3.1.- Mtodos Estadsticos para la Estimacin de Reservas.

La estimacin de las reservas a travs de la estadstica clsica se basa en la teora de las propabilidades, es
decir el estudio de las variables aleatorias. Deberemos entender por variables aleatorias, aquellas que
puedan tomar diferentes valores, en diferentes puntos del espacio, mostrando de esta manera un
comportamiento de independencia de su ubicacin espacial
Al diferencia de los mtodos convencionales, los mtodos estadsticos trabajan con slo una pequea
fraccin de las muestras, que sin embargo pueden llegar a ser mu influentes sobre la estimacin, ra!n
por la cual uno de los elementos ms crticos de este tipo de mtodos es el carcter representativo que
deben tener las muestras utili!adas, para esto e"isten muc#as tcnicas de muestreo que deben tomarse en
cuenta al momento de reali!arse el muestreo.
La principal ventaja de los mtodos estadsticos, es que permiten conocer el error asociado a la
estimacin, e"presado en trminos de la variacin que puede esperarse en torno a los parmetros
estimados.
$na ventaja adicional de este tipo de mtodos, son que permiten constatar la e"istencia de correlaciones
entre las diferentes variables en estudio, en general, independiente del mtodo usado para la estimacin,
siempre ser conveniente utili!ar esta #erramienta.
Distribucin de Frecuencias
$na de las principales #erramientas que utili!an los mtodos estadsticos, son la forma en la cual se
distribuen las variables de inters dentro de nuestra base de datos. %"isten tres tipos de distribuciones a
considerar&
' Distribucin (bservada
' Distribucin )erdadera
' Distribucin de *eferencia
La distribucin observada, corresponde a la distribucin muestral, obtenida a partir del conjunto de
muestras que se utili!arn para la estimacin.
La distribucin verdadera corresponde a la distribucin de las variables en estudio, dentro del depsito, se
trata justamente de la distribucin que se desconoce que se intentar inferir a travs de la distribucin
observada.
La distribucin de referencia por su parte, es una distribucin terica de probabilidades, las cuales se
utili!arn como referencia para reali!ar un ajuste de la distribucin observada, que sirva como #iptesis
de distribucin verdadera, para utili!arla ms tarde para reali!ar inferencias en todos aquellos sectores de
depsito que fueron cubiertos por el muestreo.
%l problema que nace con esto es poder definir cul de entre las opciones de distribuciones tericas
representa en mejor forma la distribucin observada, para esto la literatura e"istente entrega generalmente
dos opciones+ la alternativa visual, la alternativa analtica.
La opcin visual, una de las ms utili!ada es mu sencilla consiste en reali!ar un test grfico visual,
conocido como el ,-est de .enr,.
La alternativa analtica consiste en las mediciones analticas, de las desviaciones que presentan los valores
de la distribucin observada, con respecto a los valores de la distribucin terica, que esta siendo probada
para comprobar su aplicabilidad.
A pesar de que la teora aporta con gran n/mero de distribuciones tericas de referencia, la e"periencia
muestra que las muestras de elementos de depsitos minerales tienden a distribuirse en dos distribuciones
tericas conocidas, las distribuciones 0ormales la Lognormales.
La figura 111 muestra una de las #erramientas grficas maormente utili!adas para conocer la forma en
que se distribuirn los elementos de un muestreo, el #istograma, que corresponde a un clsico grfico
bivariable, en forma de rectngulos, de los elementos obtenidos en la etapa de muestreo en categoras o
rangos de valores, que sirva para referenciar las cantidades de muestras pertenecientes a este intervalo,
concepto conocido como ,frecuencia simple,. Las distintas categoras para la tabulacin de estos rangos
son conocidas como intervalos de clase, mientras que el n/mero de muestras contenidas en dic#o
intervalo corresponde a la ,frecuencia de clase,.

2ig. 111, forma clsica para un .istograma de 2recuencias
%"isten algunas variaciones a la forma clsica del #istograma, en donde en ve! de plotear las frecuencias
de clase simple, se pueden utili!ar&
' Las frecuencias relativas, correspondiente al cuociente entre la frecuencia absoluta 3ni4 el n/mero total
de muestras 304
' Las frecuencias acumuladas , que corresponden a la suma entre las frecuencias relativas de los intervalos
de clase menor ms la frecuencia relativa del intervalo de clase actual.
La forma que adquiera la distribucin depender mu fuertemente de la definicin de los intervalos de
clase, si estos son mu amplios, slo se lograr observar la tendencia central de los datos, obviando
estructuras menores que puedan e"istir a menor escala, la posibilidad de estudiar la variabilidad de los
datos. %n el caso contrario, donde se #a definido un pequeo intervalo de clase, se generarn
distribuciones mu amplias, lo que genera el riego de definir poblaciones e"tras, que en realidad
correspondan ms bien a pequeas fluctuaciones dentro de una misma poblacin.

5ara seleccionar los intervalos de clase, generalmente suelen utili!arse alguno de los siguientes criterios&
' Libre seleccin
' 6riterio de 7turgess
%n el criterio de libre seleccin, el tcnico selecciona la dimensin de los intervalos de clase que le
interesa estudiar, lo que puede resultar bastante ventajoso para un minucioso estudio de la base de datos,
determinacin de diferentes poblaciones, presencia de valores errticos,etc.
%l segundo criterio es usado ampliamente, a que entrega la dimensin del intervalo de clase que permite
la mejor definicin de la forma real de la distribucin en estudio. 5ara estimar el intervalo de clase,
7turguess plante las siguientes e"presiones.
%n donde &
08 & 6orresponde al n/mero de intervalos de clase
86 & 6orresponde a la dimensin del intervalo de clase
0 & 6orresponde al n/mero de muestras de la poblacin
1mn & %s el mnimo valor de la poblacin muestral
1m" & %s el m"imo valor de la poblacin muestral
Distribucin Normal o de Gauss - aplace
La ms importante de las distribuciones tericas es la curva de propabilidades normal, tambin conocida
como curva de 9auss. %sta distribucin se rige de acuerdo a la siguiente e"presin&
%n donde &
:
" &
)alor medio o valor esperado poblacional
;
&
)alor de la constante 5i
<
" &
)alor de la desviacin standard poblacional
%n este caso se dir que la variable ,", tendr un comportamiento normal, que estar centrada en torno
al valor de la media poblacional ,:",, sus valores se dispersarn de este valor central de acuerdo al
valor de su varian!a <
=
. Lo anterior puede e"presarse en forma resumida por la notacin& 1>3 :",<
=
4.
%sta funcin se describe por una curva semejante a una campana, puede apreciarse grficamente en la
siguiente figura.
4 3 ? @== . @ A n Log NI +
4 3 ? @== . @ A
mn4 . m" 3
n Log
X X
IC
+

=
=
? =
4 3
?
? = ?
A
4 3
x
x
x
x
e x f

2ig. 111, Distribucin 0ormal

7i sobre la funcin de distribucin normal, se reali!a un cambio de variable de acuerdo a+
%ntonces la funcin resultante de nuestra nueva variable ,, tendr una distribucin simtrica con
respecto a un valor central de cero, su variabilidad total se e"presar con una desviacin standard de
uno. %sta funcin de distribucin generada recibe el nombre de tiene la distribucin normal standard,
tambin presenta una distribucin normal B>3 C,A

4, e"presada por la siguiente funcin+
%sta estandari!acin de la variable en estudio resulta mu /til, a que en este caso el rea delimitada entre
la curva el eje ,1, tendr un valor de uno, que corresponder a un ACCD de probabilidades de
ocurrencia de un valor determinado. %sto nos permitir definir los lmites de confian!a para valores de
inters.
Estimadores de la Distribucin Normal
5ara una poblacin con distribucin normal, los principales mejores estimadores de la poblacin sern&
Media !ritmtica, es el valor de posicin central ms descriptivo de esta distribucin, para su
estimacin podremos emplear la siguiente e"presin&
%n donde&
E
1 & %s el valor medio de las muestras 1i
%n el caso de la distribucin normal, el valor de la media aritmtica coincide con otro valor de posicin
central, la ,Fediana,, que representa el punto central de las muestras, desde el cual se contarn el
mismo n/mero de reali!aciones de la variable en estudio, al ir alejndose en ambos sentidos de la
mediana.
"arian#a, es una medida de dispersin, que representa cuan dispersados estn las muestras con relacin a
su valor medio. La varian!a se estima como el valor promedio de las diferencias de las muestras on su
valor medio, de acuerdo a la siguiente e"presin &

Desviacin $tandard% es otra medida de dispersin, que nace de la anterior, que permite contar con una
unidad de medicin de la dispersin en las mismas unidades que la variable en estudio. 5ara al calcular la
ra! cuadrada de la )arian!a&
Error o Desviacin de la Media% entrega un parmetro para medir el nivel de confian!a para la media,
se estima a partir del valor de la desviacin standard. %l error de la media varia directamente con las
variaciones del depsito, en forma lgica en forma inversamente proporcional con el n/mero de
muestras. La importancia de este parmetro es que es mu usado para la estimacin de los lmites de
confian!a.

n
i
i
X
n
X
A
A
1
]
1

n
i
i
n
i
i x
X n X
n
X X
n
A
=
E
=
A
=
E
=
4 3 4 3
4 A 3
A
4 3
4 A 3
A

=
x x

n
x
x

E
=
=
?
? =
A
4 3
y
e y f

x
x
y

&oe'iciente de Dispersin% es un ndice porcentual del grado de variabilidad del depsito con respecto a
su valor central, que es calculado a travs de la siguiente e"presin&
mites de &on'ian#a% reflejan el grado de seguridad en el muestreo el riesgo asociado al valor medio
estimado, normalmente son utili!ados para mostrar el porcentaje de certe!a de que una distribucin
normal standard nos permita encontrar el valor central en un intervalo cuos lmites inferiores
superiores estn definidos 3lmites de confian!a4.
La teora estadstica condiciona la definicin de los lmites de confian!a de acuerdo al n/mero de
muestras disponibles para el estudio.
5ara el caso de una distribucin normal reducida o standard, donde el n/mero de muestras es superior a
=G reali!aciones, los lmites de confian!a sern calculados de acuerdo a la e"presin&
5ara facilitar el clculo del parmetro ,t, se #an construido tablas que permiten calcular en forma rpida
el rea bajo la curva comprendida entre diferentes intervalos simtricos respecto a la media poblacional.
De esta forma tenemos que&
' 5ara tHIJ' A, La curva normal reducida tendr un KL.=KD de probabilidades de encontrar la media en el
intervalo&
' 5ara tHIJ' =, La curva normal reducida tendr un MG.NND de probabilidades de encontrar la media en el
intervalo&
' 5ara tHIJ' @, La curva normal reducida tendr un MM.OND de probabilidades de encontrar la media en el
intervalo&
$n resumen de los lmites de confian!a, de las probabilidades asociadas ms utili!adadas quedan
reflejados en la siguiente figura&
ACC ?
E
x
S
Cd
x

{ }

'

+ +
n
X
n
X X X
x
x
x
x x x

? A ? A ? A ? A
{ }

'

+ +
n
X
n
X X X
x
x
x
x x x

? = ? = ? = ? =
{ }

'

+ +
n
X
n
X X X
x
x
x
x x x

? @ ? @ ? @ ? @
{ }
x
t X ? t
2ig. 111, lmites de confian!a de una distribucin normal standard
7i en cambio, la distribucin normal reducida dispone de un n/mero de muestras inferior a =G, se
considerar al parmetro ,p, como la incerte!a, que se repetir en ambos e"tremos de la curva gaussiana,
de encontrar el valor medio de nuestra distribucin en los lmites de confian!a, por lo que la e"presin
3A'=p4 representar por el contrario la probabilidad de poder encontrar el valor medio de la poblacin
dentro de los lmites+
%ntonces los lmites de confian!a a no sern estimados utili!ando las tablas de probabilidades para
distribuciones normales reducidas, sino que se estimarn utili!ando los valores entregados por la
distribucin de ,7tudent,, que al igual que las tablas normales reducidas, podrn encontrarse disponibles
en cualquier te"to de estadstica clsica.

2ig. 111, lmites de confian!a en poblaciones de menos de =G muestras
{ }
x p
t X ?
4 A 3
t
Distribucin o(normal

%n este caso, los valores de la variable en estudio se distribuen en una curva asimtrica, de acuerdo a la
funcin de densidad de poblacin&
%n donde &
:
&
%s el valor medio de los logaritmos de las muestras
;
&
)alor de la constante 5i
<

=
&
6orresponde a la varian!a de los logartmos de las muestras
6omo el lector podr percatarse, si en la funcin anterior se reempla!an los valores logartmicos por una
nueva variable ,,, entonces esta nueva variable se regir por la funcin de distribucin normal. %sta es
justamente una de las principales propiedades de esta distribucin, el #ec#o que los logaritmos de los
valores observados obedecen una distribucin normal.
%sta funcin se describe por una curva continua, semejante a una campana ac#atada #acia uno de sus
valores e"tremos, marcando una clara asimetra #acia los e"tremos poblacionales. De acuerdo a la
direccin de esta asimetra podremos distinguir dos tipos de distribuciones lognormales, distribucin
lognormal de asimetra positiva distribucin lognormal de asimetra negativa 3)er 2ig. 1114.

2ig. 111, Distribuciones Lognormal+ de asimetra negativa de asimetra positiva
%l caso de las distribuciones lognormales de asimetra positiva, estas normalmente estn asociadas a
acimientos de baja le, donde la maor concentracin de valores se produce en torno a lees de valor
sub econmico, mu cercanas a cero. $n ejemplo tpico de este tipo de distribuciones puede encontrarse
en los acimientos de (ro.
Las disbuciones lognormales de asimetra negativa por su parte, estas normalmente estn asociadas a
acimientos de alta le, donde la maor concentracin de valores se produce en torno a lees de mu alto
valor. $n ejemplo tpico de este tipo de distribuciones puede encontrarse en los acimientos de .ierro
en algunos casos de depsitos de cali!a.
%n el caso de las distribuciones lognormales, los principales estimadores son&
=
=
? =
4 3ln
?
? = ?
A
4 3
y
y
x
y
e x f

Media !ritmtica de los o(aritmos, es uno de los valores de posicin central, para su estimacin
podremos emplear la siguiente e"presin&
Donde&
es un estimador de , el valor medio de los logaritmos de las muestras
1i & 6orresponde al valor en le de las muestras
"arian#a de los o(aritmos, corresponde al coeficiente de dispersin de los valores logartmicos de las
muestras, para su estimacin usaremos la e"presin+
es un estimador de , la varian!a de los logaritmos de las muestras
A partir de los dos parmetros anteriores, se podrn estimar los siguientes parmetros+
Media Geomtrica de los o(artmos )m*, es uno de los valores de posicin central ms representativos
de este tipo de distribucin , en el caso de una distribucin lognormal es equivalente con el valor de la
mediana. 5ara su estimacin podremos emplear la siguiente e"presin&
%ntonces es un estimador de
"arian#a Geomtrica% es uno de los valores de dispersin ms representativos de este tipo de
distribucin , para su estimacin podremos emplear la siguiente e"presin&
%ntonces es un estimador de

n
i
i
X Ln
n
y
A
4 3
A
y
y G
e m
e anti
y



log
y
[ ]
[ ]
=
A
=
=
A
=
4 3
A
A
4 3
A
A

n
i
i y
n
i
y i y
y X Ln
n
S
X Ln
n

y

=
y
S
=
y

m
=
G

=
G
S
= =
= =
log
log
y G
y G
S anti S
anti


mites de &on'ian#a% corresponden al grado de seguridad en el muestreo el riesgo asociado al valor
medio estimado, corresponden a la probabilidad de que el valor verdadero del depsito u" sea menor
que up".
6uando el n/mero de muestras es considerable, se acostumbra usar las siguientes e"presiones para el
clculo de los intervalos de confian!a&
' 5ara un KL.=KD de probabilidades de encontrar la media en el intervalo&
' 5ara un MGD de probabilidades de encontrar la media en el intervalo&
' 5ara un MM.OD de probabilidades de encontrar la media en el intervalo&
Distribucin o(normal +ri ,aramtrica
%n algunas circunstancias, ocurre que al aplicar el logaritmo sobre los valores de determinadas
distribuciones asimtricas, que se presuponen lognormales, la curva resultante no adquiere la forma
gaussiana esperada. %n este caso e"iste la posibilidad de que la distribucin efectivamente no tenga un
comportamiento lognormal, pero tambin cabe la posibilidad que al intentar aadir una pequea constante
a la distribucin de los logaritmos de las muestras, esta adquiera efectivamente una distribucin
lognormal. %ste comportamiento se conoce como distribucin lognormal triparametrica, donde el tercer
parmetro, la constante aadida a la distribucin es conocida como constante aditiva. %ste tipo de
distribucin es mu com/n encontrarlo en las minas de (ro de Africa del 7ur.
%n este caso la funcin de distribucin, tendr la siguiente e"presin&
Donde P corresponde a la constante aditiva o tercer parmetro.
5ara determinar el valor de la constante aditiva, *endu propone un proceso iterativo, en el cual se
establece un valor de P que satisfaga la condicin de simetra para los logartmos de valores observados,
ms el valor de esta constante.
7i el n/mero de muestras es suficiente, entonces la constante aditiva puede estimarse utili!ando la
siguiente e"presin&
%n donde+
F, corresponde a la mediana de la distribucin,
{ }
y y
e e
G x G


+

{ }
y y
e e
G x G


= = +

{ }
y y
e e
G x G


@ @ +

=
=
? =
4 4 3ln3
?
? = ?
A
4 3
y
y
x
y
e x f



+

m f f
f f m
? =
?
= A
= A
=
+

2A f= corresponden a los valores de las frecuencias acumuladas, para las respectivas probabilidades ,p,
,A'p,. -ericamente puede utili!arse cualquier valor de ,p,, sin embargo valores entre G =CD
entregan mejores resultados.