Explorar la agregaciĆ³n
Objetivos de aprendizaje
DespuƩs de completar esta unidad, podrƔ:
- Definir quĆ© es una agregaciĆ³n.
- Aplicar diferentes tipos de agregaciĆ³n.
ĀæQuĆ© es la agregaciĆ³n?
La agregaciĆ³n se refiere a una recopilaciĆ³n de datos cuantitativos y puede mostrar tendencias de grandes volĆŗmenes de datos. Por ejemplo, sumar todas las bĆŗsquedas web para un campamento especĆfico o calcular los ingresos promedio de todos los asalariados en una ciudad.
En muchas herramientas de anƔlisis, las variables cuantitativas se agregan de forma predeterminada, pero pueden desagregarse para reflejar los puntos de datos de cada valor en cada fila de la fuente de datos.
Estas son algunas agregaciones comunes.
Agregado | DescripciĆ³n | Ejemplo: 3, 3, 6 |
---|---|---|
Suma |
El total aritmƩtico de los valores |
3 + 3 + 6 = 12 Suma = 12 |
Promedio |
La media aritmĆ©tica de los valores (es decir, la suma dividida por el nĆŗmero de valores) |
3 + 3 + 6 = 12 12/3 = 4 Promedio = 4 |
Mediana |
El valor medio de una lista de valores ordenados de menor a mayor (o de mayor a menor) |
3, 3, 6 Valor medio = 3 |
MĆnimo |
El valor mƔs bajo |
3, 3, 6 MĆnimo = 3 |
MƔximo |
El valor mayor |
3, 3, 6 MƔximo = 6 |
Conteo |
El nĆŗmero de valores (en una tabla de datos, el nĆŗmero de filas o registros) |
Existen tres valores Conteo = 3 |
Conteo distinto (o conteo Ćŗnico) |
El nĆŗmero de valores distintos, donde cada valor Ćŗnico se cuenta solamente una vez (en una tabla de datos, el nĆŗmero de filas Ćŗnicas de registros) |
Hay dos valores Ćŗnicos, 3 y 6 Conteo distinto (o conteo Ćŗnico) = 2 |
Ejemplos de agregaciĆ³n
Veamos algunos ejemplos de agregaciones y el impacto que tienen en el anĆ”lisis de datos. Usaremos datos de encuesta asociados a una prueba de vocabulario en lĆnea. Cada participante realizĆ³ un cuestionario de vocabulario en lĆnea y luego respondiĆ³ algunas preguntas demogrĆ”ficas sobre sĆ mismo.
Ver una visualizaciĆ³n con una variable cuantitativa agregada
Consultemos la variable cuantitativa Age (Edad) en la siguiente visualizaciĆ³n. Observe que la agregaciĆ³n de Sum (Suma) suma todos los valores de la variable Age (Edad) para un total de 420 085 aƱos.
En el grĆ”fico anterior, una sola barra resume todos los datos (12 168 filas) del conjunto de datos como un solo nĆŗmero.
Este valor de Sum of Age (Suma de edad) se puede desglosar por el nivel de educaciĆ³n mĆ”s alto, lo que da como resultado una barra que muestra la edad total para cada nivel de educaciĆ³n. (Si suma cada uno de estos valores, es lo mismo que el total de la barra Ćŗnica. 116 602 + 160 542 + 120 351 + 22 092 + 498 = 420 085).
Importante: La suma no es una agregaciĆ³n apropiada aquĆ, ya que una edad de 116 602 aƱos no es significativa. Para algunas variables, como la edad en este ejemplo, el uso de la agregaciĆ³n de suma no es una representaciĆ³n Ćŗtil o adecuada de los datos. (En otros ejemplos, la suma puede ser una agregaciĆ³n apropiada). Al crear o visualizar visualizaciones, es importante prestar atenciĆ³n a las agregaciones que se utilizan en anĆ”lisis y grĆ”ficos.
Ver datos subyacentes
Para comprender mejor quĆ© valores se totalizan, veamos los datos sin procesar. Cuando examina los datos a nivel de fila, ve una fila para cada participante y su nivel de educaciĆ³n y edad.
Si se observa el nivel de educaciĆ³n Choose not to say (Elige no decir), la suma de Age (Edad) es 498.
13 + 13 + 13 + 13 + 15 + 16 + 16 + 16 + 17 + 17 + 18 + 20 + 20 + 23 + 37 + 45 + 53 + 65 + 68 = 498 aƱos
Ver el impacto de la agregaciĆ³n promedio
Miremos el mismo grĆ”fico de barras que antes, pero cambiemos la agregaciĆ³n a promedio. En lugar de sumar todas las edades y mostrar ese valor, ahora la altura de las barras es su promedio aritmĆ©tico. Para cada nivel educativo, se suman todas las edades y se dividen por el nĆŗmero de valores.
Si analizamos el nivel educativo Choose not to say (Elige no decir) (se muestra en celeste), el promedio es 26,21 aƱos.
13 + 13 + 13 + 13 + 15 + 16 + 16 + 16 + 17 + 17 + 18 + 20 + 20 + 23 + 37 + 45 + 53 + 65 + 68 = 498
498 Ć· 19 = 26,21
Ahora bien, los nĆŗmeros son edades que parecen realistas para una persona (aproximadamente, de 20 a 43 aƱos). AdemĆ”s, en promedio, los encuestados mĆ”s jĆ³venes tienen menos educaciĆ³n.
Ver el impacto de la agregaciĆ³n de valor medio
Exploremos cuando se agrega Age (Edad) como valor medio en un conjunto de datos. Los valores extremos pueden estirar o sesgar los promedios. Por ejemplo, si una persona de 103 aƱos realizĆ³ el cuestionario, su edad podrĆa hacer que pareciera que su categorĆa educativa tenĆa participantes de mayor edad en general. Para evitar el problema de sesgo debido a valores extremos, la agregaciĆ³n de VALOR MEDIO clasifica todos los valores en orden (de mayor a menor o de menor a mayor) y devuelve el valor medio.
Si analizamos el nivel educativo Choose not to say (Elige no decir) (se muestra en celeste), el valor medio de la edad es de 17 aƱos.
13, 13, 13, 13, 15, 16, 16, 16, 17, 17, 18, 20, 20, 23, 37, 45, 53, 65, 68
En este grĆ”fico, podemos ver que las edades medias son un poco mĆ”s bajas. Se podrĆan esperar valores medios mĆ”s bajos porque no hay lĆmite de edad para realizar el cuestionario, mientras que los participantes deben tener al menos 13 aƱos para participar. Esto significa que no puede haber valores extremos jĆ³venes que hagan bajar el promedio. AdemĆ”s, las tendencias generales siguen apareciendo: cuanto mĆ”s educaciĆ³n, mayores son los participantes.
Explorar el impacto de las agregaciones mĆnimas y mĆ”ximas
La agregaciĆ³n mĆnima devuelve el valor mĆ”s bajo en los datos seleccionados, mientras que la agregaciĆ³n mĆ”xima devuelve el valor mĆ”s alto.
Si analizamos el nivel educativo Choose not to say (Elige no decir) (se muestra en celeste), la edad mĆnima es de 13 aƱos.
13, 13, 13, 13, 15, 16, 16, 16, 17, 17, 18, 20, 20, 23, 37, 45, 53, 65, 68
Si analizamos el nivel educativo Choose not to say (Elige no decir) (se muestra en celeste), la edad mƔxima es de 68 aƱos.
13, 13, 13, 13, 15, 16, 16, 16, 17, 17, 18, 20, 20, 23, 37, 45, 53, 65, 68
Explorar el impacto de la agregaciĆ³n de conteo
Ahora, exploremos quĆ© sucede si la edad se agrega como un conteo. Un conteo devuelve el nĆŗmero de valores de los datos de la categorĆa seleccionada. Esto significa que ya no nos fijamos en la edad, sino en el nĆŗmero de participantes.
Si se observa el nivel de educaciĆ³n Choose not to say (Elige no decir), el conteo es 19 y el conteo distinto es 12. El conteo distinto es 12 porque cuatro participantes tenĆan 13 aƱos, dos participantes tenĆan 16 y dos tenĆan 20 aƱos. Contamos 12, 13 y 20 solo una vez porque la agregaciĆ³n distinta de conteo cuenta solo valores Ćŗnicos.
El conteo es 19 13 13 13 13 15 16 16 16 17 17 18 20 20 23 37 45 53 65 68 |
El conteo distinto es 12 13 15 16 17 18 20 23 37 45 53 65 68. |
---|
Los conteos nos muestran que son muy pocos los participantes que se negaron a brindar su nivel educativo.
Ejemplo de desagregaciĆ³n
El primer grĆ”fico que observĆ³ era una vista completamente agregada de los datos: habĆa un valor, la suma general. Luego, el conjunto completo de datos se desglosĆ³ por nivel de educaciĆ³n para mostrar el desglose de la suma de edades para cada nivel educativo. En lugar de observar la suma (o el promedio o el mĆnimo) de todas las edades en el conjunto de datos, cada barra se agrega al nivel de cada categorĆa educativa. Los datos todavĆa estĆ”n agregados, pero a un nivel mĆ”s detallado.
![]() |
![]() |
Ahora, consideremos los datos originales nuevamente.
Cada fila representa un participante. Si quisiĆ©ramos ver la edad de cada participante en lugar de un valor agregado, podrĆamos desagregar completamente los datos o trazar cada punto en el conjunto de datos.
Explorar el impacto de los datos desagregados
Este grĆ”fico utiliza fluctuaciĆ³n para distribuir los puntos o marcas de datos. La fluctuaciĆ³n se refiere a colocar aleatoriamente las marcas a lo largo de un eje que no tiene intervalos (aquĆ, el eje x) para ayudar a revelar la densidad de los datos. Si no hubiera fluctuaciĆ³n, todas las calificaciones se apilarĆan en una Ćŗnica lĆnea vertical por nivel de educaciĆ³n. En un grĆ”fico de fluctuaciĆ³n, la ubicaciĆ³n horizontal de una marca es aleatoria y no transmite ningĆŗn significado particular.
En esta visualizaciĆ³n, podemos ver que hay mĆ”s participantes con edades mĆ”s jĆ³venes y menos participantes a medida que aumentan las edades. TambiĆ©n podemos ver que, aunque hay algunos participantes mayores en la categorĆa Less than high school (Secundario no completo), la mayorĆa de ellos son bastante jĆ³venes: menores de veinte aƱos. La categorĆa High school (Secundario completo) tiene la mayor cantidad de edades alrededor de los 20 aƱos, lo que podrĆa indicar que actualmente son estudiantes universitarios. TambiĆ©n hay muy pocos participantes con tĆtulos de posgrado menores de 20 aƱos. Los datos desagregados coinciden bastante bien con expectativas realistas basadas en lo que sabemos sobre la edad y el nivel de educaciĆ³n.
Ā”PruĆ©bela!
Reto: Tiene la siguiente tabla con tres filas de datos sobre los lectores de periĆ³dicos por semana.
Nombre | PeriĆ³dicos leĆdos por semana |
---|---|
Brooklyn |
2 |
Morgan |
3 |
Vaida |
7 |
ĀæCĆ³mo se agregarĆan los valores de la variable Newspapers read per week (PeriĆ³dicos leĆdos por semana) (2, 3 y 7) como suma, promedio, valor medio, mĆnimo, mĆ”ximo y conteo? TĆ³mese un momento para pensar en ello y luego verifique sus respuestas usando las tarjetas interactivas que se muestran a continuaciĆ³n.
Lea el tipo de agregaciĆ³n en cada tarja, piense cuĆ”l serĆa el valor para esa agregaciĆ³n y, luego, haga clic en la tarjeta para ver la respuesta correcta. Haga clic en la flecha hacia la derecha para pasar a la tarjeta siguiente y en la flecha hacia la izquierda para regresar a la tarjeta anterior.
ExplorĆ³ el modo en que las agregaciones inciden en los datos y el efecto de desagregar los datos. En la siguiente unidad, profundizarĆ” en estos conceptos y aprenderĆ” sobre granularidad.