Clase 3

Clase 3 Estimación de Recursos Minerales
Estadística e Inferencia
Dr. Roberto Miguel Fustos Toribio
Segundo semestre 2018
Estimación de Recursos Minerales 1 / 50

Contenidos
1 Estadística y Probabilidad
Fundamentos de probabilidad
Variables aleatorias
Distribuciones especiales
Variables multidimensionales
2 Inferencia Estadística
Estimación puntual de parámetros
Estimación intervalar de parámetros

Estadística y Probabilidad
Estadística

Estadística y Probabilidad Fundamentos de probabilidad
Experimentos, Espacio Muestral y Eventos
Un experimento aleatorio corresponde a cualquier opera-

ción cuyo resultado no puede ser predicho con certeza
antes de realizarlo.
El conjunto de resultados posibles de un experimento co-

rresponde al espacio muestral. Este espacio puede ser dis-
creto, continuo, finito o infinito.
Un evento o suceso corresponderá a cualquier subconjun-

to del espacio muestral.

Axiomas de probabilidad
Una probabilidad es una función definida sobre un subconjunto del espacio muestral Ω,
tal que a un subconjunto cualquiera A se le asocia un número P (A) llamado probabilidad
de A, que satisface los siguientes axiomas
1. P (Ω) = 1
2. P (A) ≥ 0
P
3. P (∪i Ai ) = i
P (Ai ), ∀Ai ∩ Aj = Φ
Además, dados dos eventos arbitrarios A y B, se tiene
1. P (Φ) = 0
2. P (Ac ) = 1 − P (A), donde Ac es el complemento de A
3. Si A ⊂ B, entonces P (A) ≤ P (B)
4. Si A ⊂ B, entonces P (B − A) = P (B) − P (A)

Probabilidad condicional e independencia
Tiene sentido hablar de condicionalidad cuando queremos saber la probabilidad de ocu-

rrencia de un evento de interés, basados en la ocurrencia previa de otro evento. Dados
dos eventos A y B, vamos a denotar
P (A∩B)
P (A/B) = P (B)
, si P (B) > 0
Además se tiene las siguientes propiedades
P (Ω∩B) P (B)
P (Ω/B) = P (B)
= P (B)
=1
P (A1 ∪ A2 ∪ .../B) = P (A1 /B) + P (A2 /B) + ...

Probabilidad condicional e independencia
Cuando la ocurrencia de un evento no condiciona la ocurrencia de otro se dice que ambos

son independientes. Esto ocurre si y sólo si
P (A ∩ B) = P (A) · P (B)
Además se cumplen las siguientes propiedades
P (A ∩ B c ) = P (A) · P (B c )
A ∩ B = Φ y P (A ∩ B) = 0
Esto último en el caso de que los eventos sean mutuamente excluyentes.

Ejercicios

Estadística y Probabilidad Variables aleatorias
Concepto de variable aleatoria
Una variable aleatoria se define como una función de los elementos del espacio muestral
con valores reales.
X : Ω 7−→ R, tal que ω 7−→ X(ω) = x
Dependiendo del recorrido de la función, definiremos a la variable como discreta o con-

tinua.

Variables aleatorias discretas
Una variable aleatoria discreta es aquella cuyo recorrido forma un conjunto de números
reales discretos (finito o infinito numerable). Su función de probabilidades se define y
denota
pX (x) = P (X(ω) = x), ∀x ∈ R
Número de turnos
y satisface las condiciones
30
20
10
pX (x) ≥ 0, ∀x ∈ R
P
0
x
pX (x) = 1
1 2 3 4 5 6 7 8
X: Número de accidentes por turno
Ejemplos:
1. Número de camiones con fallas por mes
2. Litologías existentes en una campaña de exploración
3. Número de accidentes por turno

Variables aleatorias continuas
Diremos que una variable aleatoria es continua si su recorrido es un intervalo de la recta

real.
fX (x) ∈ R, ∀x ∈ R
A toda variable continua X se le puede asociar una función fX (x), de valor real, llamada
Función de Densidad de Probabilidad, que satisface las siguientes condiciones
Función de densidad
0.4
1. fX (x) ≥ 0, ∀x
R∞
fX(x)
0.2
2. fX (x)dx = 1
−∞
0.0
−3 −2 −1 0 1 2 3
Ejemplos: x
1. Tiempos de circuito de camiones

2. Tonelaje mensual cargado por fase
3. Leyes minerales (Cu, M o, Cd, Au, etc...)

Función de distribución
Toda variable aleatoria tiene asociada siempre otra función , llamada función de distri-
bución o función de distribución acumulada. Esta función puede utilizarse para calcular
probabilidades asociadas con la variable aleatoria en cuestión y presenta la ventaja de que
es apropiada tanto para variables aleatorias discretas como continuas.
Sea X una variable aleatoria. La Función de Distribución de X, denotada por FX (t), es

una función de una variable real t tal que el dominio de FX es toda la recta real y
FX (t) = P (X ≤ t), ∀t ∈ R
Función de distribución v.a. discreta Función de distribución v.a. continua

0.8
0.8
FX(t)
FX(t)
0.4
0.4
0.0
0.0
0 2 4 6 8 10 12 0 2 4 6 8 10 12
t t

Función de distribución
En el caso de las variables aleatorias discretas, la Función de Distribución se obtiene de

la manera
X
FX (t) = pX (x), ∀t ∈ R
x≤t
y en el caso de las variables aleatorias continuas, la Función de Distribución se obtiene

de la forma
Z t
FX (t) = fX (x)dx, ∀t ∈ R
−∞

Esperanzas y momentos
Existen constantes que describen ciertas características de las variables aleatorias, tanto
continuas como discretas. El conocimiento de estas constantes proporcionan información
rápida acerca de la naturaleza de las variables. El término valor esperado o esperanza
de una variable aleatoria es utilizado como una medida de centro o como una medida de
localización de una distribución de probabilidades.
Si X es una variable aleatoria, la media de X, valor esperado o simplemente la

esperanza de X se define y obtiene de la forma
X
µX = E(X) = xpX (x); si X es discreta
x
Z
µX = E(X) = xfX (x)dx; si X es continua

Si X es una variable aleatoria discreta con función de probabilidad pX (x), entonces el
valor esperado de H(X) será
X
E[H(X)] = H(x)pX (x).
x
Si X es una variable aleatoria continua con función de densidad fX (x), entonces el valor
esperado de H(X) será
Z ∞
E[H(X)] = H(x)fX (x)dx.
−∞
1. E[k] = k, con k constante

2. E[kH(X)] = kE[H(X)]
3. E[H(X) + G(X)] = E[H(X)] + E[G(X)].

Cuando necesitemos cuantificar el grado de dispersión en torno a la media de una variable

aleatoria, necesitaremos otra constante conocida como Varianza o Dispersión, la que se
denota por σ 2 o V ar(X) y se define como
2
σX = E[(X − µX )2 ]
y a su raiz cuadrada positiva, σX se le llama desviación típica o estándar de X.

1. V ar(k) = 0, con k constante

2. V ar(X + k) = V ar(X) = σ 2
3. V ar(kX) = k2 V ar(X) = k2 σ 2 .

Ejercicios

Estadística y Probabilidad Distribuciones especiales
Distribución Bernoulli
Corresponde a la distribución de probabilidad del experimento más simple, aquel donde

el resultado posible tiene sólo dos opciones, éxito o fracaso. El espacio muestral de una
variable aleatoria X con distribución Bernoulli corresponde a Ω = {Éxito, F racaso},
donde se define
pX (x) = px (1 − p)1−x , con x = {0, 1}
p (Éxito) y q = 1 − p (Fracaso)
E[X] = p y V ar(X) = p(1 − p)
Ejemplos:
1. Falla de un camión
2. Asignación de material a planta
3. Bloque con valor superior a la ley de corte

Distribución Binomial
Un experimento que consiste en n ensayos Bernoulli independientes, cada uno con pro-
babilidad de éxito p, se llama un experimento Binomial con n ensayos y parámetro p. Se
define como
X ∼ Binomial(n, p)
n x n−x
pX (x) = p q , con x = 0, 1, 2, .., n
x
E(X) = np y V ar(X) = npq
Ejemplos:
1. Número de sondajes de diamantina en
campaña de exploración
2. Número total de camiones con falla durante
un turno
3. Número de pilas de lixiviación agotadas

Distribución Geométrica
Cuando queremos averiguar el número de ensayos Bernoulli necesarios para obtener el

primer éxito, estamos en presencia de una variable aleatoria con distribución Geométrica.
X ∼ Geom(p)
pX (x) = q x−1 p, con x = 1, 2, ...
E(X) = 1/p y V ar(X) = q/p2
Ejemplos:
1. Número de ensayos de mezclas mineralógicas
para obtener recuperación deseada
2. Número de muestras enviadas a laboratorio
para validación de análisis químico

Distribución Binomial Negativa
La distribución Binomial Negativa corresponde a la distribución del número de ensayos

Bernoulli independientes necesarios para observar el r-ésimo éxito, r = 2, 3, ...
X ∼ BN (r, p)
x − 1 r x−r
pX (x) = p q p, con x = r, r + 1, ...
r−1
E(X) = r/p y V ar(X) = rq/p2
Ejemplos:
1. Número de sondajes en campañas de
exploración

Distribución Poisson
Corresponde a la distribución de probabilidades que cuenta el número de ocurrencias de

un cierto evento en un intervalo de tiempo o espacio determinado. En este caso, el evento
tiene una frecuencia media de ocurrencia λ.
X ∼ P oiss(λ)
λx e−λ
pX (x) = , con x = 0, 1, ...
x!
E(X) = λ y V ar(X) = λ
Ejemplos:
1. Número de tronaduras en galerías
subterráneas de un turno
2. Número de sondajes con ley media mayor a la
ley de corte

Distribución Uniforme
Sea X una variable aleatoria continua con valores en el intervalo (a, b). Diremos que
X tiene distribución Uniforme en el intervalo (a, b) si la función de densidad de X es
constante para todo x ∈ (a, b), esto es
Función de densidad Uniforme

X ∼ U nif (a, b)
0.12
fX(x)
0.06
1
fX (x) = , con x ∈ (a, b)
(b − a)
0.00
0 2 4 6 8 10
x
a+b (b − a)2
E(X) = y V ar(X) =
2 12
Ejemplos:
1. Ley media de mineral que entra a planta
2. Tonelaje transportado por camión

Distribución Exponencial
Consideremos un proceso de Poisson de parámetro λ y designemos por cero el instante

en que empezamos a observar el proceso. Si X es el tiempo que transcurre hasta que el
primer evento ocurre, entonces X se llama variable aleatoria Exponencial.
Función de densidad Exponencial

X ∼ Exp(λ)
0.00 0.10 0.20

fX(x)
fX (x) = λe−λx
0 5 10 15 20
1 1
E(X) = y V ar(X) = 2 x
λ λ
Ejemplos:
1. Tiempo de circuito de un camión hasta el
chancador primario
2. Tiempo transcurrido hasta el corte de una
correa de transporte

Distribución Normal
Una variable aleatoria continua X que toma todos los valores reales tiene una distribución
Normal o Gaussiana si su función de densidad de probabilidad es de la forma
Función de densidad Normal
X ∼ N ormal(µ, σ 2 )
0.12
fX(x)
0.06
−(x−µ) 2
1
fX (x) = √ e 2σ2
0.00
σ 2π
0 5 10 15 20
E(X) = µ y V ar(X) = σ 2
Ejemplos:
1. Logaritmo de la Ley de Cu
2. Análisis químico de muestras estándar

Ejercicios

Estadística y Probabilidad Variables multidimensionales
Variables bidimensionales
Al par (X1 , X2 ) lo llamaremos variable aleatoria bidimensional si cada Xi , i = 1, 2 es

una variable aleatoria. Si el par (X1 , X2 ) es discreto, entonces le podemos asociar una
función de probabilidades de la forma
pX1 X2 (x1 , x2 ) = P (X1 = x1 , X2 = x2 ), ∀(x1 , x2 ) ∈ R
Esta función satisface las condiciones tradicionales de cualquier función de probabilidad.

A partir de pX1 X2 (x1 , x2 ) es posible determinar pX1 (x1 ) y pX2 (x2 ), cualquiera sean los
valores de x1 y x2 . Las funciones de probabilidades individuales se llaman probabilidades
marginales de X1 y X2 . Se obtienen de la forma
X X
pX1 (x1 ) = pX1 X2 (x1 , x2 ) pX2 (x2 ) = pX1 X2 (x1 , x2 )
X2 X1

Variables bidimensionales
Si el par (X1 , X2 ) es continuo, entonces le podemos asociar una función de densidad de

probabilidad (función de densidad conjunta) de la forma fX1 X2 (x1 , x2 ), la que cumple
la condición
Z ∞ Z ∞
fX1 X2 (x1 , x2 )dX1 dX2 = 1
−∞ −∞
Esta función satisface las condiciones tradicionales de cualquier función de densidad. A

partir de fX1 X2 (x1 , x2 ) es posible determinar fX1 (x1 ) y fX2 (x2 ), cualquiera sean los
valores de x1 y x2 . Las funciones de probabilidades individuales se llaman funciones de
densidades marginales de X1 y X2 . Se obtienen de la forma
Z ∞ Z ∞
fX1 (x1 ) = fX1 X2 (x1 , x2 )dX2 fX2 (x2 ) = fX1 X2 (x1 , x2 )dX1
−∞ −∞

Los conceptos encontrados en variables unidimensionales se pueden aplicar para variables

bidimensionales. Definiendo g(X, Y ) como una función real de las variables aleatorias X
e Y , definimos
XX Z ∞ Z ∞
E[g(X, Y )] = g(x, y)p(x, y) E[g(X, Y )] = g(x, y)f (x, y)dxdy

−∞ −∞
en el caso de distribuciones discretas y continuas respectivamente. Llamaremos Cova-

rianza entre las variables aleatorias X e Y , a la expresión
Cov(X, Y ) = σXY = E[(X − µX )(Y − µY )].
La Covarianza entre dos variables aleatorias es una medida de variación conjunta, su

magnitud depende de las varianzas de X e Y , y puede tomar cualquier valor real.

La Correlación o Coeficiente de Correlación entre las variables aleatorias X e Y , se define

por
σXY
ρXY = .
σX σY
Se tiene que ρ = 0 si y sólo si la covarianza es cero, y como σX > 0 y σY > 0, el signo

de ρ depende del signo de la covarianza. Además, se tiene que |ρXY | ≤ 1.

Independencia y condicionalidad
Dada una variable aleatoria bidimensional (X1 , X2 ) con función de distribución F (X1 , X2 )
diremos que X1 y X2 son independientes si
F (X1 , X2 ) = FX1 (x1 )FX2 (x2 ); ∀(x1 , x2 ) ∈ R
Además se cumple que si G(X1 ) y H(X2 ) son sólo funciones de X1 y X2 , respectiva-

mente, entonces
E[G(X1 )H(X2 )] = E[G(X1 )]E[H(X2 )]
Un resultado importante es que si X1 y X2 son variables independientes, entonces

σX1 X2 = ρX1 X2 = 0.

Variables aleatorias multidimensionales
Es posible generalizar el caso bivariable a n variables aleatorias definidas sobre un mismo

espacio muestral. Diremos que X = (X1 , ..., Xn ) es un vector aleatorio continuo si cada
una de sus componentes Xi , i = 1, ..., n es una variable aleatoria continua. Análogo al
caso discreto.
Diremos que las variables aleatorias Xi , i = 1, ..., n son idénticamente distribuídas si

cada una de ellas tiene la misma distribución de probabilidades. Diremos que las variables
aleatorias Xi , i = 1, ..., n son independientes si y sólo si
n
Y
fX (x) = fXi (xi ), ∀x ∈ Rn
i=1
n
Y
pX (x) = pXi (xi ), ∀x ∈ Rn
i=1
en el caso continuo y discreto, respectivamente.

Distribución X 2 , t − Student y F
Distribución X 2
Si Z1P
, ..., Zn son variables aleatorias normales estándar, independientes, entonces
X= Zi2 tendrá distribución X(n)
2 .
Función de densidad X21

0.8
fX(x)
0.4
0.0
0 2 4 6 8 10
X21
Además se cumple que si X1 , ..., Xn son variables aleatorias independientes, cada una
Pcon
distribución X 2 con v1 , ..., vn gradosPde libertad, respectivamente, entonces Y = Xi
tiene distribución Chi cuadrado con vi grados de libertad.

Distribución t− Student
Definamos Z como una variable aleatoria nomar estándar, y X una variable aleatoria
que se distribuye Chi-Cuadrado con v grados de libertad. Si Z y X son independientes,
entonces la variable aleatoria T definida por T = √ Z tiene distribución t−Student
X/v
con v grados de libertad.
Función de densidad t1
fX(x)
0.2
0.0
−4 −2 0 2 4
t1
Su densidad corresponde a
Γ((v + 1)/2) 1
fT (t) = √ ; −∞ < t < ∞
vπΓ(v/2) [1 + (t2 /v)](v+1)/2

Distribución F de Snedecor
Sean X1 y X2 , variables aleatorias Chi-Cuadrado con v1 y v2 grados de libertad,

X /v
respectivamente. Si X1 y X2 son independientes, la variable aleatoria F = X1 /v1 se
2 2
dice que tiene distribución de probabilidades F de Snedecor con v1 grados de libertad en
el numerador y v2 grados de libertad en el denominador.
Función de densidad F5,10

0.8
fX(x)
0.4
0.0
0 2 4 6 8 10 12
F5,10
Su densidad corresponde a
Γ((v1 + v2 )/2)(v1 /v2 )v1 /2 tv1 /2−1

fF (t) = ; t>0
Γ(v1 /2)Γ(v2 /2)(1 + v1 /v2 t)(v1 +v2 )/2

Ejercicios

Inferencia Estadística
Inferencia

Inferencia Estadística Estimación puntual de parámetros
Objetivo de la Inferencia Estadística
Cuando hablamos de obtener conclusiones respecto de una población particular, nos

estamos refiriendo a algunas características distribucionales de la población.
Específicamente, nos referimos a algunos parámetros que caracterizan la distribución

poblacional. Esto significa que la inferencia en cuestión será realtiva a un conjunto de
parámetros poblacionales.

Distribución de X̄ y S 2
Distribución de S 2
Si X1 , ..., Xn es una muestra aleatoria de una población X que tiene

media P µ y varianza σ 2 , entonces la varianza muestral
(Xi −X̄)2
S2 = n−1
tiene valor esperado σ 2 .
Distribución de X̄
Si X1 , ..., Xn es una muestra aleatoria P

de una población X que tiene
n
media µ y varianza σ 2 , entonces X̄ = X /n tiene valor
i=1 i
2
esperado µ y varianza σ /n.

Estimación de parámetros
Generalmente en un problema de estimación de parámetros se dispone de una muestra

aleatoria de una variable poblacional X, cuya distribución de probabilidades se supone
conocida.
El problema es entonces cómo usar las observaciones muestrales para estimar los valores
de estos parámetros. Denotaremos por θ el parámetro desconocido, y por θ̂ a su estimador.
Definiremos las dos formas de estimar parámetros
Estimación Puntual
Estimación Intervalar

Estimación Puntual: Método de los Momentos
Un procedimiento sencillo basado en comparar momentos muestrales con momentos po-

blacionales.
Momentos poblacionales µk = E(X k )
1
Pn
Momentos muestrales Mk = n i=1
Xik
El número de momentos a igualar queda determinado por la cantidad de parámetros a

estimar.
1 parámetro a estimar 7−→ 1 ecuación
2 parámetros a estimar 7−→ 2 ecuaciones
..
.
Despejando las ecuaciones obtenidas, se obtendrá el estimador por el Método de los
Momentos θ̂M M .

Estimación Puntual: Método de Máxima Verosimilitud
Este método de estimación puntual funciona encontrando el valor del parámetro θ que
maximiza la función de densidad conjunta de una muestra aleatoria, la que se denomina
función de Verosimilitud.
L(θ) = f(X1 ,...,Xn ) (x1 , ..., xn |θ)
que en el caso de contar con una muestra aleatoria, por independencia queda de la forma
Qn
L(θ) = f (xi |θ).
i=1 Xi
La maximización se realiza de manera tradicional derivando la función de verosimilitud

hasta encontrar un punto crítico.

Ejercicios

Inferencia Estadística Estimación intervalar de parámetros
Estimación por intervalos
Proporcionar un buen estimador de un parámetro de interés muchas veces no es suficiente,

pues además de encontrar el valor de esta estimación, es necesario entregar una medida
de error asociada a ésta.
Esta holgura se relaciona con el error muestral y la distribución de la población. Un

resultado claro, es que a mayor holgura, mayor será la amplitud del intervalo que contenga
al valor verdadero del parámetro.

Intervalo de confianza para la media µ
Sea X1 , ..., Xn una muestra aleatoria de una población N ormal(θ, σ 2 ). Nuestro interés
será estimar θ, sin embargo, en base a los supuestos con los que contemos podremos tener
diferentes escenarios para construir los intervalos de confianza.
√
Varianza σ 2 conocida ICµ = x̄ ± Z1−α/2 σ/ n
√
Varianza σ 2 desconocida ICµ = x̄ ± t1−α/2 S/ n
Ahora bien, si el problema inicia con determinar el número de muestras óptimo para
construir los intervalos con un determinado margen de error, podemos usar
2
n ≥ Z1−α/2 σ 2 /2
para determinar este número. Si no se dispone del valor de σ 2 se puede utilizar un valor
equivalente, en este caso S 2 .

Intervalo de confianza para la varianza σ 2
Debe recordarse que σ 2 es un valor que cuantifica la cantidad de variabilidad de la pobla-

ción. El rango de valores posibles de este parámetro está contenido por los reales positivos
R+ , por lo que el intervalo de confianza debe respetar este hecho.

(n−1)S 2 (n−1)S 2
ICσ = X2
, X2
1−α/2 α/2
La distribución Chi-Cuadrada tiene el mismo dominio, por lo que será empleada para
construir el intervalo. Debe hacerse notar que esta distribución no es simétrica como la
Gaussiana o la t-Student, por lo que el cálculo de los límites será diferente al caso de la
media.

Intervalo de confianza para la proporción p
Supongamos que deseamos construir un intervalo de confianza para el parámetro p, la

probabilidad de éxito, de una distribución Bernoulli.
h p i
ICp = p̂ ± Z1−α/2 p̂(1 − p̂)/n
Esto para n grande, siendo p̂ = X̄. En caso de contar con una muestra reducida, el
intervalo debiera ser de la forma
h 1/2 i
√ 2
(p̂+Z1−α/2 /2n)±Z1−α/2 / n p̂(1−p̂)+Z1−α/2 /4n
ICp = 2p̂+Z 2 /n
1−α/2

Intervalo de confianza basados es dos muestras
Intervalo de confianza para diferencia de medias µ1 − µ2

h p i
ICµ1 −µ2 = X̄1 − X̄2 ± t1−α/2 Sp 1/n1 + 1/n1
Intervalo de confianza para cociente de varianzas σ12 /σ22

h 2 2
i
S2 S2
ICσ2 /σ2 = 2 fα/2 , S 2 f1−α/2
S1
1 2 1
Intervalo de confianza para diferencia de proporciones p1 − p2

h p i
ICp1 −p2 = (pˆ1 − pˆ2 ) ± Z1−α/2 [pˆ1 (1 − pˆ1 )/n1 + pˆ2 (1 − pˆ2 )/n2 ]

Ejercicios

¿Dudas?

Clase 3

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Clase 3

Hochgeladen von

Copyright:

Verfügbare Formate

Clase 3 Estimación de Recursos Minerales

Dr. Roberto Miguel Fustos Toribio

Segundo semestre 2018

Estimación de Recursos Minerales 1 / 50

Estimación de Recursos Minerales 2 / 50

Estimación de Recursos Minerales 3 / 50

Experimentos, Espacio Muestral y Eventos

Un experimento aleatorio corresponde a cualquier opera-

El conjunto de resultados posibles de un experimento co-

Un evento o suceso corresponderá a cualquier subconjun-

Estimación de Recursos Minerales 4 / 50

Además, dados dos eventos arbitrarios A y B, se tiene

Estimación de Recursos Minerales 5 / 50

Probabilidad condicional e independencia

Tiene sentido hablar de condicionalidad cuando queremos saber la probabilidad de ocu-

Además se tiene las siguientes propiedades

P (A1 ∪ A2 ∪ .../B) = P (A1 /B) + P (A2 /B) + ...

Estimación de Recursos Minerales 6 / 50

Probabilidad condicional e independencia

Cuando la ocurrencia de un evento no condiciona la ocurrencia de otro se dice que ambos

Además se cumplen las siguientes propiedades

Esto último en el caso de que los eventos sean mutuamente excluyentes.

Estimación de Recursos Minerales 7 / 50

Estimación de Recursos Minerales 8 / 50

Concepto de variable aleatoria

X : Ω 7−→ R, tal que ω 7−→ X(ω) = x

Dependiendo del recorrido de la función, definiremos a la variable como discreta o con-

Estimación de Recursos Minerales 9 / 50

Variables aleatorias discretas

pX (x) = P (X(ω) = x), ∀x ∈ R

X: Número de accidentes por turno

Estimación de Recursos Minerales 10 / 50

Variables aleatorias continuas

Diremos que una variable aleatoria es continua si su recorrido es un intervalo de la recta

1. Tiempos de circuito de camiones

Estimación de Recursos Minerales 11 / 50

Sea X una variable aleatoria. La Función de Distribución de X, denotada por FX (t), es

Función de distribución v.a. discreta Función de distribución v.a. continua

Estimación de Recursos Minerales 12 / 50

En el caso de las variables aleatorias discretas, la Función de Distribución se obtiene de

y en el caso de las variables aleatorias continuas, la Función de Distribución se obtiene

Estimación de Recursos Minerales 13 / 50

Si X es una variable aleatoria, la media de X, valor esperado o simplemente la

Estimación de Recursos Minerales 14 / 50

Además se cumplen las siguientes propiedades

1. E[k] = k, con k constante

Estimación de Recursos Minerales 15 / 50

Cuando necesitemos cuantificar el grado de dispersión en torno a la media de una variable

y a su raiz cuadrada positiva, σX se le llama desviación típica o estándar de X.

1. V ar(k) = 0, con k constante

Estimación de Recursos Minerales 16 / 50

Estimación de Recursos Minerales 17 / 50

Corresponde a la distribución de probabilidad del experimento más simple, aquel donde

pX (x) = px (1 − p)1−x , con x = {0, 1}

E[X] = p y V ar(X) = p(1 − p)

Estimación de Recursos Minerales 18 / 50

E(X) = np y V ar(X) = npq

Estimación de Recursos Minerales 19 / 50

Cuando queremos averiguar el número de ensayos Bernoulli necesarios para obtener el

pX (x) = q x−1 p, con x = 1, 2, ...

E(X) = 1/p y V ar(X) = q/p2

Estimación de Recursos Minerales 20 / 50

Distribución Binomial Negativa