UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE
INGENIERÍA GEOLÓGICA

ESTUDIOS ESTADÍSTICOS DE METALES PESADOS

Asignatura: Geoestadística

Presentado por:

-Atalaya Rodríguez, Diego

-Dilas Reyes, Jhonny
-Loje Chilon, Frank
-Huuayhua Cabrera, Amner
-Raico Cusquisiban, Santos

Revisado por:

Ing. CHUQUIRUNA CHÁVEZ, Wilder

Cajamarca – Perú.
2023

CAPÍTULO I
1.1 RESUMEN
1.2 INTRODUCCIÓN

La necesidad de acudir a herramientas estadísticas para el análisis de datos en todas las

áreas del conocimiento, ha hecho que aparezcan con el correr de los años nuevas metodologías
que, no obstante, se centran en fundamentos probabilísticos comunes, son específicas para cada
una de las diversas disciplinas del saber. La estadística se centra en el análisis de la variabilidad
de los datos, tratando de obtener correlaciones, dependencias y patrones para explicar
fenómenos tanto físicos como naturales. Por su parte, en cambio, la geoestadística se centra en
el análisis y la modelización de variables asociadas a información espacial en base a una serie
de métodos cuyo objetivo es el de estimar valores desconocidos a partir de otros ya conocidos.

La geoestadística es solo una las áreas del análisis de datos espaciales. Es importante
reconocer cuando la información georreferenciada es susceptible de ser analizada por medio de
dicha metodología. Por ello en el documento se hace inicialmente una definición global de
estadística espacial y se describen las características especiales que enmarcan cada una de sus
áreas.

El presente documento tiene como propósito aportar conocimientos y servir de consulta

a estudiantes de geología u otra carrera universitaria relacionada a la rama de ciencias de la
tierra que estén interesados en el tema geoestadístico, así mismo, el documento tiene un enfoque
teórico y a la vez práctico. Para el seguimiento completo de la teoría descrita se requiere tener
conocimientos básicos de álgebra y de estadística matemática. Sin embargo, aquellas personas
que estén poco familiarizadas con estos temas, podrán obviar la lectura de algunas secciones en
las que se hacen desarrollos teóricos y centrar su atención en la filosofía de los métodos
presentados y en las aplicaciones mostradas en cada uno de los capítulos del documento.

1.3 OBJETIVO GENERAL

1.4 OBJETIVOS ESPECÍFICOS

CAPÍTULO II MARCO TEÓRICO

2.1 ESTADÍSTICA

(Gorgas, 2011) La Estadística es la ciencia que se encarga de recoger, organizar e

interpretar los datos. Es la ciencia de los datos. En la vida diaria somos bombardeados
continuamente por datos estadísticos: encuestas electorales, economía, deportes, datos
meteorológicos, calidad de los productos, audiencias de TV. Necesitamos una formación básica
en Estadística para evaluar toda esta información. Pero la utilidad de la Estadística va mucho
más allá de estos ejemplos. La Estadística es fundamental para muchas ramas de la ciencia
 desde la medicina a la economía. Pero, sobre todo, y en lo que a nosotros importa, es esencial
para interpretar los datos que se obtienen de la investigación científica. Es necesario leer e
interpretar datos, producirlos, extraer conclusiones.

2.2 VARIABLES ESTADÍSTICAS

Una variable estadística es una característica que puede fluctuar y cuya variación es
susceptible de adoptar diferentes valores, los cuales pueden medirse u observarse. Las variables
adquieren valor cuando se relacionan con otras variables, es decir, si forman parte de una
hipótesis o de una teoría. En este caso se las denomina constructos o construcciones hipotéticas.

Tipos de variables

A) Según el nivel de medida

Según el nivel de medición o también según el criterio metodológico, pueden ser:

 Variables cualitativas

Son el tipo de variables que como su nombre lo indica expresan distintas

cualidades, características o modalidad. Cada modalidad que se presenta se denomina
atributo o categoría, y la medición consiste en una clasificación de dichos atributos. Las
variables cualitativas pueden ser dicotómicas cuando sólo pueden tomar dos valores
posibles, como sí y no, hombre y mujer o ser politómicas cuando pueden adquirir tres o
más valores. Dentro de ellas podemos distinguir:

Variable cualitativa ordinal o variable cuasi cuantitativa: La variable puede

tomar distintos valores ordenados siguiendo una escala establecida, aunque no es
necesario que el intervalo entre mediciones sea uniforme, por ejemplo: leve, moderado,
fuerte.

Variable cualitativa nominal: En esta variable los valores no pueden ser

sometidos a un criterio de orden, como por ejemplo los colores o el lugar de registro

 Variables cuantitativas

Son las variables que toman como argumento cantidades numéricas, son
variables matemáticas. Las variables cuantitativas además pueden ser:

Variable discreta: Es la variable que presenta separaciones o interrupciones en

la escala de valores que puede tomar. Estas separaciones o interrupciones indican la
ausencia de valores entre los distintos valores específicos que la variable pueda asumir.
Ejemplo: El número de hijos (1, 2, 3, 4, 5).
 Variable continua: Es la variable que puede adquirir cualquier valor dentro de
un intervalo especificado de valores. Por ejemplo la masa (2,3 kg, 2,4 kg, 2,5 kg,...) o la
altura (1,64 m, 1,65 m, 1,66 m,...), o el salario. Solamente se está limitado por la
precisión del aparato medidor, en teoría permiten que exista indefinidos valores entre
dos variables

B) Según la influencia

Según la influencia que le asignemos a unas variables sobre otras, estas podrán ser:

 Variables independientes

Una variable independiente es aquella cuyo valor no depende de otra variable.

Es aquella característica o propiedad que se supone es la causa del fenómeno estudiado.
En investigación experimental se llama así a la variable que el investigador manipula.

Las variables independientes son las que el investigador escoge para establecer
agrupaciones en el estudio, clasificando intrínsecamente a los casos del mismo. Un tipo
especial son las variables de control, que modifican al resto de las variables
independientes y que de no tenerse en cuenta adecuadamente pueden alterar los
resultados por medio de un sesgo.

La variable independiente se suele representar en el eje de abscisas, así mismo

es la que se le asignan valores arbitrarios

 Variables dependientes

Una variable dependiente es aquella cuyos valores dependen de los que tomen
otra variable. La variable dependiente es una función que se suele representar por la y.
La variable dependiente se representa en el eje ordenadas. Son las variables de respuesta
que se observan en el estudio, y que podrían estar influidas por los valores de las
variables independientes.

Hayman (1974) la define como propiedad o característica que se trata de

cambiar mediante la manipulación de la variable independiente.

Otras variables

 Variables intervinientes: Son aquellas características o propiedades que, de una

manera u otra, afectan el resultado que se espera y están vinculadas con las variables
independientes y dependientes. Y es muy similar a la variable moderadora, aunque no
son iguales solo son muy similares a la forma de relacionarlas.
  Variables moderadoras: Según Tuckman; representan un tipo especial de variable
independiente, que es secundaria, y se selecciona con la finalidad de determinar si
afecta la relación entre la variable independiente primaria y las variables dependientes.

2.3 GRÁFICOS ESTADÍSTICOS

El título y las etiquetas indican el contenido contextual y cuáles son las variables en él
representadas. Este elemento aparece también en las tablas.

En los gráficos hay que tener también en cuenta sus especificadores, es decir, los
elementos visuales usados para representar los datos, como los rectángulos (en el histograma) o
los puntos (en el diagrama de dispersión). Los autores nos alertan de que no todos los
especificadores son igualmente sencillos de comprender.

Elementos estadísticos:

 Número: para identificar si hay más de uno.

 Título: define el qué, dónde, cómo y cuándo de la información.
 Fuente: incluye el origen de la información utilizada, puede servir para informar al
usuario sobre el lugar donde puede obtener más datos al respecto.
 Leyenda: cuando en un gráfico se incluyen varias series de datos es necesario
identificar cada una de estas mediante símbolos o leyendas.
 Escala: identificar la unidad de medida correspondiente con los valores en ambos
ejes, por ejemplo, 1 cm = 1 000 nacimientos.
 Nota introductoria y nota al pie: se utilizan si son necesarias.
 Título de los ejes: se utiliza para identificar cada uno de los ejes.

Figura N°1: Elementos que compone a un gráfico estadístico

Fuente: Gutiérrez & Vladimirovna, 2016, p 46.

 A. Gráficas de barras.

Según Instituto Nacional de Estadística-España, un gráfico de barras es una

representación gráfica en un eje cartesiano de las frecuencias de una variable cualitativa o
discreta.

1. La orientación del gráfico puede ser:

 Vertical: las distintas categorías están situadas en el eje horizontal y las barras de
frecuencias crecen verticalmente.
 Horizontal: las categorías se sitúan en el eje vertical y las barras crecen
horizontalmente. Suelen usarse cuando hay muchas categorías o sus nombres son
demasiado largos.

2. Tipos de gráficos de barras

 Sencillo: Contiene una única serie de datos

 Agrupado: Contiene varias series de datos y cada una se representa por un tipo de
barra de un mismo color o textura.

Figura N°2:
Apilado. Contiene varias series de datos. La barra se divide en segmentos de
diferentes colores o texturas y cada uno de ellos representa una serie.

Fuente: https://www.ine.es/explica/docs/pasos_tipos_graficos.pdf
 B. Gráfico de sectores
Un gráfico de sectores es una representación circular de las frecuencias relativas de
una variable cualitativa o discreta que permite, de una manera sencilla y rápida, su
comparación.
 Figura N°3: Ejemplo aplicativo de un gráfico de sectores

Fuente: https://www.ine.es/explica/docs/pasos_tipos_graficos.pdf

C. Histogramas
Uno de los gráficos que más se emplea en la práctica es el que se elabora mediante
una representación de las frecuencias absolutas o relativas o la acumulada por medio de
barras. Se usa para representar las frecuencias de una variable cuantitativa continua. En uno
de los ejes se posicionan las clases de la variable continua (los intervalos o las marcas de
clase que son los puntos medios de cada intervalo) y en el otro eje las frecuencias. No existe
separación entre las barras.

Para facilitar la construcción de un histograma se recomienda usar solo intervalos

de clase de igual longitud, ya que las frecuencias de las clases se grafican de manera
proporcional a las alturas de los rectángulos; además, con el histograma es mucho más fácil
comparar las diferencias entre frecuencias cuando los rectángulos tienen la misma base
 Figura N°4: Ejemplo de un histograma

Fuente: Walpole et al, 2012, p. 23

Como se mencionó antes, los histogramas no solo ayudan a ubicar el centro y a

visualizar la variabilidad de los datos, sino también la forma en que se distribuyen. Por tanto, se
clasifican en:

a. Simétricos. Histogramas en los que su distribución es parecida a una campana. Es

decir, la mitad izquierda es una imagen reflejada de la mitad derecha.
b. Sesgados, izquierda y derecha. Histogramas en los que la distribución de alguna de
las colas está más alargada en comparación con la otra. Se llaman sesgados a la
derecha o positivamente sesgado si la cola derecha es la que está más alargada. En
caso de que la cola izquierda sea la más alargada, se llaman sesgados a la izquierda
o negativamente sesgados.
c. Multimodales. Histogramas que tienen en su distribución más de un pico. En caso
de tener dos picos se llaman bimodal; si tiene tres, trimodal, y así sucesivamente.

Figura N°5: Histogramas para las clases de frecuencia: a) simétrico, b) sesgado a la derecha,
c) sesgados a la izquierda y d) multimodal (bimodal).

Fuente: Walpole et al, 2012, p. 24

1. Gráfico de líneas.

Un gráfico de líneas es una representación gráfica en un eje cartesiano de la relación

que existe entre dos variables reflejando con claridad los cambios producidos.
 Figura N°6: Ejemplo de grafico lineal

Fuente: Obtenido de https://images.edrawsoft.com/articles/line-graph/line-chart-2.png

1. Polígono de frecuencias
Son diagramas de línea que se obtienen al unir los puntos medios del lado superior de
cada rectángulo del histograma correspondiente.

Figura N°7: Ejemplo de un

polígono de frecuencia

Fuente: https://www.plandemejora.com/wp-content/uploads/poligono-de-frecuencias.png

2.4 MUETRAS ESTADÍSTICAS

 Una muestra estadística es un subconjunto de datos que pertenece a la población.
Estadísticamente hablando, debe estar constituidos por cierto número de observaciones que
representen el total de datos.

Para una buena investigación, la calidad de la muestra es esencial; es decir, debe ser una
muestra representativa.

 Tamaño suficientemente grande.

 Aleatoriedad.

2.4.1 TIPOS DE MUETRAS ESTADÍSTICAS

A. Muestra probabilística

Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de

equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las
posibles muestras de tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo estos
métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra extraída y
son, por tanto, los más recomendables. Dentro de los métodos de muestreo probabilísticos
encontramos los siguientes tipos:

1.- Muestreo aleatorio simple: El procedimiento empleado es el siguiente:

1) se asigna un número a cada individuo de la población y 2) a través de algún medio

mecánico (bolas dentro de una bolsa, tablas de números aleatorios, números aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario
para completar el tamaño de muestra requerido.

Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica
cuando la población que estamos manejando es muy grande.

2.- Muestreo aleatorio sistemático: Este procedimiento exige, como el anterior,

numerar todos los elementos de la población, pero en lugar de extraer n números aleatorios sólo
se extrae uno.

Se parte de ese número aleatorio i, que es un número elegido al azar, y los elementos
que integran la muestra son los que ocupa los lugares i, i+k, i+2k, i+3k, …, i+(n-1)k, es decir se
toman los individuos de k en k, siendo k el resultado de dividir el tamaño de la población entre
el tamaño de la muestra: k= N/n. El número i que empleamos como punto de partida será un
número al azar entre 1 y k.
 El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en la
población ya que al elegir a los miembros de la muestra con una periodicidad constante (k)
podemos introducir una homogeneidad que no se da en la población. Imaginemos que estamos
seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son varones y
las 5 últimas mujeres, si empleamos un muestreo aleatorio sistemático con k=10 siempre
seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una representación de los dos
sexos.

3.- Muestreo aleatorio estratificado: Trata de obviar las dificultades que presentan los
anteriores ya que simplifican los procesos y suelen reducir el error muestral para un tamaño
dado de la muestra. Consiste en considerar categorías típicas diferentes entre sí (estratos) que
poseen gran homogeneidad respecto a alguna característica (se puede estratificar, por ejemplo,
según la profesión, el municipio de residencia, el sexo, el estado civil, etc.).

Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de
interés estarán representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el
estratificado para elegir los elementos concretos que formarán parte de la muestra. En ocasiones
las dificultades que plantean son demasiado grandes, pues exige un conocimiento detallado de
la población. (Tamaño geográfico, sexos, edades,).

4.- Muestreo aleatorio por conglomerados: En el muestreo por conglomerados la

unidad muestral es un grupo de elementos de la población que forman una unidad, a la que
llamamos conglomerado.

Las unidades hospitalarias, los departamentos universitarios, una caja de determinado

producto, etc., son conglomerados naturales. En otras ocasiones se pueden utilizar
conglomerados no naturales como, por ejemplo, las urnas electorales. Cuando los
conglomerados son áreas geográficas suele hablarse de "muestreo por áreas".

El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto número

de conglomerados (el necesario para alcanzar el tamaño muestral establecido) y en investigar
después todos los elementos pertenecientes a los conglomerados elegidos.

B. Muestra no probabilística

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente

costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no sirven para
realizar generalizaciones (estimaciones inferenciales sobre la población), pues no se tiene
certeza de que la muestra extraída sea representativa, ya que no todos los sujetos de la población
tienen la misma probabilidad de ser elegidos. En general se seleccionan a los sujetos siguiendo
determinados criterios procurando, en la medida de lo posible, que la muestra sea
representativa.

Entre los métodos de muestreo no probabilísticos más utilizados en investigación

encontramos:

a. Muestreo por cuotas: También denominado en ocasiones "accidental".

Se asienta generalmente sobre la base de un buen conocimiento de los estratos de la

población y/o de los individuos más "representativos" o "adecuados" para los fines de la
investigación. Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado, pero no
tiene el carácter de aleatoriedad de aquél.

En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de

individuos que reúnen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40
años, de sexo femenino y residentes en Gijón. Una vez determinada la cuota se eligen los
primeros que se encuentren que cumplan esas características. Este método se utiliza mucho en
las encuestas de opinión.

b. Muestreo intencional o de conveniencia: Este tipo de muestreo se caracteriza por

un esfuerzo deliberado de obtener muestras "representativas" mediante la inclusión en la
muestra de grupos supuestamente típicos.

Es muy frecuente su utilización en sondeos preelectorales de zonas que en anteriores

votaciones han marcado tendencias de voto. También puede ser que el investigador seleccione
directa e intencionadamente los individuos de la población. El caso más frecuente de este
procedimiento el utilizar como muestra los individuos a los que se tiene fácil acceso (los
profesores de universidad emplean con mucha frecuencia a sus propios alumnos).

c. Bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros, y estos
a otros, y así hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente
cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas, determinados
tipos de enfermos, etc.

d. Muestreo Discrecional: A criterio del investigador los elementos son elegidos sobre
lo que él cree que pueden aportar al estudio.

2.5 POBLACIÓN

La población de una investigación está compuesta por todos los elementos (personas,
objetos, organismos, historias clínicas) que participan del fenómeno que fue definido y
delimitado en el análisis del problema de investigación.
 La población tiene la característica de ser estudiada, medida y cuantificada. También se
conoce como universo.

La población debe delimitarse claramente en torno a sus características de contenido,

lugar y tiempo. Es necesario aclarar que cuando se habla de población de estudio, el término no
se refiere exclusivamente a seres humanos, sino que también puede corresponder a animales,
muestras biológicas, expedientes, hospitales, objetos, familias, organizaciones, etc; para estos
últimos, podría ser más adecuado utilizar un término análogo, como universo de estudio. Es
importante especificar la población de estudio porque al concluir la investigación a partir de una
muestra de dicha población, será posible generalizar o extrapolar los resultados obtenidos del
estudio hacia el resto de la población o universo. Por ejemplo, si se desea evaluar la evolución
de las concentraciones séricas de IgE en pacientes con alergia alimentaria menores de 2 años,
entonces la población de estudio estará constituida por los pacientes pediátricos con alergia
alimentaria, atendidos en cierto hospital o unidad médica.

Selección de la población a estudiar:

En general, para cualquier estudio de investigación se incluyen muestras o subgrupos de

poblaciones y, en pocas ocasiones, la población total o universo completo. Las razones para
estudiar muestras en lugar de las poblaciones son diversas y entre ellas: a) ahorrar tiempo,
estudiar un número menor de individuos necesariamente se realiza en menor tiempo; b) en
consecuencia se ahorran recursos; c) estudiar a la totalidad de los miembros con una
característica determinada, en muchas ocasiones puede ser una tarea inaccesible o imposible de
realizar; d) aumentar la calidad del estudio, al disponer de más recursos, las observaciones y
mediciones efectuadas a un número reducido de individuos pueden ser más exactas; e) la
selección de la muestra permitirá reducir la heterogeneidad de una población, y f) en un sentido
estricto y ético no es necesario estudiar al total de la población cuando con una proporción de
sujetos puede conseguir los objetivos del estudio.

2.6 MUESTRA

La muestra es el subconjunto representativo de la población, que se selecciona con el

objetivo de extraer información para su estudio.

2.7 MÉTODOS DE MUESTREO

Existen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque

en general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos y
métodos de muestreo no probabilísticos (Figueroa, s.f).
2.7.1 MUESTREO PROBABILÍSTICO
Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las
posibles muestras de tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo estos
métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra extraída y
son, por tanto, los más recomendables. Dentro de los métodos de muestreo probabilísticos
encontramos los siguientes tipos:

a) Muestreo aleatorio simple:

El procedimiento empleado es el siguiente:

1) se asigna un número a cada individuo de la población y

2) a través de algún medio mecánico (bolas dentro de una bolsa, tablas de

números aleatorios, números aleatorios generados con una calculadora u ordenador,
etc.) se eligen tantos sujetos como sea necesario para completar el tamaño de muestra
requerido.

Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica
cuando la población que estamos manejando es muy grande.

b) Muestreo aleatorio sistemático:

Este procedimiento exige, como el anterior, numerar todos los elementos de la

población, pero en lugar de extraer n números aleatorios sólo se extrae uno. Se parte de ese
número aleatorio i, que es un número elegido al azar, y los elementos que integran la muestra
son los que ocupa los lugares i, i+k, i+2k, i+3k, ..., i+(n-1) k, es decir se toman los individuos
de k en k, siendo k el resultado de dividir el tamaño de la población entre el tamaño de la
muestra: k= N/n. El número i que empleamos como punto de partida será un número al azar
entre 1 y k (Figueroa, s.f).

El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en la
población ya que al elegir a los miembros de la muestra con una periodicidad constante (k)
podemos introducir una homogeneidad que no se da en la población. Imaginemos que estamos
seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son varones y
las 5 últimas mujeres, si empleamos un muestreo aleatorio sistemático con k=10 siempre
seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una representación de los dos
sexos (Figueroa, s.f).
 c) Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los
procesos y suelen reducir el error muestral para un tamaño dado de la muestra. Consiste en
considerar categorías típicas diferentes entre sí (estratos) que poseen gran homogeneidad
respecto a alguna característica (se puede estratificar, por ejemplo, según la profesión, el
municipio de residencia, el sexo, el estado civil, etc.). Lo que se pretende con este tipo de
muestreo es asegurarse de que todos los estratos de interés estarán representados
adecuadamente en la muestra. Cada estrato funciona independientemente, pudiendo aplicarse
dentro de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos
concretos que formarán parte de la muestra. En ocasiones las dificultades que plantean son
demasiado grandes, pues exige un conocimiento detallado de la población. (Tamaño
geográfico, sexos, edades, etc).

La distribución de la muestra en función de los diferentes estratos se denomina

afijación, y puede ser de diferentes tipos:

Afijación Simple: A cada estrato le corresponde igual número de elementos

muéstrales.

Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño) de la

población en cada estrato.

Afijación Optima: Se tiene en cuenta la previsible dispersión de los resultados, de

modo que se considera la proporción y la desviación típica. Tiene poca aplicación ya que no se
suele conocer la desviación.

d) Muestreo aleatorio por conglomerados:

Los métodos presentados hasta ahora están pensados para seleccionar directamente los
elementos de la población, es decir, que las unidades muéstrales son los elementos de la
población.

En el muestreo por conglomerados la unidad muestral es un grupo de elementos de la

población que forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias,
los departamentos universitarios, una caja de determinado producto, etc., son conglomerados
naturales. En otras ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo,
las urnas electorales. Cuando los conglomerados son áreas geográficas suele hablarse de
"muestreo por áreas".
 El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto
número de conglomerados (el necesario para alcanzar el tamaño muestral establecido) y en
investigar después todos los elementos pertenecientes a los conglomerados elegidos.

2.7.2 MÉTODOS DE MUESTREO NO PROBABILÍSTICOS

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente
costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no sirven para
realizar generalizaciones (estimaciones inferenciales sobre la población), pues no se tiene
certeza de que la muestra extraída sea representativa, ya que no todos los sujetos de la
población tienen la misma probabilidad de se elegidos. En general se seleccionan a los sujetos
siguiendo determinados criterios procurando, en la medida de lo posible, que la muestra sea
representativa (Figueroa, s.f).

En algunas circunstancias los métodos estadísticos y epidemiológicos permiten

resolver los problemas de representatividad aun en situaciones de muestreo no probabilístico,
por ejemplo los estudios de caso-control, donde los casos no son seleccionados aleatoriamente
de la población.

Entre los métodos de muestreo no probabilísticos más utilizados en investigación

encontramos:

a) Muestreo por cuotas:

También denominado en ocasiones "accidental". Se asienta generalmente sobre la base

de un buen conocimiento de los estratos de la población y/o de los individuos más
"representativos" o "adecuados" para los fines de la investigación. Mantiene, por tanto,
semejanzas con el muestreo aleatorio estratificado, pero no tiene el carácter de aleatoriedad de
aquél.

En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de

individuos que reúnen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40
años, de sexo femenino y residentes en Gijón. Una vez determinada la cuota se eligen los
primeros que se encuentren que cumplan esas características. Este método se utiliza mucho en
las encuestas de opinión (Figueroa, s.f).

b) Muestreo intencional o de conveniencia:

(Figueroa, s.f) Este tipo de muestreo se caracteriza por un esfuerzo deliberado de

obtener muestras "representativas" mediante la inclusión en la muestra de grupos
supuestamente típicos. Es muy frecuente su utilización en sondeos preelectorales de zonas que
en anteriores votaciones han marcado tendencias de voto.

También puede ser que el investigador seleccione directa e intencionadamente los

individuos de la población. El caso más frecuente de este procedimiento el utilizar como
muestra los individuos a los que se tiene fácil acceso (los profesores de universidad emplean
con mucha frecuencia a sus propios alumnos).

c) Bola de nieve:

Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y así hasta
conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente cuando se hacen
estudios con poblaciones "marginales", delincuentes, sectas, determinados tipos de enfermos,
etc.

d) Muestreo Discrecional · A criterio del investigador los elementos son elegidos

sobre lo que él cree que pueden aportar al estudio.

A. Muestreo aleatorio simple.

Es aquélla en donde el sujeto o unidad de observación tiene la misma probabilidad de

ser elegido. El procedimiento básico incluye la preparación de un marco muestral que no es más
que una lista de sujetos o unidades de observación acomodadas sin un orden específico. Salinas
(2004)

Porras (2019) menciona que “Cada elemento de la población tiene una oportunidad
igual e independiente de ser seleccionado, para lo cual se le asigna un número. La muestra se
determina con tablas de números aleatorios.”

Figura N°8:
Representación gráfica del muestreo aleatorio simple
 Fuente: Gonzales (2020)

B. Muestreo sistemático

En este caso se elige el primer individuo al azar y el resto viene condicionado por aquél.
Este método es muy simple de aplicar en la práctica y tiene la ventaja de que no hace falta
disponer de un marco de encuesta elaborado. Puede aplicarse en la mayoría de las situaciones, la
única precaución que debe tenerse en cuenta es comprobar que la característica que estudiamos
no tenga una periodicidad que coincida con la del muestreo (por ejemplo, elegir un día de la
semana para tomar muestras en un matadero, ya que muchos ganaderos suelen sacrificar un día
determinado).

Para Salinas (2004) es aquélla donde cada un «k» (segundo, tercero, quinto, etc.)
sujetos o unidades de observación, es elegido. La «k» se puede determinar con la ayuda de un
número seleccionado al azar de una lista de números aleatorios, el cual constituye el inicio y el
intervalo de selección. Esta técnica muestral también requiere de un marco muestral; aunque es
un poco más sencilla que la anterior, presenta sus mismas dificultades.

Figura N°9: Representación gráfica del muestreo sistemático

Fuente: Gonzales (2020)

C. Muestreo estratificado
 Se divide la población en grupos en función de un carácter determinado y después se
muestrea cada grupo aleatoriamente, para obtener la parte proporcional de la muestra. Este
método se aplica para evitar que por azar algún grupo de animales este menos representado que
los otros. El muestreo estratificado tiene interés cuando la característica en cuestión puede estar
relacionada con la variable que queremos estudiar. Cuando se realiza un muestreo cuya unidad
sean las granjas, la estratificación se aplica frecuentemente en relación al tamaño de granja o a
la aptitud de los animales, ya que muchas enfermedades presentan prevalencias diferentes en
función del tamaño de la granja o a si se trata por ejemplo de razas de aptitud lechera o cárnica.
Si la unidad son los animales, se suele estratificar en función de la edad ya que ésta suele influir
en muchas enfermedades. Gonzales (2020)

Figura N°10: Representación gráfica del muestreo estratificado

Fuente: Gonzales (2020)

2.8 MEDIDAS DE POSICIÓN (MEDIANA, MODA, MEDIA, PERCENTILES)

a. Media geométrica

(Alaya, 2020) La media geométrica se determina mediante las siguiente formulas:

a) Datos simples (Fórmula general):

G= √n y i ∗ yi ∗…∗y i
1 2 N

b) Por logaritmos:
 ΣLog y i
G= Antⅈlog
N

c) Datos agrupados:
G= N√ y ¿i ∗y ¿i ∗⋯∗y ¿i
1 2 N

d) Por logaritmos:
ΣniLog y i
G= Antⅈlog
N
Donde:
y i = Representa los valores de la variable o valores a promediar.
y i … y n = Representa los valores de la marca de clase.
n1 … nn = Son los valores de la frecuencia.
Σ = Es la letra griega sigma, y se lee suma o sumatoria.
N = Es el número total de casos o número de valores a promediarse.
b. Desviación estándar

La desviación típica (también conocida como desviación estándar y desvío típico y

representada de manera abreviada por la letra griega minúscula sigma σ o la letra latina s, así
como por las siglas SD (de standard deviation, en algunos textos traducidos del inglés)) es una
medida que se utiliza para cuantificar la variación o la dispersión de un conjunto de datos
numéricos (Coursehero, s.f)

Se tiene tanto para la muestra como para la población:

Desviación estándar de la población:

√
N

∑ ( xi −μ )2
i=1
σ=
N

Desviación estándar de la muestra:

√
N

∑ ( x i−x )2
i=1
s=
n−1
 c. Coeficiente de correlación

La utilidad de la covarianza como medida de correlación está limitada por el hecho de

que depende de las unidades de medida en que se trabaje. Para construir una medida
adimensional de la correlación habrá que dividir la varianza por un término con sus mismas
dimensiones. De esta forma, se define el coeficiente de correlación lineal r como el cociente
entre la covarianza y las desviaciones típicas (o raíces cuadradas de las varianzas) de x e y
(Gorgas, 2011).

∑ [ ( x i−x ) ( y i− y ) ]
i=1
r= N

∑ [ ( x i−x )2∗( y i− y )2 ]
i=1

d. Análisis factorial

El análisis factorial forma parte del conjunto de métodos de análisis multivariable cuyo
objetivo consiste en estudiar las relaciones de interdependencia que se producen entre un
conjunto de variables o individuos.

Se utiliza cuando queremos resumir la información que contiene una matriz de datos
individuos/variables, tal como se muestra en el ejemplo, reemplazando las variables iniciales
por un número menor de variables compuestas o factores, y perdiendo el mínimo posible de la
totalidad de la información que contienen las variables iniciales (Landaluce, 2000)

El proceso metodológico del análisis factorial consta de seis etapas:

 Figura N°11: Esquema metodológico del análisis factorial

Etapa 1: Diseño del análisis factorial

a). Las variables que se utilizan en el análisis deben ser comparables; corremos
el riesgo de que los factores obtenidos no tengan ningún sentido en caso de que
se introduzcan al mismo tiempo en los análisis variables socioeconómicas,
variables de actitudes, variables de comportamiento, etc.
b). Si las escalas sobre las cuales se han medido las variables son muy
diferentes, hay que normalizarlas, ya que, como veremos, la varianza de cada
variable interviene en el análisis y las variables que presenten una mayor
varianza tendrían unas ventajas determinadas. Normalizar las variables
equivale a centrarlas y a reducirlas. Si X p es la variable inicial, la variable X ´ p
normalizada será:
X p−X
X ´ p=
Sp

Donde X es la media de la variable, y S p , su desviación típica.

a) Por último, las variables introducidas deben medirse en escalas

cuantitativas, es decir, métricas o de intervalo, las cuales no son precisamente las más
abundantes en investigación de mercados.
Etapa 2: Obtención de la matriz de correlaciones

A partir de la matriz de datos inicial, obtenemos la matriz de correlaciones entre

variables

Etapa 3: Extracción de los factores

El paso siguiente consiste en obtener, a partir de la matriz de correlaciones, los

factores que identifiquen la estructura subyacente de las relaciones entre las variables
iniciales. Con esta finalidad, el método más utilizado en investigación comercial es el
análisis factorial de componentes principales (Landaluce, 2000).

Si tenemos:

P variables iniciales p = 1, ..., P,

I individuos i = 1, ..., I,

podemos extraer K factores; siendo K = min (P, I) – 1.

 Los factores extraídos tienen que cumplir las tres condiciones siguientes:

1) Linealidad: cada factor es una combinación lineal de las variables

iniciales.

2) Independencia: los factores no están correlacionados entre sí.

3) Varianza restituida por cada factor: el primer factor restituye la

proporción más alta de varianza contenida en la matriz de correlaciones; el segundo
factor, la segunda; el tercero, la tercera; el cuarto, la cuarta, y así sucesivamente.

Etapa 4: Selección del número de factores que hay que conservar

Hay una gran cantidad de reglas y criterios para determinar cuál es el número
de ejes factoriales que hay que conservar. La mayor parte de los programas de
ordenador más conocidos suele aplicar el denominado criterio de Kaiser, según el cual
sólo se conservan los factores cuyos valores propios, λk , son más altos que la unidad.

Etapa 5: Rotación de los factores conservados

Como hemos expuesto más arriba, los ejes factoriales pueden considerarse las
“dimensiones latentes” del problema, y describirlas (interpretarlas) nos conduce a
comprender las dimensiones fundamentales del fenómeno que es objeto de estudio.

Para interpretar de forma correctamente estas dimensiones, necesitamos saber

cuáles son las variables que contribuyen más a la formación de cada factor. Con esta
finalidad, utilizaremos como indicador los coeficientes de correlación entre las variables
iniciales y los factores que en la fase anterior hayamos decidido conservar para
proseguir el análisis. Las variables con los coeficientes de correlación más altos con un
factor son las que contribuyen más a la formación de este factor.

La matriz que contiene los coeficientes de correlación entre las variables

iniciales y los factores se suele denominar matriz factorial inicial o matriz factorial no
 rotada. Aunque esta matriz indica las relaciones entre los factores y las variables
iniciales, raramente estas últimas pueden interpretarse con facilidad, ya que suele
suceder que algunas variables iniciales están altamente correlacionadas con varios
factores (Landaluce, 2000).

Etapa 6: Interpretación de la matriz rotada

El objetivo de la interpretación de la matriz factorial rotada consiste en

identificar cada una de las dimensiones latentes extraídas. Se efectúa eligiendo para
cada factor las variables iniciales que tengan unas correlaciones con el factor que sean
las más elevadas (próximas a +1 ó a –1).

2.9. MEDIDAS DE POSICIÓN

Las medidas de posición son parámetros estadísticos que permiten definir un conjunto
de datos. Es decir, las medidas de posición ayudan a saber cómo es un conjunto de datos.

En estadística, existen dos tipos de medidas de posición: las medidas de posición

central, que permiten determinar los valores centrales de un conjunto de datos, y las medidas de
posición no central, que sirven para dividir los datos en intervalos iguales.

A continuación, se explica cada tipo de medida de posición más detalladamente.

2.9.1 MEDIDAS DE POSICIÓN CENTRAL

Las medidas de posición central indican el valor central de una distribución, es decir,
sirven para encontrar un valor representativo del centro de un conjunto de datos.
Principalmente, existen tres métricas de posición central: la media, la mediana y la moda.

 Media
 Para calcular la media se deben sumar todos los valores y luego dividirlos entre
el número total de observaciones. Por lo tanto, la fórmula de la media es la siguiente:

La media también se conoce como media aritmética o promedio. Además, la

media de una distribución estadística es equivalente a su esperanza matemática.

 Mediana

La mediana es el valor del medio de todos los datos ordenados de menor a

mayor. Es decir, la mediana divide todo el conjunto de datos ordenados en dos partes
iguales.

El cálculo de la mediana depende de si el número total de datos es par o impar:

Si el número total de datos es impar, la mediana será el valor que está justo en
el medio de los datos. Es decir, el valor que está en la posición (n+1)/2 de los datos
ordenados.

Si el número total de datos es par, la mediana será la media de los dos datos que
están en el centro. Esto es, la media aritmética de los valores que están en las posiciones
n/2 y n/2+1 de los datos ordenados.

Donde n es el número total de datos de la muestra y Me es la mediana.

 Moda

En estadística, la moda es el valor del conjunto de datos que tiene una mayor
frecuencia absoluta, es decir, la moda es el valor que más se repite de un conjunto de
datos.
 Por lo tanto, para calcular la moda de un conjunto de datos estadísticos basta
con contar el número de veces que aparece cada dato en la muestra, y el dato más
repetido será la moda.

La moda también se puede decir moda estadística o valor modal.

Se pueden distinguir tres tipos de modas según el número de valores que están
más repetidos:

Moda unimodal: solo hay un valor con el máximo número de repeticiones. Por
ejemplo, [1, 4, 2, 4, 5, 3].

Moda bimodal: el máximo número de repeticiones se produce en dos valores

diferentes y ambos valores se repiten el mismo número de veces. Por ejemplo, [2, 6, 7,
2, 3, 6, 9].

Moda multimodal: tres o más valores tienen el mismo número máximo de

repeticiones. Por ejemplo, [3, 3, 4, 1, 3, 4, 2, 1, 4, 5, 2, 1].

2.9.2 MEDIDAS DE POSICIÓN NO CENTRAL

Las medidas de posición no central sirven para dividir el conjunto de datos estadísticos
en intervalos iguales. Principalmente, se distinguen cuatro tipos de medidas de posición no
central: los cuartiles, los quintiles, los deciles y los percentiles.

 Cuartiles

En estadística, los cuartiles son los tres valores que dividen a un conjunto de datos
ordenados en cuatro partes iguales. Por lo tanto, el primer, segundo y tercer cuartil
representan respectivamente el 25%, 50% y 75% del conjunto de datos estadísticos.

Los cuartiles se representan mediante una Q mayúscula y el subíndice del cuartil, así
pues, el primer cuartil es Q1, el segundo cuartil es Q2, y el tercer cuartil es Q3.

 Quintiles

Los quintiles son cuatro valores que dividen a un conjunto de datos ordenados en
cinco partes iguales. De manera que el primer, segundo, tercer y cuarto quintil representan
respectivamente al 20%, 40%, 60% y 80% de los datos de la muestra.

Por ejemplo, el tercer quintil es más grande que el 60% de todos los datos
recopilados, pero es más pequeño que el resto de los datos.
 El símbolo de los quintiles es la letra K mayúscula junto con el subíndice del quintil,
esto es, el primer quintil es K1, el segundo quintil es K2, el tercer quintil es K3, y el cuarto
quintil es K4. Aunque también se puede representar mediante la letra Q (no recomendable
ya que genera confusión con los cuartiles).

 Deciles

Los deciles son nueve valores que dividen a un conjunto de datos ordenados en diez
partes iguales. De modo que el primer, segundo, tercer, … decil representa el 10%, 20%,
30%, … de la muestra o población.

Por ejemplo, el valor del cuarto decil es más grande que el 40% los datos, pero más
pequeño que el resto de los datos.

En general, los deciles se representan mediante la letra D mayúscula y el subíndice

del decil, es decir, el primer decil es D1, el segundo decil es D2, el tercer decil es D3, etc.

 Percentiles

Los percentiles son los valores que dividen a un conjunto de datos ordenados en
cien partes iguales. De manera que un percentil indica el valor por debajo del cual se
encuentra un porcentaje del conjunto de datos.

A modo de ejemplo, el valor del percentil 35 es más grande que el 35% de los datos
observados, pero es más pequeño que el resto de datos.

Los percentiles se representan mediante la letra P mayúscula y el subíndice del

percentil, es decir, el primer percentil es P1, el percentil 40 es P40, el percentil 79 es P79,
etc.

2.11 MEDIDAS DE VARIABILIDAD (VARIANZA, DESV. ESTANDAR, COEF DE

VARIACIÓN)

Tabla 1. Resumen de las medidas de dispersión, su significado y expresión

Medida de dispersión Significado Expresión

Rango Amplitud en la que varían los datos R = Max - Min

Cuartil El cuartil k-esimo será el valor de la

variable que deja menores o iguales que él
kN/4 valores de la variable
Rango intercuartílico Diferencia entre el tercer y el primer RI = Q3 – Q1.
cuartil
Coeficiente de variación Relación entre el tamaño de la media σ
c v=
y la variabilidad de la variable x
Varianza La varianza mide la dispersión de ∑ ( χ i−x )
2
2
σ =
los valores en torno a la media N

√
Desviación típica La varianza engloba el uso de las 2
∑ ( x 1−x )
unidades cuadradas, por tanto, no queda σ=
N
expresada en la misma unidad que la media,
por ello podemos utilizar su raíz
Desviación absoluta Es la media de los valores absolutos 1
n
Dm = ∑ |x i−x|
de la dispersión con respecto a la media N i=1
CAPÍTULO III
3.1 ANÁLISIS ESTADÍSTICO DE METALES PESADOS
1 2 3 4 5 6 7 8 9 PROME
DIO
53116 43425 43492 28534 45478 34395 40897 44047 37335 41191
22517 18309 38032 45135 45205 38435 45289 31349 12803 33008.22
38810 99618 51781 49096 48586 34714 36492 38699 83179 53441.67
26606 80768 50346 43265 54649 43568 38538 54510 45707 48661.89
29425 24719 54802 52597 42329 27587 44542 36153 38002 38906.22
31524 40982 39977 40646 41228 40785 43765 29803 38830 38615.56
79141 53141 50730 53614 51964 44294 48014 51387 48675 53440
69968 68072 70439 50742 69382 48932 51412 62636 54192 60641.67
43888.38 53629.25 49949.88 45453.63 49852.63 39088.75 43618.63 43573 44840.38  

TABLA 1: HIERRO EN SEDIMENTOS (ppm)

TABLA N°2: CADMIO EN SEDIMENTOS (ppm)

MUESTRE
O 1 2 3 4 5 6 7 8 9 PROMEDIO
Oct-02 0.182 0.001 0.001 0.1712 0.001 0.001 0.001 0.001 0.001 0.04
Nov-02 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Dic-02 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
0.817 0.9424 0.7912 0.831 0.836 1.0993 1.1184 1.1364 1.638 0.97
Feb-03 8 6
Mar-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
May-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Jul-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
0.492 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.05
Sep-03 8
Promedio 0.19 0.12 0.1 0.13 0.1 0.14 0.14 0.14 0.15  
CUADRO N°3: PLOMO EN SEDIMENTOS (ppm)

Muestreo 1 2 3 4 5 6 7 8 9 Promed
io
Oct-02 195.01 171.88 785.96 239.71 179.62 320.34 166.4 1 12.56 289.79 273.47
Nov-02 197.26 76.41 181.07 12.55 4.96 30.04 6.67 34.94 29.31 63.69
Dic-02 8 l.55 23.64 29.98 3.92 23.5 l 67.53 5.54 8.4 7.37 27.94
Feb-03 33.27 40.36 8.69 3.01 1.41 34.05 5.04 0.54 0.47 14.09
Mar-03 2.31 5.13 9.49 0.23 0.02 25.77 2.37 0.13 <0.001 5.68
May-03 8.84 33.94 3.95 l.22 34.98 37.27 <0.001 <0.001 <0.001 l 3.351
Jul-03 6.01 4.25 6.16 <0.001 <0.001 <0.00 1 25.46 5.67 <0.001 5.94
Sep-03 13.08 39.05 1.18 3.68 4.34 26.46 5.4 9.26 0.64 1 1 .45
Promedio 67.17 49.33 128.31 33.04 31 .07 67.68 27.1 1 21.44 40.93  
CUADRO N°5: ARSENICO EN SEDIMENTOS (ppm)

Muestreo 1 2 3 4 5 6 7 8 9 Promedio
Oct-02 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Nov-02 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Dic-02 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Feb-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
8.508 5.641 2.776 1.431 4.99
Mar-03 7 7.66354 3.6011 3 4.0586 8 9.5174 6 1.7
May-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Jul-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Sep-03 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001
Promedio 1.064 0.959 0.451 0.706 0.508 0.348 1.191 0.180 0.213  
CUADRO N°5: CROMO EN SEDIMENTOS (ppm)

Promedi
Muestreo 1 2 3 4 5 6 7 8 9 o
173.9 155.7 104.4 175.5 105.5 183.2 185.0 152.0 174.76
Oct-02 337.26 4 4 6 3 1 6 9 5
119.0 124.9 157.7 159.0 95.47 182.0 113.0 121.36
Nov-02 93.534 9 2 9 1 9 2 6 47.35
464.4 146.3 198.9 157.8 99.72 117.1 135.4 146.2 181.25
Dic-02 165.19 2 1 3 7 4 2 6 6
119.7 155.0 139.8 66.97 172.3 134.7 147.58
Feb-03 269.38 137.3 7 4 8 8 4 2 132.8
76.59 170.8 149.2 75.04 183.7 147.9 127.7 131.75
Mar-03 99.244 4 4 155.3 1 4 7 7 6
154.6 189.9 99.73 143.9 112.8 143.1 143.01
May-03 145.32 1 140.7 5 156.8 5 3 9 9
181.5 171.5 174.0 172.3 251.6 174.6 152.6 184.46
Jul-03 228.65 153 4 6 7 4 5 2 9
194.1 183.5 151.9 129.7 170.6 212.8 165.6 175.15
Sep-03 182.17 1 3 1 185.8 8 1 3 5
Promedio 190.09 184.1 152.9 160.6 162.2 105.5 175.5 152.0 133.4  
3 2 2 7 7 9 8 7
TABLA PROMEDIO DE METALES PESADOS EN SEDIMENTOS / Nº DE MUESTRA (ppm)

1 2 3 4 5 6 7 8 9
NºMUESTRA
METAL
HIERRO 43888.3 53629.2 49949.8 45453.6 49852.6 39088.7 43618.6 43573 44840.3
8 5 8 3 3 5 3 8
CADMIO 0.19 0.12 0.1 0.13 0.1 0.14 0.14 0.14 0.15

PLOMO 67.17 49.33 128.31 33.04 31 .07 67.68 27.1 1 21.44 40.93

ARSENIC 1.064 0.959 0.451 0.706 0.508 0.348 1.191 0.180 0.213
O
CROMO 190.09 184.13 152.92 160.62 162.27 105.57 175.59 152.0 133.47
8
CÁLCULO MEDIANTE MINITAB

Promedio de metales pesados

Nº de muestras
3.2 GRÁFICA DE LA SERIE DE TIEMPO DE LOS 5 METALES ESTUDIADOS EN
MINITAB

Gráfica de series de tiempo de HIERRO en Sedimentos

Gráfica de series de tiempo de CADMIO en Sedimentos

Gráfica de series de tiempo de PLOMO en Sedimentos

Gráfica de series de tiempo de ARSENICO en Sedimentos

Gráfica de series de tiempo de CROMO en Sedimentos

3.3 ESTADÍSTICA UNIVARIABLE CALCULO ESTADISTICO USANDO MINITAB

3.3.1 MEDIA ARITMÉTICA

3.3.2 MEDIA GEOMÉTRICA

3.3.3 DESVIACIÓN ESTANDAR
3.3.4 VARIANZA
HIERRO

Figura Nº: Calculo de la varianza de Hierro en sedimentos con el uso del programa Minitab

Fuente: Propia

CADMIO

Figura Nº: Calculo de la varianza de Cadmio en sedimentos con el uso del programa Minitab
 Fuente: Propia

PLOMO

Figura Nº: Calculo de la varianza de Plomo en sedimentos con el uso del programa Minitab

Fuente: Propia

ARSÉNICO

Figura Nº: Calculo de la varianza de Arsénico en sedimentos con el uso del programa Minitab

Fuente: Propia
CROMO

Figura Nº: Calculo de la varianza de Cromo en sedimentos con el uso del programa Minitab

Fuente: Propia

3.3.5 MEDIANA
HIERRO

Figura Nº: Calculo de la mediana de Hierro en sedimentos con el uso del programa Minitab

Fuente: Propia

CADMIO
Figura Nº: Calculo de la mediana de Cadmio en sedimentos con el uso del programa Minitab

Fuente: Propia

PLOMO

Figura Nº: Calculo de la mediana de Plomo en sedimentos con el uso del programa Minitab

Fuente: Propia

ARSÉNICO
Figura Nº: Calculo de la mediana de Arsénico en sedimentos con el uso del programa Minitab

Fuente: Propia

CROMO

Figura Nº: Calculo de la mediana de Cromo en sedimentos con el uso del programa Minitab

Fuente: Propia
3.3.6 MODA

3.3.7 PERCENTILES
1. Percentiles del Hierro
 Percentil 25

El percentil 25 del hierro es 43595.8

 Percentil 50
 El percentil 50 del hierro es 44840.4

 Percentil 75

El percentil 75 del hierro es 49901.3

2. Percentiles del Cadmio

 Percentil 25
 El percentil 25 del cadmio es 0.11

 Percentil 50

El percentil 50 del Cadmio es 0.14

  Percentil 75

El percentil 75 del Cadmio es 0.145

3. Percentiles del Plomo

 Percentil 25

El percentil 25 del plomo es 29.9

 Percentil 50

El percentil 50 del plomo es 40.93

 Percentil 75
 El percentil 75 del plomo es 67.425

4. Percentiles del Arsénico

 Percentil 25

El percentil 25 del cromo es 0.280675

 Percentil 50
 El percentil 50 del cromo es 0.508

 Percentil 75

El percentil 50 del cromo es 1.0116

5. Percentiles del Cromo

 Percentil 25
 El percentil 25 del cromo es 142.77

 Percentil 50

El percentil 50 del cromo es 160.61

 Percentil 75

El percentil 50 del cromo es 179.86

3.4 ESTADÍSTICA MULTIVARIABLE
3.4.1 COEFICIENTE DE CORRELACIÓN
3.4.2 COEFICIENTE DE RANGO CORRELACIONAL
3.4.3 NIVEL DE SIMILITUD
3.4.4 ANÁLISIS FACTORIAL
3.4.5 ANÁLISIS DE COMPONETES PRINCIPALES
3.4.6 ANÁLISIS DE PROYECCIÓN DISCRIMINANTE
3.4.7 GRÁFICOS ESTADÍSTICOS: HISTOGRAMAS
HIERRO

Figura Nº: Histograma de Hierro en sedimentos con el uso del programa Minitab

Fuente: Propia

CADMIO
 Figura Nº: Histograma de Cadmio en sedimentos con el uso del programa Minitab

Fuente: Propia

PLOMO

Figura Nº: Histograma de Plomo en sedimentos con el uso del programa Minitab

Fuente: Propia
ARSÉNICO

Figura Nº: Histograma de Arsénico en sedimentos con el uso del programa Minitab

Fuente: Propia

CROMO
 Figura Nº: Histograma de Cromo en sedimentos con el uso del programa Minitab

Fuente: Propia

CONCLUSIONES
BIBLIOGRAFÍA