Simulacion
1. Lectura de los datos.
datos = scan("dos.txt")
2. Independencia de los Datos
a. Grafico de Correlación :
acf (datos)
b. Grafico de las observaciones en el tiempots.plot(datos)
c. Grafico de Dispersion
lag.plot(datos, lags=4,layout=c(2,2),labels=F,do.lines=F)
Gracias a estos graficos se puede se puede comprobar que dichos datos sonindependientes entre si.
3. Histograma
hist(datos.prob=T)
lines(density(datos))
Podemos observar que la grafica se parece a una distribución normal.
4. Estadisticos Basicos
a. summary(datos)Min. 1st Qu. Median Mean 3rd Qu. Max.
-1.720 0.590 1.220 1.232 1.810 4.010
b. Varianza
var(datos)
[1] 0.8484106
c. Desviacion Estandar
sqrt(var(datos))
[1] 0.921092d. Coeficiente de Variacion
cvar = sd (datos)/ mean(datos)
cvar
[1] 0.7476712
e. skewness(datos)
[1] -0.2221432
Se puede referir a una distribución normal ya que la diferenciaentre la media y la mediana es muy pequeña y cercana a cero.
5. Grafico de Caja
Boxplot(datos)
Se podría decir que si los valores de la cola se extienden hacia los valores negativos ladistribución normal esta sesgada a la izquierda.
6. Parametros de las Distribuciones
library(MASS)
normal.par =fitdistr(datos,"normal”)
normal.par
mean sd
1.231948050.91809662
(0.07398233) (0.05231341)
7. Ajuste de las distribuciones
a. Comparación entre la función de probabilidad acumulada de la distribución normal con la función deprobabilidad empírica de los datos:
par(mfrow=c(1,2))
curve(pnorm(x,mean=normal.par$estimate[1],sd=normal.par$estimate[2]),from=-2, to=4,ylab="Probabilidad acumulada",col="red",lwd=2, main="Normal")lines(ecdf(datos))
b. Gráficos Cuantil-Cuantil
par(mfrow=c(1,2))
qqplot(qnormal(ppoints(500),shape=normal.par$estimate[1],rate=normal.par$estimate[2]), datos, main ="Normal",xlab="Cuantiles...
Regístrate para leer el documento completo.