Tutorial de diagrama de caja en R

La función boxplot() muestra cómo varía la distribución de una variable numérica y según los distintos niveles de una segunda variable, x. Para que sea efectiva, esta segunda variable no debería tener demasiados niveles distintos (por ejemplo, 10 o menos es adecuado; muchos más complican la interpretación del gráfico).

La función boxplot() también acepta varios parámetros opcionales, y en este ejercicio vas a usar tres de ellos para obtener un gráfico más informativo:

• varwidth permite usar cajas de anchura variable para reflejar el tamaño de cada subconjunto de datos.
• log aplica una transformación logarítmica a los valores del eje y.
• las mejora la legibilidad de las etiquetas de los ejes.

Cuándo usar un diagrama de caja

• Cuando tienes una variable continua segmentada por una variable categórica.

• Cuando quieres comparar las distribuciones de la variable continua en cada categoría.

Histograma vs. diagrama de caja

• A continuación se compara un histograma con un diagrama de caja. La línea central muestra la mediana de la distribución. Es decir, la mitad de los monarcas empezó a reinar antes de esa edad y la otra mitad después.

• La caja del diagrama se extiende desde el cuartil inferior hasta el cuartil superior. El cuartil inferior es el punto por debajo del cual se sitúa una cuarta parte de los valores. Es decir, un cuarto de los monarcas empezó a reinar antes de esa edad y tres cuartos después. Del mismo modo, el cuartil superior es la edad por debajo de la cual empezó a reinar tres cuartas partes de los monarcas. La diferencia entre el cuartil superior y el inferior se denomina rango intercuartílico.

Las líneas horizontales, llamadas "bigotes", tienen una definición algo más técnica. Cada bigote se extiende hasta una vez y media el rango intercuartílico, pero se limita a alcanzar puntos de datos reales.

La definición formal se muestra en la imagen siguiente, pero en la práctica puedes pensar que los bigotes se extienden lo suficiente como para que cualquier punto fuera de ellos sea un valor extremo.

Como se mencionó, la gran ventaja de los diagramas de caja es que permiten comparar muchas distribuciones a la vez. Aquí, las casas reales están ordenadas de la más antigua (arriba) a la más reciente (abajo).

Se aprecia una tendencia: desde los Plantagenet en el siglo XIV, las cajas se desplazan gradualmente hacia la derecha, lo que indica que las edades a las que los nuevos monarcas ascienden al trono han ido en aumento.

Godwin y Blois aparecen como una sola línea porque solo hubo un rey de cada casa. La casa de Anjou tuvo únicamente tres reyes y forma una caja con un solo bigote, no dos.

Fíjate en que los diagramas de caja de las casas de Denmark y Windsor muestran algunos puntos. Son valores extremos, es decir, valores fuera del rango de los bigotes. El valor atípico más a la izquierda de Windsor es Isabel II, que ascendió con 26 años.

boxplot(), la función

En el siguiente ejemplo, usando la interfaz de fórmulas, crearás un diagrama de caja que muestra la distribución de los valores numéricos de crim en los distintos valores de rad del Boston data frame. Después, usa el parámetro varwidth para obtener cajas de anchura variable, especifica un eje y en escala logarítmica y establece las igual a 1 para mostrar etiquetas horizontales tanto en el eje x como en el y.

Por último, utiliza la función title() para añadir el título "Crime rate vs. radial highway index".

# Crear un diagrama de caja de anchura variable con eje y logarítmico y etiquetas horizontales
boxplot(crim ~ rad, data = Boston,
        varwidth = TRUE, log = "y", las = 1)

# Añadir un título
title("Crime rate vs. radial highway index")

Al ejecutar el código anterior, obtendrás el siguiente resultado:

Pruébalo tú mismo.

Si quieres saber más sobre los diagramas de caja, echa un vistazo a este vídeo de nuestro curso Understanding Data Visualization.

Este contenido procede del curso Understanding Data Visualization de Richie Cotton y de nuestro curso Data Visualization in R de Ronald Pearson en DataCamp.