Universidad Santo Tomás

Facultad de Estadística

Programa Maestría en Estadística Aplicada

Profesora Edna Carolina Moreno

Taller Final Inferencia Estadística

Punto 1

La función de Máxima Verosimilitud se define de la siguiente manera \[L(\theta)=L(y;\theta)=f(y_1,...,y_n;\theta)=\prod_{i=1}^{n}f(y_1,...,y_n;\theta)\]
La función dada es la siguiente \[f(y_i)=\begin{cases}(\frac{1}{\theta})ry_i^{r-1}e^{\frac{-y_i^r}{\theta}},&\quad\text{para $\theta>0$ y $y>0$},\\0 &\quad\text {en cualquier otro punto}\end{cases}\] Entonces tenemos \[\begin{equation}L(\theta)=\frac{1}{\theta}ry_i^{r-1}e^{\frac{-y_i^r}{\theta}}\end{equation}\] Desarrollando la productoria \[\begin{align}\prod_{i=1}^{n}&=\frac{1}{\theta}ry_1^{r-1}e^{\frac{-y_1^r}{\theta}}\cdot\frac{1}{\theta}ry_2^{r-1}e^{\frac{-y_2^r}{\theta}}\overset{n\text{ veces}}{\cdots\cdots}\frac{1}{\theta}ry_n^{r-1}e^{\frac{-y_n^r}{\theta}}\\&=\frac{1}{\theta^n}r^{n}y_i^{n(r-1)}e^{\sum_{i=1}^n \frac{-y_i^r}{\theta}}\end{align}\] Ahora aplicamos logaritmo neperiano a la función \(L(\theta)\) y obtenemos \[\ell(\theta)=\ln{L(\theta)}\] Tenemos \[\ell{(\theta)}=\ln{(\theta^{-n})}+\ln{(r^n)}+\ln{(y_i^{n(r-1)})}+\sum_{i=1}^{n}\frac{-y_i^r}{\theta}\] Note que el logaritmo neperiano de \(e\) es 1, los demás sumandos quedaron expresados ya que con la siguiente derivada son \(0\), respecto a la sumatoria, la derivada de una suma es la derivada de sus sumandos.

\[\frac{\partial}{\partial\theta} \ell(\theta)=- \frac{n}{\theta}+\frac{1}{\theta^2}\sum_{i=1}^{n}y_i^r\] Igualamos a \(0\) para hallar el parámetro \(\theta\) \[\begin{align*}\frac{1}{\theta^2}\sum_{i=1}^{n}y_i^r&=\frac{n}{\theta}\\\sum_{i=1}^{n}y_i^r&=\frac{n\theta^2}{\theta}\end{align*}\] Operando tenemos \[\frac{\sum_{i=1}^{n}y_i^r}{n}=\theta\] Fijese que tenemos que la estimación por Máxima Verosimilitud del estimador \(\theta\) es el promedio de \(y_i^r\), reorganizando términos finalmente tenemos \[\hat{\theta}_M= \bar{y^r}\]

Punto 2

Tenemos \(Y_1,Y_2,...,Y_n\sim U[\theta, \theta+1]\) aunque las variables aleatorias siguen una distribución con parámetros, la distribución uniforme es delimitada por un intervalo comunmente denotado \([a,b]\), dada la distribución tenemos la siguiente función de densidad \[f(y;\theta)=\begin{cases}\frac{1}{(\theta+1)-\theta} &\quad\text{$\theta \leq y \leq \theta + 1$}\\0 & \quad \text {en otro caso}\end{cases}\] Encontrando el primer momento de la \(f.d.p\) tenemos \[\begin{align} \begin{split}E(y)&=\int_{\theta}^{\theta+1}\frac{y}{\theta+1-\theta}\mathrm{d}y\\&=\frac{y^2}{2}\Bigg| _{\theta}^{\theta+1}\\&=\frac{(\theta+1)^2}{2}-\frac{\theta^2}{2}\\&= \frac{\theta^2}{2}+\frac{2\theta}{2}+\frac{1}{2}-\frac{\theta^2}{2}\\&=\theta+\frac{1}{2}\end{split} \end{align} \]

Numeral a.

Recordando que \(E(\overline{Y})=\mu\) donde \(\mu\) es la media poblacional, esto desprendido de la Ley de los grandes números y la teoría del límite central tenemos que el sesgo es, \(B(\overline{Y})=E(\overline{Y})-\tilde{\theta_m}\) , donde \(\tilde{\theta}_m\) es el primer momento a partir del 0.

\[\begin{align}B(\overline{Y})&=\theta - \theta + \frac{1}{2}\\&=\frac{1}{2}\end{align}\]

Numeral b.

Para que \(\overline{Y}\) sea un estimador insesgado debe tomar la siguiente forma, \(\overline{Y}=\sum_{i=i}^{n}\frac{y_i}{n}-\frac{1}{2}\).

Numeral c. 

Tenemos \(ECM(\overline{Y})=VAR(\overline{Y})+[B(\overline{Y})]^2\) recordando la \(VAR(\overline{Y})=\frac{\sigma^2}{n}\) de nuevo por la teoría del límite central, primero definimos \(VAR(y)=E(y^2)-(E(y))^2\) este sería \(\sigma^2\), entonces \[\begin{align}E(y^2)&=\int_{\theta}^{\theta+1}\frac{y^2}{\theta+1-\theta}\mathrm{d}y\\&=\frac{y^3}{3}\Bigg|_{\theta}^{\theta+1} \frac{(\theta+1)^3}{3}-\frac{\theta^3}{3}\\&=\theta^2+\theta+\frac{1}{3}\end{align}\] Ahora para la varianza

\[\begin{align}VAR(y)&=\theta^2+\theta+\frac{1}{3}-(\theta+\frac{1}{2})^2\\&=\theta^2+\theta+\frac{1}{3}-\theta^2-\theta-\frac{1}{4}\\&=\frac{1}{12}\end{align}\]

Ya teniendo \(\sigma^2\) podemos calcular \(ECM(\overline{Y})\)

\[ECM(\overline{Y})=\frac{1}{12n}+\frac{1}{4}\]

Observe que los componentes del Error Cuadrático Medio son el segundo momentos respecto a la media del función de densidad y el sesgo al cuadrado, explicado en palabras.

Punto 3

Accediendo a los datos, limpiando y pasando a factor la variable de interés.

datcap<-read.csv("CapacidadRespiratoria.csv", sep=";", dec=",")
library(janitor)
library(ggplot2)
library(dplyr)
sum(as.numeric(!complete.cases(datcap)))
datcap<-datcap[complete.cases(datcap),]
datcap$sexo<-factor(datcap$sexo, 
                    levels = c("0","1"),
                    labels = c("Hombre","Mujer"))

El gráfico de dispersión es el siguiente

Figura 1.
Diagrama de dispersión
Nota: Datos de capacidad respiratoria, discriminando hombres y mujeres

Observe que en la Figura 1. en general los hombres poseen mayor capacidad respiratoria que las mujeres, también se observa que las mujeres presentan un IMC algo menor en general que los hombres.

Sin embargo el gráfico de dispersión lo que en verdad evidencia es que no existe relación clara entre el IMC y la capacidad respiratoria, es decir, que si el IMC aumenta no significa un aumento o diminución en la capacidad respiratoria, según la gráfica la correlación de las variables es cercano a 0, los puntos están concentrados en el centro medio de la gráfica y no muestra una tendencia clara.

dathom<-filter(datcap, 
               datcap$sexo=="Hombre")
datmuj<-filter(datcap, 
               datcap$sexo=="Mujer")
cor(dathom$imc,dathom$capcidad)
## [1] -0.1610098
cor(datmuj$imc,datmuj$capcidad)
## [1] -0.2690712
cor(datcap$imc,datcap$capcidad)
## [1] 0.06292855

La correlación de Pearson calculada muestra que: en los hombres la correlacion de -0.161 es una correlación negativa con muy baja fuerza aunque con el signo esperado ya que un mayor IMC afectaría la Capacidad respiratoria, en mujeres pasa algo similar con -0.269, aunque tiene el signo esperado sigue siendo una relación negativa inversa muy débil. Ya con ambos sexos se obtiene una correlación de 0.063, es decir, muy cercana a 0 con una correlación nula entre el IMC y la Capacidad respiratoria.

Punto 4

Llamamos las librerias necesarias

library(GGally)
library(corrplot)
library(PerformanceAnalytics)
library(Hmisc)

Depurando una nueva base de datos únicamente con variables cuantitativas, en la consola podemos observar el tipo de variables con el comando str() para ahorrar espacio no se muestra el resultado, pero se depura la variable residente, se dejará la variable sexo para comparar los resultados entre hombres y mujeres

Graficando el dispersograma

Figura 2.
Dispersograma variables cuantitativas
Nota: Datos de capacidad respitaroria, diagramas de dispersión, histogramas de densidad y correlaciones

Se plantea la propuesta de graficar el dispersograma discriminando género para seguir con la misma línea de análisis respecto al punto anterior.

Observe la Figura 2., en el caso del peso y el IMC hay una fuerte relación positiva, la talla y la capacidad respiratoria también poseen una relación positiva y fuerte. Talla y peso también tienen una relación positiva con fuerza relativamente menor a las anteriores relaciones aunque esta relación es aprentemente obvia.

La correlación entre la edad y la capacidad es negativa, indicando que entre más edad menos capadidad respiratoria aunque la magnitud de esta relación es moderada.

Observe que cuando se discrimina por género obtenemos que algunas relaciones son negetivas por hombre y por mujer, pero juntos los dos sexos la relación se vuelve positiva aunque muy cercana a 0, puede observar el caso de talla e IMC, del mismo modo con IMC y capacidad.

La matriz de correlación es la siguiente

Figura 3.
Matriz de correlación
Nota: Datos de capacidad respiratoria, correlación entre valriables cuantitativas

En la matriz anterior (Figura 3.)se observa de forma mas clara los resultados de correlación entre las variables. La relación entre peso e IMC es la más alta con 0.79 seguida por talla y capacidad con 0.76 y finalmente talla y peso con 0.69. Relación negativa tenemos edad y capacidad respiratoria con -0.31 con una fuerza moderada-baja.

Punto 5

Las distribución normal de las variables aleatorias puede probarse con p-valores y pruebas de normalidad, también complementar con análisis gŕafico.

Tenemos las pruebas Shapiro-Wilk y Kolmogorov-Smirnov, y el método gráfico es el Diagrama de Cuantiles. Pero antes se va a generalizar la prueba de hipótesis para todas las variables de la siguiente manera

\(H_0:\)La distribución es normal
\(H_1:\)La distribución no es normal
\(\alpha=0.05\)

Tenga en cuenta que se van a realiar pruebas para cada variable con un nivel de confianza del 95% y posibilidad de cometer error tipo 1 del 5%. Llamamos el paquete nortest

library(nortest)
shapiro.test(datcuan$edad)
## 
##  Shapiro-Wilk normality test
## 
## data:  datcuan$edad
## W = 0.98649, p-value = 0.003624
lillie.test(datcuan$edad)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  datcuan$edad
## D = 0.04454, p-value = 0.116

Tabla 1
Resultados pruebas de normalidad

Variable/Prueba
Shapiro-Wilk p-value Kolmogorov
p-value
Edad W = 0.98649 P-value = 0.003624 D = 0.04454 P-value = 0.116
Peso W = 0.99384 p-value = 0.2023 D = 0.047791 P-value = 0.06756
Talla W = 0.98918 P-value = 0.01532
D = 0.071845 P-value = 0.0003196
Capacidad
Respiratoria
W = 0.99686 P-value = 0.7739 D = 0.03291
P-value = 0.5486
IMC w = 0.97469 P- value = 1.549e-05
D = 0.077042 P-value = 7.07e-05

Nota: Datos de capacidad respitaroria, se evaluan las pruebas de normalidad Shapiro-Wilk y Kolmogorov- Smirnov

La regla de decisión indica que cuando el p-valor es mayor al nivel de significancia no rechazamos la hipótesis nula, note que las dos pruebas arrogan resultados contradictorios, por ejemplo, para la variable Edad, Shapiro resulta ser \(0.003624<0.05\) por lo cual debemos rechazar la hipótesis nula pero con la prueba de Kolmogorov tenemos \(0.116>0.05\) por lo cual no rechazamos la hipótesis nula. Con lo anterior mencionado permitame entonces plantear el método gráfico para dilucidar la prueba. Observe la Figura 4.

Figura 4.
Diagramas cuantil a cuantil.

Nota: Datos de capacidad respiratoria, muestra gráficos cuantil a cuantil para medir normalidad en todas las variables

Con la edad observe que a partir del cuantil teórico 1.5 los datos se empiezan a seperar de la línea punteada color rojo, por esta razón se descarta la normalidad, con el peso si bien es cierto que hay observaciones que se seperan de la línea roja es apartir del cuantil teórico 2 y con la prueba Shapiro-Wilk y su p-valor decimos que hay normlaidad en los datos. Con la talla a simple vista parece que los puntos están sobre la línea roja pero en el cuantil teórico 0 los datos la rodean(esto lo puede verificar con click derecho Abrir imagen en una pestaña nueva si necesita ver la imagen a tamaño completo), además las dos pruebas nos indican que no hay normalidad en los datos. La capacidad respiratoria en las observaciones no se alejan demasiado de la línea roja y además son muy pocas de esta manera aceptamos normalidad sumado a las dos pruebas que también indican normalidad, finalmente el IMC, desde el cuantil 1 los datos se empiezan a distanciar de la línea roja que son los cuantiles teóricos, además las dos pruebas rechazan normalidad. La Tabla 2 resume las decisiones sobre las pruebas.

Tabla 2
Decisión de pruebas de normalidad
Variable Decisión
Edad Rechazar la Hipótesis Nula
Peso No se puede rechazar la Hipótesis Nula
Talla Rechazar la Hipótesis Nula
Capacidad
Respiratoria
No se puede rechazar la Hipótesis Nula
IMC Rechazar la Hipótesis Nula

Nota: Tabla que resume la decisión sobre las pruebas de normalidad de las variables cuantitativas

Punto 6

Planteamos la prueba de cocientes de varianzas ya que no poseemos información alguna para \(\mu\) o \(\sigma^2\).

\(H_0:\frac{\sigma_H^2}{\sigma_M^2}=1\)
\(H_1:\frac{\sigma_H^2}{\sigma_M^2}\neq1\)
\(\alpha=0.05\)

Ajustamos las muestras y recopilamos la información necesaria

dhom<-filter(datcap, datcap$sexo=="Hombre")
dmuj<-filter(datcap, datcap$sexo=="Mujer")
alpha=0.05
s2.h<-var(dhom$capcidad)
s2.m<-var(dmuj$capcidad)
nh<-length(dhom$capcidad)
nm<-length(dmuj$capcidad)

Calculamos \(F_{S,\alpha/2,(n1-1),(n2-1)}\) y \(F_{I,1-\alpha/2,(n1-1),(n2-1)}\)(únicamente estoy indicando el cuantíl superior e inferior) así

cua.fi<-qf(alpha/2, df1 = nh-1,df2=nm-1,lower.tail = TRUE)
cua.fi
## [1] 0.7172419
cua.fs<-qf(alpha/2, df1 = nh-1,df2=nm-1,lower.tail = FALSE)
cua.fs
## [1] 1.433246

Ahora el estadístico de prueba

fc.est<-s2.h/s2.m
fc.est
## [1] 1.652323

Observe la Figura 5., la región de rechazo de la \(H_0\) se encuentra sombreada de color azul, delimitada por los cuantiles calculados anteiormente, y el estadístico de prueba se encuentra ubicado en la línea vertival color verde y punteada cuyo valor corresponde a 1.65

Figura 5.
Distribución F
Nota: Datos de capacidad respiratoria, dibujo de la distribución F

Vamos a calcular el p-valor para tomar una decisión

pvf1<-pf(fc.est,df1=nh-1,df2=nm-1,lower.tail=TRUE)
pvf2<-pf(fc.est,df1=nh-1,df2=nm-1,lower.tail = FALSE)

Elegimos el valor mínimo entre ambos, y lo multiplicamos por 2

pvalorf<-2*min(pvf2,pvf1)
pvalorf
## [1] 0.006698192

P-valor es menor a nuestro nivel de significancia, así que se rechaza \(H_0\), ahora calculamos el intervalo de confianza

intf<-c(cua.fi*s2.h/s2.m,cua.fs*s2.h/s2.m)
intf
## [1] 1.185115 2.368186

Tenemos \([1,19\leq\frac{\sigma^2_H}{\sigma^2_M}\leq2,37]\)

Conclusión, se afirma según la evidencia que la variacón entre la capacidad pulmonar de hombres y mujeres es significativamente diferente, la capacidad pulmonar es heterogénea. Se rechaza la \(H_0\) ya que hay suficiente evidencia para afirmar que el cociente de varianzas es diferente a 1.

Podemos resumir el procedimiento con la función var.test así

var.test(dhom$capcidad,dmuj$capcidad)
## 
##  F test to compare two variances
## 
## data:  dhom$capcidad and dmuj$capcidad
## F = 1.6523, num df = 238, denom df = 89, p-value = 0.006698
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  1.152854 2.303718
## sample estimates:
## ratio of variances 
##           1.652323

Comparando tenemos resultados practicamente iguales, ya tomada la decisión ahora entramos a la prueba de medias, planteando la prueba como se enuncia a continuación

\(H_0: \mu_H-\mu_M=0\)
\(H_1: \mu_H-\mu_M\neq0\)
\(\alpha=0.05\)
\(\delta=0\)

Obtenemos medias

xbh=mean(dhom$capcidad)
xbm=mean(dmuj$capcidad)

Grados de libertad

v<-(((s2.h/nh)+(s2.m/nm))^2)/((((s2.h/nh)^2)/(nh-1))+(((s2.m/nm)^2)/(nm-1)))
v
## [1] 204.5908

Calculamos los cuantiles

t1.cau<-qt(p=alpha/2, df=v, lower.tail = TRUE)
t1.cau
## [1] -1.971627
t2.cua<-qt(p=alpha/2, df=v, lower.tail = FALSE)
t2.cua
## [1] 1.971627

Por simetría tenemos que el otro cuantil es 1.971627. El estadístico de prueba \(t = \frac{ (\overline{X_H} - \overline{X_M})-(\delta)}{\sqrt{{\frac{S_H^2}{n_H}} + {\frac{S_M^2}{n_M}}}}\)

delta0=0
tc.est<-(((xbh-xbm)-delta0)/sqrt((s2.h/nh)+(s2.m/nm)))
tc.est
## [1] 19.30945

Figura 6.
Distribución t-student
Nota: Datos de capacidad respiratoria, función de densidad t-student.

La figura anterior muestra la región de rechazo de la \(H_0\) en las regiones color azul, el estadístico de prueba tiene un valor de 19.30 por lo cual cae en la región de rechazo, es decir, se decide rechazar la hipótesis nula, vamos a calcular el p-valor

pvalt<-pt(tc.est, df=v, lower.tail = FALSE)
pvalt
## [1] 2.766334e-48

El p-valor es bastante pequeño y menor a nuestro nivel de significancia \(p<\alpha\), nos ordena rechazar \(H_0\) ya que hay una probabilidad muy pequeña de que ocurra el evento del estadístico de prueba, también podemos resumir la prueba de la siguiente manera. (Las dos colas son el valor predeterminado de la prueba, por eso no se indican)

t.test(x=dathom$capcidad, y=datmuj$capcidad, mu=0, 
       paried=FALSE, var.equal = FALSE, 
       conf.level = .95)
## 
##  Welch Two Sample t-test
## 
## data:  dathom$capcidad and datmuj$capcidad
## t = 19.309, df = 204.59, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  1.285287 1.577608
## sample estimates:
## mean of x mean of y 
##  4.867448  3.436000

La función t.test resume la información, además de porporcionarnos el intervalo de cofianza, ratifica que la \(H_0\) debe ser rechazada, con un posibilidad del 5% de cometer error tipo 1. La conclusión es que no se puede aceptar la hipótesis nula ya que la evidencia disponible indica que la diferencia en medias de la capacidad respiratoria de hombres y mujeres no es igual a 0, en otras palabras, la media poblacional de hombres y mujeres difiere(es diferente) en relación a la capacidad respiratoria.

Punto 7

Accediendo a los datos

sobrepeso<-filter(datcap, datcap$imc>=25)
pesonormal<-filter(datcap, datcap$imc<25)

Plantenado la prueba de cociente de varianza

\(H_0:\frac{\sigma^2_S}{\sigma^2_N}=1\)
\(H_1:\frac{\sigma^2_S}{\sigma^2_N}\neq1\)
\(alpha=0.05\)

donde \(\sigma^2_S\) es la varinza de la capacidad respiratoria de personas con sobrepeso, y \(\sigma^2_N\) es la varinza de la capacidad respiratoria de personas con peso normal, con var.testtenemos

var.test(sobrepeso$capcidad,pesonormal$capcidad)
## 
##  F test to compare two variances
## 
## data:  sobrepeso$capcidad and pesonormal$capcidad
## F = 0.9345, num df = 184, denom df = 143, p-value = 0.6627
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  0.6832383 1.2703727
## sample estimates:
## ratio of variances 
##          0.9344959

Con el p-valor mayor a nuestro nivel de significancia no podemos rechazar \(H_0\), con el 5% de posibilidad de cometer error tipo 1, podemos concluir que no hay suficiente evidencia para afirmar que el cociente de las varinzas de las dos muestras es diferente de 1. Para el caso particular tenemos que la variabilidad de la capacidad respiratoria de los individuos con peso normal es mayor que la de los individuos con sobrepeso, con un cociente de varianzas de 0.9344959

Planteamos lo siguiente, queremos probar que la capacidad de las personas con sobrepeso es menor a la capacidad respiratoria de las personas con peso normal

\(H_0:\mu_S-\mu_N\geq0\)
\(H_1:\mu_S-\mu_N<0\)
\(\alpha=0.05\)
\(\delta=0\)

Con la función t.test, señalando que la hipótesis alternativa es menor y que la prueba de varianzas igual es cierta, tenemos

t.test(x=sobrepeso$capcidad, y=pesonormal$capcidad, alternative ="less"  
       ,mu=0, paried=FALSE, var.equal = TRUE, 
       conf.level = .95)
## 
##  Two Sample t-test
## 
## data:  sobrepeso$capcidad and pesonormal$capcidad
## t = 1.4667, df = 327, p-value = 0.9283
## alternative hypothesis: true difference in means is less than 0
## 95 percent confidence interval:
##       -Inf 0.3199771
## sample estimates:
## mean of x mean of y 
##  4.541784  4.391181

Con el p-valor mayor a 0.05, no podemos rechazar \(H_0\), es decir, que con la evidencia disponible no podemos afirmar que las personas con sobrepeso tengan menor capacidad respiratoria que las personas con peso normal.

Punto 8

Figura 7.
Diagrama de barras valores absolutos

Nota: Datos de embarazos, en valores absolutos, variables hipertensión y sobrepeso

La Figura 7. anterior muestra el comportamiento de las personas con hipertesión y su relación con el sobrepeso en valores absolutos. Para la prueba de dependencia Xi-cuadrado, tenemos

\(H_0:\) Las variables son independientes
\(H_1:\) Las variables son dependientes
\(\alpha=0.05\)

depuraembarazos$sobreobecas<-factor(depuraembarazos$sobreobecas,
                                    levels = c("1","2"),
                                    labels = c("Sobrepeso","Normal"))
depuraembarazos$hipertension<-factor(depuraembarazos$hipertension,
                                     levels = c("Si","No"),
                                     labels = c("Hipertenso","No hipertenso"))

Contruimos una tabla de contingencia

t.con<-table(depuraembarazos$hipertension, depuraembarazos$sobreobecas)
t.con
##                
##                 Sobrepeso Normal
##   Hipertenso           23     25
##   No hipertenso       158    307

Añadiendo marginales

t.mar<-addmargins(t.con)
t.mar
##                
##                 Sobrepeso Normal Sum
##   Hipertenso           23     25  48
##   No hipertenso       158    307 465
##   Sum                 181    332 513

De la siguiente forma obtenemos las frecuencias esperadas

sumfil<-margin.table(t.con,1)
sumcol<-margin.table(t.con,2)
sumfil
## 
##    Hipertenso No hipertenso 
##            48           465
sumcol
## 
## Sobrepeso    Normal 
##       181       332
total<-sum(t.con)
t.fresp<-outer(sumfil,sumcol)/total
t.fresp
##                
##                 Sobrepeso    Normal
##   Hipertenso     16.93567  31.06433
##   No hipertenso 164.06433 300.93567

Obteniendo el estadístico de prueba \(\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}\) y los grados de libertad \(df = (f - 1) \times (c - 1)\),

gl.xi<-(nrow(t.con)-1) * (ncol(t.con)-1)
gl.xi
## [1] 1
est.xi<-sum((t.con-t.fresp)^2/t.fresp)
est.xi
## [1] 3.701745

Obtenemos el cuantil

alpha=0.05
xi.cuan<-qchisq(p=alpha, df=gl.xi, lower.tail =F)
xi.cuan
## [1] 3.841459

Este resultado indica que el estadítico de prueba es menor al cuantil que marca la región crítica, por lo tanto no podemos rechazar la hipótesis nula, calculamos p-valor

xi.pv<-pchisq(q=est.xi, df=gl.xi,lower.tail = FALSE)
xi.pv
## [1] 0.05435558

El p-valor es mayor a nuestro nivel de significancia, por lo cual no podemos rechazar la hiótesis nula ya que con la evidencia suministrada no se puede decir que el sobrepeso y la hipertensión no son dependientes.

xi.resul<-chisq.test(t.con)
xi.resul
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  t.con
## X-squared = 3.1165, df = 1, p-value = 0.0775

Con la función chisq.test tenemos resultados un poco diferentes, asi que con las siguientes funciones podemos comparar los datos anteriores

xi.resul$observed
##                
##                 Sobrepeso Normal
##   Hipertenso           23     25
##   No hipertenso       158    307
xi.resul$expected
##                
##                 Sobrepeso    Normal
##   Hipertenso     16.93567  31.06433
##   No hipertenso 164.06433 300.93567

Puede que se calcule de una manera diferente con la función anterior, aunque también queda en píe la deicsión de no se puede rechazar la hipótesis nula ya que p\(>\alpha\), que en el caso de la función chisq.test es de 0.0775

Punto 9

bajoimc<-filter(embarazos, embarazos$imcmama=="Bajo")
sobreimc<-filter(embarazos, embarazos$imcmama=="Sobrepeso")

Planteamos la prueba de vairanzas.

\(H_0:\frac{\sigma^2_B}{\sigma^2_S}=1\)
\(H_1:\frac{\sigma^2_B}{\sigma^2_S}\neq1\)
\(\alpha=0.05\)

var.test(bajoimc$pesnac,sobreimc$pesnac)
## 
##  F test to compare two variances
## 
## data:  bajoimc$pesnac and sobreimc$pesnac
## F = 0.52758, num df = 47, denom df = 79, p-value = 0.01923
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  0.3203904 0.8988946
## sample estimates:
## ratio of variances 
##          0.5275758

En la prueba de varianzas tenemos un p-valor inferior a nuestro nivel de significancia del 5%, por lo cual debemos rechazar la hipótesis nula, es decir, que con la evidencia disponible podemos afirmar que el cociente de las varianzas es diferente de 1. Podemos decir que existe diferencia entre la variabilidad del peso al nacer de los bebes entre madres con IMC bajo y madres con IMC en situación de sobrepeso.

Procedemos a realizar la prueba de medias, donde planteamos que los bebés con madres con IMC bajo tienen mayor capacidad respiratoria que los bebés con madres con IMC en situación de sobrepeso.

\(H_0:\mu_B-\mu_S\leq0\)
\(H_1:\mu_B-\mu_S>0\)
\(\alpha=0.05\) \(\delta=0\)

t.test(x=bajoimc$pesnac, y=sobreimc$pesnac, alternative = "greater", mu=0,
       paried=FALSE, conf.level = .95, var.equal = FALSE)
## 
##  Welch Two Sample t-test
## 
## data:  bajoimc$pesnac and sobreimc$pesnac
## t = 0.54127, df = 121.33, p-value = 0.2947
## alternative hypothesis: true difference in means is greater than 0
## 95 percent confidence interval:
##  -105.5977       Inf
## sample estimates:
## mean of x mean of y 
##  3018.542  2967.338

Se observa un p-valor mayor al nivel de significancia por lo cual no se rechaza la hipótesis nula, por lo cual con la evidencia disponible no podemos afirmar que la capacidad respiratoria de los bebés con madres con IMC bajo es mayor a la capacidad respiratoria de los bebés con madres con IMC en sobrepeso.

En cuanto a los inconventientes, encuentro que, si hacemos la prueba de cociente de varianzas estamos pasando por alto el supesto de normalidad ya que como se muestra a continuación en el diagrama de cuantiles (Figura 8.) teóricos y con la prueba Shapiro-Wilk, el peso al nacer de los bebés con madres con IMC bajo no se distribuye normalmente, mientras que, el peso al nacer con mandres con IMC en sobrepeso sí.

Figura 8.
Diagrama cuantil a cuantil, peso al nacer de: madres con IMC bajo e IMC en sobrepeso
Nota: Datos de embarazos, prueba de normalidad gráfica

shapiro.test(bajoimc$pesnac)
## 
##  Shapiro-Wilk normality test
## 
## data:  bajoimc$pesnac
## W = 0.96109, p-value = 0.1118
shapiro.test(sobreimc$pesnac)
## 
##  Shapiro-Wilk normality test
## 
## data:  sobreimc$pesnac
## W = 0.90134, p-value = 1.388e-05

Punto 10

Planteamos las hipótesis nula y alternativa más el nivel de significancia

\(H_0:P\leq0.8\)
\(H_1:P>0.8\)
\(\alpha=0.05\)

p0=0.8
n.en<-as.numeric((embarazos$parto=="Vaginal"))
n.tot<-length(n.en)
prop<-sum(n.en)/n.tot

Calculando el estadístico de prueba

est.prop<-(prop-p0)/sqrt(p0*(1-p0)/n.tot)
est.prop
## [1] -3.90737

Ahora el cuantil que delimita la región crítica

cuant.z<-qnorm(alpha,0,1, lower.tail = FALSE)
cuant.z
## [1] 1.644854

El estadístico cae en la región de aceptación de \(H_0\) como se observa en la Figura 9., donde la línea verde punteada es el estadístico de prueba calculado y la región color azul es de rechazo de \(H_0\).

Figura 9.
Distribución z
Nota: Datos de embarazos, función de densidad normal con media 0 y d.e 1

Calculando el p-valor

p.prop<-pnorm(est.prop,0,1, lower.tail = FALSE)
p.prop
## [1] 0.9999533

El p-valor ratifica la evidencia a favor de la \(H_0\), por lo tanto no podemos rechazar la hipótesis nula, porque con la evidencia suministrada no es posible inferir que más del 80% de los partos se da de manera natural, podemos realizar la prueba con la función binom.test así

binom.test(x=sum(n.en), n=length(n.en), p=0.8,alternative = "greater")
## 
##  Exact binomial test
## 
## data:  sum(n.en) and length(n.en)
## number of successes = 375, number of trials = 513, p-value = 0.9999
## alternative hypothesis: true probability of success is greater than 0.8
## 95 percent confidence interval:
##  0.6968725 1.0000000
## sample estimates:
## probability of success 
##              0.7309942

La prueba resumida apoya la decisión de no podemos rechazar la hipótesis nula, con la información disponible no podemos inferir que más del 80% de los nacimientos se produce de manera natural.

---
title: "Taller Final"
author: "David Remolina Amortegui"
date: "2024-03-01"
output: 
  html_document:
    toc_float: true
    theme: cerulean
    toc: true
    code_download: true
    highlight: tango
  word_document:
    toc: true
  pdf_document:
    toc: true
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{css echo=FALSE}
.columns{display: flex;}
h2 {color:steelblue;
text-align:center;
font-family: "Lucida Console", "Courier New", monospace;
 text-decoration-line: underline;
  text-decoration-color: darkred;}
h3 {color:steelblue;
 text-decoration-line: underline;
  text-decoration-color: darkred;}
h4 {color:steelblue;
 text-decoration-line: underline;
  text-decoration-color: darkred;}
 p{font-size: 16px;
 text-align: justify;
} 
code.r{font-size: 16px;
}
pre{font-size:16px;
}
body{background-color: #ffffff; 
background-image: url("lous.jpg");
  background-position: right top;
    background-repeat: no-repeat;
     background-size: 200px 200px;}
}

```

#### Universidad Santo Tomás 
#### Facultad de Estadística
#### Programa Maestría en Estadística Aplicada
#### Profesora Edna Carolina Moreno

## Taller Final Inferencia Estadística 

### Punto 1 
La función de Máxima Verosimilitud se define de la siguiente manera
$$L(\theta)=L(y;\theta)=f(y_1,...,y_n;\theta)=\prod_{i=1}^{n}f(y_1,...,y_n;\theta)$$<br>
La función dada es la siguiente 
$$f(y_i)=\begin{cases}(\frac{1}{\theta})ry_i^{r-1}e^{\frac{-y_i^r}{\theta}},&\quad\text{para $\theta>0$ y $y>0$},\\0 &\quad\text {en cualquier otro punto}\end{cases}$$
Entonces tenemos
$$\begin{equation}L(\theta)=\frac{1}{\theta}ry_i^{r-1}e^{\frac{-y_i^r}{\theta}}\end{equation}$$
Desarrollando la productoria 
$$\begin{align}\prod_{i=1}^{n}&=\frac{1}{\theta}ry_1^{r-1}e^{\frac{-y_1^r}{\theta}}\cdot\frac{1}{\theta}ry_2^{r-1}e^{\frac{-y_2^r}{\theta}}\overset{n\text{ veces}}{\cdots\cdots}\frac{1}{\theta}ry_n^{r-1}e^{\frac{-y_n^r}{\theta}}\\&=\frac{1}{\theta^n}r^{n}y_i^{n(r-1)}e^{\sum_{i=1}^n \frac{-y_i^r}{\theta}}\end{align}$$
Ahora aplicamos logaritmo neperiano a la función $L(\theta)$ y obtenemos
$$\ell(\theta)=\ln{L(\theta)}$$
Tenemos
$$\ell{(\theta)}=\ln{(\theta^{-n})}+\ln{(r^n)}+\ln{(y_i^{n(r-1)})}+\sum_{i=1}^{n}\frac{-y_i^r}{\theta}$$
Note que el logaritmo neperiano de $e$ es 1, los demás sumandos quedaron expresados ya que con la siguiente derivada son $0$, respecto a la sumatoria, la derivada de una suma es la derivada de sus sumandos.

$$\frac{\partial}{\partial\theta} \ell(\theta)=- \frac{n}{\theta}+\frac{1}{\theta^2}\sum_{i=1}^{n}y_i^r$$
Igualamos a $0$ para hallar el parámetro $\theta$ 
$$\begin{align*}\frac{1}{\theta^2}\sum_{i=1}^{n}y_i^r&=\frac{n}{\theta}\\\sum_{i=1}^{n}y_i^r&=\frac{n\theta^2}{\theta}\end{align*}$$
Operando tenemos
$$\frac{\sum_{i=1}^{n}y_i^r}{n}=\theta$$
Fijese que tenemos que la estimación por Máxima Verosimilitud del estimador $\theta$ es el promedio de $y_i^r$, reorganizando términos finalmente tenemos
$$\hat{\theta}_M= \bar{y^r}$$

### Punto 2 

Tenemos $Y_1,Y_2,...,Y_n\sim U[\theta, \theta+1]$ aunque las variables aleatorias siguen una distribución con parámetros, la distribución uniforme es delimitada por un intervalo comunmente denotado $[a,b]$, dada la distribución tenemos la siguiente función de densidad
$$f(y;\theta)=\begin{cases}\frac{1}{(\theta+1)-\theta} &\quad\text{$\theta \leq y \leq \theta + 1$}\\0 & \quad \text {en otro caso}\end{cases}$$
Encontrando el primer momento de la $f.d.p$ tenemos
$$\begin{align} 
\begin{split}E(y)&=\int_{\theta}^{\theta+1}\frac{y}{\theta+1-\theta}\mathrm{d}y\\&=\frac{y^2}{2}\Bigg| _{\theta}^{\theta+1}\\&=\frac{(\theta+1)^2}{2}-\frac{\theta^2}{2}\\&= \frac{\theta^2}{2}+\frac{2\theta}{2}+\frac{1}{2}-\frac{\theta^2}{2}\\&=\theta+\frac{1}{2}\end{split}
\end{align} $$

#### Numeral a.

Recordando que $E(\overline{Y})=\mu$ donde $\mu$ es la media poblacional, esto desprendido de la Ley de los grandes números y la teoría del límite central tenemos que el sesgo es, $B(\overline{Y})=E(\overline{Y})-\tilde{\theta_m}$ , donde $\tilde{\theta}_m$ es el primer momento a partir del 0.

$$\begin{align}B(\overline{Y})&=\theta - \theta + \frac{1}{2}\\&=\frac{1}{2}\end{align}$$

#### Numeral b.

Para que $\overline{Y}$ sea un estimador insesgado debe tomar la siguiente forma, $\overline{Y}=\sum_{i=i}^{n}\frac{y_i}{n}-\frac{1}{2}$.

#### Numeral c. 
Tenemos $ECM(\overline{Y})=VAR(\overline{Y})+[B(\overline{Y})]^2$ recordando la $VAR(\overline{Y})=\frac{\sigma^2}{n}$ de nuevo por la teoría del límite central, primero definimos $VAR(y)=E(y^2)-(E(y))^2$ este sería $\sigma^2$, entonces
$$\begin{align}E(y^2)&=\int_{\theta}^{\theta+1}\frac{y^2}{\theta+1-\theta}\mathrm{d}y\\&=\frac{y^3}{3}\Bigg|_{\theta}^{\theta+1} \frac{(\theta+1)^3}{3}-\frac{\theta^3}{3}\\&=\theta^2+\theta+\frac{1}{3}\end{align}$$
Ahora para la varianza

$$\begin{align}VAR(y)&=\theta^2+\theta+\frac{1}{3}-(\theta+\frac{1}{2})^2\\&=\theta^2+\theta+\frac{1}{3}-\theta^2-\theta-\frac{1}{4}\\&=\frac{1}{12}\end{align}$$

Ya teniendo $\sigma^2$ podemos calcular $ECM(\overline{Y})$ 

$$ECM(\overline{Y})=\frac{1}{12n}+\frac{1}{4}$$

Observe que los componentes del Error Cuadrático Medio son el segundo momentos respecto a la media del función de densidad y el sesgo al cuadrado, explicado en palabras. 

### Punto 3

Accediendo a los datos, limpiando y pasando a factor la variable de interés.

```{r message=FALSE, results=FALSE  }
datcap<-read.csv("CapacidadRespiratoria.csv", sep=";", dec=",")
library(janitor)
library(ggplot2)
library(dplyr)
sum(as.numeric(!complete.cases(datcap)))
datcap<-datcap[complete.cases(datcap),]
datcap$sexo<-factor(datcap$sexo, 
                    levels = c("0","1"),
                    labels = c("Hombre","Mujer"))
```

El gráfico de dispersión es el siguiente

<small><b>Figura 1.</b><br>
Diagrama de dispersión</small>
```{r echo=FALSE, fig.align='center'}
ggplot(datcap, aes(imc, capcidad, col=sexo, shape=sexo, size=sexo))+
  geom_point(size=3)+
  scale_color_brewer(palette = "Set2")+
  labs(x="IMC", 
       y="Capacidad Respiratoria",
       title = "")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
```
<small>Nota: Datos de capacidad respiratoria, discriminando hombres y mujeres </small>

Observe que en la *Figura 1.* en general los hombres poseen mayor capacidad respiratoria que las mujeres, también se observa que las mujeres presentan un IMC algo menor en general que los hombres.

Sin embargo el gráfico de dispersión lo que en verdad evidencia es que no existe relación clara entre el IMC y la capacidad respiratoria, es decir, que si el IMC aumenta no significa un aumento o diminución en la capacidad respiratoria, según la gráfica la correlación de las variables es cercano a 0, los puntos están concentrados en el centro medio de la gráfica y no muestra una tendencia clara.

```{r}
dathom<-filter(datcap, 
               datcap$sexo=="Hombre")
datmuj<-filter(datcap, 
               datcap$sexo=="Mujer")
cor(dathom$imc,dathom$capcidad)
cor(datmuj$imc,datmuj$capcidad)
cor(datcap$imc,datcap$capcidad)
```
La correlación de Pearson calculada muestra que: en los hombres la correlacion de -0.161 es una correlación negativa con muy baja fuerza aunque con el signo esperado ya que un mayor IMC afectaría la Capacidad respiratoria, en mujeres pasa algo similar con -0.269, aunque tiene el signo esperado sigue siendo una relación negativa inversa muy débil. Ya con ambos sexos se obtiene una correlación de 0.063, es decir, muy cercana a 0 con una correlación nula entre el IMC y la Capacidad respiratoria.

### Punto 4 

Llamamos las librerias necesarias

```{r message=FALSE}
library(GGally)
library(corrplot)
library(PerformanceAnalytics)
library(Hmisc)
```

Depurando una nueva base de datos únicamente con variables cuantitativas, en la consola podemos observar el tipo de variables con el comando `str()` para ahorrar espacio no se muestra el resultado, pero se depura la variable residente, se dejará la variable sexo para comparar los resultados entre hombres y mujeres

Graficando el dispersograma

<small><b>Figura 2.</b><br>
Dispersograma variables cuantitativas</small>
```{r echo=FALSE, fig.align='center'}
corrdat<-select(datcap, -resident)
GGally::ggpairs(corrdat, 
                  columns=c(1,3,4,5,6),
                aes(color=sexo, alpha=0.5,),
                  columnLabels = c("Edad","Peso","Talla", "Capacidad","IMC"),
                  lower=list(continuous="smooth"))+
  scale_color_brewer(palette = "Set2")+
  labs(title = "")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=18),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=14),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
```
<small>Nota: Datos de capacidad respitaroria, diagramas de dispersión, histogramas de densidad y correlaciones</small>

Se plantea la propuesta de graficar el dispersograma discriminando género para seguir con la misma línea de análisis respecto al punto anterior.

Observe la *Figura 2.*, en el caso del peso y el IMC hay una fuerte relación positiva, la talla y la capacidad respiratoria también poseen una relación positiva y fuerte. Talla y peso también tienen una relación positiva con fuerza relativamente menor a las anteriores relaciones aunque esta relación es aprentemente obvia. 

La correlación entre la edad y la capacidad es negativa, indicando que entre más edad menos capadidad respiratoria aunque la magnitud de esta relación es moderada.

Observe que cuando se discrimina por género obtenemos que algunas relaciones son negetivas por hombre y por mujer, pero juntos los dos sexos la relación se vuelve positiva aunque muy cercana a 0, puede observar el caso de talla e IMC, del mismo modo con IMC y capacidad.

La matriz de correlación es la siguiente

<small><b>Figura 3.</b><br>
Matriz de correlación</small>
```{r fig.align='center', echo=FALSE}
datcuan<-select(datcap, -sexo, -resident)
nomper<-c("Edad","Peso","Talla","Capacidad","IMC")
corre<-round(cor(datcuan),2)
colnames(corre)<-nomper
rownames(corre)<-nomper
corrplot(corre, method="number", type="upper")
```
<small>Nota: Datos de capacidad respiratoria, correlación entre valriables cuantitativas</small>

En la matriz anterior (*Figura 3.*)se observa de forma mas clara los resultados de correlación entre las variables. La relación entre peso e IMC es la más alta con 0.79 seguida por talla y capacidad con 0.76 y finalmente talla y peso con 0.69. Relación negativa tenemos edad y capacidad respiratoria con -0.31 con una fuerza moderada-baja.

### Punto 5

Las distribución normal de las variables aleatorias puede probarse con p-valores y pruebas de normalidad, también complementar con análisis gŕafico. 

Tenemos las pruebas Shapiro-Wilk y Kolmogorov-Smirnov, y el método gráfico es el Diagrama de Cuantiles. Pero antes se va a generalizar la prueba de hipótesis para todas las variables de la siguiente manera

$H_0:$La distribución es normal<br>
$H_1:$La distribución no es normal<br>
$\alpha=0.05$

Tenga en cuenta que se van a realiar pruebas para cada variable con un nivel de confianza del 95% y posibilidad de cometer error tipo 1 del 5%. Llamamos el paquete `nortest`

```{r message=FALSE}
library(nortest)
shapiro.test(datcuan$edad)
lillie.test(datcuan$edad)
```

<small><b>Tabla 1</b><br>
Resultados pruebas de normalidad</small>

<center><style type="text/css">
.tg  {border-collapse:collapse;border-color:#9ABAD9;border-spacing:0;border-style:solid;border-width:1px;}
.tg td{background-color:#EBF5FF;border-color:#9ABAD9;border-style:solid;border-width:0px;color:#444;
  font-family:Arial, sans-serif;font-size:14px;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg th{background-color:#409cff;border-color:#9ABAD9;border-style:solid;border-width:0px;color:#fff;
  font-family:Arial, sans-serif;font-size:14px;font-weight:normal;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg .tg-nc18{background-color:#D2E4FC;border-color:inherit;font-size:16px;text-align:left;vertical-align:top}
.tg .tg-cey4{border-color:inherit;font-size:16px;text-align:left;vertical-align:top}
.tg .tg-dbtv{border-color:inherit;font-size:16px;font-weight:bold;text-align:left;vertical-align:top}
</style>
<table class="tg">
<thead>
  <tr>
    <th class="tg-dbtv"><span style="color:#000">Variable/Prueba</span><br></th>
    <th class="tg-cey4"><span style="font-weight:bold;color:#000">Shapiro-Wilk</span></th>
    <th class="tg-cey4"><span style="font-weight:bold;color:#000">p-value</span></th>
    <th class="tg-cey4"><span style="font-weight:bold;color:#000">Kolmogorov</span><br></th>
    <th class="tg-cey4"><span style="font-weight:bold;color:#000">p-value</span></th>
  </tr>
</thead>
<tbody>
  <tr>
    <td class="tg-dbtv">Edad</td>
    <td class="tg-nc18">W = 0.98649</td>
    <td class="tg-cey4">P-value = 0.003624</td>
    <td class="tg-nc18">D = 0.04454</td>
    <td class="tg-cey4">P-value = 0.116</td>
  </tr>
  <tr>
    <td class="tg-dbtv">Peso</td>
    <td class="tg-nc18">W = 0.99384</td>
    <td class="tg-cey4">p-value = 0.2023</td>
    <td class="tg-nc18">D = 0.047791</td>
    <td class="tg-cey4">P-value = 0.06756</td>
  </tr>
  <tr>
    <td class="tg-dbtv">Talla</td>
    <td class="tg-nc18">W = 0.98918</td>
    <td class="tg-cey4">P-value = 0.01532<br></td>
    <td class="tg-nc18">D = 0.071845</td>
    <td class="tg-cey4">P-value = 0.0003196</td>
  </tr>
  <tr>
    <td class="tg-dbtv">Capacidad<br>Respiratoria<br></td>
    <td class="tg-nc18">W = 0.99686</td>
    <td class="tg-cey4">P-value = 0.7739</td>
    <td class="tg-nc18">D = 0.03291<br></td>
    <td class="tg-cey4">P-value = 0.5486<br></td>
  </tr>
  <tr>
    <td class="tg-dbtv">IMC</td>
    <td class="tg-nc18">w = 0.97469</td>
    <td class="tg-cey4">P- value = 1.549e-05 <br></td>
    <td class="tg-nc18">D = 0.077042</td>
    <td class="tg-cey4">P-value = 7.07e-05</td>
  </tr>
</tbody>
</table></center>
<small>Nota: Datos de capacidad respitaroria, se evaluan las pruebas de normalidad Shapiro-Wilk y Kolmogorov- Smirnov</small>
<br>

La regla de decisión indica que cuando el p-valor es mayor al nivel de significancia **no** rechazamos la **hipótesis nula**, note que las dos pruebas arrogan resultados contradictorios, por ejemplo, para la variable Edad, Shapiro resulta ser $0.003624<0.05$ por lo cual debemos **rechazar la hipótesis nula** pero con la prueba de Kolmogorov tenemos $0.116>0.05$ por lo cual **no rechazamos la hipótesis nula**. Con lo anterior mencionado permitame entonces plantear el método gráfico para dilucidar la prueba. Observe la *Figura 4.*

```{r echo=FALSE,results='hide', fig.width=10, fig.height=10}
fe<-ggplot(datcap, aes(sample=edad))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="Edad",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
fp<-ggplot(datcap, aes(sample=peso))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="Peso",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
ft<-ggplot(datcap, aes(sample=talla))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="Talla",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
fc<-ggplot(datcap, aes(sample=capcidad))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="Capacidad Respiratoria",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
fi<-ggplot(datcap, aes(sample=imc))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="IMC",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
```
<small><b>Figura 4.</b><br>
Diagramas cuantil a cuantil.</small>

```{r echo=FALSE,fig.show="hold", out.width="50%"}
fe
fp
ft
fc
```
```{r echo=FALSE, fig.show="hold", out.width="50%", fig.align='center'}
fi
```
<small>Nota: Datos de capacidad respiratoria, muestra gráficos cuantil a cuantil para medir normalidad en todas las variables</small>

Con la edad observe que a partir del cuantil teórico 1.5 los datos se empiezan a seperar de la línea punteada color rojo, por esta razón se descarta la normalidad, con el peso si bien es cierto que hay observaciones que se seperan de la línea roja es apartir del cuantil teórico 2 y con la prueba Shapiro-Wilk y su p-valor decimos que hay normlaidad en los datos. Con la talla a simple vista parece que los puntos están sobre la línea roja pero en el cuantil teórico 0 los datos la rodean(esto lo puede verificar con click derecho Abrir imagen en una pestaña nueva si necesita ver la imagen a tamaño completo), además las dos pruebas nos indican que no hay normalidad en los datos. La capacidad respiratoria en las observaciones no se alejan demasiado de la línea roja y además son muy pocas de esta manera aceptamos normalidad sumado a las dos pruebas que también indican normalidad, finalmente el IMC, desde el cuantil 1 los datos se empiezan a distanciar de la línea roja que son los cuantiles teóricos, además las dos pruebas rechazan normalidad. La *Tabla 2* resume las decisiones sobre las pruebas.


<small><b>Tabla 2</b><br>
Decisión de pruebas de normalidad</small>
<center><style type="text/css">
.tg  {border-collapse:collapse;border-color:#9ABAD9;border-spacing:0;border-style:solid;border-width:1px;}
.tg td{background-color:#EBF5FF;border-color:#9ABAD9;border-style:solid;border-width:0px;color:#444;
  font-family:Arial, sans-serif;font-size:14px;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg th{background-color:#409cff;border-color:#9ABAD9;border-style:solid;border-width:0px;color:#fff;
  font-family:Arial, sans-serif;font-size:14px;font-weight:normal;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg .tg-l6py{color:#32cb00;font-size:16px;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-rxtw{color:#000000;font-size:16px;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-vox4{font-size:16px;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-iot4{background-color:#D2E4FC;font-size:16px;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-y4cb{background-color:#D2E4FC;color:#cb0000;font-size:16px;font-weight:bold;text-align:left;vertical-align:top}
</style>
<table class="tg">
<thead>
  <tr>
    <th class="tg-rxtw">Variable</th>
    <th class="tg-rxtw">Decisión<br></th>
  </tr>
</thead>
<tbody>
  <tr>
    <td class="tg-iot4">Edad</td>
    <td class="tg-iot4"><span style="color:#CB0000">Rechazar la Hipótesis Nula</span></td>
  </tr>
  <tr>
    <td class="tg-vox4">Peso</td>
    <td class="tg-l6py">No se puede rechazar la Hipótesis Nula</td>
  </tr>
  <tr>
    <td class="tg-iot4">Talla</td>
    <td class="tg-y4cb">Rechazar la Hipótesis Nula</td>
  </tr>
  <tr>
    <td class="tg-vox4">Capacidad<br>Respiratoria<br></td>
    <td class="tg-l6py">No se puede rechazar la Hipótesis Nula</td>
  </tr>
  <tr>
    <td class="tg-iot4">IMC</td>
    <td class="tg-y4cb">Rechazar la Hipótesis Nula</td>
  </tr>
</tbody>
</table></center>
<small>Nota: Tabla que resume la decisión sobre las pruebas de normalidad de las variables cuantitativas</small>
<br>

### Punto 6 

Planteamos la prueba de cocientes de varianzas ya que no poseemos información alguna para $\mu$ o $\sigma^2$. 

$H_0:\frac{\sigma_H^2}{\sigma_M^2}=1$<br>
$H_1:\frac{\sigma_H^2}{\sigma_M^2}\neq1$<br>
$\alpha=0.05$

Ajustamos las muestras y recopilamos la información necesaria

```{r}
dhom<-filter(datcap, datcap$sexo=="Hombre")
dmuj<-filter(datcap, datcap$sexo=="Mujer")
alpha=0.05
s2.h<-var(dhom$capcidad)
s2.m<-var(dmuj$capcidad)
nh<-length(dhom$capcidad)
nm<-length(dmuj$capcidad)
```

Calculamos $F_{S,\alpha/2,(n1-1),(n2-1)}$ y $F_{I,1-\alpha/2,(n1-1),(n2-1)}$(únicamente estoy indicando el cuantíl superior e inferior) así

```{r}
cua.fi<-qf(alpha/2, df1 = nh-1,df2=nm-1,lower.tail = TRUE)
cua.fi
cua.fs<-qf(alpha/2, df1 = nh-1,df2=nm-1,lower.tail = FALSE)
cua.fs
```

Ahora el estadístico de prueba 
```{r}
fc.est<-s2.h/s2.m
fc.est
```
Observe la *Figura 5.*, la región de rechazo de la $H_0$ se encuentra sombreada de color azul, delimitada por los cuantiles calculados anteiormente, y el estadístico de prueba se encuentra ubicado en la línea vertival color verde y punteada cuyo valor corresponde a 1.65

<small><b>Figura 5.</b><br>
Distribución F</small>
```{r echo=FALSE, fig.align='center'}
f<-seq(0,2, length.out=329)
fdp<-df(f, df1=nh-1,df2=nm-1)
den<-density(fdp)
par(mfrow=c(1,1))
valor1<-cua.fi
valor2<-cua.fs
plot(den,
     xlab = "Valores F",
     ylab="Función de Densidad de Probabilidad",
     main="",
     col.main="steelblue4", 
     fg="darkred")
l <- min(which(den$x >= valor1))
h <- max(which(den$x < valor2))

polygon(den, col="steelblue4")
polygon(c(den$x[c(l, l:h, h)]),
        c(0, den$y[l:h], 0),
        col = "grey98")
abline(v=fc.est,
        col="darkgreen",
       lwd=3,
       lty="dashed")
```
<small>Nota: Datos de capacidad respiratoria, dibujo de la distribución F</small>


Vamos a calcular el p-valor para tomar una decisión

```{r}
pvf1<-pf(fc.est,df1=nh-1,df2=nm-1,lower.tail=TRUE)
pvf2<-pf(fc.est,df1=nh-1,df2=nm-1,lower.tail = FALSE)
```

Elegimos el valor mínimo entre ambos, y lo multiplicamos por 2

```{r}
pvalorf<-2*min(pvf2,pvf1)
pvalorf
```

P-valor es menor a nuestro nivel de significancia, así que se rechaza $H_0$, ahora calculamos el intervalo de confianza 

```{r}
intf<-c(cua.fi*s2.h/s2.m,cua.fs*s2.h/s2.m)
intf
```

Tenemos $[1,19\leq\frac{\sigma^2_H}{\sigma^2_M}\leq2,37]$

Conclusión, se afirma según la evidencia que la variacón entre la capacidad pulmonar de hombres y mujeres es significativamente diferente, la capacidad pulmonar es heterogénea. **Se rechaza la **$H_0$ ya que hay suficiente evidencia para afirmar que el cociente de varianzas es diferente a 1. 

Podemos resumir el procedimiento con la función `var.test` así

```{r}
var.test(dhom$capcidad,dmuj$capcidad)
```

Comparando tenemos resultados practicamente iguales, ya tomada la decisión ahora entramos a la prueba de medias, planteando la prueba como se enuncia a continuación

$H_0: \mu_H-\mu_M=0$<br>
$H_1: \mu_H-\mu_M\neq0$<br>
$\alpha=0.05$<br>
$\delta=0$<br>

Obtenemos medias
```{r}
xbh=mean(dhom$capcidad)
xbm=mean(dmuj$capcidad)
```

Grados de libertad 
```{r}
v<-(((s2.h/nh)+(s2.m/nm))^2)/((((s2.h/nh)^2)/(nh-1))+(((s2.m/nm)^2)/(nm-1)))
v
```

Calculamos los cuantiles

```{r}
t1.cau<-qt(p=alpha/2, df=v, lower.tail = TRUE)
t1.cau
t2.cua<-qt(p=alpha/2, df=v, lower.tail = FALSE)
t2.cua
```
Por simetría tenemos que el otro cuantil es 1.971627. El estadístico de prueba $t = \frac{ (\overline{X_H} -  \overline{X_M})-(\delta)}{\sqrt{{\frac{S_H^2}{n_H}} + {\frac{S_M^2}{n_M}}}}$

```{r}
delta0=0
tc.est<-(((xbh-xbm)-delta0)/sqrt((s2.h/nh)+(s2.m/nm)))
tc.est
```

<small><b>Figura 6.</b><br>
Distribución t-student</small>
```{r echo=FALSE, fig.align='center'}
ts<-seq(-4,4,0.01)
tfdp<-dt(ts,df=v)
tden<-density(tfdp)
par(mfrow=c(1,1))
plot(ts,tfdp, type="l", xlab = "Valores t", ylab="f.d.p", main="",col.main="steelblue4", fg="darkred")
polygon(c(ts[ts<=t1.cau],t1.cau),c(tfdp[ts<=t1.cau],tfdp[ts==-4]),col="steelblue4")
polygon(c(ts[ts>=t2.cua],t2.cua),c(tfdp[ts>=t2.cua],tfdp[ts==4]),col="steelblue4")
```
<small>Nota: Datos de capacidad respiratoria, función de densidad t-student. </small>

La figura anterior muestra la región de rechazo de la $H_0$ en las regiones color azul, el estadístico de prueba tiene un valor de 19.30 por lo cual cae en la región de rechazo, es decir, se decide **rechazar la hipótesis nula**, vamos a calcular el p-valor

```{r}
pvalt<-pt(tc.est, df=v, lower.tail = FALSE)
pvalt
```

El p-valor es bastante pequeño y menor a nuestro nivel de significancia $p<\alpha$, nos ordena **rechazar** $H_0$ ya que hay una probabilidad muy pequeña de que ocurra el evento del estadístico de prueba, también podemos resumir la prueba de la siguiente manera. (Las dos colas son el valor predeterminado de la prueba, por eso no se indican)

```{r}
t.test(x=dathom$capcidad, y=datmuj$capcidad, mu=0, 
       paried=FALSE, var.equal = FALSE, 
       conf.level = .95)
```

La función `t.test` resume la información, además de porporcionarnos el intervalo de cofianza, ratifica que **la $H_0$ debe ser rechazada**, con un posibilidad del 5% de cometer error tipo 1. La conclusión es que **no se puede aceptar la hipótesis nula** ya que la evidencia disponible indica que la diferencia en medias de la capacidad respiratoria de hombres y mujeres no es igual a 0, en otras palabras, la media poblacional de hombres y mujeres difiere(es diferente) en relación a la capacidad respiratoria. 

### Punto 7

Accediendo a los datos

```{r}
sobrepeso<-filter(datcap, datcap$imc>=25)
pesonormal<-filter(datcap, datcap$imc<25)
```

Plantenado la prueba de cociente de varianza

$H_0:\frac{\sigma^2_S}{\sigma^2_N}=1$<br>
$H_1:\frac{\sigma^2_S}{\sigma^2_N}\neq1$<br>
$alpha=0.05$

donde $\sigma^2_S$ es la varinza de la capacidad respiratoria de personas con sobrepeso, y $\sigma^2_N$ es la varinza de la capacidad respiratoria de personas con peso normal, con `var.test`tenemos

```{r}
var.test(sobrepeso$capcidad,pesonormal$capcidad)
```

Con el p-valor mayor a nuestro nivel de significancia **no podemos rechazar** $H_0$, con el 5% de posibilidad de cometer error tipo 1, podemos concluir que no hay suficiente evidencia para afirmar que el cociente de las varinzas de las dos muestras es diferente de 1. Para el caso particular tenemos que la variabilidad de la capacidad respiratoria de los individuos con peso normal es mayor que la de los individuos con sobrepeso, con un cociente de varianzas de 0.9344959

Planteamos lo siguiente, queremos probar que la capacidad de las personas con sobrepeso es menor a la capacidad respiratoria de las personas con peso normal 

$H_0:\mu_S-\mu_N\geq0$<br>
$H_1:\mu_S-\mu_N<0$<br>
$\alpha=0.05$<br>
$\delta=0$

Con la función `t.test`, señalando que la hipótesis alternativa es menor y que la prueba de varianzas igual es cierta, tenemos 

```{r}
t.test(x=sobrepeso$capcidad, y=pesonormal$capcidad, alternative ="less"  
       ,mu=0, paried=FALSE, var.equal = TRUE, 
       conf.level = .95)
```

Con el p-valor mayor a 0.05, **no podemos rechazar** $H_0$, es decir, que con la evidencia disponible no podemos afirmar que las personas con sobrepeso tengan menor capacidad respiratoria que las personas con peso normal. 

### Punto 8

<small><b>Figura 7.</b><br>
Diagrama de barras valores absolutos</small>

```{r echo=FALSE, fig.align='center', results='hide'}
embarazos<-read.csv("embarazos.csv", sep = ";", encoding = "latin1")
sum(as.numeric(!complete.cases(embarazos)))
depuraembarazos<-select(embarazos, sobreobecas, hipertension)
ggplot(depuraembarazos, aes(sobreobecas, fill=hipertension))+
  geom_bar(position = "dodge",
           width = 0.4,
           alpha=0.7)+
  xlab("   Hipertenso                                     No hipertenso")+
  ylab("Número de personas")+
  labs(title = "")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))+
  scale_fill_brewer("Tiene sobrepeso", palette = "Set2")
```
<small>Nota: Datos de embarazos, en valores absolutos, variables hipertensión y sobrepeso</small>


La *Figura 7.* anterior muestra el comportamiento de las personas con hipertesión y su relación con el sobrepeso en valores absolutos. Para la prueba de dependencia Xi-cuadrado, tenemos

$H_0:$ Las variables son independientes <br>
$H_1:$ Las variables son dependientes <br>
$\alpha=0.05$

```{r}
depuraembarazos$sobreobecas<-factor(depuraembarazos$sobreobecas,
                                    levels = c("1","2"),
                                    labels = c("Sobrepeso","Normal"))
depuraembarazos$hipertension<-factor(depuraembarazos$hipertension,
                                     levels = c("Si","No"),
                                     labels = c("Hipertenso","No hipertenso"))
```

Contruimos una tabla de contingencia

```{r}
t.con<-table(depuraembarazos$hipertension, depuraembarazos$sobreobecas)
t.con
```

Añadiendo marginales

```{r}
t.mar<-addmargins(t.con)
t.mar
```

De la siguiente forma obtenemos las frecuencias esperadas

```{r}
sumfil<-margin.table(t.con,1)
sumcol<-margin.table(t.con,2)
sumfil
sumcol
total<-sum(t.con)
t.fresp<-outer(sumfil,sumcol)/total
t.fresp
```

Obteniendo el estadístico de prueba $\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}$ y los grados de libertad $df = (f - 1) \times (c - 1)$, 

```{r}
gl.xi<-(nrow(t.con)-1) * (ncol(t.con)-1)
gl.xi
est.xi<-sum((t.con-t.fresp)^2/t.fresp)
est.xi
```

Obtenemos el cuantil

```{r}
alpha=0.05
xi.cuan<-qchisq(p=alpha, df=gl.xi, lower.tail =F)
xi.cuan
```
Este resultado indica que el estadítico de prueba es menor al cuantil que marca la región crítica, por lo tanto **no podemos rechazar la hipótesis nula**, calculamos p-valor

```{r}
xi.pv<-pchisq(q=est.xi, df=gl.xi,lower.tail = FALSE)
xi.pv
```

El p-valor es mayor a nuestro nivel de significancia, por lo cual **no podemos rechazar la hiótesis nula** ya que con la evidencia suministrada no se puede decir que el sobrepeso y la hipertensión no son dependientes.

```{r}
xi.resul<-chisq.test(t.con)
xi.resul
```

Con la función `chisq.test` tenemos resultados un poco diferentes, asi que con las siguientes funciones podemos comparar los datos anteriores

```{r}
xi.resul$observed
xi.resul$expected
```

Puede que se calcule de una manera diferente con la función anterior, aunque también queda en píe la deicsión de **no se puede rechazar la hipótesis nula ya que** p$>\alpha$, que en el caso de la función `chisq.test` es de 0.0775

### Punto 9

```{r}
bajoimc<-filter(embarazos, embarazos$imcmama=="Bajo")
sobreimc<-filter(embarazos, embarazos$imcmama=="Sobrepeso")
```

Planteamos la prueba de vairanzas.

$H_0:\frac{\sigma^2_B}{\sigma^2_S}=1$<br>
$H_1:\frac{\sigma^2_B}{\sigma^2_S}\neq1$<br>
$\alpha=0.05$

```{r}
var.test(bajoimc$pesnac,sobreimc$pesnac)
```

En la prueba de varianzas tenemos un p-valor inferior a nuestro nivel de significancia del 5%, por lo cual debemos **rechazar la hipótesis nula**, es decir, que con la evidencia disponible podemos afirmar que el cociente de las varianzas es diferente de 1. Podemos decir que existe diferencia entre la variabilidad del peso al nacer de los bebes entre madres con IMC bajo y madres con IMC en situación de sobrepeso.

Procedemos a realizar la prueba de medias, donde planteamos que los bebés con madres con IMC bajo tienen mayor capacidad respiratoria que los bebés con madres con IMC en situación de sobrepeso. 

$H_0:\mu_B-\mu_S\leq0$<br>
$H_1:\mu_B-\mu_S>0$<br>
$\alpha=0.05$
$\delta=0$

```{r}
t.test(x=bajoimc$pesnac, y=sobreimc$pesnac, alternative = "greater", mu=0,
       paried=FALSE, conf.level = .95, var.equal = FALSE)
```

Se observa un p-valor mayor al nivel de significancia por lo cual **no se rechaza la hipótesis nula**, por lo cual con la evidencia disponible no podemos afirmar que la capacidad respiratoria de los bebés con madres con IMC bajo es mayor a la capacidad respiratoria de los bebés con madres con IMC en sobrepeso.  

En cuanto a los inconventientes, encuentro que, si hacemos la prueba de cociente de varianzas estamos pasando por alto el supesto de normalidad ya que como se muestra a continuación en el diagrama de cuantiles (*Figura 8.*) teóricos y con la prueba Shapiro-Wilk, el peso al nacer de los bebés con madres con IMC bajo no se distribuye normalmente, mientras que, el peso al nacer con mandres con IMC en sobrepeso sí.

```{r echo=FALSE, results='hide'}
bajo<-ggplot(bajoimc, aes(sample=pesnac))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="Peso al nacer con madres IMC bajo",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
  
sobrep<-ggplot(sobreimc, aes(sample=pesnac))+
  geom_qq(color="steelblue4")+
  geom_qq_line(color="darkred", linetype="dotdash")+
  labs(x="Cuantiles teóricos", 
       y="Cuantiles de la muestra", 
       title="Peso al nacer con macdres IMC en sobrepeso",
       subtitle = "Diagrama de Cuantiles")+
  theme_light()+
  theme(plot.title = element_text(hjust = 0.5, 
                                  colour = "steelblue4",
                                  face="bold", 
                                  family="DejaVu Sans", 
                                  size=17),
        axis.text = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans"),
        axis.title = element_text(colour = "royalblue",
                                 face="bold",
                                 family = "Dejavu Sans",
                                 size=13),
        plot.subtitle = element_text(colour = "steelblue4",
                                     face="bold",
                                     family="Dejavu Sans"),
        panel.background = element_rect(fill = "azure"),
        plot.background = element_rect(fill="antiquewhite"))
  
```
<small><b>Figura 8.</b><br>
Diagrama cuantil a cuantil, peso al nacer de: madres con IMC bajo e IMC en sobrepeso</small>
```{r echo=FALSE,fig.show="hold", out.width="50%", fig.align='center', fig.cap=''}
bajo
sobrep
```
<small>Nota: Datos de embarazos, prueba de normalidad gráfica</small>

```{r}
shapiro.test(bajoimc$pesnac)
shapiro.test(sobreimc$pesnac)
```

### Punto 10

Planteamos las hipótesis nula y alternativa más el nivel de significancia

$H_0:P\leq0.8$<br>
$H_1:P>0.8$<br>
$\alpha=0.05$

```{r}
p0=0.8
n.en<-as.numeric((embarazos$parto=="Vaginal"))
n.tot<-length(n.en)
prop<-sum(n.en)/n.tot
```

Calculando el estadístico de prueba

```{r}
est.prop<-(prop-p0)/sqrt(p0*(1-p0)/n.tot)
est.prop
```

Ahora el cuantil que delimita la región crítica

```{r}
cuant.z<-qnorm(alpha,0,1, lower.tail = FALSE)
cuant.z
```

El estadístico cae en la región de aceptación de $H_0$ como se observa en la *Figura 9.*, donde la línea verde punteada es el estadístico de prueba calculado y la región color azul es de rechazo de $H_0$. 

<small><b>Figura 9.</b></br>
Distribución z</small>
```{r echo=FALSE, fig.align='center'}
zse<-seq(-4,4,0.01)
zfdp<-dnorm(zse,0,1)
zden<-density(zfdp)
par(mfrow=c(1,1))
plot(zse,zfdp, type="l", xlab = "Valores z", ylab="f.d.p", main="",col.main="steelblue4", fg="darkred")
polygon(c(zse[zse>=cuant.z],cuant.z),c(zfdp[zse>=cuant.z],zfdp[zse==4]),col="steelblue4")
abline(v=est.prop, 
       col="darkgreen",
       lwd=3,
       lty="dashed")
```
<small>Nota: Datos de embarazos, función de densidad normal con media 0 y d.e 1</small>

Calculando el p-valor

```{r}
p.prop<-pnorm(est.prop,0,1, lower.tail = FALSE)
p.prop
```

El p-valor ratifica la evidencia a favor de la $H_0$, por lo tanto **no podemos rechazar la hipótesis nula**, porque con la evidencia suministrada no es posible inferir que más del 80% de los partos se da de manera natural, podemos realizar la prueba con la función `binom.test` así

```{r}
binom.test(x=sum(n.en), n=length(n.en), p=0.8,alternative = "greater")
```

La prueba resumida apoya la decisión de **no podemos rechazar la hipótesis nula**, con la información disponible no podemos inferir que más del 80% de los nacimientos se produce de manera natural.