Universidad de El Salvador

Facultad de Ciencias Naturales y Matemtica

Escuela de Matemtica
Proyecto # 2 de Estadstica II: Simulaciones en R
Docente: Msc. Rolando Lemus
Integrantes:
Gmez Jurez, Csar Omar

GJ12001

Sola Gutirrez, Vitelio Alexander

SG12031

CASO 1
Considere la poblacin de lanzamientos de un dado que se genera la lanzar un nmero infinitamente grande de veces. Graficar la distribucin de
probabilidad de esta poblacin.

> table(t)
t
1

1619 1655 1706 1627 1668 1725

> table(t)/sum(table(t))
t
1

0 .0 0

0 .0 5

0 .1 0

0 .1 5

0.1619 0.1655 0.1706 0.1627 0.1668 0.1725

Obtenga una muestra de n=5 observaciones de esta poblacin, simulando el lanzamiento de un dado 5 veces y registre las 5 observaciones. En seguida,
calcule la suma y la media de las 5 observaciones.
> s<-sample(1:6,5,rep=T);s
[1] 5 1 6 1 1
> mean(s)
[1] 2.8
> sum(s)
[1] 14

Para propsitos experimentales, repita el procedimiento de muestreo 100 veces. Luego, construya el histograma de frecuencias de la suma y media
para las 100 muestras y observe la distribucin resultante y comntela.

10
5
0

F re q u e n cy

15

20

Histogram of sumatorias

10

15

20

25

sumatorias

Se observa que en los extremos del histograma se acumula poca frecuencia; mientras que en el centro se acumula una frecuencia mayor, podramos decir
que existe una aproximacin a la curva normal, aunque no es muy notable ya que las muestras que se han tomado constan, nicamente de 5 observaciones.

15
0

10

F re q u e n cy

20

25

30

Histogram of medias

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

medias

Se observa, con respecto al grfico anterior una mejor aproximacin a la curva normal, es decir puesto que cada muestra que se ha
tomado consta de 10 observaciones, la distribucin tienen una aproximacin ms cercana a la normal.

Qu sucede si repite el experimento que se describi con una muestra de mayor tamao, digamos n=10?

En este experimento se ilustra la idea bsica contenida en el teorema del lmite central (TLC). Enncielo para el caso de la suma y la media
respectivamente.

0
0

5
5

10
10

F re q u e n cy
F re q u e n cy
15
20
15
20

25
25

30
30

Histogram
Histogram of
of medias
sumatorias

2.020

2.525

3.030

3.5 35

4.0 40
sumatorias
medias

4.5 45

5.050

5.555

CASO 2
Suponga que cada Xi est distribuida uniformemente sobre [0,1]. Encuentre la media y desviacin estndar correspondientes.

Luego defina Z segn el TLC. Para n = 50, genere 500 simulaciones de S50 en el computador y grafique el histograma de rea total 1 y ajuste la
funcin de densidad normal sobre l.
z=

S nn s5050
=
n
50

50 distribuciones uniformes

500 simulaciones de S50

0.20

Histogram of S50

0.15

> mean(X)
[1] 0.4981792
0.10

Density

> sd(X)
[1] 0.2868496

0.05

> medianorm<-(mean(X)*50);medianorm
[1] 24.90896
> varianzanorm<-(sd(X)*sqrt(50));varianzanorm
0.00

[1] 2.028333
20

22

24

26
S50

28

30

32

CASO 3
Sean T1 , , Tn variables aleatorias independientes idnticamente distribuidas exponencialmente con parmetro . Entonces Sn = T1 + + Tn tiene
distribucin gamma. Luego el TLC reclama que Sn , una vez estandarizado, tiene una densidad que es aproximadamente N(0,1) para n grande.
Para valores diferentes de n (2, 4, 8, 16, 32), fijo muestre la densidad de Z con la densidad de N(0,1) superpuesta, cuando el experimento se repite en
cada caso.
Sugerencia: utilice el software R para las muestras, clculos y grficos del experimento.

0 .0

0 .1

0 .2

0 .3

0 .4

D e n sity
0 .5

0 .6

0 .7

Histogram of u

0
1
2
3

u
4
5

Para n=4

0 .0

0 .1

0 .2

D e n sity
0 .3

0 .4

Histogram of S4

0
2
4

S4
6

Para n=8

0 .0 0

0 .0 5

0 .1 0

0 .1 5

D e n sity
0 .2 0

0 .2 5

Histogram of S8

0
2
4
6
8

S8
10
12

Para n=16

0 .0 0

0 .0 5

0 .1 0

D e n sity
0 .1 5

0 .2 0

Histogram of S16

5
10

S16

15

Para n=32

0 .0 0

0 .0 2

0 .0 4

0 .0 6

0 .0 8

D e n sity
0 .1 0

0 .1 2

0 .1 4

Histogram of S32

10
15
20

S32
25

CASO 4
Presentar n ensayos de Bernoulli con probabilidad p de xito. La fraccin de las veces que resulta xito es
S
1
X = ( X 1 ++ X n )= n
n
n
Donde Xi es 1 0 con probabilidad p, q respectivamente. Puesto que

=E ( X i )= p .

P(|X p| ) 0

Cuando n

para cada

>0

fijado.

a) Probar que la ley de los grandes nmeros lleva a la interpretacin frecuencial de probabilidad.
La varianza de la variable aleatoria binomial X ~ Bin(n,p) est dada por V(X)=np(1-p). Usando la desigualdad de Chebyshev,
P {|X np|< n }=1P {| Xnp| n } 1

Como

p(1 p)

p (1 p)
1
V ( X ) 1
2
( n )
n 2

1
4 , entonces

{| | }

X
1
p < 1
2
n
4 n

As si n entonces 1

{| | }

1
X
1, para un > 0 fijo , as pues P
p < =1 , y por complemento:
2
n
4 n

|{ Xn p|> }=0

b) Simule el lanzamiento de una moneda 50 veces, y observar el nmero de caras que aparecen. Fije un valor
> 0 , verifique la ley de los grandes nmero para la fraccin de veces que aparece xito; vaya incrementando el
tamao de la muestra.

> moneda <- c("C", "+"); moneda

[1] "C" "+"
> lanzamientos <- sample(moneda, 50, replace=TRUE); lanzamientos
[1] "C" "+" "C" "C" "+" "C" "C" "C" "+" "C" "+" "C" "C" "C"
[15] "C" "+" "C" "C" "+" "+" "C" "+" "C" "C" "C" "C" "+" "C"
[29] "+" "+" "C" "C" "+" "C" "C" "C" "C" "+" "C" "+" "+" "+"
[43] "+" "C" "C" "+" "C" "C" "C" "C"
> table(lanzamientos)
lanzamientos
+ C
18 32
> epsilon<-0.025;epsilon

[1] 1e-10
> x<-rbinom(50,1,prob=26/50);x
[1] 1 0 1 1 0 1 0 0 0 0 1 1 1 0 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0
[30] 0 0 1 0 1 1 0 1 0 0 0 0 1 1 1 1 0 0 1 1 1
> m<-mean(x);m
[1] 0.48
> p<-26/50
> abs(p-m)
[1] 0.04

Incremento la muestra n=100

zamientos <- sample(moneda,100, replace=TRUE); lanzamientos
[1] "+" "+" "C" "C" "C" "C" "+" "+" "C" "+" "C" "C" "+" "C" "+" "C" "C" "+"
[19] "+" "C" "C" "C" "C" "+" "C" "C" "C" "+" "+" "C" "C" "C" "C" "C" "+" "+"
[37] "+" "C" "+" "C" "+" "C" "+" "+" "+" "C" "+" "+" "C" "C" "C" "C" "C" "C"
[55] "+" "C" "C" "+" "+" "+" "C" "C" "+" "C" "C" "+" "C" "C" "C" "C" "C" "C"
[73] "C" "+" "C" "+" "+" "+" "C" "C" "C" "C" "C" "+" "+" "+" "C" "+" "+" "C"
[91] "+" "+" "C" "+" "+" "+" "C" "+" "C" "C"
> table(lanzamientos)
lanzamientos

+ C
43 57
> p<-48/100
> x<-rbinom(100,1,prob=48/100);x
[1] 0 0 1 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 1 1 1 1 0 0 1
[38] 1 0 0 1 0 1 0 0 1 1 0 0 1 0 1 0 1 1 0 0 0 1 0 0 0 1 0 0 1 1 1 0 0 0 0 0 1
[75] 1 1 1 0 1 0 0 1 0 1 0 1 0 0 1 1 1 0 1 1 0 1 1 1 1 1
> m<-mean(x);m
[1] 0.52
> abs(p-m)
[1] 0.04
Incrementando la muestra a n=1000

> table(lanzamientos)
lanzamientos
+ C
496 504

> m<-mean(x);m
[1] 0.536
> abs(p-m)
[1] 0.021