Beruflich Dokumente
Kultur Dokumente
Fundamentos
de estadística
Conceptos básicos
• Individuo
• Población
• Muestra, muestreo
• Variables
cuantitativas (numéricas)
cualitativas (codificadas)
• Tabla de datos
Conceptos básicos
• Variabilidad y aleatoriedad
• Distribución de frecuencia
Número de Número de
Clase Clase Histograma
observaciones observaciones
0 0 1.6 77
250
0.1 0 1.7 64
0.2 15 1.8 45
0.3 75 1.9 42 200
Número de observaciones
0.4 132 2 48
0.5 178 2.1 34
150
0.6 152 2.2 19
0.7 187 2.3 14
0.8 192 2.4 13 100
0.9 185 2.5 9
1 177 2.6 10
50
1.1 174 2.7 10
1.2 144 2.8 3
1.3 132 2.9 2 0
1.4 119 3 4
1.5 95 y mayor... 25 Ley de cobre (%)
Conceptos básicos
Ejemplo: granulometría
Clase de tamaño Malla superior Malla inferior Proporción en clase Proporción acumulada
de partícula (cm) (cm)
L0 ---- 5.000 0.0204 0.0204
L1 5.000 3.800 0.0597 0.0801
L2 3.800 3.200 0.0597 0.1398
L3 3.200 2.500 0.0759 0.2157
L4 2.500 1.900 0.1383 0.3540
L5 1.900 1.300 0.1622 0.5162
L6 1.300 1.000 0.0813 0.5975
L7 1.000 0.600 0.0962 0.6937
L8 0.600 0.055 0.2412 0.9349
L9 0.055 0.000 0.0651 1.0000
Conceptos básicos
Distribución granulométrica
1.0000
Proporción acumulada
0.8000
0.6000
0.4000
0.2000
0.0000
1 2 3 4 5 6 7 8 9 10
Clase de tamaño
Conceptos básicos
• Variable aleatoria
Ejemplos
✓lanzamiento de un dado
✓lotería
x R, p(x) = dP(x)/dx
n N, p(n) = Prob(X = n)
Distribución de probabilidad
Ejemplos
• cara o sello
• dado (¿falso?)
Esperanza y varianza
E( X ) ∫R x p(x)dx o ∑ n p(n)
nN
• valor esperado
1 1 1 1 1 1
1 2 3 4 5 6 3.5
6 6 6 6 6 6
• varianza
1 1
2 (13.5) 2 ...(63.5) 2 2.9167
6 6
Esperanza y varianza
• la media experimental
1 n
X ∑ Xi
n i1
• la varianza experimental
1 n
S
2
∑
n1 i1
( Xi X ) 2
Esperanza y varianza
• media experimental
2
E( X ) var(X )
n
• varianza experimental
1 n3 4
E(S )
2 2
var(S 2 ) E{( X )4}
n n1
Aquí, se supone que el muestreo se hizo sin reposición, de modo que los
individuos de la muestra son todos distintos. Esto implica que la hipótesis de
independencia entre las variables aleatorias de la muestra (X1,... Xn) ya no se
cumple: a cada sorteo, se modifica la población, dado que el individuo
sorteado ya no puede aparecer en los sorteos siguientes.
Esperanza y varianza
• media experimental
N n 2
E( X ) var(X )
N 1 n
• varianza experimental
N 2
E(S 2 )
N 1
2 5 3 6 1 5 3 4 2 4
1 n
S ∑
n 1 i1
( Xi X ) 2
∑ Xi
n
1 n 1 1 n 2
A ∑ Xi Gn X i H n Q
n i1 i1 1
∑ 1
n i1 X i
n i1
También se puede definir los cuantiles como los valores que sub-dividen la
población o la muestra (dispuesta en orden ascendente) en categorías de igual
número de individuos:
• cuartiles
• quintiles
• deciles
• centiles
Otros parámetros estadísticos
Medidas de dispersión
• coeficiente de variación
• rango
• rango intercuartil
Otros parámetros estadísticos
1 n
MAD ∑ | X i X | para la muestra
n i1
1 n n
RMD 2 ∑∑ | X i X j | para la muestra
n i1 j1
Medidas de forma
E{( X )3}
a3 para la población
3
1 n
n
∑ ( Xi X ) 3
a3 i1 3 para la muestra
S
Otros parámetros estadísticos
E{(X ) 4}
a4 para la población
4
1 n
n
∑ ( Xi X ) 4
a4 i1 4 para la muestra
S
Distribución normal
Para una muestra independiente de una variable aleatoria X con esperanza finita
y varianza finita 2, se tiene
X
N (0,1) si n
/ n
1 2
n es una variable gamma de parámetro = n/2.
2
Distribución chi cuadrado
(n 1)S 2
2
n1
2
n 1
Tn1 X
2n1
X
Tn1 n
S
2n1 /n1
F (n1 ,n2 )
2n2 /n2
1
si x [a,b]
x R, p(x) (b a)
0 en casocontrario
Otras distribuciones
• Distribución de Bernoulli
Esta distribución sólo tiene dos valores: 1 (con probabilidad p) y 0 (con
probabilidad 1 – p).
• Distribución de Poisson
• Distribución binomial
Se obtiene al sumar M variables de Bernoulli independientes, de misma
probabilidad de éxito p.
• Distribución hipergeométrica
Otras distribuciones
Distribuciones bivariables
Ejemplos
2) leyes de cobre total (X) y cobre soluble (Y) de una muestra de sondaje
2 P(x, y)
p(x, y)
xy
Distribuciones bivariables
donde es el coeficiente de
correlación entre X e Y
donde
> 0 es el coeficiente de correlación
entre X e Y
> 0 es un parámetro de forma
I-1 es la función de Bessel modificada
de primer tipo de orden – 1
Distribuciones bivariables
P(x, y) PX (x) PY ( y)
p X (x) ∫ p(x, y) dy p(i,) Prob( X i) ∑ p(i,j)
jN
pY (y) ∫ p(x, y) dx p(, j) Prob(Y j) ∑ p(i,j)
iN
Distribuciones marginales
Distribuciones marginales
Distribuciones condicionales
P( y | x) Prob(Y y | X x)
P( y | x) p(x, y)
p( y | x)
y p(x)
La fórmula de Bayes da
p( y | x) p(x) p(x | y) p( y)
Distribuciones condicionales
Aplicaciones
• distribución de la ley de cobre soluble de una muestra, dada su ley de cobre total
Distribuciones condicionales
Se tiene:
cov(X , X ) var(X )
cov(aX,bY ) abcov(X ,Y )
var(X Y ) var(X ) 2cov(X ,Y )var(Y )
|cov(X,Y )| var(X )var(Y )
cov(X ,Y )
X Y
Se tiene:
11
X e Y son independientes⇒ 0
X e Y son proporcionales1ó 1
Ilustración
Covarianza y correlación
• la covarianza experimental
1 n
S XY ∑
n 1 i1
( X i X )(Yi Y )
• la correlación experimental
S XY
S X2 S 2Y
Covarianza y correlación
M1 P(xM,...x )
p(x1,...x M )
x1...x M
Distribuciones multivariables
Propiedades
Box, G.E.P., Hunter, W.G., Hunter, J.S., 1978. Statistics for Experimenters. John
Wiley and Sons, New York, 653 p.
Davis, J.C., 2002. Statistics and Data Analysis in Geology. John Wiley & Sons,
Inc., New York.
Lapin, L.L, 1990. Probability and Statistics for Modern Engineering. PWS-
Kent, Boston.
Montgomery, D.C., Runger, G.C., 1999. Applied Statistics and Probability for
Engineers. John Wiley and Sons, New York.
Ejercicios
b)Calcular la varianza del error cometido al estimar la ley del lote por
la ley de la muestra (medida por el laboratorio). Se denotará como Ai
la ley del i-ésimo fragmento del lote y se supondrá que {Ai, i = 1...nL}
son variables aleatorias independientes de esperanza m y varianza 2.