Problema 4: Estimacción boostrap

Para este Ejercicio se desarrolla la siguiente función

p4<- function(n1,k) {

boos<-c(7.69, 4.97, 4.56, 6.49, 4.34, 6.24 , 4.45)
sample(boos, n1, replace = TRUE, prob = NULL) 

muestra1<-data.frame()


#n1<-30
#k<-100
for (i in 1:k) {#####el 10 l0 variamoes
  
  muestra1[i,1:n1]=sample(boos, n1, replace = TRUE, prob = NULL) 
  
  
}


muestra_media<-apply(muestra1,MARGIN=1,FUN =mean)
percentiles<-quantile(muestra_media,probs = c(0.025,0.975))

m1<-percentiles
m2<-c(2*mean(muestra_media)-percentiles[2],2*mean(muestra_media)-percentiles[1])
salida<-data.frame(m1,m2)
colnames(salida)<-c("METODO_1","METODO_2")
histograma<-hist(muestra_media,las=1,main="histograma boostrap")
abline(v=m1,col="blue",lwd=3)
abline(v=m2,col="red",lwd=3)

salidas_total<-list(
                    HIS=histograma,
                    INTERVALOS=salida  
                      
                      )

print(salidas_total)
#print(histograma)


}
p4(50,1000)

## $HIS
## $breaks
##  [1] 4.9 5.0 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0 6.1
## 
## $counts
##  [1]   1   4  14  59 121 199 235 198 101  44  19   5
## 
## $density
##  [1] 0.01 0.04 0.14 0.59 1.21 1.99 2.35 1.98 1.01 0.44 0.19 0.05
## 
## $mids
##  [1] 4.95 5.05 5.15 5.25 5.35 5.45 5.55 5.65 5.75 5.85 5.95 6.05
## 
## $xname
## [1] "muestra_media"
## 
## $equidist
## [1] TRUE
## 
## attr(,"class")
## [1] "histogram"
## 
## $INTERVALOS
##       METODO_1 METODO_2
## 2.5%  5.221385 5.184383
## 97.5% 5.899215 5.862213