Estadistica Descriptiva

UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS
ESTADÍSTICA DESCRIPTIVA Y GEOESTADÍSTICA
CURSO:
GEOESTADÍSTICA Y MODELAMIENTO DE YACIMIENTOS
DOCENTE:
ING. LISSETH RONCAL JULCAMORO
PRESENTADO POR:
▪ AZAÑERO VARGAS, DAMARY VANESSA
▪ CUMPA HUERTAS ALEXIS
▪ LLATAS DEL CAMPO LEILY
▪ MEGO SAUCEDO CESAR EDUARDO
▪ REQUELME COLORADO ANGEL EDUARDO
▪ SANCHEZ BALCAZAR HILTON GYANCARLO
CAJAMARCA, PERÚ 2019

ESCUELA ACADÉ MICO PROFESIONAL DE INGENIERÍA DE MINAS
ÍNDICE
AGRADECIMIENTO...................................................................................................................................4
I. INTRODUCCIÒN A LA ESTADISTICA..........................................................................5
1.1. CONCEPTO Y OBJETIVO................................................................................................5
1.2. CAMPO DE ACTUACIÒN................................................................................................5
1.3. CLASIFICACIÒN...............................................................................................................6
1.4. ESTUDIO ESTADÍSTICO.................................................................................................6
II. GENERALIDADES DE LA ESTADÌSTICA DESCRIPTIVA.........................................7
2.1. INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA...............................................7
2.2. TERMINOLOGÍA ESTADÍSTICA....................................................................................7
2.3. DISTRIBUCIÓN DE FRECUENCIAS..............................................................................9
III. MEDIDAS DE TENDENCIA CENTRAL.......................................................................10
3.1. MEDIA ARITMÉTICA....................................................................................................10
3.1.1. Media Para Datos No Agrupados......................................................................................10
3.1.2. Media Para Datos Agrupados............................................................................................11
3.2. MEDIANA........................................................................................................................12
3.2.1. Para Datos No Agrupados.................................................................................................12
3.2.2. Para Datos Agrupados.......................................................................................................12
3.3. LA MODA........................................................................................................................13
IV. MEDIDAS DE DISPERSION..........................................................................................14
4.1. CARACTERÍSTICAS DE LAS MEDIDAS DE DISPERSIÓN......................................14
4.2. TIPOS DE MEDIDA DE DISPERSION..........................................................................14
4.2.1. MEDIDAS DISPERSION ABSOLUTA..........................................................................14
4.2.2. MEDIDAS DE DISPERSION RELATIVA.....................................................................17
V. HISTOGRAMA................................................................................................................17
5.1. TIPOS DE GRÁFICOS RELACIONADOS CON EL HISTOGRAMA..........................18
5.2. CONSTRUCCIÓN DE UN HISTOGRAMA DE FRECUENCIAS................................19
VI. GRÁFICAS DE PROBABILIDADES.............................................................................19
6.1. LA GRÁFICA DE LA DISTRIBUCIÓN NORMAL.......................................................19
6.2. GRÁFICA DE LÍNEAS....................................................................................................20
6.3. GRÁFICA DE BARRAS..................................................................................................20
6.4. SECTOR CIRCULAR......................................................................................................21
6.5. HISTOGRAMA................................................................................................................22
6.6. POLÍGONO DE FRECUENCIAS....................................................................................22
GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS
2
6.7. PICTOGRAMA................................................................................................................23
6.8. OJIVA...............................................................................................................................23
VII. GRÁFICOS DE DISPERSIÓN (SCRATTER PLOT)......................................................24
7.1. COEFICIENTE DE CORRELACIÓN DE PEARSON....................................................27
VIII. GEOESTADÍSTICA.........................................................................................................29
8.1. GENERALIDADES..........................................................................................................29
8.2. VENTAJAS DEL MODELAMIENTO GEOESTADÍSTICO.........................................30
8.3. APLICACIONES DE LA GEOESTADÍSTICA..............................................................30
IX. METODOS DE INTERPOLACIÓN................................................................................32
9.1. IDW: MÉTODO DE PONDERACIÓN INVERSO A LA DISTANCIA (INVERSE
DISTANCE WEIGHTED).................................................................................................................33
9.2. KRG: MÉTODO DE KRIGING.......................................................................................34
9.3. VECINOS NATURALES (NATURAL NEIGHBOR)....................................................37
9.4. MÉTODO DE MÍNIMA CURVATURA (SPLINE)........................................................38
9.5. TOPOGRID (TOPO TO RASTER T2R)..........................................................................39
9.6. TIN: RED DE TRIÁNGULOS IRREGULARES (TRIANGULAR IRREGULAR
NETWORK).......................................................................................................................................40
X. COMPOSITACIÓN DE MUESTRAS.............................................................................42
10.1. PROCEDIMIENTO..........................................................................................................42
10.2. MÉTODOS DE COMPOSITACIÓN...............................................................................43
10.3. ENTRE LAS PRINCIPALES RAZONES Y BENEFICIOS DE LA COMPOSITACIÓN
TENEMOS:.........................................................................................................................................45
XI. BIBLIOGRAFÍA...............................................................................................................46
3
AGRADECIMIENTO
A Dios por darnos la salud, la protección y el sustento necesario para poder cumplir
nuestros objetivos, siendo el motivo de nuestro esfuerzo, la fortaleza de nuestro ser, el
sendero de nuestra personalidad y la fuente de nuestro conocimiento y sabiduría.
A nuestros maestros por sus grandes enseñanzas durante nuestra formación profesional.
Un considerable agradecimiento a por su incondicional apoyo perfectamente mantenido
a través del tiempo. En especial a nuestro docente: Ing. Lisseth Roncal Julcamoro
A nuestros padres, por creer en nosotros y porque cada día nos sacan adelante, dándonos
ejemplos dignos de superación y entrega, porque en gran parte gracias a ellos, tenemos
la esperanza de cumplir los objetivos que en alguna oportunidad nos propusimos.
4
I. INTRODUCCIÒN A LA ESTADISTICA
I.1. CONCEPTO Y OBJETIVO
La Estadística engloba por un lado las ciencias abstractas (utilizan el método deductivo,
y mediante una serie de axiomas y proposiciones obtienen resultados) y también las
ciencias empíricas (que son aquellas que obtienen resultados observando y
experimentando todo aquellos que quieren estudiar). La Estadística es la ciencia que
estudia cómo debe emplearse la información que se tiene o se puede obtener y como dar
una guía de acción en situaciones prácticas que entrañan incertidumbre. Su objetivo
principal es obtener información, analizarla, examinarla y predecir. (Santaló, L. 1980)
I.2. CAMPO DE ACTUACIÒN
Hay dos tipos de fenómenos o experimentos que se pueden observar y estudiar, pero la
Estadística no se ocupa del estudio de ambos, sólo de uno de ellos, que son los
fenómenos aleatorios o de azar. Los dos tipos de fenómenos son:
 Fenómenos causales o determinísticos. - Son los que están sometidos a leyes,

repetidos en las mismas condiciones nos dan los mismos resultados. (Así, el tirar
un objeto desde una cierta altura muchas veces, con la misma masa, tarda
siempre el mismo tiempo).
 Fenómenos aleatorios o de azar. No están sometidos a leyes. Se caracterizan
por la imposibilidad de conocer los resultados cuando se repiten en iguales
condiciones. Sólo podemos predecir lo que sucederá después de repetir el
fenómeno o experimento varias veces). (Ejemplo, lanzar una moneda o un dado
al aire, sacar una carta de una baraja
Puede actuar de dos formas:
 Causal: Analiza en cada caso los efectos, buscando las causas que producen
dichos efectos.
 Estadístico: Estudia los fenómenos aleatorios, analizando conjunto de
individuos.
5
I.3. CLASIFICACIÒN
Las Ciencias Estadísticas Podemos clasificar la Estadística en dos grandes bloques, que
a su vez tienen más subdivisiones.
 Estadística Descriptiva:
 Se utiliza cuando los resultados del análisis estadístico no pretenden ir

más allá del conjunto de datos investigados.
 Describe numéricamente, analiza y representa un conjunto de datos
ordenados mediante la utilización de métodos numéricos, tablas y
gráficas, simplificando y resumiendo la información.
 Estadística Inferencial:
 Se utiliza para predecir datos futuros a partir de los valores observados,

pudiendo hacer una ley aproximada de lo que ocurra en el futuro.
 Se apoya en el cálculo de probabilidades y a partir de unos datos, efectúa
estimaciones, decisiones, predicciones y otras generalizaciones sobre un
conjunto mayor de datos.
En resumen, una clase de Estadística se refiere a lo que ocurre y otra a lo que ocurrirá.
Entre ambas hay un vacío que lo llena el concepto de probabilidad, el cual permite pasar
de la estadística descriptiva a la inferencial, incorporando la medida de probabilidad.
I.4. ESTUDIO ESTADÍSTICO
Antes de hacer un estudio estadístico, tenemos que plantearnos bien que problema
vamos a estudiar, y cuáles van a ser los objetivos de nuestra investigación, fijando los
pasos a seguir, las clasificaciones que se van a realizar, las variables que debemos
observar y cómo medirlas, los gráficos que vamos a representar.
Para la elaboración de los datos, hay que realizar una buena recogida de la información
muestral, pues una mala recogida, puede anular el estudio. Tenemos dos
procedimientos:
 Muestreo. Consiste en elegir al azar una muestra mediante diferentes tipos de

muestreo que estudiaremos más adelante y observar pasivamente esa muestra
anotando los valores.
6
 Diseño de experimentos. Consiste en fijar los valores de ciertas variables y

observar las respuestas de otras, es decir, se plantean los objetivos que se
pretenden delimitando la información que se va a estudiar.
Una vez que hemos recogido los datos, tenemos que:
 Hacer una recopilación y reducción de dichos datos a unas pocas medidas

representativas
 Confeccionar tablas acompañadas de gráficos para una mejor visión de los datos
 Interpretar los resultados y obtener conclusiones para predecir y tomar
decisiones estadísticas.
II. GENERALIDADES DE LA ESTADÌSTICA DESCRIPTIVA
II.1. INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA
La estadística descriptiva pretende dar una descripción numérica, ordenada y

simplificada, a veces con la ayuda de representaciones gráficas, de la información
obtenida en la recogida de datos de un fenómeno aleatorio.
Ya vimos que era un fenómeno aleatorio aquel que no está sujeto a leyes. Se caracteriza
por la imposibilidad de conocer los resultados cuando se repiten en iguales condiciones.
Solo podemos predecir lo que sucederá después de repetir el fenómeno o experimentos

varias veces. Todos los fenómenos aleatorios pueden ser descritos estadísticamente, por
ejemplo, decimos que al lanzar una moneda tenemos las mismas posibilidades de sacar
cara, C, que, de sacar cruz, X).
II.2. TERMINOLOGÍA ESTADÍSTICA
El análisis estadístico, está formado por dos elementos fundamentales como ya hemos
analizado, descripción del conjunto de información y obtención de conclusiones de toda
la población cuando sólo conocemos parte de ella, y predicción de consecuencias
futuras.
 Población (colectivo o universo). Conjunto de unidades, elementos o

individuos sobre los que se realiza el estudio, y que cumplen una determinada
característica o propiedad. A cada elemento de la población se le llama
7
individuos o unidades estadísticas. El tamaño de la población es el número de

individuos que tiene dicha población, y lo denotamos por N. Hay dos tipos de
poblaciones: Finita e Infinita.
La población que se vaya a estudiar debe definirse con mucha precisión, por
ejemplo, si queremos hacer un estudio de los hábitos de estudio de los
estudiantes de una Universidad, debemos de saber a qué tipo de estudiantes nos
referimos, si sólo de los que asisten a clase o también de los que no asisten.
 Muestra: es cualquier subconjunto de la población. La muestra es una

representación de la población, por ello es importante su elección. El proceso
mediante el cual se extrae una muestra se llama muestreo. Uno de los tipos de
muestreo más utilizado es el muestreo aleatorio simple (m.a.s.) en el que cada
individuo de la población tiene la misma probabilidad de ser incluido en la
muestra. Existen varios motivos por las que se elige una muestra, una de ellas es
el coste que supone hacer un estudio de una población entera.
 Variables estadísticas. Cuando hablemos de variable, haremos referencia a un
símbolo (X, Y, A, B..) que puede tomar cualquier modalidad (o valor) de un
conjunto determinado, que llamaremos dominio de la variable o rango. En
función del tipo de dominio, clasificamos las variables en:
 Variables cualitativas: cuando las modalidades posibles son de tipo

nominal. Por ejemplo, una variable de color, A ∈ (“rojo”, “azul”,
“verde”)
 Variables cuantitativas: son las que tienen por modalidades cantidades
numéricas con las que podemos hacer operaciones aritméticas. Dentro de
este tipo de variables podemos distinguir dos grupos:
- Discretas: cuando no admiten siempre una modalidad intermedia

entre dos cualesquiera de sus modalidades. Un ejemplo es el número
de caras, obtenido en el lanzamiento repetido de una moneda. Es
obvio que cada valor de la variable es un número natural.
- Continuas: cuando admiten una modalidad intermedia entre dos
cualesquiera de sus modalidades, por ejemplo, el peso X de un niño
al nacer. En este caso los valores de las variables son número reales,
es decir, X ∈ R.
8
II.3. DISTRIBUCIÓN DE FRECUENCIAS
La forma de la distribución de los datos (de una variable) se denomina distribución de

frecuencias. El estudio de las distribuciones de frecuencias tiene por objeto la
construcción de tablas de frecuencias que podrán utilizarse para una mejor presentación
e interpretación de la información contenida en los datos observados en la muestra. En
este apartado, nos referimos a las distribuciones unidimensionales de frecuencias, que
son aquellas utilizadas para describir una variable individual sin tener en cuenta la
información de otras variables que pudieran haberse incluido en el estudio.
Para poder obtener la forma general de una distribución de frecuencias unidimensional,

es necesario introducir algunos conceptos previos. Consideremos una población
estadística de N individuos, descrita según una variable o carácter X, cuyas modalidades
han sido agrupadas en un número n de clases, denotándolo como x1, x2, . . . , xn. Para
cada una de estas clases xi, i=1, . . ., n, vamos a definir:
 Frecuencia absoluta de la clase xi: Es el número fi de observaciones que

existen en dicha clase. Dicho de otra forma, es el número de veces que se repite
dicho valor. Se denota mediante fi.
 Frecuencia absoluta acumulada de la clase xi: Es el número de elementos de
la población cuya modalidad es inferior o equivalente a las de la clase xi. Se
denota por Fi.
 Frecuencia relativa de la clase xi: Es el cociente entre las frecuencias absolutas
de dicha clase y el número total de observaciones o datos que denotamos por N,.
 Frecuencia relativa acumulada de la clase xi: es el número de elementos de la
población que están en alguna de las clases inferior o igual a la case xi. Se
denota por Hi.
9
III. MEDIDAS DE TENDENCIA CENTRAL
En ocasiones es conveniente resumir la información de una muestra (que se representa

mediante las distribuciones de frecuencias vistas anteriormente) en un solo valor para
obtener indicadores del comportamiento de la variable en diferentes sentidos, como
punto alrededor del que toma valores, variabilidad, etc. Resumir la información
mediante un solo número es interesante para comprender mejor cómo se comporta la
variable y para poder realizar comparaciones. En este capítulo se considerarán las
medidas de tendencia central más habituales. La idea de centro de una distribución no es
única, aunque en términos generales se puede decir que se trata de encontrar un punto
alrededor del cual tome valores la variable.
III.1. MEDIA ARITMÉTICA
Es posible hallar la media de La idea de media o promedio (también llamada media

aritmética) formaliza el concepto intuitivo de punto de equilibrio de las observaciones.
Es decir, es el punto medio del recorrido de la variable según la cantidad de valores
obtenidos. Es realmente un promedio de los datos, cuando los datos no están agrupados
es un cociente de dividirla suma de los datos involucrados entre el número de los datos.
Si deseamos tener la media de un grupo de datos, los sumamos y luego los dividimos
entre el número de datos (n).
Para diferenciar datos muéstrales de datos poblacionales, la media aritmética se

representa con un símbolo para cada uno de ellos: si trabajamos con la población, este
indicador será µ; en el caso de que estemos trabajando con una muestra, el símbolo será
X.
Hay que entender que existen dos formas distintas de trabajar con los datos tanto
poblacionales como muéstrales: sin agruparlos o agrupándolos en tablas de frecuencias.
Esta apreciación nos sugiere dos formas de representar la media aritmética.
III.1.1. Media Para Datos No Agrupados
Podemos diferenciar la fórmula del promedio simple para datos poblaciones y

muéstrales:
10
Observe que la variación de ambas fórmulas radica en el tamaño de los datos (N

identifica el tamaño de la población, mientras que n el de la muestra).
III.1.2. Media Para Datos Agrupados
Si los datos están agrupados la media se calcula como:
Donde:
 xi es el valor de la variable discreta o el punto medio de intervalo de clase

(marca de clase) si se trata de una variable continua
 fi es la frecuencia de la variable o intervalo de clase según corresponda.
 N es el número de datos.
Ventajas
 Es la medida de tendencia central más usada.
 El promedio es estable en el muestreo.
 Es sensible a cualquier cambio en los datos (puede ser usado como un
detector de variaciones en los datos).
 Se emplea a menudo en cálculos estadísticos posteriores.
 Presenta rigor matemático.
 En la gráfica de frecuencia representa el centro de gravedad.
Desventajas
11
 Es sensible a los valores extremos.

 No es recomendable emplearla en distribuciones muy asimétricas.
 Si se emplean variables discretas o cuasi-cualitativas, la media aritmética
puede no pertenecer al conjunto de valores de la variable.
III.2. MEDIANA
La mediana es el valor medio de una serie cuando los valores se ordenan de menor a
mayor. Divide la serie de tal forma que el 50% de los valores son menores a él y el otro
50% de los valores son mayores a él. Una característica importante de la mediana es que
no está influenciada con la magnitud de los valores de las colas de la distribución. Si el
número de datos de la serie es impar el valor coincide con el valor central y cuando es
par, la mediana se encuentra entre los dos valores centrales. Si los datos están agrupados
la mediana se ubica en la clase mediana (la clase cuya frecuencia acumulada supera
primero el valor [(n + 1) / 2])
III.2.1. Para Datos No Agrupados
III.2.2. Para Datos Agrupados
Dónde:
12
 Li. Límite inferior del intervalo mediana

 A: amplitud de intervalo mediana.
 F1-i: frecuencia acumulada anterior al intervalo mediana
 Fi: frecuencia absoluta del intervalo mediana
 N; total de datos
III.3. LA MODA
La moda de una serie de datos es el valor que aparece con más frecuencia que cualquier
otro. Una serie de datos puede no tener moda o tener más de una, si tiene dos modas se
dice bimodal y polimodal si tiene más de dos. En los datos sin agrupar la moda se
observa claramente cuando se ordenan los datos de menor a mayor. Cuando los datos
están agrupados la moda se encuentra en la clase de mayor frecuencia, llamada clase
modal Martínez Gonzales & Sánchez Villegas (2014),
Su valor se halla a partir de la siguiente expresión:
Dónde:
 Li: es el límite inferior de la clase modal.

 fi: es la frecuencia absoluta de la clase modal.
 fi-1: es la frecuencia absoluta inmediatamente inferior a la clase modal.
 fi+1: es la frecuencia absoluta inmediatamente posterior a la clase modal.
 ai: es la amplitud de la clase.
13
IV. MEDIDAS DE DISPERSION
Las medidas de dispersión, también llamadas medidas de variabilidad, muestran la

variabilidad de una distribución, indicando por medio de un numero si las diferentes
puntuaciones de una variable están muy alejadas de la media. Cuanto mayor sea ese
valor, mayor será la variabilidad, y cuanto menor sea, más homogénea será a la media.
Así mucho entre ellos.
Para calcular la variabilidad que una distribución tiene respecto de su media, se calcula
la media de las desviaciones de las puntuaciones respecto a la media aritmética. Pero la
suma de las desviaciones es siempre cero, así que se adoptan dos clases de estrategias
para salvar este problema. Una es tomando las desviaciones al cuadrado (varianza).
IV.1. CARACTERÍSTICAS DE LAS MEDIDAS DE DISPERSIÓN
 Las medidas de dispersión nos sirven para cuantificar la separación de los

valores de una distribución.
 Llamaremos Dispersión o Variabilidad, a la mayor o menor separación de los
valores de la muestra, respecto de las medidas de centralización que hayamos
calculado.
 Al calcular una medida de centralización como es la media aritmética, resulta
necesario acompañarla de otra medida que indique el grado de dispersión, del
resto de valores de la distribución, respecto de esta media.
 A estas cantidades o coeficientes, les llamamos: Medidas de Dispersión,
pudiendo ser absolutas o relativas.
IV.2. TIPOS DE MEDIDA DE DISPERSION
IV.2.1. MEDIDAS DISPERSION ABSOLUTA
a) Rango o Recorrido
Esta es la medida más sencilla de calcular y comprender. Se concentra en el
valor máximo y mínimo de la colección de datos y viene dada por:
R=Xn-X1
Características:
 Solo suministra información de los extremos de las variables.
 Informa sobre la distancia entre el mínimo y el máximo valor observado.
14
 Se limita su uso a una información inicial.

b) Desviación media:
Es la diferencia entre cada valor de la variable estadística y la media aritmética.
Características:
 Todas las observaciones se usan en el cálculo.
 No tiene influencia debido a los valores altos y bajos.
 Es un poco difícil trabajar con los valores absolutos.
c) Desviación estándar o típica
Es la raíz cuadrada de la varianza; es decir la raíz cuadrada de la media de los
cuadrados de las puntuaciones de desviación. La desviación típica se representa
con la letra S:
En una población:
En una muestra:
Características:
 Es afectada por el valor de cada observación

 Como consecuencia de considerar desviaciones cuadráticas pone mayor énfasis
en la desviación extrema que en los demás.
15
d) Desviación media
La Desviación media es la diferencia entre cada valor de la variable estadística y
la media aritmética.
Características:
 Todas las observaciones se usan en el cálculo.
 No tiene la influencia debido a los valores altos y bajos.
 Es un poco difícil trabajar con los valores absolutos.
e) Varianza
La varianza es la media aritmética del cuadrado de las desviaciones respecto a la
media de una distribución estadística.
Características:
 Es siempre un valor no negativo, que puede ser igual o distinta de 0.

 La Varianza es la medida de dispersión cuadrática óptima por ser la
menor de todas.
 Si a todos los valores de la variable se le suma una constante la varianza
no se modifica.
 Si todos los valores de la variable se, multiplica por una constante la
varianza queda multiplicada por el cuadrado de dicha constante.
16
IV.2.2. MEDIDAS DE DISPERSION RELATIVA
a) Coeficiente de variación de Pearson

 Se calcula como cociente entre la desviación típica y la media
 Es un porcentaje que permite comparar el nivel de dispersión de las
muestras
V. HISTOGRAMA
En estadística, un histograma es una representación gráfica de una variable en forma de

barras, donde la superficie de cada barra es proporcional a la frecuencia de los valores
representados. Sirven para obtener una "primera vista" general, o panorama, de la
distribución de la población, o de la muestra, respecto a una característica, cuantitativa y
continua (como la longitud o el peso). De esta manera ofrece una visión de grupo
permitiendo observar una preferencia, o tendencia, por parte de la muestra o población
por ubicarse hacia una determinada región de valores dentro del espectro de valores
posibles (sean infinitos o no) que pueda adquirir la característica. Así pues, podemos
evidenciar comportamientos, observar el grado de homogeneidad, acuerdo o concisión
entre los valores de todas las partes que componen la población o la muestra, o, en
contraposición, poder observar el grado de variabilidad, y por ende, la dispersión de
todos los valores que toman las partes, también es posible no evidenciar ninguna
tendencia y obtener que cada miembro de la población toma por su lado y adquiere un
valor de la característica aleatoriamente sin mostrar ninguna preferencia o tendencia,
entre otras cosas.
Se utilizan para relacionar variables cuantitativas continuas. Para variables cuantitativas

discretas las barras se dibujan separadas y el gráfico se llama diagrama de frecuencias,
porque la variable representada en el eje horizontal ya no representa un espectro
continuo de valores, sino valores cuantitativos específicos, igual que ocurre en un
diagrama de barras, usado para representar una característica cualitativa o categórica. Su
utilidad se hace más evidente cuando se cuenta con un gran número de datos
cuantitativos y que se han agrupado en intervalos de clase. Ejemplos de su uso es la
representación de edades o estaturas de una población. Por comodidad, sus valores se
agrupan en clases, es decir, en intervalos continuos. En los casos en los que los datos
17
son cualitativos (no numéricos), como cierto grado de acuerdo o nivel de estudios, es
preferible un diagrama de sectores.
V.1. TIPOS DE GRÁFICOS RELACIONADOS CON EL HISTOGRAMA
 Histograma de frecuencias absolutas

Representa la frecuencia absoluta mediante la altura de las barras. Sólo se puede
aplicar cuando todos los intervalos son iguales, ya que en ese caso las alturas y las
superficies son proporcionales.
 Histograma de frecuencias relativas
Representa la frecuencia relativa mediante la altura de las barras. La elaboración del

gráfico es más complicada pues los números ya no son enteros. Como en el caso
anterior sólo se puede aplicar cuando todos los intervalos son iguales, ya que en ese
caso las alturas y las superficies son proporcionales.
 Histograma
Representa la frecuencia relativa mediante la superficie de las barras. Aunque esto

sea cierto en todos los histogramas, cuando se agrupan los datos en intervalos
desiguales hay que atender a la superficie de las barras, que no se corresponderá con
la altura como ocurría en los casos anteriores. Es el que se suele usar en educación
universitaria. Para su elaboración debe introducirse el concepto de altura de
histograma, que es un concepto equivalente al de densidad de probabilidad, y que se
calcula dividiendo la frecuencia relativa de ese intervalo (o sea la superficie que
queremos darle) entre la anchura del intervalo (la base del rectángulo). Ahora las
barras tendrán siempre superficie igual a la frecuencia relativa y la suma de todas
esas superficies (de todas las barras) será 1, o sea el 100%.
V.2. CONSTRUCCIÓN DE UN HISTOGRAMA DE FRECUENCIAS
 Paso 1: Determinar el rango de los datos. Rango es igual al mayor valor menos
el menor valor.
18
 Paso 2: Obtener todos los números de grupos, existen 4 criterios para determinar
el número de clases (o barras) –por ejemplo, la regla de Sturges etc.
 Paso 3: Establecer la anchura de clase. Si queremos intervalos iguales
tomaremos el rango dividido por el número de clases y comparar con los
resultados obtenidos de la dispersión.
 Paso 4: Construir los intervalos de clases: Los intervalos resultan de dividir el
rango de los datos en segmentos iguales usando la anchura de clase obtenida en
el PASO 3.
 Paso 5: Graficar el histograma: Como todas las clases tienen la misma amplitud
las bases de las barras son los intervalos de clases y la altura es la frecuencia de
las clases.
VI. GRÁFICAS DE PROBABILIDADES
VI.1. LA GRÁFICA DE LA DISTRIBUCIÓN NORMAL.
Tiene la forma de una campana, por este motivo también es conocida como la
campana de Gauss. Sus características son las siguientes:
 Es una distribución simétrica.

 Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos
valores tienden a infinito.
 En el centro de la curva se encuentran la media, la mediana y la moda.
 El área total bajo la curva representa el 100% de los casos.
 Los elementos centrales del modelo son la media y la varianza.
19
En el gráfico, el área sombreada corresponde a la probabilidad de encontrar un

valor de la variable que sea igual o inferior a un valor dado. Esa probabilidad es la
que aprenderemos a determinar usando una tabla estandarizada.
VI.2. GRÁFICA DE LÍNEAS
Los gráficos de líneas muestran una serie como un conjunto de puntos conectados
mediante una sola línea. Los gráficos de líneas se usan para representar grandes
cantidades de datos que tienen lugar durante un período continuado de tiempo.
VI.3. GRÁFICA DE BARRAS
Un diagrama de barras, también conocido como diagrama de columnas, es una

forma de representar gráficamente un conjunto de datos o valores y está
conformado por barras rectangulares de longitudes proporcionales a los valores
representados.
20
VI.4. SECTOR CIRCULAR
Un gráfico circular o gráfica circular, también llamado "gráfico de pastel", "gráfico

de tarta", "gráfico de torta" o "gráfica de 360 grados", es un recurso estadístico que
se utiliza para representar porcentajes y proporciones. El número de elementos
comparados dentro de una gráfica circular suele ser de más de cuatro.
Al igual que en la gráfica de barras, el empleo de tonalidades o colores facilita la

diferenciación de los porcentajes o proporciones. A diferencia de otros tipos de
gráficos, el circular no tiene ejes x o y.
21
VI.5. HISTOGRAMA
Gráfico de la representación de distribuciones de frecuencias, en el que se emplean

rectángulos dentro de unas coordenadas.
VI.6. POLÍGONO DE FRECUENCIAS
El polígono de frecuencias es un gráfico que permite la rápida visualización de las

frecuencias de cada una de las categorías del estudio.
Normalmente se utiliza el polígono de frecuencias con frecuencias absolutas, pero

también se utiliza con frecuencias relativas.
22
VI.7. PICTOGRAMA
Un pictograma es un tipo de gráfico que representa mediante dibujos la

característica estudiada. Éstos representan las frecuencias relativas o absolutas de
una variable cualitativa o discreta.
VI.8. OJIVA
La ojiva es el polígono frecuencial acumulado, es decir, que permite ver cuántas

observaciones se encuentran por encima o debajo de ciertos valores, en lugar de
solo exhibir los números asignados a cada intervalo.
La ojiva apropiada para información que presente frecuencias mayores que el dato
que se está comparando tendrá una pendiente negativa (hacia abajo y a la derecha)
y en cambio la que se asigna a valores menores, tendrá una pendiente positiva. Una
gráfica similar al polígono de frecuencias es la ojiva, pero ésta se obtiene de aplicar
parcialmente la misma técnica a una distribución acumulativa y de igual manera
que éstas, existen las ojivas "mayor que" y las ojivas "menor que".
23
VII. GRÁFICOS DE DISPERSIÓN (SCRATTER PLOT)
Según Martínez Gonzales & Sánchez Villegas (2014), un gráfico de dispersión (Scatter
plot) o también llamado nube se realiza para la descripción de la relación entre dos
variables numéricas. Es un tipo de diagrama matemático para mostrar los valores de dos
variables para un conjunto de datos, los cuales se muestran como un conjunto de puntos,
mediante lo que se trata de mostrar cuánto afecta una variable a otra; cada uno con el
valor de una variable que determina la posición en el eje horizontal (x) y el valor de la
otra variable determinado por la posición en el eje vertical (y).
24
Esta gráfica de dos variables continuas que se construye sin la necesidad de establecer
cuál de las variables es independiente y cual es dependiente. En cambio, una gráfica de
regresión debe correctamente identificar la variable dependiente e indicarla en el eje
horizontal y presentar la variable dependiente o sea el efecto en el eje vertical. Un
diagrama de dispersión permite estableces una interrelación o interdependencia entre
dos variables y apreciar a groso modo, por simple inspección visual, la correlación que
existe entre ellas.
Ventajas
 Representa la relación entre dos variables de forma gráfica, lo que hace más fácil
visualizar e interpretar los datos.
 Calculando la correlación de dos variables, permite cuantificar el grado de
relación entre ambas, así como su signo.
Utilidades
 Obtener información para determinar si dos variables están relacionadas.

 Comprobar cómo afecta a una variable los cambios producidos en otra.
 Probar las posibles relaciones causa / efecto.
Se pueden interpretar varios tipos de correlación a través de los patrones mostrados en

los diagramas de dispersión. Estos son:
25
 Positivo: Mientras el valor de x aumenta, los valores de y aumentan. Quizás

algunos puntos no siguen un patrón exacto, pero la tendencia, global, la
tendencia general o movimiento, es clara desde la izquierda inferior a la derecha
superior del gráfico.
 Negativo: un valor disminuye a medida que el otro aumenta, En este caso,

mientras el valor de x aumenta, los valores de y disminuyen. Podrías argumentar
que la pendiente no es tan inclinada, lo que es verdad. Sin embargo, la tendencia
general es evidente. Este gráfico se mueve desde la izquierda superior a la
derecha inferior
 Nulo: Sin correlación, Algunas veces, no relación entre las variables. Los
diagramas de dispersión de estas situaciones no mostrarán una tendencia. En
otras palabras, parece que no hay un patrón definido con los puntos. No puedes
ver que se tome ninguna dirección en particular.
26
 lineal, exponencial y en forma de U.
La fuerza de la correlación puede determinarse por la proximidad de los puntos entre sí

en el gráfico. Los puntos que terminan muy lejos del conjunto general de puntos se
conocen como valores atípicos.
 Línea de tendencia: Esto se conoce normalmente como «línea de mejor

ajuste» y se puede utilizar para hacer estimaciones mediante interpolación. Se
usa para facilitar el desarrollo de predicciones, basándose en datos pasados, al
dibujar la recta, se debe tener seguridad de que encaje con el mayor número de
datos. Si existe un punto o puntos ubicados por encima o por debajo, en
referencia al resto estamos hablando de puntos atípicos, estos se deben dejar
fuera de la recta.
VII.1. COEFICIENTE DE CORRELACIÓN DE PEARSON
En estadística, este coeficiente de Pearson, constituye una medida de la relación entre 2

variables cuantitativas aleatorias, esta correlación es independiente de la escala de las
variables.
27
En términos más sencillos, se puede decir que el coeficiente de correlación de Pearson

es un índice que se puede utilizar para medir el grado de relación de 2 variables siempre
que estas sean cuantitativas.
El valor del Coeficiente de Correlación lineal de Pearson (r) proporciona una medida
del grado de relación entre dos variables y se calcula mediante la expresión:
El valor del Coeficiente de Correlación es:
 Si r = +1 o r = -1 se tiene entonces una correlación perfecta, lo cual significa que

todos los puntos caen sobre una línea recta.
 Un valor de r = 0 indicará la ausencia de relación entre las variables; entre más

cercano esté el valor absoluto de r a la unidad mayor será el grado de
correlación.
28
VIII. GEOESTADÍSTICA
La Geoestadística es una disciplina que permite analizar datos ubicados en un espacio,

por ejemplo:
 Aplicación de técnicas geoestadística:

Industria minera y meteorología
Petróleo, pesca, remediación ambiental
 Requerida por el Negocio Minero:
Tomar la mejor decisión posible frente a la incertidumbre
La descripción numérica del depósito es una de las fuentes más importantes de

incertidumbre
 Requerida por la legislación Ambiental:
Nuevas leyes y regulaciones requieren presentan cuantificación de concentraciones de

contaminantes incluyendo la incertidumbre o error en la medida
VIII.1. GENERALIDADES
La estadística se ocupa de los métodos científicos para recolectar, organizar, resumir,

presentar y analizar datos, así como obtener conclusiones válidas y tomar decisiones
razonables en base a dicho análisis
 La geoestadística es una rama de la estadística aplicada que pone énfasis

en:
El contexto geológico de los datos
La relación espacial entre los datos
Datos medidos con un soporte volumétrico y precisión diferentes
 La geoestadística es útil para:
Cuantificar aspectos geológicos (“ponerle números a la geología”)
29
Estimación/Simulación
Cuantificación de la incertidumbre (categorización)
Diseño de muestra
Análisis de riesgo
VIII.2. VENTAJAS DEL MODELAMIENTO GEOESTADÍSTICO
Practica / Consistencia con los datos – la mejor estrategia para modelar la distribución
espacial de las leyes minerales
Repetible / auditoria – seguimiento
Fácil de adjuntar datos incrementables (siempre que el modelo conceptual no cambie)
Los modelos 3-D llevan a mejores inventarios / reservas de mineral que un conjunto de
interpretaciones 2D
Mejor modelamiento de la variabilidad o incertidumbre:
Grado controlable de la variabilidad espacial (variograma)
Los estimadores de las reservas recuperables son más confiables (Med, Ind, Inf)
Base para integración de datos:
Interpretación geológica
Comportamiento de datos en el límite entre dos dominios (“duros” y “blandos”)
Datos que representan diferente soporte de medición (Compositos y Bloques)
VIII.3. APLICACIONES DE LA GEOESTADÍSTICA
La geoestadística se puede aplicar en diferentes etapas del ciclo de vida de un depósito:
 Exploración: Un modelo de pre-factibilidad para cálculo de inventario in-situ
¿Dónde perforar los nuevos sondajes?

¿Qué malla de perforación permitirá generar recursos bancables?
30
 Desarrollo: Un modelo de factibilidad para cálculo de reservas recuperables y

planificación de largo plazo
¿Cuáles son los requerimientos de mezcla para asegurar un cierto abastecimiento a la
planta?
 Producción: Un modelo de producción para control de leyes y planificación de

corto plazo
¿Cuánto dinero se pierde por mala asignación de bloques a la planta o botadero?
 Ambiental: Caracterizar interacciones temporales y espaciales entre la

operación mina / planta y el medioambiente
Las herramientas que son apropiadas en una etapa inicial pueden no serlo más adelante
Algunas herramientas de modelamiento numérico
 Estimación:
Inverso del cuadrado de la distancia
Kriging Simple / Ordinario
Kriging de indicadores
Cokriging
 Simulación de variables continúas:

Simulación secuencial Gaussiana
Simulación por Bandas Rotantes
Simulación de indicadores
 Simulación de variables categorías:

Simulación secuencial de indicadores
Simulación PluriGaussiana
Simulación de objetos
31
IX. METODOS DE INTERPOLACIÓN
En todo proyecto se utiliza los algoritmos de interpolación que están disponibles en la

mayoría los paquetes de software comercial, hay que destacar que éstos no son los
mejores métodos para la producción de los DEM (Modelos digitales de elevación) en
los que se utiliza una serie de técnicas para modelar el terreno adecuadamente y reducir
la incidencia de los algoritmos de interpolación (Sharif y Makarovic 1989, Podobnikar
2005). Sin embargo, existen métodos típicos usados para producir muchos de los DEM
hoy en día y que seguirán siendo utilizados por los no especialistas para su creación
desde sus propias fuentes de datos. Los métodos que se eligieron se encuentran
disponibles en ArcGIS 10, como indica la siguiente lista. Entre paréntesis se encuentran
las abreviaturas que se usan en las figuras y tablas:
1. Inverse Distance Weighted: Método de ponderación inverso a la distancia (IDW)

2. Kriging (KRG)
3. Natural Neighbor: Vecinos naturales (N.N)
4. Spline: método de mínima curvatura (SP)
5. Topo to Raster: Topogrid (T2R)
6. Triangular Irregular Network: Red de Triángulos Irregulares (TIN)
El método de interpolación de ponderación inverso a la distancia (IDW) fue elegido por

su masivo uso en los entornos SIG y especialmente por su querencia en los
procedimientos de reducción de escala. El método de interpolación Spline (SPL) se
considera de uso general y al igual que el método de Vecinos Naturales (N.N) se
presume que pueden ser de mucha utilidad en situaciones en las que los datos originales
son escasos, pues se puede argumentar que no es necesario forzar la superficie
interpolada a través de los puntos, especialmente si se considera que los datos contienen
32
errores, además de que han sido utilizados en trabajos anteriores del autor (Garzón,
2012).
El interpolador Topo to Raster (T2R) se eligió porque fue específicamente diseñado
para crear DEM derivando modelos hidrológicamente correctos, convirtiéndose en uno
de los principales tributarios de la demanda de modelación de superficies terrestres,
Kriging es considerado el algoritmo geoestadístico por excelencia, puede utilizarse con
casi cualquier tipo de dato debido a que su estructura es muy flexible, se considera uno
de los mejores métodos de interpolación ya que produce estimaciones insesgadas y de
mínima varianza, y el por último, la inclusión del algoritmo TIN que desde 1968 se
considera como el más apropiado para representar las formas topográficas en los
entornos SIG.
En todos los casos los algoritmos necesitan valores de los parámetros alternativos que
controlan la interpolación, y que generalmente modifican el producto final, su elección
depende de las características propias de los datos utilizados: cantidad, densidad y
distribución espacial, para este estudio y con el ánimo de evitar confusiones lógicas
derivada de la multiplicada generación de los distintos modelos, todos los parámetros se
utilizaron por defecto conforme como los sugiere ArcGIS 10.
IX.1. IDW: MÉTODO DE PONDERACIÓN INVERSO A LA DISTANCIA

(INVERSE DISTANCE WEIGHTED)
Este algoritmo calcula los valores de las celdas por medio de una composición
ponderada de los datos de la muestra, el modelo sugiere que el resultado predicho
reduce su incidencia en la medida en que aumenta la separación entre el punto a evaluar
y los puntos de su entorno. Es así como se acepta que los puntos más cercanos al
centroide poseen un mayor peso en el cálculo del valore definitivo de la elevación para
dicha celda, su modelo matemático es:
z
∑ ( d in )
z=
∑ ( d1n )
Donde:
Z: es el valor a interpolar
Zi: son los valores de elevación de los puntos vecinos
33
d: distancia entre los puntos vecinos y el punto a predecir

n: es la potencia a la cual se eleva la distancia, y oscila entre 0.5 y 4 (ESRI, 1993)
Este procedimiento de interpolación tiene en cuenta:

 La definición de la zona circundante del punto a interpolar (delimitación de
radio de acción, forma de hacer el re-muestreo y la orientación de los puntos).
 La cantidad de puntos que se utilicen al interior de la zona circundante.
 La elección de la función matemática que se ajuste a la variación sobre la
cantidad de puntos seleccionados.
La función que se use en la ponderación y la cantidad de puntos que se usen como
vecinos en el área circundante, son parámetros definitivos en el resultado de la
interpolación. La potencia permite controlar la significancia de los puntos conocidos en
los valores interpolados basándose en la distancia desde el punto de salida, su valor
predeterminado es 2. (ESRI,2010).
IX.2. KRG: MÉTODO DE KRIGING
Es una técnica de interpolación geoestadística que determina el valor de la elevación

apoyado en el cálculo del promedio de las elevaciones más próximas. Su cómputo se
apoya en la teoría de la variable regionalizada, que presupone que la variación espacial
de una variable está dada en función de tres grandes módulos:
 Un módulo estructural que tiene una tendencia constante (componente
determinístico).
 Un módulo aleatorio que se conoce como variable regionalizada y que se
encuentra espacialmente correlacionado.
 Y un módulo aleatorio no correlacionado de error no explicable conocido como
error residual.
Este modelo busca minimizar la varianza del error, y llevar la media del error de los
valores predichos a cero, para que no se presenten sobre ni subestimaciones, su
expresión matemática es:
Z( X ¿¿ 0)= λ ∗Z
1 ( X¿¿1)+ λ 2∗ Z(X ¿ ¿2) +λ ∗ Z ¿
¿
¿
3 (X ¿¿ 3)+… +λ ∗ Z ¿
n (X ¿¿ n) ¿
Donde:
Z( X ¿¿ 0)¿: Valor estimado de Z(x), en el punto X0.
34
λ 1: Peso asignado a la i-ésima medición, para realizar la predicción del valor Z(Xo).
Z( X ¿¿ n)¿: elevación de los puntos vecinos que intervienen en el procedimiento.
Se tiene entonces:
n
Z( X ) =∑ λ1∗Z (X )
0 i
i=0
En la siguiente figura se puede apreciar la relación de un punto (color rojo) con el resto
de puntos que tendrán incidencia en la predicción:
Cálculo de la diferencia cuadrada entre las ubicaciones asociadas. Fuente: Using ArcGIS Geostatistical
Analyst, 2003
La representación de las distancias de cada punto al resto de ellos es un tanto

complicada de interpretar en el gráfico anterior, en su lugar se utiliza el semivariograma
empírico como el modelo que asume la dirección y distancia entre los puntos, indicando
una auto correlación espacial que se puede usar para explicar la continuidad de la
superficie, esto se conoce como variografía y se refleja mediante un semivariograma.
35
El interpolador refleja la variación espacial de la elevación en diferentes direcciones del

espacio geográfico haciendo el cálculo del semivariograma empírico (puntos de color
rojo), deduciendo que tanta similaridad existe entre los puntos a medida que aumenta su
separación, y se calcula de la siguiente forma:
n (h )
(Z ( x 1 )−Z ( x1 +h ))2
γ (h )=∑
i=1 2 n(h)
Donde:
γ (h ): es la semivarianza para todas las muestras distanciadas por el intervalo de
separación h
n(h): número total de pares de la muestra
Z ( x 1 ): es el valor de la muestra en una posición x1
Z ( x 1 +h ): es el valor de la muestra a la distancia del intervalo h desde x
Para poder realizar la predicción del valor es necesario ajustar el semivariograma

empírico a un semivariograma experimental para cuantificar el grado y escala de
variación espacial, siendo esto similar a un análisis de regresión donde se ajustan un
conjunto de puntos a una línea o curva continua, como se puede apreciar en el siguiente
gráfico (línea de color azul):
36
Semivariograma empírico ajustado al experimental
Con este ajuste se pueden extraer los parámetros que se utilizan para realizar la
predicción:
 Rango (lenght): muestra la distancia donde la separación entre puntos indica una
auto correlación significativa. Indica la amplitud del radio de búsqueda de los
vecinos locales.
 Efecto pepita (nugget effect): es el atribuido a los errores de medición.
 meseta (sill): máxima semivarianza hallada entre un par de puntos, que es
encargada de encontrar la incertidumbre en el momento de la interpolación.
 Lag (h): son las distintas distancias a las que se mide la semivarianza, es como
un círculo cuyo radio se va ampliando de forma regular.
Existen muchos tipos de semivariograma, que de acuerdo con el tipo, calidad,

distribución y representación de los datos se debe elegir para realizar el ajuste, los
principales son:
37
Tipos de semivariograma. Fuente: Miguel Ángel Sanz, Modelos Digitales de Terreno, 2008
IX.3. VECINOS NATURALES (NATURAL NEIGHBOR)
Es una técnica de interpolación que utiliza las regiones naturales locales generadas
alrededor de cada punto para elegir y ponderar la elevación de los puntos vecinos. Su
ecuación básica es:
n
Z( x , y )=∑ wi∗f ( x , y )
i i
i=1
Donde:
Z( x , y ): es el valor de la estimación en la posición
f ( x ∗ y ): es el valor de la elevación observada en la posición (xi, yi)
i i
w i: es el peso asociado a f ( x ∗ y )
i i
Esta ecuación es similar a la usada en el interpolador IDW, la diferencia está en el

método utilizado para calcular los pesos, para ello, el algoritmo se apoya en la
generación de los polígonos de Thiessen alrededor de los puntos dados, luego se crea un
nuevo polígono de Thiessen alrededor del punto donde se desea conocer la elevación
(estrella), y finalmente la sobreposición entre los polígonos se usa para otorgar los
pesos.
38
Polígonos de Thiessen
Esta técnica de interpolación tiene la ventaja de que no necesita la introducción de

ningún parámetro adicional, y los resultados son aceptables en puntos muestrales con
una distribución irregular. Esta eventual comodidad para el proceso, puede ser un
inconveniente, si se tiene en cuenta el escaso número de parámetros de decisión que
emplea la técnica.
IX.4. MÉTODO DE MÍNIMA CURVATURA (SPLINE)
Es un algoritmo que busca hacer el ajuste de una función a una limitada cantidad de
puntos, generando una línea que pasa exactamente por las muestras originales,
asegurando así la continuidad en la unión de las distintas curvas. Para interpolar
superficies se usa un tipo especial de Spline llamado de mínima curvatura que pasa
exactamente por los puntos muestrales, consiguiendo ajustar el terreno a la forma de una
membrana elástica. El modelo matemático del interpolador es:
n
Z( x , y )=T ( x, y ) + ∑ λ j∗R (r )
i
i=1
Donde:
Z( x , y ): es el valor de la estimación en la posición (x, y)
n: es la cantidad de puntos
λ j: son los coeficientes determinados para la solución de un sistema lineal de
ecuaciones
r i : es la distancia del punto x, y al punto i
T (x , y ) y R( r ): se definen de acuerdo si se usa el algoritmo regularizado o por tensión
i
39
Este método se encuentra muy bien recomendado cuando los cambios en superficie
tienen variaciones suaves, no es apropiado si existe gran cantidad de cambios en
distancias horizontales muy cortas porque se pueden sobrepasar los valores estimados.
IX.5. TOPOGRID (TOPO TO RASTER T2R)
Este algoritmo está diseñado para generar superficies hidrológicamente conectadas y

correctas, lo hace a partir de curvas de nivel o de entidades tipo punto, su característica
principal es la preservación las líneas partidoras y las redes de transmisión de curvas de
nivel. Este algoritmo es basado en el software ANUDEM desarrollado por Michael
Hutchinson entre 1988 y 1989. El método usa una técnica de interpolación diferencial
iterativa finita. Ha sido optimizado para lograr la eficiencia computacional de los
métodos de interpolación locales como IDW sin perder la continuidad de la superficie
de los métodos de interpolación global como Kriging y Spline. Es esencialmente una
fina técnica de discretización en la cual se modifica la rugosidad para permitir que el
proceso de ajuste del DEM siga los cambios abruptos en el terreno tales como líneas
colectoras y partidoras.
El agua es la principal fuerza erosiva que determina la forma general de la mayoría de
paisaje. Por este motivo las estructuras orográficas poseen hacia las partes altas las
llamadas zonas de colina (máximos locales) y hacia las zonas bajas los sumideros
naturales (mínimos locales), dando como resultado en su forma natural una estructura
de drenaje conectada, el algoritmo usa este principio sobre toda la superficie e impone
restricciones en el proceso de interpolación que dan como resultado una estructura que
define correctamente las líneas partidoras y las colectoras. Esta condición impuesta por
las redes de drenaje produce superficies más precisas con una menor cantidad de datos.
La condición de drenaje global elimina cualquier necesidad de edición o de post-
proceso para disminuir errores en la superficie generada.
IX.6. TIN: RED DE TRIÁNGULOS IRREGULARES (TRIANGULAR IRREGULAR

NETWORK)
Este algoritmo se apoya en la creación de una red conformada por triángulos irregulares
cuyos vértices son los puntos muestrales obtenidos para la definición del terreno.
Consiste en generar sobre un plano horizontal una red de triángulos, la cual resulta de la
40
conexión, por medio de segmentos de rectas, de las proyecciones de los puntos del
modelo sobre el plano. La conformación de estos triángulos, conocida como
triangulación, debe hacerse de forma que:
 Los triángulos sean, en lo posible, equiláteros y pequeños,
 Se incluyan todos los puntos del modelo
 El resultado del proceso esté libre de ambigüedad (sea inequívoco)
Red de Triángulos Irregulares. Fuente: Garzón, introducción a los Modelos Digitales de Elevación, 2012
Para poder sistematizar el procedimiento existen varios algoritmos que seleccionan la

mejor forma de hacer la triangulación, el más conocido es el de Delaunay el cual se
apoya en los polígonos de Thiessen, ésta condición dice que la circunferencia
circunscrita de cada triángulo de la red no debe contener ningún vértice de otro
triángulo. Dos puntos son vecinos naturales si se encuentran en el mismo círculo.
Triangulación de Delaunay. Fuente: Garzón, Introducción a los Modelos Digitales de Elevación, 2012
Una vez se ha generado la triangulación, el siguiente paso es calcular la ecuación del

plano que pasa a través de tres puntos en el espacio mediante el siguiente modelo:
Ax + By + Cz + D = 0 (a)
41
Plano que pasa a través de tres puntos en el espacio.
Donde los coeficientes, A, B. C y D se calculan sabiendo que este plano pasa por los
puntos P1(x1, y1), P2(x2, y2), P3(x3, y3), se soluciona entonces un sistema de tres
ecuaciones con tres incógnitas, los coeficientes se obtienen con las siguientes
expresiones:
A= y 1 ( z 2−z 3 ) + y 2 ( z 3−z 1) + y 3 ( z1 −z2 )

B=z 1 ( x2 −x3 ) + z 2 ( x 3−x 1) + z3 ( x 1−x 2 )
C=x 1 ( y 2 − y 3 ) + x2 ( y 3− y1 ) + x 3 ( y 1− y 2)
D= Ax 1−By 1−Cz 1
En definitiva, la función interpolante es:
−A B D
Z=Z ( x , y )= x− y−
C C C
La cual se utilizará para interpolar la cota del punto al interior del triángulo que define
al plano dado por la expresión anterior (a).
42
X. COMPOSITACIÓN DE MUESTRAS
Generalmente los intervalos de muestreo en los pozos de exploración no coinciden con

los intervalos de trabajo en la fase de estimación de recursos. Los intervalos de
muestreo son siempre menores pues se busca revelar la variabilidad espacial de
las variables que se estudian. El cálculo de los compósitos no es más que
un procedimiento mediante el cual las muestras de los análisis se combinan en
intervalos regulares (igual longitud), que no coinciden con el tamaño inicial de las
muestras. La ley del nuevo intervalo se calcula usando la media ponderada por la
longitud de los testigos que contribuyen a cada Compósito y la masa volumétrica en
caso de ser variable.
X.1. PROCEDIMIENTO
 Preparación de la base de daros

 Crear una tabla para compositar
 Definición del Profile de Compositación
 Selección del método de Compósito
 Cálculo de los compósitos
 Edición y Visualización de resultados
X.2. MÉTODOS DE COMPOSITACIÓN
 Por planos
43
Compuestos por vistas en planta
 Por largos iguales
Compuestos por longitud comenzando en el cuello
 Ley de corte
44
Compositación por ley de corte
 Compósito de Banco (bench composite):

Las muestras se regularizan a intervalos que coinciden con la altura de los bancos o una
fracción de esta. Se emplea para modelar los recursos de yacimientos grandes,
diseminados de baja ley que se explotan con minería a cielo abierto.
 Compósito de Pozo (downhole composite):

Las muestras se combinan a intervalos regulares comenzando desde la boca del pozo
 Compósito Geológico (geological composite):

Las muestras se combinan a intervalos regulares, pero respetando los contactos
geológicos entre las distintas unidades. Este método se emplea para prevenir la dilución
del compósito en el contacto estéril mineral y donde se logra mayor control sobre el
proceso de regularización.
45
X.3. ENTRE LAS PRINCIPALES RAZONES Y BENEFICIOS DE LA

COMPOSITACIÓN TENEMOS:
 El análisis geoestadístico exige muestras de igual longitud (similar soporte).

 La compositación reduce la cantidad de datos y por consiguiente el tiempo de
cálculo o procesamiento.
 Se producen datos homogéneos y de más fácil interpretación.
 Se reduce las variaciones erráticas (alto efecto pepita) producto de muestras
con valores extremadamente altos.
 El proceso incorpora la dilución como la provocada por la explotación
de banco con altura constante en la minería a cielo abierto.
46
XI. BIBLIOGRAFÍA
 Santaló, L. A. (1980). Probabilidades e Inferencia Estadística. Colección de
Monografías Científicas. Serie de Matemática Nº 1. Edit. OEA. 137p.
 Cheeny, R.F. (1983). Statistical Methods in Geology for field and lab decisions.
George Allen & Unwin (Publishers) Ltd. London, UK. 169 p.
 Chou, Y.L. (1977). Análisis estadístico. Traducción al español por Vincent Agut
Ammer. 2ª edición. Iberoamericana. Buenos Aires. 808p.
 E. Cobo, P. Muñoz, J.A. González, Bioestadística para no estadísticos, Madrid,
Elsevier España, 2007.
47

Estadistica Descriptiva

Cargado por

Copyright:

Formatos disponibles

Estadistica Descriptiva

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Descriptiva

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE CAJAMARCA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE MINAS

ESTADÍSTICA DESCRIPTIVA Y GEOESTADÍSTICA

CAJAMARCA, PERÚ 2019

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

nuestros objetivos, siendo el motivo de nuestro esfuerzo, la fortaleza de nuestro ser, el

sendero de nuestra personalidad y la fuente de nuestro conocimiento y sabiduría.

Un considerable agradecimiento a por su incondicional apoyo perfectamente mantenido

la esperanza de cumplir los objetivos que en alguna oportunidad nos propusimos.

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

I.1. CONCEPTO Y OBJETIVO

I.2. CAMPO DE ACTUACIÒN

 Fenómenos causales o determinísticos. - Son los que están sometidos a leyes,

Puede actuar de dos formas:

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

 Se utiliza cuando los resultados del análisis estadístico no pretenden ir

 Se utiliza para predecir datos futuros a partir de los valores observados,

I.4. ESTUDIO ESTADÍSTICO

 Muestreo. Consiste en elegir al azar una muestra mediante diferentes tipos de

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

 Diseño de experimentos. Consiste en fijar los valores de ciertas variables y

Una vez que hemos recogido los datos, tenemos que:

 Hacer una recopilación y reducción de dichos datos a unas pocas medidas

II. GENERALIDADES DE LA ESTADÌSTICA DESCRIPTIVA

II.1. INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA

La estadística descriptiva pretende dar una descripción numérica, ordenada y

Solo podemos predecir lo que sucederá después de repetir el fenómeno o experimentos

II.2. TERMINOLOGÍA ESTADÍSTICA

 Población (colectivo o universo). Conjunto de unidades, elementos o

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

individuos o unidades estadísticas. El tamaño de la población es el número de

 Muestra: es cualquier subconjunto de la población. La muestra es una

 Variables cualitativas: cuando las modalidades posibles son de tipo

- Discretas: cuando no admiten siempre una modalidad intermedia

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

II.3. DISTRIBUCIÓN DE FRECUENCIAS

La forma de la distribución de los datos (de una variable) se denomina distribución de

Para poder obtener la forma general de una distribución de frecuencias unidimensional,

 Frecuencia absoluta de la clase xi: Es el número fi de observaciones que

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

III. MEDIDAS DE TENDENCIA CENTRAL

En ocasiones es conveniente resumir la información de una muestra (que se representa

III.1. MEDIA ARITMÉTICA

Es posible hallar la media de La idea de media o promedio (también llamada media

Para diferenciar datos muéstrales de datos poblacionales, la media aritmética se

III.1.1. Media Para Datos No Agrupados

Podemos diferenciar la fórmula del promedio simple para datos poblaciones y

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

Observe que la variación de ambas fórmulas radica en el tamaño de los datos (N

III.1.2. Media Para Datos Agrupados

Si los datos están agrupados la media se calcula como:

 xi es el valor de la variable discreta o el punto medio de intervalo de clase

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

 Es sensible a los valores extremos.

III.2.1. Para Datos No Agrupados

III.2.2. Para Datos Agrupados

GEOESTADISTICA Y MODELAMIENTO DE YACIMIENTOS

 Li. Límite inferior del intervalo mediana