Taller de gráficas
Métodos Cuantitativos (R)
El objetivo de este taller es desarrollar en el estudiante la habilidad de comprender el uso y
la aplicación de diferentes gráficas que facilitan la interpretación y el entendimiento de los
resultados en un análisis estadístico, enfocado principalmente a la utilización de éstas en R
¿Qué tipo de gráficas existen?
La demostración de datos estadísticos a través de gráficas
permite entender e interpretar de manera más fácil los
resultados, es por eso que existen diferentes tipos de gráficas
o diagramas, que son usados para conjuntos específicos
de datos, de los cuales se seleccionaron algunos para ser
explicados a continuación.
Diagrama de Barras
En este tipo de gráfica, sobre los valores de las variables
se levantan barras estrechas de longitudes proporcionales a
las correspondientes. Se utilizan para representar variables
cuantitativas discretas.
Este gráfico es útil para representar datos categóricos
nominales u ordinales. A cada categoría o clase de la variable
se le asocia una barra cuya altura representa la frecuencia o
la frecuencia relativa de esa clase. Las barras difieren sólo en
altura, no en ancho. La escala en el eje horizontal es arbitraria
y en general, las barras se dibujan equiespaciadas, por esta
razón este tipo de gráfico sólo debe usarse para variables
categóricas. Es importante que el eje vertical comience en
cero, de modo que no se exageren diferencias entre clases.
En un gráfico de barras, así como en cualquier tipo de gráfico
se debe indicar el número total de datos ya que el gráfico
sólo muestra porcentajes o frecuencias relativas y la fuente
de la que se obtuvieron los mismos. Por otro lado, cuando
se desean comparar dos o más distribuciones de datos, por
ejemplo la misma variable cualitativa a través de los años, el
modo más simple de hacerlo es por medio de un gráfico de
barras combinadas.
Para crear un diagrama de barras en R, podemos hacer uso
del paquete "Graphics", el cual viene integrado por defecto
con el lenguaje. La función que nos permite realizar este tipo
de gráficas es barplot(x), donde x es un vector o matriz que
contiene los datos que queremos graficar. Esta función recibe
varios valores como parámetros pero nos centraremos en los
más importantes los cuales son:
width: Vector opcional que contiene el grosor deseado
de la barra de cada variable
space: Espacio deseado después de cada barra
beside: Valor lógico que cambia la gráfica de valores
por barra juntos a separados
names.arg: Vector de nombres que se desea graficar
por debajo de cada barra o grupo de barras
horiz: Valor lógico que modifica la manera en que son
dibujadas las barras
main, sub: Título general y subtítulo del gráfico
xlab, ylab: Nombres de los ejes
xlim, ylim: Límites de los ejes
col: valor o valores de colores para rellenar las barras
Ejemplo básico:
datos=table(basedatos)
barplot(data=datos, main=’Titulo Gráfica’, xlab=’eje X’,
ylab=’eje Y’)
De igual manera, se puede hacer uso de otras librerías
para realizar esta gráfica, con el objetivo de realizar tareas
que no pueden ser realizadas de manera regular con el
paquete "Graphics sus respectivas funciones. Una de las
2
librerías es "ggplot"la cual funciona de manera diferente a
la anteriormente vista, ya que en vez de usar comandos, se le
asigna el una función a una variable que posteriormente será
visualizada.
Ejemplo ggplot:
grafica=ggplot(data=datos, aes(x=eje x, y=eje
y))+geom_bar(stat=ïdentity")
grafica
Histograma de Frecuencia
Sirven para visualizar la distribución de una única
variable continúa dividiendo el eje x en intervalos con
números específicos de observaciones. Normalmente, los
histogramas presentan la información de recuento por medio
de barras. Sin embargo, es necesario saber que los gráficos
de frecuencia pretenden mostrar la distribución de los datos,
2 MÉTODOS CUANTITATIVOS (R)
y esta dependerá del número de clases o intervalos que se
incluyan.
Es común que durante el manejo de datos, se confunda
el uso de gráficos de barras cuando en realidad debe usarse
un histograma de frecuencia. Recuerden que el gráfico de
barras no tiene en cuenta el hecho de que los intervalos de
clases tiene una longitud normalmente simétrica. Asimismo
este representa el porcentaje en la altura de la barra, mientras
que el histograma muestra el porcentaje en el área de la barra.
Por último, en los gráficos de barras, éstas se encuentran
separadas para denotar una falta de continuidad, por tanto, si
se está graficando una variable continua, es imperativo el uso
del histograma, dado que no habrá saltos en la distribución
por el tipo de dato de la variable.
Ahora bien, ¿cuándo usar cada uno de los gráficos
mencionados? Se debe tener en cuenta que:
- Cuando la variable que define los grupos es categórica
corresponde usar un gráfico de barras.
- Cuando la variable que define las categorías es
numérica, en general lo que interesa es estudiar la
distribución de casos en las distintas edades, por lo
tanto es preferible el histograma ya que la escala del
eje horizontal respeta la escala de la variable de interés.
- Para variables numéricas discretas con pocos valores
posibles puede utilizarse un gráfico de barras.
Para hacer uso de este tipo de gráfica y dibujarla en
R, podemos también hacer uso de la librería de graphics
utilizando la función hist(x), siendo x el vector del cual
queremos graficar los datos, la cual funciona de manera
muy similar a la vista anteriormente y tiene los siguientes
parámetros:
freq: valor lógico que indica si la gráfica demuestra
frecuencias o probabilidades, como una función de
densidad.
include.lowest: valor lógico que incluye un valor x[i]
como el primero en la gráfica.
El resto de los parámetros son muy similares al de la
anterior gráfica.
Ejemplo básico:
datos=table(basedatos)
hist(data=datos, main=’Título Gráfica’,xlab=’eje
x’,xlim=c(50,100),col="darkmagenta", freq=TRUE)
Polígonos de Frecuencia
El polígono de frecuencias es similar al histograma en
muchos aspectos, pero pretende dar una imagen aproximada
de la “curva” definida por la distribución de la variable. Para
construirlo se usan los mismos ejes que en el histograma.
Se indica en la escala horizontal el punto medio de cada
intervalo y en la escala vertical la escala densidad para ese
intervalo, esto define pares (x, y) en el gráfico que se unen
con tramos de líneas rectas. Se marcan además los puntos
medios del intervalo que precede al primero y del que sigue al
último. No obstante este tipo de gráfico es adecuado cuando
se quiere comparar la distribución entre los niveles de una
variable categórica. El polígono de frecuencias es un gráfico
útil para comparar dos distribuciones de frecuencias.
Para poder graficar un polígono de frecuencias es
necesario instalar una librería, que facilitará el proceso,
llamada .agricolae". Específicamente usaremos la función
polygon(x), siendo x el return de la funcion hist(), con
todos los parametros de la función anterior, con la adición
de uno nuevo llamado frequency, el cual indica el
tipo de histograma que se está graficando, 1=frecuencia,
2=frecuencia relativa, 3=densidad de probabilidad.
Ejemplo agricolae:
datos=table(basedatos)
x=hist(data=datos, main=’Titulo Grafica’,xlab=’eje
x’,xlim=c(0,100),col="darkmagenta", freq=TRUE)
polygon(x, frequency=1, color=’red’)
Gráfico Circular o Pie Chart
En este gráfico, ampliamente utilizado, se representa la
frecuencia relativa de cada categoría como una porción
de un círculo, en la que el ángulo se corresponde con la
frecuencia relativa. Es importante indicar el número total de
sujetos. Esta representación gráfica es muy simple y permite
comparar la distribución de una variable categórica en 2 o
más grupos.
Es importante tener en cuenta los siguientes aspectos al
momento de diseñar un gráfico circular :
- Se debe identificar el “todo” así como sus partes.
- Cada elemento estudiado debe pertenecer solo a una
categoría.
- Se deben representar las proporciones para cada
categoría de la variable.
- La suma de las proporciones no debe exceder al 100 %.
- Se debe utilizar para representar máximo 5 categorías.
- Si la suma de las categorías más grandes y más
importantes suman menos del 100 %, entonces las
otras categorías se deben de agrupar en una sola, la
cual se debe identificar con el nombre de “otras”,
“varios”, etc.
Ahora bien, es importante resaltar que la información
que brindan los dos tipos de gráficos, gráfico de barras y
 INSERT SHORTTITLE COMMAND IN PREAMBLE
gráfico circular, es equivalente. Sin embargo, el gráfico de
barras resulta más natural para comparar las distribuciones
de dos grupos, debido a que el ojo humano percibe mejor
diferencias en longitudes que en ángulos. Por otra parte, en el
gráfico de barras todas las barras comienzan al mismo nivel,
lo que facilita la comparación.
Los gráficos circulares pueden ser dibujados con la
librería por defecto ’graphics’ usando la función pie(x),
siendo x el vector de datos que queremos graficar. Esta
función recibe como parámetros más importantes los
siguientes:
labels: valor o valores de los nombres de las partes en
el piechart
radius: valor del tamaño del círculo
Ejemplo básico:
datos=cbind(10,5,8,6,9)
nombres=cbind(’a’,’b’,’c’,’d’,’e’)
pie(datos,labels=nombres, main=’Titulo Grafica’)
De igual manera, podemos usar la librería aprendida
anteriormente para realizar este tipo de gráficas.
Ejemplo ggplot:
datos=cbind(10,5,8,6,9)
nombres=cbind(’a’,’b’,’c’,’d’,’e’)
piechart=ggplot(datos, aes(x=’eje x’, y=datos,
fill=nombres))+ geom_bar(width = 1, stat = ’identity’)+
coord_polar(’y’, start=0)
piechart
Boxplot
En estadísticas descriptivas, un diagrama de caja o boxplot
es un método para representar gráficamente grupos de datos
numéricos a través de sus cuartiles. Los diagramas de caja
también pueden tener líneas que se extienden verticalmente
desde las cajas (bigotes) que indican variabilidad fuera
de los cuartiles superior e inferior, de ahí el término
box-and-whisker plot. Los valores atípicos se pueden trazar
como puntos individuales. Los diagramas de caja no son
paramétricos: muestran la variación en las muestras de
una población estadística sin hacer ninguna suposición de
la distribución estadística. Los espaciamientos entre las
diferentes partes del cuadro indican el grado de dispersión
y la asimetría en los datos, y muestran valores atípicos.
Además de los puntos en sí, permiten estimar visualmente
varios valores, por ejemplo el rango entre otros. Los
diagramas de caja se pueden dibujar horizontal o
verticalmente.
Para graficar un diagrama de caja en R se puede llevar
a cabo con la librería básica ’graphics’, con la función
3
boxplot(x,data=) donde x es una formula que relaciona los
datos con la agrupación, dicha formula generalmente toma
la forma de y-group. A continuación usaremos los mismos
datos del ejemplo anterior para hacer un diagrama de caja.
Ejemplo básico:
datos=cbind(10,5,8,6,9)
frecuencia=cbind(3,2,1,2,3)
nombres=cbind(’a’,’b’,’c’,’d’,’e’)
boxplot(datos-frecuencia,names=nombres, main=’Titulo
Grafica’)
Gráficos de Dispersión
Es un gráfico muy simple y útil para estudiar relaciones
entre dos variables cuantitativas. Se dibuja un sistema de
coordenadas cartesianas en el que se representan los valores
que toman las dos variables para cada sujeto o unidad de
análisis. Se acostumbra asignar la variable independiente al
eje horizontal (comúnmente denominado eje X) y la variable
dependiente al eje vertical (eje Y).
La nube resultante de puntos permite evaluar si existe
relación entre las dos variables y la naturaleza de tal relación.
Si es lineal, curvilínea, exponencial, logarítmica, cíclica,
creciente, decreciente, etc. o si no hay relación aparente entre
las variables.
Para interpretar un gráfico de dispersión debe mirarse el
patrón general que siguen los puntos. Este patrón debería
revelar la dirección, forma y fuerza de la relación entre
las dos variables. En el caso de desear encontrar una
relación lineal entre variables, es necesario realizar una
regresión lineal de los datos. En esencia para saber qué
comportamiento tienen las variables a comparar y para
determinar si la relación es efectivamente lineal y valdría
la pena realizar el análisis de dicha relación por medio del
coeficiente de correlación lineal de Pearson.
Por último, al graficar una nube de puntos o gráfico de
dispersión, únicamente es necesario usar la función más
básica del paquete ’graphics’, plot(x,y,...) siendo x e y los
datos que deseamos graficar. El resto de los parámetros son
los mismos que para las funciones anteriores.
Para realizar una linea de regresión debemos usar la
función lm(y-x) la cual crea un modelo de regresión lineal
entre la variable dependiente y y la independiente x y por
último se grafica el resultado con la función abline(r) siendo
r el return de la función lm(y-x)
Ejemplo básico:
datosx=table(databasex)
datosy=table(databasey)
plot(x,y,main=’Título Gráfica’,xlab=’ejex’,ylab=’ejey’)
abline(lm(y-x), col=red")