Академический Документы
Профессиональный Документы
Культура Документы
Paramètres géo-métallurgiques
•Modélisation des lithologies Optimisation Economique
•Modélisation des gangues (Logiciel Whittle)
•Consommations d´acide
•Type de minéraux
Paramètres Géométriques
•Angles de Talus
•Géométrie de la fosse
•Topographie
•Autres
Analyse économique du
projet
Dimensionnement de la
fosse finale
GENERALIDADES
•PROSPECCION
•EXPLORACION
•DESARROLLO
•EXPLOTACION
•REHABILITACION Y ABANDONO
GENERALIDADES
GENERALIDADES
Nociones fundamentales
Campo
El campo es el dominio en le cual se extiende la variable
regionalizada .Fuera del campo ,la variable no interesa o
simplemente no esta definida
GENERALIDADES
Soporte
Compositos
4
leyes de cobre
0
0 50 100 150 200 250
distancias
GENERALIDADES
GENERALIDADES
Algunas Problemáticas generales
Principios directores
3.-Principio de la economía
GENERALIDADES
Definición de Estadística
• Estadígrafos de disperción
Rango (R)
Desviasión estandar
Varianza
Coeficiente de variación
Diferencia cuadrática media
Varianza ponderada o Submuestras
Coeficiencia de asimetría
Curtosis
DISTRIBUCIÓN DE FRECUENCIA
• Y = f(x) Distribución frecuencia contínua • Sesgamiento
• Simetría
• D. Normal
Simétrica y unimodal.
• D. Lognormal
• Multimodal
Valores NO logaritmicos Maxima sesgada
• D. Datos analíticos
Distorsión de los valores mas altos Sesgamiento (+)
Valores bajos ( poblaciones de muestras pequeñas o
división de intervalos de clase) Multimodal
TRATAMIENTO O MANEJO DE DATOS
• Uso de intervalos clases
• Recolectar Datos
– Ej. Encuestas
• Presentar Datos
– Ej. Tablas y Gráficos
• Resumir Datos
– Ej. Media muestral = ∑X i
n
1-11
Resumen de
Tipos de Variables
DATOS
Discretos Continuos
(Conteo) (Medición)
Características
de los Datos
Dispersión
(Variación)
Sesgo
Tendencia
Central
Media de la Población
Propiedades de la
Media Aritmética
• Todo conjunto de datos tiene un valor medio.
• Al evaluar la media se incluyen todos los valores.
• Un conjunto de valores sólo tiene una media.
• Desventaja
– Es afectada por los valores extremos.
3-8
Media Ponderada
Media Geométrica
• La media geométrica (MG) de un conjunto
de n números positivos se define como la
raíz n-ésima del producto de los n valores.
Su fórmula es:
MG = n ( x1)( x 2)( x3)...( xn)
– La media geométrica se usa para encontrar el
promedio de porcentajes, razones, índices o
tasas de crecimiento.
3-10
Mediana
Propiedades de la mediana
0 1 2 3 4 5 6
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Sin Moda
Moda = 9
3-18
Σ( f * x ) Σ( f * x )
x= =
Σf n
– f = frecuencia de cada clase
– x = punto medio o marca de la clase
– n = número de observaciones
Ejemplo
Media de Datos Agrupados
224
Media ⇒ = 10.18
22
3-21
( n + 1) / 2 − ( F + 1)
m=
* w + Lm
fm
– n= número de elementos de la distribución
– F= suma de todas las frecuencias de clase hasta pero sin incluir la
clase mediana.
– fm= Frecuencia de la clase mediana
– W = ancho del intervalo de clase
– Lm= Límite inferior del intervalo de clase mediano
Ejemplo
Mediana de Datos Agrupados
CLASE FRECUENCIA FR. ACUM.
1-3 1 1
4-6 3 4
7-9 5 9
10 - 12 7 16
13 - 15 4 20
16 - 18 2 22
22
22 + 1
Ubicación de la mediana = = 11.5
2
( 22 + 1) / 2 − (9 + 1)
m= * 3 + 10
7
3-25
(7 − 5)
(7 − 5) + (7 − 4)
Mo = 10 + *3
Medidas de Dispersión
Medidas de Dispersión
Dispersión
7 8 9 10 11 12 7 8 9 10 11 12
Cuartiles
• Los datos se ordenan de menor a mayor.
( Q1 ) ( Q2 ) ( Q3 )
Observación Observación
Menor Mayor
Σ( x − µ ) 2
σ 2
=
N
Σx 2
σ 2
= −µ 2
N
Desviación Estándar
de la Población
Σ( x − µ ) 2
σ = σ 2
=
N
Σx 2
σ = σ 2
= −µ 2
N
Varianza de la Muestra
Σ( x − x ) 2
s = 2
n −1
Σx 2 2
nx
s =
2
−
n −1 n −1
Desviación Estándar
de la Muestra
Σ( x − x ) 2
s= s 2
=
n −1
Σx2 2
nx
s= s 2
= −
n −1 n −1
Varianza de la Población
Datos Agrupados
Σf ( x − µ ) 2
σ 2
=
N
Σfx 2
σ 2
= −µ 2
x = marca de clase
Desviación Estándar
de la Población Datos Agrupados
Σf ( x − µ ) 2
σ = σ 2
=
N
Σfx 2
σ = σ 2
= −µ 2
N
x = marca de clase
Varianza de la Muestra
Datos agrupados
Σf ( x − x ) 2
s =
2
n −1
Σfx 2 2
nx
s =
2
−
n −1 n −1
x = marca de clase
Desviación Estándar
de la Muestra
Datos Agrupados
Σf ( x − x ) 2
s= s 2
=
n −1
Σfx 2 2
nx
s= s 2
= −
n −1 n −1
x = marca de clase
Ejemplo Desviación Estándar
de Datos Agrupados
CLASE MARCA FRECUENCIA M X FREC. (Marca - Media)2 x Frecuencia
1-3 2 1 2 66.94 66.94
4-6 5 3 15 26.85 80.55
7-9 8 5 40 4.76 23.80
10 - 12 11 7 77 0.67 4.69
13 - 15 14 4 56 14.58 58.31
16 - 18 17 2 34 46.49 92.98
22 224 327.27
Dispersión Relativa
• El coeficiente de variación es la razón de la
desviación estándar a la media aritmética,
expresada como porcentaje:
s
CV = (100%)
x
Ejemplo de Dispersión Relativa
Distribución A Distribución B
x = 10 x = 100
s=2 s=5
Distribución A Distribución B
2 5
CV = ×100 = 20% CV = ×100 = 5%
10 100
180
160
140
Frecuencia
120
100
80
60
40
20
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5
Clase
Frecuencia acumulada
80%
F ( x ) = Pr ob{X ≤ x}
20%
0%
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5
Clase
∞
Relación entre densidad de probabilidades y
densidad cumulativa:
F ( x) =
−∞
∫ f ( x )dx
n
F ( x ) = ∑ pi
Muestras son un número finito de
realizaciones, por lo tanto:
i =1
Estadística básica
• medidas de posición
media, mediana, moda, mínimo, máximo, rango, deciles,
cuartiles, cuantiles
• medidas de dispersión
varianza, desviación estándar, coeficiente de variación,
rango intercuartil
• medidas de forma
coeficiente de asimetría, coeficiente de aplanamiento
Momentos
n donde:
∑w z
i =1
i i
E{Z} = valor esperado de Z
E{Z } = m = n wi = Ponderador del dato i-ésimo
∑w
i =1
i n = número de datos
m = media
• En el caso continuo:
+∞ +∞
E{Z } = m = ∫ zdF ( z ) = ∫ zf ( z )dz
−∞ −∞
Esperanza y Varianza de una Variable
Aleatoria
Sea X una variable aleatoria discreta, y supongamos que toma valores
en el espacio {0, 1, 2, ..} con probabilidad
Pr{X = k } = pk
k =0
Esperanza y Varianza de una Variable
Aleatoria
La interpretación es bastante sencilla
∞
E [ X ] = ∑ k ⋅ pk
k =0
probabilidad que la
posibles valores de X variable tome el valor k
k =0
∞
E[X ] = ∫ x ⋅ f ( x) dx
−∞
∞
V [X ] = ∫ (x − E[X ])
2
f ( x) dx
−∞
Esperanza y Varianza de una Variable
Aleatoria
La interpretación para el caso continuo es similar. En efecto
∞
E[X ] = ∫ x ⋅ f ( x) dx
−∞
posible valor de X
Probabilidad de que la variable
El valor “promedio” que puede
aleatoria X tome un valor en el
asumir la variable
intervalo [x, x + dx]
∞
V [X ] = ∫ (x − E[X ])
2
f ( x) dx
−∞
Desviación cuadrática Desviación cuadrática de los posibles valores de
promedio X respecto de su promedio E[X]
Momentos
• Propiedades de la esperanza:
E{a} = a
E{bZ } = b ⋅ E{Z }
E{a + bZ } = a + b ⋅ E{Z }
∞
E{g ( Z )} = ∫ g ( z ) ⋅ f ( z ) ⋅ dz
−∞
• Propiedades de la varianza
Var{a} = 0
Var{aZ } = a 2 ⋅ Var{Z }
Var{b + Z } = Var{Z }
Más estadísticas
• Medidas de forma:
– Coeficiente de asimetría (skewness)
1 n
n
∑ ( z (uα ) − m) 3
Coeficiente de asimetría = α =1
s3
Mm z(x) M mM
m
z(x) z(x)
Estadística de dos variables
• Análisis bivariable
• Pares deben corresponder a la misma ubicación
en el espacio (co-localizados)
Gráfico de Dispersión
2,5
2
Variable 2
1,5
0,5
0
0 0,5 1 1,5 2 2,5 3
Variable 1
Correlación
• El coeficiente de correlación es una medida de la
dependencia lineal entre las dos variables
1 n
⋅ ∑ ( z1α − mZ1 )( z2α − mZ 2 )
n α =1
ρ=
σ Z1 ⋅ σ Z 2
Q-q Plot
Distribución Normal
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16
z
• Propiedades:
– Completamente definida por su media y varianza
– Tiene una descripción matemática precisa
– Favorable para enfoques teóricos de estimación
• Función de densidad de probabilidad:
2
1 z −µ
1 −
2 σ
g( z ) = ⋅e
2π ⋅ σ
Distribución Normal
g(z)
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16
z
• Estandarización: z−µ
y=
σ
2
• Distribución normal estándar N(0,1) 1 −
y
g( y ) = e 2
2π
G( y ) =
−∞
∫ g( y ) dy
• corresponde al área bajo la curva
Distribución Normal
g(z)
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
• Intervalos de confianza
0.00
0 2 4 6 8 10 12 14 16
z
68% 95%
g(z) g(z)
0.40 0.40
0.35 0.35
0.30 0.30
0.25 0.25
0.20 0.20 95 %
0.15 68% 0.15
0.10 0.10
0.05
16% 16%
0.05 2.5% 2.5%
0.00 0.00
0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16
z z
g(z)
0.35
0.30
0.25
0.20
Distribución Lognormal
0.15
0.10
0.05
0.00
0 2 4 6 8 10
z
• Una población es lognormal si los logaritmos de los datos están distribuídos como
una normal
• Propiedades:
– En Ciencias de la Tierra es común encontrar variables cuya distribución es
cercana a una lognormal
– Relación con la distribución normal la hace fácil de utilizar
– También es favorable para enfoques teóricos de estimación
• Función de densidad de probabilidad:
1 ln y − α
f Y ( y ) = F 'Y ( y ) = g o
βy β
g(z)
0.35
0.30
Distribución Lognormal
0.25
0.20
0.15
0.10
ln y − α
0.05
1
f Y ( y ) = F 'Y ( y ) = g o
0.00
0 2 4 6 8 10
βy β
z
m = eα + β σ 2 = m 2 [e β − 1]
2 2
/2
σ2 ln y − α
α = ln m − β / 2 2
β = ln1 + 2
2
FY ( y ) = Prob{Y ≤ y )} = Go para todo y > 0
m β
g(z) G(z)
0.35 1.0
0.9
0.30
0.8
0.25 0.7
0.6
0.20
0.5
0.15 0.4
0.3
0.10
0.2
0.05
0.1
0.00 0.0
0 2 4 6 8 10 0 2 4 6 8 10 z
z
La Distribución Log Normal
Valor esperado
.
Varianza
CAPÍTULO 1
SESIÓN 3
EJERCICIOS
GRACIAS