Identificar datos de población y muestra.
Se cargan datos de un archivo que representa una población de jugadores de fútbol a nivel mundial y se extraen muestras que permiten observar algunos estadísticos. Las variables de interés son nacionalidad, edad, altura y peso.
La población contiene datos de futbolistas registrados en FIFA. Aquí se hace hincapié en que tal vez no sean todos los futbolistas profesionales, es una lista que se encuentra en portales abiertos con archivos descargables, de manera especiíica el archivo original se encuentra en la direción url siguiente: https://www.kaggle.com/stefanoleone992/fifa-20-complete-player-dataset?select=players_20.csv
A partir de la población se construyen varias muestras utilizando la función sample().
##Cargar librerías library(readr)
#Población
# Poblacion
poblacion <- read.csv("https://raw.githubusercontent.com/rpizarrog/Probabilidad-y-EstadIstica-VIRTUAL-DISTANCIA/main/datos/players_20.csv", encoding = "UTF-8", stringsAsFactors = TRUE)
poblacion <- poblacion[,c('short_name', 'nationality', 'age', 'height_cm', 'weight_kg')]
# Modificar nombres de columnas
colnames(poblacion) <- c('nombre', 'nacion', 'edad', 'estatura', 'peso')
# Primeros 20 registros
head(poblacion)## nombre nacion edad estatura peso
## 1 L. Messi Argentina 32 170 72
## 2 Cristiano Ronaldo Portugal 34 187 83
## 3 Neymar Jr Brazil 27 175 68
## 4 J. Oblak Slovenia 26 188 87
## 5 E. Hazard Belgium 28 175 74
## 6 K. De Bruyne Belgium 28 181 70#Ultimos 20 registros
tail(poblacion)## nombre nacion edad estatura peso
## 18273 P. Martin Republic of Ireland 20 188 84
## 18274 Shao Shuai China PR 22 186 79
## 18275 Xiao Mingjie China PR 22 177 66
## 18276 Zhang Wei China PR 19 186 75
## 18277 Wang Haijian China PR 18 185 74
## 18278 Pan Ximing China PR 26 182 78#Estructura de los datos
str(poblacion)## 'data.frame': 18278 obs. of 5 variables:
## $ nombre : Factor w/ 17354 levels "<U+FFFD>. Blanaru","<U+FFFD>. Fara",..: 9773 3210 12708 7904 4505 8745 11813 16600 9783 11649 ...
## $ nacion : Factor w/ 162 levels "Afghanistan",..: 6 122 19 135 13 13 58 109 35 44 ...
## $ edad : int 32 34 27 26 28 28 27 27 33 27 ...
## $ estatura: int 170 187 175 188 175 181 187 193 172 175 ...
## $ peso : int 72 83 68 87 74 70 85 92 66 71 ...#Describir los datos
summary(poblacion)## nombre nacion edad estatura
## J. Rodríguez: 11 England : 1667 Min. :16.00 Min. :156.0
## Paulinho : 9 Germany : 1216 1st Qu.:22.00 1st Qu.:177.0
## J. García : 8 Spain : 1035 Median :25.00 Median :181.0
## J. Hernández: 7 France : 984 Mean :25.28 Mean :181.4
## J. Williams : 7 Argentina: 886 3rd Qu.:29.00 3rd Qu.:186.0
## J. Clarke : 6 Brazil : 824 Max. :42.00 Max. :205.0
## (Other) :18230 (Other) :11666
## peso
## Min. : 50.00
## 1st Qu.: 70.00
## Median : 75.00
## Mean : 75.28
## 3rd Qu.: 80.00
## Max. :110.00
## # Muestra
N <- nrow(poblacion)
N## [1] 18278# Muestra1
n <- round(N * 0.10)
n## [1] 1828muestra1 <- sample(x = poblacion$edad, size = n, replace = FALSE)
#Descripción de muestra1
## int [1:1828] 33 30 24 29 23 23 27 23 25 22 ...
summary(muestra1)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 17.0 22.0 25.0 25.2 28.0 42.0#Media de edad muestra1
media1 <- round(summary(muestra1)[4],2)
media1## Mean
## 25.2#Muestra2
n <- round(N * 0.20)
n## [1] 3656muestra2 <- sample(x = poblacion$edad, size = n, replace = FALSE)
#Descripción de muestra2
str(muestra2)## int [1:3656] 20 20 29 19 21 28 19 25 24 20 ...summary(muestra2)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 16.00 22.00 25.00 25.34 29.00 40.00#Media de edad muestra2
media2 <- round(summary(muestra2)[4],2)
media2## Mean
## 25.34#Muestra3
n <- round(N * 0.30)
n## [1] 5483muestra3 <- sample(x = poblacion$edad, size = n, replace = FALSE)
#Descripción de muestra3
str(muestra3)## int [1:5483] 21 29 19 18 19 22 29 20 25 25 ...summary(muestra3)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 16.00 22.00 25.00 25.26 28.00 42.00#Media de edad muestra3
media3 <- round(summary(muestra3)[4],2)
media3## Mean
## 25.26Teniendo en cuenta los datos de la población de los mejores jugadores del mundo que fue de 18278 registros y 5 columnas que fueron de nuestro interés que son las variables de nombre, nacionalidad, edad, estatura y peso en lo variables de interés.
En los cuales se obtuvo la media de la edad de la población la cual sería de 25.28 años, en cuanto a los valores de la media que obtuvimos en la edad de cada muestra son de: Muestra 1. Media de edad es 25.3. Muestra 2. Media de edad es 25.25. Muestra 3. Media de edad es 25.36.
Se construyen tres muestras a partir de una población que contiene 18278 registros y 5 variables de interés.
La muestra1 contiene 1828 registros, la muestra2 tiene 3656 registros y la muestra3 tiene 5483 registros.
Si la variable de interés es la edad, la media de la edad de la población es 25.28 años, los valores de la media de edad de cada muestras son: de la muestra1 su media de edad es 25.3, de la muestra2 su media de edad es 25.25 y de la muestra3 su media de edad es 25.36.
Con lo anterior se entiende que los estadísticos de una muestra deben acerarse en mucho a los parámetros poblacionales. ejemplo de ello, los valores de la media de cada muestra se acercan a los valores de la media de la población. media de muestra≈media poblacion