Verificación de supuestos

### Verificación de supuestos ###

resi<-residuals(MOD)
stdresid<-rstandard(MOD)
#par(mfrow=c(2,2))
#plot(MOD)

#shapiro:Para normalidad
#Ho:Hay normalidad
#Ha:No hay normalidad
#shapiro.test(rnorm(100,0,1))
shapiro.test(resi) #Si son normales los residuos


#Kolmogorov-Smirnov: Para normalidad
#Ho:Hay normalidad (No hay diferencia significativa entre la distribucion evaluada y una distribucion normal)
#Ha:No hay normalidad (Si hay diferencia significativa entre la distribucion evaluada y una distribucion normal)
#prueba<-rnorm(100,0,1)
#ks.test(prueba,"pnorm",mean=mean(prueba), sd=sd(prueba))
ks.test(resi,"pnorm",mean=0, sd=sd(resi))

#Barlett: Para homogeneidad de varianzas

with(tabla, tapply(ESP_NUC_PROC, LOTE, var, na.rm=TRUE))
bartlett.test(ESP_NUC_PROC ~ LOTE, data=tabla) 
#Aca necesariamente toca poner la variable que
#se esta analizando y los grupos, tal cual como esta escrito
#en el modelo arriba

with(tabla, tapply(ESP_NUC_PROC, LOTE, var, na.rm=TRUE))
leveneTest(ESP_NUC_PROC ~ LOTE, data=tabla, center="median")
#En el  test de Levene, se puede centrar por mediana o por promedio

with(tabla, tapply(ESP_NUC_PROC, LOTE, var, na.rm=TRUE))
leveneTest(ESP_NUC_PROC ~ LOTE, data=tabla, center="mean")

### Falta el test de aleatoriedad - No-paramétrico
bartlett.test(resi~MOD)

Read More

Ingreso de datos

### Ingreso de datos ###

# 1. Se puede ingresar los datos directamente, así:

x=c(499.3361, 500.3681, 501.2236, 498.3309, 499.0955, 501.4942, 500.3857, 499.7793, 499.7361, 502.3487, 499.6574, 500.1297, 500.2847, 498.2438, 498.8386, 499.5641, 498.9991, 499.7621, 500.6080, 499.1800, 500.2351, 499.6674, 499.2542, 500.6901, 500.8001, 499.7816, 500.0355, 500.6031, 501.2470)

# 2. Se puede ingresar los datos, tomados directamente de archivos de excel, así:

# En este caso se requieren las siguientes librerias: (xlsx), (rJava),(xlsxjars)

setwd("C:/Users/admin/Desktop/prueba")
datos<-read.xlsx("datos.xlsx","datos", header=TRUE)

# 1. Se puede ingresar directamente del enlace de internet, así:
datos<-read.table ("http://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data",sep=",")

Read More

Análisis descriptivo

### Análisis descriptivo ###

#Una vez se ha ingresado la variable de interés como "x" (Ver: ### Ingreso de datos ###), seguir el siguiente script

#n
length(x)

#Promedio
mean(x)

#Mediana
median(x)

#Varianza muestral (dividida por n-1)
var(x)

#Varianza poblacional:
var(x)*(n-1)/n   #donde n=número de datos

#Desviación estándar muestral (dividida por n-1) 
sd(x)

#Coeficiente de variación
(sd(x)/mean(x))*100

#Rango
max(x)-min(x)

#Moda
estimate_mode <- function(x)
{
d <- density(x)
d$x[which.max(d$y)]
}
estimate_mode(x)

Read More