1. (10 puntos) Sube los datos a R (importar la base de datos). Debe aparecer en el código el directorio de trabajo.

setwd("C:/Users/801201161/Downloads")
library(readr)

notas <- read_csv("notas.csv")
View(notas)
  
knitr::kable(notas, caption = "Cargar base de datos")

Cargar base de datos
sexo	turno	grupo	trabaja	notaA	notaB	notaC	notaD	notaE
Mujer	Tarde	C	N	52	63	34	23	20
Hombre	Mañana	A	N	57	57	42	35	27
Hombre	Mañana	B	N	83	88	88	80	55
Hombre	Mañana	B	N	61	68	40	35	22
Hombre	Mañana	A	N	62	90	50	44	37
Hombre	Mañana	A	S	86	89	95	84	39
Mujer	Mañana	A	N	67	79	56	48	42
Mujer	Tarde	C	S	41	52	17	3	10
Hombre	Tarde	C	N	50	50	33	27	60
Hombre	Tarde	C	N	53	63	48	36	23
Mujer	Mañana	A	N	78	NA	65	67	28
Hombre	Mañana	A	N	65	80	50	32	33
Hombre	Mañana	B	N	66	76	53	40	10
Hombre	Mañana	B	N	62	67	53	47	47
Hombre	Mañana	B	N	52	41	58	50	19
Hombre	Mañana	B	S	87	NA	76	63	93
Mujer	Mañana	B	N	67	63	68	53	28
Mujer	Tarde	C	N	31	48	27	18	10
Hombre	Mañana	B	N	71	100	59	49	25
Hombre	Mañana	B	S	53	48	28	9	42
Hombre	Mañana	A	N	44	61	29	19	24
Mujer	Tarde	C	S	57	64	42	33	10
Mujer	Tarde	C	S	45	39	35	26	22
Mujer	Tarde	C	N	49	44	52	37	4
Hombre	Tarde	C	N	51	45	64	56	5
Hombre	Mañana	B	N	35	39	40	37	17
Mujer	Mañana	A	N	73	68	61	54	18
Hombre	Mañana	B	N	62	79	35	19	31
Mujer	Mañana	A	N	43	74	29	17	2
Hombre	Mañana	B	N	79	76	70	61	4
Hombre	Mañana	B	N	66	84	65	52	39
Hombre	Mañana	A	N	56	73	55	34	50
Mujer	Mañana	B	N	73	87	70	65	28
Mujer	Mañana	B	N	73	73	49	35	10
Hombre	Mañana	A	N	72	81	71	58	13
Hombre	Mañana	A	S	70	78	56	53	12
Hombre	Mañana	B	N	68	84	60	46	10
Mujer	Mañana	A	N	59	65	50	44	41
Hombre	Tarde	C	S	55	75	50	33	41
Mujer	Tarde	C	N	54	61	45	33	3
Mujer	Tarde	C	S	50	70	23	13	36
Mujer	Tarde	C	S	57	56	54	38	27
Hombre	Tarde	C	N	41	38	35	22	7
Mujer	Mañana	B	S	93	NA	80	70	7
Mujer	Mañana	B	N	78	84	69	63	22
Hombre	Tarde	C	N	43	56	34	16	62
Hombre	Tarde	C	N	54	70	46	34	29
Hombre	Mañana	A	N	53	58	59	53	43
Hombre	Mañana	B	N	72	87	60	47	15
Mujer	Tarde	C	S	59	72	50	42	16
Hombre	Mañana	A	N	64	72	65	58	24
Hombre	Mañana	B	S	60	70	60	51	6
Hombre	Tarde	C	N	59	69	61	54	4
Hombre	Mañana	B	N	81	NA	65	54	24
Hombre	Tarde	C	N	57	59	67	55	23
Mujer	Mañana	A	N	83	82	73	50	42
Mujer	Tarde	C	S	37	47	45	35	24
Hombre	Mañana	A	S	69	82	45	37	36
Mujer	Mañana	B	N	62	76	52	45	10
Mujer	Mañana	B	N	63	69	66	53	44
Hombre	Mañana	A	N	66	65	49	47	55
Hombre	Tarde	C	S	52	75	35	26	4
Hombre	Tarde	C	N	55	62	36	26	36
Hombre	Tarde	C	N	45	46	24	21	21
Mujer	Tarde	C	N	44	52	30	16	1
Hombre	Mañana	B	N	65	73	58	46	7
Mujer	Mañana	A	N	67	88	37	39	18
Hombre	Mañana	B	N	61	72	53	43	20
Hombre	Mañana	A	S	74	91	76	74	28
Mujer	Mañana	B	N	91	96	NA	NA	7
Mujer	Tarde	C	S	53	65	56	45	15
Mujer	Tarde	C	N	25	32	23	15	62
Mujer	Mañana	A	S	75	86	48	39	39
Hombre	Tarde	C	S	49	50	33	18	25
Mujer	Mañana	A	N	50	47	36	26	23
Mujer	Mañana	B	N	75	NA	72	57	37
Mujer	Tarde	C	S	56	72	45	38	7
Mujer	Tarde	C	N	42	39	19	15	74
Hombre	Mañana	B	N	63	67	70	48	47
Mujer	Tarde	C	S	58	56	57	53	19
Mujer	Mañana	A	S	60	92	52	36	92
Hombre	Mañana	A	N	66	89	68	60	5
Mujer	Tarde	C	N	54	62	31	24	16
Hombre	Mañana	A	N	70	85	66	55	20
Hombre	Tarde	C	S	57	63	41	28	42
Hombre	Mañana	A	N	65	70	62	53	41
Hombre	Mañana	B	N	76	79	66	58	65
Hombre	Mañana	A	S	67	71	63	57	21
Mujer	Tarde	C	N	55	82	58	38	51
Hombre	Mañana	A	N	77	87	67	49	NA
Mujer	Mañana	A	N	75	86	75	72	9
Mujer	Mañana	A	N	68	81	46	42	32
Hombre	Mañana	A	N	64	86	46	39	11
Hombre	Tarde	C	N	51	55	56	49	27
Mujer	Mañana	A	N	80	80	74	69	41
Mujer	Mañana	A	S	51	78	20	NA	24
Hombre	Mañana	B	N	93	98	69	65	6
Hombre	Mañana	B	N	83	86	71	59	21
Hombre	Mañana	A	N	56	54	55	46	48
Hombre	Tarde	C	N	45	42	34	22	23
Hombre	Tarde	C	S	49	54	46	40	23
Mujer	Mañana	A	S	64	80	63	52	27
Hombre	Tarde	C	S	56	77	63	56	15
Hombre	Mañana	A	N	55	72	45	33	26
Hombre	Tarde	C	N	46	52	35	20	23
Hombre	Mañana	B	N	59	70	32	28	35
Mujer	Tarde	C	N	48	51	39	33	13
Mujer	Tarde	C	S	35	38	19	18	21
Mujer	Tarde	C	N	54	73	35	25	46
Hombre	Mañana	B	N	74	74	62	58	11
Mujer	Tarde	C	S	51	81	52	51	45
Hombre	Mañana	A	N	69	78	39	28	NA
Hombre	Tarde	C	N	36	48	21	5	56
Hombre	Tarde	C	S	59	62	50	39	19
Hombre	Mañana	B	N	68	72	49	38	28
Hombre	Mañana	A	N	65	61	58	49	12
Mujer	Mañana	B	N	62	70	56	54	17
Mujer	Tarde	C	N	50	65	40	28	36
Hombre	Tarde	C	N	47	60	13	4	22
Hombre	Tarde	C	S	45	47	60	49	18
Mujer	Tarde	C	N	52	63	34	23	20
Hombre	Mañana	B	N	68	72	49	38	28

#2.(10 puntos) Encuentra una visión general de todo la base de datos (cantidad de variables,observaciones, tipos de variables, etc).

library(skimr)
library (dplyr)

notas_view <- notas %>%
  skimr::skim()
notas_view

Data summary
Name	Piped data
Number of rows	122
Number of columns	9
_______________________
Column type frequency:
character	4
numeric	5
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	n_unique
sexo	1	5	6	2
turno	1	5	6	2
grupo	1	1	1	3
trabaja	1	1	1	2

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
notaA	0	1.00	60.28	13.33	25	51.25	59	68.0	93	▁▅▇▆▂
notaB	5	0.96	68.11	15.24	32	57.00	70	80.0	100	▂▅▇▇▃
notaC	1	0.99	50.53	16.25	13	37.00	52	63.0	95	▂▆▇▅▁
notaD	2	0.98	41.06	16.71	3	28.00	41	53.0	84	▃▆▇▆▁
notaE	2	0.98	26.97	17.87	1	14.50	23	37.5	93	▇▇▃▁▁

knitr::kable(notas, caption = "Visión general")

Visión general
sexo	turno	grupo	trabaja	notaA	notaB	notaC	notaD	notaE
Mujer	Tarde	C	N	52	63	34	23	20
Hombre	Mañana	A	N	57	57	42	35	27
Hombre	Mañana	B	N	83	88	88	80	55
Hombre	Mañana	B	N	61	68	40	35	22
Hombre	Mañana	A	N	62	90	50	44	37
Hombre	Mañana	A	S	86	89	95	84	39
Mujer	Mañana	A	N	67	79	56	48	42
Mujer	Tarde	C	S	41	52	17	3	10
Hombre	Tarde	C	N	50	50	33	27	60
Hombre	Tarde	C	N	53	63	48	36	23
Mujer	Mañana	A	N	78	NA	65	67	28
Hombre	Mañana	A	N	65	80	50	32	33
Hombre	Mañana	B	N	66	76	53	40	10
Hombre	Mañana	B	N	62	67	53	47	47
Hombre	Mañana	B	N	52	41	58	50	19
Hombre	Mañana	B	S	87	NA	76	63	93
Mujer	Mañana	B	N	67	63	68	53	28
Mujer	Tarde	C	N	31	48	27	18	10
Hombre	Mañana	B	N	71	100	59	49	25
Hombre	Mañana	B	S	53	48	28	9	42
Hombre	Mañana	A	N	44	61	29	19	24
Mujer	Tarde	C	S	57	64	42	33	10
Mujer	Tarde	C	S	45	39	35	26	22
Mujer	Tarde	C	N	49	44	52	37	4
Hombre	Tarde	C	N	51	45	64	56	5
Hombre	Mañana	B	N	35	39	40	37	17
Mujer	Mañana	A	N	73	68	61	54	18
Hombre	Mañana	B	N	62	79	35	19	31
Mujer	Mañana	A	N	43	74	29	17	2
Hombre	Mañana	B	N	79	76	70	61	4
Hombre	Mañana	B	N	66	84	65	52	39
Hombre	Mañana	A	N	56	73	55	34	50
Mujer	Mañana	B	N	73	87	70	65	28
Mujer	Mañana	B	N	73	73	49	35	10
Hombre	Mañana	A	N	72	81	71	58	13
Hombre	Mañana	A	S	70	78	56	53	12
Hombre	Mañana	B	N	68	84	60	46	10
Mujer	Mañana	A	N	59	65	50	44	41
Hombre	Tarde	C	S	55	75	50	33	41
Mujer	Tarde	C	N	54	61	45	33	3
Mujer	Tarde	C	S	50	70	23	13	36
Mujer	Tarde	C	S	57	56	54	38	27
Hombre	Tarde	C	N	41	38	35	22	7
Mujer	Mañana	B	S	93	NA	80	70	7
Mujer	Mañana	B	N	78	84	69	63	22
Hombre	Tarde	C	N	43	56	34	16	62
Hombre	Tarde	C	N	54	70	46	34	29
Hombre	Mañana	A	N	53	58	59	53	43
Hombre	Mañana	B	N	72	87	60	47	15
Mujer	Tarde	C	S	59	72	50	42	16
Hombre	Mañana	A	N	64	72	65	58	24
Hombre	Mañana	B	S	60	70	60	51	6
Hombre	Tarde	C	N	59	69	61	54	4
Hombre	Mañana	B	N	81	NA	65	54	24
Hombre	Tarde	C	N	57	59	67	55	23
Mujer	Mañana	A	N	83	82	73	50	42
Mujer	Tarde	C	S	37	47	45	35	24
Hombre	Mañana	A	S	69	82	45	37	36
Mujer	Mañana	B	N	62	76	52	45	10
Mujer	Mañana	B	N	63	69	66	53	44
Hombre	Mañana	A	N	66	65	49	47	55
Hombre	Tarde	C	S	52	75	35	26	4
Hombre	Tarde	C	N	55	62	36	26	36
Hombre	Tarde	C	N	45	46	24	21	21
Mujer	Tarde	C	N	44	52	30	16	1
Hombre	Mañana	B	N	65	73	58	46	7
Mujer	Mañana	A	N	67	88	37	39	18
Hombre	Mañana	B	N	61	72	53	43	20
Hombre	Mañana	A	S	74	91	76	74	28
Mujer	Mañana	B	N	91	96	NA	NA	7
Mujer	Tarde	C	S	53	65	56	45	15
Mujer	Tarde	C	N	25	32	23	15	62
Mujer	Mañana	A	S	75	86	48	39	39
Hombre	Tarde	C	S	49	50	33	18	25
Mujer	Mañana	A	N	50	47	36	26	23
Mujer	Mañana	B	N	75	NA	72	57	37
Mujer	Tarde	C	S	56	72	45	38	7
Mujer	Tarde	C	N	42	39	19	15	74
Hombre	Mañana	B	N	63	67	70	48	47
Mujer	Tarde	C	S	58	56	57	53	19
Mujer	Mañana	A	S	60	92	52	36	92
Hombre	Mañana	A	N	66	89	68	60	5
Mujer	Tarde	C	N	54	62	31	24	16
Hombre	Mañana	A	N	70	85	66	55	20
Hombre	Tarde	C	S	57	63	41	28	42
Hombre	Mañana	A	N	65	70	62	53	41
Hombre	Mañana	B	N	76	79	66	58	65
Hombre	Mañana	A	S	67	71	63	57	21
Mujer	Tarde	C	N	55	82	58	38	51
Hombre	Mañana	A	N	77	87	67	49	NA
Mujer	Mañana	A	N	75	86	75	72	9
Mujer	Mañana	A	N	68	81	46	42	32
Hombre	Mañana	A	N	64	86	46	39	11
Hombre	Tarde	C	N	51	55	56	49	27
Mujer	Mañana	A	N	80	80	74	69	41
Mujer	Mañana	A	S	51	78	20	NA	24
Hombre	Mañana	B	N	93	98	69	65	6
Hombre	Mañana	B	N	83	86	71	59	21
Hombre	Mañana	A	N	56	54	55	46	48
Hombre	Tarde	C	N	45	42	34	22	23
Hombre	Tarde	C	S	49	54	46	40	23
Mujer	Mañana	A	S	64	80	63	52	27
Hombre	Tarde	C	S	56	77	63	56	15
Hombre	Mañana	A	N	55	72	45	33	26
Hombre	Tarde	C	N	46	52	35	20	23
Hombre	Mañana	B	N	59	70	32	28	35
Mujer	Tarde	C	N	48	51	39	33	13
Mujer	Tarde	C	S	35	38	19	18	21
Mujer	Tarde	C	N	54	73	35	25	46
Hombre	Mañana	B	N	74	74	62	58	11
Mujer	Tarde	C	S	51	81	52	51	45
Hombre	Mañana	A	N	69	78	39	28	NA
Hombre	Tarde	C	N	36	48	21	5	56
Hombre	Tarde	C	S	59	62	50	39	19
Hombre	Mañana	B	N	68	72	49	38	28
Hombre	Mañana	A	N	65	61	58	49	12
Mujer	Mañana	B	N	62	70	56	54	17
Mujer	Tarde	C	N	50	65	40	28	36
Hombre	Tarde	C	N	47	60	13	4	22
Hombre	Tarde	C	S	45	47	60	49	18
Mujer	Tarde	C	N	52	63	34	23	20
Hombre	Mañana	B	N	68	72	49	38	28

3.(10 puntos) Explore si existen duplicados y elimínelos.

library(janitor)
notas <- notas %>%
  janitor::get_dupes()
notas

A tibble: 4 × 10

sexo turno grupo trabaja notaA notaB notaC notaD notaE dupe_count 1 Hombre Mañana B N 68 72 49 38 28 2 2 Hombre Mañana B N 68 72 49 38 28 2 3 Mujer Tarde C N 52 63 34 23 20 2 4 Mujer Tarde C N 52 63 34 23 20 2

notas_2 <- notas %>%
  distinct()
dim(notas_2)

[1] 2 10

knitr::kable(notas_2, caption = "Eliminar duplicados")

Eliminar duplicados
sexo	turno	grupo	trabaja	notaA	notaB	notaC	notaD	notaE	dupe_count
Hombre	Mañana	B	N	68	72	49	38	28	2
Mujer	Tarde	C	N	52	63	34	23	20	2

4. (10 puntos) Visualice los datos faltantes por columna.

5. (10 puntos) Transforme las columnas de tipo “carácter” a tipo “factor”.

6. (10 puntos) Convierte la base de datos en formato largo.

library(tidyr)
notas_long <- notas %>%
  gather(nota, calificacion, -sexo, -trabaja, -turno, -grupo)

7. (10 puntos) Gráfica una de las variables categórica. Escribe por lo menos una conclusión que se pueda observar en la gráfica.

library(plotly)
library(ggplot2)
barras <- notas_long %>%
    plot_ly(x = ~nota, y = ~calificacion, type = "bar",
            marker = list(color = "lightgreen"))
barras

Examen Individual 1

Rosa Berrios

2024-02-27