R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

#Tamaño de muestra para definir muestra defectuosa por turnos de fabricación

f_sam_prop = function(ni, pi, e, ti, z = 1.96){
  #N= tamaño de muestra
  N= sum(ni)
   # L: número de estratos
  L= length(ni)
  #q = proporción de no defectuosos
  qi = 1 - pi
  # a= pesos
  ai = ni/N
  D = (e/ z)**2
numer = sum (ni**2 * pi*qi/ai)
denom = (N**2*D) + sum (ni*pi*qi)
n = ceiling(numer/denom)
# Asignación proporcional por estatp
ni = round(ai*n) #Tamaño de muestra por estrato
ki = floor (ti/ni) #Tiempo de muestreo sistemático por estrato
return(list (ni, ki))
}
f_sam_prop (ni = c(6000, 5000, 4000),
            pi = c(0.04, 0.05, 0.08),
            ti = c(480, 480, 480), # tiempo de operación en minutos
            e = 0.05)
## [[1]]
## [1] 31 26 21
## 
## [[2]]
## [1] 15 18 22
a = 2/5*0.03 + 1/3 * 0.04 + 4/15 * 0.06
(2/5 * 0.03)/a
## [1] 0.2903226
(1/3 * 0.04)/a
## [1] 0.3225806
(4/15 * 0.06)/a
## [1] 0.3870968

#Tarea: rehacer todo, pero con 2 estratos, diurno y nocturno

f_sam_prop = function(ni, pi, e, ti, z = 1.96){
  #N= tamaño de muestra
  N= sum(ni)
   # L: número de estratos
  L= length(ni)
  #q = proporción de no defectuosos
  qi = 1 - pi
  # a= pesos
  ai = ni/N
  D = (e/ z)**2
numer = sum (ni**2 * pi*qi/ai)
denom = (N**2*D) + sum (ni*pi*qi)
n = ceiling(numer/denom)
# Asignación proporcional por estatp
ni = round(ai*n) #Tamaño de muestra por estrato
ki = floor (ti/ni) #Tiempo de muestreo sistemático por estrato
return(list (ni, ki))
}
f_sam_prop (ni = c(11000, 4000),
            pi = c(0.07, 0.04),
            ti = c(960, 480), # tiempo de operación en minutos
            e = 0.05)
## [[1]]
## [1] 65 24
## 
## [[2]]
## [1] 14 20
a = 11/15*0.05 + 4/15 * 0.04
(11/15 * 0.05)/a
## [1] 0.7746479
(4/15 * 0.04)/a
## [1] 0.2253521

#Debido a las jornadas extendidas diurnas (16 h) provoca un alza en la probabilidad de encontrar un producto defectuoso (0.77), mientras que, cuando se manejaban 2 turnos diurnos (8h X2), la probabilidad de encontrar un articulo defectuoso era de 0.61. #Muestreo espacial

palmas= expand.grid(x = seq(0, 112, 7),
                    y = seq(0, 144, 9))
#información de producción
set.seed(123)
pracimou = rnorm (289, 17, 1.8) #peso racimo último
pracimop = rnorm (289, 17, 1.8) # Peso racimo penúltimo
camg_h17 = runif(289, 1.8, 2.0) # relación calcio magnesio enhojas 17
camg_s = runif(289, 1.2, 1.4) # relación calcio magnesio en suelos.
hibrid = rep( c('h1', 'h2'), c(144, 145))
df = data.frame(palmas, pracimou, pracimop, camg_h17, camg_s)
head (df)
##    x y pracimou pracimop camg_h17   camg_s
## 1  0 0 15.99114 17.30252 1.813162 1.350780
## 2  7 0 16.58568 19.10309 1.970874 1.212619
## 3 14 0 19.80567 18.89753 1.902082 1.288496
## 4 21 0 17.12692 19.06147 1.842000 1.300134
## 5 28 0 17.23272 15.96056 1.875169 1.254049
## 6 35 0 20.08712 20.60447 1.841473 1.319760
library(clhs)
res = clhs(df, size = 15, progress = FALSE, simple = TRUE)
df[res, 'muestreo'] = res
df$muestreo[is.na(df$muestreo)] = 'no muestreados'

sort(res)
##  [1]  15  35  64  72 101 115 136 167 178 203 209 232 244 263 281
res2= ifelse(res <= 145, "Nh1", "Nh2" )
library(ggplot2)
ggplot(df)+
  aes(x, y, fill = muestreo)+
  geom_tile(color ='white')

table(res2)
## res2
## Nh1 Nh2 
##   7   8
mean(df$pracimou)
## [1] 17.02191
mean(df$pracimop)
## [1] 17.09966
mean(df$pracimou[df$muestreo == 'si'])
## [1] NaN
mean(df$pracimop[df$muestreo == 'si'])
## [1] NaN