PROBLEMA 1 - Estimación del valor π

Enunciado

La siguiente figura sugiere como estimar el valor de π con una simulación. En la figura, un circuito con un área igual a π/4, está inscrito en un cuadrado cuya área es igual a 1. Se elige de forma aleatoria n puntos dentro del cuadrado . La probabilidad de que un punto esté dentro del círculo es igual a la fracción del área del cuadrado que abarca a este, la cual es π/4. Por tanto, se puede estimar el valor de π/4 al contar el número de puntos dentro del círculo, para obtener la estimación de π/4 . De este último resultado se encontrar una aproximación para el valor de π .

Pasos sugeridos:

Desarrollo

#Puede reemplazar 123 por cualquier número entero que desee como semilla
set.seed(123)

# Generar 1000 coordenadas con distribución uniforme en el intervalo (0, 1)
n = 1000
x <- runif(n, 0, 1)
y <- runif(n, 0, 1)

# Imprimir las primeras 10 coordenadas como ejemplo
datos <- data.frame(x, y)
head(datos, 10)
##            x          y
## 1  0.2875775 0.27362273
## 2  0.7883051 0.59386693
## 3  0.4089769 0.16018481
## 4  0.8830174 0.85343024
## 5  0.9404673 0.84773916
## 6  0.0455565 0.47788681
## 7  0.5281055 0.77369212
## 8  0.8924190 0.29540008
## 9  0.5514350 0.06562811
## 10 0.4566147 0.44053312
dist_func <- function(x, y){
  return(sqrt((x-0.5)**2+(y-0.5)**2))
}

datos$distancia <- apply(datos, 1, function(row) dist_func(row["x"], row["y"]))
head(datos)
##           x         y distancia
## 1 0.2875775 0.2736227 0.3104351
## 2 0.7883051 0.5938669 0.3032010
## 3 0.4089769 0.1601848 0.3517948
## 4 0.8830174 0.8534302 0.5211672
## 5 0.9404673 0.8477392 0.5611898
## 6 0.0455565 0.4778868 0.4549812
datos$condicion <- as.numeric(datos$distancia < 0.5)
head(datos)
##           x         y distancia condicion
## 1 0.2875775 0.2736227 0.3104351         1
## 2 0.7883051 0.5938669 0.3032010         1
## 3 0.4089769 0.1601848 0.3517948         1
## 4 0.8830174 0.8534302 0.5211672         0
## 5 0.9404673 0.8477392 0.5611898         0
## 6 0.0455565 0.4778868 0.4549812         1
#Puede reemplazar 123 por cualquier número entero que desee como semilla
set.seed(123)

# Generar 1000 coordenadas con distribución uniforme en el intervalo (0, 1)
n = 1000
x <- runif(n, 0, 1)
y <- runif(n, 0, 1)

# Verificar si cada punto está dentro del círculo
puntos_dentro_del_circulo <- (x - 0.5)^2 + (y - 0.5)^2 < 0.25

# Contar cuántos puntos están dentro del círculo
puntos_dentro <- sum(puntos_dentro_del_circulo)

# Calcular la proporción de puntos dentro del círculo
proporcion_dentro <- puntos_dentro / 1000

# Estimar π usando la relación entre el área del círculo y el área del cuadrado
estimacion_pi <- proporcion_dentro * 4

# Imprimir los resultados
print(paste("Número de puntos dentro del círculo:", puntos_dentro))
## [1] "Número de puntos dentro del círculo: 800"
print(paste("Estimación de π:", estimacion_pi))
## [1] "Estimación de π: 3.2"
# Calcular el error porcentual
error_porcentual <- abs((pi-estimacion_pi)/pi)*100

# Imprimir el error porcentual
cat("El error porcentual es:", error_porcentual, "%\n")
## El error porcentual es: 1.859164 %
# Generar 1000 coordenadas con distribución uniforme en el intervalo (0, 1)
n = 10000
x <- runif(n, 0, 1)
y <- runif(n, 0, 1)

# Verificar si cada punto está dentro del círculo
puntos_dentro_del_circulo <- (x - 0.5)^2 + (y - 0.5)^2 < 0.25

# Contar cuántos puntos están dentro del círculo
puntos_dentro <- sum(puntos_dentro_del_circulo)

# Calcular la proporción de puntos dentro del círculo
proporcion_dentro <- puntos_dentro / 10000

# Estimar π usando la relación entre el área del círculo y el área del cuadrado
estimacion_pi <- proporcion_dentro * 4

# Imprimir los resultados
print(paste("Número de puntos dentro del círculo:", puntos_dentro))
## [1] "Número de puntos dentro del círculo: 7882"
print(paste("Estimación de π:", estimacion_pi))
## [1] "Estimación de π: 3.1528"
# Calcular el error porcentual
error_porcentual <- abs((pi-estimacion_pi)/pi)*100

# Imprimir el error porcentual
cat("El error porcentual es:", error_porcentual, "%\n")
## El error porcentual es: 0.3567409 %
# Generar 1000 coordenadas con distribución uniforme en el intervalo (0, 1)
n = 100000
x <- runif(n, 0, 1)
y <- runif(n, 0, 1)

# Verificar si cada punto está dentro del círculo
puntos_dentro_del_circulo <- (x - 0.5)^2 + (y - 0.5)^2 < 0.25

# Contar cuántos puntos están dentro del círculo
puntos_dentro <- sum(puntos_dentro_del_circulo)

# Calcular la proporción de puntos dentro del círculo
proporcion_dentro <- puntos_dentro / 100000

# Estimar π usando la relación entre el área del círculo y el área del cuadrado
estimacion_pi <- proporcion_dentro * 4

# Imprimir los resultados
print(paste("Número de puntos dentro del círculo:", puntos_dentro))
## [1] "Número de puntos dentro del círculo: 78600"
print(paste("Estimación de π:", estimacion_pi))
## [1] "Estimación de π: 3.144"
# Calcular el error porcentual
error_porcentual <- abs((pi-estimacion_pi)/pi)*100

# Imprimir el error porcentual
cat("El error porcentual es:", error_porcentual, "%\n")
## El error porcentual es: 0.07662822 %

Conclusiones

Con solo 1000 puntos, es probable que la estimación de pi tenga un sesgo significativo, pudiendo ser inferior en 0.05 o más unidades. Sin embargo, al aumentar el número de puntos a 10000 o 100000, es más probable obtener una estimación mucho más cercana al valor verdadero de pi.

PROBLEMA 2 - Propiedades de los estimadores

Enunciado

Propiedades de los estimadores La simulación ayuda a entender y validad las propiedades de los estimadores estadísticos como son. insesgadez, eficiencia y la consistencia principalmente. El siguiente problema permite evidenciar las principales características de un grupo de estimadores propuestos para la estimación de un parámetro asociado a un modelo de probabilidad.

Sean X1, X2, X3 y X4, una muestra aleatoria de tamaño n=4 cuya población la conforma una distribución exponencial con parámetro θ desconocido. Determine las características de cada uno de los siguientes estimadores propuestos:

Desarrollo

Muestra aleatoria de tamaño n=4

# Función de los estimadores

# Se define la función theta_1, que calcula un estimador utilizando una fórmula específica.

theta_1 <- function(x1, x2, x3, x4){
  return(
    (x1+x2)/6+(x3+x4)/3
  ) 
}

# Se define la función theta_2, que calcula otro estimador utilizando una fórmula diferente.

theta_2 <- function(x1, x2, x3, x4){
  return(
    (x1+2*x2+3*x3+4*x4)/5
  )
}

# Se define la función theta_3, que calcula otro estimador utilizando una fórmula diferente.

theta_3 <- function(x1, x2, x3, x4){
  return(
    (x1+x2+x3+x4)/4
  )
}

# Se define la función theta_4, que calcula otro estimador utilizando una fórmula diferente.

theta_4 <- function(x1, x2, x3, x4){
  return(
    ((min(x1,x2,x3,x4)+max(x1,x2,x3,x4))/2)
  )
}

# Se define la función comparacion_function que toma dos argumentos: n (la cantidad de datos) y theta_sup (el valor inicial supuesto para la distribución exponencial).

comparacion_function <- function(n, theta_sup){
  
# n <- La cantidad de datos
# theta_sup <- Es el valor inicial supuesto para la distribución exponencial
  
# Se establece una semilla para poder realizar un análisis de resultados más consistente
  
  set.seed(43)
  
# Distribuciones exponenciales para cada muestra (Se generan cuatro muestras de distribuciones exponenciales utilizando la función rexp)
  
  x1 <- rexp(n, theta_sup)
  x2 <- rexp(n, theta_sup)
  x3 <- rexp(n, theta_sup)
  x4 <- rexp(n, theta_sup)
  
# Crea el dataframe base (Se crea un dataframe llamado base que contiene las muestras generadas)
  
  base <- data.frame(x1, x2, x3, x4)
  
# Se calculan los estimadores con base en la muestra aleatoria (Se calculan los cuatro estimadores utilizando las funciones theta_1, theta_2, theta_3 y theta_4 definidas anteriormente)
  
  base$t1 <- apply(base, 1, function(row) theta_1(row['x1'], row['x2'], row['x3'], row['x4']))
  base$t2 <- apply(base, 1, function(row) theta_2(row['x1'], row['x2'], row['x3'], row['x4']))
  base$t3 <- apply(base, 1, function(row) theta_3(row['x1'], row['x2'], row['x3'], row['x4']))
  base$t4 <- apply(base, 1, function(row) theta_4(row['x1'], row['x2'], row['x3'], row['x4']))
  
# Se extraen los estimadores en un dataframe (Se extraen los estimadores en un nuevo dataframe llamado estimadores)
  
  estimadores <- base[c('t1', 't2', 't3', 't4')]
  
# Resumen de las estadisticas (Se calcula un resumen de las estadísticas para los estimadores)
  
  summary_data <- summary(estimadores)
  
# Se calcula la matriz de varianzas (Se calcula la matriz de varianzas para los estimadores)
  
  varianza <- var(estimadores)
  
# Reordena los estimadores para graficar (Se reorganiza el dataframe de estimadores para que sea más fácil graficarlo)
  
  estimadores_2 <- melt(estimadores, id.vars= NULL)
  
# Crea el grafico de boxplots (Se crea un gráfico de boxplots para comparar los estimadores)
  
  plot <- ggplot(estimadores_2, aes(variable, value)) + 
  geom_boxplot() +
  labs(x = "Estimadores", y = "Valor", title = paste("Comparación de los estimadores con n = ", n)) +
  geom_hline(yintercept = 1/theta_sup, color = "blue", linetype = "dashed")
  
# Genera el listado de resultados (Se genera una lista que contiene el resumen de estadísticas, el gráfico y la varianza de los estimadores)
  
  resultados <- list(
    'summary' = summary_data,
    'grafico' = plot,  
    'varianza' = varianza
    )
  
# Se devuelve la lista de resultados.
  
  return(resultados)
}
# Cargar la biblioteca reshape2
library(reshape2)

# Cargar la biblioteca ggplot2
library(ggplot2)

# Se ejecuta la función

# Se define el valor de lambda como 1/5, que se utilizará como el valor inicial supuesto para la distribución exponencial.

lambda = 1/5

#Se ejecuta la función comparacion_function cuatro veces con diferentes valores de n: 20, 50, 100 y 1000.

case_1 <- comparacion_function(20, lambda)
case_2 <- comparacion_function(50, lambda)
case_3 <- comparacion_function(100, lambda)
case_4 <- comparacion_function(1000, lambda)
# Graficar los diagramas de caja para cada caso
library(ggplot2)

# Graficar caso_1
print(case_1$grafico)

# Obtener resumen estadístico para cada caso
summary_case_1 <- case_1$summary

# Mostrar los resúmenes estadísticos
print("Resumen estadístico para caso 1:")
## [1] "Resumen estadístico para caso 1:"
print(summary_case_1)
##        t1              t2               t3               t4       
##  Min.   :0.893   Min.   : 1.538   Min.   :0.9379   Min.   :1.073  
##  1st Qu.:3.470   1st Qu.: 6.614   1st Qu.:3.4240   1st Qu.:3.947  
##  Median :5.504   Median :10.161   Median :5.5138   Median :5.371  
##  Mean   :5.197   Mean   :10.385   Mean   :5.0683   Mean   :5.762  
##  3rd Qu.:6.799   3rd Qu.:13.351   3rd Qu.:7.0154   3rd Qu.:8.715  
##  Max.   :8.812   Max.   :19.891   Max.   :8.6619   Max.   :9.500
# Graficar caso_2
print(case_2$grafico)

# Obtener resumen estadístico para cada caso
summary_case_2 <- case_2$summary

# Mostrar los resúmenes estadísticos
print("Resumen estadístico para caso 2:")
## [1] "Resumen estadístico para caso 2:"
print(summary_case_2)
##        t1                t2               t3                t4         
##  Min.   : 0.7676   Min.   : 1.291   Min.   : 0.8267   Min.   : 0.9192  
##  1st Qu.: 2.7393   1st Qu.: 5.463   1st Qu.: 2.8660   1st Qu.: 3.3931  
##  Median : 3.9613   Median : 7.680   Median : 4.2893   Median : 5.0044  
##  Mean   : 4.7631   Mean   : 9.494   Mean   : 4.8295   Mean   : 5.6512  
##  3rd Qu.: 6.4573   3rd Qu.:13.415   3rd Qu.: 6.3917   3rd Qu.: 7.8322  
##  Max.   :12.8742   Max.   :28.444   Max.   :13.0030   Max.   :13.3895
# Graficar caso_3
print(case_3$grafico)

# Obtener resumen estadístico para cada caso
summary_case_3 <- case_3$summary

# Mostrar los resúmenes estadísticos
print("Resumen estadístico para caso 3:")
## [1] "Resumen estadístico para caso 3:"
print(summary_case_3)
##        t1                t2               t3                t4         
##  Min.   : 0.6756   Min.   : 1.305   Min.   : 0.5755   Min.   : 0.7059  
##  1st Qu.: 2.7407   1st Qu.: 5.409   1st Qu.: 2.9732   1st Qu.: 3.7639  
##  Median : 4.5097   Median : 8.856   Median : 4.8025   Median : 5.3245  
##  Mean   : 5.2877   Mean   :10.571   Mean   : 5.1732   Mean   : 6.1903  
##  3rd Qu.: 7.0922   3rd Qu.:12.990   3rd Qu.: 6.4795   3rd Qu.: 8.1097  
##  Max.   :17.0983   Max.   :33.614   Max.   :16.8750   Max.   :17.8147
# Graficar caso_4
print(case_4$grafico)

# Obtener resumen estadístico para cada caso
summary_case_4 <- case_4$summary

# Mostrar los resúmenes estadísticos
print("Resumen estadístico para caso 4:")
## [1] "Resumen estadístico para caso 4:"
print(summary_case_4)
##        t1                t2               t3                t4         
##  Min.   : 0.6783   Min.   : 1.290   Min.   : 0.7036   Min.   : 0.7254  
##  1st Qu.: 3.1534   1st Qu.: 6.129   1st Qu.: 3.2511   1st Qu.: 3.7199  
##  Median : 4.5629   Median : 8.988   Median : 4.5786   Median : 5.3353  
##  Mean   : 4.9618   Mean   : 9.894   Mean   : 4.9824   Mean   : 5.8615  
##  3rd Qu.: 6.3222   3rd Qu.:12.693   3rd Qu.: 6.3447   3rd Qu.: 7.4468  
##  Max.   :14.8297   Max.   :31.667   Max.   :16.1014   Max.   :24.8964

Conclusiones

Tras analizar los gráficos y tablas previas, se observa que los estimadores θ1, θ2 y θ3 muestran valores cercanos a la media teórica de 5, lo que sugiere un bajo sesgo en comparación con θ4, cuyo valor medio es aproximadamente el doble de la media, indicando un sesgo más pronunciado. Entre estos, el estimador θ3 destaca al tener el valor medio más próximo al teórico.

Asimismo, al examinar el gráfico de boxplots y la matriz de varianzas, se aprecia que θ3 exhibe el menor grado de dispersión, lo que lo convierte en el estimador más eficiente, seguido por θ1, θ4 y θ2, respectivamente.

En cuanto a la consistencia, únicamente θ1 y θ3 muestran una reducción apreciable del sesgo a medida que aumenta el tamaño de la muestra, lo que indica consistencia en su rendimiento. En resumen, los resultados sugieren que el estimador más favorable es θ3, al presentar un bajo sesgo, eficiencia y consistencia en comparación con los demás estimadores evaluados.

PROBLEMA 3 - Teorema del Limite Central

Enunciado

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:

Desarrollo

# Función global para el proceso (Establece una función llamada ejecutar_proceso que toma un argumento p_enferma, que representa la proporción de personas enfermas en la población.)

ejecutar_proceso <- function(p_enferma) {
  
# Cantidad exacta de enfermos (Calcula la cantidad exacta de personas enfermas en una población de tamaño 1000, redondeando el producto de p_enferma y 1000.)
  
  n_enfermos <- round(1000 * p_enferma)
  
# Crear el vector de población (Crea un vector llamado poblacion que representa la población, donde 1 representa una persona enferma y 0 representa una persona sana)
  
  poblacion <- c(rep(1, n_enfermos), rep(0, 1000 - n_enfermos))
  
# Mezclar el vector (Aleatoriza el vector poblacion para simular la selección aleatoria de personas de la población)
  
  set.seed(123) # Para mantener reproducibilidad al aleatorizar
  poblacion <- sample(poblacion)
  
# Función para obtener muestras aleatorias y estimador pˆ (media) (Define una función llamada obtener_muestra que toma una muestra aleatoria de la población y calcula la media de la muestra.)
  
  obtener_muestra <- function(poblacion, n_muestra) {
    muestra <- sample(poblacion, n_muestra, replace=TRUE)
    media <- mean(muestra)
    return(media) 
  }
  
# (Define los tamaños de muestra n_muestra y crea un dataframe vacío llamado resultados para almacenar los resultados del análisis)
  
  n_muestra <- c(5, 10, 15, 20, 30, 50, 60, 100, 200, 500)
  resultados <- data.frame()
  
# (Itera sobre diferentes tamaños de muestra, generando 500 muestras para cada tamaño y calculando la media, el sesgo, la varianza y el valor p de la prueba de normalidad de Shapiro para cada muestra. Almacena los resultados en el dataframe resultados)
  
  for (n in n_muestra) {
    p_muestras <- replicate(500, obtener_muestra(poblacion, n))
    media_n <- mean(p_muestras)
    sesgo <- media_n - p_enferma
    varianza <- var(p_muestras)
    p_value <- shapiro.test(p_muestras)$p.value
    resultados <- rbind(resultados, data.frame(Muestra=n, Media=media_n, Sesgo=sesgo, Varianza=varianza, PValueShapiro=p_value))
  }
  
# Imprime los resultados del análisis. 
  
  print(resultados)
  
# (Configura la disposición de los gráficos y crea gráficos QQ-plot para tamaños de muestra específicos)
  
par(mfrow=c(2,3))  
  n_interes <- c(5, 15, 30, 50, 100, 500)
  for (n in n_interes) {
    p_muestras <- replicate(500, obtener_muestra(poblacion, n))
    qqnorm(p_muestras, main=paste("QQ-plot para n =", n))
    qqline(p_muestras, col="red")
  }
  
# (Crea histogramas para los mismos tamaños de muestra específicos)
  
  for (n in n_interes) {
    p_muestras <- replicate(500, obtener_muestra(poblacion, n))
    hist(p_muestras, main=paste("Histograma para n =", n), xlab="Proporción Muestral", xlim=c(0,1), breaks=30, col="lightblue", border="black")
  }
}
par(mfrow=c(1,1))
  1. Población enferma = 50%
set.seed(123)
ejecutar_proceso(0.50)
##    Muestra     Media         Sesgo     Varianza PValueShapiro
## 1        5 0.5068000  0.0068000000 0.0498935471  9.383589e-15
## 2       10 0.5062000  0.0062000000 0.0245907415  1.337564e-09
## 3       15 0.5006667  0.0006666667 0.0155061234  6.269464e-08
## 4       20 0.4929000 -0.0071000000 0.0116178257  1.584788e-06
## 5       30 0.4974667 -0.0025333333 0.0081788288  2.907903e-06
## 6       50 0.5049600  0.0049600000 0.0054935856  8.212550e-03
## 7       60 0.5005000  0.0005000000 0.0043200568  1.724943e-02
## 8      100 0.5048600  0.0048600000 0.0028983772  3.476978e-02
## 9      200 0.4984500 -0.0015500000 0.0013849173  5.734312e-03
## 10     500 0.5001560  0.0001560000 0.0005322001  4.098372e-01

  1. Población enferma = 10%
set.seed(123)
ejecutar_proceso(0.10)
##    Muestra     Media        Sesgo     Varianza PValueShapiro
## 1        5 0.1132000  0.013200000 0.0199456513  8.759113e-28
## 2       10 0.0970000 -0.003000000 0.0089889780  1.390535e-22
## 3       15 0.1014667  0.001466667 0.0057426676  2.812273e-17
## 4       20 0.0967000 -0.003300000 0.0039419940  4.138921e-15
## 5       30 0.0992000 -0.000800000 0.0026001158  1.311643e-11
## 6       50 0.1028400  0.002840000 0.0019406156  4.403408e-07
## 7       60 0.1021000  0.002100000 0.0015024839  1.629807e-06
## 8      100 0.0990600 -0.000940000 0.0009720605  3.000300e-04
## 9      200 0.0990400 -0.000960000 0.0004063912  8.184784e-03
## 10     500 0.1002880  0.000288000 0.0001922055  3.753490e-02

  1. Población enferma = 90%
set.seed(123)
ejecutar_proceso(0.90)
##    Muestra     Media        Sesgo     Varianza PValueShapiro
## 1        5 0.9060000  0.006000000 0.0170380762  4.015443e-29
## 2       10 0.9072000  0.007200000 0.0082446493  8.356577e-23
## 3       15 0.9030667  0.003066667 0.0061272946  1.363636e-18
## 4       20 0.8984000 -0.001600000 0.0043962325  1.987297e-15
## 5       30 0.9013333  0.001333333 0.0027370296  6.291843e-12
## 6       50 0.9018000  0.001800000 0.0018364329  1.127938e-07
## 7       60 0.8976333 -0.002366667 0.0016014908  4.538232e-08
## 8      100 0.9008800  0.000880000 0.0008946148  5.538711e-07
## 9      200 0.8998300 -0.000170000 0.0004369951  2.366639e-02
## 10     500 0.9001720  0.000172000 0.0001647559  9.635314e-03

Conclusión

Tras analizar los gráficos y tablas previas, se observa que los estimadores θ1, θ2 y θ3 muestran valores cercanos a la media teórica de 5, lo que sugiere un bajo sesgo en comparación con θ4, cuyo valor medio es aproximadamente el doble de la media, indicando un sesgo más pronunciado. Entre estos, el estimador θ3 destaca al tener el valor medio más próximo al teórico. Asimismo, al examinar el gráfico de boxplots y la matriz de varianzas, se aprecia que θ3 exhibe el menor grado de dispersión, lo que lo convierte en el estimador más eficiente, seguido por θ1, θ4 y θ2, respectivamente. En cuanto a la consistencia, únicamente θ1 y θ3 muestran una reducción apreciable del sesgo a medida que aumenta el tamaño de la muestra, lo que indica consistencia en su rendimiento. En resumen, los resultados sugieren que el estimador más favorable es θ3, al presentar un bajo sesgo, eficiencia y consistencia en comparación con los demás estimadores evaluados.

PROBLEMA 4 - Estimación boostrap

Enunciado

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 y 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∗2,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 X∗i¯, obteniéndose un valor para cada muestra. El intervalo de confianza queda conformado por los percentiles P2.5 y P97.5. Existen dos métodos para estimarlo:

Construya el intervalo de confianza por los dos métodos y compare los resultados obtenidos. Comente los resultados. Confiaría en estas estimaciones?

Desarrollo

  1. Construcción de matriz y calculo de medias:

Se va generar la matriz con los datos entregados en el ejercicio y por bootstrap. Se genero una muestra de 1000 filas a las cuales se les calcula su media:

x <- c( 7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45) # Datos muestra
boot<- sample(x,1000,replace=TRUE) # Se extraen n x m muestras
b <- matrix(boot,nrow=1000,ncol=7, byrow =TRUE) # Se construye matriz de n x m 
mx<- apply(b,1,mean)  # Se calculan m medias por fila
  1. Intervalo de confianza Método 1
ic1=quantile(mx, probs=c(0.025, 0.975)) # se calcula IC método 1
  1. Intervalo de confianza por Método 2
ic2=c(2*mean(mx)-ic1[2], 2*mean(mx)-ic1[1]) # se calcula IC método 2
  1. Histograma y prueba de resultados
hist(mx, las=1, main="Distribución de medias con IC calculados por método 1 y 2 ", ylab = " ", xlab = "Medias", col="#039483")
abline(v=ic1, col="#FF7F00",lwd=2)
abline(v=ic2, col="#c714a3",lwd=2)
legend("topright", legend = c("IC Método 1", "IC Método 2"), col = c("#FF7F00", "#c714a3"), lwd = 2)

Conclusión

El histograma muestra una ligera asimetría hacia la derecha en la distribución de datos, con la media cerca de las 5.5 millas por galón. A medida que crece el tamaño de la muestra, los datos se aproximan más a una distribución normal. Los métodos 1 y 2 generan intervalos de confianza que contienen la media, aunque ligeramente desplazados en direcciones opuestas. Siempre y cuando la muestra sea representativa y un mayor tamaño mejore la precisión de los intervalos, se puede confiar en los resultados obtenidos mediante el método bootstrap.