Siguiente: Funciones y variables para distribuciones especiales, Anterior: Funciones y variables para inference_result [Índice general][Índice]
Valor por defecto: true
Cuando stats_numer vale true, las funciones de inferencia
estadística devuelven sus resultados en formato decimal de
coma flotante. Cuando vale false, los resultados se devuelven en
formato simbólico y racional.
Es el test t de la media. El argumento x es una lista o matriz
columna con los datos de una muestra unidimensional. También realiza el
test asintótico basado en el Teorema Central del límite
si se le asigna a la opción 'asymptotic el valor true.
Opciones:
'mean, valor por defecto 0, es el valor de la media a contrastar.
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
'dev, valor por defecto 'unknown, este es el valor de la desviación
típica cuando se conoce; valores válidos son: 'unknown o una
expresión con valor positivo.
'conflevel, valor por defecto 95/100, nivel de confianza para el intervalo de confianza;
debe ser una expresión que tome un valor en el intervalo (0,1).
'asymptotic, valor por defecto false, indica si debe realizar el test
exacto basado en la t de Student, o el asintótico basado en el
Teorema Central del límite; valores válidos son true y false.
El resultado devuelto por la función test_mean es un objeto
inference_result con los siguientes apartados:
'mean_estimate: la media muestral.
'conf_level: nivel de confianza seleccionado por el usuario.
'conf_interval: intervalo de confianza para la media poblacional.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con su(s) parámetro(s).
'p_value: \(p\)-valor del test.
Ejemplos:
Realiza el contraste exacto t con varianza desconocida. La hipótesis nula es \(H_0: mean=50\), frente a la alternativa unilátera \(H_1: mean<50\); de acuerdo con los resultados, no hay evidencia para rechazar \(H_0\), pues el \(p\)-valor es muy grande.
(%i1) load("stats")$
(%i2) data: [78,64,35,45,45,75,43,74,42,42]$
(%i3) test_mean(data,'conflevel=0.9,'alternative='less,'mean=50);
| MEAN TEST
|
| mean_estimate = 54.3
|
| conf_level = 0.9
|
| conf_interval = [minf, 61.51314273502712]
|
(%o3) | method = Exact t-test. Unknown variance.
|
| hypotheses = H0: mean = 50 , H1: mean < 50
|
| statistic = .8244705235071678
|
| distribution = [student_t, 9]
|
| p_value = .7845100411786889
En esta ocasión Maxima realiza un test asintótico. La hipótesis
nula es \(H_0: equal(mean, 50)\) frente a la alternativa bilátera \(H_1: not equal(mean, 50)\);
de acuerdo con los resultados, \(H_0\) debe rechazarse en favor de
la alternativa \(H_1\), pues el \(p\)-valor es muy pequeño.
Nótese que, tal como indica la componente Method, este
procedimiento sólo puede aplicarse en muestras grandes.
(%i1) load("stats")$
(%i2) test_mean([36,118,52,87,35,256,56,178,57,57,89,34,25,98,35,
98,41,45,198,54,79,63,35,45,44,75,42,75,45,45,
45,51,123,54,151],
'asymptotic=true,'mean=50);
| MEAN TEST
|
| mean_estimate = 74.88571428571429
|
| conf_level = 0.95
|
| conf_interval = [57.72848600856194, 92.04294256286663]
|
(%o2) | method = Large sample z-test. Unknown variance.
|
| hypotheses = H0: mean = 50 , H1: mean # 50
|
| statistic = 2.842831192874313
|
| distribution = [normal, 0, 1]
|
| p_value = .004471474652002261
Este es el test t para la diferencia de medias con muestras.
Los argumentos x1 y x2 son listas o matrices columna
que contienen dos muestras independientes. En caso de varianzas
diferentes y desconocidas (véanse las opciones 'dev1,
'dev2 y 'varequal más abajo) los grados de libertad
se calculan mediante la aproximación de Welch.
También realiza el test asintótico basado en el
Teorema Central del límite si se le asigna a
la opción 'asymptotic el valor true.
Opciones:
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
'dev1, valor por defecto 'unknown, es el valor de la desviación
típica de la muestra x1 cuando se conoce; valores válidos
son: 'unknown o una expresión positiva.
'dev2, valor por defecto 'unknown, es el valor de la desviación
típica de la muestra x2 cuando se conoce; valores válidos
son: 'unknown o una expresión positiva.
'varequal, valor por defecto false, indica si las varianzas deben considerarse iguales o no; esta opción sólo toma efecto cuando 'dev1 y/o 'dev2 tienen el valor 'unknown.
'conflevel, valor por defecto 95/100, nivel de confianza para el
intervalo de confianza; debe ser una expresión que tome un valor en el intervalo (0,1).
'asymptotic, valor por defecto false, indica si debe realizar el test
exacto basado en la t de Student, o el asintótico basado en el
Teorema Central del límite; valores válidos son true y false.
El resultado devuelto por la función test_means_difference es un objeto
inference_result con los siguientes apartados:
'diff_estimate: el estimador de la diferencia de medias.
'conf_level: nivel de confianza seleccionado por el usuario.
'conf_interval: intervalo de confianza para la diferencia de medias.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con su(s) parámetro(s).
'p_value: \(p\)-valor del test.
Ejemplos:
La igualdad de medias se contrasta con dos pequeñas muestras x y y, contra la alternativa \(H_1: m_1>m_2\), siendo \(m_1\) y \(m_2\) las medias poblacionales; las varianzas son desconocidas y se supone que diferentes.
(%i1) load("stats")$
(%i2) x: [20.4,62.5,61.3,44.2,11.1,23.7]$
(%i3) y: [1.2,6.9,38.7,20.4,17.2]$
(%i4) test_means_difference(x,y,'alternative='greater);
| DIFFERENCE OF MEANS TEST
|
| diff_estimate = 20.31999999999999
|
| conf_level = 0.95
|
| conf_interval = [- .04597417812882298, inf]
|
(%o4) | method = Exact t-test. Welch approx.
|
| hypotheses = H0: mean1 = mean2 , H1: mean1 > mean2
|
| statistic = 1.838004300728477
|
| distribution = [student_t, 8.62758740184604]
|
| p_value = .05032746527991905
El mismo test que antes, pero ahora se suponen las varianzas iguales.
(%i1) load("stats")$
(%i2) x: [20.4,62.5,61.3,44.2,11.1,23.7]$
(%i3) y: matrix([1.2],[6.9],[38.7],[20.4],[17.2])$
(%i4) test_means_difference(x,y,
'alternative='greater,
'varequal=true);
| DIFFERENCE OF MEANS TEST
|
| diff_estimate = 20.31999999999999
|
| conf_level = 0.95
|
| conf_interval = [- .7722627696897568, inf]
|
(%o4) | method = Exact t-test. Unknown equal variances
|
| hypotheses = H0: mean1 = mean2 , H1: mean1 > mean2
|
| statistic = 1.765996124515009
|
| distribution = [student_t, 9]
|
| p_value = .05560320992529344
Este es el test chi^2 de la varianza. El argumento x es una lista o matriz columna con los datos de una muestra unidimensional extraída de una población normal.
Opciones:
'mean, valor por defecto 'unknown, es la media de la población, si se conoce.
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
'variance, valor por defecto 1, este es el valor (positivo) de la varianza a contrastar.
'conflevel, valor por defecto 95/100, nivel de confianza para el intervalo de confianza;
debe ser una expresión que tome un valor en el intervalo (0,1).
El resultado devuelto por la función test_variance es un objeto
inference_result con los siguientes apartados:
'var_estimate: la varianza muestral.
'conf_level: nivel de confianza seleccionado por el usuario.
'conf_interval: intervalo de confianza para la varianza poblacional.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con su parámetro.
'p_value: \(p\)-valor del test.
Ejemplos:
Se contrasta si la varianza de una población de media desconocida es igual o mayor que 200.
(%i1) load("stats")$
(%i2) x: [203,229,215,220,223,233,208,228,209]$
(%i3) test_variance(x,'alternative='greater,'variance=200);
| VARIANCE TEST
|
| var_estimate = 110.75
|
| conf_level = 0.95
|
| conf_interval = [57.13433376937479, inf]
|
(%o3) | method = Variance Chi-square test. Unknown mean.
|
| hypotheses = H0: var = 200 , H1: var > 200
|
| statistic = 4.43
|
| distribution = [chi2, 8]
|
| p_value = .8163948512777689
Este es el test F del cociente de las varianzas para dos poblaciones normales. Los argumentos x1 y x2 son listas o matrices columna que contienen los datos de dos muestras independientes.
Opciones:
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
'mean1, valor por defecto 'unknown, es la media de la población de la
que procede x1 cuando se conoce.
'mean2, valor por defecto 'unknown, es la media de la población de la
que procede x2 cuando se conoce.
'conflevel, valor por defecto 95/100, nivel de confianza para el intervalo
de confianza del cociente; debe ser una expresión que tome un valor en el intervalo (0,1).
El resultado devuelto por la función test_variance_ratio es un objeto
inference_result con los siguientes resultados
'ratio_estimate: el cociente de varianzas muestral.
'conf_level: nivel de confianza seleccionado por el usuario.
'conf_interval: intervalo de confianza para el cociente de varianzas.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con sus parámetros.
'p_value: \(p\)-valor del test.
Ejemplos:
Se contrasta la igualdad de varianzas de dos poblaciones normales frente a la alternativa de que la primera es mayor que la segunda.
(%i1) load("stats")$
(%i2) x: [20.4,62.5,61.3,44.2,11.1,23.7]$
(%i3) y: [1.2,6.9,38.7,20.4,17.2]$
(%i4) test_variance_ratio(x,y,'alternative='greater);
| VARIANCE RATIO TEST
|
| ratio_estimate = 2.316933391522034
|
| conf_level = 0.95
|
| conf_interval = [.3703504689507268, inf]
|
(%o4) | method = Variance ratio F-test. Unknown means.
|
| hypotheses = H0: var1 = var2 , H1: var1 > var2
|
| statistic = 2.316933391522034
|
| distribution = [f, 5, 4]
|
| p_value = .2179269692254457
Inferencias sobre una proporción. El argumento x es el número de éxitos observados en n pruebas de Bernoulli con probabilidad desconocida.
Opciones:
'proportion, valor por defecto 1/2, es el valor de la
probabilidad a contrastar.
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
'conflevel, valor por defecto 95/100, nivel de confianza para el intervalo
de confianza; debe ser una expresión que tome un valor en el intervalo (0,1).
'asymptotic, valor por defecto false, indica si debe realizar el test
exacto basado en la binomial, o el asintótico basado en el
Teorema Central del límite; valores válidos son true y false.
'correct, valor por defecto true, indica si se aplica o no la
corrección de Yates.
El resultado devuelto por la función test_proportion es un objeto
inference_result con los siguientes apartados:
'sample_proportion: proporción muestral.
'conf_level: nivel de confianza seleccionado.
'conf_interval: intervalo de confianza de Wilson para la proporción.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado
para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con sus parámetros.
'p_value: \(p\)-valor del test.
Ejemplos:
Realiza un contraste exacto. La hipótesis nula es \(H_0: p=1/2\) y la alternativa unilátera es \(H_1: p<1/2\).
(%i1) load("stats")$
(%i2) test_proportion(45, 103, alternative = less);
| PROPORTION TEST
|
| sample_proportion = .4368932038834951
|
| conf_level = 0.95
|
| conf_interval = [0, 0.522714149150231]
|
(%o2) | method = Exact binomial test.
|
| hypotheses = H0: p = 0.5 , H1: p < 0.5
|
| statistic = 45
|
| distribution = [binomial, 103, 0.5]
|
| p_value = .1184509388901454
Un contraste asintótico bilátero. El nivel de confianza es 99/100.
(%i1) load("stats")$
(%i2) fpprintprec:7$
(%i3) test_proportion(45, 103,
conflevel = 99/100, asymptotic=true);
| PROPORTION TEST
|
| sample_proportion = .43689
|
| conf_level = 0.99
|
| conf_interval = [.31422, .56749]
|
(%o3) | method = Asympthotic test with Yates correction.
|
| hypotheses = H0: p = 0.5 , H1: p # 0.5
|
| statistic = .43689
|
| distribution = [normal, 0.5, .048872]
|
| p_value = .19662
Inferencias sobre la diferencia de dos proporciones. El argumento x1 es el número de éxitos en n1 experimentos de Bernoulli en la primera población y x2 y n2 son los valores correspondientes para la segunda población. Las muestras son independientes y el contraste es asintótico.
Opciones:
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son:: 'twosided (p1 # p2), 'greater (p1 > p2)
and 'less (p1 < p2).
'conflevel, valor por defecto 95/100, nivel de confianza para el intervalo
de confianza; debe ser una expresión que tome un valor en el intervalo (0,1).
'correct, valor por defecto true, indica si se aplica o no la
corrección de Yates.
El resultado devuelto por la función test_proportions_difference es un objeto
inference_result con los siguientes apartados:
'proportions: lista con las dos proporciones muestrales.
'conf_level: nivel de confianza seleccionado.
'conf_interval: intervalo de confianza para la diferencia de proporciones p1 - p2.
'method: procedimiento de inferencia y mensaje de aviso en caso de que
alguno de los tamaños muestrales sea menor de 10.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado
para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con sus parámetros.
'p_value: \(p\)-valor del test.
Ejemplos:
Una máquina produce 10 piezas defectuosas en un lote de 250.
Después de ciertas tareas de mantenimiento, produce 4 piezas
defectuosas de un lote de 150. A fin de saber si la tarea de
mantenimiento produjo alguna mejora, se contrasta la hipótesis
nula H0:p1=p2 contra la alternativa H0:p1>p2,
donde p1 y p2 son las probabilidades de que un
artículo producido por la máquina sea defectuoso,
antes y después de la reparación. De acuerdo con el p valor, no hay
evidencia suficiente para aceptar la alternativa.
(%i1) load("stats")$
(%i2) fpprintprec:7$
(%i3) test_proportions_difference(10, 250, 4, 150,
alternative = greater);
| DIFFERENCE OF PROPORTIONS TEST
|
| proportions = [0.04, .02666667]
|
| conf_level = 0.95
|
| conf_interval = [- .02172761, 1]
|
(%o3) | method = Asymptotic test. Yates correction.
|
| hypotheses = H0: p1 = p2 , H1: p1 > p2
|
| statistic = .01333333
|
| distribution = [normal, 0, .01898069]
|
| p_value = .2411936
Desviación típica exacta de la distribución normal asintótica con datos desconocidos.
(%i1) load("stats")$
(%i2) stats_numer: false$
(%i3) sol: test_proportions_difference(x1,n1,x2,n2)$
(%i4) last(take_inference('distribution,sol));
1 1 x2 + x1
(-- + --) (x2 + x1) (1 - -------)
n2 n1 n2 + n1
(%o4) sqrt(---------------------------------)
n2 + n1
Este es el test no paramétrico de los signos para contrastes sobre la mediana de una población continua. El argumento x es una lista o matriz columna que contiene los datos de una muestra unidimensional.
Opciones:
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
'median, valor por defecto 0, es el valor de la mediana a contrastar.
El resultado devuelto por la función test_sign es un objeto
inference_result con los siguientes apartados:
'med_estimate: la mediana muestral.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con sus parámetros.
'p_value: \(p\)-valor del test.
Ejemplos:
Contrasta si la mediana de la población de la que se ha extraido la muestra es 6, frente a la alternativa \(H_1: median > 6\).
(%i1) load("stats")$
(%i2) x: [2,0.1,7,1.8,4,2.3,5.6,7.4,5.1,6.1,6]$
(%i3) test_sign(x,'median=6,'alternative='greater);
| SIGN TEST
|
| med_estimate = 5.1
|
| method = Non parametric sign test.
|
(%o3) | hypotheses = H0: median = 6 , H1: median > 6
|
| statistic = 7
|
| distribution = [binomial, 10, 0.5]
|
| p_value = .05468749999999989
Este el test de los rangos signados de Wilcoxon para hacer inferencias sobre la mediana de una población continua. El argumento x es una lista o matriz columna que contiene los datos de una muestra unidimensional. Realiza la aproximación normal si el tamaño muestral es mayor que 20, o si en la muestra aparece algún cero o hay empates.
Véanse también pdf_rank_test y cdf_rank_test.
Opciones:
'median, valor por defecto 0, es el valor de la mediana a ser contrastado.
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
El resultado devuelto por la función test_signed_rank es
un objeto inference_result con los siguientes apartados:
'med_estimate: la mediana muestral.
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con su(s) parámetro(s).
'p_value: \(p\)-valor del test.
Ejemplos:
Contrasta la hipótesis nula \(H_0: median = 15\) frente a la alternativa \(H_1: median > 15\). Este test es exacto, puesto que no hay empates.
(%i1) load("stats")$
(%i2) x: [17.1,15.9,13.7,13.4,15.5,17.6]$
(%i3) test_signed_rank(x,median=15,alternative=greater);
| SIGNED RANK TEST
|
| med_estimate = 15.7
|
| method = Exact test
|
(%o3) | hypotheses = H0: med = 15 , H1: med > 15
|
| statistic = 14
|
| distribution = [signed_rank, 6]
|
| p_value = 0.28125
Contrasta la hipótesis nula \(H_0: equal(median, 2.5)\) frente a la alternativa \(H_1: not equal(median, 2.5)\). Este es un test asintótico, debido a la presencia de empates.
(%i1) load("stats")$
(%i2) y:[1.9,2.3,2.6,1.9,1.6,3.3,4.2,4,2.4,2.9,1.5,3,2.9,4.2,3.1]$
(%i3) test_signed_rank(y,median=2.5);
| SIGNED RANK TEST
|
| med_estimate = 2.9
|
| method = Asymptotic test. Ties
|
(%o3) | hypotheses = H0: med = 2.5 , H1: med # 2.5
|
| statistic = 76.5
|
| distribution = [normal, 60.5, 17.58195097251724]
|
| p_value = .3628097734643669
Este es el test de Wilcoxon-Mann-Whitney para comparar las medianas de dos poblaciones continuas. Los dos primeros argumentos x1 y x2 son listas o matrices columna con los datos de dos muestras independientes. Realiza la aproximación normal si alguna de las muestras tiene tamaño mayor que 10, o si hay empates.
Opción:
'alternative, valor por defecto 'twosided, es la hipótesis alternativa;
valores válidos son: 'twosided, 'greater y 'less.
El resultado devuelto por la función test_rank_sum
es un objeto inference_result con los siguientes apartados:
'method: procedimiento de inferencia.
'hypotheses: hipótesis nula y alternativa a ser contrastada.
'statistic: valor del estadístico de contraste utilizado para probar la hipótesis.
'distribution: distribución del estadístico de contraste, junto con sus parámetros.
'p_value: \(p\)-valor del test.
Ejemplos:
Contrasta si dos poblaciones tiene medianas similares. Al ser los tamaños muestrales pequeños, se realiza el test exacto.
(%i1) load("stats")$
(%i2) x:[12,15,17,38,42,10,23,35,28]$
(%i3) y:[21,18,25,14,52,65,40,43]$
(%i4) test_rank_sum(x,y);
| RANK SUM TEST
|
| method = Exact test
|
| hypotheses = H0: med1 = med2 , H1: med1 # med2
(%o4) |
| statistic = 22
|
| distribution = [rank_sum, 9, 8]
|
| p_value = .1995886466474702
Ahora, con muestras mayores y empates, el procedimiento realiza la aproximación normal. La hipótesis alternativa es \(H_1: median1 < median2\).
(%i1) load("stats")$
(%i2) x: [39,42,35,13,10,23,15,20,17,27]$
(%i3) y: [20,52,66,19,41,32,44,25,14,39,43,35,19,56,27,15]$
(%i4) test_rank_sum(x,y,'alternative='less);
| RANK SUM TEST
|
| method = Asymptotic test. Ties
|
| hypotheses = H0: med1 = med2 , H1: med1 < med2
(%o4) |
| statistic = 48.5
|
| distribution = [normal, 79.5, 18.95419580097078]
|
| p_value = .05096985666598441
Test de Shapiro-Wilk para el contraste de normalidad. El argumento
x es una lista de números, con tamaño muestral mayor que 2
y menor o igual que 5000; bajo cualesquiera otras condiciones, la
función test_normality emite un mensaje de error.
Referencia:
[1] Algorithm AS R94, Applied Statistics (1995), vol.44, no.4, 547-551
El resultado devuelto por la función test_normality es
un objeto inference_result con los siguientes apartados:
'statistic: valor del estadístico W.
'p_value: \(p\)-valor bajo la hipótesis de normalidad.
Ejemplos:
Contrasta la normalidad de una población a partir de una muestra de tamaño 9.
(%i1) load("stats")$
(%i2) x:[12,15,17,38,42,10,23,35,28]$
(%i3) test_normality(x);
| SHAPIRO - WILK TEST
|
(%o3) | statistic = .9251055695162436
|
| p_value = .4361763918860381
Regresión lineal múltiple, \(y_i = b0 + b1*x_1i + b2*x_2i + ... + bk*x_ki + u_i\), donde \(u_i\) son variables aleatorias independientes \(N(0,sigma)\). El argumento x debe ser una matriz con más de una columna. La última columna se considera que son las respuestas (\(y_i\)).
Opción:
'conflevel, valor por defecto 95/100, nivel de
confianza para los intervalos de confianza; debe ser una expresión
que tome un valor en el intervalo (0,1).
El resultado devuelto por la función linear_regression es
un objeto inference_result de Maxima con los siguientes campos:
'b_estimation: estimadores de los coeficientes de regresión.
'b_covariances: matriz de covarianzas de los estimadores
de los coeficientes de regresión.
b_conf_int: intervalos de confianza para los coeficientes de regresión.
b_statistics: estadísticos para los contrastes
de los coeficientes.
b_p_values: p-valores para los contrastes de los coeficientes.
b_distribution: distribución de probabilidad para
los contrastes de los coeficientes.
v_estimation: estimador insesgado de la varianza.
v_conf_int: intervalo de confianza de la varianza.
v_distribution: distribución de probabilidad para
el contraste de la varianza.
residuals: residuos.
adc: coeficiente de determinación ajustado.
aic: Criterio de información de Akaike.
bic: Criterio de información de Bayes.
Solamente los apartados 1, 4, 5, 6, 7, 8, 9 y 11, en este orden,
se muestran por defecto. El resto permanecen ocultos hasta que
el usuario haga uso de las funciones items_inference
y take_inference.
Ejemplo:
Ajustando un modelo lineal a una muestra tridimensional. La última columna se considera que son las respuestas (\(y_i\)).
(%i2) load("stats")$
(%i3) X:matrix(
[58,111,64],[84,131,78],[78,158,83],
[81,147,88],[82,121,89],[102,165,99],
[85,174,101],[102,169,102])$
(%i4) fpprintprec: 4$
(%i5) res: linear_regression(X);
| LINEAR REGRESSION MODEL
|
| b_estimation = [9.054, .5203, .2397]
|
| b_statistics = [.6051, 2.246, 1.74]
|
| b_p_values = [.5715, .07466, .1423]
|
(%o5) | b_distribution = [student_t, 5]
|
| v_estimation = 35.27
|
| v_conf_int = [13.74, 212.2]
|
| v_distribution = [chi2, 5]
|
| adc = .7922
(%i6) items_inference(res);
(%o6) [b_estimation, b_covariances, b_conf_int, b_statistics,
b_p_values, b_distribution, v_estimation, v_conf_int,
v_distribution, residuals, adc, aic, bic]
(%i7) take_inference('b_covariances, res);
[ 223.9 - 1.12 - .8532 ]
[ ]
(%o7) [ - 1.12 .05367 - .02305 ]
[ ]
[ - .8532 - .02305 .01898 ]
(%i8) take_inference('bic, res);
(%o8) 30.98
(%i9) load("draw")$
(%i10) draw2d(
points_joined = true,
grid = true,
points(take_inference('residuals, res)) )$