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.