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.

library(MASS)
library(dplyr)

## 
## Attaching package: 'dplyr'

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

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

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

data("survey")

veri_1 <- survey %>%
  dplyr::select(Sex, Age, Pulse, Exer, Height, Smoke)

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

veri_2<- veri_1 %>%
  rename(cinsiyet = Sex,
         yaş = Age,
         egzersiz= Exer,
         nabız= Pulse,
         sigara= Smoke)

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

head(veri_2, 10)

##    cinsiyet    yaş nabız egzersiz Height 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

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

veri_3 <- veri_2 %>%
  mutate( 
    cinsiyet = recode(cinsiyet,
                      " male" = " Erkek",
                      " female" = " Kadın" ),
    egzersiz= recode(egzersiz,
                     " none" = " hiç" ,
                     " some" = " bazen",
                     " freq" = " sık" ),
    sigara= recode(sigara,
                   " never" = " hiç" ,
                   " occas" = " ara sıra",
                   " regul" = " düzenli" ,
                   " heavy" = " fazla" )
    )

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.

# Eksik değer var mı, tek tek göster
is.na(veri_3)

##     cinsiyet   yaş nabız egzersiz Height 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

# Veri setinde hiç eksik değer var mı? (TRUE/FALSE)
any(is.na(veri_3))

## [1] TRUE

# Hangi değişkende kaç tane eksik değer var?
colSums(is.na(veri_3))

## cinsiyet      yaş    nabız egzersiz   Height   sigara 
##        1        0       45        0       28        1

# Eksik değer içeren satırları sil ve yeni veri setini oluştur
veri_son <- na.omit(veri_3)
# Gözlem sayılarındakı farkı görmek için:
nrow(veri_3)

## [1] 237

nrow(veri_son)

## [1] 170

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

min
max
1st quarter
3rd quarter
mean
median

değerlerini açıklayın.

summary(veri_son)

##    cinsiyet       yaş            nabız        egzersiz      Height     
##  Female:85   Min.   :16.92   Min.   : 35.00   Freq:86   Min.   :152.0  
##  Male  :85   1st Qu.:17.67   1st Qu.: 66.25   None:14   1st Qu.:165.0  
##              Median :18.58   Median : 72.00   Some: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   
##  Heavy:  7  
##  Never:136  
##  Occas: 13  
##  Regul: 14  
##             
##

Açıklama:

veri_son veri setinin istatistiklerine bakıldığında; -Yaş değişkeninde minimum değer yaklaşık 16 maksimum değer yaklaşık 70 civarındadır.Dağılımın dengeli olduğunu gösterir. -Nabız değişkeni 35-100 arasında değişmektedir.Çok uç farklar olmadığını gösterir. -Boy değişkeninde minimum değer 152 cm maksimum değer 200 cmdir.Simetriye yakındır. Genel olarak bakıldığında 3 değişkende ortalama seyirde ilerlemektedir.

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

veri_son %>%
  group_by(egzersiz) %>%
  summarise(ortalama_nabız = round(mean(nabız),2))

## # A tibble: 3 × 2
##   egzersiz ortalama_nabız
##   <fct>             <dbl>
## 1 Freq               71.4
## 2 None               75.9
## 3 Some               76.6

Açıklama

-Egzersiz değişkenine göre nabıza bakıldığında düzenli egzersiz yapan grubun nabız ortalamasının daha düşük olduğu görülüyor.Hiç egzersiz yapmayanların ve ara sıra yapanların birbirine yakın ama ikisininde düzenli yapanlara göre daha yüksek olduğu görülüyor. Bu tabloya göre çıkarım yapıldığında düzenli egzersizin nabız ortalamasını düşürdüğünü görebiliyoruz

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

library(lsr)   

# yas değişkenini sayısal hale getir
yas_sayisal <- as.numeric(as.character(veri_son$yas))

# Aritmetik ortalama, medyan, mod
ortalama_yas <- mean(yas_sayisal, na.rm = TRUE)
medyan_yas   <- median(yas_sayisal, na.rm = TRUE)
mod_yas      <- modeOf(yas_sayisal)

## Warning in max(freq): no non-missing arguments to max; returning -Inf

ortalama_yas

## [1] NaN

medyan_yas

## [1] NA

mod_yas

## numeric(0)

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.

Benim seçtiğim konu sosyal medyadaya yansıtılan güzellik algısı ve insanların üzerinde bıraktığı psikolojik etki.Çünkü hem çok günümüzden bir konu hem de çoğu kişinin yaşadığı bir sorun.Filtrelerle ya da estetik işlem ve makyajla mükemmelleştirilmiş yüzler vücutlar ve onları gördükten sonra “ben neden böyle değilim?,kendimi değiştirmeye uğraşmalıyım” cümleleri kuran kendinden uzaklaşan insanlar.Özgüven kaybı ve beden algısı bozukluğu oluşturuyor ve bende bu konuyu incelemek istedim. #### Bu konuda veri toplamak için özellikle bu kişiler ele alınır: -Kişiliği ve benlik algısı yeni oturan ergen çağındakı bireyler -15-30 yaş arası -Sosyal medyayı aktif kullanan kişiler #### Bu kişilerden şu bilgileri almak anlamlı olacaktır: -Günlük sosyal medya kullanma süresi -Filtreli fotoğraf çekinme sıklığı -Kendini başkalarıyla kıyaslama düzeyi -Kendi görünüşünden olan memnuniyeti (1-10 arası ölçek) #### Bu konuda değişkenler: -Günlük sosyal medya kullanımının süresi -Filtre sıklığı -Ruh hali değişimi -Görünüş memnuniyeti ve kendini kıyaslama düzeyi #### Benim seçtiğim konuda veriler arasında frekans tablosu oluşturmak için en uygun 3 değişken: -Filtreli fotoğraf çekme sıklığı (kategori: az/orta/sık) -Günlük sosyal medya kullanımı (kategori:0-1 saat/1-3 saat/3+ saat) -Kendini başkalarıyla kıyaslama (kategori: düşük/orta/yüksek) #### Toplanılan verileri göz önünde bulundurarak min,max,quartile,median ve mean hesaplamak için seçtiğim 3 değişken: -Günlük sosyal medya kullanımı (dakika cinsinden) -Günde çekilen fotoğraf sayısı -Kendini kıyaslama puanı (1-10 arası ölçek)

SSB201-28.11.2025

Ceren Yıldırım

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.

Açıklama:

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

Açıklama

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

Ceren Yıldırım

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.

Açıklama:

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

Açıklama

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.