No lo es, al menos no en el sentido estadístico. Lo que estás haciendo es encontrar el cambio (linealmente aproximado) eny
obtenido al cambiar las entradas por sus desviaciones estándar. Esto está bien como una aproximación aproximada, pero puede hacerlo mejor casi sin trabajo adicional.
Si desea conocer la varianza real y la desviación estándar dey
, la fórmula es diferente. Suponer
y= f(X1, … ,Xnorte) =F0+∑yo = 1norteaiXi+∑yo = 1norte∑j = yonortebyo jXiXj+ O (X3) .
En primer lugar, podemos calcular la expectativa de
y
,
mi( y) ≡y^
, muy facilmente:
y^=F0+∑yo = 1norteaiX^i+ 2∑yo = 1norte∑j = yo + 1nortebyo jX^iX^j+∑yo = 1nortebyo yomi(X2i) + O (X3) .
Esto se deriva del hecho de que las expectativas son lineales. Tenga en cuenta que aquí asumimos
Xi
es independiente de
Xj
, a menos que, por supuesto
yo = j
; así se reparte la expectativa sobre el producto. Si sus entradas están correlacionadas, este simple análisis falla. Tenga en cuenta también que esto está muy cerca de lo que supondría el valor "medio" de
y
es, pero no del todo. En segundo lugar, debe tener en cuenta las expectativas de los cuadrados de las entradas que no coinciden con los cuadrados de las expectativas. Al menos la máxima "enchufe los mejores valores de
X
para obtener el mejor valor de
y
"funciona perfectamente a primer orden en
X
.
Podemos elevar al cuadrado este resultado, dando
y^2=F20+ 2F0∑yo = 1norteaiX^i+ 4F0∑yo = 1norte∑j = yo + 1nortebyo jX^iX^j+ 2F0∑yo = 1nortebyo yomi(X2i) +∑yo = 1norte∑j = 1norteaiajX^iX^j+ O (X3) .
En la misma línea, tenemos
mi(y2)= mi(F20+ 2F0∑yo = 1norteaiXi+ 2F0∑yo = 1norte∑j = yonortebyo jXiXj+∑yo = 1norte∑j = 1norteaiajXiXj) + O (X3)=F20+ 2F0∑yo = 1norteaiX^i+ 4F0∑yo = 1norte∑j = yo + 1nortebyo jX^iX^j+ 2F0∑yo = 1nortebyo yomi(X2i)+ 2∑yo = 1norte∑j = yo + 1norteaiajX^iX^j+∑yo = 1nortea2imi(X2i) + O (X3) .
Finalmente, estamos en condiciones de calcular la varianza dey
. esto es simplemente
( Δ y)2≡ mi(y2) -y^2=∑yo = 1nortea2i( mi(X2i) -X^2i) + O (X3) .
De hecho, este resultado se puede escribir completamente en términos de las primeras derivadas,
ai
, y las varianzas de las entradas,
( ΔXi)2
:
( Δ y)2≈∑yo = 1norte(∂F∂Xi)2( ΔXi)2.
La desviación estándar
Δ y
, que es lo que espera que se informe cuando vea
y=y^± Δ y
, es simplemente la raíz cuadrada de esto:
Δ y≈(∑yo = 1norte(∂F∂Xi)2( ΔXi)2)1 / 2.
Es esta fórmula la que la gente tiene en mente cuando dice cosas como "sumamos las incertidumbres en cuadratura", ya que este resultado tiene una aplicación muy amplia: se aplica siempre que tengamos una función continuamente diferenciable de entradas independientes con medias conocidas y desviaciones estándar.