Instituto:

Zegel

Ciclo:

4°

Docente:

Guevara Ponce Victor Manuel

Alumnos:

Angel Quispe Matta
Jeremy Omar Valle Ramirez

Índice

I. Aspectos generales

1.1 Nombre de la organización y/o empresa

1.2 Descripción del caso

II. Fundamentos básicos de la Estadística

2.1 Objetivo de estudio

2.2 Población de estudio

2.3 Muestra

2.4 Unidad de análisis

III. Variables y tipo de variables

IV. Manejo de base de datos

V. Tablas de frecuencia

VI. Representación gráfica de datos.

VII. Medidas estadísticas de tendencia

VIII. Medidas estadísticas de posición

IX. Manejo de datos Missing

X. Manejo de valores outliers

XI. Transformación de variables

XII. Estandarización y normalización de variables

XIII. Modelamiento predictivo

Resumen

I. Aspectos generales

1.1. Nombre de la organización y/o empresa (real o propuesta)

Psychosocial Dimensions of Student Life

1.2. Descripción del caso

Este conjunto de datos comprende resultados de encuestas de 100 estudiantes de informática, con el objetivo de identificar correlaciones entre sus niveles de depresión, rendimiento en clase y patrones de TDAH a través del análisis de datos.

II. Fundamentos básicos de la Estadística

2.1 Objetivo de estudio
Este conjunto de datos comprende resultados de encuestas de 100 estudiantes de informática, con el objetivo de identificar correlaciones entre sus niveles de depresión, rendimiento en clase y patrones de TDAH a través del análisis de datos.

2.2 Población de estudio
Estudiantes de informática.

2.3 Muestra
100 estudiantes de informática.

2.4 Unidad de análisis
100 estudiantes de informática.

III. Variables y tipo de variables

Edad:
Representa la edad de los individuos en el conjunto de datos, lo que proporciona información sobre la distribución por edades del estudio.

Género:
Indica el género de cada individuo, lo que permite la exploración de patrones y tendencias relacionados con el género dentro del conjunto de datos.

Desempeño académico:
Refleja los logros académicos de los individuos.

Tomar nota en clase:
Describe cómo las personas toman notas durante la clase, brindando información sobre los hábitos de estudio y la participación durante las conferencias.

Estado de depresión:
Indica la presencia o ausencia de síntomas depresivos, aportando información valiosa sobre la salud mental de los individuos en el conjunto de datos.

Enfrente desafíos para completar la tarea académica:
Explora si los individuos encuentran desafíos al completar tareas académicas.

Como presentación:
Refleja las preferencias de los individuos por las presentaciones, ofreciendo información sobre su estilo de aprendizaje y su compromiso con la comunicación visual u oral. Este objetivo también mide si son extrovertidos o introvertidos.

Horas de sueño por día:
Representa el promedio de horas de sueño que las personas duermen por día, proporcionando información sobre los patrones de sueño y posibles correlaciones con el rendimiento académico.

Número de amigo:
Cuantifica el aspecto social indicando el número de amigos que tiene cada individuo, contribuyendo a la comprensión de la dinámica social dentro del conjunto de datos.

Como cosas nuevas:
Explora la receptividad de los individuos a nuevas experiencias o conceptos, ofreciendo información sobre su adaptabilidad y apertura a la innovación.

Este conjunto de datos está diseñado para facilitar un análisis integral de la interacción entre factores demográficos, rendimiento académico, salud mental, hábitos de estudio y dinámica social entre individuos en el contexto especificado.

Edad: cuantitativa
Género: cualitativa
Desempeño académico: cualitativa
Tomar nota en clase: cualitativa
Estado de depresión: cualitativa
Como presentación: cualitativa
Horas de sueño por día: cuantitativa
Número de amigo: cuantitativa
Como cosas nuevas: cualitativa
Enfrentar desafíos para completar la tarea académica: cualitativa

IV. Manejo de base de datos

# Para limpiar el workspace, por si algún dataset o información cargada
rm(list = ls())
# Cambiar el directorio de trabajo
library(rstudioapi)
## Warning: package 'rstudioapi' was built under R version 4.3.2
setwd(dirname(getActiveDocumentContext()$path))
getwd()
## [1] "C:/Users/casa/Downloads/ef"

Cargamos el proyecto y mostramos los 6 primeros datos de cada columna

proyecto <- read.csv("CSE_student_performances.csv", sep = ",")
head(proyecto)

V. Tablas de frecuencia

Visualizamos el conjunto de datos

#View(proyecto)

Verificamos las dimensiones de los datos

dim(proyecto)
## [1] 99 10

Verificamos la estructura de los datos

str(proyecto)
## 'data.frame':    99 obs. of  10 variables:
##  $ Age                                 : int  23 23 24 20 24 23 21 21 24 23 ...
##  $ Gender                              : chr  "Male" "Male" "Male" "Female" ...
##  $ AcademicPerformance                 : chr  "Average" "Excellent" "Average" "Good" ...
##  $ TakingNoteInClass                   : chr  "No" "Sometimes" "No" "Yes" ...
##  $ DepressionStatus                    : chr  "Sometimes" "Yes" "Sometimes" "Sometimes" ...
##  $ FaceChallangesToCompleteAcademicTask: chr  "Yes" "No" "Sometimes" "Yes" ...
##  $ LikePresentation                    : chr  "Yes" "Yes" "No" "No" ...
##  $ SleepPerDayHours                    : int  12 8 8 5 5 8 8 8 8 8 ...
##  $ NumberOfFriend                      : int  NA 80 10 15 2 12 7 6 3 4 ...
##  $ LikeNewThings                       : chr  "Yes" "Yes" "Yes" "Yes" ...

• Generamos una tabla de frecuencia de manera manual para Edad

table(proyecto$Age)
## 
## 20 21 22 23 24 25 
##  7 30 11 19 20 12

Guardamos la tabla en fi

fi <- table(proyecto$Age)
# Mostramos
fi
## 
## 20 21 22 23 24 25 
##  7 30 11 19 20 12

Obtenemos las proporciones

hi <- prop.table(table(proyecto$Age))
# Presentamos los resultados
hi
## 
##         20         21         22         23         24         25 
## 0.07070707 0.30303030 0.11111111 0.19191919 0.20202020 0.12121212

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi <- round(hi, 2)
# Calculamos los porcentajes
pi <- prop.table(table(proyecto$Age))*100
pi
## 
##        20        21        22        23        24        25 
##  7.070707 30.303030 11.111111 19.191919 20.202020 12.121212

Unimos los resultados en una sola tabla

tabla1 <- t(rbind(fi, hi, pi))
tabla1
##    fi   hi        pi
## 20  7 0.07  7.070707
## 21 30 0.30 30.303030
## 22 11 0.11 11.111111
## 23 19 0.19 19.191919
## 24 20 0.20 20.202020
## 25 12 0.12 12.121212

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
## Warning: package 'summarytools' was built under R version 4.3.2
# Función freq permite generar la tabla de frecuencia
freq(proyecto$Age, report.nas = FALSE)
## Frequencies  
## proyecto$Age  
## Type: Integer  
## 
##               Freq        %   % Cum.
## ----------- ------ -------- --------
##          20      7     7.07     7.07
##          21     30    30.30    37.37
##          22     11    11.11    48.48
##          23     19    19.19    67.68
##          24     20    20.20    87.88
##          25     12    12.12   100.00
##       Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Género

table(proyecto$Gender)
## 
## Female   Male 
##     43     56

Guardamos la tabla en fi_ge

fi_ge <- table(proyecto$Gender)
# Mostramos
fi_ge
## 
## Female   Male 
##     43     56

Obtenemos las proporciones

hi_ge <- prop.table(table(proyecto$Gender))
# Presentamos los resultados
hi_ge
## 
##    Female      Male 
## 0.4343434 0.5656566

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_ge <- round(hi_ge, 2)
# Calculamos los porcentajes
pi_ge <- prop.table(table(proyecto$Gender))*100
pi_ge
## 
##   Female     Male 
## 43.43434 56.56566

Unimos los resultados en una sola tabla

tabla1_ge <- t(rbind(fi_ge, hi_ge, pi_ge))
tabla1_ge
##        fi_ge hi_ge    pi_ge
## Female    43  0.43 43.43434
## Male      56  0.57 56.56566

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$Gender, report.nas = FALSE)
## Frequencies  
## proyecto$Gender  
## Type: Character  
## 
##                Freq        %   % Cum.
## ------------ ------ -------- --------
##       Female     43    43.43    43.43
##         Male     56    56.57   100.00
##        Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Desempeño Académico

table(proyecto$AcademicPerformance)
## 
##       Average Below average     Excellent          Good 
##            45             4             9            41

Guardamos la tabla en fi_ap

fi_ap <- table(proyecto$AcademicPerformance)
# Mostramos
fi_ap
## 
##       Average Below average     Excellent          Good 
##            45             4             9            41

Obtenemos las proporciones

hi_ap <- prop.table(table(proyecto$AcademicPerformance))
# Presentamos los resultados
hi_ap
## 
##       Average Below average     Excellent          Good 
##    0.45454545    0.04040404    0.09090909    0.41414141

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_ap <- round(hi_ap, 2)
# Calculamos los porcentajes
pi_ap <- prop.table(table(proyecto$AcademicPerformance))*100
pi_ap
## 
##       Average Below average     Excellent          Good 
##     45.454545      4.040404      9.090909     41.414141

Unimos los resultados en una sola tabla

tabla1_ap <- t(rbind(fi_ap, hi_ap, pi_ap))
tabla1_ap
##               fi_ap hi_ap     pi_ap
## Average          45  0.45 45.454545
## Below average     4  0.04  4.040404
## Excellent         9  0.09  9.090909
## Good             41  0.41 41.414141

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$AcademicPerformance, report.nas = FALSE)
## Frequencies  
## proyecto$AcademicPerformance  
## Type: Character  
## 
##                       Freq        %   % Cum.
## ------------------- ------ -------- --------
##             Average     45    45.45    45.45
##       Below average      4     4.04    49.49
##           Excellent      9     9.09    58.59
##                Good     41    41.41   100.00
##               Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Tomar Nota en Clase

table(proyecto$TakingNoteInClass)
## 
##        No Sometimes       Yes 
##        12        26        61

Guardamos la tabla en fi_tn

fi_tn <- table(proyecto$TakingNoteInClass)
# Mostramos
fi_tn
## 
##        No Sometimes       Yes 
##        12        26        61

Obtenemos las proporciones

hi_tn <- prop.table(table(proyecto$TakingNoteInClass))
# Presentamos los resultados
hi_tn
## 
##        No Sometimes       Yes 
## 0.1212121 0.2626263 0.6161616

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_tn <- round(hi_tn, 2)
# Calculamos los porcentajes
pi_tn <- prop.table(table(proyecto$TakingNoteInClass))*100
pi_tn
## 
##        No Sometimes       Yes 
##  12.12121  26.26263  61.61616

Unimos los resultados en una sola tabla

tabla1_tn <- t(rbind(fi_tn, hi_tn, pi_tn))
tabla1_tn
##           fi_tn hi_tn    pi_tn
## No           12  0.12 12.12121
## Sometimes    26  0.26 26.26263
## Yes          61  0.62 61.61616

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$TakingNoteInClass, report.nas = FALSE)
## Frequencies  
## proyecto$TakingNoteInClass  
## Type: Character  
## 
##                   Freq        %   % Cum.
## --------------- ------ -------- --------
##              No     12    12.12    12.12
##       Sometimes     26    26.26    38.38
##             Yes     61    61.62   100.00
##           Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Estado de Depresión

table(proyecto$DepressionStatus)
## 
##        No Sometimes       Yes 
##        21        44        34

Guardamos la tabla en fi_dp

fi_dp <- table(proyecto$DepressionStatus)
# Mostramos
fi_dp
## 
##        No Sometimes       Yes 
##        21        44        34

Obtenemos las proporciones

hi_dp <- prop.table(table(proyecto$DepressionStatus))
# Presentamos los resultados
hi_dp
## 
##        No Sometimes       Yes 
## 0.2121212 0.4444444 0.3434343

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_dp <- round(hi_dp, 2)
# Calculamos los porcentajes
pi_dp <- prop.table(table(proyecto$DepressionStatus))*100
pi_dp
## 
##        No Sometimes       Yes 
##  21.21212  44.44444  34.34343

Unimos los resultados en una sola tabla

tabla1_dp <- t(rbind(fi_dp, hi_dp, pi_dp))
tabla1_dp
##           fi_dp hi_dp    pi_dp
## No           21  0.21 21.21212
## Sometimes    44  0.44 44.44444
## Yes          34  0.34 34.34343

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$DepressionStatus, report.nas = FALSE)
## Frequencies  
## proyecto$DepressionStatus  
## Type: Character  
## 
##                   Freq        %   % Cum.
## --------------- ------ -------- --------
##              No     21    21.21    21.21
##       Sometimes     44    44.44    65.66
##             Yes     34    34.34   100.00
##           Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Enfrentar desafíos para completar la tarea académica

table(proyecto$FaceChallangesToCompleteAcademicTask)
## 
##        No Sometimes       Yes 
##        31        31        37

Guardamos la tabla en fi_fc

fi_fc <- table(proyecto$FaceChallangesToCompleteAcademicTask)
# Mostramos
fi_fc
## 
##        No Sometimes       Yes 
##        31        31        37

Obtenemos las proporciones

hi_fc <- prop.table(table(proyecto$FaceChallangesToCompleteAcademicTask))
# Presentamos los resultados
hi_fc
## 
##        No Sometimes       Yes 
## 0.3131313 0.3131313 0.3737374

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_fc <- round(hi_fc, 2)
# Calculamos los porcentajes
pi_fc <- prop.table(table(proyecto$FaceChallangesToCompleteAcademicTask))*100
pi_fc
## 
##        No Sometimes       Yes 
##  31.31313  31.31313  37.37374

Unimos los resultados en una sola tabla

tabla1_fc <- t(rbind(fi_fc, hi_fc, pi_fc))
tabla1_fc
##           fi_fc hi_fc    pi_fc
## No           31  0.31 31.31313
## Sometimes    31  0.31 31.31313
## Yes          37  0.37 37.37374

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$FaceChallangesToCompleteAcademicTask, report.nas = FALSE)
## Frequencies  
## proyecto$FaceChallangesToCompleteAcademicTask  
## Type: Character  
## 
##                   Freq        %   % Cum.
## --------------- ------ -------- --------
##              No     31    31.31    31.31
##       Sometimes     31    31.31    62.63
##             Yes     37    37.37   100.00
##           Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Like Presentation

table(proyecto$LikePresentation)
## 
##  No Yes 
##  30  69

Guardamos la tabla en fi_lk

fi_lk <- table(proyecto$LikePresentation)
# Mostramos
fi_lk
## 
##  No Yes 
##  30  69

Obtenemos las proporciones

hi_lk <- prop.table(table(proyecto$LikePresentation))
# Presentamos los resultados
hi_lk
## 
##        No       Yes 
## 0.3030303 0.6969697

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_lk <- round(hi_lk, 2)
# Calculamos los porcentajes
pi_lk <- prop.table(table(proyecto$LikePresentation))*100
pi_lk
## 
##       No      Yes 
## 30.30303 69.69697

Unimos los resultados en una sola tabla

tabla1_lk <- t(rbind(fi_lk, hi_lk, pi_lk))
tabla1_lk
##     fi_lk hi_lk    pi_lk
## No     30   0.3 30.30303
## Yes    69   0.7 69.69697

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$LikePresentation, report.nas = FALSE)
## Frequencies  
## proyecto$LikePresentation  
## Type: Character  
## 
##               Freq        %   % Cum.
## ----------- ------ -------- --------
##          No     30    30.30    30.30
##         Yes     69    69.70   100.00
##       Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Sleep Per Day Hours

table(proyecto$SleepPerDayHours)
## 
##  4  5  6  7  8 10 12 
## 11 20  8 23 31  4  2

Guardamos la tabla en fi_sh

fi_sh <- table(proyecto$SleepPerDayHours)
# Mostramos
fi_sh
## 
##  4  5  6  7  8 10 12 
## 11 20  8 23 31  4  2

Obtenemos las proporciones

hi_sh <- prop.table(table(proyecto$SleepPerDayHours))
# Presentamos los resultados
hi_sh
## 
##          4          5          6          7          8         10         12 
## 0.11111111 0.20202020 0.08080808 0.23232323 0.31313131 0.04040404 0.02020202

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_sh <- round(hi_sh, 2)
# Calculamos los porcentajes
pi_sh <- prop.table(table(proyecto$SleepPerDayHours))*100
pi_sh
## 
##         4         5         6         7         8        10        12 
## 11.111111 20.202020  8.080808 23.232323 31.313131  4.040404  2.020202

Unimos los resultados en una sola tabla

tabla1_sh <- t(rbind(fi_sh, hi_sh, pi_sh))
tabla1_sh
##    fi_sh hi_sh     pi_sh
## 4     11  0.11 11.111111
## 5     20  0.20 20.202020
## 6      8  0.08  8.080808
## 7     23  0.23 23.232323
## 8     31  0.31 31.313131
## 10     4  0.04  4.040404
## 12     2  0.02  2.020202

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$SleepPerDayHours, report.nas = FALSE)
## Frequencies  
## proyecto$SleepPerDayHours  
## Type: Integer  
## 
##               Freq        %   % Cum.
## ----------- ------ -------- --------
##           4     11    11.11    11.11
##           5     20    20.20    31.31
##           6      8     8.08    39.39
##           7     23    23.23    62.63
##           8     31    31.31    93.94
##          10      4     4.04    97.98
##          12      2     2.02   100.00
##       Total     99   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Number Of Friend

table(proyecto$NumberOfFriend)
## 
##   0   1   2   3   4   6   7   9  10  12  15  17  23  55  60  80 100 
##   4   4   9  18   7   7   9   4   3   5   5   3   4   3   3   3   4

Guardamos la tabla en fi_nf

fi_nf <- table(proyecto$NumberOfFriend)
# Mostramos
fi_nf
## 
##   0   1   2   3   4   6   7   9  10  12  15  17  23  55  60  80 100 
##   4   4   9  18   7   7   9   4   3   5   5   3   4   3   3   3   4

Obtenemos las proporciones

hi_nf <- prop.table(table(proyecto$NumberOfFriend))
# Presentamos los resultados
hi_nf
## 
##          0          1          2          3          4          6          7 
## 0.04210526 0.04210526 0.09473684 0.18947368 0.07368421 0.07368421 0.09473684 
##          9         10         12         15         17         23         55 
## 0.04210526 0.03157895 0.05263158 0.05263158 0.03157895 0.04210526 0.03157895 
##         60         80        100 
## 0.03157895 0.03157895 0.04210526

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_nf <- round(hi_nf, 2)
# Calculamos los porcentajes
pi_nf <- prop.table(table(proyecto$NumberOfFriend))*100
pi_nf
## 
##         0         1         2         3         4         6         7         9 
##  4.210526  4.210526  9.473684 18.947368  7.368421  7.368421  9.473684  4.210526 
##        10        12        15        17        23        55        60        80 
##  3.157895  5.263158  5.263158  3.157895  4.210526  3.157895  3.157895  3.157895 
##       100 
##  4.210526

Unimos los resultados en una sola tabla

tabla1_nf <- t(rbind(fi_nf, hi_nf, pi_nf))
tabla1_nf
##     fi_nf hi_nf     pi_nf
## 0       4  0.04  4.210526
## 1       4  0.04  4.210526
## 2       9  0.09  9.473684
## 3      18  0.19 18.947368
## 4       7  0.07  7.368421
## 6       7  0.07  7.368421
## 7       9  0.09  9.473684
## 9       4  0.04  4.210526
## 10      3  0.03  3.157895
## 12      5  0.05  5.263158
## 15      5  0.05  5.263158
## 17      3  0.03  3.157895
## 23      4  0.04  4.210526
## 55      3  0.03  3.157895
## 60      3  0.03  3.157895
## 80      3  0.03  3.157895
## 100     4  0.04  4.210526

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$NumberOfFriend, report.nas = FALSE)
## Frequencies  
## proyecto$NumberOfFriend  
## Type: Integer  
## 
##               Freq        %   % Cum.
## ----------- ------ -------- --------
##           0      4     4.21     4.21
##           1      4     4.21     8.42
##           2      9     9.47    17.89
##           3     18    18.95    36.84
##           4      7     7.37    44.21
##           6      7     7.37    51.58
##           7      9     9.47    61.05
##           9      4     4.21    65.26
##          10      3     3.16    68.42
##          12      5     5.26    73.68
##          15      5     5.26    78.95
##          17      3     3.16    82.11
##          23      4     4.21    86.32
##          55      3     3.16    89.47
##          60      3     3.16    92.63
##          80      3     3.16    95.79
##         100      4     4.21   100.00
##       Total     95   100.00   100.00

• Generamos una tabla de frecuencia de manera manual para Like New Things

table(proyecto$LikeNewThings)
## 
##  No Yes 
##  10  89

Guardamos la tabla en fi_lt

fi_lt <- table(proyecto$LikeNewThings)
# Mostramos
fi_lt
## 
##  No Yes 
##  10  89

Obtenemos las proporciones

hi_lt <- prop.table(table(proyecto$LikeNewThings))
# Presentamos los resultados
hi_lt
## 
##        No       Yes 
## 0.1010101 0.8989899

Calculamos frecuencias porcentuales

# Redondeamos a 2 decimales
hi_lt <- round(hi_lt, 2)
# Calculamos los porcentajes
pi_lt <- prop.table(table(proyecto$LikeNewThings))*100
pi_lt
## 
##       No      Yes 
## 10.10101 89.89899

Unimos los resultados en una sola tabla

tabla1_lt <- t(rbind(fi_lt, hi_lt, pi_lt))
tabla1_lt
##     fi_lt hi_lt    pi_lt
## No     10   0.1 10.10101
## Yes    89   0.9 89.89899

Utilizamos librerias para generar tablas de frecuencia

# Cargaremos la librería
library(summarytools)
# Función freq permite generar la tabla de frecuencia
freq(proyecto$LikeNewThings, report.nas = FALSE)
## Frequencies  
## proyecto$LikeNewThings  
## Type: Character  
## 
##               Freq        %   % Cum.
## ----------- ------ -------- --------
##          No     10    10.10    10.10
##         Yes     89    89.90   100.00
##       Total     99   100.00   100.00

VI. Representación gráfica de datos.

Gráficos estadísticos

Gráficos estadísticos para variables cualitativas - Barras

# Gráfico de barras
hist(proyecto$Age)

# Gráfico de barras
hist(proyecto$Age, 
     main="Distribución de estudiantes según su edad",
     xlab="Edad",
     ylab="Rango de edad",
     col=c( 1,"green"))

Gráficos estadísticos para variables cuantitativas - Circular

pie(table(proyecto$Age))

Mejorar el gráfico adicionanndo lo valores, color título, etc…

etiquetas <- paste(names(proyecto$Age), "\n",
                   round(prop.table(table(proyecto$Age))*100,2), "%")
pie(prop.table(table(proyecto$Age)), labels = etiquetas)

Gráficos con la librería ggplot2 - función ggplot

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.3.2
ggplot(data=proyecto, aes(y=Age))+
  geom_bar()

Cambiando el tema

library(ggplot2)
ggplot(data=proyecto, aes(y=Age))+
  geom_bar()+
  theme_classic()

VII. Medidas estadísticas de tendencia.

MEDIDAS ESTADÍSTICAS DE TENDENCIA PARA LA VARIABLE AGE(EDAD)

Media arimétrica

mean(proyecto$Age)
## [1] 22.51515

Interpretación: La edad promedio de los estudiantes elegidos es: 22.51515 años.

Mediana

median(proyecto$Age)
## [1] 23

El valor de la mediana es: 23

Moda

table(proyecto$Age)
## 
## 20 21 22 23 24 25 
##  7 30 11 19 20 12
library(modeest)
## Warning: package 'modeest' was built under R version 4.3.2
mfv(proyecto$Age)
## [1] 21

En este caso tenemos Unimodal, lo cual significa que solo tenemos 1 moda, y la edad más frecuente es: 21 años.

MEDIDAS DE VARIABILIDAD O DISPERCIÓN PARA LA VARIABLE AGE(EDAD)

Rango

range(proyecto$Age)
## [1] 20 25

Interpretación el rango mínimo es: 20, y el máximo es: 25, el rango sería: 5(Ya que se tiene que restar el máximo con el mínimo).

Varianza

var(proyecto$Age)
## [1] 2.435993

Desviación estándar

sd(proyecto$Age)
## [1] 1.560767

Interpretación: La varibilidad promedio de los datos respecto a la media es de 1.560767.

Coeficiente de variación

coef_var_ed <- sd(proyecto$Age)/mean(proyecto$Age)*100
coef_var_ed
## [1] 6.932073

Interpretación: Como el CV es 6.932073 ≤ 30%, entonces la distribución es homogénea y la media es representativa.

Otra forma de obtenerlo

summary(proyecto$Age)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   20.00   21.00   23.00   22.52   24.00   25.00

Con la función psych

library(psych)
## Warning: package 'psych' was built under R version 4.3.2
## Registered S3 method overwritten by 'psych':
##   method         from  
##   plot.residuals rmutil
## 
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha
describe(proyecto$Age)

MEDIDAS ESTADÍSTICAS DE TENDENCIA PARA LA VARIABLE SLEEP PER DAY HOURS(HORAS DORMIDAS POR DÍA)

Media arimétrica

mean(proyecto$SleepPerDayHours)
## [1] 6.717172

Interpretación: Las horas dormidas por día su promedio es: 6.717172 horas.

Mediana

median(proyecto$SleepPerDayHours)
## [1] 7

El valor de la mediana es: 7.

Moda

table(proyecto$SleepPerDayHours)
## 
##  4  5  6  7  8 10 12 
## 11 20  8 23 31  4  2
library(modeest)
mfv(proyecto$SleepPerDayHours)
## [1] 8

En este caso tenemos Unimodal, lo cual significa que solo tenemos 1 moda, y las horas dormidas por día más frecuente son de: 8 horas.

MEDIDAS DE VARIABILIDAD O DISPERCIÓN PARA LA VARIABLE SLEEP PER DAY HOURS(HORAS DORMIDAS POR DÍA)

Rango

range(proyecto$SleepPerDayHours)
## [1]  4 12

Interpretación el rango mínimo es: 4, y el máximo es: 12, el rango sería: 8(Ya que se tiene que restar el máximo con el mínimo).

Varianza

var(proyecto$SleepPerDayHours)
## [1] 3.021233

Desviación estándar

sd(proyecto$SleepPerDayHours)
## [1] 1.738169

Interpretación: La varibilidad promedio de los datos respecto a la media es de 1.738169.

Coeficiente de variación

coef_var_sl <- sd(proyecto$SleepPerDayHours)/mean(proyecto$SleepPerDayHours)*100
coef_var_sl
## [1] 25.87651

Interpretación: Como el CV es 25.87651 ≤ 30%, entonces la distribución es homogénea y la media es representativa.

Otra forma de obtenerlo

summary(proyecto$SleepPerDayHours)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   4.000   5.000   7.000   6.717   8.000  12.000

Con la función psych

library(psych)
describe(proyecto$SleepPerDayHours)

MEDIDAS ESTADÍSTICAS DE TENDENCIA PARA LA VARIABLE NUMBER OF FRIEND(NÚMERO DE AMIGOS)

Media arimétrica

mean(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 16.18947

Interpretación: La cantidad de número de amigos su promedio es: 16.18947.

Mediana

median(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 6

El valor de la mediana es: 6.

Moda

table(proyecto$NumberOfFriend)
## 
##   0   1   2   3   4   6   7   9  10  12  15  17  23  55  60  80 100 
##   4   4   9  18   7   7   9   4   3   5   5   3   4   3   3   3   4
library(modeest)
mfv(proyecto$NumberOfFriend, na_rm = TRUE)
## [1] 3

En este caso tenemos Unimodal, lo cual significa que solo tenemos 1 moda, y la cantidad de número de amigos más frecuente es: 3.

MEDIDAS DE VARIABILIDAD O DISPERCIÓN PARA LA VARIABLE NUMBER OF FRIEND(NÚMERO DE AMIGOS)

Rango

range(proyecto$NumberOfFriend, na.rm = TRUE)
## [1]   0 100

Interpretación el rango mínimo es: 0, y el máximo es: 100, el rango sería: 100(Ya que se tiene que restar el máximo con el mínimo).

Varianza

var(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 645.0488

Desviación estándar

sd(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 25.39781

Interpretación: La varibilidad promedio de los datos respecto a la media es de 25.39781.

Coeficiente de variación

coef_var_nu <- sd(proyecto$NumberOfFriend, na.rm = TRUE)/mean(proyecto$NumberOfFriend, na.rm = TRUE)*100
coef_var_nu
## [1] 156.8785

Interpretación: Como el CV es 156.8785 > 30%, entonces la distribución no es homogénea y la media no es representativa.

Otra forma de obtenerlo

summary(proyecto$NumberOfFriend)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    0.00    3.00    6.00   16.19   15.00  100.00       4

Con la función psych

library(psych)
describe(proyecto$NumberOfFriend)

VIII. Medidas estadísticas de posición.

Categorizar en 4 grupos a los montos de Edad

quantile(proyecto$Age)
##   0%  25%  50%  75% 100% 
##   20   21   23   24   25

Según los resultados:

El valor mínimo de edad es 20

Cuartil 1 \((Q_1)\)

Interpretación: es  21; El 25% de los estudiantes encuestados, su edad máxima es  21

Cuartil 2 \((Q_2)\)

Interpretación: es  23; El 50% de los estudiantes encuestados, su edad máxima es  23

Cuartil 3 \((Q_3)\)

Interpretación: es  24; El 75% de los estudiantes encuestados, su edad máxima es  24

Dividir en 10 grupo (deciles)

quantile(proyecto$Age, probs = seq(0, 1, 0.1))
##   0%  10%  20%  30%  40%  50%  60%  70%  80%  90% 100% 
##   20   21   21   21   22   23   23   24   24   25   25

Dividir en 100 grupo (percentiles)

quantile(proyecto$Age, probs = seq(0, 1, 0.01))
##    0%    1%    2%    3%    4%    5%    6%    7%    8%    9%   10%   11%   12% 
## 20.00 20.00 20.00 20.00 20.00 20.00 20.00 20.86 21.00 21.00 21.00 21.00 21.00 
##   13%   14%   15%   16%   17%   18%   19%   20%   21%   22%   23%   24%   25% 
## 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 
##   26%   27%   28%   29%   30%   31%   32%   33%   34%   35%   36%   37%   38% 
## 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.00 21.26 22.00 
##   39%   40%   41%   42%   43%   44%   45%   46%   47%   48%   49%   50%   51% 
## 22.00 22.00 22.00 22.00 22.00 22.00 22.00 22.00 22.00 22.04 23.00 23.00 23.00 
##   52%   53%   54%   55%   56%   57%   58%   59%   60%   61%   62%   63%   64% 
## 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00 23.00 
##   65%   66%   67%   68%   69%   70%   71%   72%   73%   74%   75%   76%   77% 
## 23.00 23.00 23.00 23.64 24.00 24.00 24.00 24.00 24.00 24.00 24.00 24.00 24.00 
##   78%   79%   80%   81%   82%   83%   84%   85%   86%   87%   88%   89%   90% 
## 24.00 24.00 24.00 24.00 24.00 24.00 24.00 24.00 24.00 24.00 24.24 25.00 25.00 
##   91%   92%   93%   94%   95%   96%   97%   98%   99%  100% 
## 25.00 25.00 25.00 25.00 25.00 25.00 25.00 25.00 25.00 25.00

Asimetría y curtosis

Asimetría

library(fBasics)
## Warning: package 'fBasics' was built under R version 4.3.2
## 
## Attaching package: 'fBasics'
## The following object is masked from 'package:psych':
## 
##     tr
## The following objects are masked from 'package:modeest':
## 
##     ghMode, ghtMode, gldMode, hypMode, nigMode, skewness
skewness(proyecto$Age)
## [1] 0.09172012
## attr(,"method")
## [1] "moment"

Resultado: [1] 0.09172012, como el valor es positivo, entonces la distribución de los datos es asimétrica positiva.

hist(proyecto$Age)

Curtosis

kurtosis(proyecto$Age)
## [1] -1.3067
## attr(,"method")
## [1] "excess"

Resultado: [1] -1.3067, el valor es negativo, menor que 3, por lo tanto, la distribución de los datos no es leptocurtica.

Categorizar en 4 grupos a los montos de Horas de Sueño por Día

quantile(proyecto$SleepPerDayHours)
##   0%  25%  50%  75% 100% 
##    4    5    7    8   12

Según los resultados:

El valor de Horas de Sueño por Día es 4

Cuartil 1 \((Q_1)\)

Interpretación: es  21; El 25% de los estudiantes encuestados, sus Horas de Sueño por Día es  5

Cuartil 2 \((Q_2)\)

Interpretación: es  23; El 50% de los estudiantes encuestados, sus Horas de Sueño por Día es  7

Cuartil 3 \((Q_3)\)

Interpretación: es  24; El 75% de los estudiantes encuestados, sus Horas de Sueño por Día es  8

Dividir en 10 grupo (deciles)

quantile(proyecto$SleepPerDayHours, probs = seq(0, 1, 0.1))
##   0%  10%  20%  30%  40%  50%  60%  70%  80%  90% 100% 
##    4    4    5    5    7    7    7    8    8    8   12

Dividir en 100 grupo (percentiles)

quantile(proyecto$SleepPerDayHours, probs = seq(0, 1, 0.01))
##    0%    1%    2%    3%    4%    5%    6%    7%    8%    9%   10%   11%   12% 
##  4.00  4.00  4.00  4.00  4.00  4.00  4.00  4.00  4.00  4.00  4.00  4.78  5.00 
##   13%   14%   15%   16%   17%   18%   19%   20%   21%   22%   23%   24%   25% 
##  5.00  5.00  5.00  5.00  5.00  5.00  5.00  5.00  5.00  5.00  5.00  5.00  5.00 
##   26%   27%   28%   29%   30%   31%   32%   33%   34%   35%   36%   37%   38% 
##  5.00  5.00  5.00  5.00  5.00  5.38  6.00  6.00  6.00  6.00  6.00  6.00  6.00 
##   39%   40%   41%   42%   43%   44%   45%   46%   47%   48%   49%   50%   51% 
##  6.22  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00 
##   52%   53%   54%   55%   56%   57%   58%   59%   60%   61%   62%   63%   64% 
##  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.00  7.74  8.00 
##   65%   66%   67%   68%   69%   70%   71%   72%   73%   74%   75%   76%   77% 
##  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00 
##   78%   79%   80%   81%   82%   83%   84%   85%   86%   87%   88%   89%   90% 
##  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00  8.00 
##   91%   92%   93%   94%   95%   96%   97%   98%   99%  100% 
##  8.00  8.00  8.00  8.24 10.00 10.00 10.00 10.08 12.00 12.00

Asimetría y curtosis

Asimetría

library(fBasics)
skewness(proyecto$SleepPerDayHours)
## [1] 0.3413411
## attr(,"method")
## [1] "moment"

Resultado: [1] 0.3413411, como el valor es positivo, entonces la distribución de los datos es asimétrica positiva.

hist(proyecto$SleepPerDayHours)

Curtosis

kurtosis(proyecto$SleepPerDayHours)
## [1] 0.1892912
## attr(,"method")
## [1] "excess"

Resultado: [1] 0.1892912, el valor es positivo, menor que 3, por lo tanto, la distribución de los datos no es leptocurtica.

Categorizar en 4 grupos a los montos de Números de Amigos

quantile(proyecto$NumberOfFriend, na.rm = TRUE)
##   0%  25%  50%  75% 100% 
##    0    3    6   15  100

Según los resultados:

El valor de Número de Amigos es 0

Cuartil 1 \((Q_1)\)

Interpretación: es  21; El 25% de los estudiantes encuestados, su Número de Amigos es  3

Cuartil 2 \((Q_2)\)

Interpretación: es  23; El 50% de los estudiantes encuestados, su Número de Amigos es  6

Cuartil 3 \((Q_3)\)

Interpretación: es  24; El 75% de los estudiantes encuestados, su Número de Amigos es  15

Dividir en 10 grupo (deciles)

quantile(proyecto$NumberOfFriend, na.rm = TRUE, probs = seq(0, 1, 0.1))
##   0%  10%  20%  30%  40%  50%  60%  70%  80%  90% 100% 
##    0    2    3    3    4    6    7   12   17   58  100

Dividir en 100 grupo (percentiles)

quantile(proyecto$NumberOfFriend, na.rm = TRUE, probs = seq(0, 1, 0.01))
##     0%     1%     2%     3%     4%     5%     6%     7%     8%     9%    10% 
##   0.00   0.00   0.00   0.00   0.76   1.00   1.00   1.00   1.52   2.00   2.00 
##    11%    12%    13%    14%    15%    16%    17%    18%    19%    20%    21% 
##   2.00   2.00   2.00   2.00   2.00   2.00   2.00   2.92   3.00   3.00   3.00 
##    22%    23%    24%    25%    26%    27%    28%    29%    30%    31%    32% 
##   3.00   3.00   3.00   3.00   3.00   3.00   3.00   3.00   3.00   3.00   3.00 
##    33%    34%    35%    36%    37%    38%    39%    40%    41%    42%    43% 
##   3.00   3.00   3.00   3.00   3.78   4.00   4.00   4.00   4.00   4.00   4.00 
##    44%    45%    46%    47%    48%    49%    50%    51%    52%    53%    54% 
##   4.72   6.00   6.00   6.00   6.00   6.00   6.00   6.00   6.88   7.00   7.00 
##    55%    56%    57%    58%    59%    60%    61%    62%    63%    64%    65% 
##   7.00   7.00   7.00   7.00   7.00   7.00   7.68   9.00   9.00   9.00   9.10 
##    66%    67%    68%    69%    70%    71%    72%    73%    74%    75%    76% 
##  10.00  10.00  10.00  11.72  12.00  12.00  12.00  12.00  13.68  15.00  15.00 
##    77%    78%    79%    80%    81%    82%    83%    84%    85%    86%    87% 
##  15.00  15.00  15.52  17.00  17.00  17.48  23.00  23.00  23.00  23.00  47.96 
##    88%    89%    90%    91%    92%    93%    94%    95%    96%    97%    98% 
##  55.00  55.00  58.00  60.00  60.00  68.40  80.00  80.00  84.80 100.00 100.00 
##    99%   100% 
## 100.00 100.00

Asimetría y curtosis

Asimetría

library(fBasics)
skewness(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 2.207406
## attr(,"method")
## [1] "moment"

Resultado: [1] 2.207406, como el valor es positivo, entonces la distribución de los datos es asimétrica positiva.

hist(proyecto$NumberOfFriend, na.rm = TRUE)
## Warning in plot.window(xlim, ylim, "", ...): "na.rm" is not a graphical
## parameter
## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...):
## "na.rm" is not a graphical parameter
## Warning in axis(1, ...): "na.rm" is not a graphical parameter
## Warning in axis(2, at = yt, ...): "na.rm" is not a graphical parameter

Curtosis

kurtosis(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 3.746322
## attr(,"method")
## [1] "excess"

Resultado: [1] 3.746322, el valor es positivo, mayor que 3, por lo tanto, la distribución de los datos es leptocurtica.

IX. Manejo de datos Missing.

Verificación de valores perdidos

# Mostrar
head(proyecto)
str(proyecto)
## 'data.frame':    99 obs. of  10 variables:
##  $ Age                                 : int  23 23 24 20 24 23 21 21 24 23 ...
##  $ Gender                              : chr  "Male" "Male" "Male" "Female" ...
##  $ AcademicPerformance                 : chr  "Average" "Excellent" "Average" "Good" ...
##  $ TakingNoteInClass                   : chr  "No" "Sometimes" "No" "Yes" ...
##  $ DepressionStatus                    : chr  "Sometimes" "Yes" "Sometimes" "Sometimes" ...
##  $ FaceChallangesToCompleteAcademicTask: chr  "Yes" "No" "Sometimes" "Yes" ...
##  $ LikePresentation                    : chr  "Yes" "Yes" "No" "No" ...
##  $ SleepPerDayHours                    : int  12 8 8 5 5 8 8 8 8 8 ...
##  $ NumberOfFriend                      : int  NA 80 10 15 2 12 7 6 3 4 ...
##  $ LikeNewThings                       : chr  "Yes" "Yes" "Yes" "Yes" ...
# Verificar columnas con missing
which(colSums(is.na(proyecto))!= 0)
## NumberOfFriend 
##              9

Realizar el análisis utilizando librerias

library(VIM)
library(mice)

resumen_missing <- aggr(proyecto, numbers=T)

summary(resumen_missing)
## 
##  Missings per variable: 
##                              Variable Count
##                                   Age     0
##                                Gender     0
##                   AcademicPerformance     0
##                     TakingNoteInClass     0
##                      DepressionStatus     0
##  FaceChallangesToCompleteAcademicTask     0
##                      LikePresentation     0
##                      SleepPerDayHours     0
##                        NumberOfFriend     4
##                         LikeNewThings     0
## 
##  Missings in combinations of variables: 
##         Combinations Count   Percent
##  0:0:0:0:0:0:0:0:0:0    95 95.959596
##  0:0:0:0:0:0:0:0:1:0     4  4.040404

Para determinar mejor lo patrones de comportamiento de missing se puede utilizar la siguiente función

library(VIM)
matrixplot(proyecto)

otra representación

#Con librería mice
library(mice)
md.pattern(proyecto, rotate.names = TRUE)

##    Age Gender AcademicPerformance TakingNoteInClass DepressionStatus
## 95   1      1                   1                 1                1
## 4    1      1                   1                 1                1
##      0      0                   0                 0                0
##    FaceChallangesToCompleteAcademicTask LikePresentation SleepPerDayHours
## 95                                    1                1                1
## 4                                     1                1                1
##                                       0                0                0
##    LikeNewThings NumberOfFriend  
## 95             1              1 0
## 4              1              0 1
##                0              4 4

La librería visdat permite visualizar missing pero los ordena por tipo de datos

library(visdat)
vis_dat(proyecto)

Para obtener columnas con porcentajes de missing

vis_miss(proyecto)

X. Manejo de valores outliers.

Detección de outtliers univariado - gráfica

El análisis solo se realiza para variable cuantitativas

summary(proyecto)
##       Age           Gender          AcademicPerformance TakingNoteInClass 
##  Min.   :20.00   Length:99          Length:99           Length:99         
##  1st Qu.:21.00   Class :character   Class :character    Class :character  
##  Median :23.00   Mode  :character   Mode  :character    Mode  :character  
##  Mean   :22.52                                                            
##  3rd Qu.:24.00                                                            
##  Max.   :25.00                                                            
##                                                                           
##  DepressionStatus   FaceChallangesToCompleteAcademicTask LikePresentation  
##  Length:99          Length:99                            Length:99         
##  Class :character   Class :character                     Class :character  
##  Mode  :character   Mode  :character                     Mode  :character  
##                                                                            
##                                                                            
##                                                                            
##                                                                            
##  SleepPerDayHours NumberOfFriend   LikeNewThings     
##  Min.   : 4.000   Min.   :  0.00   Length:99         
##  1st Qu.: 5.000   1st Qu.:  3.00   Class :character  
##  Median : 7.000   Median :  6.00   Mode  :character  
##  Mean   : 6.717   Mean   : 16.19                     
##  3rd Qu.: 8.000   3rd Qu.: 15.00                     
##  Max.   :12.000   Max.   :100.00                     
##                   NA's   :4

Gráfico de cajas

Gráfico de cajas y bigotes

# EDAD
boxplot(proyecto$Age)

Interpretación: Según los resultados, la edad no tiene valores atípicos.

# HORAS DORMIDAS POR DÍA
boxplot(proyecto$SleepPerDayHours)

Interpretación: Según los resultados, la edad no tiene valores atípicos.

# NUMERO DE AMIGOS
boxplot(proyecto$NumberOfFriend)

Interpretación: Según los resultados, se identifican valores atípicos. Vamos a identificarlo y plantear estrategias de esta correción.

# Calcular el RIC (RIC = Q3 - Q1)
q1 <- quantile(proyecto$NumberOfFriend, 0.25, na.rm = TRUE)
q3 <- quantile(proyecto$NumberOfFriend, 0.75, na.rm = TRUE)
RIC_IQR <- q3 - q1

# Limites o bigotes (Superior o Inferior)
bigote_inferior <- q1 - 1.5*RIC_IQR
bigote_superior <- q3 + 1.5*RIC_IQR

# Elimina los valores atípicos
data_clean <- subset(proyecto, NumberOfFriend >= bigote_inferior & NumberOfFriend <= bigote_superior)
data_clean

Para confirmar vamos a realizar un gráfico de cajas con la nueva data

boxplot(data_clean$NumberOfFriend)

Como podemos ver, hemos podido eliminar casi todos los valores atípicos, a excepción de 1.

XI. Transformación de variables

Transformación de raíz cuadrada:

Esta transformación se utiliza para reducir la dispersión de los datos cuando estos tienen una distribución con una varianza que aumenta con el nivel medio de la variable. También puede ayudar a reducir la asimetría.

EDAD

# Original
hist(proyecto$Age)

Para sacar la raiz cuadrada, simplemente se puede utilizar la función sqrt

sqrt(proyecto$Age)
##  [1] 4.795832 4.795832 4.898979 4.472136 4.898979 4.795832 4.582576 4.582576
##  [9] 4.898979 4.795832 4.690416 4.690416 4.898979 4.898979 4.582576 5.000000
## [17] 4.898979 4.472136 4.690416 4.582576 4.582576 4.582576 5.000000 4.582576
## [25] 4.582576 5.000000 4.795832 5.000000 4.582576 4.795832 4.795832 4.795832
## [33] 4.795832 4.795832 4.898979 4.472136 4.898979 4.795832 4.582576 4.582576
## [41] 4.898979 4.795832 4.690416 4.690416 4.898979 4.898979 4.582576 5.000000
## [49] 4.898979 4.472136 4.690416 4.582576 4.582576 4.582576 5.000000 4.582576
## [57] 4.582576 5.000000 4.795832 5.000000 4.582576 4.795832 4.795832 4.795832
## [65] 4.795832 4.898979 4.472136 4.898979 4.795832 4.582576 4.582576 4.898979
## [73] 4.795832 4.690416 4.690416 4.898979 4.898979 4.582576 5.000000 4.898979
## [81] 4.472136 4.690416 4.582576 4.582576 4.582576 5.000000 4.582576 4.898979
## [89] 4.582576 5.000000 4.898979 4.472136 4.690416 4.582576 4.582576 4.582576
## [97] 5.000000 4.582576 4.690416

Graficamente

hist(sqrt(proyecto$Age))

HORAS DORMIDAS POR DIA

# Original
hist(proyecto$SleepPerDayHours)

Para sacar la raiz cuadrada, simplemente se puede utilizar la función sqrt

sqrt(proyecto$SleepPerDayHours)
##  [1] 3.464102 2.828427 2.828427 2.236068 2.236068 2.828427 2.828427 2.828427
##  [9] 2.828427 2.828427 2.000000 2.645751 2.645751 2.236068 2.236068 2.236068
## [17] 2.645751 2.645751 2.645751 2.000000 2.449490 2.449490 2.000000 3.162278
## [25] 2.645751 2.645751 2.236068 2.828427 2.828427 2.828427 2.828427 2.828427
## [33] 3.464102 2.828427 2.828427 2.236068 2.236068 2.828427 2.828427 2.828427
## [41] 2.828427 2.828427 2.000000 2.645751 2.645751 2.236068 2.236068 2.236068
## [49] 2.645751 2.645751 2.645751 2.000000 2.449490 2.449490 2.000000 3.162278
## [57] 2.645751 2.645751 2.236068 2.828427 2.828427 2.828427 2.828427 2.828427
## [65] 2.828427 2.828427 2.236068 2.236068 2.828427 2.828427 2.828427 2.828427
## [73] 2.828427 2.000000 2.645751 2.645751 2.236068 2.236068 2.236068 2.645751
## [81] 2.645751 2.645751 2.000000 2.449490 2.449490 2.000000 3.162278 2.236068
## [89] 2.236068 2.236068 2.645751 2.645751 2.645751 2.000000 2.449490 2.449490
## [97] 2.000000 3.162278 2.645751

Graficamente

hist(sqrt(proyecto$SleepPerDayHours))

NUMERO DE AMIGOS

# Original
hist(proyecto$NumberOfFriend)

Para sacar la raiz cuadrada, simplemente se puede utilizar la función sqrt

sqrt(proyecto$NumberOfFriend)
##  [1]        NA  8.944272  3.162278  3.872983  1.414214  3.464102  2.645751
##  [8]  2.449490  1.732051  2.000000  7.745967  7.416198  4.123106  1.732051
## [15]  1.000000  1.732051 10.000000  2.645751  1.732051  1.414214  2.000000
## [22]  2.449490  3.000000  4.795832        NA  0.000000  3.464102  3.872983
## [29]  2.645751  1.732051  0.000000  1.414214        NA  8.944272  3.162278
## [36]  3.872983  1.414214  3.464102  2.645751  2.449490  1.732051  2.000000
## [43]  7.745967  7.416198  4.123106  1.732051  1.000000  1.732051 10.000000
## [50]  2.645751  1.732051  1.414214  2.000000  2.449490  3.000000  4.795832
## [57]        NA  0.000000  3.464102  3.872983  2.645751  1.732051  0.000000
## [64]  1.414214  8.944272  3.162278  3.872983  1.414214  3.464102  2.645751
## [71]  2.449490  1.732051  2.000000  7.745967  7.416198  4.123106  1.732051
## [78]  1.000000  1.732051 10.000000  2.645751  1.732051  1.414214  2.000000
## [85]  2.449490  3.000000  4.795832  1.732051  1.000000  1.732051 10.000000
## [92]  2.645751  1.732051  1.414214  2.000000  2.449490  3.000000  4.795832
## [99]  1.732051

Graficamente

hist(sqrt(proyecto$NumberOfFriend))

Transformación exponencial:

Se aplica cuando los datos tienen una distribución sesgada hacia la izquierda (asimetría negativa). La transformación exponencial puede ayudar a corregir la asimetría y hacer que los datos se aproximen más a una distribución simétrica.

en r para poder obtener esta transformación, se debe utilizar la función exp() ## EDAD

exp(proyecto$Age)
##  [1]  9744803446  9744803446 26489122130   485165195 26489122130  9744803446
##  [7]  1318815734  1318815734 26489122130  9744803446  3584912846  3584912846
## [13] 26489122130 26489122130  1318815734 72004899337 26489122130   485165195
## [19]  3584912846  1318815734  1318815734  1318815734 72004899337  1318815734
## [25]  1318815734 72004899337  9744803446 72004899337  1318815734  9744803446
## [31]  9744803446  9744803446  9744803446  9744803446 26489122130   485165195
## [37] 26489122130  9744803446  1318815734  1318815734 26489122130  9744803446
## [43]  3584912846  3584912846 26489122130 26489122130  1318815734 72004899337
## [49] 26489122130   485165195  3584912846  1318815734  1318815734  1318815734
## [55] 72004899337  1318815734  1318815734 72004899337  9744803446 72004899337
## [61]  1318815734  9744803446  9744803446  9744803446  9744803446 26489122130
## [67]   485165195 26489122130  9744803446  1318815734  1318815734 26489122130
## [73]  9744803446  3584912846  3584912846 26489122130 26489122130  1318815734
## [79] 72004899337 26489122130   485165195  3584912846  1318815734  1318815734
## [85]  1318815734 72004899337  1318815734 26489122130  1318815734 72004899337
## [91] 26489122130   485165195  3584912846  1318815734  1318815734  1318815734
## [97] 72004899337  1318815734  3584912846

para poder observarlo graficamente se tiene:

hist(exp(proyecto$Age))

Forma 2

age_exp<- exp(proyecto$Age)
hist(age_exp)

HORAS DORMIDAS POR DIA

exp(proyecto$SleepPerDayHours)
##  [1] 162754.79142   2980.95799   2980.95799    148.41316    148.41316
##  [6]   2980.95799   2980.95799   2980.95799   2980.95799   2980.95799
## [11]     54.59815   1096.63316   1096.63316    148.41316    148.41316
## [16]    148.41316   1096.63316   1096.63316   1096.63316     54.59815
## [21]    403.42879    403.42879     54.59815  22026.46579   1096.63316
## [26]   1096.63316    148.41316   2980.95799   2980.95799   2980.95799
## [31]   2980.95799   2980.95799 162754.79142   2980.95799   2980.95799
## [36]    148.41316    148.41316   2980.95799   2980.95799   2980.95799
## [41]   2980.95799   2980.95799     54.59815   1096.63316   1096.63316
## [46]    148.41316    148.41316    148.41316   1096.63316   1096.63316
## [51]   1096.63316     54.59815    403.42879    403.42879     54.59815
## [56]  22026.46579   1096.63316   1096.63316    148.41316   2980.95799
## [61]   2980.95799   2980.95799   2980.95799   2980.95799   2980.95799
## [66]   2980.95799    148.41316    148.41316   2980.95799   2980.95799
## [71]   2980.95799   2980.95799   2980.95799     54.59815   1096.63316
## [76]   1096.63316    148.41316    148.41316    148.41316   1096.63316
## [81]   1096.63316   1096.63316     54.59815    403.42879    403.42879
## [86]     54.59815  22026.46579    148.41316    148.41316    148.41316
## [91]   1096.63316   1096.63316   1096.63316     54.59815    403.42879
## [96]    403.42879     54.59815  22026.46579   1096.63316

para poder observarlo graficamente se tiene:

hist(exp(proyecto$SleepPerDayHours))

Forma 2

sle_exp<- exp(proyecto$SleepPerDayHours)
hist(sle_exp)

NUMERO DE AMGIOS

exp(proyecto$NumberOfFriend)
##  [1]           NA 5.540622e+34 2.202647e+04 3.269017e+06 7.389056e+00
##  [6] 1.627548e+05 1.096633e+03 4.034288e+02 2.008554e+01 5.459815e+01
## [11] 1.142007e+26 7.694785e+23 2.415495e+07 2.008554e+01 2.718282e+00
## [16] 2.008554e+01 2.688117e+43 1.096633e+03 2.008554e+01 7.389056e+00
## [21] 5.459815e+01 4.034288e+02 8.103084e+03 9.744803e+09           NA
## [26] 1.000000e+00 1.627548e+05 3.269017e+06 1.096633e+03 2.008554e+01
## [31] 1.000000e+00 7.389056e+00           NA 5.540622e+34 2.202647e+04
## [36] 3.269017e+06 7.389056e+00 1.627548e+05 1.096633e+03 4.034288e+02
## [41] 2.008554e+01 5.459815e+01 1.142007e+26 7.694785e+23 2.415495e+07
## [46] 2.008554e+01 2.718282e+00 2.008554e+01 2.688117e+43 1.096633e+03
## [51] 2.008554e+01 7.389056e+00 5.459815e+01 4.034288e+02 8.103084e+03
## [56] 9.744803e+09           NA 1.000000e+00 1.627548e+05 3.269017e+06
## [61] 1.096633e+03 2.008554e+01 1.000000e+00 7.389056e+00 5.540622e+34
## [66] 2.202647e+04 3.269017e+06 7.389056e+00 1.627548e+05 1.096633e+03
## [71] 4.034288e+02 2.008554e+01 5.459815e+01 1.142007e+26 7.694785e+23
## [76] 2.415495e+07 2.008554e+01 2.718282e+00 2.008554e+01 2.688117e+43
## [81] 1.096633e+03 2.008554e+01 7.389056e+00 5.459815e+01 4.034288e+02
## [86] 8.103084e+03 9.744803e+09 2.008554e+01 2.718282e+00 2.008554e+01
## [91] 2.688117e+43 1.096633e+03 2.008554e+01 7.389056e+00 5.459815e+01
## [96] 4.034288e+02 8.103084e+03 9.744803e+09 2.008554e+01

para poder observarlo graficamente se tiene:

hist(exp(proyecto$NumberOfFriend))

Forma 2

num_exp<- exp(proyecto$NumberOfFriend)
hist(num_exp)

Transformación logarítmica:

Esta transformación se utiliza cuando los datos presentan una distribución sesgada hacia la derecha (asimetría positiva). La transformación logarítmica reduce la asimetría y puede facilitar la interpretación de los datos.

EDAD

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

log(proyecto$Age)
##  [1] 3.135494 3.135494 3.178054 2.995732 3.178054 3.135494 3.044522 3.044522
##  [9] 3.178054 3.135494 3.091042 3.091042 3.178054 3.178054 3.044522 3.218876
## [17] 3.178054 2.995732 3.091042 3.044522 3.044522 3.044522 3.218876 3.044522
## [25] 3.044522 3.218876 3.135494 3.218876 3.044522 3.135494 3.135494 3.135494
## [33] 3.135494 3.135494 3.178054 2.995732 3.178054 3.135494 3.044522 3.044522
## [41] 3.178054 3.135494 3.091042 3.091042 3.178054 3.178054 3.044522 3.218876
## [49] 3.178054 2.995732 3.091042 3.044522 3.044522 3.044522 3.218876 3.044522
## [57] 3.044522 3.218876 3.135494 3.218876 3.044522 3.135494 3.135494 3.135494
## [65] 3.135494 3.178054 2.995732 3.178054 3.135494 3.044522 3.044522 3.178054
## [73] 3.135494 3.091042 3.091042 3.178054 3.178054 3.044522 3.218876 3.178054
## [81] 2.995732 3.091042 3.044522 3.044522 3.044522 3.218876 3.044522 3.178054
## [89] 3.044522 3.218876 3.178054 2.995732 3.091042 3.044522 3.044522 3.044522
## [97] 3.218876 3.044522 3.091042

graficamente

hist(log(proyecto$Age))

Cambiar la base 2

log(proyecto$Age, base=2)
##  [1] 4.523562 4.523562 4.584963 4.321928 4.584963 4.523562 4.392317 4.392317
##  [9] 4.584963 4.523562 4.459432 4.459432 4.584963 4.584963 4.392317 4.643856
## [17] 4.584963 4.321928 4.459432 4.392317 4.392317 4.392317 4.643856 4.392317
## [25] 4.392317 4.643856 4.523562 4.643856 4.392317 4.523562 4.523562 4.523562
## [33] 4.523562 4.523562 4.584963 4.321928 4.584963 4.523562 4.392317 4.392317
## [41] 4.584963 4.523562 4.459432 4.459432 4.584963 4.584963 4.392317 4.643856
## [49] 4.584963 4.321928 4.459432 4.392317 4.392317 4.392317 4.643856 4.392317
## [57] 4.392317 4.643856 4.523562 4.643856 4.392317 4.523562 4.523562 4.523562
## [65] 4.523562 4.584963 4.321928 4.584963 4.523562 4.392317 4.392317 4.584963
## [73] 4.523562 4.459432 4.459432 4.584963 4.584963 4.392317 4.643856 4.584963
## [81] 4.321928 4.459432 4.392317 4.392317 4.392317 4.643856 4.392317 4.584963
## [89] 4.392317 4.643856 4.584963 4.321928 4.459432 4.392317 4.392317 4.392317
## [97] 4.643856 4.392317 4.459432

graficamente

hist(log(proyecto$Age, base=2))

Comparación de transformaciones

#Obtener solo tranaformaciones
age_sqrt <- sqrt(proyecto$Age)
age_exp <- exp(proyecto$Age)
age_ln <- log(proyecto$Age)
age_log2 <- log(proyecto$Age, base=2)
age_log5 <- log(proyecto$Age, base=5)

Ver graficamente cada una:

par(mfrow=c(3,2))
hist(proyecto$Age)
hist(age_sqrt)
hist(age_exp)
hist(age_ln)
hist(age_log2)
hist(age_log5)

par(mfrow=c(1,1))

Este tipo de transformaciones, busca que los datos sean simétricos (distribución forma de campana) o que se cumpla un supuesto estadístico

La visualización de la distribución puede mejorarse con la gráfica de densidad

par(mfrow=c(3,2))
plot(density(proyecto$Age), main = "Distribución de edades originales")
plot(density(age_sqrt), main = "Distribución de edades transformadas - sqrt")
plot(density(age_exp), main = "Distribución de edades transformadas - exp")
plot(density(age_ln), main = "Distribución de edades transformadas - ln")
plot(density(age_log2), main = "Distribución de edades transformadas - log2")
plot(density(age_log5), main = "Distribución de edades transformadas - log5")

par(mfrow=c(1,1))    

La mejor transformación que mejora la simetría

En este caso se puede quedar en la forma original, ya que no se nota un gran cambio con alguna transformación.

HORAS DORMIDAS POR DIA

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

log(proyecto$SleepPerDayHours)
##  [1] 2.484907 2.079442 2.079442 1.609438 1.609438 2.079442 2.079442 2.079442
##  [9] 2.079442 2.079442 1.386294 1.945910 1.945910 1.609438 1.609438 1.609438
## [17] 1.945910 1.945910 1.945910 1.386294 1.791759 1.791759 1.386294 2.302585
## [25] 1.945910 1.945910 1.609438 2.079442 2.079442 2.079442 2.079442 2.079442
## [33] 2.484907 2.079442 2.079442 1.609438 1.609438 2.079442 2.079442 2.079442
## [41] 2.079442 2.079442 1.386294 1.945910 1.945910 1.609438 1.609438 1.609438
## [49] 1.945910 1.945910 1.945910 1.386294 1.791759 1.791759 1.386294 2.302585
## [57] 1.945910 1.945910 1.609438 2.079442 2.079442 2.079442 2.079442 2.079442
## [65] 2.079442 2.079442 1.609438 1.609438 2.079442 2.079442 2.079442 2.079442
## [73] 2.079442 1.386294 1.945910 1.945910 1.609438 1.609438 1.609438 1.945910
## [81] 1.945910 1.945910 1.386294 1.791759 1.791759 1.386294 2.302585 1.609438
## [89] 1.609438 1.609438 1.945910 1.945910 1.945910 1.386294 1.791759 1.791759
## [97] 1.386294 2.302585 1.945910

graficamente

hist(log(proyecto$SleepPerDayHours))

Cambiar la base 2

log(proyecto$SleepPerDayHours, base=2)
##  [1] 3.584963 3.000000 3.000000 2.321928 2.321928 3.000000 3.000000 3.000000
##  [9] 3.000000 3.000000 2.000000 2.807355 2.807355 2.321928 2.321928 2.321928
## [17] 2.807355 2.807355 2.807355 2.000000 2.584963 2.584963 2.000000 3.321928
## [25] 2.807355 2.807355 2.321928 3.000000 3.000000 3.000000 3.000000 3.000000
## [33] 3.584963 3.000000 3.000000 2.321928 2.321928 3.000000 3.000000 3.000000
## [41] 3.000000 3.000000 2.000000 2.807355 2.807355 2.321928 2.321928 2.321928
## [49] 2.807355 2.807355 2.807355 2.000000 2.584963 2.584963 2.000000 3.321928
## [57] 2.807355 2.807355 2.321928 3.000000 3.000000 3.000000 3.000000 3.000000
## [65] 3.000000 3.000000 2.321928 2.321928 3.000000 3.000000 3.000000 3.000000
## [73] 3.000000 2.000000 2.807355 2.807355 2.321928 2.321928 2.321928 2.807355
## [81] 2.807355 2.807355 2.000000 2.584963 2.584963 2.000000 3.321928 2.321928
## [89] 2.321928 2.321928 2.807355 2.807355 2.807355 2.000000 2.584963 2.584963
## [97] 2.000000 3.321928 2.807355

graficamente

hist(log(proyecto$SleepPerDayHours, base=2))

Comparación de transformaciones

#Obtener solo tranaformaciones
sle_sqrt <- sqrt(proyecto$SleepPerDayHours)
sle_exp <- exp(proyecto$SleepPerDayHours)
sle_ln <- log(proyecto$SleepPerDayHours)
sle_log2 <- log(proyecto$SleepPerDayHours, base=2)
sle_log5 <- log(proyecto$SleepPerDayHours, base=5)

Ver graficamente cada una:

par(mfrow=c(3,2))
hist(proyecto$SleepPerDayHours)
hist(sle_sqrt)
hist(sle_exp)
hist(sle_ln)
hist(sle_log2)
hist(sle_log5)

par(mfrow=c(1,1))

Este tipo de transformaciones, busca que los datos sean simétricos (distribución forma de campana) o que se cumpla un supuesto estadístico

La visualización de la distribución puede mejorarse con la gráfica de densidad

par(mfrow=c(3,2))
plot(density(proyecto$SleepPerDayHours), main = "Distribución de SleepPerDayHours originales")
plot(density(sle_sqrt), main = "Distribución de SleepPerDayHours transformadas - sqrt")
plot(density(sle_exp), main = "Distribución de SleepPerDayHours transformadas - exp")
plot(density(sle_ln), main = "Distribución de SleepPerDayHours transformadas - ln")
plot(density(sle_log2), main = "Distribución de SleepPerDayHours transformadas - log2")
plot(density(sle_log5), main = "Distribución de SleepPerDayHours transformadas - log5")

par(mfrow=c(1,1))    

La mejor transformación que mejora la simetría

En este caso se puede quedar en la forma original, ya que no se nota un gran cambio con alguna transformación, esto lo puedo decir porque en las demás transformaciones se ve la misma densidad gráficamente, lo cual no mejora la simetría, porque la mantiene igual que la distribución original.

NUMERO DE AMIGOS

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

log(proyecto$NumberOfFriend)
##  [1]        NA 4.3820266 2.3025851 2.7080502 0.6931472 2.4849066 1.9459101
##  [8] 1.7917595 1.0986123 1.3862944 4.0943446 4.0073332 2.8332133 1.0986123
## [15] 0.0000000 1.0986123 4.6051702 1.9459101 1.0986123 0.6931472 1.3862944
## [22] 1.7917595 2.1972246 3.1354942        NA      -Inf 2.4849066 2.7080502
## [29] 1.9459101 1.0986123      -Inf 0.6931472        NA 4.3820266 2.3025851
## [36] 2.7080502 0.6931472 2.4849066 1.9459101 1.7917595 1.0986123 1.3862944
## [43] 4.0943446 4.0073332 2.8332133 1.0986123 0.0000000 1.0986123 4.6051702
## [50] 1.9459101 1.0986123 0.6931472 1.3862944 1.7917595 2.1972246 3.1354942
## [57]        NA      -Inf 2.4849066 2.7080502 1.9459101 1.0986123      -Inf
## [64] 0.6931472 4.3820266 2.3025851 2.7080502 0.6931472 2.4849066 1.9459101
## [71] 1.7917595 1.0986123 1.3862944 4.0943446 4.0073332 2.8332133 1.0986123
## [78] 0.0000000 1.0986123 4.6051702 1.9459101 1.0986123 0.6931472 1.3862944
## [85] 1.7917595 2.1972246 3.1354942 1.0986123 0.0000000 1.0986123 4.6051702
## [92] 1.9459101 1.0986123 0.6931472 1.3862944 1.7917595 2.1972246 3.1354942
## [99] 1.0986123

graficamente

hist(log(proyecto$NumberOfFriend))

Cambiar la base 2

log(proyecto$NumberOfFriend, base=2)
##  [1]       NA 6.321928 3.321928 3.906891 1.000000 3.584963 2.807355 2.584963
##  [9] 1.584963 2.000000 5.906891 5.781360 4.087463 1.584963 0.000000 1.584963
## [17] 6.643856 2.807355 1.584963 1.000000 2.000000 2.584963 3.169925 4.523562
## [25]       NA     -Inf 3.584963 3.906891 2.807355 1.584963     -Inf 1.000000
## [33]       NA 6.321928 3.321928 3.906891 1.000000 3.584963 2.807355 2.584963
## [41] 1.584963 2.000000 5.906891 5.781360 4.087463 1.584963 0.000000 1.584963
## [49] 6.643856 2.807355 1.584963 1.000000 2.000000 2.584963 3.169925 4.523562
## [57]       NA     -Inf 3.584963 3.906891 2.807355 1.584963     -Inf 1.000000
## [65] 6.321928 3.321928 3.906891 1.000000 3.584963 2.807355 2.584963 1.584963
## [73] 2.000000 5.906891 5.781360 4.087463 1.584963 0.000000 1.584963 6.643856
## [81] 2.807355 1.584963 1.000000 2.000000 2.584963 3.169925 4.523562 1.584963
## [89] 0.000000 1.584963 6.643856 2.807355 1.584963 1.000000 2.000000 2.584963
## [97] 3.169925 4.523562 1.584963

graficamente

hist(log(proyecto$NumberOfFriend, base=2))

Comparación de transformaciones

#Obtener solo tranaformaciones
num_sqrt <- sqrt(proyecto$NumberOfFriend)
num_exp <- exp(proyecto$NumberOfFriend)
num_ln <- log(proyecto$NumberOfFriend)
num_log2 <- log(proyecto$NumberOfFriend, base=2)
num_log5 <- log(proyecto$NumberOfFriend, base=5)

Ver graficamente cada una:

par(mfrow=c(3,2))
hist(proyecto$NumberOfFriend)
hist(num_sqrt)
hist(num_exp)
hist(num_ln)
hist(num_log2)
hist(num_log5)

par(mfrow=c(1,1))

Este tipo de transformaciones, busca que los datos sean simétricos (distribución forma de campana) o que se cumpla un supuesto estadístico

La visualización de la distribución puede mejorarse con la gráfica de densidad

par(mfrow=c(3,2))
plot(density(proyecto$NumberOfFriend, na.rm = TRUE), main = "Distribución de numero de amigos originales")
plot(density(num_sqrt, na.rm = TRUE), main = "Distribución de numero de amigos transformadas - sqrt")
plot(density(num_exp, na.rm = TRUE), main = "Distribución de numero de amigos transformadas - exp")
plot(density(num_ln, na.rm = TRUE), main = "Distribución de numero de amigos transformadas - ln")
plot(density(num_log2, na.rm = TRUE), main = "Distribución de numero de amigos transformadas - log2")
plot(density(num_log5, na.rm = TRUE), main = "Distribución de numero de amigos transformadas - log5")

par(mfrow=c(1,1))    

La mejor transformación que mejora la simetría

En este caso tiene mejor simetría la transformación logarítmica, ya sea sin base especificada o con base 2 y 5.

XII. Estandarización y normalización de variables.

Estandarización:

\[ z=\frac{x_i-\mu}{\sigma} \]

Donde:

  • \(X_i\) representa cada dato dentro del caso.
  • \(\mu\) Es la media (Promedio).
  • \(\sigma\) es la desviación estándar.

Vamos a aplicar estandarización Z a la variable Edad de manera manual

Método 1: Por partes

proyecto$Age
##  [1] 23 23 24 20 24 23 21 21 24 23 22 22 24 24 21 25 24 20 22 21 21 21 25 21 21
## [26] 25 23 25 21 23 23 23 23 23 24 20 24 23 21 21 24 23 22 22 24 24 21 25 24 20
## [51] 22 21 21 21 25 21 21 25 23 25 21 23 23 23 23 24 20 24 23 21 21 24 23 22 22
## [76] 24 24 21 25 24 20 22 21 21 21 25 21 24 21 25 24 20 22 21 21 21 25 21 22
media_monto <- mean(proyecto$Age)
media_monto
## [1] 22.51515
desv_est <- sd(proyecto$Age)
desv_est
## [1] 1.560767
monto_estandar <- (proyecto$Age-media_monto)/desv_est
monto_estandar
##  [1]  0.3106476  0.3106476  0.9513584 -1.6114846  0.9513584  0.3106476
##  [7] -0.9707739 -0.9707739  0.9513584  0.3106476 -0.3300631 -0.3300631
## [13]  0.9513584  0.9513584 -0.9707739  1.5920692  0.9513584 -1.6114846
## [19] -0.3300631 -0.9707739 -0.9707739 -0.9707739  1.5920692 -0.9707739
## [25] -0.9707739  1.5920692  0.3106476  1.5920692 -0.9707739  0.3106476
## [31]  0.3106476  0.3106476  0.3106476  0.3106476  0.9513584 -1.6114846
## [37]  0.9513584  0.3106476 -0.9707739 -0.9707739  0.9513584  0.3106476
## [43] -0.3300631 -0.3300631  0.9513584  0.9513584 -0.9707739  1.5920692
## [49]  0.9513584 -1.6114846 -0.3300631 -0.9707739 -0.9707739 -0.9707739
## [55]  1.5920692 -0.9707739 -0.9707739  1.5920692  0.3106476  1.5920692
## [61] -0.9707739  0.3106476  0.3106476  0.3106476  0.3106476  0.9513584
## [67] -1.6114846  0.9513584  0.3106476 -0.9707739 -0.9707739  0.9513584
## [73]  0.3106476 -0.3300631 -0.3300631  0.9513584  0.9513584 -0.9707739
## [79]  1.5920692  0.9513584 -1.6114846 -0.3300631 -0.9707739 -0.9707739
## [85] -0.9707739  1.5920692 -0.9707739  0.9513584 -0.9707739  1.5920692
## [91]  0.9513584 -1.6114846 -0.3300631 -0.9707739 -0.9707739 -0.9707739
## [97]  1.5920692 -0.9707739 -0.3300631

Método 2: Directo

monto_estandar2 <- (proyecto$Age-mean(proyecto$Age))/sd(proyecto$Age)
monto_estandar2
##  [1]  0.3106476  0.3106476  0.9513584 -1.6114846  0.9513584  0.3106476
##  [7] -0.9707739 -0.9707739  0.9513584  0.3106476 -0.3300631 -0.3300631
## [13]  0.9513584  0.9513584 -0.9707739  1.5920692  0.9513584 -1.6114846
## [19] -0.3300631 -0.9707739 -0.9707739 -0.9707739  1.5920692 -0.9707739
## [25] -0.9707739  1.5920692  0.3106476  1.5920692 -0.9707739  0.3106476
## [31]  0.3106476  0.3106476  0.3106476  0.3106476  0.9513584 -1.6114846
## [37]  0.9513584  0.3106476 -0.9707739 -0.9707739  0.9513584  0.3106476
## [43] -0.3300631 -0.3300631  0.9513584  0.9513584 -0.9707739  1.5920692
## [49]  0.9513584 -1.6114846 -0.3300631 -0.9707739 -0.9707739 -0.9707739
## [55]  1.5920692 -0.9707739 -0.9707739  1.5920692  0.3106476  1.5920692
## [61] -0.9707739  0.3106476  0.3106476  0.3106476  0.3106476  0.9513584
## [67] -1.6114846  0.9513584  0.3106476 -0.9707739 -0.9707739  0.9513584
## [73]  0.3106476 -0.3300631 -0.3300631  0.9513584  0.9513584 -0.9707739
## [79]  1.5920692  0.9513584 -1.6114846 -0.3300631 -0.9707739 -0.9707739
## [85] -0.9707739  1.5920692 -0.9707739  0.9513584 -0.9707739  1.5920692
## [91]  0.9513584 -1.6114846 -0.3300631 -0.9707739 -0.9707739 -0.9707739
## [97]  1.5920692 -0.9707739 -0.3300631

Método 3: Apoyarse en las funciones de R

R tiene múltiple funciones para estandarizar, la clásica es la función scale

str(proyecto[, c(1, 8, 9)])
## 'data.frame':    99 obs. of  3 variables:
##  $ Age             : int  23 23 24 20 24 23 21 21 24 23 ...
##  $ SleepPerDayHours: int  12 8 8 5 5 8 8 8 8 8 ...
##  $ NumberOfFriend  : int  NA 80 10 15 2 12 7 6 3 4 ...
# Si alguna columna no es numérica, intenta convertirla a numérica
proyecto[, c(1, 8, 9)] <- lapply(proyecto[, c(1, 8, 9)], as.numeric)
# Vuelve a verificar el tipo de datos
str(proyecto[, c(1, 8, 9)])
## 'data.frame':    99 obs. of  3 variables:
##  $ Age             : num  23 23 24 20 24 23 21 21 24 23 ...
##  $ SleepPerDayHours: num  12 8 8 5 5 8 8 8 8 8 ...
##  $ NumberOfFriend  : num  NA 80 10 15 2 12 7 6 3 4 ...
#Función scale
monto_estandar3 <- scale(proyecto$Age)
monto_estandar3
##              [,1]
##   [1,]  0.3106476
##   [2,]  0.3106476
##   [3,]  0.9513584
##   [4,] -1.6114846
##   [5,]  0.9513584
##   [6,]  0.3106476
##   [7,] -0.9707739
##   [8,] -0.9707739
##   [9,]  0.9513584
##  [10,]  0.3106476
##  [11,] -0.3300631
##  [12,] -0.3300631
##  [13,]  0.9513584
##  [14,]  0.9513584
##  [15,] -0.9707739
##  [16,]  1.5920692
##  [17,]  0.9513584
##  [18,] -1.6114846
##  [19,] -0.3300631
##  [20,] -0.9707739
##  [21,] -0.9707739
##  [22,] -0.9707739
##  [23,]  1.5920692
##  [24,] -0.9707739
##  [25,] -0.9707739
##  [26,]  1.5920692
##  [27,]  0.3106476
##  [28,]  1.5920692
##  [29,] -0.9707739
##  [30,]  0.3106476
##  [31,]  0.3106476
##  [32,]  0.3106476
##  [33,]  0.3106476
##  [34,]  0.3106476
##  [35,]  0.9513584
##  [36,] -1.6114846
##  [37,]  0.9513584
##  [38,]  0.3106476
##  [39,] -0.9707739
##  [40,] -0.9707739
##  [41,]  0.9513584
##  [42,]  0.3106476
##  [43,] -0.3300631
##  [44,] -0.3300631
##  [45,]  0.9513584
##  [46,]  0.9513584
##  [47,] -0.9707739
##  [48,]  1.5920692
##  [49,]  0.9513584
##  [50,] -1.6114846
##  [51,] -0.3300631
##  [52,] -0.9707739
##  [53,] -0.9707739
##  [54,] -0.9707739
##  [55,]  1.5920692
##  [56,] -0.9707739
##  [57,] -0.9707739
##  [58,]  1.5920692
##  [59,]  0.3106476
##  [60,]  1.5920692
##  [61,] -0.9707739
##  [62,]  0.3106476
##  [63,]  0.3106476
##  [64,]  0.3106476
##  [65,]  0.3106476
##  [66,]  0.9513584
##  [67,] -1.6114846
##  [68,]  0.9513584
##  [69,]  0.3106476
##  [70,] -0.9707739
##  [71,] -0.9707739
##  [72,]  0.9513584
##  [73,]  0.3106476
##  [74,] -0.3300631
##  [75,] -0.3300631
##  [76,]  0.9513584
##  [77,]  0.9513584
##  [78,] -0.9707739
##  [79,]  1.5920692
##  [80,]  0.9513584
##  [81,] -1.6114846
##  [82,] -0.3300631
##  [83,] -0.9707739
##  [84,] -0.9707739
##  [85,] -0.9707739
##  [86,]  1.5920692
##  [87,] -0.9707739
##  [88,]  0.9513584
##  [89,] -0.9707739
##  [90,]  1.5920692
##  [91,]  0.9513584
##  [92,] -1.6114846
##  [93,] -0.3300631
##  [94,] -0.9707739
##  [95,] -0.9707739
##  [96,] -0.9707739
##  [97,]  1.5920692
##  [98,] -0.9707739
##  [99,] -0.3300631
## attr(,"scaled:center")
## [1] 22.51515
## attr(,"scaled:scale")
## [1] 1.560767
#Función scale
monto_estandar3 <- scale(proyecto$Age)
monto_estandar3
##              [,1]
##   [1,]  0.3106476
##   [2,]  0.3106476
##   [3,]  0.9513584
##   [4,] -1.6114846
##   [5,]  0.9513584
##   [6,]  0.3106476
##   [7,] -0.9707739
##   [8,] -0.9707739
##   [9,]  0.9513584
##  [10,]  0.3106476
##  [11,] -0.3300631
##  [12,] -0.3300631
##  [13,]  0.9513584
##  [14,]  0.9513584
##  [15,] -0.9707739
##  [16,]  1.5920692
##  [17,]  0.9513584
##  [18,] -1.6114846
##  [19,] -0.3300631
##  [20,] -0.9707739
##  [21,] -0.9707739
##  [22,] -0.9707739
##  [23,]  1.5920692
##  [24,] -0.9707739
##  [25,] -0.9707739
##  [26,]  1.5920692
##  [27,]  0.3106476
##  [28,]  1.5920692
##  [29,] -0.9707739
##  [30,]  0.3106476
##  [31,]  0.3106476
##  [32,]  0.3106476
##  [33,]  0.3106476
##  [34,]  0.3106476
##  [35,]  0.9513584
##  [36,] -1.6114846
##  [37,]  0.9513584
##  [38,]  0.3106476
##  [39,] -0.9707739
##  [40,] -0.9707739
##  [41,]  0.9513584
##  [42,]  0.3106476
##  [43,] -0.3300631
##  [44,] -0.3300631
##  [45,]  0.9513584
##  [46,]  0.9513584
##  [47,] -0.9707739
##  [48,]  1.5920692
##  [49,]  0.9513584
##  [50,] -1.6114846
##  [51,] -0.3300631
##  [52,] -0.9707739
##  [53,] -0.9707739
##  [54,] -0.9707739
##  [55,]  1.5920692
##  [56,] -0.9707739
##  [57,] -0.9707739
##  [58,]  1.5920692
##  [59,]  0.3106476
##  [60,]  1.5920692
##  [61,] -0.9707739
##  [62,]  0.3106476
##  [63,]  0.3106476
##  [64,]  0.3106476
##  [65,]  0.3106476
##  [66,]  0.9513584
##  [67,] -1.6114846
##  [68,]  0.9513584
##  [69,]  0.3106476
##  [70,] -0.9707739
##  [71,] -0.9707739
##  [72,]  0.9513584
##  [73,]  0.3106476
##  [74,] -0.3300631
##  [75,] -0.3300631
##  [76,]  0.9513584
##  [77,]  0.9513584
##  [78,] -0.9707739
##  [79,]  1.5920692
##  [80,]  0.9513584
##  [81,] -1.6114846
##  [82,] -0.3300631
##  [83,] -0.9707739
##  [84,] -0.9707739
##  [85,] -0.9707739
##  [86,]  1.5920692
##  [87,] -0.9707739
##  [88,]  0.9513584
##  [89,] -0.9707739
##  [90,]  1.5920692
##  [91,]  0.9513584
##  [92,] -1.6114846
##  [93,] -0.3300631
##  [94,] -0.9707739
##  [95,] -0.9707739
##  [96,] -0.9707739
##  [97,]  1.5920692
##  [98,] -0.9707739
##  [99,] -0.3300631
## attr(,"scaled:center")
## [1] 22.51515
## attr(,"scaled:scale")
## [1] 1.560767

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

proyecto_cuanti_scale <- scale(proyecto[, c(1, 8, 9)])
head(proyecto_cuanti_scale)
##             Age SleepPerDayHours NumberOfFriend
## [1,]  0.3106476        3.0393058             NA
## [2,]  0.3106476        0.7380341     2.51244193
## [3,]  0.9513584        0.7380341    -0.24370106
## [4,] -1.6114846       -0.9879197    -0.04683371
## [5,]  0.9513584       -0.9879197    -0.55868884
## [6,]  0.3106476        0.7380341    -0.16495412
boxplot(proyecto[, c(1, 8, 9)])

Lo más recomendable es realizar el gráfico con los valores de las variables transformadas

boxplot(proyecto_cuanti_scale)

Normalización:

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

Método 1:

monto_normal <- (proyecto$Age-min(proyecto$Age))/(max(proyecto$Age)-min(proyecto$Age))
monto_normal
##  [1] 0.6 0.6 0.8 0.0 0.8 0.6 0.2 0.2 0.8 0.6 0.4 0.4 0.8 0.8 0.2 1.0 0.8 0.0 0.4
## [20] 0.2 0.2 0.2 1.0 0.2 0.2 1.0 0.6 1.0 0.2 0.6 0.6 0.6 0.6 0.6 0.8 0.0 0.8 0.6
## [39] 0.2 0.2 0.8 0.6 0.4 0.4 0.8 0.8 0.2 1.0 0.8 0.0 0.4 0.2 0.2 0.2 1.0 0.2 0.2
## [58] 1.0 0.6 1.0 0.2 0.6 0.6 0.6 0.6 0.8 0.0 0.8 0.6 0.2 0.2 0.8 0.6 0.4 0.4 0.8
## [77] 0.8 0.2 1.0 0.8 0.0 0.4 0.2 0.2 0.2 1.0 0.2 0.8 0.2 1.0 0.8 0.0 0.4 0.2 0.2
## [96] 0.2 1.0 0.2 0.4

Método 2: Función

library(scales)
## Warning: package 'scales' was built under R version 4.3.2
## 
## Attaching package: 'scales'
## The following objects are masked from 'package:psych':
## 
##     alpha, rescale
rescale(proyecto$Age)
##  [1] 0.6 0.6 0.8 0.0 0.8 0.6 0.2 0.2 0.8 0.6 0.4 0.4 0.8 0.8 0.2 1.0 0.8 0.0 0.4
## [20] 0.2 0.2 0.2 1.0 0.2 0.2 1.0 0.6 1.0 0.2 0.6 0.6 0.6 0.6 0.6 0.8 0.0 0.8 0.6
## [39] 0.2 0.2 0.8 0.6 0.4 0.4 0.8 0.8 0.2 1.0 0.8 0.0 0.4 0.2 0.2 0.2 1.0 0.2 0.2
## [58] 1.0 0.6 1.0 0.2 0.6 0.6 0.6 0.6 0.8 0.0 0.8 0.6 0.2 0.2 0.8 0.6 0.4 0.4 0.8
## [77] 0.8 0.2 1.0 0.8 0.0 0.4 0.2 0.2 0.2 1.0 0.2 0.8 0.2 1.0 0.8 0.0 0.4 0.2 0.2
## [96] 0.2 1.0 0.2 0.4

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

library(caret)
## Warning: package 'caret' was built under R version 4.3.2
## Loading required package: lattice
pre_procesamiento<-preProcess(proyecto[,4:9]) # Así por defecto muestra la est. Z
predict(pre_procesamiento, proyecto[,4:9]) 
library(caret)
pre_procesamiento<-preProcess(proyecto[, c(1, 8, 9)], method = "range") 
predict(pre_procesamiento, proyecto[, c(1, 8, 9)]) 

XIII. Modelamiento predictivo.

Regresión Lineal Simple

# Cargar el paquete para trabajar con datos
library(readr)
## Warning: package 'readr' was built under R version 4.3.2
## 
## Attaching package: 'readr'
## The following object is masked from 'package:scales':
## 
##     col_factor
# Cargar los datos del Titanic
titanic_data <- read.csv("train.csv")

# Realizar una regresión lineal simple con la edad como variable predictora y la tarifa como variable dependiente
modelo_lineal_simple <- lm(Fare ~ Age, data = titanic_data)

# Obtener el resumen del modelo de regresión lineal simple
summary(modelo_lineal_simple)
## 
## Call:
## lm(formula = Fare ~ Age, data = titanic_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -42.42 -24.49 -17.60   2.33 475.78 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  24.3009     4.4922   5.410 8.64e-08 ***
## Age           0.3500     0.1359   2.575   0.0102 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 52.71 on 712 degrees of freedom
##   (177 observations deleted due to missingness)
## Multiple R-squared:  0.009229,   Adjusted R-squared:  0.007837 
## F-statistic: 6.632 on 1 and 712 DF,  p-value: 0.01022
# Obtener el valor de la intersección (término constante) y la pendiente de la línea de regresión
interseccion <- coef(modelo_lineal_simple)[1]
pendiente <- coef(modelo_lineal_simple)[2]

# Imprimir los valores de la intersección y la pendiente
cat("La intersección (beta0) es:", interseccion, "\n")
## La intersección (beta0) es: 24.3009
cat("La pendiente (beta1) es:", pendiente, "\n")
## La pendiente (beta1) es: 0.3499637

Modelo general

\(\hat{Y} = b_0 + b_1 X\)

Modelo para el caso:

\(\hat{Fare} = 24.3009 + 0.3499637 age\)

Regresión Logística

# Realizar una regresión logística con la supervivencia como variable dependiente y la edad y el sexo como variables predictoras
modelo_logistico <- glm(Survived ~ Age + Sex, data = titanic_data, family = binomial)

# Resumen del modelo
summary(modelo_logistico)
## 
## Call:
## glm(formula = Survived ~ Age + Sex, family = binomial, data = titanic_data)
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  1.277273   0.230169   5.549 2.87e-08 ***
## Age         -0.005426   0.006310  -0.860     0.39    
## Sexmale     -2.465920   0.185384 -13.302  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 964.52  on 713  degrees of freedom
## Residual deviance: 749.96  on 711  degrees of freedom
##   (177 observations deleted due to missingness)
## AIC: 755.96
## 
## Number of Fisher Scoring iterations: 4

Veamos en la base de datos quienes sobrevivieron o no con el ejemplo realizado de regresión logística

# Predecir la probabilidad de supervivencia para cada pasajero
probabilidad_supervivencia <- predict(modelo_logistico, type = "response", newdata = titanic_data)

# Aplicar un umbral (por ejemplo, 0.5) para clasificar a los pasajeros como sobrevivientes o no
umbral <- 0.5
sobrevivio <- ifelse(probabilidad_supervivencia >= umbral, 1, 0)

# Agregar la columna de "Sobrevivió" al conjunto de datos original
titanic_data$sobrevivio <- sobrevivio

# Crear una nueva columna con etiquetas "sobrevivió" o "no sobrevivió"
titanic_data$estado <- ifelse(titanic_data$sobrevivio == 1, "sobrevivió", "no sobrevivió")

# Mostrar el conjunto de datos con la nueva columna
head(titanic_data)

Regresión Lineal Multiple

# Realizar una regresión lineal múltiple con la tarifa como variable dependiente y la edad, el sexo y la clase del pasajero como variables predictoras
modelo_lineal_multiple <- lm(Fare ~ Age + Sex + Pclass, data = titanic_data)

# Resumen del modelo
summary(modelo_lineal_multiple)
## 
## Call:
## lm(formula = Fare ~ Age + Sex + Pclass, data = titanic_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -73.41 -22.65   0.05   7.57 438.12 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 134.7598     7.0792  19.036  < 2e-16 ***
## Age          -0.4044     0.1223  -3.307 0.000992 ***
## Sexmale      -9.2405     3.4681  -2.664 0.007888 ** 
## Pclass      -36.7473     2.1361 -17.203  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 43.49 on 710 degrees of freedom
##   (177 observations deleted due to missingness)
## Multiple R-squared:  0.3275, Adjusted R-squared:  0.3246 
## F-statistic: 115.2 on 3 and 710 DF,  p-value: < 2.2e-16

Predecir la tarifa que pagó cada pasajero

# Obtener los datos del pasajero específico del conjunto de datos original
datos_pasajero <- titanic_data[1, c("Age", "Sex", "Pclass")]

# Predecir la tarifa para el pasajero específico utilizando el modelo de regresión lineal múltiple
tarifa_predicha <- predict(modelo_lineal_multiple, newdata = datos_pasajero)

# Mostrar la tarifa predicha para el pasajero específico
tarifa_predicha
##        1 
## 6.380734