Actividad 2 - Problema 4

Cuando se extrae una muestra de una población que no es normal y se requiere estimar un intervalo de confianza se pueden utilizar los métodos de estimación bootstrap. Esta metodología supone que se puede reconstruir la población objeto de estudio mediante un muestreo con reemplazo de la muestra que se tiene. Existen varias versiones del método. Una presentación básica del método se describe a continuación:

El artículo de In-use Emissions from Heavy Duty Dissel Vehicles (J.Yanowitz, 2001) presenta las mediciones de eficiencia de combustible en millas/galón de una muestra de siete camiones. Los datos obtenidos son los siguientes: \(7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45\). Se supone que es una muestra aleatoria de camiones y que se desea construir un intervalo de confianza del 95 % para la media de la eficiencia de combustible de esta población. No se tiene información de la distribución de los datos. El método bootstrap permite construir intervalos de confianza del 95 %
Para ilustrar el método suponga que coloca los valores de la muestra en una caja y extrae uno al azar. Este correspondería al primer valor de la muestra bootstrap \(X_1^*\). Después de anotado el valor se regresa \(X_1^*\) a la caja y se extrae el valor \(X_2^*\), regresandolo nuevamente. Este procedimiento se repite hasta completar una muestra de tamaño \(n\),\(X_1^*,X_2^*, X_3^*,X_n^*\), conformando la muestra bootstrap.

Es necesario extraer un gran número de muestras (suponga k = 1000). Para cada una de las muestra bootstrap obtenidas se calcula la media \(\overline{X}_i^*\), obteniéndose un valor para cada muestra. El intervalo de confianza queda conformado por los percentiles \(P_{2.5}\) y \(P_{97.5}\). Existen dos métodos para estimarlo:

\[ Método 1:(P_{2.5};P_{97.5}) \] \[ Método 2:(2\overline{\text{X}} -P_{97.5} ; 2\overline{\text{X}}-P_{2.5}) \]
Construya el intervalo de confianza por los dos métodos y compare los resultados obtenidos. Comentar los resultados y responda ¿Confiaría en estas estimaciones?

Nota:
Las muestras bootstrap se pueden obtener a partir de muestreo aleatorio con repetición (o tambien llamado con sustitución)



Para resolver este problema se hace lo siguiente:
Creación del vector con los datos dados por el ejercicio y luego, por la metodología bootstrap se genera una muestra de 1000 filas a las cuales les será calculada su media, estos datos se generan mediante extracción aleatoria con reemplazo de datos del vector original.

library(ggplot2)
x <- c(7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45)
set.seed(233) #semilla para garantizar reproducibilidad
n <- length(x) #tamaño de la muestra

#Bootstrap - Media
BMedia <- replicate(1000, mean(sample(x, n, replace=TRUE)))

Creación del intervalo de confianza Método 1: \[ Método 1:(P_{2.5};P_{97.5}) \]

icm1 <- quantile(BMedia, probs=c(0.025, 0.975))
cat("Intervalo de confianza método 1:  (", icm1, ")")
## Intervalo de confianza método 1:  ( 4.737143 6.490536 )

Creación del intervalo de confianza Método 2: \[ Método 2:(2\overline{\text{X}} -P_{97.5} ; 2\overline{\text{X}}-P_{2.5}) \]

icm2<- c(2*mean(BMedia)-icm1[2], 2*mean(BMedia)-icm1[1]) 
cat("Intervalo de confianza método 2: (", icm2, ")")
## Intervalo de confianza método 2: ( 4.608241 6.361634 )

Con ambos métodos el intervalo de confianza es diferente pero se supone que contienen el valor de la media, para visualizar mejor los resultados se realiza un histograma:

hist(BMedia, las=1, main="Distribución de medias Bootstrap e Intervalos de confianza Met1 y Met2 ", ylab = " Frecuencia ", xlab = "Media", col="#ADD8E6")

# Líneas verticales punteadas
abline(v=icm1, col="#FF0000", lwd=3, lty="dashed")  # Verde claro
abline(v=icm2, col="#2E8B57", lwd=3, lty="dashed")  # Azul

# Leyenda
legend("topright", legend = c("ICM1", "ICM2"), col = c("#FF0000", "#2E8B57"), lwd = 2, lty="dashed")



Las lineas rojas punteadas representan el intervalo de confianza para el método 1
Las lineas verdes punteadas representan el intervalo de confianza para el método 2

Análisis y conclusión

¿Confiaría en estas estimaciones?
Primero se deben analizar los resultados, por un lado por el método 1 se obtuvo un intervalo de confianza de 4.74 hasta 6.49 millas por galón y por el método 2 se obtuvo un intervalo de 4.61 hasta 6.36 millas por galón, en ambos casos con un nivel de confianza del 95% que respaldan las estimaciones, destacando que ambos intervalos son similares entre sí, tal como se puede ver graficamente en el histograma. La diferencia entre los límites inferiores del intervalo de cada método es de 0.13 igual que la diferencia de intervalos superiores, notando un desplazamiento a la derecha de los intervalos encontrados mediante el método 1, sin embargo, a pesar de este desplazamiento ambos métodos resultan consistentes y convergen hacia la media de los valores de eficiencia de combustible. De modo que se demuestra la utilidad del método bootstrap para estimar intervalos de confianza en situaciones en las que se conoce poco de la distribución de la población.

Por tanto, si se cumple el supuesto de que la muestra es representativa de la población y que un tamaño de muestra más grande lleva a intervalos más precisos de confianza (en este caso una muestra de 1000 medias), entonces se espera que los resultados contengan el valor real de las medias de la población estudiada, tal como en este caso para las mediciones de eficiencia de combustible en millas/galón de una población de camiones. Así que, sí, confiaría en los resultados, siempre que los supuestos sean cumplidos.