Identificación de patrones y valores atípicos

Encontrar patrones y valores atípicos es fundamental para comprender la distribución de los datos, detectar tendencias e identificar anomalías.

Utilice plot() para crear gráficos de líneas y detectar patrones a lo largo del tiempo.

x <- 1:10
y <- c(2, 4, 6, 8, 10, 12, 14, 18, 22, 28)
plot(x, y, type='l', col='blue', main='Line Chart of Trends')

Utilice boxplot() para encontrar valores extremos en conjuntos de datos numéricos.

boxplot(mtcars$mpg, main='Boxplot of MPG', col='red')

Los histogramas ayudan a visualizar la forma de la distribución de los datos y a detectar valores inusuales.

hist(mtcars$hp, col='green', main='Histogram of Horsepower')

Los diagramas de dispersión pueden mostrar patrones o valores atípicos inesperados en las relaciones entre dos variables.

plot(mtcars$mpg, mtcars$hp, main='MPG vs Horsepower', xlab='MPG', ylab='Horsepower', col='blue')

Las puntuaciones Z miden qué tan alejado está un dato de la media. Los valores superiores a ±3 se consideran valores atípicos.

z_scores <- scale(mtcars$mpg)
outliers <- mtcars$mpg[abs(z_scores) > 3]

El método del rango intercuartílico (RIC) identifica como valores atípicos los que superan 1.5 veces el rango del RIC.

Q1 <- quantile(mtcars$mpg, 0.25)
Q3 <- quantile(mtcars$mpg, 0.75)
IQR_value <- Q3 - Q1
outliers <- mtcars$mpg[mtcars$mpg < (Q1 - 1.5 * IQR_value) | mtcars$mpg > (Q3 + 1.5 * IQR_value)]

Los valores atípicos pueden eliminarse, transformarse o reemplazarse según el contexto de los datos.

filtered_data <- mtcars[!(mtcars$mpg %in% outliers),]

En esta lección, ha aprendido:

• Cómo identificar patrones mediante visualizaciones.
• Cómo detectar valores atípicos mediante métodos estadísticos.
• Cómo tratar los valores atípicos según el contexto.