Problema 3

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.