CURSO Geoestat I

CURSO: Geoestadística Práctica (Fac.
Minas –UNT)
Ing. Miguel Zulueta T( mzuluetatorres@hotmail.com)
FractalsGEO PRESENTA CURSO
GEOESTADISTICA PRACTICA
Desarrollado en la Facultad de Minas de la Universidad
Nacional de Trujillo
EXPOSITOR: Ing. Miguel Zulueta Torres
> Explorando y haciendo Cálculos de Recursos en Vetas Auriferas de Batolito

de Pataz, (6 años).
> Cálculo de Recursos a cuerpos de Tungteno (Puno), Palca XI (consultor)
(1994).
> Cálculo de Recursos minerales: Maqui Maqui (Yanacocha) y proyectos con
método de secciones, Newmont Perú Ltd. (3.5 años).
> Jefe Centro de Cómputo Geologia Mina, en Minera Yanacocha (2 años)
> Modelamiento de Bloques (aplicando Geoestadistica) y cálculo de Geozonas
Geoestadísticas para Ore Control, en Area de Planeamiento, Minera Yanacocha
(1.5 años).
> Administrador de Sistema especializado para Ingenieria de Minas y Geología
(Plataforma Unix SGI) en Area de Sistemas, Minera Yanacocha. (3 años).
> Investigación con algoritmos de Modelamiento fractal aplicado a
Exploraciones: Buenas coincidencias en Distrito Minero de Yanacocha y en
Vetas: auríferas de Pataz, asi mismo en polimetálicas ( Proyecto Campana de
oro).
> Optimización de Base datos de Leyes de Zn y Pb, Estimacion de Recursos
Geológicos de Zn en Yacimientos del Metalotecto Pucará (Nov-2005 a Enero-
2006).
>> Desde Febrero-2006, Geólogo Senior de Recursos Minerales y modelos
geológicos, GoldFields La Cima (2 años).
> Dictando Curso de Geoestadística Práctica-Teórica, a través de

www.Terraproyectos.com (Mayo y Agosto ,2005).
> Dictando Curso de Geoestadística Práctica Al Staff de Mina Toquepala (Curso
de 42 Horas), del 21 al 25 de Nov-2005.
> Dictando Curso de Estadísticas Multivariables, (Curso de 18 Horas), al Staff
de Sociedad Minera Cerro Verde. Del 09 y 10 de Diciembre-2005.
> Al Staff de Corporación Sinchau (Curso de 42 Horas), del 11 al 15 de Dic-
2006.
miguel.zulueta@goldfieldsperu.com.pe
mzuluetatorres@hotmail.com
044 – 281801
076 - 9917701
Marzo, 10 – 14 del 2008. 1

CURSO: Geoestadística Práctica (Fac. Minas –UNT)
Este curso ofrece el tema de la Geoestadística en forma bastante práctica con un poco de
teoría del tema, destacando las experiencias adquiridas en 20 años de trabajar en el
ambiente Minero como Geólogo, en estas aplicaciones.
Se dirige a Profesionales del ramo (Geólogos, Mineras, Metalurgistas y colegas

interesados) que se encuentre laborando en distintos ambientes Mineros, en etapas de
Proyectos (Exploración, Preparación o Explotación) y que requiera revisar y/o aprender
las técnicas de la Geoestadística en forma práctica para aplicarlo con el software que ya
compró la Empresa y tiene el reto de usarlo.
La compra de un software implica además una etapa de entrenamiento en el uso del

software. Estos Cursos de entrenamiento no enseñan la Teoría de Variable Regionalizada,
sino que enseñan como trabaja el software adquirido, en esas aplicaciones. Un Curso de
Geoestadística dará mas herramientas teóricas a los usuarios, y pasarán de seguir un
recetario de procedimientos a ser buenos críticos del software, sacándole mas provecho.
De allí la idea de estos Curso, llenando ese vacío que tiene muchas veces el usuario frente a
un software al que debe sacar retorno de inversión, para el bien de la Empresa y de él
mismo.
El Curso tiene ejemplos y programas sencillos que puede llenar el vacío de no tener
software comprado por la Empresa, cuando es una Empresa Emergente con recursos
limitados de inversión. Esta es la situación más interesante para muchos colegas que están
tratando de sacarle provecho a su tiempo con mentalidad de darle el mejor uso a las
herramientas que se tenga.
A este último público mis felicitaciones por su esfuerzo que se verá compensado con
creces. Sé lo que hay que invertir en tiempo de estudio y trabajo cuando se tiene que
trabajar con pocos recursos.
El temario cubre lo más importante, de lo que en la Teoría de Geoestadística, que se brinda

en Facultades relacionadas de Minas y/o Geología, el cual muchas veces, se hace en dos
semestres.
Podría parecer que 5 días de 8 horas académicas es mucha inversión, pero es corto tiempo
bien aprovechable, que culmina con uso de las herramientas aplicadas al software
adquirido por su Empresa, el último día de exposición.
Ing. Miguel Zulueta Torres
Marzo, 10 – 14 del 2008. 2

EXPOSITOR
.
INTRODUCCION
Este Curso significa un atrevido ensayo de mostrar en pocas horas de exposición, un tema
tan interesante y delicado en el manejo de los datos de un grupo de muestreo llevándolo a
Información, sobre lo cual se tomen decisiones económicas de importancia. Será mas
práctico que teórico, dejando a futuro los desarrollos, a la inquietud del participante alo
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 Geoestadística, brindados en Universidades
con especialidades de Minería y/o Geología.
La parte de Estadística será muy breve porque es tema más común de encontrar y solo se
darán definiciones de los conceptos más usados en la práctica cotidiana de trabajo en
cualquier centro Minero, independiente de la etapa de estudio que esté un Proyecto. El
ejemplo práctico preparado para la clase es breve y sirve para recordar conceptos.
Bibliografía
T ULCANASA, N.E. (1974) Geoestadistica, apuntes provisorios Universidad Naciones de
Ingenieria, Departamento Academico de Mineria pp. 120
ROYLE ,A.G. & CLARK I. & (1980) Geostatistics, McGraw-Hill Inc. New York pp.167
ISAAKS H.E & SRIVASTAVA R.M (1989) A N I N troduction to Aplied Geostatistics, Oxford
University Press, pp. 361
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. & J OURNEL A. G. (1997) Geostatistical Software Librery and Uresr’s Guide,
Oxford University Press, pp. 369
Zulueta T.M. (1992), Estimación de Recursos por el Método Geoestadístico Aplicado a Vetas
auríferas del Batolito de Pataz, TESIS – Universidad Nacional de Ingeniería, pp 84.
Hoel P.G. & Jessen R.J (1977), Estadística Básica para negocios y Economía – CECSA,pp
452.
Avila acosta, R.B. (2001), Estadística Elemental – Estudios y Ediciones, pp374
Datamine Studio (Marzo-2006), Curso de entrenamiento en Geoestadística, pp 80.
Winfred-Assibey-Bonsu, Curso de Geoestadística, pp. 113. (2006)
Marzo, 10 – 14 del 2008. 3

Primer día [8 horas Académicas]
ESTADISTICAS BASICAS DE UNA VARIABLE.
Frecuencia Absoluta
Frecuencia Absoluta Acumulada
Frecuencia Relativa
Frecuencia Relativa Acumulada
Diagramas de Frecuencias Absolutas y Relativas
Distribución de Frecuencias para datos continuos
Histograma de Frecuencias Absolutas y Relativas
ESTADIGRAFOS de Posición
Media, Mediana, Moda.
ESTADIGRAFOS de Dispersión
Varianza, Desviación típica o Estándar, Coeficiente de Variabilidad,
INTRODUCCION AL CALCULO DE PROBABILIDADES
Fenómeno aleatorio
Experimento aleatorio
Espacio muestral
Experimento compuesto
Nociones básicas de Probabilidades
Distribuciones Estadísticas, resumido.
Ejercicios - Ejemplos
Presentación de trabajo Escalonado.
Marzo, 10 – 14 del 2008. 4

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, de tamaño casi
insignificante en comparación a la dimensión de todo el Yacimiento que se estudia.
Sin embargo en base a esta información de fragmentos hay que construirse un
modelo que permita, sin mayor inversión, dar a conocer otra información de interés.
DEFINICION .- La Estadística es rama de las Matemáticas que se ocupa de reunir,

organizar y analizar datos numéricos y que con un conjunto de Métodos de estudio ayuda
a resolver problemas como el diseño de experimentos y la toma de decisiones al predecir
hipótesis.
En nuestros días, la estadística se ha convertido en un método efectivo para describir con

exactitud los valores de datos económicos, políticos, sociales, psicológicos, biológicos y
físicos, y sirve como herramienta para relacionar y analizar dichos datos.
Cabe mencionar, sacando de la bibliografía que aún hay discusión sobre si es la

Estadística una ciencia o una técnica. En la práctica se describe como “la tecnología del
método científico” (A.M. Mood). Entendiendo que la tecnología se ocupa de la
aplicación sistemática de conocimientos científicos para resolver problemas
prácticos.
Se puede mencionar cuatro subdivisiones de la Estadística, de ellas hablaremos de la

primera:
A) Estadística Descriptiva, la más conocida y talvez la más usada en nuestro medio.
B) Estudio del Comportamiento teórico de las poblaciones al azar corresponde al cálculo

de Probabilidades.
C) Paso del conocimiento de la muestra a la población es la Inducción estadística y
D) Paso del conocimiento de la muestra a la toma de decisiones o Teoría de los test o

docimasia de decisiones.
ELEMENTOS DE LA ESTADISTICA DESCRIPTIVA
- Población .- (Ω) Totalidad de los elementos de un conjunto. Ejemplo:
Ω = [Todos los niños de 6 años o menos de un lugar

determinado]
Marzo, 10 – 14 del 2008. 5

- Muestra .- (A) Llamado así a un número finito de elementos seleccionados de

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

ésimo muestreado.
Estos datos de la característica pueden ser cualitativos y cuantitativos

(discretos o continuos).
Los datos discretos son aquellos que toman ciertos valores aislados como
por ejemplo, el número de hermanos de cada persona de este Centro Minero,
solo serán enteros {2, 3, 4 , 0, …}
Los datos serán continuos si los xi pueden tomar cualquier valor de un cierto
intervalo (ejemplo la estatura de los estudiantes de la Facultad de Minas) que
podrían ser {1.621 m., 1.712 m., 1.530 m., ….}.
Nota.- Los datos discretos no necesariamente son números enteros, e

inclusive los datos continuos son susceptibles de ser discretos por redondeos.
Consideremos la siguiente población
Ω = [Todos los hermanos de los estudiantes de Minas (UNT)]
Se trata de
analizar el número de hermanos que tiene
estudiantes de Minas. Consideremos una muestra de tamaño 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 = número de hermanos del trabajador i-ésimo muestreado.
Esta muestra se suele someter a un proceso de codificación y tabulación; por

ejemplo si llamamos yi a la variable que nos el número de hermanos
Marzo, 10 – 14 del 2008. 6

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

estará que, los yi solamente nos da el conjunto {0, 1, 2, 3, 4, 5, 8, 12}
En términos generales y1< y2< ….ym, donde m ≤ n.
FRECUENCIA ABSOLUTA.- (ni) Llamamos así al número de veces ni

que se repite en la muestra el valor yi.
∑ni = 20 , (para 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 así

a la relación 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)
También 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 número 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 relación 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 número 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:
Marzo, 10 – 14 del 2008. 7

Hj = h1+h2+h3 ….hj
Se presenta tabla de las definiciones.
Distribución 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 ¿cuántos estudiantes tienen 4 hermanos o menos de 4

hermanos? La respuesta es fijándose 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 gráficos 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 hi
valores ni
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
Marzo, 10 – 14 del 2008. 8

DIAGRAMA DE FRECUENCIAS ABSOLUTAS ACUMULADAS.-
En el eje horizontal colocamos los valores de yi y en el eje vertical los Nj
Diag. Frec. Absolutas Acumuladas Diag.Frec.Relativas Acumuladas
25
1.20
20 1.00
19 1.00 0.95
20
16 0.80
15 0.75
0.80 0.70
14
15
11 0.60 0.55
10
0.40
6 0.30
5
4 0.20
0.20
0 0.00
0 1 2 3 4 5 8 12 0 1 2 3 4 5 8 12
Valores yi Valores yi
DISTRIBUCION DE FRECUENCIAS PARA DATOS CONTINUOS
En el siglo XIX con la generalización del Método Científico para estudiar todos los
fenómenos de las ciencias naturales y sociales, los investigadores aceptaron la necesidad
de reducir la información a valores numéricos para evitar la ambigüedad de las
descripciones verbales.
Así nacen los histogramas que se sigue usando como indicador rápido de lo que
denominamos distribuciones. A medida que el número de datos aumenta es más
necesario elegir intervalos de la información entre el Mínimo y Máximo de la población y
buscando los valores entre esos intervalos se representará 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 razón 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 más pequeños denominados intervalos de clase, pudiendo de esta
manera obtener las frecuencias absolutas y relativas de cada intervalo.
Ejemplo.- se tiene los datos de la producción de trigo en miles de toneladas

de haciendas de una zona:
Marzo, 10 – 14 del 2008. 9

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 mínimo y máximo 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 escogerá 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 continuación 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-ésimo (intervalo semiabierto a la

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

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

N5=14 es el número de haciendas que han producido menos o igual a 92,500
TM.
Marzo, 10 – 14 del 2008. 10

HISTOGRAMAS DE FRECUENCIAS ABSOLUTAS
Cuando se trata de datos continuos los gráficos que corresponden a las

frecuencias reciben el nombre de HISTOGRAMAS. Ya sabemos que
cuando se trata de datos discretos estos gráficos 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
rectángulos
que tengan
3
Frec. Absoluta
por área la
2.5
ni frecuencia
2
absoluta
1.5
correspondi
1 ente.
0.5
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
19
20 intervalos de
16
17 clase y en el
eje vertical
Valores Nj
15
14
Nj, la
10 10
9 frecuencia
6 absoluta
5
3
acumulada:
0
72.50 77.50 82.50 87.50 92.50 97.50 102.50 107.50 110.00
Valores yi
Marzo, 10 – 14 del 2008. 11

Histogramas de Datos de Leyes Minerales.
En general los datos de leyes minerales tienen ciertas tendencias de presentar la moda un
poco más hacia el origen de las coordenadas. Cuando son centradas se habla de una
Distribución Normal y los parámetros de oblicuidad o sesgo (skewness) buscan de
averiguar cuán lejos está la población que se estudia respecto de una Distribución
Centrada o Normal.
En un extremo especial se encuentra la distribución de leyes de oro cualquiera sea su

ambiente de origen. Como veremos a continuación los histogramas de ley y potencias de
971 datos.
Un histograma con esa característica de Moda se llama de distribución Log_Normal y se

debe por que, al hacerse histograma a los logaritmos de los datos iniciales se obtiene una
Distribución Normal.
Histogram a de Ley
300
250
Frecuencia
200
150 Frec. Ley
100
50
Intervalos
Los detalles y ejercicio pueden hacer en hoja Datos de oro Datos_Oro.xls
REDUCCION DE DATOS
Estadígrafos .- Son características que definen una muestra, que surgen con
el objetivo de determinar la naturaleza y formas de la distribución de
frecuencias como base para la “reducción de los datos”, a través de ciertas
características descriptivas y medidas de resumen.
De acuerdo al valor y naturaleza de las variables se pueden obtener diversas

formas de distribución de frecuencias. Como medidas de resumen, el
comportamiento de estas distribuciones, se definen cuatro tipos de
distribuciones:
Marzo, 10 – 14 del 2008. 12

I) De posición o tendencia Central.

II) De dispersión o variabilidad.
III) De deformación o asimetría
IV) De apuntamiento o Kurtosis.
El estadígrafo es un valor cuyo significado o interpretación depende de la

forma como se calcula, la naturaleza de la variable y del contexto donde se
encuentra los elementos de la población o muestra estudiada.
I) ESTADIGRAFOS De posición 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
número se suele denominar valor o medida de la tendencia central.
Sean x1, x2, …, xn los datos de un estudio estadístico. El valor utilizado más a menudo es la
MEDIA ARITMÉTICA o promedio aritmético que se escribe ξ, 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 número de valores estudiados son impares la Mediana M es
M = x(n+1)/2
Estadistica de Califacaciones
en cambio si el
110.00% número 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%
Frec.%
La mediana puede ser
50.00% leída con facilidad en
40.00% un gráfico de
30.00% probabilidad, porque
20.00% en un histograma de
10.00%
Frecuencias
0.00%
Acumuladas la
2 4 6 8 10 12 14 16 18 20
mediana es el valor
sobre el eje X que corresponde al 50 % sobre el eje Y.
Marzo, 10 – 14 del 2008. 13

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 dispersión.
El estadígrafo de posición es un valor que representa un conjunto de valores

de una población o muestra, es un punto de referencia alrededor del cual se
distribuyen los valores xi, Habrá valores de xi mayores, iguales o menores
de un estadígrafo de posición (media, mediana o moda), pero ¿cuál es la
distancia, diferencia o dispersión 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 Estadígrafos de
dispersión.
Los estadígrafos mas conocidos son:
a) Recorrido o rango
b) Desviación media (DM)
c) Recorrido semi-Intercuartil
d) Varianza (s2)
e) Desviación estandar o típica (s)
f) Coeficiente de variación
a) Recorrido o rango
Ya vimos anteriormente el concepto de Recorrido Xmax-Xmin.
b) Desviación media (DM)
La desviación media DM se define como la suma de los valores absolutos de

la diferencia entre cada valor xi – la media (ξ.)
DM = ∑ |xi - ξ| /n
Marzo, 10 – 14 del 2008. 14

c) Recorrido semi-Intercuartil
Antes veamos los cuartiles.
Cuartiles: inferior (Q1) y superior (Q2)
De igual forma que la Mediana divida la información 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 dispersión 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 Desviación
Estándar, el IQR no usa la media como centro de la distribución 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 estadística también se ocupa de la dispersión

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

cuadrado de las desviaciones.
e) Desviación estándar o típica (s)
La desviación típica, representada por la letra griega sigma en muchos

casos ( σ ), es la raíz cuadrada de la varianza, y se calcula de la siguiente
manera
Marzo, 10 – 14 del 2008. 15

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

distribución de los datos. Se llama también “error relativo” porque es la división de la
Desviación estándar por la media: σ/ξ .
En muchos reportes de Yacimientos mineros se usa esta relación como señal de la

variabilidad de los datos de esa etapa de estudio. Así por ejemplo se menciona el C.V.
en % de algunos Pórfidos de Cobre, en forma global (Curso Geoestadística II, 1986),
tales:
YACIMIENTO ξ (Cu %) σ 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 homogéneos, y en cambio (**) muy heterogéneo.
III) Coeficiente de Simetría
El coeficiente de simetría γ sirve para caracterizar comportamiento de simetría del

histograma y se define como γ = ∆3/σ3 ,donde ∆3 = 1/n ∑ (xi – m) 3
Cuando γ < 0.0, se dice asimetría negativa o sea mas a la derecha.
Cuando γ > 0.0, se dice asimetría positiva o sea más a la izquierda.
Cuando γ = 0.0, se dice que hay simetría.
Marzo, 10 – 14 del 2008. 16

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

teórico de Gauss, el cual tiene por ecuación, con m = media y σ2 como varianza.
En forma experimental el coeficiente de Kurtosis se puede definir como E = (∆4/σ4) – 3,

donde ∆4 = 1/n ∑ (xi – m) 4
Luego se tendrá los casos:
γ > 0.0 es un histograma mas puntiagudo que la ley de Gauss.
γ = 0.0 es un histograma sin achatamiento.
γ < 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 estadísticas para una o mas variables el

reporte de “Standard Error ”, de alguna variable, lo describe en el help así:
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 numérico del reporte, cuando no hay ponderadores (weights), al parecer es
la desviación estándar dividida entre la raíz cuadrada del número de muestras.
¡EN LA DISERTACION SE PRESENTA EJEMPLO ILUSTRATIVO DE ESTOS

PUNTOS MENCIONADOS !
Marzo, 10 – 14 del 2008. 17

Introducción al cálculo de probabilidades
FENOMENO ALEATORIO.- Todos los llamados fenómenos determinísticos,

dadas sus características iniciales, pueden determinarse sus estados finales.
Por ejemplo: el fenómeno del hervido del agua:
- la fórmula o modelo matemático que, dada la altura sobre el nivel
del mar, puede calcularse los grados de temperatura a la cual
herviría el agua.
Los fenómenos no determinísticos 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 fenómenos no determinísticos reciben el nombre de fenómeno
aleatorio o fenómeno probabilística.
CALCULO DE PROBABILIDAD.- Es la teoría matemática que sirve

de modelo para la descripción y el análisis de los fenómenos aleatorios.
EXPERIMENTO ALEATORIO (Є) .- Llamamos así al conjunto de

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

elemento de éste, representa un resultado del experimento aleatorio y a su
vez, a cada resultado del experimento aleatorio corresponde uno y
solamente un elemento.
Sea Є : “lanzar 5 monedas” Un espacio muestral asociado a este
experimento podría ser : Ω = {0 c, 1c, 2c, 3c, 4c, 5c}
Ω, cumple con la diferencia del espacio muestral, i) cada elemento de Ω
representa al menos un resultado experimental; ii) y a cada resultado del
experimento Є le corresponde uno y solamente un elemento. Nos
preguntamos si Ω2 seria un espacio muestral de Є:
Marzo, 10 – 14 del 2008. 18

Ω2 = {0c, 1c, al menos dos caras, 3c, 4c, 5c}

Ω2 no cumple con la definición de espacio muestral ya que para el
resultado 3c, habría en Ω2 dos elementos que lo representarían: “al menos
2 caras” y 3c.
El espacio correcto sería: Ω2 = {0c, 1c, al menos 2 caras}
EXPERIMENTO COMPUESTO.- Existen, experimentos aleatorios que

pueden descomponerse en 2 o más experimentos: ejemplo
Є : “lanzar un dado y una moneda”
El espacio muestral asociado a este experimento sería
Ω = {(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 Є puede descomponerse así en

Є = { Є1 = “lanzar un dado”} => Ω 1= {1,2,3,4,5,6} y { Є2 =
“lanzar una moneda”}=> Ω2 = {c,s}. Luego las combinaciones de
Є1 y Є2.
6x2 = 12 combinaciones.
NOCIONES BASICAS DE PROBABILIDADES
Consideremos un experimento aleatorio Є, su espacio muestral
asociado Ω.
Los sucesos A pertenece a Ω; y suceso B pertenece a Ω.
Consideremos que el experimento Є 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 número de veces que ocurre A y
nB es el número de veces que ocurre B
Las frecuencias relativas “h” de estos sucesos son:
hA= nA/n y hB = nB/n
Marzo, 10 – 14 del 2008. 19

Observamos que:
1.- 0 ≤ hA ≤ 1 , será 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 según la condición: 5
5+1 =6
5+3 =8
5+5 = 10
1+5 = 6
3+5 = 8 La probabilidad es entonces 5/36.
Marzo, 10 – 14 del 2008. 20

CURSO Geoestat I

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CURSO Geoestat I

Transféré par

Droits d'auteur :

Formats disponibles

CURSO: Geoestadística Práctica (Fac.

> Explorando y haciendo Cálculos de Recursos en Vetas Auriferas de Batolito

> Dictando Curso de Geoestadística Práctica-Teórica, a través de

Marzo, 10 – 14 del 2008. 1

Se dirige a Profesionales del ramo (Geólogos, Mineras, Metalurgistas y colegas

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

El temario cubre lo más importante, de lo que en la Teoría de Geoestadística, que se brinda

Ing. Miguel Zulueta Torres

Marzo, 10 – 14 del 2008. 2

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

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

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

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

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

Winfred-Assibey-Bonsu, Curso de Geoestadística, pp. 113. (2006)

Marzo, 10 – 14 del 2008. 3

Primer día [8 horas Académicas]

ESTADISTICAS BASICAS DE UNA VARIABLE.

Varianza, Desviación típica o Estándar, Coeficiente de Variabilidad,

INTRODUCCION AL CALCULO DE PROBABILIDADES

Marzo, 10 – 14 del 2008. 4

ESTADISTICA: BREVES ASPECTOS

DEFINICION .- La Estadística es rama de las Matemáticas que se ocupa de reunir,

En nuestros días, la estadística se ha convertido en un método efectivo para describir con

Cabe mencionar, sacando de la bibliografía que aún hay discusión sobre si es la

Se puede mencionar cuatro subdivisiones de la Estadística, de ellas hablaremos de la

A) Estadística Descriptiva, la más conocida y talvez la más usada en nuestro medio.

B) Estudio del Comportamiento teórico de las poblaciones al azar corresponde al cálculo

C) Paso del conocimiento de la muestra a la población es la Inducción estadística y

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

ELEMENTOS DE LA ESTADISTICA DESCRIPTIVA

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

Ω = [Todos los niños de 6 años o menos de un lugar

Marzo, 10 – 14 del 2008. 5

- Muestra .- (A) Llamado así a un número finito de elementos seleccionados de

Consideremos una muestra de tamaño “n”:

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

Estos datos de la característica pueden ser cualitativos y cuantitativos

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

Consideremos la siguiente población

Ω = [Todos los hermanos de los estudiantes de Minas (UNT)]

Xi = número de hermanos del trabajador i-ésimo muestreado.

Esta muestra se suele someter a un proceso de codificación y tabulación; por

Marzo, 10 – 14 del 2008. 6

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

FRECUENCIA ABSOLUTA.- (ni) Llamamos así al número de veces ni

∑ni = 20 , (para 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 así

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

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

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

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

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

Marzo, 10 – 14 del 2008. 7

Se presenta tabla de las definiciones.

A la pregunta ¿cuántos estudiantes tienen 4 hermanos o menos de 4

DIAGRAMA DE FRECUENCIAS (ABSOLUTAS Y RELATIVAS).-

En los gráficos se ilustra las frecuencias absolutas y Relativas.

Diagram a frecuencias Absolutas Diagram a Frecuencias Relativas

Marzo, 10 – 14 del 2008. 8

DIAGRAMA DE FRECUENCIAS ABSOLUTAS ACUMULADAS.-

En el eje horizontal colocamos los valores de yi y en el eje vertical los Nj

Diag. Frec. Absolutas Acumuladas Diag.Frec.Relativas Acumuladas

DISTRIBUCION DE FRECUENCIAS PARA DATOS CONTINUOS