Referencias bibliograficas

• Dhana, Klodian (2015). How to Deal with Missing Values in R. Consult: 8/9/2019. Disponible: https://datascienceplus.com/missing-values-in-r/.

• Kabacoff, R. (2017). Missing Data. Quick-R. Consult: 8/9/2019. Disponible: https://www.statmethods.net/input/missingdata.html

• UCLA (2012). How does R handle missing values?. Institute for Digital Research and Education. Consult: 8/9/2019. Disponible: https://stats.idre.ucla.edu/r/faq/how-does-r-handle-missing-values/.

• BEST: Behavioral Economics & Data Science Team. (2019, 4 febrero). Data Science con R: Fundamentos y aplicaciones. https://bookdown.org/BEST/DSFA/limpieza-de-datos.html

• RPUBS - Gráficos univariados y bivariados. (s. f.). https://rpubs.com/jformoso/838661

• Visualización de datos multivariados - MATLAB & Simulink Example - MathWorks América Latina. (s. f.). https://la.mathworks.com/help/stats/visualizing-multivariate-data.html

• Rubén Fernández, et al. (s/f). Introducción al Análisis de Datos con R. Github.io. Recuperado el 1 de diciembre de 2023, de https://rubenfcasal.github.io/intror/Intro_Analisis_Datos_R.pdf

• Nelson, D. (2019, noviembre 14). Datos estructurados vs no estructurados. Unite.AI. https://www.unite.ai/es/datos-estructurados-vs-no-estructurados/