ANALISIS GEOESTADISTICO DE

MUESTRAS DE EXPLORACION MINERA

HAQUIRA 2016
 ESTADISTICA DE POBLACIONES
• Los objetivos de un análisis estadístico de
poblaciones corresponden a una discriminación
de intervalos de distribución gaussiana dentro
de distribuciones de carácter mixto.
• Cada población puede representar fuentes
distintas de los elementos de interés.

2
 ESTADISTICA DE POBLACIONES
• Los cálculos de estadística de poblaciones
pueden ser realizados de forma manual con
ploteos de frecuencias acumulativa en gráficos
log-probabilisticos.
• También pueden ser realizados con programas
computacionales especializados, como excel,
Pplot y otros.

3
 Como construir histogramas de
•
frecuencias.
Ordenar los datos en forma ascendente o
descendente
• Calcular el rango o amplitud de frecuencias,
contando para ello con valores máximos y
mínimos. R=A= (Valor max – Valor min.)
• Calcular el número de intérvalos de clase (K), no
existe una regla general en cuanto al número
óptimo de clases (K), sin embargo existen
técnicas que permiten determinar para n
observaciones Ej. Ley de Sturges, K= 1+3,32 log
(n). La de Dixon & Kronwell, K= 10 log (n).
• Calcular el ancho o amplitud de cada clase, C=
R/K.
• Definir los límites de cada clase, para esto se
suma el intervalo de clase al menor valor
observado.
• Contar la cantidad de observaciones que caen
dentro de cada intervalo y tabular los resultados.

• A partir de los histogramas, son construidos las

curvas o polígonos de frecuencia, existen una
diversidad de curvas
6
 FRECUEN FRECUENCIA Marca de (Marca de Clase)²*Frecuencia
MARCA DE CIA FRECUENCIA FRECUENCIA DE FUNCION clase * Absoluta
LS
ABSOLU Frecuencia
intervalo LI CLASE TA ACUMULADA RELATIVA DENSIDAD ACUMULADA Absoluta
355.41786
1 0 6 177.708933 8 8 0.096385542 0.001161272 1.39912E-05 1421.671464 252643.7189
710.83573 533.126798
2 355.417866 19 9 8 16 0.096385542 0.001161272 1.39912E-05 4265.014392 2273793.47
1066.2535 888.544664
3 710.835732 98 9 15 31 0.180722892 0.002177384 2.62335E-05 13328.16997 11842674.32
1421.6714 1243.96253
4 1066.2536 64 1 30 61 0.361445783 0.004354768 5.24671E-05 37318.87593 46423283.35
1777.0893 1599.38039
5 1421.67146 3 7 16 77 0.192771084 0.002322543 2.79824E-05 25590.08635 40928282.46
2132.5071 1954.79826
6 1777.08933 96 3 3 80 0.036144578 0.000435477 5.24671E-06 5864.394788 11463708.74
2487.9250 2310.21612
7 2132.5072 62 9 1 81 0.012048193 0.000145159 1.7489E-06 2310.216129 5337098.562
2843.3429 2665.63399
8 2487.92506 28 5 2 83 0.024096386 0.000290318 3.49781E-06 5331.267989 14211209.19
83 1 95429.69701 132732693.8
1149.755386 1599189.082
41.5

Media Desviacion
Aritmetica Mediana Moda Varianza Stándar Backgroung Anomalia Valor umbral Quartil
1149.75538 1190.64985
6 1 1250.090425 277251.6352 526.5468974
 FRECUEN FRECUENCIA Marca de (Marca de Clase)²*Frecuencia
MARCA DE CIA FRECUENCIA FRECUENCIA DE FUNCION clase * Absoluta
LS
ABSOLUT Frecuencia
intervalo LI CLASE A ACUMULADA RELATIVA DENSIDAD ACUMULADA Absoluta
355.41786
1 0 6 177.708933 8 8 0.096385542 0.001161272 1.39912E-05 1421.671464 252643.7189
710.83573 533.126798
2 355.417866 19 9 8 16 0.096385542 0.001161272 1.39912E-05 4265.014392 2273793.47
1066.2535 888.544664
3 710.835732 98 9 15 31 0.180722892 0.002177384 2.62335E-05 13328.16997 11842674.32
1421.6714 1243.96253
4 1066.2536 64 1 30 61 0.361445783 0.004354768 5.24671E-05 37318.87593 46423283.35
1777.0893 1599.38039
5 1421.67146 3 7 16 77 0.192771084 0.002322543 2.79824E-05 25590.08635 40928282.46
2132.5071 1954.79826
6 1777.08933 96 3 3 80 0.036144578 0.000435477 5.24671E-06 5864.394788 11463708.74
2487.9250 2310.21612
7 2132.5072 62 9 1 81 0.012048193 0.000145159 1.7489E-06 2310.216129 5337098.562
2843.3429 2665.63399
8 2487.92506 28 5 2 83 0.024096386 0.000290318 3.49781E-06 5331.267989 14211209.19
83 1 95429.69701 132732693.8
1149.755386 1599189.082
41.5

Media Desviacion
Aritmetica Mediana Moda Varianza Stándar Backgroung Anomalia Valor umbral Quartil
1149.75538 1190.64985
6 1 1250.090425 277251.6352 526.5468974
 MARCA DE FRECUENCIA
LS
intervalo LI CLASE ABSOLUTA
1 0 355.417866 177.708933 8
2 355.417866 710.8357319 533.1267989 8
3 710.835732 1066.253598 888.5446649 15
4 1066.2536 1421.671464 1243.962531 30
5 1421.67146 1777.08933 1599.380397 16
6 1777.08933 2132.507196 1954.798263 3
7 2132.5072 2487.925062 2310.216129 1
8 2487.92506 2843.342928 2665.633995 2

35
HISTOGRAMA
30
30
FRECUENCIA ABSOLUTA

25

20 30 muestras de Cu (ppm) se
16
15
15 encuentran en el intervalo 4
(rango de ley de Cu 1066.2536
10 8 8
ppm – 1421.671464 ppm)
5 3
2
1
0
1 2 3 4 5 6 7 8
INTERVALO
1. Ordenar los datos en forma ascendente o
descendente
2. Calcular el rango o amplitud de frecuencias,
Cu PPM
1 42 contando para ello con valores máximos y
2 88 mínimos. R= (Valor max – Valor min.)
3 130
4 140
5
6
158
176
Numero de datos 25
7 285 Rango(R) 897-42
8 309
9 389 intervalo de clase(K)
10 452
11 538
Amplitud R/K
12 567
13 573
14 585 3. Calcular el número de intérvalos de clase
15 635
16 672 (K), no existe una regla general en cuanto al
17 757 número óptimo de clases (K), sin embargo
18 774
19 786 existen técnicas que permiten determinar para
20 797 n observaciones Ej. Ley de Sturges, K= 1+3,32
21 804
22 852
log (n).
23 866 n= numero de datos (muestras)
24 896
25 897
 Media aritmética
• En datos sin tabular:

donde xi es el i-ésimo dato y n es el tamaño de la muestra.

• En datos tabulados:

donde yi es la marca de la i-ésima clase (o categoría), ni la

frecuencia absoluta de la i-ésima clase y k es el número de
categorías.

20
 Mediana
• En datos sin tabular: los datos se ordenan de menor a mayor
y se ubica el valor central. Si hay dos valores centrales,
entonces se promedian.
• En datos tabulados:

la mediana se encuentra dentro de la clase (categoría) que

contiene a la posición n/2. Donde Li es el límite inferior de
esta clase, c es la amplitud de esta clase, Ni-1 es la frecuencia
acumulada anterior a esta clase y ni es la frecuencia
absoluta.

21
 Moda
• En datos sin tabular: es el valor de la variable con mayor
frecuencia.
• En datos tabulados:

donde ni es la frecuencia absoluta mayor.

Si una distribución muestra dos valores modales, indicaría la
posibilidad que dos poblaciones se encuentren mezcladas y
sea necesario separarlas.

22
 Relación entre Media, Mediana y Moda
• Si media=moda=mediana, la distribución es simétrica
• Si media > mediana, la distribución es asimétrica con cola a la
derecha (sesgada a la derecha).
• Si media < mediana, la distribución es asimétrica con cola a la
izquierda (sesgada a la izquierda).

23
 Estadísticos de Dispersión
• Las medidas de tendencia central son útiles pero nos dan una
interpretación parcial de los datos. Consideremos los dos
siguientes conjuntos de datos:

• Rango: Es la medida de variabilidad o dispersión más simple. Se

calcula tomando la diferencia entre el valor máximo y el mínimo
observado. Rango = Máximo – Mínimo.
29
 Desviación estándar
• Analizar cuáles podrían ser las ventajas y desventajas del rango
como medida de variabilidad.

• Desviación estándar
Es una medida de la dispersión de las observaciones a la media. Es
un promedio de la distancia de las observaciones a la media.

30
 …Varianza muestral

La varianza muestral está definida como la suma de las desviaciones al

cuadrado divididas por el tamaño muestral menos 1, es decir, dividas por n − 1 .

31
 …Varianza muestral
• En datos sin tabular: Si x1, x2, …, xn denota una muestra con
n observaciones, la varianza muestral se denota por:

• La desviación estándar muestral, denotada por s, es la raíz

cuadrada de la varianza

• La varianza y la desviación estándar no son medidas de

variabilidad distintas, debido a que la última no puede
determinarse a menos que se conozca la primera.

32
 …Varianza muestral
• A menudo se prefiere la desviación estándar en relación con
la varianza, porque se expresa en las mismas unidades físicas
de las observaciones.
• Si los datos están tabulados:

• donde yi es la marca de clase de la categoría i-ésima, ni la

frecuencia absoluta de la i-ésima clase y k es el número de
categorías.

33
 ESTADISTICA UNIVARIABLE
• Previo al procesamiento estadístico de datos debe
existir una preparación y filtrado de las bases de datos.
• Se deben eliminar del procesamiento aquellos
elementos que no cumplen con las condiciones de
control de calidad.
• Se deben eliminar todos aquellos elementos en los
cuales más del 50% presenta valores bajo límites de
detección.
• Se recomienda cambiar en el caso de elementos con
valores en el límite de detección, a la mitad del
correspondiente límite.
• Los elementos en valores % deben ser cambiados a
ppm.
16
 ESTADISTICA UNIVARIABLE
• Dada la naturaleza de distribución geoquímica en
materiales naturales, los datos geoquímicos deben ser
procesados en base log-normal.
• Es factible convertir la base de datos a una base log-
normal, o bien existen programas estadísticos que
permiten trabajar directamente en base log-normal.
• Son de interés todos los estadígrafos univariables
comunes: promedio, desviación estandar, mediana,
cuartiles, kurtosis, máxima, mínima.
• Se recomienda el cálculo de umbral superior como el
valor promedio más dos errores estándares.

17
 ESTADISTICA UNIVARIABLE
• El error estándar es conocido también como la
desviación estándar de la media y es representado de
la siguiente manera:
σ/𝑛
– 𝐸𝑠 = , SD=σ
– Un valor umbral recomendado es el siguiente:
σ/𝑛
– Umbral = x + 2
– Este valor a diferencia de x+/- 2σ incorpora n = número de
muestras en la ecuación.
– Los cálculos previos se deben realizar en base log-normal.
El resultado final es transformado mediante el anti-log.

18
 ESTADISTICA MULTIVARIABLE
• Los objetivos de la estadística multivariable son la determinación de
asociaciones geoquímicas relevantes.
• Variadas herramientas estadísticas pueden ser empleadas.
• Ejemplos
– Análisis de correlación
– Análisis de componentes principales
– Análisis cluster
• El análisis de los componentes principales procura determinar un
sistema más pequeño de variables que sinteticen el sistema
original.
• El análisis clúster clasifica una muestra de entidades (individuos o
variables) en un número pequeño de grupos de forma que las
observaciones pertenecientes a un grupo sean muy similares entre
sí y muy disimilares del resto. A diferencia del Análisis
discriminante se desconoce el número y la composición de dichos
grupos.
19