Ejercicio 1 - Estadística Descriptiva

Seleccione una base de datos pública de su interés y seleccione una muestra de n observaciones aleatorias al azar. Alternativamente, simule una muestra aleatoria simple de al menos 1000 registros.

Punto 1 Describir para este caso la población, la muestra tomada, el experimento que estará usando, las variables bajo análisis y cualquier otra característica relevante para el procedimiento.

Para el desarrollo del presente trabajo se utilizó la Encuesta Permanente de Hogares (EPH) correspondiente al cuarto trimestre del año 2025, elaborada por el Instituto Nacional de Estadística y Censos (INDEC). El objetivo principal consiste en realizar un análisis estadístico descriptivo de la variable cualitativa “Tipo de Vivienda”, junto con las variables cuantitativas “Ingreso Total Familiar”, “Edad del Jefe de Hogar” e “Índice de Hacinamiento”

La base de datos es de acceso público y se encuentra disponible en el portal oficial del organismo (INDEC, 2025)

Fuente: https://www.indec.gob.ar/indec/web/Institucional-Indec-BasesDeDatos.

Originalmente, la información se presenta estructurada en dos archivos separados (hogares e individuos), los cuales fueron consolidados en un único libro de trabajo (Base_Datos_Consolidada.xlsx) con el propósito de optimizar el procesamiento computacional y facilitar la reproducibilidad del análisis. Las definiciones operativas se rigen por el diseño de registro oficial de la EPH.

Fuente: https://www.indec.gob.ar/ftp/cuadros/menusuperior/eph/EPH_registro_4T2025.pdf

Las variables seleccionadas para realizar el trabajo son las siguientes:

CH3: Relación de Parentesco - Variable categórica nominal utilizada para identificar al jefe de hogar.

IV1: Tipo de Vivienda - Variable cualitativa nominal.

II1: Ambientes/Habitaciones para uso exclusivo - Variable cuantitativa discreta.

IX_TOT: Cantidad de Miembros del Hogar - Variable cuantitativa discreta.

ITF: Monto de Ingreso Total Familiar - Variable cuantitativa continua.

CODUSU: Código de Vivienda - Cadena de caracteres empleada como clave primaria para la integración de las bases.

Adicionalmente, se construyó un indicador socioeconómico sintético mediante el cociente entre la cantidad de miembros y la cantidad de ambientes:

Indice de Hacinamiento: IX_TOT/II1 - Variable cuantitativa continua.

Durante el preprocesamiento de la base de individuos, se depuraron las inconsistencias vinculadas a la variable de parentesco (CH03). Debido a que la metodología de recolección puede generar múltiples registros por hogar, se aplicó un filtro para aislar exclusivamente al primer individuo declarado como “Jefe de Hogar”. Esto garantiza que cada unidad de observación (hogar) esté representada por un único referente, lo que evita la duplicación espuria de datos en la posterior integración de las tablas.

# Carga de archivos originales
ruta_base <- "Base_Datos_Consolidada_EPH_T425.xlsx"

# Carga de cada hoja en su variable correspondiente
hogar_raw <- read_excel(ruta_base, sheet = "Hogares", guess_max = 50000)
indiv_raw <- read_excel(ruta_base, sheet = "Individuos", guess_max = 50000)

# Preparación de la base Individual (Jefes)
jefes_limpios <- indiv_raw %>%
  filter(CH03 == 1) %>% 
  group_by(CODUSU) %>% 
  filter(row_number() == 1) %>% 
  ungroup() %>%
  rename(Edad_Jefe = CH06) %>%
  select(CODUSU, Edad_Jefe)

Se realizó un join (unión) entre ambas bases y se recodificó la variable numérica a una categoría legible (Tipo de Vivienda). Asimismo, se procedió al cálculo del Índice de Hacinamiento.

# Creación del dataset consolidado
df_base <- hogar_raw %>%
  mutate(IV1 = as.numeric(IV1), 
         II1 = as.numeric(II1)) %>% 
  rename(Tipo_Vivienda_Cod = IV1,
         Cant_Miembros = IX_TOT,
         Cant_Ambientes = II1, 
         Ingreso_Total_Familiar = ITF) %>%
  
  # Se filtran casos donde ambientes sea 0 o NA para evitar errores en división
  filter(!is.na(Cant_Ambientes), Cant_Ambientes > 0) %>% 
  
   # Recodificación de Vivienda
  mutate(Tipo_Vivienda = case_when(
    Tipo_Vivienda_Cod == 1 ~ "Casa", 
    Tipo_Vivienda_Cod == 2 ~ "Departamento",
    Tipo_Vivienda_Cod == 3 ~ "Habitación inquilinato", 
    Tipo_Vivienda_Cod == 4 ~ "Pieza hotel/pensión",
    Tipo_Vivienda_Cod == 5 ~ "Local no construido", 
    TRUE ~ "Otro"
  )) %>%
  
  mutate(Tipo_Vivienda = as.factor(Tipo_Vivienda)) %>%
  
  # Join y creación de variables derivadas
  inner_join(jefes_limpios, by = "CODUSU") %>%
  mutate(Indice_Hacinamiento = Cant_Miembros / Cant_Ambientes,
         ITF_Millones = Ingreso_Total_Familiar / 1000000) %>%
  select(CODUSU, Tipo_Vivienda, Cant_Miembros, Cant_Ambientes, 
         ITF_Millones, Edad_Jefe, Indice_Hacinamiento)

Una vez consolidado el marco muestral en el conjunto de datos df_base, se procedió a extraer una Muestra Aleatoria Simple (MAS) de \(n = 1000\) observaciones. Este procedimiento probabilístico garantiza la manejabilidad de los datos y mantiene la representatividad estadística del subconjunto respecto al universo de hogares analizado. Para asegurar la transparencia y la replicabilidad exacta del experimento, se fijó una semilla de aleatoriedad computacional (set.seed).

set.seed(12345) # Para reproducibilidad exacta de la muestra
muestra_tp <- df_base %>% sample_n(1000)

Punto 2 Generar un set de estadística descriptiva sobre la misma que le permita resumir la información obtenida, explicando para cada una de ellas su significado.

A continuación, se presentan las medidas de resumen estadístico para las principales variables analizadas en la muestra:

# Se genera la tabla de estadísticos descriptivos
# Generamos una tabla más limpia para el informe
summary(muestra_tp)
##     CODUSU                         Tipo_Vivienda Cant_Miembros   
##  Length:1000        Casa                  :779   Min.   : 1.000  
##  Class :character   Departamento          :215   1st Qu.: 2.000  
##  Mode  :character   Habitación inquilinato:  3   Median : 2.000  
##                     Local no construido   :  0   Mean   : 2.823  
##                     Otro                  :  2   3rd Qu.: 4.000  
##                     Pieza hotel/pensión   :  1   Max.   :10.000  
##  Cant_Ambientes    ITF_Millones       Edad_Jefe      Indice_Hacinamiento
##  Min.   : 1.000   Min.   : 0.0000   Min.   : 18.00   Min.   :0.0202     
##  1st Qu.: 2.000   1st Qu.: 0.0000   1st Qu.: 41.00   1st Qu.:0.5000     
##  Median : 3.000   Median : 0.8723   Median : 54.00   Median :1.0000     
##  Mean   : 3.073   Mean   : 1.1789   Mean   : 54.26   Mean   :1.0630     
##  3rd Qu.: 4.000   3rd Qu.: 1.7000   3rd Qu.: 68.00   3rd Qu.:1.3333     
##  Max.   :99.000   Max.   :15.6000   Max.   :100.00   Max.   :5.0000

De la observación de los estadísticos descriptivos se desprenden las siguientes conclusiones sobre la estructura sociodemográfica de la muestra:

Características Habitacionales: El análisis de la variable cualitativa Tipo de Vivienda revela una fuerte concentración modal, donde la inmensa mayoría de la población reside en estructuras consolidadas (77.9% en Casas y 21.5% en Departamentos), siendo estadísticamente residuales las condiciones habitacionales precarias u hoteleras.

Composición del Hogar: Tanto la Cantidad de Miembros como la Cantidad de Ambientes presentan una distribución con asimetría positiva (cola hacia la derecha). El hogar típico (mediana) está conformado por grupos familiares reducidos de 2 miembros que residen en 3 ambientes. Esto configura un Índice de Hacinamiento mediano de 1.0 (una persona por ambiente), indicando condiciones de habitabilidad predominantemente adecuadas, con muy pocos casos extremos de hacinamiento crítico (máximo de 5.0).

Ingresos (Variable Económica): El Ingreso Total Familiar exhibe el clásico comportamiento asimétrico a la derecha de las variables monetarias. Mientras que el 75% de la muestra (Tercer Cuartil) percibe ingresos de hasta 1.70 millones, la presencia de unos pocos hogares con ingresos excepcionalmente altos (máximo de 15.60 millones) tracciona la media hacia arriba (\(M = 1.17\) millones), alejándola de la mediana (\(Mdn = 0.87\) millones).

Demografía del Referente: A diferencia de las métricas anteriores, la Edad del Jefe de Hogar quiebra la tendencia asimétrica presentando un comportamiento marcadamente simétrico (cercano a la distribución normal). La convergencia casi perfecta entre su media (\(54.26\) años) y su mediana (\(54.00\) años) refleja la estructura de una población madura y numéricamente equilibrada en sus extremos.

Análisis Visual: Detección de Valores Atípicos (Outliers)

Para comprender la variabilidad intrínseca de los datos de manera gráfica, se elaboraron diagramas de caja y bigote (boxplots). Esta herramienta resulta fundamental para visualizar de forma comparativa las asimetrías detectadas en la tabla anterior.

par(mfrow = c(1, 3))
boxplot(muestra_tp$ITF_Millones, 
        main = "Ingreso Familiar (Millones $)", 
        col = "#F5B041", 
        ylab = "Millones de Pesos")
boxplot(muestra_tp$Indice_Hacinamiento, 
        main = "Índice Hacinamiento", 
        col = "#58D68D", 
        ylab = "Personas / Ambiente")
boxplot(muestra_tp$Edad_Jefe, 
        main = "Edad del Jefe", 
        col = "#5DADE2", 
        ylab = "Años")

Como puede observarse en los diagramas, la variable de ingresos presenta una vasta cantidad de valores atípicos superiores, confirmando visualmente el sesgo descripto. En contraste, el diagrama de la Edad del Jefe de Hogar exhibe una caja perfectamente centrada y carece por completo de outliers.

Punto 3 Generar un histograma para una de las variables cuantitativas, utilizando la forma que considere más correcta para agrupar las categorías. Elija la variable que mayor simetría consiga en el histograma resultante.

Se seleccionó la variable Edad del Jefe de Hogar. Esta elección se fundamenta en el análisis descriptivo previo, donde se observó que la media (54.26) y la mediana (54.00) son prácticamente idénticas, lo que sugiere una distribución con asimetría cercana a cero, a diferencia del Ingreso o el Hacinamiento, que presentan fuertes sesgos hacia la derecha.

Metodología de Agrupación Para la construcción del histograma, se utilizó la Regla de Sturges para determinar el número de intervalos (k). Esta regla define que: \[k = 1 + \log_2(n)\]

Para nuestra muestra de n=1000, el número óptimo de intervalos es aproximadamente 11. Este método permite un equilibrio entre la suavidad de la curva y el detalle de los datos, evitando que el histograma se vea “serruchado” o demasiado simplificado.

# Cálculo de la media para marcarla en el gráfico
media_edad <- mean(muestra_tp$Edad_Jefe)
mediana_edad <- median(muestra_tp$Edad_Jefe)

# Generación del histograma
hist(muestra_tp$Edad_Jefe, 
     breaks = "Sturges", 
     col = "steelblue", 
     border = "white",
     main = "Histograma de Edad del Jefe de Hogar", 
     xlab = "Edad (años)", 
     ylab = "Frecuencia Absoluta",
     labels = FALSE)

# Añadimos líneas para visualizar la simetría
abline(v = media_edad, col = "red", lwd = 2, lty = 2) # Línea de Media
abline(v = mediana_edad, col = "darkgreen", lwd = 2, lty = 3) # Línea de Mediana

legend("topright", legend = c("Media", "Mediana"), 
       col = c("red", "darkgreen"), lty = c(2, 3), lwd = 2)
Distribución de frecuencias de las edades de los jefes de hogar.

Distribución de frecuencias de las edades de los jefes de hogar.

Análisis del Histograma

Forma de la Distribución: El histograma exhibe una forma unimodal y acampanada, lo que indica que la distribución de la edad de los referentes del hogar tiende a una Distribución Normal.

Simetría: La superposición casi exacta de la línea de la media (roja) y la mediana (verde) confirma visualmente la simetría de la variable. No se observan colas pesadas en ninguno de los dos extremos.

Concentración: La mayor densidad de frecuencias se encuentra en el rango de los 45 a 65 años, lo que refleja que la jefatura de hogar en la muestra está predominantemente en manos de adultos de mediana edad y adultos mayores.

Rango: Se observa una cobertura completa del ciclo vital adulto, desde jefes de hogar jóvenes (mínimo cercano a los 18-20 años) hasta adultos mayores (máximo cercano a los 90 años), sin vacíos significativos en la serie de datos.

Ejercicio 2 - Probabilidad

Ejercicio 2.1 - Moneda

Punto 1. Si lanzamos una moneda, ¿cuál es la probabilidad esperada de obtener cara? Si lanzamos una moneda 10 veces, ¿cuál es la cantidad esperada de caras?

La probabilidad de obtener cara en un lanzamiento es \(p = 0.5\), dado que la moneda se asume equilibrada. La cantidad de caras en 10 lanzamientos sigue una distribución Binomial(\(n=10\), \(p=0.5\)), cuyo valor esperado es \(E[X] = n \cdot p\).

p_cara <- 0.5
E_X <- 10 * p_cara
E_X
## [1] 5

Punto 2. Lanzar una moneda 10 veces y contar el número de caras. Repetirlo 8 veces y almacenar el número de caras para cada una.

set.seed(123)
caras_8 <- rbinom(n = 8, size = 10, prob = 0.5)
caras_8
## [1] 4 6 5 7 7 2 5 7

Punto 3. Lanzar una moneda 10 veces, contar el número de caras, almacenar el resultado y repetirlo 1000 veces.

set.seed(123)
caras_1000 <- rbinom(n = 1000, size = 10, prob = 0.5)

Punto 4. ¿Cómo difieren los resultados del experimento en (2) de los resultados en el experimento (3)? Justificar.

par(mfrow = c(1,3))

barplot(table(caras_8), main = "n=8 repeticiones", col = "steelblue",
        xlab = "N° de caras", ylab = "Frecuencia")

barplot(table(factor(caras_1000, levels = 0:10)), main = "n=1000 repeticiones",
        col = "steelblue", xlab = "N° de caras", ylab = "Frecuencia")

plot(0:10, dbinom(0:10, 10, 0.5), type = "h", lwd = 3, col = "orange",
     main = "Binomial(10, 0.5) teórica",
     xlab = "N° de caras", ylab = "P(X=x)")
Comparación entre 8 repeticiones, 1000 repeticiones y la distribución Binomial teórica

Comparación entre 8 repeticiones, 1000 repeticiones y la distribución Binomial teórica

par(mfrow = c(1,1))

Ejercicio 2.2 - Dados

Una persona te propone jugar un juego con dados, el cual solicita tirar 2 dados. Si sale un 7, te pagarán $3. Si sale un 11, te pagarán $5. Si sale cualquier otra combinación, deberás pagar $0.70.

Punto 1. ¿Cuál es la probabilidad de sacar un siete?

Con 2 dados hay \(6 \times 6 = 36\) combinaciones equiprobables (importa el orden, ya que son dos dados distintos). Se genera el espacio muestral completo con expand.grid() y se cuentan las combinaciones que suman 7.

espacio_muestral <- expand.grid(dado1 = 1:6, dado2 = 1:6)
espacio_muestral$suma <- espacio_muestral$dado1 + espacio_muestral$dado2

p_siete <- sum(espacio_muestral$suma == 7) / nrow(espacio_muestral)
p_siete
## [1] 0.1666667

Punto 2. ¿Cuál es la probabilidad de sacar un once?

p_once <- sum(espacio_muestral$suma == 11) / nrow(espacio_muestral)
p_once
## [1] 0.05555556

Punto 3. ¿Cuál es la probabilidad de sacar un siete o un once?

Los eventos “sumar 7” y “sumar 11” son mutuamente excluyentes (no pueden ocurrir simultáneamente en una misma tirada), por lo que la probabilidad de la unión es la suma de las probabilidades individuales.

# Verificación: ninguna combinación del espacio muestral suma 7 y 11 a la vez
sum(espacio_muestral$suma == 7 & espacio_muestral$suma == 11)
## [1] 0
p_siete_o_once <- p_siete + p_once
p_siete_o_once
## [1] 0.2222222

Punto 4. Simular tirar 2 dados mediante la función Roll1Dice(). Simular tirar 2 dados 100 veces y almacenar los resultados. Calcular los puntos anteriores (1, 2 y 3) a partir de los datos.

Roll1Dice <- function() {
  sample(1:6, size = 1)
}

set.seed(123)
suma_dados_100 <- replicate(100, Roll1Dice() + Roll1Dice())

# Estimaciones empíricas (frecuencia relativa sobre los datos simulados)
p_siete_sim   <- mean(suma_dados_100 == 7)
p_once_sim    <- mean(suma_dados_100 == 11)
p_siete_o_once_sim <- mean(suma_dados_100 %in% c(7, 11))

comparacion <- data.frame(
  Evento = c("P(7)", "P(11)", "P(7 o 11)"),
  Teorico = c(p_siete, p_once, p_siete_o_once),
  Simulado_n100 = c(p_siete_sim, p_once_sim, p_siete_o_once_sim)
)
comparacion

Con 100 repeticiones las frecuencias simuladas se acercan a las teóricas.

Punto 5. Suponga que jugó 10 veces y obtuvo una ganancia de $30. ¡Qué fácil parece ser el juego! ¡Debería seguir jugando! ¿Es correcta la suposición? Demostrar con una simulación.

Valor esperado teórico de una jugada:

\[E[\text{ganancia}] = P(7)\times 3 + P(11)\times 5 - P(\text{otro})\times 0.70\]

p_otro <- 1 - p_siete_o_once
E_ganancia_1juego <- p_siete*3 + p_once*5 - p_otro*0.70
E_ganancia_1juego
## [1] 0.2333333
E_ganancia_10juegos <- 10 * E_ganancia_1juego
E_ganancia_10juegos
## [1] 2.333333

El valor esperado de 10 jugadas ronda los $2.33, el cual se encuentra por debajo de los $30 planteados en el enunciado. Para evaluar si $30 es un resultado “normal” o un evento extremo, se simula la distribución completa de la ganancia en bloques de 10 jugadas:

ganancia_10_juegos <- function() {
  ganancia_total <- 0

  for (i in 1:10) {
    dado1 <- Roll1Dice()
    dado2 <- Roll1Dice()
    suma <- dado1 + dado2

    if (suma == 7) {
      pago <- 3
    } else if (suma == 11) {
      pago <- 5
    } else {
      pago <- -0.70
    }

    ganancia_total <- ganancia_total + pago
  }

  return(ganancia_total)
}

set.seed(123)
simulaciones_10j <- replicate(100000, ganancia_10_juegos())

mean(simulaciones_10j)
## [1] 2.360546
quantile(simulaciones_10j, probs = c(0.01, 0.5, 0.95, 0.99))
##   1%  50%  95%  99% 
## -7.0  2.4 11.8 17.5
mean(simulaciones_10j >= 30)
## [1] 2e-05
datos_hist <- hist(simulaciones_10j, breaks = 20, plot = FALSE)

hist(simulaciones_10j, breaks = 20, col = "steelblue", border = "white",
     main = "Ganancia simulada en 10 jugadas (100.000 repeticiones)",
     xlab = "Ganancia ($)", ylab = "Frecuencia",
     xlim = range(pretty(simulaciones_10j)),
     ylim = c(0, max(datos_hist$counts) * 1.15),
     axes = FALSE)
axis(1, at = pretty(simulaciones_10j))
axis(2, at = pretty(c(0, datos_hist$counts)))
text(datos_hist$mids, datos_hist$counts, labels = datos_hist$counts,
     pos = 3, cex = 0.6, col = "gray30")
abline(v = 30, col = "orange", lwd = 2)
legend("topright", legend = "Resultado obtenido ($30)",
       col = "orange", lwd = 2, bty = "n")
Distribución simulada de la ganancia en bloques de 10 jugadas

Distribución simulada de la ganancia en bloques de 10 jugadas

El valor esperado teórico de una jugada individual (0.2333) es positivo, por lo que el juego favorece al jugador en el largo plazo. Sin embargo, la proporción de simulaciones que alcanzan o superan $30 en un bloque de 10 jugadas es de solo 0%, por debajo del promedio esperado de $2.33. Esto permite afirmar que: por un lado, la ganancia de $30 no es un resultado representativo sino un evento extremo dentro de una muestra chica (10 jugadas); por otro, la decisión de continuar jugando sí está justificada matemáticamente, dado que el valor esperado del juego es positivo.

Punto 6. Ahora dicha persona te ofrece disminuir el monto a pagar a $0.68. ¿Deberías aceptarlo?

E_ganancia_1juego_v2 <- p_siete*3 + p_once*5 - p_otro*0.68
E_ganancia_1juego_v2
## [1] 0.2488889
E_ganancia_1juego_v2 > E_ganancia_1juego
## [1] TRUE

Se acepta la oferta dado que las probabilidades de cada resultado no cambian, pero se reduce el monto de la pérdida en el caso de mayor frecuencia, lo cual aumenta el valor esperado del juego respecto del escenario original.

Ejercicio 3 - Variables Aleatorias

Punto 1. Simular la suma de dos variables normales mediante la función rnorm(x,mu,sigma) en R con media igual a 0 y desvío igual a 1. Probar con el tamaño de muestra n = 10 y n = 100. ¿Qué observa si grafica ambos objetos?

Si \(X_1 \sim N(0,1)\) y \(X_2 \sim N(0,1)\) son independientes, la suma \(X_1+X_2\) es también una variable normal (propiedad de reproductividad de la normal), con media \(\mu_1+\mu_2=0\) y varianza \(\sigma_1^2+\sigma_2^2=2\) (desvío \(\sqrt{2}\approx1.41\)).

set.seed(123)

# n = 10
x1_10 <- rnorm(10, mean = 0, sd = 1)
x2_10 <- rnorm(10, mean = 0, sd = 1)
suma_10 <- x1_10 + x2_10

# n = 100
x1_100 <- rnorm(100, mean = 0, sd = 1)
x2_100 <- rnorm(100, mean = 0, sd = 1)
suma_100 <- x1_100 + x2_100

par(mfrow = c(1,2))
hist(suma_10, main = "Suma de 2 normales (n=10)", col = "steelblue",
     xlab = "Valor", ylab = "Densidad", freq = FALSE)
hist(suma_100, main = "Suma de 2 normales (n=100)", col = "steelblue",
     xlab = "Valor", ylab = "Densidad", freq = FALSE)

par(mfrow = c(1,1))

Con n=10 el histograma resulta irregular y no permite distinguir claramente la forma de campana característica de la distribución normal. Con n=100 la forma acampanada comienza a insinuarse, evidenciando que a mayor tamaño de muestra la distribución empírica se aproxima mejor a la distribución teórica esperada.

Punto 2. Simular la suma de dos variables normales mediante la función rnorm(x,mu,sigma) en R con media igual a 0 y desvío igual a 1. Probar con distintos valores de tamaño de muestra. Podría probar con n = 100, n = 1000, n = 10000, n = 100000. Gráficar para estos distintos valores de muestra. Comprobar que la media (valor esperado) es igual a la suma de sus valores esperados y la varianza es igual a la suma de varianzas individuales.

set.seed(123)
options(scipen = 999)

tamaños <- c(100, 1000, 10000, 100000)
resultados <- list()

for (i in seq_along(tamaños)) {
  n <- tamaños[i]
  x1 <- rnorm(n, mean = 0, sd = 1)
  x2 <- rnorm(n, mean = 0, sd = 1)
  resultados[[i]] <- x1 + x2
}

pico_curva <- dnorm(0, mean = 0, sd = sqrt(2))

par(mfrow = c(2,2), mar = c(4,4,2,1))
for (i in seq_along(resultados)) {
  n_breaks <- min(30, round(sqrt(tamaños[i])))
  hist(resultados[[i]], breaks = n_breaks,
       main = paste("n =", tamaños[i]), 
       col = "steelblue", 
       xlab = "Valor", ylab = "Densidad", 
       freq = FALSE,
       ylim = c(0, pico_curva * 1.1))
  curve(dnorm(x, mean = 0, sd = sqrt(2)), add = TRUE, col = "orange", lwd = 2)
}

par(mfrow = c(1,1))

verificacion <- data.frame(
  n = tamaños,
  Media_empirica = round(sapply(resultados, mean), 4),
  Media_teorica = 0,
  Varianza_empirica = round(sapply(resultados, var), 4),
  Varianza_teorica = 2
)
knitr::kable(
  verificacion,
  col.names = c("n", "Media empírica", "Media teórica",
                "Varianza empírica", "Varianza teórica"),
  caption = "Verificación empírica de media y varianza — suma de dos normales"
)
Verificación empírica de media y varianza — suma de dos normales
n Media empírica Media teórica Varianza empírica Varianza teórica
100 -0.0171 0 1.6809 2
1000 0.0352 0 2.1454 2
10000 -0.0181 0 2.0280 2
100000 0.0107 0 2.0001 2

A medida que aumenta el tamaño de muestra, tanto la media empírica como la varianza empírica de la suma de dos normales convergen a los valores teóricos (0 y 2, respectivamente). Con n=100 se observan las mayores desviaciones, mientras que con n=100000 los valores empíricos son prácticamente idénticos a los teóricos. Esto confirma empíricamente que, para variables normales independientes, el valor esperado de la suma es igual a la suma de los valores esperados, y la varianza de la suma es igual a la suma de las varianzas individuales.

Punto 3. Simular la suma de diez variables normales mediante la función rnorm en R con media igual a 0 y desvío igual a 1. Probar con distintos valores de tamaño de muestra. Podría probar con n = 100, n = 1000, n = 10000, n = 100000. Gráficar para estos distintos valores de muestra. Comprobar que la media (valor esperado) es igual a la suma de sus valores esperados y la varianza es igual a la suma de varianzas individuales.

Con 10 variables \(N(0,1)\) independientes, la media teórica de la suma es \(\sum \mu_i = 0\) y la varianza teórica es \(\sum \sigma_i^2 = 10\) (desvío \(\sqrt{10}\approx3.16\)).

set.seed(123)
options(scipen = 999)

resultados_10 <- list()

for (i in seq_along(tamaños)) {
  n <- tamaños[i]
  matriz_normales <- matrix(
    rnorm(n * 10, mean = 0, sd = 1), nrow = n, ncol = 10
  )
  resultados_10[[i]] <- rowSums(matriz_normales)
}

pico_curva_10 <- dnorm(0, mean = 0, sd = sqrt(10))

par(mfrow = c(2,2), mar = c(4,4,2,1))
for (i in seq_along(resultados_10)) {
  n_breaks <- min(30, round(sqrt(tamaños[i])))
  hist(resultados_10[[i]], breaks = n_breaks,
       main = paste("n =", tamaños[i]), 
       col = "steelblue", 
       xlab = "Valor", ylab = "Densidad", 
       freq = FALSE,
       ylim = c(0, pico_curva_10 * 1.1))
  curve(dnorm(x, mean = 0, sd = sqrt(10)), add = TRUE, col = "orange", lwd = 2)
}

par(mfrow = c(1,1))

verificacion_10 <- data.frame(
  n = tamaños,
  Media_empirica = round(sapply(resultados_10, mean), 4),
  Media_teorica = 0,
  Varianza_empirica = round(sapply(resultados_10, var), 4),
  Varianza_teorica = 10
)
knitr::kable(
  verificacion_10,
  col.names = c("n", "Media empírica", "Media teórica",
                "Varianza empírica", "Varianza teórica"),
  caption = "Verificación empírica de media y varianza — suma de diez normales"
)
Verificación empírica de media y varianza — suma de diez normales
n Media empírica Media teórica Varianza empírica Varianza teórica
100 0.1613 0 8.6866 10
1000 -0.0137 0 11.0068 10
10000 0.0255 0 10.0112 10
100000 -0.0109 0 10.0612 10

Al sumar diez variables normales independientes, la media empírica converge a 0 y la varianza empírica converge a 10, valores coincidentes con lo esperado teóricamente (\(\sum \mu_i = 0\), \(\sum \sigma_i^2 = 10\)). La convergencia sigue el mismo patrón observado en el Punto 2: mayor dispersión respecto del valor teórico con muestras chicas (n=100) y estabilización a medida que crece el tamaño de muestra.

Punto 4 (Extra). Probar lo anterior pero sumando normales con distintas medias y desvíos.

Se utilizan tres variables normales con parámetros distintos entre sí: \(X_1 \sim N(2,1)\), \(X_2 \sim N(-5,3)\), \(X_3 \sim N(10,0.5)\). La propiedad de reproductividad de la normal no depende de que las variables compartan media o desvío, por lo que la media teórica de la suma es \(\sum \mu_i = 2+(-5)+10 = 7\) y la varianza teórica es \(\sum \sigma_i^2 = 1^2+3^2+0.5^2 = 10.25\).

set.seed(123)
options(scipen = 999)

medias  <- c(2, -5, 10)
desvios <- c(1, 3, 0.5)

media_teorica_v2    <- sum(medias)
varianza_teorica_v2 <- sum(desvios^2)

resultados_v2 <- list()

for (i in seq_along(tamaños)) {
  n <- tamaños[i]
  matriz_normales <- matrix(
    rnorm(n * 3, mean = rep(medias, each = n), sd = rep(desvios, each = n)),
    nrow = n, ncol = 3
  )
  resultados_v2[[i]] <- rowSums(matriz_normales)
}

pico_curva_v2 <- dnorm(
  media_teorica_v2, mean = media_teorica_v2,
  sd = sqrt(varianza_teorica_v2)
)

par(mfrow = c(2,2), mar = c(4,4,2,1))
for (i in seq_along(resultados_v2)) {
  n_breaks <- min(30, round(sqrt(tamaños[i])))
  hist(resultados_v2[[i]], breaks = n_breaks,
       main = paste("n =", tamaños[i]), 
       col = "steelblue", 
       xlab = "Valor", ylab = "Densidad", 
       freq = FALSE,
       ylim = c(0, pico_curva_v2 * 1.1))
  curve(dnorm(x, mean = media_teorica_v2, sd = sqrt(varianza_teorica_v2)),
        add = TRUE, col = "orange", lwd = 2)
}

par(mfrow = c(1,1))

verificacion_v2 <- data.frame(
  n = tamaños,
  Media_empirica = round(sapply(resultados_v2, mean), 4),
  Media_teorica = media_teorica_v2,
  Varianza_empirica = round(sapply(resultados_v2, var), 4),
  Varianza_teorica = varianza_teorica_v2
)
knitr::kable(
  verificacion_v2,
  col.names = c("n", "Media empírica", "Media teórica",
                "Varianza empírica", "Varianza teórica"),
  caption = "Verificación empírica — normales con distintas medias y desvíos"
)
Verificación empírica — normales con distintas medias y desvíos
n Media empírica Media teórica Varianza empírica Varianza teórica
100 6.8280 7 9.1843 10.25
1000 7.0062 7 10.4127 10.25
10000 6.9503 7 10.3528 10.25
100000 7.0185 7 10.2834 10.25

Al sumar tres variables normales independientes con distintas medias y desvíos, la media empírica converge a 7 y la varianza empírica converge a 10.25, coincidiendo con los valores teóricos calculados como \(\sum \mu_i\) y \(\sum \sigma_i^2\). Esto confirma que la propiedad de reproductividad de la suma de normales se cumple independientemente de que las variables individuales tengan parámetros distintos entre sí.

Ejercicio 4 - Teorema Central del Límite

Repetir el proceso visto en clase mediante R cuando la variable aleatoria original se distribuye de la forma siguiente: Poisson de parámetro \(\lambda=1.3\); Exponencial de parámetro \(\mu=1.5\) (media); Uniforme en el intervalo \([5,10]\); Weibull de parámetros shape\(=1.2\) y scale\(=0.5\). Realizar un Gráfico de Histograma y plotear la densidad de una variable normal para cada caso.

Siguiendo el procedimiento visto en clase, se simulan \(n_{sim}=10000\) medias muestrales (cada una calculada sobre una muestra de tamaño \(n=30\)) para cada una de las cuatro distribuciones. Según el Teorema Central del Límite, la distribución de esas medias muestrales debería aproximarse a una Normal con media igual a la media de la distribución original, y desvío igual al error estándar \(\sigma/\sqrt{n}\).

set.seed(123)
options(scipen = 999)

n_tcl <- 30
n_sim <- 10000

# Poisson(lambda = 1.3)
medias_pois <- replicate(n_sim, mean(rpois(n_tcl, lambda = 1.3)))
teor_mean_pois <- 1.3
teor_sd_pois   <- sqrt(1.3 / n_tcl)

# Exponencial(media = 1.5)
medias_exp <- replicate(n_sim, mean(rexp(n_tcl, rate = 1/1.5)))
teor_mean_exp <- 1.5
teor_sd_exp   <- sqrt(1.5^2 / n_tcl)

# Uniforme(5, 10)
medias_unif <- replicate(n_sim, mean(runif(n_tcl, min = 5, max = 10)))
teor_mean_unif <- (5 + 10) / 2
teor_sd_unif   <- sqrt(((10 - 5)^2 / 12) / n_tcl)

# Weibull(shape = 1.2, scale = 0.5)
medias_weib <- replicate(n_sim, mean(rweibull(n_tcl, shape = 1.2, scale = 0.5)))
teor_mean_weib <- 0.5 * gamma(1 + 1/1.2)
teor_var_weib  <- 0.5^2 * (gamma(1 + 2/1.2) - gamma(1 + 1/1.2)^2)
teor_sd_weib   <- sqrt(teor_var_weib / n_tcl)
par(mfrow = c(2,2), mar = c(4,4,3,1))

# Poisson
hist(medias_pois, breaks = 40, freq = FALSE, col = "steelblue",
     border = "white", main = "TCL: Medias de Poisson(1.3)",
     xlab = "Media muestral", ylab = "Densidad", las = 1,
     ylim = c(0, dnorm(teor_mean_pois, teor_mean_pois, teor_sd_pois) * 1.1))
curve(dnorm(x, mean = teor_mean_pois, sd = teor_sd_pois),
      add = TRUE, col = "orange", lwd = 2)
abline(v = teor_mean_pois, col = "orange", lty = 2)

# Exponencial
hist(medias_exp, breaks = 40, freq = FALSE, col = "steelblue", border = "white",
     main = "TCL: Medias de Exponencial(media=1.5)",
     xlab = "Media muestral", ylab = "Densidad", las = 1,
     ylim = c(0, dnorm(teor_mean_exp, teor_mean_exp, teor_sd_exp) * 1.1))
curve(dnorm(x, mean = teor_mean_exp, sd = teor_sd_exp),
      add = TRUE, col = "orange", lwd = 2)
abline(v = teor_mean_exp, col = "orange", lty = 2)

# Uniforme
hist(medias_unif, breaks = 40, freq = FALSE, col = "steelblue",
     border = "white", main = "TCL: Medias de Uniforme(5,10)",
     xlab = "Media muestral", ylab = "Densidad", las = 1,
     ylim = c(0, dnorm(teor_mean_unif, teor_mean_unif, teor_sd_unif) * 1.1))
curve(dnorm(x, mean = teor_mean_unif, sd = teor_sd_unif),
      add = TRUE, col = "orange", lwd = 2)
abline(v = teor_mean_unif, col = "orange", lty = 2)

# Weibull
hist(medias_weib, breaks = 40, freq = FALSE, col = "steelblue",
     border = "white", main = "TCL: Medias de Weibull(1.2, 0.5)",
     xlab = "Media muestral", ylab = "Densidad", las = 1,
     ylim = c(0, dnorm(teor_mean_weib, teor_mean_weib, teor_sd_weib) * 1.1))
curve(dnorm(x, mean = teor_mean_weib, sd = teor_sd_weib),
      add = TRUE, col = "orange", lwd = 2)
abline(v = teor_mean_weib, col = "orange", lty = 2)
Distribución de medias muestrales (n=30) para cuatro distribuciones distintas, con curva Normal teórica superpuesta

Distribución de medias muestrales (n=30) para cuatro distribuciones distintas, con curva Normal teórica superpuesta

par(mfrow = c(1,1))

Al simular 10.000 medias muestrales (n=30) a partir de cuatro distribuciones con formas muy distintas entre sí —Poisson (discreta), Exponencial (asimétrica), Uniforme (sin forma de campana) y Weibull (marcadamente sesgada)—, se observa que en los cuatro casos la distribución de las medias muestrales se aproxima adecuadamente a una distribución Normal, con parámetros consistentes con lo predicho teóricamente (\(\mu\) igual a la media de la distribución original, \(\sigma/\sqrt{n}\) como desvío). Esto confirma empíricamente el Teorema Central del Límite: independientemente de la forma de la distribución poblacional original, la distribución de la media muestral tiende a una Normal a medida que el tamaño de muestra crece, siempre que las observaciones sean independientes e idénticamente distribuidas.

Ejercicio 5 - IC y Prueba de Hipótesis

Se solicita cargar una base de Estudiantes ubicada en la url “https://github.com/hllinas/DatosPublicos/blob/main/Estudiantes.Rdata?raw=false”. A partir de esta fuente, realizar los ejercicios que siguen interpretando cada respuesta.

Punto a. Considerar solamente las observaciones que van desde la 2 hasta la 35 y definir el data frame “datos2a35”. Verificar su tamaño, variables y estructura.

Se lee el archivo en R. Se seleccionan las filas indicadas (2 a 35), creando el data frame “datos2a35”. Con la función “str” se verifica que “datos2a35”:

    #Leer el archivo
    url = "https://github.com/hllinas/DatosPublicos/blob/main/Estudiantes.Rdata?raw=false"
    repmis::source_data(url)
## [1] "Estudiantes"
    datos <- Estudiantes
    #Seleccionar filas 2 a 35
    datos2a35 <- datos[2:35,]
    str(datos2a35) #Verifico tamaño, variables y estructura
## tibble [34 × 46] (S3: tbl_df/tbl/data.frame)
##  $ Observacion : num [1:34] 2 3 4 5 6 7 8 9 10 11 ...
##  $ ID          : chr [1:34] "SB11201910004475" "SB11201910011427" "SB11201910041975" "SB11201910013623" ...
##  $ Sexo        : chr [1:34] "Masculino" "Masculino" "Masculino" "Femenino" ...
##  $ SexoNum     : num [1:34] 1 1 1 0 0 0 0 0 1 0 ...
##  $ Edad        : chr [1:34] "21.07" "20.92" "18.41" "16.64" ...
##  $ Fuma        : chr [1:34] "Si" "Si" "Si" "Si" ...
##  $ Estatura    : chr [1:34] "Baja" "Alta" "Alta" "Alta" ...
##  $ Colegio     : chr [1:34] "Privado" "Privado" "Privado" "Privado" ...
##  $ Estrato     : num [1:34] 2 2 2 1 2 1 1 2 1 1 ...
##  $ Financiacion: chr [1:34] "Beca" "Beca" "Beca" "Beca" ...
##  $ Acumulado   : chr [1:34] "3.96" "3.85" "3.69" "4.01" ...
##  $ P1          : chr [1:34] "2.3" "3.4" "2.5" "3.1" ...
##  $ P2          : chr [1:34] "4.9" "3.6" "4.2" "3.5" ...
##  $ P3          : chr [1:34] "3.7" "2.0" "5.0" "5.0" ...
##  $ Final       : chr [1:34] "3.3" "1.9" "2.5" "3.0" ...
##  $ Definitiva  : chr [1:34] "3.55" "2.73" "3.55" "3.65" ...
##  $ Gastos      : chr [1:34] "72.1" "85.2" "56.6" "64.6" ...
##  $ Ingreso     : chr [1:34] "2.07" "2.84" "1.55" "2.32" ...
##  $ Gas         : chr [1:34] "24.17" "22.27" "23.08" "27.26" ...
##  $ Clases      : chr [1:34] "Presencial" "Virtual" "Virtual" "Virtual" ...
##  $ Ley         : chr [1:34] "En desacuerdo" "En desacuerdo" "En desacuerdo" "En desacuerdo" ...
##  $ PandemiaCat : chr [1:34] "De acuerdo" "De acuerdo" "De acuerdo" "Ni de acuerdo, ni en desacuerdo" ...
##  $ PandemiaNum : num [1:34] 3 3 3 2 3 3 3 1 3 1 ...
##  $ Likert1     : num [1:34] 3 2 5 1 3 4 1 2 5 5 ...
##  $ Likert2     : num [1:34] 2 3 4 1 2 3 2 1 4 4 ...
##  $ Likert3     : num [1:34] 4 3 2 5 3 3 3 4 1 1 ...
##  $ Likert4     : num [1:34] 1 4 5 2 1 2 3 1 5 5 ...
##  $ Likert5     : num [1:34] 1 2 1 4 4 2 1 3 4 4 ...
##  $ AGPEQ1      : chr [1:34] "Ni de acuerdo, ni en desacuerdo" "De acuerdo" "De acuerdo" "Totalmente de acuerdo" ...
##  $ AGPEQ2      : chr [1:34] "En desacuerdo" "En desacuerdo" "Ni de acuerdo, ni en desacuerdo" "Ni de acuerdo, ni en desacuerdo" ...
##  $ AGPEQ3      : chr [1:34] "En desacuerdo" "De acuerdo" "Totalmente de acuerdo" "Totalmente en desacuerdo" ...
##  $ SATS1       : chr [1:34] "En desacuerdo" "En desacuerdo" "Totalmente en desacuerdo" "Indeciso" ...
##  $ SATS2       : chr [1:34] "De acuerdo" "Totalmente de acuerdo" "Totalmente de acuerdo" "De acuerdo" ...
##  $ SATS3       : chr [1:34] "Indeciso" "Indeciso" "En desacuerdo" "En desacuerdo" ...
##  $ SATS4       : chr [1:34] "Totalmente en desacuerdo" "De acuerdo" "De acuerdo" "Indeciso" ...
##  $ IDARE1.1    : chr [1:34] "Bastante" "Bastante" "Poco" "Poco" ...
##  $ IDARE1.2    : chr [1:34] "Poco" "Poco" "No en lo absoluto" "Poco" ...
##  $ IDARE1.3    : chr [1:34] "Mucho" "Bastante" "Bastante" "Bastante" ...
##  $ IDARE1.4    : chr [1:34] "No en lo absoluto" "Bastante" "Bastante" "Bastante" ...
##  $ IDARE1.5    : chr [1:34] "Bastante" "Poco" "No en lo absoluto" "Poco" ...
##  $ IDARE2.6    : chr [1:34] "Frecuentemente" "Algunas veces" "Casi siempre" "Algunas veces" ...
##  $ IDARE2.7    : chr [1:34] "Algunas veces" "Algunas veces" "Frecuentemente" "Algunas veces" ...
##  $ IDARE2.8    : chr [1:34] "Algunas veces" "Algunas veces" "Frecuentemente" "Frecuentemente" ...
##  $ IDARE2.9    : chr [1:34] "Frecuentemente" "Frecuentemente" "Casi nunca" "Casi nunca" ...
##  $ IDARE2.10   : chr [1:34] "Frecuentemente" "Algunas veces" "Algunas veces" "Casi nunca" ...
##  $ Puntaje     : num [1:34] 78 77 70 68 65 54 50 36 35 35 ...

Punto b. Definir el objeto “Sexo” (género de los estudiantes). Conviértalo en factor y diga cuáles son sus respectivos niveles.

Se crea el vector Sexo (a partir de la columna “Sexo” del dataframe “datos2a35”. Luego se lo convierte a factor y se consultan sus niveles. Esto arroja: “Femenino” “Masculino”.

    Sexo <- datos2a35$Sexo
    Sexo <- factor(Sexo)
    levels(Sexo)
## [1] "Femenino"  "Masculino"

Punto c. Construir una tabla de frecuencias para la variable Sexo y el diagrama de barras correspondiente.

Se crea y formatea la tabla de frecuencias:

    #crear    
    tabla_frec_sexo <- table(Sexo)

    #formatear
    knitr::kable(
        tabla_frec_sexo,
        col.names = c("Sexo", "Frecuencia"), # Seteo de nombres columnas
        #caption = "Tabla de frecuencia",     # Nuevo Título
        booktabs = TRUE                      # Genera líneas horizontales
      ) %>%
        kable_styling(
          bootstrap_options = c("bordered", "striped", "hover"),  # bordes en HTML
          latex_options = c("hold_position", "striped"),          # Config para PDF
          full_width = FALSE                                      
        ) %>%
        kable_styling(latex_options = "hold_position")
Sexo Frecuencia
Femenino 20
Masculino 14

Se crea el diagrama de barras:

    ggplot(data.frame(Sexo = Sexo), aes(x = Sexo)) +
      geom_bar(fill = c("lightpink", "lightblue")) +
      geom_text(stat = "count", aes(label = after_stat(count)), 
                  vjust = -0.5, size = 3.2,family = "sans") +
      theme_minimal() +
      labs(title = "Distribución por Sexo", x = "Sexo", y = "Frecuencia") +
      ylim(0, max(tabla_frec_sexo)*1.3 ) +  
      theme(
        plot.title = element_text(
          hjust = 0.5,          
          size = 12,            
          color = "grey30"      
        ))

Punto d. Determinar la proporción de mujeres.

Se calcula la proporción de mujeres. Dando igual a 0.5882 (luego se lleva a porcentaje multiplicando *100)

    #calcular
    prop_mujeres <- prop.table(tabla_frec_sexo)["Femenino"]

    #formatear
    knitr::kable(
        round(prop_mujeres *100,2),
        col.names = c("Sexo", "Proporción (en %)"), # Seteo de nombres columnas
        caption = "Proporción de Mujeres",   # Nuevo Título
        booktabs = TRUE                      # Genera líneas horizontales
      ) %>%
        kable_styling(
          bootstrap_options = c("bordered", "striped", "hover"),  # bordes en HTML
          latex_options = c("hold_position", "striped"),          # Config para PDF
          full_width = FALSE                                      
        ) %>%
        kable_styling(latex_options = "hold_position") 
Proporción de Mujeres
Sexo Proporción (en %)
Femenino 58.82

Punto e. Mediante el método de la región crítica: Al nivel del 5%, determine si el porcentaje poblacional de mujeres es menor o igual que el 30%. Escribir un resumen del enunciado del problema, verificar los supuestos, concluya, diga cuál es la fórmula, el valor de prueba, el valor crítico, la región crítica e interprete.

e1. Resumen del problema, supuestos y datos disponibles:

Se dispone de una población de 400 estudiantes (asumiendo que la base provista contiene toda la población), de la cual se seleccionó una muestra de 34 estudiantes. Cómo n = 34 y N=400, se asumirá para la resolución que la población es infinita ya que la fracción de muestreo es menor al 10%
(fm = 34/400 = 8.5%).

La proporción muestral de mujeres (sexo femenino) es de 0.5882 (58.82%), según vimos previamente.

Se desea analizar si la proporción poblacional de estudiantes femeninas es menor o igual al 30 %, con un nivel de significación del 5% (es decir que \(\alpha\) = 0.05 y, por lo tanto, se acepta un riesgo del 5 % de rechazar H0 cuando en realidad es verdadera -error tipo I-)

Resumen de datos:

\[N = 400\] \[n = 34\] \[\alpha = 0.05\]

e2. Planteo de las hipótesis

La afirmación que se quiere poner a prueba es que la proporción de mujeres es menor o igual al 30 %.

Por lo tanto:

\[H_0: p \leq 0.30\] \[H_1: p > 0.30\]

donde p representa la proporción de estudiantes femeninas.

e3. Calculo del estadígrafo de prueba

Dado que asumimos previamente que la población es infinita, se calcula el estadígrafo de prueba con la siguiente fórmula (distribución normal estándar):

\[Z = \frac{\hat{p} - p_0}{\sqrt{\dfrac{p_0(1 - p_0)}{n}}}\]

Se calcula en R:

n = 34
p_muestral = prop_mujeres
p0 = 0.3  # valor límite

Z = round((p_muestral-p0) / sqrt ( (p0*(1-p0))/n ),4)

cat("El estadígrafo de prueba es Z = ", Z)
## El estadígrafo de prueba es Z =  3.6676

e4. Planteo de la región crítica

Como \(\alpha = 0.05\), entonces se calcula el valor crítico (Zc) de la distribución normal estándar:

alpha = 0.05 
Zc = round(z_crítico  <- qnorm(alpha, lower.tail = FALSE),4)  #a der  

cat("El valor crítico es Zc=", Zc, 
    ". Este valor deja el 5 % del área en la cola derecha \n de la distribución")
## El valor crítico es Zc= 1.6449 . Este valor deja el 5 % del área en la cola derecha 
##  de la distribución
cat("Es decir que la región crítca es Zc > ", Zc,".\n")
## Es decir que la región crítca es Zc >  1.6449 .

e5. Decisión

cat("El estadígrafo de prueba es z = ", Z, ".\n")
## El estadígrafo de prueba es z =  3.6676 .
cat("La región crítca es Zc > ", Zc,".\n")
## La región crítca es Zc >  1.6449 .
cat("Como el estadígrafo de prueba Z pertenece a la región crítica (Z > Zc),","\n")
## Como el estadígrafo de prueba Z pertenece a la región crítica (Z > Zc),
cat("se rechaza H0.","\n")
## se rechaza H0.

e6. Conclusión e interpretación

Al nivel de significación del 5 %, existe evidencia estadística suficiente para concluir que la proporción poblacional de estudiantes femeninas es mayor que el 30 %.

Por lo tanto, los resultados de la muestra no respaldan la afirmación de que el porcentaje poblacional de estudiantes femeninas sea menor o igual al 30 %.

Punto f. Mediante el método del P-valor: Determine si el porcentaje poblacional de mujeres es menor o igual que el 30%. Halle el P-valor, interprete y compare su decisión con el inciso (e).

Como la hipótesis alternativa es \(H_1: p > 0{,}30\), el p-valor en nuestro caso es el área a la derecha del estadígrafo de prueba (z) en la distribución de probabilidades (distribución normal, según asumimos previamente)

\[p\text{-valor} = P(Z > z)\]

Luego:

Si \[\text{Si } p\text{-valor} \leq \alpha \longrightarrow \text{se rechaza } H_0\]

Si \[\text{Si } p\text{-valor} > \alpha \longrightarrow \text{no se rechaza } H_0\]

Se calcula con R:

p_valor = 1-pnorm(q = Z, mean = 0, sd = 1)
p_valor = round(p_valor,7)  

cat("El p_valor =", p_valor, ". El alpha=", alpha,"\n")
## El p_valor = 0.0001224 . El alpha= 0.05
cat ("Por lo tanto, se rechaza H0")
## Por lo tanto, se rechaza H0

Interpretación del P-valor:
El p-valor indica la probabilidad de obtener un resultado como el observado en la muestra (o incluso más extremo) si realmente el porcentaje de mujeres en la población fuera del 30 %.

En este caso, el p-valor es 0,00012, lo que significa que esa probabilidad es de apenas 0,012 %. Es una probabilidad muy baja.

Por eso, los datos de la muestra hacen pensar que el porcentaje real de mujeres no es del 30 % ni menor, sino que es mayor al 30 %.

Punto g. Realizar la misma prueba del inciso (f) con la función prop.test y compare los resultados obtenidos.

La función prop.test evalua hipótesis sobre proporciones. Sus parámetros son:

En el caso aquí evaluado los parámetros serían:

En la primera prueba, se indica correct = FALSE (es decir, que no se aplicará corrección de Yates):

prueba_1 <- prop.test( 
    x = 20, 
    n = 34, 
    p = 0.3, 
    alternative = "greater", 
    conf.level = 0.95, 
    correct = FALSE
    )

print (prueba_1)
## 
##  1-sample proportions test without continuity correction
## 
## data:  20 out of 34, null probability 0.3
## X-squared = 13.451, df = 1, p-value = 0.0001224
## alternative hypothesis: true p is greater than 0.3
## 95 percent confidence interval:
##  0.4479564 1.0000000
## sample estimates:
##         p 
## 0.5882353

En este caso, se observa exactamente el mismo resultado para p-valor que en el ejercicio f. Es decir,

cat("p_valor =", p_valor, "\n")
## p_valor = 0.0001224

En la segunda prueba, se indica correct = TRUE (es decir, que SI se aplicará corrección de Yates):

prueba_2<- prop.test(
    x = 20, 
    n = 34, 
    p = 0.3, 
    alternative = "greater", 
    conf.level = 0.95, 
    correct = TRUE
    )

print (prueba_2)
## 
##  1-sample proportions test with continuity correction
## 
## data:  20 out of 34, null probability 0.3
## X-squared = 12.113, df = 1, p-value = 0.0002503
## alternative hypothesis: true p is greater than 0.3
## 95 percent confidence interval:
##  0.4337288 1.0000000
## sample estimates:
##         p 
## 0.5882353

En este caso, se observa un valor distinto para p-valor (respecto del obtenido en el ejercicio f).
Con la corrección de Yates, el p-valor resulta ser 0.0002503. Sin embargo, mantiene el orden de magnitud.

Consolidando los distintos resultados obtenidos:

Método Estadígrafo p-valor Decisión
Región crítica (manual)
z = 3.6676 – Rechazar H0
P-valor (manual)
z = 3.6676 0.0001224 Rechazar H0
prop.test()
(sin corrección)
X2≈13.451 0.0001224 Rechazar H0
prop.test()
(con corrección)
X2≈12.113 0.0002503 Rechazar H0

Por lo tanto, realizando la prueba de hipótesis mediante la función prop.test() de R se arriba a las mismas conclusiones que el punto anterior.

Punto h. Construir un intervalo del 95% de confianza para la proporción poblacional de mujeres y compare los resultados obtenidos en los incisos anteriores.

h1. Resumen del problema, supuestos y datos disponibles:

Para construir el intervalo de confianza se aplican los mismos supuestos y datos del ejercicio (e). Es decir:

Resumen de datos:

\[N = 400\] \[n = 34\] \[\alpha = 0.05\] \[\text{confianza} = 0{,}95\] \[\hat{p} = 0{,}5882\]

Y aplicaremos la siguiente fórmula:

\[\hat{p} \pm Z_{1-\alpha/2} \sqrt{\dfrac{\hat{p}(1 - \hat{p})}{n}}\]

h2. Cálculo de Z

\[\alpha = 0.05\] \[\text{confianza} = 0{,}95\]

Se realizan cálculos en R:

  #Calculo de 1-alpha/2
  valor = 1-alpha/2

  #Calculo de Z
  z_ic  <- qnorm(valor, lower.tail = TRUE)  
  cat("Z = ", z_ic, "\n")
## Z =  1.959964

h3. Cálculo del intervalo de confianza

Se aplica la fórmula anterior en R:

limite_inferior = p_muestral - z_ic * sqrt (p_muestral*(1-p_muestral)/n)
limite_superior = p_muestral + z_ic * sqrt (p_muestral*(1-p_muestral)/n) 

cat("Por lo tanto, IC = (", limite_inferior, ";",limite_superior,")","\n")
## Por lo tanto, IC = ( 0.4228074 ; 0.7536632 )

Esto significa que, con un nivel de confianza del 95 %, se estima que la proporción poblacional de mujeres se encuentra entre el 42,28 % y el 75,37 %.

Es decir, que hay un 95 % de probabilidad de que la proporción poblacional esté dentro de este intervalo.

O bien, en otras palabras, en el 95 % de las muestras posibles, la proporción poblacional se encontará en este intervalo.

Nota: Este intervalo también se podría calcular con la función de R prop.test() utilizada en los ejericios previos. Para esto habría que indicar “two.sided” en el parámetro “alternative”. Y también arrojaría un resultado similar. Se calcula a continuación:

ic_prop_test <- prop.test( 
    x = 20, 
    n = 34, 
    p = 0.3, 
    alternative = "two.sided", 
    conf.level = 0.95, 
    correct = FALSE
    )

print (ic_prop_test)
## 
##  1-sample proportions test without continuity correction
## 
## data:  20 out of 34, null probability 0.3
## X-squared = 13.451, df = 1, p-value = 0.0002449
## alternative hypothesis: true p is not equal to 0.3
## 95 percent confidence interval:
##  0.4222159 0.7363403
## sample estimates:
##         p 
## 0.5882353

h4. Comparación con resultados anteriores

El valor p0 = 0.30 (30%) planteado como hipótesis (en el item e) no está incluido en el intervalo de confianza (asumiendo mismo nivel de confianza en uno y otro caso). De hecho, todo el intervalo se encuentra muy por encima del 30 %.
Esto coincide con los resultados anteriores que tampoco identifican como muy probable una proporción poblacional de 30% o menos.

H0 (p ≤ 0.30) fue rechazada con:

Y el intervalo de confianza ubica a la proporción muestral muy por encima del 30%.

Por lo tanto, los distintos métodos llevan a la misma conclusión:

La proporción poblacional de mujeres es mayor que el 30 %.

Punto i. Construya intervalos de Confianza del 95% para la media mediante bootstrap con 10000 repeticiones.

i1. Cálculo de intervalos Bootstrap

Teniendo, el campo Sexo, 2 valores posibles (“Masculino”, “Femenino”), aquí lo convertimos a 0 (cuando es Masculino) y a 1 (cuando es Femenino).

Si obtenemos la media de la variable “el estudiante es femenino”, coincidirá con la proporción muestral ya calculada. Es decir, que la media muestral de este nuevo campo numérico es 0,5882.

A continuación se calculan en R los intervalos bootstrap con 10.000 repeticiones:

    # Paquete boot ya cargado arriba
    # Verificar los datos
    Sexo_numerico <- ifelse(datos2a35$Sexo == "Masculino", 0, 1)
    media_muestral_fem <- mean(Sexo_numerico)
    
    # Función que calcula la media
    media_boot <- function(data, indices) {
      muestra_boot <- data[indices]
      mean(muestra_boot)
    }
    
    # Bootstrap con 10.000 repeticiones
    set.seed(123)
    
    resultado_boot <- boot(
      data = Sexo_numerico,
      statistic = media_boot,
      R = 10000
    )
    
    # Mostrar resultado general
    resultado_boot
## 
## ORDINARY NONPARAMETRIC BOOTSTRAP
## 
## 
## Call:
## boot(data = Sexo_numerico, statistic = media_boot, R = 10000)
## 
## 
## Bootstrap Statistics :
##      original       bias    std. error
## t1* 0.5882353 -0.001120588  0.08467053
    # Intervalos de confianza bootstrap del 95 %
    intervalos_boot <- boot.ci(
      resultado_boot,
      conf = 0.95,
      type = c("norm", "basic", "perc", "bca")
    )
    
    intervalos_boot
## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 10000 bootstrap replicates
## 
## CALL : 
## boot.ci(boot.out = resultado_boot, conf = 0.95, type = c("norm", 
##     "basic", "perc", "bca"))
## 
## Intervals : 
## Level      Normal              Basic         
## 95%   ( 0.4234,  0.7553 )   ( 0.4412,  0.7647 )  
## 
## Level     Percentile            BCa          
## 95%   ( 0.4118,  0.7353 )   ( 0.3824,  0.7353 )  
## Calculations and Intervals on Original Scale
    hist(
      resultado_boot$t,
      breaks = 20,
      main = "Distribución bootstrap de la media",
      xlab = "Media bootstrap"
    )

    abline(
      v = mean(Sexo_numerico),
      lwd = 2
    )

i2. Análisis y comparación con los resultados anteriores

Se había obtenido previamente un intervalo de confianza al 95% para la proporción de estudiantes femeninos de ( 0.4228 ; 0.7536 ).

Era esperable que los intervalos bootstrap estuvieran en una zona semejante, aunque sus límites no sean necesariamente idénticos (ver intervalos bootstrap calculados en R en el punto anterior).

Lo importante es observar que el valor 0.30 queda por debajo de los intervalos obtenidos. Por lo tanto, los intervalos bootstrap también respaldan la conclusión anterior: p > 0.30

Esto coincide con:

En todos los casos hay evidencia de que la proporción poblacional de mujeres es superior al 30 %.

Ejercicio 6 - Naive Bayes (Bonus)

Para responder los siguientes puntos, se requiere cargar el dataset “infert” de la librería datasets y utilizar una semilla igual a 123 para que los resultados sean reproducibles.

El dataset infert corresponde a un estudio de casos y controles apareados sobre infertilidad tras aborto espontáneo o inducido. La variable objetivo es case, que distingue entre mujeres con antecedentes de infertilidad (caso) y mujeres sin dichos antecedentes (control). El algoritmo Naive Bayes es un clasificador probabilístico fundamentado en el Teorema de Bayes que asume independencia condicional entre los predictores dada la clase; de allí su denominación de “ingenuo”. Si bien dicho supuesto raramente se verifica de manera estricta en datos reales, el clasificador ofrece un desempeño competitivo y una elevada eficiencia computacional.

set.seed(123)

data(infert, package = "datasets")
str(infert)
## 'data.frame':    248 obs. of  8 variables:
##  $ education     : Factor w/ 3 levels "0-5yrs","6-11yrs",..: 1 1 1 1 2 2 2 2 2 2 ...
##  $ age           : num  26 42 39 34 35 36 23 32 21 28 ...
##  $ parity        : num  6 1 6 4 3 4 1 2 1 2 ...
##  $ induced       : num  1 1 2 2 1 2 0 0 0 0 ...
##  $ case          : num  1 1 1 1 1 1 1 1 1 1 ...
##  $ spontaneous   : num  2 0 0 0 1 1 0 0 1 0 ...
##  $ stratum       : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ pooled.stratum: num  3 1 4 2 32 36 6 22 5 19 ...

Inciso a. Convertir las variables predictoras que sean categóricas en factores.

Entre las variables disponibles, education se encuentra ya codificada como factor. Las variables parity (número de partos), induced (abortos inducidos previos) y spontaneous (abortos espontáneos previos) representan conteos con un número reducido de niveles y naturaleza esencialmente categórica, motivo por el cual se convierten a factor. La variable age conserva su condición numérica por tratarse de una magnitud continua. Las variables stratum y pooled.stratum se excluyen del análisis.

infert$education   <- as.factor(infert$education)
infert$induced     <- as.factor(infert$induced)
infert$spontaneous <- as.factor(infert$spontaneous)
infert$parity      <- as.factor(infert$parity)

# Variable objetivo como factor con etiquetas interpretables
infert$case <- factor(infert$case,
                      levels = c(0, 1),
                      labels = c("control", "caso"))

# Selección de la variable objetivo y los predictores válidos
datos <- infert[, c("case", "age", "parity",
                    "education", "induced", "spontaneous")]
str(datos)
## 'data.frame':    248 obs. of  6 variables:
##  $ case       : Factor w/ 2 levels "control","caso": 2 2 2 2 2 2 2 2 2 2 ...
##  $ age        : num  26 42 39 34 35 36 23 32 21 28 ...
##  $ parity     : Factor w/ 6 levels "1","2","3","4",..: 6 1 6 4 3 4 1 2 1 2 ...
##  $ education  : Factor w/ 3 levels "0-5yrs","6-11yrs",..: 1 1 1 1 2 2 2 2 2 2 ...
##  $ induced    : Factor w/ 3 levels "0","1","2": 2 2 3 3 2 3 1 1 1 1 ...
##  $ spontaneous: Factor w/ 3 levels "0","1","2": 3 1 1 1 2 2 1 1 2 1 ...

Inciso b. Entrenar el algoritmo de Naive Bayes con el 70% de los datos y el resto utilizarlos para testear.

La partición se realiza mediante la función createDataPartition() del paquete caret, la cual efectúa un muestreo estratificado según la variable objetivo. De este modo se preserva la proporción original de casos y controles tanto en el conjunto de entrenamiento como en el de prueba.

indice_train <- createDataPartition(datos$case, p = 0.70, list = FALSE)

train <- datos[indice_train, ]
test  <- datos[-indice_train, ]

# Verificación de la proporción de clases en cada partición
prop.table(table(train$case))
## 
##   control      caso 
## 0.6628571 0.3371429
prop.table(table(test$case))
## 
##   control      caso 
## 0.6712329 0.3287671

Los conjuntos resultantes contienen 175 observaciones de entrenamiento y 73 de prueba, con proporciones de clase equivalentes a las de la muestra original, lo cual valida la estratificación.

A continuación se entrena el modelo. La función naiveBayes() estima, para cada predictor categórico, las tablas de probabilidad condicional dada la clase, y para el predictor numérico age asume una distribución Normal, estimando media y desvío.

modelo_nb <- naiveBayes(case ~ ., data = train)
modelo_nb
## 
## Naive Bayes Classifier for Discrete Predictors
## 
## Call:
## naiveBayes.default(x = X, y = Y, laplace = laplace)
## 
## A-priori probabilities:
## Y
##   control      caso 
## 0.6628571 0.3371429 
## 
## Conditional probabilities:
##          age
## Y             [,1]     [,2]
##   control 31.65517 5.049500
##   caso    31.35593 5.429049
## 
##          parity
## Y                  1          2          3          4          5          6
##   control 0.41379310 0.31034483 0.17241379 0.06034483 0.02586207 0.01724138
##   caso    0.45762712 0.32203390 0.10169492 0.06779661 0.01694915 0.03389831
## 
##          education
## Y             0-5yrs    6-11yrs    12+ yrs
##   control 0.03448276 0.48275862 0.48275862
##   caso    0.03389831 0.49152542 0.47457627
## 
##          induced
## Y                 0         1         2
##   control 0.6120690 0.2758621 0.1120690
##   caso    0.5762712 0.2881356 0.1355932
## 
##          spontaneous
## Y                  0          1          2
##   control 0.68965517 0.24137931 0.06896552
##   caso    0.40677966 0.33898305 0.25423729

Las probabilidades a priori reflejan la prevalencia de cada clase en el conjunto de entrenamiento. Entre las probabilidades condicionales se destaca la variable spontaneous: la proporción de mujeres sin abortos espontáneos es sustancialmente mayor en el grupo control que en el grupo de casos, lo que anticipa su relevancia como predictor.

Inciso c. Calcular la matriz de confusión sobre las predicciones realizadas sobre los datos de testing.

Se generan las predicciones sobre el conjunto de prueba y se contrasta con los valores observados. Se define la clase “caso” como positiva, de manera que la sensibilidad y la especificidad se interpreten respecto de la detección de infertilidad.

predicciones <- predict(modelo_nb, newdata = test)

matriz_conf <- confusionMatrix(
  data      = predicciones,
  reference = test$case,
  positive  = "caso"
)
matriz_conf
## Confusion Matrix and Statistics
## 
##           Reference
## Prediction control caso
##    control      44   16
##    caso          5    8
##                                           
##                Accuracy : 0.7123          
##                  95% CI : (0.5945, 0.8123)
##     No Information Rate : 0.6712          
##     P-Value [Acc > NIR] : 0.2697          
##                                           
##                   Kappa : 0.2619          
##                                           
##  Mcnemar's Test P-Value : 0.0291          
##                                           
##             Sensitivity : 0.3333          
##             Specificity : 0.8980          
##          Pos Pred Value : 0.6154          
##          Neg Pred Value : 0.7333          
##              Prevalence : 0.3288          
##          Detection Rate : 0.1096          
##    Detection Prevalence : 0.1781          
##       Balanced Accuracy : 0.6156          
##                                           
##        'Positive' Class : caso            
## 

Inciso d. Calcular las métricas de accuracy, especificidad y sensibilidad.

Las tres métricas solicitadas se extraen directamente del objeto generado por confusionMatrix().

accuracy      <- matriz_conf$overall["Accuracy"]
sensibilidad  <- matriz_conf$byClass["Sensitivity"]
especificidad <- matriz_conf$byClass["Specificity"]

metricas <- data.frame(
  Metrica = c("Accuracy (exactitud)",
              "Sensibilidad",
              "Especificidad"),
  Valor = round(c(accuracy, sensibilidad, especificidad), 4)
)
knitr::kable(
  metricas,
  row.names = FALSE,
  col.names = c("Métrica", "Valor"),
  caption = "Métricas de desempeño del clasificador Naive Bayes sobre el conjunto de prueba"
)
Métricas de desempeño del clasificador Naive Bayes sobre el conjunto de prueba
Métrica Valor
Accuracy (exactitud) 0.7123
Sensibilidad 0.3333
Especificidad 0.8980

Las métricas se definen del siguiente modo. La accuracy corresponde a la proporción de clasificaciones correctas sobre el total, \((VP+VN)/n\).

La sensibilidad mide la capacidad de identificar correctamente los casos positivos, \(VP/(VP+FN)\).

La especificidad cuantifica la correcta identificación de los negativos, \(VN/(VN+FP)\).

El modelo alcanza una exactitud del 71.2%, superior a la tasa de no información correspondiente a la clase mayoritaria. No obstante, se observa una marcada asimetría entre especificidad (89.8%) y sensibilidad (33.3%): el clasificador identifica con elevada fiabilidad a los controles, pero presenta una capacidad limitada para detectar los casos de infertilidad. Este comportamiento resulta esperable, dado que la clase “caso” es minoritaria y el supuesto de independencia condicional de Naive Bayes se cumple solo de manera parcial en este conjunto, donde predictores como la paridad y los antecedentes de abortos guardan relación entre sí.

Análisis complementario: ajuste del umbral de decisión.

La baja sensibilidad observada no obedece a una deficiencia del modelo, sino a la regla de decisión por defecto, que asigna cada observación a la clase de mayor probabilidad posterior (umbral de 0.5). Cuando la detección de la clase minoritaria resulta prioritaria, dicho umbral puede reducirse para clasificar como “caso” a toda observación cuya probabilidad posterior supere un valor menor. Este procedimiento incrementa la sensibilidad a costa de la especificidad, materializando el compromiso característico entre ambos tipos de error.

# Probabilidades posteriores de pertenecer a cada clase
probabilidades <- predict(modelo_nb, newdata = test, type = "raw")
head(round(probabilidades, 3))
##      control  caso
## [1,]   0.589 0.411
## [2,]   0.731 0.269
## [3,]   0.707 0.293
## [4,]   0.516 0.484
## [5,]   0.575 0.425
## [6,]   0.646 0.354
# Nueva regla: se clasifica como "caso" si P(caso) > 0.30
umbral <- 0.30
predicciones_umbral <- factor(
  ifelse(probabilidades[, "caso"] > umbral, "caso", "control"),
  levels = c("control", "caso")
)

matriz_conf_umbral <- confusionMatrix(
  data      = predicciones_umbral,
  reference = test$case,
  positive  = "caso"
)
matriz_conf_umbral$table
##           Reference
## Prediction control caso
##    control      29    4
##    caso         20   20
# Comparación de métricas entre ambos umbrales
comparacion_umbral <- data.frame(
  Umbral = c("0.50 (por defecto)", "0.30 (ajustado)"),
  Accuracy = round(c(matriz_conf$overall["Accuracy"],
                     matriz_conf_umbral$overall["Accuracy"]), 4),
  Sensibilidad = round(c(matriz_conf$byClass["Sensitivity"],
                         matriz_conf_umbral$byClass["Sensitivity"]), 4),
  Especificidad = round(c(matriz_conf$byClass["Specificity"],
                          matriz_conf_umbral$byClass["Specificity"]), 4)
)
knitr::kable(
  comparacion_umbral,
  row.names = FALSE,
  caption = "Efecto del ajuste del umbral de decisión sobre las métricas"
)
Efecto del ajuste del umbral de decisión sobre las métricas
Umbral Accuracy Sensibilidad Especificidad
0.50 (por defecto) 0.7123 0.3333 0.8980
0.30 (ajustado) 0.6712 0.8333 0.5918

La reducción del umbral de 0.50 a 0.30 incrementa la sensibilidad del clasificador: al exigir menos certeza para asignar la etiqueta “caso”, el modelo detecta una mayor proporción de mujeres con infertilidad que antes clasificaba erróneamente como controles. Esta mejora tiene una contrapartida: la especificidad disminuye, ya que algunos controles pasan a clasificarse incorrectamente como casos. Se manifiesta así el compromiso fundamental entre ambos tipos de error, dado que ningún umbral permite optimizar las dos métricas de forma simultánea.

La elección del umbral, en consecuencia, no constituye una decisión puramente estadística, sino que depende del costo relativo que cada tipo de error posee en el contexto de aplicación. No todos los errores revisten la misma gravedad.

Esto se ve mejor explicado con el típico ejemplo de clasificar un correo deseado como spam (falso positivo) ocasiona una molestia menor, por lo que en ese dominio conviene ser cauteloso y privilegiar la especificidad. En cambio, en el caso de una enfermedad, omitir un caso real (falso negativo) puede implicar la ausencia de tratamiento, motivo por el cual se privilegia la sensibilidad, aun a costa de generar más falsas alarmas que luego se descartan con estudios adicionales. El presente problema se asemeja a este segundo escenario: la detección de casos de infertilidad resulta prioritaria, lo que justifica la reducción del umbral para minimizar los falsos negativos.