Informe Geoestadistica

UNIVERSIDAD NACIONAL
DE CAJAMARCA
Facultad de ingeniera
Escuela Acadmico Profesional de
Ingeniera de Minas
ASIGNATURA: Geoestadstica
TEMA: Anlisis de datos mediante Histogramas
INTEGRANTES:
Calua Infante, Freddy
Lpez Martos, Doris
Lozano Pinedo, Annie Sharaneyda
Meja Liberato, Anny
Saldaa Gallardo, Danny
DOCENTE: Mara Lpez Becerra

CICLO: VII
Universidad Nacional de Cajamarca

Facultad de Ingeniera
Escuela Acadmico Profesional de Ingeniera de Minas
INTRODUCCIN
Este documento sirve de gua para la construccin de Histogramas y permite profundizar, ms all de
su propia significacin matemtica, en el anlisis del funcionamiento y la eficacia de procesos y
procedimientos, a travs de su informacin sobre la frecuencia de aparicin de diferentes sucesos
dentro de los mismos.
Pgina 1

INDICE
OBJETIVO Y ALCANCE
03
1.- DEFINICIONES / CONCEPTOS HISTOGRAMAS
04
1.1.- VARIABILIDAD
04
1.2.- HISTOGRAMAS
04
1.3.- ESTRATIFICACIN
05
1.4.- RECORRIDO
05
2.- PROCESO
06
2.1.- DIAGRAMA DE FLUJO
06
2.2.- CONSTRUCCIN
06
2.3.- INTERPRETACIN
11
2.3.1.- Identificacin e interpretacin de las pautas de variacin
11
2.3.2.- Comparacin con los lmites de aceptacin o tolerancias
15
2.3.3.- Posibles problemas y deficiencias de interpretacin
16
2.4.- UTILIZACIN
16
3.- UTILIZACIN DE LA HERRAMIENTA
17
4.- RELACIN CON OTRAS HERRAMIENTAS
17
5. ANLISIS DE INCERTIDUMBRE PARA HISTOGRAMAS EXPERIMENTALES
17
5.1 INCERTIDUMBRE GLOBAL
18
5.2 DESAGRUPAMIENTO
19
5.3 SUAVIZAMIENTO DEL HISTOGRAMA EXPERIMENTAL
21
6. EJEMPLOS APLICATIVO
22
7. PROYECTO MINERO HUALGAYOC
30
7.1 INFORMACION DEL PROYECTO MINERO HUALGAYOC
30
7.2 RESUTADOS DE LAS MEDIDAS DE CENTRALIZACION Y DISPERSION
30
7.3 ANALISIS DE LOS DIAGRAMAS DE DISTRIBUCION DE

FRECUENCIAS-HISTOGRAMAS
31
7.4 EVALUACION DE LA DISTRIBUCION ESPACIAL DE LAS VARIABLES

ESTUDIADAS
37
7.5 CONCLUCIONES
38
8.- BIBLIOGRAFIA Y LINCOGRAFIA
40
Pgina 2

OBJETIVO Y ALCANCE
Definir las reglas bsicas a seguir para la construccin e interpretacin de los Histogramas,
resaltando las situaciones en que pueden, o deben ser utilizados.
Es de aplicacin a todos aquellos estudios en que es necesario analizar la pauta de
comportamiento de un determinado fenmeno en funcin de su frecuencia de aparicin.
Su utilizacin ser beneficiosa para el desarrollo de los proyectos abordados por los Equipos y
Grupos de mejora y por todos aquellos individuos u organismos que estn implicados en la
mejora de la calidad.
Pgina 3

HISTOGRAMA
1.- DEFINICIONES / CONCEPTOS
1.1.- VARIABILIDAD
Definicin: Campo de variacin en los valores numricos de una magnitud.
Concepto: Generalmente en los procesos de produccin y de prestacin de servicios es imposible

mantener todos los factores que influyen en el resultado final, constantemente en el mismo estado.
Este hecho da lugar a que las caractersticas representativas del producto o servicio final presenten una
determinada variacin:
El tiempo de viaje para un determinado trayecto presenta diferencias de un da a otro debido a la

variacin de las condiciones de circulacin, las condiciones climticas, el nmero de viajeros, etc.
- Los ejes que produce una mquina tienen diferente dimetro dentro del mismo lote debido a
pequeas variaciones en las condiciones de la materia prima, a holguras de los elementos mviles, al
desgaste de la herramienta, etc.
El plato que prepara un cocinero tiene diferente gusto en diferentes ocasiones debido a variaciones en
el peso de los condimentos utilizados, en el tiempo de coccin, etc.
1.2.- HISTOGRAMAS
Definicin: Es un resumen grfico de los valores producidos por las variaciones de una determinada
caracterstica, representando la frecuencia con que se presentan distintas categoras dentro de dicho
conjunto.
Pgina 4

Ejemplo:
Das pasados hasta contestar una reclamacin
Caractersticas principales
A continuacin se comentan una serie de caractersticas que ayudan a comprender la naturaleza de la

herramienta.
Sntesis : Permite resumir grandes cantidades de datos.
Anlisis: Permite el anlisis de los datos evidenciando esquemas de comportamiento y pautas de

variacin que son difciles de captar en una tabla numrica.
Capacidad de comunicacin: Permite comunicar informacin de forma clara y sencilla sobre

situaciones complejas.
1.3.- ESTRATIFICACIN
Definicin: Separacin de un conjunto de datos en diferentes grupos o categoras, de forma que los
datos pertenecientes a cada grupo comparten unas caractersticas comunes que definen la categora.
1.4.- RECORRIDO
Definicin: Medida de la dispersin, correspondiente a la diferencia entre el valor mximo y el valor
mnimo de un conjunto de valores.
Pgina 5

2.- PROCESO
2.1.- DIAGRAMA DE FLUJO
2.2.- CONSTRUCCIN
Paso 1: Preparacin de los datos
Como en todas las herramientas de anlisis de datos, el primer paso consiste en recoger estos de forma
correcta o asegurarse de la adecuacin de los existentes.
Los datos deben ser:

- Objetivos: Basados en hechos, no en opiniones.
Exactos: Debemos asegurarnos que la variabilidad en el proceso de recogida de datos (variabilidad de
la medida) no desvirta la variabilidad del proceso en estudio.
Completos: Se debe registrar toda la informacin relevante asociada a cada toma de datos (mquina,
hora del da, empleado, etc) en previsin de los diferentes anlisis que pueden ser necesarios.
Representativos: Deben reflejar todos los diferentes hechos y circunstancias que se producen en la
realidad.
Pgina 6

Paso 2: Determinar los valores extremos de los datos y en el recorrido
Identificar en la tabla de datos originales el valor mximo, el valor mnimo y el recorrido (R = Vmax Vmin).
Ejemplo: Datos sobre la cantidad exacta de caf contenido en paquetes de 250 gramos. (120 unidades
medidas)
Recorrido total = mximo mnimo = 258 grs-243grs. = 15 grs.
Paso 3: Definir las "clases" que contendr el Histograma
Clases: Son los intervalos en que se divide la caracterstica sobre la que se han tomado los datos. El
nmero de clases es igual al de barras del Histograma.
a) Definir el nmero de clases que debe tener el Histograma segn la tabla siguiente:
Numero recomendado de clases en un histograma
Pgina 7

El mnimo para un histograma son 40 datos. Pueden darse menos si el histograma original ha sido
estratificado.
Dependiendo del nmero de clases en que agrupemos los datos perderemos ms o menos informacin
tratando de identificar la pauta de comportamiento.
La tabla anterior es un buen compromiso entre la mxima sencillez de anlisis y la mnima prdida de
informacin.
b) Obtener la amplitud del intervalo de cada clase.
Todas las clases tendrn el mismo intervalo.

No habr solapamiento entre distintas clases.
La amplitud aproximada del intervalo se halla dividiendo el recorrido por el nmero de clases.
Esta amplitud se redondea posteriormente a un nmero o cifra decimal conveniente para el manejo de
las clases y la graduacin del eje horizontal del Histograma (1, 2, 5, 10, etc).
En el ejemplo de los paquetes de caf hay 120 datos, necesitamos entonces aproximadamente 8 clases
para el histograma.
Amplitud aproximada de cada clase 15gr./8=1.875 grs.

Amplitud elegida como conveniente en este caso: 2 grs.
Paso 4: Construir las clases anotando los lmites de cada una de ellas
Los lmites de la primera clase incluirn el valor mnimo de los datos.
Para evitar que algunos datos coincidan con los lmites de los intervalos, definir stos de forma que
tengan una cifra ms detrs de la coma.
Si, por ejemplo, los datos tienen dos cifras detrs de la coma (3,55; 3,83; 3,64; 3,73; 3,78, etc), se
definirn las clases hasta la tercera cifra detrs de la coma (3,545-3,555; 3,555-3,565, etc).
Si se obtiene una clase ms o menos respecto del nmero recomendado, debido al redondeo
posteriormente efectuado, no existe deterioro ni en la sencillez ni en la informacin.
Pgina 8

Ejemplo: Como el valor menor en nuestros datos es 243 grs., empezaremos el primer intervalo en
242.5 grs. y construiremos ocho clases con 2 grs. de amplitud
Paso 5: Calcular la frecuencia de clase
Determinar el nmero de datos que estn incluidos en cada una de las clases (frecuencia de clase).
El recuento se har de la siguiente forma:
Empezar con el primer dato de la lista e identificar la clase en la cual est incluido. Sealar para dicha
clase, un "palote". Repetir el mismo proceso para cada dato del conjunto.
Para facilitar el recuento final se dibujan los "palotes" en grupos de cinco, cuatro verticales y el quinto
cruzndolos. La suma de los "palotes" marcados para cada clase corresponde a la frecuencia de la
misma.
Comprobar que el nmero total de datos es igual a la suma de las frecuencias de cada clase.
Ejemplo
Pgina 9

Paso 6: Dibujar y rotular los ejes

El eje vertical representa las frecuencias, por tanto en l se rotularn nmeros naturales, dependiendo
su valor y escala del nmero de datos que se han tomado.
El eje horizontal representa la magnitud de la caracterstica medida por los datos.
Este eje se divide en tantos segmentos iguales como clases se hayan definido.
Rotular los lmites de los intervalos de clase.
Rotular el eje con la caracterstica representada y las unidades de medida empleadas.
EJEMPLO:
Frecuencia
Paso 7: Dibujar el Histograma

Dibujar las barras verticales correspondientes a cada clase. Su base est situada en el eje horizontal y
su altura corresponder a la frecuencia de la clase representada.
Paso 8: Rotular el Grfico

Cuando proceda, poner el ttulo, las condiciones en que se han recogido los datos, los lmites de
tolerancia nominales, etc. Estas notas ayudan a los dems a interpretar el grfico y sirven de
recordatorio de la fuente de los datos.
Ejemplo: Resultados de las mediciones del contenido de caf (120 paquetes medidos)
Frecuencia
Contenido de caf en grs
Pgina 10

2.3.- INTERPRETACIN
2.3.1.- Identificacin e interpretacin de las pautas de variacin
Uno de los propsitos del anlisis o interpretacin de un Histograma es identificar y clasificar la

pauta de variacin del conjunto de datos estudiado (valor medio, recorrido, forma) y elaborar
una explicacin admisible y relevante para dicha pauta, que relacione la variacin con el
proceso o fenmeno en estudio.
El resultado de este anlisis es una teora sobre el funcionamiento del proceso o sobre la causa
del problema que se est investigando.
La experiencia y habilidad del grupo de trabajo en la interpretacin son fundamentales en la
utilizacin de esta herramienta, puesto que no existen reglas fijas que se puedan utilizar para
explicar de forma precisa las pautas de variacin en cualquier situacin.
Los equipos de trabajo deben profundizar en el conocimiento del proceso en estudio para
utilizar esta herramienta de forma eficaz.
Pautas tpicas de variacin:
Distribucin en forma de campana
Forma simtrica con un pico en la mitad del recorrido de los datos.
Es la distribucin natural, habitual para, los datos de gran cantidad de procesos. Por esta
circunstancia se llama Distribucin Normal.
La desviacin respecto a esta forma puede indicar la existencia de problemas o influencias

externas al proceso.
Sin embargo la forma de campana no asegura, por s misma y sin analizar su valor medio y el
recorrido de los datos, que el proceso funcione de forma satisfactoria.
Pgina 11

Distribucin con doble campana o con doble pico
Un marcado valle en el centro de la distribucin con picos a ambos lados.

Esta forma, generalmente, es la combinacin de dos distribuciones y sugiere la presencia de dos
procesos distintos.
Debern ensayarse varios esquemas de estratificacin para separar los distintos procesos.
Distribucin en campana
Distribucin con doble pico
Distribucin plana
Una gran parte plana, sin ningn pico y con dos ligeras colas a los lados.
Esta forma puede ser el resultado de varias distribuciones en campana con sus centros
distribuidos uniformemente a lo largo del recorrido de los datos.
Se debern identificar los diferentes procesos que intervienen dentro del proceso bsico.
Esta distribucin es un caso tpico de departamentos u organizaciones que no tienen el trabajo

bien definido y cada cual lo hace a su manera.
Distribucin en peine
Valores altos y bajos se alternan de forma regular.

Esta pauta de variacin es tpica de errores de medicin, errores en la forma de agrupar los datos
para la construccin del Histograma o sesgos sistemticos de redondeo.
En este caso revisar inicialmente los procesos de recogida de datos y construccin del
Histograma.
Pgina 12

Distribucin plana
Distribucin en peine
Distribucin con un pico aislado

Como en el caso de la distribucin de dos picos, esta forma sugiere la existencia de dos
procesos distintos.
El proceso con el pico pequeo ser una anormalidad o deficiencia que no sucede a menudo o
regularmente.
Se deben analizar las condiciones en que se presenta el pico menor tratando de estratificar los
datos.
Estos picos unidos a distribuciones sesgadas o truncadas indican falta de eficacia en la
eliminacin de elementos defectuosos.
Distribucin con un pico en el extremo

Un pico situado en un extremo de una distribucin regular.
Esta forma se presenta cuando la cola de una distribucin regular se ha cortado y acumulado en
una sola categora en el extremo del recorrido de los datos. Suele indicar un registro poco
cuidadoso o sesgado de los datos.
Ejemplo:
Se ha encargado al empleado responsable de contestar a las reclamaciones de los clientes que
registre, durante un mes, el tiempo que se emplea en dar respuesta a las mismas.
Para este proceso el procedimiento estableca un tiempo mximo de cinco das.
Para evitar reproches, el empleado registraba cinco das en todas aquellas ocasiones en que se
superaba este lmite, por lo que el Histograma correspondiente al tiempo de respuesta mostraba
una distribucin con un pico en el extremo.
Pgina 13

Distribucin con pico aislado
Distribucin con pico en extremo
Distribucin sesgada o truncada
Su forma es asimtrica, con un pico descentrado dentro del recorrido de los datos, las colas
descienden: bruscamente en un lado y suavemente en el otro. Esta distribucin es tpica de
procesos con lmites prcticos a un lado del valor nominal o a datos parciales de un proceso
(distribuciones con parte de los datos suprimidos).
Ejemplo 1:
Al analizar el tiempo en que se tardan en cursar las rdenes de compra una vez recibidas, se
observa que un gran porcentaje lo es en un da y el resto tardan dos, tres y hasta cuatro das
debido a diferentes circunstancias.
Al representar el Histograma de los tiempos requeridos para cursar dichas rdenes tendremos
una "distribucin truncada".
Ejemplo 2:
Al analizar el dimetro de los ejes de un pedido y construir el Histograma correspondiente,
obtenemos una distribucin sesgada cuyos extremos son similares a las tolerancias especficas
para dicho dimetro.
Al contactar con los proveedores, estos nos comentan que tan realizado una revisin completa
del pedido (inspeccin 100%) para eliminar los ejes con dimetro fuera de tolerancias.
Pgina 14

Distribucin sesgada
Distribucin truncada
2.3.2.- Comparacin con los lmites de aceptacin o tolerancias

Es importante representar los lmites de especificaciones u otros estndares, escritos o no,
respecto de los resultados aceptables y considerarlos en la fase de anlisis e interpretacin de los
Histogramas puesto que:
a) Los lmites de especificaciones a menudo influyen en el proceso y sobre la pauta de

variacin de los datos.
El conocimiento detallado de estndares es esencial para la correcta interpretacin de las
distribuciones sesgadas, truncadas y con picos extremos.
b) Tambin se necesitan a menudo los lmites para interpretar otras formas de Histogramas y
decidir sobre los siguientes pasos a dar por el grupo de trabajo.
Incluso ante una distribucin perfecta de campana, el grupo de trabajo debe plantearse
cuestiones tales como:
Representa la distribucin una actuacin aceptable?

Aceptable, aunque las cosas cambien ligeramente, hay margen de tolerancia.
Inaceptable, es necesario centrar el proceso hacia el valor nominal y reducir la variabilidad.
Pgina 15

2.3.3.- Posibles problemas y deficiencias de interpretacin
a) Si los datos utilizados no son adecuados (sesgados, inexactos, anticuados, poco significativos,
etc) las conclusiones no reflejarn la situacin real.
b) Otra deficiencia en las conclusiones obtenidas del Histograma puede provenir de una
muestra pequea y poco representativa.
Como regla prctica se debern recoger al menos cuarenta observaciones para cada uno de los
Histogramas que se desee realizar.
En los casos en que esto no sea posible se debern utilizar otros tipos de herramientas o
consultar con un experto en estadstica que disee un plan de muestreo y comprobacin de
hiptesis adecuado.
c) Aceptar las conclusiones del anlisis como hechos.

La interpretacin de un Histograma es una simple teora y por tanto deber ser confirmada
posteriormente mediante el anlisis adicional y la observacin de
2.4.- UTILIZACIN
El Histograma es una herramienta muy til cuando un equipo se enfrenta con la tarea de
analizar datos que presentan variaciones.
Utilizacin en las fases de un proceso de solucin de problemas
- Para la identificacin de las Causas Raz.

Se empieza generalmente el anlisis con un Histograma de todos los datos del problema. El
anlisis de la pauta de variacin de estos datos y generalmente ulteriores estratificaciones
conducen, paso a paso, a la identificacin de las Causas Raz.
- Para el seguimiento de los avances en las acciones de mejora de la calidad.

Se construyen con este fin Diagramas Antes-y-Despus, teniendo cuidado de mantener la
consistencia de la escala horizontal (= igual tamao para intervalos iguales en los dos grficos)
y representando conjuntamente los dos Histogramas.
Pgina 16

3.- UTILIZACIN DE LA HERRAMIENTA
La herramienta es muy til para:
La herramienta es til para:
- Determinacin de causas
- Anlisis de sntomas
- Evaluacin de la solucin implantada
- Formulacin de teoras sobre las

causas
- Evaluacin de posibles soluciones
- Diseo de soluciones y controles
4.- RELACIN CON OTRAS HERRAMIENTAS
La herramienta est fuertemente
La herramienta est
relacionada con:
dbilmente relacionada con:
- Hojas de Comprobacin y Recogida de

Datos
- Cuadro de Mando Integral
- Estudios de Capacidad Potencial de

Calidad
5. ANLISIS DE INCERTIDUMBRE PARA HISTOGRAMAS EXPERIMENTALES

Nocin de incertidumbre:
Ningn modelo numrico reproduce la realidad sin error. Siempre existe incertidumbre debido a
nuestra falta de conocimiento por no disponer de un muestreo exhaustivo. Esta incertidumbre no
constituye una caracterstica inherente al depsito, sino que traduce nuestra ignorancia de
ste.
Pgina 17

Los modelos de incertidumbre:

Buscan caracterizar los valores desconocidos de la variable regionalizada no por estimaciones,
sino que por distribuciones de probabilidad. Conocer cmo es susceptible distribuirse un valor
permite medir la probabilidad que ste sobrepase una determinada ley de corte, entregar una
estimacin e intervalos de confianza donde el valor real tiene grandes probabilidades de
hallarse.
5.1 INCERTIDUMBRE GLOBAL

Se busca describir la distribucin global o a priori de los valores de la variable regionalizada. Si
tomo una muestra al azar en el espacio, cmo estar distribuido el valor de esta muestra?
Esta distribucin global puede ser representada por
la densidad de probabilidad a priori de la variable aleatoria Z(x) que modela

la variable regionalizada en el sitio x.
Pgina 18

la densidad acumulada o funcin de distribucin a priori:
z R, F ( z) Prob[Z (x) z]
Bajo la hiptesis de estacionalidad, F(z) no depende de x. Una interpretacin de este resultado
es que la definicin de F(z) no hace referencia a la posicin en el espacio de los sitios con datos
(de donde viene la denominacin a priori). No permite entonces distinguir los sitios del
espacio segn los valores tomados por los datos circundantes.
En la prctica, se puede estimar la densidad o la funcin de distribucin gracias al histograma o
al histograma acumulado de los datos disponibles.
5.2 DESAGRUPAMIENTO
Cuando la malla de muestreo es irregular, el histograma de los datos puede no ser representativo
del campo estudiado. Los datos agrupados atribuyen demasiada importancia a las zonas
densamente muestreadas y dan una visin deformada del histograma subyacente real que se
obtendra muestreando exhaustivamente el campo. Por ejemplo, si las muestras se ubican
preferentemente en las zonas de altos valores, el histograma experimental presentar una media
mayor que la del histograma real.
Para corregir el efecto del agrupamiento de las muestras, una primera solucin es seleccionar
una parte de los datos cuya reparticin es aproximadamente uniforme en el campo, los cuales
servirn para el clculo de los histogramas y estadsticas.
Una segunda opcin
Consiste en ponderar los datos, asignando un peso pequeo a los datos agrupados y un peso
mayor a los datos aislados, y en tomar en cuenta estos pesos al momento de calcular el
histograma experimental
Denotemos como {xa, a = 1... n} los sitios con datos. Si se asigna a cada dato un peso igual a
1/n, el histograma acumulado experimental es igual, para todo valor z, a la proporcin de los
datos inferiores a z, o sea:
1
z R, F ( z )
n
Pgina 19
z ( x ) z

Ahora bien, atribuyendo pesos a los datos {wa, a = 1... n} no necesariamente iguales, pero cuya
suma vale 1, el histograma acumulado corregido se escribe:
z R, F ( z )
z ( x ) z
Los mtodos geomtricos son frecuentemente empleados para determinar los pesos de
desagrupamiento {wa, a = 1... n}.
Mtodo de los polgonos de influencia
El peso de un dato es proporcional a su rea de influencia en la zona de estudio
Pgina 20

Mtodo de las celdas

Se divide la zona en celdas rectangulares de igual peso; el peso de cada celda se reparte entre las
muestras que pertenecen a esta celda, el resultado depende del origen de la red de celdas, as
como de su tamao y orientacin
5.3 SUAVIZAMIENTO DEL HISTOGRAMA EXPERIMENTAL

Para modelar correctamente la funcin de distribucin terica, a veces se debe suavizar el
histograma acumulado experimental (funcin escalonada), sobre todo si el nmero de datos
disponibles es pequeo.
Existen varios algoritmos de suavizamiento que permiten restituir con mayor o menor fidelidad
las estadsticas experimentales (media, varianza, cuartiles). Se debe prestar atencin a la
eleccin de los extremos de la variable regionalizada dada su potencial incidencia en los
resultados posteriores: la ocurrencia de valores extremos es un elemento decisivo en numerosas
situaciones (estudios de contaminacin ambiental, evaluacin de recursos y reservas mineras...).
Pgina 21

6. EJEMPLOS APLICATIVO
ESTUDIO GEOESTADSTICO DE LA POROSIDAD DE UNA ARENISCA
A) Anlisis estadstico univariado de los datos
Explorar los datos: distribuciones de frecuencia, los histogramas, los estadsticos, los mapas
con la localizacin de los datos, los mapas de smbolos, etc.
DATOS
N Porosidad
1
5.67
2
7.65
3
7.11
4
4.76
5
9.7
6
8.41
7
12.35
8
10.84
9
7.04
10
8.18
11
9.32
12
6.13
13
9.16
14
8.71
15
10.84
16
10.08
17
11.9
18
8.41
19
5.75
N Porosidad
20
4.68
21
10.68
22
11.59
23
10.91
24
8.86
25
12.2
26
8.71
27
7.19
28
8.71
29
10
30
10.68
31
9.62
32
9.47
33
5.97
34
7.49
35
8.41
36
9.09
37
9.16
38
9.16
N Porosidad
39
8.94
40
9.92
41
9.32
42
6.05
43
12.89
44
11.44
45
11.37
46
9.01
47
7.95
48
15.09
49
5.22
50
11.14
51
13.11
52
10.08
53
9.47
54
7.04
55
9.77
56
14.03
57
11.29
Tabla1. Datos de Porosidad
Pgina 22
N
58
59
60
61
62
63
64
Porosidad
15.32
12.96
8.86
9.32
13.72
13.11
15.09

DISTRIBUCION DE FRECUENCIAS (Sturges)
LI
4.68
6.20
7.72
9.24
10.76
12.28
13.80
LS
6.20
7.72
9.24
10.76
12.28
13.80
15.32
X
FREC_ABS FREC_REL F_ABS_AC F_REL_AC
5.44
8
0.13
8
0.13
6.96
6
0.09
14
0.22
8.48
16
0.25
30
0.47
10.00
14
0.22
44
0.69
11.52
10
0.16
54
0.84
13.04
6
0.09
60
0.94
14.56
4
0.06
64
1.00
Tabla2. Distribucin de frecuencias. Porosidad.
HISTOGRAMA
Pgina 23

ESTADISTICOS
ESTADISTICO
N
MAX
MIN
RANGO
MEDIA
MODA (nica)
MEDIANA
DESV EST
VARIANZA
COEF_VAR
N_CLASES (Sturges).
TAMAO DE CLASE
Q1
Q3
P10
P90
R INTERC (Q)
R PERC (RP)
CURTOSIS
COEF_SESGO
VALOR
64
15.32
4.68
10.64
9.63
8.41
9.32
2.53
6.38
0.26
7.00
1.52
8.35
11.18
6.07
13.07
2.83
6.99
-0.18
0.23
Tabla3. Estadsticos de Porosidad.
LOCALIZACIN DE DATOS Y MAPAS DE SMBOLOS.
Grafico2. Mapa de ubicacin e intensidad de la variable porosidad.
Pgina 24

Obtener un histograma de frecuencias acumuladas, obtener un grfico de

probabilidad normal y uno de probabilidad log normal para los valores de la
porosidad.
Grfico4. Grfico de probabilidad normal de la variable porosidad.
Pgina 25

Grfico5. Grfico de probabilidad log normal de la variable porosidad.
Deducir si la distribucin de dicha variable puede ser asimilada a una distribucin normal.
Y a una log normal? Explicar las razones.
La distribucin de la variable porosidad sigue una distribucin normal, ya que con esta
distribucin se ajustan ms los valores a una recta.
Utilizando el programa adecuado representar grficamente los valores y las localizaciones de

los 64 datos.
Pgina 26

Grafico6. Ubicacin de la variable porosidad, valores altos y zonas de contraste.
Observar detenidamente este mapa y verificar si existe algn valor que est marcadamente
fuera del rango de variacin de los valores cercanos a l.
En el grfico 6, se muestran 3 crculos negros que son aquellas zonas donde hay puntos con
valores de porosidad bastante diferente a sus vecinos. En la zona inferior izquierda hay valores
desde 6 hasta 12, en la zona inferior desde 5 hasta 12, y en la zona superior derecha desde 7
hasta 14.
Pgina 27

Responder a las siguientes preguntas: Dnde estn los valores ms altos?, hay alguna
direccin aparente en la cual los valores de los datos sean ms continuos? (observar la
disposicin de los valores bajos y altos).
Los valores ms altos los encontramos en la misma figura 6 encerrados en un crculo verde,
estn en la parte superior derecha, superior izquierda e inferior derecha, van desde 12 hasta 15.
Aparentemente en la direccin noroeste sureste, los valores son ms continuos, no se ve
mucho contraste en esta direccin, tal es as que no se ubic ningn crculo negro (contraste)
ah. En la figura 7 esta direccin est representada con una elipse azul.
Grafico7. Ubicacin de los puntos representados con la variable porosidad y zonas de

continuidad.
Pgina 28

Grfico8. Superficie de variograma
Este grafico nos ayuda a detectar direcciones de anisotropa, y podemos comprobar en l lo que
se deca en los prrafos anteriores, es decir hay ms continuidad espacial en la direccin
noroeste sureste (azul en el grafico 8), y hay zonas de contraste en la parte inferior izquierda y
superior derecha (rojo grafico 8).
Pgina 29

7. PROYECTO MINERO HUALGAYOC

7.1 INFORMACION DEL PROYECTO MINERO HUALGAYOC
El proyecto minero de Hualgayoc geogrficamente se ubica en el pueblo El Tingo del distrito de
Hualgayoc y en terrenos del distrito de Chugur, Provincia de Bambamarca, Departamento de
Cajamarca. Esta a una altitud de 4000 msnm. Es accesible por carretera asfaltada (Cajamarca
Yanacocha, 37 Km) y afirmada (Yanacocha Campamento) con un recorrido de 85 Km en un
tiempo de 2.0 hrs con camioneta. El proyecto minero Hualgayoc, se ubica geolgicamente en el
distrito minero de Hualgayoc, que est relacionado a la franja metalogentica de los volcnicos
cenozoicos productores de oro y cobre en la cordillera occidental del Norte del Per como se
observa en la Figura.
7.2 RESUTADOS DE LAS MEDIDAS DE CENTRALIZACION Y DISPERSION

Este proceso cumple la funcin de delimitar el dominio geoestadstico, que requiere la variable
a estudiar, es un control que se lleva a cabo mediante diferentes mtodos. En este trabajo
metodolgico se presenta, los anlisis de las medidas de centralizacin, distribucin de
frecuencias, diagramas PP-Plots y estudios de la correlacin de la variable. Se comprender a su
vez que los controles de calidad de la muestra fueron previamente superados a la realizacin de
este estudio, por tanto no sern tema de este trabajo. Para el respectivo anlisis se hizo un
estudio con el archivo de la tabla compsito de las variables, usndose herramientas
estadsticas.
Pgina 30

7.3 ANALISIS DE LOS DIAGRAMAS DE DISTRIBUCION DE FRECUENCIASHISTOGRAMAS

En esta parte se presentan los histogramas de las variables econmicas, las cuales han sido
previamente analizadas. El anlisis de la naturaleza de los histogramas experimentales ha
justificado el filtrado de la informacin de valores errticos y valores bajos cercanos al lmite de
deteccin del laboratorio. En este trabajo se ha corroborado que el comportamiento de las leyes
presenta una distribucin lognormal en la mayor parte de los casos, cuyo modelo matemtico es
el siguiente:
Solamente con fines de ilustracin sobre el comportamiento particular que presentan algunos
elementos metlicos en determinados tipos de depsitos, se presenta el caso del histograma del
Fe, que tiene un comportamiento lognormal sesgado a la derecha en el yacimiento de hierro de
Marcona, que tambin fue hallado anteriormente para el Fe, por el Dr. A. Marn en el
yacimiento de hierro del noroeste australiano (MARIN A. 1978).
Pgina 31

Pgina 32

Pgina 33

Pgina 34

Pgina 35

Pgina 36

7.4 EVALUACION DE LA DISTRIBUCION ESPACIAL DE LAS

VARIABLES ESTUDIADAS
Distribucin Espacial del Oro y la Plata La distribucin espacial de las leyes de oro y de las
leyes de la plata para este tipo de yacimiento Epitermal de Alta Sulfuracin (HS) presentan
disposiciones espaciales diferentes, es decir no guardan correlacin espacial como tambin lo
indican los anlisis estadsticos. El coeficiente de variacin de la variable oro es de 1.79 y el
coeficiente de variacin de la plata es de 1.45, datos estadsticos que guardan relacin con las
distribuciones espaciales encontradas para ambas variables econmicas. Las leyes de plata de
valores mayores a 5.5 ppm que representan la zonacin de mayores valores de ley se presenta
como una capa elongada en concordancia con la superficie y tiene un espesor de 40 metros
aproximadamente, y con algunos valores errticos que no bajan de la cota 3897.95 m.s.n.m. Las
leyes de oro de valores mayores a 1.4 ppm ya representan valores econmicos para este
yacimiento, por el volumen de su tonelaje, se presentan como una zonacin ms profunda a la
zonacin de alta ley de la plata, que se extiende hasta un nivel inferior de 3815.46 m.s.n.m.
segn ha sido registrado en los sondajes, lo cual indica un espesor de 200.15 metros en
promedio en altura.
Pgina 37

7.5 CONCLUCIONES
El proyecto cuenta con la informacin de 60 sondajes constituyendo mayor poblacin con
respecto a los canales, con un total de 4,420 muestras compsito. Se defini un modelo
geolgico en funcin de los tipos de alteracin y eventos de mineralizacin propios del tipo de
mineralizacin para un yacimiento Epitermal de Alta Sulfuracin. Es de resaltar que el dominio
geolgico se defini para todo el yacimiento en funcin de las leyes de oro y plata por tener
limitacin de informacin de las dems variables metlicas.
Pgina 38

Pgina 39

8. BIBLIOGRAFA Y LINCOGRAFIA
o CHAUVET P. & CHILES J. (1975) Kriging a method for cartography of the
sea floor. Int. Hydrogr. Rev., LII (1):25-41.
o DAVID M. (1977) Geostatistical Ore Reserve Estimation; cole Polytechnique,

Universit de Montral, Montral, Qubec, Canada, Elsevier Scientific
Publishing Company, Amsterdam Oxford New York. Dr. Hector Salgado,
o Dra. Cristina Dapea. Presentaciones de continuidad espacial. Maestra

en Geomtica UNLP.
o Surfer help. Surfer v.8.02. Surface zapping system.
o
http://www.geo.upm.es/postgrado/CarlosLopez/geoestadistica/VARIOGR
AMA.ppt.
http://www.dspace.espol.edu.ec/bitstream/123456789/5978/3/cap%C3%
ADtulo%202.doc
Pgina 40

Informe Geoestadistica

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Informe Geoestadistica

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL

DOCENTE: Mara Lpez Becerra

Universidad Nacional de Cajamarca

Universidad Nacional de Cajamarca

1.- DEFINICIONES / CONCEPTOS HISTOGRAMAS

2.1.- DIAGRAMA DE FLUJO

2.3.1.- Identificacin e interpretacin de las pautas de variacin

2.3.2.- Comparacin con los lmites de aceptacin o tolerancias

2.3.3.- Posibles problemas y deficiencias de interpretacin

3.- UTILIZACIN DE LA HERRAMIENTA

4.- RELACIN CON OTRAS HERRAMIENTAS

5. ANLISIS DE INCERTIDUMBRE PARA HISTOGRAMAS EXPERIMENTALES

5.1 INCERTIDUMBRE GLOBAL

5.3 SUAVIZAMIENTO DEL HISTOGRAMA EXPERIMENTAL

7. PROYECTO MINERO HUALGAYOC

7.1 INFORMACION DEL PROYECTO MINERO HUALGAYOC

7.2 RESUTADOS DE LAS MEDIDAS DE CENTRALIZACION Y DISPERSION

7.3 ANALISIS DE LOS DIAGRAMAS DE DISTRIBUCION DE

7.4 EVALUACION DE LA DISTRIBUCION ESPACIAL DE LAS VARIABLES

8.- BIBLIOGRAFIA Y LINCOGRAFIA

Universidad Nacional de Cajamarca

Universidad Nacional de Cajamarca

Definicin: Campo de variacin en los valores numricos de una magnitud.

Concepto: Generalmente en los procesos de produccin y de prestacin de servicios es imposible

El tiempo de viaje para un determinado trayecto presenta diferencias de un da a otro debido a la

Universidad Nacional de Cajamarca

Das pasados hasta contestar una reclamacin

A continuacin se comentan una serie de caractersticas que ayudan a comprender la naturaleza de la

Sntesis : Permite resumir grandes cantidades de datos.

Anlisis: Permite el anlisis de los datos evidenciando esquemas de comportamiento y pautas de

Capacidad de comunicacin: Permite comunicar informacin de forma clara y sencilla sobre

Universidad Nacional de Cajamarca

Los datos deben ser:

Universidad Nacional de Cajamarca

Paso 2: Determinar los valores extremos de los datos y en el recorrido

Recorrido total = mximo mnimo = 258 grs-243grs. = 15 grs.

Paso 3: Definir las "clases" que contendr el Histograma

Universidad Nacional de Cajamarca

b) Obtener la amplitud del intervalo de cada clase.

Todas las clases tendrn el mismo intervalo.

Amplitud aproximada de cada clase 15gr./8=1.875 grs.

Universidad Nacional de Cajamarca

Paso 5: Calcular la frecuencia de clase

Universidad Nacional de Cajamarca

Paso 6: Dibujar y rotular los ejes

Paso 7: Dibujar el Histograma

Paso 8: Rotular el Grfico

Contenido de caf en grs

Universidad Nacional de Cajamarca

2.3.1.- Identificacin e interpretacin de las pautas de variacin

Uno de los propsitos del anlisis o interpretacin de un Histograma es identificar y clasificar la

Pautas tpicas de variacin:

Distribucin en forma de campana

Forma simtrica con un pico en la mitad del recorrido de los datos.

La desviacin respecto a esta forma puede indicar la existencia de problemas o influencias

Universidad Nacional de Cajamarca

Distribucin con doble campana o con doble pico

Un marcado valle en el centro de la distribucin con picos a ambos lados.

Distribucin con doble pico

Esta distribucin es un caso tpico de departamentos u organizaciones que no tienen el trabajo

Valores altos y bajos se alternan de forma regular.

Universidad Nacional de Cajamarca

Distribucin con un pico aislado