Proyecto 1
De la Hoz. García, Garcia G, Gonzalez, Pérez
2026-08-27
Portada
Análisis Estadístico Descriptivo de las Variables Edad, Sexo y Estatura en Estudiantes Universitarios
Estadística inferencial
De la Hoz Geneidys, García Marelvis, García María, González Daniela, Pérez Sara
Dr.rer.nat.Humberto Llinas Solano
28/08/2026
Resumen
El presente trabajo tiene como propósito realizar un análisis exploratorio de una muestra de 199 estudiantes universitarios, seleccionados de las observaciones comprendidas entre las posiciones 2 y 200 de la base de datos. Para el análisis se tienen en cuenta principalmente las variables sexo, edad y estatura. La variable sexo es tratada como una variable cualitativa y convertida en factor, mientras que la edad y la estatura corresponden a variables cuantitativas. La estatura se encuentra expresada en metros y posteriormente se organiza en diferentes rangos para facilitar su análisis. Para organizar y analizar la información se utiliza el programa R, mediante la elaboración de tablas de frecuencias y representaciones gráficas. En particular, se construyen rangos de estatura entre 1,50 y 1,90 metros y se realiza un diagrama de barras para observar la distribución de los estudiantes según estos intervalos. Los resultados muestran una mayor concentración de estudiantes en los rangos de estatura entre 1,60 y 1,69 metros y entre 1,70 y 1,79 metros. Asimismo, se realiza un análisis bivariado que permite comparar la distribución de los rangos de estatura de acuerdo con el sexo, representado en las categorías Female y Male. Además, se exploran otras variables de la base de datos, como los resultados de los exámenes, con el propósito de conocer su comportamiento. Finalmente, el análisis permite describir y visualizar la distribución de las variables seleccionadas e identificar diferencias en la frecuencia de los rangos de estatura según el sexo, demostrando cómo el uso de R facilita la organización, transformación y representación gráfica de los datos de manera clara y estructurada.
Palabras claves
Estatura, sexo, género, análisis exploratorio de datos (EDA), variabilidad, distribución, antropometría, dimorfismo sexual, valores atípicos, población universitaria
Introducción
En una universidad se plantea analizar las características antropométricas de un grupo de estudiantes a partir de tres variables registradas en una base de datos: la estatura (Height), el sexo (Sex) y el género (Gender), con el propósito de identificar posibles diferencias en la distribución de la estatura entre los participantes. La estatura es un rasgo cuantitativo continuo cuya variación está relacionada con la interacción de factores genéticos y ambientales (Silventoinen, 2003; Silventoinen et al., 2003), entre los que se encuentran aspectos como la nutrición y las condiciones ambientales durante el desarrollo (Lui et al., 2024). Además, diferentes investigaciones han evidenciado diferencias en la estatura promedio entre hombres y mujeres a nivel poblacional, mostrando la presencia de dimorfismo sexual en este rasgo (NCD Risk Factor Collaboration, 2016; Fukami et al., 2025). En este contexto, analizar conjuntamente Height, Sex y Gender mediante un Análisis Exploratorio de Datos (EDA) resulta importante, ya que permite describir el comportamiento de las variables, comparar la distribución y variabilidad de la estatura entre los grupos, identificar posibles valores atípicos (outliers) y conocer las características generales de la muestra antes de aplicar procedimientos estadísticos inferenciales. Por lo tanto, el objetivo general de este trabajo es realizar un Análisis Exploratorio de Datos para caracterizar y comparar la distribución de la estatura (Height) en función del sexo (Sex) y el género (Gender) de los estudiantes incluidos en la base de datos, identificando sus principales características, diferencias y posibles patrones entre los grupos.
Marco teórico
Metodología
Origen y Selección de la Muestra: La información proviene de la base de datos survey incluida en el paquete lsm de R, la cual contiene un registro inicial de 800 observaciones y 66 variables sociodemográficas y académicas de estudiantes universitarios. Para efectos del presente análisis exploratorio, se extrajo un subconjunto de trabajo de 199 estudiantes mediante la selección de los registros comprendidos entre las posiciones 2 y 200 de la base de datos (datosCompleto[2:200, ]). Variables Analizadas y Tipificación: El estudio se enfoca principalmente en tres variables fundamentales: 1. Sexo (Gender): Variable cualitativa nominal recodificada explícitamente en R como factor mediante la función (as.factor), permitiendo la clasificación categórica en las etiquetas Female y Male. 2. Estatura (Height): Variable cuantitativa continua expresada originalmente en metros. 3. Edad (Age): Variable cuantitativa continua medida en años. Tratamiento y Discretización de Datos (Agrupación): Dado que la estatura continua presenta una amplia dispersión de valores que dificulta la lectura en tablas tradicionales, se aplicó un procedimiento de discretización con la función cut(). Se definieron cuatro puntos de corte para construir rangos ordinales de estatura entre 1.50 m y 1.90 m (1.50 - 1.59 m, 1.60 - 1.69 m, 1.70 - 1.79 m y 1.80 - 1.90 m). Procedimientos Estadísticos y Procesamiento en R: 1. Análisis Univariado: Cálculo de distribuciones de frecuencia absoluta y relativa para la variable de estatura recodificada. 2. Análisis Bivariado: Construcción de tablas de contingencia mediante el paquete dplyr (group_by y summarise) y desarrollo de diagramas de barras agrupadas (`position = “dodge”) con ggplot2 para comparar simultáneamente los rangos de estatura en función del sexo. 3. Visualización: Generación de gráficos estilizados con el paquete ggplot2 integrando etiquetas de conteo directo (geom_text) para garantizar la claridad en la interpretación.
Resultados
Carga de paquetes y herramientas
Función del Chunk: En R, los comandos estadísticos especializados y los conjuntos de datos no están activos por defecto al abrir el programa. Este chunk ejecuta la instrucción de “abrir la caja de herramientas” (cargar en memoria) los paquetes previamente instalados.
library(lsm) # Para descargar una base de datos
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(moments) # Para hallar las medidas de forma
library(e1071)##
## Adjuntando el paquete: 'e1071'## The following objects are masked from 'package:moments':
##
## kurtosis, moment, skewnesslibrary(ggplot2)##
## Adjuntando el paquete: 'ggplot2'## The following object is masked from 'package:e1071':
##
## elementCargar y asignar la base de datos
Función del Chunk: Toma la base de datos original guardada en el paquete (en este caso llamada dat) y la asigna mediante el operador <- a un nombre o “sobrenombre” en la memoria de R (datos_completos). Guardar el conjunto de datos con un identificador claro facilita su manipulación sin alterar la fuente original de la información.
datosCompleto <- lsm::surveyVisualización de las primeras observaciones
Objetivo del análisis: Inspeccionar los primeros registros del data frame datosCompleto utilizando la función head() para verificar el orden de los datos, la correcta carga de las variables y el formato de los primeros individuos de la muestra.
head(datosCompleto) #A) Por defecto, solo las primeras 6 observaciones ## # A tibble: 6 × 66
## Observation ID Gender Like Age Smoke Height Weight BMI School SES
## <dbl> <chr> <chr> <chr> <dbl> <chr> <dbl> <dbl> <dbl> <chr> <chr>
## 1 1 SB11201… Female TV 21.4 No 1.58 75 30.0 Priva… Medi…
## 2 2 SB11201… Male Netw… 21.1 Yes 1.6 80 31.2 Public High
## 3 3 SB11201… Male Netw… 20.9 Yes 1.5 64 28.4 Priva… High
## 4 4 SB11201… Male TV 18.4 Yes 1.53 49 20.9 Public Low
## 5 5 SB11201… Female TV 16.6 Yes 1.78 82 25.9 Priva… High
## 6 6 SB11201… Female Netw… 16.0 No 1.65 80 29.4 Public Low
## # ℹ 55 more variables: Enrollment <chr>, Score <dbl>, MotherHeight <chr>,
## # MotherAge <dbl>, MotherCHD <dbl>, FatherHeight <chr>, FatherAge <dbl>,
## # FatherCHD <dbl>, Status <chr>, SemAcum <dbl>, Exam1 <dbl>, Exam2 <dbl>,
## # Exam3 <dbl>, Exam4 <dbl>, ExamAcum <dbl>, Definitive <dbl>, Expense <dbl>,
## # Income <dbl>, Gas <dbl>, Course <chr>, Law <chr>, Economic <chr>,
## # Race <chr>, Region <chr>, EMO1 <dbl>, EMO2 <dbl>, EMO3 <dbl>, EMO4 <dbl>,
## # EMO5 <dbl>, GOAL1 <chr>, GOAL2 <chr>, GOAL3 <chr>, Pre_STAT1 <dbl>, …head(datosCompleto, 3) #B) Solo las primeras 3 observaciones ## # A tibble: 3 × 66
## Observation ID Gender Like Age Smoke Height Weight BMI School SES
## <dbl> <chr> <chr> <chr> <dbl> <chr> <dbl> <dbl> <dbl> <chr> <chr>
## 1 1 SB11201… Female TV 21.4 No 1.58 75 30.0 Priva… Medi…
## 2 2 SB11201… Male Netw… 21.1 Yes 1.6 80 31.2 Public High
## 3 3 SB11201… Male Netw… 20.9 Yes 1.5 64 28.4 Priva… High
## # ℹ 55 more variables: Enrollment <chr>, Score <dbl>, MotherHeight <chr>,
## # MotherAge <dbl>, MotherCHD <dbl>, FatherHeight <chr>, FatherAge <dbl>,
## # FatherCHD <dbl>, Status <chr>, SemAcum <dbl>, Exam1 <dbl>, Exam2 <dbl>,
## # Exam3 <dbl>, Exam4 <dbl>, ExamAcum <dbl>, Definitive <dbl>, Expense <dbl>,
## # Income <dbl>, Gas <dbl>, Course <chr>, Law <chr>, Economic <chr>,
## # Race <chr>, Region <chr>, EMO1 <dbl>, EMO2 <dbl>, EMO3 <dbl>, EMO4 <dbl>,
## # EMO5 <dbl>, GOAL1 <chr>, GOAL2 <chr>, GOAL3 <chr>, Pre_STAT1 <dbl>, …Salida obtenida: Dos tablas impresas en la consola: la primera despliega las primeras 6 filas (configuración por defecto de R) con sus 66 variables, y la segunda limita la salida a únicamente los primeros 3 registros. Interpretación: La función head() permite comprobar rápidamente que el conjunto de datos se cargó sin desplazamientos en las columnas. Al especificar el argumento numérico (ej. 3), R restringe la visualización al número exacto de filas solicitado, facilitando una revisión preliminar rápida de la cabecera del conjunto de datos sin saturar la pantalla.
Visualización de las últimas observaciones
Objetivo del análisis: Examinar el final del conjunto de datos datosCompleto mediante la función tail() para verificar la integridad del cierre del archivo, asegurando que no existan filas corruptas o truncadas al final de la base de datos.
tail(datosCompleto) #C) Por defecto, solo las últimas 6 observaciones ## # A tibble: 6 × 66
## Observation ID Gender Like Age Smoke Height Weight BMI School SES
## <dbl> <chr> <chr> <chr> <dbl> <chr> <dbl> <dbl> <dbl> <chr> <chr>
## 1 795 AC31201… Female <NA> NA <NA> 1.64 NA NA <NA> Low
## 2 796 AC31201… Female TV 13.5 <NA> 1.71 78 26.7 Public <NA>
## 3 797 AC31201… <NA> Netw… 15.8 No 1.68 53 18.8 Priva… Medi…
## 4 798 AC31201… Male <NA> 15.7 No NA 83 NA <NA> Low
## 5 799 AC31201… Female TV NA No 1.76 73 23.6 Priva… Low
## 6 800 AC31201… Male TV 16.6 No 1.62 70 26.7 Priva… <NA>
## # ℹ 55 more variables: Enrollment <chr>, Score <dbl>, MotherHeight <chr>,
## # MotherAge <dbl>, MotherCHD <dbl>, FatherHeight <chr>, FatherAge <dbl>,
## # FatherCHD <dbl>, Status <chr>, SemAcum <dbl>, Exam1 <dbl>, Exam2 <dbl>,
## # Exam3 <dbl>, Exam4 <dbl>, ExamAcum <dbl>, Definitive <dbl>, Expense <dbl>,
## # Income <dbl>, Gas <dbl>, Course <chr>, Law <chr>, Economic <chr>,
## # Race <chr>, Region <chr>, EMO1 <dbl>, EMO2 <dbl>, EMO3 <dbl>, EMO4 <dbl>,
## # EMO5 <dbl>, GOAL1 <chr>, GOAL2 <chr>, GOAL3 <chr>, Pre_STAT1 <dbl>, …tail(datosCompleto, 2) #D) Solo las últimas 2 observaciones ## # A tibble: 2 × 66
## Observation ID Gender Like Age Smoke Height Weight BMI School SES
## <dbl> <chr> <chr> <chr> <dbl> <chr> <dbl> <dbl> <dbl> <chr> <chr>
## 1 799 AC31201… Female TV NA No 1.76 73 23.6 Priva… Low
## 2 800 AC31201… Male TV 16.6 No 1.62 70 26.7 Priva… <NA>
## # ℹ 55 more variables: Enrollment <chr>, Score <dbl>, MotherHeight <chr>,
## # MotherAge <dbl>, MotherCHD <dbl>, FatherHeight <chr>, FatherAge <dbl>,
## # FatherCHD <dbl>, Status <chr>, SemAcum <dbl>, Exam1 <dbl>, Exam2 <dbl>,
## # Exam3 <dbl>, Exam4 <dbl>, ExamAcum <dbl>, Definitive <dbl>, Expense <dbl>,
## # Income <dbl>, Gas <dbl>, Course <chr>, Law <chr>, Economic <chr>,
## # Race <chr>, Region <chr>, EMO1 <dbl>, EMO2 <dbl>, EMO3 <dbl>, EMO4 <dbl>,
## # EMO5 <dbl>, GOAL1 <chr>, GOAL2 <chr>, GOAL3 <chr>, Pre_STAT1 <dbl>, …Salida obtenida: Dos tablas impresas en consola: la primera exhibe
las últimas 6 filas (de la 795 a la 800) y la segunda muestra únicamente
las últimas 2 observaciones (filas 799 y 800).
Interpretación: El comando tail() confirma la dimensión final del
dataset (N = 800). Se verifica que los últimos registros contienen la
información completa en sus variables, validando la consistencia del
archivo desde el inicio hasta la última fila almacenada.
Explorar la Estructura de los Datos
str(datosCompleto) #A) Estructura de los datos## tibble [800 × 66] (S3: tbl_df/tbl/data.frame)
## $ Observation : num [1:800] 1 2 3 4 5 6 7 8 9 10 ...
## $ ID : chr [1:800] "SB11201910010435" "SB11201910004475" "SB11201910011427" "SB11201910041975" ...
## $ Gender : chr [1:800] "Female" "Male" "Male" "Male" ...
## $ Like : chr [1:800] "TV" "Network" "Network" "TV" ...
## $ Age : num [1:800] 21.4 21.1 20.9 18.4 16.6 ...
## $ Smoke : chr [1:800] "No" "Yes" "Yes" "Yes" ...
## $ Height : num [1:800] 1.58 1.6 1.5 1.53 1.78 1.65 1.73 1.53 1.64 1.52 ...
## $ Weight : num [1:800] 75 80 64 49 82 80 90 55 50 78 ...
## $ BMI : num [1:800] 30 31.2 28.4 20.9 25.9 ...
## $ School : chr [1:800] "Private" "Public" "Private" "Public" ...
## $ SES : chr [1:800] "Medium" "High" "High" "Low" ...
## $ Enrollment : chr [1:800] "Credit" "Scholarship" "Scholarship" "Credit" ...
## $ Score : num [1:800] 81 78 77 70 68 65 54 50 36 35 ...
## $ MotherHeight: chr [1:800] "Short_M" "Normal_M" "Normal_M" "Tall_M" ...
## $ MotherAge : num [1:800] 41 45 45 45 46 46 47 48 48 48 ...
## $ MotherCHD : num [1:800] 0 0 0 0 1 0 0 0 0 1 ...
## $ FatherHeight: chr [1:800] "Normal_F" "Short_F" "Tall_F" "Short_F" ...
## $ FatherAge : num [1:800] 40 43 44 45 45 46 46 48 48 49 ...
## $ FatherCHD : num [1:800] 1 1 1 2 1 1 1 1 1 1 ...
## $ Status : chr [1:800] "Distinguished" "Distinguished" "Distinguished" "Regular" ...
## $ SemAcum : num [1:800] 4.25 2.8 4.15 3.2 3.45 2.75 2.7 4.35 4.3 2.8 ...
## $ Exam1 : num [1:800] 1.5 2.3 3.4 2.5 3.1 3.8 5 4 2.5 2.4 ...
## $ Exam2 : num [1:800] 5 4.9 3.6 4.2 3.5 4.4 3 2.3 3.3 2.6 ...
## $ Exam3 : num [1:800] 5 3.7 2 5 5 4.2 3.5 4.6 3.8 4.3 ...
## $ Exam4 : num [1:800] 4.5 3.3 1.9 2.5 3 5 3.6 4.3 1.9 5 ...
## $ ExamAcum : num [1:800] 16 14.2 10.9 14.2 14.6 17.4 15.1 15.2 11.5 14.3 ...
## $ Definitive : num [1:800] 4 3.55 2.73 3.55 3.65 ...
## $ Expense : num [1:800] 48.9 72.1 85.2 56.6 64.6 63 40.8 65.4 37.3 63 ...
## $ Income : num [1:800] 1.61 2.07 2.84 1.55 2.32 2.1 1.69 2.18 1.71 2.1 ...
## $ Gas : num [1:800] 27.4 24.2 22.3 23.1 27.3 ...
## $ Course : chr [1:800] "Face-to-Face" "Virtual" "Face-to-Face" "Virtual" ...
## $ Law : chr [1:800] "Agree" "Agree" "Agree" "Agree" ...
## $ Economic : chr [1:800] "Regular" "Good" "Regular" "Bad" ...
## $ Race : chr [1:800] "Ethnic" "Ethnic" "Ethnic" "Ethnic" ...
## $ Region : chr [1:800] "North" "Center" "North" "Center" ...
## $ EMO1 : num [1:800] 1 4 3 4 2 3 2 3 4 2 ...
## $ EMO2 : num [1:800] 2 4 1 2 1 1 4 1 2 2 ...
## $ EMO3 : num [1:800] 2 1 3 3 2 4 2 4 3 3 ...
## $ EMO4 : num [1:800] 1 2 3 1 4 2 3 2 1 1 ...
## $ EMO5 : num [1:800] 4 1 2 2 2 2 1 1 2 2 ...
## $ GOAL1 : chr [1:800] "Strongly agree" "Undecided" "Agree" "Agree" ...
## $ GOAL2 : chr [1:800] "Agree" "Disagree" "Disagree" "Undecided" ...
## $ GOAL3 : chr [1:800] "Strongly agree" "Disagree" "Agree" "Strongly agree" ...
## $ Pre_STAT1 : num [1:800] 2 1 5 4 1 4 4 2 2 2 ...
## $ Pre_STAT2 : num [1:800] 4 1 1 3 4 1 2 3 3 5 ...
## $ Pre_STAT3 : num [1:800] 2 1 3 1 1 5 4 3 3 2 ...
## $ Pre_STAT4 : num [1:800] 5 1 1 2 2 3 2 3 2 4 ...
## $ Post_STAT1 : num [1:800] 4 5 5 3 5 2 3 3 2 5 ...
## $ Post_STAT2 : num [1:800] 5 1 2 2 3 3 2 3 2 3 ...
## $ Post_STAT3 : num [1:800] 2 3 3 4 3 5 5 4 5 4 ...
## $ Post_STAT4 : num [1:800] 2 3 3 5 4 4 3 5 5 1 ...
## $ Pre_IDARE1 : chr [1:800] "Quite a bit" "Quite a bit" "Quite a bit" "Little" ...
## $ Pre_IDARE2 : chr [1:800] "Little" "Little" "Little" "Nothing" ...
## $ Pre_IDARE3 : chr [1:800] "Quite a bit" "A lot" "Quite a bit" "Quite a bit" ...
## $ Pre_IDARE4 : chr [1:800] "Quite a bit" "Nothing" "Quite a bit" "Quite a bit" ...
## $ Pre_IDARE5 : chr [1:800] "Little" "Quite a bit" "Little" "Nothing" ...
## $ Post_IDARE1 : chr [1:800] "A lot" "A little" "Nothing" "Quite a bit" ...
## $ Post_IDARE2 : chr [1:800] "A lot" "Nothing" "Quite a bit" "A little" ...
## $ Post_IDARE3 : chr [1:800] "A little" "Quite a bit" "Nothing" "A lot" ...
## $ Post_IDARE4 : chr [1:800] "Quite a bit" "A lot" "Nothing" "Quite a bit" ...
## $ Post_IDARE5 : chr [1:800] "A lot" "Quite a bit" "Nothing" "A lot" ...
## $ PSICO1 : chr [1:800] "Frequently" "Frequently" "Sometimes" "Almost always" ...
## $ PSICO2 : chr [1:800] "Almost always" "Sometimes" "Sometimes" "Frequently" ...
## $ PSICO3 : chr [1:800] "Frequently" "Sometimes" "Sometimes" "Frequently" ...
## $ PSICO4 : chr [1:800] "Almost always" "Frequently" "Frequently" "Almost never" ...
## $ PSICO5 : chr [1:800] "Almost always" "Frequently" "Sometimes" "Sometimes" ...Salida obtenida: Un Desglose completo de las observaciones (filas),
variables (columnas) y la especificación del tipo de dato (num para
cuantitativo continuo, chr para cadenas de texto o factor para
categórico).
Interpretación: La función revela que el conjunto de datos posee N
observaciones y k variables. Se identifica la necesidad de redefinir
variables de texto (como el sexo o hábitos de fumar) a tipo factor
mediante la función as.factor(), permitiendo que R ejecute correctamente
cálculos de frecuencias y no genere errores de compatibilidad en
gráficos.
names(datosCompleto) #A) Muestra los nombres de las columnas (variables).## [1] "Observation" "ID" "Gender" "Like" "Age"
## [6] "Smoke" "Height" "Weight" "BMI" "School"
## [11] "SES" "Enrollment" "Score" "MotherHeight" "MotherAge"
## [16] "MotherCHD" "FatherHeight" "FatherAge" "FatherCHD" "Status"
## [21] "SemAcum" "Exam1" "Exam2" "Exam3" "Exam4"
## [26] "ExamAcum" "Definitive" "Expense" "Income" "Gas"
## [31] "Course" "Law" "Economic" "Race" "Region"
## [36] "EMO1" "EMO2" "EMO3" "EMO4" "EMO5"
## [41] "GOAL1" "GOAL2" "GOAL3" "Pre_STAT1" "Pre_STAT2"
## [46] "Pre_STAT3" "Pre_STAT4" "Post_STAT1" "Post_STAT2" "Post_STAT3"
## [51] "Post_STAT4" "Pre_IDARE1" "Pre_IDARE2" "Pre_IDARE3" "Pre_IDARE4"
## [56] "Pre_IDARE5" "Post_IDARE1" "Post_IDARE2" "Post_IDARE3" "Post_IDARE4"
## [61] "Post_IDARE5" "PSICO1" "PSICO2" "PSICO3" "PSICO4"
## [66] "PSICO5"Nombres de las variables y dimensiones del objeto
Objetivo: Inspeccionar la estructura del objeto de datos (datosCompleto) para identificar los nombres de las variables disponibles, la cantidad total de columnas y el número de filas registradas
length(datosCompleto) #A) Revisando número de variables del objeto## [1] 66dim(datosCompleto) #B Muestra las dimensiones del objeto.## [1] 800 66ncol(datosCompleto) #C) Muestra el número de columnas del objeto.## [1] 66nrow(datosCompleto) #D) Muestra el número de filas del objeto.## [1] 800Interpretación: La base de datos consta de 800 observaciones (filas) y 66 variables (columnas). Las funciones length y ncol confirman la misma cantidad de atributos de análisis, mientras que dim permite verificar rápidamente la forma matricial completa del conjunto de datos.
Filtrar
Se usan técnicas de selección de subconjuntos matriciales utilizando la sintaxis de corchetes [filas, columnas]. El objetivo es aislar una submuestra específica definida por las primeras 10 observaciones (filas 1:10) y las variables ubicadas de la columna 2 a la 7 (2:7), creando el objeto muestra1.
Muestra1 <- datosCompleto[1:10,2:7] # A) Un nuevo data frame
Muestra1## # A tibble: 10 × 6
## ID Gender Like Age Smoke Height
## <chr> <chr> <chr> <dbl> <chr> <dbl>
## 1 SB11201910010435 Female TV 21.4 No 1.58
## 2 SB11201910004475 Male Network 21.1 Yes 1.6
## 3 SB11201910011427 Male Network 20.9 Yes 1.5
## 4 SB11201910041975 Male TV 18.4 Yes 1.53
## 5 SB11201910013623 Female TV 16.6 Yes 1.78
## 6 SB11201910038122 Female Network 16.0 No 1.65
## 7 SB11201910037905 Female TV 19.3 Yes 1.73
## 8 SB11201910038140 Female TV 18.6 Yes 1.53
## 9 SB11201910038005 Female TV 17.0 Yes 1.64
## 10 SB11201910037919 Male TV 19.7 Yes 1.52str(datosCompleto) #A) Estructura de los datos## tibble [800 × 66] (S3: tbl_df/tbl/data.frame)
## $ Observation : num [1:800] 1 2 3 4 5 6 7 8 9 10 ...
## $ ID : chr [1:800] "SB11201910010435" "SB11201910004475" "SB11201910011427" "SB11201910041975" ...
## $ Gender : chr [1:800] "Female" "Male" "Male" "Male" ...
## $ Like : chr [1:800] "TV" "Network" "Network" "TV" ...
## $ Age : num [1:800] 21.4 21.1 20.9 18.4 16.6 ...
## $ Smoke : chr [1:800] "No" "Yes" "Yes" "Yes" ...
## $ Height : num [1:800] 1.58 1.6 1.5 1.53 1.78 1.65 1.73 1.53 1.64 1.52 ...
## $ Weight : num [1:800] 75 80 64 49 82 80 90 55 50 78 ...
## $ BMI : num [1:800] 30 31.2 28.4 20.9 25.9 ...
## $ School : chr [1:800] "Private" "Public" "Private" "Public" ...
## $ SES : chr [1:800] "Medium" "High" "High" "Low" ...
## $ Enrollment : chr [1:800] "Credit" "Scholarship" "Scholarship" "Credit" ...
## $ Score : num [1:800] 81 78 77 70 68 65 54 50 36 35 ...
## $ MotherHeight: chr [1:800] "Short_M" "Normal_M" "Normal_M" "Tall_M" ...
## $ MotherAge : num [1:800] 41 45 45 45 46 46 47 48 48 48 ...
## $ MotherCHD : num [1:800] 0 0 0 0 1 0 0 0 0 1 ...
## $ FatherHeight: chr [1:800] "Normal_F" "Short_F" "Tall_F" "Short_F" ...
## $ FatherAge : num [1:800] 40 43 44 45 45 46 46 48 48 49 ...
## $ FatherCHD : num [1:800] 1 1 1 2 1 1 1 1 1 1 ...
## $ Status : chr [1:800] "Distinguished" "Distinguished" "Distinguished" "Regular" ...
## $ SemAcum : num [1:800] 4.25 2.8 4.15 3.2 3.45 2.75 2.7 4.35 4.3 2.8 ...
## $ Exam1 : num [1:800] 1.5 2.3 3.4 2.5 3.1 3.8 5 4 2.5 2.4 ...
## $ Exam2 : num [1:800] 5 4.9 3.6 4.2 3.5 4.4 3 2.3 3.3 2.6 ...
## $ Exam3 : num [1:800] 5 3.7 2 5 5 4.2 3.5 4.6 3.8 4.3 ...
## $ Exam4 : num [1:800] 4.5 3.3 1.9 2.5 3 5 3.6 4.3 1.9 5 ...
## $ ExamAcum : num [1:800] 16 14.2 10.9 14.2 14.6 17.4 15.1 15.2 11.5 14.3 ...
## $ Definitive : num [1:800] 4 3.55 2.73 3.55 3.65 ...
## $ Expense : num [1:800] 48.9 72.1 85.2 56.6 64.6 63 40.8 65.4 37.3 63 ...
## $ Income : num [1:800] 1.61 2.07 2.84 1.55 2.32 2.1 1.69 2.18 1.71 2.1 ...
## $ Gas : num [1:800] 27.4 24.2 22.3 23.1 27.3 ...
## $ Course : chr [1:800] "Face-to-Face" "Virtual" "Face-to-Face" "Virtual" ...
## $ Law : chr [1:800] "Agree" "Agree" "Agree" "Agree" ...
## $ Economic : chr [1:800] "Regular" "Good" "Regular" "Bad" ...
## $ Race : chr [1:800] "Ethnic" "Ethnic" "Ethnic" "Ethnic" ...
## $ Region : chr [1:800] "North" "Center" "North" "Center" ...
## $ EMO1 : num [1:800] 1 4 3 4 2 3 2 3 4 2 ...
## $ EMO2 : num [1:800] 2 4 1 2 1 1 4 1 2 2 ...
## $ EMO3 : num [1:800] 2 1 3 3 2 4 2 4 3 3 ...
## $ EMO4 : num [1:800] 1 2 3 1 4 2 3 2 1 1 ...
## $ EMO5 : num [1:800] 4 1 2 2 2 2 1 1 2 2 ...
## $ GOAL1 : chr [1:800] "Strongly agree" "Undecided" "Agree" "Agree" ...
## $ GOAL2 : chr [1:800] "Agree" "Disagree" "Disagree" "Undecided" ...
## $ GOAL3 : chr [1:800] "Strongly agree" "Disagree" "Agree" "Strongly agree" ...
## $ Pre_STAT1 : num [1:800] 2 1 5 4 1 4 4 2 2 2 ...
## $ Pre_STAT2 : num [1:800] 4 1 1 3 4 1 2 3 3 5 ...
## $ Pre_STAT3 : num [1:800] 2 1 3 1 1 5 4 3 3 2 ...
## $ Pre_STAT4 : num [1:800] 5 1 1 2 2 3 2 3 2 4 ...
## $ Post_STAT1 : num [1:800] 4 5 5 3 5 2 3 3 2 5 ...
## $ Post_STAT2 : num [1:800] 5 1 2 2 3 3 2 3 2 3 ...
## $ Post_STAT3 : num [1:800] 2 3 3 4 3 5 5 4 5 4 ...
## $ Post_STAT4 : num [1:800] 2 3 3 5 4 4 3 5 5 1 ...
## $ Pre_IDARE1 : chr [1:800] "Quite a bit" "Quite a bit" "Quite a bit" "Little" ...
## $ Pre_IDARE2 : chr [1:800] "Little" "Little" "Little" "Nothing" ...
## $ Pre_IDARE3 : chr [1:800] "Quite a bit" "A lot" "Quite a bit" "Quite a bit" ...
## $ Pre_IDARE4 : chr [1:800] "Quite a bit" "Nothing" "Quite a bit" "Quite a bit" ...
## $ Pre_IDARE5 : chr [1:800] "Little" "Quite a bit" "Little" "Nothing" ...
## $ Post_IDARE1 : chr [1:800] "A lot" "A little" "Nothing" "Quite a bit" ...
## $ Post_IDARE2 : chr [1:800] "A lot" "Nothing" "Quite a bit" "A little" ...
## $ Post_IDARE3 : chr [1:800] "A little" "Quite a bit" "Nothing" "A lot" ...
## $ Post_IDARE4 : chr [1:800] "Quite a bit" "A lot" "Nothing" "Quite a bit" ...
## $ Post_IDARE5 : chr [1:800] "A lot" "Quite a bit" "Nothing" "A lot" ...
## $ PSICO1 : chr [1:800] "Frequently" "Frequently" "Sometimes" "Almost always" ...
## $ PSICO2 : chr [1:800] "Almost always" "Sometimes" "Sometimes" "Frequently" ...
## $ PSICO3 : chr [1:800] "Frequently" "Sometimes" "Sometimes" "Frequently" ...
## $ PSICO4 : chr [1:800] "Almost always" "Frequently" "Frequently" "Almost never" ...
## $ PSICO5 : chr [1:800] "Almost always" "Frequently" "Sometimes" "Sometimes" ...Salida obtenida: Una tabla reducida impresa en consola que exhibe únicamente 10 filas de registros y 6 columnas de variables seleccionadas. Interpretación: El uso del operador coma dentro del corchete segmentó la matriz original. Se extrajo exitosamente una submuestra acotada a n = 10 individuos reteniendo las 6 variables situadas entre las posiciones 2 y 7. Esto agiliza la inspección preliminar de los datos en consola sin sobrecargar la pantalla con las N observaciones totales
Asignación y conversión de tipos de datos
Objetivo del análisis: Definir y estructurar correctamente las variables dentro del entorno de trabajo, verificando su naturaleza (numérica o categórica) y convirtiendo variables cualitativas a tipo factor para su correcto procesamiento estadístico.
Estatura <- datosCompleto$Height #B) Si es tipo caracter, es correcto)
Edad <- datosCompleto$Age #C) Si es tipo caracter, es incorrecto (ver ejemplo 4)
Sexo <- datosCompleto$Gender #D) Si es tipo caracter, es incorrecto (ver ejemplo 5)P1 <- datosCompleto$Exam1 #E) Numérica
P2 <- datosCompleto$Exam2 #F) Numérica
Edad <- datosCompleto$Age #G) NuméricaSexo <- as.factor(Sexo) #H) Convirtiendo a factor
class(Sexo) #I) Sale: "factor"## [1] "factor"str(Sexo) #J) Sale: Factor w/ 2 levels "Female","Masculino": 1 2 2 2 1 1 1 1 1 2 ...## Factor w/ 2 levels "Female","Male": 1 2 2 2 1 1 1 1 1 2 ...levels(Sexo) #K) Sale: "Female" "Masculino"## [1] "Female" "Male"Salida obtenida: La consola confirma que la variable Sexo pasa a ser de clase “factor” con 2 niveles (“Female” y “Male”), almacenada internamente con valores numéricos codificados (1 y 2). Interpretación: La extracción manual permite aislar variables para su manipulación directa. Transformar variables cualitativas como Sexo a tipo factor es importate, ya que garantiza que las funciones de graficación y modelado estadístico las interpreten como categorías discretas y no como cadenas de texto planas.
Selección de subconjunto de datos
Objetivo del análisis: Crear un objeto derivado (submuestra de datos) denominado Muestra, extrayendo únicamente un rango específico de observaciones (filas 2 a 200) y reteniendo un conjunto delimitado de variables categóricas y continuas (Age, Height y Gender).
Muestra <- datosCompleto[2:200, c("Age", "Height", "Gender")]Salida obtenida: La ejecución del comando guarda en la memoria de
trabajo de R el objeto Muestra, consistente en un dataframe de 199 filas
y 3 columnas conteniendo únicamente las variables solicitadas.
Interpretación: La notación de corchetes [filas, columnas] permite
realizar un filtrado y selección de datos directos sin recurrir a
paquetes adicionales. El parámetro 2:200 delimita la extracción desde la
segunda hasta la ducentésima observación, mientras que el vector
c(“Age”, “Height”, “Gender”) restringe la estructura resultante a las
columnas especificadas, optimizando el espacio en memoria y facilitando
el análisis bivariado enfocado
Distribución de frecuencia para la variable Edad
Se evalua la distribución de frecuencias absolutas para la variable cuantitativa Edad dentro de la muestra seleccionada (n = 199), con el fin de cuantificar la presencia y dispersión de las edades observadas al categorizar los valores en la tabla de frecuencias
Muestra <- datosCompleto[2:200,]
#A) Definiendo y convirtiendo en factor
Edad <- as.factor(Muestra$Age)
#B) Calcular tabla de frecuencias
Tabla1 <- table(Edad)
Tabla1 ## Edad
## 14.01 16.02 16.04 16.05 16.13 16.19 16.34 16.35 16.37 16.38 16.42 16.43 16.47
## 1 1 2 1 1 1 1 1 1 1 1 1 1
## 16.52 16.59 16.6 16.61 16.63 16.64 16.65 16.67 16.69 16.71 16.73 16.75 16.76
## 2 1 1 1 1 1 1 1 1 1 2 3 1
## 16.77 16.84 16.88 16.89 17.01 17.05 17.15 17.21 17.22 17.23 17.25 17.26 17.32
## 1 1 1 1 2 1 1 2 1 1 1 1 1
## 17.33 17.35 17.41 17.47 17.48 17.49 17.55 17.56 17.58 17.59 17.7 17.75 17.78
## 1 1 1 1 2 1 1 2 1 1 1 1 1
## 17.8 17.83 17.84 17.85 17.88 17.9 17.93 17.95 17.97 17.98 18.03 18.07 18.08
## 1 1 1 1 1 1 2 1 1 1 1 1 1
## 18.09 18.14 18.15 18.16 18.17 18.18 18.19 18.21 18.27 18.36 18.41 18.43 18.51
## 1 1 1 1 2 1 2 1 2 1 2 2 1
## 18.54 18.58 18.6 18.62 18.66 18.72 18.76 18.81 18.84 18.95 18.98 19 19.01
## 1 1 1 1 1 1 1 1 1 1 1 1 1
## 19.02 19.06 19.08 19.09 19.1 19.14 19.17 19.21 19.27 19.32 19.33 19.38 19.41
## 1 1 1 1 1 1 2 1 1 1 1 1 1
## 19.44 19.46 19.48 19.58 19.59 19.62 19.66 19.71 19.79 19.82 19.85 19.86 19.89
## 1 1 1 1 1 2 1 2 1 1 2 1 1
## 19.91 19.93 19.96 20 20.05 20.12 20.17 20.23 20.35 20.39 20.4 20.44 20.46
## 1 1 2 1 1 1 2 1 1 1 1 1 1
## 20.53 20.56 20.6 20.64 20.65 20.66 20.72 20.74 20.75 20.78 20.81 20.82 20.83
## 1 1 1 3 1 1 1 1 2 1 1 1 1
## 20.84 20.85 20.9 20.92 20.93 21.07 21.11 21.15 21.24 21.35 21.36 21.39 21.43
## 1 1 1 1 1 2 1 1 1 1 1 1 1
## 21.48 21.53 21.54 21.56 21.64 21.65 21.71 21.74 21.75 21.78 21.82 21.84 21.85
## 1 1 1 1 1 1 1 1 1 1 1 1 1
## 21.87 21.89 24.91 27.88 29.85
## 1 1 1 1 1Interpretación: Al procesar los 199 registros de la submuestra sin agrupar por intervalos, se observa una elevada dispersión de valores continuos. La edad mínima registrada en la muestra corresponde a 14.01 años (f_i = 1), mientras que la mayor concentración o frecuencia modal puntual se sitúa en 16.75 y 20.64 años, con solo 3 estudiantes en cada uno de estos valores. Debido a la naturaleza continua de la variable, la tabla tabular sin rangos genera repeticiones aisladas (f_i 3), lo que confirma la necesidad técnica de construir intervalos de clase para resumir eficientemente la distribución del grupo.
Distribución de frecuencias para la variable Estatura
Se calcula la tabla de frecuencias absolutas para la variable cuantitativa continua Estatura (Height) sobre n = 199 observaciones, identificando las magnitudes más recurrentes y la dispersión puntual antes del agrupamiento.
#A) Definiendo y convirtiendo en factor
Estatura <- as.factor(Muestra$Height)
#B) Calcular tabla de frecuencias
Tabla2 <- table(Estatura)
Tabla2 ## Estatura
## 1.5 1.52 1.53 1.55 1.56 1.57 1.58 1.59 1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67
## 3 2 8 4 2 4 7 9 12 8 5 7 9 13 8 4
## 1.68 1.69 1.7 1.71 1.72 1.73 1.74 1.75 1.76 1.77 1.78 1.79 1.8 1.81 1.82 1.83
## 6 3 10 4 2 6 4 15 2 5 7 2 8 2 4 2
## 1.84 1.85 1.86 1.87 1.88
## 2 2 4 2 2Interpretación: El análisis tabular de la variable Estatura demuestra que los valores puntuales de mayor prevalencia en los estudiantes son 1.75 m (f_i = 15, correspondiente al 7.54% de la muestra), 1.65 m (f_i = 13; 6.53%) y 1.60 m (f_i = 12; 6.03%). El rango total de estaturas se extiende desde 1.50 m (f_i = 3) hasta 1.88 m (f_i = 2). Se evidencia una acumulación notable de observaciones en el intervalo central entre 1.60 m y 1.75 m, mientras que las alturas superiores a 1.85 m representan únicamente el 5.03 del total evaluado.
Tabla de frecuencias absolutas para variables continuas
Objetivo del análisis: Generar una tabla cruzada de frecuencias entre dos variables continuas (Estatura y Edad) para examinar la distribución conjunta de sus valores observados.
#B) Tabla de frecuencias
Tabla3 <- table(Estatura, Edad)
Tabla3 ## Edad
## Estatura 14.01 16.02 16.04 16.05 16.13 16.19 16.34 16.35 16.37 16.38 16.42
## 1.5 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 1 0 0 0
## 1.6 1 0 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 1 0 0 0 0 0 0 0
## 1.65 0 1 0 0 0 0 0 0 0 0 1
## 1.66 0 0 1 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 1 0
## 1.71 0 0 0 0 0 0 1 0 1 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 1 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 1 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 1 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 16.43 16.47 16.52 16.59 16.6 16.61 16.63 16.64 16.65 16.67 16.69 16.71
## 1.5 0 0 0 0 1 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 1 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 1 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 1 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 1 0
## 1.6 0 0 0 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 1 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 1 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 1 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0 1
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 0 0 0 1 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 1 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 1 0 0 0 0
## 1.79 0 0 0 0 0 0 1 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 16.73 16.75 16.76 16.77 16.84 16.88 16.89 17.01 17.05 17.15 17.21
## 1.5 0 0 0 0 0 0 0 0 0 0 0
## 1.52 1 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 1 0 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 0 1 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 1 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 1 0 1 0 0 1
## 1.65 0 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 1 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 1 1 0 0
## 1.71 0 1 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 1 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 1 0 0 0 0 0 0 0 0 0
## 1.75 0 0 1 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0
## 1.84 1 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 1
## 1.86 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 17.22 17.23 17.25 17.26 17.32 17.33 17.35 17.41 17.47 17.48 17.49
## 1.5 0 0 0 0 1 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 1 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 1
## 1.6 0 0 1 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 1 0
## 1.62 0 0 0 0 0 0 0 0 1 0 0
## 1.63 0 0 0 1 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 0 0 0 1 0 0 0 0
## 1.66 1 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 1 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 1 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 1 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 17.55 17.56 17.58 17.59 17.7 17.75 17.78 17.8 17.83 17.84 17.85 17.88
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 1 0 0 0
## 1.64 0 1 0 0 0 0 0 0 0 0 1 0
## 1.65 0 1 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 1 1 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 1 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 1 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 1 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 0
## 1.75 1 0 0 0 0 0 0 1 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 1 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 1
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 17.9 17.93 17.95 17.97 17.98 18.03 18.07 18.08 18.09 18.14 18.15 18.16
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 1 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 1
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 1 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 1 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 0 0 0 0
## 1.61 1 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 1 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 1 0 0 0 0 0
## 1.68 0 0 1 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 1 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 1 0 0 0 0 0 0 1 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 1 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 1 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 18.17 18.18 18.19 18.21 18.27 18.36 18.41 18.43 18.51 18.54 18.58 18.6
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 1 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 1 0
## 1.6 0 0 0 0 0 1 0 0 0 0 0 1
## 1.61 1 0 0 0 1 0 0 0 0 0 0 0
## 1.62 1 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 1 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 1 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 1 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 1 0 0 0 0 0 0 1 0 0
## 1.76 0 0 0 0 0 0 0 1 0 0 0 0
## 1.77 0 0 0 0 0 0 0 1 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 1 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 1 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 1 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 18.62 18.66 18.72 18.76 18.81 18.84 18.95 18.98 19 19.01 19.02 19.06
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 1 0 0 0 1 0 0 0 0 0 0 0
## 1.55 0 0 1 0 0 1 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0 1
## 1.6 0 0 0 0 0 0 1 0 0 0 0 0
## 1.61 0 0 0 1 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 1 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 1 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 1 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 1 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 1 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 19.08 19.09 19.1 19.14 19.17 19.21 19.27 19.32 19.33 19.38 19.41 19.44
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 1 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0 1
## 1.6 0 0 0 0 1 0 0 0 0 1 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 1 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 1 0 0 1 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 1 0 0 0 0
## 1.74 0 0 1 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 0 1 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0 0
## 1.78 1 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 1 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 1 0 0 0
## Edad
## Estatura 19.46 19.48 19.58 19.59 19.62 19.66 19.71 19.79 19.82 19.85 19.86
## 1.5 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 1 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 1 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 1 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 1 0 0 0 1 1
## 1.67 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0
## 1.73 1 0 0 0 0 0 0 0 0 1 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 0 0 1 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 1 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 1 0 1 0 1 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 1 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 19.89 19.91 19.93 19.96 20 20.05 20.12 20.17 20.23 20.35 20.39 20.4
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 1 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 1 0 1 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0 0
## 1.6 0 0 1 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 1 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 1 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 0 1
## 1.66 1 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 1 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 1 0 0 0 1 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 1 0 0 0 0 0
## 1.75 0 0 0 0 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 1 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 1 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 20.44 20.46 20.53 20.56 20.6 20.64 20.65 20.66 20.72 20.74 20.75 20.78
## 1.5 0 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 1 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 1 0 0 0 0 0 0
## 1.6 0 0 0 1 0 1 0 0 0 0 0 0
## 1.61 0 0 1 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 1 0 0 0
## 1.63 1 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 1 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 1 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 1 0 0 0 0 0 1
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 1 0 0 0 0
## 1.79 0 0 0 0 0 0 1 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 1 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 1 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 20.81 20.82 20.83 20.84 20.85 20.9 20.92 20.93 21.07 21.11 21.15 21.24
## 1.5 0 0 0 0 0 0 1 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0 0
## 1.53 1 0 0 0 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 1 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 1 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 1 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 1 0 0 0
## 1.64 0 0 0 0 0 0 0 0 0 0 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 1 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 1 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0 1
## 1.75 0 0 0 0 1 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 1 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 0 0 0
## 1.81 0 0 0 0 0 0 0 1 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 1 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 21.35 21.36 21.39 21.43 21.48 21.53 21.54 21.56 21.64 21.65 21.71
## 1.5 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 1 0 0 0 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 1 0 0 0 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 0 0 0 0 0 1 0 0
## 1.63 0 0 0 0 0 0 0 0 0 0 0
## 1.64 0 0 0 0 0 0 1 0 0 0 0
## 1.65 0 0 0 0 0 0 0 0 0 0 0
## 1.66 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 0 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 1
## 1.73 0 0 0 0 0 0 0 1 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0
## 1.75 1 0 0 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 1 0 0 0 0 0
## 1.77 0 0 0 0 1 0 0 0 0 0 0
## 1.78 0 0 0 1 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 0 0 0 1 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0
## 1.88 0 0 0 0 0 0 0 0 0 0 0
## Edad
## Estatura 21.74 21.75 21.78 21.82 21.84 21.85 21.87 21.89 24.91 27.88 29.85
## 1.5 0 0 0 0 0 0 0 0 0 0 0
## 1.52 0 0 0 0 0 0 0 0 0 0 0
## 1.53 0 0 0 0 0 1 0 0 0 0 0
## 1.55 0 0 0 0 0 0 0 0 0 0 0
## 1.56 0 0 0 0 0 0 0 0 0 0 0
## 1.57 0 0 0 0 0 0 0 0 0 0 0
## 1.58 0 0 0 0 1 0 0 0 0 0 0
## 1.59 0 0 0 0 0 0 0 0 0 0 0
## 1.6 0 0 0 0 0 0 0 0 0 0 0
## 1.61 0 0 0 0 0 0 0 0 0 0 0
## 1.62 0 0 0 1 0 0 0 0 0 0 0
## 1.63 0 0 0 0 0 0 0 0 0 1 0
## 1.64 0 0 0 0 0 0 0 1 0 0 0
## 1.65 0 0 1 0 0 0 0 0 1 0 1
## 1.66 0 0 0 0 0 0 0 0 0 0 0
## 1.67 0 0 0 0 0 0 0 0 0 0 0
## 1.68 0 0 0 0 0 0 0 0 0 0 0
## 1.69 0 1 0 0 0 0 0 0 0 0 0
## 1.7 0 0 0 0 0 0 0 0 0 0 0
## 1.71 0 0 0 0 0 0 0 0 0 0 0
## 1.72 0 0 0 0 0 0 0 0 0 0 0
## 1.73 0 0 0 0 0 0 0 0 0 0 0
## 1.74 0 0 0 0 0 0 0 0 0 0 0
## 1.75 0 0 0 0 0 0 0 0 0 0 0
## 1.76 0 0 0 0 0 0 0 0 0 0 0
## 1.77 0 0 0 0 0 0 0 0 0 0 0
## 1.78 0 0 0 0 0 0 0 0 0 0 0
## 1.79 0 0 0 0 0 0 0 0 0 0 0
## 1.8 0 0 0 0 0 0 1 0 0 0 0
## 1.81 0 0 0 0 0 0 0 0 0 0 0
## 1.82 0 0 0 0 0 0 0 0 0 0 0
## 1.83 0 0 0 0 0 0 0 0 0 0 0
## 1.84 0 0 0 0 0 0 0 0 0 0 0
## 1.85 0 0 0 0 0 0 0 0 0 0 0
## 1.86 0 0 0 0 0 0 0 0 0 0 0
## 1.87 0 0 0 0 0 0 0 0 0 0 0
## 1.88 1 0 0 0 0 0 0 0 0 0 0Salida obtenida: Una matriz extensa de frecuencias que cruza cada valor único observado de Estatura con los valores de Edad, mostrando en su mayoría valores de 0 o 1 en las celdas. Interpretación: Dado que Estatura es una variable cuantitativa continua con un alto grado de precisión decimal, la función table() produce una matriz dispersa y poco legible. Este resultado evidencia la necesidad de agrupar los datos continuos en intervalos de clase (bins) antes de intentar resúmenes tabulares o representaciones gráficas.
Análisis univariado por rangos de estatura
Categorizamos la variable continua Estatura en cuatro intervalos agrupados de 10 cm mediante la función cut() y representar gráficamente la distribución de frecuencias absolutas con ggplot2 para evaluar la forma de la distribución del grupo estudiado.
Muestra$Rango_Estatura <- cut(Muestra$Height,
breaks = c(1.50, 1.60, 1.70, 1.80, 1.90),
labels = c("1.50 - 1.59 m", "1.60 - 1.69 m", "1.70 - 1.79 m", "1.80 - 1.90 m"))Interpretación: Al agrupar la variable en rangos definidos, la categoría modal corresponde al intervalo de 1.60 a 1.69 m con 73 estudiantes, lo que equivale al 36.68 del total muestral (n = 199). Le sigue el rango de 1.70 a 1.79 m con 55 alumnos (27.64) y el grupo de 1.50 a 1.59 m con 48 alumnos (24.12). La categoría de mayor estatura (1.80 a 1.90 m) agrupa únicamente a 20 estudiantes (10.05), mientras que 3 casos (1.51) corresponden a valores faltantes (NA).Estos resultados demuestran cuantitativamente que el 64.32 del colectivo analizado se sitúa en una estatura intermedia (entre $1.60 m y 1.79 m), reflejando un comportamiento acampanado y simétrico característico de las variables antropométricas en poblaciones universales.
Análisis bivariado: Estatura según el Sexo
Se Compararon la distribución del rango de estatura agrupado segmentando por la variable categórica Sexo (Gender), mediante un diagrama de barras agrupadas bivariado, para identificar diferencias antropométricas según el género de los estudiantes.
ggplot(Muestra, aes(x = Rango_Estatura)) +
geom_bar(width = 0.5, colour = "skyblue", fill = "skyblue") +
labs(x = "Rango de Estatura", y = "Frecuencia") +
ylim(c(0, 100)) +
ggtitle("Diagrama de barras") +
theme_bw(base_size = 12) +
geom_text(aes(label = ..count..), stat = 'count',
vjust = -0.5,
size = 5.0) +
facet_wrap(~"Variable Estatura por Rangos")## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Interpretación: El análisis bivariado permite comprobar la distribución
relativa entre géneros a lo largo de los rangos de estatura. En el
intervalo modal global (1.60 a 1.69 m), se registra un predominio del
grupo femenino con 40 mujeres frente a 33 hombres. En el rango inferior
(1.50 a 1.59 m), los hombres superan a las mujeres con 27 registros
(56.25 del rango) frente a 21 mujeres (43.75).En las categorías
superiores (1.70 a 1.79 m y 1.80 a 1.90 m), el grupo femenino mantiene
recuentos de 31 y 13 estudiantes respectivamente, mientras que el grupo
masculino registra 24 y 7 estudiantes. Estos hallazgos demuestran que la
variabilidad en la estatura afecta a ambos sexos en la muestra,
concentrándose el 66.35 del total de las mujeres (71 de 107) y el 61.95
de los hombres (57 de 92) en las estaturas intermedias comprendidas
entre 1.60 m y 1.79 m.
Agrupación por intervalos y gráfico bivariado
Objetivo del análisis: Categorizar la variable continua de estatura en rangos o intervalos predefinidos mediante cut() y representar su distribución por sexo mediante un gráfico de barras comparativo (ggplot2).
Muestra$Sexo <- as.factor(Muestra$Gender)
Muestra$Rango_Estatura <- cut(Muestra$Height,
breaks = c(1.50, 1.60, 1.70, 1.80, 1.90),
labels = c("1.50-1.59m", "1.60-1.69m", "1.70-1.79m", "1.80-1.90m"))Salida obtenida: Un diagrama de barras agrupadas por color (por sexo) que presenta las frecuencias absolutas sobre cada barra para los cuatro rangos definidos, además de una categoría NA para los datos faltantes o fuera de rango. Interpretación: La discretización de la estatura resolvió la dispersión de los datos continuos. El gráfico revela que el rango con mayor concentración de personas (moda) es 1.60-1.69m (40 mujeres y 33 hombres), y se aprecia una tendencia en la que los hombres presentan mayor proporción relativa en las estaturas más altas (1.80-1.90m).
Generación de gráfico bivariado de barras (Estatura por Sexo)
Objetivo del análisis: Construir un diagrama de barras agrupadas (dodged bar plot) utilizando ggplot2 para visualizar gráficamente la distribución conjunta de las frecuencias absolutas entre las categorías de estatura (Rango_Estatura) y la variable de sexo (Sexo).
# B) Gráfico bivariado
ggplot(Muestra, aes(x = Rango_Estatura, fill = Sexo)) +
geom_bar(position = "dodge", colour = "purple") +
labs(x = "Rango de Estatura", y = "Frecuencia", fill = "Sexo") +
ylim(c(0, 60)) +
ggtitle("Diagrama de barras: Estatura por Sexo") +
theme_bw(base_size = 12) +
geom_text(aes(label = ..count..),
stat = 'count',
position = position_dodge(0.9),
vjust = -0.5,
size = 4.0)
Salida obtenida: Un gráfico de barras bivariado con fondo blanco
(theme_bw), bordes morados y etiquetas numéricas sobre cada barra que
especifican la cantidad de observaciones por grupo: 1.50-1.59m: 21
mujeres (Female) y 27 hombres (Male). 1.60-1.69m: 40 mujeres (Female) y
33 hombres (Male). 1.70-1.79m: 31 mujeres (Female) y 24 hombres (Male).
1.80-1.90m: 13 mujeres (Female) y 7 hombres (Male). NA (Faltante): 2
mujeres (Female) y 1 hombre (Male). Interpretación: La función
geom_bar(position = “dodge”) coloca las barras de cada categoría de sexo
lado a lado para facilitar la comparación entre grupos. La capa
geom_text añade etiquetas numéricas directas para evitar la ambigüedad
en la lectura de las alturas de las barras. Se evidencia que la mayor
concentración de individuos de ambos sexos se ubica en el intervalo de
1.60-1.69m, mientras que los valores faltantes (NA) o estaturas extremas
representan la menor proporción del conjunto de datos.
Resumen de frecuencias y porcentajes por grupo con dplyr
Objetivo del análisis: Agrupar los datos por rangos de estatura y sexo mediante operaciones en cadena con dplyr para calcular las frecuencias totales y sus correspondientes proporciones o porcentajes.
Tabla <- Muestra %>%
dplyr::group_by(Rango_Estatura, Sexo) %>%
dplyr::summarise(Total = n(), .groups = "drop_last") %>%
dplyr::mutate(Porcentaje = round(Total / sum(Total) * 200, 2)) %>%
dplyr::arrange(Rango_Estatura)
Tabla## # A tibble: 10 × 4
## # Groups: Rango_Estatura [5]
## Rango_Estatura Sexo Total Porcentaje
## <fct> <fct> <int> <dbl>
## 1 1.50-1.59m Female 21 87.5
## 2 1.50-1.59m Male 27 112.
## 3 1.60-1.69m Female 40 110.
## 4 1.60-1.69m Male 33 90.4
## 5 1.70-1.79m Female 31 113.
## 6 1.70-1.79m Male 24 87.3
## 7 1.80-1.90m Female 13 130
## 8 1.80-1.90m Male 7 70
## 9 <NA> Female 2 133.
## 10 <NA> Male 1 66.7Salida obtenida: Un tibble de 10 filas y 4 columnas (Rango_Estatura, Sexo, Total, Porcentaje) con los recuentos absolutos y sus porcentajes relativos por grupo. Interpretación: El flujo de trabajo con dplyr estructura los resultados en una tabla consolidada limpia. Permite cuantificar con precisión la distribución observada en el gráfico anterior; por ejemplo, dentro del rango 1.60-1.69m, se confirman 40 observaciones femeninas y 33 masculinas con sus respectivos porcentajes calculados sobre el grupo.
Extracción de submuestras y conversión a datos numéricos
Objetivo del análisis: Extraer subconjuntos de datos (filas de rangos específicos) para la variable Exam2 e imponer su conversión a tipo numérico con as.numeric().
Muestra2 <- datosCompleto[2:200,]
x <- as.numeric(Muestra2$Exam2) # A) Convirtiendo la variable a numérica
x## [1] 4.9 3.6 4.2 3.5 4.4 3.0 2.3 3.3 2.6 4.0 2.3 4.1 2.3 2.3 2.3 2.4 2.0 1.8
## [19] 3.5 4.3 5.0 5.0 4.7 3.0 4.7 3.8 3.0 3.0 3.9 2.0 2.9 3.4 1.5 1.6 3.1 3.2
## [37] 3.5 3.4 1.7 3.1 3.0 3.0 5.0 2.5 4.7 1.8 4.0 4.1 4.3 5.0 4.7 3.2 2.8 2.8
## [55] 4.7 3.3 4.4 3.8 3.4 4.2 5.0 3.8 4.4 4.0 2.6 4.2 4.7 3.5 4.2 3.1 2.5 4.2
## [73] 3.3 2.7 3.5 3.6 4.1 1.7 3.5 1.7 2.4 3.0 2.2 2.7 1.5 2.5 1.6 2.2 2.3 2.3
## [91] 5.0 4.5 2.7 2.2 4.3 1.0 3.3 3.2 4.3 3.3 3.0 2.0 3.7 3.7 3.7 3.7 3.5 3.0
## [109] 2.5 3.6 3.3 4.2 4.4 5.0 2.7 2.7 4.1 3.3 1.0 2.7 3.0 3.2 4.5 3.0 2.7 2.7
## [127] 2.6 2.5 3.8 3.8 4.8 2.2 2.8 1.0 2.9 2.0 4.0 3.5 1.3 2.7 4.0 3.5 2.7 1.7
## [145] 4.8 1.0 4.5 2.3 3.1 5.0 5.0 3.5 4.2 5.0 4.0 3.5 4.3 1.8 4.3 4.3 4.3 2.3
## [163] 4.4 3.1 2.7 5.0 2.0 2.6 3.8 1.3 4.3 3.4 2.0 3.6 2.6 3.8 4.7 4.0 1.8 3.0
## [181] 3.7 2.6 4.4 2.0 3.3 2.4 2.6 2.0 1.6 3.6 4.0 4.7 3.0 4.6 3.3 3.1 4.1 4.8
## [199] 3.5Muestra3 <- datosCompleto[600:900,]
y <- as.numeric(Muestra3$Exam2)
y## [1] 1.55 1.60 2.90 3.15 2.75 4.55 4.05 1.95 4.40 2.20 3.75 3.25 1.90 4.40 4.30
## [16] 1.55 1.75 2.65 2.85 2.60 4.55 2.70 1.15 3.90 3.30 1.05 4.80 1.20 1.15 3.15
## [31] 3.85 1.50 5.00 1.85 2.85 4.65 2.15 2.95 3.15 1.15 4.75 1.25 1.55 3.90 1.85
## [46] 2.25 1.45 3.05 3.20 2.60 4.25 2.70 3.00 3.45 3.05 2.60 4.10 4.30 3.20 1.70
## [61] 1.70 3.90 3.75 4.90 2.30 2.95 3.00 2.45 3.35 1.15 5.00 4.70 4.80 4.35 4.40
## [76] 2.55 1.00 5.00 4.90 3.25 4.10 1.85 2.15 3.35 1.05 3.35 2.95 2.10 1.40 2.30
## [91] 3.25 1.80 1.65 1.15 2.50 4.40 1.95 1.55 4.70 2.05 1.65 4.40 4.90 4.65 1.20
## [106] 2.30 1.70 3.95 4.10 3.90 2.10 1.05 4.30 1.65 1.20 3.75 4.95 3.80 2.05 4.10
## [121] 4.75 3.15 3.60 3.95 2.10 1.60 2.65 2.55 3.30 2.65 2.65 3.50 2.50 2.40 2.50
## [136] 1.00 2.50 2.85 1.35 2.90 1.55 3.30 2.70 1.25 1.75 4.60 2.55 2.20 4.90 3.45
## [151] 2.20 2.90 1.75 3.35 1.35 2.25 4.40 4.00 1.35 1.55 3.90 3.00 3.90 1.20 2.05
## [166] 1.00 4.45 2.25 1.25 2.85 2.80 2.15 4.65 4.45 3.05 4.70 3.40 3.75 4.25 2.70
## [181] 3.20 2.60 1.75 2.65 4.20 3.20 1.65 1.40 3.20 3.20 2.45 4.55 2.10 2.65 4.00
## [196] 4.75 NA 3.95 1.70 4.40 2.55 NA NA NA NA NA NA NA NA NA
## [211] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [226] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [241] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [256] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [271] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [286] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [301] NASalida obtenida: Un vector x impreso en consola con 199 valores numéricos correspondientes a las notas del examen, otro vector impreso en consola que muestra valores numéricos en los primeros índices y una secuencia repetida de valores faltantes (NA) hacia el final. Interpretación: La extracción mediante índices de fila aisló adecuadamente los fragmentos de la base. El vector y arroja valores NA porque la muestra solicitada (600:900) excede el límite total de 800 filas registradas en la base original, lo que genera registros vacíos que se convierten automáticamente en datos faltantes.
Conclusiones
Bibliografía
Fukami, M., Ogata, T., & Hattori, A. (2025). Why are men taller than women?: Genetic and hormonal factors involved in sex differences in human height. Journal of Human Genetics, 70, 609–610. https://doi.org/10.1038/s10038-025-01384-4
Lui, J. C., Palmer, A. C., & Christian, P. (2024). Nutrition, other environmental influences, and genetics in the determination of human stature. Annual Review of Nutrition, 44, 205–229. https://doi.org/10.1146/annurev-nutr-061121-091112
NCD Risk Factor Collaboration (NCD-RisC). (2016). A century of trends in adult human height. eLife, 5, e13410. https://doi.org/10.7554/eLife.13410
Silventoinen, K. (2003). Determinants of variation in adult body height. Journal of Biosocial Science, 35(2), 263–285. https://doi.org/10.1017/S0021932003002633
Silventoinen, K., Sammalisto, S., Perola, M., Boomsma, D. I., Cornes, B. K., Davis, C., Dunkel, L., de Lange, M., Harris, J. R., Hjelmborg, J. V. B., Luciano, M., Martin, N. G., Mortensen, J., Nistico, L., Pedersen, N. L., Skytthe, A., Spector, T. D., Stazi, M. A., Willemsen, G., & Kaprio, J. (2003). Heritability of adult body height: A comparative study of twin cohorts in eight countries. Twin Research, 6(5), 399–408. https://doi.org/10.1375/136905203770326402
Declaración sobre el uso de IA
Uso de la herramienta: En el desarrollo de este trabajo se utilizó asistencia de Inteligencia Artificial (Gemini y Chat gpt) como herramienta de apoyo técnico para la estructuración del documento en formato R Markdown y la corrección de los scripts de R (como el uso de librerías, manipulación de vectores categorización de variables continuas). Alcance de la asistencia: La IA fue empleada exclusivamente para la resolución de errores sintácticos de programación y el diseño estético de las visualizaciones bivariadas. Responsabilidad del usuario: Todo el procesamiento final de los datos, la verificación del código, la lectura de las tablas de frecuencia, la interpretación de los resultados estadísticos y las conclusiones derivadas del análisis fueron realizados de forma autónoma y revisados íntegralmente por las autoras de este documento.
Integridad académica
Compromiso de autoría: Declaramos que el presente trabajo es fruto de nuestro esfuerzo académico y refleja nuestro entendimiento de los temas abordados en la asignatura. Uso ético de recursos: Garantizamos que las fuentes de consulta, paquetes de R y herramientas tecnológicas auxiliares empleadas fueron declaradas con transparencia y utilizadas dentro de los marcos éticos de la universidad, sin incurrir en plagio ni en la delegación del análisis interpretativo a herramientas automatizadas.