Documentos de Académico
Documentos de Profesional
Documentos de Cultura
HERRAMIENTAS COMPUTACIONALES
APLICADAS A METALURGIA EXTRACTIVA
CONCEPTOS PRELIMINARES
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
2
3
CONCEPTOS PRELIMINARES
CONCEPTOS PRELIMINARES
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
3
5
CONCEPTOS PRELIMINARES
Una muestra representativa es aquella que refleja las
características esenciales de la población de la cual se
obtuvo.
Muestra 2 Muestra 3
Muestra 1 Muestra 4
Población
FRECUECNIAS
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
4
7
TIPOS DE FRECUENCIAS
TIPOS DE FRECUENCIAS
Ejemplo 2
50 67 50 58 61 59 41 59 42 60
55 48 45 58 69 46 51 52 40 65
53 52 68 53 46 60 50 54 54 40
44 41 49 45 47 56 48 53 55 51
47 52 51 58 54 51 52 55 60 58
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
5
9
TIPOS DE FRECUENCIAS
Frecuencia absoluta acumulada. Es el número de
veces que ha aparecido en la muestra un valor menor o
igual que el de la variable y lo representaremos por Ni.
La última frecuencia absoluta acumulada deberá ser
igual a N.
10
TABLA DE FRECUENCIAS
Es una tabla en la que se organizan los datos en clases;
es decir, en grupos de valores que describen una
característica de los datos y muestra el número de
observaciones del conjunto de datos que “caen” en cada
una de las clases.
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
6
11
TABLA DE FRECUENCIAS
Potencia Nivel de llenado Potencia Flujo de agua
Flujo de
Flujo de agua Nivel de llenado Potencia
alimentación
Flujo de
Flujo de agua Nivel de llenado Nivel de llenado
alimentación
Flujo de
Potencia Potencia Flujo de agua
alimentación
Flujo de
Potencia Potencia Nivel de llenado
alimentación
Flujo de
4 0.20 20% 0,55 11 55%
alimentación
Total 20 100%
12
CONSTRUCCION DE INTERVALOS
DE CLASES
Supongamos que tenemos las siguientes observaciones x1,
x2 … xn
Lo siguiente es encontrar el mayor y el menor valor.
valor
A continuación se calcula el rango (R).
R X máx. X mín.
No existe una convención para la cantidad de intervalos,
pero por lo
l generall oscila
il entre
t 5 y 20.
20
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
7
13
GRAFICOS ESTADISTICOS
Un gráfico estadístico es una representación pictórica que
permite dar un resumen visual de la información.
14
Variable relevante vs. frecuencia relativa
0.4
0.35
0.3
Freccuencia relativa
Potencia
0.25 Pajaro
0.2 Hamster
0.15 Gato
0.1
0.05
0
1
Frecuencia relativa
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
8
15
L
Los gráficos
áfi d sectores
de t o de
d torta
t t nos permiten
it
observar la variable de forma global haciendo una
comparación inmediata del porcentaje o la frecuencia
del total de las categorías de una variable.
16
Ejemplo 2
25% 35%
20%
20%
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
9
17
HISTOGRAMA
Los histogramas nos permiten identificar diversos
parámetros de los datos en una variable de escala.
• Dispersión
• Distribución
• Concentración
Generan una representación visual del comportamiento
de los datos, permitiendo observar rasgos característicos
como la zona o rango de mayor concentración, la
amplitud, los valores extremos, etc.
18
HISTOGRAMA
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
10
19
i 1
El único problema de la media es que puede verse
afectada por la existencia de algunos valores extremos.
20
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
11
21
22
VARIANZA
La varianza de las observaciones x1, x2… xn es el
promedio del cuadrado de las distancias entre cada
observación y la media del conjunto de observaciones.
observaciones
Se denota por lo siguiente:
(xi x)2
n
s
2
i 1 n 1
La desviación
L d i ió estándar
tá d es la
l raíz
í cuadrada
d d positiva
iti ded
la varianza.
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
12
23
DESVIACION ESTANDAR
La desviación estándar es la raíz cuadrada de la
varianza.
(xi x)2 n
s
i1 n 1
24
EJERCICIO N.°1
La siguiente tabla muestra la producción diaria en
toneladas, de 20 celdas de electrodepositación de cobre,
de una compañía
p minera.
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
13
25
EJERCICIO N.°1
Media 42,56
Mediana 37,30
Moda 35,60 MEDIA MODA MEDIA MODA MEDIA
MEDIANA MEDIANA MEDIANA
MODA
Desv. estándar 19,46 Asimétrica hacia Simétrica Asimétrica hacia
la izquierda la derecha
26
INFERENCIA ESTADISTICA
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
14
27
INFERENCIA ESTADISTICA
28
INFERENCIA ESTADISTICA
Ejemplo: Nos interesa inferir sobre la proporción de
mineral cumple con el nivel de exigencia de tamaño
mínimo.
Sea N es el número total de muestras de mineral.
1 Si la i - ésima muestra cumple
xi
0 En cualquier otro caso
N
x i
P i1
Proporción de m uestras que cum plen
N
Lo que nos interesa es inferir sobre P.
Podemos realizar un censo: muy costoso y tomaría
mucho tiempo.
Lo que buscamos son respuestas rápidas y confiables.
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
15
29
INFERENCIA ESTADISTICA
30
ESTIMACION PUNTUAL
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
16
31
32
METODO DE ESTIMACION
POR MAXIMA VEROSIMILITUD
Definición: Sea X1… Xn una muestra aleatoria de una
distribución con función de probabilidad f(x; ) y sea L
(x1… xn; ) la verosimilitud de la muestra como función de
. Si t = u (x1… xn) es el valor de , para el cual el valor de
la función de verosimilitud es máxima, entonces T = u
(X1… Xn) es el estimador de máxima verosimilitud de y t
es el estimador de máxima verosimilitud.
n
f x1 ,..xn ; f xi , L | x
i 1
Lnf xi ; Lnf xi , LnL | x
i1
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
17
33
METODO DE ESTIMACION
POR MAXIMA VEROSIMILITUD
La condición necesaria para maximizar la función de
verosimilitud, o su logaritmo natural, Ln L(|x), es la
siguiente:
i i t LnL | x
0
Esta ecuación es conocida como ecuación de
verosimilitud.
La solución, únicamente función de los elementos
muestrales, será el estimador máximo verosímil del
parámetro siempre que se verifique la condición de
máximo. 2 LnL X ;
0
2 ö 33
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
34
LA COTA DE CRAMER-RAO
Suponiendo que la función de densidad de x satisface
ciertas “condiciones de regularidad”, la varianza de un
estimador insesgado de un parámetro siempre será
mayor o igual que lo siguiente:
1
ln L 2
1
2 ln L
n E
-1
I E
2
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
18
35
36
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
19
37
38
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
20
39
/2 /2
a b
40
1-
/2 /2
a b
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
21
41
42
P Za Z X ; X 2
b
Z X ; X 1
1-
P Z b 2 /2 /2
a b
Dado que Z N(0,1), entonces a = Z/2 y b = Z1- /2
C
Como lla di
distribución
t ib ió normall es simétrica,
i ét i entonces
t a = -b.
b
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
22
43
Pr X Z1 2 X Z 2 1
n n
Dado que para la normal estándar Z/2 = - Z1- /2 resulta lo siguiente:
Pr X Z1 2 X Z1 2 1
n n
44
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
23
45
T
X
t de Student con n -1 grados de libertad
S n
46
a
P T a T X ; X
2
b 1-
P T b T X ; X 1 2
/2 /2
a b
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
24
47
P a T X ; b 1
Pr
X S S
Pr t 2,n 1 t1 2,n 1 Pr X t1 2,n 1 X t 2, n 1
S n n n
n n
x x x nx 2
2 2
i i
Donde s2 i 1
i 1
n 1 n 1
Dado que t/2,n-1 = - t1- /2, n-1 resulta lo siguiente:
S S
Pr X t1 2,n 1 X t1 2,n 1 1
n n
48
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
25
49
Z
X Y x y es una v.a. con distribución normal estándar
2
2
y
x
nx ny
50
P Za Z X Y ; , X Y
x x
2
Z X Y ; , X Y 1
b
P Z b x y
2
1-
/2 /2
a b
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
26
51
x2 2y x2 2y
Pr X Y Z1 2
nx
ny
x y X Y Z1 2
nx
1
ny
52
Donde, S P
n x
1 S x2 n y 1 S y2
nx ny 2
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
27
53
P T a T X ; X 2
1-
b
P T b T X ; X 1 2
/2
a b
/2
54
1 1 1 1
Pr X Y t1 S X Y t1 S 1
2,n 2 P
nx ny 2,n 2 P
nx ny
Donde, S P
n x
1 S x2 ny 1 S y2
nx ny 2
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
28
55
56
P a S 2 ; 2 S 2 2
0
b 1-
P b S 2 ; 2 S 2 1 2 /2 /2
0 a b
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
29
57
Pr a S 2 ; 2 b 1
S2
n 1 S2
n 1 S2
Pr 2 2,n1 n 1 2 1
2
2,n1
Pr 2 2
2,n1 12 2,n1
n 1 S2 n 1 S2
2 ; 2
1 2,n1 2,n1
58
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
30
59
S2 2
P a x2 x2 b 1
Sy y
1-
S2 2 /2 /2
P x2 x2 b 1 2 b f1 2,nx 1,n y 1 a
Sy y b
S2 2 S y2 2y 1 1
P a x2 x2 1 2 P 2 2 1 2 f1 2,n y 1,nx 1
Sy y Sx x a a
1
Luego, b f1 2,nx 1,n y 1
y a
f1 2,n y 1,nx 1
60
Nivel de
confianza
b 1/a b f1 2,nx 1,n y 1
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
31
61
62
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
32
63
ˆ V ˆ
MV
MV Z1 2 ; MV V MV Z1 2
ˆ ˆ
Si no se conoce la varianza del estimador MV, puede
sustituirse por una estimación de esta, sin que ello afecte
apreciablemente la bondad de la aproximación.
64
MODELOS
DE REGRESION LINEAL
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
33
65
66
Y X
0 1
1, 2
k n
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
34
67
Y
1,5
12
1,2
0,9
0,6
0,3
0,0 X
0 2 4 6 8 10
68
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
35
69
SUPUESTO 1:
Y X
yi 0 1 xi1 2 xi 2 k xik εi i 1 n
70
SUPUESTO 1 Y X
yi 0 1 xi1 2 xi 2 k xik εi i 1 n
En el contexto de la regresión, la linealidad hace
referencia a la manera en la que los parámetros y la
perturbación entran a formar parte de la ecuación y no
necesariamente a la relación entre las variables.
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
36
71
y e 1 X 2 2 X 3 3 X k k e
e n lo g a ritm o s ,
Ln y 1 2 Ln X 2 3 Ln X 3 k Ln X k
72
240
200
160
E(y) 120
80
10
40 8
6
0 4
0 2 2 X2
4 6 0
8 10
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
37
73
74
E[y]=50+10x1+7x2+5x1x2 200
10
8
6
0 4
0 2 2 X2
4 6 0
8 10
74
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
38
75
76
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
39
77
x2
10 25
8 100
6
175
250
4 325
400
550 475
2 800 750 700 625
0 x1
0 2 4 6 8 10
78
Ejemplo
y 0 1 x1 2 x2 ε
x1 0 1 x2
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
40
79
SUPUESTO 3: E[i / X] = 0
E 1 / X
Esto significa que : E / X 0
E n / X
80
E i Ex E i / X Ex 0 0
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
41
81
PERTURBACIONES ESFERICAS
SUPUESTO 4
Var i / X 2 para i = 1,…,n HOMOCEDASTICIDAD
Cov i , j / X 0 para i j NO AUTOCORRELACION
La varianza constante es conocida como la
homocedasticidad.
La incorrelación entre observaciones es conocida como no
autocorrelación.
La no autocorrelación no implica que las observaciones yi
e yj estén incorrelacionadas.
El supuesto consiste en que las desviaciones de las
observaciones de su valor esperado están
incorrelacionadas.
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
82
PERTURBACIONES ESFERICAS
El supuesto 4 implica lo siguiente:
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
42
83
PERTURBACIONES ESFERICAS
El supuesto 4 puede resumirse de la siguiente manera:
V /X E '/ X 2
I
84
REGRESORES NO ESTOCASTICOS
SUPUESTO 5: Regresores no estocásticos
f(y)
E[y3|x3] yi = + xi
E[y2|x2]
x
x1 x2 x3
E[y1|x1]
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
43
85
PERTURBACIONES DISTRIBUIDAS
NORMALMENTE
SUPUESTO 6: /x N[0, 2I]
86
PERTURBACIONES DISTRIBUIDAS
NORMALMENTE
E[y | x]
+ x
E[y | x = x2]
x1 x
x0 x2
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
44
87
88
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
45
89
yi 0 1 xi i i 1, , n
n n
S 0 , 1 i yi 0 1 xi
2 2
i 1 i 1
90
ECUACIONES NORMALES
Los estimadores de 0 y 1 deben satisfacer
S
n n
2 yi ˆ0 ˆ1 xi 0 e 0
0
i
ˆ0 , ˆ1 i 1 i 1
S
n n
2 yi ˆ0 ˆ1 xi xi 0 xe 0
1
i i
ˆ0 , ˆ1 i 1 i 1
y
i 1
i nˆ0 ˆ1 xi
i 1
y ˆ0 ˆ1 x
n n n n n
yx
i 1
i i ˆ0 xi ˆ1 xi2
i 1 i 1
yx
i 1
i i nˆ0 x ˆ1 xi2
i 1
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
46
91
Sea
n
S xy yi xi nyx Suma corregida de los productos cruzados de yi y xi
i 1
n
S xx xi2 nx 2 Suma corregida de cuadrados de las xi
i 1
S xy
Luego, ˆ1 puede escribirse como: ˆ1
S xx
92
ei yi yˆi yi ˆ0 ˆ1 xi , i 1,, , n
Los residuales cumplen un rol importante en la
investigación de la adecuación del modelo de regresión
ajustado y testean diferencias respecto a los supuestos
básicos.
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
47
93
ESTIMACION DE 2
El estimador de 2 se obtiene a partir de la suma de
cuadrados de residuales o suma de cuadrados de error.
n n
SSRe s e yi yˆi 2 2
i
i 1 i 1
94
ESTIMACION DE 2
Dado de ei sigue una distribución N[0; 2 ], entonces
n
SSRe s ei2
n2 p
E SS Re s n p 2
2 i 1
2
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
48
95
ANALISIS DE VARIANZA
Se utiliza para probar el significado de la regresión y se
basa en el análisis de la variabilidad total de la variable y
de respuesta.
y i - ŷ i
yi - y
ŷ
ŷ i y bx i x
xi x
96
ANALISIS DE VARIANZA
y y yˆ y 2 yi yˆ i yˆi y yi yˆi
2 2 2
i i
i 1 i 1 i 1 i 1
n n n
y y yˆ y y yˆ
2 2 2
i i i i
i 1 i 1 i 1
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
49
97
ANALISIS DE VARIANZA
y y yˆ y y yˆ
2 2 2
i i i i
i 1 i 1 i 1
SST SS R SSRe s
Ing. José Luis Salazar - jsalazar@expo.intercade.org - Consultor Intercade
98
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
50
99
GRADOS DE LIBERTAD
SST tiene dfT = n - 1 grados de libertad
100
COEFICIENTE DE DETERMINACION
El coeficiente de determinación está dado por la siguiente
expresión: SS SS
R2 R
1 Re s
SST SST
INTERCADE www.intercade.org
CONSULTANCY & TRAINING