Data
Search for Best Configuration
M1 <- 1
M2 <- 100000
Xsum <- numeric(0)
Xsum <- sapply(M1:M2, red_and_black)
# Values_mat <- numeric(0)
# for(k in M1:M2){
# set.seed(k)
# N <- nrow(class_roll)
# class_roll$group <-
# sample(1:N) %%
# 2 %>%
# factor(levels = c(0, 1), labels = c("Red", "Black"))
# Xsum <- c(Xsum, red_and_black(class_roll)$Xsum)
# Values_mat <- rbind(Values_mat, red_and_black(class_roll)$Values)
# }
# colnames(Values_mat) <- paste0("X", 1:6)
# Values_mat
# pairs(Values_mat)
# cor(Values_mat) %>%
# round(4)
names(Xsum) <- M1:M2
Xsum %>%
summary %>%
round(2)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.71 16.34 20.37 21.03 24.98 61.29
Xsum %>%
sd %>%
round(2)
## [1] 6.52
Xsum %>%
`<=`(9) %>%
which %>%
`[`(Xsum, .) %>%
round(2)
## 69 225 290 314 322 357 365 444 525 639 685 691 758
## 8.97 8.51 8.91 8.92 8.46 7.38 6.23 6.38 8.93 8.11 6.92 7.75 6.83
## 876 916 992 1042 1343 1417 1451 1485 1511 1629 1642 1758 1838
## 4.76 7.23 7.41 4.59 7.07 8.95 8.97 6.23 8.98 7.44 7.66 8.91 7.90
## 1925 1996 2225 2343 2445 2832 2921 3050 3137 3141 3495 3518 3574
## 8.35 7.61 8.65 6.65 8.02 6.81 8.90 8.13 8.35 8.13 8.55 8.93 7.09
## 3684 3755 3774 3797 3810 3997 4000 4104 4262 4534 4542 4754 4830
## 5.76 8.00 8.99 8.64 7.22 7.71 7.99 8.65 4.78 7.61 8.57 7.46 6.17
## 4866 5084 5119 5142 5148 5292 5294 5330 5550 5568 5691 5723 5777
## 6.57 8.10 8.73 8.57 8.88 7.92 8.95 5.29 8.93 8.25 8.40 6.05 6.75
## 5935 6070 6108 6145 6332 6390 6394 6440 6473 6493 6628 6640 6685
## 6.80 6.05 8.44 8.65 7.07 8.71 4.68 7.77 7.51 7.29 5.86 8.94 8.09
## 6776 6898 7007 7104 7214 7268 7290 7338 7415 7447 7459 7552 7564
## 5.86 8.74 4.50 8.58 8.82 7.43 6.84 6.47 9.00 7.06 8.85 8.33 8.25
## 7640 8065 8096 8131 8190 8236 8272 8356 8442 8472 8539 8584 8636
## 7.98 8.81 8.88 8.22 6.82 6.55 7.48 8.37 7.24 8.62 8.88 7.52 8.17
## 8745 8883 8929 8941 9494 9552 9608 9698 9731 9799 9896 9953 10051
## 8.92 8.97 7.95 8.78 8.87 8.23 8.04 8.98 8.47 6.25 8.64 8.45 7.74
## 10091 10247 10333 10451 10467 10469 10517 10605 10647 10654 10659 10830 10936
## 8.37 7.91 8.20 7.40 8.92 8.64 7.43 5.73 8.43 7.25 7.91 5.48 7.94
## 10982 11139 11264 11296 11594 11740 11773 11793 12006 12013 12109 12576 12634
## 8.75 8.35 5.89 7.85 8.24 8.91 8.99 8.72 8.92 6.75 7.06 8.98 8.98
## 12689 12865 12899 12934 12936 12990 13095 13105 13115 13335 13575 13618 13624
## 6.90 7.80 8.40 6.96 7.49 8.74 5.67 7.57 8.88 8.19 7.16 8.81 5.91
## 13652 13707 13806 13948 13949 13958 14117 14122 14354 14384 14507 14783 14897
## 8.22 7.77 7.81 8.82 8.48 8.52 8.49 8.88 7.79 8.77 7.19 8.49 6.30
## 15282 15283 15336 15447 15451 15824 16062 16066 16111 16176 16338 16342 16373
## 8.70 7.91 6.84 8.58 7.94 8.41 7.93 7.80 8.24 8.90 7.46 7.94 7.33
## 16525 16544 16588 16633 16643 17015 17024 17050 17371 17465 17556 17657 17852
## 7.84 8.02 5.88 7.96 7.36 7.76 8.23 8.45 8.09 4.78 7.21 7.23 7.82
## 18064 18341 18801 18905 18907 18956 19048 19123 19227 19282 19457 19484 19606
## 7.29 8.11 8.23 7.00 5.24 7.04 8.99 8.01 8.80 8.05 8.81 7.65 8.10
## 19753 19756 19767 19813 19835 19844 19965 20187 20229 20305 20366 20513 20599
## 8.20 7.79 8.25 8.56 7.25 7.55 8.32 8.51 5.79 7.83 8.61 7.15 8.04
## 20679 20799 20838 21039 21235 21236 21280 21317 21350 21378 21430 21437 21607
## 8.11 8.89 8.21 8.39 8.16 8.43 8.34 8.40 5.63 7.37 7.74 7.80 5.95
## 21661 21699 21770 21795 21830 21900 21961 22001 22151 22335 22503 22628 22641
## 5.88 8.43 8.06 8.84 8.38 8.33 8.57 7.66 8.24 7.96 8.04 7.48 7.83
## 22653 22680 22720 22739 22834 22894 23000 23240 23350 23382 23390 23516 23680
## 7.43 8.51 8.60 8.22 8.08 7.10 8.89 8.00 8.80 8.89 4.45 8.41 8.46
## 23922 23950 23955 23996 24108 24202 24231 24333 24361 24388 24420 24485 24513
## 8.90 7.56 8.06 7.56 7.21 8.72 7.06 8.79 4.83 7.54 8.95 8.03 8.82
## 24560 24790 24804 24858 24918 25151 25217 25268 25461 25747 25792 25793 25863
## 6.64 7.32 8.61 5.59 7.04 8.56 8.58 8.54 7.74 7.76 6.61 7.72 8.66
## 25876 26039 26091 26117 26236 26344 26496 26501 26510 26735 26774 26919 27152
## 8.42 8.53 8.50 8.41 8.45 8.45 8.22 8.50 5.88 8.92 8.40 6.70 8.52
## 27166 27225 27289 27292 27337 27430 27498 27585 27601 27627 27711 27781 27855
## 7.75 7.72 8.66 7.52 6.11 6.79 8.92 8.37 8.99 7.96 6.59 7.77 7.51
## 27896 27907 27957 28117 28139 28183 28244 28267 28321 28625 28756 28939 28955
## 8.29 8.18 6.75 8.79 7.55 8.11 7.90 8.37 6.81 8.08 8.30 8.67 8.84
## 29010 29028 29107 29222 29273 29300 29458 29569 29595 29648 29663 29677 29811
## 7.40 8.60 8.75 8.37 9.00 7.71 8.62 7.97 4.85 8.18 7.80 8.44 5.38
## 29851 29865 29899 29919 30078 30207 30322 30358 30413 30433 30617 30707 30763
## 8.97 6.16 8.84 8.22 6.16 8.64 7.65 8.16 7.68 8.41 7.98 8.65 7.56
## 30868 30979 31096 31136 31329 31398 31412 31426 31586 31622 31647 31778 31790
## 8.42 8.48 7.80 7.19 7.45 8.47 8.91 7.85 8.28 7.61 8.82 7.13 7.87
## 31902 32061 32066 32161 32272 32383 32535 32670 32717 32755 32860 32872 32920
## 5.59 6.30 8.19 8.81 6.78 7.28 6.58 7.28 8.42 7.82 8.83 8.44 7.22
## 33036 33057 33100 33271 33305 33325 33418 33455 33557 33664 33796 33963 34059
## 7.94 8.86 8.79 8.53 7.99 8.71 7.90 8.60 8.98 7.34 8.06 8.95 8.43
## 34060 34200 34312 34336 34362 34433 34509 34553 34558 34590 34682 34707 34844
## 8.11 8.29 5.75 7.17 8.14 7.89 8.84 6.12 8.72 8.02 7.00 7.42 6.13
## 34927 34949 35002 35016 35076 35085 35136 35291 35305 35380 35390 35424 35457
## 8.64 7.30 6.61 7.73 8.66 8.73 7.83 8.37 7.74 8.87 6.93 7.31 8.62
## 35466 35913 35927 35954 35960 36046 36155 36203 36234 36281 36327 36528 36599
## 7.28 8.85 7.69 5.47 6.46 7.80 7.89 7.90 8.57 8.62 8.46 7.18 7.98
## 36618 36685 36871 36956 37108 37298 37323 37430 37451 37575 37680 37748 37994
## 8.24 8.08 6.14 8.20 8.94 7.43 7.59 8.72 7.19 8.74 8.16 8.72 7.96
## 38064 38136 38279 38329 38408 38451 38565 38770 38824 38883 38958 39122 39159
## 8.39 7.37 8.57 6.97 7.67 7.91 8.20 8.44 8.20 7.97 7.33 8.02 8.10
## 39182 39373 39388 39897 39997 40008 40197 40236 40245 40280 40402 40571 40602
## 8.54 8.69 6.91 8.76 8.39 8.15 7.75 8.09 6.26 8.29 8.55 8.83 7.99
## 40634 40665 40666 40740 40904 41103 41108 41176 41354 41471 41490 41759 41855
## 8.23 6.11 7.77 7.60 7.38 8.79 8.56 8.68 8.71 8.42 7.79 8.23 7.19
## 41900 41901 41959 42181 42209 42285 42426 42638 42727 42829 42838 42865 42990
## 8.29 7.30 8.78 7.54 8.23 8.37 8.58 8.49 8.14 7.99 8.52 6.67 8.74
## 43420 43447 43556 43643 43868 43932 44090 44248 44338 44464 44561 44596 44676
## 8.89 8.63 8.42 8.29 7.88 5.27 8.82 8.50 6.92 6.80 7.86 7.79 8.90
## 44736 44891 44937 44967 45105 45201 45233 45364 45521 45537 45605 45739 45762
## 7.09 8.95 8.46 6.83 6.68 7.33 8.37 8.61 8.04 6.36 7.69 7.23 8.37
## 45846 46086 46130 46266 46470 46605 46678 46739 46858 46949 46961 46985 47126
## 7.40 8.98 8.86 8.38 8.83 8.04 6.60 8.07 7.95 7.38 5.95 8.15 6.92
## 47128 47176 47196 47373 47389 47422 47451 47552 47657 47658 47855 47926 48020
## 7.06 5.37 8.85 8.28 8.22 8.15 8.06 8.20 7.04 6.43 6.09 8.54 8.78
## 48077 48141 48220 48242 48310 48392 48655 48668 48678 48712 48776 48804 48950
## 8.75 6.88 8.78 7.98 7.86 8.78 5.39 6.09 8.56 8.92 8.48 7.08 7.88
## 48980 49015 49051 49139 49251 49352 49517 49844 49906 49941 49961 50136 50179
## 6.11 8.85 8.94 7.94 8.25 6.27 8.24 6.56 6.82 7.80 6.86 8.01 7.52
## 50392 50399 50571 50749 50890 51080 51109 51138 51303 51553 51677 51852 51951
## 8.91 8.93 8.14 6.02 8.51 8.01 7.68 8.40 8.17 7.02 8.25 8.60 8.98
## 51966 52027 52061 52162 52577 52627 52656 52707 52714 52921 53086 53180 53316
## 6.93 8.16 8.71 8.24 8.33 7.83 5.54 6.35 6.78 7.88 8.54 6.43 7.78
## 53384 53594 53678 53692 53711 53794 53868 53956 54009 54033 54097 54174 54237
## 8.60 8.09 8.19 7.23 8.14 8.54 8.70 8.63 8.96 7.77 8.90 6.39 8.70
## 54676 54826 55225 55237 55282 55342 55409 55442 55493 55507 55524 55552 55602
## 8.77 7.44 8.97 8.29 7.44 8.63 8.89 6.33 8.52 7.26 6.81 8.72 6.62
## 55634 55805 55858 55920 56103 56368 56417 56425 56465 56588 56595 56598 56603
## 8.23 8.92 8.63 6.39 8.40 8.70 8.95 8.48 8.60 8.08 8.81 7.01 6.91
## 56625 56800 56852 56988 56996 57030 57036 57048 57536 57559 57648 57854 57978
## 8.09 7.55 8.93 7.71 8.90 6.75 7.54 7.58 6.70 8.02 7.66 7.59 7.59
## 57992 58026 58037 58038 58084 58090 58147 58206 58280 58537 58560 58582 58715
## 8.69 8.48 7.35 8.38 8.86 8.30 8.97 6.78 8.97 8.13 7.59 7.55 7.41
## 58748 58918 58996 59252 59292 59361 59419 59535 59536 59708 59952 59983 60091
## 8.69 7.94 5.71 7.94 8.93 6.71 5.47 8.72 7.78 7.84 8.56 7.25 8.10
## 60134 60387 60630 60633 61000 61092 61118 61148 61312 61371 61509 61552 61581
## 7.78 7.02 7.78 8.10 8.77 8.63 8.66 8.53 8.50 7.03 6.58 8.49 7.89
## 61637 61681 61852 62066 62100 62113 62137 62503 62588 62620 62701 62755 62765
## 8.79 8.04 7.71 7.26 6.17 8.30 8.83 8.60 7.73 9.00 7.18 8.90 6.90
## 62810 63065 63153 63300 63348 63397 63420 63567 63595 63649 63779 63913 64046
## 7.90 8.52 7.89 7.49 5.61 6.97 7.27 6.52 8.67 7.51 8.89 7.47 6.83
## 64127 64183 64191 64204 64362 64561 64563 64810 65093 65316 65341 65701 65711
## 8.28 8.26 7.48 8.74 8.38 8.86 7.64 8.05 8.49 7.35 6.29 6.50 8.59
## 65776 65788 65809 65988 66056 66114 66247 66416 66566 67003 67114 67118 67349
## 8.58 7.89 8.55 7.78 8.41 8.97 8.32 6.72 8.05 8.08 8.56 8.17 7.53
## 67391 67501 67539 67672 67744 67980 67981 68177 68208 68313 68587 68650 68689
## 7.74 6.56 7.19 8.45 6.55 8.53 8.74 7.57 5.09 8.11 7.15 6.00 8.87
## 68861 68953 68970 68992 69227 69264 69652 69873 69952 70075 70086 70129 70277
## 8.20 7.35 8.98 8.18 7.83 7.09 8.82 6.50 8.45 7.54 8.60 8.92 6.56
## 70371 70518 70547 70612 70618 70635 70636 70663 70669 70681 70775 70845 70880
## 7.24 8.06 6.43 8.41 7.05 7.43 8.55 8.08 6.97 6.91 7.46 7.99 7.19
## 71042 71067 71082 71221 71237 71257 71673 71703 71802 71976 72086 72094 72377
## 8.68 6.98 7.86 7.34 5.87 7.84 7.63 7.10 7.70 8.29 8.07 7.08 7.93
## 72453 72462 72589 72634 72711 72877 72900 72921 72932 72960 73016 73198 73385
## 8.90 5.39 8.65 7.83 8.98 6.94 7.97 7.40 7.76 8.11 6.91 7.70 8.84
## 73583 74108 74130 74135 74164 74329 74392 74494 74697 74754 74778 74942 75049
## 7.93 8.82 8.50 8.69 7.23 6.30 8.13 7.73 7.61 8.68 7.14 8.77 7.38
## 75059 75241 75338 75363 75563 75585 75589 75643 75660 75944 75954 76005 76063
## 8.41 6.62 6.85 7.97 8.96 8.22 6.61 8.62 8.58 8.52 8.24 8.06 8.41
## 76125 76133 76310 76338 76402 76521 76577 76586 76754 76772 76833 76843 77049
## 8.11 8.02 7.10 8.12 8.56 7.62 7.73 8.53 7.56 8.14 7.21 8.92 8.52
## 77122 77291 77309 77321 77326 77402 77444 77726 77932 77985 78191 78195 78218
## 7.04 8.72 8.73 7.86 7.81 8.31 7.22 8.83 8.24 7.89 8.74 7.04 8.03
## 78232 78329 78336 78343 78349 78397 78415 78605 78694 78746 78783 78849 78923
## 7.56 6.82 6.94 8.34 8.42 8.12 8.12 7.48 4.71 8.82 6.63 7.57 8.46
## 78987 79025 79036 79098 79220 79264 79369 79394 79397 79555 79593 79671 79689
## 8.38 7.88 8.48 8.92 8.72 8.67 7.82 6.32 4.84 8.65 7.96 7.49 8.55
## 79760 79913 79980 80051 80199 80262 80286 80356 80385 80420 80685 80817 80858
## 8.11 8.02 8.91 8.39 8.12 7.22 8.11 8.90 4.80 8.78 6.76 6.81 8.56
## 80989 81145 81298 81351 81379 81394 81620 81684 81837 82013 82130 82276 82349
## 5.66 7.34 5.88 7.08 6.61 8.91 8.17 8.54 8.47 6.04 8.77 8.95 5.81
## 82435 82483 82533 82543 82582 82810 82998 83055 83060 83165 83318 83320 83351
## 8.79 7.00 6.53 8.03 8.75 7.89 8.81 7.77 8.36 8.38 8.27 7.83 7.77
## 83544 83618 83630 83691 83709 83817 83964 84106 84137 84220 84345 84392 84428
## 8.75 8.54 8.69 8.39 8.85 8.12 5.76 7.47 8.67 7.37 5.43 7.90 7.93
## 84473 84481 84524 84679 84720 84777 84880 85168 85277 85278 85283 85762 85858
## 8.72 8.31 8.89 7.96 5.02 8.31 8.70 7.87 7.10 7.72 6.16 6.10 7.83
## 86080 86132 86140 86330 86357 86393 86548 86931 86983 87081 87110 87166 87256
## 8.66 8.66 7.43 7.77 8.31 7.60 8.18 7.17 8.89 8.20 8.89 7.99 8.24
## 87420 87432 87479 87535 87584 87992 88024 88087 88155 88385 88402 88434 88520
## 7.63 8.65 8.64 6.71 5.77 3.71 6.59 5.60 8.52 8.16 8.76 8.46 7.89
## 88537 88687 88691 88760 89041 89048 89071 89084 89099 89132 89254 89369 89483
## 8.07 7.92 8.95 7.20 8.45 8.06 8.83 9.00 8.16 7.33 8.73 8.37 8.98
## 89487 89711 89742 89899 90230 90256 90346 90382 90548 90896 90905 90946 91023
## 8.51 8.67 8.95 5.81 7.92 8.60 8.54 4.55 8.90 6.94 8.36 8.27 7.90
## 91032 91119 91355 91374 91554 91891 91980 92005 92093 92098 92170 92276 92299
## 8.83 8.61 8.70 8.00 8.20 8.54 6.21 8.17 8.58 7.05 8.13 8.48 8.80
## 92407 92470 92522 92742 92775 92812 92880 92896 92911 93061 93145 93147 93165
## 8.20 7.61 8.54 8.03 7.65 8.20 5.47 8.25 8.24 8.78 8.82 6.90 7.02
## 93368 93399 93497 93538 93669 93735 93888 93912 94188 94195 94253 94302 94314
## 8.81 8.98 7.35 7.35 8.70 5.01 8.95 8.84 8.27 7.45 6.25 8.37 6.56
## 94370 94403 94419 94536 94564 94640 94763 95096 95189 95223 95252 95277 95608
## 8.05 8.23 8.20 7.36 7.54 8.85 6.68 6.28 8.58 6.02 8.91 8.85 8.34
## 95646 96034 96380 96472 96631 96644 97293 97313 97450 97697 97726 97791 97836
## 7.73 8.88 8.27 4.95 8.34 8.68 7.51 7.17 8.74 8.86 8.63 8.19 8.98
## 97843 97897 97980 97998 98039 98131 98442 98571 98628 98643 98736 98746 98763
## 8.35 7.57 7.37 6.28 8.86 8.55 7.39 8.95 8.30 6.59 8.58 7.63 8.62
## 98841 98949 99171 99183 99325 99387 99467 99487 99583 99760 99823
## 8.23 8.77 7.76 8.08 8.42 4.46 8.37 8.03 8.03 8.10 7.59
Xmin <- names(Xsum[which(Xsum == min(Xsum))])
Xmin
## [1] "87992"
Plot
hist(Xsum, prob = TRUE, nclass = 30, xlim = c(0, 50), ylim = c(0, 0.065))
x <- seq(0, 50, by = 0.1)
lines(x, dchisq(x, df = 21), col = "red")
legend("topright", inset = 0.05, legend = c("Xsum", "Chi-square(21)"), col = c("black", "red"), lty = 1)
plot(density(Xsum), xlim = c(0, 50), main = "Density Estimation of Xsum")
lines(x, dchisq(x, df = 21), col = "red")
legend("topright", inset = 0.05, legend = c("Xsum", "Chi-square(21)"), col = c("black", "red"), lty = 1)
Randomization
set.seed(Xmin)
N <- nrow(class_roll)
class_roll$group <-
sample(1:N) %%
2 %>%
factor(levels = c(0, 1), labels = c("Red", "Black"))
Xsum_min <- red_and_black(Xmin)
Xsum_min
## [1] 3.705758
학번
class_roll$id_2 <-
class_roll$id %>%
ifelse(. <= 2016, "2016", .)
tbl1 <- class_roll %$%
table(.$group, .$id_2 %>% substr(1, 4)) %>%
`colnames<-`(c("2016 이전", 2017:2022))
tbl1 %>%
pander
| Red |
20 |
33 |
62 |
80 |
50 |
134 |
24 |
| Black |
21 |
38 |
59 |
74 |
51 |
135 |
26 |
X1min <- tbl1 %>%
chisq.test(simulate.p.value = TRUE) %>%
`[[`(1)
X1min
## X-squared
## 0.7770298
학번 홀짝
tbl2 <- class_roll$id %>%
as.numeric %>%
`%%`(2) %>%
factor(levels = c(1, 0), labels = c("홀", "짝")) %>%
table(class_roll$group, .)
tbl2 %>%
pander
| Red |
211 |
192 |
| Black |
209 |
195 |
X2min <- tbl2 %>%
chisq.test(simulate.p.value = TRUE) %>%
`[[`(1)
X2min
## X-squared
## 0.03154051
학적 상태
tbl3 <- class_roll$status %>%
table(class_roll$group, .)
tbl3 %>%
pander
X3min <- tbl3 %>%
chisq.test(simulate.p.value = TRUE) %>%
`[[`(1)
X3min
## X-squared
## 0.1205262
e-mail 서비스업체
tbl4 <- class_roll$email %>%
strsplit("@", fixed = TRUE) %>%
sapply("[", 2) %>%
`==`("naver.com") %>%
ifelse("네이버", "기타서비스") %>%
factor(levels = c("네이버", "기타서비스")) %>%
table(class_roll$group, .)
tbl4 %>%
pander
X4min <- tbl4 %>%
chisq.test(simulate.p.value = TRUE) %>%
`[[`(1)
X4min
## X-squared
## 0.01177796
전화번호의 분포
cut_label <- paste(paste0(0:9, "000"), paste0(0:9, "999"),
sep = "~")
tbl5 <- class_roll$cell_no %>%
substr(start = 8, stop = 11) %>%
sapply(as.numeric) %>%
cut(labels = cut_label,
breaks = seq(0, 10000, by = 1000)) %>%
table(class_roll$group, .)
tbl5 %>%
pander
| Red |
42 |
33 |
32 |
43 |
35 |
46 |
44 |
36 |
39 |
52 |
| Black |
39 |
32 |
36 |
42 |
29 |
52 |
40 |
41 |
43 |
50 |
X5min <- tbl5 %>%
chisq.test(simulate.p.value = TRUE) %>%
`[[`(1)
X5min
## X-squared
## 2.04794
성씨 분포
f_name <- class_roll$name %>%
substring(first = 1, last = 1)
tbl6 <- f_name %>%
`%in%`(c("김", "이", "박")) %>%
ifelse(f_name, "기타") %>%
factor(levels = c("김", "이", "박", "기타")) %>%
table(class_roll$group, .)
tbl6 %>%
pander
| Red |
77 |
59 |
32 |
235 |
| Black |
71 |
62 |
28 |
243 |
X6min <- tbl6 %>%
chisq.test(simulate.p.value = TRUE) %>%
`[[`(1)
X6min
## X-squared
## 0.7169432
Sum of Chi_Squares
Xsum_min <- X1min + X2min + X3min + X4min + X5min + X6min
Xsum_min
## X-squared
## 3.705758