Professional Documents
Culture Documents
FACULTAD DE INGENIERÍA
Escuela Académico Profesional de Ingeniería Geológica
• CURSO:
Geoestadística
• DOCENTE:
Ing. Wilder Chuquiruna Chávez
• TEMA:
ANÁLISIS DE DATOS YVARIOGRAFÍA
• INTEGRANTES:
MAYO DEL2018
OBJETIVOS
• Entender los diferentes conceptos básicos que tratan la estadística
descriptiva y probabilidad.
• Definir las reglas básicas a seguir para la construcción e interpretación
de los histogramas, resaltando las situaciones que pueden, o deben
ser utilizados.
• Comprender los diferentes métodos de distribuciones probabilísticas
y conocer su importancia.
CAPÍTULO I:
ANÁLISIS DE DATOS Y VARIOGRAFÍA
1.1 Análisis de datos mediante histogramas.
Construcción de histogramas experimentales.
1.2Modelado de Histogramas: Distribución
Normal. Distribución Lognormal,Distibución
Exponencial,etc.
Distribuciones paramétricas de probabilidad
Una distribución paramétrica de probabilidad es una función matemática(que
depende de uno o más parámetros) que permite asignar probabilidades a los
valores, o intervalos de valores, que puede tomaruna variable aleatoria.
k = 1,2,….
X+r es el “tiempo que hay que esperar” para que ocurran “r” éxitos.
DISTRIBUCIÓN DEPOISSON
Describe el número de eventos discretos independientes que
ocurren en una serie o secuencia (en general en el tiempo,pero
puede ser en el espacio).
Sesupone que hay independencia en la ocurrencia de eventos en
intervalos disjuntos. Los eventos ocurren aleatoriamente, pero con
un valor medio constante deocurrencia.
Tiene un solo parámetro, λ , que representa la ocurrencia mediade
eventos.
EXAMPLE 4.4 Poisson Distribution and Annual Tornado Counts in New York State
Consider the Poisson distribution in relation to the annual tornado counts in New York state for 1959–1988,
in Table 4.3. During the 30 years covered by these data, 138 tornados were reported in New York state. The
average, or mean, rate of tornado occurrence is simply 138/30 = 4.6 tornados/year, so this average is the
method-of-moments estimate of the Poisson intensity for these data. Having fit the distribution by
estimating a value for its parameter, the Poisson distribution can be used to compute probabilities that
particular numbers of tornados will be reported in New York annually. (Wilks, 2006)
DISTRIBUCIONESCONTINUAS
Las distribuciones de probabilidad continuas son aquellas en las que
la variable aleatoria es continua, o sea que puede asumir un número
virtualmente infinito y no numerable de valores, que suelen ser
resultado de una medición. Por ejemplo, el valor de la temperatura
media del aire en intervalos dados de tiempo. Los valores de las
variables aleatorias continuas dependen de la exactitud del
instrumento de medición.
Algunas distribuciones continuas: Normal o gausiana, Log-normal,
Gamma, t de Student, χ-cuadrado, yotras.
FUNCIÓN DE DENSIDAD DEPROBABILIDAD.
La función f(x) es una función de densidad de
probabilidad para la variable aleatoria continua X,
definida sobre el conjunto de los números reales, R,
si:
Ejemplo 4.4. La duración de sardinas empaquetadas en un almacén (en
horas) es una variable aleatoria continua, cuya función de densidad viene
expresada por:
FUNCIÓN DE DISTRIBUCIÓNACUMULADA
Sea Xuna variable aleatoria continua, la función que
viene dada por
P 𝑎 ≤𝑋 ≤ 𝑏 = 𝐹 𝑏 −𝐹 𝑎
SOLUCIÓN
Comenzamos estimando ambos parámetros (μ yσ)
Media muestral = 25,4 °C
Desviación típica muestral = 0.8 °C
Para la temperatura de 26 ºC, el valor de la
variable estandarizadada será :
([26-25,4]/0.80) =0,75.
La densidad para la variable original x es: Media, Varianza y Desviación Estándar de una Distribución
LogNormal.
La media, varianza y la desviación estándar de una distribución
Log-Normal, vienen
dadas por
1.3 Simulaciones de distribuciones:Teorema del
límite Central. Método de la Transformada
inversa.Método de Montecarlo.
TEOREMA DEL LÍMITE CENTRAL
Este teorema nos dice que si una muestra es lo bastante grande, generalmente
cuando el tamaño muestral (n) supera los 30, y la distribución de la media muestral (x),
tomada de una muestra aleatoria grande de una distribución con varianza finita,
seguirá una distribución normal. Es decir, dada cualquier variable aleatoria, si
extraemos muestras de tamaño n (n>30) y calculamos los promedios muestrales,
dichos promedios seguirán una distribución normal. (Canal Diaz, s.f.)
Fuente: http://www.revistaseden.org/files/8-CAP%208.pdf
La media muestral (xb), está distribuida normalmente con una media
(µx); y, una varianza (δ2x/n).
(Gonzales, 2014)
Fuente: https://es.scribd.com/document/211737265/TEOREMA-DEL-LIMITE-CENTRAL-pdf
Propiedades:
El teorema del límite central garantiza una distribución normal cuando n es
suficientemente grande.
Otra de las propiedades de este teorema es que establece que es suficiente que
las variables que se suman sean independientes, idénticamente distribuidas, con
valor esperado y varianza finitas.
Este teorema, perteneciente a la teoría de la probabilidad, encuentra aplicación
en muchos campos relacionados, tales como la inferencia estadística o la teoría
de renovación.
Aplicación:
1. Para realizar el cálculo de la probabilidad se aplica la siguiente formula:
a.Cuando Xb es un solo valor.
Z= (xb - µ)/(δ/ 𝑛)
Datos
= 0.9582 – 0.0019
= 0.9563
Fuente: (util,2013)
Método de la Transformada
Inversa
• El método de la transformada (o transformación)
inversa, también conocido como método de la
inversa de la transformada, es un método para la
generación de números aleatorios de cualquier
distribución de probabilidad continua cuando se
conoce la inversa de su función de distribución.
Así cada número aleatorio estará distribuido de manera uniforme en el intervalo entre 0 y
1.
Fuente:: Prof. M.Sc. Kryscia Daviana Ramírez Benavides.(s.f).Generación de variables aleatorias.Recuperado de:
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
Fuente: Prof. M.Sc. Kryscia Daviana Ramírez Benavides.(s.f).Generación de variables aleatorias.Recuperado d
https://es.slideshare.net/AnelVeronicaUchihaLP/unidad-iii-generacion-de-variables-aleatorias
Obtención del método
• Este método requiere una función de distribución acumulada (fda) F(x) se puede
obtener en forma cerrada (tiene fórmula y es posible calcularF-1(x)).
• Como ejemplos se tienen las distribuciones exponencial, uniforme, triangular y la
de Weibull.
Fuente: Método de la transformada inversa. (30-10-2017).n/a.Recuperado de
:https://es.wikipedia.org/wiki/M%C3%A9todo_de_la_transformada_inversa
Este método consiste en los siguientes
pasos:
• Dada la función de densidad de probabilidad f(x), se elabora la función de
distribución acumulada como:
• Setiene la siguientefdp:
Secalculafda:
Ү = ½ N . ∑ [ ( Z(x) – Z(x+h)) ]2
Componentes de un variograma:
1. EFECTOPEPITA(Co)
2. SILL(C)
3.Rango(a)