library(dplyr)  # Carga la librería dplyr para manipulación de datos
library(gt)  # Carga la librería gt para crear tablas de datos
library(gtExtras)  # Carga la librería gtExtras para agregar funcionalidades a las tablas creadas con gt
residuos<-modeloClase$residuals # Crea un vector con los residuos del modelo estimado
residuos %>%  # Utiliza el operador %>% para encadenar las operaciones siguientes al vector residuos
  as_tibble() %>%  # Convierte el vector residuos en una tibble (tabla) de una columna
  mutate(posicion=row_number()) %>%  # Agrega una columna llamada "posicion" con el número de fila
  arrange(value) %>%  # Ordena la tabla por los valores de residuos en orden ascendente
  mutate(Dist1=row_number()/n()) %>%  # Agrega una columna "dist1" con los percentiles según su posición en la tabla (usando la función row_number() y n() para obtener el número de filas)
  mutate(Dist2=(row_number()-1)/n()) %>%  # Agrega una columna "dist2" con los percentiles según su posición en la tabla, pero ajustando en una unidad para evitar problemas con los extremos de la distribución
  mutate(Zi=as.vector(scale(value,center=TRUE))) %>%  # Agrega una columna "zi" con los valores de residuos escalados para tener media cero y varianza uno
  mutate(Pi=pnorm(Zi,lower.tail = TRUE)) %>%  # Agrega una columna "pi" con los valores de la función de distribución acumulada (CDF) de una distribución normal estándar evaluada en los valores de zi
  mutate(Dif1=abs(Dist1 - Pi)) %>%  # Agrega una columna "dif1" con las diferencias absolutas entre los percentiles según la posición y los valores de pi
  mutate(Dif2=abs(Dist2 - Pi)) %>%  # Agrega una columna "dif2" con las diferencias absolutas entre los percentiles ajustados según la posición y los valores de pi
  rename(residuales=value) -> TablaKS

TablaKS %>%  # Utiliza el operador %>% para encadenar las operaciones siguientes a la tabla TablaKS
  gt() %>%  # Crea una tabla con la función gt()
  tab_header("Tabla para calcular el Estadistico KS") %>%  # Agrega un encabezado a la tabla
  tab_source_note(source_note = "Fuente: Elaboración propia") %>%  # Agrega una nota de fuente a la tabla
  tab_style(  # Cambia el estilo de algunas celdas de la tabla
    style = list(
      cell_fill(color = "#A569BD"),  # Cambia el color de fondo de las celdas a un tono de morado.
      cell_text(style = "italic")  # Cambia el estilo de texto de las celdas a itálico.
      ),
    locations = cells_body(  # Aplica el estilo a las celdas del cuerpo de la tabla que cumplan las siguientes condiciones:
      columns = Dif1,  # Que pertenezcan a la columna "Dif1".
      rows = Dif1==max(Dif1)  # Que pertenezcan a la fila donde el valor de "Dif1" es máximo.
    )) %>%
   tab_style(  # Cambia el estilo de algunas celdas de la tabla.
    style = list(
      cell_fill(color = "#3498DB"),  # Cambia el color de fondo de las celdas a un tono de azul.
      cell_text(style = "italic")  # Cambia el estilo de texto de las celdas a itálico.
      ),
    locations = cells_body(  # Aplica el estilo a las celdas del cuerpo de la tabla que cumplan las siguientes condiciones:
      columns = Dif2,  # Que pertenezcan a la columna "Dif2"
      rows = Dif2==max(Dif2)  # Que pertenezcan a la fila donde el valor de "Dif2" es máximo.
    ))

D<-max(max(TablaKS$Dif1), max(TablaKS$Dif2)) # Calcula el valor máximo entre los máximos de las columnas Dif1 y Dif2 en el marco de datos TablaKS.
D # Retorna el valor máximo obtenido.

VCKS <- 0.875897/sqrt(88) # Calcula el valor crítico para una prueba de bondad de ajuste basada en la distribución de Kolmogorov-Smirnov.
VCKS # Retorna el valor calculado.

library(nortest) # Carga la librería nortest, que proporciona funciones para realizar pruebas de normalidad.
pruebaKS<-lillie.test(modeloClase$residuals) # Realiza la prueba de Lilliefors para evaluar la normalidad de los residuos del modelo almacenados en modeloClase$residuals.
pruebaKS # Retorna el resultado de la prueba de Lilliefors.

library(dplyr) # Carga el paquete 'dplyr', que proporciona una gramática de manipulación de datos para facilitar el manejo de los datos.
library(gt) # Carga el paquete 'gt', que proporciona una forma flexible de crear tablas en R.
residuos <- modeloClase$residuals # Extrae los residuos del modelo de regresión 'modelo_normalidad' y los guarda en la variable 'residuos'.
residuos %>%  
  as_tibble() %>%
  rename(Residuales = value) %>%
  arrange(Residuales) %>%
  mutate(pi = (row_number() - 0.375) / (n() + 0.25)) %>%
  mutate(mi = qnorm(pi, lower.tail = TRUE)) %>% 
  mutate(ai = 0) -> tabla_SW # Transforma los residuos en un tibble, renombra la columna 'value' como 'residuales', los ordena, calcula los cuantiles teóricos mi y los guarda en 'pi', calcula los valores críticos ai y los guarda en 'ai', y finalmente almacena todo en 'tabla_SW'.
m <- sum(tabla_SW$mi^2) # Calcula la suma de los cuadrados de los cuantiles teóricos mi y la guarda en 'm'.
n <- nrow(hprice1) # Calcula el número de filas en el conjunto de datos 'hprice1' y lo guarda en 'n'.
theta <- 1 / sqrt(n) # Calcula el valor de theta y lo guarda en 'theta'.
tabla_SW$ai[n] <- -2.706056 * theta^5 + 4.434685 * theta^4 - 2.071190 * theta^3 - 0.147981 * theta^2 + 0.2211570 * theta + tabla_SW$mi[n] / sqrt(m) # Calcula y asigna el valor del último valor crítico ai en 'tabla_SW'.
tabla_SW$ai[n - 1] <- -3.582633 * theta^5 + 5.682633 * theta^4 - 1.752461 * theta^3 - 0.293762 * theta^2 + 0.042981 * theta + tabla_SW$mi[n - 1] / sqrt(m) # Calcula y asigna el valor del penúltimo valor crítico ai en 'tabla_SW'.
tabla_SW$ai[1] <- -tabla_SW$ai[n] # Asigna el primer valor crítico ai como el negativo del último valor crítico en 'tabla_SW'.
tabla_SW$ai[2] <- -tabla_SW$ai[n - 1] # Asigna el segundo valor crítico ai como el negativo del penúltimo valor crítico en 'tabla_SW'.
omega <- (m - 2 * tabla_SW$mi[n]^2 - 2 * tabla_SW$mi[n - 1]^2) / (1 - 2 * tabla_SW$ai[n]^2 - 2 * tabla_SW$ai[n - 1]^2) # Calcula omega y lo guarda en 'omega'.
tabla_SW$ai[3:(n - 2)] <- tabla_SW$mi[3:(n - 2)] / sqrt(omega) # Calcula y asigna los valores críticos ai restantes en 'tabla_SW'.
tabla_SW %>% 
  mutate(ai_ui = ai *Residuales, ui2 = Residuales^2) -> tabla_SW # Calcula y añade dos nuevas columnas 'ai_ui' y 'ui2' a 'tabla_SW'.
tabla_SW %>%
  gt() %>% tab_header("Tabla para calcular el Estadístico W") %>% 
  tab_source_note(source_note = "Fuente: Elaboración propia") # Crea una tabla con el paquete 'gt', añade un encabezado y una nota de fuente.

W<-(sum(tabla_SW$ai_ui)^2)/sum(tabla_SW$ui2) # Calcula la estadística de prueba W utilizando la fórmula proporcionada.
print(W) # Imprime el valor de la estadística de prueba W.

#Para W~N~.
mu<-0.0038915*log(n)^3-0.083751*log(n)^2-0.31082*log(n)-1.5861
sigma<-exp(0.0030302*log(n)^2-0.082676*log(n)-0.4803) # Calcula el valor esperado (mu) utilizando una función de la forma especificada.
Wn<-(log(1-W)-mu)/sigma # Calcula Wn utilizando la transformación inversa de Box-Cox.
print(Wn) # Imprime el valor de Wn.

#Para el P-Value.
p.value<-pnorm(Wn,lower.tail = FALSE) # Calcula el valor p utilizando la función de distribución normal.
print(p.value) # Imprime el valor p.

#Para Gráficar.
library(fastGraph) # Carga la librería fastGraph.
VCSW <- 1.6449 # Define el valor crítico VCSW.
shadeDist(Wn,
          xshade = VCSW,
          parm1 = 0,
          ddist = "dnorm",
          lower.tail = FALSE,
          sub = paste("Wn:", 3.241867,
                      "VC:", 1.6449)) # Sombras la distribución con los parámetros especificados.

salida_SW<-shapiro.test(modeloClase$residuals) # Realiza la prueba de Shapiro-Wilk en los residuos del modelo almacenado en modeloClase$residuals.
print(salida_SW) # Imprime los resultados de la prueba Shapiro-Wilk en la consola.

WnSalida <- qnorm(salida_SW$p.value, lower.tail = FALSE) # Asigna los valores obtenidos a partir de la función qnorm a la variable WnSalida.
WnSalida # Muestra el contenido de la variable WnSalida en la consola.