Geoestadística

Diversidad de áreas de aplicación.

Dominio minero: 

Estimación y clasificación de Recursos.
 Estimación de recursos
Necesidad de caracterizar un proyecto o un 
yacimiento para realizar el estudio de viabilidad 
económica del mismo (técnica, económica, 
operativa).

Dimensiones del yacimiento (modelo geológico –
tonelaje), densidad del mineral y ley del 
elemento de interés.
 DOMINIO A ESTUDIAR
(Yacimiento, prospecto)

Diseño de campaña de sondajes
CONTROL     DE     CALIDAD

(AR, DDH)

Mapeo geológico 
(geotécnico)
Toma de muestras: análisis químico, 
densidad, geometalúrgicas
Modelos geológicos

ESTIMACIÓN (elemento de interés, densidad, variables 
geometalúrgicas, contaminantes) y Clasificación de recursos

Paso de Recursos a Reservas
PLANIFICACIÓN MINERA 3
 Sólidos o wireframes: 
Litología, alteración,  zonas 
Estimación y Clasificación de Recursos
minerales, estructuras.
Modelo geológico
Tablas: Collar,  desviación, 
leyes de variables de interés, 
Base datos geológica codificación mapeo. 
Información de 
entrada Base datos densidad
BD puntos o valor constante 
por unidad geológica.

BD puntos o superficie 
Base datos topográfica topográfica.

Estimación de: leyes de 
interés , contaminantes, 
Información de  densidad.
Modelo de bloques
salida Clasificación de recursos 
mineros.

Reservas Mineras 4
 Validación del modelo
Modelo geológico Flageo de la BD regularizada
Flageo del modelo de bloques

Validación de la BD
A. estadístico del soporte
Base datos geológica
Regularización del soporte
A. estadístico y geoestadístico 
Elección del método de 
estimación
Base datos densidad A. estadístico y geoestadístico

Elección de parámetros 
Base datos topográfica Limite extensión MB de búsqueda

Modelo de bloques Estimación

Clasificación de recursos 
Validación de la estimación
mineros
5
 Cuestionamientos…
• Qué pasa si el muestreo (diseño de la campaña de 
sondajes) es irregular?…agrupamiento de la 
información.

• Qué pasa si las muestras tienen diferente soporte?. 
Análisis estadístico del soporte.

• Qué pasa si existen muestras de distinta naturaleza 
(AR, DDH, canaletas…)?. Análisis comparativo. QA/QC

• Se pueden mezclar muestras que provienen de 
diferentes laboratorios químicos?. QA/QC.
Terminología Básica para 
Geostadística Aplicada a la Minería

D. ABURTO M. y C. QUIÑONES C.
 Conceptos útiles
• Soporte (longitud, superficie o volumen que una 
muestra representa).
• Regularización (homogenización diferentes soportes).
• Compositación (cambio de soporte).

• Muestra‐muestreo (diseño del muestreo, tipo de 
muestreo, preparación de la muestra).
• Agrupamiento (clustering)‐desagrupamiento.

• Variable aditiva (propiedad de suma).
 Soporte y Regularización de datos
Ejemplo de Impacto en la Media
.

4 6 2 • A priori podríamos decir que la media es 4 
(estadística)

4 2
• A priori podríamos decir que una media 
6
representativa sigue siendo 4 ? Discusión…

6
4 • Podríamos decir que una media 
2 representativa sigue siendo 4 ? Discusión…

Ahora, si regularizamos a un soporte :
4 6 2
4 2 • Podríamos decir que la media 
2
2 representativa era más bien 3. 
2 (esto aún sin considerar la posición espacial  9
de las muestras).
 Muestreo Regularizado
Primer efecto de dilución
.

• A priori, en la industria moderna, el muestreo de sondajes es 
realizado en forma regularizada, pero a la fecha aún existen casos 
con malas prácticas.
• Quién y con qué criterio se elige el tamaño (largo) de la muestra 
de sondajes?
‐ Geólogo.
‐ Dependiendo del tipo de depósito y la ocurrencia de la 
mineralización relevante y mayoritaria.
‐ No debe tomarse en cuenta los “outliers”.
• Ejemplos de “Largos” del muestreo: 2m a 3m en pórfidos de Cu, 
1m a 2m en IOCG, 1m a 0.5m en vetas auríferas, 0.5m en 
discordantes uraníferos, etc.
• Considerando que es un fenómeno natural el cual se quiere 
homogenizar (regularizar), inherentemente se producirá un 
efecto de dilución (primera dilución por muestreo). Porqué?  10
 Muestreo Regularizado
“Cutting” en Pórfido de Cobre

Muestreo en “cutting” (AR). Muestreo Regular a 2m

11
 Muestreo Regularizado
“Diamantina” en Pórfido de Cobre.

Muestreo en “diamantina” (DDH). Regular a 2m por “tacos”

12
 Muestreo No‐Regularizado
Casos Reales
Depósito Tipo Discordancia de U en Canadá
Campaña 2012                                      Campañas Pre‐2012

Dominio NW de Actual Yacimiento de Oro en 
6.00
Chile ‐2015 • Muestreo Sesgado. 
5.00
• La primera dilución (por 
Largo Muestras (m)

4.00 muestreo) estará fuera de 
3.00 control.
2.00 • Múltiples análisis adicionales 
1.00
de impactos serán necesarios 
en estimación ($$ y tiempo).
0.00
0 100 200 300 400 500 600 700 800 900 • Resultado de la estimación 
13
Cantidad de Muestras (m) con baja certeza (>> Riesgo).
 Representatividad del Muestreo

• Como vimos, el soporte de las muestras debe ser regular (volumen), de 
modo que cada muestra represente equitativamente su “peso” en la 
población.

• La calidad del muestreo es un factor también decisivo (QAQC).

• Cada observación debe tener la misma oportunidad de representación: 
ejemplo, un sondaje aire reverso (AR) con un diamantina (DDH) no 
representan lo mismo (pérdida de fino por “cutting”).

• Todos estos factores deben ser tomados en cuenta para evitar un 
muestreo errado o sesgado, pudiendo constituir un error FATAL

• Espacialmente, en la minería (sobretodo en etapas tempranas del 
Proyecto) existe un “sobre‐muestreo” en zonas enriquecidas…Factor 
relevante a considerar (Muestras “Clusterizadas”).
14
 Clustering (Agrupamiento)
• Muestreo preferencial de zonas enriquecidas debido 
generalmente a primeras campañas de exploración o para mejor 
caracterización del sector de mayor metal o incluso por malas 
prácticas (intencionales o no‐intencionales). 
• Ejemplos reales en planta: 

Collares en IOCG. Chile
N
Muestreo en Planta. Porf. Cu. Chile
N
 Método Celda desagrupante
• Se toma una grilla regular sobre el 
dominio.
• Se cuenta el número de muestras en 
cada celda.
• Se define un peso que es inversamente 
proporcional al número de muestras.
 Definición de peso:
 1 
 
wi   nci 
 n 1 

 nc


 i 1 i 
• nci: número de datos en la celda que 
contiene el dato i.
• wi: peso aplicado al dato i para calcular 
la media ponderada.
 Ejercicio 
Celda desagrupante

o o o

0.373 0.015 0.172 Ley 1/nc peso

0.373 1/1 1/9
0.015 1/1 1/9
0.172 1/1 1/9
0.654 1/1 1/9
o o o 0.792 1/1 1/9
0.308 1/1 1/9
0.654 0.792 0.308 0.574 1/1 1/9
0.912 1/5 1/45
1.002 1/5 1/45
o o 1.194 1/5 1/45
0.882 1/5 1/45
0.912 1.002 1.119 1/5 1/45
o o o
0.724 1/1 1/9
0.574 1.194 0.724
o o

0.882 1.119

Media de Ley sin desagrupar:  0.671%  
Media de Ley desagrupada:  0.515% 
 Desventajas del método
• Es un método de “prueba y error”:
– Generalmente se prueban varios tamaños 
de celda.
– Generalmente se selecciona el tamaño de 
celda que minimice la ley media *.

Notas:
• La celda no tiene porque ser cuadrada.
• Siempre revise el impacto de “Outliers”.
 Ejemplo Real
Herramienta en Isatis

20
Regularización vs Compositación

– Ideas sobre la « COMPOSITACIÓN » ?

– Concepto
– Responsable
– Momento de ejecución
– Criterios
– Impactos

21
 Criterios para Compositación
• Existen dos tendencias en el Mercado... Cuál elegir?

• Mantener un “largo” de compósito muy similar al 
muestreo regularizado.
• Se busca una representatividad más cercana a la variabilidad 
del fenómeno natural.
• Se mantiene cercana la cantidad de muestras originales y 
disponibles para estimar (más robusta).

• Mantener un “largo” de compósito acorde a la altura 
de los bloques del modelo de bloques.
• Se busca una representatividad más cercana a la eventual 
realidad de la operación minera (selectividad‐dilución).
• Se disminuye la cantidad de muestras disponibles para estimar  22
con respecto a las originales del muestreo regularizado.
 Impactos en Compositación

• Media permanece constante
• La varianza disminuye a un soporte 
mayor (valores extremos son 
promediados): Efecto de Soporte

• Notas: Ejemplo de tamaños de compósitos comunes

(divisor de altura bloque):
– Pórfidos de Cu:  2 m, 3 m, 5 m, 15 m
– IOCG:  2 m, 3 m, 5 m, 10 m
– Vetas de Au:  0.5 m, 1 m, 2 m, 5 m
– Discordantes de U:  0.5 m, 1 m, 2 m
23
 Impactos en la Compositación
Segunda dilución?
• Tras la supuesta regularización (primera dilución de terreno), debemos 
evaluar el efecto de compositación.
• En general, en la práctica es útil superponer los histogramas con ambas 
poblaciones, en la misma escala, para verificar rápidamente el control de 
la distribución estadística y parámetros básicos. (Detección de problemas en 
regularización, o efectos en contactos por dominios, etc)

Pórfido Cu – Perú, 2013
Dominio ‐ CHAL Dominio ‐ SUL

Verde: Muestras
24
Rojo: Compósitos
 Aditividad
Definición
Se dice que una variable es aditiva cuando su valor 
en un dominio dado es igual a la suma o al 
promedio de sus valores en sub‐dominios.

La densidad y la ley de un elemento dado son 
variables aditivas?

Importancia de regularización de las muestras
Importancia de dominios geológicos homogéneos
 Aditividad
Ejercicios

Masa 

Densidad

Ley Química
Repaso Estadística

27
 Según la enciclopedia 
universal

La palabra estadística hace referencia 
tanto al conjunto de datos de 
observaciones como a la actividad que 
consiste en su recopilación, su 
tratamiento y su interpretación. 

(traducido del libro: Probabilités, Analyse des données et statistique, SAPORTA, 1990)

Ejemplo: El registro diario de la temperatura máxima en Santiago durante los últimos 20 años 
constituye una estadística, mientras que hacer estadística sobre estos datos consistiría por 
ejemplo en, trazar gráficos, calcular la media, valor máximo, etc…

28
 Generalidades
• Realizar estadística supone estudiar un conjunto 
de objetos equivalentes sobre los cuales 
observamos características llamadas variables. 
Ejemplo: ley de CuT (variable) de un yacimiento 
de tipo pórfido cuprífero.

• Población (dominio): noción fundamental en 
estadística, grupo o conjunto de objetos 
equivalentes. Los objetos son llamados individuos
o unidades estadísticas.

29
 Generalidades

La estadística se interesa en las 
propiedades de la población y no en los 
individuos en particular (ejemplos 
extremos: nos interesamos en la 
proporción de outliers y no en un outlier
en particular).

30
 Definiciones 
• Generalmente, la población (dominio) es bastante 
grande para ser observada exhaustivamente (más 
evidente para el caso de una población infinita).

• Censo: El estudio de todos los elementos de una 
población finita.

• Sondaje: observación de una parte de la 
población, la parte estudiada se llama muestra.

31
 Generalidades
Variables: conjunto de características que describen a 
cada individuo de una población. En minería:

– Cuantitativas o numéricas: talla, peso, volumen, 
densidad, ley de un elemento químico. Números 
reales sobre los cuales operaciones matemáticas 
tienen sentido.
• Continuas: leyes de mineral, densidad, recuperación 
metalúrgica.
• Discretas: número de fallas, número de camiones.

– Cualitativas o categóricas: se expresan de acuerdo 
a la pertenencia a una categoría de un conjunto 
finito. Ej. Tipo de roca, mineralización, alteración.

32
 Generalidades
• El concepto clave en estadística es la variabilidad,
que significa que los individuos en apariencia 
semejantes pueden tomar valores diferentes. 

• El análisis estadístico es por esencia el estudio de 
la variabilidad, lo que permitirá por ejemplo 
prever de manera probabilística el 
comportamiento de individuos que aún no han 
sido observados (interpretación de la información 
o creación de modelos).

33
 Generalidades
• Luego de la recolección de datos, la tarea de la estadística 
consiste en realizar el tratamiento y la interpretación de la 
información.

– Estadística exploratoria o descriptiva: su objetivo es 
sintetizar, resumir y estructurar la información contenida en 
los datos (tablas, gráficos, indicadores numéricos). Se 
generan hipótesis, se construyen grupos homogéneos, se 
reducen variables.

– Estadística inductiva o inferencial: su objetivo es de extender 
las propiedades constatadas en las muestras a toda la 
población, y de validar e inferir hipótesis a priori o 
formuladas luego de la fase exploratoria. 34
 Probabilidades
La teoría de probabilidades es una rama de las 
matemáticas que se ocupa de las propiedades de 
ciertas estructuras usadas para modelar fenómenos 
donde interviene el azar (fenómeno aleatorio).

Permite modelar eficazmente ciertos 
fenómenos  aleatorios

35
 Estadística y probabilidades 
(nexo)
• La estadística se basa en la observación de 
fenómenos concretos (realidad), a través del análisis 
de datos (muestras).
– Datos observados imprecisos (error). El modelo 
probabilístico permite representar el error como 
una variable aleatoria.
– Constatación que la repartición estadística de 
una variable (representativa de una población) es 
cercana a modelos matemáticos propuestos por 
el cálculo de probabilidades (leyes de 
probabilidades).
36
 Estadística y probabilidades

• Las muestras de los individuos observados son la 
mayoría de las veces extraídas al azar en la 
población (para asegurar su representatividad).

• Si el muestreo es equiprobable, las características 
observadas en las muestras se transforman en 
variables aleatorias y el cálculo de probabilidades 
permite estudiar su repartición.

37
 Experiencia Aleatoria

Experiencia aleatoria: una experiencia es 
calificada de aleatoria cuando NO podemos 
predecir sus resultados, y si repetida en 
condiciones idénticas, ella puede entregar 
resultados diferentes.

38
 Definición variable aleatoria
• Una VA es una función que entrega un valor numérico a 
cada resultado de una experiencia aleatoria que 
depende del azar. 
– Ejemplo: lanzamiento de dos dados (experiencia aleatoria).
– Interesados a la suma de puntos de las caras superiores 
(VA: función a+b)
– Resultados posibles de “a+b”: 2, 3, 4, 5, 6, 7, …12

• Una VA tiene siempre una ley de probabilidad, que 
describe la probabilidad de cada valor posible de la VA.
– En otras palabras, dada una variable aleatoria no es posible 
conocer con certeza el valor que tomará esta al ser medida, 
aunque sí se conoce que existe una distribución de 
probabilidad asociada al conjunto de valores posibles.

39
 Tipos de VA 
(Se representa siempre por una letra mayúscula, en general X, Y  o Z.)

VA Discreta VA Continua
• Los valores posibles  • Los valores posibles 
forman un conjunto  están contenidos en un 
discreto. intervalo.
• Se puede tener la  • Hablamos de 
probabilidad de cada  probabilidad dentro de 
valor posible. un intervalo.

función de densidad de probabilidad.
1
1

40
 Función de densidad de VA
VA Discreta VA Continua

Barras que representa un valor 
Probabilidades representada 
de probabilidad discreto.
como área bajo la curva.

Si conociéramos todos los valores 
posibles de la VA  sería el 
histograma de la VA.
0
41
 Momentos de una VA

Esperanza matemática
Es el promedio aritmético de los diferentes valores 
posibles ponderados por sus probabilidades

VA Discreta VA Continua

∑
∑

42
 Propiedades de la esperanza
Las propiedades elementales de la esperanza son 
aquellas de las integrales y se deducen de la 
linealidad.

demostrar tarea1
43
 Momentos de una VA
VA Discreta VA Continua

Varianza: Momento centrado de orden 2. 
Medida de la dispersión de una VA alrededor 
de su esperanza. 44
Demostrar
 Covarianza 
de una dupla de VA
Covarianza: visión elemental  del vínculo entre dos 
VA (“quiero ver la dependencia entre 2 VA”).

46