Práctica 6: Modelos estadísticos

Distribución Exponencial

1.- Simulación para comprobar el TCL

lambda=4

n=10000 # Tamaño de muestra

N=800 # Número de experimentos

pivotal=c()

for(i in 1:N)

datos=rexp(n,lambda)

media.muestral=mean(datos)

pivotal[i]=(media.muestral-lambda)/(sqrt(lambda/n))

Principales estadísticas de resumen

summary(pivotal)

Sesgo y kurtosis estimados

install.packages("moments")

library(moments)

skewness(pivotal)

kurtosis(pivotal)

Estimador histograma

hist(pivotal,col="blue",prob=T,breaks=10)

Gráfica boxplot

help(boxplot)

bp=boxplot(pivotal,col="yellow",main="Gráfico de cajas y bigotes")

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])

Especificación de modelo estadístico

Estimación puntual y por intervalos

Estimación puntual

mu=mean(pivotal)

sigma2=var(pivotal)

Estimación por intervalos para la media

alpha=0.05

Z_alpha2=-qnorm(alpha/2)

de=1 ## Seguimos suponiendo que conocemos la desviación estándar

N=length(pivotal)

LI=mu-Z_alpha2*de/sqrt(N)

LS=mu+Z_alpha2*de/sqrt(N)

Comparar el estimador histograma con la densidad ajustada

hist(pivotal,col="blue",prob=T,breaks=10,ylim=c(0,.4))

# Conozco la distribución aproximada por el TCL

curve(dnorm(x),add=T,col="black",lwd=2)

# En ajustes convencionales pruebo con el modelo estimado

hist(pivotal,col="blue",prob=T,breaks=10,ylim=c(0,.4))

curve(dnorm(x,mu,sqrt(sigma2)),add=T,col="red",lwd=2)

Gráficas Q-Q plots

qqnorm(pivotal,col="pink")

qqline(pivotal,col="red")

Gráficas P-P plots

## Investigar cómo se calcula un PP-plot en R ## Grafica

ppnorm(pivotal,col="yellow")

ppline(pivotal,col="black")

#10. Pruebas de bondad de ajuste

library(nortest)

ad.test(pivotal)

2.- Aplica los 10 pasos anteriores para ajustar tu muestra con distribución aproximada.

Datos= read.csv(file= " C:/Users/BELEN BENITEZ

BAILON/Desktop/ESTADISTICA/Datosnormal.cvs”,header=T,sep=”;”)

attach(Datos)

names(Datos)g

head(Datos)

#1. Principales estadísticas de resumen

summary(Tamaño.gr.)

#2. Sesgo y kurtosis estimados

install.packages("moments")

library(moments)

skewness(Tamaño.gr.)

kurtosis(Tamaño.gr.)

#3. Estimador histograma

hist(Tamaño.gr.,col="blue",prob=T,breaks=15)

#presenta algo de sesgo a los lados

#4. Gráficaboxplot

bp=boxplot(Tamaño.gr.,col="red",main="Gráfico de cajas y bigotes")

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])

#5. Especificación de modelo estadístico

#No se asemeja a una distribución normal, puede ser una exponencial.

#6. Estimación puntual y por intervalos

# Estimación puntual

mu=mean(Peso.gr.)

sigma2=var(Peso.gr.)

# Estimación por intervalos para la media

alpha=0.05

Z_alpha2=-qnorm(alpha/2)

de=1 ## Seguimos suponiendo que conocemos la desviación estándar

N=length(Peso.gr.)

LI=mu-Z_alpha2*de/sqrt(N)

LS=mu+Z_alpha2*de/sqrt(N)

#7. Comparar el estimador histograma con la densidad ajustada

hist(Peso.gr.,col="orange",prob=T,breaks=10)

# Se conoce la distribución aproximada por el TCL

curve(dnorm(x),add=T,col="blue",lwd=2)

# En ajustes convencionales pruebo con el modelo estimado

hist(Peso.gr.,col="orange",prob=T,breaks=10)

curve(dnorm(x,mu,sqrt(sigma2)),add=T,col="blue",lwd=2)

#8. Gráficas Q-Q

qqnorm(Peso.gr.,col="red")

qqline(Peso.gr.,col="blue",lwd=2)
#Los datos no se ajustan a una distribución normal

#9. Pruebas de bondad de ajuste

install.packages("nortest")

library(nortest)

ad.test(Tamaño.gr.)

#Los datos se rechazan debido a que el p-valor es muy pequeño.

3.- Analizaremos datos de absorción de carbono en Necromasa en la parte baja de la reserva

Colonso-chalupas. En particular los datos se relacionan con la absorción de Carbono en restos
leñosos caídos.

## Lectura de datos

rlc_carbono=data.frame(read.csv("C:/Users/BELEN BENITEZ
BAILON/Desktop/ESTADISTICA/Carbono.csv",header=T,sep=","))

C:/Users/BELEN BENITEZ BAILON/Desktop/ESTADISTICA/Carbono.csv

## Revisión del conjunto de datos

#head(rlc_carbono)

#dim(rlc_carbono)

#names(rlc_carbono)

#rlc_carbono=rlc_carbono[,-c(1,2)]

#ls()

attach(rlc_carbono)

carbono

#1. Principales estadísticas de resumen

summary(carbono)

#2. Sesgo y kurtosis estimados

install.packages("moments")

library(moments)

skewness(carbono)
kurtosis(carbono)

#3. Estimador histograma

hist(carbono,col="blue",prob=T,breaks=10)

#4. Gráfica boxplot

bp=boxplot(carbono,col="red",main="Gráfico de cajas y bigotes")

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])

#5. Especificación de modelo estadístico

#6. Estimación puntual y por intervalos

# Estimación puntual

mu=mean(carbono)

sigma2=var(carbono)

# Estimación por intervalos para la media

alpha=0.05

Z_alpha2=-qnorm(alpha/2)

de=1 ## Seguimos suponiendo que conocemos la desviación estándar

N=length(carbono)

LI=mu-Z_alpha2*de/sqrt(N)

LS=mu+Z_alpha2*de/sqrt(N)

#7. Comparar el estimador histograma con la densidad ajustada

hist(carbono,col="black",prob=T,breaks=10,ylim=c(0,.4))

# Conozco la distribución aproximada por el TCL

curve(dnorm(x),add=T,col="red",lwd=2)

# En ajustes convencionales pruebo con el modelo estimado

hist(carbono,col="blue",prob=T,breaks=10,ylim=c(0,.4))
curve(dnorm(x,mu,sqrt(sigma2)),add=T,col="red",lwd=2)

#8. Gráficas Q-Q

qqnorm(carbono,col="yellow") ## 5. QQ-plots y PP-plots

qqline(carbono,col="black")

#9. Gráficas P-P

## Investigar cómo se calcula un PP-plot en R ## Grafica

#10. Pruebas de bondad de ajuste

library(nortest)

ad.test(carbono)

4.- Tarea de Zar

##PRUEBA DE DOS COLAS

##1)SUPONEMOS QUE H0:Mu=0

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))

alpha=0.05##Definir el riesgo a tomar

t_alpha2=abs(qt(alpha/2,n-1))##Valor critico

##I.C al (1-alpha)%

LI=media-t_alpha2*sqrt(s2/n) ##intevalo de confianza

LS=media+t_alpha2*sqrt(s2/n) ##intevalo de confianza

##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)suponer que H0:Mu>=0

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))

alpha=0.05##Definir el riesgo a tomar

t_alpha2=abs(qt(alpha/2,n-1))##Valor critico

##I.C al (1-alpha)%

LI=media-t_alpha2*sqrt(s2/n) ##intevalo de confianza

LS=media+t_alpha2*sqrt(s2/n) ##intevalo de confianza

##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))

alpha=0.05##Definir el riesgo a tomar

t_alpha2=abs(qt(alpha/2,n-1))##Valor critico

##I.C al (1-alpha)%

LI=media-t_alpha2*sqrt(s2/n) ##intervalo de confianza

LS=media+t_alpha2*sqrt(s2/n) ##intervalo de confianza

##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%