📌 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)
data(survey)

head(survey)
##      Sex Wr.Hnd NW.Hnd W.Hnd    Fold Pulse    Clap Exer Smoke Height      M.I
## 1 Female   18.5   18.0 Right  R on L    92    Left Some Never 173.00   Metric
## 2   Male   19.5   20.5  Left  R on L   104    Left None Regul 177.80 Imperial
## 3   Male   18.0   13.3 Right  L on R    87 Neither None Occas     NA     <NA>
## 4   Male   18.8   18.9 Right  R on L    NA Neither None Never 160.00   Metric
## 5   Male   20.0   20.0 Right Neither    35   Right Some Never 165.00   Metric
## 6 Female   18.0   17.7 Right  L on R    64   Right Some Never 172.72 Imperial
##      Age
## 1 18.250
## 2 17.583
## 3 16.917
## 4 20.333
## 5 23.667
## 6 21.000
names(survey)
##  [1] "Sex"    "Wr.Hnd" "NW.Hnd" "W.Hnd"  "Fold"   "Pulse"  "Clap"   "Exer"  
##  [9] "Smoke"  "Height" "M.I"    "Age"
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(veri2,10)
##    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"="Hic",
                  "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
veri_son<-na.omit(veri3)
table(veri_son$cinsiyet)
## 
## Kadın Erkek 
##    85    85
prop.table(table(veri_son$cinsiyet))*100
## 
## Kadın Erkek 
##    50    50
table(veri_son$yas)
## 
## 16.917     17 17.083 17.167  17.25 17.333 17.417   17.5 17.583 17.667  17.75 
##      1      1      5      7      6      3      7     10      2      5      5 
## 17.833 17.917     18 18.083 18.167  18.25 18.333 18.417   18.5 18.583 18.667 
##      1      5      3      2      6      4      3      4      4      3      4 
##  18.75 18.833 18.917     19 19.083 19.167  19.25 19.333 19.417   19.5 19.667 
##      3      1      6      3      1      3      2      4      2      1      2 
##     20 20.083 20.167 20.333 20.417   20.5 20.667     21 21.167 21.333 21.583 
##      3      2      4      3      1      1      1      2      2      1      1 
## 22.333 22.833 22.917     23 23.083  23.25 23.417   23.5 23.583 23.667 23.833 
##      1      1      1      1      1      1      1      1      2      1      1 
## 24.167 24.667   25.5   26.5 27.333   28.5 28.583 29.083  30.75 32.667  32.75 
##      1      1      1      1      1      1      1      1      1      1      1 
##   35.5 35.833 36.583  39.75 43.833  44.25 70.417 
##      1      1      1      1      1      1      1
prop.table(table(veri_son$yas))*100
## 
##    16.917        17    17.083    17.167     17.25    17.333    17.417      17.5 
## 0.5882353 0.5882353 2.9411765 4.1176471 3.5294118 1.7647059 4.1176471 5.8823529 
##    17.583    17.667     17.75    17.833    17.917        18    18.083    18.167 
## 1.1764706 2.9411765 2.9411765 0.5882353 2.9411765 1.7647059 1.1764706 3.5294118 
##     18.25    18.333    18.417      18.5    18.583    18.667     18.75    18.833 
## 2.3529412 1.7647059 2.3529412 2.3529412 1.7647059 2.3529412 1.7647059 0.5882353 
##    18.917        19    19.083    19.167     19.25    19.333    19.417      19.5 
## 3.5294118 1.7647059 0.5882353 1.7647059 1.1764706 2.3529412 1.1764706 0.5882353 
##    19.667        20    20.083    20.167    20.333    20.417      20.5    20.667 
## 1.1764706 1.7647059 1.1764706 2.3529412 1.7647059 0.5882353 0.5882353 0.5882353 
##        21    21.167    21.333    21.583    22.333    22.833    22.917        23 
## 1.1764706 1.1764706 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 
##    23.083     23.25    23.417      23.5    23.583    23.667    23.833    24.167 
## 0.5882353 0.5882353 0.5882353 0.5882353 1.1764706 0.5882353 0.5882353 0.5882353 
##    24.667      25.5      26.5    27.333      28.5    28.583    29.083     30.75 
## 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 
##    32.667     32.75      35.5    35.833    36.583     39.75    43.833     44.25 
## 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 0.5882353 
##    70.417 
## 0.5882353
veri_son %>% 
  count(yas) %>% 
  mutate(yuzde=round((n/sum(n))*100,2))
##       yas  n yuzde
## 1  16.917  1  0.59
## 2  17.000  1  0.59
## 3  17.083  5  2.94
## 4  17.167  7  4.12
## 5  17.250  6  3.53
## 6  17.333  3  1.76
## 7  17.417  7  4.12
## 8  17.500 10  5.88
## 9  17.583  2  1.18
## 10 17.667  5  2.94
## 11 17.750  5  2.94
## 12 17.833  1  0.59
## 13 17.917  5  2.94
## 14 18.000  3  1.76
## 15 18.083  2  1.18
## 16 18.167  6  3.53
## 17 18.250  4  2.35
## 18 18.333  3  1.76
## 19 18.417  4  2.35
## 20 18.500  4  2.35
## 21 18.583  3  1.76
## 22 18.667  4  2.35
## 23 18.750  3  1.76
## 24 18.833  1  0.59
## 25 18.917  6  3.53
## 26 19.000  3  1.76
## 27 19.083  1  0.59
## 28 19.167  3  1.76
## 29 19.250  2  1.18
## 30 19.333  4  2.35
## 31 19.417  2  1.18
## 32 19.500  1  0.59
## 33 19.667  2  1.18
## 34 20.000  3  1.76
## 35 20.083  2  1.18
## 36 20.167  4  2.35
## 37 20.333  3  1.76
## 38 20.417  1  0.59
## 39 20.500  1  0.59
## 40 20.667  1  0.59
## 41 21.000  2  1.18
## 42 21.167  2  1.18
## 43 21.333  1  0.59
## 44 21.583  1  0.59
## 45 22.333  1  0.59
## 46 22.833  1  0.59
## 47 22.917  1  0.59
## 48 23.000  1  0.59
## 49 23.083  1  0.59
## 50 23.250  1  0.59
## 51 23.417  1  0.59
## 52 23.500  1  0.59
## 53 23.583  2  1.18
## 54 23.667  1  0.59
## 55 23.833  1  0.59
## 56 24.167  1  0.59
## 57 24.667  1  0.59
## 58 25.500  1  0.59
## 59 26.500  1  0.59
## 60 27.333  1  0.59
## 61 28.500  1  0.59
## 62 28.583  1  0.59
## 63 29.083  1  0.59
## 64 30.750  1  0.59
## 65 32.667  1  0.59
## 66 32.750  1  0.59
## 67 35.500  1  0.59
## 68 35.833  1  0.59
## 69 36.583  1  0.59
## 70 39.750  1  0.59
## 71 43.833  1  0.59
## 72 44.250  1  0.59
## 73 70.417  1  0.59
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
mean(veri_son$yas)
## [1] 20.46377
median(veri_son$yas)
## [1] 18.583
modeOf(veri_son$yas)
## [1] 17.5
  1. SORU gençlerin yoğun bir şekilde bağlandıkları kurgusal evrenlerin günlük maruziyeti ile gerçeklik algılarındaki günlük değişim arasında ilişki var mıdır?

katılımcılardan 14 gün boyunca günlük kısa anket doldurmalarını isteyerek hem sabit özelliklerini hem de zamanla değişen (state) gerçeklik algısı belirtilerini ölçüp kurgusal içerik maruziyetiyle ilişkilendiriyoruz

18/25 yaş arası 100 üniversite öğrencisinden eğer mümkün değilse 50 üniversite öğrencisinden (kampüste ilan/sosyal medya vb.) başlangıç anketi ve 14 gün boyunca her gün düzenli olarak online form ( google forms/ qualtrics/SoSci vb.) aracılığıyla konu hakkında veri toplanır

Değişkenlerin Ölçümleri Demografik: yaş cinsiyet bölüm uyku saatleri kronik psiyatrik tanı (cevap isteğe bağlı ve gizli) Kurgusal Bağ Türü: fantastik/ bilim kurgu / romantik/ distopya/ oyun evreni/ anime vs. Özdeşleşme Eğilimi: “genellikle kurgusal karakterlerle kendimi özdeşleştiririm”

Frekans tablosu oluşturulabilecek 3 değişken: kategorik kurgu içerik türü/ cinsiyet/ uyku saatleri aralığı

min/max/median/mean hesaplayabileceğim değişkenler: günlük kurgu maruziyet süresi gerçeklik algısı puanı özdeşleşme eğilimi puanı