Clase de Estadstica Bsica

Sesin 6: Probabilidad y
Distribuciones Estadsticas

Variable Aleatoria

Una variable aleatoria:

Toma valores al azar

Los valores siguen siguen una ley de
probabilidades

Unos ejemplos:

Los valores que aparecen luego de tirar dados

Cara o sello en una moneda

Letras en mayscula/minscula se usan para

distinguir una variable de su resultado

Ejemplo de Variable Aleatoria

Resultados de Dados
Pr( Z zi ) 1 / 6; zi 1,2,3,4,5,6

Probability

1/6

Outcomes

Dos Dados

Los posibles resultados de tirar dos datos

(igualmente probables)
Dado
1
1
1
1
1
1
1

Dado
2
1
2
3
4
5
6

Dado
1
2
2
2
2
2
2

Dado
2
1
2
3
4
5
6

Dado
1
3
3
3
3
3
3

Dado
2
1
2
3
4
5
6

Dado
1
4
4
4
4
4
4

Dado
2
1
2
3
4
5
6

Dado
1
5
5
5
5
5
5

Dado
2
1
2
3
4
5
6

Dado
1
6
6
6
6
6
6

Dado
2
1
2
3
4
5
6

Definir la Ley de Probabilidad

Contar el nmero de maneras para

obtener cada resultado
6/36

Probability

5/36
4/36
3/36
2/36
1/36
2

Outcome

10

11

12

Modelos de Distribucin

Ciertos tipos de datos de particulares

aplicaciones tienden a producir tipos de
histogramas similares
Para resumir la informacin, se
desarrollaron modelos de distribuciones
estadsticas
El modelo es inferido del histograma y
las estadsticas, y puede ser utilizado
para hacer predicciones

Caractersticas Generales de un
Modelo

Puede ser desarrollado para datos

discretos o continuos
Para datos discretos, el modelo predice la
probabilidad de que ocurra un valor dado
Para datos continuos, el modelo es
integrado sobre un rango de leyes
El modelo es expresado en trminos de
probabilidad o probabilidad acumulada

Tipos de Modelos
Discretos

Bernoulli (Datos 0,1, Indicadores)

Binomiales (disponibilidad de equipo)

Continuos

Exponencial (llegada de camiones)

Normal (mediciones de laboratorio, errores)
Lognormal (Leyes)

Datos de Indicadores
Transformacin Simple de Ley

i(x,zc) = 1, si z(x)< zc,

i(x,zc) = 0, si no cumple lo de arriba

En cada ubicacin de muestras, se

transforma un valor de ley en una serie de
datos de indicadores. Hay tantos datos de
indicadores como hay leyes de corte.

Distribucin de Indicadores

i(x,zc)

1.0

z(x)=0.8

0.5

0.0
0.0

0.5

1.0

Cutoff Grade (Zc)

1.5

2.0

Distribucin Binomial
Generalmente descrita en trminos de
xitos y fallas
Al conocer la probabilidad de xito o de
falla en una prueba, esta distribucin
describe la probabilidad de que tenga un
xito k en n pruebas

Ejemplo de Distribucin
Binomial

La disponibilidad de un camin de
operacin es = 85%
De una flota de 12 camiones, cual es la
probabilidad de que 9 o 10 o estn
operando?
Cual es el nmero de camiones que se
espera estn operando?

Ecuacion para una Distribucin

Binomial

k
n!
Pr( X k )
p (1 p )n k
k! ( n k )!

donde

p la disponibilidad de un equipo
k el numero de equipos en operacion
n el tamano total de la flota

el signo de exclamacion es el operador factorial.

Por ejemplo 4! = (4)(3)(2)( 1)
El numero promedio de camiones en operacin = np

Ejemplo Numrico
Para p=.85, n=15, y k=12
Pr(k=12) =((15!)/(12!)(3!))(.85)12(.15)3
=(15)(14)(13)(.142)(.003)/6
= .194
El nmero promedio de camiones en
operacin =
(15)(.85) = 12.75

Distribucin Exponencial
Describe la frecuencia de camiones que
llegan a una pala/cargador y el tiempo que
toma llenar un camin
Se usa en simulaciones de operaciones
mina

Distribucin Normal o Gausiana

Describe la distribucin de mediciones
repetidas
Describe la distribucin de promedio de
muestras (en realidad la distribucin t)
Describe la distribucin de errores
Se llama distribucin Normal porque los
datos siguen ese tipo de distribucin

Distribucin Normal
Pr( Z z ) Fz ( z )

f ( z )dZ
z

1
( z z)

fz ( z )
exp
2

2
2
s
2s

Como Evaluar

Crear una variable estndard

Usar las tablas de
distribucin normal o una
planilla Excel para calcular la
probabilidad
Para encontrar la
probabilidad de que caiga
entre dos valores, calcular la
probabilidad de cada una y
restarlas

zz
Zn

Aplicaciones de una
Distribucin Normal

Cuadros de control para laboratorios

Lmites de confianza en leyes estimadas

Se necesitan leyes estimadas y varianza de

errores
Decidir rangos de errores aceptables
(intervalos de confianza)

Ejemplo de Distribucin Normal

Example Control Chart Plus Assay Distribution

Copper (%)

1.2
1.1

99% Control Limit

1.0

95% Control Limit

0.9
0.8
0.7
0.6
0.5

100

200

Analysis Number

300

400

Distribucin Lognormal
Las leyes tienden a seguir una distribucin
que tiene una cola hacia las leyes altas
La distribucin Lognormal se usa
frecuentemente para distribucin de
modelos de leyes
Se denomina lognormal porque el
logartmo de la ley sigue una distribucin
normal

Distribucin Lognormal

Una vez que se ajusta un modelo, una

variable estndard en el logartmo de los
datos puede ser utilizada para definir
probabilidades
El promedio de los datos no es igual al
promedio de los logartmos de los datos
exponenciados
Las distribuciones de leyes de los bloques no
siguen necesariamente una distribucin
lognormal cuando las leyes de los puntos si
la siguen

Number of Samples

Ejemplo de Histograma de Ley

de Cobre
105
98
91
84
77
70
63
56
49
42
35
28
21
14
7
0

.15 .25 .35 .45 .55 .65 .75 .85 .95 1.05 1.15 > 1.2
Copper (%)

Parametros de una Distribucin

Lognormal
Si el promedio de los logartmos es A y la
varianza de los logartmos es B2,
entonces:
m = exp (A+B2/2)
exp(A) es un estimado de la ley media

65

78

55

66

72

60

60

50

54

45

48

35

No of obs

No of obs

40
30
25

12

10

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

2.5

3.0

78

0
-3.0

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Para cada distribucin, la media = 0.3

72
66
60
54
No of obs

30
18

15

2.5

La desviacin estandard aumenta de

.3 a .6 a .9

48
42
36
30
24
18
12
6

0
-3.0

36
24

20

0
-3.0

42

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.0

75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
0.0

52
48
44
40
36
32
No of obs

No of obs
No of obs

90
84
78
72
66
60
54
48
42
36
30
24
18
12
6
0
0.0

28
24
20
16
12

8
4

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

0
0.0

4.5

0.5

1.0

1.5

2.0

2.5

Media = .78, .88 y 1.15

3.0

3.5

Mediana = .75 para cada una

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

4.0

4.5