You are on page 1of 6

PRUEBAS NO PARAMETRICAS CON LOS CUANTILES USANDO R.

#Dada la muestra:
x<-c(690,750,680,700,660,710,720,730,650,670,740,730,660,750,690)
#Queremos ver si el tercer cuartil poblacional
# es 693.

#PROGRAMA:
n=length(x)
Ho=693
p=0.75
u=1-p;u
K=0
for (i in 1:n) {if(x[i]>Ho) K=K+1}
K # K=binm(n,u)
a<-n*u;a # a es E(K)
for (i in 1:n) {suma= sum(dbinom(0:i-1,n,u)); if(suma<=0.025) t1=i-1}
t1
s=n-t1;s # n-s=t1
a1<-sum(dbinom(0:t1,n,u));a1
for (i in 1:n) {suma= sum(dbinom(n-i+1:n,n,u)); if(suma<=0.025) t2=n-i+1}
t2
r=n-t2+1;r # n-r+1=t2.
a2<-sum(dbinom(t2:n,n,u));a2
TamRegcritica=a1+a2;TamRegcritica
if(K<=t1||K>=t2) print("RECHAZAMOS Ho") else print("ACEPTAMOS Ho")

TAREA 1:Hacer un programa en R que resuelva los prob. 3 y 4, pág 115 de
Conover.

n=925 p=0. 682 + 243.p = FALSE) pvalor=sum(dbinom(0:T. mean=n*p.n. lower.5 t1 t2=n*p+w*(n*p*(1-p))^0. n. log.p)) sum(dbinom(T:n.p.5 t2 if(T<=t1 || T>t2) print("RECHAZAMOS Ho")else print("ACEPTAMOS Ho") #El p-valor usando la binomial exacta: sum(dbinom(0:T. #Ho: p=3/4 #H1: p!=3/4 #La prueba binomial exacta sin usar la aproximación normal es: binom.p))+pbinom(n-220.PRUEBAS NO PARAMETRICAS CON LA BINOMIAL USANDO R.tail = FALSE.tail = FALSE.5.p = FALSE) pvalor=2*min(a. 97 conover. sd=1. lower.n.test(682.1-a) pvalor #INTERVALOS DE CONFIANZA PARA LAS PROPORCIONES.tail = FALSE. 243). p = 3/4) #Nos da como salida el p-valor. #Ejemplo 1 pág.p. #CONSTRUCCIÓN DE LA APROXIMACIÓN NORMAL.lower.05 w=qnorm(alfa/2.n. #Ejemplo 2 pág 100 Conover #La proporción utilizada en el siguiente comando es la estimada #Nos proporciona el intervalo del 95% para parámetro p poblacional: . log. log.p = FALSE) t1=n*p-w*(n*p*(1-p))^0.p = FALSE) pvalor #El p-valor usando la aproximacion normal: a<-pnorm(T.tail = TRUE.p)) pbinom(n-220.p = FALSE) pbinom(n-221.p. n. mean=0.tail = FALSE. log. sd=(n*p*(1-p))^0.el intervalo de confianza del 95% y #el valor estimado de la proporción p. log. p = 3/4) #También se puede escribir: binom.test(c(682. n. lower. lower.75 T=682 alfa=0.

95) #c) Usando la aproximación.test(T.165.95) #Ejercicio 1.131.5)/n L U #Ejercicio 5.n. pág 104.180.p)) sum(dbinom(T:n.103) n=length(x) alfa=0.test(6. conf.test(38. lower.tail = FALSE.10. binom. conf. conf.137.128.05 T=0 for (i in 1:n) {if(x[i]<=100) T=T+1} T p=T/n binom.5)/n U=(T/n)+w*((n*p*(1-p))^0.binom.134. pág 104.test(7.35.n.93. p =0.154.122. conf. p =6/36. p =0. binom.158 . 18.05 w=qnorm(alfa/2.n. pág 103. mean=0.n.p)). 20.level = 0. 16. pág 104.p)) pvalor=2*min(sum(dbinom(0:T.95) #Ejercicio 3.level = 0.level = 0.86. p =0.98.p = FALSE) L=(T/n)-w*((n*p*(1-p))^0.n. n=180 p=38/180 T=38 alfa=0.161.119.81.95) sum(dbinom(0:T. p.20.5) pvalor . log. binom.sum(dbinom(T:n.119. conf.0.144. sd=1.103.p)). x<- c(142.level = 0.117.level = 0.test(0.95) #Ejercicio 2.

91.tail = TRUE.n) fx #Función de distribución acumulada: Fx<-psignrank(x. n.88.tail = TRUE. col="violet".72. log. Conover.65.type='h'.x fx<-dsignrank(x. pág 208.90.81. fx.p = FALSE).975 qsignrank(0. log.025.71.77. main= "Distribución Fx del rango con signo del estadistico de Wilcoxon(n=4)") #Cuantil 0.n*(n+1)/2).n) #PRUEBA DE WILCOXON.tail = TRUE. #Ho:E(X)<=E(Y) x<-c(86. main= "Distribución fx del rango con signo del estadistico de Wilcoxon(n=4)") #Gráfico de función de distribución. lower. n.68.65.tail = TRUE. n. lower. log. log = FALSE) psignrank(q. n) #Ejemplo: Funcion de masa de Wilcoxon para n=4 n=4 x<-seq(0.72) .p = FALSE) #Muestra aleatoria de tamaño 5 de una población de Wilcoxon con n=4: rsignrank(5.87) y<-c(88.71.type='h'.80. lower.64.70.Fx #Gráfico de la función de masa: plot(x.p = FALSE) rsignrank(nn.p = FALSE) #Cuantil 0.025: qsignrank(0.77. lower. #COMANDOS PARA LA DENSIDAD DE WILCOXON.77. log.96. n. col="violet".91.PRUEBAS NO PARAMETRICAS CON WILCOXON USANDO R. n.025.tail = FALSE. n. #Ejemplo 1. log.76. lower.Fx. plot(x.72.p = FALSE) qsignrank(p. dsignrank(x.

77.90.1. conf.7.3. paired = FALSE.87.11. pág 208.5.7.2.72.76. exact = NULL.6.9.test(x.7.11.9.6. #Ejemplo 1.8.6.88.16.86.4.3... mu = 0.test(y.4.test(z. Conover.int = TRUE.level = 0.1.16.8.indice z1<-z[indice].7.9.80. alternative = "less") PRUEBA DE MANN WHITNEY wilcox.6. #Ho:E(X)<=E(Y) x<-c(86.65.7.5.8.77.7.z1 n=length(z1). paired = FALSE. 14.6.9.15.3. conf.9.test(a. "less".6.6.int = TRUE.wilcox.1.95.89) wilcox.77.68.sided".96.4.10.7. conf.3.6.95) ELABORANDO UN PROGRAMA PARA HALLAR T.6.17.1.5.paired = FALSE.71.11.3.7.81.2.4. exact = NULL.6.12.5.n abs(z1) z2<-rank(abs(z1)) z2 T=0 for(i in 1:n) if(z1[i]>0) T=T+z2[i] T .90) EJEMPLO 1 PAG 240 CONOVER a<-c(7.6.1. conf.87) y<-c(88. y.3.14.6.7.6.70.10.72) z<-y-x z indice<-which(z!=0).65.10.2) b<-c(7.18.4.2.2.9. "greater").9. .91. y = NULL.6.8. conf.6.64. conf.6.2. pág 218 conover.6.test(x.) Ejemplo 1 pág 226 conove x<-c(14.7.4) wilcox.79.6.7) y<-c(12. y = NULL.level = 0. alternative = "greater") #INTERVALOS DE CONFIANZA. x. paired = TRUE.8.6.5.80.2. z<-c(83.3. correct = TRUE.1.12.82.8.6.1) wilcox. paired = FALSE.16.91.2.9. correct = TRUE.10.6.2.9.int = FALSE. alternative = c("two.level = 0.86.72.8. 6.2.7. b .7. exact = NULL.12. correct = TRUE. #Ejempo 1.5.3.71.9.

TAREA 2:Hacer un programa en R que resuelva el ejemplo 2 pág 209 conover exactamente y usando la aproximación. TAREA 3: Hacer un conjunto de instrucciones(sintaxis) que desarrollen los estadísticos para las pruebas de Mann-Whitney para un ejemplo y un ejercicio. Tambien el problema 1 pág 222 Conover. .