nombres <- c("Alberto", 'Rodrigo', 'Kevin', 'Maria', "Liliana")
edades <- sample(15:60, 50, replace = TRUE)
estatura <- as.numeric(1.40:2.10, 50, replace = TRUE)
genero <- c("Masculino", "Masculino", "Masculino", "Femenino", "Femenino")
pesos <- sample(40:140, 50, replace = TRUE)
profesion <- c("Doctor", 'Electrico', 'Actor', "Quimico", "Farmaceutico")
data.frame(nombres, edades, estatura, genero, pesos, profesion)## nombres edades estatura genero pesos profesion
## 1 Alberto 49 1.4 Masculino 47 Doctor
## 2 Rodrigo 55 1.4 Masculino 134 Electrico
## 3 Kevin 48 1.4 Masculino 57 Actor
## 4 Maria 25 1.4 Femenino 60 Quimico
## 5 Liliana 16 1.4 Femenino 72 Farmaceutico
## 6 Alberto 38 1.4 Masculino 55 Doctor
## 7 Rodrigo 53 1.4 Masculino 53 Electrico
## 8 Kevin 32 1.4 Masculino 66 Actor
## 9 Maria 31 1.4 Femenino 128 Quimico
## 10 Liliana 24 1.4 Femenino 91 Farmaceutico
## 11 Alberto 46 1.4 Masculino 117 Doctor
## 12 Rodrigo 53 1.4 Masculino 51 Electrico
## 13 Kevin 23 1.4 Masculino 61 Actor
## 14 Maria 18 1.4 Femenino 117 Quimico
## 15 Liliana 60 1.4 Femenino 73 Farmaceutico
## 16 Alberto 60 1.4 Masculino 79 Doctor
## 17 Rodrigo 23 1.4 Masculino 63 Electrico
## 18 Kevin 22 1.4 Masculino 116 Actor
## 19 Maria 49 1.4 Femenino 96 Quimico
## 20 Liliana 21 1.4 Femenino 112 Farmaceutico
## 21 Alberto 50 1.4 Masculino 88 Doctor
## 22 Rodrigo 38 1.4 Masculino 108 Electrico
## 23 Kevin 24 1.4 Masculino 106 Actor
## 24 Maria 45 1.4 Femenino 71 Quimico
## 25 Liliana 48 1.4 Femenino 121 Farmaceutico
## 26 Alberto 27 1.4 Masculino 126 Doctor
## 27 Rodrigo 38 1.4 Masculino 42 Electrico
## 28 Kevin 27 1.4 Masculino 127 Actor
## 29 Maria 46 1.4 Femenino 113 Quimico
## 30 Liliana 36 1.4 Femenino 80 Farmaceutico
## 31 Alberto 26 1.4 Masculino 136 Doctor
## 32 Rodrigo 41 1.4 Masculino 49 Electrico
## 33 Kevin 25 1.4 Masculino 79 Actor
## 34 Maria 20 1.4 Femenino 62 Quimico
## 35 Liliana 19 1.4 Femenino 132 Farmaceutico
## 36 Alberto 36 1.4 Masculino 95 Doctor
## 37 Rodrigo 48 1.4 Masculino 83 Electrico
## 38 Kevin 36 1.4 Masculino 81 Actor
## 39 Maria 57 1.4 Femenino 90 Quimico
## 40 Liliana 48 1.4 Femenino 98 Farmaceutico
## 41 Alberto 19 1.4 Masculino 102 Doctor
## 42 Rodrigo 19 1.4 Masculino 66 Electrico
## 43 Kevin 37 1.4 Masculino 104 Actor
## 44 Maria 32 1.4 Femenino 66 Quimico
## 45 Liliana 41 1.4 Femenino 100 Farmaceutico
## 46 Alberto 54 1.4 Masculino 67 Doctor
## 47 Rodrigo 51 1.4 Masculino 122 Electrico
## 48 Kevin 26 1.4 Masculino 55 Actor
## 49 Maria 24 1.4 Femenino 102 Quimico
## 50 Liliana 18 1.4 Femenino 78 Farmaceuticodatos <- data.frame(nombres, edades, estatura, genero, pesos, profesion)
datos## nombres edades estatura genero pesos profesion
## 1 Alberto 49 1.4 Masculino 47 Doctor
## 2 Rodrigo 55 1.4 Masculino 134 Electrico
## 3 Kevin 48 1.4 Masculino 57 Actor
## 4 Maria 25 1.4 Femenino 60 Quimico
## 5 Liliana 16 1.4 Femenino 72 Farmaceutico
## 6 Alberto 38 1.4 Masculino 55 Doctor
## 7 Rodrigo 53 1.4 Masculino 53 Electrico
## 8 Kevin 32 1.4 Masculino 66 Actor
## 9 Maria 31 1.4 Femenino 128 Quimico
## 10 Liliana 24 1.4 Femenino 91 Farmaceutico
## 11 Alberto 46 1.4 Masculino 117 Doctor
## 12 Rodrigo 53 1.4 Masculino 51 Electrico
## 13 Kevin 23 1.4 Masculino 61 Actor
## 14 Maria 18 1.4 Femenino 117 Quimico
## 15 Liliana 60 1.4 Femenino 73 Farmaceutico
## 16 Alberto 60 1.4 Masculino 79 Doctor
## 17 Rodrigo 23 1.4 Masculino 63 Electrico
## 18 Kevin 22 1.4 Masculino 116 Actor
## 19 Maria 49 1.4 Femenino 96 Quimico
## 20 Liliana 21 1.4 Femenino 112 Farmaceutico
## 21 Alberto 50 1.4 Masculino 88 Doctor
## 22 Rodrigo 38 1.4 Masculino 108 Electrico
## 23 Kevin 24 1.4 Masculino 106 Actor
## 24 Maria 45 1.4 Femenino 71 Quimico
## 25 Liliana 48 1.4 Femenino 121 Farmaceutico
## 26 Alberto 27 1.4 Masculino 126 Doctor
## 27 Rodrigo 38 1.4 Masculino 42 Electrico
## 28 Kevin 27 1.4 Masculino 127 Actor
## 29 Maria 46 1.4 Femenino 113 Quimico
## 30 Liliana 36 1.4 Femenino 80 Farmaceutico
## 31 Alberto 26 1.4 Masculino 136 Doctor
## 32 Rodrigo 41 1.4 Masculino 49 Electrico
## 33 Kevin 25 1.4 Masculino 79 Actor
## 34 Maria 20 1.4 Femenino 62 Quimico
## 35 Liliana 19 1.4 Femenino 132 Farmaceutico
## 36 Alberto 36 1.4 Masculino 95 Doctor
## 37 Rodrigo 48 1.4 Masculino 83 Electrico
## 38 Kevin 36 1.4 Masculino 81 Actor
## 39 Maria 57 1.4 Femenino 90 Quimico
## 40 Liliana 48 1.4 Femenino 98 Farmaceutico
## 41 Alberto 19 1.4 Masculino 102 Doctor
## 42 Rodrigo 19 1.4 Masculino 66 Electrico
## 43 Kevin 37 1.4 Masculino 104 Actor
## 44 Maria 32 1.4 Femenino 66 Quimico
## 45 Liliana 41 1.4 Femenino 100 Farmaceutico
## 46 Alberto 54 1.4 Masculino 67 Doctor
## 47 Rodrigo 51 1.4 Masculino 122 Electrico
## 48 Kevin 26 1.4 Masculino 55 Actor
## 49 Maria 24 1.4 Femenino 102 Quimico
## 50 Liliana 18 1.4 Femenino 78 Farmaceuticoset.seed(2020) #semilla
muestra1edades <- sample(datos$edades, 10, replace = FALSE)
muestra2edades <- sample(datos$edades, 10, replace = FALSE)
muestra3edades <- sample(datos$edades, 10, replace = FALSE)
muestra4edades <- sample(datos$edades, 10, replace = FALSE)
muestra5edades <- sample(datos$edades, 10, replace = FALSE)
muestra1pesos <- sample(datos$pesos, 10, replace = FALSE)
muestra2pesos <- sample(datos$pesos, 10, replace = FALSE)
muestra3pesos <- sample(datos$pesos, 10, replace = FALSE)
muestra4pesos <- sample(datos$pesos, 10, replace = FALSE)
muestra5pesos <- sample(datos$pesos, 10, replace = FALSE)
muestra1estatura <- sample(datos$estatura, 10, replace = FALSE)
muestra2estatura <- sample(datos$estatura, 10, replace = FALSE)
muestra3estatura <- sample(datos$estatura, 10, replace = FALSE)
muestra4estatura <- sample(datos$estatura, 10, replace = FALSE)
muestra5estatura <- sample(datos$estatura, 10, replace = FALSE)
data.frame(muestra1edades, muestra2edades, muestra3edades, muestra4edades, muestra5edades)## muestra1edades muestra2edades muestra3edades muestra4edades muestra5edades
## 1 27 24 48 26 23
## 2 32 41 25 32 41
## 3 24 32 18 22 55
## 4 38 19 26 24 26
## 5 45 60 53 26 60
## 6 49 46 51 38 18
## 7 23 20 53 37 49
## 8 36 48 21 23 36
## 9 19 55 22 41 48
## 10 38 18 50 45 46data.frame(muestra1pesos, muestra2pesos, muestra3pesos, muestra4pesos, muestra5pesos)## muestra1pesos muestra2pesos muestra3pesos muestra4pesos muestra5pesos
## 1 121 71 55 55 73
## 2 100 79 106 71 66
## 3 104 53 60 126 61
## 4 78 66 116 91 72
## 5 72 88 66 55 71
## 6 55 61 47 79 112
## 7 81 62 108 127 100
## 8 134 72 136 47 117
## 9 122 60 102 63 55
## 10 132 96 79 98 127data.frame(muestra1estatura, muestra2estatura, muestra3estatura, muestra4estatura, muestra5estatura)## muestra1estatura muestra2estatura muestra3estatura muestra4estatura
## 1 1.4 1.4 1.4 1.4
## 2 1.4 1.4 1.4 1.4
## 3 1.4 1.4 1.4 1.4
## 4 1.4 1.4 1.4 1.4
## 5 1.4 1.4 1.4 1.4
## 6 1.4 1.4 1.4 1.4
## 7 1.4 1.4 1.4 1.4
## 8 1.4 1.4 1.4 1.4
## 9 1.4 1.4 1.4 1.4
## 10 1.4 1.4 1.4 1.4
## muestra5estatura
## 1 1.4
## 2 1.4
## 3 1.4
## 4 1.4
## 5 1.4
## 6 1.4
## 7 1.4
## 8 1.4
## 9 1.4
## 10 1.4meanM1edades <- mean(muestra1edades)
meanM2edades <- mean(muestra2edades)
meanM3edades <- mean(muestra3edades)
meanM4edades <- mean(muestra4edades)
meanM5edades <- mean(muestra5edades)
meanM1pesos <- mean(muestra1pesos)
meanM2pesos <- mean(muestra2pesos)
meanM3pesos <- mean(muestra3pesos)
meanM4pesos <- mean(muestra4pesos)
meanM5pesos <- mean(muestra5pesos)
meanM1estatura <- mean(muestra1estatura)
meanM2estatura <- mean(muestra2estatura)
meanM3estatura <- mean(muestra3estatura)
meanM4estatura <- mean(muestra4estatura)
meanM5estatura <- mean(muestra5estatura)
data.frame(meanM1edades, meanM2edades, meanM3edades, meanM4edades, meanM5edades)## meanM1edades meanM2edades meanM3edades meanM4edades meanM5edades
## 1 33.1 36.3 36.7 31.4 40.2data.frame(meanM1pesos, meanM2pesos, meanM3pesos, meanM4pesos, meanM5pesos)## meanM1pesos meanM2pesos meanM3pesos meanM4pesos meanM5pesos
## 1 99.9 70.8 87.5 81.2 85.4data.frame(meanM1estatura, meanM2estatura, meanM3estatura, meanM4estatura, meanM5estatura)## meanM1estatura meanM2estatura meanM3estatura meanM4estatura meanM5estatura
## 1 1.4 1.4 1.4 1.4 1.4muestraPoblacionalEdades <- mean(edades)
muestraPoblacionalPesos <- mean(pesos)
muestraPoblacionalEstaturas <- mean(estatura)
data.frame(muestraPoblacionalEdades, muestraPoblacionalPesos, muestraPoblacionalEstaturas)## muestraPoblacionalEdades muestraPoblacionalPesos muestraPoblacionalEstaturas
## 1 36.04 87.94 1.4¿Cuántas observaciones se analizaron? Observe que casi todas las muestras realizadas están muy cerca de un margen, del margen real. La media poblacional y las medias de las muestras son muy semejantes, hay en ocasiones algunas que se disparan lejos pero en su mayoría siempre están cerca. ¿Cuántas variables? Yo use un total de 36 variables para el programa en R ¿Qué significa una muestra y una población? Una población es el total de un conjunto de datos por ejemplo el total de la población en México 126 millones de Mexicanos. Una muestra es una recolección de un número menor que nos ayude a poder estudiar y analizar de forma más sencilla y eficiente.
¿Qué significa la media de una muestra y la media de una población? La media poblacional es sobre todo los datos totales y la media de una muestra es la media de una pequeña parte de esa población. Esto nos puede ayudar a saber un estimado real del total.
¿Es parecido, semejante diferente o igual la media de las muestras con respecto a la media de la población? Es muy parecido pero si hay diferencias en algunos casos mínimos en otros casos puede tener un poco más de diferencia, pero es un excelente aproximado.
¿Qué pasa si determinar las media de las muestras comparadas con la media de la población? Encontraríamos que estas se aproximan mucho a la media real
Sobre este caso se concluye que una forma eficiente para hacer mediciones relativamente cercanas a la real es con un numero grande de muestras, entre más muestras tengamos más cerca de un margen real vamos a estar hasta el punto de casi encontrar el dato correcto. La probabilidad y estadística nos demuestra su eficacia para la recolección de datos y darnos a conocer datos aproximados sin la necesidad de tener los datos de toda la población.