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)
from functions import rejection, p_value, d_value_exponential
from math import exp
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.
"""
values = [86, 133, 75, 22, 11, 144, 78, 122, 8, 146, 33, 41, 99]
values.sort()
Iter = 10000
d_1 = d_value_exponential(values, 1/50)
print("Estadisitico: {}".format(d_1))
n = len(values)
p_value_1 = p_value(n, Iter, d_1)
print("P_Value_1: {}".format(p_value_1))
rejection(p_value_1)
from functions import rejection, p_value
def d_sample(sample):
n = len(sample)
D1 = max([((i+1)/n) - sample[i] for i in range(n)])
D2 = max([sample[i] - (i/n) for i in range(n)])
return max(D1, D2)
if __name__ == '__main__':
"""
Enunciado: Calcular una aproximación del p−valor de la hipótesis:
“Los siguientes 10 números son aleatorios”:
0.12, 0.18, 0.06, 0.33, 0.72, 0.83, 0.36, 0.27, 0.77, 0.74.
"""
values = [0.12, 0.18, 0.06, 0.33, 0.72, 0.83, 0.36, 0.27, 0.77, 0.74]
values.sort()
D = d_sample(values)
print("Estadisitico D: {}".format(D))
Iter = 1000
n = len(values)
p_value_simulation = p_value(n, Iter, D)
print("P-Valor simulacion: {}".format(p_value_simulation))
rejection(p_value_simulation)
