Capítulo11 Transformación: Rangos y otras funciones

Fecha de la última revisión

## [1] "2026-09-09"

##                _                           
## platform       aarch64-apple-darwin23      
## arch           aarch64                     
## os             darwin23                    
## system         aarch64, darwin23           
## status                                     
## major          4                           
## minor          6.1                         
## year           2026                        
## month          06                          
## day            24                          
## svn rev        90187                       
## language       R                           
## version.string R version 4.6.1 (2026-06-24)
## nickname       Happy Hop

---

El tema proviene de los siguientes sitios.

English: https://r4ds.had.co.nz/transform.html

Español: https://es.r4ds.hadley.nz/05-transform.html

---

11.1 Funciones en este módulo

Rangos:

• min_rank(): asigna rangos a los valores, dejando huecos en los empates
• dense_rank(): igual, pero sin dejar huecos
• row_number(): un número distinto para cada fila, aunque haya empates
• rank(): la versión de R base, promedia los empates
• desc(): invierte el orden, de mayor a menor

Rangos en escala de 0 a 1:

• percent_rank(): la proporción de valores más pequeños
• cume_dist(): la proporción de valores menores o iguales

Resúmenes y series:

• group_by() con summarise(): resumir por grupo
• first(): el primer valor en el orden de las filas
• rollmean(): promedio móvil (paquete zoo)

---

11.2 Paquetes

library(tidyverse)
library(datos)

---

11.3 Rangos y pruebas no paramétricas

La pruebas no paramétricas no son basado en distribución normal y los indices como promedio, desviación estándar no se usan.

El rango es la pieza básica de casi todas ellas: en vez de trabajar con el valor observado, se trabaja con la posición que ocupa ese valor entre los demás.

Trabajar con rangos en vez de valores es una idea vieja y muy productiva. Charles Spearman publicó en 1904 su coeficiente de correlación de rangos, y en 1945 Frank Wilcoxon propuso las pruebas de rangos con signo y de suma de rangos, que hoy son el sustituto no paramétrico estándar de la prueba t.

---

11.4 min_rank() y min_rank(desc())

Asignar valores de rangos a los valores originales o de más grande a más pequeño o viceversa.

min_rank(), dense_rank(), row_number(): asignar rangos.

• Qué hacen: convierten valores en su posición (rango) de menor a mayor; desc() invierte el orden.
• Diferencia en empates: min_rank() deja huecos, dense_rank() no, row_number() da un número único a cada fila.
• Relacionadas: percent_rank() y cume_dist() dan rangos en escala 0–1.

set.seed(45678)
  x <- sample(1:50, 10)
head(x)

## [1] 22  1 36 46  7 39

df <- as_tibble(x)
df

## # A tibble: 10 × 1
##    value
##    <int>
##  1    22
##  2     1
##  3    36
##  4    46
##  5     7
##  6    39
##  7    34
##  8    10
##  9    24
## 10    30

df %>% 
  dplyr::select(value) %>% 
  mutate(rango_minimo=min_rank(value)) %>%  
  mutate(rango_min_desc=min_rank(desc(value)) )

## # A tibble: 10 × 3
##    value rango_minimo rango_min_desc
##    <int>        <int>          <int>
##  1    22            4              7
##  2     1            1             10
##  3    36            8              3
##  4    46           10              1
##  5     7            2              9
##  6    39            9              2
##  7    34            7              4
##  8    10            3              8
##  9    24            5              6
## 10    30            6              5

---

Sobre los ejercicios de este capítulo. Cada ejercicio se entrega con tres cosas: el script, el resultado (que el bloque corra) y una explicación en palabras. Los ejercicios usan diamantes y paises del paquete datos, es decir, conjuntos distintos a los de los ejemplos de arriba: no se resuelven cambiando el nombre de una columna en el script copiado. La hoja completa para entregar está en Ejercicios/Ejercicios_Capitulo_11_rangos.Rmd.

Ejercicio 1: min_rank() y desc(). Toma una muestra de 500 diamantes con set.seed(2026) y slice_sample(diamantes, n = 500). Añade el rango del precio de menor a mayor y otro de mayor a menor con desc(), y enseña los 10 diamantes más caros de la muestra.

Verifica: la fila con el precio más alto debe tener rango descendente igual a 1.

En palabras: ¿cuánto suman los dos rangos en una misma fila? ¿Es siempre el mismo número? ¿Qué te dice eso sobre los empates?

# Escribe tu código aquí

---

11.5 row_number()

Qué hace la función row_number?

set.seed(45678)
y <- c(10,21,22,NA,5,4)
head(y)

## [1] 10 21 22 NA  5  4

df <- as_tibble(y)
df

## # A tibble: 6 × 1
##   value
##   <dbl>
## 1    10
## 2    21
## 3    22
## 4    NA
## 5     5
## 6     4

df %>% 
  dplyr::select(value) %>% 
  mutate(row=row_number(value)) # equivalente a rank, 

## # A tibble: 6 × 2
##   value   row
##   <dbl> <int>
## 1    10     3
## 2    21     4
## 3    22     5
## 4    NA    NA
## 5     5     2
## 6     4     1

---

11.6 dense_rank()

min_rank(), dense_rank() y row_number() se diferencian en cómo tratan los empates: min_rank() deja huecos tras un empate, dense_rank() no deja huecos y row_number() da un valor distinto a cada fila.

set.seed(45678)
z <- c(10,12,12,NA,51,4)
df <- as_tibble(z)
df

## # A tibble: 6 × 1
##   value
##   <dbl>
## 1    10
## 2    12
## 3    12
## 4    NA
## 5    51
## 6     4

df %>% 
  dplyr::select(value) %>% 
  mutate(dense=dense_rank(value)) # equivalente a rank, NOTA que los NA no son asignado un valor

## # A tibble: 6 × 2
##   value dense
##   <dbl> <int>
## 1    10     2
## 2    12     3
## 3    12     3
## 4    NA    NA
## 5    51     4
## 6     4     1

Ejercicio 2: los empates. Con la misma muestra de diamantes, crea de una vez tres columnas sobre quilate: min_rank(), dense_rank() y row_number(). Ordena por quilate y enseña las primeras 20 filas.

Verifica: el valor máximo de la columna de dense_rank() tiene que ser menor o igual que el de min_rank().

En palabras: ¿cuál de las tres deja huecos después de un empate, cuál no deja huecos, y cuál le da un número distinto a cada fila aunque estén empatadas?

# Escribe tu código aquí

---

11.7 percent_rank()

Un número entre 0 y 1: es min_rank() re-escalado, así que el valor más pequeño recibe 0 y el más grande recibe 1.

set.seed(45678)
w <- c(1,2,2,NA,5,4)
w

## [1]  1  2  2 NA  5  4

df <- as_tibble(w)
df

## # A tibble: 6 × 1
##   value
##   <dbl>
## 1     1
## 2     2
## 3     2
## 4    NA
## 5     5
## 6     4

df %>% 
  dplyr::select(value) %>% 
  mutate(porcentaje_rank=percent_rank(value)) # equivalente a rank, Un número entre a  0 y 1 calculado haciendo una re-escala de los valores usando min_rank to [0, 1]. NOTA que el valor más pequeño es reasignado un valor de 0 y el más grande un valor de 1.  

## # A tibble: 6 × 2
##   value porcentaje_rank
##   <dbl>           <dbl>
## 1     1            0   
## 2     2            0.25
## 3     2            0.25
## 4    NA           NA   
## 5     5            1   
## 6     4            0.75

11.7.1 percent_rank() sin NA

set.seed(45678)
x2 <- sample(1:50, 7)
df2 <- as_tibble(x2)
df2

## # A tibble: 7 × 1
##   value
##   <int>
## 1    22
## 2     1
## 3    36
## 4    46
## 5     7
## 6    39
## 7    34

df2 %>% 
  dplyr::select(value) %>% 
  mutate(porc2=percent_rank(value))

## # A tibble: 7 × 2
##   value porc2
##   <int> <dbl>
## 1    22 0.333
## 2     1 0    
## 3    36 0.667
## 4    46 1    
## 5     7 0.167
## 6    39 0.833
## 7    34 0.5

Ejercicio 3: los rangos y los NA. Los diamantes no traen valores faltantes, así que crea unos: con if_else(), haz una columna igual a precio pero con NA cuando el precio sea mayor de 10000. Cuenta cuántos NA quedaron y calcula min_rank() y row_number() sobre esa columna nueva.

En palabras: ¿qué rango recibe una fila con NA? ¿Se lo saltan, quedan de últimas, o quedan como NA? ¿Por qué esto importa cuando quieres “los 10 más grandes” de una variable con datos incompletos?

# Escribe tu código aquí

---

11.8 cume_dist()

Es la proporción de valores menores o iguales al valor de la fila, es decir, la distribución acumulada empírica.

set.seed(45678)
  x <- c(1,2,3,NA,5,4, 10, 8)
  x

## [1]  1  2  3 NA  5  4 10  8

df <- as_tibble(x)
df

## # A tibble: 8 × 1
##   value
##   <dbl>
## 1     1
## 2     2
## 3     3
## 4    NA
## 5     5
## 6     4
## 7    10
## 8     8

df %>% 
  dplyr::select(value) %>% 
  mutate(rangos_cumulativo=cume_dist(value)) 

## # A tibble: 8 × 2
##   value rangos_cumulativo
##   <dbl>             <dbl>
## 1     1             0.143
## 2     2             0.286
## 3     3             0.429
## 4    NA            NA    
## 5     5             0.714
## 6     4             0.571
## 7    10             1    
## 8     8             0.857

Ejercicio 4: percent_rank() y cume_dist(). Con la muestra de diamantes, calcula las dos sobre quilate y enseña la fila del diamante más pequeño y la del más grande.

Verifica: uno de los dos índices vale exactamente 0 en el mínimo y el otro no.

En palabras: una de las dos contesta “¿qué proporción de los diamantes es más pequeña que este?” y la otra “¿qué proporción es menor o igual que este?”. Di cuál es cuál y por qué el mínimo vale 0 en una y no en la otra.

# Escribe tu código aquí

---

11.9 Ejemplo trabajado: los vuelos más atrasados

Este es el ejercicio de la sección 5.5.2 del libro en español, resuelto en clase: encontrar los 10 vuelos más retrasados con una función de ordenamiento, y decidir qué hacer con los empates. Lee la documentación de min_rank() mientras lo sigues.

names(vuelos)

##  [1] "anio"               "mes"                "dia"               
##  [4] "horario_salida"     "salida_programada"  "atraso_salida"     
##  [7] "horario_llegada"    "llegada_programada" "atraso_llegada"    
## [10] "aerolinea"          "vuelo"              "codigo_cola"       
## [13] "origen"             "destino"            "tiempo_vuelo"      
## [16] "distancia"          "hora"               "minuto"            
## [19] "fecha_hora"

vuelos%>%
  dplyr::select(atraso_salida, aerolinea)%>%
  arrange(desc(atraso_salida))%>% 
  mutate(mas_atrados=min_rank(desc(atraso_salida))) %>% 
  head(n=10)

## # A tibble: 10 × 3
##    atraso_salida aerolinea mas_atrados
##            <dbl> <chr>           <int>
##  1          1301 HA                  1
##  2          1137 MQ                  2
##  3          1126 MQ                  3
##  4          1014 AA                  4
##  5          1005 MQ                  5
##  6           960 DL                  6
##  7           911 DL                  7
##  8           899 DL                  8
##  9           898 DL                  9
## 10           896 AA                 10

names(vuelos)

##  [1] "anio"               "mes"                "dia"               
##  [4] "horario_salida"     "salida_programada"  "atraso_salida"     
##  [7] "horario_llegada"    "llegada_programada" "atraso_llegada"    
## [10] "aerolinea"          "vuelo"              "codigo_cola"       
## [13] "origen"             "destino"            "tiempo_vuelo"      
## [16] "distancia"          "hora"               "minuto"            
## [19] "fecha_hora"

vuelos %>% 
  arrange(atraso_salida) %>% 
  mutate(rango_minimo=min_rank(atraso_salida)) %>% 
  head(n=10)

## # A tibble: 10 × 20
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013    12     7           2040              2123           -43
##  2  2013     2     3           2022              2055           -33
##  3  2013    11    10           1408              1440           -32
##  4  2013     1    11           1900              1930           -30
##  5  2013     1    29           1703              1730           -27
##  6  2013     8     9            729               755           -26
##  7  2013    10    23           1907              1932           -25
##  8  2013     3    30           2030              2055           -25
##  9  2013     3     2           1431              1455           -24
## 10  2013     5     5            934               958           -24
## # ℹ 14 more variables: horario_llegada <int>, llegada_programada <int>,
## #   atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## #   origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## #   hora <dbl>, minuto <dbl>, fecha_hora <dttm>, rango_minimo <int>

---

11.10 Resúmenes por grupo: group_by() y summarise()

group_by() y summarise(): resumir por grupo.

• group_by(variable): no cambia los datos, solo marca cómo hay que dividirlos.
• summarise(): colapsa cada grupo a una fila, con las columnas que le pidas.
• Ojo: mutate() también respeta la agrupación, y conviene cerrar con ungroup().

Esta sección usa flights del paquete nycflights13, que tiene los nombres de las columnas en inglés (dep_delay, arr_delay, dest). En el resto del libro usamos vuelos del paquete datos, que es la misma tabla con los nombres en español (atraso_salida, atraso_llegada, destino).

library(datos)
library(nycflights13)
summarise(flights, delay = mean(dep_delay, na.rm = TRUE))

## # A tibble: 1 × 1
##   delay
##   <dbl>
## 1  12.6

flights %>% 
  summarise(delay = mean(dep_delay, na.rm = TRUE))

## # A tibble: 1 × 1
##   delay
##   <dbl>
## 1  12.6

by_day <- group_by(flights, year, month, day)

summarise(by_day, delay = mean(dep_delay, na.rm = TRUE))

## # A tibble: 365 × 4
## # Groups:   year, month [12]
##     year month   day delay
##    <int> <int> <int> <dbl>
##  1  2013     1     1 11.5 
##  2  2013     1     2 13.9 
##  3  2013     1     3 11.0 
##  4  2013     1     4  8.95
##  5  2013     1     5  5.73
##  6  2013     1     6  7.15
##  7  2013     1     7  5.42
##  8  2013     1     8  2.55
##  9  2013     1     9  2.28
## 10  2013     1    10  2.84
## # ℹ 355 more rows

flights %>% 
  group_by(year, month, day) %>% 
summarise(delay = mean(dep_delay, na.rm = TRUE))

## # A tibble: 365 × 4
## # Groups:   year, month [12]
##     year month   day delay
##    <int> <int> <int> <dbl>
##  1  2013     1     1 11.5 
##  2  2013     1     2 13.9 
##  3  2013     1     3 11.0 
##  4  2013     1     4  8.95
##  5  2013     1     5  5.73
##  6  2013     1     6  7.15
##  7  2013     1     7  5.42
##  8  2013     1     8  2.55
##  9  2013     1     9  2.28
## 10  2013     1    10  2.84
## # ℹ 355 more rows

11.10.1 La aerolínea peor en atraso de salidas

flights %>%
group_by(carrier) %>%
summarise(delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(desc(delay))

## # A tibble: 16 × 2
##    carrier delay
##    <chr>   <dbl>
##  1 F9      20.2 
##  2 EV      20.0 
##  3 YV      19.0 
##  4 FL      18.7 
##  5 WN      17.7 
##  6 9E      16.7 
##  7 B6      13.0 
##  8 VX      12.9 
##  9 OO      12.6 
## 10 UA      12.1 
## 11 MQ      10.6 
## 12 DL       9.26
## 13 AA       8.59
## 14 AS       5.80
## 15 HA       4.90
## 16 US       3.78

11.10.2 Atraso promedio y distancia por destino

by_dest <- group_by(flights, dest)
by_dest

## # A tibble: 336,776 × 19
## # Groups:   dest [105]
##     year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##    <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
##  1  2013     1     1      517            515         2      830            819
##  2  2013     1     1      533            529         4      850            830
##  3  2013     1     1      542            540         2      923            850
##  4  2013     1     1      544            545        -1     1004           1022
##  5  2013     1     1      554            600        -6      812            837
##  6  2013     1     1      554            558        -4      740            728
##  7  2013     1     1      555            600        -5      913            854
##  8  2013     1     1      557            600        -3      709            723
##  9  2013     1     1      557            600        -3      838            846
## 10  2013     1     1      558            600        -2      753            745
## # ℹ 336,766 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>

delay <- summarise(by_dest,
  count = n(),
  dist = mean(distance, na.rm = TRUE),
  delay = mean(arr_delay, na.rm = TRUE))


delay

## # A tibble: 105 × 4
##    dest  count  dist delay
##    <chr> <int> <dbl> <dbl>
##  1 ABQ     254 1826   4.38
##  2 ACK     265  199   4.85
##  3 ALB     439  143  14.4 
##  4 ANC       8 3370  -2.5 
##  5 ATL   17215  757. 11.3 
##  6 AUS    2439 1514.  6.02
##  7 AVL     275  584.  8.00
##  8 BDL     443  116   7.05
##  9 BGR     375  378   8.03
## 10 BHM     297  866. 16.9 
## # ℹ 95 more rows

#> `summarise()` ungrouping output (override with `.groups` argument)
delay <- filter(delay, count > 20, dest != "HNL")

# It looks like delays increase with distance up to ~750 miles 
# and then decrease. Maybe as flights get longer there's more 
# ability to make up delays in the air?
ggplot(data = delay, aes(x = dist, y = delay)) +
  geom_point(aes(size = count), alpha = 1/3) +
  geom_smooth(se = FALSE)

#> `geom_smooth()` using method = 'loess' and formula 'y ~ x'

names(delay)

## [1] "dest"  "count" "dist"  "delay"

head(delay)

## # A tibble: 6 × 4
##   dest  count  dist delay
##   <chr> <int> <dbl> <dbl>
## 1 ABQ     254 1826   4.38
## 2 ACK     265  199   4.85
## 3 ALB     439  143  14.4 
## 4 ATL   17215  757. 11.3 
## 5 AUS    2439 1514.  6.02
## 6 AVL     275  584.  8.00

ggplot(data = delay, aes(x = dist, y = delay, label=dest)) +
  geom_point() +
  geom_smooth(se = FALSE)+
  geom_text(size=2,aes(label=dest), hjust=1, vjust=-1)

Ejercicio 5: group_by() con summarise(). Con diamantes completo, calcula por cada categoría de corte el número de diamantes, el precio promedio y el quilate promedio, y ordena de mayor a menor precio promedio.

Verifica: la suma de la columna de conteos debe dar el total de filas de diamantes.

En palabras: el corte "Ideal" es el mejor corte. ¿Sale con el precio promedio más alto? Mira la columna del quilate promedio y propón una explicación.

# Escribe tu código aquí

---

11.11 Promedio móvil: rollmean()

rollmean() (paquete zoo): promedio móvil.

• Qué hace: sustituye cada valor por el promedio de una ventana de k observaciones vecinas, lo que suaviza la serie.
• align: "center" (por defecto), "right" (usa solo el pasado) o "left".
• fill = NA: rellena con NA las posiciones donde la ventana no cabe.

Fuente: https://stackoverflow.com/questions/743812/calculating-moving-average

library(tidyverse)
library(zoo)

some_data = tibble(day = 1:10)
some_data

## # A tibble: 10 × 1
##      day
##    <int>
##  1     1
##  2     2
##  3     3
##  4     4
##  5     5
##  6     6
##  7     7
##  8     8
##  9     9
## 10    10

# cma = centered moving average
# tma = trailing moving average
some_data %>%
    mutate(cma = rollmean(day, k = 3, fill = NA)) %>%
    mutate(tma = rollmean(day, k = 3, fill = NA, align = "right")) %>% 
   mutate(lma = rollmean(day, k = 3, fill = NA, align = "left")) %>% 
  mutate(cmax=rollmax(day, k=30, fill=NA))

## # A tibble: 10 × 5
##      day   cma   tma   lma cmax 
##    <int> <dbl> <dbl> <dbl> <lgl>
##  1     1    NA    NA     2 NA   
##  2     2     2    NA     3 NA   
##  3     3     3     2     4 NA   
##  4     4     4     3     5 NA   
##  5     5     5     4     6 NA   
##  6     6     6     5     7 NA   
##  7     7     7     6     8 NA   
##  8     8     8     7     9 NA   
##  9     9     9     8    NA NA   
## 10    10    NA     9    NA NA

some_data

## # A tibble: 10 × 1
##      day
##    <int>
##  1     1
##  2     2
##  3     3
##  4     4
##  5     5
##  6     6
##  7     7
##  8     8
##  9     9
## 10    10

Ejercicio 6: rollmean(). Con paises, filtra un país (por ejemplo "Costa Rica") y ordena por anio. Calcula tres promedios móviles de esperanza_de_vida con ventana de 3: centrado, align = "right" y align = "left", con fill = NA. Grafica la serie original junto al promedio móvil centrado.

En palabras: ¿en qué posiciones aparece NA en cada versión y por qué cambian de lugar? ¿Qué le hace el promedio móvil a las subidas y bajadas de la serie?

# Escribe tu código aquí

Ejercicio 7 (reto integrador). Combina dos funciones del capítulo. Con diamantes completo, agrupa por color, calcula cume_dist(precio) dentro de cada grupo y quédate con el 5 % más caro de su propio color. Cuenta cuántos son por color. Después repite el ejercicio sin agrupar, con el 5 % más caro de toda la tabla, y compara las dos listas.

En palabras: ¿cuál de las dos versiones contesta la pregunta “¿cuáles son los diamantes caros para su color?” y por qué la otra no?

# Escribe tu código aquí