El teorema del límite central, nos indica la convergencia muestral hacia una distribución normal, esto tiende a suceder después de n > 30 (siendo n la muestra). La guía nos propone realizar una simulación, empecemos
# veamos el total, la guía nos pide 1000
total_individuos <- 1000
# veamos el número de enfermos la guía nos pide el 50%
num_enfermos <- total_individuos * 0.5
# creamos vectores para los individuos enfermos (1) y sanos (0)
poblacion <- c(rep(0, total_individuos - num_enfermos), rep(1, num_enfermos))
# Barajamos para volver aleatorio el orden de presentación
poblacion <- sample(poblacion)
#veamos los primeros individuos para ver cómo queda
cat("Lista individuos (0 para sano, 1 para enfermo):\n")
## Lista individuos (0 para sano, 1 para enfermo):
cat(head(poblacion, 20), sep = ", ")
## 0, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0
la guía ahora nos pide crear una función que genere muestras aleatorias prosigamos
generate_random_sample <- function(population, sample_size) {
# usemos sample() para obtener la muestra
sample_data <- sample(population, size = sample_size)
return(sample_data)
}
# preparamos seed para que esto pueda ser reproducido varias veces
set.seed(123)
# generamos la muestra aleatoria, para probar tomemos 100
sample_data <- generate_random_sample(poblacion, sample_size = 100)
# mostramos la muestra
# mostramos la muestra
cat("\nmuestra aleatoria de prueba:\n")
##
## muestra aleatoria de prueba:
cat(sample_data, sep = ", ")
## 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 1
Ahora la guía nos pide calcular el estimador muestral para nuestra muestra previamente generada. Es decir nos pide la Media. Dado que la enfermedad fue notada de forma binaria, la media es muy simple de conseguir.
# calculamos la media
sample_mean <- mean(sample_data)
# la mostramos
cat("\nmedia de la muestra de prueba:", sample_mean, "\n")
##
## media de la muestra de prueba: 0.43
Hasta este punto se había generado todo paso a paso con el fin del mostrar el corazón de la simulación, ahora la guía procede a pedir una serie de iteraciones para lo cual ahora se presentaran códigos más largos con anotaciones para mantener la claridad. Empecemos,
# vemos la cantidad de muestras a crear, la guía nos pide 500
num_samples <- 500
#mantenemos en este paso los 100 individuos por muestra
sample_size <- 100
# creamos un vector que almacene las medias
sample_means <- numeric(num_samples)
# Creamos ahora una iteración para crear las muestras y calcular sus medias
for (i in 1:num_samples) {
#generamos la muestra aleatoria
sample_data <- sample(poblacion, size = sample_size)
# calculamos la media de la muestra
sample_means[i] <- mean(sample_data)
}
# mostramos las primeras 20 como ejemplo
cat("primeras 20 medias de las muestras:", head(sample_means, 20), "\n")
## primeras 20 medias de las muestras: 0.53 0.48 0.47 0.49 0.43 0.51 0.52 0.51 0.49 0.57 0.56 0.48 0.53 0.44 0.5 0.54 0.59 0.46 0.46 0.58
# calculamos la media general de todas las medisa de las muestras
overall_mean <- mean(sample_means)
cat("media generalizada de entre todas las muestras:", overall_mean, "\n")
## media generalizada de entre todas las muestras: 0.49914
# ahora veamos los sesgos individuales de las muestras, solo por curiosidad
individual_biases <- numeric(500)
# Calculemos la varianza de las medias obtenidas
sample_variance <- var(sample_means)
# veamos el sesgo de la población total y la media de todas medias de las muestras
population_mean <- mean(poblacion)
bias <- overall_mean - population_mean
#ahora procedamos a calcular los sesgos individuales de las muestras
for (i in 1:500) {
individual_biases[i] <- sample_means[i] - population_mean
}
# veamos los resultados
cat("varianza de las muestras:", sample_variance, "\n")
## varianza de las muestras: 0.002463588
cat("sesgo generalizado:", bias, "\n")
## sesgo generalizado: -0.00086
# ahora solo por ejemplificar veamos el sesgo de las muesras individualmente
cat("sesgos individuales:\n")
## sesgos individuales:
cat(head(individual_biases, 20), sep = ", ")
## 0.03, -0.02, -0.03, -0.01, -0.07, 0.01, 0.02, 0.01, -0.01, 0.07, 0.06, -0.02, 0.03, -0.06, 0, 0.04, 0.09, -0.04, -0.04, 0.08
Note, que dado la muestra aleatoria (tamaño) supera n>30 el sesgo generalizado y el sesgo de cada muestra no es muy grande, lo que se espera pues entre más grande la muestra el teorema nos indica que tendrá distribución normal y teóricamente hablando la esperanza de la muestra debe ser igual a la de la población luego, el bajo sesgo se explica. Veamos gráficamente
# creemos el qq plot sugerido por la guía
qqnorm(sample_means)
# para que sea más simple de leer veamos con una línea
qqline(sample_means)
Es claro que si bien la data más a menos sigue la línea y de alguna forma tiene una forma normal, también es cierto que está muy escalonada. Sin embargo ya empieza a adoptar esa forma. veamos un histograma
hist(sample_means, main="Histograma de medias", xlab="media muestras")
claramente, ya empieza a adoptar forma de campana pero, hay saltos demasiado grandes en los escalones y no es todavía uniforme, en el aumento o decenso, seguro aumentando un poco el tamaño de la muestra tendría mejor forma. En el siguiente paso, para ejemplificar esto, la guía nos propone realizar este ejericico con diferentes tamañaos de muestra veamos.
# asignemos los valores que la guía nos exige
sample_sizes <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
# Creemos una matriz para los resultados, en este punto es neceario
results <- matrix(NA, nrow = length(sample_sizes), ncol = 6)
colnames(results) <- c("tamaño muestra", "Media", "Varianza", "sesgo", "QQ Plot", "Histogram")
# esta vez para hacer más claro el cambio, pondremos una curva de normalidad sobre el histograma
add_normal_curve <- function(sample_means) {
mu <- mean(sample_means)
sigma <- sqrt(var(sample_means))
x <- seq(min(sample_means), max(sample_means), length = 100)
y <- dnorm(x, mean = mu, sd = sigma)
lines(x, y, col = "blue", lwd = 2)
}
# reiteramos sobre cada tamaño de muestra
for (i in 1:length(sample_sizes)) {
sample_size <- sample_sizes[i]
sample_means <- numeric(num_samples)
for (j in 1:num_samples) {
sample_data <- sample(poblacion, size = sample_size)
sample_means[j] <- mean(sample_data)
}
# calculamos media y varianzas
mean_of_means <- mean(sample_means)
variance_of_means <- var(sample_means)
# calculamos el sesgo
population_mean <- mean(poblacion)
bias <- mean_of_means - population_mean
#creamos gráfica qq
qqnorm(sample_means)
qqline(sample_means)
# generamos histograma con curva normal
hist(sample_means, main = paste("histograma de media de muestras (tamaño =", sample_size, ")"),
xlab = "Sample Means", probability = TRUE)
add_normal_curve(sample_means)
# guardamos los resultados en la matriz
results[i, ] <- c(sample_size, mean_of_means, variance_of_means, bias, "QQ Plot", "Histogram")
# Mostramos los resultados
cat("tamaño muestra:", sample_size, "\n")
cat("media general:", mean_of_means, "\n")
cat("Varianza de muestra:", variance_of_means, "\n")
cat("Sesgo:", bias, "\n\n")
}
## tamaño muestra: 5
## media general: 0.5052
## Varianza de muestra: 0.05343984
## Sesgo: 0.0052
## tamaño muestra: 10
## media general: 0.498
## Varianza de muestra: 0.02528657
## Sesgo: -0.002
## tamaño muestra: 15
## media general: 0.5006667
## Varianza de muestra: 0.01516767
## Sesgo: 0.0006666667
## tamaño muestra: 20
## media general: 0.4987
## Varianza de muestra: 0.01341013
## Sesgo: -0.0013
## tamaño muestra: 30
## media general: 0.496
## Varianza de muestra: 0.007527945
## Sesgo: -0.004
## tamaño muestra: 50
## media general: 0.49944
## Varianza de muestra: 0.004642572
## Sesgo: -0.00056
## tamaño muestra: 60
## media general: 0.4970667
## Varianza de muestra: 0.003633106
## Sesgo: -0.002933333
## tamaño muestra: 100
## media general: 0.49942
## Varianza de muestra: 0.002216697
## Sesgo: -0.00058
## tamaño muestra: 200
## media general: 0.49824
## Varianza de muestra: 0.0009859743
## Sesgo: -0.00176
## tamaño muestra: 500
## media general: 0.499332
## Varianza de muestra: 0.0002634647
## Sesgo: -0.000668
Es bastante claro, que entre mayor el tamaño de las muestras aleatorias, menos el sesgo, la varianza y el comportamiento de la data se hace normal. Lo cual concluye nuestra ejemplificación del teorema central mostrando que entre más alta sea la tendencia del tamaño de las muestras hacia el tamaño de la población, menor sesgo y más normalidad. También puede notarse que la afirmación de algunos autores parece ser correcta una vez se supera el tamaño 30, la data empieza a comportarse muy bien.
Ahora, por último, la guía nos pide repetir todo el ejercicio para una población con 90% de individuos enfermos, veamos
# veamos el total, la guía nos pide 1000
total_individuos <- 1000
# veamos el número de enfermos la guía nos pide el 90%
num_enfermos <- total_individuos * 0.9
# creamos vectores para los individuos enfermos (1) y sanos (0)
poblacion <- c(rep(0, total_individuos - num_enfermos), rep(1, num_enfermos))
# Barajamos para volver aleatorio el orden de presentación
poblacion <- sample(poblacion)
# asignemos los valores que la guía nos exige
sample_sizes <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
# Creemos una matriz para los resultados, en este punto es neceario
results <- matrix(NA, nrow = length(sample_sizes), ncol = 6)
colnames(results) <- c("tamaño muestra", "Media", "Varianza", "sesgo", "QQ Plot", "Histogram")
# esta vez para hacer más claro el cambio, pondremos una curva de normalidad sobre el histograma
add_normal_curve <- function(sample_means) {
mu <- mean(sample_means)
sigma <- sqrt(var(sample_means))
x <- seq(min(sample_means), max(sample_means), length = 100)
y <- dnorm(x, mean = mu, sd = sigma)
lines(x, y, col = "blue", lwd = 2)
}
# reiteramos sobre cada tamaño de muestra
for (i in 1:length(sample_sizes)) {
sample_size <- sample_sizes[i]
sample_means <- numeric(num_samples)
for (j in 1:num_samples) {
sample_data <- sample(poblacion, size = sample_size)
sample_means[j] <- mean(sample_data)
}
# calculamos media y varianzas
mean_of_means <- mean(sample_means)
variance_of_means <- var(sample_means)
# calculamos el sesgo
population_mean <- mean(poblacion)
bias <- mean_of_means - population_mean
#creamos gráfica qq
qqnorm(sample_means)
qqline(sample_means)
# generamos histograma con curva normal
hist(sample_means, main = paste("histograma de media de muestras (tamaño =", sample_size, ")"),
xlab = "Sample Means", probability = TRUE)
add_normal_curve(sample_means)
# guardamos los resultados en la matriz
results[i, ] <- c(sample_size, mean_of_means, variance_of_means, bias, "QQ Plot", "Histogram")
# Mostramos los resultados
cat("tamaño muestra:", sample_size, "\n")
cat("media general:", mean_of_means, "\n")
cat("Varianza de muestra:", variance_of_means, "\n")
cat("Sesgo:", bias, "\n\n")
}
## tamaño muestra: 5
## media general: 0.896
## Varianza de muestra: 0.02010421
## Sesgo: -0.004
## tamaño muestra: 10
## media general: 0.901
## Varianza de muestra: 0.009638277
## Sesgo: 0.001
## tamaño muestra: 15
## media general: 0.9016
## Varianza de muestra: 0.005849138
## Sesgo: 0.0016
## tamaño muestra: 20
## media general: 0.9018
## Varianza de muestra: 0.004435631
## Sesgo: 0.0018
## tamaño muestra: 30
## media general: 0.9012
## Varianza de muestra: 0.00309809
## Sesgo: 0.0012
## tamaño muestra: 50
## media general: 0.901
## Varianza de muestra: 0.001687976
## Sesgo: 0.001
## tamaño muestra: 60
## media general: 0.9000667
## Varianza de muestra: 0.001489642
## Sesgo: 6.666667e-05
## tamaño muestra: 100
## media general: 0.89932
## Varianza de muestra: 0.0007033443
## Sesgo: -0.00068
## tamaño muestra: 200
## media general: 0.89877
## Varianza de muestra: 0.0003736845
## Sesgo: -0.00123
## tamaño muestra: 500
## media general: 0.899688
## Varianza de muestra: 9.473212e-05
## Sesgo: -0.000312
Como era de esperarse, en si mismo, el teorema mantiene su validez la única diferencia radica en que tamaños de muestra bajos dada la no simetría entre enfermos y no enfermos la distribución se sesgaba mucho hacia la derecha. La guía nos pide realizar el ejercicio nuevamente con solo un 10% de individuos enfermos, se espera un resultado similar con un sesgo en tamaños bajos hacia la izquierda
# veamos el total, la guía nos pide 1000
total_individuos <- 1000
# veamos el número de enfermos la guía nos pide el 10%
num_enfermos <- total_individuos * 0.1
# creamos vectores para los individuos enfermos (1) y sanos (0)
poblacion <- c(rep(0, total_individuos - num_enfermos), rep(1, num_enfermos))
# Barajamos para volver aleatorio el orden de presentación
poblacion <- sample(poblacion)
# asignemos los valores que la guía nos exige
sample_sizes <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
# Creemos una matriz para los resultados, en este punto es neceario
results <- matrix(NA, nrow = length(sample_sizes), ncol = 6)
colnames(results) <- c("tamaño muestra", "Media", "Varianza", "sesgo", "QQ Plot", "Histogram")
# esta vez para hacer más claro el cambio, pondremos una curva de normalidad sobre el histograma
add_normal_curve <- function(sample_means) {
mu <- mean(sample_means)
sigma <- sqrt(var(sample_means))
x <- seq(min(sample_means), max(sample_means), length = 100)
y <- dnorm(x, mean = mu, sd = sigma)
lines(x, y, col = "blue", lwd = 2)
}
# reiteramos sobre cada tamaño de muestra
for (i in 1:length(sample_sizes)) {
sample_size <- sample_sizes[i]
sample_means <- numeric(num_samples)
for (j in 1:num_samples) {
sample_data <- sample(poblacion, size = sample_size)
sample_means[j] <- mean(sample_data)
}
# calculamos media y varianzas
mean_of_means <- mean(sample_means)
variance_of_means <- var(sample_means)
# calculamos el sesgo
population_mean <- mean(poblacion)
bias <- mean_of_means - population_mean
#creamos gráfica qq
qqnorm(sample_means)
qqline(sample_means)
# generamos histograma con curva normal
hist(sample_means, main = paste("histograma de media de muestras (tamaño =", sample_size, ")"),
xlab = "Sample Means", probability = TRUE)
add_normal_curve(sample_means)
# guardamos los resultados en la matriz
results[i, ] <- c(sample_size, mean_of_means, variance_of_means, bias, "QQ Plot", "Histogram")
# Mostramos los resultados
cat("tamaño muestra:", sample_size, "\n")
cat("media general:", mean_of_means, "\n")
cat("Varianza de muestra:", variance_of_means, "\n")
cat("Sesgo:", bias, "\n\n")
}
## tamaño muestra: 5
## media general: 0.0896
## Varianza de muestra: 0.01664513
## Sesgo: -0.0104
## tamaño muestra: 10
## media general: 0.1038
## Varianza de muestra: 0.008101764
## Sesgo: 0.0038
## tamaño muestra: 15
## media general: 0.09746667
## Varianza de muestra: 0.0058809
## Sesgo: -0.002533333
## tamaño muestra: 20
## media general: 0.101
## Varianza de muestra: 0.004738477
## Sesgo: 0.001
## tamaño muestra: 30
## media general: 0.1053333
## Varianza de muestra: 0.003240258
## Sesgo: 0.005333333
## tamaño muestra: 50
## media general: 0.09744
## Varianza de muestra: 0.001700848
## Sesgo: -0.00256
## tamaño muestra: 60
## media general: 0.1013
## Varianza de muestra: 0.001507436
## Sesgo: 0.0013
## tamaño muestra: 100
## media general: 0.09994
## Varianza de muestra: 0.0008046056
## Sesgo: -6e-05
## tamaño muestra: 200
## media general: 0.10045
## Varianza de muestra: 0.0003523522
## Sesgo: 0.00045
## tamaño muestra: 500
## media general: 0.1004
## Varianza de muestra: 9.418838e-05
## Sesgo: 4e-04
Efectivamente como era de esperarse el concepto del teorema se mantiene con la única diferencia siendo, que en tamaños bajos la distribución se sesga hacia la izquierda dada a lo simetría entre enfermos y sanos. Para este caso la mayoría son sanos