Documente Academic
Documente Profesional
Documente Cultură
2. MEDIA GEOMETRICA
3. MEDIA ARMONICA
MEDIDAS DE DISPERCION
4. VARIANZA
5. DESVIACION ESTANDAR
2. COEFICIENTE DE CORRELACION SIMPLE
El coeficiente de correlación
Significación del coeficiente de correlación
Una vez calculado el valor del coeficiente de correlación interesa determinar si tal valor
obtenido muestra que las variables X e Y están relacionadas en realidad o tan solo
presentan dicha relación como consecuencia del azar.
Cuanto más cerca de 1 mayor ser la correlación, y menor cuanto más cerca de cero.
MODELO NORMAL:
Se usa para representar una variable aleatoria continua, caracterizada por una distribución
simétrica de sus ocurrencias alrededor de un valor central.
La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre
(1667-754). Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró desarrollos más
profundos y formuló la ecuación de la curva; de ahí que también se la conozca, más
comúnmente, como la "campana de Gauss".
La distribución de una variable normal está completamente determinada por dos parámetros,
su media y su desviación estándar, denotadas generalmente por μ y σ.
Donde:
• P(x)= Valor de la función densidad asociada a
• la variable.
• x= valor de la variable en estudio.
• m= valor medio de la variable.
• σ = Desviación típica de la variable
CAMPANA DE GAUSS
Campana de Gauss , es una representación
gráfica de la distribución normal de un grupo
de datos.
TIPIFICACIÓN O ESTANDARIZACION
La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre
(1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró desarrollos más
profundos y formuló la ecuación de la curva; de ahí que también se la conozca, más
comúnmente, como la "campana de Gauss". La distribución de una variable normal está
completamente determinada por dos parámetros, su media y su desviación estándar,
denotadas generalmente por μ y σ.
Así, se dice que una característica X sigue una distribución normal de media μ y varianza
σ2 y se denota como X≈ N (μ, σ) si su función de densidad viene dada por la Ecuación 1.
Como se deduce de este último apartado, no existe una única distribución normal,
sino una familia de distribuciones con una forma común, diferenciadas por los valores
de su media y su varianza.
Es importante conocer que, a partir de cualquier variable X que siga una distribución N
(μ, σ) se puede obtener otra característica Z con una distribución normal estándar, sin más
que efectuar la transformación:
Características de la distribución
Es la distribución natural a utilizar cuando las desviaciones a partir del valor del modelo
están formadas por factores, proporciones o porcentajes más que por valores absolutos
como es el caso de la distribución normal.
Propiedades
● Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas
y probabilidades de fallo que de esta forma sólo pueden ser positivas.
● Como depende de dos parámetros, según veremos, se ajusta bien a un gran número de
distribuciones empíricas.
FIGURA 2
Para X > 0 , donde μ y σ. son la media y la desviación estándar del logaritmo de variable.
El valor esperado es:
y la varianza es :
5. VARIABLES ALEATORIAS
MODELO BINOMIAL
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene
que cumplir las siguientes propiedades:
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que
la moneda no cambia en cada experimento y las probabilidades de sacar cara es
constate.
La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p.
El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo
que ocurra en cada experimento no afecta a los siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y sello al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de
salir sello.
La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.
FORMULA
Donde:
Ejemplo
Supongamos 100 distritos mineros, cada uno de ellos subdivididos en una malla de 5x5
bloques, cada uno de los bloques generados se somete a una caracterización de su
potencial minero, usando para ello dos categorías. Bloques potencialmente atractivos y
sin interés.
DISTRIBUCION DE POISON
Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:
Los datos son conteos de eventos (enteros no negativos, sin límite superior).
Donde
Ejemplo
Supongamos 100 distritos mineros, cada uno de ellos subdivididos en una malla de 5x5
bloques, cada uno de los bloques generados se somete a una caracterización de su
potencial minero, usando para ello dos categorías. Bloques potencialmente atractivos y
sin interés.
Donde
LECTURAS DE GRAFICOS
medidas de forma
Sesgo: asimetría
Curtosis: apuntamiento
SESGO
Tipos de sesgos
La media se influye mucho por el peso de los valores extremos y la mediana no. Por
ello conviene usar la media en las distribuciones simétricas y la mediana en las
asimétricas
KURTOSIS
La kurtosis es una medida de forma que mide cuan achatada esta una forma o
distribución. Esto indica la cantidad de datos que hay cercanos a la media, de manera
que a mayor grado de kurtosis, más apuntada será la forma de la curva
Tipos de curtosis
Las curvas se pueden clasificar en tres grupos según el signo de la kurtosis, es decir,
según la forma de la distribución
Leptocúrtica: la kurtosis >0: los datos están muy concentrados en la media, siendo
una curva muy apuntada
Es una prueba de hipotesis que consiste en comparar la distibucion observada con una
distribución teorica esperada.
• Se plantean 2 hipotesis:
• H0: la nuestra tiene una distribución x
• H1:la muestra no tiene una distribución x
-Formula para hallar las posibles hipotesis:
Sean los valores mostrados a continuacion las leyes de Zn (%) de 33 muestras Tomados
de un yacimiento .Comprobar si dichos valores siguen una leynormal