# Calcula estadísticos descriptivos básicos en R > Calcular estadísticos descriptivos, como promedio, mediana y cuartiles, es un paso inicial de la exploración de datos. En este post aprendemos varias formas de calcular descriptivos personalizables a todas las variables de tu dataframe al mismo tiempo. - URL: https://bastianolea.rbind.io/blog/estadisticos_descriptivos/ - Fecha: 2025-12-02 - Autor: Bastián Olea Herrera - Etiquetas: estadísticas, básico, dplyr --- Calcular estadísticos descriptivos en R es tan simple como usar la función `summary()` sobre cualquier tabla de datos o *dataframe*. ## Estadísticos descriptivos iniciales Usaremos como ejemplo el conjunto de datos `iris`, que viene incorporado en R, para aplicarle `summary()` y así obtener sus **estadísticos descriptivos**. ``` r summary(iris) ``` Sepal.Length Sepal.Width Petal.Length Petal.Width Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300 Median :5.800 Median :3.000 Median :4.350 Median :1.300 Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800 Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500 Species setosa :50 versicolor:50 virginica :50 La función `summary()` calcula estadísticos descriptivos básicos para cada variable numérica del conjunto de datos, incluyendo: - **Mínimo** y **máximo** - **Mediana:** el valor central, si los datos se ordenaran de menor a mayor - **Promedio** - **Primer y tercer cuartil:** si se ordenan los datos de menor a mayor, el primer cuartil indica el valor que corta la distrución de manera que el 25% de los datos son menores o iguales a él, y el tercer cuartil lo mismo pero cortando el 75% de los datos son menores o iguales a él. ## Estadísticos descriptivos con `{dplyr}` Si queremos tener más control sobre los cálculos de estadísticos descriptivos, podemos usar `{dplyr}`. Vamos a partir viendo cómo se hace un sólo estadístico descriptivo promedio para una sola variable, y vamos a ir avanzando desde ahí hasta poder aplicar **múltiples estadísticos descriptivos a todas las variables**. ### Calcular promedio con `summarize()` Si bien `{dplyr}` no tiene una función que lo haga automáticamente como `summary()`, podemos usar la función `summarize()` para calcular **resúmenes estadísticos**. A `summarize()` le damos una función que usaremos para *resumir* los datos a una sola fila. Por ejemplo, calculemos el **promedio** de una variable: ``` r library(dplyr) iris |> summarize( promedio = mean(Sepal.Length) ) ``` promedio 1 5.843333 ### Calcular promedio de varias variables con `summarize(across())` Para hacerlo más útil, en vez de calcular para una sola variable, podemos pedirle que calcule el promedio para todas las variables numéricas. Esto lo logramos usando `across()`, que permite aplicar las operaciones a varias columnas a la vez, indicando que queremos aplicar la operación *donde* (`where()`) las variables *sean numéricas* (`is.numeric`). Entonces, este código calculará el promedio para todas las columnas numéricas del *dataframe*: ``` r iris |> summarize( # resumir los datos across( # donde las columnas where(is.numeric), # sean numéricas ~mean(.x), # calculando el promedio .names = "{col}_promedio") # cambiar el nombre de columnas ) ``` Sepal.Length_promedio Sepal.Width_promedio Petal.Length_promedio 1 5.843333 3.057333 3.758 Petal.Width_promedio 1 1.199333 ### Estadísticos descriptivos con `summarize()` Siguiendo los mismos principios, ahora podemos calcular varios estadísticos descriptivos a la vez agregándolos a `summarize()`. Primero calculemos los descriptivos para una sola variable: ``` r iris |> # definir variable rename(var = Petal.Width) |> # omitir datos perdidos filter(!is.na(var)) |> # calcular summarize( "minimo" = min(var), "primer" = quantile(var, probs = 0.25), "promedio" = mean(var), "mediana" = median(var), "tercer" = quantile(var, probs = 0.75), "maximo" = max(var), "desviacion" = sd(var) ) ``` minimo primer promedio mediana tercer maximo desviacion 1 0.1 0.3 1.199333 1.3 1.8 2.5 0.7622377 ### Estadísticos descriptivos por grupo La gracia de `{dplyr}` es que al código anterior podemos agregarle una agrupación (`group_by()`) para calcular los mismos estadísticos descriptivos **por grupos**: ``` r iris |> # definir variable rename(var = Petal.Width) |> # omitir datos perdidos filter(!is.na(var)) |> # grupo group_by(Species) |> # calcular summarize( "minimo" = min(var), "primer" = quantile(var, probs = 0.25), "promedio" = mean(var), "mediana" = median(var), "tercer" = quantile(var, probs = 0.75), "maximo" = max(var), "desviacion" = sd(var) ) ``` # A tibble: 3 × 8 Species minimo primer promedio mediana tercer maximo desviacion 1 setosa 0.1 0.2 0.246 0.2 0.3 0.6 0.105 2 versicolor 1 1.2 1.33 1.3 1.5 1.8 0.198 3 virginica 1.4 1.8 2.03 2 2.3 2.5 0.275 ### Estadísticos descriptivos para todas las variables Podemos **automatizar el cálculo** de todos los estadísticos descriptivos para **todas las variables** numéricas usando `across()` dentro de `summarize()`. El resultado lo podemos [transformar a formato largo](https://bastianolea.rbind.io/blog/r_introduccion/tidyr_pivotar/) con `{tidyr}` para facilitar su lectura: ``` r library(tidyr) iris |> summarise( across(where(is.numeric), list("minimo" = ~min(.x), "primer" = ~quantile(.x, probs = 0.25), "promedio" = ~mean(.x), "mediana" = ~median(.x), "tercer" = ~quantile(.x, probs = 0.75), "maximo" = ~max(.x), "desviacion" = ~sd(.x)) ) ) |> pivot_longer(everything(), names_sep = "_", names_to = c("variable", ".value")) ``` # A tibble: 4 × 8 variable minimo primer promedio mediana tercer maximo desviacion 1 Sepal.Length 4.3 5.1 5.84 5.8 6.4 7.9 0.828 2 Sepal.Width 2 2.8 3.06 3 3.3 4.4 0.436 3 Petal.Length 1 1.6 3.76 4.35 5.1 6.9 1.77 4 Petal.Width 0.1 0.3 1.20 1.3 1.8 2.5 0.762 ### Estadísticos descriptivos para todas las variables, por grupos Finalmente, el mismo proceso anterior de calcular todos los descriptivos para todas las variables, pero ahora **por grupos**, simplemente agregándole `group_by()` al código y cambiando las columnas a pivotar para que no incluya la variable de grupo: ``` r iris |> rename(grupo = Species) |> group_by(grupo) |> summarise( across(where(is.numeric), list("minimo" = ~min(.x), "primer" = ~quantile(.x, probs = 0.25), "promedio" = ~mean(.x), "mediana" = ~median(.x), "tercer" = ~quantile(.x, probs = 0.75), "maximo" = ~max(.x), "desviacion" = ~sd(.x)) ) ) |> pivot_longer(c(everything(), -grupo), # todas menos la variable de agrupación names_sep = "_", names_to = c("variable", ".value")) ``` # A tibble: 12 × 9 grupo variable minimo primer promedio mediana tercer maximo desviacion 1 setosa Sepal.Len… 4.3 4.8 5.01 5 5.2 5.8 0.352 2 setosa Sepal.Wid… 2.3 3.2 3.43 3.4 3.68 4.4 0.379 3 setosa Petal.Len… 1 1.4 1.46 1.5 1.58 1.9 0.174 4 setosa Petal.Wid… 0.1 0.2 0.246 0.2 0.3 0.6 0.105 5 versicolor Sepal.Len… 4.9 5.6 5.94 5.9 6.3 7 0.516 6 versicolor Sepal.Wid… 2 2.52 2.77 2.8 3 3.4 0.314 7 versicolor Petal.Len… 3 4 4.26 4.35 4.6 5.1 0.470 8 versicolor Petal.Wid… 1 1.2 1.33 1.3 1.5 1.8 0.198 9 virginica Sepal.Len… 4.9 6.22 6.59 6.5 6.9 7.9 0.636 10 virginica Sepal.Wid… 2.2 2.8 2.97 3 3.18 3.8 0.322 11 virginica Petal.Len… 4.5 5.1 5.55 5.55 5.88 6.9 0.552 12 virginica Petal.Wid… 1.4 1.8 2.03 2 2.3 2.5 0.275 Si bien R base trae herramientas útiles como `summary()`, metiéndole un poco de `{dplyr}` podemos tener formas más flexibles y personalizables para calcular estadísticos descriptivos. ## Estadísticos descriptivos con `{skimr}` Otra alternativa a `summary()` es la función `skim()` del [paquete `{skimr}`](https://docs.ropensci.org/skimr/), que nos entrega resúmenes estadísticos permite obtener un resumen estadístico más completo y visualmente atractivo. Instalamos el paquete: ``` r install.packages("skimr") ``` Luego lo probamos con nuestros datos: ``` r library(skimr) skim(iris) ``` La función entregará tablas con resúmenes de cantidad de observaciones, tipo de las columnas, y estadísticas descriptivas específicas para variables categóricas y numéricas. ``` r ── Data Summary ──────────────────────── Values Name iris Number of rows 150 Number of columns 5 _______________________ Column type frequency: factor 1 numeric 4 ________________________ Group variables None ── Variable type: factor ─────────────────────────────────────────────────────────────────────────── skim_variable n_missing complete_rate ordered n_unique top_counts 1 Species 0 1 FALSE 3 set: 50, ver: 50, vir: 50 ── Variable type: numeric ────────────────────────────────────────────────────────────────────────── skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist 1 Sepal.Length 0 1 5.84 0.828 4.3 5.1 5.8 6.4 7.9 ▆▇▇▅▂ 2 Sepal.Width 0 1 3.06 0.436 2 2.8 3 3.3 4.4 ▁▆▇▂▁ 3 Petal.Length 0 1 3.76 1.77 1 1.6 4.35 5.1 6.9 ▇▁▆▇▂ 4 Petal.Width 0 1 1.20 0.762 0.1 0.3 1.3 1.8 2.5 ▇▁▇▅▃ ``` _Gracias a [Darakhshan Nehal](https://www.linkedin.com/in/darakhshan-nehal-b38747154/) por enseñarme esta función!_