Evaluación y Valoración de Proyectos Mineros

Modulo IV: Valoración Dinámica de Proyectos Mineros

Sesión 3A: Rudimentos de Estadística Inferencial para simular

Riesgos en Proyectos Mineros

Escuela de Postgrado GĚRENS

Profesor:
Arturo L. Vásquez Cordano, Ph.D.
Estadística y Operaciones
 Introducción

Contenido

• Introducción a la estadística
– Población y muestra
– Análisis descriptivo
– Promedio y dispersión

• Conceptos clave para Simulación

– Probabilidad y Distribución Normal
– Teorema del Límite Central e Intervalos de Confianza

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 1

 Conceptos Básicos Experimento Aleatorio y Espacio Muestral

Definiciones Básicas
• Experimento Aleatorio: Proceso que se puede
repetir indefinidamente, obteniéndose siempre
resultados imprevisibles: “Tirar la moneda”

• Espacio Muestral S: conjunto de todos los

S = {cara, sello}
posibles resultados de un experimento
aleatorio.

• Evento A: subconjunto de S A = {cara}

• Un evento A ocurre cuando el resultado del

experimento aleatorio es un elemento de él.
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 2
 Conceptos Básicos Definiendo qué es la probabilidad

Probabilidad
• Medida que asigna a un evento “A” un número P(A) entre 0
y 1, el cual mide el grado de factibilidad de la ocurrencia de
un evento.
– Si P(A)  0, menos segura es la ocurrencia del evento.
– Si P(A)  1, más segura es la ocurrencia del evento.

numero de elementos en A 1
P( A  cara)    0.5
numero de elementos en S 2

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 3

 Conceptos Básicos

Variable Aleatoria
• Cualquier regla (función) que cuantifica la diversidad de
resultados de un experimento aleatorio.
– Ejemplo: Inferencia en base a Sondajes en una Cuadrícula
– S: Conjunto de Cuadrículas sobre un Cuerpo Mineralizado
Ancho

largo
• Variable X: porcentaje (%) de contenido metálico (ley) de
cobre en una cuadrícula medido en una sondaje.
• Varible Y: toneladas de mineral
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 4
 Conceptos Básicos Modelo de Cálculo de Probabilidades

Función de Densidad y Función de Distribución

• fX, Modelo matemático que nos permite hallar la
probabilidad de que un variable aleatoria (continua) tome
valores en un intervalo [a, b]. Sea x una realización
arbitraria de X, b
P (a  x  b)   a
f X ( x)dx

• Ejemplo: Estimar la probabilidad que la ley de CU esté

entre 0.2% y 0.5% P(0.2%  x  0.5%)   0.5% f X ( x)dx
0.2%

fX Función de Densidad FX Función de Distribución “Acumulada”

100%

10%

0.2% 0.5% x: % CU 0.2% x: % CU

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 5
 Conceptos Básicos Simulación de la función de densidad normal

Densidad Normal simulada en @Risk

• Las funciones de densidad se pueden simular perfectamente

en las computadoras.
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 6
 Conceptos Básicos Simulación de la función de distribución normal

Distribución Normal (0,10) simulada en @Risk

• Las funciones de distribución se pueden simular

perfectamente en las computadoras.
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 7
 Modelo de Cálculo de Probabilidades

Función de Densidad Normal (1)

• Función que con mayor frecuencia aproxima los fenómenos
reales observados en las ciencias, ingeniería, administración
y economía.

• La importancia de esta distribución radica en que permite

modelar numerosos fenómenos naturales, sociales y
psicológicos. Mientras que los mecanismos que subyacen a
gran parte de este tipo de fenómenos son desconocidos, por
la enorme cantidad de variables incontrolables que en ellos
intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observación se obtiene como la suma
de unas pocas causas independientes.

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 8

 Modelo de Cálculo de Probabilidades

Función de Densidad Normal (2)

Función de Densidad (FD) Función de Distribución (FDP)

  1 ( xu ) 2 
1  2 2 
f X ( x)  e   

 2
• Dos parámetros caracterizan a esta función, la media (µ) o
promedio poblacional y la desviación estándar (σ) que mide
el grado de dispersión que pueden tener los posibles valores
de X.

• No se preocupen por las fórmulas. La computadora ahora

calcula los valores de la distribución por nosotros.

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 9

 Modelo de Cálculo de Probabilidades

Función de Densidad Normal (3)

• Podemos asumir que el % CU proveniente de un sondaje
se distribuye siguiendo una Función Normal, X ~ N(µ, σ).
• La función es simétrica entorno a su media.
• Distribución de probabilidad respecto a la media:
– en el intervalo [μ - σ, μ + σ] se encuentra comprendida, aproximadamente, el 68.26% de la
distribución;
– en el intervalo [μ - 2σ, μ + 2σ] se encuentra, aproximadamente, el 95,44% de la distribución;
– por su parte, en el intervalo [μ -3σ, μ + 3σ] se encuentra comprendida, aproximadamente, el
99,74% de la distribución.

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 10

 Modulo de Cálculo de Probabilidades

Estandarización de una Variable X ~ N

• Si µ y σ de una distribución normal son conocidos, se
pueden utilizar para calcular la probabilidad de que X esté
dentro de cierto intervalo utilizando la FDP.

• Podemos transforma la variable X en una variable

estandarizada Z:
𝑋−𝜇
𝑍= ∼ 𝑁(0,1)
𝜎
• Este resultado es clave para calcular probabilidades de
manera más fácil (usando tablas de probabilidades de la
FDP normal), para la estimación de parámetros y para el
cálculo de intervalos de confianza.

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 11

 La Estadística Inferencial y el Muestreo Estadísticos Descriptivos de la Población

Estimación de µ: El Promedio
• Sea N el número de objetos en una población. Si n es el
numero de muestras representativas de un MAS y Xi es una
realización de la variable aleatoria X que representa el
valor de una muestra individual tal i = 1,2,3, … n, entonces
el promedio muestral es:
n

X i
X i 1

n
• El promedio es también una variable aleatoria. Es un
indicador de tendencia central (exactitud) que permite
caracterizar a la distribución de una muestra. Si el muestreo
es representativo, la formula del promedio es un estimador
de la media poblacional: X  µ.
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 12
 La Estadística Inferencial y el Muestreo Estadísticos Descriptivos de la Población

Estimación de σ: La Desviación Estándar

• Sea N el número de objetos en una población. Si n es el
numero de muestras representativas de un MAS y Xi es una
realización de la variable aleatoria X que representa el
valor de una muestra individual tal que i = 1,2,3, … n,
entonces la desviación estándar muestral (DS) es igual:

i1 i
n
( X  X ) 2

S
n 1
• La DS es también una variable aleatoria. Es un indicador de
la dispersión (precisión) o variabilidad que muestra X, la
cual permite caracterizar cuán fluctuante es X . Si el
muestreo es representativo, la formula de la DS es un
estimador de la DS poblacional: S  σ.
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 13
 La Estadística Inferencial y el Muestreo Propiedades de un buen estadístico

Exactitud y Precisión
• Exactitud = Media Insesgada
• Precisión = Varianza Pequeña para la Media

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 14

 La Estadística Inferencial y el Muestreo Estadística Inferencial y la Distribución Normal

Teorema Central de Límite (TCL)

• TCL: Poderoso resultado de la Teoría Estadística. Sirve
para la estimación de parámetros en modelos estadísticos,
pruebas de hipótesis y predicción de variables en el futuro.

• Sean Xi , i = 1,2, … n variables aleatorias independientes,

las cuales tienen la misma FDP desconocida con media µ y
varianza σ2. Sí X es el promedio muestral, entonces a
medida que n crece indefinidamente:
𝜎2
lim 𝑋 ~𝑁 𝜇, 𝑛
𝑛→∞
• ¡𝑋 se distribuye de manera normal en el límite, sin
importar la forma de la FDP!

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 15

 La Estadística Inferencial y el Muestreo Estadística Inferencial y la Distribución Normal

Teorema Central de Límite (TCL)

• Como resultado se obtiene que:

𝑋−𝜇 𝑛 (𝑋−𝜇)
𝑍= = ∼ 𝑁(0,1)
𝜎/ 𝑛 𝜎

• Quiere decir que podemos “estandarizar” el promedio para

usar la distribución normal estándar.

• ¡Resultado clave para la “econometría” y para la geología

estadística!

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 16

 La Estadística Inferencial y el Muestreo ¿Cómo evaluar la confianza de los resultados?

La Confianza Estadística (Zα)

• La confianza estadística es el porcentaje de seguridad que
existe para generalizar los resultados obtenidos. Esto quiere
decir que un porcentaje del 100% equivale a decir que no
existe ninguna duda para generalizar tales resultados, pero
también implica estudiar a la totalidad de los casos de la
población.

• Para evitar un costo muy alto del estudio, o debido a que en

ocasiones llega a ser prácticamente imposible el estudio de
todos los casos, entonces se busca un porcentaje de
confianza menor. Comúnmente en las investigaciones se
busca entre 90% y 95%.

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 17

 La Estadística Inferencial y el Muestreo Demostración del Intervalo de Confianza

Intervalo de Confianza de la Media

• Distribución del estadístico Z,
𝑋−𝜇
𝑍= ∼ 𝑁(0,1)
𝜎/ 𝑛

• De la tabla de la distribución normal estándar sabemos que:

P(1.965  Z  1.965)  0.95, Se escoge un
nivel de
 X  
P  1.965   1.965   0.95, confianza de
 / n  95%.
   
P  X  1.965     X  1.965    0.95.
 n n 

• Conclusión: Los valores de las cotas del intervalo de

confianza al 95% se calculan así: S
X  1.965 
n
Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 18
 La Estadística Inferencial y el Muestreo Definiendo los elementos para el Muestreo

Margen de Error (E)

• El error o porcentaje de error equivale a elegir una
probabilidad de aceptar una hipótesis que sea falsa como si
fuera verdadera, o a la inversa, rechazar la hipótesis
verdadera por considerarla falsa. Al igual que en el caso de
la confianza, si se quiere eliminar el riesgo de error
(E = 0%), la muestra debe ser del mismo tamaño que la
población, por lo que conviene correr con cierto riesgo de
equivocarse.

• Comúnmente se acepta entre 4% y 6% como error.

Prof. Arturo Vásquez Cordano Sesión 3 10/21/2016 19

 Fin de la Sesión 3A

Evaluación y Valoración de Proyectos Mineros

Profesor:
Arturo L. Vásquez Cordano, Ph.D.

Estadística y Operaciones
Aviso
Está prohibida la reproducción parcial o total de estos materiales sin
autorización del autor. Se solicita indicar en lugar visible la autoría y la
fuente de la información. Todo el material presentado en este
documento es propiedad del autor, a menos que se indique lo contrario.

Citar los materiales como:

Vásquez Cordano, Arturo (2016). Curso de Evaluación y Valoración de
Proyectos Mineros. Módulo IV. Sesión 3A: Rudimentos de Estadística
Inferencial para simular riesgos en Proyectos Mineros. Escuela de Postgrado
GĚRENS.

Arturo L. Vásquez Cordano © 2016.

Prof. Arturo Vásquez Cordano Sesión 3 21/10/2016 21