Medidas de dispersión

Introducción a la estadística en R

Maggie Matsui

Content Developer, DataCamp

¿Qué es la dispersión?

Dos histogramas: uno estrecho, con datos que abarcan solo unos pocos valores, y otro más amplio, con datos que abarcan más valores.

Introducción a la estadística en R

Varianza

Distancia promedio de cada punto de datos a la media de los datos Gráfico de puntos de 7 datos con una línea negra en el centro que representa la media.

Introducción a la estadística en R

Cálculo de la varianza

Un gráfico de puntos de 7 datos con una línea negra en el centro que representa la media. Se dibujan flechas entre cada punto y la línea central.

dists <- msleep$sleep_total - mean(msleep$sleep_total)
dists

1.66626506  6.56626506 ... -4.13373494  2.06626506 -0.63373494
Introducción a la estadística en R

Cálculo de la varianza

squared_dists <- (dists)^2

2.776439251 43.115836841 ... 17.087764552  4.269451299  0.401619974

sum_sq_dists <- sum(squared_dists)
sum_sq_dists

1624.066
Introducción a la estadística en R

Cálculo de la varianza

sum_sq_dists/82

19.80568

var(msleep$sleep_total)

19.80568
Introducción a la estadística en R

Desviación típica

sqrt(var(msleep$sleep_total))

4.450357

# Standard deviation of 'sleep_total'
sd(msleep$sleep_total)

4.450357
Introducción a la estadística en R

Desviación media absoluta

dists <- msleep$sleep_total - mean(msleep$sleep_total)
mean(abs(dists))

3.566701

 

Desviación típica frente a desviación media absoluta

  • SD cuadra las distancias, penalizando más las distancias más largas que las más cortas.
  • MAD penaliza cada distancia por igual.
  • Ninguna es mejor que la otra, pero la típica es más común que la media absoluta.
Introducción a la estadística en R

Cuartiles

quantile(msleep$sleep_total)

   0%   25%   50%   75%  100% 
 1.90  7.85 10.10 13.75 19.90

Segundo cuartil/percentil 50 = mediana

Introducción a la estadística en R

Los diagramas de caja utilizan cuartiles

ggplot(msleep, aes(y = sleep_total)) +
  geom_boxplot()

Gráfico de caja del tiempo total de sueño de los mamíferos

Introducción a la estadística en R

Cuantiles

quantile(msleep$sleep_total, probs = c(0, 0.2, 0.4, 0.6, 0.8, 1))

   0%   20%   40%   60%   80%  100% 
 1.90  6.24  9.48 11.14 14.40 19.90

seq(from, to, by)

quantile(msleep$sleep_total, probs = seq(0, 1, 0.2))

   0%   20%   40%   60%   80%  100% 
 1.90  6.24  9.48 11.14 14.40 19.90
Introducción a la estadística en R

Intervalo intercuartílico (IQR)

Altura de la caja en un diagrama de caja

iqr = quantile(msleep$sleep_total, 0.75) - quantile(msleep$sleep_total, 0.25)
iqr

75%
5.9
Introducción a la estadística en R

Valores atípicos

Valor atípico: punto de datos que difiere sustancialmente de los demás

¿Cómo sabemos qué es una diferencia sustancial? Un punto de datos es un valor atípico si:

  • $\text{data} < \text{Q1} - 1.5\times\text{IQR}$    o
  • $\text{data} > \text{Q3} + 1.5\times\text{IQR}$
Introducción a la estadística en R

Encontrar valores atípicos

iqr <- quantile(msleep$bodywt, 0.75) - quantile(msleep$bodywt, 0.25)

lower_threshold <- quantile(msleep$bodywt, 0.25) - 1.5 * iqr
upper_threshold<- quantile(msleep$bodywt, 0.75) + 1.5 * iqr

msleep %>% filter(bodywt < lower_threshold | bodywt > upper_threshold ) %>% 
  select(name, vore, sleep_total, bodywt)

# A tibble: 11 x 4
   name                 vore  sleep_total bodywt
   <chr>                <chr>       <dbl>  <dbl> 
 1 Cow                  herbi         4      600 
 2 Asian elephant       herbi         3.9   2547 
 3 Horse                herbi         2.9    521 
 ...
Introducción a la estadística en R

¡Practiquemos!

Introducción a la estadística en R

Preparing Video For Download...