Si queremos crear vectores en R, utilizamos la función c. En este caso, la c es de combinar (combinar uno o más valores o elementos). # Vectores

# Creando vectores en R con la función 'c'
x <- c(12, 6)
y <- c(2, 13)
y

## [1]  2 13

## [1] 12  6

#concatenar 
c(y, x)

## [1]  2 13 12  6

#Comparando dos vectores
x<y

## [1] FALSE  TRUE

x>y

## [1]  TRUE FALSE

crear vector carácter con nombre

nombre <- c("octavio", "daniel", "alfredo")
nombre

## [1] "octavio" "daniel"  "alfredo"

# crear vector numérico
numerico<-c("1","2","3","4")
numerico

## [1] "1" "2" "3" "4"

# crear vector lógico 
logico<- c(FALSE, FALSE, TRUE, TRUE)
logico

## [1] FALSE FALSE  TRUE  TRUE

podemos calcular cuántos elementos tiene un vector con la función length, o longitud.

length(numerico)

## [1] 4

length(logico)

## [1] 4

ordenar vector con funcion sort

sort(nombre)

## [1] "alfredo" "daniel"  "octavio"

ejemplo de vectores con base de fallecidos covid Peru

distancia <- c(241, 284, 220, 272, 271, 268,
               291, 241, 286, 285, 259, 299,
               253, 239, 277, 263, 267, 272)

distancia

##  [1] 241 284 220 272 271 268 291 241 286 285 259 299 253 239 277 263 267 272

sort(distancia)

##  [1] 220 239 241 241 253 259 263 267 268 271 272 272 277 284 285 286 291 299

length(distancia)

## [1] 18

mean(distancia)

## [1] 266

x<-mean(distancia)
x

## [1] 266

hacer histograma

#grafica de histograma

hist(distancia,main ="Histograma de frecuencias",col="red" ,ylab = "Densidad",ylim = c(0,5))

plot(distancia,main ="Histograma de frecuencias",col="blue",)

Librerias

library(readxl) # read_excel
library(writexl) # write_xlsx

## Warning: package 'writexl' was built under R version 4.2.3

library(knitr)
library(tidyverse) #%>%

## Warning: package 'tidyverse' was built under R version 4.2.3

## Warning: package 'ggplot2' was built under R version 4.2.3

## Warning: package 'tibble' was built under R version 4.2.3

## Warning: package 'dplyr' was built under R version 4.2.3

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.1     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the ]8;;http://conflicted.r-lib.org/conflicted package]8;; to force all conflicts to become errors

library(dplyr)  # selec, mutate,...
library(psych) # describe()

## 
## Attaching package: 'psych'
## 
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha

library(FSA) # Summarize()

## Warning: package 'FSA' was built under R version 4.2.3

## ## FSA v0.9.5. See citation('FSA') if used in publication.
## ## Run fishR() for related website and fishR('IFAR') for related book.
## 
## Attaching package: 'FSA'
## 
## The following object is masked from 'package:psych':
## 
##     headtail

library(data.table)

## Warning: package 'data.table' was built under R version 4.2.3

## 
## Attaching package: 'data.table'
## 
## The following objects are masked from 'package:lubridate':
## 
##     hour, isoweek, mday, minute, month, quarter, second, wday, week,
##     yday, year
## 
## The following objects are masked from 'package:dplyr':
## 
##     between, first, last
## 
## The following object is masked from 'package:purrr':
## 
##     transpose

library(flextable)

## Warning: package 'flextable' was built under R version 4.2.3

## 
## Attaching package: 'flextable'
## 
## The following object is masked from 'package:purrr':
## 
##     compose

#library(xlsxjars) #write.xlsx
#library(rJava)
#library(xlsx)
#require(xlsx)

fallecidos_covid_Peru <- read_excel("C:/Users/octa1/Downloads/INTRODUCCION SDE SOTWARE/fallecidos_covid_Peru.xlsx")

View(fallecidos_covid_Peru) ##permite visualizar los datos contenidos en un objeto fallecidos covid Peru.

attach(fallecidos_covid_Peru) #como tomar base datos,junto con sus variables

class(fallecidos_covid_Peru)##permite visualizar los datos contenidos en un objeto res en fallecido covid peru,tbl_df un marco de datos ,data.frame estructura de datos que almacena diferentes tipos de datos en columnas y filas.

## [1] "tbl_df"     "tbl"        "data.frame"

head(fallecidos_covid_Peru)#leer datos

## # A tibble: 6 × 9
##   FECHA_CORTE UUID            FECHA_FALLECIMIENTO EDAD_DECLARADA SEXO  FECHA_NAC
##         <dbl> <chr>                         <dbl>          <dbl> <chr>     <dbl>
## 1    20200918 7320cabdc1aaca…            20200319             78 MASC…  19411013
## 2    20200918 e81602051997ac…            20200319             69 MASC…  19510305
## 3    20200918 cecdbf10074dbc…            20200321             83 MASC…  19390817
## 4    20200918 71ecb6bccb248b…            20200324             65 FEME…  19540104
## 5    20200918 566af4276cbe93…            20200324             76 MASC…        NA
## 6    20200918 027561e9d126e7…            20200324             94 MASC…  19251206
## # ℹ 3 more variables: DEPARTAMENTO <chr>, PROVINCIA <chr>, DISTRITO <chr>

dim(fallecidos_covid_Peru) #dimenciones de datos que estan almacenados

## [1] 31369     9

#9 variables y 31369 datos, 9 variables que sta en filas, 31369 datos en columnas

Exportación de bases de fallecidos covid Peru

res<-table(SEXO,EDAD_DECLARADA)#res le asigno a table, adentro selecciono las variables que quiero,selecciono sexo edaddeclara 

View(res)#permite visualizar los datos contenidos en un objeto res

class(res)#permite visualizar los datos contenidos en un objeto res

## [1] "table"

res<-as.data.frame(res)#crear un base de datos con el nombre res.

class(res)#dlases de data frame

## [1] "data.frame"

1.2 Manejo de vectores y matrices

Análisis

table(SEXO) # Vector

## SEXO
##  FEMENINO MASCULINO 
##      9366     22003

table(EDAD_DECLARADA) # vector

## EDAD_DECLARADA
##   0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19 
##  14  11   9   6   9   6   4   8   6   7   8   4   6   2   7   8   5  12   8   6 
##  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39 
##  14  15  22  29  24  20  27  33  42  28  50  52  81  64  94  76  69 109 119 149 
##  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59 
## 141 198 174 211 225 291 275 296 354 370 395 434 449 496 542 622 632 713 666 743 
##  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79 
## 809 857 820 914 833 952 936 871 877 907 842 825 855 882 811 774 727 723 614 627 
##  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99 
## 657 583 547 490 482 445 379 343 294 271 215 161 165 112  83  67  39  26  25  18 
## 100 101 102 103 104 107 108 
##   8   6   1   1   3   1   1

summary(EDAD_DECLARADA)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   57.00   67.00   65.85   76.00  108.00

edad.m<-data.frame(table(EDAD_DECLARADA))

edad.m%>% #%>% pipa para expresar una secuencia de isntruciones.library tidyverse) #%>%
  flextable()

EDAD_DECLARADA	Freq
0	14
1	11
2	9
3	6
4	9
5	6
6	4
7	8
8	6
9	7
10	8
11	4
12	6
13	2
14	7
15	8
16	5
17	12
18	8
19	6
20	14
21	15
22	22
23	29
24	24
25	20
26	27
27	33
28	42
29	28
30	50
31	52
32	81
33	64
34	94
35	76
36	69
37	109
38	119
39	149
40	141
41	198
42	174
43	211
44	225
45	291
46	275
47	296
48	354
49	370
50	395
51	434
52	449
53	496
54	542
55	622
56	632
57	713
58	666
59	743
60	809
61	857
62	820
63	914
64	833
65	952
66	936
67	871
68	877
69	907
70	842
71	825
72	855
73	882
74	811
75	774
76	727
77	723
78	614
79	627
80	657
81	583
82	547
83	490
84	482
85	445
86	379
87	343
88	294
89	271
90	215
91	161
92	165
93	112
94	83
95	67
96	39
97	26
98	25
99	18
100	8
101	6
102	1
103	1
104	3
107	1
108	1

hist(EDAD_DECLARADA, main="Población total")

res<-table(SEXO,EDAD_DECLARADA)

res<-as.data.frame(res)
res%>% 
  flextable()

SEXO	EDAD_DECLARADA	Freq
FEMENINO	0	8
MASCULINO	0	6
FEMENINO	1	4
MASCULINO	1	7
FEMENINO	2	6
MASCULINO	2	3
FEMENINO	3	2
MASCULINO	3	4
FEMENINO	4	3
MASCULINO	4	6
FEMENINO	5	4
MASCULINO	5	2
FEMENINO	6	1
MASCULINO	6	3
FEMENINO	7	1
MASCULINO	7	7
FEMENINO	8	3
MASCULINO	8	3
FEMENINO	9	3
MASCULINO	9	4
FEMENINO	10	3
MASCULINO	10	5
FEMENINO	11	2
MASCULINO	11	2
FEMENINO	12	2
MASCULINO	12	4
FEMENINO	13	2
MASCULINO	13	0
FEMENINO	14	4
MASCULINO	14	3
FEMENINO	15	4
MASCULINO	15	4
FEMENINO	16	2
MASCULINO	16	3
FEMENINO	17	1
MASCULINO	17	11
FEMENINO	18	3
MASCULINO	18	5
FEMENINO	19	4
MASCULINO	19	2
FEMENINO	20	3
MASCULINO	20	11
FEMENINO	21	6
MASCULINO	21	9
FEMENINO	22	6
MASCULINO	22	16
FEMENINO	23	13
MASCULINO	23	16
FEMENINO	24	15
MASCULINO	24	9
FEMENINO	25	5
MASCULINO	25	15
FEMENINO	26	10
MASCULINO	26	17
FEMENINO	27	13
MASCULINO	27	20
FEMENINO	28	16
MASCULINO	28	26
FEMENINO	29	4
MASCULINO	29	24
FEMENINO	30	15
MASCULINO	30	35
FEMENINO	31	23
MASCULINO	31	29
FEMENINO	32	24
MASCULINO	32	57
FEMENINO	33	24
MASCULINO	33	40
FEMENINO	34	33
MASCULINO	34	61
FEMENINO	35	21
MASCULINO	35	55
FEMENINO	36	20
MASCULINO	36	49
FEMENINO	37	26
MASCULINO	37	83
FEMENINO	38	28
MASCULINO	38	91
FEMENINO	39	42
MASCULINO	39	107
FEMENINO	40	48
MASCULINO	40	93
FEMENINO	41	49
MASCULINO	41	149
FEMENINO	42	41
MASCULINO	42	133
FEMENINO	43	46
MASCULINO	43	165
FEMENINO	44	59
MASCULINO	44	166
FEMENINO	45	70
MASCULINO	45	221
FEMENINO	46	72
MASCULINO	46	203
FEMENINO	47	76
MASCULINO	47	220
FEMENINO	48	87
MASCULINO	48	267
FEMENINO	49	94
MASCULINO	49	276
FEMENINO	50	89
MASCULINO	50	306
FEMENINO	51	113
MASCULINO	51	321
FEMENINO	52	92
MASCULINO	52	357
FEMENINO	53	109
MASCULINO	53	387
FEMENINO	54	134
MASCULINO	54	408
FEMENINO	55	151
MASCULINO	55	471
FEMENINO	56	156
MASCULINO	56	476
FEMENINO	57	185
MASCULINO	57	528
FEMENINO	58	186
MASCULINO	58	480
FEMENINO	59	188
MASCULINO	59	555
FEMENINO	60	204
MASCULINO	60	605
FEMENINO	61	214
MASCULINO	61	643
FEMENINO	62	250
MASCULINO	62	570
FEMENINO	63	290
MASCULINO	63	624
FEMENINO	64	254
MASCULINO	64	579
FEMENINO	65	294
MASCULINO	65	658
FEMENINO	66	292
MASCULINO	66	644
FEMENINO	67	239
MASCULINO	67	632
FEMENINO	68	293
MASCULINO	68	584
FEMENINO	69	276
MASCULINO	69	631
FEMENINO	70	256
MASCULINO	70	586
FEMENINO	71	263
MASCULINO	71	562
FEMENINO	72	264
MASCULINO	72	591
FEMENINO	73	271
MASCULINO	73	611
FEMENINO	74	250
MASCULINO	74	561
FEMENINO	75	252
MASCULINO	75	522
FEMENINO	76	216
MASCULINO	76	511
FEMENINO	77	224
MASCULINO	77	499
FEMENINO	78	193
MASCULINO	78	421
FEMENINO	79	219
MASCULINO	79	408
FEMENINO	80	222
MASCULINO	80	435
FEMENINO	81	189
MASCULINO	81	394
FEMENINO	82	173
MASCULINO	82	374
FEMENINO	83	162
MASCULINO	83	328
FEMENINO	84	169
MASCULINO	84	313
FEMENINO	85	150
MASCULINO	85	295
FEMENINO	86	132
MASCULINO	86	247
FEMENINO	87	131
MASCULINO	87	212
FEMENINO	88	101
MASCULINO	88	193
FEMENINO	89	95
MASCULINO	89	176
FEMENINO	90	76
MASCULINO	90	139
FEMENINO	91	67
MASCULINO	91	94
FEMENINO	92	61
MASCULINO	92	104
FEMENINO	93	44
MASCULINO	93	68
FEMENINO	94	34
MASCULINO	94	49
FEMENINO	95	33
MASCULINO	95	34
FEMENINO	96	17
MASCULINO	96	22
FEMENINO	97	12
MASCULINO	97	14
FEMENINO	98	10
MASCULINO	98	15
FEMENINO	99	11
MASCULINO	99	7
FEMENINO	100	4
MASCULINO	100	4
FEMENINO	101	2
MASCULINO	101	4
FEMENINO	102	1
MASCULINO	102	0
FEMENINO	103	1
MASCULINO	103	0
FEMENINO	104	1
MASCULINO	104	2
FEMENINO	107	0
MASCULINO	107	1
FEMENINO	108	0
MASCULINO	108	1

res<-as.data.frame(res)

res%>% 
  flextable()

SEXO	EDAD_DECLARADA	Freq
FEMENINO	0	8
MASCULINO	0	6
FEMENINO	1	4
MASCULINO	1	7
FEMENINO	2	6
MASCULINO	2	3
FEMENINO	3	2
MASCULINO	3	4
FEMENINO	4	3
MASCULINO	4	6
FEMENINO	5	4
MASCULINO	5	2
FEMENINO	6	1
MASCULINO	6	3
FEMENINO	7	1
MASCULINO	7	7
FEMENINO	8	3
MASCULINO	8	3
FEMENINO	9	3
MASCULINO	9	4
FEMENINO	10	3
MASCULINO	10	5
FEMENINO	11	2
MASCULINO	11	2
FEMENINO	12	2
MASCULINO	12	4
FEMENINO	13	2
MASCULINO	13	0
FEMENINO	14	4
MASCULINO	14	3
FEMENINO	15	4
MASCULINO	15	4
FEMENINO	16	2
MASCULINO	16	3
FEMENINO	17	1
MASCULINO	17	11
FEMENINO	18	3
MASCULINO	18	5
FEMENINO	19	4
MASCULINO	19	2
FEMENINO	20	3
MASCULINO	20	11
FEMENINO	21	6
MASCULINO	21	9
FEMENINO	22	6
MASCULINO	22	16
FEMENINO	23	13
MASCULINO	23	16
FEMENINO	24	15
MASCULINO	24	9
FEMENINO	25	5
MASCULINO	25	15
FEMENINO	26	10
MASCULINO	26	17
FEMENINO	27	13
MASCULINO	27	20
FEMENINO	28	16
MASCULINO	28	26
FEMENINO	29	4
MASCULINO	29	24
FEMENINO	30	15
MASCULINO	30	35
FEMENINO	31	23
MASCULINO	31	29
FEMENINO	32	24
MASCULINO	32	57
FEMENINO	33	24
MASCULINO	33	40
FEMENINO	34	33
MASCULINO	34	61
FEMENINO	35	21
MASCULINO	35	55
FEMENINO	36	20
MASCULINO	36	49
FEMENINO	37	26
MASCULINO	37	83
FEMENINO	38	28
MASCULINO	38	91
FEMENINO	39	42
MASCULINO	39	107
FEMENINO	40	48
MASCULINO	40	93
FEMENINO	41	49
MASCULINO	41	149
FEMENINO	42	41
MASCULINO	42	133
FEMENINO	43	46
MASCULINO	43	165
FEMENINO	44	59
MASCULINO	44	166
FEMENINO	45	70
MASCULINO	45	221
FEMENINO	46	72
MASCULINO	46	203
FEMENINO	47	76
MASCULINO	47	220
FEMENINO	48	87
MASCULINO	48	267
FEMENINO	49	94
MASCULINO	49	276
FEMENINO	50	89
MASCULINO	50	306
FEMENINO	51	113
MASCULINO	51	321
FEMENINO	52	92
MASCULINO	52	357
FEMENINO	53	109
MASCULINO	53	387
FEMENINO	54	134
MASCULINO	54	408
FEMENINO	55	151
MASCULINO	55	471
FEMENINO	56	156
MASCULINO	56	476
FEMENINO	57	185
MASCULINO	57	528
FEMENINO	58	186
MASCULINO	58	480
FEMENINO	59	188
MASCULINO	59	555
FEMENINO	60	204
MASCULINO	60	605
FEMENINO	61	214
MASCULINO	61	643
FEMENINO	62	250
MASCULINO	62	570
FEMENINO	63	290
MASCULINO	63	624
FEMENINO	64	254
MASCULINO	64	579
FEMENINO	65	294
MASCULINO	65	658
FEMENINO	66	292
MASCULINO	66	644
FEMENINO	67	239
MASCULINO	67	632
FEMENINO	68	293
MASCULINO	68	584
FEMENINO	69	276
MASCULINO	69	631
FEMENINO	70	256
MASCULINO	70	586
FEMENINO	71	263
MASCULINO	71	562
FEMENINO	72	264
MASCULINO	72	591
FEMENINO	73	271
MASCULINO	73	611
FEMENINO	74	250
MASCULINO	74	561
FEMENINO	75	252
MASCULINO	75	522
FEMENINO	76	216
MASCULINO	76	511
FEMENINO	77	224
MASCULINO	77	499
FEMENINO	78	193
MASCULINO	78	421
FEMENINO	79	219
MASCULINO	79	408
FEMENINO	80	222
MASCULINO	80	435
FEMENINO	81	189
MASCULINO	81	394
FEMENINO	82	173
MASCULINO	82	374
FEMENINO	83	162
MASCULINO	83	328
FEMENINO	84	169
MASCULINO	84	313
FEMENINO	85	150
MASCULINO	85	295
FEMENINO	86	132
MASCULINO	86	247
FEMENINO	87	131
MASCULINO	87	212
FEMENINO	88	101
MASCULINO	88	193
FEMENINO	89	95
MASCULINO	89	176
FEMENINO	90	76
MASCULINO	90	139
FEMENINO	91	67
MASCULINO	91	94
FEMENINO	92	61
MASCULINO	92	104
FEMENINO	93	44
MASCULINO	93	68
FEMENINO	94	34
MASCULINO	94	49
FEMENINO	95	33
MASCULINO	95	34
FEMENINO	96	17
MASCULINO	96	22
FEMENINO	97	12
MASCULINO	97	14
FEMENINO	98	10
MASCULINO	98	15
FEMENINO	99	11
MASCULINO	99	7
FEMENINO	100	4
MASCULINO	100	4
FEMENINO	101	2
MASCULINO	101	4
FEMENINO	102	1
MASCULINO	102	0
FEMENINO	103	1
MASCULINO	103	0
FEMENINO	104	1
MASCULINO	104	2
FEMENINO	107	0
MASCULINO	107	1
FEMENINO	108	0
MASCULINO	108	1

# Seleccionar un mes

fallecidos_covid_Peru$Mes<-substr(FECHA_FALLECIMIENTO,5,6)
#tomar la variable mes en base de datos fallecidos covid peru y sustraerla  fecha de naciemieento, que tome de 5 a 6


fallecidos_covid_Peru%>% # para que nos muestre base de datos tenemos, con flextavle() para que nos muestre la tabla.
  count(Mes)%>% #contar
  flextable()

Mes	n
03	77
04	2,756
05	7,044
06	8,165
07	5,682
08	5,344
09	2,301

# Tarea separar los totales de mes por sexo

#--- Uso de dplyer y tydiverse

fallecidos_covid_Peru%>% #%>% pipa para expresar una secuencia de isntruciones.
  select(SEXO, EDAD_DECLARADA)%>%
 dplyr::filter(SEXO=="MASCULINO",EDAD_DECLARADA==35)%>% #filter , es para seleccionar  sexo que son masculino,con edad declarada de 35 años
  count(SEXO)%>%  # y tambien count para que nos cuente el sexo masculino.
  flextable()# para que nos mande la tabla.de la declaracion

SEXO	n
MASCULINO	55

#-----

table(SEXO) #la tabla de base de datos de la variable sexo

## SEXO
##  FEMENINO MASCULINO 
##      9366     22003

fallecidos_covid_Peru%>%   
  group_by(SEXO)%>% #agrupa un conjunto de filas seleccionado en un conjunto de filas 
  summarise(Total=n())%>% #para que nos muestre el resultados asignamos a total la suma total de sexo femenino y masculino
  flextable()

SEXO	Total
FEMENINO	9,366
MASCULINO	22,003

prop.table(table(SEXO))#que puede ser utilizada para calcular las proporciones de una tabla de datos.aqui la fecuencia

## SEXO
##  FEMENINO MASCULINO 
##  0.298575  0.701425

prop.table(table(SEXO))*100 #el porcentajes

## SEXO
##  FEMENINO MASCULINO 
##   29.8575   70.1425

dat1<- fallecidos_covid_Peru%>%   
         group_by(SEXO)%>% #agrupa un conjunto de filas seleccionado seria variable sexo 
         summarise(Total=n())%>% #para que nos muestre el resultados, asignamos el total el resultado total del sexo.
         mutate(Frecuencia=Total/sum(Total),Porcentaje=(Total/sum(Total))*100)
#mutate permite solo calcular , en este ejemplo carlcular lo de adentro 


flextable(dat1)#que nos muestre la tabla de base de datos de dat1 que asigmanos anteriormente.

SEXO	Total	Frecuencia	Porcentaje
FEMENINO	9,366	0.298575	29.8575
MASCULINO	22,003	0.701425	70.1425

13 de diciembre

OCTAVIO HERNANDEZ SATURNINO

2023-12-14

crear vector carácter con nombre

Librerias

Exportación de bases de fallecidos covid Peru

1.2 Manejo de vectores y matrices

Análisis

EDAD_DECLARADA	Freq
0	14
1	11
2	9
3	6
4	9
5	6
6	4
7	8
8	6
9	7
10	8
11	4
12	6
13	2
14	7
15	8
16	5
17	12
18	8
19	6
20	14
21	15
22	22
23	29
24	24
25	20
26	27
27	33
28	42
29	28
30	50
31	52
32	81
33	64
34	94
35	76
36	69
37	109
38	119
39	149
40	141
41	198
42	174
43	211
44	225
45	291
46	275
47	296
48	354
49	370
50	395
51	434
52	449
53	496
54	542
55	622
56	632
57	713
58	666
59	743
60	809
61	857
62	820
63	914
64	833
65	952
66	936
67	871
68	877
69	907
70	842
71	825
72	855
73	882
74	811
75	774
76	727
77	723
78	614
79	627
80	657
81	583
82	547
83	490
84	482
85	445
86	379
87	343
88	294
89	271
90	215
91	161
92	165
93	112
94	83
95	67
96	39
97	26
98	25
99	18
100	8
101	6
102	1
103	1
104	3
107	1
108	1

EDAD_DECLARADA	Freq
0	14
1	11
2	9
3	6
4	9
5	6
6	4
7	8
8	6
9	7
10	8
11	4
12	6
13	2
14	7
15	8
16	5
17	12
18	8
19	6
20	14
21	15
22	22
23	29
24	24
25	20
26	27
27	33
28	42
29	28
30	50
31	52
32	81
33	64
34	94
35	76
36	69
37	109
38	119
39	149
40	141
41	198
42	174
43	211
44	225
45	291
46	275
47	296
48	354
49	370
50	395
51	434
52	449
53	496
54	542
55	622
56	632
57	713
58	666
59	743
60	809
61	857
62	820
63	914
64	833
65	952
66	936
67	871
68	877
69	907
70	842
71	825
72	855
73	882
74	811
75	774
76	727
77	723
78	614
79	627
80	657
81	583
82	547
83	490
84	482
85	445
86	379
87	343
88	294
89	271
90	215
91	161
92	165
93	112
94	83
95	67
96	39
97	26
98	25
99	18
100	8
101	6
102	1
103	1
104	3
107	1
108	1

EDAD_DECLARADA	Freq
0	14
1	11
2	9
3	6
4	9
5	6
6	4
7	8
8	6
9	7
10	8
11	4
12	6
13	2
14	7
15	8
16	5
17	12
18	8
19	6
20	14
21	15
22	22
23	29
24	24
25	20
26	27
27	33
28	42
29	28
30	50
31	52
32	81
33	64
34	94
35	76
36	69
37	109
38	119
39	149
40	141
41	198
42	174
43	211
44	225
45	291
46	275
47	296
48	354
49	370
50	395
51	434
52	449
53	496
54	542
55	622
56	632
57	713
58	666
59	743
60	809
61	857
62	820
63	914
64	833
65	952
66	936
67	871
68	877
69	907
70	842
71	825
72	855
73	882
74	811
75	774
76	727
77	723
78	614
79	627
80	657
81	583
82	547
83	490
84	482
85	445
86	379
87	343
88	294
89	271
90	215
91	161
92	165
93	112
94	83
95	67
96	39
97	26
98	25
99	18
100	8
101	6
102	1
103	1
104	3
107	1
108	1