Taller Problemas Resueltos Extra 1

Taller de problemas resueltos inferencia
Ricardo Alberich
Contenidos
1 Taller Problemas resueltos: Estadística Inferencial 1
1.1 Problema 1: Contraste de parámetros de dos muestras. . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Problema 2 : Contraste dos muestras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Problema 3 : Bondad de ajuste. La ley de Benford . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Problema 4 : Homegeneidad e independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Problema 5 : ANOVA notas numéricas de tres grupos. . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Problema 6 : ANOVA Comparación de las tasas de interés para la compra de coches entre
seis ciudades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.7 Problema 7: Cuestiones cortas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.8 Problema 8: Contraste de proporciones de dos muestras independientes. . . . . . . . . . . . . 29
1.9 Problema 9 : Contraste de proporciones de dos muestras emparejadas. . . . . . . . . . . . . . 31
1.10 Problema 10 : ANOVA comparación media puntuaciones según fabricante. . . . . . . . . . . 32
1.11 Problema 11: Regresión lineal simple. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.12 Problema 12: Distribución de los grados de un grafo de contactos. . . . . . . . . . . . . . . . 42
1 Taller Problemas resueltos: Estadística Inferencial

Se trata de resolver los siguientes problemas y cuestiones en un fichero Rmd y su salida en un informe en
html, word o pdf.
1.1 Problema 1: Contraste de parámetros de dos muestras.
Queremos comparar los tiempos de realización de un test entre estudiantes de dos grados G1 y G2, y
determinar si es verdad que los estudiantes de G1 emplean menos tiempo que los de G2. No conocemos σ1 y
σ2 . Disponemos de dos muestras independientes de cuestionarios realizados por estudiantes de cada grado,
n1 = n2 = 50.
Los datos están en https://github.com/joanby/estadistica-inferencial/, en la carpeta datasets en dos
ficheros grado1.txt y grado2.txt.
Para bajarlos utilizad la dirección del los ficheros raw que se muestran en el siguiente código
1
G1=read.csv(
"https://raw.githubusercontent.com/joanby/estadistica-inferencial/master/datasets/grado1.txt",
header=TRUE)$x
G2=read.csv(
"https://raw.githubusercontent.com/joanby/estadistica-inferencial/master/datasets/grado2.txt",
header=TRUE)$x
n1=length(na.omit(G1))
n2=length(na.omit(G2))
media.muestra1=mean(G1,na.rm=TRUE)
media.muestra2=mean(G2,na.rm=TRUE)
desv.tip.muestra1=sd(G1,na.rm=TRUE)
desv.tip.muestra2=sd(G2,na.rm=TRUE)
Calculamos las medias y las desviaciones típicas muestrales de los tiempos empleados para cada muestra.
Los datos obtenidos se resumen en la siguiente tabla:
n1 = 50, n2 = 50
x1 = 9.7592926, x2 = 11.4660825
s̃1 = 1.1501225, s̃2 = 1.5642932
Se pide:
1. Comentad brevemente el código de R explicando que hace cada instrucción.

2. Contrastad si hay evidencia de que las notas medias son distintas entre los dos grupos. En dos casos
considerando las varianzas desconocidas pero iguales o desconocidas pero distintas. Tenéis que hacer
el contraste de forma manual y con funciones de R y resolver el contrate con el p-valor.
3. Calculad e interpretar los intervalos de confianza para la diferencia de medias asociados a los dos test
anteriores.
4. Comprobad con el test de Fisher y el de Levene si las varianza de las dos muestras son iguales contra
que son distintas. Tenéis que resolver el test de Fisher con R y de forma manual y el test de Levene
con R y decidir utilizando el p-valor.
1.1.1 Solución
Apartado 1. El cogido R carga en las variables G1 y G2 la variables x de dos data frames de un servidor
en github y por lo tanto hemos tenido que pasar la url del fichero original o raw.
Luego calcula los estadísticos básicos para realizar las siguientes preguntas. Para los tamaños muestrales n1
y n2 se omiten los valores NA antes de asignar la length de los arrays. También se calculan las medias y las
desviaciones típicas muestrales omitiendo (si es que hay) los valores no disponibles.
Apartado 2. Denotemos por µ1 y µ2 las medias de las notas de los grupos 1 y 2 respectivamente. El
contraste que se pide es
H0 : µ1 = µ2

H1 : µ1 6= µ2
Estamos en un diseño de comparación de medias de dos grupos con dos muestras independientes de tamaño
50 que es grande. Tenemos dos casos varianzas desconocidas pero iguales y varianzas desconocidas pero
distintas. Las funciones de R del contraste para estos casos son:
Varianzas iguales
2
# test para varianzas iguales
t.test(G1,G2,var.equal = TRUE,alternative = "two.sided")
##
## Two Sample t-test
##
## data: G1 and G2
## t = -6.2159, df = 98, p-value = 0.00000001248
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.251691 -1.161889
## sample estimates:
## mean of x mean of y
## 9.759293 11.466083
Varianzas distintas
# test para varianzas distintas

t.test(G1,G2,var.equal = FALSE,alternative = "two.sided")
##
## Welch Two Sample t-test
##
## data: G1 and G2
## t = -6.2159, df = 89.996, p-value = 0.00000001562
## -2.252298 -1.161282
## 9.759293 11.466083
El p-valor en ambos casos es muy pequeño así que la muestra no aporta evidencias rechazar la hipótesis nula
las medias son iguales contra que son distintas.
Veamos el cálculo manual.
Varianzas desconocidas pero iguales, n1 y n2 grande
Si suponemos que σ1 = σ2 , el estadístico de contraste es
X1 − X2 9.7592926 − 11.4660825
t0 = r =q
((50−1)1.15012252 +(50−1)1.56429322 )
( n11 +
((n1 −1)S12 +(n2 −1)S22 ) ( 50
1
+ 50 )
1
·
n2 )
1
·
e e (50+50−2)
(n1 +n2 −2)
t0=(media.muestra1-media.muestra2)/sqrt((1/n1+1/n2)*
((n1-1) *desv.tip.muestra1ˆ2+(n2-1)*desv.tip.muestra2ˆ2)/(n1+n2-2))
t0
## [1] -6.215931
operando obtenemos que t0 = −6.215931. y sabemos que sigue una distribución t-Student tn1 +n2 −2 = t98 .
Para este hipótesis alternativa el p-valor es
2 · P (t98 > | − 6.2159314|), lo calculamos con R
3
t0=(media.muestra1-media.muestra2)/sqrt((1/n1+1/n2)*
((n1-1) *desv.tip.muestra1ˆ2+(n2-1)*desv.tip.muestra2ˆ2)/(n1+n2-2))
t0
## [1] -6.215931
n1
## [1] 50
n2
## [1] 50
2*(1-pt(abs(t0),df=n1+n2-2)) # calculo la probabilidad del complementario
## [1] 0.00000001247958
2*pt(abs(t0),df=n1+n2-2,lower.tail = FALSE)# calcula el área la cola superior
## [1] 0.00000001247958
Varianzas desconocidas pero distintas, n1 y n2 grande

Si suponemos que σ1 6= σ2 , el estadístico de contraste es t0 = q
X 1 −X 2
∼ tf , que, cuando µ1 = µ2 , tiene
e12 Se22
S
n1 +n
2
distribución (aproximadamente, en caso de muestras grandes) tf con
 !2 
Se12 Se22
 
+
 
 
 n1 n2 
f = !2  − 2.
 
!2
 1 2
S1 1 S22
 e e 
+

n1 − 1 n1 n2 − 1 n2
Calculamos el estadístico y los grados de libertad con R
t0=(media.muestra1-media.muestra2)/sqrt(desv.tip.muestra1ˆ2/n1+desv.tip.muestra2ˆ2/n2)
#calculo el valor dentro del floor que es el que utiliza la función t.test de R para este caso.
t0
## [1] -6.215931
f1=(desv.tip.muestra1ˆ2/n1+desv.tip.muestra2ˆ2/n2)ˆ2/(
(1/(n1-1))*(desv.tip.muestra1ˆ2/n1)ˆ2+(1/(n2-1))*(desv.tip.muestra2ˆ2/n2)ˆ2)
f1
## [1] 89.99613
4
# calculo el propuesto en las transparencias que es anticuado
f=floor(f1)-2
f
## [1] 87
El p valor es
# el p-valor de la función t.test de R

2*(pt(abs(t0),f1,lower.tail = FALSE))
## [1] 0.00000001562353
# el p-valor propuesto en teoría

2*(pt(abs(t0),f,lower.tail = FALSE))
## [1] 0.00000001713797
Apartado 3
Los intervalos de confianza al nivel del 95% los podemos obtener así
t.test(G1,G2,var.equal = TRUE,alternative = "two.sided",conf.level = 0.95)$conf.int
## [1] -2.251691 -1.161889

## attr(,"conf.level")
## [1] 0.95
t.test(G1,G2,var.equal = FALSE,alternative = "two.sided",conf.level = 0.95)$conf.int
## [1] -2.252298 -1.161282

## [1] 0.95
Son similares, podemos asegurar que la diferencia de medias se encuentra −2.25 < µ1 − µ2 < −1.16 al nivel
del 95 el grupo 2 tiene una media entre 2.25 y 1.16 puntos mayor que el grupo 2 aproximadamente.
Apartado 4 El test que nos piden es el de igualdad de varianzas
H0 : σ12 = σ22

.
H1 : σ12 6= σ22
El test de Fisher de igualdad de varianzas
var.test(G1,G2,alternative ="two.sided" )
##
## F test to compare two variances
##
## data: G1 and G2
5
## F = 0.54057, num df = 49, denom df = 49, p-value = 0.03354
## alternative hypothesis: true ratio of variances is not equal to 1
## 0.3067606 0.9525862
## ratio of variances
## 0.54057
Obtenemos un p-valor alto no podemos rechazar la igualdad de varianzas.

De forma manual el estadístico de este test sabemos que es
S˜1
2
1.3227818
f0 = 2 = 2.4470131 = 0.54057.
˜
S2
Que sigue una ley de distribución de Fisher y el p_valor es min{2 · P (Fn1 −1,+n2 −1 ≤ f0 ), 2 · P (Fn1 −1,+n2 −1 ≥
f0 ).
que con R es
n1
## [1] 50
n2
## [1] 50
f0=desv.tip.muestra1ˆ2/desv.tip.muestra2ˆ2
f0
## [1] 0.54057
pvalor=min(2*pf(f0,n1-1,n2-2),2*pf(f0,n1-1,n2-2,lower.tail = FALSE))
pvalor
## [1] 0.03420609
Obtenemos los mismos resultados que con la función var.test.

El test de Levene con R tiene las mismas hipótesis que el anterior
library(car,quietly = TRUE)# pongo quietly para que quite avisos

notas=c(G1,G2)
grupo=as.factor(c(rep(1,length(G1)),rep(2,length(G1))))
leveneTest(notas~grupo)
## Levene's Test for Homogeneity of Variance (center = median)

## Df F value Pr(>F)
## group 1 1.8029 0.1825
## 98
El p-valor obtenido es alto así que el test de Levene no aporta evidencias contra la igualdad de varianzas
entre las notas de los dos grupos.
6
1.2 Problema 2 : Contraste dos muestras
Simulamos dos muestras con las funciones siguientes
set.seed(2020)
x1=rnorm(100,mean = 10,sd=2)
x2=rnorm(100,mean = 8,sd=4)
Dibujamos estos gráficos
boxplot(x1,x2)
15
10
5
0
−5
1 2
library(car)
par(mfrow=c(1,2))
qqPlot(x1)
## [1] 18 64
qqPlot(x2)
7
64 39
16
15
14
12
10
x1
x2
10
5
8
0
6
18 50
4
−2 −1 0 1 2 −5 −2 −1 0 1 2
norm quantiles norm quantiles
## [1] 50 39
par(mfrow=c(1,1))
Realizamos algunos contrastes de hipótesis de igual de medias entre ambas muestras
t.test(x1,x2,var.equal = TRUE,alternative = "greater")
##
##
## data: x1 and x2
## t = 5.3009, df = 198, p-value = 0.0000001531
## alternative hypothesis: true difference in means is greater than 0
## 1.844757 Inf
## 10.217784 7.537402
t.test(x1,x2,var.equal = FALSE,alternative = "two.sided")
##
8
## Welch Two Sample t-test
##
## data: x1 and x2
## t = 5.3009, df = 144.56, p-value = 0.0000004221
## 1.680966 3.679797
## 10.217784 7.537402
t.test(x1,x2,var.equal = TRUE)
##
##
## data: x1 and x2
## t = 5.3009, df = 198, p-value = 0.0000003061
## 1.683238 3.677526
## 10.217784 7.537402
Se pide
1. ¿Cuál es la distribución y los parámetros de las muestras generadas?

2. ¿Qué muestran y cuál es la interpretación de los gráficos?
3. ¿Qué test contrasta si hay evidencia a favor de que las medias poblacionales de las notas en cada grupo
sean distintas? Di qué código de los anteriores resuelve este test.
4. Para el test del apartado anterior dad las hipótesis nula y alternativa y redactar la conclusión del
contraste.
1.2.1 Solución
Apartado 1
Se generan dos muestras de poblaciones normales de medias 10 y 8 y desviaciones típicas 2 y 4.
Apartado 2 El primer gráficos es un diagrama de caja (boxplot) que compara las distribuciones de los datos.
Vemos que efectivamente la muestra 1 tiene una caja y unos bigotes más comprimidos que la muestra 2 así
que la primera tiene menos varianza. Vemos que los valores medianos de la muestra 1 son más grandes que
los de la muestra 2. Recordemos que la distribución normal es simétrica por lo que la media y la mediana
coinciden. La muestra 1 tiene valores atípicos en la parte superior 1 y en la inferior parece que 2.
El segundo gráfico es un gráfico cuantil-cuantil o qqplot de normalidad. Compara los cuantiles muestrales
con los teóricos de una normal y nos da un intervalo de confianza para esas observaciones.
Vemos que los cuantiles teóricos no difieren excesivamente de los muestrales en cada una de las muestras y
que muy pocos valores se escapan de los intervalos de confianza esperados en el caso de normalidad. Así que
no hay motivo para pensar que las distribuciones de ambas muestras proceden de poblaciones normales.
Apartado 3
El código es
9
t.test(x1,x2,var.equal = TRUE,alternative = "greater")
t.test(x1,x2,var.equal = FALSE,alternative = "two.sided")
t.test(x1,x2,var.equal = TRUE)
El primer test contrasta para muestras independientes supuestas varianzas desconocidas pero iguales H0 ; µ1 =
µ2 contra H1 : µ1 > µ2 . Así que este TEST NO ES
El segundo test contrasta para muestras independientes supuestas varianzas desconocidas pero iguales
H0 ; µ1 = µ2 contra H1 : µ1 6= µ2 . Así que este TEST SÍ PUEDE SER contrasta contra medias
distintas para el caso de varianzas distintas.
El tercer test contrasta para muestras independientes supuestas varianzas desconocidas pero iguales H0 ; µ1 =
µ2 contra H1 : µ1 > µ2 pues la opción por defecto de la función. Así que este TEST SÍ PUEDE SER
contra medias distintas para el caso de varianzas iguales.
Apartado 4 El contrastes es
H0 : µ1 = µ2

H1 : µ1 6= µ2
En los dos últimos test los p-valores son muy muy pequeños así que hay evidencias en contra de la igualdad
de medias entre las dos muestras. Además claramente los intervalos de confianza no contienen al cero.
1.3 Problema 3 : Bondad de ajuste. La ley de Benford
La ley de Benford es una distribución discreta que siguen las frecuencias de los primero dígitos significativos
(de 1 a 9) de algunas series de datos curiosas.
Sea una v.a. X con dominio DX = {1, 2, 3, 4, 5, 6, 7, 8, 9} diremos que sigue una ley de Benford si
1

P (X = x) = log10 1 + para x ∈ {1, 2, 3, 4, 5, 6, 7, 8, 9} .
x
Concretamente lo podemos hacer así
prob=log10(1+1/c(1:9))
prob
## [1] 0.30103000 0.17609126 0.12493874 0.09691001 0.07918125 0.06694679 0.05799195

## [8] 0.05115252 0.04575749
df=data.frame(rbind(prob))
# Y hacemos una bonita tabla
colnames(df)=paste("Díg.",c(1:9),sep =" ")
knitr::kable(df,format ='markdown')
Díg. 1 Díg. 2 Díg. 3 Díg. 4 Díg. 5 Díg. 6 Díg. 7 Díg. 8 Díg. 9

prob 0.30103 0.1760913 0.1249387 0.09691 0.0791812 0.0669468 0.0579919 0.0511525 0.0457575
En general esta distribución se suele encontrar en tablas de datos de resultados de observaciones de funciones
científicas, contabilidades, cocientes de algunas distribuciones . . .
10
Por ejemplo se dice que las potencias de números enteros siguen esa distribución. Probemos con las potencias
de 2. El siguiente código calcula las potencias de 2 de 1 a 1000 y extrae los tres primeros dígitos.
# R puede según qué versión pasar los enteros muy grande a reales. Para nuestros propósitos
# es suficiente para extraer los tres primeros dígitos.
muestra_pot_2_3digitos=str_sub(as.character(2ˆc(1:1000)),1,3)
head(muestra_pot_2_3digitos)
## [1] "2" "4" "8" "16" "32" "64"
tail(muestra_pot_2_3digitos)
## [1] "334" "669" "133" "267" "535" "107"
#Construimos un data frame con tres columnas que nos dan el primer,
#segundo y tercer dígito respectivamente.
df_digitos=data.frame(muestra_pot_2_3digitos,
primer_digito=as.integer(
substring(muestra_pot_2_3digitos, 1, 1)),
segundo_digito=as.integer(
substring(muestra_pot_2_3digitos, 2, 2)),
tercer_digito=as.integer(
substring(muestra_pot_2_3digitos, 3, 3)))
head(df_digitos)
## muestra_pot_2_3digitos primer_digito segundo_digito tercer_digito

## 1 2 2 NA NA
## 2 4 4 NA NA
## 3 8 8 NA NA
## 4 16 1 6 NA
## 5 32 3 2 NA
## 6 64 6 4 NA
Notad que los NA en el segundo y el tercer dígito corresponden a número con uno o dos dígitos.
Se pide:
1. Contrastad con un test χ2 que el primer dígito sigue una ley de Benford. Notad que el primer dígito
no puede ser 0. Resolved manualmente y con una función de R.
2. Contrastad con un test χ2 que el segundo dígito sigue una ley de uniforme discreta. Notad que ahora
si puede ser 0. Resolved con funciones de R.
3. Contrastad con un test χ2 que el tercer dígito sigue una ley de uniforme discreta. Notad que ahora si
puede ser 0. Resolved con manualmente calculado las frecuencias esperadas y observadas, el estadístico
de contraste y el p-valor utilizando R. Comprobad que vuestros resultados coinciden con los de la
función de R que calcula este contraste.
4. Dibujad con R para los apartados 1 y 2 los diagramas de frecuencias esperados y observados. Comentad
estos gráficos
11
1.3.1 Solución
Apartado 1 El contraste que nos piden es

H0 : El primer dígito de las 1000 primeras potencias de 2 sigue una ley Benford,

H1 : sigue cualquier otra distribución.
El siguiente código resuelve el tes de forma manual calculando el estadístico y el p-valor
prob=log10(1+1/(1:9))
prob_benford=prob
n=1000
frec_esp_benford=n*prob_benford
frec_esp_benford
## [1] 301.03000 176.09126 124.93874 96.91001 79.18125 66.94679 57.99195

## [8] 51.15252 45.75749
frec_obs_primer=table(df_digitos$primer_digito)
frec_obs_primer
##
## 1 2 3 4 5 6 7 8 9
## 301 176 125 97 79 69 56 52 45
chi2_est=sum((frec_obs_primer-frec_esp_benford)ˆ2/frec_esp_benford)
chi2_est
## [1] 0.1585506
pchisq(chi2_est,9-1,lower.tail = FALSE)
## [1] 0.9999985
La función de R que resuelve el test es
chisq.test(frec_obs_primer,p=prob_benford)
##
## Chi-squared test for given probabilities
##
## data: frec_obs_primer
## X-squared = 0.15855, df = 8, p-value = 1
Obtenemos los mismos resultados. El p valor es muy alto. No podemos rechazar que el primer dígito de las
1000 primeras potencias enteras de 2 siga una ley de distribución de Benford.
Apartado 2
El contraste que nos piden es
H0 : El segundo dígito de las 1000 primeras potencias de 2 sigue una ley uniforme,

Procedemos de forma similar al caso anterior. De forma manual el cálculo es
12
prob_unif=rep(1/10,10)
prob_unif
## [1] 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
segundo_digito=na.omit(df_digitos$segundo_digito)
n=length(segundo_digito)
n
## [1] 997
frec_esp_uniforme=n*prob_unif
frec_esp_uniforme
## [1] 99.7 99.7 99.7 99.7 99.7 99.7 99.7 99.7 99.7 99.7
frec_obs_segundo=table(segundo_digito)
frec_obs_segundo
## segundo_digito
## 0 1 2 3 4 5 6 7 8 9
## 121 112 109 108 98 95 94 91 83 86
chi2_est=sum((frec_obs_segundo-frec_esp_uniforme)ˆ2/frec_esp_uniforme)
chi2_est
## [1] 13.64193
1-pchisq(chi2_est,10-1)
## [1] 0.1356449
## [1] 0.1356449
Con la función chisq.test obtenemos los mismo resultados
chisq.test(frec_obs_segundo,p=prob_unif)
##
##
## data: frec_obs_segundo
## X-squared = 13.642, df = 9, p-value = 0.1356
13
Para el segundo dígito con un p-valor de 0.1356 no podemos rechazar que el segundo dígito siga una ley
uniforme.
Apartado 3
El contraste que nos piden es
H0 : El tercer dígito de las 1000 primeras potencias de 2 sigue una ley uniforme,

Procedemos de forma similar al caso anterior. De forma manual el cálculo es
prob_unif=rep(1/10,10)
prob_unif
## [1] 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
tercer_digito=na.omit(df_digitos$tercer_digito)
n=length(tercer_digito)
n
## [1] 994
frec_esp_uniforme=n*prob_unif
frec_esp_uniforme
## [1] 99.4 99.4 99.4 99.4 99.4 99.4 99.4 99.4 99.4 99.4
frec_obs_tercer=table(tercer_digito)
frec_obs_tercer
## tercer_digito
## 0 1 2 3 4 5 6 7 8 9
## 96 101 88 116 97 90 110 92 95 109
chi2_est=sum((frec_obs_tercer-frec_esp_uniforme)ˆ2/frec_esp_uniforme)
chi2_est
## [1] 7.971831
1-pchisq(chi2_est,10-1)
## [1] 0.5369875
## [1] 0.5369875
Con la función chisq.test obtenemos los mismo resultados
14
chisq.test(frec_obs_tercer,p=prob_unif)
##
##
## data: frec_obs_tercer
Para el segundo dígito con un p-valor alto 0.537 no podemos rechazar que el tercer dígito siga una ley
uniforme.
Apartado 4
Una gráfica comparando las frecuencias
barplot(rbind(frec_esp_benford,frec_obs_primer),
beside=TRUE,col=c("red","blue"),
main="Frecuencias observadas y\n esperadas del primer dígito",
cex.names =0.6,xlab="Dígito",ylab="Frecuencia absoluta")
legend("topright",legen=c("Frecuencias observadas",
"Frecuencias esperadas ley de Benfor"),pch=19,col=c("red","blue"),
cex=0.8)
Frecuencias observadas y
esperadas del primer dígito
100 150 200 250 300
Frecuencias observadas
Frecuencias esperadas ley de Benfor
Frecuencia absoluta
50
0
1 2 3 4 5 6 7 8 9
Dígito
barplot(rbind(frec_esp_uniforme,frec_obs_segundo),
beside=TRUE,col=c("red","blue"),
15
main="Frecuencias observadas y\n esperadas del segundo dígito",
cex.names =0.6,xlab="Dígito",ylab="Frecuencia absoluta")
legend("topright",legen=c("Frecuencias observadas",
"Frecuencias esperadas uniformes"),pch=19,col=c("red","blue"),
cex=0.6)
Frecuencias observadas y
esperadas del segundo dígito
100 120
Frecuencias observadas
Frecuencias esperadas uniformes
Frecuencia absoluta
80
60
40
20
0
0 1 2 3 4 5 6 7 8 9
Dígito
1.4 Problema 4 : Homegeneidad e independencia
Queremos analiza los resultados de aprendizaje con tres tecnologías. Para ello se seleccionan 3 muestras de
50 estudiantes y se les somete a evaluación después de un curso.
set.seed(2020)
nota=factor(sample(c(1,2,3,4),p=c(0.1,0.4,0.3,0.2),replace=TRUE,size=150),
labels=c("S","A","N","E"))
tecnologia=rep(c("Mathematica","R","Python"),each=50)
frec=table(nota,tecnologia)
frec
## tecnologia
## nota Mathematica Python R
## S 7 6 2
## A 18 15 22
## N 15 20 18
## E 10 9 8
16
col_frec=colSums(frec)
col_frec
## Mathematica Python R
## 50 50 50
row_frec=rowSums(frec)
row_frec
## S A N E
## 15 55 53 27
N=sum(frec)
teoricas=row_frec%*%t(col_frec)/N
teoricas
## [1,] 5.00000 5.00000 5.00000
## [2,] 18.33333 18.33333 18.33333
## [3,] 17.66667 17.66667 17.66667
## [4,] 9.00000 9.00000 9.00000
dim(frec)
## [1] 4 3
dim(teoricas)
## [1] 4 3
sum((frec-teoricas)ˆ2/teoricas)
## [1] 5.084658
chisq.test(table(nota,tecnologia))
##
## Pearson's Chi-squared test
##
## data: table(nota, tecnologia)
Se pide
1. Discutid si hacemos un contraste de independencia o de homogeneidad de las distribuciones de las

notas por tecnología. Escribid las hipótesis del contraste.
2. Interpretad la función chisq.test y resolved el contraste.
3. Interpretad teoricas=row_frec%*%t(col_frec)/N reproducid manualmente el segundo resultado de
la primera fila.
17
1.4.1 Solución
Apartado 1
Podemos plantear dos hipótesis distintas. La primera es que la calificación obtenidas es independiente de la
tecnología, la segunda es las distribuciones en las 4 clases de notas son las mismas para cada tecnología. En
el primer caso es un contraste de independencia y en el segundo es de homogeneidad.
Podemos optar en este caso por cualquiera de los dos. Yo he optado por el de independencia
así que la hipótesis H0 : la nota obtenida es independientes ce la tecnología del curso, contra que no lo es.
Apartado 2 Para el contraste de independencia (o el de homogeneidad) hay que pasar una tabla de con-
tingencia a la función chisq.test eso es lo que hacemos
table(nota,tecnologia)
## tecnologia
## nota Mathematica Python R
## S 7 6 2
## A 18 15 22
## N 15 20 18
## E 10 9 8
chisq.test(table(nota,tecnologia))
##
## Pearson's Chi-squared test
##
## data: table(nota, tecnologia)
El p-valor obtenido es grande así que no podemos rechazar la hipótesis nula las calificaciones obtenidas no
dependen del programa utilizado en el curso.
Apartado 3
La expresión teoricas=row_frec%*%t(col_frec)/N
row_frec
## S A N E
## 15 55 53 27
col_frec
## 50 50 50
row_frec%*%t(col_frec)
## [1,] 750 750 750
## [2,] 2750 2750 2750
## [3,] 2650 2650 2650
## [4,] 1350 1350 1350
18
row_frec%*%t(col_frec)/N
## [1,] 5.00000 5.00000 5.00000
## [2,] 18.33333 18.33333 18.33333
## [3,] 17.66667 17.66667 17.66667
## [4,] 9.00000 9.00000 9.00000
Así que row_frec%*%t(col_frec) calcula el producto de las frecuencia marginal por filas y columnas.
Por ejemplo la segunda fila es 2750 = 50 · 55 en los tres casos
Por último al dividir por N = 150 el tamaño total de las muestra obtenemos las frecuencias esperadas en el
caso de independencia 2750/150 = 18.33333.
1.5 Problema 5 : ANOVA notas numéricas de tres grupos.
El siguiente código nos da las notas numéricas (variable nota) de los mismos ejercicios para tres tecnologías
en tres muestra independientes de estudiantes de estas tres tecnologías diferentes
head(nota)
## [1] 79.424303 77.538709 42.549421 41.739852 0.086642 88.014337
library(nortest)
lillie.test(nota[tecnologia=="Mathematica"])
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: nota[tecnologia == "Mathematica"]
## D = 0.08739, p-value = 0.4436
lillie.test(nota[tecnologia=="R"])
##
##
## data: nota[tecnologia == "R"]
## D = 0.082139, p-value = 0.5449
lillie.test(nota[tecnologia=="Python"])
##
##
## data: nota[tecnologia == "Python"]
## D = 0.089681, p-value = 0.4019
19
lillie.test(nota)
##
##
## data: nota
## D = 0.056381, p-value = 0.2885
bartlett.test(nota~tecnologia)
##
## Bartlett test of homogeneity of variances
##
## data: nota by tecnologia
## Bartlett's K-squared = 0.50309, df = 2, p-value = 0.7776
library(car)
leveneTest(nota~as.factor(tecnologia))

## group 2 0.3881 0.679
## 147
sol_aov=aov(nota~as.factor(tecnologia))
sol_aov
## Call:
## aov(formula = nota ~ as.factor(tecnologia))
##
## Terms:
## as.factor(tecnologia) Residuals
## Sum of Squares 837.39 123445.06
## Deg. of Freedom 2 147
##
## Residual standard error: 28.97865
## Estimated effects may be unbalanced
Del summary(sol_aov) os damos la salida a falta de algunos de los valores
> summary(sol_aov)
Df Sum Sq Mean Sq F value Pr(>F)
as.factor(tecnologia) --- 837 418.7 --- ---
Residuals --- 123445 839.8
pairwise.t.test(nota,as.factor(tecnologia),p.adjust.method = "none")
##
## Pairwise comparisons using t tests with pooled SD
20
##
## data: nota and as.factor(tecnologia)
##
## Mathematica Python
## Python 0.35 -
## R 0.89 0.43
##
## P value adjustment method: none
pairwise.t.test(nota,as.factor(tecnologia),p.adjust.method = "bonferroni")
##
##
##
## Python 1 -
## R 1 1
##
## P value adjustment method: bonferroni
Se pide
1. ¿Podemos asegurar que la muestras son normales en cada grupo? ¿y son homocedásticas? Sea cual
sea la respuesta justificad que parte del código la confirma.
2. La función aov que test calcula. Escribid formalmente la hipótesis nula y la alternativa.
3. Calcula la tabla de ANOVA y resuelve el test.
4. ¿Qué contrates realiza la función pairwise.t.test? Utilizando los resultados anteriores aplicad e
interpretad los contrates del apartado anterior utilizando el ajuste de Holm.
1.5.1 Solución
Apartado 1 Este código es el que pasa un test de normalidad con la función lillie.test para la distribución
de notas en cada una de las tecnologías
head(nota)
## [1] 79.424303 77.538709 42.549421 41.739852 0.086642 88.014337
library(nortest)
lillie.test(nota[tecnologia=="Mathematica"])
##
##
## data: nota[tecnologia == "Mathematica"]
## D = 0.08739, p-value = 0.4436
21
lillie.test(nota[tecnologia=="R"])
##
##
## data: nota[tecnologia == "R"]
## D = 0.082139, p-value = 0.5449
lillie.test(nota[tecnologia=="Python"])
##
##
## data: nota[tecnologia == "Python"]
## D = 0.089681, p-value = 0.4019
Como se ve los p-valores son altos en el pero de los caso es mayor que 0.4 no podemos rechazar de las notas
numéricas en cada uno de los tres casos.
Para la homogeneidad de las varianzas en las tres poblaciones hacemos un bartlett.testo un LeveneTest.
bartlett.test(nota~tecnologia)
##
## Bartlett test of homogeneity of variances
##
## data: nota by tecnologia
## Bartlett's K-squared = 0.50309, df = 2, p-value = 0.7776
library(car)
leveneTest(nota~as.factor(tecnologia))

## group 2 0.3881 0.679
## 147
Nos salen p-valores del orden de 0.7 o 0.6 por lo que no podemos rechazar la homocedasticidad de las tres
varianzas.
Apartado 2
La función aov calcula un test de igualdad de medias de las notas numéricas en los tres cursos.
H0 : µM athematica = µP ython = µR

H1 : no todas las medias son iguales.
Apartado 3
sol_aov=aov(nota~as.factor(tecnologia))
sol_aov
22
## Call:
## aov(formula = nota ~ as.factor(tecnologia))
##
## Terms:
## as.factor(tecnologia) Residuals
## Sum of Squares 837.39 123445.06
## Deg. of Freedom 2 147
##
## Residual standard error: 28.97865
## Estimated effects may be unbalanced
summary(sol_aov)
## Df Sum Sq Mean Sq F value Pr(>F)

## as.factor(tecnologia) 2 837 418.7 0.499 0.608
## Residuals 147 123445 839.8
EL p-valor es muy grade 0.608 no podemos rechazar la igualdad de medias.

Apartado 4
La función pairwise.t.test compara las medias dos a dos en este caso hay 4 comparaciones por pares.
Para ajustar el nivel de significación tenemos que recurrir a alguno de los métodos de ajuste del p-valor que
se pasan con el parámetro p.adjust.method en este caso nos piden que utilicemos el método de Holm que
tenemos que calcular pues no figura en el código del enunciado.
pairwise.t.test(nota,as.factor(tecnologia),p.adjust.method = "holm")
##
##
##
## Python 1 -
## R 1 1
##
## P value adjustment method: holm
Los tres p-valores son prácticamente son 1 con el ajuste del método de Holm; o podemos rechazar las igual
de medias dos a dos.
1.6 Problema 6 : ANOVA Comparación de las tasas de interés para la compra

de coches entre seis ciudades.
Consideremos el data set newcar accesible desde https://www.itl.nist.gov/div898/education/anova/

newcar.dat de Hoaglin, D., Mosteller, F., and Tukey, J. (1991). Fundamentals of Exploratory Analysis of
Variance. Wiley, New York, page 71.
Este data set contiene dos columnas:
• Rate (interés): tasa de interés en la compra de coches a crédito
23
• City (ciudad) : la ciudad en la que se observó la tasa de interés para distintos concesionarios (codificada
a enteros). Tenemos observaciones de 6 ciudades.
datos_interes=read.table(
"https://www.itl.nist.gov/div898/education/anova/newcar.dat",
skip=25)
# salto las 25 primeras líneas del fichero,son un preámbulo que explica los datos.
names(datos_interes)=c("interes","ciudad")
str(datos_interes)
## 'data.frame': 54 obs. of 2 variables:

## $ interes: num 13.8 13.8 13.5 13.5 13 ...
## $ ciudad : int 1 1 1 1 1 1 1 1 1 2 ...
boxplot(interes~ciudad,data=datos_interes)
15.0
14.0
interes
13.0
12.0
1 2 3 4 5 6
ciudad
Se pide:
1. Comentad el código y el diagrama de caja.

2. Se trata de contrastar si hay evidencia de que la tasas medias de interés por ciudades son distintas.
Definid el ANOVA que contrasta esta hipótesis y especificar qué condiciones deben cumplir las
muestras para poder aplicar el ANOVA.
3. Comprobad las condiciones del ANOVA con un test KS y un test de Levene (con código de R).
Justificad las conclusiones.
24
4. Realizad el contraste de ANOVA (se cumplan las condiciones o no) y redactar adecuadamente la
conclusión. Tenéis que hacedlo con funciones de R.
5. Se acepte o no la igualdad de medias realizar las comparaciones dos a dos con ajustando los p-valor
tanto por Bonferroni como por Holm al nivel de significación α = 0.1. Redactad las conclusiones que
se obtienen de las mismas.
1.6.1 Solución
Apartado 1
El código del enunciado nos carga los datos de una web, tenemos que pasar el parámetro skip=25 para que
se salte las 25 primeras lineas del fichero de texto que son un preámbulo que explica los datos.
En el diagrama de caja vemos que las medias las distribuciones de la Rate por ciudad son muy distintas, no
parecen tener ni medias ni varianzas iguales
Apartado 2
Las condiciones para realizar un ANOVA son:
• Muestras independientes y aleatorias

• Distribución normal de la Rate N (µi , σi ) para las seis ciudades i = 1, 2, 3, 4, 5, 6.
• homocedasticidad; igualdad de varianzas σ1 = σ2 = σ3 = σ4 = σ5 = σ6 .
El ANOVA que se pide es
H0 : µ1 = µ2 = µ3 = µ4 = µ5 = µ6

H1 : no todas las medias son iguales.
Apartado 3
El siguiente código realiza un test KS con corrección de Lillie para la normalidad de la variable Rate en cada
una de la seis ciudades
library(nortest)
lillie.test(datos_interes$interes[datos_interes$ciudad==1])
##
##
## data: datos_interes$interes[datos_interes$ciudad == 1]
## D = 0.22384, p-value = 0.2163
##
##
## D = 0.22884, p-value = 0.1903
25
##
##
## D = 0.19145, p-value = 0.4459
##
##
## D = 0.11264, p-value = 0.9852
##
##
## D = 0.20021, p-value = 0.3743
##
##
## D = 0.3494, p-value = 0.002236
No podemos rechazar la normalidad con el lillie.test en las 5 primeras ciudades, pero parece que la última
está lejos de ser normal.
Ahora comprobemos que
H0 : σ12 = σ22 = σ32 = σ42 = σ52 = σ62

H1 : no todas las varianzas son iguales.
con el test de Levene (o el de Bartlett)
library(car)
print(leveneTest(datos_interes$interes~as.factor(datos_interes$ciudad)))

## group 5 1.2797 0.2882
## 48
26
El test de levene nos da un p-valor superior a 0.28 aceptamos la igualdad de varianzas
Apartado 4
Resolvemos el ANOVA con el código siguiente
summary(aov(datos_interes$interes~as.factor(datos_interes$ciudad)))

## as.factor(datos_interes$ciudad) 5 10.95 2.1891 4.829 0.00117 **
## Residuals 48 21.76 0.4533
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
El p-valor es muy bajo 0.00117 rechazamos la igualdad de las seis medias, al menos hay dos distintas.
Comprobamos por gusto el p-valor a partir de los datos del summary
Fest=2.1891/0.4533
Fest
## [1] 4.829252
1-pf(Fest,5,48)
## [1] 0.001174782
pf(Fest,5,48,lower.tail = FALSE)
## [1] 0.001174782
Apartado 5
Comparemos las medias dos a dos son 15 comparaciones
pairwise.t.test(datos_interes$interes,as.factor(datos_interes$ciudad),p.adjust.method = "holm")
##
##
## data: datos_interes$interes and as.factor(datos_interes$ciudad)
##
## 1 2 3 4 5
## 2 0.5781 - - - -
## 3 1.0000 0.3330 - - -
## 4 1.0000 0.4651 1.0000 - -
## 5 1.0000 0.0926 1.0000 1.0000 -
## 6 0.0353 1.0000 0.0148 0.0244 0.0028
##
Nos piden que decidamos con α = 0.1, así que rechazaremos la igualdad de medias de todas las comparaciones
con p-valor inferior a 0.1.
Tenemos que rechazar la igualdad de medias entre la ciudad 2 con la 5 y la de la ciudad 6 con las ciudades
1, 3, 4 y 5.
27
1.7 Problema 7: Cuestiones cortas
• Cuestión 1: Supongamos que conocemos el p-valor de un contraste. Para que valores de nivel de
significación α RECHAZAMOS la hipótesis nula.
• Cuestión 2: Hemos realizado un ANOVA de un factor con 3 niveles, y hemos obtenido un p-valor de
0.001. Suponiendo que las poblaciones satisfacen las condiciones para que el ANOVA tenga sentido,
¿podemos afirmar con un nivel de significación α = 0.05 que las medias de los tres niveles son diferentes
dos a dos? Justificad la respuesta.
• Cuestión 3: Lanzamos 300 veces un dado de 6 caras de parchís, queremos contrastar que los resultados
son equiprobables. ¿Cuáles serian las frecuencias esperadas o teóricas del contraste?
• Cuestión 4: En un ANOVA de una vía, queremos contrastar si los 6 niveles de un factor definen
poblaciones con la misma media. Sabemos que estas seis poblaciones son normales con la misma
varianza σ = 2. Estudiamos a 11 individuos de cada nivel y obtenemos que SST otal = 256.6 y
SST r = 60.3. ¿Qué vale SSE . ¿Qué valor estimamos que tiene σ 2 ?
• Cuestión 5: Calculad la correlación entre los vectores de datos x = (1, 3, 4, 4), y = (2, 4, 12, 6).
• Cuestión 6: De estas cuatro matrices, indicad cuáles pueden ser matrices de correlaciones, y explicad
por qué.
1 0.8 0.8 0.6 1 0 1 1.2

A= ,B= ,C= ,D= .
−0.8 1 0.6 0.8 0 1 1.2 1
1.7.1 Solución
Cuestion 1: Rechazamos la hipótesis nula para todos los niveles de significación α menores que el p-valor.
Cuestion 2: No, no podemos afirmar eso. Lo que sabemos después de rechazar un ANOVA es que hay al
menos dos medias distintas.
Cuestion 3: pues son
probs=c(1/6,1/6,1/6,1/6,1/6,1/6)
frec.esp=300*probs
frec.esp
## [1] 50 50 50 50 50 50
Cuestion 4 $SS_E=SS_{Total}-SS-{Tr}=256.6-60.3=196.3.
El número de observaciones totales es N = 11 · 6 = 66 y el número de niveles del factor es k = 6.
El estimador de la varianza conjunto σ 2 es M SE = SSe
N −k = 196.3
66−6 = 17.8454545.
*Cuestión 5
x=c(1,3,4,4)
y=c(2,4,12,6)
cor(x,y)
## [1] 0.7637626
Cuestión 6
Son matrices de correlaciones 2x2 sabemos que la diagonal tiene que ser 1 pues es la correlación de una
variable consigo misma. También sabemos que ρxy = ρyx así que la matriz debe ser simétrica. Además
−1 ≤ ρxy ≤ .1.
A no es simétrica, B no tiene la diagonal de unos y D tienen valores mayores que 1 luego estas tres matrices
no son de correlaciones. La única matriz que cumple todas las condiciones es la C.
28
1.8 Problema 8: Contraste de proporciones de dos muestras independientes.
Queremos comparar las proporciones de aciertos de dos redes neuronales que detectan tipos si una foto con
un móvil de una avispa es una avispa velutina o asiática. Esta avispa en una especie invasora y peligrosa por
el veneno de su picadura. Para ello disponemos de una muestra de 1000 imágenes de insectos etiquetadas
como avispa velutina y no velutina.
Aquí tenéis el acceso a los datos. Cada uno está en fichero los aciertos están codificados con 1 y los fallos
con 0.
Se pide:
1. Cargad los datos desde el servidos y calcular el tamaño de las muestras y la proporción de aciertos de
cada muestra.
2. Contrastad si hay evidencia de que las las proporciones de aciertos del algoritmo 1 son mayores que las
del algoritmo 2. Definid bien las hipótesis y las condiciones del contraste. Tenéis que hacer el contraste
con funciones de R y resolver el contrate con el p-valor.
3. Calculad e interpretar los intervalos de confianza para la diferencia de proporciones asociados al test
anterior, con funciones de R.
1.8.1 Solución
algoritmo1=read.table("http://bioinfo.uib.es/~recerca/MATIIIGINF/velutina/algoritmo1.csv")
algoritmo2=read.table("http://bioinfo.uib.es/~recerca/MATIIIGINF/velutina/algoritmo2.csv")
Proporción aciertos de cada algoritmo
n1=dim(algoritmo1)[1]
n1
## [1] 500
n1=length(algoritmo1$V1)
n1
## [1] 500
n2=length(algoritmo2$V1)
n2
## [1] 500
aciertos_absolutos_algoritmo1=table(algoritmo1)["1"]
aciertos_absolutos_algoritmo1
## 1
## 396
29
p1=prop.table(table(algoritmo1))["1"]
p1
## 1
## 0.792
aciertos_absolutos_algoritmo2=table(algoritmo2)["1"]
aciertos_absolutos_algoritmo2
## 1
## 437
p2=prop.table(table(algoritmo2))["1"]
p2
## 1
## 0.874
Después de los cálculos preliminares si denotamos las proporciones poblacionales de aciertos de cada algoritmo
por p1 y p2 respectivamente, el contraste que nos piden es
H0 : p1 = p2

H1 : p1 > p2
estamos ante un diseño de comparación de proporciones con muestras independientes. Con R lo podemos
resolver con el fisher.test o con el prop.test
x=matrix(c(aciertos_absolutos_algoritmo1,n1-aciertos_absolutos_algoritmo1,
aciertos_absolutos_algoritmo2,n2-aciertos_absolutos_algoritmo2),
ncol=2,byrow=FALSE)
x
## [,1] [,2]
## [1,] 396 437
## [2,] 104 63
fisher.test(x,alternative="greater",conf.level=0.95)
##
## Fisher's Exact Test for Count Data
##
## data: x
## p-value = 0.9998
## alternative hypothesis: true odds ratio is greater than 1
## 0.4056457 Inf
## odds ratio
## 0.5492712
30
c(aciertos_absolutos_algoritmo1,aciertos_absolutos_algoritmo2)
## 1 1
## 396 437
c(n1,n2)
## [1] 500 500
prop.test(c(aciertos_absolutos_algoritmo1,aciertos_absolutos_algoritmo2), c(n1,n2),alternative="greater"
##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(aciertos_absolutos_algoritmo1, aciertos_absolutos_algoritmo2) out of c(n1, n2)
## alternative hypothesis: greater
## -0.1225654 1.0000000
## prop 1 prop 2
## 0.792 0.874
Con ambos test obtenemos p valores altos (el más pequeño es el de Fisher y es mayor que 0.4, así que no
podemos rechazar que las proporciones de aciertos de los dos algoritmos sean iguales contra que la proporción
de aciertos del algoritmo 1 es mejor que la del 2.
El intervalo de confianza asociado a este test es
prop.test(c(aciertos_absolutos_algoritmo1,aciertos_absolutos_algoritmo2), c(n1,n2),alternative="greater"
## [1] -0.1225654 1.0000000

## [1] 0.95
luego con una probabilidad del 95% la p1 − p2 > −1 contiene el 0 y no podemos despreciar que sean iguales
contra que p1 > p2 .
1.9 Problema 9 : Contraste de proporciones de dos muestras emparejadas.
En el problema anterior hemos decidido quedarnos con el mejor de los algoritmos y mejorarlo. Pasamos las
mismas 1000 imágenes a la version_beta del algoritmo y a la version_alpha. Aquí tenéis el acceso a los
datos en el mismo orden para las 1000 imágenes. Cada uno está en fichero los aciertos están codificados con
1 y los fallos con 0.
1. Cargad los datos desde el servidos y calcular el tamaño de las muestras y la proporción de aciertos de
cada muestra.
2. Contrastad si hay evidencia de que las las proporciones de aciertos del algoritmo alfa son iguales que
las del algoritmo beta. Definid bien las hipótesis y las condiciones del contraste. Tenéis que hacer el
contraste con funciones de R y resolver el contrate con el p-valor.
31
1.9.1 Solución
Cargamos los datos y hacemos los cálculos preliminares
algoritmoalfa=read.table("http://bioinfo.uib.es/~recerca/MATIIIGINF/velutina2/algoritmo_alpha.csv")
algoritmobeta=read.table("http://bioinfo.uib.es/~recerca/MATIIIGINF/velutina2/algoritmo_beta.csv")
El test que nos piden es
H0 : pα = pβ

H1 : pα 6= pβ
Es un diseño de muestras emparejadas y tenemos que utilizar el mcnear.test:
X=table(algoritmoalfa$V1,algoritmobeta$V1)
X
##
## 0 1
## 0 15 110
## 1 88 787
mcnemar.test(X)
##
## McNemar's Chi-squared test with continuity correction
##
## data: X
## McNemar's chi-squared = 2.2273, df = 1, p-value = 0.1356
El p-valor es 0.1356 no podemos rechazar la igualdad de la proporción de aciertos.
1.10 Problema 10 : ANOVA comparación media puntuaciones según fabricante.
Una vez mejorado nuestro algoritmo queremos saber su comportamiento bajo distintos tipos de móviles.
Seleccionamos 6 móviles de la misma gama de calidad de 6 fabricantes distintos. A los fabricantes los
denotamos por F1, F2, F3, F4, F5 y F6.
Vamos a jugar no con la clasificación sino con el score que produce el algoritmo. Para ello seleccionamos
4 muestra aleatorias de fotos de insectos enviadas por los usuarios y la puntuación (score) que nos da el
algoritmo que es una variable aleatoria continua de con rango de 0 a 100.
La idea es comprobar si la media de las puntuaciones del algoritmo es la misma para cada uno de los
fabricantes.
Los datos los podéis descargar de esta dirección del servidor bioinfo.uib.es.
Antes de descargarlo, visualizar el fichero desde el navegador, para saber cómo descargarlo.
1. ¿Podemos asegurar que la muestras son normales en cada grupo? ¿y son homocedásticas? Justificar
la respuesta con el correspondiente código en R comentado.
2. Escribid formalmente la hipótesis nula y la alternativa. Calcular la tabla de ANOVA y resuelve el test
de forma manual.
32
3. Calcular la tabla de ANOVA y resuelve el test con la función aov de R.
4. Haced una comparación de pares con la función adecuada de R para la corrección del holm al nivel de
significación α = 0.1. Interpreta el resultado.
5. Comparar por grupos con el test de Duncan del paquete agricolae. Interpreta el resultado.
1.10.1 Solución
df=read.table("http://bioinfo.uib.es/~recerca/MATIIIGINF/anova_score/score_manufacturer.csv")
head(df)
## score manufacturer
## 1 69.32030 F1
## 2 66.93433 F1
## 3 67.70541 F1
## 4 63.47195 F1
## 5 65.58738 F1
## 6 65.47437 F1
df$manufacturer=as.factor(df$manufacturer)
table(df$manufacturer)
##
## F1 F2 F3 F4 F5 F6
## 100 100 100 100 100 100
Tenemos que comprobar la normalidad de la distribución de la muestra para cada nivel del factor i =
1, 2, 3, 4, 5, 6; el test es
H0 : la distribución de los datos en el nivel Fi es normal,

H1 : la distribución de los datos en el nivel Fi no es normal,
library(nortest)
# El test KS_Lillie para en nivel "F1"
#lillie.test(df$score[df$manufacturer=="F1"])
sapply(levels(df$manufacturer), FUN=function(x) {print(lillie.test(df$score[df$manufacturer==x]))})
##
##
## data: df$score[df$manufacturer == x]
## D = 0.091505, p-value = 0.03825
##
##
##
## D = 0.067758, p-value = 0.3121
##
##
33
##
## D = 0.069567, p-value = 0.2744
##
##
##
## D = 0.069567, p-value = 0.2744
##
##
##
## D = 0.069567, p-value = 0.2744
##
##
##
## D = 0.10632, p-value = 0.007255
## F1
## statistic 0.09150477
## p.value 0.03825059
## method "Lilliefors (Kolmogorov-Smirnov) normality test"
## data.name "df$score[df$manufacturer == x]"
## F2
## statistic 0.06775771
## p.value 0.3121052
## F3
## statistic 0.06956719
## p.value 0.2743622
## F4
## statistic 0.06956719
## p.value 0.2743622
## F5
## statistic 0.06956719
## p.value 0.2743622
## F6
## statistic 0.1063201
## p.value 0.007255259
34
# También podemos hacer un bucle clásico
#for(Fabricante in levels(df$manufacturer)){
#print(lillie.test(df$score[df$manufacturer==Fabricante]))
#}
El nivel “F1” y “F6” dan valores pequeños no podemos asegurar la normalidad en estos casos.
Nos aseguramos con el ómnibus test de D’Agostino
library(fBasics)
## Loading required package: timeDate
## Loading required package: timeSeries
##
## Attaching package: 'fBasics'
## The following object is masked from 'package:car':

##
## densityPlot
dagoTest(df$score[df$manufacturer=="F1"])
##
## Title:
## D'Agostino Normality Test
##
## Test Results:
## STATISTIC:
## Chi2 | Omnibus: 5.8827
## Z3 | Skewness: 2.1113
## Z4 | Kurtosis: 1.1939
## P VALUE:
## Omnibus Test: 0.05279
## Skewness Test: 0.03475
## Kurtosis Test: 0.2325
##
## Description:
## Wed Nov 11 12:37:22 2020 by user: t169
dagoTest(df$score[df$manufacturer=="F6"])
##
## Title:
## D'Agostino Normality Test
##
## Test Results:
## STATISTIC:
## Chi2 | Omnibus: 1.7625
## Z3 | Skewness: -1.2831
35
## Z4 | Kurtosis: 0.3408
## P VALUE:
## Omnibus Test: 0.4143
## Skewness Test: 0.1995
## Kurtosis Test: 0.7333
##
## Description:
## Wed Nov 11 12:37:22 2020 by user: t169
Parece que no podemos rechazar la normalidad para los casos dudosos.

Ahora realizamos el test de comparación de medias µi para i = 1, 2, 3, 4, 5, 6 son las medias para cada nivel
del factor.
H0 : µ1 = µ2 = µ3 = µ4 = µ5 = µ6

H1 : no todas la medias son iguales,
summary(aov(df$score~df$manufacturer))

## df$manufacturer 5 9143 1828.5 17.54 0.000000000000000317 ***
## Residuals 594 61910 104.2
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Como el p-valor es muy pequeño NO podemos aceptar que las 6 medias sean iguales
Ahora tenemos que contrastar que pares de medias dos a dos son iguales y ajustar los p-valores con el ajuste
del p-valor por el método de Holm
pairwise.t.test(df$score,df$manufacturer,p.adjust.method = "holm")
##
##
## data: df$score and df$manufacturer
##
## F1 F2 F3 F4 F5
## F2 1.00000 - - - -
## F3 0.07729 0.44250 - - -
## F4 0.00011 0.00000297115 0.00000000017 - -
## F5 0.00011 0.00000297115 0.00000000017 1.00000 -
## F6 0.00724 0.00040 0.00000014687 1.00000 1.00000
##
Comparamos los p-valores con 0.05 y aceptamos que las medias de los niveles F4 , F6 y F5 son iguales dos
a dos, también son iguales la media del F1 con el F2 , y la media del nivel F2 con el F3 . EL resto de
comparaciones tienen p-valores bajos así que no podemos aceptar la igualdad de medias.
Ahora comparamos las medias por grupos de igualdades con el test de Duncan
36
library(agricolae)
##
## Attaching package: 'agricolae'
## The following objects are masked from 'package:timeDate':

##
## kurtosis, skewness
resultado.anova=aov(df$score~df$manufacturer)
duncan.test(resultado.anova,"df$manufacturer",group=TRUE)$group
## df$score groups
## F3 74.07499 a
## F2 71.61166 ab
## F1 70.47337 b
## F6 65.71299 c
## F4 64.07499 c
## F5 64.07499 c
Obtenemos tres grupos el a dice la media de µ3 = mu2 el b dice que µ2 = µ1 y el c dice que µ6 = µ4 = µ5 .
Obtenemos conclusiones similares al test de comparación de medias.
1.11 Problema 11: Regresión lineal simple.
Consideremos los siguientes datos
x=c(-2,-1,2,0,1,2)
y=c(-7, -5, 5, -3, 3.0, 4)
summary(lm(y~x))
##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## 1 2 3 4 5 6
## 0.675 -0.400 0.375 -1.475 1.450 -0.625
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.5250 0.4872 -3.130 0.035176 *
## x 3.0750 0.3189 9.642 0.000647 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.165 on 4 degrees of freedom
## Multiple R-squared: 0.9587, Adjusted R-squared: 0.9484
## F-statistic: 92.96 on 1 and 4 DF, p-value: 0.0006472
1. Calcular manualmente los coeficiente de la regresión lineal de y sobre x
37
2. Calcular los valores ŷi = b0 + b1 · x1 para los valores de la muestra y el error cometido.
3. Calcular la estimación de la varianza del error.
H0 : β1 = 0
4. Resolver manualmente el contraste , calculando el p-valor.
H1 : β1 6= 0
5. Calcular SST , SSR y SSE.
6. Calcular el coeficiente de regresión lineal rxy y el coeficiente de determinación R2 . Interpretad el
resultado en términos de la cantidad de varianza explicada por el modelo
7. Comprobar que los resultados son los mismos que los obtenidos con la función summary(lm(y~x)).
1.11.1 Solución
Faltan añadir los NECESARIOS COMENTARIOS.
x=c(-2,-1,2,0,1,2)
y=c(-7, -5, 5, -3, 3.0, 4)
sol_lm=lm(y~x)
summary(sol_lm)
##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## 1 2 3 4 5 6
## 0.675 -0.400 0.375 -1.475 1.450 -0.625
##
## Coefficients:
## (Intercept) -1.5250 0.4872 -3.130 0.035176 *
## x 3.0750 0.3189 9.642 0.000647 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## F-statistic: 92.96 on 1 and 4 DF, p-value: 0.0006472
mediay=mean(y)
mediax=mean(x)
sdx=sd(x)
sdy=sd(y)
sxy=cov(x,y)
b1=sxy/sdxˆ2
b1
## [1] 3.075
b0=mediay-b1*mediax
b0
## [1] -1.525
38
sol_lm$coefficients
## (Intercept) x
## -1.525 3.075
c(b0,b1)==sol_lm$coefficients# dan distintos errores de redondeo
## (Intercept) x
## FALSE TRUE
near(c(b0,b1),sol_lm$coefficients)# opcional
## (Intercept) x
## TRUE TRUE
sol_lm$fitted.values
## 1 2 3 4 5 6
## -7.675 -4.600 4.625 -1.525 1.550 4.625
recta=function(x) b0+b1*x
y_est=recta(x)
y_est
## [1] -7.675 -4.600 4.625 -1.525 1.550 4.625
predict(sol_lm,newdata = data.frame(x=x))
## 1 2 3 4 5 6
## -7.675 -4.600 4.625 -1.525 1.550 4.625
## [1] -7 -5 5 -3 3 4
y_est
## [1] -7.675 -4.600 4.625 -1.525 1.550 4.625
e=y-y_est
e
## [1] 0.675 -0.400 0.375 -1.475 1.450 -0.625
sol_lm$residuals
## 1 2 3 4 5 6
## 0.675 -0.400 0.375 -1.475 1.450 -0.625
39
mean(e) # es cero, pero por error de redondeo no da exacto.
## [1] -0.0000000000000002220446
SSE=sum(eˆ2)
SSE
## [1] 5.425
n=length(x)
n
## [1] 6
S2=SSE/(n-2)#estimacion_var_error
S2
## [1] 1.35625
S=sqrt(S2)# Residual estándar error: 1.165

S
## [1] 1.164581
round(S,3) # con los mismos decimales da lo mismo
## [1] 1.165
# contraste beta1=0
t0=b1/(S/(sdx*sqrt(n-1)))
t0
## [1] 9.6415
2*pt(abs(t0),n-2,lower.tail = FALSE)
## [1] 0.0006472191
2*(1-pt(abs(t0),n-2,lower.tail = TRUE))
## [1] 0.0006472191
2*(1-pt(abs(t0),n-2))
## [1] 0.0006472191
comparar con
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.5250 0.4872 -3.130 0.035176 *
x 3.0750 0.3189 9.642 0.000647 ***
40
knitr::include_graphics("formulas_regre.PNG")
SST=sum((y-mean(y))ˆ2)
SST
## [1] 131.5
mean(y_est)
## [1] -0.5
mean(y)#media estimados regresión igual a media variable y
## [1] -0.5
SSR=sum((y_est-mean(y))ˆ2)
SSR
## [1] 126.075
SSE# ya lo había a calculado
## [1] 5.425
SST-SSR# da lo mismo pues SST=SSR+SSE
## [1] 5.425
R2=SSR/SST
R2
## [1] 0.9587452
cor(x,y)
## [1] 0.9791554
41
cor(x,y)ˆ2# en el caso regresión simple R2=cor(xy)ˆ2
## [1] 0.9587452
1.12 Problema 12: Distribución de los grados de un grafo de contactos.
En el artículo de A. Broder et al., Graph structure in the Web. Computer Networks 33, 309 (2000).
Se recopiló el número de enlaces a sitios web encontrados en un rastreo web de 1997 de aproximadamente
200 millones de páginas web,
Con el se construyó una tabla con la frecuencia de sitios por número de enlaces. El código siguiente carga
del enlace que han puesto los autores del artículo
data_links=read.table("http://tuvalu.santafe.edu/~aaronc/powerlaws/data/weblinks.hist",header=TRUE)
head(data_links)
## degree frequency
## 1 0 35159835
## 2 1 106649769
## 3 2 40711748
## 4 3 22648832
## 5 4 12617832
## 6 5 8188854
str(data_links)
## 'data.frame': 14480 obs. of 2 variables:

## $ degree : int 0 1 2 3 4 5 6 7 8 9 ...
## $ frequency: int 35159835 106649769 40711748 22648832 12617832 8188854 6438634 4690068 4954649 3731
# eliminamos la páginas con menos de 8 enlaces enlaces y las de más de 1000 enlaces
data_links_central=data_links[data_links$degree>8&data_links$degree<10ˆ3,]
head(data_links_central)
## degree frequency
## 10 9 3731928
## 11 10 3036333
## 12 11 2496648
## 13 12 2119312
## 14 13 1790068
## 15 14 1546579
tail(data_links_central)
## degree frequency
## 995 994 213
## 996 995 193
## 997 996 157
## 998 997 137
## 999 998 178
## 1000 999 153
42
El siguiente código calcula las regresiones exponencial, potencial y lineal (en algún orden) de las frecuencias
(frequency) contra los enlaces (degree).
sol1=lm(frequency~ degree,data=data_links_central)
summary(sol1)
##
## Call:
## lm(formula = frequency ~ degree, data = data_links_central)
##
## Residuals:
## Min 1Q Median 3Q Max
## -96861 -69548 -25033 22374 3598744
##
## Coefficients:
## (Intercept) 134974.49 13778.17 9.796 <0.0000000000000002 ***
## degree -198.98 23.77 -8.369 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 214100 on 989 degrees of freedom
## F-statistic: 70.04 on 1 and 989 DF, p-value: < 0.00000000000000022
sol2=lm(log10(frequency)~ degree,data=data_links_central)
summary(sol2)
##
## Call:
## lm(formula = log10(frequency) ~ degree, data = data_links_central)
##
## Residuals:
## -0.43758 -0.26558 -0.07671 0.16681 2.13097
##
## Coefficients:
## (Intercept) 4.46504979 0.02381018 187.53 <0.0000000000000002 ***
## degree -0.00267658 0.00004109 -65.15 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## F-statistic: 4244 on 1 and 989 DF, p-value: < 0.00000000000000022
sol3=lm(log10(frequency)~ log10(degree),data=data_links_central)
summary(sol3)
##
## Call:
43
## lm(formula = log10(frequency) ~ log10(degree), data = data_links_central)
##
## Residuals:
## -0.21376 -0.04747 -0.01555 0.01958 0.73976
##
## Coefficients:
## (Intercept) 8.722036 0.020623 422.9 <0.0000000000000002 ***
## log10(degree) -2.170129 0.007894 -274.9 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## F-statistic: 7.557e+04 on 1 and 989 DF, p-value: < 0.00000000000000022
Ahora dibujamos los gráficos adecuados a cada modelo
plot(data_links_central,main="Modelo ..........")
abline(sol1,col="red")
Modelo ..........
3000000
frequency
1000000
0
0 200 400 600 800 1000
degree
plot(data_links_central,main="Modelo ..........",log="y")
44
Modelo ..........
100000
frequency
1000
100
0 200 400 600 800 1000
degree
plot(data_links_central,main="Modelo ..........",log="xy")
45
Modelo ..........
100000
frequency
1000
100
10 20 50 100 200 500 1000
degree
Se pide:
1. Explicad el modelo de regresión que calcula cada función lm

2. ¿Qué modelo y en función de qué parámetros es el mejor?
3. Para el mejor modelo calcular los coeficientes en las unidades originales y escribir la ecuación del
modelos.
1.12.1 Solución
Apartado 1
Los modelos son
sol1=lm(frequency~ degree,data=data_links_central)
summary(sol1)
##
## Call:
## lm(formula = frequency ~ degree, data = data_links_central)
##
## Residuals:
## -96861 -69548 -25033 22374 3598744
##
## Coefficients:
46
## (Intercept) 134974.49 13778.17 9.796 <0.0000000000000002 ***
## degree -198.98 23.77 -8.369 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 214100 on 989 degrees of freedom
## F-statistic: 70.04 on 1 and 989 DF, p-value: < 0.00000000000000022
sol2=lm(log10(frequency)~ degree,data=data_links_central)
summary(sol2)
##
## Call:
## lm(formula = log10(frequency) ~ degree, data = data_links_central)
##
## Residuals:
## -0.43758 -0.26558 -0.07671 0.16681 2.13097
##
## Coefficients:
## (Intercept) 4.46504979 0.02381018 187.53 <0.0000000000000002 ***
## degree -0.00267658 0.00004109 -65.15 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## F-statistic: 4244 on 1 and 989 DF, p-value: < 0.00000000000000022
sol3=lm(log10(frequency)~ log10(degree),data=data_links_central)
summary(sol3)
##
## Call:
##
## Residuals:
## -0.21376 -0.04747 -0.01555 0.01958 0.73976
##
## Coefficients:
## (Intercept) 8.722036 0.020623 422.9 <0.0000000000000002 ***
## log10(degree) -2.170129 0.007894 -274.9 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
47
Así que
• el primero es f requency = b0 + b1 · degree que es el modelo LINEAL que resuelve la función lm.
• el segundo es log10 (f requency) = b0 + b1 · degree que operando adecuadamente es
10log10 (f requency) = 10b0 · 10b1 ·degree operando obtenemos que el modelo final es un modelo EXPONENCIAL
degree
f requency = 10b0 · 10b1 . * el tercer modelo es log10 (f requency) = b0 + b1 · log10 (degree) que
b1
despejando es 10 log10 (f requency)
= 10b0 · 10(log10 (degree)) operando obtenemos que el modelo final es un
modelo POTENCIAL f requency = 10b0 · degreeb1 .
Los dibujos con el título adecuado son
plot(data_links_central,main="Modelo lineal")
Modelo lineal
3000000
frequency
1000000
0
0 200 400 600 800 1000
degree
plot(data_links_central,main="Modelo exponencial",log="y")
48
Modelo exponencial
100000
frequency
1000
100
0 200 400 600 800 1000
degree
plot(data_links_central,main="Modelo potencial",log="xy")
49
Modelo potencial
100000
frequency
1000
100
10 20 50 100 200 500 1000
degree
Con lo que hemos visto el modelo con mejor R2 es el mejor
summary(sol1)$r.squared
## [1] 0.06613879
## [1] 0.8110118
## [1] 0.9870815
Así que el mejor modelo es el tercero el potencial pues su R2 es muy alto

Apartado 3
Calcularemos la ecuación del modelo para las unidades originales sin transformaciones logarítmicas.
Recordemos el resultado de la sol3
summary(sol3)
50
##
## Call:
##
## Residuals:
## -0.21376 -0.04747 -0.01555 0.01958 0.73976
##
## Coefficients:
## (Intercept) 8.722036 0.020623 422.9 <0.0000000000000002 ***
## log10(degree) -2.170129 0.007894 -274.9 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
Los estimadores son b0 = 8.722036 y b1 = −2.170129 el modelo es f requency = 10b0 · degreeb1 . Sustituyendo
los valores el modelo obtenemos f requency = 108.722036 · degree−2.170129 , finalmente operando
f requency = 527273566.93254 · degree−2.170129 .
No se pedía en el ejercicio pero hacemos el dibujo de los datos y la ecuación en las unidades originales
frequency=data_links_central$frequency
degree=data_links_central$degree
potencial=function(x) 10ˆ(8.722036)*xˆ(-2.170129)
plot(degree,frequency,main="Modelo potencial",xlab="degree",ylab="frequency")
curve(potencial,xlim=c(0,1000),ylim=c(0,3731928),col="red",add=TRUE)
51
Modelo potencial
3000000
frequency
1000000
0
0 200 400 600 800 1000
degree
52

Taller Problemas Resueltos Extra 1

Cargado por

Copyright:

Formatos disponibles

Taller Problemas Resueltos Extra 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taller Problemas Resueltos Extra 1

Cargado por

Copyright:

Formatos disponibles

Taller de problemas resueltos inferencia

1 Taller Problemas resueltos: Estadística Inferencial

1.1 Problema 1: Contraste de parámetros de dos muestras.

1. Comentad brevemente el código de R explicando que hace cada instrucción.

# test para varianzas distintas

2*(1-pt(abs(t0),df=n1+n2-2)) # calculo la probabilidad del complementario

2*pt(abs(t0),df=n1+n2-2,lower.tail = FALSE)# calcula el área la cola superior

Varianzas desconocidas pero distintas, n1 y n2 grande

Calculamos el estadístico y los grados de libertad con R

# el p-valor de la función t.test de R

# el p-valor propuesto en teoría

t.test(G1,G2,var.equal = TRUE,alternative = "two.sided",conf.level = 0.95)$conf.int

## [1] -2.251691 -1.161889

t.test(G1,G2,var.equal = FALSE,alternative = "two.sided",conf.level = 0.95)$conf.int

## [1] -2.252298 -1.161282

El test de Fisher de igualdad de varianzas

Obtenemos un p-valor alto no podemos rechazar la igualdad de varianzas.

Obtenemos los mismos resultados que con la función var.test.

library(car,quietly = TRUE)# pongo quietly para que quite avisos

## Levene's Test for Homogeneity of Variance (center = median)

Simulamos dos muestras con las funciones siguientes

Dibujamos estos gráficos

norm quantiles norm quantiles

Realizamos algunos contrastes de hipótesis de igual de medias entre ambas muestras

t.test(x1,x2,var.equal = TRUE,alternative = "greater")

t.test(x1,x2,var.equal = FALSE,alternative = "two.sided")

1. ¿Cuál es la distribución y los parámetros de las muestras generadas?

1.3 Problema 3 : Bondad de ajuste. La ley de Benford

Concretamente lo podemos hacer así

## [1] 0.30103000 0.17609126 0.12493874 0.09691001 0.07918125 0.06694679 0.05799195

Díg. 1 Díg. 2 Díg. 3 Díg. 4 Díg. 5 Díg. 6 Díg. 7 Díg. 8 Díg. 9

## [1] "2" "4" "8" "16" "32" "64"

## [1] "334" "669" "133" "267" "535" "107"

## muestra_pot_2_3digitos primer_digito segundo_digito tercer_digito

Apartado 1 El contraste que nos piden es

El siguiente código resuelve el tes de forma manual calculando el estadístico y el p-valor

## [1] 301.03000 176.09126 124.93874 96.91001 79.18125 66.94679 57.99195

La función de R que resuelve el test es

Procedemos de forma similar al caso anterior. De forma manual el cálculo es

Con la función chisq.test obtenemos los mismo resultados

H1 : sigue cualquier otra distribución.

Procedemos de forma similar al caso anterior. De forma manual el cálculo es

Con la función chisq.test obtenemos los mismo resultados

1.4 Problema 4 : Homegeneidad e independencia

1. Discutid si hacemos un contraste de independencia o de homogeneidad de las distribuciones de las

1.5 Problema 5 : ANOVA notas numéricas de tres grupos.

## [1] 79.424303 77.538709 42.549421 41.739852 0.086642 88.014337

## Levene's Test for Homogeneity of Variance (center = median)

Del summary(sol_aov) os damos la salida a falta de algunos de los valores

## [1] 79.424303 77.538709 42.549421 41.739852 0.086642 88.014337

## Levene's Test for Homogeneity of Variance (center = median)

H1 : no todas las medias son iguales.

## Df Sum Sq Mean Sq F value Pr(>F)

EL p-valor es muy grade 0.608 no podemos rechazar la igualdad de medias.

1.6 Problema 6 : ANOVA Comparación de las tasas de interés para la compra

Consideremos el data set newcar accesible desde https://www.itl.nist.gov/div898/education/anova/

• Rate (interés): tasa de interés en la compra de coches a crédito

## 'data.frame': 54 obs. of 2 variables:

1. Comentad el código y el diagrama de caja.