Asignatura: Métodos y Simulación Estadistica
Profesor: David Arango Londoño
Maestria en Ciencia de Datos
Universidad Javeriana de Cali
Punto 1 - Simulación Resultado de la Suma del Lanzamiento de dos Dados
- Crear una función sin entradas pero que simule el lanzamiento de dos dados legales y sume el resulado de ellos.
sumar_dados = function()
{
dado1 = 1:6
dado2 = 1:6
r = sample(dado1, 1, TRUE) + sample(dado2, 1, TRUE)
return(r)
}
sumar_dados()
## [1] 10
- Generalizar la función para que tenga como entrada el total de lanzamientos y cuente los resultados de una condición en particular (ejemplo suma igual a 12).
sumar_dados_con_objetivo = function(n_lanzamientos, objetivo)
{
dado1 = 1:6
dado2 = 1:6
lanzamientos=array(NA,n_lanzamientos)
cuenta = 0
for(i in 1:n_lanzamientos)
{
lanzamientos[i] = sample(dado1, 1, TRUE) + sample(dado2, 1, TRUE)
if(lanzamientos[i]==objetivo)
cuenta = cuenta + 1
}
print(lanzamientos)
return(cuenta)
}
sumar_dados_con_objetivo(10, 7)
## [1] 9 8 8 9 6 5 4 8 10 7
## [1] 1
sumar_dados_con_objetivo2 = function(n_lanzamientos, objetivo, imprimir)
{
dado1 = 1:6
dado2 = 1:6
lanzamientos = sample(dado1, n_lanzamientos, TRUE) + sample(dado2, n_lanzamientos, TRUE)
if(imprimir) print(lanzamientos)
return(sum(lanzamientos==objetivo))
}
sumar_dados_con_objetivo2(10, 7, TRUE)
## [1] 9 2 9 8 3 10 9 11 5 7
## [1] 1
sumar_dados_con_objetivo2(10, 5, TRUE)
## [1] 7 6 5 5 9 6 9 4 6 6
## [1] 2
- Con la función de b. compare los resultados de la simulación para 10000 lanzamientos con los resultados esperados de acuerdo a la probabilidad calculada con el total de combinaciones.
dado1 = 1:6
dado2 = 1:6
espacio=expand.grid(dado1,dado2)
y=apply(espacio,1,sum)
tabla=data.frame(espacio,y)
prob_teorica=table(y)/36
n = 1000000
prob_practica = array(11)
prob_practica[1] = sumar_dados_con_objetivo2(n, 2, FALSE)/n
prob_practica[2] = sumar_dados_con_objetivo2(n, 3, FALSE)/n
prob_practica[3] = sumar_dados_con_objetivo2(n, 4, FALSE)/n
prob_practica[4] = sumar_dados_con_objetivo2(n, 5, FALSE)/n
prob_practica[5] = sumar_dados_con_objetivo2(n, 6, FALSE)/n
prob_practica[6] = sumar_dados_con_objetivo2(n, 7, FALSE)/n
prob_practica[7] = sumar_dados_con_objetivo2(n, 8, FALSE)/n
prob_practica[8] = sumar_dados_con_objetivo2(n, 9, FALSE)/n
prob_practica[9] = sumar_dados_con_objetivo2(n, 10, FALSE)/n
prob_practica[10] = sumar_dados_con_objetivo2(n, 11, FALSE)/n
prob_practica[11] = sumar_dados_con_objetivo2(n, 12, FALSE)/n
plot(2:12,prob_teorica,type = "b", col="green")
plot(2:12,prob_practica,type = "b", col="red")
prob_teorica
## y
## 2 3 4 5 6 7 8
## 0.02777778 0.05555556 0.08333333 0.11111111 0.13888889 0.16666667 0.13888889
## 9 10 11 12
## 0.11111111 0.08333333 0.05555556 0.02777778
prob_practica
## [1] 0.027326 0.055843 0.083287 0.110861 0.138479 0.166147 0.138738 0.110930
## [9] 0.083403 0.055315 0.027750
Punto 2 - Simulación Concepto de Distribucción Muestral (Caso proporciones)
- Genere una población con una cantidad dada de 0 y 1.
n = 100
m = 900
poblacion = c(rep(1, n), rep(0, m))
poblacion
## [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [38] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [75] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0
## [112] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [149] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [186] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [223] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [260] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [297] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [334] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [371] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [408] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [445] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [482] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [519] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [556] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [593] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [630] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [667] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [704] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [741] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [778] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [815] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [852] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [889] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [926] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [963] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [1000] 0
- Crear una función que obtenga una muestra de esa población de a. y calcule el porcentaje de 1.
calcula_cant_unos = function(n_Muestra)
{
muestra = sample(poblacion, n_Muestra)
return(sum(muestra)/n_Muestra)
}
tam_muestra = 200
calcula_cant_unos(tam_muestra)
## [1] 0.12
- Repita este proceso una cantidad (mas de 1000 veces) y guarde los porcentajes de cada iteración.
porcentajes_muestra = sapply(rep(200,1000),calcula_cant_unos)
porcentajes_muestra
## [1] 0.075 0.115 0.085 0.090 0.110 0.095 0.115 0.100 0.095 0.110 0.080 0.100
## [13] 0.075 0.085 0.105 0.120 0.090 0.120 0.085 0.085 0.085 0.125 0.085 0.085
## [25] 0.085 0.105 0.080 0.085 0.080 0.085 0.085 0.100 0.095 0.140 0.090 0.090
## [37] 0.105 0.085 0.075 0.105 0.070 0.085 0.125 0.065 0.090 0.120 0.065 0.085
## [49] 0.085 0.095 0.105 0.080 0.105 0.095 0.060 0.090 0.080 0.115 0.090 0.080
## [61] 0.080 0.080 0.090 0.085 0.105 0.090 0.125 0.110 0.085 0.130 0.135 0.120
## [73] 0.100 0.110 0.050 0.125 0.090 0.110 0.090 0.105 0.105 0.080 0.175 0.140
## [85] 0.085 0.090 0.110 0.105 0.105 0.075 0.110 0.130 0.085 0.070 0.115 0.070
## [97] 0.115 0.070 0.080 0.115 0.105 0.100 0.095 0.075 0.110 0.085 0.100 0.100
## [109] 0.105 0.090 0.105 0.090 0.085 0.115 0.120 0.105 0.090 0.095 0.095 0.075
## [121] 0.100 0.095 0.080 0.105 0.075 0.100 0.070 0.100 0.120 0.110 0.115 0.105
## [133] 0.090 0.110 0.140 0.110 0.115 0.135 0.095 0.080 0.075 0.105 0.085 0.105
## [145] 0.100 0.110 0.055 0.100 0.095 0.105 0.095 0.105 0.115 0.115 0.105 0.095
## [157] 0.105 0.060 0.065 0.055 0.110 0.095 0.095 0.125 0.085 0.075 0.085 0.070
## [169] 0.095 0.100 0.135 0.095 0.135 0.115 0.115 0.110 0.105 0.085 0.110 0.100
## [181] 0.085 0.115 0.155 0.110 0.100 0.100 0.100 0.105 0.115 0.085 0.080 0.125
## [193] 0.070 0.090 0.130 0.115 0.120 0.100 0.095 0.080 0.100 0.105 0.090 0.090
## [205] 0.110 0.070 0.130 0.110 0.130 0.110 0.105 0.110 0.120 0.090 0.095 0.100
## [217] 0.115 0.115 0.085 0.070 0.090 0.080 0.115 0.100 0.125 0.080 0.135 0.100
## [229] 0.120 0.100 0.100 0.095 0.080 0.145 0.145 0.090 0.060 0.105 0.090 0.090
## [241] 0.085 0.100 0.130 0.075 0.115 0.110 0.150 0.085 0.080 0.125 0.100 0.105
## [253] 0.115 0.120 0.105 0.105 0.105 0.075 0.105 0.075 0.095 0.105 0.145 0.100
## [265] 0.080 0.115 0.090 0.075 0.095 0.145 0.085 0.070 0.090 0.110 0.085 0.120
## [277] 0.125 0.105 0.140 0.095 0.065 0.125 0.110 0.100 0.095 0.095 0.105 0.095
## [289] 0.140 0.090 0.075 0.110 0.080 0.100 0.090 0.115 0.065 0.100 0.075 0.110
## [301] 0.110 0.090 0.105 0.100 0.060 0.080 0.085 0.095 0.125 0.115 0.090 0.110
## [313] 0.085 0.100 0.095 0.105 0.090 0.110 0.075 0.110 0.100 0.115 0.120 0.100
## [325] 0.110 0.065 0.105 0.130 0.090 0.125 0.100 0.095 0.095 0.115 0.115 0.120
## [337] 0.120 0.100 0.085 0.110 0.125 0.095 0.070 0.130 0.130 0.100 0.065 0.080
## [349] 0.090 0.110 0.085 0.100 0.080 0.115 0.100 0.095 0.060 0.100 0.130 0.045
## [361] 0.090 0.065 0.105 0.075 0.090 0.070 0.130 0.090 0.105 0.095 0.090 0.080
## [373] 0.080 0.110 0.070 0.100 0.095 0.120 0.070 0.110 0.105 0.085 0.115 0.100
## [385] 0.105 0.150 0.120 0.100 0.095 0.115 0.100 0.090 0.080 0.100 0.070 0.110
## [397] 0.105 0.090 0.120 0.095 0.105 0.095 0.110 0.110 0.120 0.085 0.105 0.090
## [409] 0.120 0.095 0.125 0.100 0.125 0.070 0.095 0.105 0.080 0.100 0.120 0.095
## [421] 0.125 0.075 0.110 0.105 0.110 0.090 0.115 0.115 0.105 0.135 0.100 0.110
## [433] 0.125 0.080 0.075 0.085 0.085 0.090 0.115 0.125 0.100 0.090 0.110 0.120
## [445] 0.070 0.085 0.100 0.100 0.105 0.085 0.130 0.120 0.100 0.060 0.110 0.085
## [457] 0.115 0.110 0.105 0.115 0.105 0.115 0.080 0.095 0.085 0.085 0.105 0.140
## [469] 0.075 0.110 0.090 0.070 0.105 0.110 0.125 0.110 0.095 0.115 0.085 0.085
## [481] 0.125 0.090 0.100 0.070 0.130 0.075 0.105 0.120 0.115 0.100 0.080 0.100
## [493] 0.070 0.110 0.135 0.085 0.080 0.085 0.065 0.105 0.100 0.070 0.105 0.115
## [505] 0.080 0.115 0.090 0.105 0.065 0.135 0.110 0.110 0.090 0.145 0.095 0.110
## [517] 0.105 0.075 0.090 0.100 0.110 0.105 0.070 0.085 0.115 0.080 0.120 0.115
## [529] 0.100 0.095 0.070 0.130 0.090 0.070 0.115 0.080 0.090 0.065 0.125 0.095
## [541] 0.110 0.130 0.075 0.100 0.095 0.095 0.050 0.130 0.130 0.095 0.080 0.085
## [553] 0.100 0.090 0.075 0.095 0.100 0.090 0.115 0.105 0.115 0.050 0.060 0.120
## [565] 0.100 0.090 0.105 0.120 0.090 0.140 0.080 0.140 0.095 0.085 0.100 0.100
## [577] 0.110 0.090 0.140 0.105 0.120 0.090 0.125 0.115 0.090 0.100 0.110 0.115
## [589] 0.120 0.100 0.130 0.110 0.130 0.105 0.090 0.075 0.115 0.090 0.125 0.095
## [601] 0.120 0.115 0.125 0.085 0.135 0.070 0.100 0.090 0.105 0.065 0.100 0.120
## [613] 0.110 0.060 0.085 0.115 0.075 0.110 0.100 0.115 0.105 0.085 0.075 0.080
## [625] 0.115 0.110 0.140 0.100 0.125 0.115 0.105 0.140 0.105 0.110 0.100 0.100
## [637] 0.130 0.090 0.090 0.095 0.125 0.110 0.095 0.065 0.075 0.100 0.110 0.100
## [649] 0.110 0.090 0.120 0.095 0.115 0.090 0.110 0.080 0.075 0.085 0.120 0.110
## [661] 0.080 0.095 0.110 0.130 0.100 0.095 0.080 0.125 0.100 0.100 0.100 0.065
## [673] 0.080 0.075 0.120 0.095 0.115 0.105 0.120 0.095 0.095 0.125 0.100 0.110
## [685] 0.100 0.080 0.105 0.095 0.100 0.105 0.115 0.075 0.095 0.105 0.115 0.100
## [697] 0.085 0.105 0.105 0.090 0.095 0.090 0.115 0.070 0.070 0.125 0.075 0.095
## [709] 0.045 0.105 0.090 0.100 0.065 0.110 0.095 0.080 0.110 0.085 0.080 0.120
## [721] 0.105 0.095 0.095 0.105 0.100 0.115 0.100 0.120 0.090 0.135 0.105 0.120
## [733] 0.100 0.090 0.100 0.115 0.130 0.100 0.110 0.105 0.090 0.085 0.080 0.120
## [745] 0.085 0.095 0.120 0.125 0.120 0.140 0.065 0.085 0.090 0.100 0.075 0.090
## [757] 0.100 0.110 0.100 0.100 0.110 0.090 0.070 0.110 0.105 0.090 0.095 0.115
## [769] 0.095 0.090 0.090 0.120 0.090 0.130 0.120 0.120 0.080 0.115 0.115 0.060
## [781] 0.105 0.130 0.075 0.115 0.135 0.115 0.090 0.140 0.090 0.125 0.115 0.095
## [793] 0.130 0.100 0.070 0.120 0.130 0.075 0.085 0.070 0.130 0.065 0.110 0.120
## [805] 0.090 0.140 0.080 0.070 0.105 0.090 0.085 0.120 0.115 0.070 0.105 0.100
## [817] 0.085 0.080 0.130 0.060 0.110 0.130 0.100 0.135 0.050 0.100 0.085 0.100
## [829] 0.110 0.075 0.135 0.080 0.100 0.115 0.115 0.080 0.105 0.095 0.120 0.135
## [841] 0.115 0.120 0.075 0.080 0.100 0.115 0.090 0.080 0.125 0.115 0.130 0.070
## [853] 0.115 0.080 0.120 0.115 0.120 0.100 0.115 0.105 0.085 0.105 0.080 0.090
## [865] 0.070 0.050 0.100 0.070 0.080 0.065 0.100 0.105 0.095 0.120 0.090 0.105
## [877] 0.080 0.120 0.100 0.070 0.120 0.090 0.110 0.105 0.090 0.125 0.100 0.085
## [889] 0.085 0.085 0.070 0.075 0.095 0.105 0.070 0.075 0.095 0.075 0.115 0.090
## [901] 0.120 0.115 0.140 0.120 0.055 0.080 0.075 0.105 0.125 0.075 0.070 0.110
## [913] 0.135 0.105 0.110 0.135 0.120 0.055 0.095 0.070 0.105 0.145 0.070 0.120
## [925] 0.080 0.160 0.095 0.125 0.085 0.065 0.085 0.085 0.085 0.120 0.055 0.065
## [937] 0.105 0.085 0.100 0.120 0.150 0.150 0.080 0.105 0.100 0.105 0.080 0.110
## [949] 0.100 0.115 0.105 0.090 0.065 0.115 0.140 0.110 0.095 0.075 0.105 0.090
## [961] 0.090 0.105 0.080 0.080 0.060 0.105 0.085 0.120 0.095 0.115 0.060 0.085
## [973] 0.085 0.115 0.120 0.075 0.085 0.085 0.100 0.110 0.095 0.070 0.130 0.095
## [985] 0.115 0.085 0.130 0.125 0.085 0.095 0.110 0.075 0.080 0.090 0.100 0.100
## [997] 0.095 0.090 0.105 0.070
- Grafique los resultados de estos porcentajes y calcule algunos indicadores descriptivos (compare los resultados con la población generada inicial).
summary(porcentajes_muestra)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.04500 0.08500 0.10000 0.09947 0.11500 0.17500
hist(porcentajes_muestra)
abline(v=0.1,col="red", lwd=4)
CONCLUSIÓN
Hacia infinito la media de todas las muestras convergen a la media de la población, esto es una simulación de la Ley de los números grandes
Punto 3 - Función que Calcula Descriptivos Univariados
- Genere una función que calcule indicadores y graficos descriptivos de una variable cuantitativa.
Edad=sample(18:60,1000,replace = TRUE)
Calificacion=sample(1:5,1000,replace = TRUE)
datos_simulados1 =data.frame(
"Edad" = Edad,
"Calificacion"= Calificacion
)
Graficar = function(datos, columna){
hist(datos[[columna]],xlab = columna, ylab="Cantidad", col="darkmagenta", main=c("Histograma de la columna ",columna))
r = data.frame(
Medida = c("Promedio", "Mediana", "Máximo", "Mínimo"),
Variable= c(mean(datos[[columna]]), median(datos[[columna]]), max(datos[[columna]]), min(datos[[columna]]))
)
return(r)
}
Graficar(datos_simulados1, "Edad")
| Promedio |
38.535 |
| Mediana |
39.000 |
| Máximo |
60.000 |
| Mínimo |
18.000 |
- Genere una función que calcule indicadores y graficos descriptivos de una variable cualitativa.
rel = c("Cristiano","Catolico", "Musulman", "Ateo")
Religion=sample(rel,1000,replace = TRUE)
datos_simulados2 =data.frame(
"Religion" = Religion
)
GraficarCategorias = function(datos, columna){
barplot(table(datos[[columna]]),xlab = columna, ylab="Cantidad", col="green", main=c("Gráfico de Barras de la columna ",columna))
tabla = data.frame(prop.table(table(datos[[columna]])))
t = data.frame(table(datos[[columna]]))
t$Porcentaje =tabla$Freq
colnames(t) = c("Varibale", "Cantidad", "Porcentaje")
return(t)
}
GraficarCategorias(datos_simulados2, "Religion")
| Ateo |
242 |
0.242 |
| Catolico |
228 |
0.228 |
| Cristiano |
262 |
0.262 |
| Musulman |
268 |
0.268 |
- Genere una función que de acuerdo al tipo de variable use la función de a. ó b. para generar resultados descriptivos.
Evalua_Base_Datos = function(ruta_archivo){
library(readxl)
dataSet = read_excel(ruta_archivo)
tipoDatos = sapply(dataSet, class)
for(c in 1:ncol(dataSet)) {
print(tipoDatos[c])
print(c)
colnames(dataSet)[c]
if(tipoDatos[c] == "numeric")
print(Graficar(dataSet, colnames(dataSet)[c]))
else
print(GraficarCategorias(dataSet, colnames(dataSet)[c]))
}
return(1)
}
Evalua_Tabla = function(dataSet){
tipoDatos = sapply(dataSet, class)
for(c in 1:ncol(dataSet)) {
print(tipoDatos[c])
print(c)
colnames(dataSet)[c]
if(tipoDatos[c] == "numeric")
print(Graficar(dataSet, colnames(dataSet)[c]))
else
print(GraficarCategorias(dataSet, colnames(dataSet)[c]))
}
return(1)
}
Evalua_Tabla(datos_simulados1)
## Edad
## "integer"
## [1] 1
## Varibale Cantidad Porcentaje
## 1 18 40 0.040
## 2 19 30 0.030
## 3 20 23 0.023
## 4 21 22 0.022
## 5 22 26 0.026
## 6 23 23 0.023
## 7 24 19 0.019
## 8 25 23 0.023
## 9 26 24 0.024
## 10 27 31 0.031
## 11 28 16 0.016
## 12 29 23 0.023
## 13 30 19 0.019
## 14 31 26 0.026
## 15 32 20 0.020
## 16 33 23 0.023
## 17 34 17 0.017
## 18 35 22 0.022
## 19 36 21 0.021
## 20 37 23 0.023
## 21 38 25 0.025
## 22 39 15 0.015
## 23 40 33 0.033
## 24 41 18 0.018
## 25 42 27 0.027
## 26 43 23 0.023
## 27 44 24 0.024
## 28 45 18 0.018
## 29 46 25 0.025
## 30 47 25 0.025
## 31 48 23 0.023
## 32 49 26 0.026
## 33 50 24 0.024
## 34 51 23 0.023
## 35 52 23 0.023
## 36 53 17 0.017
## 37 54 21 0.021
## 38 55 32 0.032
## 39 56 18 0.018
## 40 57 18 0.018
## 41 58 19 0.019
## 42 59 20 0.020
## 43 60 32 0.032
## Calificacion
## "integer"
## [1] 2
## Varibale Cantidad Porcentaje
## 1 1 198 0.198
## 2 2 206 0.206
## 3 3 203 0.203
## 4 4 191 0.191
## 5 5 202 0.202
## [1] 1
Evalua_Tabla(datos_simulados2)
## Religion
## "character"
## [1] 1
## Varibale Cantidad Porcentaje
## 1 Ateo 242 0.242
## 2 Catolico 228 0.228
## 3 Cristiano 262 0.262
## 4 Musulman 268 0.268
## [1] 1
Evalua_Base_Datos("D:/Dropbox/Maestria Ciencias de Datos/Metodos de Simulacion Estadistica/Actividad 2/Datos_Rotacion copy.xlsx")
## Rotación
## "character"
## [1] 1
## Varibale Cantidad Porcentaje
## 1 No 1233 0.8387755
## 2 Si 237 0.1612245
## Edad
## "numeric"
## [1] 2
## Medida Variable
## 1 Promedio 36.92381
## 2 Mediana 36.00000
## 3 Máximo 60.00000
## 4 Mínimo 18.00000
## Viaje de Negocios
## "character"
## [1] 3
## Varibale Cantidad Porcentaje
## 1 Frecuentemente 277 0.1884354
## 2 No_Viaja 150 0.1020408
## 3 Raramente 1043 0.7095238
## Departamento
## "character"
## [1] 4
## Varibale Cantidad Porcentaje
## 1 IyD 961 0.65374150
## 2 RH 63 0.04285714
## 3 Ventas 446 0.30340136
## Distancia_Casa
## "numeric"
## [1] 5
## Medida Variable
## 1 Promedio 9.192517
## 2 Mediana 7.000000
## 3 Máximo 29.000000
## 4 Mínimo 1.000000
## Educación
## "numeric"
## [1] 6
## Medida Variable
## 1 Promedio 2.912925
## 2 Mediana 3.000000
## 3 Máximo 5.000000
## 4 Mínimo 1.000000
## Campo_Educación
## "character"
## [1] 7
## Varibale Cantidad Porcentaje
## 1 Ciencias 606 0.41224490
## 2 Humanidades 27 0.01836735
## 3 Mercadeo 159 0.10816327
## 4 Otra 82 0.05578231
## 5 Salud 464 0.31564626
## 6 Tecnicos 132 0.08979592
## Satisfacción_Ambiental
## "numeric"
## [1] 8
## Medida Variable
## 1 Promedio 2.721769
## 2 Mediana 3.000000
## 3 Máximo 4.000000
## 4 Mínimo 1.000000
## Genero
## "character"
## [1] 9
## Varibale Cantidad Porcentaje
## 1 F 588 0.4
## 2 M 882 0.6
## Cargo
## "character"
## [1] 10
## Varibale Cantidad Porcentaje
## 1 Director_Investigación 80 0.05442177
## 2 Director_Manofactura 145 0.09863946
## 3 Ejecutivo_Ventas 326 0.22176871
## 4 Gerente 102 0.06938776
## 5 Investigador_Cientifico 292 0.19863946
## 6 Recursos_Humanos 52 0.03537415
## 7 Representante_Salud 131 0.08911565
## 8 Representante_Ventas 83 0.05646259
## 9 Tecnico_Laboratorio 259 0.17619048
## Satisfación_Laboral
## "numeric"
## [1] 11
## Medida Variable
## 1 Promedio 2.728571
## 2 Mediana 3.000000
## 3 Máximo 4.000000
## 4 Mínimo 1.000000
## Estado_Civil
## "character"
## [1] 12
## Varibale Cantidad Porcentaje
## 1 Casado 673 0.4578231
## 2 Divorciado 327 0.2224490
## 3 Soltero 470 0.3197279
## Ingreso_Mensual
## "numeric"
## [1] 13
## Medida Variable
## 1 Promedio 6502.931
## 2 Mediana 4919.000
## 3 Máximo 19999.000
## 4 Mínimo 1009.000
## Trabajos_Anteriores
## "numeric"
## [1] 14
## Medida Variable
## 1 Promedio 2.693197
## 2 Mediana 2.000000
## 3 Máximo 9.000000
## 4 Mínimo 0.000000
## Horas_Extra
## "character"
## [1] 15
## Varibale Cantidad Porcentaje
## 1 No 1054 0.7170068
## 2 Si 416 0.2829932
## Porcentaje_aumento_salarial
## "numeric"
## [1] 16
## Medida Variable
## 1 Promedio 15.20952
## 2 Mediana 14.00000
## 3 Máximo 25.00000
## 4 Mínimo 11.00000
## Rendimiento_Laboral
## "numeric"
## [1] 17
## Medida Variable
## 1 Promedio 3.153741
## 2 Mediana 3.000000
## 3 Máximo 4.000000
## 4 Mínimo 3.000000
## Años_Experiencia
## "numeric"
## [1] 18
## Medida Variable
## 1 Promedio 11.27959
## 2 Mediana 10.00000
## 3 Máximo 40.00000
## 4 Mínimo 0.00000
## Capacitaciones
## "numeric"
## [1] 19
## Medida Variable
## 1 Promedio 2.79932
## 2 Mediana 3.00000
## 3 Máximo 6.00000
## 4 Mínimo 0.00000
## Equilibrio_Trabajo_Vida
## "numeric"
## [1] 20
## Medida Variable
## 1 Promedio 2.761224
## 2 Mediana 3.000000
## 3 Máximo 4.000000
## 4 Mínimo 1.000000
## Antigüedad
## "numeric"
## [1] 21
## Medida Variable
## 1 Promedio 7.008163
## 2 Mediana 5.000000
## 3 Máximo 40.000000
## 4 Mínimo 0.000000
## Antigüedad_Cargo
## "numeric"
## [1] 22
## Medida Variable
## 1 Promedio 4.229252
## 2 Mediana 3.000000
## 3 Máximo 18.000000
## 4 Mínimo 0.000000
## Años_ultima_promoción
## "numeric"
## [1] 23
## Medida Variable
## 1 Promedio 2.187755
## 2 Mediana 1.000000
## 3 Máximo 15.000000
## 4 Mínimo 0.000000
## Años_acargo_con_mismo_jefe
## "numeric"
## [1] 24
## Medida Variable
## 1 Promedio 4.123129
## 2 Mediana 3.000000
## 3 Máximo 17.000000
## 4 Mínimo 0.000000
## [1] 1