Punto 1: Simulación Resultado de la Suma del Lanzamiento de dos Dados.
Inciso a): Crear una función sin entradas pero que simule el lanzamiento de dos dados legales y sume el resulado de ellos.
Dado1 <- 1:6
Dado2 <- 1:6
A1 = function(){
Resultado_a1 <- sample(Dado1, 1, replace = TRUE) + sample(Dado2, 1, replace = TRUE)
return(Resultado_a1)
}
A1()
## [1] 5
Inciso b): 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).
B1 = function(nLanzamientos, cCondición){
Resultado_b1 = array(NA, nLanzamientos)
for (i in 1:nLanzamientos) {
Resultado_b1[i] <- sample(Dado1, 1, replace = TRUE) + sample(Dado2, 1, replace = TRUE)
}
rCondición <- sum(Resultado_b1 == cCondición)
print(paste("Número de Lanzamientos:", nLanzamientos, ", Frecuencia del número", cCondición, ":", rCondición))
}
B1(nLanzamientos = 50, cCondición = 12)
## [1] "Número de Lanzamientos: 50 , Frecuencia del número 12 : 0"
Inciso c): 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.
C1 = function(nLanzamientos, cCondición, nMuestras){
Resultado_c1 = array(NA, nLanzamientos)
for (i in 1:nLanzamientos) {
Resultado_c1[i] <- sample(Dado1, 1, replace = TRUE) + sample(Dado2, 1, replace = TRUE)
}
rCondición2 = array(NA, nLanzamientos/nMuestras)
j <- 1
for (i in seq(from = nMuestras, to = nLanzamientos, by = nMuestras)) {
rCondición2[j] <- sum(Resultado_c1 == cCondición)/i
j <- j+1
}
return(rCondición2)
}
Probabilidad <- C1(10000, 7, 100)
plot(Probabilidad, xlab = "Lanzamientos (x100)", ylab = "Probabilidad")
abline(h=median(Probabilidad), col = "red", lwd = 2)
Punto 2: Simulación Concepto de Distribucción Muestral (Caso proporciones)
Inciso a): Genere una población con una cantidad dada de 0 y 1.
poblacion=sample(x = c(0, 1), size = 1000, replace = TRUE)
Inciso b): Crear una función que obtenga una muestra de esa población de a. y calcule el porcentaje de 1.
## [1] "Se tomó una muestra de 200 de una población de 1000"
## [1] "El porcentaje de números 1 dentro de la muestra es de 0.52"
Inciso c): Repita este proceso una cantidad (mas de 1000 veces) y guarde los porcentajes de cada iteración.
## [1] 0.440 0.520 0.465 0.490 0.475 0.460 0.515 0.590 0.490 0.515 0.470 0.470
## [13] 0.465 0.460 0.520 0.490 0.565 0.455 0.465 0.450 0.415 0.505 0.435 0.500
## [25] 0.490 0.420 0.505 0.505 0.470 0.505 0.560 0.530 0.435 0.505 0.485 0.495
## [37] 0.560 0.505 0.525 0.495 0.460 0.490 0.555 0.480 0.485 0.505 0.490 0.530
## [49] 0.485 0.435 0.510 0.540 0.560 0.480 0.540 0.465 0.480 0.480 0.460 0.500
## [61] 0.525 0.545 0.535 0.465 0.545 0.410 0.520 0.515 0.425 0.495 0.455 0.475
## [73] 0.515 0.525 0.455 0.470 0.515 0.510 0.455 0.515 0.450 0.485 0.495 0.535
## [85] 0.490 0.470 0.485 0.445 0.440 0.500 0.560 0.460 0.485 0.510 0.505 0.515
## [97] 0.440 0.515 0.495 0.410 0.545 0.525 0.505 0.540 0.430 0.500 0.470 0.495
## [109] 0.505 0.500 0.525 0.495 0.460 0.470 0.535 0.480 0.520 0.460 0.535 0.540
## [121] 0.530 0.505 0.540 0.515 0.485 0.535 0.545 0.500 0.495 0.485 0.490 0.490
## [133] 0.545 0.450 0.535 0.545 0.490 0.545 0.490 0.465 0.485 0.505 0.580 0.465
## [145] 0.540 0.475 0.460 0.485 0.500 0.425 0.460 0.495 0.400 0.550 0.550 0.505
## [157] 0.460 0.435 0.460 0.510 0.465 0.525 0.480 0.530 0.450 0.430 0.525 0.480
## [169] 0.575 0.460 0.510 0.560 0.480 0.450 0.415 0.505 0.465 0.560 0.510 0.520
## [181] 0.490 0.550 0.540 0.490 0.465 0.485 0.530 0.470 0.485 0.455 0.465 0.505
## [193] 0.505 0.500 0.450 0.465 0.490 0.505 0.500 0.430 0.505 0.495 0.465 0.520
## [205] 0.415 0.535 0.485 0.530 0.445 0.475 0.560 0.505 0.530 0.525 0.465 0.495
## [217] 0.530 0.510 0.490 0.555 0.485 0.490 0.475 0.460 0.530 0.500 0.540 0.460
## [229] 0.480 0.505 0.500 0.515 0.540 0.545 0.540 0.495 0.515 0.495 0.545 0.585
## [241] 0.510 0.530 0.500 0.475 0.565 0.550 0.500 0.475 0.465 0.485 0.500 0.495
## [253] 0.455 0.480 0.530 0.505 0.435 0.520 0.570 0.445 0.520 0.480 0.495 0.445
## [265] 0.565 0.505 0.490 0.505 0.470 0.500 0.415 0.490 0.500 0.470 0.465 0.515
## [277] 0.490 0.510 0.425 0.475 0.480 0.510 0.510 0.440 0.525 0.485 0.515 0.530
## [289] 0.410 0.515 0.520 0.460 0.495 0.475 0.455 0.445 0.445 0.520 0.440 0.455
## [301] 0.545 0.510 0.485 0.425 0.520 0.545 0.505 0.565 0.415 0.490 0.465 0.555
## [313] 0.520 0.415 0.500 0.355 0.460 0.520 0.515 0.540 0.545 0.505 0.520 0.510
## [325] 0.465 0.475 0.485 0.510 0.440 0.490 0.495 0.470 0.485 0.485 0.505 0.530
## [337] 0.470 0.510 0.485 0.505 0.540 0.505 0.490 0.505 0.465 0.525 0.505 0.470
## [349] 0.510 0.465 0.485 0.475 0.510 0.495 0.490 0.405 0.490 0.470 0.530 0.495
## [361] 0.490 0.475 0.470 0.510 0.480 0.480 0.385 0.505 0.505 0.490 0.570 0.540
## [373] 0.485 0.415 0.540 0.480 0.520 0.525 0.555 0.450 0.450 0.480 0.490 0.500
## [385] 0.515 0.560 0.495 0.480 0.445 0.490 0.485 0.475 0.495 0.575 0.445 0.480
## [397] 0.490 0.515 0.455 0.470 0.500 0.460 0.525 0.500 0.490 0.490 0.480 0.500
## [409] 0.420 0.550 0.520 0.480 0.530 0.480 0.445 0.520 0.485 0.495 0.525 0.500
## [421] 0.510 0.445 0.495 0.520 0.490 0.485 0.535 0.445 0.470 0.500 0.485 0.530
## [433] 0.510 0.475 0.495 0.480 0.470 0.490 0.425 0.435 0.430 0.520 0.505 0.460
## [445] 0.560 0.535 0.480 0.455 0.545 0.520 0.465 0.505 0.505 0.495 0.475 0.475
## [457] 0.490 0.480 0.435 0.525 0.500 0.540 0.530 0.545 0.515 0.515 0.500 0.485
## [469] 0.535 0.600 0.430 0.450 0.475 0.460 0.540 0.505 0.455 0.475 0.500 0.475
## [481] 0.520 0.520 0.420 0.500 0.425 0.480 0.465 0.485 0.510 0.490 0.505 0.510
## [493] 0.525 0.550 0.495 0.455 0.485 0.485 0.500 0.530
Inciso d): Grafique los resultados de estos porcentajes y calcule algunos indicadores descriptivos (compare los resultados con la población generada inicial).
summary(resultado_poblacion)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.439 0.483 0.493 0.493 0.504 0.548
summary(resultado_muestra)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.3800 0.4700 0.4900 0.4916 0.5150 0.6050
Punto 3: Función que Calcula Descriptivos Univariados.
Inciso a): Genere una función que calcule indicadores y graficos descriptivos de una variable cuantitativa.
boxplot(variable_cuantitativa, main = "Gráfico de cajas - Edad",
outline = TRUE, col="blue")
summary(variable_cuantitativa)
## Edad
## Min. : 1.00
## 1st Qu.:12.00
## Median :24.00
## Mean :24.58
## 3rd Qu.:37.00
## Max. :50.00
Inciso b): Genere una función que calcule indicadores y graficos descriptivos de una variable cualitativa.
pie(table(variable_cualitativa),col = c("blue","orange","red"),
main = "Diagrama circular de la variable \"Genero\"")
table(variable_cualitativa)
## variable_cualitativa
## Hombre Mujer Otro
## 310 353 337
Inciso c): Genere una función que de acuerdo al tipo de variable use la función de a. ó b. para generar resultados descriptivos.
## Loading required package: ggplot2
## Loading required package: ggpubr
## $Gráficos
##
## $Resumen
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 6.00 11.00 10.51 16.00 20.00
## $Gráfico
##
## $Resumen
##
## Alto Bajo Medio Muy Alto Muy Bajo
## 188 204 206 202 200
## $Gráfico
##
## $Resumen
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 52 49 45 49 48 63 52 55 57 54 40 48 51 51 48 43 55 50 44 46