Bootstrapping

Bootstrapping sencillo

####Primer Ejemplo####
#Cargar librería necesaria
library(boot)


#Datos originales
salarios <- c(2000, 2500, 2800, 3200, 4000, 4500, 5000, 6000, 6500, 7000)

#Función para calcular la media (para el bootstrap)
bootstrap_media <- function(data, indices) {
  return(mean(data[indices]))  # Calcula la media de la muestra remuestreada
}

#Aplicar Bootstrap con 1000 repeticiones
set.seed(616)  # Fijamos seed para reproducibilidad
bootstrap_result <- boot(data = salarios, statistic = bootstrap_media, R = 1000)

#Mostrar resumen de resultados
print(bootstrap_result)

## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = salarios, statistic = bootstrap_media, R = 1000)
## 
## 
## Bootstrap Statistics :
##     original  bias    std. error
## t1*     4350   -6.14    513.2681

#Calcular Intervalo de Confianza del 95%
intervalo_confianza <- boot.ci(bootstrap_result, type = "perc")
print(intervalo_confianza)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (3380, 5379 )  
## Calculations and Intervals on Original Scale

hist(bootstrap_result$t, main = "Distribución Bootstrap de la Media",
     xlab = "Media Remuestreada", col = "lightblue", border = "black")

bootstrap_result2 <- boot(data = bootstrap_result$t, statistic = bootstrap_media, R = 1000)

intervalo_confianza2 <- boot.ci(bootstrap_result2, type = "perc")
print(intervalo_confianza2)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result2, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (4313, 4375 )  
## Calculations and Intervals on Original Scale

####Dos grupos####
#Cargar librería necesaria
library(boot)

#Datos de salarios por departamento
salarios_A <- c(2500, 2800, 3000, 3500, 4000, 4200, 4500, 4800, 5000, 5500)
salarios_B <- c(2800, 3200, 3600, 4000, 4500, 4700, 5000, 5500, 6000, 6500)

#Función para calcular la diferencia de medias
bootstrap_diff_means <- function(data, indices) {
  datos_A <- data[indices[1:10]]  # Primeros 10 valores son del grupo A
  datos_B <- data[indices[11:20]] # Últimos 10 valores son del grupo B
  return(mean(datos_B) - mean(datos_A))  # Diferencia de medias
}

#Unir datos en un solo vector
datos_combinados <- c(salarios_A, salarios_B)

#Aplicar Bootstrap con 1000 repeticiones
set.seed(616)  # Fijamos semilla para reproducibilidad
bootstrap_result <- boot(data = datos_combinados, statistic = bootstrap_diff_means, R = 1000)

#Mostrar resumen de resultados
print(bootstrap_result)

## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = datos_combinados, statistic = bootstrap_diff_means, 
##     R = 1000)
## 
## 
## Bootstrap Statistics :
##     original  bias    std. error
## t1*      600  -578.5    511.1703

#Calcular Intervalo de Confianza del 95%
intervalo_confianza <- boot.ci(bootstrap_result, type = "perc")
print(intervalo_confianza)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (-910.0, 1099.7 )  
## Calculations and Intervals on Original Scale

hist(bootstrap_result$t, main = "Distribución Bootstrap de la Diferencia de Medias",
     xlab = "Diferencia de Medias", col = "lightblue", border = "black")

bootstrap_result2 <- boot(data = bootstrap_result$t, statistic = bootstrap_diff_means, R = 1000)

#Mostrar resumen de resultados
print(bootstrap_result2)

## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = bootstrap_result$t, statistic = bootstrap_diff_means, 
##     R = 1000)
## 
## 
## Bootstrap Statistics :
##     original  bias    std. error
## t1*     -276 273.935    231.7484

#Calcular Intervalo de Confianza del 95%
intervalo_confianza2 <- boot.ci(bootstrap_result2, type = "perc")
print(intervalo_confianza2)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result2, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (-451.9,  456.9 )  
## Calculations and Intervals on Original Scale

Actividad 1:

####Ejercicio hotel Mirage ####
#Cargar librería necesaria
library(boot)

#Datos originales (Ocupación mensual del Hotel Mirage, en %)
ocupacion <- c(78, 82, 75, 80, 85, 88, 92, 90, 86, 84, 80, 83)

#Función para calcular la media (para el bootstrap)
bootstrap_media <- function(data, indices) {
  return(mean(data[indices]))  # Calcula la media de la muestra remuestreada
}

#Aplicar Bootstrap con 1000 repeticiones
set.seed(616)  # Fijamos seed para reproducibilidad
bootstrap_result <- boot(data = ocupacion, statistic = bootstrap_media, R = 1000)

#Mostrar resumen de resultados
print(bootstrap_result)

## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = ocupacion, statistic = bootstrap_media, R = 1000)
## 
## 
## Bootstrap Statistics :
##     original     bias    std. error
## t1* 83.58333 0.07033333    1.358444

#Calcular Intervalo de Confianza del 95%
intervalo_confianza <- boot.ci(bootstrap_result, type = "perc")
print(intervalo_confianza)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (81.00, 86.42 )  
## Calculations and Intervals on Original Scale

#Histograma de medias remuestreadas
hist(bootstrap_result$t, main = "Distribución Bootstrap de la Ocupación Media",
     xlab = "Ocupación remuestreada (%)", col = "lightblue", border = "black")

#(igual que en el ejemplo original) Bootstrap sobre el vector de estadísticas
bootstrap_result2 <- boot(data = bootstrap_result$t, statistic = bootstrap_media, R = 1000)

intervalo_confianza2 <- boot.ci(bootstrap_result2, type = "perc")
print(intervalo_confianza2)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result2, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (83.57, 83.74 )  
## Calculations and Intervals on Original Scale

####Dos grupos####
#Cargar librería necesaria
library(boot)

#Datos de ocupación por “semestre” (enero–junio vs. julio–diciembre)
ocupacion_A <- c(78, 82, 75, 80, 85, 88)      # Primeros 6 meses
ocupacion_B <- c(92, 90, 86, 84, 80, 83)      # Últimos 6 meses

#Función para calcular la diferencia de medias
bootstrap_diff_means <- function(data, indices) {
  datos_A <- data[indices[1:6]]   # Primeros 6 valores son del grupo A
  datos_B <- data[indices[7:12]]  # Últimos 6 valores son del grupo B
  return(mean(datos_B) - mean(datos_A))  # Diferencia de medias
}

#Unir datos en un solo vector
datos_combinados <- c(ocupacion_A, ocupacion_B)

#Aplicar Bootstrap con 1000 repeticiones
set.seed(616)  # Fijamos semilla para reproducibilidad
bootstrap_result <- boot(data = datos_combinados, statistic = bootstrap_diff_means, R = 1000)

#Mostrar resumen de resultados
print(bootstrap_result)

## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = datos_combinados, statistic = bootstrap_diff_means, 
##     R = 1000)
## 
## 
## Bootstrap Statistics :
##     original    bias    std. error
## t1*      4.5 -4.368333    2.791358

#Calcular Intervalo de Confianza del 95%
intervalo_confianza <- boot.ci(bootstrap_result, type = "perc")
print(intervalo_confianza)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (-5.496,  5.662 )  
## Calculations and Intervals on Original Scale

#Histograma de diferencias de medias
hist(bootstrap_result$t, main = "Distribución Bootstrap de la Diferencia de Ocupación",
     xlab = "Diferencia de medias (B - A) en puntos porcentuales",
     col = "lightblue", border = "black")

#(igual que en el ejemplo original) Bootstrap sobre las estadísticas
bootstrap_result2 <- boot(data = bootstrap_result$t, statistic = bootstrap_media, R = 1000)

#Mostrar resumen de resultados
print(bootstrap_result2)

## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = bootstrap_result$t, statistic = bootstrap_media, 
##     R = 1000)
## 
## 
## Bootstrap Statistics :
##      original      bias    std. error
## t1* 0.1316667 0.001644833  0.08861677

#Calcular Intervalo de Confianza del 95%
intervalo_confianza2 <- boot.ci(bootstrap_result2, type = "perc")
print(intervalo_confianza2)

## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 1000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = bootstrap_result2, type = "perc")
## 
## Intervals : 
## Level     Percentile     
## 95%   (-0.0468,  0.3072 )  
## Calculations and Intervals on Original Scale

Recomendaciones si la ocupación cae 80%

precios dinámicos y paquetes (noches extra, desayuno/spa) en días valle;

más visibilidad en OTAs + campañas locales;

atraer segmentos alternos (corporativo local, grupos, “staycations”, trabajo remoto);

campañas a clientes previos (beneficios: upgrade/late checkout);

empujar reservas directas con mejores condiciones;

mejorar experiencia clave (wifi, limpieza, check‑in) para subir reviews y conversión.