UNIVERSIDAD NACIONAL

“SANTIAGO ANTÚNEZ DE MAYOLO”

FACULTAD DE INGENIERÍA DE MINAS GEOLOGÍA Y METALURGIA

Trabajo De Investigación

ESCUELA ACADÉMICA: Ingeniería de minas

CURSO: Estadística

AÑO Y SEMESTRE ACADÉMICO: 2015 – II

CICLO: V

DOCENTE: SALDAÑA MIRANDA, Marcela Yvone

RESPONSABLE :

HUERTA SOTELO, Ray Kolard

 INTRODUCCIÓN

La palabra Estadística se emplea en una gran variedad de formas, en plural se emplea

como sinónimo de datso, se define como la ciencia aplicada que nos proporciona un con-
junto de métodos, técnicas o procedimientos para: recopilar, organizar, presentar y anali-
zar datos con el fin de describirlos o de realizar generalizaciones válidas.

El presente trabajo se divide en dos partes, una de teoría y la otra es la aplicación del
curso.
PARTE TEORICA
Población y Muestra:

POBLACIÓN

En forma general en Estadística se denomina población a un conjunto de elementos que

consiste de personas, objetos, etc. En los que se pueden observar o medir una o más carac-
terísticas de Naturaleza cualitativa o cuantitativa.
A cada elemento de una población se le denomina unidad elemental o unidad Estadísti-
ca.
Por ejemplo, los empleados de una empresa en un día laborable, constituyen una pobla-
ción en la que cada empleado (Unidad Estadística), tiene muchas características a ser ob-
servadas como: género, estado civil, lugar de procedencia, grado de instrucción,
etc.(Características Cualitativas) ; o número de hijos, ingresos mensuales,
etc.(Características Cuantitativas).
El resultado de observar o medir una característica en una unidad estadística, se denomina
dato estadístico, valor observado simplemente observación.
La población es definida por una tarea o investigación estadística a realizarse. Y como la
medición de la característica especificada por la investigación se hace a cada unidad ele-
mental, en este caso se define a la población como la totalidad de valores posibles de una
característica particular especificada por la investigación estadística. En este sentido la
población consiste de un conjunto de datos estadísticos que se reúnen de acuerdo con la
formulación de una investigación estadística o con la definición de la población específi-
ca.

Parámetros
Se denomina parámetro a una medida descriptiva que resume una característica definida
u a partir de losda-
en la población tal como la media ( ) o la varianza ( ) etc. Calculada
2

tos observados de toda la población.

Tipos de Población
Por el número de elementos que la componen, la población se clasifica en finita o infini-
ta. La población es finita si tiene un número finito N de elementos. Si tiene un número
ilimitado de elementos la población es infinita.

MUESTRA
Despues de definir la tarea o investigación estadística a realizar, se debe decidir entre in-
vestigar toda la población o sólo una parte de ella. El primer procedimiento es denomina-
do censo y el segundo se llama muestreo.
Definición.- Se denomina muestra a una parte de la población seleccionada de acuerdo
con un plan o una regla con el fin de obtener información acerca de la población de la cual
proviene.
La muestra debe ser seleccionada de manera que sea representativa de la población. Un
método de muestras representativas es al azar, esto es , cada elemento de la población tie-
ne la misma posibilidad de ser incluida en la muestra
Variable Estadística

Se denomina variable estadística a una característica definida en una población y que asu-
me por lo menos dos valores. Estos valores pueden ser de cualidad o de cantidad

Se Clasifican

A. De acuerdo a su Naturaleza

1. Variables Cualitativas (Expresan Cualidad o Atributo)

2. Variables Cuantitativas (Se Presentan en Forma Numérica)

Variable 2.1.Variable Cuantitativa Discreta: Cuando el valor de la variable es-

tá representado solo por Números Enteros Positivos (ℤ+).

2.2. Variable Cuantitativa Continua: Cuando el valor de la variable

puede tomar cualquier valor dentro de un rango dado, por tanto se
expresa por cualquier número real (ℝ).

EJEMPLO:

Estado Emocional (Alegre, Triste, Contento, Amargo, etc.)

Variable Cualitativa: Género (Masculino, Femenino)
Raza (Humano, Orco, Muerto Viviente, Elfo Nocturno)
Colores (Amarillo, Rojo, Anaranjado, Verde, Morado, etc.)

Número de Ingenieros

Número de créditos
Variable Cuantitativa Discreta:
Número de Amigos

Número De Administrativos

Variable Cuantitativa
La Presión

Variable Cuantitativa Continua: La Velocidad

La temperatura

El Tiempo
B. Según Su Medición

1. Variable Nominal: Se dice que los valores de una variable estadística está en el nivel de

Variable Cualitativa (1 y 2)
escala nominal si estos solo clasifican a las unidades estadísticas en iguales y diferentes.

EJEMPLO: Genero (Masculino y Femenino)

2. Variable Ordinal: Se dice que los valores de una variable estadística están en el nivel de
escala ordinal si están en escala nominal y si además ordenan a las unidades estadísticas por
la característica definida que se observa.

EJEMPLO: Nivel Socioeconómico (Bajo, Medio, Alto)

Variable Cuantitativa (3 y 4)
3. Variable De Intervalo: Son aquellas variables que establecen categorías y la distancia
entre cada uno de los valores puede ser determinada con exactitud. No tienen un origen
común; no tienen un cero absoluto.

EJEMPLO: Puntaje Obtenido en un Examen De Conocimientos de 2 a 20

4. Variable De Razón: Son aquellas variables que establecen categorías de orden, distancia
y tienen un origen común, y sus valores se expresan como números reales.

EJEMPLO: Longitud En Metros

PROPIEDADE S
Distribución De Frecuencias
f i
n
F1  f1
Simple (fi) F2  f1  f 2
Absoluta .........
Acumulada (Fi)
Fn  f1  f 2  ........  f n

Frecuencia h i 1
H1  h1
Simple (hi) H 2  h1  h2
Relativas ........
Acumulada (Hi)
H n  h1  h2  ..........  hn

fi
hi 
n
Simple (hi%) F
Porcentajes Hi  i
Acumulado (Hi%) n
hi %  100  hi
Cuadros De Distribución De Frecuencias Para Variables Cualitativas

Todo Cuadro Debe Variable xi fi Fi hi Hi hi% Hi%

Tener: C1 f1 F1 h1 H1 h1% H1%
C2 f2 F2 h2 H2 h2% H2%
-Número
C3 f3 F3 h3 H3 h3% H3%
-Título

………

………

………

………

………

………

………
……

……

……

……

……

……

……
-Cuadro En Sí
-Fuente
CK fk Fk hk Hk hi% Hi%
Total n - 1 - 100

Gráficos Para Variables Cualitativas:

Gráfico De Barras:

Gráfico de Barras
6
5
4
3
2
1
0
Verde Celeste Verde Claro Amarillo

FUENTE : Datos Hipoteti cos

Gráfico De Sectores:

Gráfico De Sectores

14%
Verde
29% Celeste Si  360  hi
Verde Claro
36%
21% Amarillo

FUENTE : Datos Hipoteti cos

 Cuadros De Distribución De Frecuencias Para Variables Cuantitativas Discretas

Variable xi fi Fi hi Hi hi% Hi%

m1 f1 F1 h1 H1 h1% H1%
m2 f2 F2 h2 H2 h2% H2%
m3 f3 F3 h3 H3 h3% H3%
Modalidades
………

………

………

………

………

………

………
……

……

……

……

……

……

……
mK fk Fk hk Hk hi% Hi%
Total n - 1 - 100

Gráficos Para Variables Cuantitativa Discretas:

Gráfico De Bastones:

Gráfico De Bastones
f i , hi , hi % 6
5
4
3
2
1
0
1 2 3 4 Yi

Gráfico De Frecuencias Acumuladas o de Escaleras

Gráfico de Escaleras
Fi , H i , H i % 35
30
25
20
15
10
5
0
1 2 3 4 5 Yi
Cuadros De Distribución De Frecuencias Para Variables Cuantitativas Continuas:

Cuando se trabaja con variables continuas se debe tener en cuenta los siguientes pasos

X máx  Dato de Mayor Valor

1. Rango(R) R  X máx  X min X min Dato de Menor Valor

2. Número De Intervalos(m)
n  Número De Datos
m  1  3.33 log( n)

3. Amplitud Intervalica(C)
R
C
m

Construcción De Intervalos:

I1  [Yo' , Yo'  C  Donde :

I 2  [Y  C , Y  2C 
o
'
o
'
Yo'  X min ( Dato Mínimo )
I 3  [Yo'  2C , Yo'  3C 
.
I k  [Yo'  (k  1)C , Yo'  KC 

[YO , YO +C > Yi fi Fi hi Hi hi% Hi% *Fi *Hi *Hi%

C1 Y1 f1 F1 h1 H1 h1% H1% *F1 *H1 *H1%
C2 Y2 f2 F2 h2 H2 h2% H2% *F2 *H2 *H2%
C3 Y3 f3 F3 h3 H3 h3% H3% *F3 *H3 *H3%
…………

…………

…………

…………

…………

…………

…………

…………

…………

…………

…………
…

CK Yk fk Fk hK Hk HK% HK% *FK *HK *HK%

Total - n - 1 - 100 - - - -

Yi  Marca De Clase
Yi ' 1  Yi '
Y '
 Límite Inferior Yi 
i 1 2
Yi '  Límite Superior

Fi, Hi , Hi %  Denotación Menor que

* Fi,*Hi ,*Hi %  Denotación Mayor que
 Gráficos Para Variables Cuantitativa Continuas:

Histograma
f i , hi , hi %
16
14
12
10
8
6
4
2
0
296 346 396 446 496 546 596 646 696

[Yi ' 1 , Yi ' 

Yi

f i , hi , hi % Poligono De Frecuencias
16
14
12
10
8
6
4
2
0
296 346 396 446 496 546 596 646 696
[Yi ' 1 , Yi ' 
Yi

Fi , H i , H i % Gráfico De La Ojiva
* Fi ,*H i ,*H i % 70

60

50

40

30

20

10

0
296 346 396 446 496 546 596 646
[Yi ' 1 , Yi ' 
Yi
Medidas De Tendencia Central

Son aquellos datos o valores que tienden a ocupar posiciones centrales o intermedias entre
el mayor y menor conjunto de datos, a partir de la cual se calculan los estadígrafos, brin-
dando alguna forma de investigación sobre el centro de la investigación, Los datos organi-
zados en una distribución de frecuencias destacan sus características más esenciales, como
marcas de clases, centro, forma de distribución (asimétrica, simétrica,) etc. Sin embargo,
los indicadores que describen a los datos en forma más precisa, deben calcularse. Estos
indicadores resumen los datos en medidas descriptivas que se refieren a la centralización o
posición, a la dispersión o variación, a la asimetría, y a la curtosis de los datos. Las medidas
de posición reflejan la tendencia central y la localización de los datos. Las medidas de ten-
dencia central, denominados también promedios, ubican el centro de los datos como la me-
dia aritmética, la media geométrica, la media armónica y la mediana. Las medidas de loca-
lización indican el lugar de los datos más frecuentes (Moda).

1. MEDIA ARITMETICA(X): Es el valor numérico que se obtiene dividiendo la suma total

de los valores observados de un variable entre el número de observaciones

1.1. Media Aritmética De Datos No Agrupados

____
X 
X i

n xi  Valores Obserbados
n  Número Total De Observaciones
1.2. Media Aritmética de Datos Agrupados yi  Marca De Clase
f i  Frecuencia Absoluta

____
X 
y  f
i i
 yi  hi
n

2. MEDIANA (Me)

La mediana o valor mediano de una serie de valores observados es el número Me que sepa-
ra a la serie de datos ordenados en forma creciente (o decreciente) en dos partes de igual
número de datos. La mediana es la medida promedio que depende del número de datos or-
denados y no de los valores de estos datos.

50% 50%

Me
2.1. Para datos No Agrupados: Se ordenan los datos en forma creciente o decreciente, se observa el
número de datos y se define si es par o impar.

Xn  Xn
1
-Si es Par: Me  2 2
2

-Si es Impar: Me  X n 1
2

2.2. Para Datos Agrupados

n 
  Fi 1 
Me  Yi -' 1  C   2 
 fi 
 
 

Yi -' 1  Límite Inferior

C  Amplitud Intervalica
Fi 1  Frecuencia Absoluta Acumulada

3. La Moda (Mo): Es el Dato que más se repite o la frecuencia más alta.

3.1. Para Datos No Agrupados:

Se trabaja con datos menores a 20 esta puede ser: Unimodal (Una moda), Bimodal (2 Mo-
das), Multimodal (Mas de dos modas), Amodal (No existe Moda)

3.2. Para Datos Agrupados

 f i  f i 1  Yi -' 1  Límite Inferior

M o  Y  C  
'

i-1

 i f  f i 1    f i  f 
i 1  C  Amplitud Intervalica
Medidas De Dispersión

Los estadígrafos de dispersión miden la dispersión de los datos de la muestra. Tenemos las siguien-
tes Medidas:

R  X máx  X min
1. Rango

2. Varianza:

2.1Varianza Poblacional:

Para Datos No Agrupados Para Datos Agrupados

X  u  f X  u
2 2
____ ____
 2
x 
i
, u X  2
x 
i i
, u X
N N

2.2. Varianza Muestral

Para Datos No Agrupados Para Datos Agrupados

 f X  u  f X  u
2
2 ____
____
 , u X
2 i i
S 2

i i
, u X S
n 1
x
n 1
x

3. Desviación Estándar: Es la raíz de la varianza

 2   x2 S 2  S x2

4. Medidas de Tendencia Central

 S
4.1. Coeficiente De Variación C.V .   100 C.V .   100
u u

4.2. Coeficiente De Asimetría  ____ 

3   X  Me 
 
Coeficiente de Pearson : As 
S
____ k
M3 k
 
Coeficiente de Fisher : As  3 M i    X i  X 
S i 1  
 As = 0 , La Distribución es Simétrica

As > 0 , La Distribución es asimétrica a la derecha

As < 0 , La Distribución es asimétrica a la izquierda

5. Curtosis:

5.1.Para Datos Tabulados

4
 k ____

M
 

X i  X 

K  4  3  i 1 3
n n
S4 S4

5.2. Para Datos No Tabulados

nn  1M 4  3M 2 M 4 n  1
K
n  1n  2n  3S 4

Si k < 0, La distribución es Platicurtica

Si k=0, La distribución es Mesocurtica

Si k > 0, LA Distribución es Leptocurtica

Correlación y regresión Lineal

Correlación Lineal(r): Es el grado de relación entre 2 variables. El coeficiente de relación se en-

cuentra.

Covx, y 
r
 x  y
1  r  1
1  ___ ___

Covx, y      xy  x y
n  

Donde :
Covx, y   Co var ianza de la var ianza x e y
 x  Desviación Es tan dar de la Variable " X "
 y  Desviación Es tan dar de la Variable "Y "
DIAGRAMAS DE DISPERSIÓN:

1  r  1

Correlación Positiva Correlación Negativa No Existe Correlación

Regresión Lineal: Se llama análisis de regresión al análisis que trata de establecer la relación entre
las variables (relación funcional) de modo que podamos predecir el valor de una en base a otra.

Convencionalmente la variable o variables que son la base de la predicción se llama variable o va-
riables independientes y la variable que no se va a predecir se llama variable dependiente. Para cal-
cular tenemos la siguiente ecuación.

El parámetro "a" es el valor que toma la variable dependiente "y", cuando la variable inde-
pendiente "x" vale 0, y es el punto donde la recta cruza el eje vertical.

El parámetro "b" determina la pendiente de la recta, su grado de inclinación.

La regresión lineal nos permite calcular el valor de estos dos parámetros, definiendo la rec-
ta que mejor se ajusta a esta nube de puntos

n xy   x y
y  a  bx b __ __

n x    x  a  y b x
2 2

Coeficiente de Correlación(r)

n xy   x y
r r  0, Es una correlació n positiva
n x 2    x   n y 2    y 
2 2
r  0, Es una correlació n negativa
1  r  1 r  0, No hay correlació n

El coeficiente de Determinación: Esta denotado por el Cuadrado del coeficiente de correlación (r2)
PARTE APLICATIVA
 POBLACIÓN

Producción de concentrados Metálicos de la empresa Minera Antamina en el año

2015

Característica: Producción de Concentrados

Espacio: Empresa Minera Antamina

Tiempo: Año 2015

 MUESTRA

Producción de concentrados de cobre de la Minera Antamina en el Mes de Enero

del Año 2015

Característica: Producción de concentrados de cobre

Espacio: Empresa Minera Antamina

Tiempo: Mes de Enero del año 2015

Personalidad
Variable Cualitativa:
Vocación

Número de Ingenieros

Número de Camiones
Variable Cuantitativa Discreta:
Número de Tolvas

Número De Taladros

Variable Cuantitativa

Variable Cuantitativa Continua: Exportación en volumen

Producción en TMF
  Para Variables Cualitativas

La Empresa Minera Antamina Cuenta con Protocolo de Evaluación Psicológica el cual proporciona
un punto de discusión en relación al proceso de evaluación de contrato de personal en ese instante
se presentaron 20 personas las cuales demostraron tener distintas Virtudes: Tendencia a la introver-
sión, Cooperadores, alta tolerancia a la rutina, alta responsabilidad.

“Virtudes de acorde al Protocolo de Evaluación Psicológica” fi hi hi%

Introvertidos 4 0.20 20

Cooperadores 5 0.25 25

Alta tolerancia a la rutina 6 0.30 30

Alta responsabilidad 5 0.25 25

Total 20 1 100

fi
hi  , n  20
n
f1 4
h1    0.20
n 20
f2 5
h2    0.25
n 20
f3 6
h3    0.30
n 20
f4 5
h4    0.25
n 20

h1  h2  h3  h4  1

hi %  hi  100
h1 %  h1  100  20%
h2 %  h2  100  25%
h3 %  h3  100  30%
h4 %  h4  100  25%

h1 %  h2 %  h3 %  h4 %  100%
Gráfica De Barras:

Protocolo de Evaluación Psicologica

35%
30%
30%
25% 25%
25%
20%
20% Introvertidos
Cooperadores
15%
Alta tolerancia a la rutina
10%
Ata Responsabilidad
5%
0%
Introvertidos Cooperadores Alta tolerancia a Ata
la rutina Responsabilidad

FUENTE: Datos Hipotéticos

Gráfico de Sector Circular

Protocolo de Evaluación Psicologica

25% 20%
Introvertidos
Cooperadores
Alta tolerancia a la rutina
25%
Ata Responsabilidad
30%

FUENTE: Datos Hipotéticos

  Cuadro de Distribución de Frecuencias Para Variables Cuantitativas Discreta:

En la Compañía Minera Antamina se mueve material roto por medio de máquinas ,la com-
pañía minera cuenta con una flota de 130 Camiones entre Komatsu y CAT de los cuales se
mantienen 120 en operación y 10 en stand By, además cuenta con 7 Palas Eléctricas entre
Bucyrus y P&H

Tipo De Variable: Cuantitativa Discreta

Variable de Estudio: Número de Maquinas

Variable Estadística = Número de Maquinas Por Tipo

Maquinas Por Tipo

1 Palas Bucyrus 80 Tn de Capacidad de Cuchara
2 Pala P&H de 120 Tn de Carga
3 Camiones Komatsu de 320 Tn
4 Camiones CAT de 240 Tn
5 Camiones en Stand By

Maquinas Por Tipo fi Fi hi Hi hi% Hi%

1 4 4 0.029 0.029 2.92 2.92
2 3 7 0.022 0.051 2.19 5.11
3 70 77 0.511 0.562 51.09 56.20
4 50 127 0.365 0.927 36.50 92.70
5 10 137 0.073 1.000 7.30 100
Total 137 1 100

fi hi %  hi  100
hi  , n  137
n h1 %  h1  100  2.92%
f1 4 h2 %  h2  100  2.19%
h1    0.029
n 137 h3 %  h3  100  51.09%
f2 3
h2    0.022 h4 %  h4  100  36.50%
n 137
f 3 70 h5 %  h4  100  7.30%
h3    0.511
n 137
f 4 50 h1 %  h2 %  h3 %  h4 %  h5 %  100%
h4    0.365
n 137
f 5 10
h5    0.073
n 137

h1  h2  h3  h4  h5  1
Gráfico De Bastones

Tipo de Maquinas
80
70
Numero de Maquinas

60
50
40
30
20
10
0
1 2 3 4 5
Tipos De Maquinas

FUENTE: Datos de Consulta Previa

Gráfico De Frecuencias Acumuladas o de Escaleras

Tipo de Maquinas
160
Número Acumulado De Maquinas

140
120
100
80
60
40
20
0
0 1 2 3 4 5
Tipós De Maquina

FUENTE: Datos de Consulta Previa

  Cuadro de Distribución de Frecuencias Para Variables Cuantitativas Continua:

El Valor Agregado bruto de la producción minera de Cu durante los últimos años se encuentra entre
60-90 TMF.

74 89 80 93 64 67 72 70
66 85 89 81 81 71 74 82
85 72 81 81 95 84 81 80
70 69 66 60 83 85 98 84
68 90 69 72 87 88

Diagrama de tallos y hojas 1. R  X máx  X min  38

2. m  1  3.33 log( n)  6.26
6 47696089
R 38
7 42014202 3. C    6.07  7
m 6.26
8 905911251141035478
9 3580

Intervalos fi Fi hi Hi %hi %Hi *Fi *Hi *Hi% Yi

[60-67> 4 4 0.105 0.105 10.5 10.5 38 1 100 63.5
[67-74> 10 14 0.263 0.368 26.3 36.8 34 0.895 89.5 70.5
[74-81> 4 18 0.105 0.433 10.5 47.3 24 0.632 63.2 77.5
[81-88> 13 31 0.342 0.815 34.2 81.5 20 0.527 52.7 84.5
[88-95> 5 36 0.132 0.947 13.2 94.7 7 0.185 18.5 91.5
[95-102> 2 38 0.053 1 5.3 100 2 0.053 5.3 98.5
Total 38 - 1 - 100 - - - - -

fi
hi  , n  38
n hi %  hi  100
f1 4
h1    0.105 h1 %  h1  100  10.5%
n 38
h2 %  h2  100  26.3%
f 2 10
h2    0.263 h3 %  h3  100  10.5%
n 38
f3 4 h4 %  h4  100  34.2%
h3    0.105 h5 %  h4  100  13.2%
n 38
f 4 13 h6 %  h4  100  5.3%
h4    0.342
n 38
h1 %  h2 %  h3 %  h4 %  h5 %  100%
f5 5
h5    0.132
n 38
f5 2
h6    0.053
n 38

h1  h2  h3  h4  h5  1
 Gráfico Para Variables Cuantitativas Continúas

Poligono de Frecuencias
fi
14
12
10
8
6
4
2
0
63.5 70.5 77.5 84.5 91.5 98.5 Yi

fi
Gráfico del Histograma
14
12
10
8
6
4
2
0 Yi
63.5 70.5 77.5 84.5 91.5 98.5

Fi Ojiva(Menor que)
40
35
30
25
20
15
10
5
0
63.5 70.5 77.5 84.5 91.5 98.5 Yi
 MEDIDAS DE TENDENCIA CENTRAL fi Yi Yi*fi

4 63.5 254
10 70.5 705
4 77.5 310
La Media: 13 84.5 1098.5
5 91.5 457.5
____
X 
 yi  f i  y i  hi 
3022
 79.53
2 98.5 197

y
n 38
n  38 i  f i  3022
La Mediana:

n 
  Fi 1 
Me  Yi '-1  C   2   74  7   17  14   79.25
 fi   4 
 
 

Intervalos fi Fi hi Hi %hi %Hi *Fi *Hi *Hi% Yi

[60-67> 4 4 0.105 0.105 10.5 10.5 38 1 100 63.5
[67-74> 10 14 0.263 0.368 26.3 36.8 34 0.895 89.5 70.5
Me [74-81> 4 18 0.105 0.433 10.5 47.3 24 0.632 63.2 77.5
[81-88> 13 31 0.342 0.815 34.2 81.5 20 0.527 52.7 84.5
Mo
[88-95> 5 36 0.132 0.947 13.2 94.7 7 0.185 18.5 91.5
[95-102> 2 38 0.053 1 5.3 100 2 0.053 5.3 98.5
Total 38 - 1 - 100 - - - - -

La Moda:

 f i  f i 1   13  4 
M o  Yi '-1  C     81  7     84.71
  f i  f i 1    f i  f i 1    13  4  13  5 
MEDIDAS DE DISPERSIÓN

1.Rango
R  X máx  X min  38

2. Varianza

 f X  u
2
95.18
   2.57
2 i i
S
n 1
x
37

3. Desviación Estándar

S  S x2
S  2.57
S  1.60

4. Coeficiente De Variación:


C.V .   100
u
1.60
C.V .   100  2.01%
79.53
5. Coeficiente de Asimetría:

 ____ 
3   X  Me 
  3  79.53  79.25
Coeficiente de Pearson : As    0.53
S 1.60

As > 0 , La Distribución es asimétrica a la derecha

6.Kurtosis
4
 k
____

M
 

X i  X 

K  4  3  i 1  3  70.42
n n
S4 S4

Si k > 0, LA Distribución es Leptocurtica

REGRESIÓN LINEAL

El “Strip Ratio” de la Compañía Minera Antamina es de 2.36/1 (Es decir Hay 2.36 toneladas de
Material Estéril por Cada tonelada de Mineral), en cierta parte del yacimiento de pórfidos de cobre
se registraron los siguientes datos donde esta relación varía un poco:

Registro Tn de Mineral Tn de Estéril

de datos x y Strip Ra-
1 2 4.64 tio
2 5 11.75 1 2.32
3 8 18.88 2 2.35
4 10 23.8 3 2.36
5 12 29.04 4 2.38
6 15 34.95 5 2.42
Total 52 123.06 6 2.33

Registro Tn de Mineral Tn de Estéril

de datos x y x2 y2 xy
1 2 4.64 4 21.53 9.28
2 5 11.75 25 138.06 58.75
3 8 18.88 64 356.45 151.04
4 10 23.8 100 566.44 238
5 12 29.04 144 843.32 348.48
6 15 34.95 225 1221.50 524.25
Total 52 123.06 562 3147.31 1329.8

1. Graficar el diagrama de dispersión:

Diagrama de Dispersión
40

30

20

10

0
0 5 10 15 20
2. Calcular:

El Coeficiente de Correlación

n xy   x y
r
n x 2    x   n y 2    y 
2 2

r
6  1329.8  52  123.06
6  562  522  6  3147.31  123.062

r  0.999  1 (Existe una correlació n positiva perfecta)

El Coeficiente de Determinación ( r 2 )

Se dice que existe un Correlación directa

positiva ambas variables aumentan o
r>0 disminuyen simultáneamente

La ecuación de Regresión

y  a  bx

n xy   x y
__ __

b a  y b x
n x    x 
2 2

6 1329.8  52 123.06 a  20.51  (2.36  8.67)

b
6  562  522
a  0.05)
b  2.36

y  0.05  2.36 x
3. ¿Cuál será la cantidad esperada de tonelada de estéril por 11 Tn de Mineral?

y  0.05  (2.36  11)

La predicción es Confiable, la variable “X”
y  0.05  (2.36  11)
explica muy bien a la variable “Y”

y  26.01

BIBLIOGRAFIA:

MANUEL CÓRDOVA ZAMORA/Estadística Descriptiva e Inferencial,(PUCP)

http://www.aulafacil.com/CursoEstadistica/ CursoEstadistica.htm

Apuntes de la Lic. SALDAÑA MIRANDA, Marcela Yvone

Apuntes de la clase del Lic. DE LA CRUZ MONZALVITE ,Jorge Eduardo

CONCLUSIONES:

La estadística es un elemento decisivo en el incremento de la calidad, ya que las técnicas es-

tadísticas pueden emplearse para Describir, Optimizar y Comprender la variabilidad de los
procesos, como para tomar decisiones en presencia de ésta.