Exploracion de Datos

Introducción Unos cuantos términos Tabulación y representaciones gráficas Medidas numéricas
Exploración de datos
Mathieu Kessler
Departamento de Matemática Aplicada y Estadı́stica

Universidad Politécnica de Cartagena
Cartagena, Enero 2010
Kessler UPCT
Guión
1 Introducción
2 Unos cuantos términos
3 Tabulación y representaciones gráficas

Gráficas para una variable cualitativa
Gráficas para una variable cuantitativa
4 Medidas numéricas
Medidas de centro
Medidas de dispersión
Un resumen gráfico: el diagrama de caja-bigotes
Kessler UPCT
Guión
1 Introducción

Medidas de centro
Kessler UPCT
La estadı́stica utiliza datos para conseguir comprensión sobre un

fenómeno.
Combinación entre conocimientos previos y nuestro uso de
gráficas y cálculos ⇒ información.
Grandes conjuntos de datos: más información disponible pero
difı́cil de extraer
Es fundamental un primer paso: Exploración de datos
Kessler UPCT
Guión
1 Introducción

Medidas de centro
Kessler UPCT
Unos cuantos términos:

Un conjunto de datos describe individuos. Éstos pueden ser
personas o objetos.
Asociados a un conjunto: variables. Distinguimos dos tipos de
variables:
variable cuantitativa: asocia un número a cada individuo.
variable cualitativa: coloca a cada individua en una categorı́a
Ejemplo de variables asociadas a la clase: peso, altura, sexo,
edad, grupo sanguı́neo.
Un concepto fundamental: la distribución de una variable X
en el conjunto. Establecemos la lista de los valores de X junto
con su frecuencia.
Frecuencia absoluta: número de veces que aparece
Frecuencia relativa: proporción de veces que aparece.
Kessler UPCT
Ejemplo
Distribución del grupo sanguı́neo en una clase:
Grupo Frec. absoluta Frec. relativa

A 51 51/145=0.35
B 19 0.13
O 5 0.03
AB 70 0.49
Kessler UPCT
Guión
1 Introducción

Medidas de centro
Kessler UPCT
Representaciones gráficas: una herramienta fundamental
Para variable cualitativa:

Diagrama de barras
Diagrama de sectores
Para variable cuantitiva:

Diagrama de barras
Histograma
Gráfica de densidad
Kessler UPCT
Grupo sanguı́neo: diagrama de barras

80
A 51 0.35
B 19 0.13
O 5 0.03
AB 70 0.49
60
40
20
0
AB A B O
Kessler UPCT
Grupo sanguı́neo: diagrama de sectores

A 51 0.35
B 19 0.13
O 5 0.03
AB
AB 70 0.49
Kessler UPCT
Un primer ejemplo: mediciones de nitrato
Mediciones del contenido en nitrato de una muestra de agua:
Valor Frecuencia Valor Frecuencia

0.45 1 0.49 8
0.46 2 0.50 10
0.47 4 0.51 5
0.48 8 0.51 8
Valores distintos: 8, Número de datos: 46
Kessler UPCT
Mediciones de nitrato: diagrama de barras

Valor Frec. Valor Frec.
0.45 1 0.49 8
0.46 2 0.50 10
0.47 4 0.51 5
0.48 8 0.51 8
10
8
Frecuencias
6
4
2
0.45 0.46 0.47 0.48 0.49 0.50 0.51 0.52
Mediciones de nitrato
Kessler UPCT
Ejemplo: mediciones de la velocidad de la luz
Newcomb and Michelson consiguieron una estimación bastante

precisa de la velocidad de la luz en ... 1882
Midieron el tiempo que tarda la luz en recorrer una distancia de
7400m.
En nanosegundos, tiempo − 24800:
28, 26, 33, 24, 34, -44, 27, 16, 40, -2, 29, 22, 24, 21, 25, 30, 23,
29, 31, 19, 24, 20, 36, 32, 36, 28, 25, 21, 28, 29, 37, 25, 28, 26,
30, 32, 36, 26, 30, 22, 36, 23, 27, 27, 28, 27, 31, 27, 26, 33, 26,
32, 32, 24, 39, 28, 24, 25, 32, 25, 29, 27, 28, 29, 16, 23
Kessler UPCT
Dos preguntas
¿Por qué repitieron tantas veces las mediciones?
¿Qué hacer con estos datos? ¿Cuál es el valor que damos
como la velocidad de la luz?
Kessler UPCT
Tabla de frecuencias e histograma

El conjunto presenta muchos valores distintos pero próximos
⇒ agrupamos los datos en clases.
Ordenamos los datos, dividimos el rango en clases, colocamos
cada dato en su clase.
Realizamos el recuento de las frecuencias de cada clase.
¿Cuántas clases escoger

Un problema sin solución perfecta
Una regla muy usada: la regla de Sturges:
1 + log2 (n)
Recordar: n: número de datos, log2 (n) = ln(n)/ ln(2)

Kessler UPCT
Mediciones de la velocidad de la luz: datos ordenados

Pos. 1 2 3 4 5 6 7 8 9 10 11 12 13
Dato -44 -2 16 16 19 20 21 21 22 22 23 23 23
Pos. 14 15 16 17 18 19 20 21 22 23 24 25 26
Dato 24 24 24 24 24 25 25 25 25 25 26 26 26
Pos. 27 28 29 30 31 32 33 34 35 36 37 38 39
Dato 26 26 27 27 27 27 27 27 28 28 28 28 28
Pos. 40 41 42 43 44 45 46 47 48 49 50 51 52
Dato 28 28 29 29 29 29 29 30 30 30 31 31 32
Pos. 53 54 55 56 57 58 59 60 61 62 63 64 65
Dato 32 32 32 32 33 33 34 36 36 36 36 37 39
Pos. 66
Dato 40
Kessler UPCT
Clases de amplitud 5 empezando en -45 y acabando en 40:

Clase Frec. Clase Frec. Clase Frec.
] − 45, −40] 1 ] − 15, −10] 0 ]15, 20] 4
] − 40, −35] 0 ] − 10, −5] 0 ]20, 25] 17
] − 35, −30] 0 ] − 5, 0] 1 ]25, 30] 26
] − 30, −25] 0 ]0, 5] 0 ]30, 35] 10
] − 25, −20] 0 ]5, 10] 0 ]35, 40] 7
] − 20, −15] 0 ]10, 15] 0
Kessler UPCT
Completamos la tabla con las frecuencias acumuladas:

Definición de frecuencia acumulada
La frecuencia absoluta (relativa) acumulada de una clase es el
número (proporción) de datos que pertenecen a esta clase o a
alguna clase anterior.
Kessler UPCT
Clase Frecuencias Frec. Acumuladas

Absolutas Relativas(%) Absolutas Relativas(%)
] − 45, −40] 1 1.5 1 1.5
] − 40, −35] 0 0.0 1 1.5
] − 35, −30] 0 0.0 1 1.5
] − 30, −25] 0 0.0 1 1.5
] − 25, −20] 0 0.0 1 1.5
] − 20, −15] 0 0.0 1 1.5
] − 15, −10] 0 0.0 1 1.5
] − 10, −5] 0 0.0 1 1.5
] − 5, 0] 1 1.5 2 3.0
]0, 5] 0 0.0 2 3.0
]5, 10] 0 0.0 2 3.0
]10, 15] 0 0.0 2 3.0
]15, 20] 4 6 6 9
]20, 25] 17 25.7 23 34.7
]25, 30] 26 39.3 49 74
]30, 35] 10 15.3 59 89.3
]35, 40] 7 10.7 66 100
TOTAL 66 100.0
Kessler UPCT
Representación gráfica de la tabla de frecuencia: el

histograma
40
30
Frecuencias
20
10
−40 −20 0 20 40
Mediciones
Kessler UPCT
Cómo interpretar un histograma
Nos fijamos en:

1 ¿Es la distribución simétrica?
2 ¿Tiene la distribución colas largas?

3 ¿Tiene un único máximo claro? (Histograma unimodal)
4 ¿Aparecen datos atı́picos? Un dato atı́pico es un dato que se
aleja del patrón global del conjunto
5 ¿Dónde está aprox. el centro de la distribución?
6 ¿Presentan los datos mucha dispersión?
Kessler UPCT
1 ¿Distribución simétrica?
2 ¿Colas largas?
3 ¿Unimodal?
4 ¿datos atı́picos?
5 ¿centro aprox. de la distribución?
6 ¿Presentan los datos mucha dispersión?
25
20
15
Frecuencias
10
5
0
−40 −20 0 20 40
Mediciones
Kessler UPCT
Ejemplos de histogramas
40
Histograma aprox. simétrico, unimodal, con colas cortas. Histograma asimétrico
40
30
30
Frec.
Frec.
20
20
10
10
0
0
1.5 2.0 2.5 3.0 3.5 4.0 4.5 0 2 4 6 8 10
x1 x00
Cola larga a la derecha Histograma bimodal
70
60
30
50
40
20
Frec.
Frec.
30
20
10
10
0
0 5 10 15 2 3 4 5 6 7
x0 x12
Kessler UPCT
Gráfica de densidad: ejemplo de las mediciones de la luz:

Buscamos visualizar la densidad de los datos, según las regiones,
partiendo del histograma:
40
30
Frecuencias
20
10
−40 −20 0 20 40
Mediciones
Kessler UPCT
Gráfica de densidad: ejemplo de las mediciones de la luz:

Obtenemos la gráfica de densidad (en este caso con R):
0.08
0.06
Densidad
0.04
0.02
● ● ●● ●●● ●● ●●● ● ● ● ●
0.00 ● ●●
●●●
● ●● ●●
●● ● ●●
●●●●●
●● ●
●● ●
● ●●●●● ●
−40 −20 0 20 40
Kessler UPCT
Guión
1 Introducción

Medidas de centro
Kessler UPCT
Buscamos resúmenes de las caracterı́sticas de la distribución

Para variable cuantitativa, calculamos medidas numéricas que
buscan contestar a las preguntas planteadas ante el histograma.
Veremos:
Medidas de centro
Un resumen visual: el diagrama de cajas-bigotes.
Kessler UPCT
Medidas de centro
La primera medida de centro: la media
Cálculo
Datos: x1 , . . . , xn , la media es
x1 + · · · + xn
x̄ = .
n
Datos ya agrupados: tenemos los valores distintos x1 , . . . , xm
junto con sus frecuencias n1 , . . . , nm , la media es
n1 · x1 + · · · + nm · xm
x̄ = .
(n1 + . . . + nm )
Kessler UPCT
Medidas de centro
Aspectos de la media
IMPORTANTE
La media se interpreta como el centro de gravedad de los
datos.
⇒ es muy sensible a datos atı́picos.
Kessler UPCT
Medidas de centro
Otra medida de centro: la mediana

¿Qué es la mediana?
La mediana es el punto que deja el 50% de los datos a su izquierda
y el otro 50% a su derecha.
¿Cómo se calcula?
Si tenemos n datos, x1 , x2 , . . . , xn , ordenamos los datos por orden
creciente. La mediana es el dato ordenado no (n + 1)/2.
Ejemplos
125, 129, 134, 185, 200 Me es el dato ordenado número 3,
⇒ Me = 134.
11, 15, 20, 23: Me es el dato ordenado no 2.5, (¿?)⇒, por
convención, punto intermedio entre el dato no 2 y el dato
no 3.⇒ Me = 17.5.
Kessler UPCT
Medidas de centro
La mediana no es sensible a datos atı́picos:

⇒ Me = 134
⇒ Me = 134
125, 129, 134, 185, 20000000 Me es el dato ordenado número
3, ⇒ Me = 134
Kessler UPCT
La desviación tı́pica
Mide lo “lejos” que están situados los datos respecto a su

centro de gravedad (la media)
Se denota por s, es la raı́z cuadrada de la varianza s 2 ,
√
s = s 2.
Cálculo de la varianza
Definición:
(x1 − x̄)2 + · · · + (xn − x̄)2
s2 = .
n−1
Fórmula alternativa:
n
s2 = (x 2 − (x̄)2 )
n−1
Kessler UPCT
Ejemplo de cálculo
La fórmula alternativa:
n
s2 = (x 2 − (x̄)2 )
n−1
x 2 : elevamos todos los datos al cuadrado y después
calculamos su media.
(x̄)2 : calculamos la media de los datos y después la elevamos
al cuadrado.
Ejemplo
Datos: 4, 5.5, 6.5, 8.
x 2 = (42 + 5.52 + 6.52 + 82 )/4 = 38.125.
x̄ = (4 + 5.5 + 6.5 + 8)/4 = 6 ⇒ (x̄)2 = 36.
Deducimos s 2 = 2.8333 y s = 1.683251
Kessler UPCT
Algunos aspectos de la desviación tı́pica
La desviación tı́pica es representativa de la dispersión del

conjunto de datos solo si la media es representativa de su
centro.
Unidades de la varianza y de la desviación tı́pica.
Kessler UPCT
El rango intercuartı́lico
Cuartiles y percentiles
La mediana separa el conjunto en dos partes de mismo tamaño.
Los cuartiles separan el conjunto en 4 partes de mismo tamaño.
Los percentiles separan el conjunto en 100 partes de mismo tamaño.
Cuartiles
Q1 : primer cuartil. Deja el 25% de los datos ordenados a su
izquierda.
Q3 : tercer cuartil. Deja el 75% de los datos ordenados a su
izquierda.
¿y Q2 ? segundo cuartil. Q2 = Me.
Kessler UPCT
Percentiles
Percentil k
Si k es un entero, entre 0 y 100, Pk deja el k% de los datos
ordenados a su izquierda.
Kessler UPCT
Ejemplo de percentiles: curvas de crecimiento
Fuente: Fundación Faustino Orbegozo Eizaguirre

Kessler UPCT
El rango intercuartı́lico: RIC

RIC = Q3 − Q1 .
Mide la dispersión de los datos
También sirve para detectar atı́picos:

Se considera posible atı́pico un data menor de Q1 − 1.5 × RIC , o
mayor de Q3 + 1.5 × RIC .
Kessler UPCT
El diagrama de caja-bigotes (boxplot)
Permite visualizar la tendencia central, la dispersión, los datos

atı́picos.
Los componentes del diagrama de caja-bigotes
En un eje vertical:
Tres segmentos horizontales y paralelos a la altura de Q1 , Me
y Q3 . Se cierra la caja resultante.
Dos segmentos verticales (bigotes) de una longitud máxima
de 1.5 × RIC . Se recortan hasta los últimos datos del
conjunto que no sean atı́picos.
Kessler UPCT
12
Dato atpico
11
Bigote
Q3
10
Me
Q1
9
●
8
Kessler UPCT
Muy útil para comparar subconjuntos

Calificaciones de los aprobados en la prueba de acceso, Distrito Único de la Región de Murcia
10
●
● ● ●
● ●
● ● ● ●
● ●
● ● ● ●
●
● ● ● ● ●
● ●
● ●
● ● ● ●
● ●
● ● ● ●
●
● ● ●
● ●
● ●
● ● ●
● ●
● ●
● ● ● ● ●
● ● ● ●
● ● ●
● ● ● ●
●
● ●
● ● ●
● ●
● ● ● ● ●
Calificación (aprox. 115000 alumnos)
●
9
● ●
● ● ● ●
●
● ● ● ● ● ● ●
●
● ● ● ● ●
● ●
● ●
● ●
● ●
● ● ●
● ● ●
●
● ● ● ●
● ●
● ● ● ●
●
● ●
● ● ● ●
● ●
● ●
● ●
●
● ● ● ● ●
● ● ● ● ●
● ● ● ● ●
● ●
●
● ● ●
● ●
● ● ●
● ●
● ●
● ●
● ●
● ●
●
●
● ●
● ●
● ●
●
●
● ● ● ●
● ●
● ●
● ●
● ●
●
● ● ●
●
● ●
● ●
●
● ●
8
●
7
6
5
4
1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
Año
Kessler UPCT

Exploracion de Datos

Cargado por

Copyright:

Formatos disponibles

Exploracion de Datos

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Exploracion de Datos

Cargado por

Copyright:

Formatos disponibles

Introducción Unos cuantos términos Tabulación y representaciones gráficas Medidas numéricas

Departamento de Matemática Aplicada y Estadı́stica

Cartagena, Enero 2010

2 Unos cuantos términos

3 Tabulación y representaciones gráficas

2 Unos cuantos términos

3 Tabulación y representaciones gráficas

La estadı́stica utiliza datos para conseguir comprensión sobre un

2 Unos cuantos términos

3 Tabulación y representaciones gráficas

Unos cuantos términos:

Distribución del grupo sanguı́neo en una clase:

Grupo Frec. absoluta Frec. relativa

2 Unos cuantos términos

3 Tabulación y representaciones gráficas

Representaciones gráficas: una herramienta fundamental

Para variable cualitativa:

Para variable cuantitiva:

Gráficas para una variable cualitativa

Grupo sanguı́neo: diagrama de barras

Gráficas para una variable cualitativa

Grupo sanguı́neo: diagrama de sectores

Gráficas para una variable cuantitativa

Un primer ejemplo: mediciones de nitrato

Mediciones del contenido en nitrato de una muestra de agua:

Valor Frecuencia Valor Frecuencia

Valores distintos: 8, Número de datos: 46

Gráficas para una variable cuantitativa

Mediciones de nitrato: diagrama de barras

0.45 0.46 0.47 0.48 0.49 0.50 0.51 0.52

Gráficas para una variable cuantitativa

Ejemplo: mediciones de la velocidad de la luz

Newcomb and Michelson consiguieron una estimación bastante

Gráficas para una variable cuantitativa

Gráficas para una variable cuantitativa

Tabla de frecuencias e histograma

¿Cuántas clases escoger

Recordar: n: número de datos, log2 (n) = ln(n)/ ln(2)

Gráficas para una variable cuantitativa

Mediciones de la velocidad de la luz: datos ordenados

Gráficas para una variable cuantitativa

Clases de amplitud 5 empezando en -45 y acabando en 40:

Gráficas para una variable cuantitativa

Completamos la tabla con las frecuencias acumuladas:

Gráficas para una variable cuantitativa

Clase Frecuencias Frec. Acumuladas

Gráficas para una variable cuantitativa

Representación gráfica de la tabla de frecuencia: el

Gráficas para una variable cuantitativa

Cómo interpretar un histograma

Nos fijamos en:

2 ¿Tiene la distribución colas largas?

Gráficas para una variable cuantitativa

Gráficas para una variable cuantitativa

Cola larga a la derecha Histograma bimodal

Gráficas para una variable cuantitativa

Gráfica de densidad: ejemplo de las mediciones de la luz:

Gráficas para una variable cuantitativa

Gráfica de densidad: ejemplo de las mediciones de la luz: