Probabilidad e Inferencia Estadística

Actividad 03

1. Simulación resultado de la suma del lanzamiento de dos dados

a. Crear una función sin entradas pero que simule el lanzamiento de dos dados legales y sume el resultado de ellos.

sim_lanza=function(){
  dado1=1:6
  dado2=1:6
  x=sample(dado1,1)+sample(dado2,1)
  return(x)
}
sim_lanza()
## [1] 2

b. Generalizar la función para que tenga como entrada el total de lanzamientos y cuente los resultados de una condición en particular (ejemplo igual a 12).

Opción 1

simula_multi_lanza=function(nlanza,valor_condi){
  
lanzamientos=array(NA,nlanza)
for(i in 1:nlanza){
  lanzamientos[i]=sim_lanza()
}

return(sum(lanzamientos==valor_condi))

}

simula_multi_lanza(nlanza = 500,valor_condi = 7)
## [1] 98

Opción 2

sim_multi_lanza2=function(n_lanza,valor_condi){
  dado1=1:6
  dado2=1:6
  x=sample(dado1,size = n_lanza,replace = TRUE)+sample(dado2,size = n_lanza,replace = TRUE)
  return(sum(x==valor_condi))
}

sim_multi_lanza2(n_lanza = 500,valor_condi = 7)
## [1] 80

c. Con la función de b, compare los resultados de la simulacion para 10.000 lanzamientos con los resultados esperados de acuerdo a la probabilidad calculada con el total de combinaciones.

Probabilidad Teórica (combinaciones)

dado1=1:6
dado2=1:6
espacio=expand.grid(dado1,dado2)
y=apply(espacio,1,sum)
data.frame(espacio,y)
prob_teorica=table(y)/36
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
plot(2:12,prob_teorica,type = "b")

Via Simulación cual es el valor aproximado de la probabilidad

sim_multi_lanza2(n_lanza = 1000000,valor_condi = 2)/1000000
## [1] 0.027824
sim_multi_lanza2(n_lanza = 1000000,valor_condi = 7)/1000000
## [1] 0.166812

2. Simulación concepto de distribución muestral (caso porporciones).

a. Genere una población con una cantidad dada de 0 y 1.

#sim_multi_lanza2(n_lanza = 1000000,valor_condi = 2)/1000000
sim_multi_lanza2(n_lanza = 1000000,valor_condi = 7)/1000000
## [1] 0.166501
pob=c(rep(x = 1,100),rep(x = 0,900))

b. Crear una función que obtenga una muestra de esa poblacion de a, y calcule el porcentaje de 1.

sum(sample(pob,size = 200))/200
## [1] 0.09

c. Repita este proceso una cantidad (más de 100 veces) y guarde los porcentajes de cada iteración.

Opción 1

porcentajes_muestra=array(NA,1000)
for(i in 1:1000){
pob=c(rep(x = 1,100),rep(x = 0,900))
porcentajes_muestra[i]=sum(sample(pob,size = 200))/200
}

porcentajes_muestra
##    [1] 0.095 0.115 0.130 0.090 0.115 0.110 0.075 0.120 0.080 0.115 0.085 0.065
##   [13] 0.085 0.080 0.115 0.110 0.105 0.090 0.090 0.155 0.095 0.090 0.095 0.120
##   [25] 0.130 0.125 0.105 0.130 0.145 0.100 0.070 0.120 0.140 0.095 0.115 0.100
##   [37] 0.105 0.080 0.120 0.095 0.120 0.070 0.120 0.090 0.095 0.085 0.090 0.095
##   [49] 0.085 0.110 0.060 0.060 0.105 0.050 0.120 0.105 0.065 0.095 0.105 0.095
##   [61] 0.120 0.090 0.105 0.120 0.100 0.110 0.140 0.100 0.105 0.080 0.095 0.105
##   [73] 0.060 0.095 0.075 0.080 0.135 0.090 0.070 0.090 0.110 0.115 0.125 0.090
##   [85] 0.125 0.090 0.140 0.095 0.100 0.130 0.100 0.130 0.125 0.105 0.160 0.075
##   [97] 0.130 0.070 0.080 0.080 0.080 0.115 0.105 0.080 0.125 0.105 0.115 0.095
##  [109] 0.095 0.110 0.090 0.130 0.120 0.105 0.090 0.090 0.090 0.120 0.080 0.075
##  [121] 0.095 0.075 0.110 0.100 0.100 0.075 0.095 0.105 0.090 0.080 0.100 0.105
##  [133] 0.115 0.080 0.090 0.100 0.095 0.100 0.130 0.110 0.105 0.110 0.085 0.155
##  [145] 0.100 0.110 0.110 0.090 0.100 0.090 0.125 0.060 0.125 0.075 0.110 0.090
##  [157] 0.090 0.070 0.080 0.075 0.105 0.105 0.095 0.115 0.075 0.105 0.095 0.110
##  [169] 0.060 0.115 0.100 0.085 0.075 0.080 0.095 0.110 0.115 0.085 0.105 0.080
##  [181] 0.150 0.090 0.075 0.115 0.100 0.085 0.080 0.095 0.070 0.100 0.105 0.075
##  [193] 0.100 0.125 0.115 0.095 0.075 0.075 0.110 0.125 0.100 0.110 0.085 0.095
##  [205] 0.070 0.110 0.100 0.090 0.090 0.065 0.075 0.095 0.095 0.120 0.080 0.130
##  [217] 0.120 0.100 0.090 0.135 0.095 0.095 0.090 0.080 0.110 0.080 0.085 0.085
##  [229] 0.140 0.105 0.050 0.130 0.080 0.105 0.065 0.125 0.100 0.140 0.095 0.110
##  [241] 0.075 0.075 0.080 0.100 0.110 0.100 0.100 0.100 0.100 0.075 0.080 0.085
##  [253] 0.105 0.150 0.090 0.080 0.110 0.085 0.100 0.115 0.075 0.085 0.085 0.095
##  [265] 0.070 0.070 0.095 0.095 0.095 0.100 0.065 0.085 0.095 0.110 0.100 0.080
##  [277] 0.140 0.070 0.110 0.110 0.070 0.110 0.075 0.125 0.085 0.090 0.095 0.085
##  [289] 0.095 0.125 0.110 0.075 0.115 0.105 0.125 0.095 0.090 0.105 0.145 0.110
##  [301] 0.075 0.070 0.090 0.125 0.105 0.130 0.105 0.075 0.085 0.105 0.115 0.095
##  [313] 0.110 0.105 0.045 0.115 0.065 0.075 0.090 0.085 0.105 0.110 0.105 0.105
##  [325] 0.085 0.125 0.075 0.095 0.085 0.110 0.075 0.110 0.080 0.100 0.075 0.105
##  [337] 0.105 0.115 0.085 0.070 0.090 0.085 0.120 0.125 0.105 0.150 0.100 0.115
##  [349] 0.080 0.080 0.115 0.115 0.090 0.110 0.095 0.100 0.100 0.095 0.090 0.135
##  [361] 0.060 0.130 0.095 0.095 0.090 0.095 0.105 0.110 0.085 0.085 0.105 0.075
##  [373] 0.130 0.065 0.105 0.100 0.100 0.115 0.095 0.110 0.095 0.105 0.100 0.115
##  [385] 0.110 0.085 0.100 0.065 0.125 0.095 0.095 0.080 0.105 0.140 0.105 0.085
##  [397] 0.070 0.070 0.115 0.090 0.120 0.095 0.090 0.095 0.110 0.085 0.100 0.115
##  [409] 0.080 0.125 0.110 0.095 0.075 0.150 0.090 0.120 0.105 0.100 0.085 0.115
##  [421] 0.130 0.120 0.090 0.130 0.070 0.105 0.090 0.075 0.075 0.100 0.115 0.080
##  [433] 0.110 0.110 0.085 0.110 0.105 0.070 0.095 0.105 0.080 0.055 0.120 0.115
##  [445] 0.115 0.105 0.120 0.100 0.105 0.085 0.100 0.120 0.065 0.075 0.100 0.115
##  [457] 0.090 0.105 0.115 0.125 0.070 0.095 0.115 0.120 0.105 0.080 0.065 0.105
##  [469] 0.100 0.065 0.095 0.135 0.100 0.120 0.125 0.105 0.105 0.105 0.125 0.110
##  [481] 0.105 0.075 0.135 0.110 0.120 0.080 0.100 0.105 0.065 0.100 0.125 0.080
##  [493] 0.105 0.085 0.110 0.115 0.060 0.090 0.095 0.065 0.100 0.095 0.100 0.115
##  [505] 0.130 0.095 0.130 0.085 0.120 0.105 0.050 0.100 0.100 0.115 0.090 0.110
##  [517] 0.140 0.100 0.100 0.095 0.105 0.100 0.120 0.085 0.150 0.065 0.090 0.095
##  [529] 0.070 0.075 0.090 0.110 0.105 0.075 0.085 0.125 0.105 0.070 0.135 0.100
##  [541] 0.100 0.080 0.070 0.135 0.125 0.090 0.105 0.115 0.075 0.120 0.100 0.090
##  [553] 0.070 0.080 0.110 0.115 0.105 0.105 0.125 0.100 0.090 0.115 0.100 0.100
##  [565] 0.085 0.120 0.110 0.100 0.125 0.050 0.090 0.095 0.090 0.090 0.065 0.110
##  [577] 0.090 0.110 0.095 0.085 0.105 0.110 0.070 0.090 0.085 0.115 0.095 0.075
##  [589] 0.120 0.085 0.100 0.125 0.080 0.085 0.110 0.095 0.105 0.085 0.115 0.155
##  [601] 0.120 0.105 0.085 0.085 0.100 0.060 0.110 0.095 0.095 0.085 0.085 0.115
##  [613] 0.145 0.085 0.105 0.115 0.080 0.105 0.100 0.090 0.080 0.135 0.085 0.090
##  [625] 0.115 0.150 0.110 0.075 0.065 0.100 0.085 0.105 0.090 0.150 0.115 0.080
##  [637] 0.095 0.115 0.120 0.100 0.090 0.115 0.125 0.110 0.105 0.075 0.125 0.095
##  [649] 0.110 0.115 0.090 0.120 0.075 0.075 0.105 0.090 0.100 0.115 0.115 0.110
##  [661] 0.085 0.115 0.095 0.075 0.095 0.100 0.075 0.085 0.110 0.085 0.075 0.105
##  [673] 0.075 0.090 0.065 0.120 0.110 0.085 0.120 0.085 0.120 0.065 0.075 0.120
##  [685] 0.100 0.090 0.100 0.115 0.115 0.105 0.115 0.115 0.100 0.130 0.110 0.090
##  [697] 0.120 0.110 0.105 0.100 0.120 0.085 0.070 0.100 0.100 0.135 0.110 0.080
##  [709] 0.100 0.095 0.105 0.125 0.090 0.095 0.115 0.075 0.095 0.100 0.115 0.075
##  [721] 0.060 0.105 0.090 0.065 0.055 0.130 0.125 0.125 0.080 0.100 0.080 0.080
##  [733] 0.100 0.125 0.115 0.085 0.120 0.080 0.105 0.090 0.090 0.095 0.110 0.085
##  [745] 0.085 0.105 0.095 0.115 0.125 0.075 0.080 0.110 0.100 0.100 0.085 0.090
##  [757] 0.105 0.105 0.145 0.125 0.075 0.090 0.090 0.115 0.125 0.085 0.125 0.075
##  [769] 0.085 0.065 0.085 0.105 0.080 0.100 0.110 0.085 0.090 0.110 0.115 0.110
##  [781] 0.100 0.105 0.105 0.105 0.110 0.090 0.125 0.080 0.130 0.105 0.090 0.105
##  [793] 0.115 0.095 0.100 0.105 0.100 0.105 0.120 0.105 0.120 0.110 0.100 0.110
##  [805] 0.105 0.115 0.090 0.045 0.135 0.110 0.125 0.105 0.060 0.065 0.085 0.100
##  [817] 0.100 0.090 0.100 0.100 0.130 0.085 0.095 0.095 0.095 0.105 0.160 0.100
##  [829] 0.130 0.090 0.080 0.115 0.110 0.070 0.085 0.075 0.065 0.090 0.110 0.105
##  [841] 0.070 0.125 0.100 0.080 0.125 0.115 0.130 0.110 0.095 0.130 0.120 0.110
##  [853] 0.120 0.100 0.105 0.105 0.085 0.100 0.120 0.080 0.085 0.095 0.070 0.110
##  [865] 0.100 0.100 0.095 0.110 0.085 0.100 0.095 0.120 0.105 0.100 0.110 0.125
##  [877] 0.115 0.080 0.110 0.095 0.085 0.085 0.105 0.120 0.100 0.075 0.105 0.115
##  [889] 0.110 0.090 0.095 0.125 0.095 0.095 0.095 0.070 0.125 0.110 0.065 0.100
##  [901] 0.090 0.100 0.105 0.140 0.080 0.085 0.105 0.085 0.090 0.090 0.100 0.115
##  [913] 0.070 0.130 0.110 0.090 0.105 0.090 0.125 0.080 0.095 0.095 0.100 0.110
##  [925] 0.130 0.115 0.110 0.100 0.100 0.075 0.105 0.110 0.115 0.080 0.105 0.115
##  [937] 0.115 0.090 0.130 0.095 0.090 0.095 0.080 0.115 0.130 0.105 0.100 0.120
##  [949] 0.115 0.055 0.105 0.105 0.125 0.085 0.095 0.120 0.125 0.100 0.060 0.080
##  [961] 0.105 0.055 0.120 0.065 0.090 0.110 0.120 0.085 0.135 0.100 0.090 0.085
##  [973] 0.110 0.075 0.055 0.090 0.075 0.150 0.110 0.095 0.095 0.090 0.090 0.095
##  [985] 0.080 0.095 0.080 0.125 0.130 0.105 0.075 0.065 0.125 0.130 0.055 0.085
##  [997] 0.115 0.085 0.100 0.080

opción 2 con una Función

calc_por_uno=function(n_muestra){
pob=c(rep(x = 1,100),rep(x = 0,900))
return(sum(sample(pob,size = n_muestra))/n_muestra)
}

calc_por_uno(n_muestra = 200)
## [1] 0.115
sapply(rep(200,1000), calc_por_uno)
##    [1] 0.075 0.110 0.080 0.085 0.075 0.105 0.080 0.100 0.140 0.095 0.060 0.080
##   [13] 0.120 0.100 0.115 0.100 0.150 0.115 0.100 0.120 0.105 0.105 0.075 0.090
##   [25] 0.130 0.090 0.095 0.120 0.130 0.100 0.120 0.105 0.075 0.100 0.135 0.090
##   [37] 0.075 0.085 0.075 0.090 0.085 0.075 0.115 0.070 0.090 0.115 0.085 0.085
##   [49] 0.095 0.140 0.100 0.075 0.085 0.095 0.100 0.115 0.100 0.100 0.110 0.095
##   [61] 0.130 0.110 0.090 0.105 0.110 0.095 0.070 0.100 0.110 0.095 0.050 0.120
##   [73] 0.100 0.110 0.145 0.065 0.075 0.115 0.090 0.125 0.085 0.105 0.105 0.130
##   [85] 0.075 0.105 0.110 0.130 0.120 0.140 0.145 0.110 0.100 0.095 0.100 0.105
##   [97] 0.100 0.130 0.120 0.090 0.100 0.100 0.095 0.145 0.095 0.110 0.080 0.070
##  [109] 0.115 0.120 0.075 0.120 0.085 0.085 0.095 0.095 0.105 0.090 0.075 0.085
##  [121] 0.090 0.090 0.125 0.095 0.120 0.090 0.090 0.105 0.095 0.115 0.110 0.095
##  [133] 0.105 0.070 0.120 0.100 0.115 0.100 0.100 0.115 0.100 0.075 0.080 0.095
##  [145] 0.095 0.110 0.085 0.095 0.065 0.105 0.070 0.115 0.110 0.105 0.140 0.105
##  [157] 0.100 0.095 0.135 0.085 0.135 0.140 0.105 0.095 0.090 0.080 0.105 0.095
##  [169] 0.065 0.080 0.085 0.110 0.120 0.110 0.100 0.060 0.125 0.095 0.115 0.115
##  [181] 0.085 0.100 0.110 0.105 0.095 0.100 0.085 0.115 0.095 0.120 0.115 0.105
##  [193] 0.105 0.065 0.090 0.100 0.090 0.105 0.110 0.095 0.085 0.080 0.120 0.130
##  [205] 0.105 0.095 0.105 0.095 0.100 0.110 0.075 0.085 0.085 0.115 0.120 0.070
##  [217] 0.095 0.100 0.090 0.085 0.110 0.105 0.130 0.075 0.105 0.090 0.105 0.100
##  [229] 0.065 0.100 0.100 0.110 0.100 0.105 0.090 0.070 0.095 0.085 0.110 0.085
##  [241] 0.085 0.070 0.105 0.115 0.080 0.085 0.125 0.085 0.095 0.105 0.120 0.100
##  [253] 0.090 0.120 0.085 0.115 0.085 0.105 0.075 0.145 0.115 0.100 0.085 0.130
##  [265] 0.080 0.135 0.105 0.095 0.105 0.080 0.090 0.095 0.100 0.120 0.100 0.080
##  [277] 0.075 0.090 0.110 0.090 0.085 0.110 0.080 0.130 0.105 0.070 0.070 0.100
##  [289] 0.070 0.100 0.135 0.090 0.105 0.090 0.075 0.080 0.075 0.090 0.115 0.075
##  [301] 0.100 0.120 0.110 0.070 0.090 0.070 0.120 0.100 0.095 0.105 0.105 0.105
##  [313] 0.050 0.090 0.080 0.100 0.120 0.135 0.115 0.110 0.100 0.095 0.130 0.120
##  [325] 0.110 0.100 0.095 0.115 0.110 0.110 0.095 0.115 0.070 0.105 0.130 0.080
##  [337] 0.095 0.095 0.115 0.115 0.085 0.105 0.110 0.095 0.090 0.115 0.095 0.085
##  [349] 0.085 0.120 0.105 0.110 0.105 0.070 0.095 0.110 0.100 0.070 0.080 0.075
##  [361] 0.135 0.100 0.080 0.100 0.065 0.095 0.095 0.090 0.095 0.125 0.125 0.105
##  [373] 0.080 0.140 0.110 0.060 0.100 0.100 0.135 0.090 0.085 0.085 0.060 0.105
##  [385] 0.135 0.095 0.085 0.125 0.095 0.120 0.110 0.110 0.105 0.120 0.120 0.090
##  [397] 0.105 0.075 0.110 0.085 0.105 0.110 0.095 0.105 0.085 0.115 0.150 0.095
##  [409] 0.090 0.115 0.060 0.090 0.130 0.080 0.075 0.125 0.110 0.110 0.095 0.095
##  [421] 0.100 0.080 0.100 0.145 0.110 0.120 0.095 0.130 0.095 0.090 0.095 0.110
##  [433] 0.125 0.090 0.120 0.130 0.095 0.120 0.135 0.095 0.115 0.125 0.115 0.110
##  [445] 0.095 0.110 0.095 0.085 0.110 0.090 0.075 0.115 0.085 0.085 0.110 0.100
##  [457] 0.125 0.125 0.085 0.060 0.095 0.110 0.080 0.120 0.105 0.090 0.085 0.095
##  [469] 0.100 0.100 0.095 0.110 0.070 0.105 0.050 0.090 0.120 0.125 0.075 0.075
##  [481] 0.110 0.110 0.070 0.110 0.115 0.085 0.115 0.125 0.100 0.075 0.120 0.090
##  [493] 0.110 0.090 0.110 0.090 0.125 0.095 0.115 0.095 0.120 0.090 0.095 0.090
##  [505] 0.085 0.090 0.115 0.130 0.105 0.135 0.090 0.085 0.085 0.105 0.055 0.080
##  [517] 0.110 0.075 0.120 0.090 0.060 0.110 0.095 0.100 0.085 0.075 0.095 0.155
##  [529] 0.055 0.110 0.100 0.100 0.105 0.075 0.105 0.105 0.075 0.110 0.095 0.110
##  [541] 0.105 0.105 0.105 0.115 0.135 0.090 0.080 0.095 0.105 0.095 0.085 0.100
##  [553] 0.075 0.095 0.065 0.140 0.130 0.085 0.115 0.095 0.085 0.085 0.095 0.105
##  [565] 0.080 0.095 0.080 0.100 0.115 0.080 0.070 0.080 0.085 0.115 0.065 0.100
##  [577] 0.090 0.080 0.090 0.120 0.090 0.075 0.135 0.085 0.095 0.100 0.070 0.090
##  [589] 0.090 0.075 0.075 0.070 0.110 0.100 0.110 0.085 0.105 0.115 0.095 0.120
##  [601] 0.085 0.090 0.095 0.085 0.095 0.115 0.090 0.080 0.125 0.120 0.115 0.130
##  [613] 0.110 0.095 0.080 0.105 0.090 0.070 0.130 0.085 0.090 0.060 0.060 0.085
##  [625] 0.100 0.085 0.125 0.100 0.090 0.075 0.120 0.110 0.070 0.100 0.100 0.140
##  [637] 0.130 0.120 0.085 0.090 0.100 0.100 0.100 0.105 0.100 0.105 0.105 0.100
##  [649] 0.120 0.115 0.115 0.090 0.145 0.105 0.125 0.090 0.105 0.100 0.060 0.085
##  [661] 0.090 0.120 0.115 0.080 0.100 0.080 0.090 0.090 0.100 0.105 0.140 0.095
##  [673] 0.080 0.125 0.095 0.090 0.090 0.095 0.100 0.080 0.110 0.080 0.085 0.100
##  [685] 0.110 0.095 0.105 0.100 0.095 0.075 0.070 0.100 0.085 0.125 0.065 0.110
##  [697] 0.115 0.095 0.080 0.085 0.070 0.095 0.105 0.090 0.115 0.100 0.120 0.110
##  [709] 0.115 0.100 0.065 0.060 0.075 0.115 0.110 0.080 0.095 0.075 0.070 0.120
##  [721] 0.120 0.110 0.130 0.065 0.090 0.070 0.085 0.120 0.135 0.100 0.145 0.100
##  [733] 0.085 0.070 0.095 0.085 0.105 0.135 0.100 0.075 0.110 0.060 0.130 0.060
##  [745] 0.115 0.110 0.125 0.105 0.085 0.085 0.105 0.075 0.120 0.080 0.100 0.100
##  [757] 0.080 0.100 0.115 0.095 0.100 0.100 0.090 0.090 0.085 0.065 0.095 0.090
##  [769] 0.100 0.080 0.075 0.115 0.120 0.105 0.130 0.110 0.080 0.120 0.115 0.115
##  [781] 0.110 0.060 0.080 0.110 0.140 0.085 0.085 0.105 0.070 0.055 0.115 0.095
##  [793] 0.100 0.110 0.090 0.115 0.085 0.100 0.090 0.130 0.105 0.080 0.110 0.075
##  [805] 0.115 0.115 0.100 0.100 0.095 0.080 0.075 0.100 0.115 0.080 0.070 0.085
##  [817] 0.100 0.145 0.100 0.075 0.070 0.120 0.080 0.075 0.095 0.070 0.125 0.095
##  [829] 0.070 0.075 0.065 0.120 0.055 0.125 0.080 0.095 0.100 0.070 0.085 0.110
##  [841] 0.110 0.095 0.110 0.105 0.105 0.100 0.110 0.105 0.115 0.075 0.090 0.100
##  [853] 0.110 0.120 0.110 0.115 0.090 0.105 0.085 0.090 0.080 0.105 0.130 0.085
##  [865] 0.150 0.105 0.100 0.100 0.130 0.100 0.110 0.090 0.090 0.080 0.120 0.095
##  [877] 0.085 0.115 0.095 0.105 0.095 0.115 0.125 0.115 0.070 0.100 0.115 0.095
##  [889] 0.125 0.080 0.095 0.100 0.090 0.065 0.095 0.100 0.115 0.125 0.130 0.065
##  [901] 0.080 0.135 0.090 0.090 0.105 0.035 0.090 0.095 0.095 0.100 0.060 0.110
##  [913] 0.085 0.105 0.085 0.100 0.100 0.115 0.110 0.100 0.080 0.100 0.075 0.105
##  [925] 0.075 0.090 0.080 0.125 0.090 0.165 0.100 0.125 0.090 0.090 0.095 0.105
##  [937] 0.085 0.100 0.070 0.080 0.090 0.140 0.115 0.110 0.110 0.120 0.115 0.105
##  [949] 0.100 0.100 0.135 0.100 0.065 0.080 0.100 0.105 0.125 0.090 0.110 0.085
##  [961] 0.075 0.095 0.090 0.080 0.095 0.120 0.100 0.140 0.105 0.100 0.080 0.110
##  [973] 0.100 0.095 0.105 0.125 0.100 0.145 0.105 0.100 0.120 0.070 0.100 0.100
##  [985] 0.125 0.110 0.080 0.120 0.115 0.085 0.110 0.135 0.140 0.100 0.080 0.115
##  [997] 0.100 0.060 0.075 0.075

d. 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 0.09933 0.11000 0.16000
hist(porcentajes_muestra)
#abline (v=0.05,col="red",lwd=4, lty = 2)
abline (v = mean (porcentajes_muestra), lwd = 4, lty = 1, col="blue")
abline (v=0.05, lwd = 4, lty = 2, col="orange")

3. Función que calcula descriptivos univariados

names(df)
##  [1] "Rotación"                    "Edad"                       
##  [3] "Viaje de Negocios"           "Departamento"               
##  [5] "Distancia_Casa"              "Educación"                  
##  [7] "Campo_Educación"             "Satisfacción_Ambiental"     
##  [9] "Genero"                      "Cargo"                      
## [11] "Satisfación_Laboral"         "Estado_Civil"               
## [13] "Ingreso_Mensual"             "Trabajos_Anteriores"        
## [15] "Horas_Extra"                 "Porcentaje_aumento_salarial"
## [17] "Rendimiento_Laboral"         "Años_Experiencia"           
## [19] "Capacitaciones"              "Equilibrio_Trabajo_Vida"    
## [21] "Antigüedad"                  "Antigüedad_Cargo"           
## [23] "Años_ultima_promoción"       "Años_acargo_con_mismo_jefe"

a. Genere una función que calcule indicadores y gráficos de una variable cuantitativa.

variable_cuanti <-  data.frame("Años_Experiencia" = cbind(sample(x = c(1:40), size = 1000, replace = TRUE)))

funcion = function(df, col){
  require(ggplot2)
  require(ggpubr)
 
  
  grafica_1 = ggplot(data = df, mapping = aes(x = df[, col])) + geom_histogram(bins = 40) + labs(x = "Años_Experiencia", y = "Frecuencia") 
  grafica_2 = ggplot(data = df, mapping = aes(x = df[, col])) + geom_boxplot() + labs(x = "Años_Experiencia") 
  grafica_3 = ggarrange(grafica_1, grafica_2, ncol = 2, nrow = 1)
  summary = summary(df[, col])
  
  grafica_4 = list("Gráficos" = grafica_3, "Resumen" = summary)
  return(grafica_4)
}


barplot(table(variable_cuanti),xlab="Años_Experiencia",main="Distribución de Años_Experiencia", col="orange")

boxplot(variable_cuanti, main = "Gráfico de cajas - Años_Experiencia",
        outline = TRUE)

summary(variable_cuanti)
##  Años_Experiencia
##  Min.   : 1.00   
##  1st Qu.:10.00   
##  Median :20.00   
##  Mean   :20.32   
##  3rd Qu.:30.25   
##  Max.   :40.00

b. Genere una función que calcule indicadores y gráficos descriptivos de una variable cualitativa.

variable_cualit <-  data.frame("Estado_Civil" = cbind(sample(x = c("Soltero","Casado","divorsiado"), size = 1000, replace = TRUE)))

funcion_2 = function(df, col){
  require(ggplot2)
  require(ggpubr)
 
  
  grafica1 = ggplot(data = df, mapping = aes(x = df[, col])) + geom_histogram(bins = 40) + labs(x = df$Estado_Civil, y = "Frecuencia")
  

  
 }

barplot(table(variable_cualit), col = c("blue","green","orange"),
        main = "Diagrama de barras de Estado_Civil")

pie(table(variable_cualit),col = c("blue","green","orange"),
    main = "Diagrama circular Estado_Civil")