Código
## data set
x <- read.table('https://tinyurl.com/PsychoDB',
sep = ',', header = TRUE)Analítica Avanzada de Datos
Caso #1
Importante
- El puntaje asociado a cada conjunto de preguntas se encuentra entre ().
- Pueden utilizarse herramientas y/o conceptos de otras asignaturas en caso de ser necesario.
- Tenga en cuenta que aunque los cálculos son importantes, el análisis e interpretación tendrán un mayor peso en la calificación.
- La solución debe enviarse en formato
HTMLa jvelezv@uninorte.edu.co a más tardar el Viernes 31 de Mayo de 2024 a las 2 PM.
Contexto Analítico
Un grupo de investigación de una prestigiosa Universidad estudia una transtorno del neurodesarollo que se presenta principalmente en niños.
Los datos pueden leerse en R haciendo:
En total se registraron datos en 22 variables en 408 individuos. Las columnas relevantes para el desarrollo del exámen son:
Family: Familia a la que pertenece el individuo;UID: Identificador de la persona;Father: Si el individuo es papá, la variable toma el valor de0;Mother: Si el individuo es mamá, la variable toma el valor de0;Sex: Sexo del individuo (M: Male,F: Female);Age: Edad en años al momento del diagnóstico;ADHD: Diagnóstico (yes: enfermo;no: sano);cluster: Grupo de severidad al que pertenece;inatsymptoms: Número de síntomas de inatención;impsymptoms: Número de síntomas de impulsividad;hypsymptoms: Número de síntomas de hyperactividad;trait1: Tiempo de reacción en milisegundos (ms) para terminar una tarea.
Estos datos han sido utilizados como parte de investigaciones previas en ADHD (ver por ejemplo este, este, este y este artículo). Sin enmbargo, los investigadores tienen preguntas adicionales y están interesados en hipotetizar sobre otros aspectos relevantes a la enfermedad. Por ello, los contratan como apoyo en todo lo relacionado Analítica de Datos.
Ejercicio 1 (10 puntos)
Seleccione sólo las columnas correspondientes a las variables relevantes. Analice la distribución de frecuencias de ADHD, cluster y Sex. Concluya.
Solución:
Se muestra la nueva base de datos con las variables relevantes para el estudio.
Código
relevant <- x[ , c("Family", "UID", "Father", "Mother", "Sex", "Age", "ADHD",
"cluster", "inatsymptoms", "impsymptoms", "hypsymptoms", "trait1")]
kbl(relevant) %>%
kable_styling(bootstrap_options = c("striped", "hover"))%>%
scroll_box(width = "920px", height = "300px")| Family | UID | Father | Mother | Sex | Age | ADHD | cluster | inatsymptoms | impsymptoms | hypsymptoms | trait1 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| F1 | 3 | 1 | 2 | F | 7 | yes | 3 | 0 | 1 | 1 | 895.50 |
| F1 | 1 | 0 | 0 | M | 35 | no | 1 | 9 | 2 | 5 | 420.67 |
| F1 | 2 | 0 | 0 | F | 39 | no | 4 | 3 | 1 | 2 | 528.83 |
| F2 | 7 | 4 | 5 | M | 6 | yes | 3 | 0 | 1 | 0 | 737.83 |
| F2 | 6 | 4 | 5 | M | 12 | no | 1 | 0 | 0 | 0 | 569.52 |
| F2 | 5 | 0 | 0 | F | 39 | no | 1 | 7 | 4 | 6 | 485.25 |
| F2 | 4 | 0 | 0 | M | 43 | no | 1 | 3 | 1 | 1 | 420.65 |
| F3 | 11 | 8 | 9 | F | 9 | yes | 6 | 9 | 0 | 0 | 686.35 |
| F3 | 10 | 8 | 9 | M | 12 | yes | 6 | 0 | 2 | 0 | 526.60 |
| F3 | 8 | 0 | 0 | M | 38 | yes | 5 | 8 | 0 | 3 | 681.97 |
| F3 | 9 | 0 | 0 | F | 42 | no | 1 | 8 | 4 | 1 | 384.05 |
| F4 | 14 | 12 | 13 | M | 6 | yes | 6 | 0 | 0 | 0 | 873.50 |
| F4 | 13 | 0 | 0 | F | 28 | yes | 1 | 3 | 1 | 2 | 405.58 |
| F4 | 12 | 0 | 0 | M | 35 | no | 1 | 10 | 1 | 4 | 547.60 |
| F5 | 17 | 15 | 16 | M | 7 | yes | 3 | 8 | 3 | 3 | 732.12 |
| F5 | 16 | 0 | 0 | F | 33 | no | 1 | 0 | 0 | 0 | 499.88 |
| F5 | 15 | 0 | 0 | M | 35 | yes | 2 | 9 | 4 | 6 | 363.84 |
| F7 | 21 | 18 | 19 | M | 6 | yes | 2 | 1 | 1 | 0 | 914.96 |
| F7 | 20 | 18 | 19 | F | 9 | yes | 2 | 0 | 0 | 0 | 532.19 |
| F7 | 19 | 0 | 0 | F | 38 | no | 1 | 7 | 1 | 6 | 622.54 |
| F7 | 18 | 0 | 0 | M | 47 | no | 1 | 5 | 4 | 5 | 485.25 |
| F8 | 26 | 22 | 23 | M | 7 | yes | 6 | 0 | 0 | 0 | 562.84 |
| F8 | 25 | 22 | 23 | F | 9 | no | 3 | 0 | 1 | 0 | 747.71 |
| F8 | 24 | 22 | 23 | M | 11 | yes | 5 | 9 | 2 | 1 | 508.17 |
| F8 | 23 | 0 | 0 | F | 39 | no | 1 | 9 | 3 | 4 | 369.55 |
| F8 | 22 | 0 | 0 | M | 43 | no | 1 | 7 | 2 | 1 | 377.19 |
| F9 | 31 | 27 | 28 | F | 12 | yes | 3 | 0 | 2 | 3 | 538.78 |
| F9 | 30 | 27 | 28 | M | 15 | no | 1 | 10 | 0 | 0 | 468.17 |
| F9 | 29 | 27 | 28 | F | 17 | no | 1 | 7 | 4 | 5 | 539.08 |
| F9 | 28 | 0 | 0 | F | 44 | yes | 6 | 3 | 2 | 0 | 400.09 |
| F9 | 27 | 0 | 0 | M | 46 | yes | 4 | 0 | 1 | 1 | 493.50 |
| F10 | 34 | 32 | 33 | M | 7 | yes | 3 | 4 | 2 | 4 | 735.57 |
| F10 | 32 | 0 | 0 | M | 40 | no | 4 | 10 | 4 | 6 | 581.40 |
| F10 | 33 | 0 | 0 | F | 40 | no | 4 | 1 | 2 | 0 | 521.04 |
| F11 | 38 | 35 | 36 | F | 6 | no | 1 | 0 | 2 | 0 | 785.94 |
| F11 | 37 | 35 | 36 | M | 7 | yes | 2 | 2 | 0 | 0 | 579.61 |
| F11 | 36 | 0 | 0 | F | 38 | no | 1 | 1 | 0 | 0 | 387.00 |
| F11 | 35 | 0 | 0 | M | 39 | no | 1 | 5 | 2 | 3 | 550.22 |
| F12 | 42 | 39 | 40 | M | 8 | yes | 2 | 0 | 0 | 0 | 519.38 |
| F12 | 41 | 39 | 40 | M | 11 | yes | 3 | 2 | 2 | 0 | 444.72 |
| F12 | 40 | 0 | 0 | F | 37 | no | 4 | 8 | 2 | 4 | 437.38 |
| F12 | 39 | 0 | 0 | M | 40 | no | 1 | 8 | 4 | 6 | 485.25 |
| F13 | 45 | 43 | 44 | M | 8 | yes | 1 | 10 | 2 | 4 | 787.30 |
| F13 | 44 | 0 | 0 | F | 33 | no | 3 | 1 | 1 | 0 | 422.78 |
| F13 | 43 | 0 | 0 | M | 34 | no | 1 | 0 | 0 | 0 | 485.25 |
| F14 | 48 | 46 | 47 | M | 8 | yes | 2 | 1 | 1 | 3 | 451.56 |
| F14 | 47 | 0 | 0 | F | 37 | yes | 4 | 3 | 3 | 3 | 413.70 |
| F14 | 46 | 0 | 0 | M | 53 | no | 1 | 4 | 3 | 3 | 439.97 |
| F15 | 51 | 49 | 50 | M | 10 | yes | 3 | 10 | 4 | 6 | 759.61 |
| F15 | 50 | 0 | 0 | F | 36 | yes | 2 | 7 | 3 | 5 | 513.30 |
| F15 | 49 | 0 | 0 | M | 37 | yes | 3 | 9 | 3 | 6 | 480.60 |
| F16 | 54 | 52 | 53 | M | 8 | yes | 3 | 1 | 0 | 0 | 628.14 |
| F16 | 53 | 0 | 0 | F | 34 | yes | 5 | 6 | 2 | 0 | 461.47 |
| F16 | 52 | 0 | 0 | M | 42 | no | 1 | 9 | 3 | 6 | 431.86 |
| F17 | 57 | 55 | 56 | M | 7 | yes | 3 | 8 | 3 | 3 | 582.28 |
| F17 | 56 | 0 | 0 | F | 29 | yes | 5 | 5 | 0 | 0 | 432.79 |
| F17 | 55 | 0 | 0 | M | 31 | yes | 6 | 10 | 4 | 6 | 362.71 |
| F18 | 61 | 58 | 59 | F | 8 | yes | 2 | 0 | 0 | 1 | 698.75 |
| F18 | 60 | 58 | 59 | M | 12 | no | 1 | 7 | 2 | 5 | 393.17 |
| F18 | 59 | 0 | 0 | F | 36 | yes | 2 | 9 | 1 | 6 | 443.78 |
| F18 | 58 | 0 | 0 | M | 38 | no | 1 | 4 | 0 | 0 | 392.00 |
| F19 | 64 | 62 | 63 | F | 7 | yes | 6 | 5 | 4 | 4 | 969.25 |
| F19 | 62 | 0 | 0 | M | 43 | yes | 2 | 10 | 1 | 0 | 466.13 |
| F19 | 63 | 0 | 0 | F | 43 | yes | 4 | 3 | 3 | 6 | 403.00 |
| F20 | 67 | 65 | 66 | M | 7 | yes | 6 | 4 | 0 | 0 | 592.43 |
| F20 | 65 | 0 | 0 | M | 30 | yes | 4 | 10 | 2 | 1 | 473.17 |
| F20 | 66 | 0 | 0 | F | 31 | no | 4 | 3 | 0 | 1 | 510.57 |
| F21 | 70 | 68 | 69 | M | 7 | yes | 2 | 0 | 1 | 1 | 608.52 |
| F21 | 69 | 0 | 0 | F | 27 | no | 1 | 3 | 2 | 0 | 425.95 |
| F21 | 68 | 0 | 0 | M | 41 | no | 4 | 5 | 3 | 6 | 456.62 |
| F22 | 73 | 72 | 71 | M | 8 | yes | 2 | 0 | 1 | 1 | 586.32 |
| F22 | 72 | 0 | 0 | F | 35 | no | 1 | 0 | 2 | 2 | 390.76 |
| F22 | 71 | 0 | 0 | M | 43 | no | 1 | 5 | 2 | 4 | 423.00 |
| F23 | 76 | 74 | 75 | M | 8 | yes | 3 | 0 | 0 | 0 | 679.53 |
| F23 | 75 | 0 | 0 | F | 34 | no | 1 | 0 | 0 | 0 | 501.68 |
| F23 | 74 | 0 | 0 | M | 43 | no | 1 | 10 | 2 | 6 | 589.44 |
| F24 | 80 | 77 | 78 | F | 8 | yes | 6 | 0 | 0 | 0 | 567.44 |
| F24 | 79 | 77 | 78 | M | 12 | no | 1 | 5 | 2 | 1 | 345.78 |
| F24 | 77 | 0 | 0 | M | 45 | no | 1 | 0 | 0 | 0 | 321.57 |
| F24 | 78 | 0 | 0 | F | 47 | yes | 5 | 6 | 2 | 2 | 401.96 |
| F25 | 83 | 81 | 82 | M | 8 | yes | 3 | 6 | 3 | 2 | 878.70 |
| F25 | 82 | 0 | 0 | F | 41 | no | 1 | 0 | 0 | 1 | 435.91 |
| F25 | 81 | 0 | 0 | M | 42 | yes | 5 | 10 | 3 | 5 | 489.10 |
| F26 | 86 | 84 | 85 | M | 8 | yes | 3 | 0 | 2 | 5 | 598.88 |
| F26 | 85 | 0 | 0 | F | 40 | yes | 6 | 10 | 2 | 4 | 430.29 |
| F26 | 84 | 0 | 0 | M | 41 | yes | 4 | 10 | 4 | 6 | 400.57 |
| F27 | 90 | 87 | 88 | M | 8 | no | 2 | 6 | 2 | 1 | 592.86 |
| F27 | 89 | 87 | 88 | M | 19 | yes | 5 | 0 | 0 | 1 | 528.20 |
| F27 | 88 | 0 | 0 | F | 43 | no | 1 | 5 | 2 | 5 | 416.72 |
| F27 | 87 | 0 | 0 | M | 44 | yes | 5 | 8 | 0 | 0 | 363.92 |
| F28 | 93 | 91 | 92 | M | 6 | yes | 2 | 5 | 4 | 2 | 982.95 |
| F28 | 91 | 0 | 0 | M | 35 | yes | 6 | 5 | 4 | 6 | 378.70 |
| F28 | 92 | 0 | 0 | F | 35 | yes | 4 | 10 | 0 | 1 | 485.25 |
| F30 | 96 | 94 | 95 | F | 8 | no | 1 | 1 | 0 | 0 | 642.63 |
| F30 | 94 | 0 | 0 | M | 40 | no | 1 | 3 | 0 | 1 | 433.14 |
| F30 | 95 | 0 | 0 | F | 41 | no | 1 | 0 | 1 | 1 | 462.86 |
| F31 | 101 | 97 | 98 | F | 6 | yes | 3 | 0 | 0 | 0 | 623.71 |
| F31 | 100 | 97 | 98 | M | 10 | yes | 1 | 0 | 2 | 1 | 715.16 |
| F31 | 99 | 97 | 98 | F | 12 | yes | 5 | 2 | 2 | 2 | 463.31 |
| F31 | 98 | 0 | 0 | F | 33 | no | 1 | 10 | 3 | 5 | 329.00 |
| F31 | 97 | 0 | 0 | M | 35 | no | 1 | 5 | 0 | 0 | 481.92 |
| F32 | 105 | 102 | 103 | M | 8 | yes | 2 | 3 | 3 | 3 | 739.25 |
| F32 | 104 | 102 | 103 | M | 12 | no | 1 | 1 | 0 | 0 | 422.04 |
| F32 | 103 | 0 | 0 | F | 45 | no | 1 | 6 | 1 | 5 | 490.04 |
| F32 | 102 | 0 | 0 | M | 49 | yes | 2 | 3 | 0 | 0 | 407.04 |
| F33 | 109 | 106 | 107 | F | 6 | no | 1 | 5 | 0 | 1 | 589.50 |
| F33 | 108 | 106 | 107 | M | 9 | yes | 3 | 1 | 0 | 0 | 481.33 |
| F33 | 107 | 0 | 0 | F | 31 | no | 1 | 0 | 1 | 0 | 468.22 |
| F33 | 106 | 0 | 0 | M | 36 | yes | 4 | 10 | 2 | 4 | 476.04 |
| F34 | 113 | 110 | 111 | M | 7 | yes | 2 | 0 | 0 | 0 | 585.39 |
| F34 | 112 | 110 | 111 | F | 16 | no | 1 | 0 | 0 | 0 | 542.00 |
| F34 | 111 | 0 | 0 | F | 44 | no | 1 | 5 | 2 | 4 | 433.38 |
| F34 | 110 | 0 | 0 | M | 48 | no | 1 | 0 | 0 | 0 | 392.85 |
| F35 | 116 | 114 | 115 | M | 7 | yes | 5 | 5 | 1 | 2 | 647.88 |
| F35 | 115 | 0 | 0 | F | 26 | no | 4 | 4 | 0 | 1 | 570.05 |
| F35 | 114 | 0 | 0 | M | 27 | yes | 5 | 8 | 1 | 0 | 569.33 |
| F36 | 120 | 117 | 118 | F | 14 | yes | 3 | 7 | 3 | 4 | 656.67 |
| F36 | 119 | 117 | 118 | M | 15 | no | 1 | 1 | 0 | 0 | 512.42 |
| F36 | 118 | 0 | 0 | F | 39 | no | 1 | 10 | 4 | 6 | 419.33 |
| F36 | 117 | 0 | 0 | M | 43 | yes | 2 | 0 | 0 | 0 | 366.12 |
| F37 | 123 | 121 | 122 | M | 7 | yes | 2 | 7 | 1 | 4 | 576.28 |
| F37 | 122 | 0 | 0 | F | 26 | yes | 4 | 10 | 3 | 6 | 339.65 |
| F37 | 121 | 0 | 0 | M | 30 | yes | 3 | 5 | 1 | 3 | 374.18 |
| F38 | 126 | 124 | 125 | M | 15 | yes | 6 | 6 | 4 | 5 | 494.50 |
| F38 | 125 | 0 | 0 | F | 38 | no | 1 | 0 | 0 | 0 | 406.23 |
| F38 | 124 | 0 | 0 | M | 43 | yes | 2 | 10 | 0 | 1 | 521.54 |
| F39 | 129 | 127 | 128 | F | 6 | yes | 6 | 3 | 0 | 0 | 885.55 |
| F39 | 128 | 0 | 0 | F | 30 | yes | 4 | 5 | 1 | 2 | 476.59 |
| F39 | 127 | 0 | 0 | M | 38 | no | 1 | 10 | 2 | 0 | 477.46 |
| F40 | 132 | 130 | 131 | M | 7 | yes | 3 | 10 | 4 | 2 | 772.33 |
| F40 | 131 | 0 | 0 | F | 25 | yes | 5 | 7 | 0 | 0 | 465.11 |
| F40 | 130 | 0 | 0 | M | 32 | yes | 6 | 10 | 2 | 6 | 514.31 |
| F41 | 135 | 133 | 134 | M | 6 | yes | 3 | 8 | 0 | 1 | 885.88 |
| F41 | 134 | 0 | 0 | F | 31 | no | 1 | 0 | 1 | 0 | 431.36 |
| F41 | 133 | 0 | 0 | M | 41 | yes | 5 | 9 | 4 | 6 | 547.08 |
| F42 | 136 | 138 | 137 | M | 6 | yes | 2 | 6 | 0 | 6 | 546.15 |
| F42 | 137 | 0 | 0 | F | 39 | no | 1 | 0 | 0 | 0 | 444.40 |
| F42 | 138 | 0 | 0 | M | 47 | no | 5 | 4 | 1 | 1 | 373.29 |
| F43 | 141 | 139 | 140 | F | 7 | yes | 5 | 10 | 4 | 6 | 930.71 |
| F43 | 139 | 0 | 0 | M | 48 | yes | 3 | 5 | 0 | 0 | 494.25 |
| F43 | 140 | 0 | 0 | F | 48 | no | 1 | 0 | 3 | 0 | 422.36 |
| F44 | 144 | 142 | 143 | M | 10 | yes | 3 | 4 | 1 | 2 | 614.43 |
| F44 | 143 | 0 | 0 | F | 34 | no | 1 | 2 | 0 | 0 | 485.25 |
| F44 | 142 | 0 | 0 | M | 40 | no | 4 | 8 | 4 | 6 | 485.25 |
| F45 | 148 | 145 | 146 | M | 7 | yes | 3 | 6 | 0 | 3 | 496.77 |
| F45 | 147 | 145 | 146 | M | 16 | yes | 6 | 2 | 2 | 2 | 494.33 |
| F45 | 146 | 0 | 0 | F | 39 | yes | 4 | 8 | 2 | 4 | 465.32 |
| F45 | 145 | 0 | 0 | M | 42 | yes | 2 | 8 | 1 | 4 | 490.30 |
| F46 | 151 | 149 | 150 | F | 12 | yes | 6 | 10 | 4 | 6 | 506.56 |
| F46 | 150 | 0 | 0 | F | 38 | yes | 5 | 6 | 2 | 0 | 485.30 |
| F46 | 149 | 0 | 0 | M | 50 | yes | 3 | 10 | 3 | 3 | 365.04 |
| F47 | 154 | 152 | 153 | M | 12 | yes | 3 | 7 | 0 | 4 | 449.62 |
| F47 | 153 | 0 | 0 | F | 31 | no | 1 | 1 | 0 | 0 | 504.59 |
| F47 | 152 | 0 | 0 | M | 33 | yes | 2 | 10 | 4 | 6 | 413.95 |
| F48 | 157 | 155 | 156 | M | 6 | yes | 2 | 2 | 1 | 0 | 728.94 |
| F48 | 156 | 0 | 0 | F | 35 | no | 1 | 1 | 1 | 0 | 536.17 |
| F48 | 155 | 0 | 0 | M | 37 | no | 1 | 8 | 0 | 5 | 429.08 |
| F49 | 161 | 158 | 159 | M | 6 | yes | 3 | 1 | 0 | 0 | 817.36 |
| F49 | 160 | 158 | 159 | M | 12 | yes | 2 | 0 | 0 | 0 | 411.29 |
| F49 | 158 | 0 | 0 | M | 44 | no | 1 | 7 | 2 | 4 | 406.00 |
| F49 | 159 | 0 | 0 | F | 47 | no | 1 | 10 | 4 | 6 | 380.95 |
| F50 | 164 | 162 | 163 | F | 11 | yes | 2 | 5 | 0 | 2 | 540.68 |
| F50 | 163 | 0 | 0 | F | 40 | no | 1 | 3 | 0 | 0 | 532.00 |
| F50 | 162 | 0 | 0 | M | 42 | yes | 4 | 7 | 2 | 5 | 485.70 |
| F51 | 168 | 165 | 166 | F | 9 | yes | 2 | 5 | 2 | 2 | 523.58 |
| F51 | 167 | 165 | 166 | M | 11 | yes | 2 | 1 | 2 | 2 | 507.67 |
| F51 | 166 | 0 | 0 | F | 44 | no | 4 | 3 | 1 | 3 | 443.61 |
| F51 | 165 | 0 | 0 | M | 49 | yes | 4 | 6 | 4 | 2 | 384.45 |
| F52 | 171 | 169 | 170 | F | 8 | yes | 2 | 0 | 1 | 1 | 515.35 |
| F52 | 169 | 0 | 0 | M | 35 | no | 1 | 7 | 4 | 6 | 508.35 |
| F52 | 170 | 0 | 0 | F | 35 | no | 1 | 1 | 2 | 1 | 436.35 |
| F53 | 175 | 172 | 173 | F | 6 | yes | 2 | 3 | 0 | 4 | 788.92 |
| F53 | 174 | 172 | 173 | M | 7 | no | 3 | 0 | 1 | 0 | 770.44 |
| F53 | 172 | 0 | 0 | M | 37 | yes | 4 | 10 | 4 | 5 | 442.62 |
| F53 | 173 | 0 | 0 | F | 40 | no | 1 | 7 | 3 | 6 | 485.25 |
| F54 | 178 | 176 | 177 | M | 7 | yes | 3 | 4 | 1 | 2 | 526.46 |
| F54 | 177 | 0 | 0 | F | 32 | yes | 3 | 9 | 4 | 6 | 361.94 |
| F54 | 176 | 0 | 0 | M | 45 | yes | 4 | 10 | 4 | 6 | 629.00 |
| F55 | 181 | 179 | 180 | M | 10 | no | 4 | 7 | 0 | 3 | 466.63 |
| F55 | 180 | 0 | 0 | F | 37 | no | 5 | 3 | 1 | 1 | 487.50 |
| F55 | 179 | 0 | 0 | M | 39 | yes | 5 | 2 | 3 | 0 | 416.74 |
| F56 | 185 | 182 | 183 | F | 10 | no | 1 | 7 | 1 | 0 | 565.95 |
| F56 | 184 | 182 | 183 | F | 13 | yes | 6 | 1 | 2 | 0 | 473.40 |
| F56 | 182 | 0 | 0 | M | 40 | yes | 5 | 10 | 2 | 0 | 447.55 |
| F56 | 183 | 0 | 0 | F | 44 | no | 1 | 0 | 0 | 0 | 400.68 |
| F57 | 188 | 186 | 187 | F | 7 | yes | 5 | 6 | 3 | 5 | 842.04 |
| F57 | 187 | 0 | 0 | F | 29 | yes | 2 | 6 | 3 | 4 | 460.19 |
| F57 | 186 | 0 | 0 | M | 31 | yes | 2 | 7 | 2 | 0 | 381.00 |
| F58 | 191 | 189 | 190 | M | 7 | yes | 2 | 3 | 2 | 0 | 500.37 |
| F58 | 189 | 0 | 0 | M | 39 | no | 4 | 4 | 2 | 4 | 720.73 |
| F58 | 190 | 0 | 0 | F | 39 | yes | 4 | 2 | 1 | 3 | 470.69 |
| F59 | 194 | 192 | 193 | M | 7 | yes | 2 | 1 | 0 | 0 | 645.11 |
| F59 | 193 | 0 | 0 | F | 38 | no | 1 | 0 | 1 | 0 | 452.67 |
| F59 | 192 | 0 | 0 | M | 46 | no | 1 | 4 | 2 | 3 | 421.78 |
| F60 | 197 | 195 | 196 | M | 13 | yes | 3 | 5 | 1 | 0 | 508.68 |
| F60 | 198 | 195 | 196 | M | 17 | yes | 6 | 6 | 0 | 0 | 713.06 |
| F60 | 196 | 0 | 0 | F | 45 | no | 5 | 10 | 4 | 5 | 463.30 |
| F60 | 195 | 0 | 0 | M | 48 | yes | 5 | 8 | 2 | 1 | 456.67 |
| F61 | 201 | 199 | 200 | M | 6 | yes | 6 | 1 | 0 | 1 | 557.56 |
| F61 | 200 | 0 | 0 | F | 34 | no | 1 | 0 | 0 | 0 | 432.03 |
| F61 | 199 | 0 | 0 | M | 36 | no | 1 | 10 | 3 | 4 | 482.56 |
| F62 | 205 | 202 | 203 | F | 6 | yes | 3 | 3 | 1 | 0 | 735.63 |
| F62 | 204 | 202 | 203 | F | 10 | yes | 2 | 3 | 0 | 1 | 563.94 |
| F62 | 203 | 0 | 0 | F | 32 | no | 1 | 8 | 4 | 6 | 499.19 |
| F62 | 202 | 0 | 0 | M | 35 | no | 4 | 6 | 0 | 4 | 346.29 |
| F63 | 208 | 206 | 207 | M | 7 | yes | 2 | 0 | 1 | 1 | 678.37 |
| F63 | 207 | 0 | 0 | F | 36 | no | 1 | 0 | 0 | 2 | 387.36 |
| F63 | 206 | 0 | 0 | M | 56 | no | 1 | 4 | 2 | 5 | 490.83 |
| F64 | 211 | 209 | 210 | M | 7 | yes | 3 | 6 | 0 | 0 | 535.50 |
| F64 | 210 | 0 | 0 | F | 36 | no | 1 | 0 | 0 | 0 | 415.22 |
| F64 | 209 | 0 | 0 | M | 42 | yes | 5 | 9 | 4 | 6 | 383.58 |
| F65 | 214 | 212 | 213 | M | 6 | yes | 3 | 4 | 1 | 6 | 719.04 |
| F65 | 212 | 0 | 0 | M | 28 | yes | 1 | 8 | 2 | 4 | 428.13 |
| F65 | 213 | 0 | 0 | F | 28 | no | 2 | 0 | 0 | 1 | 414.29 |
| F66 | 217 | 215 | 216 | M | 6 | yes | 3 | 4 | 1 | 5 | 621.11 |
| F66 | 216 | 0 | 0 | F | 29 | no | 1 | 3 | 0 | 0 | 479.92 |
| F66 | 215 | 0 | 0 | M | 31 | yes | 2 | 10 | 4 | 6 | 452.56 |
| F67 | 220 | 218 | 219 | M | 14 | yes | 6 | 1 | 3 | 2 | 464.44 |
| F67 | 218 | 0 | 0 | M | 32 | yes | 1 | 2 | 1 | 1 | 370.18 |
| F67 | 219 | 0 | 0 | F | 32 | no | 4 | 8 | 2 | 3 | 455.78 |
| F68 | 223 | 221 | 222 | F | 7 | no | 1 | 3 | 0 | 1 | 630.80 |
| F68 | 224 | 221 | 222 | F | 7 | yes | 2 | 5 | 2 | 0 | 515.67 |
| F68 | 222 | 0 | 0 | F | 38 | no | 1 | 6 | 3 | 3 | 443.86 |
| F68 | 221 | 0 | 0 | M | 45 | no | 5 | 0 | 0 | 0 | 485.25 |
| F69 | 227 | 225 | 226 | M | 8 | yes | 6 | 0 | 4 | 2 | 696.56 |
| F69 | 226 | 0 | 0 | F | 30 | yes | 4 | 2 | 0 | 1 | 495.71 |
| F69 | 225 | 0 | 0 | M | 34 | yes | 1 | 8 | 2 | 3 | 454.96 |
| F70 | 230 | 228 | 229 | M | 7 | yes | 3 | 1 | 0 | 2 | 546.84 |
| F70 | 228 | 0 | 0 | M | 37 | no | 4 | 0 | 1 | 0 | 385.76 |
| F70 | 229 | 0 | 0 | F | 41 | yes | 1 | 10 | 4 | 3 | 471.52 |
| F71 | 233 | 231 | 232 | M | 13 | yes | 3 | 5 | 1 | 2 | 395.55 |
| F71 | 232 | 0 | 0 | F | 39 | no | 1 | 0 | 3 | 0 | 440.63 |
| F71 | 231 | 0 | 0 | M | 50 | yes | 4 | 10 | 4 | 4 | 512.86 |
| F72 | 236 | 234 | 235 | M | 8 | yes | 2 | 4 | 2 | 0 | 653.18 |
| F72 | 234 | 0 | 0 | M | 34 | no | 5 | 10 | 3 | 4 | 626.48 |
| F72 | 235 | 0 | 0 | F | 34 | no | 4 | 5 | 0 | 0 | 531.41 |
| F73 | 240 | 237 | 238 | M | 8 | yes | 1 | 0 | 0 | 0 | 535.75 |
| F73 | 241 | 237 | 238 | M | 8 | no | 2 | 0 | 0 | 0 | 468.72 |
| F73 | 239 | 237 | 238 | F | 15 | no | 1 | 7 | 1 | 2 | 555.13 |
| F73 | 238 | 0 | 0 | F | 37 | no | 1 | 0 | 0 | 0 | 460.70 |
| F73 | 237 | 0 | 0 | M | 47 | no | 1 | 0 | 0 | 0 | 365.56 |
| F74 | 244 | 242 | 243 | F | 7 | yes | 2 | 9 | 1 | 5 | 732.63 |
| F74 | 242 | 0 | 0 | M | 34 | yes | 1 | 6 | 2 | 4 | 642.40 |
| F74 | 243 | 0 | 0 | F | 34 | no | 2 | 0 | 0 | 1 | 577.96 |
| F75 | 247 | 245 | 246 | F | 14 | yes | 6 | 0 | 0 | 0 | 350.63 |
| F75 | 245 | 0 | 0 | M | 48 | no | 1 | 10 | 0 | 1 | 413.00 |
| F75 | 246 | 0 | 0 | F | 50 | no | 1 | 0 | 0 | 0 | 417.58 |
| F76 | 250 | 248 | 249 | M | 7 | yes | 3 | 0 | 0 | 1 | 725.81 |
| F76 | 249 | 0 | 0 | F | 34 | yes | 2 | 1 | 1 | 6 | 344.04 |
| F76 | 248 | 0 | 0 | M | 40 | no | 1 | 10 | 3 | 6 | 507.91 |
| F77 | 254 | 251 | 252 | M | 6 | yes | 2 | 4 | 2 | 6 | 461.61 |
| F77 | 255 | 251 | 252 | M | 6 | yes | 2 | 0 | 0 | 0 | 769.67 |
| F77 | 256 | 251 | 252 | M | 6 | yes | 2 | 1 | 1 | 0 | 636.48 |
| F77 | 253 | 251 | 252 | F | 12 | yes | 6 | 1 | 2 | 6 | 684.73 |
| F77 | 251 | 0 | 0 | M | 41 | no | 1 | 10 | 2 | 1 | 459.83 |
| F77 | 252 | 0 | 0 | F | 41 | no | 1 | 5 | 3 | 6 | 396.38 |
| F78 | 259 | 257 | 258 | M | 7 | yes | 6 | 0 | 0 | 0 | 570.14 |
| F78 | 258 | 0 | 0 | F | 26 | no | 1 | 0 | 0 | 0 | 456.80 |
| F78 | 257 | 0 | 0 | M | 34 | no | 1 | 10 | 2 | 4 | 603.78 |
| F79 | 262 | 260 | 261 | F | 10 | yes | 5 | 0 | 0 | 0 | 456.32 |
| F79 | 263 | 260 | 261 | F | 10 | yes | 5 | 0 | 0 | 1 | 608.00 |
| F79 | 261 | 0 | 0 | F | 34 | no | 1 | 6 | 0 | 0 | 399.92 |
| F79 | 260 | 0 | 0 | M | 48 | no | 1 | 7 | 0 | 0 | 455.33 |
| F80 | 266 | 264 | 265 | M | 6 | yes | 3 | 0 | 0 | 0 | 722.44 |
| F80 | 265 | 0 | 0 | F | 40 | no | 1 | 0 | 0 | 0 | 416.86 |
| F80 | 264 | 0 | 0 | M | 42 | no | 1 | 8 | 4 | 6 | 366.62 |
| F81 | 270 | 267 | 268 | M | 9 | yes | 3 | 7 | 4 | 5 | 386.20 |
| F81 | 269 | 267 | 268 | F | 11 | no | 1 | 2 | 1 | 0 | 317.61 |
| F81 | 268 | 0 | 0 | F | 39 | no | 1 | 10 | 4 | 6 | 457.13 |
| F81 | 267 | 0 | 0 | M | 40 | yes | 3 | 1 | 0 | 0 | 419.38 |
| F82 | 273 | 271 | 272 | M | 8 | yes | 3 | 7 | 1 | 0 | 725.16 |
| F82 | 272 | 0 | 0 | F | 38 | no | 1 | 2 | 2 | 1 | 470.67 |
| F82 | 271 | 0 | 0 | M | 42 | yes | 5 | 8 | 3 | 5 | 473.88 |
| F83 | 276 | 274 | 275 | M | 15 | yes | 6 | 1 | 0 | 0 | 399.26 |
| F83 | 275 | 0 | 0 | F | 52 | no | 1 | 0 | 2 | 1 | 523.92 |
| F83 | 274 | 0 | 0 | M | 54 | no | 1 | 8 | 0 | 3 | 447.04 |
| F84 | 280 | 277 | 278 | F | 7 | yes | 2 | 6 | 1 | 1 | 675.05 |
| F84 | 279 | 277 | 278 | F | 21 | no | 1 | 0 | 0 | 1 | 514.39 |
| F84 | 278 | 0 | 0 | F | 47 | no | 1 | 7 | 2 | 2 | 440.07 |
| F84 | 277 | 0 | 0 | M | 48 | yes | 5 | 0 | 0 | 0 | 489.42 |
| F85 | 283 | 281 | 282 | M | 7 | yes | 2 | 4 | 2 | 0 | 561.29 |
| F85 | 282 | 0 | 0 | F | 34 | yes | 6 | 10 | 0 | 0 | 580.58 |
| F85 | 281 | 0 | 0 | M | 49 | no | 5 | 6 | 2 | 4 | 484.77 |
| F86 | 286 | 284 | 285 | M | 10 | yes | 3 | 0 | 4 | 5 | 483.18 |
| F86 | 285 | 0 | 0 | F | 34 | yes | 2 | 6 | 2 | 4 | 580.58 |
| F86 | 284 | 0 | 0 | M | 41 | yes | 4 | 10 | 3 | 6 | 485.25 |
| F87 | 289 | 287 | 288 | M | 9 | yes | 3 | 4 | 4 | 5 | 655.67 |
| F87 | 288 | 0 | 0 | F | 29 | no | 2 | 4 | 0 | 3 | 479.33 |
| F87 | 287 | 0 | 0 | M | 45 | yes | 2 | 10 | 4 | 6 | 556.92 |
| F88 | 293 | 290 | 291 | M | 12 | yes | 3 | 1 | 0 | 0 | 503.80 |
| F88 | 292 | 290 | 291 | F | 15 | no | 1 | 2 | 1 | 1 | 458.52 |
| F88 | 290 | 0 | 0 | M | 37 | no | 1 | 0 | 0 | 0 | 530.81 |
| F88 | 291 | 0 | 0 | F | 37 | no | 1 | 10 | 2 | 5 | 467.95 |
| F89 | 296 | 294 | 295 | F | 7 | yes | 2 | 2 | 1 | 2 | 652.89 |
| F89 | 295 | 0 | 0 | F | 27 | yes | 6 | 9 | 2 | 0 | 426.08 |
| F89 | 294 | 0 | 0 | M | 31 | no | 4 | 8 | 1 | 6 | 451.38 |
| F90 | 299 | 297 | 298 | F | 6 | yes | 3 | 2 | 0 | 0 | 774.09 |
| F90 | 298 | 0 | 0 | F | 36 | yes | 4 | 1 | 4 | 2 | 430.08 |
| F90 | 297 | 0 | 0 | M | 38 | no | 1 | 10 | 3 | 6 | 369.32 |
| F92 | 302 | 300 | 301 | M | 7 | yes | 3 | 5 | 4 | 4 | 924.95 |
| F92 | 301 | 0 | 0 | F | 34 | yes | 2 | 6 | 4 | 4 | 541.20 |
| F92 | 300 | 0 | 0 | M | 42 | yes | 2 | 10 | 3 | 6 | 416.40 |
| F93 | 305 | 303 | 304 | M | 6 | yes | 4 | 4 | 2 | 1 | 754.48 |
| F93 | 303 | 0 | 0 | M | 32 | yes | 4 | 3 | 2 | 1 | 483.83 |
| F93 | 304 | 0 | 0 | F | 34 | no | 2 | 7 | 0 | 3 | 408.95 |
| F94 | 309 | 306 | 307 | F | 9 | yes | 6 | 6 | 0 | 0 | 553.59 |
| F94 | 308 | 306 | 307 | M | 18 | no | 1 | 3 | 0 | 0 | 512.08 |
| F94 | 306 | 0 | 0 | M | 47 | yes | 5 | 3 | 1 | 1 | 470.13 |
| F94 | 307 | 0 | 0 | F | 48 | no | 5 | 10 | 1 | 2 | 466.11 |
| F95 | 313 | 310 | 311 | M | 10 | yes | 1 | 3 | 1 | 4 | 562.30 |
| F95 | 312 | 310 | 311 | F | 17 | no | 6 | 0 | 0 | 1 | 469.27 |
| F95 | 311 | 0 | 0 | F | 47 | no | 1 | 0 | 0 | 0 | 547.42 |
| F95 | 310 | 0 | 0 | M | 60 | no | 1 | 1 | 0 | 0 | 439.55 |
| F96 | 317 | 314 | 315 | M | 8 | yes | 2 | 9 | 1 | 2 | 632.57 |
| F96 | 316 | 314 | 315 | M | 11 | yes | 2 | 9 | 0 | 5 | 709.29 |
| F96 | 315 | 0 | 0 | F | 37 | yes | 3 | 6 | 1 | 4 | 485.25 |
| F96 | 314 | 0 | 0 | M | 48 | yes | 2 | 9 | 3 | 6 | 368.41 |
| F97 | 320 | 318 | 319 | M | 12 | yes | 6 | 8 | 1 | 5 | 446.32 |
| F97 | 319 | 0 | 0 | F | 29 | no | 3 | 0 | 0 | 0 | 437.21 |
| F97 | 318 | 0 | 0 | M | 39 | yes | 2 | 10 | 3 | 6 | 430.60 |
| F98 | 324 | 321 | 322 | M | 6 | yes | 1 | 5 | 0 | 4 | 898.30 |
| F98 | 323 | 321 | 322 | M | 7 | yes | 1 | 5 | 2 | 3 | 675.17 |
| F98 | 321 | 0 | 0 | M | 40 | yes | 2 | 8 | 2 | 6 | 372.77 |
| F98 | 322 | 0 | 0 | F | 45 | yes | 2 | 0 | 0 | 2 | 611.71 |
| F99 | 327 | 325 | 326 | M | 8 | yes | 2 | 10 | 3 | 3 | 852.39 |
| F99 | 325 | 0 | 0 | M | 33 | yes | 3 | 10 | 4 | 6 | 461.14 |
| F99 | 326 | 0 | 0 | F | 38 | no | 6 | 1 | 1 | 2 | 624.91 |
| F100 | 331 | 328 | 329 | F | 14 | yes | 4 | 3 | 2 | 1 | 395.87 |
| F100 | 330 | 328 | 329 | F | 19 | no | 6 | 0 | 0 | 0 | 349.13 |
| F100 | 329 | 0 | 0 | F | 44 | no | 4 | 10 | 0 | 1 | 438.96 |
| F100 | 328 | 0 | 0 | M | 45 | no | 1 | 4 | 1 | 2 | 502.39 |
| F101 | 337 | 332 | 333 | M | 8 | yes | 5 | 1 | 0 | 0 | 759.75 |
| F101 | 336 | 332 | 333 | F | 9 | no | 2 | 10 | 1 | 4 | 688.47 |
| F101 | 335 | 332 | 333 | M | 11 | yes | 1 | 5 | 2 | 4 | 933.89 |
| F101 | 334 | 332 | 333 | F | 13 | no | 2 | 0 | 0 | 0 | 482.04 |
| F101 | 333 | 0 | 0 | F | 32 | yes | 1 | 7 | 3 | 6 | 415.21 |
| F101 | 332 | 0 | 0 | M | 33 | no | 6 | 0 | 0 | 0 | 525.54 |
| F102 | 340 | 338 | 339 | F | 7 | yes | 1 | 3 | 1 | 3 | 518.33 |
| F102 | 338 | 0 | 0 | M | 29 | no | 3 | 9 | 3 | 6 | 428.96 |
| F102 | 339 | 0 | 0 | F | 29 | yes | 4 | 6 | 1 | 3 | 483.15 |
| F103 | 344 | 341 | 342 | F | 22 | yes | 4 | 0 | 0 | 0 | 496.15 |
| F103 | 343 | 341 | 342 | M | 28 | no | 6 | 4 | 1 | 2 | 416.27 |
| F103 | 342 | 0 | 0 | F | 54 | no | 4 | 10 | 1 | 2 | 455.78 |
| F103 | 341 | 0 | 0 | M | 55 | yes | 5 | 3 | 3 | 2 | 372.23 |
| F104 | 348 | 345 | 346 | F | 8 | yes | 3 | 5 | 1 | 5 | 942.55 |
| F104 | 347 | 345 | 346 | F | 9 | no | 5 | 0 | 0 | 0 | 802.37 |
| F104 | 346 | 0 | 0 | F | 35 | no | 1 | 10 | 3 | 5 | 372.48 |
| F104 | 345 | 0 | 0 | M | 38 | yes | 2 | 5 | 0 | 1 | 564.95 |
| F105 | 351 | 349 | 350 | M | 7 | yes | 3 | 2 | 0 | 0 | 636.24 |
| F105 | 350 | 0 | 0 | F | 42 | yes | 5 | 8 | 0 | 0 | 444.22 |
| F105 | 349 | 0 | 0 | M | 50 | no | 1 | 10 | 2 | 5 | 431.93 |
| F106 | 354 | 352 | 353 | M | 7 | yes | 3 | 5 | 0 | 1 | 459.83 |
| F106 | 352 | 0 | 0 | M | 34 | yes | 5 | 10 | 4 | 6 | 404.14 |
| F106 | 353 | 0 | 0 | F | 35 | no | 1 | 0 | 1 | 0 | 480.21 |
| F107 | 358 | 355 | 356 | F | 8 | yes | 3 | 10 | 3 | 1 | 595.43 |
| F107 | 357 | 355 | 356 | M | 10 | yes | 6 | 2 | 0 | 1 | 688.95 |
| F107 | 356 | 0 | 0 | F | 36 | no | 1 | 8 | 4 | 6 | 492.91 |
| F107 | 355 | 0 | 0 | M | 51 | yes | 6 | 10 | 2 | 2 | 556.70 |
| F108 | 362 | 359 | 360 | M | 11 | yes | 2 | 2 | 1 | 0 | 422.87 |
| F108 | 361 | 359 | 360 | M | 15 | yes | 5 | 1 | 0 | 1 | 396.88 |
| F108 | 360 | 0 | 0 | F | 40 | no | 1 | 1 | 2 | 5 | 437.67 |
| F108 | 359 | 0 | 0 | M | 41 | no | 4 | 7 | 0 | 1 | 366.88 |
| F109 | 365 | 363 | 364 | F | 9 | yes | 2 | 2 | 2 | 3 | 816.10 |
| F109 | 364 | 0 | 0 | F | 41 | no | 4 | 1 | 1 | 2 | 449.45 |
| F109 | 363 | 0 | 0 | M | 44 | yes | 4 | 6 | 3 | 4 | 409.87 |
| F110 | 368 | 366 | 367 | M | 8 | yes | 1 | 0 | 1 | 2 | 614.90 |
| F110 | 367 | 0 | 0 | F | 43 | yes | 4 | 5 | 1 | 3 | 487.21 |
| F110 | 366 | 0 | 0 | M | 47 | no | 4 | 1 | 0 | 0 | 390.62 |
| F111 | 371 | 369 | 370 | M | 12 | yes | 6 | 0 | 0 | 0 | 692.96 |
| F111 | 370 | 0 | 0 | F | 43 | yes | 1 | 1 | 0 | 0 | 836.86 |
| F111 | 369 | 0 | 0 | M | 59 | no | 1 | 9 | 1 | 5 | 360.52 |
| F112 | 374 | 372 | 373 | M | 7 | no | 2 | 6 | 4 | 4 | 849.00 |
| F112 | 373 | 0 | 0 | F | 31 | no | 4 | 1 | 2 | 3 | 443.86 |
| F112 | 372 | 0 | 0 | M | 36 | yes | 2 | 2 | 1 | 3 | 408.39 |
| F113 | 377 | 375 | 376 | M | 6 | yes | 3 | 0 | 2 | 6 | 693.35 |
| F113 | 376 | 0 | 0 | F | 42 | yes | 4 | 0 | 1 | 0 | 346.61 |
| F113 | 375 | 0 | 0 | M | 45 | yes | 1 | 10 | 3 | 5 | 401.05 |
| F115 | 380 | 378 | 379 | M | 9 | yes | 3 | 2 | 3 | 5 | 376.13 |
| F115 | 379 | 0 | 0 | F | 32 | yes | 4 | 0 | 0 | 0 | 397.67 |
| F115 | 378 | 0 | 0 | M | 34 | no | 1 | 10 | 4 | 6 | 650.93 |
| F116 | 383 | 381 | 382 | F | 8 | yes | 6 | 7 | 3 | 5 | 566.74 |
| F116 | 382 | 0 | 0 | F | 30 | no | 1 | 3 | 1 | 0 | 485.25 |
| F116 | 381 | 0 | 0 | M | 40 | yes | 2 | 10 | 3 | 0 | 390.63 |
| F117 | 386 | 384 | 385 | M | 6 | yes | 2 | 4 | 2 | 2 | 523.25 |
| F117 | 385 | 0 | 0 | F | 36 | no | 4 | 0 | 2 | 3 | 526.04 |
| F117 | 384 | 0 | 0 | M | 37 | no | 5 | 5 | 2 | 6 | 432.81 |
| F118 | 389 | 388 | 387 | M | 7 | yes | 3 | 6 | 0 | 0 | 514.10 |
| F118 | 388 | 0 | 0 | F | 27 | no | 1 | 2 | 0 | 0 | 347.79 |
| F118 | 387 | 0 | 0 | M | 37 | yes | 5 | 8 | 4 | 6 | 448.35 |
| F119 | 392 | 390 | 391 | M | 7 | yes | 3 | 6 | 1 | 1 | 803.25 |
| F119 | 391 | 0 | 0 | F | 40 | no | 1 | 1 | 0 | 1 | 432.70 |
| F119 | 390 | 0 | 0 | M | 51 | yes | 5 | 10 | 3 | 6 | 863.25 |
| F120 | 395 | 393 | 394 | M | 6 | yes | 3 | 2 | 1 | 2 | 691.50 |
| F120 | 394 | 0 | 0 | F | 29 | no | 4 | 2 | 1 | 0 | 912.81 |
| F120 | 393 | 0 | 0 | M | 34 | no | 4 | 10 | 4 | 5 | 496.58 |
| F121 | 398 | 396 | 397 | M | 6 | yes | 3 | 0 | 2 | 1 | 554.61 |
| F121 | 397 | 0 | 0 | F | 39 | yes | 4 | 2 | 3 | 5 | 574.15 |
| F121 | 396 | 0 | 0 | M | 42 | no | 4 | 10 | 4 | 6 | 431.50 |
| F122 | 401 | 399 | 400 | M | 6 | yes | 3 | 9 | 3 | 5 | 595.20 |
| F122 | 400 | 0 | 0 | F | 30 | no | 1 | 0 | 0 | 0 | 473.52 |
| F122 | 399 | 0 | 0 | M | 31 | yes | 3 | 10 | 4 | 6 | 452.96 |
| F123 | 404 | 402 | 403 | M | 6 | yes | 3 | 3 | 2 | 3 | 727.55 |
| F123 | 403 | 0 | 0 | F | 32 | no | 1 | 0 | 0 | 1 | 485.25 |
| F123 | 402 | 0 | 0 | M | 33 | yes | 4 | 10 | 4 | 6 | 446.73 |
| F124 | 408 | 405 | 406 | M | 9 | no | 1 | 3 | 3 | 2 | 634.52 |
| F124 | 407 | 405 | 406 | M | 12 | yes | 6 | 0 | 0 | 0 | 645.32 |
| F124 | 406 | 0 | 0 | F | 33 | no | 1 | 10 | 1 | 2 | 616.67 |
| F124 | 405 | 0 | 0 | M | 43 | no | 4 | 0 | 0 | 0 | 655.24 |
Ahora, para analizar la distribución de frecuencias de cada una de las variables mencionadas en el ejercicio, se realiza un histograma con cada una de ellas.
Histograma de la variable ADHD:
Código
ggplot(x, aes(x = ADHD, fill = ADHD)) +
geom_bar(color = "black") +
theme_minimal() +
labs(title = "Distribución de frecuencias según diagnóstico de ADHD",
x = "Diagnóstico de ADHD",
y = "Frecuencia") +
theme(plot.title = element_text(hjust = 0.5))
Con una diferencia cercana a los 75 individuos, es sensato concluir de la gráfica que puede haber una prevalencia del diagnóstico de ADHD dentro de la muestra. Esto sugiere dos posibles opciones: que haya una gran cantidad de personas diagnosticadas en todos los clusters, o que los individuos que poseen la enfermedad se encuentren concentrados en un solo cluster. Más adelante se estudiará esta distribución teniendo en cuenta variantes como el sexo y el cluster para determinar dónde se concentran estos individuos.
Histograma de la variable cluster:
Código
ggplot(relevant, aes(x = as.factor(cluster), fill =as.factor(cluster))) +
geom_bar(color = "black") +
theme_minimal() +
labs(title = "Distribución de frecuencias según el cluster",
x = "Cluster",
y = "Frecuencia",
fill = "Cluster") +
theme(plot.title = element_text(hjust = 0.5))
La distribución de los individuos en cada uno de los clusters puede dar la idea de que la mayoría se encuentra en los clusters de baja categoría. Esto hace que pueda esperarse que a medida que el número de síntomas aumente, haya menos individuos que los padezcan, lo que nos permitiría concluir una relación entre los síntomas y la severidad de la condición del individuo. De esta distribución se espera que la mayoría de los individuos en la muestra sean sanas, al estar estas en el cluster 1.
Histograma de la variable Sex:
Código
ggplot(relevant, aes(x = Sex, fill = Sex)) +
geom_bar(color = "black") +
theme_minimal() +
labs(title = "Distribución de frecuencias según el sexo",
x = "Sexo",
y = "Frecuencia",
fill = "Sexo") +
theme(plot.title = element_text(hjust = 0.5))
De la gráfica se observa que claramente hay más hombres presentes en el estudio. Esto podría significar un sesgo en la evaluación del rendimiento de los individuos, ya que si gran parte de la muestra son niños, pueden haber factores de la étapa de crecimiento que afecten su desempeño y puedan asociarse erroneamente al diagnostico que presente.
Ejercicio 2 (10 puntos)
Es posible afirmar que la mayoría de las personas afectadas por la enfermedad corresponde a menores de edad? Visualice sus resultados. Determine qué patrón ocurre al desagregar la información por Sex. Concluya.
Solución:
Se define, para empezar, la variable age_groupque clasificará a los individuos es mayores o menores de edad, teniendo en cuenta que todos los individuos plasmados en este conjunto presentan la enfermedad.
Código
por_grupo<- filter(relevant, ADHD == "yes") %>%
mutate(age_group = ifelse(Age >= 18, "Over 18", "Under 18"))
df_graph <- por_grupo%>%
group_by(age_group)%>%
summarise(count = n()) %>%
mutate(proportion = count / sum(count))
kbl(df_graph)%>%
kable_styling(bootstrap_options = c("striped", "hover"))| age_group | count | proportion |
|---|---|---|
| Over 18 | 101 | 0.4279661 |
| Under 18 | 135 | 0.5720339 |
Aquí la gráfica de distribución de frecuencias del diagnóstico basado en la mayoría de edad.
Código
ggplot(df_graph, aes(x = age_group, y = proportion, fill = age_group)) +
geom_col( color = "black", stat ="identity" ) +
theme_minimal() +
labs(title = "Distribución de frecuencias según el grupo de edad",
x = "Grupo de Edad",
y = "Proporción",
fill = "Grupo de Edad") +
theme(plot.title = element_text(hjust = 0.5))
La gráfica nos muestra que hay una predominancia de menores de edad dentro de la muestra de individuos que poseen la enfermedad, lo que daría a entender que esta enfermedad es más frecuente en niños. Sin embargo, dada la naturaleza de los datos, es importante tener en cuenta que provienen de hijos y sus correspondientes padres, por lo que se podría presentar el caso en el que una familia tenga un número considerable de hijos. Esto haría que la presencia de menores de edad sea mucho mayor en comparación a los mayores de edad.
Ahora, teniendo en cuenta el sexo y la edad del individuo, podemos obtener la siguientes proporciones teniendo en cuenta la presencia de la enfermedad.
Código
df_graph_2 <- por_grupo%>%
group_by(age_group, Sex)%>%
summarise(count = n()) %>%
mutate(proportion = count / sum(count))
kbl(df_graph)%>%
kable_styling(bootstrap_options = c("striped", "hover"))Código
ggplot(df_graph_2, aes(x = "", y = proportion, fill = Sex)) +
geom_bar(stat = "identity", color = "black") +
geom_text(aes(label = paste0(round(100 * proportion), "%")), position = position_stack(vjust = 0.5)) +
coord_polar("y", start = 0) +
facet_wrap(~age_group) +
theme_void() +
labs(title = "Proporción de cada grupo de edad por sexo") +
theme(plot.title = element_text(hjust = 0.5))
El patrón que se puede obervar al discriminar la información también por el sexo del individuo, es que hay una predominancia de hombres en la muestra de la investigación. La diferencia de procentajes de hombres entre los mayores y menores de edad se puede deber a las razones explicadas anteriormente: la presencia de padres en el estudio hace que el sexo de este grupo sea más parejo, mientras que es imposible asegura cuántos hijos varones hay presentes en cada familia que puedan generar la predominancias de niños.
Ejercicio 3 (10 puntos)
Podemos decir que existe una asociación entre el cluster y el número de síntomas de la enfermedad? En qué cluster parece encontrarse la mayor cantidad de personas con ADHD? Cuál es el UID de la persona sin ADHD con el mayor número de síntomas, y el UID de la persona diagnosticada con ADHD con el menor número de síntomas?
Solución:
Para verificar si existe una asociación entre el cluster y el número de sintomas de la enfermedad, es importante notar que se va a tener en cuenta el total de síntomas, sumando cada uno de ellos en cada individuo.
Para esto se realizará una prueba de Kruskal-Wallis, la cual estudia diferencias entre grupos a través de su mediana. Las hipótesis a tener en cuenta son:
\[ H_0: \textrm{Las medianas de las poblaciones son iguales} \] \[\textrm{vs.}\] \[ H_0: \textrm{Las medianas de las poblaciones son diferentes} \]
Código
x$total <- x$inatsymptoms + x$impsymptoms + x$hypsymptoms
kruskal_result <- kruskal.test(cluster ~ total, data = x)
kruskal_result
Kruskal-Wallis rank sum test
data: cluster by total
Kruskal-Wallis chi-squared = 23.282, df = 20, p-value = 0.2752Dado que el p-valor de la prueba es 0.275168 > 0.05, no es posible rechazar, con un nivel de significancia de 0.05, la hipótesis nula de que la mediana de los grupos son iguales. En este contexto, es posible inferir que en efecto existe una asociación entre los cluster y el número de sintomas del individuo, ´pues no hay evidencia de que exista una diferencia significativa entre las variables.
Ahora, para ver en qué cluster se encuentra la mayor parte de los portadores de la enfermedad, simplemente hacemos un conteo cuántos enfermos hay en cada uno de los clusters.
Código
adhd_by_cluster <- relevant%>%
group_by(cluster)%>%
summarise(conteo_adhd = sum(ADHD == "yes"))
kbl(adhd_by_cluster)%>%
kable_styling(bootstrap_options = c("striped", "hover"))| cluster | conteo_adhd |
|---|---|
| 1 | 18 |
| 2 | 63 |
| 3 | 59 |
| 4 | 30 |
| 5 | 32 |
| 6 | 34 |
Por los resultados encontrados en la tabla, el cluster con el mayor número de personas con ADHD es el cluster 2.
Por último, se hallarán los uid de los individuos con mayor y menor número de síntomas basados en si son portadores de la enfermedad o no, para así visualizar la asociación de las variables estudiada previamente en el ejercicio.
Personas con mayor número de síntomas sin ADHD:
Código
total_symp <- x%>%
mutate(total_symptoms = inatsymptoms + hypsymptoms + impsymptoms)%>%
filter(ADHD == "no")
maximo <- max(total_symp$total_symptoms)
max_id <- which(total_symp$total_symptoms == maximo)
max_uid <- total_symp[max_id, 2]Los uid de los individuos con mayor número de síntomas que no son diagnosticados con ADHD son: 32, 118, 159, 268, 378, 396.
Personas con menor número de síntomas con ADHD:
Código
total_symp_con <- x%>%
mutate(total_symptoms = inatsymptoms + hypsymptoms + impsymptoms)%>%
filter(ADHD == "yes")
minimo <- min(total_symp_con$total_symptoms)
min_id <- which(total_symp_con$total_symptoms == minimo)
min_uid <- total_symp_con[min_id, 2]Los uid de los individuos con menor número de síntomas que son diagnosticados con ADHD son: 14, 20, 26, 42, 76, 80, 101, 113, 117, 160, 240, 247, 255, 259, 262, 266, 277, 344, 371, 379, 407.
Ejercicio 4 (10 puntos)
De acuerdo con inatsymtoms, quiénes son más inatentos? Los Fathers o las Mothers? Determine el número de individuos Father con ADHD y compárelo con los individuos Mother con el diagnóstico. Es posible afirmar que en esta población los Fathers son más inatentos que las Mothers? Use un nivel de significancia \(alpha=0.05\) para todas las pruebas que considere necesario realizar.
Solución:
Para determinar quienes son más inantentos, se calcularán cuántos Fathers y cuántas Mothers que sufran de ADHD presentan síntomas de inantención. Con este conteo, será sencillo calcular las porporciones de cada uno y realizar una prueba de diferencia de proporciones.
Código
father_adhd <- x %>%
filter(Sex == "M", Father == 0, ADHD == "yes", inatsymptoms > 0)%>%
nrow()
mother_adhd <- x %>%
filter(Sex == "F", Mother == 0, ADHD == "yes", inatsymptoms > 0)%>%
nrow()
padres_test <- prop.test(c(father_adhd, mother_adhd),
c(sum(x$Father == 0 & x$Sex == "M" & x$inatsymptoms > 0),
sum(x$Mother == 0 & x$Sex == "F" & x$inatsymptoms > 0)),
alternative = "greater")
padres_test
2-sample test for equality of proportions with continuity correction
data: c(father_adhd, mother_adhd) out of c(sum(x$Father == 0 & x$Sex == "M" & x$inatsymptoms > 0), sum(x$Mother == 0 & x$Sex == "F" & x$inatsymptoms > 0))
X-squared = 4.3534, df = 1, p-value = 0.01847
alternative hypothesis: greater
95 percent confidence interval:
0.03343891 1.00000000
sample estimates:
prop 1 prop 2
0.5462963 0.3863636 En este estudio, el hay 59padres con ADHD que presentan síntomas de inatención, y 34 madres en las mismas condiciones
Dado que el p-valor de la prueba es 0.0184676< 0.01, se rechaza con un nivel de significancia de 0.05 la hipótesis nula de que las proporciones son iguales. Además, es posible concluir que la diferencia presente entre las proporciones determina una predominancia en la inatención de los padres debido a que los valores incluidos en el intervalo de confianza \(I = (0.03344, 1)\) indican que la diferencia es postiva, por lo que la proporción de padres inatentos es mayor.
Ejercicio 5 (10 puntos)
Podemos decir que existe una relación entre Age y trait1 en personas menores de edad? Utilice EDA para ello. Ahora, determine si existe diferencia en la trait1 promedio entre los individuos Male y Female menores edad diagnosticados con ADHD. Qué pasa si comparamos menores de edad Male con ADHD vs. Male sin ADHD? Use un nivel de significancia \(\alpha=0.05\) para todas las pruebas que considere necesario realizar. Concluya.
Solución:
Código
menores <- filter(x, Age < 18)
ggplot(menores, aes(x = Age, y = trait1, color = Sex)) +
geom_point(color = "#333333") +
geom_smooth(method = "loess", aes(fill = Sex)) +
labs(title = "Tiempo de ejecución de trait1 por edad del individuo",
x = "Edad", y = "Tiempo de ejecución (ms)") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5))
A partir del gráfico de dispersión, se puede inferir una conexión entre las variables Age y trait1. Es decir, los participantes más jóvenes muestran una mayor variabilidad en los tiempos de reacción. Además, los tiempos de reacción tienden a ser más prolongados en los encuestados de menor edad. Así mismo, al ver la curva aproximada a la distribución, se puede observar que los tiempos de ejecución tienen su punto promedio más bajo alrededor de los 13 años.
Ahora, para saber si existe diferencia entre los tiempo de ejecución de la tarea si se separa esta información por sexo, ya se tiene una aproximación visual en la gráfica de arriba, en onde las medias se comportan bastante similar: con valores muy cercanos alrededore de los 13 años, dispersion creciente al momento de cumplir la mayoría de edad, etc.
Sin embargo, para confirmar estos resultados, se aplica un test de Kruskal-Wallis que ayudará a estudiar de manera analítica las medianas de ambos grupos.
Código
menores_adhd <- filter(menores, ADHD == "yes")
kruskal.test(trait1 ~ Sex, data = menores_adhd)
Kruskal-Wallis rank sum test
data: trait1 by Sex
Kruskal-Wallis chi-squared = 0.18418, df = 1, p-value = 0.6678Dado que el p-valor es de 0.6678 > 0.05, no existe evidencia para rechazar la hipótesis nula de que los grupos son iguales en cuanto a su mediana. Esto nos permite concluir que no existe una diferencia significativa en cuanto al sexo en los tiempos de respuesta del trait1.
Finalmente, se realiza un análisis similar para comparar grupos de hombres con y sin ADHD.
Código
menores_hombres <- filter(menores, Sex == "M")%>%
group_by(ADHD)%>%
summarise(count = n())%>%
mutate(proportion = count / sum(count))
kbl(menores_hombres)%>%
kable_styling(bootstrap_options = c("striped", "hover"))| ADHD | count | proportion |
|---|---|---|
| no | 12 | 0.1090909 |
| yes | 98 | 0.8909091 |
De entrada es notoria la gran premodinancia de los hombres con el diagnóstico sobre los que no lo tienen. Sin embargo, se aplica una prueba analítica para determinar esta diferencia.
Código
menores_hom_test <- filter(menores, Sex == "M")
kruskal.test(trait1 ~ ADHD, data = menores_hom_test)
Kruskal-Wallis rank sum test
data: trait1 by ADHD
Kruskal-Wallis chi-squared = 3.8257, df = 1, p-value = 0.05047La prueba de hipótesis indica que no tenemos suficiente evidencia para rechazar la hipótesis nula. Esto sugiere que no hay una diferencia significativa entre los individuos masculinos con ADHD y aquellos sin la enfermedad. Esta conclusión se basa en el p-valor obtenido, que es mayor que el nivel de significancia.