# Tus datos de la columna "Lunes"datos_lunes <-c(0, 10, 12, 2, 6, 7, 18, 7, 15, 19, 13, 10, 6, 12, 4, 17, 3, 9)# Estimamos lambda como la media de los datoslambda <-mean(datos_lunes)# Prueba de Kolmogorov-Smirnov para Poissonresultado_ks <-ks.test(datos_lunes, "ppois", lambda)
Warning in ks.test.default(datos_lunes, "ppois", lambda): ties should not be
present for the Kolmogorov-Smirnov test
# Imprimir el resultado de la pruebaprint(resultado_ks)
Asymptotic one-sample Kolmogorov-Smirnov test
data: datos_lunes
D = 0.22998, p-value = 0.297
alternative hypothesis: two-sided
import numpy as npfrom scipy import stats# Tus datos de la columna "Lunes"datos_lunes = [0, 10, 12, 2, 6, 7, 18, 7, 15, 19, 13, 10, 6, 12, 4, 17, 3, 9]# Estimamos lambda como la media de los datoslambda_est = np.mean(datos_lunes)# Prueba de Kolmogorov-Smirnov para Poissonresultado_ks = stats.kstest(datos_lunes, 'poisson', args=(lambda_est,))# Imprimir el resultado de la pruebaprint(resultado_ks)
# Tus datos de la columna "Lunes"datos_lunes <-c(0, 10, 12, 2, 6, 7, 18, 7, 15, 19, 13, 10, 6, 12, 4, 17, 3, 9)# Estimar lambda (media de los datos)lambda <-mean(datos_lunes)# Frecuencias observadasobservados <-table(datos_lunes)# Valores posibles (nombres de la tabla de frecuencias observadas)valores_posibles <-as.numeric(names(observados))# Calcular las frecuencias esperadas bajo la distribución de Poissonesperados <-dpois(valores_posibles, lambda) *sum(observados)# Realizar la prueba de Chi-cuadradochisq_test <-chisq.test(observados, p = esperados, rescale.p =TRUE)
Warning in chisq.test(observados, p = esperados, rescale.p = TRUE): Chi-squared
approximation may be incorrect
# Imprimir resultadosprint(chisq_test)
Chi-squared test for given probabilities
data: observados
X-squared = 499.94, df = 13, p-value < 2.2e-16
import numpy as npfrom scipy import stats# Tus datos de la columna "Lunes"datos_lunes = [0, 10, 12, 2, 6, 7, 18, 7, 15, 19, 13, 10, 6, 12, 4, 17, 3, 9]# Estimar lambda (media de los datos)lambda_est = np.mean(datos_lunes)# Frecuencias observadas (conteo de cada valor)observados = np.bincount(datos_lunes)# Valores posiblesvalores_posibles = np.arange(len(observados))# Frecuencias esperadas bajo la distribución de Poissonesperados = stats.poisson.pmf(valores_posibles, lambda_est) *len(datos_lunes)# Reescalar las frecuencias esperadas para que sumen igual que las observadasesperados = esperados * (np.sum(observados) / np.sum(esperados))# Prueba de Chi-cuadradochi2_stat, p_val = stats.chisquare(observados, f_exp=esperados)# Imprimir los resultadosprint(f"Chi-cuadrado: {chi2_stat}, p-valor: {p_val}")
n <-18alpha <-0.05C_alpha <-sqrt(-0.5*log(alpha /2)) C_alpha
[1] 1.358102
n <-18# Tamaño de la muestraalpha <-0.05# Nivel de significancia# Constante crítica para alfa = 0.05c_alpha <-1.358# Valor crítico de KSD_alpha <- c_alpha /sqrt(n)D_alpha
[1] 0.3200837
import numpy as np# Parámetrosn =18alpha =0.05# Constante crítica para alfa = 0.05c_alpha =1.358# Valor crítico de KSD_alpha = c_alpha / np.sqrt(n)print(D_alpha)
0.32008366961711054
# Tus datos de "Domingo"datos_domingo <-c(0, 13, 8, 16, 12, 14, 15, 16, 8, 7, 16, 12, 9, 12, 4, 3, 26, 5)# Estimar lambda como la media de los datoslambda <-mean(datos_domingo)# Prueba de Kolmogorov-Smirnov para Poissonresultado_ks <-ks.test(datos_domingo, "ppois", lambda)
Warning in ks.test.default(datos_domingo, "ppois", lambda): ties should not be
present for the Kolmogorov-Smirnov test
# Imprimir el resultado de la prueba KSprint(resultado_ks)
Asymptotic one-sample Kolmogorov-Smirnov test
data: datos_domingo
D = 0.25635, p-value = 0.1876
alternative hypothesis: two-sided
import numpy as npfrom scipy import stats# Tus datos de "Domingo"datos_domingo = [0, 13, 8, 16, 12, 14, 15, 16, 8, 7, 16, 12, 9, 12, 4, 3, 26, 5]# Estimar lambda (media de los datos)lambda_est = np.mean(datos_domingo)# Prueba de Kolmogorov-Smirnov para Poissonresultado_ks = stats.kstest(datos_domingo, 'poisson', args=(lambda_est,))# Imprimir los resultadosprint(resultado_ks)
# Frecuencias observadasobservados <-table(datos_domingo)# Valores posibles (nombres de la tabla de frecuencias observadas)valores_posibles <-as.numeric(names(observados))# Calcular las frecuencias esperadas bajo la distribución de Poissonesperados <-dpois(valores_posibles, lambda) *sum(observados)# Realizar la prueba de Chi-cuadradochisq_test <-chisq.test(observados, p = esperados, rescale.p =TRUE)
Warning in chisq.test(observados, p = esperados, rescale.p = TRUE): Chi-squared
approximation may be incorrect
# Imprimir resultados de la prueba Chi-cuadradoprint(chisq_test)
Chi-squared test for given probabilities
data: observados
X-squared = 2858.9, df = 12, p-value < 2.2e-16
# Si tienes un modelo lineal generalizado con Poisson y encuentras sobredispersión# Puedes cambiar a un modelo de Binomial Negativa con el paquete MASSlibrary(MASS)# Ajustar un modelo de Binomial Negativamodelo_nb <-glm.nb(datos_domingo ~1)# Resumen del modelosummary(modelo_nb)
Call:
glm.nb(formula = datos_domingo ~ 1, init.theta = 3.577334227,
link = log)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.3877 0.1436 16.62 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for Negative Binomial(3.5773) family taken to be 1)
Null deviance: 21.613 on 17 degrees of freedom
Residual deviance: 21.613 on 17 degrees of freedom
AIC: 120.42
Number of Fisher Scoring iterations: 1
Theta: 3.58
Std. Err.: 1.74
2 x log-likelihood: -116.421