FACULTAD DE INGENIERA

Escuela Acadmico Profesional de Ingeniera de

Minas

Ing. Mara E. Lpez Becerra Julio del 2015

 Aplicaciones de la geoestadstica

El anlisis e interpretacin de los semivariogramas, son tiles para:

Evaluar el potencial econmico minero de un yacimiento;
Determinar el tamao, la densidad y el esquema ptimo de muestreo;
Definir el rea de influencia de la muestra y la morfologa del
fenmeno estudiado; Caracterizar la naturaleza de la mineralizacin,
es decir poner de manifiesto la homogeneidad o heterogeneidad de la
mineralizacin a travs de la variografa .

La aplicacin de la geoestadstica en minera y geologa permite entre

evitar el uso de mtodos de ponderacin arbitrarios y de estimadores
sesgados en el clculo de reservas y recursos.

Si la base de datos inicial es correcta, a travs de la geoestadstica

podemos determinar el mejor estimador no sesgado posible, importante
en yacimientos que trabajan con limites econmicos riguroso.
 ETAPAS DE UN PROYECTO MINERO

1. Prospeccin: en esta etapa tomando como base los trabajos de

reconocimiento (sondajes, trincheras, calicatas, etc) se trata de
limitar una zona mineralizada, tomndose como referencia
parmetros de tipo geolgicos.

Se trata de verificar la existencia de mineralizacin y comprender la

naturaleza cualitativa del fenmeno (mineraloga, tectnica, etc).

2. Factibilidad
El estudio de factibilidad, a travs de una campaa de sondaje a gran
escala y contando con una coyuntura econmica favorable, permitir
decidir explotar el yacimiento con los resultados de los sondajes se
determinan el tonelaje la ley promedio y la cantidad de metal (Q) es
la que en geoestadstica se denomina estimacin global.
 3. Proyecto minero: si la cantidad Q va a generar beneficios
se prosigue con la fase siguiente es decir el clculo del
proyecto.
Para ello se debe definir:
El mtodo de explotacin
La seleccin

Si el yacimiento se ha dividido en bloques, siendo z(v) la ley del bloque. El

bloque explotable ser aquel cuya ley sea superior a la ley de corte o ley
del cut off z(c).

Uno de los objetivos primordiales de la geoestadstica el clculo de las

reservas recuperables.
4. Programa De Explotacin:
Definidos el mtodo de explotacin y el criterio de seleccin, se
realiza la programacin de la explotacin de manera ptima;
para ello debe respetarse ciertas condiciones como por ejemplo
el tamao y nmero de bloques a explotar y el material que se
va a utilizar.
Adems en esta etapa debe de tomarse en cuenta el tonelaje
mnimo y mximo que se debe de suministrar a la planta por
unidad de tiempo, de tal forma que el aprovisionamiento sea el
ms regular posible, tanto en calidad como en cantidad. Es
necesario que exista una concordancia entre la mina y la planta,
que se podr conservar, ya sea a travs del stock de mineral o
por un racionamiento adecuado de material tratado por la
planta.

La geoestadstica puede predecir la ley promedio y a la vez realizar una

programacin de la explotacin lo mas ptima posible.
 VARIABLES REGIONALIZADAS

Una variable regionalizada es aquella que puede

representarse en el espacio
x3
Z variable regionalizada
Z(X)

x3

x3

La geoestadstica con respecto a la estadstica considera en su anlisis no

solo el valor o magnitud en el punto donde se tom la muestra, sino
tambin la posicin de este punto dentro del cuerpo mineralizado y su
relacin con las otras muestras.
Por ejemplo realicemos el anlisis de la dos series de leyes en Cu,
dados en porcentaje.

Serie A = 0.5; 1.5; 2.5; 3.5; 4.5; 6.0

Serie B = 1.5; 4.5; 6.0; 3.5; 2.5; 0.5

Las dos series presentan la misma media, misma varianza 3.08 y

4.04 pero sin embargo notamos una marcada diferencia espacial.
Estas diferencias pueden utilizarse para poner de manifiesto la
existencia de una relacin espacial en los valores de la variable, que
los mtodos estadsticos no toman en cuenta. En funcin de este
criterio podemos decir que una V.R puede representarse en el
espacio en funcin de su magnitud y soporte (volumen, forma,
magnitud y orientacin).
 Aplicacin a la evaluacin de
yacimientos
Etapas en la evaluacin de yacimientos
Modelamiento geolgico: determinacin de unidades
litolgicas en base a la litologa, mineraloga, alteracin, etc.
En general cada unidad se estudia y se estima por separado.
Evaluacin de la calidad de los datos (muestras).

Modelamiento geoestadstico de los datos.

Estimacin global y local de los recursos geolgicos.

Definicin y reporte de las reservas mineras.

Herramientas
exploratorias
Presentacin de los datos

Sondajes de exploracin en un yacimiento tipo prfido

cuprfero.
Obtencin de 2376 datos compositados con sus leyes de
cobre total (en %), oro total (en ppm) y el tipo de roca.

cdigo Tipo de roca

4 Granodiorita
54 Diorita
20 Brecha de turmalina
31 Monzonita
34 Granito
28 Brecha de polvo de roca y turmalina
Despliegue de atributos
(mapas)
Distribucin de leyes
Distribucin de leyes
 Terminologa Estadstica

Se dice que el anlisis estadstico, est formado por dos elementos

fundamentales:
- Descripcin del conjunto de informacin
- Obtencin de conclusiones de toda la poblacin cuando slo
conocemos parte de ella, y prediccin de consecuencias futuras.
Trminos ms usuales:
Poblacin. Conjunto de unidades, elementos sobre los que se
realiza el estudio, y que cumplen una determinada caracterstica o
propiedad. A cada elemento de la poblacin se le llama unidades
estadsticas.
El tamao de la poblacin es el nmero de elementos que tiene dicha
poblacin.
La poblacin que se vaya a estudiar debe definirse con mucha
precisin.
 Muestra: es cualquier subconjunto de la poblacin. La
muestra es una representacin de la poblacin, por ello es
importante su eleccin. El proceso mediante el cual se
extrae una muestra se llama muestreo. Uno de los tipos de
muestreo ms utilizado es el muestreo aleatorio simple en
el que cada elemento de la poblacin tiene la misma
probabilidad de ser incluido en la muestra.
 Distribuciones de Frecuencias

La forma de la distribucin de los datos (de una variable) se

denomina distribucin de frecuencias.
El estudio de las distribuciones de frecuencias tiene por
objetivo la construccin de tablas de frecuencias que podrn
utilizarse para una mejor presentacin e interpretacin de la
informacin contenida en los datos observados en la muestra.
En este caso, nos referimos a las distribuciones
unidimensionales de frecuencias, que son aquellas utilizadas
para describir una variable individual sin tener en cuenta la
informacin de otras variables que pudieran haberse incluido
en el estudio. Para poder obtener la forma general de una
distribucin de frecuencias unidimensional, es necesario
introducir algunos tener en cuenta algunos conceptos.
Frecuencia absoluta de la clase xi: Es el nmero de
observaciones que existen en dicha clase. Dicho de otra
forma, es el nmero de veces que se repite dicho valor. Se
denota mediante fi.

Frecuencia absoluta acumulada de la clase xi: Es el nmero de

elementos de la poblacin 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 nmero total de
observaciones o datos que denotamos por N, es decir

Frecuencia relativa acumulada de la clase xi: es el nmero de

elementos de la poblacin que estn en alguna de las
clases inferior o igual a la case xi. Se denota por Hi.
Resulta:
Aunque podamos ver la forma general de una distribucin
en una tabla de frecuencias, la mejor forma es mediante un
histograma de frecuencias (que es una representacin
visual de los datos en la que pueden observarse tres
propiedades esenciales de una distribucin: forma,
tendencia central o acumulacin y dispersin o
variabilidad). Tabla de frecuencias
 MEDIDAS DE CENTRALIZACIN, DISPERSIN,
POSICIN Y FORMA.

Veremos las distintas formas de resumir las distribuciones

de frecuencias mediante medidas de posicin (o de
centralizacin), teniendo presente el error cometido en el
resumen mediante las correspondientes medidas de
dispersin. A su vez, analizaremos la forma de la
distribucin mediante las medidas de forma. El histograma
de frecuencias ya nos da una representacin visual de las
tres propiedades anteriores. Se trata ahora de cuantificar
estos conceptos.
 ANLISIS DE DATOS MEDIANTE HISTOGRAMAS

Un histograma es una representacin grfica de una variable en

forma de barras, dnde la altura o eje vertical es proporcional a la
frecuencia de los valores producidos, y el ancho o eje horizontal
corresponde a los intervalos o valores de la clasificacin.
Para construir un histograma es necesario previamente construir una
tabla de frecuencias.

Tabla de frecuencia para datos numricos. A partir de una variable

numrica es posible construir una distribucin de frecuencias
clasificando los datos en clases o categoras definidas por el
investigador. Las clases o intervalos de clase de una tabla de
frecuencias deben ser mutuamente excluyentes, es decir, cada dato
debe caer en una clase y todos los datos deben tener una clase a la
cual pertenecen.
Es importante mencionar que por la cantidad de datos que
se manejan en minera y geologa se utilizan las ecuaciones
para datos agrupados en tablas de frecuencias y que en la
literatura existen dos tipos diferentes de aplicaciones para
datos agrupados y no agrupados; las ecuaciones que se
describen a continuacin son para datos agrupados.
DISTRIBUCIN DE FRECUENCIAS.

Es el conjunto de valores que puede presentar una variable

junto con sus frecuencias, estas se pueden clasificar de acuerdo
a sus tipos.
Segn la naturaleza de la variable estudiada las distribuciones
de frecuencia pueden ser:

No agrupadas: se presentan cuando el nmero de valores que

puede presentar una variable no es muy elevado y en ese caso
podemos observar todos los valores de esa variable. Este caso
se presenta cuando la variable no presenta excesivos valores.
Agrupados en intervalos: se presenta cuando la variable es
continua pero con elevado nmero de valores. Es esta situacin
se agrupan dichos valores en intervalos o clases. Se llama
amplitud del intervalo a la distancia que existe entre los
extremos de los intervalos de clases.
Rango: Resulta de la diferencia entre el valor mximo y el
valor mnimo de la muestra, se expresa con la siguiente
ecuacin:
R= Vmx - Vmin

Nmero de clases: Se expresa por la siguiente ecuacin

n de clase = 1 + 3.321log n

Intervalo de clases: Es el cociente que resulta de dividir el

rango entre el nmero de clases.
Punto medio (xi): Es el valor promedio de cada intervalo de clase.

Histograma de frecuencia:
Son segmentos de geometra rectangular graficado con el
intervalo de clases o los lmites reales de clase.
En el caso que se utilice la frecuencia simple se graficaran
histogramas simples y en el caso de que se utilicen frecuencias
acumuladas se graficaran histogramas acumulados.

Polgonos de frecuencia:
Se obtienen de la unin de puntos obtenidos con los
puntos medios de cada clase y su frecuencia simple o
acumulada dependiendo del tipo que se quiere graficar.
MEDIDAS DE TENDENCIA CENTRAL.
Es un valor, que es representativo de un conjunto de datos.
Como tales valores tienden a situarse en el centro del conjunto
de datos ordenados segn su magnitud.
Se pueden definir los siguientes tipos de medidas de tendencia
central, las ms comunes son la media aritmtica, la mediana y
la moda.
Media aritmtica ( X ):
La media aritmtica o media de un conjunto de N nmeros se
representa por y se define como:
Para datos no agrupados
 Donde:
Media Para datos agrupados xi = punto medio.
fi = frecuencia simple relativa.
n = nmero total de datos
Mediana (Md): La mediana de una coleccin de datos ordenados en
orden de magnitud es el valor medio o la media aritmtica de los dos
valores medios.

Para datos no agrupados.

Donde:
LI = frontera inferior de clase.
Linf fi = lmite inferior de la franja modal
fa = frecuencia acumulada anterior a la
clase total.
fi = frecuencia modal.
n = nmero total de datos
Moda (MD): La moda de una serie de nmeros es aquel valor que
se presenta con la mayor frecuencia, es decir, es el valor ms
comn.
Para datos no agrupados
Es el valor que mas se repite dentro de la muestra de datos.
Para datos agrupados
Se tiene los datos de un anlisis de compresin simple:
a) Calcular la media, varianza, desviacin estndar, mediana y moda.
b) Agrupar los datos en una tabla de frecuencias, mostrando clases, limites,
frecuencias, frecuencias acumuladas y % acumulado.
c) Construir el histograma para los datos agrupados y calcular Q1 y Q3

23 18 22 17 15 21 21 20
25 21 23 24 18 26 25 21
24 30 24 20 23 25 21 27
28 28 27 23 24 25 24 31
27 18 24 22 25 28 22 27
24 28 24 21 19 29 30 30
29 29 25 21 19 25 26 26
24 30 23 17 18 27 26 26
23 28 23 21 25 27 22 20
29 28 24 26 24 26 24 24
24 21 24 19 18 27 26 27
28 19 25 27 18 29 21 30
25 18 24 24 24 28 26 23
29 30 27 29 25 27 28 31
A partir de este tercer momento se calcula el coeficiente de
sesgo para poder identificar a que lado est distribuido la
carga; si es positivo o negativo y lo que mide es la
dispersin muestral.
El Coeficiente de Curtsis : analiza el grado de concentracin que
presentan los valores alrededor de la zona central de la distribucin.

Se definen 3 tipos de distribuciones segn su grado de curtsis:

Distribucin mesocrtica: presenta un grado de concentracin medio
alrededor de los valores centrales de la variable (el mismo que presenta
una distribucin normal).
Distribucin leptocrtica: presenta un elevado grado de concentracin
alrededor de los valores centrales de la variable.
Distribucin platicrtica: presenta un reducido grado de concentracin
alrededor de los valores centrales de la variable.
 Modelado de histogramas
Distribucin Normal: la distribucin de una variable normal est
completamente determinada por dos parmetros, su media () y su
desviacin estndar (). Con esta notacin, la densidad de la normal
viene dada por la ecuacin:
Existen dos razones bsicas por las cuales la distribucin
normal ocupa un lugar tan prominente en la estadstica:
Tiene algunas propiedades que la hacen aplicable a un gran
nmero de situaciones en la que es necesario hacer inferencias
mediante la toma de muestras.
La distribucin normal casi se ajusta a las distribuciones de
frecuencias reales observadas en muchos fenmenos,
resultados de procesos fsicos y muchas otras medidas de
inters.
 propiedad
No importa cules sean los valores de y para una
distribucin de probabilidad normal, el rea total bajo la curva
siempre es 1, de manera que podemos pensar en reas bajo la
curva como si fueran probabilidades.
Matemticamente es verdad que:
1. Aproximadamente el 68% de todos los valores de una
poblacin normalmente distribuida se encuentra dentro de 1
desviacin estndar de la media.
2. Aproximadamente el 95.5% de todos los valores de una
poblacin normalmente distribuida se encuentra dentro de 2
desviaciones estndar de la media.
3. Aproximadamente el 99.7% de todos los valores de una
poblacin normalmente distribuida se encuentra dentro de 3
desviaciones estndar de la media.
La distribucin normal es elaborada a partir de una
distribucin muestral, que consiste en tomar muchas muestras
de una misma poblacin, se calculan las medias muestrales x y
se representa grficamente.

Distribucin muestral: la distribucin de un estadstico es la

distribucin de los valores tomados por l en todas las
muestras posibles de igual tamao de la misma poblacin
 Caractersticas de la distribucin normal
La curva tiene forma de
campana y presenta un
Es simtrica con punto mximo que se
respecto a la media encuentra en el centro de la
de la distribucin. distribucin, en ese punto la
media, la moda, la mediana
son iguales

El rea total bajo la curva normal se

La curva normal se considera que es de 100% ya que la
extiende suma de las probabilidades a lo
horizontalmente largo de una distribucin es 1
(- inf. a + inf)
La dispersin hace que la curva sea ms elevada o ms achatada
Anlisis Estadstico Descriptivo
Cuando efectuamos el estudio de las
caractersticas de una poblacin, por ejemplo: la
porosidad de un yacimiento, debe hacerse un
balance entre la cantidad y la calidad de datos a
utilizar. Para efectuar este anlisis se utilizan
mtodos grficos por ejemplo histogramas,
medidas de tendencia central y medidas de
dispersin.
Mtodos Grficos
Histogramas de Frecuencias: Cuando tenemos una
poblacin y una muestra, por ejemplo: datos de
porosidad de un yacimiento, es deseable reemplazar
las mediciones por una representacin grfica.
Simplemente se tabula, para un intervalo dado
(clase) del atributo analizado (por ejemplo: la
porosidad entre 0 y 1%) el nmero de mediciones
que caen dentro de este rango, y este nmero
(frecuencia de ocurrencia) se grfica contra el valor
representativo del intervalo de esta clase.
 En la figura se muestra un histograma de frecuencia de porosidad, donde en el
eje X tenemos los intervalos de clases de porosidad y en el eje Y la frecuencia, de
una poblacin de 1390 datos.

Histograma de Frecuencias de Porosidad

Una caracterstica primordial de los histogramas es la
forma de la curva que este genera.

Forma de la curva que ajusta al histograma

Si tenemos un solo pico estaremos hablando de una distribucin unimodal (a), si la
curva tiene dos picos lo denominaremos una distribucin bimodal (b) y si tiene tres
o ms picos multimodal (c). La moda es una medida de tendencia central, que
representa visualmente el intervalo con mayor frecuencia.
Un histograma unimodal es simtrico si tenemos un eje de
simetra que puede dividir en dos partes iguales al histograma,
en caso de no existir esta relacin de simetra, estaremos
hablando de una distribucin sesgada. Se habla de sesgo
positivo (a) cuando tenemos mayor frecuencia de valores hacia
la izquierda del histograma y de un sesgo negativo (b) cuando
exista mayor frecuencia de valores hacia la derecha del
histograma de frecuencias.
 ANLISIS DE DATOS MEDIANTE HISTOGRAMAS

Histogramas: se realiza mediante el despliegue de

datos de ocurrencia de datos en las diferentes clases.

Histograma acumulado: despliegue de la frecuencia.

acumulada bajo un valor de corte (que define una
clase).
Histogramas:

calcula el numero de muestras en cada clase.

Ancho de clase suele ser constante la altura de cada barra del
histograma es proporcional a la frecuencia de la clase.
Entrega estadstica de las muestras.
Media y varianza son muy sensibles a valores extremos.
Media y rango intercuartil son medidas mas firmes.

Cmo construirlo?
Depende del numero de muestras, escoger el numero de clases.
Desplegar el rango importante de los datos.
Histograma Acumulado

Puede servir para distinguir poblaciones estadsticas

Puede utilizarse para comparar la distribucin de datos con
modelos paramtricos (normal / lognormal)
Se utiliza para transformar la distribucin de muestras a
cualquier otra distribucin deseada.

El histograma de frecuencias acumuladas no requiere definir

un ancho de clase; pueden crearse a la resolucin de los datos
Una valiosa herramienta descriptiva y usada para inferencia
 MEDICIN DE ERRORES MEDIANTE
LA VARIANZA DE ESTIMACIN

Definir la variabilidad de un yacimiento.

a) Concepto de soporte
b) Varianza de dispersin (c/distintos soportes)
c) Varianza de estimacin
 Varianza de Dispersin

Son las medidas de variabilidad, donde se muestra la

variabilidad de una distribucin, indicando por medio de
un nmero si las diferentes puntuaciones de una variable
estn muy alejadas de la media. Cuanto mayor sea ese valor,
mayor ser la variabilidad, y cuanto menor sea, ms
homognea ser a la media. As se sabe si todos los casos
son parecidos o varan mucho entre ellos.
De acuerdo al siguiente ejemplo se muestra que la
variabilidad disminuye a medida que el soporte aumenta:
Los valores de los datos individuales dentro del bloque
han sido reemplazados por un solo numero: la ley media.
Luego se define la varianza calculando la varianza de las
leyes medias.
Puesto que las leyes individuales han sido reemplazadas
por una sola ley media.
En el siguiente cuadro presenta la varianza media de las
leyes puntuales dentro de un bloque, la varianza de las
leyes de bloque dentro del rea de estudio y la varianza de
las leyes puntuales dentro del rea de estudio. Aparece una
relacin interesante en este cuadro. La varianza de las leyes
puntuales en el area de estudio es igual a la varianza de las
leyes de bloque en el rea de estudio mas la varianza de las
leyes puntuales dentro de un bloque
Consideremos 16 leyes puntuales agrupadas en bloques
de 2x2 los datos y las varianzas calculadas son las
siguientes:
Datos Estadsticas para los 16
1.05 0.7 0.85 0.93 datos
1.2 1.11 0.87 1.1
0.9 0.78 1.33 1.18 Media = 0.985
1.02 0.9 1.13 0.71
Varianza = 0.0316
 2 x 2 Clculo de la Media de Estadsticas para
los Datos bloques de 2 x 2
1.015 0.9375 media = 0.985
0.9 1.0875 Varianza = 0.0052

La varianza media de los valores de los datos dentro

de un bloque de 2 x2 es igual a:
s2 = (( ( 1.05-1.015)2 + (0.7-1.015)2 + (1.2-1.015)2+(1.11-1.015)2)/4 +
+ (1.33 - 1.0875)2 + (1.18- 1.0875)2 + (1.13 - 1.0875)2+ (0.71 -1.0875)2 )/4)/4
s2 (puntos dentro del bloque) = 0.0264
De estas varianzas calculadas vemos que:

s2 (puntos dentro del rea) = s2 (bloques dentro del rea) + s2 (puntos dentro del
bloque)
D 2 (0 / A ) = D 2 (v / A ) + D 2(0 / v )
D 2 : Varianza
0 : representa el soporte puntual Muestras puntuales

v: Bloques

A : representa el soporte del rea de estudio.

Varianza de las muestras

puntuales en un rea
=

+ Varianza de las muestras puntuales

Varianza de los Bloques del rea
en los bloques
Se demostr que la Varianza disminuye al aumentar el
tamao del soporte
El modelo de variograma se puede usar para predecir la
varianza de leyes en un soporte de cualquier tamao
dentro de cualquier volumen.
vi es reemplazado por las leyes de los datos individuales y
el trmino m es reemplazado por la ley media del bloque
y
La varianza de dispersin se interpreta como la varianza de las
leyes de muestra dentro del bloque.
En la primera expresin, la diferencia al cuadrado media se
calcula en todos los pares de puntos que definen el volumen v.

Se puede ver de la similitud de ambas expresiones que la varianza

de dispersin de las leyes de muestra dentro de un volumen es
igual al medio de la funcin de variograma en funcin del
volumen
 Varianza de Estimacin

Este tipo de varianza se puede calcular una vez que se

conoce el modelo de variograma es la varianza de
estimacin. Mientras que la varianza de dispersin
expresa la variabilidad de las leyes, la varianza de
estimacin expresa la variabilidad asociada con una
estimacin o, en otras palabras, expresa la varianza de
los errores de estimacin.
Ejm: realizar el clculo del promedio y la varianza, suponiendo que una
muestra fue homogeneizada y dividida en 10 sub-muestras
representativas y que todas son entragadas al mismo laboratorio. Los
valores informados por el laboratorio son los siguientes: 3, 5, 4, 5, 7, 6, 5,
6, 4, 5:
Para estos datos la varianza es la siguiente:
Valor de los Desviacin Desviacin al
datos (zi) (zi z) cuadrado
3 -2 4 Varianza = s2 = 12/10 = 1.2
5 0 0
4 -1 1 Desviacin estandar = s = 1.2 = 1.1
Coeficiente de variacin = s/z
5 0 0 = 1.1 / 5
7 2 4 =0.22= 22%
6 1 1 Es un valor muy alto en la cual se
indica una preparacin de muestra
5 0 0 deficiente o un desempeo
6 1 1 deficiente en el laboratorio
4 -1 1
5 0 0
suma 12
 El error de estimacin para un punto (E), ser la diferencia
entre Z*, (la verdadera ley del punto), y la Ley (Zx) que es
resultado de su clculo a travs de leyes xi afectados por un
coeficiente Ki .
= Z* - Zx = Z* - (xi . Ki )
Si el estimador no tiene sesgo (error sistemtico nulo), la
distribucin de los errores debera seguir una distribucin
normal.
El estimador usado tiene la forma :
n

z v ( x) i z ( xi )
*

i 1

donde los representan las ponderaciones asignadas a cada

dato. La nica restriccin para las ponderaciones es que
sumen uno,
 La varianza de estimacin va a depender de las distancias estadsticas (Y),
promedio entre los datos y el bloque. Puesto que el modelo de variograma
es una funcin creciente, el error de estimacin aumenta o disminuye con
las distancias desde las muestras al centro del bloque.(es lo que expresa el
1er trmino de la frmula) .

El segundo trmino de la expresin involucra el promedio de la funcin del

variograma entre las ubicaciones de las muestras. Este trmino es negativo,
as que la varianza de estimacin disminuye a medida que este trmino
aumenta (datos distanciados). Si los datos se encuentran agrupados, las
muestras bsicamente investigarn el mismo punto en el espacio y, como
consecuencia, mucha de la informacin se har redundante (aumenta la
varianza de estimacin).

El tercer trmino examina el promedio de la funcin del variograma dentro

del bloque mismo. A medida que aumenta el tamao del bloque, tambin
aumenta ese trmino, reduce la varianza de estimacin.
 LA VARIANZA DE EXTENSION Y LA CONFIGURACION DE PANELES
EN MALLA REGULAR
Vamos a suponer que tenemos una malla de exploracin diamantina de 100 X
100 metros,. La mayora, por costumbre ms que por otra razn, prefiere
configurar los paneles con el taladro al centro; sin embargo hay otras
alternativas, las cuales se pueden configurar sin modificar la malla de
exploracin. Por ejemplo, podemos configurar paneles como el de la esquina
superior derecha con cuatro taladros en cada vrtice; tambin es posible
comprometer slo a dos taladros tal como se muestra en la parte inferior
izquierda y hasta 5 taladros (esquina inferior derecha). Intuitivamente sabemos
que todas estas alternativas son definitivamente mejores que la usual del
taladro centrado, ya que presentan mejor soporte, es decir involucran a ms
valores a la hora de la estimacin de la ley media del panel.

Configuracin de diferentes
paneles para una misma malla
regular
Podemos demostrar esto empleando la geoestadstica. Para ello
comparemos la configuracin del taladro centrado y la de los cuatro
valores (uno en cada vrtice).
Como se trata de extensiones comunes, por lo general existen bacos
que nos permiten calcular fcilmente la varianza correspondiente. El que
necesitamos est en la siguiente figura. Se puede notar que, la
configuracin del taladro centrado siempre nos da el mayor error. Por
ejemplo para un variograma con C = 1 y un alcance a = 170, la estimacin
de reservas con el panel centrado nos dar un error de 0.27; mientras que
para los paneles con los taladros en los vrtices nos da prcticamente la
mitad (0.14). Esta diferencia se hace mayor cuando configuramos paneles
con l mayores que el alcance a; como es el caso de a = 50, donde
tenemos errores de 0.80 y 0.28 respectivamente; lo cual es una gran
diferencia. Luego de conocer esto nadie debera usar la configuracin del
taladro centrado.
En el mismo baco de la siguiente figura, tambin se comparan dos
configuraciones por tramos, una con las muestras en los extremos y la
otra con la muestra en el centro del tramo. Resulta obvio que el error
involucrado al estimar (extender) la ley de un tramo desde la ley centrada
es mayor que el error que resulta al asignar la ley a partir de puntos de
muestreo en los extremos del tramo; esto es vlido para distancias de
modelos esfricos para la estimacin de varianzas
 EVALUACIN DE MALLAS DE RECONOCIMIENTO
USADOS EN LA EXPLORACIN Y EXPLOTACIN
MINERA
EL ANALISIS VARIOGRAFICO GEOESTADISTICO

La funcin variograma es una de las herramientas ms poderosas que tiene

la geoestadstica. Vamos a definirla tomando el caso de un depsito D, en el
cual se ha tomado una determinada cantidad de muestras, en diferentes
puntos xi , cada uno de ellos con su respectivo valor de una determinada
variable Z(xi) que nos interesa estudiar (puede ser ley de Au, contenido de
As, intensidad de una alteracin, peso especfico, dureza, porosidad, etc.).
Estas entidades son denominadas variables regionalizadas porque sus
valores estn relacionados con ubicaciones precisas en el tiempo o espacio.
Es de esperar que dos valores contiguos Z(xi) y Z(xi+h), separados una
distancia h, estn relacionados entre s (autocorrelacin), es decir que sus
valores sean dependientes el uno del otro; esto debido a que casi siempre
toda variable tiene un patrn de distribucin (o estructura, como se le llama
en geoestadstica), ya que nada es al azar en la naturaleza. Tambin sabemos
que debido a la complejidad de los procesos geolgicos no habr patrones
de distribucin idnticos.
La estadstica clsica no puede reconocer dichas estructuras ya que sus
parmetros y funciones no toman en cuenta la ubicacin de los datos.
Para explicar esto nos referiremos a la siguiente fig. , en la cual hacia el
borde izquierdo se est representando dos tramos (puede ser de galera,
taladro, etc.) con las leyes que se han analizado cada cierta distancia.
Salta a la vista que los valores del tramo A tienen un patrn de
distribucin o estructura (los valores aumentan hacia el centro y
disminuyen hacia los flancos); mientras que en el tramo B tenemos una
distribucin al azar. Ntese que en ambos casos estamos usando los
mismos dgitos, por lo que que la media m la varianza 2 y el
histograma en los dos tramos son los mismos; mas no as la funcin
variograma (h) que en el tramo A muestra una clara dependencia con
respecto a h, que es la separacin entre las muestras; mientras que en el
tramo B dicha funcin es independiente de h, lo cual es tpico de
distribuciones al azar, prcticamente inexistentes en la naturaleza; ya que
por lo general, las variables cuantificables o semicuantificables,
relacionadas con los yacimientos, se originan por determinados procesos
que les imprimen un patrn caracterstico, es decir todo lo contrario a
una distribucin al azar.
 El variograma puede ser estimado a partir de datos experimentales (por
ejemplo las leyes provenientes de una campaa de muestreo) empleando la
frmula
general :

donde:
Z : es la variable estudiada
Z(x) : es el valor de dicha variable en el punto x
Z(x+h) : es el valor de la variable en el punto (x+h)
h : es el paso entre las muestras (distancias iterativas)
n : nmero de pares de valores
2 (h) : valor de la funcin variograma para un valor h.
(h) : valor de la funcin semivariograma (denomina usualmente variograma)

Todos los paquetes de software aplicados a minera utilizan esta frmula

para
el clculo de los variogramas experimentales; las respectivas facilidades
grficas nos mostrarn variogramas con apariencia similar a la que se a
idealizado en la fig. siguiente., que nos servir para explicar los principales
parmetros de la funcin variograma.
Dentro de la distancia a (alcance), la variable es totalmente estructurada,
es decir depende, o est controlada, por la funcin (h). Mas all del a la
variable es aleatoria, o sea independiente de la funcin variograma: la
curva (en color rojo) se transforma en una meseta (C+Co) cuyo valor
tericamente debe coincidir con la varianza estadstica de todos los datos
involucrados en el clculo del variograma.