elif U <= 5 / 6:
return (5)
else:
return (6)
if __name__ == '__main__':
"""
Enunciado: Para verificar que cierto dado no estaba trucado, se registraron
1000 lanzamientos, resultando que el número de veces que el dado arrojó el
valor i (i = 1, 2, 3, 4, 5, 6) fue, respectivamente, 158, 172, 164, 181,
160, 165. Aproximar el p-valor de la prueba: “el dado es honesto”
a) utilizando un aproximación ji-cuadrada
b) realizando una simulación
"""
pi = [1 / 6, 1 / 6, 1 / 6, 1 / 6, 1 / 6, 1 / 6]
Ni = [158, 172, 164, 181, 160, 165]
n, k = sum(Ni), len(pi)
Iter = 1000
T = chi2_stadistical(pi, Ni, n)
chi2 = chdtrc(k - 1, T)
sim = simulation_distribution(n, Iter, T, k, pi, func)
print("Estadístico: {}".format(T))
print("===============================")
print("P-valor con Chi-cuadrado: {}".format(chi2))
reject(chi2)
print("===============================")
print("P-valor con Simulación: {}".format(sim))
reject(sim)
de alambre sujetos a cada uno de los tratamientos por separado:
Tratamiento 1: 65.2 67.1 69.4 78.4 74.0 80.3
Tratamiento 2: 59.4 72.1 68.0 66.2 58.5
a) Calcular el p-valor exacto de este conjunto de datos, correspondiente a
la hipótesis de que ambos tratamientos tienen resultados idénticos
b) Calcular el p-valor aproximado en base a una aproximación normal
c) Calcular el p-valor aproximado en base a una simulación
"""
sample_1 = [65.2, 67.1, 69.4, 78.4, 74.0, 80.3]
sample_2 = [59.4, 72.1, 68.0, 66.2, 58.5]
Iter = 10000
# Inciso a
p_value_exact = p_value_small(sample_1, sample_2)
print("P-valor exacto: {}".format(p_value_exact))
reject(p_value_exact)
print("===============================")
# Inciso b
p_value_normal = p_value_big(sample_1, sample_2)
print("P-valor normal: {}".format(p_value_normal))
reject(p_value_normal)
print("===============================")
# Inciso c
p_value_simulated = p_value_simulation(sample_1, sample_2, Iter)
print("P-valor simulado: {}".format(p_value_simulated))
reject(p_value_simulated)
from functions import d_sample_exponential, p_value, reject
if __name__ == '__main__':
"""
Enunciado: Calcular una aproximación del p-valor de la hipótesis: “Los
siguientes 13 valores provienen de una distribución exponencial con media
50”: 86, 133, 75, 22, 11, 144, 78, 122, 8, 146, 33, 41, 99.
"""
H0 = "H0: Los siguientes 13 valores provienen de una distribución "
H0 += "exponencial con media 50"
text = "P-valor con Kolmogorov-Smirnov:"
sample = [86, 133, 75, 22, 11, 144, 78, 122, 8, 146, 33, 41, 99]
sample.sort()
n, Iter, d = len(sample), 10000, d_sample_exponential(sample, 1 / 50)
p_value = p_value(n, Iter, d)
print("Estadístico: {}".format(d))
print("===============================")
print("{}\n{} {}".format(H0, text, p_value))
reject(p_value)
if __name__ == '__main__':
"""
Enunciado: Decidir si los siguientes datos corresponden a una distribución
Normal: 91.9 97.8 111.4 122.3 105.4 95.0 103.8 99.6 96.6 119.3 104.8 101.7.
Calcular una aproximación del p-valor.
"""
H0 = "H0: Los siguientes datos corresponden a una distribución normal"
text = "P-valor con Kolmogorov-Smirnov:"
sample = [
91.9, 97.8, 111.4, 122.3, 105.4, 95.0, 103.8, 99.6, 96.6, 119.3, 104.8,
101.7
]
sample.sort()
n, Iter = len(sample), 10000
mu, sigma = mu_sigma_normal_estimate(sample)
d = d_sample_normal(sample, mu, sigma)
p_value_1 = p_value_normal(n, mu, sigma, d, Iter)
p_value_2 = p_value(n, Iter, d)
print("Estadístico: {}".format(d))
print("===============================")
print("{}\n{}".format(H0, text))
print("Estimando parámetros en cada iteración: {}".format(p_value_1))
reject(p_value_1)
print("===============================")
print("Sin estimar parámetros: {}".format(p_value_2))
reject(p_value_2)