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

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

MASS

library(MASS)

## 
## Attaching package: 'MASS'

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

lsr

library(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.

data("survey")
summary(survey)

##      Sex          Wr.Hnd          NW.Hnd        W.Hnd          Fold    
##  Female:118   Min.   :13.00   Min.   :12.50   Left : 18   L on R : 99  
##  Male  :118   1st Qu.:17.50   1st Qu.:17.50   Right:218   Neither: 18  
##  NA's  :  1   Median :18.50   Median :18.50   NA's :  1   R on L :120  
##               Mean   :18.67   Mean   :18.58                            
##               3rd Qu.:19.80   3rd Qu.:19.73                            
##               Max.   :23.20   Max.   :23.50                            
##               NA's   :1       NA's   :1                                
##      Pulse             Clap       Exer       Smoke         Height     
##  Min.   : 35.00   Left   : 39   Freq:115   Heavy: 11   Min.   :150.0  
##  1st Qu.: 66.00   Neither: 50   None: 24   Never:189   1st Qu.:165.0  
##  Median : 72.50   Right  :147   Some: 98   Occas: 19   Median :171.0  
##  Mean   : 74.15   NA's   :  1              Regul: 17   Mean   :172.4  
##  3rd Qu.: 80.00                            NA's :  1   3rd Qu.:180.0  
##  Max.   :104.00                                        Max.   :200.0  
##  NA's   :45                                            NA's   :28     
##        M.I           Age       
##  Imperial: 68   Min.   :16.75  
##  Metric  :141   1st Qu.:17.67  
##  NA's    : 28   Median :18.58  
##                 Mean   :20.37  
##                 3rd Qu.:20.17  
##                 Max.   :73.00  
##

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

## Warning in data(veri1): data set 'veri1' not found

names(veri1)

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

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

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

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

head(veri2,10)

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

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

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

##   cinsiyet    yas   sigara    boy egzersiz nabiz
## 1    Kadın 18.250      Hic 173.00    Bazen    92
## 2    Erkek 17.583  Duzenli 177.80      yok   104
## 3    Erkek 16.917 Ara Sıra     NA      yok    87
## 4    Erkek 20.333      Hic 160.00      yok    NA
## 5    Erkek 23.667      Hic 165.00    Bazen    35
## 6    Kadın 21.000      Hic 172.72    Bazen    64

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.

is.na(veri3)

##     cinsiyet   yas sigara   boy egzersiz nabiz
## 1      FALSE FALSE  FALSE FALSE    FALSE FALSE
## 2      FALSE FALSE  FALSE FALSE    FALSE FALSE
## 3      FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 4      FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 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  TRUE    FALSE FALSE
## 13     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 14     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 15     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 16     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 17     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 18     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 19     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 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  TRUE    FALSE FALSE
## 26     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 27     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 28     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 29     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 30     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 31     FALSE FALSE  FALSE  TRUE    FALSE 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  TRUE    FALSE FALSE
## 36     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 37     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 38     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 39     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 40     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 41     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 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  FALSE FALSE    FALSE  TRUE
## 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  FALSE FALSE    FALSE  TRUE
## 57     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 58     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 59     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 60     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 61     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 62     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 63     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 64     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 65     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 66     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 67     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 68     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 69     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 70     FALSE FALSE   TRUE  TRUE    FALSE FALSE
## 71     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 72     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 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  FALSE FALSE    FALSE  TRUE
## 79     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 80     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 81     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 82     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 83     FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 84     FALSE FALSE  FALSE  TRUE    FALSE  TRUE
## 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  TRUE    FALSE FALSE
## 91     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 92     FALSE FALSE  FALSE  TRUE    FALSE  TRUE
## 93     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 94     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 95     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 96     FALSE FALSE  FALSE  TRUE    FALSE  TRUE
## 97     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 98     FALSE FALSE  FALSE FALSE    FALSE FALSE
## 99     FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 100    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 101    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 102    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 103    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 104    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 105    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 106    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 107    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 108    FALSE FALSE  FALSE  TRUE    FALSE 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  TRUE    FALSE 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  FALSE FALSE    FALSE  TRUE
## 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  TRUE    FALSE 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  FALSE FALSE    FALSE  TRUE
## 140    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 141    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 142    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 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  FALSE  TRUE    FALSE  TRUE
## 158    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 159    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 160    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 161    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 162    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 163    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 164    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 165    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 166    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 167    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 168    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 169    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 170    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 171    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 172    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 173    FALSE FALSE  FALSE  TRUE    FALSE 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  FALSE  TRUE    FALSE  TRUE
## 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  FALSE FALSE    FALSE  TRUE
## 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  TRUE    FALSE 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  FALSE FALSE    FALSE  TRUE
## 211    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 212    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 213    FALSE FALSE  FALSE  TRUE    FALSE FALSE
## 214    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 215    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 216    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 217    FALSE FALSE  FALSE  TRUE    FALSE  TRUE
## 218    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 219    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 220    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 221    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 222    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 223    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 224    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 225    FALSE FALSE  FALSE  TRUE    FALSE  TRUE
## 226    FALSE FALSE  FALSE  TRUE    FALSE 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  FALSE FALSE    FALSE  TRUE
## 233    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 234    FALSE FALSE  FALSE FALSE    FALSE FALSE
## 235    FALSE FALSE  FALSE FALSE    FALSE  TRUE
## 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   sigara      boy egzersiz    nabiz 
##        1        0        1       28        0       45

veri_son<-na.omit(veri3)

Enviromente bakıldığında veri3 237 gözlem içerirken veri_son 170 gözlem içermektedir.

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

min yas=16.75 nabiz=35.00 boy=150.0
max yas=73.0 nabiz=104.0 boy=200.0
1st quarter yas=17.67 nabiz=66.00 boy=165.0
3rd quarter yas=20.17 nabiz=80.00 boy=180.0
mean yas=20.37 nabiz=74.15 boy=172.4
median yas=18.58 nabiz=72.50 boy=171.0

değerlerini açıklayın.

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

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

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

tabloya göre egzersizk sıklığı arttıkça ortalama nabız değeri artmaktadır. egzersiz yapmayanlarda ortalama nabız:75.86 bazen egzersiz yapanlarda ortalama nabız:76.59 sık egzersiz yapanlarda ortalama nabız:71.43

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

mean(veri_son$yas)

## [1] 20.46377

median(veri_son$yas)

## [1] 18.583

library(lsr)
modeOf(veri_son$yas)

## [1] 17.5

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

Düzenli spor yapmanın stres düzeyi üzerindeki etkisi

Bu durumla ilgili

kimlerden veri toplayabileceğinizi,

#üniversite öğrencilerinden, çalışan insanlardan,düzenli spor yapan kişilerden ve düzenli spor yapmayan kişilerden veri toplayabiliriz.

veri topladığınız kişilerden hangi bilgileri almanın anlamlı olacağını,

#spor yapma sıklığı,yaş, cinsiyet,kaç saat spor yapıyor,günlük stres düzeyi bilgilerine bakmak anlamlı olacaktır.

toplayacağınız bilgiler kapsamında değişkenlerin türlerini #haftalık spor sıklığı, spor yapma süresi,cinsiyet,stres düzeyi

açıklayın.

Topladığınız verileri göz önünde bulundurarak frekans tablosu oluşturabileceğiniz üç değişken tanımlayın. #cinsiyet= kadın, erkek #stres düzeyi= düşük,orta,yüksek #spor yapma durumu=düzenli yapan ve yapmayan
Topladığınız verileri göz önünde bulundurarak min, max, quarters, mod, median, mean değerlerini hesaplayabileceğiniz üç değişken tanımlayın.

#spor yapma sıklığı,spor yapma süresi ve sres düzeyi üzerinde min, max ve mean hesaplanabilir.

SSB201-28.11.2025

Ece Türel

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

Ece Türel

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.