Caso 22

Objetivo: Determinar y simular muestreos

Descripción: Con un conjunto de datos utilizar mecanismos de programación para determinar muestreos mediante técnicas de aleatorio simple, aleatorio sistemático, aleatorio estratificado y por conglomerados.

Paso 1. Cargar librerias

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(mosaic)

## Warning: package 'mosaic' was built under R version 4.0.3

## Registered S3 method overwritten by 'mosaic':
##   method                           from   
##   fortify.SpatialPolygonsDataFrame ggplot2

## 
## The 'mosaic' package masks several functions from core packages in order to add 
## additional features.  The original behavior of these functions should not be affected by this.

## 
## Attaching package: 'mosaic'

## The following object is masked from 'package:Matrix':
## 
##     mean

## The following object is masked from 'package:ggplot2':
## 
##     stat

## The following objects are masked from 'package:dplyr':
## 
##     count, do, tally

## The following objects are masked from 'package:stats':
## 
##     binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
##     quantile, sd, t.test, var

## The following objects are masked from 'package:base':
## 
##     max, mean, min, prod, range, sample, sum

library(readr)
library(ggplot2)  
library(knitr)    
library(fdth)

## 
## Attaching package: 'fdth'

## The following objects are masked from 'package:mosaic':
## 
##     sd, var

## The following objects are masked from 'package:stats':
## 
##     sd, var

Paso 2. Cargar datos

Se carga un conjunto de 100 nombres de personas con sus atributo de género y la actividad deportiva o cultura que practican,
Cargando un datos llamando a una función que construye los datos.
El argumento encoding significa que acepte acentos en los datos.

source("../datos.r")


kable(head(personas, 10), caption = "Se cargaron 20 registros de las primeras 20 personas")

Se cargaron 20 registros de las primeras 20 personas
nombres	generos	ajedrez	beisbol	tiro.arco	pesas	futbol	softbol	atletismo	folklorico	tahitiano	teatro	rondalla	pantomima
JUAN	M	NO	NO	NO	SI	NO	SI	NO	NO	NO	NO	NO	SI
JOSÃ‰ LUIS	M	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO
JOSÃ‰	M	NO	SI	NO	SI	NO	NO	NO	NO	NO	NO	SI	SI
MARÃA GUADALUPE	F	NO	SI	NO	NO	NO	NO	NO	NO	NO	NO	SI	SI
FRANCISCO	M	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO
GUADALUPE	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
MARÃA	F	NO	SI	NO	NO	SI	NO	NO	NO	NO	NO	NO	NO
JUANA	F	NO	NO	NO	NO	SI	NO	NO	SI	NO	NO	NO	NO
ANTONIO	M	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
JESÃšS	M	NO	NO	SI	NO	NO	SI	NO	NO	SI	NO	NO	NO

kable(tail(personas, 10), caption = "Se cargaron los ultimos registros de las ultimas 20 personas")

Se cargaron los ultimos registros de las ultimas 20 personas
	nombres	generos	ajedrez	beisbol	tiro.arco	pesas	futbol	softbol	atletismo	folklorico	tahitiano	teatro	rondalla	pantomima
91	ANDREA	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	SI
92	ISABEL	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
93	MARÃA TERESA	F	NO	SI	NO	NO	SI	NO	NO	SI	NO	NO	NO	NO
94	IRMA	F	SI	SI	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
95	CARMEN	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
96	LUCÃA	F	NO	SI	NO	SI	NO	NO	NO	SI	NO	NO	SI	SI
97	ADRIANA	F	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO
98	AGUSTÃN	M	NO	SI	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO
99	MARÃA DE LA LUZ	F	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO
100	GUSTAVO	M	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO

Cargar datos de alumnos

Se cargan los datos de alumnos inscritos en una Institución de educación superior en el semetre septiembre 2020 a enero 2021, con los atributos siguientes: ° No de control (modificado y no real), ° Número Conesucutivo de alumno ° Semestre que cursa ° Créditos aprobados ° Carga académica que cursa ° Promedio aritmético ° Carrera

alumnos <- alumnos <- read_csv("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/datos/promedios%20alumnos/datos%20alumnos%20promedios%20SEP%202020.csv")

## Parsed with column specification:
## cols(
##   `No. Control` = col_double(),
##   Alumno = col_double(),
##   Semestre = col_double(),
##   `Cr. Apr.` = col_double(),
##   Carga = col_double(),
##   Promedio = col_double(),
##   Carrera = col_character()
## )

kable(head(alumnos, 10), caption = "Los primeros diez registros de alumnos")

Los primeros diez registros de alumnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera
20190001	1	11	198	19	80.21	SISTEMAS
20190002	2	11	235	10	84.33	SISTEMAS
20190003	3	9	235	10	95.25	SISTEMAS
20190004	4	9	226	19	95.00	SISTEMAS
20190005	5	10	231	14	82.32	SISTEMAS
20190006	6	9	212	23	95.02	SISTEMAS
20190007	7	12	221	10	79.06	SISTEMAS
20190008	8	9	226	9	92.47	SISTEMAS
20190009	9	9	231	4	91.08	SISTEMAS
20190010	10	11	222	13	80.42	SISTEMAS

kable(tail(alumnos, 10), caption = "Las útimos diez registros de alumnos")

Las útimos diez registros de alumnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera
20195920	5920	7	169	23	89.14	ADMINISTRACION
20195921	5921	5	109	26	87.83	ADMINISTRACION
20195922	5922	3	55	29	92.83	ADMINISTRACION
20195923	5923	2	23	23	88.60	ADMINISTRACION
20195924	5924	2	27	28	92.83	ADMINISTRACION
20195925	5925	7	94	13	80.95	ADMINISTRACION
20195926	5926	5	103	32	92.68	ADMINISTRACION
20195927	5927	4	79	34	86.18	ADMINISTRACION
20195928	5928	5	108	32	90.48	ADMINISTRACION
20195929	5929	7	169	32	92.33	ADMINISTRACION

Simular muestreos

Hay que encuestar a diez personas de 100 para hacerles alguna entrevist, ¿a quienes?
Con el conjunto de datos seleccionar 10 personas aleatoriamente con al funcón sample()

N <- nrow(personas)
n <- 10
muestra <- sample(personas$nombres, n)
kable(muestra, caption = "La muestra de personas")

La muestra de personas
x
DANIEL
JUAN MANUEL
MIGUEL
GUSTAVO
FRANCISCA
RAÃšL
JUAN
LUCÃA
MARÃA TERESA
JORGE

Con el conjunto de datos alumnos, hay que encontrar a 100 alumnos, ¿A cuáles?

N <- nrow(alumnos)
n <- 100
muestra <- sample(N, n) # Genera los números
kable(alumnos[muestra, ], caption = "La muestra de alumnos")

La muestra de alumnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera
20192700	2700	9	202	19	82.26	INDUSTRIAL
20191164	1164	9	129	18	83.79	BIOQUIMICA
20191469	1469	7	150	36	80.81	BIOQUIMICA
20195645	5645	3	55	29	97.67	ADMINISTRACION
20193227	3227	7	163	30	86.30	INDUSTRIAL
20194973	4973	6	133	33	85.54	GESTION EMPRESARIAL
20195866	5866	1	NA	27	0.00	ADMINISTRACION
20191513	1513	6	67	34	78.60	BIOQUIMICA
20194076	4076	7	144	32	88.52	MECATRONICA
20192521	2521	9	222	23	86.40	ELECTRONICA
20195624	5624	3	55	29	96.67	ADMINISTRACION
20194985	4985	4	55	29	80.42	GESTION EMPRESARIAL
20195075	5075	5	116	32	87.71	GESTION EMPRESARIAL
20195041	5041	7	140	35	82.27	GESTION EMPRESARIAL
20190395	395	1	NA	27	0.00	SISTEMAS
20193795	3795	4	66	29	86.47	MECATRONICA
20195683	5683	1	NA	27	0.00	ADMINISTRACION
20191577	1577	9	165	16	78.86	CIVIL
20192306	2306	5	89	27	86.33	ELECTRICA
20193510	3510	3	41	24	76.80	MECANICA
20191415	1415	6	123	29	82.48	BIOQUIMICA
20190830	830	5	97	26	93.50	ARQUITECTURA
20190200	200	7	107	17	79.26	SISTEMAS
20195484	5484	11	257	5	87.44	ADMINISTRACION
20190025	25	11	230	15	84.02	SISTEMAS
20192596	2596	3	52	25	92.67	ELECTRONICA
20193863	3863	1	NA	25	0.00	MECATRONICA
20190074	74	10	230	15	83.94	SISTEMAS
20191933	1933	1	NA	27	0.00	CIVIL
20191691	1691	4	75	32	84.19	CIVIL
20192587	2587	5	90	20	83.50	ELECTRONICA
20190886	886	1	NA	26	0.00	ARQUITECTURA
20194827	4827	7	150	25	88.75	GESTION EMPRESARIAL
20194756	4756	9	230	15	91.77	GESTION EMPRESARIAL
20190663	663	7	151	23	85.22	ARQUITECTURA
20192503	2503	10	202	23	81.25	ELECTRONICA
20194892	4892	1	NA	27	0.00	GESTION EMPRESARIAL
20194549	4549	6	133	23	83.25	QUIMICA
20190308	308	4	83	29	91.00	SISTEMAS
20192139	2139	6	143	30	84.77	CIVIL
20191319	1319	7	124	34	83.15	BIOQUIMICA
20195755	5755	4	84	29	87.44	ADMINISTRACION
20195920	5920	7	169	23	89.14	ADMINISTRACION
20193632	3632	1	NA	26	0.00	MECANICA
20193546	3546	3	48	22	78.64	MECANICA
20191619	1619	9	225	10	84.85	CIVIL
20191632	1632	9	159	15	80.15	CIVIL
20194890	4890	7	170	35	87.44	GESTION EMPRESARIAL
20192090	2090	4	78	33	83.59	CIVIL
20191764	1764	1	NA	27	0.00	CIVIL
20190612	612	1	NA	26	0.00	ARQUITECTURA
20191097	1097	7	139	24	84.62	ARQUITECTURA
20190796	796	7	116	34	81.12	ARQUITECTURA
20190240	240	2	27	28	92.33	SISTEMAS
20191202	1202	1	NA	23	0.00	BIOQUIMICA
20194673	4673	12	219	16	89.93	GESTION EMPRESARIAL
20195370	5370	5	41	4	81.44	INFORMATICA
20191901	1901	5	117	31	87.08	CIVIL
20193696	3696	11	231	4	83.33	MECATRONICA
20193370	3370	11	225	10	81.86	MECANICA
20191197	1197	3	57	27	82.54	BIOQUIMICA
20193032	3032	3	55	29	89.00	INDUSTRIAL
20194867	4867	1	NA	27	0.00	GESTION EMPRESARIAL
20191967	1967	1	NA	27	0.00	CIVIL
20193638	3638	7	170	27	86.59	MECANICA
20190934	934	7	170	28	88.58	ARQUITECTURA
20194100	4100	9	225	5	87.96	QUIMICA
20195193	5193	6	138	33	86.21	GESTION EMPRESARIAL
20195450	5450	10	262	10	88.60	ADMINISTRACION
20191067	1067	1	NA	26	0.00	ARQUITECTURA
20193404	3404	10	172	18	81.13	MECANICA
20194217	4217	12	225	10	78.46	QUIMICA
20191449	1449	1	NA	23	0.00	BIOQUIMICA
20192720	2720	9	202	24	82.28	INDUSTRIAL
20195151	5151	1	NA	27	0.00	GESTION EMPRESARIAL
20193110	3110	1	NA	27	0.00	INDUSTRIAL
20191051	1051	6	127	24	88.19	ARQUITECTURA
20194783	4783	1	NA	27	0.00	GESTION EMPRESARIAL
20195643	5643	2	27	28	92.67	ADMINISTRACION
20194482	4482	2	25	30	82.00	QUIMICA
20194046	4046	1	NA	25	0.00	MECATRONICA
20192183	2183	2	27	30	83.50	CIVIL
20190659	659	1	NA	26	0.00	ARQUITECTURA
20195318	5318	1	NA	26	0.00	TIC
20192101	2101	2	23	25	80.80	CIVIL
20191758	1758	4	80	34	85.94	CIVIL
20192297	2297	5	94	33	84.77	ELECTRICA
20193793	3793	7	128	31	84.46	MECATRONICA
20190822	822	3	48	32	90.45	ARQUITECTURA
20190352	352	8	176	32	80.47	SISTEMAS
20193467	3467	3	42	32	82.30	MECANICA
20190443	443	7	160	34	90.34	SISTEMAS
20190241	241	5	112	25	91.63	SISTEMAS
20194569	4569	3	51	30	88.64	QUIMICA
20193456	3456	6	89	32	78.30	MECANICA
20195534	5534	8	177	34	86.89	ADMINISTRACION
20193666	3666	12	190	5	78.35	MECATRONICA
20192155	2155	2	22	26	93.40	CIVIL
20193527	3527	1	NA	26	0.00	MECANICA
20191607	1607	10	231	4	83.15	CIVIL

Muestreo aleatorio sistemático

Con el conjunto de datos personas, iniciar en un valor aletorio e identificar los siguientes de 10 en 10 hasta tener diez personas.

N <- nrow(personas)
n = 10
saltos <- round(N / n, 0)
inicio <- round(sample(N, 1) / n, 0)
#inicio

cuales <- seq(from = inicio, to =N, by= saltos)
kable(personas[cuales, ], caption = "La muestra sistematizada de personas")

La muestra sistematizada de personas
	nombres	generos	ajedrez	beisbol	tiro.arco	pesas	futbol	softbol	atletismo	folklorico	tahitiano	teatro	rondalla	pantomima
6	GUADALUPE	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
16	MARÃA DEL CARMEN	F	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO	NO
26	JAVIER	F	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	SI	NO
36	FRANCISCO JAVIER	F	SI	NO	NO	NO	NO	NO	NO	SI	NO	NO	SI	NO
46	TERESA	F	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO
56	YOLANDA	F	SI	NO	NO	NO	SI	NO	NO	NO	NO	NO	NO	NO
66	VÃCTOR MANUEL	M	NO	SI	SI	SI	NO	NO	NO	NO	NO	NO	NO	NO
76	MARÃA ISABEL	F	NO	SI	NO	NO	NO	NO	NO	NO	NO	NO	NO	SI
86	JOSÃ‰ GUADALUPE	M	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO	SI
96	LUCÃA	F	NO	SI	NO	SI	NO	NO	NO	SI	NO	NO	SI	SI

Con el conjunto de datos alumnos, hay que encontrar a 100 alumnos, ¿A cuáles?, bajo el muetreo sistematizado

N <- nrow(alumnos)
n = 100
saltos <- round(N / n, 0)
inicio <- round(sample(N, 1) / n, 0)

cuales <- seq(from = inicio, to =N, by= saltos)

kable(alumnos[cuales, ], caption = "La muestra de alumnos")

La muestra de alumnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera
20190040	40	9	217	18	92.00	SISTEMAS
20190099	99	1	NA	27	0.00	SISTEMAS
20190158	158	1	NA	27	0.00	SISTEMAS
20190217	217	1	NA	27	0.00	SISTEMAS
20190276	276	3	8	22	80.00	SISTEMAS
20190335	335	3	50	28	92.00	SISTEMAS
20190394	394	3	50	28	88.55	SISTEMAS
20190453	453	9	219	16	89.98	ARQUITECTURA
20190512	512	9	223	4	90.24	ARQUITECTURA
20190571	571	1	NA	26	0.00	ARQUITECTURA
20190630	630	1	NA	26	0.00	ARQUITECTURA
20190689	689	1	NA	26	0.00	ARQUITECTURA
20190748	748	6	117	33	86.38	ARQUITECTURA
20190807	807	3	48	32	89.82	ARQUITECTURA
20190866	866	6	142	28	88.53	ARQUITECTURA
20190925	925	4	80	30	93.39	ARQUITECTURA
20190984	984	6	120	28	85.59	ARQUITECTURA
20191043	1043	2	26	26	88.33	ARQUITECTURA
20191102	1102	3	52	28	88.33	ARQUITECTURA
20191161	1161	9	247	11	90.62	BIOQUIMICA
20191220	1220	5	81	34	85.44	BIOQUIMICA
20191279	1279	3	52	30	97.92	BIOQUIMICA
20191338	1338	4	77	22	80.47	BIOQUIMICA
20191397	1397	4	77	28	85.71	BIOQUIMICA
20191456	1456	6	118	34	84.35	BIOQUIMICA
20191515	1515	5	99	26	86.86	BIOQUIMICA
20191574	1574	12	230	5	79.42	CIVIL
20191633	1633	11	206	29	79.65	CIVIL
20191692	1692	8	193	27	80.38	CIVIL
20191751	1751	7	175	24	87.25	CIVIL
20191810	1810	5	109	30	82.48	CIVIL
20191869	1869	3	57	24	90.83	CIVIL
20191928	1928	5	100	19	80.00	CIVIL
20191987	1987	5	101	28	83.71	CIVIL
20192046	2046	8	150	33	81.77	CIVIL
20192105	2105	8	178	30	79.41	CIVIL
20192164	2164	1	NA	27	0.00	CIVIL
20192223	2223	9	220	15	83.30	ELECTRICA
20192282	2282	5	94	26	84.09	ELECTRICA
20192341	2341	3	46	28	91.55	ELECTRICA
20192400	2400	1	NA	24	0.00	ELECTRICA
20192459	2459	1	NA	24	0.00	ELECTRICA
20192518	2518	11	192	23	83.88	ELECTRONICA
20192577	2577	3	52	25	87.67	ELECTRONICA
20192636	2636	5	105	28	92.65	ELECTRONICA
20192695	2695	9	226	4	85.18	INDUSTRIAL
20192754	2754	5	93	34	83.29	INDUSTRIAL
20192813	2813	5	98	32	83.41	INDUSTRIAL
20192872	2872	7	156	36	84.71	INDUSTRIAL
20192931	2931	2	27	24	82.83	INDUSTRIAL
20192990	2990	9	235	10	84.96	INDUSTRIAL
20193049	3049	2	27	24	81.50	INDUSTRIAL
20193108	3108	8	123	34	82.50	INDUSTRIAL
20193167	3167	2	27	28	88.33	INDUSTRIAL
20193226	3226	1	NA	27	0.00	INDUSTRIAL
20193285	3285	2	27	24	81.00	INDUSTRIAL
20193344	3344	5	55	27	86.69	INDUSTRIAL
20193403	3403	9	175	28	83.45	MECANICA
20193462	3462	7	83	30	78.05	MECANICA
20193521	3521	7	137	34	86.20	MECANICA
20193580	3580	8	175	21	85.34	MECANICA
20193639	3639	3	30	22	83.00	MECANICA
20193698	3698	9	219	16	89.63	MECATRONICA
20193757	3757	1	NA	25	0.00	MECATRONICA
20193816	3816	5	108	30	86.71	MECATRONICA
20193875	3875	4	67	23	79.07	MECATRONICA
20193934	3934	3	53	27	86.50	MECATRONICA
20193993	3993	8	151	27	79.53	MECATRONICA
20194052	4052	5	110	24	85.17	MECATRONICA
20194111	4111	9	224	6	91.26	QUIMICA
20194170	4170	10	211	24	80.44	QUIMICA
20194229	4229	3	36	30	89.25	QUIMICA
20194288	4288	13	235	10	78.98	QUIMICA
20194347	4347	7	138	24	85.07	QUIMICA
20194406	4406	4	86	28	81.44	QUIMICA
20194465	4465	9	214	21	89.05	QUIMICA
20194524	4524	10	127	13	78.89	QUIMICA
20194583	4583	7	150	22	86.16	QUIMICA
20194642	4642	2	25	31	89.17	QUIMICA
20194701	4701	9	230	5	94.75	GESTION EMPRESARIAL
20194760	4760	9	215	20	87.38	GESTION EMPRESARIAL
20194819	4819	3	54	28	87.08	GESTION EMPRESARIAL
20194878	4878	3	54	28	87.42	GESTION EMPRESARIAL
20194937	4937	7	167	33	88.00	GESTION EMPRESARIAL
20194996	4996	3	54	28	95.33	GESTION EMPRESARIAL
20195055	5055	1	NA	27	0.00	GESTION EMPRESARIAL
20195114	5114	7	185	25	95.74	GESTION EMPRESARIAL
20195173	5173	2	37	30	93.25	GESTION EMPRESARIAL
20195232	5232	3	54	28	89.08	GESTION EMPRESARIAL
20195291	5291	5	101	28	81.27	TIC
20195350	5350	9	215	16	84.57	INFORMATICA
20195409	5409	3	55	27	87.92	INFORMATICA
20195468	5468	11	240	22	84.88	ADMINISTRACION
20195527	5527	1	NA	27	0.00	ADMINISTRACION
20195586	5586	1	NA	27	0.00	ADMINISTRACION
20195645	5645	3	55	29	97.67	ADMINISTRACION
20195704	5704	5	79	29	86.06	ADMINISTRACION
20195763	5763	5	113	27	92.83	ADMINISTRACION
20195822	5822	5	113	27	95.63	ADMINISTRACION
20195881	5881	7	135	34	83.90	ADMINISTRACION

Muestreo aleatorio estratificado

Con el conjunto de datos de personas se trata de encontrar 10 , pero que sea representativa de acuerdo y conforme al género femenino y masculino.
¿Cuál es la frecuencia relativa del género femenino?
¿Cuál es la frecuencia relativa del género masculino?
Ambas frecuencias multiplicar por el tamaño de la muestra para garantizar imparcialidad en la muestra.

N <- nrow(personas)
n <- 10
femeninos  <- filter(personas, generos=='F')
masculinos <- filter(personas, generos=='M')

frfem <- nrow(femeninos) / N
frmas <- nrow(masculinos) / N

frfem

## [1] 0.42

frmas

## [1] 0.58

muestraFem <- sample(femeninos, n * frfem)
kable(muestraFem, caption = "La muestra de personas Femenino")

La muestra de personas Femenino
	nombres	generos	ajedrez	beisbol	tiro.arco	pesas	futbol	softbol	atletismo	folklorico	tahitiano	teatro	rondalla	pantomima	orig.id
26	GABRIELA	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	26
36	ISABEL	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	36
39	CARMEN	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	39
10	FRANCISCO JAVIER	F	SI	NO	NO	NO	NO	NO	NO	SI	NO	NO	SI	NO	10

muestraMas <- sample(masculinos, n * frmas)
kable(muestraMas, caption = "La muestra de personas Masculino")

La muestra de personas Masculino
	nombres	generos	ajedrez	beisbol	tiro.arco	pesas	futbol	softbol	atletismo	folklorico	tahitiano	teatro	rondalla	pantomima	orig.id
58	GUSTAVO	M	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	58
20	RAFAEL	M	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	20
3	JOSÃ‰	M	NO	SI	NO	SI	NO	NO	NO	NO	NO	NO	SI	SI	3
31	ALFREDO	M	NO	NO	NO	SI	NO	NO	NO	NO	NO	SI	NO	NO	31
47	RUBEN	M	NO	SI	NO	NO	NO	NO	NO	NO	NO	NO	SI	NO	47

Simular muestreo estratificado por carreas de alumnos determinando las frecuencias relativas por medio de la función fdt_cat()

N <- nrow(alumnos)
n <- 100

tabla_frec <- data.frame(fdt_cat(alumnos$Carrera))

tabla_frec$muestra <-  round(tabla_frec$rf * n, 0)

kable(tabla_frec, caption = "Tabla de frecuencia de alumnos")

Tabla de frecuencia de alumnos
Category	f	rf	rf…	cf	cf…	muestra
INDUSTRIAL	707	0.1192444	11.924439	707	11.92444	12
ARQUITECTURA	675	0.1138472	11.384719	1382	23.30916	11
CIVIL	648	0.1092933	10.929330	2030	34.23849	11
GESTION EMPRESARIAL	585	0.0986676	9.866757	2615	44.10525	10
QUIMICA	568	0.0958003	9.580030	3183	53.68528	10
ADMINISTRACION	497	0.0838253	8.382527	3680	62.06780	8
SISTEMAS	452	0.0762355	7.623545	4132	69.69135	8
BIOQUIMICA	441	0.0743802	7.438016	4573	77.12936	7
MECATRONICA	432	0.0728622	7.286220	5005	84.41558	7
MECANICA	301	0.0507674	5.076741	5306	89.49233	5
ELECTRICA	280	0.0472255	4.722550	5586	94.21488	5
ELECTRONICA	161	0.0271547	2.715466	5747	96.93034	3
INFORMATICA	101	0.0170349	1.703491	5848	98.63383	2
TIC	81	0.0136617	1.366166	5929	100.00000	1

¿Cuáles alumnos?
Sólo simular carreras de SISTEMAS Y CIVIL

N <- nrow(alumnos)
n <- 100
sistemas  <- filter(alumnos, Carrera =='SISTEMAS')
civil <- filter(alumnos, Carrera == 'CIVIL')


frsistemas <- nrow(sistemas) / N
frcivil <- nrow(civil) / N

frsistemas

## [1] 0.07623545

frcivil

## [1] 0.1092933

muestrasistemas <- sample(sistemas, round(n * frsistemas, 0))
kable(muestrasistemas, caption = "La muestra de alumnos de Sistemas")

La muestra de alumnos de Sistemas
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	orig.id
20190046	46	9	221	14	90.71	SISTEMAS	46
20190130	130	4	87	33	87.89	SISTEMAS	130
20190335	335	3	50	28	92.00	SISTEMAS	335
20190142	142	3	36	23	89.13	SISTEMAS	142
20190199	199	1	NA	27	0.00	SISTEMAS	199
20190030	30	11	226	9	81.78	SISTEMAS	30
20190052	52	10	138	31	79.33	SISTEMAS	52
20190448	448	1	NA	27	0.00	SISTEMAS	448

muestracivil <- sample(civil, round(n * frcivil, 0))
kable(muestracivil, caption = "La muestra de alumnos de Civil")

La muestra de alumnos de Civil
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	orig.id
20191982	1982	6	120	31	81.36	CIVIL	414
20191847	1847	5	122	30	86.00	CIVIL	279
20192207	2207	6	38	35	77.38	CIVIL	639
20192128	2128	6	118	34	78.44	CIVIL	560
20192184	2184	1	NA	27	0.00	CIVIL	616
20191794	1794	6	137	34	87.66	CIVIL	226
20191740	1740	5	113	30	88.63	CIVIL	172
20192009	2009	4	82	31	82.71	CIVIL	441
20191578	1578	10	205	25	81.95	CIVIL	10
20191905	1905	7	154	32	82.64	CIVIL	337
20191984	1984	6	133	30	86.79	CIVIL	416

Muestreo por conglomerados

En un proceso de simulación, al conjunto de datos alumnos agregar tres columnas: la localidad, latidud y longitud
Primero cargar datos de localidades de Durango

N <- nrow(alumnos)
n <- 100

locdurangomx <- read.csv("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/datos/locdurangomx.csv", encoding = "UTF-8")

Segundo por medio de función sample() generar cinco registros aleatorios de localidades y agregar un sexto registro de Victoria de Durango.

set.seed(1000)
localidades6 <- locdurangomx[sample(nrow(locdurangomx), 5), ]

localidades6 <- rbind(localidades6, locdurangomx[1,])

Tercero agregar las columnas: nombre de localidad, latitud y longitud al conjunto de datos alumnos con una probabilidad de que sean de Victoria de Durango del 60%.
Mostrar los primeros diez y últimos diez alumnos verificando las tres nuevas columnas.

registros <- locdurangomx[sample(localidades6$X, N, replace = TRUE, prob = c(.10, 0.12, 0.05, 0.07, 0.06, 0.60)),c("Nom_Loc", "Lat_Decimal", "Lon_Decimal")]

alumnos$localidad <- registros$Nom_Loc
alumnos$latitud <- registros$Lat_Decimal
alumnos$longitud <- registros$Lon_Decimal

kable(head(alumnos, 10), caption = "Los primeros diez registros de alumnos")

Los primeros diez registros de alumnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud
20190001	1	11	198	19	80.21	SISTEMAS	Las Aves	23.94883	-104.5715
20190002	2	11	235	10	84.33	SISTEMAS	Victoria de Durango	24.02399	-104.6702
20190003	3	9	235	10	95.25	SISTEMAS	Victoria de Durango	24.02399	-104.6702
20190004	4	9	226	19	95.00	SISTEMAS	Victoria de Durango	24.02399	-104.6702
20190005	5	10	231	14	82.32	SISTEMAS	Victoria de Durango	24.02399	-104.6702
20190006	6	9	212	23	95.02	SISTEMAS	Las Aves	23.94883	-104.5715
20190007	7	12	221	10	79.06	SISTEMAS	Victoria de Durango	24.02399	-104.6702
20190008	8	9	226	9	92.47	SISTEMAS	Los Fresnos	24.08339	-104.6095
20190009	9	9	231	4	91.08	SISTEMAS	Las Aves	23.94883	-104.5715
20190010	10	11	222	13	80.42	SISTEMAS	Victoria de Durango	24.02399	-104.6702

kable(tail(alumnos, 10), caption = "Las útimos diez registros de alumnos")

Las útimos diez registros de alumnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud
20195920	5920	7	169	23	89.14	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702
20195921	5921	5	109	26	87.83	ADMINISTRACION	Los Fresnos	24.08339	-104.6095
20195922	5922	3	55	29	92.83	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702
20195923	5923	2	23	23	88.60	ADMINISTRACION	Michel [Granja]	24.00545	-104.7152
20195924	5924	2	27	28	92.83	ADMINISTRACION	Las Brisas	23.97352	-104.5800
20195925	5925	7	94	13	80.95	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702
20195926	5926	5	103	32	92.68	ADMINISTRACION	Las Aves	23.94883	-104.5715
20195927	5927	4	79	34	86.18	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702
20195928	5928	5	108	32	90.48	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702
20195929	5929	7	169	32	92.33	ADMINISTRACION	Microondas el Tecolote	24.05248	-104.8519

Cuarto encontrar frecuencias por localidad

N <- nrow(alumnos)
n <- 100

tabla_frec <- data.frame(fdt_cat(alumnos$localidad))

tabla_frec$muestra <-  round(tabla_frec$rf * n, 0)

kable(tabla_frec, caption = "Tabla de frecuencia de alumnos por localidad")

Tabla de frecuencia de alumnos por localidad
Category	f	rf	rf…	cf	cf…	muestra
Victoria de Durango	3564	0.6011132	60.111317	3564	60.11132	60
Las Brisas	691	0.1165458	11.654579	4255	71.76590	12
Las Aves	626	0.1055827	10.558273	4881	82.32417	11
Los Fresnos	431	0.0726935	7.269354	5312	89.59352	7
Microondas el Tecolote	329	0.0554900	5.548997	5641	95.14252	6
Michel [Granja]	288	0.0485748	4.857480	5929	100.00000	5

Quinto Determinar el porcentaje que le corresponde a cada conglomerado conforme a la frecuencia relativa.
¿Cuáles alumnos?, de acuerdo al conglomerado o la localidad
Simular por las seis localidades

N <- nrow(alumnos)
n <- 100

loc1 <- filter(alumnos, localidad == tabla_frec$Category[1])
loc2 <- filter(alumnos, localidad == tabla_frec$Category[2])
loc3 <- filter(alumnos, localidad == tabla_frec$Category[3])
loc4 <- filter(alumnos, localidad == tabla_frec$Category[4])
loc5 <- filter(alumnos, localidad == tabla_frec$Category[5])
loc6 <- filter(alumnos, localidad == tabla_frec$Category[6])



frloc1 <- nrow(loc1) / N
frloc2 <- nrow(loc2) / N
frloc3 <- nrow(loc3) / N
frloc4 <- nrow(loc4) / N
frloc5 <- nrow(loc5) / N
frloc6 <- nrow(loc6) / N

muestraloc1 <- sample(loc1, round(n * frloc1, 0))
kable(muestraloc1, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[1] ))

La muestra de alumnos de Localidad Victoria de Durango
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20195752	5752	3	55	29	95.67	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702	3462
20191354	1354	7	167	34	86.40	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	809
20195197	5197	8	195	25	87.88	GESTION EMPRESARIAL	Victoria de Durango	24.02399	-104.6702	3142
20194694	4694	9	230	15	92.17	GESTION EMPRESARIAL	Victoria de Durango	24.02399	-104.6702	2835
20191656	1656	12	179	33	77.27	CIVIL	Victoria de Durango	24.02399	-104.6702	995
20193520	3520	1	NA	26	0.00	MECANICA	Victoria de Durango	24.02399	-104.6702	2155
20191220	1220	5	81	34	85.44	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	728
20191366	1366	2	23	29	90.17	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	818
20190579	579	4	80	30	89.11	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	331
20192440	2440	1	NA	24	0.00	ELECTRICA	Victoria de Durango	24.02399	-104.6702	1484
20195184	5184	3	60	29	84.85	GESTION EMPRESARIAL	Victoria de Durango	24.02399	-104.6702	3132
20191337	1337	8	186	24	84.36	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	798
20190945	945	6	134	24	87.86	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	563
20194561	4561	1	NA	25	0.00	QUIMICA	Victoria de Durango	24.02399	-104.6702	2751
20190949	949	2	26	26	87.67	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	565
20190853	853	2	24	22	87.00	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	511
20194009	4009	2	25	28	80.67	MECATRONICA	Victoria de Durango	24.02399	-104.6702	2423
20190981	981	5	110	32	89.50	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	587
20193423	3423	7	102	30	80.91	MECANICA	Victoria de Durango	24.02399	-104.6702	2093
20195597	5597	8	207	27	93.09	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702	3369
20192461	2461	7	150	28	82.79	ELECTRICA	Victoria de Durango	24.02399	-104.6702	1496
20191351	1351	3	52	30	85.75	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	807
20190343	343	8	165	28	81.31	SISTEMAS	Victoria de Durango	24.02399	-104.6702	201
20194890	4890	7	170	35	87.44	GESTION EMPRESARIAL	Victoria de Durango	24.02399	-104.6702	2947
20191348	1348	7	164	32	91.03	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	806
20190739	739	1	NA	26	0.00	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	433
20191212	1212	7	165	36	86.37	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	723
20193020	3020	3	55	29	92.15	INDUSTRIAL	Victoria de Durango	24.02399	-104.6702	1848
20191394	1394	2	23	29	86.83	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	836
20194023	4023	1	NA	25	0.00	MECATRONICA	Victoria de Durango	24.02399	-104.6702	2434
20192358	2358	7	98	9	81.04	ELECTRICA	Victoria de Durango	24.02399	-104.6702	1435
20194165	4165	4	53	20	77.91	QUIMICA	Victoria de Durango	24.02399	-104.6702	2522
20194937	4937	7	167	33	88.00	GESTION EMPRESARIAL	Victoria de Durango	24.02399	-104.6702	2978
20192500	2500	9	197	20	84.05	ELECTRONICA	Victoria de Durango	24.02399	-104.6702	1518
20190866	866	6	142	28	88.53	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	518
20190307	307	2	27	28	77.00	SISTEMAS	Victoria de Durango	24.02399	-104.6702	180
20195480	5480	9	228	24	86.23	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702	3304
20195413	5413	1	NA	27	0.00	INFORMATICA	Victoria de Durango	24.02399	-104.6702	3267
20195861	5861	7	169	32	93.89	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702	3521
20190661	661	3	52	28	83.42	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	384
20191654	1654	10	171	32	78.42	CIVIL	Victoria de Durango	24.02399	-104.6702	994
20194474	4474	8	205	20	83.76	QUIMICA	Victoria de Durango	24.02399	-104.6702	2699
20194055	4055	3	43	14	81.10	MECATRONICA	Victoria de Durango	24.02399	-104.6702	2453
20190746	746	4	76	28	89.29	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	436
20193336	3336	7	179	26	89.12	INDUSTRIAL	Victoria de Durango	24.02399	-104.6702	2038
20195409	5409	3	55	27	87.92	INFORMATICA	Victoria de Durango	24.02399	-104.6702	3266
20195033	5033	3	50	28	94.45	GESTION EMPRESARIAL	Victoria de Durango	24.02399	-104.6702	3034
20190549	549	9	218	17	88.69	ARQUITECTURA	Victoria de Durango	24.02399	-104.6702	313
20192620	2620	3	47	23	86.91	ELECTRONICA	Victoria de Durango	24.02399	-104.6702	1591
20190186	186	3	41	28	83.89	SISTEMAS	Victoria de Durango	24.02399	-104.6702	110
20191297	1297	3	52	30	87.00	BIOQUIMICA	Victoria de Durango	24.02399	-104.6702	775
20193034	3034	5	85	31	88.21	INDUSTRIAL	Victoria de Durango	24.02399	-104.6702	1858
20194007	4007	7	115	27	82.96	MECATRONICA	Victoria de Durango	24.02399	-104.6702	2421
20195690	5690	4	79	29	88.53	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702	3421
20194231	4231	7	172	32	88.94	QUIMICA	Victoria de Durango	24.02399	-104.6702	2561
20193544	3544	3	48	27	82.82	MECANICA	Victoria de Durango	24.02399	-104.6702	2165
20192218	2218	11	235	10	84.19	ELECTRICA	Victoria de Durango	24.02399	-104.6702	1345
20195545	5545	7	145	29	85.77	ADMINISTRACION	Victoria de Durango	24.02399	-104.6702	3341
20194135	4135	7	172	26	85.39	QUIMICA	Victoria de Durango	24.02399	-104.6702	2500
20193613	3613	3	52	24	85.50	MECANICA	Victoria de Durango	24.02399	-104.6702	2207

muestraloc2 <- sample(loc2, round(n * frloc2, 0))
kable(muestraloc2, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[2] ))

La muestra de alumnos de Localidad Las Brisas
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20192268	2268	10	216	14	83.80	ELECTRICA	Las Brisas	23.97352	-104.58	262
20195323	5323	1	NA	26	0.00	TIC	Las Brisas	23.97352	-104.58	631
20192994	2994	7	172	33	86.44	INDUSTRIAL	Las Brisas	23.97352	-104.58	344
20194348	4348	5	114	30	89.92	QUIMICA	Las Brisas	23.97352	-104.58	515
20193182	3182	2	27	24	83.00	INDUSTRIAL	Las Brisas	23.97352	-104.58	375
20192346	2346	5	99	28	84.35	ELECTRICA	Las Brisas	23.97352	-104.58	271
20192814	2814	7	163	35	84.35	INDUSTRIAL	Las Brisas	23.97352	-104.58	326
20195766	5766	1	NA	27	0.00	ADMINISTRACION	Las Brisas	23.97352	-104.58	678
20192753	2753	6	158	26	88.00	INDUSTRIAL	Las Brisas	23.97352	-104.58	321
20194882	4882	3	32	31	84.43	GESTION EMPRESARIAL	Las Brisas	23.97352	-104.58	577
20193378	3378	10	225	10	82.12	MECANICA	Las Brisas	23.97352	-104.58	391
20191305	1305	1	NA	23	0.00	BIOQUIMICA	Las Brisas	23.97352	-104.58	161

muestraloc3 <- sample(loc3, round(n * frloc3, 0))
kable(muestraloc3, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[3] ))

La muestra de alumnos de Localidad Las Aves
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20193085	3085	5	NA	26	0.00	INDUSTRIAL	Las Aves	23.94883	-104.5715	320
20190244	244	5	112	25	87.54	SISTEMAS	Las Aves	23.94883	-104.5715	23
20191061	1061	8	168	32	82.86	ARQUITECTURA	Las Aves	23.94883	-104.5715	121
20190039	39	9	222	13	92.21	SISTEMAS	Las Aves	23.94883	-104.5715	6
20194015	4015	4	62	26	85.00	MECATRONICA	Las Aves	23.94883	-104.5715	439
20191448	1448	7	174	27	87.08	BIOQUIMICA	Las Aves	23.94883	-104.5715	165
20194301	4301	6	129	26	84.96	QUIMICA	Las Aves	23.94883	-104.5715	462
20190390	390	5	107	30	80.26	SISTEMAS	Las Aves	23.94883	-104.5715	41
20193641	3641	5	57	23	78.85	MECANICA	Las Aves	23.94883	-104.5715	387
20193522	3522	1	NA	26	0.00	MECANICA	Las Aves	23.94883	-104.5715	366
20190306	306	4	87	33	93.26	SISTEMAS	Las Aves	23.94883	-104.5715	34

muestraloc4 <- sample(loc4, round(n * frloc4, 0))
kable(muestraloc4, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[4] ))

La muestra de alumnos de Localidad Los Fresnos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20194732	4732	12	225	10	86.83	GESTION EMPRESARIAL	Los Fresnos	24.08339	-104.6095	310
20194974	4974	8	205	30	88.56	GESTION EMPRESARIAL	Los Fresnos	24.08339	-104.6095	332
20195248	5248	1	NA	27	0.00	GESTION EMPRESARIAL	Los Fresnos	24.08339	-104.6095	356
20194853	4853	2	32	27	94.57	GESTION EMPRESARIAL	Los Fresnos	24.08339	-104.6095	325
20192243	2243	10	226	9	82.25	ELECTRICA	Los Fresnos	24.08339	-104.6095	154
20195503	5503	10	262	10	93.87	ADMINISTRACION	Los Fresnos	24.08339	-104.6095	388
20191152	1152	11	108	17	78.00	BIOQUIMICA	Los Fresnos	24.08339	-104.6095	72

muestraloc5 <- sample(loc5, round(n * frloc5, 0))
kable(muestraloc5, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[5] ))

La muestra de alumnos de Localidad Microondas el Tecolote
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20192935	2935	5	104	34	86.39	INDUSTRIAL	Microondas el Tecolote	24.05248	-104.8519	168
20192340	2340	1	NA	24	0.00	ELECTRICA	Microondas el Tecolote	24.05248	-104.8519	133
20191209	1209	5	104	30	82.91	BIOQUIMICA	Microondas el Tecolote	24.05248	-104.8519	62
20190236	236	1	NA	27	0.00	SISTEMAS	Microondas el Tecolote	24.05248	-104.8519	15
20195268	5268	5	101	28	82.55	TIC	Microondas el Tecolote	24.05248	-104.8519	294
20192138	2138	5	99	33	84.43	CIVIL	Microondas el Tecolote	24.05248	-104.8519	116

muestraloc6 <- sample(loc6, round(n * frloc6, 0))
kable(muestraloc6, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[6] ))

La muestra de alumnos de Localidad Michel [Granja]
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20193554	3554	3	52	31	86.33	MECANICA	Michel [Granja]	24.00545	-104.7152	175
20194555	4555	6	133	23	83.14	QUIMICA	Michel [Granja]	24.00545	-104.7152	223
20192499	2499	11	205	15	79.93	ELECTRONICA	Michel [Granja]	24.00545	-104.7152	119
20192495	2495	3	51	28	92.50	ELECTRICA	Michel [Granja]	24.00545	-104.7152	118
20192977	2977	8	201	28	83.67	INDUSTRIAL	Michel [Granja]	24.00545	-104.7152	143

Visualizar con mapas

Cargar la librerías para mapas

library(leaflet)

## Warning: package 'leaflet' was built under R version 4.0.3

Usando los valores de latitud y longitud

map<-leaflet() %>%
  addTiles() %>%
  addMarkers(lat=localidades6$Lat_Decimal[1],lng=localidades6$Lon_Decimal[1] ,popup=localidades6$Nom_Loc[1]) %>%
   addMarkers(lat=localidades6$Lat_Decimal[2],lng=localidades6$Lon_Decimal[2] ,popup=localidades6$Nom_Loc[2]) %>%
   addMarkers(lat=localidades6$Lat_Decimal[3],lng=localidades6$Lon_Decimal[3] ,popup=localidades6$Nom_Loc[3]) %>%
   addMarkers(lat=localidades6$Lat_Decimal[4],lng=localidades6$Lon_Decimal[4] ,popup=localidades6$Nom_Loc[4]) %>%
   addMarkers  (lat=localidades6$Lat_Decimal[5],lng=localidades6$Lon_Decimal[5] ,popup=localidades6$Nom_Loc[5]) %>%
   addMarkers  (lat=localidades6$Lat_Decimal[6],lng=localidades6$Lon_Decimal[6] ,popup=localidades6$Nom_Loc[6])
# Mostrar el mapa 
map

Interpretación

Finalizamos el semestre con este caso #22, en el cual tratamos con los tipos de muestreo. En la estadística, se conoce como a la técnica para la selección de una muestra a partir de una población estadística Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez obtener resultados parecidos a los que se alcanzarían si se realizase un estudio de toda la población. En las investigaciones llevadas por empresarios y de la medicina se usa muestreo extensivamente en recoger información sobre poblaciones.

Al realizar el edbido caso, obtenemos los siguientes resultados:

1-) Muestreo aleatorio simple Este mismo es de las 100 personas que están en el conjunto, únicamente escogeremos a 10 de ellas y por lo tanto van a ser aleatoriamente las que entrevistas.
2-) Muestreo aleatorio sistemático En este ejercicio de los 100 alumnos que tenemos escogeremos uno al azar, de los 10 primeros escogeremos el que este y así sucesivamente iremos de 10 en 10 para finalizar a completar las 10 personas y como podemos observar en la tabla de las personas escogidas ah la entrevista fue la 6,16,26,36,46,56,66,76,86,96.
3-) Muestreo aleatorio estratificado En este muestreo en el conjunto de personas las 10 que se tomaran tienen que ser representativas en cuanto al genero sea hombre o mujer para eso se tiene que sacar las frecuencias relativas de ambos géneros, y como resultado de estas frecuencias nos dan 0.42 y 0.58 el cual este se multiplica por los 10 que son las personas y en Femenino tenemos que son 4 personas y en masculino 5 esto varia dependiendo de las personas que entrevistemos.
4-) Muestreo por Conglomerados Este es el ultimo tipo de muestreo y trata sobre un proceso de simulación, para este se tiene que agregar una tabla con tres columnas que son la localidad, latitud y longitud, como son personas de durango se busca la localidad de dicho estado y finalmente para darle un toque extra ponemos lo que es el mapa y las hubicaciones en este mismo de donde se ubican, este muestreo como emos podido ver es uno de los mas complejos.