Este problema nos plantea crear una serie de muestras Boostrap, con el fin de lograr construir unos intervalos de confianza para la eficiencia de combustible de unos camiones de los cuales se tomaron unos ciertos valores aleatorios.

  1. primero construiremos la población con los valores dados.

  2. construiremos el código para la toma de muestras boostrap.

  3. Generaremos 1000 de estas muestras

  4. realizaremos el calculo usando los métodos

# Creamos el conjunto de datos con los valores dados por la guía
datos <- c(7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45)

# Generamos la función para crear una muestra bootstrap como sugiere la guía (retornando la muestra)
muestra_bootstrap <- function(datos) {
  n <- length(datos)
  indices_muestra <- sample(1:n, replace = TRUE)
  return(datos[indices_muestra])
}

# Procedemos a generar el bucle que nos brinde las 1000 muestras que buscamos 
num_muestras_bootstrap <- 1000

muestras_bootstrap <- list()

for (i in 1:num_muestras_bootstrap) {
  muestras_bootstrap[[i]] <- muestra_bootstrap(datos)
}

# Veamos algunas de las muestras como ejemplo 
for (i in 1:5) {
  cat("Muestra Bootstrap", i, ":", muestras_bootstrap[[i]], "\n")
}
## Muestra Bootstrap 1 : 7.69 4.56 4.34 6.24 4.97 4.97 4.34 
## Muestra Bootstrap 2 : 7.69 7.69 6.24 6.24 6.49 6.49 7.69 
## Muestra Bootstrap 3 : 7.69 6.24 6.24 6.24 4.45 7.69 4.56 
## Muestra Bootstrap 4 : 4.34 7.69 7.69 4.45 6.49 7.69 4.97 
## Muestra Bootstrap 5 : 4.97 6.24 4.45 4.45 6.49 6.49 4.56

Como se puede apreciar hemos creado exitosamente muestras boostrap (con repetición). Ahora, procedemos a calcular la media de cada una de esas muestras y calcular los intervalos con los dos métodos asociados. por percetniles y aproximación normal

# Calcular las medias de las muestras bootstrap
medias_bootstrap <- sapply(muestras_bootstrap, mean)

# Calcular el intervalo de confianza del 95% utilizando el método del percentil
percentil_inferior <- quantile(medias_bootstrap, 0.025)
percentil_superior <- quantile(medias_bootstrap, 0.975)

# Calcular el error estándar de las medias de las muestras bootstrap
ee_bootstrap <- sd(medias_bootstrap)

# Calcular el intervalo de confianza del 95% utilizando la aproximación normal
normal_inferior <- mean(medias_bootstrap) - 1.96 * (ee_bootstrap / sqrt(num_muestras_bootstrap))
normal_superior <- mean(medias_bootstrap) + 1.96 * (ee_bootstrap / sqrt(num_muestras_bootstrap))

#resultados
cat("Intervalo de Confianza del 95% (Método del Percentil):", percentil_inferior, "a", percentil_superior, "\n")
## Intervalo de Confianza del 95% (Método del Percentil): 4.737143 a 6.621536
cat("Intervalo de Confianza del 95% (Aproximación Normal):", normal_inferior, "a", normal_superior, "\n")
## Intervalo de Confianza del 95% (Aproximación Normal): 5.516767 a 5.575127

Conclusiones: Estos resultado representan un rango de valores en los que puedes tener una confianza razonable de que la verdadera media de la población se encuentra, basado en las 1000 muestras boostrap que construimos para esta simulación.

Luego, Cabe resaltar que el primero método posee un rango mayor mientras el segundo una menor, si estas son buenas o confiables, depende de consideraciones como el tamaño real de toda la flota de caminones. Sin embargo, dado que se tomó una gran cantidad de muestras boostrap para este ejercicio y suponiendo que la flota total de camiones no sea demasiado grande, los resultados pueden ser confiables.

No obstante, no se puede confiar demasiado en estas estimaciones sin leer el artículo que cita la guía y conocer el tamaño de la flota de camiones, ya que cabe notar que el método de aproximación normal presupone que el comportamiento de las medias de las muestras boosrtap, tienen comportamiento normal. Luego, si la muestra que se estudió aquí es de muy poco tamaño en comparación a la flota, puede verse severamente afectada la confianza de la estimación (como se ejemplificó en el problema tres de esta guía.).