Probabilidades del Poker
Para este laboratorio vamos generar una simulacion para medir dentro de un deck normal de 52 cartas, en una reparticion de 5 cartas por juego (que es la mano que se reparte en el poker), que probabilidad tienen cada tipo de combinacion de cartas de ser repartida. Para ello nos basamos en las combinaciones esenciales del poker, estas pueden ser revisadas aqui. Las que veremos son:
- Par: esta combinacion se logra cuando se juntan dos cartas del mismo numero y diferente manjar.
- Doble Par: esta combinacion se logra cuando en las 5 cartas se logra obtener dos pares de cartas con el mismo numero.
- Tercia: esta combinacion se logra cuando se juntan 3 cartas del mismo numero de las 5 cartas de la mano.
- Escalera: es cuando se juntan 5 de las cartas y estas van en escalera, es decir del 6 al diez sin importar su manjar.
- Color: es una combinacion de 5 cartas del mismo manjar, aunque estas no vayan en escalera
- Full house: es la combinacion de 3 cartas del mismo numero, mas un par de cartas del mismo numero.
- Poker: cuando se juntan 4 cartas del mismo numero.
- Escalera de color: cuando se juntan 5 cartas consecutivas del mismo manjar.
- Escalera real: consiste en 5 cartas consecutivas del mismo manjar pero la escalera se da con las cartas mas altas es decir del 10 hasta el As.
Para ello primero vamos a generar un dataframe que contenga todas las posibles cartas.
cartas=matrix(c(rep( c(2:10,"J","Q","K","A"),4),rep(c("TREBOLES","DIAMANTES","CORAZONES","ESPADAS"),rep(13,4))), ncol=2,dimnames=list(NULL,c("numero","manjar")))
cartas
numero manjar
[1,] "2" "TREBOLES"
[2,] "3" "TREBOLES"
[3,] "4" "TREBOLES"
[4,] "5" "TREBOLES"
[5,] "6" "TREBOLES"
[6,] "7" "TREBOLES"
[7,] "8" "TREBOLES"
[8,] "9" "TREBOLES"
[9,] "10" "TREBOLES"
[10,] "J" "TREBOLES"
[11,] "Q" "TREBOLES"
[12,] "K" "TREBOLES"
[13,] "A" "TREBOLES"
[14,] "2" "DIAMANTES"
[15,] "3" "DIAMANTES"
[16,] "4" "DIAMANTES"
[17,] "5" "DIAMANTES"
[18,] "6" "DIAMANTES"
[19,] "7" "DIAMANTES"
[20,] "8" "DIAMANTES"
[21,] "9" "DIAMANTES"
[22,] "10" "DIAMANTES"
[23,] "J" "DIAMANTES"
[24,] "Q" "DIAMANTES"
[25,] "K" "DIAMANTES"
[26,] "A" "DIAMANTES"
[27,] "2" "CORAZONES"
[28,] "3" "CORAZONES"
[29,] "4" "CORAZONES"
[30,] "5" "CORAZONES"
[31,] "6" "CORAZONES"
[32,] "7" "CORAZONES"
[33,] "8" "CORAZONES"
[34,] "9" "CORAZONES"
[35,] "10" "CORAZONES"
[36,] "J" "CORAZONES"
[37,] "Q" "CORAZONES"
[38,] "K" "CORAZONES"
[39,] "A" "CORAZONES"
[40,] "2" "ESPADAS"
[41,] "3" "ESPADAS"
[42,] "4" "ESPADAS"
[43,] "5" "ESPADAS"
[44,] "6" "ESPADAS"
[45,] "7" "ESPADAS"
[46,] "8" "ESPADAS"
[47,] "9" "ESPADAS"
[48,] "10" "ESPADAS"
[49,] "J" "ESPADAS"
[50,] "Q" "ESPADAS"
[51,] "K" "ESPADAS"
[52,] "A" "ESPADAS"
Ahora para realizar nuestras pruebas usamos una funcion que nos genere aleatoriamente una combinacion de 5 cartas
repartir = function()
{
return( cartas[sample(1:52,5,replace=F),])
}
repartir()
numero manjar
[1,] "A" "DIAMANTES"
[2,] "4" "CORAZONES"
[3,] "7" "DIAMANTES"
[4,] "K" "ESPADAS"
[5,] "8" "TREBOLES"
Ahora vamos a genera run arreglo de los numeros de cartas ordenados de mayor a menor, esto nos permitira determinar los dos tipos de escalera, el que va de As hasta K y el que va de 2 hasta As, esto ya que el As puede ser 1 o 14 dependiendo de la combinacion.
orden_alto = c(2:10,"J","Q","K","A")
orden_bajo = c("A",2:10,"J","Q","K")
orden_alto
[1] "2" "3" "4" "5" "6" "7" "8" "9" "10" "J" "Q" "K" "A"
orden_bajo
[1] "A" "2" "3" "4" "5" "6" "7" "8" "9" "10" "J" "Q" "K"
Ahora vamos a rankear nuestra mano de cartas usando el orden alto o el orden bajo, esto para determinar la posicion dentro del orden para cada carta y asi poder determinar si es una escalera de cualquier tipo.
rank_alto = sort( sapply(mano[,"numero"],function(carta) which(carta == orden_alto)) )
rank_alto
3 3 6 K K
2 2 5 12 12
Ahora haremos lo mismo para el orden bajo.
rank_bajo = sort( sapply(mano[,"numero"],function(carta) which(carta == orden_bajo)) )
rank_bajo
3 3 6 K K
3 3 6 13 13
Como vemos dependiendo del orden esto nos da una posicion diferente, ahora bien como calculamos si las cartas estan en un orden lineal, para ello si suponemos el orden mas bajo, es decir del 1-5 podemos comparar si las posiciones estan dentro de 1 a 5, esto supondria que nuestor rango va de As a 5 o de 2 a 6, no obstante si nuestra mano fuera de 10 hasta As o 9 hasta K, lo cual corresponde a las posiciones 10 hasta 14, es decir tendriamos un arreglo de la siguiente forma:
10:14
[1] 10 11 12 13 14
Si sustraemos el valor menor y agregamos uno, esto nos deja con un arreglo de 1 a 5 siempre.
test <- 10:14
test-min(test)+1
[1] 1 2 3 4 5
test <- sample(5:9, 5, replace=FALSE)
test
[1] 7 6 5 9 8
test-min(test)+1
[1] 3 2 1 5 4
Si aplicamos esta formula a rank bajo y rank alto para determinar si todas las posiciones estan entre 1 y 5 obtenemos:
rank_alto-min(rank_alto)+1 == 1:5
3 3 6 K K
TRUE FALSE FALSE FALSE FALSE
A este resultado podemos aplicarle la funcion all la cual opera un OR a todo el arreglo, lo cual nos permite determinar si es una escalera o no, hagamos una prueba
test <- sample(5:9, 5, replace=FALSE)
test
[1] 9 6 7 8 5
sort(test-min(test)+1) == 1:5
[1] TRUE TRUE TRUE TRUE TRUE
all(sort(test-min(test)+1) == 1:5)
[1] TRUE
Bien como se veria esto para determinar si es escalera:
all(sort(rank_alto-min(rank_alto)+1) == 1:5)
[1] FALSE
all(sort(rank_bajo-min(rank_bajo)+1) == 1:5)
[1] FALSE
Como esto hemos determinado si se trata de una escalera. Ahora como podemos determinar si es si las cartas tienen un solo manjar, bueno esto es sencillo solo contamos los manjares que tiene la mano si este es igual a uno es que tenemos un solo manjar.
length(unique(mano[,"manjar"])) == 1
[1] FALSE
Con esto ya podemos probar si nuestra mano se trata de una escalera e incluso si se trata de una escalera royal. Ahora veamos la prueba de si se trata de un poker, para ello tabulamos los diferentes numeros que tenemos en nuestra mano:
table(mano[,"numero"])
3 6 K
2 1 2
Esto nos agrupa las cartas y su numero de ocurrencias, bueno como podemos saber si se trata de un poker, probemos
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","2", "TREBOLES","2", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
numero manjar
[1,] "2" "CORAZONES"
[2,] "2" "ESPADAS"
[3,] "2" "TREBOLES"
[4,] "2" "DIAMANTES"
[5,] "3" "CORAZONES"
table(mano[,"numero"])
2 3
4 1
Como vemos y podemos intuir si se trata de una poker, la funcion table, siempre arrojara un arreglo de 4 y 1, con lo que podemos realizar:
all(sort(table(mano[,"numero"]))==c(1,4))
[1] TRUE
Y aqui tenemos nuestra validacion de poker, ahora intenemos algo similar para un full house,
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","2", "TREBOLES","3", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
numero manjar
[1,] "2" "CORAZONES"
[2,] "2" "ESPADAS"
[3,] "2" "TREBOLES"
[4,] "3" "DIAMANTES"
[5,] "3" "CORAZONES"
all(sort(table(mano[,"numero"])) == c(2,3))
[1] TRUE
Si tuvieramos solamente un trio esto nos queda
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","2", "TREBOLES","4", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
numero manjar
[1,] "2" "CORAZONES"
[2,] "2" "ESPADAS"
[3,] "2" "TREBOLES"
[4,] "4" "DIAMANTES"
[5,] "3" "CORAZONES"
all(sort(table(mano[,"numero"])) == c(1,1,3))
[1] TRUE
Para dos pares:
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","4", "TREBOLES","3", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
numero manjar
[1,] "2" "CORAZONES"
[2,] "2" "ESPADAS"
[3,] "4" "TREBOLES"
[4,] "3" "DIAMANTES"
[5,] "3" "CORAZONES"
all(sort(table(mano[,"numero"])) == c(1,2,2))
[1] TRUE
Ahora que pasa si solamente tenemos un par, esto lo podemos hacer de dos maneras, la primera ya sea comparando contra el arreglo [1,1,1,2] o bien validando que la tabla tenga exactamente 4 elementos, veamos:
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","5", "TREBOLES","7", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
numero manjar
[1,] "2" "CORAZONES"
[2,] "2" "ESPADAS"
[3,] "5" "TREBOLES"
[4,] "7" "DIAMANTES"
[5,] "3" "CORAZONES"
all(sort(table(mano[,"numero"])) == c(1,1,1,2))
[1] TRUE
length(table(mano[,"numero"]))==4
[1] TRUE
Por estandar nos quedamos con la comparativa del arreglo. Muy bien ahora armemos una funcion que valide todas las posibilidades:
if(es_escalera & son_mismo_manjar){
if(c("K","A") %in% mano[,"numero"]) return("ESCALERA ROYAL")
return("ESCALERA DE COLOR")
}
Error: object 'es_escalera' not found
Probemos nuestra funcion:
clasificar_mano(matrix(c("10", "CORAZONES","J", "CORAZONES","Q", "CORAZONES","K", "CORAZONES","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "ESCALERA ROYAL"
clasificar_mano(matrix(c("6", "CORAZONES","7", "CORAZONES","8", "CORAZONES","9", "CORAZONES","10", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "ESCALERA DE COLOR"
clasificar_mano(matrix(c("10", "CORAZONES","J", "ESPADAS","Q", "CORAZONES","K", "TREBOLES","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "ESCALERA"
clasificar_mano(matrix(c("10", "CORAZONES","J", "CORAZONES","Q", "CORAZONES","2", "CORAZONES","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "MISMO MANJAR"
clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","10", "TREBOLES","10", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "POKER"
clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","10", "TREBOLES","A", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "FULL"
clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","10", "TREBOLES","2", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "TERCIA"
clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","A", "TREBOLES","7", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "DOBLE PAR"
clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","7", "TREBOLES","8", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "PAR"
clasificar_mano(matrix(c("10", "CORAZONES","3", "ESPADAS","7", "TREBOLES","K", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))
[1] "NADA"
Finalmente podemos realizar la simulacion:
juegos <- sapply(1:10, function(x) clasificar_mano(repartir()))
juegos
[1] "PAR" "PAR" "PAR" "TERCIA" "PAR" "NADA" "DOBLE PAR" "PAR" "NADA" "PAR"
table(juegos)
juegos
DOBLE PAR NADA PAR TERCIA
1 2 6 1
simulacion <- function(N=1000){
resultados <- data.frame(mano_poker=c("ESCALERA ROYAL", "ESCALERA DE COLOR", "ESCALERA", "MISMO MANJAR", "POKER", "FULL", "TERCIA", "DOBLE PAR", "PAR", "NADA"),
ocurrencias= rep(0,10))
for(i in 1:N){
juego <- clasificar_mano(repartir())
resultados[resultados$mano_poker == juego,]$ocurrencias <- resultados[resultados$mano_poker == juego,]$ocurrencias + 1
}
resultados$porcentaje <- resultados$ocurrencias/N
return(resultados)
}
simulacion(5000)
Que podemos concluir de estos resultados, que de cada 5 mil juegos, el 50% no obtendremos nada, el 41% tendremos un par, el 4% obtendremos 2 pares, el 3% tercia. La escalera pareciera tener mas probabilidades, pero la escalera de color y la escalera royal parecen casi imposibles de salir.
---
title: "Modelacion y Simulacion"
output: html_notebook
---

## Probabilidades del Poker

Para este laboratorio vamos generar una simulacion para medir dentro de un deck normal de 52 cartas, en una reparticion de 5 cartas por juego (que es la mano que se reparte en el poker), que probabilidad tienen cada tipo de combinacion de cartas de ser repartida. Para ello nos basamos en las combinaciones esenciales del poker, estas pueden ser revisadas [aqui](https://en.wikipedia.org/wiki/List_of_poker_hands). Las que veremos son:

1. Par: esta combinacion se logra cuando se juntan dos cartas del mismo numero y diferente manjar.
2. Doble Par: esta combinacion se logra cuando en las 5 cartas se logra obtener dos pares de cartas con el mismo numero.
3. Tercia: esta combinacion se logra cuando se juntan 3 cartas del mismo numero de las 5 cartas de la mano.
4. Escalera: es cuando se juntan 5 de las cartas y estas van en escalera, es decir del 6 al diez sin importar su manjar.
5. Color: es una combinacion de 5 cartas del mismo manjar, aunque estas no vayan en escalera
6. Full house: es la combinacion de 3 cartas del mismo numero, mas un par de cartas del mismo numero.
7. Poker: cuando se juntan 4 cartas del mismo numero.
8. Escalera de color: cuando se juntan 5 cartas consecutivas del mismo manjar.
9. Escalera real: consiste en 5 cartas consecutivas del mismo manjar pero la escalera se da con las cartas mas altas es decir del 10 hasta el As.

Para ello primero vamos a generar un dataframe que contenga todas las posibles cartas.
```{r}
cartas=matrix(c(rep( c(2:10,"J","Q","K","A"),4),rep(c("TREBOLES","DIAMANTES","CORAZONES","ESPADAS"),rep(13,4))), ncol=2,dimnames=list(NULL,c("numero","manjar")))
cartas
```

Ahora para realizar nuestras pruebas usamos una funcion que nos genere aleatoriamente una combinacion de 5 cartas

```{r}
repartir = function()
{
    return( cartas[sample(1:52,5,replace=F),])
}

repartir()
```

Ahora vamos a genera run arreglo de los numeros de cartas ordenados de mayor a menor, esto nos permitira determinar los dos tipos de escalera, el que va de As hasta K y el que va de 2 hasta As, esto ya que el As puede ser 1 o 14 dependiendo de la combinacion.
```{r}
orden_alto = c(2:10,"J","Q","K","A")
orden_bajo = c("A",2:10,"J","Q","K")
orden_alto
orden_bajo
```

Ahora vamos a rankear nuestra mano de cartas usando el orden alto o el orden bajo, esto para determinar la posicion dentro del orden para cada carta y asi poder determinar si es una escalera de cualquier tipo.

```{r}
rank_alto = sort( sapply(mano[,"numero"],function(carta) which(carta == orden_alto)) )
rank_alto
```
Ahora haremos lo mismo para el orden bajo.

```{r}
rank_bajo = sort( sapply(mano[,"numero"],function(carta) which(carta == orden_bajo)) )
rank_bajo
```
Como vemos dependiendo del orden esto nos da una posicion diferente, ahora bien como calculamos si las cartas estan en un orden lineal, para ello si suponemos el orden mas bajo, es decir del 1-5 podemos comparar si las posiciones estan dentro de 1 a 5, esto supondria que nuestor rango va de As a 5 o de 2 a 6, no obstante si nuestra mano fuera de 10 hasta As o 9 hasta K, lo cual corresponde a las posiciones 10 hasta 14, es decir tendriamos un arreglo de la siguiente forma:

```{r}
10:14
```
Si sustraemos el valor menor y agregamos uno, esto nos deja con un arreglo de 1 a 5 siempre.

```{r}
test <- 10:14
test-min(test)+1
```

```{r}
test <- sample(5:9, 5, replace=FALSE)
test
test-min(test)+1
```
Si aplicamos esta formula a rank bajo y rank alto para determinar si todas las posiciones estan entre 1 y 5 obtenemos:

```{r}
rank_alto-min(rank_alto)+1 == 1:5
```

A este resultado podemos aplicarle la funcion `all` la cual opera un `OR` a todo el arreglo, lo cual nos permite determinar si es una escalera o no, hagamos una prueba

```{r}
test <- sample(5:9, 5, replace=FALSE)
test
sort(test-min(test)+1) == 1:5
all(sort(test-min(test)+1) == 1:5)
```
Bien como se veria esto para determinar si es escalera:
```{r}
all(sort(rank_alto-min(rank_alto)+1) == 1:5)
all(sort(rank_bajo-min(rank_bajo)+1) == 1:5)

```

Como esto hemos determinado si se trata de una escalera. Ahora como podemos determinar si es si las cartas tienen un solo manjar, bueno esto es sencillo solo contamos los manjares que tiene la mano si este es igual a uno es que tenemos un solo manjar.

```{r}
length(unique(mano[,"manjar"])) == 1
```

Con esto ya podemos probar si nuestra mano se trata de una escalera e incluso si se trata de una escalera royal. Ahora veamos la prueba de si se trata de un poker, para ello tabulamos los diferentes numeros que tenemos en nuestra mano:

```{r}
table(mano[,"numero"])
```
Esto nos agrupa las cartas y su numero de ocurrencias, bueno como podemos saber si se trata de un poker, probemos

```{r}
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","2", "TREBOLES","2", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
table(mano[,"numero"])
```
Como vemos y podemos intuir si se trata de una poker, la funcion table, siempre arrojara un arreglo de 4 y 1, con lo que podemos realizar:

```{r}
all(sort(table(mano[,"numero"]))==c(1,4))
```
Y aqui tenemos nuestra validacion de poker, ahora intenemos algo similar para un full house,

```{r}
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","2", "TREBOLES","3", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
all(sort(table(mano[,"numero"])) == c(2,3))
```
Si tuvieramos solamente un trio esto nos queda

```{r}
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","2", "TREBOLES","4", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
all(sort(table(mano[,"numero"])) == c(1,1,3))
```

Para dos pares:

```{r}
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","4", "TREBOLES","3", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
all(sort(table(mano[,"numero"])) == c(1,2,2))
```
Ahora que pasa si solamente tenemos un par, esto lo podemos hacer de dos maneras, la primera ya sea comparando contra el arreglo `[1,1,1,2]` o bien validando que la tabla tenga exactamente 4 elementos, veamos:

```{r}
mano <- matrix(c("2", "CORAZONES","2", "ESPADAS","5", "TREBOLES","7", "DIAMANTES","3", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar")))
mano
all(sort(table(mano[,"numero"])) == c(1,1,1,2))
length(table(mano[,"numero"]))==4
```
Por estandar nos quedamos con la comparativa del arreglo. Muy bien ahora armemos una funcion que valide todas las posibilidades:

```{r}
clasificar_mano <- function(mano){
  #Hagamos el ranqueo
  rank_alto <- c(2:10, "J","Q","K","A")
  rank_bajo <- c("A",2:10,"J","Q","K")
  
  #Ahora establescamos el orden
  orden_alto <- sort(sapply(mano[,"numero"], function(carta) which(carta == rank_alto)))
  orden_bajo <- sort(sapply(mano[,"numero"], function(carta) which(carta == rank_alto)))
  
  #Creamos una variable para validar si es escalera
  es_escalera <- all(orden_bajo-min(orden_bajo)+1 == 1:5) | all(orden_alto-min(orden_alto)+1 == 1:5)
  
  #Veamos si todas son del mismo manajar
  son_mismo_manjar <- length(unique(mano[,"manjar"])) == 1
  
  #Ahora veamos si se trata de un poker
  tabla <- sort(table(mano[,"numero"]))
  
  
  es_poker <- all(tabla[1:2] == c(1,4))
  es_full <- all(tabla[1:2] == c(2,3))
  es_tercia <- all(tabla[1:3] == c(1,1,3))
  es_doble_par <- all(tabla[1:3] == c(1,2,2))
  es_par <- all(tabla[1:4] == c(1,1,1,2))
  
  if(es_escalera && son_mismo_manjar){
    if(all(c("K","A") %in% mano[,"numero"])) return("ESCALERA ROYAL")
    return("ESCALERA DE COLOR")
  }
  
  if(es_escalera) return("ESCALERA")
  if(son_mismo_manjar) return("MISMO MANJAR")
  if(es_poker) return("POKER")
  if(es_full) return("FULL")
  if(es_tercia) return("TERCIA")
  if(es_doble_par) return("DOBLE PAR")
  if(es_par) return("PAR")
  return("NADA")
}
```

Probemos nuestra funcion:

```{r}
clasificar_mano(matrix(c("10", "CORAZONES","J", "CORAZONES","Q", "CORAZONES","K", "CORAZONES","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("6", "CORAZONES","7", "CORAZONES","8", "CORAZONES","9", "CORAZONES","10", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","J", "ESPADAS","Q", "CORAZONES","K", "TREBOLES","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","J", "CORAZONES","Q", "CORAZONES","2", "CORAZONES","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","10", "TREBOLES","10", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","10", "TREBOLES","A", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","10", "TREBOLES","2", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","A", "TREBOLES","7", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","10", "ESPADAS","7", "TREBOLES","8", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

clasificar_mano(matrix(c("10", "CORAZONES","3", "ESPADAS","7", "TREBOLES","K", "ESPADAS","A", "CORAZONES"), ncol=2, byrow=TRUE, dimnames = list(NULL,c("numero", "manjar"))))

```

Finalmente podemos realizar la simulacion:
```{r}
juegos <- sapply(1:10, function(x) clasificar_mano(repartir()))
juegos

sapply(table(juegos)
```

```{r}


simulacion <- function(N=1000){

  resultados <- data.frame(mano_poker=c("ESCALERA ROYAL", "ESCALERA DE COLOR", "ESCALERA", "MISMO MANJAR", "POKER", "FULL", "TERCIA", "DOBLE PAR", "PAR", "NADA"),
                           ocurrencias= rep(0,10))
  
  
  for(i in 1:N){
    juego <- clasificar_mano(repartir())
    resultados[resultados$mano_poker == juego,]$ocurrencias <- resultados[resultados$mano_poker == juego,]$ocurrencias + 1
  }
  
  resultados$porcentaje <- resultados$ocurrencias/N
  return(resultados)
}

simulacion(5000)
```

Que podemos concluir de estos resultados, que de cada 5 mil juegos, el 50% no obtendremos nada, el 41% tendremos un par, el 4% obtendremos 2 pares, el 3% tercia. La escalera pareciera tener mas probabilidades, pero la escalera de color y la escalera royal parecen casi imposibles de salir.