16/9/22, 22:14 Inferencia-Estad-stica-2022/C05. Ajuste de distribuciones.

ipynb at main · scidatmath2020/Inferencia-Estad-stica-2022 · GitHub

Ajuste de distribuciones
El ajuste de distribuciones se refiere a aplicar una o varias técnicas gráficas y analíticas para tener una idea aproximada sobre
el tipo de variable aleatoria al que pertencen tus datos.

Por ejemplo, si tus datos son de tipo discreto (como el año de nacimiento o el número de delitos cometidos mes a mes),
entonces vale la pena preguntarse si tus datos provienen de una distribución de Bernoulli, binomial, poisson, geométrica, etc.

Y si tus datos son de tipo continuo (como la velocidad de crecimiento de una población o el tiempo de espera entre la llegada
de dos clientes a un restaurante), entonces nos preguntamos si los datos provienen de una gaussiana, una exponencial, una
uniforme, etc.

Ejemplo.

Supongamos que tienes los datos del dataframe ejemplo01.

Digamos que esos datos provienen de una variable aleatoria X. Es decir, tomamos una muestra de tamaño 100 de cierta
población de estudio y hemos tomado la medida de cierta característica X de esa población.

Mostramos el histograma junto con la densidad de esta muestra. A la densidad mostrada se le conoce como densidad
empírica.

https://github.com/scidatmath2020/Inferencia-Estad-stica-2022/blob/main/C05. Ajuste de distribuciones.ipynb 2/6

16/9/22, 22:14 Inferencia-Estad-stica-2022/C05. Ajuste de distribuciones.ipynb at main · scidatmath2020/Inferencia-Estad-stica-2022 · GitHub

Uno bien puede preguntarse, ¿cuál es la probabilidad de que el valor de la característica X de un individuo tomado al azar sea
menor a 2.25?

O en otras palabras, ¿qué porcentaje de los individuos de la población cumplen que el valor de su característica X es
menor que 2.25?

Sabemos que el histograma nos indica que mida las alturas de cada uno de los primeros 5 rectángulos. Sin embargo, recuerda
que ese histograma únicamente corresponde con una muestra de tamaño 100 de nuestra población, por lo cual la
respuesta dada por este método de medir alturas no tiene por qué ser buena.

Pero peor aún: el uso de densidad empírica conlleva un sobreajuste de los datos. Por ejemplo, si los datos realmente
provienen de una gaussiana pero tienes varios atípicos, la densidad empírica puede no parecerse a una gaussiana.

Es por ello que necesitamos establecer la verdadera densidad a la que se ajusten casi todas las muestras posibles. Esta densidad
es lo que se conoce como densidad teórica.

https://github.com/scidatmath2020/Inferencia-Estad-stica-2022/blob/main/C05. Ajuste de distribuciones.ipynb 3/6

16/9/22, 22:14 Inferencia-Estad-stica-2022/C05. Ajuste de distribuciones.ipynb at main · scidatmath2020/Inferencia-Estad-stica-2022 · GitHub
De esta manera, podemos decir que el ajuste de distribuciones son las técnicas estadísticas que permiten, a través de las
densidades empíricas, conocer aproximadamente a la densidad teórica.

Proceso para ajustar distribuciones

Básicamente se aplican tres pasos:

1. Observar la forma de los datos (gráficas).

2. Ajustar los datos con los tipos de distribuciones que tu intuición te indique basado en el paso anterior.

3. Verificar cuál de los modelos se ajustó mejor.

Ahora bien, es importante tomar en cuenta que no todos los datos corresponden a una distribución "famosa" o sencilla. El
proceso de ajuste de distribuciones es más un arte que una ciencia. Este proceso depende mucho de la interpretación del
investigador así como de su experiencia y perseverancia en el sentido de tener que buscar y buscar entre las distribuciones
posibles hasta encontrar una que se ajuste al modelo.

En R contamos con la paquetería fitdistrplus (y muchas otras como MASS ) que nos ayudan a realizar ajustes de
distribuciones.

Ejemplo.

Consideremos la tabla ejemplo_02.csv.

1. Observar la forma de los datos

De la paquetería fitdistrplus utilizar la función descdist() cuya sintaxis es descdist(datos,discrete=FALSE,boot)

donde

datos: es tu vector de datos.

discrete: FALSE si tus datos son de tipo continuo; TRUE si son de tipo discreto.

boot: número de muestreos que se van a tomar. Debe ser un valor mayor a 10.

El resultado es cierta información estadística junto con una gráfica de tipo Cullen y Frey. El resultado de la gráfica indica posibles
candidatos a la distribución teórica
https://github.com/scidatmath2020/Inferencia-Estad-stica-2022/blob/main/C05. Ajuste de distribuciones.ipynb 4/6
16/9/22, 22:14 Inferencia-Estad-stica-2022/C05. Ajuste de distribuciones.ipynb at main · scidatmath2020/Inferencia-Estad-stica-2022 · GitHub
candidatos a la distribución teórica.

En el caso de ejemplo_02.csv, obtenemos gamma, lognormal y exponencial:

descdist(ejemplo_02,discrete=FALSE,boot=500)

2. Ajustar los datos con los tipos de distribuciones que tu intuición te indique basado en el paso anterior

Utilizando la función fitdist() de la paquetería fitdistrplus , realizamos el ajuste para la distribución teórica candidata.
La sintaxis de fitdist() es fitdist(datos,tipo) donde

datos: es tu vector de datos.

tipo: es un tipo de distribución, o un vector con los nombres de las distribuciones candidatas, las cuales propones basado en
el paso 1. Estas pueden ser del tipo "norm", "lnorm", "pois", "exp", "gamma", "nbinom", "geom", "beta", "unif".

En el caso del ejemplo_02.csv, proponemos gamma, lognormal y exp.

https://github.com/scidatmath2020/Inferencia-Estad-stica-2022/blob/main/C05. Ajuste de distribuciones.ipynb 5/6
16/9/22, 22:14 Inferencia-Estad-stica-2022/C05. Ajuste de distribuciones.ipynb at main · scidatmath2020/Inferencia-Estad-stica-2022 · GitHub

mis_distribuciones <- c("gamma","lnorm","exp")

ajustes <- lapply(mis_distribuciones,function(x){fitdist(ejemplo_02,x)})

En este caso, ajustes es una lista con los resultados de los tres modelos elegidos.

3. Verificar cuál de los modelos se ajustó mejor.

Ya que hemos aplicado la función fitdist() a nuestros datos con cada uno de los modelos, el resultado de cada modelo es
un objeto al que se le pueden aplicar tres (de hecho más) funciones importantes: plot() , summary() y coef()

A partir del plot() podemos ir descartando candidatos. Y para finalizar, utilizamos alguno de los siguientes criterios:

Elegir el que mayor loglike tenga.

Elegir el que menor aic tenga (criterio de información de Akaike). O

Elegir el que menor bic tenga (criterio de información de Bayes).

Del ejemplo_02.csv, haciendo plot(ajustes[[3]]) (es decir, del modelo exponencial), vemos que el gráfico Q-Q es muy
malo, por lo cual descartamos este modelo.

Para decidir cuál de los modelos restantes se ajusta mejor (gamma o lognormal), podemos ver que el aic del gamma (que se
obtiene como ajustes[[1]]$aic es mayor que el de la lognormal (que se obtiene con ajustes[[2]]$aic )

Por lo tanto, concluímos que la población (y no solo la muestra) es una lognormal. Para obtener sus parámetros, hacemos
coef(ajustes[[2]]) . La conclusión se puede informar de la siguiente manera: "de entre todas las distribuciones testeadas, la
lognormal con media 2.68 y desviación 0.575 es la que menor información de Akaike presenta, por lo cual es la que mejor se
ajusta a nuestros datos".

Observación. La data ejemplo_02.csv fue de hecho tomada de una lognormal con media 2.7 y desviación 0.6.

https://github.com/scidatmath2020/Inferencia-Estad-stica-2022/blob/main/C05. Ajuste de distribuciones.ipynb 6/6