Ejemplo estadístico del peso de los niños al nacer

Contenido del Bootcamp Dirigido por: | Última modificación: 9 de julio de 2024 | Tiempo de Lectura: 3 minutos

Algunos de nuestros reconocimientos:

Premios KeepCoding

Practicar por medio de cuestiones como un ejemplo estadístico del peso de los niños al nacer es una de las estrategias más funcionales para potenciar los conocimientos teóricos, puesto que de esta forma se llevan a la práctica y se profundizan.

De manera que, una vez se estudian factores como la media, la mediada, la probabilidad, los test estadísticos, etc, podrás utilizar datos aleatorios que te ayuden a comprender mucho mejor estos estudios desde la práctica.

De hecho, desarrollar ejemplos prácticos es uno de los mejores métodos para formalizar los estudios antes de implementarlos a un procesamiento de datos real en una organización. Por esta razón, en este post te exponemos un ejemplo estadístico del peso de los niños al nacer.

Ejemplo estadístico del peso de los niños al nacer

Para el ejemplo estadístico del peso de los niños al nacer usaremos este dataset que contiene información de bebés recién nacidos y sus padres.

De esta manera, podrás usarlo como regresión para ver cuáles son los factores que más afectan al peso del niño. Como habrás podido notar, se emplearán las siguientes variables:

NombreVariable
BirthweightPeso al nacer (libras).
GestationSemanas que duró la gestación.
motherageEdad de la madre.
mnocigNúmero de cigarros al día fumados por la madre.
mheightAltura de la madre (pulgadas).

A partir de allí, se produce el siguiente desarrollo en la inscripción para el análisis del ejemplo estadístico del peso de los niños al nacer:

bwt<-read.csv("data/birthweight_reduced.csv")
str(bwt)
library(GGally)
options(repr.plot.height=5,repr.plot.width=7)
ggpairs(bwt[,c("Gestation","motherage","mnocig","mheight","Birthweight")],
       #lower = list(continuous = wrap("density", alpha = 0.8,size=0.2,color='blue'))
       lower = list(continuous = wrap("points", alpha = 0.3,size=0.1,color='blue'))
       )

Este ejemplo estadístico del peso de los niños al nacer con sus respectivas variables generaría los siguientes gráficos:

model<-lm(data=bwt, formula = Birthweight ~ Gestation+motherage+mnocig+mheight)
summary(model)
confint(model)

A matrix: 5 × 2 of type dbl

2.5 %97.5 %
(Intercept)-22.20496254-6.644928693
Gestation0.221074410.440169668
motherage-0.037468880.068295387
mnocig-0.05041666-0.001846692
mheight0.018012210.248570832

De esta manera, se evidencia que los valores que más influencia parecen ser aquellos que presentan un pvalor (Pr) más bajo, es decir, el número de * que hay a la derecha de cada fila indica su grado de confianza.

De igual forma, la variable que más parece influir es la gestación, dado que por cada semana de gestación el bebé gana 0.33062 libras de peso. En cambio, por cada cigarro al día que fuma la madre el peso del bebé podría disminuir en 0.02613 libras.

Por otra parte, la altura de la madre también parece tener cierta influencia; por cada pulgada más que mida la madre el bebé pesará 0.13329 libras más. En cambio, la edad de la madre parece no tener ningún efecto estadístico significativo.

model<-lm(data=bwt, formula = Birthweight ~ Gestation+mnocig+mheight)
summary(model)
confint(model)

A matrix: 4 × 2 of type dbl

2.5 %97.5 %
(Intercept)-21.61203867-6.439988997
Gestation0.222071080.439087856
mnocig-0.04638373-0.001099777
mheight0.018709900.247064970
predict(model, data.frame(Gestation=37.5, mnocig=0, mheight=65))

1: 7.00839947915333

En este post, te hemos expuesto un breve ejemplo estadístico del peso de los niños al nacer, por medio del que podrás practicar cómo funciona este tipo de estudio a partir de datos reales que potenciarán tus conocimientos teóricos a través de la práctica. Desde KeepCoding te aconsejamos seguir realizando este tipo de ejemplo y continuar aprendiendo sobre el manejo del Big Data.

Nuestro Bootcamp Full Stack Big Data, Inteligencia Artificial & Machine Learning es ideal para ti. En él, verás cómo el análisis exploratorio de datos es el primer paso que todo data scientist tiene que tomar. Para ello, es fundamental tener un buen conocimiento de estadística que te permita saber si ciertas variables tienen relación o no o si varios grupos de datos se pueden considerar diferentes o iguales. ¿A qué estás esperando para empezar? ¡Apúntate ya!

Posts más leídos

¡CONVOCATORIA ABIERTA!

Big Data, IA & Machine Learning

Full Stack Bootcamp

Clases en Directo | Profesores en Activo | Temario 100% actualizado