Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Felipe Arancibia
23-09-2021
Pregunta 1
Letra a)
Calculamos el Estimador KM manualmente, a través de la siguiente tabla:
tk dk qR nk ŝ(t)
0 0 0 8 1
1 1 0 8 1 × 1 − 18 = 0, 875 (1)
2 1 1 7 0, 875 × 1 − 71 = 0, 75
3 2 3 5 0, 75 × 1 − 25 = 0, 45
Luego, graficámos la funcion de sobrevivencia:
1.0
0.8
s_t
0.6
0 1 2 3
t_k
1
Letra b)
1.0
0.8
Survival 0.6
0.4
0.2
0.0
0 1 2 3 4 5 6
Pregunta 2
Letra a)
Expresion para t*
ht_diff=function(t,lambda=1,p=1){
(lambda*p*t^(p-1))/(1+lambda*t^p)
}
Letra b)
Para lambda=3 y p=2, obtenemos un t*=0.5773553.
optimize(ht_diff,c(-10,10),lambda=3,p=2,maximum = TRUE)
## $maximum
## [1] 0.5773553
##
## $objective
## [1] 1.732051
2
Pregunta 3
Letra e: EMV
EMV=sum(datos$censura)/sum(log(1+datos$tiempos))
EMV
## [1] 4.435275
1.0
0.8
Survival
0.6
0.4
0.2
0.0
Letra g: S(90/365)
La probabilidad de sobrevivencia es de: 0.3762374
S_X(90/365)
## [1] 0.3762374
Pregunta 4
Letra a)
yi = min(ti , ci )
donde :
ti : tiempodeentrega
ci : tiempolimite
¿Y si no es censurada?
3
R: ti , el tiempo de sobrevivencia observado, es decir, el tiempo de entrega
Letra b)
Pedidos no entregados a tiempo: 34.937
pedidosNoEntregados
## [1] 34937
## [1] 0.3276255
## [1] 0.7804024
Total pagado
datos_observados=Datas[Datas$censored==1,]
summary(datos_observados$totalpaid)
Numero de productos
summary(datos_observados$n_item)
Letra c)
1.0
0.8
Survival
0.6
0.4
0.2
0.0
Vemos que la forma suave de la curva, se explica por la cantidad de observaciones. Por otro lado, el
quiebre en la función del estimador KM, cerca del tiempo 0.33, se corresponde con los mı́nimos tiempos
registrados en las observaciones, por lo que antes de eso la función se mantiene constante. Luego de eso la
función, cae lentamente hasta el maximo tiempo registrado, que es: 0.78
4
Letra d)
Rregresión:
Del resumen del modelo vemos que los predictores no son estadisticamente significativos, por lo que ni el
numero de productos, como el total pagado, tendrı́an relación con los tiempos de entrega.
##
## Call:
## survreg(formula = Surv(t, censored) ~ totalpaid + n_item, data = Datas,
## dist = "weibull")
## Value Std. Error z p
## (Intercept) -4.91e-01 1.70e-03 -288.01 <2e-16
## totalpaid 7.18e-05 9.51e-05 0.76 0.45
## n_item 4.82e-04 7.22e-04 0.67 0.50
## Log(scale) -1.37e+00 2.97e-03 -461.84 <2e-16
##
## Scale= 0.254
##
## Weibull distribution
## Loglik(model)= 6297.3 Loglik(intercept only)= 6296
## Chisq= 2.69 on 2 degrees of freedom, p= 0.26
## Number of Newton-Raphson Iterations: 5
## n= 106637
1.0
Regresion
0.8 KM
0.6
S(y)
0.4
0.2
0.0