Este documento explora las concentraciones de oro (Au_ppm) obtenidas de muestreos de sondaje, identifica los valores atípicos y los clasifica en intervalos mediante cortes iguales, percentiles y Jenks utilizando el paquete classInt en R. Se incluye el código completo para reproducir los análisis y ajustar el número de clases o las etiquetas según tu criterio, facilitando su integración en estudios estadísticos y modelos de machine learning.

La normalización de datos es una etapa clave en la preparación de información para análisis estadísticos y modelos de machine learning. Su objetivo principal es transformar una variable numérica para que se ajuste a una distribución más cercana a la normal, o para que tenga una escala comparable con otras variables.

Antes de proceder con la estimación de recursos, se lleva a cabo un Análisis Exploratorio de Datos (AED) sobre los compósitos con el objetivo de comprender a fondo la información disponible. Esta etapa permite caracterizar la población, la muestra y su distribución, así como identificar patrones, posibles valores atípicos o anomalías, y tratarlos adecuadamente. Para ello, se emplean herramientas de estadística básica, se generan resúmenes descriptivos de los indicadores, se exploran modelos probabilísticos y, cuando corresponde, se busca una función que ajuste los datos a un modelo específico. Como resultado, se obtiene un conjunto de datos depurado y confiable, indispensable para aplicar técnicas de geoestadística y aprendizaje automático (ML) en la estimación de recursos.