CURSO TALLER GeoestadisticaPractica DIA-I

CURSO-TALLER: DE GEOESTADISTICA (Universidad Catlica de Trujillo)
Ing. Miguel Zulueta T( mzuluetatorres@gmail.com)
FractalsGEO PRESENTA
CURSO TALLER DE GEOESTADISTICA

Desarrollado a los alumnos del VIII ciclo de Minas
Este curso ofrece el tema de la Geoestadstica en forma bastante prctica con un

poco de teora del tema, destacando las experiencias adquiridas en 27 aos de
trabajar en el ambiente Minero como Gelogo, en estas aplicaciones.
Se dirige a los alumnos de Minas y/o especialidades afines tales como

Metalurgistas, Ge'ologos, Medio Ambiente y colegas interesados que, se proyecten
a laborar en distintos ambientes Mineros, etapas tales como Exploracin,
Preparacin o Explotacin y que requiera revisar y/o aprender las tcnicas de la
Geoestadstica en forma prctica para aplicarlo con algn software que tenga la
Empresa y tiene el reto de usarlo.
La compra de un software implica adems una etapa de entrenamiento en el uso

del software. Estos Cursos de entrenamiento no ensean la Teora de Variable
Regionalizada (Geoestadstica), sino que ensean como trabaja el software
adquirido, en esas aplicaciones. Un Curso de Geoestadstica dar mas herramientas
tericas a los usuarios, y pasarn de seguir un recetario de procedimientos a
ser buenos crticos del software, sacndole mas provecho.
De all la idea de estos Curso, llenando ese vaco que tienen muchas veces el
usuario frente a un software al que debe sacar retorno de inversin, para el bien de
la Empresa y de l mismo.
El Curso tiene ejemplos y programas sencillos que puede llenar el vaco de no tener
software comprado por la Empresa, cuando es una Empresa Emergente con
recursos limitados de inversin. Esta es la situacin ms interesante para muchos
colegas que estn tratando de sacarle provecho a su tiempo con mentalidad de
darle el mejor uso a las herramientas que se tenga.
A este ltimo pblico mis felicitaciones por su esfuerzo que se ver compensado
con creces. S lo que hay que invertir en tiempo de estudio y trabajo cuando se
tiene que trabajar con pocos recursos.
El temario cubre lo ms importante, de la Teora de Geoestadstica, que se brinda

en Facultades relacionadas de Minas y/o Geologa, la cual muchas veces, se hace
en dos semestres. Podra parecer que 7 das de 8 horas acadmicas es mucha
inversin, pero es corto tiempo para un tema de mucha importancia actual.
Ing. Miguel Zulueta Torres

EXPOSITOR
Octubre_Noviembre del 2016. 1

.
INTRODUCCION
Este Curso significa un atrevido ensayo de mostrar en pocas horas de exposicin, un tema
tan interesante y delicado en el manejo de los datos de un grupo de muestreo llevndolo a
Informacin, sobre lo cual se tomen decisiones econmicas de importancia. Ser mas
prctico que terico, dejando a futuro los desarrollos, a la inquietud del participante a lo
que pueda leer y consultar.
Se pretende cubrir con un gran porcentaje de puntos de un temario que es materia de

estudio en 2 semestres regulares del Curso de Geoestadstica, brindados en Universidades
con especialidades de Minera y/o Geologa.
La parte de Estadstica ser muy breve porque es tema ms comn de encontrar y solo se
darn definiciones de los conceptos ms usados en la prctica cotidiana de trabajo en
cualquier centro Minero, independiente de la etapa de estudio que est un Proyecto. El
ejemplo prctico preparado para la clase es breve y sirve para recordar conceptos.
Bibliografa
TULCANASA, N.E. (1974) Geoestadistica, apuntes provisorios Universidad Naciones de
Ingenieria, Departamento Academico de Mineria pp. 120
Hoel P.G. & Jessen R.J (1977), Estadstica Bsica para negocios y Economa CECSA,pp
452.
ROYLE,A.G. & CLARK I. & (1980) Geostatistics, McGraw-Hill Inc. New York pp.167
ISAAKS H.E & SRIVASTAVA R.M (1989) AN INtroduction to Aplied Geostatistics, Oxford
University Press, pp. 361
Zulueta T.M. (1992), Estimacin de Recursos por el Mtodo Geoestadstico Aplicado a

Vetas aurferas del Batolito de Pataz, TESIS Universidad Nacional de Ingeniera, pp 84.
Dr. Jean-Michel Rendu (Newmont Gold Company, 1994), INTRODUCCION A LA

GEOESTADISTICA, pp 28
Canchaya M. S (1996) Curso introductorio de Geoestadistica Aplicada, brindado a Cia

Minera Yanacocha, pp. 32
DEUTSCH C.V. & JOURNEL A. G. (1997) Geostatistical Software Librery and Uresrs Guide,
Oxford University Press, pp. 369
Avila acosta, R.B. (2001), Estadstica Elemental Estudios y Ediciones, pp374

Datamine Studio (Marzo-2006), Curso de entrenamiento en Geoestadstica, pp 80.
Winfred-Assibey-Bonsu, (2006) Goldfields_C.Corona Curso de Geoestadstica, pp. 113.
Marco Antonio Alfaro Sironvalle (2007) "MA Probabilidades, pp 63
Daniel Guibal (Dic. 2008) "Diplomado de Geoestadstica Aplicada" Mdulo 2 - PUNI
Heller Bernab (2010) "Evaluacin de Recursos Minerales"- Uso de Minesight
Datamine Studio-3 (Julio-2015), Curso entrenamiento en Geoestadstica, pp 75

Primer da [8 horas Acadmicas]
REPASO DE ESTADISTICAS BASICAS DE UNA VARIABLE.
El presente captulo es una introduccin general a los conceptos y clculos

estadsticos bsicos de mayor uso.
HISTOGRAMAS DE DATOS
Diagramas de Frecuencias Absolutas y Relativas

Distribucin de Frecuencias para datos continuos
Histograma de Frecuencias Absolutas y Relativas
ESTADIGRAFOS DE POSICION
Moda.
Media
Mediana
ESTADIGRAFOS DE DISPERSION
Rango
Desviacin Absoluta respecto a la Media
Varianza
Desviacin tpica o Estndar
Coeficiente de Variabilidad,
ESTADISTICAS MAS COMUNES EN YACIMIENTOS CON VARIOS

DOMINIOS
Analisis de contacto - Idea de uso

Box Plots - Idea de uso
Histogramas y Curvas probabilsticas para definir Clipping
Ideas de uso de rangos de ley en un modelo de bloques (se retoma en el Sexto
Dia)

ESTADISTICA: BREVES ASPECTOS
Debemos de tener presente siempre que se toma decisiones en varios sitios a partir
de un grupo de fragmentos de material llamado muestras, del tamao casi
insignificante en comparacin a la dimensin de todo el Yacimiento que se estudia.
Sin embargo en base a esta informacin de fragmentos hay que construirse un
modelo que permita, sin mayor inversin, dar a conocer otra informacin de inters.
DEFINICION .- La Estadstica es rama de las Matemticas que se ocupa de reunir,

organizar y analizar datos numricos y que con un conjunto de Mtodos de estudio ayuda
a resolver problemas como el diseo de experimentos y la toma de decisiones al predecir
hiptesis.
En nuestros das, la estadstica se ha convertido en un mtodo efectivo para describir con

exactitud los valores de datos econmicos, polticos, sociales, psicolgicos, biolgicos y
fsicos, y sirve como herramienta para relacionar y analizar dichos datos.
Cabe mencionar, sacando de la bibliografa que an hay discusin sobre si es la

Estadstica una ciencia o una tcnica. En la prctica se describe como la tecnologa del
mtodo cientfico (A.M. Mood). Entendiendo que la tecnologa se ocupa de la
aplicacin sistemtica de conocimientos cientficos para resolver problemas
prcticos.
Se puede mencionar cuatro subdivisiones de la Estadstica, de ellas hablaremos de la
primera:
A) Estadstica Descriptiva, la ms conocida y talvez la ms usada en nuestro medio.
B) Estudio del Comportamiento terico de las poblaciones al azar corresponde al clculo

de Probabilidades.
C) Paso del conocimiento de la muestra a la poblacin es la Induccin estadstica y
D) Paso del conocimiento de la muestra a la toma de decisiones o Teora de los test o

docimasia de decisiones.
ELEMENTOS DE LA ESTADISTICA DESCRIPTIVA
- Poblacin .- () Totalidad de los elementos de un conjunto. Ejemplo:
= [Todos los nios de 6 aos o menos de un lugar

determinado]

- Muestra .- (A) Llamado as a un nmero finito de elementos seleccionados de

una poblacin y por lo tanto: A subconjunto de .
La seleccin de la muestra es un problema de mucha importancia y existen varios Cursos
(De Muestreo), de especialistas que indican la forma y el tamao de obtener una muestra.
Consideremos una muestra de tamao n:
A = {x1, x2 , x3 ..xn}
Cada xi resulta ser el valor de la caracterstica en estudio del elemento i-

simo muestreado.
Estos datos de la caracterstica pueden ser cualitativos y cuantitativos

(discretos o continuos).
Los datos discretos son aquellos que toman ciertos valores aislados como
por ejemplo, el nmero de hermanos de cada persona de este Centro Minero,
solo sern enteros {2, 3, 4 , 0, }
Los datos sern continuos si los xi pueden tomar cualquier valor de un cierto
intervalo (ejemplo la estatura de los estudiantes de la Facultad de Minas) que
podran ser {1.62 m., 1.71 m., 1.53 m., .}.
Nota.- Los datos discretos no necesariamente son nmeros enteros, e

inclusive los datos continuos son susceptibles de ser discretos por
redondeos.
Consideremos la siguiente poblacin
= [Todos los hermanos de los estudiantes de Geologia ]
Se trata de analizar
el nmero de hermanos que tiene
estudiantes de Geologia. Consideremos una muestra de tamao
20, representada por:
A= [3,0, 4, 3, 3, 2, 0, 1, 2, 2, 0, 2, 8, 8, 5, 8, 12, 1, 0, 2]
Xi = nmero de hermanos del trabajador i-simo muestreado.
Esta muestra se suele someter a un proceso de codificacin y tabulacin; por

ejemplo si llamamos yi a la variable que nos el nmero de hermanos

diferentes de los estudiantes muestreados. La diferencia de los yi con los xi

estar que, los yi solamente nos da el conjunto {0, 1, 2, 3, 4, 5, 8, 12}
En trminos generales y1< y2< .ym, donde m n.
FRECUENCIA ABSOLUTA.- (ni) Llamamos as al nmero de veces ni

que se repite en la muestra el valor yi.
n i = 2 0 , (p ara i de 1 a 8 ) [4 (0), 3(3), 1 (4), 5(2), 2(1), 3(8), 1(5) y

1(12)]
FRECUENCIA RELATIVA ..- O simplemente frecuencia hi llamamos as

a la relacin hi = ni/n y representa la frecuencia relativa del valor yi. Se
observa que:
hi = ni/n =1/n ni = 1 , (para i de 1 a 8)
Tambin se observa que si los valores hi se multiplica por 100 obtendremos

el porcentaje que constituye yi en el total de la muestra. Ejemplo y3 = 2, n3
= 5, hi = 0.25.
Esto indica que el nmero de estudiantes que en la muestra tienen 2

hermanos es 5 y que dichos 5 estudiantes constituyen el 25 % de la muestra.
FRECUENCIA ABSOLUTA ACUMULADA .- (Nj) Se define de la

siguiente relacin Nj = n1+n2+n3 .nj
O sea j = 1 N1=n1
j= 2 N2 = n1+n2
j= 3 N3 = n1+n2+n3
j= 4 N4 = n1+n2+n3+n4
.
.
j= m Nm = n1+n2 nm .
Nj representa el nmero de estudiantes que en la muestra tiene yj hermanos

o menos.
FRECUENCIA RELATIVA ACUMULADA.- (Hj) Semejante a la forma

que la frecuencia absoluta acumulada se define la Frecuencia relativa
acumulada:

Hj = h1+h2+h3 .hj
Se presenta tabla de las definiciones.
Distribucin de Frecuencias
yi ni hi Nj Hj
0 4 0.20 4 0.20
1 2 0.10 6 0.30
2 5 0.25 11 0.55
3 3 0.15 14 0.70
4 1 0.05 15 0.75
5 1 0.05 16 0.80
8 3 0.15 19 0.95
12 1 0.05 20 1.00
20.00 1.00
A la pregunta cuntos estudiantes tienen 4 hermanos o menos de 4

hermanos? La respuesta es fijndose que yi=4, en la columna de Hi
correspondiente al 75 % de los estudiantes (o sea 15 de ellos).
DIAGRAMA DE FRECUENCIAS (ABSOLUTAS Y RELATIVAS)
Estos diagramas se obtienen al utilizar en plano que contengan los puntos

(yi,ni) para el absoluto e (yi,hi) para el relativo.
En los grficos se ilustra las frecuencias absolutas y Relativas.
Diagram a frecuencias Absolutas Diagram a Frecuencias Relativas
6 0.30
5 0.25
4 0.20
valores ni
Valores hi
3 0.15
2 0.10
1 0.05
0 0.00
0 1 2 3 4 5 8 12 0 1 2 3 4 5 8 12
Valores yi Valores yi

DIAGRAMA DE FRECUENCIAS ABSOLUTAS ACUMULADAS.-
En el eje horizontal colocamos los valores de yi y en el eje vertical los Nj
DISTRIBUCION DE FRECUENCIAS PARA DATOS CONTINUOS
En el siglo XIX con la generalizacin del Mtodo Cientfico para estudiar todos los
fenmenos de las ciencias naturales y sociales, los investigadores aceptaron la necesidad
de reducir la informacin a valores numricos para evitar la ambigedad de las
descripciones verbales.
As nacen los histogramas que se sigue usando como indicador rpido de lo que
denominamos distribuciones. A medida que el nmero de datos aumenta es ms
necesario elegir intervalos de la informacin entre el Mnimo y Mximo de la poblacin y
buscando los valores entre esos intervalos se representar en barras la frecuencia de
valores que cae dentro del intervalo.
Cuando los datos son continuos, a diferencia de los discretos que toman
ciertos valores aislados, estos pueden tomar cualquier valor de un cierto
intervalo, por esta razn no tiene sentido preguntar por la frecuencia
absoluta de un cierto valor continuo, porque seria todo un acertijo.
Se acostumbra dividir el intervalo que contiene a todos los datos en

intervalos ms pequeos denominados intervalos de clase, pudiendo de esta
manera obtener las frecuencias absolutas y relativas de cada intervalo.

Ejemplo.- se tiene los datos de la produccin de trigo en miles de toneladas

de haciendas de una zona:
107.42 93.62 81.00 90.00 92.60 70.40 93.00
82.40 77.80 101.20 70.00 110.00 106.40 83.50
98.93 72.40 76.00 88.00 96.00 75.10
Determinar el mnimo y mximo valor de los datos muestreados: li = 70 y ls

= 110.
Recorrido de la muestra: [70,110]

Longitud del recorrido 110-70 = 40. La longitud del recorrido se debe
dividir en m intervalos.
El valor de m se escoger de acuerdo a lo que indique la experiencia del

operador, calidad del trabajo a realizar, etc. En nuestro caso consideramos
m=8
Longitud del intervalo de clase, 40/8 = 5
A continuacin la tabla:
Yi-1 <-> Yi yi ni hi Nj Hj
[70 75> 72.5 3 0.15 3 0.15
75 - 80 77.5 3 0.15 6 0.30
80 - 85 82.5 3 0.15 9 0.45
85 - 90 87.5 1 0.05 10 0.50
90 - 95 92.5 4 0.20 14 0.70
95 - 100 97.5 2 0.10 16 0.80
100 - 105 102.5 1 0.05 17 0.85
105 - 110 107.5 2 0.10 19 0.95
110 1 0.05 20 1.00
20 1.00
ni: frecuencia absoluta del intervalo i-simo (intervalo semiabierto a la

derecha). O frecuencia absoluta de la marca de clase yi.
Interpretamos tabla: n5 = 4, nmero de haciendas que han cosechado entre

90 y 95 mil TM. de Trigo.
Un Nj = nmero de observaciones de la muestra menores que yi .

N5=14 es el nmero de haciendas que han producido menos o igual a 92,500

TM.
HISTOGRAMAS DE FRECUENCIAS ABSOLUTAS
Cuando se trata de datos continuos los grficos que corresponden a las

frecuencias reciben el nombre de HISTOGRAMAS. Ya sabemos que
cuando se trata de datos discretos estos grficos se llaman DIAGRAMAS.
Para construir histogramas en el eje horizontal se colocan los valores yi-1
Sobre estos
Histograma de frec. Absolutas
intervalos
4.5 de clase se
4 construye
3.5 rectngulos
que tengan
Frec. Absoluta
3
2.5 por rea la
ni
2 frecuencia
1.5 absoluta
1 correspondi
0.5 ente.
0
72.5 77.5 82.5 87.5 92.5 97.5 102.5 107.5 110
Intervalos de frecuencia
POLIGONO DE FRECUENCIAS ABSOLUTAS ACUMULADA
Poligono de Frec. Absoluta Acumulada En el eje

horizontal
25 colocamos
siempre los
20 20
19 intervalos de
17
16 clase y en el
Valores Nj
15
14 eje vertical
10 10 Nj, la
9
frecuencia
6
5 absoluta
3
acumulada:
0
72.50 77.50 82.50 87.50 92.50 97.50 102.50 107.50 110.00
Valores yi

Histogramas de Datos de Leyes Minerales.
En general los datos de leyes minerales tienen ciertas tendencias de presentar la moda un
poco ms hacia el origen de las coordenadas. Cuando son centradas se habla de una
Distribucin Normal y los parmetros de oblicuidad o sesgo (skewness) buscan de
averiguar cun lejos est la poblacin que se estudia respecto de una Distribucin
Centrada o Normal.
En un extremo especial se encuentra la distribucin de leyes de oro cualquiera sea su

ambiente de origen. Como veremos a continuacin los histogramas de ley y potencias de
971 datos.
Un histograma con esa caracterstica de Moda se llama de distribucin Log_Normal y se

debe por que, al hacerse histograma a los logaritmos de los datos iniciales se obtiene una
Distribucin Normal.
Histograma de Ley
300
250
200
Frecuencia
150 Frec. Ley
100
50
0
0.10
5.90
11.70
17.50
23.30
29.10
34.90
40.70
46.50
52.30
58.10
63.90
69.70
75.50
81.30
Intervalos
Los detalles y ejercicio pueden hacer en hoja Datos de oro Datos_Oro.xls
REDUCCION DE DATOS
Estadgrafos.- Son caractersticas que definen una muestra, que surgen

con el objetivo de determinar la naturaleza y formas de la distribucin de
frecuencias como base para la reduccin de los datos, a travs de ciertas
caractersticas descriptivas y medidas de resumen.
De acuerdo al valor y naturaleza de las variables se pueden obtener diversas

formas de distribucin de frecuencias. Como medidas de resumen, el

comportamiento de estas distribuciones, se definen cuatro tipos de

distribuciones:
I) De posicin o tendencia Central.

II) De dispersin o variabilidad.
III) De deformacin o asimetra
IV) De apuntamiento o Kurtosis.
El estadgrafo es un valor cuyo significado o interpretacin depende de la

forma como se calcula, la naturaleza de la variable y del contexto donde se
encuentra los elementos de la poblacin o muestra estudiada.
I) ESTADIGRAFOS De posicin o tendencia Central. (Media,

Mediana, Moda)
La Media
Dado que por lo general la frecuencia de los intervalos centrales es mayor que el resto, este
nmero se suele denominar valor o medida de la tendencia central.
Sean x1, x2, , xn los datos de un estudio estadstico. El valor utilizado ms a menudo es la
MEDIA ARITMTICA o promedio aritmtico que se escribe , y que es igual a la suma de
todos los valores dividida por n:
La Mediana .- Es el punto medio de los valores observados ordenados de menor a

mayor. La mitad de los valores son inferiores a la mediana y la otra mitad es superior. Si
el nmero de valores estudiados son impares la Mediana M es
M = x(n+1)/2
Estadistica de Califacaciones
en cambio si el
110.00% nmero de valores es
100.00% par la Mediana M es:
90.00%
80.00%
M = (x(n)/2 + x(n+1)/2)/2
70.00%
60.00%
50.00%
Frec.% La mediana puede ser
40.00% leda con facilidad en
30.00% un grfico de
20.00% probabilidad, porque
10.00% en un histograma de
0.00% Frecuencias
2 4 6 8 10 12 14 16 18 20

Acumuladas la mediana es el valor sobre el eje X que corresponde al 50 % sobre el eje Y.
En el ejemplo la Mediana da un poco mas de 14.
La Moda .- Es el valor que ocurre mas frecuentemente. El intervalo que tiene la barra
mas alta en un histograma de frecuencias da la idea donde se encuentra la Moda.
II) ESTADIGRAFOS de dispersin.
El estadgrafo de posicin es un valor que representa un conjunto de valores

de una poblacin o muestra, es un punto de referencia alrededor del cual se
distribuyen los valores xi, Habr valores de xi mayores, iguales o menores
de un estadgrafo de posicin (media, mediana o moda), pero cul es la
distancia, diferencia o dispersin de los valores de xi respecto a un punto de
referencia ? Precisamente ese es el problema que se pretende estudiar,
definiendo un conjunto de indicadores, llamados los Estadgrafos de
dispersin.
Los estadgrafos mas conocidos son:
a) Recorrido o rango
b) Desviacin media (DM)
c) Recorrido semi-Intercuartil
d) Varianza (s2)
e) Desviacin estndar o tpica (s)
f) Coeficiente de variacin
a) Recorrido o rango
Ya vimos anteriormente el concepto de Recorrido Xmax-Xmin.
b) Desviacin media (DM)
La desviacin media DM se define como la suma de los valores absolutos de

la diferencia entre cada valor xi la media (.)
DM = |xi - | /n

c) Recorrido semi-Intercuartil
Antes veamos los cuartiles.
Cuartiles: inferior (Q1) y superior (Q2)
De igual forma que la Mediana divida la informacin estudiada en dos

partes, los cuartiles los dividen en cuartas partes. En un histograma de
Frecuencias Acumuladas los cuartiles Inferior y superior son valores sobre el
eje X que corresponden a 25 % (Q1) y 75% (Q3) , respectivamente sobre el
eje Y.
Rango Intercuartil .- Una medida de la dispersin es la diferencia entre dos

percentiles, por lo general entre el 25 y el 75 (IQR=Interquartil Range).
Esta dado por IQR = Q3-Q1. No como la Varianza o la Desviacin
Estndar, el IQR no usa la media como centro de la distribucin y es por
otro lado preferido si un poco de datos de valores altos, influyen
fuertemente en la media.
d) Varianza (s2)
Varianza .- Normalmente la estadstica tambin se ocupa de la dispersin

de la distribucin, es decir, si los datos aparecen sobre todo alrededor de la
media o si estn distribuidos por todo el rango. La desviacin de un
elemento del conjunto, es su diferencia con respecto a la media; por
ejemplo, en la sucesin x1, x2, , xn la desviacin de x1 es
x1 - , (media)
y el cuadrado de la desviacin es (x1 - )2. La varianza s2 es la media del

cuadrado de las desviaciones.
e) Desviacin estndar o tpica (s)
La desviacin tpica, representada por la letra griega sigma en muchos

casos ( ), es la raz cuadrada de la varianza, y se calcula de la siguiente
manera

f) Coeficiente de variacin
El Coeficiente de Variacin (C.V) es usada frecuentemente para describir la forma de la

distribucin de los datos. Se llama tambin error relativo porque es la divisin de la
Desviacin estndar por la media: / .
En muchos reportes de Yacimientos mineros se usa esta relacin como seal de la

variabilidad de los datos de esa etapa de estudio. As por ejemplo se menciona el C.V.
en % de algunos Prfidos de Cobre, en forma global (Curso Geoestadstica II, 1986),
tales:
YACIMIENTO (Cu %) C.V.
Quellaveco 0.521 0.197 85 %
Santa Rosa 0.418 0.141 89 %
Michiquillay 0.573 0.066 45 %
Cerro Verde 0.556 0.066 43 % (*)
Antamina 1.370 1.264 82 %
Tintaya 1.108 1.719 121 % (**)
(*) datos mas homogneos, y en cambio (**) muy heterogneo.
III) Coeficiente de Simetra

ASIMETRIA(-), SIMETRICA, ASIMETRICA (+)
El coeficiente de simetra sirve para caracterizar comportamiento de simetra del
histograma y se define como = 3/3 ,donde 3 = 1/n (xi m) 3
Cuando < 0.0, se dice asimetra negativa o sea mas a la derecha.
Cuando > 0.0, se dice asimetra positiva o sea ms a la izquierda.
Cuando = 0.0, se dice que hay simetra.

IV) Coeficiente de exceso o Kurtosis
Es una medida del grado de achatamiento de un histograma con respecto al modelo

terico de Gauss, el cual tiene por ecuacin, con m = media y 2 como varianza.
En forma experimental el coeficiente de Kurtosis se puede definir como E = (4/4) 3,

donde 4 = 1/n (xi m) 4
Luego se tendr los casos:
> 0.0 es un histograma mas puntiagudo que la ley de Gauss.
= 0.0 es un histograma sin achatamiento.
< 0.0 es un histograma mas achatado que la ley de Gauss.
ADICIONAL PRACTICA CON SOFTWARE, un caso de DM !
En Datamine cuando se usa la herramienta de estadsticas para una o mas variables el

reporte de Standard Error , de alguna variable, lo describe en el help as:
Note that if a weighting field is used then the Standard Error is calculated as the
Standard Deviation divided by the square root of the sum of the weights. This is
appropriate if the weighting field represents for example the frequency of the
observation. If a weighting field is not used then the Standard Error is the Standard
Deviation divided by the number of samples.
El resultado numrico del reporte, cuando no hay ponderadores (weights), al parecer es
la desviacin estndar dividida entre la raz cuadrada del nmero de muestras.
EN LA DISERTACION SE PRESENTA EJEMPLO ILUSTRATIVO DE ESTOS

PUNTOS MENCIONADOS !

Silica and Clays Variables inversamente proporcional.
Histogram of clay
Normal
4000 Mean 31.86

StDev 15.21
N 248350
3000
Frequency
2000
1000
0
0 13 26 39 52 65 78 91
clay

Histogram of silica
Normal
5000 Mean 50.88
StDev 13.06
N 248350
4000
3000
Frequency
2000
1000
0
12 24 36 48 60 72 84 96
silica
Histogram of Au_gt
Normal
3500 Mean 0.7823
StDev 0.6630
N 54451
3000
2500
Frequency
2000
1500
1000
500
0
0.00 1.08 2.16 3.24 4.32 5.40 6.48
Au_gt

Histogram of Cu%
Normal
7000 Mean 0.4081
StDev 0.3231
6000 N 54451
5000
Frequency
4000
3000
2000
1000
0
0.0 0.7 1.4 2.1 2.8 3.5 4.2
Cu%

Introduccin al clculo de probabilidades
FENOMENO ALEATORIO.- Todos los llamados fenmenos determinsticos,

dadas sus caractersticas iniciales, pueden determinarse sus estados finales.
Por ejemplo: el fenmeno del hervido del agua:
- la frmula o modelo matemtico que, dada la altura sobre el nivel
del mar, puede calcularse los grados de temperatura a la cual
hervira el agua.
Los fenmenos no determinsticos son todos aquellos en los cuales

conocido el estado inicial no puede precisarse el estado final, por que
existen varios estados finales posibles. Por ejemplo si se lanza un dado los
estados finales tienen 6 posibilidades. {1, 2, 3, 4, 5, 6}
Estos fenmenos no determinsticos reciben el nombre de fenmeno
aleatorio o fenmeno probabilstica.
CALCULO DE PROBABILIDAD.- Es la teora matemtica que sirve

de modelo para la descripcin y el anlisis de los fenmenos aleatorios.
EXPERIMENTO ALEATORIO () .- Llamamos as al conjunto de

operaciones destinados a describir, comprobar y demostrar un determinado
fenmeno aleatorio.
ESPACIO MUESTRAL () .- Llamamos as a un conjunto tal, que cada

elemento de ste, representa un resultado del experimento aleatorio y a su
vez, a cada resultado del experimento aleatorio corresponde uno y
solamente un elemento.
Sea : lanzar 5 monedas Un espacio muestral asociado a este
experimento podra ser : = {0 c, 1c, 2c, 3c, 4c, 5c}
, cumple con la diferencia del espacio muestral, i) cada elemento de
representa al menos un resultado experimental; ii) y a cada resultado del
experimento le corresponde uno y solamente un elemento. Nos
preguntamos si 2 seria un espacio muestral de :

2 = {0c, 1c, al menos dos caras, 3c, 4c, 5c}

2 no cumple con la definicin de espacio muestral ya que para el
resultado 3c, habra en 2 dos elementos que lo representaran: al menos
2 caras y 3c.
El espacio correcto sera: 2 = {0c, 1c, al menos 2 caras}
EXPERIMENTO COMPUESTO.- Existen, experimentos aleatorios que

pueden descomponerse en 2 o ms experimentos: ejemplo
: lanzar un dado y una moneda
El espacio muestral asociado a este experimento sera
= {(1,c); (2,c); (3,c); (4,c); (5,c); (6,c); (1,s); (2,s); (3,s); (4,s);
(5,s); (6,s)}
El experimento puede descomponerse as en

= { 1 = lanzar un dado} => 1= {1,2,3,4,5,6} y { 2 =
lanzar una moneda}=> 2 = {c,s}. Luego las combinaciones de
1 y 2.
6x2 = 12 combinaciones.
NOCIONES BASICAS DE PROBABILIDADES
Consideremos un experimento aleatorio , su espacio muestral
asociado .
Los sucesos A pertenece a ; y suceso B pertenece a .
Consideremos que el experimento lo repetimos n veces. Anotamos
las veces en que ocurren el suceso A y el suceso B a la vez, y las
veces que no ocurren ni A ni B.
Si nA es el nmero de veces que ocurre A y
nB es el nmero de veces que ocurre B
Las frecuencias relativas h de estos sucesos son:
hA= nA/n y hB = nB/n

Observamos que:
1.- 0 hA 1 , ser 1 si durante las n repeticiones siempre
ocurre el suceso A.
Si hA = 0 , porque durante las n repeticiones nunca ocurre A.
2 .- Si A y B son sucesos mutuamente excluyentes, es decir que
cuando ocurre uno de ellos no ocurre el otro.
h (AUB) = n (AUB)/n = (nA+nB)/n = nA/n +nB/n
RESUMIENDO y haciendo algunos ejercicios:
dado 1 es posible 1,2,3,4,5,6 y por cada uno de esos casos el otro

dado tiene posibilidad de 1,2,3,4,5,6. O sea n = 6*6 = 36
Casos segn la condicin: 5
5+1 =6
5+3 =8
5+5 = 10
1+5 = 6
3+5 = 8 La probabilidad es entonces 5/36.

ESTADISTICAS MAS COMUNES EN YACIMIENTOS CON VARIOS

DOMINIOS GEOLOGICOS
La experiencia nos ensea que la Geologa es la base fundamental para una

adecuada aplicacin de la Geoestadstica.
Los Reportes de Recursos Minerales cada vez son mas elaborados con fines
ilustrativos en pocos diagramas o ilustraciones.
Me atrevo a mencionar algunos temas relevantes que son netamente estadsticos

supeditados a las caractersticas Geolgicas del Yacimiento en estudio, a
desarrollarse en clase.
Anlisis de contacto - Idea de uso
Box Plots - Idea de uso
Histogramas y Curvas probabilsticas para definir Clipping (Valores

anmalos)
Ideas de uso de rangos de ley promedio en un modelo de bloques (se

retoma en el Sexto Dia).

CURSO TALLER GeoestadisticaPractica DIA-I

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CURSO TALLER GeoestadisticaPractica DIA-I

Uploaded by

Copyright:

Available Formats

CURSO-TALLER: DE GEOESTADISTICA (Universidad Catlica de Trujillo)

Ing. Miguel Zulueta T( mzuluetatorres@gmail.com)

CURSO TALLER DE GEOESTADISTICA

Este curso ofrece el tema de la Geoestadstica en forma bastante prctica con un

Se dirige a los alumnos de Minas y/o especialidades afines tales como

La compra de un software implica adems una etapa de entrenamiento en el uso

El temario cubre lo ms importante, de la Teora de Geoestadstica, que se brinda

Ing. Miguel Zulueta Torres

Octubre_Noviembre del 2016. 1

Se pretende cubrir con un gran porcentaje de puntos de un temario que es materia de

Zulueta T.M. (1992), Estimacin de Recursos por el Mtodo Geoestadstico Aplicado a

Dr. Jean-Michel Rendu (Newmont Gold Company, 1994), INTRODUCCION A LA

Canchaya M. S (1996) Curso introductorio de Geoestadistica Aplicada, brindado a Cia

Avila acosta, R.B. (2001), Estadstica Elemental Estudios y Ediciones, pp374

Octubre_Noviembre del 2016. 2

Datamine Studio (Marzo-2006), Curso de entrenamiento en Geoestadstica, pp 80.

Winfred-Assibey-Bonsu, (2006) Goldfields_C.Corona Curso de Geoestadstica, pp. 113.

Marco Antonio Alfaro Sironvalle (2007) "MA Probabilidades, pp 63

Daniel Guibal (Dic. 2008) "Diplomado de Geoestadstica Aplicada" Mdulo 2 - PUNI

Heller Bernab (2010) "Evaluacin de Recursos Minerales"- Uso de Minesight

Datamine Studio-3 (Julio-2015), Curso entrenamiento en Geoestadstica, pp 75

Octubre_Noviembre del 2016. 3

Primer da [8 horas Acadmicas]

REPASO DE ESTADISTICAS BASICAS DE UNA VARIABLE.

El presente captulo es una introduccin general a los conceptos y clculos

Diagramas de Frecuencias Absolutas y Relativas

ESTADISTICAS MAS COMUNES EN YACIMIENTOS CON VARIOS

Analisis de contacto - Idea de uso

Octubre_Noviembre del 2016. 4

ESTADISTICA: BREVES ASPECTOS

DEFINICION .- La Estadstica es rama de las Matemticas que se ocupa de reunir,

En nuestros das, la estadstica se ha convertido en un mtodo efectivo para describir con

Cabe mencionar, sacando de la bibliografa que an hay discusin sobre si es la

A) Estadstica Descriptiva, la ms conocida y talvez la ms usada en nuestro medio.

B) Estudio del Comportamiento terico de las poblaciones al azar corresponde al clculo

C) Paso del conocimiento de la muestra a la poblacin es la Induccin estadstica y

D) Paso del conocimiento de la muestra a la toma de decisiones o Teora de los test o

ELEMENTOS DE LA ESTADISTICA DESCRIPTIVA

- Poblacin .- () Totalidad de los elementos de un conjunto. Ejemplo:

= [Todos los nios de 6 aos o menos de un lugar

Octubre_Noviembre del 2016. 5

- Muestra .- (A) Llamado as a un nmero finito de elementos seleccionados de

Consideremos una muestra de tamao n:

Cada xi resulta ser el valor de la caracterstica en estudio del elemento i-

Estos datos de la caracterstica pueden ser cualitativos y cuantitativos

Nota.- Los datos discretos no necesariamente son nmeros enteros, e

Consideremos la siguiente poblacin

= [Todos los hermanos de los estudiantes de Geologia ]

Xi = nmero de hermanos del trabajador i-simo muestreado.

Esta muestra se suele someter a un proceso de codificacin y tabulacin; por

Octubre_Noviembre del 2016. 6

diferentes de los estudiantes muestreados. La diferencia de los yi con los xi

FRECUENCIA ABSOLUTA.- (ni) Llamamos as al nmero de veces ni

n i = 2 0 , (p ara i de 1 a 8 ) [4 (0), 3(3), 1 (4), 5(2), 2(1), 3(8), 1(5) y

FRECUENCIA RELATIVA ..- O simplemente frecuencia hi llamamos as

Tambin se observa que si los valores hi se multiplica por 100 obtendremos

Esto indica que el nmero de estudiantes que en la muestra tienen 2

FRECUENCIA ABSOLUTA ACUMULADA .- (Nj) Se define de la

Nj representa el nmero de estudiantes que en la muestra tiene yj hermanos

FRECUENCIA RELATIVA ACUMULADA.- (Hj) Semejante a la forma

Octubre_Noviembre del 2016. 7

Se presenta tabla de las definiciones.

A la pregunta cuntos estudiantes tienen 4 hermanos o menos de 4

DIAGRAMA DE FRECUENCIAS (ABSOLUTAS Y RELATIVAS)