Planteamiento el problema

El Teorema del Límite Central es uno de los más importantes en la inferencia estadística y habla sobre la convergencia de los estimadores como la proporción muestral a la distribución normal. Algunos autores afirman que esta aproximación es bastante buena a partir del umbral \(n>30\).

A continuación se platean algunos pasos para su verificación.

Solución

Paso 1

Se realiza una simulación utilizando la funcion rbinom para generar una población de plantas de tamaño N = 1000, donde el porcentaje de plantas enfermas es de 50%.

N = 1000
prop_enfermos = 0.5
poblacion = rbinom(N, size = 1, prob = prop_enfermos)
table(poblacion)
## poblacion
##   0   1 
## 482 518

Fig 1: Proporción de plantas enfermas vs no enfermas

Paso 2

Se crea una función para obtener una muestra aleatoria de la población, y a su vez, calcular el estimador de la proporción \(\hat{p}\) para un tamaño de muestra dado, en este caso se tiene \(n=25\). El resultado de la función es un objeto tipo lista que contiene las muestras y la proporción estimada.

muestra = function(poblacion, n){
  if(n <= length(poblacion)) {
  muestra = sample(poblacion, size = n)
  p_hat = round(sum(muestra == 1) / n, 2)
  return(list(muestra = muestra, p_hat = p_hat))
  }
  else {
    return(" n > N")
  }
}

muestra_test1 = muestra(poblacion = poblacion, n = 25)
table(muestra_test1$muestra)
## 
##  0  1 
## 10 15
print(paste("Estimador de la proporcion muestral de plantas enfermas es: ", muestra_test1$p_hat))
## [1] "Estimador de la proporcion muestral de plantas enfermas es:  0.6"

Paso 3

Se crea una función que toma como parámetros de entrada el grupo poblacional, el tamaño de la muestra a extraer y la cantidad de repeticiones que tendrá este proceso. Para el ejercicio se extrae una muestra \(n = \small 25\), iterando \(\small 500\) veces y se realiza el cálculo del estimador proporcional \(\hat{p}\) para cada muestra en cada una de las iteraciones. El resultado de la función es un dataframe que contiene las proporciones estimadas.

n_simulaciones = 500
n_muestra = 25

rep_function_n = function(poblacion, n_muestra, replicas) {
  proporciones = numeric(replicas)
    
    for (j in 1:replicas){
      muestra = sample(poblacion, n_muestra, replace = TRUE)
      proporcion = mean(muestra)
      proporciones[j] = proporcion
    }
  resultados = data.frame(Proporcion = proporciones)
  return(resultados)
}

resultado_n25 = rep_function_n(poblacion = poblacion, n_muestra = n_muestra, replicas = n_simulaciones)

Para evaluar el comportamiento de la distribución que tienen los valores de \(\hat{p}\) obtenidos con la función anterior, se crea el siguiente histograma:

Fig 2: Distrubución de \(\hat{p}\) para p = 0.5

Complementando el análisis, se calculan algunos estadísticos como la media, desviación estándar, y utilizando la librería moments se obtienen la asimetría y curtosis. Además se incluye el p-valor de la prueba de normalidad Shapiro Wilks.

\(Media\) \(Desviación \space Estándar\) \(Asimetría\) \(Curtosis\) \(P-Value \space(Shapiro W)\)
0.519 0.104 -0.217 2.858 0.0000056

Para un tamaño de muestra igual a \(\small 25\) y \(\small 500\) simulaciones, se evidencia que la distribución de la proporción estimada de plantas enfermas tiene un comportamiento asimétrico. Adicionalmente, la variabilidad de los datos evaluada con la desviación estándar, indica que los resultados no son homogéneos, así mismo, la asimetría sugiere que hay un sesgo negativo y que esta se puede categorizar como platicurtica, es decir, que tiende a producir menos valores atípicos que una distribución normal.

Paso 4

A continuación se repiten los pasos anteriores para tamaños de muestra \(n= \small{5,10,15,20,30,50,60,100,200}\) y \(\small 500\), para lo que se crea una función que tome cada valor de \(n\), extraiga las 500 muestras y calcule el estimador guardando los resultados en un objeto tipo lista que luego se transforma en un dataframe para las respectivas comparaciones.

n_simulaciones = 500
n_values = c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)

rep_function <- function(poblacion, n_muestra, replicas) {
  resultados <- list()
  
  for (i in n_muestra) {
    proporciones <- numeric(replicas)
    
    for (j in 1:replicas) {
      muestra <- sample(poblacion, i, replace = TRUE)
      proporcion <- mean(muestra)
      proporciones[j] <- proporcion
    }
    resultados[[as.character(i)]] <- proporciones
  }
  
  resultados <- as.data.frame(resultados)
  colnames(resultados) <- n_muestra
  return(resultados)
}

resultados_p50 = rep_function(poblacion = poblacion, n_muestra = n_values, replicas = n_simulaciones)

Se muestran los histogramas correspondientes a cada tamaño de muestra:

*Fig 3: Comparación de distrubuciones del estimador*

Fig 3: Comparación de distrubuciones del estimador

El comportamiento de la distribución del estimador \(\hat{p}\) muestra que esta es platicurtica cuando \(n <= 50\), mientras que para \(n > 60\) se logra ver más formada la Campana de Gauss, sin embargo, se realizan pruebas de bondad de ajuste que corroboren estas apreciaciones.

El gráfico QQ-Plot (Quantile-Quantile Plot) permite evaluar si un conjunto de datos sigue una distribución específica, en este caso la distribución normal, por lo que se crea uno para cada tamaño de muestra

*Fig 4: Comparación gráficos de normalidad de $\hat{p}$ para p = 0.5*

Fig 4: Comparación gráficos de normalidad de \(\hat{p}\) para p = 0.5

De igual forma se muestran algunos estadísticos junto con el resultado de la prueba de normalidad Shapiro Wilks, que permite contrastar las hipótesis:

\[ H_0 = La \space muestra \space x_1,...,x_n \space proviene \space de \space una \space distribución \space normal.\\ vs \\ H_1 = La \space muestra \space no \space proviene \space de \space una \space distribución \space normal.\]

De esta forma, si el \(p-valor\) de la prueba es menor a un nivel de significacnia \(\alpha = 0.05\), entonces se rechaza la hipótesis nula lo que indica que los datos no provienen distribución normal.

n Media DesviacionEstandar Asimetria Curtosis p_value_shapiro
5 0.527 0.221 -0.046 2.613 0.0000
10 0.513 0.158 0.107 2.859 0.0000
15 0.519 0.130 -0.038 2.697 0.0000
20 0.513 0.116 -0.017 2.912 0.0000
30 0.532 0.089 -0.073 3.002 0.0002
50 0.513 0.070 0.018 2.773 0.0027
60 0.518 0.064 0.167 2.872 0.0044
100 0.519 0.047 0.080 3.339 0.0005
200 0.518 0.034 -0.110 3.060 0.0484
500 0.515 0.023 0.034 2.836 0.4604

De los resultados podemos concluir qué:

  • Los promedios para cada tamaño de muestra son cercanos al valor real de la proporción de plantas enfermas \(p = 0.5\).
  • A medida que aumenta el valor de \(n\), dismuniye la variabilidad de los datos medida por la desviación estándar.
  • Cuando \(n = 500\) los puntos caen exactamente sobre la línea diagonal en el gráfico de normalidad, indicando normalidad en la muestra.
  • Con \(\alpha = 0.05\) la prueba de normalidad sugiere que cuando \(n = 500\) no se rechaza la hipótesis nula, es decir, que los datos siguen una distribución normal.
  • Para \(n = 200\) el p-valor es cercano al umbral de rechazo, sin embargo, con el \(\alpha\) establecido si se rechaza \(H_0\).
  • Para los demás tamaños de \(n\) no es posible afirmar que los datos siguen una distribución normal.

Proporción de plantas enfermas = 10%

Se repite el análisis anterior para una población \(N = 1000\), donde la proporción de plantas enfermas es \(p = 0.1\).

prop_enfermos = 0.1
poblacion_2 = rbinom(N, size = 1, prob = prop_enfermos)
table(poblacion_2)
## poblacion_2
##   0   1 
## 883 117

Fig 5: Proporción de plantas enfermas vs no enfermas

Se utiliza la función creada en el paso 2 para extraer una muestra de tamaño \(n = 25\).

muestra_test2 = muestra(poblacion = poblacion_2, n = 25)
table(muestra_test2$muestra)
## 
##  0  1 
## 24  1
print(paste("Estimador de la proporcion muestral de plantas enfermas es: ", muestra_test2$p_hat))
## [1] "Estimador de la proporcion muestral de plantas enfermas es:  0.04"

Posteriormente se utiliza la función del paso 3 que permite extraer la muestra y definir la cantidad de iteraciones para este proceso.

n_simulaciones = 500
n_muestra = 25

resultados_n25 = rep_function_n(poblacion = poblacion_2, n_muestra = n_muestra, replicas = n_simulaciones)

Fig 6: Distrubución de \(\hat{p}\) para p = 0.1

\(Media\) \(Desviación \space Estándar\) \(Asimetría\) \(Curtosis\) \(P-Value \space(Shapiro W)\)
0.116 0.065 0.262 2.698 0.0000056

La distribución de la proporción estimada de plantas enfermas cuando \(n=25\), muestra un sesgo positivo o a la derecha. Adicionalmente, la desviación estándar de los datos, aunque no es alta, indica que estos no son homogéneos. El resultado de la asimetría corrobora el sesgo positivo, y el resultado de la curtosis sugiere que la distribución es platicurtica, es decir, que tiende a producir menos valores atípicos que una distribución normal.

A continuación se repite el análisis para tamaños de muestra \(n=\small{5,10,15,20,30,50,60,100,200}\) y \(\small 500\).

*Fig 7: Comparación de distrubuciones del estimador*

Fig 7: Comparación de distrubuciones del estimador

Los siguientes histogramas permiten ver el comportamiento de la distribución para el estimador \(\hat{p}\) variando el tamaño de muestra.

*Fig 8: Comparación gráficos de normalidad de $\hat{p}$ para p = 0.1*

Fig 8: Comparación gráficos de normalidad de \(\hat{p}\) para p = 0.1

También se muestran algunos estadísticos junto con el resultado de la prueba de normalidad, donde se prueba si la distribución de cada grupo de muestra pertenece o no a una distribución normal.

n Media DesviacionEstandar Asimetria Curtosis p_value_shapiro
5 0.110 0.138 0.973 3.121 0.0000
10 0.125 0.106 0.763 3.463 0.0000
15 0.122 0.079 0.588 3.250 0.0000
20 0.119 0.076 0.788 3.983 0.0000
30 0.120 0.059 0.540 3.295 0.0000
50 0.121 0.045 0.297 3.196 0.0000
60 0.120 0.039 0.205 2.910 0.0000
100 0.114 0.032 0.217 2.987 0.0001
200 0.118 0.023 0.166 2.995 0.0246
500 0.117 0.015 0.126 2.753 0.1374

Se pueden extraer las siguentes conclusiones:

  • De los histogramas se resalta que el sesgo positivo se mantiene pronunciadamente hasta que el tamaño de muestra es igual a 500, sin embargo, los resultados de la asimetría indican que aún con 500 muestras existe un ligero sesgo a la derecha.

  • Cuando \(n=500\) se logra ver una línea recta entre los quantiles y la diagonal del gráfico qqnorm, indicando normalidad en los datos.

  • Los promedios son cercanos al valor real del parámetro \(p = 0.1\), mientras que la desviación estándar va disminuyendo a medida que aumenta el tamaño de muestra.

  • Con el resultado de la prueba de Shapiro, no se echaza la hipótesis nula para n = 500, indicando que en este caso se puede afirmar que los datos de la muestra provienen de una distribución normal.


Proporción de plantas enfermas = 90%

De manera simlar, se realiza el mismo ejercicio para un tamaño de muestra \(N = 1000\), donde ahora la proporción de plantas enfermas es \(p = 0.9\).

prop_enfermos = 0.9
poblacion_3 = rbinom(N, size = 1, prob = prop_enfermos)
table(poblacion_3)
## poblacion_3
##   0   1 
## 111 889

Fig 9: Proporción de plantas enfermas vs no enfermas

Se utiliza la función creada en el paso 2 para extraer una muestra de tamaño \(n = 25\).

muestra_test3 = muestra(poblacion = poblacion_3, n = 25)
table(muestra_test3$muestra)
## 
##  0  1 
##  2 23
print(paste("Estimador de la proporcion muestral de plantas enfermas es: ", muestra_test3$p_hat))
## [1] "Estimador de la proporcion muestral de plantas enfermas es:  0.92"

Haciendo uso de la función creada en el paso 3 se extrae la muestra y iterando 500 veces, para luego analizar los resultados del estimador proporcional \(\hat{p}\).

n_simulaciones = 500
n_muestra = 25

resultados_n25 = rep_function_n(poblacion = poblacion_3, n_muestra = n_muestra, replicas = n_simulaciones)

Fig 10: Distrubución de \(\hat{p}\) para p = 0.9

\(Media\) \(Desviación \space Estándar\) \(Asimetría\) \(Curtosis\) \(P-Value \space(Shapiro W)\)
0.891 0.063 -0.669 3.648 0.0000056

Se evidencia que la distribución de la proporción estimada de plantas enfermas tiene un comportamiento asimétrico negativo o a la izquierda para \(n=25\). La variabilidad de los datos, aunque no es alta, indica que estos no son homogéneos, así mismo, la curtosis sugiere que la distribución es leptocurtica, es decir, que tiende a producir más valores atípicos que una distribución normal.

A continuación se repite el análisis para tamaños de muestra \(n=\small{5,10,15,20,30,50,60,100,200}\) y \(\small 500\).

*Fig 11: Comparación de distrubuciones del estimador*

Fig 11: Comparación de distrubuciones del estimador

Los siguientes gráficos permiten ver el comportamiento de la distribución para el estimador \(\hat{p}\) variando el tamaño de muestra.

*Fig 12: Comparación gráficos de normalidad de $\hat{p}$ para p = 0.9*

Fig 12: Comparación gráficos de normalidad de \(\hat{p}\) para p = 0.9

Adicionalmente, se muestra la tabla de estadísticos y el resultado de la prueba de normalidad.

n Media DesviacionEstandar Asimetria Curtosis p_value_shapiro
5 0.903 0.137 -1.224 3.742 0.0000
10 0.885 0.100 -0.639 2.783 0.0000
15 0.890 0.081 -0.761 3.436 0.0000
20 0.888 0.073 -0.482 3.001 0.0000
30 0.888 0.057 -0.345 2.779 0.0000
50 0.888 0.045 -0.522 3.546 0.0000
60 0.887 0.039 -0.252 3.292 0.0000
100 0.889 0.031 -0.293 2.996 0.0000
200 0.889 0.021 0.025 2.708 0.0070
500 0.889 0.013 0.118 2.684 0.0142

De los graficos comprativos para la distribucón de \(\hat{p}\) se observa que con \(n >= 100\) la densidad muestra una curva cercana a la de la distribución normal. Así mismo, los graficos comprativos de normalidad reflejan el mismo comportamiento ya que los puntos tienden a concentrarse en la línea cuando el tamaño de muestra es mayor a 100. Los valores p de la prueba de normalidad con \(\alpha = 0.05\), rechazan la hipótesis nula, es decir, que la prueba no logra identificar los datos de las muestras como provenietes de una distribución normal. Sin embargo, si se considera \(\alpha = 0.01\) se puede decir que con \(n = 500\) si hay normalidad en los datos.