knitr::opts_chunk$set(echo = TRUE)
### Punto 1
#a.
#La función expand.grid genera un dataframe con todas las combinaciones posibles entre los vectores de los valores del dado. Para este caso, hay 36 combinaciones posibles.
# Para esta primer opción, se genera una opción que retorna el valor de la suma del lanzamiento de dos dados una única vez.
dado1=1:6
dado2=1:6
sim_lanza=function(){
dado1=1:6
dado2=1:6
x=sample(dado1,1)+sample(dado2,1)
return(x)
}
require(utils)
espacio=expand.grid(dado1,dado2)
espacio
## Var1 Var2
## 1 1 1
## 2 2 1
## 3 3 1
## 4 4 1
## 5 5 1
## 6 6 1
## 7 1 2
## 8 2 2
## 9 3 2
## 10 4 2
## 11 5 2
## 12 6 2
## 13 1 3
## 14 2 3
## 15 3 3
## 16 4 3
## 17 5 3
## 18 6 3
## 19 1 4
## 20 2 4
## 21 3 4
## 22 4 4
## 23 5 4
## 24 6 4
## 25 1 5
## 26 2 5
## 27 3 5
## 28 4 5
## 29 5 5
## 30 6 5
## 31 1 6
## 32 2 6
## 33 3 6
## 34 4 6
## 35 5 6
## 36 6 6
sim_lanza()
## [1] 5
#Posteriormente, se genera una función que calcula en lanzamiento del dado hasta 100 veces
for(i in 1:100){
print(sim_lanza())
}
## [1] 7
## [1] 9
## [1] 11
## [1] 11
## [1] 6
## [1] 11
## [1] 7
## [1] 10
## [1] 9
## [1] 12
## [1] 4
## [1] 5
## [1] 5
## [1] 7
## [1] 7
## [1] 12
## [1] 5
## [1] 8
## [1] 2
## [1] 10
## [1] 10
## [1] 6
## [1] 4
## [1] 8
## [1] 5
## [1] 6
## [1] 6
## [1] 9
## [1] 11
## [1] 4
## [1] 6
## [1] 8
## [1] 10
## [1] 10
## [1] 7
## [1] 9
## [1] 12
## [1] 12
## [1] 8
## [1] 3
## [1] 7
## [1] 7
## [1] 5
## [1] 6
## [1] 11
## [1] 8
## [1] 6
## [1] 8
## [1] 12
## [1] 7
## [1] 7
## [1] 10
## [1] 11
## [1] 4
## [1] 7
## [1] 6
## [1] 8
## [1] 10
## [1] 9
## [1] 5
## [1] 5
## [1] 6
## [1] 7
## [1] 11
## [1] 8
## [1] 8
## [1] 9
## [1] 9
## [1] 4
## [1] 9
## [1] 8
## [1] 8
## [1] 2
## [1] 3
## [1] 2
## [1] 10
## [1] 4
## [1] 10
## [1] 12
## [1] 7
## [1] 6
## [1] 8
## [1] 9
## [1] 9
## [1] 9
## [1] 4
## [1] 10
## [1] 7
## [1] 9
## [1] 8
## [1] 8
## [1] 5
## [1] 2
## [1] 8
## [1] 2
## [1] 10
## [1] 8
## [1] 11
## [1] 3
## [1] 3
#b.
#Opción 1
simula_multi_lanza=function(nlanza,valor_condi){
nlanza=10
lanzamientos=array(NA,nlanza)
for(i in 1:nlanza){
lanzamientos[i]=(sim_lanza())
print(lanzamientos)
}}
lanzamientos=12
lanzamientos
## [1] 12
sample(dado1,size=7,replace=TRUE) ##El false genera dependencia
## [1] 5 3 6 1 6 4 5
###Opción 2:
nlanza=10
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=3)
## [1] 36
###
#Probabilidad Teorica (Combinaciones)
espacio=expand.grid(dado1,dado2)
y=apply(espacio,1,sum)
y
## [1] 2 3 4 5 6 7 3 4 5 6 7 8 4 5 6 7 8 9 5 6 7 8 9 10 6
## [26] 7 8 9 10 11 7 8 9 10 11 12
data.frame(espacio,y)
## Var1 Var2 y
## 1 1 1 2
## 2 2 1 3
## 3 3 1 4
## 4 4 1 5
## 5 5 1 6
## 6 6 1 7
## 7 1 2 3
## 8 2 2 4
## 9 3 2 5
## 10 4 2 6
## 11 5 2 7
## 12 6 2 8
## 13 1 3 4
## 14 2 3 5
## 15 3 3 6
## 16 4 3 7
## 17 5 3 8
## 18 6 3 9
## 19 1 4 5
## 20 2 4 6
## 21 3 4 7
## 22 4 4 8
## 23 5 4 9
## 24 6 4 10
## 25 1 5 6
## 26 2 5 7
## 27 3 5 8
## 28 4 5 9
## 29 5 5 10
## 30 6 5 11
## 31 1 6 7
## 32 2 6 8
## 33 3 6 9
## 34 4 6 10
## 35 5 6 11
## 36 6 6 12
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(prob_teorica,type="b")
#Via Simulación cuál es el valor aproximado de la probabilidad?
n_lanza=10000000
sim_multi_lanza2(n_lanza,valor_condi=2)/n_lanza
## [1] 0.0277797
###Punto 2
###
#a#
#Población con 10% de unos
pob=c(rep(x=1,100),rep(x=0,900))
pob
## [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
###b
sum(sample(pob,size=200))/200
## [1] 0.1
### c
porcentajes_muestra=array(NA,1000)
## Opción 1
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] 0.115 0.105 0.100 0.105 0.105 0.110 0.060 0.100 0.080 0.110 0.085 0.120
## [13] 0.095 0.090 0.100 0.080 0.095 0.080 0.120 0.105 0.105 0.090 0.125 0.095
## [25] 0.080 0.075 0.065 0.105 0.110 0.085 0.095 0.100 0.125 0.075 0.105 0.105
## [37] 0.120 0.080 0.125 0.090 0.115 0.070 0.105 0.115 0.100 0.085 0.095 0.105
## [49] 0.105 0.065 0.085 0.100 0.130 0.075 0.150 0.070 0.140 0.105 0.095 0.095
## [61] 0.095 0.120 0.060 0.115 0.100 0.110 0.125 0.125 0.120 0.130 0.075 0.090
## [73] 0.115 0.075 0.120 0.085 0.075 0.065 0.100 0.090 0.085 0.090 0.125 0.085
## [85] 0.085 0.085 0.100 0.110 0.115 0.135 0.090 0.085 0.105 0.110 0.120 0.110
## [97] 0.140 0.085 0.100 0.100 0.110 0.115 0.065 0.090 0.075 0.105 0.080 0.120
## [109] 0.095 0.095 0.095 0.080 0.070 0.080 0.100 0.100 0.085 0.095 0.110 0.105
## [121] 0.110 0.095 0.090 0.100 0.100 0.090 0.100 0.105 0.100 0.100 0.140 0.100
## [133] 0.115 0.135 0.105 0.120 0.100 0.095 0.115 0.095 0.110 0.070 0.110 0.090
## [145] 0.080 0.090 0.130 0.090 0.130 0.110 0.095 0.105 0.105 0.105 0.105 0.095
## [157] 0.095 0.135 0.135 0.095 0.125 0.095 0.080 0.080 0.170 0.110 0.150 0.095
## [169] 0.105 0.080 0.080 0.075 0.060 0.115 0.115 0.090 0.075 0.080 0.065 0.080
## [181] 0.090 0.100 0.070 0.120 0.085 0.075 0.085 0.095 0.110 0.080 0.105 0.135
## [193] 0.115 0.095 0.085 0.070 0.105 0.130 0.095 0.075 0.080 0.120 0.070 0.125
## [205] 0.115 0.100 0.075 0.105 0.060 0.085 0.095 0.080 0.090 0.110 0.100 0.105
## [217] 0.085 0.100 0.090 0.085 0.095 0.085 0.080 0.095 0.075 0.095 0.090 0.110
## [229] 0.085 0.110 0.115 0.065 0.105 0.100 0.120 0.090 0.105 0.120 0.110 0.125
## [241] 0.105 0.095 0.095 0.100 0.100 0.100 0.125 0.090 0.105 0.095 0.090 0.070
## [253] 0.125 0.100 0.085 0.080 0.095 0.090 0.100 0.100 0.135 0.105 0.120 0.115
## [265] 0.105 0.090 0.115 0.095 0.085 0.080 0.090 0.060 0.130 0.115 0.090 0.085
## [277] 0.100 0.095 0.115 0.085 0.080 0.140 0.090 0.090 0.115 0.090 0.060 0.100
## [289] 0.115 0.095 0.105 0.070 0.100 0.120 0.095 0.110 0.100 0.110 0.100 0.100
## [301] 0.100 0.090 0.115 0.090 0.065 0.115 0.100 0.095 0.110 0.110 0.075 0.095
## [313] 0.115 0.105 0.095 0.100 0.120 0.095 0.065 0.065 0.105 0.090 0.110 0.105
## [325] 0.075 0.115 0.080 0.080 0.105 0.075 0.080 0.090 0.125 0.105 0.120 0.130
## [337] 0.090 0.080 0.125 0.110 0.110 0.115 0.095 0.120 0.100 0.140 0.100 0.110
## [349] 0.095 0.125 0.120 0.100 0.090 0.120 0.090 0.105 0.100 0.115 0.115 0.120
## [361] 0.145 0.095 0.065 0.090 0.085 0.095 0.115 0.110 0.100 0.095 0.110 0.080
## [373] 0.080 0.090 0.090 0.100 0.105 0.105 0.135 0.080 0.090 0.130 0.075 0.065
## [385] 0.075 0.080 0.090 0.100 0.095 0.070 0.110 0.080 0.110 0.090 0.120 0.110
## [397] 0.105 0.110 0.115 0.085 0.115 0.075 0.105 0.065 0.105 0.105 0.095 0.100
## [409] 0.095 0.105 0.085 0.100 0.080 0.090 0.105 0.050 0.065 0.095 0.080 0.100
## [421] 0.115 0.100 0.105 0.130 0.100 0.110 0.120 0.130 0.085 0.100 0.115 0.075
## [433] 0.120 0.095 0.090 0.115 0.120 0.115 0.110 0.115 0.065 0.110 0.090 0.115
## [445] 0.080 0.110 0.130 0.100 0.090 0.095 0.075 0.140 0.095 0.130 0.145 0.075
## [457] 0.120 0.115 0.115 0.100 0.095 0.110 0.100 0.115 0.105 0.100 0.060 0.080
## [469] 0.085 0.115 0.080 0.085 0.120 0.090 0.075 0.105 0.085 0.125 0.075 0.095
## [481] 0.080 0.115 0.085 0.075 0.150 0.105 0.110 0.075 0.125 0.060 0.110 0.110
## [493] 0.095 0.110 0.105 0.085 0.090 0.070 0.115 0.120 0.105 0.090 0.115 0.080
## [505] 0.105 0.090 0.090 0.115 0.065 0.120 0.080 0.110 0.090 0.100 0.090 0.120
## [517] 0.105 0.100 0.065 0.090 0.115 0.060 0.110 0.105 0.150 0.115 0.100 0.125
## [529] 0.070 0.090 0.115 0.095 0.085 0.150 0.110 0.075 0.090 0.090 0.075 0.085
## [541] 0.130 0.110 0.080 0.100 0.095 0.120 0.085 0.095 0.095 0.105 0.105 0.090
## [553] 0.110 0.130 0.080 0.085 0.115 0.120 0.140 0.115 0.085 0.095 0.090 0.120
## [565] 0.135 0.090 0.115 0.115 0.145 0.145 0.105 0.070 0.125 0.075 0.110 0.110
## [577] 0.110 0.080 0.140 0.095 0.105 0.105 0.100 0.115 0.080 0.115 0.110 0.105
## [589] 0.115 0.100 0.115 0.090 0.100 0.085 0.060 0.060 0.105 0.085 0.105 0.075
## [601] 0.100 0.095 0.110 0.110 0.090 0.110 0.090 0.110 0.090 0.070 0.075 0.090
## [613] 0.100 0.095 0.095 0.115 0.115 0.085 0.095 0.095 0.130 0.125 0.055 0.080
## [625] 0.100 0.125 0.100 0.090 0.095 0.095 0.095 0.080 0.070 0.075 0.085 0.110
## [637] 0.110 0.070 0.110 0.095 0.085 0.100 0.120 0.100 0.115 0.060 0.130 0.115
## [649] 0.085 0.125 0.090 0.120 0.110 0.075 0.070 0.100 0.100 0.105 0.105 0.080
## [661] 0.085 0.080 0.115 0.120 0.080 0.125 0.075 0.115 0.075 0.125 0.125 0.100
## [673] 0.110 0.080 0.045 0.090 0.090 0.080 0.095 0.110 0.100 0.115 0.065 0.080
## [685] 0.120 0.120 0.110 0.105 0.120 0.115 0.105 0.095 0.075 0.085 0.085 0.120
## [697] 0.125 0.115 0.115 0.090 0.110 0.115 0.150 0.100 0.105 0.050 0.110 0.075
## [709] 0.100 0.110 0.095 0.120 0.120 0.085 0.090 0.110 0.090 0.105 0.100 0.105
## [721] 0.095 0.120 0.120 0.140 0.100 0.130 0.095 0.115 0.115 0.135 0.110 0.130
## [733] 0.080 0.075 0.090 0.100 0.085 0.080 0.090 0.125 0.115 0.045 0.115 0.085
## [745] 0.100 0.095 0.110 0.135 0.095 0.085 0.090 0.090 0.085 0.095 0.090 0.095
## [757] 0.115 0.110 0.105 0.095 0.060 0.110 0.115 0.110 0.095 0.085 0.110 0.110
## [769] 0.125 0.130 0.090 0.095 0.090 0.070 0.085 0.120 0.080 0.075 0.100 0.060
## [781] 0.095 0.110 0.100 0.105 0.105 0.110 0.085 0.090 0.095 0.120 0.110 0.085
## [793] 0.105 0.105 0.090 0.115 0.100 0.080 0.125 0.095 0.105 0.090 0.095 0.105
## [805] 0.100 0.100 0.120 0.070 0.085 0.110 0.080 0.110 0.100 0.115 0.090 0.095
## [817] 0.070 0.085 0.110 0.090 0.135 0.100 0.140 0.090 0.090 0.110 0.090 0.105
## [829] 0.140 0.090 0.120 0.120 0.125 0.100 0.095 0.070 0.080 0.110 0.090 0.110
## [841] 0.095 0.095 0.090 0.125 0.115 0.100 0.095 0.085 0.105 0.140 0.100 0.085
## [853] 0.120 0.085 0.085 0.095 0.110 0.080 0.105 0.090 0.085 0.115 0.095 0.085
## [865] 0.105 0.120 0.070 0.050 0.085 0.105 0.085 0.100 0.100 0.115 0.070 0.085
## [877] 0.075 0.095 0.110 0.050 0.060 0.115 0.095 0.100 0.085 0.105 0.090 0.090
## [889] 0.080 0.145 0.100 0.095 0.100 0.070 0.075 0.115 0.090 0.070 0.090 0.100
## [901] 0.120 0.120 0.115 0.115 0.105 0.125 0.125 0.105 0.070 0.105 0.095 0.075
## [913] 0.065 0.120 0.095 0.085 0.110 0.115 0.080 0.095 0.075 0.120 0.095 0.125
## [925] 0.095 0.090 0.140 0.075 0.090 0.135 0.105 0.100 0.110 0.080 0.050 0.070
## [937] 0.140 0.135 0.080 0.090 0.090 0.075 0.085 0.095 0.095 0.135 0.120 0.115
## [949] 0.110 0.085 0.100 0.115 0.105 0.075 0.090 0.075 0.085 0.100 0.100 0.050
## [961] 0.085 0.115 0.110 0.100 0.080 0.135 0.095 0.045 0.140 0.105 0.120 0.055
## [973] 0.135 0.080 0.145 0.050 0.090 0.105 0.115 0.080 0.130 0.110 0.080 0.125
## [985] 0.100 0.120 0.115 0.100 0.120 0.090 0.100 0.100 0.105 0.135 0.085 0.060
## [997] 0.120 0.070 0.105 0.060
## Opción 2
cal_por_uno=function(n_muestra){
pob=c(rep(x=1,100),rep(x=0,900))
return(sum(sample(pob,size = n_muestra))/n_muestra)
}
cal_por_uno(n_muestra=1000)
## [1] 0.1
sapply(rep(100,1000),cal_por_uno)
## [1] 0.12 0.09 0.12 0.13 0.14 0.07 0.13 0.09 0.05 0.10 0.12 0.11 0.08 0.13
## [15] 0.14 0.08 0.08 0.12 0.08 0.08 0.10 0.11 0.08 0.10 0.16 0.09 0.12 0.09
## [29] 0.10 0.08 0.10 0.10 0.07 0.12 0.13 0.14 0.12 0.07 0.05 0.08 0.13 0.08
## [43] 0.10 0.12 0.06 0.11 0.09 0.12 0.10 0.09 0.05 0.06 0.12 0.09 0.08 0.08
## [57] 0.11 0.08 0.11 0.20 0.09 0.13 0.14 0.08 0.11 0.11 0.08 0.06 0.12 0.12
## [71] 0.09 0.14 0.08 0.10 0.17 0.10 0.06 0.13 0.09 0.07 0.13 0.09 0.08 0.06
## [85] 0.12 0.06 0.06 0.04 0.14 0.10 0.08 0.11 0.06 0.11 0.11 0.09 0.06 0.12
## [99] 0.09 0.11 0.08 0.12 0.07 0.15 0.06 0.12 0.07 0.07 0.12 0.07 0.09 0.06
## [113] 0.13 0.14 0.09 0.10 0.04 0.12 0.11 0.02 0.08 0.07 0.10 0.10 0.11 0.10
## [127] 0.09 0.13 0.10 0.08 0.06 0.11 0.15 0.10 0.10 0.15 0.10 0.10 0.10 0.13
## [141] 0.05 0.11 0.16 0.06 0.06 0.08 0.16 0.09 0.13 0.07 0.11 0.09 0.14 0.11
## [155] 0.12 0.09 0.05 0.10 0.09 0.07 0.12 0.11 0.10 0.13 0.15 0.12 0.07 0.14
## [169] 0.10 0.09 0.07 0.07 0.07 0.11 0.04 0.07 0.09 0.08 0.12 0.10 0.09 0.11
## [183] 0.11 0.11 0.11 0.08 0.12 0.06 0.11 0.13 0.09 0.10 0.12 0.15 0.08 0.09
## [197] 0.08 0.12 0.10 0.13 0.15 0.01 0.08 0.10 0.09 0.14 0.08 0.13 0.09 0.06
## [211] 0.05 0.08 0.09 0.11 0.07 0.11 0.05 0.08 0.06 0.09 0.11 0.08 0.10 0.10
## [225] 0.09 0.11 0.10 0.11 0.08 0.14 0.08 0.11 0.10 0.14 0.15 0.10 0.09 0.07
## [239] 0.16 0.04 0.07 0.14 0.03 0.15 0.13 0.12 0.16 0.09 0.10 0.09 0.11 0.13
## [253] 0.11 0.08 0.12 0.10 0.12 0.10 0.11 0.15 0.05 0.11 0.15 0.10 0.09 0.12
## [267] 0.08 0.07 0.06 0.08 0.17 0.08 0.11 0.07 0.08 0.06 0.11 0.07 0.10 0.11
## [281] 0.07 0.12 0.09 0.10 0.10 0.09 0.11 0.15 0.08 0.11 0.07 0.09 0.09 0.09
## [295] 0.07 0.09 0.09 0.10 0.11 0.08 0.07 0.11 0.08 0.11 0.13 0.10 0.12 0.08
## [309] 0.10 0.11 0.10 0.09 0.08 0.13 0.08 0.11 0.07 0.09 0.05 0.07 0.12 0.08
## [323] 0.06 0.12 0.08 0.13 0.13 0.11 0.13 0.07 0.14 0.09 0.14 0.10 0.05 0.10
## [337] 0.06 0.11 0.20 0.10 0.12 0.06 0.06 0.09 0.13 0.11 0.11 0.15 0.08 0.08
## [351] 0.13 0.12 0.10 0.14 0.11 0.12 0.07 0.12 0.08 0.12 0.10 0.06 0.14 0.17
## [365] 0.06 0.12 0.14 0.11 0.11 0.08 0.08 0.11 0.10 0.09 0.09 0.13 0.15 0.09
## [379] 0.10 0.12 0.14 0.14 0.14 0.07 0.11 0.05 0.06 0.09 0.07 0.10 0.10 0.10
## [393] 0.08 0.10 0.10 0.13 0.14 0.13 0.07 0.08 0.05 0.14 0.10 0.07 0.13 0.07
## [407] 0.09 0.15 0.16 0.13 0.06 0.10 0.16 0.12 0.10 0.07 0.09 0.10 0.07 0.14
## [421] 0.05 0.13 0.15 0.12 0.08 0.07 0.13 0.14 0.10 0.12 0.13 0.15 0.14 0.12
## [435] 0.09 0.12 0.10 0.12 0.12 0.12 0.13 0.09 0.13 0.13 0.08 0.09 0.08 0.14
## [449] 0.12 0.10 0.07 0.09 0.10 0.14 0.11 0.07 0.09 0.10 0.13 0.10 0.11 0.09
## [463] 0.14 0.12 0.09 0.12 0.12 0.10 0.03 0.10 0.07 0.11 0.08 0.10 0.05 0.11
## [477] 0.09 0.07 0.11 0.08 0.15 0.08 0.13 0.12 0.07 0.11 0.10 0.12 0.15 0.05
## [491] 0.15 0.09 0.07 0.13 0.09 0.13 0.14 0.12 0.16 0.10 0.09 0.10 0.13 0.06
## [505] 0.06 0.09 0.07 0.08 0.11 0.09 0.10 0.08 0.11 0.06 0.11 0.13 0.10 0.10
## [519] 0.14 0.11 0.15 0.12 0.05 0.10 0.08 0.11 0.09 0.13 0.07 0.09 0.09 0.13
## [533] 0.10 0.11 0.15 0.12 0.13 0.14 0.05 0.08 0.14 0.09 0.13 0.08 0.11 0.12
## [547] 0.17 0.09 0.11 0.12 0.08 0.17 0.11 0.05 0.12 0.10 0.15 0.08 0.15 0.10
## [561] 0.07 0.08 0.10 0.09 0.06 0.10 0.13 0.15 0.06 0.12 0.11 0.13 0.10 0.04
## [575] 0.08 0.09 0.06 0.09 0.13 0.10 0.10 0.10 0.15 0.11 0.09 0.10 0.09 0.10
## [589] 0.06 0.13 0.06 0.08 0.11 0.08 0.07 0.10 0.08 0.14 0.16 0.11 0.08 0.16
## [603] 0.10 0.06 0.07 0.07 0.11 0.13 0.10 0.13 0.20 0.11 0.09 0.06 0.10 0.12
## [617] 0.12 0.10 0.06 0.13 0.10 0.10 0.11 0.09 0.10 0.14 0.10 0.15 0.10 0.12
## [631] 0.13 0.12 0.10 0.05 0.07 0.13 0.13 0.11 0.13 0.04 0.10 0.07 0.08 0.12
## [645] 0.07 0.09 0.11 0.13 0.15 0.07 0.09 0.13 0.14 0.08 0.06 0.07 0.09 0.10
## [659] 0.12 0.08 0.17 0.15 0.12 0.10 0.16 0.18 0.11 0.13 0.12 0.09 0.11 0.11
## [673] 0.15 0.09 0.09 0.11 0.03 0.10 0.07 0.12 0.08 0.11 0.15 0.10 0.12 0.10
## [687] 0.12 0.07 0.12 0.08 0.12 0.16 0.05 0.12 0.10 0.14 0.08 0.09 0.13 0.06
## [701] 0.08 0.05 0.13 0.09 0.10 0.15 0.13 0.10 0.13 0.07 0.09 0.09 0.10 0.07
## [715] 0.09 0.11 0.12 0.13 0.14 0.07 0.10 0.03 0.11 0.12 0.13 0.04 0.14 0.05
## [729] 0.08 0.12 0.12 0.08 0.14 0.12 0.06 0.10 0.09 0.10 0.17 0.10 0.11 0.10
## [743] 0.11 0.10 0.13 0.11 0.07 0.07 0.12 0.08 0.08 0.08 0.12 0.14 0.07 0.07
## [757] 0.08 0.06 0.16 0.10 0.09 0.10 0.13 0.10 0.13 0.12 0.05 0.13 0.12 0.13
## [771] 0.12 0.05 0.11 0.14 0.11 0.07 0.11 0.07 0.11 0.05 0.11 0.17 0.11 0.10
## [785] 0.12 0.06 0.16 0.13 0.11 0.10 0.14 0.12 0.13 0.07 0.10 0.14 0.06 0.10
## [799] 0.11 0.10 0.06 0.06 0.08 0.13 0.10 0.11 0.06 0.11 0.08 0.09 0.09 0.06
## [813] 0.11 0.09 0.10 0.09 0.11 0.09 0.13 0.08 0.09 0.10 0.13 0.11 0.09 0.08
## [827] 0.05 0.08 0.13 0.14 0.10 0.09 0.10 0.09 0.08 0.04 0.05 0.06 0.06 0.10
## [841] 0.14 0.13 0.07 0.11 0.11 0.10 0.07 0.05 0.13 0.09 0.10 0.09 0.11 0.11
## [855] 0.06 0.13 0.11 0.11 0.08 0.10 0.09 0.16 0.09 0.10 0.08 0.12 0.04 0.06
## [869] 0.09 0.15 0.12 0.07 0.05 0.15 0.09 0.09 0.11 0.07 0.11 0.13 0.04 0.10
## [883] 0.10 0.09 0.17 0.04 0.15 0.06 0.09 0.07 0.08 0.06 0.10 0.09 0.08 0.12
## [897] 0.08 0.11 0.12 0.17 0.12 0.11 0.12 0.16 0.11 0.05 0.08 0.17 0.16 0.13
## [911] 0.11 0.16 0.09 0.14 0.09 0.11 0.07 0.09 0.10 0.11 0.12 0.13 0.09 0.10
## [925] 0.07 0.08 0.13 0.10 0.08 0.09 0.08 0.14 0.10 0.15 0.09 0.10 0.10 0.04
## [939] 0.08 0.08 0.09 0.07 0.05 0.06 0.05 0.12 0.11 0.06 0.05 0.09 0.13 0.08
## [953] 0.05 0.08 0.09 0.11 0.13 0.04 0.10 0.12 0.14 0.15 0.12 0.10 0.11 0.02
## [967] 0.11 0.12 0.11 0.05 0.12 0.09 0.12 0.06 0.11 0.07 0.07 0.11 0.12 0.08
## [981] 0.07 0.12 0.08 0.09 0.08 0.12 0.10 0.10 0.13 0.09 0.14 0.07 0.12 0.04
## [995] 0.13 0.11 0.12 0.04 0.07 0.13
###d###
summary(porcentajes_muestra)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.04500 0.08500 0.10000 0.09925 0.11000 0.17000
hist(porcentajes_muestra)
abline(v=0.1,col="red",lwd=4)
