La siguiente figura sugiere como estimar el valor de π con una simulación. En la figura, un circuito con un área igual a π/4, está inscrito en un cuadrado cuya área es igual a 1. Se elige de forma aleatoria n puntos dentro del cuadrado. La probabilidad de que un punto esté dentro del círculo es igual a la fracción del área del cuadrado que abarca a este, la cual es π/4. Por tanto, se puede estimar el valor de π/4 al contar el número de puntos dentro del círculo, para obtener la estimación de π/4. De este último resultado se encontrar una aproximación para el valor de π
x = runif(1000,0,1)
y = runif(1000,0,1)
Cada punto (Xi,Yi) se encuentra dentro del círculo si su distancia desde el centro (0.5,0.5) es menor a 0.5. Para cada par (Xi,Yi) determine si la distancia desde el centro es menor a 0.5. Esto último se puede realizar al calcular el valor (Xi−0.5)2+(Yi−0.5)2, que es el cuadrado de la distancia, y al determinar si es menor que 0.25.
#Se crea variable para almacenar la distancia
distancia <- numeric()
#Se crea ciclo para calculo de la distancia
for (i in 1:length(x)){
distancia[i] = (x[i]-0.5)^2 + (y[i]-0.5)^2}
#Se crea variable puntos para almacenar puntos dentro y fuera del circulo
puntos = ifelse(distancia < 0.25, 1, 0)
d.¿Cuántos de los puntos están dentro del círculo? ¿Cuál es su estimación de π?
t <- seq(0, 2*pi, length.out = 100)
plot(0, 0, asp = 1, type = "n",
xlim = c(0, 1), ylim = c(0, 1),
ann = F)
abline(v = seq(0, 1, 0.1), lty = 2, col = "blue")
abline(h = seq(0, 1, 0.1), lty = 2, col = "blue")
radio <- 1/2
a <- 0.5
b <- 0.5
xx <- a + cos(t)*radio
yy <- b + sin(t)*radio
points(xx, yy, type = "l", col = "blue")
points(x,y,pch = 20)
#Se calcula el numero de puntos dentro del circulo, para esto se suman solo valores iguales a 1.
sum(puntos)
## [1] 777
#Se realiza estimacion de pi
4 * sum(puntos)/length(x)
## [1] 3.108
#calculo de error en la estimacion
4 * sum(puntos)/length(x) - pi
## [1] -0.03359265
La simulación ayuda a entender y validad las propiedades de los estimadores estadísticos como son. insesgadez, eficiencia y la consistencia principalmente. El siguiente problema permite evidenciar las principales características de un grupo de estimadores propuestos para la estimación de un parámetro asociado a un modelo de probabilidad.
Sean X1, X2, X3 y X4, una muestra aleatoria de tamaño n=4 cuya población la conforma una distribución exponencial con parámetro θ desconocido. Determine las características de cada uno de los siguientes estimadores propuestos:
θ1ˆ=(X1+X2)/6+(X3+X4)/3
θ2ˆ=(X1+2X2+3X3+4X4)/5
θ3ˆ=X1+X2+X3+X4/4$
θ4ˆ=min{X1,X2,X3,X4}+max{X1,X2,X3,X4}/2
# semilla
set.seed(123)
# Definimos las muestra - cantidad de simulaciones
n_muestras <- function(data,n_muestra){
# valor del parámetro θ
theta <- 2
n <- n_muestra
# Almacenamos los resultados
resultados <- list()
# Creamos los estimadores
estimadores <- list(
Estimador_1 = function(x) (x[1] + x[2])/6 + (x[3] + x[4])/3,
Estimador_2 = function(x) (x[1] + 2*x[2] + 3*x[3] + 4*x[4])/5,
Estimador_3 = function(x) sum(x)/4,
Estimador_4 = function(x) (min(x) + max(x))/2
)
simulaciones <- matrix(rexp(4 * n_muestra , rate = 1/theta), nrow = n_muestra)
estimaciones <- matrix(apply(simulaciones, 1, function(x) sapply(estimadores, function(est) est(x))), nrow = n_muestra)
sesgos <- colMeans(estimaciones) - theta
eficiencias <- 1 / colMeans((estimaciones - theta)^2)
consistencias <- colMeans((estimaciones - theta)^2)
medias <- colMeans(estimaciones)
varianzas <- apply(estimaciones, 2, var)
resultados[[as.character(n)]] <- data.frame(Estimador = names(estimadores), N = n, Sesgo = sesgos, Eficiencia = eficiencias,
Consistencia = consistencias, Media = medias,
Varianza = varianzas)
# Unimos los resultados en un DataFrame
resultados_df <- do.call(rbind, resultados)
rownames(resultados_df) <- NULL
# Resultados por cada parametro y propiedad
print(resultados_df)
}
#Se Calculan Sesgo, Eficiencia, Consistencia, Media, Varianza para una muestra de n=20
n_muestras(data,20)
## Estimador N Sesgo Eficiencia Consistencia Media Varianza
## 1 Estimador_1 20 0.9246244 0.1492099 6.701969 2.924624 6.154778
## 2 Estimador_2 20 0.4768753 0.6287393 1.590484 2.476875 1.434815
## 3 Estimador_3 20 0.6520761 0.5278945 1.894318 2.652076 1.546437
## 4 Estimador_4 20 0.5410240 0.6945610 1.439758 2.541024 1.207422
#Se Calculan Sesgo, Eficiencia, Consistencia, Media, Varianza para una muestra de n=50
n_muestras(data,50)
## Estimador N Sesgo Eficiencia Consistencia Media Varianza
## 1 Estimador_1 50 0.8648206 0.2821092 3.544726 2.864821 2.853889
## 2 Estimador_2 50 0.3170209 0.5430314 1.841514 2.317021 1.776543
## 3 Estimador_3 50 0.4506776 0.3789360 2.638968 2.450678 2.485569
## 4 Estimador_4 50 0.8765385 0.4175325 2.395023 2.876538 1.659901
#Se Calculan Sesgo, Eficiencia, Consistencia, Media, Varianza para una muestra de n=100
n_muestras(data,100)
## Estimador N Sesgo Eficiencia Consistencia Media Varianza
## 1 Estimador_1 100 0.5573834 0.3327888 3.004909 2.557383 2.721447
## 2 Estimador_2 100 0.3021142 0.5223551 1.914407 2.302114 1.841549
## 3 Estimador_3 100 0.8415669 0.2222179 4.500088 2.841567 3.830155
## 4 Estimador_4 100 0.6691905 0.3745914 2.669575 2.669190 2.244202
#Se Calculan Sesgo, Eficiencia, Consistencia, Media, Varianza para una muestra de n=1000
n_muestras(data,1000)
## Estimador N Sesgo Eficiencia Consistencia Media Varianza
## 1 Estimador_1 1000 0.6689472 0.2926789 3.416714 2.668947 2.972196
## 2 Estimador_2 1000 0.5525941 0.3146976 3.177654 2.552594 2.875169
## 3 Estimador_3 1000 0.6047955 0.2699359 3.704583 2.604796 3.342148
## 4 Estimador_4 1000 0.5531031 0.3427033 2.917976 2.553103 2.614668
Analizando los resultados obtenidos para cada tamaño de muestras se observa que los mejores resultados se obtienen del estimador 2 ya que se puede clasificar como el menos insesgado y eficiente, ademas su promedio esta mas cerca al valor del parametro theta = 2
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 describen los siguientes pasos para su verificación:
#Se almacena en la variable lote poblacion de plantas enfermas(1) y plantas sanas(0)
lote <- rbinom(n = 1000, size = 1, prob = 0.5)
#funcion para obtener muestra aleatoria y calcular el estimador P
p<- function(n, lote) {
muestra_al <- sample(lote, size = n, replace = F)
return(sum(muestra_al)/n)
}
#Grafica de los 500 resultados del estimador p
escenario <- c()
for (i in 1:500) {
escenario <- c(escenario, p(30, lote))}
par(mfrow = c(1, 2))
hist(escenario)
boxplot(escenario)
qqnorm(escenario)
#Se realiza prueba de normalidad
shapiro.test(escenario)$p.value
## [1] 0.0001607024
En base a los observado en los resultados se puede concluir que los datos no estan muy sesgados pero si son muy variables dentro de su rango
par(mfrow = c(2, 5))
nm <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
for(n in nm){
pt <- c()
for (i in 1:500) {
pt <- c(pt, p(n, lote))
}
p_value <- shapiro.test(pt)$p.value
title <- paste('n=', n, 'p-valor=', round(p_value, 6))
qqnorm(pt, main=title)
}
A medida que va aumentando el tamaño de las muestras, la distribución se hace más simétrica y tiene una distribución mas normal. Se puede observar como desde tamaño de muestras n=50, tanto la gráfica como el p-valor nos permiten concluir que la distribución sigue una distribución normal.
#Simulacion con 10% de plantas enfermas
lote2 <- rbinom(n = 1000, size = 1, prob = 0.1)
par(mfrow = c(2, 5))
nm <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
for(n in nm){
pt <- c()
for (i in 1:500) {
pt <- c(pt, p(n, lote2))
}
p_value <- shapiro.test(pt)$p.value
title <- paste('n=', n, 'p-valor=', round(p_value, 6))
qqnorm(pt, main=title)
}
Al considerar el intervalo del 10%, se observa que en muestras entre 5 y 60 el p-valor no rechaza la hipotesis nula y se entiende que la variable de datos muestra un comportamiento normal en este rango. Sin embargo, para las muestras de 100, 200 y 500, el p-valor rechaza la hipotesis nula , por ende se entiende que la variable de datos presenta un comportamiento no normal.
#Simulacion con 90% de plantas enfermas
lote2 <- rbinom(n = 1000, size = 1, prob = 0.9)
par(mfrow = c(2, 5))
nm <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
for(n in nm){
pt <- c()
for (i in 1:500) {
pt <- c(pt, p(n, lote2))
}
p_value <- shapiro.test(pt)$p.value
title <- paste('n=', n, 'p-valor=', round(p_value, 6))
qqnorm(pt, main=title)
}
Al considerar el intervalo del 90%, se observa que en muestras entre 5 y 100 el p-valor no rechaza la hipotesis nula y se entiende que la variable de datos muestra un comportamiento normal en este rango. Sin embargo, para las muestras de 200 y 500, el p-valor rechaza la hipotesis nula , por ende se entiende que la variable de datos presenta un comportamiento no normal
Cuando se extrae una muestra de una población que no es normal y se requiere estimar un intervalo de confianza se pueden utilizar los métodos de estimación bootstrap. Esta metodología supone que se puede reconstruir la población objeto de estudio mediante un muestreo con reemplazo de la muestra que se tiene. Existen varias versiones del método. Una presentación básica del método se describe a continuación: 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, regresandolo nuevamente. Este procedimiento se repite hasta completar una muestra de tamaño n, X∗1 ,X∗z ,X∗2, 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 X∗i, obteniéndose un valor para cada muestra. El intervalo de confianza queda conformado por los percentiles P2.5 y P97.5. Existen dos métodos para estimarlo:
Método 1 (P2.5;P97.5)
Método 2 (2X−P97.5;2X−P2.5)
Construya el intervalo de confianza por los dos métodos y compare los resultados obtenidos. Comente los resultados. Confiaría en estas estimaciones?
datos_muestra <- c(7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45)
k <- 1000
medb <- numeric(k)
set.seed(111)
for (i in 1:k) {
muesb <- sample(datos_muestra, replace = TRUE)
medb[i] <- mean(muesb)
}
percentil1 <- quantile(medb, 0.025)
percentil2 <- quantile(medb, 0.975)
mediaM <- mean(datos_muestra)
intervalo1 <- c(percentil1, percentil2)
intervalo2<- c(2 * mediaM - percentil2, 2 * mediaM - percentil1)
print(intervalo1)
## 2.5% 97.5%
## 4.694286 6.434357
print(intervalo2)
## 97.5% 2.5%
## 4.634214 6.374286
Luego de obtener los resultados de ambos metodos, se aprecia que el intervalo de confianza es similar para ambos y la media de los datos brindados en el ejercicio se encuentra dentro del rango de los resultados obtenidos en los intervalos de confianza con un 95%. Basandonos en los resutados expuestos se puede concluir que estos son confiables ya que ambos metodos dieron resultados parecidos y se encuentran en el intervalo de confianza que se propuso.