Actividad 2 - Problema 2

La simulación ayuda a entender y validar 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 \(X_1, X_2, X_3\) y \(X_4\) 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: \[ \theta_1 = \frac{{X_1 + X_2}}{{6}} +\frac{{X_3 + X_4}}{{3}} \] \[ \theta_2 = \frac{{X_1 + 2X_2 + 3X_3+4X_4}}{{5}} \] \[ \theta_3 = \frac{{X_1 + X_2 + X_3+X_4}}{{4}} \] \[ \theta_4 = \frac{{min\{X_1,X_2,X_3,X_4\} + max\{X_1,X_2,X_3,X_4\}}}{{2}} \]

Para resolver este ejercicio se hace lo siguente:

Carga de librerias:

library(knitr)
library(tidyr, ggplot2)

Creación de la función principal para realizar las simulaciones de cada estimador:

# La semilla aleatoria determina el estado inicial del generador de números aleatorios en R, y el mismo código producirá los mismos resultados si se ejecuta con la misma semilla.
set.seed(10)

muestra_aleatoria <- function(simulaciones, param_exp)
{
  # Se crea una lista vacía
  Datos_Acum <- list()
  
  # Inicia el ciclo
  for (i in 1:simulaciones) 
  {
    # rexp() genera una muestra aleatoria de una distribución exponencial. El primer argumento (4) especifica el tamaño de la muestra que se generará, es decir, cuántos valores aleatorios se generarán, (param_exp) especifica el parámetro de la distribución exponencial, que controla la forma de la distribución.
    Xi <- rexp(4, param_exp)
    # Estimadores propuestos
    th1 = (Xi[1] + Xi[2]) / 6 + (Xi[3] + Xi[4]) / 3
    th2 = (Xi[1] + 2 * Xi[2] + 3 * Xi[3] + 4 * Xi[4]) / 5
    th3 = (Xi[1] + Xi[2] + Xi[3] + Xi[4]) / 4
    th4 = (min(Xi[1], Xi[2], Xi[3], Xi[4]) + max(Xi[1], Xi[2], Xi[3], Xi[4])) / 2
    
    Datos <- data.frame(th1, th2, th3 , th4)
    
    # Acumular resultados
    if (i == 1) 
    {
      Datos_Acum <- Datos
    } 
    else 
    {
      #en cada iteración, se genera un nuevo data frame llamado Datos, que contiene los resultados de esa    iteración. La función rbind() se utiliza para agregar este nuevo data frame Datos al final de Datos_Acum
      Datos_Acum <- rbind(Datos_Acum, Datos)
    }
  }
  return(Datos_Acum)
}

Creación de la función para ver los resultados y calcular las propiedades de los estimadores:

Boxplot_y_data <- function(n, Ra) {
  Simuln <- muestra_aleatoria(simulaciones = n, param_exp = Ra)

  # Mostrar las primeras simulaciones
  cat("Primeras filas de simulación para los estimadores:\n")
  print(head(Simuln))

  # Crear un boxplot
  boxplot(Simuln, col= c("#0000FF", "#808080", "#008000", "#FF69B4"),main = paste("Boxplot de estimadores - n =", n))
  
  # Línea punteada del valor de theta
  segments(0, 1/Ra, 5, 1/Ra, col = "black", lty = 3)

  theta <- 1/Ra
  # Calcula el sesgo para cada estimador
  SesgoTheta1 <- mean(Simuln$th1) - theta
  SesgoTheta2 <- mean(Simuln$th2) - theta
  SesgoTheta3 <- mean(Simuln$th3) - theta
  SesgoTheta4 <- mean(Simuln$th4) - theta
  
  # Calcula la eficiencia para cada estimador
  EficienciaTheta1 <- var(Simuln$th1) + SesgoTheta1^2
  EficienciaTheta2 <- var(Simuln$th2) + SesgoTheta2^2
  EficienciaTheta3 <- var(Simuln$th3) + SesgoTheta3^2
  EficienciaTheta4 <- var(Simuln$th4) + SesgoTheta4^2
  
  # Función para calcular la consistencia
  consistencia <- function(theta, Simuln, n) {
    sumatoria <- 0
    for (i in 1:n) {
      sumatoria <- sumatoria + (Simuln[[i]] - theta) ^ 2
    }
    return(sumatoria / n)
  }
  
  Consistencia_th1 <- consistencia(theta = theta, Simuln = Simuln$th1, n = n)
  Consistencia_th2 <- consistencia(theta = theta, Simuln = Simuln$th2, n = n)
  Consistencia_th3 <- consistencia(theta = theta, Simuln = Simuln$th3, n = n)
  Consistencia_th4 <- consistencia(theta = theta, Simuln = Simuln$th4, n = n)

  # Crear la tabla para las propiedades
  caracteristicas_estimadores <- data.frame(
    Estimador = c("θ1", "θ2", "θ3", "θ4"),
    theta = c(theta, theta, theta, theta),
    Media = c(mean(Simuln$th1), mean(Simuln$th2), mean(Simuln$th3), mean(Simuln$th4)),
    Sesgo = c(SesgoTheta1, SesgoTheta2, SesgoTheta3, SesgoTheta4),
    Varianza = c(var(Simuln$th1), var(Simuln$th2), var(Simuln$th3), var(Simuln$th4)),
    Eficiencia = c(EficienciaTheta1, EficienciaTheta2, EficienciaTheta3, EficienciaTheta4),
    Consistencia = c(Consistencia_th1, Consistencia_th2, Consistencia_th3, Consistencia_th4)
  )

  return(caracteristicas_estimadores)
}

Simulación para \(θ_1, θ_2, θ_3,\) y \(θ_4\) para \(n=20\):

Boxplot_y_data(n= 20, Ra= 0.2)
## Primeras filas de simulación para los estimadores:
##        th1       th2      th3      th4
## 1 4.657983 10.412043 4.077973 3.974996
## 2 6.193188 12.304369 5.468848 6.398204
## 3 4.203735  8.374124 4.378163 4.287100
## 4 5.290799 10.704796 5.049250 5.115694
## 5 5.596153 11.614854 5.847143 6.600114
## 6 4.479159  9.309595 3.979512 4.358054

##   Estimador theta     Media      Sesgo Varianza Eficiencia Consistencia
## 1        θ1     5  5.039966 0.03996649 1.235178   1.236775     1.175016
## 2        θ2     5 10.321360 5.32135979 4.613591  32.930461    32.699781
## 3        θ3     5  5.156248 0.15624786 1.597221   1.621634     1.541773
## 4        θ4     5  6.157068 1.15706830 3.180371   4.519178     4.360159

Simulación para \(θ_1, θ_2, θ_3,\) y \(θ_4\) para \(n=50\):

Boxplot_y_data(n= 50, Ra= 0.2)
## Primeras filas de simulación para los estimadores:
##        th1       th2      th3      th4
## 1 5.650686 12.691824 5.483015 5.986027
## 2 6.392832 13.561155 6.249266 5.818570
## 3 4.364902  7.793528 5.389267 4.744522
## 4 4.261785  8.849273 4.054806 3.447528
## 5 2.570034  5.047918 2.712671 2.800409
## 6 2.438161  5.279049 2.395026 2.524429

##   Estimador theta     Media     Sesgo  Varianza Eficiencia Consistencia
## 1        θ1     5  5.113241 0.1132413  8.078750   8.091574     7.929999
## 2        θ2     5 10.260816 5.2608158 33.580561  61.256745    60.585134
## 3        θ3     5  5.194307 0.1943068  7.113301   7.151056     7.008790
## 4        θ4     5  5.761364 0.7613637  9.791504  10.371179    10.175349

Simulación para \(θ_1, θ_2, θ_3,\) y \(θ_4\) para \(n=100\):

Boxplot_y_data(n= 100, Ra= 0.2)
## Primeras filas de simulación para los estimadores:
##         th1       th2       th3       th4
## 1 13.601272 25.876303 13.556129 13.420701
## 2  2.706864  6.097627  3.302849  5.090805
## 3  3.650705  7.505696  3.496127  3.139991
## 4  2.226478  3.945187  2.946869  2.959863
## 5  8.902782 18.817459  7.904370  6.373042
## 6  5.466462 11.473195  5.947585  4.504216

##   Estimador theta     Media      Sesgo  Varianza Eficiencia Consistencia
## 1        θ1     5  5.087954 0.08795441  7.933104   7.940840     7.861509
## 2        θ2     5 10.218557 5.21855660 33.810911  61.044244    60.706135
## 3        θ3     5  5.021620 0.02161969  7.075735   7.076203     7.005445
## 4        θ4     5  5.684475 0.68447453  9.703586  10.172092    10.075056

Simulación para \(θ_1, θ_2, θ_3,\) y \(θ_4\) para \(n=1000\):

Boxplot_y_data(n= 1000, Ra= 0.2)
## Primeras filas de simulación para los estimadores:
##        th1       th2      th3       th4
## 1 3.995388  8.238307 3.840129  3.437561
## 2 3.281226  5.706598 3.588732  4.511252
## 3 6.281700 13.646476 5.043920  6.513831
## 4 8.598043 17.615282 6.885550  7.046641
## 5 7.101245 11.576937 8.631801 13.223469
## 6 4.897249  9.642888 4.645808  4.015340

##   Estimador theta     Media      Sesgo  Varianza Eficiencia Consistencia
## 1        θ1     5  5.052701 0.05270096  7.151786   7.154563     7.147411
## 2        θ2     5 10.097398 5.09739759 30.036477  56.019939    55.989903
## 3        θ3     5  5.011697 0.01169738  6.287518   6.287655     6.281367
## 4        θ4     5  5.895128 0.89512841 10.832149  11.633403    11.622571

Análisis de resultados y conclusión