Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2022-10-28
Demostración 1
Dado una muestra de distribuciones independientes e idénticas normales de media µ y desviación típica σ,
podemos demostrar que la media muestral seguirá una distribución normal de media µ, pero desviación
típica √σn .
N<- 1e5
n <- 10
mu<- 2
sigma <-3
for (i in 1:N){
muestra <- rnorm(n,mu,sigma) # equivale al trabajo de laboratorio
X_barra[i]<- mean(muestra) # media muestral
S2[i] <- var(muestra) # varianza muestral
}
1
Histogram of X_barra
0.4
0.3
Density
0.2
0.1
0.0
−2 0 2 4 6
X_barra
Demostración 2
n−1 2
Vamos a comprobar el teorema 3. Según este teorema, la distribución muestral de σ2 S es una χ2 con
n − 1 grados de libertad.
2
Histogram of Y
0.00 0.02 0.04 0.06 0.08 0.10
Density
0 10 20 30 40
Demostración 3
X̄−µ
A continuación, vamos a demostrar el teorema 4. Dada la distribución T = S/ √ , esta tiende a la distribución
n
t de Student con n − 1 grados de libertad y también tiende a una normal cuando n tiende a infinito.
T <-(X_barra-mu)/(S/sqrt(n))
3
Histogram of T
0.4
0.3
Density
0.2
0.1
0.0
−10 −5 0 5 10
for (i in 1:N){
muestra <- rnorm(n,mu,sigma)
X_barra[i]<- mean(muestra)
S2[i] <- var(muestra)
}
S <- sqrt(S2)
4
lines(t, dnorm(t,0,sqrt((n-1)/(n-3))) ,col =4)
Histogram of T
0.4
0.3
Density
0.2
0.1
0.0
−4 −2 0 2 4
Comando integrate
Calculamos el valor esperado de la distribución t de Student.
nu <- 10
5
#Según la teoria, la varianza debe ser igual a:
nu/(nu-2) #Comprobamos si integrate lo ha hecho correctamente
## [1] 1.25
Se puede apreciar que el comando integrate es más potente que los sumatorios y por ello más útil a la hora
de comprobar numéricamente.
Histogramas
Los histogramas nos permiten observar la distribución de los datos en cajas que representan su frecuencia.
N <- 1000
X <- rnorm(N)
# Un experimento aleatorio
plot(X, cex = 0.1)
3
2
1
X
0
−1
−2
−3
Index
#Dinujamos su histograma
hX <- hist(X)
6
Histogram of X
200
150
Frequency
100
50
0
−3 −2 −1 0 1 2 3
## [1] -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
## [1] 0.012 0.044 0.100 0.174 0.286 0.384 0.402 0.282 0.182 0.072 0.040 0.022
## [1] -2.75 -2.25 -1.75 -1.25 -0.75 -0.25 0.25 0.75 1.25 1.75 2.25 2.75
7
200
150
hX$counts
100
50
0
−2 −1 0 1 2
hX$mids
## [1] 1000
## [1] 1
hX <- hist(X)
8
Histogram of X
200
150
Frequency
100
50
0
−3 −2 −1 0 1 2 3
9
3
2
1
X
0
−1
−2
−3
Index
## [1] -0.01149814
sd(X)
## [1] 1.023351
#Comprobado
## [1] 0.665
# integramos hasta -1
length(X[X< -1])/N
## [1] 0.17
10
# Si ordenamos de menor a mayor los datos obtenidos
plot(sort(X))
3
2
1
sort(X)
0
−1
−2
−3
Index
Y <- (1:N)/N
11
1.0
0.8
0.6
Y
0.4
0.2
0.0
−3 −2 −1 0 1 2 3
sort(X)
Problema número pi
Supongamos que vamos a medir el valor del número pi, por lo que pi es nuestra variable. R es el radio de una
diana (tiene 1 de radio) y X e Y sus posiciones en esa diana. El experimento consiste en lanzar un número
grande de dardos a la diana. Mediante el método Monte Carlo, podemos calcular el valor del número pi.
N <- 1e6
## [1] 3.140616
12