```{r datos}
carga2 <- read_excel("BASE_TAREA_1.xlsx")
names(carga2)
```

# Medidas
```{r}
media <- mean(carga2$horas_estudio, na.rm = TRUE)
mediana <- median(carga2$horas_estudio, na.rm = TRUE)
```
El promedio fue de `r round(media, 2)` horas, con mediana `r round(mediana, 2)`.

Opciones de chunk

Las opciones van en la llave del chunk: ```{r grafico, echo=FALSE, fig.align="center"}. Con knitr::opts_chunk$set() quedan por defecto para todo el documento.

Sintaxis Markdown

Tablas bonitas

knitr::kable(tabla_frecuencia, caption = "Tabla de frecuencias del IMC")

Errores típicos

• Cada chunk corre en un entorno limpio al hacer Knit: cargar paquetes y datos dentro del .Rmd, no basta con tenerlos en la consola.
• View() e install.packages() dentro del .Rmd rompen o enlentecen el Knit; déjalos en la consola.
• La ruta del Excel es relativa a la carpeta del .Rmd; si el archivo está al lado, basta read_excel("BASE_TAREA_1.xlsx").
• Los chunks se escriben en el .Rmd, no en un script .R.

Errores encontrados en tus scripts

Qué gráfico y qué medidas según el tipo de variable

Primero clasificar la variable; eso decide la tabla, el gráfico y las medidas.

Recordatorio: class(x) dice cómo lo guardó R (numeric, character, factor); no siempre coincide con el tipo estadístico. Un código numérico (1 = Ciencias) es cualitativo aunque R diga numeric.

Errores de R frecuentes

Casi todos los errores son de nombre, de paquete sin cargar, de tipo de dato o de NA.

Atajos de RStudio: Ctrl+Enter corre la línea; Ctrl+Shift+M escribe %>%; Alt+− escribe <-; ?funcion abre la ayuda.