Muestreo y Tipos de Muestreo

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.

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)

## 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)  # Para gráficos
library(knitr)    # Para formateo de datos
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

Cargar datos 2.1. Cargar datos de nombres de personas 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("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/construir%20datos%20y%20funciones%20caso%209.r", encoding = "UTF-8")

kable(head(personas, 10), caption = "Los primeros diez registros de nombres en el conjunto de datos")

Los primeros diez registros de nombres en el conjunto de datos
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
JOSÉ LUIS	M	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO
JOSÉ	M	NO	SI	NO	SI	NO	NO	NO	NO	NO	NO	SI	SI
MARÍA 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
MARÍA	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
JESÚS	M	NO	NO	SI	NO	NO	SI	NO	NO	SI	NO	NO	NO

kable(tail(personas, 10), caption = "Las útimos diez registros de nombres en el conjunto de datos")

Las útimos diez registros de nombres en el conjunto de datos
	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	MARÍA 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	LUCÍA	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	AGUSTÍN	M	NO	SI	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO
99	MARÍA 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

2.2. Cargar datos de alumnos Se cargan os 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")

## ! curl package not installed, falling back to using `url()`

## 
## -- 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 3.1 Muestreo aleatorio simple 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
PEDRO
ELIZABETH
JESÚS
ALEJANDRO
RAFAEL
MARÍA TERESA
DIEGO
PATRICIA
FELIPE
JOSÉ LUIS

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
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
20192521	2521	9	222	23	86.40	ELECTRONICA
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
20194038	4038	5	105	24	88.57	MECATRONICA
20190090	90	4	49	32	82.64	SISTEMAS
20195706	5706	4	84	30	86.94	ADMINISTRACION
20190058	58	9	200	25	83.66	SISTEMAS
20190724	724	4	70	28	87.56	ARQUITECTURA
20195727	5727	7	164	28	91.86	ADMINISTRACION
20190762	762	1	NA	26	0.00	ARQUITECTURA
20191647	1647	9	221	14	86.43	CIVIL
20194142	4142	9	151	26	81.06	QUIMICA
20193919	3919	3	53	27	79.92	MECATRONICA
20192247	2247	11	190	31	81.70	ELECTRICA
20193102	3102	6	139	34	78.16	INDUSTRIAL
20194148	4148	5	108	29	84.91	QUIMICA

3.2. 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
7	MARÍA	F	NO	SI	NO	NO	SI	NO	NO	NO	NO	NO	NO	NO
17	JUAN CARLOS	M	SI	NO	NO	NO	NO	NO	SI	NO	SI	NO	NO	NO
27	RAFAEL	M	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO
37	ENRIQUE	M	NO	NO	NO	NO	NO	NO	NO	NO	SI	NO	SI	NO
47	ALICIA	F	NO	SI	NO	NO	NO	SI	NO	NO	NO	SI	NO	NO
57	PATRICIA	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO
67	SILVIA	F	NO	NO	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO
77	PABLO	M	NO	NO	SI	NO	NO	NO	SI	SI	NO	NO	NO	NO
87	JULIO CESAR	M	SI	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO
97	ADRIANA	F	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO

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
20190045	45	13	230	5	85.04	SISTEMAS
20190104	104	3	50	33	86.55	SISTEMAS
20190163	163	7	164	34	88.11	SISTEMAS
20190222	222	8	183	33	82.17	SISTEMAS
20190281	281	3	45	23	86.00	SISTEMAS
20190340	340	1	NA	27	0.00	SISTEMAS
20190399	399	7	151	33	87.00	SISTEMAS
20190458	458	9	168	25	81.83	ARQUITECTURA
20190517	517	9	166	30	84.27	ARQUITECTURA
20190576	576	4	80	33	91.56	ARQUITECTURA
20190635	635	6	130	28	86.00	ARQUITECTURA
20190694	694	8	198	25	84.85	ARQUITECTURA
20190753	753	4	52	28	86.58	ARQUITECTURA
20190812	812	8	150	20	82.48	ARQUITECTURA
20190871	871	7	166	32	87.94	ARQUITECTURA
20190930	930	6	131	31	80.50	ARQUITECTURA
20190989	989	3	48	32	87.00	ARQUITECTURA
20191048	1048	5	110	32	95.33	ARQUITECTURA
20191107	1107	2	26	26	84.50	ARQUITECTURA
20191166	1166	9	238	20	82.86	BIOQUIMICA
20191225	1225	6	99	26	85.77	BIOQUIMICA
20191284	1284	1	NA	23	0.00	BIOQUIMICA
20191343	1343	3	18	15	75.00	BIOQUIMICA
20191402	1402	1	NA	23	0.00	BIOQUIMICA
20191461	1461	6	79	28	84.11	BIOQUIMICA
20191520	1520	7	76	29	79.59	BIOQUIMICA
20191579	1579	9	124	24	80.12	CIVIL
20191638	1638	9	230	5	93.83	CIVIL
20191697	1697	6	106	20	79.78	CIVIL
20191756	1756	4	71	31	79.80	CIVIL
20191815	1815	1	NA	27	0.00	CIVIL
20191874	1874	6	76	32	81.88	CIVIL
20191933	1933	1	NA	27	0.00	CIVIL
20191992	1992	7	147	32	81.20	CIVIL
20192051	2051	4	82	35	88.24	CIVIL
20192110	2110	8	202	33	85.79	CIVIL
20192169	2169	6	143	30	90.90	CIVIL
20192228	2228	10	235	10	87.87	ELECTRICA
20192287	2287	7	128	30	84.48	ELECTRICA
20192346	2346	5	99	28	84.35	ELECTRICA
20192405	2405	1	NA	24	0.00	ELECTRICA
20192464	2464	1	NA	24	0.00	ELECTRICA
20192523	2523	11	177	5	81.51	ELECTRONICA
20192582	2582	3	38	23	88.11	ELECTRONICA
20192641	2641	1	NA	25	0.00	ELECTRONICA
20192700	2700	9	202	19	82.26	INDUSTRIAL
20192759	2759	7	171	29	86.82	INDUSTRIAL
20192818	2818	6	98	20	81.43	INDUSTRIAL
20192877	2877	1	NA	27	0.00	INDUSTRIAL
20192936	2936	5	112	30	90.08	INDUSTRIAL
20192995	2995	7	109	31	84.84	INDUSTRIAL
20193054	3054	3	34	30	82.13	INDUSTRIAL
20193113	3113	6	76	36	83.72	INDUSTRIAL
20193172	3172	2	27	24	81.00	INDUSTRIAL
20193231	3231	3	27	20	82.67	INDUSTRIAL
20193290	3290	2	27	24	88.50	INDUSTRIAL
20193349	3349	5	102	27	85.13	INDUSTRIAL
20193408	3408	9	164	32	83.67	MECANICA
20193467	3467	3	42	32	82.30	MECANICA
20193526	3526	1	NA	26	0.00	MECANICA
20193585	3585	3	43	26	81.20	MECANICA
20193644	3644	8	111	27	77.96	MECANICA
20193703	3703	9	165	24	85.94	MECATRONICA
20193762	3762	1	NA	25	0.00	MECATRONICA
20193821	3821	7	154	33	85.79	MECATRONICA
20193880	3880	3	43	17	82.90	MECATRONICA
20193939	3939	2	16	28	82.00	MECATRONICA
20193998	3998	1	NA	25	0.00	MECATRONICA
20194057	4057	3	53	27	82.75	MECATRONICA
20194116	4116	5	89	29	80.47	QUIMICA
20194175	4175	8	140	16	82.53	QUIMICA
20194234	4234	7	142	31	94.77	QUIMICA
20194293	4293	5	89	24	86.84	QUIMICA
20194352	4352	4	86	28	82.89	QUIMICA
20194411	4411	7	172	32	95.64	QUIMICA
20194470	4470	6	133	23	84.68	QUIMICA
20194529	4529	1	NA	25	0.00	QUIMICA
20194588	4588	9	220	15	86.53	QUIMICA
20194647	4647	3	50	31	89.64	QUIMICA
20194706	4706	10	164	25	84.86	GESTION EMPRESARIAL
20194765	4765	9	195	25	84.15	GESTION EMPRESARIAL
20194824	4824	6	127	34	86.04	GESTION EMPRESARIAL
20194883	4883	8	111	34	86.54	GESTION EMPRESARIAL
20194942	4942	4	78	34	86.24	GESTION EMPRESARIAL
20195001	5001	7	100	34	85.23	GESTION EMPRESARIAL
20195060	5060	7	54	33	86.50	GESTION EMPRESARIAL
20195119	5119	3	48	29	85.36	GESTION EMPRESARIAL
20195178	5178	5	117	35	87.80	GESTION EMPRESARIAL
20195237	5237	8	210	25	90.39	GESTION EMPRESARIAL
20195296	5296	3	56	23	92.75	TIC
20195355	5355	5	109	27	93.83	INFORMATICA
20195414	5414	1	NA	27	0.00	INFORMATICA
20195473	5473	9	245	11	90.54	ADMINISTRACION
20195532	5532	5	113	31	91.79	ADMINISTRACION
20195591	5591	4	79	34	95.53	ADMINISTRACION
20195650	5650	3	50	30	85.55	ADMINISTRACION
20195709	5709	3	22	28	90.60	ADMINISTRACION
20195768	5768	3	46	29	96.10	ADMINISTRACION
20195827	5827	8	164	28	87.34	ADMINISTRACION
20195886	5886	3	56	33	89.92	ADMINISTRACION

3.3. 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
34	MARÍA DEL ROSARIO	F	NO	NO	SI	NO	NO	SI	NO	NO	NO	NO	NO	NO	34
23	ROSA MARÍA	F	NO	NO	NO	NO	NO	SI	NO	SI	NO	NO	NO	NO	23
40	LUCÍA	F	NO	SI	NO	SI	NO	NO	NO	SI	NO	NO	SI	SI	40
41	ADRIANA	F	NO	NO	NO	NO	NO	NO	SI	NO	NO	NO	NO	NO	41

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
34	LUIS	M	NO	NO	NO	NO	NO	NO	NO	NO	SI	NO	NO	SI	34
56	ARACELI	M	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	SI	NO	56
36	SANTIAGO	M	NO	NO	NO	NO	NO	SI	NO	SI	SI	NO	NO	NO	36
44	GUILLERMO	M	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	NO	44
31	ALFREDO	M	NO	NO	NO	SI	NO	NO	NO	NO	NO	SI	NO	NO	31

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
20190441	441	4	83	29	87.78	SISTEMAS	441
20190010	10	11	222	13	80.42	SISTEMAS	10
20190337	337	1	NA	27	0.00	SISTEMAS	337
20190416	416	3	55	28	95.17	SISTEMAS	416
20190163	163	7	164	34	88.11	SISTEMAS	163
20190230	230	8	189	32	89.10	SISTEMAS	230
20190261	261	4	78	29	81.18	SISTEMAS	261
20190078	78	8	180	26	82.62	SISTEMAS	78

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
20192056	2056	8	172	21	88.53	CIVIL	488
20191587	1587	10	216	14	78.87	CIVIL	19
20191685	1685	2	27	30	88.67	CIVIL	117
20192037	2037	4	39	33	77.75	CIVIL	469
20191974	1974	6	133	30	87.46	CIVIL	406
20191693	1693	5	99	34	86.52	CIVIL	125
20191967	1967	1	NA	27	0.00	CIVIL	399
20191656	1656	12	179	33	77.27	CIVIL	88
20191638	1638	9	230	5	93.83	CIVIL	70
20191645	1645	10	176	19	80.84	CIVIL	77
20191868	1868	4	75	29	80.50	CIVIL	300

3.4. Muestreo por conglomerados Al conjunto de datos alumnos agregar tres columnas. Primero cargar datos de localidades de Durango

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")

localidades50 <- locdurangomx[sample(nrow(locdurangomx), 5), ]

alumlocalidades <- sample(localidades50, N, replace = TRUE)

alumnos$localidad <- alumlocalidades$Nom_Loc
alumnos$latitud <- alumlocalidades$Lat_Decimal
alumnos$longitud <- alumlocalidades$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	Javier Larios Mateos	24.14769	-104.6010
20190002	2	11	235	10	84.33	SISTEMAS	Rancho el Durazno	24.15622	-104.6684
20190003	3	9	235	10	95.25	SISTEMAS	Rancho Triple R	24.15531	-104.5130
20190004	4	9	226	19	95.00	SISTEMAS	Javier Larios Mateos	24.14769	-104.6010
20190005	5	10	231	14	82.32	SISTEMAS	Segovias	23.99671	-104.7030
20190006	6	9	212	23	95.02	SISTEMAS	Rancho Triple R	24.15531	-104.5130
20190007	7	12	221	10	79.06	SISTEMAS	Rancho Triple R	24.15531	-104.5130
20190008	8	9	226	9	92.47	SISTEMAS	San Felipe	24.16364	-104.5384
20190009	9	9	231	4	91.08	SISTEMAS	Rancho el Durazno	24.15622	-104.6684
20190010	10	11	222	13	80.42	SISTEMAS	Rancho el Durazno	24.15622	-104.6684

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	Javier Larios Mateos	24.14769	-104.6010
20195921	5921	5	109	26	87.83	ADMINISTRACION	San Felipe	24.16364	-104.5384
20195922	5922	3	55	29	92.83	ADMINISTRACION	Javier Larios Mateos	24.14769	-104.6010
20195923	5923	2	23	23	88.60	ADMINISTRACION	Rancho Triple R	24.15531	-104.5130
20195924	5924	2	27	28	92.83	ADMINISTRACION	San Felipe	24.16364	-104.5384
20195925	5925	7	94	13	80.95	ADMINISTRACION	Segovias	23.99671	-104.7030
20195926	5926	5	103	32	92.68	ADMINISTRACION	San Felipe	24.16364	-104.5384
20195927	5927	4	79	34	86.18	ADMINISTRACION	San Felipe	24.16364	-104.5384
20195928	5928	5	108	32	90.48	ADMINISTRACION	Javier Larios Mateos	24.14769	-104.6010
20195929	5929	7	169	32	92.33	ADMINISTRACION	Rancho el Durazno	24.15622	-104.6684

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
Segovias	1215	0.2049249	20.49249	1215	20.49249	20
Rancho Triple R	1209	0.2039130	20.39130	2424	40.88379	20
Javier Larios Mateos	1182	0.1993591	19.93591	3606	60.81970	20
San Felipe	1175	0.1981784	19.81784	4781	80.63754	20
Rancho el Durazno	1148	0.1936246	19.36246	5929	100.00000	19

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])



frloc1 <- nrow(loc1) / N
frloc2 <- nrow(loc2) / N
frloc3 <- nrow(loc3) / N
frloc4 <- nrow(loc4) / N
frloc5 <- nrow(loc5) / 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 Segovias
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20195406	5406	3	50	27	89.82	INFORMATICA	Segovias	23.99671	-104.703	1106
20192819	2819	5	108	30	86.46	INDUSTRIAL	Segovias	23.99671	-104.703	564
20193244	3244	6	120	17	82.67	INDUSTRIAL	Segovias	23.99671	-104.703	665
20193658	3658	1	NA	26	0.00	MECANICA	Segovias	23.99671	-104.703	752
20192011	2011	1	NA	27	0.00	CIVIL	Segovias	23.99671	-104.703	384
20190996	996	7	174	28	87.59	ARQUITECTURA	Segovias	23.99671	-104.703	196
20195071	5071	3	26	4	82.83	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1048
20191331	1331	3	52	27	82.42	BIOQUIMICA	Segovias	23.99671	-104.703	260
20191944	1944	5	118	23	94.08	CIVIL	Segovias	23.99671	-104.703	372
20191316	1316	7	138	32	84.27	BIOQUIMICA	Segovias	23.99671	-104.703	256
20193892	3892	6	76	20	81.18	MECATRONICA	Segovias	23.99671	-104.703	800
20190536	536	11	174	17	82.68	ARQUITECTURA	Segovias	23.99671	-104.703	103
20194946	4946	1	NA	27	0.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1025
20195152	5152	2	27	27	92.67	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1064
20195224	5224	2	22	27	90.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1078
20194230	4230	1	NA	25	0.00	QUIMICA	Segovias	23.99671	-104.703	879
20191835	1835	4	85	26	91.00	CIVIL	Segovias	23.99671	-104.703	352
20193309	3309	4	50	30	79.55	INDUSTRIAL	Segovias	23.99671	-104.703	679
20194988	4988	7	125	29	84.70	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1033
20193789	3789	1	NA	25	0.00	MECATRONICA	Segovias	23.99671	-104.703	780

muestraloc2 <- sample(loc2, round(n * frloc2, 0))
kable(muestraloc1, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[2] ))

La muestra de alumnos de Localidad Rancho Triple R
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20195406	5406	3	50	27	89.82	INFORMATICA	Segovias	23.99671	-104.703	1106
20192819	2819	5	108	30	86.46	INDUSTRIAL	Segovias	23.99671	-104.703	564
20193244	3244	6	120	17	82.67	INDUSTRIAL	Segovias	23.99671	-104.703	665
20193658	3658	1	NA	26	0.00	MECANICA	Segovias	23.99671	-104.703	752
20192011	2011	1	NA	27	0.00	CIVIL	Segovias	23.99671	-104.703	384
20190996	996	7	174	28	87.59	ARQUITECTURA	Segovias	23.99671	-104.703	196
20195071	5071	3	26	4	82.83	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1048
20191331	1331	3	52	27	82.42	BIOQUIMICA	Segovias	23.99671	-104.703	260
20191944	1944	5	118	23	94.08	CIVIL	Segovias	23.99671	-104.703	372
20191316	1316	7	138	32	84.27	BIOQUIMICA	Segovias	23.99671	-104.703	256
20193892	3892	6	76	20	81.18	MECATRONICA	Segovias	23.99671	-104.703	800
20190536	536	11	174	17	82.68	ARQUITECTURA	Segovias	23.99671	-104.703	103
20194946	4946	1	NA	27	0.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1025
20195152	5152	2	27	27	92.67	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1064
20195224	5224	2	22	27	90.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1078
20194230	4230	1	NA	25	0.00	QUIMICA	Segovias	23.99671	-104.703	879
20191835	1835	4	85	26	91.00	CIVIL	Segovias	23.99671	-104.703	352
20193309	3309	4	50	30	79.55	INDUSTRIAL	Segovias	23.99671	-104.703	679
20194988	4988	7	125	29	84.70	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1033
20193789	3789	1	NA	25	0.00	MECATRONICA	Segovias	23.99671	-104.703	780

muestraloc3 <- sample(loc3, round(n * frloc3, 0))
kable(muestraloc1, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[3] ))

La muestra de alumnos de Localidad Javier Larios Mateos
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20195406	5406	3	50	27	89.82	INFORMATICA	Segovias	23.99671	-104.703	1106
20192819	2819	5	108	30	86.46	INDUSTRIAL	Segovias	23.99671	-104.703	564
20193244	3244	6	120	17	82.67	INDUSTRIAL	Segovias	23.99671	-104.703	665
20193658	3658	1	NA	26	0.00	MECANICA	Segovias	23.99671	-104.703	752
20192011	2011	1	NA	27	0.00	CIVIL	Segovias	23.99671	-104.703	384
20190996	996	7	174	28	87.59	ARQUITECTURA	Segovias	23.99671	-104.703	196
20195071	5071	3	26	4	82.83	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1048
20191331	1331	3	52	27	82.42	BIOQUIMICA	Segovias	23.99671	-104.703	260
20191944	1944	5	118	23	94.08	CIVIL	Segovias	23.99671	-104.703	372
20191316	1316	7	138	32	84.27	BIOQUIMICA	Segovias	23.99671	-104.703	256
20193892	3892	6	76	20	81.18	MECATRONICA	Segovias	23.99671	-104.703	800
20190536	536	11	174	17	82.68	ARQUITECTURA	Segovias	23.99671	-104.703	103
20194946	4946	1	NA	27	0.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1025
20195152	5152	2	27	27	92.67	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1064
20195224	5224	2	22	27	90.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1078
20194230	4230	1	NA	25	0.00	QUIMICA	Segovias	23.99671	-104.703	879
20191835	1835	4	85	26	91.00	CIVIL	Segovias	23.99671	-104.703	352
20193309	3309	4	50	30	79.55	INDUSTRIAL	Segovias	23.99671	-104.703	679
20194988	4988	7	125	29	84.70	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1033
20193789	3789	1	NA	25	0.00	MECATRONICA	Segovias	23.99671	-104.703	780

muestraloc4 <- sample(loc4, round(n * frloc4, 0))
kable(muestraloc1, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[4] ))

La muestra de alumnos de Localidad San Felipe
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20195406	5406	3	50	27	89.82	INFORMATICA	Segovias	23.99671	-104.703	1106
20192819	2819	5	108	30	86.46	INDUSTRIAL	Segovias	23.99671	-104.703	564
20193244	3244	6	120	17	82.67	INDUSTRIAL	Segovias	23.99671	-104.703	665
20193658	3658	1	NA	26	0.00	MECANICA	Segovias	23.99671	-104.703	752
20192011	2011	1	NA	27	0.00	CIVIL	Segovias	23.99671	-104.703	384
20190996	996	7	174	28	87.59	ARQUITECTURA	Segovias	23.99671	-104.703	196
20195071	5071	3	26	4	82.83	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1048
20191331	1331	3	52	27	82.42	BIOQUIMICA	Segovias	23.99671	-104.703	260
20191944	1944	5	118	23	94.08	CIVIL	Segovias	23.99671	-104.703	372
20191316	1316	7	138	32	84.27	BIOQUIMICA	Segovias	23.99671	-104.703	256
20193892	3892	6	76	20	81.18	MECATRONICA	Segovias	23.99671	-104.703	800
20190536	536	11	174	17	82.68	ARQUITECTURA	Segovias	23.99671	-104.703	103
20194946	4946	1	NA	27	0.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1025
20195152	5152	2	27	27	92.67	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1064
20195224	5224	2	22	27	90.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1078
20194230	4230	1	NA	25	0.00	QUIMICA	Segovias	23.99671	-104.703	879
20191835	1835	4	85	26	91.00	CIVIL	Segovias	23.99671	-104.703	352
20193309	3309	4	50	30	79.55	INDUSTRIAL	Segovias	23.99671	-104.703	679
20194988	4988	7	125	29	84.70	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1033
20193789	3789	1	NA	25	0.00	MECATRONICA	Segovias	23.99671	-104.703	780

muestraloc5 <- sample(loc5, round(n * frloc5, 0))
kable(muestraloc1, caption = paste("La muestra de alumnos de Localidad ",tabla_frec$Category[5] ))

La muestra de alumnos de Localidad Rancho el Durazno
No. Control	Alumno	Semestre	Cr. Apr.	Carga	Promedio	Carrera	localidad	latitud	longitud	orig.id
20195406	5406	3	50	27	89.82	INFORMATICA	Segovias	23.99671	-104.703	1106
20192819	2819	5	108	30	86.46	INDUSTRIAL	Segovias	23.99671	-104.703	564
20193244	3244	6	120	17	82.67	INDUSTRIAL	Segovias	23.99671	-104.703	665
20193658	3658	1	NA	26	0.00	MECANICA	Segovias	23.99671	-104.703	752
20192011	2011	1	NA	27	0.00	CIVIL	Segovias	23.99671	-104.703	384
20190996	996	7	174	28	87.59	ARQUITECTURA	Segovias	23.99671	-104.703	196
20195071	5071	3	26	4	82.83	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1048
20191331	1331	3	52	27	82.42	BIOQUIMICA	Segovias	23.99671	-104.703	260
20191944	1944	5	118	23	94.08	CIVIL	Segovias	23.99671	-104.703	372
20191316	1316	7	138	32	84.27	BIOQUIMICA	Segovias	23.99671	-104.703	256
20193892	3892	6	76	20	81.18	MECATRONICA	Segovias	23.99671	-104.703	800
20190536	536	11	174	17	82.68	ARQUITECTURA	Segovias	23.99671	-104.703	103
20194946	4946	1	NA	27	0.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1025
20195152	5152	2	27	27	92.67	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1064
20195224	5224	2	22	27	90.00	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1078
20194230	4230	1	NA	25	0.00	QUIMICA	Segovias	23.99671	-104.703	879
20191835	1835	4	85	26	91.00	CIVIL	Segovias	23.99671	-104.703	352
20193309	3309	4	50	30	79.55	INDUSTRIAL	Segovias	23.99671	-104.703	679
20194988	4988	7	125	29	84.70	GESTION EMPRESARIAL	Segovias	23.99671	-104.703	1033
20193789	3789	1	NA	25	0.00	MECATRONICA	Segovias	23.99671	-104.703	780

library(leaflet)

map<-leaflet() %>%
  addTiles() %>%
  addMarkers(lat=localidades50$Lat_Decimal[1],lng=localidades50$Lon_Decimal[1] ,popup=paste(localidades50$Nom_Loc[1], " ", tabla_frec$muestra[1])) %>%
   addMarkers(lat=localidades50$Lat_Decimal[2],lng=localidades50$Lon_Decimal[2] ,popup=paste(localidades50$Nom_Loc[2], " ", tabla_frec$muestra[2])) %>%
   addMarkers(lat=localidades50$Lat_Decimal[3],lng=localidades50$Lon_Decimal[3] ,popup=paste(localidades50$Nom_Loc[3], " ", tabla_frec$muestra[3])) %>%
   addMarkers(lat=localidades50$Lat_Decimal[4],lng=localidades50$Lon_Decimal[4] ,popup=paste(localidades50$Nom_Loc[4], " ", tabla_frec$muestra[4])) %>%
   addMarkers(lat=localidades50$Lat_Decimal[5],lng=localidades50$Lon_Decimal[5] ,popup=paste(localidades50$Nom_Loc[5], " ", tabla_frec$muestra[5]))
  

map

INTERPRETACION DEL CASO Muestreo aleatorio simple Es de las 100 personas que están en el conjunto únicamente escogeremos a 10 de ellas y por ende van a ser aleatoriamente que serán ah las que entrevistaremos. El muestreo aleatorio sistemático , es cuando de los 100 alumnos escogeremos uno al azar y contaremos 10 y escogeremos el que este y así sucesivamente ir de 10 en 10 para finalmente a completar las 10 personas y como se puede observar en la tabla las personas escogidas ah la entrevista fue la 6,16,26,36,46,56,66,76,86,96, justamente se inicio en el 6 y se fue tomando de 10 en 10. El muestreo aleatorio estratificado En este muestreo es un poco mas dificil ya que de el conjunto de personas las 10 que se tomaran tienen que ser representativas en cuanto al genero, se tiene que sacar las frecuencias relativas de ambos géneros, en este problema dichas frecuencias son 0.42 y 0.58 lo 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 en el caso de este ejercicio son 10 pero puede variar. Muestreo por Conglomerados Este tipo de muestreo trata del proceso de simulación ya que 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 mas padre en un mapa se ubican, siendo este muestreo el más difícil que el de los demás.

Referencias Bibliográficas Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadística para administración y economía (10th ed.). Cengage Learning,

Lind, D., Marchal, W., & Wathen, S. (2015). Estadística aplicada a los negocios y la economía (Decimo Sexta). McGraw-Hill.