Trabajo Práctico — Fundamentos de Captura de Datos
Especialización en Ciencia de Datos – UNLaM
Grupo 10 | Año 2025

Este proyecto tiene como objetivo desarrollar modelos estadísticos que permitan predecir el porcentaje de grasa corporal a partir de variables antropométricas. Utilizando técnicas de regresión lineal simple y múltiple, se busca evaluar qué medidas corporales tienen mayor poder predictivo sobre el porcentaje de grasa, con el fin de construir un modelo explicativo robusto y aplicable en contextos clínicos o poblacionales.

El análisis se basa en el dataset obesidad25, el cual contiene mediciones reales de 260 individuos, incluyendo variables como peso, altura, cuello, pecho, abdomen, cadera, muslo y rodilla.

• Realizar un análisis exploratorio de datos (EDA) para identificar patrones, distribuciones y outliers.
• Ajustar un modelo de regresión lineal simple, seleccionando la mejor variable predictora.
• Desarrollar modelos de regresión múltiple, con selección automática y manual de variables.
• Evaluar los supuestos clásicos del modelo lineal y detectar posibles problemas como multicolinealidad o observaciones influyentes.
• Generar predicciones para nuevos casos con sus respectivos intervalos de confianza y predicción.

• TP_RL_grasa_corporal.pdf: Informe final del trabajo práctico
• TP_RL_grasa_corporal_script.R: Código completo del análisis en R
• TP_RL_grasa_corporal.Rmd: Documento RMarkdown con visualizaciones interactivas y vistas en HTML

• La variable abdomen mostró la mayor correlación con el porcentaje de grasa corporal (r = 0.80).
• El modelo simple grc ~ abdomen explicó el 64.5% de la variabilidad (R² ajustado = 0.644).
• El mejor modelo múltiple fue el seleccionado automáticamente por AIC (stepwise), incluyendo:
  altura + cuello + abdomen + cadera
  Este modelo presentó:
  • R² ajustado = 0.698
  • Bajo error estándar residual = 4.537
  • Cumplimiento razonable de supuestos clásicos

• Lenguaje: R
• Librerías: ggplot2, dplyr, car, GGally, MASS, entre otras
• Entorno: RStudio + R Markdown

Grupo 10 – Especialización en Ciencia de Datos – UNLaM

• Yesica Fica Millán
• Florencia Miranda Charca
• Franco Petraroia

Este proyecto se encuentra disponible solo con fines educativos. Para usos distintos, por favor contactar a los autores.

Para consultas, sugerencias o colaboraciones, podés escribirme por LinkedIn o abrir un Issue en este repositorio.