Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SNt_PPC<-function(lambda=15,tiempo=1,SA=1000000){
t <-rexp (1, lambda) # t representa el tiempo del primer
siniestro
x <-SA* rweibull (1 ,1/5,1/5) # x representa el monto del primer
siniestro
Ti <-c(0,t) # El vector T ira acumulando los tiempos en que van
ocurriendo siniestros
X <-c(0,x) # X ira acumulando los montos de los siniestros
N <-0 # N nos dira cuantos siniestros ocurren hasta el tiempo 1
while (t <tiempo) { # Mientras no se haya sobrepasado el tiempo
del proceso
N <-N+1 # Aumentamos el numero de siniestros
t <-t+ rexp (1, lambda) # Vemos el tiempo en el que ocurre el
siguiente siniestro
x <- 100000 * rweibull (1 ,1/5,1/5) # Calculamos su monto
Ti <-c(Ti,t) # Aumentamos un evento temporal
X <-c(X, tail (X ,1)+x) # Agregamos el monto de la reclamacion
}
S_nt<-tail(X,1)
return(S_nt)#Pedimos que la función nos regrese el acumulado de
los siniestros
}
n<-10
medias<-c()#Vector auxiliar en el que guardaremos las medias
for (i in 1:n) {
m<-SNt_PPC(lambda = 15,tiempo = 1, SA = 1000000)
medias[i]= m #En cada simulación guardamos su media
medias
mean(medias)
}
mean(medias)
n<-100
medias<-c()#Vector auxiliar en el que guardaremos las medias
for (i in 1:n) {
m<-SNt_PPC(lambda = 15,tiempo = 1, SA = 1000000)
medias[i]= m #En cada simulación guardamos su media
medias
mean(medias)
}
mean(medias)
n<-10000
medias<-c()#Vector auxiliar en el que guardaremos las medias
for (i in 1:n) {
m<-SNt_PPC(lambda = 15,tiempo = 1, SA = 1000000)
medias[i]= m #En cada simulación guardamos su media
medias
mean(medias)
}
mean(medias)
#########Ejercicio 6
###H0:Los datos provienen de una distribución Poisson vs Ha:Los
datos no provienen de una distribución Poisson.
Datos<- "C:\\LA\\RUTA\\DE\\TU\\ARCHIVO.xlsx"
###Declaramos a n=4208 (número de pólizas)
n<-4208
}
###H0:Los datos provienen de una distribución Bin Neg vs Ha:Los
datos no provienen de una distribución Bin Neg.
}
###Calculamos ei=n*pi
ei<-n*pi
###Calculamos la estadística T que nos ayudará a decidir si
rechazamos o no la hipótesis nula
error<-(Datos$Obs-ei)^2
T<-sum(error/ei)
if(T<W) {
"No se rechaza H0 con un nivel de significancia del .05%"
} else {
"Se rechaza H0 con un nivel de significancia del .05%"
}
###Por otro lado si usamos las frecuencias dadas como pi
###Calculamos ei pero esta vez usando la Frecuencia dada como
probabilidad pi. Quitamos las dos últimas clases ya que al no
tener frecuencia, su probabilidad es 0.
ei<-n*Datos$Frecuencia[-c(19,20)]
if(T<W) {
"No se rechaza H0 con un nivel de significancia del .05%"
} else {
"Se rechaza H0 con un nivel de significancia del .05%"