Introducción a la geoestadistica

(nociones de probabilidad)
GLG-213

Universidad Mayor de San Andrés

 Geoestadistica
• La Geoestadística es la aplicación de la teoría
de las variables regionalizadas a la estimación
de los depósitos mineros.
• Los datos que son analizados por la
geoestadistica pueden ser considerados como
variables aleatorias (fenómenos no
deterministas)

Universidad Mayor de San Andrés

 La geoestadistica y la probabilidad
• Un modelo matemático determinista es aquel donde los resultados (sean
ono numericos) on definidos por las condiciones en las cuales se efectúa
el experimento. Por ej.: la ley de la gravedad, la ley de Ohm, las distancias
recorridas verticales, etc.

• Un modelo probabilístico o estocástico las condiciones experimentales

solo determinan el comportamiento probabilístico (distribución
probabilística) de los resultados observables

Universidad Mayor de San Andrés

 Fenómenos aleatorios (no deterministas)

• Lanzamiento de un dado y se anota el numero que aparece en la cara

superior.
• Lanzamiento de una moneda 4 veces y se cuenta el numero total de caras.
• Se fabrican artículos en una línea de producción y se cuenta el numero de
artículos defectuosos producidos en un periodo de 24 hrs.
• Se fabrica una bombilla. Luego se prueba su duración conectándola en un
portalámparas y se anota el tiempo transcurrido (en hrs) hasta que se
quema.
• Se fabrican artículos hasta producir 10 no defectuosos. Se cuenta el
número total de artículos manufacturados.
• De una urna que contiene solo esferas negras, se escoge una esfera y se
anota su color.
• Un termografo marca la temperatura continuamente en un periodo de 24
hrs. En un sitio y en una fecha señalados, «leer» dicho termógrafo.

Universidad Mayor de San Andrés

 Funciones aleatorias
• Sea un experimento Ɛ y S el espacio muestral
asociado con el experimento. Una función X
que asigna a cada uno de los elementos s
perteneciente a S, un número real X(s), se
llama variable aleatoria
S = espacio muestral de Ɛ Rx = valores posibles de X

Universidad Mayor de San Andrés

 Funciones aleatorias
• Ej.: Supongamos el lanzamiento de dos
monedas y consideremos el espacio muestral
asociado con este experimento:
S= {CC, CS, SC, SS}
Definimos la variable aleatoria X como sigue: X
es el numero de caras obtenidas en los dos
lanzamientos. Por lo tanto X(CC) =2,
X(CS) = X(SC) = 1 y X(SS)=0.
C=cara; S=sello
Universidad Mayor de San Andrés
 Variables aleatorias
S = espacio muestral de Ɛ Rx = valores posibles de X

• Una exigencia básica de una función univariada es que a cada s

perteneciente a S le corresponde un valor de X(s)
• El espacio Rx es el conjunto de todos los valores posibles de X a veces se
llama el recorrido (resultados numéricos)

Universidad Mayor de San Andrés

 Variables aleatorias
• Sea Ɛ un experimento y S su espacio muestral. Sea X una
variable aleatoria definida en S y sea Rx su recorrido. Sea B un
suceso respecto a Rx; esto es, B forma parte de Rx.
Supongamos que A se define:

A  s  S | X (s)  B

En palabras: A consta de todos los resultados en S para los cuales

X ( s)  B . En este caso decimos que A y B son sucesos
equivalentes

Universidad Mayor de San Andrés

 Variables aleatorias

• A y B son sucesos equivalentes, siempre que ocurran

juntos. Siempre que ocurra A, ocurre B y viceversa.
• A y B están asociados con espacios muestrales
diferentes

Universidad Mayor de San Andrés

 Variables aleatorias
• Ej.: Consideremos el lanzamiento de dos
monedas. En este caso. En este caso
S = {CC,CS,SC,SS}. Sea X el número de caras
obtenidas. En este caso Rx = {0,1,2}.
Sea B= {1}. Puesto que X(CS)=X(SC)=1 si y solo si
X(s) = 1, tenemos que A = {CS,SC} es
equivalente a B, entonces:

Universidad Mayor de San Andrés

 Variables aleatorias
• Sea B un suceso en el recorrido Rx. Definimos
entonces P(B) como sigue:
P(B)=P(A), en donde A  s  S | X ( s)  B
En palabras: definimos P(B) igual a la
probabilidad del suceso A y S que es
equivalente a B.

Universidad Mayor de San Andrés

 Variables aleatorias
• Ej: consideremos las monedas del anterior
ejemplo. P(CS)=P(SC)=1/4. Por tanto
P(CS,SC)=1/4+1/4=1/2. Puesto que el suceso
{X=1} es equivalente al suceso {CS,SC},
tenemos que P(X=1)=P(CS,SC)=1/2
• Ahora hemos establecido una función de
probabilidad sobre el recorrido de X.

Universidad Mayor de San Andrés

 Variables aleatorias discretas
• Sea X una variable aleatoria. Si el numero de
valores posibles (esto es Rx, el recorrido) es
finito o infinito numerable, llamamos a X una
variable discreta. Esto es se pueden anotar los
valores posibles de X como x1, x2, … xn…En el
caso finito la lista termina y en el caso infinito
numerable la lista continua indefinidamente.

Universidad Mayor de San Andrés

 Variables aleatorias discretas
• Una fuente radioactiva emite partículas alfa. Un contador
observa la emisión de esas partículas durante un periodo
de tiempo especificado. La siguiente variable aleatoria es
de interés: X=numero de partículas observadas. Cuales son
los valores posibles de X?.
• Supondremos que estos valores constan de todos los
enteros no negativos. Esto es Rx={0,1,2,…,n…}.
• Se puede decir, que durante un intervalo de tiempo
especificado (finito) es imposible observar mas de N
partículas, y N puede ser un numero entero positivo muy
grande.
• Por lo tanto los valores posibles de N serian: 0,1,2,…,N
• Pero es mas sencillo hacer la otra observación.

Universidad Mayor de San Andrés

 Variables aleatorias discretas
• Sea X una variable aleatoria discreta. Por tanto Rx el recorrido,
consta a los mas de un numero de valores: x1, x2,…infinito
numerable. Con cada resultado posible de xi asociamos un
numero p(xi) = P(X=xi), llamado la probabilidad de xi. Los
números pxi= i=1,2…deben satisfacer las condiciones
siguientes:

a) p( xi )  0 para todo i,


b)  p(xi )  1
i 1

Universidad Mayor de San Andrés

 Variables aleatorias discretas

Solo estamos interesados en los valores de X, esto

es Rx y en las probabilidades asociados con estos
valores, por lo que omitimos la naturaleza
funcional de X.

Universidad Mayor de San Andrés

 Variables aleatorias discretas

• Sea B un suceso asociado con la variable aleatoria X.

Esto es B incluido en Rx (fig. 4.5). Específicamente
supongamos que B ={xi1, xi2,…}. Por tanto
• En palabras: la probabilidad de un suceso B es igual a la
suma de las probabilidades asociados con B

P( B)  Ps | X ( s)  B  xij , j  1,2,...]   p(xij )
Universidad Mayor de San Andrés
j1
 Variables aleatorias discretas
• Ej.: Supóngase que se pone un tubo de radio en un soporte y
se prueba. Supóngase que la probabilidad de que el control
sea positivo es igual a ¾; por tanto la probabilidad de que el
control sea negativo es ¼. Supóngase además que probamos
una gran cantidad de tales tubos. La prueba continua hasta
que aparece el primer tubo positivo. Defínase la variable
aleatoria X, como sigue: X es el numero de pruebas necesarias
para finalizar el experimento. El espacio muerstral asociado
con este experimento es:
S={+,- +,- - +,- - -+,…}

Universidad Mayor de San Andrés

 Variables aleatorias discretas
S={+,- +,- - +,- - -+,…}
Para determinar la distribución de probabilidades de X razonamos como
sigue: Los valores posibles de X son 1, 2,…n…Y X=n si y solo si los primeros
(n-1) tubos son negativos y el n-esimo tubo es positivo. Si suponemos que
la condición de un tubo no afecta la condición de otro entones:
n 1
1 3
p (n)  P( X  n)      n  1,2...
4 4
entonces verificam os que :
 

3  
1 1  3 1 

n 1
p ( n )  1  
4 4 16
 ...  
 4 1 
1
1
 
 4
aqui empleamos el resultado que la serie geometrica 1  r  r 2  ...converge a 1/(1 - r)
siempre que r  1.
 Variables aleatorias discretas
Supongamos que queremos calcular P(A), en donde A se define como {El
experimento termina después de un numero par de repeticiones}
n 1
1 3
p (n)  P ( X  n)      n  1,2...
4 4
entonces verificam os que :

3 3

n 1
p ( 2n)  
16 256
 ...

 
3  
1  3 1  1
 1   ...   
16  16  16  1  1  5
 
 16 
 Variables aleatorias (discretas)
• Las variables aleatorias tienen una probabilidad
p(xi) de suceder!!
• Las variables aleatorias pueden ser discretas o
continuas. Vimos la anterior clase las variables
aleatorias discretas.

Universidad Mayor de San Andrés

 Variables aleatorias discretas
La distribución binomial
• Supongamos que los artículos que salen de una línea de producción se clasifican como
defectuosos D o no defectuosos N. Supongamos que se eligen al azar tres artículos de la
producción de un dia y se clasifican de acuerdo con este esquema. El espacio muestral de
este experimento, S puede describirse:
S = {DDD, DDN, DND, NDD, NND, NDN, DNN, NNN}
• Supongamos que la probabilidad de que un articulo sea defectuoso es de 0.2 y la
probabilidad de que un articulo sea no defectuoso es de 0.8, las probabilidades entonces
serán:

(0.2)3, (0.8)(0.2)2, (0.8)(0.2)2, (0.8)(0.2)2, (0.2)(0.8)2, (0.2)(0.8)2, (0.2)(0.8)2, (0.8)3

• No queremos saber los resultados individuales de S, sino cuántos artículos defectuosos se

encuentran sin considerar el orden

• Deseamos considerar la variable aleatoria X que asigna a cada uno de los resultados s
pertenecientes a S el numero de artículos defectuosos encontrados en s. Por tanto el
conjunto de valores posibles de X es {0, 1, 2, 3} (valores que han sido inducidos)

Universidad Mayor de San Andrés

 Variables aleatorias discretas
La distribución binomial
• Podemos obtener la distribución de probabilidades para X, p(xi)=P(X=xi) como
sigue:

• Nótese que {NNN} es equivalente a {X =0}, por tanto:

• Nótese que la suma de estas probabilidades es igual a 1, porque la suma

puede escribirse (0.8 + 0.2)3
Universidad Mayor de San Andrés
 Variables aleatorias discretas
La distribución binomial
Podemos entonces generalizar:
Consideremos un experimento Ɛ y sea A un suceso asociado
con Ɛ. Supongamos que P(A) = p y por lo tanto P(A´)=1-p.
Consideramos n repeticiones de Ɛ. Por lo que el espacio
muestral consiste de en todas las sucesiones posibles {a1,
a2, …,an} en donde cada ai es A o A´ según que A o A´
ocurra en la i-esima repeticion de Ɛ. La variable aleatoria
X se define como el numero de veces que ocurrió el
suceso A. Llamamos a X una variable aleatoria binomial
con los parámetros n y p.

Universidad Mayor de San Andrés

La distribución binomial
Ensayos de Bernoulli

A A A A…A A’ A’ A’ A’ …A’

k n-k

Universidad Mayor de San Andrés

 La distribución binomial
Ensayos de Bernoulli

• Supongamos que un tubo de radio puesto en

cierto tipo de equipo tiene una probabilidad de
0.2 de funcionar mas de 500 hrs. Si probamos 20
tubos, cuál es la probabilidad de que
exactamente k de ellos funciones mas de 500 hrs,
k = 0, 1, 2, … 20?
Si X es el numero de tubos que funcionan más de
500 hrs, supondremos que X tiene una
distribución binomial. Así P( X  k )   20 0.2k 0.820k
 k 
Universidad Mayor de San Andrés
  20 
P( X  k )   0.2 0.8
k 20 k

 k 

Universidad Mayor de San Andrés

La distribución binomial
Ensayos de Bernoulli

Universidad Mayor de San Andrés

 La distribución binomial
Ensayos de Bernoulli
• Si dibujamos esta distribución de probabilidad obtenemos el siguiente gráfico. Este
modelo que es muy general, muestra que las probabilidades binomiales aumentan
monótonamente hasta que alcanzan un valor máximo y luego disminuyen

Universidad Mayor de San Andrés

 Variables aleatorias continuas
• Supongamos que el recorrido de X esta formado por un gran numero de
valores, por ejemplo todos los valores x en el intervalo
0  x 1
de la forma 0; 0.01; 0.02; …0.98; 0.99; 1.00. Con cada uno de estos valores un
numero no negativo p(xi) = P(X=xi), i = 1, 2, …, cuya suma es igual a 1.

Universidad Mayor de San Andrés

 Variables aleatorias continuas
• Se dice que X es una variable aleatoria continua si existe una función de
densidad de probabilidad (fdp) de X, que satisface las siguientes
condiciones:
a) f(x)  0 para todo x

b)  f(x)dx  1
-

c) Para cualquier a, b, tal que -   a  b  ,

b
tenemos P(a  X  b)  
a
f(x)dx

Universidad Mayor de San Andrés

 Esperanza matemática
Sea X una variable aleatoria discreta con valores posibles x1, x2,
…,xn,…Sea p(xi) = P(X=xi), i= 1,2,…,n,….El valor esperado de X
se define como:

E ( X )   xi p ( xi )
i 1


si la serie  xi p( xi ) converge absolutamente, es decir si

i 1


x
i 1
i p ( xi )  

Este numero también se designa como el valor promedio de X

Universidad Mayor de San Andrés

 Esperanza matemática discreta
• Por ejemplo, el valor esperado cuando tiramos un dado
equilibrado de 6 caras es 3,5. Podemos hacer el cálculo

• y cabe destacar que 3,5 no es un valor posible al rodar el

dado. En este caso, en el que todos los sucesos son de igual
probabilidad, la esperanza es igual a la media aritmética.

Universidad Mayor de San Andrés

 Esperanza matemática discreta
• Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La
ganancia para acertar una apuesta a un solo número paga de 35 a 1 (es
decir, cobramos 35 veces lo que hemos apostado y recuperamos la
apuesta, así que recibimos 36 veces lo que hemos apostado). Por tanto,
considerando los 38 posibles resultados, la esperanza matemática del
beneficio para apostar a un solo número es:

• que es -0,0526 aproximadamente. Por lo tanto uno esperaría, en media,

perder unos 5 céntimos por cada euro que apuesta, y el valor esperado
para apostar 1 euro son 0.9474 euros.

Universidad Mayor de San Andrés

 Esperanza matemática continua
• Para una variable aleatoria absolutamente continua,
la esperanza se calcula mediante la integral de todos
los valores y la función de densidad :

Universidad Mayor de San Andrés

 Esperanza matemática continua
• Vamos a definir una variable aleatoria X como sigue. Supongamos que X es el tiempo en
minutos durante el cual un dispositivo eléctrico se utiliza a su máxima carga cierto tiempo
determinado. Supongamos que X es una variable aleatoria continua con la siguiente fdp:

Universidad Mayor de San Andrés