Pc2 Estadistica Computacional

Alumno: Ramos Gomez Roly Vidal

Código: 201080763

Pregunta 2

Si el peso del ganado vacuno de una determinada raza se distribuye según una Normal con media
de 600 kilos y desviación estándar de 35 kilos simule los pesos de 1500 de estos ganados y
grafique un histograma con los datos
> set.seed(10)
> peso=rnorm(1500,600,35)
> hist(peso)
> mean(peso)
[1] 600.4774
> sd(peso)
[1] 35.74363

Podemos notar que fijando la semilla de valor 10 y utilizando la función rnorm, obtenemos datos
que provienen de la distribución Normal con media 1500 y desviación estándar de 35
aproximadamente ya que se debe tener en cuenta que son valores simulados. El histograma
muestra la simetría característica de la distribución Normal.
Pregunta 3

Haga un programa que estime el promedio podado (eliminando 5% de los datos mínimos y 5% de
los datos mayores) por remuestreo. Muestre un histograma de los errores de 500 muestras
Bootstrap con 500 repeticiones

#Creamos la función “mp” que calcula la media podada. Los argumentos necesarios son un vector
de dato y el valor porcentual a podar. Como resultado se obtienen los datos podados y su
respectiva media podada.
> mp<-function(datos,poda){
+ n<-length(datos)
+ datos<-sort(datos)
+ corta<-round(poda*n)
+ datos<-datos[(corta+1):(n-corta)]
+ mpod<-mean(datos)
+ return(list(datos=datos,mpod=mpod))
+ }
#ingresamos los datos
> data=c(7.85,8.20,7.90,7.50,7.90,6.65,7.80,8.40,7.70,7.80,7.60,8.20,8.10
,8.10,
+ 8,7.25,7.6,8.35,8,6.7,7.1,7.8,7.7,7.2,6.4,6.3,8.4,7.9,7.3,
+ 7.6,8.1,8.4,8.35,7.9,7.2,8,9.2,8.75,8.05,8,8.2,9.15,8.4,8.2,
+ 7.8,8.3,8.2,7.8,8.5,9,8.7,8.2,8.6,7.3,8.6,9.3,8.5,8.8)

> mp(data,0.05)
$datos
[1] 6.70 7.10 7.20 7.20 7.25 7.30 7.30 7.50 7.60 7.60 7.60 7.70 7.70 7.8
0 7.80 7.80 7.80 7.80 7.85 7.90 7.90 7.90 7.90
[24] 8.00 8.00 8.00 8.00 8.05 8.10 8.10 8.10 8.20 8.20 8.20 8.20 8.20 8.2
0 8.30 8.35 8.35 8.40 8.40 8.40 8.40 8.50 8.50
[47] 8.60 8.60 8.70 8.75 8.80 9.00

$mpod
[1] 7.996154
La media podada de los datos es 7.99

Luego creamos el programa “mpboot” que calcula la estimación Bootstrap de la media podada y
su respectivo error estándar.
> mpboot=function(datos,B,poda){
+ n=length(datos)
+ estim=rep(0,B)
+ for(i in 1:B){
+ estim[i]=mp(datos[sample(1:n,n,TRUE)],poda)$mpod
+ }
+ estim.b=mean(estim)
+ ee.b=sd(estim)
+ return(list(estim.b=estim.b,ee.b=ee.b))
+ }
> mpboot(data,500,0.05)
$estim.b
[1] 7.989094

$ee.b
[1] 0.08337268
Se puede observar que la estimación Bootstrap para la media podada es de 7.989 valor muy
cercano a la estimación clásica, con un error estándar de 0.08.

Finalmente creamos la función “mpee” que calcula el error estándar de B muestras Bootstrap
utilizando “r” repeticiones. Como resultado arroja un histograma y el CV de dichos errores
calculados.

> mpee=function(datos,B,r,poda){
+ e=rep(0,r)
+ for(i in 1:r){e[i]=mpboot(datos,B,poda)$ee.b }
+ cv=sd(e)/mean(e)
+ hist(e)
+ return(cv)
+ }
> mpee(data,500,500,0.05)
[1] 0.03285225

Podemos apreciar que el histograma de los errores de estimación Bootstrap es simétrico y tiene
ligera tendencia a distribución Normal. El CV de dichos errores en el ensayo fue de 3.2% lo que
indica que con 500 muestras Bootstrap se obtiene una estimación confiable.