Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Varig Rama
Varig Rama
MARCO TEORICO:
TEOREMA DEL LMITE CENTRAL
El Teorema del Lmite Central o Teorema Central del Lmite indica que, bajo
condiciones muy generales, la distribucin de la suma de variables aleatorias tiende a
una distribucin gaussiana cuando la cantidad de variables es muy grande.
Existen diferentes versiones del teorema, en funcin de las condiciones utilizadas para
asegurar la convergencia. Una de las ms simples establece que es suficiente que las
variables que se suman sean independientes, idnticamente distribuidas, con valor
esperado y varianza finitas.
La aproximacin entre las dos distribuciones es en general mayor en el centro de las
mismas que en sus extremos o colas, motivo por el cual se prefiere el nombre Teorema
del Lmite Central (central califica al lmite, ms que al teorema).
Esta relacin entre la forma de la distribucin de la poblacin y la forma de la
distribucin de muestreo se denomina teorema del lmite central, que es tal vez el ms
importante de toda la inferencia estadstica. Nos asegura que la distribucin de muestreo
de la media se aproxima a la normal al incrementarse el tamao de la muestra. Hay
situaciones tericas en las que el teorema del lmite central no se cumple, pero casi
nunca se encuentran en la toma de decisiones prctica. Una muestra no tiene que ser
muy grande para que la distribucin de muestreo de la media se acerque a la normal.
Los estadsticos utilizan la distribucin normal como una aproximacin a la distribucin
de muestreo siempre que el tamao de la muestra sea al menos de 30, pero la
distribucin de muestreo de la media puede ser casi normal con muestras incluso de la
mitad de ese tamao. La importancia del teorema del lmite central es que nos permite
usar estadsticas de muestra para hacer inferencias con respecto a los parmetros de
poblacin sin saber nada sobre la forma de la distribucin de frecuencias de esa
poblacin ms que lo que podamos obtener de la muestra.
FIGMM -MINAS
Pgina 1
GEOESTADISTICA I
Formulacin del Problema
En esta tarea tomaremos 1000 datos aleatorios luego hallaremos su variograma
Para realizar este estudio se tienen que generar datos aleatorios (entre 0 1).
A estos datos se debe hacer un estudio estadstico (descriptivo) y geoestadistico (funcin
variograma).
El mismo estudio se debe realizar para nuevos datos generados de la siguiente manera:
Se deben agrupar de 20 en 20 de los 1000 datos anteriores y sacar su promedio
de cada grupo. Con lo cual se va obtener 50 nuevos datos.
La figura muestra el esquema
del taladro a estudiar
MODELO
MATEMTICO
Estadstica (descriptiva)
La media
La varianza
FIGMM -MINAS
Pgina 2
GEOESTADISTICA I
Desviacin estndar
Coeficiente de variacin
FIGMM -MINAS
Pgina 3
GEOESTADISTICA I
estadistica
descriptiva
Media
Error tpico
Mediana
Desviacin
estndar
Varianza de la
muestra
Curtosis
Coeficiente de
asimetra
Rango
Mnimo
Mximo
Suma
Cuenta
Mayor (1)
0,4939981
93
0,0092238
66
0,4908695
52
0,2916842
48
0,0850797
1,2188846
0,0032868
35
0,9980767
27
0,0004575
62
0,9985342
89
493,99819
31
1000
0,9985342
89
0,0004575
62
Menor(1)
Nivel de
confianza(95,0% 0,0181003
)
74
klase
10,96
0,0907342
amplitud
48
FIGMM -MINAS
Pgina 4
GEOESTADISTICA I
Clase
Frecuenc
ia
FIGMM -MINAS
%
acumula
Clase
Pgina 5
Frecuenc
ia
%
acumula
GEOESTADISTICA I
do
0,000457
56
0,091191
81
0,181926
06
0,272660
31
0,363394
55
0,454128
8
0,544863
05
0,635597
3
0,726331
55
0,817065
79
0,907800
04
0,998534
29
y
mayor...
0,10%
101
10,20%
105
20,70%
81
28,80%
72
36,00%
106
46,60%
81
54,70%
95
64,20%
83
72,50%
99
82,40%
85
90,90%
90
99,90%
100,00%
do
0,454128
8
0,181926
06
0,091191
81
0,817065
79
0,635597
3
0,998534
29
0,907800
04
0,726331
55
0,272660
31
0,544863
05
0,363394
55
0,000457
56
y
mayor...
HALLAMOS SU HISTOGRAMA
FIGMM -MINAS
Pgina 6
106
10,60%
105
21,10%
101
31,20%
99
41,10%
95
50,60%
90
59,60%
85
68,10%
83
76,40%
81
84,50%
81
92,60%
72
99,80%
99,90%
100,00%
GEOESTADISTICA I
HALLAMOS SU VARIOGRAMA:
FIGMM -MINAS
Pgina 7
GEOESTADISTICA I
VARIOGRAMA.:
Para hallar el variograma de 1000 datos se usara el siguiente cdigo:
Dim n As Integer
Dim i As Integer
Dim s As Double
Dim l As Double
Sub lambda1()
s=0
For n = 1 To 999
s=0
For i = 1 To 1000 - n
s = s + (Cells(i, 1) - Cells(i + n, 1)) ^ 2
Next
l = s / (2 * (1000 - n))
Cells(n + 1, 3) = l
Next
End Sub.
FIGMM -MINAS
Pgina 8
GEOESTADISTICA I
Pgina 9
GEOESTADISTICA I
Next
End Sub
Pgina 10
GEOESTADISTICA I
s=0
For n = 1 To 61
s=0
For i = 1 To 62 - n
s = s + (Cells(i, 3) - Cells(i + n, 3)) ^ 2
Next
l = s / (2 * (62 - n))
Cells(n + 1, 5) = l
Next
End Sub
FIGMM -MINAS
Pgina 11
GEOESTADISTICA I
FIGMM -MINAS
Pgina 12
GEOESTADISTICA I
Pgina 13
GEOESTADISTICA I
End Sub
Dim n As Integer
Dim i As Integer
Dim s As Double
Dim l As Double
Sub lambda2()
s=0
For n = 1 To 124
s=0
For i = 1 To 125 - n
s = s + (Cells(i, 3) - Cells(i + n, 3)) ^ 2
Next
l = s / (2 * (125 - n))
Cells(n + 1, 5) = l
Next
End Sub
FIGMM -MINAS
Pgina 14
GEOESTADISTICA I
CON SUPERPOSICION
CONCLUSIONES:
FIGMM -MINAS
Pgina 15
GEOESTADISTICA I
Vemos que el variograma del trabajo expuesto tomando 1000 datos aleatorios
no nos muestra una grafica conocida esto es debido a que son datos aleatorio.
Tambin notamos que en el grafico de variograma casi al final sale un punto
creciente o hacia arriba.
Adems vemos que al agrupar datos en cada 10 ,20 y 30 el histograma cambia,
tiende a ser la campana de gauss esto es debido al teorema del limite central.
Adems al ordenar los 100 datos aleatorios y agrupados en manera ascendente
vemos que el variograma tiene una tendencia de una curva creciente.
Notamos que al agrupar los datos de cada vez mayores el rango de sus
variogramas disminuye.
Nos damos cuenta tambin que en las dos ultimas graficas casi todos sus
parmetros son casi iguales y esto sucede ya que una de las limitaciones del
variagrama es que cuando las distancias son demasiado grandes este se torno
constante
BIBLIOGRAFIA
http://www.monografias.com/trabajos14/geoestadistica/geoestadistica.shtml
http://es.scribd.com/doc/24737935/Geoestadistica-Aplicada
FIGMM -MINAS
Pgina 16