Prácticas de Estadística en R - Departamento de Estadística e ...
Prácticas de Estadística en R - Departamento de Estadística e ...
Prácticas de Estadística en R - Departamento de Estadística e ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
88 10. Tests <strong>de</strong> bondad <strong>de</strong> ajuste<br />
> p.valor=1-pchisq(X2,gdl)<br />
[1] 0.5540747<br />
Como el p-valor es 0.5540747, que es mayor que 0.05, no po<strong>de</strong>mos rechazar la hipótesis<br />
nula.<br />
El segundo test que po<strong>de</strong>mos consi<strong>de</strong>rar es el <strong>de</strong> Kolmogorov-Smirnov. Al igual que<br />
el contraste χ 2 , este contraste especifica la hipótesis nula H 0 <strong>de</strong> que la distribución<br />
g<strong>en</strong>eradora <strong>de</strong> los datos es F 0 y una hipótesis alternativa H 1 <strong>de</strong> que la distribución<br />
g<strong>en</strong>eradora <strong>de</strong> los datos no es F 0 . El contraste está basado <strong>en</strong> la comparación <strong>de</strong> la<br />
función <strong>de</strong> distribución empírica y la función <strong>de</strong> distribución. El contraste se construye<br />
como sigue:<br />
1. En primer lugar, se or<strong>de</strong>nan los datos <strong>de</strong> manera creci<strong>en</strong>te, es <strong>de</strong>cir, se obti<strong>en</strong><strong>en</strong><br />
x (1) ≤ x (2) ≤ · · · ≤ x (n) .<br />
2. A continuación, se obti<strong>en</strong>e la función <strong>de</strong> distribución empírica:<br />
⎧<br />
⎨ 0 si x < x (1) ,<br />
r<br />
F n (x) =<br />
⎩<br />
n<br />
si x (r) ≤ x < x (r+1) ,<br />
1 si x (n) ≤ x.<br />
3. Por último, se calcula la discrepancia máxima <strong>en</strong>tre las funciones <strong>de</strong> distribución<br />
empírica, F n (x), y la teórica, F 0 (x), con el estadístico:<br />
D n = máx |F n (x) − F 0 (x)|.<br />
La distribución <strong>de</strong> D n no ti<strong>en</strong>e forma estándar pero se conoc<strong>en</strong> los valores numéricos.<br />
Este contraste es más s<strong>en</strong>cillo <strong>de</strong> realizar que el contraste χ 2 <strong>de</strong> Pearson ya que no<br />
t<strong>en</strong>emos que fijar el número <strong>de</strong> clases. Por el contrario, es un contraste conservador ya<br />
que ti<strong>en</strong><strong>de</strong> a aceptar la hipótesis nula con bastante frecu<strong>en</strong>cia. Vamos a ver qué ocurre con<br />
nuestros datos. Empezamos realizando el contraste para la distribución normal. Vemos<br />
la comparación <strong>en</strong>tre las funciones <strong>de</strong> distribución empírica y la normal:<br />
> x=seq(1.16,1.68,by=.01)<br />
> plot(ecdf(tiempos),do.points=F)<br />
> lines(x,pnorm(x,mu.tiempos,sd.tiempos))<br />
A continuación, vemos el resultado <strong>de</strong>l contraste:<br />
> ks.test(tiempos,"pnorm",mu.normal,sd.normal)<br />
One-sample Kolmogorov-Smirnov test<br />
data: tiempos<br />
D = 0.0937, p-value = 0.7196<br />
alternative hypothesis: two-si<strong>de</strong>d<br />
Warning message:<br />
cannot compute correct p-values with ties in: ks.test(tiempos,"pnorm",<br />
mu.normal, sd.normal)