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.
PRUEBAS NO PARAMETRICAS CON LA BINOMIAL USANDO R.

#Ejemplo 1 pág. 97 conover.

#Ho: p=3/4
#H1: p!=3/4

#La prueba binomial exacta sin usar la aproximación normal es:

binom.test(c(682, 243), p = 3/4)

#También se puede escribir:

binom.test(682, 682 + 243, p = 3/4)

#Nos da como salida el p-valor,el intervalo de confianza del 95% y
#el valor estimado de la proporción p.

#CONSTRUCCIÓN DE LA APROXIMACIÓN NORMAL.

n=925
p=0.75
T=682
alfa=0.05
w=qnorm(alfa/2, mean=0, sd=1, lower.tail = FALSE, log.p = FALSE)
t1=n*p-w*(n*p*(1-p))^0.5
t1
t2=n*p+w*(n*p*(1-p))^0.5
t2

if(T<=t1 || T>t2) print("RECHAZAMOS Ho")else print("ACEPTAMOS Ho")

#El p-valor usando la binomial exacta:

sum(dbinom(0:T,n,p))
sum(dbinom(T:n,n,p))
pbinom(n-220, n,p, lower.tail = FALSE, log.p = FALSE)
pbinom(n-221, n,p, lower.tail = FALSE, log.p = FALSE)

pvalor=sum(dbinom(0:T,n,p))+pbinom(n-220, n,p, lower.tail = FALSE, log.p

= FALSE)
pvalor

#El p-valor usando la aproximacion normal:

a<-pnorm(T, mean=n*p, sd=(n*p*(1-p))^0.5,lower.tail = TRUE, log.p =

FALSE)
pvalor=2*min(a,1-a)
pvalor

#INTERVALOS DE CONFIANZA PARA LAS PROPORCIONES.

#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:
binom.test(7, 20, p =0.35, conf.level = 0.95)

#Ejercicio 1, pág 103.

binom.test(0, 18, p =0.20, conf.level = 0.95)

#Ejercicio 2, pág 104.

binom.test(6, 16, p =0.10, conf.level = 0.95)

#Ejercicio 3, pág 104.

binom.test(38,180, p =6/36, conf.level = 0.95)

#c) Usando la aproximación.

n=180
p=38/180
T=38
alfa=0.05
w=qnorm(alfa/2, mean=0, sd=1, lower.tail = FALSE, log.p = FALSE)

L=(T/n)-w*((n*p*(1-p))^0.5)/n
U=(T/n)+w*((n*p*(1-p))^0.5)/n
L
U

#Ejercicio 5, pág 104.

x<-
c(142,103,86,165,134,154,119,81,98,122,161,117,119,93,144,128,131,137,158
,103)
n=length(x)
alfa=0.05
T=0
for (i in 1:n) {if(x[i]<=100) T=T+1}
T
p=T/n
binom.test(T,n, p, conf.level = 0.95)
sum(dbinom(0:T,n,p))
sum(dbinom(T:n,n,p))
pvalor=2*min(sum(dbinom(0:T,n,p)),sum(dbinom(T:n,n,p)),0.5)
pvalor
PRUEBAS NO PARAMETRICAS CON WILCOXON USANDO R.

#COMANDOS PARA LA DENSIDAD DE WILCOXON.

dsignrank(x, n, log = FALSE)

psignrank(q, n, lower.tail = TRUE, log.p = FALSE)
qsignrank(p, n, lower.tail = TRUE, log.p = FALSE)
rsignrank(nn, n)

#Ejemplo: Funcion de masa de Wilcoxon para n=4

n=4
x<-seq(0,n*(n+1)/2);x
fx<-dsignrank(x,n)
fx

#Función de distribución acumulada:

Fx<-psignrank(x, n, lower.tail = TRUE, log.p = FALSE);Fx

#Gráfico de la función de masa:

plot(x, fx,type='h', col="violet",
main= "Distribución fx del rango con signo del estadistico de
Wilcoxon(n=4)")

#Gráfico de función de distribución.

plot(x,Fx,type='h', col="violet",
main= "Distribución Fx del rango con signo del estadistico de
Wilcoxon(n=4)")

#Cuantil 0.025:
qsignrank(0.025, n, lower.tail = TRUE, log.p = FALSE)

#Cuantil 0.975
qsignrank(0.025, n, lower.tail = FALSE, log.p = FALSE)

#Muestra aleatoria de tamaño 5 de una población de Wilcoxon con n=4:

rsignrank(5,n)

#PRUEBA DE WILCOXON.

#Ejemplo 1. pág 208, Conover.

#Ho:E(X)<=E(Y)

x<-c(86,71,77,68,91,72,77,91,70,71,88,87)
y<-c(88,77,76,64,96,72,65,90,65,80,81,72)
wilcox.test(y, x, paired = TRUE, alternative = "less")
PRUEBA DE MANN WHITNEY

wilcox.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, exact = NULL, correct = TRUE,
conf.int = FALSE, conf.level = 0.95, ...)

Ejemplo 1 pág 226 conove

x<-c(14.8,7.3,5.6,6.3,9,4.2,10.6,12.5,12.9,16.1,11.4,2.7)
y<-c(12.7,14.2,12.6,2.1,17.7,11.8,16.9,7.9,16,10.6,5.6,5.6,7.6,11.3,8.3,
6.7,3.6,1,2.4,6.4,9.1,6.7,18.6,3.2,6.2,6.1,15.3,10.6,1.8,5.9,9.9,10.6,
14.8,5,2.6,4)
wilcox.test(x, y, paired = FALSE, alternative = "greater")

#INTERVALOS DE CONFIANZA.

#Ejempo 1. pág 218 conover.

z<-c(83,87,86,79,86,80,82,89)

wilcox.test(z, y = NULL,
paired = FALSE, exact = NULL, correct = TRUE,
conf.int = TRUE, conf.level = 0.90)

EJEMPLO 1 PAG 240 CONOVER

a<-c(7.3,6.9,7.2,7.8,7.2)
b<-c(7.4,6.8,6.9,6.7,7.1)
wilcox.test(a, b ,paired = FALSE, exact = NULL, correct = TRUE,
conf.int = TRUE, conf.level = 0.95)

ELABORANDO UN PROGRAMA PARA HALLAR T.

#Ejemplo 1. pág 208, Conover.

#Ho:E(X)<=E(Y)

x<-c(86,71,77,68,91,72,77,91,70,71,88,87)
y<-c(88,77,76,64,96,72,65,90,65,80,81,72)
z<-y-x
z
indice<-which(z!=0);indice
z1<-z[indice];z1
n=length(z1);n
abs(z1)
z2<-rank(abs(z1))
z2
T=0
for(i in 1:n) if(z1[i]>0) T=T+z2[i]
T
TAREA 2:Hacer un programa en R que resuelva el ejemplo 2 pág 209 conover
exactamente y usando la aproximación. Tambien el problema 1 pág 222
Conover.

TAREA 3: Hacer un conjunto de instrucciones(sintaxis) que desarrollen los

estadísticos para las pruebas de Mann-Whitney para un ejemplo y un
ejercicio.