Estimacion de una proporcion binomial por los metodos: Wilson (con cpc), Wald (con cpc) y Wald ajustado
icp.RdObtencion del intervalo de confianza para una proporcion binomial considerando los metodos de Wilson (con cpc), Wald (con cpc) y Wald ajustado. Texto intencionadamente sin tildes u otros caracteres especiales por la incompatibilidad de los mapas de caracteres
Arguments
- x
valor entero: numerador de la proporcion binomial (si se da la informacion resumida) o valor a seleccionar del vector v (si se ha dado un vector de datos)
- n
valor entero: denominador de la proporcion binomial (si se da la informacion resumida)
- level
entero o texto: es el valor o la etiqueta del nivel de seleccion de x cuando este ultimo es un vector
- conf
valor < 1: nivel de confianza (alternativo al error alfa, en tanto por uno). Por defecto =.95.
- alfa
valor < 1: error alfa (alternativo al nivel de confianza, en tanto por uno). Por defecto =.05.
- decs
valor entero: precision decimal para la salida de resultados. Por defecto = 4.
- d
valor real < 1: precision deseada para el intervalo de confianza. Si d>0 se invoca a la funcion np()
- tabla
valor logico: si tabla=TRUE el informe tiene forma de tabla. En cualquier caso devuelve los limites del IC y su precision
Value
Informe con los intervalos de confianza de Wilson, Wald (ambos con cpc) y Wald ajustado. Limites de cada intervalo y su precision en forma de tabla.
Examples
# Introduciendo frecuencias
icp(x=25, n=210)
#>
#> Intervalo de confianza para una proporción binomial
#> ---------------------------------------------------
#>
#> Información muestral:
#> Tamaño de muestra: n = 210
#> Estimación puntual clásica: p=x/n = 0.119, q=(1-p)=0.881
#> Casos observados: x = 25
#>
#> # Método exacto (Clooper-Pearson):
#> Pseudo-estimación puntual: p' = 0.1247, q'=(1-p')=0.8753
#> 95%-IC(π): (0.0786, 0.1707)
#> Semiamplitud: 0.046
#>
#> # Método de Wilson (con cpc):
#> Pseudo-estimación puntual: p' = 0.1263, q'=(1-p')=0.8737
#> 95%-IC(π): (0.08, 0.1725)
#> Semiamplitud: 0.0463
#>
#> # Método de Wald (con cpc):
#> Estimación puntual (clásica): p=x/n = 0.119, q=(1-p)=0.881
#> 95%-IC(π): (0.0729, 0.1652)
#> Precisión: 0.0462
#>
#> # Método de Wald ajustado (Agresti-Coull):
#> Estimación puntual: p=(x+2)/(n+4) = 0.1262, q=(1-p)=0.8738
#> 95%-IC(π): (0.0817, 0.1707)
#> Precisión: 0.0445
#>
icp(x=25, n=210, conf=0.90, decs=8)
#>
#> Intervalo de confianza para una proporción binomial
#> ---------------------------------------------------
#>
#> Información muestral:
#> Tamaño de muestra: n = 210
#> Estimación puntual clásica: p=x/n = 0.1190476, q=(1-p)=0.8809524
#> Casos observados: x = 25
#>
#> # Método exacto (Clooper-Pearson):
#> Pseudo-estimación puntual: p' = 0.1232511, q'=(1-p')=0.8767489
#> 90%-IC(π): (0.08421205, 0.1622901)
#> Semiamplitud: 0.03903903
#>
#> # Método de Wilson (con cpc):
#> Pseudo-estimación puntual: p' = 0.1242024, q'=(1-p')=0.8757976
#> 90%-IC(π): (0.08501027, 0.1633945)
#> Semiamplitud: 0.0391921
#>
#> # Método de Wald (con cpc):
#> Estimación puntual (clásica): p=x/n = 0.1190476, q=(1-p)=0.8809524
#> 90%-IC(π): (0.07990847, 0.1581868)
#> Precisión: 0.03913915
#>
#> # Método de Wald ajustado (Agresti-Coull):
#> Estimación puntual: p=(x+2)/(n+4) = 0.1261682, q=(1-p)=0.8738318
#> 90%-IC(π): (0.08883382, 0.1635026)
#> Precisión: 0.03733441
#>
# Introduciendo datos
datos<-c(1,1,1,2,2,2,2,2,1,1,1,2,1,2,2,2,2,2,1,1,1,2,1,2,1,2,1,2,2,2,2,2,1,1)
icp(x=datos, level=1)
#>
#> Intervalo de confianza para una proporción binomial
#> ---------------------------------------------------
#>
#> Información muestral:
#> Tamaño de muestra: n = 34
#> Estimación puntual clásica: p=x/n = 0.4412, q=(1-p)=0.5588
#> Casos observados: (nivel =1)x = 15
#>
#> # Método exacto (Clooper-Pearson):
#> Pseudo-estimación puntual: p' = 0.4492, q'=(1-p')=0.5508
#> 95%-IC(π): (0.2772, 0.6211)
#> Semiamplitud: 0.172
#>
#> # Método de Wilson (con cpc):
#> Pseudo-estimación puntual: p' = 0.4476, q'=(1-p')=0.5524
#> 95%-IC(π): (0.2762, 0.6191)
#> Semiamplitud: 0.1715
#>
#> # Método de Wald (con cpc):
#> No aplicable: x= 15 <20 , n-x= 19 <20
#>
#> # Método de Wald ajustado (Agresti-Coull):
#> Estimación puntual: p=(x+2)/(n+4) = 0.4474, q=(1-p)=0.5526
#> 95%-IC(π): (0.2893, 0.6055)
#> Precisión: 0.1581
#>
icp(x=datos, level=1, conf=.99)
#>
#> Intervalo de confianza para una proporción binomial
#> ---------------------------------------------------
#>
#> Información muestral:
#> Tamaño de muestra: n = 34
#> Estimación puntual clásica: p=x/n = 0.4412, q=(1-p)=0.5588
#> Casos observados: (nivel =1)x = 15
#>
#> # Método exacto (Clooper-Pearson):
#> Pseudo-estimación puntual: p' = 0.4525, q'=(1-p')=0.5475
#> 99%-IC(π): (0.2351, 0.67)
#> Semiamplitud: 0.2174
#>
#> # Método de Wilson (con cpc):
#> Pseudo-estimación puntual: p' = 0.4514, q'=(1-p')=0.5486
#> 99%-IC(π): (0.2383, 0.6645)
#> Semiamplitud: 0.2131
#>
#> # Método de Wald (con cpc):
#> No aplicable: x= 15 <20 , n-x= 19 <20
#>
#> # Método de Wald ajustado (Agresti-Coull):
#> Estimación puntual: p=(x+2)/(n+4) = 0.4474, q=(1-p)=0.5526
#> 99%-IC(π): (0.2396, 0.6551)
#> Precisión: 0.2078
#>
sexo<-as.factor(c("H","H","M","M","H","M","M","H","H","M","H","M","H"))
icp(x=sexo, level="M")
#>
#> Intervalo de confianza para una proporción binomial
#> ---------------------------------------------------
#>
#> Información muestral:
#> Tamaño de muestra: n = 13
#> Estimación puntual clásica: p=x/n = 0.4615, q=(1-p)=0.5385
#> Casos observados: (nivel =M)x = 6
#>
#> # Método exacto (Clooper-Pearson):
#> Pseudo-estimación puntual: p' = 0.4728, q'=(1-p')=0.5272
#> 95%-IC(π): (0.197, 0.7487)
#> Semiamplitud: 0.2758
#>
#> # Método de Wilson (con cpc):
#> Pseudo-estimación puntual: p' = 0.4714, q'=(1-p')=0.5286
#> 95%-IC(π): (0.204, 0.7388)
#> Semiamplitud: 0.2674
#>
#> # Método de Wald (con cpc):
#> No aplicable: x= 6 <20 , n-x= 7 <20
#>
#> # Método de Wald ajustado (Agresti-Coull):
#> Estimación puntual: p=(x+2)/(n+4) = 0.4706, q=(1-p)=0.5294
#> 95%-IC(π): (0.2333, 0.7079)
#> Precisión: 0.2373
#>
# Cambiar la salida por una tabla resumen (manejable como data.frame)
icp(x=sexo, level="M",tabla=TRUE)
#>
#>
#> # Intervalos de confianza para una proporción binomial
#> # -----------------------------------------------------
#> Método (conf.=95%)
#> puntual icinf icsup precision
#> Clooper-Pearson 0.4728 0.1970 0.7487 0.2758
#> Wilson 0.4714 0.2040 0.7388 0.2674
#> Wald 0.4615 NA NA NA
#> Agresti-Coull 0.4706 0.2333 0.7079 0.2373
# Invocacion a la estimacion del tamano muestral
icp(x=sexo, level="M", d=0.1)
#>
#> Intervalo de confianza para una proporción binomial
#> ---------------------------------------------------
#>
#> Información muestral:
#> Tamaño de muestra: n = 13
#> Estimación puntual clásica: p=x/n = 0.4615, q=(1-p)=0.5385
#> Casos observados: (nivel =M)x = 6
#>
#> # Método exacto (Clooper-Pearson):
#> Pseudo-estimación puntual: p' = 0.4728, q'=(1-p')=0.5272
#> 95%-IC(π): (0.197, 0.7487)
#> Semiamplitud: 0.2758
#>
#> # Método de Wilson (con cpc):
#> Pseudo-estimación puntual: p' = 0.4714, q'=(1-p')=0.5286
#> 95%-IC(π): (0.204, 0.7388)
#> Semiamplitud: 0.2674
#>
#> # Método de Wald (con cpc):
#> No aplicable: x= 6 <20 , n-x= 7 <20
#>
#> # Método de Wald ajustado (Agresti-Coull):
#> Estimación puntual: p=(x+2)/(n+4) = 0.4706, q=(1-p)=0.5294
#> 95%-IC(π): (0.2333, 0.7079)
#> Precisión: 0.2373
#>
#>
#> Tamaño de muestra para estimar una proporción binomial
#> -------------------------------------------------------
#>
#> Información muestral
#> Tamaño de la muestra: n = 13
#> Casos: x = 6
#> Inferencia para la proporción basada en el método de Wald ajustado:
#> 95%-IC(π): (0.2333, 0.7079)
#> precisión observada: d = 0.2373 (23.73%)
#>
#> Tamaño muestral requerido para δ = 0.1 (10.00%), conf.= 95%
#> - Basado en la muestra actual (po = 0.7079): n ≥ 80
#> - Sin considerar la información previa: n ≥ 97
#>