Scribd
Cargar
85 vistas7 páginas

Ejercicios Resueltos Sobre Distribuciones de Probabilidad

Este documento presenta 4 ejercicios resueltos en R sobre distribuciones de probabilidad como la binomial, chi cuadrado y normal. El primer ejercicio utiliza la prueba chi cuadrado para determinar si unos datos provienen de una distribución binomial. El segundo crea una función para realizar la prueba chi cuadrado de bondad de ajuste para la normal. El tercero prueba la función con dos conjuntos de datos. El cuarto crea una función para calcular los rangos de unos datos.

Cargado por

Mario Orlando Suárez Ibujés
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
85 vistas7 páginas

Ejercicios Resueltos Sobre Distribuciones de Probabilidad

Este documento presenta 4 ejercicios resueltos en R sobre distribuciones de probabilidad como la binomial, chi cuadrado y normal. El primer ejercicio utiliza la prueba chi cuadrado para determinar si unos datos provienen de una distribución binomial. El segundo crea una función para realizar la prueba chi cuadrado de bondad de ajuste para la normal. El tercero prueba la función con dos conjuntos de datos. El cuarto crea una función para calcular los rangos de unos datos.

Cargado por

Mario Orlando Suárez Ibujés
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

EJERCICIOS RESUELTOS SOBRE DISTRIBUCIÓN BINOMIAL, CHI CUADRADO,

DISTRIBUCIÓN NORMAL Y FUNCIÓN PROPIA EN R


Por: Mario Orlando Suárez Ibujés
Fecha: 4/12/2023
https://orcid.org/0000-0002-3962-5433
https://scholar.google.com/citations?user=FUoyU1cAAAAJ&hl=e
http://repositorio.utn.edu.ec/handle/123456789/760

Tabla de Contenidos
Ejercicio 1 ............................................................................................................................................................ 1
Ejercicio 2 ............................................................................................................................................................ 5
Ejercicio 3 ............................................................................................................................................................ 5
Ejercicio 4 ............................................................................................................................................................ 6

Ejercicio 1
A través de la prueba chi cuadrada de bondad de ajuste, pruebe si los siguientes datos provienen de
una distribución binomial de parámetros 𝑛 = 7, 𝑝 = 0.67 4 5 5 5 5 5 5 6 3 6 5 4 4 3 4

Hipótesis
𝐻0 : 𝑓(𝜋) = 𝑓(𝜋̂) Los datos provienen de una distribución binomial
𝐻0 : 𝑓(𝜋) ≠ 𝑓(𝜋̂) Los datos no provienen de una distribución binomial
Donde:
𝑓(𝜋)𝑖 : 𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎𝑠 (𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑡𝑒ó𝑟𝑖𝑐𝑎𝑠)
𝑓(𝜋̂)𝑖 : 𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑎𝑠

x=c(4,5,5,5,5,5,5,6,3,6,5,4,4,3,4)
n=length(x)
n

## [1] 15

Calculando las frecuencias


library(fdth)

##
## Attaching package: 'fdth'
## The following objects are masked from 'package:stats':
##
## sd, var

tf=fdt(x)
tf

## Class limits f rf rf(%) cf cf(%)


## [2.97,3.588) 2 0.13 13.33 2 13.33
## [3.588,4.206) 4 0.27 26.67 6 40.00
## [4.206,4.824) 0 0.00 0.00 6 40.00
## [4.824,5.442) 7 0.47 46.67 13 86.67
## [5.442,6.06) 2 0.13 13.33 15 100.00

fr=table(x)
fobs=c(0,0,0,2,4,7,2,0)
fobs

## [1] 0 0 0 2 4 7 2 0

par(mfrow=c(1,2))
barplot(fobs)
z=c(0,1,2,3,4,5,7)
barplot(dbinom(z,7,0.76))

plot(dbinom(x,size=7,prob = 0.67))
dbinom(x=0:7,size=7,prob = 0.67)

## [1] 0.0004261844 0.0060569848 0.0368925436 0.1248384052 0.2534597924


## [6] 0.3087601107 0.2089588628 0.0606071161

pteor=dbinom(x=0:7,size=7,prob = 0.67)
sum(pteor)

## [1] 1

plot(pteor)

Frecuencias esperadas
fesp=n*pteor
fesp
## [1] 0.006392766 0.090854772 0.553388154 1.872576078 3.801896886 4.631401661
## [7] 3.134382942 0.909106741

Estadístico de prueba
𝑘
2
(𝑓(𝜋)𝑖 − 𝑓(𝜋̂)𝑖 )2
𝜒 =∑
𝑓(𝜋)𝑖
𝑖=1

Con k-1 grados de libertad


ep=sum(((fesp-fobs)^2)/fesp)
ep

## [1] 3.200639

p-valor
k=length(fobs)
k

## [1] 8

pvalue=pchisq(q=ep,df=k-1,lowe=F)
pvalue

## [1] 0.8658419

curve(dchisq(x,df=k-1),0,25)

Comprobación
chisq.test(fobs,p=pteor)

## Warning in chisq.test(fobs, p = pteor): Chi-squared approximation may be


## incorrect

##
## Chi-squared test for given probabilities
##
## data: fobs
## X-squared = 3.2006, df = 7, p-value = 0.8658
ep

## [1] 3.200639

pvalue

## [1] 0.8658419

Decisión y Conclusión
Como p-valor = 0.8658 es mayor que 0.05 No se rechaza 𝐻0 y se concluye que no existe evidencia
para decir que los datos no provienen de una distribución binomial al 95% de confianza.

Ejercicio 2
Elaborar una R función propia que, con base en la prueba chi cuadrado de bondad de ajuste, calcule
el estadístico de prueba y el p valor para determinar si un grupo de datos proviene o no de una
distribución normal. La función debe contener un solo argumento que es el vector de datos.
funcion.chi.bond.ajust=function(x){
tf=fdt(x)
fobs=tf$table$f
fobs=c(0,fobs,0)
med=mean(x)
de=sd(x)
pteor=NULL
int=seq(tf$breaks[1],tf$breaks[2],tf$breaks[3])
m=length(int)
for (i in 1:(m-1)) {
pteor[i]<-pnorm(int[i + 1], med, de) - pnorm(int[i], med, de)
}
pteor=c(pnorm(tf$breaks[1],med,de,lower.tail = T),pteor)
pteor=c(pteor,1-sum(pteor))
n=length(x)
fesp=n*pteor

ep=sum(((fesp-fobs)^2)/fesp)
k=length(fobs)

pvalor=pchisq(q=ep,df=k-1,lowe=F)
c("estadistico.prueba"=ep,"pvalor"=pvalor)
}

Ejercicio 3
Pruebe su función elaborada en 2. con los siguientes dos conjuntos de datos (por separado):
𝑥1 = 6.76, 4.7, 3.8, 1.97, 1.87, 1.63, 1.62, 1.55, 1.23, 0.63, −1.12, −1.25
𝑥2 = 3.90 3.89 3.41 1.98 4.10 2.24 3.88 1.09 4.01 3.71 2.57 2.96 3.57 4.08 2.69
Hipótesis
𝐻0 : 𝑓(𝜋) = 𝑓(𝜋̂) Los datos provienen de una distribución normal
𝐻0 : 𝑓(𝜋) ≠ 𝑓(𝜋̂) Los datos no provienen de una distribución normal

x1=c(6.76, 4.7, 3.8, 1.97, 1.87, 1.63, 1.62, 1.55, 1.23, 0.63, -1.12, -1.25)
x1

## [1] 6.76 4.70 3.80 1.97 1.87 1.63 1.62 1.55 1.23 0.63 -1.12 -1.25

funcion.chi.bond.ajust(x1)

## estadistico.prueba pvalor
## 9.0444022 0.1710963

Decisión y Conclusión
Como p-valor = 0.171 es mayor que 0.05 No se rechaza 𝐻0 y se concluye que no existe evidencia
para decir que los datos no provienen de una distribución normal al 95% de confianza.

x2=c(3.90, 3.89, 3.41, 1.98, 4.10, 2.24, 3.88, 1.09, 4.01, 3.71, 2.57, 2.96, 3.5
7, 4.08, 2.69)
x2

## [1] 3.90 3.89 3.41 1.98 4.10 2.24 3.88 1.09 4.01 3.71 2.57 2.96 3.57 4.08 2.
69

funcion.chi.bond.ajust(x2)

## estadistico.prueba pvalor
## 11.76915921 0.06732121

Decisión y Conclusión
Como p-valor = 0.067 es mayor que 0.05 No se rechaza 𝐻0 y se concluye que no existe evidencia
para decir que los datos no provienen de una distribución normal al 95% de confianza.

Ejercicio 4
Realice una R función propia que calcule los rangos de los datos contenidos en una variable. Pruebe
su función con los siguientes datos:
𝑥1 = 6.76, 4.7, 3.8, 1.97, 1.87, 1.63, 1.62, 1.55, 1.23, 0.63, −1.12, −1.25

Función creada
funcion.Rangos=function(x){
xabs=abs(x)
xabs_sort=sort(xabs)
ranks = match(xabs,xabs_sort)
c("rangos"=ranks)
}

Datos
x1 = c(6.76, 4.7, 3.8, 1.97, 1.87, 1.63, 1.62, 1.55, 1.23, 0.63, -1.12, -1.25)
x1

## [1] 6.76 4.70 3.80 1.97 1.87 1.63 1.62 1.55 1.23 0.63 -1.12 -1.25

Prueba de la función creada


funcion.Rangos(x1)

## rangos1 rangos2 rangos3 rangos4 rangos5 rangos6 rangos7 rangos8


## 12 11 10 9 8 7 6 5
## rangos9 rangos10 rangos11 rangos12
## 3 1 2 4

También podría gustarte