Actividad 2 - Problema 3

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:
a.) Realizar una simulación en la cual genere una población de \(n=1000\) (Lote), donde el porcentaje de individuos (supongamos plantas) enfermas sea del 50%.

set.seed(4010)  # Semilla para reproducibilidad
poblacion <- rbinom(1000, 1, 0.5)

b.) Generar una función que permita:
- Obtener una muestra aleatoria de la población y
- Calcule el estimador de la proporción muestral para un tamaño de muestra dado.

muestra_estimador <- function(poblacion, n_muestra) {
  muestra <- sample(poblacion, n_muestra)
  prop_muestral <- mean(muestra)
  return(prop_muestral)
}

c.)Repita el escenario anterior (b) \(n=500\) veces y analice los resultados en cuanto al comportamiento de los 500 resultados del estimador \(\hat{p}\). ¿Qué tan simétricos o sesgados son los resultados obtenidos? y ¿qué se puede observar en cuanto a la variabilidad?. Realice en su informe un comentario sobre los resultados obtenidos.

n_simulaciones <- 500
tamaño_muestra <- 500
resultados_estimador <- numeric(n_simulaciones)

for (i in 1:n_simulaciones) {
  muestra <- muestra_estimador(poblacion, tamaño_muestra)
  resultados_estimador[i] <- muestra
}

Ahora para analizar la simetría y el sesgo de los 500 resultados obtenidos se visualizará el histograma y se calculará la media, el sesgo y la varianza del estimador.

Media <- mean(resultados_estimador)
print(paste("Media: ", Media))
## [1] "Media:  0.470948"
Sesgo <- Media - 0.5
print(paste("sesgo: ",Sesgo))
## [1] "sesgo:  -0.029052"
var_estimador <- var(resultados_estimador)
print(paste("Varianza: ",var_estimador))
## [1] "Varianza:  0.000237007310621242"
desviacion_resultados <- sd(resultados_estimador)

par(mfrow = c(1, 1), mar = c(5, 4, 4, 2))  # Configura el diseño de la trama y márgenes

# Crear un histograma de los resultados con un tamaño específico
hist(resultados_estimador, prob = TRUE, 
     col = "steelblue", 
     border = "darkgreen", 
     main = "Histograma Resultados", 
     xlim = c(0.4, 0.54),  # Establece los límites del eje x
     ylim = c(0, 25))  # Establece los límites del eje y

# Superponer una curva de densidad normal ajustada a tus resultados
curve(dnorm(x, mean = Media, sd = desviacion_resultados), add = TRUE, lwd = 2, col = "red")

# Superponer la media
abline(v=Media, col="green", lwd=3)



Análisis

El vector resultados_estimador contiene los 500 valores de proporción muestral que se obtienen a partir de las 500 muestras de población de los 1000 totales. De acuerdo a lo obtenido, la media fue de 0.47, siendo un valor muy cercano a la proporción muestral 0.5. Dicho resultado puede valer para afirmar el teorema del límite central, el cual establece que, con suficientes muestras aleatorias y un tamaño de muestra adecuado, la distribución (ver histograma) se aproxima a un comportamiento gaussiano o normal.

  • La varianza obtenida fue de 0.000237, por lo que se puede decir que los datos muestran una cohesión alta en torno al valor medio.

  • El sesgo obtenido fue de -0.029, indicando subestimación mínima, pero por ser un valor tan pequeño puede decirse que no hay sesgo del valor real para la proporción o muestra de población.

d.) Repita los puntos b y c para tamaños de muestra \(n=5,10,15,20,30,50,60,100,200,500\) . Compare los resultados obtenidos para los diferentes tamaños de muestra en cuanto a la normalidad. Utilice pruebas de bondad y ajuste (shapiro wilks :shspiro.test()) y métodos gráficos (gráfico de normalidad: qqnorm())

library(ggplot2)

n <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)

for (n_muestra in n) {
  resultados_estimador <- replicate(n_simulaciones, muestra_estimador(poblacion, n_muestra))
  
  # Prueba de Shapiro-Wilk
  shapiro_test <- shapiro.test(resultados_estimador)
  print(shapiro_test)
  
  # Gráfico de normalidad
  qqplot_data <- data.frame(Valor = resultados_estimador)
  ggplot(qqplot_data, aes(sample = Valor)) +
    geom_qq(color = "darkgreen", fill = "darkgreen", alpha = 0.5) +  # Cambiar a verde oscuro
    geom_qq_line(color = "red") +  # Línea roja
    labs(title = paste("QQ-Plot, n =", n_muestra))  # Título del gráfico
  
  print(ggplot(qqplot_data, aes(sample = Valor)) +
    geom_qq(color = "darkgreen", fill = "darkgreen", alpha = 0.5) +  # Cambiar a verde oscuro
    geom_qq_line(color = "red") +  # Línea roja
    labs(title = paste("QQ-Plot, n =", n_muestra)))  # Título del gráfico
}
## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.92958, p-value = 1.391e-14

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.96011, p-value = 2.163e-10

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.97559, p-value = 2.087e-07

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.98055, p-value = 3.166e-06

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.98535, p-value = 6.301e-05

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.98994, p-value = 0.001686

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.99125, p-value = 0.004718

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.9941, p-value = 0.04967

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.99353, p-value = 0.03084

## 
##  Shapiro-Wilk normality test
## 
## data:  resultados_estimador
## W = 0.99244, p-value = 0.0124



Análisis
Los resultados de los gráficos de normalidad y de lo obtenido con Shapiro-Wilk permiten notar que para tamaños de muestra (n) pequeños los valores de w y p-value son más bajos indicando mayor desviación de los datos, mientras que a mayor tamaño de muestra (n) tanto w como p-value aumenta, aumentando la cohesión.
En los gráficos de normalidad se puede ver que a medida que n aumenta los puntos se aproximan más a la línea recta diagonal, mostrando mayor correspondencia entre cuantiles observados y los cuantiles esperados en una distribución normal, así por ejemplo, al ver la gráfica con \(n=5\) y \(n=500\) es notorio cómo los cuantiles pasan de estar alejados de la distribución normal a estar alineados con ella, afirmando nuevamente el teorema del límite central; si n aumenta las distribuciones tienden a una distribución normal.

e.) Repita toda la simulación (puntos a – d), pero ahora para lotes con 10% de plantas enfermas y de nuevo para lotes con un 90% de plantas enfermas. Concluya sobre los resultados del ejercicio.

#10% de plantas enfermas
poblacion1 <- rbinom(1000, 1, 0.1)
#90% de plantas enfermas
poblacion2 <- rbinom(1000, 1, 0.9)
n_simulaciones <- 500
n <- 500
estimador_p1 <- numeric(n_simulaciones)
estimador_p2 <- numeric(n_simulaciones)


for (i in 1:n_simulaciones) {
  muestra1 <- muestra_estimador(poblacion1, n)
 estimador_p1[i] <- muestra1
  
  muestra2 <- muestra_estimador(poblacion2, n)
  estimador_p2[i] <- muestra2
}

Plantas enfermas 10%

Media1 <- mean(estimador_p1)
print(paste("Media : ",Media1))
## [1] "Media :  0.102796"
Sesgo1 <- Media1- 0.1
print(paste("sesgo: ",Sesgo1))
## [1] "sesgo:  0.00279599999999999"
var_estimador1 <- var(estimador_p1)
print(paste("Varianza: ",var_estimador1))
## [1] "Varianza:  8.54492825651303e-05"
desviacion_p1 <-  sd(estimador_p1)
par(mfrow = c(1, 1), mar = c(5, 4, 4, 2))  # Configura el diseño de la trama y márgenes

# Crear un histograma de los resultados con un tamaño específico
hist(estimador_p1, prob = TRUE, 
     col = "blue", 
     border = "darkgreen", 
     main = "Histograma Resultados: 10% Plantas enfermas", 
     xlim = c(0.05, 0.13),  # Establece los límites del eje x
     ylim = c(0, 45))  # Establece los límites del eje y

# Superponer una curva de densidad normal ajustada a tus resultados
curve(dnorm(x, mean = Media1, sd = desviacion_p1), add = TRUE, lwd = 2, col = "orange")

# Superponer la media
abline(v=Media1, col="green", lwd=3)



Plantas enfermas 90%

Media2 <- mean(estimador_p2)
print(paste("Media : ",Media2))
## [1] "Media :  0.89784"
Sesgo2 <- Media2- 0.9
print(paste("sesgo: ",Sesgo2))
## [1] "sesgo:  -0.00216000000000005"
var_estimador2 <- var(estimador_p2)
print(paste("Varianza: ",var_estimador2))
## [1] "Varianza:  7.94292585170342e-05"
desviacion_p2 <-  sd(estimador_p2)
par(mfrow = c(1, 1), mar = c(5, 4, 4, 2))  # Configura el diseño de la trama y márgenes

# Crear un histograma de los resultados con un tamaño específico
hist(estimador_p2, prob = TRUE, 
     col = "blue", 
     border = "darkgreen", 
     main = "Histograma Resultados: 90% Plantas enfermas", 
     xlim = c(0.87, 0.95),  # Establece los límites del eje x
     ylim = c(0, 60))  # Establece los límites del eje y

# Superponer una curva de densidad normal ajustada a tus resultados
curve(dnorm(x, mean = Media2, sd = desviacion_p2), add = TRUE, lwd = 2, col = "orange")

# Superponer la media
abline(v=Media2, col="green", lwd=3)



Análisis
Los histogramas para ambas distribuciones de población de plantas enfermas (10% y 90%) denotan un comportamiento simétrico o normal en las estimaciones de la proporción muestral, y además las dos distribuciones cuentan con un sesgo cercano a 0, teniendo un sesgo de -0.00756 para el caso de 10% de plantas enfermas y un sesgo de 0.00726 para el caso de 90% de plantas enfermas, indicando que las estimaciones se centran alrededor del valor impuesto para la proporción, validando de este modo el teorema del límite central.
La varianza en ambos casos denota que las estimaciones son consistentes y por tanto están cerca del valor medio (tal como se ve en las gráficas).

Ahora, realizamos el mismo análisis hecho anteriormene con Shapiro-Wilk y gráficos de normalidad para los dos nuevos casos

Porcentaje de plantas enfermas: 10%

n <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)

for (n_muestra in n) {
  estimador_p1 <- replicate(n_simulaciones, muestra_estimador(poblacion1, n_muestra))
  
  # Prueba de Shapiro-Wilk
  shapiro_test <- shapiro.test(estimador_p1)
  print(shapiro_test)
  
  # Gráfico de normalidad
  qqplot_data <- data.frame(Valor = estimador_p1)
  ggplot(qqplot_data, aes(sample = Valor)) +
    geom_qq(color = "darkblue", fill = "darkblue", alpha = 0.5) +  # Cambiar a azul oscuro
    geom_qq_line(color = "red") +  # Línea roja
    labs(title = paste("QQ-Plot, n =", n_muestra))  # Título del gráfico
  
  print(ggplot(qqplot_data, aes(sample = Valor)) +
    geom_qq(color = "darkblue", fill = "darkblue", alpha = 0.5) +  # Cambiar a azul oscuro
    geom_qq_line(color = "red") +  # Línea roja
    labs(title = paste("QQ-Plot, n =", n_muestra)))  # Título del gráfico
}
## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.72455, p-value < 2.2e-16

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.83309, p-value < 2.2e-16

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.9064, p-value < 2.2e-16

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.92088, p-value = 1.532e-15

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.95491, p-value = 3.153e-11

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.97069, p-value = 1.885e-08

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.97817, p-value = 8.245e-07

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.97812, p-value = 7.984e-07

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.99152, p-value = 0.005856

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p1
## W = 0.99442, p-value = 0.06496



Porcentaje de plantas enfermas: 90%

n <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)

for (n_muestra in n) {
  estimador_p2 <- replicate(n_simulaciones, muestra_estimador(poblacion2, n_muestra))
  
  # Prueba de Shapiro-Wilk
  shapiro_test <- shapiro.test(estimador_p2)
  print(shapiro_test)
  
  # Gráfico de normalidad
  qqplot_data <- data.frame(Valor = estimador_p2)
  ggplot(qqplot_data, aes(sample = Valor)) +
    geom_qq(color = "green", fill = "green", alpha = 0.5) +  # Cambiar a verde
    geom_qq_line(color = "red") +  # Línea roja
    labs(title = paste("QQ-Plot, n =", n_muestra))  # Título del gráfico
  
  print(ggplot(qqplot_data, aes(sample = Valor)) +
    geom_qq(color = "green", fill = "green", alpha = 0.5) +  # Cambiar a verde
    geom_qq_line(color = "red") +  # Línea roja
    labs(title = paste("QQ-Plot, n =", n_muestra)))  # Título del gráfico
}
## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.71113, p-value < 2.2e-16

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.83836, p-value < 2.2e-16

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.90132, p-value < 2.2e-16

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.93031, p-value = 1.688e-14

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.95236, p-value = 1.29e-11

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.97394, p-value = 9.003e-08

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.96717, p-value = 3.87e-09

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.98732, p-value = 0.0002438

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.98897, p-value = 0.0008122

## 
##  Shapiro-Wilk normality test
## 
## data:  estimador_p2
## W = 0.99189, p-value = 0.007893



Análisis general y conclusiones

  • En los histogramas es posible observar que tanto para el 10%, 50% y 90% de plantas enfermas elegidas respectivamente, estas tienden a una distribución normal, lo que se refleja claramente en los gráficos de normalidad, en los que a medida que se aumenta el número de iteraciones los puntos tienden a alinearse con la línea diagonal, de modo que se sugiere una mayor normalidad. Destacando claramente lo propuesto por el teorema del límite central

  • Conforme aumenta el tamaño de la muestra, las estimaciones se vuelven más precisas y se distribuyen de manera más cercana a una distribución normal. Observaciones de “p-value” en la prueba de Shapiro-Wilk y los valores de “W” sugieren que, a partir de ciertos tamaños de muestra, típicamente alrededor de n=200, los datos exhiben similitudes notables con una distribución normal.

  • En cuanto al sesgo y varianza, las estimaciones son más precisas en medida que aumenta el tamaño de la muestra (n), esto es, la varianza tanto como al sesgo disminuyen al aumentar el tamaño de la muestra.