CAPÍTULO 5. ESCRITURA DE FUNCIONES
120
dgammaX
<-
function
(
x
)
dgamma
(x,
shape
=p[
1
],
scale
=p[
2
])
Y, ahora sí, ya se puede proceder a hacer la gráfica combinada, de la manera
siguiente:
# PRIMERO el histograma:
hist
(pp
$
Precip,
breaks
=
15
,
freq
=
FALSE
)
# Aqui, 'hist' no necesita el argumento 'xlim', ya
# que, como se verá en la gráfica la f. de densidad
# Gamma, se apega de mejor manera a los datos, o sea,
# al histograma.
# LUEGO, la función de densidad:
curve
(dgammaX,
add
=
TRUE
)
El resultado del código anterior, es parecido al que se muestra en la Fig. 5.12
en la página siguiente; sólo que en ésta, con un poco de azúcar visual, como los
colores, sombreados y títulos, que son materia de un próximo capítulo.
El método que se ha mostrado aquí para ajustar un conjunto de datos a
una curva de densidad de probabilidades no es el único. De hecho, hay dispo-
nible una biblioteca, denominada “MASS” (derivada del nombre del libro en
inglés que le da origen:
Modern Applied Statistics with S,
Venables and Ripley
[2002]) , que, entre otras operaciones, permite ajustar un conjunto de datos a
una función de distribución cualquiera usando el método de máxima verosi-
militud
12
. Con motivos de comparación se hará también aquí el ajuste usando
dicho paquete. Si el paquete no se encuentra disponible ya en el intérprete,
deberá instalarse por medio del siguiente código:
install.packages
(
"MASS"
)
La función que hace el ajuste de la curva de acuerdo con los datos es
fitdistr()
, y básicamente los argumentos que requiere son, el conjunto de
datos, la función de densidad de probabilidades a la que se quiere ajustar, y
una lista con los valores iniciales de los parámetros de la función de densidad.
Al hacer el ajuste, la función
fitdistr()
entrega como resultado un objeto que,
entre otra información, contiene los valores obtenidos para los parámetros de
la función de densidad provista. En seguida se muestra la manera de hacer la
operación para el caso del ejemplo.
12
El método de máxima verosimilitud es un método que usa técnicas de optimización para apro-
ximar una función dada, a un conjunto de datos. El método se aborda brevemente, en otro contex-
to, en el capítulo 7 del presente libro, pero los detalles finos del mismo escapan los alcances del
presente texto, y pueden ser consultados en el libro de referencia Venables and Ripley [2002] y en
Walpole et al. [2012] pp. 307-312.
