3.2: Grados y playeras- datos clasificados

Última actualización
Guardar como PDF

Page ID: 150004

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Los datos clasificados (u ordinales) no provienen directamente de las mediciones y no corresponden fácilmente a los números.

Por ejemplo, la calidad de los colchones podría estimarse con algunos números, desde malos (“0”), hasta excelentes (“5”). Estos números asignados son una cuestión de conveniencia. Pueden ser cualquier cosa. Sin embargo, mantienen una relación y continuidad. Si calificamos el más cómodo como “5”, y algo menos cómodo como “4”, es posible imaginar lo que es “4.5”. Es por ello que muchos métodos diseñados para las variables de medición son aplicables a los datos clasificados. Aún así, recomendamos tratar los resultados con precaución y tener en cuenta que estas calificaciones son arbitrarias.

Por defecto, R identificará los datos clasificados como un vector numérico regular. Aquí hay siete empleados clasificados por sus alturas:

Código\(\PageIndex{1}\) (R):

rr <- c(2, 1, 3, 3, 1, 1, 2)
str(rr)

El objeto rr es el mismo vector numérico, pero los números “1”, “2” y “3” no son medidas, son rangos, “lugares”. Por ejemplo, “3” significa que esta persona pertenece al grupo más alto.

Función cut () ayuda a hacer por encima de tres grupos automáticamente:

Código\(\PageIndex{2}\) (R):

x <- c(174, 162, 188, 192, 165, 168, 172.5)
(hh <- cut(x, 3, labels=c(1:3), ordered_result=TRUE))

El resultado es el factor ordenado (ver más abajo para más explicaciones). Ten en cuenta que cut () es una operación irreversible, y los “números” que recibes no son números (alturas) desde los que comienzas:

Código\(\PageIndex{3}\) (R):

x <- c(174, 162, 188, 192, 165, 168, 172.5)
x
(hh <- cut(x, 3, labels=c(1:3), ordered_result=TRUE))
as.numeric(hh)

Los datos clasificados siempre requieren métodos no paramétricos. Si todavía queremos usar métodos paramétricos, tenemos que obtener los datos de medición (lo que generalmente significa diseñar el estudio de manera diferente) y también verificar la normalidad. Sin embargo, existe la posibilidad de volver a codificar los datos clasificados en la medición. Por ejemplo, con el cuidado apropiado la descripción del color podría codificarse como intensidad de canal rojo, verde y azul.

Supongamos que examinamos la altura promedio del edificio en varias ciudades del mundo. Lo sencillo sería poner nombres de lugares bajo la variable “ciudad” (datos nominales). Es, de causa, la forma más fácil, pero tal variable sería casi inútil en el análisis estadístico. Alternativamente, podemos codificar las ciudades con letras que se mueven de norte a sur. De esta manera obtenemos los datos clasificados, abiertos para muchos métodos no paramétricos. Finalmente, podemos registrar las coordenadas geográficas de cada ciudad. Esto obtenemos los datos de medición, los cuales podrían ser adecuados para los métodos paramétricos del análisis.