SSB201-28.11.2025

📌 Aşağıda 5 soru bulunmaktadır. İlk 4 soruyu ders notlarınızdan faydalanarak yapabilirsiniz. Sadece dosyayı yayınlarken hata aldığınız durumlarda hata kodunu anlamak için yapay zekadan destek alabilirsiniz. Tüm soruları yapay zekaya yaptırdığınız tespit edilirse sınavınız geçersiz sayılacaktır.

📌 Son soru 30 puan değerinde olup kendi deneyimlerinizden yola çıkarak yanıtlayabileceğiniz bir sorudur. Farklı sınav kağıtlarında birbirinin aynısı yanıtlar tespit edilmesi durumunda ilgili öğrencilerin sınavları geçersiz sayılacaktır.

📌 Sınavınızı 29 Kasım 2025 Cumartesi günü saat 11’e kadar Rpubs hesaplarınızda yayınlamanız gerekmektedir. Teslim tarihinden geç yayınlanan dosyalar değerlendirmeye dahil edilmeyecektir.

Soruları yanıtlamak için aşağıdaki paketleri etkinleştirin:

dplyr
MASS
lsr

survey veri seti, bir grup üniversite öğrencisinden toplanmış bilgiler içerir. Değişkenler arasında yaş, cinsiyet, boy, nabız, egzersiz sıklığı gibi psikolojik ve fizyolojik özellikler vardır. Bu veri seti University of Adelaide öğrencilerinden toplanmış bir anket çalışmasından gelir. Veri seti 237 gözlem ve 12 değişkenden oluşur.

Soru 1: Bu veri setini etkinleştirerek `Sex` (cinsiyet)“,”`Age` (yaş)“,”`Pulse` (nabiz)” ve “`Exer` (egzersiz)”, “`Height` (boy)”, “`Smoke` (sigara) değişkenlerini seçin. Seçtiğiniz bu değişkenlerden oluşan veri setini `veri_1` olarak isimlendirin.

Soru 1.1: `veri_1` veri setindeki değişkenlerin isimlerini Türkçeleştirin ve bu veri setini `veri_2` olarak isimlendirin.

Soru 1.2: `veri_2`’nin ilk 10 satırını görüntüleyin.

Soru 2: `veri_2` veri setindeki kategorik değişkenlerin etiketlerini (örn. never, some, heavy) Türkçeleştirin ve bu veri setini veri_3 olarak isimlendirin.

Soru 3: `veri_3` veri setindeki eksik değerleri sorgulayın. Eksik değer varsa çıkarın ve gözlem sayısındaki farkı açıklayın. Veri setinin son halini veri_son olarak isimlendirin.

Soru 4: `veri_son` için yas, nabiz ve boy değişkenlerinin

min
max
1st quarter
3rd quarter
mean
median

değerlerini açıklayın.

Soru 4.1: Egzersiz sıklığına göre ortalama nabzı hesapladığınız bir tablo oluşturun. Bu tablodaki değerlerin açıklamasını yazın.

Soru 4.2: veri_son için `yas` değişkenine ait mod, medyan ve aritmetik ortalama değerlerini hesaplayın.

Soru 5: Günlük yaşamınızda veri toplayarak analiz etmek isteyebileceğiniz bir durum düşünün (sosyal medya kullanım süresi, kahve tüketimi, sınav kaygısı…). Bu durumu kısaca açıklayın.

Bu durumla ilgili

kimlerden veri toplayabileceğinizi,
veri topladığınız kişilerden hangi bilgileri almanın anlamlı olacağını,
toplayacağınız bilgiler kapsamında değişkenlerin türlerini

açıklayın.

Topladığınız verileri göz önünde bulundurarak frekans tablosu oluşturabileceğiniz üç değişken tanımlayın.
Topladığınız verileri göz önünde bulundurarak min, max, quarters, mod, median, mean değerlerini hesaplayabileceğiniz üç değişken tanımlayın.

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(MASS)

## 
## Attaching package: 'MASS'

## The following object is masked from 'package:dplyr':
## 
##     select

library(lsr)

veri1 <- survey %>% dplyr::select(Sex,Age,Pulse,Exer,Height,Smoke)

veri2 <- veri1 %>%
  rename(cinsiyet=Sex,
         yas=Age,
         boy=Height,
         sigara=Smoke,
         egzersiz=Exer,
         nabiz=Pulse)

head(veri2)

##   cinsiyet    yas nabiz egzersiz    boy sigara
## 1   Female 18.250    92     Some 173.00  Never
## 2     Male 17.583   104     None 177.80  Regul
## 3     Male 16.917    87     None     NA  Occas
## 4     Male 20.333    NA     None 160.00  Never
## 5     Male 23.667    35     Some 165.00  Never
## 6   Female 21.000    64     Some 172.72  Never

names(veri1)

## [1] "Sex"    "Age"    "Pulse"  "Exer"   "Height" "Smoke"

head(veri2, 10)

##    cinsiyet    yas nabiz egzersiz    boy sigara
## 1    Female 18.250    92     Some 173.00  Never
## 2      Male 17.583   104     None 177.80  Regul
## 3      Male 16.917    87     None     NA  Occas
## 4      Male 20.333    NA     None 160.00  Never
## 5      Male 23.667    35     Some 165.00  Never
## 6    Female 21.000    64     Some 172.72  Never
## 7      Male 18.833    83     Freq 182.88  Never
## 8    Female 35.833    74     Freq 157.00  Never
## 9      Male 19.000    72     Some 175.00  Never
## 10     Male 22.333    90     Some 167.00  Never

veri3 <- veri2 %>%
  mutate(
    cinsiyet=recode(cinsiyet,
                    "Female" = "Kadın",
                    "Male" = "Erkek"),
    egzersiz = recode(egzersiz,
                      "None" = "Yok",
                      "Some" = "Bazen",
                      "Freq" = "Sık"),
    sigara = recode(sigara,
                    "Never" = "Hiç",
                    "Occas" = "Ara Sıra",
                    "Regul" = "Düzenli",
                    "Heavy" = "Fazla")
                    
  )

is.na(veri3)

##     cinsiyet   yas nabiz egzersiz   boy sigara
## 1      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 2      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 3      FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 4      FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 5      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 6      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 7      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 8      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 9      FALSE FALSE FALSE    FALSE FALSE  FALSE
## 10     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 11     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 12     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 13     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 14     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 15     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 16     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 17     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 18     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 19     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 20     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 21     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 22     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 23     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 24     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 25     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 26     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 27     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 28     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 29     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 30     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 31     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 32     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 33     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 34     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 35     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 36     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 37     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 38     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 39     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 40     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 41     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 42     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 43     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 44     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 45     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 46     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 47     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 48     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 49     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 50     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 51     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 52     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 53     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 54     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 55     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 56     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 57     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 58     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 59     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 60     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 61     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 62     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 63     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 64     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 65     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 66     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 67     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 68     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 69     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 70     FALSE FALSE FALSE    FALSE  TRUE   TRUE
## 71     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 72     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 73     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 74     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 75     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 76     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 77     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 78     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 79     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 80     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 81     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 82     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 83     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 84     FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 85     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 86     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 87     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 88     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 89     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 90     FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 91     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 92     FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 93     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 94     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 95     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 96     FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 97     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 98     FALSE FALSE FALSE    FALSE FALSE  FALSE
## 99     FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 100    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 101    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 102    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 103    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 104    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 105    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 106    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 107    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 108    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 109    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 110    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 111    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 112    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 113    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 114    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 115    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 116    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 117    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 118    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 119    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 120    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 121    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 122    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 123    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 124    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 125    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 126    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 127    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 128    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 129    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 130    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 131    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 132    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 133    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 134    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 135    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 136    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 137     TRUE FALSE FALSE    FALSE FALSE  FALSE
## 138    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 139    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 140    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 141    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 142    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 143    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 144    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 145    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 146    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 147    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 148    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 149    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 150    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 151    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 152    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 153    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 154    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 155    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 156    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 157    FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 158    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 159    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 160    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 161    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 162    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 163    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 164    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 165    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 166    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 167    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 168    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 169    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 170    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 171    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 172    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 173    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 174    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 175    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 176    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 177    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 178    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 179    FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 180    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 181    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 182    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 183    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 184    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 185    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 186    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 187    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 188    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 189    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 190    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 191    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 192    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 193    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 194    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 195    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 196    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 197    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 198    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 199    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 200    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 201    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 202    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 203    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 204    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 205    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 206    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 207    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 208    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 209    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 210    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 211    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 212    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 213    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 214    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 215    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 216    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 217    FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 218    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 219    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 220    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 221    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 222    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 223    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 224    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 225    FALSE FALSE  TRUE    FALSE  TRUE  FALSE
## 226    FALSE FALSE FALSE    FALSE  TRUE  FALSE
## 227    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 228    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 229    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 230    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 231    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 232    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 233    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 234    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 235    FALSE FALSE  TRUE    FALSE FALSE  FALSE
## 236    FALSE FALSE FALSE    FALSE FALSE  FALSE
## 237    FALSE FALSE FALSE    FALSE FALSE  FALSE

any(is.na(veri3))

## [1] TRUE

colSums(is.na(veri3))

## cinsiyet      yas    nabiz egzersiz      boy   sigara 
##        1        0       45        0       28        1

Yukarıda görülen gibi cinsiyet kategorisinde 1 kisi belirtmemis,yas kategorisinde kayip yok,nabiz kategorisinde 45 kisi belirtmemis,egzersiz kategorisinde kayip yok,boy kategorisinde 28 kayip var,sigara kategorisinde 1 kisi belirtmemis.

veri_son <- na.omit(veri3)

summary(veri_son)

##   cinsiyet       yas            nabiz         egzersiz       boy       
##  Kadın:85   Min.   :16.92   Min.   : 35.00   Sık  :86   Min.   :152.0  
##  Erkek:85   1st Qu.:17.67   1st Qu.: 66.25   Yok  :14   1st Qu.:165.0  
##             Median :18.58   Median : 72.00   Bazen:70   Median :171.0  
##             Mean   :20.46   Mean   : 73.92              Mean   :172.5  
##             3rd Qu.:20.17   3rd Qu.: 80.00              3rd Qu.:180.0  
##             Max.   :70.42   Max.   :104.00              Max.   :200.0  
##       sigara   
##  Fazla   :  7  
##  Hiç     :136  
##  Ara Sıra: 13  
##  Düzenli : 14  
##                
##

Yukarıdaki veri setine göre 85 Kadın ve 85 Erkek vardir.Toplam 170 kişidir. Yaş değişkeninin minimum değeri (16.92) veri setindeki en genç katılımcıyı,maksimum değeri (70.42)ise en yaşlı katılımcıyı göstermektedir.1st Qu:(17.67) Küçükten büyüğe sıralandığı zaman %25’in en üst sınırı gösterir.Katılımcıların %25’inin yaşı 17.67’den küçük.Median:veri setinin ortancasıdır yani tam ortadan ikiye bölen değerdir.Mean=(20.46) veri setinin ortalama yaşının bu olduğunu gösteriyor.Median=(18.58),veri setinin ortancasıdır.Grubun tipik yaşı 18-19 civarındadır.3rd Qu:Katılımcıların %75’inin altında kaldığı seviyedir yani katılımcıların %75’i (20.17) yaşın altındadır. Nabız değişkenin minimum değeri (35.00) bu bize veri setindeki en düşük sonucu veriyor.Maksimum değer(104.00) veri setindeki en yüksek sonucu veriyor.Veri setinde nabız değişkeni için medyan yani ortadan eşit parçaya bölen sayı(72.00) bu sonuca bakarak grubun yarısı 72’inin üstünde grubun yarısı 72’inin altindadir.1st Qu.(66.25)nabız değerlerinin yaklaşık %25’i bu değerlerinin altında olduğunu gösteriyor.Mean=Ortalama nabız(73.92),grubun gelen nabız seviyesini gösteriyor.3rd Qu.=(80.00) ise nabizlarin %75’inin bu değerin altinda olduğunu söylüyor.Yani daha yüksek nabızlı olan grup bu değerden sonra başlıyor. Boy değişkeninin minimum değeri(152.0),maksimum değeri (200.0).Yani veri setindeki en kısa kişi 152cm en uzun kişi 2 metredir.Mean=(172.5) grubun genel boy seviyesini gösterir.Median(171.0) en kısadan en uzuna doğru boyları sıraladığımız zaman ortadaki kişinin boy 171 cm olduğunu gösteriyor.1st Qu=(165.0) katılımcıların %25’inin boyu 165cm’den kısa olduğunu gösteriyor.3rd Qu=(180.0) katılımcıların %75’inin 180cm’in altında olduğunu gösteriyor.Yani daha uzun grubun başladığı seviye 180cm’dir.,

veri_son %>%
  group_by(egzersiz) %>%
  summarise(ortalama_nabiz = round(mean(nabiz), 2))

## # A tibble: 3 × 2
##   egzersiz ortalama_nabiz
##   <fct>             <dbl>
## 1 Sık                71.4
## 2 Yok                75.9
## 3 Bazen              76.6

Bu tabloya göre sık egzersiz yapan bireylerin hic egzersiz yapmayan bireylere göre daha düşük olduğunu söyleyebiliriz.Sık egzersiz yapan bireylerin nabzinin dusuk olma sebebi düzenli egzersiz kalbi güçlendirir kalp bir görevi yaparken daha az caba harcar daha az atar buda nabzin dusuklugune yol acar.Hic egzersiz yapmayan bireyler içinde tam tersini söyleyebiliriz kalp yeterince güclü olmadigi icin her atımda daha az kan pompalar.Sonuç olarak egzersiz sıklıgı arttıkça ortalama nabiz degeri dusuyor.

mean(veri_son$yas)

## [1] 20.46377

median(veri_son$yas)

## [1] 18.583

library(lsr)
modeOf(veri_son$yas)

## [1] 17.5

Günlük yaşamımda en çok yaptığım aktivitelerden biri sosyal medyada gezinmek. Bazen kendime kısıtlamalar koymama rağmen dalıp gidiyor ve fark etmeden süreyi aşmış oluyorum. Bu durum elbette derslerime, genel not ortalamama, ailemle geçirdiğim süreye ve ruh hâlime de etki ediyor. Bu yüzden sosyal medya kullanım süresini verilerle incelemek istedim çünkü bazen gerçekten ne kadar zaman harcadığımı fark etmiyorum ve bunun bende nasıl bir etkisi olduğunu daha net görmek istiyorum.

Ayrıca okuldaki arkadaşlarımın ve diğer öğrencilerin de benzer şeyleri yaşadığını söyleyebilirim. Çünkü ders çalışırken odağımızı toplamaya çalışsak bile bir mesaj geldiğinde telefon hemen dikkatimizi dağıtabiliyor. Arkadaşım bana bir fotoğraf ya da bir mesaj gösterdikten sonra derse dönmek yerine çoğu zaman telefona kayıyoruz. Bu nedenle arkadaşlarımdan ve diğer öğrencilerden sosyal medya kullanım süreleriyle ilgili veri toplamak hem benim kendimle bir karşılaştırma yapmamı sağlar hem de sosyal medyanın çevremdeki öğrenciler üzerindeki etkisini daha net görmemize yardımcı olur.

Bu araştırma için katılımcılardan günlük sosyal medyada geçirdikleri süreyi (saat), gün içinde sosyal medyaya kaç kez giriş yaptıklarını, hangi platformları daha çok kullandıklarını ve sosyal medya kullanımının ruh hâllerine olan etkisini sormayı düşünüyorum. Bunun yanında, sosyal medya kullanım süresi arttıkça akademik performansın veya aileyle geçirilen zamanın nasıl değiştiğini görebilmek için katılımcıların genel not ortalamasını (GNO) ve günlük olarak aileleriyle geçirdikleri süreyi de toplamayı planlıyorum. Ayrıca motivasyon düzeylerini (0–10 arası puanlama) ve ruh hâllerini (iyi–orta–kötü) almam, sosyal medya kullanımının psikolojik etkisini incelemeyi kolaylaştıracaktır.

Bu veriler sayesinde sosyal medya kullanım süresi ile akademik başarı, aile zamanı, motivasyon ve ruh hâli arasındaki ilişkileri daha detaylı analiz etme fırsatı bulabilirim. Bu verileri sınıf arkadaslarimdan ve universitedeki diger ogrencilerden toplayabilirim cunku analiz etmek istedigim sey bir bakimdanda sosyal medya kullanım suresi akademik hayatı nasıl etkiledigini gormek.

Katılımcılardan; • Günlük sosyal medya kullanım süresi (saat) • Gün içinde sosyal medyaya kaç kez giriş yaptıkları • En çok kullandıkları sosyal medya platformu • Sosyal medya kullanım amacı • Genel not ortalaması (GNO) • Günlük aileyle geçirilen süre (saat) • Ruh hâli (iyi – orta – kötü) bilgilerini almayı planlıyorum.

Değişken türleri

Sayısal değişkenler: • Günlük sosyal medya kullanım süresi • Gün içinde sosyal medyaya giriş sayısı • Genel not ortalaması (GNO) • Günlük aileyle geçirilen süre

Kategorik değişkenler: • En çok kullanılan sosyal medya platformu • Sosyal medya kullanım amacı • Ruh hâli (iyi / orta / kötü)

Frekans tablosu oluşturabileceğim üç değişken 1. En çok kullanılan sosyal medya platformu 2. Sosyal medya kullanım amacı 3. Ruh hâli (iyi / orta / kötü)

Min–max–çeyrekler–mod–medyan–mean hesaplayabileceğim üç değişken 1. Günlük sosyal medya kullanım süresi 2. Genel not ortalaması (GNO) 3. Günlük aileyle geçirilen süre

SSB201-28.11.2025

SELEN ERDOĞAN

2025-11-28

Soru 1: Bu veri setini etkinleştirerek `Sex` (cinsiyet)“,”`Age` (yaş)“,”`Pulse` (nabiz)” ve “`Exer` (egzersiz)”, “`Height` (boy)”, “`Smoke` (sigara) değişkenlerini seçin. Seçtiğiniz bu değişkenlerden oluşan veri setini `veri_1` olarak isimlendirin.

Soru 1.1: `veri_1` veri setindeki değişkenlerin isimlerini Türkçeleştirin ve bu veri setini `veri_2` olarak isimlendirin.

Soru 1.2: `veri_2`’nin ilk 10 satırını görüntüleyin.

Soru 2: `veri_2` veri setindeki kategorik değişkenlerin etiketlerini (örn. never, some, heavy) Türkçeleştirin ve bu veri setini veri_3 olarak isimlendirin.

Soru 3: `veri_3` veri setindeki eksik değerleri sorgulayın. Eksik değer varsa çıkarın ve gözlem sayısındaki farkı açıklayın. Veri setinin son halini veri_son olarak isimlendirin.

Soru 4: `veri_son` için yas, nabiz ve boy değişkenlerinin

değerlerini açıklayın.

Soru 4.1: Egzersiz sıklığına göre ortalama nabzı hesapladığınız bir tablo oluşturun. Bu tablodaki değerlerin açıklamasını yazın.

Soru 4.2: veri_son için `yas` değişkenine ait mod, medyan ve aritmetik ortalama değerlerini hesaplayın.

Soru 5: Günlük yaşamınızda veri toplayarak analiz etmek isteyebileceğiniz bir durum düşünün (sosyal medya kullanım süresi, kahve tüketimi, sınav kaygısı…). Bu durumu kısaca açıklayın.

Bu durumla ilgili

açıklayın.

SSB201-28.11.2025

SELEN ERDOĞAN

2025-11-28

Soru 1: Bu veri setini etkinleştirerek Sex (cinsiyet)“,”Age (yaş)“,”Pulse (nabiz)” ve “Exer (egzersiz)”, “Height (boy)”, “Smoke (sigara) değişkenlerini seçin. Seçtiğiniz bu değişkenlerden oluşan veri setini veri_1 olarak isimlendirin.

Soru 1.1: veri_1 veri setindeki değişkenlerin isimlerini Türkçeleştirin ve bu veri setini veri_2 olarak isimlendirin.

Soru 1.2: veri_2’nin ilk 10 satırını görüntüleyin.

Soru 2: veri_2 veri setindeki kategorik değişkenlerin etiketlerini (örn. never, some, heavy) Türkçeleştirin ve bu veri setini veri_3 olarak isimlendirin.

Soru 3: veri_3 veri setindeki eksik değerleri sorgulayın. Eksik değer varsa çıkarın ve gözlem sayısındaki farkı açıklayın. Veri setinin son halini veri_son olarak isimlendirin.

Soru 4: veri_son için yas, nabiz ve boy değişkenlerinin

değerlerini açıklayın.

Soru 4.1: Egzersiz sıklığına göre ortalama nabzı hesapladığınız bir tablo oluşturun. Bu tablodaki değerlerin açıklamasını yazın.

Soru 4.2: veri_son için yas değişkenine ait mod, medyan ve aritmetik ortalama değerlerini hesaplayın.

Soru 5: Günlük yaşamınızda veri toplayarak analiz etmek isteyebileceğiniz bir durum düşünün (sosyal medya kullanım süresi, kahve tüketimi, sınav kaygısı…). Bu durumu kısaca açıklayın.

Bu durumla ilgili

açıklayın.

Soru 1: Bu veri setini etkinleştirerek `Sex` (cinsiyet)“,”`Age` (yaş)“,”`Pulse` (nabiz)” ve “`Exer` (egzersiz)”, “`Height` (boy)”, “`Smoke` (sigara) değişkenlerini seçin. Seçtiğiniz bu değişkenlerden oluşan veri setini `veri_1` olarak isimlendirin.

Soru 1.1: `veri_1` veri setindeki değişkenlerin isimlerini Türkçeleştirin ve bu veri setini `veri_2` olarak isimlendirin.

Soru 1.2: `veri_2`’nin ilk 10 satırını görüntüleyin.

Soru 2: `veri_2` veri setindeki kategorik değişkenlerin etiketlerini (örn. never, some, heavy) Türkçeleştirin ve bu veri setini veri_3 olarak isimlendirin.

Soru 3: `veri_3` veri setindeki eksik değerleri sorgulayın. Eksik değer varsa çıkarın ve gözlem sayısındaki farkı açıklayın. Veri setinin son halini veri_son olarak isimlendirin.

Soru 4: `veri_son` için yas, nabiz ve boy değişkenlerinin

Soru 4.2: veri_son için `yas` değişkenine ait mod, medyan ve aritmetik ortalama değerlerini hesaplayın.