MINERA LA
ARENA) Oct/Nov 2013 EXPONE: Ing. Miguel Zulueta T( mzuluetatorres@gmail.com )
GEOESTADISTICA PRÁCTICA
Desarrollado al Staff de Geología Mina.
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.
.
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 a lo
que pueda leer y consultar.
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
TULCANASA, 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) AN INtroduction to Aplied Geostatistics, Oxford
University Press, pp. 361
DEUTSCH C.V. & JOURNEL 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.
ESTADIGRAFOS de Posición
Media, Mediana, Moda.
ESTADIGRAFOS de Dispersión
Varianza, Desviación típica o Estándar, Coeficiente de Variabilidad,
Enfoque de los valores “altos” de la población de estudio.
Debemos de tener presente siempre que se toma decisiones en varios sitios a partir
de un grupo de fragmentos de material llamado muestras, del 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.
A = {x1, x2 , x3 …..xn}
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 {1.62 m., 1.71 m., 1.53 m., ….}.
Se trata de analizar
el número de hermanos que tiene
estudiantes de Geologia. 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]
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 .
Hj = h1+h2+h3 ….hj
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
Diagram a fre cue ncias Abs olutas Diagram a Fre cue ncias Re lativas
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
Valore s yi V alore s yi
D i a g . Fr e c . A b s ol ut a s A c umul a da s D i ag . F r ec . R el a t i v as A c umul a d as
25
1.20
20 1.00
19 1.00 0.95
20
16 0.80
15 0.80 0.75
14 0.70
15
11 0.60 0.55
10
0.40
6 0.30
4 0.20
5
0.20
0 0.00
0 1 2 3 4 5 8 12 0 1 2 3 4 5 8 12
V a l or es yi V a l or e s y i
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.
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
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
Valore s yi
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.
Histograma de Ley
300
250
200
Frecuencia
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
REDUCCION DE DATOS
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 , y que es igual a la suma de
todos los valores dividida por n:
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%
40.00% leída con facilidad en
30.00% un gráfico 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
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.
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.
DM = ∑ |xi - | /n
c) Recorrido semi-Intercuartil
d) Varianza (s2)
f) Coeficiente de variación
Histogram of clay
Normal
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
Frequency
3000
2000
1000
0
12 24 36 48 60 72 84 96
silica
Histogram of Au_gt
Normal
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
N 54451
6000
5000
Frequency
4000
3000
2000
1000
0
0.0 0.7 1.4 2.1 2.8 3.5 4.2
Cu%