4 Tablas cruzadas

A diferencia de lo visto en la sección 3, en este epígrafe analizaremos como obtener cuadros resumen en los que existen variables en la cabecera, que determinan grupos o perfiles de análisis y existen variables en las filas, de las cuáles queremos conocer cómo se distribuyen sus alternativas de respuesta entre los diferentes perfiles o grupos que determinan las variables de columna. Al igual que sucedió con las tablas marginales, mostraremos poco a poco como trabajar con variables de respuesta simple, múltiple o con medidas estadísticas. Vamos a utilizar otros campos que se localizan en la base de datos del CIS (P3, P21A01, P21A02, P21A03, P31, P33). Aquí su resumen… -nótese que se ha incluido la función suppressMessages() para no publicar los mensajes de carga del paquete y datos-.

suppressMessages(setwd("~/R/r-projects/00.tables")) #esta es la carpeta donde almacené el archivo (en una subcarpeta llamada data)
suppressMessages(library(expss)) #cargamos el paquete
suppressMessages(data <- read_spss("data/3192.sav")) #cargamos los datos
data$P3
## LABEL: Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español 
## VALUES:
## 6, 7, 8, 8, 7, 5, 7, 7, 8, 7, 7, 6, 6, 7, 7, 6, 5, 8, 7, 7, 8, 10, 8, 6, 6, 9, 8, 8, 7, 6, 9, 6, 8, 8, 6, 7, 7, 5, 8, 6, 6, 8, 4, 4, 5, 7, 7, 8, 10, 7... 50 items printed out of 2557 
## VALUE LABELS:                        
##   1 1 Muy insatisfecho/a
##   2 2                   
##   3 3                   
##   4 4                   
##   5 5                   
##   6 6                   
##   7 7                   
##   8 8                   
##   9 9                   
##  10 10 Muy satisfecho/a 
##  98 N.S.                
##  99 N.C.
data$P21A01
## LABEL: Medicamentos que recetan por adelantado (para que no falten) 
## VALUES:
## 0, 0, 0, 0, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 0, 0, NA, 0, NA, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0... 50 items printed out of 2557 
## VALUE LABELS:           
##  0 N.P.    
##  1 Menciona
data$P21A02
## LABEL: Envases que han quedado sin usar porque cambiaron el tratamiento 
## VALUES:
## 0, 0, 0, 0, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, NA, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, NA, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0... 50 items printed out of 2557 
## VALUE LABELS:           
##  0 N.P.    
##  1 Menciona
data$P21A03
## LABEL: Medicamentos que decidió no tomar 
## VALUES:
## 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, NA, 0, 0, NA, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0... 50 items printed out of 2557 
## VALUE LABELS:           
##  0 N.P.    
##  1 Menciona
data$P31
## LABEL: Sexo de la persona entrevistada 
## VALUES:
## 2, 1, 2, 1, 2, 2, 1, 1, 2, 2, 1, 1, 2, 1, 2, 2, 2, 1, 2, 2, 2, 1, 2, 1, 1, 2, 1, 1, 2, 2, 1, 2, 1, 1, 1, 2, 2, 2, 1, 2, 1, 1, 2, 2, 1, 1, 1, 1, 2, 2... 50 items printed out of 2557 
## VALUE LABELS:         
##  1 Hombre
##  2 Mujer
data$P33
## LABEL: Estado civil de la persona entrevistada 
## VALUES:
## 1, 1, 1, 1, 3, 2, 2, 2, 1, 9, 1, 2, 1, 1, 3, 2, 3, 1, 1, 1, 1, 1, 1, 2, 2, 3, 2, 1, 1, 2, 2, 2, 1, 2, 1, 3, 1, 1, 1, 1, 5, 1, 1, 1, 1, 2, 5, 1, 5, 1... 50 items printed out of 2557 
## VALUE LABELS:               
##  1 Casado/a    
##  2 Soltero/a   
##  3 Viudo/a     
##  4 Separado/a  
##  5 Divorciado/a
##  9 N.C.

4.1 Básica con variables simples

Las tablas que vamos a hacer a continuación, siempre son tablas en las que intervienen al menos dos variables. Una de las variables irá a columnas y la otra variable irá a filas. De ellas se calcularán las frecuencias absolutas o relativas y/o los estadísticos. Vamos a empezar sólo con el estadístico frecuencias, y posteriormente ya pasaremos a estadísticos como la media, suma, etc…

4.1.1 De frecuencias, variable simple y sólo absolutos

Usaremos la variable P31 para las columnas, P33 en las celdas (de la que se hará el cálculo)y el estadístico a usar será el nº de casos.

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(total_row_position = "above", total_label = "Total") %>%
    tab_pivot())

Figura 4.1: Cruce de estado civil por sexo

4.1.2 De frecuencias, variable simple, con porcentajes de columna

Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de columna (vertical).

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cpct(total_row_position = "above", total_label = "Total") %>% # aquí señalo los porcentajes de columna
    tab_pivot())

Figura 4.2: Cruce de estado civil por sexo, porcentaje de columna

4.1.3 De frecuencias, variable simple, con porcentajes de fila

Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de fila (horizontal).

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_rpct(total_row_position = "above", total_label = "Total") %>% # aquí señalo los porcentajes de fila
    tab_pivot())

Figura 4.3: Cruce de estado civil por sexo, porcentaje de fila

4.1.4 De frecuencias, variable simple, con porcentajes total muestra

Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje sobre el total de la muestra.

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_tpct(total_row_position = "above", total_label = "Total") %>% # aquí señalo los porcentajes total muestra
    tab_pivot())

Figura 4.4: Cruce de estado civil por sexo, porcentaje sobre el total de la muestra

4.1.5 Combinaciones de los anteriores

Vamos ahora a hacer combinaciones entre ellos. Advierto que cada vez se dificulta más la tabla en su lectura. Como dije inicialmente, me decanto más por tablas sencillas y con un sólo dato.

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "inside_columns"))

Figura 4.5: Combinación de casos y porcentajes dentro de las columnas

Y la misma tabla pero con los estadísticos en las filas combinando frecuencia y porcentaje…

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "outside_columns"))

Figura 4.6: Combinación de casos y porcentajes por tipo de estadístico en columnas

Y la misma tabla pero con los estadísticos en las filas combinando frecuencia y porcentaje…

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "inside_rows"))

Figura 4.7: Combinación de casos y porcentajes dentro de las filas

Y la misma tabla pero con los estadísticos en las filas por bloque de tipo de estadístico…

as.datatable_widget(data %>%
    tab_cells(P33) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "outside_rows"))

Figura 4.8: Combinación de casos y porcentajes, por tipo de estadístico en filas

4.2 Básica con múltiples

Vamos a realizar ahora el mismo conjunto de tablas, pero en las filas, en lugar de una variable de tipo simple, vamos a utilizar una variable de tipo múltiple. Repetimos los cruces pero cambiamos las celdas donde ahora usaremos la variable P21A con la instrucción tab_cells(mdset(P21A01 %to% P21A03)).

4.2.1 De frecuencias, variable múltiple y sólo absolutos

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(total_row_position = "above", total_label = "Total") %>%
    tab_pivot())

Figura 4.9: Cruce de motivos guardar envases enteros por sexo

4.2.2 De frecuencias, variable múltiple, con porcentajes de columna

Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de columna (vertical).

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cpct(total_row_position = "above", total_label = "Total") %>% # aquí señalo los porcentajes de columna
    tab_pivot())

Figura 4.10: Cruce de motivos guardar envases enteros por sexo, porcentaje de columna

4.2.3 De frecuencias, variable múltiple, con porcentajes de fila

Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de fila (horizontal).

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_rpct(total_row_position = "above", total_label = "Total") %>% # aquí señalo los porcentajes de fila
    tab_pivot())

Figura 4.11: Cruce de motivos guardar envases enteros por sexo, porcentaje de fila

4.2.4 De frecuencias, variable múltiple, con porcentajes total muestra

Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje sobre el total de la muestra.

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_tpct(total_row_position = "above", total_label = "Total") %>% # aquí señalo los porcentajes total muestra
    tab_pivot())

Figura 4.12: Cruce de motivos guardar envases enteros por sexo, porcentaje sobre el total de la muestra

4.2.5 Combinaciones de los anteriores

Vamos ahora a hacer combinaciones entre ellos. Advierto que cada vez se dificulta más la tabla en su lectura. Como dije inicialmente, me decanto más por tablas sencillas y con un sólo dato.

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "inside_columns"))

Figura 4.13: Combinación de casos y porcentajes dentro de las columnas

Y la misma tabla pero con los estadísticos en las filas combinando frecuencia y porcentaje…

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "outside_columns"))

Figura 4.14: Combinación de casos y porcentajes por tipo de estadístico en columnas

Y la misma tabla pero con los estadísticos en las filas combinando frecuencia y porcentaje…

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "inside_rows"))

Figura 4.15: Combinación de casos y porcentajes dentro de las filas

Y la misma tabla pero con los estadísticos en las filas por bloque de tipo de estadístico…

as.datatable_widget(data %>%
    tab_cells(mdset(P21A01 %to% P21A03)) %>%
    tab_cols(total(), P31) %>%
    tab_stat_cases(label = "Casos") %>%
    tab_stat_cpct(label = "% casos") %>%
    tab_pivot(stat_position = "outside_rows"))

Figura 4.16: Combinación de casos y porcentajes, por tipo de estadístico en filas

Recordamos que siempre con las múltiples existe la posibilidad de calcular los porcentajes con base respuesta en lugar de con base cuestionario (individuos). Para ello debes utilizar tab_stat_cpct_responses().

4.3 Básica con estadísticos

Del mismo modo que antes utilizábamos la tabla cruzada para obtener los casos de intersección entre las categorías de columna y las categorías de fila, ahora procederemos a hacer lo mismo pero con categorías en columnas y cálculo de estadísticos básicos en otro. En definitiva, calcular las medidas estadísticas para cada grupo creado por la variable que general las categorías.

4.3.1 Cruce entre variable simple y dos estadísticos

Vamos a comenzar con las más simples, dos estadísticos (media y desviación) de una variable métrica (P3) calculados para una variable (P31) que genera dos categorías (hombre y mujer). Nótese el juego a realizar con más de 2 estadísticos con la ubicación de los mismos.

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot())

Figura 4.17: Cruce entre variable y estadísticos

Hagamos ahora su traspuesta, es decir ubiquemos en filas P31 y en columnas

var_lab(data$P3)="Satisfacción"
as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_rows(total(),P31) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot())

Figura 4.18: Transposición de tabla

Recordemos que los estadísticos los podemos ir moviendo a nuestra necesidad para que se organicen de una forma u otra…

Dentro de las columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_columns"))

Figura 4.19: Estadísticos dentro de columnas

Dentro de las filas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_rows"))

Figura 4.20: Estadísticos dentro de las filas

Como columnas separadas o fuera de columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_columns"))

Figura 4.21: Estadísticos separados en columnas

Como filas separadas o fuera de filas…

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_rows"))

Figura 4.22: Estadísticos separados en filas

Repitamos ahora estas cuatro últimas tablas, pero en lugar de con una variable que genera grupos y de ellos se calcula la medida estadística, vamos a hacerlo con un cruce de categorías (un campo en columnas y otro en filas) y que en esos cruces, se calcule la medida estadística. Por ejemplo esta tabla me permitiría saber la media de P3 en los hombres de 18 a 25 años.

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot())

Figura 4.23: Uso de variable base (anidación)

y juguemos con la posición del cálculo estadística que ahora sí arrojará cuatro configuraciones diferentes.

La primera con los estadísticos fuera de las filas…

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_rows")) # por defecto, sin lo ponemos muestra esta opción

Figura 4.24: Filas con estadístico fuera de filas

Los estadísticos dentro de las filas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_rows"))

Figura 4.25: Filas con estadístico dentro de las filas

Los estadísticos dentro de las columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_columns"))

Figura 4.26: Filas con estadísticos dentro de las columnas

Los estadísticos fuera de las columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), P31) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_columns"))

Figura 4.27: Filas con estadísticos fuera de las columnas

¿Hacemos lo mismo para una variable múltiple?

4.3.1.1 Tabulación cruzada (con cálculo estadístico) y múltiples

Vamos a comenzar con las más simples, dos estadísticos (media y desviación) de una variable métrica (P3) calculados para una variable múltiple (P4_1 a P4_3) que genera categorías. Nótese el juego a realizar con más de 2 estadísticos con la ubicación de los mismos.

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot())

Figura 4.28: Cruce con múltiple y estadístico (1)

Hagamos ahora su traspuesta, es decir ubiquemos en filas P21A y en columnas P3.

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_rows(total(),mdset(P21A01 %to% P21A03)) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot())

Figura 4.29: Cruce con múltiple y estadístico (2)

Recordemos que los estadísticos los podemos ir moviendo a nuestra necesidad para que se organicen de una forma u otra…

Dentro de columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_columns"))

Figura 4.30: Cruce con múltiple y estadístico (3)

Dentro de filas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_rows"))

Figura 4.31: Cruce con múltiple y estadístico (4)

Fuera de columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_columns"))

Figura 4.32: Cruce con múltiple y estadístico (5)

Fuera de filas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_rows"))

Figura 4.33: Cruce con múltiple y estadístico (6)

Repitamos ahora estas cuatro últimas tablas, pero en lugar de con una variable que genera grupos y de ellos se calcula la medida estadística, vamos a hacerlo con un cruce de categorías (un campo en columnas y otro en filas) y que en esos cruces, se calcule la medida estadística. Por ejemplo esta tabla me permitiría saber la media de P3 en los hombres de 18 a 25 años.

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot())

Figura 4.34: Cruce con múltiple y estadístico (7)

y juguemos con la posición del cálculo estadística que ahora sí arrojará cuatro configuraciones diferentes. La primera con los estadísticos dentro de las filas es idéntica a la anterior (por defecto).

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_rows")) # por defecto, sin lo ponemos muestra esta opción

Figura 4.35: Cruce con múltiple y estadístico (8)

Los estadísticos fuera de las filas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_rows"))

Figura 4.36: Cruce con múltiple y estadístico (9)

Los estadísticos dentro de las columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "inside_columns"))

Figura 4.37: Cruce con múltiple y estadístico (10)

Los estadísticos fuera de las columnas …

as.datatable_widget(data %>%
    tab_cells(P3) %>%
    tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%
    tab_rows(P33) %>%
    tab_stat_mean(label = "Media") %>%
    tab_stat_sd(label = "Desviación") %>% 
    tab_pivot(stat_position = "outside_columns"))

Figura 4.38: Cruce con múltiple y estadístico (11)

Bien, como has podido observar, el resultado no difiere cuando es múltiple a cuando es simple. Igual que hemos calculado la media y la desviación lo podemos hacer con otros estadísticos:

  • media;
  • desviación;
  • máximo;
  • mínimo;
  • mediana;
  • suma;
  • error estándar;
  • un caso especial que calcula media, desviación y el número de casos;
  • y algunos otros que iremos mostrando para temas muy específicos.