Untitled
Caroline Velasquez
2023-11-30
library(knitr)
diabetes2 <- read.csv("~/diabetes2.txt", sep = ";", dec = ".")
head(diabetes2, 15)##Introduccion
Las enfermedades crónicas representan un desafío significativo para la salud global en la actualidad. Estas condiciones de salud persisten a lo largo del tiempo y generalmente progresan lentamente. A diferencia de las enfermedades agudas, que suelen tener un inicio repentino y una duración limitada, las enfermedades crónicas pueden perdurar durante meses, años o toda la vida de una persona.
##Descripcion de la data
En este estudio, se seleccionan un total de 952 participantes de 18 años o más, de los cuales 580 son hombres y 372 son hembras. Se pidió a los participantes que respondieran un cuestionario que se muestra en la Tabla 1, que fue preparado por ellos mismos en base a las limitaciones que podrían conducir a la diabetes. Para verificar la validez del modelo se realizaron los mismos experimentos. en otra base de datos llamada PIMA Indian Diabetes Database [28] que se muestra en la Tabla 1. La Figura 6 muestra un conjunto de datos de muestra. recopilados a través de cuestionario.
##Varibales
Edad: Genero: Historia familiar con diabetes: Diagnostico con alta presion arterial: Fisicamente activo: IMC: De fumar: Consumo de alcoho: Horas de sueño: Horas de sueño profundo Numérico: Ingesta regular: consumo de comida chatarra: Estrés: nivel de presión arterial: Numero de embarazos: Frecuencia de miccion: Diabético:
##Descripcion de variables
Edad:.- Período de tiempo que ha transcurrido desde el nacimiento de una persona, un ser vivo o una entidad
Genero:.- Identificación interna y profunda de una persona como hombre, mujer
Historia familiar con diabetes:.- Se refiere a la presencia de esta enfermedad en los antecedentes médicos de una familia
Diagnostico con alta presion arterial: Concentración de glucosa plasmática y respondemos con si o no
Fisicamente activo: para medir la presion arterial
IMC: Grosor del pliegue cutáneo del tríceps
De fumar:.- Se refiere comúnmente al acto de inhalar y exhalar el humo producido por la combustión de sustancias, especialmente tabaco.
Consumo de alcohol:.- Es una práctica común en muchas culturas y sociedades, y puede tener una variedad de efectos tanto en la salud como en el bienestar general de las personas.
Horas de sueño: La cantidad de horas de sueño que una persona necesita puede variar según su edad, estado de salud, estilo de vida y otros factores individuales.
Horas de sueño profundo Numérico: Nos da valores de Diabético – 268 y No diabéticos - 500
Ingesta regular:.-
consumo de comida chatarra: alimentos que son bajos en valor nutricional pero altos en calorías, grasas, azúcares y sal.
Estrés:.-Una respuesta natural del cuerpo ante situaciones percibidas como desafiantes o amenazantes.
nivel de presión arterial:.- Fuerza que ejerce la sangre contra las paredes de las arterias mientras el corazón bombea y se relaja.
Numero de embarazos:.-
Frecuencia de miccion:.-La cantidad de veces que una persona va al baño para orinar, puede variar según diversos factores, como la cantidad de líquidos que se consumen, la edad, la salud general y la presencia de ciertas condiciones médicas.
Diabético:.- Es una enfermedad crónica que se produce cuando el cuerpo no puede producir suficiente insulina
##Tipos de variables
classses = sapply(diabetes2,class)
classses## Age Gender Family_Diabetes highBP
## "character" "character" "character" "character"
## PhysicallyActive BMI Smoking Alcohol
## "character" "integer" "character" "character"
## Sleep SoundSleep RegularMedicine JunkFood
## "integer" "integer" "character" "character"
## Stress BPLevel Pregancies Pdiabetes
## "character" "character" "integer" "character"
## UriationFreq Diabetic
## "character" "character"##Conversion de variable Age
##Age
diabetes2$Age <- factor(diabetes2$Age, levels = c("40-49", "50-59", "60 or older", "lees than 40"))##Gender
diabetes2$Gender <- factor(diabetes2$Gender, levels = c("40-49", "50-59", "60 or older", "lees than 40"))##PhysicallyActive
diabetes2$PhysicallyActive = factor(diabetes2$PhysicallyActive)
levels=c("less half an hr", "More than half an hr", "none","one hour or more")##Family_diabetes
diabetes2$Family_Diabetes <- factor(diabetes2$Family_Diabetes)
levels=c("yes","no")##Smoking
diabetes2$Smoking <- factor(diabetes2$Smoking)
levels=c("yes","no")##Alcohol
diabetes2$Alcohol <- factor(diabetes2$Alcohol)
levels=c("yes","no")##RegularMedicine
diabetes2$RegularMedicine <- factor(diabetes2$RegularMedicine)
levels=c("yes","no")##JunkFood
diabetes2$JunkFood<- factor(diabetes2$JunkFood)
levels=c("often","occasionally","
very often","always")##Stress
diabetes2$Stress<- factor(diabetes2$Stress)
levels=c("not at all", "sometimes" , "very often","always")##BPLevel
diabetes2$BPLevel<- factor(diabetes2$BPLevel)
levels=c("normal","high","low")##Pdiabetes
diabetes2$Pdiabetes<- factor(diabetes2$Pdiabetes)
levels=c("0","yes")##UriationFreq
diabetes2$UriationFreq<- factor(diabetes2$UriationFreq)
levels=c("not much","quite often")##Diabetic
diabetes2$Diabetic<- factor(diabetes2$Diabetic)
levels=c("no","yes")Classes=sapply(diabetes2,class)
for(i in 1:ncol(diabetes2))
if(Classes[i]=="integer")
diabetes2[[i]]=as.numeric(diabetes2[[i]])
Classes=sapply(diabetes2,class)
Classes## Age Gender Family_Diabetes highBP
## "factor" "factor" "factor" "character"
## PhysicallyActive BMI Smoking Alcohol
## "factor" "numeric" "factor" "factor"
## Sleep SoundSleep RegularMedicine JunkFood
## "numeric" "numeric" "factor" "factor"
## Stress BPLevel Pregancies Pdiabetes
## "factor" "factor" "numeric" "factor"
## UriationFreq Diabetic
## "factor" "factor"##Analisis descriptivo
Realizamos una descripcion basica y visualizacion de los datos . La fincion describe colocada en una dara frame nos proporciona la descriptiva basica de todas las variables numericas nos proporciona recuento la media aritmetica.
which(is.na(diabetes2))## [1] 1 2 4 9 11 12 14 15 17 19 21 23 25 26
## [15] 30 32 34 35 36 37 38 42 44 46 47 50 51 52
## [29] 53 54 55 58 60 63 64 67 70 71 72 73 76 78
## [43] 79 81 82 84 85 86 91 92 95 96 97 98 100 103
## [57] 104 107 108 109 110 113 115 116 119 120 121 122 123 124
## [71] 126 129 132 135 136 140 143 145 146 147 151 153 155 156
## [85] 157 158 160 162 163 164 168 170 171 172 175 176 178 179
## [99] 183 188 189 190 191 192 193 195 199 200 201 202 203 204
## [113] 205 206 208 210 215 218 219 220 223 224 225 228 233 234
## [127] 236 237 238 239 240 242 244 245 248 249 250 251 253 258
## [141] 259 260 265 269 272 273 274 276 277 279 282 286 288 290
## [155] 296 297 298 301 302 307 308 310 312 313 318 321 324 326
## [169] 328 332 333 334 335 338 345 346 350 351 354 355 357 358
## [183] 360 361 363 364 373 376 377 378 382 389 390 394 395 396
## [197] 397 398 399 400 401 403 404 407 408 409 415 419 420 421
## [211] 422 428 430 433 435 436 437 438 439 442 443 446 451 452
## [225] 455 456 457 458 461 463 465 466 469 470 471 475 477 479
## [239] 490 493 495 496 497 498 499 501 502 503 504 508 510 511
## [253] 512 513 514 515 520 521 523 524 525 526 528 529 533 534
## [267] 535 536 538 542 544 545 551 552 553 555 556 557 559 562
## [281] 564 565 566 567 569 570 571 575 576 578 580 581 583 585
## [295] 587 588 589 591 593 595 596 597 598 601 602 604 608 609
## [309] 614 616 617 619 621 623 630 632 633 634 635 636 639 640
## [323] 642 644 646 648 650 654 655 657 658 659 660 661 663 665
## [337] 666 668 669 672 675 676 677 680 681 684 685 686 687 689
## [351] 690 692 693 695 696 698 699 704 705 707 708 710 711 713
## [365] 715 717 718 721 723 732 734 735 740 743 747 749 750 752
## [379] 753 755 756 757 759 760 761 762 765 769 770 771 774 775
## [393] 776 778 783 785 788 789 791 792 793 794 795 797 802 803
## [407] 804 806 807 808 809 810 812 813 817 818 819 820 821 822
## [421] 823 824 829 830 831 833 834 836 837 838 839 842 844 845
## [435] 846 851 852 853 854 855 862 863 865 868 870 871 873 874
## [449] 877 878 883 885 886 887 888 889 891 893 895 896 898 899
## [463] 902 903 907 908 909 910 911 912 913 914 915 916 917 918
## [477] 919 920 921 922 923 924 925 926 927 928 929 930 931 932
## [491] 933 934 935 936 937 938 939 940 941 942 943 944 945 946
## [505] 947 948 949 950 951 952 953 954 955 956 957 958 959 960
## [519] 961 962 963 964 965 966 967 968 969 970 971 972 973 974
## [533] 975 976 977 978 979 980 981 982 983 984 985 986 987 988
## [547] 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002
## [561] 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016
## [575] 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030
## [589] 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044
## [603] 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058
## [617] 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072
## [631] 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086
## [645] 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100
## [659] 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114
## [673] 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128
## [687] 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142
## [701] 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156
## [715] 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170
## [729] 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184
## [743] 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198
## [757] 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212
## [771] 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226
## [785] 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240
## [799] 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254
## [813] 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268
## [827] 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282
## [841] 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296
## [855] 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310
## [869] 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324
## [883] 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338
## [897] 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352
## [911] 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366
## [925] 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380
## [939] 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394
## [953] 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408
## [967] 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422
## [981] 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436
## [995] 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450
## [1009] 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464
## [1023] 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478
## [1037] 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492
## [1051] 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506
## [1065] 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520
## [1079] 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534
## [1093] 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548
## [1107] 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562
## [1121] 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576
## [1135] 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590
## [1149] 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604
## [1163] 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618
## [1177] 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632
## [1191] 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646
## [1205] 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660
## [1219] 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674
## [1233] 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688
## [1247] 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702
## [1261] 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716
## [1275] 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730
## [1289] 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744
## [1303] 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758
## [1317] 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772
## [1331] 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786
## [1345] 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800
## [1359] 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812Desviacion tipica
\[S=\sqrt {{{\sum\nolimits_{i = 1}^n {{{\left({{x_i}-\bar x} \right)}^2}} }\over n}}\]
summary(diabetes2[,Classes=="integer"])## < table of extent 0 x 0 >apply(diabetes2[,Classes=="integer"],2,sd)## numeric(0)Media: .- La media aritmética, conocida también simplemente como “media” o “promedio”, es una medida de tendencia central que se calcula sumando todos los valores en un conjunto de datos y dividiendo la suma por la cantidad de valores en ese conjunto.
Mediana: .- La mediana es el valor que ocupa el lugar central de todos los datos cuando están ordenados de menor a mayor. Es una medida de tendencia central utilizada en estadística para describir y comprender la distribución y las características de un conjunto de datos.
Minimo: .- El mínimo se refiere a la cantidad más baja o el valor más pequeño en un contexto específico.
Maximo: .- El máximo se refiere al valor más grande dentro de un conjunto de números o datos.
INTERPRETACION: Según los datos proporcionados, se presenta información sobre cuatro variables: BMI (Índice de Masa Corporal), Sleep (Cantidad de horas de sueño), SoundSleep (Cantidad de horas de sueño profundo) y Pregancies (Número de embarazos).
-El valor mínimo para el BMI es 15.00, lo que indica que hay al menos una persona con un índice de masa corporal muy bajo.
-En cuanto a la cantidad de horas de sueño, el mínimo es 4.000, lo que sugiere que al menos una persona en el conjunto de datos duerme muy pocas horas.
-Para las horas de sueño profundo (SoundSleep), también se encuentra un valor mínimo de 0.000, lo que indica que al menos una persona en el conjunto de datos no tiene ninguna hora de sueño profundo.
-En cuanto al número de embarazos (Pregancies), el mínimo es 0.0000, lo que sugiere que hay personas en el conjunto de datos que no han tenido embarazos.
-La mediana de 24.00 sugiere que el 50% de las personas tienen un índice de masa corporal igual o inferior a este valor.
-La mediana de 7.000 indica que el 50% de las personas duermen 7 horas o menos.
-La mediana de 6.000 sugiere que el 50% de las personas tienen 6 horas o menos de sueño profundo.
-La mediana de 0.0000 indica que el 50% de las personas no han tenido embarazos.
-El valor máximo de 42.00 indica que al menos una persona en el conjunto de datos tiene un índice de masa corporal muy alto.
-La media de 25.33 indica el promedio de los índices de masa corporal en la base de datos.
El valor máximo de 11.000 indica que al menos una persona en el conjunto de datos duerme muchas horas.
-La media de 6.976 indica el promedio de las horas de sueño en la base de datos.
-El valor máximo de 11.000 indica que al menos una persona en el conjunto de datos tiene un alto número de horas de sueño profundo.
-La media de 5.609 indica el promedio de las horas de sueño profundo en la base de datos.
-El valor máximo de 4.0000 indica que hay personas en el conjunto de datos que han tenido hasta 4 embarazos.
-La media de 0.3819 indica el promedio del número de embarazos en la base de datos.
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.2grafico_1 = ggplot(diabetes2,aes(x=Gender))+
geom_bar(stat="count", width=0.7, fill="yellow")+
theme_minimal()
grafico_2 = ggplot(diabetes2,aes(x=Age))+
geom_bar(stat="count", width=0.7, fill="red")+
theme_minimal()
grafico_3 = ggplot(diabetes2,aes(x=PhysicallyActive))+
geom_bar(stat="count", width=0.7, fill="purple")+
theme_minimal()
grafico_4 =ggplot(diabetes2,aes(x=JunkFood))+
geom_bar(stat="count", width=0.7, fill="pink")+
theme_minimal()
print(grafico_1)
print(grafico_2)
print(grafico_3)
print(grafico_4)
qplot(BMI,Sleep, data=diabetes2,colour=Diabetic)## Warning: `qplot()` was deprecated in ggplot2 3.4.0.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
##Interpretacion
En la grafica de dispersion se observa que la variable indice de masa corporal con horas de dormir existe un exceso de personas que no presentan diabetes.
p1 <- ggplot(diabetes2, aes(x=Diabetic, y=BMI, color=Diabetic)) + geom_boxplot()
p1
##Interpretacion
Usando un diagrama de caja de la variable BMI (Índice de Masa Corporal), se puede ver que hay datos atípicos para personas sin diabetes, pero también se puede notar que hay más personas con diabetes.
p2 <- ggplot(diabetes2, aes(x=Diabetic, y= Sleep, color=Diabetic)) + geom_boxplot()
p2
##Interpretacion
El diagrama de caja muestra que no hay datos atípicos entre no diabéticos y personas con diabetes, y la media de ambos se observa en personas que duermen unas 7 horas.
p3<- ggplot(diabetes2, aes(x=Diabetic, y=SoundSleep , color=Diabetic)) + geom_boxplot()
p3
##Interpretacion
En los dos cuadros para personas con y sin diabetes, podemos ver que no hay valores atípicos porque para las personas sin diabetes, el bigote inferior significa que los datos en la parte inferior de la distribución son más pequeños que en la parte superior. Los datos están más dispersos. o es más diverso.
p4 <- ggplot(diabetes2, aes(x=Diabetic, y= Pregancies, color=Diabetic)) + geom_boxplot()
p4
##Interpretacion
Se puede observar que las personas sin diabetes tienen valores atípicos, es decir, observaciones que están muy fuera del rango esperado para la mayoría de los datos. Estos valores pueden proporcionar información valiosa sobre la distribución de los datos y resaltar puntos que son significativamente diferentes del resto de los datos. La mayoría de los datos son generalmente inferiores a la media, lo que indica un sesgo en la parte inferior de la distribución. La mediana está en la parte inferior y es apenas visible, los datos están claramente concentrados en la parte inferior de la distribución.
##Relacion entre la variable binaria y la varibale nominales
library(ggmosaic)## Warning: package 'ggmosaic' was built under R version 4.3.2library(gridExtra)## Warning: package 'gridExtra' was built under R version 4.3.2q1 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Age),
fill = Diabetic)) + labs(x = "Age", title = "Factores_Diabetes")
q2 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Gender),
fill = Diabetic)) + labs(x = "Gender", title = "Factores_Diabetes")
q3 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Family_Diabetes),
fill = Diabetic)) + labs(x = "Family_Diabetes", title = "Factores_Diabetes")
q4 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, highBP),
fill = Diabetic)) + labs(x = "highBP", title = "Factores_Diabetes")
q5 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, PhysicallyActive),
fill = Diabetic)) + labs(x = "PhysicallyActive", title = "Factores_Diabetes")
q6 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Smoking),
fill = Diabetic)) + labs(x = "Smoking", title = "Factores_Diabetes")
q7 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Alcohol),
fill = Diabetic)) + labs(x = "Alcohol", title = "Factores_Diabetes")
q8 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, RegularMedicine),
fill = Diabetic)) + labs(x = "RegularMedicine", title = "Factores_Diabetes")
q9 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, JunkFood),
fill = Diabetic)) + labs(x = "JunkFood", title = "Factores_Diabetes")
q10 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Stress),
fill = Diabetic)) + labs(x = "Stress", title = "Factores_Diabetes")
q11 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, BPLevel),
fill = Diabetic)) + labs(x = "BPLevel", title = "Factores_Diabetes")
q12 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, Pdiabetes),
fill = Diabetic)) + labs(x = "Pdiabetes", title = "Factores_Diabetes")
q13 <- ggplot(data = diabetes2)+
geom_mosaic(aes(x= product(Diabetic, UriationFreq),
fill = Diabetic)) + labs(x = "UriationFreq", title = "Factores_Diabetes")
grid.arrange(q1,q2,q3,q4,q5, q6, q7, q8, q9, q10, q11, q12, q13, nrow=4,ncol=4)## Warning: `unite_()` was deprecated in tidyr 1.2.0.
## ℹ Please use `unite()` instead.
## ℹ The deprecated feature was likely used in the ggmosaic package.
## Please report the issue at <https://github.com/haleyjeppson/ggmosaic>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
##Interpretacion
En un gráfico de mosaico observaremos si estas variables son significativas Si estas variables se utilizan para determinar si las personas tienen diabetes, entonces todas las variables son importantes para determinar si las personas tienen diabetes y pueden determinar si las personas no tienen diabetes.
##Grafico multivariante
library(GGally)## Warning: package 'GGally' was built under R version 4.3.2## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2##
## Attaching package: 'GGally'## The following object is masked from 'package:ggmosaic':
##
## happyggpairs(diabetes2[,Classes=="numeric"]) + theme_bw()
##Interpretacion
Esta correlación negativa sugiere que la duración total del sueño tiende a disminuir ligeramente al aumentar el índice de masa corporal. Sin embargo, la magnitud de la correlación (-0,073) sugiere que esta relación es bastante débil. Debido a la débil correlación, la relación entre el BMI y la duración del sueño puede no tener mucho sentido desde una perspectiva práctica.
Esto muestra que existe una correlación negativa moderada entre estas dos variables. La correlación negativa indica que la calidad del sueño (sueño profundo) generalmente tiende a disminuir al aumentar el BMI.
La correlación entre el índice de masa corporal (BMI) y el número de embarazos es de -0,086, lo que indica una correlación negativa muy débil entre las dos variables; un valor de -0,086 indica una correlación débil entre el BMI y el número de embarazos. Esta correlación negativa sugiere que generalmente existe una pequeña tendencia negativa en las tasas de embarazo a medida que aumenta el BMI.
La correlación entre la duración del sueño y el sueño profundo fue de 0,575, lo que indica una correlación positiva moderada entre estas dos variables. En otras palabras, existe una tendencia a que una mayor duración del sueño aumente la frecuencia o calidad del sueño profundo y viceversa, y estas variables están asociadas con la diabetes. La correlación entre la duración del sueño y la diabetes fue de 0,644, y la correlación entre el sueño profundo y la diabetes fue de 0,543, lo que sugiere una asociación moderada entre estas variables y la diabetes.
La correlación entre la duración del embarazo y la duración del sueño fue de 0,054, lo que indica una correlación muy débil y casi nula entre estas dos variables. El valor bajo indica que generalmente no existe una relación significativa entre las horas de sueño y las variables del embarazo; estas variables están asociadas con la presencia de diabetes. La correlación entre el embarazo y la diabetes fue de 0,029, y la correlación entre la duración del sueño y la diabetes fue de 0,102, lo que indica una asociación muy débil entre estas variables y la diabetes.
La correlación entre el embarazo y el sueño profundo fue de 0,117, lo que indica una correlación positiva débil entre estas dos variables. A medida que aumentan las variables del embarazo, también aumenta la frecuencia o calidad del sueño profundo, y viceversa. Sin embargo, la magnitud de la correlación sugiere que la relación es relativamente débil. Estas variables están asociadas con la presencia o ausencia de diabetes. La correlación entre el embarazo y la diabetes fue de 0,078, y la correlación entre el sueño profundo y la diabetes fue de 0,169, lo que sugiere una asociación débil entre estas variables y la diabetes.
p <- ggpairs(diabetes2[,c(which(Classes=="numeric"),18)], aes(color = Diabetic)) + theme_bw()
p## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.