1. Introducción


Al tener una base de datos se requiere resumirlos en una tabla o en indicadores que faciliten su análisis, dependiendo el tipo de variable ( cualitativas o cuantitativas) la tabla puede tener diferentes columnas.

En el caso de los indicadores las variables cualitativas se les resumen en el nivel con mayor frecuencias a la que se le llama MODA

Las variables cuantitativas tiene un gran número de indicadores que se dividien en tres categorias:

A continuación se indica como realizar el proceso utilizando RStudio, bajo el supuesto que se cuenta con una base de datos que se ha importado en RStudio.





Instalación de summarytools

Uno de los paquetes de R utilizados para la construcción de tablas de frecuencia e indicadores descriptivos es summarytools, a continuación se comparte código para su instalación :


install.packages("remotes")        # se puede tambien utulizar el paquete devtools
library(remotes)
install_github("rapporter/pander") # repositorio recomendado
install_github("dcomtois/summarytools", build_vignettes = TRUE)

# install.packages("remotes")        # se puede tambien utulizar el paquete devtools
# library(remotes)
# install_github("rapporter/pander") # repositorio recomendado
# install_github("dcomtois/summarytools", build_vignettes = TRUE)



2. Tablas de frecuencia

Resumir los datos en tablas facilita su análisis y también su representación gráfica. Varios gráficos están basados en tablas de frecuencia como veremos en la unidad 1.3


Tablas variables cualitativas

Iniciaremos con la construcción de tablas para variables cualitativas en escala nominal. Recordemos que las variables medidas en esta escala no presentan orden especial y en algunos casos son ordenadas de mayor a menor frecuencia

Utilizaremos en este caso la función table()

# Colombia=readRDS(file = "data/Colombia23.RDS")
table(Colombia23$ubicacion)

        casa         Casa    Fallecido     Hospital Hospital UCI          N/A 
          12         9150           69          331           33           41 


data(iris)
table(iris$Species)

    setosa versicolor  virginica 
        50         50         50 


library(readr)
ventas <- read_csv("data/ventas.csv")
table(ventas$Metodo_Pago)

American Express         Discover       MasterCard        Star Card 
               4                8               28              140 
            Visa 
              20


En todos los casos podemos elaborar una tabla acompañada con los porcentajes (frecuencia relativa)


Paquete flextable

install.packages("flextable")
library(flextable)
ft1=table(ventas$Metodo_Pago)%>% 
        as.data.frame()
colnames(ft1)=c("Tipo de tarjeta", "Frecuencia Absoluta")
ft1=flextable(ft1)

set_flextable_defaults(
  font.size = 10, font.family = "Helvetica",
  font.color = "#333333",
  table.layout = "fixed",
  border.color = "gray",
  padding.top = 3, padding.bottom = 3,
  padding.left = 4, padding.right = 4)

ft1 <- ft1 %>%
    width(j = 1,  width = 2) %>%
    width(j = 2, width = 1)
ft1

Tipo de tarjeta

Frecuencia Absoluta

American Express

4

Discover

8

MasterCard

28

Star Card

140

Visa

20


El resultado corresponde a un conteo de cada uno de los valores de la variable. En caso de que se requiera calcular la proporción que corresponde cada caso utilizamos la función : prop.table() y se la aplicamos a la tabla anterior



ft2=table(ventas$Metodo_Pago)%>%
       prop.table() %>% 
          as.data.frame()
colnames(ft2)=c("Tipo de tarjeta", "Frecuencia relativa")
ft2=flextable(ft2)

set_flextable_defaults(
  font.size = 10, font.family = "Helvetica",
  font.color = "#333333",
  table.layout = "fixed",
  border.color = "gray",
  padding.top = 3, padding.bottom = 3,
  padding.left = 4, padding.right = 4)

ft2 <- ft2 %>%
    width(j = 1,  width = 2) %>%
    width(j = 2, width = 1)
ft2

Tipo de tarjeta

Frecuencia relativa

American Express

0.02

Discover

0.04

MasterCard

0.14

Star Card

0.70

Visa

0.10


Si utilizamos la función freq del paquete summarytools, la salida es una tabla más elaborada


summarytools::freq(ventas$Metodo_Pago, cumul = F)
Error in match.call(f, call): ... used in a situation where it does not exist
Frequencies  

                         Freq   % Valid   % Total
---------------------- ------ --------- ---------
      American Express      4      2.00      2.00
              Discover      8      4.00      4.00
            MasterCard     28     14.00     14.00
             Star Card    140     70.00     70.00
                  Visa     20     10.00     10.00
                  <NA>      0                0.00
                 Total    200    100.00    100.00



Tablas variables cuantitativas


Para el caso de las variables cuantitativas que presentan muchos valores difentes construir una tabla como las anteriores no tiene sentido, pues salen muchas categorias probablemente con frecuencia uno.

En este caso es necesario construir rangos que den sentido y que permitan resumir la información para una facil interpretación.

El ejemplo a continuación da cuenta de ello.

Supongamos que queremos analizar la variable edad y para ello debemos establecer los limites y cuantos intervalo vamos aconstruir. En este caso tenemos tres alternativas posible_

  1. Tomar los intervalos construidos en un estudio anterior con cual queremos comparar los nuestros
  2. Tomar intervalos de acuerdo a estudios anteriores o teorias sobre el tema
  3. Tomar intervalos de igual longitud. En este caso existen diferentes alternativas para establecer el numero de intervalos a construir. Uno de ellos indica como respuesta a este interrogante la formula construida por Sturgues (se puede conocer mediante la función nclass.Sturges(variable) ) que es utilizada por otras funcione en R

En el caso de la variable Edad podríamos proceder así:

Consultados los ciclos de la vida tenemos: + Primera Infancia (0-5 años) + Infancia (6 - 11 años) + Adolescencia (12 - 17 años) + Juventud (18 - 26 años) + Adultez (27- 59 años) + Persona Mayor (60 años o mas) envejecimiento y vejez



Colombia23$edadR[Colombia23$edad<=5]="1. (0  a 5  años]"
Colombia23$edadR[Colombia23$edad>5 & Colombia23$edad<=11]="2. (5  a 11 años]"
Colombia23$edadR[Colombia23$edad>11 & Colombia23$edad<=17]="3. (11 a 17 años]" 
Colombia23$edadR[Colombia23$edad>17 & Colombia23$edad<=26]="4. (17 a 26 años]"
Colombia23$edadR[Colombia23$edad>26 & Colombia23$edad<=59]="5. (26 a 59 años]"
Colombia23$edadR[Colombia23$edad>59]="6. (Más de 59 años]"
summarytools::freq(Colombia23$edadR)
Error in match.call(f, call): ... used in a situation where it does not exist
Frequencies  

                            Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
------------------------- ------ --------- -------------- --------- --------------
        1. (0  a 5  años]    310      3.22           3.22      3.22           3.22
        3. (11 a 17 años]    114      1.18           4.40      1.18           4.40
        4. (17 a 26 años]    993     10.31          14.71     10.31          14.71
        5. (26 a 59 años]   4094     42.49          57.19     42.49          57.19
      6. (Más de 59 años]   4125     42.81         100.00     42.81         100.00
                     <NA>      0                               0.00         100.00
                    Total   9636    100.00         100.00    100.00         100.00

Esta tabla nos permite identificar los rangos de mayor frecuencia

Tambien podemo realizar una tabla sin tener que realizar la recodificación. Esto se logra con la función hist()



Colombia23$edad <- as.numeric(Colombia23$edad)
h=hist(Colombia23$edad)

h$breaks   # puntos de corte
 [1]   0  10  20  30  40  50  60  70  80  90 100 110 120
h$counts   # frecuencias absolutas en cada intervalo
 [1]  953  344 1157 1165 1061 1214 1417 1283  842  195    4    1
h$density  # densidad en cada intervalo
 [1] 9.889996e-03 3.569946e-03 1.200706e-02 1.209008e-02 1.101079e-02
 [6] 1.259859e-02 1.470527e-02 1.331465e-02 8.738066e-03 2.023661e-03
[11] 4.151100e-05 1.037775e-05

Seria de interés tambien construir una tabla con las edades de las personas fallecidas por covid en Colombia, para lo cual debemos primero seleccionar la base de datos de las fallecidas y luego en ello construir la tabla

En este caso vamos a seleccionar los rangos de edad y luego construimos la tabla

Fallecidos=subset(Colombia23, estado=="fallecido")
breaks=seq(0,110, by=20)
Edad.fallecidos=cut(Fallecidos$edad, breaks)
summarytools::freq(Edad.fallecidos)
Error in match.call(f, call): ... used in a situation where it does not exist
Frequencies  

                 Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
-------------- ------ --------- -------------- --------- --------------
        (0,20]      0                                                  
       (20,40]      0                                                  
       (40,60]      0                                                  
       (60,80]      0                                                  
      (80,100]      0                                                  
          <NA>      0                                                  
         Total      0      0.00         100.00    100.00         100.00



O tambien

h=hist(Colombia23$edad, breaks = c(0,4.9, 11.9,17.9,26.9, 59.9,115))

# Con los valores contenidos en el objeto h construimos la tabla
LI=h$breaks[1:6]
LS=h$breaks[2:7]
FreAbs=h$counts
FreRel=round(h$counts/sum(h$counts),4)
FreAbAc=cumsum(FreAbs)
FreRAc=cumsum(FreRel)
data.frame(LI,LS,FreAbs,FreRel, FreAbAc, FreRAc)
    LI    LS FreAbs FreRel FreAbAc FreRAc
1  0.0   4.9    568 0.0589     568 0.0589
2  4.9  11.9    418 0.0434     986 0.1023
3 11.9  17.9    113 0.0117    1099 0.1140
4 17.9  26.9    867 0.0900    1966 0.2040
5 26.9  59.9   3797 0.3940    5763 0.5980
6 59.9 115.0   3873 0.4019    9636 0.9999



Tablas de doble entrada

table(Colombia23$ubicacion, Colombia23$estado)
              
               Fallecido Grave leve Leve Moderado  N/A
  casa                 0     0   12    0        0    0
  Casa                 0     0    0 9150        0    0
  Fallecido           69     0    0    0        0    0
  Hospital             0     0    0    0      331    0
  Hospital UCI         0    33    0    0        0    0
  N/A                  0     0    0    0        0   41
tabla1=table(Colombia23$ubicacion, Colombia23$estado) %>% 
            prop.table()*100 
            
                         
tabla1
              
                Fallecido      Grave       leve       Leve   Moderado
  casa          0.0000000  0.0000000  0.1245330  0.0000000  0.0000000
  Casa          0.0000000  0.0000000  0.0000000 94.9564134  0.0000000
  Fallecido     0.7160648  0.0000000  0.0000000  0.0000000  0.0000000
  Hospital      0.0000000  0.0000000  0.0000000  0.0000000  3.4350353
  Hospital UCI  0.0000000  0.3424658  0.0000000  0.0000000  0.0000000
  N/A           0.0000000  0.0000000  0.0000000  0.0000000  0.0000000
              
                      N/A
  casa          0.0000000
  Casa          0.0000000
  Fallecido     0.0000000
  Hospital      0.0000000
  Hospital UCI  0.0000000
  N/A           0.4254878



3. Indicadores descriptivos

Un indicador es un numero que resumen o representa un grupo de valores. El poder resumir una gran cantidad de valores en unos pocos, facilita el realizar un análisis de ellos

En el caso de las variables cualitativas en escala nominal, se pueden representar por el valor mas frecuente. A este valor se le conoce como Moda y lo podemos ver claramente en una tabla de frecuencias

En el caso de las variables cuantitativas tenemos varias alternativas para construirlos

Utilizando la función summary :

summary(Colombia23$edad)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00   30.00   52.00   49.44   70.00  112.00



Utilizando la función describe del pquete psych :

psych::describe(Colombia23$edad)
   vars    n  mean    sd median trimmed   mad min max range  skew kurtosis   se
X1    1 9636 49.44 24.99     52    50.4 29.65   1 112   111 -0.24    -0.91 0.25



Utilizando la función describe.by del paquete psych, que nos permite el calculo de las descritivas para varios grupos :

psych::describe.by(Colombia23$edad, group = Colombia23$ubicacion)

 Descriptive statistics by group 
group: casa
   vars  n  mean    sd median trimmed   mad min max range skew kurtosis   se
X1    1 12 54.08 16.08   47.5    54.2 18.53  29  78    49 0.19    -1.42 4.64
------------------------------------------------------------ 
group: Casa
   vars    n  mean    sd median trimmed   mad min max range  skew kurtosis   se
X1    1 9150 49.02 24.59     51   49.91 28.17   1 103   102 -0.22    -0.88 0.26
------------------------------------------------------------ 
group: Fallecido
   vars  n mean    sd median trimmed mad min max range  skew kurtosis   se
X1    1 69 76.9 14.51     81   78.51 8.9  31  99    68 -1.25     1.52 1.75
------------------------------------------------------------ 
group: Hospital
   vars   n mean    sd median trimmed   mad min max range  skew kurtosis   se
X1    1 331 52.1 32.43     65   53.47 31.13   1 112   111 -0.42    -1.37 1.78
------------------------------------------------------------ 
group: Hospital UCI
   vars  n  mean    sd median trimmed   mad min max range skew kurtosis   se
X1    1 33 55.33 30.24     70   57.67 17.79   2  91    89 -0.7    -1.23 5.26
------------------------------------------------------------ 
group: N/A
   vars  n  mean    sd median trimmed   mad min max range  skew kurtosis   se
X1    1 41 69.98 18.39     74   72.03 16.31  18  96    78 -0.92     0.06 2.87



Utilizando la función descr del paquete summaytools :

summarytools::descr(Colombia23$edad)
Error in match.call(f, call): ... used in a situation where it does not exist
Descriptive Statistics  

                    Colombia23$edad
----------------- -----------------
             Mean             49.44
          Std.Dev             24.99
              Min              1.00
               Q1             30.00
           Median             52.00
               Q3             70.00
              Max            112.00
              MAD             29.65
              IQR             40.00
               CV              0.51
         Skewness             -0.24
      SE.Skewness              0.02
         Kurtosis             -0.91
          N.Valid           9636.00
                N           9636.00
        Pct.Valid            100.00



YA ESTAMOS LISTOS PARA INTERPRETAR LA INFORMACIÓN !!




4. Documentos pdf con Rmd

A través de RStudio se pueden construir documentos en formatos PDF, DOC, HTML entre otros. En esta ocasión se describe como realizar un informe utilizando para ello un archivo Rmd en RStudio.

Inicialmente en RStudio abrimos un nuevo archivo en formato Rmd

File/New File/ R Markdown…

Al hacerlo se despliega la siguiente ventana

En este caso seleccionamos PDF para abrir una plantilla que nos ofrece el programa para orientar nuestros primeros pasos




---
title: "Untitled"
author: "dgonzalez"
date: "3/2/2022"
output: pdf_document
---


El primer bloque contiene información sobre el titulo del documento, el autor, la fecha y el formato de salida

Podemos tambien abregar un subtitulo: subtitle: “Subtitulo”

Despues de este bloque encontramos el cuerpo del documento que puede contener texto escrito de manera normal, código html, código Markdown y LaTeX

Algunas de las principales instrucciones para empezar son

Titulos

# Título 1
## Título 2
### Título 3
#### Título 4
##### Título 5
#####  Títuñlo 6

Listas

+ Punto 1
+ Punto 2
+ Punto 3
  + Punto 3.1
  + Punto 3.2

Tambien se pueden hacer numerada

1. Punto 1
2. Punto 2
3. Punto 3
  1. Punto 1
  2. Punto 2
  3. Punto 3

Permite tambien escribir ecuaciones en codigo LaTeX, como por ejemplo

$$\dfrac{1}{n}\sum_{i=1}^{n} x_{i} = \bar{x}$$

\[\dfrac{1}{n}\sum_{i=1}^{n} x_{i} = \bar{x}\]

Una de sus principales ventajas es el de permitir correr código R y de otros lenguajes como Phyton, SQL, entre otros

Para ello utilizamos el botón +c ubicado en la barra superior de la ventana Source

Dentro de este bloque podemos correr codigo R y asi ubicar dentro del documento tablas, indicadores o gráficos

En la siguiente página pueden encotrar resumen de varios paquetes de R dentro de los cuales está RMardown

https://www.rstudio.com/resources/cheatsheets/



Otros formatos de tablas

df <- data.frame(
  id = 1:10,
  nombre = c("Juan", "Carlos", "James", "David", "Jenny", "Harold", "Leonardo", "John", "Ana", "Luz"),
  edad = c(20, 25, 22, 28, 21, 23, 25, 20, 21, 20),
  grado = c("C", "A", "A", "C", "B", "B", "A", "C", "C", "C"),
  Examen1 = c(3.8, 4.1, 4.0, 3.9, 4.0, 4.3, 3.6, 3.7, 3.8, 3.8),
  Examen2 = c(3.9, 3.9, 4.0, 3.9, 3.8, 3.6, 4.0, 4.0, 3.9, 3.8),
  Promedio = c(3.9, 4.0, 4.1, 3.6, 3.7, 4.6, 3.5, 3.6, 3.8, 3.7),
  Entrevista = c(TRUE, FALSE, TRUE, FALSE, TRUE, TRUE, TRUE, FALSE, FALSE, FALSE),
  stringsAsFactors = FALSE
)

df
   id   nombre edad grado Examen1 Examen2 Promedio Entrevista
1   1     Juan   20     C     3.8     3.9      3.9       TRUE
2   2   Carlos   25     A     4.1     3.9      4.0      FALSE
3   3    James   22     A     4.0     4.0      4.1       TRUE
4   4    David   28     C     3.9     3.9      3.6      FALSE
5   5    Jenny   21     B     4.0     3.8      3.7       TRUE
6   6   Harold   23     B     4.3     3.6      4.6       TRUE
7   7 Leonardo   25     A     3.6     4.0      3.5       TRUE
8   8     John   20     C     3.7     4.0      3.6      FALSE
9   9      Ana   21     C     3.8     3.9      3.8      FALSE
10 10      Luz   20     C     3.8     3.8      3.7      FALSE



# colnames(df1)=c("Id", "Nombre", "Edad","grado", "Nota1", "Nota2", "Nota_Final", "Entrevista")
df1=flextable(df)
df1

id

nombre

edad

grado

Examen1

Examen2

Promedio

Entrevista

1

Juan

20

C

3.8

3.9

3.9

TRUE

2

Carlos

25

A

4.1

3.9

4.0

FALSE

3

James

22

A

4.0

4.0

4.1

TRUE

4

David

28

C

3.9

3.9

3.6

FALSE

5

Jenny

21

B

4.0

3.8

3.7

TRUE

6

Harold

23

B

4.3

3.6

4.6

TRUE

7

Leonardo

25

A

3.6

4.0

3.5

TRUE

8

John

20

C

3.7

4.0

3.6

FALSE

9

Ana

21

C

3.8

3.9

3.8

FALSE

10

Luz

20

C

3.8

3.8

3.7

FALSE

library(formattable)

formattable(df, list(
  edad = color_tile("transparent", "lightpink"),
  Examen1 = color_bar("lightgreen"),
  Examen2 = color_bar("lightblue"),
  Promedio = color_bar("lightgreen"))
)
id nombre edad grado Examen1 Examen2 Promedio Entrevista
1 Juan 20 C 3.8 3.9 3.9 TRUE
2 Carlos 25 A 4.1 3.9 4.0 FALSE
3 James 22 A 4.0 4.0 4.1 TRUE
4 David 28 C 3.9 3.9 3.6 FALSE
5 Jenny 21 B 4.0 3.8 3.7 TRUE
6 Harold 23 B 4.3 3.6 4.6 TRUE
7 Leonardo 25 A 3.6 4.0 3.5 TRUE
8 John 20 C 3.7 4.0 3.6 FALSE
9 Ana 21 C 3.8 3.9 3.8 FALSE
10 Luz 20 C 3.8 3.8 3.7 FALSE