Taller pruebas de hipotesis
Nicolas Cely
16/12/2021
Recordando probabilidad y Conteos
1
Un producto químico para controlar una enfermedad en plantas se puede adquirir en 5 diferentes laboratorios y en forma de líquido, comprimidos o cápsulas, todas en concentración normal o alta. ¿De cuántas formas diferentes puede un agrónomo recomendar el producto a un cliente que declara que en su cultivo está presente la enfermedad? Si decide no utilizar una concentración alta ¿de cuantas formas puede recomendarlo?
El agrónomo puede recomendar el producto al cliente de 30 formas diferentes. Esto se concluye a partir de la operación entre los 5 diferentes laboratorios donde se puede adquirir el producto, por las 3 formas en la que se puede encontrar (liquido, comprimido o en capsulas), por los 2 tipos de concentración (concentración alta o normal), dando como resultado 30 formas de recomendar dicho producto. Lo anterior se puede representar así: 5x3x2 = 30.
Del ejemplo anterior si se decide no utilizar una concentración alta, la operación para determinar las formas en que el agrónomo puede recomendar el producto seria: multiplicar los 5 diferentes laboratorios donde se puede adquirir el producto, por las 3 formas en la que se puede encontrar (liquido, comprimido o en capsulas), por los 1 tipo de concentración (normal), dando como resultado 15 formas de diferentes de recomendar el producto químico. los anterior se representa así: 5x3x1 = 15.
2
¿De cuántas formas distintas se puede responder una prueba de falso-verdadero que consta de 10 preguntas? Recuerde que lo hará completamente al azar.
La prueba de falso-verdadero se puede responder de 1024 formas distintas. Lo anterior se extrae de operar las 2 opciones de respuestas (falso y verdadero) por ella misma tantas veces como el numero de preguntas (10). Lo anterior se expresa de la siguiente manera: 2^10 = 1024.
3
En un estudio médico los pacientes se clasifican de 8 formas de acuerdo con su tipo sanguíneo: AB+,AB-, A+, A-,B+,B- , O+ u O- ; y también de acuerdo con su presión sanguínea: baja, normal o alta. Encuentre el número de formas en las que se puede clasificar a un paciente por estos dos criterios.
Realizando las diferentes combinaciones entre tipo sanguíneo y presión se obtiene que el paciente se puede clasificar de 24 formas diferentes. para obtener las diferentes formas de clasificación del paciente se multiplicaron las 8 formas de tipo sanguíneo (AB+,AB-, A+, A-,B+,B- , O+ u O-) con los tres estados de presión sanguínea (baja, normal o alta). Lo anterior se ve expresado de la siguiente manera: 8x3 = 24.
Pruebas de hipotesis
Punto 1
Una muestra aleatoria de 64 bolsas con fibra de coco para cultivo de Arándanos (de una capacidad de 20 lit) pesan en promedio 4.5 kg. Genere los datos de la muestra usando rnorm(64;4.35;0.15) fijando su semilla con su número de cédula y pruebe la hipótesis de que el peso es inferior a 4.5 kg. Utilice un α=0.05. Concluya desde un punto de vista agronómico y explique una razón por la cual un peso inferior puede ser un problema desde un punto de vista del riego o dosificación de agroquímicos.
\[H_0: Peso < 4.5kg\\H_a: Peso \geq 4.5kg\]
set.seed(1000516173)
Peso_bolsas_fibra = rnorm(64,4.35,0.15)
Sim = replicate (500, rnorm(64,4.35,0.15) )
Medias = colMeans(Sim)
max(Peso_bolsas_fibra)## [1] 4.753576mean(Peso_bolsas_fibra)## [1] 4.371974sd(Peso_bolsas_fibra)## [1] 0.1596223cuantile_t = qt(p = 0.05,df = 500-1, lower.tail = FALSE)
x_c = (cuantile_t * sd(Peso_bolsas_fibra))/sqrt(64)+ 4.5;x_c## [1] 4.53288set.seed(1000516173)
hist = hist(Medias, xlim = c(4.3, 4.55))
abline(v=x_c,lwd = 2, col = "green")
abline(v=mean(Peso_bolsas_fibra), lwd = 2, col="darkred")
abline(v=4.5, lwd = 2, col = "blue")
set.seed(1000516173)
library(rcompanion)
plotDensityHistogram(Medias, adjust = 1, xlim = c(4.3, 4.55))## Warning in hist.default(x, plot = FALSE, ...): argument 'xlim' is not made use
## ofabline(v=x_c,lwd = 2, col = "green")
abline(v=mean(Peso_bolsas_fibra), lwd = 2, col="darkred")
abline(v=4.5, lwd = 2, col = "blue")
Conclusión
La hipotesis la cual dice que las bolsas de fibra de coco pesan menos de 4.5 kg es cierta, esto debido a que la media muestral es menor a 4.5 (media de la hipotesis), por ende tampoco sobrepasa la media critica de 4.53, cumpliendo asi la hipotesis nula.
El arándano en fibra de coco (técnica de cultivo hidropónico), posee un sustrato el cual regula el pH, la conductividad eléctrica y el aporte de nutrientes, otorgando mayor eficiencia al cultivo, ahorrando agua y fertilizantes. Desde el punto de vista agronómico, un peso inferior en la bolsas que contienen fibra de coco podrían afectar el riego del cultivo de arándanos, esto se debe a que al ser un cultivo sensible tanto a la sequia como el exceso de riego, la variable de la fibra de coco puede influir en dicho parámetro, cambiándolo y generando mayores probabilidades de realizar un riego incorrectamente, poniendo en riesgo la salud del cultivo. Por otro lado, la dosificación de agroquimicos también se ve afectada por el bajo peso de las bolsas de fibra, esto ya que dicho sustrato es clave en la absorción de nutrientes eficazmente, reduciendo así dicha eficacia al adicionar menor cantidad de fibra al cultivo, afectando como resultado el desarrollo de este, generando un crecimiento, o mas tardado, o con peores condiciones nutricionales.
Punto 2
Se supone que una máquina mezcla granos partidos de arroz con granos completos en bolsas de 1/4 Kg a razón de 1:24. Se observa que una bolsa contiene 6000 granos enteros y 350 granos partidos. A un nivel de significancia de significancia de 0.05 pruebe la hipótesis de que la máquina mezcladora de granos está excediendo la cantidad de granos partidos y por ende no se está manteniendo la razón 1:24.
\[H_0: Razón\neq 1:24\\ H_a: Razón = 1:24\]
set.seed(1000516173)
Completos = (6000)
Partidos = (350)
x=c(350,6000)
proporcion = c(1/24,23/24)
pruebachi= chisq.test(x,p=proporcion)
pvalor = pruebachi$p.value
pvalor## [1] 8.131924e-08ifelse(pvalor>0.05, 'rechazo Ho', 'No rechazo Ho')## [1] "No rechazo Ho"Conclusión
Mediante el uso de la prueba “chisq.test” se pudo evidenciar que la mezcla de granos partidos de arroz con granos completos por parte de la maquina no mantiene la razón 1:24. La prueba mencionada compara la proporción que asigna la teoría para los granos de arroz partido y completo con la cantidad de granos contados en la bolsa que se esta usando como objeto de estudio. Los resultados de la prueba arrojaron un p.value menor de 0.05, mostrando que no se mantiene la relación entre la cantidad de granos con las proporciones, comprobando así lo planteado por hipótesis nula, la cual dice que “la máquina mezcladora de granos está excediendo la cantidad de granos partidos y por ende no se está manteniendo la razón 1:24”.
Punto 3
Las muestras de agua se toman del agua utilizada para refrigeración cuando se vierte desde una central eléctrica a un río. Se ha determinado que la temperatura media del agua descargada sea como máximo de 65° C para que no haya efectos negativos en el ecosistema del río. Para investigar si la central cumple la normativa que prohíbe una temperatura media del agua superior a este valor los investigadores tomarán 50 muestras de agua según un protocolo de muestreo y registrarán la temperatura de cada muestra. Los datos resultantes se utilizarán para probar las hipótesis H0:µ=65 contra Ha: H0:µ>65. En el contexto de este ejemplo, describa los errores de tipo I y Tipo II. ¿Qué tipo de error consideraría más grave? Explique. Genere con rnorm (50;65.8;0.3) los datos de la muestra con una semilla asociada a su cédula. Contraste las hipótesis antes formuladas usando α=0.05.
\[H_0: \mu_{Temperatura.agua} = 65°C\\ H_a: \mu_{Temperatura.agua} \ > 65°C\]
set.seed(1000516173)
muestra_agua=rnorm (50,65.8,0.3)
hist(muestra_agua)
cuantile_t1=qt(p=0.05,df=500-1,lower.tail = FALSE)
medcritica1 = (cuantile_t1 * sd(muestra_agua))/sqrt(50)+ 65;medcritica1## [1] 65.06888abline(v=mean(muestra_agua),lwd = 2,col = "red")
abline(v=65,lwd = 2,col = "blue")
abline(v=medcritica1,lwd=2,col= "black")
set.seed(1000516173)
sim_2= replicate(500, rnorm(50,65.8,0.3))
dim(sim_2)## [1] 50 500med_agua= colMeans(sim_2)
mean(med_agua)## [1] 65.80182sd(med_agua)## [1] 0.04238669summary(med_agua)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 65.64 65.77 65.80 65.80 65.83 65.93length(med_agua)## [1] 500hist(med_agua,xlim = c(64.8, 66))
abline(v=mean(med_agua),lwd = 2,col = "red")
abline(v=65,lwd = 2,col = "blue")
abline(v=medcritica1,lwd=2,col= "black")
Conclusión
En este ejercicio la hipótesis nula la cual plantea que la temperatura media del agua es igual a 65°C, es falsa. Esto se fundamenta graficando las líneas verticales de la media de hipótesis (65°C), la media muestral (65.8°C) y la media critica (65.07°C), lo cual permite observar que la media muestral supera por mucho el colchón que propone la media critica, cayendo así en la zona de rechazo. Por lo anterior la hipótesis nula se rechaza y se toma como hipótesis correcta la alterna, la cual dice que “la temperatura media del agua es mayor a 65°C”. Según lo expuesto se puede concluir que el agua que descarga la central eléctrica al rio afecta su ecosistema.
Error de tipo I: Ocurre si se rechaza la hipotesis nula cuando es verdadera.
Error de tipo II: Ocurre si la hipotesis nula es falsa y no se rechaza.
En el contexto de este ejercicio el error de tipo I sucedería cuando la hipótesis nula, la cual plantea que la temperatura media del agua es de 65°C es verdadera y se rechaza, tomando como correcta la hipótesis alterna, hipótesis la cual dice que la temperatura es mayor a los 65°C.
En el contexto de este ejercicio el error de tipo II ocurre cuando la hipótesis nula, la cual plantea que la temperatura media del agua es de 65°C, es falsa pero se toma como verdadera, rechazando así la hipótesis alterna,la cual plantea que la temperatura media del agua es mayor a 65°C, hipótesis la cual esta en lo correcto.
Aceptar el error de tipo II seria mas grave que el de tipo I, ya que si bien en el error de tipo I la temperatura del agua descargada por la central eléctrica es de 65°C, pero se toma como si fuera mayor a 65°C, se culparía y sancionaría a la empresa de manera injusta. Pero, por otro lado, seria mas grave aceptar el error de tipo II, ya que podría verse reflejado en la perdida todo el ecosistema del rio donde se descarga el agua, esto como consecuencia de tomar la temperatura media del agua mayor a 65°C como si fuera la de exactamente 65°C, permitiendo a la central descargar agua con temperaturas elevadas sin ser sancionada.
Punto 4
Un agricultor afirma que el rendimiento medio del maíz de la variedad Local supera el rendimiento medio de la variedad alóctona en al menos 0.5 ton/ha. Para comprobar esta afirmación, se plantan 2 hectáreas de cada variedad y se cultivan en condiciones similares. La variedad Local produjo en promedio 5.8 ton/ha con una desviación estándar de 0,58 ton/ha, mientras que la otra variedad rindió en promedio 5.1ton/ha con una desviación estándar de 0.45 ton/ha. Prueba la afirmación del agricultor utilizando un nivel de significación de 0,05. Con los datos dados genere con rnorm de R las muestras de tamaño según la densidad de siembra que considere según la literatura para las 5 hectáreas. Aunque las medidas y las desviaciones obtenidas de las simulaciones pueden diferir de los datos, use los datos simulados para el contraste de hipótesis para un α=0.05.
\[H_0: \mu_{Variedad local} - \mu_{variedadaloctona}\geq 0.5\\ H_a: \mu_{Variedad local} - \mu_{variedad aloctona} < 0.5\]
set.seed(1000516173)
local = rnorm(40000, 5.8, 0.58)
mean(local)## [1] 5.802625aloctona = rnorm(40000, 5.1, 0.45)
mean(aloctona)## [1] 5.099754p=t.test(x=local, y=aloctona, alternative ="less", mu=0.5, paired = TRUE, conf.level =0.95);p##
## Paired t-test
##
## data: local and aloctona
## t = 55.333, df = 39999, p-value = 1
## alternative hypothesis: true difference in means is less than 0.5
## 95 percent confidence interval:
## -Inf 0.7089016
## sample estimates:
## mean of the differences
## 0.7028708pvalor = p$p.value
ifelse(pvalor>0.05, 'No Rechazo Ho', 'Rechazo Ho')## [1] "No Rechazo Ho"Conclusión
A partir de la prueba t.test pareada, la cual permite comparar medias, se analizó la hipotesis nula, la cual propone que, “la variedad local supera el rendimiento medio de la variedad aloctona en al menos 0.5 ton/ha”. Esta prueba comparo la media de produccion de la variedad local con el de la variedad aloctona, obteniendo un p.value de 1, el cual nos establece que el promedio de la variedad aloctona es por lo menos 0,5 ton/ha menor al de la variedad aloctona, comprobando que la hipotesis nula es correcta, razon por la cual no se rechaza.
Punto 5
La porosidad a granel se define como el porcentaje de volumen del espacio intergranular respecto al volumen total de grano a granel. El porcentaje de espacio vacío de los diferentes granos a granel suele ser necesario en los estudios de secado, estudios de flujo de aire y flujo de calor de los granos. La porosidad depende de (a) la forma, (b) las dimensiones y (c) la rugosidad de la superficie del grano. En maíz se conoce una porosidad media de 42.5% (medido con el método de desplazamiento del mercurio). Se toman 30 muestras y se obtiene una media y una desviación estándar de la muestra para una semilla dada por su número de cédula(CC) de mean(rnorm (30;45;2)) y sd(rnorm (30;45;2)). Use un α=0.05 para probar la hipótesis de que la porosidad es mayor al valor conocido históricamente para el cultivo de una variedad específica.
\[H_0: \mu_{poro} > 42.5\\H_a: \mu_{poro} \leq 42.5 \]
set.seed(1000516713)
poro_maiz = rnorm (30, 45, 2)
sd(rnorm(30,45,2))## [1] 1.682442hist(poro_maiz)
abline(v=mean(poro_maiz), lwd = 2, col="darkred")
abline(v= 42.5 , lwd = 2, col = "blue")
set.seed(1000516173)
mean(poro_maiz)## [1] 45.23068sd(poro_maiz)## [1] 1.902666cuantile_t = qt(p = 0.05,df = 499, lower.tail = TRUE);cuantile_t## [1] -1.647913x_c = (cuantile_t * sd(poro_maiz))/sqrt(30)+ 42.5;x_c## [1] 41.92755set.seed(1000516173)
simulacion_5 = replicate(500, rnorm (30, 45, 2))
medias_5 = colMeans(simulacion_5)
hist(medias_5, xlim = c(41.83, 46))
abline(v= mean(poro_maiz), lwd =2 , col = "red")
abline(v= 42.5, lwd= 2 , col= "darkblue")
abline(v= x_c, lwd=2, col= "yellow")
Conclusión
En este ejercicio la hipotesis que plantea que la porosidad es mayor al valor conocido históricamente para el cultivo de una variedad específica, es verdadera. Este se concluye al graficar las lineas verticales de la media de la hipotesis (42.5), la media muestral (45.23) y la media critica (41.92), mostrando que la media muestral supera y por bastante a la media de la hipotesis, cumplendo asi la hipotesis nula.
Punto 6
Con la función expand.grid de R cree una rejilla de 10 filas y 12 columnas y con grid cierre la cuadrícula para que se perciban las 120 celdas. Genere unos datos con la función round(runif(120,0,1.2),0) genere el estado de unas plantas que caen un por celda. El cero representa las sanas y el 1 las enfermas. Pinte un color para cada caso diferente de modo que en la imagen se perciban sanas y enfermas. Asuma la prevalencia total de la enfermedad como la medida de referencia inicial (parámetro) para comparar con los muestreos. Tome muestras aleatorias de tamaño 10:80 y estime la prevalencia en cada caso ( use sample de R). Grafique la prevalencia contra tamaño de muestra y muestre el alejamiento de cada prevalencia con el verdadero valor conocido inicialmente. Haga una nueva rejilla enfermando un 10% adicional a las que estaban enfermas inicialmente asumiendo que ninguna enferma pasa al estado sana, solo sanas pasan a enfermas. Una vez tenga las dos rejillas, calcule para los mismos tamaños de muestra la nueva prevalencia y estime las incidencias asumiendo que cada imagen tiene una separación de 12 días. Haga los gráficos respectivos. Saque las conclusiones respecto del tamaño de muestra. Suponga que muestrear una planta tiene un costo de 20 mil pesos y se tiene un presupuesto de a lo sumo un millón de pesos para cada muestreo. Una vez tenga todos los resultados haga un muestreo hipercubo-latino condicionado con la librería clhs de R y ponga como tamaño de muestra el que queda definido por el presupuesto. Muestre en las rejillas en todos los casos las plantas muestreadas de forma aleatoria y espacial. Estime todas las prevalencias e incidencias con este muestreo. Compare ambos resultados y comente las diferencias encontradas y diga la razón que tiene para seleccionar uno de estos como el más conveniente.
set.seed(1000516173)
lote = expand.grid(x = seq(0, 72, 8), y = seq(0, 99, 9))
set.seed(173)
estado = round(runif(120, 0, 1.2),0)
estado_nom = ifelse(estado == 0, 'Sana', 'Enferma')
estado_col = ifelse(estado == 0, 'green', 'red')
plot(lote$x, lote$y, pch = 8, col = estado_col)
set.seed(1000516173)
table(estado_nom)/120## estado_nom
## Enferma Sana
## 0.65 0.35set.seed(1000516173)
library(clhs)## Warning: package 'clhs' was built under R version 4.1.2vector_1 = 10 : 80
muestras_n = sample ( vector_1, size = 60, )
muestras_n## [1] 33 54 63 78 40 69 17 79 38 65 52 53 77 43 51 36 12 32 71 31 68 23 60 48 80
## [26] 15 66 59 21 14 44 16 72 35 22 13 56 62 25 41 39 50 75 74 45 10 76 58 57 61
## [51] 29 11 37 42 73 19 64 67 30 47muestras_x = lapply(muestras_n, clhs, x= lote)
muestras_x## [[1]]
## [1] 17 109 98 26 90 107 19 10 20 81 113 95 8 51 96 118 79 64 31
## [20] 77 93 4 106 2 46 35 105 39 34 61 25 12 86
##
## [[2]]
## [1] 113 117 100 20 52 12 6 92 104 3 21 114 17 42 88 30 13 97 58
## [20] 101 1 71 50 85 99 29 80 9 64 35 69 106 77 25 63 34 46 36
## [39] 67 73 78 49 56 105 84 87 53 37 45 82 51 110 23 81
##
## [[3]]
## [1] 19 4 2 7 8 40 25 59 111 109 120 91 100 39 71 22 50 84 48
## [20] 61 75 23 64 73 89 42 103 83 58 67 31 115 44 17 15 60 108 114
## [39] 94 98 69 70 18 79 110 113 62 32 90 53 47 28 88 77 49 56 106
## [58] 66 6 116 96 16 52
##
## [[4]]
## [1] 93 20 10 30 100 22 78 118 112 21 94 109 53 111 27 52 103 65 86
## [20] 54 77 95 17 31 75 14 33 51 80 119 66 83 50 19 1 106 64 70
## [39] 108 105 42 6 3 44 12 69 28 57 37 38 39 24 62 8 99 55 32
## [58] 73 91 79 7 36 46 48 84 63 4 26 45 102 11 85 96 47 60 67
## [77] 34 68
##
## [[5]]
## [1] 111 110 119 71 13 103 31 20 118 50 89 7 95 68 84 92 28 77 86
## [20] 24 43 37 6 114 107 60 65 76 46 56 55 23 33 35 16 53 64 51
## [39] 15 115
##
## [[6]]
## [1] 84 92 110 8 101 11 109 87 22 20 112 37 16 68 41 115 13 2 30
## [20] 19 42 102 21 61 55 113 98 116 89 49 103 74 86 51 25 56 90 33
## [39] 50 78 59 35 17 1 6 47 24 94 75 15 118 80 27 44 32 93 64
## [58] 39 26 65 106 88 7 72 104 63 34 76 46
##
## [[7]]
## [1] 48 22 83 94 75 17 9 120 37 116 106 6 61 11 29 59 57
##
## [[8]]
## [1] 1 11 30 88 111 27 117 90 2 120 38 112 18 19 25 10 101 93 23
## [20] 80 104 43 22 32 41 69 84 39 106 28 57 3 72 100 59 109 42 8
## [39] 9 44 40 71 108 113 13 92 107 118 97 116 14 99 70 51 36 78 94
## [58] 5 56 55 73 64 74 33 65 54 75 62 17 66 60 81 82 68 77 47
## [77] 76 53 105
##
## [[9]]
## [1] 9 14 94 2 101 108 39 80 30 112 102 61 35 90 45 33 99 44 11
## [20] 77 70 27 19 93 23 28 12 76 22 104 16 74 117 13 52 56 57 55
##
## [[10]]
## [1] 110 80 1 2 33 38 57 70 101 14 21 10 16 93 94 44 58 52 109
## [20] 67 25 42 77 119 22 48 116 74 97 20 72 41 3 87 49 104 102 88
## [39] 73 61 56 68 81 117 112 103 99 5 63 37 35 28 84 78 96 19 115
## [58] 18 23 65 17 59 51 113 69
##
## [[11]]
## [1] 20 22 23 63 50 90 111 9 100 28 101 12 31 19 104 65 56 118 72
## [20] 96 37 3 55 98 26 81 5 99 102 116 103 89 48 32 75 57 108 41
## [39] 24 49 53 70 97 17 61 52 45 78 16 15 4 60
##
## [[12]]
## [1] 114 7 10 119 21 99 92 89 78 13 108 101 86 23 42 117 38 52 9
## [20] 82 71 67 110 93 46 80 24 53 3 15 37 76 106 50 17 68 43 34
## [39] 36 105 81 44 62 85 79 91 64 75 25 5 97 113 69
##
## [[13]]
## [1] 43 34 12 4 17 10 87 40 83 99 101 13 112 102 53 91 51 5 38
## [20] 20 59 71 67 25 8 70 21 108 114 79 111 80 23 50 74 44 32 115
## [39] 3 118 22 61 89 98 35 109 86 97 41 90 24 72 106 49 75 55 28
## [58] 18 96 66 88 46 52 103 68 116 45 14 94 76 84 62 60 85 56 48
## [77] 2
##
## [[14]]
## [1] 119 116 40 91 83 22 103 107 37 15 26 25 21 4 16 88 8 60 41
## [20] 85 114 59 90 94 48 98 102 2 9 93 109 71 80 115 44 46 106 73
## [39] 95 69 66 61 67
##
## [[15]]
## [1] 29 108 26 7 105 40 118 119 110 81 27 43 71 99 54 59 12 20 64
## [20] 42 14 83 25 38 116 2 93 92 37 13 75 36 89 15 115 51 9 63
## [39] 47 34 88 106 30 70 66 17 86 44 84 72 67
##
## [[16]]
## [1] 110 68 48 2 111 91 118 14 66 83 23 89 52 101 119 92 67 30 34
## [20] 32 8 50 35 79 7 87 73 44 39 57 16 75 106 53 22 77
##
## [[17]]
## [1] 115 107 86 38 71 4 99 30 53 62 15 45
##
## [[18]]
## [1] 10 13 48 88 102 71 114 29 93 4 52 46 11 77 120 37 100 98 34
## [20] 106 80 91 45 85 7 109 39 69 104 26 15 105
##
## [[19]]
## [1] 120 112 1 102 40 94 93 75 22 99 8 20 13 114 45 101 5 77 23
## [20] 118 107 28 50 31 85 44 18 57 110 15 21 24 33 83 71 4 61 119
## [39] 9 67 65 82 17 38 59 90 52 49 108 46 79 42 3 97 39 76 89
## [58] 113 26 68 95 116 29 63 32 86 48 81 19 60 58
##
## [[20]]
## [1] 89 31 103 92 114 43 98 8 117 11 47 80 77 62 51 30 63 60 36
## [20] 5 15 29 84 69 86 58 21 53 115 50 57
##
## [[21]]
## [1] 20 39 87 31 80 84 111 14 3 91 109 119 46 43 62 101 81 2 72
## [20] 53 22 45 26 65 11 99 13 37 9 59 7 82 94 28 120 52 4 86
## [39] 106 107 113 73 27 35 108 68 74 5 96 34 83 117 56 102 66 77 75
## [58] 95 104 105 115 85 42 30 6 48 88 70
##
## [[22]]
## [1] 110 2 113 18 32 79 85 31 96 77 62 94 49 44 17 52 68 71 30
## [20] 103 34 53 75
##
## [[23]]
## [1] 32 12 112 10 7 11 9 23 81 108 71 104 51 114 98 100 58 3 96
## [20] 86 4 46 105 97 83 107 19 57 79 63 28 40 14 68 26 20 77 115
## [39] 34 76 43 118 31 117 106 69 29 22 15 48 37 84 41 75 66 72 70
## [58] 60 45 94
##
## [[24]]
## [1] 10 102 119 19 1 32 101 17 117 33 108 41 4 100 95 28 77 65 81
## [20] 79 24 70 31 107 18 92 116 7 36 99 30 14 35 48 98 73 39 15
## [39] 53 57 51 56 105 50 61 43 47 58
##
## [[25]]
## [1] 119 1 120 103 21 112 59 83 31 102 71 110 40 2 14 118 95 72 19
## [20] 42 99 76 9 16 6 10 85 11 113 107 104 50 8 5 29 87 52 80
## [39] 49 38 78 35 64 13 36 24 81 98 46 60 114 96 27 74 65 53 61
## [58] 58 15 69 26 63 43 54 18 101 90 34 33 106 115 108 30 62 84 32
## [77] 79 75 45 47
##
## [[26]]
## [1] 3 20 86 105 51 22 114 69 78 46 94 63 37 70 79
##
## [[27]]
## [1] 120 101 102 11 30 38 110 2 119 1 71 8 17 56 90 32 104 19 47
## [20] 99 65 51 74 112 78 4 96 77 113 82 44 53 20 13 91 28 41 55
## [39] 109 63 72 46 26 95 93 64 58 27 57 117 42 6 85 16 116 75 68
## [58] 48 105 54 39 14 45 69 33 36
##
## [[28]]
## [1] 2 91 111 16 112 3 71 26 87 73 94 22 50 20 12 97 52 23 103
## [20] 28 59 14 90 6 117 102 51 79 34 84 39 40 81 120 46 105 101 57
## [39] 25 119 41 72 54 106 85 118 76 36 78 108 27 107 86 66 67 63 68
## [58] 64 69
##
## [[29]]
## [1] 29 107 118 4 81 40 32 28 76 96 13 82 48 41 25 66 47 57 59
## [20] 60 37
##
## [[30]]
## [1] 1 49 74 83 95 27 118 106 20 102 31 58 62 4
##
## [[31]]
## [1] 120 49 100 98 2 113 108 67 11 104 29 6 69 8 83 27 72 71 38
## [20] 55 30 63 74 86 117 85 40 31 19 46 26 48 44 22 94 51 14 66
## [39] 65 60 37 80 93 52
##
## [[32]]
## [1] 111 24 72 15 1 98 50 69 87 6 108 93 29 33 37 55
##
## [[33]]
## [1] 103 102 72 90 12 10 93 87 18 9 67 91 61 119 11 13 33 8 108
## [20] 110 111 53 50 24 106 44 38 57 115 97 89 23 68 16 117 94 60 6
## [39] 54 29 2 31 36 88 21 48 41 120 95 77 25 70 27 14 62 37 98
## [58] 19 34 39 22 35 96 20 113 82 74 51 76 63 64 28
##
## [[34]]
## [1] 11 2 114 10 39 32 73 91 44 24 87 100 34 96 47 79 83 90 6
## [20] 103 72 1 26 65 16 48 75 115 43 5 77 30 82 59 53
##
## [[35]]
## [1] 91 110 119 8 54 16 82 39 48 23 96 87 74 76 43 81 24 71 55
## [20] 58 117 65
##
## [[36]]
## [1] 33 77 25 84 49 68 6 20 52 91 119 109 65
##
## [[37]]
## [1] 113 90 91 24 21 30 80 50 112 42 101 72 67 59 19 3 4 115 51
## [20] 7 89 36 99 114 32 66 79 11 110 33 40 27 43 85 15 75 94 14
## [39] 71 45 69 104 97 56 62 58 39 108 96 86 26 53 37 47 74 41
##
## [[38]]
## [1] 111 90 30 32 94 5 98 31 9 77 39 11 50 12 72 42 118 99 18
## [20] 29 89 96 104 103 78 24 87 15 105 62 3 75 10 34 57 43 55 68
## [39] 113 66 110 79 47 67 49 25 86 6 51 116 28 36 106 58 52 85 41
## [58] 7 73 53 40 80
##
## [[39]]
## [1] 20 120 112 102 22 1 6 86 118 39 108 61 48 116 56 94 17 72 62
## [20] 95 65 46 59 43 67
##
## [[40]]
## [1] 20 112 100 8 108 31 4 71 22 19 1 39 62 89 85 86 78 80 114
## [20] 33 41 83 70 46 48 69 27 28 75 64 9 15 25 42 74 107 77 51
## [39] 56 58 54
##
## [[41]]
## [1] 109 30 3 57 38 92 14 85 112 28 24 116 13 71 103 108 62 96 67
## [20] 6 47 15 89 45 83 60 78 80 59 81 23 95 98 7 69 16 53 31
## [39] 36
##
## [[42]]
## [1] 99 118 43 10 11 36 90 111 86 2 95 102 84 97 13 44 101 78 104
## [20] 29 3 108 92 9 115 68 75 85 58 50 27 62 53 37 87 34 96 72
## [39] 46 61 4 25 107 56 42 35 105 24 106 15
##
## [[43]]
## [1] 119 92 44 82 27 50 63 18 19 120 17 23 111 88 7 93 39 29 11
## [20] 73 81 100 70 8 109 67 4 2 40 72 94 46 24 21 37 103 105 91
## [39] 114 20 80 3 41 59 66 108 26 68 51 55 85 115 69 86 47 78 96
## [58] 116 12 76 60 87 31 33 65 5 16 34 106 74 38 71 14 53 54
##
## [[44]]
## [1] 105 82 33 102 80 100 96 77 34 113 4 11 20 71 21 70 118 107 41
## [20] 86 69 52 119 19 37 25 78 56 83 28 8 36 6 18 63 99 50 90
## [39] 16 2 74 31 75 114 23 108 84 55 67 22 54 42 97 39 112 51 46
## [58] 7 66 91 10 53 48 62 92 35 14 88 103 64 15 72 106 117
##
## [[45]]
## [1] 101 57 73 82 94 120 115 33 46 23 42 50 18 84 5 77 99 25 62
## [20] 85 60 29 104 41 61 109 12 117 39 118 59 6 20 96 67 68 87 72
## [39] 105 26 98 40 34 17 4
##
## [[46]]
## [1] 81 98 54 22 45 39 106 113 17 80
##
## [[47]]
## [1] 120 111 103 6 40 7 22 97 4 11 94 61 38 112 47 12 60 83 79
## [20] 88 42 56 110 117 59 10 2 119 28 45 64 101 93 18 36 46 41 58
## [39] 57 95 73 25 31 32 24 74 65 20 21 80 77 89 106 26 66 70 78
## [58] 19 104 68 99 15 107 39 44 62 43 8 115 30 27 63 48 16 98 76
##
## [[48]]
## [1] 111 90 19 109 11 40 1 100 64 118 76 75 102 8 16 115 108 47 9
## [20] 6 84 56 110 82 93 22 27 24 50 113 105 21 35 98 23 91 53 85
## [39] 12 17 33 79 26 38 77 42 39 7 32 73 67 106 63 46 95 52 49
## [58] 29
##
## [[49]]
## [1] 91 11 101 94 12 17 114 29 118 9 103 64 34 108 115 81 32 42 63
## [20] 8 49 99 55 43 52 26 117 10 90 74 87 72 116 62 38 110 3 47
## [39] 6 85 36 37 41 79 105 25 80 96 56 73 14 98 65 76 50 51 70
##
## [[50]]
## [1] 115 38 101 119 102 10 19 78 100 29 87 11 79 98 93 14 4 120 58
## [20] 32 7 44 21 20 99 82 91 42 104 114 63 55 25 62 89 28 3 83
## [39] 64 34 105 69 40 45 88 60 53 17 110 50 77 46 54 37 70 57 107
## [58] 96 36 86 116
##
## [[51]]
## [1] 111 8 120 103 27 39 116 88 43 78 93 104 14 91 12 42 56 59 3
## [20] 76 72 4 106 67 55 115 62 64 51
##
## [[52]]
## [1] 90 39 118 53 62 91 46 24 105 17 80
##
## [[53]]
## [1] 109 115 83 18 94 29 21 32 91 119 2 50 4 101 20 65 86 17 112
## [20] 7 55 96 44 31 33 87 76 57 66 80 27 63 95 14 5 70 3
##
## [[54]]
## [1] 1 59 109 38 41 80 104 31 9 65 94 16 84 96 14 66 71 82 2
## [20] 83 29 53 3 20 73 27 77 116 75 118 36 55 48 91 40 52 88 93
## [39] 21 89 63 114
##
## [[55]]
## [1] 79 112 30 1 106 11 68 72 103 38 28 53 61 77 12 58 21 111 100
## [20] 55 7 110 82 62 113 16 46 90 63 116 75 95 40 36 107 42 31 47
## [39] 19 120 65 44 15 39 27 78 92 83 108 34 5 89 13 102 4 117 74
## [58] 26 25 69 101 49 33 17 70 76 54 64 73 114 84 97 48
##
## [[56]]
## [1] 88 71 16 109 99 42 54 82 120 115 47 8 36 93 70 29 107 65 83
##
## [[57]]
## [1] 20 107 12 118 105 49 17 28 64 4 34 106 80 70 30 74 59 47 11
## [20] 53 112 119 63 85 36 61 42 48 52 100 35 87 98 22 71 27 54 79
## [39] 113 101 51 19 73 89 26 96 3 5 94 6 81 97 102 62 120 38 65
## [58] 39 78 18 82 76 37 2
##
## [[58]]
## [1] 109 97 114 39 1 16 4 111 103 10 23 112 107 75 102 110 12 45 78
## [20] 21 5 33 88 59 60 67 47 79 100 64 18 69 113 89 96 30 48 54
## [39] 8 38 87 63 51 44 80 115 11 42 40 85 2 105 71 93 62 72 58
## [58] 57 43 66 76 15 99 27 28 73 83
##
## [[59]]
## [1] 92 8 89 103 34 50 99 49 15 113 1 21 31 33 74 87 30 84 63
## [20] 20 107 78 32 56 52 57 117 115 39 67
##
## [[60]]
## [1] 13 20 118 18 7 31 41 119 74 101 84 9 120 86 23 82 108 80 100
## [20] 42 39 57 97 26 35 36 99 43 114 5 85 59 103 52 71 58 93 78
## [39] 115 105 8 106 65 62 64 67 66set.seed(1000516173)
enf_muest = NULL
for(i in muestras_n){
muestra = clhs(x = lote, size = i)
enf_muest = c(enf_muest, table(estado_nom[muestra])['Enferma']/i)
prev_i = table(estado_nom[muestra])/i
cat('\nn_muestra:',i,'\n')
print(prev_i) } ##
## n_muestra: 33
##
## Enferma Sana
## 0.4848485 0.5151515
##
## n_muestra: 54
##
## Enferma Sana
## 0.6666667 0.3333333
##
## n_muestra: 63
##
## Enferma Sana
## 0.5714286 0.4285714
##
## n_muestra: 78
##
## Enferma Sana
## 0.6923077 0.3076923
##
## n_muestra: 40
##
## Enferma Sana
## 0.5 0.5
##
## n_muestra: 69
##
## Enferma Sana
## 0.6811594 0.3188406
##
## n_muestra: 17
##
## Enferma Sana
## 0.7058824 0.2941176
##
## n_muestra: 79
##
## Enferma Sana
## 0.6582278 0.3417722
##
## n_muestra: 38
##
## Enferma Sana
## 0.6052632 0.3947368
##
## n_muestra: 65
##
## Enferma Sana
## 0.6153846 0.3846154
##
## n_muestra: 52
##
## Enferma Sana
## 0.6923077 0.3076923
##
## n_muestra: 53
##
## Enferma Sana
## 0.754717 0.245283
##
## n_muestra: 77
##
## Enferma Sana
## 0.6363636 0.3636364
##
## n_muestra: 43
##
## Enferma Sana
## 0.744186 0.255814
##
## n_muestra: 51
##
## Enferma Sana
## 0.5490196 0.4509804
##
## n_muestra: 36
##
## Enferma Sana
## 0.6111111 0.3888889
##
## n_muestra: 12
##
## Enferma Sana
## 0.5 0.5
##
## n_muestra: 32
##
## Enferma Sana
## 0.6875 0.3125
##
## n_muestra: 71
##
## Enferma Sana
## 0.6338028 0.3661972
##
## n_muestra: 31
##
## Enferma Sana
## 0.7419355 0.2580645
##
## n_muestra: 68
##
## Enferma Sana
## 0.6617647 0.3382353
##
## n_muestra: 23
##
## Enferma Sana
## 0.6086957 0.3913043
##
## n_muestra: 60
##
## Enferma Sana
## 0.65 0.35
##
## n_muestra: 48
##
## Enferma Sana
## 0.625 0.375
##
## n_muestra: 80
##
## Enferma Sana
## 0.6375 0.3625
##
## n_muestra: 15
##
## Enferma Sana
## 0.6 0.4
##
## n_muestra: 66
##
## Enferma Sana
## 0.6515152 0.3484848
##
## n_muestra: 59
##
## Enferma Sana
## 0.6779661 0.3220339
##
## n_muestra: 21
##
## Enferma Sana
## 0.5714286 0.4285714
##
## n_muestra: 14
##
## Enferma Sana
## 0.5714286 0.4285714
##
## n_muestra: 44
##
## Enferma Sana
## 0.6818182 0.3181818
##
## n_muestra: 16
##
## Enferma Sana
## 0.5 0.5
##
## n_muestra: 72
##
## Enferma Sana
## 0.7083333 0.2916667
##
## n_muestra: 35
##
## Enferma Sana
## 0.5142857 0.4857143
##
## n_muestra: 22
##
## Enferma Sana
## 0.5454545 0.4545455
##
## n_muestra: 13
##
## Enferma Sana
## 0.6153846 0.3846154
##
## n_muestra: 56
##
## Enferma Sana
## 0.6428571 0.3571429
##
## n_muestra: 62
##
## Enferma Sana
## 0.6774194 0.3225806
##
## n_muestra: 25
##
## Enferma Sana
## 0.6 0.4
##
## n_muestra: 41
##
## Enferma Sana
## 0.6341463 0.3658537
##
## n_muestra: 39
##
## Enferma Sana
## 0.6666667 0.3333333
##
## n_muestra: 50
##
## Enferma Sana
## 0.7 0.3
##
## n_muestra: 75
##
## Enferma Sana
## 0.6133333 0.3866667
##
## n_muestra: 74
##
## Enferma Sana
## 0.6891892 0.3108108
##
## n_muestra: 45
##
## Enferma Sana
## 0.5555556 0.4444444
##
## n_muestra: 10
##
## Enferma Sana
## 0.6 0.4
##
## n_muestra: 76
##
## Enferma Sana
## 0.5921053 0.4078947
##
## n_muestra: 58
##
## Enferma Sana
## 0.6896552 0.3103448
##
## n_muestra: 57
##
## Enferma Sana
## 0.6666667 0.3333333
##
## n_muestra: 61
##
## Enferma Sana
## 0.6721311 0.3278689
##
## n_muestra: 29
##
## Enferma Sana
## 0.6896552 0.3103448
##
## n_muestra: 11
##
## Enferma Sana
## 0.3636364 0.6363636
##
## n_muestra: 37
##
## Enferma Sana
## 0.6486486 0.3513514
##
## n_muestra: 42
##
## Enferma Sana
## 0.6190476 0.3809524
##
## n_muestra: 73
##
## Enferma Sana
## 0.6712329 0.3287671
##
## n_muestra: 19
##
## Enferma Sana
## 0.8947368 0.1052632
##
## n_muestra: 64
##
## Enferma Sana
## 0.609375 0.390625
##
## n_muestra: 67
##
## Enferma Sana
## 0.6268657 0.3731343
##
## n_muestra: 30
##
## Enferma Sana
## 0.6 0.4
##
## n_muestra: 47
##
## Enferma Sana
## 0.6382979 0.3617021set.seed(1000516173)
plot(muestras_n, enf_muest, pch = 16)
text(muestras_n, enf_muest, muestras_n, pos = 4, cex = 0.6)
abline(h = table(estado_nom)['Enferma']/120, col = 'red')
set.seed(1000516173)
library(samplingbook)## Warning: package 'samplingbook' was built under R version 4.1.2## Loading required package: pps## Loading required package: sampling## Warning: package 'sampling' was built under R version 4.1.2## Loading required package: survey## Warning: package 'survey' was built under R version 4.1.2## Loading required package: grid## Loading required package: Matrix## Loading required package: survival##
## Attaching package: 'survival'## The following objects are masked from 'package:sampling':
##
## cluster, strata##
## Attaching package: 'survey'## The following object is masked from 'package:graphics':
##
## dotchartsample.size.prop(e = 0.1, P = 0.5, N = 120, level = 0.95)##
## sample.size.prop object: Sample size for proportion estimate
## With finite population correction: N=120, precision e=0.1 and expected proportion P=0.5
##
## Sample size needed: 54set.seed(1000516173)
lotec = expand.grid(x = seq(0, 72, 8), y = seq(0, 99, 9))
set.seed(173)
estadoc = round(runif(120, 0, 1.5),0)
estado_nomc = ifelse(estadoc == 0, 'Sana', 'Enferma')
estado_colc = ifelse(estadoc == 0, 'green', 'red')
plot(lotec$x, lotec$y, pch = 8, col = estado_colc)
table(estado_nomc)/120## estado_nomc
## Enferma Sana
## 0.75 0.25set.seed(1000516173)
library(clhs)
vector_1 = 10 : 80
n_muestras_nuevo = sample ( vector_1, size = 60, )
n_muestras_nuevo## [1] 33 54 63 78 40 69 17 79 38 65 52 53 77 43 51 36 12 32 71 31 68 23 60 48 80
## [26] 15 66 59 21 14 44 16 72 35 22 13 56 62 25 41 39 50 75 74 45 10 76 58 57 61
## [51] 29 11 37 42 73 19 64 67 30 47muestras_nuevo = lapply(n_muestras_nuevo, clhs, x= lote)
muestras_nuevo## [[1]]
## [1] 17 109 98 26 90 107 19 10 20 81 113 95 8 51 96 118 79 64 31
## [20] 77 93 4 106 2 46 35 105 39 34 61 25 12 86
##
## [[2]]
## [1] 113 117 100 20 52 12 6 92 104 3 21 114 17 42 88 30 13 97 58
## [20] 101 1 71 50 85 99 29 80 9 64 35 69 106 77 25 63 34 46 36
## [39] 67 73 78 49 56 105 84 87 53 37 45 82 51 110 23 81
##
## [[3]]
## [1] 19 4 2 7 8 40 25 59 111 109 120 91 100 39 71 22 50 84 48
## [20] 61 75 23 64 73 89 42 103 83 58 67 31 115 44 17 15 60 108 114
## [39] 94 98 69 70 18 79 110 113 62 32 90 53 47 28 88 77 49 56 106
## [58] 66 6 116 96 16 52
##
## [[4]]
## [1] 93 20 10 30 100 22 78 118 112 21 94 109 53 111 27 52 103 65 86
## [20] 54 77 95 17 31 75 14 33 51 80 119 66 83 50 19 1 106 64 70
## [39] 108 105 42 6 3 44 12 69 28 57 37 38 39 24 62 8 99 55 32
## [58] 73 91 79 7 36 46 48 84 63 4 26 45 102 11 85 96 47 60 67
## [77] 34 68
##
## [[5]]
## [1] 111 110 119 71 13 103 31 20 118 50 89 7 95 68 84 92 28 77 86
## [20] 24 43 37 6 114 107 60 65 76 46 56 55 23 33 35 16 53 64 51
## [39] 15 115
##
## [[6]]
## [1] 84 92 110 8 101 11 109 87 22 20 112 37 16 68 41 115 13 2 30
## [20] 19 42 102 21 61 55 113 98 116 89 49 103 74 86 51 25 56 90 33
## [39] 50 78 59 35 17 1 6 47 24 94 75 15 118 80 27 44 32 93 64
## [58] 39 26 65 106 88 7 72 104 63 34 76 46
##
## [[7]]
## [1] 48 22 83 94 75 17 9 120 37 116 106 6 61 11 29 59 57
##
## [[8]]
## [1] 1 11 30 88 111 27 117 90 2 120 38 112 18 19 25 10 101 93 23
## [20] 80 104 43 22 32 41 69 84 39 106 28 57 3 72 100 59 109 42 8
## [39] 9 44 40 71 108 113 13 92 107 118 97 116 14 99 70 51 36 78 94
## [58] 5 56 55 73 64 74 33 65 54 75 62 17 66 60 81 82 68 77 47
## [77] 76 53 105
##
## [[9]]
## [1] 9 14 94 2 101 108 39 80 30 112 102 61 35 90 45 33 99 44 11
## [20] 77 70 27 19 93 23 28 12 76 22 104 16 74 117 13 52 56 57 55
##
## [[10]]
## [1] 110 80 1 2 33 38 57 70 101 14 21 10 16 93 94 44 58 52 109
## [20] 67 25 42 77 119 22 48 116 74 97 20 72 41 3 87 49 104 102 88
## [39] 73 61 56 68 81 117 112 103 99 5 63 37 35 28 84 78 96 19 115
## [58] 18 23 65 17 59 51 113 69
##
## [[11]]
## [1] 20 22 23 63 50 90 111 9 100 28 101 12 31 19 104 65 56 118 72
## [20] 96 37 3 55 98 26 81 5 99 102 116 103 89 48 32 75 57 108 41
## [39] 24 49 53 70 97 17 61 52 45 78 16 15 4 60
##
## [[12]]
## [1] 114 7 10 119 21 99 92 89 78 13 108 101 86 23 42 117 38 52 9
## [20] 82 71 67 110 93 46 80 24 53 3 15 37 76 106 50 17 68 43 34
## [39] 36 105 81 44 62 85 79 91 64 75 25 5 97 113 69
##
## [[13]]
## [1] 43 34 12 4 17 10 87 40 83 99 101 13 112 102 53 91 51 5 38
## [20] 20 59 71 67 25 8 70 21 108 114 79 111 80 23 50 74 44 32 115
## [39] 3 118 22 61 89 98 35 109 86 97 41 90 24 72 106 49 75 55 28
## [58] 18 96 66 88 46 52 103 68 116 45 14 94 76 84 62 60 85 56 48
## [77] 2
##
## [[14]]
## [1] 119 116 40 91 83 22 103 107 37 15 26 25 21 4 16 88 8 60 41
## [20] 85 114 59 90 94 48 98 102 2 9 93 109 71 80 115 44 46 106 73
## [39] 95 69 66 61 67
##
## [[15]]
## [1] 29 108 26 7 105 40 118 119 110 81 27 43 71 99 54 59 12 20 64
## [20] 42 14 83 25 38 116 2 93 92 37 13 75 36 89 15 115 51 9 63
## [39] 47 34 88 106 30 70 66 17 86 44 84 72 67
##
## [[16]]
## [1] 110 68 48 2 111 91 118 14 66 83 23 89 52 101 119 92 67 30 34
## [20] 32 8 50 35 79 7 87 73 44 39 57 16 75 106 53 22 77
##
## [[17]]
## [1] 115 107 86 38 71 4 99 30 53 62 15 45
##
## [[18]]
## [1] 10 13 48 88 102 71 114 29 93 4 52 46 11 77 120 37 100 98 34
## [20] 106 80 91 45 85 7 109 39 69 104 26 15 105
##
## [[19]]
## [1] 120 112 1 102 40 94 93 75 22 99 8 20 13 114 45 101 5 77 23
## [20] 118 107 28 50 31 85 44 18 57 110 15 21 24 33 83 71 4 61 119
## [39] 9 67 65 82 17 38 59 90 52 49 108 46 79 42 3 97 39 76 89
## [58] 113 26 68 95 116 29 63 32 86 48 81 19 60 58
##
## [[20]]
## [1] 89 31 103 92 114 43 98 8 117 11 47 80 77 62 51 30 63 60 36
## [20] 5 15 29 84 69 86 58 21 53 115 50 57
##
## [[21]]
## [1] 20 39 87 31 80 84 111 14 3 91 109 119 46 43 62 101 81 2 72
## [20] 53 22 45 26 65 11 99 13 37 9 59 7 82 94 28 120 52 4 86
## [39] 106 107 113 73 27 35 108 68 74 5 96 34 83 117 56 102 66 77 75
## [58] 95 104 105 115 85 42 30 6 48 88 70
##
## [[22]]
## [1] 110 2 113 18 32 79 85 31 96 77 62 94 49 44 17 52 68 71 30
## [20] 103 34 53 75
##
## [[23]]
## [1] 32 12 112 10 7 11 9 23 81 108 71 104 51 114 98 100 58 3 96
## [20] 86 4 46 105 97 83 107 19 57 79 63 28 40 14 68 26 20 77 115
## [39] 34 76 43 118 31 117 106 69 29 22 15 48 37 84 41 75 66 72 70
## [58] 60 45 94
##
## [[24]]
## [1] 10 102 119 19 1 32 101 17 117 33 108 41 4 100 95 28 77 65 81
## [20] 79 24 70 31 107 18 92 116 7 36 99 30 14 35 48 98 73 39 15
## [39] 53 57 51 56 105 50 61 43 47 58
##
## [[25]]
## [1] 119 1 120 103 21 112 59 83 31 102 71 110 40 2 14 118 95 72 19
## [20] 42 99 76 9 16 6 10 85 11 113 107 104 50 8 5 29 87 52 80
## [39] 49 38 78 35 64 13 36 24 81 98 46 60 114 96 27 74 65 53 61
## [58] 58 15 69 26 63 43 54 18 101 90 34 33 106 115 108 30 62 84 32
## [77] 79 75 45 47
##
## [[26]]
## [1] 3 20 86 105 51 22 114 69 78 46 94 63 37 70 79
##
## [[27]]
## [1] 120 101 102 11 30 38 110 2 119 1 71 8 17 56 90 32 104 19 47
## [20] 99 65 51 74 112 78 4 96 77 113 82 44 53 20 13 91 28 41 55
## [39] 109 63 72 46 26 95 93 64 58 27 57 117 42 6 85 16 116 75 68
## [58] 48 105 54 39 14 45 69 33 36
##
## [[28]]
## [1] 2 91 111 16 112 3 71 26 87 73 94 22 50 20 12 97 52 23 103
## [20] 28 59 14 90 6 117 102 51 79 34 84 39 40 81 120 46 105 101 57
## [39] 25 119 41 72 54 106 85 118 76 36 78 108 27 107 86 66 67 63 68
## [58] 64 69
##
## [[29]]
## [1] 29 107 118 4 81 40 32 28 76 96 13 82 48 41 25 66 47 57 59
## [20] 60 37
##
## [[30]]
## [1] 1 49 74 83 95 27 118 106 20 102 31 58 62 4
##
## [[31]]
## [1] 120 49 100 98 2 113 108 67 11 104 29 6 69 8 83 27 72 71 38
## [20] 55 30 63 74 86 117 85 40 31 19 46 26 48 44 22 94 51 14 66
## [39] 65 60 37 80 93 52
##
## [[32]]
## [1] 111 24 72 15 1 98 50 69 87 6 108 93 29 33 37 55
##
## [[33]]
## [1] 103 102 72 90 12 10 93 87 18 9 67 91 61 119 11 13 33 8 108
## [20] 110 111 53 50 24 106 44 38 57 115 97 89 23 68 16 117 94 60 6
## [39] 54 29 2 31 36 88 21 48 41 120 95 77 25 70 27 14 62 37 98
## [58] 19 34 39 22 35 96 20 113 82 74 51 76 63 64 28
##
## [[34]]
## [1] 11 2 114 10 39 32 73 91 44 24 87 100 34 96 47 79 83 90 6
## [20] 103 72 1 26 65 16 48 75 115 43 5 77 30 82 59 53
##
## [[35]]
## [1] 91 110 119 8 54 16 82 39 48 23 96 87 74 76 43 81 24 71 55
## [20] 58 117 65
##
## [[36]]
## [1] 33 77 25 84 49 68 6 20 52 91 119 109 65
##
## [[37]]
## [1] 113 90 91 24 21 30 80 50 112 42 101 72 67 59 19 3 4 115 51
## [20] 7 89 36 99 114 32 66 79 11 110 33 40 27 43 85 15 75 94 14
## [39] 71 45 69 104 97 56 62 58 39 108 96 86 26 53 37 47 74 41
##
## [[38]]
## [1] 111 90 30 32 94 5 98 31 9 77 39 11 50 12 72 42 118 99 18
## [20] 29 89 96 104 103 78 24 87 15 105 62 3 75 10 34 57 43 55 68
## [39] 113 66 110 79 47 67 49 25 86 6 51 116 28 36 106 58 52 85 41
## [58] 7 73 53 40 80
##
## [[39]]
## [1] 20 120 112 102 22 1 6 86 118 39 108 61 48 116 56 94 17 72 62
## [20] 95 65 46 59 43 67
##
## [[40]]
## [1] 20 112 100 8 108 31 4 71 22 19 1 39 62 89 85 86 78 80 114
## [20] 33 41 83 70 46 48 69 27 28 75 64 9 15 25 42 74 107 77 51
## [39] 56 58 54
##
## [[41]]
## [1] 109 30 3 57 38 92 14 85 112 28 24 116 13 71 103 108 62 96 67
## [20] 6 47 15 89 45 83 60 78 80 59 81 23 95 98 7 69 16 53 31
## [39] 36
##
## [[42]]
## [1] 99 118 43 10 11 36 90 111 86 2 95 102 84 97 13 44 101 78 104
## [20] 29 3 108 92 9 115 68 75 85 58 50 27 62 53 37 87 34 96 72
## [39] 46 61 4 25 107 56 42 35 105 24 106 15
##
## [[43]]
## [1] 119 92 44 82 27 50 63 18 19 120 17 23 111 88 7 93 39 29 11
## [20] 73 81 100 70 8 109 67 4 2 40 72 94 46 24 21 37 103 105 91
## [39] 114 20 80 3 41 59 66 108 26 68 51 55 85 115 69 86 47 78 96
## [58] 116 12 76 60 87 31 33 65 5 16 34 106 74 38 71 14 53 54
##
## [[44]]
## [1] 105 82 33 102 80 100 96 77 34 113 4 11 20 71 21 70 118 107 41
## [20] 86 69 52 119 19 37 25 78 56 83 28 8 36 6 18 63 99 50 90
## [39] 16 2 74 31 75 114 23 108 84 55 67 22 54 42 97 39 112 51 46
## [58] 7 66 91 10 53 48 62 92 35 14 88 103 64 15 72 106 117
##
## [[45]]
## [1] 101 57 73 82 94 120 115 33 46 23 42 50 18 84 5 77 99 25 62
## [20] 85 60 29 104 41 61 109 12 117 39 118 59 6 20 96 67 68 87 72
## [39] 105 26 98 40 34 17 4
##
## [[46]]
## [1] 81 98 54 22 45 39 106 113 17 80
##
## [[47]]
## [1] 120 111 103 6 40 7 22 97 4 11 94 61 38 112 47 12 60 83 79
## [20] 88 42 56 110 117 59 10 2 119 28 45 64 101 93 18 36 46 41 58
## [39] 57 95 73 25 31 32 24 74 65 20 21 80 77 89 106 26 66 70 78
## [58] 19 104 68 99 15 107 39 44 62 43 8 115 30 27 63 48 16 98 76
##
## [[48]]
## [1] 111 90 19 109 11 40 1 100 64 118 76 75 102 8 16 115 108 47 9
## [20] 6 84 56 110 82 93 22 27 24 50 113 105 21 35 98 23 91 53 85
## [39] 12 17 33 79 26 38 77 42 39 7 32 73 67 106 63 46 95 52 49
## [58] 29
##
## [[49]]
## [1] 91 11 101 94 12 17 114 29 118 9 103 64 34 108 115 81 32 42 63
## [20] 8 49 99 55 43 52 26 117 10 90 74 87 72 116 62 38 110 3 47
## [39] 6 85 36 37 41 79 105 25 80 96 56 73 14 98 65 76 50 51 70
##
## [[50]]
## [1] 115 38 101 119 102 10 19 78 100 29 87 11 79 98 93 14 4 120 58
## [20] 32 7 44 21 20 99 82 91 42 104 114 63 55 25 62 89 28 3 83
## [39] 64 34 105 69 40 45 88 60 53 17 110 50 77 46 54 37 70 57 107
## [58] 96 36 86 116
##
## [[51]]
## [1] 111 8 120 103 27 39 116 88 43 78 93 104 14 91 12 42 56 59 3
## [20] 76 72 4 106 67 55 115 62 64 51
##
## [[52]]
## [1] 90 39 118 53 62 91 46 24 105 17 80
##
## [[53]]
## [1] 109 115 83 18 94 29 21 32 91 119 2 50 4 101 20 65 86 17 112
## [20] 7 55 96 44 31 33 87 76 57 66 80 27 63 95 14 5 70 3
##
## [[54]]
## [1] 1 59 109 38 41 80 104 31 9 65 94 16 84 96 14 66 71 82 2
## [20] 83 29 53 3 20 73 27 77 116 75 118 36 55 48 91 40 52 88 93
## [39] 21 89 63 114
##
## [[55]]
## [1] 79 112 30 1 106 11 68 72 103 38 28 53 61 77 12 58 21 111 100
## [20] 55 7 110 82 62 113 16 46 90 63 116 75 95 40 36 107 42 31 47
## [39] 19 120 65 44 15 39 27 78 92 83 108 34 5 89 13 102 4 117 74
## [58] 26 25 69 101 49 33 17 70 76 54 64 73 114 84 97 48
##
## [[56]]
## [1] 88 71 16 109 99 42 54 82 120 115 47 8 36 93 70 29 107 65 83
##
## [[57]]
## [1] 20 107 12 118 105 49 17 28 64 4 34 106 80 70 30 74 59 47 11
## [20] 53 112 119 63 85 36 61 42 48 52 100 35 87 98 22 71 27 54 79
## [39] 113 101 51 19 73 89 26 96 3 5 94 6 81 97 102 62 120 38 65
## [58] 39 78 18 82 76 37 2
##
## [[58]]
## [1] 109 97 114 39 1 16 4 111 103 10 23 112 107 75 102 110 12 45 78
## [20] 21 5 33 88 59 60 67 47 79 100 64 18 69 113 89 96 30 48 54
## [39] 8 38 87 63 51 44 80 115 11 42 40 85 2 105 71 93 62 72 58
## [58] 57 43 66 76 15 99 27 28 73 83
##
## [[59]]
## [1] 92 8 89 103 34 50 99 49 15 113 1 21 31 33 74 87 30 84 63
## [20] 20 107 78 32 56 52 57 117 115 39 67
##
## [[60]]
## [1] 13 20 118 18 7 31 41 119 74 101 84 9 120 86 23 82 108 80 100
## [20] 42 39 57 97 26 35 36 99 43 114 5 85 59 103 52 71 58 93 78
## [39] 115 105 8 106 65 62 64 67 66set.seed(1000516173)
enf_muest_nuevo = NULL
for(i in n_muestras_nuevo){
muestra_nuevo = clhs(x = lotec, size = i)
enf_muest_nuevo = c(enf_muest_nuevo, table(estado_nomc[muestra_nuevo])['Enferma']/i)
prev_i_nuevo = table(estado_nomc[muestra_nuevo])/i
cat('\nn_muestra_nuevo:',i,'\n')
print(prev_i_nuevo) } ##
## n_muestra_nuevo: 33
##
## Enferma Sana
## 0.6363636 0.3636364
##
## n_muestra_nuevo: 54
##
## Enferma Sana
## 0.7407407 0.2592593
##
## n_muestra_nuevo: 63
##
## Enferma Sana
## 0.6984127 0.3015873
##
## n_muestra_nuevo: 78
##
## Enferma Sana
## 0.7692308 0.2307692
##
## n_muestra_nuevo: 40
##
## Enferma Sana
## 0.625 0.375
##
## n_muestra_nuevo: 69
##
## Enferma Sana
## 0.7246377 0.2753623
##
## n_muestra_nuevo: 17
##
## Enferma Sana
## 0.7647059 0.2352941
##
## n_muestra_nuevo: 79
##
## Enferma Sana
## 0.7848101 0.2151899
##
## n_muestra_nuevo: 38
##
## Enferma Sana
## 0.7368421 0.2631579
##
## n_muestra_nuevo: 65
##
## Enferma Sana
## 0.7384615 0.2615385
##
## n_muestra_nuevo: 52
##
## Enferma Sana
## 0.7692308 0.2307692
##
## n_muestra_nuevo: 53
##
## Enferma Sana
## 0.8113208 0.1886792
##
## n_muestra_nuevo: 77
##
## Enferma Sana
## 0.7402597 0.2597403
##
## n_muestra_nuevo: 43
##
## Enferma Sana
## 0.7906977 0.2093023
##
## n_muestra_nuevo: 51
##
## Enferma Sana
## 0.6862745 0.3137255
##
## n_muestra_nuevo: 36
##
## Enferma Sana
## 0.7222222 0.2777778
##
## n_muestra_nuevo: 12
##
## Enferma Sana
## 0.5 0.5
##
## n_muestra_nuevo: 32
##
## Enferma Sana
## 0.6875 0.3125
##
## n_muestra_nuevo: 71
##
## Enferma Sana
## 0.7042254 0.2957746
##
## n_muestra_nuevo: 31
##
## Enferma Sana
## 0.8709677 0.1290323
##
## n_muestra_nuevo: 68
##
## Enferma Sana
## 0.7794118 0.2205882
##
## n_muestra_nuevo: 23
##
## Enferma Sana
## 0.7391304 0.2608696
##
## n_muestra_nuevo: 60
##
## Enferma Sana
## 0.7333333 0.2666667
##
## n_muestra_nuevo: 48
##
## Enferma Sana
## 0.7083333 0.2916667
##
## n_muestra_nuevo: 80
##
## Enferma Sana
## 0.7375 0.2625
##
## n_muestra_nuevo: 15
##
## Enferma Sana
## 0.6666667 0.3333333
##
## n_muestra_nuevo: 66
##
## Enferma Sana
## 0.7424242 0.2575758
##
## n_muestra_nuevo: 59
##
## Enferma Sana
## 0.779661 0.220339
##
## n_muestra_nuevo: 21
##
## Enferma Sana
## 0.7142857 0.2857143
##
## n_muestra_nuevo: 14
##
## Enferma Sana
## 0.6428571 0.3571429
##
## n_muestra_nuevo: 44
##
## Enferma Sana
## 0.7727273 0.2272727
##
## n_muestra_nuevo: 16
##
## Enferma Sana
## 0.5625 0.4375
##
## n_muestra_nuevo: 72
##
## Enferma Sana
## 0.8055556 0.1944444
##
## n_muestra_nuevo: 35
##
## Enferma Sana
## 0.7142857 0.2857143
##
## n_muestra_nuevo: 22
##
## Enferma Sana
## 0.6363636 0.3636364
##
## n_muestra_nuevo: 13
##
## Enferma Sana
## 0.6923077 0.3076923
##
## n_muestra_nuevo: 56
##
## Enferma Sana
## 0.7321429 0.2678571
##
## n_muestra_nuevo: 62
##
## Enferma Sana
## 0.7419355 0.2580645
##
## n_muestra_nuevo: 25
##
## Enferma Sana
## 0.64 0.36
##
## n_muestra_nuevo: 41
##
## Enferma Sana
## 0.7073171 0.2926829
##
## n_muestra_nuevo: 39
##
## Enferma Sana
## 0.7692308 0.2307692
##
## n_muestra_nuevo: 50
##
## Enferma Sana
## 0.78 0.22
##
## n_muestra_nuevo: 75
##
## Enferma Sana
## 0.72 0.28
##
## n_muestra_nuevo: 74
##
## Enferma Sana
## 0.7702703 0.2297297
##
## n_muestra_nuevo: 45
##
## Enferma Sana
## 0.6444444 0.3555556
##
## n_muestra_nuevo: 10
##
## Enferma Sana
## 0.6 0.4
##
## n_muestra_nuevo: 76
##
## Enferma Sana
## 0.6710526 0.3289474
##
## n_muestra_nuevo: 58
##
## Enferma Sana
## 0.7931034 0.2068966
##
## n_muestra_nuevo: 57
##
## Enferma Sana
## 0.8070175 0.1929825
##
## n_muestra_nuevo: 61
##
## Enferma Sana
## 0.7868852 0.2131148
##
## n_muestra_nuevo: 29
##
## Enferma Sana
## 0.7931034 0.2068966
##
## n_muestra_nuevo: 11
##
## Enferma Sana
## 0.4545455 0.5454545
##
## n_muestra_nuevo: 37
##
## Enferma Sana
## 0.7297297 0.2702703
##
## n_muestra_nuevo: 42
##
## Enferma Sana
## 0.7142857 0.2857143
##
## n_muestra_nuevo: 73
##
## Enferma Sana
## 0.7808219 0.2191781
##
## n_muestra_nuevo: 19
##
## Enferma Sana
## 0.8947368 0.1052632
##
## n_muestra_nuevo: 64
##
## Enferma Sana
## 0.71875 0.28125
##
## n_muestra_nuevo: 67
##
## Enferma Sana
## 0.7164179 0.2835821
##
## n_muestra_nuevo: 30
##
## Enferma Sana
## 0.7666667 0.2333333
##
## n_muestra_nuevo: 47
##
## Enferma Sana
## 0.7234043 0.2765957set.seed(1000516173)
plot(n_muestras_nuevo, enf_muest_nuevo, pch = 16)
text(n_muestras_nuevo, enf_muest_nuevo, n_muestras_nuevo, pos = 4, cex = 0.6)
abline(h = table(estado_nomc)['Enferma']/120, col = 'red')
set.seed(1000516173)
Incidencia = 12/42
Incidencia## [1] 0.2857143set.seed(1000516173)
library(clhs)
N_nuevo = 50
muestras_n = ceiling(N_nuevo)
muestras_n## [1] 50muestras_x = lapply(muestras_n, clhs, x = lote)
muestras_x## [[1]]
## [1] 65 21 42 82 104 80 29 55 50 107 83 112 99 74 114 100 111 68 115
## [20] 61 1 110 14 26 53 7 20 3 109 95 87 39 28 92 43 4 59 18
## [39] 37 38 85 34 51 97 67 46 60 16 31 88set.seed(1000516173)
library(clhs)
N_nuevo = 50
n_muestras_nuevo = ceiling(N_nuevo)
n_muestras_nuevo## [1] 50muestras_nuevo = lapply(n_muestras_nuevo, clhs, x = lotec)
muestras_nuevo## [[1]]
## [1] 65 21 42 82 104 80 29 55 50 107 83 112 99 74 114 100 111 68 115
## [20] 61 1 110 14 26 53 7 20 3 109 95 87 39 28 92 43 4 59 18
## [39] 37 38 85 34 51 97 67 46 60 16 31 88set.seed(1000516173)
muestreo= lote[clhs(x = lote, size = 50),]
plot(lote$x, lote$y, pch = 8, col = estado_col)
points(muestreo$x, muestreo$y, cex = 1.8)
set.seed(1000516173)
muestreo= lotec[clhs(x = lotec, size = 50),]
plot(lotec$x, lotec$y, pch = 8, col = estado_colc)
points(muestreo$x, muestreo$y, cex = 1.8)
Prevalencia
set.seed(1000516173)
Sanas = 22/50
Enfermas = 28/50
Sanas## [1] 0.44Enfermas## [1] 0.56Prevalencia = data.frame(Sanas, Enfermas)
Prevalencia## Sanas Enfermas
## 1 0.44 0.56Prevalencia 2
set.seed(1000516173)
Sanas2 = 19/50
Enfermas2 = 31/50
Sanas2## [1] 0.38Enfermas2## [1] 0.62Prevalencia2 = data.frame(Sanas2, Enfermas2)
Prevalencia2## Sanas2 Enfermas2
## 1 0.38 0.62Incidencia
set.seed(1000516173)
incidencia2 = 3/22
incidencia2## [1] 0.1363636