Planteamiento el problema

El artículo de In-use Emissions from Heavy Duty Dissel Vehicles (J.Yanowitz, 2001) presenta las mediciones de eficiencia de combustible en millas/galón de una muestra de siete camiones. Los datos obtenidos son los siguientes: 7.69, 4.97, 4.56, 6.49, 4.34, 6.24 y 4.45. Se supone que es una muestra aleatoria de camiones y que se desea construir un intervalo de confianza del 95% para la media de la eficiencia de combustible de esta población. No se tiene información de la distribución de los datos.

El método bootstrap permite construir intervalos de confianza del 95%. Para ilustrar el método suponga que coloca los valores de la muestra en una caja y extrae uno al azar. Este correspondería al primer valor de la muestra bootstrap \(X_1^*\). Después de anotado el valor se regresa \(X_1^*\) a la caja y se extrae el valor \(X_2^*\), regresándolo nuevamente. Este procedimiento se repite hasta completar una muestra de tamaño \(n\), \(X_1^*\), \(X_2^*\), \(X_3^*\), …, \(X_n^*\), conformando la muestra bootstrap.

Es necesario extraer un gran número de muestras (suponga k = 1000). Para cada una de las muestras bootstrap obtenidas se calcula la media \(\overline X_1^*\), obteniéndose un valor para cada muestra. El intervalo de confianza queda conformado por los percentiles \(P_{2.5}\) y \(P_{97.5}\).

Existen dos métodos para estimarlo:

\(Método \space 1\) \((P_{2.5}; \space P_{97.5})\)
\(Método \space 2\) \((2 \overline X - P_{97.5}; \space 2 \overline X - P_{2.5})\)

Construya el intervalo de confianza por los dos métodos y compare los resultados obtenidos. Comente los resultados. ¿Confiaría en estas estimaciones?

Solución

Dado que se requiere construir un intervalo para la media poblacional \(\mu\), se crea una función que extrae una muestra aleatoria con reemplazo de tamaño \(n = 7\) con \(k = 1000\) iteraciones, calculando a su vez la media media muestral para cada muestra de estimación boostrap.

m = c( 7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45) 
k = 1000

x = function(poblacion, repeticiones){
  resultados = data.frame(matrix(nrow = repeticiones, ncol = length(m)+1))
  
  for (i in 1:repeticiones) {
    muestra = sample(m, length(m), replace = T)  
    media = mean(muestra)
    resultados[i,] = cbind(muestra,media)
  } 
  
  return(resultados)
}

A continuació se muestra la estructura del conjunto de datos resultante con los 6 primeros registros de la tabla:

Muestra m1 m2 m3 m4 m5 m6 m7 Media_Muestral
1 4.45 4.45 4.56 6.24 4.56 4.97 4.97 4.885714
2 6.24 4.56 4.34 6.49 6.24 6.24 7.69 5.971429
3 4.97 4.56 4.34 4.56 4.56 7.69 6.49 5.310000
4 7.69 7.69 4.34 4.56 4.97 4.45 4.97 5.524286
5 7.69 6.24 4.56 6.49 6.24 7.69 4.56 6.210000
6 4.45 4.34 6.49 4.45 4.97 4.34 4.45 4.784286

Teniendo el resultado anterior, se calcula un intervalo de confianza del 95% usando el método 1, es decir, tomando el percentil 2.5 que corresponde al promedio entre los valores 25 y 26 de la muestra ordenada, y de igual forma para el percentil 97.5 será el promedio de los valores 975 y 976.

inf = 0.025
sup = 0.975
media = resultados$Media_Muestral

metodo_1 = quantile(media, probs = c(inf, sup))
metodo_1
##     2.5%    97.5% 
## 4.748393 6.508643

Con el método anterior, los límites del primer intervalo son:

\[ \overline X_{2.5}^* = 4.748; \space \overline X_{97.5}^* = 6.508\]

Ahora se calcula el intervalo usando el método 2, que utiliza la media \(\overline X\) de la muestra original y los percentiles.

metodo_2 =c(2*mean(media)-metodo_1[2], 2*mean(media)-metodo_1[1])
metodo_2
##    97.5%     2.5% 
## 4.549526 6.309776

El segundo intervalo de confianza de 95%, queda definido de esta forma:

\[ \overline X_{2.5}^* = 4.549; \space \overline X_{97.5}^* = 6.309\]

En el siguiente histograma se utilizan las medias muestrales y los dos intervalos calculados anteriormente para detallar la forma en la que quedaría constituido el intervalo de confianza:

## 
## Attaching package: 'scales'
## The following objects are masked from 'package:formattable':
## 
##     comma, percent, scientific
*Fig. 1: Intervalos de confianza*

Fig. 1: Intervalos de confianza

Como se evidencia en los resultados, para este caso los dos métodos son bastante consistentes ya que no hay mayor variación en los valores sugeridos para el límite inferior y superior del intervalo. De esta forma es posible concluir que, la eficiencia promedio del combustible para los camiones estará en un rango entre 4.7 y 6.5, tomando como referencia el método 1.