Las tramas de caja y silbido, comúnmente conocidas como tramas de caja, son una de las herramientas gráficas más eficientes para resumir grandes conjuntos de datos. Proporcionan un resumen visual compacto que revela la distribución, tendencia central, variabilidad y potenciales outliers de un dato establecido a un solo vistazo. Originalmente desarrollado por el estatista John Tukey en la década de 1970, parcelas de construcción de caja se han convertido en un elemento básico en análisis de datos exploratorios de ingeniería a través de ingeniería

¿Qué es una caja y Whisker Plot?

Una trama de caja es una forma estandarizada de mostrar un conjunto de datos basado en un resumen de cinco números: el mínimo, primer cuartil (Q1), mediana, tercer cuartil (Q3), y máximo. Se compone de una "box" rectangular que abarca el rango intercuartil (IQR) y "whiskers" que se extienden para indicar la gama de datos, excluyendo los puntos de comparación rápidamente.

Anatomía de un lote de caja

Comprender los cinco componentes de una trama de caja es esencial para la interpretación correcta. Cada componente proporciona una información específica sobre los datos.

El resumen de cinco numéricos

  • Mínimo: El punto de datos más pequeño que no se considera un outlier. En una parcela de caja estándar, el látigo inferior alcanza este valor.
  • Primer Cuartil (Q1): El promedio de la mitad inferior de los datos. El 25 por ciento de los datos se encuentra por debajo de Q1.
  • Mediano (Q2): El valor medio de todo el conjunto de datos cuando se arregla en orden ascendente. divide los datos en dos mitades iguales.
  • Tercer Cuartil (Q3): La mediana de la mitad superior de los datos. El setenta y cinco por ciento de los datos se encuentra por debajo de Q3.
  • Máximo: El mayor punto de datos que no es un outlier. El quema superior termina en este valor.

El rango intercuartil (IQR)

El IQR es la distancia entre Q1 y Q3 (IQR = Q3 – Q1). Mide la propagación del 50% medio de los datos y es resistente a los valores extremos. La caja en una parcela de caja se dibuja de Q1 a Q3, y su altura (o anchura, dependiendo de la orientación) representa visualmente el IQR. Una caja más grande indica mayor variabilidad en la parte central de los datos.

Los Whisky

Los Whiskers se extienden desde los bordes de la caja hasta los valores mínimos y máximos que se encuentran en 1,5 veces el IQR desde los cuartiles. Específicamente, el silbido inferior va al punto de datos más pequeño mayor o igual a Q1 – 1.5 × IQR; el silbispador superior va al mayor punto de datos menos o igual a Q3 + 1.5 × IQR. aparatos y se trazan individualmente como puntos, círculos o asteriscos.

Cómo construir una caja de trama paso a paso

Construir una parcela de caja a mano o usar software implica un proceso sencillo. Aquí hay un recorrido detallado utilizando un conjunto de datos de muestra.

Paso 1: Organizar los datos

Comience clasificando los datos en orden ascendente. Por ejemplo, considere los siguientes 20 valores: 12, 15, 17, 20, 22, 23, 25, 27, 28, 30, 31, 33, 35, 37, 40, 42, 45, 50, 55, 60.

Paso 2: Encuentra el Mediano (Q2)

Con un número de observaciones (n=20), la mediana es el promedio de los valores 10 y 11. El valor 10 es 30, y el 11 es 31, por lo que la mediana es 30.5.

Paso 3: Encontrar Q1 y Q3

Q1 es la mediana de la mitad inferior (primer 10 valores): 12, 15, 17, 20, 22, 23, 25, 27, 28, 30. La mediana de este conjunto es el promedio de los valores 5 y 6: (22 + 23) / 2 = 22.5. Q3 es el medio de la mitad superior (últimos 10 valores): 31, 33, 35, 37, 40, 42, 45, 6 promedio de 42, 60, 60,

Paso 4: Calcular los Límites de Whisker IQR y Determinar

IQR = Q3 – Q1 = 41 – 22.5 = 18.5. La valla inferior es Q1 – 1.5 × IQR = 22.5 – 27.75 = -5.25. Dado que el punto de datos mínimo (12) está por encima de esta valla, el látigo inferior se extiende a 12. La valla superior es Q3 + 1.5 × IQR = 41 + 27.75 = 68.75.

Paso 5: Dibuja el diagrama

Dibuja un eje vertical (o horizontal) escalado a los datos. Parcela una caja de Q1 (22.5) a Q3 (41) con una línea en la mediana (30.5). Dibuja los silbidos de la caja al mínimo (12) y máximo (60). Agregue un título y etiquetas de eje según sea necesario.

Interpretación de caja y lotes de Whisker

Una vez construido, un diagrama de caja revela varias características de la distribución de datos a un vistazo. Aprender a leer estos le dice más que sólo los cinco números.

Difusión y variabilidad

La longitud de la caja (IQR) indica la difusión de la mitad media de los datos. Las cajas más largas significan más variabilidad; cajas más cortas indican que los datos se concentran alrededor de la mediana. El rango total (max-min) mostrado por los silbidos también da una idea de la extensión general, pero tenga en cuenta que los silbidos están limitados por la regla más externa, por lo que los silbidos extremadamente anchos pueden indicar la presencia de los adel borde.

Centro y Posición

La línea mediana dentro de la caja muestra la tendencia central. Si la mediana está centrada dentro de la caja, los datos medios son aproximadamente simétricos. Si la mediana está más cerca de la parte inferior de la caja (es decir, cerca de Q1), los datos se guardan positivamente: la mayor parte de los datos está en el lado inferior, con una cola larga hacia arriba. Por el contrario, si el medio está cerca de la parte superior de la caja, la junta, la cola es negativa.

Skewness y Symmetry

Más allá de la posición del mediano, las longitudes relativas de los silbidos también indican el aguijón. Un silbido superior más largo comparado con el silbido inferior sugiere una distribución de derecha (skew positivo). Un silbido más largo sugiere que el zigzacho izquierdo (skew negativo). Longitudes de silbido y un punto medio centrado hacia una distribución simétrica.

Aparatos

Los puntos trazados más allá de los silbidos son potenciales atípicos. Estas son observaciones que caen más de 1,5 IQR de los cuartiles. Los outliers pueden indicar errores de entrada de datos, anomalías experimentales o valores realmente extremos que merecen más investigación. En algunos contextos, puntos más allá de 3 IQR se consideran extremos y se trama con un símbolo diferente.

Aplicaciones Prácticas de las lomas de caja

Las parcelas de caja se utilizan en muchas disciplinas para el análisis y comparación rápidos.

Salud y Medicina

Los investigadores usan diagramas de caja para comparar los resultados de los pacientes en grupos de tratamiento, como lecturas de presión arterial antes y después de la medicación. Los outliers pueden resaltar respuestas inusuales que requieren seguimiento.

Finanzas

Los analistas emplean parcelas de caja para visualizar la distribución de las rentabilidades de acciones, riesgos de cartera o puntajes de crédito. Un cuadro de rendimientos en diferentes sectores puede revelar qué sectores tienen mayor volatilidad (más extensa IQR) o se asientan hacia pérdidas.

Educación

Los puntajes de prueba de diferentes aulas o escuelas se pueden comparar lado a lado usando parcelas de caja. Esto ayuda a identificar disparidades en rendimiento y detectar escuelas donde algunos estudiantes puntuación muy por encima o por debajo de la norma.

Manufactura y Control de Calidad

Las parcelas de caja se utilizan para monitorear las salidas de proceso. Por ejemplo, el diámetro de los tornillos fabricados se puede trazar con el tiempo; un cambio repentino en la mediana o el aumento de la IQR indica un cambio de proceso.

Errores comunes para evitar cuando se usa ranuras de caja

Mientras que las tramas de caja son directas, se producen malinterpretaciones. Tenga en cuenta estas trampas.

  • Ignorando el tamaño de la muestra: Las parcelas de caja no muestran el número de observaciones. Dos parcelas de caja con sumarios idénticos de cinco números podrían tener tamaños de muestra muy diferentes, afectando la confianza en las estimaciones.
  • Suponiendo normalidad: Las parcelas de caja no son paramétricas y no hacen suposiciones sobre la forma de distribución. Sin embargo, una parcela de caja con una apariencia simétrica no garantiza una distribución normal, sólo muestra la mediana y cuartiles.
  • Malidentificar a los atípicos sin contexto: Un punto fuera de los que se queja es llamado un outlier por la regla 1.5×IQR, pero esto no significa automáticamente que es erróneo. En algunos campos, como la financiación, se esperan valores extremos. Siempre investiga los outliers en el contexto de los datos.
  • Comparación de parcelas de caja con diferentes escalas: Al comparar múltiples parcelas de caja, asegúrese de que la escala del eje es consistente. Diferencias en escala pueden exagerar o ocultar la variación.

Variaciones de la trama de caja avanzada

Existen varias modificaciones en la parcela de caja estándar para transmitir información adicional.

Parcelas de caja enganchadas

Las muescas alrededor de la mediana indican un intervalo de confianza (normalmente 95%) para la mediana. Si las muescas de dos parcelas de caja no se superponen, hay evidencia fuerte de que sus medianas difieren. Esto es una adición útil para las comparaciones formales.

Tramas de caja de anchura variable

En estas parcelas, la anchura de la caja es proporcional a la raíz cuadrada del tamaño de la muestra. Esto comunica visualmente la precisión de las estimaciones: cajas más amplias indican tamaños de muestra más grandes.

Parcelas de caja con puntos de media

Algunos analistas agregan un marcador (por ejemplo, un diamante) para el medio dentro de la caja. Esto ayuda a comparar mediana mediana y evaluar la aspereza directamente.

Parcelas de caja agrupadas

Múltiples parcelas de caja se colocan a lado en el mismo eje para comparar distribuciones a través de categorías. Por ejemplo, un cuadro agrupado puede mostrar precios de la casa en diferentes ciudades.

Herramientas para crear caja y ranuras de Whisker

No necesita calcular todo a mano. Muchas herramientas de software y bibliotecas pueden generar diagramas de caja rápidamente.

  • Fichas de Excel y Google: Ambos ofrecen tipos de gráficos de cuadros incorporados en las versiones recientes. Puede crearlos desde el menú Insertar Chart. Página de soporte de Microsoft te guía a través del proceso.
  • R: La función en la base R y el paquete ] proporcionan una amplia personalización. R Graph Gallery ofrece ejemplos.
  • Python: Matplotlib y Seaborn son populares. Documentación de Matplotlib explica parámetros.
  • Herramientas en línea: Sitios web como Math es divertido proporcionar generadores de trama de caja interactivos para el aprendizaje rápido.
  • Software estadístico: SPSS, Stata y Minitab incluyen funcionalidad de trama de caja con menús y opciones para muescas y anchos variables.

Parcelas de caja en flujos de trabajo de datos modernos

En los sistemas de datos modernos, las parcelas de caja se generan automáticamente como parte de la elaboración de datos antes de modelar. Pueden integrarse en paneles e informes para proporcionar visibilidad en tiempo real en la calidad de los datos. Directus, los datos de API pueden ser transformados y visualizados en interfaces de análisis personalizados que incluyen diagramas de caja, ayudando a los interesados no técnicos a entender las distribuciones de datos sin código de escritura.

Conclusión

Los diagramas de caja y silbido son indispensables para resumir los conjuntos de datos de manera eficiente. Al comprender el resumen de cinco números, IQR y las reglas más complejas, puede construirlos manualmente o utilizar software e interpretarlos para revelar la difusión, la esquedad y las anomalías. Incorporar diagramas de caja en su rutina de análisis de datos exploratorios profundizará su comprensión de los datos y permitirá decisiones más informadas.