Análisis Estadístico por Depósito
Grupo 1
2026-06-29
CARGA DE DATOS
CARGA DE DATOS
knitr::opts_chunk$set(
echo = TRUE, # Muestra el código R en el reporte final.
message = FALSE,
warning = FALSE, # Evita que se impriman alertas o mensajes de carga.
fig.align = "center" # Centra automáticamente todas las gráficas generadas.
)
datos <- read.csv("C:/Users/Martin/Desktop/Estadistica/CMDB_Data.csv",
header = TRUE, # Indica que la primera fila contienen los nombres de las variables.
sep = ";", # Define que los puntos y comas es el separador.
dec = ".", # Establece el punto como el operador decimal.
fileEncoding = "latin1")
# Limpieza básica para evitar valores en blanco o nulos
datos$DEPOSIT_NAME[datos$DEPOSIT_NAME == ""] <- "Desconocido"
datos$DEPOSIT_NAME[is.na(datos$DEPOSIT_NAME)] <- "Desconocido"
# Verificación inicial del set de datos
str(datos)## 'data.frame': 1366 obs. of 103 variables:
## $ ï..LAB_ID : chr "C355417" "C360759" "C360762" "C360763" ...
## $ PREVIOUS_LAB_ID1 : chr "" "" "" "" ...
## $ PREVIOUS_LAB_ID2 : chr "" "" "" "" ...
## $ PREVIOUS_LAB_ID3 : chr "" "" "" "" ...
## $ FIELD_ID : chr "RM0001" "RM0027" "RM0030" "RM0031" ...
## $ JOB_ID : chr "MRP11968" "MRP12307" "MRP12307" "MRP12307" ...
## $ PREVIOUS_JOB_ID1 : chr "" "" "" "" ...
## $ PREVIOUS_JOB_ID2 : chr "" "" "" "" ...
## $ PREVIOUS_JOB_ID3 : chr "" "" "" "" ...
## $ SUBMITTER : chr "Rare Metals Task" "Rare Metals Task" "Rare Metals Task" "Rare Metals Task" ...
## $ PROJECT_NAME : chr "Critical and Rare Metals" "Critical and Rare Metals" "Critical and Rare Metals" "Critical and Rare Metals" ...
## $ X0 : chr "30/6/2011" "31/8/2011" "31/8/2011" "31/8/2011" ...
## $ COLLECTION : chr "Mackay-Keck Ore Deposits Collection" "Mackay-Stanford Ore Deposits Collection" "Mackay-Stanford Ore Deposits Collection" "Mackay-Stanford Ore Deposits Collection" ...
## $ COLLECTION_ID : chr "PHNC08_39_1183" "OD21441" "OD22811" "OD25716" ...
## $ CONTINENT : chr "North America" "South America" "South America" "Africa" ...
## $ COUNTRY : chr "United States" "Chile" "Chile" "South Africa" ...
## $ STATE_PROVINCE : chr "Nevada" "Antofagasta" "Tarapacá" "Transvaal" ...
## $ COUNTY : chr "Lyon" "El Loa" "El Tamarugal" "" ...
## $ DISTRICT_NAME : chr "Yerington" "Chuquicamata" "Collahuasi/Quebrada Blanca" "" ...
## $ DEPOSIT_NAME : chr "Pumpkin Hollow" "Desconocido" "Desconocido" "Desconocido" ...
## $ MINE_NAME : chr "Pumpkin Hollow" "Chuquicamata mine" "Collahuasi district" "" ...
## $ DISTRICT_NAME_COLLECT: chr "Yerington" "" "" "" ...
## $ DEPOSIT_NAME_COLLECT : chr "" "" "" "" ...
## $ MINE_NAME_COLLECT : chr "Pumpkin Hollow" "Chuquicamata" "Poduosa mine" "Messina Mines Ltd." ...
## $ LOCATE_DESC : chr "" "" "Level 25" "" ...
## $ LATITUDE : chr "38,94021" "-22,2871" "-21,0309" "-24,7" ...
## $ LONGITUDE : chr "-119,05178" "-68,8991" "-68,74951" "29,3" ...
## $ DATUM : chr "WGS84" "WGS84" "WGS84" "" ...
## $ LATITUDE_COLLECT : chr "38,92492" "22,28944" "" "" ...
## $ LONGITUDE_COLLECT : chr "-119,1071" "-68,90111" "" "" ...
## $ DATUM_COLLECT : chr "" "WGS84" "" "" ...
## $ COORDINATES_QUAL : chr "100 m" "0m" "" "" ...
## $ COORDINATES_SOURCE : chr "1) iTouchMap.com, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10174173, ore body, M. Granitto" "1) Mindat.org, approx, A. Orkild-Norton; 2) Open-File Report 2017-1079 ID 549, mine, M. Granitto" "1) No coordinates; 2) Mineral Resource Deposit Database Deposit ID 10057511, district, M. Granitto" "1) No coordinates; 2) Google Earth Pro, approx ctr of former province of Transvaal, M. Granitto" ...
## $ PRIMARY_CLASS : chr "rock" "rock" "rock" "rock" ...
## $ SYSTEM_TYPE : chr "IOA-IOCG" "Porphyry Cu-Mo-Au" "Porphyry Cu-Mo-Au" "IOA-IOCG" ...
## $ DEPOSIT_TYPE : chr "IOCG" "Supergene Cu" "Porphyry Cu" "IOCG" ...
## $ SAMPLE_DESC : chr "Nearly solid chalcopyrite mixed with small light brown irregular inclusions of unknown mineralogy; clouds of ma"| __truncated__ "Chalcocite-bronchatite-antlerite(?); highly microfractured igneous rock with green copper sulfates coating microfractures" "Bornite-chalcopyrite; mostly massive chalcopyrite with numerous inclusions of micro-chalcopyrite and widely sca"| __truncated__ "Massive chalcopyrite, IOCG in shear zone; mostly massive fine grain cuprite with widely distributed malachite t"| __truncated__ ...
## $ Al_pct_AES_ST : chr "0,33" "6,65" "0,46" "0,7" ...
## $ Ca_pct_AES_ST : chr "1,1" "0,4" "-0,1" "0,3" ...
## $ Fe_pct_AES_ST : chr "42,4" "0,25" "6,98" "27,8" ...
## $ K_pct_AES_ST : chr "-0,1" "6,1" "0,2" "-0,1" ...
## $ Mg_pct_AES_ST : chr "0,57" "0,1" "0,01" "0,33" ...
## $ Mn_pct_AES_ST : chr "0,02" "-0,01" "-0,01" "-0,01" ...
## $ P_pct_AES_ST : chr "-0,01" "0,01" "0,05" "0,01" ...
## $ S_pct_AES_ST : chr "" "" "" "" ...
## $ Si_pct_AES_ST : chr "" "" "" "" ...
## $ Ti_pct_AES_ST : chr "0,01" "0,11" "-0,01" "-0,01" ...
## $ F_pct_ISE_Fuse : chr "" "" "" "" ...
## $ Ag_ppm_MS_ST : chr "58" "6" "468" "16" ...
## $ As_ppm_MS_ST : chr "-30" "-30" "90" "-30" ...
## $ Au_ppm : chr "" "" "" "" ...
## $ Au_AM : chr "" "" "" "" ...
## $ B_ppm_AES_ST : int NA NA NA NA NA NA NA NA NA NA ...
## $ Ba_ppm_AES_ST : chr "-0,5" "924" "121" "174" ...
## $ Be_ppm_AES_ST : int -5 -5 -5 -5 -5 -5 -5 -5 -5 -5 ...
## $ Bi_ppm_MS_ST : chr "1,5" "3,6" "190" "0,4" ...
## $ Cd_ppm_MS_ST : chr "3,6" "-0,2" "0,9" "-0,2" ...
## $ Ce_ppm_MS_ST : chr "0,4" "8,8" "16,3" "3,5" ...
## $ Co_ppm_MS_ST : chr "209" "-0,5" "1,3" "44,8" ...
## $ Cr_ppm_AES_ST : int -10 -10 -10 30 20 20 60 40 20 10 ...
## $ Cs_ppm_MS_ST : chr "0,5" "1,4" "0,2" "-0,1" ...
## $ Cu_ppm_AES_ST : chr "50000,11111" "23300" "50000,11111" "50000,11111" ...
## $ Dy_ppm_MS_ST : chr "-0,05" "0,32" "1,38" "0,37" ...
## $ Er_ppm_MS_ST : chr "-0,05" "0,22" "0,77" "0,23" ...
## $ Eu_ppm_MS_ST : chr "-0,05" "0,14" "0,17" "0,1" ...
## $ Ga_ppm_MS_ST : chr "5" "15" "6" "3" ...
## $ Gd_ppm_MS_ST : chr "-0,05" "0,45" "1,5" "0,39" ...
## $ Ge_ppm_MS_ST : int -1 5 -1 -1 3 8 8 1 2 2 ...
## $ Hf_ppm_MS_ST : int -1 4 -1 -1 5 13 12 2 3 6 ...
## $ Ho_ppm_MS_ST : chr "-0,05" "0,07" "0,25" "0,07" ...
## $ In_ppm_MS_ST : chr "6,4" "-0,2" "3,7" "0,2" ...
## $ La_ppm_MS_ST : chr "0,2" "4,6" "7,2" "1,7" ...
## $ Li_ppm_AES_ST : int -10 -10 -10 -10 30 20 20 20 -10 20 ...
## $ Lu_ppm_MS_ST : chr "-0,05" "-0,05" "0,08" "-0,05" ...
## $ Mo_ppm_MS_ST : chr "-2" "60" "3" "2" ...
## $ Nb_ppm_MS_ST : chr "-1" "4" "-1" "-1" ...
## $ Nd_ppm_MS_ST : chr "0,2" "3,8" "9,1" "1,7" ...
## $ Ni_ppm_AES_ST : chr "144" "6" "-5" "48" ...
## $ Pb_ppm_MS_ST : chr "23" "16" "188" "39" ...
## $ Pd_ppm_FA_MS : chr "" "" "" "" ...
## $ Pr_ppm_MS_ST : chr "-0,05" "1,09" "2,21" "0,46" ...
## $ Pt_ppm_FA_MS : chr "" "" "" "" ...
## $ Rb_ppm_MS_ST : chr "1,2" "148" "7,1" "0,7" ...
## $ Re_ppm_MS_HF : chr "" "" "" "" ...
## $ Sb_ppm_MS_ST : chr "1,2" "2,4" "2,9" "0,3" ...
## $ Sc_ppm_AES_ST : int -5 -5 -5 -5 11 6 15 10 5 6 ...
## $ Se_ppm_MS_ST : int NA NA NA NA NA NA NA NA NA NA ...
## $ Sm_ppm_MS_ST : chr "-0,1" "0,6" "1,6" "0,4" ...
## $ Sn_ppm_MS_ST : chr "2" "3" "106" "-1" ...
## $ Sr_ppm_AES_ST : chr "26,6" "114" "22,5" "38,4" ...
## $ Ta_ppm_MS_ST : chr "-0,5" "-0,5" "-0,5" "-0,5" ...
## $ Tb_ppm_MS_ST : chr "-0,05" "0,07" "0,23" "-0,05" ...
## $ Te_ppm_MS_ST : chr "" "" "" "" ...
## $ Th_ppm_MS_ST : chr "0,2" "9,7" "2,6" "0,2" ...
## $ Tl_ppm_MS_ST : chr "-0,5" "0,5" "-0,5" "-0,5" ...
## $ Tm_ppm_MS_ST : chr "-0,05" "-0,05" "0,08" "-0,05" ...
## $ U_ppm_MS_ST : chr "0,3" "1,75" "0,63" "34,8" ...
## $ V_ppm_AES_ST : int 51 24 -5 493 68 20 40 159 39 61 ...
## $ W_ppm_MS_ST : chr "-1" "28" "22" "11" ...
## [list output truncated]Se cargaron correctamente los datos para el análisis de distribución por nombre de depósito.
ANÁLISIS UNIVARIADO (TABLA GENERAL)
ANÁLISIS UNIVARIADO (TABLA GENERAL)
# Cargar las librerias necesarias
library(dplyr)
library(gt)
# 1. CONTAR LAS MUESTRAS POR DEPÓSITO Y ELIMINAR DESCONOCIDOS
TDFDEP <- table(datos$DEPOSIT_NAME)
TDFDEP <- TDFDEP[names(TDFDEP) != "Desconocido"]
# 2. ORDENAR DE MAYOR A MENOR Y TOMAR EL TOP 15 (Para no saturar la tabla)
TDFDEP_ORD <- sort(TDFDEP, decreasing = TRUE)
tabla_agrupada <- as.data.frame(head(TDFDEP_ORD, 15))
colnames(tabla_agrupada) <- c("Depósito", "ni")
# 3. CALCULAR PROPORCIONES Y PORCENTAJES (Sobre el total general de depósitos válidos)
total_muestras <- sum(TDFDEP_ORD)
tabla_agrupada$hi <- tabla_agrupada$ni / total_muestras
tabla_agrupada$hi_porc <- round(tabla_agrupada$hi * 100, 2)
# 4. CREAR LA FILA DE TOTALES DEL TOP 15
Total <- data.frame(Depósito = "TOTAL (TOP 15)",
ni = sum(tabla_agrupada$ni),
hi = sum(tabla_agrupada$hi),
hi_porc = sum(tabla_agrupada$hi_porc))
# 5. UNIR TODO EN UNA SOLA TABLA FINAL
tabla_final <- rbind(tabla_agrupada, Total)
# 6. MOSTRAR LA TABLA CON LA ESTÉTICA 'gt'
tabla_dep_gt <- tabla_final %>%
gt() %>%
tab_header(
title = md("**Tabla N° 1**"),
subtitle = md("Distribución de muestras de minerales críticos (Top 15 Depósitos)")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
tab_options(
table.border.top.color = "black",
table.border.bottom.color = "black",
heading.border.bottom.color = "black",
heading.border.bottom.width = px(2),
column_labels.border.top.color = "black",
column_labels.border.bottom.color = "black",
column_labels.border.bottom.width = px(2),
table_body.hlines.color = "gray",
table_body.border.bottom.color = "black",
row.striping.include_table_body = TRUE
)
# Renderizar la tabla en el documento
tabla_dep_gt| Tabla N° 1 | |||
| Distribución de muestras de minerales críticos (Top 15 Depósitos) | |||
| Depósito | ni | hi | hi_porc |
|---|---|---|---|
| Pumpkin Hollow | 42 | 0.11382114 | 11.38 |
| Vekol Hills | 10 | 0.02710027 | 2.71 |
| Kidd Creek | 9 | 0.02439024 | 2.44 |
| Rio Tinto | 9 | 0.02439024 | 2.44 |
| Copper Creek | 7 | 0.01897019 | 1.90 |
| Franklin | 7 | 0.01897019 | 1.90 |
| Junction | 7 | 0.01897019 | 1.90 |
| Belmont | 6 | 0.01626016 | 1.63 |
| Cresson | 6 | 0.01626016 | 1.63 |
| Okiep Copper District | 6 | 0.01626016 | 1.63 |
| Outokumpu Cu-Co | 6 | 0.01626016 | 1.63 |
| Bulldog | 5 | 0.01355014 | 1.36 |
| DeLamar | 5 | 0.01355014 | 1.36 |
| Garpenberg | 5 | 0.01355014 | 1.36 |
| Iron King | 5 | 0.01355014 | 1.36 |
| TOTAL (TOP 15) | 135 | 0.36585366 | 36.63 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||
CLASIFICACIÓN DE DEPÓSITOS
TOP 10 VS OTROS DEPÓSITOS
# 1. SEPARAR EL TOP 10 DE LOS DEMÁS DEPÓSITOS
Top10_Dep <- head(TDFDEP_ORD, 10)
Otros_Dep <- sum(TDFDEP_ORD) - sum(Top10_Dep)
# 2. CREAR UN NUEVO CONJUNTO AGRUPADO
Datos_Agrupados <- c(Top10_Dep, "Otros Depósitos" = Otros_Dep)
# 3. ESTRUCTURAR LA NUEVA TABLA
tabla_top10 <- as.data.frame(Datos_Agrupados)
colnames(tabla_top10) <- c("ni")
tabla_top10$Depósito <- rownames(tabla_top10)
tabla_top10 <- tabla_top10[, c("Depósito", "ni")] # Reordenar columnas
# 4. CALCULAR PROPORCIONES
tabla_top10$hi <- tabla_top10$ni / sum(tabla_top10$ni)
tabla_top10$hi_porc <- round(tabla_top10$hi * 100, 2)
# 5. FILA DE TOTALES GENERALES
Total_Clasif <- data.frame(Depósito = "TOTAL GENERAL",
ni = sum(tabla_top10$ni),
hi = sum(tabla_top10$hi),
hi_porc = sum(tabla_top10$hi_porc))
tabla_final_clasif <- rbind(tabla_top10, Total_Clasif)
# 6. ACOPLAR Y MOSTRAR LA TABLA CON LA ESTÉTICA 'gt'
tabla_clasif_gt <- tabla_final_clasif %>%
gt() %>%
tab_header(
title = md("**Tabla N° 2**"),
subtitle = md("Comparativa de los 10 principales depósitos vs el resto")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
tab_options(
table.border.top.color = "black",
table.border.bottom.color = "black",
heading.border.bottom.color = "black",
heading.border.bottom.width = px(2),
column_labels.border.top.color = "black",
column_labels.border.bottom.color = "black",
column_labels.border.bottom.width = px(2),
table_body.hlines.color = "gray",
table_body.border.bottom.color = "black",
row.striping.include_table_body = TRUE
)
# Renderizar la tabla en el documento
tabla_clasif_gt| Tabla N° 2 | |||
| Comparativa de los 10 principales depósitos vs el resto | |||
| Depósito | ni | hi | hi_porc |
|---|---|---|---|
| Pumpkin Hollow | 42 | 0.11382114 | 11.38 |
| Vekol Hills | 10 | 0.02710027 | 2.71 |
| Kidd Creek | 9 | 0.02439024 | 2.44 |
| Rio Tinto | 9 | 0.02439024 | 2.44 |
| Copper Creek | 7 | 0.01897019 | 1.90 |
| Franklin | 7 | 0.01897019 | 1.90 |
| Junction | 7 | 0.01897019 | 1.90 |
| Belmont | 6 | 0.01626016 | 1.63 |
| Cresson | 6 | 0.01626016 | 1.63 |
| Okiep Copper District | 6 | 0.01626016 | 1.63 |
| Otros Depósitos | 260 | 0.70460705 | 70.46 |
| TOTAL GENERAL | 369 | 1.00000000 | 100.02 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||
VISUALIZACIÓN DE COMPARATIVAS BÁSICAS
GRÁFICA DE BARRAS LOCAL Y GLOBAL (TOP 10)
# Ampliar el margen inferior para que los nombres de los depósitos no se corten
par(mar = c(10, 4, 4, 2) + 0.1)
# Límite dinámico basado en el depósito con más muestras
limite_y <- max(Top10_Dep) * 1.2
# 1. PRIMERA GRÁFICA (LOCAL - TOP 10)
barplot(Top10_Dep,
main = "Gráfica 1: Top 10 Depósitos (LOCAL)",
ylab = "Cantidad de muestras",
col = "pink",
las = 2, # Pone los nombres en vertical para que quepan
cex.names = 0.7,
ylim = c(0, limite_y)) 
# 2. SEGUNDA GRÁFICA (GLOBAL - EJE Y PERSONALIZADO)
barplot(Top10_Dep,
main = "Gráfica 2: Top 10 Depósitos (GLOBAL)",
ylab = "Cantidad de muestras",
col = "skyblue",
las = 2,
cex.names = 0.7,
ylim = c(0, limite_y),
yaxt = "n")
# 3. Dibujar el eje Y personalizado dinámicamente
axis(2, at = seq(0, limite_y, length.out = 5), las = 1)
ANÁLISIS DE FRECUENCIA ABSOLUTA
ANÁLISIS DE FRECUENCIA ABSOLUTA (TOP 10)
par(mar = c(10, 4, 4, 2) + 0.1)
freq_abs <- Top10_Dep
# 2. DIBUJAR LA GRÁFICA Y GUARDAR SUS COORDENADAS
bar_centers <- barplot(freq_abs,
main = "Gráfica 3: Frecuencia Absoluta del Top 10",
ylab = "Cantidad",
col = "orange",
las = 2,
cex.names = 0.7,
ylim = c(0, max(freq_abs) * 1.2))
# 3. PONER LAS ETIQUETAS NUMÉRICAS ENCIMA DE LAS BARRAS
text(x = bar_centers,
y = freq_abs,
labels = freq_abs,
pos = 3,
cex = 0.8,
col = "black")
ANÁLISIS DE FRECUENCIA RELATIVA (PORCENTAJES)
ANÁLISIS DE FRECUENCIA RELATIVA (PORCENTAJES)
par(mar = c(10, 4, 4, 2) + 0.1)
# 1. CALCULAR PORCENTAJES DEL TOP 10 (Respecto al total general)
freq_rel_porc <- round((Top10_Dep / total_muestras) * 100, 2)
# 2. DIBUJAR LAS BARRAS Y PERSONALIZAR EL LIENZO
bar_centers_rel <- barplot(freq_rel_porc,
main = "Gráfica 4: Distribución Porcentual del Top 10",
ylab = "Porcentaje del Total Global (%)",
col = "orchid",
las = 2,
cex.names = 0.7,
ylim = c(0, max(freq_rel_porc) * 1.3),
yaxt = "n",
yaxs = "i")
# 3. CONSTRUIR UN EJE Y PERSONALIZADO
axis(2, at = seq(0, max(freq_rel_porc) + 2, length.out = 5),
labels = paste0(round(seq(0, max(freq_rel_porc) + 2, length.out = 5), 1), "%"),
las = 1, cex.axis = 0.8)
# 4. COLOCAR LAS ETIQUETAS CON EL SÍMBOLO "%" EN LAS BARRAS
text(x = bar_centers_rel,
y = freq_rel_porc,
labels = paste0(freq_rel_porc, "%"),
pos = 3,
cex = 0.8,
col = "black")
COMPOSICIÓN GLOBAL (GRÁFICA CIRCULAR)
GRÁFICA CIRCULAR: TOP 5 VS OTROS
# 1. ALISTAR LOS DATOS (TOP 5 y el resto)
Top5_Dep <- head(TDFDEP_ORD, 5)
Otros_Dep_Pie <- sum(TDFDEP_ORD) - sum(Top5_Dep)
Datos_Pie <- c(Top5_Dep, "Otros Depósitos" = Otros_Dep_Pie)
hi_pie_porc <- round(prop.table(Datos_Pie) * 100, 1)
colores <- c("#66C2A5", "#FC8D62", "#8DA0CB", "#E78AC3", "#A6D854", "#D3D3D3")
etiquetas_leyenda <- paste0(names(Datos_Pie), " (", hi_pie_porc, "%)")
# 2. AJUSTAR EL LIENZO DE TRABAJO (Margen derecho amplio para la leyenda)
par(mar = c(2, 2, 3, 14), xpd = TRUE)
# 3. DIBUJAR LA GRÁFICA CIRCULAR
pie(hi_pie_porc,
labels = NA,
col = colores,
main = "Gráfica 5: Proporción de Muestras (Top 5 vs Otros)",
radius = 0.9)
# 4. MARCAR LAS COORDENADAS DEL CUADRO DE LEYENDA
x0 <- 1.1
x1 <- 2.8
y1 <- 0.9
y0 <- -0.5
# 5. DIBUJAR EL CUADRO BLANCO DE FONDO
rect(xleft = x0, ybottom = y0, xright = x1, ytop = y1, col = "white", border = "black")
# 6. PONER EL TÍTULO DENTRO DE LA TARJETA
text(x = (x0 + x1)/2, y = y1 - 0.15, labels = "Depósitos Principales", font = 2, cex = 0.9)
# 7. LLENAR LA TARJETA CON LOS COLORES Y PORCENTAJES
legend(x = (x0 + x1)/2,
y = y1 - 0.25,
legend = etiquetas_leyenda,
fill = colores,
cex = 0.7,
bty = "n",
xjust = 0.5,
y.intersp = 1.4)
CONCLUSIÓN
CONCLUSIÓN DE LA VARIABLE CONTINENT
Al analizar la variable univariada correspondiente al nombre del depósito (DEPOSIT_NAME), se observa una alta fragmentación en la procedencia de las muestras. La base de datos alberga una gran cantidad de minas y proyectos únicos; sin embargo, al aplicar un ordenamiento de frecuencias, se hace evidente que una pequeña fracción de depósitos (el Top 10) concentra una proporción significativa del total de datos extraídos. Esta asimetría estadística sugiere que ciertas operaciones mineras específicas han sido sometidas a campañas de muestreo geoquímico mucho más intensivas, convirtiéndolas en los focos principales de la exploración archivada.