library(tseries)#carga la biblioteca "tseries" 
Prueba_JB<- jarque.bera.test(modelo_estimado$residuals)#Prueba de normalidad sobre los residuos del modelo estimado
Prueba_JB#Imprime el resultado de la prueba de normalidad 

library(fastGraph)#Carga la biblioteca "fastGraph"
alpha_sig<-0.05#Se establece el nivel de significancia alfa para la prueba de normalidad
JB<-Prueba_JB$statistic#Se guarda el estadístico de la prueba de Jarque-Bera
gl<-Prueba_JB$parameter#Se guarda el número de grados de libertad 
VC<-qchisq(1-alpha_sig,gl,lower.tail = TRUE)#Calcula el valor crítico
shadeDist(JB, ddist = "dchisq",
          parm1 = gl,
          sub = paste("VC", round(VC, 2), "","JB:", round(JB, 2)),
          main = "Gráfico de la Prueba JB")#Genera un gráfico de la distribución chi-cuadrado sombreada en el estadístico de la prueba de Jarque-Bera

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<-modelo_estimado$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) -> tabla_KS  # Renombra la columna "value" como "residuales" y asigna la tabla resultante a la variable tabla_KS


#Formato
 tabla_KS %>%  # Utiliza el operador %>% para encadenar las operaciones siguientes a la tabla tabla_KS
  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: Ezequiel López") %>%  # 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
    ))

library(nortest)#Carga la biblioteca "nortest"
Prueba_KS<-lillie.test(modelo_estimado$residuals)#Realiza la prueba de Lilliefors sobre los residuos del modelo estimado 
Prueba_KS#Imprime el resultado de la prueba de Lilliefors

library(dplyr)#Carga la biblioteca "dplyr"
library(gt)#Carga la biblioteca "gt"
residuos<-modelo_estimado$residuals #Guarda los residuos del modelo estimado
residuos %>%  
  as_tibble() %>%
  rename(residuales=value) %>%
  arrange(residuales) %>%
  mutate(pi=(row_number()-0.375)/(n()+0.25)) %>%
  mutate(mi=qnorm(pi,lower.tail = TRUE)) %>% 
  mutate(ai=0)->tabla_SW#Se realizan varias manipulaciones de datos utilizando el paquete "dplyr" para calcular estadísticas y crear una tabla llamada "tabla_SW"
m<-sum(tabla_SW$mi^2)#Se calcula una serie de valores y se almacenan en la columna "ai" de la tabla "tabla_SW"
n<-nrow(hprice1)#Obtiene el número de filas en el conjunto de datos "hprice1" y lo asigna a la variable "n"
theta<-1/sqrt(n)#Calcula el valor de 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 crítico de la última entrada de la columna "ai" en la tabla "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 crítico de la penúltima entrada de la columna "ai" en la tabla "tabla_SW".
tabla_SW$ai[1]<- -tabla_SW$ai[n]#Asigna el negativo del valor crítico calculado para la última entrada de la columna "ai" a la primera entrada, asegurando que el primer y último valor de "ai" tengan la misma magnitud pero signos opuestos
tabla_SW$ai[2]<- -tabla_SW$ai[n-1]#Asigna el negativo del valor crítico calculado para la penúltima entrada de la columna "ai" a la segunda entrada, asegurando que el segundo y penúltimo valor de "ai" tengan la misma magnitud pero signos opuestos
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 el valor de omega 
tabla_SW$ai[3:(n-2)]<-tabla_SW$mi[3:(n-2)]/sqrt(omega)#Se asignan valores críticos a las entradas restantes de la columna "ai" en la tabla "tabla_SW" 
tabla_SW %>% 
  mutate(ai_ui=ai*residuales,ui2=residuales^2) ->tabla_SW#Se realiza una transformación adicional de los datos y se agregan dos nuevas columnas, "ai_ui" y "ui2", a la tabla "tabla_SW"
tabla_SW %>%
  gt() %>% tab_header("Tabla para calcular el Estadistico W") %>%  
  tab_source_note(source_note = "Fuente: Ezequiel López")#Agrega un encabezado a la tabla y una nota de fuente

W<-(sum(tabla_SW$ai_ui)^2)/sum(tabla_SW$ui2)#Calcula el estadístico W utilizando los valores de las columnas "ai_ui" y "ui2" en la tabla "tabla_SW"
print(W)#Imprime el valor del estadístico W

mu<-0.0038915*log(n)^3-0.083751*log(n)^2-0.31082*log(n)-1.5861#Calcula el valor de 𝜇, que es una función del logaritmo natural del tamaño de la muestra 𝑛 y se guarda en "mu"
sigma<-exp(0.0030302*log(n)^2-0.082676*log(n)-0.4803)#Calcula el valor de 𝜎, que también es una función del logaritmo natural del tamaño de la muestra 𝑛y se gurda en "sigma"
Wn<-(log(1-W)-mu)/sigma#Calcula el estadístico estandarizado 𝑊𝑛
print(Wn)#Imprime el valor del estadístico estandarizado 𝑊𝑛

p.value<-pnorm(Wn,lower.tail = FALSE)#Se utiliza la funciónpnorm para calcular la probabilidad acumulada de 𝑊𝑛bajo la distribución normal estándar y El valor de la probabilidad calculada se almacena en la variable "p.value"
print(p.value)#Imprime el valor de "p.value"

library(fastGraph)
Valor_critico<-1.6449#Se especifica un valor crítico, que se utilizará para sombrear la distribución normal estándar
shadeDist(xshade = Valor_critico,ddist = "dnorm",lower.tail = FALSE,
          parm1 = 0, sub= paste("Wn:", 3.241867, "VC:", 1.6449),
          main = "Gráfico de la Prueba SW",
          xtic = c(3.24186,1.6449,0))#genera un gráfico de la distribución normal estándar sombreado, se especifica el valor crítico que se sombreará en el gráfico, se especifica que el sombreado se hará desde el valor crítico hacia la derecha de la distribución, Se colocan marcas en el eje x para mostrar los valores de 𝑊𝑛, el valor crítico y el valor cero