Zegel
4°
Guevara Ponce Victor Manuel
Angel Quispe Matta
Jeremy Omar Valle Ramirez
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.
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.
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
# 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"
proyecto <- read.csv("CSE_student_performances.csv", sep = ",")
head(proyecto)
#View(proyecto)
dim(proyecto)
## [1] 99 10
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" ...
table(proyecto$Age)
##
## 20 21 22 23 24 25
## 7 30 11 19 20 12
fi <- table(proyecto$Age)
# Mostramos
fi
##
## 20 21 22 23 24 25
## 7 30 11 19 20 12
hi <- prop.table(table(proyecto$Age))
# Presentamos los resultados
hi
##
## 20 21 22 23 24 25
## 0.07070707 0.30303030 0.11111111 0.19191919 0.20202020 0.12121212
# Redondeamos a 2 decimales
hi <- round(hi, 2)
# Calculamos los porcentajes
pi <- prop.table(table(proyecto$Age))*100
pi
##
## 20 21 22 23 24 25
## 7.070707 30.303030 11.111111 19.191919 20.202020 12.121212
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
# 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
table(proyecto$Gender)
##
## Female Male
## 43 56
fi_ge <- table(proyecto$Gender)
# Mostramos
fi_ge
##
## Female Male
## 43 56
hi_ge <- prop.table(table(proyecto$Gender))
# Presentamos los resultados
hi_ge
##
## Female Male
## 0.4343434 0.5656566
# Redondeamos a 2 decimales
hi_ge <- round(hi_ge, 2)
# Calculamos los porcentajes
pi_ge <- prop.table(table(proyecto$Gender))*100
pi_ge
##
## Female Male
## 43.43434 56.56566
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
# 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
table(proyecto$AcademicPerformance)
##
## Average Below average Excellent Good
## 45 4 9 41
fi_ap <- table(proyecto$AcademicPerformance)
# Mostramos
fi_ap
##
## Average Below average Excellent Good
## 45 4 9 41
hi_ap <- prop.table(table(proyecto$AcademicPerformance))
# Presentamos los resultados
hi_ap
##
## Average Below average Excellent Good
## 0.45454545 0.04040404 0.09090909 0.41414141
# Redondeamos a 2 decimales
hi_ap <- round(hi_ap, 2)
# Calculamos los porcentajes
pi_ap <- prop.table(table(proyecto$AcademicPerformance))*100
pi_ap
##
## Average Below average Excellent Good
## 45.454545 4.040404 9.090909 41.414141
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
# 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
table(proyecto$TakingNoteInClass)
##
## No Sometimes Yes
## 12 26 61
fi_tn <- table(proyecto$TakingNoteInClass)
# Mostramos
fi_tn
##
## No Sometimes Yes
## 12 26 61
hi_tn <- prop.table(table(proyecto$TakingNoteInClass))
# Presentamos los resultados
hi_tn
##
## No Sometimes Yes
## 0.1212121 0.2626263 0.6161616
# Redondeamos a 2 decimales
hi_tn <- round(hi_tn, 2)
# Calculamos los porcentajes
pi_tn <- prop.table(table(proyecto$TakingNoteInClass))*100
pi_tn
##
## No Sometimes Yes
## 12.12121 26.26263 61.61616
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
# 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
table(proyecto$DepressionStatus)
##
## No Sometimes Yes
## 21 44 34
fi_dp <- table(proyecto$DepressionStatus)
# Mostramos
fi_dp
##
## No Sometimes Yes
## 21 44 34
hi_dp <- prop.table(table(proyecto$DepressionStatus))
# Presentamos los resultados
hi_dp
##
## No Sometimes Yes
## 0.2121212 0.4444444 0.3434343
# Redondeamos a 2 decimales
hi_dp <- round(hi_dp, 2)
# Calculamos los porcentajes
pi_dp <- prop.table(table(proyecto$DepressionStatus))*100
pi_dp
##
## No Sometimes Yes
## 21.21212 44.44444 34.34343
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
# 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
table(proyecto$FaceChallangesToCompleteAcademicTask)
##
## No Sometimes Yes
## 31 31 37
fi_fc <- table(proyecto$FaceChallangesToCompleteAcademicTask)
# Mostramos
fi_fc
##
## No Sometimes Yes
## 31 31 37
hi_fc <- prop.table(table(proyecto$FaceChallangesToCompleteAcademicTask))
# Presentamos los resultados
hi_fc
##
## No Sometimes Yes
## 0.3131313 0.3131313 0.3737374
# Redondeamos a 2 decimales
hi_fc <- round(hi_fc, 2)
# Calculamos los porcentajes
pi_fc <- prop.table(table(proyecto$FaceChallangesToCompleteAcademicTask))*100
pi_fc
##
## No Sometimes Yes
## 31.31313 31.31313 37.37374
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
# 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
table(proyecto$LikePresentation)
##
## No Yes
## 30 69
fi_lk <- table(proyecto$LikePresentation)
# Mostramos
fi_lk
##
## No Yes
## 30 69
hi_lk <- prop.table(table(proyecto$LikePresentation))
# Presentamos los resultados
hi_lk
##
## No Yes
## 0.3030303 0.6969697
# Redondeamos a 2 decimales
hi_lk <- round(hi_lk, 2)
# Calculamos los porcentajes
pi_lk <- prop.table(table(proyecto$LikePresentation))*100
pi_lk
##
## No Yes
## 30.30303 69.69697
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
# 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
table(proyecto$SleepPerDayHours)
##
## 4 5 6 7 8 10 12
## 11 20 8 23 31 4 2
fi_sh <- table(proyecto$SleepPerDayHours)
# Mostramos
fi_sh
##
## 4 5 6 7 8 10 12
## 11 20 8 23 31 4 2
hi_sh <- prop.table(table(proyecto$SleepPerDayHours))
# Presentamos los resultados
hi_sh
##
## 4 5 6 7 8 10 12
## 0.11111111 0.20202020 0.08080808 0.23232323 0.31313131 0.04040404 0.02020202
# Redondeamos a 2 decimales
hi_sh <- round(hi_sh, 2)
# Calculamos los porcentajes
pi_sh <- prop.table(table(proyecto$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
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
# 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
table(proyecto$NumberOfFriend)
##
## 0 1 2 3 4 6 7 9 10 12 15 17 23 55 60 80 100
## 4 4 9 18 7 7 9 4 3 5 5 3 4 3 3 3 4
fi_nf <- table(proyecto$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
hi_nf <- prop.table(table(proyecto$NumberOfFriend))
# Presentamos los resultados
hi_nf
##
## 0 1 2 3 4 6 7
## 0.04210526 0.04210526 0.09473684 0.18947368 0.07368421 0.07368421 0.09473684
## 9 10 12 15 17 23 55
## 0.04210526 0.03157895 0.05263158 0.05263158 0.03157895 0.04210526 0.03157895
## 60 80 100
## 0.03157895 0.03157895 0.04210526
# Redondeamos a 2 decimales
hi_nf <- round(hi_nf, 2)
# Calculamos los porcentajes
pi_nf <- prop.table(table(proyecto$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
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
# 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
table(proyecto$LikeNewThings)
##
## No Yes
## 10 89
fi_lt <- table(proyecto$LikeNewThings)
# Mostramos
fi_lt
##
## No Yes
## 10 89
hi_lt <- prop.table(table(proyecto$LikeNewThings))
# Presentamos los resultados
hi_lt
##
## No Yes
## 0.1010101 0.8989899
# Redondeamos a 2 decimales
hi_lt <- round(hi_lt, 2)
# Calculamos los porcentajes
pi_lt <- prop.table(table(proyecto$LikeNewThings))*100
pi_lt
##
## No Yes
## 10.10101 89.89899
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
# 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
# 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"))
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)
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()
mean(proyecto$Age)
## [1] 22.51515
Interpretación: La edad promedio de los estudiantes elegidos es: 22.51515 años.
median(proyecto$Age)
## [1] 23
El valor de la mediana es: 23
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.
range(proyecto$Age)
## [1] 20 25
Interpretación el rango mínimo es: 20, y el máximo es: 25, el rango sería: 5(Ya que se tiene que restar el máximo con el mínimo).
var(proyecto$Age)
## [1] 2.435993
sd(proyecto$Age)
## [1] 1.560767
Interpretación: La varibilidad promedio de los datos respecto a la media es de 1.560767.
coef_var_ed <- sd(proyecto$Age)/mean(proyecto$Age)*100
coef_var_ed
## [1] 6.932073
Interpretación: Como el CV es 6.932073 ≤ 30%, entonces la distribución es homogénea y la media es representativa.
summary(proyecto$Age)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 20.00 21.00 23.00 22.52 24.00 25.00
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$Age)
mean(proyecto$SleepPerDayHours)
## [1] 6.717172
Interpretación: Las horas dormidas por día su promedio es: 6.717172 horas.
median(proyecto$SleepPerDayHours)
## [1] 7
El valor de la mediana es: 7.
table(proyecto$SleepPerDayHours)
##
## 4 5 6 7 8 10 12
## 11 20 8 23 31 4 2
library(modeest)
mfv(proyecto$SleepPerDayHours)
## [1] 8
En este caso tenemos Unimodal, lo cual significa que solo tenemos 1 moda, y las horas dormidas por día más frecuente son de: 8 horas.
range(proyecto$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).
var(proyecto$SleepPerDayHours)
## [1] 3.021233
sd(proyecto$SleepPerDayHours)
## [1] 1.738169
Interpretación: La varibilidad promedio de los datos respecto a la media es de 1.738169.
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.
summary(proyecto$SleepPerDayHours)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.000 5.000 7.000 6.717 8.000 12.000
library(psych)
describe(proyecto$SleepPerDayHours)
mean(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 16.18947
Interpretación: La cantidad de número de amigos su promedio es: 16.18947.
median(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 6
El valor de la mediana es: 6.
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.
range(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 0 100
Interpretación el rango mínimo es: 0, y el máximo es: 100, el rango sería: 100(Ya que se tiene que restar el máximo con el mínimo).
var(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 645.0488
sd(proyecto$NumberOfFriend, na.rm = TRUE)
## [1] 25.39781
Interpretación: La varibilidad promedio de los datos respecto a la media es de 25.39781.
coef_var_nu <- sd(proyecto$NumberOfFriend, na.rm = TRUE)/mean(proyecto$NumberOfFriend, na.rm = TRUE)*100
coef_var_nu
## [1] 156.8785
Interpretación: Como el CV es 156.8785 > 30%, entonces la distribución no es homogénea y la media no es representativa.
summary(proyecto$NumberOfFriend)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.00 3.00 6.00 16.19 15.00 100.00 4
library(psych)
describe(proyecto$NumberOfFriend)
quantile(proyecto$Age)
## 0% 25% 50% 75% 100%
## 20 21 23 24 25
Según los resultados:
El valor mínimo de edad es 20
Interpretación: es 21; El 25% de los estudiantes encuestados, su edad máxima es 21
Interpretación: es 23; El 50% de los estudiantes encuestados, su edad máxima es 23
Interpretación: es 24; El 75% de los estudiantes encuestados, su edad máxima es 24
quantile(proyecto$Age, probs = seq(0, 1, 0.1))
## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
## 20 21 21 21 22 23 23 24 24 25 25
quantile(proyecto$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
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)
kurtosis(proyecto$Age)
## [1] -1.3067
## attr(,"method")
## [1] "excess"
Resultado: [1] -1.3067, el valor es negativo, menor que 3, por lo tanto, la distribución de los datos no es leptocurtica.
quantile(proyecto$SleepPerDayHours)
## 0% 25% 50% 75% 100%
## 4 5 7 8 12
Según los resultados:
El valor de Horas de Sueño por Día es 4
Interpretación: es 21; El 25% de los estudiantes encuestados, sus Horas de Sueño por Día es 5
Interpretación: es 23; El 50% de los estudiantes encuestados, sus Horas de Sueño por Día es 7
Interpretación: es 24; El 75% de los estudiantes encuestados, sus Horas de Sueño por Día es 8
quantile(proyecto$SleepPerDayHours, probs = seq(0, 1, 0.1))
## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
## 4 4 5 5 7 7 7 8 8 8 12
quantile(proyecto$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
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)
kurtosis(proyecto$SleepPerDayHours)
## [1] 0.1892912
## attr(,"method")
## [1] "excess"
Resultado: [1] 0.1892912, el valor es positivo, menor que 3, por lo tanto, la distribución de los datos no es leptocurtica.
quantile(proyecto$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
Interpretación: es 21; El 25% de los estudiantes encuestados, su Número de Amigos es 3
Interpretación: es 23; El 50% de los estudiantes encuestados, su Número de Amigos es 6
Interpretación: es 24; El 75% de los estudiantes encuestados, su Número de Amigos es 15
quantile(proyecto$NumberOfFriend, na.rm = TRUE, probs = seq(0, 1, 0.1))
## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
## 0 2 3 3 4 6 7 12 17 58 100
quantile(proyecto$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
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
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.
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)
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 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.
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.
# 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$Age))
# Original
hist(proyecto$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))
# 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$NumberOfFriend))
Se aplica cuando los datos tienen una distribución sesgada hacia la izquierda (asimetría negativa). La transformación exponencial puede ayudar a corregir la asimetría y hacer que los datos se aproximen más a una distribución simétrica.
en r para poder obtener esta transformación, se debe utilizar la función exp() ## EDAD
exp(proyecto$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)
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$SleepPerDayHours)
hist(sle_exp)
exp(proyecto$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)
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.
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))
#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$Age), main = "Distribución de edades originales")
plot(density(age_sqrt), main = "Distribución de edades transformadas - sqrt")
plot(density(age_exp), main = "Distribución de edades transformadas - exp")
plot(density(age_ln), main = "Distribución de edades transformadas - ln")
plot(density(age_log2), main = "Distribución de edades transformadas - log2")
plot(density(age_log5), main = "Distribución de edades transformadas - log5")
par(mfrow=c(1,1))
En este caso se puede quedar en la forma original, ya que no se nota un gran cambio con alguna transformación.
Para la transformación logaritmica, utilizar log (dentro de los argumentos se puede cambiar la base)
log(proyecto$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$SleepPerDayHours, base=2))
#Obtener solo tranaformaciones
sle_sqrt <- sqrt(proyecto$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))
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.
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))
#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))
En este caso tiene mejor simetría la transformación logarítmica, ya sea sin base especificada o con base 2 y 5.
\[ z=\frac{x_i-\mu}{\sigma} \]
Donde:
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)
\[ X_{norm}=\frac{\left(X_i-X_{\min }\right)}{X_{\max }-X_{\min }} \]
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)])
# 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:
\(\hat{Fare} = 24.3009 + 0.3499637 age\)
# 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
# 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)
# 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
# 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