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
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
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.