Distribución Exponencial
lambda=4
pivotal=c()
for(i in 1:N)
datos=rexp(n,lambda)
media.muestral=mean(datos)
pivotal[i]=(media.muestral-lambda)/(sqrt(lambda/n))
summary(pivotal)
install.packages("moments")
library(moments)
skewness(pivotal)
kurtosis(pivotal)
Estimador histograma
hist(pivotal,col="blue",prob=T,breaks=10)
Gráfica boxplot
help(boxplot)
cuantiles=quantile(pivotal,c(.25,.5,.75))
summary(pivotal)
ws=cuantiles[3]+1.5*abs(cuantiles[3]-cuantiles[1])
wi=cuantiles[1]-1.5*abs(cuantiles[3]-cuantiles[1])
Estimación puntual
mu=mean(pivotal)
sigma2=var(pivotal)
alpha=0.05
Z_alpha2=-qnorm(alpha/2)
N=length(pivotal)
LI=mu-Z_alpha2*de/sqrt(N)
LS=mu+Z_alpha2*de/sqrt(N)
hist(pivotal,col="blue",prob=T,breaks=10,ylim=c(0,.4))
curve(dnorm(x),add=T,col="black",lwd=2)
hist(pivotal,col="blue",prob=T,breaks=10,ylim=c(0,.4))
curve(dnorm(x,mu,sqrt(sigma2)),add=T,col="red",lwd=2)
qqnorm(pivotal,col="pink")
qqline(pivotal,col="red")
ppnorm(pivotal,col="yellow")
ppline(pivotal,col="black")
library(nortest)
ad.test(pivotal)
2.- Aplica los 10 pasos anteriores para ajustar tu muestra con distribución aproximada.
attach(Datos)
names(Datos)g
head(Datos)
summary(Tamaño.gr.)
install.packages("moments")
library(moments)
skewness(Tamaño.gr.)
kurtosis(Tamaño.gr.)
hist(Tamaño.gr.,col="blue",prob=T,breaks=15)
#4. Gráficaboxplot
cuantiles=quantile(Tamaño.gr.,c(.20,.5,.90))
summary(Peso.gr.)
ws=cuantiles[3]+1.5*abs(cuantiles[3]-cuantiles[1])
wi=cuantiles[1]-1.5*abs(cuantiles[3]-cuantiles[1])
# Estimación puntual
mu=mean(Peso.gr.)
sigma2=var(Peso.gr.)
alpha=0.05
Z_alpha2=-qnorm(alpha/2)
N=length(Peso.gr.)
LI=mu-Z_alpha2*de/sqrt(N)
LS=mu+Z_alpha2*de/sqrt(N)
hist(Peso.gr.,col="orange",prob=T,breaks=10)
curve(dnorm(x),add=T,col="blue",lwd=2)
hist(Peso.gr.,col="orange",prob=T,breaks=10)
curve(dnorm(x,mu,sqrt(sigma2)),add=T,col="blue",lwd=2)
qqnorm(Peso.gr.,col="red")
qqline(Peso.gr.,col="blue",lwd=2)
#Los datos no se ajustan a una distribución normal
install.packages("nortest")
library(nortest)
ad.test(Tamaño.gr.)
## Lectura de datos
rlc_carbono=data.frame(read.csv("C:/Users/BELEN BENITEZ
BAILON/Desktop/ESTADISTICA/Carbono.csv",header=T,sep=","))
#head(rlc_carbono)
#dim(rlc_carbono)
#names(rlc_carbono)
#rlc_carbono=rlc_carbono[,-c(1,2)]
#ls()
attach(rlc_carbono)
carbono
summary(carbono)
install.packages("moments")
library(moments)
skewness(carbono)
kurtosis(carbono)
hist(carbono,col="blue",prob=T,breaks=10)
cuantiles=quantile(carbono,c(.25,.5,.75))
ws=cuantiles[3]+1.5*abs(cuantiles[3]-cuantiles[1])
wi=cuantiles[1]-1.5*abs(cuantiles[3]-cuantiles[1])
# Estimación puntual
mu=mean(carbono)
sigma2=var(carbono)
alpha=0.05
Z_alpha2=-qnorm(alpha/2)
N=length(carbono)
LI=mu-Z_alpha2*de/sqrt(N)
LS=mu+Z_alpha2*de/sqrt(N)
hist(carbono,col="black",prob=T,breaks=10,ylim=c(0,.4))
curve(dnorm(x),add=T,col="red",lwd=2)
hist(carbono,col="blue",prob=T,breaks=10,ylim=c(0,.4))
curve(dnorm(x,mu,sqrt(sigma2)),add=T,col="red",lwd=2)
qqline(carbono,col="black")
library(nortest)
ad.test(carbono)
datos=c(0.2,-0.5,-1.3,-1.6,-0.7,0.4,-0.1,0.0,-0.6,-1.1,-1.2,-0.8)
media=mean(datos)
s2=var(datos)
n=length(datos)
mu.hip=0
t.obs=(sqrt(n)*(media-mu.hip))/sqrt(s2)
pvalor=1-(pt(t.obs,n-1)-pt(-t.obs,n-1))
t_alpha2=abs(qt(alpha/2,n-1))##Valor critico
##I.C al (1-alpha)%
##Respuesta: Los datos muestran evidencia en contra de H0. A partir de los datos, rechazamos H0,
con una significancia de 5%
##Nuestra mu hipotetica esta fuera del intervalo de confianza y rechazamos H0 con un nivel de
signifancia del 5%
datos=c(0.2,-0.5,-1.3,-1.6,-0.7,0.4,-0.1,0.0,-0.6,-1.1,-1.2,-0.8)
media=mean(datos)
s2=var(datos)
n=length(datos)
mu.hip=1
t.obs=(sqrt(n)*(media-mu.hip))/sqrt(s2)
pvalor=1-(pt(t.obs,n-1)-pt(-t.obs,n-1))
t_alpha2=abs(qt(alpha/2,n-1))##Valor critico
##I.C al (1-alpha)%
##Respuesta: Los datos muestran evidencia en contra de H0. A partir de los datos, rechazamos H0,
con una significancia de 5%
##Nuestra mu hipotetica esta fuera del intervalo de confianza y rechazamos H0 con un nivel de
signifancia del 5%
2)Autoestudio: Desarrollar el tema de pruebas de una cola y ejemplificar con el ejemplo 7.3
es decir, DESARROLLAR CON UNA COLA Y EXPLICAR QUE ES LA PRUEBA De UNA COLA 7.3)
datos=c(0.2,-0.5,-1.3,-1.6,-0.7,0.4,-0.1,0.0,-0.6,-1.1,-1.2,-0.8)
media=mean(datos)
s2=var(datos)
n=length(datos)
mu.hip=0
t.obs=(sqrt(n)*(media-mu.hip))/sqrt(s2)
pvalor=1-(pt(t.obs,n-1)-pt(-t.obs,n-1))
t_alpha2=abs(qt(alpha/2,n-1))##Valor critico
##I.C al (1-alpha)%
##Respuesta: Los datos muestran evidencia en contra de H0.Por ello se rechaza H0, y tiene una
significancia de 5%
##La mu hipotética esta fuera del intervalo de confianza y se rechaza H0 con un nivel de
significancia del 5%