Actividad 2

Estimación del valor de π

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

Pasos para la solución

  • Se utiliza simulación para estimar el valor de π.
  • Se genera un cuadrado de área 1 y se inscribe un círculo de área π/4.
  • Se generan puntos aleatorios dentro del cuadrado.
  • La proporción de puntos dentro del círculo estima π/4, y de allí se calcula una aproximación de π.
  • Se sugiere usar al menos 1000 puntos para una estimación precisa.

Conclusiones e interpretación del resultado

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.

Propiedades de los estimadores

library(MASS)

theta <- 1  

X <- rexp(4, rate = 1/theta)

theta_estimador <- sum(X * c(1, 2, 3, 4)) / 5

#cat("El valor estimado de theta usando el segundo estimador es:", theta_hat_2)
## El valor estimado de theta usando el segundo estimador es: 1.37891

Pasos para la solución

  • Se evalúan las propiedades de diferentes estimadores para un parámetro θ desconocido de una distribución exponencial.
  • Se proponen cuatro estimadores y se analiza su insesgadez, eficiencia y consistencia.
  • Se genera una muestra de diferentes tamaños y se evalúan los estimadores para cada tamaño de muestra.

Conclusiones e interpretación del resultado

Después de ejecutar el código en diferentes ocasiones se obtuvieron diferentes resultados, por ejemplo:

  • “El valor estimado de theta usando el segundo estimador es: 1.782415”
  • “El valor estimado de theta usando el segundo estimador es: 1.156324”
  • “El valor estimado de theta usando el segundo estimador es: 0.6532605”
  • “El valor estimado de theta usando el segundo estimador es: 3.235923”

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.

Teorema del Límite Central

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))

Pasos para la solución

  • Se explora el Teorema del Límite Central mediante simulación.
  • Se genera una población de individuos enfermos y sanos.
  • Se obtienen muestras aleatorias de diferentes tamaños y se calcula la proporción muestral.
  • Se analiza la simetría, sesgo y variabilidad de los estimadores.
  • Se evalúa la normalidad de los estimadores para diferentes tamaños de muestra.
  • Se repite el proceso para diferentes porcentajes de individuos enfermos.

Conclusiones e interpretación del resultado

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.

Estimación bootstrap

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 ]"

Pasos para la solución

  • Se utiliza el método bootstrap para estimar un intervalo de confianza para la media de una muestra.
  • Se tienen mediciones de eficiencia de combustible de camiones y se desea construir un intervalo de confianza del 95% para la media de la población.
  • Se extraen muestras bootstrap y se calculan las medias.
  • Se construyen intervalos de confianza utilizando dos métodos y se comparan los resultados.
  • Cada problema requiere la implementación de simulaciones y el análisis de los resultados para abordar diferentes aspectos estadísticos y propiedades de los estimadores.

Conclusiones e interpretación del resultado

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.