Departamento de Estadística, Econometría, Investigación Operativa, Organización de Empresas y Economía Aplicada.
FORMULARIO DE COMANDOS
Programa RStudio
# ======================================== t <- (x - mu) / (s / sqrt(n))
# DESCRIPTIVA Y REGRESIÓN LINEAL pt(t, df = gl) # P(T <= t)
# ========================================
hist # ========================================
barplot # VALORES CRÍTICOS
mean # ========================================
median alfamedios <- (1 - NC) / 2
sort z <- qnorm(1 - alfamedios)
var t <- qt(1 - alfamedios, df = gl)
sd
[Link](sd, avg=mean) Intervalos de confianza — una población
IQR
# ========================================
skew
# IC PARA LA MEDIA (una población)
kurtosi
# ========================================
cor
# x - epsilon <= mu <= x + epsilon
[Link]
# epsilon = z * EE (sigma conocida)
plot
# epsilon = t * EE (sigma desconocida)
lm(formula = y~x)
EE <- sigma / sqrt(n) # sigma conocida
reg_lin <- lm(y~x)
EE <- s / sqrt(n) # sigma descon.
# ======================================== linf <- x - z * EE
# DISTRIBUCIONES DE PROBABILIDAD lsup <- x + z * EE
# ======================================== # Método directo (sigma desconocida):
n * p # Media Binomial # [Link](vector, [Link] = NC)
n * p * q # Var Binomial
# ========================================
sqrt()
# IC PARA LA PROPORCIÓN (una población)
# ========================================
# Binomial
[Link](x, n, [Link])
dbinom(x, size, prob) # P(X = x)
pbinom(q, size, prob) # P(X <= q) # ========================================
# IC PARA LA VARIANZA (una población)
# Poisson # Distribución Chi-cuadrado
dpois(x, lambda) # P(X = x) # ========================================
ppois(q, lambda) # P(X <= q) # ((n-1)*s^2)/chi_sup <= sigma^2
# <= ((n-1)*s^2)/chi_inf
# Tipificación Normal chi_sup <- qchisq(1 - alfamedios, n - 1)
z <- (x - mu) / sigma chi_inf <- qchisq( alfamedios, n - 1)
z <- (x - mu) / (sigma / sqrt(n)) linf <- ((n - 1) * s^2) / chi_sup
pnorm(z) # P(Z <= z) lsup <- ((n - 1) * s^2) / chi_inf
# t de Student # pnorm y pt devuelven P(Z<=z) y P(T<=t)
1/3
Intervalos de confianza — dos poblaciones
# ======================================== # ========================================
# I. DIF. MEDIAS - VAR. CONOCIDAS (Normal) # IV. DIF. MEDIAS - MUESTRAS RELACIONADAS
# ======================================== # (pareadas) d = antes - despues
# (x1-x2) - eps <= mu1-mu2 <= (x1-x2) + eps # ========================================
# eps = z * sqrt(sigma1^2/n1 + sigma2^2/n2) # mean(d) - eps <= mu_d <= mean(d) + eps
alfamedios <- (1 - NC) / 2 # eps = t * sd(d) / sqrt(n)
z <- qnorm(1 - alfamedios) d <- antes - despues
epsilon <- z * sqrt(sigma1^2/n1 + n <- length(d)
sigma2^2/n2) gl <- n - 1
(x1 - x2) - epsilon t <- qt(1 - alfamedios, df = gl)
(x1 - x2) + epsilon epsilon <- t * sd(d) / sqrt(n)
# Sin método directo en R (solo manual). mean(d) - epsilon
mean(d) + epsilon
# ======================================== # Método directo:
# II. DIF. MEDIAS - VAR. DESCONOCIDAS [Link](antes, despues, paired = TRUE,
# E IGUALES (pooled Sp^2) [Link] = NC)
# ========================================
# (x1-x2) - eps <= mu1-mu2 <= (x1-x2) + eps # ========================================
# eps = t * Sp * sqrt(1/n1 + 1/n2) # V. DIFERENCIA DE PROPORCIONES
gl <- n1 + n2 - 2 # ========================================
Sp2 <- ((n1-1)*s1^2 + (n2-1)*s2^2) / gl # (p1-p2) - eps <= p1-p2 <= (p1-p2) + eps
Sp <- sqrt(Sp2) # eps = z * sqrt(p1*q1/n1 + p2*q2/n2)
t <- qt(1 - alfamedios, df = gl) z <- qnorm(1 - alfamedios)
epsilon <- t * Sp * sqrt(1/n1 + 1/n2) epsilon <- z * sqrt(p1*(1-p1)/n1 +
(x1 - x2) - epsilon p2*(1-p2)/n2)
(x1 - x2) + epsilon (p1 - p2) - epsilon
# Método directo: (p1 - p2) + epsilon
[Link](v1, v2, [Link] = TRUE, # Método directo:
[Link] = NC) [Link](c(x1, x2), c(n1, n2),
[Link] = NC)
# ========================================
# III. DIF. MEDIAS - VAR. DESCONOCIDAS # ========================================
# Y DISTINTAS (Satterthwaite) # VI. COCIENTE DE VARIANZAS (F de Snedecor)
# ======================================== # ========================================
# (x1-x2) - eps <= mu1-mu2 <= (x1-x2) + eps # F_inf*(s1^2/s2^2) <= sigma1^2/sigma2^2
# eps = t * sqrt(s1^2/n1 + s2^2/n2) # <= F_sup*(s1^2/s2^2)
rho <- (s1^2/n1 + s2^2/n2)^2 / F_inf <- qf(alfamedios,
((s1^2/n1)^2/(n1-1) + df1 = n1-1, df2 = n2-1)
(s2^2/n2)^2/(n2-1)) F_sup <- qf(1 - alfamedios,
rho <- round(rho) df1 = n1-1, df2 = n2-1)
t <- qt(1 - alfamedios, df = rho) F_inf * (s1^2 / s2^2)
epsilon <- t * sqrt(s1^2/n1 + s2^2/n2) F_sup * (s1^2 / s2^2)
(x1 - x2) - epsilon # Método directo:
(x1 - x2) + epsilon [Link](v1, v2, [Link] = NC)
# Método directo:
[Link](v1, v2, [Link] = FALSE, # ========================================
[Link] = NC) # LECTURA DE ARCHIVOS EXCEL
# ========================================
library(readxl)
# Si no está instalada:
# [Link]("readxl")
datos <- read_excel("Nombre_del_archivo.xlsx")
# Seleccionar columnas:
datos$nombre_columna
2/3
Contraste de hipótesis — una población
# ======================================== # ========================================
# VALORES CRÍTICOS SEGÚN EL CONTRASTE # CONTRASTE PARA LA PROPORCIÓN
# ======================================== # ========================================
alfamedios <- alfa / 2 p <- x / n
q <- 1 - p0
# Bilateral z <- (p - p0) / sqrt((p0 * q) / n)
crit <- qnorm(1 - alfamedios) zcrit <- qnorm(1 - alfamedios)
crit <- qt(1 - alfamedios, df = gl)
# Método directo:
# Unilateral derecha [Link](x, n, p = p0,
crit <- qnorm(1 - alfa) alternative = "[Link]",
crit <- qt(1 - alfa, df = gl) [Link] = 1 - alfa)
# alternative = "[Link]", "greater" or "less"
# Unilateral izquierda
crit <- qnorm(alfa) # ========================================
crit <- qt(alfa, df = gl) # CONTRASTE PARA LA VARIANZA
# Distribución Chi-cuadrado
# ======================================== # ========================================
# CONTRASTE PARA LA MEDIA gl <- n - 1
# Varianza poblacional CONOCIDA (Z) chisq <- ((n - 1) * s^2) / sigma0^2
# ======================================== chi_inf <- qchisq( alfamedios, df = gl)
z <- (x - mu0) / (sigma / sqrt(n)) chi_sup <- qchisq(1 - alfamedios, df = gl)
zcrit <- qnorm(1 - alfamedios)
# ========================================
# CONTRASTE PARA LA MEDIA
# Varianza poblacional DESCONOCIDA (t)
# ========================================
gl <- n - 1
t <- (x - mu0) / (s / sqrt(n))
tcrit <- qt(1 - alfamedios, df = gl)
# Método directo:
[Link](vector, mu = mu0,
alternative = ,
[Link] = 1 - alfa)
# alternative = "[Link]", "greater" or "less"
3/3