Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Modelos

    Cargado por

    Iván Avila
    19 vistas2 páginas
    Este documento analiza la distribución de frecuencias de un conjunto de datos de reclamos (clsize) usando diferentes distribuciones como exponencial y gamma. Primero resume los datos y calcula estadísticos como la media, desviación estándar y cuantiles. Luego ajusta los datos a una distribución exponencial usando máxima verosimilitud y calcula probabilidades. Finalmente, ajusta los datos a una distribución gamma usando mínimos cuadrados modificados y maximiza la verosimilitud de una gamma usando un método no line

    Descripción original:

    Título original

    modelos.txt

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    TXT, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento analiza la distribución de frecuencias de un conjunto de datos de reclamos (clsize) usando diferentes distribuciones como exponencial y gamma. Primero resume los datos y calcula estadísticos como la media, desviación estándar y cuantiles. Luego ajusta los datos a una distribución exponencial usando máxima verosimilitud y calcula probabilidades. Finalmente, ajusta los datos a una distribución gamma usando mínimos cuadrados modificados y maximiza la verosimilitud de una gamma usando un método no line

    Copyright:

    © All Rights Reserved
    Descargue como TXT, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    19 vistas2 páginas

    Modelos

    Cargado por

    Iván Avila
    Este documento analiza la distribución de frecuencias de un conjunto de datos de reclamos (clsize) usando diferentes distribuciones como exponencial y gamma. Primero resume los datos y calcula estadísticos como la media, desviación estándar y cuantiles. Luego ajusta los datos a una distribución exponencial usando máxima verosimilitud y calcula probabilidades. Finalmente, ajusta los datos a una distribución gamma usando mínimos cuadrados modificados y maximiza la verosimilitud de una gamma usando un método no line

    Copyright:

    © All Rights Reserved
    Descargue como TXT, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 2

    install.

    packages("ggplot2")
    library(ggplot2)
    reclamos <- read.csv("severidad.csv", header = TRUE, sep=",")
    str(reclamos)
    hist(reclamos)
    ggplot()

    library(actuar)
    library(MASS)
    library(fitdistrplus)

    clsize<-
    c(8,134,266,358,532,622,730,865,1001,1228,1577,1832,2265,2630,4161,5622,8319,19832,
    42,150,275,380,559,634,765,876,1023,1288,1599,1919,2289,2723,4414,5801,8633,22421,7
    2,178,286,411,560,649,770,889,1087,1351,1609,1976,2390,2827,4673,5989,9413,27641,10
    3,191,311,422,564,652,778,902,1092,1396,1656,2030,2426,2969,4870,6184,10216,34975,1
    08,207,320,448,582,666,796,911,1095,1432,1687,2077,2443,3116,5161,6256,11899,117,21
    5,321,486,593,678,815,935,1114,1476,1742,2114,2500,3332,5253,6742,12829,120,228,323
    ,511,605,701,823,960,1148,1504,1772,2162,2572,3706,5447,7111,13821,122,231,350,514,
    612,722,844,993,1196,1531,1804,2215,2604,4103,5410,7555,14433)
    summary(clsize)
    media <- mean(clsize)
    desvest <- sd(clsize)
    range(clsize)
    min(clsize)
    max(clsize)
    quantile(clsize)

    library(moments)
    skewness(clsize)
    kurtosis(clsize)
    hist(clsize)
    menores <- clsize<15000
    hist(clsize[menores])

    # En cada caso tendremos una distribuci�n de frecuencias agrupadas con las mismas
    diez celdas basandolas
    #en un conjuto de grupos equi-probables determinados por las distribuci�n
    exponencial

    j=1:9
    upbd = qexp(j/10, 1/mean(clsize))
    pexp(upbd, 1/media)
    140*pexp(upbd, 1/media)

    # Revisi�n usando Fitdist (Exponencial)


    ajuste_exp <- fitdistr(clsize, "exponential", method="mle")
    ajuste_exp$estimate
    ajuste_exp$loglik
    summary(ajuste_exp)
    140*pexp(upbd, ajuste_exp$estimate)

    # Revisi�n de una Gamma


    sumlog = sum(log(clsize))
    sumlog

    gamma_1 <- fitdist(clsize, "gamma", method="mme")


    gamma_1
    plot(gamma_1)
    summary(gamma_1)

    nlm()

    fg <- function(x){
    +-((140*x[1]*(log(x[1])-log(media)-1))+sumlog*(x[1]-1)-140*log(gamma(x[1])))
    }

    nlm(fg, 0.5)

    También podría gustarte