library(ggplot2)
n <- 10000
x <- runif(n, min = 0, max = 1)
y <- runif(n, min = 0, max = 1)
dis <- sqrt((x - 0.5)^2 + (y - 0.5)^2)
int_circulo <- sum(dis < 0.5)
aprox_pi <- 4 * int_circulo / n
df <- data.frame(x = x, y = y, dis = dis)
theta <- seq(0, 2*pi, length.out = 100)
circ_x <- 0.5 + 0.5 * cos(theta)
circ_y <- 0.5 + 0.5 * sin(theta)
circ_df <- data.frame(x = circ_x, y = circ_y)
ggplot(df, aes(x, y)) +
geom_rect(xmin = 0, xmax = 1, ymin = 0, ymax = 1, fill = "lightblue") +
geom_polygon(data = circ_df, aes(x, y), color = "blue", fill = NA) +
geom_point(data = df[dis < 0.5, ], aes(color = dis < 0.5)) +
geom_point(data = df[dis >= 0.5, ], color = "gray") +
scale_color_manual(values = c("FALSE" = "gray", "TRUE" = "red")) +
coord_equal() +
theme_minimal() +
labs(title = paste("Aproximación de π ≈", aprox_pi))## [1] 3.1444
Después de ejecutar diferentes veces el programa la estimación obtenida arroja valores como: 3.1612, 3,1541, 3.1656, 3.1684 valores cercanos del valor verdadero de π (3.141592…), lo que indica que el método de simulación utilizado proporciona una estimación buena. El método de simulación utilizado para estimar π utilizando puntos aleatorios dentro de un cuadrado inscrito en un círculo parece ser efectivo. La precisión de las estimaciones obtenidas sugiere que aumentar el número de puntos aleatorios podría conducir a una estimación aún más precisa. La naturaleza aleatoria de la simulación hace que cada ejecución pueda dar resultados ligeramente diferentes, pero en general, parece que el método es confiable para estimar π.
## El valor estimado de theta usando el segundo estimador es: 1.37891
Después de ejecutar el código en diferentes ocasiones se obtuvieron diferentes resultados, por ejemplo:
Una conclusión interesante que se puede extraer de la ejecución de este código es la notable sensibilidad del segundo estimador propuesto para el parámetro θ a las características específicas de la muestra generada. Al observar los diferentes resultados obtenidos en múltiples ejecuciones del código, notamos una variabilidad significativa en el valor estimado de θ. Esto sugiere que el segundo estimador puede ser altamente influenciado por la aleatoriedad inherente en la generación de la muestra o por la presencia de valores atípicos. Esta sensibilidad a las características de la muestra plantea interrogantes sobre la confiabilidad y la estabilidad del segundo estimador en diferentes contextos de aplicación. Es posible que el segundo estimador no proporcione una estimación consistente y confiable del parámetro θ en todas las situaciones, lo que podría limitar su utilidad en la práctica.
library(ggplot2)
genera_muestra <- function(n, b) {
muestra <- rbinom(n, 1, b)
b_hat <- sum(muestra) / n
return(b_hat)
}
rep_experimento <- function(n, b, repeticiones) {
b_hats <- sapply(1:repeticiones, function(x) genera_muestra(n, b))
return(b_hats)
}
b <- 0.5
n <- 1000
repeticiones <- 500
resultados <- rep_experimento(n, b, repeticiones)
ggplot(data.frame(resultados), aes(x=resultados)) +
geom_histogram(binwidth=0.01, fill='Red', alpha=0.5) +
theme_minimal() +
labs(x="Estimador de la proporción muestral b_hat", y="Frecuencia",
title=sprintf("Histograma de b_hat para n=%d, p=%.2f", n, b))La gráfica obtenida muestra la distribución de un estimador de proporción muestral para una distribución binomial. La forma de la distribución se asemeja a una distribución normal, lo que confirma la validez del teorema del límite central. Esto sugiere que, a medida que el tamaño de la muestra aumenta, la distribución de la media muestral tiende a aproximarse a una distribución normal, independientemente de la distribución subyacente de los datos.
library(ggplot2)
datos <- c(7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45)
k <- 1000
generar_muestra_bootstrap <- function(datos) {
muestra_bootstrap <- sample(datos, replace = TRUE)
media_bootstrap <- mean(muestra_bootstrap)
return(media_bootstrap)
}
medias_bootstrap <- replicate(k, generar_muestra_bootstrap(datos))
media_datos <- mean(datos)
P2.5 <- quantile(medias_bootstrap, 0.025)
P97.5 <- quantile(medias_bootstrap, 0.975)
IC_metodo_1 <- c(P2.5, P97.5)
IC_metodo_2 <- c(2*media_datos - P97.5, 2*media_datos - P2.5)
#print(paste("Intervalo de confianza método 1: [", IC_metodo_1[1], ",", IC_metodo_1[2], "]"))
#print(paste("Intervalo de confianza método 2: [", IC_metodo_2[1], ",", IC_metodo_2[2], "]"))## [1] "Intervalo de confianza método 1: [ 4.70571428571429 , 6.43746428571429 ]"
## [1] "Intervalo de confianza método 2: [ 4.63110714285714 , 6.36285714285714 ]"
Se han obtenido dos intervalos de confianza utilizando dos diferentes métodos. Los dos métodos de estimación de intervalos de confianza dan resultados ligeramente diferentes. La diferencia entre los intervalos de confianza puede deberse a las suposiciones subyacentes de los métodos utilizados. Sería importante evaluar la robustez de los intervalos de confianza en diferentes escenarios y compararlos con otros métodos de estimación de intervalos de confianza para determinar su fiabilidad.