#Prueba de hip�tesis para una poblaci�n#

########################################

#H0: Media = 25
#H1: Media < 25

#Cargar bases de datos

Base1<-read.table("Tallas.txt", header=TRUE, dec=".")

Base1<-read.table("clipboard", header=TRUE, dec=".")

mean(Base1$Talla)
sd(Base1$Talla)

fix(Base1)
boxplot(Base1$Talla)

#Supuesto - Normalidad
#Shapiro-Wilk (n<30)
#Anderson-Darling (n>=30)

#H0: Los datos tienen una distribuci�n Normal

#H1: Los datos no tienen una distribuci�n Normal
shapiro.test(Base1$Talla)

install.packages("nortest")
library(nortest)
ad.test(Base1$Talla)

#Asumiendo normalidad
t.test(Base1$Talla, mu=25, alternative="less")

#Bajo el incumplimiento de Normalidad

#Prueba de Wilcoxon
wilcox.test(Base1$Talla, mu=25, alternative="less", correct = FALSE)

#Aproximaci�n a la distribuci�n normal para encontrar el valor-p

wilcox.test(Base1$Talla, mu=25, alternative="less", correct=TRUE)

#Prueba de hip�tesis para dos poblaciones relacionadas#

#######################################################

Base2<-read.table("clipboard", header=TRUE, dec=".")

tapply(Base2$Densidad, Base2$Tiempo, mean)

tapply(Base2$Densidad, Base2$Tiempo, sd)

boxplot(Base2$Densidad~Base2$Tiempo)
boxplot(Base2$Densidad~Base2$Tiempo, names=c("Inicio", "Final"))

#diferencia = Inicio - Final

#H0: Media_Dif = 0
#H1: Media_Dif > 0

#Supuesto de Normalidad

TInicial<-subset(Base2, Tiempo=="1Inicio")
TFinal<-subset(Base2, Tiempo=="2Fin")
shapiro.test(TInicial$Densidad-TFinal$Densidad)

#Asumiendo normalidad
t.test(Base2$Densidad~Base2$Tiempo, mu=0,
alternative="greater", paired=TRUE)

#Bajo el incumplimiento de Normalidad

wilcox.test(Base2$Densidad~Base2$Tiempo, mu=0,
alternative="greater", paired=TRUE)

#Prueba de hip�tesis para dos poblaciones independientes#

#########################################################

Base3<-read.table("clipboard", header=TRUE, dec=".")

tapply(Base3$Tiempo, Base3$Lugar, mean)

tapply(Base3$Tiempo, Base3$Lugar, sd)
tapply(Base3$Tiempo, Base3$Lugar, summary)

boxplot(Base3$Tiempo~Base3$Lugar, names=c("Inv","Ext"))

#H0: Media_Ext - Media_Inv = 0

#H1: Media_Ext - Media_Inv =/= 0

#Supuesto de Normalidad
tapply(Base3$Tiempo, Base3$Lugar, shapiro.test)

#Probar Homogeneidad entre las varianzas

#H0: Las varianzas no difieren
#H1: Las varianzas son diferentes

#Asumiendo Normalidad
#Prueba F
var.test(Base3$Tiempo~Base3$Lugar, ratio=1)

#Bajo el incumplimiento de Normalidad

#Prueba Levene
install.packages("car")
library(car)
leveneTest(Base3$Tiempo~Base3$Lugar)

#Asumiendo normalidad y homogeneidad de varianzas

t.test(Base3$Tiempo~Base3$Lugar, mu=0,
alternative="two.sided", paired=FALSE,
var.equal=TRUE)

#Asumiendo normalidad y heterogeneidad de varianzas

t.test(Base3$Tiempo~Base3$Lugar, mu=0,
alternative="two.sided", paired=FALSE,
var.equal=FALSE)

#Prueba no param�trica U de Mann-Whitney

wilcox.test(Base3$Tiempo~Base3$Lugar, paired=FALSE,
alternative="two.sided", mu=0, conf.level=0.95)
#Prueba de aleatorizaci�n cuando no hay normalidad
#ni homogeneidad de varianzas

t<-0
for(i in 1:1000){
t[i]<-as.numeric(t.test(sample(Base3$Tiempo)~Base3$Lugar, paired=FALSE,
alternative="two.sided", mu=0, conf.level=0.95)$statistic)
}
t
hist(t)

t.test(Base3$Tiempo~Base3$Lugar, mu=0,
alternative="two.sided", paired=FALSE,
var.equal=FALSE)

quantile(t, c(0.025, 0.975))

sum(t>abs(-1.7728))/1000*2 #Valor-p

library(coin)
independence_test(Base3$Tiempo~Base3$Lugar, alternative="two.sided",
distribution = approximate(B = 10000))