TRANSFORMACION Y ESTANDARIZACION DE VARIABLES

La transformación y estandarización de variables son técnicas comunes utilizadas en el análisis de datos para mejorar la interpretación de los datos y garantizar que las variables sean comparables entre si

CARGAR CONJUNTO DE DATOS

telco <- read.csv("https://raw.githubusercontent.com/VictorGuevaraP/Estadistica-R/master/Caso_telefon%C3%ADa.csv", sep=";", encoding="latin1", stringsAsFactors = TRUE)
head(telco)
##   Código    Género  Sucursal Reclamos Llamadas Edad Minutos Monto Tiempo
## 1 CLIPE1 Masculino Suc. Este        5        7   27    33.0  90.7   16.9
## 2 CLIPE2  Femenino Suc. Este        2        4   28    31.7  95.7    1.5
## 3 CLIPE3 Masculino Suc. Este        5        7   28    39.9 114.5    4.0
## 4 CLIPE4 Masculino Suc. Este        3        5   21    39.3 106.0   14.5
## 5 CLIPE5  Femenino Suc. Este        2        3   29    37.8  99.0    2.7
## 6 CLIPE6 Masculino Suc. Este        3        4   26    43.7  90.2   11.5
##     Opinión
## 1   Regular
## 2     Bueno
## 3    Pésimo
## 4 Muy Bueno
## 5    Pésimo
## 6     Bueno

TRANSFORMACION RAIZ CUADRADA

#ORIGINAL
hist(telco$Edad, 12)

Para sacar la raiz cuadrada simplemente utilizar la funcion de SQRT

sqrt(telco$Edad)
##  [1] 5.196152 5.291503 5.291503 4.582576 5.385165 5.099020 6.324555 6.324555
##  [9] 5.477226 5.196152 5.291503 4.898979 5.099020 5.744563 4.582576 6.324555
## [17] 5.000000 6.164414 5.916080 5.567764 5.291503 5.099020 5.099020 5.744563
## [25] 5.830952 4.690416 5.099020 6.244998 5.567764 4.690416 5.291503 5.916080
## [33] 4.690416 6.324555 5.830952 4.472136 5.830952 4.472136 5.385165 5.744563
## [41] 4.795832 5.916080 4.898979 5.656854 5.656854 5.196152 6.082763 5.656854
## [49] 5.744563 5.916080 6.244998 5.830952 6.164414 6.244998 6.082763 5.656854
## [57] 6.082763 5.000000 5.099020 6.324555 6.324555 5.477226 5.291503 4.898979
## [65] 5.744563 4.582576 5.291503 4.582576 5.385165 6.000000 5.830952 4.472136
## [73] 5.830952 4.472136 5.385165 5.567764 4.690416 6.164414 6.000000 5.744563

GRAFICAMENTE

hist(sqrt(telco$Edad))

TRANSFORMACION EXPONENCIAL

Se aplica cuando los datos tienenuna distribucion sesgada hacia la izquierda(asimetria negativa). La transformacion exponencial puede ayudar a corregir asimetria y hacer que los datos se aproximen mas a una distribucion simètrica.

En R para poder obtener esta transformacion se debe utilizar la funcion exp()

exp(telco$Edad)
##  [1] 5.320482e+11 1.446257e+12 1.446257e+12 1.318816e+09 3.931334e+12
##  [6] 1.957296e+11 2.353853e+17 2.353853e+17 1.068647e+13 5.320482e+11
## [11] 1.446257e+12 2.648912e+10 1.957296e+11 2.146436e+14 1.318816e+09
## [16] 2.353853e+17 7.200490e+10 3.185593e+16 1.586013e+15 2.904885e+13
## [21] 1.446257e+12 1.957296e+11 1.957296e+11 2.146436e+14 5.834617e+14
## [26] 3.584913e+09 1.957296e+11 8.659340e+16 2.904885e+13 3.584913e+09
## [31] 1.446257e+12 1.586013e+15 3.584913e+09 2.353853e+17 5.834617e+14
## [36] 4.851652e+08 5.834617e+14 4.851652e+08 3.931334e+12 2.146436e+14
## [41] 9.744803e+09 1.586013e+15 2.648912e+10 7.896296e+13 7.896296e+13
## [46] 5.320482e+11 1.171914e+16 7.896296e+13 2.146436e+14 1.586013e+15
## [51] 8.659340e+16 5.834617e+14 3.185593e+16 8.659340e+16 1.171914e+16
## [56] 7.896296e+13 1.171914e+16 7.200490e+10 1.957296e+11 2.353853e+17
## [61] 2.353853e+17 1.068647e+13 1.446257e+12 2.648912e+10 2.146436e+14
## [66] 1.318816e+09 1.446257e+12 1.318816e+09 3.931334e+12 4.311232e+15
## [71] 5.834617e+14 4.851652e+08 5.834617e+14 4.851652e+08 3.931334e+12
## [76] 2.904885e+13 3.584913e+09 3.185593e+16 4.311232e+15 2.146436e+14

GRAFICAMENTE

hist(exp(telco$Edad))

Forma 2

edad_exp <- exp(telco$Edad)
hist(edad_exp)

TRANSFORMACION LOGARITMICA

Esta transformacion se utiliza cuando los datos presentan una distribucion sesgada hacia la derecha(asimetria positiva)

Para la transformacion logaritmica utilizar log(dentro de los argumentos se puede cambiar la base)

log(telco$Edad)
##  [1] 3.295837 3.332205 3.332205 3.044522 3.367296 3.258097 3.688879 3.688879
##  [9] 3.401197 3.295837 3.332205 3.178054 3.258097 3.496508 3.044522 3.688879
## [17] 3.218876 3.637586 3.555348 3.433987 3.332205 3.258097 3.258097 3.496508
## [25] 3.526361 3.091042 3.258097 3.663562 3.433987 3.091042 3.332205 3.555348
## [33] 3.091042 3.688879 3.526361 2.995732 3.526361 2.995732 3.367296 3.496508
## [41] 3.135494 3.555348 3.178054 3.465736 3.465736 3.295837 3.610918 3.465736
## [49] 3.496508 3.555348 3.663562 3.526361 3.637586 3.663562 3.610918 3.465736
## [57] 3.610918 3.218876 3.258097 3.688879 3.688879 3.401197 3.332205 3.178054
## [65] 3.496508 3.044522 3.332205 3.044522 3.367296 3.583519 3.526361 2.995732
## [73] 3.526361 2.995732 3.367296 3.433987 3.091042 3.637586 3.583519 3.496508

GRAFICAMENTE

hist(log(telco$Edad))

CAMBIAR BASE 2

log(telco$Edad, base=2)
##  [1] 4.754888 4.807355 4.807355 4.392317 4.857981 4.700440 5.321928 5.321928
##  [9] 4.906891 4.754888 4.807355 4.584963 4.700440 5.044394 4.392317 5.321928
## [17] 4.643856 5.247928 5.129283 4.954196 4.807355 4.700440 4.700440 5.044394
## [25] 5.087463 4.459432 4.700440 5.285402 4.954196 4.459432 4.807355 5.129283
## [33] 4.459432 5.321928 5.087463 4.321928 5.087463 4.321928 4.857981 5.044394
## [41] 4.523562 5.129283 4.584963 5.000000 5.000000 4.754888 5.209453 5.000000
## [49] 5.044394 5.129283 5.285402 5.087463 5.247928 5.285402 5.209453 5.000000
## [57] 5.209453 4.643856 4.700440 5.321928 5.321928 4.906891 4.807355 4.584963
## [65] 5.044394 4.392317 4.807355 4.392317 4.857981 5.169925 5.087463 4.321928
## [73] 5.087463 4.321928 4.857981 4.954196 4.459432 5.247928 5.169925 5.044394

GRAFICAMENTE

hist(log(telco$Edad, base = 2))

COMPARACION DE TRANSFORMACIONES

edad_sqrt <- sqrt(telco$Edad)
edad_exp <- exp(telco$Edad)
edad_ln <- log(telco$Edad)
edad_log2 <- log(telco$Edad, base=2)
edad_log5 <- log(telco$Edad, base=5)

VER GRAFICAMENTE CADA UNA:

par(mfrow=c(3,2))
hist(telco$Edad)
hist(edad_sqrt)
hist(edad_exp)
hist(edad_ln)
hist(edad_log2)
hist(edad_log5)

par(mfrow=c(1,1))

Este tipo de transformaciones, busca que los datos simetricos(distribucion forma de campana) o que cumpla un supuesto estadistico. La visualizacion de la distribucion puede mejorarse con la grafica de densidad.

par(mfrow=c(3,2))
plot(density(telco$Edad), main = "Distribucion de Edades originales")
plot(density(edad_sqrt), main = "Distribucion de Edades transformadas - sqrt")
plot(density(edad_exp), main = "Distribucion de Edades transformadas - exp")
plot(density(edad_ln), main = "Distribucion de Edades transformadas - ln")
plot(density(edad_log2), main = "Distribucion de Edades transformadas - log2")
plot(density(edad_log5), main = "Distribucion de Edades transformadas - log5")

par(mfrow=c(1,1))

Se puede Realizar un Anàlisis general de las variables originales y verificar su comportamiento, a partir de alli se puede aplicar la transformacion mas adecuada segun el objetivo.

GRAFICA GENERAL

library(PerformanceAnalytics)
## Loading required package: xts
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## 
## Attaching package: 'PerformanceAnalytics'
## The following object is masked from 'package:graphics':
## 
##     legend
chart.Correlation(cor(telco[,4:8]),histogram=TRUE)

ESTANDARIZACION DE VARIABLES

La estandarización de variables, también conocida como normalización, implica transformar los valores de una variable para que tengan una media de cero y una desviación estándar de uno. Esto se logra restando la media de la variable a cada valor y dividiendo por la desviación estándar. La estandarización es útil cuando se desea comparar variables que están en diferentes escalas o unidades. Al estandarizar las variables, se eliminan las diferencias en las escalas y se asegura que todas las variables tengan la misma escala relativa. Por ejemplo, si tienes un conjunto de variables con diferentes unidades de medida, como peso en kilogramos y altura en metros, puedes estandarizar ambas variables para que sean comparables y no se vean afectadas por las diferencias en las unidades.

\[ Z=\frac{X_i-\mu}\sigma \]

Donde: - \(X_i\) representa cada dato dentro del caso - \(\mu\) es la media poblacional (Promedio) - \(\sigma\) es la desviación estándar poblacional.

head(telco)
##   Código    Género  Sucursal Reclamos Llamadas Edad Minutos Monto Tiempo
## 1 CLIPE1 Masculino Suc. Este        5        7   27    33.0  90.7   16.9
## 2 CLIPE2  Femenino Suc. Este        2        4   28    31.7  95.7    1.5
## 3 CLIPE3 Masculino Suc. Este        5        7   28    39.9 114.5    4.0
## 4 CLIPE4 Masculino Suc. Este        3        5   21    39.3 106.0   14.5
## 5 CLIPE5  Femenino Suc. Este        2        3   29    37.8  99.0    2.7
## 6 CLIPE6 Masculino Suc. Este        3        4   26    43.7  90.2   11.5
##     Opinión
## 1   Regular
## 2     Bueno
## 3    Pésimo
## 4 Muy Bueno
## 5    Pésimo
## 6     Bueno

METODO 1: MANUAL

media_monto <- mean(telco$Monto)
media_monto
## [1] 92.305
desv_est <- sd(telco$Monto)
desv_est
## [1] 10.11737
monto_estandar <- (telco$Monto-media_monto)/desv_est
monto_estandar
##  [1] -0.15863801  0.33556141  2.19375124  1.35361222  0.66173303 -0.20805796
##  [7]  1.00767262 -0.01037819  1.75885575  0.41463332 -0.39585374 -0.66272143
## [13] -0.25747790 -0.34643380 -0.82086524 -0.80109726 -0.05979813 -1.79938010
## [19] -0.34643380 -0.06968212 -1.21622478 -0.38596975 -1.36448461 -0.39585374
## [25] -0.66272143 -0.36620177 -1.33483264 -1.05808096 -0.59353351 -0.84063322
## [31] -0.15863801  0.33556141  0.69138499 -0.89005316  0.49370522 -0.93947310
## [37]  0.19718557  0.41463332 -1.33483264  0.78034089 -0.96912507 -0.95924108
## [43]  0.21695355 -0.59353351 -0.39585374 -0.85051721 -0.84063322 -0.81098125
## [49] -0.89993715 -0.74179333  0.65184904  2.64841471  1.09662852  1.70943580
## [55]  1.35361222  0.81987684  1.05709257  1.79839170  1.98618748 -0.15863801
## [61]  1.99607147  1.58094395  1.35361222  0.66173303 -0.20805796  1.00767262
## [67] -0.01037819  1.75885575  0.41463332 -0.03014616 -0.80109726 -0.38596975
## [73] -1.36448461 -0.39585374 -0.66272143 -0.36620177 -1.33483264 -1.05808096
## [79] -0.59353351 -0.84063322

METODO 2: DIRECTO

monto_estandar2 <- (telco$Monto-mean(telco$Monto))/sd(telco$Monto)
monto_estandar2
##  [1] -0.15863801  0.33556141  2.19375124  1.35361222  0.66173303 -0.20805796
##  [7]  1.00767262 -0.01037819  1.75885575  0.41463332 -0.39585374 -0.66272143
## [13] -0.25747790 -0.34643380 -0.82086524 -0.80109726 -0.05979813 -1.79938010
## [19] -0.34643380 -0.06968212 -1.21622478 -0.38596975 -1.36448461 -0.39585374
## [25] -0.66272143 -0.36620177 -1.33483264 -1.05808096 -0.59353351 -0.84063322
## [31] -0.15863801  0.33556141  0.69138499 -0.89005316  0.49370522 -0.93947310
## [37]  0.19718557  0.41463332 -1.33483264  0.78034089 -0.96912507 -0.95924108
## [43]  0.21695355 -0.59353351 -0.39585374 -0.85051721 -0.84063322 -0.81098125
## [49] -0.89993715 -0.74179333  0.65184904  2.64841471  1.09662852  1.70943580
## [55]  1.35361222  0.81987684  1.05709257  1.79839170  1.98618748 -0.15863801
## [61]  1.99607147  1.58094395  1.35361222  0.66173303 -0.20805796  1.00767262
## [67] -0.01037819  1.75885575  0.41463332 -0.03014616 -0.80109726 -0.38596975
## [73] -1.36448461 -0.39585374 -0.66272143 -0.36620177 -1.33483264 -1.05808096
## [79] -0.59353351 -0.84063322

METODO 3: FUNCIONES R

R tiene Multiples Funciones para estandarizar, la clasica es la funcion scale

#Funcion Scale
monto_estandar3 <- scale(telco$Monto)
monto_estandar3
##              [,1]
##  [1,] -0.15863801
##  [2,]  0.33556141
##  [3,]  2.19375124
##  [4,]  1.35361222
##  [5,]  0.66173303
##  [6,] -0.20805796
##  [7,]  1.00767262
##  [8,] -0.01037819
##  [9,]  1.75885575
## [10,]  0.41463332
## [11,] -0.39585374
## [12,] -0.66272143
## [13,] -0.25747790
## [14,] -0.34643380
## [15,] -0.82086524
## [16,] -0.80109726
## [17,] -0.05979813
## [18,] -1.79938010
## [19,] -0.34643380
## [20,] -0.06968212
## [21,] -1.21622478
## [22,] -0.38596975
## [23,] -1.36448461
## [24,] -0.39585374
## [25,] -0.66272143
## [26,] -0.36620177
## [27,] -1.33483264
## [28,] -1.05808096
## [29,] -0.59353351
## [30,] -0.84063322
## [31,] -0.15863801
## [32,]  0.33556141
## [33,]  0.69138499
## [34,] -0.89005316
## [35,]  0.49370522
## [36,] -0.93947310
## [37,]  0.19718557
## [38,]  0.41463332
## [39,] -1.33483264
## [40,]  0.78034089
## [41,] -0.96912507
## [42,] -0.95924108
## [43,]  0.21695355
## [44,] -0.59353351
## [45,] -0.39585374
## [46,] -0.85051721
## [47,] -0.84063322
## [48,] -0.81098125
## [49,] -0.89993715
## [50,] -0.74179333
## [51,]  0.65184904
## [52,]  2.64841471
## [53,]  1.09662852
## [54,]  1.70943580
## [55,]  1.35361222
## [56,]  0.81987684
## [57,]  1.05709257
## [58,]  1.79839170
## [59,]  1.98618748
## [60,] -0.15863801
## [61,]  1.99607147
## [62,]  1.58094395
## [63,]  1.35361222
## [64,]  0.66173303
## [65,] -0.20805796
## [66,]  1.00767262
## [67,] -0.01037819
## [68,]  1.75885575
## [69,]  0.41463332
## [70,] -0.03014616
## [71,] -0.80109726
## [72,] -0.38596975
## [73,] -1.36448461
## [74,] -0.39585374
## [75,] -0.66272143
## [76,] -0.36620177
## [77,] -1.33483264
## [78,] -1.05808096
## [79,] -0.59353351
## [80,] -0.84063322
## attr(,"scaled:center")
## [1] 92.305
## attr(,"scaled:scale")
## [1] 10.11737

La ventaja de la funcion de R, es que se puede enviar todo el caso.

telco_scale <- scale(telco[ ,4:9])
head(telco_scale)
##        Reclamos    Llamadas       Edad     Minutos      Monto     Tiempo
## [1,]  0.6462614  0.86099329 -0.5465360 -0.52591040 -0.1586380  1.5218742
## [2,] -0.7263292 -0.37636234 -0.3802893 -0.67800907  0.3355614 -0.6349750
## [3,]  0.6462614  0.86099329 -0.3802893  0.28138254  2.1937512 -0.2848372
## [4,] -0.2687990  0.03608954 -1.5440161  0.21118315  1.3536122  1.1857419
## [5,] -0.7263292 -0.78881422 -0.2140426  0.03568469  0.6617330 -0.4669088
## [6,] -0.2687990 -0.37636234 -0.7127827  0.72597865 -0.2080580  0.7655764

RECORDAR En una sesion anterior se realizo graficos de cajas para verificar la presencia de outliers

#ORIGINAL
boxplot(telco)

#ESCALE
boxplot(telco_scale)

NORMALIZACION

Estandarizacion min-max: consiste en restar cada dato con el valor minimo y a esta operacion se le divide con la resta del valor maximo y minimo

\[ X_{norm}=\frac{\left(X_i-X_{\min}\right)}{X_{\max}-X_{\min}} \]

METODO 1: DIRECTO

Monto_normal <- (telco$Monto-min(telco$Monto))/(max(telco$Monto)-min(telco$Monto))
Monto_normal
##  [1] 0.36888889 0.48000000 0.89777778 0.70888889 0.55333333 0.35777778
##  [7] 0.63111111 0.40222222 0.80000000 0.49777778 0.31555556 0.25555556
## [13] 0.34666667 0.32666667 0.22000000 0.22444444 0.39111111 0.00000000
## [19] 0.32666667 0.38888889 0.13111111 0.31777778 0.09777778 0.31555556
## [25] 0.25555556 0.32222222 0.10444444 0.16666667 0.27111111 0.21555556
## [31] 0.36888889 0.48000000 0.56000000 0.20444444 0.51555556 0.19333333
## [37] 0.44888889 0.49777778 0.10444444 0.58000000 0.18666667 0.18888889
## [43] 0.45333333 0.27111111 0.31555556 0.21333333 0.21555556 0.22222222
## [49] 0.20222222 0.23777778 0.55111111 1.00000000 0.65111111 0.78888889
## [55] 0.70888889 0.58888889 0.64222222 0.80888889 0.85111111 0.36888889
## [61] 0.85333333 0.76000000 0.70888889 0.55333333 0.35777778 0.63111111
## [67] 0.40222222 0.80000000 0.49777778 0.39777778 0.22444444 0.31777778
## [73] 0.09777778 0.31555556 0.25555556 0.32222222 0.10444444 0.16666667
## [79] 0.27111111 0.21555556

METODO 2: FUNCION

library(scales)
rescale(telco$Monto)
##  [1] 0.36888889 0.48000000 0.89777778 0.70888889 0.55333333 0.35777778
##  [7] 0.63111111 0.40222222 0.80000000 0.49777778 0.31555556 0.25555556
## [13] 0.34666667 0.32666667 0.22000000 0.22444444 0.39111111 0.00000000
## [19] 0.32666667 0.38888889 0.13111111 0.31777778 0.09777778 0.31555556
## [25] 0.25555556 0.32222222 0.10444444 0.16666667 0.27111111 0.21555556
## [31] 0.36888889 0.48000000 0.56000000 0.20444444 0.51555556 0.19333333
## [37] 0.44888889 0.49777778 0.10444444 0.58000000 0.18666667 0.18888889
## [43] 0.45333333 0.27111111 0.31555556 0.21333333 0.21555556 0.22222222
## [49] 0.20222222 0.23777778 0.55111111 1.00000000 0.65111111 0.78888889
## [55] 0.70888889 0.58888889 0.64222222 0.80888889 0.85111111 0.36888889
## [61] 0.85333333 0.76000000 0.70888889 0.55333333 0.35777778 0.63111111
## [67] 0.40222222 0.80000000 0.49777778 0.39777778 0.22444444 0.31777778
## [73] 0.09777778 0.31555556 0.25555556 0.32222222 0.10444444 0.16666667
## [79] 0.27111111 0.21555556

Aplicando a todo el caso(var cuantitativas) la funcion rescale solo permite aplicarse a vectores, no es posible directamente aplicar al data frame.

library(caret)
## Warning: package 'caret' was built under R version 4.3.2
## Loading required package: ggplot2
## Warning: package 'ggplot2' was built under R version 4.3.2
## Loading required package: lattice
pre_procesamiento <- preProcess(telco[ ,4:9]) #Asi por defector muestra la estandarizacion Z
predict(pre_procesamiento, telco[ ,4:9])
##      Reclamos    Llamadas        Edad     Minutos       Monto      Tiempo
## 1   0.6462614  0.86099329 -0.54653598 -0.52591040 -0.15863801  1.52187422
## 2  -0.7263292 -0.37636234 -0.38028929 -0.67800907  0.33556141 -0.63497501
## 3   0.6462614  0.86099329 -0.38028929  0.28138254  2.19375124 -0.28483715
## 4  -0.2687990  0.03608954 -1.54401609  0.21118315  1.35361222  1.18574187
## 5  -0.7263292 -0.78881422 -0.21404261  0.03568469  0.66173303 -0.46690884
## 6  -0.2687990 -0.37636234 -0.71278266  0.72597865 -0.20805796  0.76557644
## 7   1.1037917  1.27344517  1.61467093  1.00677619  1.00767262 -0.77503016
## 8  -0.7263292 -0.37636234  1.61467093  0.01228489 -0.01037819 -0.66298604
## 9  -0.2687990  0.44854142 -0.04779592  0.52708039  1.75885575 -0.10276546
## 10 -1.1838595 -0.37636234 -0.54653598  0.64407937  0.41463332 -0.67699156
## 11 -0.2687990  0.03608954 -0.38028929  0.85467753 -0.39585374 -0.60696398
## 12 -0.2687990 -0.78881422 -1.04527603  0.01228489 -0.66272143  2.02607274
## 13 -0.7263292 -0.37636234 -0.71278266 -1.22790426 -0.25747790 -0.73301361
## 14 -1.1838595 -1.20126609  0.45094413 -0.86520743 -0.34643380 -0.78903567
## 15  0.1887312  0.03608954 -1.54401609 -1.28640375 -0.82086524 -0.45290332
## 16 -0.2687990  0.03608954  1.61467093 -1.07580559 -0.80109726 -0.03273789
## 17 -0.2687990  0.44854142 -0.87902935 -0.91200702 -0.05979813 -0.25682612
## 18  0.1887312  0.03608954  1.28217756 -0.58440989 -1.79938010 -0.73301361
## 19  0.1887312 -0.37636234  0.78343750 -1.49700191 -0.34643380  0.48546615
## 20 -1.1838595  0.44854142  0.11845076 -1.48530201 -0.06968212 -0.48091435
## 21 -0.2687990  0.86099329 -0.38028929 -0.61950958 -1.21622478 -0.21480958
## 22 -1.1838595 -1.61371797 -0.71278266 -1.26300395 -0.38596975 -0.66298604
## 23  1.5613219  1.68589705 -0.71278266 -0.71310876 -1.36448461 -0.48091435
## 24 -0.2687990  0.03608954  0.45094413 -0.74820846 -0.39585374 -0.07475443
## 25 -0.2687990  0.44854142  0.61719082 -1.26300395 -0.66272143 -0.46690884
## 26 -0.7263292  0.44854142 -1.37776940 -0.39721153 -0.36620177  0.76557644
## 27  0.1887312  0.44854142 -0.71278266 -1.20450447 -1.33483264 -0.77503016
## 28  0.6462614  0.86099329  1.44842424 -1.06410569 -1.05808096 -0.66298604
## 29 -1.1838595 -1.61371797  0.11845076  1.41627261 -0.59353351 -0.10276546
## 30  0.6462614  0.86099329 -1.37776940 -1.04070590 -0.84063322 -0.67699156
## 31 -0.7263292 -0.37636234 -0.38028929 -0.02281480 -0.15863801 -0.60696398
## 32 -0.2687990  0.03608954  0.78343750 -0.42061132  0.33556141  2.02607274
## 33 -0.2687990 -0.78881422 -1.37776940  0.05908448  0.69138499 -0.38287575
## 34  0.1887312 -0.37636234  1.61467093  0.49198070 -0.89005316 -0.80304119
## 35 -1.1838595 -1.61371797  0.61719082  0.09418418  0.49370522 -0.60696398
## 36 -0.7263292 -0.78881422 -1.71026277  1.29927364 -0.93947310  1.46585216
## 37 -0.7263292 -0.78881422  0.61719082 -0.50251061  0.19718557 -0.29884267
## 38 -1.1838595 -1.20126609 -1.71026277  0.41008141  0.41463332  2.88040912
## 39  0.1887312  0.86099329 -0.21404261  0.49198070 -1.33483264 -0.50892538
## 40  0.1887312  0.03608954  0.45094413 -0.33871204  0.78034089 -0.80304119
## 41 -0.2687990  1.27344517 -1.21152272  1.17057476 -0.96912507 -0.46690884
## 42 -1.1838595 -1.20126609  0.78343750 -0.29191245 -0.95924108  2.33419406
## 43 -0.2687990  1.27344517 -1.04527603 -0.08131429  0.21695355 -0.21480958
## 44 -1.1838595 -1.61371797  0.28469745  0.71427875 -0.59353351 -0.20080406
## 45 -0.7263292 -0.78881422  0.28469745 -0.26851265 -0.39585374  0.30339446
## 46  1.5613219  1.27344517 -0.54653598  0.03568469 -0.85051721 -0.11677098
## 47 -0.2687990 -0.37636234  1.11593087  0.02398479 -0.84063322 -0.28483715
## 48  0.6462614  1.27344517  0.28469745  0.46858090 -0.81098125  0.90563158
## 49 -0.2687990  0.86099329  0.45094413  1.49817190 -0.89993715  2.47424920
## 50  1.5613219  1.27344517  0.78343750 -0.45571101 -0.74179333 -0.46690884
## 51  2.0188521  1.68589705  1.44842424  1.69707016  0.65184904  4.19692748
## 52  0.6462614  0.03608954  0.61719082  1.50987179  2.64841471 -0.77503016
## 53  2.0188521  1.27344517  1.28217756 -0.15151367  1.09662852 -0.62096950
## 54  0.1887312 -0.37636234  1.44842424  0.26968264  1.70943580 -0.60696398
## 55  0.1887312  0.03608954  1.11593087  2.89045972  1.35361222 -0.73301361
## 56 -0.2687990 -0.37636234  0.28469745  0.94827671  0.81987684 -0.53693641
## 57  1.5613219  0.86099329  1.11593087  1.29927364  1.05709257 -0.17279303
## 58  0.6462614  0.03608954 -0.87902935  0.25798274  1.79839170 -0.53693641
## 59 -0.7263292 -0.78881422 -0.71278266 -1.38000293  1.98618748 -0.28483715
## 60 -0.2687990 -0.37636234  1.61467093  0.33988203 -0.15863801  1.52187422
## 61  2.0188521  1.27344517  1.61467093  1.03017599  1.99607147 -0.63497501
## 62  0.1887312 -0.37636234 -0.04779592  0.71427875  1.58094395 -0.45290332
## 63  2.0188521  1.27344517 -0.38028929  2.07146688  1.35361222 -0.35486472
## 64  3.3914428  3.33570456 -1.04527603  0.18778336  0.66173303 -0.28483715
## 65  0.6462614  0.44854142  0.45094413  1.65027057 -0.20805796  1.18574187
## 66  0.1887312  0.86099329 -1.54401609  0.77277824  1.00767262 -0.41088678
## 67  2.4763823  1.68589705 -0.38028929  0.17608346 -0.01037819 -0.18679855
## 68  2.0188521  1.27344517 -1.54401609  1.72046995  1.75885575 -0.29884267
## 69 -0.2687990 -0.78881422 -0.21404261  1.88426852  0.41463332  0.07930623
## 70 -0.7263292 -1.20126609  0.94968419 -0.13981378 -0.03014616  0.79358746
## 71 -1.1838595 -1.61371797  0.61719082 -1.54380150 -0.80109726 -0.48091435
## 72 -1.1838595 -1.61371797 -1.71026277 -0.66630917 -0.38596975 -0.10276546
## 73 -0.2687990 -0.78881422  0.61719082 -0.52591040 -1.36448461 -0.67699156
## 74  0.1887312  0.03608954 -1.71026277 -0.67800907 -0.39585374 -0.60696398
## 75 -0.7263292 -1.20126609 -0.21404261 -0.71310876 -0.66272143  2.02607274
## 76 -1.1838595 -1.20126609  0.11845076 -1.23960416 -0.36620177 -0.38287575
## 77 -0.7263292 -0.78881422 -1.37776940 -2.33939454 -1.33483264 -0.80304119
## 78 -0.2687990 -0.78881422  1.28217756 -0.88860723 -1.05808096 -0.60696398
## 79 -0.7263292 -0.78881422  0.94968419 -0.13981378 -0.59353351 -0.53693641
## 80 -0.7263292 -1.20126609  0.45094413 -0.66630917 -0.84063322 -0.28483715
library(caret)
pre_procesamiento <- preProcess(telco[ ,4:9], method = "range")
predict(pre_procesamiento, telco[ ,4:9])
##    Reclamos   Llamadas Edad   Minutos      Monto      Tiempo
## 1       0.4 0.50000000 0.35 0.3467562 0.36888889 0.464985994
## 2       0.1 0.25000000 0.40 0.3176734 0.48000000 0.033613445
## 3       0.4 0.50000000 0.40 0.5011186 0.89777778 0.103641457
## 4       0.2 0.33333333 0.05 0.4876957 0.70888889 0.397759104
## 5       0.1 0.16666667 0.45 0.4541387 0.55333333 0.067226891
## 6       0.2 0.25000000 0.30 0.5861298 0.35777778 0.313725490
## 7       0.5 0.58333333 1.00 0.6398210 0.63111111 0.005602241
## 8       0.1 0.25000000 1.00 0.4496644 0.40222222 0.028011204
## 9       0.2 0.41666667 0.50 0.5480984 0.80000000 0.140056022
## 10      0.0 0.25000000 0.35 0.5704698 0.49777778 0.025210084
## 11      0.2 0.33333333 0.40 0.6107383 0.31555556 0.039215686
## 12      0.2 0.16666667 0.20 0.4496644 0.25555556 0.565826331
## 13      0.1 0.25000000 0.30 0.2125280 0.34666667 0.014005602
## 14      0.0 0.08333333 0.65 0.2818792 0.32666667 0.002801120
## 15      0.3 0.33333333 0.05 0.2013423 0.22000000 0.070028011
## 16      0.2 0.33333333 1.00 0.2416107 0.22444444 0.154061625
## 17      0.2 0.41666667 0.25 0.2729306 0.39111111 0.109243697
## 18      0.3 0.33333333 0.90 0.3355705 0.00000000 0.014005602
## 19      0.3 0.25000000 0.75 0.1610738 0.32666667 0.257703081
## 20      0.0 0.41666667 0.55 0.1633110 0.38888889 0.064425770
## 21      0.2 0.50000000 0.40 0.3288591 0.13111111 0.117647059
## 22      0.0 0.00000000 0.30 0.2058166 0.31777778 0.028011204
## 23      0.6 0.66666667 0.30 0.3109620 0.09777778 0.064425770
## 24      0.2 0.33333333 0.65 0.3042506 0.31555556 0.145658263
## 25      0.2 0.41666667 0.70 0.2058166 0.25555556 0.067226891
## 26      0.1 0.41666667 0.10 0.3713647 0.32222222 0.313725490
## 27      0.3 0.41666667 0.30 0.2170022 0.10444444 0.005602241
## 28      0.4 0.50000000 0.95 0.2438479 0.16666667 0.028011204
## 29      0.0 0.00000000 0.55 0.7181208 0.27111111 0.140056022
## 30      0.4 0.50000000 0.10 0.2483221 0.21555556 0.025210084
## 31      0.1 0.25000000 0.40 0.4429530 0.36888889 0.039215686
## 32      0.2 0.33333333 0.75 0.3668904 0.48000000 0.565826331
## 33      0.2 0.16666667 0.10 0.4586130 0.56000000 0.084033613
## 34      0.3 0.25000000 1.00 0.5413870 0.20444444 0.000000000
## 35      0.0 0.00000000 0.70 0.4653244 0.51555556 0.039215686
## 36      0.1 0.16666667 0.00 0.6957494 0.19333333 0.453781513
## 37      0.1 0.16666667 0.70 0.3512304 0.44888889 0.100840336
## 38      0.0 0.08333333 0.00 0.5257271 0.49777778 0.736694678
## 39      0.3 0.50000000 0.45 0.5413870 0.10444444 0.058823529
## 40      0.3 0.33333333 0.65 0.3825503 0.58000000 0.000000000
## 41      0.2 0.58333333 0.15 0.6711409 0.18666667 0.067226891
## 42      0.0 0.08333333 0.75 0.3914989 0.18888889 0.627450980
## 43      0.2 0.58333333 0.20 0.4317673 0.45333333 0.117647059
## 44      0.0 0.00000000 0.60 0.5838926 0.27111111 0.120448179
## 45      0.1 0.16666667 0.60 0.3959732 0.31555556 0.221288515
## 46      0.6 0.58333333 0.35 0.4541387 0.21333333 0.137254902
## 47      0.2 0.25000000 0.85 0.4519016 0.21555556 0.103641457
## 48      0.4 0.58333333 0.60 0.5369128 0.22222222 0.341736695
## 49      0.2 0.50000000 0.65 0.7337808 0.20222222 0.655462185
## 50      0.6 0.58333333 0.75 0.3601790 0.23777778 0.067226891
## 51      0.7 0.66666667 0.95 0.7718121 0.55111111 1.000000000
## 52      0.4 0.33333333 0.70 0.7360179 1.00000000 0.005602241
## 53      0.7 0.58333333 0.90 0.4183445 0.65111111 0.036414566
## 54      0.3 0.25000000 0.95 0.4988814 0.78888889 0.039215686
## 55      0.3 0.33333333 0.85 1.0000000 0.70888889 0.014005602
## 56      0.2 0.25000000 0.60 0.6286353 0.58888889 0.053221289
## 57      0.6 0.50000000 0.85 0.6957494 0.64222222 0.126050420
## 58      0.4 0.33333333 0.25 0.4966443 0.80888889 0.053221289
## 59      0.1 0.16666667 0.30 0.1834452 0.85111111 0.103641457
## 60      0.2 0.25000000 1.00 0.5123043 0.36888889 0.464985994
## 61      0.7 0.58333333 1.00 0.6442953 0.85333333 0.033613445
## 62      0.3 0.25000000 0.50 0.5838926 0.76000000 0.070028011
## 63      0.7 0.58333333 0.40 0.8434004 0.70888889 0.089635854
## 64      1.0 1.00000000 0.20 0.4832215 0.55333333 0.103641457
## 65      0.4 0.41666667 0.65 0.7628635 0.35777778 0.397759104
## 66      0.3 0.50000000 0.05 0.5950783 0.63111111 0.078431373
## 67      0.8 0.66666667 0.40 0.4809843 0.40222222 0.123249300
## 68      0.7 0.58333333 0.05 0.7762864 0.80000000 0.100840336
## 69      0.2 0.16666667 0.45 0.8076063 0.49777778 0.176470588
## 70      0.1 0.08333333 0.80 0.4205817 0.39777778 0.319327731
## 71      0.0 0.00000000 0.70 0.1521253 0.22444444 0.064425770
## 72      0.0 0.00000000 0.00 0.3199105 0.31777778 0.140056022
## 73      0.2 0.16666667 0.70 0.3467562 0.09777778 0.025210084
## 74      0.3 0.33333333 0.00 0.3176734 0.31555556 0.039215686
## 75      0.1 0.08333333 0.45 0.3109620 0.25555556 0.565826331
## 76      0.0 0.08333333 0.55 0.2102908 0.32222222 0.084033613
## 77      0.1 0.16666667 0.10 0.0000000 0.10444444 0.000000000
## 78      0.2 0.16666667 0.90 0.2774049 0.16666667 0.039215686
## 79      0.1 0.16666667 0.80 0.4205817 0.27111111 0.053221289
## 80      0.1 0.08333333 0.65 0.3199105 0.21555556 0.103641457