1 Presentación del proyecto

Fuente: Spotify Song Attributes, Kaggle (geomack).

Pregunta general: ¿Cómo se relacionan la positividad musical, las características de audio y la preferencia registrada por una persona?

Advertencia conceptual: target es la preferencia de una persona, NO la popularidad global de Spotify. valence describe positividad percibida en el sonido, NO emociones clínicas del oyente.

La base contiene aproximadamente 2.017 canciones. El tamaño real se imprime al ejecutar el archivo. No se fabrican observaciones ni resultados.

Preguntas definidas antes del análisis:

  1. ANOVA: ¿difiere la bailabilidad media entre niveles de positividad musical?
  2. Ji-cuadrado: ¿se asocia la positividad musical categorizada con la preferencia individual (target)?
  3. Regresión: ¿se relaciona linealmente la positividad (valence) con la energía (energy)?

Se fija α = 0,05. Los umbrales de positividad se establecen antes de observar resultados: baja [0, 0,33], media (0,33, 0,66] y alta (0,66, 1]. Son categorías analíticas convencionales, no diagnósticos de felicidad o tristeza.

Unidad de análisis: registro de canción. Puede haber dependencia entre canciones del mismo artista, por lo que los valores p deben interpretarse con cautela.

2 1. Importación reproducible

Descarga el CSV desde Kaggle y guárdalo en la misma carpeta que este .Rmd. El nombre habitual es data.csv o spotifyclassification.csv. No se incluye una base ficticia.

El código identifica el archivo de manera explícita y se detiene con un mensaje claro si no está presente.

archivos_posibles <- c("data.csv", "spotifyclassification.csv", "spotify.csv")
archivo <- archivos_posibles[file.exists(archivos_posibles)][1]
if (is.na(archivo)) {
  stop("Descarga el CSV de Kaggle y guárdalo junto al Rmd como data.csv")
}
datos_crudos <- read.csv(archivo, stringsAsFactors=FALSE,
                         check.names=FALSE, fileEncoding="UTF-8-BOM")
names(datos_crudos) <- trimws(names(datos_crudos))
if ("X" %in% names(datos_crudos)) datos_crudos$X <- NULL
if ("Unnamed: 0" %in% names(datos_crudos)) datos_crudos[["Unnamed: 0"]] <- NULL
variables_requeridas <- c("valence", "energy", "danceability", "target")
faltan_columnas <- setdiff(variables_requeridas, names(datos_crudos))
if (length(faltan_columnas) > 0) {
  stop(paste("Faltan columnas:", paste(faltan_columnas, collapse=", ")))
}
cat("Archivo leído:", archivo, "
")
## Archivo leído: data.csv
cat("Filas:", nrow(datos_crudos), "Columnas analíticas:", ncol(datos_crudos), "\n")
## Filas: 2017 Columnas analíticas: 17
# ============================================================
# CARGA Y PREPARACIÓN DE LA BASE DE DATOS
# ============================================================

# Leer el archivo CSV original
datos <- read.csv(
  "data.csv",
  header = TRUE,
  check.names = TRUE,
  stringsAsFactors = FALSE
)

# Corregir nombres vacíos o duplicados
names(datos) <- make.names(names(datos), unique = TRUE)

# Mostrar dimensiones
cat("Número de canciones:", nrow(datos), "\n")
## Número de canciones: 2017
cat("Número de variables:", ncol(datos), "\n")
## Número de variables: 17
# Comprobar las columnas necesarias
stopifnot(
  all(c("valence", "danceability", "energy", "target") %in% names(datos))
)

# Crear los niveles de positividad musical
datos$alegria_grupo <- cut(
  datos$valence,
  breaks = c(-Inf, 0.33, 0.66, Inf),
  labels = c("Baja", "Media", "Alta"),
  right = TRUE
)

# Comprobar los grupos
print(table(datos$alegria_grupo))
## 
##  Baja Media  Alta 
##   603   826   588
# Verificar que los datos estén listos
cat("\nBase cargada y preparada correctamente.\n")
## 
## Base cargada y preparada correctamente.


# 2. Diccionario de variables

| Variable | Tipo | Significado | Uso |
|---|---|---|---|
| `valence` | Numérica [0,1] | Positividad musical estimada | Predictor y clasificación |
| `danceability` | Numérica [0,1] | Facilidad para bailar | Respuesta ANOVA |
| `energy` | Numérica [0,1] | Intensidad musical | Respuesta regresión |
| `target` | Binaria 0/1 | No le gustó / le gustó a una persona | Ji-cuadrado |
| `tempo` | Numérica | Pulsaciones por minuto | Exploración complementaria |
| `loudness` | Numérica | Intensidad en decibelios | Exploración complementaria |
| `artist` | Texto | Artista | Dependencia potencial |
| `song_title` | Texto | Nombre de la canción | Identificación |

Las variables de audio son características calculadas algorítmicamente. La etiqueta de preferencia no es una medida universal de éxito.


``` r
str(datos_crudos)
## 'data.frame':    2017 obs. of  17 variables:
##  $                 : int  0 1 2 3 4 5 6 7 8 9 ...
##  $ acousticness    : num  0.0102 0.199 0.0344 0.604 0.18 0.00479 0.0145 0.0202 0.0481 0.00208 ...
##  $ danceability    : num  0.833 0.743 0.838 0.494 0.678 0.804 0.739 0.266 0.603 0.836 ...
##  $ duration_ms     : int  204600 326933 185707 199413 392893 251333 241400 349667 202853 226840 ...
##  $ energy          : num  0.434 0.359 0.412 0.338 0.561 0.56 0.472 0.348 0.944 0.603 ...
##  $ instrumentalness: num  0.0219 0.00611 0.000234 0.51 0.512 0 0.00000727 0.664 0 0 ...
##  $ key             : int  2 1 2 5 5 8 1 10 11 7 ...
##  $ liveness        : num  0.165 0.137 0.159 0.0922 0.439 0.164 0.207 0.16 0.342 0.571 ...
##  $ loudness        : num  -8.79 -10.4 -7.15 -15.24 -11.65 ...
##  $ mode            : int  1 1 1 1 0 1 1 0 0 1 ...
##  $ speechiness     : num  0.431 0.0794 0.289 0.0261 0.0694 0.185 0.156 0.0371 0.347 0.237 ...
##  $ tempo           : num  150.1 160.1 75 86.5 174 ...
##  $ time_signature  : num  4 4 4 4 4 4 4 4 4 4 ...
##  $ valence         : num  0.286 0.588 0.173 0.23 0.904 0.264 0.308 0.393 0.398 0.386 ...
##  $ target          : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ song_title      : chr  "Mask Off" "Redbone" "Xanny Family" "Master Of None" ...
##  $ artist          : chr  "Future" "Childish Gambino" "Future" "Beach House" ...
head(datos_crudos, 10)
##      acousticness danceability duration_ms energy instrumentalness key liveness
## 1  0      0.01020        0.833      204600  0.434       0.02190000   2   0.1650
## 2  1      0.19900        0.743      326933  0.359       0.00611000   1   0.1370
## 3  2      0.03440        0.838      185707  0.412       0.00023400   2   0.1590
## 4  3      0.60400        0.494      199413  0.338       0.51000000   5   0.0922
## 5  4      0.18000        0.678      392893  0.561       0.51200000   5   0.4390
## 6  5      0.00479        0.804      251333  0.560       0.00000000   8   0.1640
## 7  6      0.01450        0.739      241400  0.472       0.00000727   1   0.2070
## 8  7      0.02020        0.266      349667  0.348       0.66400000  10   0.1600
## 9  8      0.04810        0.603      202853  0.944       0.00000000  11   0.3420
## 10 9      0.00208        0.836      226840  0.603       0.00000000   7   0.5710
##    loudness mode speechiness   tempo time_signature valence target
## 1    -8.795    1      0.4310 150.062              4   0.286      1
## 2   -10.401    1      0.0794 160.083              4   0.588      1
## 3    -7.148    1      0.2890  75.044              4   0.173      1
## 4   -15.236    1      0.0261  86.468              4   0.230      1
## 5   -11.648    0      0.0694 174.004              4   0.904      1
## 6    -6.682    1      0.1850  85.023              4   0.264      1
## 7   -11.204    1      0.1560  80.030              4   0.308      1
## 8   -11.609    0      0.0371 144.154              4   0.393      1
## 9    -3.626    0      0.3470 130.035              4   0.398      1
## 10   -7.792    1      0.2370  99.994              4   0.386      1
##           song_title           artist
## 1           Mask Off           Future
## 2            Redbone Childish Gambino
## 3       Xanny Family           Future
## 4     Master Of None      Beach House
## 5     Parallel Lines      Junior Boys
## 6           Sneakin’            Drake
## 7        Childs Play            Drake
## 8    Gyöngyhajú lány            Omega
## 9  I've Seen Footage      Death Grips
## 10    Digital Animal      Honey Claws
summary(datos_crudos)
##                  acousticness        danceability    duration_ms     
##  Min.   :   0   Min.   :0.0000028   Min.   :0.122   Min.   :  16042  
##  1st Qu.: 504   1st Qu.:0.0096300   1st Qu.:0.514   1st Qu.: 200015  
##  Median :1008   Median :0.0633000   Median :0.631   Median : 229261  
##  Mean   :1008   Mean   :0.1875900   Mean   :0.618   Mean   : 246306  
##  3rd Qu.:1512   3rd Qu.:0.2650000   3rd Qu.:0.738   3rd Qu.: 270333  
##  Max.   :2016   Max.   :0.9950000   Max.   :0.984   Max.   :1004627  
##      energy       instrumentalness         key           liveness     
##  Min.   :0.0148   Min.   :0.0000000   Min.   : 0.00   Min.   :0.0188  
##  1st Qu.:0.5630   1st Qu.:0.0000000   1st Qu.: 2.00   1st Qu.:0.0923  
##  Median :0.7150   Median :0.0000762   Median : 6.00   Median :0.1270  
##  Mean   :0.6816   Mean   :0.1332855   Mean   : 5.34   Mean   :0.1908  
##  3rd Qu.:0.8460   3rd Qu.:0.0540000   3rd Qu.: 9.00   3rd Qu.:0.2470  
##  Max.   :0.9980   Max.   :0.9760000   Max.   :11.00   Max.   :0.9690  
##     loudness            mode        speechiness         tempo      
##  Min.   :-33.097   Min.   :0.000   Min.   :0.0231   Min.   : 47.9  
##  1st Qu.: -8.394   1st Qu.:0.000   1st Qu.:0.0375   1st Qu.:100.2  
##  Median : -6.248   Median :1.000   Median :0.0549   Median :121.4  
##  Mean   : -7.086   Mean   :0.612   Mean   :0.0927   Mean   :121.6  
##  3rd Qu.: -4.746   3rd Qu.:1.000   3rd Qu.:0.1080   3rd Qu.:137.8  
##  Max.   : -0.307   Max.   :1.000   Max.   :0.8160   Max.   :219.3  
##  time_signature    valence           target       song_title       
##  Min.   :1.00   Min.   :0.0348   Min.   :0.000   Length:2017       
##  1st Qu.:4.00   1st Qu.:0.2950   1st Qu.:0.000   Class :character  
##  Median :4.00   Median :0.4920   Median :1.000   Mode  :character  
##  Mean   :3.97   Mean   :0.4968   Mean   :0.506                     
##  3rd Qu.:4.00   3rd Qu.:0.6910   3rd Qu.:1.000                     
##  Max.   :5.00   Max.   :0.9920   Max.   :1.000                     
##     artist         
##  Length:2017       
##  Class :character  
##  Mode  :character  
##                    
##                    
## 
cat("Nombres de columnas:
")
## Nombres de columnas:
print(names(datos_crudos))
##  [1] ""                 "acousticness"     "danceability"     "duration_ms"     
##  [5] "energy"           "instrumentalness" "key"              "liveness"        
##  [9] "loudness"         "mode"             "speechiness"      "tempo"           
## [13] "time_signature"   "valence"          "target"           "song_title"      
## [17] "artist"
tipos <- data.frame(variable=names(datos_crudos),
                    tipo=vapply(datos_crudos, function(x) class(x)[1], ""))
knitr::kable(tipos, caption="Tipos de variables")
Tipos de variables
variable tipo
integer
acousticness acousticness numeric
danceability danceability numeric
duration_ms duration_ms integer
energy energy numeric
instrumentalness instrumentalness numeric
key key integer
liveness liveness numeric
loudness loudness numeric
mode mode integer
speechiness speechiness numeric
tempo tempo numeric
time_signature time_signature numeric
valence valence numeric
target target integer
song_title song_title character
artist artist character

3 3. Auditoría y limpieza de datos

Regla preestablecida: conservar registros originales y excluir únicamente las filas con valores faltantes o fuera de rango en las variables de cada prueba. No eliminar atípicos de forma automática, porque podrían ser canciones reales. Se informa el número de registros utilizado en cada análisis.

Duplicados: se reportan tanto duplicados de filas completas como coincidencias de título-artista. Estas últimas no necesariamente son errores (pueden existir versiones diferentes).

na_por_variable <- colSums(is.na(datos_crudos))
knitr::kable(data.frame(variable=names(na_por_variable),
                        faltantes=as.integer(na_por_variable),
                        porcentaje=round(100*na_por_variable/nrow(datos_crudos),2)),
             caption="Faltantes por variable")
Faltantes por variable
variable faltantes porcentaje
0 0
acousticness acousticness 0 0
danceability danceability 0 0
duration_ms duration_ms 0 0
energy energy 0 0
instrumentalness instrumentalness 0 0
key key 0 0
liveness liveness 0 0
loudness loudness 0 0
mode mode 0 0
speechiness speechiness 0 0
tempo tempo 0 0
time_signature time_signature 0 0
valence valence 0 0
target target 0 0
song_title song_title 0 0
artist artist 0 0
cat("Filas completamente duplicadas:", sum(duplicated(datos_crudos)), "
")
## Filas completamente duplicadas: 0
if (all(c("song_title", "artist") %in% names(datos_crudos))) {
  cat("Título y artista repetidos:",
      sum(duplicated(datos_crudos[c("song_title","artist")])), "
")
}
## Título y artista repetidos: 35
datos <- datos_crudos
for (v in variables_requeridas) {
  datos[[v]] <- suppressWarnings(as.numeric(datos[[v]]))
}
valido_rangos <- !is.na(datos$valence) & datos$valence >= 0 & datos$valence <= 1 &
                 !is.na(datos$energy) & datos$energy >= 0 & datos$energy <= 1 &
                 !is.na(datos$danceability) & datos$danceability >= 0 &
                 datos$danceability <= 1 & !is.na(datos$target) &
                 datos$target %in% c(0,1)
cat("Registros originales:", nrow(datos), "
")
## Registros originales: 2017
cat("Registros válidos para las tres pruebas:", sum(valido_rangos), "
")
## Registros válidos para las tres pruebas: 2017
cat("Registros excluidos por falta/rango:", sum(!valido_rangos), "
")
## Registros excluidos por falta/rango: 0
datos <- datos[valido_rangos, , drop=FALSE]
stopifnot(nrow(datos)>=500)
datos$alegria_grupo <- cut(datos$valence,
                           breaks=c(-Inf,0.33,0.66,Inf),
                           labels=c("Baja", "Media", "Alta"),
                           right=TRUE)
datos$alegria_grupo <- factor(datos$alegria_grupo,
                             levels=c("Baja","Media","Alta"))
datos$gusto <- factor(datos$target, levels=c(0,1),
                      labels=c("No le gustó","Le gustó"))
stopifnot(length(unique(datos$alegria_grupo))==3)

4 4. Estadística descriptiva y exploración

Para una variable cuantitativa \(x_1,\ldots,x_n\):

Media: \(\bar{x}=\frac{1}{n}\sum_{i=1}^n x_i\). Suma los valores y divide por la cantidad observada.

Varianza muestral: \(s^2=\frac{\sum_{i=1}^n(x_i-\bar{x})^2}{n-1}\). Mide dispersión en unidades cuadradas.

Desviación estándar: \(s=\sqrt{s^2}\). Expresa la dispersión en las mismas unidades que la variable.

Mediana: valor central ordenado; es más resistente a valores extremos.

Rango intercuartílico: \(RIC=Q_3-Q_1\). Resume el 50% central de observaciones.

resumen_num <- function(x) {
  x <- x[is.finite(x)]
  c(n=length(x), media=mean(x), mediana=median(x),
    sd=sd(x), varianza=var(x), minimo=min(x),
    q1=unname(quantile(x,.25)), q3=unname(quantile(x,.75)),
    maximo=max(x), IQR=IQR(x))
}
vars_eda <- intersect(c("valence","danceability","energy","tempo","loudness"),
                      names(datos))
resumen <- t(sapply(datos[vars_eda], resumen_num))
knitr::kable(round(resumen,4), caption="Descriptivos principales")
Descriptivos principales
n media mediana sd varianza minimo q1 q3 maximo IQR
valence 2017 0.4968 0.492 0.2472 0.0611 0.0348 0.295 0.691 0.992 0.396
danceability 2017 0.6184 0.631 0.1610 0.0259 0.1220 0.514 0.738 0.984 0.224
energy 2017 0.6816 0.715 0.2103 0.0442 0.0148 0.563 0.846 0.998 0.283
tempo 2017 121.6033 121.427 26.6856 712.1214 47.8590 100.189 137.849 219.331 37.660
loudness 2017 -7.0856 -6.248 3.7617 14.1503 -33.0970 -8.394 -4.746 -0.307 3.648
knitr::kable(as.data.frame(table(datos$alegria_grupo)),
             caption="Frecuencia por positividad")
Frecuencia por positividad
Var1 Freq
Baja 603
Media 826
Alta 588
knitr::kable(as.data.frame(table(datos$gusto)),
             caption="Frecuencia por preferencia")
Frecuencia por preferencia
Var1 Freq
No le gustó 997
Le gustó 1020
# Usamos vectores explícitos para evitar errores al interpretar fórmulas.
# La figura tiene cuatro paneles y un único encabezado de chunk.
par(mfrow=c(2,2))
hist(datos$valence, breaks=25, main="Positividad musical",
     xlab="Valence (0 a 1)", col="lightpink")
hist(datos$danceability, breaks=25, main="Bailabilidad",
     xlab="Danceability (0 a 1)", col="lightblue")
boxplot(split(datos$energy, datos$alegria_grupo),
        main="Energía por positividad", xlab="Grupo",
        ylab="Energía", col=c("lightblue","khaki","lightpink"))
plot(x=datos$valence, y=datos$energy, pch=16, cex=.4,
     col=rgb(.3,.2,.6,.25), xlab="Positividad",
     ylab="Energía", main="Relación entre variables")

par(mfrow=c(1,1))

5 5. Identificación de valores atípicos

La regla de Tukey define límites \(L_i=Q_1-1.5(RIC)\) y \(L_s=Q_3+1.5(RIC)\). Un valor fuera de ellos es potencialmente atípico, no necesariamente incorrecto. No se elimina por esa razón.

La presencia de extremos puede afectar la media y el ANOVA. Por eso se incorporan alternativas robustas.

contar_atipicos <- function(x) {
  q <- quantile(x, c(.25,.75), na.rm=TRUE)
  ri <- q[2]-q[1]
  sum(x < q[1]-1.5*ri | x > q[2]+1.5*ri, na.rm=TRUE)
}
atipicos <- data.frame(variable=vars_eda,
                       cantidad=sapply(datos[vars_eda],contar_atipicos))
knitr::kable(atipicos, caption="Posibles atípicos (regla 1,5 × RIC)")
Posibles atípicos (regla 1,5 × RIC)
variable cantidad
valence valence 0
danceability danceability 12
energy energy 54
tempo tempo 15
loudness loudness 105

6 6. ANOVA: ¿cambia la bailabilidad entre grupos de positividad?

6.1 6.1. Pregunta, hipótesis y variables

Respuesta: danceability (escala 0 a 1).

Factor: alegria_grupo con tres niveles (Baja, Media, Alta).

\(H_0:\mu_{Baja}=\mu_{Media}=\mu_{Alta}\).

\(H_1:\) al menos una media poblacional difiere.

Se trabaja con grupos definidos previamente. No se debe interpretar una diferencia entre medias como prueba de que la alegría cause bailabilidad.

6.2 6.2. Modelo y fórmulas

\(Y_{ij}=\mu+\tau_i+\varepsilon_{ij}\).

  • \(Y_{ij}\): bailabilidad de la canción \(j\) del grupo \(i\).
  • \(\mu\): media general.
  • \(\tau_i\): efecto del grupo \(i\) respecto a la media general.
  • \(\varepsilon_{ij}\): error no explicado.

Suma de cuadrados entre grupos:

\[SC_E=\sum_{i=1}^{k}n_i(\bar{Y}_i-\bar{Y})^2\]

Suma de cuadrados dentro de grupos:

\[SC_D=\sum_{i=1}^{k}\sum_{j=1}^{n_i}(Y_{ij}-\bar{Y}_i)^2\]

Grados de libertad: \(gl_E=k-1\) y \(gl_D=n-k\).

Cuadrados medios: \(CM_E=SC_E/(k-1)\) y \(CM_D=SC_D/(n-k)\).

Estadístico F: \(F=CM_E/CM_D\).

Un F grande indica que las diferencias entre medias son grandes respecto a la variabilidad interna. El valor p se compara con \(\alpha=0.05\).

# =====================================================
# ANOVA: ESTADÍSTICOS DESCRIPTIVOS
# =====================================================

# Verificar que las variables necesarias existen
stopifnot(
  "danceability" %in% names(datos),
  "alegria_grupo" %in% names(datos)
)

# Crear los tres grupos de positividad
grupos <- c("Baja", "Media", "Alta")

# Calcular los estadísticos de cada grupo
resumen_anova <- do.call(
  rbind,
  lapply(grupos, function(g) {

    valores <- datos$danceability[
      !is.na(datos$alegria_grupo) &
      datos$alegria_grupo == g
    ]

    data.frame(
      Grupo = g,
      N = length(valores),
      Media = mean(valores, na.rm = TRUE),
      Mediana = median(valores, na.rm = TRUE),
      Desviacion = sd(valores, na.rm = TRUE)
    )
  })
)

# Redondear los resultados
resumen_anova$Media <- round(resumen_anova$Media, 4)
resumen_anova$Mediana <- round(resumen_anova$Mediana, 4)
resumen_anova$Desviacion <- round(resumen_anova$Desviacion, 4)

# Mostrar tabla
knitr::kable(
  resumen_anova,
  caption = "Bailabilidad por nivel de positividad"
)
Bailabilidad por nivel de positividad
Grupo N Media Mediana Desviacion
Baja 603 0.5282 0.526 0.1660
Media 826 0.6282 0.633 0.1439
Alta 588 0.6972 0.712 0.1304
# Crear los datos del gráfico
datos_boxplot <- lapply(
  grupos,
  function(g) {
    datos$danceability[
      !is.na(datos$alegria_grupo) &
      datos$alegria_grupo == g
    ]
  }
)

names(datos_boxplot) <- grupos

# Gráfico de cajas
# Gráfico de cajas
boxplot(
  datos_boxplot,
  col = c("lightblue", "khaki", "lightpink"),
  xlab = "Positividad musical",
  ylab = "Bailabilidad",
  main = "Comparación de bailabilidad"
)

y <- datos$danceability
g <- datos$alegria_grupo
n <- length(y)
k <- nlevels(g)
media_general <- mean(y)
medias <- tapply(y,g,mean)
conteos <- table(g)
sc_entre <- sum(as.numeric(conteos)*(medias-media_general)^2)
sc_dentro <- sum((y-ave(y,g,FUN=mean))^2)
sc_total <- sum((y-media_general)^2)
gl_entre <- k-1
gl_dentro <- n-k
cm_entre <- sc_entre/gl_entre
cm_dentro <- sc_dentro/gl_dentro
f_manual <- cm_entre/cm_dentro
p_manual <- pf(f_manual,gl_entre,gl_dentro,lower.tail=FALSE)
tabla_manual <- data.frame(Fuente=c("Entre grupos","Dentro de grupos","Total"),
  SC=c(sc_entre,sc_dentro,sc_total),
  gl=c(gl_entre,gl_dentro,n-1),
  CM=c(cm_entre,cm_dentro,NA),
  F=c(f_manual,NA,NA),p=c(p_manual,NA,NA))
knitr::kable(tabla_manual,digits=6,caption="Tabla ANOVA calculada a mano")
Tabla ANOVA calculada a mano
Fuente SC gl CM F p
Entre grupos 8.6329 2 4.31645 199.19 0
Dentro de grupos 43.6426 2014 0.02167 NA NA
Total 52.2755 2016 NA NA NA
# ============================================================
# MODELO ANOVA - SPOTIFY
# ============================================================

# Corregir los nombres de columnas
names(datos) <- make.names(names(datos), unique = TRUE)

# Verificar variables
stopifnot(
  "danceability" %in% names(datos),
  "alegria_grupo" %in% names(datos)
)

# Preparar una base limpia para el ANOVA
datos_anova <- data.frame(
  danceability = as.numeric(datos$danceability),
  alegria_grupo = factor(
    datos$alegria_grupo,
    levels = c("Baja", "Media", "Alta")
  )
)

# Eliminar observaciones incompletas
datos_anova <- na.omit(datos_anova)

# Crear la fórmula explícitamente
formula_anova <- stats::as.formula(
  "danceability ~ alegria_grupo"
)

# Ajustar el modelo
modelo_anova <- stats::aov(
  formula = formula_anova,
  data = datos_anova
)

# Mostrar resultados
tabla_anova <- summary(modelo_anova)
print(tabla_anova)
##                 Df Sum Sq Mean Sq F value Pr(>F)    
## alegria_grupo    2    8.6    4.32     199 <2e-16 ***
## Residuals     2014   43.6    0.02                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Extraer estadístico F y valor p
F_R <- tabla_anova[[1]][["F value"]][1]
p_R <- tabla_anova[[1]][["Pr(>F)"]][1]

cat("\nEstadístico F:", F_R, "\n")
## 
## Estadístico F: 199.19
cat("Valor p:", p_R, "\n")
## Valor p: 1.1582e-79
# Decisión estadística
if (p_R < 0.05) {
  cat("Se rechaza H0: existen diferencias significativas.\n")
} else {
  cat("No se rechaza H0.\n")
}
## Se rechaza H0: existen diferencias significativas.
# Comparación con el cálculo manual
if (exists("F_manual")) {
  cat("F manual:", F_manual, "\n")
  cat("F calculado por R:", F_R, "\n")
}

6.3 6.3. Supuestos del ANOVA

Independencia: depende de cómo se recolectaron las canciones. No se demuestra con Shapiro ni Levene; se discute el muestreo y la posible repetición de artistas.

Normalidad de residuos: se examina mediante gráfico Q-Q y Shapiro-Wilk. Con muestras grandes Shapiro puede detectar desviaciones pequeñas; por eso se combina con inspección visual.

Homogeneidad de varianzas: se evalúa mediante Levene centrado en la mediana, menos sensible a no normalidad que Bartlett.

Si hay heterocedasticidad se prefiere Welch. Si existen asimetrías importantes, se presenta Kruskal-Wallis como análisis de sensibilidad.

res_a <- residuals(modelo_anova)
par(mfrow=c(1,2))
qqnorm(res_a,main="Q-Q de residuos ANOVA")
qqline(res_a,col="red",lwd=2)
plot(fitted(modelo_anova),res_a,pch=16,cex=.5,
     xlab="Valores ajustados",ylab="Residuos",
     main="Residuos vs ajustados")
abline(h=0,col="red",lty=2)

par(mfrow=c(1,1))
set.seed(2026)
res_shapiro <- if(length(res_a)>5000) sample(res_a,5000) else res_a
shapiro_a <- shapiro.test(res_shapiro)
print(shapiro_a)
## 
##  Shapiro-Wilk normality test
## 
## data:  res_shapiro
## W = 0.995, p-value = 0.0000018
# Levene-Brown-Forsythe: ANOVA sobre |Yij - mediana_grupo|
medianas_por_fila <- ave(datos$danceability,datos$alegria_grupo,FUN=median)
datos$desviacion_abs_mediana <- abs(datos$danceability-medianas_por_fila)
modelo_levene <- aov(desviacion_abs_mediana~alegria_grupo,data=datos)
print(summary(modelo_levene))
##                 Df Sum Sq Mean Sq F value        Pr(>F)    
## alegria_grupo    2   0.34   0.170    21.3 0.00000000071 ***
## Residuals     2014  16.04   0.008                          
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
p_levene <- summary(modelo_levene)[[1]][["Pr(>F)"]][1]
cat("Levene p =",format(p_levene,scientific=TRUE),"
")
## Levene p = 7.1462e-10

6.4 6.4. Alternativa de Welch y tamaño del efecto

Welch permite varianzas desiguales. La estimación de tamaño de efecto eta cuadrado es:

\[\eta^2=\frac{SC_E}{SC_T}\]

Indica qué proporción de variabilidad observada en bailabilidad está asociada con la división en grupos, en esta muestra. Un valor p pequeño no implica necesariamente un efecto grande.

welch <- oneway.test(danceability~alegria_grupo,data=datos,var.equal=FALSE)
print(welch)
## 
##  One-way analysis of means (not assuming equal variances)
## 
## data:  danceability and alegria_grupo
## F = 191, num df = 2, denom df = 1265, p-value <2e-16
eta2 <- sc_entre/sc_total
cat("Eta cuadrado:",round(eta2,5),"
")
## Eta cuadrado: 0.16514
cat("Varianzas iguales según Levene:",p_levene>=alpha,"
")
## Varianzas iguales según Levene: FALSE
cat("Prueba principal recomendada:",
    ifelse(p_levene<alpha,"Welch","ANOVA clásico"),"
")
## Prueba principal recomendada: Welch

6.5 6.5. Comparaciones múltiples

Un resultado global significativo solo dice que al menos un grupo difiere; no identifica cuáles.

Las comparaciones por pares examinan Baja–Media, Baja–Alta y Media–Alta. Se utiliza ajuste Holm, que controla el riesgo de error familiar por múltiples pruebas.

Si las varianzas son distintas, pool.sd=FALSE evita imponer una varianza común. Se reporta también Tukey como referencia del ANOVA clásico, pero su interpretación requiere sus supuestos.

pares_holm <- pairwise.t.test(datos$danceability,datos$alegria_grupo,
                              p.adjust.method="holm",pool.sd=FALSE)
print(pares_holm)
## 
##  Pairwise comparisons using t tests with non-pooled SD 
## 
## data:  datos$danceability and datos$alegria_grupo 
## 
##       Baja   Media 
## Media <2e-16 -     
## Alta  <2e-16 <2e-16
## 
## P value adjustment method: holm
cat("Tukey (solo referencia bajo homocedasticidad):
")
## Tukey (solo referencia bajo homocedasticidad):
print(TukeyHSD(modelo_anova))
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: stats::aov(formula = formula_anova, data = datos_anova)
## 
## $alegria_grupo
##                diff      lwr      upr p adj
## Media-Baja 0.100019 0.081526 0.118513     0
## Alta-Baja  0.168958 0.148947 0.188968     0
## Alta-Media 0.068939 0.050309 0.087568     0
cat("Análisis no paramétrico de sensibilidad:
")
## Análisis no paramétrico de sensibilidad:
print(kruskal.test(danceability~alegria_grupo,data=datos))
## 
##  Kruskal-Wallis rank sum test
## 
## data:  danceability by alegria_grupo
## Kruskal-Wallis chi-squared = 329, df = 2, p-value <2e-16

6.6 6.6. Interpretación automática y cautelosa

La decisión inferencial se calcula con el valor p observado, no se escribe de antemano. Las diferencias encontradas corresponden a las canciones de esta muestra, y no prueban causalidad ni generalización universal.

p_principal <- if(p_levene<alpha) welch$p.value else p_manual
cat("Método principal:",ifelse(p_levene<alpha,"Welch","ANOVA clásico"),"
")
## Método principal: Welch
cat("Valor p:",format(p_principal,scientific=TRUE),"
")
## Valor p: 2.4727e-73
cat(ifelse(p_principal<alpha,
           "Existe evidencia de diferencias de bailabilidad media entre grupos.",
           "No se detecta evidencia suficiente de diferencias de bailabilidad media."),"
")
## Existe evidencia de diferencias de bailabilidad media entre grupos.
cat("Eta cuadrado observado:",round(eta2,4),"
")
## Eta cuadrado observado: 0.1651

7 7. Ji-cuadrado: ¿la positividad se asocia con gustar o no gustar?

7.1 7.1. Tipo de prueba

Se aplica ji-cuadrado de independencia, porque se dispone de una muestra de canciones clasificadas por dos variables categóricas: positividad musical (3 categorías) y preferencia individual (2 categorías).

\(H_0\): positividad categorizada y preferencia son independientes.

\(H_1\): existe asociación entre ambas.

La tabla contiene conteos, no porcentajes, para calcular la prueba.

7.2 7.2. Fórmulas

La frecuencia esperada bajo independencia es:

\[E_{ij}=\frac{n_{i\cdot}n_{\cdot j}}{n}\]

Donde \(n_{i\cdot}\) es el total de la fila, \(n_{\cdot j}\) el total de la columna y \(n\) el total general.

El estadístico es:

\[\chi^2=\sum_i\sum_j\frac{(O_{ij}-E_{ij})^2}{E_{ij}}\]

Los grados de libertad son \((r-1)(c-1)\). En nuestra tabla \(r=3\) y \(c=2\), por lo que \(gl=2\).

El tamaño del efecto V de Cramér se calcula como:

\[V=\sqrt{\frac{\chi^2}{n\min(r-1,c-1)}}\]

V se ubica entre 0 y 1; valores mayores reflejan asociación más fuerte, sin implicar causalidad.

tabla <- table(datos$alegria_grupo,datos$gusto)
print(addmargins(tabla))
##        
##         No le gustó Le gustó  Sum
##   Baja          335      268  603
##   Media         415      411  826
##   Alta          247      341  588
##   Sum           997     1020 2017
cat("Porcentajes por grupo de positividad:
")
## Porcentajes por grupo de positividad:
print(round(100*prop.table(tabla,margin=1),2))
##        
##         No le gustó Le gustó
##   Baja        55.56    44.44
##   Media       50.24    49.76
##   Alta        42.01    57.99
barplot(t(prop.table(tabla,1)),beside=FALSE,legend.text=TRUE,
        col=c("gray70","lightpink"),
        main="Preferencia dentro de cada nivel de positividad",
        xlab="Nivel de positividad",ylab="Proporción")

prueba_chi <- chisq.test(tabla,correct=FALSE)
print(prueba_chi)
## 
##  Pearson's Chi-squared test
## 
## data:  tabla
## X-squared = 22.2, df = 2, p-value = 0.000015
cat("Frecuencias esperadas:
")
## Frecuencias esperadas:
print(round(prueba_chi$expected,3))
##        
##         No le gustó Le gustó
##   Baja       298.06   304.94
##   Media      408.29   417.71
##   Alta       290.65   297.35
cat("Frecuencias esperadas mínimas:",min(prueba_chi$expected),"
")
## Frecuencias esperadas mínimas: 290.65
cat("Proporción de celdas con E<5:",
    mean(prueba_chi$expected<5),"
")
## Proporción de celdas con E<5: 0

7.3 7.3. Verificación de esperadas

La aproximación asintótica del ji-cuadrado suele considerarse apropiada cuando las frecuencias esperadas no son demasiado pequeñas. En este informe se verifica el mínimo y el porcentaje de celdas menores que 5.

Si no se cumplen los criterios, se reporta una versión con valor p por simulación Monte Carlo, sin modificar los conteos originales.

if (any(prueba_chi$expected<5)) {
  set.seed(2026)
  cat("Advertencia: esperadas pequeñas; simulación Monte Carlo:
")
  print(chisq.test(tabla,simulate.p.value=TRUE,B=10000))
} else {
  cat("Todas las esperadas son >= 5; aproximación ji-cuadrado adecuada.
")
}
## Todas las esperadas son >= 5; aproximación ji-cuadrado adecuada.

7.4 7.4. Residuos y contribuciones

La contribución de cada celda es \((O-E)^2/E\). Sirve para identificar qué combinaciones aportan más al estadístico total.

Los residuos estandarizados ajustados indican en qué celdas se observan más o menos canciones de las esperadas. Valores absolutos grandes merecen exploración; no deben confundirse con pruebas independientes sin ajuste por comparaciones múltiples.

contribuciones <- (tabla-prueba_chi$expected)^2/prueba_chi$expected
cat("Contribución de cada celda a chi-cuadrado:
")
## Contribución de cada celda a chi-cuadrado:
print(round(contribuciones,3))
##        
##         No le gustó Le gustó
##   Baja        4.578    4.474
##   Media       0.110    0.108
##   Alta        6.555    6.407
cat("Residuos estandarizados ajustados:
")
## Residuos estandarizados ajustados:
print(round(prueba_chi$stdres,3))
##        
##         No le gustó Le gustó
##   Baja        3.593   -3.593
##   Media       0.608   -0.608
##   Alta       -4.277    4.277
chi_manual <- sum(contribuciones)
cat("Chi-cuadrado manual:",chi_manual,"
")
## Chi-cuadrado manual: 22.232
cat("Chi-cuadrado R:",unname(prueba_chi$statistic),"
")
## Chi-cuadrado R: 22.232
n_chi <- sum(tabla)
r <- nrow(tabla)
c <- ncol(tabla)
v_cramer <- sqrt(unname(prueba_chi$statistic)/(n_chi*min(r-1,c-1)))
cat("V de Cramér:",round(v_cramer,4),"
")
## V de Cramér: 0.105
cat("Valor p:",format(prueba_chi$p.value,scientific=TRUE),"
")
## Valor p: 1.4875e-05
cat(ifelse(prueba_chi$p.value<alpha,
           "Hay evidencia de asociación en esta muestra.",
           "No hay evidencia suficiente de asociación en esta muestra."),"
")
## Hay evidencia de asociación en esta muestra.

8 8. Regresión lineal: positividad y energía

8.1 8.1. Pregunta e hipótesis

Respuesta: energía musical (energy, de 0 a 1).

Predictor: positividad musical (valence, de 0 a 1).

\(H_0:\beta_1=0\) (sin asociación lineal poblacional).

\(H_1:\beta_1\ne0\) (asociación lineal diferente de cero).

8.2 8.2. Ecuación del modelo

\[Y_i=\beta_0+\beta_1X_i+\varepsilon_i\]

  • \(Y_i\): energía de la canción \(i\).
  • \(X_i\): positividad de la canción \(i\).
  • \(\beta_0\): energía esperada cuando valence = 0.
  • \(\beta_1\): cambio esperado en energía por un aumento de una unidad completa en valence.
  • \(\varepsilon_i\): diferencia entre la observación y la recta.

Como valence se mide entre 0 y 1, también se interpreta un aumento de 0,10 puntos: su cambio esperado en energía es \(0.10\hat\beta_1\).

8.3 8.3. Mínimos cuadrados

La pendiente estimada es:

\[\hat\beta_1=\frac{\sum_i(X_i-\bar X)(Y_i-\bar Y)}{\sum_i(X_i-\bar X)^2}\]

El intercepto estimado es:

\[\hat\beta_0=\bar Y-\hat\beta_1\bar X\]

El método minimiza la suma de cuadrados de residuos:

\[SCE=\sum_i(Y_i-\hat Y_i)^2\]

x <- datos$valence
y_reg <- datos$energy
x_bar <- mean(x)
y_bar <- mean(y_reg)
sxx <- sum((x-x_bar)^2)
sxy <- sum((x-x_bar)*(y_reg-y_bar))
b1_manual <- sxy/sxx
b0_manual <- y_bar-b1_manual*x_bar
y_hat_manual <- b0_manual+b1_manual*x
resid_manual <- y_reg-y_hat_manual
sce <- sum(resid_manual^2)
sct <- sum((y_reg-y_bar)^2)
scr <- sct-sce
r2_manual <- 1-sce/sct
cat("Pendiente manual:",b1_manual,"
")
## Pendiente manual: 0.2368
cat("Intercepto manual:",b0_manual,"
")
## Intercepto manual: 0.56393
cat("R2 manual:",r2_manual,"
")
## R2 manual: 0.077497
cat("Cambio esperado por 0.10 valence:",0.10*b1_manual,"
")
## Cambio esperado por 0.10 valence: 0.02368
modelo_lm <- lm(energy~valence,data=datos)
print(summary(modelo_lm))
## 
## Call:
## lm(formula = energy ~ valence, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.6248 -0.1177  0.0292  0.1454  0.4204 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   0.5639     0.0101    55.8   <2e-16 ***
## valence       0.2368     0.0182    13.0   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.202 on 2015 degrees of freedom
## Multiple R-squared:  0.0775, Adjusted R-squared:  0.077 
## F-statistic:  169 on 1 and 2015 DF,  p-value: <2e-16
print(confint(modelo_lm,level=.95))
##               2.5 %  97.5 %
## (Intercept) 0.54412 0.58374
## valence     0.20111 0.27250
cat("Coeficientes manuales vs lm:
")
## Coeficientes manuales vs lm:
print(rbind(manual=c(b0_manual,b1_manual),R=coef(modelo_lm)))
##        (Intercept) valence
## manual     0.56393  0.2368
## R          0.56393  0.2368

8.4 8.4. R cuadrado y pruebas de significancia

\[R^2=1-\frac{SCE}{SCT}\]

Donde \(SCT=\sum_i(Y_i-\bar Y)^2\) es la variación total y \(SCE\) la variación no explicada por la recta.

El estadístico t de la pendiente es:

\[t=\frac{\hat\beta_1}{EE(\hat\beta_1)}\]

Con \(gl=n-2\).

En regresión lineal simple, el estadístico global \(F\) del modelo satisface \(F=t^2\) para la pendiente. Se contrasta su valor p con \(\alpha=0.05\).

Importante: un R² bajo no significa que el análisis esté mal; significa que valence por sí sola explica poca variabilidad de energía.

s <- summary(modelo_lm)
t_pendiente <- s$coefficients["valence","t value"]
f_modelo <- unname(s$fstatistic[1])
p_pendiente <- s$coefficients["valence","Pr(>|t|)"]
cat("t pendiente:",t_pendiente,"
")
## t pendiente: 13.011
cat("F modelo:",f_modelo,"
")
## F modelo: 169.28
cat("Comprobación t²:",t_pendiente^2,"
")
## Comprobación t²: 169.28
cat("R²:",s$r.squared,"
")
## R²: 0.077497
cat("p pendiente:",format(p_pendiente,scientific=TRUE),"
")
## p pendiente: 3.2177e-37
plot(datos$valence,datos$energy,pch=16,cex=.45,
     col=rgb(.2,.2,.5,.25),xlab="Positividad musical (valence)",
     ylab="Energía musical (energy)",
     main="Regresión: energía ~ positividad")
abline(modelo_lm,col="red",lwd=2)

9 9. Diagnóstico de supuestos de regresión

Linealidad: inspeccionar la nube de puntos y el gráfico de residuos versus ajustados. Una curva sistemática indicaría que una recta puede ser insuficiente.

Normalidad: el gráfico Q-Q y Shapiro examinan la forma de los residuos; no exigen que X o Y sean normales.

Varianza constante: la dispersión de residuos debe ser aproximadamente estable a lo largo de valores ajustados.

Independencia: puede verse comprometida por varias canciones del mismo artista o por selección no aleatoria.

Influencia: Cook identifica observaciones que podrían cambiar apreciablemente los coeficientes; no autoriza eliminarlas automáticamente.

par(mfrow=c(2,2))
plot(modelo_lm,which=1)
plot(modelo_lm,which=2)
plot(modelo_lm,which=3)
plot(modelo_lm,which=4)

par(mfrow=c(1,1))
res_lm <- residuals(modelo_lm)
set.seed(2026)
res_test <- if(length(res_lm)>5000) sample(res_lm,5000) else res_lm
print(shapiro.test(res_test))
## 
##  Shapiro-Wilk normality test
## 
## data:  res_test
## W = 0.974, p-value <2e-16

9.1 9.1. Breusch-Pagan explicado y calculado manualmente

En la prueba Breusch-Pagan se ajusta una regresión auxiliar de residuos cuadrados sobre los predictores. Bajo homocedasticidad, la variabilidad residual no depende sistemáticamente del predictor.

Una forma de estadístico es \(LM=nR^2_{aux}\), aproximadamente distribuido como ji-cuadrado con tantos grados de libertad como predictores auxiliares (aquí 1). Esta es una implementación didáctica de la variante LM simple.

aux <- lm(I(res_lm^2)~datos$valence)
r2_aux <- summary(aux)$r.squared
lm_bp <- length(res_lm)*r2_aux
p_bp <- pchisq(lm_bp,df=1,lower.tail=FALSE)
cat("LM Breusch-Pagan (aproximado):",lm_bp,"
")
## LM Breusch-Pagan (aproximado): 202.34
cat("p:",format(p_bp,scientific=TRUE),"
")
## p: 6.4347e-46
cat(ifelse(p_bp<alpha,
           "Hay evidencia de varianza no constante.",
           "No se detecta evidencia suficiente de varianza no constante."),"
")
## Hay evidencia de varianza no constante.

9.2 9.2. Influencia y puntos atípicos

La distancia de Cook mide cuánto influye una observación en el ajuste. Se usa \(4/n\) como umbral orientativo, no como regla de exclusión automática. Se reporta el número de puntos señalados y se hace un análisis de sensibilidad sin ellos, únicamente como comparación.

cook <- cooks.distance(modelo_lm)
umbral_cook <- 4/nrow(datos)
idx_influyentes <- which(cook>umbral_cook)
cat("Umbral orientativo Cook:",umbral_cook,"
")
## Umbral orientativo Cook: 0.0019831
cat("Cantidad de observaciones señaladas:",length(idx_influyentes),"
")
## Cantidad de observaciones señaladas: 155
cat("Máxima distancia de Cook:",max(cook),"
")
## Máxima distancia de Cook: 0.0078637
plot(cook,type="h",main="Distancia de Cook",
     xlab="Índice de observación",ylab="Distancia de Cook")
abline(h=umbral_cook,col="red",lty=2)

if (length(idx_influyentes)>0 && length(idx_influyentes)<nrow(datos)-3) {
  modelo_sensibilidad <- lm(energy~valence,
                            data=datos[-idx_influyentes,,drop=FALSE])
  print(rbind(original=coef(modelo_lm),
              sin_puntos_senalados=coef(modelo_sensibilidad)))
  cat("Se presenta como sensibilidad; el modelo original se conserva.
")
} else {
  cat("No se realiza exclusión exploratoria de observaciones.
")
}
##                      (Intercept) valence
## original                 0.56393 0.23680
## sin_puntos_senalados     0.61974 0.16903
## Se presenta como sensibilidad; el modelo original se conserva.

10 10. Mejora justificada del modelo

Se examina un modelo cuadrático como análisis secundario exploratorio para evaluar si la relación podría ser curva:

\[Y_i=\beta_0+\beta_1X_i+\beta_2X_i^2+\varepsilon_i\]

El término cuadrático puede mejorar la descripción, pero incrementa complejidad y no convierte asociación en causalidad. La comparación se hace sobre las mismas observaciones y no se extrapola fuera de valence entre 0 y 1.

modelo_cuad <- lm(energy~valence+I(valence^2),data=datos)
cat("Modelo lineal:
")
## Modelo lineal:
print(summary(modelo_lm)$adj.r.squared)
## [1] 0.077039
cat("Modelo cuadrático:
")
## Modelo cuadrático:
print(summary(modelo_cuad)$adj.r.squared)
## [1] 0.091256
cat("Comparación anidada (exploratoria):
")
## Comparación anidada (exploratoria):
print(anova(modelo_lm,modelo_cuad))
## Analysis of Variance Table
## 
## Model 1: energy ~ valence
## Model 2: energy ~ valence + I(valence^2)
##   Res.Df  RSS Df Sum of Sq    F      Pr(>F)    
## 1   2015 82.2                                  
## 2   2014 80.9  1      1.31 32.5 0.000000014 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
plot(datos$valence,datos$energy,pch=16,cex=.35,
     col=rgb(.2,.2,.5,.18),xlab="Valence",ylab="Energy",
     main="Recta frente a curva cuadrática")
xx <- seq(0,1,length.out=200)
lines(xx,predict(modelo_lm,newdata=data.frame(valence=xx)),
      col="red",lwd=2)
lines(xx,predict(modelo_cuad,newdata=data.frame(valence=xx)),
      col="blue",lwd=2)
legend("topleft",c("Lineal","Cuadrático"),
       col=c("red","blue"),lty=1,bty="n")

11 11. Predicciones dentro del rango observado

Una predicción del modelo representa la energía esperada según el modelo para un valor específico de valence, no una predicción exacta para una canción individual.

El intervalo de confianza estima la media condicional; el intervalo de predicción es más ancho porque considera variabilidad individual. Se evitan valores fuera del rango [0,1].

nuevos <- data.frame(valence=c(.2,.5,.8))
ic_media <- predict(modelo_lm,newdata=nuevos,
                    interval="confidence",level=.95)
ip_individual <- predict(modelo_lm,newdata=nuevos,
                         interval="prediction",level=.95)
knitr::kable(cbind(nuevos,ic_media),digits=4,
             caption="Predicción media e intervalo de confianza")
Predicción media e intervalo de confianza
valence fit lwr upr
0.2 0.6113 0.5975 0.6251
0.5 0.6823 0.6735 0.6912
0.8 0.7534 0.7394 0.7673
knitr::kable(cbind(nuevos,ip_individual),digits=4,
             caption="Predicción individual e intervalo de predicción")
Predicción individual e intervalo de predicción
valence fit lwr upr
0.2 0.6113 0.2149 1.0077
0.5 0.6823 0.2861 1.0786
0.8 0.7534 0.3570 1.1498

12 12. Transparencia metodológica y pruebas realizadas

Pruebas principales preespecificadas (3):

  1. ANOVA de un factor (o Welch si Levene indica varianzas desiguales).
  2. Ji-cuadrado de independencia.
  3. Prueba t/F de pendiente en regresión lineal simple (equivalentes para un predictor).

Diagnósticos y análisis adicionales: Shapiro-Wilk para residuos ANOVA y regresión, Levene-Brown-Forsythe, comparaciones por pares con Holm, Tukey como referencia, Kruskal-Wallis de sensibilidad, Breusch-Pagan aproximado, comparación de modelo cuadrático y evaluación de Cook. Son análisis auxiliares, no deben presentarse como tres hipótesis principales adicionales.

Decisiones fijadas antes de ver resultados: α=0,05; tres grupos de valence con puntos de corte 0,33 y 0,66; no eliminar atípicos automáticamente; reportar todos los datos válidos; Welch ante evidencia de heterocedasticidad; ajuste Holm para comparaciones múltiples.

Limitaciones: selección de canciones no aleatoria, posible dependencia por artista, target representa una sola persona, categorización de valence pierde información, medidas de audio no equivalen a emociones humanas, resultados observacionales y ausencia de causalidad.

resumen_final <- data.frame(
  Prueba=c("ANOVA / Welch","Ji-cuadrado","Regresión lineal"),
  N=c(nrow(datos),sum(tabla),nobs(modelo_lm)),
  Valor_p=c(p_principal,prueba_chi$p.value,p_pendiente),
  Decision=c(ifelse(p_principal<alpha,"Rechazar H0","No rechazar H0"),
             ifelse(prueba_chi$p.value<alpha,"Rechazar H0","No rechazar H0"),
             ifelse(p_pendiente<alpha,"Rechazar H0","No rechazar H0")))
knitr::kable(resumen_final,digits=6,
             caption="Resumen de las tres preguntas principales")
Resumen de las tres preguntas principales
Prueba N Valor_p Decision
ANOVA / Welch 2017 0.000000 Rechazar H0
Ji-cuadrado 2017 0.000015 Rechazar H0
Regresión lineal 2017 0.000000 Rechazar H0
cat("Tamaño de efecto ANOVA eta²:",round(eta2,4),"
")
## Tamaño de efecto ANOVA eta²: 0.1651
cat("V de Cramér:",round(v_cramer,4),"
")
## V de Cramér: 0.105
cat("R² regresión:",round(s$r.squared,4),"
")
## R² regresión: 0.0775

13 13. Conclusiones en lenguaje natural

ANOVA. Se observaron diferencias estadísticamente significativas en la bailabilidad promedio entre los niveles de positividad musical. El tamaño de efecto eta² fue 0.1651; debe interpretarse además del valor p.

Ji-cuadrado. Se encontró una asociación estadística entre nivel de positividad musical y preferencia registrada por la persona. El V de Cramér fue 0.105.

Regresión. La pendiente estimada fue 0.2368 unidades de energía por cada unidad de valence. El R² fue 0.0775, es decir, aproximadamente 7.75% de la variabilidad observada de energía se describe con la recta en esta muestra.

Conclusión global. Las canciones pueden diferir en características acústicas y preferencias individuales, pero estos resultados no establecen que una canción alegre sea más exitosa comercialmente ni que la positividad cause preferencia. El análisis corresponde a esta selección de canciones y a la persona que asignó target.

14 14. Referencias

15 15. Anexo didáctico: cómo defender cada concepto en la exposición

Este anexo ofrece explicaciones independientes de los resultados, para que cualquier integrante del equipo pueda responder preguntas de la docente.

15.1 15.1. La media y su interpretación

¿Qué significa? La media resume el centro aritmético; en escalas de cero a uno no debe confundirse con porcentaje de personas.

¿Cómo lo explicamos con nuestra base? La media de valence representa la positividad musical promedio de las canciones seleccionadas.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.2 15.2. La mediana y la asimetría

¿Qué significa? La mediana separa el conjunto ordenado en dos mitades y resiste observaciones extremas.

¿Cómo lo explicamos con nuestra base? Si la media y la mediana difieren, conviene inspeccionar la distribución antes de concluir.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.3 15.3. La desviación estándar

¿Qué significa? La desviación estándar mide variabilidad típica alrededor de la media en la unidad original.

¿Cómo lo explicamos con nuestra base? Una desviación grande en energía indica que las canciones son heterogéneas en intensidad.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.4 15.4. La variabilidad entre grupos

¿Qué significa? La suma de cuadrados entre grupos pondera diferencias de cada media respecto de la media global.

¿Cómo lo explicamos con nuestra base? Un grupo con más canciones aporta más peso al cálculo del ANOVA.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.5 15.5. La variabilidad dentro de grupos

¿Qué significa? La suma de cuadrados residual mide cuánto se aparta cada canción de la media de su grupo.

¿Cómo lo explicamos con nuestra base? Si las canciones dentro de cada grupo son muy diferentes, es más difícil detectar cambios entre medias.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.6 15.6. Los grados de libertad

¿Qué significa? En ANOVA con tres grupos, los grados de libertad entre grupos son dos y los residuales son n menos tres.

¿Cómo lo explicamos con nuestra base? Los grados de libertad reflejan cuánta información independiente se usa para estimar variaciones.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.7 15.7. La prueba F

¿Qué significa? El estadístico F divide el cuadrado medio entre grupos por el cuadrado medio residual.

¿Cómo lo explicamos con nuestra base? Una razón grande sugiere diferencias de medias frente al ruido dentro de los grupos.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.8 15.8. El valor p

¿Qué significa? El valor p mide qué tan incompatibles son los datos con la hipótesis nula bajo el modelo.

¿Cómo lo explicamos con nuestra base? No es la probabilidad de que la hipótesis nula sea verdadera.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.9 15.9. La significancia práctica

¿Qué significa? El tamaño de efecto informa magnitud; un resultado muy significativo puede tener efecto pequeño.

¿Cómo lo explicamos con nuestra base? Siempre se debe acompañar el valor p con eta cuadrado, V de Cramér o R cuadrado.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.10 15.10. La normalidad de residuos

¿Qué significa? El ANOVA clásico se basa en errores aproximadamente normales, no en exigir histogramas normales por grupo sin matices.

¿Cómo lo explicamos con nuestra base? Se revisa el gráfico Q-Q y se interpretan las pruebas formales con cautela.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.11 15.11. La igualdad de varianzas

¿Qué significa? La homocedasticidad implica variabilidad comparable entre los grupos.

¿Cómo lo explicamos con nuestra base? Si falla, Welch ajusta el contraste y evita imponer varianzas idénticas.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.12 15.12. La independencia

¿Qué significa? La independencia depende del diseño de recolección y no puede garantizarse con una gráfica.

¿Cómo lo explicamos con nuestra base? Canciones del mismo artista pueden parecerse entre sí y afectar la inferencia.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.13 15.13. Las comparaciones múltiples

¿Qué significa? Al comparar muchos pares aumenta la probabilidad de encontrar significancia por azar.

¿Cómo lo explicamos con nuestra base? Holm ajusta valores p y reduce ese riesgo familiar.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.14 15.14. La frecuencia observada

¿Qué significa? Cada celda de la tabla contiene el número real de canciones en una combinación de categorías.

¿Cómo lo explicamos con nuestra base? Nunca se introducen porcentajes como si fueran conteos en chisq.test.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.15 15.15. La frecuencia esperada

¿Qué significa? Bajo independencia, se calcula con total de fila por total de columna dividido por n.

¿Cómo lo explicamos con nuestra base? Si observado y esperado son similares, la celda contribuye poco al ji-cuadrado.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.16 15.16. El residuo ajustado

¿Qué significa? Los residuos ajustados muestran dirección y magnitud de desviaciones frente a independencia.

¿Cómo lo explicamos con nuestra base? Residuos positivos significan más casos observados de los esperados en esa celda.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.17 15.17. El V de Cramér

¿Qué significa? La medida resume fuerza de asociación entre categorías sin dirección causal.

¿Cómo lo explicamos con nuestra base? Una asociación estadística no significa que la positividad obligue a gustar de una canción.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.18 15.18. La pendiente

¿Qué significa? La pendiente describe el cambio esperado en la respuesta por unidad del predictor.

¿Cómo lo explicamos con nuestra base? Como valence va de cero a uno, suele ser más claro interpretar un incremento de 0,10.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.19 15.19. El intercepto

¿Qué significa? El intercepto es la respuesta esperada cuando el predictor vale cero.

¿Cómo lo explicamos con nuestra base? Aquí cero está dentro de la escala, pero el intercepto sigue siendo una predicción del modelo.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.20 15.20. El error residual

¿Qué significa? El residuo es observado menos predicho.

¿Cómo lo explicamos con nuestra base? Los residuos permiten detectar curvatura, varianza no constante y observaciones inusuales.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.21 15.21. El coeficiente R cuadrado

¿Qué significa? R cuadrado compara variación explicada por el modelo con variación total.

¿Cómo lo explicamos con nuestra base? Un R cuadrado pequeño no invalida automáticamente una asociación estadística.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.22 15.22. La extrapolación

¿Qué significa? Extrapolar es predecir fuera del rango usado para estimar el modelo.

¿Cómo lo explicamos con nuestra base? No deben hacerse predicciones de valence fuera del intervalo de cero a uno.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.23 15.23. El diagnóstico de influencia

¿Qué significa? Cook mide cuánto podrían variar los resultados por observaciones particulares.

¿Cómo lo explicamos con nuestra base? Se usa como alerta y no como excusa para borrar datos incómodos.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

15.24 15.24. La causalidad

¿Qué significa? Las tres pruebas describen diferencias o asociaciones, no mecanismos causales.

¿Cómo lo explicamos con nuestra base? No se puede concluir que cambiar valence haga que una persona prefiera la canción.

Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?

Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.

Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.

16 16. Verificación de coherencia con la presentación Canva

Esta sección permite detectar discrepancias entre el archivo CSV, el informe y las diapositivas. Las cifras esperadas son verificaciones de integridad, no sustitutos de los cálculos: todos los resultados anteriores se obtienen directamente de los registros de Kaggle.

# Conteos esperados según la clasificación predefinida [0,.33], (.33,.66], (.66,1].
conteos_calculados <- table(datos$alegria_grupo)
conteos_referencia <- c(Baja=603L, Media=826L, Alta=588L)
comparacion_conteos <- data.frame(
  grupo=names(conteos_referencia),
  referencia=as.integer(conteos_referencia),
  calculado=as.integer(conteos_calculados),
  coincide=as.integer(conteos_calculados)==as.integer(conteos_referencia)
)
knitr::kable(comparacion_conteos,
             caption="Verificación de los conteos usados en Canva")
Verificación de los conteos usados en Canva
grupo referencia calculado coincide
Baja 603 603 TRUE
Media 826 826 TRUE
Alta 588 588 TRUE
if (!all(comparacion_conteos$coincide)) {
  warning("Los conteos difieren de las diapositivas: revisar CSV o puntos de corte")
}

# La siguiente tabla es la fuente de la diapositiva de ji-cuadrado.
tabla_para_canva <- as.data.frame.matrix(tabla)
tabla_para_canva$Positividad <- rownames(tabla_para_canva)
tabla_para_canva <- tabla_para_canva[,c("Positividad","No le gustó","Le gustó")]
knitr::kable(tabla_para_canva,
             caption="Frecuencias observadas para Canva")
Frecuencias observadas para Canva
Positividad No le gustó Le gustó
Baja Baja 335 268
Media Media 415 411
Alta Alta 247 341
# Tabla de porcentajes por nivel: denominador = canciones de cada grupo.
porcentaje_favoritas <- 100*tabla[,"Le gustó"]/rowSums(tabla)
porcentaje_canva <- data.frame(
  grupo=names(porcentaje_favoritas),
  canciones=as.integer(rowSums(tabla)),
  favoritas=as.integer(tabla[,"Le gustó"]),
  porcentaje_favoritas=round(as.numeric(porcentaje_favoritas),2)
)
knitr::kable(porcentaje_canva,
             caption="Porcentajes por grupo (no porcentajes globales)")
Porcentajes por grupo (no porcentajes globales)
grupo canciones favoritas porcentaje_favoritas
Baja 603 268 44.44
Media 826 411 49.76
Alta 588 341 57.99

16.1 16.1. Contraste de resultados estadísticos con Canva

La salida se calcula sin redondear durante las pruebas y solo se redondea al presentar. Si cambia la base, el informe recalcula automáticamente los resultados y avisa si ya no coinciden con la presentación.

# Recalcular los promedios que deben aparecer en la diapositiva ANOVA.
medias_para_canva <- tapply(datos$danceability,datos$alegria_grupo,mean)

# Recalcular la regresión y la proporción de variabilidad explicada.
coeficientes_canva <- coef(modelo_lm)
r2_canva <- summary(modelo_lm)$r.squared

# Tabla unificada de resultados observados.
resumen_canva <- data.frame(
  indicador=c("ANOVA F clásico", "ANOVA p clásico", "Welch F",
              "Welch p", "Ji-cuadrado", "Ji-cuadrado p",
              "V de Cramér", "Regresión intercepto",
              "Regresión pendiente", "Regresión R2"),
  calculado=c(unname(f_manual), unname(p_manual),
             unname(welch$statistic), unname(welch$p.value),
             unname(prueba_chi$statistic), unname(prueba_chi$p.value),
             unname(v_cramer), unname(coeficientes_canva[1]),
             unname(coeficientes_canva[2]), unname(r2_canva))
)
knitr::kable(resumen_canva,digits=8,
             caption="Estadísticos calculados a partir del CSV")
Estadísticos calculados a partir del CSV
indicador calculado
ANOVA F clásico 199.19347104
ANOVA p clásico 0.00000000
Welch F 191.36973284
Welch p 0.00000000
Ji-cuadrado 22.23164587
Ji-cuadrado p 0.00001488
V de Cramér 0.10498636
Regresión intercepto 0.56393019
Regresión pendiente 0.23680233
Regresión R2 0.07749718
cat("Bailabilidad por grupo: ",
    paste(names(medias_para_canva),round(medias_para_canva,4),collapse="; "),"\n")
## Bailabilidad por grupo:  Baja 0.5282; Media 0.6282; Alta 0.6972
# Comprobaciones de integridad para evitar entregar resultados incoherentes.
stopifnot(sum(tabla)==nrow(datos))
stopifnot(all(is.finite(resumen_canva$calculado)))
stopifnot(abs(chi_manual-unname(prueba_chi$statistic))<1e-8)
stopifnot(abs(f_manual-unname(summary(modelo_anova)[[1]][["F value"]][1]))<1e-8)

17 17. Gráficos adicionales para sustentar los supuestos

Las siguientes figuras complementan la exposición: el boxplot permite visualizar las distribuciones de bailabilidad por grupo y el gráfico de residuos permite identificar si la dispersión del modelo lineal cambia a lo largo de la positividad musical.

boxplot(split(datos$danceability, datos$alegria_grupo),
        col=c("#F3A5C6","#A4E5D3","#1DB954"),
        border="#262626",outline=TRUE,
        main="Bailabilidad según positividad musical",
        xlab="Positividad musical",ylab="Bailabilidad (0 a 1)")
stripchart(split(datos$danceability, datos$alegria_grupo),
           vertical=TRUE,method="jitter",pch=16,cex=.18,
           col=rgb(0,0,0,.12),add=TRUE)

plot(datos$valence,residuals(modelo_lm),
     pch=16,cex=.45,col=rgb(.15,.55,.4,.23),
     xlab="Positividad (valence)",
     ylab="Residuo: energía observada - energía estimada",
     main="Residuos de la regresión lineal")
abline(h=0,col="#D14B8F",lwd=2,lty=2)
lines(lowess(datos$valence,residuals(modelo_lm)),
      col="#173B2D",lwd=2)
legend("topright",legend=c("Cero","Tendencia local"),
       col=c("#D14B8F","#173B2D"),lty=c(2,1),bty="n")

18 18. Guía de interpretación de los resultados

Si el valor p es inferior a 0,05: hay evidencia contra la hipótesis nula de la prueba correspondiente. No significa que la hipótesis alternativa tenga una probabilidad del 95 % de ser cierta.

Si el V de Cramér es pequeño: la asociación entre las dos variables categóricas puede ser estadísticamente significativa sin ser intensa.

Si el R² es pequeño: la positividad musical explica solo una parte limitada de las diferencias de energía entre canciones. No implica que la pendiente sea cero.

Si falla la homogeneidad de varianzas: Welch es la referencia principal para el ANOVA y las comparaciones de pares deben evitar asumir varianzas iguales.

Si los residuos no son normales: los resultados inferenciales deben contextualizarse y contrastarse con los gráficos, el tamaño muestral y los análisis de sensibilidad.

Si una canción aparece varias veces o varios registros comparten artista: la independencia de observaciones no está garantizada, aunque no existan filas idénticas.

Lo que NO podemos afirmar: que las canciones alegres son universalmente más populares, que el sonido alegre causa preferencia, o que los datos describen a todos los oyentes de Spotify.