Teoria avance 2
Kilian Blanco, Juan Camilo Solarte, Felipe Serra
2023-09-18
R Markdown
Objetivo
El proyecto se centra en comprender cómo las personas utilizan Instagram, cuánto tiempo dedican a la plataforma, si pospone tareas importantes debido a su uso y las estrategias que emplean para reducir la procrastinación
Problemas para analizar
El problema que analizaremos es cómo el uso de Instagram puede influir en los hábitos de procrastinación de las personas. Buscamos determinar si existe una relación entre el tiempo de uso y la tendencia a posponer tareas importantes. También busca comprender si las estrategias implementadas para reducir la procrastinación son efectivas.
Importancia
La importancia de este proyecto radica en varias áreas: - Comprender el Comportamiento en Redes Sociales: La encuesta proporciona información importante sobre cómo las personas utilizan Instagram y cómo este uso puede estar relacionado con la procrastinación, un problema común en la actualidad. - Identificar Patrones de Conducta: Los datos recopilados permiten identificar patrones en la relación entre el uso de Instagram, la procrastinación y el desarrollo de soluciones. Esto puede ayudar a diseñar estrategias más efectivas para manejar el tiempo en redes sociales. Hacer conciencia: Los participantes pueden reflexionar sobre su propio comportamiento y reconocer si el uso excesivo de Instagram afecta negativamente sus hábitos de trabajo y productividad. - Mejora de Productividad: Los resultados pueden ayudar a las personas a implementar estrategias más efectivas para reducir la procrastinación y mejorar su productividad tanto personal como laboral
# Establecer un repositorio de CRAN
options(repos = c(CRAN = "https://cran.r-project.org"))
# Instalar el paquete 'readxl'
install.packages("readxl")## Installing package into 'C:/Users/ASUS/AppData/Local/R/win-library/4.3'
## (as 'lib' is unspecified)## package 'readxl' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\ASUS\AppData\Local\Temp\RtmpQHKiwh\downloaded_packages## Installing package into 'C:/Users/ASUS/AppData/Local/R/win-library/4.3'
## (as 'lib' is unspecified)## package 'readxl' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\ASUS\AppData\Local\Temp\RtmpQHKiwh\downloaded_packagesTiempo promedio en Instagram por género
Analisis relación Genero-Tiempo promedio en Instagram: Al observar este diagrama de cajas y bigotes podemos darnos cuenta de que la Mediana para el género masculino del tiempo promedio en Instagram parece estar alrededor de 45 minutos. Mientras que, para el género femenino, la mediana se encuentra alrededor de 50 minutos. Esto sugiere que, en promedio, las mujeres tienden a pasar más tiempo en Instagram en comparación con los hombres en esta muestra de datos. La caja para el género Masculino es más alta, lo que indica una mayor variabilidad en el tiempo promedio en Instagram entre los hombres en comparación con las mujeres. No se observan valores atípicos en este diagrama, lo que significa que no hay datos extremos que estén significativamente por encima o por debajo del rango normal.
# Instalar y cargar el paquete ggplot2 si aún no está instalado
# install.packages("ggplot2")
library(ggplot2)
# Crear un gráfico de cajas con colores personalizados para "Masculino" y "Femenino"
ggplot(M, aes(x = Genero, y = `Tiempo Promedio en Instagram`, fill = Genero)) +
geom_boxplot(width = 0.5) +
labs(x = "Genero", y = "Tiempo Promedio en Instagram") +
theme_minimal() +
scale_fill_manual(values = c("Masculino" = "green", "Femenino" = "blue"))
Nivel de uso de Instagram según la edad
Analisis relación Edad-Niveles de uso: Al analizar este diagrama de cajas y bigotes nos podemos dar cuenta que en el nivel de uso “Medio” los usuarios presentan más dispersión en edad que en el resto de los niveles, a este le sigue el nivel “Alto”, seguido del “Bajo”, y finalmente el nivel “Muy alto” en el que vemos un rango de edades mas concentrado que en las demás. También podemos concluir que la mayoría de los usuarios que se encuentran en el nivel “Alto” son jóvenes, mientras que los del nivel “muy alto” son mayores, entre 21 y 23 años aproximadamente. Por otro lado en el resto de los niveles es difícil sacar conclusiones por su dispersión de cuartiles con respecto a las edades.
# Instalar y cargar el paquete ggplot2 si aún no está instalado
# install.packages("ggplot2")
library(ggplot2)
# Crear un gráfico de cajas con colores personalizados para cada nivel de uso
ggplot(M, aes(x = factor(`Nivel de Uso`, levels = c("Bajo", "Medio", "Alto", "Muy alto")), y = Edad, fill = `Nivel de Uso`)) +
geom_boxplot() +
labs(x = "Nivel de Uso", y = "Edad") +
theme_minimal() +
scale_fill_manual(values = c("Bajo" = "gray", "Medio" = "red", "Alto" = "yellow", "Muy alto" = "green"))
Grafico de dispersión entre la edad y el acceso diario a instagram
Analisis relación Acceso diario a Instagram-Edad: En el gráfico de dispersión podemos observar que la mayoría de los usuarios son jóvenes, con la mayoría de los puntos agrupados en la parte del izquierda del gráfico. En cuanto al acceso diario a Instagram, los usuarios parecen estar distribuidos en todo el rango, desde aquellos que acceden muy poco (en la parte inferior) hasta aquellos que acceden con mayor frecuencia (en la parte superior). No hay una correlación clara entre la edad y el acceso diario a Instagram. Los puntos están dispersos por todo el gráfico, y no sigue una tendencia clara de aumento o disminución a medida que aumenta la edad.
# Suponiendo que tienes un dataframe M con columnas "Edad" y "Acceso Diario a Instagram"
# Crear el gráfico de dispersión
plot(M$Edad, M$`Acceso Diario a Instagram`, pch = 19, xlab = "Edad", ylab = "Acceso Diario a Instagram")
# Ajustar un modelo de regresión lineal
modelo <- lm(`Acceso Diario a Instagram` ~ Edad, data = M)
# Agregar la línea de tendencia al gráfico
abline(modelo, col = "red", lwd = 2)
Coeficiente de correlación
# Convertir la columna "Acceso Diario a Instagram" a numérica si es necesario
M$`Acceso Diario a Instagram` <- as.numeric(M$`Acceso Diario a Instagram`)
# Calcular el coeficiente de correlación
correlation_coefficient <- cor(M$Edad, M$`Acceso Diario a Instagram`)
# Imprimir el resultado
print(correlation_coefficient)## [1] 0.07950993Relación entre el Genero y el acceso diario a instagram
Análisis Relación Acceso Diario-Genero: Al analizar el siguiente grafico de barras nos podemos dar cuenta que, según nuestra muestra, el genero no es un factor determinante para saber que tipo de personas entran más o menos veces a Instagram, ya que tanto hombres como mujeres tienen un promedio de accesos diarios muy similar, los hombres con 9.72 y las mujeres con 9.52 accesos diarios.
# Suponiendo que tienes un dataframe M con columnas "Genero" y "Acceso Diario a Instagram"
# Calcular el promedio de "Acceso Diario a Instagram" por genero
promedio_acceso_instagram <- tapply(M$`Acceso Diario a Instagram`, M$Genero, mean)
# Crear un dataframe con los promedios
df_promedios <- data.frame(Genero = names(promedio_acceso_instagram),
Acceso_Promedio = promedio_acceso_instagram)
# Crear el gráfico de barras
barplot(df_promedios$Acceso_Promedio, names.arg = df_promedios$Genero,
col = c("pink", "blue"), # Colores para "Femenino" y "Masculino"
xlab = "Genero", ylab = "Acceso Diario a Instagram",
main = "Acceso Diario a Instagram por Genero")
Gráfico de cajas de edad por tipo de contenido frecuente
Al analizar este diagrama de cajas y bigotes nos podemos dar cuenta que en el contenido “inspirador o motivacional” presentan una mayor concentración en edad que el resto de los tipos de contenido. Por otro lado, podemos ver que tanto las “fotos de amigos y familiares” como las “publicaciones de celebridades y figuras públicas” presentan una mayor dispersión en edad. En conclusión, podemos decir que el contenido “fotos de amigos y familiares” son el tipo de contenido con mayor cantidad de personas mayores, ya que hay un 50% de las personas que tienen una edad de al menos 22 años.
# Suponiendo que tienes un dataframe M con columnas "Tipo de Contenido Frecuente" y "Edad"
# Crear un vector de colores para 4 grupos (puedes ajustar los colores según tus preferencias)
colores <- c("blue", "red", "green", "purple")
# Crear el gráfico de cajas sin muescas
boxplot(M$Edad ~ M$`Tipo de Contenido Frecuente`, col = colores, notch = FALSE,
xlab = "Tipo de Contenido Frecuente", ylab = "Edad",
main = "Grafico de Cajas de Edad por Tipo de Contenido Frecuente")
Grafico de Barras apiladas por genero y tipo de contenido frecuente
Análisis relación Genero-Tipo de Contenido Frecuente: Al analizar este grafico de barras apiladas, podemos decir que cuentan con tendencias similares y otras muy diferentes. En el caso del contenido menos frecuentado podemos visualizar que tanto hombres como mujeres visualizan en una muy baja proporción el contenido inspirador o motivacional. En el caso del contenido más frecuentado, tenemos una discrepancia, ya que para los hombres fue la visualización de videos divertidos y entretenidos y para las mujeres fue la visualización de fotos de amigos y familiares.
# Suponiendo que tienes un dataframe M con columnas "Género" y "Tipo de Contenido Frecuente"
# Cargar la librería ggplot2 si no está cargada
if (!require(ggplot2)) {
install.packages("ggplot2")
library(ggplot2)
}
# Crear el gráfico de barras apiladas
ggplot(M, aes(x = Genero, fill = `Tipo de Contenido Frecuente`)) +
geom_bar(position = "stack") +
xlab("Genero") +
ylab("Proporcion") +
labs(fill = "Tipo de Contenido Frecuente") +
ggtitle("Grafico de Barras Apiladas por Genero y Tipo de Contenido Frecuente")
Grafico de dispersión entre la edad y el tiempo promedio en instagram
El gráfico de dispersión entre la edad y el tiempo promedio en Instagram muestra una correlación muy débil de -0.0129, lo que sugiere una relación prácticamente insignificante entre estas dos variables. Los puntos dispersos en el gráfico no revelan una tendencia clara y, por lo tanto, la edad tiene poco poder predictivo sobre el tiempo promedio en Instagram. Esta correlación cercana a cero indica que, en promedio, no hay una disminución sustancial en el tiempo en Instagram a medida que las personas envejecen. Sin embargo, es importante destacar que la correlación no implica causalidad, por lo que no se puede afirmar que la edad influye significativamente en el tiempo promedio en Instagram o viceversa. En resumen, la relación entre la edad y el tiempo en Instagram es débil y poco relevante en este conjunto de datos.
# Suponiendo que tienes un dataframe M con columnas "Edad" y "Tiempo Promedio en Instagram"
# Crear el gráfico de dispersión
plot(M$Edad, M$`Tiempo Promedio en Instagram`, pch = 19, xlab = "Edad", ylab = "Tiempo Promedio en Instagram")
# Ajustar un modelo de regresión lineal
modelo <- lm(`Tiempo Promedio en Instagram` ~ `Edad`, data = M)
# Agregar la línea de tendencia al gráfico
abline(modelo, col = "red", lwd = 2)
Coeficiente de Correlación
# Calcular la correlación lineal entre "Edad" y "Tiempo Promedio en Instagram" en la base de datos "M"
correlacion <- cor(M$Edad, M$`Tiempo Promedio en Instagram`)
# Imprimir el valor de la correlación
print(correlacion)## [1] -0.01288461Grafico de barras apiladas por genero y el aplazamiento de tareas
Análisis relación Genero-Aplazamientos de Tareas: En este grafico de barras apiladas, podemos ver que existe una tendencia dividida por el género debido a que, en el caso de los hombres, se evidencia que posponen más tareas por el uso de la aplicación que las mujeres.
# Crear el gráfico de barras apiladas
ggplot(M, aes(x = Genero, fill = `Posponer Tareas`)) +
geom_bar(position = "stack") +
xlab("Genero") +
ylab("Proporcion") +
labs(fill = "Posponer Tareas") +
ggtitle("Grafico de Barras Apiladas por Genero y el aplazamiento de tareas")
Grafico de dispersión entre el acceso diario a instagram y el tiempo promedio
Análisis relación Acceso Diario a Instagram-Tiempo Promedio en Instagram: En el gráfico de dispersión podemos observar que existe una correlación positiva entre estas dos variables, debido a que a mayor numero de Accesos Diarios a Instagram se evidencia un mayor tiempo de uso de la aplicación.
plot(M$`Acceso Diario a Instagram`, M$`Tiempo Promedio en Instagram`, pch = 19, xlab = "Acceso Diario a Instagram", ylab = "Tiempo Promedio en Instagram") # Ajustar un modelo de regresión lineal
modelo <- lm(`Tiempo Promedio en Instagram` ~ `Acceso Diario a Instagram`, data = M)
# Agregar la línea de tendencia al gráfico
abline(modelo, col = "red", lwd = 2)
Coeficiente de Correlación
# Calcular la correlación lineal entre "Acceso Diario a Instagram" y "Tiempo Promedio en Instagram" en la base de datos "M"
correlacion <- cor(M$`Acceso Diario a Instagram`, M$`Tiempo Promedio en Instagram`)
# Imprimir el valor de la correlación
print(correlacion)## [1] 0.5325681Grafico de barras apiladas por genero y su nivel de uso
Análisis relación Genero-Nivel de uso: En este grafico de barras apiladas, podemos ver que existe una tendencia común para ambos géneros, debido a que la mayor proporción tanto de hombres como de mujeres tienen un nivel de uso medio.
# Crear el gráfico de barras apiladas
ggplot(M, aes(x = Genero, fill = `Nivel de Uso`)) +
geom_bar(position = "stack") +
xlab("Genero") +
ylab("Proporcion") +
labs(fill = "Nivel de Uso") +
ggtitle("Grafico de Barras Apiladas por Genero y su nivel de uso")
Maximos y Minimos del tiempo promedio en Instagram
## [1] 110## [1] 15Desviación estandar del tiempo promedio en Instagram
## [1] 28.09097Maximos y Minimos del acceso diario a Instagram
## [1] 20## [1] 1